2014—2018年京津冀地区PM2.5冷热点时空格局分析

张良玉，高万泉，李建军，王 欢

(1. 保定市气象局 河北保定071000；2. 保定市徐水区气象局 河北保定071000)

0 引 言

京津冀城市群是我国北方经济的重要核心区。偏重的产业结构，以煤为主的能源结构，以公路为主的交通结构，远超环境承载力的污染排放强度是该地区大气重污染形成的主因[1]。同时，该地区位于太行山东侧“背风坡”和燕山南侧的半封闭地带中，削弱了该地区秋冬季盛行西北季风的作用，并受中层暖盖的影响，“弱风区”特征明显，污染物扩散条件较差[2]。

研究表明，粒径在 2.5μm 以及其以下的细颗粒物(PM2.5)[3]造成的灰霾天气对人体健康的危害甚至要比沙尘暴更大[4-5]。地理位置、气候因素的变化会使 PM2.5的发生表现出一定的随机性，但受各地外部因素的影响，导致 PM2.5存在一定程度的空间分布特性[6]。PM2.5浓度在空间上并不均匀分布，而是表现出明显的空间聚集特性[7-8]，这种聚集性可以用冷热点来表述。前人对京津冀地区 PM2.5的研究多集中在变化特征、成因、防治对策等[9-11]，但对如何利用ArcGIS技术探索京津冀地区 PM2.5发生的空间关联性，以及冷热点时空分布特征的研究并不多。本文采用空间冷热点分析方法定量探测 PM2.5浓度的空间自相关性，研究2014—2018年京津冀地区PM2.5浓度空间分布的规律和聚集特征，找出污染热点区域，以期为京津冀地区治理环境污染，深化区域联防联控，打赢蓝天保卫战，改善生态环境提供科学依据。

1 数据来源与处理

1.1 数据来源

利用2014—2018年京津冀地区176个PM2.5环境监测站点资料，根据GB 3095—2012《环境空气质量标准》中数据统计的有效性规定，对无效的数据进行了处理和删除。

1.2 数据处理

冷热点分析是一种探索局部空间聚类分布特征的有效手段[12]，它可以将变量空间分布集聚的程度通过冷热点进行区分。Getis-Ord Gi*指数可以很好地反映变量在局部空间区域上的冷热点分布，该模型公式为：

利用 ArcGIS热点分析工具，在冷热点分布图属性表中生成具有统计学意义的Z得分和P值。如果P值具有显著性，Z得分大于 0且愈高，目标对象属性的高值聚类则愈紧密(形成热点)；Z得分小于0且愈低，则目标对象属性的低值聚类就愈紧密(形成冷点)。将京津冀地区PM2.5浓度空间分布划分为：一级冷点区(Z＜-2.58)，即 99%置信区间；二级冷点区(-2.58＜Z＜-1.96)，即 95%置信区间；三级冷点区(-1.96＜Z＜-1.65)，即 90%置信区间；随机分布区(-1.65＜Z＜1.65)；一级热点区(Z＞2.58)，即 99%置信区间；二级热点区(1.96＜Z＜2.58)，即 95%置信区间；三级热点区(1.65＜Z＜1.96)，即90%置信区间。

2 结果分析

2.1 2014—2018年京津冀地区年平均 PM2.5浓度值站点变化

如表 1所示，根据环境空气质量指数(AQI)技术规定，将空气质量按 PM2.5浓度划分为不同等级，研究不同级别PM2.5浓度的年、月和日变化。

如图 1所示，2014—2018年京津冀地区年平均PM2.5浓度达到优良程度站点逐渐增多。2014年在176个站点中达到轻度、中度污染的站点多达 81%，优良站点仅为 16%，有 5个站点达到了重度污染程度，2015年后无站点达到重度污染程度；2015、2016年轻度污染以上站点分别为 76%、66%，2017、2018年无站点达到中度以上污染程度；2017年优、良点数达到 70%，2018年超过了 80%，轻度污染站点数降至20%以下。

表1 PM2.5浓度等级划分Tab.1 PM2.5 concentration grading

图1 2014—2018年京津冀地区PM2.5浓度站点变化Fig.1 Changes of PM2.5 concentration sites in Beijing-Tianjin-Hebei region from 2014 to 2018

2.2 2014—2018年京津冀PM2.5月平均浓度变化

如图2所示，2014—2018年京津冀地区PM2.5浓度值 5～9月明显优于其他月份，各月平均浓度值呈总体下降趋势，每年1、2、11、12月PM2.5浓度值相对较高，受北方冬季气候及供暖影响较大。3月进入春季以后，受大风天气增多、气温回升、降水增多等因素影响，PM2.5浓度值下降趋势明显。5～9月 PM2.5浓度平均值都达到了优良水平，7月 PM2.5出现了小幅反弹，因为7月受副高控制闷热天气及雾霾天气增多，不利于 PM2.5扩散[13-14]。

图2 2014—2018年京津冀地区 PM2.5月平均浓度堆积柱形图Fig.2 Column diagram of average monthly concentration of PM2.5 in Beijing-Tianjin-Hebei region from 2014 to 2018

2.3 2014—2018年京津冀PM2.5的日变化

如图3所示，2014—2018年京津冀地区PM2.5的历年日变化呈 U形分布，即秋冬季 PM2.5浓度高，春夏季 PM2.5浓度低，U 形高度逐渐变低趋势。参照环境空气质量标准，24h平均 PM2.5浓度限值一级标准为 35µg/m3，二级标准为 75µg/m3。从图 3可以看出，低于一、二级标准的天数逐年增多，经统计2014年京津冀日平均浓度低于二级标准最长天数为6d，出现达到连续5d的次数仅为4次；2015年最长连续为21d，连续5d的次数为11次；2016年最长连续为24d，连续5d次数达到19次，其中4次达到连续 10d以上；2017年最长连续天数达了 133d，2018年为121d，优良天数分别达到了270、268d，超过全年天数的 7成以上。在超标天数中，2018年以PM2.5为首要污染的天数点总超标天数的百分比首次低于 50%，同时首次低于 O3的超标天数占比[15]，显示空气质量得到进一步改善。

图3 2014—2018年京津冀地区PM2.5浓度日变化Fig.3 Daily variation of PM2.5 concentration in Beijing-Tianjin-Hebei region from 2014 to 2018

2.4 2014—2018年京津冀PM2.5冷热点时空格局

利用ArcGIS软件中冷热点空间分析工具(Getis-Ord Gi*)，空间概念化采用“CONTIGUITY_EDGES_CORNER”，即共享边界、结点或重叠的面要素会影响目标面要素的计算，得到 2014—2018年京津冀地区 PM2.5冷热点时空格局变化特征。在一定时段内，若某站点的 PM2.5浓度高于均值，且被同样具有高于PM2.5浓度站点所包围，则该站点具有较强的空间联系，属于 PM2.5热点区；反之，则属于冷点区。冷点区(含一、二、三级)主要分布在张家口、承德及北京的北部地区，2015、2016年秦皇岛东部及 2015年天津中东部地区出现冷点聚集区；热点区(含一、二、三级)主要出现在保定中南部的以南的部分地区，每年分布区域变化较大，但总体来说，热点区主要出现在石家庄、邢台和邯郸地区。

表2显示冷、热点区PM2.5浓度平均值均呈下降趋势。一、二级冷点区 PM2.5浓度平均值均未超过75µg/m3，未低于 35µg/m3；三级热点区 PM2.5浓度平均值均未超过 75µg/m3，2014、2015年甚至超过了115µg/m3，达到重度污染程度。2014—2018年冷热点区 PM2.5浓度平均值呈递进式下降，2014年只有二、三级冷点 PM2.5浓度平均值未超过 75µg/m3，到2018年下降为只有三级热点区的 PM2.5浓度平均值均超过 75µg/m3。

表2 2014—2018年京津冀地区各级冷热点区 PM2.5浓度值Tab.2 PM2.5 concentration values of cold and hot spots at all levels in Beijing-Tianjin-Hebei region from 2014 to 2018(unit：µg/m3)

从冷热点站点数量变化分析得出，一级冷点区站点数比较稳定，均在 24～26之间，其他冷点站点数变更幅度较大，表明除一级冷点区以外的其他区域空气质量变化受当年气候及环境治理力度等因素影响较大。但总体来说冷点区站点数呈上升趋势，热点区站点数呈下降趋势。

2.5 2014—2018年京津冀地区各月平均 PM2.5冷热点时空格局

2014—2018年京津冀地区各月平均 PM2.5浓度一级冷点区与历年格局变化不大，热点区受各月气候及生产、生活污染排放等因素影响，热点区分布变化较大。各月冷点区域(含一、二、三级)主要分布在张家口、承德及北京的北部地区，秋冬季在秦皇岛、唐山及天津的部分地区出现二、三级冷点聚集区；热点区域(含一、二、三级)主要出现在保定中南部的部分地区，各月的分布变化较大，4～7月在唐山、秦皇岛的部分地区出现热点聚集区。

如表3所示，冷热点区PM2.5浓度平均值秋冬季大于春夏季。冷点区(含一、二、三级)PM2.5浓度平均值(除1、12月的二、三级及 2月的三级冷点区外)均未超过 75µg/m3，但未低于 35µg/m3；热点区在 1～3、7、10～12月 PM2.5浓度平均值均超过 75µg/m3，其中 1、2、11、12 月甚至超过 115µg/m3，达到重度污染程度；其他月份热点区 PM2.5浓度平均值大部分临近而并未超过75µg/m3。

冷热点站点数量总体来说秋冬季多于春夏季，表明空气质量污染程度影响冷热点的聚集变化。

表3 京津冀地区各月不同冷热点区PM2.5浓度值Tab.3 PM2.5 concentration values in different cold and hot spots in Beijing-Tianjin-Hebei region in different months(unit：µg/m3)

3 结 论

本文分析了 2014—2018年京津冀地区 PM2.5浓度年、月和日的相关数据及冷热点空间分布特征，结论如下：

①京津冀地区年平均PM2.5浓度，2014年8成以上站点达到轻度、中度、重度污染程度，2018年 8成以上站点达到优、良水平；PM2.5浓度值 5～9月明显优于其他月份，各月平均浓度值总体呈下降趋势；PM2.5浓度值历年日变化呈 U形分布，秋冬季 PM2.5浓度高于春夏季，U形高度逐渐变低；优良天数逐年增多，2017、2018年已超过全年总日数7成以上。

②冷热点空间分布具有一定的规律性，冷点区主要分布在张家口、承德及北京的北部地区，热点区主要出现在保定中南部以南的部分地区，每年分布区域变化较大；冷、热点区 PM2.5浓度平均值均呈下降趋势；一级冷点区站点数比较稳定，各级冷点区站点数呈上升趋势，热点区呈下降趋势。

③各月冷点区域主要分布在张家口、承德及北京的北部地区，热点区域主要出现在保定中南部以南的部分地区，春夏季在唐山、秦皇岛的部分地区出现热点聚集区，冷热点区 PM2.5浓度平均值秋冬季大于春夏季，冷热点站点数秋冬季多于春夏季。