成都市PM2.5濃度變化的影響因素交互作用研究

張 瑩,張 婕,王式功,康 平,張家熙,張小玲,3,李運超

成都市PM2.5濃度變化的影響因素交互作用研究

張 瑩1,2*,張 婕1,王式功1,康 平1,張家熙1,張小玲1,3,李運超1

(1.成都信息工程大學大氣科學學院/高原大氣與環境四川省重點實驗室/氣象環境與健康研究院,四川 成都 610225；2.中國科學院大氣物理研究所,大氣邊界層物理和大氣化學國家重點實驗室,北京 100029；3.北京城市氣象研究院,北京 100089)

為探究大氣環境中污染物與氣象要素交互作用對PM2.5濃度變化的影響特征,利用成都市2014～2020年逐日大氣污染物資料以及同期的氣象資料,采用廣義相加模型(GAMs)分析不同影響因素對當地PM2.5濃度變化的影響效應.結果表明,單影響因素GAMs模型中,無論全年還是冬季,PM2.5濃度與平均氣溫()、相對濕度(RH)、平均風速(Wind)、降水量(Prec)、O3、NO2、SO2和CO間均呈非線性關系,其中CO、NO2、SO2、和Wind對PM2.5濃度影響較大,與全年不同的是,冬季和O3對PM2.5濃度變化的影響效應較全年明顯減弱.多影響因素的GAMs模型中,、Wind、RH、CO、NO2、SO2和O3這7個解釋變量對PM2.5濃度變化的影響均較顯著,構建的全年多影響因素GAMs模型調整后的R=0.759,方差解釋率為76.42%,冬季R=0.708,方差解釋率為72.2%,無論是全年還是冬季,CO都是PM2.5濃度變化的主導影響因素.GAMs交互效應模型發現,全年弱低溫(7℃左右)+高相對濕度+高濃度CO+高濃度NO2+高濃度SO2協同作用條件下有利于PM2.5濃度的生成;冬季低Wind+高RH+高濃度CO+高濃度NO2+高濃度SO2共存條件下有利于PM2.5的生成,即該條件對PM2.5濃度的生成有協同放大效應.運用GAMs模型能夠對PM2.5污染的主導影響因素進行識別,并定量化分析影響因素單效應及其交互作用對PM2.5濃度變化的影響特征,對PM2.5濃度污染防控研究具有重要指示意義.

GAMs模型；PM2.5濃度變化；影響因素；交互作用

隨著經濟快速發展和城市化進程加快,我國大部分城市(群)的空氣污染倍受關注.四川盆地作為我國五大重污染區域之一[1],2012年環保部《重點區域大氣污染防治“十二五”規劃》就明確成渝地區為復合型污染顯現區,并將其納入全國大氣污染聯防聯控重點區域(即“三區十群”),該計劃的實施帶來了四川盆地空氣質量的改善,但大氣復合污染形勢依然嚴峻[2].成都平原作為四川盆地經濟和文化中心,近年來冬季霧霾超標顯著、夏季臭氧污染持續增加,區域空氣質量管理與控制已經進入了細粒子和臭氧協同防治的深水區,大氣環境持續改善任重道遠[3].

成都平原冬季容易出現細粒子污染,究其原因主要有兩方面:一是過量的大氣污染物排放及其二次轉化;二是極為不利于污染物擴散的氣象條件.四川盆地特殊地形使得盆地內邊界層大氣層結穩定度高于同緯度的其他地區,加之盆地內常年靜風頻率高,大氣污染物擴散受阻,使得冬季盆地內顆粒物(尤其是細粒子)持續累積,從而易出現霧霾事件[4].現階段關于盆地細粒子(PM2.5)污染已開展了相關研究[5-6],但現有研究大多只考慮PM2.5濃度與影響因素之間的線性關系而忽略了不同變量間復雜的非線性關系.近期有研究指出PM2.5的組分和來源較為復雜,氣象因素的影響包括復雜的物理化學過程,因此需要考慮PM2.5濃度和各影響因素之間復雜的非線性關系[7].目前越來越多研究運用非線性模型和方法探討影響大氣污染物濃度變化的因素,而廣義可加模型(generalized additive models,GAMs)就是其中之一[8],其優點是可以同時擬合響應變量與解釋變量之間復雜的線性和非線性關系,該模型最先被用于生物醫學領域,基于其優越性和靈活性,近期也被嘗試用于環境科學等其他研究領域[9-10].

Qian等[11]指出PM2.5濃度與大氣污染物、氣象要素等影響因素構成一個復雜的非線性動力系統,在時間域中存在多層次的尺度結構和局部變化的特征,其時間序列也反映了PM2.5濃度與影響因素間線性與非線性相互作用與發展變化過程.基于此,本研究以成都市為例,嘗試運用GAMs模型構建PM2.5濃度變化與其影響因素之間復雜的非線性關系,在此基礎上,進一步深入探討影響因素交互作用對PM2.5濃度變化的影響特征,以期為當地開展PM2.5污染防治提供一定的科學依據,同時也為其他地區開展類似研究提供借鑒.

1 資料與方法

1.1 資料來源

1.1.1 大氣環境監測資料 2014年1月1日～2020年12月31日成都市的大氣污染物數據來源于中華人民共和國生態環境部(Ministry of Ecological Environment of the People’s Public of China),包括PM2.5(μg/m3)、NO2(μg/m3)、SO2(μg/m3)和CO (mg/m3)日均濃度以及每日臭氧8h濃度平均最大值(后面統一采用O3表示) (μg/m3).

1.1.2 氣象資料來源 同期的氣象資料來源于中國氣象科學數據共享服務網(http://data.cma.gov.cn/),成都市的地面常規氣象觀測資料,主要包括平均氣溫() (℃)、降水量(Prec) (mm)、相對濕度(RH) (%)和平均風速(Wind) (m/s)等指標.

1.2 研究方法

利用R軟件(4.0.3版本)中的“mgcv”程序包進行廣義相加模型(GAMs)建模.GAMs是廣義線性模型的擴展,可以用于處理因變量和眾多自變量之間過度復雜的非線性關系,即GAMs可以實現不同形式的函數間的加和,因此可將與因變量之間存在線性關系和復雜非線性關系的自變量都同時擬合到模型中,該模型十分靈活,并非事先建立好的,而是由所研究的數據驅動的[9].本研究采用的GAMs中的獨立效應模型和交互效應模型.首先,采用獨立效應模型分析不同影響因素單一作用以及多種影響因素同時作用對PM2.5濃度的影響效應.在此基礎上,篩選出對PM2.5濃度變化產生顯著影響的因素,進一步采用交互效應模型,探究影響因素交互作用對PM2.5濃度變化的影響特征,其具體步驟如下.

第一步,采用GAMs獨立效應模型估算影響因素對PM2.5濃度變化的影響效應,該模型如下:

式中:為PM2.5濃度的期望值;()是連接函數;1,2,…,x為解釋變量,本研究中解釋變量主要包括氣象因素(、RH、Prec、Wind)和污染物(O3、NO2、SO2、CO);1(),2(), …f(),為表示響應變量和解釋變量之間復雜非線性關系的各種平滑函數,本研究采用自然立方樣條函數,可避免過度擬合現象[12].其中,在研究單一解釋變量對響應變量的單因素效應時,模型中只納入一個解釋變量,即模型的右邊只有一個()函數;在研究多因素共同作用對響應變量的效應時,模型中同時納入多個解釋變量,即模型的右邊有多個()函數相加;X代表全參數模型成分;表示殘差.

第二步,在上述污染物獨立效應研究的基礎上,篩選出對PM2.5濃度變化有顯著效應的主要影響因素,進一步建立PM2.5濃度變化的GAMs交互效應模型,并直觀給出對PM2.5濃度變化有顯著影響的主要影響因素交互效應三維空間圖,定量分析其對PM2.5濃度變化的影響特征,具體模型如下:

利用GAMs模型給出的統計值、值、2和方差解釋率來判斷不同解釋變量對PM2.5濃度變化的影響顯著性及模型的擬合優度[13-14],其中影響因素對應的統計值越大,表明其相對重要性越大;值是用來判斷假設檢驗結果的另一參數,值越小,表明結果越顯著;調整判定系數(2)為回歸平方和與總離差平方和的比值,2的取值范圍0～1,2越接近1表明模型越精確,回歸擬合效果越顯著;方差解釋率越高,表明擬合效果越優;此外,當解釋變量的自由度=1時表明解釋變量與響應變量為線性關系,當自由度>1時為非線性關系.

2 結果與分析

2.1 PM2.5濃度變化的單影響因素GAMs模型分析

將、RH、Wind、Prec、NO2、SO2、CO和O3共8個影響因素作為解釋變量,PM2.5作為響應變量,在進行單因素分析時每次選取一個影響因素作為解釋變量,構建PM2.5濃度變化的單影響因素GAMs模型.由表1可知,所有解釋變量的自由度均大于1,表明所有解釋變量與PM2.5之間均呈非線性關系.且所有影響因素均在<0.001水平下對PM2.5濃度變化影響顯著,即所有影響因素單獨作為PM2.5濃度變化的解釋變量均有統計學意義,尤其是CO、NO2、SO2、和Wind對PM2.5濃度變化影響的調整判定系數(2)均較大(0.208～0.675),方差解釋率均較高(21.10%～67.60%),模型擬合度較優,即CO、NO2、SO2、和Wind單獨作為解釋變量對PM2.5濃度變化的影響較顯著.

表1 2014～2020年成都市PM2.5與單影響因素的GAMs模型假設檢驗結果

注:***表示在0.001水平下變量是顯著的;**表示在0.01水平下變量是顯著的,下同.

成都市PM2.5濃度整體呈現“冬高夏低”的分布特征(圖1),PM2.5超標主要出現在冬季,因此本文進一步分析成都市冬季單一影響因素對PM2.5濃度變化的影響(表2),冬季、RH、Wind、Prec、NO2、SO2、CO和O3這8個影響因素均在<0.001水平下對PM2.5濃度變化影響顯著.與全年類似,冬季也是CO、NO2、SO2、和Wind單獨作為解釋變量時對PM2.5濃度變化的影響較顯著,與全年不同的是,冬季和O3對PM2.5濃度變化的影響效應較全年明顯減弱.

圖1 研究時段PM2.5濃度時間序列

表2 2014～2020年冬季成都市PM2.5與單影響因素的GAMs模型假設檢驗結果

2.2 PM2.5濃度變化的多影響因素GAMs模型分析

經單影響因素初步分析,將單影響因素分析中有統計學意義和經過顯著性檢驗的、Prec、Wind、RH、NO2、SO2、O3和CO共8個影響因素同時作為解釋變量納入多影響因素GAMs模型中,將PM2.5作為響應變量,進行多影響因素與PM2.5濃度間的GAMs建模.模型擬合結果如表3所示,在多影響因素模型中,降水量對應的值>0.01,未通過在0.01水平下的顯著性檢驗,而其余7個解釋變量均在<0.001(或<0.01)水平下對PM2.5濃度變化影響顯著.雖然單效應模型中降水量的方差解釋率高于相對濕度的方差解釋率,但多影響因素模型中降水量卻被剔除,可能原因在于,降水量和相對濕度均反映大氣中水汽含量狀況,二者存在較高關聯,此外,降水量與氣溫也存在較高關聯,在構建多變量曲線模型時為減小解釋變量間的共曲線性問題,從而使得降水量在擬合過程中被剔除.多影響因素GAMs模型的2=0.749,方差解釋率75.40%,模型擬合度整體較高,因此,可以確定、RH、Wind、O3、NO2、SO2和CO共同作用對PM2.5濃度變化有顯著影響.在上述研究基礎上,進一步刪除降水量后,重新構建PM2.5濃度變化的多影響因素GAMs模型.

表3 2014～2020年成都市PM2.5濃度與多影響因素的GAMs模型擬合結果

重新構建PM2.5濃度變化的多影響因素GAMs模型擬合結果如表4所示,所篩選的、RH、Wind、O3、NO2、SO2和CO 7個解釋變量的<0.001(或<0.01),具有統計學意義,即上述7個解釋變量與PM2.5濃度之間存在較強的關聯.最終構建的全年PM2.5濃度變化的GAMs模型為(PM2.5)=()+(RH)+s(Wind)+(O3)+(CO)+s(NO2)+s(SO2)+,調整后的2=0.759,方差解釋率為76.42%,由此表明多影響因素的GAMs模型擬合度整體較高,高于單一影響因素對PM2.5濃度變化的擬合效應,這也從側面印證了PM2.5濃度的變化受氣象要素和污染物等多種因素共同作用.多影響因素GAMs模型中對PM2.5濃度變化的影響程度由高到的低依次為:CO>> NO2>SO2>O3>Wind>RH,其中CO是PM2.5濃度變化的主導影響因素.CO作為化石燃料燃燒排放和生物質燃燒的產物,通常與一次排放有關,PM2.5之所有與CO相關性強,一個原因可能是PM2.5中的主要成分是一次排放[15].

以同樣的方式構建冬季PM2.5濃度變化的多影響因素GAMs模型如表5所示,、RH、Wind、NO2、SO2、O3和CO7個解釋變量的值均<0.01,具有統計學意義.值得注意的是,冬季Wind、NO2和SO2與PM2.5濃度變化呈線性關系,而、RH、O3和CO解釋變量均與PM2.5濃度呈非線性關系.最終構建的冬季PM2.5濃度變化的GAMs模型為(PM2.5)=()+(RH)+(O3)+(CO)+Wind+NO2+SO2+,調整后的2=0.708,方差解釋率為72.2%,冬季多影響因素的GAMs模型中對PM2.5濃度變化的影響程度由高到低依次為:CO>SO2>NO2>Wind>> RH>O3,與全年類似,CO仍是冬季PM2.5濃度變化的主導影響因素.

表4 2014～2020年PM2.5濃度與7個主要影響因素的GAMs模型擬合結果

表5 2014～2020年冬季PM2.5濃度與7個影響因素的GAMs模型擬合結果

2.3 PM2.5濃度變化的多因素影響效應診斷分析

通過對多影響因素(解釋變量)與PM2.5響應變量間建立GAMs模型,獲得解釋變量的平滑回歸函數,并得到影響因素對PM2.5濃度影響效應圖(圖2),可知,PM2.5與CO、NO2、SO2、O3、、RH和Wind均呈顯著地非線性關系,具體而言,PM2.5濃度隨CO濃度的升高近似呈指數增長;PM2.5濃度隨NO2濃度的升高整體呈波動上升趨勢,當NO2濃度小于70μg/m3時,上升趨勢較快,當NO2濃度介于70～110μg/m3之間,PM2.5濃度隨NO2濃度的增加呈緩慢上升趨勢,當NO2濃度大于110μg/m3后,PM2.5濃度隨NO2的增加近似呈指數增長趨勢;PM2.5濃度隨SO2(或O3)濃度的增加也呈波動增長趨勢,當SO2(或O3)濃度小于10μg/m3(80μg/m3)時,增長趨勢較緩慢,隨后增長趨勢加快;PM2.5濃度隨的增加呈倒“J”型分布,以7℃(相對弱低溫)作為平均氣溫臨界值,PM2.5濃度隨平均氣溫的升高呈先增大后減小的趨勢,PM2.5濃度高值出現在7℃附近,本團隊前期的研究發現污染物高值主要出現在相對弱低溫條件下,究其原因,相對弱低溫往往對應當地多為靜穩天氣(混合層厚度和通風系數均最小),此時大氣層結趨于穩定,呈現出最不利于大氣污染物擴散的氣象條件,進而易造成大氣重污染甚至是污染事件的發生,而隨著氣溫的進一步降低,冷空氣活動加強,污染擴散條件好,有利于污染物的擴散;而當氣溫高于相對弱低溫,隨著氣溫的進一步升高,熱力對流加強,垂直擴散條件轉好,因此,PM2.5濃度隨平均氣溫的升高呈先增大后減小的趨勢[17];PM2.5濃度隨RH的增加呈微弱波動上升趨勢,高相對濕度對應的PM2.5濃度較大,其反映了高濕度有利于顆粒物的吸濕增長; PM2.5濃度隨Wind的增加呈倒“J”型分布,以0.8m/s作為Wind臨界值,PM2.5濃度隨Wind的增大呈先增大后減小的趨勢.

圖3為冬季與PM2.5濃度變化密切相關的7個解釋變量對應的PM2.5濃度變化影響效應.可知,冬季PM2.5分別與SO2和NO2均呈線性正相關,而與Wind呈線性負相關;與全年類似,PM2.5濃度隨的變化呈波動趨勢,當在7℃附近時(弱低溫條件),PM2.5濃度最高;此外,PM2.5與RH、O3和CO均近似呈線性正相關關系.

圖2 2014～2020年成都市多影響因素對PM2.5濃度變化的影響效應

橫坐標為解釋變量的觀測值,縱坐標為解釋變量對PM2.5濃度的平滑擬合值,縱坐標括號中則代表估計自由度,實線為解釋變量對PM2.5濃度的平滑擬合曲線,虛線為95%的置信區間

圖3 2014～2020年冬季成都市多影響因素對PM2.5濃度變化的影響效應

橫坐標為解釋變量的觀測值,縱坐標為解釋變量對PM2.5濃度的平滑擬合值,縱坐標括號中則代表估計自由度,實線為解釋變量對PM2.5濃度的平滑擬合曲線,虛線為95%的置信區間

2.4 影響因素交互作用對PM2.5濃度變化的影響效應

PM2.5濃度變化受氣象要素和污染物等多種影響因素共同作用,不同的氣象要素、污染物對PM2.5濃度變化的影響效應并非孤立存在,可能存在交互作用.通過將主要影響因素(又稱解釋變量)進行交互構建GAMs模型,在此基礎上進一步分析它們對PM2.5濃度變化的影響,有利于全面、深入地認識不同解釋變量交互作用對PM2.5濃度變化的影響作用及特點.影響因素兩兩交互作用對PM2.5濃度變化的影響結果如表6所示,除CO-O3交叉項外,其余交叉項的估計自由度均大于1,即其他交叉項與PM2.5濃度變化均呈非線性關系;模型的2=0.778,方差解釋率78.7%,模型擬合程度整體較高,交互作用影響因素對PM2.5濃度變化的解釋率較高.模型方程中-CO、-NO2、RH-NO2、RH-SO2、Wind-CO、CO-NO2、CO-SO2和NO2-SO2共8個交叉解釋變量項均通過顯著性檢驗,在<0.001水平下顯著影響PM2.5濃度變化,且多數交叉項是以空氣污染物(CO、NO2和SO2)與氣象要素間(、RH和Wind)的交互作用,這也與PM2.5濃度變化主要受到空氣污染物與氣象要素的交互作用過程影響的特征吻合.

表6 全年影響因素交互作用與PM2.5濃度的GAMs模型假設檢驗結果

交叉項RH-CORH-NO2RH-SO2RH-O3Wind-COWind-NO2Wind-SO2 估計自由度1.5223.7947.8879.41217.451.2951.887 參考自由度1.8064.5388.93511.43019.5361.5772.032 F0.1922.5250.5130.1192.0830.9630.830 P0.802628<2×10-16***0.00525**0.1656.72×10-7***0.5960.651

交叉項Wind-O3CO-NO2CO-SO2CO-O3NO2-SO2NO2-O3SO2-O3 估計自由度4.99624.65122.85123.3552.6342.531 參考自由度5.74527.01324.362125.6822.9692.855 F0.85824.4312.2360.9882.7680.1030.096 P0.614<2×10-16***2.16×10-6***0.320258<2×10-16***0.1790.185

注::平均氣溫; RH:相對濕度;Wind:平均風速.

對通過顯著性檢驗且具有統計學意義的驅動因素交互模型進行可視化繪圖(圖4),可分析響應變量PM2.5濃度在不同自變量維度的同時變化特征.由圖4(a)(b)可知,與污染物CO或NO2交互作用對PM2.5濃度的影響效應較為類似,即在一定的條件下,PM2.5濃度均隨污染物CO(或NO2)濃度的增加而迅速增大,污染物CO(或NO2)高濃度情況下,當位于7℃附近(弱低溫條件下)時,PM2.5濃度達到峰值,即弱低溫條件下,高濃度的CO(或NO2)有利于PM2.5的生成.由圖4(c)(d)可知,高RH與高濃度NO2(或SO2)共存條件下,對應的PM2.5濃度最大,表明高濃度NO2(或SO2)與高RH對PM2.5濃度變化的影響存在協同放大效應.圖4(e)為Wind與CO交互作用對PM2.5濃度的影響效應圖,由圖4(e)可知,CO濃度越高,Wind在0.8m/s時對應的PM2.5濃度最大;由圖4(f)(g)(h)可知,CO、NO2和SO2三種污染物對PM2.5濃度的影響兩兩存在交互效應,且兩兩交互效應較為類似,以CO與NO2交互作用(圖4(f))對PM2.5濃度的影響效應為例,高濃度的CO與高濃度的NO2同時存在的情況下,PM2.5濃度達到最大,即CO和NO2交互作用對PM2.5濃度的增加存在協同放大效應;CO-SO2以及NO2-SO2交互作用對PM2.5濃度的影響與CO-NO2交互作用對PM2.5濃度的影響效應類似.綜上所述,弱低溫(7℃左右)+高RH+高濃度CO+高濃度NO2+高濃度SO2協同作用條件下有利于PM2.5的生成,其實質反應了秋冬季節靜穩天氣條件下,高相對濕度有利于顆粒物的吸濕增長,從而增加了霧霾出現的概率.

圖4 全年驅動因素對PM2.5濃度變化影響的三維空間效應

冬季影響因素兩兩交互作用對PM2.5濃度變化的影響結果中,Wind-CO、Wind-NO2、RH-NO2、SO2-NO2和NO2-CO5項交叉解釋變量項均通過顯著性檢驗,在<0.001水平下顯著影響PM2.5濃度變化(表略).冬季影響因素交互作用可視化三維圖如圖5所示,由5(a)(b)可知,低風速條件下,高濃度的CO(或NO2)對應的PM2.5濃度最高;圖5(c)反映了高RH與高濃度NO2共存條件下,PM2.5濃度達到峰值;由5(d)(e)可知高濃度的NO2與高濃度的CO(或SO2)共存條件下,對應的PM2.5濃度最高,綜上所述,冬季低Wind+高RH+高濃度CO+高濃度NO2+高濃度SO2協同作用條件下有利于PM2.5濃度的生成.

圖5 冬季驅動因素對PM2.5濃度變化影響的三維空間效應

3 結論

3.1 PM2.5濃度變化的單影響因素GAMs模型中,就全年而言,CO、NO2、SO2、和Wind對PM2.5濃度變化影響的調整判定系數(2)均較大(0.208～ 0.675),方差解釋率均較高(21.10%～67.60%),模型擬合度較優.與全年不同的是,冬季和O3對PM2.5濃度變化的影響效應較全年明顯減弱.

3.2 構建的全年多影響因素GAMs模型為(PM2.5)=()+(RH)+(O3)+(CO)+s(Wind)+s(NO2)+s(SO2)+,調整后的2=0.759,方差解釋率為76.42%,解釋變量的影響程度由高到低依次為:CO>>NO2> SO2>O3>Wind>RH;構建的冬季多影響因素GAMs模型為:(PM2.5)=()+(RH)+(O3)+(CO)+Wind+ NO2+SO2+,調整后的2=0.708,方差解釋率為72.2%,解釋變量的影響程度由高到低依次為:CO> SO2>NO2>Wind>>RH>O3,無論是全年還是冬季, CO都是PM2.5濃度變化的主導影響因素.

3.3 GAMs交互效應模型研究發現,全年弱低溫(7℃左右)+高RH+高濃度CO+高濃度NO2+高濃度SO2協同作用條件下有利于PM2.5濃度的生成;冬季低Wind+高RH+高濃度CO+高濃度NO2+高濃度SO2協同作用條件下有利于PM2.5的生成,即該條件對PM2.5濃度的生成有協同放大效應.

[1] 張小曳,孫俊英,王亞強,等.我國霧-霾成因及其治理的思考[J]. 科學通報, 2013,58(13):1178-1187.

Zhang X Y, Sun J Y, Wang Y Q, et al. Factors contributing to haze and fog in China (in Chinese) [J]. Chinese Science Bulletin, 2013,58(13): 1178-1187.

[2] Ning G, Wang S, Ma M, et al. Characteristics of air pollution in different zones of Sichuan Basin, China. Science of the Total Environment, 2017,612:975-984.

[3] 劉長煥,鄧雪嬌,朱 彬,等.近10年中國三大經濟區太陽總輻射特征及其與O3、PM2.5的關系[J]. 中國環境科學, 2018,38(8):2820-2829.

Liu C H, Deng X J, Zhu B, et al. Characteristics of GSR of China’s three major economic regions in the past 10years and its relationship with O3and PM2.5[J]. China Environmental Science, 2018,38(8): 2820-2829.

[4] Liao T, Gui K, Jiang W, et al. 2018. Air stagnation and its impact on air quality during winter in Sichuan and Chongqing,southwestern China [J]. Science of The Total Environment, 635:576-585.

[5] 彭 爽,康 平,張小玲,等.成都市大氣顆粒物粒徑分布及其對能見度的影響[J]. 環境科學學報, 2020,40(12):4432-4441.

Peng S, Kang P, Zhang X L, et al. The size distribution of atmospheric particles in Chengdu and its influence on visibility [J]. Journal of Environmental Science, 2020,40(12):4432-4441

[6] 楊 柳,王式功,張 瑩.成都地區近3a空氣污染物變化特征及降水對其影響[J]. 蘭州大學學報(自然科學版), 2018,54(6):731-738.

Yang L, Wang S G, Zhang Y. Variation characteristics of air pollutants in Chengdu area in recent three years and influence of precipitation on them [J]. Journal of Lanzhou University (NATURAL SCIENCE EDITION), 2018,54(6):731-738

[7] Wang Y, Hopke P K, Xia X, et al. Source apportionment of airborne particulate matter using inorganic and organic species as tracers [J]. Atmospheric Environment, 2012,55(3):525-532.

[8] 洪 也,張 瑩,馬雁軍,等.沈陽大氣污染物與氣象因素對呼吸疾病門診數的影響[J]. 中國環境科學, 2020,40(9):4077-4090.

Hong Y, Zhang Y, Ma Y J, et al. Effects of air pollutants and meteorological factors on the number of respiratory disease clinics in Shenyang [J]. China Environmental Science, 2020,40(9):4077-4090.

[9] 張 瑩,王式功,賈旭偉,等.氣溫與PM2.5協同作用對疾病急診就診人數的影響[J]. 中國環境科學, 2017,37(8):3175-3182.

Zhang Y, Wang S G, Jia X W, et al. Temperature and PM2.5the impact of synergy on the number of emergency patients [J]. China Environmental Science, 2017,37(8):3175-3182.

[10] 賀 祥,林振山.基于GAM模型分析影響因素交互作用對PM2.5濃度變化的影響[J]. 環境科學, 2017,38(1):22-32.

He X, Lin Z S. Analysis of influence factors interaction on PM2.5concentration change based on gam model [J]. Environmental science, 2017,38(1):22-32.

[11] Qian Z M, He Q C, Lin H M, et al. Association of daily cause specific mortality with ambient particle air pollution in Wuhan, China [J]. Environmental research, 2007,105(3):380-389.

[12] Dominici F, Mcdermott A, Zeger S L, et al. On the use of generalized additive models in time-series studies of air pollution and health [J]. American Journal of Epidemiology, 2002,156(3):193-203.

[13] Camalier L, Cox W, Dolwick P. The effects of meteorology on ozone in urban areas and their use in assessing ozone trends [J]. Atmospheric Environment, 2007,41(33):7127-7137.

[14] Wood S N, Pya N, S Fken B. Smoothing parameter and model selection for general smooth models [J]. Journal of the American Statistical Association, 2016,111(516):1548-1563.

[15] Zhu Y H, Yang L X, Kawamura K, et al. Contributions and source identification of biogenic and anthropogenic hydrocarbons to secondary organic aerosols at Mt. Tai in 2014 [J]. Environmental Pollution, 2017,220:863-872.

[16] Zhang Y, Wang S, Fan X, et al. A temperature indicator for heavy air pollution risks (TIP) [J]. Science of The Total Environment, 2019,678.

Interactive effects of the influcening factors on the changes of PM2.5concentration.

ZHANG Ying1,2*, ZHANG Jie1, WANG Shi-gong1, KANG Ping1, ZHANG Jia-xi1, ZHANG Xiao-ling1,3, LI Yun-chao1

(1.Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, Institute of Meteorological Environment and Public Health, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China；2.State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China；3.Institute of Urban Meteorology, China Meteorological Administration, Beijing 100089, China)., 2021,41(10)：4518～4528

To explore the influence characteristics of the interaction effects between meteorological elements and ambient air pollutants on particulate matter with an aerodynamic less than 2.5 (PM2.5), daily air pollutants data and meteorological data during the same period from 2014 to 2020 in Chengdu were collected. Generalized Additive Models (GAMs) were adopted to explore the effects of different factors on PM2.5concentration of Chengdu.The results of single-factor GAMs showed that the relationship between PM2.5concentration and daily average temperature (), relative humidity (RH), wind speed (Wind), precipitation (Prec), ozone (O3), nitrogen dioxide (NO2), sulfur dioxide (SO2), and carbon monoxide (CO) all were nonlinear no matter in the whole year or in winter. It was also found that CO, NO2, SO2,, and Wind all had greater impact on PM2.5concentration. Furthermore, effects ofand O3on PM2.5concentration in winter were weaker than that inwhole year. In the multi-factor GAMs, the combined effects of, RH, SO2, NO2, O3and CO had significant impacts on the change of PM2.5concentration.For whole year, the adjusted judgment coefficient (2) of the multi-factor gams model was 0.759 and the variance explanation rate was 76.42%. For winter, the adjusted2of gams model was 0.708 and the variance explanation rate was 72.2%. CO was the most important influencing factor no matter in whole year or in winter. In the interaction GAMs, for the whole year,it was found that the synergetic effect of moderate low(around 7℃) + high RH + high concentration of CO + high concentration of NO2+ high concentration of SO2were beneficial to the formation of PM2.5in Chengdu, which means this condition had a synergistic amplification effect on the formation of PM2.5concentration. For winter, the coexistence of low wind + high RH + high CO + high NO2+ high SO2were beneficial to the formation of PM2.5, which condition had a synergistic amplification effect on the formation of PM2.5concentration. It was found that GAMs model could not only be used to identify the dominant influencing factors of PM2.5pollution, but also quantitatively analyze the influence of single effect and interaction of influencing factors on the change of PM2.5concentration, which was great significance for local to prevent and control PM2.5pollution.

generalized additive models；the change of PM2.5concentration；influencing factors；interactive effects

X513

A

1000-6923(2021)10-4518-11

張 瑩(1988-),女,陜西寶雞人,講師,博士,主要從事氣象環境與健康方面的研究.發表論文40余篇.

2021-02-18

四川省重大科技項目(2018SZDZX0023);四川省科技廳應用基礎研究項目(2020YJ0425);成都市科技廳技術創新研發項目:(2018-YF05-00219-SN);國家自然科學基金資助項目(42005136);中國博士后科學基金(2020M670419);四川省教育廳項目(2018Z114);成都信息工程大學科研項目(KYTZ201723)

* 責任作者, 博士, zhangy881208@126.com