長沙市PM2.5濃度時空分布特征及影響因子分析

王長梅， 萬大娟， 王開心， 田倩倩， 魏力輝

(湖南師范大學資源與環境科學學院， 長沙 410081)

大氣污染成為當前亟待解決的環境問題，其中PM2.5污染是目前中國城市的主要大氣污染物，有研究表明它進入人體呼吸道中會引發心肺疾病，嚴重損害人類身心健康[1]。目前，中外對PM2.5研究文獻較多，國外率先發現PM2.5對環境污染的影響，美國最先設定PM2.5環境空氣質量標準[2]，也誕生了比較先進的研究方法和手段，如插值模型[3]、大氣污染物擴散模型[4]、土地利用回歸模型[5]等。國內對于PM2.5研究始于國內經濟的粗放型發展帶來的嚴重污染，因此眾多學者率先對污染的分布開始研究。王亞龍等[6]采集PM2.5日濃度數據得出一些普遍規律，如時間分布規律日濃度一般在7:00—9:00濃度最高；王祎頔等[7]發現季節分布冬高夏低；劉孟琴[8]發現在空間分布規律中，城區濃度高于郊區。在此之后。專家學者們也開始分析其PM2.5污染高居不下的背后原因。王振等[9]研究氣象因素對常州市區的PM2.5影響；王昭等[10]對長江三角洲城市群PM2.5影響因素分析發現社會因素主要有工業排放、交通排放和能源消耗。

長沙在中西部發展中具有重要戰略地位，近年來隨著其經濟發展和城市擴張，也帶來了較為嚴重的顆粒物污染。近年來，學者們對長沙市PM2.5污染研究集中在分布特征、變化規律和通過來源預測模擬。李巧云等[11]揭示了長沙市2015—2016年PM2.5污染特征及其變化趨勢。王賽蘭[12]通過建立主成分回歸模型、逐步回歸模型、BP神經網絡模型等，利用2015—2016年PM2.5濃度數據對長沙市2017年中4 d的PM2.5濃度進行預測。春蘭花等[13]分析了長沙2014年PM2.5污染濃度的季節變化，污染特征及來源，并建立回歸模型模擬長沙PM2.5質量濃度。

綜合中外研究和長沙地區的研究現狀，近年來學者對長沙PM2.5污染研究，在研究方法上，對于影響因子的研究大多采取模型構建的方法，這些數學建模方法所需時間精力較大，其次模型在分析影響因子相關程度上，只考慮到單一因素對PM2.5的影響程度，沒有考慮到影響因子之間的相互作用；在研究尺度上，僅限于較短周期的數據分析，無法深層次把握長沙市PM2.5污染現狀。因此，在研究尺度上選取2013—2019年7年PM2.5監測數據對長沙市時空分布進行分析，有助于全面了解長沙近年來PM2.5污染變化現狀，在影響因子分析上運用王勁峰等[14]提出的地理探測器方法，綜合選取長沙社會經濟和自然兩大方面10個因子探究長沙PM2.5濃度背后的主要驅動因子和因子間的相互作用[15]，為長沙的大氣污染防治工作提供理論基礎。

1 數據與方法

1.1 區域概況

長沙市位于湖南省東偏北，湘江下游和長瀏盆地西緣，境內地勢起伏較大，地貌類型多樣，地表水系發達，氣候溫和，四季分明，湘江穿城而過，總面積1.181 9萬km2，是長株潭城市群的中心。截至2018年末，長沙市常住總人口815.47萬人，城鎮化率79.12%。長沙轄6個區1個縣，代管2個縣級市：長沙市區(芙蓉區、天心區、岳麓區、開福區、雨花區、望城區)及瀏陽市、寧鄉市、長沙縣。選取長沙市城市總體規劃劃定的中心城區作為研究范圍，總面積1 142 km2，占長沙市市區總面積的58.93%。中心城區交通網絡密集，人口分布集中，占市區總人口的65.41%，城區大氣污染較城郊更為嚴重[16]。目前長沙市有10個國控空氣質量監測點(圖1[17])，對空氣中的細顆粒物(PM2.5)、可吸入顆粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)和一氧化碳(CO)的1 h平均濃度值等大氣污染物進行實時監測。利用長沙市中心城區10個空氣質量監測點2013—2019年7年的PM2.5濃度監測數據，研究長沙市PM2.5濃度分布規律及影響因子，是對長沙空氣污染進行防控的首要前提，為降低PM2.5濃度分布提供理論基礎。

1.2 數據來源

長沙市10個空氣質量監測站點的PM2.5濃度實時監測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。選取長沙市中心城區2013—2019年7年10個空氣質量監測站點的PM2.5濃度實時監測數據。高程數據在地理空間數據云網站獲取的GDMV2 30M分辨率數字高程。氣象數據(降水量、氣溫、氣壓、風速和相對濕度)來源于中國氣象數據網。道路數據由OMS網站下載中國路網數據。人口數據參考《長沙市統計年鑒》和《長沙市國民經濟和社會發展統計公報》。長沙餐飲數據通過小O地圖，選擇研究區范圍餐飲服務爬蟲得到。植被指數是地理空間數據云下載長沙2017年Landsat8遙感影像經ENVI(The Environment for Visualing Images)計算得到。

1.3 研究方法

1.3.1 克里金空間插值

基于ArcGIS中的克里金空間插值對長沙市中心城區各監測點的離散數據進行空間插值可以得到連續的污染物屬性值。克里金空間插值法目前廣泛應用于地理統計學中，其本質是對同一研究區域內利用已知鄰近點數據來模擬或預測未知點的數據的一種方法，相較于其他空間插值其優點在于考慮了變量之間的相關性和變量自身的空間性[17]，即利用克里金空間插值可以做到對未知點的數據進行無偏、最優估計[18]。

1.3.2 地理探測器

地理探測器是一種用于探究空間分異性和其背后驅動影響因素的一種新的統計學方法，其兩大優勢為[14]：①不僅可以分析數值類型數據，而且對連續數據、比值類型或間隔量進行適當離散化處理便可以分析，即數值不受限定；②是探測各影響因子間的相互作用，它基于若干影響因子作用顯著時其分布和因變量分布應具有相似性這一假設，地理探測器可以探測單一q值或疊加后q值來判斷因子間的相互作用大小。主要包括分異及因子探測、交互作用探測、風險區探測和生態探測。主要運用到前兩種探測方法來分析各個因子對PM2.5濃度影響。

1)因子探測

因子探測[19]是探測因變量Y的空間分異性和影響因素對因變量的解釋力度，用q值表示，計算公式為

(1)

式(1)中：h代表分區，h=1，2，…，L，L為分區的個數，N為單元數；Nh為分區中的單元數；σ為方差。q的值域為[0,1]，q越大表示X對Y的影響更加顯著，q=0表示X和Y之間沒有關聯，q=1表示X和Y完全相關。

2)交互作用探測

交互作用探測[20]主要目的是探測不同影響因素X之間的相互作用大小，其基本原理是先分別計算X1和X2的q值，然后再計算X1和X2之間交互部分的q值[q(X1∩X2)]并對3者之間進行比較。

從自然條件和社會經濟2方面選取10個影響因子[21]對長沙中心城區PM2.5濃度影響程度進行探究，包括路網密度、餐飲、人口密度、高程、植被指數、平均氣溫、平均降雨量、平均氣壓、平均風速和平均相對濕度。考慮到各個影響因素數據的可獲取性，以2017年為研究對象，數據均為2017年均值，具體分布如圖2所示。

2 結果分析

2.1 PM2.5濃度時間分布特征

2.1.1 年變化特征

利用長沙市10個空氣質量監測站點PM2.5濃度實時監測數據，研究2013—2019年PM2.5濃度年均值變化特征。長沙市中心城區2013—2019年各年年均值如表1所示，2013—2014年PM2.5濃度年均值較高，2016—2019年年均值較低且相近，7年來總體呈現下降趨勢，空氣污染有所改善。但7年來一直高于《環境空氣質量標準》(GB 3095—2012)二級標準限值[22](35 μg/m3)，污染仍較為嚴重。

2.1.2 月變化特征

長沙市2013—2019年7年PM2.5濃度月均值變化曲線大致呈“U”形分布(圖3)，由月均值不難看出，冬季(12月至次年2月)PM2.5濃度高，夏季(6—8月)低，呈現明顯的季節分布特征，遵循“冬高夏低，春降秋升”的變化規律。長沙夏季氣溫高且日照時間長，受季風影響，夏季雨水多，有利于空氣中污染物的擴散；秋冬季雨量少，氣溫低，大氣層結穩定，受季風氣候影響偏北風帶來北方地區的大氣污染物，同時由于湘江谷地自北向南逐漸變窄，空氣中的污染物在湘江谷地中集聚難以擴散[23]。春季溫度上升快，多陰雨天氣，空氣濕度大促使污染物凝聚下沉[24]。因此，長沙中心城區PM2.5濃度月均值變化原因包括2個方面，地形與氣象條件，其中氣象條件起主導作用。

2.1.3 日變化特征

利用長沙市中心城區10個大氣自動監測站點的2016年3月1日至2017年2月28日24 h PM2.5濃度數據，研究長沙四季PM2.5濃度晝夜變化特征(圖4)。長沙PM2.5濃度的晝夜變化曲線大致呈雙峰型分布，2個明顯的峰值出現在上午7:00—9:00和晚上20:00—22:00，其中夏季與其他季節相比早高峰出現較早，早高峰出現在7:00—8:00。主要與人為活動、太陽輻射強弱以及城市熱島效應有關[25]。PM2.5濃度在0:00—6:00呈逐漸下降趨勢，此后太陽輻射增強，氣溫升高，人們開始外出活動，機動車尾氣迅速增加，迎來了一天中的早高峰[26]；上午9:00以后人們外出活動減少，同時由于城市熱島效應的作用，城區升溫快，氣流形成由郊區流向城區的局部環流，促使污染顆粒擴散；到了傍晚，下班晚高峰到來，城區餐飲娛樂活動的影響，同時晚間城區下墊面溫度下降快，較上層大氣反而較低，形成逆溫，污染物擴散受阻，在晚上20:00—22:00迎來晚高峰[27]。

表1 2013—2019年長沙中心城區PM2.5濃度年均值

圖3 長沙PM2.5月均濃度變化Fig.3 Monthly variation of PM2.5 concentration in Changsha

圖4 長沙PM2.5濃度四季日變化曲線Fig.4 Daily variation curve of PM2.5 concentration in four seasons in Changsha

2.2 PM2.5濃度空間分布特征

2.2.1 年度濃度空間分布

研究長沙市2013—2019年7年的PM2.5年均質量濃度分布特征(圖5)，整體來看，7年間年均PM2.5濃度范圍在44～90 μg/m3，各年PM2.5濃度分布均由中間向四周遞減。其中2013年PM2.5濃度最高值分布在芙蓉區西部，2014年濃度高值分布在開福區南部和芙蓉區西部，2015年高值集中在岳麓區中南部和芙蓉區西部，2016年岳麓區中部和芙蓉區西部濃度最高，2017年芙蓉區西部和中部濃度分布均很高，2018年濃度高值集中在岳麓區中北部、開福區中南部、芙蓉區和經開區；2019年岳麓區及芙蓉區是濃度明顯最高值分布區。從7年PM2.5濃度平均分布來看，濃度高值也是分布在中部的芙蓉區，整體上呈現由中部逐漸向城郊遞減的規律。

2.2.2 季節濃度空間分布

選取長沙市2014年3月至2019年2月5年10個空氣質量監測點PM2.5濃度數據，計算其四季均值，分析四季PM2.5濃度空間變化特征(圖6)。長沙春季PM2.5濃度在41.90～44.51 μg/m3，高于《環境空氣質量標準》(GB 3095—2012)二級標準限值，湖南中醫藥大學監測點所在的岳麓區中部和火車新站監測點附近所在的芙蓉區西部濃度最高；夏季濃度集中在34.46～34.58 μg/m3，低于二級標準限值，開福區北部與其他區域相比較低；秋季PM2.5濃度相比春夏季明顯升高，高值區集中在芙蓉區西部和岳麓區中部；冬季PM2.5污染嚴重，PM2.5濃度在74.92～80.15 μg/m3，芙蓉區及開福區南部所在的市中心濃度明顯高于其他區域。四季空氣質量監測點PM2.5濃度均呈中心高于四周的變化規律，與大多數城市PM2.5濃度分布規律相似[28-29]。長沙四季PM2.5濃度分布中，中心位置的芙蓉區均是濃度分布的高值區，PM2.5濃度空間分布總體上呈現由中部向四周逐漸遞減的特征。

2.3 PM2.5濃度影響因子分析

2.3.1 分異及因子探測分析

根據前文的原因分析和相關參考文獻，長沙PM2.5受多種因素共同作用。彭金龍等[30]利用多元回歸分析氣象因素對長沙PM2.5濃度的影響，得出降雨量、風速、平均氣溫等對PM2.5均有較大影響；王開心[17]根據監測點的環境分析得出各監測點的PM2.5來源主要受人口密度、交通揚塵、汽車尾氣排放和餐飲等影響。探究各影響因子對PM2.5濃度影響大小，利用地理探測器得出長沙PM2.510個影響因子q值并利用EXCEL進行處理得出圖7。

由圖7可知，各影響因素對長沙PM2.5的影響力值大小均在0.001 4～0.33，具體為平均氣溫(0.33)>平均降雨量(0.26)>平均風速(0.24)>道路(0.19)>平均相對濕度(0.16)>平均氣壓(0.13)>人口密度(0.18)>高程(0.08)>植被(0.07)>餐飲(0.001 4)。排在前列的是氣溫、降雨量和風速，這說明長沙主城區PM2.5受氣候條件影響較大，其次是道路，這說明道路揚塵和汽車尾氣排放對PM2.5影響較大，其中植被指數影響較小主要原因是長沙主城區植被較少，因此較難降低PM2.5的濃度大小。

2.3.2 交互作用探測分析

基于以上研究進一步探究各影響因子對PM2.5濃度影響相互作用及作用大小。交互作用探測可以分析各影響因子之間的影響是否顯著，結果如表2所示。

由表2分析可知，任何因子的相互疊加均會加強對PM2.5濃度的影響程度，單因子最高值在0.33，而疊加作用最高值在0.66，主要為平均氣溫和平均降雨量、平均氣壓的相互疊加，其次影響比較大的有平均氣溫和人口密度、平均風速和平均氣溫、平均氣壓和平均降雨量、平均風速和人口密度等。

3 結論

(1)從時間維度上來看：分年份看，7年間長沙PM2.5濃度年均值逐年降低，呈明顯的下降趨勢，污染程度有所改善；分四季看，長沙PM2.5濃度分布冬季最高，春秋季次之，夏季最低，具有明顯的季節性特征，基本遵循“冬高夏低，春降秋升”的變化軌跡；分月份看，每年12月至次年2月PM2.5濃度月均值較高，6—8月較低，月均值最大值出現在每年的1月份，最低值出現在7月份。從晝夜變化來看，四季PM2.5濃度各時段變化曲線呈現雙峰形態。

圖5 各空氣質量監測點PM2.5濃度年變化特征Fig.5 The annual characteristics of PM2.5 concentration at each air quality monitoring sites

圖6 長沙空氣質量監測點PM2.5濃度四季變化Fig.6 Change of PM2.5 concentration in Changsha air quality monitoring point in four seasons

表2 長沙中心城區PM2.5濃度各影響因素交互作用探測結果

圖7 長沙PM2.5濃度各影響因素q值Fig.7 Q value of each influencing factor of PM2.5 concentration in Changsha

(2)從空間維度上來看：從年均值分布來看，2013—2019年PM2.5濃度年均值及7年平均年均值最高值主要分布在中部芙蓉區，并且明顯呈由中部向四周逐漸遞減趨勢。從四季分布來看，春季火車新站監測點附近的芙蓉區西部PM2.5濃度最高；夏季各區濃度分布差異不大，在34.46～34.58 μg/m3，火車新站監測點周圍的芙蓉區西部和湖南中醫藥大學附近的岳麓區中南部濃度稍偏高；秋季PM2.5濃度較春夏有明顯的升高，濃度最高值分布在火車新站監測點周圍的芙蓉區西部和湖南中醫藥大學附近的岳麓區中南部；冬季濃度高值區分布在火車新站和馬坡嶺附近，即整個芙蓉區；整體污染濃度由城區向郊區逐漸遞減。

(3)根據地理探測器分析：因子探測表明各影響力值大小平均氣溫(0.33)>平均降雨量(0.26)>平均風速(0.24)>道路(0.19)>平均相對濕度(0.16)>平均氣壓(0.13)>人口密度(0.18)>高程(0.08)>植被(0.07)>餐飲(0.0014)，氣象因子對長沙中心城區的PM2.5影響力起主要作用。交互作用探測結果表明，所有因子相互疊加均會加強對PM2.5的影響，氣象條件間相互作用更強，其次是氣象和道路、人口的疊加，這與長沙主城區人口密度大，道路眾多以及城市中心熱島效應強有關。