安吉大氣顆粒物濃度特征及其與氣象要素關系*

李云 梁明珠 張瑩 曹衛東

(1.安吉縣氣象局,浙江 安吉 313300；2.湖州市氣象局,浙江 湖州 313000)

安吉大氣顆粒物濃度特征及其與氣象要素關系*

李云1梁明珠2張瑩1曹衛東1

(1.安吉縣氣象局,浙江 安吉 313300；2.湖州市氣象局,浙江 湖州 313000)

對2015年1月—2016年12月安吉AQI大于100的天數進行聚類分析，系統地研究安吉不同污染天氣環流特征及其影響下大氣顆粒物濃度與氣象要素相關。最優6類環流形勢分別是第1類阻高型，第2類淺槽東移型，第3類低槽南壓型，第4類緯向平直環流型；第5、6類高壓脊控制(影響)型，，是安吉空氣污染的主要天氣類型。在持續時間超過2 d的連續污染天氣形勢中，PM2.5在第5、6類天氣型中與各氣象要素無顯著相關，這意味著全年最多的污染天氣形勢下PM2.5難清除，結合逐時要素相關分析，與降水相關最顯著，與這兩類天氣形勢降水少密切相關。PM10相反，與雨類變量有顯著的負相關，與風類變量無顯著相關。

k-均值聚類；環流形勢合成；PM1；PM2.5；PM10

0 引 言

近年來，隨著社會經濟的高速發展和城市化進程的加快，城市大氣污染問題日益嚴重。我國城市的空氣污染程度越來越為人們所關注。

安吉作為全國首個生態縣，但受其特殊的“畚箕”地形等因素影響，重污染天氣也是常有發生。因此全面分析研究氣象條件對空氣污染影響顯得非常迫切。

目前，關于國內學者大氣污染物濃度時空分布變化特征及其與氣象要素關系的研究較多，但集中在對北京[1-2]、長江三角洲[3-7]等大中型城市，很少涉及安吉之類縣(市)、區。

本文通過對安吉2015年1月—2016年12月不同粒徑的大氣顆粒物(PM1、PM2.5、PM10)分析，探討了不同天氣形勢下大氣顆粒物濃度與氣象要素的關系，旨在全面深入了解和掌握安吉縣大氣環境質量狀況，為安吉空氣預測提供科學支撐；也為進一步治理和控制大氣污染，改善安吉縣大氣環境質量進行科學探索。

1 數據與方法

1.1 數據來源

大氣污染物數據來自浙江省環保廳和浙江省氣象局公布的2015年1月—2016年12月安吉縣3個環境監測點(2個環保站和1個氣象站)(表1)的AQI、PM10、PM2.5、PM1的小時濃度資料。收集安吉逐日及逐時地面氣象要素值，包括02、08、14、20時氣溫、平均氣溫、最高氣溫、最低氣溫、氣溫日較差、02、08、14、20時氣壓、平均氣壓、最大、最小氣壓、02、08、14、20時水汽壓、平均水汽壓02、08、14、20時濕度、平均濕度、最小濕度、夜間降水、白天降水、日降水、02、08、14、20時風速、平均風速、最大風速、極大風速：T02、T08、T14、T20、Ta、Tx、Tn、(Tx—Tn)、P02、P08、P14、P20、Pa、Px、Pn、E02、E08、E14、E20、Ea、U02、U08、U14、U20、Ua、Un、R20—08、R08—20、R20—20、fF02、fF08、fF14、fF20、Fa、fFx、fFy等。

收集氣象場數據為2.5°×2.5° NCEP再分析資料。

表1 安吉縣環境監測點信息

1.2 分析方法

對2015年1月—2016年12月安吉AQI大于100的111 d 36種氣象要素進行k-均值聚類分析，根據相關研究和本地經驗選取k=4、5、6進行對比擇優；根據擇優結果，將相同類型的高度場進行合成計算，得到污染天氣最優環流形勢并分析污染天氣環流特征；研究分析不同污染天氣環流特征及其影響下大氣顆粒物濃度特征顆粒物特征與氣象要素相關性。

本文中相關系數，逐步回歸計算及顯著性檢驗均在SPSS軟件中完成；形勢場處理在MATLAB軟件中完成。

2 分析結果

2.1 污染天氣環流類型與特征

2.1.1 污染天氣環流分類

安吉2015年1月—2016年12月AQI大于100的111 d，其中1—2月共50 d。其最優污染天氣環流類型分6類(表2)，第5類最多，第6類次之，第1類最少。其中第1類2 d，占1.8%；第2類22 d，占19.8%；第3類4 d，占3.6%；第4類16 d，占14.4%；第5類34 d，占30.6%；第6類33 d，占29.7%(表3)。

表2 不同k值相關性比較

表3 6類污染天氣形勢的月差異

2.1.2 污染天氣環流特征

利用k-均值聚類方法，最優歸類出的6類，根據500 hPa合成環流形勢分別是第1類阻高型(圖1a)，第2類淺槽東移型(圖1b)，第3類低槽南壓型(圖1c)，第4類緯向平直環流型(圖1d)，第5類西脊東渦型(圖1e)，第6類西脊東槽型(圖1f)。

第1類阻高型，是6種類型中最少的一類，在120°E～140°E、50°N及以上存在明顯的阻高形勢，此時的安吉位于脊后槽前，受下滑槽影響，容易出現降水，污染持續時間較短；第2類淺槽東移型，在安吉的“頭頂”有一較淺的西風槽，槽底離安吉較遠，安吉處于槽后天氣，此時安吉可能會出現弱的穩定性降水；第3類低槽南壓型，也是6種類型中次少的一類，由于低槽南壓至40°N左右，較容易出現降水，污染持續時間較短；第4類緯向平直環流型，大范圍的環流形勢較平直，只有些“小擾動”，大氣邊界層相對比較穩定，不利于污染擴散，容易造成污染物累積；第5、6類均屬于高壓脊控制(影響)型，安吉處在西北或偏西氣流控制，容易出現長時間持續污染，是安吉空氣污染的最主要的兩種天氣類型；其中第6類脊區較第5類略偏強。

圖1 6類500 hPa合成環流形勢

2.2 不同污染天氣環流影響下氣象要素和大氣顆粒物濃度特征

對比6種環流形勢(表4)，第1類污染最輕，日較差最小，相對濕度最大，降水最多，風力較大；第2類日較差較小，風力較小；第3類是降水較多，是雨過天漸晴的狀態；第4類溫度最高，氣壓最低，風力較小；第5、6類是污染最重的兩類，其中第5類溫度最低，濕度最小，風速較小，第6類日較差最大，氣壓最大，與脊區強是密不可分的。

對6類及其混合類天氣形勢的維持時間對比(表5)，維持時間2 d以上的污染形勢以混合類最多，說明6類天氣形勢場之間有密切的關系；維持時間較長(≥4 d)的污染天氣形勢出現在第2，5，6類及其混合類，甚至出現2次維持時間長達7 d的污染天氣。

2.2.1 連續4 d及以上污染天氣過程逐時大氣顆粒物濃度與氣象要素相關性

對連續4 d及以上污染天氣過程統計，選取了6次完整的小時數據序列進行對比發現(表6)，與降水相關性最好，降水、氣壓、露點均與PM1.0、PM2.5、PM10以及AQI顯著相關；而風速與小粒徑的PM2.5和PM1.0顯著相關。溫度、氣壓、濕度、水汽壓、風等全氣象要素對PM1均顯著相關，PM2.5除了氣溫未通過顯著性檢驗外，也均通過顯著性檢驗；對PM1和PM2.5影響的氣象因子雖然最顯著的是降水，但其顯著性影響因子多，說明消除或減輕PM2.5和PM1“多管齊下”效果最佳。

表4 6種污染天氣環流影響下氣象要素和大氣顆粒物濃度特征

(續表)

表6 連續4 d及以上污染天氣過程逐時大氣顆粒物濃度與氣象要素相關性

**表示在置信度(雙尾)為0.01時，相關性是顯著的；*表示在置信度(雙側)為0.05時，相關性是顯著的。

2.3 大氣顆粒物與氣象要素相關性

利用Spearman秩相關分析，對通過顯著性檢驗的相關關系比較來看(表6)，在持續時間超過2 d的連續污染天氣形勢(第2、4、5、6及混合類)中，除了第2類天氣形勢中的PM1和PM2.5對各氣象要素顯著相關性是一一對應外，PM1，PM2.5、PM10、AQI對各氣象要素相關關系相差較明顯。

PM1在第2類天氣形勢中與T08、Ta、fF02、fF08、Fa、fFy等氣溫、風速類要素有較好的負相關性，與U02、U08等濕度類要素有較好的正相關性；在第4類天氣形勢中與Tx有較好的負相關性；在第5類天氣形勢中與T14、T20、Tx、(Tx—Tn)等氣溫類要素有較好的負相關性，與Ua有較好的正相關性；在第6類天氣形勢中與Ua有較好的正相關性；在混合類天氣形勢中與U02、U14、Ua、Un等濕度類要素有較好的正相關性，與Tx有較好的負相關性。

PM2.5在第2類天氣形勢中與T08、Ta、fF02、fF08、Fa、fFy等氣溫、風速類要素有較好的負相關性，與U02、U08等濕度類要素有較好的正相關性；在第4類天氣形勢中與Tx—Tn、Px有較好的負相關性，U14、Ua、Un等濕度類要素有較好的正相關性；在第5、6類天氣形勢中與各氣象要素無顯著相關關系，這意味著常發生在冬季的且是全年最多的污染天氣形勢，污染物PM2.5較難清除；在混合類天氣形勢中與T14、Tx等溫度類要素有較好的負相關性，與Un有較好的正相關性。

PM10在第2類天氣形勢中與T02、R20—08、R20—20、fF02、fFy等氣溫、降水、風速類要素有負相關性；在第4類天氣形勢中與T14、Ta、Tx等氣溫類要素有較好的負相關性；在第5類天氣形勢中與P02、P08、P14、Pa、Px、Pn等氣壓類要素有較好的負相關性；在第6類天氣形勢中與P20、fF02有較好的正相關性；在混合類天氣形勢中與T14、Tx等氣溫類要素有較好的負相關性。

AQI在第2類天氣形勢中與T02有較好的負相關性；在第4、6類天氣形勢中與各氣象要素無顯著相關關系；在第5類天氣形勢中與P02有較好的負相關性；在混合類天氣形勢中與T14、T20、Tx等氣溫類要素有較好的負相關性。

值得注意的是，許多研究都表明[8-9]，降水對空氣污染物具有清除作用，降水是清除污染物的有利氣象因素，而從前面的相關性分析可知，PM10濃度與R20—08、R20—20有顯著的負相關關系，PM1、PM2.5與雨量相關要素無顯著性關系。因此不僅雨量的大小、降水持續時間的長短對污染物的清除效果是不一樣的，而且雨量對不同粒徑的大氣顆粒物(PM1、PM2.5和PM10)清除效果也是不一樣的。

表7 6類及其混合類環流形勢中大氣顆粒物與氣象要素顯著相關性

(續表)

2.4 不同天氣類型統計建模及檢驗

對滿足統計樣本要求的第2、5、6類進行統計建模，根據大氣顆粒物與氣象要素顯著相關性(表7)，將與PM1、PM2.5和PM10顯著相關的氣象要素作為自變量，求得PM1、PM2.5和PM10統計模型如下：

第5類：PM1=60.868+0.227T14-0.125T20-0.224Tx-0.077(Tx-Tn)+0.565Ua；

PM10=2654.274-1.917P02+1.275P08-2.989P14+4.478Pa-0.736Px-0.364Pn；

第6類：PM1=59.937+0.574Un；

PM10=-2515.963+0.261P20+0.403fF02；

第2類：PM1=127.211-0.302T08-0.302T08-0.074Ta+1.497U02-1.188U08-0.651fF02+0.063fF08-0.639Fa-0.032fFy；

PM2.5=156.936-0.253T08-0.128T08+1.581Ta+1.497U02-1.486U08-0.528fF02-.056fF08-0.968Fa+0.029fFy；

PM10=163.378-0.206T02-0.155R20_08-0.078R20_20-0.541fF02-0.127fFy

擬合優度R2是描述方程擬合的指標，分析多元線性回歸方程擬合優度得到(表8)，第2類天氣形勢的擬合度最高，在0.43～0.67之間，擬合效果較好；第5類擬合度次之，但PM1的擬合度偏低，包括第6類天氣形勢的擬合度偏低，與顯著性要素要素偏少有密切關系，歸根到底還是與樣本積累數量有限有關，收集、分析安吉新的大氣顆粒物濃度及氣象要素數據，是后續工作開展的保證和重點。

表8 多元線性回歸方程擬合優度(R2)

3 結 語

對2015年1月—2016年12月安吉AQI大于100的111 d 36種氣象要素進行k-均值聚類分析，系統地研究分析安吉不同污染天氣環流特征及其影響下大氣顆粒物濃度與氣象要素相關性，得到以下結論。

1)安吉2015年1月—2016年12月AQI大于100的111 d中，其最優6類環流形勢分別是第1類阻高型，占1.8%，在東經120°E～140°E、50°N及以上存在明顯的阻高形勢，此時的安吉位于脊后槽前，受下滑槽影響，容易出現降水，污染持續時間較短，污染最輕。氣象要素方面具有日較差最小，相對濕度最大，降水最多，風力較大特點；第2類淺槽東移型，占19.8%，在安吉的“頭頂”有一較淺的西風槽，氣象要素方面具有日較差較小，風力較小特點；第3類低槽南壓型，占3.6%，由于低槽南壓至40°N左右，較容易出現降水，污染持續時間較短；第4類緯向平直環流型，占14.4%，大范圍的環流形勢較平直，只有些“小擾動”，大氣邊界層相對比較穩定，不利于污染擴散，容易造成污染物累積，氣象要素方面具有溫度最高，氣壓最低，風力較小特點；第5、6類均是高壓脊控制(影響)型，安吉處在西北或偏西氣流控制，容易出現長時間持續污染，是安吉空氣污染的兩個最主要天氣類型，第5類氣象要素方面具有溫度最低，濕度最小特點；第6類脊區較第5類強，氣象要素方面具有日較差最大，氣壓最大特點。

2)在持續時間超過2 d的連續污染天氣形勢(第2、4、5、6及混合類)中，除了第2類天氣形勢中的PM1和PM2.5對各氣象要素顯著相關性是一一對應外，PM1、PM2.5、PM10、AQI對各氣象要素相關關系相差較明顯。PM2.5在第5、6類天氣形勢中與各氣象要素無顯著相關關系，這意味著常發生在冬季的且是全年最多的污染天氣形勢，污染物PM2.5較難清除。PM10濃度與R20—08、R20—20有顯著的負相關關系，而PM1、PM2.5與雨量相關要素無顯著性關系。因此不僅雨量的大小，降水持續時間的長短對污染物的清除效果是不一樣的，而且雨量對不同粒徑的大氣顆粒物(PM1、PM2.5和PM10)清除效果也是不一樣的。

3)連續4 d及以上污染天氣過程，逐時污染物與降水相關性最好，降水、氣壓、露點均與PM1.0、PM2.5、PM10以及AQI顯著相關；而風速與小粒徑的PM2.5和PM1.0顯著相關。對PM1和PM2.5影響的氣象因子雖然最顯著的是降水，但其顯著性影響因子多，說明消除或減輕PM2.5和PM1“多管齊下”效果最佳。

4)對比相關研究分析發現[10-11]，急需系統地了解區域差異、時間序列長度以及站點個數等原因對分類結果會否影響以及影響程度，將是未來研究的重要方向之一。

[1] 周江興．北京市幾種主要污染物濃度與氣象要素的相關分析[J]．應用氣象學報，2005，16(S1):123-127．

[2] 江琪,王飛,張恒德,等．北京市PM2.5和反應性氣體濃度的變化特征及其與氣象條件的關系[J]．中國環境科學,2017,37(3)：829-837.

[3] 魏玉香,童堯青,銀燕,等．南京SO2、NO2和PM10變化特征及其與氣象條件的關系[J]．大氣科學學報,2009,32(3):451-457．

[4] 王會祥,唐孝炎,王木林,等．長江三角洲痕量氣態污染物的時空分布特征[J]．中國科學:D輯，2003,33(2):114-118．

[5] 尚倩，李子華，楊軍，等．南京冬季大氣氣溶膠粒子譜分布及其對能見度的影響[J]．環境科學，2011，32(9):2750-2760．

[6] 賈夢唯,趙天良,張祥志，等．南京主要大氣污染物季節變化及相關氣象分析[J]．中國環境科學,2016,36(9)：2567-2577.

[7] 陳磊,俞科愛,黃旋旋,等．寧波市空氣質量變化趨勢及影響因素分析[J]．浙江氣象,2015,36(2):32-36.

[8] Tai A P K， Mickley L J， Jacob D J． Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States: Implications for the sensitivity ofPM2.5to climate change[J]． Atmospheric Environment，2010，44(32):3976-3984．

[9] Pateraki S， Asimakopoulos D N， Flocas H A， et al． The role of meteorology on different sized aerosol fractions (PM10，PM2.5，PM2.5-10)[J]． Science of the Total Environment，2012，419(1):124-135．

[10] 俞科愛,胡曉,徐宏輝,等.2012—2013年寧波市空氣質量狀況及其與氣象條件的關系[J].浙江大學學報(理學版),2014,41(增刊)：136-142.

[11] 張曉云,郭虎,易笑園,等．天津市秋季典型環境污染過程個例分析[J]．氣象與環境學報,2012,28(4):33-37．

2017-05-06

*資助項目：浙江省氣象科技計劃項目(2016QN07)資助