四川盆地PM2.5时空分布及影响因子研究*

邓中慈 康 平# 胡成媛 张小玲 邓中仁 邹雨晴

(1.成都信息工程大学大气科学学院，高原大气与环境四川省重点实验室，四川 成都 610225；2.南京信息工程大学大气科学学院，江苏 南京 210044)

近年来，随着经济快速发展，城市化进程加快，PM2.5污染已成为我国众多城市和地区的主要大气污染问题之一。四川盆地是我国西南经济中心，也是我国五大区域性大气重污染区之一，加上盆地地形不利于大气污染物稀释和扩散，使其污染成因更加复杂。

国内外学者对PM2.5污染的时空分布特征[1-4]和成因[5-6]、PM2.5来源解析[7-8]，以及PM2.5与其他大气污染物、气象因子的相关性[9-10]等方面开展了较多研究。不少学者运用数学物理统计模型来研究影响PM2.5变化的因子。敖希琴等[11]运用多元时间序列模型来预测PM2.5浓度。尹杰等[12]运用多元线性模型分析了PM2.5浓度的空间分布。以上学者的研究模型基本只考虑了PM2.5与影响因子之间的线性相关关系。而贺祥等[13]利用广义相加模型(GAM)构建了南京市PM2.5浓度变化与影响因子之间的非线性模型，从而更加深入地探究影响因子对PM2.5浓度变化的真实影响，但其仍然忽略了影响PM2.5浓度的各种一次气态前体物与气象因子之间存在的反馈与调节作用。因此，本研究拟通过运用GAM来构建四川盆地PM2.5浓度变化与影响因子间的关系模型，并且综合考虑线性及非线性关系，以此更加深入地探讨复杂地形和污染条件下各影响因子对区域PM2.5浓度变化的影响，为四川盆地及其他复杂地形区域PM2.5污染防控、精细化预报预警及空气质量改善提供科学依据和技术参考。

1 数据与方法

1.1 数据来源

近地面污染物(SO2、NO2、CO、PM2.5)浓度数据来自2015—2017年四川盆地18个城市的91个国控环境监测站点，由四川省环境监测总站提供。

在四川盆地18个城市的每个城市中选取1个地面基准站获取相应气象观测资料，包括温度、气压、日照时数、相对湿度、风速、降水量等。数据资料来源于中国气象数据共享网(http://cdc.cma.gov.cn)的中国地面气象站逐日观测资料V3数据集。

1.2 研究方法

为研究PM2.5时空分布特征，利用ArcGIS插值得到2015—2017年四川盆地区域PM2.5年平均浓度空间分布图，用于分析盆地区域内PM2.5污染的整体状况及城市间差异。利用同样的方法对2015—2017年PM2.5各季节平均浓度的空间分布特征进行分析，分析盆地区域内不同季节PM2.5污染变化特征及各个城市之间的差异。

为了探究四川盆地PM2.5浓度变化的主导影响因子，基于GAM构建了PM2.5浓度变化与影响因子间的线性和非线性模型来判断PM2.5的主导影响因子[14]。利用R语言的mgcv包中的gam函数构建了GAM[15]。根据结果深入探究各影响因子之间的相互作用及对PM2.5浓度变化的影响机制。

2 结果与讨论

2.1 四川盆地PM2.5时空分布特征

2.1.1 空间分布特征

由图1可见，2015—2017年，四川盆地PM2.5的年平均质量浓度分别为51.71、51.16、46.91 μg/m3，呈逐年下降的趋势，说明颗粒物污染情况在逐渐改善。从空间分布情况来看，2015年PM2.5高值区(PM2.5年平均质量浓度≥60 μg/m3)的分布范围也更广，但总体来说3年的空间分布情况基本一致。

自贡市和内江市及其周边地区的PM2.5年平均浓度处于较高水平。这是由于自贡市和内江市及其周边地区为典型的低山浅丘地形，并且位于盆地南部气旋式流场污染物的滞留中心，空气流动性较差，静小风频率高(64.4%)，污染物易积聚，因此不利于PM2.5的稀释与扩散，特别是秋冬季节经常出现城市逆温现象，又加上四川盆地大气混合层高度较低、降水量逐年减少[16]。广元市及其周边地区为PM2.5浓度低值区(PM2.5年平均质量浓度≤45 μg/m3)。这是由于广元市及其周边地区地形宽阔，污染物扩散、输送能力强[17]，而且这些地区大城市较少，工农业发展较慢，由此推断PM2.5的人为来源贡献较小[18]。雅安市的PM2.5浓度也较低，是因为它位于盆地与青藏高原的结合过渡地带，背靠青藏高原冷高压，面向西南季风暖湿气流，是盆地中降水量最大的区域(年均降水量约1 800 mm)，因此空气质量较好[19]。

图1 2015—2017年四川盆地PM2.5质量浓度空间分布特征

2.1.2 季节变化特征

分析盆地内PM2.5的季节污染情况发现，总体呈现出PM2.5浓度冬季高夏季低的特征。四川盆地3年的PM2.5四季平均质量浓度为冬季(83.00 μg/m3)>春季(46.53 μg/m3)>秋季(38.81 μg/m3)>夏季(30.59 μg/m3)。逐年分析仍可发现，总体而言2015年的PM2.5浓度比后两年高。

2.2 利用GAM识别主导影响因子

下面先以成都市为例，具体说明利用GAM分析各影响因子对PM2.5浓度变化的定量影响。若仅考虑气象因子为PM2.5的影响因子，得到的模型拟合程度较差，模型方差解释率仅为37.8%。将一次气态前体物(SO2、NO2、CO)加入模型中也作为影响因子考虑，模型方差解释率提高到了79.8%。考虑一次气态前体物GAM识别结果表明，影响成都市PM2.5浓度的主导影响因子不是气象因子，而是SO2、NO2、CO(见表1)。

根据表1，SO2与PM2.5的估计自由度为1.000，因此两者呈线性关系；其他主导影响因子与PM2.5的估计自由度均大于1.000，都呈非线性关系。GAM分析发现，PM2.5浓度随SO2浓度的上升呈现上升趋势；PM2.5浓度随CO浓度的上升呈快速上升趋势；而对于NO2而言，当NO2质量浓度小于68 μg/m3时，PM2.5浓度随NO2浓度的上升而上升，而当NO2质量浓度超过68 μg/m3后，PM2.5浓度则会随着NO2浓度的上升而趋于稳定。

利用相同方法对四川盆地18个城市PM2.5浓度的主导影响因子进行识别，结果如表2所示。由于各城市的一次气态前体物污染状况及气象条件不同，因此影响各城市PM2.5浓度的主导影响因子也有差异。整体看来，SO2、NO2、CO、温度对于整个四川盆地的PM2.5浓度影响较大。18个城市中共有7个城市的3大主导影响因子为3种一次气态前体物，有9个城市的第一主导影响因子为CO，有8个城市的第一主导影响因子为NO2，有1个城市的第一主导影响因子为SO2；气象因子中仅有温度、气压和相对湿度出现在3大主导影响因子中，而其余的气象因子均没有出现在3大主导影响因子中。

表1 成都市PM2.5的主导影响因子GAM识别结果1)

表2 四川盆地18个城市PM2.5浓度的3大主导影响因子1)

最后利用压轴回归(RMA)[20-21]对四川盆地的PM2.5平滑拟合结果进行验证，结果如图2所示。由图2可以看出，GAM所产生的PM2.5平滑拟合值与实际观测值偏差较小，较为均匀地分布在参考线两侧，RAM直线与参考线接近重合，而且R2达到0.787 3，总体方差解释率可以达到78.7%，说明模型质量可靠，可信度高。

注：虚线为参考线，参考线上的点表明PM2.5平滑拟合值和实际观测值相同；实线为RAM直线。

3 结 论

(1) 2015—2017年，四川盆地PM2.5浓度呈逐年下降趋势，颗粒物污染情况得到改善。2015年PM2.5高值区(PM2.5年平均质量浓度≥60 μg/m3)分布最广泛。自贡市和内江市及其周边地区为主要的PM2.5高污染地区，而广元市及其周边地区和雅安市PM2.5浓度较低。PM2.5浓度的季节变化呈现冬季高夏季低的特征。

(2) 利用GAM线性和非线性关系模型对气象因子和一次气态前体物进行主导影响因子识别，只考虑气象因子对PM2.5浓度的影响方差解释率仅37.8%，考虑SO2、NO2、CO等一次气态前体物后方差解释率提高到79.8%。总体而言，一次气态前体物对四川盆地PM2.5浓度的影响起主导作用。