強(qiáng)逸凡，吳柳瑩，張 潔，胡葦杭，馮 哲，黃光球

(西安建筑科技大學(xué)管理學(xué)院 陜西西安710055)

0 引 言

西安市作為陜西省省會(huì)、特大城市、關(guān)中平原城市群核心城市，近些年發(fā)展勢(shì)頭崛起，隨之帶來的是更多的環(huán)境問題。2019 年西安市政府發(fā)布了《西安市“鐵腕治霾·保衛(wèi)藍(lán)天”2108—2019 三年行動(dòng)方案(修訂版)》，根據(jù)年西安市環(huán)境公報(bào)顯示，西安市環(huán)境整體呈轉(zhuǎn)好趨勢(shì)，但空氣污染物成分含量中首要污染物仍是細(xì)顆粒物(PM2.5)。因此，研究西安市揮發(fā)性有機(jī)物VOCs(Volatile Organic Compounds)擴(kuò)散遷移與氣象因素的關(guān)系極為必要。

此前，學(xué)術(shù)界已有多名學(xué)者對(duì)VOCs 擴(kuò)散遷移與氣象因素做了研究。張勇等[1]研究了棗莊市夏秋季揮發(fā)性有機(jī)物對(duì)環(huán)境空氣質(zhì)量影響；梁天池等[2]探究了工業(yè)區(qū)大氣污染物的遷移擴(kuò)散模型及其應(yīng)用；江軍[3]對(duì)黃土高原地區(qū)農(nóng)業(yè)面源污染時(shí)空特征及與經(jīng)濟(jì)發(fā)展關(guān)系進(jìn)行研究；魏巍[4]研究了中國人為源揮發(fā)性有機(jī)化合物的排放現(xiàn)狀及預(yù)測(cè)未來發(fā)展趨勢(shì)；石雪穎等[5]對(duì)北京市大氣重污染過程中AQI 的時(shí)空擴(kuò)散特征進(jìn)行了研究并預(yù)測(cè)了其模型；余虎等[6]對(duì)西安市大氣污染顆粒物自然驅(qū)散因素進(jìn)行了研究；Emilio Sabia 等[7]對(duì)揮發(fā)性有機(jī)物特性及影響進(jìn)行了進(jìn)一步研究。

目前，我國大氣污染面臨著嚴(yán)重污染，固定源污染包括化石燃料、生物質(zhì)(秸稈、木材)燃燒，溶劑使用、石油化工、煉鋼煉焦等，移動(dòng)源包括機(jī)動(dòng)車、火車、飛機(jī)、輪船等公共交通工具，它們的尾氣排放到大氣中，導(dǎo)致大氣環(huán)境污染日益嚴(yán)重?；诖耍疚膶?duì)氣象自然因素對(duì)西安市揮發(fā)性有機(jī)物擴(kuò)散遷移與氣象因素的影響做進(jìn)一步研究。

1 數(shù)據(jù)來源

本文2018 年、2019 年國控城市點(diǎn)PM2.5年平均值(圖 1)來源于 2019 年西安市環(huán)境狀況公報(bào)(http：//www.xa.gov.cn/gk/sthj/kqhj/5dae57a965cbd86d 496cb373.html)；2018 年、2019 年西安市月均溫度、濕度及風(fēng)速來源于中國空氣質(zhì)量在線監(jiān)測(cè)分析平臺(tái)(https：//www.aqistudy.cn/historydata/weixin.php)。

圖1 2018年、2019年國控城市點(diǎn)PM2.5 年平均值對(duì)比圖Fig.1 Comparison of annual average PM2.5 in statecontrolled cities in 2018 and 2019

2 相關(guān)研究方法

2.1 研究方法

通過做出溫度(圖2)、風(fēng)速(圖3)和PM2.5(圖4)折線圖及空氣質(zhì)量指數(shù)AQI(Air Quality Index)變化趨勢(shì)圖(圖5)，發(fā)現(xiàn)隨著溫度、風(fēng)速的升高及變大，會(huì)導(dǎo)致PM2.5含量變低及AQI 值變高，而VOCs 是形成PM2.5的重要前提物，且也在很大程度上影響AQI 的指數(shù)值，空氣污染物中有 70% ～80% 的組成為PM2.5。為了揭示揮發(fā)性有機(jī)物和氣象條件帶來的影響之間的關(guān)系，本文采用Matlab 建立兩者之間的線性回歸方程，通過回歸分析，初步認(rèn)為溫度對(duì)揮發(fā)性有機(jī)物具有線性影響。

圖2 2018—2019年西安月均最高氣溫和最低氣溫折線圖Fig.2 Line graph of monthly average maximum and minimum temperatures in Xi"an from 2018 to 2019

圖3 2018—2019年西安月均最高風(fēng)速和最低風(fēng)速折線圖Fig.3 Line graph of average monthly maximum and minimum wind speeds in Xi’an from 2018 to 2019

圖4 2018—2019年西安市PM2.5 含量折線圖Fig.4 Line graph of PM2.5 content in Xi’an from 2018 to 2019

圖5 2018—2019年西安市AQI指數(shù)變化折線圖Fig.5 Line graph of change in AQI index in Xi’an from 2018 to 2019

2.2 自變量的選擇

本文選擇氣象影響因素中最主要因素之一：溫度。通過分子的熱運(yùn)動(dòng)可知，溫度越高分子無規(guī)則運(yùn)動(dòng)越快，擴(kuò)散越快；其次是風(fēng)速，風(fēng)速加快，會(huì)影響氣體局部的壓強(qiáng)，根據(jù)理想氣體狀態(tài)方程PV＝nRT，物質(zhì)的量(n)不變、體積(V)不變，當(dāng)壓強(qiáng)(P)升高時(shí)，則溫度(T)也會(huì)隨之升高。微觀體現(xiàn)即為分子的熱運(yùn)動(dòng)加快，故溫度(T)升高，分子運(yùn)動(dòng)加快，則會(huì)影響大氣中PM2.5的含量和AQI 指數(shù)的變化值(表1)。

2.3 因變量的選擇

VOCs 是形成PM2.5的重要前體物，也在一定程度影響AQI 的數(shù)值，VOCs 含量中70%～80%都是PM2.5，說明PM2.5與VOCs 的關(guān)系密切，變化相關(guān)。因?yàn)楫a(chǎn)生VOCs 的來源多、廣、雜，在收集數(shù)據(jù)方面會(huì)有很大的困難與不便，所以本文選擇PM2.5和AQI作為監(jiān)測(cè)VOCs 擴(kuò)散與遷移的指標(biāo)，依據(jù)空氣中PM2.5的變化和空氣質(zhì)量指數(shù)進(jìn)行研究(表2)。

表1 2018—2019年西安市溫度、風(fēng)級(jí)統(tǒng)計(jì)數(shù)據(jù)Tab.1 Statistics of temperature and wind speed in Xi"an from 2018 to 2019

表2 2018—2019年西安市PM2.5、AQI統(tǒng)計(jì)數(shù)據(jù)Tab.2 Statistical data of PM2.5 and AQI in Xi’an from 2018 to 2019

3 計(jì)算分析

通過分析初步認(rèn)為溫度與風(fēng)力與PM2.5的含量呈線性關(guān)系，使用SPSS 工具建立線性回歸方程。

對(duì)表3、表4 及圖1 至圖4 用下列表達(dá)式：

對(duì)表達(dá)式(1)進(jìn)行線性回歸分析，結(jié)果如表5所示。

表3 自變量相關(guān)自然指標(biāo)Tab.3 Natural indicators related to independent variables

表4 因變量相關(guān)自然指標(biāo)Tab.4 Natural indicators related to dependent variables

表5 模型匯總bTab.5 Model summary

由表5 可知：相關(guān)系數(shù)R＝0.894，表明自變量(T、S)和因變量(PM2.5)之間存在著高度線性相關(guān)性。

判定R2＝0.800，說明回歸平方和占總離差平方和的比例為80.0%，用T 和S 可以解釋x1即空氣中(PM2.5)的變動(dòng)比例為80.0%，說明該回歸的效果較好，本觀測(cè)值的擬合程度較好。

表6 Anovaa(PM2.5)Tab.6 Anovaa(PM2.5)

對(duì)表6 結(jié)果分析如下：

SSR(回歸平方和)＝26 390.739

SSE(殘差平方和)＝6 616.219

F(擬合顯著性)＝41.882

P(不拒絕除假設(shè)的程度)＝0.000＜0.05(顯著性表示自變量對(duì)因變量的影響程度，小于0.05 表示有顯著影響，說明該模型具有95%的把握認(rèn)為回歸方程顯著)。

對(duì)表7 結(jié)果分析如下：

如何求得P＝0.01＜0.05，所以選擇表7 中B 列數(shù)值，那么可以將表達(dá)式(1)寫為如下回歸方程：

若P＞0.05，則該回歸方程不含常數(shù)項(xiàng)，就要選擇標(biāo)準(zhǔn)系數(shù)檢驗(yàn)其余系數(shù)；如表6 所示，P＝0.449＞0.05，剔除變量S，這個(gè)變量S 不能進(jìn)入該方程。

表7 Anovaa(PM2.5)Tab.7 Anovaa(PM2.5)

圖6 殘差個(gè)案次序圖Fig.6 Sequence diagram of residual cases

由表達(dá)式(1)生成殘差個(gè)案次序圖，如圖6 所示，可知第13 個(gè)點(diǎn)落在中軸線的帶狀區(qū)域之外，說明該點(diǎn)(1，142)是奇異點(diǎn)應(yīng)該刪除，刪除后，重新進(jìn)行運(yùn)行得到殘差個(gè)案次序圖，如圖7 所示。

圖7 殘差個(gè)案次序修正圖Fig.7 Sequence correction diagram of residual cases

根據(jù)重新運(yùn)行出的殘差個(gè)案次序修正圖(圖7)，可以判斷出殘差個(gè)案均落在中軸線帶狀區(qū)域以內(nèi)，說明無奇異點(diǎn)。由圖8 可知：殘差值都在置信區(qū)間上限、下限范圍內(nèi)，代表回歸模型正常，所以表達(dá)式(1)的回歸模型正常。

對(duì)表達(dá)式(2)進(jìn)行線性回歸分析，得到結(jié)果如表8 所示。由表8 可知：相關(guān)系數(shù)R＝0.741，表明自變量(T、S)和因變量(AQI)之間存在著線性相關(guān)性。

但因?yàn)镽2＝0.550，即回歸平方和占總離差平方和的比例為55.0%，用T 和S 可以解釋空氣中(AQI)的變動(dòng)的比例為55.0%，說明該回歸的效果一般，本觀測(cè)值的擬合程度不佳，據(jù)此認(rèn)為AQI 與T、S 之間無顯著關(guān)系，剔除表達(dá)式(2)。

圖8 殘差值圖Fig.8 Residual value graph

表8 模型匯總bTab.8 Model summary

通過建立多元線性回歸方程，發(fā)現(xiàn)揮發(fā)性有機(jī)物擴(kuò)散遷移與氣象因素呈負(fù)相關(guān)線性影響，即T 每增加1 ℃，空氣中PM2.5的含量下降3.388 mg/m3。

4 結(jié) 論

近些年，在經(jīng)濟(jì)上，西安作為陜西省省會(huì)城市，發(fā)展走在全國城市前列；在環(huán)境上，西安位于我國西北區(qū)域，關(guān)中盆地，暖溫帶半濕潤大陸性季風(fēng)氣候，四季分明，雨量適中。但近些年發(fā)展同時(shí)，大氣環(huán)境遭到破壞，超過其最大承載力。在日后的發(fā)展中要增強(qiáng)對(duì)大氣環(huán)境的治理與保護(hù)，加大大氣環(huán)境治理和研究，降低各類有機(jī)物的排放?！?/p>