王 勇，劉 備，劉嚴(yán)萍

(1. 天津城建大學(xué) 地質(zhì)與測繪學(xué)院，天津 300384；2. 天津城建大學(xué) 經(jīng)濟(jì)與管理學(xué)院，天津 300384)

基于小波變換的北京、上海等城市PM2.5濃度時空演化特征分析

王 勇1，劉 備1，劉嚴(yán)萍2

(1. 天津城建大學(xué) 地質(zhì)與測繪學(xué)院，天津 300384；2. 天津城建大學(xué) 經(jīng)濟(jì)與管理學(xué)院，天津 300384)

選取北京、沈陽、上海、廣州和成都5個城市近年來的PM2.5濃度觀測序列，利用小波變換方法開展PM2.5濃度時空演化特征分析。在對5個城市的PM2.5濃度觀測序列進(jìn)行缺失值處理的基礎(chǔ)上，采用小波變換方法對PM2.5濃度序列進(jìn)行小波分解與重構(gòu)，并對重構(gòu)后的PM2.5濃度序列進(jìn)行比較分析。PM2.5濃度變化呈現(xiàn)明顯的年變化特征，在年以內(nèi)的PM2.5濃度變化中，冬季PM2.5濃度最高，夏季PM2.5濃度最低；PM2.5濃度日變化為雙峰型變化；南方的PM2.5濃度整體低于北方的PM2.5濃度。

小波變換；PM2.5濃度；時空演化；北京；上海；沈陽；廣州；成都

伴隨著社會經(jīng)濟(jì)發(fā)展、城市化進(jìn)程的加快，出現(xiàn)了越來越多的大氣環(huán)境污染問題，PM2.5已成為影響我國大氣環(huán)境質(zhì)量的主要污染物之一。根據(jù)全球PM2.5濃度數(shù)據(jù)顯示，我國的環(huán)渤海、珠三角、長三角以及成渝地區(qū)是濃度最高的地區(qū)，這些地區(qū)多次出現(xiàn)霾污染。目前國內(nèi)外的霧霾研究工作主要有三個方面[1-3]：根據(jù)歷史的氣象資料，結(jié)合能見度數(shù)據(jù)對霧霾的年際變化進(jìn)行分析；基于衛(wèi)星遙感監(jiān)測數(shù)據(jù)的大氣污染研究；利用顆粒物和氣態(tài)污染物觀測數(shù)據(jù)分析城市污染物的濃度變化以及霧霾的形成機(jī)理。Salameh等通過對歐洲5個地中海城市PM2.5的監(jiān)測，發(fā)現(xiàn)PM2.5濃度的變化具有明顯的季節(jié)性[4]。我國城市的PM2.5濃度普遍呈現(xiàn)出冬季高、夏季低的狀態(tài)，且PM2.5濃度的日變化為雙峰型(早晚上下班時段)[5-7]。

美國駐華使館分別在2008年、2012年和2013年開始對北京、上海、廣州、成都和沈陽等駐華使館所在地開展了PM2.5濃度監(jiān)測，本文收集了美國駐華使館五地的PM2.5歷史觀測數(shù)據(jù)。通過5個城市多年的PM2.5濃度序列分析有助于探尋不同區(qū)域的PM2.5濃度的時空演化特征。由于PM2.5序列的波動比較大，且存在著噪聲的干擾，只能依據(jù)經(jīng)驗大致判斷其演變趨勢，無法深入分析演變過程中的多尺度特性。小波變換具有多分辨率特性，通過對PM2.5序列多尺度細(xì)分可分析其演變的周期性和規(guī)律性。本文將采用小波變換方法對五個城市的PM2.5濃度序列進(jìn)行小波分解與重構(gòu)，并對重構(gòu)后的PM2.5濃度序列開展PM2.5濃度時空演化特征分析。

1 研究方法和數(shù)據(jù)處理

1.1 小波變換

小波變換具有多分辨率的特性。把某一基本小波的函數(shù)作位移τ，然后在不同尺度a下與分析信號f(t)作內(nèi)積：

(1)

經(jīng)典小波函數(shù)主要有Haar小波、Daubechies小波、Symlets小波、Meyer小波和MexicanHat小波等，這些小波在對稱性、緊支性、消失矩、正則性等方面均具有不同的特點。在選擇小波基的時候要根據(jù)信號特征和實際應(yīng)用效果進(jìn)行選擇。考慮到要對PM2.5濃度序列進(jìn)行多尺度分析、信號重構(gòu)，本文選擇緊支撐標(biāo)準(zhǔn)正交小波DbN小波系。DbN系列小波隨著階次增加，消失矩階數(shù)增加，頻帶劃分的效果更好，但會使時域緊支撐性減弱，同時計算量大大增加，實時性變差[8]。

圖1 北京、沈陽、上海、廣州和成都五站的PM2.5濃度序列

1.2 研究資料

PM2.5濃度序列為小時觀測，5個觀測站點的數(shù)據(jù)時間分別為：北京(2008年04月09日-2015年10月31日)、沈陽(2013年04月24日-2015年10月31日)、上海(2012年01月01日-2015年10月31日)、廣州(2012年01月01日-2015年10月31日)、成都(2012年06月06日-2015年10月31日)。

PM2.5濃度序列有部分時段數(shù)據(jù)缺失(如圖1所示)，本文利用SPSS軟件對缺失部分的數(shù)據(jù)進(jìn)行缺失值處理，使得PM2.5數(shù)據(jù)保持完整性。由于PM2.5原始數(shù)據(jù)具有噪聲干擾，對PM2.5的變化趨勢和特征很難準(zhǔn)確分析判斷，本文利用小波變換方法對PM2.5序列進(jìn)行小波分解與重構(gòu)，并對重構(gòu)結(jié)果開展相關(guān)分析。

1.3 小波基函數(shù)與小波分解層數(shù)的確定

通過小波變換對5個城市的PM2.5濃度序列進(jìn)行分解，得到不同時間尺度上的小波系數(shù)，這些小波系數(shù)可用來描述PM2.5濃度的多尺度結(jié)構(gòu)和變化特征。另外PM2.5濃度序列經(jīng)小波分解后得到低頻系數(shù)和高頻系數(shù)，其中低頻系數(shù)主要由確定性成分構(gòu)成，反映了PM2.5演變的主要特征，如演變趨勢和周期；高頻部分是由各種干擾噪聲、異常突變隨機(jī)波動構(gòu)成，反映了PM2.5的突變和擾動等。為了減少各種高頻噪聲對PM2.5濃度序列的干擾，更好的反映出PM2.5的演變趨勢和變化規(guī)律，需要在分解后選擇合適的級數(shù)進(jìn)行重構(gòu)。

實驗過程如下：通過這5個城市的PM2.5濃度序列小波分解與重構(gòu)，對比各小波基分解后各層的PM2.5濃度序列，尋找對應(yīng)關(guān)系最好的層數(shù)。經(jīng)過試驗比較，綜合考慮算法的分析效果和計算效率，最終選定Db10小波來進(jìn)行PM2.5濃度序列的分解與重構(gòu)。經(jīng)實驗，第13層低頻數(shù)據(jù)能夠很好的反映PM2.5濃度序列的變化趨勢，小波分解層數(shù)設(shè)定為13。

2 結(jié)果與分析

2.1 PM2.5濃度變化趨勢

表1為北京、沈陽、上海、廣州和成都5個城市的PM2.5濃度原始數(shù)據(jù)的年均值統(tǒng)計表，圖2為這5個城市的PM2.5濃度變化趨勢圖(選取分解重構(gòu)后a13數(shù)據(jù)，由于北京2008年和2009年數(shù)據(jù)缺失數(shù)據(jù)過多，故在小波分解重構(gòu)的時候沒有用這兩年的數(shù)據(jù))。

表1 北京、沈陽、上海、廣州和成都PM2.5濃度年均值 μg/m3

圖2 北京、沈陽、上海、廣州和成都PM2.5濃度變化趨勢

由圖2可以看出：經(jīng)過小波分解后，選取合適的層數(shù)進(jìn)行重構(gòu)所得到的數(shù)據(jù)能夠很好的擬合PM2.5濃度數(shù)據(jù)的變化趨勢。PM2.5濃度的年變化特征為：5個城市的PM2.5濃度均在2013年開始逐年下降。PM2.5濃度下降的主要原因是自2013年開始，我國開始對PM2.5濃度進(jìn)行控制，例如北京市將一些排污量大的工廠搬出北京市；進(jìn)行供暖方式的升級以及拆遷一些小的老式供暖公司；對機(jī)動車輛進(jìn)行控制。由圖2可以明顯看出，PM2.5濃度的分布具有一定的地域性，南方的PM2.5濃度低于北方的PM2.5濃度。這是因為北方燃煤量高于南方，而燃煤是PM2.5形成的主要方式；南方降水高于北方，降水有利于PM2.5的凈化。

圖3 高頻系數(shù)d13重構(gòu)的PM2.5濃度序列

2.2 PM2.5濃度月、季變化特征

利用db10小波基函數(shù)對PM2.5濃度序列進(jìn)行小波分解，并選擇高頻信號d13進(jìn)行重構(gòu)，重構(gòu)后的PM2.5如圖3所示。

從圖3中可以看到，PM2.5濃度在每年的6-8月(夏季)之間的時候最低，并且8月過后PM2.5的質(zhì)量濃度逐漸升高，到了1月份左右的時候達(dá)到最高值。即PM2.5的濃度在每年的夏季最低，冬季最高，春季和秋季屬于過渡期。其主要原因是因為夏季降水高于其他季節(jié)，而降水過程對PM2.5具有一定的清除作用，使得夏季PM2.5低于其他季節(jié)；冬季降水少且溫度低，不利于PM2.5的擴(kuò)散，容易導(dǎo)致PM2.5的集聚，使得冬季PM2.5明顯高于其他季節(jié)。

2.3 PM2.5濃度日變化特征

本文選取了北京和上海兩個站點的2013年1月7- 15日，以及2013年7月7-15日兩個時間段的高頻系數(shù)d4重構(gòu)的PM2.5濃度序列，如圖4所示。

根據(jù)圖4可以看出PM2.5濃度在1d內(nèi)的變化為雙峰型，即每天早晚高峰時段的PM2.5濃度高于其他時段。造成這種情況的主要原因是早晚高峰汽車尾氣的排放高于其他時間段，使得PM2.5濃度升高。該研究結(jié)果與文獻(xiàn)[5-7]的結(jié)果是一致的。從圖4還可知，PM2.5在1年中的每1d都是呈雙峰型變化，不受季節(jié)變化的影響。

3 結(jié)論

本文利用北京、沈陽、上海、廣州和成都5個美駐華使館的PM2.5濃度序列，利用小波變換方法開展了PM2.5濃度序列的時空演化特征分析，得到以下結(jié)論：

(1)PM2.5濃度在每年的6-8月之間的時候最低，并且8月過后PM2.5的濃度逐漸升高，到了1月份左右的時候達(dá)到最高值，即PM2.5的濃度在每年的夏季最低，冬季最高，春季和秋季屬于過渡期。

(2)PM2.5的濃度在一天中的變化為雙峰型。

(3)南方的PM2.5濃度整體低于北方的PM2.5濃度。

致謝：感謝美國駐華使館提供的PM2.5濃度觀測序列數(shù)據(jù)。

[1] Anne Boynard，Cathy Clerbaux，Lieven Clarisse，et al. First simultaneous space measurements of atmospheric pollutants in the boundary layer from IASI：A case study in the North China Plain [J]. Geophysical Research Letters，2014，41(2)：645-651.

[2] 孟曉艷，王瑞斌，張欣，等. 2006-2010年環(huán)保重點城市主要污染物濃度變化特征 [J]. 環(huán)境科學(xué)研究，2012，25(6)：622-627.

[3] 戴永立，陶俊，林澤建，等. 2006-2009年我國超大城市霾天氣特征及影響因子分析 [J]. 環(huán)境科學(xué)，2013，34(8)：2925-2932.

[4] Salameh D，Detournay A，Pey J，et al. Chemical composition in five European Mediterranean cities：a 1-year study [J]. Atmospheric Research，2015，155：102-117.

[5] Wang P，Cao J J，Shen Z X，et al. Spatial and seasonal variations of PM2.5mass and species during 2010 in Xi’an，China [J]. Science of the Total Environment，2015，508：477-487.

[6] 雷瑜，張小玲，唐宜西，等. 北京城區(qū)PM2.5及主要污染氣體“周末效應(yīng)”和“假日效應(yīng)”研究 [J]. 環(huán)境科學(xué)學(xué)報，2015，35(5)：1520-1528.

[7] 陳添. 氣象條件對北京市空氣質(zhì)量的影響[J]. 環(huán)境保護(hù)，2006，5(10)：46-49.

[8] 張德豐. MATLAB小波分析 [M]. 北京：機(jī)械工業(yè)出版社，2011.

Spatial and Temporal Evolution of PM2.5Concentration in Beijing and Shanghai Based on Wavelet Transform

WANG Yong1, LIU Bei1and LIU Yanping2

(1.SchoolofGeologyandGeomatics,TianjinChengjianUniversity,Tianjin300384,China; 2.SchoolofEconomicsandManagement,TianjinChengjianUniversity,Tianjin300384,China)

ThePM2.5concentrationseriesoffivecitiesinBeijing,Shenyang,Shanghai,GuangzhouandChengduareselectedandthespatialandtemporalcharacteristicsofPM2.5concentrationareanalyzedbythemethodofwavelettransform.BasedonthePM2.5observationsequenceoffivecities,themissingvalueprocessingiscarriedout.WavelettransformisusedtodecomposeandreconstructthePM2.5concentrationsequence,andthereconstructedPM2.5concentrationsequenceiscomparedandanalyzed.PM2.5concentrationshowedasignificantannualchangecharacteristics,thePM2.5concentrationwithintheyear,thehighestconcentrationofPM2.5inwinter,summerPM2.5concentrationofthelowest;PM2.5diurnalchangesintheconcentrationofbimodalchange;theSouthofthePM2.5massconcentrationislowerthanthePM2.5concentrationinthenorth.

wavelettransform;PM2.5concentration;spatialandtemporalevolution;Beijing;Shanghai;ShenYang;GuangZhou;ChengDu

2016-10-14

2016-01-19

河北省自然科學(xué)基金(D2015209024)

王勇(1978-)，男，江西寧都人，博士，教授，主要從事GPS氣象學(xué)研究.E-mail:wangyongjz@126.com

10.3969/j.issn.1000-811X.2017.02.007.]

X43；P426.615；X51

A

1000-811X(2017)02-0039-04

10.3969/j.issn.1000-811X.2017.02.007

王勇，劉備，劉嚴(yán)萍. 基于小波變換的北京、上海等城市PM2.5濃度時空演化特征分析[J]. 災(zāi)害學(xué)，2017，32(2)：39-42. [WANG Yong, LIU Bei and LIU Yanping. Spatial and Temporal Evolution of PM2.5Concentration in Beijing and Shanghai Based on Wavelet Transform[J]. Journal of Catastrophology，2017，32(2)：39-42.