王 戈， 于 強*， Yang Di， 牛 騰， 龍芊芊

1. 北京林業(yè)大學精準林業(yè)北京重點實驗室， 北京 100083

2. Geographic Information Center, University of Wyoming, Laramie 82070, USA

引 言

與城市化相關(guān)的人類活動產(chǎn)生了一系列生態(tài)環(huán)境問題。 城市空氣污染已成為嚴重的環(huán)境問題之一， 對人體健康造成了嚴重影響， 可引發(fā)心臟病、 肺癌、 哮喘和急性下呼吸道感染等疾病。 世界衛(wèi)生組織估計， 每年有430萬人因空氣污染死亡； 如果可吸入顆粒物(pm2.5和pm10)從年平均70 μg·m-3降至年平均值20 μg·m-3， 預計將減少15%的死亡人數(shù)[1]。 減少大氣顆粒物和塵埃粒子對于保障城市居民身體健康和提升城市生態(tài)環(huán)境質(zhì)量至關(guān)重要。 研究表明[2]， 植被具有滯留大氣顆粒物和塵埃粒子的作用， 一方面植物葉片表面絨毛， 油脂及粘性物質(zhì)可以吸附一部分大氣顆粒物和塵埃粒子， 另一方面植物群落可以降低附近風速， 增加空氣濕度， 促使大氣顆粒物和塵埃粒子降落。 因此以自然植被和人工植被為主要組分的綠色空間， 在吸滯大氣顆粒物和塵埃粒子方面可以發(fā)揮一定作用。 在葉片尺度的滯塵研究上， 王會霞等[3]采用模擬降塵法測定植物葉片最大滯塵能力， 并探究了不同葉片性狀對滯塵能力的影響； 賈彥等[4]利用電鏡觀測葉表結(jié)構(gòu)， 從微觀角度研究了葉片結(jié)構(gòu)特征對滯塵能力的影響； 高君亮等[5]采用水洗過濾法測定單位葉面積滯塵量， 對比灌木與喬木滯塵效果， 對比了植物在枝葉和樹冠等方面特征差異和植物滯塵量的相關(guān)性， 得到結(jié)論為： 灌木滯塵能力普遍大于喬木樹種， 合理提高滯塵能力強樹種比例可有效提高綠地滯塵能力。 羅娜娜等[6]以葉片光譜反射率曲線和偏最小二乘回歸模型為基礎(chǔ)， 分析了葉片尺度上塵埃量對植物光譜特征的影響。 謝英贊等[7]采用相關(guān)性分析法， 研究了同一樹種在不同綠地類型中滯塵能力差異。 朱濟友等[8]探究了大葉黃楊在不同塵埃濃度影響下, 葉面光譜及其葉片功能性狀的響應機制及其權(quán)衡策略, 建立了滯塵量預測模型。 在城市或區(qū)域尺度上， 構(gòu)建模型評估綠色空間的滯塵功能逐漸成為研究熱點； 周志翔等[9]應用景觀生態(tài)學原理和對比分析方法研究了綠地景觀類型的空間結(jié)構(gòu)及滯塵效應； 劉文平等[10]提出了由污染物濃度、 污染物沉降到葉表面的速率、 葉面積、 滯塵返還率、 滯塵時間共同決定的滯塵模型， 為量化綠色空間滯塵服務(wù)； Daniela等[11]利用城市森林效應評估法(UFORE)評估了城市植被吸收大氣PM2.5效率為2.5%； Antoine等[12]基于空氣動力學彌散效應模型評估了綠色空間對大氣顆粒物的吸滯能力。 目前， 針對區(qū)域尺度綠色空間滯塵研究較少。

北京作為中國政治中心和京津冀城市群特大型城市， 近40年來城市化進程迅速， 大氣顆粒物和塵埃粒子污染問題嚴重， 積極發(fā)揮北京市綠色空間滯塵功能具有現(xiàn)實意義。 研究時間段內(nèi)落葉植被塵埃吸附能力較弱， 針葉植物滯留塵埃能力優(yōu)于常綠闊葉植被， 但針葉植被在空間上分布不均。 據(jù)統(tǒng)計， 北京灌木種植面積是常綠針葉植被的3.23倍， 其中大葉黃楊種植面積占常綠灌木面積的78.03%[14]。 以北京市常見綠化樹種大葉黃楊為研究對象， 利用地面采集葉片光譜數(shù)據(jù)和同一時期衛(wèi)星遙感數(shù)據(jù)， 構(gòu)建滯塵分布預測模型， 反演了北京市區(qū)綠色空間滯塵分布。 比較葉片滯塵前后的光譜曲線特征， 篩選對滯塵量高度相應的衛(wèi)星波段， 對比所構(gòu)建的十種指數(shù)與滯塵量間相關(guān)性， 構(gòu)建滯塵反演模型。 針對地面采集的窄光譜發(fā)射率數(shù)據(jù)， 采用光譜響應函數(shù)將其轉(zhuǎn)化為Sentinel-2影像的寬波光譜反射率數(shù)據(jù)。 利用滯塵反演模型獲取綠色空間滯塵分布， 并獲取塵埃污染程度分布， 嘗試構(gòu)建了一種快速估算綠色空間滯塵量方法， 為北京市綠色空間建設(shè)和城市環(huán)境治理提供參考。

1 實驗部分

1.1 研究區(qū)

北京市位于北緯39°54′20″， 東經(jīng)116°25′29″， 總面積約為16 410.54 km2， 年均氣溫為11～13 ℃， 年降水量為500～600 nm之間。 北京市季風特征明顯， 全年降水量季節(jié)分布不均， 夏季降水量約占全年3/4， 其他季節(jié)較為干燥。 截至2020年末， 北京市常住人口2 189.3萬人， 常住人口密度達1 289人·km-2。 全年客運量為36 255.8萬人， 全年貨運量為26 346.2萬噸， 全市機動車保有量657萬輛。 北京森林覆蓋率為44.4%， 人均公共綠地面積為16.4 m2。 當前， 北京市綠色空間總量不足且分布不均勻、 人均公園綠地面積不足、 城市綠化覆蓋率不高、 制約了城市環(huán)境改善[13]。

1.2 方法

1.2.1 數(shù)據(jù)采集與處理

選取北京市區(qū)綠色空間常見植被大葉黃楊(Euonymusjaponicus)作為試驗對象， 大葉黃楊是多年生常綠灌木， 黃楊科黃楊屬植物， 為中國特有植物， 具有耐陰抗旱、 枝葉茂密、 成活率高、 吸附有害物質(zhì)能力強等特點。 基于廣泛性、 均勻性、 規(guī)律性等采樣點選取原則， 并參考先前研究成果， 分別設(shè)置實驗采樣點與驗證采樣點數(shù)量為50和25。 采樣點均位于北京市區(qū)不同的綠色空間內(nèi)， 采樣點空間分布如圖1。 采樣時選擇健康、 成熟與無損害的成熟葉片， 在每個采樣點采集30個葉片。 在2021年4月7日上午8—10點進行采樣， 采用透明密封袋盛裝樣本， 并置于恒溫儲藏箱中(溫度6 ℃， 濕度80%)， 以保證葉片生物理化活性。

圖1 采樣點分布

按照上述原則所采集的葉片， 采用電子分析天平(精度0.000 1 g)稱重， 葉片除塵前質(zhì)量為W1， 除塵后葉片質(zhì)量為W2， 葉片滯塵質(zhì)量為W1和W2之差， 使用超純凈水沖洗葉片表面塵埃并采用吸水紙進行干燥處理。 將葉片經(jīng)過掃描儀掃描后， 采用LA-S植物圖像分析儀測定其葉面積S。 對不同葉片面積、 除塵前后質(zhì)量進行多次測定求平均值， 從而獲取單位面積滯塵量P(g·m-2)， 計算公式為

(1)

采用04多功能光譜儀進行葉片反射率光譜測定， ADS光譜儀波段范圍為350～2 500 nm， 約有2 100個波段， 采樣間隔為1 nm。 在室內(nèi)進行葉片光譜測定， 光源為1 200 W鹵素燈， 將光源置于距葉片表面70 cm位置， 與水平面夾角為70°， 將光譜儀鏡頭放置于葉片上方15 cm位置， 且與水平面保持垂直， 鏡頭視場角為25°。 對ADS光譜儀進行30 min預熱， 用標準白板進行標定后開始測定葉片光譜， 讀數(shù)穩(wěn)定后保存數(shù)值， 每隔15 min重新優(yōu)化校正。 每個葉片采集5條光譜曲線， 利用ASD光譜處理軟件ViewSpecPro查看并剔除明顯錯誤的光譜曲線。 對除塵前光譜反射率RDust和除塵后光譜反射率Pclean進行多次測定求平均值， 除塵前后光譜反射率比值γ， 計算公式為

(2)

1.2.2 遙感數(shù)據(jù)與處理

一般認為， 當降水量達15 mm或風速達17 m·s-1可以去除葉片表面塵埃， 可以模擬實驗室人工葉片除塵。 6月2日白天持續(xù)降雨并伴隨大風天氣， 6月3日為晴天， 因此將6月3日影像作為無塵植被影像， 選擇4月7日作為植被滯塵影像。 從Copernicus Open Access Hub(哥白尼開放訪問中心https://scihub.copernicus.eu/)獲取本研究所需的Sentinel-2遙感數(shù)據(jù)， Sentinel-2影像有13個波段， 其中2， 3， 4和8波段的空間分辨率為10 m， 5， 6， 7， 8 A波段的空間分辨率為20 m， 1， 9和10波段的空間分辨率為60 m。 Sentinel-2數(shù)據(jù)已經(jīng)過幾何校正與輻射定標， 為避免大氣吸收與散射所造成的輻射量誤差， 采用SNAP軟件對下載數(shù)據(jù)進行大氣校正。

圖2 室內(nèi)葉片滯塵量及光譜測定過程(a)和

1.2.3 綠色空間識別

城市綠色空間是由園林綠地、 城市森林、 立體空間綠化、 都市農(nóng)田和水域濕地等構(gòu)成的綠色系統(tǒng)[15]。 將北京市區(qū)綠色空間界定為林地、 草地和農(nóng)田為組分的綠色開敞空間， 采用國產(chǎn)GF-2遙感數(shù)據(jù)進行北京市區(qū)綠色空間識別， 三景影像數(shù)據(jù)采集時間是2020年9月2—3日， 數(shù)據(jù)來源于中國資源衛(wèi)星應用中心-數(shù)據(jù)服務(wù)平臺。 利用ENVI軟件進行影像預處理， 主要包括： 正射校正、 輻射定標、 圖像融合和大氣校正。 使用2016年World-view Ⅱ影像為配準參照， 采用Gram-Schmidt Pan Sharpening模塊進行GF-2全色波段和多光譜影像融合， 采用人工目視解譯法， 將土地覆被類型分為農(nóng)田、 林地、 草地、 濕地與建設(shè)區(qū)， 生成北京市土地覆被分布(圖3) 。

圖3 2020年北京市區(qū)土地覆被及綠色空間分布圖

1.2.4 植被指數(shù)

遙感植被指數(shù)可以有效表征植被狀況， 選取10種遙感植被指數(shù)， 計算滯塵前后植被指數(shù)比， 本研究采用植被指數(shù)比值反演滯塵含量， 具體表達式如表1。

表1 植被指數(shù)公式

1.2.5 空間自相關(guān)模型

利用ArcGIS10.4 Create Fishnet工具將研究區(qū)劃分為150 m×150 m正方形網(wǎng)格單元， 共計38 415個， 計算每個網(wǎng)格單元中單位面積滯塵量平均值。 采用全局空間自相關(guān)和局部空間自相關(guān)來刻畫空氣污染程度的空間聚集特征[16]。

全局自相關(guān)用于反映空氣污染程度空間關(guān)聯(lián)程度的總體特征， 其值介于-1和1之間， 表達式如式(2)

(2)

局部自相關(guān)用于反映每個正方形網(wǎng)格單元之間的空間關(guān)聯(lián)程度， 通過莫蘭散點圖將其劃分為高-高(H-H)、 高-低(H-L)、 低-高(L-H)和低-低(L-L)四種類型。 其中， H-H(L-L)聚集型表示相鄰網(wǎng)格單元間存在正的空間自相關(guān)， 即存在高(低)空氣污染程度的空間聚集效應， H-L(L-H)表示相鄰格網(wǎng)單元存在負的空間自相關(guān)， 高(低)空氣污染程度被低(高)空氣污染程度網(wǎng)格單元包圍。

(3)

2 結(jié)果與討論

2.1 滯塵對葉片光譜的影響

葉面滯塵會導致植物葉片光譜曲線發(fā)生變化。 在暗室中利用ASD光譜儀測定“除塵前”和“除塵后”葉片光譜曲線， 分別計算除塵前葉片與除塵后葉片的不同波段光譜反射率均值， 結(jié)果如圖4(a)所示。 除塵前后葉片光譜反射率曲線存在一定差異， 但是光譜曲線變化趨勢基本相同。 除塵前后葉片光譜曲線在可見光波(380～780 nm)和近紅外波段(780～1 100 nm)存在兩個吸收峰和三個吸收谷。 其中， 反射峰位于553和1 088 nm， 是植被典型的光譜反射帶。 吸收谷分別位于390～500， 630～690和975～980 nm， 是植被典型的光譜吸收帶。 在670～760 nm之間， 光譜曲線斜率及光譜反射率變化較大， 出現(xiàn)了“紅邊效應”。 在760～1 425 nm之間出現(xiàn)一個較高的“反射平臺”， 這是由于葉片海綿組織對近紅外波段具有較強反射率。 在350～700, 740～1 870和2 000～2 400 nm波段, 除塵后葉片光譜曲線均高于除塵前， 可能由于塵埃對光子的吸收與散射作用較強有關(guān)。

圖4 滯塵對光譜特征的影響(a)和除塵前后

光譜曲線的紅邊、 黃邊、 藍邊是反映植被生長狀況的重要參數(shù)。 三邊參數(shù)相關(guān)含義見表2， 統(tǒng)計除塵前后葉片光譜反射率一階導數(shù)。 如圖4(b)所示， 滯塵對紅邊、 黃邊、 藍邊位置沒有明顯影響， 藍邊為521 nm， 黃邊為628 nm， 紅邊為704 nm， 葉面滯塵對三邊位置干擾不敏感。 如表2葉片滯塵對藍邊與黃邊幅值影響不明顯， 對紅邊幅值影響明顯。 葉片滯塵會導致三邊面積降低， 但是紅邊面積對滯塵敏感性大于藍邊和黃邊面積， 這是由于葉面滯塵大多為固體顆粒， 這些物質(zhì)會大幅降低綠色植物對近紅波段敏感程度。

表2 滯塵對光譜藍、 黃、 紅邊的影響

2.2 葉片滯塵量與大葉黃楊葉片光譜數(shù)據(jù)的相關(guān)分析

2.2.1 葉片滯塵量與單波段反射率相關(guān)分析

計算50個葉片光譜反射率比值(除塵前/除塵后)和對應葉面滯塵量的相關(guān)度， 結(jié)果如圖5所示。 由圖5可知， 光譜反射率比值和滯塵量在354～705 nm波段為正相關(guān)， 最大正相關(guān)系數(shù)位于653 nm波段， 其值為0.420， 在510～590 nm處明顯凹形， 該波段位于綠光波段內(nèi)， 表明綠光波段對塵埃的敏感性低于其他波段。 706～1 110 nm波段為負相關(guān)， 最大負相關(guān)系數(shù)位于801 nm波段， 其值為-0.729。 由相關(guān)性曲線分析可知， 紅波段和近紅波段對滯塵高度敏感。

圖5 滯塵量與光譜反射率比值(除塵前后)之間的關(guān)系

2.2.2 衛(wèi)星波段光譜反射率與滯塵量的相關(guān)分析

針對地面采集的窄光譜發(fā)射率數(shù)據(jù)， 采用光譜響應函數(shù)將其轉(zhuǎn)化為Sentinel-2， Landsat8， ZY-3， Spot6和MODIS衛(wèi)星的寬波段光譜反射率數(shù)據(jù)。 選取350～1 110 nm波段內(nèi)5種衛(wèi)星的對應波段， 計算除塵前后衛(wèi)星波段的植被指數(shù)比值， 將其與滯塵量進行相關(guān)分析， 結(jié)果如表3所示。 由表3可知， 不同衛(wèi)星植被指數(shù)比值與單位面積滯塵量相關(guān)性變化具有相同趨勢， 除PVI指數(shù)外， 其余9個植被指數(shù)均與滯塵量為負相關(guān)。 Sentinel-2的EVI指數(shù)相關(guān)性最大， 其相關(guān)系數(shù)為-0.809。 因此， 選擇Sentinel-2作為遙感數(shù)據(jù)來源。

表3 五種衛(wèi)星的植被指數(shù)比值與滯塵量之間的關(guān)系

2.3 綠色空間滯塵量估測模型構(gòu)建

由于Sentinel-2的EVI指數(shù)與滯塵量相關(guān)性最高， 建立EVI指數(shù)滯塵前后比值與滯塵量的回歸模型如圖6所示。 如表4所示， 線性擬合模型與二次擬合模型的決定系數(shù)(R2)分別為0.705和0.751， 均方根差(RMSE)分別為1.69和1.298， 二次回歸模型精度較高， 利用EVI指數(shù)建立的回歸模型可以較為準確反演北京市區(qū)綠色空間滯塵分布。 因此， 采用EVI指數(shù)二次回歸模型作為滯塵反演模型。

圖6 基于EVI指數(shù)的反演模型

表4 滯塵反演模型

2.4 植被滯塵反演與驗證

利用EVI指數(shù)滯塵反演模型進行反演研究。 采用ENVI5.3軟件， 將2021年4月7日EVI指數(shù)與2021年6月3日EVI指數(shù)比值作為自變量， 采用EVI指數(shù)滯塵反演模型進行葉面滯塵量反演， 并結(jié)合北京市區(qū)綠色空間分布， 獲取綠色空間滯塵空間分布。 4月7日北京市區(qū)綠色空間滯塵量分布如圖7(a)， 在整體上滯塵量分布趨勢表現(xiàn)為： 北部滯塵量比南部高， 東部比西部高， 中心城區(qū)高于郊區(qū)。 道路兩旁的綠色空間滯塵量較高， 綠色空間單位面積與滯塵量距道路距離成反比。 同一區(qū)域內(nèi)， 綠色空間內(nèi)部受塵埃影響程度受綠色空間斑塊面積影響較大， 其斑塊面積與內(nèi)部滯塵量成反比。 市區(qū)中部的綠色空間滯塵量較高， 因為附近分布有北京西站、 北京站與北京南站， 人流與交通流量較大。 據(jù)統(tǒng)計， 2016年北京西站、 北京站和北京南站日均客流量約為46萬人次， 聚集的人流與交通流量會導致顆粒物污染。 望京地區(qū)附近綠色空間滯塵量較高， 該區(qū)域人員與商業(yè)區(qū)聚集。

圖7 北京市綠色空間的滯塵分布(a)和滯塵反演精度驗證(b)

將25組滯塵反演量和對應實測值進行相關(guān)分析， 利用決定系數(shù)(R2)與均方根差(RMSE)評價反演模型精度。 結(jié)果如圖7(b)所示， 采用滯塵量反演預測值與實測數(shù)據(jù)具有很高擬合度，R2為0.807， RMSE為6.287， 表明EVI指數(shù)反演模型可以較為準確反映北京市區(qū)綠色空間滯塵量空間分布。

2.5 北京市空氣污染程度空間分析

植被滯塵分布可以作為表征空氣污染的指標， 植被滯塵量一定程度可以反映塵埃污染程度。 在綠色空間范圍內(nèi)選取1 500個采樣點， 利用ArcGIS Extract Values to Points工具， 獲取采樣點位的滯塵量數(shù)值， 采用克里金(Kriging)插值法獲取北京市區(qū)塵埃污染分布。 如圖8(a)所示， 4月7日塵埃污染集中分布在北京市區(qū)中部、 北部與東部， 在市區(qū)西部與南部， 塵埃污染分布較為分散， 表明北京市區(qū)中部、 北部和東部易產(chǎn)生塵埃污染， 污染區(qū)域大多分布在人口和商業(yè)密集區(qū)域附近。

圖8 北京市區(qū)大氣塵埃污染分布和空間自相關(guān)分析

北京市區(qū)塵埃污染分布的全局Moran’I值0.912，p值小于0.05， 說明研究區(qū)域塵埃污染分布在整體上呈現(xiàn)顯著的正向空間自相關(guān)關(guān)系， 具有明顯聚集性， 空間分布并非完全隨機。 由圖8(b)可知， 植被滯塵 LISA分布圖(p<0.05)直觀反映植被滯塵在空間聚集與分異的位置分布特征， 在北京市區(qū)中部， 東部和東北部出現(xiàn)了大面積的塵埃污染高-高聚集(H-H聚集)區(qū)域， 塵埃污染低-低聚集(L-L聚集)主要分布在北京市區(qū)西部和南部。

3 結(jié) 論

以北京市區(qū)為研究區(qū)域， 以大葉黃楊為研究對象， 經(jīng)過室外采樣與室內(nèi)試驗獲取了葉片樣本滯塵量、 光譜反射率和葉面積等數(shù)據(jù)， 分析了滯塵程度對光譜反射率影響， 確定了滯塵響應的高度敏感波段， 建立了對應衛(wèi)星波段植被指數(shù)比值與滯塵量的回歸模型， 并結(jié)合綠色空間分布數(shù)據(jù)， 采用Sentinel-2影像獲取北京市區(qū)綠色空間滯塵空間分布， 并獲取了塵埃污染分布， 采用空間自相關(guān)模型檢驗其空間聚集特性。

(1) 在740～1 870 nm波段, 滯塵后葉片光譜反射率明顯低于滯塵前葉片。 滯塵對紅邊、 黃邊、 藍邊位置沒有明顯影響， 對“紅邊幅值”和“紅邊面積”影響較明顯。 葉片光譜除塵前后反射率比值和滯塵量的相關(guān)分析表明： 在354～705 nm波段為正相關(guān)， 706～1 110 nm波段為負相關(guān)， 最大正相關(guān)系數(shù)和最大負相關(guān)系數(shù)分別位于紅光波段和近紅光波段范圍內(nèi)， 紅和近紅波段對滯塵高度敏感。

(2) 進行寬波段滯塵前后植被指數(shù)比值和單位面積滯塵量相關(guān)分析： Sentinel-2， Landsat8， ZY-3， Spot6和MODIS的相關(guān)性相差較小。 其中， Sentinel-2計算的EVI指數(shù)比值與單位面積滯塵量相關(guān)系數(shù)最大， 構(gòu)建對應的滯塵反演模型， 所構(gòu)建的線性與二次回歸模型決定系數(shù)分別為0.705和0.751。 因此， 選取EVI指數(shù)二次回歸模型作為滯塵反演模型。

(3) 利用2021年4月7日和6月3日的Sentinel-2影像， 采用EVI指數(shù)滯塵反演模型獲取了北京市區(qū)綠色空間滯塵分布， 并利用實測數(shù)據(jù)對滯塵反演結(jié)果的合理性進行驗證， 綠色空間的滯塵量分布表現(xiàn)為中心高于郊區(qū)， 東部高于西部， 北部高于南部。 決定系數(shù)(R2)與均方根差 (RMSE)分別為0.807和6.287， 反演模型可以較為準確反映北京市區(qū)綠色空間滯塵量空間分布。 北京市區(qū)中部、 北部和東部易產(chǎn)生塵埃污染， 且污染分布具有明顯聚集性， 并非完全隨機。