罗欢 王斌

摘要：为研究成都市颖杜物污染的空间分布特征，基于2017年4月至2018年3月成都市37个空气质量监测点位颗粒物小时浓度数据，利用地统计学方法对PM_2.5、PM10进行了空间分布特征研究。结果表明：在重污染月份12月PM_2.5空间变异特征受结构性因素与随机性因素作用效果几乎相同，表现出较强的空间相关性;而PM10污染空间变异特征受结构因素的影响大于随机性因素，各项异性比值均大于1.5，二者的空间分布均具有明显的方向性。成都市颖粗物污染冬季呈现出西部沿山区和东部丘陵区低，中部平坝区高的趋势，即东北至西南一线，平坝区和沿山区交界是成都市颗粒物污染最为严重的区城。

关键词：新杜物;空间分布;地统计学;克里金擂值;成都

中图分类号：X513 文献标识码：A 文章编号：1674-9944（2020）04-0048-03

1 引言

近年来，有研究表明，成都市大气颗粒物污染已逐渐表现为从粗颗粒向细颗粒转变的污染特征PM_2.5已成為成都市大气污染的首要污染物[1～3]。目前针对成都市颗粒物的研究涉及的采样点数量较少[4]，研究内容主要包括颗粒物的化学组分[5]，源解析[6]及与气象因素的相关性上[7，8]，研究范围也大多集中在中心城区[9，10]，或某一特殊污染事件[11，12]。地统计学是以区域化变量理论为基础，以半变异函数为主要工具，研究在空间分布上既有随机性又有结构性，或具有空间相关和依赖性的自然现象的科学[13～15]。地统计学可以利用点源监测数据模拟空间分布特征，根据已经获取的研究区域的空间特性来对未知的空间特性进行分析。利用地统计学方法对空气污染物时空分布进行研究在国外得到了较广泛的应用[16～18]。随着成都市空气质量自动监测网络系统的不断完善，监测站点基本覆盖成都市各区市县，为利用地统计空间插值法直观地呈现污染物的空间分布，从而对成都市全域范围颗粒物污染特征进行分析和研究提供了可能。本研究结合地统计学方法对成都市颗粒物空间分布规律以及气象因素进行研究，以期进一步了解成都市颗粒物空间分布情况，在更广阔的范围内探寻成都市颗粒物的污染特征，以此划分成都市颗粒物污染的轻微污染和严重污染区域，这对于采取更有针对性、更有效的污染应对措施，改善成都市大气环境质量具有重要意义。

2 研究区域及数据来源

成都位于四川省中部，四川盆地西部，介于东经102°54′～104°53′和北纬30°05′～31°26′之间，总面积14605km²，地势从西北向东南逐渐降低，具有显著的地势差异。成都属于亚热带湿润季风气候区，夏季炎热，冬季温暖，全年相对湿度较高、年平均风速小，因此污染物不易扩散。本文研究范围为成都市全域，研究区域及监测站点分布如图1所示。本文污染物监测数据来源于成都市环境监测中心站，获取了2017年4月至2018年3月的成都市37个监测站点颗粒物的小时质量浓度监测数据。

3 结果与讨论

3.1 颗粒物浓度数据半变异拟合模型选择

半变异函数可以用于分析区域化变量的空间变异特征，对变量进行半变异拟合最为常用的是有基台值的拟合模型，其中常用的模型有球状模型、高斯模型和指数模型。在选择最优拟合模型时可通过比较指标预测误差（Prediction Error）中的几个指标参数，最优模型选择标准可以综合以下几个指标：标准平均值（MS）趋近0，均方根（RMS）最小，标准均方根（RMSS）趋近1，平均标准误差（AME）最接近均方根（RMS）。选取各季节代表月份为研究对象，采用ARMS 10.5软件中的Ueostatistical Analyst分析模块对PM_2.5、PM₁₀进行空间变异分析，半变异函数最佳拟合模型交叉检验结果及变异参数如表1所示。

3.2 污染物空间特征参数分析

块金效应表示随机因素引起的空间异质性，可以用来描述区域化变量的随机特征。PM_2.5月均浓度的块金效应值在17%～63%之间，表现出较强的空间相关性，表明成都市颗粒物空间变异特征受结构性因素与随机性因素作用效果几乎相同。10月和3月份PM，月均浓度的块金效应值分别为34%，32%，表现出较强的空间相关性。7月和12月PM₁₀月均浓度的块金效应值为0，表明PM₁₀污染空间变异特征受结构因素（自然因素）的影响大于随机性因素（人为因素），即主导风向、地形地貌、用地布局分布等对PM₁₀空间分布的影响较大。随机因素主要包括风场的随机波动、流动污染源排放的变化等[20]。

各项异性比为长轴与短轴之比，可以表征变量是否具有明显方向性。一般认为比值大于1.5，则变量的空间结构为各向异性[15]。半变异拟合结果表明，PMZ。在7月和3月各项异性比值分别为1.37，1.45，认为方向性不明显，10月和12月各项异性比值均大于1.5，认为空间分布具有明显的方向性。PM₁₀拟合参数长轴方向均落在第一象限，各月份的各项异性比值均大于1.5，认为PM₁₀浓度的空间分布具有明显的方向性。

变程体现了在既有采样间距范围内区域的空间相关性范围，在变程范围内采样间距越小，样本间空间相关性越大。如果采样间距超过变程的大小，可以认为样本变量间不再存在空间相关性。根据半变异函数拟合结果，PM_2.5月均质量浓度的长轴方向上的变程在13-82km之间，变程均值约34km;短轴方向上的变程在10～43km之间，变程均值约19km。PM₁₀月均质量浓度的长轴方向上的变程在17～68km之间，变程均值约45km;短轴方向上的变程在9～35km之间，变程均值约19km。不同的变程说明污染物有不同的空间相关距离，且呈现出各向异性。

3.3 克里金空间插值结果分析

克里金插值法是地统计学中最常用的插值方法，其利用區域化变量的原始数据和变异函数的结构特点，对未采样点的区域化变量进行局部线性无偏最优估计[22]。为直观反映成都市颗粒物污染空间分布状况，本文采用普通克里格插值方法对PM_2.5、PM₁₀进行空间插值模拟，生成相应的空间分布预测图，得到的结果如图2～3所示。

从图2和图3可以发现PM₁₀的空间分布与PM_2.5具有很强的相似性，其高值区域分布在各时期均有较高的相似度。成都市颗粒物污染冬季呈现出西部沿山区和东部丘陵区低，中部平坝区高的趋势，即东北至西南一线，平坝区和沿山区交界是成都市颗粒物污染最为严重的区域。冬季颗粒物污染最为严重，局部污染较为突出，污染带呈明显的东北一西南走向，污染高浓度区域涉及一二三圈层。总体而言，成都市市区通常不属于可吸入颗粒物污染最严重的区域，而污染最严重的区域通常为成都市市郊，如双流、温江、郫县、新都等，这些地区有着较多数量的工业区，因此推测，工业排放可能是成都市可吸入颗粒物的主要来源之一。

4 结论

（1）从块金效应来看，夏冬季成都市颗粒物空间变异特征受结构因素的影响大于随机性因素，春秋季成都市颗粒物空间变异特征受结构性因素与随机性因素作用效果几乎相同。

（2）从变程来看PM_2.5、PM₁₀在长轴方向上的变程均值分别为79km、88km，在短轴方向上的变程均值分别为37km、34km，PM_2.5和PM₁₀具有明显的方向性特征[23]。变程可以为监测布点距离的选取提供参考，建议成都市颗粒物空气质量监测布点在长轴方向上的间隔设置宜取20～40km，短轴方向上布点间隔宜取10～20km。

（3）成都市颗粒物污染春冬季具有明显的空间异质性PM_2.5和PM₁₀呈现出东西低，中部高的趋势，冬季二圈层颗粒物污染较为严重，开展相关的污染溯源和影响因素分析具有重要意义。

参考文献：

[1]Chan C K，Yao X.Air pollution in mega cities in China[J].Atmos-pheric Environment，2008，42（1）：1～42.

[2]张智胜，陶俊，谢绍东，等.成都城区PM_2.5季节污染特征及来源解析[J].环境科学学报，2013，33（11）：2947～2952.

[3]张娟，刘志红，段伯隆，等.2014年成都市大气污染特征及气象因子分析[J].四川环境，2016，35（6）：79～88.

[4]谢雨竹，潘月鹏，倪长健，等.成都市区夏季大气污染物浓度时空变化特征分析[J].环境科学学报[J]，2015，35（4）：975～983.

[5]陈源，谢绍东，罗彬.成都市大气细颗粒物组成和污染特征分析（2012-2013年）[J].环境科学学报，2016，36（3）：1021～1031.

[6]林瑜，叶芝祥.成都市西南郊区初春大气颗粒物PM_2.5的组成及来源解析[C]//中国气象学会.第32届中国气象学会年会论文集.天津：中国气象学会，2015：8.

[7]孙欢欢，倪长健，崔蕾，等.成都市大气颗粒物污染特征及与气象因子的关联性分析[J].环境污染与防治，2016，38（5）：55～60.

[8]邓利群，钱骏，廖瑞雪，等.2009年8～9月成都市颗粒物污染及其与气象条件的关系[J].中国环境科学，2012，32（8）：1433～1438.

[9]陈曦，刘经纬，刘小兵，等.成都市2011年和2012年空气中主要污染物浓度空间变化分析[C]//中国环境科学学会.中国环境科学学会学术年会论文集.昆明：中国环境科学学会，2013：5.

[10]赵荣仙，刘传姚，张兵，等.2003-2010年西南地区省会城市空气污染指数的动态变化[J].环境与健康杂志，2013，30（5）：422～425.

[11]廖婷婷，王珊，王莉莉，等.2013年成都财富论坛期间空气质量状况分析研究[J].环境科学学报，2016，36（1）：271～278.

[12]石佳，刘宇嘉，王源程，等.2017年成都市春节期间烟花爆竹对空气质量的影响[J].四川环境;2017，36（S1）：51～56.

[13]Munir，S.Analysing Temporal Trends in the Ratios of PM_2.5/PM₁₀in the UK[J].Aerosol and Air Quality Research，2017，17（1）：34～48.

[14]Xu，G.，L.M.Jiao，B.E.Zhang，et al.Spatial and Temporal Vari-ability of the PM_2.5/PM₁₀Ratio in Wuhan，Central China[J].Aerosol and Air Quality Research，2017，17（3）：741～751.

[15]刘爱利，王培法，王园园.地统计学概论[M].北京：科学出版社，2012.

[16]Hoffmann H.Geostatistical analysis of spatial and temporal ozoneimmission structures[C]//9th International Conference on Mod-elling，Monitoring and Management of Air Pollution，ANCONA，2001，ITALY：511～520.

[11]Rodriguez F J L，Garcfa F J M，Gonznlez P V.Evaluation and a-nalysis of the urban air pollution by means of the use of geostatis-tical techniques and geographical information systems（sig）[J].Asociacibn Espafiola De Ingenieiia De Proyectos Aeipro，2016（6）：227～234.

[18]Halimi M，Farajzadeh M，Zarei Z.Modeling spatial distribution ofTehran air pollutants using geostatistical methods incorporate un-certainty maps[J].Pollution，2016，2（4）：375～386.

[19]Huang W，Long E，Wang J，et al.Characterizing spatial distribu-tion and temporal variation of PMlo and PM_2.5mass concentra-tions in an urban area of Southwest China[J].Atmospheric Pollu-tion Research，2015，6（5）：842～848.

[20]李展，楊会改，蒋燕，等.北京市大气污染物浓度空间分布与优化布点研究[J].中国环境监测，2015，31（1）.

[21]苏福庆，任陈海，高庆先，等.北京及华北平原边界层大气中污染物汇聚系统[J].环境科学研究，2004，17（1）：21～25.

[22]高长春.朱慧方，孙连群，等.基于地统计学的湖南省降水空间变异特征分析[J].湖北农业科学，2018，57（20）：49～53.

[23]李立忠，朱璐，金焰，等.黄石市大气颗粒物的特征分析[J].中南民族大学学报（自然科学版），2017（4）：14～16.

收稿日期：2020-02-12

作者简介：罗欢（1995-），女，硕士研究生，研究方向为环境监测。

通信作者：王斌（1964-），男，副教授，研究方向为环境监测与数据分析。