鄒　強，姚玉剛，林惠娟

1.蘇州市環(huán)境監(jiān)測中心站，江蘇 蘇州 215004

2.蘇州市氣象局，江蘇 蘇州 215131

隨著工業(yè)化和城市化進程的迅速發(fā)展，大氣污染增加，大量極細微的干塵粒等均勻地懸浮在空中(相對濕度小于80％)，排除其他自然天氣過程(如降水、沙塵暴和雪暴等)，使水平能見度小于10 km的空氣普遍混濁現(xiàn)象，稱為霾[1]，其中受人類活動影響顯著而形成的霾又稱為灰霾。灰霾已成為一種嚴重的災(zāi)害性天氣現(xiàn)象[2-3]。區(qū)域尺度上的灰霾總稱為大氣棕色云(ABCs)[4-5]，大氣棕色云能與溫室氣體(如CO2和CH4等)相耦合，進而顯著影響區(qū)域尺度氣候變化、水循環(huán)、冰川消融、農(nóng)業(yè)生產(chǎn)和人體健康[6-9]。為科學(xué)識別灰霾天氣，劉偉等[10]初步探討灰霾天氣下空氣污染程度評估方法及建立污染程度與能見度量化相關(guān)關(guān)系?；姻驳男纬膳c氣象條件和大氣污染密切相關(guān)[11]?；姻惨子谠诜€(wěn)定天氣條件和大氣污染物高排放區(qū)域形成[12]。在逆溫條件下，大氣中飄塵、有機物和顆粒物難以擴散而懸浮在城市上空[13]。

基于蘇州市環(huán)境監(jiān)測中心站的統(tǒng)計資料，2011年蘇州市的霾日為137 d，受到社會各界的廣泛熱議。其中灰霾天氣的成因最受關(guān)注，但相關(guān)研究較少，亟待解決。該研究基于4個典型季節(jié)的集中觀測數(shù)據(jù)，采用因子分析的主成分提取方法，判斷不同月份有利于出現(xiàn)蘇州市灰霾天氣的氣象因子，旨在探討不同氣象條件在不同月份對蘇州市灰霾天氣的影響規(guī)律，為客觀評價灰霾現(xiàn)象的發(fā)生和發(fā)展規(guī)律提供理論依據(jù)。

1　實驗部分

1.1監(jiān)測點概況

蘇州市地處太湖之濱，京杭運河與婁江的交匯處，東距上海約80 km，西離南京約200 km，四季分明，氣候溫和，雨量充沛，屬北亞熱帶季風(fēng)氣候，年均降水量 1 100 mm，年均氣溫15.7 ℃，1月平均氣溫2.5 ℃，7月平均氣溫28 ℃。地貌特征以平緩平原為主，全市的地勢低平，自西向東緩慢傾斜，平原的海拔高度3～4 m。選取南門子站(點位代碼55)作為研究蘇州市區(qū)灰霾的監(jiān)測點位(31°19.583′N，120°35.733′E)，該子站位于蘇州市環(huán)境科學(xué)研究所內(nèi)，所處區(qū)域為工業(yè)/居民混交區(qū)，已具備完善的PM2.5監(jiān)測能力。

1.2研究方法

1.2.1儀器設(shè)置

能見度監(jiān)測系統(tǒng)設(shè)置在距地表15 m高度，Belfort 6000型能見度傳感器，單光路前向散射儀，測量范圍6 m至80 km，測量精度3 m，散射角度42°。細顆粒物(PM2.5)由美國某公司生產(chǎn)，1405-DF型顆粒物在線分析儀，測量范圍小于10 g/m3，精度為±2滿量程。采用美國某公司生產(chǎn)的自動氣象站進行同期氣象要素觀測。雨量數(shù)據(jù)來自蘇州市氣象臺的觀測資料。通過環(huán)境質(zhì)量數(shù)據(jù)采集系統(tǒng)與工控機相連，每1 min輸出1組平均值。除降雨量為日總量值外，其余各氣象因子均為日均值(表1)。

表1　觀測要素簡介

1.2.2數(shù)據(jù)處理

選擇2011年1—2月(冬季)、4—5月(春季)、7—8月(夏季)、10—11月(秋季)代表典型季節(jié)。結(jié)合能見度和相對濕度指標(biāo)(基于灰霾判斷標(biāo)準(zhǔn)[1,14]：能見度小于10 km, 相對濕度小于80％，以此劃分霾日和非霾日)，將4個典型季節(jié)監(jiān)測期間各天均劃分為霾日和非霾日，以此為依據(jù)劃分同期氣象因子(總輻射、氣溫、相對濕度、降雨量、風(fēng)速和氣壓)。

經(jīng)數(shù)據(jù)處理后，2011年1—2月、4—5月、7—8月、10—11月期間氣象要素有效天數(shù)分別為59、61、62、61 d。使用SPSS13.0針對同期氣象要素日均值進行基于因子分析的主成分分析。主成分分析可以通過多個指標(biāo)的線性組合把原來多個變量歸納為少數(shù)幾個相互獨立的綜合指標(biāo)，并盡可能多地保留原來變量所反映的信息。列入主成分分析的氣象因子歸為3類：熱量條件(總輻射、氣溫)、水分條件(相對濕度、降雨量)和動力條件(風(fēng)速、氣壓)，由于各指標(biāo)的量綱存在不同，在SPSS 主成分分析設(shè)置中對原始數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，消除了量綱的影響。該文采用SigmaPlot11軟件繪制折線圖。

2　結(jié)果與分析

2.1蘇州市區(qū)能見度和細顆粒物日變化特征

根據(jù)劃分標(biāo)準(zhǔn)，4個典型季節(jié)獲得霾日分別為40、33、14、20 d，霾日出現(xiàn)頻率分別為67.8％(1—2月)、54.1％(4—5月)、22.6％(7—8月)和32.8％(10—11月)。蘇州市區(qū)能見度和細顆粒物濃度日變化特征如圖1所示。從各月霾日情況來看，能見度日變化主要呈現(xiàn)“單峰型”特征，晝間能見度較高，早晚能見度降低，且能見度低值主要位于5:00—8:00，10—11月能見度狀況最差(日均值為12.3 km)。霾日細顆粒物濃度在1—2月和10—11月出現(xiàn)雙峰型變化特征，而4—5月和7—8月雙峰變化并不明顯。霾日細顆粒物濃度在1—2月最高(日均值為0.074 μg/m3)，7—8月最低(日均值為0.056 μg/m3)。非霾日能見度均顯著高于霾日，且細顆粒物濃度相比霾日偏低。7—8月和10—11月非霾日能見度狀況較好，分別平均為27.2、27.0 km，4—5月非霾日細顆粒物濃度在全年非霾日中濃度最高(日均值為0.056 μg/m3)，10—11月最低(日均值為0.034 μg/m3)。

圖1　蘇州市區(qū)能見度和細顆粒物濃度日變化特征

2.2觀測氣象因子逐日值比較

4次典型季節(jié)監(jiān)測的降雨日總量和其他氣象因子日均值逐日變化趨勢如圖2所示?？傒椛湓?—5月總體較高，10—11月較低，7—8月變化劇烈；而氣溫7—8月較高，1—2月最低[圖2(a)]。相對濕度7—8月較高，4—5月較低；降雨主要集中在7—8月，4—5月次之，其余月份分布較少[圖2(b)]。風(fēng)速在4—5月中后期和7—8月中前期較高，1—2月和10—11月相對較低；氣壓1—2月和10—11月較高，7—8月最低[圖2(c)]。

2.3灰霾天氣的影響因子分析

灰霾天氣的發(fā)生由諸多因子決定，每個氣象因子從不同方面反映出灰霾天氣出現(xiàn)的影響程度是不同的。從表2可以看出，4個典型季節(jié)中前3個主成分的累積方差貢獻率超過了80％，特征值均接近或大于1，表明這3個主成分基本包含了6個氣象因子的所有變異信息，從而可以用3個彼此不相關(guān)的綜合指標(biāo)分別綜合存在于原有的8個指標(biāo)的各類信息中，各綜合指標(biāo)代表的信息不重疊。

表2　主成分特征值及方差貢獻率

圖2　蘇州市區(qū)典型季節(jié)氣象因子逐日變化特征

表3為氣象因子的前3個主成分的旋轉(zhuǎn)后的因子載荷矩陣。通過四次方最大旋轉(zhuǎn)后，得到了6個氣象因子在3個主成分上的新的因子載荷。從表3可以看出：1—2月影響霾日形成的第1主成分指標(biāo)為氣溫，表明熱量條件影響最大，方差貢獻率達34.1％(表2)；第2主成分的貢獻來源為降雨量，方差貢獻率為31.9％；第3主成分的支配指標(biāo)為總輻射，方差貢獻率為15.5％。4—5月影響霾日形成的第1主成分指標(biāo)為氣溫，熱量條件方差貢獻率達35.2％，第2主成分的指標(biāo)為相對濕度，水分條件的方差貢獻率為30.8％。第3主成分的支配指標(biāo)為風(fēng)速，動力條件一定程度上有利于霾日的形成，方差貢獻率為16.8％。7—8月影響霾日形成的第1主成分指標(biāo)為總輻射和氣溫，熱量條件方差貢獻率高達59.8％，第2主成分的支配指標(biāo)為氣壓，動力條件方差貢獻率為16.9％，第3主成分的支配因子為降雨量，水分條件的方差貢獻率為15.5％。10—11月第1主成分指標(biāo)為風(fēng)速，動力條件方差貢獻率達34.8％，第2主成分和第3主成分的支配因子分別為相對濕度和降雨量，水分條件可解釋的方差貢獻率分別為27.4％和24.5％。

表3　因子旋轉(zhuǎn)載荷矩陣

3　討論

3.1熱量條件對蘇州市灰霾天氣形成的影響

熱量條件由總輻射和氣溫構(gòu)成?？傒椛湓?—5月總體較高，10—11月較低，7—8月變化劇烈[圖2(a)]。氣溫7—8月較高，1—2月最低。熱量條件是1—2月、4—5月和7—8月第1主成分中的支配因子(方差貢獻率分別為34.1％、35.2％和59.8％)。在1—2月是第3主成分的支配因子，方差貢獻率為15.5％。由此可見，熱量條件在1—2月、4—5月和7—8月灰霾天氣形成中起主導(dǎo)作用?？傒椛鋵貙印澳鏈亍钡男纬捎兄匾挠绊懀谀鏈貤l件下，大氣層結(jié)穩(wěn)定，近地層污染物不易擴散，顆粒物濃度持續(xù)增加，引發(fā)能見度下降[13]。伴隨著氣溫升高和輻射增強，近地層湍流活動頻繁，加速了大氣光化學(xué)反應(yīng)，導(dǎo)致一次顆粒物向二次顆粒物轉(zhuǎn)化[15]，為霾日提供了細顆粒物來源。

3.2水分條件對灰霾形成的影響

水分條件由相對濕度和降雨量反映，相對濕度7—8月較高，4—5月較低，降雨主要集中在7—8月，4—5月次之，其余月份分布較少[(圖2(b)]。水分條件在1—2月、4—5月和10—11月是第2主成分的支配因子(方差貢獻率分別為31.9％、30.8％和27.4％)。在7—8月和10—11月是第3主成分的支配因子(方差貢獻率分別為15.5％和24.5％)。水分條件是10—11月第2和第3主成分的支配因子，也是10—11月霾日形成的重要條件之一，在1—2月和4—5月起次要作用，在7—8月僅起輔助作用。7—8月蘇州市雨量充沛，雨水帶來的沖刷作用，一定程度上降低了大氣中的顆粒物濃度(圖1)，拓展了能見度范圍。相對濕度作為顆粒物吸濕增長的重要條件，與細顆粒物濃度一起，削減了能見度范圍，對1—2月、4—5月和10—11月霾日的形成造成影響。

3.3動力條件對灰霾形成的影響

動力條件由風(fēng)速和氣壓反映，季節(jié)變化趨勢表明：風(fēng)速在4—5月中后期和7—8月中前期較高，1—2月和10—11月相對較低。氣壓1—2月和10—11月較高，7—8月最低[圖2(c)]。動力條件是10—11月第1主成分的支配因子，方差貢獻率達34.8％。7—8月是第2主成分的支配因子，方差貢獻率為16.9％。4—5月是第3主成分的支配因子，方差貢獻率為16.8％。動力條件在10—11月霾日形成中起主導(dǎo)作用，7—8月起次要作用，4—5月僅起輔助作用，對1—2月影響微弱。10—11月，風(fēng)速相對偏低，污染物持續(xù)堆積，較低的風(fēng)速和較高的氣壓不利于氣體交換，為霾日形成提供相對穩(wěn)定的環(huán)境背景。

通過霾日最高和最低出現(xiàn)頻率時間來分析綜合的氣象因子影響。霾日出現(xiàn)頻率1—2月最高，蘇州市冬季大氣層結(jié)穩(wěn)定，近地層湍流運動受到抑制，易形成近地逆溫，不利于污染物的擴散[16]。此時，相對濕度有助于顆粒物粒徑的增加，共同導(dǎo)致了該時期霾日頻繁發(fā)生。從霾日出現(xiàn)頻率最低的7—8月來看，夏季大氣對流活動劇烈，有利于湍流交換，污染物易于擴散，伴隨著雨熱同期，濕沉降沖刷作用明顯，大氣中細顆粒物濃度持續(xù)降低，風(fēng)速較高，湍流交換強烈，不利于形成霾日。熱量條件對蘇州市區(qū)霾日形成的影響主要集中在除10—11月外的其余3個時期。動力條件對霾日的影響集中在10—11月。水分條件是10—11月霾日形成的第二個重要條件，在1—2月和4—5月起次要作用，7—8月僅起輔助作用，存在明顯的季節(jié)性變化特征。熱量因子中輻射因子形成的逆溫抑制了動力作用，而氣溫的升高又有利于動力條件的產(chǎn)生。綜合來看，熱量條件和動力條件主導(dǎo)了蘇州市霾日形成的外界氣象條件，水分條件對霾日的形成影響較弱。

此外，風(fēng)向?qū)踩盏男纬梢灿幸欢ǖ年P(guān)系，如Sun等[12]在北京市的霾日研究表明，西風(fēng)和南風(fēng)所攜帶的污染物濃度和類型均存在較大差異，南風(fēng)的二次污染物濃度顯著高于西風(fēng)，但其他污染物濃度低于西風(fēng)，需要結(jié)合蘇州市本地污染物類型開展進一步研究。

4　結(jié)論

蘇州市區(qū)霾日出現(xiàn)頻率主要發(fā)生在1—2月，7—8月最低。熱量條件是影響1—2月、4—5月和7—8月霾日形成的主要氣象條件。動力條件是10—11月霾日形成的主要氣象條件，水分條件影響相對較弱。主要結(jié)論：

1)熱量條件對蘇州市區(qū)霾日形成的影響主要集中在1—2月(冬季)、4—5月(春季)和7—8月(夏季)，對10—11月(秋季)影響微弱。

2)水分條件是10—11月(秋季)蘇州市區(qū)霾日形成的第二個重要條件，在1—2月(冬季)和4—5月(春季)起次要作用，在7—8月僅起輔助作用；

3)動力條件對蘇州市區(qū)霾日形成的影響主要集中在10—11月(秋季)，7—8月(夏季)起次要作用，4—5月(春季)僅起輔助作用，對1—2月(冬季)影響微弱。

綜上所述，熱量條件和動力條件主導(dǎo)了蘇州市區(qū)霾日形成的外界氣象條件，水分條件對霾日的形成影響較弱。

致謝:感謝蘇州市環(huán)境監(jiān)測中心站自動監(jiān)測室丁黃達工程師、張曉華工程師和朱燕玲助理工程師等在南門子站數(shù)據(jù)質(zhì)量控制和質(zhì)量保證中所作的貢獻！感謝蘇州市氣象局提供的2011年度蘇州市區(qū)降雨資料！

621 Analysis of influencing factors of coronary artery calcification in patients with chronic kidney disease

參考文獻：

[1]中國氣象局. 霾的觀測和預(yù)報等級[M]. 北京：氣象出版社, 2010.

[2]高歌. 1961—2005年中國霾日氣候特征及變化分析[J]. 地理學(xué)報, 2008, 63(7): 761-768.

[3]姚玉剛，鄒強，張仁泉，等. 灰霾監(jiān)測研究進展[J]. 環(huán)境監(jiān)控與預(yù)警，2012, 4(5): 14-17.

[4]UNEP. Atmospheric Brown Clouds-Regional Assessment Report with Focus on Asia, United Nations Environment Programme[R], Nairobi: Unifed Nation’s Environment Programme, 2008.

[5]王體健, 李樹, 劉麗，等. 大氣棕色云和區(qū)域氣候變化[J]. 氣候變化研究進展, 2010, 6(3): 230-232.

[6]Lee Y L, Sequeira R. Visibility degradation across Hong Kong: its components and their relative contributions[J]. Atmospheric Environment, 2001, 35(34): 5 861-5 872.

[7]Ramanathan V, Crutzen P J, Kiehl J T, et al. Aerosols, Climate, and the Hydrological Cycle[J]. Science, 2001, 294(5 549): 2 119-2 124.

[8]Ramanathan V, Li F, Ramana M V, et al. Atmospheric brown clouds: Hemispherical and regional variations in long-range transport, absorption, and radiative forcing[J]. Journal of Geophysical Research-Atmospheres, 2007, 112(D22): 1-26.

[9]Davis M E, Laden F, Hart J E, et al. Economic activity and trends in ambient air pollution[J]. Environmental Health Perspectives, 2010, 118(5): 614-619.

[10]劉偉，韓毓.灰霾天氣城市空氣污染程度判據(jù)指標(biāo)體系建立的探討[J].中國環(huán)境監(jiān)測, 2009, 25(3):86-89.

[11]Keywood M D, Ayers G P, Gras J L, et al. Haze in the Klang Valley of Malaysia[J]. Atmospheric Chemistry and Physics, 2003, 3(1): 591-605.

[12]Sun Y, Zhuang G, Tang A A, et al. Chemical Characteristics of PM2.5and PM10in haze-fog episodes in Beijing[J]. Environment Science and Technology, 2006, 40: 3 148-3 155.

[13]Viezee W， Oblanas J. Lidar-observed haze layers associated with thermal structure in the lower atmosphere[J]. Journal of Applied meteorology, 1969, 8(3): 369-375.

[14]吳兌. 灰霾天氣的形成與演化[J]. 環(huán)境科學(xué)與技術(shù), 2011, 34(3): 157-161.

[15]賀克斌, 楊復(fù)沫, 段鳳魁，等. 大氣顆粒物與區(qū)域復(fù)合污染[M]. 北京：科學(xué)出版社，2011:45-51.

[16]鄒強, 宋福明, 張曉華，等. 蘇州市區(qū)能見度變化特征及影響因素分析[J]. 環(huán)境監(jiān)測與預(yù)警, 2011, 3(3): 41-44.