城市內部尺度PM2.5傳輸關聯方法研究—以北京市為例

尹 浩,胡冬梅,閆雨龍,彭 林,王 凱,張可可,鄧萌杰

城市內部尺度PM2.5傳輸關聯方法研究—以北京市為例

尹 浩,胡冬梅*,閆雨龍,彭 林,王 凱,張可可,鄧萌杰

(華北電力大學環境科學與工程學院,資源環境系統優化教育部重點實驗室,北京 102206)

基于數據驅動思想,以城市內部環境空氣質量監測站點為研究對象,建立了目標站點與周邊站點間PM2.5濃度、風向、風速、歐幾里得距離等參數的多元線性關聯回歸模型,使用梯度下降算法學習得到各參數權重系數,計算得出周邊站點對目標站點PM2.5傳輸貢獻,并評估了模型的可行性.以北京市豐臺花園(FT)為目標站點的應用研究結果顯示,2016年FT站點PM2.5濃度為82μg/m3,周邊站點大興(DX)、房山(FS)、亦莊(YZ)、東四環(DS)、古城(GC)和萬柳(WL)濃度分別為93,82,80,79,77,71μg/m3; FT站點PM2.5濃度與上一時刻周邊站點WL、GC、DX、YZ的相關性分別為0.634、0.631、0.608和0.601,顯示其對FT站點PM2.5污染傳輸顯著;建立的4個季節關聯回歸模型RMSE值分別為13.22、11.74、12.51和13.22, PM2.5模擬濃度與監測濃度變化趨勢一致,驗證了模型的可行性;WL、DX、YZ、GC分別是對應春、夏、秋、冬4個季節對FT 站點PM2.5污染傳輸貢獻較大的站點,其貢獻值分別為1.61%、1.71%、2.20%和8.57%.該模型解析的結果可為北京市未來城市規劃、建設提供依據,提出的PM2.5傳輸多元線性關聯回歸方法同樣可用來解析其他城市內部尺度PM2.5傳輸關聯,為挖掘城市內部PM2.5傳輸路徑、精準溯源提供基礎.

城市內部尺度；PM2.5；多元線性關聯回歸；傳輸貢獻

研究表明,城市某地區PM2.5濃度受自身上一時刻污染物濃度積累、周邊區域濃度、氣象條件和歐幾里得距離等多種因素影響[1-6], PM2.5濃度預測需綜合考慮眾多要素. 目前,對于城市PM2.5污染傳輸研究,主要分為數值分析、氣象場分析和統計分析3大類,其中Models-3/CMAQ[7]、WRF-Chem[8]和軌跡分析法[9]運用相對較多.薛文博等[10]利用CAMx空氣質量模型的顆粒物來源追蹤技術(PSAT)定量模擬得到全國PM2.5跨區域輸送規律; 齊孟姚[11]利用WRF-Chem模擬并得到了河北南部城市邊界的PM2.5通量,并由此推導出模擬期間PM2.5的主要傳輸路線及通道區域;任傳斌等[12]利用HYSPLIT后向軌跡模型分析了北京市不同輸送途徑的空間特征及其對北京城區PM2.5聚集的貢獻;余創等[13]利用氣流后向軌跡聚類分析法研究了銀川市PM2.5的輸送路徑及潛在源分布.但此類模型主要適用于大尺度城市間的污染傳輸研究,運用在小尺度傳輸研究中可能會出現流場解析不準確、化學機制不確定性大等因素導致結果存在較大不確定性問題[14].

本文綜合考慮環境空氣質量監測站點污染物濃度、風向、風速、歐幾里得距離等影響污染傳輸的時空因素特征,建立基于時空傳輸特征的城市內部尺度PM2.5傳輸關聯研究方法.以北京市豐臺花園站點為目標站點,以其周邊相關聯的6個站點為傳輸變量,研究不同季節6個關聯站點對豐臺花園站點PM2.5的污染傳輸貢獻,旨在為挖掘城市內部PM2.5污染傳輸路徑、精準溯源提供基礎.

1 數據來源及方法建立

1.1 數據來源

圖1 7個空氣質量站點空間分布

選取北京市2016年7個空氣質量站點PM2.5小時濃度數據,7個氣象監測站點的風向、風速小時數據以及站點經緯度數據.其中環境空氣PM2.5濃度數據來源于北京市環境監測中心站實時數據(http://zx.bjmemc.com.cn),共計69656條.氣象數據來源于國家氣象科學數據中心(http://data.cma.cn/),共計122990條,站點經緯度數據來源于高德地圖.對于PM2.5濃度、氣象數據中檢測到的異常、缺失值采用基于時間序列的拉格朗日插值法填充處理[15].

考慮北京市PM2.5濃度南高北低特征、站點空間分布特征以及目標站點可能受周邊站點影響程度大小,選取北京市南部的、周邊關聯站點數量較多且PM2.5濃度相對較高的豐臺花園站點(FT)為目標站點,探討其周邊6個相關站點對豐臺花園站點PM2.5時空傳輸貢獻.6個站點包括萬柳(WL)、古城(GC)、房山(FS)、大興(DX)、亦莊(YZ)和東四環(DS),涵蓋了北京市朝陽區、海淀區、大興區、豐臺區、石景山區和房山區6個區域,空間分布如圖1所示.

1.2 方法研究

城市內部PM2.5污染傳輸受濃度梯度、氣象條件、站點間歐幾里得距離等多種因素共同制約[16-19].因此,綜合考慮監測站點污染物濃度、風向、風速、歐幾里得距離等時空因素特征,定義目標站點1時刻PM2.5濃度,如公式(1):

式中:w為擴散系數;F()為時刻站點間的風力系數值;為2個空氣質量監測站連線方向與風向之間的夾角;為污染物可以進行傳輸的最大距離(km).

圖2 站點間風力系數示意

圖3 夾角q示意圖及風向十六方位

1.2.5 模型結果誤差計算方法 為定量評估模型的計算準確度,采用均方根誤差(RMSE)對模型進行定量評估[27].

1.2.6 時空傳輸來源計算方法 根據建立的時空傳輸關聯模型,定義時空傳輸貢獻率,如公式(10).

式中:C分別為關聯站點時刻PM2.5濃度(μg/m3);為對應影響權重;DF為空氣質量監測站點之間時刻的風力系數差值;d為空氣質量監測站點之間的歐幾里得距離(km);為污染傳輸的最大距離(km);(t+1)為模型計算目標站點濃度值(μg/m3).

2 結果與討論

2.1 環境空氣質量數據時空特征分析

圖4 北京市35空氣質量站點PM2.5濃度空間分布

北京市共35個環境空氣質量監測站點,各站點PM2.5濃度整體呈南高北低的空間分布特征[28],如圖4所示,南部站點更易受其周邊高PM2.5濃度--站點影響,站點間PM2.5輸送貢獻也更為明顯[29-30].2016年各站點PM2.5年均濃度分別為DX 93μg/m3、FS 82μg/m3、FT 81μg/m3、YZ 80μg/m3、DS 79μg/m3、GC 77μg/m3和WL 71μg/m3.

從圖5中可以看出,7個站點PM2.5峰值濃度隨時間推移而逐步升高,相鄰站點間PM2.5濃度變化趨勢具有明顯協同性.

圖5 2016年一次空氣重污染過程時刻各站點PM2.5濃度時間序列

圖6 關聯站點與目標站點PM2.5濃度相關性

為定量解析任意關聯站點與目標站點PM2.5濃度的相關性,基于最大信息系數理論[31],計算各關聯站點時刻PM2.5濃度與目標站點1時刻PM2.5濃度的MIC值.從圖6可以看出,WL(t)、GC(t)、DX(t)、YZ(t)與FT(t+1)的MIC值相對較大,分別為0.6340、0.6305、0.6079和0.6007,表明站點之間的關聯性較大,PM2.5傳輸貢獻顯著.探究其可能的原因,WL、GC與目標站點FT直線距離相對較小,分別為13.81和9.89km,傳輸相對容易且傳輸中損耗較小,故WL(t)、GC(t)與FT(t+1)關聯性較大;DX、YZ與FT的傳輸距離優勢相對較小,但DX、YZ位于FT的東南方向,且2016年北京市的主導風向為東南風,風頻為28.39%,氣象條件有利于傳輸,故DX(t)、YZ(t)與FT(t+1)關聯性較大.

2.2 時空傳輸關聯模型結果解析

城市內部大氣污染物的傳輸具有復雜多變的動態特征[32-33],季節變化顯著[34].本文基于2016年7個站點PM2.5小時濃度數據、小時氣象數據、站點空間位置數據,應用建立的時空傳輸關聯模型分別得到2016年4個季節的目標站點PM2.5濃度,如式(12)～式(15).

2016年春季結果:

2016年夏季結果:

2016年秋季結果:

2016年冬季結果:

以FT為目標站點的各個季節關聯回歸模型結果顯示, 4個季節PM2.5模擬濃度與監測濃度的RMSE值分別為13.22、11.74、12.51和13.22,模型準確性較高.分別隨機選取4個季節部分歷史時刻數據對模型進行驗證,模型模擬值與實際監測濃度變化趨勢一致,進一步驗證了模型的準確性,如圖7所示.該模型解析的結果可為北京市未來城市規劃、建設提供依據.提出的PM2.5傳輸多元線性關聯回歸模型方法同樣可用來解析其他城市內部尺度PM2.5傳輸關聯.

圖7 2016年4個季節模型結果與實際數據對比

2.3 應用時空傳輸關聯模型解析PM2.5傳輸特征

應用時空傳輸關聯模型解析2016年4個季節PM2.5傳輸特征,如圖8所示.春季周邊傳輸對FT的貢獻率為2.56%,其中WL、YZ貢獻相對較大,分別為1.61%和0.81%;夏季周邊傳輸對FT的貢獻率為3.47%,其中DX、WL貢獻相對較大,分別為1.71%和1.69%;秋季周邊傳輸對FT的貢獻率為4.08%,其中YZ、WL貢獻相對較大,分別為2.20%和1.77%;冬季周邊傳輸對FT的貢獻率為8.98%,其中GC貢獻最大,為8.57%;DS全年對FT貢獻最小.綜合比較發現,4個季節中周邊站點對FT的貢獻由大到小分別為冬季>秋季>春季>夏季;WL在春、夏、秋3個季節對FT貢獻率均排在前3位,冬季對FT基本無貢獻;GC在冬季對FT貢獻明顯,春、夏、秋3個季節基本無貢獻;DX在夏季對FT傳輸相對較多,春、秋、冬3個季節相對較少;YZ在春、秋季對FT貢獻相對較多,夏、冬季相對較少.分析PM2.5傳輸結果呈現的站點差異、季節差異原因知,不同季節的氣象條件、污染物濃度各有區別,不同站點與目標站點的歐幾里得距離、風力差值大小不同,會對PM2.5傳輸產生不同程度影響.

圖8 2016年4個季節周邊站點對FT傳輸貢獻

3 結論

3.1 基于數據驅動思想,以城市內部環境空氣質量監測站點為研究對象,提出并建立了目標站點與周邊站點間PM2.5濃度、風向、風速、歐幾里得距離等參數的多元線性關聯回歸模型,使用梯度下降算法學習得到各參數權重系數,計算得到周邊站點對目標站點PM2.5傳輸貢獻.

3.2 2016年FT站點PM2.5濃度為82μg/m3,周邊站點DX、FS、YZ、DS、GC和WL濃度分別為93, 82,80,79,77,71μg/m3. FT站點PM2.5濃度與上一時刻周邊站點WL、GC、DX、YZ的MIC值分別為0.634、0.631、0.608和0.601.

3.3 建立了以FT為目標站點的2016不同季節關聯回歸模型, PM2.5模擬濃度與實際監測濃度變化趨勢一致,4個季節模型的RMSE值分別為13.22、11.74、12.51和13.22.

3.4 WL,DX,YZ,GC分別是對應春、夏、秋、冬4個季節對FT 站點PM2.5污染傳輸貢獻較大的站點,其貢獻值分別為1.61%,1.71%,2.20%和8.57%.

[1] Bove M C, Brotto P, Cassola F, et al. An integrated PM2.5source apportionment study: positive matrix factorisation vs. the chemical transport model CAMx [J]. Atmospheric Environment, 2014,94:274-286.

[2] Sulaymon I D, Zhang Y, Hu J, et al. Evaluation of regional transport of PM2.5during severe atmospheric pollution episodes in the Western Yangtze River Delta, China [J]. Journal of Environmental Management, 2021,293(18):112827.

[3] 鄧萌杰,閆雨龍,胡冬梅,等.長治市沙塵天氣污染特征及傳輸路徑解析[J]. 中國環境科學, 2020,40(10):4275-4283.

Deng M J, Yan Y L, Hu D M, et al. Analysis of dust weather pollution characteristics and transmission paths in Changzhi, China [J]. China Environmental Science, 2020,40(10):4275-4283.

[4] Li R, Wang J, Xue K, et al. Spatial and temporal distribution characteristics and influencing factors analysis of particulate matter pollution in Jinan City [J]. Air Quality Atmosphere & Health, 2021,14:1267-1278.

[5] 吳健生,廖 星,彭 建,等.重慶市PM2.5濃度空間分異模擬及影響因子[J]. 環境科學, 2015,36(3):759-767.

Wu J S, Liao X, Peng J, et al. Simulation and influencing factors of spatial distribution of PM2.5concentrations in Chongqing [J]. Environmental Science, 2015,36(3):759-767.

[6] Hou X, Zhu B, Kumar K R, et al. Inter-annual variability in fine particulate matter pollution over China during 2013～2018: Role of meteorology [J]. Atmospheric Environment, 2019,214:116842.

[7] Solazzo E, Hogrefe C, Colette A, et al. Advanced error diagnostics of the CMAQ and Chimere modelling systems within the AQMEII3 model evaluation framework [J]. Atmospheric Chemistry and Physics, 2017,17(17):10435-10465.

[8] 周廣強,謝 英,吳劍斌,等.基于WRF-Chem模式的華東區域PM2.5預報及偏差原因[J]. 中國環境科學, 2016,36(8):2251-2259.

Zhou G Q, Xie Y, Wu J B, et al. Based on WRF-Chem model, the PM2.5forecast and deviation reason in East China region [J]. Chinese Environmental Science, 2016,36(8):2251-2259.

[9] Qin Y G, Yi C, Dong G L, et al. Investigating the influence of meteorological factors on particulate matters: A case study based on path analysis [J]. Energy and Environment, 2019,31(3):479-491.

[10] 薛文博,付 飛,王金南,等.中國PM2.5跨區域傳輸特征數值模擬研究[J]. 中國環境科學, 2014,34(6):1361-1368.

Xue W B, Fu F, Wang J N, et al. Numerical study on the characteristics of regional transport of PM2.5in China [J]. China Environmental Science, 2014,34(6):1361-1368.

[11] 齊孟姚.應用WRF-Chem模型解析河北南部城市PM2.5來源及傳輸路徑[D]. 邯鄲:河北工程大學, 2020.

Qing M Y. Source apportionment and inter-city transport of PM2.5in southern Hebei cities using WRF-Chem [D]. Handan: Hebei University of Engineering, 2020.

[12] 任傳斌,吳立新,張媛媛,等.北京城區PM2.5輸送途徑與潛在源區貢獻的四季差異分析[J]. 中國環境科學, 2016,36(9):2591-2598.

Ren C B, Wu L X, Zhang Y Y, et al. Analyze to the seasonal differences of transport pathways and potential source-zones of Beijing Urban PM2.5[J]. China Environmental Science, 2016,36(9): 2591-2598.

[13] 余 創,張玉秀,陳 偉.銀川市PM2.5的輸送路徑及潛在源解析[J]. 中國環境科學, 2021,41(7):3055-3065.

Yu C, Zhang Y X, Chen W. The transport pathways and potential source regions of PM2.5in Yinchuan, China [J]. China Environmental Science, 2021,41(7):3055-3065.

[14] 呂宗璞.基于CMAQ模型的京津冀地區污染物傳輸路徑和輸送通道研究[D]. 石家莊:河北科技大學, 2019.

Lv Z P. Study on pollutant transmission path and conveying channel in Beijing-Tianjin-Hebei area based on CMAQ model [D]. Shijiazhuang: Hebei University of Science and Technology, 2019.

[15] Resende D C O D, Santana D L D, Fábio Manoel Frana Lobato. Time Series Imputation Using Genetic Programming and Lagrange Interpolation [Z]. 2016 5th Brazilian Conference on Intelligent Systems (BRACIS). IEEE, 2017.

[16] Wang, Yu F, Hai Y, et al. A weighted higher-order network analysis of fine particulate matter PM2.5transport in Yangtze River Delta [J]. Physica, A. Statistical Mechanics and its Applications, 2018,496:654-662.

[17] Zhao G, Huang G, He H, et al. Innovative Spatial-Temporal Network Modeling and Analysis Method of Air Quality [J]. IEEE Access, 2019,7:26241-26254.

[18] Qbadou M, Hajji M, Samadi A, et al. Improving the selection process of students in higher education based on data warehouse and data mining techniques [Z]. International Technology, Education and Development Conference, 2016.

[19] 柳萌萌,趙書良,韓玉輝,等.多尺度數據挖掘方法[J]. 軟件學報, 2016,27(12):3030-3050.

Liu M M, Zhao S L, Han Y H, et al. Research on multi-scale data mining method [J]. Journal of Software, 2016,27(12):3030-3050.

[20] Wen H F, Dang Y M, Li L W. Short-term PM2.5concentration prediction by combining GNSS and meteorological factors [J]. IEEE Access, 2020,8:115202-115216.

[21] Zhao G, Huang G, HE H, et al. Mining key stations by constructing the air quality spatial-temporal propagation network [J]. IEEE Access, 2020,PP(99):97485-97502.

[22] 吳 瑤.區域大氣污染物關鍵傳播路徑和重要節點挖掘方法研究[D]. 秦皇島:燕山大學, 2018.

Wu Y. Research on key propagation path and important node mining method of regional air pollutants [D]. Qinhuangdao: Yanshan university, 2018.

[23] Liberti L, Lavor C, Maculan N, et al. Euclidean distance geometry and applications [J]. SIAM Review, 2012,56(1):3-69.

[24] Quentin M, Fabrice P, Jeng-antoine D. Stochastic multiple gradient descent algorithm [J]. European Journal of Operational Research, 2018,271(3):808-817.

[25] Lee G, Yi G, Youn B D. Special issue: a comprehensive study on enhanced optimization-based model calibration using gradient information [J]. Struct Multidiscip Optim., 2018,57(5):2005-2025.

[26] 王 丹.隨機梯度下降算法研究[D]. 西安:西安建筑科技大學, 2020.

Wang D. A research of stochastic gradient descent algorithm [D]. Xi￠an: Xi'an University of Architecture and Technology, 2020.

[27] Chai T, Draxler R R. Root mean square error (RMSE) or mean absolute error (MAE)-Arguments against avoiding RMSE in the literature [J]. Geosci. Model Dev., 2014,7(3):1247-1250.

[28] 馮春莉,李潤奎.基于土地利用回歸模型的北京市2013～2019年大氣污染時空變化分析[J]. 環境科學學報, 2021,41(4):1231-1238.

Feng C L, Li R K. Spatiotemporal variation analysis of air pollution from 2013 to 2019 in Beijing based on land use regression model [J]. Acta Scientiae Circumstantiae, 2021,41(4):1231-1238.

[29] 聶 滕,李 璇,王占山,等.APEC期間北京市PM2.5時空分布與過程分析[J]. 中國環境科學, 2016,36(2):349-355.

Nie T, Li X, Wang Z S, et al. Spatial and temporal distribution and process analysis of PM2.5pollution over Beijing during APEC [J]. China Environmental Science, 2016,36(2):349-355.

[30] 李珊珊,程念亮,徐 峻,等.2014年京津冀地區PM2.5濃度時空分布及來源模擬[J]. 中國環境科學, 2015,35(10):2908-2916.

Li S S, Chen N L, Xu J, et al. Spatial and temporal distrubions and source simulation of PM2.5in Beijing-Tianjin-Hebei region in 2014 [J]. China Environmental Science, 2015,35(10):2908-2916.

[31] Reshef D N, Reshef Y A, Finucane H K, et al. Detecting novel associations in large data sets [J]. Science, 2011,334(6062):1518-1524.

[32] Zhang H H, Hou Y G, Wu K J, et al. Study on Mechanism of Series-Flow of Pollutants between Consecutive Tunnels by Numerical Simulation [J]. Appl. Sci.-Basel., 2019,9(19):4125.

[33] Narasimhachar V, Poostindouz A, Gour G. Uncertainty, joint uncertainty, and the quantum uncertainty principle [J]. New Journal of Physics, 2016,18(3):033019.

[34] 盧 文,王紅磊,朱 彬,等.南京江北2014～2016年PM2.5質量濃度分布特征及氣象和傳輸影響因素分析[J]. 環境科學學報, 2019,39(4): 1039-1048.

Lv W, Wang H L, Zhu B, et al. Distribution characteristics of PM2.5mass concentration and their impacting factors including meteorology and transmission in North Suburb of Nanjing during 2014 to 2016 [J]. Acta Scientiae Circumstantiae, 2019,39(4):1039-1048.

[35] Zheng Z, Ren G, Hong W, et al. Relationship Between Fine-Particle Pollution and the Urban Heat Island in Beijing, China: Observational Evidence [J]. Boundary-Layer Meteorology, 2018,169(1):93-113.

Study on the transport correlation method of PM2.5at urban scale—taking Beijing as an example.

YIN Hao, HU Dong-mei*, YAN Yu-long, PENG Lin, WANG Kai, ZHANG Ke-ke, DENG Meng-jie

(Key Laboratory of Resources and Environmental System Optimization, Ministry of Education, College of Environmental Science and Engineering, North China Electric Power University, Beijing 102206, China)., 2022,42(2)：550～556

Based on data driven, internal environment in city air quality monitoring sites as the research object, multiple linear correlation regression models were established for PM2.5concentration, wind direction, wind speed, Euclidean distance and other parameters between target stations and surrounding stations. The weight coefficients of each parameter were obtained by gradient descent algorithm, the PM2.5transmission contribution of surrounding stations to target stations was calculated and the feasibility of the model was evaluated. Taken Feng Tai Garden (FT) in Beijing as the target site, the results showed that the PM2.5concentration of FT site in 2016 was 82μg/m3, Da Xing (DX), Fang Shan (FS), Yi Zhuang (YZ), Dong Sihuan (DS), Gu Cheng (GC) and Wan Liu (WL) sites were93, 82, 80, 79, 77和71μg/m3. The correlation between PM2.5concentration of FT station and WL, GC, DX and YZ of surrounding stations at the last moment was 0.634, 0.631, 0.608 and 0.601, respectively, which indicates the significantly transmitted PM2.5pollution to FT station. RMSE values of the four seasonal correlation regression models were 13.22, 11.74, 12.51 and 13.22, respectively. The variation trend of PM2.5simulated concentration was consistent with that of the monitored concentration, which verified the feasibility of the model. WL, DX, YZ and GC were the stations that contribute more to PM2.5pollution transmission of FT station in spring, summer, autumn and winter respectively, and their contribution values were 1.61%, 1.71%, 2.20% and 8.57%, respectively. The model results can provide a basis for the future urban planning and construction of Beijing. The proposed multiple linear correlation regression method of PM2.5transmission can also be used to analyze the PM2.5transmission correlation of other urban scales, providing a basis for the mining of PM2.5transmission path and accurate traceability within the city.

intra-city scale；PM2.5；multiple linear correlation regression；transmission contribution

X513

A

1000-6923(2022)02-0550-07

尹 浩(1996－),男,河北張家口人,華北電力大學碩士研究生,主要從事大氣污染控制研究.發表論文1篇.

2021-07-14

國家重點研發計劃項目(2019YFC0214202,2019YFC0214203);國家自然科學基金資助項目(21976053);中央高?；究蒲袠I務費專項資金資助項目(2019MS043)

* 責任作者, 講師, huhu3057@ 163.com