PM2.5質(zhì)量濃度的時(shí)間滯后效應(yīng)與氣象因素的關(guān)系1)
——以山東省6個(gè)沿海城市為例

佟敏 趙藝

(東北林業(yè)大學(xué)，哈爾濱，150040) (哈爾濱市建筑設(shè)計(jì)院)

近幾年來，關(guān)于PM2.5質(zhì)量濃度與氣象因素的關(guān)系成為了研究的熱點(diǎn)，取得的共識(shí)是氣壓、相對濕度、氣溫、風(fēng)速、降水等因素均會(huì)對PM2.5的質(zhì)量濃度產(chǎn)生一定程度的影響[1-5]。已有研究成果闡述了PM2.5質(zhì)量濃度與降水量之間的內(nèi)在聯(lián)系，認(rèn)為：連續(xù)性降水對大氣顆粒物的去除有明顯效果[6-7]；降水對PM2.5具有清除作用，降水強(qiáng)度越大，對PM2.5清除效率越高[8-10]；降雨對PM2.5的濕清除作用明顯，降雨日的PM2.5質(zhì)量濃度較非降雨日平均降低約30%，在污染季節(jié)降低更加顯著(約50%)[11]；短時(shí)強(qiáng)降水更有利于清除直徑小于2.2 μm的顆粒物，而長時(shí)間的弱降水更有利于清除直徑大于2.2 μm的顆粒物[12]。但也有研究者對降水總量、小時(shí)最大降水量、降水持續(xù)時(shí)間與顆粒物質(zhì)量濃度之間關(guān)系進(jìn)行研究，認(rèn)為：在降水量為1.5 mm以下的降水過程中，無論顆粒物質(zhì)量濃度高低，清除效果均不明顯，甚至?xí)?dǎo)致PM2.5質(zhì)量濃度的升高，加重污染；而總降水量為0.3～0.7 mm的降水中，PM10清除效果明顯，但PM2.5質(zhì)量濃度仍有顯著增長，降水過程對于揚(yáng)塵等大粒徑顆粒物具有一定的濕沉降效果，仍是清除揚(yáng)塵、沙塵等大粒徑顆粒物的一種有效方式；但由降水造成的濕度上升，宥于降水程度的強(qiáng)弱，依然會(huì)引起二次氣溶膠等細(xì)顆粒物迅速增長，不足以達(dá)到濕沉降的作用[13]。

關(guān)于時(shí)間的滯后效應(yīng)，研究者們在多個(gè)領(lǐng)域進(jìn)行了探討，并取得共識(shí)：無論是在自然活動(dòng)中，還是經(jīng)濟(jì)運(yùn)行過程中，時(shí)間滯后效應(yīng)的存在都是普遍的[14-15]，對PM2.5質(zhì)量濃度滯后效應(yīng)的分析多見于對人們健康的影響[16]。也有研究從當(dāng)期PM2.5質(zhì)量濃度對滯后期PM2.5質(zhì)量濃度影響的角度分析PM2.5質(zhì)量濃度的持續(xù)性[17]；或從經(jīng)濟(jì)角度解讀經(jīng)濟(jì)活動(dòng)對PM2.5質(zhì)量濃度的影響[18]。在研究方法上，使用了因子分析、廣義相加模型、系統(tǒng)矩估計(jì)方法(SYS-GMM)、三階段最小二乘法(3SLS)等眾多方法。李三等[19]綜合運(yùn)用靜態(tài)時(shí)空二維模型和動(dòng)態(tài)時(shí)空二維回歸模型，分析了森林覆蓋率等影響因素與PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)的關(guān)系。綜合以往的研究成果，多是利用數(shù)據(jù)分析而得到定性結(jié)論，但定量分析較少、關(guān)于PM2.5質(zhì)量濃度的滯后效應(yīng)與氣象因素之間關(guān)系的研究較少。為此，本研究于2019年5月1日到2020年4月30日，以山東省6個(gè)沿海城市(青島、煙臺(tái)、日照、濰坊、東營、濱州)為研究對象，借鑒張一等[20]的聚類結(jié)果及評價(jià)指標(biāo)體系，依據(jù)降水量、空氣污染程度將6個(gè)城市劃分為兩類，第Ⅰ類為降水較多空氣污染相對較輕的青島、煙臺(tái)、日照，第Ⅱ類為降水較少空氣污染相對嚴(yán)重的濰坊、東營、濱州；根據(jù)動(dòng)態(tài)時(shí)空二維模型的原理，利用24 090個(gè)數(shù)據(jù)，建立了兩類區(qū)域的靜態(tài)時(shí)空二維模型、動(dòng)態(tài)時(shí)空二維模型；依據(jù)模型及通徑分析原理，量化分析了PM2.5質(zhì)量濃度滯后效應(yīng)與5個(gè)氣象因素(氣壓、相對濕度、氣溫、風(fēng)速、降水量)的關(guān)系。旨在為沿海城市更好地掌握PM2.5質(zhì)量濃度的變化規(guī)律、保護(hù)大氣環(huán)境和居民健康提供參考。

1 研究區(qū)域概況

山東省位于北緯34°22.9′～38°24.01′、東經(jīng)114°47.5′～122°42.3′，是中國東部的沿海省份。東面毗鄰渤海與黃海，北接京津冀三地；其境內(nèi)有淮河、黃河、海河、小清河、膠東五大水系，屬典型的暖溫帶季風(fēng)性氣候。降水豐富且分布不均勻，主要集中在夏季，并由東南沿海向西北內(nèi)陸呈逐漸減少趨勢；雨熱同期，光照充足，農(nóng)作物一年兩作。在行政區(qū)劃上共轄16個(gè)地級市，沿海城市主要包括濱州、東營、濰坊、威海、煙臺(tái)、青島、日照7個(gè)城市。7個(gè)沿海城市雖然較內(nèi)陸有更好的氣象擴(kuò)散條件，但近年來霧霾天氣頻發(fā)，大氣污染問題也成為人們關(guān)注的熱點(diǎn)。

由于威海市相關(guān)數(shù)據(jù)缺失，本研究區(qū)域限定為6個(gè)城市。依據(jù)降水量、空氣污染程度將6個(gè)城市劃分為兩類，第Ⅰ類為降水較多空氣污染相對較輕的青島、煙臺(tái)、日照，第Ⅱ類為降水較少空氣污染相對嚴(yán)重的濰坊、東營、濱州。

2 研究方法

本研究依托黑龍江省自然科學(xué)基金項(xiàng)目(G201601)，取得了中國氣象數(shù)據(jù)網(wǎng)2019年5月1日到2020年4月30日的使用權(quán)，獲得了同期氣壓(PRS)、相對濕度(RHU)、氣溫(TEM)、風(fēng)速(WIN)、降水量(PRE)日平均監(jiān)測數(shù)據(jù)；所需PM2.5、PM10、SO2、CO、NO2、臭氧8 h(O3_8 h)6個(gè)空氣污染物濃度的日平均數(shù)據(jù)，來自于中國空氣質(zhì)量平臺(tái)；對于個(gè)別缺失的數(shù)據(jù)，使用相鄰日期數(shù)據(jù)的平均值進(jìn)行了添補(bǔ)；本研究可用數(shù)據(jù)共24 090個(gè)。

在分析中采用動(dòng)、靜態(tài)時(shí)空二維模型。與純時(shí)間序列和橫截面分析相比，其具有以下優(yōu)點(diǎn)：①表現(xiàn)更大的變異信息；②變量間具有更弱的共線性；③具有更大的自由度和更高的估計(jì)有效性；④容易避免多重共線性。其中混合回歸模型的一般形式為yit=a+βxit+εit，i=1、2、…、N，t=1、2、…、T；動(dòng)態(tài)時(shí)空二維模型的一般形式為yit=γyi,t-1+∑kβkxkit+ξi+uit，k=1、2、…、K；式中的yit為評價(jià)指標(biāo)、yi,t-1為滯后1 d的評價(jià)指標(biāo)、xkit為影響因素、ξi為個(gè)體效應(yīng)、uit為隨機(jī)誤差項(xiàng)。

3 結(jié)果與分析

3.1 空氣污染物與氣象因素?cái)?shù)據(jù)的平穩(wěn)性檢驗(yàn)

為了避免虛假回歸，時(shí)空二維數(shù)據(jù)模型在回歸之前需要驗(yàn)證其平穩(wěn)性，主要采用單位根檢驗(yàn)方法。具體分為兩大類：針對同質(zhì)時(shí)空二維假設(shè)的LLC(Levin-Lin-Chu)、B-t(Breintung)檢驗(yàn)方法；針對異質(zhì)時(shí)空二維假設(shè)的IPS(Im-Pesaran-Shin)、ADF-Fisher(Augmented-Dickey-Fuller-Fisher)、PP-Fisher(Phillips-Perron-Fisher)檢驗(yàn)方法。檢驗(yàn)結(jié)果顯示，兩類城市的空氣污染物和氣象因素的相關(guān)數(shù)據(jù)均通過了10%的顯著性檢驗(yàn)，故均為平穩(wěn)序列。

3.2 部分空氣污染物、氣象因素與PM2.5質(zhì)量濃度的相關(guān)性

利用2019年5月1日到2020年4月30日期間，6個(gè)沿海城市PM2.5日均質(zhì)量濃度、部分空氣污染物質(zhì)量濃度及氣象因素的數(shù)據(jù)進(jìn)行相關(guān)性分析(見表1)。由表1可見：兩類城市的降水與PM2.5日均質(zhì)量濃度呈負(fù)相關(guān)，說明降水對PM2.5的質(zhì)量濃度的影響，總體趨勢是抑制PM2.5質(zhì)量濃度的升高，這一結(jié)果與相關(guān)文獻(xiàn)[3，8]的研究結(jié)果相近；氣溫、風(fēng)速與PM2.5的質(zhì)量濃度呈負(fù)相關(guān)，說明氣溫、風(fēng)速對PM2.5質(zhì)量濃度的影響，總體趨勢是抑制PM2.5質(zhì)量濃度的升高；氣壓、相對濕度與PM2.5的質(zhì)量濃度呈正相關(guān)，說明氣壓、相對濕度對PM2.5質(zhì)量濃度的影響，總體趨勢是在一定范圍內(nèi)促進(jìn)PM2.5質(zhì)量濃度的升高。

表1 兩類城市5種空氣污染物質(zhì)量濃度及5個(gè)氣象因素與PM2.5日均質(zhì)量濃度的相關(guān)系數(shù)

3.3 PM2.5日平均質(zhì)量濃度靜態(tài)和動(dòng)態(tài)時(shí)空二維回歸模型的構(gòu)建

利用2019年5月1日到2020年4月30日間PM2.5的日均質(zhì)量濃度及10個(gè)影響因素的數(shù)據(jù)，分別對兩類城市建立靜態(tài)和動(dòng)態(tài)時(shí)空二維回歸模型(見表2)。

表2 PM2.5日平均質(zhì)量濃度靜態(tài)和動(dòng)態(tài)時(shí)空二維回歸模型

由表2可見：①兩類城市8個(gè)模型的決定系數(shù)(R2)在0.897～0.908范圍內(nèi)、赤池弘次信息量(IAC)在7.145～7.71范圍內(nèi)，均較小，所有影響因素的P值均通過10%的顯著性檢驗(yàn)。②加入評價(jià)指標(biāo)中滯后1 d的PM2.5日平均質(zhì)量濃度(ρ(PM2.5-1))、滯后2 d的PM2.5日平均質(zhì)量濃度(ρ(PM2.5-2))、滯后3 d的PM2.5日平均質(zhì)量濃度(ρ(PM2.5-3))的動(dòng)態(tài)模型的R2，均大于未加入評價(jià)指標(biāo)滯后項(xiàng)的靜態(tài)模型的R2，說明考慮評價(jià)指標(biāo)的動(dòng)態(tài)連續(xù)性提高了回歸模型的擬合度，也進(jìn)一步說明之前PM2.5質(zhì)量濃度的累積對后續(xù)時(shí)間監(jiān)測的PM2.5質(zhì)量濃度有一定的影響。模型擬合良好，可以利用模型進(jìn)行分析。

3.4 PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)變化規(guī)律及其與各氣象因素的關(guān)系

依據(jù)城市污染程度從短期或?qū)崟r(shí)狀態(tài)而言，主要與當(dāng)?shù)禺?dāng)時(shí)的氣象條件有關(guān)[21]，利用靜態(tài)和動(dòng)態(tài)時(shí)空二維回歸模型，分析PM2.5日平均質(zhì)量濃度滯后與氣象因素的關(guān)系。將表2的回歸模型的系數(shù)匯總，獲得各個(gè)影響因素的直接影響回歸系數(shù)、間接影響回歸系數(shù)(見表3)。依據(jù)表3中的回歸系數(shù)得到PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)的變化規(guī)律：①兩類城市的PM2.5日均質(zhì)量濃度滯后1 d、滯后2 d、滯后3 d的回歸系數(shù)均為正數(shù)，說明當(dāng)期PM2.5的質(zhì)量濃度會(huì)受前幾天PM2.5質(zhì)量濃度的影響，若前幾天PM2.5污染嚴(yán)重，當(dāng)期PM2.5的質(zhì)量濃度也會(huì)有所升高。②滯后1 d、滯后2 d、滯后3 d的系數(shù)是逐漸減小的，說明隨著滯后時(shí)間的延長，PM2.5質(zhì)量濃度的時(shí)間滯后效應(yīng)對當(dāng)期PM2.5質(zhì)量濃度升高的影響逐漸降低，PM2.5的排放是連續(xù)累積的過程，PM2.5的質(zhì)量濃度變化具有慣性。

表3 各氣象因素對PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)影響的回歸系數(shù)

根據(jù)通徑分析的原理，模型的回歸系數(shù)為影響因素對評價(jià)指標(biāo)的直接影響，相關(guān)系數(shù)與回歸系數(shù)的差為影響因素對評價(jià)指標(biāo)的間接影響。依據(jù)表3分析各氣象因素對PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)的影響。

——?dú)鈮簩M2.5質(zhì)量濃度時(shí)間滯后效應(yīng)的影響。①在第Ⅰ類城市中，靜態(tài)時(shí)空二維和動(dòng)態(tài)時(shí)空二維回歸模型中的氣壓回歸系數(shù)均為負(fù)數(shù)，說明無論是否考慮PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)，氣壓對PM2.5質(zhì)量濃度的直接影響，均為直接抑制PM2.5質(zhì)量濃度的升高；從靜態(tài)到滯后1 d，氣壓直接抑制PM2.5質(zhì)量濃度升高的強(qiáng)度增大，隨著滯后時(shí)間的延長氣壓直接抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐步減小。無論是否考慮PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)，氣壓通過其他因素對PM2.5質(zhì)量濃度的間接影響，在一定范圍內(nèi)促進(jìn)PM2.5質(zhì)量濃度的升高。②在第Ⅱ類城市中，氣壓對PM2.5質(zhì)量濃度的影響，與第Ⅰ類城市一致。

——濕度對PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)的影響。①在第Ⅰ類城市中，靜態(tài)時(shí)空二維和動(dòng)態(tài)時(shí)空二維回歸模型中的濕度回歸系數(shù)均為正數(shù)，說明無論是否考慮PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)，濕度對PM2.5質(zhì)量濃度的直接影響，均為在一定范圍內(nèi)促進(jìn)PM2.5質(zhì)量濃度的升高；從靜態(tài)到滯后1 d，濕度促進(jìn)PM2.5質(zhì)量濃度升高的強(qiáng)度減小，隨著滯后時(shí)間的延長，濕度促進(jìn)PM2.5質(zhì)量濃度升高的強(qiáng)度逐步增大，這與馬雙良等[13]的研究結(jié)果相近。無論是否考慮PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)，濕度通過其他因素對PM2.5質(zhì)量濃度的間接影響，在一定范圍內(nèi)抑制PM2.5質(zhì)量濃度的升高。②在第Ⅱ類城市中，濕度對PM2.5質(zhì)量濃度的影響，與第Ⅰ類城市一致。

——?dú)鉁貙M2.5質(zhì)量濃度時(shí)間滯后效應(yīng)的影響。①在第Ⅰ類城市中，靜態(tài)時(shí)空二維和動(dòng)態(tài)時(shí)空二維回歸模型中的氣溫回歸系數(shù)均為負(fù)數(shù)，說明無論是否考慮PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)，氣溫對PM2.5質(zhì)量濃度的直接影響，均為直接抑制PM2.5質(zhì)量濃度的升高；從靜態(tài)到滯后1 d，氣溫直接抑制PM2.5質(zhì)量濃度升高的強(qiáng)度減小，隨著滯后時(shí)間的延長，氣溫直接抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐步增大。無論是否考慮PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)，氣溫通過其他因素對PM2.5質(zhì)量濃度的間接影響，始終抑制PM2.5質(zhì)量濃度的升高。②在第Ⅱ類城市中，氣溫對PM2.5質(zhì)量濃度的影響，與第Ⅰ類城市一致。

——風(fēng)速對PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)的影響。①在第Ⅰ類城市中，靜態(tài)時(shí)空二維和動(dòng)態(tài)時(shí)空二維回歸模型中的風(fēng)速回歸系數(shù)均為負(fù)數(shù)，說明無論是否考慮PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)，風(fēng)速對PM2.5質(zhì)量濃度的直接影響，均為直接抑制PM2.5質(zhì)量濃度的升高；從靜態(tài)到滯后1 d，風(fēng)速直接抑制PM2.5質(zhì)量濃度升高的強(qiáng)度增大，隨著滯后時(shí)間的延長，風(fēng)速直接抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐步減小。無論是否考慮PM2.5質(zhì)量濃度的時(shí)間滯后效應(yīng)，風(fēng)速通過其他因素對PM2.5質(zhì)量濃度的間接影響，始終抑制PM2.5質(zhì)量濃度的升高。②在第Ⅱ類城市中，風(fēng)速對PM2.5質(zhì)量濃度的直接影響與第Ⅰ類城市一致；但間接影響則相反，即風(fēng)速通過其他因素對PM2.5質(zhì)量濃度的間接影響，在一定范圍內(nèi)促進(jìn)PM2.5質(zhì)量濃度的升高，這是由于第Ⅱ類城市與內(nèi)陸城市相鄰，當(dāng)風(fēng)向傾向于第Ⅱ類城市時(shí)，風(fēng)可以將內(nèi)陸城市的污染傳播到第Ⅱ類城市，使其PM2.5質(zhì)量濃度增加。

——降水對PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)的影響。①在第Ⅰ類城市中，靜態(tài)時(shí)空二維和動(dòng)態(tài)時(shí)空二維回歸模型中的降水回歸系數(shù)均為負(fù)數(shù)，說明無論是否考慮PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)，降水對PM2.5質(zhì)量濃度的直接影響，均為直接抑制PM2.5質(zhì)量濃度的升高；從靜態(tài)到滯后1 d，降水直接抑制PM2.5質(zhì)量濃度升高的強(qiáng)度減小，隨著滯后時(shí)間的延長，降水直接抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐步增大。無論是否考慮PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)，降水通過其他因素對PM2.5質(zhì)量濃度的間接影響，始終抑制PM2.5質(zhì)量濃度的升高。②在第Ⅱ類城市中，降水對PM2.5質(zhì)量濃度的直接影響，與第Ⅰ類城市相反，降水直接促進(jìn)PM2.5質(zhì)量濃度的升高；從靜態(tài)到滯后1 d，降水直接促進(jìn)PM2.5質(zhì)量濃度升高的強(qiáng)度增大，隨著滯后時(shí)間的延長，降水直接促進(jìn)PM2.5質(zhì)量濃度升高的強(qiáng)度逐步減小，這與馬雙良等[13]觀點(diǎn)一致。無論是否考慮PM2.5質(zhì)量濃度時(shí)間滯后效應(yīng)，降水通過其他因素對PM2.5質(zhì)量濃度的間接影響，始終抑制PM2.5質(zhì)量濃度的升高。

由量化模型可知：①Ⅰ類城市相對于Ⅱ類城市降水量大，因此降水對Ⅰ類城市PM2.5質(zhì)量濃度的直接影響，是降水抑制了PM2.5質(zhì)量濃度的升高；Ⅱ類城市降水對PM2.5質(zhì)量濃度的直接影響，是降水促進(jìn)PM2.5質(zhì)量濃度的升高；說明降水對PM2.5質(zhì)量濃度的影響是雙重的。②隨著滯后時(shí)間的延長，降水所起的間接影響基本不變，說明降水量對PM2.5質(zhì)量濃度增加的抑制強(qiáng)度趨于穩(wěn)定。

4 結(jié)論

當(dāng)期PM2.5的質(zhì)量濃度存在著明確的滯后效應(yīng)，隨著滯后時(shí)間的延長，PM2.5質(zhì)量濃度時(shí)間滯后性對當(dāng)期PM2.5質(zhì)量濃度升高的影響逐漸減小，證明了PM2.5的質(zhì)量濃度是連續(xù)累積的，且其變化具有慣性。

第Ⅰ類城市，①5個(gè)氣象因素對PM2.5質(zhì)量濃度的直接影響：隨著PM2.5質(zhì)量濃度滯后時(shí)間的延長，氣壓、風(fēng)速抑制PM2.5質(zhì)量濃度的升高，但抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐漸降低；氣溫、降水同樣會(huì)抑制PM2.5質(zhì)量濃度的升高，且抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐漸增加；濕度促進(jìn)PM2.5質(zhì)量濃度的升高，且促進(jìn)PM2.5質(zhì)量濃度升高的強(qiáng)度呈逐漸增加的趨勢。②5個(gè)氣象因素對PM2.5質(zhì)量濃度的間接影響：隨著PM2.5質(zhì)量濃度滯后時(shí)間的延長，氣壓能夠促進(jìn)PM2.5質(zhì)量濃度的升高；濕度、氣溫、風(fēng)速、降水均抑制PM2.5質(zhì)量濃度的升高；濕度、風(fēng)速抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐漸增大，氣溫抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐漸變小，降水抑制PM2.5質(zhì)量濃度升高的強(qiáng)度持續(xù)穩(wěn)定。

第Ⅱ類城市，①5個(gè)氣象因素對PM2.5質(zhì)量濃度的直接影響：隨著PM2.5質(zhì)量濃度滯后時(shí)間的延長，氣壓、風(fēng)速均抑制PM2.5質(zhì)量濃度的升高，但抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐漸降低；氣溫抑制PM2.5質(zhì)量濃度的升高，且抑制PM2.5質(zhì)量濃度升高的強(qiáng)度呈現(xiàn)逐漸增加趨勢；濕度促進(jìn)PM2.5質(zhì)量濃度的升高，且促進(jìn)PM2.5質(zhì)量濃度升高的強(qiáng)度逐漸增加；降水促進(jìn)PM2.5質(zhì)量濃度的升高，但促進(jìn)PM2.5質(zhì)量濃度升高的強(qiáng)度逐漸減小。②5個(gè)氣象因素對PM2.5質(zhì)量濃度的間接影響：隨著PM2.5質(zhì)量濃度滯后時(shí)間的延長，氣壓促進(jìn)PM2.5質(zhì)量濃度的升高，并且促進(jìn)PM2.5質(zhì)量濃度升高的強(qiáng)度持續(xù)穩(wěn)定；降水抑制PM2.5質(zhì)量濃度的升高，并且抑制PM2.5質(zhì)量濃度升高的強(qiáng)度持續(xù)穩(wěn)定；濕度、風(fēng)速抑制PM2.5質(zhì)量濃度的升高，且抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐漸增加；氣溫抑制PM2.5質(zhì)量濃度的升高，但抑制PM2.5質(zhì)量濃度升高的強(qiáng)度逐漸變小。

綜上，量化模型充分證明：隨著時(shí)間、地點(diǎn)的不同，降水、氣壓、風(fēng)速、氣溫、濕度等氣象因子對PM2.5質(zhì)量濃度的影響也不同。