重庆市渝北区PM2.5时空变化特征及影响因子分析

黄 旺，何 勇

(重庆交通大学，重庆 400074)

1 引言

细颗粒物(PM2.5)是指环境空气中空气动力学直径≤2.5 μm的颗粒物。PM2.5是大气污染中危害最为严重的颗粒物，人们吸入后，会诱发各种病症。同时，PM2.5浓度较大的时候，会能降低能见度，形成雾霾天气[1]。近年来，城市的高速发展，能源使用增加，致使生活、交通及工业排放污染物增加。大气中PM2.5浓度也随着变化，所以研究PM2.5浓度变化规律以及分析影响PM2.5浓度变化的因素，对于PM2.5防治和制定相关治理政策、改善居民生活质量具有重要意义。

渝北区处于重庆市主城区北部方向，地处巴渝平行岭谷地带，由于渝北区气候特征明显、四季变化分明、夏季雨水多、风力较小、冬季云雾多，风力小的特点，PM2.5浓度变化差异明显。为分析渝北区PM2.5时间变化特征和空间分布特征及影响因子。本研究根据PM2.5的空间关联性特点，利用重庆市2016年PM2.5监测数据进行分析，为大气污染治理提供科学的依据。

2 数据及方法

2.1 数据来源与处理

2.1.1 PM2.5监测数据

由于PM2.5污染的区域性特性更强，存在远距离输送的问题，随着大气运动与物质扩散，雾霾天气往往会影响多个临近区域[2]，由于渝北区为山地地形，受到季风影响较为明显，同时城区人口、建筑较为集中在主城区，渝北区PM2.5浓度变化受到主城区其他区域影响也相对较大。根据PM2.5所具有的特性，利用主城区 17 个监测点PM2.5监测数据进行多元回归分析具有更加精确的结果，重庆市主城区17个监测站点与渝北区3个监测站点及的位置示意如图1, PM2.5浓度数据为 2016 年1月3 日到 2016 年 12月31日每隔 1 h 的监测数据，来源于(细颗粒物)及空气质量指数(AQI)实时查询http://www.pm25.in/。

图1 PM2.5监测站点分布示意

2.1.2 土地利用类型

土地利用数据为重庆市主城区2015年数据，考虑了PM2.5监测站点位置和土地利用类型数量。分为耕地、林地、草地、水域、建筑用地等5类，对监测站点做缓冲区处理，缓冲区半径分别为5000 m、3000 m、1000 m。然后提取各种土地利用类型占地面积数据(图2)。

图2 重庆市主城区土地利用分类

2.1.3 人口数据

渝北区城区人口多，密度大，PM2.5浓度变化受到人口集聚效应的影响，人口分布能够侧面反应社会资源流向。体现城市资源消费区域分布情况，人口数据为2016 年重庆市人口分布数据。 处理方法同样为根据监测站点建立5000 m、3000 m、1000 m缓冲区，并统计各缓冲区内人口数量。

2.1.4 地形地貌

DEM可以反应研究区地形地貌条件，PM2.5的浓度变化位置与海拔存在关系。地形地貌对PM2.5浓度空间分布的影响具有明显地域特征。由于重庆是平行岭谷地貌，海拔差异明显，同时渝北区工业园区，建筑分布也受到地形地貌的影响。研究PM2.5浓度变化加入高程数据非常重要。利用重庆市DEM数据获取每个站点的高程。

2.1.5 道路密度

交通路网表征了机动车的污染排放。结合2016年modis影像并结合谷歌地球进行矢量化得到，对每个站点分别建立5000 m、3000 m、1000 m缓冲区，并统计各缓冲区内各道路类型总长度。

2.1.6 产业点密度

产业点密度数据反应的是单位面积中产业点的数量，它能够准确地反映出一个地区单位土地总面积上的经济产出水平,是反应地区生产及发展水平的重要指标。工业生产过程会直接或间接地向环境大气排放污染物,影响PM2.5浓度。产业点的分布可以反映影响PM2.5浓度变化，对监测站点分别建立5000 m、3000 m、1000 m范围缓冲区，并统计各缓冲区内各产业点数量，从而获取缓冲区内产业点密度变量。

2.2 LUR模型构建

LUR(Land Use Regression)由Briggs等[3]于1997年提出，给予GIS平台。建立大气污染物与土地利用和其他相关数据的多元回归模型。可以模拟大气污染物浓度。LUR模型能够在一定程度上从机制方面解释大气污染物浓度的时空特征[4]。

采用LUR模型模拟大气污染物浓度空间分布的精确性取决于所选取的地理变量和缓冲区数量以及监测点的数量与分布。构建LUR模型常见的地理变量包括土地利用、 道路交通、人口密度、气象因素和自然地理因素等。LUR 模型已经在模拟欧洲、北美和日本一些城市的NOX、PM2.5年平均浓度方面取得了不错成绩[5,6]。由于PM2.5数据监测方法监测站点和监测范围有限，为实现浓度空间分布高分辨率覆盖[7]，本研究基于ARCGIS10.1，结合土地利用数据、路网数据、DEM数据、人口数据和产业密度等数据，利用LUR模型计算PM2.5多元线性回归公式。

假设大气污染物浓度y受到n个自变量x1,x2,……xn的影响，其组观测值为ya，a=1,2……，n。那么，大气污染物浓度浓度多元回归模型结构形式为：

ya=β0+β1x1a+β2x2a+βnxna+εa

(1)

式(1)中，y为大气物检物浓度 ，x为自变量，β0，β1，……，βn为待定系数，εa为随机变量。

3 结果与分析

3.1 渝北区PM2.5时间分布特征

3.1.1 PM2.5浓度2014～2016年变化情况

根据监测站点数据，取监测站点均值作为渝北区2014、2016年PM2.5年均值，分析PM2.5变化情况，结果如表1所示。

表1 PM2.5变化情况

从表1可以看出，礼嘉PM2.5平均质量浓度由2014年64.91 μg/m3降至2016年54.15 μg/m3，降幅为16.58%，空港PM2.5平均质量浓度由2014年59.9 μg/m3降至2016年的52.86 μg/m3，降幅为11.75%，两路PM2.5平均质量浓度由2014年的56.24 μg/m3降至2016年53.01 μg/m3，降幅为5.73%，表明2014～2016年PM2.5污染程度有所下降，其中礼嘉地区降幅最大。

2014年渝北区礼嘉、空港、两路年均值分别为64.91 μg/m3、59.9 μg/m3和56.24 μg/m3，三个地区的年均值均超过了国家新规标准规定的年均值二级标准(35 μg/m3)，礼嘉、空港、两路年均值分别是标准值的1.85倍、1.71倍和1.61倍。

2016年渝北区礼嘉、空港、两路年均值分别为54.15 μg/m3、52.86 μg/m3和53.01 μg/m3，三个地区的年均值均超过了国家新规标准规定的年均值二级标准(35 μg/m3)，年均值分别是标准值的1.55倍、1.51倍和1.51倍。渝北区2014和2016年PM2.5质量浓度一级超标倍数虽有下降，但变化范围相差不大。

3.1.2 PM2.5日变化分析

PM2.5统计基础数据均为小时数据，根据每天24 h数据求得算数均值即为PM2.5的日均值，同时依据日均值数据，计算月数据和季节数据及年均值， 其中6、7、8月份为夏季，9、10、11月份为秋季，12、1、2月份为冬季，3、4、5月份为春季。选择渝北区2016年两路、空港、礼嘉三个空气质量监测站点监测数据，做日变化分析，分析结果见图3。

图3 2016年渝北区PM2.5浓度日变化

从图3中可以看出，2016年PM2.5日均浓度处于国家一级、二级浓度标准之间。 在一天中 PM2.5浓度日平均中分别在10:00～12:00和22:00至次日1:00出现2个峰值，由于10:00～12:00是人口活动、交通运输、建筑施工、餐饮业油烟排放的高峰期，PM2.5浓度变化在这个阶段达到了一个高峰。随后由于气温逐渐变化，温度逐渐升高，较大的温差有利于污染源的扩散，PM2.5浓度逐渐降低。而在16:00时渝北区PM2.5浓度达到全天低谷值，随后PM2.5浓度在夜间逐渐升高，这是由于随着下午到晚上这段时间，地面温度降低，造成空气垂直对流能力弱，污染物浓度消散能力变弱。PM2.5逐渐升高并于0时左右达到 PM2.5浓度全天最高值，说明渝北区PM2.5浓度峰值出现时间与人们的早上出行高峰和当天气象条件变化相关。

3.1.3 PM2.5逐月变化情况

渝北区2016各地区月PM2.5月均浓度以9月最高，7月最低。PM2.5浓度大小依次为：9月>12月>2月>1月>3月>11月>5月>8月>4月>10月>6月>7月。

从逐月变化图4来看：12月，1月，2月和3月浓度值显著高于4月，5月和6月，10月份PM2.5浓度降低明显，这可能与10月份频繁降雨有关。在12，1，2,3月份渝北区气温较低，降雨少，大，在大气中污染物的扩散和清除程度较小，同时人们的燃煤取暖等活动也会增加污染物的排放。在4，5，6月份，渝北区气温逐渐回升，大气活动增强，降雨量也增加，增强了大气中颗粒物的扩散和清除。

图4 PM2.5浓度逐月变化

3.1.4 PM2.5季节变化情况

选取渝北个及其周边的两路、空港、礼嘉、蔡家、高家花园、解放碑、唐家沱7个站点比较，分析PM2.5浓度季变化情况，结果见图5。

图5 2016年渝北及周边7个站点PM2.5四季变化

从图5中可以发现：2016年渝北区及周边7个地区PM2.5浓度季节变化趋势相同，说明但PM2.5浓度变化趋势基本相同说明PM2.5的污染呈现区域性特征，渝北区PM2.5浓度受到周围区域影响。PM2.5浓度以夏季最低，冬季最高，其中最高为72.86 μg/m3，季节平均浓度大小依次为：冬季>春季>秋季>夏季。这是因为渝北区是山地地形，多高楼大厦，地面粗糙度大，气象因素在较大程度上影响渝北区的PM2.5浓度，渝北区春冬季静风频率大，由于重庆夏季降雨较多，风速也相对其他季节较大，大气污染物消散能力增强。而冬季以阴天为主，降水量较少，大气稳定度较高，风速较小，无持续风向，加之受城市热岛效应影响，不利于空气中污染物的扩散，导致PM2.5浓度明显升高，因此渝北及周边7个地区PM2.5浓度冬高夏低 。

3.2 PM2.5空间变化特征

在对污染物浓度分布进行研究时常利用插值法: 克里格法是基于包含自相关( 即测量点之间的统计关系) 统计模型的插值方法,利用主城区17个监测站点PM2.5平均值，进行ARCGIS克里格插值分析，得到重庆市四季 PM2．5空间浓度分布图，然后提取渝北区四季PM2.5浓度空间分布，结果见图6。

图6 2016年四季PM2.5质量浓度空间分布

从图6中可看出，渝北区2016年PM2.5浓度空间分布特征具有以下特征：第一，渝北区冬季PM2.5浓度最高，且高浓度覆盖区域面积较大；第二，PM2.5浓度空间分布特征季节变化明显，春季礼嘉PM2.5浓度最高，第三，渝北区PM2.5浓度四季存在明显空间分布差异明显，城市内部PM2.5浓度高于远郊地区。原因分析：由于夏季是重庆的雨季，降水对大气具有清洁作用，不利于污染物滞留。同时渝北区城市内部冬季 PM2.5污染空间异质性弱于夏季，尽管冬季污染程度明显比夏季严重；这是因为冬季气象条件稳定，不利于城市内部污染物扩散，而夏季局部空气扩散条件差异明显[8]。

3.3 PM2.5影响因子分析

3.3.1 相关性分析

本研究利用SPSS软件的双变量相关性分析功能，分别分析了19个变量和PM2.5平均浓度的相关性(表2)。从相关性分析结果可以看出，与因变量PM2.5相关性程度最高的是1000 m半径缓冲区林地面积，其次是2000 m半径缓冲区林地面积、然后是2000 m，1000 m半径缓冲区路网长度。

由于本实验中自变量个数较多且它们之间可能存在共线性问题，所以采用逐步回归分析法，剔除不显著的变量。 从判定系数来看，最终模型R2逐步增加，且最终R2为0.949，所以模型拟合情况很好，解释能力较强。最终进入模型的自变量有5个，得到PM2.5浓度变化多元线性回归方程如下：

y=61.457-3.726X6+0.2X19-0.004X16+0.402X8+0.000301X15

(2)

通过表3可看出，多元线性回归方程的回归系数值与各个自变量与因变量的相关性基本一致，PM2.5浓度值随人口数量、产业密度而增大，随林地面积、增大而减小。其中，式中X16，系数为负值，原因是样本数据量较小，拟合结果与现实情况存在一定误差。

表2 自变量与因变量相关性

根据(表3)回归方程决定系数R2=0.925，调整后R2=0.888，回归方程的R2值的大小代表了回归方程拟合度的大小，R2值越大表示拟合的效果越好，标准估计误差为1.816 μg/m3模型拟合程度较高，模型的F检验值sig值远小于0.01，故这些变量对最终模型的贡献是十分显著的。在所有相关因素中，PM2.5与林地面积、人口数量、产业密度均有联系，是影响PM2.5浓度变化的重要因素。

表3 回归模型系数

3.3.2 模型检验

利用多元回归方程，利用渝北区礼嘉站点来对方程进行检验。根据多元回归方程，检验点礼嘉模拟浓度为54.495 μg/m3,再根据PM2.5监测站点数据计算，礼嘉年平均浓度为54.15 μg/m3

误差率=︱模拟值-监测值︱/监测值×100%

(2)

根据公式(2)得出，检验点礼嘉误差率为0.64%,误差可接受。

4 结论

(1)渝北区 PM2．5日变化趋势为双峰单谷型。10:00～12:00和22:00至次日1：00达到峰值，在16：00达到低谷，说明渝北区PM2.5浓度峰值出现时间与人们的早上出行高峰以及当天气象条件变化相关；渝北区月变化及季节变化呈现为冬季>春季>秋季>夏季。同时渝北区PM2.5浓度受到周边城区影响，PM2.5在一年中浓度变化趋势相同。

(2)与图2 的重庆市土地利用类型分布对比发现，研究区 PM2.5四季平均浓度分布，以高值分布于渝北区中心城乡居住地以及工业建设所在地，耕地与绿地的PM2.5浓度值较低。一方面，因为渝北两路工业园、空港工业园、出口加工区等工业园区较多，同时城区的城乡居住地和道路交通的密度很大；另一方面，因为耕地与绿地的植物对PM2.5具有衰减的作用。所以渝北区PM2.5浓度由城区到郊区逐渐降低。

(3)本文结合统计分析、GIS 空间分析方法等方法构建LUR 模型，R2达到了0.925，说明拟合效果较好。 回归方程中，影响PM2.5浓度的因素主要包含监测站点1000 m范围内林地面积、1000 m范围内产业点密度、3000 m范围内居民点面积以及1000～3000 m范围内人口数量。同时考虑模型结果与检验点礼嘉误差为0.64%。