李欢欢,牛 璨,张 凯,黎 洁,支敏康,罗宇骞,王 涛,鲁珊珊 (.中国环境科学研究院环境基准与风险评估国家重点实验室,北京 000；.河北大学公共卫生学院,河北 保定 07000；.白洋淀流域生态环境监测中心,河北 保定 0705)

对于空气质量和污染特征的分析,除了常用的环境数据与实验室分析相结合的数据统计方法[1-3]、数值模式模拟方法[4-5]外,Spearman秩相关系数法[6]、自回归滑动平均模型[7]、环境库兹涅茨曲线法[8]、神经网络模型[9-10]和小波分析[11-13]等也常被用来作为分析污染物变化特征的方法.小波分析是20世纪80年代初由Morlet提出,能清晰的揭示出隐藏在时间序列中的多种变化周期,后被广泛应用于大气科学现象的解释[12],用于分析大气气溶胶和大气环境之间的联系[14],对于研究大气污染物非线性的多层次时间尺度结构、时间序列变化规律十分有效.孙春媛等[15]、鲁凤等[16]、吴小玲等[17]、王海鹏等[18]、李梓铭等[11]等基于小波分析分别研究了北京市、上海市、兰州市、石河子市空气质量、空气污染指数、PM2.5不同时间尺度的周期及演变特征.孙春媛等[15]利用小波分析发现北京市PM2.5质量浓度在1～4月和10～12月波动明显,气象因子对PM2.5质量浓度变化影响巨大;Xu等[19]采用小波变换对贵港市常规大气污染物日浓度序列进行了分析,发现NO2和颗粒物的季节特征是秋冬高夏季低.王海鹏等[18]运用小波分析得出兰州市空气污染指数以300d左右的变化为主周期.但针对于长时间的、污染严重季节的大气污染物浓度变化特征的小波分析研究结果较少.

京津冀及周边地区是我国大气污染较为严重的区域之一[20],大气对污染物的清除能力整体较差[21],研究表明,该地区2013～2018年PM2.5浓度时间上呈下降趋势,空间上呈聚集特征[11],对污染较重的采暖季 PM2.5中化学组分的分析表明高值区主要集中在保定市至新乡市的太行山传输通道城市[22].保定位于北京、天津、石家庄之间,是京津冀地区污染严重的城市之一,2013～2018年保定市大气污染物年均浓度逐渐下降,污染程度逐渐减弱[23],后向轨迹研究表明保定市大气污染物潜在源主要来自保定市主城区以南的区县和城市[24],烟花爆竹燃放是春节期间保定市大气污染的一个主要来源[25].秋冬季是保定市大气污染最为严重的季节,目前针对保定市秋冬季大气污染变化趋势和特征的研究较少.本文采用小波分析的方法对保定市2013～2019年秋冬季PM10、PM2.5、SO2、NO2和CO污染物浓度的时间序列数据进行分析,揭示不同时间尺度下大气污染物浓度的变化特征,得到污染物的变化周期,结合Mann-Kendall(简称M-K)非参数检验方法检测污染物浓度时间序列的升降趋势以及突变特性,明确大气污染物发生突变的时间,以期为保定市大气环境污染特征认识和污染治理提供参考依据.

1 数据与方法

1.1 数据的来源与处理

本文所用保定市大气污染物(PM10、PM2.5、SO2、NO2、CO和O3)质量浓度数据来自大气环境科学综合数据采集与共享平台(https://napcdata.craes.cn),数据使用前进行了有效数据筛查,确保数据合理,分析结果可靠.监测仪器详细参数见文献[24].本文所用数据时间段为2013年1月1日～2020年3月31日,文中秋冬季为每年10月1日～翌年3月31日,2013～2014年秋冬季指2013年10月1日2014年3月31日,其它年份类似.

根据标准[26],按空气质量指数将污染分为优、良、轻度、中度、重度和严重6级,本文把优和良合为优良天,轻度和中度合为中度污染,重度和严重合为重度污染.

1.2 研究方法

1.2.1 小波分析 本研究以 Matlab为数据处理平台,使用Morlet小波函数[18]:

式中:c为常数;i为虚数;t为时间.

对于时间序列 f( t)∈L2(R),其连续小波变换为:

为了判断序列的主要周期,进行小波方差计算,即将小波系数的平方值在b域积分,其计算公式为:

小波方差随 a的变化过程即为小波方差图,能反映信号波动能量随尺度 a的分布,对应峰值处的尺度称为该序列的主要时间尺度,用以反映时间序列的主要周期[17],曲线最高点所对应的时间尺度为第1主周期.

1.2.2 Mann-Kendall突变检验 非参数M-K统计检验方法不需要样本遵从特定的分布,也不受少数异常值的干扰[28],除了能分析总体趋势外,还能检验突变发生的时间、次数及变化幅度.设污染物时间序列浓度为x={x1,x2,…,xn},mi为第i个样本xi大于xj(1≤j≤i)的累计数,定义统计量:

在原序列随机独立等假设下,dk的均值、方差分别为:

将dk标准化,可得:

式中:UFk为污染物浓度原序列构造的统计量,UBk为污染物原序列的反序列构造的统计量(计算同公式 6),给出显著性水平 α(取 α=0.05,U0.05=1.96; α=0.01,U0.01=2.58),做MK检验曲线.若UF>0,则表明序列呈上升趋势;若 UF<0,则表明序列呈下降趋势.若|UF|>U0.05,则表明变化趋势显著;|UF|>U0.01,则表明变化趋势极为显著.当UF和UB 2条曲线出现交点且交点处于临界线之间时,交点对应的时间即为突变初始的时间[29].

2 结果与分析

2.1 大气污染物变化趋势

2013～2019年,保定市除 O3-8h外,其他大气污染物年均质量浓度都有明显下降,PM10、PM2.5、SO2、NO2和CO年均质量浓度分别由2013年的220,135,69,56µg/m3和 5.6mg/m3下降到 2019年的 101,58,14,40µg/m3和2.3mg/m3(图1),下降幅度分别为54%、57%、79%、28%和59%.其中,2015年是各污染物浓度下降最为明显的一年(除 CO外).SO2是各污染物中下降幅度最大的污染物,年均降幅11.4%; PM2.5、PM10和 CO降幅也较为显著,年均降幅超过7%.2015～2019年 SO2大幅下降,这得益于保定市清洁取暖工程的实施[30].NO2降幅不明显,这与 NO2的主要来源之一机动车有关.保定市机动车保有量从2013年的195万辆增加到2019年的238万辆,氮氧化物排放量大.O3-8h是唯一一个年均浓度上升的污染物,2019年O3-8h与2018和2017年水平相近,较2013年上升了 78.76%.李慧等[21]对京津冀及周边“2+26”城市研究表明,2019年 O3-8h浓度比 2013年升高21%,说明整个区域的氧化性增强.保定2013年O3-8h浓度低于“2+26”城市平均值,从2016年开始高于“2+26”城市平均值[24],这与 PM2.5浓度的下降减少了对 O3的前体物 HO2和 NO2、NO3、N2O5的非均相吸收,导致O3浓度上升有关[31].

图1 2013～2019年保定市各污染物年均浓度Fig.1 Annual average concentrations of pollutants in Baoding from 2013 to 2019

2013～2019年保定市空气质量明显好转,全年优良天数由 94d上升到 196d(图 2a),占比从 26%上升到 54%,重度污染天数由 114d下降到 24d,占比从31%下降到 6.6%.2013和 2014年是污染最重的年份,PM10、PM2.5、SO2、NO2和CO的年均浓度最高(图 1),从 2015年起空气质量开始好转,这与保定市实施煤改气、煤改电,同时大力开展劣质散煤专项治理、燃煤锅炉淘汰改造,禁煤区散煤“清零”等一系列管控措施有关.从秋冬季重污染天数和全年重污染天数对比(图 2b)中可以看出,秋冬季重度污染天数和全年重污染天数均呈逐年下降的趋势,但秋冬季重度污染天数在全年重度污染天数的占比(81%～97%)并无明显改善,且从2017年开始占比呈逐年增长趋势,因此,秋冬季大气污染治理是全年空气质量改善的关键.

图2 2013～2019年不同AQI等级天数占比情况Fig.2 The days and proportion of different AQI grade in 2013～2019

2.2 秋冬季大气污染物浓度的多尺度变化特征

图3～图6中震荡信号强弱通过小波系数的大小来表示:颜色越深小波系数越大,污染物浓度越高,污染越严重;颜色越浅则污染越轻.

图3 秋冬季PM10和PM2.5小波系数实部图和小波方差Fig.3 The wavelet power and variance for PM10 and PM2.5 in autumn and winter

2.2.1 颗粒物浓度的变化周期 由图 3可以看出,2013～2014年秋冬季 PM2.5和 PM10浓度变化以50d为第1主周期,以20d为次周期;2014～2015年秋冬季和 2016～2017年秋冬季均以60d为第1主周期;2015～2016年秋冬季以20d为第1主周期,存在37d的次周期;2017～2018年秋冬季以88d为第1主周期,其次出现了 10,20,40d 3个较弱的周期;2018～2019年秋冬季在 70d的周期震荡最强,为第 1主周期,同时存在 35,10d 2个较弱的周期;2019～2020年秋冬季存在20,70,110d 3个较为明显的周期.整体而言,2013～2020年秋冬季PM10和PM2.5周期变化规律大致相同,表明颗粒物之间有较强的相关性.除2015～2016年和2019～2020年秋冬季外,其它年份的秋冬季都存在 50～80d的主周期.2019～2020年秋冬季颗粒物浓度变化周期变长可能与新冠疫情期间采取的措施有关[32],疫情期间,交通封锁、工业和商业活动显著减少、居家办公等措施使得大气污染物浓度明显降低[3],空气质量明显改善.大气颗粒物是影响保定市空气质量的主要污染物[24],因此,新冠疫情管控明显降低了颗粒物浓度,进而影响到了颗粒物周期性变化规律.

2.2.2 气态污染物浓度的变化周期 2013～2014年秋冬季SO2以 50d为第1主周期(图4);2014～2015年秋冬季60d为第1主周期,其次出现了8,30,100d 3个较弱的周期;2015～2016年秋冬季和2017～2018年秋冬季均以110d为第1主周期,且都存在1个18d的小尺度周期;2016～2017年秋冬季第 1主周期为105d;2018～2019年秋冬季第 1主周期为90d;2019～2020年秋冬季第1主周期为110d.结合小波系数实部图和小波系数比色刻度尺可以看出,2013～2014年和2014～2015年秋冬季SO2的污染状况最为严重,2015年开始逐年好转,这与 2.1所得结论一致.从变化周期上也可以看出,2013～2014年和 2014～2015年秋冬季 SO2主周期为 50～60d,以后的秋冬季主周期均为 90～110d,说明从 2015年开始的大气污染治理措施对SO2的浓度下降和变化周期有明显影响.

图4 秋冬季SO2小波系数实部图和小波方差Fig.4 The wavelet power and variance for SO2 in autumn and winter

2013～2014年秋冬季NO2以90d为第1主周期(图 5);2014～2015年秋冬季以 60d为第 1主周期;2015～2016年秋冬季以 20d为第 1主周期;2016～2017年秋冬季存在4个周期,分别为18,25,50,87d,以87d为第1主周期;2017～2018年秋冬季以 97d为第 1主周期,次周期分别为 10,20,36d;2018～2019年秋冬季以 86d为第 1主周期;2019～2020年秋冬季存在3个周期,分别为 10,30,90d,90d为第1主周期.除2015～2016年秋冬季第1主周期为20d外,其它年份秋冬季第1主周期介于60～90d之间.

图5 秋冬季NO2小波系数实部图和小波方差Fig.5 The wavelet power and variance for NO2 in autumn and winter

2013～2014年秋冬季CO存在3个较明显的周期(图 6),分别为 17,43,70d,以 70d为第 1主周期;2014～2015年秋冬季以 60d为第 1主周期;2015～2016年和2016～2017年秋冬季均以20d为第1主周期;2017～2018年秋冬季以88d为第1主周期,以10和40d为次周期;2018～2019年秋冬季存在2个较明显的周期,分别为80,35d;2019～2020年秋冬季以20d为第1主周期.CO主要存在20d的准双周和60～90d的季节内震荡,准双周主要出现在2015～ 2016年、2016～2017年和2019～2020年秋冬季,其它4个秋冬季为季节内震荡.

图6 秋冬季CO小波系数实部图和小波方差Fig.6 The wavelet power and variance for CO in autumn and winter

保定市秋冬季污染物的周期震荡主要在20d准双周、50～90d季节内震荡和90～110d的季节震荡3个时间尺度范围.NO2和CO以20d准双周和60～90d季节内震荡为主,SO2以 50～60d季节内震荡和90～110d季节震荡为主,颗粒物存在 20d准双周、50～80d季节内震荡和110d季节震荡3个周期.大气污染物的季节内震荡强度在2016～2017年秋冬季后减弱可能与保定市开展的多项大气污染源减排措施有关[30].污染物浓度存在的低频震荡与大气中存在的低频震荡密切相关,在北半球冬半年平流层中,存在显著的10～20d准双周震荡周期[33]和30～60d的季节震荡周期[34-35]等低频振荡,这些震荡导致气压、风向、风速等气象要素的变化,平流层的低频扰动可以影响到对流层[36],进而影响到大气污染物的浓度变化特征.

通过小波系数实部可以看出,历年各污染物污染最严重的月份多集中在12月、1月和2月,主要与污染源排放强度和相对静稳的大气条件有关[37].一方面,冬季采暖期燃烧取暖排放量较大,生物质燃烧较多,汽车尾气排放加剧,导致颗粒物、SO2、NO2和 CO 等污染物排放量的增加,另一方面,冬季气温较低,边界层高度低,大气层结构稳定且易出现逆温层,这些气象因素均不利于污染物扩散,导致大气污染物在低空中聚集[21].

2015～2016年秋冬季颗粒物、NO2和CO小波方差图变化与其它年份差异较大,通过小波系数实部图可以看出:纵坐标较大时间尺度(>120d),横坐标为60～90d(对应的时间11月底～12月)处的污染物浓度最高.经分析推断与2015年11月26日～12月 2日京津冀地区经历的一次典型持续性污染天气有关,此次重污染过程中,京津冀地区污染物主要为PM2.5,11月27日颗粒物浓度逐渐上升,11月30日浓度在短时间内骤增,导致城市空气质量从优良迅速转差,达到严重污染[38],这与2015～2016年秋冬季颗粒物、NO2和CO在较大时间尺度(120d)上的浓度变化趋势相吻合,说明短时间持续性污染天气不仅影响近期污染物变化规律,对长时间序列的变化规律也有显著的影响.

2.3 污染物浓度时间序列突变点分析

利用 M-K检验方法对各个污染物的浓度进行分析,得到UF和UB曲线趋势变化(图7).

图7 秋冬季PM10、PM2.5、SO2、NO2和CO浓度M-K检测曲线Fig.7 M-K detection curves for the concentrations of PM10, PM2.5, SO2, NO2 and CO in autumn and winte

2.3.1 PM102013年10月28日PM10序列呈上升趋势,2014年3月11日开始呈显著的下降趋势;2014年10月4日呈上升趋势,2015年3月13日呈下降趋势;2015～2016年秋冬季先呈极显著的上升趋势,2016年3月2日后呈下降趋势但不显著;2016年10月11日前呈显著的下降趋势,突变后呈极为显著的上升趋势;2017年10月17日后呈显著的上升趋势,2018年3月21日前呈极显著的上升趋势,突变后呈下降趋势但不显著;2019～2020年秋冬季先呈上升趋势,2020年3月23日呈下降趋势.

2.3.2 PM2.5对比PM10与PM2.5发现,两者的突变时间大致吻合,PM2.5略晚于 PM10,整体变化趋势一致.小波分析中 PM10和 PM2.5在不同时间尺度上能量的震荡频率和强度具有高度的一致性,且M-K分析得出的突变点时间与实部图中小波系数为0时所对应的时间大致吻合,说明两者有极强的相关性.

2.3.3 SO22013年10月21日开始呈上升趋势;2016年11月3日前呈显著下降趋势,突变后呈极显著的上升趋势;2017年10月30日开始呈上升趋势;2018～2019年秋冬季先呈上升趋势,2019年3月16日开始呈下降趋势但不显著;2019年10月19日开始呈极显著上升趋势,2020年3月19日开始呈下降趋势.

2.3.4 NO22013年10月25日开始呈极显著上升趋势;2014～2015年秋冬季先呈显著上升趋势,2015年2月13日呈显著下降趋势;2015～2016年秋冬季先呈上升趋势,2016年3月21日开始呈下降趋势,但趋势不显著;2016年10月9日前和2017年3月6日后呈显著的下降趋势;2017年10月12日开始呈显著上升趋势;2018～2019年秋冬季先呈上升趋势,2019年 3月 9日开始呈极显著的下降趋势;2019～2020年秋冬季先呈上升趋势,2020年2月11日开始呈极显著下降趋势.

2.3.5 CO 2013年 10月 22日开始呈上升趋势;2014年10月8日开始呈极显著的上升趋势;2016年10月16日开始呈极显著的上升趋势,2017年3月23日后呈下降趋势但不显著;2017年10月15日开始呈极显著上升趋势;2018～2019年秋冬季先呈上升趋势,2019年3月28日开始呈下降趋势;2019年10月12日开始呈极显著的上升趋势,2020年3月20日开始呈现出下降趋势.

经过M-K检验发现,历年来各污染物的突变时间多集中在10月和3月,王海鹏等[18]对兰州市空气污染指数研究也发现春分和秋分前后是大气污染轻重转换的拐点.据分析,受季节交替和大气环流形势影响,9月下旬至10月中旬华北地区的首要污染物从O3转向 PM2.5,10月存在大量的生物质燃烧(秸秆粉碎焚烧)以及开始燃煤等供暖活动,污染物排放量骤增[39],3月中旬停止供暖,加上春季干燥多风的气象条件,污染物浓度呈下降趋势[40].2019～2020年秋冬季NO2开始呈下降趋势的突变点较往年提前约1个月,结合2019～2020年秋冬季NO2小波实部图能看出2月和3月份污染较往年明显偏低.基于疫情期间活动水平的排放估计表明,中国东部地区的 NOx总体减少约 60%～70%,其中 70%～80%与道路交通有关,20%～25%来自工业和发电厂[41],因此 2019～2020年秋冬季NO2浓度下降的突变点提前与疫情期间车流量减少,NOx排放大幅降低有直接关系.2019～2020年秋冬季颗粒物浓度明显下降但突变点却未提前,相关研究表明,大规模减少交通和工业的排量能显著改善当地空气质量[42-43],疫情期间京津冀地区也经历了极端不利的气象条件,出现了污染过程[44-45]:大气温度升高,形成逆温层,相对湿度出现峰值,高湿环境增强了气态污染物向PM2.5的转化能力[46],有利于NOx和SO2等向PM2.5的非均相转化同时,减少的NOx导致 O3增强,增加了大气氧化能力并促进了二次溶胶形成[44].因此,保定市 2019～2020年秋冬季颗粒物突变点无明显变化.2013～2014年和 2014～2015年秋冬季SO2和CO的突变点时间以及主周期相近,说明两者可能有同样的污染源.2015年后保定实施了煤改气、煤改电,劣质散煤专项治理、燃煤锅炉淘汰改造,禁煤区散煤“清零”等措施后[30],不仅使大气污染物浓度明显下降,而且SO2和CO两者突变点时间也存在差异,说明清洁取暖措施对改善空气质量有明显效果.

3 结论

3.1 从总体上看,保定市 2013～2019年 PM10、PM2.5、SO2和CO的质量浓度有较明显的下降,SO2是 6种常规污染物中下降幅度最大的污染物,NO2浓度下降幅度不明显,这与机动车保有量只增不减有直接关系,O3-8h浓度整体呈上升趋势;秋冬季重度污染天数和全年重污染天数均呈逐年下降的趋势,但秋冬季重度污染天数占到全年重度污染天数的 81%～97%,且从 2017年开始占比逐年增长,因此秋冬季污染的治理是改善全年空气质量的关键.

3.2 通过分析小波系数实部图和方差图可知,2013～2019年秋冬季各污染物序列的主周期均在20d准双周、50～90d季节内震荡、90～110d季节震荡 3个范围内.污染物浓度存在的低频震荡(即双周震荡和季节震荡)与大气中存在的低频震荡密切相关.历年各污染物污染最严重的月份多集中在 12月、1月和2月,主要与污染源排放强度和相对静稳的大气条件有关.2019～2020年秋冬季颗粒物震荡周期的变化与新冠疫情期间空气质量明显改善有关.

3.3 各污染物序列突变点多集中于10月和3月,10月存在大量的生物质燃烧(秸秆粉碎焚烧)以及燃煤供暖活动,污染物排放量骤增,3月中旬停止供暖,加上春季干燥多风的气象条件,污染物浓度呈下降趋势.2019～2020年秋冬季NO2呈极显著下降趋势的突变点较往年提前约 1个月,与疫情期间车流量减少,NOx排放大幅降低有直接关系;2013～2014年和2014～2015年秋冬季SO2和CO的突变点以及主周期相近,说明两者可能有同样的污染源,2015年后保定实施了大气污染治理措施后,两者突变点时间存在差异,说明清洁取暖措施对改善空气质量有明显效果.