乌鲁木齐市PM2.5分布特征及其预测模型研究

张纯曦，阿丽亚·拜都热拉，刘丽，胡梦玲

(新疆农业大学林学与园艺学院，新疆 乌鲁木齐 830052)

PM2.5是指空气动力学当量直径小于等于2.5 μm的颗粒物，也称为可入肺颗粒物[1]。PM2.5因粒径小、面积大、活性强，易附带有毒、有害物质(如重金属、微生物等)，且在大气中停留时间长、输送距离远、可入肺，因而对人体健康和大气环境质量产生影响[2]。目前许多国家都制定了颗粒物的大气环境质量标准[3]，以保护动植物和人体健康。乌鲁木齐市作为新疆维吾尔自治区的首府城市，是干旱区绿洲城市的代表，近年来空气质量备受人们关注。据2018年中国社会统计年鉴数据显示，2017年乌鲁木齐市PM2.5、PM10年平均浓度分别为74、115 μg/m3，空气质量二级及以上的天数为246 d，占全年总天数的67%[4]，明显高于华北、西北地区。作为丝绸之路经济带的节点城市，根据国家及自治区发展战略，乌鲁木齐市要建设成为“五大中心”，但其能源供应主要以煤、天然气等化石燃料为主，冬季(采暖期)供暖所需燃料较多、排放量大[5]，加之汽车数量增加以及特殊气象状况和地理条件，空气质量较差，这对提升乌鲁木齐市的城市形象不利。目前，乌鲁木齐市已建立了7个监测站、全面开展常规监测，并在国家生态环保部和市环保监测中心网站上实时发布小时浓度数据。目前，国内外模拟颗粒物浓度时空分布的方法主要有空间插值法、土地利用回归模型、空间自相关分析等。王振波[6]利用空间插值法对中国城市PM2.5浓度分布进行了研究，发现京津冀地区空气污染最为严重；贺佳等[7]基于GIS运用LUR模型对西安市PM2.5浓度进行空间分布模拟，表明PM2.5年均浓度高风险区分布于中部，中风险区分布于中南部，低风险区分布于东南部和西部；杨冕等[8]利用空间自相关分析法对长江经济带PM2.5浓度的时空特征分析发现，长江中下游较上游地区、长江北岸较南岸地区污染更为严重。PM2.5浓度变化的预测模型主要有灰色关联模型、神经网络模型(BP-ANN)和多元回归模型等。王鸥[9]基于灰色关联度法对乌鲁木齐市PM2.5及其影响要素进行讨论，得出2014—2016年间月、旬变化中对PM2.5浓度影响最大的要素都是CO；曲悦[10]建立长短期记忆模型的预测结果展示了北京市PM2.5污染与其周边地区的气象条件关系密切；张玉丽[11]基于多元回归分析建立的模型结果较为理想，并为当地政府提出了建议。

关于乌鲁木齐市PM2.5的研究存在研究区域零散、空间尺度小、观测时间尺度短等缺点。本研究以乌鲁木齐市为研究区域，选取国家生态环保部网站公布的乌鲁木齐市7个国控空气质量监测站的PM2.5浓度数据，结合监测站点的经纬度坐标，利用GIS的空间分析功能，借助数理统计方法和地统计学方法，从日际、季节2个时间尺度和区域空间尺度对2018年1—12月乌鲁木齐市PM2.5浓度数据进行分析，探讨乌鲁木齐市PM2.5的时空分布规律，建立PM2.5浓度与各指标的预测模型，旨在合理评估乌鲁木齐市大气环境质量变化特征，弥补以往研究时间序列不完整的缺陷，以期获得更科学的乌鲁木齐市PM2.5时空分布特征以及预测模型，为乌鲁木齐市大气污染治理提供较为科学的理论依据。

1 研究区概况

研究区为乌鲁木齐市(图1)，是新疆维吾尔自治区的首府城市，地理坐标为42°45′32″～45°00′00″N，86°37′33″～88°58′24″E，位于我国西北内陆干旱区新疆中北部，地处天山北麓和准格尔盆地南部，南北最宽处约153 km，东西最长约190 km，海拔580～920 m，自然坡度12‰～15‰。乌鲁木齐市山区面积占50%以上，南部和东北地势偏高、中部和北部偏低，气温属中温带大陆性干旱气候，最热月在7—8月，平均气温25.7 ℃，最冷月为1月，平均气温-25.7 ℃。

2 数据来源与研究方法

2.1 数据来源

本研究的PM2.5浓度数据来自于国家生态环保部空气质量自动检测站公布的乌鲁木齐国控空气质量监测站AQI质量浓度实时数据(http://106.37.208.233∶20035/)，包括2018年1月1日—12月31日乌鲁木齐市监测站、收费站、铁路局、三十一中、培训基地、米东区环保局、新疆农科院7个地面定位监测站全年共计8 496 h的PM2.5、PM10、SO2、NO2、CO、O3时均浓度数据，覆盖乌鲁木齐市全年不同的空气污染级别。对原始数据经过统计分析，得到乌鲁木齐市2018年1月1日—12月31日PM2.5的日均、季均浓度值。

2.2 研究方法

从国家生态环保部网站上获取的数据经过筛选整理，发现存在一定缺失，利用平均数法对缺失数据进行简单非随机插值补全，借助于SPSS 19.0对乌鲁木齐市PM2.5浓度的日、季变化数据进行独立样本t检验。空间分析上，利用ArcGIS 10.2对乌鲁木齐市7个国控空气质量监测站的地理坐标进行编码，形成空间点位属性图层。根据研究需求，将2018年1月1日—12月31日乌鲁木齐市7个国控空气质量监测站的PM2.5浓度数据采用地统计学中的反距离加权法(inverse distance weighted，IDW)模拟乌鲁木齐市主城区PM2.5浓度的空间分布特征。对于PM2.5的预测采用多元回归分析法，以PM10、SO2、NO2、CO、O3等5项AQI指标作为解释变量，PM2.5为目标变量，借助于R语言构建模型，并采用F检验法对方程进行显著性检验。

3 结果与分析

3.1 乌鲁木齐市PM2.5时间浓度特征

3.1.1 乌鲁木齐市PM2.5日均浓度特征

乌鲁木齐市2018年PM2.5日均浓度变化范围在7～241 μg/m3之间，最低值出现在9月25日，最高值出现在1月10日，日均值超过二级指标、低于一级指标的天数分别为87、197 d，占全年总天数的25%、57%。将乌鲁木齐市主城区7个国控空气质量检测站2018年不同季节同一时刻的PM2.5浓度数值进行算数平均，得到乌鲁木齐市2018年不同季节PM2.5日均浓度变化特征(图2)。乌鲁木齐市PM2.5浓度在不同季节表现出不同的变化规律。春季PM2.5浓度一日中峰值(39 μg/m3)出现在0:00—7:00，此时颗粒物一直处于累积过程，7:00—21:00持续下降，至21:00达到一日观测期内最小值(30 μg/m3)，呈单峰单谷形；夏季PM2.5浓度在2:00—3:00和9:00—10:00两个时段分别出现峰值(29 μg/m3)，后波动下降，至20:00出现谷值(20 μg/m3)，同时在15:00和17:00也出现了小高峰(24 μg/m3)，在12:00—13:00出现次谷峰(22 μg/m3)，变化规律不稳定，大致表现为双峰双谷；秋季PM2.5浓度在23:00—24:00时出现最高值(47 μg/m3)，10:00出现次高峰(42 μg/m3)，8:00出现谷值(39 μg/m3)，14:00—15:00出现次谷峰(40 μg/m3)呈“W”型双峰双谷状；冬季PM2.5浓度的变化规律较为稳定，一日中在19:00出现峰值(147 μg/m3)，9:00—10:00点出现谷值(109 μg/m3)，变化规律表现为“V”型单峰单谷形。

图2 乌鲁木齐市PM2.5日均浓度变化

3.1.2 乌鲁木齐市PM2.5季节变化特征

基于国家生态环保部PM2.5小时浓度、日均浓度数据，统计出2018年乌鲁木齐市主城区PM2.5的季均浓度值(图3)。

均值±标准误，不同字母代表不同季节颗粒物浓度差异显著(P<0.05)。

根据气候学上对四季的分类，北半球每年的3—5月为春季，6—8月为夏季，9—11月为秋季，12月至次年2月为冬季。从四季上来看，乌鲁木齐市主城区春、夏、秋、冬季PM2.5浓度值均值分别为37、25、44、132 μg/m3。春季PM2.5大于二级标准的天数为3 d，占总天数的3%，符合一级标准天数占总天数的64%；夏季PM2.5大于二级标准的天数为0 d，符合一级标准的天数占94%；秋季PM2.5大于二级标准的天数为13 d，占总天数的14%，符合一级标准的天数占61%；冬季PM2.5大于二级标准的天数为71 d，占85%，符合一级标准的天数为0，在P<0.05的水平上，冬季的PM2.5浓度值显著高于其它三季。

3.2 乌鲁木齐市PM2.5空间分布特征

地统计学中常用的空间插值方法主要有IDW、Spline，Kriging3种，通过比较其适用性，本研究采用的IDW插值法，是较为便捷的常用空间插值方法，是以插值点与样点间的距离为权重进行加权平均，离插值点越近的样本点权重越大。目前，此方法主要用于PM10、PM2.5、SO2、O3等的空间变化特征分析。对乌鲁木齐市主城区PM2.5浓度数值进行空间插值分析，得到乌鲁木齐市PM2.5浓度分布(图4)，从整体来看，2018年乌鲁木齐市PM2.5浓度在空间分布上均表现为新疆农科院和铁路局所在的高新区浓度最高，其次是米东区，浓度最低为培训基地所在的头屯河区。将7个国控空气质量监测点按研究所需分为北部(新疆农科院、米东区环保局)、中部(培训基地、铁路局)、南部(监测站、三十一中、收费站)。春季PM2.5浓度在空间分布上表现为新市区、水磨沟区、天山区高于米东区、头屯河区，即中部高于北部、东部高于西部；夏季PM2.5浓度空间分布规律为米东区、新市区、水磨沟区、天山区高于沙依巴克区高于头屯河区，即东部高于西部，其中米东区西南部污染最严重；秋季分布规律与夏季较为相似，污染最严重的地方由夏季的米东区西南部西移至新市区；冬季空间分布上中部高于北部高于南部、东部高于西部，除头屯河区外，其余地方PM2.5浓度整体较高，污染较严重。

图4 不同季节PM2.5质量浓度空间分布

3.3 PM2.5预测模型研究

为研究PM2.5与各影响因子的关系，将2018年1月1日—12月31日的数据进行筛选，保留PM10、SO2、NO2、CO、O3等5项指标，利用相邻2个数的平均数对缺失数据进行填补，以保证数据的完整性。将乌鲁木齐市2018年1月1日—12月31日整1 a的数据进行分割，其中，2018年1月1日—9月31日的数据用于建立模型，2018年10月1日—2019年12月31日数据用于对模型进行准确性验证。对PM2.5浓度值和各影响变量进行相关性检验，并用R语言绘制PM2.5与各影响因素的相关性散点图(图5)。结果表明，PM2.5与CO、NO2之间存在显著正向线性关系，相关系数分别为0.932、0.820，与SO2、PM10之间存在一定正向线性关系，相关系数为0.701、0.519，与O3的相关性表现为负，相关系数为-0.532。

图5 PM2.5与各影响因素散点图

通过相关性分析得出，PM2.5与CO、NO、SO2、PM10、O3变量之间存在线性关系，为了更准确评估各变量与PM2.5之间的数量关系，借助R语言进行目标变量PM2.5与CO、NO2、SO2、PM10、O3等5个解释变量的多元回归分析，评估各变量对PM2.5的影响，表达式为：

PM2.5=0.137230X1+0.646366X2-0.187928X3+57.534555X4+0.174558X5-42.3497

其中：X1表示PM10，X2表示SO2，X3表示NO2，X4表示CO，X5表示O3。

采用拟合优度检验法对模型进行检验，Multiple R-Square为决定系数，Adjusted R-Square为可调整的拟合优度，其值越大表示解释变量对目标变量的解释程度和方程的拟合优度越高。利用R语言中的summary函数检验方程的拟合优度，得Multiple R-Square值为0.9676，Adjusted R-squared值为0.9669，R2为0.9676，模型拟合度较好。采用F检验法对方程的显著性进行检验，利用R语言计算得到P<0.05，因此可以认为方程是显著的。

通过以上建模分析，得到了乌鲁木齐市2018年1月1日—9月31日PM2.5浓度变化与各影响因子的关系模型，该模型可用于预测乌鲁木齐市2018年10月1日—12月31日PM2.5浓度的变化特征。利用R语言做出PM2.5预测值与真实值的对比图(图6)，采用RMSE准则对模型的预测效果进行检验，得到的RMSE系数为24.3449。在PM2.5的正常变化及其常用颗粒物监测仪器的监测范围之内，因此该模型较为可信。

图6 PM2.5预测值与真实值对比

4 讨论

乌鲁木齐市PM2.5质量浓度一日中白天的变化规律除冬季外与乌鲁木齐市上、下班高峰期基本一致。早晨大气温度相对较低、相对湿度较高，晚上辐射冷却形成逆温层，加之8:00后人车流量开始增多，因此PM2.5浓度逐渐增大[12]。9:00—10:00正值乌鲁木齐市居民早晨上班时间，人车流量迅速增多，此时汽车尾气集中排放和人类活动成为PM2.5的主要来源，形成一日变化中的小高峰，18:00—19:00是乌鲁木齐市下午下班高峰期，形成又一高峰，因此白天PM2.5浓度变化规律受交通、居民生活排放等人为活动的影响较大[13]。20:00之后，交通流量已过高峰期，并且随着温度的降低、相对湿度的增高，PM2.5浓度随之增高，至凌晨出现一日变化中的最高峰，因此晚上PM2.5浓度的变化规律更多的是受气象条件的影响[14]。

污染物季节性差异的原因主要是冬季近地面温度较低，大气层结构比其它季节更为稳定，空气对流运动减弱，不利于PM2.5的扩散[15]；乌鲁木齐市冬季采用燃煤供暖，供暖时间从当年10月10日至次年4月10日，供暖期6个月，燃煤产生大量废弃污染物，导致PM2.5浓度在冬春秋季较高[16]；乌鲁木齐市地形条件也较为特殊，东、西、南三面环山的封闭地形，致使冬季焚风天气出现的频率较高，也不利于PM2.5的扩散[17]；除此之外，节庆活动也影响着PM2.5浓度的时空分布，研究表明春节期间人们燃烧大量的烟花爆竹，污染物直接扩散至空气中[18]，不利的地形和大气条件使得污染物长时间积累、得不到有效稀释，进一步加剧污染。夏季因为近地面温度高，空气垂直对流较为强烈，使得污染物能够被快速的运输到外围地区[19]。同时植被也具有滞尘作用[20-22]，夏季植被覆盖度明显增高，植物滞尘作用显著。夏季也是乌鲁木齐市大气降水相对较多的季节，降水也具有清除大气颗粒物的作用[23-24]，因此夏季是一年PM2.5浓度最低的季节。春秋两季，乌鲁木齐市的主导风向为西北风，多扬沙和沙尘暴天气，空气中悬浮大量颗粒物，因此春秋PM2.5质量浓度也相对夏季较高[25]。

乌鲁木齐市PM2.5的空间分布存在差异性，一年中，头屯河区浓度最低，空气质量最为良好，中部、东部浓度最高，污染最严重，北部、南部因季节不同存在差异。主要因为乌鲁木齐市的常年主导风向为西北风，污染较为严重的地方均位于主导风向的下风向，污染物向下风向扩散积累，因此PM2.5浓度在空间上表现为西部到东部递增。另一方面，米东区是乌鲁木齐市工业园区，集中了中泰化工工业，煤炭工业、塑料工业和机械制造工业等大量的重工业，产生大量的废气污染物，因此米东区所在的东北部污染较为严重[26]，南部和西部城市绿化较好，自实施“蓝天工程”后，煤改气从根本上改变了乌鲁木齐市的采暖期供热格局[16]，因此冬季PM2.5浓度较低，这种“西部、南部浓度低，中部、东部、北部较高”的空间分布特征与孙蓉花等[27]对乌鲁木齐市2013、2014年等的研究结果一致，也与陈学刚[28]对2004—2009乌鲁木齐市PM10空间分布特征的研究一致。

基于R语言对乌鲁木齐市PM2.5浓度与PM10、SO2、NO2、CO、O3等5个影响因子进行了多元回归分析，在数据的处理过程中，未对极端数据进行剔除，所建立的模型精度仍较好，因此此模型能够对极端天气下PM2.5的浓度进行较为理想的预测，这是对敖希琴[29]就合肥地区的此类研究所建模型的进一步改善。相关分析发现，PM2.5的各影响因子中，CO与其关联性最强，与PM10、O3的关联性最低，这与王鸥[30]基于灰色关联度法探讨乌鲁木齐市PM2.5与各要素关系的结论一致。本研究模型选取的因子均是对PM2.5浓度有一定关联性的因子，但并不是唯一影响PM2.5浓度的几个因子。胡玉筱[31]基于高斯烟羽模型和多元回归模型对西安市的研究发现，PM2.5浓度还受地形条件、时间序列等变化的影响，因此认为对于PM2.5的扩散特征和预测模型的研究是一个长期且复杂的问题。该模型可以较为理想地预测未来PM2.5浓度状况，可以提前了解PM2.5的污染情况，为人们的出行和其他活动提供参考。但该模型仍具有很大的局限性，因此适用性有待继续进一步的研究证实，在未来使用的过程中逐渐加以完善。

5 结论

(1)乌鲁木齐市PM2.5浓度日变化规律因季节不同而异。一日24 h中，春季呈单峰单谷形，夏季略呈双峰谷形，秋季表现为“W”型双峰双谷状，冬季表现为“V”型单峰单谷状。白天的变化规律与市民上、下班高峰期基本一致，人为活动的影响较大，晚上则更多受到气象条件的影响。

(2)乌鲁木齐市PM2.5浓度四季差异很明显，由高到低为冬季、秋季、春季、夏季。冬季主要受燃煤供暖、多雾和霾以及焚风等条件影响，春秋又多扬沙和沙尘暴天气，因此浓度均高于夏季，夏季是一年中植被覆盖度最高且空气对流运动最强烈的时期，因此夏季PM2.5浓度在一年中最低。

(3)受乌鲁木齐市主城区工业布局、主导风向的影响，PM2.5空间分布表现为东部、北部高，西部、南部低，由西南至东北浓度分布呈现递增趋势。

(4)经过检验，基于R语言的多元回归分析建立的模型精度较高、显著性较强，对于PM2.5的预测也与实际观测值的变化趋势基本相同，具有一定的实用性，可为人们出行的选择提供参考，但存在一定缺陷，仍需在应用中不断改进。