2022, Vol. 43
2. 湖南省长沙生态环境监测中心, 长沙 410001;
3. 湖南师范大学地理科学学院, 长沙 410081;
4. 广东国地规划科技股份有限公司, 广州 510650
2. Changsha Environmental Monitoring Center of Hunan Province, Changsha 410001, China;
3. School of Geographic Sciences, Hunan Normal University, Changsha 410081, China;
4. Guangdong Guodi Planning Science Technology Co., Ltd., Guangzhou 510650, China
城市形态指城市中大规模的、静态的和永久的物质实体[1], 是城市构成要素外部几何形态与功能地域分异属性的综合表征.城市人为活动对空气污染形成的主导作用[2]依附于城市形态, 而且城市形态可以显著改变城市微气候进而影响空气污染物的扩散[3].城市规划作为塑造城市形态的最重要手段, 关乎城市未来发展走向和环境效应[4], 已在英国等发达国家中被证实为缓解空气污染的有效途径之一[5], 文献[6]更是明确提出“人类规划建设城市的方式决定了人们呼吸的空气”.随着国家新型城镇化与新一轮国土空间规划快速推进, 明晰如何通过优化城市形态指标有效改善空气质量已迫在眉睫.但目前面向空气质量改善的城市形态因子识别、调控模拟方法研究仍停留在起步阶段.
截止目前, 影响空气质量的城市形态因子研究较多聚焦于城市用地[7].普遍认为空气污染程度与城市用地规模呈正比[8, 9], 建成区面积占比越高PM10浓度越高[10]; 相反, 居住用地面积占比较高的区域O3浓度较低[11], 绿地覆盖率对PM2.5影响显著[12, 13]且对周边地区具有明显溢出效应[14].也有学者从景观配置关系视角展开分析, 发现城市紧凑度/破碎度对空气污染的影响在不同规模城市、不同地域存在分异性[15, 16], 如空气污染与城市整体破碎度在美国城市研究中表现为正相关[17, 18], 在中国城市研究中则表现为负相关[19, 20].不仅如此, 此类研究关注的热点近年来正逐步由二维转向三维.有研究综述了城市规模、城市密度和城市形状这3类指标与空气质量的相关性[21], 实证表明污染物浓度与地形起伏度呈负相关[22], 建筑的高度、体积、形状和密度变化对空气污染扩散及分布具有显著影响[23].
尽管上述关于城市形态因子与空气质量相关性的研究较多, 但面向空气质量达标的城市形态指标定量调控方法/模型成果少见.早期研究城市规划对大气环境的影响仅局限于使用风玫瑰图.随着计算机模拟技术与大气环境监测手段的快速发展, 本世纪初开始采用耦合流体力学计算模式模拟开展城市规划大气环境影响评估[3, 24, 25], 评估依据主要为城市通风廊道效应[26].虽然该方法在表达宏观趋势变化时具有优势, 但因模拟过程依赖准确的排放清单、对城市下垫面考虑较为粗糙和未考虑城市规划可调控指标间贡献力差异等原因, 在指导具体城市规划调控时仍欠缺实用性与高效性.近年, 在城市气候区[27]基础上, Badach等[28]面向城市规划提出了依据城市形态通风潜力和污染暴露风险等级划定空气质量管理区的新方法; Chokhachian等[29]建议采用环境参数化建模的城市设计方法增强城市环境韧性.上述成果对政府部门确定空气污染重点防治区域、优化城市环境韧性提供了新的思路, 但仍然缺乏基于规划因子指标的操作性强的空气质量调控方法和模型.
总体而言, 已有研究表明空气污染与城市形态特征密切相关, 塑造城市形态的城市规划是缓解空气污染的有效途径, 但未能定量综合解析二/三维可调控城市形态因子体系对空气污染影响的大小, 更缺少面向城市形态因子优化调控模拟的实用方法.对此, 本文以长沙市为例, 构建影响PM2.5浓度分异的二/三维可调控城市形态因子体系, 通过城市PM2.5浓度精细制图, 定量探究PM2.5浓度分布对城市形态的依赖特性, 建立一种关键因子指标驱动下的城市空气质量模拟优化调控模型, 并结合国土空间规划工作实际, 提出基于敏感因子指标调控的空气质量超标区域优化策略, 以期为空气质量友好型绿色国土空间规划编制提供新的理论与技术支撑.
1 材料与方法 1.1 研究区概况本文选取湖南省长沙市中心城区(112°40′~113°17′E, 27°58′~28°30′N)为对象, 含天心区、开福区、芙蓉区全部和望城区、岳麓区、雨花区和长沙县局部地区, 总面积约1 869 km2(图 1).长沙市是中国长江中下游地区重要的中心城市和交通枢纽, 也是中国(大陆)国际形象最佳的山水洲城, 更是长株潭两型社会建设示范区的核心区域, 其良好的空气质量保障极为必要.然而, 研究区四面环山, 地势东西高、中间低, 湘江自南向北贯穿中心城区, 形成东西两岸隔江相望的“马蹄”形空间格局, 宏观地理环境导致空气污染扩散条件较差, 加之复杂的城市结构、密集的城市活动等原因, PM2.5污染压力大, 且呈现明显的空间异质性[30].
|
图 1 研究区范围与PM2.5浓度监测站点分布示意 Fig. 1 Study area and locations of PM2.5 concentration monitoring sites |
本研究PM2.5浓度时空变化的城市形态因子识别与优化调控模拟包括图 2所示的4个方面：①PM2.5浓度及相关数据收集与预处理; ②PM2.5浓度精细制图; ③城市形态可调控指标探测; ④PM2.5浓度优化调控情景模拟.
|
图 2 PM2.5浓度空间分异的城市形态依赖分析与优化调控模拟研究框架 Fig. 2 Framework of urban form dependence analysis and optimization for spatially differentiated PM2.5 concentration |
(1) PM2.5浓度及相关数据 PM2.5浓度精细模拟需在站点观测数据基础上, 引入影响污染扩散的气象和DEM, 以及反映污染排放源分布的人口等辅助数据[31, 32].本研究收集的数据主要包括来自中国环境监测总站10个国控站点(https://air.cnemc.cn:18007/)和湖南省长沙生态环境监测中心124个小微站点2020年逐小时PM2.5浓度观测数据, 中国气象局陆面同化系统(CLDAS-V2.0)(http://data.cma.cn)时空分辨率为6.25 km·h-1的风速(WS)、气温(TEMP)、降水(PRE)、气压(PRS)和比湿(SHU)等气象数据[33], 美国航空航天局30 m分辨率SRTM DEM数据(http://gdex.cr.usgs.gov/gdex), 以及WorldPop网站100 m分辨率人口密度数据(https://www.worldpop.org/methods/populations).针对小微站点数据系统偏差, 采用机器学习算法[34]基于邻近国控站点数据对其进行了误差校正, 拟合R2=0.99, RMSE=3.11 μg·m-3, 十折交叉验证R2=0.94, RMSE=6.86 μg·m-3, 误差校正精度可靠.
(2) 城市形态数据 本研究采用的城市形态数据可分为：①二维城市用地功能划分与景观格局计算基础数据; ②三维城市开发强度特征提取数据.前者主要包括地理国情监测云平台30 m分辨率土地覆盖数据(http://www.dsac.cn/DataProduct/Detail/200804), 百度开放平台涉及购物中心、中学、小学、住宅区、厂矿、火车站和停车场等183种二级行业分类的共计80 632条POI兴趣点数据记录(http://lbsyun.baidu.com/), 以及地理空间数据云平台资源三号2.1 m空间分辨率高清卫星影像数据(http://www.gscloud.cn/sources/index?pid=2&rootid=2)等.后者主要指包含边界与建筑层数的长沙市建筑矢量数据(https://www.udparty.com/index.php/lists/data)等.以上述数据为基础, 结合研究区实际情况与相关研究成果, 本研究构建了如表 1所示的由二维尺度空间的城市用地功能再分类指标与城市景观格局指数指标, 和三维尺度空间的城市开发强度指标共同构成的城市形态指标体系, 实际应用中该指标体系可根据不同城市特点进行调整扩充.考虑到后续PM2.5浓度制图分辨率要求, 基于100m网格对各指标栅格数据进行了重采样处理.
|
表 1 二/三维城市形态指标体系 Table 1 2D/3D index system of urban form |
1.2.2 PM2.5浓度精细制图
PM2.5浓度精细制图是开展城市形态可调控指标探测的数据基础.鉴于随机森林(random forest, RF)[34, 38]方法在多维分类和回归分析中有应用普遍、精度高、过拟合概率低和可解释性强等优势, 本研究构建了小时尺度地表PM2.5浓度制图RF模拟模型.模型结构如下：
|
(1) |
式中, PM2.5为站点观测浓度; WS、TEMP、PRE、PRS、SHU、Pop和DEM分别为上述预处理提取的站点风速、气温、降水、气压、比湿、人口和地形高程变量值.模型精度采用基于样本的与基于站点的十折交叉验证方法[39], 借助拟合优度(R2)和均方根误差(RMSE)这2个指标进行评价.
1.2.3 城市形态可调控指标探测城市形态可调控指标探测包括厘清PM2.5浓度和城市形态指标空间分异特征关系的描述性统计分析和基于地理探测器定量解析城市形态指标对PM2.5浓度分异的贡献强度计算[40].
地理探测器是王劲峰等[41, 42]结合空间分异理论、空间叠加技术和集合论提出的探测空间分异性并揭示其背后驱动因子的统计学方法.地理探测器采用统计量q值表示单变量X对属性Y的空间分异解释力.在评估多个自变量对因变量的交互作用时, 可分别计算两种自变量因子X1和X2与因变量Y的q值q(X1)和q(X2), 以及两因子叠加交互后与Y的q值q(X1∩X2).通过交互前后的q值大小比较区分交互作用类型：①非线性减弱：q(X1∩X2) < Min[q(X1), q(X2)]; ②单因子非线性减弱：Min[q(X1), q(X2)] < q(X1∩X2) < Max[q(X1), q(X2)]; ③双因子增强：q(X1∩X2)>Max[q(X1), q(X2)]; ④独立：q(X1∩X2)=q(X1)+q(X2); ⑤非线性增强：q(X1∩X2)>q(X1)+q(X2). q值计算表达式为：
|
(2) |
式中, L为变量Y的分层; Nh和N分别为层h和全区的样本数量; σh2和σ2分别为层h和全区Y值的方差. q的取值范围为[0, 1], 值越大表明解释力越强, 反之则越弱.
1.2.4 空气质量优化调控UFR-AQOM建模城市形态可调控指标的地理探测虽可识别影响城市PM2.5浓度空间分异的全局地理因子, 但仍无法直接指导基于该因子的城市局地PM2.5浓度优化调控模拟.对此, 本研究构建了一种基于地理探测器先验城市形态指标的空气质量优化调控模型(urban form regulation-aided air quality optimization model, UFR-AQOM)(图 3).模型实现过程主要包括：逐步回归迭代建模和面向目标约束的情景优化调控仿真这2个部分, 模型结构与实现算法如下：
|
(3) |
|
N为研究区网格总数, n为达标网格数, s为城市形态指标数, g为优化迭代次数 图 3 UFR-AQOM模型构建及优化调控过程示意 Fig. 3 Schematic diagram of UFR-AQOM model construction and optimization process |
式中, Y为标准化后地表PM2.5浓度; Xi为地理探测强贡献先验单因子; f(Xi, Xj)为Xi和Xj双因子对地表PM2.5浓度的交互作用影响; n1和n2分别为单因子与双因子作用的城市形态指标(组合)个数; (u, v)为地表PM2.5浓度待优化调控网格的地理坐标; 回归系数βi(u, v)和β(i, j)(u, v)分别为城市不同单元单因子与双因子交互作用对地表PM2.5浓度的影响系数, 绝对值越大影响越强, 正负值系数分别为正影响与负影响. βi(u, v)和β(i, j) (u, v)采用地理加权回归进行估计[43, 44]; 截距β0(u, v)为其他因素对地表PM2.5浓度的影响; ε(u, v)为模型随机误差.双因子交互作用f(Xi, Xj)采用耦合多个高斯核函数拟合描述, 其中参数θxil与θxjk为第k个高斯核函数峰值的中心坐标, 参数σxik与σxjk为第k个高斯函数标准差, 参数Ak为第k个高斯核函数的峰值.高斯核函数的个数p需在拟合前设定, 其决定了f(Xi, Xj)对地表PM2.5浓度的整体解释程度, 本文通过最小化PM2.5~f(Xi, Xj)拟合R2与双因子交互作用力q值差值确定p的取值.
(1) 逐步回归迭代建模 ①选择地理探测过程中双因子非线性增强组合(Xi, Xj)构建非线性拟合方程, 计算非线性增强新指标f(Xi, Xj); ②针对通过显著性检验的地理探测先验指标和非线性增强新指标共同构成的指标集合X0, 以方差膨胀系数(VIF)取值10为标准去除潜在局部共线性影响指标, 构成指标集合Xpre; ③对Xpre按照因子贡献力大小排序Seq-q, 基于因子顺序建立因变量PM2.5浓度与Xpre的前向逐步回归模型, 共s-1个; ④计算各模型拟合优度R2, 筛选R2最高的模型作为UFR-AQOM原型, 该模型因子指标集合定义为Xin.
(2) 面向目标约束的情景优化调控仿真 ①设定调控区PM2.5浓度阈值标准T和达标网格优化目标RatioT, 同时参考各城市形态指标值域范围现状设定城市形态指标阈值可调控区间Vmin~max; ②构造Student t显著性检验统计指标[45], 筛选不同空间点位(u, v)显著城市形态指标回归系数, 基于系数大小对指标开展城市局地形态指标重要性排序; ③进入第g次城市形态指标优化调整迭代过程, 统计调控区PM2.5浓度达到阈值标准T的达标网格占比Ratiog, Ratiog大于预期目标RatioT时结束迭代, 否则进入第④步; ④针对PM2.5浓度超标空间单元, 根据回归系数正负方向、城市形态指标重要性排序和阈值可调控区间Vu, v, 调整第g个城市形态指标的大小; ⑤根据式(3)输入调整后的城市形态指标计算得出第g次优化调整后各空间单元PM2.5浓度值cu, v; g=g+1, 不断循环步骤③~⑤直至实现预期优化目标RatioT.
2 结果与讨论 2.1 PM2.5浓度城市形态依赖性统计分析 2.1.1 PM2.5浓度空间分布特征PM2.5浓度精细模拟的拟合R2=0.91, RMSE=8.31 μg·m-3, 基于样本的验证R2=0.81, RMSE=12.39 μg·m-3, 基于站点的验证R2=0.77, RMSE=13.67 μg·m-3, 模型精度可靠.考虑到年尺度上PM2.5浓度变化相比季节/月/小时尺度更加平稳[46], 可近似认为不同年份城市形态指标对PM2.5浓度空间分异的影响相似, 统计PM2.5浓度年均值空间分布如图 4.研究区年均ρ(PM2.5)最高为42 μg·m-3, 最低为31 μg·m-3, 平均值为36.7 μg·m-3.比照文献[47]中规定的年均基准值35 μg·m-3, 研究区大部分区域(82.52%)年均PM2.5浓度超过国家标准, 整体空气环境质量压力较大且呈现出明显空间分异性, PM2.5浓度自中心向四周逐级递减趋势.年均ρ(PM2.5)达标区域(≤35 μg·m-3)仅限于西部望城和东部长沙县山地起伏区, 此类区域人为活动稀疏且开发强度低, 本地污染排放少, 而高覆盖度植被可进一步促进细颗粒物的吸收沉降.年均PM2.5浓度高值区形成“一轴两区四节点”的空间格局：其中“一轴”是指纵贯南北的湘江轴线, 地势开阔, 受沿江两侧高强度经济活动影响较大, 年均ρ(PM2.5)多为38 μg·m-3左右; “两区”分别指湘江东岸北起捞刀河、东达浏阳河南段的城市主体区和湘江西岸的岳麓片区, 区内人口与经济活动密集, 污染排放量大, 且地势低污染扩散难, 年均ρ(PM2.5)多超过39 μg·m-3; “四节点”分别是指望城区高星工业园组团、开福区金霞中转联运组团和长沙县星马产业园组团、空港组团, 与自身排放量高密切相关.
|
图 4 PM2.5浓度年均值空间分布 Fig. 4 Spatial distribution of annual mean value of PM2.5 concentration |
图 5为长沙市主城区城市形态指标值的空间分布特征.结合重点区位示意来看[图 5(a)], 二维城市用地功能分布呈现出明显的“山水洲城”特色[图 5(b)]. 耕地(32.9%)和林地(29.8%)面积占比大且集中连片环绕外围布局, 湘江、浏阳河和龙王港等水系将建设用地分割, 复合城市功能呈“组团式”、“多中心”布局其中, 如污染排放量大的工业功能主要集中布局于西北望城和东部长沙县的工业物流园区.景观指数值分布展示出“聚集”与“均质”的功能空间配置关系[图 5(c)~5(g)].整体LPI较低但AI和SHEI较高, 即景观优势种丰度小但聚集性、均质性强, 单一城市功能斑块作用有限, 但复合城市功能斑块内部连通性强, 交互作用时易产生规模效应加强对空气污染的影响.高聚集、均质区主要集中在自然耕地、林地和水域等人为活动较少的区域.从开发强度指标值分布可知[图 5(h)~5(k)], 研究区整体开放强度不高, 建筑占地面积仅占总用地面积的3.2%, 天空开阔度平均值高达92%, 但空间分异明显.高开发强度区主要位于湘江东岸、岳麓山北侧和望城东南等建筑低矮且密集成片的老城区, 以及新世纪、省府和暮云等新聚集中心, 易通过阻挡气流、减缓风速和产生街道风“峡谷效应”等方式改变局地微气候进而影响局地空气污染扩散.
|
图 5 城市形态指标值空间分布 Fig. 5 Spatial distribution of urban form index value |
关联统计PM2.5浓度和城市形态指标分布特征发现(图 6, 已剔除样本数小于100的非典型类别), PM2.5浓度空间变化对所有本研究选取城市形态指标均具有依赖性, 符合“地理场景越相似, 地理特征越相近”的地理学第三定律.具体而言, ρ(PM2.5)达标网格(≤35 μg·m-3)主要位于耕地或林地功能主导且低破碎度、高天空开阔度区域. PM2.5浓度随着主导用地功能类别、PD和天空开阔度等级变化差异明显.从用地功能来看, 商业服务用地ρ(PM2.5)最高(40.16 μg·m-3), 道路交通用地次之(39.04 μg·m-3), 绿地、耕地和林地整体空气质量优, 与商业经济活动密集且开发强度大、高覆盖率植被有利于吸附颗粒物[13]等原因有关.从景观配置关系来看, PM2.5浓度在高PD/SHEI和低LPI网格单元更高, 且随着PAFRAC升高先降后升(PAFRAC为1.2左右达到最低), 随着AI升高先升后降(AI为80左右达到最高), 林地和水体等汇景观的影响主导了该依赖特性的形成[48].从开发强度来看, PM2.5浓度在高建筑密度/建筑高度/用地容积率和低天空开阔度网格单元更高, 但是PM2.5浓度随各指标等级变化差异程度不同, 如建筑密度大于70%时PM2.5浓度不再发生明显改变和天空开阔度在50%~80%之间PM2.5浓度下降趋势最为明显等.各网格单元PM2.5浓度差异与多城市形态指标复杂交互作用机制密切相关.
|
图 6 城市形态指标影响下的PM2.5浓度差异 Fig. 6 Difference in PM2.5 concentration under the influence of various urban form indexes |
城市形态指标对PM2.5浓度的单因子贡献力结果如表 2所示, 各项指标均通过了0.01级别显著性检验.单因子贡献力整体呈现出三维开发强度(q: 0.03~0.22)>二维景观格局(q: 0.04~0.19)>二维用地功能(q: 0~0.14)的趋势.三维开发强度作用强烈, 与研究区局地传输强[49]且局地传输易受扩散条件影响有关.开发强度指标中用地容积率(q=0.22)最能解释PM2.5浓度的空间分异性, 天空开阔度的贡献力相对较小.二维城市景观格局聚集程度是影响PM2.5浓度空间分异的主要空间配置指数, 表现为聚集类指数PD/AI对PM2.5浓度变化的作用(q: 0.16~0.19)比其他景观指数作用(q≤0.1)更强烈.二维城市用地功能指标贡献力排序则明显受到各类城市功能规模的影响.贡献力最大的指标为耕地占比(q=0.14), 与其可有效促进PM2.5干湿沉降, 且常连片布局易产生规模效应有关.同样对细颗粒物具有吸附作用的绿地占比贡献力却表现较低, 主要归因于研究区内极其有限的绿地面积, 与已有研究中论述的不同植被覆盖等级会影响PM2.5浓度空间分异相符[50].另外, 居住占比、工业占比等与污染排放密切相关的城市形态指标对PM2.5浓度变化的作用也较大, 与之前的研究结果一致[51].
|
|
表 2 PM2.5浓度空间分异作用单因子贡献力1) Table 2 Single factor contribution on spatial difference in PM2.5 concentration |
2.2.2 双因子复合贡献力解析
PM2.5浓度空间分异的城市形态指标双因子贡献力如图 7所示, 任意两个指标复合贡献力均大于各指标单独作用.交互作用类型显示非线性增强与双因子加强比例达到49∶122, 复合指标与PM2.5浓度在空间趋势变化上同步性强, 交互作用可增强城市形态指标对PM2.5浓度变化的解释力[40].三大类因子间强交互作用主要存在于城市用地功能因子与其他因子间, 用地功能与景观指数/开发强度交互作用中非线性/双因子增强比例分别达到14∶36/11∶29.其中驱动PM2.5浓度空间变化的最大复合贡献力来自耕地占比∩用地容积率(q=0.31), 考虑城市三维开发强度特征与城市用地功能的交互影响对解释空气污染空间分异具有重要意义, 与文献[52]中提到的产业功能与地形交互作用主导影响PM2.5浓度分异的结论类似.从各因子内部交互作用来看, 用地功能指标间交互作用最为强烈, 非线性/双因子增强比例达到21∶24, 非线性增强主要存在于林地占比∩耕地占比、工业占比∩商业服务占比、以及绿地/水域/其他占比与其他指标交互过程中.景观指数指标间交互作用程度一般, 非线性/双因子增强比例达到3∶7, 非线性增强主要存在于PAFRAC与其他指标的交互作用过程中.
|
(a)用地功能内部交互(黑线框); (b)景观指数内部交互(黄线框); (c)开发强度内部交互(绿线框); (d)用地功能与景观指数交互(紫线框); (e)用地功能与开发强度交互(红线框); (f)景观指数与开发强度交互(橙线框) 图 7 PM2.5浓度空间分异作用双因子复合贡献力 Fig. 7 Compound factor contribution on spatial difference in PM2.5 concentration |
基于UFR-AQOM逐步回归迭代建模算法, 依据PM2.5浓度分异的城市形态指标贡献力大小, 依次引入用地容积率、用地容积率∩绿地占比、用地容积率∩水域占比、PD、PD∩PAFRAC、建筑密度、建筑密度∩其他占比、建筑高度、耕地占比、居住占比、LPI、SHEI、工业占比、工业∩商业服务占比、道路交通占比、管理服务占比和天空开阔度指标, 开展逐步向前回归建模, 基于R2等统计指标检验UFR-AQOM模型优化调控PM2.5浓度的有效性.结果表明(图 8), 包含了用地容积率等12个指标的模型M15效果最优, 拟合R2=0.65, RMSE=1.40 μg·m-3, 所筛选的城市形态指标可较好模拟解释城市PM2.5浓度空间分异.该模型中用地容积率、PD等以单因子形式产生作用, 绿地占比、水域占比和其他占比则主要以与其他指标双因子交互形式发挥作用.
|
图 8 UFR-AQOM模型逐步向前回归建模结果 Fig. 8 Stepwise forward regression results of UFR-AQOM |
UFR-AQOM情景优化调控仿真算法需对阈值标准T、优化比例目标RatioT、城市形态指标阈值可调控区间V这3项指标和情景设定标准予以明确.本研究中T取值为我国ρ(PM2.5)年均限值35 μg·m-3[47], RatioT取值为该标准下我国达标城市数目占比46.6%[53].不同城市形态指标阈值V的设定以实际最小值Vmin为下限, 以最大值Vmax为上限, 即LPI∈[0, 100], PAFRAC∈[0, 2], PD∈[0, 21], 用地容积率∈[0, 11], 其他指标∈[0, 1], 具体规划实践中宜根据上位规划调整城市形态指标阈值.为证明UFR-AQOM空气污染优化调控的有效性, 首先计算局地城市形态指标的重要性结果并展开排序, 对PM2.5浓度尚未达标(高于阈值标准T)区域, 逐网格调控首要城市形态指标, 开启第一轮空气污染模拟优化(情景一).对仍未达标区域, 进一步调控次要城市形态指标, 实施第二轮空气污染再次优化(情景二).重复上述优化调控步骤, 直至空气污染优化比例达到RatioT为止.
2.3.2 模拟调控结果分析长沙市主城区PM2.5浓度三轮情景优化调控结果表明(图 9), 调整城市形态指标可以优化空气质量.经过本研究设置的第一、第二、第三轮情景优化调控, 长沙市主城区整体PM2.5浓度达标面积占比, 可逐步从现状18.48%提升至33.25%、40.65%和47.31%, 达到预设调控目标.污染超标严重的“一轴两区四节点”重点地区的PM2.5浓度均值也将显著下降.
|
图 9 研究区PM2.5浓度多情景优化调控结果 Fig. 9 Multi-scenario optimization results of PM2.5 concentration in the study area |
就区县而言, 雨花区PM2.5浓度模拟调控效果最好, 新增达标面积占比达到该区总面积的43.92%, 其次为望城区(35.15%)和长沙县(34.4%), 芙蓉区、天心区、开福区和岳麓区新增达标面积占比较小, 均在30%以下.究其原因, 调控效果很大程度受到现状PM2.5浓度影响, 现状浓度基数较小的区域调控效果更加明显.追溯新增达标网格的优化指标发现, 各行政区侧重优化的城市形态指标存在差异, 其中雨花区为PAFRAC、SHEI和工业占比; 芙蓉区为PAFRAC、工业占比和PD; 望城区为PD、水域占比和容积率; 长沙县为工业占比、水域占比和PD; 天心区为PAFRAC、容积率和PD; 开福区为PAFRAC、PD和居住占比; 岳麓区为PD、容积率和工业占比.就区内PM2.5浓度水平较高的“一轴两区四节点”而言, 空港组团调控效果最好, PM2.5浓度平均值降低程度大, 经过第一轮调整, ρ(PM2.5)均值即可从现状37.56 μg·m-3降低至34.65 μg·m-3, 主要调整指标为PD, 与空港现状斑块密度小、调控难度小有关; 其次为主体区, PM2.5浓度调控模拟难度相对较大, 经过三轮调整ρ(PM2.5)均值可从现状39.32 μg·m-3降低至35.67 μg·m-3, 主要调整指标为PAFRAC、容积率, 与主体区景观形状复杂、开发强度较大密切相关.金霞组团调控效果相对较差, ρ(PM2.5)均值经三轮调整仅可降低1.85 μg·m-3, 说明影响该组团PM2.5浓度分布的城市形态影响因素复杂, 仅调控PD和水域占比等重要指标调控效果有限.
2.3.3 调控对策分析对比PM2.5浓度调控前后长沙市主城区城市形态指标值域分布发现, 各因子指标调整方向和调整幅度存在差异.二维城市用地因子中的绿地占比、耕地占比和其他占比指标上调, 其余因子指标均下调.其中工业占比(均值从0.107调降至0.08)、水域占比(均值从0.054调降至0.024)、容积率(均值从0.265调降至0.136)和PD(均值从6.946调降至4.004)等指标调整幅度较大, 耕地占比、道路交通占比和LPI等指标调整幅度较小.工业占比调整后, 工业占比为100%的网格明显减少, 工业占比居中的网格有所增加, 表明工业过度集聚会促使PM2.5浓度增高, 应加强工业用地与绿地、水域等其他用地的混合利用模式.水域占比调整后, 有水域占比的网格数均有所减少, 容积率调整则主要出现在低容积率向无建筑转变网格中.PD是调整幅度最大的指标, 调整后高斑块密度网格数减少, 斑块密度为5左右网格数减少量最大.
尽管本研究中城市形态指标均在阈值范围内调整, 理论可行.但实际调控过程中各城市形态指标调控存在难易程度差异, 如调增绿地占比容易, 调降容积率则相对较难.故面向PM2.5浓度达标约束要求, 考虑到城市形态指标对PM2.5浓度作用和实际调控难度的空间非平稳性, 建议研究区采取“整体全面管控+分区重点优化+局部因地制宜”调整策略.首先针对PAFRAC和PD等在整个研究区存在重要影响的指标实行全面管控.然后对仅在部分区域作用明显的指标实行重点优化, 如雨花区、芙蓉区、长沙县和岳麓区宜加强优化工业占比, 望城区、天心区、岳麓区应控制容积率, 望城区和长沙县需加强优化水域占比.而对“一轴两区四节点”等高值区还需进一步结合实际调控难度确定优先调控指标.
3 结论(1) 长沙市主城区PM2.5浓度高值区呈现“一轴两区四节点”的空间格局, 其空间分异特征对城市形态具有高度依赖性, 依赖程度整体表现为：开发强度＞景观格局＞用地功能, 且各因子指标对PM2.5浓度空间分异的影响存在复杂非线性交互作用.
(2) 基于先验城市形态指标的空气质量优化调控模型(UFR-AQOM), 对城市PM2.5浓度空间分异解释程度可达65%, 可有效应用于城市PM2.5浓度的优化调控模拟, 对面向空气质量优化的国土空间规划多情景方案比选具有重要意义.
(3) 对于城市PM2.5浓度优化调控, 长沙市主城区可以采取“整体全面管控+分区重点优化+局部因地制宜”调整策略, 重点关注“一轴两区四节点”的PD、PAFRAC、用地容积率等指标优化.
| [1] | Lynch K. A theory of good city form[M]. Cambridge, MA: MIT Press, 1981. |
| [2] | Feng H H, Zou B. Satellite-based separation of climatic and surface influences on global aerosol change[J]. International Journal of Remote Sensing, 2020, 41(14): 5443-5456. DOI:10.1080/01431161.2020.1731934 |
| [3] | 《北京城市规划建设与气象条件及大气污染关系研究》课题组. 城市规划与大气环境[M]. 北京: 气象出版社, 2004. |
| [4] |
王桂林, 张炜. 中国城市扩张及空间特征变化对PM2.5污染的影响[J]. 环境科学, 2019, 40(8): 3447-3456. Wang G L, Zhang W. Effects of urban expansion and changes in urban characteristics on PM2.5pollution in China[J]. Environmental Science, 2019, 40(8): 3447-3456. |
| [5] | Stone R. Air pollution. Counting the cost of London's killer smog[J]. Science, 2002, 298(5601): 2106--2107. |
| [6] | UN-HABITAT, World Health Organization. Integrating health in urban and territorial planning: a sourcebook[R]. Geneva: UN-HABITAT, World Health Organization, 2020. |
| [7] | Tian Y, Yao X A, Mu L, et al. Integrating meteorological factors for better understanding of the urban form-air quality relationship[J]. Landscape Ecology, 2020, 35(10): 2357-2373. DOI:10.1007/s10980-020-01094-6 |
| [8] | Stone B Jr. Urban sprawl and air quality in large US cities[J]. Journal of Environmental Management, 2008, 86(4): 688-698. |
| [9] | Li F, Zhou T. Effects of urban form on air quality in China: An analysis based on the spatial autoregressive model[J]. Cities, 2019, 89: 130-140. DOI:10.1016/j.cities.2019.01.025 |
| [10] | Zou B, Xu S, Sternberg T, et al. Effect of land use and cover change on air quality in urban sprawl[J]. Sustainability, 2016, 8(7). DOI:10.3390/su8070677 |
| [11] | Kang J E, Yoon D K, Bae H J. Evaluating the effect of compact urban form on air quality in Korea[J]. Environment and Planning B: Urban Analytics and City Science, 2019, 46(1): 179-200. DOI:10.1177/2399808317705880 |
| [12] | Yan J W, Tao F, Zhang S Q, et al. Spatiotemporal distribution characteristics and driving forces of PM2.5 in three urban agglomerations of the Yangtze River Economic Belt[J]. International Journal of Environmental Research and Public Health, 2021, 18(5). DOI:10.3390/ijerph18052222 |
| [13] |
岳峰, 戴菲, 郭晓华. 基于遥感反演的武汉市空气污染物与植被覆盖度相关性研究[J]. 风景园林, 2019, 26(1): 76-81. Yue F, Dai F, Guo X H. Study on correlation between air pollutants and vegetation coverage in Wuhan based on remote sensing inversion[J]. Landscape Architecture, 2019, 26(1): 76-81. |
| [14] | Liu H M, Fang C L, Zhang X L, et al. The effect of natural and anthropogenic factors on haze pollution in Chinese cities: A spatial econometrics approach[J]. Journal of Cleaner Production, 2017, 165: 323-333. DOI:10.1016/j.jclepro.2017.07.127 |
| [15] | Liang Z, Wei F L, Wang Y Y, et al. The context-dependent effect of urban form on air pollution: a panel data analysis[J]. Remote Sensing, 2020, 12(11). DOI:10.3390/rs12111793 |
| [16] | Shi K F, Wang H, Yang Q Y, et al. Exploring the relationships between urban forms and fine particulate (PM2.5) concentration in China: A multi-perspective study[J]. Journal of Cleaner Production, 2019, 231: 990-1004. DOI:10.1016/j.jclepro.2019.05.317 |
| [17] | McCarty J, Kaza N. Urban form and air quality in the United States[J]. Landscape and Urban Planning, 2015, 139: 168-179. DOI:10.1016/j.landurbplan.2015.03.008 |
| [18] | Lee C. Impacts of multi-scale urban form on PM2.5 concentrations using continuous surface estimates with high-resolution in US metropolitan areas[J]. Landscape and Urban Planning, 2020, 204. DOI:10.1016/j.landurbplan.2020.103935 |
| [19] | Tao Y, Zhang Z, Ou W X, et al. How does urban form influence PM2.5 concentrations: Insights from 350 different sized cities in the rapidly urbanizing Yangtze River Delta region of China, 1998-2015[J]. Cities, 2020, 98. DOI:10.1016/j.cities.2019.102581 |
| [20] | Wang M M, Zhang B B. Examining the impact of polycentric urban form on air pollution: evidence from China[J]. Environmental Science and Pollution Research, 2020, 27(34): 43359-43371. DOI:10.1007/s11356-020-10216-1 |
| [21] |
方怡青, 曲凌雁. 城市空间形态与空气质量相关性研究综述[J]. 现代城市研究, 2018(8): 88-94. Fang Y Q, Qu L Y. Study on the correlation between urban form and air quality[J]. Modern Urban Research, 2018(8): 88-94. |
| [22] |
黄小刚, 赵景波, 辛未冬. 基于网格的长三角PM2.5分布影响因素及交互效应[J]. 环境科学, 2021, 42(7): 3107-3117. Huang X G, Zhao J B, Xin W D. Factors and their interaction effects on the distribution of PM2.5in the Yangtze River Delta based on grids[J]. Environmental Science, 2021, 42(7): 3107-3117. |
| [23] | Yang J Y, Shi B X, Shi Y, et al. Air pollution dispersal in high density urban areas: Research on the triadic relation of wind, air pollution, and urban form[J]. Sustainable Cities and Society, 2020, 54. DOI:10.1016/j.scs.2019.101941 |
| [24] |
汪光焘, 王晓云, 苗世光, 等. 现代城市规划理论和方法的一次实践——佛山城镇规划的大气环境影响模拟分析[J]. 城市规划学刊, 2005(6): 18-22. Wang G T, Wang X Y, Miao S G, et al. A practice on the modern urban planning concept and method: Modeling analysis of the atmospheric environment impacts in FOSHAN town planning[J]. Urban Planning Forum, 2005(6): 18-22. |
| [25] |
余庄, 张辉. 城市规划CFD模拟设计的数字化研究[J]. 城市规划, 2007, 31(6): 52-55. Yu Z, Zhang H. Digital model of CFD simulation design in urban planning[J]. City Planning Review, 2007, 31(6): 52-55. DOI:10.3321/j.issn:1002-1329.2007.06.009 |
| [26] | He B J, Ding L, Prasad D. Enhancing urban ventilation performance through the development of precinct ventilation zones: a case study based on the Greater Sydney, Australia[J]. Sustainable Cities and Society, 2019, 47. DOI:10.1016/j.scs.2019.101472 |
| [27] | Houet T, Pigeon G. Mapping urban climate zones and quantifying climate behaviors - an application on Toulouse urban area (France)[J]. Environmental Pollution, 2011, 159(8-9): 2180-2192. DOI:10.1016/j.envpol.2010.12.027 |
| [28] | Badach J, Voordeckers D, Nyka L, et al. A framework for air quality management zones - useful GIS-based tool for urban planning: case studies in Antwerp and Gdańsk[J]. Building and Environment, 2020, 174. DOI:10.1016/j.buildenv.2020.106743 |
| [29] | Chokhachian A, Perini K, Giulini S, et al. Urban performance and density: Generative study on interdependencies of urban form and environmental measures[J]. Sustainable Cities and Society, 2020, 53. DOI:10.1016/j.scs.2019.101952 |
| [30] |
胡晨霞, 邹滨, 李沈鑫, 等. 城市微环境PM2.5浓度空间分异特征分析[J]. 中国环境科学, 2018, 38(3): 910-916. Hu C X, Zou B, Li S X, et al. Spatial heterogeneity analysis of PM2.5 concentrations in intra-urban microenvironments[J]. China Environmental Science, 2018, 38(3): 910-916. DOI:10.3969/j.issn.1000-6923.2018.03.013 |
| [31] | Ma Z W, Dey S, Christopher S, et al. A review of statistical methods used for developing large-scale and long-term PM2.5 models from satellite data[J]. Remote Sensing of Environment, 2022, 269. DOI:10.1016/j.rse.2021.112827 |
| [32] |
时燕, 刘瑞梅, 罗毅, 等. 近20年来中国PM2.5污染演变的时空过程[J]. 环境科学, 2020, 41(1): 1-13. Shi Y, Liu R M, Luo Y, et al. Spatiotemporal variations of PM2.5 pollution evolution in China in recent 20 years[J]. Environmental Science, 2020, 41(1): 1-13. |
| [33] |
韩帅, 师春香, 姜志伟, 等. CMA高分辨率陆面数据同化系统(HRCLDAS_V1.0)研发及进展[J]. 气象科技进展, 2018, 8(1): 102-108, 116. Han S, Shi C X, Jiang Z W, et al. Development and progress of high resolution CMA land surface data assimilation system[J]. Advances in Meteorological Science and Technology, 2018, 8(1): 102-108, 116. |
| [34] | Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. |
| [35] | 中华人民共和国自然资源部. 自然资源部办公厅关于印发《国土空间调查、规划、用途管制用地用海分类指南(试行)》的通知[EB/OL]. http://www.gov.cn/zhengce/zhengceku/2020-11/22/content_5563311.htm, 2020-11-17. |
| [36] | Feng H H, Zou B, Tang Y M. Scale- and region-dependence in landscape-PM2.5 correlation: Implications for urban planning[J]. Remote Sensing, 2017, 9(9). DOI:10.3390/rs9090918 |
| [37] |
刘勇洪, 徐永明, 张方敏, 等. 城市地表通风潜力研究技术方法与应用——以北京和广州中心城为例[J]. 规划师, 2019, 35(10): 32-40. Liu Y H, Xu Y M, Zhang F M, et al. Research and application of urban surface ventilation potential: cases of Beijing and Guangzhou[J]. Planners, 2019, 35(10): 32-40. |
| [38] |
夏晓圣, 陈菁菁, 王佳佳, 等. 基于随机森林模型的中国PM2.5浓度影响因素分析[J]. 环境科学, 2020, 41(5): 2057-2065. Xia X S, Chen J J, Wang J J, et al. PM2.5 concentration influencing factors in China based on the random forest model[J]. Environmental Science, 2020, 41(5): 2057-2065. |
| [39] | Li T W, Shen H F, Zeng C, et al. A validation approach considering the uneven distribution of ground stations for satellite-based PM2.5estimation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 1312-1321. |
| [40] |
葛岂序, 刘岩, 杨洪, 等. 2015~2019年河南省PM2.5时空特征与驱动因素分析[J]. 环境科学, 2022, 43(4): 1697-1705. Ge Q X, Liu Y, Yang H, et al. Analysis on spatial-temporal characteristics and driving factors of PM2.5 in Henan province from 2015 to 2019[J]. Environmental Science, 2022, 43(4): 1697-1705. |
| [41] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [42] | Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: Cases with different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5): 593-610. |
| [43] | Fotheringham A S, Brunsdon C, Charlton M. Geographically weighted regression: The analysis of spatially varying relationships[M]. Chichester, UK: Wiley, 2002. |
| [44] | Fotheringham A S, Yue H, Li Z Q. Examining the influences of air quality in China's cities using multi-scale geographically weighted regression[J]. Transactions in GIS, 2019, 23(6): 1444-1464. |
| [45] | Brunsdon C, Fotheringham A S, Charlton M. Some notes on parametric significance tests for geographically weighted regression[J]. Journal of Regional Science, 1999, 39(3): 497-524. |
| [46] | Ma Z W, Hu X F, Sayer A M, et al. Satellite-based spatiotemporal trends in PM2.5 concentrations: China, 2004-2013[J]. Environmental Health Perspectives, 2016, 124(2): 184-192. |
| [47] | GB 3095-2012, 环境空气质量标准[S]. |
| [48] |
谢舞丹, 吴健生. 土地利用与景观格局对PM2.5浓度的影响——以深圳市为例[J]. 北京大学学报(自然科学版), 2017, 53(1): 160-170. Xie W D, Wu J S. Effects of land use and urban landscape pattern on PM2.5 concentration: A Shenzhen case study[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2017, 53(1): 160-170. |
| [49] |
丁莹, 冯徽徽, 邹滨, 等. 长株潭城市群气溶胶时空分布与传输规律[J]. 中国环境科学, 2020, 40(5): 1906-1914. Ding Y, Feng H H, Zou B, et al. Spatial-temporal distribution and transport characteristic of aerosol in Changsha-Zhuzhou-Xiangtan urban agglomeration[J]. China Environmental Science, 2020, 40(5): 1906-1914. |
| [50] |
杨玉莲, 杨昆, 罗毅, 等. 1998~2016中国八大经济区植被覆盖对PM2.5浓度时空分布的影响[J]. 环境科学, 2021, 42(11): 5100-5108. Yang Y L, Yang K, Luo Y, et al. Effect of vegetation coverage on the temporal and spatial distribution of PM2.5 concentration in China's eight major economic regions from 1998 to 2016[J]. Environmental Science, 2021, 42(11): 5100-5108. |
| [51] | Liu Y P, Wu J G, Yu D Y. Disentangling the complex effects of socioeconomic, climatic, and urban form factors on air pollution: a case study of China[J]. Sustainability, 2018, 10(3). DOI:10.3390/su10030776 |
| [52] |
王丽丽, 刘笑杰, 李丁, 等. 长江经济带PM2.5空间异质性和驱动因素的地理探测[J]. 环境科学, 2022, 43(3): 1290-1200. Wang L L, Liu X J, Li D, et al. Geographical detection of spatial heterogeneity and drivers of PM2.5 in the Yangtze River Economic Belt[J]. Environmental Science, 2022, 43(3): 1290-1200. |
| [53] | 中华人民共和国生态环境部. 2019中国生态环境状况公报[EB/OL]. https://www.mee.gov.cn/hjzl/sthjzk/zghjzkgb/202006/P020200602509464172096.pdf, 2020-05-18. |