吴 波,刘春琼,张 娇,李彦辉,陈郁兵,文 烨,鲍冰逸,杜 娟,史 凯*

COVID-19期间区域大气高污染发生的非线性动力机制

吴 波1,刘春琼2,张 娇1,李彦辉1,陈郁兵1,文 烨1,鲍冰逸1,杜 娟1,史 凯2*

(1.吉首大学数学与统计学院,湖南 吉首 416000；2.吉首大学生物资源与环境科学学院,湖南 吉首 416000)

以长株潭城市群3个城市(长沙、株洲和湘潭)疫情期间(2020年1月24日～2020年5月31日)大气PM2.5和O3小时平均浓度时间序列数据为研究对象,对污染物日变化规律、长期持续性、多重分形性及自组织演化动力学特性进行研究.以期阐释疫情期间高污染事件发生及演化的内在动力机制.首先,对3个城市PM2.5和O3质量浓度的日变化规律进行分析,发现O3呈现出昼高夜低的单峰型,而PM2.5日变化规律表现出昼低夜高单峰型,与非疫情期间的特征有所差异.进一步,应用消除趋势波动分析法(DFA)、多重分形消除趋势波动分析法(MFDFA)和概率统计分析,研究了大气复合系统中PM2.5和O3质量浓度序列的长期持续性和多重分形结构.结果发现3个城市PM2.5和O3浓度序列均具有显著的长期持续性特征和较强的多重分形结构,同时,应用去趋势互相关分析法(DCCA)方法和多重分形去趋势互相关分析法(MFDCCA)对PM2.5和O3两者之间的互相关性进行了分析,发现PM2.5-O3之间的互相关也存在显著的长期持续性特征以及在不同时间尺度存在多重分形特征.进一步将疫情期间得到的非线性分析结果与2018年和2019年同期非疫情期间的结果进行了对比分析.最后,基于自组织临界理论(SOC)探讨了大气PM2.5和O3浓度时空演化的内在动力规律,并结合典型区域气象特征,阐明了SOC内禀动力机制可能是COVID-19疫情期间大气高污染形成的主导机制之一.疫情期间大气PM2.5和O3浓度并非分别独自演化,而是依然保持复杂的相互作用.静稳气象条件下,大气复合污染内部的非线性耦合作用可能达到动力学临界状态,将导致长株潭城市群在疫情期间仍有发生大气高污染的风险.

日变化规律；长期持续性；多重分形；幂律统计；自组织临界；PM2.5；O3

2020年,为阻断COVID-19疫情的蔓延,我国政府在全国范围内实施了遏制病毒传播的封锁措施,例如:严格交通管制,限制居民外出,停止集市集会,停工停业停课等[1].从环境学角度来看,COVID-19疫情爆发可以视为一场代价巨大的环境学实验,为研究疫情期间大气污染物的演化规律提供了一个独特的机会.

在疫情防控期间,工厂和企业停产停工、城市交通量锐减导致一次污染物排放量大幅度减少[2].但COVID-19疫情期间环境状况并未得到显著改善,部分地区高污染事件还时有发生.例如,Sicard等[3]定量分析武汉市COVID-19疫情期间人为排放污染物的减少对空气污染的影响.结果发现与2017～2019年同期相比,2020年疫情期间武汉市O3日平均浓度增加了36%.Huang等[4]发现2020年COVID-19疫情期间,虽然一次污染物的排放量大量减低,但中国东部地区严重雾霾污染事件并未能得到有效减少.Chang等[5]通过模拟分析上海市2020年与2019年春节期间气溶胶变化趋势,发现2020年春节期间(疫情期间)PM2.5中的二次气溶胶分数比2019年春节期间的上升了16%.相关研究表明在工业生产和交通排放锐减的情况下,疫情期间高污染事件的发生显然不是人为排放因素导致的,而极有可能是由其内在演化的动力学机制所主导.

近年来,长株潭城市群高浓度、强氧化性的大气复合污染态势明显[6-7].在大气复合污染中,PM2.5与O3之间的相互作用关系及其形成机理存在着复杂的关联性,二者不仅具有共同的前体物(如NO和挥发性有机物(VOCs)),而且还能通过多种途径相互作用影响(如非均相反应等).前人研究发现,二次气溶胶形成的主要化学途径包括气相光化学氧化反应、颗粒物表面的非均相反应以及颗粒物内部的液相氧化反应[8].在高浓度O3的催化氧化作用下,SO2和NO通过均相和非均相反应生成硫酸盐和硝酸盐[9-12].同时,VOCs与OH、NO3自由基及O3等氧化物通过光氧化反应也能生成二次气溶胶[13].当细颗粒物浓度上升时,细颗粒物能通过散射、吸收紫外光辐射及改变大气紫外光辐射强度直接影响大气中O3生成.此外,大气中细颗粒物还可以通过影响云的光学厚度、云滴的有效半径及云滴数浓度等间接影响O3生成[14].大气复合系统中PM2.5和O3之间的演化,不仅受到微观物理化学等机制的作用,同时还受气象、地形等因素的影响.由于PM2.5和O3之间的演化涉及众多复杂因素(如太阳光辐射、气象等)的控制,所以其二者浓度波动演化具有非线性、非平稳、非周期等特征[15].传统统计学方法不能有效地消除非平稳、复杂性等特征所导致的伪相关现象,因此很难通过传统统计学方法准确地刻画出具有非线性特征的污染物内在演化规律特征.分形方法能够从宏观、整体上分析大气污染物浓度序列的复杂非线性特征,及大气污染物随时间演化的内在标度规律.因此,应用非线性分形方法研究COVID-19疫情期间大气复合系统中PM2.5和O3浓度时空演化非线性规律及二者相互作用的时间尺度特征具有重要的科学意义.

本研究重点以长株潭城市群长沙、株洲和湘潭3个城市疫情期间(2020年1月24日～2020年5月31日)大气PM2.5和O3小时平均浓度时间序列为研究对象.首先应用消除趋势波动分析法(DFA)和去趋势互相关分析法(DCCA)研究长沙、株洲和湘潭3个城市疫情期间PM2.5和O3浓度序列的时间演化规律及内在动力学机制.其次,应用多重分形消除趋势波动分析法(MFDFA)和多重分形去趋势互相关分析法(MFDCCA)分析3个城市疫情期间PM2.5和O3浓度序列多重分形性及二者之间的互相关性的多重分形特征,并与2018年和2019年同期数据结果进行对比分析.最后,根据自组织临界理论(SOC)阐明疫情期间长株潭城市群大气复合污染高污染发生的演化特征和内在机制,以期为城市大气高污染事件的预测、预警和风险评价提供科学参考.

1 材料与方法

1.1 材料

长株潭城市群位于湖南省中东部(26°03¢～ 28º40¢N,111º54′～114º15′E),包括长沙、株洲和湘潭3个主要城市.该城市群位于雪峰山脉、罗霄山脉之间的湘江谷地,中心地势低,周边以山地丘陵地貌为主.城市群属于亚热带季风气候区,四季分明,夏热期长,降水丰沛,年平均降雨量1400mm左右.该城市群作为湖南省工业化、城镇化发展的核心区域,其大气污染物排放量高,且地形条件不利于污染物的扩散[16].因此,该城市群内很容易发生高污染事件.本文选择长沙、株洲和湘潭3个城市2020年1月24日～2020年5月31日大气PM2.5、O3小时平均浓度作为主要研究对象(图1).实时监测数据来源于全国城市空气质量实时发布平台.由于仪器校准、维护、停电和故障等原因,可能会造成短时间内各城市监测子站内的O3、PM2.5质量浓度数据有不同程度的缺失,但数据的缺失比率均不超过0.9%,且缺失数据在研究时段几乎均匀分布,不存在连续缺失的现象.并且利用缺失数据前后时刻的浓度平均值对缺失数据进行填补.

图1 2020年1月24日～2020年5月31日长沙、株洲和湘潭3个城市O3和PM2.5原始数据序列图

1.2 研究方法

1.2.1 去趋势互相关分析法(DCCA) DCCA能有效地避免非平稳序列所引起的伪相关的影响,现已成为研究两组非平稳序列之间相关性的最科学有效方法之一.具体算法如下.

首先,对两类污染物浓度时间序列()和(),=1,2,…,进行积分.

然后,对给定的时间尺度,用积分序列减趋势信号,得到两组数据残余信号的协方差.

式中:()为时间尺度下()和()污染物残余信号的协方差.

最后,取不同的时间尺度,重复上述过程,得到不同时间尺度下的().若在双对数坐标下ln～ ln()满足线性关系,则存在幂律关系

式中:表示DCCA指数, 即自相似性参数.

其中,值得注意的是,如果研究序列()与()为同一时间序列时,则DCCA算法等效于DFA. DCCA指数反映了两组非平稳时间序列之间的长期互相关性.≈0.5时,表明分析的两组时间序列中不存在长期互相关性,即两组时间序列任何时刻均是完全相互独立;≠0.5时,表示两组时间序列中存在长期互相关性,这意味着两组序列之间的数据值之间不是完全独立的;当>0.5时,表示两组时间序列之间存在长期正相关性,即如果过去一段时间内一类污染物呈增加(减小)的趋势,则会导致另一组污染物呈现出相同的趋势,且这种影响在一定时间尺度上表现出无标度的幂律衰减形式.当<0.5则表示两组污染物浓度序列具有反持续性的长期互相关性.

1.2.2 多重分形去趋势互相关分析(MFDCCA) MFDCCA是由Zhou[17]提出的一种可以识别2个非平稳时间序列之间的相互关系和多重分形特征的新统计方法[23].其算法具体如下.

首先确定2个污染浓度时间序列()和(),=1,2,…,,其中是时间序列的长度.其序列()和()的累积离差序列如下:

其次,将累积离差序列()和()划分为具有相同长度N=/的互不相交的区间,为时间尺度.由于时间序列长度通常不是时间尺度的整倍数,为了避免数据遗漏,将其序列从尾部向前重复上述相同的过程.因此,得到2N个区间.

和

每个区间,=+1,+2,…,2.然后,对所有分段进行平均,得到(≠0)阶波动函数().

最后,计算不同时间尺度下的波动函数().如果2个时间序列之间存在长期幂律互相关关系,则波动函数与时间尺度将存在幂律关系

式中:()为广义赫斯特指数.

特别需要注意的是,如果系列()与()相同,则MFDCCA算法等效于MFDFA.当=2时,广义互相关指数(2)可以表征赫斯特指数所具备的性质.(2)=0.5表示两序列之间不存在相互关系.(2)>0.5表示两序列之间呈现出长期幂律互相关,且以幂律形式呈现出正相关关系,这意味某一个污染物增大可能会在未来一定时间尺度内造成另一个污染物浓度增大.这也表明两个污染物之间的相关性具有长期持续性特征.而(2)<0.5则与此相反.

如果()不依赖的变化而变化,则两个序列之间的相互关系为单一分形.如果()表现出随增加而单调递减形式,则两个序列之间的互相关性具有典型的多重分形特征.在多重分形模式下,()随着的变化表现为在不同尺度下,两个序列之间的小波动和大波动互相关的长期持续性特征具有异质性行为.多重分形的强度可通过()的范围来计算.

当∆越大, 多重分形性越强.

1.2.3 污染浓度概率统计分析 过去研究中,前人已经证明了大气污染浓度波动并非完全随机而是在统计上遵从典型的幂律分布[18-19].如果某一次污染事件的发生规模在统计上呈现出幂律关系,则可认为污染系统出现自组织临界(SOC)行为的一个显著标致.通常表现为污染事件发生的频率随着事件规模大小呈现幂指数下降.如果污染浓度序列波动具有相类似的特征, 则需满足下列关系式.

式中:表示某一污染物浓度值,μg/m3;为标度指数,为大于某一污染物浓度值(0)的累计次数.

1.2.4 自组织临界理论 Bak等[20]于1987年提出的自组织临界(SOC)这一概念,从整体、宏观角度阐释了复杂系统中长期持续性特征和幂律统计分布的产生动力学机制.该类SOC系统是由数目庞大发生短程近邻相互作用的组元所构成.在系统内部和外部因素共同作用下,该系统将自发地向临界状态演化并最终稳定在该临界状态.当系统稳定在临界状态时,外界任何一个小事件(物质或能量输入)都将可能引起影响众多组元的连锁反应,最终造成大规模事件发生.在复杂SOC系统中大规模事件发生的概率往往比小规模事件发生的概率小,其大规模事件发生主要是由系统内众多大大小小规模的连锁反应所导致,具有标度不变性.因此,系统内的时空关联函数在宏观上涌现出幂律标度特征及长期持续性等特征.这样,幂律分布统计特征及长期持续性特征可以作为复杂系统内存在SOC特性的重要依据[21].沙堆模型是理解SOC理论的关键性模型.缓慢的向沙堆中投加沙粒时,当沙粒累积到一定程度时沙堆就会产生崩塌,这类崩塌属于一种非线性的临界行为.从宏观上来看,这种临界行为产生的宏观效应具有幂律统计规律.

2 结果与分析

2.1 PM2.5和O3浓度日变化规律

从图2中可以发现,3个城市PM2.5和O3质量浓度的日变化规律曲线基本一致.3个城市O3质量浓度日变化规律与近地面大气光化学过程密切相关,均呈现出明显的昼高夜低单峰型变化规律.3个城市O3质量浓度均于下午16:00左右达到一天中的最高值,随后浓度慢慢下降(图2),直到次日日出时分(07:00左右)达到一天最小浓度值.O3质量浓度于下午16:00点左右达到最高值,这主要是由于O3对太阳辐射及温度的响应具有明显延迟性,即前体物通过复杂的光化学反应生成臭氧需要一定时间[22].但16:00左右以后太阳辐射强度降低,光化学反应过程中O3的生成量低于氧化反应中(例如NO氧化成NO2)O3的消耗量.因此,O3质量浓度在16:00点以后会逐渐降低,直至次日07:00点左右达到一天中最低浓度值[23-24].此外,3个城市PM2.5质量浓度日变化规律特征均表现出凌晨(03:00点左右)最高,随后浓度逐渐下降直到下午(16:00点左右)达到一天中的最低点.这是因为PM2.5日变化浓度主要是受太阳辐射和其重力作用影响.PM2.5等颗粒物经过沉降作用,晚上近地面的PM2.5浓度不断积累,于凌晨03:00点左右达到一天中的最大值.但随着太阳辐射的出现和增强,近地面温度上升,近地面附近将形成暖气团,在暖气团的携带下PM2.5将会一起上升.因此,PM2.5质量浓度会随着太阳辐射增强逐渐减少.PM2.5污染物经过一天的辐射、升温、上升,直至下午16:00点左右达到一天的最低值[25].上述结果与以前的研究存在一定的差异,前人研究发现非疫情期间PM2.5浓度呈现出双峰型日变化规律,其主要原因可能是由于上下班高峰期的机动车尾气的排放[26-27].而COVID-19疫情期间PM2.5呈现出单峰型日变化规律主要可能是由于人们出行受限机动车尾气排放显著减少的原因.

图2 2020年1月24日～2020年5月31日长株潭城市群3个城市PM2.5和O3浓度日变化规律

2.2 PM2.5和O3长期持续性及长期相关性特征

应用消除趋势波动分析法(DFA)分别对长沙、株洲和湘潭3个城市的PM2.5和O3浓度时间序列进行分析,结果如图3所示.COVID-19疫情期间长株潭城市群长沙、株洲和湘潭3个城市PM2.5和O3的ln()～ln()关系呈现出显著的线性关系.并利用最小二乘法对3个城市PM2.5和O3浓度时间序列的DFA指数进行线性估计,其指数分别为长沙((PM2.5)=0.968,(O3)=0.771),株洲((PM2.5)= 0.997,(O3)=0.812),湘潭((PM2.5)=1.000,(O3)= 0.768).污染物浓度序列的长期持续性特征能被DFA指数直接描述,且3个城市PM2.5和O3的指数均高于0.5,表示其污染物具有较强的长期持续性特征.长期持续性反映了COVID-19疫情期间长沙、株洲和湘潭3个城市的PM2.5和O3浓度时间序列变化前后的相关性规律特征.换言之,PM2.5和O3浓度时间序列在一定时间尺度范围内其相关性变化并不严格遵循马尔科夫过程,而是遵循幂律衰减规律.其指数越大,污染物的长期持续性越强,则意味着如果过去一段时间内污染源排放的PM2.5(O3)增加将会导致未来一段时间内PM2.5(O3)浓度持续增加.即过去时刻的PM2.5(O3)浓度会对未来一定时间尺度内PM2.5(O3)质量浓度积累或消散产生持续性的影响.

图3 疫情期间长沙、株洲和湘潭3个城市PM2.5和O3的DFA以及PM2.5-O3的DCCA图

为了定量分析PM2.5和O3之间相互作用对二者浓度演化过程中的影响,应用去趋势互相关分析(DCCA)方法对长株潭城市群3个城市的PM2.5和O3浓度相互作用进行分析,其结果如图3所示.长沙、株洲和湘潭3个城市在研究时段内均表现出相似演化特征,呈现出较好的一致性.该结果与PM2.5和O3的DFA分析结果类似,研究期间内PM2.5和O3之间互相关的ln()～ln()也呈现出显著的线性关系.其中长沙、株洲和湘潭DCCA标度指数分别为0.893、0.910、0.900.长株潭城市群3个城市的分析结果表明,在COVID-19疫情期间内PM2.5和O3浓度的相关性均表现出较强的长期持续性特征.这意味着在过去的一段时间内3个城市PM2.5(O3)污染物排放增加将导致未来一段时间内3个城市O3(PM2.5)浓度持续增加.

由上述结果可知,长株潭城市群3个城市PM2.5和O3浓度及PM2.5-O3互相关性都有显著的长期持续性特征.这表明在各个城市大气系统中PM2.5和O3浓度演化不仅受到自身浓度波动的影响,同时还受到二者之间的相互作用的影响.

2.3 O3和PM2.5浓度序列多重分形特征

为了进一步研究局域时间尺度下O3浓度和PM2.5浓度序列的非线性特征及二者之间非线性互相关关系,对COVID-19疫情期间长株潭城市群3个城市O3浓度,PM2.5浓度序列和O3-PM2.5互相关性进行多重分形消除趋势波动分析法(MFDFA)和多重分形去趋势互相关分析法(MFDCCA)分析.

从图4、5、6可知,在整个时间尺度上,长沙、株洲和湘潭3个城市PM2.5、O3浓度和PM2.5-O3互相关性的双对数坐标图中不同阶下ln()均能很好地拟合去趋势波动函数lnF().其中,不同(=0,±5,±10,±20)阶的ln()～ln()均表现出良好的线性关系且回归线收敛.这表示3个城市PM2.5、O3浓度波动和PM2.5-O3之间的互相关演化在不同尺度上均具有不同幂律形式的长期持续性特征.这也说明在一定时间尺度上,PM2.5、O3浓度和PM2.5-O3互相关性不服从经典的马尔可夫过程,而是以幂律形式随时间缓慢衰减.从图4～6中阶广义Hurst指数曲线变化来看,长沙、株洲和湘潭3个城市的O3、PM2.5浓度和PM2.5-O3互相关性的()均表现出随着值的增大而减小的规律,这证明3个城市中PM2.5、O3浓度和PM2.5-O3互相关性的长期持续特征均具有多重分形标度不变性的结构.

进一步依据(10)式可计算出多重分形的强度∆.在多重分形谱中,∆值越高,则表示序列的多重分形强度越高,即污染物浓度时间序列分布越不均匀,其分形特征越明显.计算得到的疫情期间各城市O3、PM2.5浓度和PM2.5-O3互相关性的∆h值见表1.从整体上看,各城市PM2.5浓度序列的多重分形强度最大.这种情况的原因可能是,本研究探讨的疫情时段主要涉及冬季和春季两个季节,在静风频率和逆温作用下PM2.5浓度演化波动不稳定,所以PM2.5表现出更强的多重分形特征.此外,3个城市的各非线性特征分析结果具有显著的一致性,这充分表明长沙、株洲和湘潭3个城市污染具有区域性特征.

根据上述结果可知,长沙、株洲和湘潭3个城市在COVID-19疫情期间PM2.5、O3浓度和PM2.5-O3互相关性的多重分形特征呈现出显著的动力学同步性.这表示了3个城市中PM2.5和O3之间可能存在相似的非线性动力学演化机制.此外,3个城市PM2.5、O3浓度均具有较强的多重分形特征,且PM2.5-O3之间的互相关也存在显著的多重分形特征.这表明了疫情期间大气系统中PM2.5和O3浓度并非分别独自演化,而是二者演化过程中还存在着复杂的相互作用关系.

图5 疫情期间株洲PM2.5、O3和O3-PM2.5双对数波动曲线及q阶广义Hurst指数图

图6 疫情期间湘潭PM2.5、O3和O3-PM2.5双对数波动曲线及q阶广义Hurst指数图

2.4 O3和PM2.5污染浓度概率统计分布

为了进一步验证COVID-19疫情期间PM2.5、O3污染演化内在动力学机制,根据公式(11)计算了长沙、株洲和湘潭3个城市PM2.5、O3小时平均浓度的累计频度分布(图7).利用最小二乘法对O3和PM2.5污染浓度数据点进行线性回归,结果发现在一定区间内,长沙、株洲和湘潭3个城市均呈现出显著的幂律分形结构.3个城市幂律分形结构的标度指数分别为O3(长沙=1.651,株洲=2.531,湘潭=1.609), PM2.5(长沙=3.071,株洲=2.809,湘潭=3.574).各城市两类污染物的标度指数有所差异,主要原因可能是虽然长株潭城市群具有区域污染特征,但各个城市地理位置,大气环境等还是存在一定的差异性,导致不同城市同一类污染物的幂律分形结构有所不同.O3和PM2.5浓度波动呈现出的幂律分形结构,表明COVID-19疫情期间长沙、株洲和湘潭3个城市O3和PM2.5浓度演化不存在典型的特征浓度,而是具有标度不变性特征.在复杂系统中,稳定的幂律分布结构可以作为复杂系统演化到自组织临界(SOC)状态的一个显著标志.因此,COVID-19疫情期间PM2.5、O3污染时空演化可能具有SOC特性.

图7 长株潭城市群O3和PM2.5污染小时平均浓度的概率统计分布

2.5 历史同期数据对比分析结果

为了进一步说明疫情期间大气污染的非线性演化特征,本文将非疫情期间(2018年1月24日～2018年5月31日和2019年1月24日～2019年5月31日)与疫情期间(2020年1月24日～2020年5月31日)O3和PM2.5污染的分形结果进行对比分析,其结果如表1所示.对长株潭城市群3个城市来说,2018年和2019年的分形参数数值大小均表现出类似的结果,而2020年的结果有较大的变化.主要特征差异表现为,各城市2020年O3浓度演化的长期持续性指数显著大于2018年和2019年,而2020年大气污染演化的其余分形参数均小于2018年和2019年.

表1 长株潭城市群各城市3a同期分形参数结果

疫情期间,人类活动排放的剧减也导致消耗O3的前体物质(如NO等)的排放也相应减少,这也使得大气环境中O3污染浓度的累积得到增强,表现为疫情期间O3污染的长期持续性较强.而在非疫情期间,大气环境中PM2.5和O3污染除了自然演化之外,还受到人类活动排放(如工业、生活、交通等)的影响,这也就增加了其波动演化的非线性复杂性,表现为非疫情期间反映大气污染演化非线性特征的分形参数数值均较高.

2.6 讨论

自组织临界态(SOC)理论能从宏观整体性的角度为复杂系统演化中产生的长期持续性和幂律分形结构提供内在动力机制解释.前人研究中,Shi等[28]基于自组织临界数值模型对PM10、SO2和NO2浓度进行分析,清楚的阐释了3类污染物浓度演化过程中呈现出分形特征的内在动力学机制.苏蓉等[29]应用R/S方法、功率谱、强度-频度法及SOC理论对上海市PM10污染进行分析,发现SOC内禀机制是导致其浓度演化呈现出长期持续性的主要原因.Shi等[30]提出了一种新的PM2.5自组织临界演化模型,并进一步验证了SOC内禀机制是PM2.5演化中长期持续性和幂律统计分布的产生根源.相关研究已表明城市空气污染演化的内在动力学机制可能主要受SOC行为主导.

本文进一步研究发现COVID-19疫情期间长株潭城市群大气复合污染中PM2.5和O3动力学过程,其特征与SOC机制特征高度相似,具体阐述如下.

在大气复合污染系统中存在众多发生短程相互作用的组元(O3、PM2.5和天气气象要素等),其中短程相互作用主要包括两个方面,其一,O3可以通过对 OH、H2O2、RCHO等氧化剂浓度的控制来影响二次气溶胶的生成.其二,二次气溶胶能通过影响大气动力学、光解速率、云光学厚度和非均相反应过程来直接或间接影响O3生成.

大气复合污染系统作为一个开放性复杂巨系统,外界能持续性地向系统内输入物质或能量(大气中挥发性有机物(VOCs)和氮氧化物(NO)将通过氧化反应生成O3或某些大气活性气体经过复杂的化学反应生成二次气溶胶等).同时,该系统也会以某种方式、途径向系统外耗散其能量或物质(O3浓度上升将增强大气氧化能力,加剧光化学反应,该过程O3迅速消耗.二次气溶胶可通过降雨洗刷作用脱离系统或在大风中碰并、凝结等过程形成更大粒径的颗粒物脱离大气系统).最终,大气系统将在近地面内外界输入的能量或物质与系统内部耗散的能量或物质形成一个稳定的耗散结构体系.

静稳天气条件下,大气复合污染系统会在其短程近邻相互作用下系统将会自发地向临界状态演化.当系统达到临界状态时,大气复合系统的时间演化过程中系统将锁定并维持稳定状态.

当大气复合污染系统自发演化到临界状态并维持着临界态时,系统外界任何微小的扰动(天气条件等)均可能造成该系统发生全局性连锁反应.因此,系统局部区域对初始条件(天气气象、地形等)极其敏感.同时,在系统向临界状态演化时,系统内众多短程近邻相互作用(O3通过控制氧化性间接影响二次气溶胶的生成.而二次气溶胶可通过改变光化学通量来影响O3生成)组元(O3、PM2.5天气气象要素等)将演化出长期持续性特征.即一次污染事件发生的规模与其过去一段时间内污染事件发生的规模有着密切关系.最终导致大气复合系统耗散外界输入和输出物质或能量的时空关联函数呈现出幂律统计分布或长期持续性特征.

此外,根据同期长株潭城市群地面观测数据统计发现,COVID-19疫情期间长株潭城市群94%以上天气处于静小风环境,近地面最大瞬时风速不高于3.3m/s.疫情期间该城市群地区水平输送和垂直扩散条件较差.同时,长株潭城市群位于雪峰山脉,罗霄山脉之间的湘江谷地,中心地势低,周边以山地丘陵地貌为主,地形条件不利于污染物的扩散.区域内不利于污染物自身稀释和扩散的静稳天气为大气复合污染演化的SOC机制建立了稳定的外在环境基础.

Le等[31]在研究北京疫情期间重度灰霾发生的成因时,发现在COVID-19疫情期间一次污染物排放量下降的情况下,PM2.5和臭氧含量增加的原因主要可能是二次气溶胶和臭氧的复杂化学作用. PM2.5主要来源于其前体物通过复杂的化学反应生成.其一,大气中SO2经过气相氧化或液相氧化反应生成硫酸盐.其二,大气中NO2被OH氧化生成HNO3,而HNO3与碱性物质反应生成硝酸盐,或NO2与O3反应产生的N2O5在颗粒物表面非均相水解生成硝酸盐.其三,挥发性有机物(VOCs)能通过大气光氧化过程、成核过程、凝结和气粒分配过程及非均相反应等化学过程生成二次气溶胶[31-32].同理,O3污染主要是大气环境中NO、CO、VOCs通过大气光化反应生成[33].上述过程中,生成的二次气溶胶和O3进入大气系统,这一过程为大气复合系统演化至SOC状态,提供了缓慢的物质或能量的输入来源.在城市局域大气环境中,当O3和二次气溶胶的前体物聚集时,高氧化污染物O3能将大气中SO2和NO通过复杂的化学反应氧化成硫酸盐和硝酸盐.二次气溶胶质量浓度能通过增强对紫外光辐射的散射,吸收等能力减低大气中生成O3的光化学反应速率.在大气复合污染系统中组元间短程近邻相互作用下,O3和二次气溶胶非线性演化将自发地向SOC状态演化并维持着该临界状态.当大气复合系统稳定在某一临界状态时,外界任何一点污染物的输入都可能导致大气复合系统发生链式反应,在城市局部空间内形成较严重的PM2.5(或O3)污染事件,这现象类似于沙堆模型中的崩塌事件.此外,研究还发现长株潭城市群3个城市PM2.5和O3小时平均浓度序列具有显著的长期持续性和幂律分形结构特征,这两类特征是系统存在SOC 特性的重要判断依据.尽管疫情期间人类活动产生的污染物锐减,但这并没有改变大气污染系统内在的非线性演化机制.因此,可以认为大气复合污染的内在SOC内禀机制是使得COVID-19疫情期间长株潭城市群发生高污染的主导动力学机制.

3 结论

3.1 长株潭城市群3个城市PM2.5和O3日内平均浓度规律呈现出显著的相似性. 3个城市O3呈现出昼高夜低的单峰型,而PM2.5日变化规律表现出昼低夜高单峰型,与非疫情期间的特征有所差异.从实证研究结果看,O3昼高夜低可能由太阳光辐射强度变化引起的,而PM2.5昼低夜高的主要原因可能是太阳辐射和本身的沉降作用共同作用的.

3.2 长株潭城市群3个城市PM2.5和O3小时平均浓度序列呈现出的长期持续性特征,且PM2.5-O3互相关性也呈现出显著的长期持续性特征.该结果表明大气复合系统中PM2.5和O3浓度演化并非相互独立的,二者之间的相互作用也是不可忽视的.

3.3 长株潭城市群3个城市PM2.5,O3小时平均浓度序列以及PM2.5-O3互相关性均存在着显著的多重分形特征.这个结果进一步验证了疫情期间大气系统中PM2.5和O3浓度并非分别独自演化,而是依然存在复杂的相互作用.

3.4 长株潭城市群PM2.5和O3浓度演化可能不仅受到污染物本身的长期持续性影响,同时还受到二者之间互相关的长期持续性影响.此外,长沙、株洲和湘潭3个城市PM2.5和O3浓度还呈现出显著的幂律分形结构.长期持续性和幂律分形结构都是SOC内禀机制的宏观涌现.因此,该研究认为这种SOC内禀机制可能是使得COVID-19疫情期间高污染事件发生的主导机制.

[1] 乐 旭,雷亚栋,周 浩,等.新冠肺炎疫情期间中国人为碳排放和大气污染物的变化 [J]. 大气科学学报, 2020,43(2):265-274. Le X, Lei Y D, Zhou H, et al. Changes of anthropogenic carbon emissions and air pollutants during the COVID-19 epidemic in China [J]. Transactions of Atmospheric Sciences, 2020,43(2):265-274.

[2] Fan C, Li Y, Guang J, et al. The impact of the control measures during the COVID-19 outbreak on air pollution in China [J]. Remote Sensing, 2020,12(10):1613.

[3] Sicard P, Marco A D, Agathokleous E, et al. Amplified ozone pollution in cities during the COVID-19lockdown [J]. Science of The Total Environment, 2020,735:3382-3393.

[4] Huang X, Ding A J, Gao J, et al. Enhanced secondary pollution offset reduction of primary emissions during COVID-19 lockdown in China [J]. National Science Review, 2020,0:1-9.

[5] Chang Y H, Huang R J, Ge X L, et al. Puzzling haze events in China during the Coronavirus (COVID-19) Shutdown [J]. Geophysical Research Letters, 2020,47(12):e2020GL088533.

[6] 罗岳平,刘孟佳,甘 杰,等.长株潭城市环境空气中PM2.5和O3质量浓度的相关性研究 [J]. 安全与环境学报, 2015,15(4):313-317. Luo Y P, Liu M J, Gan J, et al. Correlation study on PM2.5and O3mass concentrations in ambient air by taking urban cluster of Changsha, Zhuzhou and Xiangtan as an example [J]. Journal of Safety and Environment, 2015,15(4):313-317.

[7] 赖安琪,陈晓阳,刘一鸣,等.珠江三角洲高质量浓度PM2.5和O3复合污染特征 [J]. 中山大学学报(自然科学版), 2018,57(4):30-36. Lai A Q, Chen X Y, Liu Y M, et al. Characteristics of complex pollution with high concentrations of PM2.5and O3over the Pearl River Delta, China [J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2018,57(4):30-36.

[8] Wang G H, Zhang R Y, Gomez M E, et al. Persistent sulfate formation from London Fog to Chinese haze [J]. Proceedings of the National Academy of sciences of the United States of America, 2016,113(48):13630-13635.

[9] Chen L, Liu R M, Huang Q, et al. An integrated simulation- monitoring framework for nitrogen assessment: A case study in the Baixi watershed, China [J]. Procedia Environmental Sciences, 2012, 13(4):1076-1090.

[10] Husain L, Rattigan O V, Dutkiewicz V, et al. Case studies of the SO2+ H2O2reaction in clouds [J]. Journal of Geophysical Research Atmospheres, 2000,105(D8):9831-9841.

[11] Sarwar G, Fahey K, Kwok R, et al. Potential impacts of two SO2oxidation pathways on regional sulfate concentrations: Aqueous-phase oxidation by NO2and gas-phase oxidation by Stabilized Criegee Intermediates [J]. Atmospheric Environment, 2013,68(4):186-197.

[12] Griffith S M, Huang X H H, Louie P K K, et al. Characterizing the thermodynamic and chemical composition factors controlling PM2.5nitrate: Insights gained from two years of online measurements in Hong Kong [J]. Atmospheric Environment, 2015,122(12):864-875.

[13] 李 红,彭 良,毕 方,等.我国PM2.5与臭氧污染协同控制策略研究 [J]. 环境科学研究, 2019,32(10):1763-1778. Li H, Peng L, Bi F, et al. Strategy of coordinated control of PM2.5and Ozone in China [J]. Research of Environmental Sciences, 2019,32(10): 1763-1778.

[14] 张宇静,赵天良,殷翀之,等.徐州市大气PM2.5与O3作用关系的季节变化 [J]. 中国环境科学, 2019,39(6):2267-2272. Zhang Y J, Zhao T L, Yin C Z, et al. Seasonal variation of the relationship between surface PM2.5and O3concentrations in Xuzhou [J]. China Environmental Science, 2019,39(6):2267-2272.

[15] 杜 娟,刘春琼,黄红良,等.成都冬季PM2.5演化的EEMD分解及自组织临界态 [J]. 环境科学与技术, 2019,42(8):133-141.Du J, Liu C Q, Huang H L, et al. Multiscale EEMD decomposition of PM2.5in Chengdu during winter and self-organized criticality of air pollution [J]. Environmental Science & Technology, 2019,42(8):133-141.

[16] 胡晨霞,邹 滨,李沈鑫,等.城市微环境PM2.5浓度空间分异特征分析 [J]. 中国环境科学, 2018,38(3):910-916. Hu C X, Zou B, Li S X, et al. Spatial heterogeneity analysis of PM2.5concentrations in intra-urban microenvironments [J]. China Environmental Science, 2018,38(3):910-916.

[17] Zhou W X. Multifractal detrended cross-correlation analysis for two nonstationary signals [J]. Physical Review E Statal Nonlinear & Soft Matter Physics, 2008,77(6):066211.

[18] 史 凯.成都市一次重度灰霾期间大气PM2.5的自组织临界特性 [J]. 环境科学学报, 2014,34(10):2645-2653. Shi K. Self-organized criticality of PM2.5during a typical haze period in Chengdu, China [J]. Acta Scientiae Circumstantiae, 2014,34(10): 2645-2653.

[19] 史 凯,刘春琼,吴生虎.大气PM10跨界输送的自组织动力机制——以舟山市为例 [J]. 环境科学学报, 2014,34(5):1125-1132. Shi K, Liu C Q, Wu S H. Self-organized evolution of trans-boundary PM10pollution in Zhoushan City [J]. Acta Scientiae Circumstantiae, 2014,34(5):1125-1132.

[20] Bak P, Tang C, Wiesenfeld K. Self-organized criticality: an explanation of the noise [J]. Physics Review Letters, 1987,59(4):381-384.

[21] Turcotte D L, Malamud B D. Landslides, forest fires, and earthquakes: examples of self-organized critical behavior [J]. Statistical Mechanics and its Applications, 2004,340(4):580-589.

[22] 苏志华,韩会庆,李 莉,等.贵阳市臭氧的时空分布,气象作用及其与前体物的关系 [J]. 中山大学学报(自然科学版), 2020,59(5):102-112. Su Z H, Han H Q, Li L, et al. Temporal and spatial distribution of ozone, meteorological effect and relation with its precursors in Guiyang city [J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2020,59(5):102-112.

[23] 殷永泉,单文坡,纪 霞,等.济南大气臭氧浓度变化规律 [J]. 环境科学, 2006,27(11):2299-2302.Yin Y Q, Shan W P, Ji X, et al.Characteristics of atmospheric ozone in the urban area of Ji'nan [J]. Environmental Science, 2006,27(11):2299-2302.

[24] 杨关盈,樊曙先,汤 洁,等.临安近地面臭氧变化特征分析 [J]. 环境科学研究, 2008,21(3):31-35. Yang G Y, fan S X, Tang J, et al. Characteristic of surface ozone concentrations at Lin'an [J]. Research of Environmental Sciences, 2008,21(3):31-35.

[25] 郭含文,丁国栋,赵媛媛,等.城市不同绿地PM2.5质量浓度日变化规律 [J]. 中国水土保持科学, 2013,11(4):99-103. Guo H W, Ding G D, Zhao Y Y, et al.Diurnal variations in the mass concentration of suspended Particulate Matter 2.5(PM2.5) of different urban green space [J].Science of Soil and Water Conservation, 2013, 11(4):99-103.

[26] 张冬健,薛惠文.2015年北京,上海和拉萨PM2.5浓度日变化和日际变化分析 [J]. 北京大学学报(自然科学版), 2018,54(4):705-712. Zhang D J, Xue H W. Interdiurnal and diurnal variation of PM2.5concentration in Beijing, Shanghai, and Lhasa in 2015 [J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2018,54(4):705-712.

[27] 于 洲,刘寿东,王咏薇,等.杭州市2014年城区大气污染物浓度变化特征观测分析 [J]. 科学技术与工程, 2016,16(16):95-104. Yu Z, Liu S D, Wang Y W, et al. Observation of atmospheric pollutants in the urban area of Hangzhou [J].Science Technology and Engineering, 2016,16(16):95-104.

[28] Shi K, Liu C Q. Self-organized criticality of air pollution [J]. Atmospheric Environment, 2009,43(21):3301-3304.

[29] 苏 蓉,史 凯,黄正文,等.基于自组织临界的上海PM10污染预警与风险评价 [J]. 中国环境科学, 2010,30(7):888-892. Su R, Shi K, Huang Z W, et al. Risk assessment and for warning of PM10pollution in Shanghai based on self-organized criticality theory [J]. China Environmental Science, 2010,30(7):888-892.

[30] Shi K, Liu C, Huang Y. Multifractal processes and self-organized criticality of PM2.5during a typical haze period in Chengdu, China [J]. Aerosol and Air Quality Research, 2015,15(3):926-934.

[31] Le T H, Wang Y, Liu L, et al. Unexpected air pollution with marked emission reductions during the COVID-19 outbreak in China [J]. Science, 2020,369(6504):702-706.

[32] 叶兴南,陈建民.大气二次细颗粒物形成机理的前沿研究 [J]. 化学进展, 2009,21(Z1):288-296. Ye X G, Chen J M. Advances in the mechanism of secondary fine particulate matters formation [J]. Progress in Chemistry, 2009, 21(Z1):288-296.

[33] 赖安琪,陈晓阳,刘一鸣,等.珠江三角洲PM2.5和O3复合污染过程的数值模拟 [J]. 中国环境科学, 2017,37(11):4022-4031. Lai A Q, Chen X Y, Liu Y M, et al. Numerical simulation of a complex pollution episode with high concentrations of PM2.5and O3over the Pearl River Delta region, China [J]. China Environmental Science, 2017,37(11):4022-4031.

Nonlinear dynamic mechanism of regional air pollution during the COVID-19 lockdown.

WU Bo1, LIU Chun-qiong2, ZHANG Jiao1, LI Yan-hui1, CHEN Yu-bing1,WEN Ye1, BAO Bing-yi1, DU Juan1, SHI Kai2*

(1.College of Mathematics and Statistics, Jishou University, Jishou 416000, China；2.College of Biology and Environmental Science, Jishou University, Jishou 416000, China)., 2021,41(5)：2028～2039

Based on hourly concentration of PM2.5and O3during the epidemic period (January 24, 2020 to May 31, 2020) in Changsha, Zhuzhou and Xiangtan, the diurnal patterns, long-term persistence, multifractality and self-organization evolution dynamics of these two pollutants were studied to reveal the internal dynamic mechanism of the occurrence and evolution of heavy pollution events during the epidemic period. Firstly, the diurnal patterns of PM2.5and O3concentrations were investigated. It showed that O3showed a single peak of high concentration in the daytime and low in the night, while PM2.5showed a single lowest peak concentration in the day and high in the night, which was different from the pattern in non-epidemic periods. Furthermore, detrended fluctuation analysis (DFA), the multifractal detrended fluctuation analysis (MFDFA) and probability statistical analysis were applied to study the long-term persistence, multi-fractal structure of PM2.5and O3series. The results showed that PM2.5and O3series had significant long-term persistence characteristics and strong multi-fractal structures for the three cities. Meanwhile, detrended cross-correlation analysis (DCCA) and multifractal detrended cross-correlation analysis (MFDCCA) were conducted to estimate the cross-correlations between PM2.5and O3series. Long-term persistence as well as multifractal features at different time scales was also observed in PM2.5-O3cross-correlations. Next, nonlinear analysis results obtained during epidemic period were compared with those obtained in the same periods of non-epidemic years of 2019 and 2018. Finally, based on the self-organized criticality (SOC) theory, the internal dynamic law of spatial and temporal evolution of PM2.5and O3series was discussed. Combined with the typical regional meteorological characteristics, it was found that the intrinsic dynamic mechanism of SOC may be one of the leading mechanisms of heavy air pollution episodes during the COVID-19 lockdown period. During the epidemic period, PM2.5and O3concentrations did not evolve independently but remained complex interactions. Under the stable meteorological conditions, the nonlinear coupling effect inside the air combined pollution might reach the dynamic critical state, thus, lead to the risk of heavy air pollution in Greater Changsha Metropolitan Region during the epidemic period.

diurnal patterns；long-term persistence characteristics；multifractal characteristics；power-law；self-organized criticality；PM2.5；O3

X513

A

1000-6923(2021)05-2028-12

吴 波(1995-),男,湖南吉首人,吉首大学硕士研究生,主要从事应用统计分析.发表论文1篇.

2020-09-27

湖南省自然科学基金资助项目(2020JJ4504);吉首大学校级科研项目资助(Jdy20062,Jdx02)

* 责任作者, 教授, einboplure@163.com