确定用于减轻街道峡谷中PM2.5浓度的最佳绿化率阈值：结合LiDAR、CFD技术及可解释机器学习方法

《Journal of Hazardous Materials》：Identifying optimal green plot ratio thresholds for mitigating PM 2.5 in street canyons: Integrating LiDAR, CFD, and explainable machine learning

　　摘要
植被对城市街道峡谷中的PM2.5扩散有着显著影响，但在此尺度上，气动力作用与沉降作用之间的相互作用仍缺乏准确量化。本研究综合运用激光雷达、YOLOv8、情景分析以及计算流体力学方法，分别构建了西安某真实街道峡谷的精确3D几何模型，确定了用于估算PM2.5排放量的交通流数据，并模拟了该区域的PM2.5分布情况。通过实地测量对模型进行验证，结果一致性良好（R2 = 0.91，RMSE = 1.87 μg/m3）。研究显示，密集或具有阻碍作用的植被会形成低风速区域，抑制通风，从而增加近地面处的PM2.5浓度；同时，沉降作用有助于去除颗粒物，其中0.3米高度的矮灌木比4.5米和7.5米高度的树木更具效果。在所测试的各种配置中，街道两侧种植低矮树篱、中间可选配树木的方案在降低行人所在高度的PM2.5浓度方面表现最佳，这类配置既能保持良好的空气流动，又能增强近地面沉降作用，其浓度平均相对差异分别为-2.49%和-0.34%。通过Shapley加性解释方法进一步分析后，发现绿地比例是影响PM2.5浓度的最关键因素，同时研究还得出了具有实际应用价值的阈值范围：当绿地比例为0.54至0.56时，可有效降低PM2.5浓度。这些研究结果表明，要在街道峡谷中有效控制PM2.5，需通过合理规划植被布局，在气动力抑制与沉降增强之间找到平衡，这为基于机制导向的城市绿化设计提供了定量依据。

引言
城市化带来了诸多城市问题，包括空气污染、热岛效应以及交通拥堵[1]–[6]。其中，直径小于或等于2.5微米的细颗粒物PM2.5因其能深入呼吸系统和循环系统，被视为全球性的公共卫生威胁[7]。全球约有94%的人口每年所处的PM2.5浓度超过世界卫生组织规定的5 μg/m3的标准[8]–[9]，由此导致的死亡人数相当可观——据估计，全球每年有23万人因短期暴露于高浓度PM2.5而死亡[11]，仅2021年中国就有211,400人死于肺癌[12]。除了健康危害外，PM2.5还会降低能见度[13]–[15]，干扰光合作用[16]–[17]，并降低生态系统生产力[18]–[19]。因此，控制城市中的PM2.5污染至关重要，这也与多项联合国可持续发展目标相契合。在城市中，交通排放是PM2.5的主要来源，约占全球PM2.5浓度上升总量的36%[20]。在由高楼环绕的狭窄街道峡谷中，由于建筑的高度与宽度比较大，通风条件受限，车辆尾气难以散去，从而导致行人所在高度的PM2.5浓度升高[21]。因此，了解街道峡谷中与交通相关的PM2.5的空间分布及扩散机制，对于设计有效的空气质量改善措施极为重要。

植被被广泛视为缓解PM2.5污染的天然解决方案，其主要作用机制是通过叶片表面的颗粒沉降来去除污染物[22]–[25]。在城市或社区尺度上，较高的植被覆盖率通常与较低的污染物浓度相关[26]–[27]。然而在街道峡谷尺度上，植被的作用要复杂得多，且往往会产生反效果。虽然沉降作用能去除颗粒物，但树木和树篱带来的气动力阻力会削弱峡谷内的通风效果，降低污染物扩散速度，进而导致污染物在局部积累[28]–[29]。具体而言，植被对PM2.5的扩散具有双重影响：其一为气动力作用，即通过增加表面粗糙度及冠层阻力，降低平均风速并抑制湍流动能，从而阻碍污染物在水平和垂直方向的传播；其二为沉降作用，即通过颗粒在叶片表面的干沉降直接去除污染物。这些过程还受到街道形态的影响，尤其是高度与宽度比，它决定了气流类型，如贴地流、尾流干扰流或孤立粗糙流，进而影响街道峡谷的污染物捕获能力[30]；同时，局部风速与风向、气温及相对湿度等微气候条件也会对这些过程产生影响，而这些因素又会与植被布局产生非线性相互作用。现有研究表明，在空间有限的街道峡谷中，不利的气动力作用往往超过沉降作用的益处，除非对植被进行精心规划，否则近地面PM2.5浓度仍会偏高[32]。这种因尺度不同而产生的权衡，再加上峡谷形态与微气候的影响，凸显出必须准确量化这两种作用机制，才能为有效的绿化策略提供依据。

尽管目前常用的研究方法包括现场测量、风洞实验以及计算流体力学模拟，用于研究街道峡谷中的PM2.5扩散现象[33]–[36]，但由于能够精细刻画复杂的流体与污染物相互作用，基于ENVI-met等模型的计算流体力学方法已成为分析植被影响的强大工具[3]–[38]。不过，现有的计算流体力学研究在输入数据方面存在诸多限制。首先，排放数据通常基于经验估算的交通流量，而非高时间分辨率的直接测量数据，这带来了较大的不确定性[39]–[40]；其次，建筑物和植被的几何形状描述过于简化——建筑物的轮廓多来自二维遥感数据，高度信息也是粗略推断而来，而植被则采用通用模板建模，无法反映现实中树木高度、树冠体积、冠层密度及叶面积分布的多样性[41]–[43]。这些缺陷降低了模拟的可靠性，也难以准确量化植被在实际街道峡谷中的气动力作用与沉降作用之间的竞争关系。

为指导实际的绿化工作，一些研究试图探索PM2.5浓度与各种植被指标之间的关系，如天空视域因子、绿地比例、绿色体积比例以及绿色覆盖度等[44]–[46]，并运用回归分析、随机森林等方法来分析这些关联[45]–[49]。然而，这些研究尚未找到能在街道峡谷尺度上实现最大程度降低PM2.5浓度的最优植被布局，也未完全阐明各类指标与浓度变化之间的因果关系。因此，城市规划者在设计能够有效降低行人暴露于PM2.5风险的植被布局时，仍然缺乏量化的操作指南。

本研究针对中国西安雁塔北路的真实街道峡谷开展了研究，该区域地形复杂且交通流量极大，正好可以用来弥补现有研究的不足。本研究的目标共有三点：第一，通过基于YOLOv8的车辆检测技术从交通视频中获取准确的每小时PM2.5排放数据，并利用地面激光雷达点云数据重建建筑物及单株树木的高精度3D几何模型，从而提升模拟的准确性；第二，量化不同植被配置对行人所在高度PM2.5扩散及滞留程度的平均气动力作用与沉降作用的影响；第三，超越传统的相关性分析方法，借助可解释的机器学习技术（SHAP分析）来确定各植被指标的重要性，揭示其与PM2.5浓度之间的非线性关系，并找出能够实现污染物净减少的植被配置。所有分析均在稳态RANS框架下进行，因此仅能在给定的输入流量与排放条件下对不同植被场景下的平均PM2.5浓度进行比较，无法体现瞬时涡流驱动的污染物传输及浓度瞬变现象。相应地，研究结果可视为对不同植被配置下PM2.5平均浓度变化的对比分析。

与以往的研究相比，本研究在方法论和分析手段上有所创新。其主要贡献如下：第一，基于激光雷达的精确3D几何模型重建。本研究直接利用地面激光雷达点云数据构建建筑物和植被的3D模型，并将其作为计算流体力学模拟的输入，避免了以往研究中常用的过度简化的几何假设；第二，基于YOLOv8的实时交通排放数据生成。通过YOLOv8对象检测技术从现场视频中提取每小时交通流量及车辆构成信息，进而转化为计算流体力学模拟所需的每小时排放数据，从而实现了对实际街道中昼夜间排放变化的精准模拟；第三，基于计算流体力学与SHAP分析的可解释性研究及阈值确定。本研究将空间计算流体力学模拟结果与基于SHAP的可解释机器学习方法相结合，用以确定与植被相关的结构指标的重要性，揭示植被配置与PM2.5浓度之间的非线性关系，进而确定出能够有效降低PM2.5浓度的绿地比例阈值范围。

本文的其余部分结构如下：第2节介绍研究区域、数据来源及研究方法，包括计算流体力学模型的建立、验证过程以及植被配置方案；第3节呈现研究结果并进行分析讨论；第4节总结主要研究发现及其实际意义。

研究整体流程
本节概述了本研究的方法框架，也为第2节的内容提供指引。如图1所示，本研究流程共分为四个连续阶段，分别对应第2.2节研究区域与数据收集、第2.3节计算流体力学建模框架、第2.4节植被配置方案设计与结构指标、第2.5节统计与机器学习分析。第一阶段为研究区域与数据收集，涉及交通等相关领域的实地数据收集工作。

结果与讨论
本节按照从模拟得到的浓度分布情况，到对气动力作用与沉降作用机制的模型解析，再到基于可解释机器学习的分析，最后是设计建议的顺序来呈现研究结果与讨论内容。第3.1节比较了不同植被配置下的PM2.5分布情况；第3.2节分析了气动力抑制作用与颗粒沉降作用之间的竞争关系；第3.3节确定了最具影响力的植被指标及其阈值特征；第3.4节则为全文做总结。

结论
本研究通过计算流体力学模拟，探讨了植被配置对城市街道峡谷中PM2.5扩散的影响。主要研究结论如下：首先，通过结合基于激光雷达生成的精确3D几何模型与基于YOLOv8的实时交通排放数据，成功再现了实测的PM2.5浓度分布，相关拟合优度达R2 = 0.91，为不同植被配置方案的对比提供了可靠的基础；其次，植被通过气动力作用与沉降作用两种机制共同影响PM2.5浓度，在街道峡谷尺度上，这两种作用往往相互竞争，既可能降低也可能升高行人所在高度的PM2.5浓度。通过研究，我们确定了关键的绿地比例阈值范围为0.54–0.56，同时也找到了最优的低矮树篱配置方案，这些成果为实际城市绿化提供了可行的参考依据。

利益冲突声明
作者声明不存在任何可能影响本研究结果的已知财务利益或个人关系。

致谢
本研究得到了以下项目的支持：秦岭北坡城市地下水战略储备与开发利用关键技术项目（XBY-ZDKJ-2023-10）、陕西省自然科学基金项目（2024JC-YBQN-0304）、陕西省重点研发计划项目（2024NC-YBXM-241）、陕西省痕量污染物环境监测预警重点实验室项目（SHJKFJJ202319），以及国家自然科学基金项目。

作者名单
顾斌、陈海龙、王政、陈妙仪、李璐、陈普豪、裴琳、郭腾跃、马旭英、胡荣明、朱晓伟
中国陕西西安710054，西安科技大学测绘学院