灵鹫山国家森林康养基地空气负氧离子浓度变化特征及其影响因素研究

廖荣俊，颜晓捷，江波，朱锦茹，翁永发，王志高

（1.衢州市森林资源保护中心，浙江 衢州 324000；2.衢州市乌溪江饮用水源保护管理局，浙江 衢州 324000；3.浙江省林业科学研究院，浙江 杭州 310023）

空气负氧离子在净化空气、改善空气质量、促进人体健康（改善睡眠、促进人体新陈代谢、提高免疫力、调节机能平衡）等方面具有重要作用[1-2]。自然界中，大气分子的电离作用、水分子的Lenard效应以及森林树冠、树叶的尖端放电以及绿色植物的光合作用产生的光电效应是产生负氧离子的主要方式[3-6]。森林是空气负氧离子的主要产生场所之一，研究森林产生空气负氧离子的时间分布特征及其影响因素，有助于充分发挥森林生态效益，促进森林康养产业的发展。

森林环境中空气负氧离子浓度具有明显的日变化[7-8]和季节变化特征[9-12]。但不同研究结果的差异较大，除了与森林类型有关外，可能还与温度、相对湿度、风速等气象因子的影响有关，如：有研究表明空气负氧离子浓度与温度呈负相关，与相对湿度呈正相关[13-15]；也有研究表明空气负氧离子浓度与空气温度呈正相关，而与相对湿度和风速呈负相关[16]。叶彩华等[17]认为空气负氧离子浓度与风速和太阳直接辐射呈正比，与相对湿度成反比，而何张齐等[18]发现空气负氧离子浓度只与气压呈极显著负相关，与其他气象因子没有相关性。

目前，对森林环境因子对空气负氧离子浓度的影响多采用单因素的方法分析空气负氧离子浓度与环境因子的相关性，多因素相关性分析考虑了因子之间的共线性影响可以得出较好的结果[19]。另外，前期的研究数据多为对某一地点的短期测量数据，也难以反映空气负氧离子浓度与气象因子之间的复杂关系。本文采用长期定位观测数据，采用多元线性回归的方法分析空气负氧离子浓度与环境因子之间的关系，并采用随机森林算法对变量对负氧离子的贡献程度进行排序，探讨分析空气负氧离子浓度的时间变化特征及其与森林环境因子的关系。

1 研究区域概况

本研究监测地点位于浙江省衢州市城区北部的灵鹫山国家森林康养基地（以下简称灵鹫山）海拔430 m处。灵鹫山属千里岗山脉，是衢州市区北部的重要生态屏障，总面积有6 350 hm2，其中核心区面积有470 hm2。基地北侧为杭新景高速公路，南侧为G351国道，东与衢江区相接，西至石梁溪。区域内有海拔500 m以上山峰4座，土壤类型为红壤，植物种类多样，资源丰富，森林覆盖率达90.4%，地带性植被为常绿阔叶林。衢州市林业局于2018年12月在灵鹫山国家森林康养基地设立了一个清新空气监测功能站，站点所在林区主要植被类型包括次生常绿阔叶林、杉木Cunninghamia lanceolata为主的针阔混交林和毛竹Phyllostachys edulis林、油茶Camellia oleifera林等人工林（图1）。站点位于以青冈Quercus glauca、苦槠Castanopsis sclerophylla等为主要树种的次生常绿阔叶林内，林龄在20年左右，平均胸径为6 cm，郁闭度为0.6，密度为1 377株·hm-2。

图1 监测点周边环境示意图Figure 1 Location of the monitoring point

2 研究方法

2.1 数据监测

数据监测为仪器自动监测，每1 min测定和记录一次，并上传至服务器。监测的数据包括：空气负氧离子浓度、细颗粒物（PM2.5）浓度、臭氧浓度、风向、风速、温度、相对湿度、气压和降水量等。监测仪器：空气负氧离子监测仪器为EP100B（北京依派伟业数码科技有限公司）、臭氧监测分析仪为THEMO 49i-DNSAA（美国热电生产）、PM2.5颗粒物监测分析仪为THERMO SHARP5030i（美国热电生产），气象六要素（温度、相对湿度、气压、降雨量、风速、风向）测定仪器为YCMETS HQAWS201（佛山云创气象科技有限公司生产）。空气负氧离子浓度测定高度为离地面1.5 m。

2.2 数据处理

从浙江省林业清新空气在线监测数据管理系统下载2019年6月1日—2020年5月31日的自动监测数据。为保证数据的完整性以及本研究分析结果的准确性，在数据处理前，删除了数据缺失值及其对应的观测值。建立春、夏、秋、冬四个季节空气负氧离子浓度与环境因子的多元回归方程：

式中，f(X)为空气负氧离子浓度，XPM2.5、XO3、XWD……xi分别为细颗粒物（PM2.5）、臭氧（O3）、风向（WD）、风速（WS）、温度（Temp）、相对湿度（RHP）、气压（BP）等气象因子。a常数，b、c……n为系数。风向用角度（0～ 360°）表示，如北风（N）是0°（360°），东风（E）是90°，南风（S）是180°，西风（W）是270°。

由于各项数据的量纲不同，在模型分析之前对数据进行中心化处理。采用逐步回归的方法进行模型拟合，并采用随机森林算法对多元回归显著的因子进行贡献度大小排序，详细算法见文献[21]。采用单因素方差分析比较不同季节空气负氧离子浓度差异。

所有统计分析均在R软件中进行（https://www.R-project.org/）。

3 结果与分析

3.1 灵鹫山空气负氧离子浓度时间变化特征

对2019年6月—2020年5月的空气负氧离子浓度监测数据进行分析，发现灵鹫山年平均空气负氧离子浓度为4 475个·cm-3，最大浓度为35 088个·cm-3，出现在2019年7月。春、夏、秋、冬四个季节空气负氧离子浓度的变化范围均比较大，其中，春季为2 084～ 5 945个·cm-3、夏季为3 126～ 35 088个·cm-3、秋季为635～ 6 007个·cm-3、冬季为136～6 030个·cm-3，其中春季的变化范围相对较小，夏季的最大。春、夏、秋、冬四个季节空气负氧离子浓度的平均值分别为3 889个·cm-3、5 773个·cm-3、3 832个·cm-3和3 680个·cm-3，其中夏季的空气负氧离子浓度最高，并且与其他三个季节的浓度之间差异显著（P<0.05）；冬季的最低，并与其他三个季节的浓度之间差异显著（P<0.05）；春季和秋季的空气负氧离子浓度之间差异不显著（图2）。四个季节空气负氧离子浓度的日变化特征存在差异，春季为双峰型，7:00—9:00和16:00—17:00时的浓度较高；夏季为单峰性，5:00—13:00时的浓度较高，秋季为不明显的双峰型，9:00—11:00时的浓度较低，17:00—19:00时的浓度较大；而冬季则变化趋势不明显（图3）。

图2 灵鹫山空气负氧离子浓度四个季节的平均值Figure 2 Average negative air ions concentration in different seasons in Lingjiushan Mountain

图3 灵鹫山四个季节空气负氧离子浓度日变化特征Figure 3 Diurnal variation of negative air ions concentration in different seasons in Lingjiushan Mountain

3.2 空气负氧离子浓度与环境因子的相关性分析

采用多元回归的方法分析了灵鹫山空气负氧离子浓度与温度、相对湿度和细颗粒物（PM2.5）等环境因子之间的关系。结果表明，在不同季节，影响空气负氧离子浓度的环境因子存在差异（表1）。春季，空气负氧离子浓度主要受到细颗粒物（PM2.5）浓度、臭氧浓度、相对湿度和气压的影响，其中空气负氧离子浓度与相对湿度呈显著正相关（P<0.05），与臭氧浓度、气压、细颗粒物（PM2.5）浓度呈显著负相关（P<0.05）；夏季，空气负氧离子浓度与风向、相对湿度、温度和臭氧浓度均呈显著负相关（P<0.05），与其它因子的相关性不显著（P>0.05）。秋季，空气负氧离子浓度主要受到风向、相对湿度、风速、细颗粒物（PM2.5）浓度和气压的影响，均呈显著负相关（P<0.05）；冬季，空气负氧离子浓度受到的影响因子最少，仅与臭氧浓度、气压和相对湿度呈显著负相关（P<0.05）。值得关注的是，同一个环境因子对空气负氧离子浓度的影响在不同季节的表现不同，如相对湿度，在春季与空气负氧离子浓度呈正相关，而在夏季、秋季和冬季则呈负相关；臭氧浓度、细颗粒物（PM2.5）浓度、气压表现出一致的结果，均与空气负氧离子浓度呈负相关（P<0.05）。

表1 四个季节负氧离子浓度与环境因子多元回归分析结果Table 1 Multiple regression analysis on relationship between negative air ions concentration and environmental factors

3.3 环境因子对空气负氧离子浓度影响程度排序分析

采用随机森林算法，对四个季节中的多元回归方程显著的环境因子进行贡献度大小排序分析，发现均方差的增加百分比（% Inc MSE）和节点纯度增加量（Inc Node Purity）表现出一致的结果（图4），表明随机森林算法对环境因子进行贡献度大小排序的结果可靠。春季，对空气负氧离子浓度影响程度大小的顺序依次为相对湿度>细颗粒物（PM2.5）浓度>气压>臭氧浓度；夏季为温度>臭氧浓度>风向>相对湿度；秋季为气压>细颗粒物（PM2.5）浓度>风向>相对湿度>风速；冬季为气压>臭氧浓度>相对湿度。同一个环境因子在不同季节对空气负氧离子浓度的影响程度不同，如细颗粒物（PM2.5）浓度、气压在春季和秋季均与空气负氧离子浓度呈负相关，但贡献大小在春季表现为细颗粒物（PM2.5）浓度>气压，而在秋季则为气压>细颗粒物（PM2.5）浓度。

图4 基于随机森林算法的变量重要性等级Figure 4 Importance of variables by random forest algorithm

4 结论与讨论

以上研究结果表明，夏季的空气负氧离子浓度最高，冬季的最低，春季和秋季中午的浓度较低，这与前人的研究结果一致。同时，本研究进一步发现，夏季森林环境中的空气负氧离子浓度变化范围较大，尤其是空气负氧离子浓度出现极端高值的频率较高，这可能与夏季多雷雨天气有关，雷电和降水能产生带负电荷的负氧离子[21]；冬季空气负氧离子浓度最低且日变化较小，这可能与冬季温度低、植物生长活动弱有关。

森林环境中，空气负氧离子浓度日变化一般表现出先减少后增加的日变化趋势特征，即午夜至清晨较高，中午较低，傍晚后逐渐升高[7-8]，但在不同区域和不同森林类型中存在单峰型和双峰型两种类型，峰值出现的时间也不相同。本研究中，不同季节空气负离子浓度的日变化差异较大，可能与不同季节的气象因子有关。本研究中，有细颗粒物（PM2.5）浓度、气压和臭氧浓度表现出一致的结果，均与空气负氧离子浓度呈负相关。研究表明，大气颗粒物中成分较为复杂，对空气负氧离子具有吸附作用，因此，在大气颗粒物浓度较大的区域，空气负氧离子浓度一般较低[14]。臭氧是光化学烟雾污染的重要标志，靠近地面的高浓度臭氧导致大气氧化作用增强并进一步促进次级细颗粒物的形成[22]。此外，由臭氧生成的二次细颗粒物具有更复杂的结构和更大的表面积，并且更容易吸收空气负氧离子。气压对空气负氧离子浓度的影响在不同的研究中的结果不一致[15,17]。本研究认为，随着气压的升高，空气中分子运动的速率和碰撞的几率增加，尤其是在细颗粒物（PM2.5）和臭氧等污染物浓度较大的情况下，增加了对空气负氧离子的吸收，从而导致其浓度下降。

本研究中温度、相对湿度、风向等与空气负氧离子浓度的关系在不同季节中存在不一致的线性关系；进一步采用随机森林算法对影响空气负氧离子度的环境因子进行多元回归，发现同一个环境因子在不同季节对空气负氧离子浓度的影响程度存在差异。不同的环境因子之间存在复杂共线性关系[19]，温度和相对湿度被认为是影响空气负氧离子浓度的两个主要因子。自然界中，在有流水或瀑布的环境中，空气负氧离子浓度相对较高，但是这并不意味着相对湿度越大，空气负氧离子浓度越高，只有运动的水分之间的相互碰撞才更容易产生负氧离子[3]。这可能是前期研究中得出相对湿度与空气负氧离子浓度呈正相关、负相关甚至是不相关的原因。温度对空气负氧离子的影响可能与不同的温度范围对空气负氧离子的产生的影响不同，温度过高或过低均不利于空气负氧离子的产生。只有在一定的温度范围或时间内，温度与空气负氧离子浓度呈正相关，反之则呈负相关或不相关[23-24]。本研究也发现只有春季的相对湿度与空气负氧离子浓度呈正相关，其它三个季节两者均呈负相关；只有夏季的温度与空气负氧离子浓度呈负相关，其它三个季节中两者的相关性均不显著。温度和相对湿度对空气负氧离子浓度的影响还可能与其它环境的因子的协同作用有关。环境因子对空气负氧离子的影响除了直接的影响外，还存在着间接的影响。如风速的增加会导致空气分子之间的摩擦加大，间接导致空气负氧离子浓度升高，但会使得相对湿度和气压降低，也可能会致臭氧浓度和细颗粒物（PM2.5）浓度的增加，从而降低空气负氧离子浓度。而从空气负氧离子高浓度区域吹来的风会增加监测点的空气负氧离子浓度，反之，带来的细颗粒物（PM2.5）等会降低空气负氧离子浓度。

本研究发现不同季节中环境因子对空气负离子浓度的影响较为复杂，进一步的研究工作应在不同森林类型和生长季节中考虑环境因子之间的协同作用，并区分直接和间接影响，综合探讨空气负氧离子浓度的影响因素。