相對濕度和PM2.5及PM10對成都大氣能見度的影響

蘇靖晰，王永忠，王圣堂，陳紅敏

(中國民用航空飛行學院空中交通管理學院，四川 廣漢 618307)

引 言

大氣能見度是表征大氣透明程度的一個重要指標，與人們的生活健康息息相關。隨著國家經濟建設與工業生產的高速發展，工業、供暖及汽車尾氣排放的污染氣體及PM2.5和PM10粒子等造成了城市空氣質量的進一步惡化，成為低能見度產生的主要原因[1-2]。成都市地處盆地，秋冬季節少風、弱風，不利的地形條件導致大氣污染物難以擴散，且相對濕度常年較高，秋冬季節逆溫層頻繁發生，垂直對流減弱，使得大量雜質跟水汽堆積在近地層表面形成霧霾天氣[3]。近年來，我國已經針對大氣環境質量頒布了眾多法規法案并采取相應措施來控制減少大氣的污染，在改善空氣質量及污染物來源方面取得了不錯的成績[4-5]。

國外于20世紀初便開始了能見度相關的研究，一些氣象學者發現能見度與氣溶膠濃度密切相關，除去氣象因素的影響后，能見度能很好的反映空氣質量的變化趨勢[6-7]。Baik[8]研究認為，能見度與氣溶膠濃度和相對濕度密切相關，相對濕度主要通過改變顆粒物粒徑分布，影響顆粒物的消光和散光系數來影響能見度。國內對大氣能見度的研究始于上世紀80年代，迅猛發展于20世紀后期，于興娜等[9]探究能見度與其影響因子的關系發現，氣溶膠粒子與能見度之間存在一定的負相關性，其中細粒子對能見度的影響更為顯著。宋秀瑜等[10]發現，隨著相對濕度的增加，PM2.5及PM10質量濃度也相應增加，其主要原因是氣溶膠粒子吸濕增長，逐步向集聚態轉變為大粒子，從而增加了消光率及散射率，使能見度進一步下降。

本文旨在探究基于成都地域特性的能見度與各影響因子之間的變化趨勢，對相對濕度及氣溶膠粒子質量濃度與能見度進行相關性分析，并進行多元非線性擬合，得出能見度與相對濕度、PM2.5及PM10之間的擬合方程，可進一步用于成都地區低能見度發生時段的預測研究。

1 儀器與資料

數據來源于2014～2018年中國氣象局成都大氣邊界層氣候觀測站(30.750°N,103.867°E；海拔高度：541.0m；站號：56187)逐時氣象觀測資料和同期成都市環境監測站所屬的8個國控環境空氣質量監測站點逐時平均觀測數據。其中大氣能見度采用BYTD-MV前向散射式能見度儀進行測量，檢測范圍1～30 000m，測量精度：±2%(≤1 000m)；±20%(>1 000m)，辨別率：1m(≤1 000m)；100m(>1 000m)，數據采集頻率1次/min，工作環境：溫度-50～50℃；相對濕度：0～100%[11]。本站的其他觀測數據還有相對濕度、溫度、露點溫度、風向風速以及修正海平面氣壓。國控監測站點分別位于君平街(30.656°N,104.057°E)、龍泉驛區區政府(30.557°N,104.275°E)、金泉兩河(30.719°N,103.967°E)、大石西路(30.651°N, 104.029°E)、十里店(30.674°N, 104.139°E)、三瓦窯(30.599°N, 104.077°E)、沙河鋪(30.627°N, 104.120°E)、靈巖寺(31.025°N, 103.597°E)，監測因子包括PM2.5、PM10、SO2、NO2、CO和O3的逐小時質量濃度數據。氣象觀測完全依據GB3095-2012標準[12]進行，觀測時間范圍為2014年1月1日～2018年12月31日。為保證數據的準確有效性，所采用的數據均進行了嚴格的質量控制，定時對觀測儀器進行檢驗校準，最終得到的數據進行處理得到小時平均值，為避免降雨或降雪等氣象因素對各項觀測數據的影響，剔除雨雪等可能造成影響的數據，最終得到28 346組有效數據。

所采用的時間均為北京時間，在季節劃分方面，3～5月為春季，6～8月為夏季，9～11月為秋季，12～2月為冬季。

本文對能見度與其影響因子之間所做的相關性分析、曲線估計和非線性回歸分析工作主要使用的是SPSS軟件，相關性分析主要采用Pearson相關系數法，曲線估計使用的是將非線性曲線轉化為線性曲線，再通過最小二乘法求出最優解，非線性回歸分析是運用Levenberg-Marquardt算法對函數做泰勒級數展開，再多次迭代求最優解的方法，SPSS作為統計分析類軟件具有功能全面、快速運算和操作便利等強大優勢。

2 結果分析

2.1 隨時間變化各影響因子對大氣能見度的影響

圖1(a)為2014～2018年的能見度、相對濕度、PM2.5和PM10的年平均變化趨勢，由圖可以看出，2014～2018年能見度上升明顯，其中2014～2015年能見度上升最高。年平均相對濕度變化極小，對能見度的年變化影響較小。因此年平均能見度增大主要與PM10及PM2.5質量濃度減小有關，能見度變化趨勢與PM10和PM2.5質量濃度的變化趨勢存在明顯的負相關。圖1(b)為大氣污染因子的年平均變化趨勢，圖中可以看出2014～2018年NO2、SO2以及CO氣體濃度呈明顯下降趨勢，與大氣能見度呈負相關，與PM10和PM2.5質量濃度呈正相關，O3濃度變化趨勢相反，濃度升高13%。

2014～2018年大氣能見度逐漸升高和PM10、PM2.5及主要大氣污染物濃度明顯降低的主要原因是近幾年國家連續出臺了幾項環保政策及法案，2014年4月24日，十二屆全國人大常委會第八次會議通過了《環保法修訂案》，新環保法在2015年初開始初步試點實行，2016年初得到進一步落實[13]。2016～2018年，成都市共對8 727家違法排污企業進行整治，2018年1月1日，國家新通過7項環保法案，分別對城市PM2.5濃度及大氣污染物濃度進行明確的處罰政策，對城市PM10、PM2.5及大氣污染物濃度的降低起到了關鍵性作用。

圖1 年平均能見度、相對濕度、PM10、PM2.5、NO2、O3、SO2及CO隨年份時間變化規律Fig.1 Annual average visibility, relative humidity, PM10, PM2.5,NO2,O3,SO2 and CO change with year and time

圖2為大氣能見度與相對濕度、PM10、PM2.5及PM10與PM2.5差值的2014～2018年月平均變化趨勢，由圖可知，能見度變化趨勢呈倒“V”型，在5月最高，在12月最低，相對濕度變化趨勢呈單峰單谷型，在5月份最低，在9月最高，在1～9月，能見度與相對濕度呈現顯著的負相關。由于成都地區秋季9月降水持續時間長、次數多，所以出現相對濕度驟升與能見度驟降主要受其影響[14]。在10～12月，能見度與相對濕度的變化趨勢出現反常，隨相對濕度的降低，能見度也反而降低，其根本原因是成都市地域氣候特性導致秋冬季節逆溫層頻繁發生，使得大量顆粒物跟水汽堆積在近地層表面難以擴散而形成霧霾，秋冬季節的低能見度主要由大氣氣溶膠粒子濃度決定[3,15]。由圖2(b)可知，PM10、PM2.5及PM10與PM2.5濃度差值的月變化趨勢呈“凹”型，質量濃度都在9月份最低，PM10與PM2.5濃度在1月份最高，PM10與PM2.5濃度差值在12月份最高，濃度高低主要受大氣穩定度影響，且PM10、PM2.5及PM10-PM2.5濃度之間相關性極好，主要受工業、汽車尾氣排放等影響，三者與能見度之間的相關性良好[2]。

圖2 大氣能見度與相對濕度PM10、PM2.5及PM10-PM2.5質量濃度逐月變化曲線Fig.2 Monthly variation curves of visibility and relative humidity, PM10, PM2.5 and PM10-PM2.5 mass concentrations

圖3是大氣能見度與PM10、PM2.5及PM10-PM2.5質量濃度的2014～2018年平均日小時變化曲線，由圖可知，相對濕度與能見度的變化曲線都是“單峰單谷”型，且呈明顯負相關。在6時，相對濕度為最高峰值時，能見度為最低谷值，之后隨著日出溫度的升高，相對濕度逐漸降低，能見度逐漸升高，至15時溫度達到最高，相對濕度達到最小值，能見度達到最大值，15時之后，溫度開始逐漸回落，相對濕度相應的開始逐漸升高，能見度開始逐漸降低直到第二日6時。而PM10、PM2.5及PM10-PM2.5濃度主要受人類活動以及大氣穩定度的影響，其濃度與能見度呈較好的負相關[16]。PM10及PM2.5濃度在8時最高，之后隨著日出溫度的升高，大氣穩定被逐漸破壞，垂直及水平對流加強，大氣氣溶膠粒子開始逐漸擴散，能見度逐漸升高，直到18時后，溫度已降低明顯，逆溫層逐漸形成，大氣開始趨于穩定，大氣氣溶膠粒子在近地層堆積，能見度逐漸降低，直到第二日8時。

圖3 大氣能見度與相對濕度、PM10、PM2.5及PM10-PM2.5質量濃度逐時變化曲線Fig.3 Hourly variation curves of visibility and relative humidity, PM10,PM2.5 and PM10-PM2.5 mass concentrations

由以上大氣能見度與其影響因子之間的年月日變化曲線可以看出，PM2.5和PM10與PM2.5差值之間的變化趨勢具有高度的一致性，且PM10-PM2.5和PM10、PM2.5具有完全的信息重疊特性，與能見度變化趨勢之間的相關性最差，故剔除PM10與PM2.5差值這一影響因子的后續分析步驟。

2.2 大氣能見度與相對濕度、PM10及PM2.5濃度的相關性分析

由大氣能見度與各影響因子的變化曲線可知，能見度主要受相對濕度、PM10及PM2.5濃度影響，所以將相對濕度分為若干個區間，研究能見度及其影響因子的變化規律。由表1可知，在相對濕度增大的同時，PM10及PM2.5的質量濃度也逐漸增大，相互疊加作用使能見度出現顯著性下降，由圖3可知，一天之中高相對濕度通常在22時到次日8時之間，而這個時間段內垂直對流弱，大氣層處于相對穩定狀態，有利于大氣顆粒物在近地層堆積，造成PM10和PM2.5濃度同時增大的現象。當相對濕度增大到96%后，PM10及PM2.5質量濃度反而出現減小，分析其原因發現，在相對濕度極高的情況下，氣溶膠粒子吸濕增長發生重力沉降作用，從而減小了PM10和PM2.5質量濃度。同時，在數據的處理方面雖然剔除了與降水相關的數據，但是在降水停止后，降水對氣溶膠粒子的沖刷效果依舊存在，大氣環境一段時間內依舊處在高相對濕度低氣溶膠粒子濃度的狀態，該部分數據也是造成在相對濕度較大，PM10和PM2.5濃度反而降低的原因之一。

表1 相對濕度分階條件下的大氣能見度、PM10和 PM2.5平均質量濃度Tab.1 Visibility, average mass concentrations of PM10 and PM2.5 under relative humidity gradation

續表1

表2為不同季節條件下大氣能見度與相對濕度、PM10及PM2.5質量濃度的線性相關系數，由表2可知相對濕度與能見度的相關性最高，其次是PM2.5，然后是PM10,其原因是能見度主要受亞微米尺度的顆粒物漫射影響，亞微米尺度范圍一般指0.1～1μm范圍內的顆粒物，都集中在PM2.5范圍內，所以PM2.5的粒子消光性較PM10要好，但PM10粒子的總消光能力大于PM2.5粒子[18]。

表2 大氣能見度與PM10、PM2.5質量濃度的季節相關系數Tab.2 Seasonal correlation coefficient between visibility and PM10 and PM2.5 mass concentrations

2.3 大氣能見度與PM10、PM2.5質量濃度的非線性回歸分析

為驗證大氣能見度與PM10、PM2.5質量濃度之間的非線性關系，將相對濕度劃分成8個小的區間，以減小相對濕度對結果的干擾。大氣中PM10及PM2.5主要由工業、汽車尾氣排放及污染物在環境中二次轉化等產生，所以PM10與PM2.5之間存在著一定同趨勢變化的特點，不能通過限制PM10濃度來研究PM2.5與能見度之間的非線性關系。分析發現相對濕度小于40%時，PM10、PM2.5與能見度主要呈三次函數關系。相對濕度介于40%～90%之間時，PM10、PM2.5與能見度主要呈指數函數關系。相對濕度大于90%時，PM2.5、PM10與能見度主要呈倒數函數關系。由于相對濕度處于40%～90%的數據量為總數據量的76%，故選取指數函數為PM10、PM2.5與大氣能見度之間的擬合公式。擬合公式為：

VSB=a+b·exp(c·[PM])

(1)

式(1)中，VSB為大氣能見度，單位km；[PM]為PM10或PM2.5的質量濃度，單位為μg/m3，a、b、c為方程參數。

表3 不同相對濕度條件下PM10、PM2.5與大氣能見度的擬合方程參數Tab.3 Parameters of fitting equation of PM10, PM2.5 and visibility under different relative humidity conditions

由表3可知，隨著相對濕度的升高，PM10、PM2.5與能見度的相關系數R2逐漸減小，說明大氣氣溶膠粒子在低相對濕度時，對能見度的影響較大，隨著相對濕度的升高，相對濕度對能見度的影響逐漸增大。在任意相對濕度區間內，PM2.5的相關系數R2大于PM10的相關系數R2，再次證明了PM2.5對能見度的總消光貢獻大于PM10-PM2.5。

2.4 大氣能見度與相對濕度的非線性回歸分析

為驗證大氣能見度與相對濕度的非線性關系，同樣采取控制變量將PM10、PM2.5濃度按每10μg/m3一個區間劃分為12組區間，減少PM10及PM2.5對結果的影響。分析發現相對濕度與能見度的的擬合主要呈三次函數關系，其次是冪函數關系，且兩者之間相關系數相差極小。相對濕度與大氣能見度的擬合公式為：

VSB=a+b·RHx+c·RHx2+d·RHx3

(2)

式(2)中，VSB為大氣能見度，單位km；RHx為相對濕度，單位%；a、b、c、d為方程參數。

由表4可知，隨著PM2.5、PM10濃度的升高，能見度與相對濕度的相關系數R也逐漸升高，且在任意PM2.5、PM10濃度區間內，三次擬合函數的擬合度RT都略大于冪擬合函數的擬合度RN，當PM2.5與PM10在第8組濃度區間內時，擬合度RT=RN，說明三次函數擬合方程能更好的表示相對濕度與能見度之間的變化關系。

2.5 大氣能見度與相對濕度、PM2.5、PM10的多元非線性擬合。

由以上推論可知，PM10、PM2.5與能見度主要呈指數函數關系，相對濕度與能見度主要呈三次函數關系，其次呈冪函數關系，因為兩者相關系數相差較小，所以既考慮三次函數也考慮冪函數，探究不同函數擬合方程的差異性。PM2.5、PM10及相對濕度與大氣能見度的指數-三次函數擬合公式：

VSB=a+b·exp(c·PM2.5)+d·exp(e·PM10)+

f·RHx+g·RHx2+h·RHx3

(3)

PM2.5、PM10及相對濕度與大氣能見度的指數-冪函數擬合公式：

VSB=i+j·exp(k·PM2.5)+l·exp(m·PM10)+

n·RHxr

(4)

式(3)中VSB為大氣能見度，單位km；PM2.5、PM10為直徑≤2.5μg與直徑≤10μg的大氣氣溶膠粒子質量濃度，單位μg/m3;RHx為相對濕度，單位%；a、b、c、d、e、f、g、h為該式方程參數。

式(4)中VSB、PM2.5、PM10的含義及單位與式(3)中相同，i、j、k、l、m、n、r為指數-冪函數擬合方程參數。

表5 不同季節大氣能見度與相對濕度、PM10及PM2.5的多元非線性擬合方程參數Tab.5 Parameters of multivariate nonlinear fitting equation of visibility and relative humidity, PM10 and PM2.5 in different seasons

由表5可知，指數-三次函數擬合度大于指數-冪函數擬合度，在四季中，擬合度最好的是冬季，其次是春季。

2.6 大氣能見度的多元非線性擬合方程檢驗

將2014～2018年的數據量按每個月為一個數據組分為60組，將數據組帶入相應的多元非線性擬合方程，得出每月的擬合值，進行每月實測值與擬合值的擬合度分析，得出每個月實測值與擬合值的擬合度變化曲線。如圖4可知，指數-三次函數擬合度普遍較指數-冪函數高，其中特別是夏季擬合度相差較大，而春季少數月份存在指數-冪函數的擬合度較指數-三次函數高的情況。其中，指數-三次擬合的擬合度最高為2016年1月，擬合度為0.950，最低為2018年9月，擬合度為0.744。

圖5為2016年1月及2018年9月實測值與擬合值隨時間變化曲線圖，由圖5可知，圖5(a)的擬合度較圖5(b)好，圖5(a)中可以看出，2016年1月主要處于0～5km低能見度范圍內，在該范圍內，擬合方程對于實測值的擬合性較好，擬合度高。圖5(b)中可以看出，2018年9月主要

圖4 2014～2018年指數-三次函數與指數-冪函數擬合度的逐月變化曲線Fig.4 Monthly change curve of the fitting degree of the exponential -cubic function and exponential -power function from 2014 to 2018

處于5～15km中高能見度范圍內，該范圍內能見度觀測儀器量程限制所導致的擬合度較差被凸顯的更為明顯，能見度的大尺度突變次數較多，以及9月處于秋季降水頻繁的月份，降雨后的高相對濕度和低大氣氣溶膠粒子濃度的異常性導致能見度擬合方程的擬合度較差。

圖5 2016年1月與2018年9月實測值與擬合值相關性曲線Fig.5 Correlation curves between measured values and fitted values in January 2016 and September 2018

3 結 論

3.1 2014～2018年，能見度呈明顯的上升趨勢，其主要是PM10及PM2.5質量濃度降低所導致。能見度隨相對濕度的升高而明顯降低，兩者相關性極好。能見度與氣溶膠粒子之間的相關性次于相對濕度，晚上22時～次日6時的大氣穩定條件使得相對濕度和氣溶膠粒子濃度均有所增加，二者相互疊加導致能見度進一步下降。

3.2 當相對濕度高于96%時，PM10及PM2.5粒子吸濕增長發生重力沉降作用，導致PM10和PM2.5質量濃度均出現減小的現象。

3.3 相對濕度與能見度的線性相關性最高，其次是PM2.5,四季中相對濕度在冬季線性相關性最高，PM2.5在春季相關性最高，PM10在秋季相關性最高。

3.4 PM10、PM2.5與能見度主要呈指數函數關系。相對濕度與能見度主要呈三次函數關系，其次是冪函數關系，且兩者之間相關系數相差極小。

3.5 經驗證，基于相對濕度、PM10及PM2.5的多元非線性擬合方程能較好的模擬成都地區能見度的逐時變化趨勢，其中對冬季以及能見度小于5km范圍內的模擬較其他能見度區間要好。