图1 研究区概况
Fig. 1 Overview of the study area
北京大学学报(自然科学版) 第61卷 第2期 2025年3月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 61, No. 2 (Mar. 2025)
doi: 10.13209/j.0479-8023.2024.116
收稿日期: 2024–07–11;
修回日期: 2024–09–18
摘要 利用 2017—2023 年西藏 7 个市(区)的环境空气质量监测数据, 结合相关性分析和 GIS 普通克里金法, 对西藏地区环境空气中 PM10 和 PM2.5 的时空分布特征进行分析。结果表明: 1)在全区以 PM10 和 PM2.5 为首要污染物的时段, 当地环境空气质量以良为主, 集中在 1—3 月和 10—12 月; 2)PM10 与 PM2.5 浓度的时间变化趋势较为一致, 全区年均浓度达到一级标准, 且总体上呈下降趋势; 季均浓度呈现冬季>春季>秋季>夏季的特点; 月均浓度从 5 月开始下降, 8 月最低, 12 月最高, 小时浓度整体上呈现双峰特征, 峰值分别出现在上午 09:00—12:00 和 21:00 至次日 01:00; 3)藏东南城市林芝市的 PM10 和 PM2.5 浓度明显低于其他市(区), 藏北城市那曲的 PM10 和 PM2.5 浓度明显高于其他市(区); 4)Sugimoto 比值模型分析表明, 在以颗粒物为首要污染物的超标天次中, 沙尘对西藏大气环境中 PM10 浓度的影响尤为显著, PM10 中沙尘组分平均含量为 87.9%。
关键词 西藏地区; 环境空气; PM10; PM2.5; 时空分布
近年来, 随着我国城市化的加快和经济的快速增长, 城市空气污染程度和大气污染防治问题越来越被人们关注[1–2]。目前, 参与城市环境空气质量评价的主要指标有 SO2, NO2, CO, O3, PM10和 PM2.5六项[3–4], 与其他污染指标相比, PM2.5 粒径小, 吸附力强, 能够被人类呼吸系统吸入, 并对健康产生影响[5–7]。根据一项对全球疾病负担的研究, 2019 年由PM2.5 污染导致的全球过早死亡人数达到 414 万[8], PM2.5 日均浓度每增加 10μg/m3, 所有非意外原因、心血管疾病和呼吸系统疾病死亡率分别增加0.4%、0.63%和 0.75%[9]。此外, 颗粒物还会降低大气能见度, 加剧霾污染, 影响交通运输等。杨茜等[10]基于重庆沙坪坝站 2013—2015 年逐时环境气象资料, 发现随着细粒子比例增加, PM2.5 细颗粒对能见度的影响作用明显增强, 霾进一步加重。董继元等[11]通过对兰州市大气能见度与同期地面气象条件和主要污染物浓度的相关分析, 指出相对湿度和 PM10 是影响能见度的主要因子, 兰州的能见度变化对 PM10比较敏感。
当前, 我国对颗粒物的研究工作较多。李江苏等[12]运用时空分析法, 结合全国 363 个城市环境空气质量监测数据, 指出 PM2.5 和 PM10 在胡焕庸线以东地区, 高浓度聚集在京津冀地区, 该线以西地区高浓度聚集在新疆中南部。李会霞等[13]指出西安市站点 PM2.5 浓度总体空间分布特征为道路参照点污染最严重, 居民参照点和工业参照点次之, 商贸参照点及文化和生态参照点较轻。赵晨曦等[14]发现, 风速和相对湿度是影响北京市 PM2.5 和 PM10 质量浓度分布的主要因素。刘洋等[15]通过对安阳市PM2.5 的组分分析, 指出安阳市气团输送以本地运输占比为最大, 正南和东南方向上的城市间输送次之。肖致美等[16]基于 2017—2019 年高时间分辨率的在线监测数据, 结合 PM2.5浓度和化学组分, 指出天津市 PM2.5 的主要来源为二次源、机动车排放、工业和燃煤排放以及扬尘。李雪梅等[17]通过对山西大学城 PM2.5 中元素特征及来源的分析, 研究PM2.5 中不同元素对儿童和成人的风险。
西藏地区海拔高, 气候条件极为多样化, 生态环境整体上比较脆弱。西藏高原的人类干扰总体处于较低程度, 但全球变化对高原生态环境已经造成重大影响[18]。由于西藏特殊的气候条件和地理特征, 地区环境空气质量整体上为优良水平。近年来, 对西藏区域环境空气质量的研究集中在拉萨市和臭氧方面[19–21], 颗粒物方面的研究较为缺乏。随着一系列大气污染防治政策的执行, 西藏地区 PM10 和PM2.5 年均浓度整体上呈下降趋势。西藏作为一种相对清洁环境的研究对象, 可以为全国大气环境治理提供部分城市的下限目标和基础背景。本文利用2017—2023 年西藏 7 个市(区)共 18 个国控城市环境空气质量数据, 分析西藏地区在低人口密度、低工业环境下 PM10 和 PM2.5 质量浓度随时间尺度的变化及区域分布特征, 初步探讨颗粒物超标环境下沙尘的贡献, 以期为西藏地区进一步开展颗粒物的减排工作提供科学依据。
西藏地处祖国西南边陲, 位于青藏高原西南部(东经 78°24′—99°06′, 北纬 26°52′—36°32′), 是青藏高原的主体部分, 占青藏高原面积的一半以上。全区面积为 120 多万平方公里, 海拔4000m 以上的地区占总面积的 85.1%。北面与新疆维吾尔自治区及青海省毗邻, 东隔金沙江与四川省相望, 东南与云南省相连, 南面和西面与印度、尼泊尔、不丹和缅甸四国及克什米尔地区接壤, 边境线长达 4000 多公里, 占全国陆地边境线的 1/6, 是我国重要的生态安全屏障。西藏地区地势由西北向东南倾斜, 地形复杂多样, 整体上西北高, 东南低, 形成 4 个不同的地形区域: 藏北高原、藏南谷地、藏东高山峡谷和喜马拉雅山地。辖区内现设 6 个地级市和 1 个地区, 分别为拉萨市、日喀则市、昌都市、山南市、林芝市、那曲市和阿里地区(图 1)。西藏地区气候复杂多样, 主要表现为太阳辐射强, 日照时间长; 气温较低, 温差大; 干湿分明, 多夜雨, 一般每年 10 月至第二年 4 月为干季, 5—9 月为雨季, 冬春干燥, 多大风[22]。
图1 研究区概况
Fig. 1 Overview of the study area
本文选取 2017 年 1 月 1 日—2023 年 12 月 31 日西藏自治区共 18 个环境空气自动监测国控点的数据, 来源于中国环境监测总站全国城市空气质量实时发布平台(https://air.cnemc.cn:18007)的小时浓度数据, 日均值为 24 小时浓度的算术平均值。监测设备严格按照《环境空气颗粒物(PM10 和 PM2.5)连续自动监测系统技术要求及检测方法》和《环境空气颗粒物(PM10 和 PM2.5)连续自动监测系统运行和质控技术规范》的要求进行运行维护及管理。
城市环境空气质量日评价和年评价主要依据《环境空气质量标准》(GB 3095—2012)和《环境空气质量指数(AQI)技术规定》(试行)(HJ 633—2012), 其中年均值、月均值都通过日均值计算得到。季节划分为春季(3—5 月)、夏季(6—8 月)、秋季(9—11 月)和冬季(12 月—次年 2 月)。
克里金法是建立在变异函数理论及结构分析基础上, 在有限区域内对区域化变量的取值进行线性无偏最优估计的一种方法, 其预测值是已知值的线性无偏估计量[23]。本文利用普通克里金法对全区 7 个市(区)的 PM10 和 PM2.5 年均浓度值进行空间插值, 得到污染空间分布图。
Sugimoto 等[24]根据细颗粒物和粗颗粒物的粒径和浓度分布特征, 提出一种 PM2.5/PM10 比值模型, 初步估算 PM2.5 和 PM10 中沙尘组分含量。该模型中PM2.5=f2.5F+c2.5C, PM10=f10F+c10C, 其中 F 和 C 分别为人为气溶胶和沙尘气溶胶的总浓度,f2.5 和 f10 分别表示人为气溶胶的 PM2.5 和 PM10 与总质量之比, c2.5 和 c10 分别表示沙尘气溶胶的 PM2.5 和 PM10 与总质量之比。设
,
则 PM10 和 PM2.5 中沙尘组分可以根据如下公式计算得到:
PM10=
PM2.5=
如图 2 所示, 2017—2023 年, 西藏全区 PM10 年均浓度为 18～28μg/m3, 平均值为 23±3.737μg/m3; PM2.5 年均浓度为 9～10μg/m3, 平均值为 10±1.029 μg/m3。PM10 年均浓度和 PM2.5 年均浓度整体上呈下降趋势, 历年年均浓度均低于一级标准(PM10: 40μg/m3; PM2.5: 15μg/m3), 远低于 2023 年全国 339 个地级及以上城市平均浓度(PM10: 53μg/m3; PM2.5: 30μg/m3)[25]。
分区域来看, 如图 3 所示, 2017—2023 年全区 7 个市(区)中, 那曲 2017 和 2018 年 PM10 年均浓度达到二级标准, 其余年份年均浓度均低于一级标准; 其他 6 个市(区)的 PM10 历年年均浓度均低于一级标准。图 3(a)显示, 2017—2022 年, 拉萨、昌都、林芝、那曲和阿里的 PM10 年均浓度整体上呈下降趋势, 日喀则和山南年均浓度呈波动状态; 2023 年, 全区 PM10 年均浓度同比增长 11.1%, 7 个市(区)的 PM10 年均浓度同比持平或呈上升趋势, 其中那曲增长最多, 增长率达 39.3%。图 3(b)显示, 那曲的 PM2.5 历年年均浓度均达到二级标准, 其他 6个市(区)的 PM2.5 历年年均浓度均达到一级标准。2017—2022 年, 拉萨、昌都、那曲和阿里的 PM10年均浓度整体上呈下降趋势, 日喀则、山南和林芝年均浓度呈波动状态。2023 年, 全区 PM2.5 年均浓度同比持平, 其中林芝和阿里的 PM2.5 年均浓度同比下降, 日喀则同比持平, 其他 4 个市(区)同比升高。2023 年, 全区 PM10 年均浓度增高, 主要贡献来自那曲, 可能与那曲海拔高、植被稀疏和居民取暖等有关, 还可能与2022 年疫情期间全区人为活动减少, 降低排放有关。
图2 2017—2023年全区PM10和PM2.5年均浓度
Fig. 2 Annual average concentrations of PM10 and PM2.5 in the region in 2017–2023
图3 2017—2023年全区7个市(区)的PM10和PM2.5年均浓度
Fig. 3 Average annual PM10 andPM2.5 concentration in 7 cities in the region in 2017–2023
环境空气质量指数 AQI 为定量描述空气质量状况的无量纲指数, AQI 指数越大, 表示首要污染物浓度越大。根据《环境空气质量指数 AQI 技术规定(试行)》, 首要污染物为环境质量指数大于 50 时, 空气质量分指数最大的空气污染物, 超标污染物为浓度超过《环境空气质量标准》二级标准的污染物。据统计, 2017—2023 年, 在全区非优天数中, 首要污染物出现频次最高的是 O3, 其次是 PM10 和PM2.5。
图4 2017—2023年全区首要污染物天次占比
Fig. 4 Proportion of primary pollutants in the region in 2017–2023
2017—2023 年, 全区以 PM10 为首要污染物的天次为 33～260, 占年度有效监测天次的 1.3%～10.3%, 占年度非优天次(良和污染天)的 3.6%～30.3%。全区以 PM2.5 为首要污染物的天次为 4～31, 占年度有效监测天次的 0.2%～1.2%, 占年度非优天次的 0.4%～ 3.4%(图 4)。全区以 PM10 为首要污染的超标天共出现 11 天次(2017 和 2018 年各 2 天次, 2019 和 2021 年各 1 天次, 2023 年 5 天次), 未出现以 PM2.5 为首要污染物的超标天次。综上所述, 全区以 PM10 为和PM2.5 为首要污染物的超标天次极少, 非优天次中好天次以良为主。
2.3.1 首要污染物出现天次变化特征
全区以 PM10 和 PM2.5 为首要污染的天次主要出现在每年的 1—3 月和 10—12 月, 即从秋末持续至次年初春。5—9 月, 偶尔出现以 PM10 为首要污染物的天次, 未出现以 PM2.5 为首要污染物的天次。西藏的高原气候类型复杂, 干季、雨季分明, 一般每年 10 月至第二年 4 月为干季, 5—9 月为雨季, 且春冬干燥, 多大风。全区以 PM10 和 PM2.5 为首要污染物的时间与西藏高原气候变化时间基本上吻合, 因此西藏的高原气候变化对全区 PM10 和 PM2.5 浓度具有重要的作用。
2.3.2 PM10和PM2.5时间变化特征
图 5 展示 2017—2023 年全区 PM10 月均浓度的变化趋势。可以发现, PM10 和 PM2.5 浓度具有一致的变化趋势, 均呈现“U”形变化特征, 与安徽省[26]和海南省[27]等地大气颗粒物的污染特征相似。全区 PM10 和 PM2.5 月均浓度 1—4 月持续保持高值, 5 月开始下降, 8 月达到全年最低值, 9 月开始逐月升高, 至 12 月达到最高值。从季节变化上看, 呈现冬季>春季>秋季>夏季的特点。根据对 2014 年以来西藏 60 年风季数据的分析结果[28], 在春冬季节, 西藏大风天气特别多, 称为风季, 加上春冬季节空气干燥, 风沙和扬尘天气也随之增多。西藏各地年平均风速整体上呈自东南向西北递增的分布规律, 其中那曲中西部风速最大, 南部边缘地区次之, 林芝大部和昌都大部的年平均风速稍低, 沿雅江一线风速较小, 但贡嘎至泽当一带风速较大, 同时海拔越高, 风速越大。从季平均风速的空间分布来看, 春季全区平均风速最大, 为 3.0m/s, 夏、秋、冬季依次为2.3, 2.1 和 2.5m/s。综上所述, 全区冬、春季 PM10和 PM2.5 浓度高于其他季节, 除与西藏地区冬季持续时间长、昼夜温差大和居民取暖时间长等因素有关外, 还与春冬季节风速大造成的扬尘天气有关。
图5 2017—2023年全区PM10和PM2.5月均浓度变化趋势
Fig. 5 Variation trend of the average monthly concentration of PM10 and PM2.5 in the region in 2017–2023
图 6 显示全区 7 个市(区)的 PM10和 PM2.5月均浓度变化趋势。可以看出, 拉萨、日喀则、昌都和山南的变化趋势较为一致, 均在 4 月有轻微的回升, 7—8 月达到最低值(昌都为 6—7 月), 呈现典型的“U”型变化特征, 且冬季浓度显著高于其他季节。那曲 PM10 和 PM2.5 的月均浓明显高于其他地市, 总体上也呈现“U”型变化特征, 但在 4 月和 7 月有轻微的回升, 冬季 11—12 月浓度达到年内最高, 除与那曲地区海拔高、气温低、居民取暖时间长有关外, 那曲地区气候严寒干燥、植被稀疏, 本地沙尘对颗粒物浓度也有一定的贡献。藏东南林芝和藏西阿里变化幅度最小。林芝地区 PM10 月均浓度范围为 9～ 18μg/m3, PM2.5 月均浓度范围 5～9μg/m3。阿里地区PM10 月均浓度范围为 9～22μg/m3, PM2.5 月均浓度范围 4～9μg/m3; 不同于其他城市, 阿里地区 PM10 和PM2.5 月均浓度在春季 4—5 月为高值, 8 月为最 低值。
以 2023 年为例, 对 7 个市(区)的 PM10 和 PM2.5站点的小时浓度进行平均处理, 获得其小时浓度变化规律(图 7)。可以看出, 全区 7 个市(区)的 PM10和 PM2.5 小时浓度变化呈现基本上一致的双峰特征, 峰值主要出现在上午 09:00—12:00 以及 21:00 至次日 01:00。其中, 第一个峰值出现在 09:00—12:00, 与全国平均值[29]及内陆城市[30]相比滞后 1～2 小时, 此时段正好是西藏人为活动相对频繁的时段, 与上班高峰期重合, PM10 和PM2.5 小时浓度呈现上升趋势, 在 10:00 左右达到峰值, 说明在上班高峰期, 机动车排放等对颗粒物有较大的贡献。除阿里外, 其他城市第 2 个峰值出现的时间也稍有不同, 但总体上出现在夜间(21:00 至次日 01:00), 夜间人为活动较少, 机动车较少, 但浓度出现峰值, 可能与夜晚大型货车入城、居民取暖和气候等因素有关, 其成因还有待进一步的分析。
图6 全区7个市(区)的PM10和PM2.5月均浓度变化趋势
Fig. 6 Variation trend of the average monthly concentration of PM10 and PM2.5 in 7 cities of the region
图7 全区7个市(区)的PM10和PM2.5小时浓度变化趋势
Fig. 7 Trends of hourly concentrations of PM2.5 in 7 cities of the region
2.3.3 PM10和PM2.5空间分布特征
为更加直观地展示全区 PM10 和 PM2.5 的空间分布特征, 应用 ArcGIS 中普通克里金法对 2017—2023 年全区 7 个市(区)的 PM10 和 PM2.5 浓度值进行空间插值, 得到颗粒物污染空间分布特征图。
从图 8 可以看出, 在整体空间分布上, 藏东南林芝和藏西阿里地区 PM10 和 PM2.5 浓度较低, 藏北那曲地区 PM10 和 PM2.5 浓度明显高于其他地区。藏南与藏北气候差异很大, 藏南谷地受印度洋暖湿气候的影响, 温和多雨; 藏北高原为典型的大陆性气候, 冰冻期长达半年, 6—8 月较温暖; 西藏气候总体上具有西北严寒干燥, 东南温暖湿润的特点, 从东南到西北依次为热带、亚热带、温带、亚寒带和寒带等气候类型, 藏北那曲地区受到长时间冰冻期影响, 居民取暖时间较长, 对当地颗粒物浓度的高值具有一定的贡献, 同时藏北地区气候严寒干燥、冬季多大风, 本地沙尘对颗粒物浓度也有一定程度的贡献。
在时间序列上, 2017—2023 年, 藏西阿里和藏东南林芝 PM10和 PM2.5浓度整体上呈现降低的趋势, 中部城市拉萨市、山南市和日喀则市 PM10 和 PM2.5浓度基本上保持稳定, 藏北那曲地区 PM10 浓度先下降, 后轻微上升, 而 PM2.5 浓度整体上呈下降趋势。从整体来看, 随着一系列大气污染防治政策的执行, 全区 PM10 和 PM2.5 浓度呈下降趋势。
2.4.1 PM10与PM2.5的相关性
大气 PM2.5 和 PM10 通常具有相似的来源, 因此利用 2017—2023 年全区 7 个市(区)的 PM10 和 PM2.5月均浓度数据, 按季度对 PM10 和 PM2.5 进行相关性分析, 结果如图 9 所示。可以看出, 春季、夏季、秋季和冬季全区 PM2.5 与 PM10 浓度之间高度正相关(R2=0.7808, 0.9405, 0.8999 和 0.8364), 表明 PM2.5 与PM10 有相同或相似的来源, 其中夏季相关性比冬、春季高, 原因可能是冬、春季除沙尘影响外, 燃煤取暖生成的二次 PM2.5 比夏季多, PM2.5 来源较夏季复杂, 相关性降低。这与内陆城市稍有不同。例如, 黄鑫宇等[31]通过对长三角 41 个城市的 PM2.5 和PM10 的分析, 指出 PM2.5 和 PM10 季均值虽然具有较强的正相关性, 但在秋季拟合度最高, 夏季最低。符宏臣等[32]对新疆地区的 PM2.5 和 PM10 进行相关性分析, 发现春、夏和秋季拟合度最高, 冬季最低。郑永杰等[33]对 2014—2016 年齐齐哈尔市的 PM2.5 和PM10 浓度进行线性拟合, 结果表明该市四季的相关系数排序为秋季>冬季>夏季>春季。
2.4.2 PM2.5和PM10的沙尘贡献
本研究基于 PM2.5/PM10 比值, 利用 Sugimoto 模型对西藏地区大气颗粒物的来源进行初步分析。图10 给出基于 2017—2023 年全区月均浓度计算得到的 PM2.5/PM10 比值, 可见全区 PM2.5/PM10 比值介于0.40～0.50 之间。就比值的季节变化而言, 冬季 12月最高, 夏季 8 月最低, 拉萨、日喀则和那曲尤为明显, 冬季明显高于其他季节, 可能是由于西藏海拔高, 部分地区居民取暖取时间较长, 燃烧排放的PM2.5 使得其贡献高于其他季节。
Sugimoto 等[24]根据细颗粒物和粗颗粒物的粒径和浓度分布特征, 利用 PM2.5/PM10 比值模型, 初步估算 PM2.5 和 PM10 中沙尘组分含量。根据 Sugi-moto 比值模型, PM10 和 PM2.5 中沙尘组分只与 c2.5/ c10 和 f2.5/f10 有关, 各参数取值为 c2.5=0.18, c10=0.9, f2.5=0.8, f10=1。薛一波等[34]利用该模型进行分析, 结果表明风蚀沙尘对新疆大气 PM10 和 PM2.5 浓度的贡献率分别为 85%和 66%。2017—2023 年, 西藏全区共出现 11 天次以 PM10 为首要污染物的超标天, 其中拉萨、阿里各 1 天次, 山南 4 天次, 那曲 5 天次, 日喀则、昌都和林芝未出现以 PM10 为首要污染物的超标天。
本文根据 Sugimoto 比值模型估算沙尘天气对拉萨、阿里、山南和那曲的 PM2.5 和 PM10 的贡献率, 当 PM2.5/PM10 低于 0.2 时, PM10 和 PM2.5 中沙尘组分含量均超过 100%, 说明 Sugimoto 比值模型在清洁地区的应用存在一定的局限性。为更准确地分析西藏地区沙尘组分的贡献, 本文以 2017—2023 年西藏地区日均 PM2.5/PM10最低值的均值作为 c2.5/c10的值, 即 c2.5/c10=0.14。从图 11 可看出, 在颗粒物超标天数中, 沙尘天气对阿里颗粒物浓度影响最为显著, 虽然对那曲颗粒物浓度影响相对较低, 但 PM10和 PM2.5 中沙尘组分含量也达到 78.8%和 39.4%; 全区 PM10 中沙尘组分平均含量为 87.9%。综上所述, 在以颗粒物为首要污染物的超标天次中, 沙尘天气对西藏大气环境中 PM10 浓度的影响尤其显著。
图8 2017—2023年度全区PM10和PM2.5空间分布
Fig. 8 Spatial distribution of PM10 and PM2.5 in the region in 2017–2023
图9 2017—2023年度全区月均PM10和PM2.5间的相关性
Fig. 9 Correlation between PM10 and PM2.5 in the region in 2017–2023
图10 2017—2023年度全区及PM2.5/PM10比值月度变化趋势
Fig. 10 Monthly change trend of PM2.5/PM10 ratio in the whole region and city in 2017–2023
本文基于 2017—2023 年西藏全区 18 个国控点位的 PM2.5 和 PM10 监测数据, 结合相关性分析和GIS 普通克里金法, 对全区 PM2.5 和 PM10 浓度的时空变化、分布特征和相关性进行分析, 得出如下主要结论。
图11 2017—2023 年 4 个城市平均 PM2.5/PM10 比值及PM10 和 PM2.5 的沙尘组分含量
Fig. 11 Urban average PM2.5/PM10 ratio and PM10 and PM2.5 dust component content of four cities in 2017–2023
1) 2021—2023 年, 全区 PM10 和 PM2.5 历年年均浓度均达到《环境空气质量标准》一级标准。全区以 PM10 和 PM2.5 为首要污染物的超标天次极少, 非优天次以好天次为主, 且集中 1—3 月, 10—12 月。
2)从时间尺度看, 全区 7 个地市 PM10 和 PM2.5浓度的变化趋势较为一致, 历年年均浓度总体上呈下降趋势; 季均浓度呈现冬季>春季>秋季>夏季的特点; 月均浓度从春季 5 月开始下降, 夏季 8 月达到最低值, 冬季 12 月达到最高值; 小时浓度整体上呈现双峰特征, 峰值出现在上午 09:00—12:00 和21:00 至次日 01:00, 第一个高峰期与上班高峰期一致, 第二个高峰期的成因有待进一步分析。
3)从空间分布看, 藏东南城市林芝市 PM10 和PM2.5 的浓度明显低于其他市(区), 中部城市拉萨市、山南市和日喀则市的 PM10 和 PM2.5 浓度居中, 且年际变化较小; 藏北城市那曲 PM10 和 PM2.5 浓度明显高于其他市(区), 可能与藏北海拔高、风速大和冬季居民取暖时间长有关。
4)在以 PM10 为首要污染物的超标天次中, 沙尘天气对西藏大气环境中 PM10 浓度的影响尤其显著, PM10 中沙尘组分平均含量为 87.9%。
由于在西藏地区缺少颗粒物组分相关监测, 因此本文仅利用比值模型对颗粒物超标天次中沙尘贡献开展初步分析, 后续工作中需对颗粒物组分进行进一步分析, 探讨影响青藏高原地区环境空气中颗粒物的来源, 从而更好地论证沙尘组分在颗粒物中的贡献。
参考文献
[1] 罗芳, 和丽芬. 环境空气质量现状及污染控制对策研究. 环境与发展, 2020, 32(5): 47–48
[2] 蔡翠娟, 嘉昕. 环境空气质量评价及其治理对策. 资源节约与环保, 2022(4): 50–53
[3] 环境保护部. 环境空气质量标准: GB 3095—2012 [S]. 北京: 中国环境科学出版社, 2012
[4] 环境保护部. 环境空气质量指数(AQI)技术规定(试行): HJ 633－2012 [S]. 北京: 中国环境科学出版社, 2012
[5] 王蕊, 兰莉, 王春莲, 等. 哈尔滨市大气PM2.5中重金属元素的慢性健康风险评估. 中国公共卫生管理, 2023, 39(6): 846–849
[6] 王一博. 渭南市环境空气中颗粒物污染特征及健康风险评价[D]. 西安: 西安建筑科技大学, 2022
[7] 陶燕, 刘亚梦, 米生权, 等. 大气细颗粒物的污染特征及对人体健康影响. 环境科学学报, 2014, 34 (3): 592–597
[8] Fuller R, Landrigan P J, Balakrishnan K, et al. Pollu-tion and health: a progress update. The Lancet Plane-tary Health, 2022, 6(6): e535–e547
[9] Lu F, Guo C, Jiang X, et al. Systematic review and meta-analysis of the adverse health effects of ambient PM2.5 and PM10 pollution in the Chinese population. Environmental Research, 2015, 136: 196–204
[10] 杨茜, 高阳华, 李振亮. 重庆市霾天气下大气能见度与颗粒污染物的关系. 西南大学学报(自然科学版), 2019, 41(9): 134–140
[11] 董继元, 刘兴荣, 张本忠, 等. 兰州市大气相对湿度与PM10浓度和大气能见度的相关性分析. 生态环境学报, 2015, 24(12): 1995–2001
[12] 李江苏, 段良荣, 张天娇. 中国城市PM2.5和PM10时空分布特征和影响因素分析. 环境科学, 2024, 45 (4): 1938–1949
[13] 李会霞, 史兴民. 西安市PM2.5时空分布特征及气象成因. 生态环境学报, 2016, 25(2): 266–271
[14] 赵晨曦, 王云琦, 王玉杰, 等. 北京地区春冬PM2.5和PM10 污染水平时空分布及其与气象条件的关系. 环境科学, 2014, 35(2): 418–427
[15] 刘洋, 王明娅, 宁鹏, 等. 安阳市冬季观测期间PM2.5污染特征及来源解析. 中国环境监测, 2021, 37 (5): 83–93
[16] 肖致美, 徐虹, 李立伟, 等. 基于在线观测的天津市PM2.5污染特征及来源解析. 环境科学, 2020, 41 (10): 4355–4363
[17] 李雪梅, 牟玲, 田妹, 等. 山西大学城PM2.5中元素特征、来源及健康风险评估. 环境科学, 2020, 41 (11): 4825–4831
[18] 王娜. 对构建西藏生态安全屏障的几点思考. 西藏发展论坛, 2011(3): 43–46
[19] 王彩红, 张惠芳, 尼霞次仁, 等. 青藏高原典型 城市拉萨市近地面臭氧污染特征. 中国环境监测, 2017, 33(4): 159–166
[20] 李苹, 尼霞次仁, 殷秀峰, 等. 西藏自治区“十二五”和“十三五”环境空气质量变化特征. 中国环境监测, 2022, 38(6): 50–58
[21] 李梁婷, 邱大瑞, 邱豪, 等. “十三五”期间拉萨市空气质量状况及变化趋势分析. 环境生态学, 2022, 4 (2/3): 65–70
[22] 西藏自治区党委办公厅. 地理气候[EB/OL]. (2023–06–07)[2024–07–01]. http://www.xizang.gov.cn/rsxz/ dlqh/202306/t20230607_359670.html
[23] 郑新奇, 吕丽娜. 地统计学(空间统计分析). 北京: 科学出版社, 2018
[24] Sugimoto N, Shimizu A, Matsui I, et al. A method for estimating the fraction of mineral dust in particulate matter using PM2.5-to-PM10 ratios. Particuology, 2015, 28(5): 114–120
[25] 中华人民共和国生态环境部. 生态环境部公布2023年12月和1—12月全国环境空气质量状况[EB/OL]. (2024–01–25)[2024–07–01]. https://www.mee.gov.cn/ ywdt/xwfb/202401/t20240125_1064784.shtml
[26] 王雷, 赵冰雪, 张乐勤, 等. 安徽省 2017—2018 年PM2.5 浓度时空分异特征. 中国环境监测, 2021, 37 (3): 109–119
[27] 符传博, 徐文帅, 丹利, 等. 2015—2020年海南岛大气PM2.5 和PM10 的时空分布特征. 环境化学, 2023, 42(2): 522–531
[28] 李亚蕾. 专家解析西藏60年风季数据[EB/OL]. (2014–02–18)[2024–07–01]. http://media.tibet.cn/holi day/xxzx/201402/t20140218_1973588.htm
[29] 李名升, 任晓霞, 于洋, 等. 中国大陆城市PM2.5 污染时空分布规律. 中国环境科学, 2016, 36(3): 641–650
[30] 高振翔, 叶剑, 周红根, 等. 江苏省PM2.5和PM10时空变化特征及其与气象因子的关系. 环境科学与技术, 2020, 43(7): 51–58
[31] 黄鑫宇, 王雷, 潘虹, 等. 长三角城市群的PM2.5和PM10 演变趋势及空间效应分析. 环境污染与防治, 2021, 43(10): 1309–1315
[32] 付宏臣, 孙艳玲, 陈莉, 等. 基于AOD数据与GWR模型的2016年新疆地区PM2.5和PM10时空分布特征. 环境科学学报, 2020, 40(1): 27–35
[33] 郑永杰, 王梅梅, 孙萌, 等. 齐齐哈尔市PM2.5 与PM10污染趋势及相关性分析. 中国环境监测, 2018, 34(1): 60–68
[34] 薛一波, 张小啸, 雷加强, 等. 新疆大气颗粒物污染时空演变及沙尘组分研究. 中国环境科学, 2024, 44(6): 3012–3020
Characteristics of Temporal and Spatial Distribution of Atmospheric PM10 and PM2.5 in Tibet Region
Abstract Based on the ambient air quality monitoring data of 7 cities in Tibet from 2017 to 2023, the spatial and temporal distribution characteristics of PM10 and PM2.5 in ambient air in Tibet were analyzed by correlation analysis and GIS Kriging interpolation. The results showed that in Tibet region, the days with PM10 and PM2.5 as the primary pollutants were characterized by good ambient air quality, mainly concentrated in January–March and October–December. The variation trend of PM10 and PM2.5 concentration was consistent. The average annual concentration in the whole region reached the first-level standard and showed a downward trend, and the seasonal average concentration showed the characteristics of winter>spring>autumn>summer. The average monthly concentration began to decrease from May, reaching the lowest in August and the highest in December. The hourly concentration showed bimodal characteristics, and the peak appeared from 09:00 to 12:00 in the morning and from 21:00 to 01:00 in the next day. The concentrations of PM10 and PM2.5 in Nyingchi City in southeastern Tibet were significantly lower than those in other cities, while the concentrations of PM10 and PM2.5 in Nagqu City in northern Tibet were significantly higher than those in other cities. According to the analysis of Sugimoto model, in the exceedance days with particulate matter as the primary pollutant, dust weather had a particularly significant impact on the concentration of PM10 in the atmospheric environment of Tibet, the average content of dust components in PM10 was 87.9%.
Key words Tibet region; atmospheric; PM10; PM2.5; temporal and spatial distribution