基于小波變換的北京市PM2.5時(shí)空分布特征及成因分析

孫春媛，李令軍，趙文吉，趙佳茵

1. 首都師范大學(xué)資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048；

2. 北京市環(huán)境保護(hù)監(jiān)測(cè)中心，北京 10048；3. 北京大學(xué)環(huán)境科學(xué)與工程學(xué)院，北京 100871

基于小波變換的北京市PM2.5時(shí)空分布特征及成因分析

孫春媛1，李令軍2*，趙文吉1，趙佳茵3

1. 首都師范大學(xué)資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048；

2. 北京市環(huán)境保護(hù)監(jiān)測(cè)中心，北京 10048；3. 北京大學(xué)環(huán)境科學(xué)與工程學(xué)院，北京 100871

收集北京市2014年P(guān)M2.5質(zhì)量濃度數(shù)據(jù)，利用小波變換探討北京市各類監(jiān)測(cè)站點(diǎn)PM2.5污染的時(shí)間序列特征、主周期、突變特性，并結(jié)合氣象資料，采用小波相干譜探究氣象因子對(duì)PM2.5的影響。結(jié)果表明，2014年北京市各類監(jiān)測(cè)點(diǎn)PM2.5質(zhì)量濃度變化呈現(xiàn)波動(dòng)-平穩(wěn)-波動(dòng)的相似變化趨勢(shì)，其中1—4月和10—12月波動(dòng)明顯，且主周期相同（172 d）。采暖期間，南部站點(diǎn)PM2.5質(zhì)量濃度最高，采暖結(jié)束后，交通站點(diǎn)超越南部站點(diǎn)，成為PM2.5質(zhì)量濃度最高的站點(diǎn)。北京PM2.5突變事件秋冬季節(jié)頻繁而春夏較少，主要對(duì)應(yīng)于重污染天氣的生消過程。5類監(jiān)測(cè)站點(diǎn)的PM2.5質(zhì)量濃度基本呈現(xiàn)南高北低的分布規(guī)律。南部站點(diǎn)PM2.5污染最為嚴(yán)重、突變事件頻次最高，該區(qū)局地污染排放顯著，又是區(qū)域傳輸?shù)闹匾ǖ?，污染相?duì)復(fù)雜；而北部站點(diǎn)污染水平最低、突變頻次也最少；市區(qū)范圍內(nèi)交通站點(diǎn)污染相對(duì)突出。此外，氣象因子對(duì)PM2.5質(zhì)量濃度變化影響巨大：在小尺度（0～20 d）上，PM2.5與相對(duì)濕度相關(guān)性最突出；在中等尺度（20～64 d）上，PM2.5主要受平均風(fēng)速和相對(duì)濕度制約，但季節(jié)變化明顯；大尺度（＞64 d）上，PM2.5與日照時(shí)數(shù)和相對(duì)濕度相關(guān)性顯著。

小波分析；時(shí)空特征；突變特性；小波相干

SUN Chunyuan， LI Lingjun， ZHAO Wenji， ZHAO Jiayin. Temporal and spatial characteristic and factors analysis of PM2.5on the basis of wavelet transformation in Beijing ［J］. Ecology and Environmental Sciences， 2016， 25（8）: 1343-1350.

北京作為京津冀地區(qū)的核心城市（《京津冀協(xié)同發(fā)展規(guī)劃綱要》中明確提出京津冀“一核、兩城、三軸、四區(qū)、多節(jié)點(diǎn)城市發(fā)展”的空間布局），是我國(guó)政治、文化、對(duì)外交流中心。截至2014年，全市常駐人口已達(dá)2114.8萬(wàn)人，機(jī)動(dòng)車擁有量達(dá)559.1萬(wàn)輛，大氣污染日趨嚴(yán)重，備受國(guó)內(nèi)外關(guān)注（Rohde et al.，2015；Kan et al.，2012）。以PM2.5為首要污染物的大范圍、長(zhǎng)時(shí)間的重污染事件頻發(fā)，嚴(yán)重危害人們的身體健康、制約城市的良性發(fā)展（謝元博等，2014；Cao et al.，2014；Li et al.，2015）。醫(yī)學(xué)研究表明，相對(duì)于粗顆粒物，PM2.5因其粒徑小、比表面積大，攜帶了更多的有毒有害重金屬、有機(jī)物和酸性氧化物等（胡子梅等，2013），會(huì)直接進(jìn)入血液，并存留于肺部深處，可能引發(fā)呼吸道疾病、肺病和心臟病等，嚴(yán)重的會(huì)導(dǎo)致肺癌（黃雯等，2012）。

我國(guó)各城市PM2.5均呈現(xiàn)明顯的季節(jié)變化、周變化及日變化規(guī)律（Zhao et al.，2009；Shi et al.，2014；Wang et al.，2015；Zhao et al.，2016）。PM2.5濃度變化是一個(gè)非線性的動(dòng)力系統(tǒng)，在時(shí)域中存在多層次時(shí)間尺度結(jié)構(gòu)，傳統(tǒng)統(tǒng)計(jì)方法難以對(duì)其進(jìn)行深入研究。相對(duì)于傳統(tǒng)方法，小波分析方法對(duì)PM2.5時(shí)間序列的研究具有直觀、計(jì)算速度快等特點(diǎn)（孫杰等，2007），其良好的時(shí)頻性，能在時(shí)域和頻域兩個(gè)維度上展開，既能進(jìn)行多尺度細(xì)化分析，又能排除各種偶然因素對(duì)其變化規(guī)律的影響（Hermida et al.，2015）。

本文利用北京市PM2.5質(zhì)量濃度數(shù)據(jù)，采用MATLAB軟件對(duì)PM2.5質(zhì)量濃度的時(shí)間序列數(shù)據(jù)進(jìn)行分解和重構(gòu)，結(jié)合小波系數(shù)實(shí)部圖和小波方差圖，對(duì)不同時(shí)間尺度的PM2.5質(zhì)量濃度的變化特征進(jìn)行分析，得到污染物的變化周期，客觀反映其演變過程和趨勢(shì)；基于小波分析結(jié)果進(jìn)一步探究PM2.5質(zhì)量濃度的突變特性，并結(jié)合氣象資料，利用小波相干譜分析氣象因子對(duì)PM2.5的影響，以期為北京市大氣污染的預(yù)測(cè)預(yù)報(bào)和有效控制提供科學(xué)參考。

1　數(shù)據(jù)與方法

1.1數(shù)據(jù)來源

本文所采用的數(shù)據(jù)為北京29個(gè)地面自動(dòng)監(jiān)測(cè)站點(diǎn)2014年P(guān)M2.5日均濃度數(shù)據(jù)，來自于北京市環(huán)保局公布的監(jiān)測(cè)資料（http://zx.bjmemc.com.cn），29個(gè)監(jiān)測(cè)點(diǎn)按功能定位和污染特征分為5類：12個(gè)城市環(huán)境評(píng)價(jià)點(diǎn)（以下簡(jiǎn)稱城市站點(diǎn)）、6個(gè)北部郊區(qū)環(huán)境評(píng)價(jià)點(diǎn)（以下簡(jiǎn)稱北部站點(diǎn)）、5個(gè)南部郊區(qū)環(huán)境評(píng)價(jià)點(diǎn)（以下簡(jiǎn)稱南部站點(diǎn)）、5個(gè)交通污染監(jiān)測(cè)點(diǎn)（以下簡(jiǎn)稱交通站點(diǎn)）和1個(gè)城市清潔對(duì)照站點(diǎn)（以下簡(jiǎn)稱對(duì)照站點(diǎn)）。監(jiān)測(cè)點(diǎn)具體分布見圖1。氣象觀測(cè)數(shù)據(jù)來源于北京觀象臺(tái)的氣象數(shù)據(jù)資料（http://data.cma.cn），包括2014年北京站點(diǎn)的平均氣壓、平均氣溫、平均風(fēng)速、日照時(shí)數(shù)和相對(duì)濕度（以上均為日均值）。

圖1　北京市29個(gè)大氣環(huán)境質(zhì)量監(jiān)測(cè)點(diǎn)分布示意圖Fig. 1　Distribution of 29 Atmospheric environmental quality monitoring spots in Beijing

1.2研究方法

小波分析被譽(yù)為數(shù)學(xué)上的“顯微鏡”，與傅里葉變換相比，其優(yōu)點(diǎn)在于可以提供時(shí)間-地域尺度上的局部變化特征，而且適合處理非平穩(wěn)信號(hào)，因此小波分析被廣泛用于地震勘探、水文、氣候和生態(tài)學(xué)等領(lǐng)域的研究（朱希安等，2003；?zger et al.，2010；Li et al.，2014；Mi et al.，2005）。小波分析的原理如下：

1.2.1小波函數(shù)

選擇適當(dāng)?shù)男〔ê瘮?shù)是進(jìn)行小波分析的重要前提，小波函數(shù)是一類具有振蕩特性，能迅速衰減到0的函數(shù)。小波函數(shù)不是唯一存在的，所有滿足小波條件的函數(shù)都可稱之為小波函數(shù)，其選取依據(jù)主要與“自相似原則”、“判別函數(shù)”和“支集長(zhǎng)度”有關(guān)。但在實(shí)際應(yīng)用中小波函數(shù)的選擇主要從經(jīng)驗(yàn)中獲得。在進(jìn)行大氣污染的相關(guān)研究時(shí)，較為常用的小波函數(shù)有Daubechies（db）小波、Morlet小波、MHAT小波和Meyer等（Huang et al.，2015；Chen et al.，2015）。

1.2.2離散小波的分解和與重構(gòu)

一維離散小波分解，就是對(duì)信號(hào)進(jìn)行逐層分解的過程。在小波分解的過程中，隨著層次的增加，低頻部分中的高頻成分會(huì)隨之被去除，經(jīng)過多尺度的分解，保留下來的低頻信號(hào)即代表信號(hào)的真實(shí)特征。一維離散小波的重構(gòu)就是小波分解的逆變換，即把分解得到的近似系數(shù)和細(xì)節(jié)系數(shù)疊加得到原始信號(hào)。在基于離散小波分解和重構(gòu)的大氣污染研究中，通過對(duì)各污染物濃度的長(zhǎng)時(shí)間序列進(jìn)行分解和重構(gòu)，所得到的最高層低頻系數(shù)即用來判斷污染物的時(shí)間序列變化規(guī)律，而第1層和第2層高頻系數(shù)即可用來研究其突變特性。在研究污染物突變特性時(shí)必須選取具有很好正則性的小波（桑燕芳等，2013）。

1.2.3連續(xù)小波變換

一維連續(xù)小波變化是研究信號(hào)局域頻譜的重要手段，通過連續(xù)小波變化，獲取小波系數(shù)，繪制小波實(shí)部圖和小波方差圖，從而清楚地分析出不同時(shí)間尺度的變化特征和周期變化規(guī)律。小波變換是不同尺度和位移的小波疊加，通過選擇一定尺度和平移范圍，在不同尺度下對(duì)信號(hào)作內(nèi)積分，即：

式中，WT為小波系數(shù)，a為尺度因子，τ為平移因子，t為時(shí)間。

1.2.4小波相干性分析

小波相干是基于小波變換發(fā)展而來的，用于研究?jī)蓚€(gè)序列數(shù)據(jù)在多時(shí)間尺度上的相關(guān)性，在以往的研究中通常選取Morlet小波對(duì)數(shù)據(jù)進(jìn)行分析（Ramírez et al.，2016；Yang et al.，2015；Zhang et al.，2007）。小波相干譜（Shah et al.，2015；Torrence et al.，1998；Torrence et al.，1999）定義為：

圖2　北京PM2.5質(zhì)量濃度第4層低頻系數(shù)重構(gòu)的時(shí)間序列值Fig. 2　Time series value of fourth level low-frequency refactoring coefficient of PM2.5mass concentration in Beijing

2　結(jié)果與討論

2.1PM2.5時(shí)間序列變化特征

本文采用db6小波分別對(duì)北京市5類監(jiān)測(cè)站點(diǎn)的PM2.5時(shí)間序列進(jìn)行4層小波分解，并對(duì)第4層低頻系數(shù)（A4）進(jìn)行了重構(gòu)，通過所得序列（圖2）對(duì)各類監(jiān)測(cè)站點(diǎn)的PM2.5日均濃度變化規(guī)律進(jìn)行研究。從整體來看，2014年北京市5類監(jiān)測(cè)站點(diǎn)的PM2.5年變化規(guī)律相似，分成波動(dòng)-平穩(wěn)-再波動(dòng)3個(gè)階段，同時(shí)5類監(jiān)測(cè)點(diǎn)PM2.5質(zhì)量濃度存在差異。

第1階段從1月持續(xù)到4月，1月各類監(jiān)測(cè)站點(diǎn)的PM2.5質(zhì)量濃度區(qū)域差異較大，其中南部站點(diǎn)濃度最高，而對(duì)照站點(diǎn)濃度最低。對(duì)照站點(diǎn)外的4類站點(diǎn)PM2.5質(zhì)量濃度在1月均存在振蕩，波動(dòng)最為顯著的是南部站點(diǎn)。2月各類監(jiān)測(cè)點(diǎn)的PM2.5質(zhì)量濃度均達(dá)到全年最高峰值，并且不同站點(diǎn)的濃度差異顯著縮小。3月中旬（采暖期結(jié)束）交通站點(diǎn)質(zhì)量濃度超越南部站點(diǎn)，成為PM2.5污染最嚴(yán)重的站點(diǎn)。2—4月各類監(jiān)測(cè)點(diǎn)的PM2.5質(zhì)量濃度存在明顯波動(dòng)，經(jīng)歷了增大、減小、再增大、再減小的復(fù)雜振蕩變化過程，其中交通站點(diǎn)和對(duì)照站點(diǎn)在兩段上升期中增幅最大，而對(duì)照站點(diǎn)在兩段下降期中降幅最大（見圖2）。

第2階段從5月持續(xù)到9月，為平穩(wěn)期，最大特征是各類監(jiān)測(cè)站點(diǎn)PM2.5質(zhì)量濃度變化均不明顯，交通站點(diǎn)的PM2.5質(zhì)量濃度相對(duì)較高，而對(duì)照站點(diǎn)相對(duì)較低。從圖2可知，5月上旬—6月上旬各類監(jiān)測(cè)站點(diǎn)均經(jīng)歷了1次小幅振蕩期；7月各站點(diǎn)達(dá)到平穩(wěn)期的峰值，8月小幅回落，至9月一直維持在較低水平。

第3階段從10月持續(xù)到12月，該階段PM2.5濃度較第2階段顯著上升，月際之間的波動(dòng)較大。10月交通站點(diǎn)的PM2.5質(zhì)量濃度在各站點(diǎn)中保持最高。11月南部站點(diǎn)超過交通站點(diǎn)，成為PM2.5質(zhì)量濃度最高的監(jiān)測(cè)點(diǎn)。與第1階段變化過程類似，各類站點(diǎn)PM2.5質(zhì)量濃度從9月末開始經(jīng)歷了頻繁的振蕩，總體呈現(xiàn)增大-減小-增大的復(fù)雜循環(huán)變化過程。對(duì)照站點(diǎn)（第1段和第2段）和交通站點(diǎn)，在3段上升期中增幅最大，而對(duì)照站點(diǎn)在兩段下降期中降幅最大。

北京市各類監(jiān)測(cè)點(diǎn)PM2.5質(zhì)量濃度的差異特征主要受氣象、地形特征、污染源排放等因素共同影響。綜合分析其原因，第1階段：1—3月中旬處于北京市的采暖期（北京采暖期為11中旬—次年3月中旬），在不利的氣象條件下，局地的污染排放積累疊加區(qū)域傳輸共同導(dǎo)致PM2.5質(zhì)量濃度升高。采暖期城市站點(diǎn)PM2.5日均質(zhì)量濃度明顯低于南部站點(diǎn)，主要得益于城市能源與產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，使得采暖期城區(qū)PM2.5的排放量大幅降低；3月中旬—4月末，北京大氣擴(kuò)散條件較好，但多受西北沙塵天氣的影響，此外干燥少雨，易引起地面浮塵（陳媛等，2010；王志娟等，2012；）。Yu（2013）研究表明春季土壤塵和道路塵對(duì)PM2.5的貢獻(xiàn)較大。第2階段：5月北京市的月均風(fēng)速、月均最大風(fēng)速和月均日照時(shí)數(shù)達(dá)到了全年的最大值，分別為2.8 m?s-1、6.2 m?s-1和8.8 h，較大的風(fēng)速有利于污染物的水平擴(kuò)散，而日照加速顆粒物的運(yùn)動(dòng)速度，利于污染物的垂直擴(kuò)散（王海暢等，2015）；6—8月為北京的雨季，降水的清除作用導(dǎo)致污染物的濃度較低，并且水平對(duì)流較強(qiáng)，有利于污染物的擴(kuò)散。（楊孝文等，2016；Pu et al.，2011）。第3階段：秋冬季節(jié)北京周邊生物質(zhì)燃燒、采暖以及逆溫頻繁，混合層高度較低，有利于污染物的迅速積累，多種因素共同導(dǎo)致PM2.5質(zhì)量濃度升高（李令軍等，2016）；11月上旬北京各監(jiān)測(cè)站點(diǎn)PM2.5質(zhì)量濃度降低得益于APEC會(huì)議期間區(qū)域的污染減排。會(huì)議期間的污染控制措施導(dǎo)致污染源排放規(guī)模大幅度下降，企業(yè)停產(chǎn)限產(chǎn)、工地停工等措施對(duì)燃煤污染和揚(yáng)塵污染具有較好的控制效果（Guo et al.，2016；程念亮等，2016）。

2.2PM2.5濃度變化的周期與極值

圖3　北京市PM2.5小波系數(shù)實(shí)部圖和小波方差圖Fig. 3　Real part of wavelet coefficient and wavelet variance of PM2.5in Beijing

圖3a是Morlet小波變換系數(shù)實(shí)部圖，表示PM2.5在不同時(shí)間尺度上的周期性振蕩。在小波系數(shù)實(shí)部圖中，小波系數(shù)越大代表大氣顆粒物的污染濃度越高，反之越低，0代表突變點(diǎn)（王海鵬等，2011）。通過分析小波系數(shù)實(shí)部圖（圖3a）發(fā)現(xiàn)，5類站點(diǎn)均存在150～200、75～85和40～60 d3類尺度的周期變化規(guī)律。150～200 d尺度5類監(jiān)測(cè)點(diǎn)周期變化明顯，其中心尺度在180 d左右，并呈現(xiàn)“低-高-低-高-低-高-低”的循環(huán)交替特征。75～85 d尺度5類站點(diǎn)在1—3月期間周期變化明顯，正負(fù)相位交替出現(xiàn)。40～60 d尺度城市站點(diǎn)、南部站點(diǎn)和交通站點(diǎn)表現(xiàn)相似，均以50 d為中心，并在1—3月和10—12月期間表現(xiàn)出明顯的循環(huán)特征，而在其他時(shí)段表現(xiàn)不明顯；而北部站點(diǎn)和對(duì)照站點(diǎn)僅在1—3月表現(xiàn)出“高-低-高-低-高”的循環(huán)特征。為了進(jìn)一步分析PM2.5的主要周期的振蕩規(guī)律，本文計(jì)算了5類站點(diǎn)PM2.5日均質(zhì)量濃度的小波方差。小波方差圖表示小波系數(shù)隨尺度變化而變化的特征，通過小波方差圖，可以確定時(shí)間序列的主要時(shí)間尺度，從而反應(yīng)其主要周期。峰值最高點(diǎn)所對(duì)應(yīng)的尺度為第1主周期，以此類推（馬躍先等，2015）。從圖3b可知，南部站點(diǎn)和交通站點(diǎn)有3個(gè)相同周期，均為172、55和20 d；城市站點(diǎn)和北部站點(diǎn)有5個(gè)周期，其中城市站點(diǎn)的第1周期到第5周期分別為172、55、75、125和20 d，北部站點(diǎn)的5個(gè)周期與上述站點(diǎn)相近，但第3周期和第4周期相反；對(duì)照站點(diǎn)也有5個(gè)周期，分別為172、125、75、55和20 d。綜上可知，北京市5類站點(diǎn)均以172 d為主周期，除對(duì)照站點(diǎn)外均以55 d為次周期。55 d的次周期與大氣低頻振蕩周期有關(guān)（宋艷玲等，2005）。

圖4　北京市PM2.5質(zhì)量濃度突變特征圖Fig. 4　The mutation feature of PM2.5mass concentration in Beijing

2.3PM2.5突變特征分析

PM2.5時(shí)間序列的突變特征，往往表征了大氣污染較為嚴(yán)重的狀態(tài)點(diǎn)（唐玉翔等，2015；馮奇等，2010）。本文利用具有很好正則性的db1小波對(duì)2014年北京市5類站點(diǎn)的PM2.5時(shí)間序列進(jìn)行了3層分解，得到第1層（d1）和第2層（d2）重構(gòu)的高頻系數(shù)（圖4），圖中系數(shù)有很大幅值的點(diǎn)即為PM2.5質(zhì)量濃度突變點(diǎn)。從第1層和第2層高頻系數(shù)的重構(gòu)（圖4）可知，春季（3—5月）重構(gòu)系數(shù)幅值很大的點(diǎn)較少，即PM2.5質(zhì)量濃度突變事件發(fā)生的頻次較低，其中對(duì)照站點(diǎn)和北部站點(diǎn)均未發(fā)生突變事件，城市站點(diǎn)和交通站點(diǎn)各發(fā)生1次突變事件，南部站點(diǎn)發(fā)生2次突變事件。夏季（6—8月）各站點(diǎn)的重構(gòu)系數(shù)幅值均很小，表明5類站點(diǎn)均未發(fā)生PM2.5質(zhì)量濃度突變事件。秋季（9—11月）5類站的重構(gòu)系數(shù)幅值大的點(diǎn)較多，表明秋季是PM2.5質(zhì)量濃度突變事件頻發(fā)的季節(jié)，其中南部站點(diǎn)、城市站點(diǎn)和對(duì)照站點(diǎn)各發(fā)生了5次突變事件，城市站點(diǎn)和北部站點(diǎn)各發(fā)生了4次。冬季（1、2和12月）南部站點(diǎn)、交通站點(diǎn)、城市站點(diǎn)、對(duì)照站點(diǎn)和北部站點(diǎn)的重構(gòu)系數(shù)幅值很大的點(diǎn)分別有5、5、3、2和1個(gè)，這表明冬季各類站點(diǎn)PM2.5質(zhì)量濃度突變事件發(fā)生頻次差異較大。全年5類站點(diǎn)中，南部站點(diǎn)的重構(gòu)系數(shù)幅值較大的點(diǎn)有11個(gè)（即發(fā)生11次突變事件），頻次最高。其中有4次（1月16日、2月15日、2月25日、11月20日）PM2.5日均質(zhì)量濃度均超過400 μg?m-3；北部站點(diǎn)的重構(gòu)系數(shù)幅值較大的點(diǎn)有5個(gè)（即發(fā)生5次突變事件），頻次最少。污染最為嚴(yán)重且持續(xù)最久的一次發(fā)生在2月25日—2月28日之間，日均質(zhì)量濃度的最大值達(dá)到383 μg?m-3。結(jié)合氣象數(shù)據(jù)，發(fā)現(xiàn)造成突變事件的成因較為接近。PM2.5突變事件的主要特征是：污染期間北京市大部分地區(qū)處于重度污染，并且表現(xiàn)出從南到北污染逐漸減輕的趨勢(shì)。穩(wěn)定氣象條件（近地層逆溫明顯、風(fēng)速小、濕度大）和區(qū)域輸送是導(dǎo)致PM2.5質(zhì)量濃度累積上升的主要原因，而冷空氣的到來使PM2.5質(zhì)量濃度迅速下降。

以2014年10月7—9日的一次突變事件為例，進(jìn)行較為詳細(xì)的分析。突變事件發(fā)生期間，北京大部分地區(qū)的平均風(fēng)速低于1 m?s-1，濕度較高，導(dǎo)致局地污染迅速積累，以及偏南氣流帶來河北等地污染物的傳輸（程念亮等，2015），共同導(dǎo)致突發(fā)事件的發(fā)生。11日伴隨濕度的下降、流場(chǎng)的轉(zhuǎn)變，空氣質(zhì)量有所好轉(zhuǎn)。12日伴隨冷空氣的到來，北京各類監(jiān)測(cè)點(diǎn)的PM2.5質(zhì)量濃度迅速降至20 μg?m-3以下（李珊珊等，2015）。

圖5　PM2.5小波相干圖Fig. 5　Wavelet coherency along PM2.5

2.4氣象因子對(duì)PM2.5的影響

為了探究氣象因子對(duì)PM2.5的影響，本文利用國(guó)控站點(diǎn)包括順義、懷柔、萬(wàn)壽西宮、昌平、東四、天壇、奧體、農(nóng)展館、古城、官園和萬(wàn)柳的PM2.5日均質(zhì)量濃度和北京觀象臺(tái)的氣象數(shù)據(jù)資料，采用小波相關(guān)譜分析了PM2.5與氣象因子的相關(guān)性，結(jié)果如圖5所示。從圖5可知，PM2.5與各氣象因子在3個(gè)尺度（0～20、20～64 d以及＞64 d）上存在不同的相關(guān)關(guān)系。在0～20 d尺度，PM2.5與各氣象因子之間的顯著性不同，其中PM2.5與平均相對(duì)濕度的關(guān)系顯著，箭頭向右，說明PM2.5與平均相對(duì)濕度位相相同，呈正相關(guān)；與平均風(fēng)速和日照時(shí)數(shù)之間較為顯著，箭頭向左，說明PM2.5與其位相相反，呈負(fù)相關(guān)；而與平均氣溫和平均氣壓之間相關(guān)性不顯著。在20～64 d尺度，PM2.5與平均風(fēng)速和相對(duì)濕度的相關(guān)性存在明顯的季節(jié)性，表現(xiàn)為冬春季節(jié)相關(guān)性大于夏秋季節(jié)，這充分表明冬春季節(jié)PM2.5受平均風(fēng)速和濕度的影響較大；與日照時(shí)數(shù)、平均氣壓和平均溫度之間的關(guān)系不顯著。在＞64 d尺度，PM2.5與日照時(shí)數(shù)表現(xiàn)為顯著的相反相位，呈現(xiàn)負(fù)相關(guān)關(guān)系；與相對(duì)濕度表現(xiàn)為顯著的相同相位，呈現(xiàn)正相關(guān)關(guān)系；而與其它氣象因子間的小波相干系數(shù)較小，這表明在大尺度上，平均氣壓、平均溫度和平均風(fēng)速對(duì)PM2.5的影響較小。

3　結(jié)論

（1）利用db6小波對(duì)北京市各類監(jiān)測(cè)點(diǎn)PM2.5質(zhì)量濃度的時(shí)間序列進(jìn)行小波變換，結(jié)果表明2014年北京市5類監(jiān)測(cè)站點(diǎn)均呈現(xiàn)相似的波動(dòng)規(guī)律，1—4月和10—12月波動(dòng)明顯，5—9月較為平穩(wěn)；2月各類監(jiān)測(cè)點(diǎn)的PM2.5質(zhì)量濃度均達(dá)到全年最高值；采暖期南部郊區(qū)評(píng)價(jià)點(diǎn)污染最為嚴(yán)重，非采暖期交通站點(diǎn)的污染最為嚴(yán)重。夏季北京降雨較多，降水的清除作用導(dǎo)致PM2.5質(zhì)量濃度較低；秋冬季節(jié)生物質(zhì)燃燒、采暖以及逆溫頻繁，污染物迅速積累，導(dǎo)致PM2.5質(zhì)量濃度較高。

（2）通過分析小波系數(shù)實(shí)部圖和方差圖可知，5類監(jiān)測(cè)點(diǎn)存在150～200、75～85和40～60 d三類尺度的周期變化規(guī)律，并均以172 d為主周期，除對(duì)照站點(diǎn)外其余站點(diǎn)均以55 d為次周期，次周期與大氣低頻振蕩周期有關(guān)。

（3）對(duì)5類監(jiān)測(cè)點(diǎn)的突變特征的研究結(jié)果表明，秋冬季節(jié)各類監(jiān)測(cè)站點(diǎn)重構(gòu)系數(shù)幅值大的點(diǎn)較多，即突發(fā)事件頻發(fā)，主要與氣象因素和區(qū)域輸送有關(guān)。夏季各站點(diǎn)的重構(gòu)系數(shù)幅值均很小，表明夏季未發(fā)生突變事件。各類監(jiān)測(cè)站點(diǎn)中，南部站點(diǎn)的重構(gòu)系數(shù)幅值較大的點(diǎn)最多，發(fā)生突變事件的頻次高，其次為交通站點(diǎn)，北部站點(diǎn)的重構(gòu)系數(shù)幅值較大的點(diǎn)最少，發(fā)生突變事件頻次低，全年僅發(fā)生5次。

（4）利用小波相關(guān)譜對(duì)PM2.5與氣象因子的相關(guān)性進(jìn)行研究，結(jié)果表明，不同尺度上PM2.5與各氣象因素間的相關(guān)性存在差異。小尺度（0～20 d）上，各氣象因素與PM2.5的相關(guān)性程度依次表現(xiàn)為相對(duì)濕度＞日照時(shí)數(shù)＞平均風(fēng)速＞平均氣壓＞平均溫度；中等尺度（20～64 d）上，PM2.5與平均風(fēng)速和相對(duì)濕度的相關(guān)性存在明顯的季節(jié)性；大尺度（＞64 d）上，PM2.5與相對(duì)濕度和日照時(shí)數(shù)相關(guān)性較好。

CAO C， JIANG W， WANG B， et al. 2014. Inhalable microorganisms in Beijing's PM2.5and PM10pollutants during a severe smog event ［J］. Environmental science & technology， 48（3）: 1499-1507.

CHEN B， LU S， LI S， et al. 2015. Impact of fine particulate fluctuation and other variables on Beijing's air quality index ［J］. Environmental Science and Pollution Research， 22（7）: 5139-5151.

GUO J， HE J， LIU H， et al. 2016. Impact of various emission control schemes on air quality using WRF-Chem during APEC China 2014 ［J］. Atmospheric Environment， 140: 311-319.

HERMIDA L， LóPEZ L， MERINO A， et al. 2015. Hailfall in southwest france: relationship with precipitation， trends and wavelet analysis ［J］. Atmospheric Research， 156: 174-188.

HUANG P， ZHANG J， TANG Y， et al. 2015. Spatial and temporal distribution of PM2.5pollution in Xi'an City， China ［J］. International journal of environmental research and public health， 12（6）: 6608-6625.

KAN H， CHEN R， TONG S. 2012. Ambient air pollution， climate change，and population health in China ［J］. Environment international， 42: 10-19.

LI P， YAN R， YU S， et al. 2015. Reinstate regional transport of PM2.5as a major cause of severe haze in Beijing ［J］. Proceedings of the National Academy of Sciences， 112（21）: 2739-2740.

LI Z， YAN Z， CAO L， et al. 2014. Adjusting inhomogeneous daily temperature variability using wavelet analysis ［J］. International Journal of Climatology， 34（4）: 1196-1207.

MI X， REN H， OUYANG Z， et al. 2005. The use of the Mexican Hat and the Morlet wavelets for detection of ecological patterns ［J］. Plant Ecology， 179（1）: 1-19.

?ZGER M， MISHRA A K， SINGH V P. 2010. Scaling characteristics of precipitation data in conjunction with wavelet analysis ［J］. Journal of Hydrology， 395（3-4）: 279-288.

PU W W， ZHAO X J， ZHANG X L， et al. 2011. Effect of meteorological factors on PM2.5during July to september of Beijing ［J］. Procedia Earth & Planetary Science， 2（4）: 272-277.

RAMíREZ I J， GRADY S C. 2016. El Nino， Climate， and Cholera Associations in Piura， Peru， 1991—2001: A Wavelet Analysis ［J］. Ecohealth， 13（1）: 83-99.

ROHDE R A， MULLER R A. 2015. Air pollution in China: mapping of concentrations and sources ［J］. Plos one， 10（8）: e0135749.

SHAH A， DEO M， KING W. 2015. Correlation and coherence between India and global equity market in time frequency localization through wavelet transformation ［J］. The Indian Journal of Commerce， 68（2）.

SHI M N， WU H C， ZHANG S H， et al. 2014. Weekly cycle of magnetic characteristics of the daily PM2.5and PM2.5-10in Beijing， China ［J］. Atmospheric Environment， 98: 357-367.

TORRENCE C， COMPO G P. 1998. A practical guide to wavelet analysis［J］. Bulletin of the American Meteorological society， 79（1）: 61-78.

TORRENCE C， WEBSTER P J. 1999. Interdecadal changes in the ENSO-monsoon system ［J］. Journal of Climate， 12（8）: 2679-2690.

WANG S， LI G， GONG Z， et al. 2015. Spatial distribution， seasonal variation and regionalization of PM2.5concentrations in China ［J］. Science China Chemistry， 58（9）: 1435-1443.

YANG L， CAI X J， ZHANG H， et al. 2015. Interdependence of foreign exchange markets: a wavelet coherence analysis ［J］. Economic Modelling， 55: 6-14.

YU L. 2013. Characterization and source apportionment of PM2.5in an urban environment in Beijing ［J］. Aerosol & Air Quality Research，13（2）: 574-583.

ZHANG Z， ZHANG Q， JIANG T. 2007. Changing features of extreme precipitation in the Yangtze River basin during 1961—2002 ［J］. Journal of Geographical Sciences， 17（1）: 33-42.

ZHAO S P， YU Y， YIN D Y， et al. 2016. Annual and diurnal variations of gaseous and particulate pollutants in 31 provincial capital cities based on in situ air quality monitoring data from China national environmental monitoring center ［J］. Environmental International， 86: 92-106.

ZHAO X J， ZHANG X L， XU X F， et al. 2009. Seasonal and diurnal variations of ambient PM2.5concentration in urban and ruralenvironments in Beijing ［J］. Atmospheric Environment， 43（18）: 2893-2900.

陳媛， 岑況， NORRA S， 等. 2010. 北京市區(qū)大氣氣溶膠PM2.5污染特征及顆粒物溯源與追蹤分析［J］. 現(xiàn)代地質(zhì)， 24（2）: 345-354.

程念亮， 李云婷， 張大偉， 等. 2015. 2014年10月北京市4次典型空氣重污染過程成因分析［J］. 環(huán)境科學(xué)研究， 28（2）: 163-170.

程念亮， 李云婷， 張大偉，等. 2016. 2014年APEC期間北京市空氣質(zhì)量改善分析［J］. 環(huán)境科學(xué)， 37（1）: 66-73.

馮奇， 吳勝軍， 杜耘， 等. 2011. 基于小波的武漢市PM10空氣污染指數(shù)時(shí)間序列分析［J］. 華中師范大學(xué)學(xué)報(bào): 自然科學(xué)版， 44（4）: 678-685.

胡子梅， 王軍， 陶征楷， 等. 2013. 上海市PM2·5重金屬污染水平與健康風(fēng)險(xiǎn)評(píng)價(jià) ［J］. 環(huán)境科學(xué)學(xué)報(bào)， 33（12）: 3399-3406.

黃雯， 王旗. 2012. 大氣顆粒物化學(xué)成分與健康效應(yīng)的關(guān)系及其機(jī)制的研究進(jìn)展［J］. 衛(wèi)生研究， 41（2）: 323-327.

李令軍， 王占山， 張大偉， 等. 2016. 2013—2014年北京大氣重污染特征研究［J］. 中國(guó)環(huán)境科學(xué)， 36（1）: 27-35.

李珊珊， 程念亮， 徐峻， 等. 2015. 2014年京津冀地區(qū)PM2.5濃度時(shí)空分布及來源模擬［J］. 中國(guó)環(huán)境科學(xué)， 35（10）: 2908-2916.

馬躍先， 孫明明， 張杰， 等. 2015. 小波分析在鄭州市供暖期PM2.5濃度相關(guān)性分析中的應(yīng)用［J］. 環(huán)境工程學(xué)報(bào)， 9（8）: 3960-3964.

桑燕芳， 王中根， 劉昌明. 2013. 小波分析方法在水文學(xué)研究中的應(yīng)用現(xiàn)狀及展望［J］. 地理科學(xué)進(jìn)展， 9（9）: 1413-1422.

宋艷玲， 鄭水紅， 柳艷菊， 等. 2005. 2000—2002年北京市城市大氣污染特征分析［J］. 應(yīng)用氣象學(xué)報(bào)， 16（增刊）: 116-122.

宋宇， 唐孝炎， 張遠(yuǎn)航， 等. 2002. 夏季持續(xù)高溫天氣對(duì)北京市大氣細(xì)粒子（PM2.5）的影響［J］. 環(huán)境科學(xué)， 23（4）: 33-36.

孫杰， 高慶先， 周鎖銓. 2007. 2002年北京PM10時(shí)間序列及其成因分析［J］.環(huán)境科學(xué)研究， 20（6）: 83-86.

唐玉翔， 黃平， 錢新明， 等. 2015. 西安市PM2.5污染的時(shí)空分布［J］. 安全與環(huán)境學(xué)報(bào)， 15（4）: 368-373.

王海暢， 吳澤邦， 周景博， 等. 2015. 北京上甸子站PM2.5濃度與氣象要素關(guān)系分析［J］. 氣象與環(huán)境學(xué)報(bào)， 31（5）: 99-104.

王海鵬， 張斌， 劉祖涵， 等. 2011. 基于小波變換的蘭州市近十年空氣污染指數(shù)變化［J］. 環(huán)境科學(xué)學(xué)報(bào)， 31（5）: 1070-1076.

王志娟， 韓力慧， 陳旭鋒， 等. 2012. 北京典型污染過程PM2.5的特性和來源［J］. 安全與環(huán)境學(xué)報(bào)， 12（5）: 122-126.

謝元博， 陳娟， 李巍. 2014. 霧霾重污染期間北京居民對(duì)高濃度PM2.5持續(xù)暴露的健康風(fēng)險(xiǎn)及其損害價(jià)值評(píng)估［J］. 環(huán)境科學(xué)， 35（1）: 1-8.

楊孝文， 周穎， 程水源， 等. 2016. 北京冬季一次重污染過程的污染特征及成因分析［J］. 中國(guó)環(huán)境科學(xué)， 36（3）: 679-686.

朱希安， 金聲震， 寧書年， 等. 2003. 小波分析的應(yīng)用現(xiàn)狀及展望［J］. 煤田地質(zhì)與勘探， 31（2）: 51-55.

Temporal and Spatial Characteristic and Factors Analysis of PM2.5on the Basis of Wavelet Transformation in Beijing

SUN Chunyuan1， LI Lingjun2*， ZHAO Wenji1， ZHAO Jiayin3
1. Resources， Environment and Geographic Information System Key Laboratory of Beijing， Capital Normal University， Beijing 100048， China；2. Beijing Municipal Environment Monitoring Center， Beijing 100048， China；3. College of Environmental Sciences and Engineering， Peking University， Beijing 100871， China

Based on wavelet analysis， we discussed time series feature， primary period and the jump features of PM2.5in each monitoring station in Beijing by collected PM2.5mass concentration data. In combination of meteorological data， the meteorological factors effect on PM2.5was also analyzed through Wavelet coherence spectrum. The results showed that: the variation of average mass concentration of PM2.5in each monitoring station presented a similar fluctuate-steady-fluctuate variation trend. Those two fluctuation periods were from January to April and from October to December. They both had the same dominant period （172 d）. During the heating period， PM2.5concentrations in south stations were the highest. However， once the heating period was over， the concentrations in transportation stations exceeded those of south stations and became the highest. The sudden incident had low frequency in spring and summer while it was high in autumn and winter， and this was in collection with heavy pollution. What's more， it did not happen in the summer. The concentrations of all five types of monitoring stations are high in the south and low in the north. Southern area of Beijing had the highest frequency of sudden incident as it was seriously polluting and part of it contaminating heavily， and was the main path of regional transmission. The pollution level was lowest in the north and its frequency was also the least， whose pollution situation of transportation spot stood out in the urban zone. In addition， meteorological factors had a huge effect on the concentration of PM2.5: the correlation between PM2.5and relative humidity was the most outstanding in small scale（0～20 d）. Such relation was limited by average wind speed and relative humidity in medium scale （20～64 d）， and seasonal variation was also obvious. The correlations between PM2.5and sunshine duration， relative humidity were all significant in large scale （＞64 d）.

wavelet analysis； spatial-temporal characteristics； time series； mutation features； wavelet coherence

10.16258/j.cnki.1674-5906.2016.08.013

X51

A

1674-5906（2016）08-1343-08

國(guó)家青年科學(xué)基金項(xiàng)目（41201404）；北京市自然科學(xué)基金項(xiàng)目（8133051）；國(guó)家基礎(chǔ)測(cè)繪基金項(xiàng)目（2011A2001）；博士點(diǎn)基金項(xiàng)目（20111102110004）

孫春媛（1991年生），女（蒙古族），碩士研究生，主要研究方向?yàn)镚IS在環(huán)境監(jiān)測(cè)中的應(yīng)用。E-mail: cysun0419@126.com

。李令軍，E-mail: lilj2000@126.com

2016-06-23

引用格式：孫春媛， 李令軍， 趙文吉， 趙佳茵. 基于小波變換的北京市PM2.5時(shí)空分布特征及成因分析［J］. 生態(tài)環(huán)境學(xué)報(bào)， 2016，25（8）: 1343-1350.