南宁市PM2.5浓度与气象因素的关系

谢劭峰， 周志浩， 李国弘

(桂林理工大学测绘地理信息学院，广西空间信息与测绘重点实验室，桂林 541006)

随着中国城市化的进程和经济的不断发展，在频繁的人类活动中有大量的有害气体排放到了空气中，对人们所居住的大气环境造成了严重的影响。当遇到大气污染扩散条件较为恶劣时，空气污染将进一步加剧[1]，这给人们的生活和居住的环境带来了不良的影响。空气质量指数(air quality index, AQI)[2]是定量描述空气质量状况的无量纲指数。空气质量评价指数是由六项主要污染物构成，它们分别是 PM2.5、PM10、SO2、NO2、O3、CO。空气质量通常按数值分为六个等级，一级优(I 0～50)、二级良(II 51～100)、三级轻度污染(III 101～150)、四级中度污染(IV 151～200)、五级重度污染(V 201～300)、六级严重污染(VI 301～500)。空气最主要的污染成分是PM2.5(细颗粒物)，高浓度的PM2.5不仅会降低能见度影响交通运输[3]，甚至影响人体健康。PM2.5称为细颗粒物，指在空气中物体直径小于等于2.5 μm的颗粒物。它能够较长时间的悬浮在空气中，输送距离远，同时颗粒直径小，面积达，活性强，易于附带有毒、有害的物质，对人体健康和大气环境质量的影响更大[4]。2017年南宁市首要污染物为PM2.5的天数占到整年度的非I级天数比例的62%，PM10占到了38%，并且PM2.5与PM10具有强烈的相关性，它们之间的Pearson系数达到了0.8以上。而AQI与PM2.5的Pearson系数为0.977，说明南宁市的空气质量指数主要是由PM2.5的浓度值决定。有研究表明不利的气象条件会显著加重PM2.5污染过程，Tai等[5]发现温度、相对湿度、降水和大气循环等条件能够较好地解释北美地区 PM2. 5浓度的变化情况。张双成等[6]结合水汽资料分析了雾霾天气时PM2.5的浓度变化特征。张文静[7]通过解算大气水汽以及对流层延迟，建立了香港地区的PM2.5回归预测模型。丁一汇等[8]、王珊等[9]、毛敏等[10]、梁春丽等[11]对雾霾天气及其影响因素分别进行了深入的研究，研究表明气象因素对于雾霾天气的形成以及PM2.5浓度变化有着显著影响。基于此结合气温、相对湿度、风速、降雨量、气压等气象因素以及GPS(全球定位系统)，对流层总延迟(ZTD)、对流层干延迟(ZHD)、水汽(PWV)等分析PM2.5的时空特征变化。

1 研究数据

南宁是广西壮族自治区首府及政治、经济、文化中心，位于广西南部偏西，介于东经107°45′～108°51′，北纬22°13′～23°32′。气候属季节变化明显的亚热带季风性气候区，气候温和，雨量充沛，夏长视夏季潮湿，冬季稍显干燥；地形是以邕江广大河谷为中心，南、北、西三面均为山地围绕的盆地形态。

实验数据主要包括空气质量数据、气象数据、GPS对流层数据。采用相关性的方法分析PM2.5浓度与气象因子、对流层数据之间的关系。通过气象数据和GPS对流层数据研究空气污染物PM2.5浓度值的变化特征并建立多元线性回归模型。

(1)空气质量数据：广西壮族自治区环境保护厅数据中心提供了逐小时的各项污染物浓度值历史数据。

(2)气象数据：气象逐小时数据如气压、气温、降雨、风速等由国家气象数据中心提供。

(3)GPS对流层数据：中国地震局GNSS(全球导航卫星系统)数据产品服务平台提供的ZTD数据，根据Saastamoinen模型计算的ZHD，以及由ZTD、ZHD计算的对流层天顶湿延迟(ZWD)[12]。

(1)

ZWD=ZTD-ZHD

(2)

式中：ZHD是对流层天顶静力学延迟；ZWD是对流层天顶湿延迟；P是测站大气压；φ是测站纬度；H是测站大地高。

现将得到的数据进行汇总整理，按季节分别来讨论PM2.5浓度变化特征。

2 PM2.5浓度与气象因子的相关性分析

2.1 PM2.5浓度和气象因子的日变化特征

为了更好地分析PM2.5浓度值变化与气象因子之间的关系，将南宁市2017年整年度的数据按小时平均值制成日变化趋势图，如图1所示。从图1(a)来看，南宁市PM2.5日变化特征大致呈现出的是双峰双谷特征，波峰分别出现在中午12：00，以及傍晚的23：00。12：00时刻的PM2.5浓度变化趋势较为平稳，波峰不太明显；从图(a)中能明显看到当过了12：00后PM2.5的浓度快速降低，直至午后17：00达到一天中的最低值，然后又快速升高至21：00，再以较为平缓的速度在23：00升高至一天的最高值。PM2.5浓度在0：00以及1：00都是保持着较高的数值，之后再以较快的速度下降到6：00的波谷，6：00—12：00的PM2.5浓度呈现的是较为平缓的上升阶段。图1(a)显示了南宁市的气温日变化趋势是从早晨7：00持续升高，直到下午16：00达到了一天中的气温最大值，然后一直下降到次日的7：00。一天中最高气温点为16：00，对应了PM2.5浓度值的最低点，处于该时刻的气温最大，局部温差差异增大，空气的端流运动增强，从而有助于PM2.5在空气中的扩散。相对湿度的变化趋势从图1(b)可以看出正与气温相反，7：00最高，13：00最低。这是因为随着温度的增高空气中可以含的水就越多，也就是说，在同样多的水蒸气的情况下温度升高相对湿度就会降低。相对湿度对于PM2.5的影响主要体现在当无降雨空气相对湿度在60%～80%以下时，颗粒物的二次生成作用较强，PM2.5的浓度同相对湿度呈正比关系。在图1(c)中，风速在凌晨保持一个较低的数值，7时后开始增加，到10：00达到一个相对较高的值然后持续到傍晚19：00才开始下降。可以看到风速与PM2.5呈现的是负相关的关系，风速越大越有利于PM2.5的扩散，从而有效地降低当地的PM2.5浓度值。气压日变化[图1(d)]同样也呈现出了双峰的特征，在10：00达到主高峰，在23：00达到次高峰。气压与PM2.5的变化趋势最为接近，同样呈现出了双峰双谷的日变化特征，并且对应的波峰波谷时刻一致。气压高低与大气环流密切相关，当地面受低压控制时，四周高压气团流向中心，使中心形成上升气流从而加大风力，这样有利于污染物向上疏散降低颗粒物的浓度。相反，若地面受高压控制，中心部位出现下沉气流，抑制污染物向上扩散，在稳定高压的控制下，污染物积累，颗粒物浓度加剧。从图1(e)上看ZTD，整体上0：00—11：00一直保持较高水平，11：00后急剧下降，直到16：00达到最低，然后开始上升。ZTD与PM2.5浓度变化趋势较为一致，二者都是由12：00开始降低，直到16：00左右达到了一天中的最低值。

图1 PM2.5、气象因素、ZTD日变化趋势

2.2 PM2.5浓度和气象因子的季节变化特征

根据PM2.5浓度变化特征在不同季节有着明显差异，将由广西壮族自治区环境保护厅获取的实测PM2.5浓度值数据绘制成年浓度变化折线图(图2)，从而分析不同季节的PM2.5浓度变化特征。南宁市PM2.5浓度季平均值分别为40.17 μg/m3(春3—5月)、36.12 μg/m3(夏6—8月)、53.76 μg/m3(秋9—11月)、69.80 μg/m3(冬12—次年2月)，呈现出了冬>秋>春>夏的趋势。不同季节PM2.5浓度值日变化也不同，春季日变化均值为18.09 μg/m3，夏季日变化均值为15.71 μg/m3，秋季日变化均值为23.81 μg/m3，冬季日变化均值为43.87 μg/m3。从图2也能看出冬季的波动幅度较大，夏季波动幅度较小，南宁市PM2.5浓度呈现较为明显的季节性变化特征。在此特别需要指出的一点是1月28日的空气质量出现了重度污染天气，污染物PM10、PM2.5出现严重超标现象，浓度值异常高。从图2中可以看到，在凌晨二点时刻PM2.5浓度达到了最高值391 μg/m3。对此进行研究分析发现是由于1月28日正值农历春节人类活动较频繁，春节燃放烟花炮竹较多，且春节期间气温升高，地面风速小，大气条件不利于空气污染物的扩散。这在一定程度上说明了污染物PM2.5浓度值变化受到春节的“假日效应”影响。在统计不同季节的空气质量级别分布情况后，将其绘制成表1。从表1中可以看到夏季的空气质量情况最好，多数时间处于优良的空气质量状况中。冬季的空气质量情况最差，其中空气质量为优的情况仅占到了整个季度的22.8%，占优比例远远小于其他的季节，并且出现了重度以及严重污染的空气质量情况。

图2 南宁市2017年PM2.5浓度变化

表1 空气质量级别分布

气象因素以及对流层延迟呈现出了较为明显的季节性分布特征，夏季高温多雨对流层总延迟大而干延迟较低、冬季低温少雨对流层总延迟小干延迟较大。统计不同季节PM2.5、气象因素、ZTD迟的数据绘制成表2。同时大气污染物PM2.5的浓度与气象因素有着密切的关系，将PM2.5浓度值与气象因素、其他污染物浓度值在不同季节的Spearman相关系数绘制成表3，从表3中可以看到SO2、NO2、CO三项污染物与PM2.5的相关性较强，且随季节变化，在秋季呈现的相关性就要比其它季节强。气温对PM2.5浓度值的影响，主要体现在当气温较高时，大气垂直湍流作用加剧，有利于污染物的扩散。相反当对流层出现逆温层时，会阻碍PM2.5垂直方向的扩散运动，使得污染物聚集在近地层的大气中从而加剧了空气污染的程度。因此气温与PM2.5二者呈现出的是负相关性，气温对PM2.5浓度值变化的影响显著。表2中冬季的平均气温最低为15.3 °C，最容易出现逆温层现象，因而多发高污染空气情况。夏季平均温度是四季中最高的，其数值达到了27.8 °C，因此夏季的大气湍流运动强度大，大气污染物扩散条件好，多呈现为优、良空气质量状况。相对湿度在夏季与PM2.5的相关性最明显，从表3来看它们之间具有负相关的特性。统计数据表明，当湿度处于30%～50%时，PM2.5浓度均值为56.2 μg/m3，50%～60%相对湿度时的PM2.5浓度均值为47.8 μg/m3，60%～70%相对湿度时的PM2.5浓度均值为37.2 μg/m3，70%～80%相对湿度时的PM2.5浓度均值为36.3 μg/m3，相对湿度大于80%时刻的PM2.5浓度均值为28.8 μg/m3。表3中风速与PM2.5的Spearman相关系数不管在任何季节中都是呈现的负相关性，既随着风速的增大污染物PM2.5的浓度值会随之降低。风速影响着污染物扩散的情况，排放源的污染物会随着风被传送到其他地区，从而得到稀释。风速越大，污染物扩散的效果就越好，通常持续一段时间的强风会使当地的PM2.5浓度值处于一个较低的水平。一般傍晚至凌晨时间段的风速较低，因而在这个时间段的PM2.5的浓度值呈现出相对一天中较高的浓度值。南宁市PM2.5浓度年均值为33.7 μg/m3，处于二级风速(1.6 m/s)以下时刻的PM2.5浓度均值为39.8 μg/m3，特别当天气出无风(0～0.3 m/s)状态时的PM2.5浓度均值达到了58.9 μg/m3，同时风速与PM2.5的相关性在冬、春季呈现的要比夏、秋季强。ZTD与PM2.5浓度值的相关性在春、夏季呈现负相关，其中夏季的Spearman系数达到了-0.452。而在秋、冬季则为正相关，但它们之间的Spearman相关性系数较小。降雨对大气污染物有很好的冲刷作用，雨滴降落时，大气中的气体，有时包括颗粒物，经雨滴的溶解或粘附而被去除。统计数据表明，降雨期的PM2.5浓度均值为24.6 μg/m3，非降雨时刻的PM2.5浓度均值为34.7 μg/m3。特别以一月份数据为例，其PM2.5浓度月均值为60.7 μg/m3，而一月中旬有较多的降雨，PM2.5浓度均值仅为33.7 μg/m3，空气质量状况多呈现为优良。显著性是评估原假设即它们之间存在相关性为真的情况下拒绝此假设所要承担的风险水平，通常取显著性(α=0.05)。

表2 气象因素、对流层延迟季节均值

表3 PM2.5与气象因素、对流层延迟的Spearman秩相关系数

3 模型预测

从Spearman相关系数表(表3)来看，PM2.5与SO2、NO2、CO等污染物具有较高的相关性。在分析了污染物、气象因子与 PM2.5之间的相关性和趋势图的基础上，对它们进行多元线性回归，建立它们之间的关系方程式。通过PM2.5与其他因素的相关系数值，选择多个自变量对PM2.5浓度值进行预测建模。相关系数绝对值的大小决定它们之间相关性的强弱，对不同季节的PM2.5浓度值作为因变量，采用相关系数较大的因子作为自变量，同时满足显著性小于0.05。PM2.5数据作为因变量建立模型，采用多元线性回归进行分析，分析结果见表4。其中R2代表多元线性回归模型的拟合度，在0～1取值，其值越与1接近，代表拟合度越好；反之，说明拟合度越差。

以SO2、NO2、CO、气温、风速、降雨、相对湿度、ZTD、ZHD作为自变量，PM2.5数据作为因变量建立的多元线性回归模型，从模型的拟合度R2来看预测效果较为显著，其中秋季模型的拟合度最大达到了0.747。下面以南宁市为例对季节预测模型进行精度验证，如果如图3所示。取四月份中旬实测数据对春季模型的预测精度进行验证，图3(a)是春季模型在四月中旬的预测值与实测值的比较，蓝色实线为实测的PM2.5浓度值，绿色虚线为模型的预测值，可以看到二者整体变化趋势保持一致，通常在波峰与波谷处二者相差较大。并且预测值的波动频率要比实测值的大，实测值一般在某一段时间内保持稳定，即对气象因素的响应敏感度不大，不会随着某一气象因素的改变立刻增大或降低。夏季模型

表4 PM2.5与气象因素、对流层延迟的多元线性回归方程

注：x1～x9分别代表SO2、NO2、CO、气温、风速、降雨、相对湿度、ZTD、ZHD。

[图3(b)]中预测值整体上与实测值的变化趋势保持一致，但二者在7月14日有较大的差别，实测值线条较为平稳的在浓度值为20 μg/m3附近波动，而预测值的波动较大，二者浓度值相差最大达到了10 μg/m3。在图3(c)中秋季模型的预测值与实测值差别最大处是在10月16日15时，预测值明显偏大，而实测值较小。PM2.5的预测值高出实测值是因为自变量SO2的浓度值在此段时间内处于一个异常高的浓度值26 μg/m3，而相邻时间段仅为8～9 μg/m3，这可能是受到人为排放源的影响。图3(d)冬季模型的预测值浓度在1月11—13日、17—20日明显要高于实测值，主要由于在该段时间内，有持续的降雨，雨水对于PM2.5有洗涤作用。PM2.5中的铵盐、硫酸盐、和硝酸盐就是典型的亲水组分，被雨水碰撞后可以洗去，因此PM2.5实测的浓度值较低。

图3 多元线性回归模型预测值和实测值的对比

对多元线性回归模型的精度验证结果进行统计，同时计算预测值与实测值的相关系数，统计结果如表5所示。四季中夏季的绝对误差和相对误差是最小的，说明夏季的预测模型要比其他季节的模型精度要高。而冬季的PM2.5浓度值绝对误差最大，一方面因为冬季PM2.5浓度值波动较多，幅度也较大。同时气象因素对PM2.5浓度值的影响具有一定的滞后性。例如，通常降雨时不会立刻降低PM2.5浓度值，往往在雨后几个小时PM2.5浓度值才会显著降低。因此冬季的模型效果较差，其预测值与实测值的相关性也仅为0.416。

表5 多元线性回归模型预测PM2.5浓度值精度验证

4 结论

由上述研究分析可知，PM2.5浓度值的变化与气象因素呈现出明显的季节分布特性，因此按季节对PM2.5、气象因素、对流层延迟进行分析是十分必要的。PM2.5、气象因素、对流层延迟的相关性分析结果显示：PM2.5与SO2、NO2、CO等污染物均呈现正相关，并且它们之间的相关系数随季节波动，在秋季相关系数达到最大。PM2.5与气温的相关性在夏、冬季相对显著，呈现的是正相关性。PM2.5与风速、相对湿度、降雨均呈现出负相关性，但是PM2.5与降雨的相关性较弱。这是由于研究分析的时间跨度大，多数时刻都是没有降雨发生，且降雨对PM2.5浓度的影响有滞后性，即PM2.5浓度值通常是在雨后的几个时刻才会显著降低，因此降雨与PM2.5呈现弱相关性。PM2.5与对流层总延迟(ZTD)的相关性在春、夏季较为显著，呈负相关性，而PM2.5与对流层干延迟(ZHD)呈弱相关性。在分析PM2.5与气象因素、对流层延迟的相关性基础上，建立了多元线性回归预测模型并对其精度进行验证。结果表明：结合气象因素、对流层延迟的多元线性回归模型对于南宁市PM2.5浓度值的预测效果较好，模型的拟合度R2最大达到了0.747，说明该模型适用于南宁市空气污染物PM2.5的监测和预报。