基于PM10与气态污染物的北京市PM2.5浓度模型研究*

刘严萍，王　勇，赖迪辉

(1. 天津城建大学 经济与管理学院，天津 300384； 2. 天津城建大学 地质与测绘学院，天津 300384)



基于PM10与气态污染物的北京市PM2.5浓度模型研究*

刘严萍1，王勇2，赖迪辉1

(1. 天津城建大学 经济与管理学院，天津 300384； 2. 天津城建大学 地质与测绘学院，天津 300384)

摘要:针对2013年北京市10个空气质量观测站点资料，对影响PM2.5浓度的因素进行相关性分析，发现PM2.5浓度与PM10、SO2、NO2和CO存在显著正相关特性。通过PM10与气态污染物构建单站点PM2.5浓度模型和北京市统一化PM2.5浓度模型。通过PM2.5浓度观测值与模型估算结果比较，单站点PM2.5浓度模型与北京市统一化PM2.5浓度模型估算结果一致，且两者均与PM2.5浓度观测值吻合。

关键词:PM2.5；相关性分析；逐步回归；气态污染物；北京

随着城市化快速发展，大型工业开发区建设和机动车保有量攀升使得城市大气环境污染物的排放量不断增加，PM2.5因其粒子半径较小更容易携带有毒物质，严重危害人们健康而备受研究者关注。国内外学者针对我国华北地区、环保重点城市和超大城市的主要污染物浓度变化开展了霾天气形成机理研究[1-4]。卫星遥感监测可快速进行污染源的定点定位，核定污染范围，分析污染物在大气中的分布、扩散情况。国内外学者研究了MODIS AOT(Aerosol Optical Thickness，气溶胶光学厚度)产品与近地层PM2.5、PM10浓度的相关性，建立回归方程反演近地层气溶胶浓度[5-6]。利用气象观测资料与能见度观测数据，部分学者开展了霾天气过程及年际变化分析[7-9]。利用现有PM2.5观测数据研究区域大气污染时空演变特征受观测年限较短的限制；通过气象观测数据可分析霾天气的年际变化，但其变化分析局限于定性分析，难以定量分析PM2.5浓度的变化。由于地表反射率的估计、像元上空云的识别、气溶胶模型的判断等方面存在误差，所以卫星遥感MODIS AOT产品也存在误差，卫星遥感监测反演的PM2.5浓度精度不高[10-11]。大气中的部分气态污染物(如SO2、NO2、CO 等)是在一定环境条件下形成 PM2.5的主要前体物且观测工作开展较早，而我国对于PM2.5的观测始于2012年，为科学开展城市环境管理工作，长时序的PM2.5的时空演化特征研究具有重要现实意义和基础价值，而这一研究的核心在于如何获取长时序的PM2.5数据。

本文将基于北京市空气质量监测数据，开展PM2.5浓度模型研究。首先对北京市10个空气质量监测站点开展PM2.5与PM10、气态污染物的相关性分析，然后构建各监测站点的PM2.5浓度估算模型，依据多站点数据构建北京市PM2.5统一化模型，并对模型可靠性进行验证。

1研究数据

研究数据为2013年1-12月的北京市10个空气质量监测站点观测数据，表1为北京市空气质量监测站点相关信息。空气质量监测站点主要采集PM2.5、PM10、SO2、NO2、CO和O3等数据，观测数据为仪器连续自动记录，24 h连续观测，采样率为每小时观测一个数据。CO浓度单位为mg/m3，其他观测要素单位为μg/m3。本文研究涉及PM2.5浓度模型的构建与检验，实验设计如下：从10个监测站点的观测数据中随机选择连续的300 h数据用于模型可靠性检验，其余数据用于PM2.5浓度模型的构建。PM2.5浓度模型构建采用两种方式：单站点PM2.5浓度模型和北京市统一化PM2.5浓度模型。单站点PM2.5浓度模型采用单站点观测数据构建，而北京市统一化PM2.5浓度模型采用多站点观测数据构建。

表1　北京市空气质量监测站点相关信息

2PM2.5浓度与PM10、SO2、NO2、CO、O3浓度的相关特征分析

PM2.5浓度模型的构建需要考虑哪些因素与PM2.5浓度强相关，因此需要进行各监测站点的PM2.5与其他观测要素的相关性分析。将北京市10个空气质量监测站点的PM2.5浓度时值观测数据分别与其它要素观测数据进行双变量相关分析(见表2)，全部站点的PM2.5与PM10、SO2、NO2、CO的双变量相关分析的sig值为0，显著性概率sig值小于0.05，说明通过显著性检验，PM2.5与O3的相关性分析未通过显著性检验。

表2　北京市空气质量监测站双变量相关分析结果

由表2可看出，PM2.5与PM10、SO2、NO2、CO存在显著正相关，可用于PM2.5浓度估算模型构建。从与PM2.5相关性系数的大小来看，可以发现：除昌平站点外，其余9个站点的观测要素与PM2.5相关性从大到小依次为CO、PM10、SO2、NO2。因此，在PM2.5浓度模型构建时依次考虑以上要素。

3基于PM10与气态污染物的PM2.5浓度模型

3.1模型构建

PM2.5浓度与CO、PM10、SO2、NO2存在显著正相关特性，因此PM2.5浓度模型的构建采用观测要素CO、PM10、SO2、NO2完成。以PM2.5浓度为因变量、CO、PM10、SO2、NO2观测要素为自变量，采用单站点观测数据构建PM2.5浓度模型，并采用多站点观测数据实现北京市统一化PM2.5浓度模型。PM2.5浓度模型采用逐步回归方法构建多元线性回归模型。北京市各监测站点的PM2.5浓度模型、北京市统一化PM2.5浓度模型的常数项和各观测要素的系数见表3。

表3　单站点PM2.5浓度模型与北京市统一化

由表3可知，除定陵站点外，其余9个站点的PM2.5浓度模型与北京市统一化PM2.5浓度模型的表达较为一致。

3.2模型可靠性检验

通过实验设计预先随机提取的300 h各站点空气质量监测数据，对各站点PM2.5浓度模型和北京市统一化PM2.5浓度模型进行可靠性检验。经检验，各站点PM2.5浓度模型和北京市统一化PM2.5浓度模型结果基本一致，PM2.5浓度模型估算结果与实测PM2.5浓度值吻合。图1为昌平、官园、定陵、农展馆4个站点进行的单站点PM2.5浓度模型、北京市统一化PM2.5浓度模型估算结果与实测PM2.5浓度值的比较。

由图1可看出，虚线与三角形线基本一致，说明单站点PM2.5浓度模型与北京市统一化PM2.5浓度模型的估算结果一致。PM2.5浓度模型与PM2.5浓度观测值基本吻合，说明本文推导的PM2.5浓度模型可用于PM2.5浓度预测。

图1　PM2.5模型估算值与实测PM2.5浓度值的比较(注：图1中，实线代表实测PM2.5浓度值，虚线代表单站点PM2.5浓度模型估算结果，三角形线为北京市统一化PM2.5浓度模型估算结果。各图形中有部分时段PM2.5实测值、估算值为直线，代表该时段为缺少观测数据。)

4结论

本文利用2013年北京市10个空气质量监测站点观测资料，进行了基于PM2.5与PM10、气态污染物的相关性分析，构建了单站点PM2.5浓度模型和北京市统一化PM2.5浓度模型，并对模型进行了可靠性检验，结论如下所示。

(1)PM2.5与PM10、SO2、NO2、CO存在显著正相关，可用于PM2.5浓度估算模型构建。从与PM2.5相关性系数的大小来看，可以发现：除昌平站点外，其余9个站点的观测要素与PM2.5相关性从大到小依次为CO、PM10、SO2、NO2。

(2)各站点PM2.5浓度模型和北京市统一化PM2.5浓度模型结果基本一致，PM2.5浓度模型估算结果与实测PM2.5浓度值吻合。

参考文献：

[1]Anne Boynard, Cathy Clerbaux, Lieven Clarisse, et al. First simultaneous space measurements of atmospheric pollutants in the boundary layer from IASI: A case study in the North China Plain [J]. Geophysical Research Letters, 2014, 41(2): 645-651.

[2]Zhao X J, Zhao P S, Xu J, et al. Analysis of a winter regional haze event and its formation mechanism in the North China Plain [J]. Atmospheric Chemistry and Physics, 2013, 13: 5685-5696.

[3]戴永立，陶俊，林泽健，等. 2006-2009年我国超大城市霾天气特征及影响因子分析 [J]. 环境科学，2013, 34(8)：2925-2932.

[4]孟晓艳，王瑞斌，张欣，等. 2006-2010年环保重点城市主要污染物浓度变化特征 [J]. 环境科学研究，2012, 25( 6) : 622-627.

[5]Gupta P, Christopher S A. Seven year particulate matter air quality assessment from surface and satellite measurements [J]. Atmospheric Chemistry and Physics, 2008, 8 (12): 3311-3324.

[6]Kumar N, Chu A, Foster A. An empirical relationship between PM2.5 and aerosol optical depth in Delhi Metropolitan [J]. Atmospheric Environment, 2007, 41(21): 4492-4503.

[7]吴兑，廖碧婷，吴蒙，等. 环首都圈霾和雾的长期变化特征与典型个例的近地层输送条件 [J]. 环境科学学报， 2014，34(1) ：1-11.

[8]王喜全，孙明生，杨婷，等. 京津冀平原地区灰霾天气的年代变化 [J]. 气候与环境研究，2013，18 (2): 165-170.

[9]廖晓农，张小玲，王迎春，等. 北京地区冬夏季持续性雾-霾发生的环境气象条件对比分析 [J]. 环境科学，2014，35(6)：2031-2044.

[10]陶金花，张美根，陈良富，等. 一种基于卫星遥感AOT估算近地面颗粒物浓度的新方法 [J]. 中国科学(D辑)，2013， 43(1): 143-154.

[11]Levy R C, Remer LA, Mattoo S, et al. Second-generation operational algorithm: Retrieval of aerosol properties over land from inversion of Moderate Resolution Imaging Spectroradiometer spectral reflectance [J]. Journal of Geophysical Research, 2007, 112, D13211: 1-21.

StudyofPM2.5ConcentrationsModelbasedonPM10andGaseousPollutantsinBeijing

Liu Yanping1, Wang Yong2and Lai Dihui1

(1.SchoolofEconomicsandManagement,TianjinChengjianUniversity,Tianjin300384,China;2.SchoolofGeologyandGeomatics,TianjinChengjianUniversity,Tianjin300384,China)

Abstract:The correlation analysis method is used to investigate the relationship among PM2.5 concentration, PM10 and gaseous pollutants. Notable positive correlation exists in PM10, SO2, NO2 and CO. The relationship among PM2.5 concentration, PM10 and gaseous pollutants are explored in terms of successive regression method. The single-site and unified PM2.5 concentration is constructed respectively. Comparison of observations with model results, we can find that PM2.5 concentration estimation value of single-site model is consistent with that of the unified model, and both of them coincide with the PM2.5 concentration observations value.

Key words:PM2.5; correlation analysis; successive regression; gaseous pollutants; Beijing

doi:10.3969/j.issn.1000-811X.2016.02.023

中图分类号：X43；X51；O657.3

文献标志码：A

文章编号：1000-811X(2016)02-0116-04

基金项目：河北省自然科学基金(D2015209024)；教育部人文社科青年基金(12YJCZH095)；住房和城乡建设部课题(R22015055)

作者简介：刘严萍(1979-)，女，河南汝南人，博士，讲师，主要从事应急管理研究. E-mail: liuxiawy@126.com通讯作者：王勇(1978-)，男，江西宁都人，博士，教授，主要从事GPS气象学研究. E-mail: wangyongjz@126.com

*收稿日期：2015-09-30修回日期：2015-11-19

刘严萍，王勇，赖迪辉. 基于PM10与气态污染物的北京市PM2.5浓度模型研究[J].灾害学, 2016,31(2):116-118,155.[ Liu Yanping, Wang Yong and Lai Dihui. Study of PM2.5 Concentrations Model based on PM10 and Gaseous Pollutants in Beijing[J].Journal of Catastrophology, 2016,31(2)：116-118,155.]