基于气象要素南昌PM2.5污染特性及预测方法

章开美，陈胜东，徐卫民，柳艳香，杨 华

(1.江西省气象服务中心,江西 南昌 330096；2.江西省气象科学研究所,江西 南昌 330096；3.中国气象局 公共气象服务中心，北京 100081)



基于气象要素南昌PM2.5污染特性及预测方法

章开美1，陈胜东2，徐卫民2，柳艳香3，杨 华1

(1.江西省气象服务中心,江西 南昌 330096；2.江西省气象科学研究所,江西 南昌 330096；3.中国气象局 公共气象服务中心，北京 100081)

运用统计分析和气象统计预报方法,对南昌市6个环境监测点的污染物观测资料和同期南昌市自动气象观测资料进行了统计，分季节研究了南昌市PM2.5质量浓度的变化规律，对影响大气污染的气象因子进行了综合分析,并分别建立夏季及非夏季PM2.5质量浓度与气象要素的统计预报模式。结果表明：南昌市PM2.5污染非夏季较夏季更为严重，非夏季有超过一半的时间空气质量超出了国家二级标准。PM2.5质量月均浓度峰值出现在12月和1月,其中1月南昌市平均4 d中就有3 d超出国家二级标准。PM2.5浓度逐时变化呈现双峰型特征，对于夏季而言，2个峰值基本出现在9:00～11:00和22:00～24:00时段；而非夏季前一个峰值延后至11:00～12:00时段，后一个峰值往往提前至21:00～23:00,这主要与人类活动规律及太阳照射时间有关。建立的非夏季预报模式等级预报准确率较夏季高，对环境气象预报业务有一定实际应用价值。

PM2.5；南昌；污染特性；预报模式

目前，我国空气质量在颗粒物的检测方面主要由PM10和PM2.5两项内容组成。其中，PM2.5指的是空气中空气动力学直径≤2.5 μm的悬浮颗粒物，也被称作大气细粒子和“可入肺颗粒物”，PM2.5的粒径小，且其比表面积大，较易富集大气中的有害物质，吸入人体后会直接进入支气管并干扰肺部的气体交换，从而引发哮喘、支气管炎及心血管病等多种疾病[1]。近年来，国内外对中国大气PM2.5进行了系列试验和监测，结果显示中国气溶胶细粒子污染有相对加剧的趋势[2]。哈佛大学对美国的6个城市8000多名成年人进行了长达10多年的流行病学研究，结果发现PM2.5浓度每增加10 μg/m3，死亡率增加14%，这是迄今为止世界卫生组织认为空气污染危害人类健康最可靠的证据[3]。因此，在社会经济迅速发展过程中，减少空气污染、制定相关策略显得尤为重要。

从统计学的角度研究城市空气污染物特征，并将其成果应用到空气污染物的控制及预测成为学者广泛关注的一个重要领域。国外对PM2.5研究工作开展得较早，曾开展过大规模城市空气污染相关研究，如美国[4]、澳大利亚[5]、希腊[6]、土耳其[7]等，这些研究主要涉及空气污染物浓度分布的确定以及超标率预测等。近几年来,国内也陆续开展PM2.5颗粒特征的研究，但主要集中在环渤海[8-11]、长三角[12-13]和珠三角[14-18]等经济发展较快的地区。相较于国外的大量研究，国内对空气污染物浓度统计分布特征及污染物浓度预测模型的研究较少。

近年来，南昌国民经济得到高速发展，城镇居民的生活水平显著提高，尽管地处赣北平原的南昌拥有得天独厚的生态环境优势，但随着工业生产、汽车尾气等人为污染物排放量不断增加，大气颗粒物污染越来越严重[18]。目前鲜见系统介绍南昌地区PM2.5颗粒污染的相关报道,本研究利用南昌市6个环境空气质量监测点采集的PM2.5，分析PM2.5的浓度特征、变化规律及影响其变化的气象条件，并建立预报方程，对进一步预防、控制及治理南昌的大气污染有重要的意义。

1　资料及预处理

1.1资料

本文使用资料包括：(1)国家环境保护部信息中心提供的2013年1月～2014年5月南昌市6个环境监测点PM2.5质量浓度逐小时监测数据，监测点分别位于南昌建工职业技术学校(建工学校)、江西省林业科学研究院(省林科所)、南昌化工石油机械厂(化工石油厂)、江西省林业公司(林业公司)、江西省外事侨务办公室(省外办)、江西省环境监测站(省监测站)；(2)2013年1月～2014年5月南昌地面气象站逐小时观测数据。

1.2预处理

由于仪器故障、停电关机或数据质量控制等原因，监测数据会有间断的情况，研究中将PM2.5每天小时值多于20个的日期定为有效监测日，其余情况为无效监测日[19]，日界为当日12：00至次日11：00，则PM2.5日均值为当日12:00至次日11:00浓度的算术平均值，为较合理反映南昌市PM2.5污染的平均水平，取南昌市6个监测站点的算术平均代表南昌市污染情况，同时为研究其对应关系，各气象要素日均值亦为当日12:00至次日11:00的24 h算术平均值。

2　南昌市PM2.5颗粒污染特性

2.1PM2.5质量浓度季节性变化特征

表1为南昌市在研究时段期间PM2.5月变化的统计特征值，污染指数的计算结果保留一位小数。定义4～9月为夏季，10月～翌年3月为非夏季。由表1可以看出。

(1)南昌市各监测点PM2.5浓度变化都具有明显的季节变化规律，分为夏季和非夏季2种季节性特征，南昌市各监测点均表现出夏季(4～9月)污染相对较轻，非夏季污染较严重，非夏季PM2.5平均浓度高于夏季28.7～49.4 μg/m3左右，夏季各月份平均浓度均小于年平均浓度，除2、3月份平均浓度稍小于年平均浓度，非夏季月份平均浓度基本大于年平均浓度。

(2)省外办PM2.5污染最严重，其浓度年均值达74.3 μg/m3，接近国家二级标准(75 μg/m3)，省林科所污染相对较轻，PM2.5浓度年均值为51.8 μg/m3，各月中以12月和1月的污染物浓度为高，且各监测点1月份平均浓度均最高，其中省监测站1月平均浓度达124.9 μg/m3，各监测点日均浓度最高值出现在2013年12月7日和2014年1月30日。由于春节长假期间污染物排放量减少，故2月份PM2.5平均浓度较低，各监测点最低日均浓度均出现在2014年2月6日。

(3)从各监测点平均来看，南昌市PM2.5质量浓度夏季主要集中在39.5～53.4 μg/m3，平均值为45.5 μg/m3，非夏季主要集中在54.9～113.2 μg/m3，造成时空分布差异化主要由地形和气候特点所致，南昌市地处季风气候区，冬季受极地冷高压脊控制，天气干燥，易造成局部扬尘，导致空气污染较严重；夏季则受副热带高压脊及季风低压、热带气旋影响，盛行西南风和东南风，天气高温多雨，污染物平均浓度下降，空气质量较好。

2.2PM2.5质量浓度超标率

以我国GB 3095─2012《环境空气质量标准》中规定PM2.5日均值二级标准75 μg/m3为标准计算各月超标率，超标率=超标天数/采样总天数×100%。从表2可知，1月超标率最严重，各监测站超标率都在65%以上，站点平均超标率达75.6%，也就是说南昌市平均4 d中就有3 d超标，其次是12月，站点平均超标率达68.4%。夏季(4～9月)超标率为11%，非夏季(10月到次年3月)为46.0%，全年超标率为29.8%。总体来说，南昌市城区PM2.5超标情况具有明显的季节性特征，特别注意的是，南昌市非夏季有超过一半的时间空气质量超出了国家二级标准，直接影响能见度，危害人体健康。

表1　南昌市PM2.5质量浓度日均值统计 μg/m3

表2　南昌市PM2.5质量浓度月超标率统计表 %

2.3PM2.5质量浓度日变化特征

受气象条件和人类活动的影响，大气污染物在一天中各时次的浓度存在一定的变化，若没有明显天气过程影响，污染物浓度的日变化有一定的规律，本文分别计算了夏季和非夏季每日不同时刻PM2.5质量浓度的平均值，即污染物的统计日变化特征的逐时算术平均值，平滑突变天气的影响，进而分析南昌市的PM2.5日变化特征。图1给出了南昌市各监测点夏季和非夏季PM2.5质量浓度逐时平均值的标准化距平曲线。从各监测点来看，不管是夏季还是非夏季，PM2.5逐时变化都呈现双峰型特征。对于夏季而言，一个峰值基本出现在9:00～11:00时段，另一峰值基本出现在22:00～24:00时段。有研究表明：汽车尾气与大气光化学反应活跃[20]，产生大量可吸入颗粒PM2.5，PM2.5浓度上升，到下午，地面温度上升，热力对流最旺盛时期，湍流活跃，空气的扩散能力强，故PM2.5浓度低，晚上以后，夜晚地面降温厉害，产生逆温层，不利于污染物扩散，导致PM2.5颗粒越积越多。

对于非夏季而言，PM2.5日变化曲线较夏季平滑，这表明夏季PM2.5变化较夏季平缓，这是因为南昌非夏季天气形式较夏季稳定，气象条件变化较慢，夏季与非夏季PM2.5峰值的时间也有所不同，一个峰值往往延后至11:00～12:00时段，而另一个峰值往往提前至21:00～23:00，这主要与人类活动规律及太阳照射时间有关。

图1　南昌市各监测点夏季(a)和非夏季(b)PM2.5浓度逐时平均值的标准化距平曲线

2.4南昌市PM2.5污染的可能来源

为进一步探讨南昌PM2.5污染的可能来源，计算了非夏季、夏季不同风向下PM2.5日均浓度，结果表明：不管是非夏季还是夏季都以东北与西南方向的风向为主，而东北-西南向PM2.5质量浓度远低于西北-东南向。图2为整个观测期间不同风向下PM2.5日均浓度(a)及风玫瑰图(b)，可见东北方向气流占66%，西南方向气流占24%，PM2.5质量浓度受风向的影响较明显，西北-东南向PM2.5质量浓度明显高于东北-西南向，其中在西北偏西风向上出现最高值(119 μg/m3)，不过该风向出现的频率(1.2%)非常低。

图2　PM2.5质量浓度与风向的关系(a)及风向频率分布(b)

若污染物质量浓度较高的风向发生频率较低，则其影响就仅限于某特定时段。为合理评价局地源和外来源对南昌市PM2.5污染的相对贡献，据气象资料统计得出南昌市主要风向的频率，其中地方性风占38%，东风占19%，东北风占18%。图3-b为上述3种主要风向条件下PM2.5质量浓度的均值。地方性风下PM2.5质量浓度高于其他主要风向，表明南昌市PM2.5污染主要来自于本地源；另一方面，图3-a为PM2.5质量浓度资料与对应风速的散点分布图,从图中可以直接看出两者具有负相关关系，PM2.5质量浓度随风速增大而迅速下降，进一步计算了PM2.5质量浓度与风速的相关系数达-0.3，通过显著性水平α=0.001的检验，也进一步证实PM2.5质量浓度主要受局地源控制。

图3　风速(a)及主要风向(b)下PM2.5的质量浓度

3　南昌市PM2.5质量浓度预测方法

3.1预报因子的初选

大气污染预报统计模型的稳定性及准确性，取决于预报因子的选取。众多研究表明，城市空气污染物的扩散、稀释和清除的快慢，主要是由当地的天气形势所决定。结合天气预报经验，首先初选以下有明确物理意义的常规地面及低层观测资料共57个作为初选因子。

(1)当日的日平均风速，反映大气平流输送的强弱。一般情况下，风速大，空气污染轻，风速小，则空气污染重；(2)当日降水量，反映天气状况及污染物的冲刷情况；(3)当日平均相对湿度，2：00、8：00、14：00时相对湿度，水汽压，8：00温度露点差以及前一日20：00的相对湿度，反映大气湿度状况；(4)当日最高、最低气温和气温日较差，反映城市混合层及逆温状况；(5)当日总云量、8：00地面、925 hPa、850 hPa、700 hPa温度及上下层温度差，反映城市大气稳定度状况及低空逆温强度；(6)当日和前一日的日均气温在2：00、8：00、14：00、20：00时(北京时，下同)的气温，当日与前一日的日平均气温，8：00、14：00时气温之差，反映城市所处的冷暖气团状况及演变趋势；(7)当日和前一日的日平均气压，2：00、8：00、14：00、20：00时气压，当日与前一日的日平均气压，8：00、14：00时气压之差，反映城市所处的气压场以及其变化趋势；(8)当日2：00、8：00、14：00时地表温度，反映地面大气冷暖状况；(9)当日8：00、14：00时及前一日20：00能见度。反映城市天气状况及污染状况。由于空气污染具有一定的延续性，污染浓度由低到高有一个累积过程，从高到低也有一个稀释或扩散的过程，若无特殊情况出现，污染物浓度的变化是一个渐变过程，因此把前一日的日均浓度也当作一个预报因子来考虑。

3.2相关系数筛选预报因子

分别计算PM2.5日均浓度与57个初选因子的相关系数，选取通过一定显著性水平(α=0.001)因子作为进入回归方程的因子。非夏季及夏季初选的预报因子与PM2.5质量浓度相关系数(通过显著性水平α=0.001的检验)见表3和表4。

从表3可以看出非夏季共有16个因子与PM2.5浓度相关性较好，表现为非夏季PM2.5浓度与前一日浓度、前日8:00气压、温度日较差、850 hPa与700 hPa温度之差等呈显著正相关，而与14：00能见度、总云量、水汽压、7:00地面气温等呈显著负相关。合理性解释如下：非夏季天气形势变化较慢，污染物浓度延续性较好，表现为前一日PM2.5浓度与当日浓度呈明显的正相关；非夏季气压高，下沉气流拟制了大气污染的垂直扩散，表现为温度日较差与PM2.5浓度呈正相关；非夏季气温升高，有利于大气污染的扩散，表现为日较差与PM2.5浓度呈正相关；非夏季低空逆温强度越大，污染物越容易堆积，表现为7：00地面温度、925 hPa与700 hPa温度之差、925 hPa与地面温度之差、850 hPa与700 hPa温度之差、850 hPa与地面温度之差及700 hPa与地面温度之差与PM2.5浓度呈正相关;而非夏季能见度越大(小)，污染越轻(重)，表现为8：00、14：00能见度与PM2.5浓度呈负相关；空气相对湿度越大，越有利于污染物的冲刷，表现为水汽压与PM2.5浓度呈负相关；非夏季云量越多，空气保温保湿能力强，有利于大气污染的稀释，表现为总云量及低云量与PM2.5浓度呈负相关。

利用相似的方法选取夏季的预报因子(表4)，入选的23个预报因子同样也可以得到合理的解释，PM2.5浓度与预报因子的正、负相关均与PM2.5的积累、稀释或扩散的物理过程相符，说明这些预报因子的选择是合理的。这样非夏季及夏季分别选取了15个和21个因子，作为多元逐步回归分析的备选因子。

表3　非夏季相关因子及相关系数

表4　夏季相关因子及相关系数

3.3统计预报模型的建立

3.3.1多元逐步回归方程的建立将非夏季和夏季初选的16个和23个因子分别作为多元逐步回归的备选因子，对2013年4月至2014年3月一整年数据分非夏季和夏季建立回归方程，取F为0.05的信度检验时，最终各精选了5个预报因子，将这些因子作为南昌市PM2.5浓度的预报因子，分别建立了非夏季及夏季PM2.5浓度预报方程。建立回归方程的资料长度分别为：非夏季6个月164 d，夏季6个月157 d。分季建立的预报方程如下(具体预报因子见表5)：

Y非夏=80.112+0.437X1-3.267X2-0.406X3+0.182X4+0.18X5

Y夏=17.23+0.435X1-0.507X2+0.252X3-0.114X4+0.078X5

表5　非夏季及夏季信度为F0.05的预报因子

3.3.2预测结果与实测浓度比对检验应用研究建立的预报方程，分别对2013年2～3月(代表非夏季)及2014年4～5月(代表夏季)浓度进行拟合检验(图4)。可直观地看出，不管是非夏季还是夏季实测值与模型预测值的变化趋势基本一致。

据PM2.5监测网的空气质量新标准划分，PM2.5可分为6个等级，将预报与实测结果等级作对比，计算出等级预报正确的次数占总预报次数的百分比，即预报等级“准确率”。通过对预报结果分析，得出PM2.5的非夏季的预报准确率为72%，而夏季的预报准确率为62%。预报的准确率主要取决于气象预报因子的准确率，在天气过程较平稳的情况下，本研究建立的预报方程预报准确率较高，非夏季模型的预报效果比夏季模型好，其原因可能是南昌非夏季天气形势变化较缓慢，而夏季天气多变，夏季多强降水对PM2.5的冲刷、清除作用明显，有明显降雨时预报误差较大。

图4　2013年2～3月(a)及2014年4～5月(b)PM2.5预测、实测对比

4　结论与讨论

本文对南昌市2013年1月～2014年5月期间6个监测站各PM2.5质量浓度特性进行了分析，并建立南昌市PM2.5质量浓度的气象要素预测方程。主要结论如下：

(1)南昌市PM2.5污染特征具有明显的季节性特征，非夏季(10月至次年3月)较严重，夏季(4～9月)相对较轻，非夏季PM2.5平均浓度明显高于夏季，夏季各月份的平均浓度均小于年平均浓度，而非夏季各月份平均浓度基本大于年平均浓度(除2、3月份平均浓度稍小于年平均浓度)，特别注意的是，南昌市非夏季有将近一半的时间空气质量超出了国家二级标准，危害人体健康。

(2)PM2.5逐时变化呈现双峰型特征。对于夏季而言，一个峰值基本出现在9:00～11:00时段，另一峰值基本出现在22:00～24:00时段。对于非夏季而言，前一峰值延后至11:00～12:00时段，而后一个峰值往往提前至21:00～23:00，这主要与人类活动规律及太阳照射时间有关。

(3)南昌PM2.5质量浓度受风向的影响较明显，西北-东南向PM2.5质量浓度明显高于东北-西南向，然不管是非夏季还是夏季南昌都以东北与西南方向的风向为主，PM2.5质量浓度主要受局地源控制。

(4)运用因子相关分析和多元回归方法建立南昌市PM2.5质量浓度气象要素预测模型，并进行检验，结果表明该模型预报效果非夏季较夏季理想(非夏季准确率72%)，可供实际PM2.5质量浓度预报参考，为环境气象预报工作提供技术支撑。

(5)南昌夏季天气多变，强降水对PM2.5的冲刷、清除作用明显，有明显降雨时预报误差较大，因此在夏季预报方程中引入降水因子可能会提高夏季PM2.5等级预报质量。

[1] 黄金星,张林,陈欢林,等.杭州市区空气中细微粒监测及污染状况分析[J].环境科学与技术,2006,29(9):49-51.

[2] 毛节泰,张军华,王美华.中国大气气溶胶研究综述[J].气象学报,2002,60(5):625-634.

[3] 张吉洋,耿世彬.我国大气环境PM2.5来源、分布、危害现状分析[J].洁净与空调技术,2014(1):45-50.

[4] Baker Kirk R, Foley Kristen M. A nonlinear regression model estimating single source concentrations of primary and secondarily formed PM2.5[J]. Atmospheric Environment, 2011, 45(22): 3758-3767.

[5] Surman P G, Simpson R W, Stokoe J. Application of Larsen’s model to Brisbane, Australia[J]. Atmospheric Environment, 1982, 16(11): 2609-2614.

[6] Gavriil I, Grivas G, Kassomenos P, ChaloulakouA, et al. An application of theoretical probability distributions to the study of PM10and PM2.5time series in Athens, Greece[J]. Global NEST, 2006, 8(3): 241-251.

[7] Ferhat K, Omar A, Ferruh E. Statistical characterization of atmospheric PM10and PM2.5concentrations at a non-impacted suburban site of Istanbul[J]. Turkey Chemosphere, 2005, 59(8): 1183-1190.

[8] 王京丽,谢庄,张远航,等.北京市大气细粒子的质量浓度特征研究[J].气象学报,2004,62(1):104-111.

[9] Wu H, Zhang Y F, Han S Q. Vertical characteristics of PM2.5during the heating season in Tianjin[J]. Sci Total Environ, 2015, 523(8): 152-160.

[10] 周丽,徐祥德,丁国安,等北京地区气溶胶粒子浓度的相关因子及其估算模型[J].测绘科学,2003,61(6):761-768.

[11] 孟昭阳,张怀德.太原地区冬春季污染特征及影响因素[J].中国科学院研究生院学报,2007,24(5):648-656.

[12] Kan H D, Chen B H. Statistical distributions of ambient air pollutants in Shanghai,China[J]. Biomedical and Environmental Sciences: BES, 2004, 17(3): 366-372.

[13] 魏玉香,银燕,杨卫芬,等.南京地区污染特征及其影响因素分析[J].环境科学与管理,2009,34(9):29-34.

[14] 陈慧娟,刘君峰,张静玉,等.广州市质量浓度变化特征[J].环境科学与技术,2008,31(10):87-91.

[15] 谢宏琴,吴对林,张国斐,等.东莞城区环境空气细颗粒物PM2.5特征分析[J].环境工程,2014,32(6):65-70.

[16] Tao J, Zhang L M, Zhang Z S, et al. Control of PM2.5in Guangzhou during the 16th Asian Games period: Implication for hazy weather prevention[J]. Science of the Total Environment, 2015，508: 57-66.

[17] 徐伟嘉,何芳芳,李红霞,等.珠三角区域PM2.5时空变异特征[J].环境科学研究,2014,27(9):951-957.

[18] 冯茜丹,党志,黄伟林.广州市秋季中重金属的污染水平与化学形态分析[J].环境科学,2008,29(3):569-575.

[19] 郑瑶,邢梦林,李明,等.郑州市PM2.5和PM10质量浓度变化特征分析[J].干旱环境监测,2004,28(3):104-108.

[20] 张瑶,张鸿雁,崔海航,等.机动车单车扬尘浓度分布规律的模拟[J].环境工程学报,2013,7(8)：3094-3098.

(责任编辑：曾小军)

Pollution Characteristics and Forecasting Method of PM2.5in Nanchang Based on Meteorological Factors

ZHANG Kai-mei1, CHEN Sheng-dong2, XU Wei-min2, LIU Yan-xiang3, YANG Hua1

(1. Meteorological Service Center of Jiangxi Province, Nanchang 330096, China; 2. Meteorological Sciences Research Institute of Jiangxi Province, Nanchang 330096, China; 3. Public Meteorological Service Center, Chinese Meteorological Bureau, Beijing 100081, China)

According to the pollutant data observed at six monitoring points in Nanchang and the automatic meteorological observation data of Nanchang in the same period, we used the methods of statistical analysis and meteorological statistical forecast to study the seasonal change law of PM2.5mass concentration in Nanchang, carried out a comprehensive analysis of the main meteorological factors affecting the air pollution, and then established the statistical forecasting models of PM2.5mass concentration in summer and non-summer. The results indicated that the average PM2.5mass concentration in summer in Nanchang was lower than that in non-summer, and the air quality in over half of non-summer exceeded the national standard grade Ⅱ. The peak of monthly mean PM2.5mass concentration appeared in December and January, and the air quality of Nanchang in 3/4 of January exceeded the national standard grade Ⅱ. The hourly variation in PM2.5mass concentration was of bimodal distribution, and the two peak values appeared basically at 9:00～11:00 or 22:00～24:00 in summer and at 11:00～12:00 or 21:00～23:00 in non-summer, which was related to the law of human activity and sunlight time. The established non-summer forecast model of PM2.5had a higher accuracy than the summer forecast model, and it has a certain practical application value for environmental meteorological forecast.

PM2.5; Nanchang; Pollution characteristics; Forecast model

2016-03-31

公益性行业(气象)可研专项(GYHY201406029、GYHY201306043)；江西省气象服务中心2015年课题“南昌空气污染物(PM2.5)浓度变化特征及预报模型研究”。

章开美(1986─)，女，工程师，硕士，从事海陆气相互作用及公共气象服务等研究。

X513

A

1001-8581(2016)09-0095-07