2015—2020年成都市PM2.5的時空分布及影響因素

白雪琴, 馬 麗, 黃天志, 余 波

(1. 綿陽師范學院 資源環境工程學院, 四川 綿陽 621006; 2. 浙江工商大學 環境科學與工程學院, 浙江 杭州 310018)

近年來,工業與城市化進程加速,區域性大氣污染程度日益加重.空氣中細顆粒物PM2.5[1](粒徑小于或等于2.5 μm的顆粒物),由于粒徑小、活性強,在空氣中存留時間較長,對空氣質量和人體健康存在顯著影響.PM2.5作為表征空氣復合型污染的重要污染因子,其濃度的長期監測和準確預測有利于研究與治理大氣污染問題[2].

目前,我國地面監測數據精度和時間分辨率都很高,但存在監測站點數量有限、分布不均、站點稀疏等缺點,影響了某一特定區域PM2.5的時空分布特征的反映.諸多學者對我國PM2.5的時空分布特征進行了研究,如王晨等[3]采用多元線性回歸模型反演京津冀地區PM2.5濃度分布,得到京津冀地區2015—2016年空間連續的PM2.5分布;杜彥彥等[4]通過空間插值技術及秩相關分析方法,對河南省2017—2019年PM2.5濃度時空分布特征進行了分析;南國衛等[5]采用克里金插值法等對陜西省PM2.5濃度的時空分布規律進行研究,并運用灰色關聯模型及其他空間數據統計方法探討了PM2.5濃度影響因素.由此可見,在評價模型成熟的前提下,運用遙感相關方法及統計方法分析PM2.5的時空分布特征及其影響因素,已經被多數學者所青睞.目前3S技術發展迅速,運用GIS等遙感技術探索PM2.5的時空分布及影響因素,已逐漸成為當下研究熱點.

眾多研究人員曾采用過多種統計方法對PM2.5與氣象因素、社會因素相關性進行分析,Pearson相關系數法、主成分分析法在大量實驗中展現出其優越性.馮雅杰等[6]利用主成分分析法對哈爾濱市大氣PM2.5中多環芳香烴的主要來源進行分析,表明其主要來源可能為冬季供暖期的煤炭燃燒及生物質燃燒、汽車尾氣及工業排放;張雅旎等[7]采用Pearson相關系數法對由PM2.5等引起的霾日數與其他氣象要素進行相關性分析,表明相對濕度對杭州市霾日數影響最為顯著.

此外,空間插值作為重要的GIS功能,是GIS和環境科學中空間查詢、空間數據可視化和空間決策過程中最常用的地理技術之一[8].本文以成都市為研究對象,利用克里金插值法、Pearson相關系數法、主成分分析法探究2015—2020年不同因素影響下,成都市PM2.5時空分布特征及成都市PM2.5時空分布與氣象因素、社會因素的相關性,為成都市區域經濟發展及科學城市規劃提供理論參考和科學依據.

1 研究區概況

成都市位于四川省中部、四川盆地西部,是我國西南地區大城市之一.在地勢方面,成都市西北高、東南低,平均海拔在500 m左右,但作為其中海拔最高的大邑縣雙河鄉與海拔最低的金堂縣云合鎮海拔之差卻有4 966 m;從地貌來看,成都市位于川西北高原向四川盆地的過渡地帶,西部多山地和深丘,中部以平原為主,東部以丘陵為主.

由于成都市特殊的地形地貌,使其呈現東暖西涼的氣候特征,降水充沛,自然資源豐富.如圖1所示,PM2.5監測站點集中分布在成都中心城區,究其原因,正是因為成都特殊的地形地貌,導致該市PM2.5的時空分布存在明顯差異[9-11],進而導致成都市PM2.5監測站點分布不均.

圖1 成都市PM2.5監測站點分布圖

2 數據來源及預處理

本研究采用的PM2.5相關數據為經處理后的中國區域月尺度PM2.5MODIS遙感數據,空間分辨率為1 km,時間分辨率為逐月;采用的降水數據為中國區域1 km分辨率逐月降水量數據集[12],空間分辨率為1 km,時間分辨率為逐月,原始數據來源于ERA5,量綱為 mm,數據集來源于國家地球系統科學數據中心(http://www.geodata.cn/)[13];采用的風速數據為中國區域1 km分辨率逐月平均風速數據集[12],原始數據來源于ERA5,量綱為m/s,空間分辨率為1 km,時間分辨率為逐月,數據集來源于國家地球系統科學數據中心(http://www.geodata.cn/)[14];采用的各個社會因子的相關數據則來源于2016—2021年《四川統計年鑒》[15-20],可由四川省統計局官網(http://tjj.sc.gov.cn/)獲得.

本研究使用的遙感數據均為月尺度單波段數據,因此,在研究季節尺度上成都市PM2.5的時空分布及其與降水量、風速的相關性時,需要利用柵格計算器將各個季節對應的波段進行波段合成,再進行其他操作.一般認為3—5月為春季,6—8月為夏季,9—11月為秋季,12月、1月、2月為冬季.

3 研究方法

3.1 克里金插值法克里金插值法是基于包含自相關統計模型的插值方法,可對所研究的對象提供一種最佳線性無偏估計[21].眾多研究表明,克里金插值法在對PM2.5、降水量等進行時空分布相關分析時具有重要作用.本研究所有的PM2.5數據均服從正態分布,因此選用的插值方法為普通克里金插值法.普通克里金空間插值法是應用地統計學原理,通過已知部分空間樣本信息對未知地理空間特征進行預測的方法[22].普通克里金插值法的計算式為

(1)

其中,Z(xi)為已知位置xi處的觀測值,λi為Z(xi)分配所得的權重,Z*(x0)為估計位置,n為估計Z*(x0)值所采用的實際觀測值個數.

3.2 柵格計算及Pearson相關系數法柵格計算是柵格數據空間分析中進行數據分析與處理最常用的方法,往往利用柵格計算器來進行.柵格計算器是一種空間分析函數工具,它支持調用ArcGIS自帶的柵格數據空間分析函數.在使用時,可向柵格計算器輸入地圖代數表達式,利用運算符和函數來做數學計算.計算PM2.5的濃度分布與降水量或風速的相關性時,使用的是Pearson相關系數分析法,計算如下:

(2)

相關系數r介于-1～1之間,其絕對值越接近1,則相關性越強;當r=0時,不存在相關性.利用Pearson相關系數對成都市PM2.5與降水量、風速的空間相關性進行分類,分類標準如表1所示.

3.3 主成分分析法主成分分析法是將多個指標轉化為少數綜合指標的一種統計方法[23],在SPSS軟件可完成相關操作.其在確保信息丟失最少的情況下,對可能包含重疊信息的多個相關指標進行降維處理,在確保精度的前提下起到減少自變量的互相干擾程度的作用[24].通過主成分分析,可得到影響成都市PM2.5濃度的主要社會因素.KMO又稱檢驗統計量,是簡單相關系數和偏相關系數的指標,介于0～1之間,其值越大,表明變量間相關關系越強,主成分分析的適用性也越強;顯著性(significance)值應比設定的顯著性水平小,一般應小于0.05,才可進行主成分分析.

表 1 相關系數分類標準

4 成都市PM2.5濃度時空變化特征

4.1 空間變化特征利用ArcGIS中的普通克里金插值法對2015—2020年成都市逐月的PM2.5濃度分布數據進行空間分析,并繪制其空間分布圖(圖2).綜合6 a來成都市PM2.5濃度空間分布圖,可知其分布總體上呈中間高、兩邊低的特征,西邊的PM2.5濃度普遍小于東邊.PM2.5濃度較高的地區主要包括錦江區、青羊區、金牛區、武侯區和成華區,新都區的PM2.5在近年來也較高,眾多高值區形成一條明顯的新都區—武侯區高值帶;PM2.5濃度較低的地區主要分布在成都平原西部,包括彭州市、都江堰市、崇州市、大邑縣和邛崍市.

圖2 2015—2020年成都市逐月PM2.5濃度分布圖

從地理位置來看,成都位于四川盆地,盆地特殊靜小風氣象特征導致大氣環境容量極為有限,處于中心位置的高值帶因濕度大、逆溫出現頻繁、中性及穩定性天氣多,更加大了包括PM2.5在內的大氣污染物質的擴散難度;而低值區海拔較高、降雨充足、植被覆蓋率較高,良好的氣候條件使得該區域PM2.5濃度較低.同時,高值區擁有眾多規模較大的工業基地及工業園區,如成都青羊工業總部基地、雙流產業經濟園、成都武侯區工業園等,這也是造成該區域PM2.5濃度高的一個重要原因.

4.2 時間變化特征

4.2.1逐月變化特征 利用Excel對克里金插值得到的2015—2020年成都市逐月PM2.5濃度建立數據表(表2).如表2所示,每年成都市PM2.5濃度最大值普遍出現在1月,其次為12月;最小值一般出現在7月,其次為8月.

表 2 2015—2020年成都市PM2.5月平均質量濃度

根據上述數據計算出不同月份PM2.5在2015—2020年這6年里的平均值及標準差,建立成都市2015—2020年不同月份PM2.5平均濃度折線統計圖(圖3).

圖3 成都市2015—2020年不同月份PM2.5 平均質量濃度統計折線

從圖3可以看出,在月尺度上PM2.5濃度的整體走向較為一致,呈“凹”字形,為先降低后升高;從總體來看,1—8月下降,9—12月上升.結合圖3可以看出,1—6月的低值區域面積不斷擴大,7—9月的低值區域面積較為穩定,10—12月的低值區域面積迅速減小,因此有理由猜測PM2.5的濃度與降水的趨勢存在較大的相關性.

4.2.2季節尺度變化特征 利用Excel對克里金插值法所得的2015—2020年成都市不同季節PM2.5質量濃度建立數據表(表3).從表3得出,成都市PM2.5質量濃度在冬季時取得最大值,最大值出現在2017年冬季(72.95 μg/m3);在夏季時取得最小值,最小值出現在2020年夏季(17.71 μg/m3);春季和秋季PM2.5濃度接近,但秋季PM2.5濃度略低于春季.

表 3 2015—2020年成都市PM2.5季節平均質量濃度

根據上述數據計算出不同季節PM2.5在2015—2020年這6 a里的平均值及標準差,建立成都市2015—2020年不同季節PM2.5平均濃度的折線統計圖(圖4).

圖4 成都市2015—2020年不同季節PM2.5 平均質量濃度統計折線

如圖4所示,在2015—2020年,PM2.5不同季節的濃度明顯是冬季>春季>秋季>夏季.究其原因,成都平原處于四川盆地,冬季太陽輻射少,盆地易形成逆溫層,有利于形成大氣污染[25];再加上成都冬季風速低、降水少等氣象因素,使得冬季污染天數增加;而夏季的高溫易形成強對流天氣,加快了PM2.5的擴散,且成都屬亞熱帶季風氣候,降水豐沛,有利于清除大氣中的PM2.5[26].

5 成都市PM2.5濃度與氣象因素的相關性分析

5.1 PM2.5濃度與降水量的相關性分析

5.1.1月尺度上二者相關性分析 利用ArcGIS分析中國區域1 km分辨率逐月降水量數據集,得到2015—2020年成都市逐月平均降水量,并通過Excel進行計算后得出不同季節平均降水量及其標準差,建立折線統計圖(圖5).

圖5 成都市2015—2020年不同月份平均降水量統計折線

如圖5所示,從總體上看,降水量在1—6月呈上升趨勢,7—8月趨于平緩,9—12月呈下降趨勢.這與PM2.5在月尺度上的變化趨勢剛好相反,初步推測其與PM2.5濃度的時空分布有關.

阮列敏對這一新科室的定位明確，職責劃分也比較清晰，希望將其構建為醫院和社區之間的橋梁。她指出，“醫院在省委省政府提出‘雙下沉、兩提升’之后，第一時間就成立基層服務指導科”，希望通過新的科室“來加強對基層的指導”“加強對基層醫生的培養”。

利用柵格計算器對PM2.5與降水量的數據進行一系列的計算,得到2015—2020年成都市PM2.5與降水量空間相關性分析圖(圖6).

據圖6可知,成都市PM2.5與降水量在絕大多數地區的相關系數r絕大多數處于-1與-0.5之間,存在顯著負相關性,即使2017年PM2.5與降水量相關性不及其他5 a,但二者相關性仍然顯著.綜上所述,可知在月尺度上成都市PM2.5濃度與降水量關系密切,存在顯著負相關性,即成都市降水量與PM2.5之間呈反比例關系,降水量越多,污染物的濃度越低,說明降水對PM2.5有一定的清除作用[27].

5.1.2季節尺度上二者相關性分析 利用ArcGIS分析中國區域1 km分辨率逐月降水量數據集,將數據進行分類整合及相關計算,根據不同季節降水量的平均值及其標準差得到2015—2020年成都市不同季節的平均降水量,并通過Excel建立折線統計圖(圖7).如圖7所示,從季節尺度上看,降水量總體上為夏季>秋季>春季>冬季.而PM2.5濃度為冬季>春季>秋季>夏季,這與降水量在月尺度上的變化趨勢相反,初步推測二者存在負相關性.

利用柵格計算器對PM2.5與降水量對應的柵格數據進行計算,得出不同季節PM2.5與降水量的空間相關性分析圖(圖8).如圖8所示,降水量對夏季和冬季的PM2.5濃度具有很大的影響,兩者高度相關;其次是對秋季的PM2.5濃度的影響,最后是春季,此時總體上呈微弱相關.造成春季成都市PM2.5與降水量微弱相關的原因主要是該區域春季天氣較為多變,多為短時降水,降水量尚不足以完全發揮對顆粒物的沖刷和溶解作用[28];造成冬季成都市PM2.5與降水量高度負相關的原因主要是冬季PM2.5的初始濃度高,在相同的降水量下沉降量和沉降速度均高于其他季節.值得注意的是,在夏季和秋季成都市存在大面積地區PM2.5濃度與降水量呈顯著正相關,造成這一現象最可能的原因是弱強度降水.夏季與秋季成都市PM2.5濃度較低,在弱強度降水情況下,濕度增大帶來的顆粒物吸濕增長作用強于降水對顆粒物的沖刷作用,從而造成PM2.5濃度增加[29].

圖8 成都市2015—2020年不同季節PM2.5與降水量空間相關性分析

5.2 PM2.5濃度與風速的相關性分析

5.2.1月尺度上二者相關性分析 利用ArcGIS分析中國區域1 km分辨率逐月風速數據集,得到2015—2020年成都市逐月平均風速,并通過Excel計算出不同月份風速的平均值及其標準差,建立折線統計圖(圖9).如圖9所示,風速的變化趨勢趨于平緩,與PM2.5在月尺度上的變化趨勢不太一致.

圖9 成都市2015—2020年不同月份平均風速統計折線

圖10 成都市2015—2020年PM2.5與風速月尺度空間相關性分析

5.2.2季節尺度上二者相關性分析 利用ArcGIS分析中國區域1 km分辨率逐月風速數據集,得到2015—2020年成都市不同季節的平均風速,并通過Excel進行相關計算后得到不同季節風速平均值及其標準差,建立折線統計圖(圖11).

圖11 成都市2015—2020年不同季節平均風速統計折線

如圖11所示,從季節尺度上看,風速總體上為冬季>春季>秋季>夏季,且變化趨于平緩.而PM2.5濃度為冬季>春季>秋季>夏季,兩者變化趨勢雖較為一致,但其波動幅度存在很大差異.

將PM2.5與風速對應的柵格數據圖利用柵格計算器進行計算,得出不同季節PM2.5與風速的空間相關性分析圖(圖12).如圖12所示,風速對成都市部分地區春季和冬季的PM2.5濃度具有較明顯的影響,兩者具有一定相關性;但風速對夏季和秋季的PM2.5濃度的影響很弱,呈微弱相關或不相關.造成該現象的原因主要是因為成都市風速長期較小,表現出靜風特征,其中尤以夏季和秋季為最.

圖12 成都市2015—2020年PM2.5與風速季節尺度空間相關性分析

6 成都市PM2.5濃度與社會因素的相關性分析

在SPSS 25.0軟件的支持下,對2015—2020年成都市GDP、第二產業生產總值比重、人口密度、城鎮化率4個社會因素的數據進行主成分分析,并用得到的結果來分析2015—2020年不同社會因素對成都市PM2.5的影響.由于KMO=0.541>0.5,顯著性Sig=0.001<0.05,說明可以對社會因素的數據進行主成分分析,其分析結果合理有效.

由表4可知,第一個主成分的累積貢獻率為82.424%,且特征值遠大于其他3個成分,說明第一個主成分已基本可以反映成都市PM2.5的濃度情況.主成分分析的結果如表5所示.

表 4 各主成分的特征值及貢獻率

表 5 各因子與主成分載荷情況

由分析結果可知,成都市GDP、人口密度和城鎮化率在主成分中所占比例較大,與主成分有較強相關關系;而第二產業生產總值比重所占比例較小,與主成分相關關系較弱.這說明隨著成都市經濟的快速發展、人口的增長以及城市化進程的加快,成都市PM2.5的治理效果較為明顯,整體上呈現逐年減少的趨勢,但成都市工業企業的存在仍然在一定程度上影響著PM2.5的濃度.

7 結論

本研究利用ArcGIS的空間分析功能以及Excel、SPSS的統計功能,對2015—2020年成都市PM2.5濃度、氣象因素及社會因素進行分析和處理,對成都市PM2.5的時空分布狀況進行研究,并探究不同影響因素對PM2.5濃度的影響,結果表明:

1) 成都市PM2.5濃度分布整體呈中間高、兩邊低的空間特征,西邊的PM2.5濃度普遍小于東邊;在時間上PM2.5濃度的整體走向較為一致,呈“凹”字形,為先降低后升高,夏季PM2.5質量濃度最小(17.71～29.96 μg/m3),冬季PM2.5質量濃度最大(45.49～72.95 μg/m3);

2) 在氣象因素方面,成都市PM2.5濃度與降水量、風速都存在相關性,但相關程度存在很大差異.PM2.5濃度的分布與降水量存在顯著相關性(r=-0.59),與風速的相關性較弱(r=0.19),這與成都市降水充沛、風速常年處于低值的氣象特征存在密切聯系.

3) 成都市PM2.5濃度與社會因素存在相關關系.隨著成都市經濟的快速發展、人口的增長以及城市化進程的加快,成都市PM2.5的治理效果較為明顯,整體上呈現逐年減少的趨勢,但成都市工業企業的存在仍然在一定程度上影響著PM2.5的濃度.

致謝四川省大學生思想政治教育研究中心項目(CSZ138)、綿陽師范學院質量工程項目(Mnu-JY210101、Mnu-JY210055和Mnu-JY210346)、綿陽師范學院校級科研啟動項目(QD2021A35)對本文給予了資助,謹致謝意.