浅析攀枝花市2015～2017年气象要素对空气污染的影响

刘馨语，李 玄，惠富斐，谢 南，陶 威

(1.攀枝花市气象局，四川 攀枝花 617000;2.四川省攀枝花生态环境监测中心站，四川 攀枝花 617099; 3.湖州市气象局，浙江 湖州 313002)

引 言

众所周知，空气质量对人类的身体健康有着十分重要的影响。而它的主要影响因素包括局地气候变化、具体的气象要素以及大气污染物的实际排放情况等[1-2]。之前有研究显示，如果具有较为稳定的污染源排放条件，影响空气质量的主要因素则是气象条件[3]。对于市区空气质量造成影响的主要因素，一方面包括由于经济建设过程所致的环保及能源需求的压力，另一方面也有市区气象条件及其实际地理位置所带来的一系列作用。目前，有必要对气象要素和空气污染之间内在的关联性进行深入的分析，阐明空气质量所受各类气象要素影响的主要机理，从而为有效制定合理的防治措施提供重要的理论支撑[4]。

在经济社会和生活质量均全面提升的大背景之下，人民群众健康及生命安全如何受到城市空气质量水平的影响，其规律和内在机制等问题备受瞩目[5～9]。空气质量的好坏与气象条件是密不可分的，为此国内外专家学者也深入地探讨了各类气象要素和空气质量之间的科学相关性，其中，有学者[10]系统地研究了北京市的一次持续性重污染过程，研究显示，不利于污染物扩散的主要因素包括逆温，大气层结稳定以及较低的风速。此外，刘彩霞[11]研究了天津在采暖期，其空气质量与相关气象因子的影响规律，所得结果表明，由地面风场所带来的影响存在着显著的双重性[12]；而且，国内的一份研究工作[13]探讨了河北省石家庄某个时期的天气情况和污染日特征等，将污染日进一步分为沙尘和沙尘2个不同的类型，对于后者而言，其气象要素特征主要为一系列的锋后特征(包括多正变压、湿度以及风速等)[14]；李文杰等[15]利用统计分析法对京津石3市AQI和各类气象要素之间的内容关联展开了深入的探讨，结果表明，空气污染受到气象要素不同程度的影响外，还存在着较为明显的时空差异性[16-17]。

目前，大量的研究主要集中在经济较为发达的沿海城市，针对在攀枝花本地特有的地形气候背景下，对空气质量和气象要素相关性的研究相对较少。攀枝花作为新中国首个资源开发特区，同时也是所在的四川省距离东南亚地区和我国华南各省(自治区)距离最短的一个城市，长期以来都是十分重要的物流及交通要道[18]。随着供给型结构性改革的持续推进，以煤及煤化工、钢铁机械深加工、电力、建材为主的攀枝花市经济受到了一定影响，产业结构调整和经济结构转型势在必行，在此背景下如何平衡地区经济发展与空气质量，分析攀枝花气象条件对空气污染的影响十分关键。

本文利用2015年到2017年期间气象要素以及空气污染等方面实时监测数据，通过统计分析及新型的GIS技术等，深入探讨气象要素，污染因子与AQI指数等的内在关联性，此外还采用IDW空间插值方法，对攀枝花市的各污染因子及其来源的时空分布情况进行分析。

1 材料与方法

1.1 研究区域概况

攀枝花市位于中国西南川滇交界部，北纬26°05′～27°21′，东经101°08′～102°15′，金沙江与雅砻江交汇于此[25](如图1)。东、北面与四川省凉山彝族自治州接壤，西、南面与云南省交界，总面积7 440.398km2[26]。地处攀西裂谷中南段，具有山高谷深，盆地交错分布的特点，相对海拔差高达3 258.5m。具有全国独有的“南亚热带为基带的立体气候”，具有夏季长，四季不分明，旱、雨季分明，昼夜温差大，气候干燥，日照长，太阳辐射强等小气候复杂多样等特点[27]。

因为气候及地形等因素带来的一定影响，使得攀枝花市的低空风与地面风均有十分明显的山谷风特征，常年处于静风和小风区，局地性强不利于污染扩散。然而，攀枝花市能源以钢铁和煤炭为主，作为四川省的重要城市，其发展迅速，空气污染问题不容小觑。

图1 攀枝花市地形图Fig.1 Topographic map of Panzhihua City

1.2 数据来源与处理

1.2.1 数据来源

空气质量数据来自于攀枝花市环保局设置在攀枝花市区的4个空气质量监测站点，其中包括2015～2017年的AQI指数和6种污染物(PM2.5、PM10、CO、NO2、SO2、O3)；气象数据由攀枝花市气象局提供，包括对应时段的降水量、气压、温度、相对湿度及风速等各类气象要素实时监测数据。

1.2.2 数据处理

利用攀枝花市设立的实时监测站，对气象要素和污染数据进行全天候逐时的监测，从而求出气象要素以及污染因子等数据的日均值数据；将2015到2017年共计三年中每天的首要污染物进行统计，并计算各污染物的实际比值；基于日均值数据来将各类气象要素和污染因子分别对应的月均值和年均值数据求出来，通过Python进行处理，从而得到对应的月季变化及日变化曲线和相关性。通过Arc GIS 10.1来开展空间叠加处理以及空间插值分析工作，深入地探讨AQI指数和气象要素的时空变化特征。

1.3 研究方法

1.3.1 相关分析

相关分析的主要目标为：深入地探讨各类要素与外在表象之间的内在关联性，然后分析其中存在着特定关联的不同现象，最终掌握它们的相关程度和具体的方向等。所用算式为：

1.3.2 反距离权重(IDW)法

我们可利用空间插值法来转化离散点，从而得到具有连续性的相关曲面，由此开展空间分布方面的分析研究工作[19]。利用该法可分析攀枝花市污染因子和AQI等的分布情况。

而反距离权重法属于简单便捷的空间插值法，目前已经取得了较好的应用成果，尤其特别适用于区域性污染物所具有的空间分布特征的相关研究[20～22]。在应用该法时，主要是采用样本点和插值点之间的距离来开展加权平均，如果样本点和插值点间距越小，则其将有更大的权重，然而它对距离有较强的依赖性，如果样本点相互间存在着比较长的距离，则将有明显的误差产生。在进行距离设置时其幂值采用的是默认数值(即2)。如果所设定的幂值比较小，将明显地影响到较远距离的点，使外表面变得更为平滑[23-24]。

2 结果与讨论

2.1 攀枝花市首要污染物情况

统计2015年1月1日～2017年12月31日攀枝花市每日所对应的首要污染物，(图2)可知，2015年1月1日～2017年12月31日，在攀枝花市886天有效数据中，以PM10为首要污染物的天数最多(453d)，占51%；首要污染物为NO2的共计228d，对应占比26 %；而为O3的则是99d，总占到11%；其余，以PM2.5、SO2、CO为首要污染物的天数分别有36d、25d、45d。这表明影响攀枝花市环境空气质量的污染物因子主要为PM10、NO2和O3。由于灰霾天气的本质是光化学污染相关联的粒子气溶胶污染，很多学者的研究表明，城市中排放的机动车尾气、煤烟尘以及扬尘等因素是O3、NO2以及PM10的重要来源[28～30]，该市近年来在发展经济的过程中，消耗了大量的能源，也相应地提高了大气O3、NO2及PM10的含量。

图2 攀枝花市首要污染物组成比例Fig.2 Proportion of primary pollutants in Panzhihua city

2.2 AQI及首要污染物月季变化分析

根据图3中攀枝花市不同季节首要污染物的占比情况可知：攀枝花秋冬以PM10和NO2为主，春夏以PM10和O3为主。其中，由于高强度的太阳辐射会使O3的浓度升高，导致O3浓度在春夏季逐渐升高，同时，夏季的连续性降水也会影响O3浓度[31]。

图3 攀枝花市不同季节首要污染物占比Fig.3 Proportion of primary pollutants in different seasons in Panzhihua City

结合对攀枝花AQI的分析可知，2015年1月～2017年12月，不同污染因子和AQI月季变化明显。其全年空气质量为优占15.6%，良占82.0%，轻度污染及以上级别占2.4%，优良率达97.6%。分析图4可知，在6～8月(夏季)AQI级别为优的天数最多，表明夏季空气质量较好，其中6月空气质量最好(优占43d，良47d，且无轻度污染及以上级别)。而在2月出现了四种不同AQI级别的天气现象(从优到中度污染)，表明在这一个月份里，空气质量波动较大。

图4 攀枝花市空气质量指数 AQI 级别Fig.4 Air quality index levels in Panzhihua city

综上所述，我们可发现攀枝花市的空气质量和季节之间存在着较为明显的关系，具有夏季空气质量好，冬季较差的季节特点。这与攀枝花市地处山区，常年风速较小不利于污染扩散有关。此外，一些主要的气象要素(包括降水量、气压以及温度等)都将会不同程度地影响着该市整体的空气质量。

2.3 攀枝花市气象要素分析

对于污染物扩散及扩散过程来说，气象条件具有不可忽视的控制作用。当污染源的排放保持不变的情况下，气象条件对污染物浓度起到了决定性的作用[32～36]。因此，探讨各类主要的气象要素和空气质量之间的关系很有必要。从图5中攀枝花市2015～2017年降水量、气压、风速、相对湿度以及温度等月季波动情况，我们可发现：①温度：整体呈抛物线特征，从3月到10月，月均温度值均高于20°C，在六月达到最高(27.4°C)；②相对湿度：攀枝花市地处内陆山地，全年大气相对湿度相差较大，月季波动变化较明显，其中相对湿度最大在9月(75.17%)，最小在3月(31.63%)。这主要是因为从6月开始，攀枝花市雨季开始，尤其6～9月当地通常会出现副高天气所致强降水现象，使相对湿度明显增大，进入10月之后，降雨量显著降低，所以相对湿度值也相应地减小；③风速：攀枝花市处于静风或小风区，11月平均风速最低(1.1m/s)，3～5月(春季)最高(2m/s)；④气压：攀枝花市全年平均气压大致呈反抛物线状，在870～880hP范围内波动，9月至次年2月(秋、冬季)气压均高于875 hPa，其余月份气压值均在875hPa以下，其中6月平均气压最低(870hPa)；⑤降水量：攀枝花旱、雨季分布明显，主要降雨时段在每年6～9月，2015～2017年三年月平均降水量最高出现在7月(234.6mm)，最低在2月(1.4mm)。

图5 攀枝花市温度、湿度、风速、气压、降水量月份变化Fig.5 Monthly variation of temperature，humidity and wind speed，air pressure and precipitation in Panzhihua city

2.4 AQI与气象要素相关分析

对于污染物的转化、迁移、扩散以及稀释等过程来说，气象要素起到了十分重要的制约作用[37-38]。本文利用攀枝花2015～2017年的AQI日数据以及对应的气象数据分析发现(如图6)，空气质量会受到不同气象要素的影响，而且各个要素也具有不同的影响程度。

2.4.1 温度、风速与 AQI 的关系

AQI指数日变化与温度、风速日变化均呈显著负相关关系。据图6可知，气温的垂直分布一定程度上决定了大气污染物在垂直方向的扩散情况[39-40]，在进入到午后，随着温度逐渐增加，该市的大气将会变得更加不稳定，由于受到热力对流的影响，使得污染物朝上进行逐步的扩散，相应地降低了AQI值；反之，该市的大气处于稳定状态之中，抑制了污染物扩散的过程，相应地AQI值增大。而风速是造成快速水平输送或平流的主要原因，也是边界层内影响污染物稀释扩散的重要因子[41-42]。当风速在特定范围之内时，在越高的风速条件下，将更有利于各类空气污染物的稀释及扩散，相应地降低了AQI值。反之，AQI指数越大。

2.4.2 气压、相对湿度、降水量与AQI的关系

降水量和相对湿度关系紧密，同时PM10作为攀枝花排名居首的一类空气污染物，由于攀枝花污染主要集中在冬季，大量的降水一方面冲刷空气中一部分PM10，另一方面对地面扬尘有良好的抑制作用，因此在冬季相对湿度和降水量与AQI呈负相关；而攀枝花春、夏、秋三个季节中，空气质量相对较好，加上温度较高，小量的相对湿度的增长反而有利于空气中颗粒物的吸湿增长，导致AQI上升[43]。攀枝花本站气压与AQI指数年均日变化相关系数为0.881，具有显著正相关性(p<0.01)。天气背景会明显地影响到污染物扩散过程。在低压控制的条件下，大气为不稳定或者是处于中性的状态，相应地提高了低层空气辐合，处于地面附近区域中的污染物将会和空气共同上升至更高的区域里，这对于污染物的稀释及高空扩散是有利的；在高压控制的情况下，空气将会出现下沉，导致下沉逆温，这将会对污染物朝上的扩散过程造成一定的抑制作用[44]。若高压处于缓慢的移动状态，则将会长时间地在某地区进行停留，由此导致稳定层结以及小风速等现象，这对于污染物扩散及稀释过程是十分不利的[45～46]。特别是在晴朗的高压天气条件下，在夜间通常会出现辐射逆温，将会抑制污染物扩散的过程，从而导致污染加重的问题[39]。若地形条件不理想，则还会导致更为严重的结果。

综上，攀枝花春、夏、秋三个季节，风速和温度与AQI均呈负相关；与降水量、相对湿度、气压呈正相关关系。而冬季，降水量与AQI也呈负相关关系(见表1)。

2.5 攀枝花地区空气污染指数与气象要素的主成分回归分析

主成分统计分析是有一种能有效地简化一系列指标，从而得到若干不相关的指标的综合指标，该法尤其适用于对多指标数据的分析研究，此外，还可深入地探讨不同数据之间所存在的内在联系和后续的发展趋势。所以，目前它也被广泛地用在空气污染分析方面的工作之中。因为对于降水量、气压、风速、相对湿度以及温度等各类气象要素而言，它们具有紧密的关联，所以主成分的分析是不可或缺的，采用SPSS所算得的系数矩阵贡献率和相关特征值结果可参考表2中所列的数据。

在攀枝花市四季的主要气象要素之中，处于最前面的2个主成分具有着高于85%的累计贡献率，也就是说，超过85 %的原指标相关信息可被有效地提取出来，因此，选择最前面的2个主成分就可满足条件。我们可通过表3的特征向量值来很好地解释这2个主成分。

表3 特征值对应的特征向量Tab.3 The corresponding eigenvectors of eigenvalues

如表3所示，该市首个主成分(除春季)所体现的是5大气象要素的综合指标，而第2个主成分(除秋季)则主要描述了降水量指标。新构造的主成分代表了原来各气象要素的大部分信息，且各新构造主成分之间相互独立，不存在共线性，因此可实现多元线性回归分析的有效构建。在此过程中，其自变量为首个主成分值(即Z1)和第2主成分值(即Z2)，而所用的因变量则为AQI 指数y′，然后开展多元线性回归处理，通过最小二乘法来进行相关参数的估算。

由此，所得回归方程具体如下：

春季：y′=0.822*Z1+0.044*Z2 ；

夏季：y′=0.787*Z1+0.1*Z2 ;

秋季：y′=0.74*Z1+0.065*Z2；

冬季：y′=-0.72*Z1+0.411*Z2；

此处的y′代表了AQI指数(已经进行了标准化)；而Z1以及Z2则分别代表了第一及第二主成分。算得其F检验中P值均小于0.05，意味着具有良好的回归效果。且对于各个系数来说，其t检验的P值均小于0.05，意味着所有的主成分均具有较为显著的影响。

在回归方程中代入主成分所分别对应的线性表达式，然后对其进行转换而得到常规的线性回归方程，具体为：

春季：

y=31.97171*x1-0.3836*x2-0.5773*x3+21.073*x4+0.806*x5-727.3011

R2=0.647；

夏季：

y=1.8659*x1-0.4156*x2-0.4444*x3+10.8016*x4+0.9271*x5+751.2702

R2=0.595；

秋季：

y=22.3062*x1-0.6814*x2-0.6193*x3+12.7192*x4+1.1710*x5-954.9506

R2=0.51；

冬季：

y=819.5852*x1-0.5712*x2+0.5175*x3+12.8246*x4+1.1483*x5-2635.9216

R2=0.657；

式中y为AQI指数；x1～x5分别为降水量、风速、气温、相对湿度、气压。

2.6 污染因子及气象要素的IDW法插值和空间叠加分析

根据提高监测站点数量，空间插值误差会相应地降低的原理[46]，为增加本地插值研究的精确度，我们以当前设置于本市的四个监测站所得的数据开展污染分布方面的研究分析工作。图7是对2015年1月～2017年12月攀枝花市区4个监测站点6种污染因子开展IDW空间插值处理所得的最终结果，很明显，对于所研究的污染因子而言，它们存在着十分显著的空间污染分布差异。PM2.5、CO、SO2污染因子主要分布在弄弄坪及以西地区，而NO2、O3、PM10等污染因子主要分布受人类活动排放影响的[47～49]主城区中心炳草岗一带。

图7 4个站点上6个污染因子的空间插值图Fig.7 Space interpolation of six pollution factors at four stations

图8 6个污染因子在4个站点的空间叠加图Fig.8 Spatial overlay of six pollution factors at four stations

针对这些污染因子，归一化处理其有关的数据图层，再开展空间叠加处理，得出不同污染因子对当地环境空气的综合影响。根据图8叠加图可知：炳草岗和弄弄坪站点周围空气污染最严重。其中，弄弄坪-河门口测点位于攀钢厂区、发电厂及煤矿、焦炭集中区，当化石燃料被大量地燃烧之后，除了一些污染性的气态物质(如一氧化碳与二氧化硫等)和可吸入性固态颗粒物形成之外，污染性气体将会发生二次转化过程，使得当地空气污染问题变得更加严重，其中最典型的就是河门口-弄弄坪周边；而炳草岗测点一带位于市中区，受汽车尾气及建筑施工扬尘影响明显，导致PM10和NO2、O3浓度偏高。

3 结 论

3.1 攀枝花市首要污染物为PM10，其作为首要污染物的天数占全年51%，NO2(26%)、O3(11%)；其次PM2.5、SO2、CO分别占4%、3%、5%，对攀枝花市环境空气质量的影响相对较小。其中，秋冬以PM10和NO2为主，春夏以PM10，O3为主。

3.2 在时间序列上，各气象要素对攀枝花空气质量的影响程度存在一定的差异。夏季空气质量最好，冬季最差；从相关系数和主成分回归系数的数值可以看出，攀枝花春、夏、秋三个季节，风速和温度与AQI均呈负相关；与降雨量、相对湿度、气压呈正相关关系。而冬季，降雨量与AQI也呈负相关关系。

3.3 对4个站点的6种空气污染因子进行空间插值和空间叠加分析，结果表明:PM2.5、PM10、SO2、NO2、O3、CO污染因子在空间分布上差异明显，其中炳草岗和弄弄坪周围空气质量相对较差；弄弄坪一带分布着攀枝花市的主要重工业企业，导致大量的可吸入颗粒物和SO2、CO等污染因子浓度升高；位于市中心的炳草岗站点周围，受汽车尾气及建筑施工扬尘影响明显，导致PM10和NO2、O3浓度偏高。

3.4 通过以上分析可以发现，结合攀枝花本地发展规划和实际情况，根据气象要素分析，为攀枝花市分区分季节的防污减排决策提供了气象参考。