黃小明，范雪敏，李治

（華中農業(yè)大學理學院，湖北武漢430000）

武漢市PM10和PM2.5的分析及預測

黃小明，范雪敏，李治

（華中農業(yè)大學理學院，湖北武漢430000）

采用相關分析、Granger因果檢驗和殘差修正模型等對武漢市PM10和PM2.5進行定量分析。結果表明：PM10和PM2.5濃度均具有明顯的季節(jié)性特征和空間差異性；PM2.5和PM10與SO2、NO2、CO呈正相關，與O3、最高溫、最低溫均呈負相關，與風力無關；下雨天可以顯著降低空氣中PM10和PM2.5的濃度；SO2、NO2、O3、最高溫與PM10和PM2.5存在顯著的格蘭杰因果關系。采用殘差修正模型分別預測武漢市PM10和PM2.5質量濃度，結果表明：預測精度優(yōu)于傳統(tǒng)的ARMA模型。

PM10；PM2.5；影響因素；預測

隨著我國加快工業(yè)現代化和城鎮(zhèn)化進程，石油、煤礦和天然氣等化石燃料快速消耗，大量的大氣污染物產生并排放到空氣中。這些污染物集中排放、濃度高，加上地形和天氣等因素綜合影響，造成我國出現了嚴重的大氣污染問題。2011年10月～2012年3月，我國長三角等地區(qū)出現了多次嚴重的霧霾天氣［1］。

近年來武漢市的霧霾天氣也頻頻發(fā)生。按照修訂前的空氣質量標準評價，2012年武漢市環(huán)境空氣質量優(yōu)良天數為321 d，優(yōu)良率為87.7%。2013年武漢環(huán)境空氣質量優(yōu)良天數降到了僅有160 d，下降幅度達到了一半，優(yōu)良率也僅有43.8%。顆粒物污染是武漢大氣環(huán)境污染的主要問題之一，但相對于北京、廣州等大城市，武漢市對顆粒物的研究較少。因此對武漢市的PM10和PM2.5進行影響因素分析并預測很有必要。

1　文獻綜述

20世紀90年代，國際上對PM10和PM2.5的研究主要集中在顆粒物的化學組成、存在狀態(tài)、物理化學特征及其在大氣中的變化、對人體健康的影響、源解析和對能見度的影響等方面。近年來隨著我國霧霾天氣頻發(fā)，國內學者也對PM10和PM2.5進行了研究。張振華采用序列圖比較和回歸分析的方法分析PM2.5與各大氣污染物和氣象條件之間的相關關系，但沒有對具體影響形式進行分析［2］。朱靜茹等采用Pearson相關系數方法分析PM2.5和氣壓、風速、溫度、降雨量及相對濕度的相關關系［3］，但沒有考慮到大氣污染物之間的相互影響。我國對于PM10和PM2.5的影響因素分析不夠全面。

為準確預測空氣顆粒物，彭斯俊等采用ARIMA對武漢市PM2.5濃度進行預測，結果顯示，相對誤差在5%～35%之間［4］，但只預測了一個日期。國外學者Perez等利用NN模型對PM2.5濃度進行預測，得到預測誤差在30%～60%之間［5］。石靈芝等采用BP神經網絡模型對PM10進行了預測，結果顯示，BP神經網絡預測R2為0.62［6］。有關武漢市PM10與PM2.5濃度研究的資料比較缺乏，定量分析預測的研究更是稀少。本文中將利用收集到的大氣污染物和氣象數據對PM10與PM2.5濃度進行定量分析、研究與預測，提出泛化能力和魯棒性更強的預測模型，為PM10與PM2.5濃度的預警工作提供參考。

2　研究方法

采用的大氣污染物2013年1月1日～2015年1月29日數據均從武漢市環(huán)保局官網中收集，所有氣象數據均從天氣后報網頁中收集。對于缺失值采用臨近兩點均值進行插值。

對連續(xù)性數據變量之間的相關分析采用Pearson相關系數進行分析，對于風速這類等級數據與PM2.5和PM10的相關系數采用Spearman秩相關系數分析。采用Granger因果檢驗分析污染物之間的因果關系，并采用殘差修正模型對PM10和PM2.5濃度。

ARMA（p，q）模型中既有自回歸過程AR（p）又有移動平均MA（q）［7］，其形式如下：

從式（1）中可看到，ARMA（p，q）模型只考慮了自身的影響，沒有考慮其他影響因素的影響。所以根據實際需要采用如下殘差修正模型：

簡化形式如下：

3　研究結果

3.1PM10和PM2.5時間分布分析

PM2.5質量濃度隨時間變化如圖1所示，可以看到：武漢市PM2.5日均濃度波動較大，且存在明顯的季節(jié)趨勢；春季的日均濃度普遍較高，夏季出現下降趨勢，到了秋天基本保持相對較低的濃度，然后逐漸上升。從圖2中可以明顯看到，武漢市PM10日均濃度跟PM2.5日均濃度的變化基本相同。

冬季溫度較低，生產生活供能增加將會排放較多的PM2.5和PM10。春冬季大氣層較為穩(wěn)定，降雨量大大減少不利于PM2.5和PM10的沉降。夏季特別6月份之后武漢市開始進入梅雨季節(jié)，大氣層活動強烈，風速也較高，利于污染物擴散和沉降。

圖1　PM2.5日均質量濃度

圖2　PM10日均質量濃度

3.2PM10和PM2.5時空分布分析

對不同季節(jié)的PM2.5和PM10的濃度空間分布作圖如圖3～4所示。由圖3可以看到，所有季節(jié)的PM2.5濃度空間分布基本相同。從圖4可以看到，所有季節(jié)的PM10濃度空間分布基本相同。

圖3　不同季節(jié)PM2.5濃度空間分布

圖4　不同季節(jié)PM10濃度空間分布

結合武漢市的地理分布可以知道，在蔡甸區(qū)擁有大面積的采礦點，而漢南區(qū)有大片旱田，湖泊面積相對較小，而江夏區(qū)由于近幾年來的發(fā)展和建設，建筑業(yè)造成較大的粉塵排放。而在長江沿岸和洪山區(qū)及江夏區(qū)北部，由于高校數量較多，綠化程度高且湖泊較多，利于污染物的擴散和沉降，從而使得污染物濃度有所降低。

3.3PM10和PM2.5靜態(tài)影響因素分析

連續(xù)性數據的變量之間的相關分析采用Pearson相關系數進行相關，風速屬于等級數據，與PM2.5和PM10的相關分析采用Spearman秩相關系數分析。由于天氣為名義變量，不能采用相關系數分析，采用單因素方差分析進行分析，后采用多重分析進一步比較不同天氣狀況下的PM10和PM2.5濃度值。相關系數如表1所示。

從表1可看到：PM2.5與PM10、SO2、NO2、CO呈正相關，其中PM10相關系數最大；與臭氧（8 h）、臭氧（1 h）最高溫、最低溫均呈負相關，其中最低溫的相關系數最大；與風力相關系數沒有統(tǒng)計學意義。

PM10與PM2.5、SO2、NO2、CO、臭氧（1 h）呈正相關，其中與PM2.5的相關系數最大；與最高溫、最低溫均呈負相關，其中與最低溫的相關系數最大；PM10的質量濃度與風力、臭氧（8 h）的相關系數沒有統(tǒng)計學意義。

表1　相關分析結果

雖然PM2.5可由其他氣態(tài)污染物經過二次轉化形成，但PM2.5與各大氣污染物存在較強的相關性并不代表PM2.5主要是由這些氣態(tài)污染物經過二次轉化形成，而有可能反映出氣態(tài)污染物與PM2.5有共同的來源。武漢環(huán)保局研究表明［8］：武漢市PM2.5污染25%左右來自工地和道路揚塵，大約24%來自工業(yè)生產，16%來自煤炭燃燒，20%左右來自汽車排放，其他來自不確定源、區(qū)域相互影響以及二次污染物。從中也可以看到，二次轉化并不是PM2.5污染的主要原因。

大氣中的SO2來自于煤炭燃燒和工業(yè)生產，NO2主要來源于汽車尾氣排放和化石燃料燃燒、CO主要來源于汽車尾氣排放和煤炭燃燒，PM2.5與PM10、SO2、NO2、CO呈正相關可以反映出武漢市煤炭燃燒、工業(yè)生產、汽車尾氣排放和化石燃料燃燒會顯著增加PM2.5的污染。

PM2.5與臭氧（8 h）、臭氧（1 h）最高溫和最低溫均呈負相關，而臭氧多來自于光化學反應，在太陽輻射較強和溫度較高的條件下容易產生，一方面臭氧會通過二次轉化增加PM2.5污染，但由于其在濃度較高時大多在夏季，而夏季時武漢多風多雨，這使得PM2.5極易擴散和沉降，最終臭氧所產生的PM2.5速度不如擴散和沉降的速度，表現出臭氧和PM2.5呈負相關。溫度對PM2.5影響的原因也是如此。

PM2.5與風力沒有顯著統(tǒng)計學意義，是因為武漢的風力絕大部分均在3級以下，風力對PM2.5的作用不能顯著表現出來。

PM10與PM2.5相同，主要受到煤炭燃燒、工業(yè)生產、汽車尾氣排放和化石燃料燃燒的影響，但PM10的粒徑較大，很少是通過二次轉化而來，所以與臭氧的相關系數非常小。溫度和風力對PM10的影響形式與PM2.5的影響形式基本相同。

3.4PM10和PM2.5動態(tài)影響因素分析

PM10和PM2.5的動態(tài)影響因素進行分析，結果如表2所示。可以看到：對于PM2.5，滯后1階PM2.5的Granger原因有SO2、NO2、最高溫和最低溫；而滯后2階，PM2.5的Granger因素有SO2、NO2、臭氧（8h）、臭氧（1 h）、最高溫和最低溫；滯后3階PM2.5的Granger因素SO2、NO2、臭氧（8h）、臭氧（1h）、最高溫和最低溫；滯后4階的PM2.5Granger原因有SO2、NO2、PM10、臭氧（8h）、臭氧（1h）、最高溫和最低溫。

表2　Granger因果檢驗結果

而對于PM10，滯后1階的PM10的Granger原因有SO2、NO2、最高溫和最低溫；而滯后2階，PM10的Granger因素有SO2、NO2、臭氧（8 h）、臭氧（1 h）、最高溫和最低溫；滯后3階PM2.5的Grange因素SO2、NO2、臭氧（8 h）、臭氧（1 h）、最高溫和最低溫；滯后4階的PM2.5Grange原因有SO2、NO2、臭氧（8h）、臭氧（1 h）、最高溫和最低溫。

綜合以上結果可以知道，影響PM10和PM2.5的因素基本相同，近期的SO2、NO2、臭氧（8 h）、臭氧（1 h）、最高溫和最低溫是影響當日PM10和PM2.5的主要因素。而CO對PM10和PM2.5沒有顯著影響。

3.5基于殘差修正模型的PM10和PM2.5濃度預測

根據格蘭杰因果檢驗結果，選出滯后1～2階中任意有一個通過檢驗的變量作為自變量，可以得到：PM2.5（SO2、NO2、臭氧（8h）、臭氧（1h）、最高溫、最低溫）；PM10（SO2、NO2、臭氧（8h）、臭氧（1h）、最高溫、最低溫）。

結果如表3所示，R2為0.71，說明模型擬合優(yōu)度較好，F統(tǒng)計量P值為0.0000，說明得到模型是顯著成立的。D-W統(tǒng)計量為2.00，說明該模型的殘差不存在自相關。根據上述結果可對PM2.5進行預測，本文中對樣本外5個樣本進行預測，并與實際值對比得到結果如圖5所示。從圖5中可以看到：預測效果較好，平均相對誤差誤差僅為11.8%。

結果如表4所示。R2為0.645，說明模型擬合優(yōu)度較好，P值為0.0000，說明得到模型是顯著成立的。D-W統(tǒng)計量為1.999，說明該模型的殘差不存在自相關。根據結果可對PM10進行預測，5個樣本外預測預測值和實際值對比如圖6所示。從圖6中可以看到：PM10的預測模型預測效果也較好，平均相對誤差為16.4%。

為說明殘差修正模型效果優(yōu)于一般的ARMA模型，采用ARMA模型對PM2.5和PM10進行預測，結果表明，ARMA模型預測PM2.5的擬合優(yōu)度為0.66，平均相對誤差達到了33.70%，ARMA用于預測PM10擬合優(yōu)度也僅為0.56，相對誤差為38.90%。相對于殘差修正模型，ARMA模型的擬合優(yōu)度均有所降低，相對誤差均有所上升，由此說明殘差修正模型相對于一般的ARMA模型引入了多因素的影響，能更好地用于預測PM2.5和PM10質量濃度。

表3　PM2.5預測模型參數估計結果

表4　PM10預測模型參數估計結果

圖5　武漢市PM2.5質量濃度預測結果圖

圖6　PM10質量濃度預測結果圖

4　結論

通過定量分析發(fā)現：武漢市PM10和PM2.5的時間具有明顯季節(jié)特征，同時具有空間特性。PM10和PM2.5不僅受到當日氣象和污染物濃度的影響，還受到歷史氣象條件和污染物濃度的影響。采用殘差修正模型分別預測武漢市PM10和PM2.5質量濃度，結果顯示：相對于傳統(tǒng)的ARMA模型，殘差修正模型能夠更好的預測PM10和PM2.5濃度，模型的擬合優(yōu)度分別為0.645 1和0.705 0，平均相對誤差分別為37.40%和30.70%。僅對城區(qū)的PM10和PM2.5進行時間分布、空間分布等分析，沒有對不同監(jiān)測點分別進行分析，因為不同的監(jiān)測點的分布可能不同。本文中采用殘差修正模型雖然能夠提高擬合優(yōu)度，降低相對誤差，提高預測精度，但效果并不非常明顯。

［1］吳兌.探秘PM2.5［M］.北京：氣象出版社，2013：1-3.

［2］張振華.PM2.5時空變化特性、影響因素及來源解析研究［D］.杭州：浙江大學，2014.

［3］朱倩茹，劉永紅，徐偉嘉，等.廣州PM2.5污染特征及影響因素分析［J］.中國環(huán)境監(jiān)測，2013，2：15-21.

［4］彭斯俊，沈加超，朱雪.基于ARIMA模型的PM2.5預測［J］.安全與環(huán)境工程，2014（6）：125-128.

［5］Perez P，Trier A，Reyes J.Prediction ofPM2.5Concentrations Several Hour in Advance Using Neural Networks in Santiago，Chile［J］.Atmospheric Environment，2000，34：1189-1196.

［6］石靈芝，鄧啟紅，路蟬，等.基于BP人工智能網絡的大氣顆粒物PM10質量濃度預測［J］.中南大學學報，2012（5）：1969-1974.

［7］汪曉銀，周保平，齊立美，等.數學建模與數學實驗［M］.北京：科學出版社，2012：38-40.

［8］武漢環(huán)保局.武漢市PM2.5組分研究［EB/OL］.［2016-04-07］.http：//news.cnhubei.com/xw/wuhan/201412/ t3115166.shtml，2014.

Analysis and Prediction of PM10and PM2.5in Wuhan City

Huang Xiaoming，Fan Xuemin，Li Zhi
（Faculty of Science，Huazhong Agricultural University，Wuhan 430000，China）

The quantitative analysis ofPM2.5andPM10in Wuhan city was carried out by the correlation analysis，Granger causality test and error correction model.The results indicatePM2.5andPM10concentrations have obviously seasonal and spatial characteristics.PM2.5andPM10that have nothing with wind are positivelycorrelatedwithSO2，NO2andCO，butnegativelycorrelatedwithO3，thehighesttemperatureandthelowest temperature.In raining days，the concentrations ofPM2.5andPM10in the air decrease significantly. There is significant Granger causality between SO2，NO2，O3，the high temperature withPM2.5andPM10.The concentrations ofPM10andPM2.5in Wuhan city were forecasted by the error correction model.The results indicatethepredictionaccuracyisbetterthanthetraditionalmodelofARMA.

PM10；PM2.5；influencing factors；forecast

F812.42；F407.471

A

1008-5483（2016）03-0072-05

10.3969/j.issn.1008-5483.2016.03.017

2016-04-07

黃小明（1992-），男，廣西百色人，碩士生，從事經濟統(tǒng)計學方面的研究。E-mail：15377598670@163.com