2015—2020年成都市PM2.5的时空分布及影响因素

白雪琴, 马 丽, 黄天志, 余 波

(1. 绵阳师范学院 资源环境工程学院, 四川 绵阳 621006; 2. 浙江工商大学 环境科学与工程学院, 浙江 杭州 310018)

近年来,工业与城市化进程加速,区域性大气污染程度日益加重.空气中细颗粒物PM2.5[1](粒径小于或等于2.5 μm的颗粒物),由于粒径小、活性强,在空气中存留时间较长,对空气质量和人体健康存在显著影响.PM2.5作为表征空气复合型污染的重要污染因子,其浓度的长期监测和准确预测有利于研究与治理大气污染问题[2].

目前,我国地面监测数据精度和时间分辨率都很高,但存在监测站点数量有限、分布不均、站点稀疏等缺点,影响了某一特定区域PM2.5的时空分布特征的反映.诸多学者对我国PM2.5的时空分布特征进行了研究,如王晨等[3]采用多元线性回归模型反演京津冀地区PM2.5浓度分布,得到京津冀地区2015—2016年空间连续的PM2.5分布;杜彦彦等[4]通过空间插值技术及秩相关分析方法,对河南省2017—2019年PM2.5浓度时空分布特征进行了分析;南国卫等[5]采用克里金插值法等对陕西省PM2.5浓度的时空分布规律进行研究,并运用灰色关联模型及其他空间数据统计方法探讨了PM2.5浓度影响因素.由此可见,在评价模型成熟的前提下,运用遥感相关方法及统计方法分析PM2.5的时空分布特征及其影响因素,已经被多数学者所青睐.目前3S技术发展迅速,运用GIS等遥感技术探索PM2.5的时空分布及影响因素,已逐渐成为当下研究热点.

众多研究人员曾采用过多种统计方法对PM2.5与气象因素、社会因素相关性进行分析,Pearson相关系数法、主成分分析法在大量实验中展现出其优越性.冯雅杰等[6]利用主成分分析法对哈尔滨市大气PM2.5中多环芳香烃的主要来源进行分析,表明其主要来源可能为冬季供暖期的煤炭燃烧及生物质燃烧、汽车尾气及工业排放;张雅旎等[7]采用Pearson相关系数法对由PM2.5等引起的霾日数与其他气象要素进行相关性分析,表明相对湿度对杭州市霾日数影响最为显著.

此外,空间插值作为重要的GIS功能,是GIS和环境科学中空间查询、空间数据可视化和空间决策过程中最常用的地理技术之一[8].本文以成都市为研究对象,利用克里金插值法、Pearson相关系数法、主成分分析法探究2015—2020年不同因素影响下,成都市PM2.5时空分布特征及成都市PM2.5时空分布与气象因素、社会因素的相关性,为成都市区域经济发展及科学城市规划提供理论参考和科学依据.

1 研究区概况

成都市位于四川省中部、四川盆地西部,是我国西南地区大城市之一.在地势方面,成都市西北高、东南低,平均海拔在500 m左右,但作为其中海拔最高的大邑县双河乡与海拔最低的金堂县云合镇海拔之差却有4 966 m;从地貌来看,成都市位于川西北高原向四川盆地的过渡地带,西部多山地和深丘,中部以平原为主,东部以丘陵为主.

由于成都市特殊的地形地貌,使其呈现东暖西凉的气候特征,降水充沛,自然资源丰富.如图1所示,PM2.5监测站点集中分布在成都中心城区,究其原因,正是因为成都特殊的地形地貌,导致该市PM2.5的时空分布存在明显差异[9-11],进而导致成都市PM2.5监测站点分布不均.

图1 成都市PM2.5监测站点分布图

2 数据来源及预处理

本研究采用的PM2.5相关数据为经处理后的中国区域月尺度PM2.5MODIS遥感数据,空间分辨率为1 km,时间分辨率为逐月;采用的降水数据为中国区域1 km分辨率逐月降水量数据集[12],空间分辨率为1 km,时间分辨率为逐月,原始数据来源于ERA5,量纲为 mm,数据集来源于国家地球系统科学数据中心(http://www.geodata.cn/)[13];采用的风速数据为中国区域1 km分辨率逐月平均风速数据集[12],原始数据来源于ERA5,量纲为m/s,空间分辨率为1 km,时间分辨率为逐月,数据集来源于国家地球系统科学数据中心(http://www.geodata.cn/)[14];采用的各个社会因子的相关数据则来源于2016—2021年《四川统计年鉴》[15-20],可由四川省统计局官网(http://tjj.sc.gov.cn/)获得.

本研究使用的遥感数据均为月尺度单波段数据,因此,在研究季节尺度上成都市PM2.5的时空分布及其与降水量、风速的相关性时,需要利用栅格计算器将各个季节对应的波段进行波段合成,再进行其他操作.一般认为3—5月为春季,6—8月为夏季,9—11月为秋季,12月、1月、2月为冬季.

3 研究方法

3.1 克里金插值法克里金插值法是基于包含自相关统计模型的插值方法,可对所研究的对象提供一种最佳线性无偏估计[21].众多研究表明,克里金插值法在对PM2.5、降水量等进行时空分布相关分析时具有重要作用.本研究所有的PM2.5数据均服从正态分布,因此选用的插值方法为普通克里金插值法.普通克里金空间插值法是应用地统计学原理,通过已知部分空间样本信息对未知地理空间特征进行预测的方法[22].普通克里金插值法的计算式为

(1)

其中,Z(xi)为已知位置xi处的观测值,λi为Z(xi)分配所得的权重,Z*(x0)为估计位置,n为估计Z*(x0)值所采用的实际观测值个数.

3.2 栅格计算及Pearson相关系数法栅格计算是栅格数据空间分析中进行数据分析与处理最常用的方法,往往利用栅格计算器来进行.栅格计算器是一种空间分析函数工具,它支持调用ArcGIS自带的栅格数据空间分析函数.在使用时,可向栅格计算器输入地图代数表达式,利用运算符和函数来做数学计算.计算PM2.5的浓度分布与降水量或风速的相关性时,使用的是Pearson相关系数分析法,计算如下:

(2)

相关系数r介于-1～1之间,其绝对值越接近1,则相关性越强;当r=0时,不存在相关性.利用Pearson相关系数对成都市PM2.5与降水量、风速的空间相关性进行分类,分类标准如表1所示.

3.3 主成分分析法主成分分析法是将多个指标转化为少数综合指标的一种统计方法[23],在SPSS软件可完成相关操作.其在确保信息丢失最少的情况下,对可能包含重叠信息的多个相关指标进行降维处理,在确保精度的前提下起到减少自变量的互相干扰程度的作用[24].通过主成分分析,可得到影响成都市PM2.5浓度的主要社会因素.KMO又称检验统计量,是简单相关系数和偏相关系数的指标,介于0～1之间,其值越大,表明变量间相关关系越强,主成分分析的适用性也越强;显著性(significance)值应比设定的显著性水平小,一般应小于0.05,才可进行主成分分析.

表 1 相关系数分类标准

4 成都市PM2.5浓度时空变化特征

4.1 空间变化特征利用ArcGIS中的普通克里金插值法对2015—2020年成都市逐月的PM2.5浓度分布数据进行空间分析,并绘制其空间分布图(图2).综合6 a来成都市PM2.5浓度空间分布图,可知其分布总体上呈中间高、两边低的特征,西边的PM2.5浓度普遍小于东边.PM2.5浓度较高的地区主要包括锦江区、青羊区、金牛区、武侯区和成华区,新都区的PM2.5在近年来也较高,众多高值区形成一条明显的新都区—武侯区高值带;PM2.5浓度较低的地区主要分布在成都平原西部,包括彭州市、都江堰市、崇州市、大邑县和邛崃市.

图2 2015—2020年成都市逐月PM2.5浓度分布图

从地理位置来看,成都位于四川盆地,盆地特殊静小风气象特征导致大气环境容量极为有限,处于中心位置的高值带因湿度大、逆温出现频繁、中性及稳定性天气多,更加大了包括PM2.5在内的大气污染物质的扩散难度;而低值区海拔较高、降雨充足、植被覆盖率较高,良好的气候条件使得该区域PM2.5浓度较低.同时,高值区拥有众多规模较大的工业基地及工业园区,如成都青羊工业总部基地、双流产业经济园、成都武侯区工业园等,这也是造成该区域PM2.5浓度高的一个重要原因.

4.2 时间变化特征

4.2.1逐月变化特征 利用Excel对克里金插值得到的2015—2020年成都市逐月PM2.5浓度建立数据表(表2).如表2所示,每年成都市PM2.5浓度最大值普遍出现在1月,其次为12月;最小值一般出现在7月,其次为8月.

表 2 2015—2020年成都市PM2.5月平均质量浓度

根据上述数据计算出不同月份PM2.5在2015—2020年这6年里的平均值及标准差,建立成都市2015—2020年不同月份PM2.5平均浓度折线统计图(图3).

图3 成都市2015—2020年不同月份PM2.5 平均质量浓度统计折线

从图3可以看出,在月尺度上PM2.5浓度的整体走向较为一致,呈“凹”字形,为先降低后升高;从总体来看,1—8月下降,9—12月上升.结合图3可以看出,1—6月的低值区域面积不断扩大,7—9月的低值区域面积较为稳定,10—12月的低值区域面积迅速减小,因此有理由猜测PM2.5的浓度与降水的趋势存在较大的相关性.

4.2.2季节尺度变化特征 利用Excel对克里金插值法所得的2015—2020年成都市不同季节PM2.5质量浓度建立数据表(表3).从表3得出,成都市PM2.5质量浓度在冬季时取得最大值,最大值出现在2017年冬季(72.95 μg/m3);在夏季时取得最小值,最小值出现在2020年夏季(17.71 μg/m3);春季和秋季PM2.5浓度接近,但秋季PM2.5浓度略低于春季.

表 3 2015—2020年成都市PM2.5季节平均质量浓度

根据上述数据计算出不同季节PM2.5在2015—2020年这6 a里的平均值及标准差,建立成都市2015—2020年不同季节PM2.5平均浓度的折线统计图(图4).

图4 成都市2015—2020年不同季节PM2.5 平均质量浓度统计折线

如图4所示,在2015—2020年,PM2.5不同季节的浓度明显是冬季>春季>秋季>夏季.究其原因,成都平原处于四川盆地,冬季太阳辐射少,盆地易形成逆温层,有利于形成大气污染[25];再加上成都冬季风速低、降水少等气象因素,使得冬季污染天数增加;而夏季的高温易形成强对流天气,加快了PM2.5的扩散,且成都属亚热带季风气候,降水丰沛,有利于清除大气中的PM2.5[26].

5 成都市PM2.5浓度与气象因素的相关性分析

5.1 PM2.5浓度与降水量的相关性分析

5.1.1月尺度上二者相关性分析 利用ArcGIS分析中国区域1 km分辨率逐月降水量数据集,得到2015—2020年成都市逐月平均降水量,并通过Excel进行计算后得出不同季节平均降水量及其标准差,建立折线统计图(图5).

图5 成都市2015—2020年不同月份平均降水量统计折线

如图5所示,从总体上看,降水量在1—6月呈上升趋势,7—8月趋于平缓,9—12月呈下降趋势.这与PM2.5在月尺度上的变化趋势刚好相反,初步推测其与PM2.5浓度的时空分布有关.

阮列敏对这一新科室的定位明确，职责划分也比较清晰，希望将其构建为医院和社区之间的桥梁。她指出，“医院在省委省政府提出‘双下沉、两提升’之后，第一时间就成立基层服务指导科”，希望通过新的科室“来加强对基层的指导”“加强对基层医生的培养”。

利用栅格计算器对PM2.5与降水量的数据进行一系列的计算,得到2015—2020年成都市PM2.5与降水量空间相关性分析图(图6).

据图6可知,成都市PM2.5与降水量在绝大多数地区的相关系数r绝大多数处于-1与-0.5之间,存在显著负相关性,即使2017年PM2.5与降水量相关性不及其他5 a,但二者相关性仍然显著.综上所述,可知在月尺度上成都市PM2.5浓度与降水量关系密切,存在显著负相关性,即成都市降水量与PM2.5之间呈反比例关系,降水量越多,污染物的浓度越低,说明降水对PM2.5有一定的清除作用[27].

5.1.2季节尺度上二者相关性分析 利用ArcGIS分析中国区域1 km分辨率逐月降水量数据集,将数据进行分类整合及相关计算,根据不同季节降水量的平均值及其标准差得到2015—2020年成都市不同季节的平均降水量,并通过Excel建立折线统计图(图7).如图7所示,从季节尺度上看,降水量总体上为夏季>秋季>春季>冬季.而PM2.5浓度为冬季>春季>秋季>夏季,这与降水量在月尺度上的变化趋势相反,初步推测二者存在负相关性.

利用栅格计算器对PM2.5与降水量对应的栅格数据进行计算,得出不同季节PM2.5与降水量的空间相关性分析图(图8).如图8所示,降水量对夏季和冬季的PM2.5浓度具有很大的影响,两者高度相关;其次是对秋季的PM2.5浓度的影响,最后是春季,此时总体上呈微弱相关.造成春季成都市PM2.5与降水量微弱相关的原因主要是该区域春季天气较为多变,多为短时降水,降水量尚不足以完全发挥对颗粒物的冲刷和溶解作用[28];造成冬季成都市PM2.5与降水量高度负相关的原因主要是冬季PM2.5的初始浓度高,在相同的降水量下沉降量和沉降速度均高于其他季节.值得注意的是,在夏季和秋季成都市存在大面积地区PM2.5浓度与降水量呈显著正相关,造成这一现象最可能的原因是弱强度降水.夏季与秋季成都市PM2.5浓度较低,在弱强度降水情况下,湿度增大带来的颗粒物吸湿增长作用强于降水对颗粒物的冲刷作用,从而造成PM2.5浓度增加[29].

图8 成都市2015—2020年不同季节PM2.5与降水量空间相关性分析

5.2 PM2.5浓度与风速的相关性分析

5.2.1月尺度上二者相关性分析 利用ArcGIS分析中国区域1 km分辨率逐月风速数据集,得到2015—2020年成都市逐月平均风速,并通过Excel计算出不同月份风速的平均值及其标准差,建立折线统计图(图9).如图9所示,风速的变化趋势趋于平缓,与PM2.5在月尺度上的变化趋势不太一致.

图9 成都市2015—2020年不同月份平均风速统计折线

图10 成都市2015—2020年PM2.5与风速月尺度空间相关性分析

5.2.2季节尺度上二者相关性分析 利用ArcGIS分析中国区域1 km分辨率逐月风速数据集,得到2015—2020年成都市不同季节的平均风速,并通过Excel进行相关计算后得到不同季节风速平均值及其标准差,建立折线统计图(图11).

图11 成都市2015—2020年不同季节平均风速统计折线

如图11所示,从季节尺度上看,风速总体上为冬季>春季>秋季>夏季,且变化趋于平缓.而PM2.5浓度为冬季>春季>秋季>夏季,两者变化趋势虽较为一致,但其波动幅度存在很大差异.

将PM2.5与风速对应的栅格数据图利用栅格计算器进行计算,得出不同季节PM2.5与风速的空间相关性分析图(图12).如图12所示,风速对成都市部分地区春季和冬季的PM2.5浓度具有较明显的影响,两者具有一定相关性;但风速对夏季和秋季的PM2.5浓度的影响很弱,呈微弱相关或不相关.造成该现象的原因主要是因为成都市风速长期较小,表现出静风特征,其中尤以夏季和秋季为最.

图12 成都市2015—2020年PM2.5与风速季节尺度空间相关性分析

6 成都市PM2.5浓度与社会因素的相关性分析

在SPSS 25.0软件的支持下,对2015—2020年成都市GDP、第二产业生产总值比重、人口密度、城镇化率4个社会因素的数据进行主成分分析,并用得到的结果来分析2015—2020年不同社会因素对成都市PM2.5的影响.由于KMO=0.541>0.5,显著性Sig=0.001<0.05,说明可以对社会因素的数据进行主成分分析,其分析结果合理有效.

由表4可知,第一个主成分的累积贡献率为82.424%,且特征值远大于其他3个成分,说明第一个主成分已基本可以反映成都市PM2.5的浓度情况.主成分分析的结果如表5所示.

表 4 各主成分的特征值及贡献率

表 5 各因子与主成分载荷情况

由分析结果可知,成都市GDP、人口密度和城镇化率在主成分中所占比例较大,与主成分有较强相关关系;而第二产业生产总值比重所占比例较小,与主成分相关关系较弱.这说明随着成都市经济的快速发展、人口的增长以及城市化进程的加快,成都市PM2.5的治理效果较为明显,整体上呈现逐年减少的趋势,但成都市工业企业的存在仍然在一定程度上影响着PM2.5的浓度.

7 结论

本研究利用ArcGIS的空间分析功能以及Excel、SPSS的统计功能,对2015—2020年成都市PM2.5浓度、气象因素及社会因素进行分析和处理,对成都市PM2.5的时空分布状况进行研究,并探究不同影响因素对PM2.5浓度的影响,结果表明:

1) 成都市PM2.5浓度分布整体呈中间高、两边低的空间特征,西边的PM2.5浓度普遍小于东边;在时间上PM2.5浓度的整体走向较为一致,呈“凹”字形,为先降低后升高,夏季PM2.5质量浓度最小(17.71～29.96 μg/m3),冬季PM2.5质量浓度最大(45.49～72.95 μg/m3);

2) 在气象因素方面,成都市PM2.5浓度与降水量、风速都存在相关性,但相关程度存在很大差异.PM2.5浓度的分布与降水量存在显著相关性(r=-0.59),与风速的相关性较弱(r=0.19),这与成都市降水充沛、风速常年处于低值的气象特征存在密切联系.

3) 成都市PM2.5浓度与社会因素存在相关关系.随着成都市经济的快速发展、人口的增长以及城市化进程的加快,成都市PM2.5的治理效果较为明显,整体上呈现逐年减少的趋势,但成都市工业企业的存在仍然在一定程度上影响着PM2.5的浓度.

致谢四川省大学生思想政治教育研究中心项目(CSZ138)、绵阳师范学院质量工程项目(Mnu-JY210101、Mnu-JY210055和Mnu-JY210346)、绵阳师范学院校级科研启动项目(QD2021A35)对本文给予了资助,谨致谢意.