Table of Contents

Введение

Городская среда все больше страдает от плохого качества воздуха и повышенных температур, обусловленных плотным движением, промышленными выбросами и обширными непроницаемыми поверхностями. В ответ города по всему миру обращаются к зеленой инфраструктуре - деревьям, кустарникам, зеленым крышам и паркам - как к природному решению. Но как именно городская растительность влияет на местные уровни загрязнителей воздуха и микроклиматы? Ответ на этот вопрос требует сложного моделирования, которое фиксирует сложные взаимодействия между растениями, атмосферой и городской формой. Эта статья обеспечивает углубленный взгляд на методы, данные, приложения и будущие направления моделирования воздействия городской зелени на окружающую среду. Понимание этих моделей имеет решающее значение для планировщиков, политиков и исследователей, стремящихся создать более здоровые, более пригодные для жизни города.

Понимание городской растительности и ее экологических функций

Городская растительность не является однородным ресурсом. Различные виды зелени предлагают различные функции и преимущества. Деревья, например, обеспечивают тень, перехватывают твердые частицы и выделяют влагу посредством испарения. Крубы и грунтовое покрытие могут предлагать меньше покрова, но могут снижать температуру поверхности и захватывать загрязняющие вещества вблизи земли. Зеленые крыши и вертикальные сады приносят растительность в плотные застроенные районы, где пространство на уровне земли ограничено.

Механизмы очистки воздуха

Растения удаляют загрязнители воздуха по нескольким путям. Сухое осаждение является основным механизмом: газы и частицы прилипают к поверхности листьев и позже смываются дождем или включаются в кутикулу листьев. Усвоение стоматита также удаляет газообразные загрязнители, такие как диоксид азота (NO2) и озон (O3). Одно большое дерево может перехватить до 60 граммов твердых частиц в год, в то время как плотный городской лес может снизить концентрации ТЧ10 на 10-25% локально.

Регулирование микроклимата

Растительность изменяет микроклиматы через затенение и испарение. Затененные поверхности могут быть на 20–45 ° F (11–25 ° C) холоднее, чем незатененные, и испарение может снизить температуру окружающего воздуха на 2–9 ° F (1–5 ° C). Этот эффект, известный как смягчение воздействия городского теплового острова , наиболее выражен в районах с ограниченным зеленым пространством.

Моделирование подходов к воздействию городской растительности

Ученые используют ряд методов моделирования для моделирования того, как растительность изменяет концентрации загрязняющих веществ и микроклиматические условия. Выбор модели зависит от исследовательского вопроса, пространственного масштаба, имеющихся данных и вычислительных ресурсов.

Модели вычислительной динамики жидкостей (CFD)

Модели CFD, такие как OpenFOAM и коммерческие коды, такие как ANSYS Fluent, решают уравнения Навье-Стокса для решения моделей воздушного потока вокруг зданий и растительности с высоким разрешением (1-10 м). Растительность обычно представлена в виде пористой среды с силами сопротивления и источниками тепла / влаги. Эти модели могут имитировать дисперсию загрязняющих веществ из уличных каньонов, влияние посадки деревьев на вентиляцию и распределение температуры. Однако CFD является вычислительно интенсивным и часто ограничена небольшими доменами (несколько городских кварталов).

Моделирование большого Эдди (LES)

LES - это усовершенствование CFD, которое явно разрешает большие турбулентные вихри при параметризации меньших. Он захватывает турбулентное смешивание, которое приводит к дисперсии загрязняющих веществ и теплообмену. Модели LES использовались для изучения оптимального размещения деревьев в уличных каньонах, чтобы избежать улавливания загрязняющих веществ. Исследование 2020 года в Загрязнение окружающей среды показало, что густонаселенные деревья могут уменьшить вентиляцию и увеличить концентрации NO2 на уровне пешеходов, если не тщательно расположены, что подчеркивает необходимость сложного моделирования.

Дисперсионные модели (гауссовские и лагранжевые)

В более крупных масштабах (соседство с городом) используются модели дисперсии, такие как AERMOD и CALPUFF. Эти модели упрощают физику атмосферы, но могут включать в себя растительность в качестве раковины для загрязняющих веществ с использованием скоростей осаждения. Хотя они менее детализированы, чем CFD, они менее требовательны к вычислительным данным и могут работать по целым городам.

Наземные модели поверхности (LSM)

LSM моделируют потоки энергии, воды и углерода между поверхностью земли (включая растительность) и атмосферой. Модель Земли сообщества (CLM) и Урбан Тетис-Хлорис являются примерами. Они предсказывают, как изменения в индексе площади листьев (LAI) влияют на температуру поверхности, влажность и разумный тепловой поток. В сочетании с погодными или климатическими моделями LSM могут оценить региональное влияние городского озеленения.

Эмпирические и статистические модели

Статистические подходы — множественная регрессия, машинное обучение и регрессия землепользования — соотносят наблюдаемое качество воздуха и температуру с предикторами, такими как нормализованный индекс разности растительности (NDVI), покров древесного полога и расстояние до зеленых насаждений. Эти модели требуют больших наборов данных, но могут быть быстро калиброваны. Хорошо известным примером является модель i-Tree Eco (]i-Tree), которая оценивает удаление загрязняющих веществ и хранение углерода с использованием данных деревьев, измеренных полем, и локальных записей качества воздуха.

Ключевые показатели и параметры для точного моделирования

Все модели опираются на точные данные. Качество входов напрямую влияет на надежность выходов. Ключевые параметры включают:

  • Индекс листовой площади (LAI): Общая площадь поверхности листа на единицу площади грунта. LAI влияет на скорость осаждения, затенения и эвапотранспирации. Высокие виды LAI (например, лиственные дубы) являются более эффективными загрязнителями, чем низкие хвойные LAI летом.
  • Растительная высота и плотность полога: Высокие деревья с плотными навесами блокируют больше солнечного излучения, но также могут снизить скорость ветра и улавливать загрязняющие вещества вблизи земли, если их посадить на узких улицах.
  • Стоматическая проводимость: Контролирует поглощение газообразных загрязнителей. У растений C3 и C4 разные показатели проводимости, влияющие на удаление озона и NO2.
  • Кадастры выбросов: Для определения источников загрязняющих веществ необходимы точные карты выбросов в дорожном движении, промышленности и жилых помещениях.
  • Метеорологические данные: Скорость ветра, направление, температура, влажность и солнечное излучение приводят к дисперсии и осаждению. Модели часто полагаются на данные метеостанций или продуктов повторного анализа, таких как ERA5.
  • Городская геометрия: Высота здания, ширина улицы и ориентация определяют вентиляцию каньона и затенение узоров.

Модель валидации и анализа чувствительности

Прежде чем полагаться на модельные прогнозы, ученые должны проверить их на основе полевых измерений. Это включает сравнение смоделированных концентраций загрязняющих веществ и температур с данными станций мониторинга или мобильных кампаний. Анализ чувствительности помогает определить, какие параметры наиболее влияют на результаты. Например, исследование 2018 года в Атмосферная среда показало, что изменение LAI с 2 до 4 в модели CFD снизило концентрации PM2.5 на уровне улицы на 12%, но пористость кроны дерева оказала больший эффект, чем LAI. Такие выводы определяют приоритеты сбора данных.

Влияние на качество воздуха: специфические последствия загрязнения

Растительность влияет на различные загрязнители по-разному.

Материя твердых частиц (PM2.5 и PM10)

Осаждение на поверхности листьев является основным путем удаления. Хвойные деревья с высоким LAI и грубой корой собирают больше ТЧ круглый год, чем лиственные деревья. Моделирующие исследования показывают, что увеличение древесного покрова на 10% в жилом районе снижает ТЧ2,5 на 1-4 мкг/м3. Однако деревья также могут выделять летучие органические соединения (ЛОС), которые способствуют образованию вторичного органического аэрозоля (SOA), усложняя чистый эффект.

Диоксид азота (NO2)

Моделирование моделей предполагает, что уличные деревья могут снизить концентрацию NO2 на 5-15% на открытых участках, но в плотных уличных каньонах снижение вентиляции может компенсировать эти преимущества. Тщательное пространственное планирование, например, с использованием изгородей, а не высоких деревьев, может улучшить удаление при сохранении воздушного потока.

Озон (O3)

Озон реагирует с поверхностями растений и поглощается устьицами. Однако деревья также выделяют биогенные ЛОС (БЛОС), особенно изопрен и монотерпены, которые в присутствии NOx образуют озон. В совместном модельном исследовании 2021 года в Природоустойчивость , посадка дополнительных 1,2 миллиарда деревьев в континентальных США сократила O3 до 3 ppb в некоторых регионах, но увеличила его на 1-2 ppb в городских районах с высоким уровнем выбросов БЛОК. Интегрированное моделирование необходимо для предотвращения непредвиденных последствий.

Преимущества микроклимата: смягчение жары на острове и тепловой комфорт

Городская растительность охлаждает окружающую среду посредством двух основных процессов: затенение и эвапотранспирация. Затенение уменьшает солнечное нагревание поверхностей, в то время как эвапотранспирация преобразует разумное тепло в скрытое тепло, понижая температуру воздуха.

Снижение температуры воздуха и поверхности

Моделирование исследований показывает, что увеличение городского покрытия навеса деревьев с 20% до 40% может снизить местные температуры поверхности на 3-5 ° C и температуры воздуха на 1-2 ° C в течение летних дней. Зеленые крыши, хотя и менее эффективны на площадь, чем деревья, охлаждают оболочку здания и снижают потребность в энергии охлаждения. Широко цитируемая модель программы NASA Urban Heat Island ] обнаружила, что сочетание зеленых крыш с отражающими тротуарами может компенсировать эффект городского теплового острова на 0,5-1,0° C в городах средней широты.

Индексы теплового комфорта

Модели теперь включают показатели теплового комфорта, такие как Физиологическая эквивалентная температура (PET) или Универсальный индекс теплового климата (UTCI) . Растительность улучшает комфорт за счет снижения лучистой тепловой нагрузки. Моделирование на площади Барселоны показало, что добавление деревьев с LAI 4 уменьшает ПЭТ с 42 ° C до 34 ° C в жаркий день, сдвигая условия от «очень горячего стресса» к «горячему стрессу».

Интегрированные рамки моделирования

Недавние усилия направлены на то, чтобы связать модели качества воздуха и микроклимата с моделями роста растительности. Например, модель WRF-Chem представляет собой модель погодной химии, которая может включать в себя онлайн-выбросы растительности и осаждение. Схемы городского навеса, такие как BEP-BEM (Параметризация эффекта строительства - Модель энергии здания) могут включать зеленые крыши и деревья. ENVI-met Программное обеспечение ENVI-met широко используется для микромасштабного моделирования, которое сочетает воздушный поток, энергетический баланс и растительность. Эти интегрированные структуры позволяют более комплексную оценку сопутствующих выгод и компромиссов.

Тематические исследования и практические применения

Суперблоки Барселоны

Программа «Суперблоки» в Барселоне реструктурирует уличные сети в экологически чистые зоны с ограниченным трафиком. Моделирование с использованием CFD и ENVI-met предсказывает, что преобразование типичного блока может снизить концентрацию NO2 на 25% и снизить летние температуры воздуха на 2,5 ° C. Мониторинг после внедрения подтвердил эти преимущества, подтвердив подход к моделированию.

Фактор городской зелени Лондона

Лондонская политика по фактору городской застройки (UGF) требует новых разработок для достижения минимального балла на основе типов зеленых покрытий. Для установления кредитов использовались такие модели, как i-Tree — более высокие баллы для деревьев и зеленых крыш. Политика, принятая в 2022 году, направлена на увеличение покрытия навеса на 10% к 2050 году.

Зеленый план Сингапура на 2030 год

Сингапур уже давно использует моделирование для управления своим видением «города в саду». Моделирование с сопряженными моделями поверхности земли и дисперсии показало, что добавление 200 км придорожных насаждений может снизить уровень ТЧ2,5 на 30% в коридорах с высоким трафиком. Правительство теперь предписывает зеленые буферные зоны вдоль основных дорог.

Практические применения для городского планирования

Результаты моделирования непосредственно определяют решения по территориальному планированию:

  • Уличные деревья: Модели помогают избежать «захвата загрязнения» в каньонах, рекомендуя деревья с высокими стволами или пористыми формами.
  • Зеленые коридоры: Непрерывные полосы растительности облегчают охлаждение потоков и создают «оазисы охлаждения», которые расширяют преимущества для окружающих районов.
  • Зеленые стимулы крыши: Микроклиматические модели количественно оценивают экономию энергии в зданиях, оправдывая субсидии.
  • Сценарии i-дерева показывают, какие виды деревьев максимизируют удаление загрязняющих веществ на единицу площади посевных площадей.

Проблемы и ограничения

Расчетные затраты

Моделирование CFD высокого разрешения по всем городам по-прежнему невозможно. Большинство исследований сосредоточено на небольших доменах, ограничивающих масштабируемость. Будущие экзафлопсные вычисления могут позволить динамическое моделирование в масштабе города в течение десятилетия.

Дефицит данных и неопределенность

Во многих городах отсутствуют подробные запасы растительности, кадастры выбросов и метеорологические данные. LAI и продукты растительного покрова, полученные со спутника (например, из Landsat, MODIS), предлагают прокси-серверы, но имеют пространственное разрешение 30-250 м, не хватает мелкомасштабной неоднородности.

Модельное представление биологических процессов

Модели растительности часто упрощают фенологию, водный стресс и воздействие вредителей. Неожиданная засуха или вспышка болезни могут резко изменить ожидаемые выгоды.

Непреднамеренные последствия

Как отмечалось, выбросы БЛОК могут ухудшить озоновый слой. Пыльца, образующаяся в результате воздействия деревьев, поражает аллергиков. Водно-болотная растительность может выделять метан. Всестороннее моделирование должно учитывать эти компромиссы.

Будущие направления

Машинное обучение и гибридные модели

Искусственные нейронные сети и случайные леса могут изучать сложные отношения из больших наборов данных, снижая вычислительные затраты. Появляются гибридные модели, которые сочетают моделирование на основе физики с эмуляцией ML, например, с использованием суррогата глубокого обучения модели CFD для быстрого тестирования сценариев.

Интеграция с дистанционным зондированием

Спутниковые LiDAR (например, GEDI, ICESat-2) и гиперспектральные датчики теперь обеспечивают 3D структуру растительности и данные о здоровье в глобальных масштабах. Усвоение этих данных в модели улучшит параметризацию LAI и высоты навеса.

Наука и недорогие датчики

Сети недорогих датчиков температуры и ТЧ (например, PurpleAir, AirNow) генерируют данные о наземной истине с беспрецедентной плотностью. Модели могут быть откалиброваны с использованием этих наборов данных с краудсорсингом, повышая локальную точность.

Цифровые модели-близнецы

Городские цифровые двойники — виртуальные копии городов — будут интегрировать данные о растительности в режиме реального времени с моделями качества воздуха и микроклимата. Городские планировщики будут использовать эти инструменты для интерактивного проектирования зеленых сценариев и оценки их воздействия до внедрения.

Заключение

Моделирование влияния городской растительности на местные уровни загрязнителей воздуха и микроклиматы является мощной, развивающейся дисциплиной. От моделирования CFD до эмпирической статистики модели предоставляют доказательства того, что стратегически размещенная зелень может уменьшить загрязнение воздуха и смягчить тепловой стресс. Однако модели так же хороши, как и их входы и предположения. По мере развития вычислительной мощности, доступности данных и междисциплинарного сотрудничества эти инструменты станут еще более необходимыми для градостроителей, приверженных устойчивости и общественному здравоохранению. Инвестирование в надежное моделирование растительности сегодня поможет построить более зеленые, прохладные и чистые города завтрашнего дня.