成都市PM2.5浓度变化的影响因素交互作用研究

张 莹,张 婕,王式功,康 平,张家熙,张小玲,3,李运超

成都市PM2.5浓度变化的影响因素交互作用研究

张 莹1,2*,张 婕1,王式功1,康 平1,张家熙1,张小玲1,3,李运超1

(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/气象环境与健康研究院,四川 成都 610225；2.中国科学院大气物理研究所,大气边界层物理和大气化学国家重点实验室,北京 100029；3.北京城市气象研究院,北京 100089)

为探究大气环境中污染物与气象要素交互作用对PM2.5浓度变化的影响特征,利用成都市2014～2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型(GAMs)分析不同影响因素对当地PM2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM2.5浓度与平均气温()、相对湿度(RH)、平均风速(Wind)、降水量(Prec)、O3、NO2、SO2和CO间均呈非线性关系,其中CO、NO2、SO2、和Wind对PM2.5浓度影响较大,与全年不同的是,冬季和O3对PM2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,、Wind、RH、CO、NO2、SO2和O3这7个解释变量对PM2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R=0.759,方差解释率为76.42%,冬季R=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温(7℃左右)+高相对湿度+高浓度CO+高浓度NO2+高浓度SO2协同作用条件下有利于PM2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO2+高浓度SO2共存条件下有利于PM2.5的生成,即该条件对PM2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM2.5浓度变化的影响特征,对PM2.5浓度污染防控研究具有重要指示意义.

GAMs模型；PM2.5浓度变化；影响因素；交互作用

随着经济快速发展和城市化进程加快,我国大部分城市(群)的空气污染倍受关注.四川盆地作为我国五大重污染区域之一[1],2012年环保部《重点区域大气污染防治“十二五”规划》就明确成渝地区为复合型污染显现区,并将其纳入全国大气污染联防联控重点区域(即“三区十群”),该计划的实施带来了四川盆地空气质量的改善,但大气复合污染形势依然严峻[2].成都平原作为四川盆地经济和文化中心,近年来冬季雾霾超标显著、夏季臭氧污染持续增加,区域空气质量管理与控制已经进入了细粒子和臭氧协同防治的深水区,大气环境持续改善任重道远[3].

成都平原冬季容易出现细粒子污染,究其原因主要有两方面:一是过量的大气污染物排放及其二次转化;二是极为不利于污染物扩散的气象条件.四川盆地特殊地形使得盆地内边界层大气层结稳定度高于同纬度的其他地区,加之盆地内常年静风频率高,大气污染物扩散受阻,使得冬季盆地内颗粒物(尤其是细粒子)持续累积,从而易出现雾霾事件[4].现阶段关于盆地细粒子(PM2.5)污染已开展了相关研究[5-6],但现有研究大多只考虑PM2.5浓度与影响因素之间的线性关系而忽略了不同变量间复杂的非线性关系.近期有研究指出PM2.5的组分和来源较为复杂,气象因素的影响包括复杂的物理化学过程,因此需要考虑PM2.5浓度和各影响因素之间复杂的非线性关系[7].目前越来越多研究运用非线性模型和方法探讨影响大气污染物浓度变化的因素,而广义可加模型(generalized additive models,GAMs)就是其中之一[8],其优点是可以同时拟合响应变量与解释变量之间复杂的线性和非线性关系,该模型最先被用于生物医学领域,基于其优越性和灵活性,近期也被尝试用于环境科学等其他研究领域[9-10].

Qian等[11]指出PM2.5浓度与大气污染物、气象要素等影响因素构成一个复杂的非线性动力系统,在时间域中存在多层次的尺度结构和局部变化的特征,其时间序列也反映了PM2.5浓度与影响因素间线性与非线性相互作用与发展变化过程.基于此,本研究以成都市为例,尝试运用GAMs模型构建PM2.5浓度变化与其影响因素之间复杂的非线性关系,在此基础上,进一步深入探讨影响因素交互作用对PM2.5浓度变化的影响特征,以期为当地开展PM2.5污染防治提供一定的科学依据,同时也为其他地区开展类似研究提供借鉴.

1 资料与方法

1.1 资料来源

1.1.1 大气环境监测资料 2014年1月1日～2020年12月31日成都市的大气污染物数据来源于中华人民共和国生态环境部(Ministry of Ecological Environment of the People’s Public of China),包括PM2.5(μg/m3)、NO2(μg/m3)、SO2(μg/m3)和CO (mg/m3)日均浓度以及每日臭氧8h浓度平均最大值(后面统一采用O3表示) (μg/m3).

1.1.2 气象资料来源 同期的气象资料来源于中国气象科学数据共享服务网(http://data.cma.gov.cn/),成都市的地面常规气象观测资料,主要包括平均气温() (℃)、降水量(Prec) (mm)、相对湿度(RH) (%)和平均风速(Wind) (m/s)等指标.

1.2 研究方法

利用R软件(4.0.3版本)中的“mgcv”程序包进行广义相加模型(GAMs)建模.GAMs是广义线性模型的扩展,可以用于处理因变量和众多自变量之间过度复杂的非线性关系,即GAMs可以实现不同形式的函数间的加和,因此可将与因变量之间存在线性关系和复杂非线性关系的自变量都同时拟合到模型中,该模型十分灵活,并非事先建立好的,而是由所研究的数据驱动的[9].本研究采用的GAMs中的独立效应模型和交互效应模型.首先,采用独立效应模型分析不同影响因素单一作用以及多种影响因素同时作用对PM2.5浓度的影响效应.在此基础上,筛选出对PM2.5浓度变化产生显著影响的因素,进一步采用交互效应模型,探究影响因素交互作用对PM2.5浓度变化的影响特征,其具体步骤如下.

第一步,采用GAMs独立效应模型估算影响因素对PM2.5浓度变化的影响效应,该模型如下:

式中:为PM2.5浓度的期望值;()是连接函数;1,2,…,x为解释变量,本研究中解释变量主要包括气象因素(、RH、Prec、Wind)和污染物(O3、NO2、SO2、CO);1(),2(), …f(),为表示响应变量和解释变量之间复杂非线性关系的各种平滑函数,本研究采用自然立方样条函数,可避免过度拟合现象[12].其中,在研究单一解释变量对响应变量的单因素效应时,模型中只纳入一个解释变量,即模型的右边只有一个()函数;在研究多因素共同作用对响应变量的效应时,模型中同时纳入多个解释变量,即模型的右边有多个()函数相加;X代表全参数模型成分;表示残差.

第二步,在上述污染物独立效应研究的基础上,筛选出对PM2.5浓度变化有显著效应的主要影响因素,进一步建立PM2.5浓度变化的GAMs交互效应模型,并直观给出对PM2.5浓度变化有显著影响的主要影响因素交互效应三维空间图,定量分析其对PM2.5浓度变化的影响特征,具体模型如下:

利用GAMs模型给出的统计值、值、2和方差解释率来判断不同解释变量对PM2.5浓度变化的影响显著性及模型的拟合优度[13-14],其中影响因素对应的统计值越大,表明其相对重要性越大;值是用来判断假设检验结果的另一参数,值越小,表明结果越显著;调整判定系数(2)为回归平方和与总离差平方和的比值,2的取值范围0～1,2越接近1表明模型越精确,回归拟合效果越显著;方差解释率越高,表明拟合效果越优;此外,当解释变量的自由度=1时表明解释变量与响应变量为线性关系,当自由度>1时为非线性关系.

2 结果与分析

2.1 PM2.5浓度变化的单影响因素GAMs模型分析

将、RH、Wind、Prec、NO2、SO2、CO和O3共8个影响因素作为解释变量,PM2.5作为响应变量,在进行单因素分析时每次选取一个影响因素作为解释变量,构建PM2.5浓度变化的单影响因素GAMs模型.由表1可知,所有解释变量的自由度均大于1,表明所有解释变量与PM2.5之间均呈非线性关系.且所有影响因素均在<0.001水平下对PM2.5浓度变化影响显著,即所有影响因素单独作为PM2.5浓度变化的解释变量均有统计学意义,尤其是CO、NO2、SO2、和Wind对PM2.5浓度变化影响的调整判定系数(2)均较大(0.208～0.675),方差解释率均较高(21.10%～67.60%),模型拟合度较优,即CO、NO2、SO2、和Wind单独作为解释变量对PM2.5浓度变化的影响较显著.

表1 2014～2020年成都市PM2.5与单影响因素的GAMs模型假设检验结果

注:***表示在0.001水平下变量是显著的;**表示在0.01水平下变量是显著的,下同.

成都市PM2.5浓度整体呈现“冬高夏低”的分布特征(图1),PM2.5超标主要出现在冬季,因此本文进一步分析成都市冬季单一影响因素对PM2.5浓度变化的影响(表2),冬季、RH、Wind、Prec、NO2、SO2、CO和O3这8个影响因素均在<0.001水平下对PM2.5浓度变化影响显著.与全年类似,冬季也是CO、NO2、SO2、和Wind单独作为解释变量时对PM2.5浓度变化的影响较显著,与全年不同的是,冬季和O3对PM2.5浓度变化的影响效应较全年明显减弱.

图1 研究时段PM2.5浓度时间序列

表2 2014～2020年冬季成都市PM2.5与单影响因素的GAMs模型假设检验结果

2.2 PM2.5浓度变化的多影响因素GAMs模型分析

经单影响因素初步分析,将单影响因素分析中有统计学意义和经过显著性检验的、Prec、Wind、RH、NO2、SO2、O3和CO共8个影响因素同时作为解释变量纳入多影响因素GAMs模型中,将PM2.5作为响应变量,进行多影响因素与PM2.5浓度间的GAMs建模.模型拟合结果如表3所示,在多影响因素模型中,降水量对应的值>0.01,未通过在0.01水平下的显著性检验,而其余7个解释变量均在<0.001(或<0.01)水平下对PM2.5浓度变化影响显著.虽然单效应模型中降水量的方差解释率高于相对湿度的方差解释率,但多影响因素模型中降水量却被剔除,可能原因在于,降水量和相对湿度均反映大气中水汽含量状况,二者存在较高关联,此外,降水量与气温也存在较高关联,在构建多变量曲线模型时为减小解释变量间的共曲线性问题,从而使得降水量在拟合过程中被剔除.多影响因素GAMs模型的2=0.749,方差解释率75.40%,模型拟合度整体较高,因此,可以确定、RH、Wind、O3、NO2、SO2和CO共同作用对PM2.5浓度变化有显著影响.在上述研究基础上,进一步删除降水量后,重新构建PM2.5浓度变化的多影响因素GAMs模型.

表3 2014～2020年成都市PM2.5浓度与多影响因素的GAMs模型拟合结果

重新构建PM2.5浓度变化的多影响因素GAMs模型拟合结果如表4所示,所筛选的、RH、Wind、O3、NO2、SO2和CO 7个解释变量的<0.001(或<0.01),具有统计学意义,即上述7个解释变量与PM2.5浓度之间存在较强的关联.最终构建的全年PM2.5浓度变化的GAMs模型为(PM2.5)=()+(RH)+s(Wind)+(O3)+(CO)+s(NO2)+s(SO2)+,调整后的2=0.759,方差解释率为76.42%,由此表明多影响因素的GAMs模型拟合度整体较高,高于单一影响因素对PM2.5浓度变化的拟合效应,这也从侧面印证了PM2.5浓度的变化受气象要素和污染物等多种因素共同作用.多影响因素GAMs模型中对PM2.5浓度变化的影响程度由高到的低依次为:CO>> NO2>SO2>O3>Wind>RH,其中CO是PM2.5浓度变化的主导影响因素.CO作为化石燃料燃烧排放和生物质燃烧的产物,通常与一次排放有关,PM2.5之所有与CO相关性强,一个原因可能是PM2.5中的主要成分是一次排放[15].

以同样的方式构建冬季PM2.5浓度变化的多影响因素GAMs模型如表5所示,、RH、Wind、NO2、SO2、O3和CO7个解释变量的值均<0.01,具有统计学意义.值得注意的是,冬季Wind、NO2和SO2与PM2.5浓度变化呈线性关系,而、RH、O3和CO解释变量均与PM2.5浓度呈非线性关系.最终构建的冬季PM2.5浓度变化的GAMs模型为(PM2.5)=()+(RH)+(O3)+(CO)+Wind+NO2+SO2+,调整后的2=0.708,方差解释率为72.2%,冬季多影响因素的GAMs模型中对PM2.5浓度变化的影响程度由高到低依次为:CO>SO2>NO2>Wind>> RH>O3,与全年类似,CO仍是冬季PM2.5浓度变化的主导影响因素.

表4 2014～2020年PM2.5浓度与7个主要影响因素的GAMs模型拟合结果

表5 2014～2020年冬季PM2.5浓度与7个影响因素的GAMs模型拟合结果

2.3 PM2.5浓度变化的多因素影响效应诊断分析

通过对多影响因素(解释变量)与PM2.5响应变量间建立GAMs模型,获得解释变量的平滑回归函数,并得到影响因素对PM2.5浓度影响效应图(图2),可知,PM2.5与CO、NO2、SO2、O3、、RH和Wind均呈显著地非线性关系,具体而言,PM2.5浓度随CO浓度的升高近似呈指数增长;PM2.5浓度随NO2浓度的升高整体呈波动上升趋势,当NO2浓度小于70μg/m3时,上升趋势较快,当NO2浓度介于70～110μg/m3之间,PM2.5浓度随NO2浓度的增加呈缓慢上升趋势,当NO2浓度大于110μg/m3后,PM2.5浓度随NO2的增加近似呈指数增长趋势;PM2.5浓度随SO2(或O3)浓度的增加也呈波动增长趋势,当SO2(或O3)浓度小于10μg/m3(80μg/m3)时,增长趋势较缓慢,随后增长趋势加快;PM2.5浓度随的增加呈倒“J”型分布,以7℃(相对弱低温)作为平均气温临界值,PM2.5浓度随平均气温的升高呈先增大后减小的趋势,PM2.5浓度高值出现在7℃附近,本团队前期的研究发现污染物高值主要出现在相对弱低温条件下,究其原因,相对弱低温往往对应当地多为静稳天气(混合层厚度和通风系数均最小),此时大气层结趋于稳定,呈现出最不利于大气污染物扩散的气象条件,进而易造成大气重污染甚至是污染事件的发生,而随着气温的进一步降低,冷空气活动加强,污染扩散条件好,有利于污染物的扩散;而当气温高于相对弱低温,随着气温的进一步升高,热力对流加强,垂直扩散条件转好,因此,PM2.5浓度随平均气温的升高呈先增大后减小的趋势[17];PM2.5浓度随RH的增加呈微弱波动上升趋势,高相对湿度对应的PM2.5浓度较大,其反映了高湿度有利于颗粒物的吸湿增长; PM2.5浓度随Wind的增加呈倒“J”型分布,以0.8m/s作为Wind临界值,PM2.5浓度随Wind的增大呈先增大后减小的趋势.

图3为冬季与PM2.5浓度变化密切相关的7个解释变量对应的PM2.5浓度变化影响效应.可知,冬季PM2.5分别与SO2和NO2均呈线性正相关,而与Wind呈线性负相关;与全年类似,PM2.5浓度随的变化呈波动趋势,当在7℃附近时(弱低温条件),PM2.5浓度最高;此外,PM2.5与RH、O3和CO均近似呈线性正相关关系.

图2 2014～2020年成都市多影响因素对PM2.5浓度变化的影响效应

横坐标为解释变量的观测值,纵坐标为解释变量对PM2.5浓度的平滑拟合值,纵坐标括号中则代表估计自由度,实线为解释变量对PM2.5浓度的平滑拟合曲线,虚线为95%的置信区间

图3 2014～2020年冬季成都市多影响因素对PM2.5浓度变化的影响效应

横坐标为解释变量的观测值,纵坐标为解释变量对PM2.5浓度的平滑拟合值,纵坐标括号中则代表估计自由度,实线为解释变量对PM2.5浓度的平滑拟合曲线,虚线为95%的置信区间

2.4 影响因素交互作用对PM2.5浓度变化的影响效应

PM2.5浓度变化受气象要素和污染物等多种影响因素共同作用,不同的气象要素、污染物对PM2.5浓度变化的影响效应并非孤立存在,可能存在交互作用.通过将主要影响因素(又称解释变量)进行交互构建GAMs模型,在此基础上进一步分析它们对PM2.5浓度变化的影响,有利于全面、深入地认识不同解释变量交互作用对PM2.5浓度变化的影响作用及特点.影响因素两两交互作用对PM2.5浓度变化的影响结果如表6所示,除CO-O3交叉项外,其余交叉项的估计自由度均大于1,即其他交叉项与PM2.5浓度变化均呈非线性关系;模型的2=0.778,方差解释率78.7%,模型拟合程度整体较高,交互作用影响因素对PM2.5浓度变化的解释率较高.模型方程中-CO、-NO2、RH-NO2、RH-SO2、Wind-CO、CO-NO2、CO-SO2和NO2-SO2共8个交叉解释变量项均通过显著性检验,在<0.001水平下显著影响PM2.5浓度变化,且多数交叉项是以空气污染物(CO、NO2和SO2)与气象要素间(、RH和Wind)的交互作用,这也与PM2.5浓度变化主要受到空气污染物与气象要素的交互作用过程影响的特征吻合.

表6 全年影响因素交互作用与PM2.5浓度的GAMs模型假设检验结果

交叉项RH-CORH-NO2RH-SO2RH-O3Wind-COWind-NO2Wind-SO2 估计自由度1.5223.7947.8879.41217.451.2951.887 参考自由度1.8064.5388.93511.43019.5361.5772.032 F0.1922.5250.5130.1192.0830.9630.830 P0.802628<2×10-16***0.00525**0.1656.72×10-7***0.5960.651

交叉项Wind-O3CO-NO2CO-SO2CO-O3NO2-SO2NO2-O3SO2-O3 估计自由度4.99624.65122.85123.3552.6342.531 参考自由度5.74527.01324.362125.6822.9692.855 F0.85824.4312.2360.9882.7680.1030.096 P0.614<2×10-16***2.16×10-6***0.320258<2×10-16***0.1790.185

注::平均气温; RH:相对湿度;Wind:平均风速.

对通过显著性检验且具有统计学意义的驱动因素交互模型进行可视化绘图(图4),可分析响应变量PM2.5浓度在不同自变量维度的同时变化特征.由图4(a)(b)可知,与污染物CO或NO2交互作用对PM2.5浓度的影响效应较为类似,即在一定的条件下,PM2.5浓度均随污染物CO(或NO2)浓度的增加而迅速增大,污染物CO(或NO2)高浓度情况下,当位于7℃附近(弱低温条件下)时,PM2.5浓度达到峰值,即弱低温条件下,高浓度的CO(或NO2)有利于PM2.5的生成.由图4(c)(d)可知,高RH与高浓度NO2(或SO2)共存条件下,对应的PM2.5浓度最大,表明高浓度NO2(或SO2)与高RH对PM2.5浓度变化的影响存在协同放大效应.图4(e)为Wind与CO交互作用对PM2.5浓度的影响效应图,由图4(e)可知,CO浓度越高,Wind在0.8m/s时对应的PM2.5浓度最大;由图4(f)(g)(h)可知,CO、NO2和SO2三种污染物对PM2.5浓度的影响两两存在交互效应,且两两交互效应较为类似,以CO与NO2交互作用(图4(f))对PM2.5浓度的影响效应为例,高浓度的CO与高浓度的NO2同时存在的情况下,PM2.5浓度达到最大,即CO和NO2交互作用对PM2.5浓度的增加存在协同放大效应;CO-SO2以及NO2-SO2交互作用对PM2.5浓度的影响与CO-NO2交互作用对PM2.5浓度的影响效应类似.综上所述,弱低温(7℃左右)+高RH+高浓度CO+高浓度NO2+高浓度SO2协同作用条件下有利于PM2.5的生成,其实质反应了秋冬季节静稳天气条件下,高相对湿度有利于颗粒物的吸湿增长,从而增加了雾霾出现的概率.

图4 全年驱动因素对PM2.5浓度变化影响的三维空间效应

冬季影响因素两两交互作用对PM2.5浓度变化的影响结果中,Wind-CO、Wind-NO2、RH-NO2、SO2-NO2和NO2-CO5项交叉解释变量项均通过显著性检验,在<0.001水平下显著影响PM2.5浓度变化(表略).冬季影响因素交互作用可视化三维图如图5所示,由5(a)(b)可知,低风速条件下,高浓度的CO(或NO2)对应的PM2.5浓度最高;图5(c)反映了高RH与高浓度NO2共存条件下,PM2.5浓度达到峰值;由5(d)(e)可知高浓度的NO2与高浓度的CO(或SO2)共存条件下,对应的PM2.5浓度最高,综上所述,冬季低Wind+高RH+高浓度CO+高浓度NO2+高浓度SO2协同作用条件下有利于PM2.5浓度的生成.

图5 冬季驱动因素对PM2.5浓度变化影响的三维空间效应

3 结论

3.1 PM2.5浓度变化的单影响因素GAMs模型中,就全年而言,CO、NO2、SO2、和Wind对PM2.5浓度变化影响的调整判定系数(2)均较大(0.208～ 0.675),方差解释率均较高(21.10%～67.60%),模型拟合度较优.与全年不同的是,冬季和O3对PM2.5浓度变化的影响效应较全年明显减弱.

3.2 构建的全年多影响因素GAMs模型为(PM2.5)=()+(RH)+(O3)+(CO)+s(Wind)+s(NO2)+s(SO2)+,调整后的2=0.759,方差解释率为76.42%,解释变量的影响程度由高到低依次为:CO>>NO2> SO2>O3>Wind>RH;构建的冬季多影响因素GAMs模型为:(PM2.5)=()+(RH)+(O3)+(CO)+Wind+ NO2+SO2+,调整后的2=0.708,方差解释率为72.2%,解释变量的影响程度由高到低依次为:CO> SO2>NO2>Wind>>RH>O3,无论是全年还是冬季, CO都是PM2.5浓度变化的主导影响因素.

3.3 GAMs交互效应模型研究发现,全年弱低温(7℃左右)+高RH+高浓度CO+高浓度NO2+高浓度SO2协同作用条件下有利于PM2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO2+高浓度SO2协同作用条件下有利于PM2.5的生成,即该条件对PM2.5浓度的生成有协同放大效应.

[1] 张小曳,孙俊英,王亚强,等.我国雾-霾成因及其治理的思考[J]. 科学通报, 2013,58(13):1178-1187.

Zhang X Y, Sun J Y, Wang Y Q, et al. Factors contributing to haze and fog in China (in Chinese) [J]. Chinese Science Bulletin, 2013,58(13): 1178-1187.

[2] Ning G, Wang S, Ma M, et al. Characteristics of air pollution in different zones of Sichuan Basin, China. Science of the Total Environment, 2017,612:975-984.

[3] 刘长焕,邓雪娇,朱 彬,等.近10年中国三大经济区太阳总辐射特征及其与O3、PM2.5的关系[J]. 中国环境科学, 2018,38(8):2820-2829.

Liu C H, Deng X J, Zhu B, et al. Characteristics of GSR of China’s three major economic regions in the past 10years and its relationship with O3and PM2.5[J]. China Environmental Science, 2018,38(8): 2820-2829.

[4] Liao T, Gui K, Jiang W, et al. 2018. Air stagnation and its impact on air quality during winter in Sichuan and Chongqing,southwestern China [J]. Science of The Total Environment, 635:576-585.

[5] 彭 爽,康 平,张小玲,等.成都市大气颗粒物粒径分布及其对能见度的影响[J]. 环境科学学报, 2020,40(12):4432-4441.

Peng S, Kang P, Zhang X L, et al. The size distribution of atmospheric particles in Chengdu and its influence on visibility [J]. Journal of Environmental Science, 2020,40(12):4432-4441

[6] 杨 柳,王式功,张 莹.成都地区近3a空气污染物变化特征及降水对其影响[J]. 兰州大学学报(自然科学版), 2018,54(6):731-738.

Yang L, Wang S G, Zhang Y. Variation characteristics of air pollutants in Chengdu area in recent three years and influence of precipitation on them [J]. Journal of Lanzhou University (NATURAL SCIENCE EDITION), 2018,54(6):731-738

[7] Wang Y, Hopke P K, Xia X, et al. Source apportionment of airborne particulate matter using inorganic and organic species as tracers [J]. Atmospheric Environment, 2012,55(3):525-532.

[8] 洪 也,张 莹,马雁军,等.沈阳大气污染物与气象因素对呼吸疾病门诊数的影响[J]. 中国环境科学, 2020,40(9):4077-4090.

Hong Y, Zhang Y, Ma Y J, et al. Effects of air pollutants and meteorological factors on the number of respiratory disease clinics in Shenyang [J]. China Environmental Science, 2020,40(9):4077-4090.

[9] 张 莹,王式功,贾旭伟,等.气温与PM2.5协同作用对疾病急诊就诊人数的影响[J]. 中国环境科学, 2017,37(8):3175-3182.

Zhang Y, Wang S G, Jia X W, et al. Temperature and PM2.5the impact of synergy on the number of emergency patients [J]. China Environmental Science, 2017,37(8):3175-3182.

[10] 贺 祥,林振山.基于GAM模型分析影响因素交互作用对PM2.5浓度变化的影响[J]. 环境科学, 2017,38(1):22-32.

He X, Lin Z S. Analysis of influence factors interaction on PM2.5concentration change based on gam model [J]. Environmental science, 2017,38(1):22-32.

[11] Qian Z M, He Q C, Lin H M, et al. Association of daily cause specific mortality with ambient particle air pollution in Wuhan, China [J]. Environmental research, 2007,105(3):380-389.

[12] Dominici F, Mcdermott A, Zeger S L, et al. On the use of generalized additive models in time-series studies of air pollution and health [J]. American Journal of Epidemiology, 2002,156(3):193-203.

[13] Camalier L, Cox W, Dolwick P. The effects of meteorology on ozone in urban areas and their use in assessing ozone trends [J]. Atmospheric Environment, 2007,41(33):7127-7137.

[14] Wood S N, Pya N, S Fken B. Smoothing parameter and model selection for general smooth models [J]. Journal of the American Statistical Association, 2016,111(516):1548-1563.

[15] Zhu Y H, Yang L X, Kawamura K, et al. Contributions and source identification of biogenic and anthropogenic hydrocarbons to secondary organic aerosols at Mt. Tai in 2014 [J]. Environmental Pollution, 2017,220:863-872.

[16] Zhang Y, Wang S, Fan X, et al. A temperature indicator for heavy air pollution risks (TIP) [J]. Science of The Total Environment, 2019,678.

Interactive effects of the influcening factors on the changes of PM2.5concentration.

ZHANG Ying1,2*, ZHANG Jie1, WANG Shi-gong1, KANG Ping1, ZHANG Jia-xi1, ZHANG Xiao-ling1,3, LI Yun-chao1

(1.Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, Institute of Meteorological Environment and Public Health, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China；2.State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China；3.Institute of Urban Meteorology, China Meteorological Administration, Beijing 100089, China)., 2021,41(10)：4518～4528

To explore the influence characteristics of the interaction effects between meteorological elements and ambient air pollutants on particulate matter with an aerodynamic less than 2.5 (PM2.5), daily air pollutants data and meteorological data during the same period from 2014 to 2020 in Chengdu were collected. Generalized Additive Models (GAMs) were adopted to explore the effects of different factors on PM2.5concentration of Chengdu.The results of single-factor GAMs showed that the relationship between PM2.5concentration and daily average temperature (), relative humidity (RH), wind speed (Wind), precipitation (Prec), ozone (O3), nitrogen dioxide (NO2), sulfur dioxide (SO2), and carbon monoxide (CO) all were nonlinear no matter in the whole year or in winter. It was also found that CO, NO2, SO2,, and Wind all had greater impact on PM2.5concentration. Furthermore, effects ofand O3on PM2.5concentration in winter were weaker than that inwhole year. In the multi-factor GAMs, the combined effects of, RH, SO2, NO2, O3and CO had significant impacts on the change of PM2.5concentration.For whole year, the adjusted judgment coefficient (2) of the multi-factor gams model was 0.759 and the variance explanation rate was 76.42%. For winter, the adjusted2of gams model was 0.708 and the variance explanation rate was 72.2%. CO was the most important influencing factor no matter in whole year or in winter. In the interaction GAMs, for the whole year,it was found that the synergetic effect of moderate low(around 7℃) + high RH + high concentration of CO + high concentration of NO2+ high concentration of SO2were beneficial to the formation of PM2.5in Chengdu, which means this condition had a synergistic amplification effect on the formation of PM2.5concentration. For winter, the coexistence of low wind + high RH + high CO + high NO2+ high SO2were beneficial to the formation of PM2.5, which condition had a synergistic amplification effect on the formation of PM2.5concentration. It was found that GAMs model could not only be used to identify the dominant influencing factors of PM2.5pollution, but also quantitatively analyze the influence of single effect and interaction of influencing factors on the change of PM2.5concentration, which was great significance for local to prevent and control PM2.5pollution.

generalized additive models；the change of PM2.5concentration；influencing factors；interactive effects

X513

A

1000-6923(2021)10-4518-11

张 莹(1988-),女,陕西宝鸡人,讲师,博士,主要从事气象环境与健康方面的研究.发表论文40余篇.

2021-02-18

四川省重大科技项目(2018SZDZX0023);四川省科技厅应用基础研究项目(2020YJ0425);成都市科技厅技术创新研发项目:(2018-YF05-00219-SN);国家自然科学基金资助项目(42005136);中国博士后科学基金(2020M670419);四川省教育厅项目(2018Z114);成都信息工程大学科研项目(KYTZ201723)

* 责任作者, 博士, zhangy881208@126.com