基于AQI和小波分析的成都市空气质量评价研究

曾　伟，李云祯，陈军辉，徐　友，王　涛，周 平

（1.北京国寰环境技术有限责任公司四川分公司，四川　成都 610021；2.四川省环境保护科学研究院，四川　成都 610041；3.西南交通大学，四川　成都 610031）

基于AQI和小波分析的成都市空气质量评价研究

曾伟1，李云祯2，陈军辉2，徐友3，王涛3，周 平3

（1.北京国寰环境技术有限责任公司四川分公司，四川成都 610021；2.四川省环境保护科学研究院，四川成都 610041；3.西南交通大学，四川成都 610031）

通过环境监测站收集成都市各个区的空气质量数据，初步了解成都市空气质量现状。从时间和空间两个角度深入剖析成都市各个区的空气质量分布趋势，并对各个区的污染天数进行对比研究。结果表明：外围行政区空气污染较轻，城内行政区污染较重；不同季节，空气质量较差的行政区基本相同，且AQI值波动性不明显，一年四季中AQI值按冬＞春＞夏＞秋的顺序排列。对成都市近两年来AQI进行小波分析，发现空气质量缓慢改善，但总体状况仍不容乐观。区域污染天数结果显示，郫县、温江、青白江区等区污染天数最多。

AQI指数；时空分布；小波分析

雾霾天气，即雾和霾两种天气现象的统称，是一种灾害性天气[1]。近年来，雾霾天气的出现，显著降低了大气能见度，造成城市空气质量的恶化、交通秩序混乱及市民呼吸疾病高发。此外，雾霾天气也会间接地影响农作物生长，造成农作物减产，并且容易形成酸雨，严重影响人们的正常生产生活[2]。空气质量（AQI）的大小从某一程度上可以刻画雾霾的轻重[3]。

国内外研究者对霾的研究主要集中在与其他天气现象的特征区别、时空分布、来源解析、气象形成条件、危害、预报模型等方面[4-7]。目前，主要对珠江三角洲地区、京津地区的雾霾天气开展了重点研究，讨论了雾霾天气下的空气污染特征及其对多种环境要素的影响，并分析了雾霾爆发过程中气溶胶光学特征以及区域分布的特征[8-10]。但对易于形成雾霾的城市大气污染特征和他们之间的相关关系，以及雾霾与空气质量（AQI）的关系等方面的研究较为浅薄，而以成都为例的雾霾天气研究及其控制途径仍有大量研究空间。

利用现有数据，对成都市空气质量进行时空分布和污染天数等研究，通过小波分析、AQI时空分布等方法对成都市区域的空气质量进行评价，获取成都市各区域空气质量情况以及污染区域的时空分布特点，为成都市空气污染防治提供参考。

1　小波分析原理

小波分析[11]是一种信号的时间—频率分析方法，具备了多分辨率的优点，不仅可以分析同一时间尺度，而且还能够较为精确地揭示了时间序列中的频率结构随着时间变化的规律[12]。目前，在大气污染物的变化研究中已有较多运用[13-14]。小波分析的主要思想是用一簇小波函数系来表示或逼近某一信号或函数。因此，小波函数是小波分析的关键。具有震荡性、能够迅速衰减到零的一类函数即小波函数Ψ(t)∈L2（R），而且满足：

通过对尺度的伸缩以及时间轴上的平移构成了一簇函数系：

式（2）中：ψa，b（t）为子小波；α为尺度因子，反映小波的周期长度；b为平移因子，反应时间上的平移。

若ψa，b（t）是由（2）式给出的子小波，对于给定的能量有限信号f（t）∈L2（R），其连续小波可变换为：

式（3）中：Wf（a，b）为小波变换系数[15-16]；f（t）为一个信号或平方可积函数；a为伸缩尺度；b为平移参数；是共轭函数。将小波系数的平方值b在域上积分，就可得到小波方差，即：

小波方差随尺度α的变化过程，称为小波方差图。由式（4）可知，它能反映信号波动的能量随尺度α的分布。因此，小波方差图可用来确定信号中不同种尺度扰动的相对强度和存在的主要时间尺度，即主周期。通常，利用Matlab软件中小波分析和重构的相关程序进行分析。

2　空气质量指数的时空分布

2.1空间分布研究

成都市作为四川省的省会城市，拥有较大的地理面积，鉴于区域与区域之间经济、社会和自然环境上的差异，显然将其作为一个整体进行AQI研究并不科学，不能突出空气质量较差区域，不利于对成都雾霾的深入研究[17]。针对这一特殊情况，拟将成都市按其行政区划分19区域，避免整体性掩盖地区差异性。AQI在时间上存在差异，为避免在空间上研究结果与实际存在偏差，故引入AQI年平均值作为区域研究的对象。

首先，收集了成都市2013～2014年的AQI数据进行预处理和统计分析。AQI为空气质量指数，由图1可知AQI等级分布。但对数据进行处理之后，成都市各区域AQI等级集中在二级与三级（即AQI值为80-89和90-99），无法凸显区域之间空气质量的差异，所以拟对AQI以差值10为一个区间进行等级细化，体现AQI在空间上的差异。

根据细化后的AQI等级，结合处理好的成都市各行政区AQI均值，绘制出图1。由图1可知，成都区域AQI值整体趋势由内到外递减。外围区域AQI更低，空气质量明显好于市区，内部空气污染大于外围城区，这与区域间自然环境、社会经济状况相符。内部区域人口密度大、产业发达、交通拥挤、绿化面积小，导致污染物的扩散与净化实现更难，将作为节能减排重点研究区域。

图1　成都市各区域的AQI

2.2成都市各区域AQI季节分布情况

研究定义每年的3～5月为春季，6～8月为夏季，9～11月为秋季，12月至次年2月为冬季。将2014年成都市各区域每日的AQI根据季节分别统计并绘制出各个季节的季节日均值图，如图2。

由图2可知，与AQI的空间分布相似，成都市各区域不同季节的日均AQI值仍以内部城区的较高，且范围变化不大；一年四个季节中，AQI按照冬＞春＞夏＞秋的顺序排列，其中夏秋季节高值区域数值明显较低；高值区域与低值区域数值差异较均衡，冬春季节略小；冬季成都市各个区域均有不同程度的空气污染，春季，除了少部分区域如都江堰，蒲江县等未遭受空气污染外，其余大部分地区都处于不同程度的污染中。

图2　成都市各区域不同季节的日均AQI值

结合2014年成都市气象指标统计数据，可以初步理解为进入冬季以后，成都的静风频率大幅度增加，较高的相对湿度和日照条件有利于颗粒物吸湿性增加，以及一次污染物向二次污染物的转换，随着春节的来临，爆竹烟花燃放形成了大量颗粒物。而逆温现象的大幅度出现，以及成都地处盆地中央“中间低，四周高”的地形都较容易导致可吸入颗粒物在城市上空的聚集，因而空气质量明显变差。而进入春末雨水增多，空气的流动性也增强，均有利于空气净化，空气质量较之冬季有所好转。

3　小波分析及成都市AQI时变特征

3.1小波分析

AQI为非实测原始数据，很难直观辨析其趋势，其值变化的时间序列也很不规则，研究采用相应的小波变换对时间序列进行分解与重构，可以探求出其本质的变化趋势。常用的小波函数有很多，研究选用Dau-bechies 小波系（简称db小波）对空气质量变化特征进行分解和重构。该小波是法国学者Daubechies提出的一系列二进制小波的总称，它是通过一些离散滤波器建立具有紧支集的规范正交小波，在Matlab软件中表示为dbN，N 为小波的序号，取值为2，3，…9，10。

3.2基于小波分析对成都市近年空气质量变化趋势识别

观察小波分解的低频重构图（图3）可以看到，成都市AQI时间序列具有一定的年变化、季节变化规律。图3中S表示原始数据信号，是成都市2013～2015年3月20日AQI变化曲线，横坐标是时间（d）。空气质量变化受许多因素的影响，利用db小波可将这一不同频率成分组成的复杂时间序列分解成频率不相同的子序列，包括一个低频部分a5和5个高频部分d1、d2、d3、d4、d5。低频部分a5表现的是信号的主要特征，是主要的稳定特征表现，表征了这一时间过程中成都市空气质量的主要变化趋势。

图3　AQI时间序列变化规律

由图3可知：（1）从年内来看，成都市空气质量指数存在着冬高夏低的年际变化特征，空气污染程度出现两个高峰期，大致为集中在春冬两个季节，尤其是冬季较为严重，这与成都市该时期污染物来源及气象因素有关；（2）从年间来看，a5曲线总体上呈下降趋势，2014年成都市的污染天数远少于2013年的污染天数，且2014年空气质量为优的天数远多于2013年空气质量为优的天数，这显示出成都市在提高城市空气质量方面成效显著。

4　成都市各区污染轻重天数分布研究

仅仅研究区域AQI均值忽略了不同日期上的差异，由《环境空气质量指数（AQI）技术规定》可知，AQI值达到100及以上时，空气质量将达到污染状态，对人们的健康造成威胁。为详细体现成都市区域污染状况，所以将AQI达到100及以上时定义为空气污染。在研究过程中忽略AQI指数100以下天数，分别按照季节统计各地区达到污染状态的天数，绘制条形柱状图，如图4所示。

图4　成都市各行政区不同季节空气质量为污染状态的天数

根据定义的污染状态标准，整理出成都市各区域在2014年中的污染天数及四季污染天数比重，如图5和表1所示。由污染天数分布和季节比重可见，2014年成都市外围区域空气质量达到污染标准的天数较少，城内区的污染较为严重，尤以城北郫县、温江、青白江区等行政区的污染天数最多。这与区域间自然环境、社会经济状况相符。内部城区人口密度大、产业发达、交通拥挤、绿化面积小，导致污染物的扩散与净化更难。其中，成都市城北区域最近几年进行改造，加上该地区本来工业就较发达，其污染天数多也符合实际情况。同时，各区域均普遍在冬春季节，污染天数比重较大，与上文AQI季节分布结果一致，两个指标可以很好地结合起来对区域空气质量进行评价。

图5　成都市各行政区2014年空气质量为污染状态的天数

表1　成都各区域不同季节空气污染天数所占比重 （%）

5　结　论

运用AQI指数和小波分析对成都市空气质量进行研究，得到以下结论：

（1）通过对成都市空气质量均值分析，成都区域AQI值整体趋势由内到外递减。外围区域AQI更低，空气质量明显好于市区，内部空气污染大于外围城区，这与区域间自然环境、社会经济状况相符。

（2）不同季节，高值区域分布基本相同，高值区的范围变化不大。但同时也可以明显看出，夏秋季节高值区域AQI数值明显较低。一年四个季节中，AQI按照冬＞春＞夏＞秋的顺序排列。四季中高值区域与低值区域数值差异较均衡，冬春季节略小。冬季，成都市各个区域均处于不同程度的空气污染；春季，除了少部分区域如都江堰，蒲江县等未遭受空气污染以外，其余大部分地区都处于不同程度的污染中。

（3）从年内来看，成都市空气质量指数存在着冬高夏低的年际变化特征，空气污染程度出现两个高峰期，大致为集中在春冬两个季节，尤其以冬季较为严重，这与成都市该时期污染物来源及气象因素有关。从年间来看，2014年成都市的污染天数远少于2013年的污染天数，且2014年空气质量为优的天数远多于2013年空气质量为优的天数，这表明成都市为提高城市空气质量水平所做的措施成效显著。

（4）由污染天数分布和季节比重可知，2014年成都市外围区域空气质量为污染状态的天数较少，城内区的污染较为严重，其中尤以城北郫县、温江、青白江区等行政区污染天数最多。这与区域间自然环境、社会经济状况相符。内部城区人口密度大、产业发达、交通拥挤、绿化面积小，导致污染物的扩散与净化更难。

[1] 杨卫芬，沈 琰. 2013 年常州市灰霾天气特征分析[J]. 环境科学与技术，2014，（S2）：127-131.

[2] 戴永立，陶 俊，林泽健，等. 2006～2009年我国超大城市霾天气特征及影响因子分析[J]. 环境科学，2013，34（8）：2925-2932.

[3] ChanY C，Simpson R W，Mctainsh G H，et al. Source apportionment of visibility degradation problems in Brisbane （Australia） using the multiple linear regression techniques[J]. Atmospheric Environment，1999，33（19）：3237-3250.

[4] 王 珊，修天阳，孙 扬，等. 1960-2012年西安地区雾霾日数与气象因素变化规律分析[J]. 环境科学学报，2014，34（1）：19-26.

[5] 叶光营，吴毅伟，刘必桔. 福州区域雾霾天气时空分布特征分析[J].环境科学与技术，2010，33（10）：114-119.

[6] 张玉成，李亚滨. 1961-2013年黑龙江省雾霾时空分布特征及影响因子分析[J]. 黑龙江气象，2014，31（3）：17-19.

[7] 李艳红，赵彩萍，荆肖军，等. 太原地区灰霾天气特征及影响因子分析[J]. 气候与环境研究，2014，19（2）：200-208.

[8] 姚玉刚，邹 强，陈 诚，等. 苏州市霾日细颗粒物的化学组分及来源分析[J]. 中国环境监测，2014，（4）：62-68.

[9] Park R J，Jacob D J，Kumar N，et al. Regional visibility statistics in the United States：Natural and transboundary pollution influence，and implications for the regional haze rule[J]. Atmospheric Environment，2006，40（28）：5405-5423.

[10] Schichtel B A，Husar R B，Falke S R，et al. Haze trends over the United States，1980-1995[J]. Atmospheric Environment，2001，35（30）：5205-5210.

[11] 王红磊，刘 文，全 利. 成都市雾霾期间气象要素与环境空气质量状况的对比分析[J]. 四川环境，2013，32（5）：71-76.

[12] 周 伟. 基于MATLAB的小波分析应用（第2 版）[M]. 西安：西安电子科技大学出版社，2010.

[13] 陈 柳，马广大. 小波分析在PM10浓度时间序列分析中的应用[J].环境工程，2006，24（1）：61-63.

[14] 杨书申，陈 兵，邵龙义. 北京市PM10 浓度变化规律的小波分析[J]. 中原工学院学报，2014，25（1）：39-42.

[15] 陈 娟. MATLAB 在小波分析中的程序设计[J]. 湖南工业职业技术学院学报，2006，6（1）：17-18.

[16] 曲贵波，乔 爽，张德生. 小波分析的应用及其MATLAB程序实现[J]. 交通科技与经济，2004，（6）：39-40.

[17] 梁增强. 京津冀典型城市环境污染特征、变化规律及影响机制对比分析[D]. 北京：北京工业大学，2014.

（责任编辑：成平）

Evaluation of Air Quality in Chengdu City Based on AQI and Wavelet Analysis

ZENG Wei1，LI Yun-zhen2，CHEN Jun-hui2，XU You3，WANG Tao3，ZHOU Ping3
（1. Sichuan branch of Beijing Guohuan Environment Technology Co., Ltd., Chengdu 610021, PRC; 2. Sichuan academy of environmental sciences, Chengdu 610041, PRC; 3. Southwest Jiaotong University,Chengdu 610031, PRC）

The air quality data of Chengdu City were collected by the environmental monitoring station， and the current situation of air quality in Chengdu City was preliminarily understood. From two angles of time and space， the air quality distribution in each area of Chengdu City was analyzed， and the pollution days in each area were compared and studied. The results showed that the air pollution in the peripheral administration area was relatively light， and the pollution in the city administrative area was more serious; in different seasons，the administrative areas of poor air quality were basically the same， and the fluctuation of AQI value was not obvious， the AQI value in four seasons was arranged by the order of winter > spring > summer > autumn. By the wavelet analysis of AQI in Chengdu city in the last two years， found that the air quality was slow to improve， but the overall situation was still not optimistic. The results of regional pollution days showed that Pixian， Wenjiang， Qingbaijiang were the districts that had the largest number of pollution days.

AQI; space-time distribution; wavelet analysis

X513

A

1006-060X（2016）10-0056-05

2016-05-22

成都市科技惠民技术研发项目（2015-HM01-00019-SF）；成都市软科学研究项目（2015-RK00-00016-ZF）；四川省科技厅公益性科研院所基本科研项目（2016YSKY0167）

曾 伟（1984-），男，四川彭州市人，工程师，主要从事危险废物处置，voc处理等研究。

周 平