东部沿海地区秋冬季空气PM2.5污染时空变化特征

陈亚慧 葛跃

摘要  利用东部沿海地区2014年11月到2015年1月的ρ（PM2.5）逐时数据，分析研究PM2.5的时空分布特征。结果表明，ρ（PM2.5）的基底效应值在0.08～0.40，以结构性变异为主，空间自相关程度分别为强、中等，研究时段内PM2.5与空间结构和人类活动都存在关系;对典型城市秋冬交替时间段内的逐日ρ（PM2.5）时间序列进行小波分析，发现ρ（PM2.5）在不同时间尺度上具有不同的“高-低”交替变化规律，从秋季到冬季ρ（PM2.5）污染逐渐恶化。总体上，东部沿海地区秋冬季PM2.5污染情况存在一定的空间自相关性和周期性，应针对其时空特征进行联防联控和统筹治理。

关键词 PM2.5;东部沿海;地统计分析;小波分析

中图分类号：X513 文獻标识码：A 文章编号：2095-3305（2019）01-053-04

DOI： 10.19383/j.cnki.nyzhyj.2019.01.020

Spatial and Temporal Variation Characteristics of PM2.5 Pollution in Au tumn and Winter in East ern Coastal Areas

CHEN Ya-hui  et al（Hefei Environmental Monitoring Center， Hefei， Anhui 230031）

Abstract Using the hourly ρ（PM2.5） data of the eastern coastal areas from November 2014 to January 2015， the spatial and temporal distribution characteristics of PM2.5 were analyzed. The substrate effect value of ρ（PM2.5） was 0.08-0.40， the type of ρ（PM2.5） variation was mainly structural variation，and the degree of spatial autocorrelation was strong and moderate， respectively. There was a relationship between PM2.5 and spatial structure， human activities during the studied time period. The wavelet analysis showed that ρ（PM2.5） had different change rule of high and low alternations in different time scale， and PM2.5 pollution was gradually serious from autumn to winter. In general， there was a certain spatial autocorrelation and periodicity of PM2.5 pollution in autumn and winter in the eastern coastal areas， so joint prevention and control and overall treatment should be carried out according to its spatial and temporal characteristics.

Key words   PM2.5; Eastern coastal areas; Geo-statistical analysis; Wavelet analysis

我国东部沿海地区自然资源丰富，区位优势突出，是我国城市化高度发达和经济发展水平最高的地区，与此同时，城市的高速发展也带来了日趋严重的大气污染问题，国内外许多学者针对PM2.5污染特征方面开展了许多研究[1-5]，但大部分研究空间尺度较小，监测点数量较少，监测频次较低，而且主要分析PM2.5含量的动态变化特征和区域差异及其影响因素，较少关注PM2.5污染的时间尺度特征和空间自相关性。自2012年12月起，京津冀、东部沿海和珠三角以及省会城市建立了PM2.5监测网络，充分利用该监测网络丰富的数据资源开展PM2.5的时空变异特征[6]，有利于掌握城市群PM2.5的时空分布规律，为区域PM2.5的削减及联防联控提供基础研究数据。

笔者采用地统计和小波统计，以东部沿海地区为研究对象，对PM2.5进行动态变化和空间差异分析，揭示其动态变化的时间尺度特征和空间自相关性，旨在为东部沿海地区雾霾污染防治提供科学依据和决策参考。

1 资料与方法

1.1 数据来源与处理

东部沿海地区各国控大气环境质量监测站点分布见图1。数据起止时间为2014年11月1日至2015年1月31日，每个月份对应的有效数据量达10万条以上。在数据搜集过程中，因传输网络不稳定、气象条件等因素会产生一些异常值和缺失值，需要采用时间回归模型进行建模[7]，该文利用MATLAB R2012b软件中的interp1（）函数实现了PM2.5含量时间序列的分段3次插值。

1.2 分析方法

1.2.1 空间自相关性分析 采用地统计分析东部沿海地区PM2.5含量的空间自相关性。地统计学以随经、纬度变化的ρ（PM2.5）作为区域化变量处理时，能同时反映其空间分布的随机性和结构性[2]。相应的变异函数模型有球状模型和高斯模型[8]。

球状模型公式如下：

式中，C0为块金值;a为空间自相关距离;C为偏基台值;C0+C为总基台值。

C0和C分别描述了由随机性和结构性因素引起的变异，C0+C反映了总变异特征。C0与C0+C之比称为基底效应，记为Q，可用其来描述污染物变异的性质和空间自相关程度。根据Q值的大小可对空间变异性质进行分级[9]，分级标准如表1所示。

1.2.2 小波分析 ρ（PM2.5）是日值资料的时间序列，受多种因素的影响，直接对原始数据的分析很难发掘出多尺度变化的规律性，如果用简单的平均等分析方法进行处理，又会造成某些细节的丢失。因此寻找一种合理的分析方法就显得尤为必要，小波分析作为一种时频分析方法，可以有效地挖掘出ρ（PM2.5）时间序列的变化信息，已经有研究表明利用小波分析的方法研究ρ（PM2.5）的變化特征是切实可行的。小波方差图可用来确定信号中不同种尺度扰动的相对强度和存在的主要时间尺度，即主周期。

2 结果与分析

2.1 东部沿海地区ρ（PM2.5）描述性分析

表2为东部沿海地区ρ（PM2.5）的基本统计分析结果。对于ρ（PM2.5）的常规统计分析能够概括出ρ（PM2.5）的整体特征，但是不能反映其局部的变化特征，即只是在某种程度上反映样本本体，而不能定量刻画出ρ（PM2.5）的随机性和结构性。为了更好地了解ρ（PM2.5）的空间变异特征，需要进一步采用地统计学方法对ρ（PM2.5）空间变异特征进行分析。

2.2 东部沿海地区ρ（PM2.5）空间变异特征分析

2.2.1 各向同性 应用GS+9.0进行半变异函数参数的计算和理论模型的拟合。该文按照GS+9.0自动生成的步长作为理论步长，对秋冬季节东部沿海地区ρ（PM2.5）的半变异函数参数进行计算，3种拟合模型结果以及参数见表3。

根据残差越小越好和决定系数越大越好的原则，由表3可得，2014年11月和2015年1月的ρ（PM2.5）应选用球形模型作为拟合模型，Q值分别为6.94%和19.12%，变程分别为217.1和336.2 km，2014年12月的ρ（PM2.5）应选用高斯模型作为拟合模型，Q值为26.24%，变程为290.0 km。从基底效应值看来，东部沿海地区的ρ（PM2.5）呈现出一定的空间相关性，2014年11月和2015年1月的东部沿海地区ρ（PM2.5）有强烈的空间相关性，主要受自然因素控制，受人为因素影响较小;2015年1月的东部沿海地区ρ（PM2.5）的空间自相关性要弱于2014年11月的空间相关性，2014年12月的东部沿海地区ρ（PM2.5）具有中等程度的空间相关性，受自然因素和人为因素的影响程度相当。从月份看来，2014年11月至2015年1月这一阶段ρ（PM2.5）的基底效应有一个上升和下降的过程，基底效应值从2014年11月的6.94%上升到2014年12月的26.24%，然后下降到19.12%，总体增幅为175%。从变程看来，东部沿海地区ρ（PM2.5）从2014年11月的217.1 km增加到336.2 km，增幅为55%，空间自相关性的距离在逐渐增大，表明PM2.5污染影响的范围在扩大。

2.2.2 各向异性   ρ（PM2.5）空间分布特征是多种影响因素在不同空间方向尺度上共同作用的结果，为了能够更加准确地分析ρ（PM2.5）的空间特征，还需要对ρ（PM2.5）在不同方向上的变化趋势进行分析。该文利用R地统计包geoR绘制了东-西（0°）、南-北（90°）、东北-西南（45°），西北-东南（135°）4个方向的半变异函数图（图2）。从图2可以看出，2014年11月的ρ（PM2.5）在西北-东南方向上的380 km左右距离上存在明显差异，3个月的各向异性半变异函数图在大于600 km左右的距离外开始出现较大差异，除此之外，2014年11月、2014年12月和2015年1月的ρ（PM2.5）在各个方向上的半变异曲线变化趋势大致相同，总体上，各向同性多于各向异性，该地区PM2.5的污染整体较为严重。

2.3 典型城市ρ（PM2.5）的时间变化特征

考虑到东部沿海地区涉及到的城市较多，该文选取了3个典型城市，分别是南京、上海和杭州作为时间变化分析的案例。

2.3.1 典型城市ρ（PM2.5）的时间序列  3个城市2014年11月1日至2015年1月31日的逐日ρ（PM2.5）时间序列见图3。PM2.5污染程度受污染源排放强度及气象条件等因素的综合作用，污染指数信号是非稳定的，呈现出混沌性，具有非线性和多时间尺度特性。

2.3.2 典型城市ρ（PM2.5）的多尺度变化特征  为分析典型城市PM2.5浓度的季节变化、短期变化特征，需要将PM2.5日值数据进行小波分解，图4～6为PM2.5序列经过双正交小波bior（4，4）5级分解后的插值结果。从图4～6可以看出，当尺度比较小时，3个城市的ρ（PM2.5）小波变换序列表现的变化比较剧烈，随着尺度的倍增，小波变换时间序列变得越来越光滑，在第5尺度级别上的小波变换已经呈现出相对稳定的周期性，近似正弦波形特征，表明它对原始时间序列的影响比较稳定，影响的时间也比小尺度的要长。

振荡信号强弱通过小波系数的大小来表示，小波系数越大，PM2.5污染指数越大，污染越严重，小波系数越小，PM2.5污染指数越小，污染越轻。在32 d的时间尺度上，南京市和杭州市的小波系数图近似一致，3个月时间段内的PM2.5污染表现出“中高-低-较高-低”的变化特征，从2014年11月底至12月初的PM2.5污染最轻，2014年11月中旬相对严重，从2014年12月初到2015年1月中旬，PM2.5污染状况持续加重，2015年1月中旬污染最为严重。从上海市的小波系数图可以看出，3个月时间段内的PM2.5污染从轻到重，渐渐恶化。从时间尺度上来看，从秋季到冬季这一时间段内的污染是在加剧的，3个城市在2015年中旬PM2.5污染都较为严重，在2～8 d的尺度下，都表现为振荡显著的特征，污染状态具有强烈的波动性，振荡周期很短，振动频率较高，具有高频的特性。在16 d的尺度下，表现为初期振荡相对较弱，而后期振荡显著的特征，对应的时间段也表明冬季污染高于秋季。

各种尺度扰动的相对强度中，最大峰值处的尺度称为该时间序列的主要时间尺度，用以反映时间序列的主要周期。通过小波方差图可非常方便地寻求（查找）一个时间序列中起主要作用的尺度（周期）。因而可以准确地诊断出多长周期的振动最强，即起主要作用的周期。从图7可以看出，南京市、杭州市和上海市3个月逐日PM2.5的污染状况变化分别具有近7、10、9 d左右的主周期。

3 结论

（1）东部沿海地区ρ（PM2.5）经K-S检验均能很好地符合正态分布。东部沿海地区ρ（PM2.5）各月的变异系数均介于10%～100%范围，空间变异性程度均属于中等水平，研究区域内各监测站点的ρ（PM2.5）在地域上有较大的变异性，呈现出较大的离散性。

（2）ρ（PM2.5）的基底效应在0.08～0.40，ρ（PM2.5）变异类别以结构性变异为主，空间自相关程度分别为强、中等强度，存在时空差异性。2014年12月、2014年11月和2015年1月的ρ（PM2.5）在各个方向上的半变异函数曲线变化趋势大致相同，属于各向同性。

（3）南京市、杭州市和上海市3個典型城市秋冬季节污染指数的变化具有多尺度的特征，在各时间尺度上具有不同的变化规律，且以近7、10、9 d左右的变化为主周期。冬季中期时段处于污染相对较严重的阶段，且持续一定时期，污染前景不容忽视。

参考文献

[1] 张懿华， 段玉森， 高松， 等.上海城区典型空气污染过程中细颗粒污染特征研究[J]. 中国环境科学， 2011，31（7）：1115-1121.

[2] 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.

[3] 云慧， 何凌燕， 黄晓锋， 等.深圳市PM2.5化学组成与时空分布特征[J]. 环境科学， 2013，34（4）：1245-1251.

[4] CHENG Y H， LIN Y L， LIU C C. Levels of PM10 and PM2.5 in Taipei Rapid Transit Sy？鄄stem[J]. Atmospheric Environment，2008，42（31）：7242-7249.

[5] CHEN W， TANG H， ZHAO H M. Weekly and monthly spatial variations of air pollutants and air quality of Beijing [J]. Atmospheric Environment， 2015，119：21-34.

[6] HU J， WANG Y， YING Q， et al. Spatial and temporal variability of PM2.5 and PM10 over the North China plain and the Yangtze River delta， China [J]. Atmosphe？鄄ric Environment， 2014，95：598-609.

[7] 秦珊珊. 悬浮颗粒物PM10与PM2.5的统计分析与预测[D]. 兰州：兰州大学， 2014：8-10.

[8] 刘爱利， 王培法， 丁园圆. 地统计学概论[M]. 北京：科学出版社，2012：50-53.

[9] 郭广慧， 张航程. 宜宾市城市土壤锌含量的空间分布特征及污染评价[J]. 地理研究， 2011，30（1）：125-133.