天津机场运行对区域空气质量影响评估研究
刘姝童 刘诗娇 夏鸣 梁钰薇 姚婷玮
摘 要：本文利用在天津市跃进路（E117°20′，N39.09′）设置的站点对天津机场区域空气质量进行连续监测，结合全国城市空气质量实时发布平台和天津滨海国际机场的实时报文，应用R语言和广义加性模型（GAM），針对2019年5月1日至2019年10月31日（世界时）的空气质量数据，对天津机场区域大气进行大气污染特征和大气污染因子的研究，结果表明飞机起降与飞行对周围环境大气贡献较大的主要污染物为：SO2、NO2、PM2.5、CO。决定主要污染物浓度时间变化特征的影响因子是气象因素。飞机起降与飞行对SO2、PM10、NO2、CO浓度有影响。
关键词：大气污染特征;影响因子;主成分分析;广义加性模型
天津滨海国际机场是我国主要干线机场之一，同时也是国内一类航空的重点口岸和货运基地之一，在国内航空运输中占据重要地位。随着京津冀协同发展战略的落实，天津滨海国际机场的航线网络不断丰富，客运吞吐量的上升使机场周围环境污染治理问题日益突出。
近两年机场周围环境大气污染问题越来越受到各领域研究人员的重视，祝秀莲等人分析了国内机场区域大气污染控制存在的不足，梳理了国际先进控制经验[1]。王晓丽[2]等人运用主成分分析法对我国16个城市的空气质量进行分析表明空气质量污染第一主成分是PM2.5、PM10、CO和SO2。王明莹[3]对PM2.5浓度影响因素进行主成分分析，结果显示CO、NO2、PM10和SO2是影响PM2.5浓度值的最主要因素。Huang Xiao-Gang，Shao Tian-Jie，Zhao Jing-Bo[4]等人建立广义加性模型分析影响西安O3浓度分布的影响因素。
目前，很少有研究将主成分分析与广义加性模型相结合研究机场运行对周围环境大气的影响。本次研究通过主成分初步筛选污染物的影响因子，将筛选出的因子放进广义加性模型中分析其对污染物的影响。
1 实验部分
1.1 监测对象
根据《环境空气质量评价技术规范》HJ663-2013，环境空气污染物主要的六个观测项目为：PM2.5、PM10、SO2、NO2、O3、CO。本次研究依据2019年5月1日至2019年10月31日的空气质量数据和环境数据对天津机场区域大气进行大气污染特征和大气污染因子的研究，确定天津滨海国际机场地区近年来大气污染现状。环境数据来自中国环境监测总站的全国城市空气质量实时发布平台，选择天津市跃进路站点（E117°20′，N39.09′）的数据。气象数据来自天津滨海国际机场的实时报文。绘图和建模用到的主要的环境数据有：风向、风速、温度露点差、修正海压。PM2.5、PM10、SO2、NO2、CO的数据均为小时值的算术平均，O3的数值是8h滑动平均值。有效数据共有3161组。
1.2 研究方法
1.2.1 极坐标图
利用R语言的openair包的polarplot函数绘制浓度的二元极坐标图。通过将风速、风向和污染物的数据按区域进行划分，并计算每一个区域的平均浓度。极坐标图运用此公式计算极坐标图：
式中，u-是平均每小时风速，θ为平均风向，单位为度。
1.2.2 主成分分析
主成分分析是利用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法[5]。通常把转化生成的综合指标称之为主成分，其中每个主成分都是原始变量的线形组合，且各个主成分之间互不相关。
建立模型方法如下：
步骤1：进行KMO和巴特利特检验。KMO大于0.6，则满足主成分分析的前提要求，说明数据比较适合用于主成分分析研究。当数据通过Bartlett球形度检验（显著性<0.05），说明研究数据可以进行主成分分析。
步骤2：对公因子方差进行提取。当信息提取量在0.5以上，表明主成分的提取是比较成功的，主成分对变量的解释程度都较高。
步骤3：根据变量的方差解释对变量进行提取。累积方差的贡献率越大，提取的信息越多。基于特征根值大于1进行提取。
步骤4：根据变量的得分系数矩阵得出相对应的主成分和分析项的得分关系方程。
1.2.3 广义加性模型
广义可加模型既包含参数成分，也包含非参数成分，有比较灵活的设定形式，可以客观的表达解释变量与被解释变量间存在的线性及非线性关系，降低了线性设定带来的模型风险，其一般形式为：
式中，g（·）为连接函数，其形式取决于被解释变量Y分布的具体形式;ε是随机误差项，Xi为严格服从参数形式的解释变量;βi为相应的参数。
模型建立方法如下：
步骤1：模型依次放入全部解释变量，构建初始的GAM模型，通过模型结果对因子进行显著性检验设置为0.05水平，删除没有通过显著性检验的因子。
步骤2：利用方差膨胀因子（VIF）对放入模型的自变量进行相关性检验。VIF=1/（1-R2）。VIF越高解释变量和因变量之间线性相关性就越强，R2=GAM模型中的adj-R2，当VIF>10时说明变量和解释变量之间相关性极强，将变量从模型中剔除。
步骤3：计算AIC和BIC的值，AIC值越小，模型拟合程度越高参考BIC值变化，可以避免因为不断加入因子而出现的过拟合现象，并在一定程度上证明因子间是否存在多重共线性。
2 结果与讨论
2.1 检测点位污染来源定性分析
根据机场与站点的相对位置，假定正北指示0°，正东指示90°，在高风速下，飞机起降和飞行过程中产生的污染物会扩散至此站点，影响站点周围的空气质量。我们选取极坐标图30°～90°方向上污染物的浓度作为表征机场污染物浓度空间分布特征。
如图1.c所示，风向在45°～90°之间大风速下SO2的浓度相对与其他方向浓度高;如图1.f所示，机场方向大风速下CO存在明显的极大值;如图1.d所示，机场方向NO2浓度存在明显的峰值，所以机场活动产生的SO2，CO，NO2对周围环境贡献率高。如图1.a所示，根据PM2.5的极坐标图，大风速下机场方向上的PM2.5对周围环境大气PM2.5浓度的贡献率与90°～240°相比相对较低，但与240°～390°相比较高，所以大风速下机场方向PM2.5的贡献率虽不起主导地位，但是对周围环境大气影响依然较大，故飞机起降与飞行过程中产生的PM2.5对周围环境影响较大。如图1.b和1.e所示，飞机起降以及飞行过程中产生的PM10和O3对周围环境大气浓度贡献小。所以，飞机起降与飞行对周围环境大气贡献较大的主要污染物为：SO2、NO2、PM2.5、CO。
2.2 检测点位污染变化趋势特征
如图2.a所示，研究的184天里14天PM2.5的日平均浓度超过了国家二级标准，日平均浓度超标天数占比为76%。如图3.b，PM2.5在一天的浓度变化呈单峰型分布，在上午8時浓度达到峰值，17时达最低值。早晨6：00～8：00，空气流动不明显，人类活动增加，PM2.5浓度增加。夜晚18：00～22：00点人类活动造成机动车排放量大，路上扬尘多，夜晚空气对流较弱，导致PM2.5不易扩散，浓度上升。如图2.c，从5月到10月，PM2.5浓度变化呈现U形分布，8月出现了最低值，10月中下旬浓度最高。8月航班量很多，但PM2.5浓度却出现了最低值，这是由于8月降雨量大可以有效去除颗粒物，空气对流强有利于污染物的扩散。9月，气象要素对PM2.5的影响减弱，PM2.5浓度出现回升，9月至10月，航班量升高对应PM2.5浓度也逐渐升高。所以，机场航班变化对PM2.5浓度月平均浓度变化产生一定影响。周内PM2.5浓度日变化与航班量变化也有一定的一致性。
如图2.b，研究中SO2的日平均值浓度在二级标准以下，SO2浓度小时值的范围为1～36μg/m3。如图3.b，SO2日变化特征呈单峰状，浓度最大值出现在上午9点。6：00～9：00航班量增加，飞机起降活动频繁，SO2浓度增加速率明显提高。9时后，由于温度逐渐升高，太阳辐射增加，促使SO2转化为SO42-。温度升高所引起空气对流增强，也是SO2浓度降低的原因之一。20时之后，航班量逐渐降低，机场活动产生的SO2减少，SO2浓度相对处于一个较低水平。如图3.c，5月，9月，10月SO2浓度普遍高其他月份。受冷高压影响，大气结构较为稳定，不利于二氧化硫的扩散。夏季雨水充沛，SO2氧化生成H2SO4与湿性沉降物一起到达地面，降雨还常伴有强对流天气，加速SO2的浓度降低。夏季大气边界层高度相对较高，大气对流活动强烈，使得SO2在垂直方向上充分稀释。高强度的太阳辐射也会促使SO2快速与大气中OH自由基以及臭氧等物质反应，氧化成硫酸盐，使SO2浓度降低。所以7月8月的SO2浓度低于其他月份。
如图2.c，研究的184天里有3天的NO2的日平均浓度超过了国家二级标准，日平均浓度超标天数占比1.63%，NO2浓度小时值的范围为2～134μg/m3。如图3.b，NO2日浓度变化与航班量日变化相似。如图3.a，一周内每日NO2浓度平均值变化大但日变化趋势相同且日变化呈单双峰状。早上6：00～8：00，可以观察到航班量增加并且NO2浓度上升幅度突然增大。由于随着日出温度升高，太阳辐射增强，大气中光化学反应强度不断增强，导致8：00～13：00NO2浓度不断下降，并在13时到达最低值。午后，太阳辐射减弱，此时天津机场的航班数依然处在较高的水平，所以NO2浓度不断增加。之后22时后随着航班量减少，NO2浓度也逐渐下降，直到第二天的1时左右。1：00～8：00NO2浓度上升，1：00～6：00航班量降低。NO2浓度变化与航班量变化成反比，这是由于大气对流减弱、夜间逆温层、以及城市热岛效应的作用下，将白天机场区域以及其他区域产生的NO2积聚于站点周围的大气中，造成NO2浓度升高。
如图2.d，研究中CO日平均浓度均在二级标准以下，CO浓度小时平均值浓度范围为0.2～5.7mg/m3。如图3.c，CO的月均值呈U型，最大月均值出现在7月，最小月均值出现在5月。5月空气中水汽含量较少，污染物不易附着在空气中，有利于污染物的传输扩散，浓度较低。CO日变化是飞机发动机排放、太阳辐射、大气流动等因素共同作用的结果。如图3.b，CO呈现出明显的双峰型日变化，CO浓度最高值出现在早上8时左右。自凌晨1时至8时，飞机流量开始增多，尾气排放量增加导致CO浓度上升，并出现一天内的浓度最大值。8时以后，CO的浓度值开始下降，15时达到全天浓度最低值。23时CO浓度出现第二个小高峰。这主要是客流晚高峰、太阳辐射减弱、大气趋于稳定不利于污染物的稀释扩散等因素导致的。
2.3 污染物影响因子
2.3.1 PM2.5影响因子
对PM2.5做主成分分析，一共提取出4个主成分。主成分1解释为排放废气因子，代表PM10、SO2、NO2、CO的影响。主成分2解释为扩散和湿度因子，代表风向、风速、温度露点差的影响。主成分3解释为空气温度因子，代表温度，O3-8h的影响。主成分4解释为起降航班因子，代表进港、离港的影响。
通过主成分分析提取的因子建立PM2.5的广义加性模型，筛选出的因子解释了PM2.5浓度变化的53.5%。影响因子从大到小排序为：CO、O3、温度露点差、风向、压强、温度、SO2、到港数、风速。因子之间不存在共线性。模型拟合度高，因子间没有多重共线性。
如图4.b、4.c、4.d，4.e，PM2.5与CO、SO2、NO2、O3、有明显的正相关，表明CO、SO2、NO2、O3的增加会使PM2.5浓度增加。这可能是由于PM2.5的二次污染导致。PM2.5来源有一次污染和二次污染，二次污染是二氧化碳、氮氧化物、铵等无机气态前体物经复杂的大气化学反应生成硫酸盐、硝酸盐、铵盐等无机化合物[7]。所以PM2.5可以由硫和氮的氧化物转化而成[8]。如图4.a，PM2.5与温度露点差有明显负相关，这是由于PM2.5分子在水汽作用下更易聚集降落[9]。模型通过了显著性检验，且满足正态性。
2.3.2 SO2影响因子
对SO2进行主成分分析，一共提取出4个主成分。主成分1解释为排放废气因子，代表PM2.5、PM10、NO2、CO的影响。主成分2解释为扩散和湿度因子，代表风向，风速，温度露点差的影响。主成分3解释为空气温度因子，代表温度、O3-8h的影响。主成分4解释为起降航班因子，代表进港，离港的影响。
通过主成分分析提取的因子建立SO2的广义加性模型，筛选出的因子解释了SO2浓度变化的65.8%。影响因子从大到小排序为：湿度、CO、风向、气压、风速、NO2、PM2.5、温度、O3、到港数、离港数。因子之间不存在共线性。模型拟合度高，因子间没有多重共线性。
如图4.j，SO2浓度随温度露点差的增大而增大，这是因为相对湿度越大，大气中湿性沉降物出现的概率越高，SO2湿性沉降物中的生存概率高于干性沉降物，造成SO2在大气中集中存在[10]。如图4.k，随着风速增大，SO2浓度减小，是因为風速大有利于SO2的稀释扩散[11]。如图4.l，CO与SO2有明显的正相关，但是CO不易与SO2反应，所以，这样结果可能是两种污染物来自同一污染源导致。模型通过了显著性检验，且满足正态性。
2.3.3 NO2影响因子
对NO2进行主成分分析，一共提取出4个主成分。主成分1可解释为排放废气因子，代表PM2.5、PM10、SO2、CO的影响。主成分2可解释为扩散和湿度因子，代表风向，风速，温度露点差的影响。主成分3可以解释为起降航班因子，代表进港，离港的影响。主成分4可解释为空气温度因子，代表温度，O3-8h的影响。
通过主成分分析提取的因子建立NO2的广义加性模型，筛选出的因子解释了NO2浓度变化的62.1%。影响因子从大到小排序为：风速、温度、CO、SO2、O3、气压、风向、PM2.5、离港数、到港数、温度。因子之间不存在共线性。模型拟合度高，因子间没有多重共线性。
NO2是飞机排放的主要污染物之一[12]。如图4.g，NO2浓度与风速的负相关性比较明显，所以图中呈现的随风速增大，NO2浓度降低。如图4.h，温度升高伴随NO2浓度降低，这是由于温度较高的时候，太阳辐射增大，光反应速率增加，光化学反应增强，NO2浓度减少。如图4.f，随着湿度增加，NO2有减少的趋势，这可能是NO2与水汽结合生成HNO2和HNO3，使得NO2浓度降低。如图4.i，PM10与NO2存在正相关，这是由于NO2可附着在PM10上，从而导致PM10浓度越大，NO2浓度越大。NO2与飞机的进离港有一定的相关性。模型通过了显著性检验，且满足正态性。
2.3.4 CO影响因子
对CO进行主成分分析，一共提取出4个主成分。主成分1解释为排放废气因子，代表PM2.5、PM10、SO2、NO2的影响。主成分2解释为扩散和湿度因子，代表风向、风速、温度露点差的影响。主成分3解释为空气温度因子，代表温度，O3-8h的影响。主成分4解释为起降航班因子，代表进港、离港的影响。
通过主成分分析提取的因子建立CO的广义加性模型，模型筛选出的因子解释了O3浓度变化的64.5%。影响因子从大到小排序为：湿度、SO2、PM2.5、温度、NO2、离港数、气压、风向、O3、风速。因子之间的VIF均小于10，说明不存在共线性。模型拟合度高，因子间没有多重共线性。
如图4.m，CO与温度露点差有明显的负相关，这可能是由于CO作为一种化学活性气体，它能直接与大气中的OH自由基发生氧化反应[13]。湿度增加的情况下，大量CO与OH反应，导致CO浓度降低。模型通过了显著性检验，且满足正态性。
3 结论
（1）飞机起降与飞行对周围环境大气贡献较大的污染物为：SO2、NO2、PM2.5、CO。
（2）PM2.5在一天的浓度变化呈单峰型分布，PM2.5从5月到10月浓度月变化呈现U形分布规律，8月出现最低值，10月中下旬浓度最高。SO2日变化特征呈单峰状，10月SO2浓度最高。O3周内日变化均呈单峰式分布，白天高晚上低、上午低下午高，昼夜浓度变化非常大。CO日变化呈双峰型，CO的月均值呈U型变化。
（3）PM2.5与风速、CO、SO2、NO2、O3有明显的正相关，与温度露点差有明显负相关。
（4）NO2与风速、温度、湿度有明显的正相关，与PM10存在明显负相关。
（5）温度露点差增大，SO2浓度增大;风速增大，SO2浓度减小。CO与SO2有明显的正相关。
（6）CO与温度露点差有明显的负相关，CO与SO2存在明显的正相关。
参考文献：
[1]祝秀莲，陈帆，崔青，黄丽华，林齐.国外机场区域大气污染控制经验启示[J].环境影响评价，2019，41（05）：33-35.
[2]王晓丽，刘畅，关文玲.基于主成分分析法的城市大气主要污染物关系研究[J].天津理工大学学报，2015，31（02）：20-23.
[3]王明莹.上海市大气PM_（2.5）的时空分布特征及其相关影响因素分析[D].上海交通大学，2017.
[4]Huang Xiao-Gang，Shao Tian-Jie，Zhao Jing-Bo，et al.Influencing Factors of Ozone Concentration in Xi'an Based on Generalized Additive Models.2020，41（4）：1535-1543.
[5]何亮.主成分分析在SPSS中的应用[J].山西农业大学学报，2007（S1）：20-22.
[6]李莉莉，张璇，杜梅慧.基于广义可加模型的PM2.5预测研究[J/OL].数理统计与管理，2020-11-15：1-13.
[7]高晓梅.我国典型地区大气PM_（2.5）水溶性离子的理化特征及来源解析[D].山东大学，2012.
[8]CHOW Judith C，曹军骥，李顺诚，王小亮，WATSON John G.PM_（2.5）及其测量与影响研究简史[J].地球环境学报，2012，3（05）：1019-1029.
[9]于洲.杭州市大气污染物浓度时空变化特征分析[D].南京信息工程大学，2016.
[10]迪丽努尔·塔力埔，梁云，阿布力克木·阿不力孜.乌鲁木齐市冬季空气中SO_2浓度与空气湿度的关系及对人体的影响[J].安全与环境学报，2004（S1）：25-26.
[11]赵敬国，王式功，张天宇，余世旺，胡钰玲，朱哲，尚可政.兰州市大气重污染气象成因分析[J].环境科学学报，2015，35（05）：1547-1555.
[12]储燕萍.上海浦东国际机场飞机尾气排放对机场附近空气质量的影响[J].环境监控与预警，2013，5（04）：50-52+56.
[13]陈飞.城市可吸入颗粒物的来源解析及二次有机气溶胶形成的研究[D].南京理工大学，2014.
项目：中国民航大学大学生创新创业市级项目202010059091《天津滨海国际机场大气污染特征及影响因子研究》
作者简介：刘姝童（2000— ），女，汉族，陕西西安人，本科，学生。
