保定市2013～2019年秋冬季污染物濃度變化特征

李歡歡,牛 璨,張 凱,黎 潔,支敏康,羅宇騫,王 濤,魯珊珊 (.中國環(huán)境科學研究院環(huán)境基準與風險評估國家重點實驗室,北京 000；.河北大學公共衛(wèi)生學院,河北 保定 07000；.白洋淀流域生態(tài)環(huán)境監(jiān)測中心,河北 保定 0705)

對于空氣質(zhì)量和污染特征的分析,除了常用的環(huán)境數(shù)據(jù)與實驗室分析相結(jié)合的數(shù)據(jù)統(tǒng)計方法[1-3]、數(shù)值模式模擬方法[4-5]外,Spearman秩相關系數(shù)法[6]、自回歸滑動平均模型[7]、環(huán)境庫茲涅茨曲線法[8]、神經(jīng)網(wǎng)絡模型[9-10]和小波分析[11-13]等也常被用來作為分析污染物變化特征的方法.小波分析是20世紀80年代初由Morlet提出,能清晰的揭示出隱藏在時間序列中的多種變化周期,后被廣泛應用于大氣科學現(xiàn)象的解釋[12],用于分析大氣氣溶膠和大氣環(huán)境之間的聯(lián)系[14],對于研究大氣污染物非線性的多層次時間尺度結(jié)構(gòu)、時間序列變化規(guī)律十分有效.孫春媛等[15]、魯鳳等[16]、吳小玲等[17]、王海鵬等[18]、李梓銘等[11]等基于小波分析分別研究了北京市、上海市、蘭州市、石河子市空氣質(zhì)量、空氣污染指數(shù)、PM2.5不同時間尺度的周期及演變特征.孫春媛等[15]利用小波分析發(fā)現(xiàn)北京市PM2.5質(zhì)量濃度在1～4月和10～12月波動明顯,氣象因子對PM2.5質(zhì)量濃度變化影響巨大;Xu等[19]采用小波變換對貴港市常規(guī)大氣污染物日濃度序列進行了分析,發(fā)現(xiàn)NO2和顆粒物的季節(jié)特征是秋冬高夏季低.王海鵬等[18]運用小波分析得出蘭州市空氣污染指數(shù)以300d左右的變化為主周期.但針對于長時間的、污染嚴重季節(jié)的大氣污染物濃度變化特征的小波分析研究結(jié)果較少.

京津冀及周邊地區(qū)是我國大氣污染較為嚴重的區(qū)域之一[20],大氣對污染物的清除能力整體較差[21],研究表明,該地區(qū)2013～2018年PM2.5濃度時間上呈下降趨勢,空間上呈聚集特征[11],對污染較重的采暖季 PM2.5中化學組分的分析表明高值區(qū)主要集中在保定市至新鄉(xiāng)市的太行山傳輸通道城市[22].保定位于北京、天津、石家莊之間,是京津冀地區(qū)污染嚴重的城市之一,2013～2018年保定市大氣污染物年均濃度逐漸下降,污染程度逐漸減弱[23],后向軌跡研究表明保定市大氣污染物潛在源主要來自保定市主城區(qū)以南的區(qū)縣和城市[24],煙花爆竹燃放是春節(jié)期間保定市大氣污染的一個主要來源[25].秋冬季是保定市大氣污染最為嚴重的季節(jié),目前針對保定市秋冬季大氣污染變化趨勢和特征的研究較少.本文采用小波分析的方法對保定市2013～2019年秋冬季PM10、PM2.5、SO2、NO2和CO污染物濃度的時間序列數(shù)據(jù)進行分析,揭示不同時間尺度下大氣污染物濃度的變化特征,得到污染物的變化周期,結(jié)合Mann-Kendall(簡稱M-K)非參數(shù)檢驗方法檢測污染物濃度時間序列的升降趨勢以及突變特性,明確大氣污染物發(fā)生突變的時間,以期為保定市大氣環(huán)境污染特征認識和污染治理提供參考依據(jù).

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)的來源與處理

本文所用保定市大氣污染物(PM10、PM2.5、SO2、NO2、CO和O3)質(zhì)量濃度數(shù)據(jù)來自大氣環(huán)境科學綜合數(shù)據(jù)采集與共享平臺(https://napcdata.craes.cn),數(shù)據(jù)使用前進行了有效數(shù)據(jù)篩查,確保數(shù)據(jù)合理,分析結(jié)果可靠.監(jiān)測儀器詳細參數(shù)見文獻[24].本文所用數(shù)據(jù)時間段為2013年1月1日～2020年3月31日,文中秋冬季為每年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,其它年份類似.

根據(jù)標準[26],按空氣質(zhì)量指數(shù)將污染分為優(yōu)、良、輕度、中度、重度和嚴重6級,本文把優(yōu)和良合為優(yōu)良天,輕度和中度合為中度污染,重度和嚴重合為重度污染.

1.2 研究方法

1.2.1 小波分析 本研究以 Matlab為數(shù)據(jù)處理平臺,使用Morlet小波函數(shù)[18]:

式中:c為常數(shù);i為虛數(shù);t為時間.

對于時間序列 f( t)∈L2(R),其連續(xù)小波變換為:

為了判斷序列的主要周期,進行小波方差計算,即將小波系數(shù)的平方值在b域積分,其計算公式為:

小波方差隨 a的變化過程即為小波方差圖,能反映信號波動能量隨尺度 a的分布,對應峰值處的尺度稱為該序列的主要時間尺度,用以反映時間序列的主要周期[17],曲線最高點所對應的時間尺度為第1主周期.

1.2.2 Mann-Kendall突變檢驗 非參數(shù)M-K統(tǒng)計檢驗方法不需要樣本遵從特定的分布,也不受少數(shù)異常值的干擾[28],除了能分析總體趨勢外,還能檢驗突變發(fā)生的時間、次數(shù)及變化幅度.設污染物時間序列濃度為x={x1,x2,…,xn},mi為第i個樣本xi大于xj(1≤j≤i)的累計數(shù),定義統(tǒng)計量:

在原序列隨機獨立等假設下,dk的均值、方差分別為:

將dk標準化,可得:

式中:UFk為污染物濃度原序列構(gòu)造的統(tǒng)計量,UBk為污染物原序列的反序列構(gòu)造的統(tǒng)計量(計算同公式 6),給出顯著性水平 α(取 α=0.05,U0.05=1.96; α=0.01,U0.01=2.58),做MK檢驗曲線.若UF>0,則表明序列呈上升趨勢;若 UF<0,則表明序列呈下降趨勢.若|UF|>U0.05,則表明變化趨勢顯著;|UF|>U0.01,則表明變化趨勢極為顯著.當UF和UB 2條曲線出現(xiàn)交點且交點處于臨界線之間時,交點對應的時間即為突變初始的時間[29].

2 結(jié)果與分析

2.1 大氣污染物變化趨勢

2013～2019年,保定市除 O3-8h外,其他大氣污染物年均質(zhì)量濃度都有明顯下降,PM10、PM2.5、SO2、NO2和CO年均質(zhì)量濃度分別由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(圖1),下降幅度分別為54%、57%、79%、28%和59%.其中,2015年是各污染物濃度下降最為明顯的一年(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降幅也較為顯著,年均降幅超過7%.2015～2019年 SO2大幅下降,這得益于保定市清潔取暖工程的實施[30].NO2降幅不明顯,這與 NO2的主要來源之一機動車有關.保定市機動車保有量從2013年的195萬輛增加到2019年的238萬輛,氮氧化物排放量大.O3-8h是唯一一個年均濃度上升的污染物,2019年O3-8h與2018和2017年水平相近,較2013年上升了 78.76%.李慧等[21]對京津冀及周邊“2+26”城市研究表明,2019年 O3-8h濃度比 2013年升高21%,說明整個區(qū)域的氧化性增強.保定2013年O3-8h濃度低于“2+26”城市平均值,從2016年開始高于“2+26”城市平均值[24],這與 PM2.5濃度的下降減少了對 O3的前體物 HO2和 NO2、NO3、N2O5的非均相吸收,導致O3濃度上升有關[31].

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

2013～2019年保定市空氣質(zhì)量明顯好轉(zhuǎn),全年優(yōu)良天數(shù)由 94d上升到 196d(圖 2a),占比從 26%上升到 54%,重度污染天數(shù)由 114d下降到 24d,占比從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的年均濃度最高(圖 1),從 2015年起空氣質(zhì)量開始好轉(zhuǎn),這與保定市實施煤改氣、煤改電,同時大力開展劣質(zhì)散煤專項治理、燃煤鍋爐淘汰改造,禁煤區(qū)散煤“清零”等一系列管控措施有關.從秋冬季重污染天數(shù)和全年重污染天數(shù)對比(圖 2b)中可以看出,秋冬季重度污染天數(shù)和全年重污染天數(shù)均呈逐年下降的趨勢,但秋冬季重度污染天數(shù)在全年重度污染天數(shù)的占比(81%～97%)并無明顯改善,且從2017年開始占比呈逐年增長趨勢,因此,秋冬季大氣污染治理是全年空氣質(zhì)量改善的關鍵.

圖2 2013～2019年不同AQI等級天數(shù)占比情況Fig.2 The days and proportion of different AQI grade in 2013～2019

2.2 秋冬季大氣污染物濃度的多尺度變化特征

圖3～圖6中震蕩信號強弱通過小波系數(shù)的大小來表示:顏色越深小波系數(shù)越大,污染物濃度越高,污染越嚴重;顏色越淺則污染越輕.

圖3 秋冬季PM10和PM2.5小波系數(shù)實部圖和小波方差Fig.3 The wavelet power and variance for PM10 and PM2.5 in autumn and winter

2.2.1 顆粒物濃度的變化周期 由圖 3可以看出,2013～2014年秋冬季 PM2.5和 PM10濃度變化以50d為第1主周期,以20d為次周期;2014～2015年秋冬季和 2016～2017年秋冬季均以60d為第1主周期;2015～2016年秋冬季以20d為第1主周期,存在37d的次周期;2017～2018年秋冬季以88d為第1主周期,其次出現(xiàn)了 10,20,40d 3個較弱的周期;2018～2019年秋冬季在 70d的周期震蕩最強,為第 1主周期,同時存在 35,10d 2個較弱的周期;2019～2020年秋冬季存在20,70,110d 3個較為明顯的周期.整體而言,2013～2020年秋冬季PM10和PM2.5周期變化規(guī)律大致相同,表明顆粒物之間有較強的相關性.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年秋冬季顆粒物濃度變化周期變長可能與新冠疫情期間采取的措施有關[32],疫情期間,交通封鎖、工業(yè)和商業(yè)活動顯著減少、居家辦公等措施使得大氣污染物濃度明顯降低[3],空氣質(zhì)量明顯改善.大氣顆粒物是影響保定市空氣質(zhì)量的主要污染物[24],因此,新冠疫情管控明顯降低了顆粒物濃度,進而影響到了顆粒物周期性變化規(guī)律.

2.2.2 氣態(tài)污染物濃度的變化周期 2013～2014年秋冬季SO2以 50d為第1主周期(圖4);2014～2015年秋冬季60d為第1主周期,其次出現(xiàn)了8,30,100d 3個較弱的周期;2015～2016年秋冬季和2017～2018年秋冬季均以110d為第1主周期,且都存在1個18d的小尺度周期;2016～2017年秋冬季第 1主周期為105d;2018～2019年秋冬季第 1主周期為90d;2019～2020年秋冬季第1主周期為110d.結(jié)合小波系數(shù)實部圖和小波系數(shù)比色刻度尺可以看出,2013～2014年和2014～2015年秋冬季SO2的污染狀況最為嚴重,2015年開始逐年好轉(zhuǎn),這與 2.1所得結(jié)論一致.從變化周期上也可以看出,2013～2014年和 2014～2015年秋冬季 SO2主周期為 50～60d,以后的秋冬季主周期均為 90～110d,說明從 2015年開始的大氣污染治理措施對SO2的濃度下降和變化周期有明顯影響.

圖4 秋冬季SO2小波系數(shù)實部圖和小波方差Fig.4 The wavelet power and variance for SO2 in autumn and winter

2013～2014年秋冬季NO2以90d為第1主周期(圖 5);2014～2015年秋冬季以 60d為第 1主周期;2015～2016年秋冬季以 20d為第 1主周期;2016～2017年秋冬季存在4個周期,分別為18,25,50,87d,以87d為第1主周期;2017～2018年秋冬季以 97d為第 1主周期,次周期分別為 10,20,36d;2018～2019年秋冬季以 86d為第 1主周期;2019～2020年秋冬季存在3個周期,分別為 10,30,90d,90d為第1主周期.除2015～2016年秋冬季第1主周期為20d外,其它年份秋冬季第1主周期介于60～90d之間.

圖5 秋冬季NO2小波系數(shù)實部圖和小波方差Fig.5 The wavelet power and variance for NO2 in autumn and winter

2013～2014年秋冬季CO存在3個較明顯的周期(圖 6),分別為 17,43,70d,以 70d為第 1主周期;2014～2015年秋冬季以 60d為第 1主周期;2015～2016年和2016～2017年秋冬季均以20d為第1主周期;2017～2018年秋冬季以88d為第1主周期,以10和40d為次周期;2018～2019年秋冬季存在2個較明顯的周期,分別為80,35d;2019～2020年秋冬季以20d為第1主周期.CO主要存在20d的準雙周和60～90d的季節(jié)內(nèi)震蕩,準雙周主要出現(xiàn)在2015～ 2016年、2016～2017年和2019～2020年秋冬季,其它4個秋冬季為季節(jié)內(nèi)震蕩.

圖6 秋冬季CO小波系數(shù)實部圖和小波方差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蕩主要在20d準雙周、50～90d季節(jié)內(nèi)震蕩和90～110d的季節(jié)震蕩3個時間尺度范圍.NO2和CO以20d準雙周和60～90d季節(jié)內(nèi)震蕩為主,SO2以 50～60d季節(jié)內(nèi)震蕩和90～110d季節(jié)震蕩為主,顆粒物存在 20d準雙周、50～80d季節(jié)內(nèi)震蕩和110d季節(jié)震蕩3個周期.大氣污染物的季節(jié)內(nèi)震蕩強度在2016～2017年秋冬季后減弱可能與保定市開展的多項大氣污染源減排措施有關[30].污染物濃度存在的低頻震蕩與大氣中存在的低頻震蕩密切相關,在北半球冬半年平流層中,存在顯著的10～20d準雙周震蕩周期[33]和30～60d的季節(jié)震蕩周期[34-35]等低頻振蕩,這些震蕩導致氣壓、風向、風速等氣象要素的變化,平流層的低頻擾動可以影響到對流層[36],進而影響到大氣污染物的濃度變化特征.

通過小波系數(shù)實部可以看出,歷年各污染物污染最嚴重的月份多集中在12月、1月和2月,主要與污染源排放強度和相對靜穩(wěn)的大氣條件有關[37].一方面,冬季采暖期燃燒取暖排放量較大,生物質(zhì)燃燒較多,汽車尾氣排放加劇,導致顆粒物、SO2、NO2和 CO 等污染物排放量的增加,另一方面,冬季氣溫較低,邊界層高度低,大氣層結(jié)構(gòu)穩(wěn)定且易出現(xiàn)逆溫層,這些氣象因素均不利于污染物擴散,導致大氣污染物在低空中聚集[21].

2015～2016年秋冬季顆粒物、NO2和CO小波方差圖變化與其它年份差異較大,通過小波系數(shù)實部圖可以看出:縱坐標較大時間尺度(>120d),橫坐標為60～90d(對應的時間11月底～12月)處的污染物濃度最高.經(jīng)分析推斷與2015年11月26日～12月 2日京津冀地區(qū)經(jīng)歷的一次典型持續(xù)性污染天氣有關,此次重污染過程中,京津冀地區(qū)污染物主要為PM2.5,11月27日顆粒物濃度逐漸上升,11月30日濃度在短時間內(nèi)驟增,導致城市空氣質(zhì)量從優(yōu)良迅速轉(zhuǎn)差,達到嚴重污染[38],這與2015～2016年秋冬季顆粒物、NO2和CO在較大時間尺度(120d)上的濃度變化趨勢相吻合,說明短時間持續(xù)性污染天氣不僅影響近期污染物變化規(guī)律,對長時間序列的變化規(guī)律也有顯著的影響.

2.3 污染物濃度時間序列突變點分析

利用 M-K檢驗方法對各個污染物的濃度進行分析,得到UF和UB曲線趨勢變化(圖7).

圖7 秋冬季PM10、PM2.5、SO2、NO2和CO濃度M-K檢測曲線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序列呈上升趨勢,2014年3月11日開始呈顯著的下降趨勢;2014年10月4日呈上升趨勢,2015年3月13日呈下降趨勢;2015～2016年秋冬季先呈極顯著的上升趨勢,2016年3月2日后呈下降趨勢但不顯著;2016年10月11日前呈顯著的下降趨勢,突變后呈極為顯著的上升趨勢;2017年10月17日后呈顯著的上升趨勢,2018年3月21日前呈極顯著的上升趨勢,突變后呈下降趨勢但不顯著;2019～2020年秋冬季先呈上升趨勢,2020年3月23日呈下降趨勢.

2.3.2 PM2.5對比PM10與PM2.5發(fā)現(xiàn),兩者的突變時間大致吻合,PM2.5略晚于 PM10,整體變化趨勢一致.小波分析中 PM10和 PM2.5在不同時間尺度上能量的震蕩頻率和強度具有高度的一致性,且M-K分析得出的突變點時間與實部圖中小波系數(shù)為0時所對應的時間大致吻合,說明兩者有極強的相關性.

2.3.3 SO22013年10月21日開始呈上升趨勢;2016年11月3日前呈顯著下降趨勢,突變后呈極顯著的上升趨勢;2017年10月30日開始呈上升趨勢;2018～2019年秋冬季先呈上升趨勢,2019年3月16日開始呈下降趨勢但不顯著;2019年10月19日開始呈極顯著上升趨勢,2020年3月19日開始呈下降趨勢.

2.3.4 NO22013年10月25日開始呈極顯著上升趨勢;2014～2015年秋冬季先呈顯著上升趨勢,2015年2月13日呈顯著下降趨勢;2015～2016年秋冬季先呈上升趨勢,2016年3月21日開始呈下降趨勢,但趨勢不顯著;2016年10月9日前和2017年3月6日后呈顯著的下降趨勢;2017年10月12日開始呈顯著上升趨勢;2018～2019年秋冬季先呈上升趨勢,2019年 3月 9日開始呈極顯著的下降趨勢;2019～2020年秋冬季先呈上升趨勢,2020年2月11日開始呈極顯著下降趨勢.

2.3.5 CO 2013年 10月 22日開始呈上升趨勢;2014年10月8日開始呈極顯著的上升趨勢;2016年10月16日開始呈極顯著的上升趨勢,2017年3月23日后呈下降趨勢但不顯著;2017年10月15日開始呈極顯著上升趨勢;2018～2019年秋冬季先呈上升趨勢,2019年3月28日開始呈下降趨勢;2019年10月12日開始呈極顯著的上升趨勢,2020年3月20日開始呈現(xiàn)出下降趨勢.

經(jīng)過M-K檢驗發(fā)現(xiàn),歷年來各污染物的突變時間多集中在10月和3月,王海鵬等[18]對蘭州市空氣污染指數(shù)研究也發(fā)現(xiàn)春分和秋分前后是大氣污染輕重轉(zhuǎn)換的拐點.據(jù)分析,受季節(jié)交替和大氣環(huán)流形勢影響,9月下旬至10月中旬華北地區(qū)的首要污染物從O3轉(zhuǎn)向 PM2.5,10月存在大量的生物質(zhì)燃燒(秸稈粉碎焚燒)以及開始燃煤等供暖活動,污染物排放量驟增[39],3月中旬停止供暖,加上春季干燥多風的氣象條件,污染物濃度呈下降趨勢[40].2019～2020年秋冬季NO2開始呈下降趨勢的突變點較往年提前約1個月,結(jié)合2019～2020年秋冬季NO2小波實部圖能看出2月和3月份污染較往年明顯偏低.基于疫情期間活動水平的排放估計表明,中國東部地區(qū)的 NOx總體減少約 60%～70%,其中 70%～80%與道路交通有關,20%～25%來自工業(yè)和發(fā)電廠[41],因此 2019～2020年秋冬季NO2濃度下降的突變點提前與疫情期間車流量減少,NOx排放大幅降低有直接關系.2019～2020年秋冬季顆粒物濃度明顯下降但突變點卻未提前,相關研究表明,大規(guī)模減少交通和工業(yè)的排量能顯著改善當?shù)乜諝赓|(zhì)量[42-43],疫情期間京津冀地區(qū)也經(jīng)歷了極端不利的氣象條件,出現(xiàn)了污染過程[44-45]:大氣溫度升高,形成逆溫層,相對濕度出現(xiàn)峰值,高濕環(huán)境增強了氣態(tài)污染物向PM2.5的轉(zhuǎn)化能力[46],有利于NOx和SO2等向PM2.5的非均相轉(zhuǎn)化同時,減少的NOx導致 O3增強,增加了大氣氧化能力并促進了二次溶膠形成[44].因此,保定市 2019～2020年秋冬季顆粒物突變點無明顯變化.2013～2014年和 2014～2015年秋冬季SO2和CO的突變點時間以及主周期相近,說明兩者可能有同樣的污染源.2015年后保定實施了煤改氣、煤改電,劣質(zhì)散煤專項治理、燃煤鍋爐淘汰改造,禁煤區(qū)散煤“清零”等措施后[30],不僅使大氣污染物濃度明顯下降,而且SO2和CO兩者突變點時間也存在差異,說明清潔取暖措施對改善空氣質(zhì)量有明顯效果.

3 結(jié)論

3.1 從總體上看,保定市 2013～2019年 PM10、PM2.5、SO2和CO的質(zhì)量濃度有較明顯的下降,SO2是 6種常規(guī)污染物中下降幅度最大的污染物,NO2濃度下降幅度不明顯,這與機動車保有量只增不減有直接關系,O3-8h濃度整體呈上升趨勢;秋冬季重度污染天數(shù)和全年重污染天數(shù)均呈逐年下降的趨勢,但秋冬季重度污染天數(shù)占到全年重度污染天數(shù)的 81%～97%,且從 2017年開始占比逐年增長,因此秋冬季污染的治理是改善全年空氣質(zhì)量的關鍵.

3.2 通過分析小波系數(shù)實部圖和方差圖可知,2013～2019年秋冬季各污染物序列的主周期均在20d準雙周、50～90d季節(jié)內(nèi)震蕩、90～110d季節(jié)震蕩 3個范圍內(nèi).污染物濃度存在的低頻震蕩(即雙周震蕩和季節(jié)震蕩)與大氣中存在的低頻震蕩密切相關.歷年各污染物污染最嚴重的月份多集中在 12月、1月和2月,主要與污染源排放強度和相對靜穩(wěn)的大氣條件有關.2019～2020年秋冬季顆粒物震蕩周期的變化與新冠疫情期間空氣質(zhì)量明顯改善有關.

3.3 各污染物序列突變點多集中于10月和3月,10月存在大量的生物質(zhì)燃燒(秸稈粉碎焚燒)以及燃煤供暖活動,污染物排放量驟增,3月中旬停止供暖,加上春季干燥多風的氣象條件,污染物濃度呈下降趨勢.2019～2020年秋冬季NO2呈極顯著下降趨勢的突變點較往年提前約 1個月,與疫情期間車流量減少,NOx排放大幅降低有直接關系;2013～2014年和2014～2015年秋冬季SO2和CO的突變點以及主周期相近,說明兩者可能有同樣的污染源,2015年后保定實施了大氣污染治理措施后,兩者突變點時間存在差異,說明清潔取暖措施對改善空氣質(zhì)量有明顯效果.