基于小波的合肥市NO2浓度时间序列分析

，， (合肥市环境监测中心站，安徽 合肥 230031)

基于小波的合肥市NO2浓度时间序列分析

许承娟，魏健琍，千勇
(合肥市环境监测中心站，安徽 合肥 230031)

为分析合肥市NO2浓度的时间序列特征，利用Dau bechies小波对合肥市近5a的NO2浓度变化进行分析，发现合肥市NO2浓度年均值在2013、2016年有两次波峰，2013年之后整体呈增长趋势。季节特征表现为冬高夏低，冬季污染爆发频次最高，秋季和春季次之。NO2污染最重的月份一般是12月或1月，污染最轻的月份为7月或8月，而12月是NO2浓度波动最大的月份。各监测点有明显的空间差异性，其中董铺水库和三里街分别是年均值最小和最大的两个点位。NO2浓度的这些变化特征可对后续合肥市NO2和O3的污染防治提供参考依据。

NO2浓度；时空分布；小波分析；时间序列；合肥市

随着工业化和城市化进程的加快，来自机动车尾气、工业排放、燃料燃烧、农业活动排放等组成的人为源是近年来近地面NO2上升的主要原因。NO2与O3的生成密切相关，在紫外线强烈照射条件下，发生光化学反应生成O3，形成光化学烟雾。同时，NO2还是二次颗粒物的前体物和酸雨的成因之一，对土壤环境、水体和人体健康[1-2]都有极大的威胁。因此NO2浓度的研究也成为环境科学的研究热点之一。

1 材料与方法

1.1 数据来源

NO2监测数据来自于中国环境监测总站，采样仪器型号EC9841，仪器分析方法为化学发光法。气象资料来自于合肥市气象局逐日和逐小时数据。

1.2 分析方法

传统傅里叶变换对于分析稳定信号有一定优势，但仅从频域角度进行分析，短时傅里叶变换虽增加了时间窗的概念，但在本质上仍是单一分辨率的分析方法。对于研究环境数据这类非平稳信号问题，由于傅里叶采用了振幅和频率恒定的正弦波进行模拟，对于突变信号易丢失局部信息。而小波分析采用了不规则的、振幅和频率突变的、在有限时间内的小波进行模拟，可有效探测到信号突变部分，聚焦细节，有着其他分析方法不能比拟的优势。

小波分析是一种时间-尺度分析方法，具有多分辨分析的特点，小波变换通过平移母小波(mother wavelet)获得信号的时间信息，而通过缩放小波的宽度(尺度)获得信号的频率特性。对母小波的缩放和平移计算出小波系数，系数代表了该小波和局部信号之间的相互关系。小波系数包括了近似系数(approximation)和细节系数(detail)，分别对应信号的低频和高频分量。

本文采用的Daubechies(DbN)小波是紧支集正交小波，具有较好的正则性，其消失矩越高光滑性越好，频域的局部化能力就越强。通过将信号进行多层分解，得到各层的近似系数A和细节系数D，见图1。再做去噪处理得到重构后的信号，同时，对各层细节系数补0得到噪声信号。

2 结果与讨论

2.1 年变化特征

2012—2016年合肥市的NO2年均值分别达到31 μg/m3、38 μg/m3、30 μg/m3、33 μg/m3和45 μg/m3，其中,2014年年均值较低，而2016年上升显著，为5a来年均最大值。图2呈现的是5a来的NO2日均值变化情况。

采用db9小波，对合肥市5a的NO2日均数据进行5层分解，得到近似系数和第5层的细节系数。图3展现了通过近似系数重构后的信号，近5a来,每年冬季1月前后NO2均会显著上升并达到一个峰值，而夏季则逐渐回落形成波谷。2012-2014年表现尤为明显，2015年出现3次NO2波峰，分别在1月、6月前后、10—12月整个冬季，而3月份、7—8月份出现了2次明显的波谷。2016年在7月份出现全年的最低值，而从11月开始逐步上升达到全年的峰值，同时也达到了5a来的NO2巅峰。

图4是小波分解重构后的高频噪声信号，噪声值代表NO2浓度变化情况，噪声越大说明污染突发越严重，图中噪声最大的10个时间点分别是:2014年1月2日、2013年12月25日、2012年10月21日、2016年4月2日、2013年12月4日、2013年3月16日、2013年1月28日、2013年10月26日、2013年12月10日、2016年10月30日。其中冬季爆发高污染5次，秋季3次，春季2次。结合污染前后的气象数据，该10次污染的发生，不利气象条件(风向转变、风速减小、湿度大)是NO2浓度累积上升的主要原因。而次日风速增大、风向改变使NO2浓度得以迅速下降。

2.2 月变化

图5显示了各年的月均值情况，以及该月的历年值标准差。可以看到，夏低冬高的季节特征显著，每一年中，月均值的最大值均出现在12月或1月(冬季)，而最低值则出现在7、8月(夏季)，春秋季出现两次小的峰值。一年中标准差最大值出现在12月份，达到15.4 μg/m3，表明在12月份NO2浓度波动最强烈，即污染排放较其他月份有更高的不稳定性。

2.3 空间变化特征

从空间变化来看，合肥市内共10个监测点，各点位的年均值及其标准差变化见图6。再对各点位的5a NO2日数据进行db9小波分解重构，得到低频部分，见图7。董铺水库监测点位于合肥市饮用水源保护地，其水域面积超200 km2，NO2污染程度较其他点位轻。该监测点位从2012—2016年的年均值分别为21 μg/m3、 32 μg/m3、29 μg/m3、29 μg/m3、31 μg/m3，标准差为4.31 μg/m3，位于全部监测点最低。从2013之后该点的NO2浓度年均值变化不大，也可说明NO2区域背景值近年来相对稳定。

其他监测点位中，三里街、明珠广场各年浓度相对较高，同时三里街也是标准差最大的点位，从数据上看，该点2012年年均值相对较低，而从2013年开始则出现大幅上涨。该点位临近火车站，人口密度大，周围交通干道发达，汽车尾气排放成为其NO2浓度上升的主要因素。瑶海区、明珠广场、琥珀山庄三个点位5a来波动上升，庐阳区和高新区则在2016年增速明显，滨湖新区为新开发区，人口密度小，工业源很少，日均值未出现大幅增长。总的来说，各点位的NO2浓度有较大的空间差异性，与所在区域的经济发展情况、人口增长、工业化共同作用密切相关。

3 成因分析

3.1 人为排放

合肥市近年来城镇化脚步加快，城市扩张、人口增长带来的人为源排放增大。L.N.Lamsal等[4]研究了人口数量与NO2浓度的关系，结果表明两者相关性显著，中国相关系数为0.69，美国为0.71。Shima M 等[5]证明了道路机动车排放对地面和室内NO2浓度上升的促进作用，郑晓霞等[6]研究发现NO2浓度与工业能耗、能源消耗总量之间密切相关。

2016年合肥市城市GDP增速达到10.85%，机动车保有量超过142万辆，同比增长22.3%，从2010年开始每年汽车保有量保持20%的增长水平，汽车保有量和人口增长迅猛，直接带来NOx排放造成了近年来NO2冬季持续走高。与此同时，2016年受电力行业能源需求较快增长的拉动，工业能耗持续增长，扭转了2015年持续下降的走势，单位工业增加值能耗降幅收窄。通过污染源排放清单得知[10]，工业、电力、交通对NOX排放贡献约占90%左右，因此，加快工业结构优化进度、加大工业排放治理力度、强化机动车排放监管，才能保障环境空气质量的逐步改善。

3.2 季节因素

光化学循环是大气化学过程的基础，夏季炎热，氮氧化物NOX作为O3的前体物和大气挥发性有机物VOCS在强烈的紫外辐射下发生化学反应生成O3，造成夏季O3污染频发。宋从波、张予燕等[7]通过NO2、NO与O3之间光化学反应过程验证了O3与NO2此消彼长的负相关性，这是导致NO2浓度夏低冬高的主要原因。另外，冬季合肥周边秸秆燃烧普遍，边界层高度的影响也不利于污染物扩散，令NO2污染加重。

3.3 气象因素

NO2浓度与气象要素的关系并非简单的线性相关，分析合肥市5a来气象数据与NO2浓度发现，两者呈现一定负相关关系，从图8中看到，当风速增大超过1 m/s时，NO2浓度下降，说明风速增大对NO2的扩散和清除有较好的推动作用。图中第二象限表明NO2污染加重往往发生在风速减小时，但风速的减小不一定导致污染。

4 总结

(1)利用db9小波做NO2时间序列分析。近年来合肥市NO2年均值呈上升趋势，数据显示出冬季季节性高峰，秋季和春季也会有2次小的波峰，夏季为波谷。一年中以12月份的NO2最高，且各年波动较大。各监测点位，以三里街变化较为突出，年均值超过其他点位，董铺水库NO2污染最轻。

(2)工业排放、机动车尾气、生物质燃烧成为合肥市NO2排放的主要贡献者，其次，不利的气象条件进一步加剧污染积累并导致冬季污染高发。

总之，对NO2进行小波分析可直观有效地得到其周期变化规律和污染突发的时间点，为做好城市污染预测和防治提供了非常好的思路和方法。

[1]Barck C，Lndahl J，Halldén G，et al. Brief exposres to NO2agment the allergic inflammation in asthmatics[J]. Environmental Research，2005，97 (1)：58-66.

[2]K Ohyama，T Ito，M Kanisawa. The roles of diesel exha?st particle extracts and the promotive effects of NO2and/or SO2exposre on rat lng tmorigenesis [J]. Cancer Letters, 1999, 139 (2)：189-197.

[3]Hao N，Zho B，Chen D，et al. Meas rements of NO2, SO2, O3, benzene and tol ene sing differential optical absorption spectroscopy (DOAS) in Shanghai, China [J]. Annali Di Chimica，2006，96 (7-8)：365-375.

[4]L.N.Lamsal，R.V. Martin，D.D.Parrish，et al. Scaling Relationship for NO2Poll tion and rban Pop lation Size: A Satellite Perspective [J]. Environ. Sci. Technol.，2013，47(14)：7855-7861.

[5]M. Shima，M. Adachi.Indoor nitrogen dioxide in homes along tr nk roads with heavy traffic [J]. Occ pational and environmental medicine，1998，55(6)：428-433.

[6]郑晓霞，李令军，赵文吉，等. 京津冀地区大气NO2污染特征研究 [J]. 生态环境， 2014(12):1938-1945.

[7]宋从波，李瑞芃，何建军，等. 河北廊坊市区大气中NO、NO2和O3污染特征研究 [J]. 中国环境科学，2016，36(10)：2903-2912.

[8]陈柳，马广大. 小波分析在PM10浓度时间序列分析中的应用[J]. 环境工程，2006，24(1)：61-63.

[9]G Norris，T Larson. Spatial and temporal meas rements of NO2in an rban area sing contin o s mobile monitoring and passive samplers[J]. Journal of exposre analysis and environmental epidemiology，1999，9 (6)：586-593.

[10]田贺忠，郝吉明，陆永琪，等. 中国氮氧化物排放清单及分布特征[J]. 中国环境科学，2001，21(6)：493-497.

[11]尉鹏，任阵海，苏福庆，等.中国NO2的季节分布及成因分析[J]. 环境科学研究，2011, 24(2)：155-161.

[12]冯奇，吴胜军，杜耘，等.基于小波的武汉市PM10空气污染指数时间序列分析[J]. 华中师范大学学报(自然科学版)，2010，44(4)：678-685.

TimeSeriesAnalysisofNO2ConcentrationinHefeiCityBasedonWaveletAnalysis

XU Cheng-juan, WEI Jian-li, QIAN Yong
(Hefei Environmental Monitoring Centre, Hefei Anhui 230031, China)

In order to analyze the time series characteristics of NO2concentration in Hefei using the Daubechies wavelet to do the analysis in Hefei in recent 5 years. The average annual concentration of NO2in Hefei had two peaks in 2013 and 2016.The concentration showed an increasing trend overall after 2013. Seasonal characteristics of the performance were high in winter and low in summer. The pollution mostly happened in winter, followed by autumn and spring. The most pollutedmonths of NO2were often December or January, the least month in July or August. December was the month that the NO2concentration fluctuated the most. There were obvious spatial differences in the monitoring points, among which Dongpu Reservoir was the smallest of annual average and Sanlijie Street was the largest. These changes could provide a reference to NO2and O3pollution control.

NO2; spatial and temporal distribution;waveletanalysis; Daubechies wavelet; Hefei

2017-05-08

许承娟(1985-)，女，安徽潜山人，工程师，研究生，模式识别与智能系统专业，主要从事环境空气监测、空气质量预报预警工作。

X51

A

1673-9655(2017)06-0052-06