2014—2019年冬季京津冀地區PM2.5質量濃度時空分布特征

梁麗思,靖娟利,王安娜,羅福林

(桂林理工大學 a.測繪地理信息學院;b.廣西空間信息與測繪重點實驗室,廣西 桂林 541006)

0 引 言

隨著各國經濟和工業化的飛速發展,化石能源燃燒量急速上升使全球空氣污染日漸嚴重。其中PM2.5污染最為突出[1]。我國正處于經濟迅猛發展階段,工業化進程較快,廢棄排放量較大,2011年以來在中國部分地區連續發生空氣重污染事件,其中京津冀地區霧霾污染最為嚴重[2-3]。2013年國務院印發了《大氣污染防治行動計劃》(簡稱《大氣十條》)以切實改善空氣質量。所以,研究PM2.5濃度的時空分布特征對科學治理大氣污染具有重要意義。

近年來,諸多學者對PM2.5濃度的時空變化特征進行了深入研究,并探討了適用于PM2.5濃度的空間插值方法。劉妍月等[4]發現按普通克里金插值法比反距離加權法精度更好, 并能反映PM2.5濃度一定的空間分布結構; 盧月明等[5]在普通克里金插值法的基礎上引入正則化項, 精度有一定的提高,但提高不多; 張馨文[6]在研究河南省PM2.5濃度時空變化分析的時候發現克里金插值法精度較高, 其中普通克里金插值法的制圖效果更佳； 胡穩等[7]發現在普通克里金插值法的多種不同的半變異函數中, 三角函數適用于貴州省的PM2.5濃度的插值, 而指數函數卻適用于PM10的插值分析； 李杰等[8]采用不同的插值方法對石家莊趙縣的PM2.5濃度插值時發現協同克里金插值精度最高, 其中反距離插值法精度最低,但是制圖效果均不如精度較好的普通克里金插值法； 梁崧岳等[9]在分析2017年京津冀地區PM2.5濃度時空分布特征時發現,基于球面模型的克里金插值法插值效果最佳。以上研究證明普通克里金插值法適用于PM2.5濃度的空間內插變化分析。近年來,較多學者對PM2.5的來源解析[10-11]、 濃度預測[12]、 相關性分析[13]、 時空分布特征[14-15]等方面展開了深入的研究。 其中, Yan等[16]在分析京津冀地區PM2.5濃度的時空變化及空間自相關性時并未涉及小時、 季節尺度的分析, 也未對插值方法的精度進行驗證； 張云芝等[17]分析了京津冀地區PM2.5濃度的月、 季節、 年尺度時空變化, 但未對采用的克里金插值法進行精度驗證, 同時缺少小時尺度的分析； 周磊等[18]發現京津冀地區春冬季節的PM2.5濃度相似性明顯, 區內PM2.5具有顯著的聚集性, 但未對其小時尺度進行分析； 楊興川等[19]研究發現京津冀地區冬季PM2.5污染較嚴重, 但未對采用的克里金插值法的精度進行驗證； 溫佳薇等[20]對2013—2016年京津冀地區秋冬季PM2.5的時空效應進行了分析, 主要分析濃度的時間變化和全局空間自相關性, 但沒有對PM2.5濃度的空間分布特征進行研究； 劉婕等[21]對京津冀地區2018年PM2.5濃度月、 季節尺度的時空變化分析結果表明, 京津冀地區的PM2.5污染有所好轉， 但亦未對PM2.5濃度的小時變化進行分析。

綜上所述,已有研究中對京津冀地區PM2.5濃度的時空變化有不同程度的分析,較多文獻指出冬季是我國PM2.5污染最為嚴重的季節，但在已有的文獻中多以整年數據為研究時段,或分析單個污染過程、或對影響因子分析,缺乏對污染嚴重的冬季PM2.5濃度長時段的小時、日、月、季節以及各城市的橫縱對比分析，并且在選擇空間插值方法的時候并沒有對其進行精度驗證和比較,使插值結果缺少精度可信性。因此,本文以京津冀地區為研究對象,在驗證的前提下選用普通克里金插值法對區內PM2.5濃度進行插值,分析京津冀地區冬季PM2.5濃度小時、日、月、季節尺度的時空分布特征,并討論其空間自相關性,為京津冀地區大氣污染防治提供參考。

1 研究區概況

研究區位于113°27′—119°50′E, 36°05′—42°40′N之間, 包含了北京、 天津兩個直轄市和河北省管轄的共13個城市。 東臨渤海,南臥華北平原, 西倚太行山山脈, 北至燕山山脈, 全區地勢西北高東南低。 太行山和燕山兩大山脈俗稱“燕太屏風”, 從西、 北兩面呈“C型”半包圍的特殊結構,將中部和南部地區與西北山區隔絕,不利于大氣擴散,而東部沿海城市形成一個風口使得大氣向下流動,這使京津冀地區的平原地帶成為大氣污染物聚集地區。區內氣候屬于溫帶季風氣候,四季分明,夏季炎熱多雨,冬季寒冷干燥，典型的植被為溫帶落葉闊葉林。區域分塊為西北部生態涵養區、中部核心功能區、東部濱海發展區和南部功能拓展區。京津冀地區常住人口為1.1億,是我國的經濟、政治、文化交流中心。

2 數據與方法

2.1 數據來源

本研究基于2014—2019年冬季(12月至次年1、2月)京津冀地區101個有效空氣質量監測站的逐小時PM2.5監測數據, 包括北京市環境保護監測中心(http://www.bjmemc.com.cn/)發布的35個環境監測站點的逐時數據和中國環境監測總站(http://www.cnemc.cn/)發布的天津市、河北省的66個監測站點的逐時數據。運用MATLAB編程提取監測站點24 h/d的PM2.5濃度數據,并統計日均值數據、合成月均值數據和季度均值數據(圖1)。

2.2 研究方法

基于研究區內101個監測站點的小時數據,分析不同時間尺度下PM2.5濃度的時空分布特征。將普通克里金插值法與反距離加權法進行精度比較后,在ArcGIS軟件中選用精度較高、制圖效果較佳的普通克里金插值法對監測站點數據進行插值,并利用全局莫蘭指數和局部莫蘭指數[22](也稱LISA指數)對京津冀地區PM2.5濃度進行空間自相關分析(當全局莫蘭指數值大于0時, 表示空間正相關; 反之, 表示空間負相關; 而等于0時, 則表示空間呈隨機性分布)。 其中用P值和Z值的得分判斷研究數據的置信度和空間聚類特征的顯著性(P值越小置信度越高。 當Z<-1.96時, 表示空間單元之間存在異屬性聚類;Z>1.96時, 表示同屬性聚類; 而當Z值在兩者之間時表示空間相關性不顯著)。 用局部區域的LISA指數反映其與相鄰區域的聚類情況(當LISA指數大于0時, 表示高值區包圍高值區(HH)或者低值區包圍低值區(LL); 反之,則表示低值區包圍高值區(LH)或高值區包圍低值區(HL))。

圖1 京津冀地區PM2.5監測站點空間分布示意圖

3 結果與討論

3.1 時間變化特征

3.1.1 PM2.5小時變化特征 從圖2可看出, 2014—2019年冬季京津冀地區0:00—23:00的PM2.5濃度變化基本一致, 除2018年外均呈現 “雙峰雙谷型”分布特征, 而2019年的濃度波動不大, 均在74.4 μg/m3以內。 10:00前后及23:00—01:00 PM2.5濃度達到峰值, 07:00前后及14:00—16:00降到最小值。 2018年呈單峰單谷型分布, 總體濃度最低。 這是因為政府實施了《京津冀及周邊地區 2017 年大氣污染防治工作方案》以及《京津冀及周邊地區2017—2018年秋冬季大氣污染綜合治理攻堅行動方案》, 加強了京津冀及周邊地區的治污管理。 使PM2.5濃度變化較平緩, 濃度日較差減小。 2016年冬季PM2.5濃度整體偏高, 這是因為2016年京津冀地區霧霾重污染事件頻發[23]。 2017—2019年冬季PM2.5小時濃度均有好轉, 濃度大幅降低。 參照《環境空氣質量指數(AQI)技術規定(試行)》(HJ 633—2012)規定,將日均濃度劃分為優、 良、 輕度污染、 中度污染和重度污染5個等級。

圖2 2014—2019年冬季京津冀地區PM2.5濃度小時變化圖

由圖3可知,2014—2019年冬季重度污染天數逐漸減少。其中2017年冬季改善最為顯著,優、良天氣天數達到69%,較2014年增加了32%,這是由于政府大力整治“污染企業”使得工業燃煤大量減少,空氣好轉。與2014年相比,2019年冬季重度污染天數下降了11%,只占整個冬季的9%。由此可見,京津冀地區的空氣質量趨于好轉。2016年冬季重污染天數占比增多的原因是京津冀地區當年冬季霧霾天氣頻發,導致重污染天數增多。

3.1.2 PM2.5濃度月變化特征 從圖4可看出,2014—2019年冬季京津冀地區PM2.5濃度均值總體呈下降趨勢。與2014年(103.3 μg/m3)相比，2019年(74.9 μg/m3)PM2.5濃度下降了28.4 μg/m3,降幅為27.5%。這是由于《大氣十條》要求采取降低煤炭燃燒、淘汰老舊車輛、整治地面揚塵、全面推行清潔生產等措施減少了京津冀地區的污染物排放,使PM2.5濃度大幅降低。進一步分析發現,在2014—2019年間，每年2月份下降幅度最大,下降了35%,1月份降幅最小(僅為18.1%); 2015—2016年冬季 12月濃度值最高,這是因為2015年12月京津冀地區及周邊區域先后出現了5次明顯重污染事件[24],導致全區的PM2.5濃度上升;2016年12月在京津冀地區部分城市發生了3次空氣重污染事件[25], 導致京津冀地區的PM2.5濃度整體上升； 2017和2018年冬季各月份的濃度值無大波動, 這說明京津冀地區PM2.5濃度維持相對穩定的狀態； 2019年冬季只有1月份偏高, 其他月份均在66 μg/m3以下。從圖5知, 京津冀地區13個城市冬季PM2.5月濃度均值變化趨勢基本一致, 各月份總體呈遞減趨勢。 張家口和承德濃度較低是因為冬季北方多刮北風, 使得位于北端的張家口和承德濃度較低。 除張家口外, 其他城市月均濃度均超過年均二級濃度值, 原因是京津冀地區中部城市是核心功能區, 東部濱海發展區和南部功能拓展區, 人口密集、 交通流量大、 工業發達, 所以污染物排放量大[26]。

圖3 2014—2019年冬季京津冀地區各等級污染占比

圖4 2014—2019年冬季京津冀地區PM2.5濃度月均變化

3.1.3 PM2.5濃度年變化特征 根據PM2.5小時數據,統計2014—2019年冬季13個城市PM2.5變化情況。從圖6可知,冬季PM2.5平均濃度最高的城市為保定,均值達到了133.2 μg/m3,是年均二級標準(35 μg/m3)的3.8倍;濃度最低的城市是張家口,濃度均值為33.7 μg/m3,達標年均濃度二級標準。PM2.5高濃度區主要聚集在保定、邯鄲、邢臺和石家莊的南部平原地區,濃度均值均超過120 μg/m3,這是因為京津冀地區南部是工業發達地區,煤燃燒和鋼鐵廠的排污量大使得大氣污染嚴重。京津冀地區形成一個 “C型”環繞的山脈群,渤海灣沿岸城市的空氣擴散條件好,使得大氣污染物向下轉移、凝聚,所以南部城市污染較為嚴重。PM2.5低濃度區主要分布在張家口、承德和秦皇島,主要是由于太行山系和燕山系在京津冀地區形成了“燕太屏風”所以空氣污染被兩大山系隔絕,而且山區城市多為工業不發達區,工業廢氣污染少,所以大氣污染較輕;秦皇島是濱海城市,大氣擴散條件好,故大氣污染較輕。

圖5 京津冀地區城市月均PM2.5濃度變化

圖6 2014—2019年冬季京津冀地區13個城市平均PM2.5濃度變化

3.2 空間分布特征

3.2.1 普通克里金插值法精度驗證 為了使用普通克里金插值法對PM2.5濃度進行插值分析,本文以2014年12月的數據為例對普通克里金插值結果進行精度驗證。將2014年12月的101個地基監測站點利用ArcGIS地統計分析工具選取90%(N=91)的站點作為訓練集, 10%(N=10)作為驗證集。 其中將訓練集的站點分別用反距離加權法和普通克里金插值法進行插值, 用驗證集的站點驗證插值結果的精度。 通過計算內插值與驗證點真值的平均絕對誤差(MAE)、 平均相對誤差(MRE)以及均方根誤差(RMSE)來分析插值結果的精度。精度結果如表1所示,普通克里金插值法的MAE、MRE和RMSE值均比反距離加權法小,說明普通克里金插值法精度更高,誤差更小,適用于京津冀地區PM2.5濃度的空間插值分析。

表1 兩種空間插值方法的內插精度

3.2.2 PM2.5濃度空間分布特征 基于普通克里金插值法,在ArcGIS軟件中對2014—2019年冬季京津冀地區PM2.5濃度的小時、月、季節尺度進行插值。參考《環境空氣質量指數(AQI)技術規定(試行)》規定, 對插值區間進行劃分。 由圖7可知, 小時尺度的空間變化分析直觀地反映了京津冀地區PM2.5濃度的動態變化。 在08:00—10:00以及22:00至次日01:00污染較嚴重, 從12:00開始污染范圍逐漸縮小, 直到15:00—17:00污染最輕。污染主要集中在保定、衡水、邯鄲等西南一帶城市。形成此現象的原因之一是南部城市主要以工業和建筑業為主,工業廢氣排放量大,加上建筑地揚塵導致PM2.5濃度較高;其二是因為鐵路交通網發達,人流量大及西部山脈阻擋使空氣流動性小,加劇了PM2.5的聚集[27]。12:00—16:00時PM2.5濃度污染范圍逐漸減少,其原因是下午為內陸一天內溫度最高時段,陸地和海洋形成氣壓差,海風對內陸污染物起到一定的擴散作用,使得內陸的PM2.5濃度污染范圍逐漸減少。

圖7 京津冀地區PM2.5小時濃度空間分布圖

從圖8可以看出, 冬季PM2.5月濃度也具有顯著的空間差異性, 總體呈現“先中間后周邊”, “南重北輕”的空間分布格局。2014年12月污染物聚集在保定,次年1月逐漸擴大到南部的石家莊、邢臺、邯鄲等市,2月濃度有大幅度下降,但保定的污染濃度仍然較高。2015和2016年12月PM2.5污染較嚴重,保定、邢臺、邯鄲等市的濃度一度超過了150 μg/m3,范圍擴大到北京一線城市。直到次年1、2月污染才逐漸下降,這是因為2015和2016年12月在京津冀地區均發生了不同次數的PM2.5重污染事件,這使得12月污染范圍增大,濃度增高;重污染事件后政府加強治污管理,在次年1、2月濃度有明顯的下降。2018年12月污染最輕,但是其1、2月有所惡化,主要集中在保定和邢臺兩市,這說明應加強對這些城市的治污管理。2017和2019年冬季全區大部分城市空氣質量在良以內,PM2.5平均濃度小于75 μg/m3,污染區集中在南部的幾城市,污染范圍減小,這說明各個城市的空氣質量大幅好轉,治污效果顯著。

從圖9可以看出,PM2.5濃度總體呈南部平原地區高,北部山區低的空間分布格局。冬季PM2.5濃度高值區主要分布在保定、衡水、石家莊和邯鄲為代表的南部平原城市,低值區主要分布在張家口、承德和秦皇島,集中在“燕太屏風”北面的郊區城市。形成這種空間分布特征的原因是冬季寒冷干燥、降雨量少，空氣中的PM2.5無法沉降,因而在空氣中聚集導致濃度升高。南部平原為經濟高速發達地區,工業蓬勃發展,工廠廢氣排放量大,而且地勢平坦不利于污染物擴散;而郊區因為工業不發達,污染氣體排放少,又有山脈隔斷,所以形成了類似天然保護的區域,使得空氣污染程度比較輕。研究時段內,2016年污染最為嚴重,2017—2019年輕度污染的區域逐漸擴大,重污染城市主要集中在保定、邢臺和邯鄲。這與國家的大氣污染防治措施有很大關聯;此外,2017年是《大氣十條》實施效果的驗收年, 政府在這期間加大防治大氣污染力度, 采取了“煤改氣”, “煤改電”等減少煤燃燒的減排措施, 使得2017年的污染范圍縮小, 空氣良好的區域擴大。

3.2.3 PM2.5濃度空間自相關分析 基于GeoDa軟件,以共邊或共點為鄰接的規則創建權重矩陣,計算京津冀地區2014—2019年冬季PM2.5濃度的全局莫蘭指數,結果如表2所示。可知,莫蘭指數均為正值,P<0.05,且Z>1.96,說明京津冀地區13個城市冬季PM2.5濃度存在顯著的正相關性及空間聚集性。

圖8 京津冀地區PM2.5月濃度空間分布圖

圖9 京津冀地區冬季PM2.5濃度空間分布圖

表2 2014—2019年京津冀地區冬季PM2.5濃度空間自相關指數

從圖10可以看出,京津冀地區2014—2019年冬季全局莫蘭指數的散點主要分布在第一、三象限,分別表示高值區包圍高值區(HH)和低值區包圍低值區(LL),HH和LL反映了PM2.5污染的同質性,空間正相關。HH型聚集的城市有邯鄲、石家莊、衡水、邢臺和保定,由于這些城市位于京廣鐵路沿線,人口密度大、交通量大的重工業城市,使得污染物排放量大,所以形成連片的高值區。因此,可以通過調整城市群的產業結構來防治大氣污染。而張家口、承德、秦皇島、北京等市呈現LL型聚集,是因為這幾個城市位于北部山區，加上山脈隔斷和有利的大氣條件,所以PM2.5濃度較低。

基于LISA指數的京津冀地區局部空間聚類情況如圖11所示,2014年冬季石家莊和衡水呈現出HH聚集特征,這是因為南部平原地區地勢較低,城市群工業發達,使得PM2.5凝聚，并且遠離渤海灣更加不利于大氣擴散。承德和唐山呈現出LL聚集性,相鄰的城市是山區城市和濱海城市,這是因為燕山山脈起到了隔離作用和濱海城市大氣擴散良好,所以空氣污染較輕,周邊城市的濃度值較低。與2014年相比，2019年LL聚集特征的城市增加了北京,各城市PM2.5濃度呈現降低趨勢;但是HH聚集特征的城市增加了邢臺,這表示南部城市的高聚集特征更加明顯,其中天津為HL聚集表示其周邊城市濃度低。這說明大氣治污防治應該要從主要城市和其周邊的各城市采取治污措施,著重對南部平原城市采取聯防治污措施。

在本文研究的空間分布結論與劉凡等[28]分析冬季的結果基本一致, 均為 “東南高,西北低”。全局空間自相關性與Yan等[16]分析京津冀地區冬季月份的聚集性相似。

圖10 2014—2019年冬季全局莫蘭指數散點圖

圖11 2014—2019年冬季京津冀地區空間聚類圖

4 結論與展望

本文基于中國環境監測總站發的布實時觀測數據,探討了2014—2019年冬季京津冀地區PM2.5濃度的時間變化特征、空間分布特征以及其空間自相關性性,主要得出以下結論:

(1)6年間,京津冀地區冬季PM2.5平均濃度從103.3 μg/m3下降到了74.9 μg/m3,總體下降28.4 μg/m3。小時濃度變化呈雙峰型;重污染天數逐漸減少,空氣優等級天數達69%;研究時段內2月份降幅最大,達到35%;年均濃度較高的城市集中在保定市一帶。

(2)空間分布總體呈現“先南后北”, “南重北輕”的現象。 污染范圍從12:00開始逐漸縮小, 到17:00范圍最小;各月的污染情況均有改善,其中2月份改善最大;京津冀地區PM2.5污染情況逐年好轉。

(3)全局莫蘭指數在0.29～0.66波動,P值均小于0.05。表明京津冀地區冬季PM2.5濃度具有較顯著的空間自相關性,城市聚集性比較突出。山區城市和濱海城市PM2.5濃度較低,呈現出LL聚集現象;南部平原城市連片污染嚴重,呈現出與HH聚集性。

由于本文主要研究京津冀地區冬季PM2.5濃度的時空分布特征,未對其影響因素探討。在后續的研究中將考慮加入氣象因子、自然因子、人文因子等分析其相關性。此外,為了彌補站點稀疏的不足,可以考慮采用地基數據和遙感數據協同分析PM2.5濃度的時空變化。

在最初的研究中使用的是2014—2018年的數據，后期修改過程補充了2019年冬季的最新數據，特此說明。