基于统计动力反演模型分析PM_(2.5)浓度变化的影响因素及其系统演化

以杭州市2013—2016年秋冬季PM_(2.5)及影响因素为研究对象,构建统计动力学反演模型,研究PM_(2.5)浓度系统的影响因素与演化特征。结果显示,(1)模型反演预测值与实际监测值的相关系数0.8316,贡献率大于1%的各驱动项之和为90.85%,反演效果较好;模型中线性项贡献率之和为21.65%,非线性项贡献率之和为62.88%,PM_(2.5)浓度变化受非线性影响更加显著。(2)包含NO_2、SO_2、CO的各驱动项贡献率之和分别为10.77%、8.42%、6.58%;包含降雨(PRE)、风速(WIND)的各驱动项贡献率之和分别为20.5%、17.02%,NO_2、SO_2、PRE、WIND是杭州市PM_(2.5)浓度变化的最主要影响因素。(3)贡献率大于2%的各驱动项中,平均气压(PRS)、相对湿度(RHU)、日照时长(SSD)对PM_(2.5)呈负反馈线性稳定影响作用,PM_(2.5)×SO_2、NO_2×PRS、PRE×SSD、PM_(2.5)×WIND等交互项对PM_(2.5)浓度变化呈正反馈非线性影响,PM_(2.5)×O_3、SO_2×NO_2、PRE×WIND等交互项对PM_(2.5)浓度变化呈负反馈非线性稳定作用。(4)杭州市PM_(2.5)浓度变化系统是一元二次非线性驱动演变系统,通过数值模拟分析可知其PM_(2.5)浓度变化系统呈双定态式,PM_(2.5)浓度变化系统在定态值0.2413与0.3769之间波动变化,系统平衡态不稳定。结果表明,统计动力反演模型可定量解析出PM_(2.5)浓度变化的线性驱动项与非线性驱动项的系数值及贡献率,有助于揭示PM_(2.5)浓度变化系统的演化特征,研究结果可应用于大气污染控制与环境管理等方面。