成都市PM2.5浓度时空变化特征及影响因子分析

肖 雪，曹云刚，张 敏

（西南交通大学 地球科学与环境工程学院，四川 成都 611756）

0 引 言

伴随着经济和城市化的快速发展，各种大气污染物的排放对环境和气候产生了严重影响。大气颗粒物不仅会引发灰霾天气，导致空气能见度降低、影响城市景观，更会影响公众的身体健康[1]。颗粒物按其空气动力学直径及其在人体呼吸系统沉积位置的不同，可分为总悬浮颗粒物(0～100μ m)、可吸入颗粒物(0～10μm)和细颗粒物(0～2.5μm)。其中，PM2.5表示环境空气中空气动力学直径小于等于2.5μm的细颗粒物，又被称为可吸入肺颗粒物，它不仅可以进入鼻腔咽喉更可以进入肺泡沉积或人体血液循环，引发各种疾病，如呼吸系统疾病、心血管疾病等[2-4]，因此，PM2.5受到了公众的广泛关注。近年来，国内外学者已经在对PM2.5的来源解析，化学成分，影响因子，时空变化特征以及控制PM2.5的污染等方面进行了大量的研究并取得了一定的研究成果。

尤其是在PM2.5的影响因子分析方面，江瑶等[5]探讨了气象条件对PM2.5浓度的影响，结果表明降水对PM2.5具有明显的清除作用，风则有较好的稀释扩散效应；Chen T等[6]利用地理加权回归模型分析了城市、人口和经济发展对PM2.5浓度变化的影响，其结果表明，人口增加、当地经济增长和城市扩张是影响PM2.5浓度的3个主要驱动力；Xie Y Y等[7]利用皮尔森相关系数分析了PM2.5、PM10与其他污染气体SO2，NO2，CO and O3的关系，结果表明PM2.5、PM10与SO2，NO2，CO存在较高的相关性，SO2、NO2和CO的排放往往伴随着PM2.5和PM10的排放，这些气态污染物也与二次气溶胶的生成有关。另外，黄巍等[8]在确定通风与降水对于减少PM2.5对城市的影响最为有效的情况下，通过建立3D模型并运用计算流体力学(CFD)软件模拟成都市一处密集的建成区域，分析了城市空间形态对通风的影响，得到了理想的结果。但其是对城市建成区的三维模型进行数值模拟，并在固定的参数设置下得到的结果，数据的使用存在一定的局限性。

作为西南地区的金融贸易中心和交通枢纽，四川省成都市近年来也饱受大气污染的影响。这是由于随着成都市社会经济的快速发展，大气污染物排放量日益增加，同时由于成都平原所在区域独特的地形和气候特征，使得大气污染物自然扩散能力较差。此外，截至2016年底，成都市汽车保有量达到412万辆，相较于2015年增加了46万辆，汽车保有量的增加会导致污染物排放量大幅增加，这也会影响到成都市的空气质量。因此，本文以成都市为例，选取四川省环境监测总站实时发布的监测数据，对成都市2016年PM2.5的时空变化特征及气象因子对其的影响进行分析。在此基础上，结合最新数字表面模型数据(DSM)与数字高程模型(DEM)，从而进一步分析城市空间形态因子对PM2.5浓度变化的影响，为成都市进一步开展大气污染物治理与城市规划提供科学依据。

1 数据与方法

1.1 数据来源

PM2.5浓度数据来源于四川省环境监测总站(http://www.scnewair.cn:3389/publish/index.html)实时发布的逐小时监测数据，其时间范围为2016年1月1日～12月31日。包括了成都市辖区的8个国控空气质量监测站点，分别为十里店，沙河铺，君平街，三瓦窑，大石西路，梁家巷，金泉两河和灵岩寺，站点空间分布如图1所示。气象数据来源于网站(http://www.wunderground.com/history)和中国气象科学数据共享服务网。高分辨率遥感影像数据来源于Google Earth，其影像级别为17级，重采样后的空间分辨率约为1 m，数据获取时间为2016年5月11日。数字高程模型(Digital Elevation Model，DEM)为ASTER GDEM，来源于地理空间数据云，数字表面模型(Digital Surface Model，DSM)为AW3D30，来源于JAXA全球ALOS门户网站(http://www.eorc.jaxa.jp/ALOS/en/aw3d30)，其中，DSM是表达地球表面及其之上物体表面高低起伏形态的数据集，能有效反映地表信息，与数字高程模型相比，DSM除了包含地形的高程信息，还涵盖了其他地表信息的高程，如建筑物、植被等[9]。

图1 成都市空气质量监测站点分布图Fig.1 Spatial distribution of air quality monitoring stations in Chengdu

1.2 数据处理与分析

由四川省环境总站的发布说明可知，当地面监测站点遇到监测仪器校零、校标等日常维护行为，或出现通信故障、停电等现象，空气质量监测数据会出现缺失或异常值，因此，本文在剔除异常值的同时，利用线性插值法对已有数据进行处理，得到成都市2016年一整年完整的数据。根据空气质量监测站点PM2.5浓度的逐小时数据，求算术平均得到日均值，进而得到季均值和年均值, 其中，3、4、5月为春季，6、7、8月为夏季，9、10、11月为秋季，12、1、2月为冬季。首先，结合Excel统计图表，分析PM2.5浓度的日变化与日均变化特征。其次，由于在少量非均匀分布数据情况下普通克里金法能插值得到较好的结果[10]，因此本文基于各站点的PM2.5浓度数据，利用ArcGIS软件的普通克里金插值工具对成都市城市中心PM2.5浓度进行了空间插值，并分析了其空间分布特征。第三，利用SPSS统计分析工具将PM2.5浓度与气象因子进行相关性分析，根据相关系数探析气象因子对PM2.5浓度变化的影响。最后，结合DEM和DSM数据，利用ArcGIS空间分析工具计算出建筑错落度，并对PM2.5浓度下降速率与建筑错落度进行回归分析，探究建筑错落度对PM2.5浓度变化的影响。

2 PM2.5浓度时空变化特征

2.1 PM2.5浓度日变化特征

本文依次计算成都市8个监测站点2016年每日不同时刻PM2.5浓度的平均值，得到PM2.5浓度日变化折线图，如图2所示。可以看出，除了灵岩寺外(对照点)，其他7个位于城市中心监测站点的PM2.5浓度具有“单峰单谷”特征，单峰大致出现在白天的10:00～12:00，单谷出现在17:00～19:00，且金泉两河的日均PM2.5浓度明显高于其他站点。灵岩寺每日的PM2.5浓度变化不明显，但在每日的9:00左右还是出现了PM2.5浓度明显增加的过程，直到夜晚20:00有不明显的下降趋势。

图2 PM2.5浓度日变化折线图Fig.2 Diurnal variation of PM2.5 concentration

从各国控站点的高分辨率遥感影像，如图3所示，可以看出，除了灵岩寺站点位于城市郊区，其余7个站点均位于成都市区，人口密集，车流量大。成都市早高峰时段为7:30～9:00，机动车向大气环境中不断输入细颗粒物以及道路扬尘[11]，使细颗粒物堆积沉淀后，浓度最高值出现在10:00～12:00；午后随着地面温度的升高，静稳层结被打破，湍流的垂直交换或者风的输送，使得颗粒物浓度扩散下降[12]；晚上由于成都市晚高峰(17:30～19:00)车流量的增加，使得PM2.5浓度再次回升。由此可以看出，机动车所排放的污染气体对成都市城市中心的PM2.5浓度变化的影响很大，这与Tian Y Z等[13]的研究结果相吻合。另外，成都市夜间PM2.5浓度不减反增，这可能是成都市逆温和城市热岛效应现象导致的空气无法上下对流，使得PM2.5难以扩散，也有可能是由于站点周围的工厂偷排污染气体所导致。

图3 成都市空气质量监测站点高分辨率遥感影像Fig.3 High-resolution remote sensing images of air quality monitoring stations in Chengdu

2.2 PM2.5浓度日均变化特征

由空气质量监测数据的逐小时数据求算术平均得到各站点PM2.5浓度的日均变化折线图，如图4所示。可以看出，成都市各站点PM2.5浓度的日均变化明显的峰尖，出现在11、12月，而7～9月的PM2.5日均浓度变化较为稳定，没有明显的尖峰，且各站点PM2.5日均最大浓度从大到小依次为：金泉两河(247.25μg·m-3)＞梁家巷(242.42μg·m-3)＞十里店(229.54μg·m-3)＞沙河铺(226.42μg·m-3)＞三瓦窑(211.69μg·m-3)＞君平街(211.46μg·m-3)＞大石西路(200.17μg·m-3)＞灵岩寺(146.73μg·m-3)。PM2.5浓度二级浓度限值为75μg·m-3[14]，根据统计得知，各站点PM2.5浓度超标率依次为：十里店(29%)，沙河铺(24.9%)，君平街(25.7%)，三瓦窑(27%)，大石西路(26%)，梁家巷(31.4%)，金泉两河(37.7%)，灵岩寺(10.7%)，其中，金泉两河站点的超标率最高，灵岩寺超标率最低。金泉两河超标率最高可能是由于周围有较多的工业园区，而灵岩寺作为郊区背景对照点，PM2.5日均最大浓度最低且超标率最低。

图4 PM2.5浓度日均变化折线图Fig.4 Average daily variation of PM2.5 concentration

2.3 PM2.5浓度空间变化特征

由PM2.5浓度的季均值求算术平均得到PM2.5浓度的年均值，插值得到2016年成都市城市中心各监测站点年均PM2.5浓度空间分布图，如图5所示。可以看出，城市中心PM2.5浓度的空间变化特征整体表现为由西北向东南逐渐减小的趋势，且7个监测站点的年均PM2.5浓度均大于PM2.5二级浓度年均限值(35μg·m-3)[14]。 其中，金泉两河PM2.5浓度(75.55μg·m-3)最高，十里店、梁家巷次之，PM2.5浓度范围为65.74～68.23μg·m-3，这可能是由于成都市城市中心偏西北方向的工业园区较多，由工业排放导致金泉两河的PM2.5浓度较高；而沙河铺、三瓦窑、君平街和大石西路的PM2.5浓度相对较低，PM2.5浓度范围为58.67～60.97μg·m-3。

图5 2016年成都市城市中心PM2.5浓度空间分布图Fig.5 Spatial distribution of PM2.5 concentration in the city center of Chengdu in 2016

3 PM2.5浓度的影响因子

3.1 气象因子

为了探究气象因子对成都市PM2.5浓度的扩散和积累作用，计算得出成都市日均PM2.5浓度、气温、风速、海平面气压与相对湿度，分析PM2.5浓度与气象因子的相关性。由图6可以看出，从全年来看，PM2.5浓度与气温、风速呈负相关，PM2.5浓度随气温或风速的增加而下降；与海平面气压呈正相关，PM2.5浓度随海平面气压的增加而增加；但与相对湿度的关系不明显。

图6 PM2.5浓度与气象因子的关系Fig.6 Relationship between PM2.5 concentration and meteorological factors

具体的，利用SPSS分别计算PM2.5浓度全年和四季与气象因子的相关系数，见表1。分气象因子来看，PM2.5浓度与气温全年呈显著负相关，相关系数为-0.398，随着气温的上升，大气对流作用逐渐增强，从而增强PM2.5可扩散性，降低PM2.5浓度，相反，气温的降低容易出现逆温层，不利于PM2.5的扩散[15]，但PM2.5浓度与冬夏季的气温呈显著正相关，相关系数分别为0.306和0.378，与春秋季气温的相关性不明显。PM2.5浓度与风速全年呈显著负相关，且春季和冬季的相关性较高，相关系数分别为-0.545和-527，风速越大，越有利于PM2.5浓度的水平扩散。PM2.5浓度与海平面气压呈正相关，但与春夏秋冬四季均呈负相关，且只有与冬季呈显著负相关，相关系数为-0.31，即当海平面中心气压较低时，四周的高压流向中心，形成上升气流，有助于PM2.5向上扩散，使PM2.5浓度降低，反之亦然。虽然从全年来看，PM2.5浓度与相对湿度的相关性不显著，但与春夏季的相对湿度呈显著负相关，与冬季呈显著正相关，这是由于吸湿作用，PM2.5自身重量会有所增加，使得PM2.5发生聚集，成都市的相对湿度常年较高，冬季高于春秋两季，但春夏两季降水较多，会对PM2.5产生沉降作用，从而降低空气中PM2.5浓度。来污染源的影响较小。本文首先通过对比高分辨率遥感影像，将成都市城市中心的建筑物高度用DSM与DEM差值大于3的结果表示(如果出现负值，则设置为0)，利用ArcGIS空间分析工具，以3×3矩形窗口为统计单元，得到反映出区域建筑物高低错落程度的建筑错落度(O)，公式如下：

式中，σ表示建筑高度标准差，H表示平均高度。

成都市城市中心建筑错落度，如图7所示，可以看出，十里店、沙河铺、君平街和梁家巷周围的建筑错落度较高，而金泉两河周围的建筑错落度较低。其次，统计成都市2016年位于城市中心各站点每天13:00～17:00的PM2.5浓度，得到7个站点该时间段PM2.5浓度的下降速率，其中，由于大石西路位于草堂附近，周围有多处公园景点，而三瓦窑站点所处的位置周围较为空旷，植被较多，因此，大石西路和三瓦窑均不纳入建筑错落度与PM2.5浓度下降速率的回归分析。利用EXCEL对两者进行回归分析，建筑错落度与PM2.5浓度下降速率的关系如图8所示，得到回归关系的显著性系数为0.014，即该模型的置信度达到95%，建筑错落度与PM2.5浓度下降速率的相关系数R2为0.896，说明建筑错落度与PM2.5浓度下降速率具有显著正相关，即建筑错落度越高，PM2.5浓度下降得越快。

表1 PM2.5浓度与气象因子的相关系数Tab.1 Correlation coefficient between PM2.5 concentration and meteorological factors

*在0.05水(双侧)上显著相关；**在0.01水平(双侧)上显著相关。

3.2 城市空间形态因子

区域城市空间形态因子包括建筑平均高度、建筑错落度、建筑占空度等[16]，建筑物的高矮不一会导致空气湍流增加，有利于PM2.5的稀释扩散，因此，本文利用建筑错落度分析建筑物空间形态对PM2.5浓度变化的影响。由PM2.5浓度的日变化特征可以看出，受早高峰的影响，位于城市中心各监测站点的PM2.5浓度在10:00～12:00达到白天最高值，在晚高峰之前，PM2.5浓度有明显的下降过程，且每个站点PM2.5浓度的下降速率不一样，而夜间PM2.5浓度基本呈上升趋势。因此选择13:00～17:00时间段PM2.5浓度数据来分析建筑错落度对PM2.5浓度变化的影响，并认为该时间段的PM2.5浓度受外

图7 成都市城市中心建筑错落度(O)Fig.7 Building otherness of Chengdu city centre(O)

图8 建筑错落度与PM2.5浓度下降速率的关系Fig.8 Relationship between building otherness and decline rate of PM2.5 concentration

4 结束语

本文通过对成都市2016年度地面观测PM2.5浓度数据的处理与分析，初步探究了该区域大气质量因子的时空变化特征，并对其影响因子进行了综合分析，研究结果表明：

1）成都市PM2.5浓度的日变化特征表现为城市中心具有“单峰单谷”特征，而郊区的日变化特征不明显。PM2.5浓度的日均变化特征表现为秋冬季节日均波动剧烈，春夏季节变化较为稳定，另外，各站点PM2.5浓度日均超标率由高至低依次为金泉两河，梁家巷，十里店，三瓦窑，大石西路，君平街，沙河铺，灵岩寺。城市建筑物聚集的城市中心PM2.5浓度空间变化特征整体表现为由西北向东南逐渐减小的趋势。从上述特征来看，成都市城市中心日间PM2.5浓度的主要来源为机动车排放。此外，由于气温对大气颗粒物扩散能力的影响，晚高峰时段的PM2.5平均浓度略低于早高峰时段的数值。

2）从全年来看，PM2.5浓度与气温和风速呈显著负相关，与海平面气压呈显著正相关，而与相对湿度的相关性不明显。其中，在全年和各季节中风速与PM2.5浓度均呈显著负相关，其是影响PM2.5浓度变化的重要气象因子。因此，在后续的城市规划和建设中，可以适当地规划出通风廊道来降低大气颗粒物浓度。

3）建筑错落度与PM2.5浓度变化速率的相关系数R2为0.896，相关性较高，即建筑错落度越高，PM2.5浓度下降得越快。因此，为了尽可能地有利于大气颗粒物扩散，结合成都市日间的大气污染物排放源特点，应尽量采用一些交通疏导措施以避免在建筑物密集区的交通拥堵。

4）风速与风向是影响大气污染物水平输送的重要气象因子，但由于风向的实时变化以及资料的缺失，本文未分析风向对PM2.5浓度变化的影响，因此，在未来的研究中，可以进一步结合通风廊道具体探讨风向与通风廊道对PM2.5浓度变化的影响，从而为城市规划建设与大气污染物治理提供更多的信息。