重慶市渝北區PM2.5時空變化特征及影響因子分析

黃 旺，何 勇

(重慶交通大學，重慶 400074)

1 引言

細顆粒物(PM2.5)是指環境空氣中空氣動力學直徑≤2.5 μm的顆粒物。PM2.5是大氣污染中危害最為嚴重的顆粒物，人們吸入后，會誘發各種病癥。同時，PM2.5濃度較大的時候，會能降低能見度，形成霧霾天氣[1]。近年來，城市的高速發展，能源使用增加，致使生活、交通及工業排放污染物增加。大氣中PM2.5濃度也隨著變化，所以研究PM2.5濃度變化規律以及分析影響PM2.5濃度變化的因素，對于PM2.5防治和制定相關治理政策、改善居民生活質量具有重要意義。

渝北區處于重慶市主城區北部方向，地處巴渝平行嶺谷地帶，由于渝北區氣候特征明顯、四季變化分明、夏季雨水多、風力較小、冬季云霧多，風力小的特點，PM2.5濃度變化差異明顯。為分析渝北區PM2.5時間變化特征和空間分布特征及影響因子。本研究根據PM2.5的空間關聯性特點，利用重慶市2016年PM2.5監測數據進行分析，為大氣污染治理提供科學的依據。

2 數據及方法

2.1 數據來源與處理

2.1.1 PM2.5監測數據

由于PM2.5污染的區域性特性更強，存在遠距離輸送的問題，隨著大氣運動與物質擴散，霧霾天氣往往會影響多個臨近區域[2]，由于渝北區為山地地形，受到季風影響較為明顯，同時城區人口、建筑較為集中在主城區，渝北區PM2.5濃度變化受到主城區其他區域影響也相對較大。根據PM2.5所具有的特性，利用主城區 17 個監測點PM2.5監測數據進行多元回歸分析具有更加精確的結果，重慶市主城區17個監測站點與渝北區3個監測站點及的位置示意如圖1, PM2.5濃度數據為 2016 年1月3 日到 2016 年 12月31日每隔 1 h 的監測數據，來源于(細顆粒物)及空氣質量指數(AQI)實時查詢http://www.pm25.in/。

圖1 PM2.5監測站點分布示意

2.1.2 土地利用類型

土地利用數據為重慶市主城區2015年數據，考慮了PM2.5監測站點位置和土地利用類型數量。分為耕地、林地、草地、水域、建筑用地等5類，對監測站點做緩沖區處理，緩沖區半徑分別為5000 m、3000 m、1000 m。然后提取各種土地利用類型占地面積數據(圖2)。

圖2 重慶市主城區土地利用分類

2.1.3 人口數據

渝北區城區人口多，密度大，PM2.5濃度變化受到人口集聚效應的影響，人口分布能夠側面反應社會資源流向。體現城市資源消費區域分布情況，人口數據為2016 年重慶市人口分布數據。 處理方法同樣為根據監測站點建立5000 m、3000 m、1000 m緩沖區，并統計各緩沖區內人口數量。

2.1.4 地形地貌

DEM可以反應研究區地形地貌條件，PM2.5的濃度變化位置與海拔存在關系。地形地貌對PM2.5濃度空間分布的影響具有明顯地域特征。由于重慶是平行嶺谷地貌，海拔差異明顯，同時渝北區工業園區，建筑分布也受到地形地貌的影響。研究PM2.5濃度變化加入高程數據非常重要。利用重慶市DEM數據獲取每個站點的高程。

2.1.5 道路密度

交通路網表征了機動車的污染排放。結合2016年modis影像并結合谷歌地球進行矢量化得到，對每個站點分別建立5000 m、3000 m、1000 m緩沖區，并統計各緩沖區內各道路類型總長度。

2.1.6 產業點密度

產業點密度數據反應的是單位面積中產業點的數量，它能夠準確地反映出一個地區單位土地總面積上的經濟產出水平,是反應地區生產及發展水平的重要指標。工業生產過程會直接或間接地向環境大氣排放污染物,影響PM2.5濃度。產業點的分布可以反映影響PM2.5濃度變化，對監測站點分別建立5000 m、3000 m、1000 m范圍緩沖區，并統計各緩沖區內各產業點數量，從而獲取緩沖區內產業點密度變量。

2.2 LUR模型構建

LUR(Land Use Regression)由Briggs等[3]于1997年提出，給予GIS平臺。建立大氣污染物與土地利用和其他相關數據的多元回歸模型。可以模擬大氣污染物濃度。LUR模型能夠在一定程度上從機制方面解釋大氣污染物濃度的時空特征[4]。

采用LUR模型模擬大氣污染物濃度空間分布的精確性取決于所選取的地理變量和緩沖區數量以及監測點的數量與分布。構建LUR模型常見的地理變量包括土地利用、 道路交通、人口密度、氣象因素和自然地理因素等。LUR 模型已經在模擬歐洲、北美和日本一些城市的NOX、PM2.5年平均濃度方面取得了不錯成績[5,6]。由于PM2.5數據監測方法監測站點和監測范圍有限，為實現濃度空間分布高分辨率覆蓋[7]，本研究基于ARCGIS10.1，結合土地利用數據、路網數據、DEM數據、人口數據和產業密度等數據，利用LUR模型計算PM2.5多元線性回歸公式。

假設大氣污染物濃度y受到n個自變量x1,x2,……xn的影響，其組觀測值為ya，a=1,2……，n。那么，大氣污染物濃度濃度多元回歸模型結構形式為：

ya=β0+β1x1a+β2x2a+βnxna+εa

(1)

式(1)中，y為大氣物檢物濃度 ，x為自變量，β0，β1，……，βn為待定系數，εa為隨機變量。

3 結果與分析

3.1 渝北區PM2.5時間分布特征

3.1.1 PM2.5濃度2014～2016年變化情況

根據監測站點數據，取監測站點均值作為渝北區2014、2016年PM2.5年均值，分析PM2.5變化情況，結果如表1所示。

表1 PM2.5變化情況

從表1可以看出，禮嘉PM2.5平均質量濃度由2014年64.91 μg/m3降至2016年54.15 μg/m3，降幅為16.58%，空港PM2.5平均質量濃度由2014年59.9 μg/m3降至2016年的52.86 μg/m3，降幅為11.75%，兩路PM2.5平均質量濃度由2014年的56.24 μg/m3降至2016年53.01 μg/m3，降幅為5.73%，表明2014～2016年PM2.5污染程度有所下降，其中禮嘉地區降幅最大。

2014年渝北區禮嘉、空港、兩路年均值分別為64.91 μg/m3、59.9 μg/m3和56.24 μg/m3，三個地區的年均值均超過了國家新規標準規定的年均值二級標準(35 μg/m3)，禮嘉、空港、兩路年均值分別是標準值的1.85倍、1.71倍和1.61倍。

2016年渝北區禮嘉、空港、兩路年均值分別為54.15 μg/m3、52.86 μg/m3和53.01 μg/m3，三個地區的年均值均超過了國家新規標準規定的年均值二級標準(35 μg/m3)，年均值分別是標準值的1.55倍、1.51倍和1.51倍。渝北區2014和2016年PM2.5質量濃度一級超標倍數雖有下降，但變化范圍相差不大。

3.1.2 PM2.5日變化分析

PM2.5統計基礎數據均為小時數據，根據每天24 h數據求得算數均值即為PM2.5的日均值，同時依據日均值數據，計算月數據和季節數據及年均值， 其中6、7、8月份為夏季，9、10、11月份為秋季，12、1、2月份為冬季，3、4、5月份為春季。選擇渝北區2016年兩路、空港、禮嘉三個空氣質量監測站點監測數據，做日變化分析，分析結果見圖3。

圖3 2016年渝北區PM2.5濃度日變化

從圖3中可以看出，2016年PM2.5日均濃度處于國家一級、二級濃度標準之間。 在一天中 PM2.5濃度日平均中分別在10:00～12:00和22:00至次日1:00出現2個峰值，由于10:00～12:00是人口活動、交通運輸、建筑施工、餐飲業油煙排放的高峰期，PM2.5濃度變化在這個階段達到了一個高峰。隨后由于氣溫逐漸變化，溫度逐漸升高，較大的溫差有利于污染源的擴散，PM2.5濃度逐漸降低。而在16:00時渝北區PM2.5濃度達到全天低谷值，隨后PM2.5濃度在夜間逐漸升高，這是由于隨著下午到晚上這段時間，地面溫度降低，造成空氣垂直對流能力弱，污染物濃度消散能力變弱。PM2.5逐漸升高并于0時左右達到 PM2.5濃度全天最高值，說明渝北區PM2.5濃度峰值出現時間與人們的早上出行高峰和當天氣象條件變化相關。

3.1.3 PM2.5逐月變化情況

渝北區2016各地區月PM2.5月均濃度以9月最高，7月最低。PM2.5濃度大小依次為：9月>12月>2月>1月>3月>11月>5月>8月>4月>10月>6月>7月。

從逐月變化圖4來看：12月，1月，2月和3月濃度值顯著高于4月，5月和6月，10月份PM2.5濃度降低明顯，這可能與10月份頻繁降雨有關。在12，1，2,3月份渝北區氣溫較低，降雨少，大，在大氣中污染物的擴散和清除程度較小，同時人們的燃煤取暖等活動也會增加污染物的排放。在4，5，6月份，渝北區氣溫逐漸回升，大氣活動增強，降雨量也增加，增強了大氣中顆粒物的擴散和清除。

圖4 PM2.5濃度逐月變化

3.1.4 PM2.5季節變化情況

選取渝北個及其周邊的兩路、空港、禮嘉、蔡家、高家花園、解放碑、唐家沱7個站點比較，分析PM2.5濃度季變化情況，結果見圖5。

圖5 2016年渝北及周邊7個站點PM2.5四季變化

從圖5中可以發現：2016年渝北區及周邊7個地區PM2.5濃度季節變化趨勢相同，說明但PM2.5濃度變化趨勢基本相同說明PM2.5的污染呈現區域性特征，渝北區PM2.5濃度受到周圍區域影響。PM2.5濃度以夏季最低，冬季最高，其中最高為72.86 μg/m3，季節平均濃度大小依次為：冬季>春季>秋季>夏季。這是因為渝北區是山地地形，多高樓大廈，地面粗糙度大，氣象因素在較大程度上影響渝北區的PM2.5濃度，渝北區春冬季靜風頻率大，由于重慶夏季降雨較多，風速也相對其他季節較大，大氣污染物消散能力增強。而冬季以陰天為主，降水量較少，大氣穩定度較高，風速較小，無持續風向，加之受城市熱島效應影響，不利于空氣中污染物的擴散，導致PM2.5濃度明顯升高，因此渝北及周邊7個地區PM2.5濃度冬高夏低 。

3.2 PM2.5空間變化特征

在對污染物濃度分布進行研究時常利用插值法: 克里格法是基于包含自相關( 即測量點之間的統計關系) 統計模型的插值方法,利用主城區17個監測站點PM2.5平均值，進行ARCGIS克里格插值分析，得到重慶市四季 PM2．5空間濃度分布圖，然后提取渝北區四季PM2.5濃度空間分布，結果見圖6。

圖6 2016年四季PM2.5質量濃度空間分布

從圖6中可看出，渝北區2016年PM2.5濃度空間分布特征具有以下特征：第一，渝北區冬季PM2.5濃度最高，且高濃度覆蓋區域面積較大；第二，PM2.5濃度空間分布特征季節變化明顯，春季禮嘉PM2.5濃度最高，第三，渝北區PM2.5濃度四季存在明顯空間分布差異明顯，城市內部PM2.5濃度高于遠郊地區。原因分析：由于夏季是重慶的雨季，降水對大氣具有清潔作用，不利于污染物滯留。同時渝北區城市內部冬季 PM2.5污染空間異質性弱于夏季，盡管冬季污染程度明顯比夏季嚴重；這是因為冬季氣象條件穩定，不利于城市內部污染物擴散，而夏季局部空氣擴散條件差異明顯[8]。

3.3 PM2.5影響因子分析

3.3.1 相關性分析

本研究利用SPSS軟件的雙變量相關性分析功能，分別分析了19個變量和PM2.5平均濃度的相關性(表2)。從相關性分析結果可以看出，與因變量PM2.5相關性程度最高的是1000 m半徑緩沖區林地面積，其次是2000 m半徑緩沖區林地面積、然后是2000 m，1000 m半徑緩沖區路網長度。

由于本實驗中自變量個數較多且它們之間可能存在共線性問題，所以采用逐步回歸分析法，剔除不顯著的變量。 從判定系數來看，最終模型R2逐步增加，且最終R2為0.949，所以模型擬合情況很好，解釋能力較強。最終進入模型的自變量有5個，得到PM2.5濃度變化多元線性回歸方程如下：

y=61.457-3.726X6+0.2X19-0.004X16+0.402X8+0.000301X15

(2)

通過表3可看出，多元線性回歸方程的回歸系數值與各個自變量與因變量的相關性基本一致，PM2.5濃度值隨人口數量、產業密度而增大，隨林地面積、增大而減小。其中，式中X16，系數為負值，原因是樣本數據量較小，擬合結果與現實情況存在一定誤差。

表2 自變量與因變量相關性

根據(表3)回歸方程決定系數R2=0.925，調整后R2=0.888，回歸方程的R2值的大小代表了回歸方程擬合度的大小，R2值越大表示擬合的效果越好，標準估計誤差為1.816 μg/m3模型擬合程度較高，模型的F檢驗值sig值遠小于0.01，故這些變量對最終模型的貢獻是十分顯著的。在所有相關因素中，PM2.5與林地面積、人口數量、產業密度均有聯系，是影響PM2.5濃度變化的重要因素。

表3 回歸模型系數

3.3.2 模型檢驗

利用多元回歸方程，利用渝北區禮嘉站點來對方程進行檢驗。根據多元回歸方程，檢驗點禮嘉模擬濃度為54.495 μg/m3,再根據PM2.5監測站點數據計算，禮嘉年平均濃度為54.15 μg/m3

誤差率=︱模擬值-監測值︱/監測值×100%

(2)

根據公式(2)得出，檢驗點禮嘉誤差率為0.64%,誤差可接受。

4 結論

(1)渝北區 PM2．5日變化趨勢為雙峰單谷型。10:00～12:00和22:00至次日1：00達到峰值，在16：00達到低谷，說明渝北區PM2.5濃度峰值出現時間與人們的早上出行高峰以及當天氣象條件變化相關；渝北區月變化及季節變化呈現為冬季>春季>秋季>夏季。同時渝北區PM2.5濃度受到周邊城區影響，PM2.5在一年中濃度變化趨勢相同。

(2)與圖2 的重慶市土地利用類型分布對比發現，研究區 PM2.5四季平均濃度分布，以高值分布于渝北區中心城鄉居住地以及工業建設所在地，耕地與綠地的PM2.5濃度值較低。一方面，因為渝北兩路工業園、空港工業園、出口加工區等工業園區較多，同時城區的城鄉居住地和道路交通的密度很大；另一方面，因為耕地與綠地的植物對PM2.5具有衰減的作用。所以渝北區PM2.5濃度由城區到郊區逐漸降低。

(3)本文結合統計分析、GIS 空間分析方法等方法構建LUR 模型，R2達到了0.925，說明擬合效果較好。 回歸方程中，影響PM2.5濃度的因素主要包含監測站點1000 m范圍內林地面積、1000 m范圍內產業點密度、3000 m范圍內居民點面積以及1000～3000 m范圍內人口數量。同時考慮模型結果與檢驗點禮嘉誤差為0.64%。