山東省PM2.5濃度時空變化規律及其影響因素分析

范開放，單寶艷

（山東建筑大學測繪地理信息學院，山東濟南250101）

山東省PM2.5濃度時空變化規律及其影響因素分析

范開放，單寶艷*

（山東建筑大學測繪地理信息學院，山東濟南250101）

細顆粒物（PM2.5）是空氣質量監測的重要對象，研究PM2.5的時空變化規律對于治理霧霾污染具有重要意義。文章基于山東省17個城市在2014～2015年共728 d的空氣質量監測數據和相關氣象數據，采用時間序列分析、相關分析、空間自相關分析和空間插值等方法研究了時空變化規律和氣象因素對山東省PM2.5濃度的影響。結果表明：山東省PM2.5濃度呈U型變化，變化的時間序列自相性較強，一階自相關系數達0.6896，PM2.5濃度空間分布規律明顯；風向對山東省不同區域PM2.5濃度的聚集和擴散具有一定作用，與氣象條件均呈現一定相關性，不同月份其相關性存在明顯差異；PM2.5還與SO2、CO、NO2、PM10等污染物存在極強的正相關，與O3存在負相關。

PM2.5；時空變化；空間自相關；空間插值

Key words：PM2.5；spatial-temporal characteristics；spatial autocorrelation；spatial interpolation

0 引言

近年來，我國很多地區遭受著霧霾天氣的困擾。細顆粒物PM2.5是我國城市大氣的首要污染物，是空氣質量狀況的重要監測對象。PM2.5不僅會導致大氣能見度下降，還會增加呼吸道系統疾病發病率和死亡率，已引起人們的廣泛關注［1-2］。對PM2.5研究涉及環境科學、醫學、大氣科學、地理科學等學科，其中環境科學側重于對PM2.5的組成成分、質量濃度、物理化學特性、來源、監測技術等方面研究［3-4］；醫學則側重于分析PM2.5對人類健康的危害［5-6］；大氣科學注重分析PM2.5的成分特征和來源，并從氣象學的角度研究PM2.5濃度與氣象條件之間的耦合關系［7-8］；地理科學分析PM2.5濃度的時間變化、空間分布、濃度預測、濃度高低的地理條件及其與產業、交通、人口等因素的相關性等方面，各學科之間對PM2.5的研究界線不明顯，互有交叉融合［9-12］。我國城市的PM2.5濃度具有較明顯的時空變化規律［11-12］，深入研究這些規律，對分析、預測和治理PM2.5具有積極意義。

文章采用時間序列分析、相關分析、空間自相關和空間插值等方法，分析了山東省2014、2015兩年間PM2.5濃度的時間規律和空間格局，分析了氣象因素對PM2.5濃度的影響。在此研究中，污染物監測數據來源于中國環境監測總站的城市空氣質量實時發布平臺，匯總了山東省17個地級市于2014～2015年共728 d的空氣污染物監測值；氣象數據由地面氣象站通過氣象數據國際自由交換系統提供，其中，德州市2014年4月20、21兩天的O3數據缺失，在進行PM2.5與SO2、CO、NO2、O3、PM10的相關分析時舍去了這兩天的污染物監測數據。

1 山東省PM2.5濃度的時間變化規律

1.1 山東省PM2.5濃度的時間變化規律

1.1.1 PM2.5濃度的月度變化規律

2014年山東省PM2.5平均濃度為81.0μg/m3，明顯高于環境空氣質量標準（GB 3095—2012）規定的二級濃度限值75μg/m3［13］。在2014年高于75μg/m3的月份有1、2、3、4、10、11、12等7個月份，其余5個月份低于75μg/m3，其中1月份的PM2.5濃度最高，達到了137.1μg/m3，而10月份的最低，為57.8μg/m3。2015年山東省PM2.5平均濃度為76.2μg/m3，略高于二級濃度限值75μg/m3。2015年高于75μg/m3的月份有1、2、3、10、11、12等6個月份，其余6個月份低于75μg/m3，其中12月份PM2.5濃度最高，為137.0μg/m3。這兩年山東省PM2.5濃度變化相對不大，2015年比2014年略有下降。冬季PM2.5濃度相對較高，夏季則相對較低，呈U型曲線，兩年中PM2.5日平均濃度最高的是2015年12月24日，達到了313.6μg/m3。主要原因是冬季燃煤取暖量增加，向大氣中排放的顆粒物增多。從氣象條件來看，冬季對流層大氣層結相對穩定，在沒有冷空氣到來的情況下，加之城市建設高樓林立，污染物擴散速度較慢；而夏季，氣溫高、空氣對流旺盛，降水較多，促進了顆粒物的沉降。具體結果如圖1所示。

1.1.2 PM2.5濃度的時間序列自相關性

自相關分析是常用的一種時間序列分析方法［14］。自相關是指時間序列前后數據之間的相關關系，度量這種相關程度的指標為自相關系數［15］。自相關函數是理論意義上的，是針對時間序列總體而言的，在具體處理時經常使用的是基于樣本路徑的樣本自相關函數［14］（auto-correlation function，ACF）。時間序列的樣本ACF的計算式（1）為

式中：rk為時間序列自相關系數；t為時序；k為時滯；n為樣本長度；xt為第t天的PM2.5濃度值；是xt的平均值。

采用MATLAB R2014a統計工具箱對山東省2014、2015年共728 d的PM2.5平均濃度進行自相關分析，揭示山東省PM2.5濃度變化的時間序列特征，自相關系數結果如圖2所示。查相關系數的臨界值表，在顯著水平α＝0.001下，自由度為700，相關系數檢驗的臨界值為r0.001＝0.124，一階自相關系數為0.6896，1～20階自相關系數均大于該臨界值，可見山東省PM2.5濃度隨時間變化的自相關性非常強，時間越近相關性越大，山東省每天PM2.5的平均濃度與其以前1～20 d的濃度相關。

圖1 山東省PM2.5濃度—時間變化規律圖

圖2 2014～2015年間山東省PM2.5濃度變化的自相關系數圖

1.2 山東省PM2.5濃度的空間分布規律

1.2.1 空間自相關

空間自相關的主要思想源于Tobler提出的地理學第一定律［16］，由時間序列自相關發展而來，是將一維自相關發展到空間二維自相關［14］。空間自相關是判斷某一地理要素的屬性值（指PM2.5濃度）與其相鄰空間的屬性值是否相關的指標，空間自相關系數分為正相關和負相關兩類，正相關表明某地理單元的屬性值（PM2.5濃度）變化與其相鄰空間單元的屬性值具有相同變化趨勢，負相關則表明兩者變化趨勢相反［15］。

全局空間自相關一般用Moran指數和Geary系數測度［15］，采用全局Moran指數I，其計算式（2）為

式中：xi、xj分別為位置（區域）i、j的觀測值；wij表示空間權重矩陣，文章采用queen鄰接方法確定空間權重矩陣，當i與j相鄰時取1，不相鄰時則取0是xi的平均值。

全局Moran指數I的取值范圍為［-1，1］，取值［0，1］表示正相關，取值為0表示不相關，取值［-1，0］表示負相關，其絕對值越接近于1，相關性越強［15，17-18］。對于Moran指數I，通常用標準化統計量Z檢驗n個區域的某一屬性值（PM2.5濃度值）是否存在空間自相關性，Z值計算式（3）［17］表示為

式中：E（I）為均值；VAR（I）為方差，兩者都是理論上的均值和方差［15］。其顯著性水平可以由標準化Z值的P值檢驗來確定［17］。通過計算Z值的P值，并將其與顯著性水平α作比較，決定拒絕或接收零假設［15］。若P值小于給定的顯著性水平α，則拒絕零假設，判定計算的區域屬性值存在空間自相關性；否則接受零假設［15，17-18］，判定屬性值的空間相關性不顯著。在實際問題分析中，通常將顯著性水平α定為0.05。

全局空間自相關只能從總體上反映地理要素之間是否存在空間聯系［15，17］。若要進一步判斷哪些地區的PM2.5濃度值存在空間集聚特征，需要采用局部空間自相關方法。常用的局部空間自相關分析方法有3種為空間聯系的局部指標LISA（Local Indicators of Spatial Association）、Moran散點圖和G統計［15］。文章采用局部Moran指數Ii，局部Moran指數Ii也要以標準化統計量Z值檢驗其顯著性。局部Moran Ii指數的計算式（4）為

1.2.2 PM2.5濃度的空間自相關

文章運用ArcGIS 10.2軟件對山東省2014、2015兩年中17個設區城市的PM2.5年平均濃度、4個季節平均濃度分別進行了全局空間自相關分析，結果見表1。

由表1可見，山東省2015年全年平均和春、夏、秋季節平均的PM2.5濃度的全局自相關系數Moran的I比2014年有所提高，冬季則稍有下降。各個時間段PM2.5濃度的全局自相關系數的Z值均大于2.58，對應的P值均小于0.01，因此，其自相關性均達到了0.01的顯著水平，這表明山東省區域PM2.5的濃度變化存在明顯空間集聚特征。

采用GeoDa軟件對17個設區城市PM2.5濃度分布進行局部空間自相關分析，結果如圖3所示。

由圖3可見，煙臺和青島在各個時間段都是低低集聚，在夏季則增加了濰坊；高集聚主要分布在濟南，夏季則增加了濱州和德州2市，2014年冬季高高集聚由濟南變為濟寧；低高集聚只出現在魯中的泰安；其他設區城市PM2.5濃度值的局部空間自相關性不顯著。

表1 山東省PM2.5濃度的全局空間自相關系數

圖3 2014、2015年中山東省PM2.5濃度的局部空間自相關性圖

1.2.3 山東省PM2.5濃度的空間格局

空間插值是地統計學的主要研究內容之一。城市是人口、經濟、交通、建筑的集聚地，往往成為PM2.5質量濃度的高值區，大多數的空氣質量監測站集中分布在城市，而廣大鄉村地區則少有分布。有研究指出，區域層面插值的精度比遙感反演要更加精確［11，19］。PM2.5濃度的空間分布是連續的，既具有隨機性又具有結構性，各個城市的PM2.5濃度值大小看似是隨機變量，其實其濃度值存在一定的空間變化規律，上述的空間自相關性分析表明山東也有此規律。不同地區PM2.5濃度的大小是各個地區自然地理（地形、氣候等）、人文經濟地理（城市規模、產業結構及布局、人口等）條件的綜合反映，存在空間相互作用。傳統統計學是基于樣本之間的獨立性假設進行分析［15］，不考慮樣本間的空間相互作用，不適合應用于PM2.5濃度空間分布研究。克里金插值方法適用于研究區域化變量存在空間相關性的問題，其實質是利用區域化變量的實測數據和變異函數的結構特點，對研究區域內未知點的屬性值進行無偏、最優估計［11，15］。采用ArcGIS 10.2軟件的地統計分析工具箱進行插值分析，經驗證和交叉驗證多次實驗，根據誤差最小原則，應用普通克里金法對山東省2014、2015年的PM2.5濃度進行空間插值分析，具體結果如圖4所示。

圖4 山東省2014、2015年中PM2.5濃度空間插值圖/（μg·m-3）

由圖4可見，山東省PM2.5濃度的空間分布格局總體上是西高東低，表現出從沿海到內陸逐漸升高的趨勢，梯度變化明顯；從盛行風向分析，冬季山東省以西北風為主導，在自身排放細顆粒物的同時，從上風向的京津冀地區也攜帶了大量的細顆粒物過來，加之魯中有山地的阻擋，一定程度上加劇了山東省西北部地區細顆粒物濃度的累積；到了夏季，盛行風向變成了東南季風，風從海洋吹來，空氣中污染物很少，在一定程度上稀釋了山東省自身排放的細顆粒物濃度；泰安周圍區域為PM2.5濃度分布的谷地，原因是泰安地區地形為山地，較周邊城市高差顯著，對來自西北方向的細顆粒物有阻擋作用。東部的威海市與西北部的德州市PM2.5濃度值相差近3倍；在季節分布來看，2015年春季和夏季PM2.5濃度值均較2014年有明顯改善，夏季全省PM2.5濃度值基本上低于80μg/m3，而冬季僅有膠東半島濃度值較低。

2 PM2.5濃度與其他污染物的相關性

空氣質量監測指標（SO2、CO、NO2、O3、PM10、PM2.5）之間相互影響，文中通過計算空氣質量監測指標之間的相關系數測定其密切程度，相關系數由式（5）計算為

式中：rxy為要素x與y之間的相關系數和分別表示兩個要素樣本值的平均值。rxy值介于［-1，1］，rxy＞0，表示正相關，越接近于1相關性越強；rxy＜0，表示負相關，越接近于 -1表示負相關性越強；rxy值接近于0，表示兩要素相關性越弱［15］。

應用MATLAB R2014a軟件對2014、2015兩年共728 d的PM2.5質量濃度值與PM10、SO2、CO2、O3、NO2的質量濃度值進行相關系數分析。表2中上三角為相關系數，下三角為相關系數對應的P值。

由表2中可見，各種污染物相關系數的P值非常小，幾乎接近于0，這表明各種污染物的兩兩相關性均達到了極高的顯著性水平。其中，PM2.5濃度與PM10、SO2、CO、NO2等污染物濃度存在極高的正相關性，PM2.5與PM10的相關系數最高，與O3的濃度值存在負相關性。PM2.5主要由人為產生，在污染物排放量大和不利于擴散的氣象條件下，PM2.5易成首要污染物［20］。O3以自然來源為主，在高溫和強光照條件下，濃度易升高［20］。O3與PM2.5濃度上升的條件相反，當PM2.5濃度高時，O3污染輕；當O3濃度高時，PM2.5污染低［20］。從空間上來看，城鄉差別明顯，城區O3濃度高于郊區和農村的O3濃度［21］。

表2 PM2.5濃度與其他污染物的相關系數

3 PM2.5濃度與氣象因子的相關分析

3.1 PM2.5濃度與風向的關系

選取濃度值最高的2015年12月24日及其前后兩天的數據分析PM2.5濃度與風向的關系。首先對山東省88個監測站的PM2.5濃度數據進行空間插值分析，結果如圖5所示。

查閱這3 d的氣象資料（見表3）可知，23日全省以西北風和東北風為主，風力為3～4級微風，PM2.5濃度分布西北高、東南低，梯度變化明顯。24日，風向為北風（東北風、西北風）和南風（東南風、西南風）各占一半，在23日PM2.5濃度分布的基礎上，PM2.5細顆粒物繼續由西北向東南擴散，加之部分地區為東南風，PM2.5濃度分布梯度變化與23日比不明顯，且出現局部高值區（菏澤、德州等）。25日，全省為西南風和東南風各占一半，PM2.5濃度分布梯度變化不明顯，污染明顯減輕，并呈現西北、東南方向的條帶狀分布。

3.2 PM2.5濃度與風速、溫度、氣壓的關系

PM2.5粒徑小，可長期懸浮于大氣中，其濃度變化必然受到各種氣象條件的影響。考慮到數據的可獲取性，選取濟南市2015年1、4、7、10等4個月份的溫度、風速、大氣壓、相對濕度和露點溫度等氣象數據（采樣數據均為距地面2 m高位置）。為便于比較分析，計算的各月份各指標的平均值見表4。采用式（6）對PM2.5與各氣象因子進行相關分析，計算的相關系數見表5。

圖5 山東省2015年12月23～25日PM2.5濃度的空間格局圖

表3 23～25日山東省各市主要風向

表4 濟南市2015年1、4、7、10月份的溫度、風速、大氣壓、相對濕度和露點溫度的平均值

表5 PM2.5濃度與氣象因子的相關系數

由表4和5可見，1月份PM2.5濃度最高，10 月份較高，4和7月相對較低。各月份平均風速差別較小，PM2.5濃度與風速呈現負相關性，當PM2.5濃度較高時（1和10月份），PM2.5濃度與風速的相關性不顯著；當PM2.5濃度較低時（4和7月份），PM2.5濃度與風速的相關性分別達到了0.01和0.001的顯著性水平。PM2.5濃度與溫度的相關性在1、4和7月份均不顯著，在10月份兩者的相關性達到了0.05的顯著性水平。當大氣壓最高時（1月份），PM2.5濃度與大氣壓呈負相關，且達到了0.05的顯著性水平；當大氣壓最低時（7月份），PM2.5濃度與大氣壓呈正相關，也達到了0.05的顯著性水平。當相對濕度較低時（1和10月份），PM2.5濃度與相對濕度呈正相關，達到了0.05的顯著性水平，當相對濕度較高時（4和7月份），PM2.5濃度與相對濕度的相關性不顯著。當露點溫度較高時（7月份），PM2.5濃度與露點溫度的相關性不顯著；當露點溫度較低時（1、4、10月份），PM2.5濃度與露點溫度的呈正相關性，且分別達到了0.01和0.001的顯著性水平，兩者的相關性極為顯著。

4 結論

通過上述研究可知：

（1）山東省PM2.5濃度時間變化規律明顯。2014～2015年山東省的PM2.5濃度日均變化曲線呈現冬季高、夏季低的U型狀態。PM2.5濃度時間序列自相關性較強，一階自相關系數為0.6896，1～20階自相關系數均大于臨界值0.124。山東省PM2.5濃度空間分布規律明顯，PM2.5濃度呈現由東南沿海向西北內陸遞增趨勢。

（2）PM2.5的濃度與風速、風向、氣溫、大氣壓、相對濕度和露點溫度等氣象因素存在一定關系。在不同的月份其相關性也存在一定差異。

（3）PM2.5的濃度與NO2、SO2、CO、PM10、O3等的濃度相關性較強，對應相關系數分別為0.7846、0.6735、0.9043、0.9214、-0.3122。在治理霧霾時，應對空氣質量監測的6項指標綜合治理。

［1］ Tian S.，Pan Y.，Liu Z.，et al..Size-resolved aerosol chemical analysis of extreme haze pollution events during early 2013 in urban Beijing，China［J］.Journal of Hazardous Materials，2014（279）：452-460.

［2］ 朱增銀，李冰，趙秋月，等.對國內外PM2.5研究及控制對策的研究與展望［J］.環境科技，2013（261）：70-74.

［3］ 杜金花，黃曉鋒，何凌燕，等.深圳市大氣細粒子（PM2.5）中汞的污染特征［J］.環境科學研究，2010，23（6）：667-673.

［4］ 馮茜丹，黨志，黃偉林.廣州市秋季PM2.5中重金屬的污染水平與化學形態分析［J］.環境科學，2008，29（3）：569-575.

［5］ 孟紫強，張全喜.沙塵暴PM2.5對大鼠肺細胞DNA損傷效應［J］.中國公共衛生，2006，22（12）：1458-1459.

［6］ 陳威，郭新彪，鄧芙蓉，等.大氣細顆粒物對A549細胞炎性因子分泌影響［J］.中國公共衛生，2007，23（9）：1080-1081.

［7］ 楊洪斌，鄒旭東，汪宏宇，等.大氣環境中PM2.5的研究進展與展望［J］.氣象與環境學報，2012，28（3）：77-82.

［8］ 徐敬，丁國安，顏鵬，等.北京地區PM2.5的成分特征及來源分析［J］.應用氣象學報，2007，18（5）：645-654.

［9］ 李松，羅緒強，李戀，等.基于GIS的中國PM2.5濃度的空間分布及影響因素分析［J］.水土保持通報，2015，35（4）：202-205，212.

［10］林巧鶯，陳永山.中國城市冬季PM2.5空間特征及其人為影響因子［J］.生態與農村環境學報，2015，31（4）：460-465.

［11］王振山，方創琳，許光，等.2014中國城市PM2.5濃度的時空變化規律［J］.地理學報，2015，70（11）：1720-1734.

［12］王占山，李云婷，陳添，等.2013年北京市PM2.5的時空分布［J］.地理學報，2015，70（1）：110-120.

［13］GB 3095—2012.環境空氣質量標準［S］.北京：中國環境科學出版社，2012.

［14］陳彥光.基于Matlab的地理數據分析［M］.北京：高等教育出版社，2012.

［15］徐建華.計量地理學［M］.北京：高等教育出版社，2006.

［16］Tobler W..A computer movie simulating urban growth in the Detroit region［J］.Economic Geography，1970，46（2）：240-243.

［17］曹蕾.區域生態文明建設評價指標體系及建模研究［D］.上海：華東師范大學，2014.

［18］閔曙輝，張郴，潘穎.基于ESDA-GIS的江蘇省13轄市旅游空間關聯分析［J］.旅游研究，2015，7（2）：52-57.

［19］Lee S.J.，Serre M.L.，Van Donkelaar A.，etal..Comparison of geostatistical interpolation and remote sensing techniques for estimating long-term exposure to ambient PM2.5 concentrations across the continental United States［J］.Environment Health Perspect，2012，120（12）：1727-1732.

［20］羅岳平，劉孟佳，甘杰，等.長株潭城市環境空氣中PM2.5和O3質量濃度的相關性研究［J］.安全與環境學報，2015，15（4）：313-317.

［21］劉潔，張小玲，徐曉峰，等.北京地區SO2、NOx、O3和PM2.5變化特征的城郊對比分析［J］.環境科學，2008，29（4）：1059-1065.

Tem poral and spatial variation and its influencing factors of PM 2.5 concentration in Shandong Province

Fan Kaifang，Shan Baoyan*
（School of Surveying and Geoinformatics，Shandong Jianzhu University，Jinan 250101，China）

PM 2.5 is an important target of air quality monitoring，and understanding the temporal and spatial variation of PM2.5 is of great significance for governing gray haze.Based on 728 days'air quality monitoring data from 2014 to 2015 and relevantmeteorological data of 17 cities in Shandong province，using time series analysis，correlation analysis，spatial autocorrelation and spatial interpolation，we studied the spatial and temporal variation of the concentration of PM2.5 in Shandong Province and analyzed the influence of meteorological factors on PM2.5 concentration.The results show that the wintermonths presentwith a higher concentration，relatively lower in summermonths，showing a U-shape changes.The time series autocorrelation of PM2.5 concentration changes was strong，and first order autocorrelation coefficient reaches 0.6896.The concentration distribution of PM2.5 shows obvious spatial agglomeration characteristics.The direction ofwind has an obvious effect on the aggregation and diffusion of PM2.5 concentration；PM2.5 concentration and meteorological conditions show a certain correlation；in different months the correlation is significantly different. Meanwhile，the concentration of PM2.5 and SO2，CO，NO2，PM10 exists a highly positive correlation coefficientwhile a negative correlation with O3.In the process of governing the haze，we should carry on the comprehensivemanagement of various pollutants.

X513

A

1673-7644（2017）01-0039-08

2017-01-19

教育部人文社會科學研究規劃基金項目（12YJA790019）；住房和城鄉建設部研究開發項目（2012-K8-22）

范開放（1991-），男，在讀碩士，主要從事3S技術在城市建設及其管理中的應用等方面的研究.E-mail：fankaifang_dili＠163.com

*：單寶艷（1970-），男，教授，碩士，主要從事GIS與區域規劃等方面的研究.E-mail：shan7066＠sdjzu.edu.cn