基于空间统计的南京市雾霾影响因素分析

李雪健， 江 畅*， 樊 瑞， 徐 琪， 包雨鑫， 刘炳晖

(1.南京邮电大学地理与生物信息学院，江苏南京 210023；2.中软国际科技服务有限公司南京分公司，江苏南京 210023)



基于空间统计的南京市雾霾影响因素分析

李雪健1， 江 畅1*， 樊 瑞2， 徐 琪1， 包雨鑫1， 刘炳晖1

(1.南京邮电大学地理与生物信息学院，江苏南京 210023；2.中软国际科技服务有限公司南京分公司，江苏南京 210023)

[目的]定量研究雾霾的影响因素及其空间相关性。[方法]利用南京市MODIS气溶胶产品、气象数据以及社会经济数据，结合空间统计方法和传统统计方法对影响南京市雾霾的因素进行分析，利用Geoda分析气溶胶光学厚度(AOD)数据的空间相关性，并利用SPSS软件分析南京市雾霾的影响因素。[结果]空气质量指数(AQI)与温度、风力和湿度呈现显著负相关，其中，与温度、风力相关程度较大，与湿度相关程度较小；空气质量与二氧化碳浓度、二氧化硫浓度、工业粉尘排放量和工业烟尘排放量呈显著负相关；空气质量与人口、第三产业总值呈显著正相关，与汽车数量呈显著负相关；4个季节的AOD分布均是显著自相关的；在春夏季节，浦口区表现为高聚集，春季的栖霞区和夏季的雨花台区表现为低高聚集；冬季，浦口区和栖霞区表现为高聚集；秋季，高聚集现象进一步扩散。[结论]空气质量主要受气候、空气污染和环境污染的影响，有空间自相关的特点。

雾霾；影响因素；空间自相关；相关分析；回归分析

空气质量问题日益严重，雾霾在人类健康和社会生活方面的影响更加明显，在我国沿海地区、北京、山西和天津等地区经常出现很严重的雾霾天气。雾霾降低了能见度，严重影响道路的安全，可能导致重大交通事故。在人体健康方面，PM2.5颗粒表面能吸收大量的有毒、有害的物质，通过鼻呼吸进入肺部和血液，导致呼吸系统和心血管系统疾病，加重慢性疾病，引起人体免疫力的结构变化，危及人体健康[1]。大量的PM2.5颗粒的聚合会干扰太阳对地球的太阳辐射，对光合作用造成影响，降低农产品的输出；雾霾中的二氧化硫气体容易形成酸雨，危害土壤、河流和建筑物。

空气污染物的聚集加特定的气象条件形成了雾霾天气。在相对湿度大且静风的条件下，大气对流比较少，此时大气相对较为稳定，污染物很难进行扩散，从而导致污染物浓度升高。秋冬季节，空气湿度相对较大，更促进烟、灰尘等的增长，更容易产生雾霾。许多学者对雾霾进行了分析[2-5]，如曹伟华等[3]从不同角度对北京地区的雾霾时空特征进行分析；冯少荣等[4]采用2种不同统计方法对全国18个城市影响雾霾的因素进行分析，且对比了不同分析法的优缺点。该研究利用南京市MODIS气溶胶产品、气象数据以及社会经济数据，结合空间统计方法和传统统计方法对影响南京市雾霾的因素进行分析，利用Geoda分析气溶胶光学厚度(aerosol optical depth，AOD)数据的空间相关性，并利用SPSS软件分析南京市雾霾的影响因素。

1 资料与方法

1.1 指标确定

1.1.1空气质量指数。空气质量指数(Air Quality Index，AQI)是定量描述空气质量状况的无量纲指数。AQI是将常规监测的几种空气污染物浓度简化成为单一的概念性指数值形式，分级别来指示空气污染程度和空气质量状况，适合表示城市的短时间内的空气质量状况和一段事件内空气污染物的变化特征。

1.1.2MODIS气溶胶光学厚度产品。气溶胶颗粒污染是影响大气环境质量的重要污染物。气溶胶光学厚度是指无云垂直气柱中气溶胶散射造成的消光程度，可以表示大气的混浊程度，MODIS中的气溶胶产品能够直观反映大气情况、指示雾霾天气[6]。因此，对气溶胶进行大范围、动态和实时监测就显得特别重要。该研究选用的MOD04_L2数据可用来获取大气气溶胶光学特性和质量浓度。所使用的AOD数据空间分辨率为10 km×10 km，用灰度值来表示气溶胶光学厚度的大小，灰度值是AOD实际值的1 000倍。

1.2 数据选取及数据来源对于南京市的空间自相关分析，选取2013年Terra MODIS AOD产品作为数据来源，下载自NASA官方网站。对于雾霾影响因素的分析，气象条件选取2013年全年每日的AQI指数、温度、湿度、风力和环境良好天数，来自南京市天气预报网站，其中风力获取的数据是等级的形式，在初步处理时取了风力等级的均值。社会条件分两部分，对于环境污染方面，选取二氧化硫、二氧化氮、工业粉尘、工业烟尘、工业废气排放量和工业固体废弃物；对于社会经济方面，选取人口、汽车数量、第一产业总值、第二产业总值、第三产业总值和绿化覆盖面积，来自于2005—2013年江苏省统计局南京市年鉴。

1.3 分析方法研究AQI与气象条件关系时，先从散点图直观地看出两者之间的关系，然后求出它们的相关系数，定量得到它们之间的相关性。传统的统计方法是使用最小二乘法对所要研究的影响因素进行分析，但在实际应用时，这种方法有很大的局限性，在此使用SPSS软件里的向后方法，即先把所有变量都输入，设置条件进行判断，若检验未通过判断的话就舍弃该变量。空间统计方法使用了MODIS的气溶胶产品，计算气溶胶厚度与AQI的相关系数，然后利用气溶胶厚度代替AQI进行研究，研究中先建立权重矩阵，然后通过Moran’sI指数判断是否存在全局自相关及其显著性，存在的话再得到LISA聚集图直观地看出研究的因素在空间上的关系。

2 结果与分析

2.1 气象条件对雾霾的影响

2.1.1温度。从图1可以看出，AQI指数较高时，温度偏低，基本均为0～20 ℃。也就是说在夏天，雾霾很少发生，AQI指数也普遍偏低，空气质量良好。计算相关系数(表1)发现，其置信度在α=0.01显著水平上时，Kendall和Spearman 2种相关系数的温度与AQI均为显著相关，2个相关系数均是负值，可见AQI与温度呈负相关。

2.1.2风力。风的大小往往决定了雾霾是否能够聚集、扩散程度和雾霾持续时间，所以风力对于雾霾的影响是不可忽视的。从图2可以看出，AQI指数较高(>200)时，风力均不是很大。也就是说强风天气下，雾霾很少发生，AQI指数也普遍偏低，空气质量良好。相关系数(表2)显示，其置信度在α=0.01显著水平上时，Kendall和Spearman 2种相关系数的风力与AQI均为显著相关，2个相关系数均是负值，可见AQI与风力呈负相关。

表1 温度与AQI的相关系数

图2 风力与AQI散点图

表2 风力与AQI相关系数

2.1.3相对湿度。从图3可以看出，AQI指数较高时，相对湿度较大，普遍在60%以上。也就是说空气较为干燥的天气，雾霾很少发生，AQI指数也普遍偏低，空气质量良好。相关系数(表3)显示，其置信度在α=0.05显著水平上时，Kendall和Spearman 2种相关系数的相对湿度与AQI均为显著相关，2个相关系数均是负值，可见AQI与相对湿度呈负相关。

图3 相对湿度与AQI散点图

表3 湿度和AQI的相关系数

2.2 社会环境对雾霾的影响为更加细致地进行分析，笔者从环境污染和社会经济发展2个角度出发，将选取的指标分为两类。利用SPSS中回归分析里的向后剔除法，首先将所有自变量全部纳入模型中，建立模型，然后按照设置的条件进行判据，每次剔除一个方差分析中的F值最小的自变量，直到回归方程中不再含有不符合判据的自变量为止。

2.2.1环境污染。分析时先将所有变量均输入模型，第2步和第3步分别剔除了工业固体废弃物和工业废气排量。剔除2个变量后，调整R2从0.852到0.943(表4)，说明通过2次剔除变量后，回归方程的拟合度更好，最后应包含的变量只有二氧化硫、工业烟尘、工业粉尘和二氧化氮(表5)。从表5可以看出，各个因变量的系数均为负值，且均通过了显著性检验，表明系数显著。由此可见，环境良好天数与二氧化氮浓度、二氧化硫浓度、工业粉尘排放量和工业烟尘排放量呈显著的负相关。因此，雾霾的形成和污染物的排放密不可分，特别是工业上的污染物排放，会对雾霾天气形成产生重要影响。

表4 3个模型的拟合度

表5 影响因素的系数及显著性检验

2.2.2社会经济发展。在回归分析的过程中首先将绿化覆盖面积、人口、汽车数量、第二产业总值和第三产业总值输入模型，剔除了第一产业总值，说明线性回归中该变量与因变量环境良好天数无关；后面两步分别剔除了绿化覆盖面积和第二产业总值，得到剩余的变量为人口、汽车数量、第三产业总值。由表6可知，剔除了第一产业总值和绿化覆盖面积2个变量，R2从0.854调整为0.622，经过2次剔除变量后，回归方程的拟合度变低，但仍然大于0.5，该回归方程还可以被接受。方程中人口和第三产业总值的系数为正值，汽车数量的系数为负值，且均通过了t检验(表7)。由此可见，环境良好天数与人口、第三产业总值呈正相关，与汽车数量呈负相关。随着城市人口的增加、第三产业的发展，环境良好天数增多，但汽车数量的增加会导致环境良好天数减少。人口、第三产业总值和汽车数量的增加均代表着城市的发展，说明随着南京城市规模的扩大、交通事业的发展和城市现代化步伐进程加快，人们也越来越注意空气质量问题，但发展的同时汽车尾气的排放也对空气造成污染，形成雾霾天气。

表6 3个模型的拟合度

2.3 基于AOD的AQI空间相关性分析

2.3.1AOD与AQI的相关性。由于在南京市各区的数据收集上遇到种种困难，在对南京市雾霾情况进行空间分析的过程中，在此选用MODIS数据产品中的AOD来指示和衡量雾霾指数，研究雾霾在地域分布上的空间关联性。提取有效AOD值与AQI指数进行匹配后，从图4可以看出二者之间是有相关性的，继续进行线性回归分析，调整R2为0.683，建立线性回归方程的拟合度是可接受的。该方程通过了t检验，AQI与AOD呈显著的正相关。由此可见，AOD与AQI关系密切，所以在研究雾霾的空间关联性时，选取AOD数据代替AQI指数指示雾霾情况是有说明性的。

表7 影响因素的系数及显著性检验

图4 AOD与AQI散点图

2.3.2雾霾的空间关联性分析。

2.3.2.1 全局空间自相关分析。在对全年的数据进行处理时，选取春季(3—5月)、夏季(6—8月)、秋季(9—11月)、冬季(12月—次年2月)进行空间自相关分析。从莫兰散点图(图5)可以看出，春季、夏季、秋季和冬季AOD的分布均表现出较为明显的正相关，全局空间自相关莫兰指数分别为0.413 420、0.400 315、0.459 493、0.456 582，可见4个季节均存在空间自相关的。对其显著性通过标准化统计量Z进行检验，结果显示(表8)，4个季节的P值分别为0.027、0.011、0.020和0.016，均小于0.05。可见，4个季节的AOD分布均存在显著的空间自相关。

表8 各季节AOD的莫兰检验

2.3.2.2局部空间自相关分析。进一步探讨AOD在每个空间位置的观察值是否与其邻近位置的观察值具有相关性，在此选用LISA聚集图来进行研究。由图6可见，春季和夏季浦口区均出现高聚集现象，说明浦口区的AOD数值较高，且周边相邻的区域AOD值也较高；春季的栖霞区和夏季的雨花台区出现低高聚集的现象，其本身的AOD值较低，而环绕其周边的区域AOD值均较高。在雾霾高发的秋冬季节，仍然出现了高聚集现象。在冬季，浦口区依旧出现高聚集的现象，而在春季出现低高聚集现象的栖霞区则变成了高聚集现象，表示其自身AOD值增高，其周边地区AOD值也高；而在秋季，高聚集现象进一步扩散，六合区、栖霞区和浦口区均出现高聚集现象，可见南京北部大片区域AOD值均处于较高水平，雾霾高发，空气质量堪忧。

图5 各季节AOD的莫兰散点图

注：a.春季；b.夏季；c.秋季；d.冬季。浅蓝色代表低高聚集；深红色代表高聚集。

3 小结

该研究从雾霾形成的气象条件和影响雾霾的因素出发，先利用传统统计的手段对影响雾霾的因素进行了研究，随后又从MODIS的气溶胶光学厚度(AOD)产品入手，分析了雾霾在空间上的关联性。结果表明，在气象因素方面，雾霾主要受风速、温度、湿度等因素的影响。在风力较小、湿度较大的低温情况下，大气较为稳定，悬浮在空气中的颗粒物聚集在一起，大气更容易出现分层的现象，易形成雾霾。在人为影响因素方面，随着南京的城市发展，工业污染物的排放成为雾霾产生的主要原因。以煤炭、石油为燃料的工厂排放大量粉尘、烟尘以及空气污染物加剧了雾霾现象。主城区交通发达的区域，由于交通流量大，排放尾气多，容易形成短暂性雾霾，而人口密集度低的城郊更容易形成持续性雾霾。在空间分析方面，对雾霾的空间分析是通过MODIS的AOD产品实现的，对其与AQI指数的相关性进行了分析并建立回归方程，得出二者之间存在线性关系，且雾霾存在显著正的空间自相关。

雾霾对交通、人体健康和生态环境造成危害，频繁的雾霾天气严重影响了人们的生产生活。随着雾霾情况的日益严峻，加强对雾霾的治理迫在眉睫。首先，要提高环境评价标准，将环境因素作为企业的评价标准之一。优化产业结构，淘汰一些生产力低下却造成高污染的企业，同时大力鼓励使用清洁能源，控制煤化石燃料的使用，保证二氧化硫、颗粒物和氮氧化物的排放总量下降。另一方面，政府要加强空气质量监测和信息公布透明力度，进一步深入研究雾霾形成的影响因素，制订有效的控制措施。结合地形和其他的自然环境，因地制宜采取合理有效的方法，专门观测可能出现的主要大气污染情况。在实时监测的条件下更能够直观快速地分析出雾霾的影响因素，完善在极端不利气象条件下大气污染监测系统，对制定雾霾天气防治预警应急预案、出现雾霾天气时有效启动应急系统有突出作用。

[1] 李金岚.论雾霾天气的成因危害及防治措施[J].资源节约与环保，2013(10)：146.

[2] 于兴娜,李新妹,登增然登,等.北京雾霾天气期间气溶胶光学特性[J].环境科学,2012,33(4):1057-1062.

[3] 曹伟华,李青春.北京地区雾霾气候特征及影响因子分析[C]//中国灾害防御协会风险分析专业委员会.风险分析和危机反应的创新理论和方法：中国灾害防御协会风险分析专业委员会第五届年会论文集.南京：中国灾害防御协会风险分析专业委员会,2012:7.

[4] 冯少荣,冯康巍.基于统计分析方法的雾霾影响因素及治理措施[J].厦门大学学报(自然科学版),2015(1):114-121.

[5] 魏巍贤,马喜立.能源结构调整与雾霾治理的最优政策选择[J].中国人口·资源与环境,2015(7):6-14.

[6] 黄健,李菲,邓雪娇,等.珠江三角洲城市地区 MODIS 气溶胶光学厚度产品的检验分析[J].热带气象学报，2010(5):13-18.

Analysis on Influencing Factors of Haze in Nanjing City Based on Spatial Statistics

LI Xue-jian1,JIANG Chang1*,FAN Rui2et al (1.School of Geography and Biological Information,Nangjing University of Posts and Telecommunications,Nanjing,Jiangsu 210023;2.Nanjing Branch of Chinasoft International Science and Technology Service Co.,Ltd.,Nanjing,Jiangsu 210023)

[Objective] To quantitative study the haze influencing factors and its spatial correlation.[Method] MODIS aerosol product,meteorological data and socioeconomic data were used to analyze the haze influencing factors in Nanjing City by combining the spatial statistical method and traditional statistical method.Spatial correlation of AOD data were analyzed by Geoda analysis.And the haze influencing factors in Nanjing were analyzed by SPSS software.[Result] AQI showed significant negative correlation with temperature,wind power and humidity.Among them,temperature had relatively great correlation with wind power,but had relatively small correlation with humidity.Air quality showed significant negative correlation with carbon dioxide concentration,the concentration of sulfur dioxide,industrial dust emissions and industrial soot emissions,but had significant positive correlation with population and the total value of the tertiary industry.Air quality had negative correlation with the number of cars.AOD distributions in four seasons were significant autocorrelation.In spring and summer,Pukou District showed high aggregation,Qixia District in spring and Yuhuatai District in summer showed low-high aggregation.In winter,Pukou and Qixia showed high aggregation.In autumn,high aggregation further spread.[Conclusion] Air quality is mainly affected by climate,air pollution and environmental pollution,and has the characteristics of spatial autocorrelation.

Haze; Influencing factors; Spatial autocorrelation; Correlation analysis; Regression analysis

南京邮电大学教学改革重点招标课题项目(JG03212JX02，JG03212JX07)；南京邮电大学科研项目(NY215181)；南京邮电大学大学生创新创业训练计划STITP项目(XYB2016269)。

李雪健(1997- )，男，山西运城人，本科生，专业：测绘工程。*通讯作者，讲师，从事遥感信息的处理与应用研究。

2016-08-29

S 16

A

0517-6611(2016)30-0160-05