福建省2018年环境空气质量时空分布特征研究
福建省大气污染物分布特征和监测网络优化研究
率大 于 １ ０ ％． 是全 省空气污 染最严 重的城市 。
空间代表性 不足 ． 监测结果存 在较大误 差 ：
（ ５ ） 现 有 的空 气 质 量 监 测 网 络 是 以 大 气 中 ３项 主 要 污 染 物（ 可吸人颗粒物 、 二 氧化硫 、 二氧化 氮 ） 为监 测 因子设立 的 ，
污 染特征 污染 物（ 臭氧、 Ｐ Ｍ２ ． ５以及 Ｖ Ｏ Ｃ ｓ ） 为 基础 ， 计算 多污
染 物 的综 合 评 价 浓 度 ， 以成 本 、 地形 地势 、 行 政区域 、 人 口布
局、 交通路 网和空 间覆盖 率等 限制 因素为约 束条 件 ． 建立 区
域 监测 网络优 化布 点模 型 ， 并通 过优化 求解 ． 同 时 与 现 有 的 空气 质量监测 点位进行最 优化或最小 误差化定 量评估 ． 在 满 足《 环境 空气质 量监测 规范 （ 试行） 》 的 网络 监 测 点 位 误 差 要 求情 况下 ． 确 定 区域 空 气 质 量 监 测 网络 各 个 监 测 点 位 的优 化
合 化” 的优化调整 ． 强化 区域联合 监测 ． 整合 区域 内现有 的各 城 市的大气监 测体 系 ． 从 区域 或城市群 的层面优 化 区域 监测
布点． 同时增加 部分 区域性 的大 气环境 监测 网络 ． 构 建 出 一
个 区域一体化 的大气 复合污染监测 网络体 系
利 用 空 气 质 量 模 型 Ｍｏ ｄ ｅ ｌ ｓ 一 ３ ／ Ｃ ＭＡＱ模 拟 基 于 网 格 的 常 规 污染 物 （ 二氧 化硫 、 二 氧化 氮 、 可吸 入颗粒 物 ） 和 区 域 复 合
化” 的态 势 。 因此 ． 为 了准确地 、 及 时 地 反 映 区域 的 大 气 复 合 污染特征 ， 急需对 现有的空气 质量监测 网络进行 “ 一体 化 、 复
空气质量时空分布格局及其影响因素分析
空气质量时空分布格局及其影响因素分析在城市化和工业化进程不断加快的今天，人们对于空气质量的关注日益增加。
空气质量不仅对于人类健康产生明显的影响，还对于生态环境造成巨大的破坏。
因此，了解空气质量的时空分布格局及其影响因素成为一个重要的研究课题。
一、时空分布格局空气质量的时空分布格局主要受到以下因素的影响：1.工业排放工业排放是造成某些城市空气质量恶化的主要因素之一。
根据国家环境保护部发布的《2019年全国城市空气质量排名》，2019年全国PM2.5浓度前10位的城市中，有7个是工业城市。
例如河北省唐山市、邯郸市、邢台市等，这些城市工业发达，工业排放量大，空气质量受到了很大的影响。
2.交通排放交通排放是另一个影响城市空气质量的重要因素。
城市交通量大、车辆密度高的区域，空气中的PM2.5等有害物质浓度也普遍较高。
例如北京市，在2013年发布的全球PM2.5浓度排名中，由于交通污染问题，北京市PM2.5浓度较高，位于全球城市排名第一。
3.气象条件气象条件也对空气质量产生一定的影响。
例如在风力较小的情况下，大气污染物的扩散能力较差，容易产生气象倒挂，这会造成空气污染物在低空积聚，空气质量明显下降。
此外，气温高、湿度大的时候，有害物质易在空气中停留，也会造成空气污染。
二、影响因素分析影响空气质量的因素不仅有上述三种，还包括以下几点：1.排放源的种类和数量不同种类的排放源对于空气质量的影响也不同。
例如，挥发性有机物污染物的排放主要来源于化学工业、城市交通、印刷、造纸、锅炉等，而PM2.5污染物的排放主要来源于工业、交通和燃煤取暖等。
排放源的数量也是影响空气质量的关键因素之一。
2.地形和城市规划地形和城市规划也对空气质量产生重要影响。
若城市周边山脉环绕，进入城市的气流受到阻挡，容易产生地理障碍，使得污染物在低空大量积聚；城市规划中，如果大量新建建筑物，会严重影响空气污染物的排放与扩散。
3.人类活动水平人类的活动水平也是影响空气质量的重要因素。
福建省空气质量状况及碳排放影响因素的统计建模分析
福建省空气质量状况及碳排放影响因素的统计建模分析福州大学黄河、郭媛、苏毅目录摘要 (2)关键词 (2)一、引言 (3)二、我国主要城市空气质量的聚类分析 (3)1、相关背景 (3)2、系统聚类分析 (4)三、福建省空气质量分析——以福州市为例 (8)1、相关背景 (8)2、福州市历年空气污染指数的简单描述性分析 (8)3、空气污染指数变化趋势描述 (10)4、空气质量级别分析 (12)四、福建省碳排放情况的描述性统计分析 (14)1、相关背景 (14)2、福建省碳排放情况的统计分析 (15)五、基于因子分析法的福建省碳排放的影响因素分析 (17)六、建议和总结 (22)参考文献 (24)福建省空气质量状况及碳排放影响因素的统计建模分析摘要：近年来，福建省推出建设海西城市，建设节能环保城市的政策，积极响应了国家“十一五”规划的“低碳”目标。
为此，我们通过描述性分析、聚类分析、因子分析等统计分析方法，深入探讨福州市空气质量状况、福建省的碳排放情况及福建省碳排放的影响因素等，最后我们深入剖析产生这些结论的原因以及提出可行性建议。
本文致力于对福建省整体环境情况的一个了解和对“低碳”的宣传，让福建省能在建设和谐海西城市中更好地发展。
本文的数据主要来源于福建省统计局和福建省环境保护局。
关键词：福建空气质量低碳统计模型建议Fujian Province's Air QualityAnd Carbon emission factors of Statistical modeling analysisAbstract：In recent years, Fujian Province, launched construction of Hercynian city, the city's policy of building energy saving, positive response to the national "Eleventh Five-Year Plan" of "low carbon" target. T o this end, we describe the analysis, cluster analysis, factor analysis and other statistical analysis methods to study the air quality in Fuzhou, Fujian Province, Fujian Province, carbon emissions and the impact of carbon emission factors, and finally generate our in-depth analysis of these reasons and conclusions put forward feasible suggestions. This paper is committed to the overall environmental situation of Fujian Province, one of understanding and the "low carbon" propaganda, so Fujian Hercynian in building a harmonious development of the city better. This data comes mainly from the Fujian Province and Fujian Province Environmental Protection Bureau of Statistics.Key Words: Fujian Air Quality low-carbon Statistical model suggestion一、引言为了改善环境空气质量，防止生态破坏，创造清洁适宜的环境，保护人体健康，根据中国环境保护法规的要求，为掌握和评价空气质量状况和污染变化趋势，部分城市环境质量监测系统对国家空气质量标准中规定的几种常见污染物开始进行例行监测。
大气污染物的时空分布特征与趋势分析
大气污染物的时空分布特征与趋势分析大气污染是当今社会面临的重大问题之一。
随着城市化和工业化的快速发展，大气污染物的排放不断增加，对人类健康和生态环境带来了严重的影响。
为了更好地理解大气污染的时空分布特征和趋势，我们需要对不同污染物及其来源进行深入分析。
首先，大气污染物的时空分布特征主要受到污染物的来源和传输途径的影响。
根据研究发现，工业排放、交通尾气、农业活动和能源燃烧是主要的大气污染源。
其中，工业排放和交通尾气是城市大气污染的主要贡献因素，而农业活动则在农村地区产生了一定程度的污染。
此外，能源燃烧是全球大气污染的主要来源之一，包括化石燃料的燃烧和生物质燃烧。
由于污染物的排放量和传输途径的差异，不同地区的大气污染物浓度存在明显的差异。
其次，大气污染物的时空分布特征还受到气象条件和地理环境的影响。
气象条件如风场、气温和降水等会直接影响污染物的扩散和沉降。
例如，在无风或风速较低的夜间和清晨，大气污染物往往会积聚在地面上，导致空气质量下降。
而在有风的情况下，污染物会随着风的方向传播，使得受污染的范围扩散。
此外，地理环境的因素如地形、海陆分布等也会对大气污染物的分布产生影响。
比如，山地地区在气象形势不利的情况下更容易形成气流逆转，导致污染物聚集，进一步加剧了大气污染的程度。
要对大气污染物的时空分布趋势进行分析，我们可以利用大量监测数据和模型模拟结果进行研究。
通过对历史数据的分析，可以了解不同污染物浓度在不同地区的时空变化规律。
而对未来趋势的预测则需要借助模型模拟的手段。
通过对排放量变化、政策措施和技术进步等因素的综合考虑，可以预测未来大气污染物的减排情况和空气质量改善的趋势。
根据相关研究报告和数据，大气污染物的时空分布特征和趋势存在一些普遍规律。
首先，城市和工业化地区的大气污染物浓度普遍较高，特别是在高峰时段和冬季。
这与城市化和工业化进程导致的排放增加有关。
其次，农村地区的大气污染物浓度相对较低，但农业活动带来的污染也不容忽视。
大气污染物在不同季节下的时空分布特征
大气污染物在不同季节下的时空分布特征大气污染是一个全球性的环境问题，对人类的健康以及生态系统造成了严重的影响。
大气污染物的时空分布特征是研究大气环境质量的重要指标，不同季节下的时空分布特征更加丰富多样。
本文将从春夏秋冬四个季节的角度，探讨大气污染物的时空分布特征。
春天是大气污染物时空分布特征相对较为稳定的季节。
随着气温的回升和降水的增加，大气污染物的浓度相对较低。
首先是颗粒物(PM2.5和PM10)的浓度呈下降趋势，尤其是在风速较大的地区。
其次，二氧化硫(SO2)和氮氧化物(NOx)的浓度也有所下降，这主要与春季大气气温升高、光照增强有关。
此外，春季还是植物生长的季节，植物对大气中的二氧化碳进行光合作用，吸收了一部分大气污染物，起到净化空气的作用。
夏季是大气污染物浓度较高的季节，主要原因是气象条件与污染排放的相互作用。
首先，夏季高温天气导致大气稳定层高度降低，污染物不易扩散，导致浓度上升。
其次，夏季是气象扩散条件相对较差的季节，特别是在静风天气中，大气污染物的积累程度更高。
此外，夏季是农作物生长的季节，农业活动带来的农药和化肥的使用，也会对大气环境造成一定的污染。
秋季是大气污染物浓度开始下降的季节，但仍然有一些特殊情况需要关注。
首先，秋季是大气污染物传输的季节，当地的空气质量受附近地区的影响较大。
尤其是在气温适宜，风速较小的条件下，大气污染物的传输距离较短，容易造成区域性污染。
其次，秋季是冬季取暖季节的过渡期，燃煤等传统取暖方式的使用增加，也会对大气环境带来一定的负面影响。
冬季是大气污染物浓度高峰期的季节，特别是在北方地区。
首先，冬季是大气逆温层形成的季节，逆温层内大气稳定，污染物扩散受阻，致使污染物浓度升高。
其次，冬季是取暖季节，大量的煤炭和石油等化石燃料的燃烧会产生大量的颗粒物和硫、氮氧化物等污染物。
此外，冬季气象条件相对较差，风速较小，也限制了污染物的扩散。
总体而言，大气污染物在不同季节下的时空分布特征受气象条件、人类活动以及地理位置等多种因素影响。
大气污染物的时空分布特征与污染模式研究
大气污染物的时空分布特征与污染模式研究近年来，随着工业化和城市化的飞速发展，大气污染已经成为全球面临的一个严重问题。
大气污染不仅给人们的健康造成威胁，还对生态环境产生了严重的破坏。
因此，研究大气污染物的时空分布特征以及污染模式，对于制定科学的环境保护政策和减少污染物排放具有重要意义。
首先，大气污染物的时空分布特征是研究大气污染的基础。
大气污染物主要包括颗粒物、臭氧、二氧化硫、氮氧化物等。
这些污染物在空间上存在着不均匀的分布。
通常情况下，城市和工业区的大气污染程度更高，而农村和远离工业区的地方污染较轻。
而在时间上，大气污染物的浓度也存在着显著的季节性变化。
例如，冬季由于取暖需求增加和较低的温度，污染物浓度常常较高。
而夏季由于气象条件较好和较高的温度，大气污染物则相对较低。
其次，大气污染物的时空分布特征是由多种因素共同作用造成的。
首先是人类活动导致的污染物排放。
工业生产、交通运输和能源利用等活动是主要的污染源。
然而，大气污染物的排放不仅源于人类活动，也受到气象条件、地理环境和气候变化等因素的影响。
例如，气象条件中的湿度、气温和风速等都会影响大气污染物的扩散和传输。
此外，地理环境也会对大气污染物的分布产生重要影响。
例如，山脉和平原的不同地形会导致大气污染物在空间上的分布存在差异。
针对大气污染物的时空分布特征，科学家们开展了大量的研究工作，总结出了一些污染模式。
其中，最为常见的是点源污染模式和区域污染模式。
点源污染模式主要是指污染物排放源相对集中的地区所呈现出的排放浓度高、范围狭窄的特征。
而区域污染模式则是指污染物在一个较大范围内均匀分布的特征，常见于城市和工业区周边地区。
此外，还有径流输送和长距离输送等其他污染模式。
这些模式的研究有助于我们深入了解大气污染物的扩散和传输规律，为制定有效的污染控制措施提供科学依据。
目前，大气污染物的时空分布特征和污染模式的研究已经取得了一些成果，但仍然存在一些问题和亟待解决的挑战。
不同天气形势下福建省环境空气质量特征研究
不同天气形势下福建省环境空气质量特征研究黄艳艳【摘要】该文利用2014年9月～2015年8月福建省9个设区市PM10、PM2.5逐日浓度资料及NCEP/NCAR再分析逐日高度场、风场(垂直方向为17层,分辨率为2.5°×2.5°)资料,分析福建省不同天气形势下的污染物浓度变化特征,并将其应用于环境空气质量预报业务中.得出结论:(1)高空脊、暖区辐合为不利扩散的环流形势,高空脊影响过程中,多个设区市环境空气质量处于轻度污染水平;受暖区辐合影响时,多个设区市环境空气质量处于良的水平,多个时段出现轻度污染事件.(2)高空槽、副热带高压及其边缘、台风及其外围为有利扩散的环流形势,受其影响期间,各设区市环境空气质量处于优良水平.(3)西北气流带、西南气流带、平直西风气流带在不同的季节,其扩散能力不同,各设区市环境空气质量处于良的水平.【期刊名称】《海峡科学》【年(卷),期】2016(000)006【总页数】4页(P65-68)【关键词】福建省;天气形势;空气质量预报【作者】黄艳艳【作者单位】福建省环境监测中心站预报预警中心【正文语种】中文1 概述大气污染是较为突出的环境问题，危害人体健康、影响植物生长、影响气候变化等，给居民生活带来严重的不利影响[1-3]。
随着社会经济发展，公众环保意识逐渐提高，对环境空气质量的优劣日益关注[4]，预知环境空气质量变化已成为公众的迫切需求。
20世纪70年代起，美国开始做大气污染数值预报，发展至今，国内许多大中城市已开展空气质量预报业务[4]。
运用数值预报模型，成功为北京奥运会、上海世博会等空气质量服务提供了有力的保障[5-12]。
数值模式可以直观展现污染物浓度变化情况，但各种模型中存在着预报的不确定性，增加了环境空气质量预报的难度[13]，福州市的环境空气质量预报早有涉及该模式[14-17]。
就福建省而言，环境空气质量预报工作处于起步发展阶段[18]，为了精准把握环境空气质量变化情况，需要准确认识不同天气形势下大气污染物的浓度情况，因此对不同天气形势下环境空气质量的变化特征及其在空气质量预报中的作用进行讨论十分必要。
城市空气污染的时空分布特征及成因研究
城市空气污染的时空分布特征及成因研究近年来，随着城市化的不断进展，城市空气污染问题越来越严重，给人们的健康造成了极大的威胁。
为了更好地了解城市空气污染的时空分布特征及成因，许多研究人员进行了深入探讨，本文也将从这两个方面入手，进行分析说明。
一、城市空气污染的时空分布特征城市空气污染的时空分布特征是指在不同的时间和地点，空气污染物浓度的空间分布和时间变化。
实际观察发现，城市空气污染每天大致分为三个阶段：清晨、白天和夜晚。
其中，清晨是一天中污染物浓度最高的时刻，在此时段，气象条件较稳定，反应开放源排放影响显著，加之机动车运行频繁，导致污染物浓度高。
白天空气污染物的浓度相对较低，主要是因为大气扩散条件较好，同时大量植被的释氧作用也在一定程度上帮助净化空气。
晚上城市空气污染又会回到污染物浓度较高的状态，这是因为晚上大气混合层变得非常低，在污染物排放源的影响下，污染物浓度又会上升。
因此，城市空气污染的时空分布特征与时间和地点息息相关。
城市环境污染的地理特征也主要在不同城市之间表现出较大的差异。
一般来说，大城市的污染程度较高，这是由于这些城市的人口密度较大、工业企业集中度较高、交通压力较大等因素导致的。
而在发达国家，城市化程度较高的地区污染比较严重，而发展中国家的城市则普遍存在严重的空气污染问题。
二、城市空气污染的成因城市空气污染的成因是极为复杂且多种因素交织作用的结果。
主要可以分为自然因素和人为因素两大类。
自然因素主要包括大气层流、气象条件、地理和地形等。
大气层流与城市地理位置有关，在气流的推动下，空气污染物可能会被转移到城市周边区域。
交通道路和城市建筑物等构成的城市不良地质结构，特别是山谷地形所形成的环境效应，会影响空气污染物在城市内的转移和瞬时排放，从而导致污染物浓度的高低不一。
人为因素则主要包括工业排放、机动车尾气排放、建筑施工和管理等，这些都是城市空气污染的主要源头。
工业排放主要包括废气、废水和废弃物等三个方面，其中，废气排放是首要问题。
大气污染物的排放特征和时空分布研究
大气污染物的排放特征和时空分布研究随着社会经济的发展和工业化进程的加快，大气污染已经成为人们关注的重要问题之一。
大气污染物的排放特征和时空分布研究对于制定科学合理的环境政策以及采取有效的治理措施具有重要意义。
在大气污染物的排放特征方面，煤炭、石油和天然气等化石燃料的燃烧是主要的源头。
这些燃烧过程中产生的二氧化碳、氮氧化物、挥发性有机物和颗粒物等污染物排放量巨大。
此外，工业生产、交通运输、农业活动等也是排放大气污染物的重要贡献者。
不同的排放源具有不同的排放强度和排放方式，例如，工业企业通常集中在城市和工业园区，而农业活动主要集中在农村和农田。
大气污染物的时空分布与其排放源和气象条件密切相关。
一般来说，大城市和工业集中区是大气污染物浓度较高的地方。
这是因为大城市的人口密度高，车辆排放和工业生产等活动集中在此，导致大量的污染物排放。
此外，城市中的高楼大厦和窄巷容易导致空气流通不畅，加剧了污染物的积累。
然而，大气污染物的时空分布也会受到气象条件的影响。
例如，风向风速、温度、湿度和降水等因素都会影响污染物传输和扩散。
在风向不利的情况下，大气污染物容易在特定区域积累，形成污染团。
近年来，针对大气污染物的排放特征和时空分布进行了广泛的研究。
通过监测站点的布设和监测数据的收集，研究人员可以获得某一地区或特定时段的污染物浓度数据。
利用这些数据，可以通过统计分析方法来研究大气污染物的排放特征。
例如，可以计算不同排放源的贡献率，分析不同排放源对大气污染的影响程度，进而有针对性地采取污染治理措施。
此外，还可以利用气象数据和大气化学模型来模拟和预测大气污染物的时空分布。
这些模型可以准确地模拟污染物的传输和化学转化过程，提供科学依据和参考，为环境决策和风险评估提供支持。
大气污染物的排放特征和时空分布研究的结果为环境保护和污染治理提供了重要的参考依据。
通过了解和分析大气污染物的源头和传输规律，可以制定合理的排放标准和治理措施，减少污染物的排放，降低大气污染的程度。
2018年12月全省环境空气质量排名情况
2018年12月全省环境空气质量排名情况一、全省11个设区市空气质量综合指数及同比变化幅度排名按空气质量综合指数由小到大的顺序依次是：张家口（3.62）、承德（4.67）、秦皇岛（5.06）、廊坊（6.07）、沧州（6.76）、衡水（6.87）、唐山（6.93）、邢台（7.99）、邯郸、石家庄和保定（8.35）（详见附件1）。
按空气质量综合指数同比下降幅度由大到小的顺序依次是：沧州（下降13.3%）、邯郸（下降12.8%）、衡水（下降10.2%）、秦皇岛（下降9.5%）、承德（下降6.8%）、唐山（下降6.7%）、保定（下降4.9%）、邢台（下降4.1%）、石家庄（下降3.0%）、廊坊（上升5.0%）、张家口（上升5.2%）（详见附件2）。
浓度及同比变化幅度排名二、全省11个设区市PM2.5按PM浓度由低到高的顺序依次是：张家口（29）、承德2.5（37）、秦皇岛（42）、廊坊（59）、唐山（63）、沧州（72）、衡水（80）、邢台（91）、邯郸（93）、石家庄（94）、保定（96）（详见附件3）。
按PM浓度同比下降幅度由大到小的顺序依次是：邯郸2.5（下降20.5%）、沧州（下降20.0%）、衡水（下降17.5%）、唐山（下降16.0%）、承德（下降9.8%）、秦皇岛（下降8.7%）、保定（下降4.0%）、邢台（下降3.2%）、石家庄（下降2.1%）、廊坊（上升1.7%）、张家口（上升11.5%）（详见附件4）。
三、全省168个县（市、区）空气质量综合指数及同比变化幅度排名按空气质量综合指数由小到大的顺序，前20名县（市、区）依次是：张家口市崇礼区(2.22)、赤城县(2.45)、康保县(2.45)、张北县(2.64)、沽源县(2.80)、张家口市万全区(3.03)、张家口市桥东区(3.60)、张家口市桥西区(3.63)、怀安县(3.76)、尚义县(3.82)、涿鹿县(3.88)、兴隆县(4.03)、怀来县(4.21)、围场满族蒙古族自治县(4.34)、阳原县(4.35)、承德市双桥区(4.46)、昌黎县(4.51)、张家口市宣化区(4.54)、秦皇岛市北戴河区(4.61)、丰宁满族自治县(4.61);空气质量综合指数排名后20名县（市、区）从倒数第一名起依次是：博野县(11.04)、保定市清苑区(10.72)、晋州市(10.42)、无极县(10.27)、深泽县(10.24)、蠡县(9.77)、鸡泽县(9.74)、武安市(9.71)、宁晋县(9.53)、平乡县(9.51)、柏乡县(9.49)、隆尧县(9.47)、高阳县(9.44)、顺平县(9.37)、赵县(9.35)、安国市(9.35)、磁县(9.27)、石家庄市藁城区(9.20)、望都县(9.18)、广宗县(9.16)、广平县(9.16)(详见附件5）。
福州市大气污染空间分布特征分析
收稿日期:２０１８－０３－１２ꎻ修订日期:２０１９－０１－０９基金项目:国家自然科学基金资助项目(４１４０１０５２)ꎻ国家科技支撑计划基金资助项目(２０１３ＢＡＣ０８Ｂ００)ꎻ福建省教育厅基金资助项目(ＪＡＴ１７００６１)作者简介:梁娟珠(１９７８ )ꎬ女ꎬ福建福清人ꎬ助理研究员ꎬ博士ꎬ主要研究方向为ＧＩＳ空间分析ꎮ调查与评价福州市大气污染空间分布特征分析梁娟珠ꎬ周俊佳(福州大学空间数据挖掘与信息共享教育部重点实验室ꎬ福建㊀福州㊀３５０００２)摘㊀要:利用２０１５年福州主城区６个大气国控点的６种主要大气污染物逐时监测数据㊁气象数据及空间基础数据等ꎬ通过增设站点后进行空间插值的方法分析大气污染物浓度的空间分布特征ꎮ结果表明:福州市大气中ＰＭ２.５㊁ＰＭ１０最高值分别为３５.５７μｇ/ｍ３和６２.３５μｇ/ｍ３ꎬ高浓度区域集中在主城区中心和近郊区ꎬ其中台江区污染程度相对较高ꎻＯ３最高值为９４.８５μｇ/ｍ３ꎬ较高浓度主要集中在晋安区内海拔较高的森林地区ꎻＣＯ㊁ＳＯ２和ＮＯ２最高浓度低于一级标准浓度限值ꎬ高浓度区域分布在主城区中心ꎮ㊀关键词:大气污染物ꎻ空间分布特征ꎻ空间插值ꎻ福州中图分类号:Ｘ５１㊀㊀㊀文献标志码:Ｂ㊀㊀㊀文章编号:１００６－２００９(２０１９)０２－００３０－０５ＳｐａｔｉａｌＤｉｓｔｒｉｂｕｔｉｏｎＣｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＡｉｒＰｏｌｌｕｔａｎｔｉｎＦｕｚｈｏｕＬＩＡＮＧＪｕａｎ￣ｚｈｕꎬＺＨＯＵＪｕｎ￣ｊｉａ(ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｐａｔｉａｌＤａｔａＭｉｎｉｎｇ＆ＩｎｆｏｒｍａｔｉｏｎＳｈａｒｉｎｇｏｆＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎꎬＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙꎬＦｕｚｈｏｕꎬＦｕｊｉａｎ３５０００２ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｂａｓｅｄｏｎｔｈｅｍｏｎｉｔｏｒｉｎｇｄａｔａｏｆ６ｐｏｌｌｕｔａｎｔｓｆｒｏｍ６ｎａｔｉｏｎａｌｓａｍｐｌｉｎｇｓｉｔｅｓꎬｔｈｅｍｅｔｅｏｒｏｌｏｇｉｃａｌｄａｔａａｎｄｂａｓｉｃｓｐａｔｉａｌｄａｔａｉｎｔｈｅｍａｉｎｕｒｂａｎａｒｅａｏｆＦｕｚｈｏｕｉｎ２０１５ꎬｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｐｏｌｌｕｔａｎｔｓｗｅｒｅａｎａｌｙｚｅｄｂｙｕｓｉｎｇｓｐａｔｉａｌｉｎｔｅｒｐｏｌａｔｉｏｎｍｅｔｈｏｄａｆｔｅｒａｄｄｉｎｇｍｏｒｅｓｉｔｅｓ.ＲｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｍａｘｉｍｕｍｏｆＰＭ２.５ａｎｄＰＭ１０ｗｅｒｅ３５.５７μｇ/ｍ３ａｎｄ６２.３５μｇ/ｍ３ꎬｒｅｓｐｅｃｔｉｖｅｌｙ.Ｔｈｅａｒｅａｓｏｆｈｉｇｈｃｏｎｃｅｎ￣ｔｒａｔｉｏｎｗｅｒｅｉｎｔｈｅｃｅｎｔｒａｌｃｉｔｙａｎｄｔｈｅｓｕｂｕｒｂｓ.ＴｈｅｐｏｌｌｕｔｉｏｎｉｎＴａｉｊｉａｎｇｄｉｓｔｒｉｃｔｗａｓｒｅｌａｔｉｖｅｌｙｓｅｒｉｏｕｓ.Ｔｈｅｍａｘ￣ｉｍｕｍｏｆＯ３ｗａｓ９４.８５μｇ/ｍ３ꎬａｎｄｔｈｅｈｉｇｈｃｏｎｃｅｎｔｒａｔｉｏｎａｒｅａｗａｓｍａｉｎｌｙｉｎｈｉｇｈａｌｔｉｔｕｄｅｆｏｒｅｓｔｉｎＪｉｎａｎｄｉｓ￣ｔｒｉｃｔ.ＴｈｅｈｉｇｈｅｓｔｃｏｎｃｅｎｔｒａｔｉｏｎｓｏｆＣＯꎬＳＯ２ａｎｄＮＯ２ｗｅｒｅａｌｌｂｅｌｏｗｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｓｔａｎｄａｒｄｌｉｍｉｔｓｏｆｆｉｒｓｔｇｒａｄｅꎬａｎｄｔｈｅｈｉｇｈｃｏｎｃｅｎｔｒａｔｉｏｎａｒｅａｗａｓｉｎｃｅｎｔｒａｌｃｉｔｙ.Ｋｅｙｗｏｒｄｓ:ＡｉｒｐｏｌｌｕｔａｎｔｓꎻＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃꎻＳｐａｔｉａｌｉｎｔｅｒｐｏｌａｔｉｏｎꎻＦｕｚｈｏｕ㊀㊀大气环境污染严重危害人类健康ꎬ给市民的生活和出行都带来诸多不利影响[１－２]ꎮ环境污染是许多国家在城镇化进程㊁工业化发展过程中不可避免的问题ꎮ在此背景下ꎬ大气环境污染问题一直是众多学者的研究热点ꎬ在污染物时空分布[３－５]㊁污染物之间的关系[６－８]㊁污染物的影响因素[９－１１]㊁大气区域分布[１２－１４]等方面进行了大量研究ꎮ然而ꎬ对区域内大气污染物浓度变异情况研究较少ꎬ针对福州地区污染物分布特征的研究也较少ꎮ由于城市污染物种类㊁污染程度的独特性[１５]ꎬ要控制大气污染ꎬ了解城市大气污染物的时空特征[１６]就显得格外重要ꎮ今利用２０１５年福州主城区主要大气污染物逐时浓度数据ꎬ对福州市区大气污染物空间分布特征开展研究ꎬ为管理部门有针对性地进行大气污染防控与治理提供支持ꎮ１㊀材料与方法１.１㊀研究区概况福州市地处我国东南沿海ꎬ全市地貌类型以丘０３ 第３１卷㊀第２期环境监测管理与技术２０１９年４月陵㊁低山为主ꎬ大致呈半环状分布ꎬ西部以山地为主ꎬ东部以丘陵为主ꎮ在该市主城区内布设有６个大气国控监测站点ꎬ分别为鼓山㊁快安㊁师大㊁五四北路㊁杨桥西路㊁紫阳ꎬ点位分布见图１ꎮ图１㊀福州市主城区大气监测站点分布Ｆｉｇ.１㊀ＤｉｓｔｒｉｂｕｔｉｏｎｏｆａｉｒｑｕａｌｉｔｙｍｏｎｉｔｏｒｉｎｇｓｉｔｅｓｉｎｔｈｅｍａｉｎｕｒｂａｎａｒｅａｏｆＦｕｚｈｏｕ１.２㊀数据资料使用监测数据来自福建省生态环境厅网站发布的２０１５年福州市６个大气国控点监测的大气污染物ＣＯ㊁ＳＯ２㊁ＮＯ２㊁Ｏ３㊁ＰＭ２.５㊁ＰＭ１０连续逐小时数据ꎮ使用的其他数据还包括:①数字高程模型(空间分辨率为３０ｍ)ꎻ②卫星遥感数据ꎬ采用２０１４年分辨率为３０ｍ的Ｌａｎｄｓａｔ－８ＯＬＩ数据ꎻ③加油站分布数据ꎬ利用百度地图经纬度拾取系统获取整个福州主城区的加油站数量及坐标经纬度ꎻ④福州主城区道路数据ꎬ利用ＯｐｅｎＳｔｒｅｅｔＭａｐ获取福州主城区的路网数据ꎮ１.３㊀研究方法对监测数据缺失值采用相邻均值填充ꎬ采用Ｏｒａｃｌｅ１１ｇ数据库系统对数据进行整理统计ꎬ采用ＡｒｃＧＩＳ软件进行空间分析操作与专题图表输出ꎬ通过ＳＰＳＳ１８.０软件进行相关性分析ꎮ２㊀结果与讨论空间插值结果的精度取决于模型对因素空间分布特征的反映ꎬ不同模型算法只是从不同途径对该分布特征的逼近[１７]ꎮ对于监测站点较少或稀疏区域的大气污染浓度模拟无法摆脱采样率过低㊁数据缺失所造成的较大误差与不确定性ꎬ通过不舍弃原有监测站点数据ꎬ在研究区内生成虚拟监测站点ꎬ利用特征影响因子推算虚拟站点数值进行空间插值分析是目前比较有效的方法[１８]ꎮ２.１㊀大气环境污染插值站点建立对于大气环境插值站点的建立ꎬ文中假设其为均匀分布在研究区内ꎮ因此ꎬ首先要确定各站点之间距离ꎬ通过对研究区内实测站点各大气污染物浓度作地学统计分析ꎬ确定２ｋｍ为比较合适的抽样间隔ꎮ对研究区内实测站点生成以２ｋｍ为半径的圆形影响区ꎬ统计相邻站点距离ꎬ作最小距离相邻站点之间连接线ꎬ然后根据中垂线原理ꎬ作连接线的中垂线ꎬ接着作圆心在中垂线上临近圆形影响区半径为２ｋｍ的外切圆ꎬ取该外切圆圆心为插值站点位置ꎬ以提高站点分布的均匀度ꎬ进而提高局部估计的精度ꎮ反复进行上述步骤ꎬ直至将研究区域铺满插值站点ꎬ见图２ꎮ由此ꎬ在研究区内增加了１６个插值站点ꎬ加上原有６个实测站点ꎬ研究区内共有２２个大气环境实测及插值站点ꎮ图２㊀研究区内大气插值站点建立Ｆｉｇ.２㊀Ｅｓｔａｂｌｉｓｈｍｅｎｔｏｆｉｎｔｅｒｐｏｌａｔｉｏｎｓｉｔｅｓｉｎｔｈｅｓｔｕｄｙａｒｅａ２.２㊀多元逐步回归模型在完成插值站点建立与布局的基础上对其污染物浓度进行计算ꎬ建立多元回归模型模拟研究分析ꎮ通过比较向前引入法㊁向后剔除法和逐步回归分析这些最优回归方程的方法发现ꎬ逐步回归分析方法克服了变量多重共线性和解释的优良有效性ꎬ在筛选变量方面较为理想ꎮ２.３㊀大气环境污染影响因子相关分析城市大气环境污染受很多因子的影响ꎬ主要有以下几类:①近地污染物排放情况ꎬ排出量㊁排放高度㊁排放方式㊁排出物特征ꎻ②气象因素ꎬ风向㊁风速㊁气温㊁湿度㊁降雨量ꎻ③地形地貌ꎬ海拔高度㊁植被覆盖度㊁建筑物密度㊁路网密度ꎮ由于研究区尺度较小ꎬ同一时间各插值站点之间的气象条件差异不大ꎬ故在空间分布分析时忽略１３气象因子ꎮ由于城市内加油站数量较多ꎬ并且连续不断向外排放污染物ꎬ是城市ＰＭ２.５污染的来源之一ꎬ故将其纳入影响因子中ꎮ除此之外ꎬ路网密度的高低反映了车流量的多少ꎬ而汽车尾气是城市中主要污染源之一ꎬ海拔高度㊁建筑物密度和植被覆盖度则影响了大气污染物的扩散速度ꎮ因此ꎬ从城市大气环境质量的众多影响因子中选取５个影响因子:海拔高度(ｘ１)㊁植被覆盖度(ｘ２)㊁建筑物密度(ｘ３)㊁路网密度(ｘ４)㊁加油站数量(ｘ５)ꎬ其中ｘ１通过ＤＥＭ数据获取ꎬｘ２㊁ｘ３通过遥感影像分类图计算获取ꎬｘ４为单位面积(站点影响区)路网长度ꎬ各单位面积内的影响因子信息见图３ꎮ根据上述影响因子之间的相关系数矩阵可以发现ꎬ各影响因子之间共线性并不是很强ꎬ故不将影响因子舍弃ꎬ将其全部纳入回归模型的备选因子中ꎮ各影响因子之间的相关系数均达到显著性水平ꎮ２.４㊀大气环境污染模型的建立通过相关系数矩阵发现ꎬ有少数污染物浓度与图３㊀单位面积内各影响因子信息Ｆｉｇ.３㊀Ｉｎｆｏｒｍａｔｉｏｎｏｆｅａｃｈｉｎｆｌｕｅｎｃｅｆａｃｔｏｒｐｅｒｕｎｉｔａｒｅａ影响因子之间相关系数的显著性水平不高ꎮ在建立大气污染物浓度回归模型中ꎬ根据自变量对因变量作用的显著程度ꎬ假设已有３个自变量(ｘｉꎬｘｊꎬｘｋ)引入回归方程ꎬ利用逐步回归思想ꎬ逐一引入或剔除影响因子ꎮ最终根据系数Ｒ２㊁调整确定系数Ａｄｊ－Ｒ２和统计量Ｆ值确定各污染物浓度的影响因子ꎬ并建立回归模型ꎬ见表１ꎮ表１㊀各污染物回归方程①Ｔａｂｌｅ１㊀Ｒｅｇｒｅｓｓｉｏｎｅｑｕａｔｉｏｎｏｆｅａｃｈｐｏｌｌｕｔａｎｔ①污染物回归方程Ｒ２Ａｄｊ－Ｒ２ＳｉｇＣＯ０.８７６－０.０９９ｘ２－０.３２２ｘ３－０.０６９ｘ４＋０.００４ｘ５０.９５６０.９３２０.００２ＳＯ２２１.３６６－１６.６５４ｘ２－１３.７５６ｘ３－４.２６８ｘ４－０.２０６ｘ５０.９７４０.９６３０.０４７ＮＯ２３４.２８－０.０１９ｘ１－９.９９９ｘ２＋３.０６８ｘ３０.９８７０.９６７０.０２０Ｏ３５５.２６６＋０.０６９ｘ１－５.５０７ｘ３－１６.４１８ｘ４０.９９６０.９９００.００６ＰＭ２.５６４.６５３－４０.４７１ｘ２－３３.１７３ｘ３－９.１５１ｘ４－０.３１２ｘ５０.９８８０.９４１０.０２４ＰＭ１０４４.１４１－０.２１ｘ１＋１６.４５９ｘ３＋１３.９６９ｘ４０.９７３０.９３３０.０４０①回归分析的显著性检验Ｓｉｇ值均<０.０５ꎮ㊀㊀为了判断模型的准确度ꎬ今利用实测站点各污染物年均值数据对模型进行检验ꎬ结果见表２ꎮ由表２可知ꎬ用多元逐步回归模型进行大气污染物浓度的预测具有较高的精度ꎬ最大相对误差仅为５.０６％ꎬ体现了回归模型在预测方面的优势ꎮ表２㊀回归模型误差检验Ｔａｂｌｅ２㊀Ｅｒｒｏｒｔｅｓｔｏｆｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ污染物监测值ρ/(μｇ ｍ－３)模拟值ρ/(μｇ ｍ－３)相对误差/％ＣＯ７１０６９０－２.８２ＳＯ２６.０６６.０３－０.５０Ｏ３５５.４７５５.４６－０.０２ＮＯ２３０.２４３１.７７５.０６ＰＭ２.５２８.７６２８.７６０ＰＭ１０５２.９３５２.９５０.０４㊀㊀利用建立的回归方程计算插值站点各污染物的浓度ꎬ对研究区２０１５年大气污染物浓度进行空间插值分析ꎬ并对各插值方法的不同模型或参数下的空间插值分析结果采用交叉验证的方式进行检验ꎬ以其误差大小来评定插值模型的精度优劣ꎮ２.５㊀优化前后最优空间插值方法对比根据空间插值分析的交叉验证结果ꎬ确定增加插值站点后相对最适合各污染物浓度空间插值分析的插值方法(见表３)ꎬ并将其交叉验证的结果与增加模拟站点前作对比ꎬ结果见图４(ａ) (ｃ)ꎮ由表３可知ꎬ增加插值站点前后除ＰＭ２.５外ꎬ其余污染物相对最优插值方法均不相同ꎬ说明插值对象的因素改变后ꎬ适合该对象的最优插值方法也随之改变ꎬ应当采取交叉验证的方式选择相对最优的２３㊀㊀㊀表３㊀增加模拟站点前后各污染物相对最优的插值方法Ｔａｂｌｅ３㊀Ｒｅｌａｔｉｖｅｌｙｏｐｔｉｍａｌｉｎｔｅｒｐｏｌａｔｉｏｎｍｅｔｈｏｄｆｏｒｅａｃｈｐｏｌｌｕｔａｎｔｂｅｆｏｒｅａｎｄａｆｔｅｒｔｈｅａｄｄｉｔｉｏｎｏｆｓｉｍｕｌａｔｉｏｎｓｉｔｅ污染物ＣＯＳＯ２ＮＯ２Ｏ３ＰＭ２.５ＰＭ１０前ＩＤＷ(ｐ＝３)ＯＫ(ｓｐｈｅｒｉｃａｌ)ＩＤＷ(ｐ＝２)ＩＤＷ(ｐ＝１)ＯＫ(ｓｐｈｅｒｉｃａｌ)ＩＤＷ(ｐ＝１)后ＳＰＬＩＮＥ(ｗ＝１)ＩＤＷ(ｐ＝２)ＳＰＬＩＮＥ(ｗ＝５)ＳＰＬＩＮＥ(ｗ＝５)ＯＫ(ｓｐｈｅｒｉｃａｌ)ＳＰＬＩＮＥ(ｗ＝５)图５㊀福州市各污染物质量浓度空间分布Ｆｉｇ.５㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅｍａｓｓｃｏｎｃｅｎｔｒａｔｉｏｎｏｆｅａｃｈｐｏｌｌｕｔａｎｔｉｎＦｕｚｈｏｕ图４㊀增加插值站点前后交叉验证结果Ｆｉｇ.４㊀Ｒｅｓｕｌｔｓｏｆｃｒｏｓｓｖａｌｉｄａｔｉｏｎｂｅｆｏｒｅａｎｄａｆｔｅｒｔｈｅａｄｄｉｔｉｏｎｏｆｉｎｔｅｒｐｏｌａｔｉｏｎｓｉｔｅ插值方法ꎮ由图４可见ꎬ在增加插值站点后ꎬ从各验证参数来看ꎬ平均误差(ＭＥ)和平均绝对误差(ＭＡＥ)基本上有所下降ꎬ并且拟合系数(ＩＯＡ)有所改善ꎮ总体而言ꎬ在增加插值站点后对污染物浓度插值方法进行交叉验证ꎬ虽然还存在着ＭＥ和ＭＡＥ相对较大及ＩＯＡ相对较低的情况ꎬ但是与增加插值站点之前相比ꎬ插值精度有明显提高ꎮ２.６㊀实例分析为了比较直观地了解各大气污染物浓度在区域内的空间分布特征ꎬ通过增加插值站点的方式ꎬ采用逐步多元回归模型估计插值站点的大气污染浓度值ꎬ使用交叉验证的方式评选出相对适合该污染物浓度的空间插值分析方法进行插值分析ꎮ福州主城区各污染物质量浓度空间插值分析结果见图５(ａ) (ｆ)ꎮ根据«环境空气质量标准»(ＧＢ３０９５ ２０１２)规定的各污染物(Ｏ３为日最大８ｈ平均ꎬ其他为２４ｈ平均)一级和二级标准限值ꎬ由图５可见ꎬＣＯ㊁３３ＳＯ２㊁ＮＯ２㊁Ｏ３质量浓度在研究区内均低于其一级标准限值ꎬＰＭ２.５最大值为３５.５７μｇ/ｍ３ꎬ略高于一级标准限值ꎬＰＭ１０最大值为６２.３５μｇ/ｍ３ꎬ低于二级标准限值ꎮ从总体看ꎬ各污染物污染程度较低ꎬ研究区内主要污染物为ＰＭ１０ꎮ由图５可见ꎬ在研究区内ＣＯ浓度的空间差异并不明显ꎬＣＯ浓度在鼓楼区内相对最高ꎬ鼓楼区是福州市的政治㊁经济和文化中心ꎬ较多的机动车是导致该区域ＣＯ浓度高于其他区域的原因之一ꎬ而马尾区和仓山区近郊的ＣＯ浓度则相对较轻ꎻＳＯ２浓度在研究区内的空间差异较为明显ꎬ福州主城区北部地区明显要低于南部地区ꎬ各区域最大质量浓度为１０.３１μｇ/ｍ３ꎬ低于一级标准限值５０μｇ/ｍ３ꎻＮＯ２在研究区内最大质量浓度为３６.９７μｇ/ｍ３ꎬ低于一级标准限值８０μｇ/ｍ３ꎬＮＯ２浓度由高到低为台江区>仓山区>鼓楼区>马尾区>晋安区ꎻＯ３浓度在研究区内空间差异比较明显ꎬ大致从西南部到东北部逐渐升高ꎬ高浓度区域主要集中在海拔相对较高的晋安区内ꎻＰＭ２.５浓度在研究区内的分布情况与Ｏ３相反㊁与ＳＯ２相似ꎬ南部地区明显高于北部地区ꎬ在研究区内最高的质量浓度为３５ ５７μｇ/ｍ３ꎬ略高于一级标准限值ꎬ位于仓山区的城乡结合部ꎬ建筑粉尘是导致该区域内颗粒物ＰＭ２.５高的原因之一ꎻＰＭ１０在研究区内的浓度差异不如ＰＭ２.５明显ꎬ该污染物为２０１５年福州主城区的首要污染物ꎬ从其分布特征来看ꎬ位于福州主城区中心区域的台江区几乎全部处于ＰＭ１０二级标准范围内ꎬ位于北部的晋安区污染物浓度相对较低ꎬ该地区与大片植被区域接壤ꎬ很好地降低了ＰＭ１０浓度ꎮ３㊀结论通过增加插值站点ꎬ结合多元回归模型进行空间插值研究分析福州主城区大气污染物的空间分布特征ꎬ结果发现:(１)ＣＯ㊁ＳＯ２㊁ＮＯ２㊁Ｏ３浓度在研究区内均低于一级标准限值ꎬＰＭ２.５略微高于一级标准限值ꎬＰＭ１０浓度偏高ꎬ是主要污染物ꎮ(２)从区域分布看ꎬＣＯ㊁ＮＯ２浓度在研究区内空间差异并不明显ꎬＳＯ２㊁Ｏ３㊁ＰＭ２.５㊁ＰＭ１０浓度空间差异较为明显ꎮ(３)从各行政区的污染分布看ꎬ台江区附近污染程度相对较高ꎬ主要是由其地理位置和气象因素所致ꎮ在大气污染防治过程中应充分考虑污染物的空间分布特征ꎬ对重点污染区域采取特殊方法ꎬ使得大气治理取得更好的效果ꎮ[参考文献][１]㊀ＥＮＧＬＥＲＴＮ.Ｆｉｎｅｐａｒｔｉｃｌｅｓａｎｄｈｕｍａｎｈｅａｌｔｈ ａｒｅｖｉｅｗｏｆｅｐｉｄｅｍｉｏｌｏｇｉｃａｌｓｔｕｄｉｅｓ[Ｊ].ＴｏｘｉｃｏｌｏｇｙＬｅｔｔｅｒｓꎬ２００４ꎬ１４９(１－３):２３５－２４２.[２]㊀ＭＲＡＩＨＩＲꎬＨＡＲＩＺＩＲꎬＭＲＡＩＨＩＴꎬｅｔａｌ.ＵｒｂａｎａｉｒｐｏｌｌｕｔｉｏｎａｎｄｕｒｂａｎｄａｉｌｙｍｏｂｉｌｉｔｙｉｎｌａｒｇｅＴｕｎｉｓｉａ ｓｃｉｔｉｅｓ[Ｊ].ＲｅｎｅｗａｂｌｅａｎｄＳｕｓｔａｉｎａｂｌｅＥｎｅｒｇｙＲｅｖｉｅｗｓꎬ２０１５ꎬ４３:３１５－３２０. [３]㊀黄巍ꎬ龙恩深.成都ＰＭ２.５与气象条件的关系及城市空间形态的影响[Ｊ].中国环境监测ꎬ２０１４ꎬ３０(４):９３－９９. [４]㊀李国翠ꎬ王建国ꎬ连志鸾.石家庄大气污染与沙尘天气的关系分析[Ｊ].气象与环境学报ꎬ２００７ꎬ２３(２):１－５. [５]㊀杨叶ꎬ郑刘根ꎬ程桦.淮南市大气颗粒物污染特征研究[Ｊ].环境监测管理与技术ꎬ２０１７ꎬ２９(１):１６－２０.[６]㊀ＫＡＮＧＣＭꎬＡＣＨＩＬＬＥＯＳＳꎬＬＡＷＲＥＮＣＥＪꎬｅｔａｌ.Ｉｎｔｅｒｌａｂｃｏｍ￣ｐａｒｉｓｏｎｏｆｅｌｅｍｅｎｔａｌａｎａｌｙｓｉｓｆｏｒｌｏｗａｍｂｉｅｎｔｕｒｂａｎＰＭ２.５ｌｅｖｅｌｓ[Ｊ].ＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬ２０１４ꎬ４８(２０):１２１５０－１２１５６.[７]㊀ＫＥＵＫＥＮＭＰꎬＭＯＥＲＭＡＮＭꎬＶＯＯＧＴＭꎬｅｔａｌ.Ｓｏｕｒｃｅｃｏｎｔｒｉ￣ｂｕｔｉｏｎｓｔｏＰＭ２.５ａｎｄＰＭ１０ａｔａｎｕｒｂａｎｂａｃｋｇｒｏｕｎｄａｎｄａｓｔｒｅｅｔｌｏｃａｔｉｏｎ[Ｊ].ＡｔｍｏｓｐｈｅｒｉｃＥｎｖｉｒｏｎｍｅｎｔꎬ２０１３ꎬ７１(２):２６－３５. [８]㊀隋平ꎬ冯宏芳ꎬ王宏ꎬ等.海西城市群灰霾天气特征及其影响因子分析[Ｊ].环境科学与技术ꎬ２０１３ꎬ３６(７):５３－５７. [９]㊀冯宏芳ꎬ隋平ꎬ邱丽葭.福州市污染物浓度时空分布及影响因子分析[Ｊ].气象科技ꎬ２００３ꎬ３１(６):３５６－３６０.[１０]姜迪ꎬ李聪.南京市区ＰＭ２.５扩散与气象条件的关系[Ｊ].环境监测管理与技术ꎬ２０１６ꎬ２８(１):３６－４０[１１]赵晨曦ꎬ王云琦ꎬ王玉杰ꎬ等.北京地区冬春ＰＭ２.５和ＰＭ１０污染水平时空分布及其与气象条件的关系[Ｊ].环境科学ꎬ２０１４ꎬ３５(２):４１８－４２７.[１２]ＭＡＴĚＪÍＣ㊀㊀㊀㊀㊀㊅ＥＫＬꎬＥＮＧＳＴＰꎬＪＡＮ㊀㊀㊅ＯＵＲＺ.ＡＧＩＳ￣ｂａｓｅｄａｐｐｒｏａｃｈｔｏｓｐａｔｉｏ￣ｔｅｍｐｏｒａｌａｎａｌｙｓｉｓｏｆｅｎｖｉｒｏｎｍｅｎｔａｌｐｏｌｌｕｔｉｏｎｉｎｕｒｂａｎａｒｅ￣ａｓ:ａｃａｓｅｓｔｕｄｙｏｆＰｒａｇｕｅ ｓｅｎｖｉｒｏｎｍｅｎｔｅｘｔｅｎｄｅｄｂｙＬＩＤＡＲｄａｔａ[Ｊ].ＥｃｏｌｏｇｉｃａｌＭｏｄｅｌｌｉｎｇꎬ２００６ꎬ１９９(３):２６１－２７７. [１３]孟健ꎬ马小明.Ｋｒｉｇｉｎｇ空间分析法及其在城市大气污染中的应用[Ｊ].数学的实践与认识ꎬ２００２ꎬ３２(２):３０９－３１２. [１４]李淑婷.成都市大气环境污染时空特征分析及质量评价[Ｄ].成都:电子科技大学ꎬ２０１２.[１５]ＲＯＤＲÍＧＵＥＺＭＣꎬＤＵＰＯＮＴ￣ＣＯＵＲＴＡＤＥＬꎬＯＵＥＳＬＡＴＩＷ.Ａｉｒｐｏｌｌｕｔｉｏｎａｎｄｕｒｂａｎｓｔｒｕｃｔｕｒｅｌｉｎｋａｇｅｓ:ｅｖｉｄｅｎｃｅｆｒｏｍＥｕｒｏｐｅａｎｃｉｔｉｅｓ[Ｊ].ＲｅｎｅｗａｂｌｅａｎｄＳｕｓｔａｉｎａｂｌｅＥｎｅｒｇｙＲｅｖｉｅｗｓꎬ２０１６ꎬ５３:１－９. [１６]ＷＡＮＧＧＬꎬＸＵＥＪＪꎬＺＨＡＮＧＪＺꎬｅｔａｌ.Ａｎａｌｙｓｉｓｏｆｓｐａｔｉａｌ￣ｔｅｍ￣ｐｏｒａｌｄｉｓｔｒｉｂｕｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｍａｉｎｃａｕｓｅｏｆａｉｒｐｏｌｌｕｔｉｏｎｉｎＢｅｉｊｉｎｇ￣Ｔｉａｎｊｉｎ￣Ｈｅｂｅｉｒｅｇｉｏｎｉｎ２０１４[Ｊ].ＭｅｔｅｏｒｏｌｏｇｉｃａｌａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓꎬ２０１６(１):３４－４２.[１７]张健.南京市大气环境污染点源数据的空间插值方法[Ｄ].南京:南京信息工程大学ꎬ２００９.[１８]卢毅敏ꎬ岳天祥ꎬ陈传法ꎬ等.中国区域年降水空间分布高精度曲面建模[Ｊ].自然资源学报ꎬ２０１０ꎬ２５(７):１１９４－１２０５.４３。
基于多元统计的福建省空气质量检测
热 点 CENTRAL ISSUE
区域治理
c1X1i+c2X2i+…+cpXpi=0,i=1,2,…,n。 其中：ci 不全为 0。 （2） 近 似 共 线 性 或 交
i=1,2,…,n。 1. 方程估计 在建立模型之前，为了保证线性
互 相 关： 存 在 c1X1i+c2X2i+… +cpXpi+εi=0,i=1,2,…,n。
类的身心健康和居住环境有负影响，因此对大气的监测和治理势在必行。以福州市 2014 年 1 月 -2019 年 6 月共计 66 个月的空气质
量为资料，进行多元统计分析。结果表明空气质量与 3 个影响因素存在相关关系，对大气影响最大的因素为可吸入颗粒物（PM10）。 本文研究分析福州市空气质量现状，为福州市的管理部门制定相关政策提供理论依据。
键，及时制定相关政策措施的前提 效控制，颗粒物浓度有所下降。截 量中将一个变量视为因变量，其他一
条件。本研究以福州市空气质量数 止 至 2019 年 6 月， 福 州 市 空 气 质 个或多个变量视为自变量，建立多个
据为基础，通过多元回归分析和建 量总体保持良好，全市空气质量优 变量之间线性或非线性数学模型数量
1
X 11
X 21
X
p1
= R 2
0= .964724, Rˆ 2
0.961137， 说 明 回 归
X X X 1
X =
12
22
p
2
方程整体上是显著的，但是解释变量
X X X 1
1n
2n
pn
CO 和 SO2 的 t 统计量相应的概率值 比较大，不能通过 t 检验，且 CO 的
福建省主要大气污染物分布研究
福建省主要大气污染物分布研究白春妹;赖焕生【摘要】针对我国当前大气环境污染严重问题,以福建省为研究对象,对福建省2015年大气污染物中的PM2.5、PM10、SO2、NO2、CO和O3之间错综复杂的关系进行综合分析,并运用多变量统计分析方法中的因子分析法,将这些复杂关系进行处理以归结为少数的主因子.结果显示,福建省目前主要的大气污染物为PM10.因子分析结果表明,原生大气污染物如PM和SO2等自聚合成一类称为第1个主因子,主因子中的PM10和PM2.5贡献度最大;O3之类的二次污染物构成第2个主因子.所讨论及建立的大气污染物之间的相关关系和所生成的因子模型,将有利于综合分析判断福建省主要大气污染物分布,对于未来控制和改善大气空气质量等均具有重要意义.%In light of the current serious atmospheric pollution problems in China, such as hazardous haze and fog with main component of PM2.5, this paper explores the complicated association among the main air pollutants of the 9 cities in Fujian Province ( Fuzhou, Xiamen, Quanzhou, Zhangzhou, Nanping, Sanming, Longyan, Ningde, and Putian cities) . After collecting the data of the concentra-tion of air pollutants PM2.5, PM10, SO2, NO2, CO and O3 from respective environmental monitoring stations of these nine cities in Fujian in 2015, this study applies factor analysis, which is one type of multivariate statistical methods, to investigate the complicated association of these air pollutants and reduce the data variability into two main factors. The results show that the first main factor ( Factor 1) was comprised of primary air pollutants, such as PM and SO2. The concentration of PM10 and PM2.5 contribute the first and second forthe primary air pollutants group, respectively. Besides, Factor 2 was mainly composed of ozone air pollutants, which are secondary air pollutants. The correlations and statistical models developed in this paper would help to explain the concentration distribution of main atmospheric pollutants in Fujian province, which is significant for the control and improvement of future air pollution problems.【期刊名称】《福州大学学报（自然科学版）》【年(卷),期】2017(045)006【总页数】6页(P927-932)【关键词】多变量统计分析方法;因子分析法;大气污染物;福建省【作者】白春妹;赖焕生【作者单位】福州大学土木工程学院,福建福州 350116;福州大学石油化工学院,福建福州 350116【正文语种】中文【中图分类】X8230 引言大气颗粒物质(particle matter，PM)是大气中存在的各种固态和液态颗粒状物质的总称. PM2.5和PM10分别是指空气动力学直径小于或者等于2.5和10 μm的大气悬浮颗粒物. PM2.5因其粒径小、比表面积大且经常含有重金属等有毒物质，可通过肺泡壁进入毛细血管，再进入整个血液循环系统，对人体的呼吸系统和心血管系统造成伤害. 研究发现，PM2.5质量浓度每升高10 mg·m-3，呼吸系统疾病日死亡率将上升1%，心脑血管疾病日死亡率将上升0.5%[1-4]. PM10会引起哮喘等呼吸系统疾病，增加心脏病的患病率和死亡率，并具有潜在的致癌性. PM2.5和PM10主要来源于煤炭发电、工业生产和汽车尾气的排放，是导致我国工业化进程中备受关注的雾霾天气的“罪魁祸首”. 而且，PM的出现降低了大气能见度，易引发交通事故. 因此，有关PM浓度及其分布仍然是研究的热点，尤其像在中国这样的发展中国家.除了PM2.5和PM10，大气环境质量还受SO2、NO2、CO和O3等污染物的综合影响. 其中，SO2、NO2和CO对健康的危害包括加重心脑血管疾病，引起呼吸系统疾病和肺发炎；而O3会加重慢性呼吸系统疾病并引起短期内肺功能的下降[5-7]. SO2主要来自煤、石油等燃料的燃烧，及硫酸厂排放的废气等； NO2主要来源于机动车排放的废气和燃放烟花爆竹； CO主要来源于化石燃料的不完全燃烧和汽车的尾气等. 实验研究表明，SO2、NO2和CO等大气污染物会通过大气化学反应生成PM，尤其在空气湿度较大的雾霾天气下 [8]. O3污染物指近地面大气层中超过一定含量并对人体产生危害的一种环境污染物，但不包括平流层中的O3. 目前，O3已成为我国大部分地区夏秋季的主要污染物，为此新的环境空气质量标准将O3纳入常规检测指标 [9-10]. O3污染主要来自汽车尾气、石油化工行业、火电厂等产生的挥发性有机物、氮氧化物、一氧化碳等物质经过光化学反应生成的二次污染物. 依照氮守恒定律，氮氧化物之类的大气污染物一般折算成NO2来核算大气环境质量标准.在我国，已有一些研究工作致力于探索气候变化(如沙尘暴)中的PM和主要大气污染物浓度的动态变化过程[11-14]；有些是侧重于研究大城市中的PM2.5的化学组分等 [15-16]. 然而，目前还没有针对福建省的关于PM2.5、PM10、SO2、NO2、CO和O3等大气污染物浓度分布情况的全面研究，也没有能用于量化这些主要大气污染物浓度分布关系的模型. 另外，大气中PM浓度的分布受很多因素的影响，如：气候因素、地表植被覆盖、土地利用类型、天气、风向和湿度等[17].各个城市因所主导的因素的不同会引起PM呈现不同的分布特征和周期变化.以福建全省九市(福州、厦门、泉州、漳州、南平、三明、龙岩、宁德和莆田)为研究对象，应用皮尔逊相关系数表征这些大气污染物之间的相关关系，以便全面了解福建省主要大气污染物的分布特征和相关关系. 采用因子分析法的多变量统计分析方法[18]，将这些主要大气污染物的错综复杂关系进行处理，以提取综合影响因子. 因子分析法应用大气污染物领域最早见于Blifford等应用因子分析法对美国30多个城市的气溶胶来源的解析[19]. 王明星[20]运用因子分析法对北京气溶胶污染物的来源进行研究；因子分析法在戴昭华[21]、胡伟等[22]的研究中也得到运用.1 数据来源与分析方法1.1 数据来源从“中国环境监测总站的数据库”官方网站上采集获得福建全省九市(福州、厦门、泉州、漳州、南平、三明、龙岩、宁德和莆田)2015年的PM2.5、PM10、SO2、NO2、CO和O3等大气污染物的每日质量浓度值.1.2 分析方法采用因子分析法对所采集的大量数据进行处理、掘取数据信息，从而用较少的有代表性的因子来说明多个大气污染物变量所含有的主要信息. 因子分析法是一种多变量统计研究方法，它的基本思想是将观测变量进行分类，将相关性高的或者联系比较紧密的分在同一类中，从一系列错综复杂又相互紧密联系的变量出发，提取出几个能够全面反映所选变量的综合因子，又称公共因子. 因子分析法就是寻找这些公共因子的模型分析法，它是在主成分的基础上构筑若干意义较为明确的公因子，以它们为框架分解原变量，以此考察原变量间的联系与区别. 因子分析法是主成分分析法(principal component analysis, PCA)[23]的推广和深化，也是一种把多个变量化为少数几个综合变量的多变量分析方法，目的是用少数几个不可观测的隐变量来解释原始变量之间的相关关系.在因子分析模型中[23]，每个变量表示为m个共同因子的线性组合. 因子分析法模型描述成如下矩阵形式：式中：X是p个原观测变量所组成的向量；μ是X的均值组成的向量； F称为X的公共因子或潜因子，且彼此正交； L称为因子载荷矩阵，表示观测变量X和相应因子F之间的相关系数；ε是特殊因子矩阵. 具体来说，Lpm表示Xp变量对第m个因子Fm的负荷，或者说是原变量与公共因子的相关程度. Lpm越大，表明Xp与Fm之间的相依程度越大，或者公共因子Fm对于Xp的载荷量越大. 建立因子分析模型的目的不仅是找出主因子，更重要的是预测关键主因子的意义，以便对实际问题进行分析. 如果一开始求出的主因子代表的意义不是很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子. 最常用的旋转方法是最大方差正交旋转法[23]. 因子旋转的目的是使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小. 运用因子分析法有以下几个步骤：首先确认原变量是否适合做因子分析；其次构造因子变量；再者是利用旋转方法(如果需要的话)使因子变量更具有可解释性；最后是计算因子变量得分. 其中，在判断原变量是否适合做因子分析中，首先需要计算得到原变量之间的相关系数，确保至少一对变量之间显著性相关，并且至少一对变量之间显著性不相关. 一方面，至少一对原变量之间显著性相关，才能运用因子分析法提取公共因子；另一方面，至少一对变量之间显著性不相关，才有必要对原数据变量进行因子分解.2 结果与讨论2.1 原始监测数据的相关系数矩阵R首先应用主成分分析法思想对福建全省2015年九市监测得到的主要大气污染物浓度进行因子分析，用皮尔逊相关系数法表征PM2.5、PM10、SO2、NO2、CO和O3浓度之间的相关关系，见表1. 由监测数据计算得到的相关系数矩阵R可知PM2.5和PM10相关系数为0.889 05，且显著性水平小于0.000 1. 若显著性水平标准设为0.1的情况下，PM2.5和PM10之间高度相关，且此相关性不可被忽略. 另一方面，NO2和O3之间的相关系数为-0.013 87，且显著性水平为0.4272(大于0.1的显著性水平标准)，意味着NO2和O3之间的相关性系数比较小，并且可以被忽略. 由表1中大气污染物之间的相关系数可总结得出，在显著性水平标准为0.1的情况下，除了NO2和O3浓度显著性不相关之外，其余的污染物浓度如PM2.5和PM10、PM2.5和SO2、PM2.5和CO、PM10和SO2、PM10和CO等均具有显著性相关关系. 运用因子分析法的前提是，原有数据变量之间至少有一对显著性相关，以及至少有一对变量之间显著性不相关. 因此，该研究的原始数据变量适合运用因子分析法进行公共因子分解.表1 皮尔逊相关系数矩阵RTab.1 Pearson correlation matrix污染物PM2.5PM10SO2CONO2O3PM2.510.889050.445860.360440.495460.30112P M100.8890510.469340.282170.543340.39504SO20.445860.4693410.477180 .322470.05142CO0.360440.282170.4771810.17559-0.16607NO20.495460.543340.322470.175591-0.01387O30.301120.395040.05142-0.16607-0.0138712.2 福建省主要大气污染物的主因子分析以福建全省九市监测到的每日PM2.5、PM10、SO2、NO2、CO和O3质量浓度值(总共3 280个数据，其中福州市有360个观测值，其余各有365个观测值)为原始数据，运用因子分析法进行分析. 结果显示，2015年全省范围内，PM2.5、PM10、SO2、CO、NO2、O3平均质量浓度值分别为28.737、49.472、10.866、0.832、23.852、83.962 μg·m-3. 运用PCA思想对相关系数R进行因子分析，计算得其特征值和特征向量，特征值的计算结果见表2. 表2显示：第1个公共因子(或称第一个主成分)对数据方差具有最大贡献率，可以解释48.42%的数据方差；第2个公共因子对数据方差的贡献率为21.52%. 按照惯例，特征值大于1的公共因子将选取为主要的公共因子. 因此，该研究选取了第1个和第2个公共因子为主因子. 综合来看，第1、2个公共因子合起来总共可以解释69.94%的数据方差，该结果也可以用特征值按下面的方程计算得到(λ1+λ2)/p≈69.94%. 图1表示的是相关系数的特征值和其因子所解释的数据方差和累计数据方差. 由图1可知，两个主因子对应的特征值均大于1，二者合起来可以解释大约70%的数据方差.表2 R的特征值Tab.2 Eigenvalues of correlation matrix因子特征值差值比例累计12.905132081.614136120.48420.484221.290995960.463466620.21520.6994 30.827529340.311701450.13790.837340.515827890.152585880.08600.9232 50.363242010.265969290.06050.983860.097272720.01621.0000图1 R的因子分析结果 Fig.1 Factor analysis results for R表3 R的主因子载荷矩阵Tab.3 Factor pattern of correlation matrix污染物第1个主因子第2个主因子PM2.50.902610.15562PM100.915380.25302SO20.68430-0.34836CO0.51199-0.64319NO20.65664-0.07567O30.301480.81364图2 主因子模式图Fig.2 Plot of factor pattern for Factor 1 and Factor 2计算得到的相关系数R的主因子载荷矩阵L，见表3，对于第1个主因子，各个原变量PM2.5、PM10、SO2、NO2、CO和O3的载荷量分别为0.902 61、0.915 38、0.684 30、0.511 99、0.656 64和0.301 48. 即六类大气污染物质量浓度变量都与第1个主因子有相关性，其中PM10与第1个主因子的相关系数最大，其后依次为PM2.5、SO2、NO2、CO和O3与第1个主因子的相关系数. 而对于第2个主因子，O3与第2个主因子的相关系数最大为0.813 64，CO与第2个主因子的相关系数次之，相比较而言，第2个主因子对于PM2.5、PM10、SO2、NO2的载荷量较小. (此处，若采用最大方差正交旋转法旋转得到的主因子模式并未使因子载荷矩阵的平方值更好地向0和1两方向分化，也就是说采用主成分分析法分解的主因子已经使因子载荷分化得还可以，而不需要再进行旋转). 显然，若根据第1个主因子得分大小程度来对这六类大气污染物的污染严重程度进行排序的话，PM10污染最严重，然后依次是PM2.5、SO2、NO2、CO和O3. 运用因子分析法分解的第1个主因子更多的包含了PM2.5、PM10、SO2和NO2的污染影响，而第2个主因子更多包含O3的质量浓度影响. 为了更直观地理解，图2是进行因子分解后的六类大气污染物的模式分布图. 从图2也可看出，字母A、B、C、E代表的PM2.5、PM10、SO2和NO2更偏向于分布在第1个主因子的轴线上，而字母F代表的O3更多的分布在靠近第2个主因子的轴线上. 字母D代表的CO则分布在介于第1个主因子和第2个主因子之间，但更偏向于第2个主因子. 按照来源来说，PM2.5和PM10主要来源于地面粉尘、燃煤排放的烟尘等； SO2主要来源于煤、石油等燃料的燃烧，及硫酸厂排放的废气等； CO主要来源于化石燃料的不完全燃烧和汽车的尾气等； NO2主要来源于机动车排放的废气和燃放烟花爆竹； O3主要来源于汽车尾气、石油化工行业、火电厂等产生的氮氧化物和挥发性有机物等的光化学反应形成的二次污染. 另外，大气污染物之间存在一定的转化关系，当空气湿度较大时SO2、NO2和CO等大气污染物会通过大气化学反应生成PM. 结合大气污染物的来源和意义，本研究运用因子分析法得到的第1个主因子更多体现的是大气中PM2.5、PM10、SO2等原生污染物(或称一次污染物)的综合，第2个主因子更多体现的是O3之类的二次污染物. 从地域上看，各个城市均呈现PM10质量浓度值比PM2.5高的情况，即PM10的污染程度比PM2.5严重. 其中，大气颗粒物质PM2.5和PM10污染最严重的城市是漳州市，其平均质量浓度值分别为56.423和33.633 μg·m-3，分别比全省均值高了6.951和4.896 μg·m-3. 大气污染物SO2 和CO污染最严重的城市是三明市，其平均质量浓度值分别为18.986 μg·m-3和1.277 mg·m-3，分别高于全省的均值(10.866μg·m-3和0.832 mg·m-3). 大气污染物NO2污染最严重的城市是福州市，比全省平均水平(23.852 μg·m-3)高了7.001 μg·m-3. O3污染最严重的是泉州市，全年平均水平为96.740 μg·m-3，比全省平均质量浓度值高了12.778 μg·m-3. 运用因子分析法对各个地级市的大气污染物分别进行因子解析，各个城市的因子分析结果均显示第1个主因子与PM和SO2等原生大气污染物的相关关系最大，而与O3的相关性最小，而第2个主因子对于O3的载荷量最大. 由此可见，各个城市因子分析结果与全省范围内的综合因子分析结果一致，所分解生成的第1个主因子均反映PM和SO2等的原生大气污染物，第2个主因子则主要反映O3之类的二次大气污染物.最后，本研究工作是基于福建省当前大气环境污染状况进行的. 虽然整体上福建省的大气环境优于京津冀等北方地区，但是也需要提早防范可能产生的严重大气污染问题. 另外，在未来的研究工作中，将进一步采集更多的大气污染物数据，运用时间序列分析法建立相应的大气污染物时间序列分析模型，以预测未来福建省大气污染物趋势.3 结语1) 六类大气污染物中，污染最严重的是PM10，然后依次是PM2.5、SO2、NO2、CO和O3.2) 在统计显著性水平标准为0.1的情况下，除了NO2和O3显著性不相关之外，其余大气污染物之间均存在显著性相关关系，这些相关关系的数据也进一步印证了PM和SO2、NO2、CO之间存在相互转化的事实. 其中，PM2.5和PM10之间相关系数最大为(0.889 1)，PM10和NO2之间的相关系数次之为(0.543 3).3) 从全省范围内的大气污染物质量浓度因子分析结果可以明显看出, 原生大气污染物PM和SO2等聚类在一起形成第1个主因子，而O3之类的二次大气污染物则归类成第2个主因子. 在第1个主因子中，大气颗粒物质的影响依旧是最大的，这也印证了在中国目前的大气环境问题中，PM10和PM2.5正逐渐成为人们关注的热点污染问题.参考文献：[1] ZHOU Y, FU J S, ZHUANG G, et al. Risk-based prioritization among air pollution control strategies in the Yangtze River Delta, China[J]. Environ Health Persp, 2010, 118(9): 1 204-1 209.[2] CHEN C, ZHAO B. Review of relationship between indoor and outdoor particles: I/O ratio, infiltration factor and penetration factor[J]. Atmos Environ, 2011, 45(2): 275-288.[3] LANGRISH J P, LI X, WANG S, et al. Reducing personal exposure to particulate air pollution improves cardiovascular health in patients with coronary heart disease[J]. Environ Health Persp, 2012, 120(3): 367-372. [4] CHU M, SUN C, CHEN W, et al. Personal exposure to PM2. 5, genetic variants and DNA damage: a multi-center population-based study in Chinese[J]. Toxicol Lett, 2015, 235(3): 172-178.[5] BERNARD S M, SAMET J M, GRAMBSCH A, et al. The potential impacts of climate variability and change on air pollution-related health effects in the United States[J]. Environ Health Persp, 2001, 109: 199-209.[6] CHEN C, ZHAO B, WESCHLER C J. Assessing the influence of indoor exposure to “outdoor ozone” on the relationship between ozone and short-term mortality in US communities[J]. Environ Health Persp, 2012,120(2): 235-240.[7] CHEN C, ZHAO B, WESCHLER C J. Indoor exposure to “outdoorPM10”: assessing its influence on th e relationship between PM10 and short-term mortality in US cities[J]. Epidemiology, 2012, 23(6): 870-878. [8] CHAN C K, YAO X. Air pollution in mega cities in China[J]. Atmos Environ, 2008, 42(1): 1-42.[9] 黄亮. 我国臭氧污染特征及现状分析[J]. 环境保护与循环经济，2014，34(5)：64-66.[10] 罗雄标. 臭氧污染物来源与控制[J]. 资源节约与环保，2015，8：137.[11] CHENG T, LU D, WANG G, et al. Chemical characteristics of Asian dust aerosol from Hunshan Dake Sandland in northern China[J]. Atmos Environ, 2005, 39(16): 2 903-2 911.[12] XIE S, TONG Y, ZHANG Y, et al. Characteristics of PM10, SO2, NOx and O3 in ambient air during the dust storm period in Beijing[J]. Sci Total Environ, 2005, 345(1): 153-164.[13] CHOI Y, HO C, CHEN D, et al. Spectral analysis of weekly variation in PM10 mass concentration and meteorological conditions over China[J]. Atmos Environ, 2008, 42(4): 655-666.[14] FAN Q, SHEN C, WANG X, et al. Impact of a dust storm on characteristics of particle matter (PM) in Guangzhou, China[J]. Asia-Pac J Atmos Sci, 2013, 49(1): 121-131.[15] YANG F, TAN J, ZHAO Q, et al. Characteristics of PM 2.5 speciation in representative megacities and across China[J]. Atmos Chem Phys, 2011, 11(11): 5 207- 5 219.[16] ZHANG F, XU L, CHEN J, et al. Chemical characteristics of PM 2.5 during haze episodes in the urban of Fuzhou, China[J]. Particuology, 2013, 11(3): 264-272.[17] HAO Y, LIU Y. The influential factors of urban PM 2.5 concentrations in China: a spatial econometric analysis[J]. J Clean Prod, 2016, 112: 1 443-1 453.[18] HRDLE W K, SIMAR L. Applied multivariate statistical analysi[M]. 6th ed. New Jersey: Springer, 2007.[19] BLIFFORD I H, MEEKER G O. A factor analysis model of large scale pollution[J]. Atmos Environ, 1967, 1(2): 147-157.[20] 王明星. 用因子分析法研究大气气溶胶的来源[J]. 大气科学，1985，9(1)：73-81.[21] 戴昭华. 统计数学在环境科学中的应用[J]. 环境科学丛刊，1987，1：1-44.[22] 胡伟，魏复盛. 中国4城市空气颗粒物元素的因子分析[J]. 中国环境监测，2003，19(3)：39-41.[23] JOHNSON R A, WICHERN D W. Applied multivariate statistical analysis[M]. 4th ed. New Jersey: Prentice Hall, 1998.。
福建省2016-2018年空气质量评价及不同人群暴露风险研究
福建省2016-2018年空气质量评价及不同人群暴露风险研究蒋冬升【期刊名称】《《低碳世界》》【年(卷),期】2019(009)003【总页数】2页(P12-13)【关键词】大气污染物; 空气质量评价; 暴露风险【作者】蒋冬升【作者单位】福建省环境监测中心站福州350001【正文语种】中文【中图分类】X51福建地处我国的东南部，地势依山傍海，地形复杂多变，主要为山地、丘陵面积。
生态资源是福建最宝贵的资源，生态优势是福建最具竞争力的优势。
近年来，福建省在大气污染防治方面开展了一系列措施，二氧化硫、氮氧化物等污染源排放得到有效控制，颗粒物浓度有所下降[1～2]。
本文通过分析大气中的主要污染物浓度时空分布及污染物对人体健康影响，找出大气污染问题关键，以便公众及时采取积极防护措施，为管理部门及时制定相关政策提供科学依据。
1 研究方法1.1 数据来源与处理本文利用福建省9个地级市2016-2018年监测数据进行分析。
评价项目包括SO2、NO2、PM10、PM2.5、CO 和 O3。
根据《环境空气质量标准》（GB3095-2012）、《环境空气质量评价技术规范（试行）》（HJ663-2013）、《环境空气质量指数（AQI）技术规定（试行）》（HJ633-2013）和《城市环境空气质量排名技术规定》（环办〔2014〕64号）等文件或条款对监测数据进行统计分析。
1.2 暴露风险评价暴露风险评价依据非致癌效应大气污染物暴露风险评估模型[3]如下：式中：R——发生某种危害的暴露风险，无量纲；C——污染物浓度，μg/m3；EI——空气综合暴露系数[3]；RfC——污染物的参考浓度，μg/m3·d。
RfC以如下推荐值计算：SO2、NO2采用美国EPA推荐非致癌物参考剂量（吸入途径）23μg/m3·d、29μg/m3·d 作为 RfC值[4]；其他污染物采用世界卫生组织（WHO）发布的大气质量基准浓度指导值 PM10，20μg/m3·d、PM2.5，10μg/m3·d、O3，100μg/m3·d 作为 RfC 值[5]，CO，4.0mg/m3·d 采用我国《环境空气质量标准》一级标准评价[6]。
2018年8月全国城市空气质量报告
2018 年 8 月全国城市空气质量报告1
扣除沙尘影响
中国环境监测总站 2018 年 9 月 2 日
1 注：本报告中 PM10、PM2.5 数据均已扣除沙尘天气影响。
一、338 个城市空气质量状况
按照《环境空气质量标准》（GB 3095-2012）评价，2018 年 8 月，全国 338 个地级及以上城市平均空气质量优良天数比例为 85.3%，轻度污染天数比例为 13.1%，中度污染天数比例为 1.6%， 重度及以上污染天数比例 0.1%。与去年同期相比，优良天数比例 下降 4.1 个百分点，重度及以上污染天数比例持平。PM2.5 平均浓 度为 24μg/m3，同比持平；PM10 平均浓度为 46μg/m3，同比下降 2.1%；SO2 平均浓度为 10μg/m3，同比下降 9.1%；NO2 平均浓度为 20μg/m3，同比下降 4.8%；CO 日均值第 95 百分位浓度平均为 1.0mg/m3，同比持平；O3 日最大 8 小时平均第 90 百分位浓度平均 为 153μg/m3，同比上升 7.7%。
京津冀及周边地区“2+26”城市 PM2.5 平均浓度为 35μg/m3，同 比下降 18.6%，环比下降 12.5%；PM10 平均浓度为 64μg/m3，同比 下降 16.9%，环比下降 5.9%；SO2 平均浓度为 11μg/m3，同比下降 21.4%，环比上升 10.0%；NO2 平均浓度为 27μg/m3，同比下降 15.6%，环比上升 12.5%；CO 日均值第 95 百分位浓度平均为 1.4mg/m3，同比下降 17.6%，环比上升 7.7%；O3 日最大 8 小时平 均第 90 百分位浓度平均为 210μg/m3，同比上升 6.1%，环比下降 1.9%。
二、169 个城市空气质量
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
海峡科学Straits Science2019年3月第3期总第147期March 2019No.3, Total 147th福建省2018年环境空气质量时空分布特征研究*蒋冬升（福建省环境监测中心站，福建 福州350003）［摘要］利用2018年福建省9个设区市6项常规大气污染物监测数据，分析福建省大气污染时空分布规律。
结果表明：①福建省2018年空气质量总体保持良好，9个设区城市优良率89.9%-99.2%,平均优良率94.9%, Ch 浓度同比升高2.9%,其余污染物浓度均下降。
②2018年，03超标天数占比85.8%, （¾污染已成为福建省空气污染首要问题,。
3超标是造成全省优良率下降的主要原因.③按空气质量综合指数排名，9个设区城市空气质量相对较好的城市依次为：南平、宁德、莆田和龙岩（并列第3名）、厦门、福州、三明、泉州、漳州，各城市夏秋季节空气质量好于冬春季节。
④2018年SO?、CO 浓度基本维持在较低水平，季节变化不明显；冬季NO?浓度高于夏季，南部沿海城市较其他城市高；PM 】。
、PM 2.5浓度变化趋势相似，冬春季节高、夏秋季节低；O3高值区主要集中在沿海城市，4~10月是03浓度高值时段。
［关键词］福建省空气质量时空分布［中图分类号］X823 ［文献标识码］A ［文章编号］1673-8683（2019）03-0016-04近年来，福建省在大气污染防治方面制订了一系列 措施，实行区域联防联控，强化污染源减排控制，制订污染天气应急预案；二氧化硫、氮氧化物等污染源排放得到有效控制，颗粒物浓度持续下降［心】，但臭氧浓度抬升，成为“拖累”空气质量的突出因素，特别是沿海区域臭氧污染问题凸显，已成为福建省大气污染的一个显著问题。
环境空气质量现状分析是了解城市或区域环境空气质量状况，找出问题关键，及时制定相关政策措施的 前提条件。
本研究以福建省空气质量常规监测数据为基础，探讨环境大气治理过程中福建省空气质量变化趋势 及影响因素，为空气污染控制提供科学依据。
1数据来源及方法本研究利用福建省9个设区市国控监测评价站点进行分析。
评价项目包括二氧化硫（SO 2）、二氧化氮（NO 2）、可吸入颗粒物（PMio ）、细颗粒物（PM2.5）、 一氧化碳（CO ）和臭氧（。
3）日最大8小时浓度。
根据《环境空气质量标准》（GB 3095-2012）、《环境空气质量评价技术规范（试行）》（HJ 663-2013）、《环境空气质量指数（AQI ）技术规定（试行）》（HJ633-2013）和《城市环境空气质量排名技术规定》（环办（2014） 64号）等文件或条款对监测数据进行统计分 析。
2结果分析2.1环境空气质量总体情况2018年福建省空气质量总体保持良好，全省空气质量优良率94.9%, SO?年均浓度9ng/m\ NO?年均浓度24|ig/m 3. PM 10 年均浓度 46ug/n?、PM 2 5 年均浓度26|ig/m\ CO 第95百分位数浓度1.0mg/m'、O3第90百分位数浓度141ng/m 3o 与2017年相比,优良率下降1.3个百分点,SO2下降10.0%, N 。
2下降7.7%, PM10下降2.1%,PM 2.5下降3.7%, CO 下降9.1%,。
3升高2.9%, 6项污染物浓度“5降、1升”。
2.2各城市优良率分析2018年各城市优良率89.9%〜99.2%,优良率由高 到低依次为：三明、龙岩、厦门、南平、泉州、宁德、基金项目：国家重点研发计划典型脆弱生态修复与保护研究重点专项（编号：2016YFC0502900）。
2019年第3期海峡科学HAI XIA KE XUE福州、漳州、莆田，从区域分布看，内陆山区城市要好于沿海城市。
与2017年相比，2018年三明优良率升高0.3个百分点，其他城市下降0.3-3.6个百分点，其中福州下降幅度最大，其次为宁德、漳州、泉州等城市，下降幅度较大的城市主要分布在沿海区域。
表12017—2018年各城市优良天数比例城市-2017年2018年优良轻度以上优良轻度以福州市/%37.058.94」39.253.17.7厦门市/%51.847.40.846.851.8 1.4莆田市/%34.256.49.437.052.910.1三明市/%52.346.61」53.745.50.8泉州巾7%3&156.4 5.534.55&9 6.6漳州市/%30.163.0 6.927.463.09.6南平市/%5&940.30.857.540.9 1.6龙岩市/%60.039.20.853.745.2 1.1宁德市/%39.256.2 4.647.145.57.4 2.3超标污染物分析2018年各城市超标污染物主要为03，合计超标145天•市,其次为PM2.5＞合计超标23天•市;厦门NO2超标2天，龙岩、南平、泉州、漳州PMw各超标1天。
从城市分布来看，。
3超标犬数较多的城市主要分布在沿海区域，其中莆田03超标31天、漳州30天、福州26天、宁德24犬、泉州22天，I：述城市O3超标天数合计达133人。
从各月超标天数分析，03超标主要集中在4〜10月，其中4月和10月超标天数较多。
PM25超标主要集中在1〜3月、12月。
2018年,Ch超标天数占比达85.8%,。
3污染已成为全省空气污染的首要问题，是造成全省优良率下降的主要原因。
2.4各城市综合指数分析根据《环境空气质量评价技术规范（试行）》（HJ 663-2013）和《城市环境空气质量排名技术规定》（环办〔20⑷64号）规定，综合指数越大，表明城市空气污染程度越重。
2018年各城市综合指数范围2.81〜4.03,空气质量相对较好的城市排名依次为：南平、宁德、莆田和龙岩（并列第3名）、厦门、福州、三明、泉州、漳州。
从图1分析，2018年各城市各月综合指数变化趋势基本相似。
1〜4月空气质量逐渐转差，5月起空气质量转好，6〜9月综合指数位于低值区，10〜12月，综合指数升高，空气质量转差。
整体分析，福建省夏秋季节空气质量要明显好于冬春季节。
s；«iU—忌卅市—tfit—龙*帀图12018年各月综合指数变化趋势2.5主要污染物变化情况2.5.1二氧化硫（SO2）月均浓度变化2018年，9个设区城市SO?月均浓度范围6〜15Hg/m‘，均达国家一级标准。
其中三明浓度相对较高,福州浓度相对较低。
整体上，SO?各月浓度基本维持在较低水平，季节变化不明显，冬季未出现明显的升高现象，而北方冬季因燃煤供暖等原因，浓度显著高于其他季节［‘句，福建省SO?浓度受燃煤影响较小。
2.5.2二氧化氮（NO?）月均浓度变化2018年，9个设区城市NO?月均浓度范围10〜44ng/m3,其中漳州1月、厦门3月浓度超标。
NO?浓度相对较高城市为厦门、漳州，相对较低的城市为南平、莆田、宁德。
从各月来看，高值时段出现在1月、3月、11月和12月，5〜9月浓度相对较低。
城市NO?主要来源于机动车尾气和匚业排放，但厦门NO?长期偏高，港口船舶尾气排放也是主要原因之-o2.5.3可吸入颗粒物（PM,o）月均浓度变化2018年，9个设区城市PM〕。
月均浓度26〜85pg/n?,其中漳州3月、4月，福州、泉州4月浓度超标。
PMm浓度相对较高城市为漳州、泉州，相对较低的城市为南平、宁德。
从各月来看，I〜4月，PMio浓度呈升高趋势；5〜9月浓度相对较低；10〜12月浓度再次升高。
PM】。
主要来源为工业过程源、扬尘源和固定燃烧源等一次污染HAI XIA KE XUE海峡科学2019年第3期源，福建省PM 】。
浓度仅部分城市个别刀份超标，表明 一次污染源控制稳定。
2.5.4细颗粒物(PM2.5)月均浓度变化2018年，9个设区城市PM 2.5月均浓度15〜44gg/m 3,漳州4月浓度最疝、南平7月浓度最低。
PM 2.5浓度相对较高城市为漳州，相对较低的城市为南平，其余城市浓度基本相近。
从各月来看，1〜4月，PM 2.5浓度呈升高 趋势；5〜9月，浓度相对较低；10〜12月，浓度再次升 高，变化趋势与PM ］。
相似。
冬春季节是福建省PM2.5浓度高值时段，其次为秋季，夏季浓度最低。
2.5.5 一氧化碳(CO)月均浓度变化2018年，9个设区城市CO 月均浓度0.6~2.2mg/m\其中三明12月浓度最高、厦门5月浓度最低。
整体上:一 明CO 浓度高于其他各城市，三明CO 污染主要来源于钢铁工业生产排放的一次污染源。
从各月来看，三明12月CO 浓度明显升高，其余各城市CO 浓度基本维持在较低水平，季节变化不明显。
2.5.6臭氧(Ch)月均浓度变化2018年，9个设区城市Ch 浓度62〜194mg/m\其中莆田4月浓度最高、三明12月浓度最低。
03浓度相对较高的城市为莆田、漳州、泉州、福州、宁德，相对较低的城市为三明、南平、龙岩、厦门。
福建省Ch 高值区主要集中在沿海城市，王宏等°】研究认为，沿海地区经济发达，人口密度大，人为排放、汽车尾气排放量较大, 同时福建石化、涂装、制鞋等VOC 排放企业，以及火电、钢铁等NO ’排放企业主要集中在沿海区域，形成区 域性03污染，因此区域联防联控尤其重要。
从各月来看,4〜10月是Ch 浓度高值时段，日照时数增加以及较低的相对湿度为臭氧生成提供了良好的条件。
•当駁-M U O S16.福州市■龙岩市 ■南平市——宁徳市—莆田市-•一泉州市——三明市——厦门市——漳州市54福州市龙岩市南平市----宁德市莆田市T-泉州市——三明市——厦门市——漳州市54104"* 南平市"宁德市 "莆田市 —厦门市一漳州市44342414rLUMrl总-疑霍三d■龙岩市 三明市—福州市一■■龙岩市南平市—宁徳市 —«田市•泉州市—■・三明市 厦门市 漳州市>u io u v翌誉 00福州市 泉州市• 福州市 ■龙岩市T 南平市“宁慮市莆田市 ■泉州市一三明市—厦门市 漳州市T —福州市龙岩市 T 一南平市----宁尬市—莆田市T-泉州市----三明市-----厦门市——漳州市♦图2 2018年各城市污染物浓度变化趋势图2019年第3期海峡科学HAI XIA KE XUE3结论(1)福建省2018年空气质量总体保持良好，9个设区城市优良率89.9%〜99.2%,平均优良率94.9%,03浓度同比升高2.9%,其余污染物浓度均下降。
(2)2018年，03浓度超标天数占比85.8%,(¾污染已成为福建省空气污染首要问题,03超标是造成全省优良率下降的主要原因。
(3)按空气质量综合指数排名，9个设区城市空气质量相对较好的城市依次为：南平、宁德、莆田和龙岩(并列第3名)、厦门、福州、三明、泉州、漳州。