临汾市臭氧时空变化特征及影响因素分析

Characteristics of Spatial and Temporal Variations of Ozone in Linfen City and Analysis of Influencing Factors

摘要: 近年来，我国城市环境空气中PM_2.5浓度逐年下降，O₃浓度日趋升高，O₃污染已成为制约空气质量改善的关键因素。临汾市作为中国重要焦煤基地之一，拥有大量的钢铁、焦化等行业，这些行业排放的污染物，导致O₃浓度居高不下，污染治理面临着严峻挑战。本研究基于2020~2022年临汾市监测站点的污染物浓度及气象数据，采用因果性分析、复杂网络及相关性分析方法解析临汾市O₃浓度的时空变化特征和影响因素。2020~2022年临汾市O₃污染较为严重，从时间上看，O₃污染期为5~9月，非污染期为10~2月。从空间上看，临汾市各站O₃日最大8小时滑动均值均超过160 μg/m³，O₃污染期内的O₃浓度传输网络模型连边值均超过0.5，说明各站点间存在显著的O₃传输关系，其中市委和城南的O₃污染最为明显，传输能力最强。从影响因素上看，O₃与NO₂负相关关系显著，与PM_2.5、CO、PM₁₀、SO₂负相关关系较弱。同时，O₃与气压、相对湿度呈负相关，而与气温、露点温度、十分钟平均风速和能见度呈正相关。

Abstract: In recent years, the concentration of PM_2.5 in China’s urban ambient air has been decreasing year by year, and the concentration of O₃ has been increasing, and O₃ pollution has become a key factor restricting the improvement of air quality. Linfen city, as one of the important coking coal bases in China, has a large number of iron and steel and coking industries, which emit pollutants, resulting in high O₃ concentrations and facing serious challenges in pollution management. Based on the pollutant concentrations and meteorological data from the monitoring stations in Linfen City from 2020 to 2022, this study uses causality analysis, complex network and correlation analysis to analyse the spatial and temporal characteristics of the O₃ concentration and the influencing factors in Linfen City. In 2020~2022, Linfen City is more seriously polluted by O₃, and from the time point of view, the O₃ polluted period is from May to September, and the non-polluted period is from October to February. From the spatial point of view, the daily maximum 8-hourly sliding mean values of O₃ at each station in Linfen City exceeded 160 μg/m³, and the contiguous edge values of the O₃ concentration transport network model during the O₃ pollution period exceeded 0.5, which indicated that there was a significant O₃ transport relationship between stations, with the Municipal Party Committee and the southern part of the city being the most obvious O₃ pollutants with the strongest transport capacity. In terms of influencing factors, O₃ has a significant negative correlation with NO₂, and a weaker negative correlation with PM_2.5, CO, PM₁₀, and SO₂. Meanwhile, O₃ was negatively correlated with barometric pressure and relative humidity, while positively correlated with air temperature, dew point temperature, ten-minute average wind speed and visibility.

1. 引言

空气污染造成的危害十分严重，一直以来受到全球广泛关注[1] [2] [3]。为了进一步改善生态环境，推动可持续发展，我国提出了一系列综合性措施来解决严重的空气污染问题。2013年，国务院推出《大气污染防治行动计划》，强调PM_2.5污染的重要性；2018年，国务院发布《打赢蓝天保卫战三年行动计划》，对持续推动空气质量改善提出新要求。随着空气污染治理计划的推进，全国PM_2.5快速下降，大气污染治理取得明显成就[4]。但臭氧(O₃)浓度仍处于较高水平，且逐渐呈蔓延趋势。如今，O₃污染频繁发生[5] [6]，根据北京大学陈松蹊院士团队报告，2022年“3 + 110”城市春季和夏季的O₃八小时均值浓度比2021年整体增加2.9%，90%分位数浓度增加了2.5 μg/m³，78个城市O₃呈现上升状态[7]，以O₃为代表的大气污染物逐渐成为影响空气质量的重要因素。

持续的O₃污染对人民的生产生活造成重大威胁[8] [9] [10]。长期接触高浓度O₃会显著增加心脑血管和呼吸系统疾病的发病风险，导致器官衰竭甚至过早死亡[11]。此外，O₃污染还会导致粮食作物减产，抑制农作物的生长和发育，严重影响粮食供应和经济稳定。这种经济损失不仅限于农业领域，整个社会经济系统都可能受到波及。

临汾市地形较为特殊，轮廓呈“凹”字形分布，群山在四周环绕，中间为平川。这种特殊的地形结构影响临汾市的大气污染传播，使得城市中心区的污染物在静稳天气条件下容易聚集，不易扩散，从而导致区域大气污染严重。2016年至2020年，临汾市O₃日最大8小时滑动均值第90百分位浓度高于130 μg/m³ [12]。临汾市O₃浓度水平高，污染分布较为集中，治理O₃污染面临着严峻挑战[13]。

当前，全球化学传输模型(GEOS-chem)和社区多尺度空气质量建模系统(CMAQ)等数值模拟方法被广泛应用在探索O₃来源及O₃对前体物和气象因素的敏感性上[14] [15] [16]。然而，数值模拟模型机理复杂，由于模型参数的设置和排放清单的不确定性，可能导致结果估计存在一定偏差[17]。统计方法在一定程度上摆脱了复杂物理参数和动力机制的困扰，在空气质量预测领域表现出了很好的适用性。随着复杂网络理论的不断深入，越来越多的专家学者将其应用到大气环境研究中来，并取得了诸多成果。收敛交叉映射作为一种非线性分析方法，可有效地识别弱耦合变量间的因果联系。相比于传统线性方法，利用收敛映射构建的复杂网络在分析系统因素之间的复杂关系时效果更为显著。本文基于2020~2022年临汾市监测站点的污染物浓度及气象数据，分析了临汾市O₃浓度的时间变化及空间分布特征。通过收敛交叉映射解析O₃污染期站点间非线性因果关系，结合复杂网络方法建立O₃传输网络模型，研究站点间O₃传输特征。通过相关性分析方法研究O₃与其他因素的相关性。

2. 数据与方法

2.1. 数据来源与预处理

2.1.1. 数据来源

本研究所使用的空气污染物浓度数据为2020~2022年临汾(111.52˚E，36.09˚N) 5个国控点的监测数据，由山西省临汾生态环境监测中心提供。5个国控点分别为市委、唐尧大酒店、临钢医院、技工学校和城南，污染物数据包括NO₂、SO₂、PM₁₀、PM_2.5、CO和O₃浓度。2020~2022年气象数据采集于中国气象数据网站(http://data.cma.gov.cn/)。气象数据包括气温(TEM)、气压(PRS)、露点温度(DPT)、湿度(RHU)、十分钟平均风速(WIN_10)和能见度(VIS)。所有数据采样时差均为1小时。此外，临汾环境监测中心提供人工校准的2020~2022年临汾市O₃日最大8小时滑动均值(MDA8)、站点MDA8年平均值及O₃超标天数也得到应用。

2.1.2. 数据预处理

剔除所有带异常标识的异常值数据以保证数据的真实性。采用拉格朗日插值法填充缺失值，使得填充值更加接近真实值。

2.2. 实验方法

2.2.1. 因果性分析

收敛交叉映射(Convergent Cross Mapping, CCM)是一种基于嵌入理论和混沌理论分析复杂系统中时序变量因果关系的方法，与传统线性分析方法不同，是通过将原始时序数据嵌入至多维相空间来获取变量的历史信息[18]。CCM的实现主要依赖于影子流形的创建、嵌入维度的确认和响应因素对触发因素的估计。考虑存在两个动态系统中时间长度为L的时序变量X与Y：

$\left\{X\right\}=\left\{X\left(1\right),X\left(2\right),X\left(3\right),X\left(4\right),\cdots ,X\left(L\right)\right\}$

$\left\{Y\right\}=\left\{Y\left(1\right),Y\left(2\right),Y\left(3\right),Y\left(4\right),\cdots ,Y\left(L\right)\right\}$

通过滞后变量τ，生成X与Y的时滞向量，构建影子流形M_X与M_Y：

$M_X:x\left(t\right)=\left[X\left(t\right),X\left(t-\tau \right),X\left(t-2\tau \right),X\left(t-3\tau \right),\cdots ,X\left(t-\left(E-1\right)\tau \right)\right]$

$M_Y:y\left(t\right)=\left[Y\left(t\right),Y\left(t-\tau \right),Y\left(t-2\tau \right),Y\left(t-3\tau \right),\cdots ,Y\left(t-\left(E-1\right)\tau \right)\right]$

其中，τ > 0；1 + (E + 1) ≤ t ≤ L，E为影子流形所处空间的嵌入维度，受时序长度、系统噪音等因素影响[19]，在因果分析中，E过小会导致信息缺失，E过大则会使信息冗余。为保证E的选取相对合理，采用预映射方法，配合交叉验证策略筛选最优维度E，利用pyEDM包内的Embed Dimension函数完成该步骤。在影子流形M_X上找到最邻近的E + 1个点构建权重w_i，进而对E + 1个Y的值进行加权求和，创建Y(t)的交叉映射估计，实现响应因素估计触发因素：

$\widehat{Y}\left(t\right)|M_X={\displaystyle \sum _{i=1}^{E+1}{w}_{i}Y\left(t_i\right)}$

其中，$\widehat{Y}\left(t\right)|M_X$ 为Y(t)的交叉映射估计表示，即用M_X估计Y(t)以探索Y是否为X的原因。若Y为响应因素，X为触发因素，则需要用M_Y来估计X(t)，$Y\left(t_i\right)$ 代表Y(t)的同期值，w_i为影子流形M_X上第i个邻近点与X(t)之间的距离，计算如下所示：

$w_i=u_i/{\displaystyle {\sum }_{j=1}^{E+1}{u}_j}$

$u_i=\exp \left\{-d\left[x\left(t\right),x\left(t_i\right)\right]/d\left[x\left(t\right),x\left(1\right)\right]\right\}$

其中，d代表向量之间的欧氏距离，exp代表指数函数的使用。通过计算交叉映射估计值与真实值之间的Pearson相关性系数量化响应因素对触发因素的预测能力，该系数也可以称为预测值或CCM相关系数：

${\rho }_{x\to y}=\text{cor}\left[Y\left(t\right),\widehat{Y}\left(t\right)|M_X\right]$

随着时期长度L的增加，Y的历史信息会变得更加完整，使得Y对X的估计越来越好，同时CCM相关系数显著提高，Y的预测值逐渐收敛于X。这意味着，当相关系数明显大于0，且CCM的预测曲线呈明显上升收敛状态时，时序变量间可以判断为存在因果关系[20] [21]。

2.2.2. 复杂网络

复杂网络可以描述现实世界中的诸多系统，并识别隐藏在大量复杂系统中的常见规则。基于复杂网络技术构建的有向加权网络如公式所示：

$G=\left\{V,E,W\right\}$

G表示为复杂网络模型，V是节点的集合，$\left\{v1,v2,v3,\cdots \right\}\in V$ 是网络中的不同节点，指临汾市内的不同站点。$e=\left\{v1,v2\right\}\in E$ 是网络中的一条连边，表示节点v1定向连接到v2，如果v2预测v1的CCM数值明显大于0且预测曲线呈上升收敛状态，则认为v1连接到v2，否则，v1和v2之间不连接。$w_{v1,v2}\in W$ 代表e连边的权重，v2预测v1的CCM相关系数代表v1到v2的权重值。按照上述规则，建立临汾站点间的O₃浓度传输网络模型。

2.2.3. 相关性分析

相关性描述两个变量之间的相关程度。在数据分析中，通常使用相关性方法发现数据中的模式和规律，判断变量关系。相关性系数取值范围定义为[−1，1]，越靠近1或−1，变量的相关性越大。相反，越靠近0，说明两者间相关性小。污染物浓度数据和气象数据属于连续变量，符合正态分布特征。本文用Pearson相关系数进行衡量，计算方法如公式：

${\rho }_{XY}=\frac{\mathrm{cov}\left(X,Y\right)}{{\sigma }_X\cdot {\sigma }_Y}$

3. 结果与分析

3.1. 临汾市O₃时间变化特征分析

表1展示了临汾市2020~2022年的O₃污染状况。其中，2020~2022年MDA8-90th分别为184 μg/m³、197 μg/m³、179 μg/m³，均超过160 μg/m³，表明临汾市近三年O₃污染频繁发生。2020年O₃超标率为21%，2021年超标率相比2020年有所上升，这是因为2020年整体气象条件良好所致[22]。临汾市三年O₃轻度污染天数均超过60天，2020年中度污染天数为8天，2021年为17天，2022年相比2021年，中度污染天数减少8天。尽管O₃污染情况有所改善，2022年MDA8的超标率仍高达20.27%，这说明临汾市O₃污染严重，面临长期接触O₃污染的风险，因此进一步加大O₃污染治理十分重要。

Table 1. O₃ pollution in Linfen city, 2020~2022

表1. 2020~2022年临汾市O₃污染情况

年份	MDA8 最小值(μg/m^3)	MDA8 最大值(μg/m^3)	MDA8超标率 (%)	MDA-90th (μg/m^3)	轻度污染 (天)	中度污染 (天)	重度污染 (天)
2020	9	262	21.00%	184	68	8	0
2021	6	253	22.20%	197	64	17	0
2022	15	236	20.27%	179	65	9	0

由图1可知，2020~2022年临汾市MDA8呈现夏秋高、春冬低的变化特征。O₃污染主要发生在5~9月份，其中6月份的MDA8数值最高，这是因为夏季太阳辐射强、温度高，使得大气氧化性增强，促进O₃的生成。2020~2022年临汾市污染天数与MDA8变化趋势大体一致。10~2月不存在O₃污染天数，这是因为冬季气温低、阴雨天较多，太阳辐射的减少抑制了O₃的生成。每年的6月份污染天数最多，分别为22、22和24天。

Figure 1. Monthly changes of MDA8 and O₃ pollution days in Linfen City, 2020~2022

图1. 2020~2022年临汾市MDA8和O₃污染天数月变化

3.2. 临汾市O₃空间变化特征分析

图2给出了2020~2022年临汾市5个站点MDA8的年平均值和超标天数。整体上看，5个站点的MDA8年平均值都超过了160 μg/m³，均未达标。其中，市委和城南的MDA8均值最大，为192 μg/m³，其次为唐尧大酒店(188 μg/m³)，最低为临钢医院(184 μg/m³)。从MDA8超标天数上看，城南、市委、唐尧大酒店和技工学校均超过230天，城南比市委多1天。相较于其他站点，城南远离市中心，位于临汾市南面，车流量较少，排放量低于市区，导致NO滴定消耗的O₃较少[23]。此外，城南附近存在较多汽修店，且该站点以南有焦化和化工企业，大量排放的VOCs，利于O₃的生成，造成O₃污染。市委和唐尧大酒店周边日常生活设施较多，车流量较大。洗衣店、餐饮店和加油站等会产生O₃前体物，使O₃浓度偏高，污染情况不容小视[24]。

Figure 2. MDA8 annual mean and number of exceedance days at Linfen sites, 2020~2022

图2. 2020~2022年临汾各站点MDA8年平均值和超标天数

除本地的O₃生成外，O₃传输对O₃污染存在重要影响[25]。而临汾市国控点较为接近，用传统的线性相关方法研究站点间的O₃联系时，往往会出现极高的相关系数，导致研究O₃传输较为困难。因此利用能检测因果关系的CCM方法结合复杂网络，对临汾市5个站点的O₃浓度进行建模，能分析站点间O₃的非线性关系，更加清晰地表现出O₃传输特征。在O₃污染期内，各站点间的CCM相关系数均大于0.5，呈现上升收敛状态，将曲线收敛后的CCM相关系数作为复杂网络连边权重，构建O₃污染期各站点的O₃浓度传输网络模型。如图3所示，箭头代表O₃的传输方向，颜色越深说明O₃的传输量越大，对其他站点的O₃影响越明显。权重值如表2所示，在排名前十的O₃传输权重中，市委占了3位。其中，市委对城南O₃传输权重值高达0.703，对技工学校和唐尧大酒店分别为0.676、0.667。说明市委的O₃传输最为显著，对其他站点的O₃影响最大。这是因为市委周边O₃前体物排放量大，会产生并累积大量O₃，向周边“溢出”，造成O₃传输污染。同时，市委与其他站点距离较近，传输效率高。

Table 2. O₃ concentration transmission network model connected edge values

表2. O₃浓度传输网络模型连边值

Source	Target	Weight
市委	城南	0.703
市委	技工学校	0.676
唐尧大酒店	城南	0.672
市委	唐尧大酒店	0.667
城南	市委	0.661
临钢医院	城南	0.660
城南	技工学校	0.657
技工学校	城南	0.650
技工学校	唐尧大酒店	0.649
城南	唐尧大酒店	0.649
唐尧大酒店	技工学校	0.647
唐尧大酒店	市委	0.644
技工学校	市委	0.639
临钢医院	市委	0.638
市委	临钢医院	0.625
临钢医院	唐尧大酒店	0.622
临钢医院	技工学校	0.614
城南	临钢医院	0.606
唐尧大酒店	临钢医院	0.580
技工学校	临钢医院	0.575

Figure 3. Modelling of the station O₃ concentration transport network

图3. 站点O₃浓度传输网络模型

城南对市委、技工学校和唐尧大酒店的O₃传输权重值均超过0.64，位于前十。据相关研究表明[26]，在5~9月，刮南风和西南风时O₃小时浓度超标数最多。城南由于来自南面污染气团传输的影响，O₃污染贡献大。临钢医院因为其他站点的距离较远，受到其他站点的O₃影响强度偏低，使得与其为目标的O₃传输强度较弱。通过上述分析可知，O₃浓度、风向和站点距离是影响O₃传输的重要因素。在临汾站点中，市委、城南的O₃传输影响明显，需要重点关注。

3.3. 临汾市O₃影响因素分析

如图4所示，红色代表各变量之间呈正相关关系，蓝色呈负相关关系，随着颜色的加深，各变量间的相关性越强。整体来看，其他污染物和气象因素与O₃之间的相关性系数均通过了0.001显著性检验。在污染物中，O₃与NO₂相关系数绝对值最高，为−0.62，呈现显著负相关关系。这是因为NO₂是O₃生成的重要前体物之一，通过光化学反应生成O₃。另外，O₃与PM_2.5、PM₁₀、SO₂、CO之间存在弱负相关关系，与PM_2.5负相关程度较高，相关系数为−0.33，这是因为PM_2.5干扰辐射照度，减少O₃生成。在气象因素中，气温和露点温度与O₃之间的正相关性最为明显，相关系数分别为0.51、0.38。强太阳辐射和高温会加速NO_x与VOCs发生光化学反应，促进O₃生成；气压对O₃负相关性显著，相关系数为−0.49。在低压情况下，天气晴好，导致太阳辐射增强，大气干燥，有利于O₃生成；十分钟平均风速和能见度与O₃呈弱正相关性，均为0.1；相对湿度与O₃为弱负相关，为−0.11。通过分析可知，其他污染物和气象因素与O₃之间的关系较为复杂。

Figure 4. Correlation analysis of pollutants with meteorological factors

图4. 各污染物与气象因素的相关性分析

4. 总结

1) 临汾市近三年O₃污染情况不容乐观。三年年均MDA8都超过了160 μg/m³。其中，5~9月为O₃主要污染期，6月O₃污染最为明显，10~2月为O₃非污染期。

2) 临汾市5个站点的平均MDA8均超标，城南、市委、唐尧大酒店和技工学校的超标天数均超过230天。其中，城南和市委O₃污染最为明显。O₃污染期内，临汾市站点间的O₃传输联系密切，其中市委、城南对其他站点传输最为显著，临钢医院受到其他站点的O₃传输影响最弱。

3) O₃与SO₂、NO₂、PM_2.5、PM₁₀、CO均呈现负相关状态，与NO₂的负相关最为显著。气温、露点温度、十分钟平均风速和能见度均与O₃呈正相关，气压和相对湿度与O₃为负相关。上述相关性分析均通过显著性检验。

致 谢

感谢山西省临汾生态环境监测中心提供的数据支持，感谢段丽琴主任和临汾市细颗粒物和臭氧污染协同防控综合解决方案研究项目组全体成员的大力支持和帮助。

基金项目

临汾市细颗粒物和臭氧污染协同防控综合解决方案研究(DOGG202111)。

NOTES

^*通讯作者。