城市湖泊湿地建成环境对PM10、PM2.5浓度影响因子分析

作者:曾元梓陈奕汝郭慧娟朱春阳* Zeng Yuanzi Chen Yiru Guo Huijuan Zhu Chunyang

摘要：选择武汉市主城区12块湖泊湿地为研究对象，基于LUR模型分析了城市湖泊湿地建成环境对空气PM10、PM2.5浓度的关键影响因子。测定时间为2014年7月，分别对12块湖泊湿地空气PM10、PM2.5进行同步测定，挑选晴好无风相似的3d进行数据分析。采用主成分分析法提取4项主成分，包括缓冲区内道路、水体、周边大型水体和自然条件、人口密度及气象影响因子，主成分因子解释度达到总方差的91.2%；采用双变量相关分析识别出与PM10、PM2.5日均浓度相关性显著的影响因子，分别为道路占比(300、500m范围)、湿地外侧500m范围内非硬质下垫面占比、湖泊湿地面积(PM10)、距中心城区距离；根据PM10、PM2.5日均浓度值与识别出的关键影响因子进行回归分析，相关系数R2分别为0.348~0.600、0.491~0.534(P<0.05)，表现出了一定的相关性，说明了由城市湖泊湿地建成环境对PMs关键影响因子构建的LUR模型具有一定的可行性。因此，合理规划城市湖泊湿地周边建成环境土地利用类型，对整个湖泊湿地的空气质量改善效应具有显著意义。

关键词：风景园林；城市湿地；湖泊湿地；建成环境；PM10；PM2.5；LUR

文章编号：1000-6664(2018)07-0104-06

中图分类号：TU 986

文献标志码：A

收稿日期：2017-04-02

修回日期：2017-06-21

基金项目：国家自然科学基金青年基金项目( 编号31500576)和中央高校基本科研业务费专项资金项目(编号2662018JC047)共同资助

Abstract: To document the influencing factors of urban lakewetland of built environment on air PMs, we investigated air PM10and PM2.5 concentrations by monitoring PM and land use of 12urban lake wetlands in July 2014 over three sunny and windlessdays in Wuhan urban central. The results showed that: four principalcomponents were extracted based Principal Components Method,including roads, water, surrounding a large water within the buffersurrounding the wetland, and natural conditions, population densityand meteorological factor. The explanation reached 91.2% of thetotal variance. Meanwhile, the influencing factors with significantcorrelation with average daily PM10, PM2.5 were indentified basedBivariate Correlation Analysis Method, including urban roadslength proportion around 500m/300m of wetland, lake wetlandarea (PM10), surrounding non-built-up proportion around 500m ofwetland and distance from the city center. Furthermore, multiplelinear regression analysis was used between the daily PM10, PM2.5concentration and the indentified impact factors, the correlationcoefficient R2 was of 0.348-0.600 and 0.491-0.534 (P<0.05),respectively, which showed the LUR model with the indentifiedfactors was valid. Effectively utilizing these PM10, PM2.5 effectsthrough appropriate land use planning around the wetland isbecoming increasingly critical considering the rising improvementof air quality.

Key words: landscape architecture; urban wetland; lake wetland;built environment; PM10; PM2.5; LUR

空气PM10、PM2.5为人体可吸入颗粒物，严重危害人体健康。与PM10相比，PM2.5粒径更小，被称为可入肺颗粒物，因其易吸入和长期残留性，且富含大量的有毒、有害物质，对人体健康和大气环境质量的影响更大。目前消减PM10、PM2.5的主要措施主要为控制污染源，如减少工业污染气体排放、使用清洁能源、减少交通量、鼓励公共交通等。但在污染源一定的条件下，污染物浓度的大小主要取决于气象条件[1]，有研究表明空气相对湿度是影响颗粒物浓度的主要气象因子之一[2-3]。由于城市水体具有巨大的热容量和强烈的水分蒸发，滨水环境的空气湿度也随曾元梓陈奕汝郭慧娟朱春阳*Zeng YuanziChen YiruGuo HuijuanZhu Chunyang之相应变化，空气PM浓度易受空气湿度的影响而发生吸湿增长、沉降。Liu等发现湿地和湖泊能够有效沉降空气PM，且湖泊能够更好地移除空气粗颗粒物[4]；康晓明等发现城市的湖泊、水库和河流具有显著的降低空气粉尘的作用，其中湖泊降尘效应更为明显[5]；Wu等也发现北京城市拥有自然植被和水体的区域具有较低浓度的PM2.5[6]。作为典型的滨水环境，城市湖泊湿地以其特有的小气候影响着周边空气的相对湿度，在改善空气质量方面发挥着巨大作用[7-8]。

考虑城市空气PM10、PM2.5浓度值除受气象条件影响外，更受周边交通、人口密度、土地利用类型等多方面影响[9]，因此城市湖泊湿地PM10、PM2.5浓度的影响因子十分复杂。目前LUR模型在1997年首次应用于城市大气污染物浓度空间化分布，最初由SAVIAH(Small AreaVariations in Air quality and Health)研究计划引入，应用于空气污染制图，称为回归制图[10]。LUR模型基于监测数据和监测点一定半径内的土地利用信息、道路交通特征和其他相关地理变量构建回归方程[11]，利用回归方程模拟未监测位置的大气污染物浓度。该模型后续成功应用于欧洲及北美一些城市NO2、NOX、PM2.5年平均浓度的估算，以及不同环境下PM2.5和VOCs等背景值的估算[12-13]。该模型将分布在研究区域监测点的监测数据与基于GIS平台的各种模拟变量(道路状况、土地类型、人口密度、气象条件、自然条件等)的模型相结合模拟高分辨率下大气污染物空间分布情况。因此，LUR模型对城市湖泊湿地周边PM10、PM2.5影响因子的分析提供了更具有操作性的平台。本文在国内外LUR模型应用研究的基础上，结合影响因子分析加入了主成分分析的方法，更为系统地探讨了城市湖泊湿地建成环境对PM10、PM2.5浓度的影响因子，对建立城市湖泊湿地规划评价体系具有重要意义。

1 研究区域与研究方法

1.1 研究区域概况

湖北省武汉市(113°41′～115°05′E，29°58′～31°22′N)位于长江中下游江汉平原东部，湿地资源居全球内陆城市前三位，其水域面积占全市国土面积的1/4，构成武汉极具特色的滨江滨湖水生态环境。武汉具有丰富的湖泊湿地资源，被称为“百湖之市”，城市中心区共有38个湖泊，其中面积大于1km2的湖泊达到16个。选择武汉城市三环内主城区立地条件相似的湖泊湿地12块，面积分别为<0.04km2、0 . 0 4 ～ 0 . 0 6 k m 2、0 . 0 6 ～ 0 . 0 8 k m 2 、0 . 0 8 ～ 0 . 1 0 k m 2 、0 . 1 0 ～ 0 . 1 2 k m 2 、0 . 1 2 ～ 0 . 1 5 k m 2 、0 . 1 5 ～ 1 . 0 0 k m 2 、1.00～5.00km2、>5.00km2(图1)。

图1 测试点分布示意(其中菱角湖和鲩子湖2014年7月实施清湖工程，观测期间水域面积缩小)

图2 基于LUR模型的城市湖泊湿地建成环境对PM10、PM2.5浓度影响因子分析流程1.2 研究方法

1.2.1 LUR 模型目前，LUR模型相关研究中的模拟变量主要包括：各种能反映交通状况的数据、人口密度、土地利用类型、自然地理状况(海拔、距海距离、地形等)以及气候(风向、风速等)[14-15]。利用LUR模型分析城市湖泊湿地PM10、PM2.5浓度影响因子的工作流程见图2。

考虑到选取的研究区为武汉市中心城区，空气PM10、PM2.5的主要污染源是城市道路，同时土地利用类型中非硬质下垫面及水体面积可促使污染物在多介质之间的转换，因此本研究对中心城区的道路状况及缓冲区内水体做了详细的划分。本研究选择不同缓冲区(100、200、300、400、500m范围)内道路的总长度来代表城市湖泊周边的交通状况。土地利用类型条件中，选择缓冲区500m范围内非硬质下垫面的总面积来代表城市湖泊周边的土地利用状况；选择不同缓冲区(100、200、300、400、500m范围)内水体的总面积来代表城市水体对PM10、PM2.5浓度空间分布的影响情况。自然条件因素中，选择湖泊湿地面积代表城市湖泊湿地面积对PM10、PM2.5浓度空间分布的影响情况；同时考虑到武汉市内长江穿城而过，以湖泊湿地位置距长江的距离代表对PM10、PM2.5浓度空间分布的影响情况。选取湖泊湿地位置距离中心城区的距离代表位置指数对PM10、PM2.5浓度空间分布的影响情况。选取湖泊湿地周边街道人口密度作为人口密度指数对PM10、PM2.5浓度的影响。对于气象因素，由于本试验过程是在晴好无风的条件下进行，因此选取影响PM10、PM2.5浓度空间分布的相对湿度作为气象因素。由于武汉中心城区地处江汉平原地区，故本研究未考虑海拔的影响。

1.2.2 数据来源

数据来源包括湖泊湿地建成环境土地利用变量和PM10、PM2.5浓度及气象因子(相对湿度)观测数据。其中土地利用数据结合Spot5遥感影像解译及实地调研校正数据，通过ENVI5.1和ArcGIS10.2提取土地利用自变量；人口数据依据2014年统计年鉴数据；PM10、PM2.5浓度及相对湿度观测数据来源于定量实测，每块湖泊湿地设置4个样地，每个样地设置4条样线，样线沿湖泊湿地边界设置；在距地面1.5m处进行连续观测。测定时间选择湿地生态改善作用最为明显的2014年7月上旬进行，7：00—19：00，每1h一次分别对每条样线及对照处的空气PM10、PM2.5进行同步测定，挑选晴好无风相似的3d进行数据分析。

1.2.3 测试仪器

PM10、PM2.5浓度测试仪器采用崂应2025粉尘检测仪，测定范围为1~1 000ug/m3，分辨率为0.1ug/m3，重复性误差±2%；相对湿度测试仪器采用德国产德图testo625湿度测试仪，相对湿度测定范围为0~100％RH，分辨率为0.1％RH。

2 结果与分析

2.1 LUR模型模拟变量主成分分析

分别计算1 2 块湖泊湿地3 d 所有时刻的PM10、PM2.5和相对湿度平均值(表1)。

从表2总方差解释可以看出，提取4个特征值大于1的主成分，达到总方差的91.2%。因此，认为4个主成分已经能够代表所有自变量的总方差解释。表3可以看出旋转后的成分变量载荷，当成分变量载荷因子≥0.5时表现明显。第一个主成分为道路影响因子，主要为道路长度占比(100、200、300、400、500m)；第二个主成分为缓冲区内水体影响因子(100、200、300m)；第三个主成分为缓冲区内及周边大型水体影响因子，包括缓冲区内水体影响因子(400、500m)，距长江距离；第四个主成分为自然条件、人口密度因子及气象影响因子，包括湿地外侧500m范围内非硬质下垫面占比，湖泊湿地面积，距中心城区距离，人口密度和相对湿度因子。

2.2 双变量相关性分析

分别将3d PM10、PM2.5平均值与自变量因子进行双变量线性相关性分析(表4)，可以看出，相关性显著的自变量因子主要分布在道路影响因子和自然条件因子2个主成分中。从R2值可以看出，与PM10平均值值显著性相关的变量因子为道路长度占比(300、500m范围，P<0.05)，湿地外侧500m范围内非硬质下垫面占比、湖泊湿地面积和距中心城区距离，其中与道路长度占比呈显著正相关(P<0.05)，与湿地外侧500m范围内非硬质下垫面占比、湖泊湿地面积、距中心城区距离呈显著负相关(P<0.05)。与PM2.5平均值显著性相关的变量因子为道路长度占比(300、500m范围，P<0.05)、湿地外侧500m范围内非硬质下垫面占比和距中心城区距离，其中与道路长度占比呈显著正相关(P<0.05)，与湿地外侧500m范围内非硬质下垫面占比、距中心城区距离呈显著负相关(P<0.05)。

城市空气PM10、PM2.5浓度变化受天气气象等多方面因素影响，从3d数据可以看出，观测第1d道路影响因子与PM平均值相关系数R2值相对较小，而第2、3d道路影响因子与PM平均值相关系数R2值较大，具有较强的相关性；湖泊湿地面积因子只有第2d与PM10平均值相关系数R2值较大；湿地外侧500m范围内非硬质下垫面占比、距中心城区距离变量因子与PM平均值相关系数R2值均较大，相关性显著。

2.3 多元线性回归分析

分别以3d PM10、PM2.5为因变量，以与之相关性显著的因素为自变量进行多元线性回归分析，YPM10预测模型中R2=0.348~0.600，在P<0.05水平上显著；YPM2 . 5预测模型中R2=0.491~0.534，在P<0.05水平上显著，表现出了一定的相关性，说明了由城市湖泊湿地PM10、PM2.5关键影响因子构成的LUR模型具有一定的可行性。从表5回归分析可以看出，湖泊湿地建成环境道路影响因子对PM10预测模型呈正相关，湿地外侧500m范围内非硬质下垫面占比(X11)、距中心城区距离(X13)对PM10、PM2.5预测模型呈负相关。综合PM10、PM2.5预测模型，可以看出减少城市湖泊湿地建成环境道路占比、增加非硬质下垫面所占比例、距离中心城区距离越远时，城市湖泊湿地建成环境的PM浓度较低，降低空气PM10、PM2.5效应越明显。但同时也说明城市湖泊湿地周边空气PM10、PM2.5浓度的空间分布受建成环境主成分多方面因素的影响。

3 结论与讨论

3.1 结论

快速城市化进程导致城市污染问题越来越严重，因此改善空气质量以保护人类健康越加显重要。本研究在国内外LUR模型应用研究的基础上，结合影响因子分析加入了主成分分析的方法，初步建立了城市湖泊湿地建成环境PMLUR模型。1)通过城市湖泊湿地建成环境LUR模型模拟变量主成分分析，得出总方差解释提取4项自变量主成分，分别为：道路影响因子，累积达到总方差解释的29.4%；缓冲区内水体影响因子(100、200、300m)，累积达到总方差解释的52.8%；缓冲区内及周边大型水体影响因子，累计达到总方差解释的72.7%；自然条件、人口密度及气象影响因子，累积达到总方差解释的91.2%。2)综合3d城市湖泊湿地PM10、PM2.5浓度数据与模拟变量进行相关性分析，得出对PM10日均浓度影响显著的因素为道路长度占比(300、500m范围)、湿地外侧500m范围内非硬质下垫面占比、湖泊湿地面积、距中心城区距离，其中影响最大的因素是距中心城区距离(3d R2分别为0.238、0.546、0.476)，其次为湿地外侧500m范围内非硬质下垫面占比(3dR2分别为0.348、0.332、0.536)。对PM2.5日均浓度影响显著的因素为道路长度占比(300、500m范围)、湿地外侧500m范围内非硬质下垫面占比、距中心城区距离，其中影响最大的因素是距中心城区距离(3d R2分别为0.355、0.508、0.456)，其次为湿地外侧500m范围内非硬质下垫面占比(3d R2分别为0.464、0.372、0.364)。3)利用LUR模型进行PM10、PM2.5多元线性回归分析，得出3d YPM10预测模型中R2= 0.348~0.600、YPM2.5预测模型中R2=0.491~0.534，均在P<0.05水平上显著，表现出了一定的相关性，由城市湖泊湿地建成环境对PM10、PM2.5关键影响因子构成的LUR模型具有一定的可行性。

3.2 讨论

3.2.1 LUR模型

本研究针对不同建成环境类型的城市湖泊湿地PM浓度进行监测，基于LUR模型探讨城市湖泊湿地建成环境对PM的关键影响因子，得出空气PM浓度的关键影响变量主要包括交通变量和土地利用类型变量，这与武汉主城区PM源解析结果一致，机动车尾气排放为城市大气PM的主要污染源[16]，因此交通变量构成了空气PM浓度的关键影响因子，这与本研究中湖泊湿地周边建成环境道路长度占比对空气PM影响显著的结论一致，但同时也发现道路长度因子对空气PM的影响并未占绝对优势，一方面可能由于样地均沿湿地边界设置，观测点距城市道路具有一定的距离，弱化了道路因子的影响；另一方面可能由于相对于道路长度占比，道路交通量更能精确地代表交通变量，具体过程仍需进一步展开。另外，土地利用类型变量在LUR模型构建过程中至关重要[10，12-14]，本研究得出城市湖泊湿地建成环境非硬质下垫面占比、距离中心城区距离变量对空气PM浓度变化产生重要的影响。城市湖泊湿地具有一定的低温高湿条件，导致一定的空气PM沉降过程[4]；再加上湿地与周边环境的冷暖空气流动，加快颗粒物在局地环流的作用下向湿度较低的方向扩散[7，17]，导致湖泊湿地周边空气颗粒物浓度相对较低。因此，当湖泊湿地周边建成环境非硬质下垫面占比增加、距离中心城区距离较远时，会加强湖泊湿地的湿度条件，对提高城市湖泊湿地的整体环境效应具有明显的作用，相关研究也表明水绿复合型滨水环境会加强水体降温增湿效应[18-19]。因此，本研究中非硬质下垫面占比、距离中心城区距离变量对城市湖泊湿地效应的发挥产生了显著的相关性。

另外，考虑降雨过程会对空气PM产生较大的消除影响，因此本研究测试前后均排除了降雨事件的发生，因此得出的回归分析结论只适应于非降雨事件。同时，本研究空气PM测试时间为具有高热高湿的夏季，考虑到其他季节空气污染源的变化、湖泊湿地建成环境湿度条件的不同，针对其他季节的关键影响因子分析仍需进一步展开。

3.2.2 空气PM10、PM2.5对湿度条件的响应异同

大气中粗颗粒物PM1 0由于重力沉降作用大，在大气中存在的时间不长，除了特殊的气象条件，不能长距离输送。细颗粒物PM2.5是大气中最稳定的气溶胶粒子，主要是由超细粒子通过碰并、凝聚、吸附等物理效应长大而成的，此外也可由挥发性组分凝结、气-粒转化而成，或来自于细小的地面尘，因此它不容易通过干沉降去除，一般只能由湿沉降方式去除，而且去除效率不高[20]，这样导致细颗粒物在大气中停留的时间长，输送距离远，影响范围大[21-22]。由表4可以看出，相对于空气PM2.5，城市湖泊湿地的面积、相对湿度变量对空气PM10浓度具有较为明显的影响，说明湿度条件对较大颗粒污染物浓度的影响比对细颗粒明显。这是由于PM2.5颗粒物化学组分中的二次硫酸盐和硝酸盐都是在区域尺度上形成的，因此PM2.5的空间分布通常比较均匀[23]，同时与PM2.5自身漂浮、不易沉降的特性有一定关系，PM2.5颗粒物可被大气环流输送到区域环境中[24]，因此相对于空气PM10，湖泊湿地周边PM2.5受相对湿度变量影响不显著，这与赵晨曦等认为PM10浓度变化比PM2.5对湿度的响应更为显著的结论是一致的[25]。傅伟聪等也发现同一气象因子与大粒径颗粒物(TSP、PM10)或小粒径颗粒物相关性不一致并且相关大小差异明显[26]。以上情况均说明了PM10与PM2.5对湖泊湿地湿度条件的响应机制存在差异。

但同时由表4、5并未发现相对湿度变量对空气PM浓度的影响表现出显著的相关性，这可能与地表冷湿效应对大气颗粒物影响的机制更加复杂有关。相关研究发现低湿度条件下，颗粒物表面吸附能力弱，不易凝聚沉降，随湿度增加，颗粒物吸湿增长和累积导致浓度增加，地表增湿效应可能加剧这一过程；而湿度达到一定高度时，颗粒物活化形成雾滴，促进颗粒物湿沉降过程，起清除作用[27]，因此，湿度条件对颗粒物影响作用并不是简单的线性关系[28]。与PM10相比，PM2.5中的细粒子，如硫酸盐、多环芳烃等含量较高，较大的相对湿度对PM2.5浓度的稀释和扩散是不利的[17](测试过程空气平均相对湿度为72%~77%)，同时由于PM2.5更具有沉降速度慢、滞留时间长、影响范围广等特点，在晴好无风的天气条件下地面环境状况对其变化影响不显著。由上可见，相比空气PM2.5浓度变化趋势，空气PM10浓度的变化受湿地相对湿度环境变量的影响更为明显。

注：文中图片均由曾元梓绘制。

参考文献：

[1] 吴兑，邓雪娇.环境气象学与特种气象预报[M].北京：气象出版社，2001.

[2] 裴婷婷，陈小平，周志翔.2007—2011年武汉市空气污染物时空分布特征[J].环境科学导刊，2014，33(2)：43-47.

[3] 王晓磊，王成，古琳，等.春季典型天气下城市街头绿地内大气颗粒物浓度变化特征[J].生态学杂志，2014，33(11)：2889-2896.

[4] Liu J K, Zhu L J, Wang H H, et al. Dry deposition of particulate matter at an urban forest, wetland and lake surface in Beijing[J]. Atmospheric Environment, 2016(125): 78-187.

[5] 康晓明，崔丽娟，赵欣胜，等.北京市湿地削减大气细颗粒物PM2.5功能[J].生态学杂志，2015，34(10)：2807-2813.

[6] Wu J S, Li J C, P J, et al. Applying land use regression model to estimate spatial variation of PM2.5 in Beijing, China[J]. Environmental Science and Pollution Research, 2015(22): 7045-7061.

[7] 朱春阳，曾元梓，陈奕汝，等.城市湖泊湿地对空气PM10、PM2.5的影响：以武汉为例[J].中国园林，2016(11)：88-93.

[8] 崔盛站，常传杰.昆明翠湖湿地在城市生态环境中的重要作用[J].中国水土保持，2007(4)：51-52.

[9] 焦利民，许刚，赵素丽，等.基于LUR的武汉市PM2.5浓度空间分布模拟[J].武汉大学学报：信息科学版，2015，40(8)：1088-1094.

[10]　Briggs D J, Collins S, Elliott P, et al. Mapping urban air pollution using GIS: A regression-based approach[J]. International Journal of Geographical Information Science, 1997(11): 699-718.

[11]　Teresa S. Development of a land use regression model to predict nitrogen dioxide concentrations[M]. Texas: ETD collection for university of Texas, 2010.

[12]　Hoek G, Beelen R, Hoogh K D, et al. A review of land-use regression models to assess spatial variation of outdoor air pollution[J]. Atmospheric Environment, 2008(5): 1-18.

[13]　Ross Z, Jerrett M, Ito K, et al. A land use regression for predicting fine particulate matter concentrations in the New York City region[J]. Atmospheric Environment, 2006(41): 2255-2268.

[14]　Slama R, Morgenstern V, Cyrys J, et al. Traffic-related atmospheric pollutants levels during pregnancy and offspring's term birth weight: a study relying on a land-use regression exposure model[J]. Research, 2007(115): 1283-1292.

[15]　陈莉，白志鹏，苏笛，等.利用LUR模型模拟天津市大气污染物浓度的空间分布[J].中国环境科学，2009，29(7)：685-691.

[16]　成海容，王祖武，冯家良，等.武汉市城区大气PM2.5的碳组分与源解析[J].生态环境学报，2012，21(9)：1574-1579.

[17]　吴雁，陈瑞敏，王颉，等.2013年河北中南部PM10和PM2.5浓度时间变化特征及其影响气象条件分析[J].气象与环境科学，2015，38(4)：68-75.

[18]　纪鹏，朱春阳，李树华.城市河道绿带宽度对空气温湿度的影响[J].植物生态学报，2013，37(1)：37-44.

[19]　Hathway E A, Sharples S. The interaction of rivers and urban form in mitigating the Urban Heat Island effect: A UK case study[J]. Building and Environment, 2012(58): 14–22.

[20]　唐孝炎.大气化学[M].北京：高等教育出版社，1990.

[21]　杨复沫，马永亮，何克斌.细微大气颗粒物PM2.5及其研究概况[J].世界环境，2000(4)：32-34.

[22]　宋宇，唐孝炎，张远航，等.夏季持续高温天气对北京市大气细粒子(PM2.5)的影响[J].环境科学，2002，23(4)：33-36.

[23]　Chow J C，曹军骥，李顺诚，等.PM2.5及其测量与影响研究简史[J].地球环境学报，2012，3(5)：19-29.

[24]　王新，聂燕，陈红，等.兰州城区大气PM2.5污染特征及来源解析[J].环境科学，2016，37(5)：1619-1628.

[25]　赵晨曦，王云琦，王玉杰，等.北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J].环境科学，2014，35(2)：418-427.

[26]　傅伟聪，董嘉莹，王茜，等.福州市冬季若干典型游憩地大气颗粒物浓度日变化规律研究[J].热带作物学报，2014，35(2)：348-354.

[27]　张仁健，王明星，戴淑玲，等.北京地区气溶胶粒度谱分布初步研究[J].气候与环境研究，2000，5(1)：8589.

[28]　娄彩荣，刘红玉，李玉玲，等.大气颗粒物(PM2.5/PM10)对地表景观结构的响应研究进展[J].生态学报，2016，36(21)：6719-6729.

(编辑/李旻)

作者简介：

曾元梓