风速和风向对成都市主要污染物季节变化的影响研究

四川大学    徐阔，龙恩深，丁珮，金正浩

       【摘  要】风速对城市内的空气污染物的影响很大，但较少有研究在关注污染物季节性变化的同时，考虑风向对污染物浓度变化的影响。本文利用作者搜集的成都市全年的风速、风向、PM10、PM2.5和NO2的逐时数据，分析了风速和风向对三种污染物季节性变化的影响。结果表明，风速和三种污染物均有明显的季节性变化规律，污染物的浓度均值随着风速的增加而减小。考虑风向的影响后，春季和秋季时段的平均风速与三种污染物浓度变化的关联更密切。对成都市主城区而言，正东方向的风速较大，正北方向为规划时的主风向，这两个城市方位存在的污染源对空气质量有较大影响。

       【关键字】风速; 风向; 污染物; 季节性变化; 城市空间方位;

       【基金项目】国家重点研发计划(2016YFC0700400)，国家自然科学基金（51778382）

Abstract: Wind speed can have significant influence on the air pollutants in urban area, but few studies have focused on the influence of the wind direction on the variations in air pollutants. This paper has utilized the hourly-averaged data of the wind speed, wind direction, PM10, PM2.5 and NO2 over a year in Chengdu, which were manually collected by authors, and the influence of the wind speed and direction on diurnal variations in three main pollutants was analyzed. Results showed that, the wind speed and pollutant concentrations were varied significantly over seasons, and the pollutant concentrations decreased as wind speed increased. After considering the influence of wind direction, the averaged wind speed and pollutant variations in three pollutants were more closely related over the spring and autumn seasons. For the downtown area of Chengdu, the wind speed is high when wind is coming from the east direction and the north is the prevailing wind direction within urban planning, and pollutant sources in the corresponding orientations can have a large impact on the air quality in downtown area.

1  背景介绍

       随着经济和社会的发展，大城市的空气污染问题日益突出。空气污染物大多呈现季节性变化，但是相关研究多采用日均或月均数据^{[1, 2]}；涉及到小时尺度的实测数据，大多仅能维持几日或几周，对全年8760 h小时的监控和分析很少。同时，以往的许多研究虽证实了风对空气污染物的作用，但研究的空间尺度宏观、时间跨度很短^[3-5]。另外，许多研究虽然证明了风向和风速对污染物的作用^{[1, 5-14]}，但并未考虑在不同风向的影响下，风速和不同的城市空间的方位对污染物浓度变化的影响。

       成都是中国西南的超大城市之一，也是典型的内陆城市，受外部风沙侵袭等的影响很小^[15]。成都属于亚热带季风气候，常年的静风频率较高，无风和风向不定的小时数占据全年半数以上时间，年均风速仅为1.0- 1.7 m/s，因此不利的风环境条件是空气污染物难以扩散的重要原因。在成都市环保局公布的空气污染物中，PM₁₀、PM_2.5和NO₂经常超出空气质量标准，是主要的空气污染物。其中，PM10和PM2.5是颗粒污染物，其存在周期分别为1-2周和数月，可表征较长时段内的污染情况；NO₂是气态污染物、主要来源于机动车交通，因其存在周期很短，因此可表征本地污染的实时变化情况^[16]。这些污染物的来源广泛，既可能来自城市外围的工业区，也有可能产生自城市建设过程。成都市周边的卫星城有特定职能，例如，郫都区集中有工业区，其北部方向还有彭州石化等大型重工业；龙泉驿区集中有汽车制造产业链，而温江区定位于科技创新中心。

       本文试图通过分析风速和三种污染物随季节变化的规律，以进一步确定在全年的不同季节中，风向和风速对污染物浓度的影响；通过对成都市特定的风向及其对应城市空间方位进行分析，以进一步判断，是该城市空间方位存在污染源还是此风向上的城市空间不利于污染物扩散，进而指导城市空间的合理调整。

2  数据搜集和分析方法

       本文搜集了从2015.12.19至2016.12.18期间，共8760小时的风向、风速和污染物数据。其中，风向和风速的实时数据采集自城郊、依托机场设立的监测点，由气象网站实时发布。污染物数据由当地的环保部门实时监测，通过成都市环境监测中心站的系统发布。为了尽量接近市中心、远离密集道路网，同时靠近风向、风速数据采集点，本文选取了“武侯科技园”监测点的污染物数据。另外，对成都市主城区内的其他13个空气质量监测点初步分析后发现，各监测点的污染物实时数据相差较小，因此本文在分析风向对污染物浓度的影响时，排除了成都市主城区范围内的污染源情况，而仅分析主城区范围外的污染源情况。另外，图1给出了气象和污染物监测点的具体位置，并以该污染物监测点为中心，划定了与风向对应的16个城市空间方位。其中，龙泉驿区分布于方位1上，郫都区位于方位5和6附近，温江区位于方位8上。

       为直观的研究风速、风向和污染物的季节性变化规律，在数据处理阶段，以中国农历的四个节气——“立春”(16.02.04)，“立夏”(16.05.05)，“立秋”(16.08.06)和“立冬”(16.11.07)——为节点，将8760小时的数据划分为冬季、春季、夏季和秋季共四个时段。表1给出了这四个时段的时间范围及小时数，每小时均对应一组风速、风向和三种污染物的数据，各时段的小时数分别为2112、2184、2232和2232小时。

       在此基础上，表2给出了按照风向条件对四季各时段小时数据的分类统计结果，风向条件可分为无风、风向不定和风向明确三种状态。排除无风和风向不定状态后，风向明确状态又可按照16个风向进一步细分。可以看出，16个风向的风频呈现明显的两组峰值，风向NE to N (4), N (5)和NW to N (6)为一组峰值，风向SW (11), SW to S (12)和S (13)为另一组峰值；其中，风向N (5)的风频最大，风向SW to S (12)次之。除峰值外，还存在一组谷值：风向NW (7), NW to W (8)和W (9)，其中风向NW to W (8)的风频最小。风频较大的风向具有较高的利用价值，如上风向没有明显的外来污染源，则可考虑拓展此方向的城市风道，加快扩散效率；而在风频较小的城区方位上，应减少污染源、避免就近污染。为进一步分析风速和风向对PM10、PM2.5和NO2的影响，需要按照16个风向，分别对四季各时段的风速和污染物小时数据取均值，以便将各风向对应的风速和污染物均值数据用以进一步分析。

       *E(1)为正东方向，NE to E (2)为东北偏东方向，NE (3)为东北方向，NE to N (4)为东北偏北方向，N (5)为正北方向，NW to N (6)为西北偏北方向，NW (7)为西北方向，NW to W (8)为西北偏西方向，W (9)为正西方向，SW to W (10)为西南偏西方向，SW (11)为西南方向，SW to S (12)为西南偏南方向，S (13)为正南方向，SW to S (14)为西南偏南方向，SE (15)为东南方向，SE to E (16)为东南偏东方向。

3.分析结果

       图2给出了三种污染物的浓度值和风速在四季各月份的平均值及波动范围。可以看出，（1）三种污染物的浓度均值在冬季月份最高、在夏季月份最低，呈现出明显的季节变化规律。PM₁₀、PM_2.5和NO₂的浓度均值曲线走势基本一致（PM污染物的曲线走势较为一致，而NO2的曲线走势较为平缓），在全年的月份变化中基本呈双谷曲线：在夏季7月份出现全年的谷值，浓度均值分别为65 μg/m³，42 μg/m³和50 μg/m³；在春季2月份还出现了小幅度的波谷；此外，冬季12月份出现全年的峰值，浓度均值分别为215 μg/m³，160 μg/m³和85 μg/m³。在2月份出现的波谷与三种污染物在3月份的浓度均值偏高有关，这可能是受到外来污染源的影响，也可能与当地的倒春寒现象有关。（2）风速在全年各月份的变化情况用柱状图表示，将各月的风速均值连成曲线后可以看出，风速在全年的走势也呈双谷曲线，但与三种污染物的浓度均值曲线的走势相反，却并未很好的耦合。风速均值最高的5月份达到了1.85 m/s，而风速均值最低的12月份仅为1.07 m/s；另外，在2月和9月出现了背离走势的低风速、均维持在1.35 m/s。（3）对比污染物浓度和风速变化情况可以发现，风速均值在3月高于1.55 m/s之后，三种污染物的浓度均值开始显著下降；而当风速均值在8月之后低于1.55 m/s之后，尤其是风速均值在10月份降至1.47 m/s后，三种污染物的浓度均值开始显著上升；在风速最低的12月份，三种污染物的浓度值最高。风速的变化趋势与三种污染物的浓度曲线呈现明显的负相关，即风速越大、污染物浓度越低。

       为进一步分析风向和风速对污染物的影响，在排除无风和风向不定状态后，将风速和三种污染物的浓度值按照16个风向进行分类，并分别求出均值。图3给出了16个风向对应的平均风速对污染物浓度均值的影响。为便于直观的比较，图中还给出了平均风速和污染物浓度均值的线性关系式，可以看出，平均风速与三种污染物的浓度均值大致呈负相关， 即风速越大、污染物浓度均值越低。然而，对比冬季（图3a）、春季（图3b）、夏季（图3c）和秋季（图3d）后发现，平均风速与PM10、PM2.5和NO2浓度均值的线性R2在过渡季节（春季分别为0.648，0.692和0.7，秋季分别为0.711，0.693 和0.479）高于冬季（分别为0.519，0.443和0.618），而在夏季的线性R2是最低的（分别为0.148，0.177和0.442）。并且在冬季和夏季时段，风速与三种污染物的线性R2均小于0.6，这说明，虽然能看出风速与三种污染物的浓度变化呈负相关，但在考虑风向的影响后，仅靠风速难以解释污染物浓度的变化情况。然而，总体而言，在春季和秋季时段，16个风向对应的平均风速与三种污染物的浓度变化有更密切的联系，风速越大、三种污染物的浓度值越低。通过图3（b）和3（d）可以明显的看出风向和风速对三种污染物的影响规律，而图3（a）和3（c）给出冬季和夏季的污染物浓度的变化规律较为复杂，仅靠风向和风速难以进行解释，这就需要从污染源角度——各风向对应的城市空间方位上是否存在污染源——进行综合判断。

       图4（a）给出了16个风向在冬季时段对应的污染物浓度均值和风速。可以看出，在风向6、7、10、11和12时，其对应的PM10、PM2.5和NO2分别超过了160 μg/m³、115 μg/m³和80 μg/m³，需要对以上风向及其对应的城市空间方位进行重点分析。风向6（NW to N，西北偏北方向）和7（NW，西北方向）的风速很小（均低于1.25 m/s），虽然风向6的风频较大（7.21 %），但是其对应的污染物浓度较高的原因，既可能是该方向上的风环境条件不佳，也有可能是该方向上存在污染源。风向10（SW to W，西南偏西方向）和11（SW，西南方向）的风环境条件一般，其对应的风频分别为2.74 %和9.58 %，但风速仅维持在1.5 m/s左右，因此难以判断污染物浓度较高的原因是风环境条件不佳还是该方向上存在污染源。风向12（SW to S，西南偏南方向）的风频很大（达到了16.30 %），然而风速也仅维持在1.5 m/s左右，同样无法判断是风环境条件不佳还是该方向上存在污染源。城市规划领域对主导风向的定义多指风频较大的风向，然而由这部分分析可看出，风频大的风向其对应的风速并不一定大，而污染物扩散多取决于风速，因此仅凭风玫瑰图判断城市上风向的常规做法有待深入探讨。

       图4（b）给出了夏季时段的情况，在风向1、6、7和8时，其对应的PM10、PM2.5和NO2分别超过了80 μg/m³、48 μg/m³和50 μg/m³。风向1（E，正东方向）的风速较大（达到2.65 m/s），污染物浓度值理应较低；但图4给出的实际情况是，该风向对应的污染物浓度值较高，因此该城市空间方位存在显著污染源的可能性很高。风向8（NW to W，西北偏西方向）的风速和风频是最低的，污染物浓度较高应被归因于风环境条件不佳。

       通过各风向对应的污染物浓度值，可以看出除16个风向的风速和风频影响外，16个城市空间方位可能对成都市主城区空气污染状况的影响。结合成都当地的社会发展现状，正东方向（1）对应着龙泉驿区，集中的汽车加工产业链，因此存在显著污染源的可能性很高；正东方向的风速较大，虽然不处于成都市的主导风向上，但会对成都市的空气质量产生一定影响。西北偏北方向（8）对应着温江区，该方向上的通风条件不佳，不利于污染物扩散，应尽量避免或疏解此方向上可能出现的污染源。

4.结论

       （1）三种污染物的浓度均值在冬季月份最高、在夏季月份最低，呈现出明显的季节变化规律。并且，风速越大、污染物浓度越低。风速均值在3月高于1.55 m/s之后，三种污染物的浓度均值开始显著下降；而当风速均值在8月之后低于1.55 m/s之后，尤其是风速均值在10月份降至1.47 m/s后，三种污染物的浓度均值开始显著上升；在风速最低的12月份，三种污染物的浓度值最高。

       （2）在春季和秋季时段，16个风向对应的平均风速与三种污染物浓度变化的关联更密切，三种污染物的浓度均值随着风速的增加而减小。而在冬季和夏季时段，但在考虑风向的影响后，仅靠风速难以解释污染物浓度的变化情况。

       （3）对成都市主城区而言，正东方向的风速较大，会对成都市的空气质量产生一定影响；而正北方向的风环境条件最好，属于成都市的上风向，应着力疏解或治理此方向上的污染源；西北偏北方向的通风条件不佳，不利于污染物扩散，应尽量避免或疏解此方向上可能出现的污染源。

       （4）城市规划领域对主导风向的定义多指风频较大的风向，然而风频大的风向其对应的风速并不一定大，而污染物扩散多取决于风速，因此仅凭风玫瑰图判断城市上风向的常规做法有待深入探讨。

参考文献：

       [1] Bangtian Zhou HS, Ye Huang, Wei Li, Han Chen, Yanyan Zhang, Shu Su, Yuanchen Chen, Nan Lin, Shaojie Zhuo, Qirui Zhong, Junfeng Liu, Bengang Li, Shu Tao. Daily variations of size-segregated ambient particulate matter in Beijing. Environmental pollution 2015;197:36-42.
       [2] Guoliang Shi XP, Jiayuan Liu, Yingze Tian, Danlin Song, Haofei Yu, Yinchang Feng, Armistead G. Russell. Quantification of long-term primary and secondary source contributions to carbonaceous aerosols. Environmental pollution 2016;219:897-905.
       [3] Fu GQ, Xu WY, Yang RF, Li JB, Zhao CS. The distribution and trends of fog and haze in the North China Plain over the past 30 years. Atmospheric Chemistry and Physics 2014;14:11949-58.
       [4] Wang HCH. Haze Days in North China and the associated atmospheric circulations based on daily visibility data from 1960 to 2012. Journal of Geophysical Research 2015;120(12):5895-909.
       [5] Hongbo Fu JC. Formation, features and controlling strategies of severe haze-fog pollutions in China. The Science of the total environment 2016;578:121-38.
       [6] D. M. Westervelt LWH, V. Naik, A. P. K. Tai, A. M. Fiore, D. L. Mauzerall. Quantifying PM2.5-meteorology sensitivities in a global climate model. Atmospheric Environment 2016;142:43-56.
       [7] Mohammed S. Alam IJK, Jianxin Yin, Christopher Stark, Alan M. Jones, Roy M. Harrison. Diurnal variability of polycylic aromatic compound (PAC) concentrations: Relationship with meteorological conditions and inferred sources. Atmospheric Environment 2015;122:427-38.
       [8] Matevz Poberznik E. The effects of air mass transport, seasonality, and meteorology on pollutant levels at the Iskrba regional background station. Atmospheric Environment 2016;134:138-46.
       [9] Stefania Squizzato MC, Elena Innocente, Flavia Visin, Philip K. Hopke, Giancarlo Rampazzo. Urban air quality in a mid-size city- PM2.5 composition, sources and identification of impact areas: From local to long range contributions. Atmospheric Research 2017;186:51-62.
       [10] Jones AM, Harrison RM, Baker J. The wind speed dependence of the concentrations of airborne particulate matter and NOx. Atmospheric Environment 2010;44:1682-90.
       [11] Carslaw D, Beevers S, Ropkins K, Bell M. Detecting and quantifying aircraft and other on-airport contributions to ambient nitrogen oxides in the vicinity of a large international airport. Atmospheric Environment 2006;40:5424-34.
       [12] M. Kumar ST, V. Murari, A. K. Singh, T. Banerjee. Wintertime characteristics of aerosols at middle Indo-Ganetic Plain: Impacts of regional meteorology and long range transport. Atmospheric Environment 2015;104:162-75.
       [13] Uria-Tellaetxe I, Carslaw DC. Conditional bivariate probability function for source identification. Environmental Modelling & Software 2014;59:1-9.
       [14] Grundström M, Hak C, Chen D, Hallquist M, Pleijel H. Variation and co-variation of PM10, particle number concentration, NOx and NO2 in the urban air – Relationships with wind speed, vertical temperature gradient and weather type. Atmospheric Environment 2015;120:317-27.
       [15] Chen Y, Luo B, Xie S-d. Characteristics of the long-range transport dust events in Chengdu, Southwest China. Atmospheric Environment 2015;122:713-22.
       [16] Tan P-H, Chou C, Liang J-Y, Chou CCK, Shiu C-J. Air pollution “holiday effect” resulting from the Chinese New Year. Atmospheric Environment 2009;43:2114-24.

       备注：本文收录于《建筑环境与能源》2018年10月刊总第15期（第21届暖通空调制冷学术年会文集）。
                 版权归论文作者所有,任何形式转载请联系作者。