【《社区尺度PM2.5浓度变化的影响因素分析案例》9600字】

我国中小企业的技术创新研究社区尺度PM2.5浓度变化的影响因素分析案例目录TOC\o"1-3"\h\u21644社区尺度PM2.5浓度变化的影响因素分析案例 12811.1模型构建 225641.2模型优化与性能分析 69561.3PM2.5浓度变化的多因素贡献分析 16本小节主要介绍研究社区尺度PM2.5浓度变化及其影响因素，所采用的模型及相应的结果分析。如图3-6所示为社区尺度PM2.5浓度统计回归建模与制图技术框架。该框架主要分为3个部分：第一个部分是，数据收集与预处理。响应变量（因变量）为各监测点的PM2.5浓度，预测变量（自变量）为多源的地理要素数据分析，分为道路交通、气象因子、土地利用、背景浓度四类，所有的数据均匹配到监测点并取平均值，具体的预处理方法已经在3.1节进行过详细介绍；第二个部分是，统计回归建模及模型检验。以各监测点的PM2.5浓度为响应变量，建立基于多元线性回归方法的土地利用回归模型和半参数广义加性模型，并采用交叉检验等方法对模型进行对比分析，选出最佳的模型；根据最佳模型所筛选出的显著变量，分析归纳显著变量与PM2.5浓度变化之间的内在联系；第三个部分是，社区尺度PM2.5浓度空间分布制图。用第二部分所确定的最佳模型来预测实验区域其他位置的PM2.5浓度，并在GIS中划分精细的网格（50m*50m）,绘制PM2.5浓度模拟图。接下来将详细论述建模过程及相关的结果分析。图3-6社区尺度PM2.5浓度统计回归建模与制图技术框架Fig.3-6TheframeworkofmodelingandmappingPM2.5concentrationontwoneighborhoodareas1.1模型构建1、半参数广义可加模型由前面几节分析可知，在实验阶段内，近地面细颗粒物（PM2.5）浓度的难以确定是交通排放的结果，还是气象因素改变的结果，因此，需要将气象因素、交通排放等因素对PM2.5浓度变化的影响效果进行分离，分析不同因素对近地面PM2.5浓度变化的影响作用。在本章中，我们采用广义相加模型(generalizedadditivemodel,GAM)来描述交通、气象、土地利用类型等和细颗粒物浓度的时空波动特征之间的关系。由于在GAM模型中没有关于参数关系的前提假设[86]，因此，它是研究变量之间复杂的非线性关系非常适用的模型。根据HastieandTibshirani（1990）[219]在《GeneralizedAdditiveModels》一书中的介绍，GAM模型可以用公式表述为：log其中，yi表示第i个样本，β0表示GAM截距，SjxijGAM模型在建立过程中使用惩罚回归样条函数（penalizedregressionsplines）自动进行光滑参数（smoothingparameters）的选择。光滑参数使用严格的最大似然法进行确定，而置信区间数值的确定则使用无条件贝叶斯方法（unconditionalBayesianmethod）。在计算过程中，使用R语言环境（R-2.11.1）中的gam方程（由mgcv程序包提供）对所建立的GAM模型进行求解运算。在GAM模型自变量参数的选择过程中,AIC（AkaikesInformationCriteria）指标被用于评价每个自变量对输出结果的潜在影响当一个自变量被加入到GAM模型中时，GAM模型输出结果的AIC指标值减少10以上，则该自变量才能被GAM模型选中。R2（determinantcoefficient）被用于解释GAM模型的输出结果对目标因变量波动的解释程度。此外，使用t检验对模型输出结果进行整体检验分析，使用F检验对各变量的结果进行检验分析。GAM模型中因变量对单个自变量波动的响应使用部分响应曲线进行表示。为了更加清晰地表征目标变量对每个自变量波动的响应，本章节使用边际效应概念进行深入的分析。边界效应（M）指的是当自变量发生改变时，因变量数值相对于其总体均值的偏移量，如公式所示：M=100×其中，x表示自变量，s(x)表示变量x的光滑方程。为了分析试验期间PM2.5浓度波动与各种影响因素之间的关系，所建立的GAM方程以PM2.5浓度为因变量，因此，初始建立的PM2.5浓度的GAM方程可以表达为：log其中，可供使用的候选自变量包含PM2.5的背景浓度（PM2.5_Background）；气象因素（Meteorologicalparameterss），包含风速、风向、温度、相对湿度、露点温度、大气压强6个变量；路网密度（Roadnetworks），包括主干道长度、支路长度和地铁线长度3个变量；交叉口密度（Intersectiondensitys）；交通流流量（Trafficvolumes）；公共交通站点密度（Publictransportationstopdensitys），包括公交站数量、地铁站数量；休闲服务场所（Leisureservicessμ=2、土地利用回归模型构建土地利用回归模型最初作为欧盟资助的“空气质量和健康在小区域尺度上变化”项目(SAVIAH)其中的一部分，是由Briggs等人在GIS环境中开发的一种基于回归的交通相关空气污染的绘图方法[220]。众多研究人员采用标准的线性回归来建模，通常运用前向、后向或最佳子集自动选择的方法来从预测变量中选择使R2最大化的变量，进而建立一个更加简约的模型。另外，土地利用回归模型的残差是独立的，表明普通的最小二乘回归可用于获得有效的预测模型，本研究使用浓度的对数，是为了能够得到更好地近似残差的正态分布。该模型的自变量与因变量同上一小节中的半参数广义加性模型，则以研究区域每个监测点采集到的大气污染物PM2.5浓度的平均值作为响应变量（因变量），以交通流流量、土地利用类型和气象数据等作为预测变量（自变量）建立的土地回归方程，具体的公式如下：y=其中，y代表每个监测点PM2.5平均浓度；x0为区域参考浓度值，x1……1.2模型优化与性能分析1、模型的优化不论是基于多元线性的土地利用回归方程还是半参数的广义加性模型，都需要确定响应变量的分布型及其对应的连接函数。图3-7是徐汇和闵行实验区域的PM2.5浓度的分布型QQ图。Q-Q图是一种使用图形的方式比较两种概率分布的方法，如果分布一致，则数据点应落在45度的直线上。使用数据集与正态分布进行比较，结果如图3-7所示，可以看出在2个数据组中，数据点基本都分布在45度直线上，因此可以说明两个实验区域的数据集都具有较好的正态分布特征，故可以选择连接函数为Logitlink:g(z)=log(z/(1-z))。使用浓度的对数，不仅能够更好的达到近似残差的正态分布，减少计算时的误差，使其更符合模型的特征，而且还能使模型中变量的贡献从绝对的变成相对的[221]。在土地利用回归模型和半参数的广义加性模型中，都需要消除预测变量之间的共线性影响，本研究是采用本章第一小节中的皮尔森相关系数，通过变量之间的皮尔森相关系数（Pearson）来判断预测变量之间是否存在共线性的关系，如果存在，则在选择进入模型的变量时舍掉其中一个。土地利用回归模型较为简单，可以在IBMSPSS中直接进行求解，故下文将着重介绍半参数广义加性模型选择最佳模型的过程。图3-7PM2.5浓度的分布型（a）徐汇区PM2.5浓度正态QQ图（b）闵行区PM2.5浓度正态QQ图Fig.3-7Distributionofresponsevariableandlinkfunctions(a)Q-QplotforPM2.5concentrationsinXuhuiDistrict(b)Q-QplotforO3concentrationsinMinhangDistrict通过参考相关文献及对预测变量进行拟合分析，大致确定每个待选择的预测变量在半参数广义加性模型中是作为参数部分还是非参数部分，进而建立初步的广义加性模型结构。构建初步模型的时候，同时要建立等效模型（equivalentmodels），如选择一组包含多个不同预测变量的数据集，来构建多个可行的模型，或者选择相同的预测变量，进行不同形式的组合。假设所选用的数据集中含有i个预测变量，则i个解释变量进行不同的组合构建的模型数量为CiModel1：YModel2:……Modeli：Y在对构建的多个等效模型（equivalentmodels）进行估算的时候，既要考虑模型的拟合优度，也要考虑拟合曲线的光滑度。广义加性模型经常使用的关于对光滑参数进行估计的方法主要有两种，分别是赤池信息准则（AIC，akaikesinformationcriteria）和广义交叉验证的偏差（GCV，generalizedcross-deviance）。对模型进行估算的目的是为了选出能够满足研究要求并且达到研究目标的优化模型。选择最有模型的过程是采用全子集回归的方法，假设是含有n个预测变量的回归，除去空白集合外，还有2n-1个变量子集，全子集回归就是从所有的等效模型中，根据评价指标的大小，选择出解释能力最强的最优回归方程。图3-8等效模型的调整R2（a）闵行实验区域（b）徐汇实验区域Fig.3-8AllsubsetsregressionresultsforcandidateGAMmodels.(a)Minhangstudyarea;(b)Xuhuistudyarea.根据本文中预测变量与响应变量之间的关系，在进行非线性分析的过程中，选择出来的最优化模型应该满足一下两个条件，第一个是，最优化的半参数广义加性模型中所有与PM2.5浓度时空变化相关的影响因素所求得的F检验结果、T检验结果或者P值等均达到显著水平；第二个是，在满足所有影响因素都能达到显著水平的情况下，通过赤池信息准则（AIC，akaikesinformationcriteria）和广义交叉验证的偏差（GCV，generalizedcross-deviance）、R2等模型的评价指标，选出最适合该样本的优化模型。一般而言，当赤池信息准则或者广义交叉验证的偏差数值达到最小的模型为最适合该样本的优化模型。由于本文所选用的预测变量种类和数量都相对较多，而R2值会根据预测变量数量的增加而增大，进而导致过拟合的问题，所以本文选择AIC、GCV和调整R2用来估算模型的解释能力。图3-8展示了等效模型全子集回归的结果。另外，为了进一步保证模型的准确性，还要采用交叉验证，如leave-one-out交叉验证或者10-foldcross-validation(10-CV)进行验证，以便能够推广该最优模型。本文采用10-foldcross-validation(10-CV)，即十折交叉进行验证。首先将所采用的数据集分成10分，并将其中一个数据集从全部数据集合中取出，使用剩余的数据集去估算取出来的子数据集的值，使用估计值与真实值进行比较来判断估计值的好坏。交叉验证将遍历所有的子数据集，逐一取出来计算估计值与真实值之间的偏差，最后计算残差的汇总值。计算结果如表3-3所示，当标准均方根接近于1并且均方根尽量小的时候，残差越小，因此模型的效果较好。具体的结果分析将在下一节进行介绍。2、建模结果分析表3-3半参数广义加性模型和土地利用回归模型的预测变量半参数广义加性模型土地利用回归模型闵行(N=24)AIC=-16.05loglog徐汇(N=36)AIC=-20.43loglog为了降低模型参数的共线性和提高模型的可解释性，在建模之前，我们根据相关系数的大小排序进行变量选择。首先将9个类别中的63个原始变量按照其与PM2.5日平均浓度的相关性在同一类别中依次升序排列，然后选择同类别中排序高的变量，并剔除同类别中与排序高的变量具有强相关性的其他参数(一般是Pearson>0.6的标准)。经过上述计算，最后闵行区实验保留了13个变量，徐汇区实验保留了17个变量,如表3-3所示，消除共线性的预测变量。在R语言环境下使用gam函数对所建立的GAM方程（5-5）进行求解运算，得出PM2.5浓度波动对各个自变量因素变化的边际响应曲线图，在IBMSPSS软件中输入所有剩余变量到95%置信区间的逐步线性回归，对所建立的LUR方程（5-5）进行求解。表3-3总结了最终进入半参数广义机型模型和土地利用回归模型的预测变量，其中N代表监测点的个数，也是数据集的记录总数。其中，PM2.5−Background代表实验区域的背景浓度，at代表温度，tv_100代表缓冲区半径为100m时的交通流流量，vege_100代表缓冲区半径为100m时的绿地，sr_300代表缓冲区半径为300m时的支路长度，ap代表大气压强，mr_50代表缓冲区半径为50m时主干道长度，com_100代表缓冲区半径为100m时的商业用地，high_50代表缓冲区半径为50米的楼层平均高度，park_100代表缓冲区半径为100m时停车场个数，tv表3-4GAM和LUR模型之间的性能对比与分析研究区域拟合优度交叉验证AdjR2RMSE(ug/m3)AdjR2RMSE(ug/m3)GAMLURGAMLURGAMLURGAMLUR闵行0.920.836.809.570.870.827.5510.03徐汇0.870.787.5312.150.810.7510.6315.21如表3-4统计了GAM和LUR模型性能，其中GAM方程（5-5）中参数β0估计值分别是5.1538(闵行)和3.5687(徐汇)，ε估计值分别是0.0056（闵行）和0.0078（徐汇）。闵行区实验GAM的拟合结果是0.92，交叉验证的结果是0.87；徐汇区GAM拟合结果是0.87，交叉验证的结果是0.81，说明两个实验区域所建的GAM模型均能较好的解释PM2.5浓度的波动，大致能够解释PM2.5浓度总体波动的89.5%（闵行）和84%（徐汇）。同时，闵行和徐汇的两个GAM模型均具有较低的均方根误差。本研究还建立了闵行和徐汇两个研究区PM2.5拟合浓度和实测浓度之间的线性回归方程，闵行区的回归系数是0.874，徐汇区的回归系数是0.856，两者的拟合值与实际测量值的线性关系如图3-8（a）和（b）所示，其中虚线表示1:1的基准参考线，位于参考线上的点表示实际测量值和预测值是完全相等的。从图中可以看出，本文所研究建立的GAM模型计算得到的预测值与实际测量值之间的偏差较小，而散点较为均匀的分布在回归参考线两侧。为进一步验证GAM模型拟合后的稳定性与可靠性，本研究还选用了十折交叉检验的方法来检验GAM模型的拟合预测能力。如图3-8（c）和（d）所示，十字交叉验证得到的预测值与实测值也比较均匀的分布在1:1的回归参考线两侧，说明预测值和实测值得偏差较小。经过验证后发现，调整R2分别为0.87（闵行）和0.81（徐汇）。十折交叉验证得到的R2值对模型的拟合能力可以更加准确的进行解释，也就表明了该模型可以解释87%闵行实验区的PM2.5浓度变化和81%的徐汇实验区的PM2.5计算结果还显示，LUR模型也能较好的与数据吻合。两个模型相比较，闵行研究区LUR模型调整后的R2为0.83，徐汇研究区调整后的R2为0.78；GAM模型相应的调整R2值分别为0.92和0.87。这表明GAM模型优于LUR模型，具有较低的均方根误差和较高的调整R2。GAM模型拟合与交叉验证结果的对比，模型交叉验证后R2值分别为0.87和0.81，低于模型拟合值，说明GAM模型可能略有过拟合。但是GAM模型的均方根误差明显低于LUR模型，而交叉验证R2值也明显高于LUR模型。因此可以得出，GAM模型在考虑影响因素与PM2.5浓度之间的线性和非线性关系时，虽然有轻微的过拟合，但仍然可以显著提高模型的预测精度。图3-9GAM模型拟合和十折交叉验证结果散点图。（a）和（b）分别与闵行和徐汇研究区的GAM模型实测值和预测值的散点拟合图；（c）和（d）分别与闵行和徐汇研究区十字交叉实测值和预测值的散点拟合图Fig.3-9ScatterplotsofthefittingandvalidatingresultsoftheGAMmodels.(a),(b)isthefittingresultsoftheGAMmodelscomparedwiththeobservationsintheMinhangandXuhuistudyareas,respectively;(c),(d)isthe10-foldvalidatingresultsoftheGAMmodelscomparedwiththeobservationsintheMinhangandXuhuistudyareas,respectively.图3-9展示了部分具有代表性的GAM模型作为候选模型的子集回归结果，其中每一行代表一个候选GAM模型，模型调整后的R2自下而上地增加（调整R2精确到百分位），越靠近图形的上部，模型调整的R2越大，也就代表模型的拟合效果越好。每一列显示GAM模型中的一个变量，颜色越浅意味着更重要。根据焦利民等人[222]的报告，我们从一组调整R2值较大但自变量较少的模型中选择最优的GAM模型，然后进一步计算AIC，以确定本研究采用的最优GAM模型。为了避免过拟合，当多个候选的GAM模型有相近或者相同的调整R2时，我们以AIC值最小来确定最终的模型。以闵行区为例，进一步观察调整R2最大5个模型，模型参数显示，从第4个模型开始逐渐减少，临近顶部的模型预测变量的数量逐渐减少，为了防止过拟合现象，选择模型参数较少的模型作为最优模型，因此本文所选取的备选的GAM模型为前4个模型。基于赤池信息量准则（AIC），AIC数值越小，越能更好的解释数据的特征，并且包含较少的自由参数，所以选取了AIC值最小的模型，第三个模型，此时AIC的值为-16.05，该模型作为最优的预测模型。闵行实验区所选择这个模型的每个预测变量均达到了95%的显著水平。徐汇实验区在确定最优模型时，验证每个预测变量是否均达到了95%的显著水平步骤比较复杂。根据上述挑选最优模型的步骤，徐汇实验区将第4个模型作为选取的最优模型，但在利用该模型进行GAM回归分析获得各预测变量的显著性时可以发现，park_100（缓冲半径为100时停车场的数量）未能达到0.05的显著性水平，去除该变量后将此模型与之前的模型进行对比，得到该模型的AIC依然为最小，且调整R2依然为0.87，因此继续保留该最终模型。我们还选取了其他没有达到0.05显著性水平的变量一一进行验证，比如inter_100(缓冲半径为100时交叉口的数量)，在能够保证模型调整R2依然为0.87的前提下，删除了显著性水平未达到0.05的变量。经过筛选，最终模型中全部预测变量都达到了0.05的显著水平，模型的调整R2也达到了所有备选模型中最大的值。1.3PM2.5浓度变化的多因素贡献分析根据自变量和最优模型的选择标准，最优的GAM和LUR模型如表3-4所示，最优模型筛选出的显著预测变量如表3-5所示。另外，本研究还计算了最优模型中预测变量之间的相关性，避免由于共线性造成模型的误差。结果表明，这些变量之间仅存在弱相关或中度相关，闵行实验区的皮尔逊相关系数为-0.21-0.52，徐汇实验区皮尔逊相关系数为-0.37-0.58.尽管其中有几个变量之间存在中度相关性，但最终所有的变量都被纳入了最优模型，尽可能更多的提供影响污染物浓度变化的独特的、不可替代的作用。由表3-4可得，最优的GAM和LUR模型所选择的显著变量大致相似，能解释所有监测点80%以上的PM2.5浓度的变化，由表3-5可得，气温、风场因素、交通流流量、主干道长度、支路长度、绿地、商业用地、建筑高度等作为预测变量具有显著的统计学特性，对PM2.5浓度变化的贡献率为4.6%-39.7%。另外，同一类性的预测变量，在不同的研究区域，最佳的缓冲半径也是有区别的。比如，闵行研究区交通流量的最佳缓冲半径是100m，而徐汇研究区交通流流量的最佳缓冲半径为50m，大概是跟路网的密度有关，徐汇区路网的密度要高于闵行区，因此徐汇区交通流流量的最佳缓冲半径相对较小。表3-5GAM模型中各系数的F检验F-statistic%ofvariancep-valueMinhanglog(Pm2.5_bc)18.531.6%<0.001tv_10012.623.5%<0.001g(at)9.515.2%<0.001g(u,v)7.812.6%<0.001g(vege_100)4.96.7%0.029g(sr_300)3.24.6%0.031Xuhuig(tv_50)31.639.7%<0.001g(ap)13.218.6%<0.001g(high_50)10.815.6%<0.001g(mr_100)7.59.7%<0.001rh4.66.3%0.037g(com_100)3.85.2%0.041*%ofvariance代表最佳的GAM模型中预测变量对采样点PM2.5浓度的变化贡献率。PM2.5_bc=背景浓度、tv_100=缓冲半径为100m的交通流流量、at=温度、（u、v）=风场因素、vege_100=缓冲半径为100m的绿地及广场面积、sr_300=缓冲半径为300m的支路长度；tv_50=缓冲半径为50m的交通流流量、ap=大气压强、high_50=缓冲半径为50m的建筑物平均高度、mr_100=缓冲半径为100m的主干道长度，rh为相对湿度、com_100为缓冲半径为100m的商业用地面积。表3-5列出了所有显著的影响因素，统计显著指标P值很小(p<0.05)，表明预测变量与对应的PM2.5浓度之间存在显著的统计学关系。然而，这些关系因不同类别和地点(城市或郊区)而异。例如，作为城市中心社区，徐汇实验区的PM2.5浓度主要与半径为50m缓冲区内的交通量、气压、建筑物平均高度，半径为100m缓冲区内的主干道长度有较强的相关性。而位于郊区的闵行实验区域的PM2.5浓度主要与大气污染物的背景浓度、气温、风场因素，半径为100m缓冲区内的交通流量、绿地面积及半径为300m缓冲区内的支路总长度有关。相同实验区域的最佳影响缓冲区半径也不相同。例如闵行实验区绿地和广场的缓冲半径为100米，支路长度的缓冲半径为300米。图3-10和3-11分别列出了闵行区和徐汇区GAM方程中PM2.5浓度对各个预测变量变化的边际响应曲线，图中实线表示预测变量的拟合加性函数，灰色区域表示计算结果的95%置信区间，横坐标短轴上的短线表示样本频率。注意，平滑曲线的形状表明，影响变量是用平滑项而不是参数项线性拟合而成。如果拟合线是直线，说明光滑项的估计自由度接近1，描述两个变量之间的线性关系。从不同的响应曲线可以看出，预测变量与对应PM2.5浓度之间的关系错综复杂。在徐汇和闵行两个研究区，实测PM2.5浓度对交通流流量和一些气象因素(如气温、气压)的变化都很敏感。这些预测变量对实测PM2.5浓度的贡献率较高（%ofvariance），如徐汇实验区缓冲半径为50m的交通流流量对PM2.5浓度的贡献率达到39.7%，背景浓度对闵行区PM2.5浓度的贡献率达到31.6%,但是这些变量的响应曲线具有较宽的误差范围，特别是在样本集的两端，我们认为这是样本数量不足的结果[223,224]。因此，未来还需要更多的样本来更好地解释PM2.5浓度与这些关键影响因素之间的关系。在闵行实验区，背景浓度是最显著的变量，贡献性最高，且与样本PM2.5浓度是线性关系，这与前人的研究一致。细颗粒物由于其均质性较高，在被排放以后会在空气中迅速均匀化，因此很容易受到背景浓度波动的影响。但粗颗粒物由于其异质性较高，因此在产生以后会更容易在排放源附近沉降，其受背景浓度的影响也相对更弱一些。另外，常晶晶等人[225]在做上海市郊区类似研究时，建立的以PM2.5浓度为因变量的土地利用回归模型，考虑区域背景浓度和不考虑的情况下，回归方程的R2结果分别是0.878和0.821,同样揭示了在研究此类问题时，考虑细颗粒物的背景浓度的重要性。在两个实验区域，交通流流量都是显著变量。闵行实验区缓冲半径为100m的交通流流量，其贡献率达到了23.5%，仅次于背景浓度，为第二贡献因素，其与样本PM2.5浓度也是线性关系。但在徐汇实验区，缓冲半径为50m的交通流流量对PM2.5浓度变化的贡献率最大，达到了39.7%。PM2.5浓度随着交通流流量增加持续上升。在交通流流量小于4000vel/h时，PM2.5浓度的增长率较大，但当其超过4000vel/h时，随着交通流流量的增加，PM2.5浓度的增长率逐渐减小，甚至趋于平缓。这可能是因为当交通流流量增加到一定数值时，会发生交通堵塞，车速缓慢甚至于停滞，单位时间内所有车辆排放的污染物总量达到了动态的平衡。这暗示了相较于交通流流量的小幅增加，交通拥堵的加剧对于细颗粒物浓度变化具有更为消极的影响。另外，可以观察到，两个实验区域的交通流流量的缓冲区都比较小，为50m和100m,说明交通排放具有小尺度的变化特征。这与之前的研究一致，机动车排放（移动源）是造成PM2.5污染的重要因素。在交通和其他来源的空间格局驱动下，PM2.5浓度在小范围内变化剧烈[226,227]。两个研究区域的GAM模型也都包含道路长度变量，贡献率分别为4.6%（闵行）和9.7%（徐汇），但其缓冲半径都在100m以上，这可能与PM2.5是交通排放二次过程产物有关，汽车尾气需要经过复杂的物理化学反应生成PM2.5，故其在小范围内对交通排放的敏感度不及一次排放物如一氧化碳、黑炭等[228]。闵行实验区PM2.5浓度开始随支线道路密度的增大而增大，但当缓冲区内支线道路的总长度超过200m时，随着支线道路密度的增大，PM2.5浓度反倒开始下降。机动车交通量会随着当地道路密度的增加而增长，而当道路网络的密度足够供行人和自行车通行时，非机动交通流量也会增加。支路是道路系统的重要组成部分，主要承担短距离交通。当支路路网较密集时，非机动车出行将会变得更加方便，就会抑制机动车的交通流量[226]。徐汇实验区PM2.5浓度随主干道路网路密度的增大而增大。当主干道路总长度小于400m时，PM2.5浓度增加比较缓慢；而当主干道路总长度大于400m时，PM2.5浓度呈现出快速增长。这可能是因为随着主干道路长度的增加，交通流量也会增加，进而产生较多的交通排放。闵行实验区其他