靈鷲山國家森林康養基地空氣負氧離子濃度變化特征及其影響因素研究

廖榮俊，顏曉捷，江波，朱錦茹，翁永發，王志高

（1.衢州市森林資源保護中心，浙江 衢州 324000；2.衢州市烏溪江飲用水源保護管理局，浙江 衢州 324000；3.浙江省林業科學研究院，浙江 杭州 310023）

空氣負氧離子在凈化空氣、改善空氣質量、促進人體健康（改善睡眠、促進人體新陳代謝、提高免疫力、調節機能平衡）等方面具有重要作用[1-2]。自然界中，大氣分子的電離作用、水分子的Lenard效應以及森林樹冠、樹葉的尖端放電以及綠色植物的光合作用產生的光電效應是產生負氧離子的主要方式[3-6]。森林是空氣負氧離子的主要產生場所之一，研究森林產生空氣負氧離子的時間分布特征及其影響因素，有助于充分發揮森林生態效益，促進森林康養產業的發展。

森林環境中空氣負氧離子濃度具有明顯的日變化[7-8]和季節變化特征[9-12]。但不同研究結果的差異較大，除了與森林類型有關外，可能還與溫度、相對濕度、風速等氣象因子的影響有關，如：有研究表明空氣負氧離子濃度與溫度呈負相關，與相對濕度呈正相關[13-15]；也有研究表明空氣負氧離子濃度與空氣溫度呈正相關，而與相對濕度和風速呈負相關[16]。葉彩華等[17]認為空氣負氧離子濃度與風速和太陽直接輻射呈正比，與相對濕度成反比，而何張齊等[18]發現空氣負氧離子濃度只與氣壓呈極顯著負相關，與其他氣象因子沒有相關性。

目前，對森林環境因子對空氣負氧離子濃度的影響多采用單因素的方法分析空氣負氧離子濃度與環境因子的相關性，多因素相關性分析考慮了因子之間的共線性影響可以得出較好的結果[19]。另外，前期的研究數據多為對某一地點的短期測量數據，也難以反映空氣負氧離子濃度與氣象因子之間的復雜關系。本文采用長期定位觀測數據，采用多元線性回歸的方法分析空氣負氧離子濃度與環境因子之間的關系，并采用隨機森林算法對變量對負氧離子的貢獻程度進行排序，探討分析空氣負氧離子濃度的時間變化特征及其與森林環境因子的關系。

1 研究區域概況

本研究監測地點位于浙江省衢州市城區北部的靈鷲山國家森林康養基地（以下簡稱靈鷲山）海拔430 m處。靈鷲山屬千里崗山脈，是衢州市區北部的重要生態屏障，總面積有6 350 hm2，其中核心區面積有470 hm2。基地北側為杭新景高速公路，南側為G351國道，東與衢江區相接，西至石梁溪。區域內有海拔500 m以上山峰4座，土壤類型為紅壤，植物種類多樣，資源豐富，森林覆蓋率達90.4%，地帶性植被為常綠闊葉林。衢州市林業局于2018年12月在靈鷲山國家森林康養基地設立了一個清新空氣監測功能站，站點所在林區主要植被類型包括次生常綠闊葉林、杉木Cunninghamia lanceolata為主的針闊混交林和毛竹Phyllostachys edulis林、油茶Camellia oleifera林等人工林（圖1）。站點位于以青岡Quercus glauca、苦櫧Castanopsis sclerophylla等為主要樹種的次生常綠闊葉林內，林齡在20年左右，平均胸徑為6 cm，郁閉度為0.6，密度為1 377株·hm-2。

圖1 監測點周邊環境示意圖Figure 1 Location of the monitoring point

2 研究方法

2.1 數據監測

數據監測為儀器自動監測，每1 min測定和記錄一次，并上傳至服務器。監測的數據包括：空氣負氧離子濃度、細顆粒物（PM2.5）濃度、臭氧濃度、風向、風速、溫度、相對濕度、氣壓和降水量等。監測儀器：空氣負氧離子監測儀器為EP100B（北京依派偉業數碼科技有限公司）、臭氧監測分析儀為THEMO 49i-DNSAA（美國熱電生產）、PM2.5顆粒物監測分析儀為THERMO SHARP5030i（美國熱電生產），氣象六要素（溫度、相對濕度、氣壓、降雨量、風速、風向）測定儀器為YCMETS HQAWS201（佛山云創氣象科技有限公司生產）。空氣負氧離子濃度測定高度為離地面1.5 m。

2.2 數據處理

從浙江省林業清新空氣在線監測數據管理系統下載2019年6月1日—2020年5月31日的自動監測數據。為保證數據的完整性以及本研究分析結果的準確性，在數據處理前，刪除了數據缺失值及其對應的觀測值。建立春、夏、秋、冬四個季節空氣負氧離子濃度與環境因子的多元回歸方程：

式中，f(X)為空氣負氧離子濃度，XPM2.5、XO3、XWD……xi分別為細顆粒物（PM2.5）、臭氧（O3）、風向（WD）、風速（WS）、溫度（Temp）、相對濕度（RHP）、氣壓（BP）等氣象因子。a常數，b、c……n為系數。風向用角度（0～ 360°）表示，如北風（N）是0°（360°），東風（E）是90°，南風（S）是180°，西風（W）是270°。

由于各項數據的量綱不同，在模型分析之前對數據進行中心化處理。采用逐步回歸的方法進行模型擬合，并采用隨機森林算法對多元回歸顯著的因子進行貢獻度大小排序，詳細算法見文獻[21]。采用單因素方差分析比較不同季節空氣負氧離子濃度差異。

所有統計分析均在R軟件中進行（https://www.R-project.org/）。

3 結果與分析

3.1 靈鷲山空氣負氧離子濃度時間變化特征

對2019年6月—2020年5月的空氣負氧離子濃度監測數據進行分析，發現靈鷲山年平均空氣負氧離子濃度為4 475個·cm-3，最大濃度為35 088個·cm-3，出現在2019年7月。春、夏、秋、冬四個季節空氣負氧離子濃度的變化范圍均比較大，其中，春季為2 084～ 5 945個·cm-3、夏季為3 126～ 35 088個·cm-3、秋季為635～ 6 007個·cm-3、冬季為136～6 030個·cm-3，其中春季的變化范圍相對較小，夏季的最大。春、夏、秋、冬四個季節空氣負氧離子濃度的平均值分別為3 889個·cm-3、5 773個·cm-3、3 832個·cm-3和3 680個·cm-3，其中夏季的空氣負氧離子濃度最高，并且與其他三個季節的濃度之間差異顯著（P<0.05）；冬季的最低，并與其他三個季節的濃度之間差異顯著（P<0.05）；春季和秋季的空氣負氧離子濃度之間差異不顯著（圖2）。四個季節空氣負氧離子濃度的日變化特征存在差異，春季為雙峰型，7:00—9:00和16:00—17:00時的濃度較高；夏季為單峰性，5:00—13:00時的濃度較高，秋季為不明顯的雙峰型，9:00—11:00時的濃度較低，17:00—19:00時的濃度較大；而冬季則變化趨勢不明顯（圖3）。

圖2 靈鷲山空氣負氧離子濃度四個季節的平均值Figure 2 Average negative air ions concentration in different seasons in Lingjiushan Mountain

圖3 靈鷲山四個季節空氣負氧離子濃度日變化特征Figure 3 Diurnal variation of negative air ions concentration in different seasons in Lingjiushan Mountain

3.2 空氣負氧離子濃度與環境因子的相關性分析

采用多元回歸的方法分析了靈鷲山空氣負氧離子濃度與溫度、相對濕度和細顆粒物（PM2.5）等環境因子之間的關系。結果表明，在不同季節，影響空氣負氧離子濃度的環境因子存在差異（表1）。春季，空氣負氧離子濃度主要受到細顆粒物（PM2.5）濃度、臭氧濃度、相對濕度和氣壓的影響，其中空氣負氧離子濃度與相對濕度呈顯著正相關（P<0.05），與臭氧濃度、氣壓、細顆粒物（PM2.5）濃度呈顯著負相關（P<0.05）；夏季，空氣負氧離子濃度與風向、相對濕度、溫度和臭氧濃度均呈顯著負相關（P<0.05），與其它因子的相關性不顯著（P>0.05）。秋季，空氣負氧離子濃度主要受到風向、相對濕度、風速、細顆粒物（PM2.5）濃度和氣壓的影響，均呈顯著負相關（P<0.05）；冬季，空氣負氧離子濃度受到的影響因子最少，僅與臭氧濃度、氣壓和相對濕度呈顯著負相關（P<0.05）。值得關注的是，同一個環境因子對空氣負氧離子濃度的影響在不同季節的表現不同，如相對濕度，在春季與空氣負氧離子濃度呈正相關，而在夏季、秋季和冬季則呈負相關；臭氧濃度、細顆粒物（PM2.5）濃度、氣壓表現出一致的結果，均與空氣負氧離子濃度呈負相關（P<0.05）。

表1 四個季節負氧離子濃度與環境因子多元回歸分析結果Table 1 Multiple regression analysis on relationship between negative air ions concentration and environmental factors

3.3 環境因子對空氣負氧離子濃度影響程度排序分析

采用隨機森林算法，對四個季節中的多元回歸方程顯著的環境因子進行貢獻度大小排序分析，發現均方差的增加百分比（% Inc MSE）和節點純度增加量（Inc Node Purity）表現出一致的結果（圖4），表明隨機森林算法對環境因子進行貢獻度大小排序的結果可靠。春季，對空氣負氧離子濃度影響程度大小的順序依次為相對濕度>細顆粒物（PM2.5）濃度>氣壓>臭氧濃度；夏季為溫度>臭氧濃度>風向>相對濕度；秋季為氣壓>細顆粒物（PM2.5）濃度>風向>相對濕度>風速；冬季為氣壓>臭氧濃度>相對濕度。同一個環境因子在不同季節對空氣負氧離子濃度的影響程度不同，如細顆粒物（PM2.5）濃度、氣壓在春季和秋季均與空氣負氧離子濃度呈負相關，但貢獻大小在春季表現為細顆粒物（PM2.5）濃度>氣壓，而在秋季則為氣壓>細顆粒物（PM2.5）濃度。

圖4 基于隨機森林算法的變量重要性等級Figure 4 Importance of variables by random forest algorithm

4 結論與討論

以上研究結果表明，夏季的空氣負氧離子濃度最高，冬季的最低，春季和秋季中午的濃度較低，這與前人的研究結果一致。同時，本研究進一步發現，夏季森林環境中的空氣負氧離子濃度變化范圍較大，尤其是空氣負氧離子濃度出現極端高值的頻率較高，這可能與夏季多雷雨天氣有關，雷電和降水能產生帶負電荷的負氧離子[21]；冬季空氣負氧離子濃度最低且日變化較小，這可能與冬季溫度低、植物生長活動弱有關。

森林環境中，空氣負氧離子濃度日變化一般表現出先減少后增加的日變化趨勢特征，即午夜至清晨較高，中午較低，傍晚后逐漸升高[7-8]，但在不同區域和不同森林類型中存在單峰型和雙峰型兩種類型，峰值出現的時間也不相同。本研究中，不同季節空氣負離子濃度的日變化差異較大，可能與不同季節的氣象因子有關。本研究中，有細顆粒物（PM2.5）濃度、氣壓和臭氧濃度表現出一致的結果，均與空氣負氧離子濃度呈負相關。研究表明，大氣顆粒物中成分較為復雜，對空氣負氧離子具有吸附作用，因此，在大氣顆粒物濃度較大的區域，空氣負氧離子濃度一般較低[14]。臭氧是光化學煙霧污染的重要標志，靠近地面的高濃度臭氧導致大氣氧化作用增強并進一步促進次級細顆粒物的形成[22]。此外，由臭氧生成的二次細顆粒物具有更復雜的結構和更大的表面積，并且更容易吸收空氣負氧離子。氣壓對空氣負氧離子濃度的影響在不同的研究中的結果不一致[15,17]。本研究認為，隨著氣壓的升高，空氣中分子運動的速率和碰撞的幾率增加，尤其是在細顆粒物（PM2.5）和臭氧等污染物濃度較大的情況下，增加了對空氣負氧離子的吸收，從而導致其濃度下降。

本研究中溫度、相對濕度、風向等與空氣負氧離子濃度的關系在不同季節中存在不一致的線性關系；進一步采用隨機森林算法對影響空氣負氧離子度的環境因子進行多元回歸，發現同一個環境因子在不同季節對空氣負氧離子濃度的影響程度存在差異。不同的環境因子之間存在復雜共線性關系[19]，溫度和相對濕度被認為是影響空氣負氧離子濃度的兩個主要因子。自然界中，在有流水或瀑布的環境中，空氣負氧離子濃度相對較高，但是這并不意味著相對濕度越大，空氣負氧離子濃度越高，只有運動的水分之間的相互碰撞才更容易產生負氧離子[3]。這可能是前期研究中得出相對濕度與空氣負氧離子濃度呈正相關、負相關甚至是不相關的原因。溫度對空氣負氧離子的影響可能與不同的溫度范圍對空氣負氧離子的產生的影響不同，溫度過高或過低均不利于空氣負氧離子的產生。只有在一定的溫度范圍或時間內，溫度與空氣負氧離子濃度呈正相關，反之則呈負相關或不相關[23-24]。本研究也發現只有春季的相對濕度與空氣負氧離子濃度呈正相關，其它三個季節兩者均呈負相關；只有夏季的溫度與空氣負氧離子濃度呈負相關，其它三個季節中兩者的相關性均不顯著。溫度和相對濕度對空氣負氧離子濃度的影響還可能與其它環境的因子的協同作用有關。環境因子對空氣負氧離子的影響除了直接的影響外，還存在著間接的影響。如風速的增加會導致空氣分子之間的摩擦加大，間接導致空氣負氧離子濃度升高，但會使得相對濕度和氣壓降低，也可能會致臭氧濃度和細顆粒物（PM2.5）濃度的增加，從而降低空氣負氧離子濃度。而從空氣負氧離子高濃度區域吹來的風會增加監測點的空氣負氧離子濃度，反之，帶來的細顆粒物（PM2.5）等會降低空氣負氧離子濃度。

本研究發現不同季節中環境因子對空氣負離子濃度的影響較為復雜，進一步的研究工作應在不同森林類型和生長季節中考慮環境因子之間的協同作用，并區分直接和間接影響，綜合探討空氣負氧離子濃度的影響因素。