昆明市PM2.5 時空變化規律及其預測模型研究

萬普娟 ,邱飛 ,向峰 ,王健 ,潘春梅 ,朱翔, ,徐麗霞

（1.云南師范大學地理學部，云南 昆明 650500；2.云南省生態環境監測中心，云南 昆明 650034）

0 引言

2015年柴靜的紀錄片《柴靜霧霾調查：穹頂之下》引發了人們對霧霾這一污染天氣的關注，細顆粒物濃度不斷積聚是霧霾形成的一個重要因素。細顆粒物即PM2.5，指的是大氣中直徑≤2.5μm的顆粒物，富含大量的有毒、有害物質，且在大氣中停留時間長、輸送距離遠，因而對大氣環境質量和人體健康產生非常重要的影響[1]。早在1997年，美國就意識到了PM2.5的危害并將其作為空氣質量監測的指標之一[2]，隨后國際上的其他國家也開始先后制定關于PM2.5的標準。我國對于PM2.5的標準制定得相對較晚一些，2012年國家生態環境部發布《GB-3095-2012環境空氣質量標準》[3]第一次將PM2.5納入監測指標。各省環保部門主要是通過建立空氣監測站點的方式來觀測PM2.5，20世紀90年代末，云南省開始開展空氣自動監測站建設工作，昆明市作為云南省省會城市，在2013年按《GB-3095-2012環境空氣質量標準》開展監測評價，實現了環境6參數（PM2.5、PM10、CO、SO2、NO2、O3）以及氣象6參數（風速、氣溫、濕度、風向、氣壓、降水量）的逐時監測。但是監測站點所監測到的數據只能代表站點所處位置有限范圍內的濃度情況，不能宏觀地展出整個區域的濃度分布以及變化趨勢[4]。通過研究PM2.5的時空分布特征，能直觀地表現大氣污染物在地理位置上濃度值的差異性，更好的分析、描述局部和整體大氣污染物的空間信息。

PM2.5的預測原理即通過探索影響它質量濃度的因素和其歷史監測數據，以此來建立一個預測的數學模型[5]。對于PM2.5的預測研究，國內外學者主要采用傳統統計和機器學習兩種模型。傳統統計模型主要包括多元線性回歸[6]、時間序列[7]、灰色系統[8]等方法；而機器學習主要是以神經網絡為主[9-10]。本研究以PM2.5濃度數據為基礎，結合昆明市主城區監測站點的經緯度坐標，利用ArcGIS空間分析功能，借助數理統計和地統計學方法，從月度、季節2個時間尺度和區域空間尺度對2019年1—12月昆明市PM2.5濃度數據進行分析，探討昆明市PM2.5的時空分布規律，并建立PM2.5濃度與O3-8h、CO、SO2、NO2、O3、濕度、氣溫和風速的預測模型，旨在合理評估昆明市大氣環境質量變化特征，以期獲得更科學的昆明市PM2.5時空分布特征以及預測模型，為昆明市大氣污染治理提供較為科學的理論依據。

1 數據與方法

1.1 數據來源

昆明市2019年的環境和氣象監測參數來自國家空氣質量監測數據聯網管理平臺。環境監測參數主要包括昆明市主城區各監測站點日均SO2、CO、O3、NO2、O3-8h和PM2.5濃度資料，氣象監測參數包括各監測站點日均的濕度、氣溫和風速數據。昆明市空氣質量自動監測站位于主城區的主要有7 個國控點，由于西山森林公園監測站點是清潔對照點，所以本研究只選取了呈貢新區（呈貢區）、龍泉鎮（盤龍區）、東風東路（盤龍區）、金鼎山（五華區）、碧雞廣場（西山區）、官渡區博物館（官渡區）6個站點來進行研究，站點的分布如圖1所示。

圖1 昆明市主城區空氣監測站點分布示意圖

1.2 數據預處理

由于氣象變化有延續性和滯后性，對于有數據缺失的日期，采用其相鄰日期的數據平均值進行替換，求出昆明市主城區各站點PM2.5的月均值和季均值。由于采用的參數物理意義不同，導致數據的量綱不一定相同，不便于比較，或在比較時難以得到正確的結論。因此在進行雙變量相關分析時，先進行無量綱化的數據處理。本研究采用IBM SPSS Statistics 26 工具對數據進行標準化處理。

1.3 雙變量相關分析

運用SPSS雙變量相關分析對各站點PM2.5月平均濃度和各影響參數進行相關分析，從而篩選出主要影響因素。選擇Pearson簡單相關系數（皮爾遜相關系數）≥0.5的影響因素。Pearson簡單相關系數的計算公式[11]如下：

1.4 多元線性回歸分析

多元回歸分析主要是用于處理一個因變量與多個自變量關系，通過多元回歸分析，能夠得到因變量與自變量的數量關系[12]。選取昆明市2019年1—9月數據構建各個站點PM2.5預測模型。本研究采用IBM SPSS Statistics 26 工具進行多元線性回歸模型的建立。多元線性回歸模型的公式[11]如下：

1.5 反距離權重插值

在建立空氣質量自動監測站時不僅要考慮點位的代表性，還要考慮監測方法的科學性，因此不可能在每一個地方都設立站點[13]。地統計學的空間插值法可以通過已知的空間數據推求未知的空間特性[14]。本研究利用ArcGIS 10.5的反距離權重進行空間插值，得到昆明市主城區PM2.5濃度空間分布圖，進而直觀地分析其空間分布特性。反距離權重插值的原理是以點與樣本點間的距離為權重，然后對距離進行加權平均計算，離插值點越遠的樣本點被賦予的權重越小[15]。

2 時空特征分析

2.1 時間特征分析

2.1.1 昆明市主城區PM2.5月均值濃度特征

2019年昆明市主城區PM2.5月均變化濃度如圖2所示。昆明市PM2.5月均濃度在11.45～60.42μg/m3，1—4月PM2.5濃度不斷升高，除龍泉鎮PM2.5濃度在12月出現最高值，其余5個站點在4月均達到一年中的最大值，4—5月有所下降，5—6月出現大幅度降低，6—7月仍再下降但幅度有所減緩，并且各站點在7月份出現最低值，7—8月開始上升，8—10月緩慢降低，10—12月逐步上升。總體而言，昆明市4月PM2.5濃度較高，7月最低；6—11月各站點的PM2.5濃度相對較低，12—5月各站點的PM2.5濃度相對較高。昆明市地處低緯度高原，冬季受大陸季風的影響，夏季盛行印度洋季風，氣候屬亞熱帶高原季風型，干濕季節分明，干季為11—次年4月，降水稀少，日照充足，晝夜溫差大；濕季為5—10月,降水充沛,日照較少，晝夜溫差小。在氣候的影響下，昆明市PM2.5濃度也具有明顯的季節分布特點，但昆明市位于中國西南方，春季來得比較早，污染時段與氣候干濕季節的分布相比稍有滯后，即每年的6—11月濃度較低，12—次年5月濃度較高。碧雞廣場位于市中心，由于道路改造施工、機動車流量大，工業揚塵和機動車尾氣排放使得碧雞廣場PM2.5濃度高于其他監測站點濃度。

圖2 昆明市主城區PM2.5月均變化濃度

2.1.2 昆明市主城區PM2.5季節變化特征

2019年昆明市主城區PM2.5季均變化濃度如圖3所示。碧雞廣場、官渡區博物館和金鼎山PM2.5濃度較高，其余站點濃度相對較低；昆明市主城區秋季PM2.5的濃度相對較低，而冬季、春季和夏季濃度較高。昆明市經濟發達，本地工業源排放是PM2.5聚集的主要原因，冬半年晝夜溫差大，夜間至早晨小風高濕，易形成靜穩天氣，不利于污染物的擴散；而云南省周邊的東南亞國家由于春耕燃燒大量的生物質，在低層偏西風作用下，有利于污染物向昆明市擴散；另外國家氣候中心的監測結果表明2018年9月進入厄爾尼諾狀態，由于厄爾尼諾暖海溫影響，東亞冬季風偏弱，云南省氣溫異常偏高，夏季溫度更是比往年高，降水量異常偏少，氣候干燥，不利于大氣污染物的擴散和清除，污染物在低空積聚。所以容易造成昆明市冬季、春季、夏季的PM2.5濃度高于秋季。

圖3 昆明市主城區PM2.5季均變化濃度

2.2 空間特征分析

2019年昆明市主城區PM2.5濃度空間分布如圖4所示。五華區和西山區PM2.5的濃度較高，而盤龍區、官渡區和呈貢區的濃度相對較低。西山區春季的濃度相對夏季、秋季和冬季較低，五華區、盤龍區和官渡區在冬季PM2.5濃度較高，呈貢區的濃度相對其他區較低。西山區處于昆明市中心繁華地段，企業較多、人流量大、機動車量多等，使PM2.5濃度較高。而昆明市主城區工業用地主要集中在五華區，包括污染型企業、生物制藥企業、規模以上骨干企業等產生工業源污染，另外不少重型貨車往返于五華區產生交通揚塵和尾氣排放[16]，造成五華區的PM2.5濃度較高。

圖4 昆明市主城區PM2.5空間分布

3 預測模型研究

本研究選取2019年1—9月數據構建預測模型，然后運用2019年10—12月的數據進行精度驗證。PM2.5的形成受多種因素影響，為了更好地對PM2.5進行預測，剔除影響因子，先用SPSS雙變量相關分析對各站點PM2.5月均濃度和環境及氣象監測參數進行相關分析。設自變量月均SO2質量濃度為X1、月均NO2質量濃度為X2、月均O3質量濃度為X3、月均CO質量濃度為X4、月均O3-8h質量濃度為X5、月均氣溫為X6、月均濕度為X7、月均風速為X8，因變量月均PM2.5細顆粒物濃度為Y，雙變量相關分析結果如表1所示。各站點月均PM2.5濃度與SO2、NO2、O3、CO、O3-8h、風速呈現出正相關關系，與濕度呈負相關；除碧雞廣場PM2.5濃度與氣溫呈正相關外，其余5個站點與氣溫呈負相關。根據相關性分析結果篩選出各個站點參數與月均PM2.5的Pearson簡單相關系數（皮爾遜相關系數）≥0.5的參數進行多元線性回歸分析。

表1 昆明市主城區各個監測站點與相關參數的相關性

各個站點的預測模型如表2回歸方程所示。金鼎山和碧雞廣場監測站點R2在0.95以上，調整后的R2在0.93以上，說明這兩個站點的模型擬合程度最佳；龍泉鎮和呈貢新區監測站點R2在0.8以上，調整后的R2在0.7以上，這兩個站點的模型擬合程度也比較好；官渡區博物館和東風東路這兩個站點的R2在0.7以上，調整后的R2在0.6以上，相比于其他監測站點擬合程度較低，但是擬合程度在可靠范圍內，可以采用。昆明市主城區各個監測站點的回歸方程不同，可能是由于各個站點所處的地理位置不同，所以它所受到的影響因素，以及因素的影響程度都不盡相同。

表2 昆明市主城區各個監測站點回歸方程

利用表2回歸模型對昆明市主城區2019年10—12月的PM2.5濃度進行預測，預測值和真實值的差異如圖5所示。金鼎山站點的PM2.5預測值與真實值相對較接近，模型預測效果較好；金鼎山、碧雞廣場11月預測值與真實值相差較大，其余4個站點12月預測值與真實值相差較大；各個站點10月預測值更準確，12月份預測相對較差。

圖5 昆明市主城區預測值與真實值對比

4 結論

（1）在時間分布上，龍泉鎮PM2.5濃度在12月出現最高值，其余5個站點在4月達到一年中的最大值，6個站點的濃度均在7月出現最低值；6—11月各站點的濃度相對較低，12—5月各站點的濃度相對較高；昆明市主城區秋季的濃度相對較低，而冬季、春季和夏季濃度較高。

（2）在空間分布上，五華區和西山區PM2.5的濃度較高，而盤龍區、官渡區和呈貢區的濃度相對較低。西山區春季的濃度相對夏季、秋季和冬季較低，五華區、盤龍區和官渡區則是冬季濃度較高，呈貢區的濃度相對昆明市其他區相對較低。

（3）構建各個監測站點的預測模型，R2在0.731～0.987，調整后的R2在0.629以上，模型擬合程度較好。其中金鼎山、碧雞廣場、龍泉鎮和呈貢新區監測站點的擬合效果較好，而官渡區博物館和東風東路站點的擬合效果相對較差。