使用2016年北京市环境监测中心发布的大气污染物数据,运用数理统计和GIS空间分析的方法,分析了2016年北京市PM 2.5、PM 10、NO 2、SO 2、CO、O 3的时空变化特征,同时利用Spearman相关分析法探讨了此6种污染物之间的相关性。结果表明:2016年月变化趋势中,PM 10和PM 2.5变化曲线相似呈双峰分布,NO 2、SO 2变化曲线相似呈波浪型分布,CO呈三峰分布,O 3呈单峰分布;季节变化中,PM 2.5、NO 2、CO秋冬污染高于春夏,PM 10春秋污染高于冬夏,SO 2春冬高于夏秋,O 3则春夏高于秋冬。空间分布上PM 2.5、PM 10、SO 2、CO均表现出由南向北逐渐降低的变化趋势,NO 2城区污染高于郊区,O 3北部污染高于南部。相关性分析结果显示PM 2.5、PM 10、NO 2、SO 2、CO之间呈现出显著的正相关性,O 3则与其他污染物呈现出负相关性。 The temporal variation and spatial distribution of PM 2.5, PM 10, NO 2, SO 2, CO, O 3 released by Beijing Municipal Environmental Monitoring Center of Beijing in 2016 were discussed by means of ma-thematical statistics and spatial analysis. Spearman correlation analysis was used to explore the correlation between these six pollutants. The results showed that in monthly average of 2016, PM 10, PM 2.5 showed bimodal curves, NO 2, SO 2 showed wavy-shaped curve, CO showed a three-peak curve and O3 showed a single-peak curve. During seasonal variation, the average concentrations of PM 2.5, NO 2, SO 2 and CO were the highest in winter, and PM 10 was the highest in spring. The average concentrations of these 5 pollutants were the lowest in summer, while O 3 was the opposite. In spa-tial distribution of 2016, the concentrations of PM 2.5, PM 10, SO 2 and CO in the south were higher than the north, the concentration of NO 2 in urban was higher than the suburb, while the concentration of O 3 in the north was higher than the south. Correlation analysis result displayed there was a significant positive correlation between PM 2.5, PM 10, NO 2, SO 2 and CO, while O 3 showed a negative correlation with other pollutants.
路玲,张爱武,康孝岩
首都师范大学三维信息获取与应用教育部重点实验室,北京
收稿日期:2018年6月8日;录用日期:2018年6月22日;发布日期:2018年6月27日
使用2016年北京市环境监测中心发布的大气污染物数据,运用数理统计和GIS空间分析的方法,分析了2016年北京市PM2.5、PM10、NO2、SO2、CO、O3的时空变化特征,同时利用Spearman相关分析法探讨了此6种污染物之间的相关性。结果表明:2016年月变化趋势中,PM10和PM2.5变化曲线相似呈双峰分布,NO2、SO2变化曲线相似呈波浪型分布,CO呈三峰分布,O3呈单峰分布;季节变化中,PM2.5、NO2、CO秋冬污染高于春夏,PM10春秋污染高于冬夏,SO2春冬高于夏秋,O3则春夏高于秋冬。空间分布上PM2.5、PM10、SO2、CO均表现出由南向北逐渐降低的变化趋势,NO2城区污染高于郊区,O3北部污染高于南部。相关性分析结果显示PM2.5、PM10、NO2、SO2、CO之间呈现出显著的正相关性,O3则与其他污染物呈现出负相关性。
关键词 :北京市,大气污染物,时间变化,空间分布,相关性
Copyright © 2018 by authors and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/
随着工业化、城市化进程的加快,大量影响人体健康的物质如气态污染物(SO2、NO2、O3、CO等)、颗粒污染物(如PM2.5、PM10等)被排放到大气中,引发了一系列大气污染问题,并引发生态环境危机。当前环境空气质量的污染特征已经由煤烟型向复合型转变,区域性大气污染问题和臭氧污染日益突出 [
近年来,针对大气污染物污染特征的研究大多集中在两个方面,一是利用遥感卫星数据进行气溶胶反演模拟,结合地面监测数据进行相关分析,得出地面污染物和空气污染指数的遥感反演模型 [
本文使用2016年北京市环境保护监测中心35个监测站点发布的PM2.5、PM10、NO2、SO2、CO、O3逐日平均浓度资料。35个大气环境自动监测子站分布情况如图所示(图1),主要包括23个环境评价点,1个城市清洁对照点,6个区域背景传输点,5个分布在北京二环、三环和四环主干道上的交通污染控制点。35个监测点分布地区涵盖区域背景、郊区、城区、城镇、交通干道、居住区等不同的环境类型,基本覆盖所有区县。本研究使用的数据为35个监测站点2016年1~12月的逐日平均浓度资料。
空间分布小节中北京市及各区域工业产值、能源消费、汽车保有量数据来源于《北京市统计年鉴》和《北京市区域统计年鉴》,土地利用数据来源于Globeland 30数据(分辨率30 m)。
为了便于分析北京地区6种大气污染物的季节分布特征,本文依据北京地区气候特征,将一年划分为春季3~5月、夏季6~8月、秋季9~11月、冬季1月、2月和12月。本文采用取均值法得到2016年1~12月各监测站点的PM2.5、PM10、SO2、NO2、CO、O3的日均浓度数据、月均浓度值、季浓度均值、年浓度均值。同时为了得到北京地区大气污染物的区域变化特征,本文将北京市按照行政区划分为5个地区,分别为城六区(东城、西城、朝阳、海淀、丰台、石景山)、西北部(延庆、昌平)、东北部(怀柔、密云、顺义、平谷)、西南部(门头沟、房山)和东南部(通州、大兴、亦庄),并将坐落在各区的所有站点的各个污染物的平均浓度作为每个地区的污染物浓度。本文所采用的插值方法为Kriging插值法,此方法不仅考虑了待插值点的位置与已知数据位置的相互关系,而且还考虑了变量的空间相关性 [
Z ^ ( S 0 ) = ∑ i = 1 n λ i Z ( S i ) (1)
其中: Z ( S i ) 为第i个位置处的测量值; λ i 为第i个位置处的测量值的未知权重; S 0 为预测位置;N
图1. 北京市35个监测站点位置
为测量指数。权重 λ i 取决于测量点、预测位置的距离和预测位置周围的测量值之间空间关系的拟合模型本文使用的半方差模型为球面模型,即空间自相关随着距离的增加逐渐减小,超出某个距离后自相关为零。
由于6种污染物全年质量浓度总体分布状况不明确,各个污染物之间的相互关系也不一定为线性关系,故本文采用的相关性分析方法为Spearman秩相关系数法,此方法能提供2个随机变量在线性或非线性相关下的共变趋势程度,因此能更加客观地反应各个污染物质量浓度之间的相关关系。计算过程如下(式2):
对原始数据 x i , y i 按从大到小排序,记 x ′ i , y ′ i 为原始 x i , y i 在排序后列表中的位置,
x ′ i , y ′ i 称为 x i , y i 的秩次,秩次差 d i = x ′ i − y ′ i 。
秩相关系数的表达式如下:
ρ s = 1 − 6 ∑ d i 2 n ( n 2 − 1 ) (2)
将北京市2016年1~12月各个监测站点的污染PM2.5、PM10、NO2、SO2、CO、O3的浓度进行整理统计,得出2016年浓度均值分别为73.88 μg/m3、97.85 μg/m3、47.81 μg/m3、11.09 μg/m3、1.32 mg/m3、56.25 μg/m3。根据GB3095-2012环境空气质量标准 [
图2(a)为2016年北京市6种大气污染物月均浓度变化情况。可以看出,6种大气污染物均出现了峰值。其中PM10和PM2.5变化曲线相似呈双峰分布,二者第一个浓度峰值都出现在3月份且PM2.5在7月份达到第二个峰值,PM10则在11月份达到第二个峰值。二者浓度最低值都出现在8月份,最高值则分别在12月份和11月份。全年CO变化波动较大,呈三峰分布,峰值分别出现在3月份、7月份、9月份,浓度最低值出现在5月份,浓度最高值出现在12月份。全年O3变化呈单峰分布,1~6月份浓度呈上升趋势,6-12月份浓度呈下降趋势,其中6月份为全年月均浓度最高值,11月份为全年月均浓度最低值。全年NO2、SO2全年变化呈波浪型分布且变化趋势相似,均在3月份有一个峰值,其中NO2变化幅度大于SO2,NO2月均浓度年最低值出现在7月份,最高值出现在12月份,SO2浓度最低值出现在8月份,最高值出现在1月份。总体来说,2016年6种大气污染物月均浓度变化中,除O3之外,其他5种污染物在1~5月份变化趋势相似,且均在3月份有一个峰值,PM2.5、NO2、SO2均在8~12月份呈浓度逐渐升高趋势。PM2.5、PM10、SO2全年浓度最低值均出现在8月份,PM2.5、CO、NO2浓度最高值均在12月份。
图2(b)为2016年北京市6种大气污染物季节变化趋势图。由图5可以看出,受北京地区夏季降雨频繁,植被覆盖度高等因素的影响,除O3之外,其他5种污染物均呈现出了夏季浓度最低的季节特征。因受冬季采暖燃煤、持续逆温等不利的气象条件的影响 [
图2. 2016年北京市6种污染物逐月及季节变化情况
图3. 2016年北京市6种大气污染物空间插值分布
PM10浓度降序排列为春季 > 秋季 > 冬季 > 夏季,其中秋季和冬季浓度相差不大,仅为3.44 μg/m3;SO2浓度变化降序排列为冬季 > 春季 > 秋季 > 夏季,这与程念亮研究的多年SO2时空分布结果一致 [
图3为2016年北京市6种大气污染物空间插值分布图,可以看出,颗粒污染物(PM2.5、PM10)和气态污染物中的SO2、CO浓度空间分布相似,均呈现出由北向南逐渐升高的梯度变化特征,PM2.5、PM10、SO2、CO浓度高值区主要分布在房山区、大兴区、通州区的南部,低值区主要分布在延庆区的东北部、怀柔区北部、密云区的西北部。结合2016年北京市各区县的能源消耗、工业生产总值汽车保有量、土地利用分布数据等(图4、图5)分析可知出现这种现象的原因受以下因素的影响:第一,南部地区机动车、工业、燃煤等污染排放源多于北部,而重污染日多偏南风,南部地区的污染物通过传输作用扩散至北部 [
图6为绘制出的城六区、西北部、东北部、西南部、东南部地区1~12月PM2.5、PM10、NO2、SO2、CO、O3月均浓度变化玫瑰图。可以看出,6种污染物在5个地区不同月份间的变化趋势具有较高的一致
图4. 2016年北京市各地区能源消费、工业生产总值、汽车保有量所占比重
图5. 北京市土地利用分布图
性,这从一个角度体现了北京市大气污染的区域性特征。与其他月份相比,5个地区PM2.5、PM10、SO2、CO均在1~3月份、10~12月份为浓度高值月份,均在7、8月份为浓度低值月份;O3则在5~8月份为浓度高值月份,10~12月为浓度低值月份;NO2在1~12月份浓度变化较稳定。每种污染物中,当浓度处于全年的低值月份时,各个地区之间污染物浓度相差较小,当浓度处于全年高值月份时,各个地区之间污染物浓度相差较大,体现了北京市大气污染物之间的扩散与传输特征。五个地区六种污染物在12个月份中PM2.5、PM10、SO2、CO西南部、东南部浓度要高于其他地区,城六区居中,西北部和东北部浓度较低;NO2城六区高于其他地区;O3西北部、东北部高于其他地区,这些规律与上文污染物年际空间分布一致,表明上文空间插值分布图有一定的准确性。
为了得到2016年6种污染物之间的相互关系,将35个监测站点的PM2.5、PM10、NO2、SO2、CO、O3日均浓度数据进行样本统计后进行分布类型检验,取其中的有效样本进行分析(表1)。由于6种污染物数据均不服从正态分布,对6组数据进行Spearman相关性统计分析。结果(表1)显示,PM2.5、PM10、NO2、SO2、CO之间都显示出显著的正相关性,与PM2.5相关性由高到低的污染物依次为PM10、CO、NO2、SO2;与PM10相关性由高到低的污染物依次为PM2.5、CO、NO2、SO2;与NO2相关性由高到低的污染物依次为CO、PM2.5/PM10、SO2;与SO2相关性由高到低的污染物依次为NO2、CO、PM10、PM2.5;与CO相关性由高到低的污染物依次是PM2.5、PM10、NO2、SO2。造成这种结果的影响从污染物来源角度分析,PM2.5、PM10主要来源于扬尘、秸秆垃圾的焚烧、化石燃料的燃烧、机动车尾气排放、环境空气中SOx、NOx、VOCx及其它化合物反应生成;NO2、SO2主要来自化石燃料的燃烧,比如机动车尾气排放、火力发电厂、工业废气等;CO来源于含碳物质不完全燃烧过程,如内燃机排气、锅炉中化石燃料的燃烧。由于此5
图6. 2016年北京市各区大气污染物月均浓度
种污染物均同时来源于工业生产、居民生活、采暖等过程中化石燃料的燃烧、机动车尾气排放等,故此5种污染物呈现出一定的正相关性。因PM2.5是PM10的直接组成部分,故二者相关性最高。有关研究表明,大气氧化性对PM2.5的形成有显著的影响 [
污染物 | 均值(μg/m3) | 有效样本数 | Spearman相关系数 | ||||||
---|---|---|---|---|---|---|---|---|---|
PM2.5 | PM10 | NO2 | SO2 | CO | O3 | ||||
PM2.5 | 73.82 | 12415 | 1.00 | ||||||
PM10 | 93.77 | 11598 | 0.87 | 1.00 | |||||
NO2 | 47.73 | 12466 | 0.63 | 0.63 | 1.00 | ||||
SO2 | 11.11 | 12489 | 0.49 | 0.51 | 0.56 | 1.00 | |||
CO | 1.32 (mg/m3) | 12396 | 0.81 | 0.67 | 0.65 | 0.57 | 1.00 | ||
O3 | 56.33 | 12431 | −0.21 | −0.18 | −0.51 | −0.39 | −0.46 | 1.00 | |
表1. 2016年北京市6种主要大气污染物的相关系数
注:置信度水平α = 0.01 (2-tailed)。
复合型的污染特征。
1) 2016年北京市6种大气污染物月均变化中,PM10和PM2.5变化曲线相似呈双峰分布,且二者浓度均在8月份达到最低;NO2、SO2变化曲线相似呈波浪型分布,但均在7、8月份出现浓度低值;CO呈三峰分布,其浓度在12月份出现最大值;O3呈单峰分布,在1~6月份浓度呈上升趋势,6~12月份浓度呈下降趋势,6月份达到浓度最大值。季节变化中,PM2.5、NO2、SO2、CO浓度均在冬季最高,PM10在春季最高,此5种污染物均在夏季最低,而O3则在夏季浓度值最高。6种大气污染在不同月份和不同季节展现了独特的变化特征,这与北京地区四季分明的气候特点和冬季采暖等因素的影响密不可分。
2) 2016年北京市6种大气污染物中PM2.5、PM10、SO2、CO浓度空间分布相似,都呈现由北向南呈梯度升高的变化特征;NO2则体现出城六区、南部的房山、大兴、通州地区污染较重的分布特征;O3空间分布则与NO2正好相反,NO2污染严重地区O3污染偏轻,北部地区的延庆、怀柔、密云、平谷污染高于中南部。这些污染物在不同地区的空间分布特征与北京不同地区间地形分布、植被覆盖率、风向、工业发展和人口聚集程度等因素关系密切。
3) 北京市5个地区6种不同的污染物在1~12月间变化趋势大体一致,说明大气污染具有区域性的特点。除O3之外,其他5种污染物之间都显示出显著的正相关性,O3与其他5种污染物均表现出了负相关性且与NO2负相关性最强,说明污染物之间具有相互作用、相互耦合的特征,体现了北京市大气污染的复合型特征。
国家自然科学基金(编号:41571369);青海省科技计划项目(编号:2016-NK-138);科技创新服务能力建设–基本科研业务费(科研类) (编号:025185305000/143)。
路玲,张爱武,康孝岩. 北京市大气污染物时空变化特征 Temporal and Spatial Characteristics of Air Pollutants in Beijing[J]. 地球科学前沿, 2018, 08(03): 673-682. https://doi.org/10.12677/AG.2018.83071