EN中文

湿地科学 >

2025 , Vol. 23 >Issue 5: 1036 - 1045

DOI: https://doi.org/10.13248/j.cnki.wetlandsci.20240311

湿地生物地球化学

西溪湿地臭氧变化特征及其影响因素分析

  • 余卉 , 1, * ,
  • 姚可侃 1 ,
  • 孙小溪 2
展开
余卉(1994—)，女，浙江省龙游人，硕士，工程师，从事大数据技术驱动的湿地生态环境保护研究。E-mail:

收稿日期: 2024-11-25

  修回日期: 2025-09-09

  网络出版日期: 2026-03-12

版权

版权所有©《湿地科学》编辑部2025
余卉, 姚可侃, 孙小溪. 西溪湿地臭氧变化特征及其影响因素分析[J]. 湿地科学, 2025, 23(5): 1036-1045 [Yu H, Yao K K, Sun X X. Ozone variation characteristics and influencing factors in the Xixi Wetland. Wetland Science, 2025, 23(5): 1036-1045
收起

Ozone variation characteristics and influencing factors in the Xixi Wetland

  • Yu Hui , 1, * ,
  • Yao Kekan 1 ,
  • Sun Xiaoxi 2
Expand

Received date: 2024-11-25

  Revised date: 2025-09-09

  Online published: 2026-03-12

Copyright

Copyright ©2025 Wetland Science. All rights reserved.
Fold

摘要

西溪湿地作为中国独特的城市湿地，植被茂盛、水系发达，具有重要的生态价值和文化价值。据监测，2023年西溪湿地小时臭氧(O3)浓度超标天数达40 d以上，溯源污染源以助力精准治污迫在眉睫。考虑到湿地内部低频的人类活动和丰富的植物多样性，植物源挥发性有机物(BVOCs)可能是造成湿地臭氧超标的关键因素，因此，本研究收集了2023年11月至2024年11月西溪湿地每小时气象数据(气温、气压、空气湿度、风速、降水量)，空气质量数据(PM2.5、PM10、SO2、NO2、CO、O3)，以及重要环境因素(土壤温度、湿度、商户油烟值和交通流量)，采用趋势分析、随机森林模型和非负矩阵分解(NMF)源解析，对湿地O3浓度变化特征及其影响因素进行了定量分析。研究结果表明，湿地臭氧浓度在日间和季节间变化趋势明显，白天和夏季相对较高；随机森林模型输出的特征重要性排序结果表明，土壤−大气湿度差和NO2对O3影响最为显著，贡献率分别为44.6%和19.0%；NMF模型归因了3类潜在污染源，分别为交通源、生活和餐饮源、自然或区域源，贡献率分别为18.7%、24.0%、57.3%；西溪湿地内的餐饮油烟和汽车尾气排放相对有限，O3超标更有可能是植物在夏季大量释放BVOCs所致。建议西溪湿地臭氧超标的主要治理方向集中在控制区域源的BVOCs、NO2和非甲烷总烃的排放上，做好湿地植物配置、鼓励绿色出行、加强监管疏导等科学管控。

本文引用格式

余卉 , 姚可侃 , 孙小溪 . 西溪湿地臭氧变化特征及其影响因素分析[J]. 湿地科学, 2025 , 23(5) : 1036 -1045 . DOI: 10.13248/j.cnki.wetlandsci.20240311

Abstract

As a unique urban wetland in China, the Xixi Wetland is characterized by lush vegetation, an intricate water system, and holding significant ecological and cultural value. Monitoring data revealed that the hourly ozone (O3) concentration in the Xixi Wetland exceeded standards on more than 40 days in 2023, highlighting the urgent need for precise pollution source tracing. Considering the low-frequency human activities and rich plant diversity within the wetland, biogenic volatile organic compounds (BVOCs) from plants may be a key factor contributing to the high ozone levels. Therefore, this study collected hourly meteorological data (temperature, atmospheric pressure, humidity, wind speed, rainfall), air quality data (PM2.5, PM10, NO2, SO2, CO, O3), as well as important environmental factors (soil moisture and temperature, merchant grease emissions, and traffic volume) from November 2023 to November 2024. A quantitative analysis of the characteristics of O3 concentration changes and their influencing factors was conducted using trend analysis, random forest modeling, and non-negative matrix factorization (NMF). The research results showed that: ozone concentrations in the wetland exhibited significant daily and seasonal variation, with higher levels during the day and in summer. The feature importance ranking from the random forest model indicated that the soil-atmosphere humidity difference and NO2 had the most significant impacts on O3, accounting for 44.6% and 19.0%, respectively. The NMF model identified three potential pollution source categories inlcuding traffic sources, residential and catering sources, and natural or regional sources with respective contribution rates of 18.7%, 24.0%, and 57.3%. Emissions from catering grease and vehicle exhaust within the Xixi Wetland were relatively limited, suggesting that the exceedance of O3 concentration was more likely due to the substantial release of BVOCs from plants in summer. Therefore, it is recommended that future management of ozone exceedance in the Xixi Wetland focuses on controlling emissions of BVOCs, NO2, and total non-methane hydrocarbons from regional sources, optimizing plant configurations in the wetland, encouraging green transportation, and enhancing supervision and guidance.

近地面臭氧(O3)是在对流层经太阳光照射，由挥发性有机物(VOCs)、一氧化碳(CO)和氮氧化物(NOx=NO+NO2)等前体物通过一系列光化学反应形成的大气二次污染物[1]。快速的工业化和城市化进程导致中国大气污染进入复合型时代，O3污染日趋严重[2-3]。研究表明[4-5]，高浓度的O3会损害人体健康，主要表现在呼吸、免疫及心血管系统，引发炎症反应。作为一种强氧化剂，O3会诱发植物细胞膜脂质过氧化，降低植物光合作用和生物量积累，影响植物群落组成和生物多样性[6-7]。此外，O3与CO2、CH4和NO2同为主要温室气体，温室效应潜力高[8]。由于其对气候变化、空气质量和人类健康的多重危害，O3污染引发了广泛关注。
O3的生成机制涉及一系列复杂的环境因素，包括温度、湿度、太阳辐射强度等气象因素[9]和包含臭氧前体物VOCs、NOx等在内的空气污染物[10]。Hu等[11]指出，在高温、低湿、高光照的环境下O3生成速率显著增加。低风速下污染物易聚集、高气压下大气稳定性加强，可加剧O3和PM2.5的累积[12]。PM2.5、PM10、SO2、CO等大气污染物可通过吸附或催化作用等影响大气的氧化性，从而进一步改变O3的生成和消耗[13-14]。O3的重要前体物VOCs是易挥发碳氢化合物的总称，其来源分为人为源和植物源[15]。人为源包括汽车尾气、工业过程、燃料燃烧、溶剂使用、油烟排放等，会产生VOCs、NOx、CO等多种气体[16-17]。植物源挥发性有机化合物(BVOCs)是指植物器官(如叶、茎、果实、花等)通过次生代谢途径合成的多种易挥发、低沸点的碳氢化合物[18]。据统计，全球植物每年扩散的VOCs多达30 000种以上[19]，占全球VOCs年排放总量的90%左右，远高于人为源VOCs(AVOCs)的年排放量[20-21]。因此，BVOCs对大气中O3的生成具有不可忽视的作用[22]。
西溪湿地是中国唯一一个集城市湿地、农耕湿地和文化湿地于一体的国家湿地公园，具有重要的生态和文化价值[23]。2023年西溪湿地生物多样性监测报告[24]显示，西溪湿地植被覆盖率为71.28%、水面面积为5.65 km2，湿地率为54%，维管束植物有765种，内部无任何工业活动，自然环境条件优于周边县(市、区)。但根据2023年杭州市环境空气质量状况公开数据[25]比较计算，2023年西溪湿地空气质量达标率仅为87.5%，低于周边森林城市92%以上的平均水平，2023年西溪湿地小时O3浓度超标天数达40 d以上，O3污染问题愈来愈受到管理者的重点关注。基于对当前文献和数据的广泛查阅和分析，尽管在城市O3领域已有较多关于成因机制、影响因素、分析方法等的研究积累[10,26]，但对在湿地特殊环境下或自然保护区内O3特征、变化规律、驱动因素及来源分析等的系统性研究仍较为匮乏，定量评估湿地O3影响因素并溯源污染来源，对于精准治理西溪湿地O3超标问题尤为关键。
天气系统对O3影响的主要研究方法包括模型研究[27]、统计分析和前体物示踪法[28]，其中常用的统计分析方法有聚类分析法[29]、主成分分析法[30-31]、机器学习法[32]等。考虑到气象要素和化学过程对O3浓度的影响具有很大的时间和空间变异性[33]，O3浓度与其前体物排放的变化具有非线性变化响应特征[34]，故本研究使用随机森林模型和非负矩阵分解(Non-negative Matrix Factorization, NMF)两种方法，以提供全面、稳健的分析视角。随机森林模型是一种广泛应用于高维、非线性数据的集成机器学习方法，具有出色的特征选择和变量重要性分析功能[35]。王郁聪等[36]研究表明，随机森林模型适用于识别O3生成的关键驱动因素，尤其在气象和环境参数复杂交互的条件下。非负矩阵分解方法具有良好的数据降维效果和高效的解释性[37]，可用于研究O3的污染来源，量化不同污染物在O3生成中的比例。
基于此，本研究以西溪湿地为研究对象，收集了2023年11月1日至2024年10月31日为期1 a的气象和空气质量数据，包括温度、湿度、风速、气压、降水量及空气污染物浓度(PM2.5、PM10、SO2、NO2、CO、O3等)，并纳入土壤温湿度、商户油烟值和交通流量等特征环境因素。通过时间序列分析揭示O3的日间和季节性波动，利用随机森林模型识别关键驱动因素，并利用NMF进行源解析，量化不同污染源的相对影响，旨在为理解湿地O3污染的形成机理提供新视角，并为城市湿地生态保护和管理策略制定提供数据支撑和科学依据。

1 数据与方法

1.1 数据来源

空气质量实时数据来源于杭州西溪国家湿地公园中的国控大气监测站，空气质量指标包括PM2.5、PM10、SO2、NO2、CO、O3。利用美国热电公司的紫外光度校准仪，通过O3分子对254 nm紫外光的吸收强度来推算O3浓度[32]。
气象、土壤温度和湿度数据来源于西溪湿地内按照GB/T 35237-2017[38]和HJ 166-2004[39]标准建立的气象站和土壤温湿度自动监测站。气象数据包括空气温度、湿度、风速、气压、降水量。YC-900A小型气象站，配备瑞士Sensirion公司进口的SHT30数字温湿度传感器，温度的测量精度在25 ℃时为±0.5 ℃；相对湿度的测量精度在25 ℃/60%相对湿度条件下为±3%；大气压力传感器精度在25 ℃/101 kPa条件下为±0.15 kPa；风速传感器的测量精度为±0.2 m/s。通过YC-100R无限雨量监测仪获得降水量数据，误差范围在真实值的±4%以内。利用NCE-STTR-01多层土壤监测传感器，获得土壤温度和湿度数据，土壤含水量的测量精度为±2%，土壤温度的测量精度为±0.1 ℃。
利用湿地管理局根据规定为商户安装的YC-900S油烟在线监测仪，获取油烟实时排放数据，监测仪安装在商户油烟排放管道末端，所有设备分布集中，点位相对位置见图1。选取离空气质量监测站最近的商户在线油烟排放数据(含油烟值、颗粒物浓度、非甲烷总烃浓度)，数值分辨率均为0.01 mg/m3。西溪湿地内的每小时进出车辆数来源于湿地所有出入口道闸智能化系统的汇总数据。
1 Distribution of environmental equipment monitoring points in the Hangzhou Xixi National Wetland Park

杭州西溪国家湿地公园环境设备监测点分布

收集以上所有指标从2023年11月1日00︰00至2024年10月31日24︰00的每小时数据，其中收集空气质量数据6 505条，年每小时数据完整度为74%，日平均数据完整度为93%，将气象、环境因素指标中所有空白数据剔除后，获得总样本量970个。

1.2 特征变量重要性计算方法

随机森林模型(Random Forest Model)是一种基于决策树的集成算法，其通过构建多个决策树并将其结果进行综合，具有较强的非线性拟合能力和鲁棒性，适用于多变量间复杂关系的建模，可实现分类筛选和预测任务[40]。本研究将O3浓度设定为预测目标，其他16个变量(PM2.5、PM10、SO2、NO2、CO、空气温度、空气湿度、降水量、气压、风速、土−气温度差、土−气湿度差、非甲烷总烃、油烟值、颗粒物浓度和汽车数量)作为特征变量。在数据预处理阶段，对所有特征变量进行标准化处理（使其均值为0，标准差为1），便于统一量纲，从而改善模型性能并提高收敛速度。模型精度评估指标包括均方根误差(RMSE)和判定系数(R2)，RMSE越接近0，表示模型预测越精确，“良好”数值取决于目标变量的量纲和应用领域；R2值的范围是0~1，越接近1，表示模型对数据的解释能力越强[41-42]，R2>0.7通常被认为模型拟合效果较好，适用于高精度要求的领域。
本研究中随机森林模型参数决策树数量(n_estimators)设置为100，即构建100棵决策树；随机种子(random_state)设置为42，随机种子固定以保证结果可重复。将数据集划分为训练集(70%)和测试集(30%)，在训练集上训练随机森林回归模型；然后基于训练好的模型计算各个特征变量的重要性并排序；最后在测试集上预测O3浓度，采用RMSE和R2评估模型性能。

1.3 污染源贡献率计算方法

非负矩阵分解(NMF)是一种矩阵分解技术，被广泛应用于高维数据的降维和特征提取[43]。NMF在环境学科中用于源解析，可帮助识别O3的主要来源，例如交通排放、工业排放、光化学反应产物等，并量化不同污染物在O3生成中的比例。NMF的基本思想是将一个非负矩阵X分解为两个较小非负矩阵W和H的乘积，即：
\begin{document}$ \boldsymbol{\boldsymbol{X}}=\boldsymbol{\boldsymbol{WH}\boldsymbol{\boldsymbol{ }}} $\end{document}
式中，X表示原始数据矩阵，大小为m×n，表示有m个样本和n个特征(例如，污染源数据中的浓度和时间序列)；W表示基矩阵，大小为m×r，表示r个基成分；H表示权重矩阵，大小为r×n，每个元素代表特征的权重。
在Python中，使用scikit-learn库中的NMF函数来求解W和H这两个矩阵。NMF源解析的准确性依赖于数据质量和分解算法的优化，通过多次运行及结合不同初始化方法，不断调整W和H，以使重建矩阵WH与原始数据矩阵X之间的差异(误差)最小化。当误差无法进一步显著降低(即收敛)时，停止计算，从而获得较为稳健的分析结果。

2 结果与讨论

2.1 西溪湿地臭氧变化趋势分析

西溪湿地O3浓度呈现明显的日变化趋势(图2)。通常O3质量浓度在清晨(6~7时)较低，小时年均最小值为25 µg/m3，随着日照增强，在中午(11~13时)和下午时段(14~16时)达到高峰，小时年均最大值为102 µg/m3。不同日期的O3峰值有所差异，可能因为受到气象条件(如温度、湿度、风速)的影响。此外，污染物的排放也会在短期内对O3浓度产生影响。
2 Temporal variation of hourly O3 concerntration in the Xixi Wetland from 2023 to 2024

2023—2024年西溪湿地臭氧小时质量浓度时序变化

通过绘制O3小时年均箱线图(图3)进一步分析O3的典型日变化趋势，发现其日平均浓度为58 µg/m3，波动范围为25~102 µg/m3。白天O3浓度波动范围较大，这与O3的生成机制有关。O3主要在阳光充足条件下通过光化学反应生成，故在白天浓度增加；晚间缺少光源，O3生成速率下降，浓度随之降低。随着夜间光照减弱，O3浓度通常较低，并且在各个小时的分布相对集中，表现为较小的箱线范围。
3 Changes in annual mean hourly O3 concentration in the Xixi Wetland from 2023 to 2024

2023—2024年西溪湿地臭氧小时质量浓度年均值变化

此外，湿地O3浓度呈季节性变化特征(图4)。随着温度和太阳辐射的增强，O3浓度逐渐升高，并在8月底达到全年峰值，从11月至次年2月(秋冬季)逐渐降低。2024年7月尽管平均温度(30.9 ℃)与8月(31.9 ℃)相近，但O3浓度却远低于8月。这一现象可能是由7月较高的湿度(平均湿度为73%，而8月为70%)以及月内4次分布均匀的小到中雨(分别发生在7月1日、11日、13日和26日)所致。降水和高湿度可能抑制了O3的生成。此外，该期间周边并未记录到异常的排放活动，这也可能是导致O3浓度异常较低的因素之一。
4 Annual trend of daily mean O3 concentration in the Xixi Wetland

西溪湿地臭氧日均质量浓度年度变化趋势

2.2 西溪湿地臭氧影响因素贡献度分析

考虑到土壤−大气温湿度的差值与植物根系活动、气孔开闭和水分蒸腾速率密切相关，直接影响植物蒸散发量和扩散效率[44]，如较大的土−气湿度差异可能加速蒸腾作用，使植物更频繁地从根部吸水以补充蒸腾损失的水分，反之大气湿度接近或高于土壤湿度，蒸腾速率降低，植物水分流失减少。因此，本研究将土壤−大气温湿度差纳入特征变量，旨在间接反映植物BVOCs释放速率对湿地臭氧浓度的影响。
采用随机森林模型对西溪湿地臭氧浓度的影响因素进行分析，在测试集上，均方根误差(RMSE)为15.38，判定系数(R2)为0.84，RMSE和R2优于相关研究结果[45-46]。R2可以解释84%的O3浓度变化，具有较好的拟合效果。学习曲线(图5a)显示，随着训练集大小的增加，训练误差(Training Error)逐渐降低，而测试误差(Testing Error)趋于平稳，说明模型训练效果良好，未出现明显的过拟合或欠拟合问题。残差分布(图5b)表明预测值与实际值之间的误差分布呈正态分布，且无显著偏差。这种集中且对称的残差分布增强了模型预测的可信度。实际值与预测值对比图(图5c)显示，数据点总体分布接近对角线，表明模型对湿地臭氧浓度的预测结果较为准确，拟合程度较高。
5 Performance evaluation of random forest model for O3 concentration in the Xixi Wetland

西溪湿地臭氧浓度随机森林模型性能评估

随机森林模型的特征重要性排序结果揭示了不同环境和气象变量对湿地臭氧浓度影响程度的差异(表1)。土−气湿度差是影响西溪湿地O3浓度的最重要因素，其特征重要性为44.6%。表明土−气湿度差在O3生成或消散过程中可能起关键作用。土−气湿度差可能通过影响植物BVOCs释放和O3扩散条件，间接影响O3浓度。当土壤湿度显著高于大气湿度时，植物蒸腾作用增强，气孔开度扩大，导致异戊二烯等BVOCs释放量增加，从而促进了O3生成[47]。同时，土−气湿度差影响大气稳定性和混合层高度，当土壤湿度低于大气湿度时，近地面逆温层易形成，会抑制污染物的垂直扩散，导致O3积累；反之，较高湿度差会增强大气垂直方向上的运动和交换，加速O3向高空扩散。此外，土−气湿度差还可以改变对流强度和云量分布，间接影响O3局地停留时间[48]。
1 Feature importance values of random forest model for O3 concentration in the Xixi Wetland

西溪湿地臭氧浓度随机森林模型特征重要性

特征变量 重要性 特征变量 重要性
土−气湿度差 0.445 560 汽车数量 0.020 952
NO2 0.186 781 SO2 0.019 920
空气温度 0.112 050 CO 0.017 644
气压 0.038 086 风速 0.017 489
空气湿度 0.034 329 PM2.5 0.016 454
非甲烷总烃 0.028 381 油烟值 0.009 388
PM10 0.022 401 颗粒物浓度 0.008 455
土−气温差 0.021 160 降水量 0.000 949
NO2浓度的特征重要性为19.0%，是仅次于湿度差的关键影响因素。NO2作为臭O3生成的重要前体物质，与O3浓度变化显著相关。气温、气压和空气湿度对湿地O3浓度亦有一定影响，特征重要性分别为11.2%、3.8%和3.4%。气温的升高可能加速光化学反应，促进O3生成，而气压和湿度的影响相对较小，但仍具有一定相关性。其他影响因素如商户油烟中的非甲烷总烃、PM10、土−气温差、CO以及汽车数量等的特征重要性均低于2%，表明它们对湿地O3浓度的影响较小。
整体而言，土−气湿度差和NO2浓度是影响湿地O3浓度变化的主导因素。由于气温、空气湿度等纯气象因素对O3的影响远不及湿度差土−气湿度差对O3浓度的显著影响，很有可能反映了湿地环境中植物BVOCs释放的间接作用。而商户经营过程中排放的油烟、非甲烷总烃、颗粒物以及汽车数量对O3浓度变化的影响相对较小。这些结果为湿地O3污染的成因研究和控制策略制定提供了定量依据，特别是在植被管养、NOx排放控制等方面。

2.3 西溪湿地臭氧潜在污染源分析

基于随机森林模型的分析结果，本研究进一步采用非负矩阵分解(NMF)方法对湿地O3潜在污染源进行解析，识别了3类主要污染源及其贡献(表2)。西溪湿地O3存在3种潜在污染源，根据各污染源内各变量的贡献占比，可以概括为交通源(污染源1)、生活和餐饮源(污染源2)、自然或区域源(污染源3)。污染源1的主要变量为NO2、PM10和汽车数量，表明其可能与交通排放密切相关。机动车尾气中通常含有大量NO2、PM10，其含量直接受到汽车数量的影响。因此，污染源1主要代表交通源污染，其对O3前体物的贡献有限但不容忽视。污染源2的主变量为PM10、油烟值和非甲烷总烃，表明该污染源可能来自局部生活和餐饮活动排放，因为油烟和非甲烷总烃是生活和餐饮排放的典型污染物。污染源3包括NO2、PM10、CO、汽车数量等，表现出区域性大规模源的特征。此类污染源可能包含区域范围内的背景源或自然排放源，如植物释放的BVOCs，在特定气象条件下可能对湿地O3浓度的升高起到重要作用。
2 Contribution rates of potential pollution sources related to O3 concentration in the Xixi Wetland and average contribution rates of the three major pollution sources (Unit: %)

西溪湿地与臭氧浓度相关的潜在污染源解析贡献率以及三大污染源的平均贡献率(单位：%)

PM2.5 PM10 NO2 CO SO2 油烟值 颗粒物浓度 非甲烷总烃 汽车数量 平均贡献率
污染源1 0.748 1.250 3.384 0.149 1.347 0.016 0.000 0.082 12.844 18.71
污染源2 0.000 0.591 1.722 0.073 0.502 0.133 0.002 0.624 4.378 24.01
污染源3 0.000 1.136 2.582 0.091 0.518 0.002 0.003 0.000 2.586 57.28
表2最后一列显示了3类污染源对湿地O3生成的平均贡献率。污染源1的贡献率为18.7%，尽管对湿地O3生成影响有限，但不容忽视。控制交通排放有助于降低O3前体物，进而缓解O3污染。污染源2的贡献率为24.0%，提示生活和餐饮源在湿地O3生成中的重要性。该类源的非甲烷总烃和油烟值较高，通过推广高效油烟净化设备和控制生活源排放，可减少其对O3污染的贡献。污染源3的贡献率为57.3%，对湿地O3生成影响最大。西溪湿地周边无明显工业排放，潜在的大规模区域排放只有植物生长发育过程中释放的BVOCs，以及在特定气象条件下区域异常排放事件对O3污染的加剧。根据2020年西溪湿地开展的《西溪湿地空气质量监测站污染规律与影响评价分析》专项生态调查估算[49]，西溪湿地BVOCs年总排放量(以碳计)约为2.8×106 g/a，其中异戊二烯和单萜分别占40%和32%，高于杭州建成区整体水平[50]，且主要集中释放于夏季生长期。垂柳(Salix babylonica) (29%)、池杉(Taxodium ascendens)(21%)、樟(Camphora officinarum)(11%)、竹类(5%)是西溪湿地BVOCs的主要贡献者。植被单株BVOCs排放潜力与异戊二烯、单萜排放速率和平均胸径乘积线性相关，西溪湿地内主要植被的BVOCs排放潜力由高到低依次为青冈(Quercus glauca)、垂柳、响叶杨(Populus adenopoda)、合欢(Albizia julibrissin)、南川柳(Salix rosthornii)、槐(Styphnolobium japonicum)、二球悬铃木(Platanus acerifolia)、荷花玉兰(Magnolia grandiflora)、棕榈(Trachycarpus fortunei)、构树(Broussonetia papyrifera)、樟、池杉、柚(Citrus maxima)、茶(Camellia sinensis)、银杏(Ginkgo biloba)、玉兰(Magnolia denudata)、柳杉(Cryptomeria japonica)、榆树(Ulmus pumila)。因此，针对该污染源，重点控制BVOCs和氮氧化物的排放对湿地O3治理将产生积极作用。

2.4 西溪湿地臭氧污染时期特征分析

鉴于西溪湿地O3污染具有时段特异性，为深入解析其污染形成机制，本研究进一步聚焦O3超标时期的污染特征、关联因素和潜在来源分析，与全年的常规分析相呼应。依据《环境空气质量评价技术规范(试行)》[51]规定，本研究采用日最大8 h滑动平均值(O3-8h)作为日评价指标，图6显示了研究期内O3-8h的年内变化趋势，超标天数共计42 d，集中发生在5月、8月和9月。
6 Anuual trend of daily maximum 8-hour moving average O3 concentration (O3-8h) in the Xixi Wetland

西溪湿地臭氧日最大8 h滑动平均值(O3-8h)年度变化趋势

O3与16种影响因素的相关性分析结果表明(表3)，在O3污染时期，O3与土−气温度差、空气温度、风速、气压、降水量和汽车数量存在一定程度的相关性。从区域传输角度来看，O3污染发生时，空气温度显著高于全年平均水平，风速低于全年平均水平，降水量接近于0，这表明气象因素可能在O3污染过程中起到了关键作用。
3 Monthly and annual means of each factor furing O3 pollution periods in the Xixi Wetland and their correlation coefficients with O3-8h

西溪湿地臭氧污染时期各因素的月均值、年均值及其与臭氧的相关性系数

O3-8h超标时期各指标月均值/年均值 与O3-8h的相关系数
4月(2 d) 5月(14 d) 6月(6 d) 8月(9 d) 9月(7 d) 10月(1 d) 全年平均值
O3-8h/(µg/m³) 166 179 186 183 187 177 90 1.00
PM2.5/(µg/m³) 32 25 28 19 16 35 26 0.17
PM10/(µg/m³) 47 45 38 29 27 61 40 0.13
NO2/(µg/m³) 31 21 17 17 19 31 24 −0.11
CO/(µg/m³) 0.8 0.6 0.7 0.7 0.7 0.9 0.7 −0.06
SO2/(µg/m³) 7 6 6 5 6 7 6 −0.04
油烟值/(mg/m³) 0.78 0.75 0.45 0.41 0.29 0.24 0.46 −0.06
颗粒物浓度/(µg/m³) 0.27 0.33 0.23 0.29 0.30 0.29 0.27 0.07
非甲烷总烃/(µg/m³) 3.20 3.14 1.80 1.37 0.81 0.66 1.75 −0.05
土−气温度差/℃ −1.2 −3.6 −3.1 −2.8 −2.0 0.9 −1.5 −0.23
土−气湿度差/% −41 −51 −48 −58 −55 −48 −53 0.07
空气温度/℃ 18.9 22.6 25.6 31.5 24.9 19.0 17.4 0.26
空气湿度/% 69 70 75 69 80 75 75 −0.19
风速/(m/s) 0.48 0.41 0.31 0.45 0.30 0.20 0.50 0.23
气压/kPa 101.78 101.41 100.86 100.71 101.50 102.06 101.90 −0.24
降雨量/mm 0.00 0.00 0.10 0.00 0.10 0.00 0.20 −0.22
汽车数量/辆 166 169 161 170 140 145 161 0.21
从潜在污染源分析来看，O3浓度超标主要集中在5—6月和8—9月，这一时期的车辆数量、非甲烷总烃(NMHCs)和颗粒物浓度大都高于全年平均水平，说明交通源及生活和餐饮源的排放可能加剧了O3污染。此外，虽然土−气温度差低于全年平均水平，但土−气湿度差存在一定波动，因此区域污染源对O3超标的具体贡献尚不明确，需要结合更直接的植物源挥发性有机化合物(BVOCs)数据进行深入研究。

3 结　论

西溪湿地O3变化特征呈现日间和季节间的规律性变化，与O3的生成机制吻合，即O3主要在阳光充足条件下通过光化学反应生成。
随机森林模型和NMF源解析结果均表明，西溪湿地内的餐饮油烟和汽车尾气排放对O3浓度的贡献程度没有预期高，并非O3在夏季频繁超标的首要原因。土−气湿度差对O3影响最为显著，达到了44.6%，间接反映了BVOCs的释放可能是导致O3超标的关键因素。
交通源和生活源对湿地O3生成的影响有限，但两者对O3的作用不可忽视，尤其在特定气象条件下可能导致污染加剧。未来O3治理需重点控制区域源的NO2、BVOCs及非甲烷总烃排放。
基于上述研究结论，为科学应对西溪湿地O3污染问题，提出以下针对性研究与管控建议。①深化BVOCs与O3关系的验证：当前通过土−气湿度差指征植物活动对O3的影响尚属统计关联，应当结合进一步的数据验证，如通过直接测定叶温、植物蒸散发量及不同树种BVOCs基准排放速率进行计算，明确植物活动与O3浓度的因果关系；②优化植被配置以减排BVOCs：单株BVOCs排放量以青冈、垂柳、响叶杨、合欢、荷花玉兰等树种排放潜力较高，在绿化过程中应适当控制其种植比例；樟、银杏、榆树等植株的单株排放强度相对较低，在绿化过程中可适当增加种植数量以达到BVOCs减排的目的；③强化餐饮管控：西溪湿地内所有餐饮企业均安装油烟净化设施，烟气经处理后非甲烷总烃排放浓度处于相对较低的水平，其对O3的生成潜力相对较小。从技术水平上，该区域餐饮VOCs的减排潜力相对较小，从经济角度而言，该区域餐饮VOCs进一步控制的费用相对较高。因此建议西溪湿地的餐饮企业保持现有的油烟控制水平，定期清洗油烟净化设备，保持设备稳定运行。同时，对湿地内存在的露天烧烤等行为进行严格管控；④鼓励绿色交通：通过减少进入西溪湿地燃油车的数量，进而控制汽车尾气排放造成的O3污染，该举措具有较强的实操性。园区管理者可以出台相关优惠政策，如新能源车减免停车费，游客搭乘公共交通积分兑换勋章或文创产品等，鼓励游客绿色出行。在节假日、特殊活动举办日等车辆行驶入园高峰期，管理部门可采取限制车辆进入、园区单向通行、加强车辆疏导等管控措施，降低汽车尾气排放。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
Options
文章导航

/

〈 〉