天津機場運行對區域空氣質量影響評估研究

劉姝童　劉詩嬌　夏鳴　梁鈺薇　姚婷瑋

摘 要：本文利用在天津市躍進路（E117°20′，N39.09′）設置的站點對天津機場區域空氣質量進行連續監測，結合全國城市空氣質量實時發布平臺和天津濱海國際機場的實時報文，應用R語言和廣義加性模型（GAM），針對2019年5月1日至2019年10月31日（世界時）的空氣質量數據，對天津機場區域大氣進行大氣污染特征和大氣污染因子的研究，結果表明飛機起降與飛行對周圍環境大氣貢獻較大的主要污染物為：SO2、NO2、PM2.5、CO。決定主要污染物濃度時間變化特征的影響因子是氣象因素。飛機起降與飛行對SO2、PM10、NO2、CO濃度有影響。

關鍵詞：大氣污染特征;影響因子;主成分分析;廣義加性模型

天津濱海國際機場是我國主要干線機場之一，同時也是國內一類航空的重點口岸和貨運基地之一，在國內航空運輸中占據重要地位。隨著京津冀協同發展戰略的落實，天津濱海國際機場的航線網絡不斷豐富，客運吞吐量的上升使機場周圍環境污染治理問題日益突出。

近兩年機場周圍環境大氣污染問題越來越受到各領域研究人員的重視，祝秀蓮等人分析了國內機場區域大氣污染控制存在的不足，梳理了國際先進控制經驗[1]。王曉麗[2]等人運用主成分分析法對我國16個城市的空氣質量進行分析表明空氣質量污染第一主成分是PM2.5、PM10、CO和SO2。王明瑩[3]對PM2.5濃度影響因素進行主成分分析，結果顯示CO、NO2、PM10和SO2是影響PM2.5濃度值的最主要因素。Huang Xiao-Gang，Shao Tian-Jie，Zhao Jing-Bo[4]等人建立廣義加性模型分析影響西安O3濃度分布的影響因素。

目前，很少有研究將主成分分析與廣義加性模型相結合研究機場運行對周圍環境大氣的影響。本次研究通過主成分初步篩選污染物的影響因子，將篩選出的因子放進廣義加性模型中分析其對污染物的影響。

1 實驗部分

1.1 監測對象

根據《環境空氣質量評價技術規范》HJ663-2013，環境空氣污染物主要的六個觀測項目為：PM2.5、PM10、SO2、NO2、O3、CO。本次研究依據2019年5月1日至2019年10月31日的空氣質量數據和環境數據對天津機場區域大氣進行大氣污染特征和大氣污染因子的研究，確定天津濱海國際機場地區近年來大氣污染現狀。環境數據來自中國環境監測總站的全國城市空氣質量實時發布平臺，選擇天津市躍進路站點（E117°20′，N39.09′）的數據。氣象數據來自天津濱海國際機場的實時報文。繪圖和建模用到的主要的環境數據有：風向、風速、溫度露點差、修正海壓。PM2.5、PM10、SO2、NO2、CO的數據均為小時值的算術平均，O3的數值是8h滑動平均值。有效數據共有3161組。

1.2 研究方法

1.2.1 極坐標圖

利用R語言的openair包的polarplot函數繪制濃度的二元極坐標圖。通過將風速、風向和污染物的數據按區域進行劃分，并計算每一個區域的平均濃度。極坐標圖運用此公式計算極坐標圖：

式中，u-是平均每小時風速，θ為平均風向，單位為度。

1.2.2 主成分分析

主成分分析是利用降維的思想，在損失很少信息的前提下把多個指標轉化為幾個綜合指標的多元統計方法[5]。通常把轉化生成的綜合指標稱之為主成分，其中每個主成分都是原始變量的線形組合，且各個主成分之間互不相關。

建立模型方法如下：

步驟1：進行KMO和巴特利特檢驗。KMO大于0.6，則滿足主成分分析的前提要求，說明數據比較適合用于主成分分析研究。當數據通過Bartlett球形度檢驗（顯著性<0.05），說明研究數據可以進行主成分分析。

步驟2：對公因子方差進行提取。當信息提取量在0.5以上，表明主成分的提取是比較成功的，主成分對變量的解釋程度都較高。

步驟3：根據變量的方差解釋對變量進行提取。累積方差的貢獻率越大，提取的信息越多。基于特征根值大于1進行提取。

步驟4：根據變量的得分系數矩陣得出相對應的主成分和分析項的得分關系方程。

1.2.3 廣義加性模型

廣義可加模型既包含參數成分，也包含非參數成分，有比較靈活的設定形式，可以客觀的表達解釋變量與被解釋變量間存在的線性及非線性關系，降低了線性設定帶來的模型風險，其一般形式為：

式中，g（·）為連接函數，其形式取決于被解釋變量Y分布的具體形式;ε是隨機誤差項，Xi為嚴格服從參數形式的解釋變量;βi為相應的參數。

模型建立方法如下：

步驟1：模型依次放入全部解釋變量，構建初始的GAM模型，通過模型結果對因子進行顯著性檢驗設置為0.05水平，刪除沒有通過顯著性檢驗的因子。

步驟2：利用方差膨脹因子（VIF）對放入模型的自變量進行相關性檢驗。VIF=1/（1-R2）。VIF越高解釋變量和因變量之間線性相關性就越強，R2=GAM模型中的adj-R2，當VIF>10時說明變量和解釋變量之間相關性極強，將變量從模型中剔除。

步驟3：計算AIC和BIC的值，AIC值越小，模型擬合程度越高參考BIC值變化，可以避免因為不斷加入因子而出現的過擬合現象，并在一定程度上證明因子間是否存在多重共線性。

2 結果與討論

2.1 檢測點位污染來源定性分析

根據機場與站點的相對位置，假定正北指示0°，正東指示90°，在高風速下，飛機起降和飛行過程中產生的污染物會擴散至此站點，影響站點周圍的空氣質量。我們選取極坐標圖30°～90°方向上污染物的濃度作為表征機場污染物濃度空間分布特征。

如圖1.c所示，風向在45°～90°之間大風速下SO2的濃度相對與其他方向濃度高;如圖1.f所示，機場方向大風速下CO存在明顯的極大值;如圖1.d所示，機場方向NO2濃度存在明顯的峰值，所以機場活動產生的SO2，CO，NO2對周圍環境貢獻率高。如圖1.a所示，根據PM2.5的極坐標圖，大風速下機場方向上的PM2.5對周圍環境大氣PM2.5濃度的貢獻率與90°～240°相比相對較低，但與240°～390°相比較高，所以大風速下機場方向PM2.5的貢獻率雖不起主導地位，但是對周圍環境大氣影響依然較大，故飛機起降與飛行過程中產生的PM2.5對周圍環境影響較大。如圖1.b和1.e所示，飛機起降以及飛行過程中產生的PM10和O3對周圍環境大氣濃度貢獻小。所以，飛機起降與飛行對周圍環境大氣貢獻較大的主要污染物為：SO2、NO2、PM2.5、CO。

2.2 檢測點位污染變化趨勢特征

如圖2.a所示，研究的184天里14天PM2.5的日平均濃度超過了國家二級標準，日平均濃度超標天數占比為76%。如圖3.b，PM2.5在一天的濃度變化呈單峰型分布，在上午8時濃度達到峰值，17時達最低值。早晨6：00～8：00，空氣流動不明顯，人類活動增加，PM2.5濃度增加。夜晚18：00～22：00點人類活動造成機動車排放量大，路上揚塵多，夜晚空氣對流較弱，導致PM2.5不易擴散，濃度上升。如圖2.c，從5月到10月，PM2.5濃度變化呈現U形分布，8月出現了最低值，10月中下旬濃度最高。8月航班量很多，但PM2.5濃度卻出現了最低值，這是由于8月降雨量大可以有效去除顆粒物，空氣對流強有利于污染物的擴散。9月，氣象要素對PM2.5的影響減弱，PM2.5濃度出現回升，9月至10月，航班量升高對應PM2.5濃度也逐漸升高。所以，機場航班變化對PM2.5濃度月平均濃度變化產生一定影響。周內PM2.5濃度日變化與航班量變化也有一定的一致性。

如圖2.b，研究中SO2的日平均值濃度在二級標準以下，SO2濃度小時值的范圍為1～36μg/m3。如圖3.b，SO2日變化特征呈單峰狀，濃度最大值出現在上午9點。6：00～9：00航班量增加，飛機起降活動頻繁，SO2濃度增加速率明顯提高。9時后，由于溫度逐漸升高，太陽輻射增加，促使SO2轉化為SO42-。溫度升高所引起空氣對流增強，也是SO2濃度降低的原因之一。20時之后，航班量逐漸降低，機場活動產生的SO2減少，SO2濃度相對處于一個較低水平。如圖3.c，5月，9月，10月SO2濃度普遍高其他月份。受冷高壓影響，大氣結構較為穩定，不利于二氧化硫的擴散。夏季雨水充沛，SO2氧化生成H2SO4與濕性沉降物一起到達地面，降雨還常伴有強對流天氣，加速SO2的濃度降低。夏季大氣邊界層高度相對較高，大氣對流活動強烈，使得SO2在垂直方向上充分稀釋。高強度的太陽輻射也會促使SO2快速與大氣中OH自由基以及臭氧等物質反應，氧化成硫酸鹽，使SO2濃度降低。所以7月8月的SO2濃度低于其他月份。

如圖2.c，研究的184天里有3天的NO2的日平均濃度超過了國家二級標準，日平均濃度超標天數占比1.63%，NO2濃度小時值的范圍為2～134μg/m3。如圖3.b，NO2日濃度變化與航班量日變化相似。如圖3.a，一周內每日NO2濃度平均值變化大但日變化趨勢相同且日變化呈單雙峰狀。早上6：00～8：00，可以觀察到航班量增加并且NO2濃度上升幅度突然增大。由于隨著日出溫度升高，太陽輻射增強，大氣中光化學反應強度不斷增強，導致8：00～13：00NO2濃度不斷下降，并在13時到達最低值。午后，太陽輻射減弱，此時天津機場的航班數依然處在較高的水平，所以NO2濃度不斷增加。之后22時后隨著航班量減少，NO2濃度也逐漸下降，直到第二天的1時左右。1：00～8：00NO2濃度上升，1：00～6：00航班量降低。NO2濃度變化與航班量變化成反比，這是由于大氣對流減弱、夜間逆溫層、以及城市熱島效應的作用下，將白天機場區域以及其他區域產生的NO2積聚于站點周圍的大氣中，造成NO2濃度升高。

如圖2.d，研究中CO日平均濃度均在二級標準以下，CO濃度小時平均值濃度范圍為0.2～5.7mg/m3。如圖3.c，CO的月均值呈U型，最大月均值出現在7月，最小月均值出現在5月。5月空氣中水汽含量較少，污染物不易附著在空氣中，有利于污染物的傳輸擴散，濃度較低。CO日變化是飛機發動機排放、太陽輻射、大氣流動等因素共同作用的結果。如圖3.b，CO呈現出明顯的雙峰型日變化，CO濃度最高值出現在早上8時左右。自凌晨1時至8時，飛機流量開始增多，尾氣排放量增加導致CO濃度上升，并出現一天內的濃度最大值。8時以后，CO的濃度值開始下降，15時達到全天濃度最低值。23時CO濃度出現第二個小高峰。這主要是客流晚高峰、太陽輻射減弱、大氣趨于穩定不利于污染物的稀釋擴散等因素導致的。

2.3 污染物影響因子

2.3.1 PM2.5影響因子

對PM2.5做主成分分析，一共提取出4個主成分。主成分1解釋為排放廢氣因子，代表PM10、SO2、NO2、CO的影響。主成分2解釋為擴散和濕度因子，代表風向、風速、溫度露點差的影響。主成分3解釋為空氣溫度因子，代表溫度，O3-8h的影響。主成分4解釋為起降航班因子，代表進港、離港的影響。

通過主成分分析提取的因子建立PM2.5的廣義加性模型，篩選出的因子解釋了PM2.5濃度變化的53.5%。影響因子從大到小排序為：CO、O3、溫度露點差、風向、壓強、溫度、SO2、到港數、風速。因子之間不存在共線性。模型擬合度高，因子間沒有多重共線性。

如圖4.b、4.c、4.d，4.e，PM2.5與CO、SO2、NO2、O3、有明顯的正相關，表明CO、SO2、NO2、O3的增加會使PM2.5濃度增加。這可能是由于PM2.5的二次污染導致。PM2.5來源有一次污染和二次污染，二次污染是二氧化碳、氮氧化物、銨等無機氣態前體物經復雜的大氣化學反應生成硫酸鹽、硝酸鹽、銨鹽等無機化合物[7]。所以PM2.5可以由硫和氮的氧化物轉化而成[8]。如圖4.a，PM2.5與溫度露點差有明顯負相關，這是由于PM2.5分子在水汽作用下更易聚集降落[9]。模型通過了顯著性檢驗，且滿足正態性。

2.3.2 SO2影響因子

對SO2進行主成分分析，一共提取出4個主成分。主成分1解釋為排放廢氣因子，代表PM2.5、PM10、NO2、CO的影響。主成分2解釋為擴散和濕度因子，代表風向，風速，溫度露點差的影響。主成分3解釋為空氣溫度因子，代表溫度、O3-8h的影響。主成分4解釋為起降航班因子，代表進港，離港的影響。

通過主成分分析提取的因子建立SO2的廣義加性模型，篩選出的因子解釋了SO2濃度變化的65.8%。影響因子從大到小排序為：濕度、CO、風向、氣壓、風速、NO2、PM2.5、溫度、O3、到港數、離港數。因子之間不存在共線性。模型擬合度高，因子間沒有多重共線性。

如圖4.j，SO2濃度隨溫度露點差的增大而增大，這是因為相對濕度越大，大氣中濕性沉降物出現的概率越高，SO2濕性沉降物中的生存概率高于干性沉降物，造成SO2在大氣中集中存在[10]。如圖4.k，隨著風速增大，SO2濃度減小，是因為風速大有利于SO2的稀釋擴散[11]。如圖4.l，CO與SO2有明顯的正相關，但是CO不易與SO2反應，所以，這樣結果可能是兩種污染物來自同一污染源導致。模型通過了顯著性檢驗，且滿足正態性。

2.3.3 NO2影響因子

對NO2進行主成分分析，一共提取出4個主成分。主成分1可解釋為排放廢氣因子，代表PM2.5、PM10、SO2、CO的影響。主成分2可解釋為擴散和濕度因子，代表風向，風速，溫度露點差的影響。主成分3可以解釋為起降航班因子，代表進港，離港的影響。主成分4可解釋為空氣溫度因子，代表溫度，O3-8h的影響。

通過主成分分析提取的因子建立NO2的廣義加性模型，篩選出的因子解釋了NO2濃度變化的62.1%。影響因子從大到小排序為：風速、溫度、CO、SO2、O3、氣壓、風向、PM2.5、離港數、到港數、溫度。因子之間不存在共線性。模型擬合度高，因子間沒有多重共線性。

NO2是飛機排放的主要污染物之一[12]。如圖4.g，NO2濃度與風速的負相關性比較明顯，所以圖中呈現的隨風速增大，NO2濃度降低。如圖4.h，溫度升高伴隨NO2濃度降低，這是由于溫度較高的時候，太陽輻射增大，光反應速率增加，光化學反應增強，NO2濃度減少。如圖4.f，隨著濕度增加，NO2有減少的趨勢，這可能是NO2與水汽結合生成HNO2和HNO3，使得NO2濃度降低。如圖4.i，PM10與NO2存在正相關，這是由于NO2可附著在PM10上，從而導致PM10濃度越大，NO2濃度越大。NO2與飛機的進離港有一定的相關性。模型通過了顯著性檢驗，且滿足正態性。

2.3.4 CO影響因子

對CO進行主成分分析，一共提取出4個主成分。主成分1解釋為排放廢氣因子，代表PM2.5、PM10、SO2、NO2的影響。主成分2解釋為擴散和濕度因子，代表風向、風速、溫度露點差的影響。主成分3解釋為空氣溫度因子，代表溫度，O3-8h的影響。主成分4解釋為起降航班因子，代表進港、離港的影響。

通過主成分分析提取的因子建立CO的廣義加性模型，模型篩選出的因子解釋了O3濃度變化的64.5%。影響因子從大到小排序為：濕度、SO2、PM2.5、溫度、NO2、離港數、氣壓、風向、O3、風速。因子之間的VIF均小于10，說明不存在共線性。模型擬合度高，因子間沒有多重共線性。

如圖4.m，CO與溫度露點差有明顯的負相關，這可能是由于CO作為一種化學活性氣體，它能直接與大氣中的OH自由基發生氧化反應[13]。濕度增加的情況下，大量CO與OH反應，導致CO濃度降低。模型通過了顯著性檢驗，且滿足正態性。

3 結論

（1）飛機起降與飛行對周圍環境大氣貢獻較大的污染物為：SO2、NO2、PM2.5、CO。

（2）PM2.5在一天的濃度變化呈單峰型分布，PM2.5從5月到10月濃度月變化呈現U形分布規律，8月出現最低值，10月中下旬濃度最高。SO2日變化特征呈單峰狀，10月SO2濃度最高。O3周內日變化均呈單峰式分布，白天高晚上低、上午低下午高，晝夜濃度變化非常大。CO日變化呈雙峰型，CO的月均值呈U型變化。

（3）PM2.5與風速、CO、SO2、NO2、O3有明顯的正相關，與溫度露點差有明顯負相關。

（4）NO2與風速、溫度、濕度有明顯的正相關，與PM10存在明顯負相關。

（5）溫度露點差增大，SO2濃度增大;風速增大，SO2濃度減小。CO與SO2有明顯的正相關。

（6）CO與溫度露點差有明顯的負相關，CO與SO2存在明顯的正相關。

參考文獻：

[1]祝秀蓮，陳帆，崔青，黃麗華，林齊.國外機場區域大氣污染控制經驗啟示[J].環境影響評價，2019，41（05）：33-35.

[2]王曉麗，劉暢，關文玲.基于主成分分析法的城市大氣主要污染物關系研究[J].天津理工大學學報，2015，31（02）：20-23.

[3]王明瑩.上海市大氣PM_（2.5）的時空分布特征及其相關影響因素分析[D].上海交通大學，2017.

[4]Huang Xiao-Gang，Shao Tian-Jie，Zhao Jing-Bo，et al.Influencing Factors of Ozone Concentration in Xi'an Based on Generalized Additive Models.2020，41（4）：1535-1543.

[5]何亮.主成分分析在SPSS中的應用[J].山西農業大學學報，2007（S1）：20-22.

[6]李莉莉，張璇，杜梅慧.基于廣義可加模型的PM2.5預測研究[J/OL].數理統計與管理，2020-11-15：1-13.

[7]高曉梅.我國典型地區大氣PM_（2.5）水溶性離子的理化特征及來源解析[D].山東大學，2012.

[8]CHOW Judith C，曹軍驥，李順誠，王小亮，WATSON John G.PM_（2.5）及其測量與影響研究簡史[J].地球環境學報，2012，3（05）：1019-1029.

[9]于洲.杭州市大氣污染物濃度時空變化特征分析[D].南京信息工程大學，2016.

[10]迪麗努爾·塔力埔，梁云，阿布力克木·阿不力孜.烏魯木齊市冬季空氣中SO_2濃度與空氣濕度的關系及對人體的影響[J].安全與環境學報，2004（S1）：25-26.

[11]趙敬國，王式功，張天宇，余世旺，胡鈺玲，朱哲，尚可政.蘭州市大氣重污染氣象成因分析[J].環境科學學報，2015，35（05）：1547-1555.

[12]儲燕萍.上海浦東國際機場飛機尾氣排放對機場附近空氣質量的影響[J].環境監控與預警，2013，5（04）：50-52+56.

[13]陳飛.城市可吸入顆粒物的來源解析及二次有機氣溶膠形成的研究[D].南京理工大學，2014.

項目：中國民航大學大學生創新創業市級項目202010059091《天津濱海國際機場大氣污染特征及影響因子研究》

作者簡介：劉姝童（2000— ），女，漢族，陜西西安人，本科，學生。