東部沿海地區秋冬季空氣PM2.5污染時空變化特征

陳亞慧 葛躍

摘要? 利用東部沿海地區2014年11月到2015年1月的ρ（PM2.5）逐時數據，分析研究PM2.5的時空分布特征。結果表明，ρ（PM2.5）的基底效應值在0.08～0.40，以結構性變異為主，空間自相關程度分別為強、中等，研究時段內PM2.5與空間結構和人類活動都存在關系;對典型城市秋冬交替時間段內的逐日ρ（PM2.5）時間序列進行小波分析，發現ρ（PM2.5）在不同時間尺度上具有不同的“高-低”交替變化規律，從秋季到冬季ρ（PM2.5）污染逐漸惡化?？傮w上，東部沿海地區秋冬季PM2.5污染情況存在一定的空間自相關性和周期性，應針對其時空特征進行聯防聯控和統籌治理。

關鍵詞 PM2.5;東部沿海;地統計分析;小波分析

中圖分類號：X513 文獻標識碼：A 文章編號：2095-3305（2019）01-053-04

DOI： 10.19383/j.cnki.nyzhyj.2019.01.020

Spatial and Temporal Variation Characteristics of PM2.5 Pollution in Au tumn and Winter in East ern Coastal Areas

CHEN Ya-hui? et al（Hefei Environmental Monitoring Center， Hefei， Anhui 230031）

Abstract Using the hourly ρ（PM2.5） data of the eastern coastal areas from November 2014 to January 2015， the spatial and temporal distribution characteristics of PM2.5 were analyzed. The substrate effect value of ρ（PM2.5） was 0.08-0.40， the type of ρ（PM2.5） variation was mainly structural variation，and the degree of spatial autocorrelation was strong and moderate， respectively. There was a relationship between PM2.5 and spatial structure， human activities during the studied time period. The wavelet analysis showed that ρ（PM2.5） had different change rule of high and low alternations in different time scale， and PM2.5 pollution was gradually serious from autumn to winter. In general， there was a certain spatial autocorrelation and periodicity of PM2.5 pollution in autumn and winter in the eastern coastal areas， so joint prevention and control and overall treatment should be carried out according to its spatial and temporal characteristics.

Key words? ?PM2.5; Eastern coastal areas; Geo-statistical analysis; Wavelet analysis

我國東部沿海地區自然資源豐富，區位優勢突出，是我國城市化高度發達和經濟發展水平最高的地區，與此同時，城市的高速發展也帶來了日趨嚴重的大氣污染問題，國內外許多學者針對PM2.5污染特征方面開展了許多研究[1-5]，但大部分研究空間尺度較小，監測點數量較少，監測頻次較低，而且主要分析PM2.5含量的動態變化特征和區域差異及其影響因素，較少關注PM2.5污染的時間尺度特征和空間自相關性。自2012年12月起，京津冀、東部沿海和珠三角以及省會城市建立了PM2.5監測網絡，充分利用該監測網絡豐富的數據資源開展PM2.5的時空變異特征[6]，有利于掌握城市群PM2.5的時空分布規律，為區域PM2.5的削減及聯防聯控提供基礎研究數據。

筆者采用地統計和小波統計，以東部沿海地區為研究對象，對PM2.5進行動態變化和空間差異分析，揭示其動態變化的時間尺度特征和空間自相關性，旨在為東部沿海地區霧霾污染防治提供科學依據和決策參考。

1 資料與方法

1.1 數據來源與處理

東部沿海地區各國控大氣環境質量監測站點分布見圖1。數據起止時間為2014年11月1日至2015年1月31日，每個月份對應的有效數據量達10萬條以上。在數據搜集過程中，因傳輸網絡不穩定、氣象條件等因素會產生一些異常值和缺失值，需要采用時間回歸模型進行建模[7]，該文利用MATLAB R2012b軟件中的interp1（）函數實現了PM2.5含量時間序列的分段3次插值。

1.2 分析方法

1.2.1 空間自相關性分析 采用地統計分析東部沿海地區PM2.5含量的空間自相關性。地統計學以隨經、緯度變化的ρ（PM2.5）作為區域化變量處理時，能同時反映其空間分布的隨機性和結構性[2]。相應的變異函數模型有球狀模型和高斯模型[8]。

球狀模型公式如下：

式中，C0為塊金值;a為空間自相關距離;C為偏基臺值;C0+C為總基臺值。

C0和C分別描述了由隨機性和結構性因素引起的變異，C0+C反映了總變異特征。C0與C0+C之比稱為基底效應，記為Q，可用其來描述污染物變異的性質和空間自相關程度。根據Q值的大小可對空間變異性質進行分級[9]，分級標準如表1所示。

1.2.2 小波分析 ρ（PM2.5）是日值資料的時間序列，受多種因素的影響，直接對原始數據的分析很難發掘出多尺度變化的規律性，如果用簡單的平均等分析方法進行處理，又會造成某些細節的丟失。因此尋找一種合理的分析方法就顯得尤為必要，小波分析作為一種時頻分析方法，可以有效地挖掘出ρ（PM2.5）時間序列的變化信息，已經有研究表明利用小波分析的方法研究ρ（PM2.5）的變化特征是切實可行的。小波方差圖可用來確定信號中不同種尺度擾動的相對強度和存在的主要時間尺度，即主周期。

2 結果與分析

2.1 東部沿海地區ρ（PM2.5）描述性分析

表2為東部沿海地區ρ（PM2.5）的基本統計分析結果。對于ρ（PM2.5）的常規統計分析能夠概括出ρ（PM2.5）的整體特征，但是不能反映其局部的變化特征，即只是在某種程度上反映樣本本體，而不能定量刻畫出ρ（PM2.5）的隨機性和結構性。為了更好地了解ρ（PM2.5）的空間變異特征，需要進一步采用地統計學方法對ρ（PM2.5）空間變異特征進行分析。

2.2 東部沿海地區ρ（PM2.5）空間變異特征分析

2.2.1 各向同性 應用GS+9.0進行半變異函數參數的計算和理論模型的擬合。該文按照GS+9.0自動生成的步長作為理論步長，對秋冬季節東部沿海地區ρ（PM2.5）的半變異函數參數進行計算，3種擬合模型結果以及參數見表3。

根據殘差越小越好和決定系數越大越好的原則，由表3可得，2014年11月和2015年1月的ρ（PM2.5）應選用球形模型作為擬合模型，Q值分別為6.94%和19.12%，變程分別為217.1和336.2 km，2014年12月的ρ（PM2.5）應選用高斯模型作為擬合模型，Q值為26.24%，變程為290.0 km。從基底效應值看來，東部沿海地區的ρ（PM2.5）呈現出一定的空間相關性，2014年11月和2015年1月的東部沿海地區ρ（PM2.5）有強烈的空間相關性，主要受自然因素控制，受人為因素影響較小;2015年1月的東部沿海地區ρ（PM2.5）的空間自相關性要弱于2014年11月的空間相關性，2014年12月的東部沿海地區ρ（PM2.5）具有中等程度的空間相關性，受自然因素和人為因素的影響程度相當。從月份看來，2014年11月至2015年1月這一階段ρ（PM2.5）的基底效應有一個上升和下降的過程，基底效應值從2014年11月的6.94%上升到2014年12月的26.24%，然后下降到19.12%，總體增幅為175%。從變程看來，東部沿海地區ρ（PM2.5）從2014年11月的217.1 km增加到336.2 km，增幅為55%，空間自相關性的距離在逐漸增大，表明PM2.5污染影響的范圍在擴大。

2.2.2 各向異性? ?ρ（PM2.5）空間分布特征是多種影響因素在不同空間方向尺度上共同作用的結果，為了能夠更加準確地分析ρ（PM2.5）的空間特征，還需要對ρ（PM2.5）在不同方向上的變化趨勢進行分析。該文利用R地統計包geoR繪制了東-西（0°）、南-北（90°）、東北-西南（45°），西北-東南（135°）4個方向的半變異函數圖（圖2）。從圖2可以看出，2014年11月的ρ（PM2.5）在西北-東南方向上的380 km左右距離上存在明顯差異，3個月的各向異性半變異函數圖在大于600 km左右的距離外開始出現較大差異，除此之外，2014年11月、2014年12月和2015年1月的ρ（PM2.5）在各個方向上的半變異曲線變化趨勢大致相同，總體上，各向同性多于各向異性，該地區PM2.5的污染整體較為嚴重。

2.3 典型城市ρ（PM2.5）的時間變化特征

考慮到東部沿海地區涉及到的城市較多，該文選取了3個典型城市，分別是南京、上海和杭州作為時間變化分析的案例。

2.3.1 典型城市ρ（PM2.5）的時間序列? 3個城市2014年11月1日至2015年1月31日的逐日ρ（PM2.5）時間序列見圖3。PM2.5污染程度受污染源排放強度及氣象條件等因素的綜合作用，污染指數信號是非穩定的，呈現出混沌性，具有非線性和多時間尺度特性。

2.3.2 典型城市ρ（PM2.5）的多尺度變化特征? 為分析典型城市PM2.5濃度的季節變化、短期變化特征，需要將PM2.5日值數據進行小波分解，圖4～6為PM2.5序列經過雙正交小波bior（4，4）5級分解后的插值結果。從圖4～6可以看出，當尺度比較小時，3個城市的ρ（PM2.5）小波變換序列表現的變化比較劇烈，隨著尺度的倍增，小波變換時間序列變得越來越光滑，在第5尺度級別上的小波變換已經呈現出相對穩定的周期性，近似正弦波形特征，表明它對原始時間序列的影響比較穩定，影響的時間也比小尺度的要長。

振蕩信號強弱通過小波系數的大小來表示，小波系數越大，PM2.5污染指數越大，污染越嚴重，小波系數越小，PM2.5污染指數越小，污染越輕。在32 d的時間尺度上，南京市和杭州市的小波系數圖近似一致，3個月時間段內的PM2.5污染表現出“中高-低-較高-低”的變化特征，從2014年11月底至12月初的PM2.5污染最輕，2014年11月中旬相對嚴重，從2014年12月初到2015年1月中旬，PM2.5污染狀況持續加重，2015年1月中旬污染最為嚴重。從上海市的小波系數圖可以看出，3個月時間段內的PM2.5污染從輕到重，漸漸惡化。從時間尺度上來看，從秋季到冬季這一時間段內的污染是在加劇的，3個城市在2015年中旬PM2.5污染都較為嚴重，在2～8 d的尺度下，都表現為振蕩顯著的特征，污染狀態具有強烈的波動性，振蕩周期很短，振動頻率較高，具有高頻的特性。在16 d的尺度下，表現為初期振蕩相對較弱，而后期振蕩顯著的特征，對應的時間段也表明冬季污染高于秋季。

各種尺度擾動的相對強度中，最大峰值處的尺度稱為該時間序列的主要時間尺度，用以反映時間序列的主要周期。通過小波方差圖可非常方便地尋求（查找）一個時間序列中起主要作用的尺度（周期）。因而可以準確地診斷出多長周期的振動最強，即起主要作用的周期。從圖7可以看出，南京市、杭州市和上海市3個月逐日PM2.5的污染狀況變化分別具有近7、10、9 d左右的主周期。

3 結論

（1）東部沿海地區ρ（PM2.5）經K-S檢驗均能很好地符合正態分布。東部沿海地區ρ（PM2.5）各月的變異系數均介于10%～100%范圍，空間變異性程度均屬于中等水平，研究區域內各監測站點的ρ（PM2.5）在地域上有較大的變異性，呈現出較大的離散性。

（2）ρ（PM2.5）的基底效應在0.08～0.40，ρ（PM2.5）變異類別以結構性變異為主，空間自相關程度分別為強、中等強度，存在時空差異性。2014年12月、2014年11月和2015年1月的ρ（PM2.5）在各個方向上的半變異函數曲線變化趨勢大致相同，屬于各向同性。

（3）南京市、杭州市和上海市3個典型城市秋冬季節污染指數的變化具有多尺度的特征，在各時間尺度上具有不同的變化規律，且以近7、10、9 d左右的變化為主周期。冬季中期時段處于污染相對較嚴重的階段，且持續一定時期，污染前景不容忽視。

參考文獻

[1] 張懿華， 段玉森， 高松， 等.上海城區典型空氣污染過程中細顆粒污染特征研究[J]. 中國環境科學， 2011，31（7）：1115-1121.

[2] 徐偉嘉， 何芳芳， 李紅霞， 等. 珠三角區域PM2.5時空變異特征[J]. 環境科學研究， 2014，27（9）：951-957.

[3] 云慧， 何凌燕， 黃曉鋒， 等.深圳市PM2.5化學組成與時空分布特征[J]. 環境科學， 2013，34（4）：1245-1251.

[4] CHENG Y H， LIN Y L， LIU C C. Levels of PM10 and PM2.5 in Taipei Rapid Transit Sy？鄄stem[J]. Atmospheric Environment，2008，42（31）：7242-7249.

[5] CHEN W， TANG H， ZHAO H M. Weekly and monthly spatial variations of air pollutants and air quality of Beijing [J]. Atmospheric Environment， 2015，119：21-34.

[6] HU J， WANG Y， YING Q， et al. Spatial and temporal variability of PM2.5 and PM10 over the North China plain and the Yangtze River delta， China [J]. Atmosphe？鄄ric Environment， 2014，95：598-609.

[7] 秦珊珊. 懸浮顆粒物PM10與PM2.5的統計分析與預測[D]. 蘭州：蘭州大學， 2014：8-10.

[8] 劉愛利， 王培法， 丁園圓. 地統計學概論[M]. 北京：科學出版社，2012：50-53.

[9] 郭廣慧， 張航程. 宜賓市城市土壤鋅含量的空間分布特征及污染評價[J]. 地理研究， 2011，30（1）：125-133.