安吉大气颗粒物浓度特征及其与气象要素关系*

李云 梁明珠 张莹 曹卫东

(1.安吉县气象局,浙江 安吉 313300；2.湖州市气象局,浙江 湖州 313000)

安吉大气颗粒物浓度特征及其与气象要素关系*

李云1梁明珠2张莹1曹卫东1

(1.安吉县气象局,浙江 安吉 313300；2.湖州市气象局,浙江 湖州 313000)

对2015年1月—2016年12月安吉AQI大于100的天数进行聚类分析，系统地研究安吉不同污染天气环流特征及其影响下大气颗粒物浓度与气象要素相关。最优6类环流形势分别是第1类阻高型，第2类浅槽东移型，第3类低槽南压型，第4类纬向平直环流型；第5、6类高压脊控制(影响)型，，是安吉空气污染的主要天气类型。在持续时间超过2 d的连续污染天气形势中，PM2.5在第5、6类天气型中与各气象要素无显著相关，这意味着全年最多的污染天气形势下PM2.5难清除，结合逐时要素相关分析，与降水相关最显著，与这两类天气形势降水少密切相关。PM10相反，与雨类变量有显著的负相关，与风类变量无显著相关。

k-均值聚类；环流形势合成；PM1；PM2.5；PM10

0 引 言

近年来，随着社会经济的高速发展和城市化进程的加快，城市大气污染问题日益严重。我国城市的空气污染程度越来越为人们所关注。

安吉作为全国首个生态县，但受其特殊的“畚箕”地形等因素影响，重污染天气也是常有发生。因此全面分析研究气象条件对空气污染影响显得非常迫切。

目前，关于国内学者大气污染物浓度时空分布变化特征及其与气象要素关系的研究较多，但集中在对北京[1-2]、长江三角洲[3-7]等大中型城市，很少涉及安吉之类县(市)、区。

本文通过对安吉2015年1月—2016年12月不同粒径的大气颗粒物(PM1、PM2.5、PM10)分析，探讨了不同天气形势下大气颗粒物浓度与气象要素的关系，旨在全面深入了解和掌握安吉县大气环境质量状况，为安吉空气预测提供科学支撑；也为进一步治理和控制大气污染，改善安吉县大气环境质量进行科学探索。

1 数据与方法

1.1 数据来源

大气污染物数据来自浙江省环保厅和浙江省气象局公布的2015年1月—2016年12月安吉县3个环境监测点(2个环保站和1个气象站)(表1)的AQI、PM10、PM2.5、PM1的小时浓度资料。收集安吉逐日及逐时地面气象要素值，包括02、08、14、20时气温、平均气温、最高气温、最低气温、气温日较差、02、08、14、20时气压、平均气压、最大、最小气压、02、08、14、20时水汽压、平均水汽压02、08、14、20时湿度、平均湿度、最小湿度、夜间降水、白天降水、日降水、02、08、14、20时风速、平均风速、最大风速、极大风速：T02、T08、T14、T20、Ta、Tx、Tn、(Tx—Tn)、P02、P08、P14、P20、Pa、Px、Pn、E02、E08、E14、E20、Ea、U02、U08、U14、U20、Ua、Un、R20—08、R08—20、R20—20、fF02、fF08、fF14、fF20、Fa、fFx、fFy等。

收集气象场数据为2.5°×2.5° NCEP再分析资料。

表1 安吉县环境监测点信息

1.2 分析方法

对2015年1月—2016年12月安吉AQI大于100的111 d 36种气象要素进行k-均值聚类分析，根据相关研究和本地经验选取k=4、5、6进行对比择优；根据择优结果，将相同类型的高度场进行合成计算，得到污染天气最优环流形势并分析污染天气环流特征；研究分析不同污染天气环流特征及其影响下大气颗粒物浓度特征颗粒物特征与气象要素相关性。

本文中相关系数，逐步回归计算及显著性检验均在SPSS软件中完成；形势场处理在MATLAB软件中完成。

2 分析结果

2.1 污染天气环流类型与特征

2.1.1 污染天气环流分类

安吉2015年1月—2016年12月AQI大于100的111 d，其中1—2月共50 d。其最优污染天气环流类型分6类(表2)，第5类最多，第6类次之，第1类最少。其中第1类2 d，占1.8%；第2类22 d，占19.8%；第3类4 d，占3.6%；第4类16 d，占14.4%；第5类34 d，占30.6%；第6类33 d，占29.7%(表3)。

表2 不同k值相关性比较

表3 6类污染天气形势的月差异

2.1.2 污染天气环流特征

利用k-均值聚类方法，最优归类出的6类，根据500 hPa合成环流形势分别是第1类阻高型(图1a)，第2类浅槽东移型(图1b)，第3类低槽南压型(图1c)，第4类纬向平直环流型(图1d)，第5类西脊东涡型(图1e)，第6类西脊东槽型(图1f)。

第1类阻高型，是6种类型中最少的一类，在120°E～140°E、50°N及以上存在明显的阻高形势，此时的安吉位于脊后槽前，受下滑槽影响，容易出现降水，污染持续时间较短；第2类浅槽东移型，在安吉的“头顶”有一较浅的西风槽，槽底离安吉较远，安吉处于槽后天气，此时安吉可能会出现弱的稳定性降水；第3类低槽南压型，也是6种类型中次少的一类，由于低槽南压至40°N左右，较容易出现降水，污染持续时间较短；第4类纬向平直环流型，大范围的环流形势较平直，只有些“小扰动”，大气边界层相对比较稳定，不利于污染扩散，容易造成污染物累积；第5、6类均属于高压脊控制(影响)型，安吉处在西北或偏西气流控制，容易出现长时间持续污染，是安吉空气污染的最主要的两种天气类型；其中第6类脊区较第5类略偏强。

图1 6类500 hPa合成环流形势

2.2 不同污染天气环流影响下气象要素和大气颗粒物浓度特征

对比6种环流形势(表4)，第1类污染最轻，日较差最小，相对湿度最大，降水最多，风力较大；第2类日较差较小，风力较小；第3类是降水较多，是雨过天渐晴的状态；第4类温度最高，气压最低，风力较小；第5、6类是污染最重的两类，其中第5类温度最低，湿度最小，风速较小，第6类日较差最大，气压最大，与脊区强是密不可分的。

对6类及其混合类天气形势的维持时间对比(表5)，维持时间2 d以上的污染形势以混合类最多，说明6类天气形势场之间有密切的关系；维持时间较长(≥4 d)的污染天气形势出现在第2，5，6类及其混合类，甚至出现2次维持时间长达7 d的污染天气。

2.2.1 连续4 d及以上污染天气过程逐时大气颗粒物浓度与气象要素相关性

对连续4 d及以上污染天气过程统计，选取了6次完整的小时数据序列进行对比发现(表6)，与降水相关性最好，降水、气压、露点均与PM1.0、PM2.5、PM10以及AQI显著相关；而风速与小粒径的PM2.5和PM1.0显著相关。温度、气压、湿度、水汽压、风等全气象要素对PM1均显著相关，PM2.5除了气温未通过显著性检验外，也均通过显著性检验；对PM1和PM2.5影响的气象因子虽然最显著的是降水，但其显著性影响因子多，说明消除或减轻PM2.5和PM1“多管齐下”效果最佳。

表4 6种污染天气环流影响下气象要素和大气颗粒物浓度特征

(续表)

表6 连续4 d及以上污染天气过程逐时大气颗粒物浓度与气象要素相关性

**表示在置信度(双尾)为0.01时，相关性是显著的；*表示在置信度(双侧)为0.05时，相关性是显著的。

2.3 大气颗粒物与气象要素相关性

利用Spearman秩相关分析，对通过显著性检验的相关关系比较来看(表6)，在持续时间超过2 d的连续污染天气形势(第2、4、5、6及混合类)中，除了第2类天气形势中的PM1和PM2.5对各气象要素显著相关性是一一对应外，PM1，PM2.5、PM10、AQI对各气象要素相关关系相差较明显。

PM1在第2类天气形势中与T08、Ta、fF02、fF08、Fa、fFy等气温、风速类要素有较好的负相关性，与U02、U08等湿度类要素有较好的正相关性；在第4类天气形势中与Tx有较好的负相关性；在第5类天气形势中与T14、T20、Tx、(Tx—Tn)等气温类要素有较好的负相关性，与Ua有较好的正相关性；在第6类天气形势中与Ua有较好的正相关性；在混合类天气形势中与U02、U14、Ua、Un等湿度类要素有较好的正相关性，与Tx有较好的负相关性。

PM2.5在第2类天气形势中与T08、Ta、fF02、fF08、Fa、fFy等气温、风速类要素有较好的负相关性，与U02、U08等湿度类要素有较好的正相关性；在第4类天气形势中与Tx—Tn、Px有较好的负相关性，U14、Ua、Un等湿度类要素有较好的正相关性；在第5、6类天气形势中与各气象要素无显著相关关系，这意味着常发生在冬季的且是全年最多的污染天气形势，污染物PM2.5较难清除；在混合类天气形势中与T14、Tx等温度类要素有较好的负相关性，与Un有较好的正相关性。

PM10在第2类天气形势中与T02、R20—08、R20—20、fF02、fFy等气温、降水、风速类要素有负相关性；在第4类天气形势中与T14、Ta、Tx等气温类要素有较好的负相关性；在第5类天气形势中与P02、P08、P14、Pa、Px、Pn等气压类要素有较好的负相关性；在第6类天气形势中与P20、fF02有较好的正相关性；在混合类天气形势中与T14、Tx等气温类要素有较好的负相关性。

AQI在第2类天气形势中与T02有较好的负相关性；在第4、6类天气形势中与各气象要素无显著相关关系；在第5类天气形势中与P02有较好的负相关性；在混合类天气形势中与T14、T20、Tx等气温类要素有较好的负相关性。

值得注意的是，许多研究都表明[8-9]，降水对空气污染物具有清除作用，降水是清除污染物的有利气象因素，而从前面的相关性分析可知，PM10浓度与R20—08、R20—20有显著的负相关关系，PM1、PM2.5与雨量相关要素无显著性关系。因此不仅雨量的大小、降水持续时间的长短对污染物的清除效果是不一样的，而且雨量对不同粒径的大气颗粒物(PM1、PM2.5和PM10)清除效果也是不一样的。

表7 6类及其混合类环流形势中大气颗粒物与气象要素显著相关性

(续表)

2.4 不同天气类型统计建模及检验

对满足统计样本要求的第2、5、6类进行统计建模，根据大气颗粒物与气象要素显著相关性(表7)，将与PM1、PM2.5和PM10显著相关的气象要素作为自变量，求得PM1、PM2.5和PM10统计模型如下：

第5类：PM1=60.868+0.227T14-0.125T20-0.224Tx-0.077(Tx-Tn)+0.565Ua；

PM10=2654.274-1.917P02+1.275P08-2.989P14+4.478Pa-0.736Px-0.364Pn；

第6类：PM1=59.937+0.574Un；

PM10=-2515.963+0.261P20+0.403fF02；

第2类：PM1=127.211-0.302T08-0.302T08-0.074Ta+1.497U02-1.188U08-0.651fF02+0.063fF08-0.639Fa-0.032fFy；

PM2.5=156.936-0.253T08-0.128T08+1.581Ta+1.497U02-1.486U08-0.528fF02-.056fF08-0.968Fa+0.029fFy；

PM10=163.378-0.206T02-0.155R20_08-0.078R20_20-0.541fF02-0.127fFy

拟合优度R2是描述方程拟合的指标，分析多元线性回归方程拟合优度得到(表8)，第2类天气形势的拟合度最高，在0.43～0.67之间，拟合效果较好；第5类拟合度次之，但PM1的拟合度偏低，包括第6类天气形势的拟合度偏低，与显著性要素要素偏少有密切关系，归根到底还是与样本积累数量有限有关，收集、分析安吉新的大气颗粒物浓度及气象要素数据，是后续工作开展的保证和重点。

表8 多元线性回归方程拟合优度(R2)

3 结 语

对2015年1月—2016年12月安吉AQI大于100的111 d 36种气象要素进行k-均值聚类分析，系统地研究分析安吉不同污染天气环流特征及其影响下大气颗粒物浓度与气象要素相关性，得到以下结论。

1)安吉2015年1月—2016年12月AQI大于100的111 d中，其最优6类环流形势分别是第1类阻高型，占1.8%，在东经120°E～140°E、50°N及以上存在明显的阻高形势，此时的安吉位于脊后槽前，受下滑槽影响，容易出现降水，污染持续时间较短，污染最轻。气象要素方面具有日较差最小，相对湿度最大，降水最多，风力较大特点；第2类浅槽东移型，占19.8%，在安吉的“头顶”有一较浅的西风槽，气象要素方面具有日较差较小，风力较小特点；第3类低槽南压型，占3.6%，由于低槽南压至40°N左右，较容易出现降水，污染持续时间较短；第4类纬向平直环流型，占14.4%，大范围的环流形势较平直，只有些“小扰动”，大气边界层相对比较稳定，不利于污染扩散，容易造成污染物累积，气象要素方面具有温度最高，气压最低，风力较小特点；第5、6类均是高压脊控制(影响)型，安吉处在西北或偏西气流控制，容易出现长时间持续污染，是安吉空气污染的两个最主要天气类型，第5类气象要素方面具有温度最低，湿度最小特点；第6类脊区较第5类强，气象要素方面具有日较差最大，气压最大特点。

2)在持续时间超过2 d的连续污染天气形势(第2、4、5、6及混合类)中，除了第2类天气形势中的PM1和PM2.5对各气象要素显著相关性是一一对应外，PM1、PM2.5、PM10、AQI对各气象要素相关关系相差较明显。PM2.5在第5、6类天气形势中与各气象要素无显著相关关系，这意味着常发生在冬季的且是全年最多的污染天气形势，污染物PM2.5较难清除。PM10浓度与R20—08、R20—20有显著的负相关关系，而PM1、PM2.5与雨量相关要素无显著性关系。因此不仅雨量的大小，降水持续时间的长短对污染物的清除效果是不一样的，而且雨量对不同粒径的大气颗粒物(PM1、PM2.5和PM10)清除效果也是不一样的。

3)连续4 d及以上污染天气过程，逐时污染物与降水相关性最好，降水、气压、露点均与PM1.0、PM2.5、PM10以及AQI显著相关；而风速与小粒径的PM2.5和PM1.0显著相关。对PM1和PM2.5影响的气象因子虽然最显著的是降水，但其显著性影响因子多，说明消除或减轻PM2.5和PM1“多管齐下”效果最佳。

4)对比相关研究分析发现[10-11]，急需系统地了解区域差异、时间序列长度以及站点个数等原因对分类结果会否影响以及影响程度，将是未来研究的重要方向之一。

[1] 周江兴．北京市几种主要污染物浓度与气象要素的相关分析[J]．应用气象学报，2005，16(S1):123-127．

[2] 江琪,王飞,张恒德,等．北京市PM2.5和反应性气体浓度的变化特征及其与气象条件的关系[J]．中国环境科学,2017,37(3)：829-837.

[3] 魏玉香,童尧青,银燕,等．南京SO2、NO2和PM10变化特征及其与气象条件的关系[J]．大气科学学报,2009,32(3):451-457．

[4] 王会祥,唐孝炎,王木林,等．长江三角洲痕量气态污染物的时空分布特征[J]．中国科学:D辑，2003,33(2):114-118．

[5] 尚倩，李子华，杨军，等．南京冬季大气气溶胶粒子谱分布及其对能见度的影响[J]．环境科学，2011，32(9):2750-2760．

[6] 贾梦唯,赵天良,张祥志，等．南京主要大气污染物季节变化及相关气象分析[J]．中国环境科学,2016,36(9)：2567-2577.

[7] 陈磊,俞科爱,黄旋旋,等．宁波市空气质量变化趋势及影响因素分析[J]．浙江气象,2015,36(2):32-36.

[8] Tai A P K， Mickley L J， Jacob D J． Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States: Implications for the sensitivity ofPM2.5to climate change[J]． Atmospheric Environment，2010，44(32):3976-3984．

[9] Pateraki S， Asimakopoulos D N， Flocas H A， et al． The role of meteorology on different sized aerosol fractions (PM10，PM2.5，PM2.5-10)[J]． Science of the Total Environment，2012，419(1):124-135．

[10] 俞科爱,胡晓,徐宏辉,等.2012—2013年宁波市空气质量状况及其与气象条件的关系[J].浙江大学学报(理学版),2014,41(增刊)：136-142.

[11] 张晓云,郭虎,易笑园,等．天津市秋季典型环境污染过程个例分析[J]．气象与环境学报,2012,28(4):33-37．

2017-05-06

*资助项目：浙江省气象科技计划项目(2016QN07)资助