2015～2020年河南省主要大气污染物时空变化特征及归因分析

郑 瑶，李红亮，邢 昱，吉宏坤 ，唐 敏

(1. 河南省生态环境监测和安全中心，郑州 450046；2.河南省环境监测技术重点实验室，郑州 450046)

引 言

近年来，气溶胶颗粒物已成为影响我国城市环境空气质量的主要大气污染物，尤其是粒径较小但健康危害较大的细颗粒物[1～4]。因此，开展大气污染监测与治理工作具有重要意义[5～7]。2012年，国务院颁布了《环境空气质量标准》GB 3095-2012，首次将 PM2.5浓度监测纳入常规空气质量监测体系。2013年，国务院实施《大气污染防治行动计划》，为重点区域和城市的空气质量改善提出了详细要求[8]。自2013年起，我国逐步建设和完善国家层面的地基环境空气质量监测网络，旨在对六类主要大气污染物(PM2.5、PM10、O3、NO2、SO2、CO)浓度进行实时在线监测，迄今为止积累了大量的长时序监测数据，为探究大气污染物的时空变化趋势及分异规律提供了重要基础数据[9-10]。河南省作为我国中部大省，毗邻空气污染较为严重的京津冀地区，分析其近年来大气污染态势，尤其是大气颗粒物和臭氧污染的时空交互规律及变化成因，将对后期进一步制定合理的空气污染防治措施具有重要意义。

李灵等人[11]提出了利用空气质量监测站点对我国大气污染进行时空趋势分析的科学性和必要性，较于卫星反演数据，地面站点可以进行高时频的连续观测，且不受云雨等不良天气状况的影响，对于分析大气污染的日变化规律和长期变化趋势具有重要作用。伯鑫等人[12]指出，河南省毗邻京津冀地区，通过站点联动观测可以分析大气污染物在空间上的传输规律，异地源的防控与本地源的治理同等重要。随着一系列减排措施的实施，近年来我国已在大气污染治理方面取得了颇为显著的成效，大气灰霾污染状况整体改善明显[13-14]。然而，我国大气污染物浓度变化的时空分异态势仍较为明显，且成因规律尚未完全厘清，尤其是随着灰霾污染的改善，大气臭氧污染形势日益严峻。另外，大多数历史研究主要围绕PM2.5污染时空变化规律，较少分析PM2.5和臭氧污染的协同变化特征。因此，本文以河南省为研究区，分析该省2015～2020年PM2.5，PM10与臭氧三种污染物间的协同变化规律，以此为河南省后续大气污染综合防治提供理论参考。

1 材料与方法

为有效揭示河南省近 6 年大气颗粒物和近地面臭氧浓度的时空变化特征及其影响因素，本文利用河南省国家城市环境空气质量监测点位(以下简称国控站)实测颗粒物和臭氧浓度时间序列数据，通过开展趋势分析以及多元统计建模，量化PM2.5、PM10和O3浓度的变化趋势及其与气象条件和排放因子的关联，定量揭示影响河南省空气质量变化的主要驱动因素。本研究使用的主要数据和研究方法介绍如下。

1.1 数据来源

1.1.1 空气污染物浓度数据

鉴于河南省近年来首要空气污染物主要为大气颗粒物(秋冬季)和近地面臭氧(夏季)，故选择PM2.5、PM10和O3作为本文的研究对象。具体数据源为2015～2020年河南省17个城市75个具有长时序监测数据的国控站PM2.5、PM10和O3浓度数据。75个国控站的空间分布如图1所示，由图可见，国控站点主要布设在各城市的主城区等人口较为稠密的区域。

图1 河南省国控城市环境空气质量监测点网络分布Fig.1 Spatial distribution of state-controlled ambient air quality monitoring stations in Henan province.

1.1.2 气象数据

为量化气象条件对大气颗粒物和近地面臭氧浓度的影响，本研究使用了欧洲中期天气预报中心(ECMWF)提供的第五代全球大气气候再分析资料(ERA-5)，具体参数包括：相对湿度(RH，%)、近地面2m气温(T2m，K)、近地面10m风速(WS，m/s)、大气边界层高度(BLH，m)、和表面气压(SP，Pa)和紫外辐射(UV，J/m2)。该数据产品的空间分辨率约为30km (0.25°× 0.25°)，时间分辨率为 3 小时。

1.1.3 气溶胶组分数据

为有效量化气象条件和人为排放对大气污染物的影响，本研究使用了美国宇航局全球模拟和同化办公室(Global Modeling and Assimilation Office，GMAO)发布的新版MERRA-2大气成分再分析数据集[15]，具体指标包括：气溶胶光学厚度(AOD)、黑碳(BC)、有机碳(OC)、沙尘(DUST)和硫酸盐(SO4)。该产品的空间分辨率约为60 km (0.5°× 0.625°)，时间分辨率可达 1 小时。

1.2 方法

1.2.1 大气污染物浓度数据预处理

为统计河南省各国控站点监测的大气污染物浓度超标情况，本文采用《环境空气质量标准》GB 3095-2012规定的方法分别计算PM2.5、PM10和O3的日均浓度值，其中要求PM2.5和PM10日均浓度值至少有20个有效小时浓度值参与计算，O3为日最大8小时平均，至少有6个有效小时浓度值参与计算。现行三类大气污染物浓度分级标准如下表所示，其中当日均浓度值超过二级标准时即定义为超标。

表 主要大气污染物浓度分级标准Tab. Air quality classification criteria for major air pollutants

1.2.2 主成分分析

主成分分析(Principal components analysis，PCA)是一种高效的数据降维方法，其利用正交分解对原始观测值进行线性变换，从而保留数据集中方差贡献最大的特征，这些不相关的特征则称为主成分。首先，将河南省所有国控站点实测污染物浓度数据排列成 24×N 的矩阵，N 表示各个季节的观测记录，然后对该矩阵开展奇异值分解，进而计算其第一主成分，实现河南省不同季节的大气污染物浓度日变化特征主模态的提取。该分析旨在揭示大气污染物浓度的 24小时变化情况[16-17]。

1.2.3 线性混合效应模型

普通线性回归包含两项影响因素，即固定效应和噪声。固定效应是那些可被预测的因素，噪声是模型中没有考虑的随机因素。混合模型中包括了固定效应和随机效应，而随机效应有两种方式来影响模型，一种是对截距影响，一种是对某个固定效应的斜率影响，此类模型亦称方差分量模型[18～20]。本文分别建立了PM2.5、PM10和O3浓度的线性混合效应模型，以量化各影响因素的潜在贡献。由于本研究重点关注各因子对上述污染物的长期趋势影响，故各变量在参与计算时需要去除其季节性周期，仅保留残差项进行建模分析。各模型表示如下：

PM2.5～SO2+NO2+AOD+BC+OC+DUST+SO4+BLH+WS+T2m+SP+RH+(BLH+WS+T2m|month)

(1)

PM10～SO2+NO2+AOD+BC+OC+DUST+SO4+BLH+WS+T2m+SP+RH+(BLH+WS+T2m|month)

(2)

O3～SO2+NO2+AOD+BC+OC+DUST+SO4+BLH+WS+T2m+SP+RH+(BLH+WS+T2m|month)

(3)

各变量的相对贡献可由公式(4)计算得到：

(4)

其中SSR表示回归平方和，为原始全变量模型的回归平方和，为不考虑变量时所得到的回归平方和。

2 结果分析

2.1 河南省大气污染总体态势

图2为2015～2020年河南省主要大气污染物浓度对应的分级统计，其中分级标准详见表1。由图可知，PM2.5污染等级为一级的占比逐年增高，并在2019年首次超过二级占比，且污染等级三级以上的污染天数显著降低。与之类似，PM10污染等级为一级的占比同样在逐年增高，但总体趋势不如PM2.5明显，且二级水平占比始终处于高位(超过50%)；三级以上的污染天数也有明显减少，2020年基本未发生四级以上的严重PM10污染事件。上述结果客观证实近年来河南省大气颗粒物污染显著降低，尤其是 PM2.5主导的灰霾污染改善最为显著。然而，统计结果显示河南省近地面O3污染等级为一级的占比总体呈逐年下降的趋势，仅在2018年后有微弱抬升；三级以上严重污染情况在2019年前表现为逐年加剧，仅2020年维持在较低水平。造成上述现象的原因可能与 2020 年受 COVID-19 疫情影响，人为排放整体较低有关。

图2 2015～2020年河南省主要大气污染物浓度等级统计Fig.2 Concentration levels of major air pollutants in Henan province during 2015～2020

图3进一步分析了3种主要大气污染物的月均浓度变化情况。由图可知，季节尺度上，河南省大气颗粒物(PM2.5和 PM10)浓度表现为秋冬高、夏季低的分布特征，与我国北部区域(如京津冀)的颗粒物浓度季节分布特征相似。该季节变化特征主要与我国北方地区秋冬季大量取暖燃煤(或生物质燃烧)以及不利的气象扩散条件(如逆温)密切相关[21～23]。对比年际变化可以发现，PM2.5和 PM10污染在逐年递减，其中PM2.5浓度在5～10月下降更为明显，而在冬季12～2月下降趋势并不稳定，同样的规律在PM10污染上也有发现。相反，近地面O3污染主要出现在夏季，尤以 6 月为甚，该现象主要与O3污染为光化学反应，除污染前体物浓度外，与温度紧密相关[24-25]。年际变化上，月均浓度在1～5月逐年上升，6～8月的峰值出现在2017～2018年，9～12月的变化较不稳定，但仍有加强的趋势。总体而言，与周边其他省份如河北、山东和安徽一致，河南省3种主要大气污染物浓度在季节尺度上存在显著季节分异，即颗粒物浓度秋冬季高，近地面臭氧浓度高值主要出现在夏季。

图3 2015～2020年河南省主要大气污染物月均浓度变化情况Fig.3 Monthly variations of major air pollutants in Henan province from 2015 to 2020

为宏观地揭示河南省3种主要大气污染物的总体变化态势，图4统计了不同年份3种大气污染物的平均超标天数，其中超过二级限度限值即为超标(PM2.5—75 μg/m3；PM10—150 μg/m3；O3—160 μg/m3)。由图4可知，PM2.5和PM10污染超标情况有明显的改善，年均PM2.5超标天数分别从 100 天降至 46 天，PM10超标天数由 79 天降至 21 天。相反，年均O3超标天数由2015 年的年均 85 天上升至2020 年的 118 天。上述统计结果客观证实了河南省大气细颗粒物污染的治理工作已取得显著成效，取而代之的则是近地面O3污染的逐年加重。因此，近地面O3污染将是后续影响河南省空气质量的重要污染物，开展近地面 O3污染防治势在必行。

图4 2015～2020年河南省主要大气污染物超标天数统计Fig.4 Number of days with PM2.5，PM10，and O3 exceeding the air quality standard in Henan province from 2015 to 2020

2.2 污染物浓度时空变化趋势

图5为河南省2015～2020年3种主要大气污染物年均浓度的空间分布。结果显示，大气颗粒物污染的空间分布呈现出明显的北高南低的趋势。造成该空间分布特征的主要原因在于除了自身排放原因，河南北部太行山脉的阻隔造成河南西北部地区易形成不利于污染物扩散的静稳天气，使得颗粒物集聚，进而导致污染浓度较高。尽管如此，PM2.5和 PM10浓度的年际变化仍清楚揭示了河南省颗粒物污染逐年缓解的特征，尤其是 PM2.5浓度，在 2017 年后显著降低。对于近地面 O3污染，其在早期阶段主要分布在河南中部地区，但随着时间推移逐步扩散到河南全境，尤其是 2017～2019 年间，全省都存在较为严重的近地面O3污染，但2020年有所降低。

图5 河南省2015～2020年大气污染物年均浓度空间分布Fig.5 Spatial distribution of annual mean concentrations of PM2.5，PM10，and O3 in Henan province from 2015 to 2020

为进一步揭示3种污染物的总体变化态势，本文利用线性拟合方法计算了各市污染物浓度的线性趋势。图6为各市3种大气污染物浓度的线性变化趋势，结果显示PM2.5浓度在郑州市、焦作市和新乡市下降趋势最为显著，PM10浓度在郑州市和新乡市下降趋势明显；O3浓度在安阳市和开封市则呈现明显的上升趋势较，郑州市、焦作市、新乡市和周口市次之。空间尺度上，无论是大气颗粒物浓度的下降趋势，还是近地面O3的上升趋势，河南省北部区域都要强于南部地区，造成该空间分异的原因可能与地形和局部气候条件有关。

图6 河南省各市主要大气污染物浓度变化趋势Fig.6 Variation Trend of PM2.5，PM10，and O3 concentrations in Henan province from 2015 to 2020

图7揭示了河南省3种大气污染物浓度在不同季节的主要日变化特征。由图7可知，PM10和PM2.5浓度日变化特征较为类似，日间局部高值出现在上午9：00～11：00左右，夜间高值主要出现在22：00左右，且在季节上无显著差异。相反，近地面O3浓度的峰值出现在下午15：00～17：00左右，且夏季的日变化幅度要强于其他三个季节，冬季变化幅度最小。总体而言，PM2.5和 PM10的日变化特征主要受人类活动造成的直接排放以及大气边界层高度控制，而近地面O3浓度的日变化特征除了受前体污染物浓度控制外，还与温度和紫外辐射强度密切相关。总体而言，揭示大气污染物浓度的日变化特征将有助于开展大气污染精细化治理，如可在高峰时段采取车辆限行、人工洒水除尘、降温等一系列操作来降低相关大气污染物浓度。

图7 河南省 PM2.5，PM10 和近地面 O3浓度在不同季节的日变化特征Fig.7 Diurnal variation characteristics of PM2.5，PM10，and near-surface O3 concentrations in different seasons in Henan province from 2015 to 2020

2.3 区域大气污染归因分析

为探究影响上述3种主要大气污染物浓度变异的驱动因素，尤其是人为排放和气象条件对三类大气污染物浓度的影响，本文通过建立各大气污染物的线性混合效应模型并开展敏感性分析来量化各变量在模型中的相对贡献。其中，正贡献表示该变量对污染物浓度的趋势有促进作用，反之，负贡献则表示该变量对污染物浓度的趋势有抑制作用。相关结果如图8所示，由图可知，SO2和NO2是主导河南省大气颗粒物浓度变化的首要因素，且二者都表现出显著的正贡献。由前文可知，河南省 PM2.5和 PM10在过去六年中都呈现显著的下降趋势(图 4)，即该省SO2和NO2浓度的变化是造成PM2.5和 PM10浓度下降的主要原因。该结果客观证实了主动减排是降低河南省大气颗粒物污染的首要原因。此外，风速是气象因子中贡献最大的变量，表明扩散条件的改善也对降低颗粒物污染具有重要作用。相较而言，近地面气温和边界层高度对近地面O3浓度变化趋势有较强的促进作用，由于温度是控制O3光化学反应的重要因素，该结果表明全球变暖环境下河南省近地面O3污染将日趋严重。因此，进一步采取措施对 O3光化学反应所需的前体物，如挥发性有机物 VOCs 和氮氧化物NOx，进行减排将是缓解河南省近地面O3污染的重要举措。然而，受制于缺乏长期大规模的VOCs同步观测资料，本文未能实现上述臭氧污染前体物在河南省的时空变化特征分析，以及对近地面O3污染的驱动机制敏感性实验。

图8 各影响因素对大气污染物浓度的相对贡献比较Fig.8 Comparison of the relative contribution of each influencing factor to PM2.5，PM10，and O3 concentration in Henan province from 2015 to 2020

3 结 论

3.1 河南省以大气颗粒物为主的大气污染下降趋势显著，尤其是在污染较为严重的冬季，表明河南省大气颗粒物污染治理已取得了阶段成效。然而，截止 2020 年，河南省大气颗粒物浓度仍整体超出国家一级浓度限制，故大气灰霾污染治理工作仍需砥砺前行。同时，大规模减排和扩散条件的改善是促进河南省PM2.5和PM10污染降低的重要原因。

3.2 伴随因减排造成的大气颗粒物浓度下降，近地面O3污染浓度呈现明显上升态势。造成该现象的原因主要与区域近地面温度的升高密切管理。

3.3 河南省大气颗粒物和臭氧污染区域空间上叠合，且两者的优良天数也存在明显相关性。

3.4 由于近地面臭氧污染的产生机制与大气颗粒物前体物浓度(如氮氧化物)紧密相关，故当地环保部门后期的工作重心可围绕继续保持大气颗粒物污染治理成效的同时，进行近地面臭氧与大气颗粒物的协同管控，重点开展近地面O3污染的治理，尤其是强化氮氧化物和VOCs协同减排，本着精准治污、科学治污、依法治污的理念，健全环境经济政策，完善大气监测网络，深化排放清单动态管理，以期打好这场持续的“蓝天保卫战”。