气象要素与南昌市空气污染关系的滤波分析

武云霞,秦 文,徐义邦

(南昌生态环境监测中心,江西 南昌 330038)

据观测资料统计,2017 年、2018 年和2019 年南昌市轻度及以上污染天数分别为55 d、30 d 和34 d,其中中度及以上污染天数分别为9 d、0 d 和1 d;首要污染物主要集中在O3、PM10、PM2.5和NO2,在空气质量长期变化中,这些污染物及其前体物的污染源排放不容忽视。但与此同时,气象条件引起的空气污染浓度变化也对整体空气质量有明显作用,并且往往伴随着多时空尺度、影响程度较大以及快速变化的特点[1-4],因此,评估各气象要素对空气质量特别是对AQI 评估所选用的6种污染物浓度(PM2.5、PM10、SO2、NO2、O3、CO)的影响极其重要。

在气象条件对空气质量影响的定量评估方面,应用较为广泛的方法是KZ 滤波统计方法[5-8]。将污染物的时间序列分解为不同周期对应的分量从而进行定量分析。本研究基于KZ 滤波方法对南昌市2017—2019 年的PM2.5、PM10、SO2、NO2、O3、CO 和AQI 的逐日资料以及同时期的气象要素时间序列进行分解,得到不同时间尺度(短期、季节、长期)污染物浓度的变化,以此分析原始浓度的变化主要受到何种尺度的影响;同时,建立不同时间尺度上污染物与气象要素的逐步回归模型,进一步消除污染物长期序列中气象变量对其浓度的影响,将重建后消除气象影响长期序列与原始长期序列相对比,两者差值即为该污染物受气象条件影响所产生的浓度变化。

1 材料与方法

1.1 数据与来源

为保证污染物监测数据与气象数据相匹配,选用南昌市2017 年1 月1 日至2019 年12 月31日PM2.5、PM10、SO2、NO2、O3、CO 以及AQI 的逐日数据进行分析,其中,气象条件数据(包括日均风速、日均气压、日均气温、日降水量、日均相对湿度信息)来源于南昌市环境空气质量预报预警业务管理平台,污染物与AQI 数据来源于中国环境监测总站的全国城市空气质量实时发布平台。本研究使用的PM2.5、PM10、SO2、NO2、CO 为原始数据集中的日平均浓度数据,O3数据是日最大8 h 平均浓度数据,AQI 为计算后得出的当日AQI 数据。由于来源数据均有少量时段的缺失,对缺失部分采用直接剔除处理,最后获得的数据列表共包含1 065 组逐日数据。

1.2 研究方法

本研究为了分析空气质量趋势,探讨气象数据对各污染物浓度的影响,利用KZ 滤波方法将南昌市的各污染物与同时期的气象要素原始时间序列进行分解,之后对分解后的数据进行统计分析。具体计算方法及模型参考文献[5]。

2 结果与讨论

2.1 KZ 滤波时间序列分解

使用1.2 中所述方法,将各污染物浓度与AQI 的原始时间序列(图1a)分解,得到其短期(图1b)、季节(图1c)、长期(图1d)分量时间序列。

图1 污染物浓度、AQI 数值原始时间序列以及在不同时间尺度上的分量时间序列

从长期分量来看,各污染物在2017 年均有较高长期分量,并在2018 年显著下降;其中,PM2.5、PM10和O3在2019 年出现了一定程度的回升,这与污染天数统计结果中2018 年污染天数较少且无中度及以上污染天数相印证。2019 年O3回升较明显,PM2.5、PM10回升幅度较低,结合2017 年污染程度高于2019 年的实际情况分析,2017 年比2019 年有更高的污染天数主要是由于颗粒物污染,与2017 年中度以上污染集中在1 月、2 月、11 月及12 月且首要污染物主要为PM2.5相印证。

从季节分量来看,颗粒物污染主要集中在秋冬季,O3污染主要集中在夏季;AQI 秋冬季主要受颗粒物浓度影响,具有相近的波动特征,夏季则主要受到O3浓度变化的影响。这与经验认知相吻合。

2.2 各尺度方差贡献

理想状态下,原始序列分解出的各分量时间序列之间应相互独立,此时,它们的方差之和等于原始序列方差。但实际过程中难以达到完全独立,此时,他们的方差之和小于原始序列方差。因此,KZ 滤波的分解效果可以通过各序列方差之和与原始序列方差之比(%)来体现,越接近100%,说明分解效果越好,不同尺度序列间越相互独立。

同时,各尺度对污染物浓度的贡献占比,也可以通过对应分量的序列方差与原始序列方差之比(%)体现,比值越大,说明该尺度分量对污染物浓度的影响贡献越高。各污染物序列分解效果与各尺度方差贡献占比如表1 所示:

表1 空气质量数据不同尺度分量序列方差对其原始序列方差贡献占比 %

由表1 可见,分量方差之和与原始序列方差之比均在90%左右,说明KZ 滤波得到的不同尺度时间序列相互之间独立性良好。不同污染物间相互对比可以发现,PM2.5、NO2和O3季节分量贡献占比较高,说明这些污染物受污染源以及气象条件的季节性变化影响较为明显;SO2与AQI 短期分量占比较高,说明二者受扩散条件、天气系统、污染物短时排放影响较大;SO2与CO 长期分量贡献较高,说明长期气候条件、管控政策和经济活动等对此类污染物作用较大。

2.3 线性回归模型构建

本研究中,消除气象条件影响重建的长期分量时间序列由两部分构成,一部分为长期分量时间序列平均值,另一部分为消除气象条件影响后的残差时间序列。将选用的5 个气象条件观测量(日均风速、日均气压、日均气温、日降水量、日均相对湿度)对某一污染物构建多元线性回归模型,这一模型结果即为5 种气象条件影响下的污染物浓度时间序列,原始序列与这一模型拟合结果作差获得的残差序列可视为初步消除了这5 种气象条件的影响。将这一残差序列通过KZ(365,3)滤波器,叠加在长期分量时间序列的均值上,即可获得重建后的长期分量时间序列。这一序列在获得残差的过程中初步消除了选用的气象条件影响,并在通过滤波器的过程中一定程度上减小了其他存在的气象条件影响,将它与污染物原始序列相比较,就可以定量地得出气象条件对污染物浓度的影响方向与程度。

由于短期分量与基线分量在尺度特征上存在明显差异,本次研究中,多元线性回归的构建也分解为在短期与基线尺度上分别构建,残差序列选取为二者的残差序列之和。不同污染物的回归模型与相应的解释方差如表2 所示。

表2 基于多元线性回归的污染物短期分量、基线分量回归分析模型

观察南昌市各污染物短期与基线分量回归模型可以发现,在短期与基线分量尺度上,污染物浓度主要受日均风速WS 与日均温度T 影响。风速对污染物的影响均为负相关,这是由于较高风速环境带来的良好扩散条件,有助于污染物扩散,使得污染物浓度降低。温度在短期分量中多为正相关,基线分量尺度中多为负相关。这一定程度上说明了在天气尺度下,温度上升导致污染物生成量增大,温度与污染物浓度在短期分量中呈正相关;而在更大时间尺度下,温度升高导致整体边界层高度升高,使得污染物整体浓度有所下降,温度与污染物浓度在基线分量中呈负相关。其中,O3回归模型中,温度均为正相关,说明在这一过程中,辐射增加带来的光化学反应加剧可能起到了很大的影响。

横向比较各污染物同时间尺度下各回归系数,可以发现,PM10和O3对相对湿度RH 较为敏感,这可能是由于湿沉降作用以及水汽的光化学分解后产生的H、OH 活性基与O3反应有降低其浓度作用的影响。

2.4 长期分量时间序列重建

按照2.3 中所述方法,重建各污染物和AQI长期分量时间序列,如图2(a)所示。为便于观察气象条件对各污染物浓度的影响方向与程度,将重建序列与原始序列作差,获得图2(b)。若差为正值,重建消除气象条件影响后污染物浓度升高,说明气象条件有利于污染物浓度降低;若差为负值,重建消除气象条件影响后污染物浓度降低,说明气象条件不利于污染物浓度降低。

图2 重建后长期分量时间序列和原始时间序列、二者差值时间序列

对比长期分量重建序列与原始序列气象条件对污染物浓度的数值影响不大,集中在±3 μg/m3的范围内,但影响趋势明显。2018 年夏季前,消除气象条件影响的重建序列值低于长期分量时间序列值,这说明2017 年1 月—2018 年7 月,气象条件不利于污染物浓度的降低;2018 年夏季后,消除气象条件影响的重建序列值高于长期分量时间序列值,说明该段时间的气象条件有利于污染物浓度降低。同时,结合南昌市本地污染治理的减排措施,污染物浓度较2017 年有显著下降。

O3与其他污染物存在一定的区别,2019 年秋冬季,消除气象条件影响的重建序列值低于长期分量时间序列值,说明2019 年秋冬季气象条件不利于O3浓度降低,一定程度上加剧了O3长期分量的升高。

同时,消除气象影响后,南昌市2019 年O3与颗粒物长期分量仍有升高趋势,尤其是O3,需要更进一步的加强管控措施,如加强对O3前体物VOCs 与NOx排放的监管。

3 结论

(1)南昌市整体污染形势严重程度2017 年＞2019 年＞2018 年,主要污染物是O3、PM2.5和PM10,夏季以O3污染为主,秋冬季以颗粒物为主。2017 年与2019 年相比较,夏季O3污染程度近似,但秋冬季颗粒物污染更为严重。

(2)风速带来的扩散条件变化对南昌市污染物浓度的影响明显,风速较大时,扩散条件良好,污染物浓度较低。气温在短期尺度上与污染物浓度呈正相关,在基线尺度上可能通过影响边界层条件使得其与部分污染物浓度呈负相关;O3与气温在不同尺度上均有明显的正相关关系,这很可能是由于辐射强度升高带来的光化学反应加剧的影响。颗粒物以及O3对相对湿度有较高的敏感度且均为负相关,颗粒物可能是受到湿沉降效应的影响,而O3可能是受到水汽光解产生的自由基的影响。

(3)气象条件对南昌市污染物浓度的长期趋势影响明显,2017 年1 月—2018 年7 月,消除气象条件影响的重建序列值低于长期分量时间序列值,说明气象条件不利于污染物浓度的降低;2018年7 月—2019 年底,消除气象条件影响的重建序列值高于长期分量时间序列值,说明该段时间的气象条件有利于污染物浓度降低。