山西省PM2.5时空特征及其影响因素的地理探测

2022-11-09郑浩浩易文利冯诗格刘引鸽

河南科学 2022年9期

田苗，郑浩浩，易文利，2，冯诗格，刘引鸽，2

（1.宝鸡文理学院地理与环境学院，陕西宝鸡 721013；2.陕西省灾害监测与机理模拟重点实验室，陕西宝鸡 721013）

PM2.5在环境科学研究领域里表示空气动力学等效直径≤2.5 μm的细颗粒物，是导致空气环境污染，对人体健康危害最严重的一类大气污染物［1］. 自20世纪80年代以来，国外欧美及日本开始关注PM2.5的监测，1997年美国率先将PM2.5列为空气质量检测的监测指标之一并制定了相关标准，以加利福尼亚地区为出发点对颗粒物展开研究，研究内容主要包括污染特征、源解析、影响因素及对人体危害的影响等［2-3］. 我国对于PM2.5的研究起步较晚，环保部2012年首次将PM2.5列入环境空气质量标准，同时出台规定，用空气质量指数（AQI）代替空气污染指数（API）. 随后众多学者对其来源、组成、污染特征及影响因素等方面做了大量工作［4-6］. 另外PM2.5的时空分布特征与驱动因素［7-11］、模型估算与预测等［12-13］研究也成为该领域关注的热点.

山西省是内陆省，是我国重要的能源重化工基地，也是我国雾霾的高发区之一［14］. 其中吕梁、晋中、临汾和运城也是我国大气污染治理重点区域汾渭平原的主要城市［15］. 目前，山西省PM2.5污染相关研究主要集中在晋中、晋南地区［16-17］，研究内容多为PM2.5组分构成、时空分布和源解析［8，18-19］，其影响因素所采用的方法主要包括相关分析、主成分分析法、正定矩阵因子分解法等，这些方法都只是分析自变量对因变量的单一影响，对多因子影响及其交互作用影响研究较少，而地理探测器可通过揭示地理现象的空间异质性来揭示其背后的驱动力，可探测两因子交互作用对响应变量的影响［20］. 因此，为了定量探究山西省2016—2019 年PM2.5污染时空分布特征及驱动影响因素，本文基于山西省11 个地级市59 个国家空气质量自动监测位点2016—2019年全年的逐时监测数据，通过地理空间可视化（ArcGIS）得出PM2.5的时空分布特征，运用地理探测器方法分析各影响因子与PM2.5浓度的关系及其变化的影响机制，以期为山西省各地区大气污染防控和生态文明建设提供参考依据.

1 数据来源与方法

1.1 数据来源及预处理

文中山西省行政边界矢量数据来源于中国科学院资源环境科学与数据中心（https：//www.resdc.cn/），PM2.5浓度数据来源于全国空气质量发布平台（http：//106.37.208.233：20035/），选取山西省境内11 个地级市59个国家空气质量自动监测点位2016—2019年PM2.5逐日浓度值数据进行分析；其中太原设有监测点位9个，大同、晋城、阳泉、长治及临汾各6个，朔州与运城各5个，晋中4个，忻州与吕梁各3个（图1）. 2016—2019年降水量、年均相对湿度来源于中国气象科学数据共享服务网（http：//cdc.cma.gov.cn），山西省社会经济发展指标（包括人均GDP、人口密度、城市绿化率、第二产业产值占比、工业用电量、规模以上工业产品量、民用车数量、道路密度）来源于山西省各县区统计局统计年鉴（http：//tjj.shanxi.gov.cn/）. 依据环保部发布的最新制定的《环境空气质量标准》（GB 3095—2012）中第二级（类）标准和《环境空气质量指数（AQI）技术规定》（HJ 633—2012）中PM2.5浓度污染等级划分进行评价分析.

图1 山西省行政区划及监测点分布Fig.1 Administrative division and distribution of monitoring points in Shanxi Province

1.2 研究方法

1.2.1 空间插值

空间插值以范围内的已知点来估计待插值点属性值的方法，已经成为环境污染研究的一个重要工具［21］. 常见的克里金插值方法有普通克里金（ordinary Kriging）、协同克里金（co-Kriging）、泛克里金（universal Kriging）、析取克里金（disjunctive Kriging）等，不同情况各种方法的插值结果也不同，经作者比较验证，普通克里金法标准均方根预测误差（RMSE）最接近于1，故选择其作为本文空间插值方法.

1.2.2 地理探测器

空间分异性是地理现象的基本特点之一，地理探测器是探测空间分异性以及揭示其背后驱动力的一组统计学方法［20］，主要包括分异及因子探测、交互作用探测、风险区探测和生态探测［22］. 其中因子探测模块可用来检测某种地理要素对某个指标值空间分异的影响力，使用q值度量，表达式为：

式中：q为PM2.5驱动因素的解释力，值域为［0，1］，q值越大表示各影响因子对PM2.5浓度的空间分异解释力越强，反之则越弱；SSW、SST 分别为层内方差之和、全区总方差；h为影响PM2.5浓度的各影响因子；N与σ2分别为研究区域整体样本量与方差.

交互作用探测：识别不同影响因子之间的交互作用，即两个影响因子共同作用时是否会增加或减弱对PM2.5浓度的空间分异的解释力，或这些因子对PM2.5浓度的空间分异的影响是相互独立的.

关于参与地理探测器运行影响因素的选择，基于数据的可获取性和选取影响因素应具有代表性，选取年均降雨量、年均相对湿度、地形为自然环境因子；人均GDP、人口密度、城市绿化率为社会经济因子；第二产业产值占比、工业用电量、规模以上工业产品量为能源因子；民用车数量和道路密度为交通因子.

2 结果与分析

2.1 PM2.5年际空间维度变化规律

利用ArcGIS 中普通克里金插值法，基于PM2.5年均浓度值数据，对山西省PM2.5污染状况进行空间分析，得到2016—2019年山西省PM2.5年均值空间分布图（图2）. 由图2可知，2016—2019年山西省污染空间格局相似，总体分布格局呈东北向西南阶梯状上升的分布特征，晋南与晋东南地区为PM2.5污染高值中心，晋北地区为PM2.5污染低值中心. 2016年和2017年PM2.5污染程度最为严重，山西省各监测城市PM2.5年平均浓度均超过了《环境空气质量标准》（GB 3095—2012）所规定PM2.5年平均浓度的二级标准限值（35 μg/m3），其中临汾、运城与长治市PM2.5污染程度最高，大同市污染程度最低. 2016 年临汾与长治市PM2.5年均浓度值达到72.67 μg/m3与68.92 μg/m3，而大同市浓度值仅为38.58 μg/m3；2017年，整个研究区PM2.5年均浓度高值中心由“临汾—长治”向南扩散至“临汾—运城”，PM2.5年均浓度分别达到了82.42、72.75 μg/m3；2018年，研究区整体环境空气质量有所改善，PM2.5污染高值中心区缩小，大同市达到清洁水平，污染区域仍集中在临汾市与运城市. 2019年研究区空气质量继续得到好转，所有监测城市PM2.5年均浓度均降至65 μg/m3以下.

图2 2016—2019年山西省PM2.5年均值空间分布特征Fig.2 Spatial distribution of annual mean value of PM2.5 in Shanxi Province from 2016 to 2019

整体而言，位于汾渭平原腹地的临汾、运城市由于其东、西、北三面环山的地形条件，对气流产生阻挡作用，受季风的影响较弱，易于形成逆温层，使污染物的垂直扩散受到抑制，二次污染物转化效率增加，且临近关中平原城市群，污染物区域传输扩散条件差，成为污染中心［23］. 而位于晋北地区的大同、朔州、忻州市地形复杂，山地丘陵盆地相间分布，受北方气团的影响强烈，污染物大气扩散条件好，成为污染低值中心［14］.2016—2017年，受人类活动和天气状况影响，中国微高浓度以上（＞35 mg/m3）的城市数量整体呈现增加的态势，且逐步向西部地区扩展［24-25］. 2018年开始各监测城市空气质量迅速好转，这可能与2018年蓝天保卫战三年行动计划的提出，山西省以及汾渭平原等地区的诸多城市成为重点整治对象，采取调整优化产业结构、能源结构，有效推进北方地区清洁取暖，积极调整运输结构，发展绿色交通体系等一系列举措有一定联系.

2.2 PM2.5逐月和季节变化特征

利用日数据统计得到2016—2019年山西省11个地级市PM2.5逐月、季节变化规律图（图3）. 如图3所示，2016—2019年PM2.5月均浓度变化曲线呈“单峰”型，各地级市历年PM2.5浓度高值时间段主要分布在11月至次年3月，即从11月采暖期开始，PM2.5浓度急剧上升，至12月、次年2月底达到峰值，说明采暖是PM2.5浓度值高的重要影响因素［17］，且北方地区冬季气温低，空气对流弱，逆温、静风等不利气象条件和特殊的地形使得污染物难以扩散［26］. 而4月初至10月底，PM2.5浓度值基本控制在日均限值以下. 11月底至次年2月底PM2.5浓度波动幅度较大，且波动频率高，这可能与短时间内天气变化有关；而3月初至4月中旬、10月初至11月中旬波动幅度明显降低，4月底至9月底最低，波动幅度保持稳定且波动频率弱.

图3 不同地区PM2.5月均浓度值变化图Fig.3 Monthly average concentration changes of PM2.5 in different regions

各个地区2016年冬季PM2.5浓度值最高，刘芷君等［27］发现2016年冬季东亚地区季风减弱，出现“暖冬”现象，大气扩散条件差，是造成PM2.5浓度值偏高的主要原因. 2017年冬季最低，2018年冬季PM2.5浓度不降反升，气象资料显示全省各地区冬季气温和湿度偏高，风速偏小，总体大气污染扩散气象条件偏差，这是2019年1月全省大部分城市空气质量下降的主要原因. 春季随着气温回升，采暖强度下降，PM2.5浓度值逐渐下降，在4 月底采暖期结束达到最低值. 而大同、朔州和忻州市在5月PM2.5浓度值又略微上升，因该地区位于山西省北部，降水少，且紧邻内蒙古，春季沙尘影响明显偏重，使得浓度值上升［28］. 夏季气温高，空气对流强，季风和降雨有助于抑制PM2.5生成和其他污染物沉降与消减，浓度值减小. 秋季高温低湿、降水偏少的不利气象条件和局部生产建设排污强度变化等因素综合影响，造成了污染天气的出现［14］.

2.3 影响因素分析

2.3.1 因子探测

研究表明，PM2.5污染程度受自然地理条件和经济社会发展水平等多种因素的影响，难以在时间和空间上定量分析影响因素［29-30］. 而地理探测器可以客观反映各影响因素对解释因子的影响力及空间异质性作用，参考姚荣鹏、杨文涛等［31-32］研究结果，选取山西省PM2.5污染过程中各地区自然和社会经济因素11 个主要影响因子，利用地理探测器中的因子探测模块分析2016—2019 年各因子对PM2.5年均浓度空间分异的影响程度. 由表1 可知，2016—2019 年山西省各影响因子的解释力分别为人口密度（0.728 5～0.819 7）＞民用车数量（0.739 8～0.785 5）＞人均GDP（0.713 2～0.758 8）＞规模以上工业产品量（0.595 5～0.825 6）＞第二产业产值占比（0.471 5～0.717 9）＞工业用电量（0.417 5～0.523 0）＞年均相对湿度（0.088 2～0.423 4）＞道路密度（0.130 0～0.339 9）＞地形（0.145 0～0.320 5）＞年均降雨量（0.120 1～0.309 5）＞城市绿化率（0.060 6～0.173 0），表明人类生活和生产活动是造成PM2.5空间分异的主要驱动因素.

表1 山西省2016—2019年地理探测结果Tab.1 Results of geographical detector in Shanxi Province from 2016 to 2019

2016—2019年，人均GDP、人口密度、第二产业产值占比、工业用电量、规模以上工业产品量、民用车数量、道路密度、地形因子解释力呈上升趋势，年均降雨量与年均相对湿度呈倒“U”型，城市绿化率呈逐年下降趋势. 其中，人口密度、人均GDP和民用车数量在历年所有影响因子中解释力均超过0.7，对PM2.5浓度值影响最大. 随着人口数量不断增加，频繁的人类活动，汽车尾气排放以及冬季取暖等其他生活方式引起复合型污染，对环境造成更大负担，从而导致更为严重的污染. 在产业与耗能因素中，规模以上工业产品量解释力最强，其主要包括钢铁冶金、煤炭焦化等高耗能、高污染的工矿业，工业聚集，污染排放强度大，导致PM2.5浓度值严重超标［31］. 第二产业产值占比解释力伴随着产业值的增加而逐年上涨，表明该地区产业结构与布局不合理，工业生产过程中存在污染现象，且防治措施不到位. 当PM2.5年均浓度逐渐降低，自然因素影响逐渐增强. 2017—2019年山西省各地区降雨量普遍减少，而降水的沉降作用可以对大气中颗粒物产生清除效果［33］.地形因子的解释力逐渐上升，表明在较低浓度下地形对PM2.5的扩散有较强的抑制作用. 综上所述，山西省大气颗粒物污染防治应以加强人民环保意识、控制机动车尾气排放为主，调整能源结构、推行清洁生产为辅，综合运用各种污染防治的法律法规与技术措施.

2.3.2 交互探测

区域大气污染通常是多种因素的共同作用的结果，利用地理探测器交互探测模块探测11个影响因子对PM2.5浓度空间分布变化的作用，选取时间较近的2019年为例，进行交互探测分析. 表2为两种影响因子交互作用下对PM2.5的解释力，解释力越大，表明交互影响作用越强，而非线性增强表示两种影响因子交互作用的结果大于两种影响因子的独立作用之和. 由表3可知，任何两种影响因子对PM2.5变化的交互作用均大于单独一种因子的独立影响. 年均降水量与相对湿度和道路密度呈非线性增加，这表明天气状况和道路密度对PM2.5的生成和空间分布变化影响较大. 降水后一定时段内空气湿度也变大，随着气温回升，在高温高湿的气象条件，汽车尾气排放中的SO2、NO2极易转化成硫酸盐、硝酸盐加重PM2.5污染，还会加重颗粒物吸水性导致消光系数增加而加重污染［34］. 城市绿化率与道路密度、第二产业产值占比交互探测结果也呈非线性增加，表明城市绿化率对人类生产生活的PM2.5有一定的吸收作用.