基于小波變換的北京市PM2.5時空分布特征及成因分析

孫春媛，李令軍，趙文吉，趙佳茵

1. 首都師范大學資源環境與地理信息系統北京市重點實驗室，北京 100048；

2. 北京市環境保護監測中心，北京 10048；3. 北京大學環境科學與工程學院，北京 100871

基于小波變換的北京市PM2.5時空分布特征及成因分析

孫春媛1，李令軍2*，趙文吉1，趙佳茵3

1. 首都師范大學資源環境與地理信息系統北京市重點實驗室，北京 100048；

2. 北京市環境保護監測中心，北京 10048；3. 北京大學環境科學與工程學院，北京 100871

收集北京市2014年PM2.5質量濃度數據，利用小波變換探討北京市各類監測站點PM2.5污染的時間序列特征、主周期、突變特性，并結合氣象資料，采用小波相干譜探究氣象因子對PM2.5的影響。結果表明，2014年北京市各類監測點PM2.5質量濃度變化呈現波動-平穩-波動的相似變化趨勢，其中1—4月和10—12月波動明顯，且主周期相同（172 d）。采暖期間，南部站點PM2.5質量濃度最高，采暖結束后，交通站點超越南部站點，成為PM2.5質量濃度最高的站點。北京PM2.5突變事件秋冬季節頻繁而春夏較少，主要對應于重污染天氣的生消過程。5類監測站點的PM2.5質量濃度基本呈現南高北低的分布規律。南部站點PM2.5污染最為嚴重、突變事件頻次最高，該區局地污染排放顯著，又是區域傳輸的重要通道，污染相對復雜；而北部站點污染水平最低、突變頻次也最少；市區范圍內交通站點污染相對突出。此外，氣象因子對PM2.5質量濃度變化影響巨大：在小尺度（0～20 d）上，PM2.5與相對濕度相關性最突出；在中等尺度（20～64 d）上，PM2.5主要受平均風速和相對濕度制約，但季節變化明顯；大尺度（＞64 d）上，PM2.5與日照時數和相對濕度相關性顯著。

小波分析；時空特征；突變特性；小波相干

SUN Chunyuan， LI Lingjun， ZHAO Wenji， ZHAO Jiayin. Temporal and spatial characteristic and factors analysis of PM2.5on the basis of wavelet transformation in Beijing ［J］. Ecology and Environmental Sciences， 2016， 25（8）: 1343-1350.

北京作為京津冀地區的核心城市（《京津冀協同發展規劃綱要》中明確提出京津冀“一核、兩城、三軸、四區、多節點城市發展”的空間布局），是我國政治、文化、對外交流中心。截至2014年，全市常駐人口已達2114.8萬人，機動車擁有量達559.1萬輛，大氣污染日趨嚴重，備受國內外關注（Rohde et al.，2015；Kan et al.，2012）。以PM2.5為首要污染物的大范圍、長時間的重污染事件頻發，嚴重危害人們的身體健康、制約城市的良性發展（謝元博等，2014；Cao et al.，2014；Li et al.，2015）。醫學研究表明，相對于粗顆粒物，PM2.5因其粒徑小、比表面積大，攜帶了更多的有毒有害重金屬、有機物和酸性氧化物等（胡子梅等，2013），會直接進入血液，并存留于肺部深處，可能引發呼吸道疾病、肺病和心臟病等，嚴重的會導致肺癌（黃雯等，2012）。

我國各城市PM2.5均呈現明顯的季節變化、周變化及日變化規律（Zhao et al.，2009；Shi et al.，2014；Wang et al.，2015；Zhao et al.，2016）。PM2.5濃度變化是一個非線性的動力系統，在時域中存在多層次時間尺度結構，傳統統計方法難以對其進行深入研究。相對于傳統方法，小波分析方法對PM2.5時間序列的研究具有直觀、計算速度快等特點（孫杰等，2007），其良好的時頻性，能在時域和頻域兩個維度上展開，既能進行多尺度細化分析，又能排除各種偶然因素對其變化規律的影響（Hermida et al.，2015）。

本文利用北京市PM2.5質量濃度數據，采用MATLAB軟件對PM2.5質量濃度的時間序列數據進行分解和重構，結合小波系數實部圖和小波方差圖，對不同時間尺度的PM2.5質量濃度的變化特征進行分析，得到污染物的變化周期，客觀反映其演變過程和趨勢；基于小波分析結果進一步探究PM2.5質量濃度的突變特性，并結合氣象資料，利用小波相干譜分析氣象因子對PM2.5的影響，以期為北京市大氣污染的預測預報和有效控制提供科學參考。

1　數據與方法

1.1數據來源

本文所采用的數據為北京29個地面自動監測站點2014年PM2.5日均濃度數據，來自于北京市環保局公布的監測資料（http://zx.bjmemc.com.cn），29個監測點按功能定位和污染特征分為5類：12個城市環境評價點（以下簡稱城市站點）、6個北部郊區環境評價點（以下簡稱北部站點）、5個南部郊區環境評價點（以下簡稱南部站點）、5個交通污染監測點（以下簡稱交通站點）和1個城市清潔對照站點（以下簡稱對照站點）。監測點具體分布見圖1。氣象觀測數據來源于北京觀象臺的氣象數據資料（http://data.cma.cn），包括2014年北京站點的平均氣壓、平均氣溫、平均風速、日照時數和相對濕度（以上均為日均值）。

圖1　北京市29個大氣環境質量監測點分布示意圖Fig. 1　Distribution of 29 Atmospheric environmental quality monitoring spots in Beijing

1.2研究方法

小波分析被譽為數學上的“顯微鏡”，與傅里葉變換相比，其優點在于可以提供時間-地域尺度上的局部變化特征，而且適合處理非平穩信號，因此小波分析被廣泛用于地震勘探、水文、氣候和生態學等領域的研究（朱希安等，2003；?zger et al.，2010；Li et al.，2014；Mi et al.，2005）。小波分析的原理如下：

1.2.1小波函數

選擇適當的小波函數是進行小波分析的重要前提，小波函數是一類具有振蕩特性，能迅速衰減到0的函數。小波函數不是唯一存在的，所有滿足小波條件的函數都可稱之為小波函數，其選取依據主要與“自相似原則”、“判別函數”和“支集長度”有關。但在實際應用中小波函數的選擇主要從經驗中獲得。在進行大氣污染的相關研究時，較為常用的小波函數有Daubechies（db）小波、Morlet小波、MHAT小波和Meyer等（Huang et al.，2015；Chen et al.，2015）。

1.2.2離散小波的分解和與重構

一維離散小波分解，就是對信號進行逐層分解的過程。在小波分解的過程中，隨著層次的增加，低頻部分中的高頻成分會隨之被去除，經過多尺度的分解，保留下來的低頻信號即代表信號的真實特征。一維離散小波的重構就是小波分解的逆變換，即把分解得到的近似系數和細節系數疊加得到原始信號。在基于離散小波分解和重構的大氣污染研究中，通過對各污染物濃度的長時間序列進行分解和重構，所得到的最高層低頻系數即用來判斷污染物的時間序列變化規律，而第1層和第2層高頻系數即可用來研究其突變特性。在研究污染物突變特性時必須選取具有很好正則性的小波（桑燕芳等，2013）。

1.2.3連續小波變換

一維連續小波變化是研究信號局域頻譜的重要手段，通過連續小波變化，獲取小波系數，繪制小波實部圖和小波方差圖，從而清楚地分析出不同時間尺度的變化特征和周期變化規律。小波變換是不同尺度和位移的小波疊加，通過選擇一定尺度和平移范圍，在不同尺度下對信號作內積分，即：

式中，WT為小波系數，a為尺度因子，τ為平移因子，t為時間。

1.2.4小波相干性分析

小波相干是基于小波變換發展而來的，用于研究兩個序列數據在多時間尺度上的相關性，在以往的研究中通常選取Morlet小波對數據進行分析（Ramírez et al.，2016；Yang et al.，2015；Zhang et al.，2007）。小波相干譜（Shah et al.，2015；Torrence et al.，1998；Torrence et al.，1999）定義為：

圖2　北京PM2.5質量濃度第4層低頻系數重構的時間序列值Fig. 2　Time series value of fourth level low-frequency refactoring coefficient of PM2.5mass concentration in Beijing

2　結果與討論

2.1PM2.5時間序列變化特征

本文采用db6小波分別對北京市5類監測站點的PM2.5時間序列進行4層小波分解，并對第4層低頻系數（A4）進行了重構，通過所得序列（圖2）對各類監測站點的PM2.5日均濃度變化規律進行研究。從整體來看，2014年北京市5類監測站點的PM2.5年變化規律相似，分成波動-平穩-再波動3個階段，同時5類監測點PM2.5質量濃度存在差異。

第1階段從1月持續到4月，1月各類監測站點的PM2.5質量濃度區域差異較大，其中南部站點濃度最高，而對照站點濃度最低。對照站點外的4類站點PM2.5質量濃度在1月均存在振蕩，波動最為顯著的是南部站點。2月各類監測點的PM2.5質量濃度均達到全年最高峰值，并且不同站點的濃度差異顯著縮小。3月中旬（采暖期結束）交通站點質量濃度超越南部站點，成為PM2.5污染最嚴重的站點。2—4月各類監測點的PM2.5質量濃度存在明顯波動，經歷了增大、減小、再增大、再減小的復雜振蕩變化過程，其中交通站點和對照站點在兩段上升期中增幅最大，而對照站點在兩段下降期中降幅最大（見圖2）。

第2階段從5月持續到9月，為平穩期，最大特征是各類監測站點PM2.5質量濃度變化均不明顯，交通站點的PM2.5質量濃度相對較高，而對照站點相對較低。從圖2可知，5月上旬—6月上旬各類監測站點均經歷了1次小幅振蕩期；7月各站點達到平穩期的峰值，8月小幅回落，至9月一直維持在較低水平。

第3階段從10月持續到12月，該階段PM2.5濃度較第2階段顯著上升，月際之間的波動較大。10月交通站點的PM2.5質量濃度在各站點中保持最高。11月南部站點超過交通站點，成為PM2.5質量濃度最高的監測點。與第1階段變化過程類似，各類站點PM2.5質量濃度從9月末開始經歷了頻繁的振蕩，總體呈現增大-減小-增大的復雜循環變化過程。對照站點（第1段和第2段）和交通站點，在3段上升期中增幅最大，而對照站點在兩段下降期中降幅最大。

北京市各類監測點PM2.5質量濃度的差異特征主要受氣象、地形特征、污染源排放等因素共同影響。綜合分析其原因，第1階段：1—3月中旬處于北京市的采暖期（北京采暖期為11中旬—次年3月中旬），在不利的氣象條件下，局地的污染排放積累疊加區域傳輸共同導致PM2.5質量濃度升高。采暖期城市站點PM2.5日均質量濃度明顯低于南部站點，主要得益于城市能源與產業結構調整，使得采暖期城區PM2.5的排放量大幅降低；3月中旬—4月末，北京大氣擴散條件較好，但多受西北沙塵天氣的影響，此外干燥少雨，易引起地面浮塵（陳媛等，2010；王志娟等，2012；）。Yu（2013）研究表明春季土壤塵和道路塵對PM2.5的貢獻較大。第2階段：5月北京市的月均風速、月均最大風速和月均日照時數達到了全年的最大值，分別為2.8 m?s-1、6.2 m?s-1和8.8 h，較大的風速有利于污染物的水平擴散，而日照加速顆粒物的運動速度，利于污染物的垂直擴散（王海暢等，2015）；6—8月為北京的雨季，降水的清除作用導致污染物的濃度較低，并且水平對流較強，有利于污染物的擴散。（楊孝文等，2016；Pu et al.，2011）。第3階段：秋冬季節北京周邊生物質燃燒、采暖以及逆溫頻繁，混合層高度較低，有利于污染物的迅速積累，多種因素共同導致PM2.5質量濃度升高（李令軍等，2016）；11月上旬北京各監測站點PM2.5質量濃度降低得益于APEC會議期間區域的污染減排。會議期間的污染控制措施導致污染源排放規模大幅度下降，企業停產限產、工地停工等措施對燃煤污染和揚塵污染具有較好的控制效果（Guo et al.，2016；程念亮等，2016）。

2.2PM2.5濃度變化的周期與極值

圖3　北京市PM2.5小波系數實部圖和小波方差圖Fig. 3　Real part of wavelet coefficient and wavelet variance of PM2.5in Beijing

圖3a是Morlet小波變換系數實部圖，表示PM2.5在不同時間尺度上的周期性振蕩。在小波系數實部圖中，小波系數越大代表大氣顆粒物的污染濃度越高，反之越低，0代表突變點（王海鵬等，2011）。通過分析小波系數實部圖（圖3a）發現，5類站點均存在150～200、75～85和40～60 d3類尺度的周期變化規律。150～200 d尺度5類監測點周期變化明顯，其中心尺度在180 d左右，并呈現“低-高-低-高-低-高-低”的循環交替特征。75～85 d尺度5類站點在1—3月期間周期變化明顯，正負相位交替出現。40～60 d尺度城市站點、南部站點和交通站點表現相似，均以50 d為中心，并在1—3月和10—12月期間表現出明顯的循環特征，而在其他時段表現不明顯；而北部站點和對照站點僅在1—3月表現出“高-低-高-低-高”的循環特征。為了進一步分析PM2.5的主要周期的振蕩規律，本文計算了5類站點PM2.5日均質量濃度的小波方差。小波方差圖表示小波系數隨尺度變化而變化的特征，通過小波方差圖，可以確定時間序列的主要時間尺度，從而反應其主要周期。峰值最高點所對應的尺度為第1主周期，以此類推（馬躍先等，2015）。從圖3b可知，南部站點和交通站點有3個相同周期，均為172、55和20 d；城市站點和北部站點有5個周期，其中城市站點的第1周期到第5周期分別為172、55、75、125和20 d，北部站點的5個周期與上述站點相近，但第3周期和第4周期相反；對照站點也有5個周期，分別為172、125、75、55和20 d。綜上可知，北京市5類站點均以172 d為主周期，除對照站點外均以55 d為次周期。55 d的次周期與大氣低頻振蕩周期有關（宋艷玲等，2005）。

圖4　北京市PM2.5質量濃度突變特征圖Fig. 4　The mutation feature of PM2.5mass concentration in Beijing

2.3PM2.5突變特征分析

PM2.5時間序列的突變特征，往往表征了大氣污染較為嚴重的狀態點（唐玉翔等，2015；馮奇等，2010）。本文利用具有很好正則性的db1小波對2014年北京市5類站點的PM2.5時間序列進行了3層分解，得到第1層（d1）和第2層（d2）重構的高頻系數（圖4），圖中系數有很大幅值的點即為PM2.5質量濃度突變點。從第1層和第2層高頻系數的重構（圖4）可知，春季（3—5月）重構系數幅值很大的點較少，即PM2.5質量濃度突變事件發生的頻次較低，其中對照站點和北部站點均未發生突變事件，城市站點和交通站點各發生1次突變事件，南部站點發生2次突變事件。夏季（6—8月）各站點的重構系數幅值均很小，表明5類站點均未發生PM2.5質量濃度突變事件。秋季（9—11月）5類站的重構系數幅值大的點較多，表明秋季是PM2.5質量濃度突變事件頻發的季節，其中南部站點、城市站點和對照站點各發生了5次突變事件，城市站點和北部站點各發生了4次。冬季（1、2和12月）南部站點、交通站點、城市站點、對照站點和北部站點的重構系數幅值很大的點分別有5、5、3、2和1個，這表明冬季各類站點PM2.5質量濃度突變事件發生頻次差異較大。全年5類站點中，南部站點的重構系數幅值較大的點有11個（即發生11次突變事件），頻次最高。其中有4次（1月16日、2月15日、2月25日、11月20日）PM2.5日均質量濃度均超過400 μg?m-3；北部站點的重構系數幅值較大的點有5個（即發生5次突變事件），頻次最少。污染最為嚴重且持續最久的一次發生在2月25日—2月28日之間，日均質量濃度的最大值達到383 μg?m-3。結合氣象數據，發現造成突變事件的成因較為接近。PM2.5突變事件的主要特征是：污染期間北京市大部分地區處于重度污染，并且表現出從南到北污染逐漸減輕的趨勢。穩定氣象條件（近地層逆溫明顯、風速小、濕度大）和區域輸送是導致PM2.5質量濃度累積上升的主要原因，而冷空氣的到來使PM2.5質量濃度迅速下降。

以2014年10月7—9日的一次突變事件為例，進行較為詳細的分析。突變事件發生期間，北京大部分地區的平均風速低于1 m?s-1，濕度較高，導致局地污染迅速積累，以及偏南氣流帶來河北等地污染物的傳輸（程念亮等，2015），共同導致突發事件的發生。11日伴隨濕度的下降、流場的轉變，空氣質量有所好轉。12日伴隨冷空氣的到來，北京各類監測點的PM2.5質量濃度迅速降至20 μg?m-3以下（李珊珊等，2015）。

圖5　PM2.5小波相干圖Fig. 5　Wavelet coherency along PM2.5

2.4氣象因子對PM2.5的影響

為了探究氣象因子對PM2.5的影響，本文利用國控站點包括順義、懷柔、萬壽西宮、昌平、東四、天壇、奧體、農展館、古城、官園和萬柳的PM2.5日均質量濃度和北京觀象臺的氣象數據資料，采用小波相關譜分析了PM2.5與氣象因子的相關性，結果如圖5所示。從圖5可知，PM2.5與各氣象因子在3個尺度（0～20、20～64 d以及＞64 d）上存在不同的相關關系。在0～20 d尺度，PM2.5與各氣象因子之間的顯著性不同，其中PM2.5與平均相對濕度的關系顯著，箭頭向右，說明PM2.5與平均相對濕度位相相同，呈正相關；與平均風速和日照時數之間較為顯著，箭頭向左，說明PM2.5與其位相相反，呈負相關；而與平均氣溫和平均氣壓之間相關性不顯著。在20～64 d尺度，PM2.5與平均風速和相對濕度的相關性存在明顯的季節性，表現為冬春季節相關性大于夏秋季節，這充分表明冬春季節PM2.5受平均風速和濕度的影響較大；與日照時數、平均氣壓和平均溫度之間的關系不顯著。在＞64 d尺度，PM2.5與日照時數表現為顯著的相反相位，呈現負相關關系；與相對濕度表現為顯著的相同相位，呈現正相關關系；而與其它氣象因子間的小波相干系數較小，這表明在大尺度上，平均氣壓、平均溫度和平均風速對PM2.5的影響較小。

3　結論

（1）利用db6小波對北京市各類監測點PM2.5質量濃度的時間序列進行小波變換，結果表明2014年北京市5類監測站點均呈現相似的波動規律，1—4月和10—12月波動明顯，5—9月較為平穩；2月各類監測點的PM2.5質量濃度均達到全年最高值；采暖期南部郊區評價點污染最為嚴重，非采暖期交通站點的污染最為嚴重。夏季北京降雨較多，降水的清除作用導致PM2.5質量濃度較低；秋冬季節生物質燃燒、采暖以及逆溫頻繁，污染物迅速積累，導致PM2.5質量濃度較高。

（2）通過分析小波系數實部圖和方差圖可知，5類監測點存在150～200、75～85和40～60 d三類尺度的周期變化規律，并均以172 d為主周期，除對照站點外其余站點均以55 d為次周期，次周期與大氣低頻振蕩周期有關。

（3）對5類監測點的突變特征的研究結果表明，秋冬季節各類監測站點重構系數幅值大的點較多，即突發事件頻發，主要與氣象因素和區域輸送有關。夏季各站點的重構系數幅值均很小，表明夏季未發生突變事件。各類監測站點中，南部站點的重構系數幅值較大的點最多，發生突變事件的頻次高，其次為交通站點，北部站點的重構系數幅值較大的點最少，發生突變事件頻次低，全年僅發生5次。

（4）利用小波相關譜對PM2.5與氣象因子的相關性進行研究，結果表明，不同尺度上PM2.5與各氣象因素間的相關性存在差異。小尺度（0～20 d）上，各氣象因素與PM2.5的相關性程度依次表現為相對濕度＞日照時數＞平均風速＞平均氣壓＞平均溫度；中等尺度（20～64 d）上，PM2.5與平均風速和相對濕度的相關性存在明顯的季節性；大尺度（＞64 d）上，PM2.5與相對濕度和日照時數相關性較好。

CAO C， JIANG W， WANG B， et al. 2014. Inhalable microorganisms in Beijing's PM2.5and PM10pollutants during a severe smog event ［J］. Environmental science & technology， 48（3）: 1499-1507.

CHEN B， LU S， LI S， et al. 2015. Impact of fine particulate fluctuation and other variables on Beijing's air quality index ［J］. Environmental Science and Pollution Research， 22（7）: 5139-5151.

GUO J， HE J， LIU H， et al. 2016. Impact of various emission control schemes on air quality using WRF-Chem during APEC China 2014 ［J］. Atmospheric Environment， 140: 311-319.

HERMIDA L， LóPEZ L， MERINO A， et al. 2015. Hailfall in southwest france: relationship with precipitation， trends and wavelet analysis ［J］. Atmospheric Research， 156: 174-188.

HUANG P， ZHANG J， TANG Y， et al. 2015. Spatial and temporal distribution of PM2.5pollution in Xi'an City， China ［J］. International journal of environmental research and public health， 12（6）: 6608-6625.

KAN H， CHEN R， TONG S. 2012. Ambient air pollution， climate change，and population health in China ［J］. Environment international， 42: 10-19.

LI P， YAN R， YU S， et al. 2015. Reinstate regional transport of PM2.5as a major cause of severe haze in Beijing ［J］. Proceedings of the National Academy of Sciences， 112（21）: 2739-2740.

LI Z， YAN Z， CAO L， et al. 2014. Adjusting inhomogeneous daily temperature variability using wavelet analysis ［J］. International Journal of Climatology， 34（4）: 1196-1207.

MI X， REN H， OUYANG Z， et al. 2005. The use of the Mexican Hat and the Morlet wavelets for detection of ecological patterns ［J］. Plant Ecology， 179（1）: 1-19.

?ZGER M， MISHRA A K， SINGH V P. 2010. Scaling characteristics of precipitation data in conjunction with wavelet analysis ［J］. Journal of Hydrology， 395（3-4）: 279-288.

PU W W， ZHAO X J， ZHANG X L， et al. 2011. Effect of meteorological factors on PM2.5during July to september of Beijing ［J］. Procedia Earth & Planetary Science， 2（4）: 272-277.

RAMíREZ I J， GRADY S C. 2016. El Nino， Climate， and Cholera Associations in Piura， Peru， 1991—2001: A Wavelet Analysis ［J］. Ecohealth， 13（1）: 83-99.

ROHDE R A， MULLER R A. 2015. Air pollution in China: mapping of concentrations and sources ［J］. Plos one， 10（8）: e0135749.

SHAH A， DEO M， KING W. 2015. Correlation and coherence between India and global equity market in time frequency localization through wavelet transformation ［J］. The Indian Journal of Commerce， 68（2）.

SHI M N， WU H C， ZHANG S H， et al. 2014. Weekly cycle of magnetic characteristics of the daily PM2.5and PM2.5-10in Beijing， China ［J］. Atmospheric Environment， 98: 357-367.

TORRENCE C， COMPO G P. 1998. A practical guide to wavelet analysis［J］. Bulletin of the American Meteorological society， 79（1）: 61-78.

TORRENCE C， WEBSTER P J. 1999. Interdecadal changes in the ENSO-monsoon system ［J］. Journal of Climate， 12（8）: 2679-2690.

WANG S， LI G， GONG Z， et al. 2015. Spatial distribution， seasonal variation and regionalization of PM2.5concentrations in China ［J］. Science China Chemistry， 58（9）: 1435-1443.

YANG L， CAI X J， ZHANG H， et al. 2015. Interdependence of foreign exchange markets: a wavelet coherence analysis ［J］. Economic Modelling， 55: 6-14.

YU L. 2013. Characterization and source apportionment of PM2.5in an urban environment in Beijing ［J］. Aerosol & Air Quality Research，13（2）: 574-583.

ZHANG Z， ZHANG Q， JIANG T. 2007. Changing features of extreme precipitation in the Yangtze River basin during 1961—2002 ［J］. Journal of Geographical Sciences， 17（1）: 33-42.

ZHAO S P， YU Y， YIN D Y， et al. 2016. Annual and diurnal variations of gaseous and particulate pollutants in 31 provincial capital cities based on in situ air quality monitoring data from China national environmental monitoring center ［J］. Environmental International， 86: 92-106.

ZHAO X J， ZHANG X L， XU X F， et al. 2009. Seasonal and diurnal variations of ambient PM2.5concentration in urban and ruralenvironments in Beijing ［J］. Atmospheric Environment， 43（18）: 2893-2900.

陳媛， 岑況， NORRA S， 等. 2010. 北京市區大氣氣溶膠PM2.5污染特征及顆粒物溯源與追蹤分析［J］. 現代地質， 24（2）: 345-354.

程念亮， 李云婷， 張大偉， 等. 2015. 2014年10月北京市4次典型空氣重污染過程成因分析［J］. 環境科學研究， 28（2）: 163-170.

程念亮， 李云婷， 張大偉，等. 2016. 2014年APEC期間北京市空氣質量改善分析［J］. 環境科學， 37（1）: 66-73.

馮奇， 吳勝軍， 杜耘， 等. 2011. 基于小波的武漢市PM10空氣污染指數時間序列分析［J］. 華中師范大學學報: 自然科學版， 44（4）: 678-685.

胡子梅， 王軍， 陶征楷， 等. 2013. 上海市PM2·5重金屬污染水平與健康風險評價 ［J］. 環境科學學報， 33（12）: 3399-3406.

黃雯， 王旗. 2012. 大氣顆粒物化學成分與健康效應的關系及其機制的研究進展［J］. 衛生研究， 41（2）: 323-327.

李令軍， 王占山， 張大偉， 等. 2016. 2013—2014年北京大氣重污染特征研究［J］. 中國環境科學， 36（1）: 27-35.

李珊珊， 程念亮， 徐峻， 等. 2015. 2014年京津冀地區PM2.5濃度時空分布及來源模擬［J］. 中國環境科學， 35（10）: 2908-2916.

馬躍先， 孫明明， 張杰， 等. 2015. 小波分析在鄭州市供暖期PM2.5濃度相關性分析中的應用［J］. 環境工程學報， 9（8）: 3960-3964.

桑燕芳， 王中根， 劉昌明. 2013. 小波分析方法在水文學研究中的應用現狀及展望［J］. 地理科學進展， 9（9）: 1413-1422.

宋艷玲， 鄭水紅， 柳艷菊， 等. 2005. 2000—2002年北京市城市大氣污染特征分析［J］. 應用氣象學報， 16（增刊）: 116-122.

宋宇， 唐孝炎， 張遠航， 等. 2002. 夏季持續高溫天氣對北京市大氣細粒子（PM2.5）的影響［J］. 環境科學， 23（4）: 33-36.

孫杰， 高慶先， 周鎖銓. 2007. 2002年北京PM10時間序列及其成因分析［J］.環境科學研究， 20（6）: 83-86.

唐玉翔， 黃平， 錢新明， 等. 2015. 西安市PM2.5污染的時空分布［J］. 安全與環境學報， 15（4）: 368-373.

王海暢， 吳澤邦， 周景博， 等. 2015. 北京上甸子站PM2.5濃度與氣象要素關系分析［J］. 氣象與環境學報， 31（5）: 99-104.

王海鵬， 張斌， 劉祖涵， 等. 2011. 基于小波變換的蘭州市近十年空氣污染指數變化［J］. 環境科學學報， 31（5）: 1070-1076.

王志娟， 韓力慧， 陳旭鋒， 等. 2012. 北京典型污染過程PM2.5的特性和來源［J］. 安全與環境學報， 12（5）: 122-126.

謝元博， 陳娟， 李巍. 2014. 霧霾重污染期間北京居民對高濃度PM2.5持續暴露的健康風險及其損害價值評估［J］. 環境科學， 35（1）: 1-8.

楊孝文， 周穎， 程水源， 等. 2016. 北京冬季一次重污染過程的污染特征及成因分析［J］. 中國環境科學， 36（3）: 679-686.

朱希安， 金聲震， 寧書年， 等. 2003. 小波分析的應用現狀及展望［J］. 煤田地質與勘探， 31（2）: 51-55.

Temporal and Spatial Characteristic and Factors Analysis of PM2.5on the Basis of Wavelet Transformation in Beijing

SUN Chunyuan1， LI Lingjun2*， ZHAO Wenji1， ZHAO Jiayin3
1. Resources， Environment and Geographic Information System Key Laboratory of Beijing， Capital Normal University， Beijing 100048， China；2. Beijing Municipal Environment Monitoring Center， Beijing 100048， China；3. College of Environmental Sciences and Engineering， Peking University， Beijing 100871， China

Based on wavelet analysis， we discussed time series feature， primary period and the jump features of PM2.5in each monitoring station in Beijing by collected PM2.5mass concentration data. In combination of meteorological data， the meteorological factors effect on PM2.5was also analyzed through Wavelet coherence spectrum. The results showed that: the variation of average mass concentration of PM2.5in each monitoring station presented a similar fluctuate-steady-fluctuate variation trend. Those two fluctuation periods were from January to April and from October to December. They both had the same dominant period （172 d）. During the heating period， PM2.5concentrations in south stations were the highest. However， once the heating period was over， the concentrations in transportation stations exceeded those of south stations and became the highest. The sudden incident had low frequency in spring and summer while it was high in autumn and winter， and this was in collection with heavy pollution. What's more， it did not happen in the summer. The concentrations of all five types of monitoring stations are high in the south and low in the north. Southern area of Beijing had the highest frequency of sudden incident as it was seriously polluting and part of it contaminating heavily， and was the main path of regional transmission. The pollution level was lowest in the north and its frequency was also the least， whose pollution situation of transportation spot stood out in the urban zone. In addition， meteorological factors had a huge effect on the concentration of PM2.5: the correlation between PM2.5and relative humidity was the most outstanding in small scale（0～20 d）. Such relation was limited by average wind speed and relative humidity in medium scale （20～64 d）， and seasonal variation was also obvious. The correlations between PM2.5and sunshine duration， relative humidity were all significant in large scale （＞64 d）.

wavelet analysis； spatial-temporal characteristics； time series； mutation features； wavelet coherence

10.16258/j.cnki.1674-5906.2016.08.013

X51

A

1674-5906（2016）08-1343-08

國家青年科學基金項目（41201404）；北京市自然科學基金項目（8133051）；國家基礎測繪基金項目（2011A2001）；博士點基金項目（20111102110004）

孫春媛（1991年生），女（蒙古族），碩士研究生，主要研究方向為GIS在環境監測中的應用。E-mail: cysun0419@126.com

。李令軍，E-mail: lilj2000@126.com

2016-06-23

引用格式：孫春媛， 李令軍， 趙文吉， 趙佳茵. 基于小波變換的北京市PM2.5時空分布特征及成因分析［J］. 生態環境學報， 2016，25（8）: 1343-1350.