安徽省PM2.5污染时空分布特征及影响因素分析

程煜 黄薇薇 沈非 罗耀 陈铭杨 任雅茹

摘 要：随着城市化和工业化的逐渐深化，以PM2.5为首要污染物的空气质量问题尤为凸显，严重危害着人们的身心健康和区域可持续发展。基于2017年安徽省136个PM2.5浓度监测站点数据，分析了全省PM2.5污染的时空分布特征;利用地理探测器分析了影响因子的影响力以及彼此的交互作用。结果表明：安徽省PM2.5浓度时空特征差异明显，在时间上，冬季>春季>秋季>夏季;在空间上，皖北>皖中>皖南;各风险因子的影响力中，年均气温最高，社会用电量次之，人口密度和一产占比也相对较高。交互作用显示，各影响因子关系均为双因子增强。

关键词：PM2.5;安徽省;时空特征;影响因素;地理探测器

中图分类号 X513文献标识码 A文章编号 1007-7731（2021）02-0144-04

Temporal and Spatial Distribution Characteristics and Influencing Factors Analysis of PM2.5 Pollution in Anhui Province

CHENG Yu1 et al.

（1School of Geography and Tourism， Anhui Normal University， Wuhu 241003， China）

Abstract： Along with the progress of urbanization and industrialization， primary pollutants for PM2.5 air quality problems were highlighted， seriously endangering people's physical and mental health and regional sustainable development. Based on the data of 136 PM2.5 concentration monitoring stations in Anhui Province in 2017， this paper analyzes the spatial and temporal distribution characteristics of PM2.5 pollution in the province. The geographic detector is used to analyze the influence of influence factors and their interaction. The results showed that the PM2.5 concentration in Anhui was significantly different in time and space. The results show that： the temporal and spatial characteristics of PM2.5 concentration in Anhui Province are significantly different. In terms of time， winter>spring>autumn>summer; in space， north Anhui>central Anhui>South Anhui. Among all risk factors， the annual average temperature was the highest， the social electricity consumption was the second， the population density and the proportion of primary production were also relatively high. The interaction showed that the relationship among the influencing factors was enhanced by two factors.

Key words： PM2.5; Anhui province; Spatio-temporal characteristics; Influencing factors; Geographic detector

1 引言

自改革開放以来，我国经济快速发展，但与此同时，也带来了不可忽视的环境问题。2013年，我国首次出现了持续时间久、波及范围广的雾霾污染现象，全国多个省市几乎都受到了雾霾的笼罩[1]。2016年底，包括京津冀、山东、山西、安徽、陕西等多个省市在内的地区受到了大范围重污染天气的影响，河北地区多个城市甚至出现PM2.5浓度过千的情况。全国各地大规模的雾霾污染事件频繁发生，越来越引起全社会的关注与政府部门的高度重视。

PM2.5是一种悬浮在空气当中，直径≤2.5μm的大气细颗粒物，它是雾霾的主要组分[2]。PM2.5主要来自自然源和人为源二大类，自然源包括火山喷发、森林火灾等，而人为源包括化学燃料的燃烧、工业污染排放、汽车尾气、道路和建筑扬尘等[3]。PM2.5粒径小，比表面积大，使得有害物质容易集聚，随空气进入到人体后，对人们的呼吸系统、心血管系统、内分泌系统等均造成了严重的破坏，长时间暴露在高浓度的PM2.5下，将会导致死亡风险的增加[4-7]。研究表明，PM2.5会直接导致大气对光线的吸收和散射发生变化，从而影响大气能见度，形成光化学烟雾[8];对地表辐射的影响也会间接地“干预”气候的变化[9]。因此，PM2.5不仅会对人体健康造成危害，也会造成诸多的环境与气候问题。

目前，对于PM2.5的研究多集中在污染较为严重或观测条件较好的地区，而对中部地区的研究较少[10]。安徽省地处华东腹地，是我国中部的重要省份，同时也是长三角城市群的重要组成部分，是大气污染防治的重要研究区域[11]。本文以安徽省为例，采用16个地级市的空气质量监测站点数据、气象及社会经济数据，对安徽省PM2.5的时空分布与影响因素进行了研究，以期为安徽省大气污染防控治理提供有益借鉴。

2 数据来源与研究方法

2.1 数据来源 研究数据为2017年安徽省全省范围内134个国控监测点PM2.5浓度监测数据，来源于安徽省空气质量监测站的城市空气质量实时发布平台（http：//sthjt.ah.gov.cn）。监测站点的空间分布见图1。气象要素包括气温、降水，数据均来自欧洲中期天气预报中心（http：//apps.ecmwf.int/datasets），分辨率为0.125°×0.125°。社会要素包括2017年年底社会用电总量数据、人口密度数据、民用汽车总量数据，来源于国家统计年鉴（http：//www.stats.gov.cn/）和安徽省统计年鉴（htttp：//tjj.ah.gov.cn/）。

2.2 研究方法 地理探测器是探测地理要素空间分异性并揭示其背后驱动因子的一种统计学方法。作为一种空间数据分析技术，地理探测器既可以检验单变量的空间分异性，也可以通过检验2个变量空间分布的一致性来探测2变量可能的因果关系，包括因子探测器、交互作用探测器等探测器类型[12]。其中：因子探测器用于探测影响因子对空间污染的影响强度。其表达式为：

[q=1-k=1nNkσ2k/Nσ2] （1）

式中：q为某影响因子对空间污染分异的影响力。k=1，...，n为该影响因子的分类数，NK，N为子区和全区第K类的单元数，[σ2k]、[σ2]分别为子区域和全区的因变量的离散方差。用q值可以衡量因子对因变量的影响强度，q的值域为[0，1]，期数值越大则表明该因子对PM2.5浓度的变化解释能力越强[13]。

交互作用探测器是探测不同风险因子在影响因变量的空间分布方面是否有交互作用，该方法包含以下5种关系，详见表1[14]。

3 结果与分析

3.1 PM2.5时间变化特征 2017年安徽省16个地级市的PM2.5月均浓度统计如表2所示。由表2可知，安徽省各市当中，PM2.5月均浓度最高值为宿州市1月份的118.8μg/m3，最低值为黄山8月份的9.9μg/m3。依据中国环境保护部《环境空气质量标准》（GB3095-2012），将PM2.5浓度值划分为以下6个等级：优（0～35μg/m3），良（35～75μg/m3），轻度污染（75～115μg/m3），中度污染（115～150μg/m3），重度污染（150～250μg/m3），严重污染（>250μg/m3）[16]。按此标准，对各市监测站点PM2.5不同等级进行分类汇总，得出全年污染水平在各个等级的月数。可以看出：各市均以污染等级“良”为主，黄山、宣城、芜湖3市较好，月平均值基本为优良状态;宿州、淮北、亳州整体较差，其中宿州冬季月份出现中度污染（图2）。

从图3可以看出，2017年全省PM2.5月均浓度值较高的月份为1月、2月、11月和12月，其中12月月均浓度为91.40μg/m3，1月的浓度与12月相当，达到85.47μg/m3;7月、8月、9月的PM2.5 浓度值最低，依次为31.02μg/m3、29.70μg/m3、37.01μg/m3。從季节变化来看，2017年安徽省PM2.5季均浓度值冬季>春季>秋季>夏季，全省PM2.5 浓度具有明显的季节差异性。

3.2 PM2.5空间分布特征 依据安徽省2017年各个站点PM2.5的季均浓度数据，对浓度值进行反距离权重插值法，得到安徽省PM2.5的季均浓度分布见图4。由图4可知，春季，安徽省各市PM2.5浓度值在18～83μg/m3。淮北平原和江淮丘陵浓度偏高，沿江平原浓度次之，皖西大别山和皖南山区浓度偏低。其中，宿州、蚌埠、淮北、阜阳、合肥、铜陵等地PM2.5浓度值偏高，黄山PM2.5浓度最低。夏季，安徽省各市PM2.5浓度值在7～57μg/m3。淮北平原和皖西大别山浓度偏高，江淮丘陵、沿江平原次之，皖南山区浓度偏低。其中，安庆、蚌埠、滁州、淮南等地PM2.5浓度偏高，宣城、黄山PM2.5浓度偏低。秋季，安徽省各市PM2.5浓度值在16～73μg/m3。淮北平原和沿江平原浓度偏高，江淮丘陵、皖西大别山次之，皖南山区浓度偏低。其中，阜阳、亳州、淮北浓度值偏高，宣城、黄山PM2.5浓度偏低。冬季，安徽省各市PM2.5浓度值在28～111μg/m3。亳州、淮北、合肥浓度最高，皖南山区浓度最低。

3.3 PM2.5污染影响因素 为了明晰各个影响因子与PM2.5浓度的关系，利用地理探测器展开分析。鉴于数据的可获取性，选择年均气温、年均降水量、人口密度、一产占比、二产占比、三产占比、社会用电量、民用汽车总量、农用地占比和建设用地占比的10个影响因子。地理探测器的计算结果分为2个部分，第1部分为因子探测，表示因子的影响力大小（表3）;第2部分为因子交互探测，反映因子间交互作用力与单因子影响力的关系（表4）。从表3可以看出，安徽省地区10个影响因子对PM2.5污染的影响力排序为：年均气温（0.86）>社会用电量（0.77）>人口密度（0.73）>一产占比（0.72）>建设用地占比（0.71）>三产占比（0.67）>年均降水量（0.62）=农用地占比（0.62）>二产占比（0.45）>民用汽车总量（0.40）。从交互检测器显示来看（表4），研究中的10个PM2. 5影响因子两两交互作用较强，为双因子增强作用。其中社会经济因子与气象因子的交互作用最为明显，民用汽车总量与一产占比的交互作用对PM2.5的影响最低。

4 结论

（1）安徽省PM2.5浓度随时间变化显著。12月月均浓度最高，8月月均浓度最低，月均浓度呈现“U”型变化特征。PM2.5季均浓度表现为冬季>春季>秋季>夏季，季节差异性明显。

（2）安徽省PM2.5浓度空间分布差异明显。整体上，PM2.5年均浓度值由北向南呈递减趋势，浓度值由高到低依次为淮北平原、江淮丘陵、沿江平原、皖西大别山和皖南山区。不同季节的PM2.5浓度空间分布有所变化。

（3）安徽省PM2.5浓度的时空分布特征与气象要素、社会生产生活密切相关。其中，年均气温的影响力最大，民用汽车总量的影响力最小。交互作用显示，各变量间的作用呈现出双因子增强。

参考文献

[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]肖琴，陆钰婷.基于复杂网络的区域空气污染PM2.5分析[J].应用技术学报，2019，19（01）：77-83.

[3]洪纲，周静博，姜建彪，等.空气细颗粒物PM2.5的污染特征及其来源解析研究进展[J].河北工业科技，2015，32（01）：64-71.

[4]赵冬婷，刘远凤，彭文仪，等.大气PM2.5影响心血管健康的潜在机制[J].生命的化学，2020，40（08）：1228-1234.

[5]张亮，张秋平，谭爱军.珠海市空气污染对人群死亡的影响[J].实用预防医学，2019，26（04）：446-449.

[6]何晓庆，王祚懿，盛微，等.金华市大气PM2.5对儿童呼吸系统疾病门诊量的影响研究[J].实用预防医学，2019，26（03）：271-273.

[7]高广阔，王佳书，吴世昌，等.上海市雾霾污染物对人群健康影响的统计研究[J].环境监测管理与技术，2019，31（06）：17-22.

[8]魏哲，侯立泉，魏巍，等.结合WRF/Chem和PMF方法的邯鄲市PM2.5源解析[J].环境科学与技术，2017，40（11）：67-74.

[9]李丽平.青岛大气PM2.5中水溶性无机离子及其前体气体的浓度特征和气—粒平衡关系[D].青岛：中国海洋大学，2014.

[10]裘阅，汪家权，胡淑恒.2015—2016年安徽省PM2.5和PM10-2.5时空分布特征[J].合肥工业大学学报（自然科学版），2020，43（01）：113-118.

[11]杨鹏，张红，汪水兵，等.安徽省PM2.5分布特征及区域输送来源分析[J].环境科学与技术，2020，43（02）：52-59.

[12]王劲峰，徐成东.地理探测器：原理与展望[J].地理学报，2017，72（1）：116-134.

[13]郭春颖，施润和，周云云，等.基于遥感与地理探测器的长江三角洲空气污染风险因子分析[J].长江流域资源与环境，2017，26（11）：1805-1814.

[14]马小雯，章笑艺，来丽芳，等.基于地理探测器的浙江省空气质量风险因子分析[J].浙江大学学报（理学版），2018，45（3）：350-362.

[15]周亮，周成虎，杨帆，等.2000—2011年中国PM2.5时空演化特征及驱动因素解析[J].地理学报，2017，72（11）：2079-2092.

[16]张海霞，程先富，陈冉慧.安徽省PM2.5时空分布特征及关键影响因素识别研究[J].环境科学学报，2018，38（3）：1080-1089.

（责编：张宏民）