蘭州市PM2.5的時(shí)空特征及氣象因素分析

袁慎

摘 要：針對(duì)日益嚴(yán)重的PM2.5污染問(wèn)題，首先對(duì)PM2.5濃度的時(shí)空分布特征進(jìn)行統(tǒng)計(jì)描述及相關(guān)性分析;其次以采暖期和非采暖期為界，分別對(duì)五個(gè)監(jiān)測(cè)區(qū)域建立PM2.5濃度與溫度、氣壓、風(fēng)速的VAR模型;最后進(jìn)行模型的平穩(wěn)性檢驗(yàn)。結(jié)果表明，PM2.5日均濃度狀況良好，呈現(xiàn)冬季>秋季>春季>夏季的趨勢(shì)，采暖期較之非采暖期PM2.5濃度更高，主城區(qū)受城市效應(yīng)的影響污染更為嚴(yán)重。同時(shí)，在不同監(jiān)測(cè)區(qū)域、不同時(shí)段之間，濕度、氣壓和風(fēng)速對(duì)PM2.5濃度的沖擊響應(yīng)和貢獻(xiàn)度，也表現(xiàn)出明顯的區(qū)域和時(shí)間差異。

關(guān)鍵詞：PM2.5濃度;時(shí)間特征;空間特征;VAR模型

中圖分類號(hào)：X513? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2020）04-0119-03

引言

日趨嚴(yán)重的PM2.5問(wèn)題對(duì)資源環(huán)境、人類健康以及大氣能見(jiàn)度都產(chǎn)生了日益巨大的威脅[1]，受到了社會(huì)各界的廣泛關(guān)注，眾多學(xué)者也對(duì)我國(guó)各城市PM2.5狀況進(jìn)行了大量不同角度的研究。從全國(guó)范圍來(lái)看，羅琳[2]（2017）研究了空氣污染在各省會(huì)城市的分布特征和變化趨勢(shì)，反映了我國(guó)環(huán)境空氣質(zhì)量的時(shí)空分布現(xiàn)狀，為防治空氣污染提供合理的科學(xué)依據(jù)。對(duì)于我國(guó)中東部地區(qū)城市，楊興川等（2017）從空間格局、季節(jié)變化、日變化規(guī)律方面探討了PM2.5的時(shí)空分布特征及其氣象因素關(guān)系，為京津冀地區(qū)PM2.5的污染防治工作提供依據(jù)[3]。陳強(qiáng)等（2015）對(duì)鄭州市的PM2.5濃度時(shí)空分布特征進(jìn)行分析，建立人工神經(jīng)網(wǎng)絡(luò)反向傳播算法模型用于對(duì)鄭州市PM2.5的短期預(yù)測(cè)[4]。對(duì)于南方城市PM2.5濃度的研究，鄭龍超、何平等（2017）詳細(xì)分析PM2.5與氣壓、相對(duì)濕度、溫度、降水量、風(fēng)速、日均日照的相關(guān)性，為廣大民眾規(guī)避細(xì)顆粒物污染提供了參考依據(jù)[5]。湯羹、馬憲國(guó)（2016）統(tǒng)計(jì)PM2.5等大氣污染物的月平均質(zhì)量濃度和氣象條件，分析與氣象因素的相關(guān)性，為上海市治理空氣污染提供了參考[6]。

近年學(xué)者的研究多注重于京津翼等發(fā)展程度高的區(qū)域，而有著“蘭州藍(lán)”之稱的蘭州，作為中國(guó)西北地區(qū)重要的工業(yè)地區(qū)和綜合交通樞紐，霧霾污染問(wèn)題尤為突出，但對(duì)蘭州市PM2.5污染狀況的研究文獻(xiàn)卻寥寥無(wú)幾，有的也局限于蘭州主城區(qū)大氣PM2.5污染特征及來(lái)源解析[7]，并未針對(duì)蘭州全市進(jìn)行過(guò)建模分析方面的討論。通過(guò)2017年6月1日至2018年5月31日蘭州市5個(gè)監(jiān)測(cè)點(diǎn)PM2.5濃度和氣象因素的逐日數(shù)據(jù)，從時(shí)間和空間上對(duì)蘭州市的PM2.5濃度和氣象因素進(jìn)行時(shí)空特征分析與向量自回歸建模，可以全面分析PM2.5濃度和氣象因素的相互作用關(guān)系，對(duì)于蘭州市氣象質(zhì)量的監(jiān)測(cè)、預(yù)警以及污染防治具有指導(dǎo)性的意義。

一、PM2.5的時(shí)空分布特征

（一）PM2.5水平現(xiàn)狀

PM2.5作為霧霾形成的重要因素，是我國(guó)多數(shù)城市的首要污染物?；诳煞治龅囊荒陻?shù)據(jù)集來(lái)看，榆中蘭大校區(qū)約有349天空氣質(zhì)量表現(xiàn)優(yōu)良，其空氣質(zhì)量表現(xiàn)在5個(gè)監(jiān)測(cè)站中是最優(yōu)的。

表1顯示，以PM2.5濃度小于75μg/m3（良好）為標(biāo)準(zhǔn)，其中蘭煉賓館超標(biāo)天數(shù)最高達(dá)到98天，超標(biāo)比例達(dá)26.85%。榆中蘭大校區(qū)超標(biāo)天數(shù)最少僅15天，占全年的4%。由于兩地所處位置不同，榆中蘭大校區(qū)位于城區(qū)之外，受城市環(huán)境污染等因素影響較小，所以污染較輕;而蘭煉賓館則位于西固區(qū)市中心，人類活動(dòng)頻繁，導(dǎo)致主城區(qū)污染較為嚴(yán)重。其他三個(gè)地區(qū)污染相對(duì)蘭煉賓館較小，但仍不能放松對(duì)環(huán)境污染的治理工作。

（二）PM2.5月際變化特征

從蘭州市五個(gè)監(jiān)測(cè)點(diǎn)逐月的PM2.5濃度數(shù)據(jù)來(lái)看，5個(gè)監(jiān)測(cè)點(diǎn)PM2.5的濃度整體集中于40～100μg/m3之間，大多數(shù)月份PM2.5為良、輕度和中度污染，10月至次年2月的污染較高，即冬季采暖期的污染較為嚴(yán)重。5個(gè)地區(qū)中，榆中蘭大校區(qū)數(shù)據(jù)分布最為集中且表現(xiàn)穩(wěn)定，PM2.5濃度基本在25～75μg/m3之間，其原因可歸結(jié)于監(jiān)測(cè)區(qū)域較大的綠化和水體面積。其余4個(gè)監(jiān)測(cè)地區(qū)數(shù)據(jù)波動(dòng)較大，說(shuō)明在春秋季節(jié)，降雨、沙塵等氣候變化會(huì)影響PM2.5濃度的明顯波動(dòng)。值得注意的是，蘭煉賓館的PM2.5濃度在1月26日時(shí)PM2.5濃度高達(dá)319μg/m3，嚴(yán)重超標(biāo)，歸因于當(dāng)天的沙塵天氣的影響，可見(jiàn)蘭煉賓館區(qū)域的污染的相對(duì)嚴(yán)重性。

（三）PM2.5季節(jié)性變化特征

蘭州市5個(gè)監(jiān)測(cè)點(diǎn)PM2.5濃度的季均值、月均值均呈同步變化，且變化規(guī)律基本一致。其中，PM2.5均值的季節(jié)變化特征為：冬季>秋季>春季>夏季。究其原因：一是冬季時(shí)北方進(jìn)入采暖季，各污染物排放量增多導(dǎo)致PM2.5濃度較高;二是春節(jié)期間燃放煙花爆竹會(huì)產(chǎn)生大量的顆粒物，從而影響空氣質(zhì)量;三是冬季天氣的氣流非常穩(wěn)定，大氣垂直擴(kuò)散條件較差，容易形成逆溫效應(yīng)，不利于PM2.5擴(kuò)散和降解。而夏季大氣垂直擴(kuò)散條件較好，并且多雨水且大雨前后伴隨著大風(fēng)，使空氣中的PM2.5容易得到稀釋和沖刷，因此夏季PM2.5濃度較低。

（四）PM2.5與氣象因素的相關(guān)性

為準(zhǔn)確地描述變量之間的線性相關(guān)程度，可計(jì)算溫度、相對(duì)濕度、海平面氣壓和風(fēng)速與PM2.5濃度之間的相關(guān)系數(shù)。其中，PM2.5濃度與溫度之間的相關(guān)系數(shù)為-0.485，即溫度與PM2.5之間有負(fù)相關(guān)關(guān)系，當(dāng)溫度高時(shí)，PM2.5濃度也較小。同樣的，相對(duì)濕度與PM2.5的相關(guān)系數(shù)為-0.221，存在較弱的負(fù)相關(guān)關(guān)系。海平面氣壓與PM2.5濃度的相關(guān)系數(shù)為0.13，有較弱的正相關(guān)關(guān)系。無(wú)論何種氣壓下，PM2.5濃度變化并不明顯，都集中分布在20～70μg/m3。結(jié)合蘭州市實(shí)際情況可以看出，風(fēng)速與PM2.5濃度相關(guān)性較低，相關(guān)系數(shù)僅為0.021，最不顯著。

二、向量自回歸（VAR）模型構(gòu)建

（一）模型概念及建模目的

向量自回歸（VAR）模型是由C.A.Sims提出的一種用非結(jié)構(gòu)性模型，通過(guò)VAR模型可對(duì)蘭州市PM2.5濃度及其氣象因素各項(xiàng)指標(biāo)進(jìn)行實(shí)證分析，將單變量自回歸模型推廣到由多元時(shí)間序列變量組成的“向量”自回歸模型，研究PM2.5濃度與相對(duì)濕度、海平面氣壓、風(fēng)速之間的互動(dòng)關(guān)系，其VAR模型如式（1）所示：

（二）單位根檢驗(yàn)及滯后階數(shù)的選擇

為了更好地建立VAR模型，避免導(dǎo)致偽回歸問(wèn)題，因此要對(duì)各因素進(jìn)行平穩(wěn)性檢驗(yàn)。結(jié)合ADF檢驗(yàn)的三個(gè)檢驗(yàn)式可明顯得出結(jié)論：PM2.5濃度（Yi）與相對(duì)濕度（X1）、海平面氣壓（X2）和風(fēng)速（X3）均是平穩(wěn)序列，而溫度（X4）變量不平穩(wěn)，暫不考慮進(jìn)模型。對(duì)于VAR模型的滯后階數(shù)的選擇，由EViews運(yùn)行結(jié)果得知，5個(gè)監(jiān)測(cè)區(qū)采暖期滯后階數(shù)均為2，非采暖期除榆中蘭大校區(qū)滯后階數(shù)為2，其余地區(qū)均為1階滯后。每個(gè)監(jiān)測(cè)區(qū)域需建立的VAR模型都是基于4個(gè)變量：PM2.5濃度（Yi）與相對(duì)濕度（X1）、海平面氣壓（X2）、風(fēng)速（X3）、溫度（X4），最大滯后期p=2，則每個(gè)監(jiān)測(cè)區(qū)域最多有2×16=32個(gè)參數(shù)需要估計(jì)。

（三）基于采暖期和非采暖期日數(shù)據(jù)的VAR模型

已知模型的滯后階數(shù)p=2，且PM2.5濃度（Yi）與相對(duì)濕度（X1）、海平面氣壓（X2）、風(fēng)速（X3）、溫度（X4）四項(xiàng)變量均為平穩(wěn)序列，滿足建立無(wú)約束的VAR模型條件。由此根據(jù)式（1）對(duì)Yi與X1，X2，X3建立VAR模型，估計(jì)結(jié)果如表2所示，顯示了職工醫(yī)院（Y1）、蘭煉賓館（Y2）、榆中蘭大校區(qū)（Y3）、鐵路設(shè)計(jì)院（Y4）和生物制品所（Y5）采暖期和非采暖期的10個(gè)VAR模型，表2中的數(shù)據(jù)為各項(xiàng)變量系數(shù)，表2中首行變量分別為滯后1期和滯后2期的PM2.5濃度（Yt-1，Yt-2）、相對(duì)濕度（X1，t-1，X1，t-2）、海平面氣壓（X2，t-1，X2，t-2）和風(fēng)速（X3，t-1，X3，t-2），c為常數(shù)項(xiàng)，“-”表示值為空值。

從采暖時(shí)期方面來(lái)看，無(wú)論采暖期還是非采暖期，PM2.5濃度均受前一期的影響較大。在采暖期即溫度相對(duì)較低時(shí)，濕度在滯后1期時(shí)，系數(shù)為正，除榆中蘭大校區(qū)外均略大于非采暖期，在滯后2期時(shí)表現(xiàn)為弱的反向變動(dòng)關(guān)系;采暖期時(shí)氣壓和風(fēng)速的系數(shù)均明顯大于非采暖期，說(shuō)明二者對(duì)PM2.5濃度的影響程度更高，除榆中蘭大校區(qū)氣壓影響程度較低外，PM2.5受氣壓的影響比濕度和風(fēng)速更為顯著正相關(guān);風(fēng)速對(duì)PM2.5濃度的影響程度表現(xiàn)出明顯的區(qū)域和滯后期的差異性，滯后1期時(shí)職工醫(yī)院、蘭煉賓館區(qū)域和滯后2期全部區(qū)域系數(shù)為負(fù)，表現(xiàn)為反向變動(dòng)關(guān)系。在非采暖期時(shí)，榆中蘭大校區(qū)同樣表現(xiàn)為與其他區(qū)域的不同，其PM2.5濃度受滯后2期影響顯著，而其他4個(gè)區(qū)域僅受滯后1期的影響，除職工醫(yī)院受風(fēng)速影響為負(fù)外，均為正影響，且氣壓為主要的影響因素。

從監(jiān)測(cè)區(qū)域方面來(lái)看，PM2.5濃度同樣與前一期的PM2.5濃度均有較大的聯(lián)系，且為正相關(guān)。職工醫(yī)院區(qū)域，影響PM2.5濃度的主要?dú)庀髼l件是氣壓;蘭煉賓館區(qū)域，滯后1期的PM2.5濃度的影響力度明顯大于滯后2期;榆中蘭大校區(qū)，氣壓和風(fēng)速作為影響PM2.5濃度的主要因素，相比其他監(jiān)測(cè)地區(qū)影響力度較小;該地區(qū)的滯后1期的氣壓與PM2.5呈反向相關(guān)關(guān)系，且影響力弱于滯后2期的氣壓影響力。另一方面，風(fēng)速對(duì)于PM2.5濃度整體表現(xiàn)為負(fù)向影響，特別是滯后2期的風(fēng)速對(duì)于PM2.5的濃度影響較大;鐵路設(shè)計(jì)院區(qū)域，氣壓仍為主要影響因素，特別在采暖期時(shí)系數(shù)較大，表現(xiàn)出對(duì)PM2.5濃度的強(qiáng)影響作用;生物制品所區(qū)域，與滯后1期的相對(duì)濕度（X1，t-1）呈正相關(guān)關(guān)系，風(fēng)速在采暖期和非采暖期均表現(xiàn)出較強(qiáng)的影響力，說(shuō)明對(duì)流強(qiáng)度有利于空氣中的污染物成分的消散，可幫助提升空氣質(zhì)量。

（四）模型平穩(wěn)性檢驗(yàn)

在對(duì)PM2.5濃度（Yi）與相對(duì)濕度（X1）、海平面氣壓（X2）、風(fēng)速（X3）進(jìn)行VAR模型估計(jì)后，還需對(duì)模型進(jìn)行平穩(wěn)性檢驗(yàn)和殘差的獨(dú)立性檢驗(yàn)，以此判斷模型是否有效。由EViews進(jìn)行各監(jiān)測(cè)區(qū)采暖期和非采暖期的AR根檢驗(yàn)可以得出，AR特征方程的特征根的倒數(shù)絕對(duì)值小于1，該VAR模型系數(shù)收斂且存在長(zhǎng)期穩(wěn)定有效，不會(huì)影響響應(yīng)沖擊函數(shù)的標(biāo)準(zhǔn)差。

三、結(jié)論與建議

（一）結(jié)論

通過(guò)觀測(cè)分析蘭州市2017—2018年5個(gè)監(jiān)測(cè)地區(qū)的PM2.5濃度日數(shù)據(jù)和氣象數(shù)據(jù)，對(duì)PM2.5的時(shí)空分布特征及其氣象影響因素進(jìn)行分析，得出以下結(jié)論。

從PM2.5的時(shí)間分布來(lái)看，蘭州市PM2.5污染有較明顯的時(shí)間變化規(guī)律。蘭州市日均PM2.5濃度在34.57～66.26μg/m3之間，PM2.5達(dá)標(biāo)比例為16.20%;季節(jié)上，污染程度依次為冬季>秋季>春季>夏季;月份上，PM2.5在10月至次年2月的污染較為嚴(yán)重，在其他月份PM2.5為良、輕度污染且表現(xiàn)較平穩(wěn)。尤其是采暖期，溫度較高時(shí)，PM2.5濃度的明顯升高導(dǎo)致空氣質(zhì)量的惡化。從PM2.5的空間分布來(lái)看，PM2.5的濃度分布差異較小，主要?jiǎng)澐譃閮纱箢?，以榆中蘭大校區(qū)為首連同職工醫(yī)院、生物制品所3個(gè)地區(qū)是PM2.5低污染區(qū)，優(yōu)良天氣居多;而蘭煉賓館和鐵路設(shè)計(jì)院兩個(gè)主城區(qū)受城市效應(yīng)的影響較大，導(dǎo)致PM2.5污染情況較為嚴(yán)重。

（二）建議

PM2.5濃度與降雨量有關(guān)，在干燥少雨的季節(jié)應(yīng)當(dāng)重點(diǎn)增加空氣濕度，可增派道路灑水車定時(shí)段工作，必要時(shí)還可通過(guò)人工降雨來(lái)增加空氣濕度，以此減少PM2.5污染物的濃度。一方面，通過(guò)提前做好冬季期間的空氣質(zhì)量變化動(dòng)向的分析預(yù)測(cè)工作，提前做出關(guān)于空氣質(zhì)量整改的可行方案;另一方面，要做好春節(jié)期間煙花爆竹的管控工作。由于蘭煉賓館、職工醫(yī)院和鐵路設(shè)計(jì)院在采暖期污染較為嚴(yán)重，該地區(qū)即人口密集居住地區(qū)應(yīng)嚴(yán)禁燃放煙花爆竹，對(duì)各住宅小區(qū)加強(qiáng)日常監(jiān)管。

蘭州比南方污染更為嚴(yán)重，一是由于氣候因素，二是綠化面積低于南方。因此，可適當(dāng)增加種植抗旱植被，在蘭州市南北兩山綠化區(qū)的基礎(chǔ)上，進(jìn)一步完善人工森林生態(tài)體系，豐富綠化樹(shù)木的數(shù)量和種類，建立生態(tài)屏障來(lái)改善蘭州市內(nèi)的“小氣候”。同時(shí)，加強(qiáng)監(jiān)管簽訂綠化合同合約簽訂情況，鼓勵(lì)農(nóng)戶或個(gè)人承包綠化，完善城市的綠化建設(shè)管理工作，可長(zhǎng)期有效地減少PM2.5污染問(wèn)題。

參考文獻(xiàn)：

[1]? 國(guó)家環(huán)保總局.GB3095-2012環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)[S].北京：國(guó)家環(huán)?？偩?，2012.

[2]? 羅琳.我國(guó)31個(gè)省會(huì)城市空氣質(zhì)量指數(shù)的分布特征及其與氣象因素的關(guān)系[D].重慶醫(yī)科大學(xué)，2017.

[3]? 楊興川，趙文吉，熊秋林，等.2016年京津冀地區(qū)PM_（2.5）時(shí)空分布特征及其與氣象因素的關(guān)系[J].生態(tài)環(huán)境學(xué)報(bào)，2017，（10）.

[4]? 陳強(qiáng)，梅琨，朱慧敏，蔡賢雷，張明華.鄭州市PM_（2.5）濃度時(shí)空分布特征及預(yù)測(cè)模型研究[J].中國(guó)環(huán)境監(jiān)測(cè)，2015，（3）.

[5]? 鄭龍超，何平，張愛(ài)華.貴陽(yáng)市大氣PM_（2.5）質(zhì)量濃度分布及其與氣象因素的相關(guān)性分析[J].職業(yè)與健康，2017，（2）.

[6]? 湯羹，馬憲國(guó).上海氣象因素對(duì)PM_（2.5）等大氣污染物濃度的影響[J].能源研究與信息，2016，（2）.

[7]? 王新，聶燕，陳紅，等.蘭州城區(qū)大氣PM_（2.5）污染特征及來(lái)源解析[J].環(huán)境科學(xué)，2016，（5）.

Analysis of Space-time Characteristics and Meteorological Factors of PM2.5in Lanzhou City

YUAN Shen

（Department of Statistics; Lanzhou University of Finance and Economics，Lanzhou 730101，China）

Abstract：Aiming at the increasingly serious PM2.5 pollution problem，the statistical description and correlation analysis of the spatial-temporal distribution characteristics of PM2.5 concentration were first performed. Second，PM2.5 was established for each of the five monitoring areas with heating and non-heating periods as the boundaries. VAR model of concentration and temperature，air pressure，and wind speed; Finally，the stationarity test of the model is performed. It is concluded that the daily average concentration of PM2.5 is good，showing winter>autumn>spring>summer，the PM2.5 concentration is higher in the heating period than in the non-heating period，and the main urban area is more polluted by the urban effect; and The impact response and contribution of humidity，air pressure，and wind speed to the concentration of PM2.5 between different monitoring areas and different time periods also show obvious regional and time differences.

Key words：PM2.5 concentration;impulse response;variance decomposition;VAR model