德里PM2.5的多尺度变异性和滞后气象控制：来自小波相干性和因果分析的见解

《Environmental Science: Atmospheres》：Multi-scale variability and lagged meteorological controls of PM2.5 in Delhi: insights from wavelet coherence and causality analysisOpen Access

　　

本研究调查了2017–2025年期间德里上空细颗粒物（PM_2.5）的时间演变、多尺度变异性及气象控制，采用集成统计和时间-频率框架。小时观测显示显著变异性，PM_2.5浓度范围为7.8至879.6 μg m^?3，平均值为102.7 μg m^?3，表明频繁出现严重污染事件。观察到明显的季节循环，冬季浓度在停滞大气条件下经常超过200 μg m^?3，而季风期由于增强的湿清除和大气混合，浓度降至50 μg m^?3以下。多尺度分析揭示了天气尺度（2–16天）、季节内尺度（16–64天）和季节尺度（>64天）上的主导变异性，凸显了PM_2.5动力学的非平稳特性。小波相干性分析显示PM_2.5与气象参数之间存在强小波相干性，其中边界层高度在较长时间尺度上表现出最强的小波相干性（相干性>0.8），表明与PM_2.5变异性存在持续的尺度依赖性相干性。滞后关系进一步表明气象对PM_2.5的影响并非瞬时，最大相关性出现在长达51小时的时间延迟。格兰杰因果分析证实了大气变量的强预测影响，其中总天空辐照度和边界层高度显示出最高的预测强度，F统计量分别为2685.08和1559.59。总体而言，研究结果表明德里的PM_2.5变异性受多尺度和滞后依赖的大气过程控制。本研究为理解城市空气污染动态提供了一个基于过程的框架，并为改善空气质量预测和支持快速城市化特大城市中基于证据的污染缓解策略提供了宝贵见解。

**论文解读文章**

**研究背景、问题与目的**

德里作为全球人口密度最高的特大城市之一，长期面临严重的细颗粒物（PM_2.5）污染，对公众健康和环境构成持续威胁。PM_2.5污染由排放源与大气过程之间的复杂相互作用驱动，但现有研究在理解其多尺度时间变异性和滞后气象控制方面存在不足。传统统计方法难以捕捉大气过程的非线性和非平稳特性，尤其缺乏对PM_2.5与气象参数之间尺度依赖性关系及滞后影响的综合定量分析。因此，研究人员开展本研究，旨在利用2017–2025年长时间序列的高分辨率观测数据，通过集成统计、时间序列和小波分析框架，系统揭示德里PM_2.5的多尺度变异性、概率密度特征、长期趋势，以及气象参数（特别是边界层高度、湿度、温度、风速、降水等）的尺度依赖性和滞后控制作用，为改进空气质量预测和制定有效缓解策略提供科学依据。该论文发表在《Environmental Science: Atmospheres》。

**关键技术与方法**

研究人员主要采用以下关键技术方法：（1）**连续小波变换**（Continuous Wavelet Transform, CWT）识别PM_2.5的主周期和瞬态振荡行为；（2）**小波变换相干性**（Wavelet Transform Coherence, WTC）分析PM_2.5与气象参数在时间和频率域的尺度依赖性关系；（3）**修改的Mann–Kendall检验**（Modified Mann–Kendall test）结合**Sen's斜率**（Sen's slope）评估长期趋势；（4）**多元线性回归**（Multiple Linear Regression, MLR）量化气象参数的联合影响；（5）**互相关函数**（Cross-Correlation Function, CCF）识别滞后关系；（6）**格兰杰因果分析**（Granger Causality Analysis）检验方向性预测关系。数据来源：PM_2.5小时浓度来自德里6个连续环境空气质量监测站（CAAQMS，由中央污染控制委员会CPCB运营）；气象数据（温度、湿度、降水、风速、总天空辐照度TSI、表面气压、边界层高度BLH）来自ERA5再分析资料和NASA MERRA-2再分析资料（通过POWER数据库获取）。

**研究结果**

**3.1 PM_2.5浓度变异性**：通过月平均热图和日变化热图分析，发现PM_2.5浓度呈现显著季节循环，冬季（11–1月）浓度最高（月均值可达260.7 μg m^?3），季风期（7–9月）最低（低至25.4 μg m^?3）。日变化呈双峰模式，早高峰（06:00–09:00）和晚高峰（20:00–23:00）浓度较高，午后（12:00–16:00）因边界层发展而最低。研究期间平均浓度为102.7 μg m^?3，范围7.8–879.6 μg m^?3。

**3.2 PM_2.5的概率密度特征**：通过概率密度函数（PDF）分析，发现所有小时时段PDF均呈正偏态，低至中等浓度占主导，极端高污染事件较少但贡献显著尾部。夜间和清晨PDF更宽、右尾更长，反映稳定大气条件下污染物累积；午后PDF更窄、更尖，浓度多低于100 μg m^?3。

**3.3 长期趋势分析**：采用修改的Mann–Kendall检验和Sen's斜率，发现4–10月PM_2.5浓度呈显著下降趋势（95%置信水平），Sen's斜率从?3.93 μg m^?3 年^?1（4月）至?10.097 μg m^?3 年^?1（9月）。冬季月份（11–2月）趋势不显著。年际尺度上，年均浓度呈显著下降趋势（Z = ?2.19，Sen's斜率?5.797 μg m^?3 年^?1）。

**3.4 PM_2.5的时间演变和多尺度变异性**：通过连续小波变换（CWT）分析，揭示PM_2.5变异性在天气尺度（2–16天）、季节内尺度（16–64天）和季节尺度（64–256+天）上均存在显著振荡，且信号强度随时间变化，表明非平稳性。30天移动平均显示冬季污染累积、季风期扩散的强季节模式，年均浓度从2017年的127.7 μg m^?3降至2025年的80 μg m^?3。

**3.5 PM_2.5与气象参数的小波相干性**：通过小波变换相干性（WTC）分析，发现所有气象参数与PM_2.5的相干性随时间和尺度变化。边界层高度（BLH）在较长尺度（64–256天）上表现出最强且最持久的相干性（相干性>0.8），表明其在垂直混合和扩散中的主导作用。相对湿度（RH_2M）和比湿（QV_2M）在8–64天波段表现出中等至强相干性（0.6–0.85），反映湿度对吸湿增长和二次气溶胶形成的影响。温度（T_2M）相干性较弱（0.5–0.75），主要在4–32天尺度。风速（WS_10M和WS_50M）在16–64天尺度上相干性中等（0.5–0.7）。降水（RF）相干性弱且偶发。

**3.6 统计关系和预测分析**：通过密度散点图、多元线性回归（MLR）、互相关函数（CCF）和格兰杰因果分析，揭示PM_2.5与气象参数的非线性关系和滞后影响。MLR显示T_2M（系数?2.8917，p<0.001）和BLH（系数?0.0149，p<0.001）对PM_2.5有强负向影响。CCF分析表明最大滞后相关性出现在51小时（T_2M，r = ?0.371）和2小时（BLH，r = ?0.231）。格兰杰因果分析显示所有气象参数在95%置信水平上显著预测PM_2.5，其中总天空辐照度（TSI）F统计量最高（2685.077，滞后1小时），BLH次之（1559.588，滞后1小时）。

**结论**
研究全面调查了2017–2025年期间德里PM_2.5浓度的时间演变、多尺度变异性和气象控制。结果显示PM_2.5浓度变异性大（7.8–879.6 μg m^?3，平均102.7 μg m^?3），冬季和季风后浓度升高，季风期浓度较低。连续小波变换识别出天气、季节内和季节周期性，小波变换相干性表明边界层高度与PM_2.5在较长尺度上相干性最强（>0.8），相对湿度和比湿也有强尺度依赖性关系。密度散点分析显示高PM_2.5浓度主要与低风速、浅边界层、中等至高等湿度及无降水条件相关。统计、小波和相干性分析的综合集成提供了对德里PM_2.5复杂大气过程的详细见解。研究结果有助于理解城市气溶胶的多尺度动态，并为德里空气质量管理和预测预警系统开发提供依据，支持在不利气象条件下制定针对性减排策略以减少颗粒物污染暴露和保护公众健康。