京津冀空气质量分布特征及气象影响因素分析

2022-07-08金仁浩曾国静李盈新

资源节约与环保 2022年6期

金仁浩曾国静李盈新蔺茹

（北京物资学院信息学院北京 101149）

引言

自2013 年雾霾事件以来，北京地区的空气质量一直受到政府和市民的高度关注。由于大气环境存在流动且无明显边界的特点，北京地处京津冀地区核心位置，因此中央政府不断加强和完善京津冀地区大气污染的联防联控工作。虽然近年来，该地区空气质量取得了一定的好转，但距国家目标尚有一定的差距，仍是我国大气污染较为严重的区域之一[1]。京津冀地区空气污染物的超强度排放和被群山环绕的地理环境是造成该地区大气污染的主要原因[2]。但空气质量还受到当地气象因素的影响，在污染物相对稳定的释放条件下，气象条件在空气质量中发挥主要作用[3]。各级环保部门会定期公布当地各种空气污染物指标值以及综合空气质量指数AQI 指标值[4]，这为空气质量的相关研究提供了重要的数据基础。目前研究京津冀地区空气质量的文献较多，主要可分为空气质量分布特征及影响因素分析两方面研究。

郭鑫等通过描述统计方法研究了2013-2018 年京津冀地区空气质量变化情况，得出该地区空气质量虽大幅改善但仍超标严重，并对各地超标情况进行分析[5]。王迪等通过时空描述分析了京津冀168 个区县2000-2015 年大气污染分布情况，得出空气污染呈现北低南高的现象，且污染程度和范围呈上升趋势[6]。张良玉等通过空间相关分析的方法对京津冀地区2014-2018 年大气污染分布情况展开研究，得出大气浓度空间分布差异显著，南部地区污染物浓度呈现高高集聚，而北部地区呈现低低聚聚的分布特征[7]。

涉及京津冀地区空气质量影响因素的研究相对比较丰富。譬如，李慧杰等通过GIS 统计描述的方法对京津冀地区2013－2017 年AQI 的影响因素进行分析，得出气温和风速对AQI 在总体上呈现负相关，湿度、气压和经济增长对AQI 的影响不同地区和时间呈现不同趋势[8]。弓辉等通过GIS 空间描述和统计相关分析研究京津冀地区雾霾形成的因子，得出AQI 受到污染物排放和气象因子的综合影响，且冬季空气湿度大和风力小是导致雾霾的主要气象因素[9]。张翠芝等通过灰色关联法分析京津冀地区AQI 与经济发展的关系，得出河北省空气质量与第一二产业关联性较强，但北京市空气质量仅与第一产业关联性较强[10]。

由于社会经济指标往往是以年度为计数单位，气象数据以天为计数单位，空气质量数据以天为计数单位，所以空气质量指标与经济社会指标模型分析相对较少，但与气象因素的分析相对较多。目前对京津冀地区空气质量影响因素的研究仍有一定不足之处，譬如，研究的数据年份往往集中在2018 年之前，另外对气象影响因素的分析往往是通过空气质量指标与单个气象指标的相关性分析为主，并未通过模型综合分析气象因素对空气质量的影响。因此为弥补这一不足，本文以2019-2020 年京津冀三地的空气质量数据为基础，在描述分析该地区空气质量分布特征的基础上，通过统计模型来综合研究气象因素对空气质量的影响。

1 数据与方法

1.1 数据

本文以京津冀地区各城市2019-2020 空气质量数据为研究对象，以各城市AQI 指标值为目标变量，以平均风速、平均气压、平均气温和平均相对湿度这些气象因素为影响因素展开研究。在收集各城市气象数据时，由于石家庄和邯郸这两城市数据存在大量缺失，因此在本文的研究中剔除这两个城市，仅以该地区剩下的11 个城市作为研究对象。根据AQI 日均值，可将空气质量分为6 个级别：优，良，轻度污染，中度污染，重度污染，严重污染。这六个级别对应的AQI 区间分别为0-50，50-100，101-150，151-200，201-300，300以上[1]。

1.2 建模分析

本文首先对京津冀2019-2020 年11 市AQI 数据和空气质量等级数据进行时空描述分析，进而从整体上了解该地区空气质量的变化情况。在统计模型中，回归模型是一种常见的用来研究目标变量与自变量影响关系的模型，该模型具有简单易懂、理论完善、解释性强、容易实现等优点，且被广泛应用于各个领域。由于该模型对数据量的要求不是太高，本文将仅以2020年各市每日AQI 指标为因变量，以各市每日气象因素为自变量，建立回归模型来研究气象因素对空气质量的影响。

2 京津冀地区空气质量分布特征

2.1 京津冀地区AQI指数时间变化特征

京津冀地区11 市的2019-2020 年AQI 月均值变化图如图1 所示。由图可知，该地区在冬季AQI 均值较高，而春夏季及初秋AQI 均值相对较低，即2019-2020 年都表现出1 月份AQI 均值最大，随着气温上升呈现下降趋势，并在9 月份AQI 均值达到最低，随着温度的降低，AQI 均值又逐渐上升到1 月份的最高值。同时1 月份AQI 均值为80-90 之间，9 月份AQI 均值为20-30 之间，AQI 均值的最大值所对应的空气质量等级为良，说明近两年该地区空气质量得到显著改善。导致该地区AQI 均值呈现此种变化规律的原因可能是该地区秋冬季气温低，大气循环慢，不利于污染物扩散，而春夏季冷暖空气对流，带来充足的雨水和对流风，有利于污染物的沉降和扩散。

图1 京津冀地区11市2019-2020年AQI月均值时序变化图

2.2 京津冀地区AQI指数空间分布特征

京津冀地区11 市2019-2020 年的AQI 均值及空气质量等级天数所占比重如表1 所示，表1 中各城市按其AQI 均值数值由小到大排序。结合11 个城市的地理位置和AQI 均值，京津冀地区呈现出北部局域空气质量较好，南部地区空气质量较差的现象。具体可将11 个城市分成3 类：以张家口、承德、秦皇岛、北京为代表的北部地区，AQI 均值在70 以内，空气质量相对较好；以廊坊、唐山、天津为代表的中部地区，AQI 均值小于80，空气质量水平居中；以沧州、衡水、保定、邢台为代表的南部地区，AQI 均值大于80，空气质量相对较差。这可能是因为，京津冀北部地区重工业所占比重较低，处于上风向，污染物排放少且便于扩散；而中南部地区工业污染物排放较多，且处于下风向，不利于污染物的扩散。

表1 2019-2020年京津冀地区11市的AQI均值及空气质量等级天数所占比重

各城市空气质量等级天数所占比例如表1 所示，张家口和承德空气质量等级为优的比重都达50%以上，等级为良以上的天数达到94%；虽然秦皇岛和北京等级为优的天数仅有40%和38%，但良以上天数都达到84%以上。这北部四城市空气质量相对较好，尤其是前两城市。剩下几个城市等级为优的比重都低于30%，其中邢台最低仅为14%；但这几个城市空气质量等级为良以上的比重都达到70%以上，其中廊坊、天津、沧州等级为良以上的比重都在80%以上。总体而言，以空气质量等级所占比重呈现出来的空间分布规律与仅以各市AQI 均值得出的结论一致，即京津冀地区呈现出北部局域空气质量较好，南部地区空气质量较差的现象。

3 空气质量与气象影响因素分析

空气质量指数AQI 指标是以日为计数单位的数据，虽然经济社会指标及地理环境因素都会对空气质量产生影响，但由于数据收集的原因，本文仅选取以日为计数单位的气象指标作为AQI 指标的影响因素。气象因素是限制大气中污染物稀释、扩散、移动和转化的重要因素，主要包括平均风速、平均气压、平均气温和相对湿度。其中风速越高，污染物扩散越快，风速越小，污染物扩散越少；平均气压越高，空气的流速越慢，污染物较难扩散，平均气压越低，空气的流通越快，便于污染物的扩散；温度上升，空气流动加速，促进污染物扩散，温度下降，空气流动缓慢，造成污染物积累；空气干燥时，容易引起灰尘，空气潮湿时，特别是雨水增多时，可去除空气中混浊的微粒[9]。

本文以京津冀11 个城市2020 年每日AQI 均值为目标变量，以相应的每日平均风速、平均气压、平均气温和平均相对湿度值为自变量，建立多元线性回归方程，综合研究气象因素对空气质量的影响。目标变量AQI 值未通过正态QQ 图检验，但对其进行对数转换后通过正态性检验，将新目标变量记为logAQI。本文选用逐步回归的方式对自变量的进行选择，逐步回归结果如表2 所示。由表2 可知，共线性统计量VIF值都低于10，说明各变量之间存在较弱的多重共线性，可以把这些变量一起放入回归模型进行分析。由模型结果可知，平均气温、平均相对湿度、平均气压对AQI 值有显著影响，其中平均气温呈现负影响，而其他两因素呈现正影响，即气温上升会带来AQI 降低，但湿度和气压上升会带来AQI 上升。与气象常识基本一致，但也说明虽然空气潮湿会降低空气中的混浊微粒，但可能并不会降低AQI 值。正如弓辉等指出冬季空气湿度大和风力小是导致京津冀地区雾霾形成的主要气象因素[9]。

表2 所得模型中，平均风速未通过逐步回归的显著性检验，但一般而言风速越高空气质量越好。当以平均风速建立单变量回归模型时，得到平均风速异常显著，且系数值为-6。但以相对湿度和平均风速两自变量建立模型时，平均风速未通过显著性检验，相对湿度显著。相对湿度和平均风速之间的相关系数为-0.7，存在着异常显著的负相关性，说明平均相对湿度与平均风速在回归模型中存在制约关系。剔除平均相对湿度，重新建立多元线性回归模型，逐步回归结果如表3所示。表3 模型结果跟表2 模型结果基本一致，平均气温和平均气压对AQI 指标影响的方向没有变化，平均风速对AQI 指标呈现出负向的影响，说明一般而言风速越大，AQI 值越小，空气质量越高。