城市间气态污染物与细颗粒物的相关性分析

王晓利,张 良,魏亚楠,宋文波,孟宪栋,柴金亮

1.河北省环境应急与重污染天气预警中心，河北 石家庄 050037

2.河北省环境执法监察局，河北 石家庄 050051

城市间气态污染物与细颗粒物的相关性分析

王晓利1,张 良1,魏亚楠1,宋文波1,孟宪栋2,柴金亮2

1.河北省环境应急与重污染天气预警中心，河北 石家庄 050037

2.河北省环境执法监察局，河北 石家庄 050051

通过对沿太行山脉东侧城市间环境空气污染物浓度监测数据分析发现，大气污染是一个区域性问题，相近城市间主要污染物浓度均呈高度正相关。以北京、石家庄、保定和邢台作为研究对象，对其2013年主要大气污染物浓度变化趋势进行分析对比，建立污染物浓度相关性分析模型，并对各污染因子间的相关性进行研究，得到各地区的污染物相关性结果，为区域协同控制大气污染提供决策支持。

京津冀；大气污染物；相关性分析

近年来，随着我国经济的快速发展，产业结构不合理的情况日益凸显，致使我国部分地区大气污染严重，特别是京津冀区域已成为我国大气污染较严重的区域之一。多种污染物以较高浓度同时存在，进而发生复杂的相互作用，形成大气复合污染和灰霾现象。同时，大气系统的空间相互性也使得环境恶化趋势逐步向区域性蔓延，相邻城市间环境空气污染物浓度呈现出一定的相关性。

对此，国内不少学者也进行了研究，如张志刚等[1]利用二维欧拉统计模型模拟了北京与周边城市之间的污染物远距离传输和沉降；程水源等[2]利用MM5/CMAx耦合模型对北京市一次污染过程进行模拟，研究了周边省份对北京的SO2浓度的贡献；王淑兰等[3]利用CALPUFF模型模拟了珠江三角洲城市群的大气污染传输。已有的研究结果表明，城市间的大气污染物是相互输送和交换的，相近城市间的空气环境质量有着十分密切的关系[1-3]。

本文以沿太行山脉东侧的北京、石家庄、保定和邢台为研究对象，对2013年首要污染物PM2.5及主要气态污染物SO2和NO2浓度变化趋势进行分析对比，对污染因子间的相关性加以研究，以期为区域协同控制大气污染提供决策支持。

1 污染物相关性统计函数模型的建立

用CORREL统计函数模型[4]分析城市之间的污染物浓度相关性及城市内各种污染物的相关性[5-8]。具体的模型运算式：

表1 相关系数标准及特性标准

2 城市间主要污染物浓度统计变化规律及相关性分析

2.1 PM2.5浓度变化规律及相关性分析

2.1.1 浓度变化规律分析

从北京、保定、石家庄和邢台2013年全年月均浓度变化曲线(图1)可以看出：2013年1—3月采暖季，石家庄PM2.5浓度约为北京的1倍。4—11月非采暖季，河北省的保定、石家庄、邢台与北京PM2.5浓度差异不大，4个城市的变化趋势呈很强的一致性，即3—4月逐渐降低，5—6月逐渐增加，7—8月又逐渐降低，9—10月又呈现出增加趋势,11月再次降低，从12月开始4个城市的PM2.5浓度又出现逐渐增加的趋势。总体上采暖季保定、石家庄和邢台3个城市的PM2.5浓度明显高于北京，非采暖季3个城市与北京差距减小。

图1 2013年4个城市PM2.5月均浓度变化曲线

2.1.2 城市间相关性分析

用CORREL统计函数模型分别对北京、保定、石家庄和邢台4个城市2013年PM2.5月均浓度及石家庄、保定和邢台3个城市2014年1—3月PM2.5日均浓度进行相关性分析，结果分别见表2、表3。

表2 4个城市2013年PM2.5月均浓度相关性分析

表3 河北省3个城市2014年1—3月PM2.5日均浓度相关性分析

从表2和表3可以看出：2013年石家庄与保定、石家庄与邢台的PM2.5月均浓度相关系数分别高达0.974和0.981，2014年1—3月日均浓度相关系数也分别达0.915和0.905，石家庄与保定、邢台这2个城市的PM2.5浓度呈高度正相关，说明这3个城市的PM2.5浓度有很强的关联性和协同性，具有明显的区域性特征。北京、石家庄、保定、邢台4个城市的PM2.5浓度相关系数与城市间的空间距离有密切关系。北京距离保定最近，与保定的PM2.5相关性最好，为0.779；与石家庄PM2.5相关系数次之，为0.746；与邢台的PM2.5相关系数相对较小，为0.719。也就是说，相邻城市的PM2.5浓度变化更趋于呈一致性变化的特点。

2.2 SO2浓度变化规律及相关性分析

2.2.1 浓度变化规律分析

从图2可以看出，2013年1—3月采暖季，石家庄SO2浓度约为北京的4倍，4—10月非采暖季4个城市SO2约为北京的2倍，河北省3个城市的SO2变化趋势呈现出很强的一致性，变化幅度较北京明显。说明河北省采暖季和非采暖季SO2的排放量变化较大(冬季大气扩散也有影响)，而北京市的SO2采暖季和非采暖季变化不大。

图2 2013年4个城市SO2月均浓度变化曲线

2.2.2 城市间相关性分析

采用CORREL统计函数模型，分别对北京、保定、石家庄和邢台4个城市2013年SO2月均浓度及石家庄、保定和邢台3个城市2014年1—3月SO2日均浓度进行相关性分析，结果分别见表4、表5。

表4 4个城市之间SO2相关性分析

表5 河北省3个城市2014年1—3月SO2日均浓度相关性分析

从表4和表5可以看出：2013年石家庄与保定、石家庄与邢台的SO2月均浓度相关系数高达0.930和0.953，2014年1—3月日均浓度相关系数也达0.812和0.909，说明这3个城市的SO2浓度与PM2.5类似，同样具有很强的关联性和协同性，区域特征明显。北京与保定、石家庄、邢台的SO2相关系数中，北京与保定的相关性最好，为0.912；与石家庄PM2.5相关系数次之，为0.862；北京与邢台的PM2.5相关系数相对较小，为0.862，4个城市间SO2浓度的相关性同样与空间距离密切相关。

与PM2.5相关性不同的是，北京与保定、石家庄、邢台的SO2相关系数明显高于北京与保定、石家庄、邢台的PM2.5相关系数，SO2相关性比PM2.5更明显，说明SO2空间扩散影响要大于颗粒物的空间扩散影响。

3个城市的SO2浓度平均值比北京高约3倍，而PM2.5仅高1倍，理论上气态污染物SO2的扩散较颗粒物PM2.5应该更均匀，分析认为，应是气态颗粒物在扩散传输过程中不断参与化学反应生成了硫酸盐。

2.3 NO2浓度变化规律及相关性分析

2.3.1 浓度变化规律分析

从图3可以看出，2013年1—3月采暖季，石家庄NO2浓度约为北京的1.2倍，4—9月非采暖季4个城市的NO2浓度值基本差距不大，石家庄、保定、邢台3个城市NO2月均值变化趋势一致。

图3 NO2月均浓度变化曲线

2.3.2 城市间相关性分析

采用CORREL统计函数模型，分别对北京、保定、石家庄和邢台4个城市2013年NO2月均浓度及石家庄、保定和邢台3个城市2014年1—3月NO2日均浓度进行相关性分析，结果见表6、表7。

表6 4个城市之间NO2相关性分析

表7 河北省3个城市2014年1—3月NO2日均浓度相关性分析

从表6和表7可以看出：2013年石家庄与保定、石家庄与邢台的NO2月均浓度相关系数高达0.915和0.929，2014年1—3月日均浓度相关系数也达0.893和0.875，石家庄与保定、邢台这2个城市的NO2浓度呈高度正相关，说明这3个城市的NO2浓度也同样具有很强的关联性和协同性，区域特征明显。但石家庄与保定、石家庄与邢台的NO2相关系数小于SO2、PM2.5的相关系数。北京、保定、石家庄、邢台4个城市NO2浓度的相关分析表明，北京与保定的相关性最好，相关性明显大于北京与石家庄、北京与邢台，但NO2相关性与距北京的距离关系不明显。

3 各城市SO2、NO2与PM2.5之间相关性分析

表8、表9表明，4个城市自身的气态污染物SO2、NO2与细颗粒物PM2.5之间相关系数均大于0.8，呈高度正相关，当SO2和NO2浓度较高时，PM2.5浓度也较高，可能与SO2、NO2二次转化有关。石家庄市颗粒物来源解析初步结果显示，全年PM2.5的来源贡献硫酸盐占比达22.4%，硝酸盐占比达15.9%，两者之和接近40%[9]。

表8 SO2与PM2.5之间相关性分析

表9 NO2与PM2.5之间相关性分析

4 结论

用CORREL统计函数模型分别研究城市之间的主要气态污染物与细颗粒物的相关性及城市内各项污染物的相关性。模型分析得到的相关性数据与各城市间污染物变化及城市内污染物变化的趋势一致，验证了模型的合理性。

通过污染物相关性研究，北京、石家庄、邢台、保定之间SO2、NO2、PM2.5相关系数均大于0.9，呈高度正相关，说明这一区域内气态污染物SO2、NO2及颗粒态污染物PM2.5相互传输和影响是非常强烈的。保定、邢台和石家庄污染物相关系数远远高于这3个城市和北京之间的相关系数，这与地形条件紧密相关。

石家庄、邢台、保定自身的气态污染物SO2、NO2与细颗粒物PM2.5之间相关系数均大于0.8，呈高度正相关，说明很大一部分SO2、NO2在条件合适的情况下转化为PM2.5。石家庄市颗粒物来源解析初步结果显示，全年PM2.5的来源贡献中硫酸盐占比达22.4%，硝酸盐占比达15.9%，两者之和接近40%。

通过以北京、石家庄、保定和邢台4个城市为研究对象，对2013年PM2.5、SO2和NO2浓度变化规律进行分析，对污染因子间的相关性加以研究，为区域协同控制大气污染提供决策支持。

[1] 张志刚,高庆先,韩雪琴,等.中国华北区域城市间污染物输送研究[J].环境科学研究,2004,17(1):14-20.

[2] 黄青,程水源,陈东升,等.北京市一次SO2污染过程来源分析[J].环境科学与技术,2010(1):89-93.

[3] 王淑兰,张远航,钟流举,等.珠江三角洲城市间空气污染的相互影响[J].中国环境科学,2005,25(2):133-137.

[4] 刘新峰，袁惠，杨军，等.统计分析方法在大气环境监测数据符合性分析中的应用探讨[J].四川环境，2012(2)：36-39.

[5] 耿远波,章申,董云社,等.草原土壤的碳氮含量及其与温室气体通量的相关性[J].地理学报,2001(1)：44-53.

[6] 陈魁.天津市空气质量时间变化规律及相关性分析[J].中国环境监测，2007,23(1)：50-53.

[7] 莫莉,余新晓,赵阳，等.北京市区域城市化程度与颗粒物污染的相关性分析[J].生态环境学报,2014(5):806-811.

[8] 安俊琳,王跃思,李昕，等.北京大气中NO、NO2和O3浓度变化的相关性分析[J].环境科学,2007,28(4):706-711.

[9] 靳伟.石家庄市环境空气PM10、PM2.5来源解析研究技术报告[R].石家庄:石家庄市环境监测中心,2014.

Correlation Analysis of Gaseous Pollutants and Fine Particulate Matter about Cities

WANG Xiaoli1， ZHANG Liang1， WEI Yanan1， SONG Wenbo1， MENG Xiandong2， CHAI Jinliang2

1.Hebei environmental emergency and heavy pollution weather warning centre, Shijiazhuang 050037, China

2.Hebei Environmental Enforcement and Supervision Bureau, Shijiazhuang 050051, China

By analyzing the monitoring data of air pollutant concentration between Beijing,Tianjin and urban areas along Taihang Mountains east side,we discovered that atmospheric concentrations were highly similar between urban cities.The article aimed Beijing,Shijiazhuang,Baoding and Xingtai as research objects,used relevance analysis about change trend of pollutant concentration in 2013 to study the correlation between the pollution factor, and get results more pollutants correlation region in above cities.The conclusion of the article provides decision support for regional cooperative control air pollution.

cities;gaseous pollutants;correlation Analysis

2015-02-03;

2015-05-26

京津冀区域空气质量综合观测与成因分析技术研究项目(2014BAC23B01)

王晓利(1967-)，男，河北石家庄人，学士，教授级高级工程师。

X823

A

1002-6002(2016)01- 0001- 04