设为首页 加入收藏 期刊导航 网站地图

Advances in Environmental Protection
 Vol.4 No.04(2014), Article ID:13912,7 pages
DOI:10.12677/AEP.2014.44018

Trend Analysis and Correlation Analysis of PM2.5 and PM10 in Taipei City during 2006-2012

Chi-Feng Chen1*, Yu-Xie Lian1, Hui-Chung Yeh1, Yu-Chun Wang2

1Department of Natural Resources, Chinese Culture University, Taipei, Taiwan

2Department of Bioenvironmental Engineering, Chung Yuan Christian University, Chungli, Taiwan

Email: *cqf2@faculty.pccu.edu.tw

Copyright © 2014 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/

Received: Jun. 30th, 2014; revised: Jul. 22nd, 2014; accepted: Aug. 1st, 2014

ABSTRACT

This study analyzed the real observation data from 6 monitoring stations in Taipei city to clarify the change of PM2.5 and PM10 and their correlations to other air pollutants and climate factors. The results showed that the average concentration of PM2.5 and PM10 from 2006-2012 maintained at a stable level. The annual average concentrations of PM10 and PM2.5 among the 6 selected stations were 38.2 - 51.7 μg/m3 and 22.3 - 29.4 μg/m3, respectively. The ratios of PM2.5 to PM10 were 48.3% - 61.6%. The PM2.5 concentrations in the 3 stations near the city center were significantly higher than that in the 3 stations close to the city center, but the ratio of PM2.5 to PM10 was increasing annually in the stations close to the city center. PM10, SO2, NO2, and CO had high correlations to PM2.5 and especially, NO2 was significantly correlated to PM2.5 among the stations near the city center, which meant that the vehicle emission was the major source in the city center. However, the data from the stations close to the city center showed that SO2 had a higher correlation with PM2.5 than NO2, which implied that effects from nonlocal sources were influential. The climate factors, such as temperature, rainfall, relative humidity, and hourly wind speed, were negatively correlated to PM2.5 in the 6 selected stations.

Keywords:PM2.5, PM10, Air Pollution

2006~2012年台北市PM2.5和PM10变化趋势
与相关分析

陈起凤1*，连语洁1，叶惠中1，王玉纯2

1中国文化大学土地资源系，台北市，台湾

2中原大学生物环境工程系，中坜市，台湾

Email: *cqf2@faculty.pccu.edu.tw

收稿日期：2014年6月30日；修回日期：2014年7月22日；录用日期：2014年8月1日

摘  要

本研究依据台北市区内6个观测站的2006~2012年小时实测资料，研究台北市PM2.5与PM10的历年变化趋势，以及与其他空气污染物、气象条件的相关性。分析结果，各站历年浓度变化不大，PM10与PM2.5的各站年平均浓度分别为38.2~51.7 μg/m3以及22.3~29.4 μg/m3，PM2.5占PM10的比例为48.3%~61.6%。接近市中心的3个测站PM2.5浓度明显比周遭3个测站高，但周遭测站的PM2.5对PM10占比逐年增加。除了PM10外，台北市PM2.5浓度与SO2、NO2、CO的相关性较高，靠近市中心的3测站PM2.5与NO2关系明显，显示与车辆排放污染较相关。但周遭3测站的NO2浓度低，PM2.5与SO2相关性较高。各测站的PM2.5浓度与气温、降雨量、相对湿度、小时风速等气象因子都呈现低度负相关。

关键词

PM2.5，PM10，空气污染

1. 引言

大气悬浮微粒(particulate matter, PM)从燃烧行为直接排放或间接产生，已经证实对人类健康有影响[1] [2] 。尤其细悬浮微粒(PM2.5)因为粒径小，可随大气气流传输到其他地区，从地方的空气污染问题，衍生成为地区性甚至全球性的影响。悬浮微粒已是欧美日等全球先进国家重视之指标性污染物，也是目前亚洲城市面临的重要议题。台湾在2012年修法增列PM2.5为第8项空气污染物指标，并以健康影响为优先考虑，参考国外经验订定标准值，PM2.5 24小时标准为35 μg/m3、年平均值标准为15 μg/m3。

在台湾，悬浮微粒的空间分布受到当地污染特征影响[3] ，也与邻近国家长程传输有关。北部有东北季风，所以冬天时候从东北季风带来PM，使得冬天PM2.5浓度上升，而夏季季风不经过亚洲大陆，空气质量较不受影响[4] 。另外，若空气来自太平洋海上，带来非海盐类硫酸盐，会使得台湾高海拔各地受到东南亚国家的长程传输影响[5] 。都市的PM浓度，北部季节性PM2.5以机动车辆贡献量最大，其次为街道扬尘。若是靠近沿海地区，则海盐飞沫贡献比例较高[6] 。由于台湾与大陆相近，每年冬季至春季期间全台都会受到沙尘暴之影响[7] [8] 。

台北市位于台湾北部，属于盆地地形。除了上述的长程传输与都市中机动车辆影响外，因为地形阻挡关系，也会让PM2.5和有机质容易积聚在台北盆地[8] 。根据陈等人[9] 研究，台北市悬浮物的主要为纯碳或碳化合物，排放源的统计分析结果则有73.3%来自车辆排放，12.4%来是土壤灰尘，其余则来自工业制程、二次生成以及海沫。梁等人[10] 对台北市悬浮微粒的来源分析也有相似的结果，梁等分析台北市于沙尘暴与非沙尘暴期间的来源比例，发现在非沙尘暴期间车辆排放以及二次生成物占40%，燃烧制程以及交通相关排放有29%，道路扬尘占25%。但台北市在沙尘暴期间，沙尘暴带来的悬浮微粒占了24%。显示台北市除了当地的车辆排放为主要来源外，在特定季节境外传输亦相当明显。

本研究利用环保署既有测站资料，探讨台北市有监测数据以来的PM变化趋势，以及与其他污染物与气象条件的相关性，以了解台北市整体大气PM的分布与特性。本研究结果亦可与其他污染源分析结果比较，提供后续台北市空气污染管制方向。

2. 数据来源与分析方法

环保署于2005年8月完成全台76个空气质量监测网，包括各都会区、东部与外岛地区之PM2.5之自动监测仪器。本研究采用台北市的6个测站数据，时间从2006年至2012年，测站数据为小时数据，除了悬浮微粒外，另同时监测其他空气污染物，如氮氧化物(NOx)与硫氧化物(SOx)，以及小时气象数据，如温度、湿度、雨量、风速等。因此可同时比较PM与其他监测项目的关系。全台空气质量监测站以及本研究所采用测站分布如图1。本研究所采用的台北市6个空气质量监测站包含靠近市中心的古亭、永和以及松山站，以及靠近东边山区的新店站、西边海岸的淡水站，以及西北边山区的士林站。

本研究采用皮尔森相关分析，了解PM2.5与其他因子的两两相关性。相关分析是利用来衡量两个随机变量之间的直线关系方向与强弱程度，故可使用相关分析来决定二变量之间关系的强度。相关分析的结果以相关系数(correlation coefficient, r)表示。相关系数的值介于−1与+1之间，+1表示与为完全正向线性相关；−1表示与为完全负向线性相关。若相关系数接近零，则表示无线性关系。R值相关程度之高低，在正负0.3之间为低度相关；在正负0.3~0.6之间称为中度相关；而在正负0.6~0.9之间则称为高度相关。相关系数的计算公式如下：

其中，x、y为两个变量的数值，、分别为x与y变量的平均值。

3. 结果与讨论

3.1. PM2.5与PM10历年浓度趋势

本研究采用的6个测站分布如图1，各测站的PM10与PM2.5历年变化如图2。各站年变化趋势不大，但有逐年下降趋势。古亭与士林站的PM10浓度最高，历年平均分别为51.1与49.0μg/m3。但两站在2011年后浓度明显降低，尤其士林站浓度降至41.0 μg/m3。新店站与淡水站的PM10浓度最低，至2012年，降至31.7与34.3 μg/m3。各站PM2.5浓度变化也是逐年微幅下降，古亭、松山、永和三站的平均浓度较高，落在25~30 μg/m3。新店、淡水以及士林站浓度相似，范围在20~25 μg/m3之间。因此很明显靠近市区的测站浓度，比周遭的测站浓度要高。

探究PM2.5在PM10的占比，如图3所示。各测站的PM2.5/PM10比例有些微上升现象，此比例为40%~65%之间。除士林站外，各站的PM2.5占了PM10浓度50%以上，尤其新店站的PM2.5比例上升趋势明显，至2012年达64%。比较2006年与2012年两年数据，市中心的古亭与永和站比例降低，但松山站以及周遭的新店、淡水、士林站的PM2.5占比都上升，尤其周遭三站PM2.5占比增加了5%~10%。

台北市PM浓度有逐年下降趋势，此现象应与影响PM生成的其他空气物浓度下降有关，如下小节之图4，各站的NO2与SO2浓度也是逐年下降。显示台北市增加大众运输系统、减少机动车辆数量、改善机动车辆燃烧效率、改善燃油质量等策略都可能直接或间接影响了PM浓度变化。

Figure 1. Air quality monitoring stations in Taiwan and the selected monitoring stations in Taipei city

图1. 台湾空气质量监测站分布以及本研究使用之台北测站分布图

Figure 2. Annual trends of PM2.5 and PM10 in the selected monitoring stations

图2. 各测站PM2.5与PM10的年变化趋势

Figure 3. The ratio of PM2.5 to PM10

图3. 各测站PM2.5对PM10的重量百分比

Figure 4. Annual trend of NO2 and SO2 in the selected monitoring stations

图4. 各测站NO2与SO2的年变化趋势

3.2. PM2.5与其他空气污染物相关分析

利用各测站2006~2012的小时数据进行相关性分析，PM2.5与其他空气污染物的两两相关系数如表1。

Table 1. Correlation coefficients of PM2.5 and other air pollutants in the selected monitoring stations (average results from hourly data in 2006-2012)

表1. 各测站PM2.5与其他空气污染物的相关系数(小时数据之2006~2012年平均结果)

*：粗体字标示除PM10外的最高相关系数值。

历年的平均结果，除士林站外，小时PM2.5与PM10的相关系数都高于0.8。士林站的PM2.5与PM10的相关性较低，可能与该站的PM2.5在PM10所占比例较低有关。而永和、新店、淡水站的PM2.5/PM10比例较高，其两两相关性也较佳。

除PM10外，PM2.5与SO2、NO2、CO的相关性落在0.4~0.6之间。各站相关性最高的空气污染物项目不尽相同。靠近市区的测站，其PM2.5与NO2的相关性较高，如永和站与松山站。古亭站以SO2相关性最高(0.48)，NO2次之(0.43)。市区周遭的测站，其PM2.5则是与SO2相关性较高，如士林站与淡水站。新店站则CO相关性较佳(0.55)，SO2次之(0.53)。进一步探究各站的NO2、SO2分布，如图4，市中心三个测站的NO2与SO2都比周遭的三测站要高，各站的NO2与SO2都呈现下降趋势，尤其SO2下降幅度较为明显。由此可知，靠近市区的三测站，其PM2.5受到机动车辆排放的NO2影响较大。周遭的三测站PM2.5受到SO2的影响比NO2明显，可能与其NO2浓度较低有关。台北市境内并无明显的SO2来源，如火力发电厂与工业燃烧源，推测周遭测站的PM2.5有可能受到台北市以外的污染来源影响所致。

图5利用各站年平均数据，显示PM2.5与NO2、SO2以及CO浓度之间关系。由此分布更确定台北市的PM2.5与NO2关系明显，高浓度NO2的测站其PM2.5浓度都较高。但PM2.5与SO2、CO关系，在低浓度时还有良好的线性关系，但在高浓度时，分布发散，相关性变差。推测台北市的PM2.5浓度变高时，其生成来源较复杂，可能受到境外传输影响。从图5推测，台北市PM2.5浓度在25 μg/m3应是当地污染造成，但超过25 μg/m3时，可能就有来自境外的排放源影响。

3.3. PM2.5与气象因子相关分析

将PM2.5与同时间的气象因子进行相关分析，分析结果如表2。气象因子对PM2.5的影响在各测站的表现结果相似，PM2.5与气温、降雨量、相对湿度、小时风速都呈现低度负相关，仅相对湿度对PM2.5的相关性约−0.2，其余各项因子的相关性都不到0.1。但因为呈现一致的负相关性，可推测当气温越低时，PM2.5浓度越高，此结果与春冬季节PM2.5浓度比夏季高的现象一致。降雨量高、相对湿度高，也会使PM2.5浓度降低，此为湿沉降的影响。小时风速大，通风状况良好也会使PM2.5浓度降低。由此推测，市区周遭的淡水站靠近海边，风速大且湿度高，新店站靠近山区，也是相对湿度较高区域，除了PM2.5排放源的影响外，此气象条件的影响也导致两测站的PM2.5浓度比其他测站低。

4. 结论

本研究采用台北市6个空气质量监测站的小时实测数据，分析PM2.5历年变化趋势以及与其他因子的相关性。结果显示，测站设站以来2006~2012年PM10与PM2.5微幅下降。但PM2.5占PM10的比例，市区

Figure 5. Correlations between PM2.5 and NO2, SO2, and CO (annual average data)

图5. PM2.5与NO2、SO2、CO的相关性(年平均数据)

周遭的新店、淡水、士林站的占比上升了5%~10%，此现象值得后续注意。由相关分析结果，推测各站的PM2.5影响来源不同，靠近市区的测站，其PM2.5与NO2的相关性较高，显示受机动车辆影响较大。市区周遭的测站，其PM2.5则与SO2相关性较高，但台北市境内并无明显的SO2来源，推测周遭测站的PM2.5有可能受到台北市以外的污染来源影响，又周遭测站的气象条件与市区测站不同，也会受到湿度、风速

Table 2. Correlation coefficients of PM2.5 and climate factors in the selected monitoring stations (average results from hourly data in 2006-2012)

表2. 各测站PM2.5与气象因子的相关系数(小时数据之2006~2012年平均结果)

等因子影响。另外，台北市的PM2.5与高低浓度的NO2线性关系佳，但PM2.5与SO2与CO的关系在高低浓度的表现不同，低浓度有良好的线性关系，浓度超过25 μg/m3时相关性变差。推测台北市的PM2.5浓度高于25 μg/m3时，境外排放源的影响程度可能增加，所以造成PM2.5与当地的SO2、CO浓度相关性降低。本文呈现台北市历年PM2.5与PM10的特性，未来可作为污染源分析参考，厘清主要PM2.5排放源，进行因地制宜的有效管制策略。

参考文献 (References)

  1. [1]   Hung, L.J., Tsai, S.S., Chen, P.S., Yang, Y.H., Liou, S.H., Wu, T.N. and Yang, C.Y. (2012) Traffic air pollution and risk of death from breast cancer in Taiwan: Fine particulate matter (PM2.5) as a proxy marker. Aerosol and Air Quality Research, 12, 275-282.

  2. [2]   Chiu, H.F., Peng, C.Y., Wu, T.N. and Yang, C.Y. (2013) Short-term effects of fine particulate air pollution on ischemic heart disease hospitalizations in Taipei: A case-crossover study. Aerosol and Air Quality Research, 13, 1563-1569.

  3. [3]   柳中明 (2005) 高屏地区大气悬浮微粒(PM10及PM2.5)特性及成因分析研究–子计划二：本土化[空气质量指针(AQI)]研析与建议. 国家科学委员会研究报告, 台北.

  4. [4]   Chang, S.Y., Lee, C.T., Chou, C.C.K., Liu, S.C. and Wen, T.X. (2007) The continuous field measurements of soluble aerosol compositions at the Taipei aerosol supersite, Taiwan. Atmospheric Environment, 41, 1936-1949.

  5. [5]   Chen, S.C., Hsu, S.C., Tsai, C.J., Chou, C.C.-K., Lin, N.H., Lee, C.T., Roam, G.D. and Pui, D.Y.H. (2013) Dynamic variations of ultrafine, fine and coarse particles at the Lu-Lin background site in East Asia. Atmospheric Environment, 78, 154-162.

  6. [6]   薛智远 (2011) 北部地区细悬浮微粒化学成份及来源贡献暨民众细悬浮微粒暴露之研究. 硕士论文, 朝阳科技大学环境工程与管理系, 台中.

  7. [7]   Lee, C.T., Chuang, M.T., Chan, C.C., Cheng, T.J. and Huang, S.L. (2006) Aerosol characteristics from the Taiwan aerosol supersite in the Asian yellow-dust periods of 2002. Atmospheric Environment, 40, 3409-3418.

  8. [8]   Chuang, M.T., Chiang, P.C., Chan, C.C., Wang, C.F., Chang, E.E. and Lee, C.T. (2008) The effects of synoptical weather pattern and complex terrain on the formation of aerosol events in the Greater Taipei area. Science of Total Environment, 399, 128-146.

  9. [9]   Chen, J.L., Lee, C.T., Chang, S.Y. and Chou, C.C.-K. (2001) The elemental contents and fractal dimensions of PM2.5 in Taipei city. Aerosol and Air Quality Research, 1, 9-20

NOTES

*通讯作者。

期刊菜单