相对湿度和PM2.5及PM10对成都大气能见度的影响

苏靖晰，王永忠，王圣堂，陈红敏

(中国民用航空飞行学院空中交通管理学院，四川 广汉 618307)

引 言

大气能见度是表征大气透明程度的一个重要指标，与人们的生活健康息息相关。随着国家经济建设与工业生产的高速发展，工业、供暖及汽车尾气排放的污染气体及PM2.5和PM10粒子等造成了城市空气质量的进一步恶化，成为低能见度产生的主要原因[1-2]。成都市地处盆地，秋冬季节少风、弱风，不利的地形条件导致大气污染物难以扩散，且相对湿度常年较高，秋冬季节逆温层频繁发生，垂直对流减弱，使得大量杂质跟水汽堆积在近地层表面形成雾霾天气[3]。近年来，我国已经针对大气环境质量颁布了众多法规法案并采取相应措施来控制减少大气的污染，在改善空气质量及污染物来源方面取得了不错的成绩[4-5]。

国外于20世纪初便开始了能见度相关的研究，一些气象学者发现能见度与气溶胶浓度密切相关，除去气象因素的影响后，能见度能很好的反映空气质量的变化趋势[6-7]。Baik[8]研究认为，能见度与气溶胶浓度和相对湿度密切相关，相对湿度主要通过改变颗粒物粒径分布，影响颗粒物的消光和散光系数来影响能见度。国内对大气能见度的研究始于上世纪80年代，迅猛发展于20世纪后期，于兴娜等[9]探究能见度与其影响因子的关系发现，气溶胶粒子与能见度之间存在一定的负相关性，其中细粒子对能见度的影响更为显著。宋秀瑜等[10]发现，随着相对湿度的增加，PM2.5及PM10质量浓度也相应增加，其主要原因是气溶胶粒子吸湿增长，逐步向集聚态转变为大粒子，从而增加了消光率及散射率，使能见度进一步下降。

本文旨在探究基于成都地域特性的能见度与各影响因子之间的变化趋势，对相对湿度及气溶胶粒子质量浓度与能见度进行相关性分析，并进行多元非线性拟合，得出能见度与相对湿度、PM2.5及PM10之间的拟合方程，可进一步用于成都地区低能见度发生时段的预测研究。

1 仪器与资料

数据来源于2014～2018年中国气象局成都大气边界层气候观测站(30.750°N,103.867°E；海拔高度：541.0m；站号：56187)逐时气象观测资料和同期成都市环境监测站所属的8个国控环境空气质量监测站点逐时平均观测数据。其中大气能见度采用BYTD-MV前向散射式能见度仪进行测量，检测范围1～30 000m，测量精度：±2%(≤1 000m)；±20%(>1 000m)，辨别率：1m(≤1 000m)；100m(>1 000m)，数据采集频率1次/min，工作环境：温度-50～50℃；相对湿度：0～100%[11]。本站的其他观测数据还有相对湿度、温度、露点温度、风向风速以及修正海平面气压。国控监测站点分别位于君平街(30.656°N,104.057°E)、龙泉驿区区政府(30.557°N,104.275°E)、金泉两河(30.719°N,103.967°E)、大石西路(30.651°N, 104.029°E)、十里店(30.674°N, 104.139°E)、三瓦窑(30.599°N, 104.077°E)、沙河铺(30.627°N, 104.120°E)、灵岩寺(31.025°N, 103.597°E)，监测因子包括PM2.5、PM10、SO2、NO2、CO和O3的逐小时质量浓度数据。气象观测完全依据GB3095-2012标准[12]进行，观测时间范围为2014年1月1日～2018年12月31日。为保证数据的准确有效性，所采用的数据均进行了严格的质量控制，定时对观测仪器进行检验校准，最终得到的数据进行处理得到小时平均值，为避免降雨或降雪等气象因素对各项观测数据的影响，剔除雨雪等可能造成影响的数据，最终得到28 346组有效数据。

所采用的时间均为北京时间，在季节划分方面，3～5月为春季，6～8月为夏季，9～11月为秋季，12～2月为冬季。

本文对能见度与其影响因子之间所做的相关性分析、曲线估计和非线性回归分析工作主要使用的是SPSS软件，相关性分析主要采用Pearson相关系数法，曲线估计使用的是将非线性曲线转化为线性曲线，再通过最小二乘法求出最优解，非线性回归分析是运用Levenberg-Marquardt算法对函数做泰勒级数展开，再多次迭代求最优解的方法，SPSS作为统计分析类软件具有功能全面、快速运算和操作便利等强大优势。

2 结果分析

2.1 随时间变化各影响因子对大气能见度的影响

图1(a)为2014～2018年的能见度、相对湿度、PM2.5和PM10的年平均变化趋势，由图可以看出，2014～2018年能见度上升明显，其中2014～2015年能见度上升最高。年平均相对湿度变化极小，对能见度的年变化影响较小。因此年平均能见度增大主要与PM10及PM2.5质量浓度减小有关，能见度变化趋势与PM10和PM2.5质量浓度的变化趋势存在明显的负相关。图1(b)为大气污染因子的年平均变化趋势，图中可以看出2014～2018年NO2、SO2以及CO气体浓度呈明显下降趋势，与大气能见度呈负相关，与PM10和PM2.5质量浓度呈正相关，O3浓度变化趋势相反，浓度升高13%。

2014～2018年大气能见度逐渐升高和PM10、PM2.5及主要大气污染物浓度明显降低的主要原因是近几年国家连续出台了几项环保政策及法案，2014年4月24日，十二届全国人大常委会第八次会议通过了《环保法修订案》，新环保法在2015年初开始初步试点实行，2016年初得到进一步落实[13]。2016～2018年，成都市共对8 727家违法排污企业进行整治，2018年1月1日，国家新通过7项环保法案，分别对城市PM2.5浓度及大气污染物浓度进行明确的处罚政策，对城市PM10、PM2.5及大气污染物浓度的降低起到了关键性作用。

图1 年平均能见度、相对湿度、PM10、PM2.5、NO2、O3、SO2及CO随年份时间变化规律Fig.1 Annual average visibility, relative humidity, PM10, PM2.5,NO2,O3,SO2 and CO change with year and time

图2为大气能见度与相对湿度、PM10、PM2.5及PM10与PM2.5差值的2014～2018年月平均变化趋势，由图可知，能见度变化趋势呈倒“V”型，在5月最高，在12月最低，相对湿度变化趋势呈单峰单谷型，在5月份最低，在9月最高，在1～9月，能见度与相对湿度呈现显著的负相关。由于成都地区秋季9月降水持续时间长、次数多，所以出现相对湿度骤升与能见度骤降主要受其影响[14]。在10～12月，能见度与相对湿度的变化趋势出现反常，随相对湿度的降低，能见度也反而降低，其根本原因是成都市地域气候特性导致秋冬季节逆温层频繁发生，使得大量颗粒物跟水汽堆积在近地层表面难以扩散而形成雾霾，秋冬季节的低能见度主要由大气气溶胶粒子浓度决定[3,15]。由图2(b)可知，PM10、PM2.5及PM10与PM2.5浓度差值的月变化趋势呈“凹”型，质量浓度都在9月份最低，PM10与PM2.5浓度在1月份最高，PM10与PM2.5浓度差值在12月份最高，浓度高低主要受大气稳定度影响，且PM10、PM2.5及PM10-PM2.5浓度之间相关性极好，主要受工业、汽车尾气排放等影响，三者与能见度之间的相关性良好[2]。

图2 大气能见度与相对湿度PM10、PM2.5及PM10-PM2.5质量浓度逐月变化曲线Fig.2 Monthly variation curves of visibility and relative humidity, PM10, PM2.5 and PM10-PM2.5 mass concentrations

图3是大气能见度与PM10、PM2.5及PM10-PM2.5质量浓度的2014～2018年平均日小时变化曲线，由图可知，相对湿度与能见度的变化曲线都是“单峰单谷”型，且呈明显负相关。在6时，相对湿度为最高峰值时，能见度为最低谷值，之后随着日出温度的升高，相对湿度逐渐降低，能见度逐渐升高，至15时温度达到最高，相对湿度达到最小值，能见度达到最大值，15时之后，温度开始逐渐回落，相对湿度相应的开始逐渐升高，能见度开始逐渐降低直到第二日6时。而PM10、PM2.5及PM10-PM2.5浓度主要受人类活动以及大气稳定度的影响，其浓度与能见度呈较好的负相关[16]。PM10及PM2.5浓度在8时最高，之后随着日出温度的升高，大气稳定被逐渐破坏，垂直及水平对流加强，大气气溶胶粒子开始逐渐扩散，能见度逐渐升高，直到18时后，温度已降低明显，逆温层逐渐形成，大气开始趋于稳定，大气气溶胶粒子在近地层堆积，能见度逐渐降低，直到第二日8时。

图3 大气能见度与相对湿度、PM10、PM2.5及PM10-PM2.5质量浓度逐时变化曲线Fig.3 Hourly variation curves of visibility and relative humidity, PM10,PM2.5 and PM10-PM2.5 mass concentrations

由以上大气能见度与其影响因子之间的年月日变化曲线可以看出，PM2.5和PM10与PM2.5差值之间的变化趋势具有高度的一致性，且PM10-PM2.5和PM10、PM2.5具有完全的信息重叠特性，与能见度变化趋势之间的相关性最差，故剔除PM10与PM2.5差值这一影响因子的后续分析步骤。

2.2 大气能见度与相对湿度、PM10及PM2.5浓度的相关性分析

由大气能见度与各影响因子的变化曲线可知，能见度主要受相对湿度、PM10及PM2.5浓度影响，所以将相对湿度分为若干个区间，研究能见度及其影响因子的变化规律。由表1可知，在相对湿度增大的同时，PM10及PM2.5的质量浓度也逐渐增大，相互叠加作用使能见度出现显著性下降，由图3可知，一天之中高相对湿度通常在22时到次日8时之间，而这个时间段内垂直对流弱，大气层处于相对稳定状态，有利于大气颗粒物在近地层堆积，造成PM10和PM2.5浓度同时增大的现象。当相对湿度增大到96%后，PM10及PM2.5质量浓度反而出现减小，分析其原因发现，在相对湿度极高的情况下，气溶胶粒子吸湿增长发生重力沉降作用，从而减小了PM10和PM2.5质量浓度。同时，在数据的处理方面虽然剔除了与降水相关的数据，但是在降水停止后，降水对气溶胶粒子的冲刷效果依旧存在，大气环境一段时间内依旧处在高相对湿度低气溶胶粒子浓度的状态，该部分数据也是造成在相对湿度较大，PM10和PM2.5浓度反而降低的原因之一。

表1 相对湿度分阶条件下的大气能见度、PM10和 PM2.5平均质量浓度Tab.1 Visibility, average mass concentrations of PM10 and PM2.5 under relative humidity gradation

续表1

表2为不同季节条件下大气能见度与相对湿度、PM10及PM2.5质量浓度的线性相关系数，由表2可知相对湿度与能见度的相关性最高，其次是PM2.5，然后是PM10,其原因是能见度主要受亚微米尺度的颗粒物漫射影响，亚微米尺度范围一般指0.1～1μm范围内的颗粒物，都集中在PM2.5范围内，所以PM2.5的粒子消光性较PM10要好，但PM10粒子的总消光能力大于PM2.5粒子[18]。

表2 大气能见度与PM10、PM2.5质量浓度的季节相关系数Tab.2 Seasonal correlation coefficient between visibility and PM10 and PM2.5 mass concentrations

2.3 大气能见度与PM10、PM2.5质量浓度的非线性回归分析

为验证大气能见度与PM10、PM2.5质量浓度之间的非线性关系，将相对湿度划分成8个小的区间，以减小相对湿度对结果的干扰。大气中PM10及PM2.5主要由工业、汽车尾气排放及污染物在环境中二次转化等产生，所以PM10与PM2.5之间存在着一定同趋势变化的特点，不能通过限制PM10浓度来研究PM2.5与能见度之间的非线性关系。分析发现相对湿度小于40%时，PM10、PM2.5与能见度主要呈三次函数关系。相对湿度介于40%～90%之间时，PM10、PM2.5与能见度主要呈指数函数关系。相对湿度大于90%时，PM2.5、PM10与能见度主要呈倒数函数关系。由于相对湿度处于40%～90%的数据量为总数据量的76%，故选取指数函数为PM10、PM2.5与大气能见度之间的拟合公式。拟合公式为：

VSB=a+b·exp(c·[PM])

(1)

式(1)中，VSB为大气能见度，单位km；[PM]为PM10或PM2.5的质量浓度，单位为μg/m3，a、b、c为方程参数。

表3 不同相对湿度条件下PM10、PM2.5与大气能见度的拟合方程参数Tab.3 Parameters of fitting equation of PM10, PM2.5 and visibility under different relative humidity conditions

由表3可知，随着相对湿度的升高，PM10、PM2.5与能见度的相关系数R2逐渐减小，说明大气气溶胶粒子在低相对湿度时，对能见度的影响较大，随着相对湿度的升高，相对湿度对能见度的影响逐渐增大。在任意相对湿度区间内，PM2.5的相关系数R2大于PM10的相关系数R2，再次证明了PM2.5对能见度的总消光贡献大于PM10-PM2.5。

2.4 大气能见度与相对湿度的非线性回归分析

为验证大气能见度与相对湿度的非线性关系，同样采取控制变量将PM10、PM2.5浓度按每10μg/m3一个区间划分为12组区间，减少PM10及PM2.5对结果的影响。分析发现相对湿度与能见度的的拟合主要呈三次函数关系，其次是幂函数关系，且两者之间相关系数相差极小。相对湿度与大气能见度的拟合公式为：

VSB=a+b·RHx+c·RHx2+d·RHx3

(2)

式(2)中，VSB为大气能见度，单位km；RHx为相对湿度，单位%；a、b、c、d为方程参数。

由表4可知，随着PM2.5、PM10浓度的升高，能见度与相对湿度的相关系数R也逐渐升高，且在任意PM2.5、PM10浓度区间内，三次拟合函数的拟合度RT都略大于幂拟合函数的拟合度RN，当PM2.5与PM10在第8组浓度区间内时，拟合度RT=RN，说明三次函数拟合方程能更好的表示相对湿度与能见度之间的变化关系。

2.5 大气能见度与相对湿度、PM2.5、PM10的多元非线性拟合。

由以上推论可知，PM10、PM2.5与能见度主要呈指数函数关系，相对湿度与能见度主要呈三次函数关系，其次呈幂函数关系，因为两者相关系数相差较小，所以既考虑三次函数也考虑幂函数，探究不同函数拟合方程的差异性。PM2.5、PM10及相对湿度与大气能见度的指数-三次函数拟合公式：

VSB=a+b·exp(c·PM2.5)+d·exp(e·PM10)+

f·RHx+g·RHx2+h·RHx3

(3)

PM2.5、PM10及相对湿度与大气能见度的指数-幂函数拟合公式：

VSB=i+j·exp(k·PM2.5)+l·exp(m·PM10)+

n·RHxr

(4)

式(3)中VSB为大气能见度，单位km；PM2.5、PM10为直径≤2.5μg与直径≤10μg的大气气溶胶粒子质量浓度，单位μg/m3;RHx为相对湿度，单位%；a、b、c、d、e、f、g、h为该式方程参数。

式(4)中VSB、PM2.5、PM10的含义及单位与式(3)中相同，i、j、k、l、m、n、r为指数-幂函数拟合方程参数。

表5 不同季节大气能见度与相对湿度、PM10及PM2.5的多元非线性拟合方程参数Tab.5 Parameters of multivariate nonlinear fitting equation of visibility and relative humidity, PM10 and PM2.5 in different seasons

由表5可知，指数-三次函数拟合度大于指数-幂函数拟合度，在四季中，拟合度最好的是冬季，其次是春季。

2.6 大气能见度的多元非线性拟合方程检验

将2014～2018年的数据量按每个月为一个数据组分为60组，将数据组带入相应的多元非线性拟合方程，得出每月的拟合值，进行每月实测值与拟合值的拟合度分析，得出每个月实测值与拟合值的拟合度变化曲线。如图4可知，指数-三次函数拟合度普遍较指数-幂函数高，其中特别是夏季拟合度相差较大，而春季少数月份存在指数-幂函数的拟合度较指数-三次函数高的情况。其中，指数-三次拟合的拟合度最高为2016年1月，拟合度为0.950，最低为2018年9月，拟合度为0.744。

图5为2016年1月及2018年9月实测值与拟合值随时间变化曲线图，由图5可知，图5(a)的拟合度较图5(b)好，图5(a)中可以看出，2016年1月主要处于0～5km低能见度范围内，在该范围内，拟合方程对于实测值的拟合性较好，拟合度高。图5(b)中可以看出，2018年9月主要

图4 2014～2018年指数-三次函数与指数-幂函数拟合度的逐月变化曲线Fig.4 Monthly change curve of the fitting degree of the exponential -cubic function and exponential -power function from 2014 to 2018

处于5～15km中高能见度范围内，该范围内能见度观测仪器量程限制所导致的拟合度较差被凸显的更为明显，能见度的大尺度突变次数较多，以及9月处于秋季降水频繁的月份，降雨后的高相对湿度和低大气气溶胶粒子浓度的异常性导致能见度拟合方程的拟合度较差。

图5 2016年1月与2018年9月实测值与拟合值相关性曲线Fig.5 Correlation curves between measured values and fitted values in January 2016 and September 2018

3 结 论

3.1 2014～2018年，能见度呈明显的上升趋势，其主要是PM10及PM2.5质量浓度降低所导致。能见度随相对湿度的升高而明显降低，两者相关性极好。能见度与气溶胶粒子之间的相关性次于相对湿度，晚上22时～次日6时的大气稳定条件使得相对湿度和气溶胶粒子浓度均有所增加，二者相互叠加导致能见度进一步下降。

3.2 当相对湿度高于96%时，PM10及PM2.5粒子吸湿增长发生重力沉降作用，导致PM10和PM2.5质量浓度均出现减小的现象。

3.3 相对湿度与能见度的线性相关性最高，其次是PM2.5,四季中相对湿度在冬季线性相关性最高，PM2.5在春季相关性最高，PM10在秋季相关性最高。

3.4 PM10、PM2.5与能见度主要呈指数函数关系。相对湿度与能见度主要呈三次函数关系，其次是幂函数关系，且两者之间相关系数相差极小。

3.5 经验证，基于相对湿度、PM10及PM2.5的多元非线性拟合方程能较好的模拟成都地区能见度的逐时变化趋势，其中对冬季以及能见度小于5km范围内的模拟较其他能见度区间要好。