泉州市近5年大气PM2.5的时空变化与影响因素

卓鸿，陈永山,2

(1．泉州师范学院 资源与环境科学学院，福建 泉州 362000；2．泉州师范学院 环境科学研究所，福建 泉州 362000)

近年来，我国经济快速发展，城市化迅速推进，但是随之也产生了较为严重的大气环境问题[1-3]，许多地区频繁出现严重的雾霾天气[4-5]．高浓度的大气细颗粒物(PM2.5)是产生雾霾天气的一个重要原因，它使得大气能见度降低，引发公共交通事故[6-8]．同时，高浓度的PM2.5会导致呼吸系统等方面的疾病，特别是对特殊敏感人群(例如老人、孕妇、儿童等)，其造成的危害不可忽视．已有研究表明，雾霾天气的出现与医院急诊病人数量、人群患病率的增加等存在着相关性[9]；儿童医院的哮喘每日门诊数据与PM2.5等大气污染物有着较强的相关性[10]；时间序列模型研究也发现即使暴露在低浓度的PM2.5环境下，65岁以上的老年人群依然存在健康风险[11]．因此，大气PM2.5的时空变化特征研究对易感人群的健康防护具有重要的指导意义．

大气PM2.5时空变化特征是一个大气污染防治的重要内容，在政府和相关研究人员的努力下，已取得较好的研究进展[12-15]．但此类的相关研究大多数是集中在京津冀、珠三角、长三角等经济发达的热点地区和城市[16-17]，并选取较短时期内(例如一年或者一年中的特定月份和季节)的PM2.5数据进行研究．这些区域通常经济发达，大气污染监测站点多，观测条件较好．例如，赵晨曦等收集了北京地区30个监测点的PM2.5和PM10的浓度数据，使用GIS克里金插值等方法分析大气污染物在时间和空间维度的分布特征[13]．毛婉柳等选取了2015年长三角区域的PM2.5数据，使用地统计分析的方法，研究时空分布格局，并分析它与其他污染物以及气象因素的关联[14]．然而，如果将这些区域的研究结论简单地推广到其他地区，特别是低浓度地区，则存在着一定的局限性[11]．目前，针对一些低浓度地区或非热点区域的PM2.5数据进行长时期的跟踪和分析的研究，还较为缺乏．福建省泉州市位于我国东南沿海，是海峡西岸经济区的中心城市之一，也是海上丝绸之路的起点和重要港口．泉州市经济发达，GDP总量连续20多年保持全省第一，但是近年来随着经济的快速发展以及城市化与工业化的推进，也产生了一定的大气污染问题．吴萍萍指出，和全国其他城市相比较，福建省泉州市的PM2.5污染程度较低，但是也有一定程度的污染[18]．苏锦对比了福州、厦门和泉州三个城市的PM2.5数据，指出三个城市中以第二产业为主的泉州市污染情况相对严重[19]．因此，本研究选取福建省泉州市为研究区域，分析2015-2019年这一较长时间内PM2.5浓度数据的时空变化特征，为泉州市以及福建省闽南地区的大气污染研究和治理提供科学依据和决策辅助．

1 数据来源及研究方法

1.1 研究区域与数据来源

泉州市是福建省闽南地区的一个沿海城市，是福建省的3个二线城市之一，地理位置处于福州市和厦门市之间．泉州市地理位置条件优越，属亚热带海洋性季风气候[20]．泉州市下辖丰泽区、鲤城区、洛江区、泉港区等行政区，此外还有南安市、晋江市、石狮市3个县级市，惠安县、永春县、德化县、安溪县、金门县(待统一)5个县．作为以第二产业为主的城市，泉州市近年来发展迅速，人口和GDP常年位居福建省第一，在福建省的经济建设中起到了至关重要的作用．但于此同时，产业发展所带来的大气污染问题应当引起重视，因而有必要对泉州市的PM2.5污染问题进行长期和深入的研究．

图1 泉州市环境监测站分布图Fig.1 Spatial distribution map of environmental monitoring stations in Quanzhou City

2012年，国家环保部提出了新的《环境空气质量标准》(GB 3095—2012)[21-22]，开始将PM2.5作为大气污染的重点监测对象．福建省泉州市是第二批实施新版空气质量检测的城市[23]，目前泉州市一共有4个大气污染国控环境监测站点，分别位于鲤城区的涂山街(24°54'42"N，118°34'55" E)、丰泽区的津头埔(24°53'52" N，118°35'50" E)、洛江区的万安(24°56'33" N，118°39'59" E)、以及清源山风景区(24°57'42" N，118°36'39" E)，如图1所示．

收集2015年1月1日至2019年12月31日内泉州市4个环境监测站的PM2.5和其他大气污染物(如PM10、CO、NO2、SO2、O3等)的浓度数据，数据来源于中国环境监测总站的城市空气质量发布平台，时间间隔为1 h，为逐小时数据．此外，还收集了同一时期泉州市的气象数据，时间间隔为1 d，为逐日数据，其中包含了白天和夜间天气、风向、风力、每日最高与最低温度等数据．在数据的预处理阶段，本文删除了数据中PM2.5和其他大气污染物浓度值小于0的记录；对于缺失值，则采用时间序列线性插值的方式进行修补．

NDVI是一项能够较为准确地反映土地植被覆盖情况的指标，NDVI值越高，植被覆盖度越高．为分析植被覆盖对PM2.5时空变化差异的影响，本文下载了泉州市2015—2019年9—10月的Landsat8 OLI_TIRS卫星遥感图片，用于提取NDVI值，数据来源于中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn)．

1.2 研究方法

1.2.1 时间分析法 先从不同的时间尺度(年度、季节、月份、日)剖析PM2.5浓度随时间变化的特征．首先，将2015—2019年泉州市PM2.5浓度数据按年份进行分组，进行描述性统计分析，分别计算每年的平均值、中位数、最小值、最大值等．为进一步分析PM2.5随季节和月份变化的特征，需要将季节划分．在划分方法上，有学者指出，应当将福建省的12—2月定为冬季，3—5月定为春季，6—8月定为夏季，9—11月定为秋季[24]．这里，也采用这一季节划分方法，然后计算每年各个季度和月份PM2.5浓度的平均值，分析其随季节和月份变化的情况．此外，本研究也按年份计算PM2.5浓度在一天内每个小时的平均值，分析PM2.5浓度的日变化规律．

1.2.2 空间分析法 从空间的角度，分别计算2015—2019年泉州市4个环境监测站(即涂山街、津头埔、万安、清源山)的PM2.5浓度数据的平均值，分析不同监测站的浓度平均值的年、月以及日变化的情况并绘制折线图，对比分析它们的空间差异和变化特征．

此外，还从Landsat8 OLI_TIRS卫星遥感图片中，提取第4波段和第5波段，计算NDVI值．然后以4个环境监测站点为中心，分别以500 m和1 000 m为半径作缓冲区，再使用GIS分区统计的方法，分别计算缓冲区内NDVI的平均值．通过对比4个环境监测站的NDVI与PM2.5浓度之间的相关系数，分析地表植被覆盖对PM2.5空间差异的影响．

1.2.3 数理统计法 采用R3.6.3软件中的“dplyr”和“tidyr”等程序包进行数据清洗和数理统计分析，并使用“ggplot2”程序包进行绘图．具体的数理统计分析方法主要包括了描述性统计和相关分析，其中相关分析使用的是Spearman相关系数．

2 结果与讨论

2.1 泉州市PM2.5浓度时间变化分析

2015—2019年泉州市PM2.5浓度的描述性统计分析见表1．从表中可以看出，泉州市的大气环境质量总体上情况较好，PM2.5质量浓度的年均值都在24～27 μg/m3，中位数在20～22 μg/m3，最小值都小于5 μg/m3．根据2012年颁布的新版《环境空气质量标准》的规定，当PM2.5年均质量浓度小于35 μg/m3时，空气质量为优[16]．根据此标准，泉州市2015—2019年PM2.5年度均值、中位数和最小值都达到了这个要求．但是每年PM2.5浓度的最大值都远超过了规定的阈值，如表1所示，PM2.5浓度的最大值的发生日期都是出现在每年冬季的1—2月份期间，因此有必要进一步分析泉州市的大气PM2.5随季节和月份变化的具体情况．

表1 2015—2019年泉州市PM2.5浓度描述性统计Tab.1 Descriptive statistics of PM2.5 concentrations in Quanzhou from 2015 to 2019

2015—2019年泉州市PM2.5浓度的季节变化情况见表2．从表中可以看出，PM2.5浓度呈现出明显的季节变化，总体上趋势为冬春季节较高，而夏秋季节较低．具体来说，冬季PM2.5质量浓度的均值最高，在29～34 μg/m3；春季仅次于冬季，在28～30 μg/m3；而夏季的均值最低，总体情况较好，只有16～22 μg/m3左右；秋季比夏季稍高，在20～24 μg/m3左右．

表2 2015—2019年泉州市PM2.5浓度季节变化Tab.2 The seasonal variation of PM2.5 concentrations in Quanzhou from 2015 to 2019 μg/m3

图2进一步描述了2015—2019年泉州市PM2.5浓度的月均值变化情况，其中每一个年份用虚线表示，而黑色实线部分是对月均值再次计算平均值，得出总体变化趋势．月均值基本在冬季1—2月时达到最高点，随后开始出现下降趋势，4月份后开始快速下降，在夏季6—7月达到最低点，之后开始缓慢上升，11月份开始上升速度加快．这与表2中的分析结果基本一致，即冬春季节较高，夏秋季节较低．谢瑞加分析了2014年泉州市区的PM2.5浓度变化，发现PM2.5浓度均值最高出现在冬季1月份，最低出现在夏季7月份．他指出，造成这种现象的一个重要原因主要是天气，泉州市冬季少雨，风力不大，天气情况较为稳定，扩散条件差[25]．中国北方冬季取暖是导致PM2.5浓度较高的重要因素，泉州市地处中国南方地区东南沿海，不存在冬季取暖的问题．但杨洪斌等也指出，PM2.5等细颗粒物在空气中停留时间长，易发生长距离运输，使得冬季北方的大气污染南下，发生区域性扩散[26]．此外，值得注意的是，每年的春节基本在1—2月，期间燃放烟花爆竹、宗教寺庙烧纸焚香等人为活动也是泉州市冬季时节PM2.5浓度升高的一个因素[20]．

图2 2015—2019年泉州市PM2.5浓度月份变化图 图3 2015—2019年泉州市PM2.5浓度日变化图Fig.2 The monthly variation of PM2.5 concentrations Fig.3 The daily variation of PM2.5 concentrations in Quanzhou from 2015 to 2019 in Quanzhou from 2015 to 2019

泉州市PM2.5浓度的日变化情况如图3所示．在图中，每一个年份用虚线表示，而黑色实线部分是对每小时的均值再次计算平均值，得出总体变化趋势．可以看出，日变化也呈现出了明显的规律性．PM2.5浓度在0点处于较低点，然后开始逐渐上升，8—9点达到一天的最高峰，其后开始下降，至15—17点达到低谷，然后又开始上升，到19—20点达到另一个高峰，其后开始缓慢下降．可以明显地看出，PM2.5浓度的日变化规律与人类的作息时间以及日常出行尖峰期较为吻合．许多学者也指出，PM2.5浓度容易受到人类活动的影响，例如汽车尾气、工业排放、建筑扬尘等[15]．从气象变化角度来看，夜间至凌晨，大气层结构稳定，可造成PM2.5浓度的累积升高，上午随大气边界层的发展抬升，扩散性变好，引起PM2.5浓度呈下降趋势．

2.2 泉州市PM2.5浓度空间变化分析

泉州市所有环境监测站的PM2.5浓度见表3．从表中可以看出，涂山街的PM2.5质量浓度年度均值最高，在25～31 μg/m3．津头埔比涂山街稍低，在26～29 μg/m3．万安监测站的PM2.5质量浓度与前两者有了小幅度的降低，在25～27 μg/m3．由于万安站点位于洛江区，人口密度较小，距离工业区相比前两者较远，距离泉州湾较近，扩散条件相对较好[25]．另外，值得注意的是，清源山监测站与其他3个站点有很大的不同，清源山站点的PM2.5质量浓度年度均值都在23 μg/m3以下．因此，4个监测站的PM2.5浓度的总体情况为：涂山街>津头埔>万安>清源山．清源山是国家重点风景名胜区，其周边环境的林地和植被覆盖率较高，这是影响其PM2.5浓度的一个重要原因．

图4 泉州市环境监测站PM2.5浓度变化图 Fig.4 The variation of PM2.5 concentrations at Quanzhou environmental monitoring stations

表3 泉州市环境监测站PM2.5浓度Tab.3 PM2.5 concentrations at Quanzhou environmental monitoring stations μg/m3

不同环境监测站之间PM2.5浓度的季节和月份差异如图4所示．可以看出，所有环境监测站的PM2.5浓度都呈现出了明显的随着季节和月份变化的特征，即冬季1—2月PM2.5浓度达到高点，春季开始有所下降，在夏季6—7月达到低点，其后秋季又开始缓慢回升．4个监测站点的空间差异明显，涂山街和津头埔PM2.5浓度相对较高，万安次之，而清源山的PM2.5浓度曲线一直都在其他3个监测站点下方，浓度值最低．图5描述了所有环境监测站PM2.5浓度的日变化情况．可以看出，涂山街、津头埔、万安这3个站点的日变化规律较为类似， 7—8点达到最大值，其后开始下降，至15—16点达到最低点，然后开始缓慢上升．然而，清源山站点的变化规律则完全不同，其PM2.5浓度从凌晨0点起一直处于缓慢上升状态，其后上升速度加快，在17—18点达到最高点，然后开始下降．这一变化规律的差异，可能与泉州市城区较高浓度的PM2.5发生传输和扩散有关．上午城区的PM2.5浓度较高，午后经过传输和扩散使得浓度有所降低，而清源山受此影响午后出现累积升高．其次，清源山的土地利用类型以林地为主，与其他3个站点不同，而地表植被对大气污染物的调节和削减作用与其他地物类型不同，这也是导致其PM2.5浓度日变化规律不同的一个可能原因．

图5 泉州市环境监测站PM2.5浓度日变化图Fig.5 The daily variation of PM2.5 concentrations at environmental monitoring stations

2.3 泉州市PM2.5浓度时空变化的影响因素分析

影响大气PM2.5浓度时空变化特征的因素有很多，包括植被覆盖、其他大气污染物浓度、气象因素等．例如，史宇等研究了2013-2014年北京市35个环境监测站的PM2.5浓度数据，并分析其与土地利用类型的关联，指出林地和植被对大气中的颗粒物有削弱的作用，可降低PM2.5浓度[27]．佘日新[5]研究了2014年泉州市大气中PM2.5与PM10的浓度数据，发现二者相关性为显著的强相关．毛婉柳等[14]发现长三角地区CO、NO2、SO2等其他大气污染物与PM2.5的相关性都为正相关，而其中CO的影响较大．李松等[22]研究了贵州省遵义市PM2.5与气象因素的关联，发现PM2.5浓度在多云和阴天的时候偏高，而风向和风力对其也有一定的影响．这里，本文也将从这几个方面分析PM2.5浓度的影响因素．

NDVI指数能够反映地表植被覆盖的情况．从Landsat8 OLI_TIRS卫星遥感图片中提取NDVI值，然后围绕环境监测站做500 m和1 000 m的缓冲区，再分别计算缓冲区内NDVI的平均值．环境监测站500 m和1 000 m缓冲区内NDVI平均值的统计情况见表4．

表4 环境监测站500 m和1 000 m缓冲区内NDVI平均值Tab.4 The average NDVI value in the 500 m and 1 000 m buffer zones of the environmental monitoring stations

从表4可以看出，涂山街和津头埔的NDVI值较小，在0.1左右，万安稍高，而清源山的NDVI值则远高于其他监测站点．将表4中的NDVI值与监测站点的PM2.5浓度平均值进行相关分析发现，在500 m缓冲区内二者的相关性为-0.883，而在1 000 m缓冲区内的相关性为-0.887，均为负相关且相关性较强．这说明土地利用类型，特别是森林植被，对PM2.5的空间分布差异产生了较为明显的影响．植被覆盖度越高，人为活动排放的贡献较少，另外植被对大气颗粒物也有一定的削减作用，能增加大气颗粒物的沉降量，使得PM2.5浓度降低．这一分析结果与史宇等[27]的研究结论类似．

人类的生产和活动除了排放出细颗粒物PM2.5以外，也产生了其他的大气污染物，进而发生二次转化，影响PM2.5的浓度值．这里对泉州市4个环境监测站的PM2.5与其他大气污染物浓度(包括PM10、NO2、CO、SO2、O3)进行Spearman相关分析，结果如表5所示．

表5 PM2.5浓度与其他大气污染物的相关性Tab.5 The correlation between PM2.5 concentrations and other atmospheric pollutants

从表5中可以看出，PM10与PM2.5的相关性最强，相关系数的值基本在0.8左右而且显著(P值小于0.01)．其次是NO2和CO，它们的相关系数在0.34～0.56之间．人类活动所产生的汽车尾气和煤炭燃烧是NO2和CO的主要来源，这对涂山街、津头埔、万安这3个站点的PM2.5浓度有一定的影响，而清源山站点位于风景名胜区，周边环境受到汽车尾气和煤炭燃烧的影响相对较弱，所以相关系数相对较小．此外，SO2的相关性较弱，基本在0.35～0.46之间;而O3的相关性最弱，都在0.35以下．这些分析结果与佘日新[5]、毛婉柳等[14]的研究结论基本一致．

异常值分析(或称为超标统计)，在PM2.5研究中有着重要的意义．通过统计分析一个时期内PM2.5浓度异常或超标的情况，就能够知道大气污染严重的天数或者比例，并分析与气象数据的关联，这对于一个区域大气污染的研究和治理十分重要．当24 h PM2.5质量浓度或日均质量浓度为0～35 μg/m3时，空气质量为优；35～75 μg/m3时，空气质量为良；75 μg/m3以上则空气质量为轻度污染至严重污染[16]．这里选取PM2.5日均质量浓度大于75 μg/m3的记录，设置为异常或超标的情况，研究其与气象数据的关联．2015—2019年这个时期泉州市PM2.5浓度的异常情况以及与气象因素的关系见表6．从表中可以看出，泉州市PM2.5日均质量浓度高于75 μg/m3的异常情况一共出现了12次，主要是集中在11—3月，其中有8次出现在了冬季的12—2月．当异常情况出现时，白天的天气情况以多云和阴天为主，没有降雨，无持续风向或东北风，风力主要是小于等于3级或3～4级；夜间天气也是以多云和阴天为主，东北风为主，风力大多是小于等于3级或3～4级；日平均温度多数在20度以下．综上所述，在冬季时节，当白天和夜间天气是多云和阴天，没有降雨，无持续风向或东北风，且风力等级较小，日平均温度低于20 ℃的时候，相关大气质量监测部门应当引起重视，重点了解PM2.5的污染情况．

表6 PM2.5异常值分析以及与气象因素的关系Tab.6 PM2.5 abnormal value analysis and its relationship with meteorological factors

(续表6)

日期PM2.5浓度/(μg·m-3)白天白天风力 夜间夜间风力 平均温度/℃2019-01-2176.1 多云东北风,4～5级多云东北风,4～5级11.02019-02-05106.0 多云北风,1～2级多云北风,1～2级16.52019-02-0689.0 晴东南风,3～4级多云东南风,3～4级18.52019-12-1879.7 阴东北风,4～5级多云东北风,4～5级17.5

3 结论

本研究收集了2015年1月1日至2019年12月31日泉州市4个大气污染国控环境监测站的PM2.5浓度数据，并结合其他大气污染物和气象数据，分析时空变化特征和影响因素．分析结果表明：(1)2015—2019年泉州市PM2.5浓度总体情况良好，且存在明显的季节和月份变化规律，冬春季节较高，夏秋季节较低，1—2月达到最高，6—7月达到最低．PM2.5浓度的日变化规律明显，与人的作息时间以及日常出行高峰时间吻合，说明PM2.5容易受到人类活动的影响．

(2)泉州市4个环境监测站的PM2.5浓度的空间变化和差异较为明显，总体上来说，涂山街和津头埔监测站PM2.5浓度相对较高，万安次之，而清源山最低．清源山监测站与其他站点明显不同，这与其周边环境的土地利用类型有关．清源山森林和植被覆盖率比较高其附近的NDVI值远高于其他站点，而且NDVI值与PM2.5浓度呈现出负的强相关，这表明清源山附近的植被覆盖度较高，且对PM2.5浓度的空间分布差异产生了影响．

(3)PM2.5与其他大气污染物浓度存在一定的相关性，其中PM2.5与PM10的相关性最强，与O3的相关性最弱．

(4)通过异常值分析发现，PM2.5浓度与气象因素存在关联，如果冬季白天和夜间天气以多云或阴天为主，没有降雨，风向为东北风或无持续风向且风力等级较小，日均温度低于20 ℃，可能出现PM2.5浓度超标的情况．