鄭州市道路網絡結構特征對大氣顆粒物污染的影響及尺度效應

陳嵐琪，夏鏵，張習文，田國行，王騰飛，雷雅凱*

1.河南農業大學林學院，河南 鄭州 450002；2.河南龍象生態園林科技有限公司，河南 鄭州 450002

大量研究發現，大氣顆粒物（PM）污染已在世界范圍內成為危害健康的嚴重問題，被認為是導致心血管、呼吸系統疾病等的主要原因之一（Meszaros et al.，2015；Plummer et al.，2015）。世界衛生組織的一項研究表明，大氣環境中的PM污染水平與人類死亡率之間存在很強的聯系（Anderson et al.，2004）。在非洲（Petkova et al.，2013）、澳大利亞（Knibbs et al.，2018）、歐洲（Klejnowski et al.，2012；Vardoulakis et al.，2008）、北美（Pandis et al.，2016）和南美（Zalakeviciute et al.，2018）等區域均有類似問題的報道。伴隨中國經濟快速發展，城市空間急劇擴張，機動車保有量迅速增加等現象，中國城市生態可持續發展也面臨著大氣顆粒物污染的問題。細顆粒物（PM2.5）的一些常見來源為機動車尾氣、能源消耗型產業和煤炭燃燒（馮杏儀，2013）。粗顆粒物（PM10）主要來源為揚塵（土壤塵、道路塵、建筑塵）、燃煤、工業排放、機動車排放、生物質燃燒、SO2、NOx、VOCs氧化產生的二次顆粒物等（胡敏等，2011）。為了有效緩解城市內部的PM污染，亟需更多科學研究為城市生態環境的可持續發展提供理論依據。

目前已經有大批學者在有關PM污染的影響因子上開展了大量的研究，現有研究中影響顆粒物污染的因子主要包括氣溫（Li et al.，2017）、濕度、風速（Alvarez et al.，2018）、降水（Du et al.，2013）等氣象因素；城市綠地（Gao et al.，2015）、湖泊濕地（Zhu et al.，2018）、建筑布局（Gong et al.，2016）等土地利用因素；政治調控因素（郭世卓，2017）等。隨著對大氣污染的深入研究，城市道路網絡的發展也逐漸得到重視。交通運輸被視為大氣顆粒物的主要來源之一，是PM10、PM2.5污染的“源”景觀。街道是城市通風廊道的重要組分，通過連接補償空間與作用空間，影響城市局地環流達到緩解空氣污染的作用（劉姝宇等，2010）。但大多數研究關注于中小尺度下道路綠化布局（王佳等，2018）、街道CFD三維模擬（張麗麗等，2018）、路網大氣環境容量（王小霞等，2014）、基于車輛排放的交通形態研究（徐鵬等，2017）等方面。在城市尺度上，對路網空間結構在PM污染治理方面的貢獻進行研究的論文較少（Wang et al.，2017）。而不同空間尺度下影響顆粒物污染的關鍵路網結構因子分析也需要進一步明確。

隨著中原城市群、大都市區等發展政策的提出，鄭州正在經歷一個快速發展的時期（He et al.，2019），但同時大氣顆粒物污染問題日益突出（段時光等，2019）。作為中部地區重要交通樞紐，重視路網結構系統化調控是改善空氣質量的重要途徑之一。本研究應用主成分分析（principal component analysis，PCA）和線性混合效應模型分析方法，以 2016年鄭州市建成區內空氣質量監測點PM10、PM2.5質量濃度以及2017年5月監測點周邊區域道路網絡結構為研究數據，對路網結構特征在PM污染上的影響及尺度效應進行研究，以期為鄭州市和同類大都市的區域路網結構體系及可持續性生態環境建設提供理論依據。

1 數據和方法

1.1 樣地概況

本文選取 2016年鄭州市區的建成區為研究區域（圖1），研究中使用的范圍來自《鄭州市人民政府通告》。鄭州市（34.16°—34.58°N，112.42°—114.14°E）是河南的省會城市，也是全國重要的鐵路、航空、高速公路、電力、郵政電信主樞紐城市。2016年市建成區面積約443.04 km2。鄭州市地處北溫帶大陸性季風氣候，春季干燥，夏季高溫多雨，年平均氣溫14—14.3 ℃，年平均降水量640.9 mm，年日照時數約2400 h。鄭州市西部和南部被中低山包圍，其他方位則是丘陵和遼闊的平原。

圖1 河南省鄭州市的區位分布及空氣質量監測站（AQMS）的位置Fig.1 Location of Zhengzhou in Henan Province,China and the spatial distribution of air-quality monitoring stations (AQMS)

1.2 數據來源與整理

1.2.1 PM質量濃度數據

鄭州市建成區內空氣質量監測站點（AQMS）的分布如圖 1所示，8個 AQMS分別為供水公司（GSGS）、河醫大（HYD）、銀行學校（YHXX）、經開區管委（JKQ）、市監測站（SJCZ）、四十七中（SSQZ）、煙廠（YC）、鄭紡機（ZFJ），地理坐標如表1所示。從AQMS獲取2016年有效監測日期的PM10、PM2.5日質量濃度數據，并剔除降雨、四級及以上大風天氣（風速≥5.5 m·s-1）數據，然后計算月均質量濃度。風速等級和鄭州市建成區內的氣象數據來自國家氣象局（http://data.cma.cn/），空氣質量指標（PM10、PM2.5）數據下載于中國國家環境監測中心網站（http://www.aqistudy.cn）。

1.2.2 路網數據及指標選擇

本研究中提取道路信息的衛星影像來自 GF-2衛星。GF-2衛星全色圖像的幾何分辨率為0.81 m，多光譜影像的分辨率為3.24 m（王芳等，2019），分辨率足夠進行高精度解譯。通過疊加2016年和2017年谷歌地球影像后目視判讀（圖2），發現城市中心區域路網結構變化不大，因此基于2017年5月的GF-2衛星影像，運用ArcGIS 10.2軟件以8個AQMS為中心點，建立1 km×1 km (Scale1)—6 km×6 km (Scale6) 6個尺度的樣方（圖3）。在ArcGIS中對每個樣方內的城市道路進行解譯，獲取道路原始數據。

現有研究中對路網結構特征的描述常包括路網數量特征和格局特征兩部分（王麗等，2012），本文選取以下 7個代表性指標進行路網結構特征描述：道路的節點數量（non）、廊道數量（noc）兩個數量特征指標（王麗等，2012），由目測計數得到，節點與廊道如圖4所示；主干道面積占比（a）、次干道面積占比（b）、總道路面積占比（rar）3個道路面積分級指標；網絡環度（α）、節點連接度（β）、系統連接度（γ）3個拓撲網絡格局特征指標，主要揭示節點和連接數的關系，反映網絡的復雜程度（王云才，2009）。其中α指數值的變化范圍在0（無環路）和 1（具有最大環路）之間，用來描述網絡中環路出現的程度。β指數度量一個節點與其他節點聯系難易程度，為大于0的值。γ表示網絡中連線的數目與該網絡最大可能的連線數之比，其變化范圍在0—1之間，γ=0，表示沒有節點相連；γ=1時表示每個節點都彼此相連。通過 ArcGIS統計或目視判讀后計算具體的指標（表2）。

表1 河南省鄭州市城市建成區內AQMS的地理坐標Table 1 The geographic coordinates of AQMS in Zhengzhou built-up area,China

圖2 2016年與2017年鄭州市四十七中AQMS衛星影像對比Fig.2 Comparison of 2016 and 2017 satellite images of SSQZ AQMS in Zhengzhou

圖3 鄭州市建成區樣方內Scale1—Scale6道路網絡結構Fig.3 The structure characteristics of road network at quadrats from Scale1 to Scale6 in built-up area of Zhengzhou

1.3 統計學分析

表2 道路網絡結構特征指標Table 2 Structural characteristic indices of road network

在R-Studio里運用經典統計分析對PM10、PM2.5月均質量濃度的時間效應、路網結構特征進行統計分析。由于各路網指標之間不是孤立的，往往存在一定的相關性，直接把路網指標納入下一步研究中可能因指標間多元共線性而無法得出正確結論（方建德等，2009）。因此在 SPSS中通過主成分分析（principal component analysis，PCA）簡化原始變量的維數和結構，達到消除共線影響的目的。

在線性混合效應模型（linear mixed model）中把PM10、PM2.5月質量濃度均值作為因變量，把消除共線性后的路網指標作為固定效應因子，代入月份為隨機效應因子，消除PM10、PM2.5質量濃度的時間效應對模型產生的噪音，探究不同空間尺度下路網結構特征指標與PM10、PM2.5質量濃度間的定量關系及關鍵影響因子。本文中，線性混合模型分析采用R-Studio軟件中“ggplot2()”函數和“nlme”包的“lme()”函數進行。

2 結果與討論

2.1 大氣顆粒物月均質量濃度的時間效應

圖5所示為鄭州市建成區8個AQMS的PM10、PM2.5月均質量濃度變化，誤差棒表示站點間PM月均質量濃度變異程度。統計結果顯示，PM10和PM2.5質量濃度均具有“夏低冬高”的趨勢，這與其他學者的研究結果一致（馬格等，2018）。但是PM10與PM2.5質量濃度的變化趨勢不完全相同，PM10質量濃度在2月份下降后又在3月上升，但PM2.5在2月和3月相差不大，說明PM10中粒徑大于PM2.5的顆粒物組分具有不同來源。此外，站點間PM質量濃度的變異性也具有時間效應：各站點間 PM10與PM2.5質量濃度變異性冬季最強，夏季最弱。這種季節性差異可能原因是降雨、濕度和風速會影響 PM的運動，鄭州市夏季的強對流氣團和降雨有效清除了部分顆粒物（李倩楠等，2018），同時植被的滯塵作用促進了PM質量濃度的削減，相對植被衰落、干燥少雨的冬季而言也削弱了不同站點間即空間上的變異。

圖5 鄭州市建成區各監測點PM10和PM2.5月質量濃度均值分布Fig.5 Monthly variations of PM10 and PM2.5 from AQMS in the built-up area of Zhengzhou

2.2 路網結構特征分析

以6個尺度為橫軸，單個指標數值為縱軸，路網結構特征指標為分面做箱式圖，分析路網結構特征及其尺度效應（圖6），箱式圖中箱體厚度和端線長度顯示路網指數分布范圍，隨著尺度的增大，主干道面積占比（指標 a）均值在小尺度出現增長趨勢后逐漸保持平衡；次干道面積占比（指標 b）站點間的變異性除Scale5外整體呈增加趨勢，均值雖然隨著尺度的變化具有小幅度波動但整體變化不大。分析 rar指數均值發現總道路面積占比不會隨著尺度擴大產生劇烈波動，但是在Scale1上站點間出現較大差異，這可能是由于Scale1樣方面積較小，區域內主干道數量區別較大導致的。

圖6 鄭州市AQMS周邊道路網絡結構特征及其尺度效應Fig.6 The structural characteristics of road network around AQMS in Zhengzhou and scale effects

道路的節點數量（non）和廊道數量（noc），交通網絡的數量水平隨著尺度的增加逐漸上升，且各站點之間廊道、節點的數量變異性逐漸變大。網絡環度（α）、節點連接度（β）、系統連接度（γ）3種路網結構特征指標綜合體現出路網結構的發育水平。網絡環度和系統連接度的站點均值隨著尺度擴大呈現出先上升后下降的趨勢，在Scale4尺度表現最好，但在Scale3出現暫時下降；而節點連接度的站點均值隨著尺度的擴張在小尺度逐漸削減，大尺度開始有上升趨勢，在Scale1出現峰值。

2.3 路網結構對季節性 PM10與 PM2.5質量濃度的影響

2.3.1 主成分特征分析

將 8個路網指標數據標準化處理消除量綱影響，然后在SPSS中對標準化數據進行相關性檢驗和KMO檢驗。結果顯示主干道面積占比（指標a）相關性不足且未達到主成分分析的標準（總體變量KMO系數＞0.6，單個變量KMO系數＞0.5，Bartlett檢驗值P＜0.01）。因此，對其余指標再次檢驗，數據結構滿足主成分分析條件。

主成分提取結果顯示，前三位主成分特征值大于 1，累計解釋數據變異的 87.172%，分別解釋總數據變異的34.607%、30.284%、22.281%（表3）。因子載荷矩陣可以顯示主成分與原始變量的關系（章文波等，2006）。但本研究的主成分實際意義表達不清晰，因此，用最大方差法進行成分旋轉獲取旋轉成分矩陣（王鶯等，2014）。如表4所示，旋轉經過5次迭代后，各主成分表征的意義清晰顯示：第一主成分主要反應包括道路的環度水平、節點間連接的難易程度、網絡系統性連接程度3個指數的路網連通復雜度；第二主成分主要反應道路的節點、廊道數量水平，第三主成分反應總道路與次干道面積占比。

表3 相關系數矩陣的特征值Table 3 Eigenvalues of the correlation matrix

表4 旋轉后因子載荷矩陣Table 4 Rotating component matrix table

2.3.2 線性混合效應模型分析

在R-Studio中利用線性混合效應模型分析多尺度下路網結構對PM10、PM2.5質量濃度的影響并可視化顯示（圖7）。以t值為縱坐標，空間尺度為橫坐標，折點顏色代表P值大小的等級。t值等于估計系數值除以標準誤差，其中，|t|值越大，P值越小，相關顯著性越強：P≥0.05表示不存在統計學意義上的相關性，當P＜0.05時具有統計學意義的顯著性相關，P＜0.01時極顯著相關。

圖7 道路結構指標與顆粒物月均質量濃度混合效應模型分析結果Fig.7 Mixed effect model analysis results of road structure index and monthly mean concentrations of particulate matter

如圖7所示，a指數在Scale5尺度時與PM2.5的月均質量濃度顯著性正相關，減少主干道面積可以促進 PM2.5質量濃度的下降。a指數在 Scale1—Scale5尺度下都與 PM10月質量濃度均值表現出顯著相關性，僅在Scale2時a指數與PM10負相關；其他4個尺度下均正相關，且隨著尺度的擴張相關性逐漸降低，即減少主干道面積占比可以促進PM10質量濃度的下降。道路中大型客貨車對細顆粒物濃度的貢獻大于小型客貨車的排放（王同桂等，2019），主干道作為大型客貨車排放的主要場所之一，減少其面積占比會在源頭上對PM10、PM2.5污染產生削減作用；但是主干道同時又作為城市中的主要通風廊道（洪亮平等，2011），為顆粒物擴散提供途徑，在個別尺度下其緩解效應可能比污染作用更明顯。

相反的，F1指數與PM2.5的月均質量濃度不存在顯著相關性，即并未發現路網連通復雜度對PM2.5質量濃度有統計學意義上的影響，但 F1指數與PM10月均質量濃度在 Scale2下顯著性負相關；路網連通復雜度越好，PM10質量濃度越低。提高路網連通復雜性可能為相同行程提供更加快捷短途的路線，間接減少行車里程降低汽車排放和車流量，促進PM10污染的削減。

F2與F3指數在PM10和PM2.5月均質量濃度上均具有顯著性相關。PM2.5月均質量濃度在Scale1、Scale5尺度下與F2指數負相關且Scale5尺度相關性最好，在Scale5、Scale6尺度與F3指數正相關；節點與廊道數量的提升、總道路與次干道面積占比的下降有助于PM2.5質量濃度的下降。對PM10而言，在Scale1、Scale2的小尺度下，PM10與F2指數負相關，在Scale2相關性最好；節點與廊道數量的提升會緩解PM10的污染。而在Scale2—Scale6尺度下，PM10與 F3指數正相關，在 Scale3表現最好且在Scale4—Scale6尺度下相關性逐漸增強；削減總道路與次干道面積占比有助于PM10質量濃度的降低。提升道路數量發育水平，可能通過提升交通可達性和分散車流減少堵車等現象，進而削減車輛排放。

總體結果表明，路網結構發育水平對PM10質量濃度的影響程度明顯高于PM2.5質量濃度。分析其原因可能是對道路而言，揚塵是PM10等粗粒子最重要的污染源，機動車排放對PM2.5等細粒子有重大貢獻（潘純珍等，2004），而路網的形態結構通過調控車速等對道路揚塵的影響與對減少車輛排放的影響程度可能存在差異，因此對PM10和PM2.5產生不同程度的影響。此外，通過對路網指標特征分析發現，路網結構具有明顯的景觀尺度效應，研究多尺度下的最佳相關性對有效緩解顆粒物污染具有重要意義，這也可能是造成相關性尺度差異的原因。

當前，為了達到減少顆粒物污染的目的，減少道路面積占比對城市發展與人居環境提升而言并不實際。因而結合以上結果分析，只能在限制交通面積快速擴張的基礎上減少主次干道面積占比，轉而促進三級道路、城市支路的發展；在提高節點與廊道數量水平的同時，提升道路連通復雜度。這與Wang et al.（2017）研究發現在相同的交通承載能力下，提高支路占比可以促進 PM2.5污染緩解的結論一致。

3 結論

基于主成分分析、線性混合模型分析的方法，研究 1 km×1 km (Scale1)—6 km×6 km (Scale6) 空間尺度下鄭州市建成區路網結構特征對 PM10、PM2.5質量濃度的影響，得出以下結論：

（1）鄭州市建成區各監測點顆粒物質量濃度的月均值及變異性均具有冬高夏低的特征。

（2）鄭州市建成區的路網結構特征對 PM10質量濃度值的影響程度高于 PM2.5。主干道面積占比與PM10在Scale1、Scale3—Scale5尺度均正相關，僅在 Scale5與 PM2.5正相關；路網連通復雜度在Scale2與 PM10負相關；節點與廊道數量水平在Scale1、Scale2與PM10負相關，在Scale1、Scale5與PM2.5負相關；總道路及次干道面積占比與PM10在Scale2—Scale6尺度均正相關，但與PM2.5僅在Scale5、Scale6尺度正相關。

（3）為基于已有道路布局，達到同時有效減少鄭州市PM10、PM2.5污染的目的，應在Scale1尺度限制節點間過長廊道的發展，提升節點與廊道數量水平；在Scale2尺度促進路網環通復雜度的提升；在Scale5尺度減少主干道面積占比，控制總道路及次干道面積占比，向高密度低等級的路網結構發展。