若感兴趣，欢迎点击底部“阅读原文”或后台私信进行原文阅读![]()
绿地格局、空气质量和热环境三者之间的相互作用及其机制尚不清楚。本研究旨在确定城市森林模式指标(UFIs)在减少高污染冬季PM2.5和在炎热夏季降温方面的协同效益。选取中国江苏省7个城市的城市核心区作为研究案例，利用MODIS、Landsat 8、Sentinel-1和Sentinel-2遥感影像及产品数据进行研究。结果表明:在重度污染的冬季，面积、斑块密度、平均形状指数和聚集指数对PM2.5的总影响均为显著负向;面积对PM2.5的影响被地表温度抑制，其他UFIs对PM2.5的影响部分或全部被地表温度介导。在炎热的夏季，除斑块密度外，其余4种UFIs对地表温度的总影响均为显著负向。斑块密度对地表温度的影响被PM2.5抑制，其他UFIs对地表温度的影响被PM2.5部分介导。研究表明，增加城市森林斑块的面积、形状复杂性和聚集水平，可以在冬季高污染日降低PM2.5，在夏季炎热日提供降温。
1.引言
1.1. 研究背景
改善城市空气质量和热舒适已被确定为全球城市面临的两大挑战(Akbari et al.,2001;Ngarambe et al.,2021)。近几十年来，中国经济的快速增长导致了能源消费和生产的显著增加。工业污染物排放、机动车尾气排放等的增加，引发了严重而广泛的大气污染问题。2021-2023年中国1月份PM2.5年均浓度在56-59μg/m3(国家空气质量监测站数据)。这些水平远远高于中国国家空气质量标准(年平均值35μg/m3)和世界卫生组织空气质量指南(年平均值5 μg/m3)。暴露于高水平的空气污染会导致人们的健康问题甚至死亡(Cohen et al.,2017)。城市化进程极大地改变了城市形态和人们的生活方式。大量的自然和半自然土地被改造成不透水的表面和建成区。这一点，再加上人类活动加剧、能源消耗集中和气候变化，导致了城市热岛现象(Oke, 1982)和频繁的夏季热浪(Wong et al.,2021)。2022年，中国东部经历了自1961年以来最强烈的夏季热浪，持续79天，覆盖面积超过500万平方公里(Jiang et al.,2023)。热浪和城市热岛对人类福利和城市可持续性有许多不利影响，例如健康问题和死亡率增加(Kouis et al.,2019)以及能源消耗增加(Giridharan&Emmanuel,2018)。从原因的角度来看，减少工业和交通排放、人为产热和不透水地表面积是缓解城市空气污染和热量的有效途径。然而，这种削减是有局限性的，因为它们不应过分妨碍经济发展或人民生活质量的提高。因此，城市森林作为重要的城市绿色基础设施，已被认为是改善城市环境空气质量(Grylls&van Reeuwijk,2022)和热舒适(Kong et al.,2014)的长期、可持续和基于自然的解决方案。城市绿地的这两种生态系统服务在高污染的冬季和炎热的夏季尤为重要。城市森林可通过提供遮荫（保护土地表面免受太阳直接辐射）和蒸腾作用（将吸收的太阳能部分转化为潜热）有效冷却城市环境(Zhou et al.,2017)。转化为潜热(Zhou et al.,2017)。然而，城市森林在降低空气污染浓度方面的作用是复杂的。一方面，由于树木相对较大的表面积，树木可以帮助增强悬浮颗粒在树叶上的沉积和通过气孔的吸收(Abhijith et al.,2017)。另一方面，树木的多孔结构可以改变气流和湍流或产生局部逆温，从而阻碍污染物扩散或导致颗粒拦截或再悬浮(Buccolieri et al.,2018;Miao et al.,2021)。沉积对减少空气污染的影响总是积极的，而空气动力学的影响可以是积极的，也可以是消极的(Santiago&Rivas, 2021)。城市森林对空气质量的总体影响取决于沉积和空气动力学效应之间的平衡(Grylls&van Reeuwijk,2022)。据报道，城市空气污染与热环境之间存在复杂的相互作用(Ulpiani,2021)。空气污染对热环境的影响是不确定的，因为空气污染物对地表短波和长波辐射的影响相反(Cao et al.,2016)。热环境对空气污染的影响也是不确定的，因为城市高温和低温对湍流混合和混合层高度的影响不同，而湍流混合和混合层高度会影响空气污染物浓度(Ngarambe et al.,2021)。以上文献提出了城市森林、空气污染和热环境之间的影响路径，如图1(a)所示。颗粒物质污染和热浪往往是间歇性的，而不是持续性的(例如图S1和S2)。严重的空气污染和热浪更容易造成严重的生理和心理不适，对居民的健康构成严重威胁。虽然许多研究调查了热浪期间绿地模式与热环境之间的关系，但很少调查绿地模式对空气污染的影响，特别是在重污染事件期间。这些研究通常使用月或年平均数据(Lei et al.,2021;Li et al.,2023)。由于绿地形态的污染物去除能力随污染物浓度水平的变化而变化(Chen et al.,2016；Chen et al.,2019)，使用平均变量可能无法准确反映城市森林形态对空气的影响。更重要的是，城市绿地格局对空气污染和热环境影响的研究通常是分开进行的。例如，研究发现城市绿色基础设施斑块密度对PM2.5浓度有负面影响(Li et al.,2023)，对地表温度有积极影响(Masoudi &Tan,2019)。这意味着在规划城市绿色系统时，改变绿地的破碎化程度并不能同时达到减少空气污染物和提供冷却的目的。此外，这两项研究是在不同的时空背景下使用不同的数据集进行的，因此由于许多其他影响因素，结果可能不具有可比性。因此，有必要获得关于哪些ufi可以提供污染物去除和冷却的共同效益的可比结果。此外，鉴于城市绿地、空气污染和热环境之间的两两关系(图1(a))，只有少数研究关注绿地降低空气污染物浓度和提供冷却能力的中介机制。Liang等(2021)关注夜间热岛指数，探讨PM2.5在城市形态与夜间热岛指数关系中的中介作用。Xiang等(2022)讨论了气候条件对地表温度与气溶胶光学深度之间的关联的中介作用。两项研究都使用月平均数据来反映变量之间的年度关系。因此，需要进一步了解极端条件下城市森林污染物去除和降温能力的中介机制，如高污染日和热浪。1.3. 研究目标
在严重污染的天气中减少空气污染物，在热浪中提供冷却，可以显著提高居民的舒适度，并对健康有益。本区域研究旨在解决两个问题:首先，找出在冬季重污染日和夏季炎热日对PM2.5浓度和地表温度具有相同影响方向的共同UFIs;第二，探讨城市森林对PM2.5降低和热缓解的中介机制。通过在相同时空背景下的调查，研究结果可以根据特定UFIs的协同效益为当地城市绿色系统提供规划和设计策略，并可以丰富当前对城市森林，空气污染和热环境之间潜在机制的理解。研究过程(图2)如下:(1)选取中国江苏省一个典型的冬季污染日和一个夏季高温日，生成PM2.5浓度、LST和城市森林景观指标(UFIs)的日间截面数据集;(2)通过Spearman相关分析检验它们之间的相关性;(3)分别考察UFIs对PM2.5和LST在冬季重度污染日和夏季炎热日的总体影响。(4)分别检验了地表温度和PM2.5可以部分调节UFIs对PM2.5浓度和地表温度影响的假设(图1(b))。![]()
图2 研究流程图
江苏省位于中国东部沿海 (30°45′-35°08′N, 116°21′-121°56′E)，是长江三角洲不可分割的一部分。总面积107,200 km2，人口8500万。江苏是中国经济最发达、人口最密集的省份之一。该省具有典型的东亚季风气候，四季分明 (http://js.weather.com.cn)。受季风影响，江苏春秋季节短而温和，冬夏季节长而严酷。冬季通常寒冷干燥，平均气温4~5℃(中国气象资料服务中心，http://data.cma.cn)。根据2022年年度PM2.5浓度数据，江苏被《清洁空气中国(2023)》列为中国三个表现不佳的地区之一。夏季炎热多雨，平均温度为27-28℃，平均最高温度为33-34℃。首都南京被称为中国的“四大火炉”之一。初始是选择冬季污染严重的几天和夏季炎热的几天作为研究时段。MODIS和ASTER遥感数据通常用于地表温度的日常解译。然而，通过MOD11A1和MOD11A2等数据集对江苏省近年来的冬夏数据进行分析，发现存在大量的缺失值。因此，我们选择Landsat8 OLI/TIRS检索地表温度数据进行基线分析。MODIS数据仅用于敏感性测试和季节平均分析(第4.4节)。陆地卫星8号有16天的重访间隔，这意味着它每16天捕捉一次相同地点的场景。从区域上看，同一WRS2路径的场景是同一天采集的。为了获得相同时空设置下的数据，并覆盖更多的城市区域，我们选择了Path 120 Row 36-38的三个场景。最终选取三个场景覆盖的七个地级市的城市核心区作为研究区域，从北到南依次为连云港(LYG)、淮安(HA)、盐城(YC)、台州(TZ)、扬州(YZ)、镇江(ZJ)和南京(NJ)。我们基于自然特征(如河流)和人工特征(如主要道路)对遥感影像进行视觉解译，勾勒出每个城市的核心城区。这比使用城市地区的政治边界更合适，因为城市地区仍然包含大量的耕地。具体见图3。图3 图中显示了(a)江苏省的位置(灰色阴影部分)、(b)研究城市区域的位置(橙色阴影部分)、所使用的 Landsat8场景覆盖的整个区域(粉色线条部分)、六个场景的描述(右下角)以及研究区域所选两天的天气状况描述。(黑色虚线区域用于比较,每个城市区域的边界是根据相应的1×1km分析单元确定的)我们根据江苏省近三个冬季国家空气污染监测站的历史数据，生成了PM2.5的日平均浓度图。然后，我们过滤了云层覆盖小于15%的可用场景(通常使用的10%云层覆盖过滤器没有返回合适的结果)。最终选择2020年1月19日，因为其PM2.5浓度在所有日期中最高(图S1橙色点)。在过去的三个夏天，使用国家环境信息中心气象监测站的日平均温度数据，进行了同样的过程。2021年8月1日和2022年8月4日的场景符合云量小于15%的标准。通过从两个场景对比城区云分布情况，最终选择2021年8月1日。详细信息如图S2和S3所示。2.2. 数据源和数据处理
我们利用多源卫星数据生成PM2.5浓度、LST和UFIs三组感兴趣的变量，以及归一化植被指数(NDVI)、数字高程模型(DEM)、道路面积比例(road)、夜间灯光(NL)和人口分布(POP)三组控制变量。受PM2.5数据分辨率(1km)的限制，研究区建立了1×1km研究单元的网格系统。所有变量均在ArcGIS或ENVI平台上以相同分辨率生成。如果变量的初始数据具有较高的分辨率，则执行平均或重新采样程序。数据来源(表1)和处理过程如下所示。![]()
2.2.1. PM2.5数据
研究区2020年1月19日和2021年8月1日空间分辨率为1×1km的PM2.5浓度数据(图4)来自中国大气污染物(CHAP)数据集(https://weij-rs.github.io/ product.html)(Wei et al.,2021)。1×1km是PM2.5数据常用分辨率，已在若干区域研究中使用(Liang et al.,2021;Li et al.,2023)。CHAP数据集是一个长期、全覆盖、高分辨率、高质量的中国地面空气污染物数据集。该数据集包括PM2.5、PM10、O3、NO2等主要空气污染物。该数据集以MODIS为主要预测因子，利用地面测量、卫星遥感产品、大气再分析和模式模拟等大数据，考虑大气污染的时空异质性，采用人工智能方法开发。![]()
图4 PM2.5的空间分布
2.2.2. LST反演
我们在选定的两天内从美国地质调查局(https://glovis.usgs.gov)获取了Landsat8 OLI/TIRS图像。采用辐射传递方程算法(Jim´enez-Munoz et al.,2014)检索研究区域的地表温度(图5)。该过程基于以下方程实现:式中，Lλ为大气顶部辐射，ε为地表发射率，Ts为真实地表温度，L↓和L↑分别为向下和向上路径辐射，τ为大气透过率。B(Ts)表示由普朗克定律导出的黑体在Ts点的热辐射，可表示为:其中Landsat8 TIRS波段10K1=774.8853Wm-2sr-1μm-1, K2=1321.0789K。在此过程中，被云层覆盖的研究单元被移除。图5 地表温度的空间分布
2.2.3. UFIs的测量
UFIs是使用欧洲空间局基于Sentinel-1和Sentinel-2数据开发的ESA WorldCover土地覆盖产品生成的(Zanaga et al.,2021;Zanaga et al.,2022)。这些数据集包含11种土地覆盖类型，其中江苏省有8种。为了研究目的，我们将8种土地覆盖类型重新分类为4类，分别是:林地(树木覆盖和灌丛)、草地(草地和农田)、建成区(建成区和裸地)和水域(永久水体和草本湿地)(图6)。由于本研究的重点是城市森林，我们进一步将林地与Google Earth的高分辨率图像进行对比，并在重新分类后通过人工解译进行修改。![]()
利用景观格局指标量化城市森林的空间格局。为了使分析高效和简洁，并避免由高度相关的指标引起的多重共线性问题，只选择了四个指标，每个指标代表一个维度。这也得到了Masoudi&Tan(2019)的支持，他们得出结论，四个指标足以反映一个景观类别的空间格局。所选择的四个指标分别是景观百分比(PLAND)、平均形状指数(SHAPE_MN)、斑块密度(PD)和聚集指数(AI)，它们分别代表林地斑块的面积、形状、破碎化和聚集特征(McGarigal et al, 2012)(表2)。表2 本研究使用的景观指标(UFIs)
耕地面积百分比是衡量每个单位中林地面积比例的面积度量标准。当每个学习单元的面积相同时，耕地面积与班级面积相同。SHAPE_MN表示基于欧几里德几何的城市斑块平均形状复杂度。当斑块的形状是方形时，它等于1，当形状变得越来越不规则时，它无限制地增加。作为描述斑块周长和面积的指标，SHAPE_MN与边缘效应密切相关(Rogan&Lacher,2018)。PD是斑块的数量除以总面积。由于本研究中每个单元的总面积(1km2)相同，因此PD也为斑块数。当耕地面积保持不变时，更大的耕地面积代表更破碎的林地分布格局。AI是在林地占地比例的情况下，观察到的同类相邻关系数量与最大可能的同类相邻关系数量之比。在类的层面上，当斑块最大程度地分解且没有同类毗邻关系时，AI等于0;当斑块变得越来越聚集时，AI会增加；当只有一个单一斑块时，AI等于100。Fragstats v4.2用于所有计算。2.2.4. 控制变量
NDVI是植被生长的一个指标。它是通过测量被植被强烈反射的近红外光(NIR)与被植被吸收的红光(red)之间的差值来计算的。NDVI在LST检索中是一个中间值。公式为:DEM数据来自NASA航天飞机雷达地形任务(SRTM) (http://srtm.csi. cgiar.org)(Jarvis et al.,2008)，并为本研究重新采样到1公里分辨率。ROAD是在Fragstats v4.2中根据Open Street Map (https://www.openstreetmap. org/)的道路数据计算得出的，道路面积占每个单元的比例。NL和POP是两个社会经济变量，分别来自Wu等(2021a)和LandScan全球计划(Sims et al.,2022)开发的改进的dmsp-ols类数据集。2.3. 数据分析
2.3.1. 斯皮尔曼相关分析
进行相关分析以评估所有变量之间的双变量关联强度，并确定潜在的多重共线性问题。由于部分变量是离散的，并非所有变量都是正态分布，所以我们使用Spearman相关分析代替Pearson相关分析。这种非参数方法还可以减少异常值的干扰。2.3.2. 多元回归模型
采用普通最小二乘(OLS)方法下的多元线性回归模型，检验了选定冬季日UFIs对PM2.5的总影响和选定夏季日UFIs对LST的总影响。将每个UFI单独引入模型，并与控制变量一起进行测试。方程如下:采用稳健标准误差获得异方差下OLS系数的无偏标准误差。进一步计算方差膨胀因子(VIF)来检测每次回归后的多重共线性程度。VIF值为1表示变量之间没有相关性。1到5之间的值表示适度的相关性，这通常是可以接受的。大于5或10的值被认为是有问题的。2.3.3. 引导中介分析
为了进一步了解UFIs对PM2.5和LST影响的潜在机制，我们使用中介分析(图7)来检验(1)在选定的冬季，每个UFI (IV)通过LST (M)与PM2.5 (DV)之间的关系是否存在间接效应;(2)在选定的夏季，每个UFI (IV)通过PM2.5 (M)与LST (DV)之间的关系是否存在间接效应。常用的中介分析方法有三种:Baron&Kenny法(Baron& Kenny,1986)、Sobel检验(Sobel,1982)和bootstrap法(Preacher &Hayes,2008)。bootstrap法是目前最推荐的检查间接影响的方法。它是一种非参数重采样过程，可以通过重复采样数据集而不依赖于渐近正态性假设来建立间接效应抽样分布的经验逼近。我们计算了1000个bootstrap样本，并为统计估计产生了95%的偏差校正置信区间(BCIs)。 如果 BCIs不跨越零点，则间接效应显著。3. 结果
3.1. 描述性统计和相关分析
表3总结了PM2.5浓度、LST、UFIs和控制变量的描述性统计。冬季日均PM2.5浓度(105.24μg/m3)远高于国家24h标准(75μg/m3)，更远高于世界卫生组织指导值(15μg/m3)。夏季的地表温度值较高且变化较大。这是上午10点30分左右的地表温度(陆地卫星8号访问时间)。下午温度会高得多，特别是在下午2-3点左右，表明研究区夏季炎热问题非常严重。表3 各研究单元所有变量的描述性统计
相关分析结果如图8所示。所有UFIs与PM2.5和LST在这两天都有显著的相关性。在冬季，UFIs与PM2.5呈较强的负相关关系，而在夏季，除AI外，这些关系都是相反的。除PD外，UFIs在冬季与LST呈正相关，在夏季与LST呈负相关。UFI 冬日与PM2.5的相关性高于夏日，夏日与LST的相关性略高于冬日。 (橙色虚线区域突出了核心变量(即PM2.5、LST和UFIs)之间的相关性)
3.2. UFIs对PM2.5和地表温度的总影响
将四个UFIs(PLAND、PD、SHAPE_MN和AI)依次带入方程(5)，考察其对选定冬季日PM2.5浓度的影响。从表4(a)可以看出，规划署对PM2.5浓度有显著的负向影响，即城市森林面积百分比增加100%，PM2.5浓度降低20.4μg/m3。在耕地面积不变的情况下，每增加10个斑块，该研究单元的PM2.5浓度将降低2.7μg/m3。PM2.5浓度也会随着城市森林斑块形状的不规则化和聚集化程度的提高而降低。由公式(6)可知，在选定的夏季，所有UFIs对地表温度均有显著影响(表4(b))。PLAND、SHAPE_MN和AI具有降温效果。当城市森林覆盖率增加100%时，平均地表温度下降约3.4℃。随着城市森林斑块形状的不规则化和聚集化程度的提高，地表温度呈下降趋势。PD对地表温度有正向影响，即城市森林斑块数量越多，地表温度越高。每单位的斑块数减少10个，平均地表温度降低0.24℃。表4 UFIs对PM2.5和LST影响的回归分析结果
3.3. UFIs对PM2.5和地表温度的间接影响bootstrap结果(表5)显示，间接效应均显著。在选定的冬季，PLAND对PM2.5浓度的间接效应和直接效应呈现相反的迹象，表明地表温度对PLAND与PM2.5浓度的关系存在抑制作用(MacKinnon et al.,2000)。也就是说，假定的PM2.5下降24.3μg/m3(直接效应)仅为20.4μg/m3(总效应)，其中3.8μg/m3(间接效应)被地表温度抑制。PD和AI对PM2.5的总影响为负，其中LST对PM2.5的影响分别为11.9%和37.4%。SHAPE_MN的直接影响不显著，其置信区间为零。这表明SHAPE_MN对PM2.5的影响完全是由LST介导的。在选定的夏季日，当研究单位的PD减少10时，由于直接影响，地表温度应增加0.33℃;但由于PM2.5对0.09℃的抑制作用，最终总效应仅为0.24℃。PM2.5也分别介导了29.2%、22.8%和24.1%的PLAND、SHAPE_MN和AI对地表温度的负面影响。表5 bootstrap分析结果
4. 讨论
4.1. UFIs对PM2.5浓度的总体影响
结果表明，在重度污染的冬季，UFIs对PM2.5浓度的影响为负。城市森林对颗粒物浓度的影响是一个综合效应，包括空气动力效应、沉积效应和再悬浮效应，影响方向较为复杂。以往的大多数研究表明，城市绿地覆盖有利于缓解PM2.5污染，这与我们的研究结果一致。例如，Irga等(2015)在悉尼进行了为期一年的实地调查，发现绿地较少的地区PM2.5的平均浓度高于绿地较多的地区。Wu等(2015)，Chen等(2022)和Lu等(2018)基于北京和长三角地区全年空气质量监测站数据和遥感数据发现，植被显著降低了PM2.5浓度。然而，根据研究的规模，结果可能会有所不同。一些微观研究表明，城市森林对PM2.5的净化有负面影响。Abhijith等人(2017)对相关工作进行了深入研究，得出结论认为，在建筑密集的街道峡谷环境中，高层树木对空气质量有不利影响，而低层绿篱则能改善空气质量状况。Buccolieri等(2018)在回顾了微尺度计算流体动力学模拟研究后指出，植被无法改善空气质量，因为树木的空气动力学效应通常强于沉积效应。关于树木的沉积效应，有研究表明树叶表面积越大(如夏季)，沉积效果越好，减少的颗粒物越多(McDonald et al.,2007;Peper et al.,2007)。然而，更大的叶面积可能会增加整棵树的叶密度。这可能会改变相应的大气湍流和风流剖面，从而损害颗粒物的扩散(Hofman et al.,2016)。例如，Freer-Smith等(2005)发现针叶树通常比阔叶树更擅长净化空气。Miao等(2021)发现，从生长季到全叶季，树木减少颗粒物的能力随着冠层密度的增加而下降。Wang等(2020)发现，中密度树木比高密度树木更有效地去除颗粒物。这也许可以解释为什么在冬季，当大多数落叶树木失去叶子，城市森林以针叶树和低海拔常绿灌木为主时，UFIs通常会对PM2.5浓度产生负面影响。PD和SHAPE_MN对PM2.5浓度有负面影响，这与Lu等(2018)和Li等(2023)观察到的结果相匹配。城市森林斑块边缘多种植针叶树和常绿灌木。高的SHAPE_MN和PD意味着暴露在大气中的大表面和长边缘，这将导致高沉积和增强的边缘效应，以拦截颗粒物(McDonald et al.,2007)。代表城市森林斑块聚集水平的AI对PM2.5浓度呈负向影响。这与 Li 等(2021)和 Łowicki(2019 )的观点一致。一种解释是距离更近、更连续的森林斑块可以大大降低进入局部地区的风速(Tallis et al.,2011;Nguyen et al.,2015)。4.2. UFIs对LST的总影响
许多研究发现了城市环境中绿地数量的显著降温效应(Li et al.,2012;Li et al.,2013;Masoudi&Tan,2019;Ke et al.,2021)，特别是树木(Chen et al., 2014;Zhou et al.,2017)。我们的研究结果也证实了在炎热的夏季，PLAND有显著的降温作用。在夏季，通过繁茂的树叶，城市森林可以提供更多的遮荫，防止太阳的直接热量，并通过冠层蒸散发具有更高的潜热通量，从而降低地表和空气温度(Yao et al.,2020)。研究发现，在控制耕地面积的条件下，耕地面积对地表温度有正向影响。PD是景观破碎化程度的一个指标，但如果不知道景观的总规模，PD就无法传达这一信息。通过控制各单元的耕地面积，得出城市森林斑块越破碎，地表温度越高的结论。这一结果与Masoudi &Tan(2019)、Kong等(2014)和Li等(2012)的研究结果一致(2012)，但不同于Ke等(2021)和Yang等(2021)的结果。当总面积保持不变时，PD的增加意味着平均斑块大小的减小和总边缘的增加。较小的绿地面积可能会增加地表温度，因为较小和不连续的绿地比较大和更连续的绿地产生的冷却岛效应要小得多，而过小的绿地几乎没有或没有冷却效应(Cao et al.,2010)。然而，增加总边缘会产生相反的效果，因为更长的边缘可以增强能量流动和交换，并提供更多的阴影(Zhou et al.,2011;Li et al.,2013)。因此，PD对LST的影响是一种综合效应(Li et al.,2012)。此外，Li等(2013)和Masoudi&Tan(2019)认为，PD对地表温度的影响结果也取决于遥感图像的分辨率。当分辨率足够高时，识别出许多小斑块，这将增加PD，但这些小斑块的冷却效益并不显著，导致意想不到的结果。SHAPE_MN和AI对地表温度有负面影响，这与研究结果一致，即形状更复杂、聚集水平更高的城市绿地具有更好的降温效益(Estoque et al.,2017;Li&Zhou,2019;Guo et al.,2020;Ke et al., 2021)，包括专门针对树木的研究(Chen et al.,2014;Yao et al., 2020)。更复杂的形状有更长的边缘，这意味着更多的阴影和更活跃的能量交换，特别是在炎热的季节。斑块聚集越多，则会产生遮阳和蒸散的尺度效应。4.3. UFIs对PM2.5浓度和地表温度的间接影响
bootstrap分析的结果揭示了UFIs通过LST和PM2.5对PM2.5和LST的间接影响，这增加了新的发现。在重度污染的冬季，耕地对地表温度有负向影响，地表温度对PM2.5有负向影响，因此耕地通过地表温度对PM2.5的间接影响为正，抑制了耕地对PM2.5的总体负向影响。在炎热的夏季，PD通过PM2.5对地表温度的抑制作用的工作路径相似。冬季PD、SHAPE_MN和AI对PM2.5的间接影响和夏季PLAND、SHAPE_MN和AI对地表温度的直接影响具有相同的特征。这意味着中介效应的存在以及它们对总效应的部分或完全贡献。这些中介和抑制作用主要是由于在4.1和4.2中讨论的UFIs对PM2.5和LST的直接影响，以及PM2.5和LST之间的协同相互作用。PM2.5与地表温度之间的关系仍未得到很好的理解，因为它有许多影响因素。例如，气溶胶可以产生冷却效应，因为它们能够减少地面接收到的短波辐射，但它们也有可能增加长波辐射能量，这将增加地表温度(Cao et al.,2016)。UFIs诱导的高温增加了湍流混合，并将空气污染物推向更高的大气边界层，但白天短波辐射吸收的城市低温可以降低湍流混合及其层高，这两者都影响空气污染浓度(Fallmann et al.,2016;Swamy et al., 2017;Ngarambe et al.,2021)。我们的研究结果表明，根据选取的两个典型日的截面数据，PM2.5-LST的关系为负(图9)，这与之前的一些研究结果一致。Poli等(1994)发现罗马冬季地表温度与总悬浮颗粒物之间存在很强的负相关关系。Li等(2018)发现柏林夏季城市污染指数与城市热岛指数呈负相关。Wu等(2019)、Wang等(2021)和Wu等(2021b)确定了包括我们研究区域在内的长江三角洲地区白天热岛指数与PM2.5浓度之间的负相关关系。然而，也有研究得出相反的结果(Liang et al., 2021;Ngarambe et al.,2021)，这表明这种关系受到许多其他因素的影响或干扰，如地理位置、当时的气象条件、社会经济水平等。PM2.5-lst关系是上述因素和过程综合作用的结果，会影响UFIs对PM2.5浓度缓解的中介作用。图9 部分回归杠杆图 显示了(a)选定冬季日的LST (IV)和PM2.5(DV)之间的关系，(b)选定夏季日的PM2.5(IV)和LST(DV)与控制变量之间的关系。4.4. 敏感性试验及与季节平均分析的比较
进行了四次敏感性试验以检验结果的稳健性。首先，我们去除因变量中最低5%和最高5%的值，并重新进行所有统计分析。结果(表S1和表S2)与基线回归一致，但在重度污染冬季，PLAND通过地表温度对PM2.5的间接影响不显著。其次，我们删除了一个控制变量NL，发现结果(表S3和S4)与基线分析相同。第三，我们在分析中用PM10代替了PM2.5。PM10是另一种常用的空气污染指标，是空气中10µm或更小的颗粒物。PM10浓度通常与PM2.5浓度相关。PM2.5和PM10会对人体产生不同的健康影响(Janssen et al.,2013)。结果的一致性(表S5和表S6)表明，结论可以应用于PM10污染控制。第四，我们选择了覆盖一个污染过程的连续的冬季污染天数和覆盖一个热浪的夏季炎热天数来验证结果。除SHAPE_MN对夏季日数的直接影响不显著外，所有影响的显著性和方向(表S7和表S8)均相同。从而验证了结果的稳健性。在不同的条件下，效应大小可能会有所不同。同时发现，PLAND通过地表温度对PM2.5的间接影响在冬季污染日的显著性是脆弱的。除了敏感性测试外，我们还使用冬季(2019年12月-2020年2月)和夏季(2021年6月-2021年8月)PM2.5和LST的平均值作为季节数据来分析两者之间的关系进行比较。总效应的显著性和方向(表S9和S10)与基线分析一致。对比季节平均回归系数和基线回归系数，我们发现城市森林模式在冬季重度污染日对PM2.5的去除能力强于冬季平均水平。这一发现与Chen等(2016)的研究一致，该研究发现，在PM2.5水平较高的季节，绿化覆盖率与PM2.5浓度之间存在更强的相关性。在夏季气温较高的天气，城市森林的降温能力弱于夏季平均水平。这一结果与Yao等(2020)的研究结果相矛盾，Yao等人发现，绿地在8月份的降温效果优于5月份。一种可能的解释是，尽管城市森林模式的冷却能力在温暖季节很强，但它们可能与温度没有线性关系。随着夏季气温的持续升高，植物的生理功能和遮阳作用减弱，植物的降温能力可能达到阈值或下降(Teskey et al.,2015)。此外，值得注意的是，这些差异也可能归因于使用来自不同传感器的数据。用于季节平均分析的MODIS数据是每日数据的汇编产品，其中包含研究区域的大量缺失值。这一事实也可能导致系数的差异。4.5. 对城市规划和设计的启示
在城市规划和更新的背景下，根据研究结果确定了几种常见的城市森林设计策略。提供更大面积的城市森林既可以在高污染的冬季降低PM2.5浓度，又可以在炎热的夏季提高热舒适性。然而，由于有限的土地资源和竞争激烈的土地利用需求，大幅度增加城市核心的城市森林面积是一项挑战。草原不像树木那样具有遮阳作用，其蒸散作用非常有限；草地几乎没有空气动力效应，其沉积效应也很弱。这些表明，在减少空气污染和温度方面，草原不如森林有效。因此，将部分城市草地改造为城市森林是合理的。增加城市森林斑块的形状复杂性和聚集水平也有助于降低PM2.5和地表温度。添加更多复杂形状的边缘不仅可以提供更多的阴影，还可以围绕它们设计更多活跃的公共空间。通过扩大斑块面积、连接相邻斑块或缩短斑块之间的距离等策略，可以提高城市森林的聚集水平，形成城市森林的规模效应。然而，我们应该谨慎对待城市森林斑块的破碎化程度，因为它在严重污染的冬季降低PM2.5浓度和在炎热的夏季降低LST的效果不同。4.6. 局限性及进一步研究
这项研究有几个局限性。首先，它仅限于选定的研究日期和区域。由于一些限制，我们只选择了冬季一个典型污染日和夏季一个典型炎热日(见2.1和图S1-S3)。而且本研究仅针对江苏省。未来的研究可以在更多的天数和区域进行，进一步探索城市空气质量、热环境与城市绿化关系的空间异质性和梯度差异。其次，受数据可得性的限制，本研究的整体空间分辨率受限于PM2.5数据的空间分辨率，即1×1km。因此，在每个单元中平均分辨率较高的变量，包括LST和NDVI。这种处理可能造成信息丢失，削弱结果的解释力。如4.1节所述，城市绿地对PM2.5浓度的影响可能因研究规模而异。如果可能的话，未来的研究应该使用更高分辨率的PM2.5数据来补充和验证不同尺度上的现有结果。第三，研究了城市树木改善城市空气质量和热环境的直接效应和间接效应。然而，其他景观类型，如水体，也可能有这样的影响(Lu et al.,2018;Yu et al.,2020)。大气污染物不仅包括PM2.5、PM10，还包括O3、NOx、SO2、CO等。近年来，江苏省的臭氧污染问题日益严重。因此，研究不同城市景观类型对不同大气污染物和降温的综合影响具有重要意义。最后，利用多源遥感数据进行中观研究。未来应该使用来自空气污染物、空气温度和三维城市绿色结构的现场观测同步数据，以获得微观和人类尺度的关系，以更好地促进城市设计。5. 结论
改善城市空气质量和热舒适是城市面临的两大挑战，对人类健康和城市可持续发展具有重要影响。人们普遍认为城市森林对空气质量和热环境具有重要影响，但很少有研究探讨它们之间复杂的相互作用。为了提出城市森林在重污染日降低PM2.5浓度、炎热日降温的通用设计策略，本研究首先选取典型的冬季污染日和夏季高温日，基于多源遥感数据生成PM2.5浓度、LST、UFIs和控制变量的截面数据集。在此基础上，分析了不同区域ufi对PM2.5浓度和地表温度的总体影响。最后，分别探讨了UFIs对PM2.5浓度和地表温度的间接影响。从组成(PLAND)和构型(PD、SHAPE_MN和AI)维度描述了城市森林的形态。我们发现，除夏季高温天气的PD外，所有UFIs对PM2.5浓度和LST均有显著的负向影响;UFIs对PM2.5和LST的间接影响均显著，证明了三组核心变量的综合相互作用。具体而言，在重度污染的冬季，地表温度部分抑制了规划署对PM2.5的影响。LST对PD和AI对PM2.5的总影响的贡献分别约为12%和37%，SHAPE_MN对PM2.5的影响完全由LST介导。在炎热的夏季，PD对地表温度的正向作用被PM2.5浓度所抑制。PM2.5浓度分别介导了29%、23%和24%的PLAND、SHAPE_MN和AI对地表温度的总影响。为了实现城市森林格局在污染物去除和降温方面的协同效应，建议增加城市森林斑块的面积、形状复杂性和聚集度，同时注意其破碎化程度。
doi:10.1016/j.scs.2024.105309. Wei Cao, Wen Zhou, Wendong Yu, Tao Wu. Combined effects of urban forests on land surface temperature and PM2.5 pollution in the winter and summer, Sustainable Cities and Society, 2024, 104: 105309.
