陈志青¹, 邵天杰¹, 赵景波^1,2, 曹军骥², 岳大鹏¹
1. 陕西师范大学地理科学与旅游学院, 西安 710119;
2. 中国科学院地球环境研究所气溶胶化学与物理重点实验室, 西安 710061
收稿日期: 2020-03-23; 修回日期: 2020-06-13; 录用日期: 2020-06-13
基金项目: 中国科学院气溶胶化学与物理重点实验室项目(No.KLACP-2018-01);国家自然科学基金(No.41671213);中央高校基本科研业务费专项项目(No.GK201803055)
作者简介: 陈志青(1983-), 女, E-mail:zhiqing0616@163.com
通讯作者（责任作者）: 邵天杰, E-mail:tjshao2010@126.com

摘要：采用重心模型、空间自相关分析、地理探测器，研究了2016年东北地区O₃浓度的空间分布格局及演变规律，揭示了气象因素和前体物对东北地区O₃浓度空间分布格局及演变的影响.结果表明：东北地区O₃-8 h-P90分布整体呈南高北低的态势，O₃浓度的高值区及超标天数比例较高的地区都集中分布在环渤海地区的沿海城市；气温是影响O₃年均浓度空间格局演变的主导因素，随着气温的变化，O₃年均浓度空间分布格局呈现空间分异不明显-南高北低-空间分异不明显的演变特征；前体物是核心城市形成局部O₃污染的主要原因，其影响力的大小受温度的影响，温度越高，光化学反应越强，前体物的正向影响力越大，温度越低，光化学反应越弱，化学性质活跃的前体物对O₃可能起消耗作用.
关键词：臭氧浓度空间格局演变前体物气象要素地理探测器东北地区
Evolution and influencing factors of ozone concentration spatial distribution in Northeastern region
CHEN Zhiqing¹, SHAO Tianjie¹, ZHAO Jingbo^1,2, CAO Junji², YUE Dapeng¹
1. School of Geography and Tourism, Shaanxi Normal University, Xi'an 710119;
2. Key Laboratory of Aerosol Chemistry and Physics, Institute of Earth Environment, Chinese Academy of Sciences, Xi'an 710061
Received 23 March 2020; received in revised from 13 June 2020; accepted 13 June 2020
Abstract: Based on the methods of gravity center model, spatial autocorrelation analysis and geographical detector, this paper studied the evolution and spatial distribution of ozone concentration in Northeastern region of China in 2016, revealed the impact of meteorological factors and precursors on the spatial distribution and evolution of ozone concentration. The results showed that:the O₃-8 h-P90 of southern part was higher than that of northern part in the Northeastern region in general, the areas of high O₃ concentration and high proportion of over-standard days were concentrated in coastal cities around the Bohai Rim region. The evolution of the spatial pattern of O₃ annual average concentration was mainly affected by temperature, with the change of temperature, the evolutionary of O₃ concentration spatial pattern went through a not obvious spatial differentiation-higher in the south and lower in the north-not obvious spatial differentiation in 2016. The local O₃ pollution in core cities generated mainly because of precursors, its influence was affected by the temperature, a stronger photoreaction, as a result of rising temperature, positively magnified the impact of precursors, while the decreasing temperature weakened photoreaction, which, as a result, may promote ozone consumption.
Keywords: ozone concentrationspatial distribution and evolutionprecursorsmetrological factorsgeographical detectorNortheastern region
1 引言(Introduction)近年来, 在PM_2.5、SO₂、NO₂等大气污染物浓度逐年下降的背景下, O₃浓度不降反升(Yin et al., 2019), 并已成为我国仅次于PM_2.5的重要大气污染物(Wang et al., 2016；黄小刚等, 2019a), 目前O₃污染治理面临严峻挑战.科学认识O₃浓度的变化规律及其影响因素, 对O₃污染的科学防控具有重要意义.国内外****从不同时空尺度对O₃浓度的变化规律及其影响因素进行了广泛研究.小尺度的一般以单个重点污染城市为研究单元, 研究O₃浓度的昼夜变化规律、季节变化规律和年际变化特征, 并通过统计学方法分析气象因素对O₃浓度变化的影响(Botlaguduru et al., 2018；Chen et al., 2019；黄小刚等, 2020), 或通过模式模拟的方法确定O₃对前体物的生成敏感性(Li et al., 2011; Kang et al., 2013；Wei et al., 2015；贾海鹰等, 2017).中、大尺度的一般以省域、城市群或全国为研究单元, 研究O₃浓度的时间变化特征, 或采用空间自相关分析、热点分析等方法研究O₃浓度的空间演化规律, 并利用相关分析(刘建等, 2017)、多元非线性回归分析(赵旭辉等, 2018)、灰色关联模型(南国卫等, 2017)、广义相加模型(GAM)(胡成媛等, 2019)、神经网络模型(沈路路等, 2011)、地理探测器(黄小刚等, 2019b；Liu et al., 2020)等方法研究O₃浓度空间分布的影响因素.
尽管现有研究取得了较为丰硕的成果, 但仍存在以下不足：①研究区域主要集中在京津冀、长三角、珠三角等经济发达地区, 对东北地区的研究相对较少, 且主要集中在沈阳(刘闵等, 2017)、哈尔滨(刘玉莲等, 2018)等大城市.东北地区中北部是我国主要的O₃浓度低值区之一(黄小刚等, 2019a), 在我国O₃浓度逐年上升的背景下, 研究其时空演变规律及其低值的成因对深入认识O₃污染的形成和分布具有重要意义.②由于社会经济统计资料来源的限制, O₃浓度分布影响因素方面的研究主要以年均值为主, 对O₃浓度分布的月度变化规律及其影响因素的研究相对较少.本文基于2016年O₃实时监测数据、气象数据和前体物排放清单, 利用克里金插值、重心模型、空间自相关分析等方法, 研究东北地区O₃浓度空间分布的月度演变规律, 并利用地理探测器揭示其影响因素, 以期为O₃污染防控提供科学依据.
2 材料与方法(Materials and methods)2.1 数据来源O₃日评价指标使用O₃日最大8 h滑动平均浓度(以下简称O₃-8 h), 数据来源于2016年东北地区41个城市的国控监测站点, 原始数据从全国城市空气质量实时发布平台(http://106.37.208.233:20035/)获取.数据有效性严格按照《环境空气质量标准(GB 3095—2012)》(中国环境科学研究院, 2012)执行, 计算月均值时, 每月至少有27个有效的O₃-8 h浓度值(2月至少有25个).O₃年评价指标为O₃日最大8 h滑动平均浓度第90百分位数(以下简称O₃-8 h-P90).评价标准按《环境空气质量指数(AQI)技术规定(试行)(HJ 633—2012)》(环境保护部科技标准司, 2013)执行, O₃空气质量划分为6个等级：优(0~100 μg · m^-3)、良(101~160 μg · m^-3)、轻度污染(161~215 μg · m^-3)、中度污染(216~265 μg · m^-3)、重度污染(266~800 μg · m^-3)和严重污染(＞800 μg · m^-3), 其中, 轻度污染及以上为超标.
近地面O₃浓度是局地光化学反应(生成和去除)和区域传输(输入和输出)共同作用的结果(Su et al., 2018), 其中, 前体物是光化学反应的物质基础, 太阳辐射是光化学反应的必要条件, 降水、风和相对湿度等则对O₃的清除、传输和沉降有重要影响.因此, O₃浓度影响因素主要从前体物排放量和气象因素两方面选取.前体物排放量来源于中国多尺度排放清单模型(MEIC), MEIC是一套基于云计算平台开发的中国大气污染物和温室气体人为源排放清单模型, 集成了最新的动态排放清单方法, 拥有本地化的排放因子数据库, 可为科学研究和空气质量管理工作提供高分辨率的动态排放清单数据(Li et al., 2017), 在大气污染物的时空排放特征及空气质量的模拟研究方面已得到较好的应用(Geng et al., 2015; Li et al., 2017).从2008年开始, MEIC每2年公布一次大气污染物网格化排放清单, 最新公布的年份为2016年, 因此, 本文选定的评价年份为2016年, 评价指标选取VOCs、NO_x和CO等3种主要O₃前体物(图 1).气象数据来源于中国气象数据网(http://data.cma.cn/site)发布的中国地面气候资料日值数据集(V3.0), 数据及原始数据文件已经过严格的质量控制和审核.由于太阳辐射数据较难获取, 研究表明太阳辐射与气温有显著的正相关关系(段晓瞳等, 2017), 因此, 本文使用气温来表征太阳辐射的影响, 最终评价的气象指标包括气温、相对湿度、日照时数、降水量和风速等5项.由于部分气象站与空气质量监测站点相距较远, 为提高分析精度, 先使用Anusplin 4.2以DEM为协变量将气象指标插值成栅格, 再利用ArcGIS 10.2提取各监测站点的气象指标(图 1).
图 1(Fig. 1)

图 1 2016年东北地区主要O3前体物和气象因素空间分布 Fig. 1Spatial distribution of major O3 precursors and meteorological factors in Northeast China in 2016

2.2 研究方法2.2.1 重心模型为深入分析O₃浓度空间分布格局与变化特征, 引入物理学中的重心概念, 建立重心模型, 通过重心的变动轨迹、迁移方向和迁移速率来揭示O₃浓度在空间上的动态演变过程及规律.定义O₃浓度重心的X、Y坐标见式(1)~(2)(周亮等, 2017).

(1)

(2)

式中, X、Y为O₃浓度重心的地理坐标；n为城市数量；X_i、Y_i为城市i中心点的地理坐标；W_i为城市i的O₃浓度值.
2.2.2 空间自相关分析空间自相关是指地理事物或属性具有对空间位置的依赖关系, 并且空间位置上越靠近相关性就越强.本文采用全局Moran′s I来测度东北地区O₃浓度的空间自相关性.若I＞0, 表示O₃浓度空间分布呈正相关, 且值越大表示相似的值(高值或低值)越趋于空间集聚；若I＜0, 表示O₃浓度空间分布呈负相关, 且值越小表示相似的值趋于分散分布；若I=0, 表示O₃浓度空间分布呈独立、随机状态, 没有相关性.I值具体计算方法见式(3)(程红霞等, 2014).

(3)

式中, x_i、x_j分别为研究区域内城市i、j的O₃浓度值；ω_ij为空间权重矩阵；n为研究区域内的城市个数；x为研究区域O₃浓度平均值.
采用Z检验对全局Moran′s I进行显著性检验, 计算方法见式(4).

(4)

式中, E(I)为全局Moran′s I的数学期望；VAR(I)为全局Moran′s I的变异系数.
2.2.3 冷热点分析全局空间自相关分析可以反映整个研究区域的集聚或者离散态势, 但不能反映局部区域的具体情况.本文通过计算Getis-Ord指数的G_i^*值对O₃浓度在局部地区的集聚或离散效应进行分析, 并探测热点区和冷点区的具体位置, 计算方法见式(5)(李芳林等, 2018).

(5)

式中, x_j为城市j的O₃浓度值；ω_ij为空间权重矩阵；S为标准差；x为O₃浓度平均值；n为城市个数.G_i^*计算结果即为Z值, 结果为正且显著, 则为高值集聚区(热点), 结果为负且显著, 则为低值集聚区(冷点), 且G_i^*绝对值越大表明高值或低值的聚集越紧密.
2.2.4 地理探测器地理探测器是用来探测事物空间分异性并揭示其背后驱动力的一组统计学方法.由于该模型可以克服传统统计方法处理变量的局限性, 被广泛应用于探测地理要素空间格局成因和机理的研究.模型中的因子探测可以识别影响因子, 是研究复杂地理因素驱动作用机理的有效工具, 其通过比较某一环境因素和地理事物的变化在空间上是否有显著的一致性, 来判断环境因素对地理事物的重要作用和意义(王劲峰等, 2017).本文使用该模型中的因子探测器来检测气象因素和前体物对O₃浓度空间分异的驱动力及其大小, 计算方法见式(6)(黄小刚等, 2019a).

(6)

式中, P_{D, H}为评价因子D对O₃浓度分布变化的解释力；H为因子D的次级分区；N为研究区总样本数；σ_H²为研究区O₃浓度的方差；N_{D, i}为次级分区的样本数量；m为次一级分区的数量.P_{D, H}的取值范围为[0, 1], 值越大, 表示影响因子D对O₃浓度变化的影响越大, 能更大程度地解释O₃浓度的空间分异特征.
因地理探测器不能识别探测因子的影响方向, 本文采用相关分析为数值型因子确定影响方向, 探测因子与O₃浓度呈正相关关系则确定为正向影响, 呈负相关关系则为负向影响.
3 结果(Results)3.1 O₃年均浓度分布特征2016年东北地区O₃-8 h-P90平均值为131 μg · m^-3, 超标天数比例为5.1%, 低于全国O₃-8 h-P90平均值(138 μg · m^-3)和超标天数比例(5.2%).利用克里金插值法对东北地区O₃-8 h-P90浓度进行插值(图 2), 结果表明, 东北地区O₃-8 h-P90分布整体呈南高北低的态势.辽宁省O₃-8 h-P90最高, 平均值为158 μg · m^-3, 超标天数比例为9.5%.按O₃-8 h-P90>160 μg · m^-3为年评价指标超标计, 2016年东北地区共有9个城市年评价指标超标, 均位于辽宁省, 其中, 环渤海地区的大连、葫芦岛、锦州、盘锦和营口等沿海城市O₃浓度最高.吉林省其次, O₃-8 h-P90平均值为137 μg · m^-3, 超标天数比例为4.6%.黑龙江省最低, O₃-8 h-P90平均值为98 μg · m^-3, 超标天数比例为0.7%, O₃超标较少发生.
图 2(Fig. 2)

图 2 2016年东北地区空气质量监测站及O3年均浓度分布 Fig. 2Spatial distribution of air quality monitoring sites and ozone annual concentration in Northeastern region in 2016

3.2 O₃月均浓度时空变化特征东北地区O₃月均浓度变化曲线呈倒V型(图 3), 1—5月O₃浓度逐渐升高, 并在5月达到最大值(125 μg · m^-3), 6—12月O₃浓度逐渐下降, 12月达到最小值(47 μg · m^-3).5月O₃月均浓度是12月的2.7倍, O₃浓度的时间分异非常明显.辽宁、吉林和黑龙江的O₃月均浓度变化曲线与东北地区基本一致, 但整体上呈辽宁>吉林>黑龙江, 且省际差异呈现规律变化过程.
图 3(Fig. 3)

图 3 2016年东北地区O3月均浓度及超标率变化特征 Fig. 3Characteristics of monthly average concentration and over-standard rate of O3 in Northeast China in 2016

进一步利用克里金插值法对东北地区O₃月均浓度分别进行插值(图 4), 结果表明, 1年内东北地区O₃浓度空间分布格局经历了由空间分异不明显到南高北低再到空间分异不明显的演变过程.
图 4(Fig. 4)

图 4 2016年东北地区O3浓度空间格局演变特征 Fig. 4Evolution of ozone concentration spatial distribution in Northeastern region in 2016

1—2月O₃浓度相对较低, 空间分异也不明显.1月东北地区O₃浓度为34~74 μg · m^-3, 平均浓度为53 μg · m^-3；2月东北地区O₃浓度为48~94 μg · m^-3, 平均浓度为69 μg · m^-3.O₃空气质量均为优, 各城市均无O₃超标现象发生.其中, 黑龙江、吉林、辽宁1月O₃的平均浓度分别为49、56和54 μg · m^-3, 2月的平均浓度分别为66、72和72 μg · m^-3, 各省O₃浓度的差异较小.
3—6月O₃浓度南高北低的格局逐步形成和加强, 其中, 6月达到最强.3—5月, 东北地区O₃浓度快速上升, 但南部的上升速度较北部快, O₃浓度南高北低的格局逐步形成和加强.东北地区O₃月均浓度由3月的89 μg · m^-3上升到125 μg · m^-3, 其中, 黑龙江由3月的77 μg · m^-3上升到96 μg · m^-3, 吉林由93 μg · m^-3上升到132 μg · m^-3, 辽宁由97 μg · m^-3上升到149 μg · m^-3, 辽宁与黑龙江的O₃浓度差值由21 μg · m^-3上升到53 μg · m^-3.6月O₃浓度整体开始下降, 但北部的下降速度较南部快, O₃浓度南高北低的格局达到最强.黑龙江O₃浓度下降的速度最快, 降到79 μg · m^-3, 较5月下降了17 μg · m^-3, 吉林、辽宁分别下降了5 μg · m^-3和1 μg · m^-3, 黑龙江与辽宁的O₃浓度相差68 μg · m^-3, O₃浓度南高北低的格局最明显.
7—10月O₃浓度南高北低的格局逐渐减弱.随着气温的降低, O₃浓度快速下降, 但南部下降的速度比北部快, O₃浓度南高北低的格局逐渐减弱.东北地区O₃月均浓度由7月的104 μg · m^-3下降到66 μg · m^-3, 其中, 黑龙江由80 μg · m^-3下降到57 μg · m^-3, 吉林由112 μg · m^-3下降到67 μg · m^-3, 辽宁由122 μg · m^-3下降到74 μg · m^-3.10月黑龙江与辽宁的O₃浓度差值已降至17 μg · m^-3.
11—12月O₃浓度相对较低, 空间分异已不明显.11月东北地区O₃浓度为39~73 μg · m^-3, 平均为54 μg · m^-3；12月东北地区O₃浓度为32~66 μg · m^-3, 平均为47 μg · m^-3.其中, 黑龙江、吉林、辽宁11月的O₃平均浓度分别为51、59和55 μg · m^-3, 12月的平均浓度分别为44、50和48 μg · m^-3, 各省O₃浓度的差异较小, 其中, 中部的吉林省甚至略高于南部和北部.
3.3 重心迁移规律利用重心模型, 分别计算2016年东北地区O₃年均浓度和各月月均浓度的重心, 通过O₃浓度重心的迁移轨迹、迁移方向和迁移速率来进一步考察东北地区O₃浓度分布格局的演变规律(图 5).结果表明, 各重心均位于吉林省四平市境内, 其中, 年度重心位于四平市区东北向约40 km处, 月度重心则以年度重心为中心, 在其东北-西南方向上有一次往复的迁移过程.1—2月O₃浓度重心最北, 均位于年度重心东北方向约43 km处.3—6月O₃浓度重心快速向西南方向迁移, 迁移距离80 km, 月均迁移距离20 km.7—11月O₃浓度重心北返, 但8—9月重心有一次逆向过程, 逆向迁移距离约30 km.因此, 10—11月O₃浓度重心北迁的速率最快, 迁移距离84 km, 月均迁移42 km.11、12月O₃浓度重心回到最北端, 与1、2月的重心位置相近, 完成了1年的周期循环.
图 5(Fig. 5)

图 5 东北地区O3浓度重心迁移轨迹 Fig. 5The movement of gravity center of ozone concentration in Northeastern region in 2016

3.4 空间集聚特征及其演化规律O₃浓度空间自相关分析结果表明(表 1), 2016年东北地区O₃年均浓度全局Moran′s I>0, 且通过了99%的显著性检验, 表明年均浓度分布具有显著的正的空间自相关, 浓度相似的城市趋于集聚分布.月均浓度分布中, 11月—次年2月Moran′s I未通过显著性检验, 呈随机分布状态；3—10月Moran′s I均大于0且通过99%的显著性检验, 空间分布具有显著的正的空间自相关.
表 1(Table 1)

表 1 2016年东北地区O3浓度空间自相关分析结果 Table 1 Global Moran′s I of ozone concentration in Northeastern region in 2016

表 1 2016年东北地区O3浓度空间自相关分析结果 Table 1 Global Moran′s I of ozone concentration in Northeastern region in 2016 月份 Moran′s I Z(I) p 1月 -0.025 0.035 0.972 2月 -0.107 -0.918 0.358 3月 0.272 3.447 0.001 4月 0.468 5.705 0.000 5月 0.524 6.373 0.000 6月 0.592 7.129 0.000 7月 0.519 6.284 0.000 8月 0.568 6.853 0.000 9月 0.607 7.345 0.000 10月 0.278 3.586 0.000 11月 -0.035 -0.079 0.937 12月 -0.008 0.226 0.821 全年 0.475 5.792 0.000

利用Getis-Ord G_i^*对具有正的空间自相关性的年均浓度和3—10月月均浓度的集聚区域进行识别(图 6).结果表明, O₃年均浓度具有南热北冷的集聚特征.通过显著性检验的年均浓度热点城市共19个, 主要分布在辽宁和吉林南部, 表明这些区域O₃浓度相对较高, 是东北地区O₃高污染区域.冷点城市共9个, 主要分布在黑龙江中北部, 表明这些区域O₃浓度相对较低, 是东北地区O₃空气质量优良区.3—10月O₃月均浓度的空间集聚特征与年均浓度相似, 也表现为南热北冷的格局.其中, 3—6月, 黑龙江中北部的冷点逐渐增多和加强, 热点则稳定地分布在辽宁和吉林南部.7—10月, 黑龙江中北部的冷点逐渐削弱, 辽宁和吉林南部的热点则逐渐向南消退, 最终演变为11月—次年2月的随机分布状态.
图 6(Fig. 6)

图 6 东北地区O3浓度空间集聚特征及演变规律 Fig. 6Spatial aggregation and evolution of ozone concentration in Northeastern region in 2016

4 讨论(Discussion)4.1 O₃年均浓度分布格局的影响因素解析O₃年均浓度分布影响因素的地理探测结果表明(表 2), 除风速和降水量外, 其余因子的影响力均通过了显著性检验, 对O₃浓度分布均有显著影响.通过显著性检验的因子中, 除相对湿度呈负向影响外, 其余因子均呈正向影响.研究表明, 太阳辐射是光化学反应的环境条件, 与O₃浓度有显著的正相关关系(李磊等, 2017).气温高、日照时数长的地区一般太阳辐射强, 因而气温、日照时数一般与O₃浓度有显著的正相关关系.相对湿度对O₃浓度的影响主要表现在两方面：一是高湿环境利于O₃的干沉降, 清除O₃(Kavassalis et al., 2017)；二是水汽的消光机制能使太阳辐射衰减, 使光化学反应速率减弱(Jacob et al., 2009).因此, 相对湿度一般与O₃浓度呈负相关关系.VOCs、NO_x和CO等前体物是光化学反应的物质基础, 它们的排放量一般与O₃浓度有显著的正相关关系.可见, 通过显著性检验的影响因子的影响方向均符合理论预期.由于东北地区气温、VOCs排放量、NO_x排放量和CO排放量的空间分布均大体为南高北低, 相对湿度则相反, 大体为北高南低(图 1), 在这些因子的共同作用下, 东北地区O₃年均浓度分布呈南高北低的格局.
表 2(Table 2)

表 2 影响因素地理探测结果 Table 2 Analysis results by geological detector

表 2 影响因素地理探测结果 Table 2 Analysis results by geological detector 月份 NOx VOCs CO 气温 日照 降水 湿度 风速 1月 0.019 0.036 0.019 0.035 0.006 -0.096 -0.026 0.015 2月 0.005 0.028 0.031 0.025 -0.033 -0.080 -0.058 0.185** 3月 0.026 0.167** 0.092 0.237** 0.018 -0.017 -0.020 -0.123 4月 0.180** 0.436*** 0.152* 0.455*** 0.147* 0.135* -0.132 -0.142* 5月 0.303*** 0.497*** 0.303*** 0.426*** 0.301*** 0.253** 0.034 -0.060 6月 0.397*** 0.548*** 0.428*** 0.666*** 0.394*** -0.191** -0.396*** 0.257** 7月 0.441*** 0.425*** 0.405*** 0.549*** -0.008 0.234** -0.168** 0.236* 8月 0.555*** 0.516*** 0.489*** 0.614*** 0.075 0.121 -0.014 -0.086 9月 0.365*** 0.401*** 0.118 0.626*** 0.637*** -0.492*** -0.059 -0.283*** 10月 0.157* 0.222** 0.086 0.380*** 0.008 -0.161* 0.129* -0.018 11月 -0.000 -0.119 -0.054 0.316*** 0.097 -0.106 -0.030 0.045 12月 -0.064 -0.065 -0.119 0.049 0.041 0.011 -0.148 0.011 年均 0.247** 0.357*** 0.233** 0.507*** 0.325*** 0.082 -0.139* 0.013 ??注：***、**、*分别表示通过了信度为99%、95%和90%的显著性检验.

在所有通过显著性检验的因子中, 气温的影响力(0.507^***)最大, 且显著高于其他因子, 是东北地区O₃年均浓度分布的主导因素.东北地区由南向北气温的梯度变化非常明显, 黑龙江、吉林和辽宁年均气温分别为3.2、6.1和9.6 ℃, 辽宁约为黑龙江省的3倍, 因而气温对东北地区O₃浓度有最大的识别度.东北地区中、北部O₃浓度全年较低, O₃超标较少发生, 就主要受气温低、太阳辐射较弱的影响.这与中国东部地区不同, 中国东部地区主要受降水和相对湿度南高北低的影响, O₃浓度分布格局总体呈北高南低(黄小刚等, 2019c).VOCs排放量(0.357^***)、NO_x排放量(0.247^**)、CO排放量(0.233^**)等前体物也有较大的影响力, 这是O₃污染具有城市群特征的主要原因.环渤海地区的城市O₃污染较严重, 除因气温高、太阳辐射强外, 经济发达、人类活动强度大、前体物排放量大也是重要原因, 而北部鹤岗、大庆、佳木斯等污染物排放量大的城市O₃浓度比周边城市高, 也是受前体物排放驱动的结果.相对湿度的影响力最小, 这可能与东北地区平均相对湿度较小有关.据曹庭伟等(2018)的统计, 相对湿度 < 60%时, O₃浓度与相对湿度有正相关关系；相对湿度≥60%时, O₃浓度与相对湿度有负相关关系, 且相对湿度越大, O₃浓度下降越明显.东北地区各市相对湿度在56%~71%之间, 平均相对湿度为64%, 相对湿度空间差异较小且接近60%这一负相关的下限值, 故而对O₃浓度空间分异的影响力较小.
一般来说, 风是空气质量改善的重要气象条件, 风速越大扩散能力越强(刘姣姣等, 2014).降水量大不仅意味着阴天天气多, 大阳辐射弱, 且降水本身对O₃及其前体物均有冲刷作用, 能显著降低O₃浓度(韩立会等, 2017).因此, 风速、降水量一般与O₃浓度呈负相关关系.然而本次评价结果显示, 这两指标的影响力均不显著, 这可能与东北地区风速和降水量相对较小有关.东北地区的年降水量一般在400~800 mm之间, 且降水比较集中, 这与降水量相对较高的中国东部地区不同(黄小刚等, 2019c).东北地区风速为1.5~4.2 m · s^-1, 平均风速为2.7 m · s^-1, ≥4.0 m · s^-1的天数比例仅为2.8%.已有研究表明, 在风速较低时, 风对污染物的扩散作用不明显(严仁娥等, 2018), 当风速>4.0 m · s^-1时, 风速与污染物浓度呈显著负相关(Han et al., 2016).
4.2 O₃浓度分布格局演变的影响因素解析分别对东北地区各月O₃分布的影响因素进行探测, 以识别东北地区O₃分布格局演变的主导因素.结果表明(表 2), 各因素的影响主要表现在3—10月, 11月—次年2月各因素的影响力多未通过显著性检验.这是因为11月—次年2月东北地区气温普遍较低, 光化学反应普遍较弱, O₃的空间分异不明显, 因而各因素对O₃分布的区分度普遍不高.3—10月光化学反应活跃阶段, 各因素的影响力则有显著的变化规律, 使O₃浓度分布呈现出周期性的演变过程.
4.2.1 影响O₃浓度空间格局演变的气象因素解析气温是影响东北地区O₃浓度分布格局演变的主导因素(表 2).在光化学反应活跃的3—10月, 气温的影响力除5月略小于VOCs外, 其余月份均最大, 且均为正向影响.其影响力有明显的变化规律, 大致呈倒U型变化, 从3月开始影响力逐渐增大, 6月达到最大, 此后波动下降, 与气温的季节变化大体相同.东北地区7月月均气温最高(23.7 ℃), 但气温的影响力最大值却出现在6月, 这可能与季风活动有关.东北地区属于季风气候, 春、夏季随着气温的升高, 季风活动也在增强, 降水和相对湿度的增加抵消了气温的部分影响.
其余气象因子的影响相对较小, 不仅影响力显著小于气温, 部分因子的影响方向还受气温支配.如降水的影响力只有4—7月和9—10月通过了显著性检验, 且4、5和7月的影响力为正(表 2).降水的影响力为正显然与传统认识相悖, 可能原因在于, 受季风的影响东北地区4月的平均降水量从南到北分别为31.52、37.67和24.47 mm, 5月分别为133.98、126.25和84.23 mm, 7月分别为210.70、144.38和86.93 mm, 整体上南多北少, 与气温的空间分布特征大体相同.由于东北地区降水量整体较少, 清除能力弱, 未能改变O₃浓度分布整体呈南高北低的分布格局, 因而降水与O₃浓度在空间分布上呈正相关关系, 导致评价结果为正, 并非其真实作用的反映.湿度只有6、7、10月通过了显著性检验, 影响力在0.129^*~0.396^***之间.其中, 6—7月的相对湿度为56.7%~86.8%, 平均值为72.5%, 与O₃浓度呈负相关关系；10月的相对湿度为51.7%~74.2%, 平均值为62.7%, 与O₃浓度呈正相关关系.这与曹庭伟等(2018)、安俊林等(2009)和吴锴等(2017)关于相对湿度负相关作用存在60%下限值的结论一致.日照时数在4—6月和9月的影响力通过了显著性检验, 且均为正向.风速在各个月份的影响力小, 且影响方向差异较大.当风速与气温在分布上呈正相关时, 风速的影响多呈正向, 否则多为负向或不显著.这进一步证实风对东北地区O₃浓度的影响较小.
4.2.2 影响O₃浓度空间格局演变的前体物解析由表 2可以看出, 前体物对O₃月均浓度空间分布格局影响力的变化呈倒U型, 3—8月逐渐增大, 9—10月逐渐减小, 与气温变化过程大体相同.1—2月, 所有前体物的影响力均未通过显著性检验, 3月, 只有VOCs的影响力通过了显著性检验, 此后影响力逐渐增大, 8月达到最大值后影响力又逐渐变小, 其中, CO在9月后影响力未通过显著性检验.可见, 前体物对O₃浓度分布的影响主要通过气象条件实现, 温度越高, 光化学反应越活越, 前体物对O₃浓度空间分异的正向影响越明显.NO_x、VOCs等前体物在较强的太阳辐射下光化学反应强烈, 利于O₃生成和累积, 随着太阳辐射的减弱和温度的降低, NO等化学性质不稳定的前体物对O₃的“滴定”作用增强, 使O₃浓度逐渐降低(孟晓艳等, 2017).11月—次年2月, 前体物的影响力虽未通过显著性检验, 但部分前体物在部分月份的影响力为负, 表明其对O₃可能已表现为消耗作用.黄小刚等(2019c)在研究中国东部地区O₃浓度时也发现了前体物对O₃浓度分布的影响主要通过气象条件实现的特征.从NO_x和VOCs的影响力对比来看, VOCs的影响力普遍比NO_x大, 说明东北地区的O₃生成主要属于VOCs控制型, 这与漏嗣佳等(2010)的研究结果一致.
5 结论(Conclusions)1) 2016年东北地区O₃-8 h-P90分布整体呈南高北低的态势, O₃浓度的高值区及超标天数比例较高的地区都集中分布在环渤海地区的大连、葫芦岛、锦州、盘锦和营口等沿海城市.
2) 气温是影响O₃年均浓度空间格局演变的主导因素, 随着气温的变化, O₃月均浓度空间分布格局呈现空间分异不明显-南高北低-空间分异不明显的演变特征.
3) O₃浓度年度重心位于吉林省四平市境内, 月度重心则以年度重心为中心, 在其东北-西南方向上有一次往复的迁移过程.
4) 前体物是核心城市形成局部地区O₃污染的主要原因, 其影响力的大小受温度的影响, 温度越高, 光化学反应越强, 前体物的正向影响力越大, 温度越低, 光化学反应越弱, 化学性质活跃的前体物对O₃可能起消耗作用.

参考文献

安俊琳, 王跃思, 孙扬. 2009. 气象因素对北京臭氧的影响[J]. 生态环境学报, 18(3): 944-951.

Botlaguduru V S V, Kommalapati R R, Huque Z. 2018. Long-term meteorologically independent trend analysis of ozone air quality at an urban site in the greater Houston area[J]. Journal of the Air & Waste Management Association, 68(10): 1051-1064.

程红霞, 胡列群, 林粤江. 2014. 近50 a新疆沙尘暴冷热点的时空分布特征[J]. 干旱区资源与环境, 28(7): 100-104.

曹庭伟, 吴锴, 康平, 等. 2018. 成渝城市群臭氧污染特征及影响因素分析[J]. 环境科学学报, 38(4): 1275-1284.

Chen Z Y, Zhuang Y, Xie X M, et al. 2019. Understanding long-term variations of meteorological influences on ground ozone concentrations in Beijing During 2006-2016[J]. Environmental Pollution, 245: 29-37. DOI:10.1016/j.envpol.2018.10.117

段晓瞳, 曹念文, 王潇, 等. 2017. 2015年中国近地面臭氧浓度特征分析[J]. 环境科学, 38(12): 4976-4982.

Geng G, Zhang Q, Martin R V, et al. 2015. Estimating long-term PM2.5 concentrations in China using satellite-based aerosol optical depth and a chemical transport model[J]. Remote Sensing of Environment, 166(1): 262-270.

Han L J, Zhou W Q, Li W F. 2016. Fine particulate (PM2.5) dynamics during rapid urbanization in Beijing, 1973-2013[J]. Scientific Reports, 6: 23604. DOI:10.1038/srep23604

黄小刚, 赵景波, 曹军骥, 等. 2019a. 中国城市O3浓度时空变化特征及驱动因素[J]. 环境科学, 40(3): 1120-1131.

黄小刚, 邵天杰, 赵景波, 等. 2019b. 长三角城市群臭氧浓度的时空分异及驱动因素研究[J]. 长江流域资源与环境, 28(6): 1434-1445. DOI:10.11870/cjlyzyyhj201906018

黄小刚, 邵天杰, 赵景波, 等. 2019c. 气象因素和前体物对中国东部O3浓度分布的影响[J]. 中国环境科学, 39(6): 2273-2282.

黄小刚, 邵天杰, 赵景波, 等. 2020. 基于GAM模型的西安市O3浓度影响因素解析[J]. 环境科学, 41(4): 1535-1543.

胡成媛, 康平, 吴锴, 等. 2019. 基于GAM模型的四川盆地臭氧时空分布特征及影响因素研究[J]. 环境科学学报, 39(3): 809-820.

韩力会, 张海亮, 向欣, 等. 2017. 北京市典型区域夏季降水及其对大气污染物的影响[J]. 环境科学, 38(6): 2211-2216.

环境保护部科技标准司.2013.环境空气质量评价技术规范(试行): HJ663-2013[S].北京: 中国环境科学出版社

贾海鹰, 尹婷, 瞿霞, 等. 2017. 2015年北京及周边地区臭氧浓度特征及来源模拟[J]. 中国环境科学, 37(4): 1231-1238.

Jacob D J, Winner D A. 2009. Effect of climate change on air quality[J]. Atmospheric Environment, 43(1): 51-63.

Kavassalis S C, Murphy J G. 2017. Understanding ozone-meteorology correlations:A role for dry deposition[J]. Geophysical Research Letters, 44(6): 2922-2931. DOI:10.1002/2016GL071791

Kang D, Hogrefe C, Foley K L, et al. 2013. Application of the Kolmogorov-Zurbenko filter and the decoupled direct 3D method for the dynamic evaluation of a regional air quality model[J]. Atmospheric Environment, 80(23): 58-69.

Li L, Chen C H, Huang C, et al. 2011. Ozone sensitivity analysis with the MM5-CMAQ modeling system for Shanghai[J]. Journal of Environmental Sciences, 23(7): 1150-1157. DOI:10.1016/S1001-0742(10)60527-X

Liu P F, Song H Q, Wang T H, et al. 2020. Effects of meteorological conditions and anthropogenic precursors on ground-level ozone concentrations in Chinese cities[J]. Environmental Pollution, 262: 114366. DOI:10.1016/j.envpol.2020.114366

刘建, 吴兑, 范绍佳, 等. 2017. 前体物与气象因子对珠江三角洲臭氧污染的影响[J]. 中国环境科学, 37(3): 813-820.

刘闵, 王闯, 侯乐, 等. 2017. 沈阳臭氧污染时空分布特征及变化趋势[J]. 中国环境监测, 33(4): 126-131.

刘玉莲, 周贺玲, 裴宇航, 等. 2018. 哈尔滨近地面O3浓度特征[J]. 环境科学学报, 38(11): 4454-4463.

刘姣姣, 蒋昌潭, 宋丹, 等. 2014. 重庆夏季近地面臭氧变化规律及影响因素分析[J]. 重庆大学学报, 37(8): 91-98.

Li M, Zhang Q, Kurokawa J I, et al. 2017. MIX:a mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP[J]. Atmospheric Chemistry and Physics, 17(2): 935-963. DOI:10.5194/acp-17-935-2017

Li X, Zhang Q, Zhang Y, et al. 2017. Attribution of PM2.5 exposure in Beijing-Tianjin-Hebei region to emissions:Implication to control strategies[J]. Science Bulletin, 62(13): 63-70.

李芳林, 蒋昊. 2018. 长江经济带城市环境风险评价研究[J]. 长江流域资源与环境, 27(5): 939-948.

李磊, 赵玉梅, 王旭光, 等. 2017. 廊坊市夏季臭氧体积分数影响因素及生成敏感性[J]. 环境科学, 38(10): 4100-4107.

漏嗣佳, 朱彬, 廖宏. 2010. 中国地区臭氧前体物对地面臭氧的影响[J]. 大气科学学报, 33(4): 451-459.

孟晓艳, 宫正宇, 叶春霞, 等. 2017. 2013-2016年74城市臭氧浓度变化特征[J]. 中国环境监测, 33(5): 103-110.

南国卫, 孙虎. 2017. 基于灰色关联模型对陕西省O3浓度影响因素分析[J]. 环境科学学报, 37(12): 4519-4527.

沈路路, 王聿绚, 段雷. 2011. 神经网络模型在O3浓度预测中的应用[J]. 环境科学, 32(8): 2231-2235.

Su R, Lu K D, Yu J Y, et al. 2018. Exploration of the formation mechanism and source attribution of ambient ozone in Chongqing with an observation-based model[J]. Science China Earth Sciences, 61(1): 23-32.

王劲峰, 徐成东. 2017. 地理探测器:原理与展望[J]. 地理学报, 72(1): 116-134. DOI:10.11821/dlxb201701010

Wang T, Xue L K, Brimblecombe P, et al. 2016. Ozone pollution in China:a review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 575: 1582-1596.

Wei W, Lv Z, Cheng S, et al. 2015. Characterizing ozone pollution in a petrochemical industrial area in Beijing, China:a case study using a chemical reaction model[J]. Environmental Monitoring & Assessment, 187(6): 1-10.

吴锴, 康平, 王占山, 等. 2017. 成都市臭氧污染特征及气象成因研究[J]. 环境科学学报, 37(11): 4241-4252.

严仁嫦, 叶辉, 林旭, 等. 2018. 杭州市臭氧污染特征及影响因素分析[J]. 环境科学学报, 38(3): 1128-1136.

Yin C Q, Solmon F, Deng X J, et al. 2019. Geographical distribution of ozone seasonality over China[J]. Science of the Total Environment, 689: 625-633. DOI:10.1016/j.scitotenv.2019.06.460

赵旭辉, 董昊, 季冕, 等. 2018. 合肥市O3污染时空变化特征及影响因素分析[J]. 环境科学学报, 38(2): 649-660.

周亮, 周成虎, 杨帆, 等. 2017. 2000-2011年中国PM2.5时空演化特征及驱动因素解析[J]. 地理学报, 72(11): 2079-2092.

中国环境科学研究院. 2012. 环境空气质量标准[M]. 北京: 中国环境科学出版社.