开封市花生机收期空气质量的时间变化特征及其影响因素分析

康暑雨 陈争

摘要 AQI、PM10和PM2.5浓度年均值变化趋势一致，日变化“两峰一谷”特征明显，而最大值、最小值和平均值呈现逐年减小趋势。污染物传输以北方的轨迹为主，以长距离输送为主，省内短距离输送为主导，PM10潜在源区主要分布在河南中部和河南与山东交界处，以其为中心向外扩张；污染物潜在源区的贡献值＞70的高值区主要分布在周边省市。

关键词 空气质量；后向轨迹；气象要素

中图分类号：X513 文献标识码：B 文章编号：2095–3305（2023）12–0-03

Time Variation Characteristics and Influencing Factors Analysis of Air Quality during Peanut Harvest Period in Kaifeng City

Kang Shu-yu et al（Kaifeng Meteorological Bureau， Kaifeng， Henan 475004）

Abstract The annual average variation trends of AQI， PM10， and PM2.5 concentrations are consistent， with a clear “two peaks and one valley” characteristic of daily variation， while the maximum， minimum， and average values show a decreasing trend year by year. The transfer of pollutants was mainly based on the trajectory in the north， with long-distance transportation being the main focus and short distance transportation within the province being the main focus. The potential source areas of PM10 were mainly distributed in the central part of Henan and the border between Henan and Shandong， with it as the center and expanding outward; The high value areas with a contribution value greater than 70 in the potential source areas of pollutants were mainly distributed in surrounding provinces and cities.

Key words Air quality; Backward trajectory; Meteorological elements

在经济社会高质量发展的背景下，大量污染物被释放到大气中并逐渐累积，对人类生存环境和身体健康造成严重威胁[1-2]。因其广泛的危害性，对空气质量和大气污染物的变化特征及影响因素的研究备受关注。已有研究显示，气象因素通过调节大气自净能力，影响大气污染物的分布、稀释和扩散，改变空气质量[3-4]。受外界环境排放状态及其迁移转化规律等因素影响，目前中国大部分城市首要污染物多为PM10或PM2.5，相关研究也显示，PM10、PM2.5浓度在日尺度上呈现双峰型变化特征，分别在上午和夜间达到峰值[5-8]。此外，董继元等[9]通过研究中国大部分城市，认为降水对大气污染物浓度的稀释清除作用尤其显著；郑美秀等[10]利用相关统计法分析了2006—2008年厦门市气象要素对空气质量的影响规律，结果显示：风速、气温、降水、相对湿度和水汽压对空气质量均呈现显著正效应作用，气压起显著负效应作用；魏玉香等[11]通过对南京市大气污染物变化特征及其与气象条件的关系分析发现污染物濃度与风速呈负相关关系；吴蒙等[12]通过分析广州地区清洁天气变化特征及其影响因素，发现湿季和风速较大时期的空气质量较好。

1 资料与方法

1.1 空气质量数据

开封市国家站点逐小时环境监测数据，包括AQI、PM10、PM2.5，数据来源于中国环境监测总站，文中所引用单位均为μg/m3。数据时间是花生机收时期，2015—2020年的8月20日—9月10日。

1.2 气象数据

所使用的气象数据来源CIMISS网站下载的开封市国家站逐小时数据，包括海平面气压、3 h变压、24 h变压、气温、相对湿度、过去1 h降水量、2 min平均风向、2 min平均风速、10 min平均风向、10 min平均风速[13]。

2 结果与分析

2.1 花生机收时期AQI、PM10、PM2.5的时间分布特征

2.1.1 AQI、PM10、PM2.5的日变化特征

2015年AQI、PM10浓度和PM2.5浓度日变化趋势基本一致，呈现明显的“两峰一谷”型变化趋势，夜间03：00左右AQI和PM2.5浓度开始逐渐升高，而后减小，并于14：00～16：00出现谷值，继而再次升高，23：00左右出现第1个极大值，之后平缓下降。2016年空气质量和污染物浓度日变化趋势无明显波动。2018年PM10浓度呈现明显的“两峰一谷”型变化趋势，AQI与PM2.5浓度无明显波动。统计所有年份污染数据可以看出（图1），AQI无明显波动，最大值出现在09：00，最小值出现在18：00，日均值为64.7。PM10和PM2.5浓度在日尺度上呈现“两峰一谷”型变化趋势，其中，PM10最大值为83.4，出现时间为09：00；最小值为61.3，出现时间为16：00；日均值为73.0。PM2.5浓度于07：00达到最大值，16：00左右达到最小值，日均值为35.5。

综合2015—2020年花生机收期间空气污染数据来看，在日尺度上AQI最大值和平均值呈现微弱逐年减小趋势，最小值几乎无变化。最大值出现时间除2018年和2019年为15左右，其余年份均出现在07：00～10：00，而最小值则无固定出现时间。PM2.5浓度在日尺度上的最大值、最小值和平均值逐年减少，其中，最小值减少趋势较明显，PM2.5浓度日变化“两峰一谷”特征明显，而最大值、最小值和平均值呈现逐年减少趋势。PM10和PM2.5的日变化规律与前人研究相同。

2.1.2 AQI、PM10、PM2.5的年变化特征

2015—2020年AQI、PM10和PM2.5浓度年均值变化趋势一致，2016年后均大致呈现逐年减少趋势。其中，AQI最大值出现在2016年，最小值出现在2020年；各年PM10浓度年均值最大值和最小值出现年份分别为2016年和2020年；各年PM2.5浓度年均值年均最大值、最小值出现年份与AQI、PM10相同。

2.2 AQI、PM10、PM2.5与气象条件的关系

通过对比AQI、PM10、PM2.5浓度与气象因子的相关性可以发现，仅2018年AQI、PM10、PM2.5浓度与气压之间均无显著相关性。其余年份中，除2020年AQI、PM10与气压之间呈现为显著正相关关系外，其余4年期间两者之间均表现为负相关关系。除去2018年和2020年无显著相关性数据，其余年份PM2.5与气压之间大致存在显著负相关关系，且2015—2017年的相关性随着延迟时间的增加而减弱，即正点时刻相关性最大。

AQI与3 h变压之间无明显相关性。PM10、PM2.5与3 h变压之间大致表现为0～1 h的延迟时间，且当延迟时间＞4 h时，便从正相关转为负相关，通过0.05水平显著性检验。AQI、PM2.5与24 h变压之间除2019年为微弱正相关性外，其余年份表现为负相关关系，无明显延迟效应。PM10与24 h变压之间除2019年为微弱正相关性外，其余年份表现为显著负相关关系，存在4 h的延迟时间。

2019年的AQI数据与气温之间无明显相关性，且除2016年为显著负相关外，其余年份均表现为显著正相关关系，并无明显延迟效应。2016年和2019年的AQI数据与气温之间表现为负相关关系，其余年份之间均为正相关关系，大致存在8～12 h的延迟时间。除2017年的PM2.5与气温之间存在显著正相关性，其余年份之间均存在延迟时间＞2 h时，由负相关转为正相关，且当延迟时间为12 h时，正相关系数最大。

2017、2018和2020年AQI数据与相对湿度之间存在显著负相关关系，且正点时刻的相关系数最大，其余年份无明显规律。2017和2020年的AQI数据与相对湿度之间存在显著负相关关系，存在8～12 h的延迟时间，2019年则为正相关关系，正点时刻出现最大相关系数，其余年份无明显规律。PM2.5与相对湿度之间相关系数当延迟时间＞4 h时，由正转为負，无明显延迟效应。

AQI、PM10、PM2.5与过去1 h降水量之间存在负相关关系，仅2016、2019和2020年相关性通过0.05水平显著性检验，且存在4 h或以上的延迟时间。

同样地，AQI、PM10、PM2.5与2 min平均和10 min平均风速之间存在负相关关系，仅2018和2020年的数据显著性通过检验，大致存在2 h以上的延迟时间。

2.3 PM10的来源分析

2.3.1 气流轨迹输送的影响 利用HYSPLIT模型以50 m为起始模拟高度，对开封市2015—2020年花生机收期后向轨迹进行聚类分析。2015年和2016年来自北方的轨迹超过50%，以长距离输送为主；2017年以偏东方向的轨迹为主；2018年轨迹均来自北方；2019年偏东方向轨迹为主，占比达到85%以上；2020年西南方向轨迹较前几年明显增多，达到29.92%，省内短距离输送为主导（图2）。

2.3.2 潜在源区分析 PSCF分析结果表明花生机收期PM10潜在源区主要分布在河南中部和河南与山东交界处，以其为中心向外扩张，扩张方向和后向轨迹方向一致，2016、2018和2019年呈西北—东南向分布，2020年豫西南贡献明显增加，这可能与同期来自西南方向气团增多有关（图3）。

2.3.3 浓度权重分析 由于潜在源贡献因子分析识别的潜在源只能反映某网格内污染轨迹占轨迹总数的比例，无法体现该网格对目标网格的贡献程度。为此，引入浓度权重分析计算污染物潜在源区的贡献度。贡献值越大，表示该格网对目标格网的贡献程度越高，即该格网出现高浓度的污染物，且对应的颜色越深。2015—2020年贡献值＞70的高值区主要分布在河南北中部、河北南部、山西东南部、山东西南部、安徽北部（图4）。空气污染除本地排放外，周边省市近距离输送影响较大。

3 结束语

综合2015—2020年花生机收期间空气污染数据来看，在日尺度上AQI最大值和平均值呈现微弱逐年减小趋势，污染物浓度年均值变化趋势一致，2016年后均大致呈现逐年减少趋势。

污染物浓度与气压之间大致存在显著负相关关系，3 h变压之间大致表现为0～1 h的延迟时间，且当延迟时间＞4 h时，便从正相关转为负相关，与气温显著正相关关系；与相对湿度之间存在显著负相关关系；与过去1 h降水量之间存在负相关关系；与2 min平均和10 min平均风速之间存在负相关关系。

污染物的后向轨迹以北方的轨迹为主，多为长距离输送，省内短距离输送为主导；PSCF分析结果表明花生机收期PM10潜在源区主要分布在河南中部和河南与山东交界处，以其为中心向外扩张；污染物潜在源区的贡献值＞70的高值区主要分布在周边省市，近距离输送影响较大。

参考文献

[1] Wang H， Lu S W， Li S N， et al. Inhalable particulate matter and fine particulate matter： Their basic characteristics， monitoring methods， and forest regulation functions. [J]. Chinese Journal of Applied Ecology， 2013， 24（3）： 869-877.

[2] Li W J， Zhang D Z， Shao L， et a1. Individual particle analysis of aerosols collected under haze and non-haze conditions at a high elevation mountain site in the North China plain[J]. Atmospheric Chemistry and Physics， 2011， 11（22）： 11733-11744．

[3] 孙韧，刘伟，张赞，等.城市典型气象条件与大气颗粒物污染之间的关系[J].中国环境监测，2005（2）：80-83.

[4] 王淑英，张小玲.北京地区PM10污染的气象特征[J].应用气象学报，2002（S1）： 177-184.

[5] 何凌燕，胡敏，黄晓锋，等.北京大气气溶胶PM2.5中的有机示蹤化合物[J].环境科学学报，2005（1）：23-29.

[6] 陈勇，匡方毅，吴链，等.长沙市PM2.5和PM10质量浓度的变化特征[J].干旱环境监测，2016，30（1）：1-6，13.

[7] 黄鹤，蔡子颖，韩素芹，等.天津市PM10，

PM2.5和PM1连续在线观测分析[J].环境科学研究，2011，24（8）：897-903.

[8] 于建华，虞统，魏强，等.北京地区PM10和PM2.5质量浓度的变化特征[J].环境科学研究，2004（1）：45-47.

[9] 董继元，王式功，尚可政.降水对中国部分城市空气质量的影响分析[J].干旱区资源与环境，2009，23（12）：43-48.

[10] 郑美秀，周学鸣.厦门空气污染指数与地面气象要素的关系分析[J].气象与环境学报，2010，26（3）：53-57.

[11] 魏玉香，银燕，杨卫芬，等.南京地区PM2.5污染特征及其影响因素分析[J].环境科学与管理，2009，34（9）：29-34.

[12] 吴蒙，范绍佳，吴兑，等.广州地区灰霾与清洁天气变化特征及影响因素分析[J].中国环境科学，2012，32（8）：1409-1415.

[13] 李阳，王惠云，任丽，等.开封市花生产业发展调研及对策研究[J].农业科技通讯，2021（5）：12-13，37.