广州市大气污染物排放特征及影响因素分析

广州市大气污染物排放特征及影响因素分析

随着经济发展和城市化进程的加快，污染物的排放量不断增加，污染范围也在不断扩大。颗粒、二氧化硫和二氧化硫等主要污染物的环境环境污染日益严重。环境污染对经济建设和人体健康造成了极大危害,环境空气质量也日益受到人们的关注。空气污染与气象条件关系密切,气象要素往往制约着空气污染物的稀释、扩散、输送和转化过程,进而影响着空气污染物的分布及污染物浓度。前人从不同角度对空气污染与气象要素之间的关系进行了研究,研究方法多为相关与回归分析或从理论上描述气象要素对污染物迁移扩散的影响。主成分分析方法是一种将多个指标化为少数几个不相关的综合指标(即所谓主成分)的统计分析方法。它对于分析多指标的大量数据以了解数据间的关系及趋势是一种很有用的方法。主成分分析被广泛用于分析大量的环境和空气污染数据研究中。本文用主成分分析法来分析广州市近4年(2001—2004年)的空气污染物(PM10、SO2、NO2和CO)浓度与同期的气象要素(相对湿度、温度、风速、气压和降雨量)的关系,以了解它们对大气环境质量的影响程度。另外,本文还运用典型相关分析方法来分析空气污染物与气象要素两组数据间的关系。1数据和方法1.1地面气象要素日均值本文所用数据为:2001—2004年广州市环境自动监测点(国控点)监测的PM10、SO2、NO2、CO日平均浓度;同期广州市地面气象观测台观测的相对湿度、温度、风速、气压和降雨量等地面气象要素日均值。污染物浓度和气象数据分夏半年、冬半年和全年进行分析。夏半年为:每年的4月1日—10月31日,4年共856d;冬半年为:每年的11月1日—3月31日,4年共605d;4年共1461d。1.2分析1.2.1研究样本的分布在多指标(变量)的研究中,往往由于变量个数太多,并且彼此之间存在着一定的相关性,因而使得所观测的数据在一定程度上有信息的重叠。而且当变量较多时,在高维空间中研究样本的分布规律比较麻烦。主成分分析采取一种降维的方法,找出几个综合因子来代表原来众多的变量,使这些综合因子尽可能地反映原来变量的信息量,而且彼此之间互不相关,从而达到简化目的。根据给定样本资料进行主成分分析的基本步骤为:(1)数据标准化;(2)计算样本协方差阵和相关阵;(3)计算样本协方差阵和相关阵的特征值和特征向量;(4)计算贡献率和累积贡献率,确定选取主成分个数;(5)列出主成分方程并解释主成分意义;(6)计算各样本的主成分坐标,由得分数据作主成分坐标的散点图。1.2.2典型相关理论典型相关分析是研究两组随机变量的相关关系,基本思路是把两组变量的相关关系的研究转化为两个综合变量的相关关系来研究。在第一组变量中找出一个有代表性的综合指标,它是该组变量的线性组合;同样在第二组变量中也找出一个综合指标,它是第二组变量的线性组合,使这两个综合指标(新变量)具有最大的相关,这种相关称为典型相关,这两个综合指标称为典型变量。接着又在每一组变量中找出第二对综合指标,使其与第一对综合指标不相关,而这对综合指标之间又具有最大的相关,……如此继续下去,直到两组变量之间的相关信息被提取完毕为止。简言之,典型相关的基本思想是分别在两组随机变量中选取若干有代表性的综合指标,即所谓典型变量,并通过对这两组典型变量之间的相关关系的研究,代替原来两组为数众多的随机变量之间的相关关系的研究。其计算过程参考文献进行。运用统计分析软件SAS8.1进行主成分分析和典型相关分析。调用Procprincomp过程从样本相关矩阵出发进行主成分分析,调用Proccancorr过程进行典型相关分析。2结果与讨论2.1个月间尺度上的主成分分析主成分分析按污染物、气象要素与污染物和气象要素分夏、冬和全年分别进行,它们的特征值见表1。污染物夏半年的第一主成分的特征值为2.66,解释了总方差(总变异)的67%,前两个主成分的累积贡献率达到85%,只损失了15%的信息量,故选取第一和第二两个主成分即可。用表2中列出的特征向量值,即可对这两个主成分进行解释。只在特征向量的绝对值大于0.5的变量用于解释主成分的。第一主成分为NO2和PM10的综合,据报道广州的NO2有70%～80%来自机动车的尾气排放,PM10主要来源于工厂废气、汽车尾气、建筑扬尘等,因此,可以认为第一主成分反映的是机动车污染源;第二主成分为SO2和CO的综合,广州的SO2有70%来自工业燃煤燃油,CO主要来源于燃煤和汽车尾气,可以认为第二主成分反映的是工业污染源。污染物的冬半年和全年的主成分分析结果与夏半年相似,前两个主成分的累积贡献率分别达92%和90%,第一主成分是NO2和PM10的综合,第二主成分则是SO2和CO的综合。污染物在三个时间段的主成分分析中,前两个主成分解释了总方差的85%以上,已反映原始数据所提供的绝大部分信息。前两个主成分反映了相同的本质,第一主成分都是NO2和PM10的综合,反映的是机动车污染源(汽油燃烧和扬尘),它的贡献率达到总方差的2/3以上,对总变异起着支配性作用。而第二主成分解释了总变异的13%～19%,是SO2和CO的综合,反映的是工业污染源(工业燃煤燃油)。三个时间尺度(夏、冬、全年)的气象数据的主成分分析结果中前三个主成分的累积贡献率达到总方差的85%(表1),其中第一主成分对总方差的贡献率约35%～43%,对总变异有较大影响但不起支配作用。夏半年的第一主成分反映的主要是气压指标(表2),第二主成分为温度指标,第三主成分为风速指标。而在冬半年和全年两个时间尺度上可以用相同的变量来解释各主成分:第一主成分是温度对气压的综合,第二主成分是降雨量的综合,第三主成分是风速的综合。表明温度、气压、降雨量和风速4个气象指标对大气污染的影响较大。气温高、空气在垂直(气压)和水平(风速)方向上的对流速度快、降水相对较多,对空气的净化作用较明显。污染物和气象要素的主成分分析结果见表1、表2。在三个时间尺度上的主成分分析中,前4个主成分的累积贡献率达到80%以上(夏:80%,冬:84%,全年:84%),其中第一主成分的贡献率约为40%(夏:35%,冬:43%,全年:37%),第二、三、四主成分的贡献率分别约为20%、15%、8%。根据表2中各主成分的特征向量的值的大小对各主成分的实际意义作如此解释:第一主成分在三个时间段的意义相同:各污染物(SO2、NO2、CO、PM10)的系数较气象要素(温度、相对湿度、风速、降雨量、气压)的系数大,因此可以认为第一主成分代表的是污染物的综合因子。第二主成分在夏半年代表温度,在冬半年代表相对湿度对气压,在全年时间段中代表温度对气压,由于气压与温度密切相关,因此可以把第二主成分理解为表示空气温度的综合因子。第三主成分在夏半年代表相对湿度,在冬半年代表降雨量,在全年时间段中代表的是相对湿度和降雨量,是表示空气干湿程度的综合因子。第四主成分在三个时间段中都是风速的系数较大,表示的是空气水平运动速度的综合因子。主成分的贡献率约为40%(夏:35%,冬:43%,全年:37%),第二、三、四主成分的贡献率分别约为20%、15%、8%。根据表2中各主成分的特征向量的值的大小对各主成分的实际意义作如此解释:第一主成分在三个时间段的意义相同:各污染物(SO2、NO2、CO、PM10)的系数较气象要素(温度、相对湿度、风速、降雨量、气压)的系数大,因此可以认为第一主成分代表的是污染物的综合因子。第二主成分在夏半年代表温度,在冬半年代表相对湿度对气压,在全年时间段中代表温度对气压,由于气压与温度密切相关,因此可以把第二主成分理解为表示空气温度的综合因子。第三主成分在夏半年代表相对湿度,在冬半年代表降雨量,在全年时间段中代表的是相对湿度和降雨量,是表示空气干湿程度的综合因子。第四主成分在三个时间段中都是风速的系数较大,表示的是空气水平运动速度的综合因子。2.2污染物与气象要素的相关分析典型相关分析用来探讨在污染物浓度与气象要素两组数据之间存在何种关系。根据2001—2004年的大气污染物浓度和气象要素的日均值数据,分夏半年、冬半年和全年进行分析,结果见表3。夏半年的第一、二个典型相关系数分别为0.5590、0.5181,并通过了显著性检验,说明在夏半年污染物与气象要素两组数据间有显著的相关关系;前2个特征值加起来已占全部特征值的82%,因此取前2个典型变量进行分析即可。污染物的第一典型变量中起主要作用的是CO,而气象要素的第一典型变量中起主要作用的是温度和风速,说明温度和风速对CO有显著的影响;污染物的第二典型变量中起主要作用的是PM10,而气象要素的第二典型变量中起主要作用的是相对湿度,说明相对湿度对PM10有显著影响。冬半年的第一、二个典型相关系数分别为0.6197、0.4534,均通过显著性检验,说明在冬半年污染物与气象要素两组数据间也存在显著的相关关系;前2个特征值加起来已占全部特征值的80%,因此取前2个典型变量进行分析。污染物的第一典型变量中起主要作用的是NO2,而气象要素的第一典型变量中起主要作用的是温度和风速;污染物的第二典型变量中起主要作用的是SO2和NO2,而气象要素的第二典型变量中起主要作用的是风速,说明温度和风速对SO2和NO2有显著影响。在全年时间尺度上污染物与气象要素两组数据间的典型相关分析结果见表3。与夏、冬半年相似,前两个典型相关系数分别为0.5816和0.4661,通过显著性检验;前2个特征值累积占全部特征值的81%,第一典型变量中污染物起主要作用的是NO2和CO,而气象要素起主要作用的是风速;在第二典型变量中污染物起主要作用的是SO2和CO,气象数据中起主要作用的是温度。说明温度和风速是影响气态污染物浓度的主要气象因子。综上所述,在三个时间尺度(夏半年、冬半年、全年)上,污染物浓度与气象要素间存在显著的相关关系,温度和风速对气态污染物有显著的影响;在夏半年,相对湿度对PM10有显著的影响。3大气污染环境数据的应用用主成分分析方法能够较好地揭示污染物浓度与气象要