2015—2020年成都市PM2.5的時(shí)空分布及影響因素

白雪琴, 馬 麗, 黃天志, 余 波

(1. 綿陽師范學(xué)院 資源環(huán)境工程學(xué)院, 四川 綿陽 621006; 2. 浙江工商大學(xué) 環(huán)境科學(xué)與工程學(xué)院, 浙江 杭州 310018)

近年來,工業(yè)與城市化進(jìn)程加速,區(qū)域性大氣污染程度日益加重.空氣中細(xì)顆粒物PM2.5[1](粒徑小于或等于2.5 μm的顆粒物),由于粒徑小、活性強(qiáng),在空氣中存留時(shí)間較長(zhǎng),對(duì)空氣質(zhì)量和人體健康存在顯著影響.PM2.5作為表征空氣復(fù)合型污染的重要污染因子,其濃度的長(zhǎng)期監(jiān)測(cè)和準(zhǔn)確預(yù)測(cè)有利于研究與治理大氣污染問題[2].

目前,我國(guó)地面監(jiān)測(cè)數(shù)據(jù)精度和時(shí)間分辨率都很高,但存在監(jiān)測(cè)站點(diǎn)數(shù)量有限、分布不均、站點(diǎn)稀疏等缺點(diǎn),影響了某一特定區(qū)域PM2.5的時(shí)空分布特征的反映.諸多學(xué)者對(duì)我國(guó)PM2.5的時(shí)空分布特征進(jìn)行了研究,如王晨等[3]采用多元線性回歸模型反演京津冀地區(qū)PM2.5濃度分布,得到京津冀地區(qū)2015—2016年空間連續(xù)的PM2.5分布;杜彥彥等[4]通過空間插值技術(shù)及秩相關(guān)分析方法,對(duì)河南省2017—2019年P(guān)M2.5濃度時(shí)空分布特征進(jìn)行了分析;南國(guó)衛(wèi)等[5]采用克里金插值法等對(duì)陜西省PM2.5濃度的時(shí)空分布規(guī)律進(jìn)行研究,并運(yùn)用灰色關(guān)聯(lián)模型及其他空間數(shù)據(jù)統(tǒng)計(jì)方法探討了PM2.5濃度影響因素.由此可見,在評(píng)價(jià)模型成熟的前提下,運(yùn)用遙感相關(guān)方法及統(tǒng)計(jì)方法分析PM2.5的時(shí)空分布特征及其影響因素,已經(jīng)被多數(shù)學(xué)者所青睞.目前3S技術(shù)發(fā)展迅速,運(yùn)用GIS等遙感技術(shù)探索PM2.5的時(shí)空分布及影響因素,已逐漸成為當(dāng)下研究熱點(diǎn).

眾多研究人員曾采用過多種統(tǒng)計(jì)方法對(duì)PM2.5與氣象因素、社會(huì)因素相關(guān)性進(jìn)行分析,Pearson相關(guān)系數(shù)法、主成分分析法在大量實(shí)驗(yàn)中展現(xiàn)出其優(yōu)越性.馮雅杰等[6]利用主成分分析法對(duì)哈爾濱市大氣PM2.5中多環(huán)芳香烴的主要來源進(jìn)行分析,表明其主要來源可能為冬季供暖期的煤炭燃燒及生物質(zhì)燃燒、汽車尾氣及工業(yè)排放;張雅旎等[7]采用Pearson相關(guān)系數(shù)法對(duì)由PM2.5等引起的霾日數(shù)與其他氣象要素進(jìn)行相關(guān)性分析,表明相對(duì)濕度對(duì)杭州市霾日數(shù)影響最為顯著.

此外,空間插值作為重要的GIS功能,是GIS和環(huán)境科學(xué)中空間查詢、空間數(shù)據(jù)可視化和空間決策過程中最常用的地理技術(shù)之一[8].本文以成都市為研究對(duì)象,利用克里金插值法、Pearson相關(guān)系數(shù)法、主成分分析法探究2015—2020年不同因素影響下,成都市PM2.5時(shí)空分布特征及成都市PM2.5時(shí)空分布與氣象因素、社會(huì)因素的相關(guān)性,為成都市區(qū)域經(jīng)濟(jì)發(fā)展及科學(xué)城市規(guī)劃提供理論參考和科學(xué)依據(jù).

1 研究區(qū)概況

成都市位于四川省中部、四川盆地西部,是我國(guó)西南地區(qū)大城市之一.在地勢(shì)方面,成都市西北高、東南低,平均海拔在500 m左右,但作為其中海拔最高的大邑縣雙河鄉(xiāng)與海拔最低的金堂縣云合鎮(zhèn)海拔之差卻有4 966 m;從地貌來看,成都市位于川西北高原向四川盆地的過渡地帶,西部多山地和深丘,中部以平原為主,東部以丘陵為主.

由于成都市特殊的地形地貌,使其呈現(xiàn)東暖西涼的氣候特征,降水充沛,自然資源豐富.如圖1所示,PM2.5監(jiān)測(cè)站點(diǎn)集中分布在成都中心城區(qū),究其原因,正是因?yàn)槌啥继厥獾牡匦蔚孛?導(dǎo)致該市PM2.5的時(shí)空分布存在明顯差異[9-11],進(jìn)而導(dǎo)致成都市PM2.5監(jiān)測(cè)站點(diǎn)分布不均.

圖1 成都市PM2.5監(jiān)測(cè)站點(diǎn)分布圖

2 數(shù)據(jù)來源及預(yù)處理

本研究采用的PM2.5相關(guān)數(shù)據(jù)為經(jīng)處理后的中國(guó)區(qū)域月尺度PM2.5MODIS遙感數(shù)據(jù),空間分辨率為1 km,時(shí)間分辨率為逐月;采用的降水?dāng)?shù)據(jù)為中國(guó)區(qū)域1 km分辨率逐月降水量數(shù)據(jù)集[12],空間分辨率為1 km,時(shí)間分辨率為逐月,原始數(shù)據(jù)來源于ERA5,量綱為 mm,數(shù)據(jù)集來源于國(guó)家地球系統(tǒng)科學(xué)數(shù)據(jù)中心(http://www.geodata.cn/)[13];采用的風(fēng)速數(shù)據(jù)為中國(guó)區(qū)域1 km分辨率逐月平均風(fēng)速數(shù)據(jù)集[12],原始數(shù)據(jù)來源于ERA5,量綱為m/s,空間分辨率為1 km,時(shí)間分辨率為逐月,數(shù)據(jù)集來源于國(guó)家地球系統(tǒng)科學(xué)數(shù)據(jù)中心(http://www.geodata.cn/)[14];采用的各個(gè)社會(huì)因子的相關(guān)數(shù)據(jù)則來源于2016—2021年《四川統(tǒng)計(jì)年鑒》[15-20],可由四川省統(tǒng)計(jì)局官網(wǎng)(http://tjj.sc.gov.cn/)獲得.

本研究使用的遙感數(shù)據(jù)均為月尺度單波段數(shù)據(jù),因此,在研究季節(jié)尺度上成都市PM2.5的時(shí)空分布及其與降水量、風(fēng)速的相關(guān)性時(shí),需要利用柵格計(jì)算器將各個(gè)季節(jié)對(duì)應(yīng)的波段進(jìn)行波段合成,再進(jìn)行其他操作.一般認(rèn)為3—5月為春季,6—8月為夏季,9—11月為秋季,12月、1月、2月為冬季.

3 研究方法

3.1 克里金插值法克里金插值法是基于包含自相關(guān)統(tǒng)計(jì)模型的插值方法,可對(duì)所研究的對(duì)象提供一種最佳線性無偏估計(jì)[21].眾多研究表明,克里金插值法在對(duì)PM2.5、降水量等進(jìn)行時(shí)空分布相關(guān)分析時(shí)具有重要作用.本研究所有的PM2.5數(shù)據(jù)均服從正態(tài)分布,因此選用的插值方法為普通克里金插值法.普通克里金空間插值法是應(yīng)用地統(tǒng)計(jì)學(xué)原理,通過已知部分空間樣本信息對(duì)未知地理空間特征進(jìn)行預(yù)測(cè)的方法[22].普通克里金插值法的計(jì)算式為

(1)

其中,Z(xi)為已知位置xi處的觀測(cè)值,λi為Z(xi)分配所得的權(quán)重,Z*(x0)為估計(jì)位置,n為估計(jì)Z*(x0)值所采用的實(shí)際觀測(cè)值個(gè)數(shù).

3.2 柵格計(jì)算及Pearson相關(guān)系數(shù)法柵格計(jì)算是柵格數(shù)據(jù)空間分析中進(jìn)行數(shù)據(jù)分析與處理最常用的方法,往往利用柵格計(jì)算器來進(jìn)行.柵格計(jì)算器是一種空間分析函數(shù)工具,它支持調(diào)用ArcGIS自帶的柵格數(shù)據(jù)空間分析函數(shù).在使用時(shí),可向柵格計(jì)算器輸入地圖代數(shù)表達(dá)式,利用運(yùn)算符和函數(shù)來做數(shù)學(xué)計(jì)算.計(jì)算PM2.5的濃度分布與降水量或風(fēng)速的相關(guān)性時(shí),使用的是Pearson相關(guān)系數(shù)分析法,計(jì)算如下:

(2)

相關(guān)系數(shù)r介于-1～1之間,其絕對(duì)值越接近1,則相關(guān)性越強(qiáng);當(dāng)r=0時(shí),不存在相關(guān)性.利用Pearson相關(guān)系數(shù)對(duì)成都市PM2.5與降水量、風(fēng)速的空間相關(guān)性進(jìn)行分類,分類標(biāo)準(zhǔn)如表1所示.

3.3 主成分分析法主成分分析法是將多個(gè)指標(biāo)轉(zhuǎn)化為少數(shù)綜合指標(biāo)的一種統(tǒng)計(jì)方法[23],在SPSS軟件可完成相關(guān)操作.其在確保信息丟失最少的情況下,對(duì)可能包含重疊信息的多個(gè)相關(guān)指標(biāo)進(jìn)行降維處理,在確保精度的前提下起到減少自變量的互相干擾程度的作用[24].通過主成分分析,可得到影響成都市PM2.5濃度的主要社會(huì)因素.KMO又稱檢驗(yàn)統(tǒng)計(jì)量,是簡(jiǎn)單相關(guān)系數(shù)和偏相關(guān)系數(shù)的指標(biāo),介于0～1之間,其值越大,表明變量間相關(guān)關(guān)系越強(qiáng),主成分分析的適用性也越強(qiáng);顯著性(significance)值應(yīng)比設(shè)定的顯著性水平小,一般應(yīng)小于0.05,才可進(jìn)行主成分分析.

表 1 相關(guān)系數(shù)分類標(biāo)準(zhǔn)

4 成都市PM2.5濃度時(shí)空變化特征

4.1 空間變化特征利用ArcGIS中的普通克里金插值法對(duì)2015—2020年成都市逐月的PM2.5濃度分布數(shù)據(jù)進(jìn)行空間分析,并繪制其空間分布圖(圖2).綜合6 a來成都市PM2.5濃度空間分布圖,可知其分布總體上呈中間高、兩邊低的特征,西邊的PM2.5濃度普遍小于東邊.PM2.5濃度較高的地區(qū)主要包括錦江區(qū)、青羊區(qū)、金牛區(qū)、武侯區(qū)和成華區(qū),新都區(qū)的PM2.5在近年來也較高,眾多高值區(qū)形成一條明顯的新都區(qū)—武侯區(qū)高值帶;PM2.5濃度較低的地區(qū)主要分布在成都平原西部,包括彭州市、都江堰市、崇州市、大邑縣和邛崍市.

圖2 2015—2020年成都市逐月PM2.5濃度分布圖

從地理位置來看,成都位于四川盆地,盆地特殊靜小風(fēng)氣象特征導(dǎo)致大氣環(huán)境容量極為有限,處于中心位置的高值帶因濕度大、逆溫出現(xiàn)頻繁、中性及穩(wěn)定性天氣多,更加大了包括PM2.5在內(nèi)的大氣污染物質(zhì)的擴(kuò)散難度;而低值區(qū)海拔較高、降雨充足、植被覆蓋率較高,良好的氣候條件使得該區(qū)域PM2.5濃度較低.同時(shí),高值區(qū)擁有眾多規(guī)模較大的工業(yè)基地及工業(yè)園區(qū),如成都青羊工業(yè)總部基地、雙流產(chǎn)業(yè)經(jīng)濟(jì)園、成都武侯區(qū)工業(yè)園等,這也是造成該區(qū)域PM2.5濃度高的一個(gè)重要原因.

4.2 時(shí)間變化特征

4.2.1逐月變化特征 利用Excel對(duì)克里金插值得到的2015—2020年成都市逐月PM2.5濃度建立數(shù)據(jù)表(表2).如表2所示,每年成都市PM2.5濃度最大值普遍出現(xiàn)在1月,其次為12月;最小值一般出現(xiàn)在7月,其次為8月.

表 2 2015—2020年成都市PM2.5月平均質(zhì)量濃度

根據(jù)上述數(shù)據(jù)計(jì)算出不同月份PM2.5在2015—2020年這6年里的平均值及標(biāo)準(zhǔn)差,建立成都市2015—2020年不同月份PM2.5平均濃度折線統(tǒng)計(jì)圖(圖3).

圖3 成都市2015—2020年不同月份PM2.5 平均質(zhì)量濃度統(tǒng)計(jì)折線

從圖3可以看出,在月尺度上PM2.5濃度的整體走向較為一致,呈“凹”字形,為先降低后升高;從總體來看,1—8月下降,9—12月上升.結(jié)合圖3可以看出,1—6月的低值區(qū)域面積不斷擴(kuò)大,7—9月的低值區(qū)域面積較為穩(wěn)定,10—12月的低值區(qū)域面積迅速減小,因此有理由猜測(cè)PM2.5的濃度與降水的趨勢(shì)存在較大的相關(guān)性.

4.2.2季節(jié)尺度變化特征 利用Excel對(duì)克里金插值法所得的2015—2020年成都市不同季節(jié)PM2.5質(zhì)量濃度建立數(shù)據(jù)表(表3).從表3得出,成都市PM2.5質(zhì)量濃度在冬季時(shí)取得最大值,最大值出現(xiàn)在2017年冬季(72.95 μg/m3);在夏季時(shí)取得最小值,最小值出現(xiàn)在2020年夏季(17.71 μg/m3);春季和秋季PM2.5濃度接近,但秋季PM2.5濃度略低于春季.

表 3 2015—2020年成都市PM2.5季節(jié)平均質(zhì)量濃度

根據(jù)上述數(shù)據(jù)計(jì)算出不同季節(jié)PM2.5在2015—2020年這6 a里的平均值及標(biāo)準(zhǔn)差,建立成都市2015—2020年不同季節(jié)PM2.5平均濃度的折線統(tǒng)計(jì)圖(圖4).

圖4 成都市2015—2020年不同季節(jié)PM2.5 平均質(zhì)量濃度統(tǒng)計(jì)折線

如圖4所示,在2015—2020年,PM2.5不同季節(jié)的濃度明顯是冬季>春季>秋季>夏季.究其原因,成都平原處于四川盆地,冬季太陽輻射少,盆地易形成逆溫層,有利于形成大氣污染[25];再加上成都冬季風(fēng)速低、降水少等氣象因素,使得冬季污染天數(shù)增加;而夏季的高溫易形成強(qiáng)對(duì)流天氣,加快了PM2.5的擴(kuò)散,且成都屬亞熱帶季風(fēng)氣候,降水豐沛,有利于清除大氣中的PM2.5[26].

5 成都市PM2.5濃度與氣象因素的相關(guān)性分析

5.1 PM2.5濃度與降水量的相關(guān)性分析

5.1.1月尺度上二者相關(guān)性分析 利用ArcGIS分析中國(guó)區(qū)域1 km分辨率逐月降水量數(shù)據(jù)集,得到2015—2020年成都市逐月平均降水量,并通過Excel進(jìn)行計(jì)算后得出不同季節(jié)平均降水量及其標(biāo)準(zhǔn)差,建立折線統(tǒng)計(jì)圖(圖5).

圖5 成都市2015—2020年不同月份平均降水量統(tǒng)計(jì)折線

如圖5所示,從總體上看,降水量在1—6月呈上升趨勢(shì),7—8月趨于平緩,9—12月呈下降趨勢(shì).這與PM2.5在月尺度上的變化趨勢(shì)剛好相反,初步推測(cè)其與PM2.5濃度的時(shí)空分布有關(guān).

阮列敏對(duì)這一新科室的定位明確，職責(zé)劃分也比較清晰，希望將其構(gòu)建為醫(yī)院和社區(qū)之間的橋梁。她指出，“醫(yī)院在省委省政府提出‘雙下沉、兩提升’之后，第一時(shí)間就成立基層服務(wù)指導(dǎo)科”，希望通過新的科室“來加強(qiáng)對(duì)基層的指導(dǎo)”“加強(qiáng)對(duì)基層醫(yī)生的培養(yǎng)”。

利用柵格計(jì)算器對(duì)PM2.5與降水量的數(shù)據(jù)進(jìn)行一系列的計(jì)算,得到2015—2020年成都市PM2.5與降水量空間相關(guān)性分析圖(圖6).

據(jù)圖6可知,成都市PM2.5與降水量在絕大多數(shù)地區(qū)的相關(guān)系數(shù)r絕大多數(shù)處于-1與-0.5之間,存在顯著負(fù)相關(guān)性,即使2017年P(guān)M2.5與降水量相關(guān)性不及其他5 a,但二者相關(guān)性仍然顯著.綜上所述,可知在月尺度上成都市PM2.5濃度與降水量關(guān)系密切,存在顯著負(fù)相關(guān)性,即成都市降水量與PM2.5之間呈反比例關(guān)系,降水量越多,污染物的濃度越低,說明降水對(duì)PM2.5有一定的清除作用[27].

5.1.2季節(jié)尺度上二者相關(guān)性分析 利用ArcGIS分析中國(guó)區(qū)域1 km分辨率逐月降水量數(shù)據(jù)集,將數(shù)據(jù)進(jìn)行分類整合及相關(guān)計(jì)算,根據(jù)不同季節(jié)降水量的平均值及其標(biāo)準(zhǔn)差得到2015—2020年成都市不同季節(jié)的平均降水量,并通過Excel建立折線統(tǒng)計(jì)圖(圖7).如圖7所示,從季節(jié)尺度上看,降水量總體上為夏季>秋季>春季>冬季.而PM2.5濃度為冬季>春季>秋季>夏季,這與降水量在月尺度上的變化趨勢(shì)相反,初步推測(cè)二者存在負(fù)相關(guān)性.

利用柵格計(jì)算器對(duì)PM2.5與降水量對(duì)應(yīng)的柵格數(shù)據(jù)進(jìn)行計(jì)算,得出不同季節(jié)PM2.5與降水量的空間相關(guān)性分析圖(圖8).如圖8所示,降水量對(duì)夏季和冬季的PM2.5濃度具有很大的影響,兩者高度相關(guān);其次是對(duì)秋季的PM2.5濃度的影響,最后是春季,此時(shí)總體上呈微弱相關(guān).造成春季成都市PM2.5與降水量微弱相關(guān)的原因主要是該區(qū)域春季天氣較為多變,多為短時(shí)降水,降水量尚不足以完全發(fā)揮對(duì)顆粒物的沖刷和溶解作用[28];造成冬季成都市PM2.5與降水量高度負(fù)相關(guān)的原因主要是冬季PM2.5的初始濃度高,在相同的降水量下沉降量和沉降速度均高于其他季節(jié).值得注意的是,在夏季和秋季成都市存在大面積地區(qū)PM2.5濃度與降水量呈顯著正相關(guān),造成這一現(xiàn)象最可能的原因是弱強(qiáng)度降水.夏季與秋季成都市PM2.5濃度較低,在弱強(qiáng)度降水情況下,濕度增大帶來的顆粒物吸濕增長(zhǎng)作用強(qiáng)于降水對(duì)顆粒物的沖刷作用,從而造成PM2.5濃度增加[29].

圖8 成都市2015—2020年不同季節(jié)PM2.5與降水量空間相關(guān)性分析

5.2 PM2.5濃度與風(fēng)速的相關(guān)性分析

5.2.1月尺度上二者相關(guān)性分析 利用ArcGIS分析中國(guó)區(qū)域1 km分辨率逐月風(fēng)速數(shù)據(jù)集,得到2015—2020年成都市逐月平均風(fēng)速,并通過Excel計(jì)算出不同月份風(fēng)速的平均值及其標(biāo)準(zhǔn)差,建立折線統(tǒng)計(jì)圖(圖9).如圖9所示,風(fēng)速的變化趨勢(shì)趨于平緩,與PM2.5在月尺度上的變化趨勢(shì)不太一致.

圖9 成都市2015—2020年不同月份平均風(fēng)速統(tǒng)計(jì)折線

圖10 成都市2015—2020年P(guān)M2.5與風(fēng)速月尺度空間相關(guān)性分析

5.2.2季節(jié)尺度上二者相關(guān)性分析 利用ArcGIS分析中國(guó)區(qū)域1 km分辨率逐月風(fēng)速數(shù)據(jù)集,得到2015—2020年成都市不同季節(jié)的平均風(fēng)速,并通過Excel進(jìn)行相關(guān)計(jì)算后得到不同季節(jié)風(fēng)速平均值及其標(biāo)準(zhǔn)差,建立折線統(tǒng)計(jì)圖(圖11).

圖11 成都市2015—2020年不同季節(jié)平均風(fēng)速統(tǒng)計(jì)折線

如圖11所示,從季節(jié)尺度上看,風(fēng)速總體上為冬季>春季>秋季>夏季,且變化趨于平緩.而PM2.5濃度為冬季>春季>秋季>夏季,兩者變化趨勢(shì)雖較為一致,但其波動(dòng)幅度存在很大差異.

將PM2.5與風(fēng)速對(duì)應(yīng)的柵格數(shù)據(jù)圖利用柵格計(jì)算器進(jìn)行計(jì)算,得出不同季節(jié)PM2.5與風(fēng)速的空間相關(guān)性分析圖(圖12).如圖12所示,風(fēng)速對(duì)成都市部分地區(qū)春季和冬季的PM2.5濃度具有較明顯的影響,兩者具有一定相關(guān)性;但風(fēng)速對(duì)夏季和秋季的PM2.5濃度的影響很弱,呈微弱相關(guān)或不相關(guān).造成該現(xiàn)象的原因主要是因?yàn)槌啥际酗L(fēng)速長(zhǎng)期較小,表現(xiàn)出靜風(fēng)特征,其中尤以夏季和秋季為最.

圖12 成都市2015—2020年P(guān)M2.5與風(fēng)速季節(jié)尺度空間相關(guān)性分析

6 成都市PM2.5濃度與社會(huì)因素的相關(guān)性分析

在SPSS 25.0軟件的支持下,對(duì)2015—2020年成都市GDP、第二產(chǎn)業(yè)生產(chǎn)總值比重、人口密度、城鎮(zhèn)化率4個(gè)社會(huì)因素的數(shù)據(jù)進(jìn)行主成分分析,并用得到的結(jié)果來分析2015—2020年不同社會(huì)因素對(duì)成都市PM2.5的影響.由于KMO=0.541>0.5,顯著性Sig=0.001<0.05,說明可以對(duì)社會(huì)因素的數(shù)據(jù)進(jìn)行主成分分析,其分析結(jié)果合理有效.

由表4可知,第一個(gè)主成分的累積貢獻(xiàn)率為82.424%,且特征值遠(yuǎn)大于其他3個(gè)成分,說明第一個(gè)主成分已基本可以反映成都市PM2.5的濃度情況.主成分分析的結(jié)果如表5所示.

表 4 各主成分的特征值及貢獻(xiàn)率

表 5 各因子與主成分載荷情況

由分析結(jié)果可知,成都市GDP、人口密度和城鎮(zhèn)化率在主成分中所占比例較大,與主成分有較強(qiáng)相關(guān)關(guān)系;而第二產(chǎn)業(yè)生產(chǎn)總值比重所占比例較小,與主成分相關(guān)關(guān)系較弱.這說明隨著成都市經(jīng)濟(jì)的快速發(fā)展、人口的增長(zhǎng)以及城市化進(jìn)程的加快,成都市PM2.5的治理效果較為明顯,整體上呈現(xiàn)逐年減少的趨勢(shì),但成都市工業(yè)企業(yè)的存在仍然在一定程度上影響著PM2.5的濃度.

7 結(jié)論

本研究利用ArcGIS的空間分析功能以及Excel、SPSS的統(tǒng)計(jì)功能,對(duì)2015—2020年成都市PM2.5濃度、氣象因素及社會(huì)因素進(jìn)行分析和處理,對(duì)成都市PM2.5的時(shí)空分布狀況進(jìn)行研究,并探究不同影響因素對(duì)PM2.5濃度的影響,結(jié)果表明:

1) 成都市PM2.5濃度分布整體呈中間高、兩邊低的空間特征,西邊的PM2.5濃度普遍小于東邊;在時(shí)間上PM2.5濃度的整體走向較為一致,呈“凹”字形,為先降低后升高,夏季PM2.5質(zhì)量濃度最小(17.71～29.96 μg/m3),冬季PM2.5質(zhì)量濃度最大(45.49～72.95 μg/m3);

2) 在氣象因素方面,成都市PM2.5濃度與降水量、風(fēng)速都存在相關(guān)性,但相關(guān)程度存在很大差異.PM2.5濃度的分布與降水量存在顯著相關(guān)性(r=-0.59),與風(fēng)速的相關(guān)性較弱(r=0.19),這與成都市降水充沛、風(fēng)速常年處于低值的氣象特征存在密切聯(lián)系.

3) 成都市PM2.5濃度與社會(huì)因素存在相關(guān)關(guān)系.隨著成都市經(jīng)濟(jì)的快速發(fā)展、人口的增長(zhǎng)以及城市化進(jìn)程的加快,成都市PM2.5的治理效果較為明顯,整體上呈現(xiàn)逐年減少的趨勢(shì),但成都市工業(yè)企業(yè)的存在仍然在一定程度上影響著PM2.5的濃度.

致謝四川省大學(xué)生思想政治教育研究中心項(xiàng)目(CSZ138)、綿陽師范學(xué)院質(zhì)量工程項(xiàng)目(Mnu-JY210101、Mnu-JY210055和Mnu-JY210346)、綿陽師范學(xué)院校級(jí)科研啟動(dòng)項(xiàng)目(QD2021A35)對(duì)本文給予了資助,謹(jǐn)致謝意.