-
2019年12月，新型冠状病毒肺炎（COVID-19）疫情悄然发生，并迅速席卷全球. 新冠肺炎疫情不仅对公共卫生领域产生了重大影响，同时也对气候变暖和大气污染产生了深刻的影响[1]. 为了抑制疫情发展，中国在2020年1月23日于武汉及周边地区首先开始实施严格的管控措施，并陆续在全国实施[2]. 同年3月14日，由于武汉疫情得到有效控制，全国大部分省市降低了管控水平. 管控时期交通和工业活动的大范围暂停极大减少了人为源排放，使空气质量有了明显改善[3 − 6]，但改善幅度与污染物减排幅度相比仍有差别，部分污染物，如O3，反而呈现增长趋势[7,8].
管控期间有着较少的人为排放和复杂的气象条件，故可以将其认为是一场极为难得的评估排放、气象对于大气污染问题相互作用的理想型实验[3]. 污染物之间存在着复杂的相互作用，例如，还原性的氮氧化物对于O3有着滴定效应，PM2.5的化学过程又可能使得O3污染对氮氧化物排放控制的敏感性降低[9]. 污染物与气象条件之间也有着复杂的关系，京津冀地区在2020年1月24—29日由于不利的气象条件和排放叠加，出现了令人意外的大范围污染天气[10]，另有研究表明1961—2017年长三角地区的大气自净能力指数呈下降趋势，即污染气象条件转差[11]. 排放因素对于污染的影响也不可忽略，2020年管控时段具有一定特殊性，因为其正好覆盖中国重要的传统节日春节，烟花爆竹燃放会使得PM2.5成分发生变化[12]，二次无机离子占比上升[10]，2020年苏州春节期间PM2.5污染源产生了变化，与春节前相比汽车尾气排放贡献减少了21.7%[13].
为了量化排放和自然因素对于污染物变化的影响，部分研究采用“固定排放清单改变气象条件”的方法. 例如，Yin等[14]使用多元线性回归方程和GEOS-Chem模拟分别得出长三角地区2020年相比2017年常规减排、疫情影响和气象导致的PM2.5变化占比分别为−20%、−72%和−2%. 另外，逯世泽等[15]应用WRF-CMAQ定量分析了长三角地区2020年1—3月相比2017年排放和气象影响下PM2.5变化为−23.84%和−3.46%.
近年来，机器学习模型被广泛应用在与空气污染预测的相关研究之中[16 − 18]，其预测的准确率已经得到了初步认可[19 − 21]. 其中，气象标准化方法结合机器学习方法多次被应用到量化自然因素和排放影响的研究之中，与前述方法相反，这种方法常通过“固定气象要素改变排放清单”来进行研究[22-23]. Vu等[24]将数值模拟和机器学习方法的预测性能进行比较，发现两种的模拟结果相似度较高.
目前COVID-19期间大气污染的研究中，对于长三角地区多年连续情况的研究较少. 一些文章在评估了机器学习模型的准确性后，未能进行进一步的定量分析，而且关于定量计算公式的差异较大. 因此，本研究以2019—2022年长三角地区春节时期的再分析气象数据和污染物的小时浓度数据为基础，首先对污染物的时空特征进行了定性分析，其次验证了随机森林模型的准确性，并提出了符合“固定气象要素改变排放清单”方法的定量计算公式，最后对排放和气象因素对污染的影响进行了定量分析，旨在为今后长三角地区大气污染精准防控工作提供科学参考.
-
研究区域为长三角地区，其位于中国东部沿海，为中国三大城市群之一，是中国经济中心之一，同时也是空气污染治理的重点区域.
为了研究春节时期人为活动的影响，研究时间选取为2019—2022年中国农历腊月廿一至正月二十，即春节期间的一个农历月，共30 d（表1）.
-
气象数据来自欧洲中期天气预报中心（ECMWF）的ERA5再分析数据（https://cds.climate.copernicus.eu/）. 从该数据集中获取了时间分辨率为1 h，空间分辨率为0.25°×0.25°的2 m温度、2 m露点温度、10 m u分量风速、10 m v分量风速、地表气压、海平面气压、总降水量、边界层高度、向下地表太阳辐射共9种气象要素.
本研究使用的空气质量数据来自中国环境监测总站的全国城市空气质量实时发布平台（http://www.cnemc.cn/sssj/），覆盖长三角26市总计209个站点（图1）. 采用该数据集中的PM2.5、PM10、SO2、NO2、O3和CO共6种污染物的1小时平均值. 根据《环境空气质量指数（AQI）技术规定（试行）》（HJ 663—2012）标准对空气质量进行评级.
-
随机森林模型是机器学习中的一种集成决策树模型，在大气污染研究中常被使用[18 − 21,25].
模型中使用的自变量有时间变量包含日数（date，1，2，…. ，30）和小时数（hour，0，1，…. ，23），气象变量包含2 m温度（T2M）、相对湿度（RH）、10 m风向（WD）、10 m风速（WS）、地表气压（SP）、海平面气压（MSL）、总降水量（TP）、边界层高度（BLH）和向下地表太阳辐射（SSRD），空间变量包含经度（lon）和纬度（lat）. 由于地表气压和海平面气压中包含了地形影响，故与Liu等[16]不同，本研究不再考虑地形数据. 预测因子进行归一化处理后输入模型. 为消除模型的偶然性，每次计算将模型运行
1000 次，取平均值作为预测值.在建立模型的过程中，采用决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）评价模型预测性能，并在评估过程中对训练集采用五折交叉检验，防止过拟合现象. 计算公式：
式中：
$ n $ 表示样本量，$ y_{i} $ 为实际值，$ \hat{y}_{i} $ 为预测值.$ R^{2} $ 约接近1，RMSE和MAE数值越小表示模型预测的越准确. 由于各污染物的量级不同，为比较不同污染物的均方根误差和平均绝对误差，将测试集放缩为1—100，预测集进行同比例放缩.RF只需要少量的调优参数由用户指定[26]，本研究中使用网格调参方法并考虑计算机性能确定最优参数，最终参数为：n_estimators=300，min_samples_split=2，min_samples_leaf=1.
-
气象标准化的具体方法为对各小时气象数据用不同日期相同小时数据进行随机替换
1000 次取平均，即得到了保留基本日变化特征的气象标准化数据[22].根据气象标准化数据得到气象标准化的空气污染数据，比如求2019年PM2.5的预测数据，首先对2019年的自变量数据和PM2.5数据输入模型进行训练，并对模型得到的2019年结果进行评价分析，当模型评价指标达到要求时，即可把气象标准化数据作为自变量，求出标准化气象因素和2019年排放因素影响下的PM2.5数值，进行
1000 次预测取平均，此数值即为气象标准化的2019年的PM2.5数值.参考Liu等[16]和逯世泽等[15]提出的评估减排和气象因素对PM2.5浓度变化的贡献公式，考虑了气象因素和排放因素的叠加影响，其中排放因素包含一次和二次污染排放，排放因素与气象因素贡献的定量计算公式如下：
式中：
$ N 1 $ 、$ { N2 } $ 表示不同年份，$ N 1 $ 早于$ { N2 } $ ，$ E^{12} $ 表示$ { N2 } $ 相比$ N 1 $ 的排放因素贡献，$ M^{12} $ 表示$ { N2 } $ 相比$ N 1 $ 的气象因素贡献，$ P^{N 1} $ 和$ P^{N 2} $ 分别为两个时间层经纬度为$ (i, j) $ 格点的气象标准化模型所对应的污染物预测值，$ O^{N 1} $ 和$ O^{N{2}} $ 分别为两个时间层的观测值. -
2019年至2022年春节期间长三角地区在小年、除夕、元宵节前后常有集中的污染天气发生. 从图2中可以看出，2019年春节时期空气质量状况明显差于其他3年，在除夕和小年前后出现了大范围的重度和严重污染天气. 2019—2021年空气质量逐年变好，严重污染、重度污染和中度污染天数呈逐年递减趋势. 2020—2022年间无严重污染天气，2020年在小年后和初四至初八时段出现了两次明显污染事件. 2021年春节期间几乎没有污染天气. 2022年较2021年污染更加集中，在小年、除夕和元宵期间有明显污染天气，空气质量为优的天数最多.
-
在2019至2022年的春节期间，PM10、PM2.5、SO2、CO浓度平均值均呈现下降趋势，PM10浓度下降最为显著，与Le等[3]结论一致. O3浓度2019年至2022年有所上升，其浓度的上升增加了大气的氧化能力，有利于二次气溶胶的形成[3]. NO2浓度变化无明显趋势（图3a）.
根据《环境空气质量指数（AQI）技术规定（试行）》（HJ 663—2012），过去四年春节期间的主要污染物为PM10和PM2.5. 在这段时间内，PM10的3—6级比例逐渐减少，但1级比例并没有逐年增加，2020年1级比例最高. 2019至2020年PM2.5在2级及以上比例逐年下降，2022年较2021年2和3级标准占比有所上升（图3b）.
根据时间分布图（图4），PM2.5、PM10和CO变化特征相似，四年间峰值对应时间基本在小年、春节和元宵前后，在除夕前后存在浓度最大值. SO2分布呈现多个峰值，四年之间无明显规律. O3具有明显日变化波动，且四年间波动的振幅有所增加，春节时段变化主要呈现单峰特征，即在春节前期呈现上升趋势，在春节后期呈现下降趋势. NO2的变化趋势与O3相反，为在春节前期呈下降趋势，在春节后期呈现上升趋势.
-
随着排放的控制，直接排放对气溶胶的贡献可能会减少，而二次气溶胶的贡献应引起更多的关注[27]，潘光等[28]对济南市区疫情管控前后PM2.5组分进行研究，发现管控后二次有机污染严重.
城市中PM10和PM2.5的主要来源分别是以扬尘为代表的一次颗粒物和发生光化学反应的二次颗粒物，PM2.5和PM10浓度的比值一定程度上可以反映污染的类型和可能的污染物来源，比值越大说明二次气溶胶对PM2.5浓度的贡献越大[29]. 研究时段内PM2.5/PM10比值均大于60%，说明四年间二次污染较重[29]，由高到低依次为2020年，2022年，2019年和2021年，说明2021年的PM2.5来源中二次气溶胶贡献较小，2020年二次气溶胶贡献较大（表2）.
CO一般由不完全燃烧产生[30]，且烟花爆竹的燃放对CO质量浓度影响不明显[31]，PM2.5/CO可排除气象条件的影响，反应排放和化学转化的贡献[32]. PM2.5/CO比值较大，侧面说明这些地区二次气溶胶对PM2.5浓度的贡献较大[33]. PM2.5/CO占比2021年较小（表2），进一步证明2021年二次气溶胶贡献小.
-
风速对污染物的扩散及消散速度有着显著的影响. 当风速较大时，污染物的停留时间较短，因此极端污染事件的发生概率较低. 2019—2022年春节期间，2021年春节期间平均风速最大，2022年春节期间平均风速最小（表3）. 这一变化趋势可以解释为什么2021年污染物分布比较均匀，极端污染事件相对较少，而2022年污染物则比较集中. 四年中，2021年春节期间的平均风向和海平面气压表现出与其他三年明显不同的特征，说明2021年春节期间长三角地区的主要天气形势与其他三年存在明显差异（表3）. 相对湿度与大气污染之间联系较为复杂，高相对湿度可能使颗粒物吸湿增长，使得扩散稀释难度加大[3]. 2019年相对湿度最高，2021年相对湿度最低（表3）. 高温有利于O3生成[34]，2021年春节期间平均气温高于其他三年，可以初步解释为什么2021年的O3浓度是四年中最高的. 降水可以引起湿沉降现象，从而有助于清除大气中的污染物粒子[3]. 2019年和2022年春节期间的平均降水量较多，而2021年的平均降水量最少（表3）. 这四年间，长三角春节时期平均边界层高度由高到低依次为2022年、2020年、2019年和2021年（表3）. 边界层高度越低，表明低层大气更加稳定，污染物也就越不容易进行扩散.
-
气象变量显著影响空气污染物，并在其形成、扩散和运输中发挥重要作用[35]. 为了评估2019—2022年春节期间长三角地区空气污染物与气象变量之间的线性关系，确定气象因素是否对污染物影响较为显著[21]，对气象和污染物的日平均数据进行Pearson相关性分析，并将显著性水平设定为0.01（P<0.01）.
从图5中可以看出污染物与污染物之间的强相关性，其中PM2.5和PM10四年间均呈现显著强正相关关系，相关系数均大于0.8. SO2与PM2.5、PM10四年间均为正线性相关，其中与PM2.5相关性更强，SO2与NO2在2019年和2020年有较强正相关，2021年和2022年无明显相关性. NO2在2019年、2020年、2022年均与PM2.5、PM10正向相关，2021年无明显相关，NO2与O3呈负相关，2022年最为明显，这与NO2为O3的前体物有关. O3与其他污染物均为负相关. CO与PM2.5、PM10四年间均为正相关，与其他污染物弱相关.
污染物浓度与气象要素之间存在着明显的相关关系，由于空间和时间分辨率选取不同，四年间污染物与气象要素之间的相关系数比Hasnain等[18]研究中弱. 整体上看，2022年污染物浓度与气象要素之间的线性相关性明显差于其他三年. 其中存在着一些有高相关性的数据，例如，风向在2019年与PM2.5和PM10浓度呈负相关（r=−0.46，r=−0.43），风速在2020年与SO2浓度呈现正相关（r =0.45），2021年与PM2.5、PM10和CO浓度负相关（r=−0.58，r=−0.56，r=−0.57），这表明风对于污染物的传输起到了一定的作用. 另外，温度在2019年与SO2和NO2浓度呈现正相关（r=0.44，r=0.50），在2020和2021年与CO浓度呈现负相关（r=−0.49，r=−0.55），在2022年与PM10浓度呈现负相关（r=−0.44）. 海平面气压在2019年与SO2和NO2浓度呈现负相关（r=−0.44，r=−0.43），2021年与CO浓度呈现正相关（r=0.52）. 边界层高度在2019年与PM10浓度呈现负相关（r=−0.45），在2020年与O3浓度呈现正相关（r=0.49）. 相对湿度在2020年与PM2.5、SO2和NO2浓度呈现正相关（r=0.48，r=0.50，r=0.59），在2021年与SO2浓度呈现正相关（r=0.47）. 根据以上分析结构，现已选择的气象因素不需进行排除.
-
以决定系数（R2）作为主要评判依据（表4），模型预测精度依次为CO>PM2.5>PM10>NO2>O3>SO2，由于自变量为时空因素和气象因素，故也可侧面说明污染物浓度受到气象因素的影响也为由大到小排列. 若要提升模型准确性，可以对自变量进行进一步的筛选和增加，由于污染物之间的强相关性，可以增添前一时刻的污染物变量数值[21]，进行实时预测. 其中O3作为二次污染物，与VOCs、NOx等联系紧密，如果将这些物质作为模型的自变量，O3的预测结果应该会有显著提升[36]. 通过年与年之间比较，2021年和2022年评价结果普遍差于2019年和2020年. 根据三种评价指标的综合分析，可以判断出模型的准确性较高，可以用于进行下一步分定量分析.
特征重要性可以研究不同因子之间的相互关系，从而确定各个自变量对因变量的影响程度[21]，由于随机森林算法在进行因素选择时具有一定的随机性，因此当两个因素之间存在相同的元素时，算法可能会随机地选择其中一个因素，并将其视为具有更高的特征重要性占比. 表5反映了模型的平均特征重要性，其中纬度、小时数、海平面气压和日数为主要影响因子，证明时空因素对于污染物浓度分布格局的强主导作用. 空间因素可能与污染物的区域传输有关，其中纬度的特征重要性占比远大于经度，可能与经向传输比纬向传输轨迹占比更大，且路径更长，输送快有关. 时间因素中小时数变量特征重要性占比更大，说明污染物应该有着明显的日变化特征，日数变量特征重要性也较大，可能与污染物的滞留特性和研究时期节假日污染集中排放有关.
对于此时期的主要污染物PM2.5的预测结果进行进一步分析（图6），其特征重要性中时空变量为主要影响因素，与曹媛[37]等的研究一致. 对于PM2.5的预测准确性较高，2019—2022年R2分别为0.77、0.77、0.71和0.69，其中22年R2较低，但RMSE和MAEA数值较小，说明模拟效果仍然较好. 从时间序列图和散点图中可以看出，模型对于较大值的预测不够准确，即污染严重时期的预测准确性较低，但对于整体趋势的把握比较准确.
-
本研究中考虑了时空要素和气象要素作为模型的自变量. 气象因素对污染物浓度的影响可以分为两个方面：气象变量的直接影响和传输作用的影响. 而排放因素则包括人为排放和二次生成等. 2020年相比于2019年，在疫情管控的影响下，PM2.5、PM10、SO2、NO2和CO浓度主要受排放影响而下降，气象因素相对于排放因素对于污染物影响较小. 2021年相比于2020年，PM2.5和CO受排放影响较大，在气象和排放共同作用下浓度下降. SO2浓度受到排放因素的负面影响和有利的气象因素影响，使得其浓度的变化相对平稳. O3在气象的不利影响下浓度上升，排放因素对其浓度的影响可以忽略不计. 2022年相比2021年，国内外疫情进一步平稳，在经济回暖的形势下，PM2.5和PM10的浓度均受到了排放的负面影响，然而有利的气象因素对其产生了一定的抵消作用. 对于SO2、NO2和O3，排放使得其浓度减少但不利的气象因素又对排放因素的作用产生了抵消. 2019—2022年间，排放作用对于污染物浓度有着显著的影响，气象因素对于排放常有着明显的抵消作用，且气象因素影响占比在逐步加大. 对于特定的污染物浓度，PM2.5、PM10、SO2、NO2和CO的浓度对于排放变化响应较为明显，O3浓度对于气象变化响应更加明显（表6）.
-
1）2019年至2022年春节期间长三角地区在小年、除夕、元宵节前后常有集中的污染天气发生，空气质量逐年改善，重度污染天气占比逐年减小. 四年间，PM10、PM2.5、SO2、CO浓度均呈现下降趋势，O3浓度逐年上升，NO2浓度变化无明显趋势. 时间分布上，PM2.5、PM10和CO变化特征相似，O3具有明显日变化波动，且四年间波动的振幅有所增加，在春节时段变化主要呈现单峰特征，NO2的变化趋势与O3相反.
2）PM2.5占PM10的比重，由高到低依次为2020年、2022年、2019年和2021年，且数值均大于60%，说明研究时段内PM2.5来源中二次气溶胶贡献与一次污染物贡献相比较大，其中2020年二次气溶胶贡献较大，故控制二次污染物的生成仍是控制污染物浓度的主要措施.
3）对气象和污染物的日平均数据进行Pearson相关性分析，发现污染物与污染物之间有着较强相关性，PM2.5、PM10、SO2和CO相关性基本为正，O3与其他污染物均为负相关.
4）根据三种评价指标的综合分析，随机森林模型对于污染物浓度预测有着较高的准确度，对于PM2.5浓度的预测较为精准，2019—2022年R2依次为0.77、0.77、0.71和0.69，但模型对于较大值的预测不够准确，即污染严重时期的预测准确性较低. 平均特征重要性中纬度（17.93%）、小时数（11.24%）、海平面气压（9.60%）和日数（9.28%）为主要影响因子，说明时空因素对于污染物浓度分布格局有着强作用. 因此，加强区域协同治理是大气污染防控的必要措施.
5）污染物受到气象因素和排放因素的共同作用. 2020年受疫情管控影响，排放因素导致PM2.5、PM10、SO2、NO2和CO浓度下降，而气象因素影响较小. 2021—2022年，排放作用对于污染物浓度有着显著的影响，但气象因素对于排放常有着明显的抵消作用，且气象因素影响占比在逐步加大. 近年来，排放因素受到逐步控制，对于污染天气治理，气象条件的影响不可忽略.
致谢：感谢印度Koneru Lakshmaiah大学K. Raghavendra Kumar博士在写作过程中的指导.
2019—2022年春节时期长三角地区大气污染状况分析
Analysis of air pollution status during the Spring Festival period in the Yangtze River delta region from 2019 to 2022
-
摘要: 为了分析2019—2022年长三角地区春节时期大气质量状况及影响因素，本研究对污染物的时空特征进行了定性分析，并使用气象标准化方法结合机器学习方法对排放和气象因素对污染的影响进行了定量分析. 结果表明，春节时段空气质量逐年改善，重度污染天气占比逐年减小. PM10、PM2.5、SO2和CO浓度均出现了下降趋势，O3浓度逐年上升. 时间分布上，PM2.5、PM10和CO变化特征相似，O3具有明显日变化波动，且四年间波动的振幅有所增加，在春节时段变化主要呈现单峰特征，NO2的变化趋势与O3相反. 研究时段内PM2.5/PM10浓度数值均大于60%，说明PM2.5来源中二次气溶胶贡献与一次污染物贡献相比较大. 根据三种评价指标的综合分析，随机森林模型对于污染物浓度预测有着较高的准确度，其中对于PM2.5的预测较为准确，2019—2022年的R2依次为0.77、0.77、0.71和0.69，但对污染严重时期的预测准确性较低. 平均特征重要性中纬度（17.93%）、小时数（11.24%）、海平面气压（9.60%）和日数（9.28%）为主要影响因子，说明时空因素对于污染物浓度分布格局有着强作用. 2019年到2022年排放作用对于污染物浓度有着显著的影响，但气象因素对于排放常有着明显的抵消作用，且气象因素影响占比在逐步加大. 对于后续污染防控，应该重视气象条件影响，并注意控制二次污染物生成，增强区域协同治理.Abstract: To analyze the air quality status during the Spring Festival period in the Yangtze River Delta (YRD) region, the study conducted a qualitative analysis of the spatial and temporal characteristics of air pollutants and their influencing factors from 2019 to 2022. The impacts of emissions and meteorological factors on air pollution were quantitatively analyzed using a meteorological normalization method combined with machine learning techniques. The results showed that the air quality has been improving year by year during the Spring Festival period, with a decrease in the proportion of severe pollution days. However, the concentrations of air pollutants such as PM10, PM2.5, SO2 and CO showed a decreasing trend, while O3 concentrations increased over the years. Temporally, PM2.5, PM10, and CO exhibit similar patterns, while O3 shows significant diurnal fluctuations with an increasing amplitude over the four years. The pollution levels during the Spring Festival period exhibit a unimodal pattern, with NO2 showing an opposite trend compared to O3. During the study period, the PM2.5/PM10 ratio was above 60%, indicating a relatively greater contribution of secondary aerosols to PM2.5 compared to primary pollutants. Based on the comprehensive analysis of three evaluation indicators, the random forest model exhibited high accuracy in predicting pollutant concentrations, particularly for PM2.5, with R2 values of 0.77, 0.77, 0.71, and 0.69 for the four years, respectively. However, its accuracy in predicting pollution was relatively low during severe periods. The influencing factors, based on average feature importance, include latitude (17.93%), hour (11.24%), sea-level pressure (9.60%), and date (9.28%), highlighting the strong influence of spatiotemporal factors on pollutant concentration distribution patterns. While emissions had a significant impact on pollutant concentrations from 2019 to 2022, meteorological factors often exhibited a noticeable counteracting effect, with an increasing percentage contribution. For future pollution prevention and control, it is important to consider the impact of meteorological conditions and control the generation of secondary pollutants, as well as enhance regional collaborative governance.
-
Key words:
- COVID-19 /
- Spring Festival /
- air pollutant /
- meteorological factors /
- random forest model.
-
-
图 1 长三角空气质量站点、气象格点分布
Figure 1. Air quality monitoring stations and meteorological grid points in the Yangtze River Delta region
图 2 2019—2022年春节时期长三角地区26市AQI日均值
Figure 2. Average daily AQI values for 26 cities in the Yangtze River delta region during the Chinese New Year period from 2019 to 2022
图 3 2019—2022年春节时期长三角地区 （a） 污染物月平均值 （b） 各级标准所占比例
Figure 3. （a） Monthly average values of pollutants and （b） proportion of different air quality standards in the Yangtze River Delta region during the Chinese New Year period from 2019 to 2022
图 4 2019—2022年春节时期长三角地区污染物小时平均浓度月变化
Figure 4. Monthly variation of hourly average concentration of pollutants in the Yangtze River Delta region during the Chinese New Year period from 2019 to 2022
图 5 2019—2022年春节时期长三角地区气象要素和污染物的相关系数
Figure 5. Correlation between air pollutants and meteorological parameters in the Yangtze River Delta region during the Chinese New Year period from 2019 to 2022
图 6 随机森林模型对于PM2.5预测效果
Figure 6. The performance of the random forest model in predicting PM2.5.
表 1 2019—2022年春节时期所对应的公历日期
Table 1. Gregorian calendar dates corresponding to the Chinese New Year period from 2019 to 2022.
年份
Time春节前
Before the Spring Festival春节时
During the Spring Festival春节后
After the Spring Festival2019 1月26日—2月4日 2月5日—2月14日 2月15日—2月24日 2020 1月15日—1月24日 1月25日—2月3日 2月4日—2月13日 2021 2月2日—2月11日 2月12日—2月21日 2月22日—3月3日 2022 1月22日—1月31日 2月1日—2月10日 2月11日—2月20日 
下载: 导出CSV
表 2 2019—2022年春节时期长三角地区PM2.5/PM10和PM2.5/CO月平均值
Table 2. Monthly average values of PM2.5/PM10 and PM2.5/CO in the Yangtze River Delta region during the Chinese New Year period from 2019 to 2022
2019 2020 2021 2022 PM2.5/PM10/% 70.36 82.70 66.39 77.66 PM2.5/CO/% 5.90 5.69 5.47 5.76
下载: 导出CSV
表 3 2019—2022年春节时期长三角地区气象要素小时平均和标准差
Table 3. Hourly mean and standard deviation of meteorological elements in the Yangtze River Delta region during the Chinese New Year period from 2019 to 2022
2019 2020 2021 2022 WS/（m·s−1） 3.89±0.66 3.70±0.79 4.08±0.73 3.37±0.55 WD/（°） 217.07±26.56 227.40±32.06 170.43±28.75 230.77±25.1 MSL/（hPa） 1030.00 ±0.951026.00 ±1.011020.90 ±0.981026.40 ±0.67T2M/K 278.65±0.84 279.58±0.76 283.61±1.17 278.06±0.68 RH/% 81.93±3.53 77.33±2.40 70.68±3.91 78.1±3.07 TP/mm 0.15±0.18 0.11±0.21 0.07±0.23 0.14±0.19 BLH/m 484.50±70.6 488.61±92.12 433.32±115.13 508.08±75.56
下载: 导出CSV
表 4 随机森林模型评价结果
Table 4. Evaluation results of random forest model
污染物
Pollutant2019 2020 2021 2022 R2 RMSE MAE R2 RMSE MAE R2 RMSE MAE R2 RMSE MAE PM2.5 0.77 3.37 2.28 0.77 4.62 3.23 0.70 5.42 3.80 0.68 3.83 2.51 PM10 0.73 4.14 2.81 0.75 5.18 3.59 0.69 5.02 3.34 0.69 4.00 2.66 SO2 0.55 1.55 0.80 0.57 1.05 0.48 0.38 0.84 0.29 0.61 1.82 0.99 NO2 0.74 4.66 3.13 0.76 5.04 3.26 0.61 5.93 4.13 0.71 5.18 3.60 O3 0.66 5.97 4.35 0.63 4.26 3.13 0.56 9.54 7.25 0.67 8.75 6.57 CO 0.77 3.04 2.11 0.79 2.85 1.99 0.73 2.26 1.52 0.78 3.67 2.59
下载: 导出CSV
表 5 特征变量重要性统计表
Table 5. Statistical table of importance of feature variables
lat hour MSL date WD T2M RH SP SSRD BLH WS lon TP 平均比例 17.93 11.24 9.60 9.28 6.97 6.87 6.36 6.18 5.81 5.70 5.56 5.07 3.46 位次 1 2 3 4 5 6 7 8 9 10 11 12 13
下载: 导出CSV
表 6 2019—2022年春节时期长三角地区排放因素、气象因素和气象与排放交叉变化占比
Table 6. Proportion of changes in emission factors, meteorological factors, and their interaction in the Yangtze River Delta region during the Chinese New Year period from 2019 to 2022
$ N1 $ $ N2 $ PM2.5 PM10 SO2 NO2 O3 CO 2019—2020 $ {E}^{12} $ −8.76% −25.69% −13.81% −26.07% 12.79% −10.13% $ {M}^{12} $ −2.30% 3.85% 6.97% 4.29% 2.27% 1.98% $ {E}^{12} $ $ {M}^{12} $ 0.20% −0.99% −0.96% −1.12% 0.29% −0.20% 2019—2021 $ {E}^{12} $ −32.73% −27.82% −7.12% −20.62% 13.25% −27.89% $ {M}^{12} $ −3.54% 4.04% −3.46% 5.85% 7.65% 0.65% $ {E}^{12} $ $ {M}^{12} $ 1.16% −1.12% 0.25% −1.21% 1.01% −0.18% 2019—2022 $ {E}^{12} $ −17.86% −24.56% −21.75% −28.03% 5.49% −26.62% $ {M}^{12} $ −12.73% −8.87% 12.76% 8.10% 12.37% −0.56% $ {E}^{12} $ $ {M}^{12} $ 2.27% 2.18% −2.77% −2.27% 0.68% 0.15% 2020—2021 $ {E}^{12} $ −26.28% −2.86% 7.77% 7.36% 0.41% −19.77% $ {M}^{12} $ −1.26% 0.18% −9.75% 1.50% 5.27% −1.31% $ {E}^{12} $ $ {M}^{12} $ 0.33% −0.01% −0.76% 0.11% 0.02% 0.26% 2020—2022 $ {E}^{12} $ −9.98% 1.53% −9.21% −2.65% −6.47% −18.35% $ {M}^{12} $ −10.68% −12.25% 5.41% 3.66% 9.88% −2.50% $ {E}^{12} $ $ {M}^{12} $ 1.07% −0.19% −0.50% −0.10% −0.64% 0.46% 2021—2022 $ {E}^{12} $ 22.11% 4.52% −15.75% −9.33% −6.85% 1.77% $ {M}^{12} $ −9.53% −12.41% 16.80% 2.13% 4.39% −1.21% $ {E}^{12} $ $ {M}^{12} $ −2.11% −0.56% −2.65% −0.20% −0.30% −0.02% $ N1 $ $ N2 $ $ {E}^{12} $ $ N2 $ $ N1 $ $ {M}^{12} $ $ N2 $ $ N1 $ $ {E}^{12} $ $ {M}^{12} $ $ N2 $ $ N1 $
$ N1 $ $ N2 $ $ {E}^{12} $ $ N2 $ $ N1 $ $ {M}^{12} $ $ N2 $ $ N1 $ $ {E}^{12} $ $ {M}^{12} $ $ N2 $ $ N1 $
下载: 导出CSV
-
[1] 尹志聪, 李雨嫣, 段明铿, 等. 2020年大气科学与环境健康交叉领域热点回眸[J]. 科技导报, 2021, 39(1): 88-96. YIN Z C, LI Y Y, DUAN M K, et al. Hotspots of interdisciplinary researches in atmospheric, environmental, and medical sciences in 2020[J]. Science & Technology Review, 2021, 39(1): 88-96 (in Chinese).
[2] TIAN H Y, LIU Y H, LI Y D, et al. An investigation of transmission control measures during the first 50 days of the COVID-19 epidemic in China[J]. Science, 2020, 368(6491): 638-642. doi: 10.1126/science.abb6105 [3] LE T H, WANG Y, LIU L, et al. Unexpected air pollution with marked emission reductions during the COVID-19 outbreak in China[J]. Science, 2020, 369(6504): 702-706. doi: 10.1126/science.abb7431 [4] WANG H L, TAN Y, ZHANG L X, et al. Characteristics of air quality in different climatic zones of China during the COVID-19 lockdown[J]. Atmospheric Pollution Research, 2021, 12(12): 101247. doi: 10.1016/j.apr.2021.101247 [5] HE G J, PAN Y H, TANAKA T. COVID-19, city lockdowns, and air pollution: Evidence from China[R]. Nature Sustainability, 2020. [6] CHEN K, WANG M, HUANG C H, et al. Air pollution reduction and mortality benefit during the COVID-19 outbreak in China[J]. The Lancet. Planetary Health, 2020, 4(6): e210-e212. doi: 10.1016/S2542-5196(20)30107-8 [7] 刘厚凤, 徐薇, 魏敏, 等. 2020年初疫情管控对山东省空气质量影响的模拟[J]. 环境科学, 2021, 42(3): 1215-1227. LIU H F, XU W, WEI M, et al. Impact of pollutant emission reduction on air quality during the COVID-19 pandemic control in early 2020 based on RAMS-CMAQ[J]. Environmental Science, 2021, 42(3): 1215-1227 (in Chinese).
[8] 周静博, 李若玲, 马建勇, 等. 2020年COVID-19疫情期间河北省空气污染特征及来源识别[J]. 环境化学, 2022, 41(6): 2075-2086. doi: 10.7524/j.issn.0254-6108.2021030503 ZHOU J B, LI R L, MA J Y, et al. Study on the characteristics of air pollution and source identification during the epidemic period of COVID-19 in 2020 in Hebei Province[J]. Environmental Chemistry, 2022, 41(6): 2075-2086 (in Chinese). doi: 10.7524/j.issn.0254-6108.2021030503
[9] LI K, JACOB D J, LIAO H, et al. A two-pollutant strategy for improving ozone and particulate air quality in China[J]. Nature Geoscience, 2019, 12(11): 906-910. doi: 10.1038/s41561-019-0464-x [10] 肖致美, 蔡子颖, 李鹏, 等. 2020年春节期间天津市重污染天气污染特征分析[J]. 环境科学学报, 2020, 40(12): 4442-4452. XIAO Z M, CAI Z Y, LI P, et al. Characterization of heavy air pollution events during the 2020 Spring Festival in Tianjin[J]. Acta Scientiae Circumstantiae, 2020, 40(12): 4442-4452 (in Chinese).
[11] 朱蓉, 张存杰, 梅梅. 大气自净能力指数的气候特征与应用研究[J]. 中国环境科学, 2018, 38(10): 3601-3610. doi: 10.3969/j.issn.1000-6923.2018.10.001 ZHU R, ZHANG C J, MEI M. The climate characteristics of atmospheric self-cleaning ability index and its application in China[J]. China Environmental Science, 2018, 38(10): 3601-3610 (in Chinese). doi: 10.3969/j.issn.1000-6923.2018.10.001
[12] 谢文晶, 徐文帅, 冼爱丹. 烟花爆竹燃放对三亚市空气质量的影响分析[J]. 环境化学, 2021, 40(11): 3491-3500. doi: 10.7524/j.issn.0254-6108.2020121702 XIE W J, XU W S, XIAN A D. Influence of burning fireworks on air quality in Sanya City[J]. Environmental Chemistry, 2021, 40(11): 3491-3500 (in Chinese). doi: 10.7524/j.issn.0254-6108.2020121702
[13] WANG H L, MIAO Q, SHEN L J, et al. Air pollutant variations in Suzhou during the 2019 novel coronavirus (COVID-19) lockdown of 2020: High time-resolution measurements of aerosol chemical compositions and source apportionment[J]. Environmental Pollution, 2021, 271: 116298. doi: 10.1016/j.envpol.2020.116298 [14] YIN Z C, ZHANG Y J, WANG H J, et al. Evident PM2.5 drops in the east of China due to the COVID-19 quarantine measures in February[J]. Atmospheric Chemistry and Physics, 2021, 21: 1581-1592. doi: 10.5194/acp-21-1581-2021 [15] 逯世泽, 史旭荣, 薛文博, 等. 新冠肺炎疫情期间气象条件和排放变化对PM2.5的影响[J]. 环境科学, 2021, 42(7): 3099-3106. LU S Z, SHI X R, XUE W B, et al. Impacts of meteorology and emission variations on PM2.5 concentration throughout the country during the 2020 epidemic period[J]. Environmental Science, 2021, 42(7): 3099-3106 (in Chinese).
[16] LIU H W, YUE F G, XIE Z Q. Quantify the role of anthropogenic emission and meteorology on air pollution using machine learning approach: A case study of PM2.5 during the COVID-19 outbreak in Hubei Province, China[J]. Environmental Pollution, 2022, 300: 118932. doi: 10.1016/j.envpol.2022.118932 [17] 曲悦, 钱旭, 宋洪庆, 等. 基于机器学习的北京市PM2.5浓度预测模型及模拟分析[J]. 工程科学学报, 2019, 41(3): 401-407. QU Y, QIAN X, SONG H Q, et al. Machine-learning-based model and simulation analysis of PM2.5 concentration prediction in Beijing[J]. Chinese Journal of Engineering, 2019, 41(3): 401-407 (in Chinese).
[18] HASNAIN A, SHENG Y H, HASHMI M Z, et al. Assessing the ambient air quality patterns associated to the COVID-19 outbreak in the Yangtze River Delta: A random forest approach[J]. Chemosphere, 2023, 314: 137638. doi: 10.1016/j.chemosphere.2022.137638 [19] FENG R, GAO H, LUO K, et al. Analysis and accurate prediction of ambient PM2.5 in China using Multi-layer Perceptron[J]. Atmospheric Environment, 2020, 232: 117534. doi: 10.1016/j.atmosenv.2020.117534 [20] 康俊锋, 黄烈星, 张春艳, 等. 多机器学习模型下逐小时PM2.5预测及对比分析[J]. 中国环境科学, 2020, 40(5): 1895-1905. doi: 10.3969/j.issn.1000-6923.2020.05.005 KANG J F, HUANG L X, ZHANG C Y, et al. Hourly PM2.5 prediction and its comparative analysis under multi-machine learning model[J]. China Environmental Science, 2020, 40(5): 1895-1905 (in Chinese). doi: 10.3969/j.issn.1000-6923.2020.05.005
[21] 陈金车. 基于机器学习的西北省会城市空气污染物浓度预报方法研究[D]. 兰州: 兰州大学, 2022. CHEN J C. Research on forecasting method of air pollutant concentration in northwest provincial capital cities based on machine learning[D]. Lanzhou: Lanzhou University, 2022 (in Chinese).
[22] GRANGE S K, CARSLAW D C, LEWIS A C, et al. Random forest meteorological normalisation models for Swiss PM10 trend analysis[J]. Atmospheric Chemistry and Physics, 2018, 18(9): 6223-6239. doi: 10.5194/acp-18-6223-2018 [23] HE Y X, PAN Y P, GU M N, et al. Changes of ammonia concentrations in wintertime on the North China Plain from 2018 to 2020[J]. Atmospheric Research, 2021, 253: 105490. doi: 10.1016/j.atmosres.2021.105490 [24] VU T V, SHI Z B, CHENG J, et al. Assessing the impact of clean air action on air quality trends in Beijing using a machine learning technique[J]. Atmospheric Chemistry and Physics, 2019, 19(17): 11303-11314. doi: 10.5194/acp-19-11303-2019 [25] 张玲玲, 张亚一, 盛夏, 等. 基于多变量随机森林模型的空气污染过程分析及应用[J]. 环境科技, 2022, 35(6): 55-60. doi: 10.3969/j.issn.1674-4829.2022.06.011 ZHANG L L, ZHANG Y Y, SHENG X, et al. Analysis and application of air pollution process based on multivariate random forest model[J]. Environmental Science and Technology, 2022, 35(6): 55-60 (in Chinese). doi: 10.3969/j.issn.1674-4829.2022.06.011
[26] IMMITZER M, ATZBERGER C, KOUKAL T. Tree species classification with random forest using very high spatial resolution 8-band WorldView-2 satellite data[J]. Remote Sensing, 2012, 4(9): 2661-2693. doi: 10.3390/rs4092661 [27] ZHOU X H, CAO Z Y, MA Y J, et al. Concentrations, correlations and chemical species of PM2.5/PM10 based on published data in China: Potential implications for the revised particulate standard[J]. Chemosphere, 2016, 144: 518-526. doi: 10.1016/j.chemosphere.2015.09.003 [28] 潘光, 郝赛梅, 谷树茂, 等. 济南市区2020年春节疫情管控前后PM2.5组分变化[J]. 环境化学, 2022, 41(9): 2951-2961. doi: 10.7524/j.issn.0254-6108.2021051904 PAN G, HAO S M, GU S M, et al. Changes in contents of PM2.5 components over Jinan city before and after implementation of epidemic control measures during the 2020 Spring Festival[J]. Environmental Chemistry, 2022, 41(9): 2951-2961 (in Chinese). doi: 10.7524/j.issn.0254-6108.2021051904
[29] 林昕, 翟晓瑶, 蒋冬升, 等. 福州市PM2.5与PM2.5/PM10变化特征及气象响应分析[J]. 海峡科学, 2023(3): 22-29. doi: 10.3969/j.issn.1673-8683.2023.03.004 LIN X, ZHAI X Y, JIANG D S, et al. Variation characteristics and meteorological response analysis of PM2.5 and PM2.5/PM10 in Fuzhou[J]. Straits Science, 2023(3): 22-29 (in Chinese). doi: 10.3969/j.issn.1673-8683.2023.03.004
[30] 刘跃斌, 张远, 张逸冰, 等. 邯郸市新冠疫情前后空气质量指数(AQI)对比与疫情防控期间大气污染特征分析[J]. 环境化学, 2021, 40(12): 3743-3754. doi: 10.7524/j.issn.0254-6108.2021022402 LIU Y B, ZHANG Y, ZHANG Y B, et al. Comparison of air quality index(AQI) before and after COVID-19 in Handan City and analysis of air pollution characteristics during COVID-19 prevention and control[J]. Environmental Chemistry, 2021, 40(12): 3743-3754(in Chinese). doi: 10.7524/j.issn.0254-6108.2021022402
[31] 胡丙鑫, 段菁春, 刘世杰, 等. 2018年春节期间京津冀及周边地区烟花禁放效果评估[J]. 环境科学研究, 2019, 32(2): 203-211. HU B X, DUAN J C, LIU S J, et al. Evaluation of the effect of fireworks prohibition in the Beijing-Tianjin-Hebei and surrounding areas during the Spring Festival of 2018[J]. Research of Environmental Sciences, 2019, 32(2): 203-211 (in Chinese).
[32] 熊江荷, 孔少飞, 郑煌, 等. 排放和气象对疫情前后武汉不同类型点位大气污染物的影响[J]. 环境科学, 2023, 44(2): 670-679. XIONG J H, KONG S F, ZHENG H, et al. Impacts of emission and meteorological conditions on air pollutants at various sites around the COVID-19 lockdown in Wuhan[J]. Environmental Science, 2023, 44(2): 670-679 (in Chinese).
[33] HE J J, GONG S L, YU Y, et al. Air pollution characteristics and their relation to meteorological conditions during 2014–2015 in major Chinese cities[J]. Environmental Pollution, 2017, 223: 484-496. doi: 10.1016/j.envpol.2017.01.050 [34] CHEN X, SITU S P, ZHANG Q, et al. The synergetic control of NO2 and O3 concentrations in a manufacturing city of Southern China[J]. Atmospheric Environment, 2019, 201: 402-416. doi: 10.1016/j.atmosenv.2018.12.021 [35] BARZEGHAR V, HASSANVAND M S, FARIDI S, et al. Long-term trends in ambient air pollutants and the effect of meteorological parameters in Tabriz, Iran[J]. Urban Climate, 2022, 42: 101119. doi: 10.1016/j.uclim.2022.101119 [36] 曹娟. 汾河流域晋中市大气臭氧污染特征及成因分析[D]. 北京: 中国环境科学研究院, 2022. CAO J. Characterization and causes analysis of ground-level ozone in a typical city in Fen River Basin—Jinzhong[D]. Beijing: Chinese Research Academy of Environmental Sciences, 2022 (in Chinese).
[37] 曹媛, 宫明艳, 沈非, 等. 中国区域PM2.5浓度估算以及影响因素解析[J]. 大气与环境光学学报, 2023, 18(3): 245-257. doi: 10.3969/j.issn.1673-6141.2023.03.006 CAO Y, GONG M Y, SHEN F, et al. Estimation of PM2.5 concentration and analysis of influencing factors in China[J]. Journal of Atmospheric and Environmental Optics, 2023, 18(3): 245-257 (in Chinese). doi: 10.3969/j.issn.1673-6141.2023.03.006
-
点击查看大图
计量
- 文章访问数: 758
- HTML全文浏览数: 758
- PDF下载数: 19
- 施引文献: 0
