郑州市大气可吸入颗粒物浓度变化的小波分析

杨书申,杨春丽,郑明凯

(中原工学院,郑州 450007)

郑州市大气可吸入颗粒物浓度变化的小波分析

杨书申,杨春丽,郑明凯

(中原工学院,郑州 450007)

对郑州市2005-2010年大气可吸入颗粒物浓度(PM10)的变化特征进行了分析,利用小波分析法对郑州市PM10日浓度变化曲线进行了消噪滤波分析,并结合郑州市的气候条件,讨论了造成郑州市 PM10变化规律的原因.结果表明:郑州市PM10质量浓度在夏季达到最低值,冬春季节污染较严重,这与郑州所处的地理位置、自然环境以及气候、气象条件有直接关系;郑州市大气污染物中的PM10污染得到了一定控制,但二氧化硫污染天数增加较多,应该注意SO2污染的控制;小波分析后的浓度曲线较好地把由于偶然因素造成的高频信号消除,清晰显示出污染物浓度的变化规律,小波分析法在PM10浓度变化规律的分析中有明显优势.

大气可吸入颗粒物(PM10);小波分析;信号去噪

郑州市是中原城市群的中心,位于河南省中部偏北地区,北临黄河,地理位置位于东经 112°42′～114°14′、北纬 34°16′～34°58′.近年来 ,郑州市经济社会迅猛发展,同时也带来了一些大气环境质量问题.虽然环境整治力度不断加强,但郑州市的大气颗粒物污染仍较严重[1-4].因此,对郑州市大气可吸入颗粒物(PM10)进行深入研究,有针对性地采取科学措施治理大气PM10,具有十分重要的意义.本文利用小波分析法(Wavelet Transform)分析了郑州市近年来PM10的质量浓度变化规律,并讨论了郑州市近年来影响PM10变化的主要因素.

1 郑州市2005—2010年 PM10浓度变化

1.1 数据来源

郑州市PM10浓度数据,主要来自国家环保总局信息中心制作发布的《中国重点城市空气质量日报》.《中国重点城市空气质量日报》由中国环境监测总站汇总了全国113个大城市对国家《环境空气质量标准》中规定的常见污染物例行监测的结果,评价城市的空气质量,并以空气污染指数(API)的形式向公众发布,包括二氧化硫(SO2)、二氧化氮(NO2)和可吸入颗粒物(PM10).空气质量公报的主要内容有:空气污染指数、空气质量级别和首要污染物,空气质量为优时无首要污染物.

分析过程中将空气质量日报中的污染指数换算为质量浓度[2].

1.2 郑州市2005—2010年PM10总体质量浓度特征

2005—2010年郑州市城区空气质量天数分布见表1,首要污染物天数分布见表2.从表1、表2可以看出,2005—2010年,空气质量达到良以上的天数,从2005年的300 d——占全年天数的82.2%,逐年增加到2008年的326 d——占全年天数的89.3%,随后又逐年减少,到 2010年变为 318 d——占全年天数的87.1%.近年来,城区空气质量呈现恶化趋势.郑州市首要污染物的分布显示,其中可吸入颗粒物污染得到了一定控制,有减少的趋势,但二氧化硫污染天数增加较多且居高不下.

图1—图3分别表示2005—2010年郑州市 PM10浓度的年度、月、季节平均分布.可以看出,除了2008年市区PM10年平均浓度值好于国家二级标准(0.100 mg/m3)外,其余年份都超过了国家二级标准,并且出现了鞍形分布,2008年最低.PM10月平均浓度值和季节平均浓度值均显示,在郑州市,常规年份都是 PM10冬季(每年的12月和次年的1、2月)污染最重,春季(3-5月)、秋季(9-11月)污染稍轻,夏季(6-8月)污染最轻,一般污染最轻的夏季PM10平均质量浓度低于年平均值的国家二级标准.以上说明郑州市PM10污染随季节变化特征明显.

表12005—2010年郑州市空气质量天数分布

表22005—2010年郑州市大气首要污染物分布

图32005—2010年郑州市PM10浓度的季节变化

2 PM10浓度变化的小波分析

大气环境质量由于受多种因素的影响,使得污染物浓度时间序列数据有很大的无规律变化,其中有许多是由于偶然因素造成的,这些因素严重影响其变化规律的分析和处理.消除偶然因素造成的变化,分析污染物浓度的变化规律,从信号处理的角度来看是典型的去噪处理[5].

对时间序列数据去噪的传统方法,主要有移动平均法、传统滤波法、卡尔曼滤波法和维纳滤波法[6].传统滤波法的一个典型例子是采用傅立叶(Fourier)变换,它是信号数字处理中的重要手段,在信号处理中得到普遍应用.傅里叶变换将时域信号变换到频域,认为低频信号是有用信号而高频信号一般为噪声.它要求有用信号和噪声的频谱相互分开;同时,由于 Fourier变换中采样间隔都是常数,时间域与频率域之间彼此是整体刻画,不能用于局部分析.对污染物浓度时间序列来说,波动性都比较大,频谱比较宽,有用信号和噪声谱重叠比较严重,污染物浓度时间序列数据本身具有非平稳、非线性和信噪比高的特点,采用传统的去噪处理方法往往存在诸多缺陷,难以实现信噪的有效分离[7].

小波分析法(或小波变换法)是近几年发展很快的一种多尺度分析工具,它是根据时频局部化的要求而发展起来的,具有自适应和数学显微镜性质.与传统的傅里叶变换相比,小波变换对于不同的频率分量具有不同的时间分辨率,能够提供信号在时频域上的局部化特征,特别适合非平稳、非线性信号的处理[8-9].利用小波变换去噪,其实质就是用不同中心频率的带通滤波器对信号进行滤波,把那些主要反映噪声性质的成分去掉,得到质量较好的观测数据.它是一种窗口面积恒定、窗口形状(时域窗口和频域窗口)可变的时频域局域化分析方法,在低频段具有较高的频率分辨率和较低的时间分辨率,在高频段具有较高的时间分辨率和较低的频率分辨率,可以对信号的任意细节加以分析,实现了时频窗口的自适应变化,具有时频分析局域性.

小波变换理论的一个重要特色是可以进行多分辨率分析.通过这种多分辨率分解,信号和噪声通常会有不同的表现,从而可达到信噪分离的目的.将小波变换用于信号去噪,能在去噪的同时而不损坏信号的突变部分,是一种对信号局部频谱分析比较理想的数学工具.小波变换广泛应用于信号处理、地震勘测、图形处理、语言分析等众多领域[10-11].

本研究采用MATLAB7.0附带的小波分析工具,对郑州市2005-2010年PM10质量浓度随时间变化的数据进行小波去噪分析.分析过程是将2005-2010年PM10质量浓度数据导入MA TLAB,然后用MA TLAB命令对数据进行小波分析,将原始数据和处理得到的数据作图,以便进行分析.

3 郑州市PM10浓度变化规律

郑州市2005-2010年PM10质量浓度随时间变化的曲线及小波分析结果如图4所示.可以看出,经过小波分析去噪后,污染物的变化规律比较明显地显现出来了,说明小波去噪处理在分析时间序列数据中确实有明显的效果.

图42005-2010年郑州市PM10浓度变化的小波分析结果

从图4可以看出,郑州市PM10浓度变化在一年中呈现一定的规律性,每年年初有一下降的过程,一般到2月达到最低,随后上升,到3、4月达到高点,随后一直降低,到7、8月,只有 2008年、2009年两年基本上从年初一直降低到7月,随后逐渐上升,到11-12月达到最高,以后逐渐下降到次年,只有2006年9月出现了一个峰值.分析造成这种变化的原因,除了郑州市局域污染的变化外,原因可能还有:每年的3-4月,郑州市及周边开始春耕,同时气温升高,土壤解冻,风力也逐渐达到全年最大,引起土壤浮尘和局地扬尘,同时来自西北沙漠的春季沙尘暴更加重了颗粒物污染,这些因素都会影响郑州市的大气质量;6、7、8月是郑州市的雨季(见表3),降水对颗粒物的清除能力增强,颗粒物浓度降低;进入9月后气温降低,郑州市及周边地区进入秋收季节,庄稼开始收割,植被减少,同时降水减少,降水造成的可吸入颗粒物清除减少,同时风力减小,大气扩散能力降低,容易造成污染物积累;特别是进入冬季后,郑州地区开始取暖季节,使颗粒物浓度开始增加,到12月颗粒物浓度达到最高;到年底 PM10浓度开始降低的主要原因,可能是进入冬季后,天气寒冷,土壤开始冻结,同时来自北方的冷空气频繁入侵,使可吸入颗粒物得到扩散、净化,可吸入颗粒物浓度降低.

表3 郑州市1971-2000年的气候值

通过分析郑州市大气污染物质量浓度的变化情况不难看出,大气污染物浓度的影响因素非常复杂,但基本上都在夏季达到污染的最低值,到12月达到污染的最大值.这主要与郑州所处的地理位置、自然环境以及气候、气象条件有关.总的说来,郑州市大气质量较好的季节在5-8月.这种颗粒物污染的季度变化趋势和其他北方干旱城市的变化趋势接近[12-13],与郑州市的气候特点也相符合.郑州地处北半球的中纬度地带,属北暖带季风型大陆性气候,总的特点是春季干燥,风沙较多,夏季炎热,降雨集中,秋季晴朗,冬季寒冷,年平均降雨量636 mm,全年平均风速2.2 m/s.由于春季风沙较多,春季的颗粒物污染情况也较高;夏季则由于降雨等的作用,利于颗粒物的沉降、扩散,颗粒物不容易积累,因此颗粒物浓度最低;冬季则由于取暖燃煤等的影响,颗粒物浓度最为严重.根据以上分析,对于郑州市大气颗粒物污染的治理,除了源头控制,严格控制工业污染源和机动车尾气污染外,应该针对郑州市的气候、气象特征,在冬春季节严格控制建筑工地和道路扬尘,在少雨季节及时洒水以降低道路扬尘,同时冬季还应做好取暖燃煤污染的控制.

4 结 语

(1)从对郑州市PM10浓度的小波分析可以看出,小波分析后的浓度曲线较好地把由于偶然因素造成的高频信号(噪声)消除,清晰显示出污染物浓度的变化规律,小波分析法在PM10浓度变化规律的分析中有明显优势.

(2)郑州市大气污染物质量浓度在夏季达到最低值,冬春季节污染最严重,这与郑州所处的自然环境以及气候、气象条件有直接关系.

(3)郑州市首要污染物中,可吸入颗粒物污染得到了一定控制,有减少的趋势,但 SO2污染天数增加较多且居高不下,应该注意SO2污染的控制.

[1] 秦福生,张志红,林丽,等.郑州市主要污染物污染特征及污染趋势分析[J].气象与环境科学,2007,30(4):63-65.

[2] 杨书申,邵龙义,李凤菊,等.郑州市大气可吸入颗粒物单颗粒污染特征分析[J].辽宁工程技术大学学报(自然科学版),2008,27(5):774-777.

[3] 郭亚奇,苗蕾,张军,等.郑州市大气环境质量分析及预测[J].河南农业大学学报,2010,44(6):704-709.

[4] 李尉卿,崔娟.郑州市大气气溶胶数浓度和质量浓度时空变化研究[J].气象与环境科学,2010,33(2):7-13.

[5] 张莲,秦华峰,余成波.基于小波阈值去噪算法的研究[J].计算机工程与应用,2008,44(9):172-173.

[6] 兰秋军,马超群,文凤华.金融时间序列去噪的小波变换方法[J].科技管理研究,2004(6):117-120.

[7] 王勇,缪启龙,丁园圆.西北地区春季沙尘暴的区域性时间变化特征[J].干旱区资源与环境,2008,22(11):30-37.

[8] 郑楠,张德强.小波分析及Matlab仿真在信号检测方面的应用研究[J].辽宁工业大学学报(自然科学版),2008,28(5):316-318.

[9] Chang S G,Yu B,Vetterli M.Adaptive Wavelet Thresholding for Image Denoising and Compression[J].IEEE Trans.Image Proc.,2000,9(9):1532-1546.

[10] Bruce L M,Mathur A,Byrd J D.Denoising and Wavelet-Based Feature Extraction of MODIS Multi-Temporal Vegetation Signatures[J].GIScience&Remote Sensing,2006,43:170-180.

[11] Reddy T S,Reddy G R,Varadajan S,et al.Noise Reduction in LIDAR Signal Using Wavelets[J].International Journal of Engineering and Technology,2009,2(1):21-28.

[12] 王淑英,张小玲.北京地区PM10污染的气象特征[J].应用气象学报,2002,13(sl):176-184.

[13] SHE Feng,CHENG Yi-fan,WANG Shi-gong,et al.Temporal Variations in Aerosol Composition at Lanzhou City,Northwestern China[J].Sciences in Cold and Arid Regions,2011,3(3):252-263.

Variation Analysis on Concentration of Inhalable Particulate Matter in Zhengzhou by Wavelet Transformation

YANG Shu-shen,YANG Chun-li,ZHENG Ming-kai
(Zhongyuan University of Technology,450007 Zhengzhou,China)

Variation characterization of Concentration of inhalable particulate matter(PM10)in Zhengzhou during 2005 to 2010 was investigated.The denoising filtration analysis on daily variation curve of PM10in Zhengzhou was conducted by Wavelet Transformation.The reasons causing the variation regularity of PM10were discussed combining the climate condition of Zhengzhou.The results show that the concentration of PM10in Zhengzhou reach its lowest value in summer of a year,and the PM10pollution in winter and spring are more serious.This was due to the geography and nature environment,the climate and meteorology condition of Zhengzhou.The PM10pollution was under control,whereas the days of SO2as the principal pollutant increase;The SO2pollution should be controlled in future.The concentration curve after wavelet transformation can well eliminate the high frequency signal caused by accident factors so that the variation regularity of the concentration of pollutants can be shown clearly.The wavelet transformation has the obviously advantage in analyzing the variation regularity of the concentration of PM10.

inhalable particulate matter;wavelet transformation;signal denoising

X513

A

10.3969/j.issn.1671-6906.2011.04.004

1671-6906(2011)04-0017-05

2011-07-15

河南省基础与前沿技术研究计划项目(072300460060)

杨书申(1966-),男,河南唐河人,教授,博士.