成都市顆粒物空間分布特征研究

羅歡 王斌

摘要：為研究成都市穎杜物污染的空間分布特征，基于2017年4月至2018年3月成都市37個空氣質量監測點位顆粒物小時濃度數據，利用地統計學方法對PM_2.5、PM10進行了空間分布特征研究。結果表明：在重污染月份12月PM_2.5空間變異特征受結構性因素與隨機性因素作用效果幾乎相同，表現出較強的空間相關性;而PM10污染空間變異特征受結構因素的影響大于隨機性因素，各項異性比值均大于1.5，二者的空間分布均具有明顯的方向性。成都市穎粗物污染冬季呈現出西部沿山區和東部丘陵區低，中部平壩區高的趨勢，即東北至西南一線，平壩區和沿山區交界是成都市顆粒物污染最為嚴重的區城。

關鍵詞：新杜物;空間分布;地統計學;克里金擂值;成都

中圖分類號：X513 文獻標識碼：A 文章編號：1674-9944（2020）04-0048-03

1 引言

近年來，有研究表明，成都市大氣顆粒物污染已逐漸表現為從粗顆粒向細顆粒轉變的污染特征PM_2.5已成為成都市大氣污染的首要污染物[1～3]。目前針對成都市顆粒物的研究涉及的采樣點數量較少[4]，研究內容主要包括顆粒物的化學組分[5]，源解析[6]及與氣象因素的相關性上[7，8]，研究范圍也大多集中在中心城區[9，10]，或某一特殊污染事件[11，12]。地統計學是以區域化變量理論為基礎，以半變異函數為主要工具，研究在空間分布上既有隨機性又有結構性，或具有空間相關和依賴性的自然現象的科學[13～15]。地統計學可以利用點源監測數據模擬空間分布特征，根據已經獲取的研究區域的空間特性來對未知的空間特性進行分析。利用地統計學方法對空氣污染物時空分布進行研究在國外得到了較廣泛的應用[16～18]。隨著成都市空氣質量自動監測網絡系統的不斷完善，監測站點基本覆蓋成都市各區市縣，為利用地統計空間插值法直觀地呈現污染物的空間分布，從而對成都市全域范圍顆粒物污染特征進行分析和研究提供了可能。本研究結合地統計學方法對成都市顆粒物空間分布規律以及氣象因素進行研究，以期進一步了解成都市顆粒物空間分布情況，在更廣闊的范圍內探尋成都市顆粒物的污染特征，以此劃分成都市顆粒物污染的輕微污染和嚴重污染區域，這對于采取更有針對性、更有效的污染應對措施，改善成都市大氣環境質量具有重要意義。

2 研究區域及數據來源

成都位于四川省中部，四川盆地西部，介于東經102°54′～104°53′和北緯30°05′～31°26′之間，總面積14605km²，地勢從西北向東南逐漸降低，具有顯著的地勢差異。成都屬于亞熱帶濕潤季風氣候區，夏季炎熱，冬季溫暖，全年相對濕度較高、年平均風速小，因此污染物不易擴散。本文研究范圍為成都市全域，研究區域及監測站點分布如圖1所示。本文污染物監測數據來源于成都市環境監測中心站，獲取了2017年4月至2018年3月的成都市37個監測站點顆粒物的小時質量濃度監測數據。

3 結果與討論

3.1 顆粒物濃度數據半變異擬合模型選擇

半變異函數可以用于分析區域化變量的空間變異特征，對變量進行半變異擬合最為常用的是有基臺值的擬合模型，其中常用的模型有球狀模型、高斯模型和指數模型。在選擇最優擬合模型時可通過比較指標預測誤差（Prediction Error）中的幾個指標參數，最優模型選擇標準可以綜合以下幾個指標：標準平均值（MS）趨近0，均方根（RMS）最小，標準均方根（RMSS）趨近1，平均標準誤差（AME）最接近均方根（RMS）。選取各季節代表月份為研究對象，采用ARMS 10.5軟件中的Ueostatistical Analyst分析模塊對PM_2.5、PM₁₀進行空間變異分析，半變異函數最佳擬合模型交叉檢驗結果及變異參數如表1所示。

3.2 污染物空間特征參數分析

塊金效應表示隨機因素引起的空間異質性，可以用來描述區域化變量的隨機特征。PM_2.5月均濃度的塊金效應值在17%～63%之間，表現出較強的空間相關性，表明成都市顆粒物空間變異特征受結構性因素與隨機性因素作用效果幾乎相同。10月和3月份PM，月均濃度的塊金效應值分別為34%，32%，表現出較強的空間相關性。7月和12月PM₁₀月均濃度的塊金效應值為0，表明PM₁₀污染空間變異特征受結構因素（自然因素）的影響大于隨機性因素（人為因素），即主導風向、地形地貌、用地布局分布等對PM₁₀空間分布的影響較大。隨機因素主要包括風場的隨機波動、流動污染源排放的變化等[20]。

各項異性比為長軸與短軸之比，可以表征變量是否具有明顯方向性。一般認為比值大于1.5，則變量的空間結構為各向異性[15]。半變異擬合結果表明，PMZ。在7月和3月各項異性比值分別為1.37，1.45，認為方向性不明顯，10月和12月各項異性比值均大于1.5，認為空間分布具有明顯的方向性。PM₁₀擬合參數長軸方向均落在第一象限，各月份的各項異性比值均大于1.5，認為PM₁₀濃度的空間分布具有明顯的方向性。

變程體現了在既有采樣間距范圍內區域的空間相關性范圍，在變程范圍內采樣間距越小，樣本間空間相關性越大。如果采樣間距超過變程的大小，可以認為樣本變量間不再存在空間相關性。根據半變異函數擬合結果，PM_2.5月均質量濃度的長軸方向上的變程在13-82km之間，變程均值約34km;短軸方向上的變程在10～43km之間，變程均值約19km。PM₁₀月均質量濃度的長軸方向上的變程在17～68km之間，變程均值約45km;短軸方向上的變程在9～35km之間，變程均值約19km。不同的變程說明污染物有不同的空間相關距離，且呈現出各向異性。

3.3 克里金空間插值結果分析

克里金插值法是地統計學中最常用的插值方法，其利用區域化變量的原始數據和變異函數的結構特點，對未采樣點的區域化變量進行局部線性無偏最優估計[22]。為直觀反映成都市顆粒物污染空間分布狀況，本文采用普通克里格插值方法對PM_2.5、PM₁₀進行空間插值模擬，生成相應的空間分布預測圖，得到的結果如圖2～3所示。

從圖2和圖3可以發現PM₁₀的空間分布與PM_2.5具有很強的相似性，其高值區域分布在各時期均有較高的相似度。成都市顆粒物污染冬季呈現出西部沿山區和東部丘陵區低，中部平壩區高的趨勢，即東北至西南一線，平壩區和沿山區交界是成都市顆粒物污染最為嚴重的區域。冬季顆粒物污染最為嚴重，局部污染較為突出，污染帶呈明顯的東北一西南走向，污染高濃度區域涉及一二三圈層。總體而言，成都市市區通常不屬于可吸入顆粒物污染最嚴重的區域，而污染最嚴重的區域通常為成都市市郊，如雙流、溫江、郫縣、新都等，這些地區有著較多數量的工業區，因此推測，工業排放可能是成都市可吸入顆粒物的主要來源之一。

4 結論

（1）從塊金效應來看，夏冬季成都市顆粒物空間變異特征受結構因素的影響大于隨機性因素，春秋季成都市顆粒物空間變異特征受結構性因素與隨機性因素作用效果幾乎相同。

（2）從變程來看PM_2.5、PM₁₀在長軸方向上的變程均值分別為79km、88km，在短軸方向上的變程均值分別為37km、34km，PM_2.5和PM₁₀具有明顯的方向性特征[23]。變程可以為監測布點距離的選取提供參考，建議成都市顆粒物空氣質量監測布點在長軸方向上的間隔設置宜取20～40km，短軸方向上布點間隔宜取10～20km。

（3）成都市顆粒物污染春冬季具有明顯的空間異質性PM_2.5和PM₁₀呈現出東西低，中部高的趨勢，冬季二圈層顆粒物污染較為嚴重，開展相關的污染溯源和影響因素分析具有重要意義。

參考文獻：

[1]Chan C K，Yao X.Air pollution in mega cities in China[J].Atmos-pheric Environment，2008，42（1）：1～42.

[2]張智勝，陶俊，謝紹東，等.成都城區PM_2.5季節污染特征及來源解析[J].環境科學學報，2013，33（11）：2947～2952.

[3]張娟，劉志紅，段伯隆，等.2014年成都市大氣污染特征及氣象因子分析[J].四川環境，2016，35（6）：79～88.

[4]謝雨竹，潘月鵬，倪長健，等.成都市區夏季大氣污染物濃度時空變化特征分析[J].環境科學學報[J]，2015，35（4）：975～983.

[5]陳源，謝紹東，羅彬.成都市大氣細顆粒物組成和污染特征分析（2012-2013年）[J].環境科學學報，2016，36（3）：1021～1031.

[6]林瑜，葉芝祥.成都市西南郊區初春大氣顆粒物PM_2.5的組成及來源解析[C]//中國氣象學會.第32屆中國氣象學會年會論文集.天津：中國氣象學會，2015：8.

[7]孫歡歡，倪長健，崔蕾，等.成都市大氣顆粒物污染特征及與氣象因子的關聯性分析[J].環境污染與防治，2016，38（5）：55～60.

[8]鄧利群，錢駿，廖瑞雪，等.2009年8～9月成都市顆粒物污染及其與氣象條件的關系[J].中國環境科學，2012，32（8）：1433～1438.

[9]陳曦，劉經緯，劉小兵，等.成都市2011年和2012年空氣中主要污染物濃度空間變化分析[C]//中國環境科學學會.中國環境科學學會學術年會論文集.昆明：中國環境科學學會，2013：5.

[10]趙榮仙，劉傳姚，張兵，等.2003-2010年西南地區省會城市空氣污染指數的動態變化[J].環境與健康雜志，2013，30（5）：422～425.

[11]廖婷婷，王珊，王莉莉，等.2013年成都財富論壇期間空氣質量狀況分析研究[J].環境科學學報，2016，36（1）：271～278.

[12]石佳，劉宇嘉，王源程，等.2017年成都市春節期間煙花爆竹對空氣質量的影響[J].四川環境;2017，36（S1）：51～56.

[13]Munir，S.Analysing Temporal Trends in the Ratios of PM_2.5/PM₁₀in the UK[J].Aerosol and Air Quality Research，2017，17（1）：34～48.

[14]Xu，G.，L.M.Jiao，B.E.Zhang，et al.Spatial and Temporal Vari-ability of the PM_2.5/PM₁₀Ratio in Wuhan，Central China[J].Aerosol and Air Quality Research，2017，17（3）：741～751.

[15]劉愛利，王培法，王園園.地統計學概論[M].北京：科學出版社，2012.

[16]Hoffmann H.Geostatistical analysis of spatial and temporal ozoneimmission structures[C]//9th International Conference on Mod-elling，Monitoring and Management of Air Pollution，ANCONA，2001，ITALY：511～520.

[11]Rodriguez F J L，Garcfa F J M，Gonznlez P V.Evaluation and a-nalysis of the urban air pollution by means of the use of geostatis-tical techniques and geographical information systems（sig）[J].Asociacibn Espafiola De Ingenieiia De Proyectos Aeipro，2016（6）：227～234.

[18]Halimi M，Farajzadeh M，Zarei Z.Modeling spatial distribution ofTehran air pollutants using geostatistical methods incorporate un-certainty maps[J].Pollution，2016，2（4）：375～386.

[19]Huang W，Long E，Wang J，et al.Characterizing spatial distribu-tion and temporal variation of PMlo and PM_2.5mass concentra-tions in an urban area of Southwest China[J].Atmospheric Pollu-tion Research，2015，6（5）：842～848.

[20]李展，楊會改，蔣燕，等.北京市大氣污染物濃度空間分布與優化布點研究[J].中國環境監測，2015，31（1）.

[21]蘇福慶，任陳海，高慶先，等.北京及華北平原邊界層大氣中污染物匯聚系統[J].環境科學研究，2004，17（1）：21～25.

[22]高長春.朱慧方，孫連群，等.基于地統計學的湖南省降水空間變異特征分析[J].湖北農業科學，2018，57（20）：49～53.

[23]李立忠，朱璐，金焰，等.黃石市大氣顆粒物的特征分析[J].中南民族大學學報（自然科學版），2017（4）：14～16.

收稿日期：2020-02-12

作者簡介：羅歡（1995-），女，碩士研究生，研究方向為環境監測。

通信作者：王斌（1964-），男，副教授，研究方向為環境監測與數據分析。