郑州市道路网络结构特征对大气颗粒物污染的影响及尺度效应

陈岚琪，夏铧，张习文，田国行，王腾飞，雷雅凯*

1.河南农业大学林学院，河南 郑州 450002；2.河南龙象生态园林科技有限公司，河南 郑州 450002

大量研究发现，大气颗粒物（PM）污染已在世界范围内成为危害健康的严重问题，被认为是导致心血管、呼吸系统疾病等的主要原因之一（Meszaros et al.，2015；Plummer et al.，2015）。世界卫生组织的一项研究表明，大气环境中的PM污染水平与人类死亡率之间存在很强的联系（Anderson et al.，2004）。在非洲（Petkova et al.，2013）、澳大利亚（Knibbs et al.，2018）、欧洲（Klejnowski et al.，2012；Vardoulakis et al.，2008）、北美（Pandis et al.，2016）和南美（Zalakeviciute et al.，2018）等区域均有类似问题的报道。伴随中国经济快速发展，城市空间急剧扩张，机动车保有量迅速增加等现象，中国城市生态可持续发展也面临着大气颗粒物污染的问题。细颗粒物（PM2.5）的一些常见来源为机动车尾气、能源消耗型产业和煤炭燃烧（冯杏仪，2013）。粗颗粒物（PM10）主要来源为扬尘（土壤尘、道路尘、建筑尘）、燃煤、工业排放、机动车排放、生物质燃烧、SO2、NOx、VOCs氧化产生的二次颗粒物等（胡敏等，2011）。为了有效缓解城市内部的PM污染，亟需更多科学研究为城市生态环境的可持续发展提供理论依据。

目前已经有大批学者在有关PM污染的影响因子上开展了大量的研究，现有研究中影响颗粒物污染的因子主要包括气温（Li et al.，2017）、湿度、风速（Alvarez et al.，2018）、降水（Du et al.，2013）等气象因素；城市绿地（Gao et al.，2015）、湖泊湿地（Zhu et al.，2018）、建筑布局（Gong et al.，2016）等土地利用因素；政治调控因素（郭世卓，2017）等。随着对大气污染的深入研究，城市道路网络的发展也逐渐得到重视。交通运输被视为大气颗粒物的主要来源之一，是PM10、PM2.5污染的“源”景观。街道是城市通风廊道的重要组分，通过连接补偿空间与作用空间，影响城市局地环流达到缓解空气污染的作用（刘姝宇等，2010）。但大多数研究关注于中小尺度下道路绿化布局（王佳等，2018）、街道CFD三维模拟（张丽丽等，2018）、路网大气环境容量（王小霞等，2014）、基于车辆排放的交通形态研究（徐鹏等，2017）等方面。在城市尺度上，对路网空间结构在PM污染治理方面的贡献进行研究的论文较少（Wang et al.，2017）。而不同空间尺度下影响颗粒物污染的关键路网结构因子分析也需要进一步明确。

随着中原城市群、大都市区等发展政策的提出，郑州正在经历一个快速发展的时期（He et al.，2019），但同时大气颗粒物污染问题日益突出（段时光等，2019）。作为中部地区重要交通枢纽，重视路网结构系统化调控是改善空气质量的重要途径之一。本研究应用主成分分析（principal component analysis，PCA）和线性混合效应模型分析方法，以 2016年郑州市建成区内空气质量监测点PM10、PM2.5质量浓度以及2017年5月监测点周边区域道路网络结构为研究数据，对路网结构特征在PM污染上的影响及尺度效应进行研究，以期为郑州市和同类大都市的区域路网结构体系及可持续性生态环境建设提供理论依据。

1 数据和方法

1.1 样地概况

本文选取 2016年郑州市区的建成区为研究区域（图1），研究中使用的范围来自《郑州市人民政府通告》。郑州市（34.16°—34.58°N，112.42°—114.14°E）是河南的省会城市，也是全国重要的铁路、航空、高速公路、电力、邮政电信主枢纽城市。2016年市建成区面积约443.04 km2。郑州市地处北温带大陆性季风气候，春季干燥，夏季高温多雨，年平均气温14—14.3 ℃，年平均降水量640.9 mm，年日照时数约2400 h。郑州市西部和南部被中低山包围，其他方位则是丘陵和辽阔的平原。

图1 河南省郑州市的区位分布及空气质量监测站（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 数据来源与整理

1.2.1 PM质量浓度数据

郑州市建成区内空气质量监测站点（AQMS）的分布如图 1所示，8个 AQMS分别为供水公司（GSGS）、河医大（HYD）、银行学校（YHXX）、经开区管委（JKQ）、市监测站（SJCZ）、四十七中（SSQZ）、烟厂（YC）、郑纺机（ZFJ），地理坐标如表1所示。从AQMS获取2016年有效监测日期的PM10、PM2.5日质量浓度数据，并剔除降雨、四级及以上大风天气（风速≥5.5 m·s-1）数据，然后计算月均质量浓度。风速等级和郑州市建成区内的气象数据来自国家气象局（http://data.cma.cn/），空气质量指标（PM10、PM2.5）数据下载于中国国家环境监测中心网站（http://www.aqistudy.cn）。

1.2.2 路网数据及指标选择

本研究中提取道路信息的卫星影像来自 GF-2卫星。GF-2卫星全色图像的几何分辨率为0.81 m，多光谱影像的分辨率为3.24 m（王芳等，2019），分辨率足够进行高精度解译。通过叠加2016年和2017年谷歌地球影像后目视判读（图2），发现城市中心区域路网结构变化不大，因此基于2017年5月的GF-2卫星影像，运用ArcGIS 10.2软件以8个AQMS为中心点，建立1 km×1 km (Scale1)—6 km×6 km (Scale6) 6个尺度的样方（图3）。在ArcGIS中对每个样方内的城市道路进行解译，获取道路原始数据。

现有研究中对路网结构特征的描述常包括路网数量特征和格局特征两部分（王丽等，2012），本文选取以下 7个代表性指标进行路网结构特征描述：道路的节点数量（non）、廊道数量（noc）两个数量特征指标（王丽等，2012），由目测计数得到，节点与廊道如图4所示；主干道面积占比（a）、次干道面积占比（b）、总道路面积占比（rar）3个道路面积分级指标；网络环度（α）、节点连接度（β）、系统连接度（γ）3个拓扑网络格局特征指标，主要揭示节点和连接数的关系，反映网络的复杂程度（王云才，2009）。其中α指数值的变化范围在0（无环路）和 1（具有最大环路）之间，用来描述网络中环路出现的程度。β指数度量一个节点与其他节点联系难易程度，为大于0的值。γ表示网络中连线的数目与该网络最大可能的连线数之比，其变化范围在0—1之间，γ=0，表示没有节点相连；γ=1时表示每个节点都彼此相连。通过 ArcGIS统计或目视判读后计算具体的指标（表2）。

表1 河南省郑州市城市建成区内AQMS的地理坐标Table 1 The geographic coordinates of AQMS in Zhengzhou built-up area,China

图2 2016年与2017年郑州市四十七中AQMS卫星影像对比Fig.2 Comparison of 2016 and 2017 satellite images of SSQZ AQMS in Zhengzhou

图3 郑州市建成区样方内Scale1—Scale6道路网络结构Fig.3 The structure characteristics of road network at quadrats from Scale1 to Scale6 in built-up area of Zhengzhou

1.3 统计学分析

表2 道路网络结构特征指标Table 2 Structural characteristic indices of road network

在R-Studio里运用经典统计分析对PM10、PM2.5月均质量浓度的时间效应、路网结构特征进行统计分析。由于各路网指标之间不是孤立的，往往存在一定的相关性，直接把路网指标纳入下一步研究中可能因指标间多元共线性而无法得出正确结论（方建德等，2009）。因此在 SPSS中通过主成分分析（principal component analysis，PCA）简化原始变量的维数和结构，达到消除共线影响的目的。

在线性混合效应模型（linear mixed model）中把PM10、PM2.5月质量浓度均值作为因变量，把消除共线性后的路网指标作为固定效应因子，代入月份为随机效应因子，消除PM10、PM2.5质量浓度的时间效应对模型产生的噪音，探究不同空间尺度下路网结构特征指标与PM10、PM2.5质量浓度间的定量关系及关键影响因子。本文中，线性混合模型分析采用R-Studio软件中“ggplot2()”函数和“nlme”包的“lme()”函数进行。

2 结果与讨论

2.1 大气颗粒物月均质量浓度的时间效应

图5所示为郑州市建成区8个AQMS的PM10、PM2.5月均质量浓度变化，误差棒表示站点间PM月均质量浓度变异程度。统计结果显示，PM10和PM2.5质量浓度均具有“夏低冬高”的趋势，这与其他学者的研究结果一致（马格等，2018）。但是PM10与PM2.5质量浓度的变化趋势不完全相同，PM10质量浓度在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，说明PM10中粒径大于PM2.5的颗粒物组分具有不同来源。此外，站点间PM质量浓度的变异性也具有时间效应：各站点间 PM10与PM2.5质量浓度变异性冬季最强，夏季最弱。这种季节性差异可能原因是降雨、湿度和风速会影响 PM的运动，郑州市夏季的强对流气团和降雨有效清除了部分颗粒物（李倩楠等，2018），同时植被的滞尘作用促进了PM质量浓度的削减，相对植被衰落、干燥少雨的冬季而言也削弱了不同站点间即空间上的变异。

图5 郑州市建成区各监测点PM10和PM2.5月质量浓度均值分布Fig.5 Monthly variations of PM10 and PM2.5 from AQMS in the built-up area of Zhengzhou

2.2 路网结构特征分析

以6个尺度为横轴，单个指标数值为纵轴，路网结构特征指标为分面做箱式图，分析路网结构特征及其尺度效应（图6），箱式图中箱体厚度和端线长度显示路网指数分布范围，随着尺度的增大，主干道面积占比（指标 a）均值在小尺度出现增长趋势后逐渐保持平衡；次干道面积占比（指标 b）站点间的变异性除Scale5外整体呈增加趋势，均值虽然随着尺度的变化具有小幅度波动但整体变化不大。分析 rar指数均值发现总道路面积占比不会随着尺度扩大产生剧烈波动，但是在Scale1上站点间出现较大差异，这可能是由于Scale1样方面积较小，区域内主干道数量区别较大导致的。

图6 郑州市AQMS周边道路网络结构特征及其尺度效应Fig.6 The structural characteristics of road network around AQMS in Zhengzhou and scale effects

道路的节点数量（non）和廊道数量（noc），交通网络的数量水平随着尺度的增加逐渐上升，且各站点之间廊道、节点的数量变异性逐渐变大。网络环度（α）、节点连接度（β）、系统连接度（γ）3种路网结构特征指标综合体现出路网结构的发育水平。网络环度和系统连接度的站点均值随着尺度扩大呈现出先上升后下降的趋势，在Scale4尺度表现最好，但在Scale3出现暂时下降；而节点连接度的站点均值随着尺度的扩张在小尺度逐渐削减，大尺度开始有上升趋势，在Scale1出现峰值。

2.3 路网结构对季节性 PM10与 PM2.5质量浓度的影响

2.3.1 主成分特征分析

将 8个路网指标数据标准化处理消除量纲影响，然后在SPSS中对标准化数据进行相关性检验和KMO检验。结果显示主干道面积占比（指标a）相关性不足且未达到主成分分析的标准（总体变量KMO系数＞0.6，单个变量KMO系数＞0.5，Bartlett检验值P＜0.01）。因此，对其余指标再次检验，数据结构满足主成分分析条件。

主成分提取结果显示，前三位主成分特征值大于 1，累计解释数据变异的 87.172%，分别解释总数据变异的34.607%、30.284%、22.281%（表3）。因子载荷矩阵可以显示主成分与原始变量的关系（章文波等，2006）。但本研究的主成分实际意义表达不清晰，因此，用最大方差法进行成分旋转获取旋转成分矩阵（王莺等，2014）。如表4所示，旋转经过5次迭代后，各主成分表征的意义清晰显示：第一主成分主要反应包括道路的环度水平、节点间连接的难易程度、网络系统性连接程度3个指数的路网连通复杂度；第二主成分主要反应道路的节点、廊道数量水平，第三主成分反应总道路与次干道面积占比。

表3 相关系数矩阵的特征值Table 3 Eigenvalues of the correlation matrix

表4 旋转后因子载荷矩阵Table 4 Rotating component matrix table

2.3.2 线性混合效应模型分析

在R-Studio中利用线性混合效应模型分析多尺度下路网结构对PM10、PM2.5质量浓度的影响并可视化显示（图7）。以t值为纵坐标，空间尺度为横坐标，折点颜色代表P值大小的等级。t值等于估计系数值除以标准误差，其中，|t|值越大，P值越小，相关显著性越强：P≥0.05表示不存在统计学意义上的相关性，当P＜0.05时具有统计学意义的显著性相关，P＜0.01时极显著相关。

图7 道路结构指标与颗粒物月均质量浓度混合效应模型分析结果Fig.7 Mixed effect model analysis results of road structure index and monthly mean concentrations of particulate matter

如图7所示，a指数在Scale5尺度时与PM2.5的月均质量浓度显著性正相关，减少主干道面积可以促进 PM2.5质量浓度的下降。a指数在 Scale1—Scale5尺度下都与 PM10月质量浓度均值表现出显著相关性，仅在Scale2时a指数与PM10负相关；其他4个尺度下均正相关，且随着尺度的扩张相关性逐渐降低，即减少主干道面积占比可以促进PM10质量浓度的下降。道路中大型客货车对细颗粒物浓度的贡献大于小型客货车的排放（王同桂等，2019），主干道作为大型客货车排放的主要场所之一，减少其面积占比会在源头上对PM10、PM2.5污染产生削减作用；但是主干道同时又作为城市中的主要通风廊道（洪亮平等，2011），为颗粒物扩散提供途径，在个别尺度下其缓解效应可能比污染作用更明显。

相反的，F1指数与PM2.5的月均质量浓度不存在显著相关性，即并未发现路网连通复杂度对PM2.5质量浓度有统计学意义上的影响，但 F1指数与PM10月均质量浓度在 Scale2下显著性负相关；路网连通复杂度越好，PM10质量浓度越低。提高路网连通复杂性可能为相同行程提供更加快捷短途的路线，间接减少行车里程降低汽车排放和车流量，促进PM10污染的削减。

F2与F3指数在PM10和PM2.5月均质量浓度上均具有显著性相关。PM2.5月均质量浓度在Scale1、Scale5尺度下与F2指数负相关且Scale5尺度相关性最好，在Scale5、Scale6尺度与F3指数正相关；节点与廊道数量的提升、总道路与次干道面积占比的下降有助于PM2.5质量浓度的下降。对PM10而言，在Scale1、Scale2的小尺度下，PM10与F2指数负相关，在Scale2相关性最好；节点与廊道数量的提升会缓解PM10的污染。而在Scale2—Scale6尺度下，PM10与 F3指数正相关，在 Scale3表现最好且在Scale4—Scale6尺度下相关性逐渐增强；削减总道路与次干道面积占比有助于PM10质量浓度的降低。提升道路数量发育水平，可能通过提升交通可达性和分散车流减少堵车等现象，进而削减车辆排放。

总体结果表明，路网结构发育水平对PM10质量浓度的影响程度明显高于PM2.5质量浓度。分析其原因可能是对道路而言，扬尘是PM10等粗粒子最重要的污染源，机动车排放对PM2.5等细粒子有重大贡献（潘纯珍等，2004），而路网的形态结构通过调控车速等对道路扬尘的影响与对减少车辆排放的影响程度可能存在差异，因此对PM10和PM2.5产生不同程度的影响。此外，通过对路网指标特征分析发现，路网结构具有明显的景观尺度效应，研究多尺度下的最佳相关性对有效缓解颗粒物污染具有重要意义，这也可能是造成相关性尺度差异的原因。

当前，为了达到减少颗粒物污染的目的，减少道路面积占比对城市发展与人居环境提升而言并不实际。因而结合以上结果分析，只能在限制交通面积快速扩张的基础上减少主次干道面积占比，转而促进三级道路、城市支路的发展；在提高节点与廊道数量水平的同时，提升道路连通复杂度。这与Wang et al.（2017）研究发现在相同的交通承载能力下，提高支路占比可以促进 PM2.5污染缓解的结论一致。

3 结论

基于主成分分析、线性混合模型分析的方法，研究 1 km×1 km (Scale1)—6 km×6 km (Scale6) 空间尺度下郑州市建成区路网结构特征对 PM10、PM2.5质量浓度的影响，得出以下结论：

（1）郑州市建成区各监测点颗粒物质量浓度的月均值及变异性均具有冬高夏低的特征。

（2）郑州市建成区的路网结构特征对 PM10质量浓度值的影响程度高于 PM2.5。主干道面积占比与PM10在Scale1、Scale3—Scale5尺度均正相关，仅在 Scale5与 PM2.5正相关；路网连通复杂度在Scale2与 PM10负相关；节点与廊道数量水平在Scale1、Scale2与PM10负相关，在Scale1、Scale5与PM2.5负相关；总道路及次干道面积占比与PM10在Scale2—Scale6尺度均正相关，但与PM2.5仅在Scale5、Scale6尺度正相关。

（3）为基于已有道路布局，达到同时有效减少郑州市PM10、PM2.5污染的目的，应在Scale1尺度限制节点间过长廊道的发展，提升节点与廊道数量水平；在Scale2尺度促进路网环通复杂度的提升；在Scale5尺度减少主干道面积占比，控制总道路及次干道面积占比，向高密度低等级的路网结构发展。