农业大气颗粒物污染的扩散条件及气象条件研究

益阳市桃江县气象局 周宇 易津鑫

前言

农业是确保民生质量的关键，通常情况下农作物种类的不同对气候等条件的需求也会有所差异。然而不论农作物的生长特征有何要求，都需要确保周围的大气环境质量，其主要原因在于若存在严重的颗粒物污染，会直接影响日照、风速、气温等因素，降低植物种植的质量。由此可见，围绕农业大气颗粒物污染的扩散条件与气象条件进行分析，对于发展农业具有重要意义。

1 大气颗粒物污染以及扩散条件分析

1.1 理论概述

农业是我国经济建设与发展过程中最为关键的一部分，农业的发展质量会直接影响最终的作物产量以及品质，甚至会影响人们的身体健康状况。目前，在工业不断发展的背景下，大气污染状况愈发严重，不仅能见度较低，并且会产生大量的雾霾等，以至于加大作物光合作用的难度。现阶段，我国结合此情况已经进行了详细的分析，并利用宣传清洁能源，加大理念引导的形式降低大气颗粒物，减少污染状况，然而效果却并不明显。因此为进一步增强空气质量，降低大气中的颗粒物浓度，要求技术人员必须要针对性地进行数据分析，加大对气温、降水量、风速等因素的了解，掌握不同气候因子以及扩散条件对大气颗粒物的影响状况[1]。

大气颗粒物是大气污染中最为常见的一种物质，按照空气动力学理念进行划分，其主要涵盖以下几种：分别是空气中Dp≤100μm的空气悬浮物质，另一种则是空气中Dp≤10μm的大气颗粒物可吸入颗粒，也就是PM10。除此之外Dp≤2.5μm的颗粒物则被称为细颗粒物。通常情况下，PM10可以在空气中散射太阳光照，因此也会对能见度以及气温等因素产生影响，若是严重甚至还会降低空气质量，对人体健康产生不利。由此可见，大气颗粒物与气象条件之间有着非常紧密的关联，其浓度直接与扩散情况有关。因此必须要针对其扩散条件以及气象条件进行详细的分析，从而针对性地改善大气中的颗粒物浓度，有效提升空气质量，为农业建设与发展创造良好的环境条件。目前，结合理论分析情况，大气颗粒物主要与时间与空间分布规律存在联系，为此本文将针对以上两种规律开展大气颗粒污染物的特征研究工作。

1.2 以我国多地区为案例的大气颗粒物污染特征分析

1.2.1 时间分布特征

现阶段，国内外针对大气颗粒物的研究数量逐渐增多，这为大气污染治理等工作奠定了良好的基础。其中刘克利等研究人员经过数据研究指出：PM10可吸入颗粒物的浓度近几年整体呈现下降趋势，但是下降状况并不明显。基于此，技术人员进行了系统的浓度研究，而根据全年浓度数据来看，浓度峰值在夏季，冬季则为最小值。在此基础上工作人员针对兰州市等区域进行了详细的浓雾污染研究，认为以上几个区域的浓度虽然近几年来得到了一定的优化，但是优化趋势较小。而根据季节性变化数据进行研究，其浓度由大到小分别为冬、秋、春、夏，由此可见，冬季大气中的颗粒物含量最多。

在日变化方面，研究人员以北京城区为案例进行了PM2.5等成分的研究，发现在春季一天的时间内，其浓度峰值主要是在上午以及正午两个时间段，山林中污染物元素的浓度变化趋势较小，由此可见污染物浓度在春季环境下的日变化主要呈现陡峰型。而在针对广州市PM2.5浓度加以监测的过程中，发现凌晨阶段的浓度较低，04:00达到最低谷状态，其原因在于人为活动较少。而06:00~08:00以及18:00~19:00两个阶段由于上班高峰期因此浓度明显增加，中间时间段则处于平稳的高浓度状况，可见此时的扩散条件较差[2]。

1.2.2 空间分布特征

针对成都地区不同功能区进行采样分析，最终显示城区的下风向区域的污染物浓度更为严重，商业区次之，生活区浓度最低。而贵阳市的采样点数据则显示其TSP与PM10的浓度变化为工业污染区域最为严重，其次分别为文教、城市中心、周围区域。

1.3 大气颗粒物与扩散条件的相关性分析

1.3.1 与风向、风速的相关性研究

在对北京市进行PM2.5以及PM10浓度分析的过程中，显示若是当日的风向为南风或者东南风，则浓度通常较高，而若是东北风或者北风，则浓度会有所下降。在对北京市进行分析的过程中，若是在秋季，且湿度较高，出现大气颗粒物污染的可能性会持续上升。而若是风速较小，则扩散条件进一步降低，产生污染概率接近80%左右。而春季由于湿度较小，通常低于60%。因此产生4m/s以上的污染概率也会在50%及以上。冬季污染范围会更加广泛，若是在风速2m/s的状况下，则长时间持续污染的概率会高于60%。

1.3.2 与气温的相关性研究

结合现阶段的数据研究显示，在春秋季节，气温对PM10的影响较为相似，其中若是当天的平均气温接近季节平均气温，则污染概率上升；若是高于则出现污染的概率较小。而冬季则反之，在高于平均气温时出现污染状况的可能性会大幅度提升，而接近平均气温时则几乎不会存在污染状况。

1.3.3 与湿度的相关性研究

大气颗粒物与湿度之间的相关性如下：干燥度越高，则很容易产生PM10等情况的大气污染。而若是湿度有所增加，则这一情况也会相应降低。结合数据显示来看，大气污染中的颗粒物会在水汽的影响下凝结，之后产生浓度下降的状况。而若是水汽较小，则灰尘的含量持续增加，最终产生雾霾等状况，形成严重的污染。

1.3.4 与气压的相关性分析

目前，我国研究人员针对气压与大气污染之间的相关性进行了较为系统化的研究，最终发现二者关系较为紧密。当近地面为低压状况时，该区域整体呈现周围高中间低的状况，此种情况下，地面的气流会在气压差的影响下呈现上升的状态，因此地面的风速较快，此时的大气颗粒物数量较小，说明气压与大气颗粒物的数量以及浓度呈现正比例关系[3]。

1.3.5 降水量的相关性研究

结合西安市的气象数据以及大气颗粒物的相关数据，发现降水天气能有效降低大气中颗粒污染物数量。例如若当日降水量为20mm，则PM指数呈现明显下降。之后的分析中，研究人员针对不同降水情况下的PM2.5以及PM10浓度进行的系统化的研究，最终发现：当降水量为5mm以上，则大气颗粒物浓度会出现明显的下降；若是5mm以下则降水影响不明显。而若是在1mm降水状况下，则大气颗粒物浓度的清除效果从强到弱依次为春、夏、秋、冬。

1.3.6 与大气能见度的相关性研究

结合杭州市近几年来的浓度数据以及气象分析资料来看，空气中的颗粒物浓度在无降水情况下最为明显，其中浓度甚至可以达到300μm/m3，能见度为4.9km；而当浓度≤50μm/m3时，能见度可达到23km。由此可见，能见度状况与大气中的细颗粒物呈正相关。

2 气象大数据回归分析——以益阳市为例

2.1 原始数据整体分析

本次分析内容主要是使用SPASS软件平台，并结合指标数据进行函数的研究与计算，最终结合回归曲线的情况分析出相关指标之间的关系。益阳市为湖南中北部地区，是长江中游城市群重要成员，总人口数量约为385万人，总面积约为12320平方公里，其主要产业发展为农业和工业。结合当地近几年来的空气污染相关数据情况来看，技术人员将空气污染等级划分为优、良以及轻度、重度、中度、严重等污染类型，重点分析在益阳市排放条件背景下，在空气污染中PM2.5以及PM10的含量。

2.2 相关数据回归分析

2.2.1 PM2.5与平均气温之间的统计学研究

在进行数据指标相关性研究的过程中，研究人员发现PM2.5与PM10两种物质呈现“双尾”相关关系。而在进行皮尔逊分析时，该指标为0.915，具有非常明显的相关性特征。因此利用分析PM2.5与气象条件之间的统计学关系，能为后续大气颗粒物与气象条件关系的分析工作提供帮助。该结果表明，PM2.5指标与相关气象因素指标有直接关联，因此在后续的研究中将进行具体指标的研究。技术人员进行了PM2.5与平均气温之间的联系研究。最终证实呈现线性相关，P=0.000关系，但是回归特征不显著。在利用软件进行关系函数点显示时，发现PM2.5与平均气温二者为负相关，P=0.000＜0.01，虽然最终数据偏差为40%，但是依旧有明显的统计学特征。

2.2.2 PM2.5与气压之间的统计学分析

PM2.5与气压之间的关系为P=0.000线性相关，其主要体现在复合函数、二次函数以及S函数等关系式中。在统计学分析的过程中，由于R2数值低于0.700，因此虽然呈现统计学特征但是线性关系并不明显。此外从三点分布状况来看，如图1所示，曲线从左至右为逐渐上升趋势，因此二者为正相关。散点较为分散，其宽度主要分布在气压区间10以内，这也直接导致其回归关系较弱。

图1 PM2.5与气压之间的线性关系图

2.2.3 PM2.5与降水量之间的统计学关系

PM2.5与降水量之间呈现统计学理论P=0.000的线性关系，而R2数值小于0.700，由此可见呈现统计学关系但是回归特点并不明显。图2为二者之间的关系图，可见，散点分布的离散性较强，且离散宽度可以达到33%，因此回归关系强度较差。

图2 降水量与PM2.5之间的线性关系图

2.2.4 PM2.5与平均风速之间的统计学研究

根据上文数据显示，气压、气温以及降水量等指标因素与大气颗粒物污染浓度呈现回归关系，但是并不明显。而在分析其与平均风速之间关系的研究中，技术人员发现前期并没有统计学特征，且三点之间并无明显规律，整体散点图的分布状态呈现复杂无章的状况，因此不存在回归关系，具体散点图如图3所示[4]。

图3 PM2.5与平均风速之间的散点图关系

3 大气颗粒物PM2.5与气象因子的关系研究

在针对上文平均气温、气压、降水量等研究的过程中，虽然存在一定的敏感曲线差异状况，但是其结果均为P=0.000。然而在进行区域平均风速分析的过程中，得出了10条敏感曲线，其中最小值为0.12，远高于p＜0.05的信度阈值，因此可以得出最终结论：大气颗粒物与平均气温、气压、降水量等气象条件之间呈现相关关系，且每一气象参数之间都存在R2较小的关联，而与平均风速之间则不呈现任何相关统计学关系。

R2数值主要是分析敏感区县与三点之间平均距离的吻合状况，数值越大，则说明二者的重合度越高。当R2高于0.990时，则敏感曲线与三点之间的重合度较高。在本次分析平均气温关联的过程中，最大的R2值达到了0.7左右。由此可见，在多敏感曲线P值为0.000的情况下，单一气象因素对PM2.5的分析会受到一定的干扰影响。

在进行统计学分析的过程中，气温以及降水量越高，则PM2.5的浓度越低，呈现负相关；而气压越高则浓度越高，呈现正相关。此外若是高气压、低降水，则大气中的颗粒物数量会更多。

4 结论

综上所述，通过对潍坊地区相关数据的分析可知平均温度以及降水量等因素与大气颗粒物污染状况存在统计学联系，其中气压指标更是与最终的大气污染物状况呈现正相关。因此在未来的工作中，要求相关工作人员要加大对以上指标的关注，并结合其关系特征做好农业知识宣传等工作，使每一位农户都能根据理论知识进行农业生产的日常管理，以此确保我国农业建设与发展的质量。