基于小波的合肥市NO2濃度時間序列分析

，， (合肥市環境監測中心站，安徽 合肥 230031)

基于小波的合肥市NO2濃度時間序列分析

許承娟，魏健琍，千勇
(合肥市環境監測中心站，安徽 合肥 230031)

為分析合肥市NO2濃度的時間序列特征，利用Dau bechies小波對合肥市近5a的NO2濃度變化進行分析，發現合肥市NO2濃度年均值在2013、2016年有兩次波峰，2013年之后整體呈增長趨勢。季節特征表現為冬高夏低，冬季污染爆發頻次最高，秋季和春季次之。NO2污染最重的月份一般是12月或1月，污染最輕的月份為7月或8月，而12月是NO2濃度波動最大的月份。各監測點有明顯的空間差異性，其中董鋪水庫和三里街分別是年均值最小和最大的兩個點位。NO2濃度的這些變化特征可對后續合肥市NO2和O3的污染防治提供參考依據。

NO2濃度；時空分布；小波分析；時間序列；合肥市

隨著工業化和城市化進程的加快，來自機動車尾氣、工業排放、燃料燃燒、農業活動排放等組成的人為源是近年來近地面NO2上升的主要原因。NO2與O3的生成密切相關，在紫外線強烈照射條件下，發生光化學反應生成O3，形成光化學煙霧。同時，NO2還是二次顆粒物的前體物和酸雨的成因之一，對土壤環境、水體和人體健康[1-2]都有極大的威脅。因此NO2濃度的研究也成為環境科學的研究熱點之一。

1 材料與方法

1.1 數據來源

NO2監測數據來自于中國環境監測總站，采樣儀器型號EC9841，儀器分析方法為化學發光法。氣象資料來自于合肥市氣象局逐日和逐小時數據。

1.2 分析方法

傳統傅里葉變換對于分析穩定信號有一定優勢，但僅從頻域角度進行分析，短時傅里葉變換雖增加了時間窗的概念，但在本質上仍是單一分辨率的分析方法。對于研究環境數據這類非平穩信號問題，由于傅里葉采用了振幅和頻率恒定的正弦波進行模擬，對于突變信號易丟失局部信息。而小波分析采用了不規則的、振幅和頻率突變的、在有限時間內的小波進行模擬，可有效探測到信號突變部分，聚焦細節，有著其他分析方法不能比擬的優勢。

小波分析是一種時間-尺度分析方法，具有多分辨分析的特點，小波變換通過平移母小波(mother wavelet)獲得信號的時間信息，而通過縮放小波的寬度(尺度)獲得信號的頻率特性。對母小波的縮放和平移計算出小波系數，系數代表了該小波和局部信號之間的相互關系。小波系數包括了近似系數(approximation)和細節系數(detail)，分別對應信號的低頻和高頻分量。

本文采用的Daubechies(DbN)小波是緊支集正交小波，具有較好的正則性，其消失矩越高光滑性越好，頻域的局部化能力就越強。通過將信號進行多層分解，得到各層的近似系數A和細節系數D，見圖1。再做去噪處理得到重構后的信號，同時，對各層細節系數補0得到噪聲信號。

2 結果與討論

2.1 年變化特征

2012—2016年合肥市的NO2年均值分別達到31 μg/m3、38 μg/m3、30 μg/m3、33 μg/m3和45 μg/m3，其中,2014年年均值較低，而2016年上升顯著，為5a來年均最大值。圖2呈現的是5a來的NO2日均值變化情況。

采用db9小波，對合肥市5a的NO2日均數據進行5層分解，得到近似系數和第5層的細節系數。圖3展現了通過近似系數重構后的信號，近5a來,每年冬季1月前后NO2均會顯著上升并達到一個峰值，而夏季則逐漸回落形成波谷。2012-2014年表現尤為明顯，2015年出現3次NO2波峰，分別在1月、6月前后、10—12月整個冬季，而3月份、7—8月份出現了2次明顯的波谷。2016年在7月份出現全年的最低值，而從11月開始逐步上升達到全年的峰值，同時也達到了5a來的NO2巔峰。

圖4是小波分解重構后的高頻噪聲信號，噪聲值代表NO2濃度變化情況，噪聲越大說明污染突發越嚴重，圖中噪聲最大的10個時間點分別是:2014年1月2日、2013年12月25日、2012年10月21日、2016年4月2日、2013年12月4日、2013年3月16日、2013年1月28日、2013年10月26日、2013年12月10日、2016年10月30日。其中冬季爆發高污染5次，秋季3次，春季2次。結合污染前后的氣象數據，該10次污染的發生，不利氣象條件(風向轉變、風速減小、濕度大)是NO2濃度累積上升的主要原因。而次日風速增大、風向改變使NO2濃度得以迅速下降。

2.2 月變化

圖5顯示了各年的月均值情況，以及該月的歷年值標準差。可以看到，夏低冬高的季節特征顯著，每一年中，月均值的最大值均出現在12月或1月(冬季)，而最低值則出現在7、8月(夏季)，春秋季出現兩次小的峰值。一年中標準差最大值出現在12月份，達到15.4 μg/m3，表明在12月份NO2濃度波動最強烈，即污染排放較其他月份有更高的不穩定性。

2.3 空間變化特征

從空間變化來看，合肥市內共10個監測點，各點位的年均值及其標準差變化見圖6。再對各點位的5a NO2日數據進行db9小波分解重構，得到低頻部分，見圖7。董鋪水庫監測點位于合肥市飲用水源保護地，其水域面積超200 km2，NO2污染程度較其他點位輕。該監測點位從2012—2016年的年均值分別為21 μg/m3、 32 μg/m3、29 μg/m3、29 μg/m3、31 μg/m3，標準差為4.31 μg/m3，位于全部監測點最低。從2013之后該點的NO2濃度年均值變化不大，也可說明NO2區域背景值近年來相對穩定。

其他監測點位中，三里街、明珠廣場各年濃度相對較高，同時三里街也是標準差最大的點位，從數據上看，該點2012年年均值相對較低，而從2013年開始則出現大幅上漲。該點位臨近火車站，人口密度大，周圍交通干道發達，汽車尾氣排放成為其NO2濃度上升的主要因素。瑤海區、明珠廣場、琥珀山莊三個點位5a來波動上升，廬陽區和高新區則在2016年增速明顯，濱湖新區為新開發區，人口密度小，工業源很少，日均值未出現大幅增長。總的來說，各點位的NO2濃度有較大的空間差異性，與所在區域的經濟發展情況、人口增長、工業化共同作用密切相關。

3 成因分析

3.1 人為排放

合肥市近年來城鎮化腳步加快，城市擴張、人口增長帶來的人為源排放增大。L.N.Lamsal等[4]研究了人口數量與NO2濃度的關系，結果表明兩者相關性顯著，中國相關系數為0.69，美國為0.71。Shima M 等[5]證明了道路機動車排放對地面和室內NO2濃度上升的促進作用，鄭曉霞等[6]研究發現NO2濃度與工業能耗、能源消耗總量之間密切相關。

2016年合肥市城市GDP增速達到10.85%，機動車保有量超過142萬輛，同比增長22.3%，從2010年開始每年汽車保有量保持20%的增長水平，汽車保有量和人口增長迅猛，直接帶來NOx排放造成了近年來NO2冬季持續走高。與此同時，2016年受電力行業能源需求較快增長的拉動，工業能耗持續增長，扭轉了2015年持續下降的走勢，單位工業增加值能耗降幅收窄。通過污染源排放清單得知[10]，工業、電力、交通對NOX排放貢獻約占90%左右，因此，加快工業結構優化進度、加大工業排放治理力度、強化機動車排放監管，才能保障環境空氣質量的逐步改善。

3.2 季節因素

光化學循環是大氣化學過程的基礎，夏季炎熱，氮氧化物NOX作為O3的前體物和大氣揮發性有機物VOCS在強烈的紫外輻射下發生化學反應生成O3，造成夏季O3污染頻發。宋從波、張予燕等[7]通過NO2、NO與O3之間光化學反應過程驗證了O3與NO2此消彼長的負相關性，這是導致NO2濃度夏低冬高的主要原因。另外，冬季合肥周邊秸稈燃燒普遍，邊界層高度的影響也不利于污染物擴散，令NO2污染加重。

3.3 氣象因素

NO2濃度與氣象要素的關系并非簡單的線性相關，分析合肥市5a來氣象數據與NO2濃度發現，兩者呈現一定負相關關系，從圖8中看到，當風速增大超過1 m/s時，NO2濃度下降，說明風速增大對NO2的擴散和清除有較好的推動作用。圖中第二象限表明NO2污染加重往往發生在風速減小時，但風速的減小不一定導致污染。

4 總結

(1)利用db9小波做NO2時間序列分析。近年來合肥市NO2年均值呈上升趨勢，數據顯示出冬季季節性高峰，秋季和春季也會有2次小的波峰，夏季為波谷。一年中以12月份的NO2最高，且各年波動較大。各監測點位，以三里街變化較為突出，年均值超過其他點位，董鋪水庫NO2污染最輕。

(2)工業排放、機動車尾氣、生物質燃燒成為合肥市NO2排放的主要貢獻者，其次，不利的氣象條件進一步加劇污染積累并導致冬季污染高發。

總之，對NO2進行小波分析可直觀有效地得到其周期變化規律和污染突發的時間點，為做好城市污染預測和防治提供了非常好的思路和方法。

[1]Barck C，Lndahl J，Halldén G，et al. Brief exposres to NO2agment the allergic inflammation in asthmatics[J]. Environmental Research，2005，97 (1)：58-66.

[2]K Ohyama，T Ito，M Kanisawa. The roles of diesel exha?st particle extracts and the promotive effects of NO2and/or SO2exposre on rat lng tmorigenesis [J]. Cancer Letters, 1999, 139 (2)：189-197.

[3]Hao N，Zho B，Chen D，et al. Meas rements of NO2, SO2, O3, benzene and tol ene sing differential optical absorption spectroscopy (DOAS) in Shanghai, China [J]. Annali Di Chimica，2006，96 (7-8)：365-375.

[4]L.N.Lamsal，R.V. Martin，D.D.Parrish，et al. Scaling Relationship for NO2Poll tion and rban Pop lation Size: A Satellite Perspective [J]. Environ. Sci. Technol.，2013，47(14)：7855-7861.

[5]M. Shima，M. Adachi.Indoor nitrogen dioxide in homes along tr nk roads with heavy traffic [J]. Occ pational and environmental medicine，1998，55(6)：428-433.

[6]鄭曉霞，李令軍，趙文吉，等. 京津冀地區大氣NO2污染特征研究 [J]. 生態環境， 2014(12):1938-1945.

[7]宋從波，李瑞芃，何建軍，等. 河北廊坊市區大氣中NO、NO2和O3污染特征研究 [J]. 中國環境科學，2016，36(10)：2903-2912.

[8]陳柳，馬廣大. 小波分析在PM10濃度時間序列分析中的應用[J]. 環境工程，2006，24(1)：61-63.

[9]G Norris，T Larson. Spatial and temporal meas rements of NO2in an rban area sing contin o s mobile monitoring and passive samplers[J]. Journal of exposre analysis and environmental epidemiology，1999，9 (6)：586-593.

[10]田賀忠，郝吉明，陸永琪，等. 中國氮氧化物排放清單及分布特征[J]. 中國環境科學，2001，21(6)：493-497.

[11]尉鵬，任陣海，蘇福慶，等.中國NO2的季節分布及成因分析[J]. 環境科學研究，2011, 24(2)：155-161.

[12]馮奇，吳勝軍，杜耘，等.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)，2010，44(4)：678-685.

TimeSeriesAnalysisofNO2ConcentrationinHefeiCityBasedonWaveletAnalysis

XU Cheng-juan, WEI Jian-li, QIAN Yong
(Hefei Environmental Monitoring Centre, Hefei Anhui 230031, China)

In order to analyze the time series characteristics of NO2concentration in Hefei using the Daubechies wavelet to do the analysis in Hefei in recent 5 years. The average annual concentration of NO2in Hefei had two peaks in 2013 and 2016.The concentration showed an increasing trend overall after 2013. Seasonal characteristics of the performance were high in winter and low in summer. The pollution mostly happened in winter, followed by autumn and spring. The most pollutedmonths of NO2were often December or January, the least month in July or August. December was the month that the NO2concentration fluctuated the most. There were obvious spatial differences in the monitoring points, among which Dongpu Reservoir was the smallest of annual average and Sanlijie Street was the largest. These changes could provide a reference to NO2and O3pollution control.

NO2; spatial and temporal distribution;waveletanalysis; Daubechies wavelet; Hefei

2017-05-08

許承娟(1985-)，女，安徽潛山人，工程師，研究生，模式識別與智能系統專業，主要從事環境空氣監測、空氣質量預報預警工作。

X51

A

1673-9655(2017)06-0052-06