白 楊,楊 劍,陳 鵬,溫宥越,鄺紅艷,何煜然,張亞青

1.中國環(huán)境科學(xué)研究院,北京 100012 2.生態(tài)環(huán)境部華南環(huán)境科學(xué)研究所,廣東 廣州 510535 3.生態(tài)環(huán)境部信息中心,北京 100029

近年來隨著社會高速發(fā)展，工業(yè)化和城市化進(jìn)程不斷加快，資源和能源大量消耗，我國大氣環(huán)境質(zhì)量不斷惡化，重污染天氣頻發(fā)，空氣污染已成為我國最嚴(yán)重的問題之一.大氣污染是呼吸系統(tǒng)、心腦血管等疾病的重要誘因之一，對人民健康造成了極大的危害，并極大地制約了經(jīng)濟(jì)和社會的可持續(xù)發(fā)展[1-5].

研究[6-8]發(fā)現(xiàn)，重污染天氣的形成受污染源排放、氣象條件、地理環(huán)境等多種因素共同影響.在相對恒定的污染物排放基礎(chǔ)上，穩(wěn)定的大氣層結(jié)、逆溫層的出現(xiàn)、較差的通風(fēng)條件等有利于污染物累積，高濕度氣象環(huán)境、特殊地形及外來輸送等不利于污染物擴(kuò)散，這些因素的綜合影響往往是導(dǎo)致持久重污染天氣出現(xiàn)的原因[9-11].目前，針對重污染天氣的研究內(nèi)容主要分為三類：①對重污染天氣成因進(jìn)行解析.如李云婷等[12]對2015年10月北京市一次重污染過程進(jìn)行研究，得出在不利氣象條件下機(jī)動車排放污染物的積累、二次轉(zhuǎn)化及垂直方向空間的極端壓縮是導(dǎo)致該次重污染的主要原因；LANG等[13]運(yùn)用CMAQ模型清零法對北京市重污染天氣進(jìn)行區(qū)域傳輸研究發(fā)現(xiàn)，北京市郊區(qū)與河北省對北京市城區(qū)影響貢獻(xiàn)較大.②基于數(shù)據(jù)資料對重污染天氣進(jìn)行類型研究.如李令軍等[14]將北京市重污染天氣分為積累型、光化學(xué)型、沙塵型和復(fù)合型四類；程念亮等[15]研究發(fā)現(xiàn)，北京市重污染日地面天氣形勢場可分為高壓類、低壓類、均壓類3種類型；趙敬國等[16]將蘭州市重污染天氣分為靜穩(wěn)型和沙塵型.③對重污染過程污染物來源及其與氣象條件的相關(guān)性進(jìn)行分析，其中，污染物主要涉及PM2.5、PM10、SOx、NOx、CO、O3及其他污染物(水溶性離子、硫酸鹽、硝酸鹽、銨鹽和有機(jī)碳等)，而氣象條件包括氣溫、降水、氣壓、風(fēng)速、相對濕度、混合層高度、高空鋒區(qū)等[1,7,17].

西安市作為關(guān)中城市群的核心，是我國西北部政治、經(jīng)濟(jì)、文化的中心，其交通暢達(dá)、區(qū)位重要，具有承東啟西、連接南北的重要戰(zhàn)略性樞紐城市地位，在西北地區(qū)具有重要帶頭作用及效益輻射作用.但特殊的地形(關(guān)中盆地)、氣象條件及人為因素(如汽車尾氣、工業(yè)排放及燃煤供暖等)，使得西安市成為我國空氣污染嚴(yán)重的城市之一，重污染甚至特重污染天氣成為干擾西安市正常生活秩序的重要因素，嚴(yán)重地影響了當(dāng)?shù)鼐用竦纳頪17-18].當(dāng)前，雖然已有研究對西安市重污染天氣的成因和污染物組分、來源及變化情況進(jìn)行了探討[19-22]，但這些研究大多基于西安市主城區(qū)內(nèi)少量的國控站點(diǎn)監(jiān)測數(shù)據(jù)或有限的采樣結(jié)果，利用這些少量又分布集中的數(shù)據(jù)得出的研究結(jié)果并不能代表整個西安市的情況.雖然也有學(xué)者嘗試?yán)媚Ｐ头囱莸慕Y(jié)果來開展西安市空氣污染相關(guān)研究[17,23]，但這些模型在西安市的普適性和精確度還有待提高.因此，很有必要找到一種合理的方式獲得整個西安市大氣污染物的時空變化特征，進(jìn)而揭示重污染條件下各污染物間的相關(guān)關(guān)系.

該研究選取西安市2018年11月24日—12月3日特重污染天氣為研究對象，以西安市及周邊城市的逐時監(jiān)測數(shù)據(jù)為基礎(chǔ)，通過對比不同空間插值方法的結(jié)果精度，挑選出最適于西安市的插值方法；利用該插值方法，獲得西安市特重污染期間各污染物的逐時濃度值；運(yùn)用趨勢變化分析方法，研究了各污染物的時空變化特征；利用相關(guān)性分析方法確定研究區(qū)各污染物在特重污染天氣期間的相關(guān)性及特性，以期為西安市制訂區(qū)域大氣污染聯(lián)防聯(lián)控及有效應(yīng)對重污染天氣提供科學(xué)依據(jù)和幫助.

1 研究方法

1.1 研究區(qū)

西安市位于關(guān)中平原中部，地理位置為33°42′N～34°45′N、107°40′E～109°49′E，市轄10區(qū)(閻良區(qū)、臨潼區(qū)、高陵區(qū)、灞橋區(qū)、未央?yún)^(qū)、蓮湖區(qū)、新城區(qū)、碑林區(qū)、雁塔區(qū)和長安區(qū))3縣(藍(lán)田縣、戶縣和周至縣).西安市地質(zhì)地貌特殊，境內(nèi)海拔高度差異懸殊，北臨渭河平原，南依秦嶺山地.西安市年均氣溫為13.0～13.7 ℃，年降水量為522.4～719.5 mm，由北向南遞增，屬于暖溫帶半濕潤大陸性季風(fēng)氣候，冷暖干濕四季分明[24].目前，西安市供暖期采用燃煤供暖，在重污染情況下，西安市往往處于寡照、低溫、高濕及低風(fēng)速的不利氣象條件[25]，此外，盛行偏東風(fēng)將有助于空氣污染物在西安市內(nèi)部的累積[22,25].

1.2 數(shù)據(jù)源及其預(yù)處理

選取西安市及其周邊7個地級市(咸陽市、渭南市、寶雞市、漢中市、安康市、商洛市和銅川市)的環(huán)境質(zhì)量監(jiān)測站點(diǎn)逐時數(shù)據(jù).研究時間段為2018年11月24日—12月3日，該時段西安市的空氣污染程度經(jīng)歷了由重度污染轉(zhuǎn)輕度污染再轉(zhuǎn)重度污染的過程.由于研究期間個別監(jiān)測站點(diǎn)在不同時間出現(xiàn)了數(shù)據(jù)缺失，因此剔除部分?jǐn)?shù)據(jù)缺失的站點(diǎn)，最終選取了38個環(huán)境質(zhì)量監(jiān)測站點(diǎn)數(shù)據(jù).為對比不同空間插值方法結(jié)果精度，該研究先將監(jiān)測站點(diǎn)分為檢測點(diǎn)(8個)和測試點(diǎn)(30個)(見表1)，其中，測試點(diǎn)用于對比分析時執(zhí)行空間插值的監(jiān)測站點(diǎn)，檢測點(diǎn)為隨機(jī)抽取的監(jiān)測站點(diǎn)，作為空間插值結(jié)果精度檢驗的獨(dú)立樣本.

1.3 研究方法

1.3.1空間插值方法

為了更好地獲得西安市的空氣污染時空變化情況，參考文獻(xiàn)[26-27]利用空間插值的方法對各空氣污染物濃度進(jìn)行模擬制圖.研究[26,28-29]表明，IDW (inverse distance weighting，反距加權(quán)插值法)和OKri (ordinary Kriging，普通克里格插值法)均可以在得到較好插值結(jié)果精度的同時獲得較優(yōu)的空間制圖效果.為了選取最適于獲得西安市空氣污染情況的空間插值方法，對不同距離指數(shù)的IDW和不同變異分析模型的OKri插值結(jié)果精度進(jìn)行對比分析(見表2).由表2可見，最終選取了距離指數(shù)為7的IDW插值方法進(jìn)行西安市每日逐時空氣污染物濃度空間插值.

1.3.2相關(guān)性分析方法

該研究利用Spearman秩相關(guān)系數(shù)(Rs)進(jìn)行不同空氣污染物的相關(guān)關(guān)系分析[32-33].Spearman秩相關(guān)系數(shù)是一種非參數(shù)(與分布無關(guān))檢驗方法，用于度量變量之間聯(lián)系的強(qiáng)弱，可以避免Pearson線性相關(guān)系數(shù)必須假設(shè)數(shù)據(jù)是成對地從正態(tài)分布中取得，并且數(shù)據(jù)至少在邏輯范圍內(nèi)是等距的這兩個局限[33].

對m個原始數(shù)據(jù)xj、yj按從大到小排序(j為序號)，記xj′、yj′為原始xj、yj在排序后列表中的位置，xj′、yj′稱為xj、yj的秩次，秩次差dj=xj′-yj′.Spearman秩相關(guān)系數(shù)為

(1)

1.3.3樣本間方差齊性檢驗方法

檢驗樣本間的方差是否齊性是進(jìn)行t檢驗的必要前提[32-33]，利用Levene方法來進(jìn)行樣本間的方差齊性檢驗.Levene方差齊性檢驗方法即可用于正態(tài)分布的資料，也可以用于非正態(tài)分布的資料或分布不明的資料，其檢驗效果較理想[32-33].

表2 不同插值模型結(jié)果的獨(dú)立樣本顯著性檢驗和精度分析Table 2 Independent sample test and accuracy analysis of the interpolation results

注：插值結(jié)果檢驗和精度分析基于2018年11月24日00:00西安市及其周邊7地級市38個站點(diǎn)的PM2.5數(shù)據(jù).參考文獻(xiàn)[26,30-31]，采用方差方程的Levene檢驗和均值方程的t檢驗進(jìn)行插值結(jié)果與獨(dú)立樣本數(shù)值間的顯著性檢驗分析，并計算了插值結(jié)果與獨(dú)立樣本數(shù)值間的Spearman秩相關(guān)系數(shù)及二者的數(shù)值差平方和及差值均方根誤差.F為方差齊性檢驗，是判斷兩總體方差是否相等的指標(biāo)；Sig為顯著性水平；t為t檢驗數(shù).*表示在0.05水平(雙側(cè))上顯著相關(guān)，** 表示在0.01水平(雙側(cè))上顯著相關(guān).

1.3.4趨勢變化分析方法

在各污染物濃度插值結(jié)果日均值的基礎(chǔ)上，基于最小二乘法計算出線性回歸方程的回歸系數(shù)(即斜率值，Slope)，用以表示西安市每個象元10 d內(nèi)各污染物濃度變化趨勢[34].

式中：n為樣本數(shù)，該研究取10；ci為第i天污染物質(zhì)量濃度，μg/m3或mg/m3.

2 結(jié)果與討論

2.1 插值結(jié)果的顯著性檢驗和精度分析

由表2可見：14個模型對西安市PM2.5插值結(jié)果表現(xiàn)出Levene檢驗的Sig值均大于0.05，說明插值結(jié)果與獨(dú)立樣本真實(shí)值間的假設(shè)方差相等；t檢驗得到的Sig值均大于0.05，說明不同模型的插值結(jié)果與獨(dú)立樣本真實(shí)值無顯著差異.插值結(jié)果與獨(dú)立樣本間的數(shù)值差平方和、差值均方根誤差越小說明對應(yīng)參數(shù)的插值模型精度越高[26,30-31].根據(jù)該標(biāo)準(zhǔn)，OKri插值結(jié)果中基于指數(shù)半變異函數(shù)模型的結(jié)果具有較高精度，但I(xiàn)DW的插值精度比OKri高，并且隨距離指數(shù)的變大，IDW插值精度也越來越高(見表2).綜上，IDW更適合對西安市PM2.5進(jìn)行空間插值分析，與已有研究結(jié)論[35]一致.由于IDW的距離指數(shù)大于7后，插值結(jié)果與獨(dú)立樣本間的數(shù)值差平方和及差值均方根誤差變化不大，說明插值模型精度提高程度不明顯，因此，該研究選取距離指數(shù)為7的IDW插值方法進(jìn)行西安市每日逐時空氣污染物濃度空間插值，并基于該插值結(jié)果進(jìn)行西安市空氣污染物時空變化的研究.

2.2 空氣污染物空間分布變化分析

由圖1可見：ρ(PM2.5)、ρ(PM10)、ρ(CO)、ρ(NO2)和ρ(SO2)在空間分布上具有較高的一致性，均呈中部高、兩邊低，北高南低的特點(diǎn)，與西安市市區(qū)人口密集、交通發(fā)達(dá)、高樓林立導(dǎo)致污染物來源多且不易擴(kuò)散有關(guān)[18]；ρ(O3)則呈相反的空間分布趨勢，即中部低，而周至縣西部及藍(lán)田縣東部等郊區(qū)較高，可能是由于主城區(qū)ρ(NOx)處于飽和狀態(tài)，不利于O3的生成，而郊區(qū)ρ(NOx)和ρ(VOC)較高有利于O3的生成[18].

圖1 2018年11月24日—12月3日西安市空氣污染物質(zhì)量濃度日均值空間分布情況Fig.1 Spatial distributions of daily air pollutants′ concentration from 24th November to 3rd December,2018 in Xi′an City

由圖2可見：ρ(PM2.5)、ρ(PM10)和ρ(O3)的變化趨勢均為正值，表明西安市PM2.5、PM10和O3污染日趨嚴(yán)重，周至縣西部、藍(lán)田縣東部和灞橋區(qū)北部PM2.5和PM10污染惡化程度較嚴(yán)重.ρ(O3)變化趨勢為正且最大值出現(xiàn)在臨潼區(qū)東北部和長安區(qū)中部.整個西安市ρ(NO2)變化趨勢均為負(fù)值，表明NO2污染程度日益降低，其中降低程度最高的區(qū)域是臨潼區(qū)東部，可能與O3的生成往往伴隨著NO2的消耗[36-37]有重要關(guān)系.ρ(CO)和ρ(SO2)的變化趨勢存在正負(fù)值相間的現(xiàn)象，其中，ρ(CO)變化趨勢為正值的區(qū)域主要出現(xiàn)在西安市東部，但在臨潼區(qū)中部及西南部存在異常強(qiáng)的負(fù)值現(xiàn)象；ρ(SO2)變化趨勢為正值的區(qū)域主要出現(xiàn)在西安市中部地區(qū)，而負(fù)值區(qū)域出現(xiàn)在臨潼區(qū)中部和西南部以及周至縣西部.

2.3 空氣污染物質(zhì)量濃度時間變化情況分析

由圖3可見，ρ(PM2.5)與ρ(CO)協(xié)同變化程度非常高(R=0.830，p<0.001)，與ρ(NO2)協(xié)同變化程度也較高(R=0.505，p<0.001)，與已有研究結(jié)論[18,38-39]一致.ρ(PM2.5)與ρ(PM10)之間的協(xié)同變化程度較低(R=0.004，p=0.945)，11月26—27日及12月3日西安市為多云天氣，加之盛行的東北風(fēng)傳輸了大量的沙塵，且西安市地處關(guān)中盆地(喇叭口地形)不利于污染物的擴(kuò)散[22-23,40]，導(dǎo)致PM10向盆地短時間內(nèi)快速“富集”，使得ρ(PM10)出現(xiàn)異常高值〔ρ(PM10)>400 μg/m3〕，打破了原本與ρ(PM2.5)協(xié)同變化的趨勢，因此，PM10與其他污染物之間的關(guān)系變得模糊.ρ(O3)與ρ(CO)之間存在較顯著的博弈關(guān)系(R=-0.354，p<0.001)，即ρ(O3)高值與ρ(CO)低值相對應(yīng)，反之亦然，原因可能與空氣中CO和O2在光的催化下發(fā)生化學(xué)反應(yīng)并生成O3有關(guān)[41].ρ(SO2)變化曲線較特殊，其高值與低值出現(xiàn)的時間點(diǎn)并不固定，與梁銀雙等[42]指出供暖期SO2濃度峰值可能出現(xiàn)在一天中的任何時刻的結(jié)論相符.

圖2 2018年11月24日—12月3日西安市空氣污染物日均質(zhì)量濃度線性變化趨勢空間分布情況Fig.2 Spatial distributions of linear trends of daily air pollutants′ concentration from 24th November to 3rd December,2018 in Xi′an City

注：ρ(CO)數(shù)值放大了100倍，ρ(NO2)和ρ(SO2)的數(shù)值均放大了10倍.圖3 2018年11月24日—12月3日西安市不同污染物質(zhì)量濃度均值逐時變化曲線Fig.3 Curves of hourly concentration of air pollutants from 24th November to 3rd December,2018 in Xi′an City

注：各污染物的IAQI計算嚴(yán)格遵循《環(huán)境空氣質(zhì)量指數(shù)(AQI)技術(shù)規(guī)定(試行)》[43]的要求，其中，計算PM2.5和PM10的IAQI時采用其滑動24 h平均濃度，計算O3的IAQI時使用其滑動8 h平均濃度，計算CO、NO2、SO2的IAQI時使用其1 h平均濃度.圖4 2018年11月24日—12月3日西安市不同空氣污染物污染物質(zhì)量濃度指數(shù)(IAQI)逐時變化曲線Fig.4 Curves of IAQI of the air pollutants from 24th November to 3rd December,2018 in Xi′an City

研究期間整個西安市空氣存在持續(xù)的中度-嚴(yán)重和“爆表”等不同程度的污染，西安市地處關(guān)中盆地地形特殊，且重污染期間西安市籠罩在靜穩(wěn)天氣下，這種特殊的地形和天氣不利于污染物的擴(kuò)散[22-23,40].由圖4可見：11月24—26日及11月29日—12月2日，首要污染物為PM2.5，存在中度-重度之間不同程度的污染；11月27—29日和12月3日首要污染物為PM10，主要為中度-嚴(yán)重污染，并在11月27日12:00左右及12月3日18:00左右均出現(xiàn)了“爆表”情況.通過分析西安市各小時不同空氣污染物污染程度時長占比及首要污染物貢獻(xiàn)率可以發(fā)現(xiàn)，重度污染占比最大(38%)，其次是中度污染(35%)，嚴(yán)重污染出現(xiàn)的時間占整個研究期的21%，“爆表”出現(xiàn)的時間占比為5%，說明西安市將近3/4 的時間(占比為73%)被中度-重度污染籠罩.由圖3、4可見，PM2.5是西安市中度-重度污染天氣的主要貢獻(xiàn)因子，而嚴(yán)重污染和“爆表”均是由PM10造成.因此，西安市應(yīng)當(dāng)重點(diǎn)監(jiān)控PM2.5和PM10的來源與傳輸過程，并采取一系列措施著重進(jìn)行污染物源頭預(yù)防及傳輸過程控制.

由圖5可見：2018年11月24日—12月3日，西安市各污染物質(zhì)量濃度的波峰、波谷值出現(xiàn)的時間節(jié)點(diǎn)有差別且存在突升突降的現(xiàn)象.PM2.5與CO污染較嚴(yán)重的時段出現(xiàn)在11月30日—12月2日，ρ(PM10)在11月26—27日及12月3日出現(xiàn)異常高值〔ρ(PM10)>400 μg/m3〕，但在其他時間維持較低值；ρ(NO2)在11月24—25日、29—30日以及12月1—2日均出現(xiàn)高值，而在11月26日及12月3日較低；ρ(O3)曲線峰值明顯，出現(xiàn)在每天的14:00—16:00，而ρ(SO2)曲線峰值并不明顯.

圖5 2018年11月24日—12月3日西安市空氣污染物逐時平均質(zhì)量濃度變化Fig.5 Hourly changes of the concentrations of air pollutants from 24th November to 3rd December,2018 in Xi′an City

圖6 研究時間段西安市空氣污染物24 h逐時平均質(zhì)量濃度變化分析Fig.6 Hourly changes of the concentrations of air pollutants in a day over Xi′an City

由圖6可見：西安市ρ(PM2.5)在08:00和17:00左右出現(xiàn)最低值，而在13:00及00:00左右出現(xiàn)峰值，ρ(PM10)的曲線變化與ρ(PM2.5)較相似，但ρ(PM10)在14:00及01:00左右出現(xiàn)峰值；ρ(CO)與ρ(NO2)變化情況較一致，均在11:00—12:00和22:00—22:00出現(xiàn)峰值，均在06:00—07:00及16:00—17:00出現(xiàn)曲線波谷；ρ(CO)與ρ(NO2)變化情況與ρ(PM2.5)及ρ(PM10)相似，但二者峰值比ρ(PM2.5)和ρ(PM10)的峰值早出現(xiàn)2～3 h，原因可能是CO和NO2均是汽車尾氣的重要組成成分，隨著早晚高峰期的到來，汽車尾氣的排放量達(dá)到一天最高值，特別是傍晚，隨著太陽下山，氣溫逐漸降低，逆溫層開始形成等因素的影響，ρ(CO)與ρ(NO2)迅速升高[22,36,44].NOx等一次氧化污染物通過均相或非均相化學(xué)反應(yīng)形成酸性氣溶膠，再與空氣中的NH3反應(yīng)生成PM2.5和PM10的重要組分——二次顆粒物和其他吸濕性顆粒物[22,44]，化學(xué)反應(yīng)過程推遲了ρ(PM2.5)及ρ(PM10)峰值出現(xiàn)的時間.O3是唯一比較特殊的污染物，ρ(O3)從10:00開始攀升，到16:00左右達(dá)到一天內(nèi)的單峰值，隨后開始快速下降，并在21:00—翌日10:00一直維持較低水平，與已有研究結(jié)果[45]一致.原因可能是，白天(特別是10:00—15:00)大氣層的厚度較薄，太陽光容易到達(dá)地表，而紫外線有助于空氣中O3的形成，但太陽下山后到達(dá)地面的紫外線較弱，O3被分解消耗而維持較低水平[46-47].ρ(SO2)在06:00左右出現(xiàn)最低值，在12:00左右出現(xiàn)峰值，但西安市各區(qū)(縣)ρ(SO2)變化情況相差較大，可能與人類活動[48]以及供暖期ρ(SO2)特殊變化特點(diǎn)有關(guān)[42].該研究分析結(jié)果與基于西安市[49-50]及其他地區(qū)的研究結(jié)果[7-9,29,38]相近.

2.4 各污染物相關(guān)性分析

由表3可見：ρ(PM2.5)與ρ(CO)呈顯著強(qiáng)正相關(guān)，與ρ(NO2)呈顯著中等正相關(guān)，與ρ(PM10)、ρ(SO2)和ρ(O3)均呈顯著極弱相關(guān)，且與ρ(O3)呈負(fù)相關(guān)；ρ(PM10)與ρ(NO2)呈顯著弱負(fù)相關(guān)，與ρ(CO)和ρ(O3)均呈顯著極弱相關(guān)，與ρ(SO2)呈不顯著極弱負(fù)相關(guān)；ρ(SO2)與ρ(NO2)、ρ(CO)均呈顯著弱正相關(guān)，與ρ(O3)的相關(guān)性不明顯；ρ(NO2)與ρ(CO)呈顯著中等正相關(guān)，與ρ(O3)呈顯著弱負(fù)相關(guān)；ρ(CO)與ρ(O3)呈顯著弱負(fù)相關(guān).韓浩等[32]研究表明，2013—2014年西安市ρ(PM2.5)與ρ(PM10)、ρ(SO2)、ρ(NO2)和ρ(CO)均呈較強(qiáng)正相關(guān)，與ρ(O3)呈中等負(fù)相關(guān)，但各區(qū)(縣)的情況各不相同；朱常琳等[18]研究表明，2013年11月—2016年10月西安市ρ(PM2.5)與ρ(PM10)、ρ(SO2)、ρ(NO2)和ρ(CO)之間呈強(qiáng)正相關(guān)，與ρ(O3)則呈中等負(fù)相關(guān).此外，西安市供暖期ρ(PM2.5)與ρ(PM10)和ρ(NO2)均存在極強(qiáng)正相關(guān)，與ρ(SO2)呈中等正相關(guān)性[51].該研究得出的污染物之間的相關(guān)性較以上研究中弱，可能是由于以上研究均是基于日均或月均污染物質(zhì)量濃度，消除了每天污染物質(zhì)量濃度可能出現(xiàn)的異常情況，從而提高了污染物的相關(guān)性.該研究中ρ(PM2.5)與ρ(PM10)之間的相關(guān)性僅為0.164，與已有研究結(jié)果[18,32]相差較大，因此對其進(jìn)行進(jìn)一步分析.由圖7可見：西安市ρ(PM2.5)與ρ(PM10)之間實(shí)際呈傾斜三角形的關(guān)系，當(dāng)ρ(PM10)大于400 μg/m3且ρ(PM2.5)小于200 μg/m3時(圖7中灰色橢圓部分)，二者之間幾乎不存在線性關(guān)系；而對灰色矩形框部分?jǐn)?shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，ρ(PM2.5)與ρ(PM10)之間的相關(guān)性高達(dá)0.804，屬于顯著極強(qiáng)正相關(guān).原因可能是受揚(yáng)塵天氣和特殊風(fēng)向及地形的共同影響，導(dǎo)致PM10向盆地短時間內(nèi)快速富集[22-23,40]，這種異?，F(xiàn)象擾亂了ρ(PM2.5)與ρ(PM10)之間的相關(guān)性.

表3 西安市6大空氣污染物質(zhì)量濃度之間的相關(guān)性分析Table 3 Correlation analysis of the six air pollutants in Xi′an City

注：** 表示在0.01水平(雙側(cè))上顯著相關(guān).基于西安市區(qū)域內(nèi)13個站點(diǎn)逐時數(shù)據(jù)，如果相關(guān)參數(shù)存在數(shù)據(jù)缺失，那么該小時的數(shù)據(jù)將被剔除，最后剩余樣本量為 2 946 個.變量間相關(guān)性強(qiáng)度分為5個等級，分別為極強(qiáng)相關(guān)(0.8

注：基于西安市區(qū)域內(nèi)13個站點(diǎn)ρ(PM2.5)與ρ(PM10)的逐時數(shù)據(jù)，剔除缺失數(shù)據(jù)后剩余樣本量為2 946個.圖7 西安市ρ(PM2.5)與ρ(PM10)關(guān)系分析Fig.7 Comparison of the concentrations of PM2.5 and PM10 in Xi′an City

3 結(jié)論

a) 利用空間插值方法對整個西安市空氣污染物時空變化研究是較好的選擇，OKri和IDW均能獲得較好的插值精度，但后者優(yōu)于前者，并且距離指數(shù)為7的IDW可以滿足西安市空氣污染物模擬要求.

b) 研究期間，西安市存在中度-嚴(yán)重污染和“爆表”不同程度的空氣污染，首要污染物為PM2.5和PM10，其中，PM2.5是西安市中度-重度污染天氣的主要貢獻(xiàn)因子，而嚴(yán)重污染和“爆表”均是由PM10造成.

c)ρ(PM2.5)與ρ(CO)在時空變化上具有很高的一致性，同時ρ(PM2.5)與ρ(NO2)也存在較高一致性，說明西安市此次重空氣污染期間ρ(PM2.5)、ρ(CO)和ρ(NO2)三者之間的相關(guān)性較好.11月26—27日及12月3日，受揚(yáng)塵天氣和特殊風(fēng)向及地形的共同影響，西安市ρ(PM10)異常，導(dǎo)致ρ(PM10)與其他污染物質(zhì)量濃度之間僅存在微弱的相關(guān)關(guān)系.

d) 重污染天氣出現(xiàn)時，各污染物質(zhì)量濃度之間存在博弈或協(xié)同變化的特征，各要素之間的時空變化和相關(guān)性關(guān)系較復(fù)雜，特殊情況應(yīng)進(jìn)行特殊分析.