基于GAM 的城市气象对PM2.5 浓度影响定量研究

刘 朋 吴 鹏 刘 源

（河南理工大学资源环境学院，河南 焦作 454003）

1 概述

大同市（39°03′～40°44′，112°34′～114°33′）位于山西省的最北部、大同盆地的中心位置。是中国最大的煤炭出采量城市之一及国家化工能源基地[1,2]。因此，大同的城市空气质量变化也是政府、学者关注的焦点问题。因煤炭、铝、铁等矿产资源的采掘及加工，使大量的可吸入颗粒物（PM2.5、PM10）、SO2、CO 等大气污染物进入空气。除排放源外，气象要素也是影响城市空气质量的关键因素[3,4]。即使在疫情期间，当不利的天气状况出现时，依然会引发城市空气质量的报警。因此，本研究收集19年大同市气象及污染物数据，在考虑污染物排放源、月份变化等因素的同时，利用广义可加模型（GAM）构建大同市城市气象因子对PM2.5的影响，最终为城市规划、产业布局、大气污染管理及其他人类活动提供科学指导和数据支撑。

2 数据与方法

2.1 数据来源

本文主要以收集气象要素数据与大气污染数据，通过广义可加模型构建响应关系，其中气象资料收集自国家气象信息中心（http://data.cma.cn/），主要为山西省大同市53487 号气象观测站点19 年的地面小时气象资料，包括风速、风向、温度、相对湿度等多项气象因子。PM2.5浓度数据则来自1721A 号站点19 年小时监测资料。

2.2 方法

2.2.1 广义可加模型

广义可加模型（Generalized Additive Model，GAM）是广义线性模型（GLM）的扩展，其通过控制混杂因素对研究对象的影响，分析响应变量和其它解释变量之间复杂的非线性关系[5，6]，在探索响应变量与解释变量之间关系市更加灵活，其结果可信度更高[7,8]。GAM模型的一般形式如下：

式中，g（ui）为连接函数，且二次可导；fj（Xj）则代表各种非参数平滑函数，及解释变量。

2.2.2 构建模型

本文选取风速、温度、相对湿度三项气象因子作为解释变量，PM2.5浓度为响应变量构建基础模型。但考虑到PM2.5浓度的变化除受气象因子的影响外，城市本身排放量的大小也对PM2.5浓度变化存在直接影响。

因此在对气象因子与PM2.5浓度构建模型时，必须考虑城市污染本底值（城市PM2.5的排放变化）对模型的影响。针对此，本文采取拉长污染物数据的步长，并考虑到大气污染物的积累及滞后性，分别将对应小时数据、当日PM2.5浓度均值、提前1 天日PM2.5浓度均值、提前2 天日PM2.5浓度均值、…、提前7 天PM2.5日PM2.5浓度均值、本周PM2.5浓度均值、提前一周PM2.5浓度均值这10 项分别带入模型，当模型AIC 值最小时，确定最适合代替城市污染本底值的变量，最终以此项作为混杂因素带入模型。同时，考虑到季节变化对模型的影响，将不同月份以哑变量形式标注，也以混杂因素的形式带入模型。

2.2.3 定量关系的计算

在定量三类气象因子与PM2.5浓度变化关系时，本文引用相对危险度（Relative Risk，RR）的概念，及当解释变量每发生单位变化时，对应响应变量的改变百分率[9-11]。在根据GAM模型估算出回归系数β 后，根据公式（2）、（3）计算RR 值及其95%的置信区间（95%CI）:

式中：β- 回归系数；∆X- 解释变量的单位变化量SE- 标准误差。

在得出RR 后，可根据RR 值计算解释变量每发生单位变化，响应变量的自然对数的变化百分比（ER%）和ER%的95%可信区间（95%CI）。

3 结果

根据表1 不同时间步长及不同滞后天数对应的模型AIC值可知，当天的PM2.5浓度均值与本周的PM2.5浓度均值对应模型AIC 值相对较低，且随着滞后时间的增加，模型AIC 值呈递增趋势。因此，本研究选取当天PM2.5浓度均值作代替城市PM2.5排放量，并作为混杂因素带入模型。同时，将月份变化作为混杂因素带入模型，构建PM2.5对气象因子的响应关系（图1）。

图1 PM2.5 对三类气象因子的响应关系图

表1 PM2.5 浓度滞后数据对应模型AIC 值

由图1 响应关系可知，在大同市，PM2.5浓度变化与风速和温度呈明显的正相关关系，随风速与温度的升高，PM2.5浓度也逐渐升高。结合表2 计算出的定量关系，风速每增加一个单位变化，PM2.5的相对改变量为增加1.75%；温度每增加一个单位变化，PM2.5的相对改变量为增加0.73%。而相对湿度的影响则存在明显的阈值效应，当相对湿度低于约25%时，PM2.5浓度随相对湿度的升高呈递减趋势，相对湿度每增加一个单位变化，PM2.5浓度的相对改变量为减小4.86%。当相对湿度高于25%时，PM2.5则随相对湿度的升高呈递增趋势，且相对湿度每发生单位增加量，PM2.5浓度的相对改变量为增加1.59%。

表2 气象因子变化引起PM2.5 浓度的相对改变量

4 结论

本文通过收集大同市19 年小时气象数据及对应19 年PM2.5浓度变化小时数据，在考虑月份变化、城市PM2.5本底值变化等混杂因素的情况下，构建PM2.5浓度与气象因子间的广义可加模型，得出PM2.5对风速、温度、相对湿度的响应关系。再由广义可加模型估算出的回归系数计算出气象因子对PM2.5浓度影响的定量关系，并得出以下结论：

4.1 风速与温度的增加均导致城市PM2.5浓度的增加，且两解释变量每发生单位增加量，对应PM2.5浓度的相对改变量分别为增加1.75%、0.73%。因此大同市在高温大风天气下易发生PM2.5类型天气污染，且城市风速越大、温度越高，发生可能性越大。

4.2 相对湿度的变化对PM2.5浓度的影响则存在明显的阈值效应，当相对湿度低于25%时，相对湿度的增加对PM2.5呈净化趋势，对应改变量为-4.86%；当相对湿度大于25%时，PM2.5浓度随相对湿度的增加而增加，PM2.5浓度对应改变量为1.59%。由此可知，大同市在相对干燥的天气条件背景下，相对湿度的增加对PM2.5的净化起到积极作用，随着相对湿度的持续升高，则可能由于较高的相对湿度而产生二次污染。