錢文潔,余 垠

(上海第二工業(yè)大學(xué) 文理學(xué)部,上海201209)

0 引言

近年來(lái),人們?cè)絹?lái)越關(guān)注空氣質(zhì)量的好壞。分析與預(yù)測(cè)空氣質(zhì)量有利于人們研究空氣污染的特征,并在此基礎(chǔ)上尋找治理對(duì)策。上海作為我國(guó)經(jīng)濟(jì)最發(fā)達(dá)的中心城市之一,研究空氣質(zhì)量與氣象因素之間的相關(guān)關(guān)系,對(duì)上海市空氣質(zhì)量的預(yù)測(cè)預(yù)報(bào)、空氣污染的長(zhǎng)效控制及應(yīng)急措施的制定具有非常重要的意義。

2013年以來(lái),上海市空氣質(zhì)量的研究主要從空氣質(zhì)量指數(shù)(AQI)、空氣污染指數(shù)(API)及細(xì)顆粒物3個(gè)方面進(jìn)行。范慶亞等[1]收集了上海市2006—2011年各個(gè)區(qū)的API,通過(guò)時(shí)間序列和空間分析,發(fā)現(xiàn)在此期間上海市夏季的空氣質(zhì)量最好,春季最差;金山區(qū)空氣質(zhì)量最好,普陀區(qū)和寶山區(qū)較差。皮帥帥[2]認(rèn)為PM2.5等細(xì)顆粒物是影響空氣質(zhì)量的關(guān)鍵因素。俞華明等[3]通過(guò)分析2001—2016年上海市環(huán)境空氣監(jiān)測(cè)數(shù)據(jù),發(fā)現(xiàn)上海市空氣污染呈現(xiàn)出春冬季以PM2.5污染為主,夏季以O(shè)3污染為主,秋季PM2.5和O3污染共存的典型特征。孫嘉文等[4]觀察了2014—2016年上海市PM2.5濃度的日觀測(cè)數(shù)據(jù),分析了上海市PM2.5濃度變化特征及其對(duì)氣候變化的響應(yīng),研究發(fā)現(xiàn)冬季的PM2.5濃度最高、夏季的最低;同時(shí)發(fā)現(xiàn)PM2.5濃度與研究選取的最高溫度、最低溫度、降水量以及相對(duì)濕度4個(gè)變量呈負(fù)相關(guān)性關(guān)系。陳鐳等[5]利用2013—2014年上海市6個(gè)空氣污染物濃度和逐日空氣質(zhì)量分指數(shù)(7個(gè)變量),分析了上海市空氣污染的變化特征及其氣象影響因子,結(jié)果顯示：上海市2013—2014年的AQI呈現(xiàn)出冬季空氣質(zhì)量較差、秋季空氣質(zhì)量較好的季節(jié)性特征。毛卓成等[6]分析了2015年大氣環(huán)流背景下上海地區(qū)的空氣質(zhì)量狀況及其變化特征,以及引起這種變化的氣象因子的特征。分析顯示：2015年上海地區(qū)的空氣污染從S、N和PM10等傳統(tǒng)煤煙型污染轉(zhuǎn)為以PM2.5為代表的復(fù)合型污染以及以O(shè)3為代表的光化學(xué)污染,且春季和夏季PM2.5濃度明顯下降,而易污染季節(jié)PM2.5濃度顯著上升。

上海市政府于2013年開始開展《上海市清潔空氣行動(dòng)計(jì)劃(2013—2017年)》,于2018年7月發(fā)布了《上海市清潔空氣行動(dòng)計(jì)劃(2018—2022年)》,全面推進(jìn)對(duì)污染物的協(xié)同控制與減排。那么,通過(guò)過(guò)去5年的治理,上海市空氣質(zhì)量的變化以及未來(lái)5年上海市空氣質(zhì)量監(jiān)管的方向是什么？本文梳理了2013年以來(lái)已發(fā)表的文獻(xiàn),預(yù)測(cè)空氣質(zhì)量的研究很多,卻鮮見上海市空氣質(zhì)量的預(yù)測(cè)研究。通過(guò)收集上海近5年來(lái)的空氣質(zhì)量數(shù)據(jù),探究AQI與氣象要素間的相關(guān)關(guān)系,建立基于氣象數(shù)據(jù)的空氣質(zhì)量預(yù)測(cè)模型。

1 變量選取、數(shù)據(jù)來(lái)源及數(shù)據(jù)預(yù)處理

1.1 變量選取和數(shù)據(jù)來(lái)源

為了分析上海市AQI與氣象因素之間的關(guān)系,通過(guò)對(duì)文獻(xiàn)的梳理,首先確定了天氣情況、最高氣溫、最低氣溫、平均氣溫、平均風(fēng)速、最高風(fēng)速、濕度、氣壓、能見度共9個(gè)氣象指標(biāo)。數(shù)據(jù)來(lái)源于全球天氣精準(zhǔn)預(yù)報(bào)網(wǎng),該平臺(tái)成立于1991年,由密歇根大學(xué)開發(fā)。本文收集了2013-01-01～2018-02-28共1 885條日氣象數(shù)據(jù)。選取2013-01-01～2017-12-31的數(shù)據(jù)建模,2018-01-01～2018-01-08的數(shù)據(jù)來(lái)檢驗(yàn)?zāi)Ｐ汀?/p>

1.2 數(shù)據(jù)預(yù)處理

如表1所示,對(duì)天氣情況進(jìn)行重新分類,將其分為7種天氣特征,并將處理后的數(shù)據(jù)用1～7表示。

表1 數(shù)據(jù)預(yù)處理Tab.1 Data preprocessing

2 2013—2017年上海市的空氣質(zhì)量特征

2.1 時(shí)間分布特征

一般 AQI分為 6級(jí),1級(jí)優(yōu) (0～50),2級(jí)良(51～100),3級(jí)輕度污染(101～150),4級(jí)中度污染(151～200),5級(jí)重度污染(201～300)和6級(jí)嚴(yán)重污染(＞300)。2013—2017年的月平均空氣質(zhì)量如圖1所示。2013年的空氣質(zhì)量相對(duì)較差,尤其12月受多次區(qū)域性重污染過(guò)程影響,平均AQI為160,達(dá)到了中度污染。而2014年的空氣質(zhì)量較2013年總體有所改善,尤其是冬季的空氣質(zhì)量。然而,從2014年開始,夏季的大氣污染卻開始逐年加重。以變化最明顯的7月為例,AQI從2014年的71逐漸上升到2017年的113。由圖1可以看出,秋季尤其9、10月份,往往是一年中空氣最佳的時(shí)段。

圖1 2013—2017年上海市AQI指數(shù)變化情況Fig.1 AQI’s variation of Shanghai from 2013 to 2017

由于氣溫、光照、污染物排放等因素的變化,一天中的空氣質(zhì)量往往是不同的。以2016年浦東新區(qū)監(jiān)測(cè)站獲取的數(shù)據(jù)為例,對(duì)比分析空氣污染較為嚴(yán)重的1月和7月的空氣質(zhì)量日變化情況如圖2所示。1月,AQI在10：00左右達(dá)到峰值,平均AQI為102。在之后的3 h內(nèi),AQI持續(xù)下降,在13：00左右達(dá)到谷值88.4,緊接著又是一段波動(dòng)上升的過(guò)程,在20：00左右達(dá)到第2個(gè)峰值97.7。然后,AQI繼續(xù)下降,在凌晨3：00左右達(dá)到第2個(gè)谷值88.8。因此,10：00和20：00前后的空氣污染最為嚴(yán)重。而在7月,6：00 AQI最低。在此之后,AQI開始持續(xù)上升,14：00左右達(dá)到峰值,緊接著又是一段持續(xù)下降的過(guò)程。

圖2 2016年1月(a)和7月(b)各時(shí)刻平均AQIFig.2 Average AQI’s daily variation in January(a)and July(b)in 2016

圖3 2013年(a)和2017年(b)大氣中的主要污染物在每個(gè)季節(jié)所占的天數(shù)Fig.3 The number of days that main air pollutants occupied in each season of 2013(a)and 2017(b)

2.2 主要污染物的變化特征

已有研究表明,在不同的季節(jié),空氣中的主要污染物有著顯著的差異。以5年中大氣污染最為嚴(yán)重的2013年為例,如圖3(a)所示。2013年夏季與秋季的大氣中,主要污染物為O3的天數(shù)最多,其次為PM2.5。研究顯示,地面附近的O3濃度的增加會(huì)影響人的眼睛、呼吸道及肺功能,較高濃度的O3對(duì)植物也有極大的傷害。而地面附近的O3源于人類活動(dòng)、汽車燃料、石化等。如汽車及工業(yè)生產(chǎn)排放的揮發(fā)性有機(jī)物(VOCs)和氮氧化物,在陽(yáng)光輻射及適合的氣象條件下可以生成O3。隨著汽車和工業(yè)排放的增加,O3污染成為世界上許多城市的普遍現(xiàn)象。

2013年的春季和冬季的大氣中,主要污染物則為PM2.5,其次為O3、NO2。根據(jù)上海市環(huán)保局監(jiān)測(cè)的數(shù)據(jù),PM2.5來(lái)源中,來(lái)自本地的污染排放貢獻(xiàn)占74%。其中,機(jī)動(dòng)車、船舶、飛機(jī)等流動(dòng)源的燃油排放占29.2%;非燃煤類的工業(yè)鍋爐和窯爐、以煤為原料的工業(yè)生產(chǎn)過(guò)程以及石油、化工等工業(yè)生產(chǎn)過(guò)程排放占28.9%;以煤為燃料的電廠、工業(yè)鍋爐和窯爐等燃煤源占13.5%;建筑施工、道路揚(yáng)塵等揚(yáng)塵污染占13.4%;農(nóng)業(yè)生產(chǎn)、生物質(zhì)燃燒、民用生活面源以及海鹽、植物等自然源排放占15%。可見,PM2.5造成的污染天數(shù)居高不下主要是交通燃油排放和工業(yè)企業(yè)的生產(chǎn)排放所致。

2017年的大氣主要污染物情況如圖3(b)所示。在春季和夏季,主要污染物出現(xiàn)天數(shù)最多的仍為O3。秋冬兩季的主要污染物為NO2,其次是PM2.5、O3。2017年也呈現(xiàn)出秋季空氣質(zhì)量較好的季節(jié)性特征[7]。人為產(chǎn)生的NO2主要來(lái)自于機(jī)動(dòng)車尾氣、鍋爐廢氣的排放等,這也是酸雨的主要成因之一,并且NO2還會(huì)對(duì)O3的形成產(chǎn)生一定影響。

比較5年中PM2.5、O3和NO2所占的天數(shù)(見圖4),發(fā)現(xiàn)大氣中主要污染物為PM2.5的天數(shù)顯著減少,但NO2和O3的天數(shù)卻呈現(xiàn)上升趨勢(shì)。因此,控制O3和NO2的排放是上海市下一階段清潔空氣的主要方向。

圖4 3種主要污染物所占天數(shù)的變化Fig.4 Variation in the number of days covered by three major pollutants

3 AQI與關(guān)鍵氣象要素的多元回歸模型

分析天氣情況、最高氣溫、最低氣溫、平均氣溫、平均風(fēng)速、最高風(fēng)速、濕度、氣壓和能見度9個(gè)指標(biāo)與AQI的關(guān)系,基于天氣預(yù)報(bào)信息建立AQI的回歸預(yù)測(cè)模型。

表2 氣象要素與lnk的相關(guān)分析Tab.2 Correlation analysis between meteorological factors and lnk

3.1 氣象要素與AQI間的Pearson相關(guān)關(guān)系分析

首先,分析最高氣溫、最低氣溫、平均氣溫、平均風(fēng)速、最高風(fēng)速、濕度、氣壓和能見度8個(gè)氣象指標(biāo)與AQI的相關(guān)關(guān)系。對(duì)AQI值(k)進(jìn)行了對(duì)數(shù)化處理。

由表2可知,最高氣溫、最低氣溫、平均氣溫與lnk的相關(guān)系數(shù)分別為0.009、-0.118和-0.053,對(duì)相關(guān)系數(shù)檢驗(yàn)的雙側(cè)Sig.值分別＞0.05、＜0.01、＜0.05,說(shuō)明最低氣溫、平均氣溫與lnk之間的負(fù)相關(guān)具有統(tǒng)計(jì)學(xué)意義,最高氣溫與lnk沒有相關(guān)關(guān)系。即隨著最低氣溫和平均氣溫的增加,lnk呈現(xiàn)減小的趨勢(shì)。平均風(fēng)速、最高風(fēng)速與lnk的相關(guān)系數(shù)分別為-0.406和-0.202,對(duì)相關(guān)系數(shù)檢驗(yàn)的雙側(cè)Sig.值均＜0.01,即平均風(fēng)速、最高風(fēng)速與lnk的負(fù)相關(guān)性均具有統(tǒng)計(jì)學(xué)意義。隨著風(fēng)速的增大,lnk呈現(xiàn)減小的趨勢(shì)。氣壓、濕度、能見度與lnk的相關(guān)系數(shù)分別為0.067、-0.310和-0.553,相關(guān)檢驗(yàn)的雙側(cè)Sig.值均＜0.01,說(shuō)明氣壓、濕度、能見度與lnk的相關(guān)性均具有統(tǒng)計(jì)學(xué)意義。即隨著氣壓的上升,濕度和能見度的下降,lnk出現(xiàn)增大的趨勢(shì)。在后續(xù)的建模過(guò)程中將選取最低氣溫、平均風(fēng)速、氣壓、濕度和能見度5個(gè)變量用于模型。

圖5 不同天氣情況下的AQI均值Fig.5 Average AQI in different weather conditions

3.2 不同天氣與AQI間的方差分析(ANOVA)

由圖5可見,晴天和雷雨天氣的AQI值較高,而雨雪天氣較低。相比之下,多云天氣的AQI值通常會(huì)低于晴天。通過(guò)單因素ANOVA及方差齊性檢驗(yàn),多重比較檢驗(yàn)來(lái)分析不同天氣情況對(duì)AQI的影響。

表3顯示,7種不同天氣情況下,晴時(shí)的lnk最高,雪對(duì)應(yīng)的lnk最低,這與圖5一致。表4為不同天氣情況下lnk的單因素ANOVA結(jié)果?？梢钥吹?lnk的總離差平方和為341.555。如果僅考慮不同天氣情況單因素的影響,那么lnk總變差中,天氣情況可以解釋的變差為54.636,抽樣誤差引起的變差為286.919。而組間方差與組內(nèi)方差相除所得的F值為57.730,P值為0.000,說(shuō)明天氣情況對(duì)AQI有顯著性影響,對(duì)lnk值的影響效應(yīng)不全為0。

表3 上海市不同天氣下lnk的基本描述Tab.3 Basic description of lnk in different weather conditions of Shanghai

表4 上海市不同天氣下lnk的單因素ANOVATab.4 ANOVA of lnk in different weather conditions of Shanghai

表5表明,不同天氣情況下的方差齊性檢驗(yàn)的統(tǒng)計(jì)量觀測(cè)值1.472,概率P值為0.184(P＞0.05)。顯然,不同天氣情況下的總體方差無(wú)顯著性差異,滿足方差分析的前提要求。

3.3 建立AQI與關(guān)鍵氣象要素的多元回歸模型

通過(guò)以上分析,選取最低氣溫、平均風(fēng)速、氣壓、濕度、能見度和天氣6個(gè)氣象指標(biāo)進(jìn)行建模,其中被解釋變量為lnk。由于天氣屬于分類變量,轉(zhuǎn)化為啞變量,以“晴”為參照。

解釋變量篩選策略選取逐步進(jìn)入策略,并進(jìn)行多重共線性檢驗(yàn)?；貧w模型有9個(gè)，根據(jù)各個(gè)回歸模型的擬合優(yōu)度,模型9包含能見度、濕度、平均風(fēng)速、氣壓、雷雨、大雨、小雨、多云和陰9個(gè)變量。表6是模型9中各變量的顯著性檢驗(yàn)結(jié)果(P＜0.05),9個(gè)變量均通過(guò)檢驗(yàn)且所有變量的方差膨脹因子(VIF)均小于10,說(shuō)明變量間不存在多重共線性。

模型9的顯著性檢驗(yàn)結(jié)果如表7所示,被解釋變量的總離差平方和為322.657,回歸平方和與方差分別為179.095和19.899,殘差平方和與方差分別為143.561和0.089,F值為223.167,概率P值近于0。因此,只要各回歸系數(shù)不同時(shí)為0,被解釋變量與解釋變量全體的線性關(guān)系就是顯著的,可建立線性模型。

表5 不同天氣情況下的方差齊性檢驗(yàn)Tab.5 Homogeneity of variance test in different weather conditions

表6 模型9中各變量的顯著性檢驗(yàn)Tab.6 Significance test of each variables in model 9

表7 回歸模型的顯著性檢驗(yàn)Tab.7 Significance test of regression model

根據(jù)上述分析,建立回歸模型的變量有：能見度(VI)、濕度(HU)、平均風(fēng)速(AS)、氣壓(AP)、雷雨(TS)、大雨(HR)、小雨(LR)、多云(CL)和陰(OC),該回歸模型為：

由式(1)可知,除雷雨(TS)這一變量外,其他變量均與lnk呈負(fù)相關(guān)關(guān)系,而能見度和雨天對(duì)lnk的變化有更多的貢獻(xiàn)。

4 模型擬合效果的評(píng)價(jià)

4.1 殘差分析

繪制殘差序列圖,如圖6所示。由圖6(a)可知,數(shù)據(jù)點(diǎn)的分布基本是隨機(jī)的,不存在殘差的方差隨著解釋變量的變化而變化的趨勢(shì)。因此,可以認(rèn)為殘差序列不存在自相關(guān)性、異方差現(xiàn)象。圖6(b)中,殘差在整個(gè)時(shí)間段內(nèi)均在0上下波動(dòng),且波動(dòng)范圍未超出±1.5,沒有發(fā)現(xiàn)明顯的方差不齊或者強(qiáng)影響點(diǎn)的線索。標(biāo)準(zhǔn)化殘差的直方圖以及關(guān)于標(biāo)準(zhǔn)正態(tài)分布的P-P圖如圖7所示,殘差點(diǎn)在0附近隨機(jī)分布,數(shù)據(jù)點(diǎn)圍繞基準(zhǔn)線并存在一定規(guī)律性,可以認(rèn)為殘差滿足了正態(tài)性條件。因此,模型的擬合效果較好,且具有較好的穩(wěn)健性。

圖6 殘差序列圖Fig.6 Residual sequence diagram

圖7 標(biāo)準(zhǔn)化殘差的直方圖和P-P圖Fig.7 Histogram and P-P plot of standardized residual

4.2 預(yù)測(cè)效果分析

選用2018-01-01～2018-01-08的數(shù)據(jù)進(jìn)行預(yù)測(cè),模型預(yù)測(cè)結(jié)果如表8所示。實(shí)際等級(jí)和預(yù)測(cè)等級(jí)均是按照空氣質(zhì)量等級(jí)表進(jìn)行劃分,易知模型預(yù)測(cè)等級(jí)預(yù)測(cè)的準(zhǔn)確率為75%。顯然,還需對(duì)一些影響天氣質(zhì)量的因素尋找合適的方法進(jìn)行更進(jìn)一步地分析。

表8 模型預(yù)測(cè)結(jié)果Tab.8 Results of model forecasts

5 結(jié) 論

本文分析了近5年來(lái)上海市的空氣質(zhì)量以及與氣象因素之間的關(guān)系。研究得出以下結(jié)論：

(1)2013-01-01～2017-12-31期間,上海市空氣質(zhì)量為優(yōu)的天數(shù)是291天,良的天數(shù)是1 040天,空氣質(zhì)量的優(yōu)良率為72.89%。近5年來(lái),PM2.5的排放得到一定控制,但O3和NO2的污染天數(shù)卻有比較大的增加?？梢?上海市的空氣污染已經(jīng)從S、N和PM10等煤煙型污染轉(zhuǎn)為以PM2.5和O3為主的復(fù)合型污染及光化學(xué)污染。

(2)上海市冬季的空氣質(zhì)量在一定程度上得到了改善,而夏季的污染卻開始加重。夏季的主要污染物為O3,而冬季的主要污染物為PM2.5、NO2。從近5年空氣質(zhì)量與氣象因素之間的關(guān)系來(lái)看,上海市大、小雨天的AQI往往較低,而雷雨天氣時(shí)的AQI往往較高。多云和陰天的AQI通常會(huì)低于晴天。

(3)構(gòu)建了以天氣信息為控制變量的天氣質(zhì)量預(yù)測(cè)模型,預(yù)測(cè)準(zhǔn)確率約為75%。說(shuō)明利用天氣預(yù)報(bào)數(shù)據(jù)一定程度上可以預(yù)測(cè)未來(lái)的空氣質(zhì)量。然而,由于沒有考慮風(fēng)向、逆溫等污染物來(lái)源及擴(kuò)散的影響因素,因此本文的預(yù)測(cè)模型還有待進(jìn)一步優(yōu)化。這也是本文下一步的研究?jī)?nèi)容。