不同時間尺度氣象要素與空氣污染關(guān)系的KZ濾波研究

張潔瓊,王雅倩,高 爽,陳 莉,毛 健,孫艷玲,馬振興,肖 健,張 輝*

?

不同時間尺度氣象要素與空氣污染關(guān)系的KZ濾波研究

張潔瓊1,王雅倩1,高 爽1,陳 莉1,毛 健1,孫艷玲1,馬振興1,肖 健2,張 輝1*

(1.天津師范大學地理與環(huán)境科學學院,天津 300387；2.天津市津南區(qū)氣象局,天津 300350)

空氣污染狀況受氣象要素和污染源排放的共同影響,為了評估大氣污染控制措施的效果,需將由污染源排放的濃度數(shù)據(jù)分離出來.本文利用KZ濾波方法將天津市6個監(jiān)測站點2015~2017年逐日的O3、PM2.5和PM10濃度資料和6個同期氣象數(shù)據(jù)分解為長期分量、短期分量和季節(jié)分量,計算各分量對原始時間序列方差的貢獻.采用逐步回歸法建立O3及顆粒物3種分量與相應尺度氣象要素的線性模型.結(jié)果表明,上述3種污染物濃度數(shù)據(jù)經(jīng)分解后,季節(jié)分量對總方差貢獻最大,其次為短期分量;氣溫和相對濕度是影響O3季節(jié)和短期分量的主要氣象因素,其中溫度占主導地位,且呈現(xiàn)正相關(guān),與相對濕度呈負相關(guān);風速、氣壓、降水與顆粒物的短期及季節(jié)濃度變化呈負相關(guān),相對濕度與之呈正相關(guān),溫度與短期分量呈正相關(guān)、與季節(jié)分量的變化呈負相關(guān);經(jīng)逐步回歸消除氣象影響的PM10的長期分量有波動下降的趨勢,PM2.5濃度在2017年年初有所上升,其余部分有下降趨勢,O3長期分量濃度有所上升;這幾年間顆粒物污染控制措施的效果較為顯著,O3污染有所加重.

KZ濾波法；氣象要素；空氣污染物；天津市

近年來,隨著一系列環(huán)保措施的開展,大氣污染的狀況有所改善,但是相對于發(fā)達國家,形勢依舊嚴峻.2016年環(huán)境質(zhì)量公報顯示京津冀地區(qū)首要污染物為PM2.5、O3和PM10的天數(shù)分別占污染總天數(shù)的63.1%、26.3%和10.8%[1].因此本研究選取的大氣污染物為PM2.5、PM10及O3.在空氣質(zhì)量長期變化中,污染源排放不容忽視[2],但由氣象條件引起的空氣污染濃度變化往往存在多時空尺度、高影響及快速變化的特點[3],因此評估氣象要素對空氣質(zhì)量的影響極其重要.2017年正值“大氣十條”收官之年,大氣污染治理的效果顯著,但是該效果是由于控制措施使得污染物排放總量減少還是受到有利氣象條件的影響,需進一步探究.

在氣象條件對空氣質(zhì)量影響的定量評估方面,國外學者進行了很多研究[4-7],在該領(lǐng)域應用較為廣泛的方法是KZ濾波統(tǒng)計方法[7-8],他們將污染物的時間序列分解為不同周期對應的分量從而進行定量的分析.澳大利亞[9]、西班牙[10]等地的一些學者利用KZ濾波方法主要研究近地層O3的濃度變化趨勢.此外還利用KZ濾波方法以及Haslett- Raftery算法對NO2和PM10的時間序列進行了評估[9],這兩種方法幾乎得到了相同的結(jié)論.國內(nèi)現(xiàn)有的研究主要是利用KZ濾波方法將空氣污染指數(shù)(API)時間序列進行分解[11-12],但是在不同時間尺度上氣象要素對大氣污染物特別是O3和顆粒物濃度的影響在已有的研究中涉及較少.

本研究基于KZ濾波方法對天津市2015~2017年的O3、PM10及PM2.5的逐日資料及同時期氣象要素的時間序列進行分解,得到不同時間尺度上(短期、季節(jié)、長期)污染物濃度的變化,以此分析原始濃度的變化主要受到何種尺度的影響;同時,建立不同尺度上污染物與氣象要素的逐步回歸模型,進一步消除了O3、PM2.5和PM10長期序列中氣象變量的影響,分析氣象要素對不同時間尺度上污染物的影響.

1 材料與方法

1.1 監(jiān)測站點與數(shù)據(jù)

為保證污染物監(jiān)測數(shù)據(jù)可以與氣象數(shù)據(jù)相匹配,選取了天津市的6組站點,其依據(jù)是同一區(qū)縣內(nèi)空氣質(zhì)量監(jiān)測點與氣象站點距離最近的一組點,如圖1所示.

本研究中選擇2015年1月1日~2017年12月31日的PM2.5、PM10及O3期間的逐日數(shù)據(jù)進行分析,數(shù)據(jù)來源于中國環(huán)境監(jiān)測總站的全國城市空氣質(zhì)量實時發(fā)布平臺(http://beijingair.sinaapp.com).其中,本研究使用的PM2.5與PM10數(shù)據(jù)是原始數(shù)據(jù)集中的日平均濃度數(shù)據(jù),O3數(shù)據(jù)是日最大8h平均濃度數(shù)據(jù).由于航天路監(jiān)測點部分數(shù)據(jù)缺失,故該點選取2015年1月~2017年4月的數(shù)據(jù)進行分析.所用的氣象數(shù)據(jù)來源于天津市氣象局,主要包括2015~2017年逐時的氣溫、氣壓、降水、風速和相對濕度這5個氣象要素.本研究中分析的氣象要素有日平均氣壓(PA)、日平均氣溫(TA)、日平均相對濕度(RH)、日降水量(Pre)及日平均風速(WNDA),上述要素均通過整理原始數(shù)據(jù)集得到.

圖1 監(jiān)測站分布和分類

1.北辰科技園區(qū);2.第四大街;3.永明路;4.航天路;5.漢北路;6.團泊洼

1.2 研究方法

本研究為了分析空氣質(zhì)量趨勢,探討氣象數(shù)據(jù)對O3、PM2.5以及PM10數(shù)據(jù)的影響,利用KZ濾波方法將天津市O3、PM2.5、PM10及同時期氣象要素原始時間序列進行分解,之后對分解后的數(shù)據(jù)進行統(tǒng)計分析.大氣污染物及氣象數(shù)據(jù)可以被適當?shù)倪^濾技術(shù)分解[7],具體表現(xiàn)為:

() =() +() +() (1)

式中:()是原始時間序列;()、()和()分別是長期、季節(jié)和短期分量,短期分量是由于天氣系統(tǒng)及短期污染排放變化引起,時間尺度為1d~3周;季節(jié)分量是由于太陽角度變化引起的污染源和氣象條件的季節(jié)變化,時間尺度為1a;而長期分量則是由于污染排放總量、污染物運輸、氣候、政策或經(jīng)濟活動等因素引起的變化,時間尺度一般大于1a.

KZ濾波方法主要是通過R軟件中的kza程序包實現(xiàn),它是經(jīng)次迭代與點滑動平均的低通濾波[13],其計算公式如下:

式中:A為經(jīng)過一次濾波后的時間序列,為序列的時間間隔(本文采樣的時間間隔為天);為滑動窗口變量,表示參與滑動的各時間點;為對A進行濾波時其兩端的滑動窗口長度,滑動窗口長度=2+1;為輸入的原始序列,原始時間序列濾波后的結(jié)果作為下次的濾波輸入再次進行計算,以此迭代計算次,最終得到濾波結(jié)果KZ(m,p),濾波后的結(jié)果其單位與原始時間序列單位相同,時間間隔與滑動窗口長度單位均為.通過調(diào)整濾波參數(shù)與可以控制不同尺度過程的濾波,下式表示濾波結(jié)果KZ(m,p)將波長小于N的高頻波濾除,即有效濾波寬度滿足如下[13]:

′1/2￡N (3)

用公式(3)來決定有效濾波的寬度.根據(jù)公式(3),KZ(15,5)濾波器(滑動窗口長度為15[]且進行了5次迭代[])將周期小于33d(15×51/2￡33)的波動濾除,即有效濾波大約為33d.

將氣候和空氣質(zhì)量數(shù)據(jù)應用于KZ(15,5)過濾器,提取的時間序列表示為基線分量,基線分量定義為長期分量和季節(jié)分量的總和:

Baseline() = KZ(15,5)=()+() (4)

數(shù)據(jù)的長期趨勢可以通過選擇較大滑動窗口長度的KZ濾波器獲得[6],通過使用KZ(365,3)濾波器從數(shù)據(jù)中提取長期分量,有效濾波寬度大約為632d,約1.7a,即該分量是將原始序列中周期小于632d (365×31/2￡632)的波動濾除:

() = KZ(365,3)(5)

在上述分量分離之后,可以計算季節(jié)和短期分量.

() = KZ(15,5)-KZ(365,3)(6)

() =()-KZ(15,5)(7)

由于本研究要同時考慮幾個氣象要素,所以使用逐步回歸的分析方法來探索空氣質(zhì)量與氣象要素之間的關(guān)系.該方法是通過SPSS預測分析軟件19版實現(xiàn),將已分解的不同時間尺度的污染物濃度數(shù)據(jù)和已分解的對應的氣象要素引入逐步回歸,利用該軟件生成O3、PM10、PM2.5的統(tǒng)計模型,只有滿足0.05顯著性水平的條件才被接受.

PM2.5、PM10及O3的時間序列經(jīng)過KZ濾波分解后仍受到氣象的影響,線性的逐步回歸是消除氣象影響的有效手段[14],故我們采用逐步回歸方法來評估氣象要素對空氣質(zhì)量的影響,得出了PM2.5、PM10和O3在95%置信水平上的統(tǒng)計模型,并給出了相應的解釋方差[15](variance explained)(%).其中,解釋方差的計算方法如下[13]:

式中:VE為解釋方差;var()為PM2.5、PM10和O3的原始時間序列的方差;varε為殘差序列方差.一般而言,殘差序列越小,則解釋方差越大,參與模型構(gòu)建的氣象要素對PM2.5、PM10和O3時間序列解釋能力及影響程度也就越大.

2 結(jié)果與討論

2.1 KZ濾波分析結(jié)果

使用KZ(15,5)濾波方法可以從逐日的氣象變量中濾除掉短期分量,使用KZ(365,3)過濾方法可以提取長期分量,隨后,就可以推算出季節(jié)分量.依據(jù)上述方法,分別將PM2.5(圖2)、PM10(圖3)及O3(圖4)的原始時間序列分解.

我國在2016年實施的《環(huán)境空氣質(zhì)量標準》[16]中規(guī)定PM2.5及PM10濃度日均值限值分別為75, 150μg/m3,O3日最大8h平均濃度的限值為160μg/m3.但如圖2中的原始序列所示,2015年~2017年所有監(jiān)測站測得的PM2.5的值都超出該范圍很多,有些甚至在冬季超出該規(guī)定值將近5倍;冬季污染較為嚴重的站點的PM10濃度接近該規(guī)定值的3倍(圖3);夏季污染較為嚴重的站點的O3濃度也在濃度限值的1.5倍左右(圖4).

對于PM10來說,它的長期分量有波動下降的趨勢(圖3),PM2.5濃度(圖2)在2017年1、2月有所上升,其余季節(jié)有下降趨勢,O3(圖4)長期分量濃度有所上升.天津市PM2.5和PM10的短期分量均存在明顯振幅,最大振幅分別為-130~+210和-154~+270,主要集中在-50~+50,O3的短期分量的波動也具有類似的趨勢,即污染排放在短期內(nèi)相對穩(wěn)定,其波動主要由當?shù)氐奶鞖庾兓?在本研究中,由排放源與氣象條件的變化引起季節(jié)分量隨時間變化的波動同樣較為明顯.

圖2 經(jīng)KZ濾波方法分解的天津市24h平均PM2.5時間序列

圖3 經(jīng)KZ濾波方法分解的天津市24h平均PM10時間序列

圖4 經(jīng)KZ濾波方法分解的天津市日最大8hO3時間序列

Fig.4 Decomposition of a daily maximum of 8-hr moving average O3time-series by the KZ filter in Tianjin

對于PM2.5和PM10而言,它們的季節(jié)分量在冬季和春季出現(xiàn)波峰,這主要是由于北方冬季供暖以及春季沙塵現(xiàn)象造成的.在非供暖期的夏季由于氣溫高,雨水較多,空氣對流強烈,有助于污染物的擴散和沉降,因此出現(xiàn)了波谷,另外,在冬春交替的時候,也出現(xiàn)一個較小的波谷,這可能與供暖期結(jié)束且還未受到沙塵天氣影響有關(guān).此外,如圖2、圖3所示,在2017年5月4日~5日期間,顆粒物濃度出現(xiàn)一個峰值,這是由于該時段天津受到一次強沙塵天氣過程的影響,PM10質(zhì)量濃度達到六級嚴重污染的級別,PM2.5濃度同樣有所增加,也達到重度污染的水平,該過程在短期、季節(jié)、長期分量中均有所體現(xiàn).對于O3的季節(jié)分量,則出現(xiàn)與顆粒物濃度變化相反的結(jié)果,春末夏初時O3濃度達到最高,此后開始下降,夏末秋初又會出現(xiàn)一個次峰,后逐漸下降到冬季達到最低.賈夢唯等[17]的研究也得到了類似的結(jié)論.

為了識別每個時間分量對原始空氣質(zhì)量數(shù)據(jù)的貢獻,計算出生成的各個時間序列對原始數(shù)據(jù)總方差貢獻(表1).長期分量、短期分量和季節(jié)分量在理想情況下相互獨立,即原始序列的方差應等于3分量方差之和[10].如表1所示,3種污染物對總方差的貢獻中最大的是季節(jié)分量,對于PM2.5、PM10而言,長期分量總方差貢獻最低.PM2.5及PM10時間序列的波動主要是由于污染源和氣象條件的季節(jié)性變化造成的.O3的季節(jié)分量對總方差的貢獻最大是與它的成因相關(guān)的,由于太陽照射在很大程度上可以影響O3本身濃度[18],同時,對流層頂折疊引發(fā)平流層對流層交換是春季對流層O3增加的重要源[19-20].故O3的季節(jié)變化特征較為明顯.

表1 空氣質(zhì)量數(shù)據(jù)各分量對其總方差貢獻

2.2 氣象要素對污染物濃度的影響

經(jīng)KZ濾波分解后的時間序列仍然受到部分氣象要素的影響,而多元線性逐步回歸是進一步消除氣象要素的有效手段[14].表2給出了經(jīng)逐步回歸后得到的統(tǒng)計模型,所示的結(jié)果取決于所分析的分量、所考慮的污染物和所選擇的空氣質(zhì)量監(jiān)測點.對于O3而言,長期分量的解釋方差最高,其次是季節(jié)分量,就這兩者而言,數(shù)據(jù)的可變性可以由5個氣象變量來解釋,從41.75%~99.45%不等.PM2.5及PM10仍然是長期分量的解釋方差最高,其次是短期分量.O3相對于PM2.5和PM10,解釋方差的百分比較低,這說明3種污染物中,受氣象要素影響最大的是O3.

本研究中,由于污染物濃度的波動很大程度上受到季節(jié)分量和短期分量的影響,因此在分析氣象要素對污染物濃度的影響時,重點關(guān)注季節(jié)分量和短期分量的回歸模型.對于O3而言,平均氣溫(TA)和平均相對濕度(RH)是主要氣象影響因素,其中溫度的系數(shù)相對最大,說明其占據(jù)主導地位,且為正相關(guān);相對濕度的系數(shù)為負,數(shù)值較小,說明它對O3影響較小,且呈現(xiàn)一定的負相關(guān)性.氣象因子與O3的關(guān)系研究中,不同地區(qū)略有差異,結(jié)論大致相同.安俊琳等[21]、程念亮等[22]、齊冰等[23]認為,O3與紫外輻射、氣溫成正比,與相對濕度、降水成反比.

如表2的回歸模型所示,PM2.5及PM10的濃度變化受到風速、溫度、氣壓、相對濕度和降水的共同影響.就單站點而言,氣象條件如風速、相對濕度等與顆粒物濃度變化有著明顯的相關(guān)性[24].其中風速(WNDA)在本研究監(jiān)測點位季節(jié)分量的回歸方程中與顆粒物濃度呈現(xiàn)負相關(guān),且相關(guān)性最高.風速主要決定了污染物傳輸?shù)乃俾?在水平方向上,隨著風速增大,大氣污染物擴散稀釋作用增強,顆粒物濃度隨之降低,反之,在風速較小時,顆粒物容易大量累積,濃度就越高[25].研究區(qū)旱風同期和大面積的季節(jié)性裸露農(nóng)田為顆粒物的排放提供了氣象條件和物質(zhì)條件,當風速增大到一定的程度時,可能會造成二次揚塵,使得空氣中顆粒物濃度增加[26],這可能是在逐步回歸中部分系數(shù)出現(xiàn)正值的原因.與O3不同,季節(jié)分量里溫度與PM2.5和PM10濃度呈負相關(guān),但短期分量時為正相關(guān).氣壓(PA)呈現(xiàn)一定的負相關(guān),根據(jù)前人的研究可知,氣溫和氣壓[27]的垂直分布可以決定大氣污染物在垂直方向的擴散,它們主要是通過影響大氣結(jié)構(gòu)的穩(wěn)定性來間接影響顆粒物稀釋與擴散.此外,如果有逆溫層存在時,氣溫升高,有利于大氣穩(wěn)定,使得污染物聚集在近地面從而濃度增加.郭利等研究發(fā)現(xiàn),PM10質(zhì)量濃度與氣壓的Spearman相關(guān)系數(shù)為-0.416,呈現(xiàn)負相關(guān)[15].

表2 經(jīng)逐步回歸后的空氣質(zhì)量數(shù)據(jù)的短期、季節(jié)及長期分量的回歸模型

Table 2 Regression model of the air quality data concerning the short-term, seasonal and long-term components by the method of stepwise regression

分量物質(zhì)監(jiān)測點回歸模型解釋方差(%)P 長期分量PM2.5112263.421-12.722T+0.041P-12.002PA+2.433R+20.136W97.08<0.01 21795.024-3.394T-1.253P-1.779PA+1.445R+19.393W84.86<0.01 38679.145-8.149T-3.104P-8.248PA+0.597R-67.907W90.23<0.01 410827.806-10.51T-1.565P-10.321PA+0.547R-72.345W97.91<0.01 57399.067-7.123T-3.631P-7.121PA+0.918R-24.343W97.44<0.01 617715.615-15.216T-2.151P-16.961PA+0.5R-96.658W94.95<0.01 PM1016926.377-7.656T+0.04P-6.599PA74.87<0.01 27386.831-8.703T-6.033P-7.284PA+2.762R+40.78W88.51<0.01 38034.792-9.171T-1.6P-7.702PA+0.616R83.62<0.01 46619.671-8.43T-1.966P-6.44PA+1.89R+27.304W94.78<0.01 58379.1-9.587T-5.65P-8.207PA+2.308R+27.979W90.70<0.01 614011.649-14.637T-13.609PA+1.586R+27.337W92.43<0.01 O31-13310.62+14.924T+0.028P+12.913PA-0.896R+56.661W97.50<0.01 25577.393-0.742T-7.949P-5.321PA-0.251R-23.561W92.42<0.01 38794.688-2.049T-14.149P-8.444PA+0.381R-49.817W96.87<0.01 48315.884-3.477T-3.109P-7.831PA-0.808R-37.998W99.45<0.01 514924.357-6.565T-12.26P-14.325PA-76.64W94.18<0.01 610386.321-3.035T-9.773PA-1.645R-106.752W88.84<0.01 短期分量PM2.510.02-3.175PA+1.329R+4.717T-10.58W43.21<0.01 20.002-2.314PA+1.005R+5.959T-6.647W42.75<0.01 3-0.004-2.565PA+0.963R+5.128T-11.316W41.82<0.01 40.296-2.568PA+1.209R+5.757T-10.28W40.19<0.01 5-0.025-1.948PA+1.1R+5.16T-5.959W40.30<0.01 6-0.012-3.003PA+1.193R+5.152T-12.784W40.64<0.01 PM1010.095-5.049PA+1.037R+4.179T-12.84W25.51<0.01 20.018-3.921PA+0.579R+6.859T-7.671W21.93<0.01 30.205-4.411PA+0.752R+5.915T-10.537W23.17<0.01 40.006-4.253PA+0.894R+7.123T-14.648W34.48<0.01 50.011-3.442PA+0.724R+6.766T-7.921W21.83<0.01 6-0.077-5.201PA+0.811R+4.48T-9.285W21.28<0.01 O31-0.067+5.72T-0.62R-4.196W+0.695P23.20<0.01 2-0.037+5.151T-0.527R+3.925W+0.837PA-0.28P22.41<0.01 3-0.032+5.633T-0.433R-2.528W+0.739PA18.76<0.01 4-0.008+3.675T-0.427R+2.907W+0.53PA14.82<0.01 50.097+5.581T-0.559R+0.736PA15.99<0.01 60.02+4.508T-0.569R15.32<0.01

續(xù)表2

分量物質(zhì)監(jiān)測點回歸模型解釋方差(%)P 季節(jié)分量PM2.510.126-31.942W+0.484R-2.451T-0.002P-1.524PA29.71<0.01 20.281-22.494W+0.611R-1.401T-1.172P-0.831PA29.85<0.01 30.298-31.833W+0.66R-1.928T-1.129P-1.19PA31.65<0.01 40.21-34.313W+0.79R-2.322T-1.214P-1.471PA39.88<0.01 50.284-21.401W+0.776R-1.666T-0.994P-1.062PA30.40<0.01 60.212-34.154W+0.453R-1.915T-1.473P-1.541PA25.15<0.01 PM1010.267-36.526W-1.904PA-2.215T10.44<0.01 20.219-23.618W-1.732P-1.731PA-1.549T8.21<0.01 30.151-39.025W-1.404P-2.36PA-2.584T12.42<0.01 40.399-43.723W-1.952P-2.299PA-2.555T+0.476R26.92<0.01 50.552-26.868W-1.277P+0.237R9.39<0.01 60.097-28.972W-1.833P5.46<0.01 O310.17+3.753T-0.591R-6.168W48.36<0.01 2-0.14+3.088T-0.517R-0.548P43.65<0.01 3-0.016+3.672T-0.429R-0.561P47.96<0.01 4-0.036+3.15T-0.379R-0.855P+7.156W+0.478PA41.75<0.01 5-0.163+3.419T-0.378R43.68<0.01 60.158+3.892T-0.45R-0.99P47.09<0.01

注: 1-北辰科技園區(qū);2-第四大街;3-永明路;4-航天路;5-漢北路;6-團泊洼;PA-日平均氣壓;-日平均氣溫;-日平均相對濕度;-日降水量;-日平均風速.

由逐步回歸模型可知,季節(jié)和短期分量中相對濕度的系數(shù)和其他氣象要素相比雖然值較小但是均為正數(shù),這說明相對濕度和顆粒物之間呈現(xiàn)正相關(guān),以往研究表明,由于水汽可以吸附空氣中親水性微小顆粒物,故隨著空氣相對濕度的增加,吸附的顆粒物增多[27],因此顆粒物濃度增加,污染加劇.另外,降水(Pre)的系數(shù)為負,說明其與顆粒物濃度呈現(xiàn)一定的負相關(guān)性,主要原因是部分懸浮顆粒物作為凝結(jié)核聚集水汽并落下,同時隨著雨水的降落,懸浮在空氣中的部分顆粒物也被隨之沖刷,使得大氣中顆粒物濃度降低[28].張瑋等人的研究表明顆粒物濃度隨相對濕度增加而增加,當相對濕度大于75%后,由于該狀態(tài)下更易發(fā)生降水使得顆粒物開始濃度下降[29].張淑平等也有類似的研究結(jié)果[30].

圖5為PM2.5、PM10和O3長期分量數(shù)據(jù)和根據(jù)逐步回歸的氣象變量的最佳模型計算的3種污染物的比較.分析可得,這2組數(shù)之間的2均在0.747以上,這說明使用該回歸模型的擬合效果較好.如圖所示,航天路空氣質(zhì)量站的原始長期分量和經(jīng)過計算調(diào)整的O3長期數(shù)據(jù)之間差異最低,這也是預期的結(jié)果,因為在表2中的5個氣象變量已經(jīng)解釋了O3長期分量數(shù)據(jù)的99.45%的變化.經(jīng)逐步回歸消除了氣象因素對長期分量的影響,得到了由污染源排放產(chǎn)生的濃度變化.如圖5可知,天津市對于PM10來說,它的長期分量有波動下降的趨勢,PM2.5濃度在2017年1、2月有所上升,其余季節(jié)有下降趨勢,O3長期分量濃度有所上升.這說明近幾年間對大氣顆粒物的減排效果較好,對O3的治理還需進一步加強.

3 結(jié)論

3.1 研究表明,KZ濾波方法可以較好的將天津市O3、PM2.5及PM10的濃度數(shù)據(jù)分離為短期、季節(jié)、長期3種時間尺度上的分量,其中長期分量對總方差的貢獻最小,其次為短期分量,對總方差貢獻最大的是季節(jié)分量.這表明天津市PM2.5、PM10和O3隨時間序列的波動主要是由污染源的季節(jié)變化和氣象條件引起的.

3.2 氣溫(TA)和相對濕度(RH)與O3之間存在較好的相關(guān)性,它們是影響O3季節(jié)和短期分量的主要氣象因素,其中溫度占主導地位,呈現(xiàn)正相關(guān),相對濕度呈一定的負相關(guān).而PM2.5和PM10的短期及季節(jié)濃度變化與風速、氣壓、降水呈負相關(guān);與相對濕度呈正相關(guān);溫度與PM2.5和PM10的短期分量呈正相關(guān),與季節(jié)分量的變化呈負相關(guān).

3.3 經(jīng)逐步回歸消除氣象因素對長期分量的影響,得到由于污染源排放產(chǎn)生的濃度變化.PM10的長期分量有波動下降的趨勢.PM2.5濃度在2017年1、2月有所上升,其余部分有下降趨勢,O3長期分量濃度有所上升.說明在“大氣十條”實施的這幾年間顆粒物污染總量有所下降,控制措施的效果較為顯著,O3污染在這幾年間有加重趨勢,對其的治理還需進一步加強.

[1] 中華人民共和國環(huán)境保護部. 2016年中國環(huán)境狀況公報 [R]. 2017.

[2] 張桂珍,程建平,李潤飛.探析氣象條件對城市空氣質(zhì)量的影響 [J]. 北方環(huán)境, 2011,23(11):131-131.

[3] 張小玲.氣象條件對京津冀區(qū)域細粒子濃度增加與改善的影響分析[C]//中國顆粒學會氣溶膠專業(yè)委員會.第八屆全國大氣細及超細粒子技術(shù)研討會暨PM2.5源譜交流會論文集.中國顆粒學會氣溶膠專業(yè)委員會, 2015:1.

[4] Comrie A C. Comparing neural networks and regression models for ozone forecasting [J]. Journal of the Air & Waste Management Association, 1997,47(6):653-663.

[5] Hogrefe C, Vempaty S, Rao S T, et al. A comparison of four techniques for separating different time scales in atmospheric variables [J]. Atmospheric Environment, 2003,37(3):313-325.

[6] Eskridge R E, Ku J Y, Rao S T, et al. Separating different scales of motion in time series of meteorological variables [J]. Bulletin of the American Meteorological Society, 1997,78(7):1473-1483.

[7] Rao S T, Zurbenko I G. Detecting and tracking changes in ozone air quality [J]. Air & Waste Journal of the Air & Waste Management Association, 1994,44(9):1089-1092.

[8] Rao S T, Zurbenko I G, Neagu R, et al. Space and time scales in ambient ozone data [J]. Bulletin of the American Meteorological Society, 1997,78(10):2153-2166.

[9] Vo Anh, Hiep Duc, Merched Azzi. Modeling anthropogenic trends in air quality data [J]. Air Repair, 1997,47(1):66-71.

[10] Ibarra-Berastegi G, Madariaga I, El??As A, et al. Long-term changes of ozone and traffic in Bilbao [J]. Atmospheric Environment, 2001, 35(32):5581-5592.

[11] 白鶴鳴,師華定,高慶先,等.基于氣象調(diào)整的京津冀典型城市空氣污染指數(shù)序列重建 [J]. 生態(tài)與農(nóng)村環(huán)境學報, 2015,31(1):44-49.

[12] 吳宜航,白鶴鳴,師華定,等.氣象條件對呼和浩特市空氣質(zhì)量變化的影響評估 [J]. 干旱區(qū)研究, 2016,33(2):292-298.

[13] Milanchus M L, Rao S T, Zurbenko I G. Evaluating the effectiveness of ozone management efforts in the presence of meteorological variability [J]. Journal of the Air & Waste Management Association, 1998,48(3):201-215.

[14] Flaum J B, Rao S T, Zurbenko I G. Moderating the influence of meteorological conditions on ambient ozone concentrations [J]. Air Repair, 1996,46(1):35-46.

[15] 郭 利,張艷昆,劉樹華,等.北京地區(qū)PM10質(zhì)量濃度與邊界層氣象要素相關(guān)性分析 [J]. 北京大學學報(自然科學版), 2011,47(4):607- 612.

[16] GB3095-2012 環(huán)境空氣質(zhì)量標準 [S].

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

[18] 高晉徽,朱 彬,王東東,等.南京北郊O3、NO2和SO2濃度變化及長/近距離輸送的影響 [J]. 環(huán)境科學學報, 2012,32(5):1149-1159.

[19] Monks P S. A review of the observations and origins of the spring ozone maximum [J]. Atmospheric Environment, 2000,34(21):3545- 3561

[20] Cooper O R, Moody J L. Meteorological controls on ozone at an elevatedeastern United States regional background monitoring site [J]. Journal of Geophysical Research, 2000,105(D5):6855-6869.

[21] 安俊琳,王躍思,李 昕,等.北京大氣中NO、NO2和O3濃度變化的相關(guān)性分析 [J]. 環(huán)境科學, 2007,28(4):706-711.

[22] 程念亮,李云婷,張大偉,等.2014年北京市城區(qū)臭氧超標日濃度特征及與氣象條件的關(guān)系 [J]. 環(huán)境科學, 2016,37(6):2041-2051.

[23] 齊 冰,牛彧文,杜榮光,等.杭州市近地面大氣臭氧濃度變化特征分析 [J]. 中國環(huán)境科學, 2017,37(2):443-451.

[24] 趙子菁,魏永杰,張祥志,等.南京市霾天氣與主要氣象條件的相關(guān)分析 [J]. 中國環(huán)境科學, 2015,35(12):3570-3580.

[25] 張夏琨,王春玲,王寶鑒.氣象條件對石家莊市空氣質(zhì)量的影響 [J]. 干旱氣象, 2011,29(1):42-47.

[26] Kassomenos P A, Vardoulakis S, Chaloulakou A, et al. Study of PM10and PM2.5levels in three European cities: analysis of intra and inter urban variations [J]. Atmospheric Environment, 2014,87:153- 163.

[27] 慕彩蕓,屠月青,馮 瑤.氣象因子對哈密市大氣可吸入顆粒物濃度的影響分析 [J]. 氣象與環(huán)境科學, 2011,34(S1):75-79.

[28] 王 珩,于金蓮.大氣中PM10濃度的影響因素及其污染變化特征分析 [J]. 上海師范大學學報(自然科學版), 2004,33(3):98-102.

[29] 張 瑋,郭勝利,申付振,等.南京地區(qū)PM2.5和PM10濃度分布特征及與相關(guān)氣象條件的關(guān)系 [J]. 科學技術(shù)與工程, 2016,16(4):124-129.

[30] 張淑平,韓立建,周偉奇,等.冬季PM2.5的氣象影響因素解析[J]. 生態(tài)學報, 2016,36(24):7897-7907

Study on the relationship between meteorological elements and air pollution at different time scales based on KZ filtering.

ZHANG Jie-qiong1, WANG Ya-qian1, GAO Shuang1, CHENG Li1, MAO Jian1, SUN Yan-ling1, MA Zhen-xing1, XIAO Jian2, ZHANG Hui1*

(1.School of Geographic and Environmental Sciences, Tianjin Normal University, Tianjin 300387, China；2.Tianjin Jinnan Meteorological Bureau, Tianjin 300350, China)., 2018,38(10)：3662~3672

Air pollution condition is affected by meteorological elements and emissions from air pollution sources. In order to evaluate the effect of air pollution control measures, we need to separate the contributions from air pollution sources. In this study, the KZ filter was used to decompose the time series of three pollutants including O3, PM2.5and PM10as well as time series of several meteorological factors into long-term, short-term and seasonal components. Data of air pollutants were collected from six air quality monitoring sites in Tianjin during 2015~2017. The contribution of each component to the total variance of the original air quality data was calculated. Stepwise regression was used to establish the relationship between air pollutants (O3, PM2.5and PM10) and meteorological variables for each time scale. Our results showed that seasonal component contributed most to the total variance, followed by short-term component. Temperature and relative humidity were the major factors affecting seasonal and short-term changes of O3. Temperature was positively correlated with short-term component. Relative humidity was negatively correlated with the seasonal component of O3; Wind speed, air pressure and precipitation were negatively correlated with particle concentrations at short-term and seasonal time scales. Relative humidity was positively correlated with them. Temperature was positively correlated with short-term component of particles, and was negatively correlated with seasonal component. Long-term concentration of PM10showed a downward trend after removing the effects of meteorological factors. The concentration of PM2.5increased in early 2017, and for the rest of the study time periods, its concentration showed a downward trend. The long-term concentration of O3was increased during the studied years. We can conclude that the effect of particulate pollution control measures was significant. However, the pollution of O3was aggravated.

KZ filter；meteorological elements；air pollutant；Tianjin

X16

A

1000-6923(2018)10-3662-11

張潔瓊(1994-),女,甘肅天水人,天津師范大學碩士研究生,主要從事空氣顆粒物污染與防治研究.

2018-03-13

國家重點研發(fā)計劃青年項目(2016YFC0201700);天津市科技計劃項目(16YFXTSF00330);天津市應用基礎(chǔ)與前沿技術(shù)研究計劃青年基金資助項目(16JCQNJC08600)

* 責任作者, 副教授, zhang_hui69@163.com