PM_2.5/PM₁₀浓度变化规律分析及影响因子

Changes of PM_2.5/PM₁₀ Concentration and Its Influencing Factors

摘要: 本文根据哈密基准气候站2015年环境监测数据和自动站气象数据，采用M-K突变检测、线性倾向估计、皮尔逊(pearson)相关系数计算及相关性t检验等方法，分析了PM_2.5/PM₁₀的浓度变化规律及其影响因子。研究表明，PM_2.5/PM₁₀浓度1月中旬上升趋势最为显著，达到了P < 0.001显著性检验水平。从季节变化来看，PM_2.5浓度峰值出现在冬季1月份，月均浓度值为105.1 ug/m³，PM₁₀浓度峰值出现在春季4月份，月均浓度值为261.5 ug/m3。其日变化特征浓度高值则出现在正午14:00左右。从变化趋势可知，PM_2.5/PM₁₀浓度高低和大气能见度、降水量和风速有关。PM浓度高低和能见度好坏、降水量大小呈相反趋势，与风速大小趋势相一致并通过了不同程度的相关性检验。

Abstract: According to the Hami climate stations 2015 environmental monitoring data and meteorological data of automatic station using M-K mutation detection, linear trend estimation, Pearson (Pear-son) calculated the correlation coefficient and correlation between t test and other methods, and analyzed the concentration changes of PM_2.5/PM₁₀ and its influencing factors. The results showed that the trend of PM_2.5/PM₁₀ concentration in the middle of January was the most significant, reaching the significant test level of P < 0.001. From the seasonal changes, the peak concentration of PM_2.5 appeared in winter in January; the monthly average concentration was 105.1 ug/m³; the peak value of PM₁₀ concentration appeared in spring in April; and the monthly average concentration was 261.5 ug/m³. Its diurnal variation and high concentration appeared at about 14:00 noon. From the changing trend, the concentration of PM_2.5/PM₁₀ is related to atmospheric visibility, precipitation and wind speed. The concentration of PM is in the opposite trend with the visibility and the amount of precipitation, which is consistent with the trend of wind speed and the correlation test of different degrees.

1. 引言

随着经济的高速发展，大气中的PM_2.5/PM₁₀颗粒物占总悬浮颗粒物的比率逐年增加。近几年来，人们对大气环境认知度不断提高，熟知PM_2.5/PM₁₀一些粒径细小的颗粒物不仅会污染大气导致能见度变低，而且严重威胁市民身体健康，影响城市经济活动和生活。大气颗粒物质量浓度是目前评价大气质量的主要依据之一。国内外已有很多关于PM₁₀和PM_2.5的研究 [1] [2] [3] 。刘大锰 [4] [5] 等从气溶胶质量浓度的日变化以及一个季节里的变化特征出发，研究了北京市气溶胶中不同来源的大气颗粒物的污染水平，以及颗粒物的质量浓度与各种气象条件的对应关系；袁杨森 [6] 等对PM₁₀和PM_2.5质量浓度进行对比分析，得出大气颗粒物的空间分布和时间变化特征。然而，城市的空气质量好坏主要取决于两个因素：一是城市及其周边环境的能源结构、经济发展水平；二是城市所处的地理位置。前者决定了大气污染物的排放水平，后者决定了当地的天气气候特征，也就是决定了这个城市大气污染物的扩散稀释能力 [7] 。因此，本文根据哈密市2015年环境空气质量监测站的环境监测数据和本站自动站数据，分析PM_2.5/PM₁₀浓度的时间变化规律及其影响因子。

2. 资料来源与方法

2.1. 资料来源

资料来自哈密基准气候站环境监测站2015年PM_2.5/PM₁₀浓度的逐日监测数据和2015年自动站数据。

2.2. 研究方法

Mann-Kendall趋势检验法和线性倾向估计法。

3. 结果与讨论

3.1. PM_2.5/PM₁₀浓度变化趋势分析

由图1可知，PM_2.5在1~4月、8~12月UFK统计量大于0，说明PM_2.5浓度从1月份左右开始呈上升的趋势，其中1月中旬上升趋势最为显著，达到了显著性检验水平(P < 0.05)；UFK和UBK的交点出现在大概1月中旬左右(交点在临界线之间)，因此1月中旬为突变点，4~8月UFK统计量小于0，说明PM_2.5浓度呈下降趋势。

由图2可知，PM₁₀在2~4月、5~11月UFK统计量大部分大于0，说明PM₁₀浓度呈上升趋势。UFK和UBK的交点出现大概也在1月份，1月中旬为突变点，其中5月中旬至10月中旬上升最为显著，均达到了显著性检验水平(P < 0.001)。12月开始下降。

3.2. PM_2.5/PM₁₀浓度季节变化特征

哈密市PM_2.5/PM₁₀浓度的季节变化趋势较一致(图3)。PM_2.5月均浓度高值主要集中在1~4月、10~12月，而在5~9月份其浓度值较低。PM₁₀月均浓度高值主要集中在1~4月，而在5~7月份其浓度值较低。2015年哈密市观测站点浓度的峰值PM_2.5出现在1月，月均浓度值为105.1 ug/m³，PM₁₀出现在4月，月均浓度值为261.5 ug/m³。哈密市PM_2.5/PM₁₀的超标主要发生在秋、冬季，春、夏季发生的频率较少。这可能与哈密市观测点的地理位置和气象条件能源输送有关。由于观测点位于哈密市东郊，距离城区较远，冬季无法提供集中供暖，再加上周围有许多居民区、在本站的采样点北面有一锅炉。一方面秋、冬季降雨量小，大气混合层高度较低，污染物扩散清除强度不如春、夏季；另一方面，哈密市主导风向为东风

Figure 1. PM_2.5 concentration MK statistics curve

图1. PM_2.5浓度MK统计量曲线

Figure 2. PM₁₀ concentration statistics curve

图2. PM₁₀浓度统计量曲线

和东北风，来自上风向的污染物输入可能是导致秋、冬季PM_2.5浓度总体很高的重要原因。

3.3. PM_2.5/PM₁₀浓度日变化特征

PM_2.5/PM₁₀浓度的日变化情况较为一致(图4)。从图中可看出PM_2.5/PM₁₀浓度值日均变化呈现双谷形态，分别出现在7:00~10:00和21:00~0:00之间，浓度高值则出现在正午14:00左右。上述日变化特征，很可能与站点周围环境和本地源排放关系密切。一方面，由于采样点位于郊区，周围的树木、植物较多，空气较清新，造成浓度值偏低；白天由于居民区生火，再加上采样点的南面有一条公路，汽车尾气的排放，使浓度值14:00左右达到峰值，之后随大气混合层高度抬升，气流与高层清洁空气交换加剧，有利于污染物扩散，使浓度值不断下降。在其他时间段，没有显著的机动车排放，大气细粒子浓度仅受稳定的本地源排放和区域输送影响，因此浓度相对较低且比较稳定。

3.4. PM_2.5/PM₁₀浓度的影响因子

利用线性倾向估计的方法分析PM_2.5/PM₁₀浓度的影响因子。

由图5可知，能见度好坏与PM值浓度的高低存在着一定的关系。大气能见度好对应PM值浓度值

Figure 3. Seasonal variations in PM_2.5/PM₁₀ concentration

图3. PM_2.5/PM₁₀浓度的季节变化

Figure 4. The characteristics of PM_2.5/PM₁₀ daily concentration change

图4. PM_2.5/PM₁₀浓度日变化特征

小，其变化趋势是相反的。冬季PM值浓度普遍较大，而能见度值则较低。夏季PM值浓度相对较小，而能见度普遍较好。

由图6可知，降水量也是影响PM值浓度的一个重要的因子。降水量大，PM浓度值小。这是因为粘滞作用，空气中的颗粒物将随着降水一起带到地面，对空气质量有保洁作用。随着雨量增大，空气中的颗粒物逐渐被清除，使得大气中PM浓度整体降低。

由图7可知，风速也是影响PM值浓度的另一个重要因子。风速的大小对PM浓度呈现正趋势。风

Figure 5. Effect of visibility on PM_2.5/PM₁₀

图5. 能见度对PM_2.5/PM₁₀的影响

Figure 6. Effect of precipitation on PM_2.5/PM₁₀

图6. 降水对PM_2.5/PM₁₀的影响

Figure 7. The influence of average wind speed on PM_2.5/PM₁₀

图7. 平均风速对PM_2.5/PM₁₀的影响

Table 1. Meteorological factors affecting the PM value

表1. 影响PM值的气象因子

速大PM₁₀浓度大，这和本站的年最多风向有关，本站最多方向为NE、ENE。而本站的N方向有一烟囱，周围有居民区，这也许是造成浓度偏大的主要原因。

3.5. PM_2.5/PM₁₀影响因素的相关性分析

皮尔逊(Pearson)相关系数是描述两个随机变量线性相关的统计量，用r来表示。设有两个变量

$x_1,x_2,\cdots ,x_n$ 和 $y_1,y_2,\cdots ,y_n$

相关计算公式为：

$r=\frac{{\displaystyle \underset{i=1}{\overset{n}{\sum }}\left(x_i-\bar{x}\right)\left(y_i-\bar{y}\right)}}{\sqrt{{\displaystyle \underset{i=1}{\overset{n}{\sum }}{\left(x_i-\bar{x}\right)}^2\cdot {\displaystyle \underset{i=1}{\overset{n}{\sum }}{\left(y_i-\bar{y}\right)}^2}}}}$ (1)

式中 $$ r为相关系数，x_i为PM₁₀或PM_2.5资料，y_i为影响因子资料。利用公式(1)分别计算2015年1~12月PM值与能见度、降水量及风速的相关系数如下表所示。

计算统计量

$t=\sqrt{n-2}\frac{r}{\sqrt{1-r^2}}$ (2)

由表1可以看出，根据2015年1~12月份的PM值和相应自动站的能见度、降水量及风速资料，对其进行了相关性分析。结果表明：能见度和降水量与PM_2.5浓度的相关性最好，通过了α = 0.025的显著性检验，2分钟平均风速与PM_2.5浓度和能见度与PM₁₀浓度的相关性较好，通过了α = 0.10的显著性检验；降水量和2分钟平均风速与PM₁₀浓度的相关性较弱，通过了α = 0.15显著性检验。

4. 结论

本文采用哈密大气成分环境空气监测站点2015年的环境监测数据和自动站数据，利用Mann-Kendall趋势检验、线性倾向及相关性分析、检验等方法分析PM_2.5/PM₁₀浓度的时间变化趋势及其影响因子。研究表明：PM_2.5/PM₁₀浓度1月中旬上升趋势最为显著。从季节变化来看，PM_2.5浓度峰值出现在冬季，PM₁₀浓度峰值出现在春季。其日变化特征浓度高值出现在正午14:00左右。这与人类的活动和机动车辆的排放有一定的关系。能见度好坏和降水量的多少与PM浓度高低呈相反趋势，这是因为降水量对大气颗粒物有清除作用。风速的大小与PM浓度高低趋势相一致。这可能与当地污染源的排放和本站的最多风向有关。研究结果显示，这些影响因子都通过了不同程度的相关性检验，具有一定的代表性。因此，为了保障人们身体健康和生活质量，就要尽量减少各种污染源的排放，尽量不要在人类活动的上风方向设置工业区，生活上尽量使用无烟燃料，减少机动车尾气排放，保护环境资源。