阿克达拉PM2.5演变特征及与气象要素的相关性分析

王 红，顾张杰，王 丹，庄晓翠

(阿勒泰地区气象局，新疆 阿勒泰市 836000)

前 言

PM2.5指大气中粒径小于或等于2.5μm的颗粒物[1-2]，它不仅导致许多城市环境污染、还给人们的身体健康带来严重威胁[3～5]。为深入了解气象要素与PM2.5颗粒物的影响，众多学者对京津冀、长三角、珠三角进行了大量观测和研究，取得了许多成果[6～8]，如张岳鹏等[9]探究了北京周边城市PM2.5污染变化特征及其与地面天气形势之间的关系，发现PM2.5浓度与风速、相对湿度分别呈显著的负相关、正相关关系。吴雁等[10]研究了河北中南部PM2.5浓度时间变化特征及其与气象条件的相关性。陈婷等[11]研究了陈都市PM2.5浓度和风速、相对湿度有明显相关性。但对我国最西北地区的颗粒物污染现状的研究较缺失，仅有王力福[12]等通过阿克达拉区域大气本底站2007年全年监测发现北疆经济区PM10的年平均本底浓度为10.08μg/m3。张广兴[13]等得到反映气流轨迹主要特征的数条轨迹得到阿克达拉主要污染物成分是源自西北气流的影响。

之前研究仅做了污染物简单时间演变特征分析，阿克达拉地区位于北疆腹地，气候特征鲜明，对于PM2.5与气象因子相关性研究属空白，气象要素预报在数值模式推动下越发准确，研究气象要素与颗粒物浓度浓度共変性可以更好的预测环境污染。本文则利用阿克达拉国控点的小时监测数据，针对PM2.5颗粒物污染的时间分布及颗粒物浓度与气象因子的关系进行研究，客观分析了气流轨迹，有助于了解当地污染特征和不同气象因子对PM2.5的影响。

1 材料和方法

1.1 研究区域概况

大气本底站一般选在远离人类活动和污染的区域，最大限度“还原”大气的本来面目，阿克达拉大气本底站建立在福海县中部的平原地区，是我国继青海瓦里关、北京上甸子，黑龙江龙凤山、浙江临安、云南香格里拉之后全国第6个在建区域大气本底站，具有独特代表性，是唯一一个戈壁荒漠本底站，对研究新疆北部甚至中亚大气具有十分重要的意义。(47°06′，87°58′，海拔563.3m)该地区属大陆性干旱半干旱气候，夏季高温干燥，阳光充足，多强对流天气，冬季漫长寒冷，春季多强风，秋季冷空逐渐增强，寒潮天气较多(图1)。

图中红色五角星所示，47°06′，87°58′图1 阿克达拉大气本底站的位置Fig.1 Geographic Location of Akedala national background atmosphere station

1.2 仪器与方法

观测仪置于站内6～8m高处，采用的是德国Grimm公司研制的环境颗粒物检测仪(EDM180)，采样频率为5min一次，主要采用激光散射原理对悬浮颗粒物质量浓度进行连续监测。气象数据来自同一点位的地面气象观测自动站常规观测数据，监测过程中的实时气象资料，包括气温、气压、湿度、降水、风速等数据。

将时间划分为春季(3～5月)、夏季(6～8月)、秋季(9～11月)和冬季(12月～翌年2月)。观测期间仪器正常，在此基础上按照正常资料数据≥75%的标准，利用z-score法对PM2.5气溶胶粒子的原始数据进行标准化，分析PM2.5气溶胶粒子时间变化特征。

利用国控点气象监测数据与颗粒物小时监测数据，研究颗粒物浓度与气象因子的关系，利用SPSS 16.0进行Pearson系数相关性分析，能够客观反映出颗粒物浓度与气象要素间的共变趋势程度[14]。

2 结果与讨论

2.1 PM2.5质量浓度的变化特征

2.1.1 年变化

图2中PM2.5质量浓度年变化曲线呈单峰型，年平均值为10.82μg/m3，整体为上升趋势，10年内上升幅度为7.15%，在2015年达到峰值13.98μg/m3。单峰型变化中PM2.5质量浓度上升幅度远大于下降幅度，2010～2015年上升明显，上升幅度为21.5%；2015～2019年下降且较为平缓，下降幅度为7.2%。证实了在全球变暖的响应下大陆腹地本底站气候变化的事实。

图2 2010～2019年PM2.5年变化Fig.2 Interannual variation in mass concentration of PM2.5 from 2010 to 2019

2.1.2 季变化

10年中阿克达拉PM2.5浓度变化趋势呈现出显著的冬春季和夏秋季季节性特征(图3)，夏秋季浓度低，冬春季浓度高，各季节平均值分别为春季11.47μg/m3、夏季7.30μg/m3、秋季8.87μg/m3、冬季16.47μg/m3，呈现冬季>春季>秋季>夏季的特征，且冬季显著高于其他季节的任何时段，与北京、广州和上海等其他城市研究结果相一致，多与冬季寒冷供暖期有关[15，20-21]。且冬季PM2.5质量浓度变化呈明显的单峰型结构，春、夏、秋季相对于冬季变化较为平稳，为多波动型。

图3 PM2.5质量浓度季变化Fig.3 Seasonal variation in mass concentration of PM2.5

图4 PM2.5质量浓度的季变化Fig.4 Seasonal variation in mass concentration of PM2.5

图4为PM2.5浓度季变化箱式图，各季节的PM2.5浓度中位数分别为春季9.19μg/m3、夏季7.30μg/m3、秋季8.73μg/m3和冬季15.35μg/m3。上、下分位的区间代表数据分布密集程度，各季节分布为春(6.02～11.87μg/m3)、夏(4.30～9.91μg/m3)、秋(5.37～14.61μg/m3)、冬(7.94～25.56μg/m3)，因此冬季数据的变化性最大。

另外春、夏、冬季数据基本围绕中位数为对称分布，秋季则为明显右偏态分布，数据分布多在中位数以上，夏季在8、13、15位数据存在明显的偏高异常值，可能与与夏季多对流性大风引起沙尘天气有关。春季扬尘是颗粒物浓度贡献最大的污染源，且春季大气层结构相对稳定，也不利于污染物的扩散[16]，因此，春季大气中颗粒物浓度较高。入秋以后，天气湿度大，风速小，且近地面气压渐高，大气活动趋于稳定，11月中旬开始进入供暖期，污染物显著增加，和魏青研究的采暖季内社会活动造成的正常排放仍高于大气环境容量一致[17]。

2.1.3 月变化

阿克达拉2010～2019年PM2.5月平均浓度为10.49μg/m3(图5)，10年中PM2.5月平均质量浓度震荡具有周期性，周期约为13个月。最大波动出现在2015～2016年，最高值出现在2016年2月，为25.56μg/m3，最低值出现在2015年9月，为6.50μg/m3。

图5 2010～2019年PM2.5月变化Fig.5 Monthly variation in mass concentration of PM2.5 from 2010 to 2019

图6 PM2.5月平均质量浓度变化Fig.6 Variation in monthly mean mass concentration PM2.5

图6为PM2.5月平均质量浓度变化曲线，呈现出“U”形起伏的变化规律，1月、12月平均浓度最高为17.13μg/m3、15.23μg/m3，6月最低为6.43μg/m3，1～6月呈下降趋势，6～9月略上升，基本保持平稳，10～12月呈明显上升趋势。冬季(12～翌年2月)PM2.5质量浓度均在平均值以上，3～11月均在平均值以下，夏季(6～8月)数值最低。

2.1.4 日变化

图7给出了10年间PM2.5日平均质量浓度变化，平均值为10.65μg/m3，均达到日均一级标准(35μg/m3)[18-19]。图中可以清晰的看出一天之内PM2.5浓度变化呈单峰型，这与北京市、临安大气本地站、龙凤山本地站PM2.5日浓度变化呈双峰型的规律显著不同。12～15时浓度为一天中最高，14时达到峰值12.07μg/m3，最低值出现在6时为10.01μg/m3。白天(08～20时)平均值为11.0μg/m3，夜间(21～次日07时)平均值为10.24μg/m3，白天较夜间略强。根据研究，气温温差大是气体对流必要的热力条件，温差越大，上升运动越强，越易导致对流的发生，从而加快颗粒物的稀释和输送[20]，夜间气温日较差增大，所以日变化呈现白天堆积晚上扩散的周期。

图7 PM2.5小时质量浓度变化Fig.7 Variation in hourly mass concentration PM2.5

图8 采暖期非采暖期PM2.5浓度变化Fig.8 Variation in mass concentration of PM2.5 in heating period and non-heating period

冬季采暖期(11月～翌年2月)的PM2.5平均浓度明显增加，说明采暖期间供热燃煤排放对空气质量有较大的影响，其PM2.5质量浓度平均值14.73μg/m3，非采暖期(4～10月)平均值为7.9μg/m3，采暖期为非采暖期浓度2倍(图8)。

2.2 PM2.5质量浓度与气象要素相关性

温度、相对湿度、降水和大气循环等条件对大气污染物的扩散、稀释和积蓄有重要作用[21]。国内许多学者针对特定地区的气象要素与PM2.5浓度关系进行了研究，发现PM2.5质量浓度和气象因素有着很大相关性，气象因素可解释部分的PM2.5变化趋势[22]。

利用国控点气象监测数据与颗粒物浓度小时监测值进行相关性分析，将Pearson相关系数作为二者相关性的指标，结果见下表。PM2.5浓度与风速相关性为-0.623最显著，与相对湿度和日照时长也有明显相关性(绝对值在0～0.3为小相关，0.3～0.6为中度相关，0.6以上为高度相关)，且在冬季和气象要素相关性最为显著。PM2.5浓度与气压、相对湿度有较高正相关性(p<0.01)，与气温、风速、日照时数有较高负相关性(p<0.01)。

表 PM2.5和气象因素之间的相关系数Tab. Correlation coefficient betweenPM2.5 and meteorological elements

总的来看，气压与PM2.5质量浓度呈正相关，冬季气压与PM2.5质量浓度相关性最为显著，这与冬季阿勒泰地区长期受蒙古高压西南部控制，周边地区易形成均压场，地面和低空风较小，不利于污染物的扩散有关。气温和PM2.5质量浓度为弱的负相关，温度升高有利于大气热力条件加强，使大气水平输送和垂直扩散能力加强；若气温降低，随寒潮带来逆温现象，一般逆温现象都会引致地面风力减弱，空气中的污染物聚集，PM2.5不易扩散。

整体分析可以看出在冬季PM2.5浓度和气象因素的相关性明显好于其他季节，根据阿克达拉实际地理位置特征，考虑PM2.5和冬季气象因素关系较大是由于冬季取暖、生活垃圾排放有关[23]。PM2.5浓度在和风速、相对湿度和日照时数的相关性较好，选取这三个气象因素作更进一步分析。

2.2.1 风向和风速的影响

阿克达拉在16个风向的频率分布有西北风向16.06%、正东风向11.43%、东南东9.54%、北北西8.75%、西北西7.75%，气流轨迹主要来自西北、偏西方向(图9)。PM2.5浓度自西北风向顺时针至东北风向逐渐上升，自正南风向顺时针至西北风向降低，西南、正南方向浓度较高，最高浓度风向为正南，PM2.5平均浓度为25.6μg/m3，为最低的3.02倍。最高浓度风向为正南，说明南风为有利于堆积的气象条件，且随着南风增大，堆积效果增加。

与16个风向频率对应，风中偏西北方向气流风速也为最大为5.61m/s，PM2.5平均浓度为最小，其余各方向风速分布较平均，PM2.5有明显变化，说明风速对其影响有复杂的变化，在下文做进一步阐述(图10)。

图9 风频与PM2.5在各个风向上的浓度Fig.9 Air frequency and mass concentration of PM2.5 in each direction

图10 风速与PM2.5在各个风向上的浓度Fig.10 Air speed and mass concentration of PM2.5 in each direction

作PM2.5浓度和风速散点图(图11)：由散点图可见，PM2.5浓度和风速为显著负相关(样本数n=280，相关系数r=-0.623，显著性水平P<0.01)。风速决定污染物稀释的程度，风速越大，越有利于污染物扩散，从而降低PM2.5质量浓度。PM2.5浓度在风速为10m/s时出现明显拐点，风速小于10m/s时，PM2.5浓度随风速增大减小明显，在风速4～6m/s最高浓度达到25μg/m3；风速大于10m/s时由于地面起尘会使PM2.5污染更严重[18]。

图11 PM2.5浓度和风速散点图Fig.11 Scatter plot of mass concentration of PM2.5 and air speed

阿克达拉位于我国西北腹地，属于温带大陆性气候，具有明显的季节性风向转变(图12)，将轨迹根据对应的PM2.5浓度由高到低依次编号发现四季各类气流轨迹主要来自西北、偏西方向，占比在50%～80%，同时气流移速最快，传输距离最远，有助于PM2.5扩散，西南、偏南方向的气流轨迹途经克拉玛依、乌鲁木齐、昌吉等工业区，有助于输送PM2.5，对应的PM2.5平均浓度最高。PM2.5污染物的质量浓度峰值出现在 11、12、1 、2月，同样西南、偏南方向的气流也在冬季高频出现，说明冬季不利于污染物扩散。

图12 阿克达拉四季气流后向轨迹聚类分布Fig.12 Distribution of backward cluster trajectories of under airflow in four seasons in Akdala

2.2.2 相对湿度和降水的影响

相关研究表明，相对湿度较高时，由于吸湿增长的影响，颗粒物容易聚集，加剧PM2.5污染[24]。PM2.5浓度和相对湿度呈正相关。由相对湿度和PM2.5浓度散点图可见，在相对湿度小于75%时，PM2.5浓度变化较小，相对湿度超过75%时，随着相对湿度增大PM2.5浓度有明显升高(图13)。相对湿度在冬季相对湿度最高，且冬季气温低、降水多，PM2.5易吸附在水气中悬浮在空气中不容易扩散，从而导致PM2.5质量浓度偏高(图14)。

图13 PM2.5浓度和相对湿度散点图Fig.13 Scatter plot of mass concentration of PM2.5 and relative humidity

图14 PM2.5浓度与相对湿度折线图Fig.14 Broken line graph of mass concentration of PM2.5 and relative humidity

相对湿度超过75%时一般有利于降水产生，冬、夏季降水最多，根据图15冬季PM2.5有降水时>无降水，降水对PM2.5浓度有增大作用，夏季PM2.5有降水时<无降水，有降水对PM2.5的浓度有稀释作用。有降水时对PM2.5浓度日变化影响较大，浓度基本呈双峰结构，峰值在6：00、02：00前后。

图15 有无降水对PM2.5的影响Fig.15 Impact of precipitation on mass concentration of PM2.5

2.2.3 日照时数的影响

日照有助于加速颗粒物运动速度，促进污染物扩散[16]。由图16可知，日照时数和PM2.5浓度有线性关系，随着日照时数的增大，PM2.5质量浓度逐渐降低，夏季日照时长在一年中最长，利于PM2.5污染物扩散，浓度为最低(图17)。日照时数达到6～10h时数据集散性较好，存在异常值较少。

图16 PM2.5浓度和日照时数散点图Fig.16 Scatter plot of mass concentration of PM2.5 and sunshine duration

图17 PM2.5浓度与日照时数折线图Fig.17 Broken line graph of mass concentration of PM2.5 and sunshine duration

3 结果与讨论

(1)阿克达拉PM2.5具有明显的时间变化特征，本文在进一步验证前人研究结论的同时得到更详细的结论：PM2.5质量浓度夏秋季浓度低，冬春季浓度高，冬季显著高于其他季节，通过SPSS绘制箱线图，表现出数据的具体分布：冬季数据的变化性也最大，另外春、夏、冬季数据基本围绕中位数为对称分布，秋季则为明显右偏态分布。月变化中呈现出“U”形起伏的变化规律，24小时PM2.5浓度变化日变化呈呈单峰型，这与北京市、临安大气本地站、龙凤山本地站PM2.5日浓度变化呈双峰型的规律不同，白天较夜间浓度大，呈现白天堆积晚上扩散的周期。

(2)PM2.5与风速有高度相关性，与相对湿度和日照时长有中度相关性(p<0.01)，相关性在冬季表现最为显著。增加风向和浓度玫瑰图，得到气流轨迹主要来自西北、偏西方向，最高浓度风向为正南，南风为有利于堆积的气象条件的新结论。阿克达拉主要污染物成分主要来自西北、偏西方向，占比在50%～80%，同时气流移速最快，有助于PM2.5扩散。风速小于10m/s时，PM2.5浓度随风速增大减小明显，风速大于10m/s时由于地面起尘会使PM2.5污染更严重。相对湿度超过75%时PM2.5浓度有明显的异常，增加各季节相对湿度和PM2.5浓度图，得到夏季湿度低、PM2.5浓度低，冬季湿度高，PM2.5浓度也高，发现PM2.5最高、最低都产生在降水最多的冬、夏季，得到这两个季节降水时对颗粒物的不同影响。夏季PM2.5有降水时<无降水，冬季PM2.5有降水时>无降水。日照时数和PM2.5浓度呈线性关系，随着日照时数的增大，PM2.5质量浓度逐渐降低。

在全球变暖背景下，PM2.5在远离人类活动区的地方也变现为显著上升趋势，近10年来新疆降水为全国降水量显著增加的区域，平均风速和日照时数显著减少，极端天气频发，未来环境污染问题将变得越来越值得关注，相关研究的缺失，将对当地污染现状的认识和污染管控措施的实施产生不利影响。

本文在研究PM2.5时间演变特征的基础上，为达到能够建立线性回归方程预报PM2.5的目的，通过与气象因子进行相关性分析挑选主要自变量，在通过线性检验的基础上得到主要影响因子，有助于开展后续研究，了解当地污染特征，为相关研究和政策制定提供支持。

致谢：感谢原中国气象科学院大气探测中心林伟立老师为本文提供质控程序！