基于決策樹模型的區(qū)域PM2.5污染管控時(shí)空識(shí)別
——以關(guān)中地區(qū)為例

賈 冊， 陳 臻， 韓 梅

（1.中國人民大學(xué)環(huán)境學(xué)院，北京 100872；2.中國科學(xué)院科技戰(zhàn)略咨詢研究院，北京 100190；3.中國科學(xué)院大學(xué)公共政策與管理學(xué)院，北京 100049；4.陜西省環(huán)境調(diào)查評(píng)估中心，陜西 西安 710054）

《2020中國生態(tài)環(huán)境狀況公報(bào)》顯示，2020年全國337個(gè)城市累計(jì)發(fā)生大氣環(huán)境嚴(yán)重污染345 d，重度污染1152 d，可見當(dāng)前中國大氣環(huán)境污染形勢仍然很嚴(yán)峻。這些重污染天氣的出現(xiàn)不僅影響居民身心健康，還對(duì)社會(huì)經(jīng)濟(jì)發(fā)展造成了很大的損失［1-5］。重污染天氣出現(xiàn)的核心原因是由于氣象條件的變化，使得大氣環(huán)境中的污染物不能被及時(shí)清除而累積形成。相關(guān)研究表明，在重污染天氣期間進(jìn)行預(yù)警能有效降低人的出行，減少移動(dòng)源等污染物的排放從而達(dá)到減緩重污染的程度［6-10］。當(dāng)前國內(nèi)應(yīng)對(duì)重污染天氣的過程中也采取了預(yù)警的方式來應(yīng)對(duì)。根據(jù)空氣質(zhì)量情況，地方政府適時(shí)啟動(dòng)紅色、橙色、黃色級(jí)別的重污染天氣應(yīng)急預(yù)警，要求工業(yè)源、移動(dòng)源等污染排放在一定時(shí)間內(nèi)做出不同的污染物減排，實(shí)現(xiàn)空氣質(zhì)量的改善［11-12］。國內(nèi)外進(jìn)行污染預(yù)警的過程均是通過模型進(jìn)行預(yù)測未來24 h、48 h甚至一周的空氣質(zhì)量變化情況來隨時(shí)調(diào)整預(yù)警的級(jí)別。這種不確定預(yù)警時(shí)間和預(yù)警時(shí)長的方式嚴(yán)重干擾了企業(yè)的正常生產(chǎn)，據(jù)統(tǒng)計(jì)咸陽市2019年1—3月和11—12月期間共預(yù)警76 d，占到總天數(shù)的一半。當(dāng)前污染預(yù)警管控的過程中是以地級(jí)市政府為主體發(fā)布預(yù)警，要求轄區(qū)內(nèi)企業(yè)進(jìn)行相應(yīng)的污染物減排，而部分地級(jí)市存在行政區(qū)過大，同一時(shí)間內(nèi)的PM2.5可能存在兩極分化的情況。

由于重污染天氣發(fā)生一般是區(qū)域性的［13］，重污染區(qū)域內(nèi)應(yīng)該統(tǒng)一進(jìn)行管控，并有效識(shí)別需要進(jìn)行管控的時(shí)間段。對(duì)于確定的區(qū)域而言，短時(shí)間內(nèi)對(duì)其大氣污染物環(huán)境容量影響最大的是氣象因素的變化［14-17］，高爽等［18］提出基于氣象分型的大氣環(huán)境容量測算，但該研究是通過人工對(duì)氣象進(jìn)行分類識(shí)別，該方式存在劃分依據(jù)受人為主觀影響的問題，現(xiàn)有研究氣象和排放對(duì)環(huán)境中PM2.5濃度變化的相關(guān)文獻(xiàn)，基本沒有突破行政區(qū)劃來體現(xiàn)污染區(qū)域，也沒有深入挖掘所分類氣象條件下的污染物變化規(guī)律，無法有效指導(dǎo)在不利氣象條件下污染排放管控［19-20］。故需要相關(guān)研究來對(duì)PM2.5的管控時(shí)空進(jìn)行識(shí)別，從而實(shí)現(xiàn)精確管控和預(yù)警，使工業(yè)企業(yè)提前做好應(yīng)對(duì)，減少經(jīng)濟(jì)損失?；诖?，本文基于決策樹模型提出了一種簡易的區(qū)域PM2.5污染管控時(shí)間段識(shí)別方法，以期有效指導(dǎo)重污染天氣期間PM2.5污染管控。

1 研究方法

1.1 研究思路

PM2.5污染現(xiàn)象主要出現(xiàn)在冬防期（11月至次年3月）［21］，本文基于冬防期PM2.5的濃度數(shù)據(jù)并結(jié)合地形等數(shù)據(jù)對(duì)所研究區(qū)域在時(shí)間緯度上進(jìn)行空間聚類，識(shí)別不同的PM2.5污染區(qū)域；基于PM2.5濃度數(shù)據(jù)對(duì)不同區(qū)域的氣象數(shù)據(jù)分別構(gòu)建決策樹模型，識(shí)別不同區(qū)域影響PM2.5濃度最不利擴(kuò)散的氣象條件，對(duì)最不利擴(kuò)散氣象條件下的PM2.5變化情況進(jìn)行模型構(gòu)建，確定不同研究區(qū)域的PM2.5管控時(shí)間段（圖1）。

圖1 研究思路Fig.1 Research idea

1.2 基于時(shí)間維度的污染區(qū)域劃定

受地形、經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)布局和氣象條件等因素的影響，污染區(qū)域分布往往與行政區(qū)劃不一致，進(jìn)行區(qū)域污染聯(lián)防聯(lián)控尤為重要。本文所研究的關(guān)中地區(qū)（西安市、咸陽市、渭南市、銅川市、寶雞市、韓城市及楊凌區(qū)）具有相對(duì)獨(dú)立的地理環(huán)境，包括關(guān)中平原和圍繞著關(guān)中平原的北山山系、秦嶺以及崤山等山脈，具有相對(duì)獨(dú)立的地形氣候［22-23］?；诖耍疚脑谶M(jìn)行污染區(qū)域的識(shí)別和劃定過程中，綜合考慮時(shí)空緯度，識(shí)別不同氣象條件下需要協(xié)同管控的污染區(qū)域。

首先是對(duì)所研究區(qū)域每日空氣質(zhì)量監(jiān)測站點(diǎn)的PM2.5濃度進(jìn)行空間聚類，將每日聚類的分區(qū)結(jié)果進(jìn)行相關(guān)性聚類分析，識(shí)別在研究時(shí)間段內(nèi)應(yīng)該集中進(jìn)行管控的區(qū)域。對(duì)于所識(shí)別的區(qū)域，在排除外來傳輸污染的情況下，工業(yè)源、移動(dòng)源、無組織面源等的污染減排，都將會(huì)降低該區(qū)域的PM2.5濃度。在進(jìn)行聚類過程中先由監(jiān)測點(diǎn)生成泰森多邊形，對(duì)生成的泰森多邊形進(jìn)行聚類分析，以保證所識(shí)別污染區(qū)域的連續(xù)性。

1.3 決策樹模型

分類算法中比較常見的有決策樹（分類樹）、隨機(jī)森林、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)分類等算法，其中決策樹算法能夠直觀地給出詳細(xì)的分類過程，其他模型更偏向于黑箱模型預(yù)測。決策樹算法由Leo Breiman 等學(xué)者在1984 年提出［24］，并發(fā)展出C4.5、C5.0等算法模型。決策樹的表現(xiàn)形式為二叉樹，在進(jìn)行模型構(gòu)建的過程中可分為生長和剪枝2個(gè)過程。生長的過程中主要是對(duì)輸入的眾多變量中選取最佳變量以及對(duì)所選取的最佳變量尋找最佳分割點(diǎn)。剪枝的過程是找到最佳變量和分割點(diǎn)后將其他影響模型精度的樹枝減掉。其中，最佳的分組變量和分割點(diǎn)是被分類變量異質(zhì)性下降最快的對(duì)應(yīng)參數(shù)。該模型能夠從繁雜的數(shù)據(jù)指標(biāo)中有效識(shí)別最有利于劃分PM2.5濃度的氣象指標(biāo)因子及相關(guān)指標(biāo)閾值。

1.4 數(shù)據(jù)來源

研究時(shí)段為2016—2019年間的冬防期，每年11月1日至次年3月31日。所使用的PM2.5監(jiān)測數(shù)據(jù)來自關(guān)中五市的國控點(diǎn)及省控點(diǎn)環(huán)境空氣質(zhì)量監(jiān)測站，共87 個(gè)有效監(jiān)測點(diǎn)，空氣質(zhì)量數(shù)據(jù)來源于陜西省空氣質(zhì)量實(shí)時(shí)發(fā)布系統(tǒng)。氣象數(shù)據(jù)來源于中國氣象數(shù)據(jù)網(wǎng)（http://data.cma.cn），中國地面氣候資料日值數(shù)據(jù)集(V 3.0)包括平均風(fēng)速、最大風(fēng)速、平均本站氣壓、日最高本站氣壓、日最低本站氣壓、平均氣溫、日最高氣溫、日最低氣溫、平均地表氣溫、日最高地表氣溫、日最低地表氣溫、平均相對(duì)濕度、是否降水、累計(jì)降水量、小型蒸發(fā)量、日照時(shí)數(shù)等指標(biāo)。

2 結(jié)果與分析

2.1 聚類分析

關(guān)中區(qū)域在研究時(shí)間段有87 個(gè)空氣質(zhì)量監(jiān)測點(diǎn)，基本上保證了關(guān)中各區(qū)縣有1 個(gè)空氣質(zhì)量監(jiān)測點(diǎn)，通過對(duì)所有監(jiān)測點(diǎn)的2016 年11 月至2019 年3月的1—3 月、11—12 月期間每日的PM2.5濃度值進(jìn)行空間聚類，共生成453 個(gè)聚類結(jié)果。聚類過程中采用R語言的rgeoda包K均值聚類方法進(jìn)行空間聚類。在對(duì)關(guān)中地區(qū)進(jìn)行聚類的過程中，通過選擇不同的聚類系數(shù)并結(jié)合F-Stat、地形等因素后，發(fā)現(xiàn)關(guān)中地區(qū)在進(jìn)行PM2.5濃度空間聚類的過程被分成兩類最優(yōu)的聚類。對(duì)453個(gè)聚類的結(jié)果求相關(guān)性系數(shù)識(shí)別需要集中管控的區(qū)域，相關(guān)性系數(shù)結(jié)果見圖2。將相關(guān)性系數(shù)進(jìn)行聚類可將87個(gè)空氣質(zhì)量監(jiān)測點(diǎn)劃分為兩類（圖2 中黑色方框所包含的區(qū)域），這些點(diǎn)在整個(gè)研究時(shí)間段內(nèi)會(huì)呈現(xiàn)高度一致性，可在地理上劃分在一個(gè)區(qū)域中進(jìn)行集中管控。在條件允許下，可進(jìn)一步細(xì)化分區(qū)管控區(qū)域，本文將關(guān)中地區(qū)分為兩類進(jìn)行研究。將圖2分區(qū)后的監(jiān)測點(diǎn)生成泰森多邊形，整體區(qū)域邊界采用函數(shù)將邊緣進(jìn)行光滑處理在行政區(qū)地圖中進(jìn)行體現(xiàn)（圖3a），區(qū)域一（白色區(qū)域）對(duì)應(yīng)空氣質(zhì)量監(jiān)測點(diǎn)有37個(gè)點(diǎn)，氣象觀測點(diǎn)有7個(gè)點(diǎn)，PM2.5濃度平均值為116.55 μg·m-3，超過24 h PM2.5標(biāo)準(zhǔn)值的天數(shù)為192 d，占總天數(shù)的42.38%。區(qū)域二（灰色區(qū)域）對(duì)應(yīng)空氣質(zhì)量監(jiān)測點(diǎn)有50 個(gè)點(diǎn)，對(duì)應(yīng)的氣象觀測點(diǎn)有4 個(gè)點(diǎn)；PM2.5濃度平均值為112.05 μg·m-3，超過24 h PM2.5標(biāo)準(zhǔn)值的天數(shù)為294 d，占總天數(shù)的64.90%。

圖2 關(guān)中地區(qū)空氣質(zhì)量監(jiān)測點(diǎn)PM2.5濃度聚類結(jié)果相關(guān)性Fig.2 Correlation of concentration clustering results at PM2.5 in Guanzhong area

將分區(qū)結(jié)果投影至關(guān)中地區(qū)的高程圖，由圖3b可以看出，區(qū)域二劃定的范圍基本與關(guān)中平原所在位置重疊，可見關(guān)中地區(qū)處于低海拔區(qū)域的地方有非常強(qiáng)的區(qū)域性［25］，同時(shí)也說明了PM2.5濃度變化與地形有較大的關(guān)系，這與張波等［26］的研究基本一致，有效證明了當(dāng)前分區(qū)的合理性。

圖3 關(guān)中地區(qū)PM2.5濃度地區(qū)聚類分布Fig.3 Regional cluster distribution of PM2.5 concentration in Guanzhong area

2.2 地形影響分析

綜上所述，關(guān)中地區(qū)的PM2.5濃度變化與地形有很大的關(guān)系，將研究時(shí)段內(nèi)各環(huán)境空氣質(zhì)量監(jiān)測點(diǎn)的PM2.5濃度平均值采用反距離權(quán)重（IDW）方法進(jìn)行空間差值，按照投影到東西、南北和高程3 個(gè)維度，進(jìn)行趨勢分析（圖4）。結(jié)果表明，從東到西PM2.5濃度呈先增加后下降并逐步趨于平穩(wěn)，在經(jīng)度109°左右達(dá)到了最高點(diǎn)（圖4a）。從南到北而言，PM2.5濃度呈先上升后下降再上升的變換趨勢，在緯度34.3°左右達(dá)到了最高點(diǎn)（圖4b）。從海拔來看，PM2.5濃度從低海拔地區(qū)隨著海拔上升的過程中先下降，當(dāng)海拔達(dá)到100 m左右之后，PM2.5濃度基本趨于穩(wěn)定，在85 μg·m-3（圖4c）。結(jié)合圖3a 可以看出，關(guān)中地區(qū)PM2.5濃度最高的區(qū)域集中在西安市城區(qū)，PM2.5濃度從西安市城區(qū)向四周的西咸新區(qū)、咸陽市、渭南市、銅川市的平原（低海拔）地區(qū)逐步過渡，形成較強(qiáng)區(qū)域性的污染區(qū)域。隨著四周海拔的不斷上升，PM2.5濃度又開始出現(xiàn)下降的情況，當(dāng)海拔達(dá)到一定高度后，海拔將不在是影響PM2.5濃度變化的因素，更多是地區(qū)污染排放在影響其變化。

圖4 PM2.5濃度分布與地形關(guān)系分布Fig.4 Relationship between PM2.5 concentration distribution and topography

2.3 決策樹模型下氣象分類結(jié)果

由于地形和污染企業(yè)數(shù)量在一定時(shí)間范圍內(nèi)是不會(huì)發(fā)生特別大的變化，而氣象條件隨時(shí)在變化，主要研究氣象對(duì)PM2.5濃度變化的影響。由于PM2.5濃度的變化是污染排放和多項(xiàng)氣象因子綜合作用的結(jié)果，人工對(duì)氣象因子進(jìn)行判斷和劃定相關(guān)閾值會(huì)導(dǎo)致較大的主觀不確定性。為了規(guī)避人為主觀因素的影響，采用較為成熟的決策樹模型來識(shí)別不同區(qū)域影響PM2.5濃度的關(guān)鍵氣象因子［27］。決策樹模型可以通過氣象因子對(duì)PM2.5濃度變化情況進(jìn)行分割，在分割過程中充分考慮PM2.5濃度和氣象因子之間的關(guān)系，并將具有共線性的氣象因子進(jìn)行剔除，有效減少干擾因子。同時(shí)該方法能夠通過圖形表達(dá)，更直觀地對(duì)分類過程給出依據(jù)，相較于其他黑箱決策樹模型有更好地解釋性。

故采用決策樹模型來識(shí)別影響PM2.5濃度的關(guān)鍵氣象因子和分類閾值。在識(shí)別過程中以PM2.5濃度為y，所有氣象因子為x，采用rpart函數(shù)進(jìn)行分類，初始分類結(jié)果結(jié)合復(fù)雜度參數(shù)最佳cp值進(jìn)行剪枝，結(jié)果見圖5。其中，區(qū)域一在模型構(gòu)建的時(shí)候選取日照時(shí)數(shù)、最大風(fēng)速、日最低地表氣溫、平均本站氣壓4 項(xiàng)指標(biāo)對(duì)氣象進(jìn)行分類，針對(duì)PM2.5濃度的變化情況將氣象分為6類。區(qū)域二在模型構(gòu)建的時(shí)候選取小型蒸發(fā)量、平均相對(duì)濕度、日照時(shí)數(shù)、累積降水量、平均風(fēng)速5項(xiàng)指標(biāo)進(jìn)行分類，針對(duì)PM2.5濃度的變化情況將氣象分為6 類。區(qū)域一、二的氣象分類結(jié)果見表1，區(qū)域一、二中均識(shí)別出日照時(shí)數(shù)的變化主要是由于PM2.5污染造成的。風(fēng)速對(duì)于PM2.5的去除有非常大的效果，也被模型所識(shí)別，其中日最大風(fēng)速和日平均風(fēng)速是高度相關(guān)可替代的因子。除日照時(shí)數(shù)和風(fēng)速因子外，區(qū)域一處于海拔相對(duì)較高地區(qū)，還識(shí)別了日最低地表氣溫、平均本站氣壓作為關(guān)鍵變量，而區(qū)域二處于低海拔平原地區(qū)，并且PM2.5濃度嚴(yán)重程度遠(yuǎn)高于區(qū)域一，在不考慮排放的情況下主要是由濕度、降水的變化而導(dǎo)致的波動(dòng)。通過對(duì)所有參與模型的氣象因子重要程度進(jìn)行分析（圖6），可以看出，區(qū)域一二所選擇的模型有效涵蓋了相關(guān)重要因子，所識(shí)別的關(guān)鍵氣象因子在胡琳等［28］的研究中也得到了有效支持。

圖5 PM2.5濃度氣象決策樹Fig.5 PM2.5 concentration meteorological classification tree

圖6 氣象因子重要度分析Fig.6 Importance analysis of meteorological factors

表1 決策樹模型識(shí)別氣象分類結(jié)果Tab.1 Classification for regional meteorological

為了有效驗(yàn)證所構(gòu)建分類模型的可信度。以區(qū)域一為例，對(duì)基于PM2.5分類后的氣象類別再次采用決策樹預(yù)測模型進(jìn)行驗(yàn)證分類結(jié)果的準(zhǔn)確性。通過選取70%的訓(xùn)練集和30%的測試集對(duì)分類結(jié)果進(jìn)行驗(yàn)證，測試集預(yù)測結(jié)果的準(zhǔn)確率達(dá)到了81.2%，有效證明了該方法的可行性。

2.4 最不利氣象條件識(shí)別

將上述的氣象分類與PM2.5的濃度相結(jié)合繪制時(shí)間序列圖7。由圖7 可以看出，對(duì)于區(qū)域一而言，PM2.5的濃度呈由氣象條件驅(qū)動(dòng)下的周期性變化。在氣象Ⅰ-2、Ⅰ-5、Ⅰ-7條件下，PM2.5基本處于低濃度狀態(tài)；在1 月中旬至3 月期間PM2.5的濃度周期性波動(dòng)主要是Ⅰ-8類氣象條件所導(dǎo)致，在Ⅰ-8類氣象條件下，區(qū)域一PM2.5總體呈下降趨勢，在清除PM2.5污染。在12 月至2 月中旬主要是Ⅰ-10 和Ⅰ-11 類氣象條件驅(qū)動(dòng)的PM2.5濃度變化，這兩類氣象條件所驅(qū)動(dòng)的PM2.5濃度峰值會(huì)高于在Ⅰ-8 類氣象條件下的峰值。對(duì)于區(qū)域二而言，在Ⅱ-3、Ⅱ-5、Ⅱ-7氣象條件下，PM2.5基本處于低濃度狀態(tài)。在Ⅱ-9類氣象條件下，區(qū)域二PM2.5總體呈下降趨勢，在清除PM2.5污染。在11 月至12 月中旬和2 月中旬至3 月期間主要是由Ⅱ-10 類氣象條件所驅(qū)動(dòng)，12 月中旬至2月中旬主要是由Ⅱ-11類氣象條件所驅(qū)動(dòng)導(dǎo)致PM2.5濃度周期性變化。由Ⅱ-11 類氣象條件所驅(qū)動(dòng)的PM2.5濃度周期性變化峰值會(huì)高于由Ⅱ-10類氣象條件所驅(qū)動(dòng)的峰值。

圖7 PM2.5濃度與氣象類型時(shí)序Fig.7 PM2.5 concentration and meteorological type sequence diagram

綜上所述，區(qū)域一PM2.5高濃度主要發(fā)生在Ⅰ-10 和Ⅰ-11 氣象條件下；區(qū)域二的PM2.5高濃度主要發(fā)生在Ⅱ-10 和Ⅱ-11 類氣象條件。將此類氣象條件標(biāo)記為不利氣象條件，在這些氣象條件下，PM2.5環(huán)境容量會(huì)達(dá)到區(qū)域最小值。故需要對(duì)此單獨(dú)進(jìn)行研究。

2.5 PM2.5濃度變化

由于區(qū)域一中Ⅰ-10 和Ⅰ-11 兩類氣象條件比較相近，將區(qū)域一中Ⅰ-10和Ⅰ-11兩類氣象條件合并。選取區(qū)域一和區(qū)域二由Ⅰ-10、Ⅰ-11和Ⅱ-10、Ⅱ-11開始的氣象條件，連續(xù)3 d及以上時(shí)間PM2.5濃度持續(xù)上漲；其中為了保證選取時(shí)間段的連續(xù)性，有個(gè)別時(shí)間段有1 d的其他氣象類型或濃度下降的情況。最終區(qū)域一有13個(gè)時(shí)間段滿足條件，初始平均濃度為90.02 μg·m-3，每段平均持續(xù)4.92 d；區(qū)域二Ⅱ-10 有11 個(gè)時(shí)間段滿足條件，初始平均濃度為108.26 μg·m-3，每段平均持續(xù)4.22 d。區(qū)域二Ⅱ-11有7 個(gè)時(shí)間段滿足條件，初始平均濃度為182.71 μg·m-3，每段平均持續(xù)5.14 d。

對(duì)區(qū)域一和區(qū)域二所選取的每一段進(jìn)行回歸構(gòu)建最不利天氣下PM2.5濃度的增長模型（圖8）。圖中標(biāo)注了PM2.5濃度累積最快和最緩的回歸直線方程。根據(jù)以上信息，得出區(qū)域一在Ⅰ-10、Ⅰ-11 最不利氣象條件下，PM2.5濃度的平均變化方程為：y＝21.693x+90.02（圖8a）；區(qū)域二在Ⅱ-10 最不利氣象條件下，PM2.5濃度的平均變化方程為：y＝18.746x+108.26（圖8b）。區(qū)域二在Ⅱ-11 最不利氣象條件下，PM2.5濃度的平均變化方程為：y＝27.658x+182.71（圖8c）。

圖8 區(qū)域一、二最不利氣象條件下PM2.5回歸模型Fig.8 PM2.5 regression model under the most unfavorable meteorological conditions in region Ⅰand Ⅱ

由表1可知，區(qū)域一在Ⅰ-2、Ⅰ-5、Ⅰ-7氣象類型，區(qū)域二Ⅱ-3、Ⅱ-5、Ⅱ-7 氣象類型下，PM2.5平均濃度基本滿足環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)（GB3095-2012）中規(guī)定的PM2.5日均值濃度75 μg·m-3二級(jí)標(biāo)準(zhǔn)。而區(qū)域一Ⅰ-10、Ⅰ-11 類和區(qū)域二Ⅱ-9、Ⅱ-10 類最不利氣象條件下，區(qū)域一、二PM2.5濃度遠(yuǎn)超二級(jí)標(biāo)準(zhǔn)。

回歸結(jié)果顯示，在區(qū)域一Ⅰ-10、Ⅰ-11 類和區(qū)域二Ⅱ-9、Ⅱ-10類最不利氣象條件下，PM2.5最高濃度分別超GB3095-2012中24 h平均PM2.5（標(biāo)準(zhǔn)數(shù)值75 μg·m-3）二級(jí)標(biāo)準(zhǔn)的2.62 倍，2.50 倍和4.33 倍。可以看出，相關(guān)區(qū)域出現(xiàn)所識(shí)別的最不利氣象條件以及初始濃度達(dá)到一定程度時(shí)，相關(guān)主管部門應(yīng)按不同的控制程度對(duì)企業(yè)污染排放設(shè)定時(shí)間段。由于PM2.5濃度與污染排放之間呈現(xiàn)的是非線性關(guān)系［29-30］，且不同的工業(yè)源、移動(dòng)源、農(nóng)業(yè)面源、居民源等排放在不同的氣象條件和不同區(qū)域下對(duì)PM2.5濃度的貢獻(xiàn)不同［31-33］。

3 結(jié)論與建議

（1）關(guān)中地區(qū)根據(jù)冬防期日尺度PM2.5濃度均值結(jié)合地形數(shù)據(jù)，對(duì)空間聚類結(jié)果進(jìn)行相關(guān)系數(shù)計(jì)算聚類后可劃分為2 個(gè)污染區(qū)域：關(guān)中平原等低海拔地形區(qū)域和海拔相對(duì)較高的山脈區(qū)域。關(guān)中地區(qū)冬防期PM2.5平均濃度隨著海拔的升高而降低，當(dāng)海拔升至100 m 左右后，PM2.5日均濃度值逐漸趨于穩(wěn)定。

（2）對(duì)于分區(qū)后的地區(qū)分別采用決策樹對(duì)其氣象類型基于PM2.5濃度進(jìn)行分類，其中高海拔地區(qū)在模型構(gòu)建的時(shí)候選取了日照時(shí)數(shù)、最大風(fēng)速、日最低地表氣溫、平均本站氣壓4 項(xiàng)指標(biāo)將氣象分為6類。低海拔地區(qū)在模型構(gòu)建的時(shí)候選取小型蒸發(fā)量、平均相對(duì)濕度、日照時(shí)數(shù)、累積降水量、平均風(fēng)速5 項(xiàng)指標(biāo)將氣象分為6 類。高海拔區(qū)域在Ⅰ-10和Ⅰ-11 兩類氣象條件的PM2.5濃度較高；低海拔區(qū)域在Ⅱ-10 和Ⅱ-11 兩類氣象條件的PM2.5濃度較高；高海拔和低海拔區(qū)域分別在Ⅰ-8 類、Ⅰ-9 類氣象條件下的PM2.5濃度呈下降趨勢。

（3）回歸分析顯示，高海拔區(qū)域在Ⅰ-10、Ⅰ-11類和低海拔區(qū)域二Ⅱ-10、Ⅱ-11類最不利氣象條件下，PM2.5濃度平均會(huì)持續(xù)上升4.76 d，到達(dá)最高濃度。最高濃度分別超GB3095-2012 中24 h 平均PM2.5二級(jí)標(biāo)準(zhǔn)的2.62倍，2.50倍和4.33倍。

（4）建議在某一區(qū)域發(fā)生所識(shí)別的不利氣象條件時(shí)，應(yīng)對(duì)該區(qū)域內(nèi)城市同時(shí)發(fā)布重污染天氣預(yù)警要求。為有效減少社會(huì)經(jīng)濟(jì)損失和對(duì)居民身體健康的傷害等，發(fā)布預(yù)警時(shí)應(yīng)包含可能污染持續(xù)時(shí)長及可能的嚴(yán)重程度等信息，從而促使居民提前安排出行，污染企業(yè)提前做好生產(chǎn)任務(wù)安排。