基于GAMs模型分析成都市气象因子交互作用对O3浓度变化的影响

为探究成都市大气环境中气象因子交互作用对臭氧（8h浓度平均最大值,统一用O₃表示）浓度变化的影响特征,利用成都市2014~2019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（generalized additive models,GAMs）分析气象因子对O₃浓度变化的影响效应.结果表明,单影响因素的GAMs模型中,O₃浓度与最高气温、日照时数、相对湿度、风速、降水量、最大混合层厚度（maximum mixed depth,MMD）和通风系数（ventilation coefficient,VC）间均呈非线性关系,无论全年还是夏季,最高气温、日照时数、MMD和相对湿度对O₃浓度影响均较大,值得注意的是,夏季相对湿度和降水量对O₃浓度变化的影响较全年更加显著.在构建O₃浓度变化的多气象因子GAMs模型中,除平均风速以外的其他气象因子共同作用对O₃浓度变化有显著影响,就全年而言,构建的GAMs模型判定系数（R²）为0.849,方差解释率为85.1%,最高气温是全年O₃浓度变化的主导影响因素;夏季GAMs模型的R²为0.811,方差解释率为81.3%,而夏季最高气温和MMD同为重要影响因素.GAMs交互效应模型中,就全年而言,最高气温与日照时数、相对湿度、降水量间交互作用,以及日照时数和MMD间交互作用对O₃浓度变化影响显著,结合三维可视化图形直观分析气象因子交互作用对O₃浓度变化的影响特征,发现强高温+强日照+MMD （2000 m左右）+无降水条件协同作用下有利于O₃的生成;就夏季而言,仅最高气温分别与日照时数和VC交互作用对O₃浓度的影响显著,夏季强高温+强日照+水平方向小风速有利于近地层O₃浓度的生成.运用GAMs模型能够对O₃污染的主导气象因子进行识别,并定量化分析气象因子单效应及其交互作用对O₃浓度变化的影响特征,对O₃浓度污染防控研究具有重要指示意义.     

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5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PM_2.5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,PM_2.5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PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5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PM_2.5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PM_2.5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PM_2.5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PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5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PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.