中国环境科学

作者：张莹, 张婕, 王式功, 康平, 张家熙, 张小玲, 李运超

单位：1. 成都信息工程大学大气科学学院/高原大气与环境四川省重点实验室/气象环境与健康研究院, 四川 成都 610225;2. 中国科学院大气物理研究所, 大气边界层物理和大气化学国家重点实验室, 北京 100029;3. 北京城市气象研究院, 北京 100089

关键词：GAMs模型,PM2.5浓度变化,影响因素,交互作用

基金：四川省重大科技项目（2018SZDZX0023）；四川省科技厅应用基础研究项目（2020YJ0425）；成都市科技厅技术创新研发项目：（2018-YF05-00219-SN）；国家自然科学基金资助项目（42005136）；中国博士后科学基金（2020M670419）；四川省教育厅项目（2018Z114）；成都信息工程大学科研项目（KYTZ201723）

为探究大气环境中污染物与气象要素交互作用对PM2.5浓度变化的影响特征，利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料，采用广义相加模型（GAMs）分析不同影响因素对当地PM2.5浓度变化的影响效应.结果表明，单影响因素GAMs模型中，无论全年还是冬季，PM2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O3、NO2、SO2和CO间均呈非线性关系，其中CO、NO2、SO2、T和Wind对PM2.5浓度影响较大，与全年不同的是，冬季T和O3对PM2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中，T、Wind、RH、CO、NO2、SO2和O3这7个解释变量对PM2.5浓度变化的影响均较显著，构建的全年多影响因素GAMs模型调整后的R2=0.759，方差解释率为76.42%，冬季R2=0.708，方差解释率为72.2%，无论是全年还是冬季，CO都是PM2.5浓度变化的主导影响因素.GAMs交互效应模型发现，全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO2+高浓度SO2协同作用条件下有利于PM2.5浓度的生成；冬季低Wind+高RH+高浓度CO+高浓度NO2+高浓度SO2共存条件下有利于PM2.5的生成，即该条件对PM2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM2.5污染的主导影响因素进行识别，并定量化分析影响因素单效应及其交互作用对PM2.5浓度变化的影响特征，对PM2.5浓度污染防控研究具有重要指示意义.

来源：2021年第10期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2021年第10期