韦艺娴雷敬玲黄祖强赵钟兴刘伟清（.广西大学化学化工学院，广西 南宁 530004；.柳州柳环环保技术有限公司，广西 柳州 54500）

利用PM2.5长期监测数据优化常规大气环境监测点布局选址方案研究

韦艺娴1雷敬玲1黄祖强1赵钟兴1刘伟清2
（1.广西大学化学化工学院，广西 南宁 530004；2.柳州柳环环保技术有限公司，广西 柳州 545001）

近年来，随着某市经济的快速发展和工业化、城镇化进程的加快，环境问题已成为社会民众关心的热点问题，这方面又以PM2.5热度最高。文章结合2013年全年某市六个常规大气环境监测站的污染因子、气象因子数据，重点从统计角度研究分析某市 PM2.5浓度的数据分布、时空变化特点及其与大气污染浓度变化和气象因子的相关性，同时结合站点布局分析其与 PM2.5监测数据的联系，进一步提出优化常规大气环境监测点布局选址方案的模式。通过站点布局优化形成相互联系的监测网络，将为环境监测提供更为可靠的代表数据，为环境保护管理决策提供新的思路。

PM2.5；时空分布；来源分析；环境

1 前言

某市是某省重要的工业城市，近年来，随着经济规模的不断扩大和城市化进程的进一步加快，城市雾霾现象从无到有，逐渐进入了某市市民的视野，成为困扰该城市市民的重要环境问题。而雾霾的形成与PM2.5密切相关。

为了实时掌握全市环境空气质量状况，该市结合城区地域、城市布局设置了 6个常规大气环境监测点。常规监测点配备大气环境因子自动监测设备对环境空气质量进行实时监测，并及时将数据反馈给环保局，这对环境保护管理及决策提供了强有力的数据支持。近几年该市的环境保护局网站环境空气实时发布系统显示，PM2.5已取代SO2成为该城市环境空气质量的首要污染物，也说明了PM2.5在某市环境空气质量污染贡献的重要性。

实时监测数据的代表性，主要依赖于监测点的布局选址。本文通过收集该市6个监测点PM2.5长期监测数据，结合当地气象、地理等因素分析各监测点PM2.5的时间、空间分布特征，利用统计学原理分析监测点布局选址与PM2.5数据的联系，从提高环境空气质量预警、预报能力角度提出监测点优化调整方案。

2 基本情况

本文引用该城市环境保护监测站常规自动监测点2013年全年每天污染因子的监测数据进行分析统计。

2.1 城市大气污染因子分析

该市环境保护监测站环境空气常规监测因子有 SO2、NO2、O3、CO、PM10、PM2.5。

某市属于工业城市，主要有工厂企业排污[1-2]、交通汽车尾气排污[3-4]、城市建筑施工建设排污[5-7]三大类型，根据各类型可能排放的污染因子，本文简单归纳总结为：

工业污染型因子：SO2、NO2、PM10、PM2.5。

汽车尾气型因子：NO2、CO、PM10、PM2.5、O3。

建筑施工型因子：PM10、PM2.5。

2.2 常规大气监测点设置

某市环境保护监测站在市城区范围共设置了 6个常规监测点，分别是环保监测站、河西水厂、市四中、市九中、古亭山、柳东小学，覆盖 4个城区及工业新区，大体位置见下图1。从该图可以看出各监测点与某市相关工业片区组团的分布关系。各监测点的特征见图1。

图1 某市环境空气常规监测点分布图

2.3 当地气候气象

该市盛行南北风，少有东西风，冬季多为偏北风，夏季多为偏南风，市区静风频率较高。多年平均气温21.1℃，极端最高气温39.0℃，极端最低气温-0.3℃，年平均降雨量为1502.0 mm，年平均相对湿度73%，日最大降水量233.6 mm，年均日照时数 1518.5 h。风频最大的风向分布为北西北风，频率10%，其次是东北和南风，频率9%，静风频率为26%，常年平均风速1.6 m/s。表1是某市近20年气候统计资料表。图2为该市1993～2012年多年风玫瑰图。

表1 某市区近20年气候统计资料

2013年该市全年风速在1.2～1.5 m/s范围内变化，各月变化不大；气温在10.4～29.4℃范围内变化，夏季温度高，冬季温度低；湿度在53.2～75.7%范围内变化，秋冬季湿度较低，春夏季湿度较大；气压在825～1009 hPa范围内变化，夏秋季较低，冬春季较高[8]。

图2 （1993～2012年）该市多年以及各季平均风向的风玫瑰图

3 结果与分析

3.1 PM2.5时间变化特征

把各监测点PM2.5随时间变化的情况进行纵向分析统计，以研究PM2.5时间变化特征。经计算，某市6个监测点PM2.5月均浓度结果见图3。

图3 PM2.5月均浓度变化图

从PM2.5月均浓度变化图表可知：

（1）6个监测点PM2.52013年月均总体变化趋势基本一致：①峰值出现在 3、10、12月，环保监测站的最高值出现在12月；河西水厂的最高值出现在10月；市四中的最高值出现在12月；市九中的最高值出现在12月；古亭山的最高值出现在10月；柳东小学的最高值出现在12月；②谷值出现在7月。春季至夏季，月均浓度监测值下行；夏季至秋冬，月均浓度监测值上行。③PM2.5峰、谷值特征可以从该市地理以及气象因素找到原因：冬季，该市盛行偏北风，而有一工业园处于该市城区冬季主导风的上风向，工业排污结合气象条件造就峰值；夏季，该市盛行偏南风，监测点不在工业区的下风向，受工业排污影响较小，而且夏季多雨，降雨进一步减少了空气中的颗粒物，因此造就了谷值。综上所述，PM2.5监测数据的峰、谷值体现了监测点布局与气象条件综合影响。

（2）各点同月监测值差别不大，说明某市城区PM2.5总体分布水平基本一致。市九中的年均值更高一些，最低的为古亭山。考虑市九中附近大型工业企业较多，PM2.5值较高；而远离市中心的古亭山、柳东小学的PM2.5值水平比较低；位于市中心的环保监测站、河西水厂、市四中监测值处于中间。这说明，PM2.5监测数据的表现基本上与监测点布局特点相对应。

经计算分析，某市6个监测点PM2.5日均浓度频率分布见下图4，从PM2.5日均浓度频率分布图可知：

图4 -a 六个监测点PM2.5日均浓度频率分布图

图4 -b 六个监测点PM2.5日均浓度频数分布图

（1）六个监测点 PM2.5浓度样本频率分布均呈右偏分布，即均值大于中位数。该右偏分布情况说明 2013年某市PM2.5浓度处于低水平，该年该市环境空气质量整体水平良好。

（2）从监测值样本数据的频率分布图可以看到，古亭山（橘黄色线）和柳东小学（粉色线）的分布峰度要大一些，市九中（绿色线）峰度最低，说明远离市中心的古亭山、柳东小学监测数据日均波动要大于附近有较多大型工业企业的市九中，也反映出：PM2.5日均监测数据的波动与监测点布局存在关联。

3.2 PM2.5空间分布特征

把各监测点PM2.5在空间分布的情况进行横向分析统计，以研究PM2.5空间分布特征。

3.2.1 PM2.5空间排序

利用统计公式计算得各监测点PM2.52013年均浓度值、标准差见图5。

图5 6个监测点PM2.5年均浓度和标准差

由图5可知，6个点PM2.5年均浓度由大到小排序为：市九中、市四中、河西水厂、环保监测站、柳东小学、古亭山。结合图 1分析，市九中、市四中、河西水厂监测点均靠近工业区并处于工业区夏季主导风（偏南风）或冬季主导风（偏北风）的下风向；环保监测站、柳东小学则远离工业区；古亭山虽靠近工业区，但不在夏季主导风（偏南风）或冬季主导风（偏北风）的下风向，受工业区影响较轻。综上所述，PM2.5数据空间排序与监测点布局相关。

3.2.2 PM2.5空间分布差异性

由3.1分析可知，6个监测点的变化趋势基本一致。通过对6个监测点的PM2.5浓度年均值和年方差进行差异性检验，即：均值方差σ1= σ2=Λ =σ6[9]，显示出6个监测点整体的均值和方差整体存在差异性，见表2。

表2 6个监测点PM2.5日均浓度均值和方差的差异性检验

比较六个监测点 PM2.5浓度的年均值和年方差在 10%显著水平上的差异性。P值大于 10%意味这两个监测站在该指标上可视为均等。环保监测站的PM2.5日均浓度均值与河西水厂、市四中基本一致，方差（PM2.5日均浓度的波动情况）与市四中、古亭山基本一致。可见，环保监测站与市四中两个监测点区别性不大，这与两者的地理位置相近有关。河西水厂的均值和方差与柳东小学相似，且两者均处于某市市区较为外围的区域。市四中的方差与古亭山、柳东小学的相似。市九中与其他监测点在均值和方差上都有明显的区别。古亭山与柳东小学均值和方差可视为一致。这说明，PM2.5数据空间差异表现与监测点布局特点相一致。

3.3 PM2.5影响因素分析

由以上分析可知某市2013年PM2.5时空特点，通过统计学方法分析造成PM2.5时空特点的内、外成因。其中，外因分析是通过分析气象条件与PM2.5的关系揭示气象条件对PM2.5的影响；内因分析是通过分析工厂企业排污、交通汽车尾气排污、城市建筑施工排污三大类型所排特征因子与PM2.5的关系揭示污染源项空间分布特点对各监测点PM2.5的影响。分析方法采用相关系数法研究，取相关系数绝对值后0～0.09为没有相关性，0.1～0.3为弱相关，0.3～0.5为中等相关，0.5～1.0为强相关[10]。

研究采用统计学的相关关系进行内、外因分析。相关关系指数量型变量的线性相关关系。计算公式如下：

式中，Cov(X,Y)是X与Y的协方差，V(X)是X的方差，V(Y)是Y的方差。协方差Cov(X,Y)定义作：

相关系数ρ在±1之间取值，如果ρ≠0，则称X和Y为相关的;若ρ=0，则称X和Y不线性相关。当ρ=±1时，X和Y互为线性函数关系;如果ρ＞0，则称X和Y正相关;如果ρ＜0，则称X和Y负相关。当0＜ρ＜1时，X和Y之间存在一定程度的线性相关关系，而 ρ的值就是对这种线性相关程度的数值度量，|ρ|越接近1，表明X和Y的线性相关程度越强，一般来说，取绝对值后，0～0.09为没有相关性，0.1～0.3为弱相关，0.3～0.5为中等相关，0.5～1.0为强相关。

3.3.1 外因分析（气象条件与PM2.5关系分析）

利用公式（1）和（2）计算，得到某市环境保护监测站各环境空气自动监测点气象条件与 PM2.5的相关系数计算结果见下表3。

表3 某市城市气象条件与PM2.5的相关系数情况表

由表2可知，除四中外，其它各点PM2.5与风速、气温、湿度呈负相关关系（即随着风速、气温、湿度增大，PM2.5反而减小），与气压呈正相关关系：风速加大，有利于颗粒物的扩散，因而颗粒物浓度有所降低；气温加大，空气湍流加强，有利于颗粒物的扩散，因而颗粒物浓度有所降低；湿度加大，空气中水分含量增加，有利于颗粒物吸水变重后沉降，因而颗粒物浓度有所降低；气压增大，不利于颗粒物的扩散，因而颗粒物浓度会有所增大。这与常识分析基本相符。

由于各监测点均处于市区内，气象条件差别不大，因此各点PM2.5与气象指标（风速、气温、温度和气压）的相关系数大体相近（即在气象条件方面，监测点布局对PM2.5数据区别表现不明显），绝对值都未超过0.5，在0.3～0.5之间，属于中等相关。各指标比较而言，PM2.5与气压的相关系数最高。虽然单个气象因素与PM2.5的相关系数不高，但是风速较低、气温较低、温度较低、气压较高的环境还是与PM2.5浓度走高存在明显的相关性。

3.3.2 内因分析（排污源项与PM2.5关系分析）

利用公式（1）和（2）计算，得到某市环境保护监测站各环境空气自动监测点 PM2.5与其它污染因子的相关系数计算结果见表4。

表4 某市城市空气PM2.5与其它常规监测因子的相关系数情况表

相较于气象因素的低相关系数，PM2.5与其它常规污染因子的相关系数较高。除O3外，其他因子与PM2.5的相关系数基本大于0.5（除了一些异常值）。PM2.5与PM10的相关系数最高，相关性在0.8～0.9水平上。此外，PM2.5与SO2、NO2、CO的相关程度也差不多，在0.5～0.7水平上。具体分析如下：

（1）PM2.5与PM10相关系数高，因为两者监测内容一致，但PM2.5为直径更加微小的颗粒。PM2.5监测值大则PM10监测值大；若PM10监测值大则有两种情况：①PM10监测值大，但PM2.5监测值小，则两者的相关性不高；②PM10监测值大，PM2.5监测值也大，则两者的相关性高。两者的相关性属于第②种情况，即PM2.5在PM10的比例较大。

（2）通过以上分析可知，除PM10、PM2.5因子外，工业污染型因子主要有SO2、NO2；汽车尾气型因子主要有NO2、CO（由上面分析可知，O3与PM2.5相关性较弱，这里不予考虑）。因两种类型因子都含有NO2，用NO2作为因子很难对工业、汽车尾气源项进行区分，故将 SO2作为工业污染型特征因子、CO作为汽车尾气型因子特征因子与PM2.5的相关系数进行比较分析，得到以下结论：①若PM2.5浓度与SO2的相关系数大于PM2.5与CO的相关系数，说明该监测点受工业污染大于汽车尾气影响，环境空气影响源项以工业源为主。②若PM2.5浓度与SO2的相关系数与PM2.5与CO的相关系数相接近，说明该监测点受工业污染与汽车尾气影响相当，环境空气影响源项为工业和汽车尾气的综合源。③若 PM2.5浓度与SO2的相关系数小于PM2.5与CO的相关系数，说明该监测点受工业污染小于汽车尾气影响，环境空气影响源项以汽车尾气源为主。

以此进行归纳分析可知，除城市扬尘外，环保监测站、市九中、柳东小学监测点环境空气源项以工业污染型为主；市四中监测点环境空气源项以汽车尾气型为主。

4 优化监测点布局选址

通过对2013年某市6个环境空气常规自动监测点全年监测数据的研究统计，笔者发现了一些特征规律：（1）总体情况：全年某市PM2.5浓度大多数天数还是低水平的，而且全市各监测点变化趋势基本一致。（2）时间变化特征：夏季浓度最低且波动最小，春、冬季浓度高且波动距离均高；PM2.5日均浓度春季变化周期约7～10天、冬季变化周期约14～18天。（3）空间分布特征：市区内的监测点浓度较市区外的高，临近工业片区的监测点浓度更高。

通过内、外因相关性分析可得：（1）外因气象条件：PM2.5与风速、气温、湿度呈负相关关系，与气压呈正相关关系，但相关系数不高，绝对值在 0.3～0.5之间。（2）内因污染源项：PM2.5数据与其它常规污染因子（除 O3外）数据的相关系数均较高，其中PM2.5与PM10相关系数最高，相关性在0.8～0.9水平上；PM2.5与SO2、NO2、CO的相关程度在0.5～0.7水平上。（3）综合影响：PM2.5与其它常规污染因子（内因）的相关系数值大于PM2.5与气象条件因子（外因）的相关系数值；说明某市PM2.5浓度数据受内因影响要大于外因。

在监测点布局与PM2.5监测数据关系方面：（1）各点PM2.5浓度数据与气象指标中风速、气温、温度和气压的相关系数均大体相近，这说明，在气象条件（外因）方面，监测点布局对PM2.5数据区别表现不明显。（2）在环保监测站、市四中、市九中这些监测点上，PM2.5排污源项的指向性基本上还是与监测点所处的环境特点相符合，即不同的监测点，由于其所处环境排污源项不同，使得PM2.5数据在内因表现上出现差别。这说明，在排污源项方面，监测点布局对PM2.5数据区别表现较明显。因此要想通过改变影响因素提高监测点数据的实效性，人为改变外因（气象条件）的难度很大，只能采取改变内因的方式（即改变监测点的选址或优化监测点布局）进行。

从图 1分析可知，该市现有的监测点基本布置于相应城区的中部地带，其监测数据代表着当地的平均值，仅能反映区域环境空气的平均水平，可以满足日常环境空气质量预报需要，但各点之间缺乏联系，所得数据相对独立，数据的扩展应用面较窄，如不能反映临近工业区的居民区环境质量，也无法对工业区偷排废气行为进行有效监控。在现有环境空气监测能力有限等情况下，有的放矢、抓住要害，通过优化监测点布局选址，拓展监测点的应用功能，对工业片区实行有效的监控，同时构建相互联系的监测网络，对环境空气预警预报工作具有积极的重要意义。

结合该市实际，从环境空气预警预报方面着手，在遵循不改变监测点数量、同时兼顾 4个城区及工业新区环境监测需要的原则下，保留环保监测站位置（可以反映市中心的空气质量，不用调整）；因现状秋、冬季监测数据比其它季节更为突出，考虑到城市汽车尾气随着机动车流量增大对环境空气质量影响日益显著的作用，将其余监测点调整至各城区所涉及工业区及居民区相邻区域的冬季主导风（偏北风）的下风向处、毗邻主干路网的居民区或学校内（选择居民区或学校，是体现以人为本的宗旨）。具体见图6。

图6 某市环境空气常规监测点优化布局图

由图6分析，优化后的6个监测点具体分为中心点和外围点 2类，中心点与外围点构成一个相互联系的监测网络。该网络具有以下作用：

（1）空气质量预报：日常情况时，外围监测点因毗邻工业区，受临近企业排污影响，其监测数据在一定程度上反映为该片区空气质量的较差值；而市中心监测点远离工业区，其监测数据基本代表市中心空气质量的较优值；利用插值分析可以绘制市区空气质量数据浓度分布大致的等值线图，市区其它地方的空气质量数据可以利用等值线图综合插值估算出来。

（2）环境风险预警：当某个监测点数据出现异常，在排除设备故障引起的原因后可以第一时间发现可能的环境风险问题，通过采取企业污染排查等应急措施，及时遏制事态的发展，减轻环境风险影响。

5 结论

通过分析某市6个监测点2013年全年PM2.5监测数据，可得到该市PM2.5时间、空间分布特征以及内外因对PM2.5的影响，同时也发现了监测点布局与监测数据之间的关系：

（1）因各监测点均处于市区，气象条件大致相同，因此各监测点PM2.5月均浓度曲线及变化趋势均相似，即在时间分布上，监测布局不影响PM2.5月均数据变化，换句话说，就是无论如何选点，PM2.5月均数据变化趋势总体相同；但监测布局的不同，对监测点的PM2.5日均数据波动会有影响：处于市郊的监测点本底环境较好容易受到外界因素干扰造成监测数据的波动性要大于市区的监测点。

（2）监测布局在PM2.5数据空间差异上表现明显：市区的监测点监测数据要高于市郊的，临近工业区的监测点监测数据要高于远离工业区的。这主要是因为布局不同，所处的环境排污源项不同，从而造成PM2.5数据的差异。

由此可见，监测点的布局，在设置之前就已经对 PM2.5数据的表现有所预期了。从该市现有监测点布局来看，虽然具有一定的代表性，但仅能满足日常环境空气质量预报需要，在环保管理上看还有一定的局限性。结合该市城市规划、工业布局、路网结构等情况，笔者提出了监测点布局的优化方案，将监测点分中心点和外围点2类，外围点布置在毗邻工业区、主干路网主导风向下风向的居民区内或学校内，中心点选在市中心有代表性的地方，这样会形成一个覆盖市区、连接工业区、代表居民关心和环保关注同时兼具环境预报、风险预警功能的监测网络。

科学技术的进步推动了社会经济的发展，我们正处于一个大数据的时代。政府部门如何利用所得的大量数据进行研究分析，提高管理水平和工作效能，需要转变观念、创新思维。而利用自动监测点长期数据研究分析，优化监测点布局，从而获取更优质的数据，更有助于环保决策，也为环保管理提供了新的思路。

[1] 佟伟钢.工业大气污染治理技术发展分析[J].科技创新导报,2013 (25):19.

[2] 刘松华,周静.苏州市大气污染现状及主要污染因子分担率研究[J].环境科学与管理,2015,40(5):119-123.

[3] 华爱红,李丽,丁国良.浅谈汽车尾气污染的危害及防治措施[J].科技资讯,2007 (4):158.

[4] 吴国正,马丽萍,贺克雕.汽车尾气的污染与防治[J].广东化工,2007,34(5):67-68.

[5] 赵文平.建筑施工场地环境污染及防治对策[J].中国西部科技,2004(4):79-80.

[6] 赵普生,冯银厂,金晶,等.建筑施工扬尘特征与监控指标[J].环境科学学报,2009,29(8):1618-1623.

[7] 张晶,胡春玲,任庆.城市扬尘污染现状及防治对策[J].环境保护科学,2008,34(2):4-6.

[8] 某市统计局.统计年鉴[M].北京:中国统计出版社,2013.

[9] 张晓峒.EVIEWS使用指南与案例[M].北京:机械工业出版社,2008:277-278.

[10] 薛毅,陈立萍.统计建模与R软件[M].北京:清华大学出版社,2009:136-139.

Study on location for conventional air quality monitoring sites optimizing by standing monitoring data of PM2.5

In recent years, with the rapid economy development of the city and the industrialization and urbanization process is packing up speed, environment problem has become a hot issue of social concern, especially the PM2.5problem. The paper focused on the statistical analysis of PM2.5from data distribution, space-time variation characteristics, and its correlation between air pollutants concentration and meteorological factors, which based on the pollution and meteorological factor data analysis of six standing conventional air quality monitoring stations in the city, and combined with the site layout analysis of PM2.5monitoring data and its links to optimize conventional air quality monitoring sites. The results of optimized monitoring sites could form related monitoring network, this will provide more reliable and representative data for environment monitoring, to provide a new method for environmental protection management decisions.

PM2.5; time and space distribution; source analysis; environment

X84

A

1008-1151(2016)12-0026-05

2016-11-07

韦艺娴（1980－），女，广西大学化学化工学院在职研究生，高级工程师，从事环境影响评价及环境保护科研课题研究。