删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

林冠特征对城市森林斑块消减空气PM2.5质量浓度的影响

本站小编 Free考研考试/2021-12-31

苏维1, 刘苑秋2, 赖胜男2, 古新仁2, 刘青2, 龚鹏2
1. 河南科技大学林学院, 洛阳 471023;
2. 江西农业大学林学院, 南昌 330045
收稿日期: 2017-12-01; 修回日期: 2018-01-08; 录用日期: 2018-01-08
基金项目: 江西省重大自然科学基金项目(No.20152ACB20006)
作者简介: 苏维(1979-), 男, 讲师(博士), E-mail:suwei8405@126.com
通讯作者(责任作者): 古新仁,教授,博士生导师,主要研究领域为城市绿地系统、园林设计, E-mail:jiujiuyl@163.com

摘要: 研究城市森林斑块消减空气PM2.5质量浓度的能力,以及这种能力的主要影响因素,对改善城市空气环境具有重要的意义.本研究测定了南昌市典型城市森林斑块消减PM2.5质量浓度的能力(PM2.5AC),并分析了PM2.5AC对城市森林斑块林分组成、冠层特征的响应.研究表明:南昌市城市森林斑块具有显著消减空气PM2.5质量浓度的能力,其中针叶林斑块PM2.5AC最高,达到9.15%,阔叶纯林最低3.82%;整体上春季PM2.5AC最高,达到7.34%,冬季最低3.76%.城市森林斑块PM2.5AC与林冠特征中的LAI(叶面积指数)显著正相关,与DIFN(天空开度)显著负相关,与斑块特征中的斑块面积、林分结构、斑块总叶面积显著正相关.通过综合分析,城市森林斑块总叶面积是主导PM2.5AC的主要影响因素.
关键词:林冠城市森林斑块PM2.5质量浓度影响因素
Subduction of PM2.5 mass concentration by canopy characteristics of urban forest patches
SU Wei1, LIU Yuanqiu2, LAI Shengnan2, GU Xinren2 , LIU Qing2, GONG Peng2
1. Forestry College, Henan University of Science & Technology, Luoyang 471023;
2. Forestry College, Jiangxi Agricultural University, Nanchang 330045
Received 1 December 2017; received in revised from 8 January 2018; accepted 8 January 2018
Supported by the Natural Science Foundation of Jiangxi Province(No.20152ACB20006)
Biography: SU Wei(1979—), male, lecturer(Ph.D.), E-mail:suwei8405@126.com
*Corresponding author: GU Xinren, E-mail:jiujiuyl@163.com
Abstract: Of interest to researchers and urban planners is the effect of urban forests on concentrations of ambient air pollution. To what extent urban forest patches can improve or subduct air PM2.5 mass concentration is an important question.This study measured the variations of PM2.5 mass concentration (PM2.5AC) under some typical urban forest patches in Nanchang, and analyzed the different responses of PM2.5AC to stand composition and forest canopy characteristic.The results showed that urban forest patches had significant subduction effect on PM2.5AC. Among different forest types, the reduction effect by coniferous forest patches was the highest, which reached to 9.15%, while the reduction by pure broadleaf forest was the lowest with only 3.82%.In temporal pattern, subduction of urban forest patch on PM2.5AC had best effect in spring by 7.34%, but minus effect in winter by 3.76%.In index of canopies, PM2.5AC was shown to depend positively on leaf area index (LAI) and negatively on diffuse none-interceptance (DIFN). In index of patch characteristics, PM2.5AC was positively correlated with patch area, stand structure, and total leaf area of patch. Through the comprehensive analysis of urban forest patches, total leaf area of patch is considered as the most important influence factor for PM2.5AC.
Key words: forest canopyurban forest patchesPM2.5 mass concentrationinfluence factor
1 引言(Introduction)PM2.5(空气动力学直径小于2.5 μm的颗粒物)是城市空气污染的重要来源,其危害市民健康(Nel, 2005)、影响城市交通,已成为近些年来我国城市环境安全面临的一个巨大威胁(Watson, 2014),如何治理城市空气PM2.5的研究已经成为热点问题(魏哲等, 2014; 杨晟朗和李本纲, 2015),空气PM2.5质量浓度也成为国家环境强制监测项目.城市森林具有复杂的林冠部分,凭借树木林冠部分的叶片对空气污染物进行滞留与吸附,在缓解城市空气颗粒物污染方面起到了不容忽视的作用(王华等, 2013),传统研究中多结合“重量法”定量研究植物叶片表面滞留的空气颗粒物(Dzier?anowski et al., 2011),随着便携式速测仪器的发展,基于“质量浓度法”研究城市森林群落对各种空气颗粒物质量浓度的调节能力,可直接展示城市森林对空气净化的效果,有****指出该方面研究会成为新的研究热点(王晓磊和王成, 2014).前人在研究城市森林绿量对TSP(总悬浮颗粒物)、NO2、SO2等空气污染物的作用后指出,如能结合林冠指标开展相关研究工作可能取得更好的结果(Yin et al., 2011),也有研究者通过对不同林分的测定,发现林地冠层的LAI(叶面积指数)与林地空气PM2.5质量浓度的变化无相关性(Nguyen et al., 2015),由此可见,城市森林斑块林冠特征对空气PM2.5质量浓度的影响有待进一步展开研究.笔者前期的研究中发现,在景观尺度上南昌市城市森林斑块的面积与一定范围内空气PM2.5质量浓度呈负相关关系(苏维等, 2017),而南昌市典型城市森林斑块对空气PM2.5质量浓度的消减能力,其季节动态规律,以及这种消减能力受到城市森林斑块林冠特征的影响,仍然是亟待解决的科学问题,该方面研究不但能够解释更大尺度上的研究现象,而且能够为更小尺度上的研究提供理论依据.城市森林斑块是城市森林生态系统发挥各项功能的基本单位,在斑块尺度上探索城市森林对空气PM2.5质量浓度的作用效果,以及林地斑块构成、林冠特征对这种作用的影响,既有理论研究价值,又可以为相近条件城市改善环境空气质量的实践提供指导依据.
2 材料与方法(Materials and methods)2.1 研究区概况南昌市地处江西中部偏北,赣江下游,位于115°27′~116°35′E、28°10′~29°11′N,全市平均海拔25 m,全境以平原为主.南昌市属于亚热带湿润季风气候,气候湿润温和,日照充足,是“夏炎冬寒”的典型城市,年平均气温17.0~17.7 ℃,年降雨量1600~1700 mm,降水日为147~157 d,年平均相对湿度为78.5%,年日照时间1723~1820 h,为中亚热带植物生长提供了良好的气候条件.南昌市为国家森林城市,绿化覆盖面积89.36 km2,城市绿化覆盖率达到42.96%,森林覆盖率达到21.96%,人均公共绿地达到9.18 m2.
2.2 样点选择与样地调查依据前人对城市森林林分标准提出的要求(何兴元等, 2004),通过实地踏查调研,在南昌市城市建成区内设置3个试验区组:人民公园(位于城市中心区,城市道路密集,周边密布居住区、商业区以及企事业单位,无大面积城市森林斑块)、华东交大(位于城乡过度区,城市道路较少,周边有部分居住区及少量企事业单位,城市森林斑块面积较大)、江西农大(位于城市郊区,梅岭风景区脚下,城市道路很少,周边有部分居住区,城市森林斑块面积大、数量多),每个区组内分别选择常绿阔叶纯林(香樟Cinnamomum camphora)、常绿针叶纯林(湿地松pinus elliottiih, 马尾松Pinus massoniana)、针阔混交林(湿地松×樟树)、阔叶混交林(樟树为主)这4个林地斑块作为研究对象,每个林地斑块内设置20 m×20 m样方开展调查,共计调查12个研究样方.每个林地斑块中测试点(图 1)分别位于林地中心区域(以五角星示意),林外对照点位于林地斑块外的空地或道路上(以三角形示意).
图 1(Fig. 1)
图 1 测试点位置 Fig. 1Experiment sampling sites

每个样方进行林分调查,以此摸清研究林地斑块的林分构成,调查项目包括林分结构、林木平均胸径、平均树高、林分密度、林木平均胸高断面比等指标,所有12个林地斑块林分构成的调查结果见表 1.
表 1(Table 1)
表 1 南昌市典型城市森林斑块的样地信息表 Table 1 Details of forest stand for typical urban forest patches in Nanchang
表 1 南昌市典型城市森林斑块的样地信息表 Table 1 Details of forest stand for typical urban forest patches in Nanchang
站点 位置 林分 结构 胸径/cm 树高/m 林地面积/m2 密度/ (株· hm-2) 胸高断面积/ (m2· hm-2)
A1 人民公园 阔叶纯林 复层 31.2 11.6 4430 375 37.1
B1 华东交大南区 阔叶纯林 单层 18.9 8.1 1720 425 12.7
C1 江西农大北区 阔叶纯林 单层 37.7 14.4 5480 350 42.7
A2 人民公园 针阔混交林 单层 31.2 10.6 4264 725 59.7
B2 华东交大南区 针阔混交林 单层 20.6 14.3 17442 850 30.6
C2 江西农大北区 针阔混交林 复层 13.8 8.3 11123 725 19.9
A3 人民公园 针叶纯林 单层 28.6 11.5 1366 600 40.1
B3 华东交大南区 针叶纯林 复层 20.9 15.6 13583 650 23.6
C3 江西农大北区 针叶纯林 复层 24.2 12.4 6609 600 30.2
A4 人民公园 阔叶混交林 单层 33.3 12.6 3541 425 41.3
B4 华东交大南区 阔叶混交林 单层 19.0 8.3 1959 525 17.9
C4 江西农大北区 阔叶混交林 单层 13.8 8.3 2312 1200 19.9


2.3 指标测定与计算方法2.3.1 林内外空气PM2.5质量浓度的测定选取主导风向上风或平行位置的林外空地作为对照区域,林内中心地带作为测试区域,每个区域分别设置6个测试点(图 1),同步测定林外对照和林内中心的空气PM2.5质量浓度,参照前人开展外业测定实验的方法(郭二果等, 2009),选择测试位置距地面1.3~1.5 m高度,与人体正常呼吸高度基本保持一致.该实验于2015年3月—2016年1月开展,分为春、夏、秋、冬4个季节展开测定,在每个实验季节里,各区组分别测试3 d,每天8:00—18:00每隔2 h测试1次,借鉴前人平行同步采样的野外试验测定方法(肖以华等, 2013),林内外各6个观测点的测定同时进行,所有林地斑块在每个季节里有独立的林内有效测试数据108组、同步测定的林外CK(对照)有效测试数据108组.实验仪器使用CW-HAT200高精度便携式PM2.5速测仪(国产),该仪器采用光散射法测量,测量空气PM2.5质量浓度,仪器精度达到μg·m-3且自带温湿度校正,符合国家空气质量监测标准和野外观测的精度要求.不同林内外测试点的仪器经过校正,排除仪器间的偏差.
2.3.2 城市森林斑块的PM2.5AC计算参考前人研究城市树木消减空气颗粒物质量浓度的计算方法(Yin et al., 2011; Jin et al., 2014),结合本研究的试验方法和研究目的,城市森林斑块对空气PM2.5质量浓度的消减效果以消减率PMAC(即Particulate Matter Attenuation Cofficient)的形式计算,PM2.5质量浓度消减率PM2.5AC的计算公式如下:
(1)
式中,PM2.5AC为林分消减PM2.5质量浓度的消减率;c0为林外6个对照点的PM2.5质量浓度日均值(μg·m-3);c1为林内6个观测点的PM2.5质量浓度日均值(μg·m-3).
2.3.3 林地冠层指标的测定在每个季节PM2.5质量浓度测定期间,利用LAI-2200冠层分析仪(美国)对试验设置的12块林地斑块进行冠层测定.LAI-2200冠层分析仪在城市森林(Tillack et al., 2014)和阔叶林的冠层数据观测(昝梅等, 2013)中已经有较广泛的运用,可以方便快捷的获取叶面积指数(LAI)、表观聚类因子(ACF)、平均叶倾角(MAT)、天空开度(DIFN)等表达林地斑块冠层指标的定量数据.根据前人使用经验,以4环读数,采用45°遮盖帽,配合一个A值对应4~6个B值的设置,可以有效提高对城市森林斑块冠层的测量精度,获得可靠的研究数据(Weiss et al., 2004),本研究中将仪器设置为一个A值8个B值,即ABBBBBBBB,可以将仪器观测精度发挥到最大.
2.4 数据处理本文研究数据全部采用SPSS 19.0(IBM, USA)软件分析,结合实验设计,城市森林斑块内外同步测定的空气PM2.5质量浓度采用配对T检验(Paired t-test),不同斑块间的PM2.5AC采用单因素方差分析(Anova);相关性分析先对数据正态分布检测,通过后采用皮尔逊相关系数(Pearson correlation coefficient).本研究中差异显著性水平设定为p=0.05.图表利用EXCEL 2010软件绘制.
3 结果(Results)3.1 城市森林斑块对PM2.5质量浓度的消减效果通过对不同季节测定数据的分析,发现针叶纯林、针阔混交林、阔叶纯林、阔叶混交林在林内和林外测得的空气PM2.5质量浓度均存在显著差异(表 2).相对于林外空地,不同的城市森林斑块均能显著降低空气PM2.5的质量浓度,具有消减空气PM2.5质量浓度的能力.
表 2(Table 2)
表 2 城市森林斑块林内外PM2.5质量浓度及其差异显著性 Table 2 PM2.5 concentration and significant level value (p) of urban forest patch between the control sites and sampling sites
表 2 城市森林斑块林内外PM2.5质量浓度及其差异显著性 Table 2 PM2.5 concentration and significant level value (p) of urban forest patch between the control sites and sampling sites
μg·m-3
林分春季 夏季 秋季 冬季
PM2.5林内 PM2.5林外 PM2.5林内 PM2.5林外 PM2.5林内 PM2.5林外 PM2.5林内 PM2.5林外
阔叶纯林 21.80±8.95 22.93±9.31 17.48±6.60 18.20±6.93 37.04±14.86 38.49±14.77 45.34±18.18 46.36±18.49
p 0.00* 0.01* 0.00* 0.00*
针叶纯林 21.91±9.66 24.63±10.80 16.39±7.42 18.76±8.12 36.10±12.95 40.16±15.80 45.22±16.73 47.97±18.54
p 0.00* 0.00* 0.01* 0.01*
针阔混交林 22.67±10.21 25.05±10.88 17.23±7.54 18.78±8.17 36.79±14.91 39.95±16.10 45.90±17.28 48.43±18.68
p 0.00* 0.00* 0.00* 0.00*
阔叶混交林 23.24±9.57 24.35±10.07 18.12±6.57 18.75±6.93 37.99±14.87 40.08±16.45 45.32±17.83 46.72±18.49
p 0.00* 0.00* 0.01* 0.00*
注:*为在0.05水平(两尾)上差异显著(n=9)*indicate significant difference with 0.05 level(two tailed).


3.2 不同城市森林斑块对空气PM2.5质量浓度的消减能力城市森林斑块在不同季节的PM2.5AC差异显著(图 2),在不同季节的测定中,针叶纯林的PM2.5AC最高,针阔混交林次之,二者均显著高于阔叶纯林和阔叶混交林.通过全年的数据分析,发现PM2.5AC从高到低依次为针叶纯林(9.15%)、针阔混交林(7.45%)、阔叶混交林(3.85%)、阔叶纯林(3.82%).其中,针叶林斑块在夏季PM2.5AC达到12.10%,是所有研究斑块中消减空气PM2.5质量浓度能力最强的.
图 2(Fig. 2)
图 2 4种城市森林斑块在不同季节的PM2.5AC (不同小写字母表示不同分组间差异显著性(n=9)) Fig. 2PM2.5AC of four urban forest patches in different seasons (The different small letters indicated the significant difference in the different groups at 0.05 level)

3.3 城市森林斑块PM2.5AC的季节动态通过不同季节城市森林斑块PM2.5AC的比较,发现春季城市森林斑块整体的PM2.5AC为7.35%,夏季6.29%,秋季6.60%,冬季3.76%.城市森林斑块整体的PM2.5AC呈现出春季、夏季、秋季差异不显著,但前三季节显著高于冬季的季节动态规律(表 3).
表 3(Table 3)
表 3 南昌城市森林斑块不同季节的PM2.5AC Table 3 PM2.5 AC of urban forest patch with different seasons in Nanchang
表 3 南昌城市森林斑块不同季节的PM2.5AC Table 3 PM2.5 AC of urban forest patch with different seasons in Nanchang
季节 春季 夏季 秋季 冬季
PM2.5AC 7.34%±3.60%a 6.98%±4.14%a 6.74%±3.86%a 3.76%±2.23%b
注:表中数据为均值±标准差,不同小写字母表示同行数据间差异显著性(n=12) Date in table indicates mean ± SD, the different small letters in the same line indicate significant difference.


3.4 城市森林斑块冠层特征对PM2.5AC的影响通过对不同季节各城市森林斑块林冠指标与PM2.5AC的相关性分析(表 4),发现城市森林斑块的PM2.5AC与LAI、ACF显著正相关,与DIFN显著负相关,与MTA相关性不显著.由此可见,林冠越稠密、天空开度越小,随之城市森林斑块消减空气PM2.5质量浓度的能力越强,而这种能力与MTA的变化无关.
表 4(Table 4)
表 4 城市森林斑块的PM2.5AC与林冠指标的相关系数 Table 4 Correlation coefficients of PM2.5AC and forest canopy index in urban forest patches
表 4 城市森林斑块的PM2.5AC与林冠指标的相关系数 Table 4 Correlation coefficients of PM2.5AC and forest canopy index in urban forest patches
LAI ACF DIFN MTA
PM2.5AC 0.36* 0.30* -0.33* 0.08
注:*为在0.05水平(两尾)上显著相关(n=48)*indicate significant correlation with 0.05 level(two tailed).


从城市森林斑块的PM2.5AC与总叶面积(林地斑块面积与LAI的乘积)、林地斑块面积、林分密度、林分结构、胸高断面积等林分调查指标的相关性分析可以看出(表 5),林地斑块的总叶面积、林地斑块面积、林分结构均与PM2.5AC显著正相关,并且总叶面积的正相关关系最强.这说明林地斑块面积、林地斑块群落结构都对PM2.5AC产生显著影响.其中,林地斑块的总叶面积对其消减PM2.5质量浓度的能力起到了最显著的影响,而林地斑块面积与总叶面积具有自相关关系,而复层结构林地斑块具有更复杂、稠密的林冠,同等面积下叶面积总量较单层结构林地斑块更大,因此,其消减PM2.5质量浓度的能力更强.
表 5(Table 5)
表 5 城市森林斑块的PM2.5AC与林地斑块特征的相关系数 Table 5 Correlation coefficients of PM2.5AC and characteristic of urban forest patches
表 5 城市森林斑块的PM2.5AC与林地斑块特征的相关系数 Table 5 Correlation coefficients of PM2.5AC and characteristic of urban forest patches
总叶面积/m2 林地斑块面积/m2 密度/ (株· hm-2) 胸高断面积/ (m2· hm-2) 林分结构
PM2.5AC 0.80** 0.74** 0.25 -0.15 0.48**
注:**为在0.01水平(两尾)上显著相关(n=48)**indicate significant correlation with 0.01 level(two tailed).


综上所述,林地斑块总叶面积是影响林地斑块消减空气PM2.5质量浓度能力的重要因素,结合前人研究结果,这是由于林木叶片具有阻滞、滞留空气PM2.5颗粒物的作用,总叶面积越大,林地斑块滞留空气PM2.5颗粒越多,对空气净化的效果越明显.
4 讨论(Discussion)4.1 城市森林斑块具有显著降低空气PM2.5质量浓度的能力城市森林斑块具有枝叶茂密、形态复杂的林冠部分,林冠中大量的树叶担负了净化空气的主要功能(Nowak et al., 2006).①树叶表面可以滞留空气中的颗粒物,直接起到净化空气的作用;②流动的空气更容易在林冠干扰下形成湍流,使空气中的颗粒物加速沉降,从而间接起到净化空气的作用(赵晨曦等, 2013);③林内温湿度、负离子浓度等小气候条件较林外有所改变,使林内空气颗粒物吸湿增重,与负离子电荷中和,从而加速空气颗粒物沉降,也间接地起到了净化空气的作用(古琳等, 2013).城市森林斑块对PM2.5质量浓度的消减作用,是在以上几方面的综合作用下造成的,但究其根本,城市森林数量巨大的树木叶片是直接、间接降低空气PM2.5质量浓度的主体.
4.2 城市森林斑块PM2.5AC的季节变化城市森林斑块春、夏、秋三季均显著高于冬季的PM2.5AC,这可能是由3方面原因造成的.①冬季部分城市森林斑块的树木落叶,使得滞留空气PM2.5的主体减少,从而削弱了林地斑块滞留空气PM2.5的能力,因而PM2.5AC较其他季节更低;②冬季城市空气PM2.5质量浓度较其他季节更高,而树木叶片滞留空气颗粒物的能力是有上限的(房瑶瑶等, 2015),有可能在空气颗粒物高浓度状态下,城市森林斑块内叶片表面滞留的PM2.5已到达或接近饱和状态,无法再从空气中滞留更多的PM2.5颗粒,净化空气的能力很难再发挥,所以其PM2.5AC会更低.③不同季节的气温、相对湿度等气象因子可以影响到城市森林斑块林内的PM2.5质量浓度(古琳等, 2013),南昌春季和夏季多雨、高湿度的气候特征增加了空气颗粒物吸湿增重、加速沉降的可能性,对空气PM2.5质量浓度的降低也是有利的(Chen, 2014),而城市森林斑块内部较林外温度更低、湿度更大,林内小气候对降低空气PM2.5质量浓度创造了更有利的条件,从而使春夏季PM2.5AC更高.因此,不同季节城市森林斑块内部气象因子的差异,也可能在一定程度上影响到城市森林斑块的PM2.5AC.
4.3 针叶林斑块降低空气PM2.5质量浓度的能力高于其他林地斑块针叶纯林、针阔混交林斑块PM2.5AC显著高于阔叶纯林和阔叶混交林斑块.前人研究指出针叶树具有簇状针叶结构,针叶树对气流的干扰比阔叶树更强,更易形成湍流,从而加速空气颗粒物的干沉降(Janh?ll, 2015),使更多的空气颗粒物沉降到针叶表面.同时,针叶树叶片表面粗糙度比阔叶树更高,更容易捕获空气中的颗粒物,叶表分泌的黏性物质更容易粘住空气颗粒物,使其不易脱落而返回到空气中(房瑶瑶等, 2015).国外****通过条件严苛的风洞模拟实验,研究了5种树木叶片捕获空气颗粒物的效率,发现捕获效率最高的是黑松,达到2.80%;捕获效率最低的美洲黑杨仅有0.12%,针叶树捕获效率远大于阔叶树(Beckett et al., 2000).在此之后,R?s?nen等也利用风洞模拟的大气颗粒物试验,发现樟子松捕获空气颗粒物的效率显著高于其他阔叶植物(R?s?nen et al., 2013),阔叶树种相比较于针叶树种,其叶片可湿性低、气孔密度低,不容易截留住空气中的颗粒物,以上研究均证实了针叶树叶片表面颗粒物的俘获量更大,所以针叶林斑块净化空气PM2.5的能力更强,针叶林斑块的PM2.5AC较阔叶林更高.
松科植物枝叶能分泌树脂、黏液或胶状液体等特殊分泌物,使颗粒物粘附在叶片上,很难被雨水冲刷(陈玮等, 2003),而大部分阔叶树均无特殊分泌物(柴一新等, 2002),以此推断,叶片表面是否有黏性分泌物,也是针叶树滞留空气颗粒物的能力整体上强于阔叶树的原因之一,所以针叶树净化空气PM2.5更高效.综上所述,针叶树的叶片单位面积滞留的空气PM2.5颗粒比阔叶树滞留的量更大,从而对空气PM2.5质量浓度的消减率更高.本研究中的针叶林斑块全部是湿地松、马尾松两种松科针叶树组成,所以针叶林斑块消减空气PM2.5的能力强于阔叶林斑块.
植物叶片对空气颗粒物的滞留是一个动态过程,自然或人为扰动会使一些颗粒物脱离叶片表面,再次释放到空气中(王晓磊和王成, 2014).夏季湿地松、马尾松植物枝干、针叶表面的产脂量明显高于其他季节,而这些脂类物质黏性极强,可以有效粘附空气中的PM2.5颗粒并使其不易脱落再释放到空气中.综上所述,本研究中夏季针叶林PM2.5AC最强,主要原因是针叶林产脂量更大,加之研究中针叶林斑块面积较大,LAI较高,其总叶面积量更大,从而捕获空气PM2.5颗粒的效率更高.
4.4 城市森林斑块的总叶面积是其消减空气PM2.5质量浓度的主要影响因素通过城市森林斑块结构特征、林冠特征与PM2.5AC的相关性分析,发现城市森林斑块的总叶面积是驱动PM2.5AC最重要的因素.本研究中城市森林斑块的总叶面积等于林地斑块面积与LAI的乘积,而斑块面积、LAI均与PM2.5AC显著正相关,林地斑块总叶面积也可以近似理解为斑块面积与LAI的交互作用.在植物叶片尺度的研究上,前人通过重量法(Hofman et al., 2013)、气溶胶再发生法(Zhang et al., 2015)、洗脱称量粒度分析(张志丹等, 2014)等方法均发现树木叶片具有滞留空气PM2.5等颗粒物的能力,树木叶片直接截留了空气中PM2.5颗粒,才使得从林外进入林内的空气得以过滤净化,进而降低了林内空气PM2.5质量浓度.城市森林的林冠层,犹如一个有生命的巨大滤网,在气流通过林冠层时能起到显著净化空气的作用(Janh?ll, 2015).
树木的叶片是城市森林发挥多项生态服务功能的主要载体,在城市森林斑块尺度上,借助冠层分析仪定量测定林地斑块冠层的变化程度,以林冠中叶片面积总量的变化来衡量城市森林斑块对空气环境的净化作用,可以从根本上对发挥功能载体——叶片的数量有快捷、准确的测定,为定量研究林地斑块林冠的基本特征创造了条件.前人基于i-tree模型的研究中也认为城市森林斑块的林冠层集中了绝大部分的树叶,是发挥斑块降温增湿、固碳释氧等服务功能的直接载体(Steenberg et al., 2016).综上所述,量化城市森林斑块的林冠层特征,是开展斑块尺度上城市森林多种生态功能研究的一个有效途径.从本研究的结果来看,正是城市森林斑块的叶片总面积,主导了城市森林斑块消减空气PM2.5质量浓度的能力,成为影响城市森林斑块消减空气PM2.5质量浓度的最重要因素,前人研究的结果也可间接支持本研究的观点(王会霞等, 2015; Song et al., 2015).
限于外业测定只能选择白天代表性时间段进行,本研究目前没有条件展开长期定位监测,对城市森林斑块的PM2.5AC未能开展连续动态研究,还无法揭示其作用的生态过程.今后的研究工作从多尺度和体系化的研究思路出发,结合城市森林斑块的群落组成、冠层特征的动态变化,以及林木个体尺度上的微观变化,开展城市森林斑块多种生态服务功能的长期定位研究,并以此揭示城市森林对空气环境的生态过程和作用机理,具有重要的理论研究价值和实践指导意义.
5 结论(Conclusions)1) 南昌城市森林斑块具有显著降低空气PM2.5质量浓度的能力,其中针叶林斑块效果最佳.
2) 南昌城市森林斑块的总叶面积是其消减空气PM2.5质量浓度的最主要影响因素.
致谢:野外观测过程中,得到黄国贤、张帅珺、杨梦丽、张志坚等同学的大力帮助,论文撰写中得到雷蕾博士的指点,论文修改中得到章异平博士的帮助,在此深表感谢!
参考文献
Beckett K P, Freer-Smith P H, Taylor G. 2000. Particulate pollution capture by urban trees:effect of species and windspeed[J]. Global Change Biology, 6(8): 995–1003.DOI:10.1046/j.1365-2486.2000.00376.x
柴一新, 祝宁, 韩焕金. 2002. 城市绿化树种的滞尘效应-以哈尔滨市为例[J]. 应用生态学报, 2002, 13(9): 1121–1126.
陈玮, 何兴元, 张粤, 等. 2003. 东北地区城市针叶树冬季滞尘效应研究[J]. 应用生态学报, 2003, 14(12): 2113–2116.DOI:10.3321/j.issn:1001-9332.2003.12.006
Chen J. 2014. Impact of Relative Humidity and Water Soluble Constituents of PM2.5 on Visibility Impairment in Beijing, China[J]. Aerosol & Air Quality Research, 14(1): 260–268.
Dzier?anowski K, Popek R, Gawrońska H, et al. 2011. Deposition of Particulate Matter of Different Size Fractions on Leaf Surfaces and in Waxes of Urban Forest Species[J]. International Journal of Phytoremediation, 13(10): 1037–1046.DOI:10.1080/15226514.2011.552929
房瑶瑶, 王兵, 牛香. 2015. 叶片表面粗糙度对颗粒物滞纳能力及洗脱特征的影响[J]. 水土保持学报, 2015, 29(4): 110–115.
古琳, 王成, 王晓磊, 等. 2013. 无锡惠山三种城市游憩林内细颗粒物(PM2.5)浓度变化特征[J]. 应用生态学报, 2013, 24(9): 2485–2493.
郭二果, 王成, 郄光发, 等. 2009. 北京西山典型游憩林空气颗粒物不同季节的日变化[J]. 生态学报, 2009, 29(6): 3253–3263.
何兴元, 刘常富, 陈玮, 等. 2004. 城市森林分类探讨[J]. 生态学杂志, 2004, 23(5): 175–178.
Hofman J, Stokkaer I, Snauwaert L, et al. 2013. Spatial distribution assessment of particulate matter in an urban street canyon using biomagnetic leaf monitoring of tree crown deposited particles[J]. Environmental Pollution, 183: 123–132.DOI:10.1016/j.envpol.2012.09.015
Janh?ll S. 2015. Review on urban vegetation and particle air pollution-Deposition and dispersion[J]. Atmospheric Environment, 105: 130–137.DOI:10.1016/j.atmosenv.2015.01.052
Jin S, Guo J, Wheeler S, et al. 2014. Evaluation of impacts of trees on PM2.5, dispersion in urban streets[J]. Atmospheric Environment, 99(99): 277–287.
Nel A. 2005. Atmosphere. Air pollution-related illness:effects of particles[J]. Science, 308(5723): 804–806.DOI:10.1126/science.1108752
Nguyen T, Yu X, Zhang Z, et al. 2015. Relationship between types of urban forest and PM2.5 capture at three growth stages of leaves[J]. Journal of Environmental Sciences, 27(1): 33–41.
Nowak D J, Crane D E, Stevens J C. 2006. Air pollution removal by urban trees and shrubs in the United States[J]. Urban Forestry & Urban Greening, 4(3): 115–123.
R?s?nen J V, Holopainen T, Joutsensaari J, et al. 2013. Effects of species-specific leaf characteristics and reduced water availability on fine particle capture efficiency of trees[J]. Environmental Pollution, 183: 64–70.DOI:10.1016/j.envpol.2013.05.015
Song Y, Maher B A, Li F, et al. 2015. Particulate matter deposited on leaf of five evergreen species in Beijing, China:Source identification and size distribution[J]. Atmospheric Environment, 105(1): 53–60.
Steenberg J W, Millward A A, Nowak D J, et al. 2016. Forecasting Urban Forest Ecosystem Structure, Function, and Vulnerability[J]. Environmental Management, 59(3): 1–20.
苏维, 赖新云, 赖胜男, 等. 2017. 南昌市城市空气PM2.5和PM10时空变异特征及其与景观格局的关系[J]. 环境科学学报, 2017, 37(7): 2431–2439.
Tillack A, Clasen A, Kleinschmit B, et al. 2014. Estimation of the seasonal leaf area index in an alluvial forest using high-resolution satellite-based vegetation indices[J]. Remote Sensing of Environment, 141(141): 52–63.
王华, 鲁绍伟, 李少宁, 等. 2013. 可吸入颗粒物和细颗粒物基本特征、监测方法及森林调控功能[J]. 应用生态学报, 2013, 24(3): 869–877.
王会霞, 王彦辉, 杨佳, 等. 2015. 不同绿化树种滞留PM2.5等颗粒污染物能力的多尺度比较[J]. 林业科学, 2015, 51(7): 9–20.
王晓磊, 王成. 2014. 城市森林调控空气颗粒物功能研究进展[J]. 生态学报, 2014, 34(8): 1910–1921.
Watson T. 2014. Environment:Breathing trouble[J]. Nature, 513(7517): 14–15.DOI:10.1038/513S14a
魏哲, 杨晶, 王丽涛, 等. 2014. 2013年1月邯郸市严重霾天气的污染特征分析[J]. 环境科学学报, 2014, 34(5): 1118–1124.
Weiss M, Baret F, Smith G J, et al. 2004. Review of methods for in situ leaf area index (LAI) determination:Part Ⅱ. Estimation of LAI, errors and sampling[J]. Agricultural & Forest Meteorology, 121(1): 19–35.
肖以华, 习丹, 佟富春, 等. 2013. 广州市城乡梯度森林公园雨季空气PM2.5浓度及水溶性离子特征[J]. 应用生态学报, 2013(10): 2905–2911.
杨晟朗, 李本纲. 2015. 基于遥感资料的北京大气污染治理投资对降低PM2.5的效能分析[J]. 环境科学学报, 2015, 35(1): 42–48.
Yin S, Shen Z, Zhou P, et al. 2011. Quantifying air pollution attenuation within urban parks:An experimental approach in Shanghai, China[J]. Environmental Pollution, 159(8/9): 2155–2163.
昝梅, 李登秋, 居为民, 等. 2013. 新疆喀纳斯国家自然保护区植被叶面积指数观测与遥感估算[J]. 生态学报, 2013, 33(15): 4744–4757.
张志丹, 席本野, 曹治国, 等. 2014. 植物叶片吸滞PM2.5等大气颗粒物定量研究方法初探——以毛白杨为例[J]. 应用生态学报, 2014, 25(8): 2238–2242.
Zhang W K, Wang B, Niu X. 2015. Study on the Adsorption Capacities for Airborne Particulates of Landscape Plants in Different Polluted Regions in Beijing (China)[J]. International Journal of Environmental Research & Public Health, 12(8): 9623–9638.
赵晨曦, 王玉杰, 王云琦, 等. 2013. 细颗粒物(PM2.5)与植被关系的研究综述[J]. 生态学杂志, 2013, 32(8): 2203–2210.




相关话题/城市 质量 生态 结构 指标