利用PM2.5長期監測數據優化常規大氣環境監測點布局選址方案研究

韋藝嫻雷敬玲黃祖強趙鐘興劉偉清（.廣西大學化學化工學院，廣西 南寧 530004；.柳州柳環環保技術有限公司，廣西 柳州 54500）

利用PM2.5長期監測數據優化常規大氣環境監測點布局選址方案研究

韋藝嫻1雷敬玲1黃祖強1趙鐘興1劉偉清2
（1.廣西大學化學化工學院，廣西 南寧 530004；2.柳州柳環環保技術有限公司，廣西 柳州 545001）

近年來，隨著某市經濟的快速發展和工業化、城鎮化進程的加快，環境問題已成為社會民眾關心的熱點問題，這方面又以PM2.5熱度最高。文章結合2013年全年某市六個常規大氣環境監測站的污染因子、氣象因子數據，重點從統計角度研究分析某市 PM2.5濃度的數據分布、時空變化特點及其與大氣污染濃度變化和氣象因子的相關性，同時結合站點布局分析其與 PM2.5監測數據的聯系，進一步提出優化常規大氣環境監測點布局選址方案的模式。通過站點布局優化形成相互聯系的監測網絡，將為環境監測提供更為可靠的代表數據，為環境保護管理決策提供新的思路。

PM2.5；時空分布；來源分析；環境

1 前言

某市是某省重要的工業城市，近年來，隨著經濟規模的不斷擴大和城市化進程的進一步加快，城市霧霾現象從無到有，逐漸進入了某市市民的視野，成為困擾該城市市民的重要環境問題。而霧霾的形成與PM2.5密切相關。

為了實時掌握全市環境空氣質量狀況，該市結合城區地域、城市布局設置了 6個常規大氣環境監測點。常規監測點配備大氣環境因子自動監測設備對環境空氣質量進行實時監測，并及時將數據反饋給環保局，這對環境保護管理及決策提供了強有力的數據支持。近幾年該市的環境保護局網站環境空氣實時發布系統顯示，PM2.5已取代SO2成為該城市環境空氣質量的首要污染物，也說明了PM2.5在某市環境空氣質量污染貢獻的重要性。

實時監測數據的代表性，主要依賴于監測點的布局選址。本文通過收集該市6個監測點PM2.5長期監測數據，結合當地氣象、地理等因素分析各監測點PM2.5的時間、空間分布特征，利用統計學原理分析監測點布局選址與PM2.5數據的聯系，從提高環境空氣質量預警、預報能力角度提出監測點優化調整方案。

2 基本情況

本文引用該城市環境保護監測站常規自動監測點2013年全年每天污染因子的監測數據進行分析統計。

2.1 城市大氣污染因子分析

該市環境保護監測站環境空氣常規監測因子有 SO2、NO2、O3、CO、PM10、PM2.5。

某市屬于工業城市，主要有工廠企業排污[1-2]、交通汽車尾氣排污[3-4]、城市建筑施工建設排污[5-7]三大類型，根據各類型可能排放的污染因子，本文簡單歸納總結為：

工業污染型因子：SO2、NO2、PM10、PM2.5。

汽車尾氣型因子：NO2、CO、PM10、PM2.5、O3。

建筑施工型因子：PM10、PM2.5。

2.2 常規大氣監測點設置

某市環境保護監測站在市城區范圍共設置了 6個常規監測點，分別是環保監測站、河西水廠、市四中、市九中、古亭山、柳東小學，覆蓋 4個城區及工業新區，大體位置見下圖1。從該圖可以看出各監測點與某市相關工業片區組團的分布關系。各監測點的特征見圖1。

圖1 某市環境空氣常規監測點分布圖

2.3 當地氣候氣象

該市盛行南北風，少有東西風，冬季多為偏北風，夏季多為偏南風，市區靜風頻率較高。多年平均氣溫21.1℃，極端最高氣溫39.0℃，極端最低氣溫-0.3℃，年平均降雨量為1502.0 mm，年平均相對濕度73%，日最大降水量233.6 mm，年均日照時數 1518.5 h。風頻最大的風向分布為北西北風，頻率10%，其次是東北和南風，頻率9%，靜風頻率為26%，常年平均風速1.6 m/s。表1是某市近20年氣候統計資料表。圖2為該市1993～2012年多年風玫瑰圖。

表1 某市區近20年氣候統計資料

2013年該市全年風速在1.2～1.5 m/s范圍內變化，各月變化不大；氣溫在10.4～29.4℃范圍內變化，夏季溫度高，冬季溫度低；濕度在53.2～75.7%范圍內變化，秋冬季濕度較低，春夏季濕度較大；氣壓在825～1009 hPa范圍內變化，夏秋季較低，冬春季較高[8]。

圖2 （1993～2012年）該市多年以及各季平均風向的風玫瑰圖

3 結果與分析

3.1 PM2.5時間變化特征

把各監測點PM2.5隨時間變化的情況進行縱向分析統計，以研究PM2.5時間變化特征。經計算，某市6個監測點PM2.5月均濃度結果見圖3。

圖3 PM2.5月均濃度變化圖

從PM2.5月均濃度變化圖表可知：

（1）6個監測點PM2.52013年月均總體變化趨勢基本一致：①峰值出現在 3、10、12月，環保監測站的最高值出現在12月；河西水廠的最高值出現在10月；市四中的最高值出現在12月；市九中的最高值出現在12月；古亭山的最高值出現在10月；柳東小學的最高值出現在12月；②谷值出現在7月。春季至夏季，月均濃度監測值下行；夏季至秋冬，月均濃度監測值上行。③PM2.5峰、谷值特征可以從該市地理以及氣象因素找到原因：冬季，該市盛行偏北風，而有一工業園處于該市城區冬季主導風的上風向，工業排污結合氣象條件造就峰值；夏季，該市盛行偏南風，監測點不在工業區的下風向，受工業排污影響較小，而且夏季多雨，降雨進一步減少了空氣中的顆粒物，因此造就了谷值。綜上所述，PM2.5監測數據的峰、谷值體現了監測點布局與氣象條件綜合影響。

（2）各點同月監測值差別不大，說明某市城區PM2.5總體分布水平基本一致。市九中的年均值更高一些，最低的為古亭山。考慮市九中附近大型工業企業較多，PM2.5值較高；而遠離市中心的古亭山、柳東小學的PM2.5值水平比較低；位于市中心的環保監測站、河西水廠、市四中監測值處于中間。這說明，PM2.5監測數據的表現基本上與監測點布局特點相對應。

經計算分析，某市6個監測點PM2.5日均濃度頻率分布見下圖4，從PM2.5日均濃度頻率分布圖可知：

圖4 -a 六個監測點PM2.5日均濃度頻率分布圖

圖4 -b 六個監測點PM2.5日均濃度頻數分布圖

（1）六個監測點 PM2.5濃度樣本頻率分布均呈右偏分布，即均值大于中位數。該右偏分布情況說明 2013年某市PM2.5濃度處于低水平，該年該市環境空氣質量整體水平良好。

（2）從監測值樣本數據的頻率分布圖可以看到，古亭山（橘黃色線）和柳東小學（粉色線）的分布峰度要大一些，市九中（綠色線）峰度最低，說明遠離市中心的古亭山、柳東小學監測數據日均波動要大于附近有較多大型工業企業的市九中，也反映出：PM2.5日均監測數據的波動與監測點布局存在關聯。

3.2 PM2.5空間分布特征

把各監測點PM2.5在空間分布的情況進行橫向分析統計，以研究PM2.5空間分布特征。

3.2.1 PM2.5空間排序

利用統計公式計算得各監測點PM2.52013年均濃度值、標準差見圖5。

圖5 6個監測點PM2.5年均濃度和標準差

由圖5可知，6個點PM2.5年均濃度由大到小排序為：市九中、市四中、河西水廠、環保監測站、柳東小學、古亭山。結合圖 1分析，市九中、市四中、河西水廠監測點均靠近工業區并處于工業區夏季主導風（偏南風）或冬季主導風（偏北風）的下風向；環保監測站、柳東小學則遠離工業區；古亭山雖靠近工業區，但不在夏季主導風（偏南風）或冬季主導風（偏北風）的下風向，受工業區影響較輕。綜上所述，PM2.5數據空間排序與監測點布局相關。

3.2.2 PM2.5空間分布差異性

由3.1分析可知，6個監測點的變化趨勢基本一致。通過對6個監測點的PM2.5濃度年均值和年方差進行差異性檢驗，即：均值方差σ1= σ2=Λ =σ6[9]，顯示出6個監測點整體的均值和方差整體存在差異性，見表2。

表2 6個監測點PM2.5日均濃度均值和方差的差異性檢驗

比較六個監測點 PM2.5濃度的年均值和年方差在 10%顯著水平上的差異性。P值大于 10%意味這兩個監測站在該指標上可視為均等。環保監測站的PM2.5日均濃度均值與河西水廠、市四中基本一致，方差（PM2.5日均濃度的波動情況）與市四中、古亭山基本一致。可見，環保監測站與市四中兩個監測點區別性不大，這與兩者的地理位置相近有關。河西水廠的均值和方差與柳東小學相似，且兩者均處于某市市區較為外圍的區域。市四中的方差與古亭山、柳東小學的相似。市九中與其他監測點在均值和方差上都有明顯的區別。古亭山與柳東小學均值和方差可視為一致。這說明，PM2.5數據空間差異表現與監測點布局特點相一致。

3.3 PM2.5影響因素分析

由以上分析可知某市2013年PM2.5時空特點，通過統計學方法分析造成PM2.5時空特點的內、外成因。其中，外因分析是通過分析氣象條件與PM2.5的關系揭示氣象條件對PM2.5的影響；內因分析是通過分析工廠企業排污、交通汽車尾氣排污、城市建筑施工排污三大類型所排特征因子與PM2.5的關系揭示污染源項空間分布特點對各監測點PM2.5的影響。分析方法采用相關系數法研究，取相關系數絕對值后0～0.09為沒有相關性，0.1～0.3為弱相關，0.3～0.5為中等相關，0.5～1.0為強相關[10]。

研究采用統計學的相關關系進行內、外因分析。相關關系指數量型變量的線性相關關系。計算公式如下：

式中，Cov(X,Y)是X與Y的協方差，V(X)是X的方差，V(Y)是Y的方差。協方差Cov(X,Y)定義作：

相關系數ρ在±1之間取值，如果ρ≠0，則稱X和Y為相關的;若ρ=0，則稱X和Y不線性相關。當ρ=±1時，X和Y互為線性函數關系;如果ρ＞0，則稱X和Y正相關;如果ρ＜0，則稱X和Y負相關。當0＜ρ＜1時，X和Y之間存在一定程度的線性相關關系，而 ρ的值就是對這種線性相關程度的數值度量，|ρ|越接近1，表明X和Y的線性相關程度越強，一般來說，取絕對值后，0～0.09為沒有相關性，0.1～0.3為弱相關，0.3～0.5為中等相關，0.5～1.0為強相關。

3.3.1 外因分析（氣象條件與PM2.5關系分析）

利用公式（1）和（2）計算，得到某市環境保護監測站各環境空氣自動監測點氣象條件與 PM2.5的相關系數計算結果見下表3。

表3 某市城市氣象條件與PM2.5的相關系數情況表

由表2可知，除四中外，其它各點PM2.5與風速、氣溫、濕度呈負相關關系（即隨著風速、氣溫、濕度增大，PM2.5反而減小），與氣壓呈正相關關系：風速加大，有利于顆粒物的擴散，因而顆粒物濃度有所降低；氣溫加大，空氣湍流加強，有利于顆粒物的擴散，因而顆粒物濃度有所降低；濕度加大，空氣中水分含量增加，有利于顆粒物吸水變重后沉降，因而顆粒物濃度有所降低；氣壓增大，不利于顆粒物的擴散，因而顆粒物濃度會有所增大。這與常識分析基本相符。

由于各監測點均處于市區內，氣象條件差別不大，因此各點PM2.5與氣象指標（風速、氣溫、溫度和氣壓）的相關系數大體相近（即在氣象條件方面，監測點布局對PM2.5數據區別表現不明顯），絕對值都未超過0.5，在0.3～0.5之間，屬于中等相關。各指標比較而言，PM2.5與氣壓的相關系數最高。雖然單個氣象因素與PM2.5的相關系數不高，但是風速較低、氣溫較低、溫度較低、氣壓較高的環境還是與PM2.5濃度走高存在明顯的相關性。

3.3.2 內因分析（排污源項與PM2.5關系分析）

利用公式（1）和（2）計算，得到某市環境保護監測站各環境空氣自動監測點 PM2.5與其它污染因子的相關系數計算結果見表4。

表4 某市城市空氣PM2.5與其它常規監測因子的相關系數情況表

相較于氣象因素的低相關系數，PM2.5與其它常規污染因子的相關系數較高。除O3外，其他因子與PM2.5的相關系數基本大于0.5（除了一些異常值）。PM2.5與PM10的相關系數最高，相關性在0.8～0.9水平上。此外，PM2.5與SO2、NO2、CO的相關程度也差不多，在0.5～0.7水平上。具體分析如下：

（1）PM2.5與PM10相關系數高，因為兩者監測內容一致，但PM2.5為直徑更加微小的顆粒。PM2.5監測值大則PM10監測值大；若PM10監測值大則有兩種情況：①PM10監測值大，但PM2.5監測值小，則兩者的相關性不高；②PM10監測值大，PM2.5監測值也大，則兩者的相關性高。兩者的相關性屬于第②種情況，即PM2.5在PM10的比例較大。

（2）通過以上分析可知，除PM10、PM2.5因子外，工業污染型因子主要有SO2、NO2；汽車尾氣型因子主要有NO2、CO（由上面分析可知，O3與PM2.5相關性較弱，這里不予考慮）。因兩種類型因子都含有NO2，用NO2作為因子很難對工業、汽車尾氣源項進行區分，故將 SO2作為工業污染型特征因子、CO作為汽車尾氣型因子特征因子與PM2.5的相關系數進行比較分析，得到以下結論：①若PM2.5濃度與SO2的相關系數大于PM2.5與CO的相關系數，說明該監測點受工業污染大于汽車尾氣影響，環境空氣影響源項以工業源為主。②若PM2.5濃度與SO2的相關系數與PM2.5與CO的相關系數相接近，說明該監測點受工業污染與汽車尾氣影響相當，環境空氣影響源項為工業和汽車尾氣的綜合源。③若 PM2.5濃度與SO2的相關系數小于PM2.5與CO的相關系數，說明該監測點受工業污染小于汽車尾氣影響，環境空氣影響源項以汽車尾氣源為主。

以此進行歸納分析可知，除城市揚塵外，環保監測站、市九中、柳東小學監測點環境空氣源項以工業污染型為主；市四中監測點環境空氣源項以汽車尾氣型為主。

4 優化監測點布局選址

通過對2013年某市6個環境空氣常規自動監測點全年監測數據的研究統計，筆者發現了一些特征規律：（1）總體情況：全年某市PM2.5濃度大多數天數還是低水平的，而且全市各監測點變化趨勢基本一致。（2）時間變化特征：夏季濃度最低且波動最小，春、冬季濃度高且波動距離均高；PM2.5日均濃度春季變化周期約7～10天、冬季變化周期約14～18天。（3）空間分布特征：市區內的監測點濃度較市區外的高，臨近工業片區的監測點濃度更高。

通過內、外因相關性分析可得：（1）外因氣象條件：PM2.5與風速、氣溫、濕度呈負相關關系，與氣壓呈正相關關系，但相關系數不高，絕對值在 0.3～0.5之間。（2）內因污染源項：PM2.5數據與其它常規污染因子（除 O3外）數據的相關系數均較高，其中PM2.5與PM10相關系數最高，相關性在0.8～0.9水平上；PM2.5與SO2、NO2、CO的相關程度在0.5～0.7水平上。（3）綜合影響：PM2.5與其它常規污染因子（內因）的相關系數值大于PM2.5與氣象條件因子（外因）的相關系數值；說明某市PM2.5濃度數據受內因影響要大于外因。

在監測點布局與PM2.5監測數據關系方面：（1）各點PM2.5濃度數據與氣象指標中風速、氣溫、溫度和氣壓的相關系數均大體相近，這說明，在氣象條件（外因）方面，監測點布局對PM2.5數據區別表現不明顯。（2）在環保監測站、市四中、市九中這些監測點上，PM2.5排污源項的指向性基本上還是與監測點所處的環境特點相符合，即不同的監測點，由于其所處環境排污源項不同，使得PM2.5數據在內因表現上出現差別。這說明，在排污源項方面，監測點布局對PM2.5數據區別表現較明顯。因此要想通過改變影響因素提高監測點數據的實效性，人為改變外因（氣象條件）的難度很大，只能采取改變內因的方式（即改變監測點的選址或優化監測點布局）進行。

從圖 1分析可知，該市現有的監測點基本布置于相應城區的中部地帶，其監測數據代表著當地的平均值，僅能反映區域環境空氣的平均水平，可以滿足日常環境空氣質量預報需要，但各點之間缺乏聯系，所得數據相對獨立，數據的擴展應用面較窄，如不能反映臨近工業區的居民區環境質量，也無法對工業區偷排廢氣行為進行有效監控。在現有環境空氣監測能力有限等情況下，有的放矢、抓住要害，通過優化監測點布局選址，拓展監測點的應用功能，對工業片區實行有效的監控，同時構建相互聯系的監測網絡，對環境空氣預警預報工作具有積極的重要意義。

結合該市實際，從環境空氣預警預報方面著手，在遵循不改變監測點數量、同時兼顧 4個城區及工業新區環境監測需要的原則下，保留環保監測站位置（可以反映市中心的空氣質量，不用調整）；因現狀秋、冬季監測數據比其它季節更為突出，考慮到城市汽車尾氣隨著機動車流量增大對環境空氣質量影響日益顯著的作用，將其余監測點調整至各城區所涉及工業區及居民區相鄰區域的冬季主導風（偏北風）的下風向處、毗鄰主干路網的居民區或學校內（選擇居民區或學校，是體現以人為本的宗旨）。具體見圖6。

圖6 某市環境空氣常規監測點優化布局圖

由圖6分析，優化后的6個監測點具體分為中心點和外圍點 2類，中心點與外圍點構成一個相互聯系的監測網絡。該網絡具有以下作用：

（1）空氣質量預報：日常情況時，外圍監測點因毗鄰工業區，受臨近企業排污影響，其監測數據在一定程度上反映為該片區空氣質量的較差值；而市中心監測點遠離工業區，其監測數據基本代表市中心空氣質量的較優值；利用插值分析可以繪制市區空氣質量數據濃度分布大致的等值線圖，市區其它地方的空氣質量數據可以利用等值線圖綜合插值估算出來。

（2）環境風險預警：當某個監測點數據出現異常，在排除設備故障引起的原因后可以第一時間發現可能的環境風險問題，通過采取企業污染排查等應急措施，及時遏制事態的發展，減輕環境風險影響。

5 結論

通過分析某市6個監測點2013年全年PM2.5監測數據，可得到該市PM2.5時間、空間分布特征以及內外因對PM2.5的影響，同時也發現了監測點布局與監測數據之間的關系：

（1）因各監測點均處于市區，氣象條件大致相同，因此各監測點PM2.5月均濃度曲線及變化趨勢均相似，即在時間分布上，監測布局不影響PM2.5月均數據變化，換句話說，就是無論如何選點，PM2.5月均數據變化趨勢總體相同；但監測布局的不同，對監測點的PM2.5日均數據波動會有影響：處于市郊的監測點本底環境較好容易受到外界因素干擾造成監測數據的波動性要大于市區的監測點。

（2）監測布局在PM2.5數據空間差異上表現明顯：市區的監測點監測數據要高于市郊的，臨近工業區的監測點監測數據要高于遠離工業區的。這主要是因為布局不同，所處的環境排污源項不同，從而造成PM2.5數據的差異。

由此可見，監測點的布局，在設置之前就已經對 PM2.5數據的表現有所預期了。從該市現有監測點布局來看，雖然具有一定的代表性，但僅能滿足日常環境空氣質量預報需要，在環保管理上看還有一定的局限性。結合該市城市規劃、工業布局、路網結構等情況，筆者提出了監測點布局的優化方案，將監測點分中心點和外圍點2類，外圍點布置在毗鄰工業區、主干路網主導風向下風向的居民區內或學校內，中心點選在市中心有代表性的地方，這樣會形成一個覆蓋市區、連接工業區、代表居民關心和環保關注同時兼具環境預報、風險預警功能的監測網絡。

科學技術的進步推動了社會經濟的發展，我們正處于一個大數據的時代。政府部門如何利用所得的大量數據進行研究分析，提高管理水平和工作效能，需要轉變觀念、創新思維。而利用自動監測點長期數據研究分析，優化監測點布局，從而獲取更優質的數據，更有助于環保決策，也為環保管理提供了新的思路。

[1] 佟偉鋼.工業大氣污染治理技術發展分析[J].科技創新導報,2013 (25):19.

[2] 劉松華,周靜.蘇州市大氣污染現狀及主要污染因子分擔率研究[J].環境科學與管理,2015,40(5):119-123.

[3] 華愛紅,李麗,丁國良.淺談汽車尾氣污染的危害及防治措施[J].科技資訊,2007 (4):158.

[4] 吳國正,馬麗萍,賀克雕.汽車尾氣的污染與防治[J].廣東化工,2007,34(5):67-68.

[5] 趙文平.建筑施工場地環境污染及防治對策[J].中國西部科技,2004(4):79-80.

[6] 趙普生,馮銀廠,金晶,等.建筑施工揚塵特征與監控指標[J].環境科學學報,2009,29(8):1618-1623.

[7] 張晶,胡春玲,任慶.城市揚塵污染現狀及防治對策[J].環境保護科學,2008,34(2):4-6.

[8] 某市統計局.統計年鑒[M].北京:中國統計出版社,2013.

[9] 張曉峒.EVIEWS使用指南與案例[M].北京:機械工業出版社,2008:277-278.

[10] 薛毅,陳立萍.統計建模與R軟件[M].北京:清華大學出版社,2009:136-139.

Study on location for conventional air quality monitoring sites optimizing by standing monitoring data of PM2.5

In recent years, with the rapid economy development of the city and the industrialization and urbanization process is packing up speed, environment problem has become a hot issue of social concern, especially the PM2.5problem. The paper focused on the statistical analysis of PM2.5from data distribution, space-time variation characteristics, and its correlation between air pollutants concentration and meteorological factors, which based on the pollution and meteorological factor data analysis of six standing conventional air quality monitoring stations in the city, and combined with the site layout analysis of PM2.5monitoring data and its links to optimize conventional air quality monitoring sites. The results of optimized monitoring sites could form related monitoring network, this will provide more reliable and representative data for environment monitoring, to provide a new method for environmental protection management decisions.

PM2.5; time and space distribution; source analysis; environment

X84

A

1008-1151(2016)12-0026-05

2016-11-07

韋藝嫻（1980－），女，廣西大學化學化工學院在職研究生，高級工程師，從事環境影響評價及環境保護科研課題研究。