山东省PM2.5浓度时空变化规律及其影响因素分析

范开放，单宝艳

（山东建筑大学测绘地理信息学院，山东济南250101）

山东省PM2.5浓度时空变化规律及其影响因素分析

范开放，单宝艳*

（山东建筑大学测绘地理信息学院，山东济南250101）

细颗粒物（PM2.5）是空气质量监测的重要对象，研究PM2.5的时空变化规律对于治理雾霾污染具有重要意义。文章基于山东省17个城市在2014～2015年共728 d的空气质量监测数据和相关气象数据，采用时间序列分析、相关分析、空间自相关分析和空间插值等方法研究了时空变化规律和气象因素对山东省PM2.5浓度的影响。结果表明：山东省PM2.5浓度呈U型变化，变化的时间序列自相性较强，一阶自相关系数达0.6896，PM2.5浓度空间分布规律明显；风向对山东省不同区域PM2.5浓度的聚集和扩散具有一定作用，与气象条件均呈现一定相关性，不同月份其相关性存在明显差异；PM2.5还与SO2、CO、NO2、PM10等污染物存在极强的正相关，与O3存在负相关。

PM2.5；时空变化；空间自相关；空间插值

Key words：PM2.5；spatial-temporal characteristics；spatial autocorrelation；spatial interpolation

0 引言

近年来，我国很多地区遭受着雾霾天气的困扰。细颗粒物PM2.5是我国城市大气的首要污染物，是空气质量状况的重要监测对象。PM2.5不仅会导致大气能见度下降，还会增加呼吸道系统疾病发病率和死亡率，已引起人们的广泛关注［1-2］。对PM2.5研究涉及环境科学、医学、大气科学、地理科学等学科，其中环境科学侧重于对PM2.5的组成成分、质量浓度、物理化学特性、来源、监测技术等方面研究［3-4］；医学则侧重于分析PM2.5对人类健康的危害［5-6］；大气科学注重分析PM2.5的成分特征和来源，并从气象学的角度研究PM2.5浓度与气象条件之间的耦合关系［7-8］；地理科学分析PM2.5浓度的时间变化、空间分布、浓度预测、浓度高低的地理条件及其与产业、交通、人口等因素的相关性等方面，各学科之间对PM2.5的研究界线不明显，互有交叉融合［9-12］。我国城市的PM2.5浓度具有较明显的时空变化规律［11-12］，深入研究这些规律，对分析、预测和治理PM2.5具有积极意义。

文章采用时间序列分析、相关分析、空间自相关和空间插值等方法，分析了山东省2014、2015两年间PM2.5浓度的时间规律和空间格局，分析了气象因素对PM2.5浓度的影响。在此研究中，污染物监测数据来源于中国环境监测总站的城市空气质量实时发布平台，汇总了山东省17个地级市于2014～2015年共728 d的空气污染物监测值；气象数据由地面气象站通过气象数据国际自由交换系统提供，其中，德州市2014年4月20、21两天的O3数据缺失，在进行PM2.5与SO2、CO、NO2、O3、PM10的相关分析时舍去了这两天的污染物监测数据。

1 山东省PM2.5浓度的时间变化规律

1.1 山东省PM2.5浓度的时间变化规律

1.1.1 PM2.5浓度的月度变化规律

2014年山东省PM2.5平均浓度为81.0μg/m3，明显高于环境空气质量标准（GB 3095—2012）规定的二级浓度限值75μg/m3［13］。在2014年高于75μg/m3的月份有1、2、3、4、10、11、12等7个月份，其余5个月份低于75μg/m3，其中1月份的PM2.5浓度最高，达到了137.1μg/m3，而10月份的最低，为57.8μg/m3。2015年山东省PM2.5平均浓度为76.2μg/m3，略高于二级浓度限值75μg/m3。2015年高于75μg/m3的月份有1、2、3、10、11、12等6个月份，其余6个月份低于75μg/m3，其中12月份PM2.5浓度最高，为137.0μg/m3。这两年山东省PM2.5浓度变化相对不大，2015年比2014年略有下降。冬季PM2.5浓度相对较高，夏季则相对较低，呈U型曲线，两年中PM2.5日平均浓度最高的是2015年12月24日，达到了313.6μg/m3。主要原因是冬季燃煤取暖量增加，向大气中排放的颗粒物增多。从气象条件来看，冬季对流层大气层结相对稳定，在没有冷空气到来的情况下，加之城市建设高楼林立，污染物扩散速度较慢；而夏季，气温高、空气对流旺盛，降水较多，促进了颗粒物的沉降。具体结果如图1所示。

1.1.2 PM2.5浓度的时间序列自相关性

自相关分析是常用的一种时间序列分析方法［14］。自相关是指时间序列前后数据之间的相关关系，度量这种相关程度的指标为自相关系数［15］。自相关函数是理论意义上的，是针对时间序列总体而言的，在具体处理时经常使用的是基于样本路径的样本自相关函数［14］（auto-correlation function，ACF）。时间序列的样本ACF的计算式（1）为

式中：rk为时间序列自相关系数；t为时序；k为时滞；n为样本长度；xt为第t天的PM2.5浓度值；是xt的平均值。

采用MATLAB R2014a统计工具箱对山东省2014、2015年共728 d的PM2.5平均浓度进行自相关分析，揭示山东省PM2.5浓度变化的时间序列特征，自相关系数结果如图2所示。查相关系数的临界值表，在显著水平α＝0.001下，自由度为700，相关系数检验的临界值为r0.001＝0.124，一阶自相关系数为0.6896，1～20阶自相关系数均大于该临界值，可见山东省PM2.5浓度随时间变化的自相关性非常强，时间越近相关性越大，山东省每天PM2.5的平均浓度与其以前1～20 d的浓度相关。

图1 山东省PM2.5浓度—时间变化规律图

图2 2014～2015年间山东省PM2.5浓度变化的自相关系数图

1.2 山东省PM2.5浓度的空间分布规律

1.2.1 空间自相关

空间自相关的主要思想源于Tobler提出的地理学第一定律［16］，由时间序列自相关发展而来，是将一维自相关发展到空间二维自相关［14］。空间自相关是判断某一地理要素的属性值（指PM2.5浓度）与其相邻空间的属性值是否相关的指标，空间自相关系数分为正相关和负相关两类，正相关表明某地理单元的属性值（PM2.5浓度）变化与其相邻空间单元的属性值具有相同变化趋势，负相关则表明两者变化趋势相反［15］。

全局空间自相关一般用Moran指数和Geary系数测度［15］，采用全局Moran指数I，其计算式（2）为

式中：xi、xj分别为位置（区域）i、j的观测值；wij表示空间权重矩阵，文章采用queen邻接方法确定空间权重矩阵，当i与j相邻时取1，不相邻时则取0是xi的平均值。

全局Moran指数I的取值范围为［-1，1］，取值［0，1］表示正相关，取值为0表示不相关，取值［-1，0］表示负相关，其绝对值越接近于1，相关性越强［15，17-18］。对于Moran指数I，通常用标准化统计量Z检验n个区域的某一属性值（PM2.5浓度值）是否存在空间自相关性，Z值计算式（3）［17］表示为

式中：E（I）为均值；VAR（I）为方差，两者都是理论上的均值和方差［15］。其显著性水平可以由标准化Z值的P值检验来确定［17］。通过计算Z值的P值，并将其与显著性水平α作比较，决定拒绝或接收零假设［15］。若P值小于给定的显著性水平α，则拒绝零假设，判定计算的区域属性值存在空间自相关性；否则接受零假设［15，17-18］，判定属性值的空间相关性不显著。在实际问题分析中，通常将显著性水平α定为0.05。

全局空间自相关只能从总体上反映地理要素之间是否存在空间联系［15，17］。若要进一步判断哪些地区的PM2.5浓度值存在空间集聚特征，需要采用局部空间自相关方法。常用的局部空间自相关分析方法有3种为空间联系的局部指标LISA（Local Indicators of Spatial Association）、Moran散点图和G统计［15］。文章采用局部Moran指数Ii，局部Moran指数Ii也要以标准化统计量Z值检验其显著性。局部Moran Ii指数的计算式（4）为

1.2.2 PM2.5浓度的空间自相关

文章运用ArcGIS 10.2软件对山东省2014、2015两年中17个设区城市的PM2.5年平均浓度、4个季节平均浓度分别进行了全局空间自相关分析，结果见表1。

由表1可见，山东省2015年全年平均和春、夏、秋季节平均的PM2.5浓度的全局自相关系数Moran的I比2014年有所提高，冬季则稍有下降。各个时间段PM2.5浓度的全局自相关系数的Z值均大于2.58，对应的P值均小于0.01，因此，其自相关性均达到了0.01的显著水平，这表明山东省区域PM2.5的浓度变化存在明显空间集聚特征。

采用GeoDa软件对17个设区城市PM2.5浓度分布进行局部空间自相关分析，结果如图3所示。

由图3可见，烟台和青岛在各个时间段都是低低集聚，在夏季则增加了潍坊；高集聚主要分布在济南，夏季则增加了滨州和德州2市，2014年冬季高高集聚由济南变为济宁；低高集聚只出现在鲁中的泰安；其他设区城市PM2.5浓度值的局部空间自相关性不显著。

表1 山东省PM2.5浓度的全局空间自相关系数

图3 2014、2015年中山东省PM2.5浓度的局部空间自相关性图

1.2.3 山东省PM2.5浓度的空间格局

空间插值是地统计学的主要研究内容之一。城市是人口、经济、交通、建筑的集聚地，往往成为PM2.5质量浓度的高值区，大多数的空气质量监测站集中分布在城市，而广大乡村地区则少有分布。有研究指出，区域层面插值的精度比遥感反演要更加精确［11，19］。PM2.5浓度的空间分布是连续的，既具有随机性又具有结构性，各个城市的PM2.5浓度值大小看似是随机变量，其实其浓度值存在一定的空间变化规律，上述的空间自相关性分析表明山东也有此规律。不同地区PM2.5浓度的大小是各个地区自然地理（地形、气候等）、人文经济地理（城市规模、产业结构及布局、人口等）条件的综合反映，存在空间相互作用。传统统计学是基于样本之间的独立性假设进行分析［15］，不考虑样本间的空间相互作用，不适合应用于PM2.5浓度空间分布研究。克里金插值方法适用于研究区域化变量存在空间相关性的问题，其实质是利用区域化变量的实测数据和变异函数的结构特点，对研究区域内未知点的属性值进行无偏、最优估计［11，15］。采用ArcGIS 10.2软件的地统计分析工具箱进行插值分析，经验证和交叉验证多次实验，根据误差最小原则，应用普通克里金法对山东省2014、2015年的PM2.5浓度进行空间插值分析，具体结果如图4所示。

图4 山东省2014、2015年中PM2.5浓度空间插值图/（μg·m-3）

由图4可见，山东省PM2.5浓度的空间分布格局总体上是西高东低，表现出从沿海到内陆逐渐升高的趋势，梯度变化明显；从盛行风向分析，冬季山东省以西北风为主导，在自身排放细颗粒物的同时，从上风向的京津冀地区也携带了大量的细颗粒物过来，加之鲁中有山地的阻挡，一定程度上加剧了山东省西北部地区细颗粒物浓度的累积；到了夏季，盛行风向变成了东南季风，风从海洋吹来，空气中污染物很少，在一定程度上稀释了山东省自身排放的细颗粒物浓度；泰安周围区域为PM2.5浓度分布的谷地，原因是泰安地区地形为山地，较周边城市高差显著，对来自西北方向的细颗粒物有阻挡作用。东部的威海市与西北部的德州市PM2.5浓度值相差近3倍；在季节分布来看，2015年春季和夏季PM2.5浓度值均较2014年有明显改善，夏季全省PM2.5浓度值基本上低于80μg/m3，而冬季仅有胶东半岛浓度值较低。

2 PM2.5浓度与其他污染物的相关性

空气质量监测指标（SO2、CO、NO2、O3、PM10、PM2.5）之间相互影响，文中通过计算空气质量监测指标之间的相关系数测定其密切程度，相关系数由式（5）计算为

式中：rxy为要素x与y之间的相关系数和分别表示两个要素样本值的平均值。rxy值介于［-1，1］，rxy＞0，表示正相关，越接近于1相关性越强；rxy＜0，表示负相关，越接近于 -1表示负相关性越强；rxy值接近于0，表示两要素相关性越弱［15］。

应用MATLAB R2014a软件对2014、2015两年共728 d的PM2.5质量浓度值与PM10、SO2、CO2、O3、NO2的质量浓度值进行相关系数分析。表2中上三角为相关系数，下三角为相关系数对应的P值。

由表2中可见，各种污染物相关系数的P值非常小，几乎接近于0，这表明各种污染物的两两相关性均达到了极高的显著性水平。其中，PM2.5浓度与PM10、SO2、CO、NO2等污染物浓度存在极高的正相关性，PM2.5与PM10的相关系数最高，与O3的浓度值存在负相关性。PM2.5主要由人为产生，在污染物排放量大和不利于扩散的气象条件下，PM2.5易成首要污染物［20］。O3以自然来源为主，在高温和强光照条件下，浓度易升高［20］。O3与PM2.5浓度上升的条件相反，当PM2.5浓度高时，O3污染轻；当O3浓度高时，PM2.5污染低［20］。从空间上来看，城乡差别明显，城区O3浓度高于郊区和农村的O3浓度［21］。

表2 PM2.5浓度与其他污染物的相关系数

3 PM2.5浓度与气象因子的相关分析

3.1 PM2.5浓度与风向的关系

选取浓度值最高的2015年12月24日及其前后两天的数据分析PM2.5浓度与风向的关系。首先对山东省88个监测站的PM2.5浓度数据进行空间插值分析，结果如图5所示。

查阅这3 d的气象资料（见表3）可知，23日全省以西北风和东北风为主，风力为3～4级微风，PM2.5浓度分布西北高、东南低，梯度变化明显。24日，风向为北风（东北风、西北风）和南风（东南风、西南风）各占一半，在23日PM2.5浓度分布的基础上，PM2.5细颗粒物继续由西北向东南扩散，加之部分地区为东南风，PM2.5浓度分布梯度变化与23日比不明显，且出现局部高值区（菏泽、德州等）。25日，全省为西南风和东南风各占一半，PM2.5浓度分布梯度变化不明显，污染明显减轻，并呈现西北、东南方向的条带状分布。

3.2 PM2.5浓度与风速、温度、气压的关系

PM2.5粒径小，可长期悬浮于大气中，其浓度变化必然受到各种气象条件的影响。考虑到数据的可获取性，选取济南市2015年1、4、7、10等4个月份的温度、风速、大气压、相对湿度和露点温度等气象数据（采样数据均为距地面2 m高位置）。为便于比较分析，计算的各月份各指标的平均值见表4。采用式（6）对PM2.5与各气象因子进行相关分析，计算的相关系数见表5。

图5 山东省2015年12月23～25日PM2.5浓度的空间格局图

表3 23～25日山东省各市主要风向

表4 济南市2015年1、4、7、10月份的温度、风速、大气压、相对湿度和露点温度的平均值

表5 PM2.5浓度与气象因子的相关系数

由表4和5可见，1月份PM2.5浓度最高，10 月份较高，4和7月相对较低。各月份平均风速差别较小，PM2.5浓度与风速呈现负相关性，当PM2.5浓度较高时（1和10月份），PM2.5浓度与风速的相关性不显著；当PM2.5浓度较低时（4和7月份），PM2.5浓度与风速的相关性分别达到了0.01和0.001的显著性水平。PM2.5浓度与温度的相关性在1、4和7月份均不显著，在10月份两者的相关性达到了0.05的显著性水平。当大气压最高时（1月份），PM2.5浓度与大气压呈负相关，且达到了0.05的显著性水平；当大气压最低时（7月份），PM2.5浓度与大气压呈正相关，也达到了0.05的显著性水平。当相对湿度较低时（1和10月份），PM2.5浓度与相对湿度呈正相关，达到了0.05的显著性水平，当相对湿度较高时（4和7月份），PM2.5浓度与相对湿度的相关性不显著。当露点温度较高时（7月份），PM2.5浓度与露点温度的相关性不显著；当露点温度较低时（1、4、10月份），PM2.5浓度与露点温度的呈正相关性，且分别达到了0.01和0.001的显著性水平，两者的相关性极为显著。

4 结论

通过上述研究可知：

（1）山东省PM2.5浓度时间变化规律明显。2014～2015年山东省的PM2.5浓度日均变化曲线呈现冬季高、夏季低的U型状态。PM2.5浓度时间序列自相关性较强，一阶自相关系数为0.6896，1～20阶自相关系数均大于临界值0.124。山东省PM2.5浓度空间分布规律明显，PM2.5浓度呈现由东南沿海向西北内陆递增趋势。

（2）PM2.5的浓度与风速、风向、气温、大气压、相对湿度和露点温度等气象因素存在一定关系。在不同的月份其相关性也存在一定差异。

（3）PM2.5的浓度与NO2、SO2、CO、PM10、O3等的浓度相关性较强，对应相关系数分别为0.7846、0.6735、0.9043、0.9214、-0.3122。在治理雾霾时，应对空气质量监测的6项指标综合治理。

［1］ Tian S.，Pan Y.，Liu Z.，et al..Size-resolved aerosol chemical analysis of extreme haze pollution events during early 2013 in urban Beijing，China［J］.Journal of Hazardous Materials，2014（279）：452-460.

［2］ 朱增银，李冰，赵秋月，等.对国内外PM2.5研究及控制对策的研究与展望［J］.环境科技，2013（261）：70-74.

［3］ 杜金花，黄晓锋，何凌燕，等.深圳市大气细粒子（PM2.5）中汞的污染特征［J］.环境科学研究，2010，23（6）：667-673.

［4］ 冯茜丹，党志，黄伟林.广州市秋季PM2.5中重金属的污染水平与化学形态分析［J］.环境科学，2008，29（3）：569-575.

［5］ 孟紫强，张全喜.沙尘暴PM2.5对大鼠肺细胞DNA损伤效应［J］.中国公共卫生，2006，22（12）：1458-1459.

［6］ 陈威，郭新彪，邓芙蓉，等.大气细颗粒物对A549细胞炎性因子分泌影响［J］.中国公共卫生，2007，23（9）：1080-1081.

［7］ 杨洪斌，邹旭东，汪宏宇，等.大气环境中PM2.5的研究进展与展望［J］.气象与环境学报，2012，28（3）：77-82.

［8］ 徐敬，丁国安，颜鹏，等.北京地区PM2.5的成分特征及来源分析［J］.应用气象学报，2007，18（5）：645-654.

［9］ 李松，罗绪强，李恋，等.基于GIS的中国PM2.5浓度的空间分布及影响因素分析［J］.水土保持通报，2015，35（4）：202-205，212.

［10］林巧莺，陈永山.中国城市冬季PM2.5空间特征及其人为影响因子［J］.生态与农村环境学报，2015，31（4）：460-465.

［11］王振山，方创琳，许光，等.2014中国城市PM2.5浓度的时空变化规律［J］.地理学报，2015，70（11）：1720-1734.

［12］王占山，李云婷，陈添，等.2013年北京市PM2.5的时空分布［J］.地理学报，2015，70（1）：110-120.

［13］GB 3095—2012.环境空气质量标准［S］.北京：中国环境科学出版社，2012.

［14］陈彦光.基于Matlab的地理数据分析［M］.北京：高等教育出版社，2012.

［15］徐建华.计量地理学［M］.北京：高等教育出版社，2006.

［16］Tobler W..A computer movie simulating urban growth in the Detroit region［J］.Economic Geography，1970，46（2）：240-243.

［17］曹蕾.区域生态文明建设评价指标体系及建模研究［D］.上海：华东师范大学，2014.

［18］闵曙辉，张郴，潘颖.基于ESDA-GIS的江苏省13辖市旅游空间关联分析［J］.旅游研究，2015，7（2）：52-57.

［19］Lee S.J.，Serre M.L.，Van Donkelaar A.，etal..Comparison of geostatistical interpolation and remote sensing techniques for estimating long-term exposure to ambient PM2.5 concentrations across the continental United States［J］.Environment Health Perspect，2012，120（12）：1727-1732.

［20］罗岳平，刘孟佳，甘杰，等.长株潭城市环境空气中PM2.5和O3质量浓度的相关性研究［J］.安全与环境学报，2015，15（4）：313-317.

［21］刘洁，张小玲，徐晓峰，等.北京地区SO2、NOx、O3和PM2.5变化特征的城郊对比分析［J］.环境科学，2008，29（4）：1059-1065.

Tem poral and spatial variation and its influencing factors of PM 2.5 concentration in Shandong Province

Fan Kaifang，Shan Baoyan*
（School of Surveying and Geoinformatics，Shandong Jianzhu University，Jinan 250101，China）

PM 2.5 is an important target of air quality monitoring，and understanding the temporal and spatial variation of PM2.5 is of great significance for governing gray haze.Based on 728 days'air quality monitoring data from 2014 to 2015 and relevantmeteorological data of 17 cities in Shandong province，using time series analysis，correlation analysis，spatial autocorrelation and spatial interpolation，we studied the spatial and temporal variation of the concentration of PM2.5 in Shandong Province and analyzed the influence of meteorological factors on PM2.5 concentration.The results show that the wintermonths presentwith a higher concentration，relatively lower in summermonths，showing a U-shape changes.The time series autocorrelation of PM2.5 concentration changes was strong，and first order autocorrelation coefficient reaches 0.6896.The concentration distribution of PM2.5 shows obvious spatial agglomeration characteristics.The direction ofwind has an obvious effect on the aggregation and diffusion of PM2.5 concentration；PM2.5 concentration and meteorological conditions show a certain correlation；in different months the correlation is significantly different. Meanwhile，the concentration of PM2.5 and SO2，CO，NO2，PM10 exists a highly positive correlation coefficientwhile a negative correlation with O3.In the process of governing the haze，we should carry on the comprehensivemanagement of various pollutants.

X513

A

1673-7644（2017）01-0039-08

2017-01-19

教育部人文社会科学研究规划基金项目（12YJA790019）；住房和城乡建设部研究开发项目（2012-K8-22）

范开放（1991-），男，在读硕士，主要从事3S技术在城市建设及其管理中的应用等方面的研究.E-mail：fankaifang_dili＠163.com

*：单宝艳（1970-），男，教授，硕士，主要从事GIS与区域规划等方面的研究.E-mail：shan7066＠sdjzu.edu.cn