攀枝花市PM10、PM2.5 污染特征及相关性分析

何 敏，李 婷，黄 艺

(成都理工大学地球科学学院 四川成都610059)

0 引 言

随着近年来中国经济的迅猛发展，城市化、工业化进程的加快，空气污染问题越来越受到重视。部分城市群持续出现大范围的以颗粒物为特征污染物的灰霾天气，特别是华北平原和长江三角洲等几个重点区域。气体污染物的存在不仅使能见度降低，而且会对居民健康造成极大的危害[1-3]。空气污染已被列为影响人类健康的第4 个危险因素[4]。在世界卫生组织的一份报告中，每年约有700 万人死于室内外空气污染[5]。大气颗粒物PM10和PM2.5已成为我国大中型城市的首要污染物，对人体健康有一定的危害，PM2.5则对人体健康威胁更大，因其比表面积较大，能吸附大量的细菌、病毒、重金属等污染物[6-8]。O3与大气光化学反应密切相关，而且长时间接触会使人产生咳嗽、胸闷、记忆衰退等症状[9-11]。当大气中SO2、NO2、CO 的浓度到达限值时，不仅会加重慢性病患者的病情，而且还会引发一系列其他疾病，最主要的是呼吸系统疾病[12-13]。所以研究气体污染物的一般规律以及它们之间的相关性非常有意义。

有研究者对比了5 个城市的SO2、NO2、PM10、PM2.5污染物的浓度分布情况，发现沈阳的SO2浓度随季节变化显著，沈阳、上海和广州的PM10和PM2.5颗粒物的浓度也随季节变化较为明显，即冬季较高，春秋次之，夏季最低。NO2浓度随季节变化不大。北京年均PM2.5浓度超标现象明显，季节变化规律不明显[14]。通过对伊朗德黑兰2014—2018 年间PM10、PM2.5、O3、NO2、SO2和CO 浓度每年、每季、每月、每日的变化进行讨论，发现德黑兰受这些污染物的高浓度影响。SO2的年均值总体呈下降趋势，夏季PM10和O3浓度较高，PM2.5和CO 的秋冬浓度均高于春夏季。除O3外，所有污染物在工作日的浓度都高于任何类型的休假日[15]。Xie等[16]通过对我国31 个省会城市2013—2014 年PM10、PM2.5、O3、NO2、SO2和CO 质量浓度的比较，确定了空气污染物质量浓度的月变化特征。利用Pearson 相关系数建立颗粒物与气体污染物之间的关系发现，颗粒物与NO2、SO2之间的相关性较好，与CO 的相关性差异较大，与O3的相关性较弱或不相关。这表明，不同城市之间的空气污染物浓度水平和变化有显著差异。

有研究者发现，RH 与PM 呈正相关，W 与PM呈负相关，它们与季节和粒径无显著差异，春季和冬季T 与PM 呈负相关关系，而秋季T 与PM 呈正相关关系，季节性差异比较大[17-18]。季节平均PM2.5、PM10、SO2、CO、NO2与W 呈负相关，O3与W 呈正相关。O3与温度的正相关关系最为密切，这与其形成的机理有关。南京各季节风速、相对湿度、温度、风向在较窄范围内波动，导致污染物浓度相对稳定[19]。也有研究发现，当大气温度升高到10 ℃时，有利于颗粒物的扩散和下降，随气温的升高，颗粒物浓度呈下降趋势。当相对湿度较小时，PM2.5颗粒不易凝聚沉降，随着湿度增大，越来越多的水汽加速了颗粒物粒径的增大，PM2.5浓度增加；但当相对湿度大于80%时，PM2.5等颗粒物会发生湿沉降，PM2.5浓度降低。风速与颗粒物沉降速率呈线性关系，但当风速超过9 m/s时，这种关系就不存在了[20-22]。这表明气象条件是评价空气质量和实施控制措施的重要因素。

攀枝花是在20 世纪60 年代中期新兴的一个资源型工业城市，地处川、滇两个经济区的交汇处，属南亚热带为基带的岛状式干热河谷气候，即四季不分明，旱雨季分明的特点。由于攀枝花矿产资源丰富，矿业开发这一支柱产业在过去半个世纪得到了迅猛发展，同时也带来了相应的大气污染问题[23]。因此，非常有必要对攀枝花市的大气环境质量进行分析研究。

本文通过对2019 年攀枝花的主要气体污染物颗粒物PM10、PM2.5和SO2、NO2、CO、O3的浓度变化情况进行探讨，分析了它们之间的相关性，讨论了它们和气象因素之间的关系。以期为今后环境污染预报提供前期研究数据，同时也为环境管理部门控制大气污染提供科学依据。

1 数据来源及统计

1.1 数据来源

本研究统计了2019 年1 月至2020 年1 月中国环境检测总站(http：//www.cnemc.cn)发布的攀枝花市的每日空气污染状况数据，包括 PM10、PM2.5、SO2、NO2、CO 和O3，基于中国气象数据网http：//data.cma.cn 统计了相关的气象数据(温度T、相对湿度RH 和风速W)。

1.2 数据统计

Excel 2020 用于数据的分析计算整理，采用Origin 2018 进行相关图件的绘制，并用SPSS 22.0 进行气体污染物和气象要素的相关性分析。

2 结果与讨论

2.1 PM10、PM2.5颗粒物污染特征

整理可知，PM10和PM2.5颗粒物的污染浓度变化范围分别是20～102µg/m3和7～65µg/m3，年平均质量浓度值分别是52±16µg/m3和29±11µg/m3，分别超过了WHO 的1.7 倍和1.9 倍[24]。从旱、雨季变化上看，PM10和PM2.5均表现出旱季大于雨季，这是由于雨季大量雨水对大气颗粒物具有清洁和冲刷作用，导致大气颗粒物质量浓度较低。此外，本研究还与其他城市进行了比较，发现攀枝花PM10和PM2.5的质量浓度值分别是深圳的1.4、1.1 倍，低于天津、杭州等地的PM2.5和PM10质量浓度，远低于西安、石家庄等地的PM2.5和PM10质量浓度[25-29]。

由图1 可知，一年中12 月的PM2.5、PM10质量浓度最大，6 月的PM2.5、PM10质量浓度值最小，主要是6 月份降雨较多，导致颗粒物浓度较低。2 月的大气颗粒物浓度也较低，可能是因为2 月份处于春节期间，各工矿企业都停工休假，出行车辆也较往常少，导致颗粒物排放少。

攀枝花市旱季的PM10和PM2.5质量浓度分别为56.84、31.02µg/m3，雨季的分别为47.21、26.78µg/m3，都表现出旱季大于雨季，说明降雨将会降低大气中颗粒物的含量。PM2.5/PM10的值在旱季和雨季都表现出大于0.5，说明PM2.5占比超过PM10的一半，PM2.5是PM10的主要组成部分。雨季比旱季的PM2.5/PM10值大，说明雨季PM10中粗颗粒物更少，可能是降雨将PM10中粗颗粒物冲刷所致。图2 也可以说明这种情况，相对湿度分别与PM2.5、PM10呈正相关关系，与较粗颗粒物 PM2.5～10呈负相关关系，与细颗粒物PM2.5呈正相关关系，说明相对湿度的增大主要导致粗颗粒物的沉降，对细颗粒物的影响不大。

图1 攀枝花市2019年PM2.5、PM10 质量浓度特征Fig.1 Characteristics of mass concentration of PM2.5 and PM10 in Panzhihua City in 2019

图2 攀枝花市2019年旱雨季质量浓度图Fig.2 Mass concentration map of dry and rainy seasons in Panzhihua City in 2019

2.2 相关性分析

由图3 可以看出，PM10和PM2.5、PM2.5～10之间存在显著的正相关关系，PM10和PM2.5的R2为0.86，大于PM10和PM2.5～10的R2为0.72。成都也表现出相同的趋势，PM10和PM2.5的R2为0.76，大于PM2.5～10的R2为0.63[30]。这说明PM2.5对PM10的贡献更大，PM10的变化主要受细颗粒物PM2.5的增减的影响。

图3 攀枝花PM2.5 和PM10 相关性分析图Fig.3 Correlation analysis chart of PM2.5 and PM10 in Panzhihua City

由图4 可以看出，气体污染物SO2、NO2、CO 的逐月变化值和PM10、PM2.5的逐月变化值呈现出较高的正相关性，逐月变化趋势较为相似，也是12 月表现出最大浓度，6 月是最小浓度。根据图4 可知，12 月的湿度较大，风速相对较小，6 月的湿度较高，风速相对较大，这些气象因素是导致除臭氧以外的大气污染物在12 月浓度较高，6 月浓度较低的一个原因。O3则相反，和大气颗粒物PM10、PM2.5呈现出负相关关系，趋势和其他物质相反，呈现出夏季的O3浓度最高，12 月的O3浓度最低。

图4 气体污染物和大气颗粒物相关性分析图Fig.4 Correlation analysis diagram of gas pollutants and atmospheric particulates

2.3 气象因素影响分析

图5 显示的是攀枝花监测数据所对应的气象因素分布图。由图5可知，温度在12 月最低，在4 月开始升高，5 月升至最高，6 月稍有波动，7 月有所降低，8 月有升高趋势。5 年温度的整体变化和O3的变化非常相似。

研究表明，气体污染物的稀释扩散和气象条件密切相关。根据收集的攀枝花气象要素资料，分析温度、相对湿度和风速与气体污染物的关系。图6 是由气体污染物和气象数据通过SPSS 进行的pearson 相关性分析。由图6 可以看出，温度除了和O3呈正相关，和其余的气体污染物都呈负相关，负相关性最强的是NO2，其次是CO。研究发现气温升高有利于气体污染物的垂直扩散，并且可以加速气体污染物的氧化和水合过程，降低气体污染物浓度；气温较低的时候会使金属颗粒物随水分结晶，增大颗粒物的重金属质量，使得PM10、PM2.5质量浓度增加[31-33]。相对湿度和气体污染物浓度总体来看相关性较弱，同时与PM2.5、PM10正相关。图6 结果显示，O3、NO2和PM2.5～10与相对湿度呈负相关。相对湿度升高主要是在雨季，雨水将大气中污染物冲刷至地面，使大气污染物浓度下降[34]。风速也是一个比较重要的因素，跟气体污染物主要呈现出负相关，特别是在与颗粒物的关系中，风速较大会加速其扩散[35]。

本研究结果与其他学者得出的基本一致[36-37]，即不同大气污染物与风速呈现一定相关性，温度与气体污染物的相关性最强，其次是风速，最后是相对湿度。

图5 攀枝花2019—2020年气象因素分布图Fig.5 Distribution map of meteorological factors in Panzhihua City from 2019 to 2020

图6 气体污染物和气象因素的Pearson相关系数矩阵Fig.6 Pearson correlation coefficient matrix of gas pollutants and meteorological factors

3 结 论

综上所述，PM10和PM2.5的质量浓度变化范围分别为20～102µg/m3和7～65µg/m3，其年均值分别为52.8±16.2µg/m3和29.2±10.5µg/m3。攀枝花市大气颗粒物PM10和PM2.5质量浓度旱季分别为56.84、31.02µg/m3，雨季分别为47.21、26.78µg/m3，都表现为旱季大于雨季，表明攀枝花地区气体污染物污染较严重，所以有必要对攀枝花地区的气体污染物来源进行解析，为后续大气污染治理提供主要方向。

由相关性分析可知，相对于PM2.5～10，PM2.5和PM10的相关性更高，PM2.5对PM10的贡献更大；气体污染物SO2、NO2、CO 的逐月变化值和PM2.5、PM10的逐月变化值呈现出较高的正相关性，都表现为12 月浓度最大，6 月浓度最小；温度、风速和相对湿度跟气体污染物总体呈负相关，相关性最强的是温度，其次是风速，相关性最弱的是相对湿度。因此可以利用气象数据和气体污染物的相关性对大气污染物进行预警，提前做好防范，保护人体健康。