自2011年6月开始，太原市就被列入全国首批26个大气细颗粒物(PM_2.5)监测试点城市，同年8月起，陆续在桃园、晋源和坞城等监测点开始试行监测，2013年1月1日以后，覆盖太原市区的9个监测点全面运行，并在“太原市空气质量实时数据发布系统” 公开显示监测数据，实时公布的时间周期为1 h，指标包括6种常规大气污染物SO₂、NO₂、O₃、CO、PM₁₀和PM_2.5的1 h平均以及O₃的8 h滑动平均和PM₁₀、PM_2.5的24 h滑动平均，共计9个指标，常规污染物监测数据的实时发布极大地方便了环境管理者、科研工作者、普通群众等对环境空气质量的了解，为控制大气污染奠定了良好的基础，也为“美丽山西”的建设做出了贡献.

在我国日常大气环境质量监测过程中，春节是个特殊时期，人们沉浸在庆祝传统节日的喜悦气氛中，很多工厂、商铺、建筑工地停工，行驶的机动车数量减少，且几乎家家户户都要燃放烟花爆竹以示庆祝和消灾祈福，因此，春节期间大气污染物排放特征(如浓度、化学成分等)与平时有很大不同(Zhang et al., 2012).Feng等报道(Feng et al., 2012)，除夕夜上海市大气PM_2.5质量浓度超过300 μg · m^-3，其中75%来源于烟花爆竹的燃放，PM_2.5中K^＋、SO₄^2-、Cl^－、有机碳(OC)、Al、Ba为主要成分，且有机碳与元素碳(EC)的浓度比值(OC/EC)增加、NO₃^-/SO₄^2-浓度比值下降.在山东黄河三角洲农村地区，春节期间大气PM_2.5质量浓度接近200 μg · m^-3，是平时浓度的6倍左右，细颗粒物中除SO₄^2-和OC大量增加外，富K以及含Al、Ba、Mg、Fe的颗粒也有增加(Li et al., 2013).Wang等在北京市的研究也发现:春节期间大气PM₁₀和PM_2.5质量浓度是平时浓度的4~6倍，富含Ba、K、Sr、Zn、Al、Mg的初级气溶胶大量增加，且有新的有机物生成(Wang et al., 2007).目前，虽然有关太原市大气环境质量以及大气颗粒物成分的研究已陆续有报道(杨弘等，2013;樊占春和李丽娜，2011;贾小花等，2013)，对灰霾与非灰霾期间大气PM_2.5质量浓度以及重金属元素、水溶性阴阳离子、OC与EC、多环芳烃(PAHs)等含量也进行了测定(曹玲娴等，2014;Xia et al., 2013)，但有关太原市春节期间各常规大气污染物浓度变化规律以及不同监测站点之间的差异尚未见正式论文发表.为此，本文利用“太原市空气质量实时数据发布系统”提供的空气质量监测数据并结合相应的气象资料，对2014年1月23日至2月15日(农历腊月二十三开始至元宵节)期间太原市9个监测点的常规大气污染物浓度变化进行污染评价以及聚类分析，旨在探索春节传统习俗对大气环境质量的影响，为环境管理和规划部门科学决策提供数据支持.

通过“太原市空气质量实时数据发布系统”(http://www.tyshbj.com.cn/hbj/shishi/index.asp)下载并记录了2014-01-23至2014-02-15(农历腊月二十三开始至正月十六)期间太原市上兰(1^#)、南寨(2^#)、涧河(3^#)、尖草坪(4^#)、桃源(5^#)、坞城(6^#)、小店(7^#)、金胜(8^#)、晋源(9^#)等9个大气环境质量监测点(见图 1)每隔1 h的PM_2.5、PM₁₀、CO、NO₂、SO₂、O₃质量浓度监测数据.通过中国天气网(http://www.weather.com.cn/)和WEATHER UNDERGROUND网站(http://simplifiedchinese.wunderground.com)获得太原市该时段每小时的气温(T)、相对湿度(RH)、气压(P)、能见度、风速(WS)或风级(WL)等资料.通过美国国家海洋和大气管理局的HYSPLIT模型得到距地面100 m、500 m、1000 m的72 h气团后向轨迹图(http://www.arl.noaa.gov/).

图 1(Fig. 1)

图 1 太原市9个大气环境质量监测点分布示意图 Fig. 1 Location of ambient air quality monitoring stations in Taiyuan city

利用偏相关分析，分别计算大气PM_2.5和PM₁₀与CO、NO₂、O₃、SO₂、气温、气压(P)、相对湿度、风速或风级小时值及日均值所对应的偏相关系数并作显著性检验(p<0.05表示相关显著，具有统计学意义)，观察大气颗粒物与其它污染物以及气象因素之间的关系.

小波分析是一种被广泛应用于信号分析的多时间-尺度分析方法，被誉为数学上的“显微镜”.利用它可以发现污染物浓度变化中隐藏的周期规律，从而研究大气变化中的多时间尺度问题(程涛，2007). 利用小波分析研究春节期间各常规大气污染物的质量浓度变化规律步骤如下：首先对春节期间太原市各大气污染物的小时平均值序列进行消噪滤波，得到各时间序列的浓度变化曲线.然后分析小波变化系数实部图以及小波方差图，得到各时间序列在不同时间尺度的变化特征，据此观察不同污染物的周期变化规律.

通过对时间序列进行小波变换并按照公式(1)计算小波系数w：

以a为纵坐标，b为横坐标做出小波系数实部图可以得到污染物变化周期的直观图像.其中小波系数大的代表污染物浓度高，小波系数小的代表污染浓度低，0代表突变点.将时间域上的关于a的所有小波变换系数进行平方积分，即为小波方差.小波方差随尺度a的变化过程称为小波方差图.通过小波方差图可以确定一个时间序列存在的主要时间尺度，每一个峰值所对应的尺度被称作该序列的主要时间尺度，用以反映时间序列变化的主要周期.峰值越大表示在这个尺度上的周期振荡越强烈，即周期性越强.按照峰值的高低，峰值最高点所对应的a值为第一主周期，次之的为第二主周期，以此类推(徐鸣等，2008;陈柳等，2006).

采用单因子指数法评价9个监测点相同时间内各常规大气污染物的污染情况，第i种污染物的单因子指数(I_i)计算公式为:I_i=C_i/C_0i，其中: C_i为第i种污染物的实测浓度(μg · m^-3或mg · m^-3)；C_0i为第i种污染物的评价标准(μg · m^-3或mg · m^-3)，评价标准选用《环境空气质量标准》(GB3095—2012)中的二级标准值(除O₃为日最大8 h平均外，其余为24 h平均).计算结果中如果I_i＞1.0，表示超标;I_i≤1.0，表示达标.

聚类分析方法常用于解决不同地区污染物的分类问题，被分成一类的地点常常具有相似的污染情况(Caballero et al., 2012). 使用SPSS19.0软件分别就6种常规大气污染物PM_2.5、PM₁₀、CO、NO₂、O₃、SO₂，对太原市9个大气监测站点进行聚类(样本之间的距离使用平方欧式距离，各类之间的距离使用WARD法(Caballero et al.， 2012)，聚类结果由树状图表示.

数据收集期间主要以晴到多云为主，平均气温-2.7 ℃(其中日平均最高4 ℃，为1月24日和2月2日;最低-10 ℃，为2月10日)，平均湿度为46%.2月4日至2月7日有阵雪天气出现，故该时间段相对湿度增加，维持在80%左右(见图 2a).大风天气主要集中在2月2号、2月8号以及2月9号，大风期间气温和相对湿度均下降(见图 2b). 72 h气团后向轨迹图(图 3)显示了春节期间西北方向来的气团对太原市环境空气质量影响较大.

图 2(Fig. 2)

图 2 太原市春节期间温湿度以及风级箱图 Fig. 2 Temperature，relative humidity， and wind box-plot during Spring Festival in Taiyuan city

图 3(Fig. 3)

图 3 太原市1月24日0点、1月31日0点、2月14日0点(北京时间)72 h气团后向轨迹图 Fig. 3 72 h backward trajectories of air masses ending at(a)16:00 UTC on Jan 23，2014;(b)16:00 UTC on Jan 30，2014; and (c)16:00 UTC on Feb 13，2014 in Taiyuan

春节期间PM_2.5、PM₁₀质量浓度范围分别为(92.6±62.0)μg · m^-3和(134.7±80.1)μg · m^-3;CO、NO₂、O₃、SO₂分别为(2.3±0.9)mg · m^-3、(39.6±18.4)μg · m^-3、(18.3±10.6)μg · m^-3和(105.5±59.0)μg · m^-3(详见表 1).将太原市PM_2.5和PM₁₀的小时浓度值及日均值分别与CO、NO₂、O₃、SO₂、RH、T、P、WS或WL进行偏相关分析并计算p值，发现PM_2.5和PM₁₀的日均值与其它因子的相关性均不具有显著性(p>0.05);PM_2.5和PM₁₀的小时值与CO、O₃、RH、T具有显著性(p<0.05)，但二者偏相关系数所显示的符号(趋势)相反(表 2).PM_2.5小时值与CO、O₃、RH呈正相关，与T呈负相关，相关系数分别为0.360、0.178、0.366、-0.127；PM₁₀小时值与CO、O₃、RH呈负相关而与T呈正相关，相关系数分别为-0.296、-0.210、-0.278、0.200，这反映了春节期间PM_2.5和PM₁₀的来源与组成可能不同，也反映出了在此期间PM₁₀中的细粒子部分PM_2.5与粗粒子部分PM_2.5~10之间可能存在着一定的转化关系.

表1(Table 1)

表1 春节期间大气污染物日均值描述性统计 Table 1 Daily mean concentrations of conventional air pollutants during Spring Festival

表1 春节期间大气污染物日均值描述性统计 Table 1 Daily mean concentrations of conventional air pollutants during Spring Festival 污染物种类 N 极小值 极大值 均值 标准差 国家二级标准 (GB3095—2012) 平均值 标准误 注: 1)环境空气质量标准(GB3095—2012)中除O3为日最大8 h平均外，其余为24 h平均. PM2.5/(μg·m-3) 536 9.1 303.2 92.6 2.7 62.0 75 PM10/(μg·m-3) 536 17.6 424.4 134.7 3.5 80.1 150 CO/(mg·m-3) 536 0.9 5.9 2.3 0.0 0.9 4 NO2/(μg·m-3) 536 11.7 108.3 39.6 0.8 18.4 80 O3/(μg·m-3) 536 5.9 56.9 18.3 0.5 10.6 1601) SO2/(μg·m-3) 536 21.4 326.4 105.5 2.6 59.0 150

表2(Table 2)

表2 大气PM2.5、PM10与其它因子的偏相关性分析 Table 2 Correlation of ambient PM2.5 and PM10 with other pollutants and meteorological factors

表2 大气PM2.5、PM10与其它因子的偏相关性分析 Table 2 Correlation of ambient PM2.5 and PM10 with other pollutants and meteorological factors 分析结果 CO NO2 O3 SO2 RH T P W2) 能见度 注: 1)p<0.05; 2)W表示风速或风级，与 PM2.5、PM10日均值计算时W对应风速，与小时平均值计算时对应风级. PM2.5日均值 0.269 0.006 -0.368 0.182 0.474 -0.045 -0.023 0.455 0.128 PM10日均值 -0.256 -0.056 0.376 -0.093 -0.431 0.087 0.008 -0.441 -0.152 PM2.5小时值 0.3601) 0.210 0.1781) 0.780 0.3661) -0.1271) 0.024 PM10小时值 -0.2961) -0.033 -0.211) 0.019 -0.2781) 0.2001) -0.180

使用Matlab软件，通过Morlet小波函数Ψ(x)=进行小波变换，利用Daubechies小波(db6)函数对不同大气污染物时间序列进行4层小波分解滤波(杨书申等，2014)，得到太原市各大气污染物时间序列变化图像(图 4).图中显示:除O₃变化趋势不明显外，其它污染物浓度总体呈减少趋势，且在220~250 h迅速降低，并在很长一段时间保持较低水平，反映了春节期间工厂停工、机动车减少使一些大气污染物的排放也减少，但PM_2.5和PM₁₀在380 h处以及500 h后快速增大，表现出与其它污染物不同的变化特点，说明烟花爆竹的燃放可能主要影响大气颗粒物.滤波后的图像比原序列更加平滑，较直观地反映了各污染物浓度随时间的变化趋势.

图 4(Fig. 4)

图 4 2014-01-24(0点)~2014-02-14(24点)太原市各常规大气污染物小时浓度值时间序列及4层滤波后的时间序列值 Fig. 4 Time series of air pollutant concentrations before and after filtration using db6 wavelet function at the fourth level from 0:00 on Jan 24 to 24:00 on Feb 14 in Taiyuan

进一步分析各污染物小波系数实部图及小波方差图(图 5)发现:PM_2.5、PM₁₀、CO、SO₂有4个接近的主周期，其中第一主周期均发生在253~256 h，第二主周期均发生在168~169 h，第三主周期均发生在111~114 h，第四主周期均发生在67~69 h.NO₂共有5个主周期，前4个主周期与上述相近，但第二主周期和第三主周期相反，分别为113 h和166 h，它的第五主周期为36h. O₃也有5个主周期，主周期数分别为198 h、115 h、68 h、37 h、18 h. 以上结果说明影响NO₂和O₃的因素更加复杂.这些主周期的波动控制着污染物浓度在时间域上的变化. 大气常规污染物出现了168~199 h(7~8 d)左右的主周期，这与春节期间农历腊月二十三、除夕、初八、正月十五集中燃放烟花爆竹的周期规律相吻合，也体现了春节期间烟花爆竹的大量燃放对环境空气质量造成了明显影响.O₃的主周期与其他污染物差别较大，反映了其来源的特殊性，可能影响O₃的因素还涉及到光照、太阳辐射等.

图 5(Fig. 5)

图 5 各污染物的小波系数实部图及小波方差图 Fig. 5 Distribution of the real wavelet transformation coefficients and the variance of wavelet series for air pollutants

春节期间各常规污染物的单因子污染指数评价结果(图 6)表明:太原市颗粒物污染最为严重，O₃污染最小，总体呈现出PM_2.5>PM₁₀>SO₂>CO>NO₂>O₃的情况.各监测点中涧河、桃园、金胜、晋源、小店、坞城和太原市的总体污染情况相当，反映了城市大气污染物的共同特点;南寨NO₂污染较突出，可能受太原第二热电厂的影响;尖草坪区SO₂污染较突出，可能受太原钢铁(集团)有限公司的影响.

图 6(Fig. 6)

图 6 春节期间各污染物在不同监测点的单因子污染指数法评价结果 Fig. 6 Single factor pollution index of air pollutants at different monitoring sites in Taiyuan during Spring Festival

在分析了9个监测点各污染物变化规律的基础上，采用系统聚类分析法对太原市不同监测点进行了分类，分类结果表明(图 7):涧河、桃园、尖草坪在多种污染指标的分类结果中均被分为一类，显示出 它们具有相似的污染情况.上兰作为清洁对照点显示出了它自己的特征.晋源区在PM₁₀指标中也显示出了它和其它监测点间的不同，而南寨和金胜地区则分别在NO₂与O₃方面显现出了明显的区域特性.

图 7(Fig. 7)

图 7 针对不同污染物分别对各监测点进行聚类分析的树状图 Fig. 7 Dendrogram of air pollutants at each monitoring site based on the Ward′s method of hierarchical clustering

太原市位于山西省中部，地理坐标为东经111°30′～113°09′，北纬37°27′～38°25′.东西横距约144 km，南北纵约107 km.西、北、东三面环山，南部为河谷平原，全市整个地形北高南低.上兰、南寨、涧河、尖草坪、桃园、坞城、金胜、小店、晋源等9个环境空气质量监测点2014年春节期间各常规大气污染物时间序列浓度变化情况显示: 大气PM_2.5和PM₁₀污染指数高于其它污染物，在1月23日(农历小年)、1月30日(农历除夕)、2月7日(正月初八)以及2月14日(元宵节)达到峰值，最高值出现在除夕，该日太原市大气PM_2.5与PM₁₀小时浓度分别达到了296 μg · m^-3和424 μg · m^-3，说明烟花爆竹的集中燃放主要是对大气颗粒物造成影响.据实地调查，正月初八这天是大部分工厂、企事业单位正式上班的日子，为了庆祝节日，很多单位都燃放大量烟花爆竹，形成了与农历小年、除夕、正月十五相似的大气颗粒物污染状况.单因子污染指数计算结果表明(图 6):春节期间绝大多数的日子里PM_2.5超标倍数大于PM₁₀，说明烟花爆竹的集中燃放对大气PM_2.5的影响大于对PM₁₀的影响.通过研究大气PM_2.5和PM₁₀与其它大气污染物及气象条件的相关性发现，春节期间大气PM_2.5和PM₁₀浓度变化与CO、O₃、RH、T具有一定的内在关联性，但正负相关趋势并不一致，进一步说明烟花爆竹的燃放对PM_2.5和PM₁₀的影响是不同的，也间接显示了PM_2.5-10与PM_2.5之间可能发生一定的相互转化. 虽然大风来临时(2月2月、2月8日和9日)，气温、湿度及各项污染物浓度降低(图 2、图 4、图 6)，对空气起到一定的净化作用，张怀德和梁丽明(2000)、卓金武等(2011)构建的流体污染物四维质量模型也显示风力与PM_2.5、PM₁₀、NO₂、SO₂、CO、O₃浓度变化有很大关系，但本次相关性分析却发现大气PM_2.5和PM₁₀浓度变化与风速的相关不具有显著性(p>0.05)，一方面可能是由于观测时间短、数据量少，另一方面说明春节期间人为的烟花爆竹燃放引起的PM_2.5、PM₁₀浓度增高与自然的变化过程是不同的，它对环境空气质量的干扰(或者说造成的大气污染)是巨大的(Pui et al.， 2014).

春节期间各污染物浓度变化的时间序列经小波滤波后显示:PM_2.5、PM₁₀的波动趋势相似，CO、SO₂、NO₂的波动趋势相似，而O₃的波动趋势与其它污染物有较明显的不同，说明滤波后的图像能更直观明了地给出各污染物随时间的变化规律(Shekarrizfar et al.， 2012；Yim et al., 2014).在此基础上，小波方差图进一步显示大气颗粒物(PM_2.5和PM₁₀)变化的主周期与CO和SO₂有较大的相似性，反映了在此期间它们有相似的污染来源，即冬季燃煤和烟花爆竹的燃放对它们影响较大. NO₂和SO₂的第一、二、三主周期有相似性，这体现了它们的排放源以及转化过程有相同之处，但二者的主周期略有不同，说明NO₂除燃煤排放外，可能还有其它污染来源(如机动车尾气排放). 大气污染物浓度的变化是周期性和非周期性变化的叠加，而小波分析具有多分辨率分析的能力，可以发现使用常规方法所不能发现的大气污染物的内在变化和发展规律.通过小波系数实部图可以得到污染物变化周期的直观图像、通过小波方差图可以确定一个时间序列存在的主要时间尺度，方差图上每一个峰值所对应的尺度反映一个时间序列变化的主要周期，按照峰值的高低依次称为第一主周期、第二主周期、第三主周期等.对于尺度因子较小的主周期可能是由于人为偶然因素造成的，而对于较长的主周期如250 h则反映大气活动的内在规律.以上结果表明小波分析可较好地显示城市常规大气污染物的时间序列变化规律，它能够消除偶然因素在时间序列上所形成的噪声，排除污染物瞬时大量排放所造成的影响，从而更好地发现各常规大气污染物的内在变化趋势.

从不同监测点聚类分析结果发现: 对于大气PM_2.5和PM₁₀而言，涧河、桃园、尖草坪、南寨4个监测点空间距离较近，表明它们的污染特征相似，小店和坞城空间距离较近，也有相似的分类特征，该分类结果与这些点的地理位置有较好的相符性(图 1).但作为清洁对照的上兰监测点对于大气PM_2.5和PM₁₀的聚类结果却不相同(见图 7a和图 7b)，尤其对PM_2.5而言，它自成一类，与其它点的空间距离较远，这也反映出春节期间烟花爆竹的燃放对PM_2.5和PM₁₀的影响是不相同的(PM₁₀可能更多地与道路和施工扬尘有关).在SO₂的聚类结果中，坞城、小店、金胜、晋源这4个点被归为一类，可能因为它们均位于太原市南端，且有相似的工业结构和SO₂排放源，而上兰、南寨被归为一类，与它们均位于太原市北端上风向相符.南寨的NO₂、金胜的O₃与其它地区相比有很大差别，所以它们各自归为一类，可能与南寨临近太原第二热电厂而金胜有发达的化工企业有关.

1)太原市2014年春节期间(1月23日—2月14日)主要大气污染物为PM_2.5和PM₁₀，单因子污染指数总体呈现出PM_2.5>PM₁₀>SO₂>CO>NO₂>O₃的情况，各监测点中:涧河、桃园、金胜、晋源、小店、坞城和太原市的总体污染情况相当;南寨NO₂污染较突出;尖草坪SO₂污染较突出.小波分析也表明PM_2.5、PM₁₀的波动趋势相似，CO、SO₂、NO₂的波动趋势相似，而O₃的波动趋势与其它污染物有比较明显的不同. 小波方差图进一步显示大气PM_2.5和PM₁₀变化的主周期与CO和SO₂有较大的相似性，反映了在此期间它们有相似的污染来源.

2)大气PM_2.5和PM₁₀质量浓度范围分别为(92.6±62.0)μg · m^-3和(134.7±80.1)μg · m^-3，有一半以上时间均超标，在农历小年(1月23日)、除夕(1月30日)、正月初八(2月7日)以及元宵节(2月14日)出现峰值，尤其除夕夜，太原市PM_2.5和PM₁₀小时值分别达到了296 μg · m^-3和424 μg · m^-3，可见烟花爆竹燃放所引起的颗粒物污染不容忽视.

3)大气PM_2.5和PM₁₀浓度变化与CO、O₃、RH、T等的偏相关分析表明，它们的正负相关趋势并不一致，说明烟花爆竹的燃放对PM_2.5和PM₁₀的影响是不同的.由于春节期间绝大多数的日子里PM_2.5超标倍数大于PM₁₀，进一步说明烟花爆竹的集中燃放对大气PM_2.5的影响大于对PM₁₀的影响.

4)不同监测点聚类分析结果表明: 按大气PM_2.5和PM₁₀聚类，涧河、桃园、尖草坪、南寨4个点聚为一类，小店和坞城2个点聚为一类，说明它们空间距离较近，有相似的分类特征，与这些点的地理位置有较好的相符性.如果按SO₂聚类，则坞城、小店、金胜、晋源这4个点被归为一类，而上兰、南寨被归为一类.按NO₂聚类，南寨自成一类，其余的点比较接近;按O₃聚类，则金胜的O₃自成一类. 聚类分析结果与各监测点的单因子污染指数评价结果有较好的相符性.

以上结果说明小波分析与聚类分析相结合可以较好地反映城市大气污染物浓度变化的时间与空间分布规律.