基于小波分析的煤炭資源型城市供暖期PM2.5濃度特征

楊明航

摘 要：為探究煤炭資源型城市鶴壁供暖期PM2.5濃度變化特征，利用MATLAB對其進(jìn)行小波分析，分析PM2.5的時(shí)間序列周期和突變特征。結(jié)果表明：鶴壁市供暖期內(nèi)PM2.5污染程度以良為主，占比為40.16%，嚴(yán)重污染天數(shù)最少，為3天;PM2.5濃度最高值出現(xiàn)在1月，最低值出現(xiàn)在3月，總體趨勢為先上升后下降;Morlet小波分析結(jié)果表明鶴壁市PM2.5日均變化序列存在多時(shí)間尺度特征，第一主周期為15 d，第二主周期為50 d;鶴壁市共有4次突變事件，多發(fā)生在冬季。與陜北地區(qū)的煤炭資源型城市榆林、延安相比，鶴壁優(yōu)良天數(shù)遠(yuǎn)低于二者，人口密度、地理環(huán)境也是影響空氣質(zhì)量的重要因素。

關(guān)鍵詞：PM2.5;供暖期;小波分析;突變

中圖分類號(hào)：X51文獻(xiàn)標(biāo)識(shí)碼：A文章編碼：1003-5168（2021）08-0149-03

Characteristics of PM2.5 Concentration in Heating Period of

Hebi City Based on Wavelet Analysis

YANG Minghang

（Shaanxi Key Laboratory of Disasters Monitoring & Mechanism Simulation， Baoji University of Arts and Sciences，

Baoji Shaanxi 721013）

Abstract： In order to explore the variation characteristics of PM2.5 concentration during heating period in Hebi， a coal resource-based city， the wavelet analysis of PM2.5 was carried out by using MATLAB， and the period and mutation characteristics of PM2.5 time series were analyzed. The results show that： the PM2.5 pollution degree was mainly good， accounting for 40.16%， the days of serious pollution was the least， only 3 days; the highest PM2.5 concentration appears in January， the lowest in March， the overall trend was first rising and then falling; Morlet wavelet analysis results show that the PM2.5 daily average Change Series in Hebi City has multi time scale characteristics， the first main cycle was 15 days， the second main cycle was 15 days.There were four mutation events in Hebi City， most of which occurred in winter. Compared with Yulin and Yan'an， which were both coal resource-based cities in Northern Shaanxi， the number of excellent days in Hebi was far lower than both. Population density and geographical environment are also important factors affecting air quality.

Keywords： PM2.5; heating period; wavelet analysis; mutation

PM2.5是指細(xì)顆粒物，粒徑小于2.5 μm，能較長時(shí)間懸浮于空氣中，具有明顯的周期性變化規(guī)律[1-2]，空氣中PM2.5質(zhì)量濃度越高就代表空氣污染越嚴(yán)重[3]。冬季由于供暖等活動(dòng)使城市用電量增大，更容易導(dǎo)致PM2.5質(zhì)量濃度超標(biāo)。對于煤炭資源型城市，產(chǎn)業(yè)結(jié)構(gòu)偏向于重工業(yè)，研究該種類型城市的PM2.5濃度特征，對于改善城市空氣質(zhì)量具有重要意義。

近年來，許多學(xué)者對PM2.5的時(shí)空分布特征進(jìn)行了研究。易文利等對陜西省冬春季PM2.5時(shí)空分布特征進(jìn)行了研究[4];蘇明偉等對西北內(nèi)陸和東部沿海地區(qū)的12座城市的PM2.5分布特征進(jìn)行研究[5]。以上研究均是利用小波分析的手段對城市PM2.5特征進(jìn)行分析，但對于易發(fā)生PM2.5污染事件的煤炭資源型城市的相關(guān)研究還比較少。

本文基于2019年供暖期空氣質(zhì)量逐小時(shí)監(jiān)測數(shù)據(jù)，結(jié)合Origin和MATLAB（矩陣實(shí)驗(yàn)室）軟件，運(yùn)用小波分析對煤炭資源型城市鶴壁市供暖期PM2.5的質(zhì)量濃度、周期特征進(jìn)行了研究。本研究對于揭示PM2.5的周期性規(guī)律具有重要意義，以期為煤炭資源型城市的PM2.5治理提供科學(xué)參考。

1 數(shù)據(jù)和方法

1.1 研究區(qū)概況

鶴壁市地處豫北，緊鄰河北省。鶴壁市第四次全國經(jīng)濟(jì)普查公報(bào)顯示，鶴壁市采礦業(yè)從業(yè)人員共有44 469人，資產(chǎn)總計(jì)387.01億元，占比為12.53%，屬于煤炭資源型城市。以煤炭開采、第二產(chǎn)業(yè)為主的產(chǎn)業(yè)結(jié)構(gòu)，使得鶴壁市PM2.5質(zhì)量濃度在供暖期時(shí)超標(biāo)。

1.2 數(shù)據(jù)來源

本文原始數(shù)據(jù)來源于河南省環(huán)境保護(hù)廳（http：//sthjt.henan.gov.cn/），鶴壁市PM2.5逐小時(shí)監(jiān)測數(shù)據(jù)自2019年11月15日至2020年3月15日，有效數(shù)據(jù)天數(shù)為122 d。

1.3 研究方法

使用Origin 9.1軟件完成PM2.5污染程度占比餅狀圖、日濃度變化箱型圖，利用MATLAB 2018a軟件實(shí)現(xiàn)鶴壁市供暖期PM2.5小波系數(shù)實(shí)部圖和小波方差圖，研究鶴壁市PM2.5周期波動(dòng)規(guī)律，對存在的突變點(diǎn)進(jìn)行分析。

2 結(jié)果與分析

2.1 PM2.5時(shí)間變化特征

依據(jù)國家PM2.5污染程度分級(jí)標(biāo)準(zhǔn)，日均濃度0～35 μg/m3為優(yōu)，35～75 μg/m3為良，75～115 μg/m3為輕度污染，115～150 μg/m3為中度污染，150～250 μg/m3為重度污染，大于250 μg/m3為嚴(yán)重污染。122 d內(nèi)鶴壁市供暖期PM2.5污染程度占比如圖1所示。鶴壁市為優(yōu)的天數(shù)為15 d，占比12.31%;良的天數(shù)較多為49 d，占比40.16%;輕度污染為21 d，占比17.21%;中度污染為16 d，占比為13.11%;重度污染為18 d，占比為14.75%;嚴(yán)重污染為3 d，占比為2.46%。鶴壁市供暖期PM2.5污染程度，主要以良為主，嚴(yán)重污染的天數(shù)較少，只有3天，其余為優(yōu)、輕度污染、中度污染和重度污染，占比相當(dāng)。

選取5個(gè)特征日，即每月15號(hào)，制作PM2.5日濃度變化箱型圖，如圖2所示。從圖1可知，1月15日PM2.5的濃度最高，此后兩個(gè)月的特征日逐漸下降到較低水平。1月15日為供暖期的中間日期，同時(shí)也為冬季氣溫較低的時(shí)間段，用電用暖均達(dá)到了時(shí)間段內(nèi)的高峰期，造成了PM2.5濃度較高。由圖2可知，供暖期內(nèi)PM2.5最高值出現(xiàn)在1月，最低值在3月，總體趨勢為先上升后下降。

2.2 PM2.5周期性規(guī)律小波分析

近年來，小波函數(shù)分析被運(yùn)用到PM2.5長時(shí)間尺度變化規(guī)律研究，在大氣顆粒物變化周期分析和突變點(diǎn)分析方面效果顯著[6～7]。常用的小波函數(shù)有Morlet小波函數(shù)和Daubechies（db）小波函數(shù)。本文運(yùn)用Morlet小波函數(shù)對供暖期內(nèi)PM2.5日均數(shù)據(jù)進(jìn)行小波變換，得到鶴壁市供暖期小波系數(shù)實(shí)部圖（見圖3）和小波方差圖（見圖4）。小波變換系數(shù)實(shí)部圖，反應(yīng)PM2.5時(shí)間序列下不同尺度的周期變化，圖中顏色偏淺表示PM2.5濃度值大，偏深表示PM2.5濃度值小，系數(shù)為0表示PM2.5值在偏大偏小之間轉(zhuǎn)換的突變點(diǎn);小波方差圖，反應(yīng)時(shí)間序列下各種尺度波動(dòng)及強(qiáng)弱。

小波系數(shù)實(shí)部圖（圖3）中，在低時(shí)間尺度下（10～20 d），PM2.5濃度變化周期較小，大小交替較多，主要體現(xiàn)在冬季時(shí)段（2018年11月至2019年1月）;在30～60 d時(shí)間尺度內(nèi)，PM2.5整體變化周期較強(qiáng)，變化較為穩(wěn)定，高低交替具有全域性;時(shí)間尺度在80 d以上時(shí)，實(shí)部圖存在未閉合部分，故不做考慮。小波方差圖（見圖4）能反映時(shí)間序列中所包含的各種尺度的波動(dòng)及其強(qiáng)弱，第一個(gè)對應(yīng)峰值處的尺度為第1主周期，其余類推。鶴壁市以15 d為第一主周期，50 d為第二主周期。

2.3 PM2.5濃度時(shí)間序列突變點(diǎn)分析

選用具有較強(qiáng)正則性的db小波對PM2.5時(shí)間序列突變點(diǎn)進(jìn)行分析[8]，所得第1層和第2層高頻系數(shù)重構(gòu)信號(hào)曲線如圖5所示。圖中高頻系數(shù)重構(gòu)振幅較強(qiáng)的點(diǎn)代表PM2.5濃度的突變點(diǎn)，振幅弱表示PM2.5濃度值變化較平穩(wěn)。鶴壁市存在4次突變事件，分別在10、42、58、70 d附近，發(fā)生在冬季寒潮天氣，這可能與冷空氣移動(dòng)并從北方帶來大氣顆粒物有關(guān) [4]。

3 討論

有學(xué)者對陜北的煤炭資源型城市PM2.5污染特征進(jìn)行了研究[2]。榆林市優(yōu)良天數(shù)占比高達(dá)80%以上，延安市優(yōu)良天數(shù)接近80%，沒有嚴(yán)重污染天數(shù)。對比鶴壁市優(yōu)良天數(shù)占比為52%，陜北地區(qū)煤炭資源型城市空氣質(zhì)量明顯優(yōu)于鶴壁市。造成該結(jié)果的原因可能是：豫北地區(qū)的人口密度較高，除了煤炭開采外，汽車尾氣等生產(chǎn)生活活動(dòng)也會(huì)對空氣質(zhì)量產(chǎn)生重要影響。此外，陜北地區(qū)地勢較高，大風(fēng)天氣較多，空氣污染物容易擴(kuò)散也是該地區(qū)空氣質(zhì)量較好的原因之一。

大氣顆粒物防治不僅要加強(qiáng)煤炭開采等工業(yè)的環(huán)境監(jiān)測，而且要實(shí)施汽車限行，開展節(jié)約用電等居民日常生活行為的宣傳教育活動(dòng)，冬季是防治的重點(diǎn)時(shí)段，應(yīng)建立區(qū)域大氣污染聯(lián)防聯(lián)控機(jī)制，加強(qiáng)源頭減污工作。

4 結(jié)論

鶴壁市供暖期PM2.5污染程度，主要以良為主（占比40.16%），嚴(yán)重污染的天數(shù)最少，為3 d;PM2.5濃度最高值出現(xiàn)在1月，最低值出現(xiàn)在3月，總體趨勢為先上升后下降。

在低時(shí)間尺度下（10～20 d），PM2.5濃度變化周期較小，大小交替較多，而在30～60 d時(shí)間尺度內(nèi)，PM2.5整體變化周期較強(qiáng);鶴壁市以15 d為第一主周期，50 d為第二主周期;鶴壁市存在4次PM2.5濃度突變事件，氣象因素可導(dǎo)致PM2.5濃度驟升。

同為煤炭資源型城市，陜北地區(qū)的榆林和延安優(yōu)良天數(shù)遠(yuǎn)高于豫北地區(qū)的鶴壁市，除了煤炭開采外，人口密度、地理環(huán)境也是影響空氣質(zhì)量的重要因素。

參考文獻(xiàn)：

[1]WANG S， LI G G， GONG Z Y， et al. Spatial distribution，seasonal variation and regionalization of PM2.5 concentrations in China [J].Science China ，2015（9）：1435-1443.

[2]ZHAO S P， YU Y， YIN D Y， et al. Annual and diurnal variations of gaseous and particulate pollutants in 31 provincial capital cities based on in situ air quality monitoring data from China National Environmental Monitoring Center [J]. Environmental International，2016（86）：92-106.

[3]朱彤，尚靜，趙德峰.大氣復(fù)合污染及灰霾形成中非均相化學(xué)過程的作用[J].中國科學(xué)（化學(xué)），2010（12）：1731-1740.

[4]易文利，朱嬋園，郭嬋，等.陜西省冬春季PM2.5時(shí)空分布特征研究[J].地球與環(huán)境，2020（6）：663-671.

[5]蘇明偉，張偉峰，鄭潤禾.基于小波分析的PM2.5分布特征及差異分析[J/OL].環(huán)境工程，1-10.[2021-02-06].http：//kns.cnki.net/kcms/detail/11.2097.X.20201215.1730.004.html.

[6]王海鵬，張斌，劉祖涵，等.基于小波變換的蘭州市近十年空氣污染指數(shù)變化[J].環(huán)境科學(xué)學(xué)報(bào)，2011（5）：1070-1076.

[7]周杰，楊鵬，呂文生，等.小波方差分析北京市PM2.5質(zhì)量濃度序列周期特征[J].環(huán)境監(jiān)測管理與技術(shù)，2016（6）：19-22.

[8]孫春媛，李令軍，趙文吉，等.基于小波變換的北京市PM2.5時(shí)空分布特征及成因分析[J].生態(tài)環(huán)境學(xué)報(bào)，2016（8）：1343-1350.