張 瑩,張 婕,王式功,康 平,張家熙,張小玲,3,李運(yùn)超

成都市PM2.5濃度變化的影響因素交互作用研究

張 瑩1,2*,張 婕1,王式功1,康 平1,張家熙1,張小玲1,3,李運(yùn)超1

(1.成都信息工程大學(xué)大氣科學(xué)學(xué)院/高原大氣與環(huán)境四川省重點(diǎn)實(shí)驗(yàn)室/氣象環(huán)境與健康研究院,四川 成都 610225；2.中國科學(xué)院大氣物理研究所,大氣邊界層物理和大氣化學(xué)國家重點(diǎn)實(shí)驗(yàn)室,北京 100029；3.北京城市氣象研究院,北京 100089)

為探究大氣環(huán)境中污染物與氣象要素交互作用對(duì)PM2.5濃度變化的影響特征,利用成都市2014～2020年逐日大氣污染物資料以及同期的氣象資料,采用廣義相加模型(GAMs)分析不同影響因素對(duì)當(dāng)?shù)豍M2.5濃度變化的影響效應(yīng).結(jié)果表明,單影響因素GAMs模型中,無論全年還是冬季,PM2.5濃度與平均氣溫()、相對(duì)濕度(RH)、平均風(fēng)速(Wind)、降水量(Prec)、O3、NO2、SO2和CO間均呈非線性關(guān)系,其中CO、NO2、SO2、和Wind對(duì)PM2.5濃度影響較大,與全年不同的是,冬季和O3對(duì)PM2.5濃度變化的影響效應(yīng)較全年明顯減弱.多影響因素的GAMs模型中,、Wind、RH、CO、NO2、SO2和O3這7個(gè)解釋變量對(duì)PM2.5濃度變化的影響均較顯著,構(gòu)建的全年多影響因素GAMs模型調(diào)整后的R=0.759,方差解釋率為76.42%,冬季R=0.708,方差解釋率為72.2%,無論是全年還是冬季,CO都是PM2.5濃度變化的主導(dǎo)影響因素.GAMs交互效應(yīng)模型發(fā)現(xiàn),全年弱低溫(7℃左右)+高相對(duì)濕度+高濃度CO+高濃度NO2+高濃度SO2協(xié)同作用條件下有利于PM2.5濃度的生成;冬季低Wind+高RH+高濃度CO+高濃度NO2+高濃度SO2共存條件下有利于PM2.5的生成,即該條件對(duì)PM2.5濃度的生成有協(xié)同放大效應(yīng).運(yùn)用GAMs模型能夠?qū)M2.5污染的主導(dǎo)影響因素進(jìn)行識(shí)別,并定量化分析影響因素單效應(yīng)及其交互作用對(duì)PM2.5濃度變化的影響特征,對(duì)PM2.5濃度污染防控研究具有重要指示意義.

GAMs模型；PM2.5濃度變化；影響因素；交互作用

隨著經(jīng)濟(jì)快速發(fā)展和城市化進(jìn)程加快,我國大部分城市(群)的空氣污染倍受關(guān)注.四川盆地作為我國五大重污染區(qū)域之一[1],2012年環(huán)保部《重點(diǎn)區(qū)域大氣污染防治“十二五”規(guī)劃》就明確成渝地區(qū)為復(fù)合型污染顯現(xiàn)區(qū),并將其納入全國大氣污染聯(lián)防聯(lián)控重點(diǎn)區(qū)域(即“三區(qū)十群”),該計(jì)劃的實(shí)施帶來了四川盆地空氣質(zhì)量的改善,但大氣復(fù)合污染形勢(shì)依然嚴(yán)峻[2].成都平原作為四川盆地經(jīng)濟(jì)和文化中心,近年來冬季霧霾超標(biāo)顯著、夏季臭氧污染持續(xù)增加,區(qū)域空氣質(zhì)量管理與控制已經(jīng)進(jìn)入了細(xì)粒子和臭氧協(xié)同防治的深水區(qū),大氣環(huán)境持續(xù)改善任重道遠(yuǎn)[3].

成都平原冬季容易出現(xiàn)細(xì)粒子污染,究其原因主要有兩方面:一是過量的大氣污染物排放及其二次轉(zhuǎn)化;二是極為不利于污染物擴(kuò)散的氣象條件.四川盆地特殊地形使得盆地內(nèi)邊界層大氣層結(jié)穩(wěn)定度高于同緯度的其他地區(qū),加之盆地內(nèi)常年靜風(fēng)頻率高,大氣污染物擴(kuò)散受阻,使得冬季盆地內(nèi)顆粒物(尤其是細(xì)粒子)持續(xù)累積,從而易出現(xiàn)霧霾事件[4].現(xiàn)階段關(guān)于盆地細(xì)粒子(PM2.5)污染已開展了相關(guān)研究[5-6],但現(xiàn)有研究大多只考慮PM2.5濃度與影響因素之間的線性關(guān)系而忽略了不同變量間復(fù)雜的非線性關(guān)系.近期有研究指出PM2.5的組分和來源較為復(fù)雜,氣象因素的影響包括復(fù)雜的物理化學(xué)過程,因此需要考慮PM2.5濃度和各影響因素之間復(fù)雜的非線性關(guān)系[7].目前越來越多研究運(yùn)用非線性模型和方法探討影響大氣污染物濃度變化的因素,而廣義可加模型(generalized additive models,GAMs)就是其中之一[8],其優(yōu)點(diǎn)是可以同時(shí)擬合響應(yīng)變量與解釋變量之間復(fù)雜的線性和非線性關(guān)系,該模型最先被用于生物醫(yī)學(xué)領(lǐng)域,基于其優(yōu)越性和靈活性,近期也被嘗試用于環(huán)境科學(xué)等其他研究領(lǐng)域[9-10].

Qian等[11]指出PM2.5濃度與大氣污染物、氣象要素等影響因素構(gòu)成一個(gè)復(fù)雜的非線性動(dòng)力系統(tǒng),在時(shí)間域中存在多層次的尺度結(jié)構(gòu)和局部變化的特征,其時(shí)間序列也反映了PM2.5濃度與影響因素間線性與非線性相互作用與發(fā)展變化過程.基于此,本研究以成都市為例,嘗試運(yùn)用GAMs模型構(gòu)建PM2.5濃度變化與其影響因素之間復(fù)雜的非線性關(guān)系,在此基礎(chǔ)上,進(jìn)一步深入探討影響因素交互作用對(duì)PM2.5濃度變化的影響特征,以期為當(dāng)?shù)亻_展PM2.5污染防治提供一定的科學(xué)依據(jù),同時(shí)也為其他地區(qū)開展類似研究提供借鑒.

1 資料與方法

1.1 資料來源

1.1.1 大氣環(huán)境監(jiān)測資料 2014年1月1日～2020年12月31日成都市的大氣污染物數(shù)據(jù)來源于中華人民共和國生態(tài)環(huán)境部(Ministry of Ecological Environment of the People’s Public of China),包括PM2.5(μg/m3)、NO2(μg/m3)、SO2(μg/m3)和CO (mg/m3)日均濃度以及每日臭氧8h濃度平均最大值(后面統(tǒng)一采用O3表示) (μg/m3).

1.1.2 氣象資料來源 同期的氣象資料來源于中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)(http://data.cma.gov.cn/),成都市的地面常規(guī)氣象觀測資料,主要包括平均氣溫() (℃)、降水量(Prec) (mm)、相對(duì)濕度(RH) (%)和平均風(fēng)速(Wind) (m/s)等指標(biāo).

1.2 研究方法

利用R軟件(4.0.3版本)中的“mgcv”程序包進(jìn)行廣義相加模型(GAMs)建模.GAMs是廣義線性模型的擴(kuò)展,可以用于處理因變量和眾多自變量之間過度復(fù)雜的非線性關(guān)系,即GAMs可以實(shí)現(xiàn)不同形式的函數(shù)間的加和,因此可將與因變量之間存在線性關(guān)系和復(fù)雜非線性關(guān)系的自變量都同時(shí)擬合到模型中,該模型十分靈活,并非事先建立好的,而是由所研究的數(shù)據(jù)驅(qū)動(dòng)的[9].本研究采用的GAMs中的獨(dú)立效應(yīng)模型和交互效應(yīng)模型.首先,采用獨(dú)立效應(yīng)模型分析不同影響因素單一作用以及多種影響因素同時(shí)作用對(duì)PM2.5濃度的影響效應(yīng).在此基礎(chǔ)上,篩選出對(duì)PM2.5濃度變化產(chǎn)生顯著影響的因素,進(jìn)一步采用交互效應(yīng)模型,探究影響因素交互作用對(duì)PM2.5濃度變化的影響特征,其具體步驟如下.

第一步,采用GAMs獨(dú)立效應(yīng)模型估算影響因素對(duì)PM2.5濃度變化的影響效應(yīng),該模型如下:

式中:為PM2.5濃度的期望值;()是連接函數(shù);1,2,…,x為解釋變量,本研究中解釋變量主要包括氣象因素(、RH、Prec、Wind)和污染物(O3、NO2、SO2、CO);1(),2(), …f(),為表示響應(yīng)變量和解釋變量之間復(fù)雜非線性關(guān)系的各種平滑函數(shù),本研究采用自然立方樣條函數(shù),可避免過度擬合現(xiàn)象[12].其中,在研究單一解釋變量對(duì)響應(yīng)變量的單因素效應(yīng)時(shí),模型中只納入一個(gè)解釋變量,即模型的右邊只有一個(gè)()函數(shù);在研究多因素共同作用對(duì)響應(yīng)變量的效應(yīng)時(shí),模型中同時(shí)納入多個(gè)解釋變量,即模型的右邊有多個(gè)()函數(shù)相加;X代表全參數(shù)模型成分;表示殘差.

第二步,在上述污染物獨(dú)立效應(yīng)研究的基礎(chǔ)上,篩選出對(duì)PM2.5濃度變化有顯著效應(yīng)的主要影響因素,進(jìn)一步建立PM2.5濃度變化的GAMs交互效應(yīng)模型,并直觀給出對(duì)PM2.5濃度變化有顯著影響的主要影響因素交互效應(yīng)三維空間圖,定量分析其對(duì)PM2.5濃度變化的影響特征,具體模型如下:

利用GAMs模型給出的統(tǒng)計(jì)值、值、2和方差解釋率來判斷不同解釋變量對(duì)PM2.5濃度變化的影響顯著性及模型的擬合優(yōu)度[13-14],其中影響因素對(duì)應(yīng)的統(tǒng)計(jì)值越大,表明其相對(duì)重要性越大;值是用來判斷假設(shè)檢驗(yàn)結(jié)果的另一參數(shù),值越小,表明結(jié)果越顯著;調(diào)整判定系數(shù)(2)為回歸平方和與總離差平方和的比值,2的取值范圍0～1,2越接近1表明模型越精確,回歸擬合效果越顯著;方差解釋率越高,表明擬合效果越優(yōu);此外,當(dāng)解釋變量的自由度=1時(shí)表明解釋變量與響應(yīng)變量為線性關(guān)系,當(dāng)自由度>1時(shí)為非線性關(guān)系.

2 結(jié)果與分析

2.1 PM2.5濃度變化的單影響因素GAMs模型分析

將、RH、Wind、Prec、NO2、SO2、CO和O3共8個(gè)影響因素作為解釋變量,PM2.5作為響應(yīng)變量,在進(jìn)行單因素分析時(shí)每次選取一個(gè)影響因素作為解釋變量,構(gòu)建PM2.5濃度變化的單影響因素GAMs模型.由表1可知,所有解釋變量的自由度均大于1,表明所有解釋變量與PM2.5之間均呈非線性關(guān)系.且所有影響因素均在<0.001水平下對(duì)PM2.5濃度變化影響顯著,即所有影響因素單獨(dú)作為PM2.5濃度變化的解釋變量均有統(tǒng)計(jì)學(xué)意義,尤其是CO、NO2、SO2、和Wind對(duì)PM2.5濃度變化影響的調(diào)整判定系數(shù)(2)均較大(0.208～0.675),方差解釋率均較高(21.10%～67.60%),模型擬合度較優(yōu),即CO、NO2、SO2、和Wind單獨(dú)作為解釋變量對(duì)PM2.5濃度變化的影響較顯著.

表1 2014～2020年成都市PM2.5與單影響因素的GAMs模型假設(shè)檢驗(yàn)結(jié)果

注:***表示在0.001水平下變量是顯著的;**表示在0.01水平下變量是顯著的,下同.

成都市PM2.5濃度整體呈現(xiàn)“冬高夏低”的分布特征(圖1),PM2.5超標(biāo)主要出現(xiàn)在冬季,因此本文進(jìn)一步分析成都市冬季單一影響因素對(duì)PM2.5濃度變化的影響(表2),冬季、RH、Wind、Prec、NO2、SO2、CO和O3這8個(gè)影響因素均在<0.001水平下對(duì)PM2.5濃度變化影響顯著.與全年類似,冬季也是CO、NO2、SO2、和Wind單獨(dú)作為解釋變量時(shí)對(duì)PM2.5濃度變化的影響較顯著,與全年不同的是,冬季和O3對(duì)PM2.5濃度變化的影響效應(yīng)較全年明顯減弱.

圖1 研究時(shí)段PM2.5濃度時(shí)間序列

表2 2014～2020年冬季成都市PM2.5與單影響因素的GAMs模型假設(shè)檢驗(yàn)結(jié)果

2.2 PM2.5濃度變化的多影響因素GAMs模型分析

經(jīng)單影響因素初步分析,將單影響因素分析中有統(tǒng)計(jì)學(xué)意義和經(jīng)過顯著性檢驗(yàn)的、Prec、Wind、RH、NO2、SO2、O3和CO共8個(gè)影響因素同時(shí)作為解釋變量納入多影響因素GAMs模型中,將PM2.5作為響應(yīng)變量,進(jìn)行多影響因素與PM2.5濃度間的GAMs建模.模型擬合結(jié)果如表3所示,在多影響因素模型中,降水量對(duì)應(yīng)的值>0.01,未通過在0.01水平下的顯著性檢驗(yàn),而其余7個(gè)解釋變量均在<0.001(或<0.01)水平下對(duì)PM2.5濃度變化影響顯著.雖然單效應(yīng)模型中降水量的方差解釋率高于相對(duì)濕度的方差解釋率,但多影響因素模型中降水量卻被剔除,可能原因在于,降水量和相對(duì)濕度均反映大氣中水汽含量狀況,二者存在較高關(guān)聯(lián),此外,降水量與氣溫也存在較高關(guān)聯(lián),在構(gòu)建多變量曲線模型時(shí)為減小解釋變量間的共曲線性問題,從而使得降水量在擬合過程中被剔除.多影響因素GAMs模型的2=0.749,方差解釋率75.40%,模型擬合度整體較高,因此,可以確定、RH、Wind、O3、NO2、SO2和CO共同作用對(duì)PM2.5濃度變化有顯著影響.在上述研究基礎(chǔ)上,進(jìn)一步刪除降水量后,重新構(gòu)建PM2.5濃度變化的多影響因素GAMs模型.

表3 2014～2020年成都市PM2.5濃度與多影響因素的GAMs模型擬合結(jié)果

重新構(gòu)建PM2.5濃度變化的多影響因素GAMs模型擬合結(jié)果如表4所示,所篩選的、RH、Wind、O3、NO2、SO2和CO 7個(gè)解釋變量的<0.001(或<0.01),具有統(tǒng)計(jì)學(xué)意義,即上述7個(gè)解釋變量與PM2.5濃度之間存在較強(qiáng)的關(guān)聯(lián).最終構(gòu)建的全年P(guān)M2.5濃度變化的GAMs模型為(PM2.5)=()+(RH)+s(Wind)+(O3)+(CO)+s(NO2)+s(SO2)+,調(diào)整后的2=0.759,方差解釋率為76.42%,由此表明多影響因素的GAMs模型擬合度整體較高,高于單一影響因素對(duì)PM2.5濃度變化的擬合效應(yīng),這也從側(cè)面印證了PM2.5濃度的變化受氣象要素和污染物等多種因素共同作用.多影響因素GAMs模型中對(duì)PM2.5濃度變化的影響程度由高到的低依次為:CO>> NO2>SO2>O3>Wind>RH,其中CO是PM2.5濃度變化的主導(dǎo)影響因素.CO作為化石燃料燃燒排放和生物質(zhì)燃燒的產(chǎn)物,通常與一次排放有關(guān),PM2.5之所有與CO相關(guān)性強(qiáng),一個(gè)原因可能是PM2.5中的主要成分是一次排放[15].

以同樣的方式構(gòu)建冬季PM2.5濃度變化的多影響因素GAMs模型如表5所示,、RH、Wind、NO2、SO2、O3和CO7個(gè)解釋變量的值均<0.01,具有統(tǒng)計(jì)學(xué)意義.值得注意的是,冬季W(wǎng)ind、NO2和SO2與PM2.5濃度變化呈線性關(guān)系,而、RH、O3和CO解釋變量均與PM2.5濃度呈非線性關(guān)系.最終構(gòu)建的冬季PM2.5濃度變化的GAMs模型為(PM2.5)=()+(RH)+(O3)+(CO)+Wind+NO2+SO2+,調(diào)整后的2=0.708,方差解釋率為72.2%,冬季多影響因素的GAMs模型中對(duì)PM2.5濃度變化的影響程度由高到低依次為:CO>SO2>NO2>Wind>> RH>O3,與全年類似,CO仍是冬季PM2.5濃度變化的主導(dǎo)影響因素.

表4 2014～2020年P(guān)M2.5濃度與7個(gè)主要影響因素的GAMs模型擬合結(jié)果

表5 2014～2020年冬季PM2.5濃度與7個(gè)影響因素的GAMs模型擬合結(jié)果

2.3 PM2.5濃度變化的多因素影響效應(yīng)診斷分析

通過對(duì)多影響因素(解釋變量)與PM2.5響應(yīng)變量間建立GAMs模型,獲得解釋變量的平滑回歸函數(shù),并得到影響因素對(duì)PM2.5濃度影響效應(yīng)圖(圖2),可知,PM2.5與CO、NO2、SO2、O3、、RH和Wind均呈顯著地非線性關(guān)系,具體而言,PM2.5濃度隨CO濃度的升高近似呈指數(shù)增長;PM2.5濃度隨NO2濃度的升高整體呈波動(dòng)上升趨勢(shì),當(dāng)NO2濃度小于70μg/m3時(shí),上升趨勢(shì)較快,當(dāng)NO2濃度介于70～110μg/m3之間,PM2.5濃度隨NO2濃度的增加呈緩慢上升趨勢(shì),當(dāng)NO2濃度大于110μg/m3后,PM2.5濃度隨NO2的增加近似呈指數(shù)增長趨勢(shì);PM2.5濃度隨SO2(或O3)濃度的增加也呈波動(dòng)增長趨勢(shì),當(dāng)SO2(或O3)濃度小于10μg/m3(80μg/m3)時(shí),增長趨勢(shì)較緩慢,隨后增長趨勢(shì)加快;PM2.5濃度隨的增加呈倒“J”型分布,以7℃(相對(duì)弱低溫)作為平均氣溫臨界值,PM2.5濃度隨平均氣溫的升高呈先增大后減小的趨勢(shì),PM2.5濃度高值出現(xiàn)在7℃附近,本團(tuán)隊(duì)前期的研究發(fā)現(xiàn)污染物高值主要出現(xiàn)在相對(duì)弱低溫條件下,究其原因,相對(duì)弱低溫往往對(duì)應(yīng)當(dāng)?shù)囟酁殪o穩(wěn)天氣(混合層厚度和通風(fēng)系數(shù)均最小),此時(shí)大氣層結(jié)趨于穩(wěn)定,呈現(xiàn)出最不利于大氣污染物擴(kuò)散的氣象條件,進(jìn)而易造成大氣重污染甚至是污染事件的發(fā)生,而隨著氣溫的進(jìn)一步降低,冷空氣活動(dòng)加強(qiáng),污染擴(kuò)散條件好,有利于污染物的擴(kuò)散;而當(dāng)氣溫高于相對(duì)弱低溫,隨著氣溫的進(jìn)一步升高,熱力對(duì)流加強(qiáng),垂直擴(kuò)散條件轉(zhuǎn)好,因此,PM2.5濃度隨平均氣溫的升高呈先增大后減小的趨勢(shì)[17];PM2.5濃度隨RH的增加呈微弱波動(dòng)上升趨勢(shì),高相對(duì)濕度對(duì)應(yīng)的PM2.5濃度較大,其反映了高濕度有利于顆粒物的吸濕增長; PM2.5濃度隨Wind的增加呈倒“J”型分布,以0.8m/s作為Wind臨界值,PM2.5濃度隨Wind的增大呈先增大后減小的趨勢(shì).

圖3為冬季與PM2.5濃度變化密切相關(guān)的7個(gè)解釋變量對(duì)應(yīng)的PM2.5濃度變化影響效應(yīng).可知,冬季PM2.5分別與SO2和NO2均呈線性正相關(guān),而與Wind呈線性負(fù)相關(guān);與全年類似,PM2.5濃度隨的變化呈波動(dòng)趨勢(shì),當(dāng)在7℃附近時(shí)(弱低溫條件),PM2.5濃度最高;此外,PM2.5與RH、O3和CO均近似呈線性正相關(guān)關(guān)系.

圖2 2014～2020年成都市多影響因素對(duì)PM2.5濃度變化的影響效應(yīng)

橫坐標(biāo)為解釋變量的觀測值,縱坐標(biāo)為解釋變量對(duì)PM2.5濃度的平滑擬合值,縱坐標(biāo)括號(hào)中則代表估計(jì)自由度,實(shí)線為解釋變量對(duì)PM2.5濃度的平滑擬合曲線,虛線為95%的置信區(qū)間

圖3 2014～2020年冬季成都市多影響因素對(duì)PM2.5濃度變化的影響效應(yīng)

橫坐標(biāo)為解釋變量的觀測值,縱坐標(biāo)為解釋變量對(duì)PM2.5濃度的平滑擬合值,縱坐標(biāo)括號(hào)中則代表估計(jì)自由度,實(shí)線為解釋變量對(duì)PM2.5濃度的平滑擬合曲線,虛線為95%的置信區(qū)間

2.4 影響因素交互作用對(duì)PM2.5濃度變化的影響效應(yīng)

PM2.5濃度變化受氣象要素和污染物等多種影響因素共同作用,不同的氣象要素、污染物對(duì)PM2.5濃度變化的影響效應(yīng)并非孤立存在,可能存在交互作用.通過將主要影響因素(又稱解釋變量)進(jìn)行交互構(gòu)建GAMs模型,在此基礎(chǔ)上進(jìn)一步分析它們對(duì)PM2.5濃度變化的影響,有利于全面、深入地認(rèn)識(shí)不同解釋變量交互作用對(duì)PM2.5濃度變化的影響作用及特點(diǎn).影響因素兩兩交互作用對(duì)PM2.5濃度變化的影響結(jié)果如表6所示,除CO-O3交叉項(xiàng)外,其余交叉項(xiàng)的估計(jì)自由度均大于1,即其他交叉項(xiàng)與PM2.5濃度變化均呈非線性關(guān)系;模型的2=0.778,方差解釋率78.7%,模型擬合程度整體較高,交互作用影響因素對(duì)PM2.5濃度變化的解釋率較高.模型方程中-CO、-NO2、RH-NO2、RH-SO2、Wind-CO、CO-NO2、CO-SO2和NO2-SO2共8個(gè)交叉解釋變量項(xiàng)均通過顯著性檢驗(yàn),在<0.001水平下顯著影響PM2.5濃度變化,且多數(shù)交叉項(xiàng)是以空氣污染物(CO、NO2和SO2)與氣象要素間(、RH和Wind)的交互作用,這也與PM2.5濃度變化主要受到空氣污染物與氣象要素的交互作用過程影響的特征吻合.

表6 全年影響因素交互作用與PM2.5濃度的GAMs模型假設(shè)檢驗(yàn)結(jié)果

交叉項(xiàng)RH-CORH-NO2RH-SO2RH-O3Wind-COWind-NO2Wind-SO2 估計(jì)自由度1.5223.7947.8879.41217.451.2951.887 參考自由度1.8064.5388.93511.43019.5361.5772.032 F0.1922.5250.5130.1192.0830.9630.830 P0.802628<2×10-16***0.00525**0.1656.72×10-7***0.5960.651

交叉項(xiàng)Wind-O3CO-NO2CO-SO2CO-O3NO2-SO2NO2-O3SO2-O3 估計(jì)自由度4.99624.65122.85123.3552.6342.531 參考自由度5.74527.01324.362125.6822.9692.855 F0.85824.4312.2360.9882.7680.1030.096 P0.614<2×10-16***2.16×10-6***0.320258<2×10-16***0.1790.185

注::平均氣溫; RH:相對(duì)濕度;Wind:平均風(fēng)速.

對(duì)通過顯著性檢驗(yàn)且具有統(tǒng)計(jì)學(xué)意義的驅(qū)動(dòng)因素交互模型進(jìn)行可視化繪圖(圖4),可分析響應(yīng)變量PM2.5濃度在不同自變量維度的同時(shí)變化特征.由圖4(a)(b)可知,與污染物CO或NO2交互作用對(duì)PM2.5濃度的影響效應(yīng)較為類似,即在一定的條件下,PM2.5濃度均隨污染物CO(或NO2)濃度的增加而迅速增大,污染物CO(或NO2)高濃度情況下,當(dāng)位于7℃附近(弱低溫條件下)時(shí),PM2.5濃度達(dá)到峰值,即弱低溫條件下,高濃度的CO(或NO2)有利于PM2.5的生成.由圖4(c)(d)可知,高RH與高濃度NO2(或SO2)共存條件下,對(duì)應(yīng)的PM2.5濃度最大,表明高濃度NO2(或SO2)與高RH對(duì)PM2.5濃度變化的影響存在協(xié)同放大效應(yīng).圖4(e)為Wind與CO交互作用對(duì)PM2.5濃度的影響效應(yīng)圖,由圖4(e)可知,CO濃度越高,Wind在0.8m/s時(shí)對(duì)應(yīng)的PM2.5濃度最大;由圖4(f)(g)(h)可知,CO、NO2和SO2三種污染物對(duì)PM2.5濃度的影響兩兩存在交互效應(yīng),且兩兩交互效應(yīng)較為類似,以CO與NO2交互作用(圖4(f))對(duì)PM2.5濃度的影響效應(yīng)為例,高濃度的CO與高濃度的NO2同時(shí)存在的情況下,PM2.5濃度達(dá)到最大,即CO和NO2交互作用對(duì)PM2.5濃度的增加存在協(xié)同放大效應(yīng);CO-SO2以及NO2-SO2交互作用對(duì)PM2.5濃度的影響與CO-NO2交互作用對(duì)PM2.5濃度的影響效應(yīng)類似.綜上所述,弱低溫(7℃左右)+高RH+高濃度CO+高濃度NO2+高濃度SO2協(xié)同作用條件下有利于PM2.5的生成,其實(shí)質(zhì)反應(yīng)了秋冬季節(jié)靜穩(wěn)天氣條件下,高相對(duì)濕度有利于顆粒物的吸濕增長,從而增加了霧霾出現(xiàn)的概率.

圖4 全年驅(qū)動(dòng)因素對(duì)PM2.5濃度變化影響的三維空間效應(yīng)

冬季影響因素兩兩交互作用對(duì)PM2.5濃度變化的影響結(jié)果中,Wind-CO、Wind-NO2、RH-NO2、SO2-NO2和NO2-CO5項(xiàng)交叉解釋變量項(xiàng)均通過顯著性檢驗(yàn),在<0.001水平下顯著影響PM2.5濃度變化(表略).冬季影響因素交互作用可視化三維圖如圖5所示,由5(a)(b)可知,低風(fēng)速條件下,高濃度的CO(或NO2)對(duì)應(yīng)的PM2.5濃度最高;圖5(c)反映了高RH與高濃度NO2共存條件下,PM2.5濃度達(dá)到峰值;由5(d)(e)可知高濃度的NO2與高濃度的CO(或SO2)共存條件下,對(duì)應(yīng)的PM2.5濃度最高,綜上所述,冬季低Wind+高RH+高濃度CO+高濃度NO2+高濃度SO2協(xié)同作用條件下有利于PM2.5濃度的生成.

圖5 冬季驅(qū)動(dòng)因素對(duì)PM2.5濃度變化影響的三維空間效應(yīng)

3 結(jié)論

3.1 PM2.5濃度變化的單影響因素GAMs模型中,就全年而言,CO、NO2、SO2、和Wind對(duì)PM2.5濃度變化影響的調(diào)整判定系數(shù)(2)均較大(0.208～ 0.675),方差解釋率均較高(21.10%～67.60%),模型擬合度較優(yōu).與全年不同的是,冬季和O3對(duì)PM2.5濃度變化的影響效應(yīng)較全年明顯減弱.

3.2 構(gòu)建的全年多影響因素GAMs模型為(PM2.5)=()+(RH)+(O3)+(CO)+s(Wind)+s(NO2)+s(SO2)+,調(diào)整后的2=0.759,方差解釋率為76.42%,解釋變量的影響程度由高到低依次為:CO>>NO2> SO2>O3>Wind>RH;構(gòu)建的冬季多影響因素GAMs模型為:(PM2.5)=()+(RH)+(O3)+(CO)+Wind+ NO2+SO2+,調(diào)整后的2=0.708,方差解釋率為72.2%,解釋變量的影響程度由高到低依次為:CO> SO2>NO2>Wind>>RH>O3,無論是全年還是冬季, CO都是PM2.5濃度變化的主導(dǎo)影響因素.

3.3 GAMs交互效應(yīng)模型研究發(fā)現(xiàn),全年弱低溫(7℃左右)+高RH+高濃度CO+高濃度NO2+高濃度SO2協(xié)同作用條件下有利于PM2.5濃度的生成;冬季低Wind+高RH+高濃度CO+高濃度NO2+高濃度SO2協(xié)同作用條件下有利于PM2.5的生成,即該條件對(duì)PM2.5濃度的生成有協(xié)同放大效應(yīng).

[1] 張小曳,孫俊英,王亞強(qiáng),等.我國霧-霾成因及其治理的思考[J]. 科學(xué)通報(bào), 2013,58(13):1178-1187.

Zhang X Y, Sun J Y, Wang Y Q, et al. Factors contributing to haze and fog in China (in Chinese) [J]. Chinese Science Bulletin, 2013,58(13): 1178-1187.

[2] Ning G, Wang S, Ma M, et al. Characteristics of air pollution in different zones of Sichuan Basin, China. Science of the Total Environment, 2017,612:975-984.

[3] 劉長煥,鄧雪嬌,朱 彬,等.近10年中國三大經(jīng)濟(jì)區(qū)太陽總輻射特征及其與O3、PM2.5的關(guān)系[J]. 中國環(huán)境科學(xué), 2018,38(8):2820-2829.

Liu C H, Deng X J, Zhu B, et al. Characteristics of GSR of China’s three major economic regions in the past 10years and its relationship with O3and PM2.5[J]. China Environmental Science, 2018,38(8): 2820-2829.

[4] Liao T, Gui K, Jiang W, et al. 2018. Air stagnation and its impact on air quality during winter in Sichuan and Chongqing,southwestern China [J]. Science of The Total Environment, 635:576-585.

[5] 彭 爽,康 平,張小玲,等.成都市大氣顆粒物粒徑分布及其對(duì)能見度的影響[J]. 環(huán)境科學(xué)學(xué)報(bào), 2020,40(12):4432-4441.

Peng S, Kang P, Zhang X L, et al. The size distribution of atmospheric particles in Chengdu and its influence on visibility [J]. Journal of Environmental Science, 2020,40(12):4432-4441

[6] 楊 柳,王式功,張 瑩.成都地區(qū)近3a空氣污染物變化特征及降水對(duì)其影響[J]. 蘭州大學(xué)學(xué)報(bào)(自然科學(xué)版), 2018,54(6):731-738.

Yang L, Wang S G, Zhang Y. Variation characteristics of air pollutants in Chengdu area in recent three years and influence of precipitation on them [J]. Journal of Lanzhou University (NATURAL SCIENCE EDITION), 2018,54(6):731-738

[7] Wang Y, Hopke P K, Xia X, et al. Source apportionment of airborne particulate matter using inorganic and organic species as tracers [J]. Atmospheric Environment, 2012,55(3):525-532.

[8] 洪 也,張 瑩,馬雁軍,等.沈陽大氣污染物與氣象因素對(duì)呼吸疾病門診數(shù)的影響[J]. 中國環(huán)境科學(xué), 2020,40(9):4077-4090.

Hong Y, Zhang Y, Ma Y J, et al. Effects of air pollutants and meteorological factors on the number of respiratory disease clinics in Shenyang [J]. China Environmental Science, 2020,40(9):4077-4090.

[9] 張 瑩,王式功,賈旭偉,等.氣溫與PM2.5協(xié)同作用對(duì)疾病急診就診人數(shù)的影響[J]. 中國環(huán)境科學(xué), 2017,37(8):3175-3182.

Zhang Y, Wang S G, Jia X W, et al. Temperature and PM2.5the impact of synergy on the number of emergency patients [J]. China Environmental Science, 2017,37(8):3175-3182.

[10] 賀 祥,林振山.基于GAM模型分析影響因素交互作用對(duì)PM2.5濃度變化的影響[J]. 環(huán)境科學(xué), 2017,38(1):22-32.

He X, Lin Z S. Analysis of influence factors interaction on PM2.5concentration change based on gam model [J]. Environmental science, 2017,38(1):22-32.

[11] Qian Z M, He Q C, Lin H M, et al. Association of daily cause specific mortality with ambient particle air pollution in Wuhan, China [J]. Environmental research, 2007,105(3):380-389.

[12] Dominici F, Mcdermott A, Zeger S L, et al. On the use of generalized additive models in time-series studies of air pollution and health [J]. American Journal of Epidemiology, 2002,156(3):193-203.

[13] Camalier L, Cox W, Dolwick P. The effects of meteorology on ozone in urban areas and their use in assessing ozone trends [J]. Atmospheric Environment, 2007,41(33):7127-7137.

[14] Wood S N, Pya N, S Fken B. Smoothing parameter and model selection for general smooth models [J]. Journal of the American Statistical Association, 2016,111(516):1548-1563.

[15] Zhu Y H, Yang L X, Kawamura K, et al. Contributions and source identification of biogenic and anthropogenic hydrocarbons to secondary organic aerosols at Mt. Tai in 2014 [J]. Environmental Pollution, 2017,220:863-872.

[16] Zhang Y, Wang S, Fan X, et al. A temperature indicator for heavy air pollution risks (TIP) [J]. Science of The Total Environment, 2019,678.

Interactive effects of the influcening factors on the changes of PM2.5concentration.

ZHANG Ying1,2*, ZHANG Jie1, WANG Shi-gong1, KANG Ping1, ZHANG Jia-xi1, ZHANG Xiao-ling1,3, LI Yun-chao1

(1.Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, Institute of Meteorological Environment and Public Health, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China；2.State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China；3.Institute of Urban Meteorology, China Meteorological Administration, Beijing 100089, China)., 2021,41(10)：4518～4528

To explore the influence characteristics of the interaction effects between meteorological elements and ambient air pollutants on particulate matter with an aerodynamic less than 2.5 (PM2.5), daily air pollutants data and meteorological data during the same period from 2014 to 2020 in Chengdu were collected. Generalized Additive Models (GAMs) were adopted to explore the effects of different factors on PM2.5concentration of Chengdu.The results of single-factor GAMs showed that the relationship between PM2.5concentration and daily average temperature (), relative humidity (RH), wind speed (Wind), precipitation (Prec), ozone (O3), nitrogen dioxide (NO2), sulfur dioxide (SO2), and carbon monoxide (CO) all were nonlinear no matter in the whole year or in winter. It was also found that CO, NO2, SO2,, and Wind all had greater impact on PM2.5concentration. Furthermore, effects ofand O3on PM2.5concentration in winter were weaker than that inwhole year. In the multi-factor GAMs, the combined effects of, RH, SO2, NO2, O3and CO had significant impacts on the change of PM2.5concentration.For whole year, the adjusted judgment coefficient (2) of the multi-factor gams model was 0.759 and the variance explanation rate was 76.42%. For winter, the adjusted2of gams model was 0.708 and the variance explanation rate was 72.2%. CO was the most important influencing factor no matter in whole year or in winter. In the interaction GAMs, for the whole year,it was found that the synergetic effect of moderate low(around 7℃) + high RH + high concentration of CO + high concentration of NO2+ high concentration of SO2were beneficial to the formation of PM2.5in Chengdu, which means this condition had a synergistic amplification effect on the formation of PM2.5concentration. For winter, the coexistence of low wind + high RH + high CO + high NO2+ high SO2were beneficial to the formation of PM2.5, which condition had a synergistic amplification effect on the formation of PM2.5concentration. It was found that GAMs model could not only be used to identify the dominant influencing factors of PM2.5pollution, but also quantitatively analyze the influence of single effect and interaction of influencing factors on the change of PM2.5concentration, which was great significance for local to prevent and control PM2.5pollution.

generalized additive models；the change of PM2.5concentration；influencing factors；interactive effects

X513

A

1000-6923(2021)10-4518-11

張 瑩(1988-),女,陜西寶雞人,講師,博士,主要從事氣象環(huán)境與健康方面的研究.發(fā)表論文40余篇.

2021-02-18

四川省重大科技項(xiàng)目(2018SZDZX0023);四川省科技廳應(yīng)用基礎(chǔ)研究項(xiàng)目(2020YJ0425);成都市科技廳技術(shù)創(chuàng)新研發(fā)項(xiàng)目:(2018-YF05-00219-SN);國家自然科學(xué)基金資助項(xiàng)目(42005136);中國博士后科學(xué)基金(2020M670419);四川省教育廳項(xiàng)目(2018Z114);成都信息工程大學(xué)科研項(xiàng)目(KYTZ201723)

* 責(zé)任作者, 博士, zhangy881208@126.com