北京市门头沟区采暖季PM2.5和TSP浓度变化特征分析

2022-05-23杨金凤

皮革制作与环保科技 2022年5期

杨金凤

（北京市门头沟区生态环境监测站，北京 102300）

近年来，随着经济的快速发展，城市人口不断增长，机动车尾气的排放使大气污染防治成为一项重要的研究课题[1-2]。在各项气态污染物中，北京地区颗粒物污染问题较为突出，对生态环境、人体健康和大气能见度有着很大影响[3]。研究发现，PM2.5化学成分复杂，较高浓度能降低大气能见度，严重危害人体健康。TSP浓度较高时，会大量吸收可见光降低大气能见度，吸收或吸附具有活性的化学物质，对建筑物和各种器械有一定的腐蚀作用[4]。门头沟区位于北京城区西侧，区域东西长，南北宽。全区地形以山地为主，山区占总面积的98.5%。以往的研究局限于城区附近孤立的监测点，无法了解PM2.5和TSP 的整体污染特征，且局限于可吸入颗粒物。本次研究覆盖了九镇四街的PM2.5和TSP浓度监测点，对采暖季PM2.5和TSP 污染特征进行了时空变化分析。研究表明，全区PM2.5和TSP污染空间分布具有显著梯度变化特征，随时间变化差异较大。研究结果可为大气污染物防控和治理提供依据。

1 材料与方法

1.1 监测点的选择与数据的收集

选取了全区九镇四街42个TSP和44个PM2.5大气自动监测站点，其位置分布见图1和图2，分别记录以上监测点2019年11月15日到2020年3月15日的PM2.5和TSP质量浓度的小时监测数据，去除仪器故障或关机等造成的数据缺测。

图1 PM2.5浓度监测点位分布图

图2 TSP浓度监测点位分布

1.2 数据处理方法

通过对2019年11月15日至2020年3月15日各自动监测点的PM2.5和TSP浓度监测数据的整理计算，将小时浓度转换成季度均值，并以此为依据利用Arc GIS10.2软件对全区进行插值分析，通过已知监测点PM2.5和TSP浓度预测整体PM2.5和TSP浓度的空间分布差异特征。

1.3 插值方法的选择

在研究污染物浓度空间分布及变化趋势时，常利用插值法，即通过已知点浓度计算同一区域内其他未知点浓度，从而推导出区域的污染物分布情况。在众多的插值方法中，克里格插值能相对准确地反映预测区域范围内的污染物空间分布差异情况，突出整体分布趋势，最接近观测值[5]。因此，利用Arc GIS10.2软件，选择克里格法进行插值分析，对全区PM2.5和TSP浓度表面分布进行模拟。

1.4 相关性分析方法的选择

Spearmam秩相关系数分析法能提供2个随机变量在线性相关或非线性相关下的共变趋势程度，能反映变量间的真实关系[6]。因此，采用Spearmam秩相关分析方法，利用SPSS 20.0软件进行数据处理，分析全区采暖季PM2.5与TSP日均浓度变化相关性。

2 PM2.5和TSP浓度污染特征分析

2.1 PM2.5和TSP浓度空间分布特征

2.1.1 整体状况

将2019年11月15日到2020年3月15日的每小时监测数据转换成日均值，对其进行统计分析，见表1。从表1中可知，PM2.5日平均浓度为43 µg/m3，最大值为190 µg/m3，最小值为5 µg/m3，将ρ（PM2.5）、ρ（TSP）与《环境空气质量标准》（GB3095-2012）做比较，超过《环境空气质量标准》GB3095-2012二级标准（日均值75 µg/m3）的有18天，达到1级标准（日均值35 µg/m3）的有63天，达标率52.1%。TSP日平均浓度为91 µg/m3，最大值为278 µg/m3，最小值16 µg/m3，超过《环境空气质量标准》（GB3095-2012）二级标准（日均值300 µg/m3）的有0天，达到1级标准（日均值120 µg/m3）的有92天，达标率76.9%。

表1 全区采暖季PM2.5和TSP日平均浓度统计特征

2.1.2 空间分布特征

利用克里格插值方法对采暖季各监测点PM2.5和TSP季均浓度进行插值分析，获得PM2.5和TSP的地面浓度空间分布，见图3、图4。从图3可知，采暖季PM2.5地面浓度空间分布具有显著梯度变化特征，从西部深山区向中部浅山区、城区浓度有逐渐增大的趋势，局部地区有一定差异，东部地区由北向南逐渐增大。从图4中可知，TSP地面浓度空间分布从西部深山区向中部浅山区、城区有逐渐增大的趋势。

图3 采暖季PM2.5季均浓度空间分布状况

图4 采暖季TSP季均浓度空间分布状况

2.1.3 空间分布成因

全区地势呈扇形，起伏明显，从西北向东南倾斜。海拔1 500 m左右的山峰有160多个，沟谷300余条，沿山、谷与其附近的空气由于热力差形成较周围地区风速明显偏大的山谷风，有助于PM2.5和TSP的扩散。从气候上来看，冬季气候寒冷干燥少雨，主要受来自西伯利亚的干冷空气影响，风向以北风、西北风为主，大量细颗粒物随气流被夹带到了东南部地区，风速在东南部平原地带有所减弱，造成了颗粒物在东部地区由北向东南积累。在气候、地貌地形等自然条件较为一致的前提下，植被覆盖率越低，人类活动干扰越大，产业经济结构布局越集中，污染物排放量就越高，对环境空气质量造成的负面影响越显著[7-8]。西部深山区，涉气排污单位少，人类活动少，植被覆盖率高，且风力大，污染物扩散快，造成PM2.5和TSP浓度偏低。中部浅山区是山区和平原的过渡地带，山区居民生产生活的主要聚集区，人流量和车流量相对较大，植被覆盖率偏高，风力到达浅山区有所减弱，污染物扩散较快，造成PM2.5和TSP浓度偏高。东部城区，植被覆盖率较山区低，大气污染物被带到了平原地区后风力进一步减弱，人口密度高，交通流量较大，涉气排污单位主要集中在此，造成平原地区PM2.5和TSP浓度较高[9]。

2.2 TSP和PM2.5浓度随时间变化特征

2.2.1 月变化特征

将2019年11月15日～2020年3月15日全区各高密度点监测数据求月均值，进行分析。从图5中可知，PM2.5的质量浓度各镇街变化趋势大致相同，从11月开始到12月降低，次年1月开始到2月达到峰值，3月份开始降低。造成这一现象的原因一方面是因为从11月中旬开始北京市及其周边地区陆续进入采暖季，各种能源消耗不断攀升，造成污染物的排放量增加；另一方面是不利于扩散的静稳天气。从图6可以看出，TSP的质量浓度11月份在浅山区、城区出现峰值，深山区次年1月份出现峰值。造成这一现象是因为TSP主要来自当地建筑施工扬尘、道路扬尘、裸地扬尘、土壤扬尘等，但不同粒径的颗粒物在空气中悬浮的时间及传输距离有很大差异，颗粒物粒径越大，在空气中悬浮时间越短，沉降速率越快，传输距离也越近，且受气象条件影响较大[10]。深山区远离工业园区，人口密度低，受扬尘影响小。城区、浅山区人口密度大，建筑施工项目繁多，车流量大，绿化率低，受扬尘影响明显。

图5 采暖季PM2.5浓度月变化情况

图6 采暖季TSP浓度月变化情况

2.2.2 日变化特征

将2019年11月15日～2020年3月15日全区各个高密度点监测数据求日均浓度，进行比较。从图7中可知，PM2.5和TSP质量浓度每日差异变化情况，二者具有显著相关性（Spearmam秩相关系数为0.885，P＜0.01），有相似变化趋势。

图7 全区采暖季PM2.5和TSP浓度日变化情况

波动较大的日变化情况主要受当地的气象因素影响，较大值出现在雾霾天，较小值出现在强风和降雨后。这主要是因为颗粒物可以随降雨沉降，或被强风吹散。而在雾霾天颗粒物多黏着在或混于雾气之中，不易消散，还易与其他污染物发生复杂的化学反应，产生二次气溶胶。

2.3 PM2.5和TSP浓度小时变化特征

将深山区、浅山区和城区2019年11月15日～2020年3月15日各个高密度点监测数据分别求时均浓度，进行分析。PM2.5浓度随小时变化情况，见图8。从图8可知，深山区PM2.5小时变化在11:00左右达到小高峰，晚20:00左右达到峰值。浅山区随着温度的升高，局部地区温差增大，空气流动性增强，粒径小的颗粒悬浮于大气中被传送到浅山区，并不断积累，在早晨9:00左右达到小高峰，午后12:00-16:00最低，夜间来临人类活动不断增加、车流量增大，各种能源消耗大，在19:00左右达到峰值。城区随着太阳升起，辐射量增加，空气温度升高，局部地区温差增大，空气流动性增强，细颗粒物从浅山区被传送到城区，并在上班高峰后，污染排放开始加剧，在11:00左右达到峰值，午后太阳辐射减弱，大地及地面的累计温度继续升高，局部温度差异增大，空气流动性增强，平均小时浓度在12:00-15:00最低，随着夜晚的到来，下班高峰期车流量大，人类活动和各种能源消耗增多，在19:00左右达到峰值。

图8 采暖季PM2.5浓度小时变化情况

TSP浓度随小时的变化情况，见图9。从图9可知，TSP浓度大体呈双峰趋势。深山区在早晨10:00左右达到一个小高峰，午后随着太阳辐射强度减弱，局部温差变大，大气流动性增强，TSP时均浓度缓慢降低，在晚间20:00左右达到峰值，0:00之后下降趋势较为缓慢。浅山区随着气温的升高大气流动性增强，粒径小的颗粒物悬浮于空气中被传送到浅山区并不断积累，在早晨9:00-10:00左右达到高峰，午后随着太阳辐射减弱，局部温差变大，空气流动性增强，在14:00左右最低，随着夜晚到来，人们活动增多，交通量增大，在19:00左右达到最高值。城区，随着气温升高，上班高峰期，车流量变大，交通拥堵，汽油怠速时不完全燃烧会排放更多的污染物，在早晨9:00左右达到峰值，午后太阳辐射强度减弱，局部温差变大，空气流动性增强，TSP时均浓度在14:00左右最低，随着夜间到来，下班高峰期车流量变大，人们的活动增多，在20:00左右达到峰值。