冬季采暖期气象条件对PM2.5 等空气质量要素的影响——以咸阳市为例

李 瑞 ，刘随心, ，苏小莉, *，张 婷, *，张佩云，师菊莲

1.西安地球环境创新研究院，西安 710061

2.中国科学院地球环境研究所 中国科学院气溶胶化学与物理重点实验室，西安 710061

3.中国科学院地球环境研究所 黄土与第四纪地质国家重点实验室，西安 710061

随着我国经济的迅速增长和城市化的快速推进，空气污染问题日益突出，雾霾天气时有发生，给大气环境带来了不利影响，严重危害人体健康。作为首要污染物之一，PM2.5是引起雾霾天气的主要因素（曹军骥，2012），PM2.5是一种空气动力学等效直径≤2.5 μm 的可入肺颗粒物，在空气中滞留时间长达3 — 5 d，且输送距离远，易附带有毒有害物质，可通过呼吸道直接进入人体，对人体健康产生严重危害（Xiong et al.，2015）。2015年，因长期暴露在高水平的PM10中导致我国死亡人数达到12.5 万（刘凯等，2016）。同时PM2.5质量浓度的升高对气候变化（Chen et al.，2012）和大气能见度（Cao et al.，2012）也有很大影响，影响人们日常生产活动和交通运输。此外，我国北方地区春秋季易发沙尘天气，使得PM10浓度急剧上升，能见度降低，危害人体健康（徐文帅等，2012）；另外，近地面O3对人体健康也有显著影响，研究表明O3具有典型的生物效应，O3超标会引起心血管系统和呼吸系统炎症，还会降低肺功能（Corradi et al.，2002），O3与PM2.5形成的复合型污染已成为我国空气污染新形势。同时，工业生产及燃煤燃气排放出CO、SO2等污染物，机动车尾气中不仅有大量一次颗粒物，还含有氮氧化物（NOx）和挥发性有机物（VOCs），都会加重雾霾污染，对人体健康和环境造成严重危害（Zou et al.，2015）。

咸阳毗邻西安，属于汾渭平原重要城市之一。2018年，汾渭平原被列入国家大气污染重点防控区域（杨乐超等，2018），这对咸阳市的污染治理提出了更高的要求。在生态环保部通报的全国169 个城市中，咸阳市2018 — 2020 年的排名分别为倒数第9、倒数第18 和倒数第13。咸阳市大气污染主要由地形地势、气象条件、本地排放、大气化学反应、区域传输（任鹏杰等，2021）五大因素综合作用导致。在排放源不变的条件下，大气污染与本地的地形地貌及气象条件密切相关（郑小华等，2020）。咸阳市地处关中盆地西部，受地形条件限制，区域内大风次数少、风速低，全年静风天气出现频率高。而冬季整个关中平原空气层结稳定，逆温频率高，大气的水平和垂直扩散条件都比较差。此外，咸阳市冬季主要以燃煤采暖为主，煤和生物质燃烧排放的烟尘、SO2等会增大本地污染物的排放量（Sun et al.，2009；解淑艳等，2018），虽然咸阳市区及部分区县已完成清洁取暖改造，但农村地区仍存在大量散煤、生物质燃烧取暖的情况，造成该区域大气污染形势严峻。

为分析气象因素在大气污染中的影响作用，已有许多学者针对不同城市的大气污染问题开展了大量研究。Bei et al.（2016）就天气形势对大气污染的影响开展了研究，指出影响关中地区的典型天气形势共有六类，其中两类有利于污染物的扩散，四类不利于污染物的扩散。Lin et al.（2021）基于观测的分解模型，分析了剔除气象因子前后，2020 年我国夏季NO2和O3浓度的变化，结果表明降低风速、降低气温、增加相对湿度显著降低了我国东部和中部地区O3浓度，所以将O3的变化仅归因于控制排放而不考虑气象因素是有误的。Liu et al.（2016）研究表明造成大气污染严重的情况除与人为排放因素有关外，还与区域内的气象因素密切相关，并呈现一定的季节变化特征。胡琳等（2020）定义了区域重污染和区域污染天气过程，着重分析了区域不同强度污染天气过程中气象要素的主要特征，建立了关中区域不同程度污染天气气象条件概念模型。目前对于关中地区的大气污染研究主要是区域的整体性综合分析，而针对咸阳市的气象条件及对污染物浓度影响程度的研究较少，尤其是采暖期这个重污染频发时期的气象成因，及气象条件与PM2.5浓度的关系缺乏针对性研究。

本文利用2018 — 2020 年咸阳市采暖期的空气质量监测数据和气象数据，对咸阳市空气质量特征和污染物浓度超标情况展开分析，归纳总结不同污染程度下的气象要素分布区间，同时采用相关性分析解析气象因素与主要污染物浓度变化之间的关系，进而建立气象因子和PM2.5之间的多元线性回归模型，并利用二元Logistic 回归模型定量评估气象因素对PM2.5浓度的影响程度，以期为咸阳等我国北方典型城市的大气污染治理及相关部门的政策制定提供理论基础和科学依据。

1 资料与方法

1.1 数据

本文所用污染物数据为陕西省环境空气质量监测联网管理平台（http://221.11.17.250:9000/Home/LogOn?ReturnUrl=%2f）发布的污染物质量浓度数据，包括PM10、PM2.5、SO2、NO2、CO、O3，以及空气质量指数（air quality index，AQI）逐日和逐时数据，选取咸阳市城区3 个国控站点（师范学院、实验中学、两寺渡）的小时平均值/日均值代表某一时次/日的污染物浓度值，时间范围为咸阳市2018 — 2020 年采暖期（采暖周期为11 月15 日 — 次年3 月15 日）；气象数据来源于欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）发布的第五代全球气候再分析资料数据集（the fifth major global reanalysis，ERA5）逐小时平均水平数据格点资料（https://cds.climate.copernicus.eu/cdsapp#!/search?type=dataset），空间分辨率为0.25°×0.25°，时间分辨率为1 h，选取的气象因素为对应采暖期时间的相对湿度、2 m 温度、10 m 风速、边界层高度、地面气压。

1.2 研究方法

根据《GB 3095 — 2012，环境空气质量标准》（中华人民共和国环境保护部和中华人民共和国国家质量监督检验检疫总局，2012）的规定，对污染物浓度数据进行质量控制和分析评价；按照《HJ 633 — 2012，环境空气质量指数（AQI）技术规定（试行）》（中华人民共和国环境保护部，2012），将污染物浓度划分为6 个级别（优、良、轻度污染、中度污染、重度污染、严重污染），进行污染物达标分析。根据颗粒物（PM2.5、PM10）不同浓度导致的不同污染等级，分析各气象要素的分布特征，同时拟合出污染物浓度随各气象要素变化的趋势线，分析污染物浓度和AQI 随气象条件的变化规律及特征。

ERA5 再分析资料提供的气象数据的空间分辨率为0.25° × 0.25°，反映0.25°×0.25°格网内区域各气象要素的平均情况。根据咸阳市3 个国控站点的地理坐标：师范学院（108.7233°E，34.3617°N）、实验中学（108.6713°E，34.3142°N）、两寺渡（108.6594°E，34.2969°N），确定所在的ERA5 格网范围为108.50° — 108.75°E，34.25° — 34.50°N，正好在一个格网内，所以采用该格网内的气象数据来代表咸阳市区的气象数据。

采用SPSS 24.0 统计软件对数据进行统计分析，通过Pearson 相关性分析2018 — 2020 年采暖期主要污染物和气象因素的关系。通过多元线性分析建立回归方程，评价各气象因素对PM2.5浓度的影响程度；通过二元Logistic 回归评估不同气象因素对PM2.5浓度超标风险的影响。

2 结果与讨论

2.1 空气质量变化特征

2.1.1 首要污染物及达标分析

统计咸阳市在2018 — 2020 年采暖期的污染天数（除去优良天）用以分析3 a 来首要污染物（表1），可以看出咸阳市主要以PM2.5和PM10污染为主，其中以PM2.5为首要污染物的天数最多，在2018 — 2020 年采暖期污染天数的占比分别为74.2%、80.5%和67.2%；其次为PM10，NO2为首要污染物的情况较少，3 a 的采暖期均未出现以O3、SO2和CO 为首要污染物的情形。

表1 2018 — 2020 年采暖期首要污染物情况Tab. 1 Primary pollutants in the heating period from 2018 to 2020单位：天 Unit: d

根据《GB 3095 — 2012，环境空气质量标准》的规定，对2018 — 2020 年采暖期的PM10、PM2.5、SO2、NO2、CO、O3浓度进行达标分析可知（图1），3 a 采暖期超标最多的污染物为PM2.5，超标天数分别占71.9%、62.3%和50.4%，逐年减少；其次是PM10，分别占50.4%、38.5%和28.1%。与上一采暖期相比，2019 年采暖期内污染物超标天数减少最多的是PM10，共减少14 d，其次是PM2.5减少11 d，NO2减少9 d；2020 年采暖期与上一年相比，超标天数减少最多的是PM2.5，减少15 d，PM10减少13 d，而NO2超标天数增加了3 d；其余三种污染物SO2、CO、O3在3 a 采暖期中全部达到了国家空气质量二级标准。

图1 污染物浓度达标天数分析Fig. 1 Analysis of the days when pollutant concentration met the standard

2.1.2 污染物浓度日变化特征

将2018 — 2020 年采暖期六种污染物逐小时浓度值进行平均，异常数据按缺测处理，得到咸阳市2018 — 2020 年采暖期PM10、PM2.5、SO2、NO2、CO、O3日变化序列图（图2）。其中，2018 年采暖期PM10和PM2.5的日变化值明显大于2019 年和2020 年，PM10的变化曲线呈“双峰双谷”型，峰值时间为02∶00 和11∶00，谷值时间为07∶00 和17∶00，峰值出现在气象条件相对稳定的02∶00和人为活动较多的中午前后，且第二个峰值（11∶00）整体浓度低于第一个峰值（02∶00）；PM2.5无明显的峰值，谷值在17∶00，且PM2.5浓度值在夜间明显高于白天，从18∶00 出现明显的增长趋势，主要是由于日落后地表温度明显降低，逆温层形成，抑制了污染物浓度的垂直扩散，加之晚高峰机动车尾气排放及人为活动源排放，使得PM2.5浓度不断增加。

图2 污染物浓度日变化特征Fig. 2 Daily variation of pollutants

分析PM2.5与PM10的比值判断颗粒物污染，在2018 — 2020 年采暖期比值大于0.5 的天数分别为86 d、92 d 和81 d，占比分别为86%、88.46%和77.14%，说明采暖期颗粒物污染以细颗粒物为主导，且在逐年降低。由图3 可知：2018 — 2020年采暖期PM2.5/ PM10值的日变化曲线总体呈“单峰单谷”型，峰值出现在06∶00，谷值出现在14∶00，白天时段的PM2.5/ PM10值总体高于夜间，且波动幅度较大，夜间值变化趋势较为平缓，表明PM2.5/ PM10值受人为活动的影响较大。且比值均高于0.5，说明颗粒物中细颗粒物占比较高，采暖期受细颗粒物污染影响较大。

图3 PM2.5 / PM10 日变化特征Fig. 3 Daily variation of PM2.5 / PM10

2018 — 2020 年采暖期的O3和NO2浓度相差不大，呈现此消彼长的变化趋势，O3峰值出现在16∶00，NO2谷值出现在15∶00。08∶00 后随着温度升高，NO2逐渐参与大气光化学反应而被消耗，此阶段正是O3的生成阶段（Wang et al.，2017）。NO2在13∶00 — 16∶00 达到最低值，一方面受逆温生消的影响，另一方面受早、晚高峰的影响。16∶00 后，由于太阳辐射的减弱，大气光化学反应速率降低，加之晚高峰机动车排放累积的NO 与O3反应生成NO2，使得NO2浓度又不断增大。CO、SO2日变化均为“单峰单谷”型，SO2峰值在12∶00，CO 峰值在09∶00，浓度差异较明显；CO 浓度呈现先下降后上升的规律，06∶00 — 09∶00 由于人为活动的影响导致排放增加，浓度缓慢升高，而后逐渐降低，17∶00 降至最低值，随后由于采暖期集中供暖或居民燃烧生物质的影响，加之夜间风速较小，扩散条件变差，导致浓度再次上升。

2.1.3 不同污染程度下的气象条件分布特征

为进一步分析气象因素对颗粒物浓度的影响程度，根据PM2.5和PM10浓度将天气分为优、良、轻度污染、中度污染、重度污染和严重污染时，计算所对应的边界层高度、相对湿度、风速和温度及其标准偏差，其中PM10严重污染仅有1 d，无标准偏差。由图4 可知：按PM2.5浓度标准划分来看，从优到严重污染的级别，边界层高度和风速均呈逐渐递减趋势，相对湿度为逐渐递增趋势；而按PM10浓度标准划分来看，在达到严重污染时，边界层高度和风速反而有所升高。当PM2.5浓度达到重度污染时，边界层高度为(225.7 ±63.8) m，相对湿度为65.6% ± 8.8%，风速为(1.3 ±0.4) m · s-1，温度为(3.5 ± 3.0)℃；当PM2.5浓度达到严重污染时，边界层高度为(209.6 ± 36.1) m，相对湿度为64.4% ± 9.4%，风速为(1.3 ± 0.4) m · s-1，温度为(1.4 ± 3.0)℃。当PM10浓度达到重度污染时，边界层高度为(192.8 ± 17.0) m，相对湿度为63.4% ± 1.4%，风速为(1.2 ± 0.1) m · s-1，温度为(3.5 ±6.7)℃；当PM10浓度达到严重污染时， 边界层高度为236.8 m，相对湿度为62.5%，风速为1.5 m · s-1，温度为8.1℃。

图4 2018 — 2020 年采暖期PM2.5、PM10 浓度等级分布的气象条件Fig. 4 Meteorological conditions for the distribution of PM2.5 and PM10 concentration levels during the heating period from 2018 to 2020

2.2 统计学分析

对空气质量监测数据和气象数据进行统计汇总，在2018 — 2020 年三个采暖期内，剔除沙尘、数据倒挂、春节期间烟花爆竹燃放引起的颗粒物突高等异常点后，得到有效数据共309 组，利用SPSS 24.0 软件进行相关性、线性回归、二元Logistic 等统计学分析，定量分析气象因素对空气质量特征的影响。

2.2.1 污染物与气象条件的相关性

利用SPSS 软件对2018 — 2020 年采暖期空气污染六要素、AQI 与各气象因素进行相关性分析，均采用日均数据，通过时空匹配后，样本可分别计算其相关系数（表2）。

表2 污染物浓度与气象要素的相关系数Tab. 2 Correlation coefficient between pollutants concentration and meteorological factors

分析可得：PM10、PM2.5浓度与相对湿度呈正相关，与其他气象因素均为负相关，且PM2.5与相对湿度的相关系数高于PM10，说明相对湿度变化对PM2.5浓度影响更大。这是因为，相对湿度的增加一方面可促进液相和非均相反应，进而加速气态前体物向颗粒物转化，另一方面促进颗粒物吸湿增长，增加其辐射效应使得颗粒物在夜间更易发生物理化学反应，促进PM2.5浓度的增加（Quan et al.，2017）。在一定的相对湿度范围内，PM10和PM2.5中的有机盐、硫氧化物和氮氧化物等容易吸水结晶使其质量浓度变大，相较于其中的硫酸盐、多环芳烃等细颗粒物的含量占比更高（吴雁等，2015），所以相对湿度的变化对PM2.5浓度的影响更大。此外，颗粒物浓度与边界层高度的相关系数也较高，边界层高度是反映污染物在垂直方向扩散的一个重要参数，高度越高，污染物浓度可被稀释的空间越大，越有利于污染物的扩散，反之高度越低，越不利于污染物扩散（Sun et al.，2021）。NO2浓度与温度、气压、风速及边界层高度均呈负相关，与相对湿度呈正相关，与温度、相对湿度的相关性未通过显著性检验。O3浓度与温度、风速及边界层高度呈正相关，且与温度的相关系数最大，温度高，反照率强，有利于光化学反应进而提高O3转化率，与气压和相对湿度则为负相关。

风是影响污染物稀释扩散的一个重要因子。风向决定污染物的扩散或输送方向；风速决定污染物的扩散强度，风速越大越有利于大气污染物的扩散和输送（徐永清等，2014）。风速与PM10和PM2.5浓度呈负相关关系，与O3浓度呈正相关，但由于本次研究中使用的风速数据来自ERA5 再分析资料，空间分辨率较大，而地面监测站点周边的风向风速数据受到局地环境及微小尺度气象活动的影响较大；而且有研究表明气象因素和大气污染物的相关性存在一定延迟，风速对PM2.5有持续2 — 4 d 的滞后性影响（Yang et al.，2021），综合原因所致统计分析结果中污染物浓度与风速小时平均值的相关性不太强。

2.2.2 颗粒物浓度、AQI 随气象条件的变化

为进一步分析颗粒物浓度随气象因素的变化，选取对PM2.5浓度影响较大的气象因素，即边界层高度、相对湿度和风速，对2018 — 2020 年采暖期PM2.5、PM10及AQI 的小时浓度值（已剔除沙尘）进行分段统计，拟合出污染物浓度随气象要素变化的趋势线（王云霞等，2020）（图5）。

图5 颗粒物（PM10、PM2.5）浓度值、AQI 随主要气象要素的变化趋势Fig. 5 Variation trend of particulate matter (PM10, PM2.5) and AQI with major meteorological elements

由图5 可知：随着相对湿度的增加，2018 年和2020 年采暖期PM10、PM2.5、AQI 的变化曲线呈逐渐上升的趋势，但当湿度大于80%后，曲线均有明显下降。一般来说，相对湿度越高，越不利于污染物的扩散，同时高湿度加速了二次颗粒物的快速转化及颗粒物的吸湿增长（Wang et al.，2012），推高了颗粒物浓度；而当湿度达到80%以上时有可能出现降水，对颗粒物有一定清除作用，污染物浓度降低。2019 年采暖期曲线略有不同，主要差异在于相对湿度为10% — 20%时，PM10浓度和AQI 较高，该结果源于2019年春季3 月14 日和3 月15 日较高的PM10浓度值。上述时段风速较高，且由咸阳市PM2.5源解析结果可知，2019 年春季扬尘源贡献率高达17.1%，因此该异常结果可能是由本地扬尘较大所致。

从污染物浓度与风速变化图来看，当风速小于2.5 m · s-1时，3 a 采暖期均呈现随着风速的增大，PM10、PM2.5浓度和AQI 逐渐降低的趋势，风速越高，污染物浓度越低，其中PM2.5的下降趋势更明显。但在风速大于3.5 m · s-1后，PM10和AQI 呈现明显的上升趋势，考虑是沙尘天气所致（高星星等，2021），风速超过3.5 m · s-1后，可能会出现扬尘污染，使得PM10浓度大幅上升。

3 a 采暖期的颗粒物浓度、AQI 与边界层高度的变化整体呈递减趋势，在200 — 800 m 的区间，污染物浓度略有上升，大于800 m 后曲线继续下降并趋于稳定。边界层高度越高，越有利于污染物的扩散和稀释，污染物浓度也就越低，反之则越高。

2.2.3 多元线性回归分析

多元线性回归是利用线性拟合多个自变量和因变量的关系，从而确定多元线性回归模型的参数，回归至原假设方程中，通过回归方程来预测因变量的趋势。本文采用2018 — 2020 年采暖期与PM2.5显著性相关的气象因素对PM2.5日均浓度进行多元线性回归分析，利用SPSS 24.0 软件建立它们之间的关系式。以PM2.5数据作为因变量，以边界层高度、相对湿度、风速、温度、气压作为自变量建立多元线性回归模型。因风速变量未通过显著性检验，数据不具有代表性，所以剔除风速变量，得到最终的线性回归方程为：

式中：y为PM2.5预测值；x1为边界层高度；x2为相对湿度；x3为温度；x4为气压。

根据回归方程建立PM2.5浓度预测模型，在剔除沙尘、数据倒挂、烟花爆竹导致PM2.5突高等异常点的基础上，继续剔除PM2.5模拟值为负的点，得到最终的模拟预测值。总体来看，预测值与实测值变化趋势保持一致，在峰值处相差较大，实测值明显高出预测值，且预测值的波动频率比实测值大（图6），说明实测值在一段时间内保持稳定，某一气象因素的改变不会使得PM2.5浓度值立刻增大或者降低，即对气象因素的响应敏感度不大。

图6 多元线性回归模型预测值和实测值的对比Fig. 6 Comparison of predicted values of multiple linear regression model and measured values

从不同年份来看，2018 年采暖期的预测值和实测值波动趋势基本一致，预测准确率高达61.7%，但二者在以下几个时间段差别较大，分别是2019 年1 月3 — 6 日、13 — 14 日、2 月20 —24 日。分析可知，1 月3 — 6 日，关中地区多个城市出现重污染天气，咸阳市污染物中NO2、CO、SO2浓度在夜间均有高值，可能与人为排放源有关，加之不利的气象条件和地形特征，使得污染累积加重；13 — 14 日的重污染天气形成是由于冬季供暖活动、机动车尾气及工业活动排放的NOx、NH3和SO2经大气化学反应生成二次气溶胶，加之13 日早晨的突发区域性大雾天气，导致PM2.5的吸湿增大，而拟合方程中假设排放源是稳定不变的，且未考虑雾等气象因素，故导致预测值明显小于实测值；2 月20 — 24 日PM2.5浓度较高主要是由于元宵节烟花爆竹燃放、工业企业春节后逐渐复工加之气象条件长期不利三方面的影响，使得咸阳市在内的汾渭平原大部分地区较长时间处于重污染天气状态。

2019 年采暖期PM2.5浓度预测值和实测值的相关性高达0.67，相关性显著，二者差别较大处主要有2019 年12 月7 日、12 月22 — 23 日和2020年1 月23 日。12 月7 — 8 日的重污染过程主要受本地生物质燃烧、燃煤排放及工业活动等一次排放的影响，加持SO2、NOx、NH3等气体污染物二次转化的作用；12 月22 — 23 日的污染主要受大气静稳的影响，且主导风为东北风，将东北风向的污染传输至咸阳市，有明显的区域传输特征；2020 年1 月23 日为除夕前一日，PM2.5浓度升高主要由于夜间烟花爆竹的集中燃放，加之不利的气象条件导致污染累积不易扩散（金鑫等，2015）。

2020 年采暖期预测值的波动频率明显大于实测值，且实测值在大部分时间段小于预测值，如在2020 年11 月17 — 23 日，实测值浓度明显高于预测值，主要是该时间段内有持续的降雨，雨水对PM2.5中的铵盐、硫酸盐等亲水组分有洗涤作用，故PM2.5浓度实测值较低 ；2021年1月23 — 24日，PM2.5浓度实测值较高是受到东北方向的传输影响，空气质量达到重度污染，同时CO 浓度日均值为2.1 mg · m-3，明显高于相邻时间段，且根据咸阳市高站架设的IGAC 在线离子监测仪提供的实时数据，该时间段内以硝酸盐、铵盐以及硫酸盐为主的二次污染物的浓度占比高达85.2%，可能与燃煤取暖、生物质燃烧及机动车尾气排放等本地源的叠加污染有关；此外，在采暖期结束前半个月，实测值也明显小于预测值，可能是因为温度回升，供暖需求降低，燃烧排放源减少，加之清洁取暖政策的推进落实，均降低了对PM2.5浓度值的贡献。

对多元线性回归模型预测结果进行定量分析和验证（方晓婷等，2019），预测准确率计算公式如下：

式中：p为预测准确率（%）；N为样本数；Yi为第i个样本预测值，单位根据实际情况确定；yi为第i个样本监测值，单位根据实际情况确定。

经计算，线性回归模型对PM2.5的预测准确率为51.54%，由于空气质量中不可知数据信息较多，预测值和实际监测值相符合的准确率在50%以上（李祚泳等，2004），即可认为预测方式与预测结果可以接受。虽然在某些时间段内预测值与实测值存在一定偏差，未能精确吻合，但考虑实际因素变化，去除突变的极端情况，3 a 采暖期内PM2.5浓度的实际波动频率与幅度较为一致，预测值和实测值的平均相对误差较小，预测结果可信。

2.2.4 气象因素对PM2.5浓度超标风险评估

使用SPSS 软件中的二元Logistic 回归模型分析气象因素变化对PM2.5日均值超标情况的影响，结果显示：除风速的P＞0.05，未通过显著性检验外，其余因素的二元Logistic 回归方程均有统计学意义（P＜0.05）。其中，模型的对数似然值和卡方检验值分别为320.4 和95.9，Hosmer-Lemeshow 检验值P= 0.456＞0.05，不能拒绝零假设，说明该模型可以很好地拟合数据，自变量对因变量有一定的解释能力，预测PM2.5浓度未超标的准确率为56.5%，超标的准确率为83.2%，模型预测准确率为72.5%。由表3 可知：边界层高度每增高1 m，日均浓度超标风险降低0.7%（OR = 0.993）；相对湿度每升高1%，日均浓度超标风险升高5.3%（OR = 1.053）；温度每升高1℃，日均浓度超标风险降低19.8%（OR = 0.802）；气压每升高1 hPa，日均浓度超标风险降低9.7%（OR = 0.903）。除相对湿度外，其他气象因素对PM2.5超标情况都是保护因素（OR＜1）。

表3 二元Logistic 回归分析Tab. 3 Analysis of binary logistic regression

使用多元线性回归模型和二元Logistic 回归模型分析评价了各气象因素对PM2.5浓度的影响程度，相比而言，多元线性回归重在通过建立回归方程，选择多个自变量对PM2.5浓度进行预测建模，可为PM2.5的监测和预报提供一定的科学依据。而二元Logistic 回归模型重在分析气象因素变化对PM2.5日均值超标情况的影响，可定量分析各项气象因素变化带来的PM2.5超标风险。两种模型结合可以更好地预测PM2.5浓度值，当出现雾霾易发气象条件时，积极采取有效的防控措施，结合实际情况进行预警防控。

3 结论

以咸阳市为研究区域，利用地面空气质量监测数据和ERA5 再分析资料提供的气象数据，对2018 — 2020 年采暖期的空气污染特征和气象条件进行综合分析，得到以下结论：

（1）咸阳市采暖期首要污染物以PM2.5和PM10为主，污染天数分别占74.2%和80.5%，2018 —2020 年采暖期超标最多的污染物为PM2.5，超标天数分别占71.9%、62.3%和50.4%，逐年递减。

（2）PM2.5和PM10浓度与AQI 逐日变化趋势一致，且逐年递减；分析污染物浓度的日变化可知，PM10的日变化呈“双峰双谷”型，02∶00 和11∶00 为峰值，07∶00 和17∶00 为谷值，PM2.5无明显的峰值，谷值在17∶00；O3和NO2日变化特征分别为“单峰”型和“单谷”型，呈现此消彼长的变化趋势，O3谷值和峰值分别在08∶00 和16∶00，NO2谷值和峰值分别在15∶00 和22∶00；CO、SO2日变化特征均呈“单峰单谷”型。

（3）按PM2.5、PM10浓度等级划分得到的统计结果表明：当PM2.5浓度达到重度污染时，边界层高度为(225.7 ± 63.8) m，相对湿度为65.6% ±8.8%，风速为(1.3 ± 0.4) m · s-1，温度为(3.5 ±3.0)℃；当PM10浓度达到重度污染时，边界层高度为(192.8 ± 17.0) m，相对湿度为63.4% ± 1.4%，风速为(1.2 ± 0.1) m · s-1，温度为(3.5 ± 6.7)℃。

（4）颗粒物浓度与相对湿度呈正相关，且相对湿度对PM2.5浓度的影响更大，与风速、边界层高度、温度、气压呈负相关，高湿静风的条件下不利于PM2.5的扩散；NO2浓度与风速、气压和边界层高度呈负相关，O3浓度与温度、风速和边界层高度呈正相关，与气压和相对湿度呈负相关，高温弱风等气象条件有利于O3的生成和积累。

（5）使用多元线性回归模型评价各气象因素对PM2.5浓度的影响程度，使用二元Logistic 回归分析气象因素对PM2.5超标风险的影响。建立PM2.5浓度值与气象因素的多元线性回归模型，对PM2.5浓度值进行预测并对预测精度进行验证，结果显示：预测值与实测值的相关系数为0.6，相关性较为显著且变化趋势保持一致，预测值的波动频率比实测值大，说明采暖期空气污染情况除与本地排放关系较大外，气象因素也有重要影响。二元Logistic 回归模型显示，除相对湿度外，其他气象因素对PM2.5超标情况都是保护因素。

综上所述，通过大气综合治理，咸阳市空气质量较前几年有明显的改善，但采暖期大气污染仍较重，燃煤排放加上不利的气象条件是主要因素。因此，要持续推进清洁能源取暖工作，密切关注气象条件，及时发布空气质量预报预警信息，出现雾霾易发气象条件时，及时采取有效防控措施，避免空气污染持续加重。