冬季PM2.5的氣象影響因素解析

張淑平，韓立建，周偉奇,*，鄭曉欣

1 中國(guó)科學(xué)院生態(tài)環(huán)境研究中心，城市與區(qū)域生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100085 2 中國(guó)科學(xué)院大學(xué), 北京 100049

冬季PM2.5的氣象影響因素解析

張淑平1,2，韓立建1，周偉奇1,*，鄭曉欣1

1 中國(guó)科學(xué)院生態(tài)環(huán)境研究中心，城市與區(qū)域生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100085 2 中國(guó)科學(xué)院大學(xué), 北京 100049

氣象因素能夠顯著影響PM2.5濃度，可減輕或加劇城市空氣污染，尤其是在霧霾嚴(yán)重的冬季。同時(shí)由于城市間污染物排放強(qiáng)度和擴(kuò)散條件的差異，霧霾的發(fā)生往往具有較強(qiáng)的區(qū)域性。選擇了石家莊、西安、北京、太原、廣州5個(gè)不同污染區(qū)域的典型城市，首先分析多個(gè)氣象因子與PM2.5濃度的關(guān)系，進(jìn)而研究氣象因素對(duì)PM2.5濃度變異解釋度的差異，以及氣象因子對(duì)PM2.5濃度影響的相對(duì)重要性，進(jìn)一步對(duì)比分析氣象因素對(duì)PM2.5濃度影響在不同污染程度的城市之間的差異，解析了不同城市的主要?dú)庀笥绊懸蛩睾蜌庀笠蛩氐木C合影響程度。研究結(jié)果表明：(1)氣象條件與PM2.5日濃度顯著相關(guān)，且在不同污染程度的城市與PM2.5濃度相關(guān)的氣象因子不同。與石家莊冬季PM2.5濃度相關(guān)的氣象因素為相對(duì)濕度、平均風(fēng)速；與西安PM2.5濃度相關(guān)的主要?dú)庀笠蛩貫橄鄬?duì)濕度、平均風(fēng)速和最大持續(xù)風(fēng)速；與北京PM2.5濃度相關(guān)的主要?dú)庀笠蛩叵鄬?duì)濕度、日均溫度、平均風(fēng)速、最大持續(xù)風(fēng)速和最低溫；與太原PM2.5濃度相關(guān)的主要?dú)庀笠蛩貫槿站鶞?、相?duì)濕度、平均風(fēng)速、最高溫、最低溫和最大持續(xù)風(fēng)速；與廣州PM2.5濃度相關(guān)的主要?dú)庀笠蛩貫橄鄬?duì)濕度、平均風(fēng)速、最高溫和降雨量。(2)PM2.5濃度越高的地區(qū)，氣象因素能夠解釋的PM2.5濃度變異越小。嚴(yán)重污染區(qū)的石家莊氣象因素多元回歸分析的R2為0.27，重污染區(qū)的西安氣象因素多元回歸分析R2為0.29，中污染區(qū)的北京氣象因素多元回歸分析R2為0.46，污染地區(qū)的太原氣象因素多元回歸分析R2為0.67。研究結(jié)果揭示了不同城市的主要?dú)庀笥绊懸蛩丶捌渚C合影響程度，可為城市PM2.5控制和預(yù)測(cè)精度提高提供理論參考，并為區(qū)域生態(tài)環(huán)境規(guī)劃和城市協(xié)調(diào)發(fā)展提供科學(xué)依據(jù)。

細(xì)顆粒物PM2.5；日均溫；最高溫；最低溫；相對(duì)濕度；平均風(fēng)速；最大持續(xù)風(fēng)速；降雨量

我國(guó)快速、大規(guī)模的工業(yè)化和城市化進(jìn)程，給城市及其周邊區(qū)域帶來了一系列的生態(tài)環(huán)境問題。尤其是PM2.5濃度升高導(dǎo)致的霧霾問題在我國(guó)的京津冀、長(zhǎng)三角、珠三角、成渝等地區(qū)普遍存在，嚴(yán)重限制了該區(qū)域經(jīng)濟(jì)的可持續(xù)發(fā)展。PM2.5空氣動(dòng)力學(xué)直徑小，可通過呼吸道進(jìn)入人體，沉積肺部，并可以穿過肺泡進(jìn)入循環(huán)系統(tǒng)，對(duì)人體健康產(chǎn)生嚴(yán)重危害。僅京津冀地區(qū)2013年1月份就因嚴(yán)重的空氣污染超額死亡2725人[1]。同時(shí)，PM2.5還會(huì)通過影響太陽輻射強(qiáng)度和增強(qiáng)散射，影響大氣透明度，改變大氣熱力學(xué)性質(zhì)，進(jìn)而影響氣候變化[2]。PM2.5的危害和影響具有“同呼吸，共命運(yùn)”的特點(diǎn)，即危害嚴(yán)重、影響廣泛且無法有效預(yù)防，成為政府、學(xué)者和公眾關(guān)注的焦點(diǎn)。

城市作為我國(guó)PM2.5污染最為嚴(yán)重的區(qū)域[3]，不僅對(duì)自身，同時(shí)也對(duì)其周邊區(qū)域產(chǎn)生嚴(yán)重的影響[4-5]。張淑平等[6]就根據(jù)該特點(diǎn)對(duì)PM2.5在全國(guó)重點(diǎn)城市的空間分布進(jìn)行了研究。然而城市PM2.5的濃度變化除了受汽車尾氣、工業(yè)排放等人為排放影響，還受到大氣環(huán)流條件，以及日均溫、風(fēng)速、降雨量等地面氣象條件影響。后者對(duì)霧霾的形成和擴(kuò)散有決定性作用，因此了解不同城市地面氣象條件對(duì)PM2.5濃度的影響不僅可以為其空間分布研究提供更有利的劃分依據(jù)，也能夠提高這些城市嚴(yán)重霧霾事件的監(jiān)測(cè)和預(yù)報(bào)精度[7]。目前已經(jīng)有一些氣象條件對(duì)PM2.5濃度影響的研究。Xu等[8]通過對(duì)城區(qū)和郊區(qū)站點(diǎn)的對(duì)比分析發(fā)現(xiàn)風(fēng)對(duì)北部平原區(qū)霧霾發(fā)生就有強(qiáng)的依賴影響關(guān)系。孟昭陽等[9]的研究結(jié)果表明PM2.5質(zhì)量濃度日變化與風(fēng)速、能見度和氣壓呈負(fù)相關(guān)，與相對(duì)濕度呈正相關(guān)。然而，這些研究的城市選擇未考慮到PM2.5在全國(guó)的空間分布狀況，氣象因素的選擇也不夠全面。

不同城市PM2.5形成的物理化學(xué)過程有所不同，甚至截然相反，那么不同空間分布區(qū)的城市PM2.5濃度受那些氣象因素影響？其相對(duì)重要性如何？各氣象因子影響的重要性是否一致？這些問題在已有的研究中也較少涉及。本文基于全國(guó)PM2.5濃度空間分布[6]，選擇了5個(gè)PM2.5濃度不同的典型城市，首先采用相關(guān)性分析解析多個(gè)氣象因子與PM2.5濃度的關(guān)系，進(jìn)而采用多元逐步回歸的方法研究氣象因素對(duì)PM2.5濃度變異解釋度的差異，以及氣象因子對(duì)PM2.5濃度影響的相對(duì)重要性，進(jìn)一步對(duì)比分析氣象因素對(duì)PM2.5濃度的影響在不同污染程度的城市之間差異，揭示不同城市的主要?dú)庀笥绊懸蛩睾途C合影響程度。為城市PM2.5控制和預(yù)測(cè)精度提高提供理論參考，并可為區(qū)域生態(tài)環(huán)境規(guī)劃和城市協(xié)調(diào)發(fā)展提供科學(xué)依據(jù)。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)及預(yù)處理

圖1 各典型城市空氣質(zhì)量和氣象監(jiān)測(cè)站位置Fig.1 Maps showing the locations of meteorological and air quality stations in the five cities

冬季地面溫度低，不利于空氣上下對(duì)流，細(xì)粒子更多地積聚在距地面較近的范圍內(nèi)，對(duì)居民的暴露影響更大。同時(shí)，受到燃煤供暖和春節(jié)等人類活動(dòng)影響，我國(guó)大氣污染在冬季最為嚴(yán)重[10]，它的研究也更為迫切，因此選擇冬季數(shù)據(jù)開展研究。采用的PM2.5濃度數(shù)據(jù)為全國(guó)空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái)發(fā)布的2013年12月—2014年2月和2014年12月—2015年2月兩年的空氣質(zhì)量日濃度數(shù)據(jù)。該數(shù)據(jù)根據(jù)環(huán)保部《環(huán)境空氣顆粒物(PM10和PM2.5)連續(xù)自動(dòng)監(jiān)測(cè)系統(tǒng)技術(shù)要求及檢測(cè)方法》(HJ 653—2013)新標(biāo)準(zhǔn)檢測(cè)獲得，具有時(shí)間連續(xù)性好、監(jiān)測(cè)范圍廣等優(yōu)點(diǎn)。人為排放和氣象條件均會(huì)影響PM2.5濃度，但在季節(jié)范圍內(nèi)可以認(rèn)為人為排放是穩(wěn)定的，因此選擇日均溫、最低溫、最高溫、平均風(fēng)速、最大持續(xù)風(fēng)速、相對(duì)濕度、降雨量等地面氣象因素進(jìn)行研究。該部分城市氣象數(shù)據(jù)源自美國(guó)氣候數(shù)據(jù)中心(National Climate Data Center)發(fā)布的全球日產(chǎn)品匯總數(shù)據(jù)(Global Summary of the Day) (圖1)。數(shù)據(jù)包含了氣象站監(jiān)測(cè)的日均溫、最低溫、最高溫、平均風(fēng)速、最大持續(xù)風(fēng)速、露點(diǎn)溫度、降雨量7項(xiàng)氣象指標(biāo)。然后基于日均溫、露點(diǎn)溫度和錢同生等[11]提出的相對(duì)濕度算法計(jì)算出日相對(duì)濕度。氣象數(shù)據(jù)截取的是同PM2.5數(shù)據(jù)相對(duì)應(yīng)的2013年12月—2014年2月和2014年12月—2015年2月兩年冬季的日濃度數(shù)據(jù)。其中石家莊、西安、北京、太原和廣州5個(gè)城市的降雨天數(shù)分別為25、5、17、21d和56d。5個(gè)典型城市的人口總數(shù)數(shù)據(jù)、第二產(chǎn)業(yè)比例數(shù)據(jù)、萬元GDP能耗數(shù)據(jù)來自各城市2013年的統(tǒng)計(jì)年鑒。

1.2 方法

基于PM2.5濃度的區(qū)域空間分布圖[6]，結(jié)合影響PM2.5濃度的城市人口總量、用電量、GDP、萬元GDP能耗、二產(chǎn)比例等指標(biāo)，分別從5個(gè)污染區(qū)域各選取一個(gè)典型城市(石家莊、西安、北京、太原和廣州)進(jìn)行分析(表1)。具體的分析包括有顯著相關(guān)性的氣象影響因素差異分析和氣象因素綜合影響程度分析。氣象影響因素差異分析是從日均溫、最高溫、最低溫、相對(duì)濕度、平均風(fēng)速、最大持續(xù)風(fēng)速和降雨量中篩選出與各典型城市PM2.5濃度有顯著相關(guān)關(guān)系的氣象因素，并比較不同城市氣象因素種類的差異。David等[12]認(rèn)為多元線性逐步回歸可以用于氣象因素對(duì)PM2.5濃度影響程度的研究，尤其是冬季的研究。因此綜合影響程度分析采用多元線性逐步回歸的方法了解氣象因素對(duì)PM2.5的影響程度，即氣象因素對(duì)PM2.5日濃度變異的解釋程度。本文以PM2.5日濃度為因變量，以有顯著相關(guān)性的氣象要素為自變量進(jìn)行逐步線性回歸分析(式1)。建立5個(gè)典型城市氣象因素對(duì)PM2.5濃度日變化的多元線性方程。

(1)

表1 典型城市選取指標(biāo)

2 結(jié)果和分析

2.1 城市PM2.5濃度特征

按照我國(guó)空氣質(zhì)量二級(jí)標(biāo)準(zhǔn)(75μg/m3)，石家莊冬季PM2.5超標(biāo)率為83.72%，超標(biāo)倍數(shù)達(dá)7.57(表2)；西安、北京、太原和廣州冬季PM2.5濃度超標(biāo)率依次降低，最高超標(biāo)倍數(shù)也逐漸減小；廣州超標(biāo)率為52.33%，最高超標(biāo)倍數(shù)為1.08。按照WHO標(biāo)準(zhǔn)(25μg/m3)石家莊和西安冬季日PM2.5濃度超標(biāo)率為100%，超標(biāo)倍數(shù)分布達(dá)到24.71和22.98；北京冬季超標(biāo)率為81.40%，超標(biāo)倍數(shù)為0.04—13.21；太原和廣州的冬季PM2.5濃度超標(biāo)率為91.86%和93.02%。

2.2 城市PM2.5時(shí)間分布特征

從圖2中可以看出，5個(gè)重點(diǎn)城市中冬季PM2.5濃度最高的是石家莊，波動(dòng)范圍為31.27—396.30μg/m3，最高值出現(xiàn)在12月23日；其次為西安，濃度波動(dòng)范圍33.27—367.80μg/m3，最高值出現(xiàn)在12月24日；接下來是北京，濃度波動(dòng)范圍7.71—108.33μg/m3，最高值出現(xiàn)在2月19日；再然后是太原，濃度波動(dòng)范圍12.21—75.02μg/m3，最高值出現(xiàn)在12月23日；最后是廣州，濃度波動(dòng)范圍23.50—66.08μg/m3，最高值出現(xiàn)在1月6日，該結(jié)果與平均濃度(表2)結(jié)果相似。

表2 各典型城市PM2.5濃度

圖2 各典型城市相對(duì)濕度同PM2.5濃度的變化特征Fig.2 Fluctuation of PM2.5 concentration and humidity

2.2.1 相對(duì)濕度

從總體上來看(圖2)，5個(gè)城市的PM2.5濃度變化同相對(duì)濕度有緊密的聯(lián)系。石家莊、西安、北京和太原4個(gè)城市的冬季PM2.5濃度同相對(duì)濕度呈相似的變化趨勢(shì)，廣州冬季PM2.5濃度同相對(duì)濕度呈相反的變化趨勢(shì)。在無降雨時(shí)PM2.5濃度同相對(duì)濕度有很相似的變化趨勢(shì)，當(dāng)有降雨時(shí)PM2.5濃度同相對(duì)濕度有相反的變化趨勢(shì)。

無論是高污染區(qū)的城市還是低污染區(qū)的城市，相對(duì)濕度在其細(xì)顆粒物的監(jiān)測(cè)和預(yù)報(bào)中起著重要作用。當(dāng)無降雨空氣相對(duì)濕度在60%—80%以下時(shí)，顆粒物的二次生成作用較強(qiáng)，PM2.5的濃度同相對(duì)濕度呈正比關(guān)系。當(dāng)空氣濕度大于80%時(shí)，容易形成降雨，對(duì)空氣中的顆粒物有沖刷作用，顆粒物的濃度同空氣相對(duì)濕度呈反比。隨著濕度的增加顆粒物中的水溶性組分和有機(jī)碳中水溶性有機(jī)碳的組分比例增加，在高相對(duì)濕度的條件下水溶性有機(jī)碳和元素碳的比例顯著升高[13]，冬季城市相對(duì)濕度的升高對(duì)重霧霾的形成有直接關(guān)系。

2.2.2 平均風(fēng)速

風(fēng)對(duì)顆粒物的影響主要是物理作用，包括顆粒物的傳輸和分布等。通過對(duì)顆粒物的揚(yáng)起和傳輸過程研究，Han等[14]人認(rèn)為風(fēng)速對(duì)顆粒物濃度的影響不是呈線性變化，而是呈自然對(duì)數(shù)的趨勢(shì)變化。經(jīng)非線性擬合發(fā)現(xiàn)，石家莊、西安、北京、太原和廣州5個(gè)城市風(fēng)速與PM2.5的關(guān)系如表3。

表3 各典型城市風(fēng)速與PM2.5濃度擬合方程

在石家莊、西安、北京、太原和廣州5個(gè)城市平均風(fēng)速同PM2.5濃度呈對(duì)數(shù)的變化關(guān)系(圖3,圖4)。一方面是因?yàn)樵诘惋L(fēng)速情況下顆粒物擴(kuò)散速度慢；另一方面是低風(fēng)速導(dǎo)致細(xì)顆粒物混合均勻，二次生成速率升高[15]。另外，濕氣流在風(fēng)的作用下跨界傳輸是形成區(qū)域性霧霾的重要原因。

圖3 各典型城市PM2.5濃度同平均風(fēng)速變化特征Fig.3 Fluctuation of PM2.5 concentration and wind speed

圖4 各典型城市PM2.5濃度同平均風(fēng)速關(guān)系Fig.4 The relationship between PM2.5 concentration and wind speed

2.2.3 日均溫

從折線圖(圖5)可以看出石家莊、北京和太原3個(gè)城市的冬季PM2.5濃度同日均溫呈相似的變化趨勢(shì)，尤其是在發(fā)生降雨前后。

圖5 各典型城市日均溫同PM2.5濃度變化特征Fig.5 Fluctuation of PM2.5 concentration and temperature

2.3 氣象因素影響

2.3.1 城市氣象影響因素差異

嚴(yán)重污染城市 在PM2.5濃度最高的石家莊(表4)，與冬季PM2.5濃度相關(guān)的氣象因素為相對(duì)濕度(r=0.53,P<0.01)、平均風(fēng)速(r=-0.22,P<0.01)；

重污染城市 在冬季PM2.5濃度次高的西安，與其PM2.5濃度相關(guān)的主要?dú)庀笠蛩貫橄鄬?duì)濕度(r=0.43,P<0.01)、平均風(fēng)速(r=-0.37,P<0.01)和最大持續(xù)風(fēng)速(r=-0.26,P<0.01)；

中度污染城市 與北京PM2.5濃度相關(guān)的主要?dú)庀笠蛩叵鄬?duì)濕度(r=0.61,P<0.01)、平均風(fēng)速(r=-0.47,P<0.01)、最低溫(r=0.36,P<0.01)、最大持續(xù)風(fēng)速(r=-0.25,P<0.01)和日均溫度(r=0.24,P<0.01)；

一般污染城市 與太原PM2.5濃度相關(guān)的主要?dú)庀笠蛩貫槠骄L(fēng)速(r=-0.47P<0.01)、最大持續(xù)風(fēng)速(r=-0.39,P<0.01)、相對(duì)濕度(r=0.36,P<0.01)、最高溫(r=0.36,P<0.01)、日均溫(r=0.29,P<0.01)和最低溫(r=0.23,P<0.01)；

低污染城市 與廣州PM2.5濃度相關(guān)的主要?dú)庀笠蛩貫樽罡邷?r=0.34,P<0.01)、平均風(fēng)速(r=-0.32,P<0.01)、相對(duì)濕度(r=0.28,P<0.01)和降雨量(r=0.26,P<0.01)。

2.3.2 氣象因素的綜合影響

從以上分析可以看出影響不同城市的地面氣象因素有所不同，為了深入研究各城市氣象條件的綜合影響程度，本文采用與PM2.5具有顯著相關(guān)性的氣象因子，對(duì)PM2.5日濃度進(jìn)行逐步回歸，并將結(jié)果標(biāo)準(zhǔn)化(表5,表6)。

表4 各典型城市氣象因素與PM2.5濃度相關(guān)性

*顯著相關(guān)；**極顯著相關(guān)

在石家莊，對(duì)PM2.5濃度變異解釋度最大氣象因素是相對(duì)濕度。在西安，對(duì)PM2.5濃度變異解釋度最大氣象因素也是相對(duì)濕度，但是平均風(fēng)速對(duì)PM2.5濃度影響也較大，達(dá)到30%。在北京，對(duì)PM2.5濃度變異解釋度最大氣象因素也是相對(duì)濕度，日均溫和平均風(fēng)速也分別有29%和20%的影響。在太原，對(duì)PM2.5濃度變異解釋度最大氣象因素也是相對(duì)濕度，平均風(fēng)速和最高溫分別有27%和40%的影響。位于南方的廣州，對(duì)PM2.5濃度變異解釋度最大氣象因素還是相對(duì)濕度，最高溫和平均風(fēng)速分別有21%和22%的變異解釋度。

表5 各城市PM2.5濃度同氣象因素的標(biāo)準(zhǔn)化回歸方程

5個(gè)城市可決系數(shù)R2的大小依次為廣州<石家莊<西安<北京<太原，即氣象因素對(duì)PM2.5日濃度變異解釋能力依次為廣州<石家莊<西安<北京<太原。北方的四個(gè)城市中，PM2.5濃度越高的城市氣象因素對(duì)其變異解釋能力越低。嚴(yán)重污染區(qū)的石家莊線性回歸分析的R2為0.27，重污染區(qū)的西安氣象因素多元回歸分析R2為0.29，中污染區(qū)的北京氣象因素多元回歸分析R2為0.46，污染區(qū)的太原氣象因素多元回歸分析R2為0.67，低污染區(qū)的廣州氣象因素多元回歸分析R2為0.18。

表6 各城市相關(guān)氣象因素同PM2.5濃度的偏回歸系數(shù)

3 討論

不同污染程度的城市，影響PM2.5濃度的主導(dǎo)氣象因子不同。從本文的研究結(jié)果來看，影響石家莊PM2.5濃度的主要?dú)庀笠蛩貫橄鄬?duì)濕度；影響西安PM2.5濃度的主要?dú)庀笠蛩貫橄鄬?duì)濕度和平均風(fēng)速；影響北京PM2.5濃度的主要?dú)庀笠蛩貫橄鄬?duì)濕度、日均溫和平均風(fēng)速；影響太原PM2.5濃度的主要?dú)庀笠蛩貫橄鄬?duì)濕度、最高溫和平均風(fēng)速；影響廣州PM2.5濃度的主要?dú)庀笠蛩貫橄鄬?duì)濕度、平均風(fēng)速和最高溫。相對(duì)濕度和風(fēng)速對(duì)石家莊、西安、北京、太原、廣州5個(gè)城市的PM2.5濃度均有影響，日均溫僅對(duì)北京、太原、廣州3個(gè)城市的PM2.5濃度有影響。該結(jié)果同車瑞俊[19]、韓婧[20]、孟昭陽[5]、朱倩茹等[21]在北京、西安、太原和廣州的研究結(jié)果相似。因此在建立各城市的PM2.5濃度預(yù)報(bào)系統(tǒng)時(shí)，應(yīng)根據(jù)各城市PM2.5濃度和氣象因子建立不同的預(yù)報(bào)系統(tǒng)。

氣象因素對(duì)PM2.5日濃度的綜合影響程度隨著PM2.5濃度的升高逐漸減弱。從本文多元線性回歸的調(diào)整R2結(jié)果來看，石家莊<西安<北京<太原。調(diào)整R2是多元線性回歸的可決系數(shù)，也是對(duì)PM2.5濃度日變異的解釋度。所以，氣象因素對(duì)PM2.5日濃度變異解釋度大小依次為石家莊<西安<北京<太原。而這4個(gè)城市的PM2.5濃度為石家莊>西安>北京>太原。因此，PM2.5濃度越高的地區(qū)氣象因素能夠解釋的日變異度越小。出現(xiàn)該現(xiàn)象可能是因?yàn)榇嬖跉庀笠蛩匾酝獾钠渌蛩貜?qiáng)烈影響PM2.5濃度變化。廣州的PM2.5濃度低于北京和太原，但其氣象因素的變異解釋度比石家莊要低。這是因?yàn)閺V州冬季PM2.5濃度波動(dòng)范圍(11.25—156.34μg/m3)明顯小于石家莊(22.46—642.8μg/m3)、北京(5.6—355.14μg/m3)、太原(14.41—196.46μg/m3)。在PM2.5波動(dòng)范圍較大的城市中，氣象因素能夠解釋的日變異度越小。

盡管本文的結(jié)果說明地面表層氣象條件對(duì)PM2.5濃度有重要影響，但是大氣邊界層和垂直結(jié)構(gòu)對(duì)PM2.5的濃度也有重要影響。相關(guān)的研究也應(yīng)該深入進(jìn)行。氣象條件不僅能夠影響城市尺度的PM2.5濃度還能夠影響區(qū)域尺度的污染物濃度分布。該方面研究對(duì)于污染物的跨區(qū)域聯(lián)防聯(lián)控研究和長(zhǎng)距離輸送研究有重要的意義。

4 主要結(jié)論

本文采用重點(diǎn)城市典型大氣污染物-PM2.5濃度的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，分析在不同污染區(qū)域的城市，影響PM2.5濃度的主要?dú)庀笠蜃?，解析多種氣象因子對(duì)PM2.5濃度的綜合影響程度，主要結(jié)論如下:

(1)氣象條件與PM2.5日濃度顯著相關(guān)，且在不同污染區(qū)域的城市，與PM2.5濃度相關(guān)的氣象因子不同。影響石家莊市冬季PM2.5濃度的主要?dú)庀笠蛩貫橄鄬?duì)濕度；西安是相對(duì)濕度、和平均風(fēng)速；北京是相對(duì)濕度、日均溫和平均風(fēng)速；太原市是相對(duì)濕度、平均風(fēng)速和最高溫；廣州是相對(duì)濕度、平均風(fēng)速、最高溫和降雨量。

(2)PM2.5濃度越高的地區(qū)，氣象因素能夠解釋的PM2.5濃度變異越小，說明污染嚴(yán)重的地區(qū)主要受到人為排放因素的影響。嚴(yán)重污染區(qū)的石家莊市多元回歸分析的R2為0.27，重污染區(qū)的西安市氣象因素多元回歸分析R2為0.29，中污染區(qū)的北京市氣象因素多元回歸分析R2為0.46，太原市氣象因素多元回歸分析R2為0.67，廣州市氣象因素多元回歸分析R2為0.18。

[1] 張衍燊, 馬國(guó)霞, 於萬, 曹東. 2013年1月灰霾污染事件期間京津冀地區(qū)PM2.5污染的人體健康損害評(píng)估. 中華醫(yī)學(xué)雜志, 2013, 93(34): 2707- 2710.

[2] Chen L W A, Watson J G, Chow J C, Green M C, Inouye D, Dirk K. Wintertime particulate pollution episodes in an urban valley of the Western US: a case study. Atmospheric Chemistry Physics 2012, 12: 10051- 10064.

[3] Han L J, Zhou W Q, Li W F. City as a major source area of fine particulate (PM2.5) in China. Environmental Pollution, 2015, 206: 183- 187.

[4] Han L J, Zhou W Q, Li W F. Increasing impact of urban fine particles (PM2.5) on areas surrounding Chinese cities. Scientific Reports, 2015, 5: 12467.

[5] Han L J, Zhou W Q, Li W F, Li L. Impact of urbanization level on urban air quality: A case of fine particles (PM2.5) in Chinese cities. Environmental Pollution, 2014, 194: 163- 170.

[6] 張淑平, 韓立建, 周偉奇. 城市規(guī)模對(duì)大氣污染物NO2和PM2.5濃度的影響. 生態(tài)學(xué)報(bào), 2015.

[7] Xu J M, Yan F X, Xie Y, Wang F Y, Wu J B, Fu Q Y. Impact of meteorological conditions on a nine-day particulate matter pollution event observed in December 2013, Shanghai, China. Particuology, 2015, 20: 69- 79.

[8] Xu W Y, Zhao C S, Ran L, Deng Z Z, Liu P F, Ma N, Lin W L, Xu X B, Yan P, He X, Yu J, Liang W D, Chen L L. Characteristics of pollutants and their correlation to meteorological conditions at a suburban site in the North China Plain. Atmospheric Chemistry Physics, 2011, 11(9): 4353- 4369.

[9] 孟昭陽, 張懷德, 蔣曉明, 顏鵬, 王雁, 林偉立, 周春紅, 劉洪利, 閆世明, 梁麗明. 太原地區(qū)冬春季PM2.5污染特征及影響因素. 中國(guó)科學(xué)院研究生院學(xué)報(bào), 2007, 24(5): 648- 656.

[10] 何友江. 2002年我國(guó)城市大氣環(huán)境污染的區(qū)域性特征研究[D]. 南京: 南京信息工程大學(xué), 2005.

[11] 錢同生. 濕度計(jì)算公式的簡(jiǎn)化計(jì)算方法. 南京化工大學(xué)學(xué)報(bào): 自然科學(xué)版, 1998, 20(2): 69- 71.

[12] Whiteman C D, Hoch S W, Horel J D, Charland A. Relationship between particulate air pollution and meteorological variables in utah′s salt lake valley. Atmospheric Environment, 2014, 94: 742- 753.

[13] Cheng Y, He K B, Du Z Y, Zheng M, Duan F K, Ma Y L. Humidity plays an important role in the PM2.5pollution in Beijing. Environmental Pollution, 2015, 197: 68- 75.

[14] Han L J, Zhou W Q, Li W F, Meshesha D T, Li L, Zheng M Q. Meteorological and urban landscape factors on severe air pollution in Beijing. Journal of the Air & Waste Management Association, 2015, 65(7): 782- 787.

[15] Tao M H, Chen L F, Su L, Tao J H. Satellite observation of regional haze pollution over the North China Plain. Journal of Geophysical Research, 2012, 117(D12): D12203.

[16] 吳兌. 近十年中國(guó)灰霾天氣研究綜述. 環(huán)境科學(xué)學(xué)報(bào), 2012, 32(2): 257- 269.

[17] 宋明, 韓素芹, 張敏, 姚青, 朱彬. 天津大氣能見度與相對(duì)濕度和PM10及PM2.5的關(guān)系. 氣象與環(huán)境學(xué)報(bào), 2013, 39(2): 34- 41.

[18] 唐孝炎. 大氣環(huán)境化學(xué). 北京: 高等教育出版社, 1990: 343.

[19] 車瑞俊, 劉大錳, 袁楊森. 北京冬季大氣顆粒物污染水平和影響因素研究. 中國(guó)科學(xué)院研究生院學(xué)報(bào), 2007, 24(5): 556- 563.

[20] 韓婧, 代志光, 李文韜. 西安灰霾天氣下PM2.5濃度與氣象條件分析. 環(huán)境污染與防治, 2014, 36(2): 52- 56.

[21] 朱倩茹, 劉永紅, 徐偉嘉, 黃敏. 廣州PM2.5污染特征及影響因素分析. 中國(guó)環(huán)境監(jiān)測(cè), 2013, (2): 15- 21.

Relationships between fine particulate matter (PM2.5) and meteorological factors in winter at typical Chinese cities

ZHANG Shuping1,2, HAN Lijian1, ZHOU Weiqi1，*, ZHENG Xiaoxin1

1StateKeyLaboratoryofUrbanandRegionalEcology,ResearchCenterforEco-EnvironmentalSciences,ChineseAcademyofSciences,Beijing100085,China2UniversityofChineseAcademyofSciences,Beijing100049,China

Meteorological conditions may have a great impact on PM2.5pollution during the heavy haze winter in Chinese cities. Here, we examined the effects of meteorological factors on PM2.5concentrations from December 2013 to February 2014, and from December 2014 to February 2015, in five cities—Shijiazhuang, Xi′an, Beijing, Taiyuan, and Guangzhou exhibiting different levels of PM2.5. We found (1) meteorological factors affected daily PM2.5concentrations, and variables differed in cities with varied pollution levels. Significant positive correlations were obtained between humidity and PM2.5concentrations in Shijiazhuang, and a significant negative correlation was also obtained for wind speed. Significant positive correlations were obtained between humidity and PM2.5concentrations in Xi′an, and a significant negative correlation was found for wind speed. Significant positive correlations were obtained between humidity/temperature/minimum temperature and PM2.5concentrations in Beijing, and a significant negative correlation was found for wind speed. Significant positive correlations were obtained between humidity/temperature/minimum temperature/maximum temperature and PM2.5concentrations in Taiyuan, and a negative correlation was found for the maximum sustained wind speed. Significant positive correlations were obtained between humidity/maximum temperature/precipitation and PM2.5concentrations in Guangzhou, and a significant negative correlation was found for wind speed. (2) Meteorological factors can explain the smaller variability in PM2.5concentration in cities that have heavier PM2.5pollution. Shijiazhuang, which represented a severely polluted area, showed meteorological factors of 0.27 after multiple regression analysis (R2). Xi′an, which represents a heavy polluted area, showed meteorological factors of 0.29 (R2). Beijing, which represents a moderately polluted area, showed meteorological factors of 0.46 (R2). Taiyuan, which represents a polluted area, showed meteorological factors of 0.67 (R2). The results provide a scientific basis for regional ecological environment planning and coordinated urban development. Therefore, understanding the main meteorological factors and their impact on urban PM2.5in different cities provides a theoretical reference for air pollution control and improvement of prediction accuracy.

fine particulate (PM2.5); temperature; maximum temperature; minimum temperature; humidity; wind speed; maximum sustained wind speed; precipitation

國(guó)家自然科學(xué)基金青年基金(41301199)；中國(guó)科學(xué)院生態(tài)環(huán)境研究中心“一三五”重點(diǎn)培育方向項(xiàng)目(YSW2013B04)；國(guó)家科技支撐計(jì)劃子課題(2012BAC13B01)

2015- 05- 02;

日期:2016- 04- 12

10.5846/stxb201505020901

*通訊作者Corresponding author.E-mail:wzhou@rcees.ac.cn

張淑平，韓立建，周偉奇，鄭曉欣.冬季PM2.5的氣象影響因素解析.生態(tài)學(xué)報(bào),2016,36(24):7897- 7907.

Zhang S P, Han L J, Zhou W Q, Zheng X X.Relationships between fine particulate matter (PM2.5) and meteorological factors in winter at typical Chinese cities.Acta Ecologica Sinica,2016,36(24):7897- 7907.