当前世界环境

介绍

微粒物质是悬浮在空气中的环境呼吸微粒。由于其对人类健康的影响，它一直吸引着科学界的关注(Shahraiyni & Sodoudi, 2016)。点₁₀粒径小于10的颗粒物质μM)被认为是主要的空气污染物之一。PM的主要来源之一₁₀是来自生物质燃烧，带来的雾霾。自20世纪80年代以来，这已成为东南亚的一个典型和反复出现的挑战(Shaadan)et al。, 2015)。除此之外，机动车辆的使用和工业活动也有助于PM的排放₁₀．点₁₀与一氧化碳和地面臭氧等其他污染物相比，对人体健康的危害更大(Kimet al。, 2015;Ny & Lee, 2010)。一项研究表明，PM₁₀增加儿童(5至15岁)哮喘到急诊室就诊的风险et al。, 2014)。此外，短期到中期的PM暴露₁₀导致呼吸道合胞病毒(RSV)毛细支气管炎(Carugnoet al。, 2018)。

哥打京那巴鲁位于马来西亚，每年经历两次季风季节:东北季风(NEM)和西南季风(SWM)。NEM起源于中国和北太平洋，而SWM则起源于澳大利亚的沙漠。新寒潮发生在11月至次年3月，特点是气温较低(Hoet al。, 2013)。同时，随着气候变暖，SWM发生在5月至9月。据Teong说et al .,(2017)，与NEM相比，SWM记录了更多的降雨量。季风之外的季节被称为季风间季节，发生在四月和十月(Naing)et al。, 2011)。4月的季风间期气候炎热干燥，而10月的季风间期气候较冷，雨量较多(Teonget al。， 2017)．

PM短期预测₁₀集中是至关重要的，因为它使社区能够通过早期预防措施减少健康风险。同时，长期预测模型对于城市规划、交通网络、工业和住宅区管理至关重要，从而最大限度地减少对公众的健康风险(Shahraiyni & Sodoudi, 2016)。这对于像哥打京那巴鲁这样的发展中城市很重要。当考虑季风等季节因素时，预测模型可能会更加准确。这是因为气候可能会影响总理₁₀浓度不同，取决于季节。然而，季风聚类是否在PM中表现出差异尚未得到研究₁₀与气象和污染因素有关的变化。因此，本研究旨在找出沙巴州哥打京那巴鲁的季风聚类是否与未聚类的数据存在差异。

数据与方法

本研究以马来西亚沙巴州首府哥打京那巴鲁(北纬5.98°，东经116.07°，海拔13米)为研究对象。如图1所示，哥打京那巴鲁位于沙巴州西海岸。哥打京那巴鲁的气候特点是炎热潮湿的气候，受季风环流的影响et al。, 2013)。哥打京那巴鲁经历了均匀的高温和恒定的温度和高湿。大雨通常发生在下午(Djamila)et al。, 2011)。就经济活动而言，哥打京那巴鲁是通往婆罗洲群岛的门户。因此，贸易、工业和旅游等活动都集中在亚庇et al。, 2014)。

图1:哥打京那巴鲁的位置 点击此处查看图

空气质素监测站位于哥打京那巴鲁的SMK Putatan，由Alam Sekitar Sdn运营。有限公司(ASMA)是一家隶属于马来西亚环境部(DOE)的私营公司。点₁₀浓度(μg m)³与其他气象数据(Ws(风速)、Wd(风向)、Hum(相对湿度)、Temp(环境温度)和CO(一氧化碳)、NO₂(二氧化氮)_3.(臭氧),所以₂(二氧化硫)，PM₁₀浓度数据由美国能源部下属的空气质量部提供。本研究选取了2003年至2012年的数据。PM统计₁₀CA0030 2003 - 2012年的浓度数据汇总如表1所示。

表1:PM统计汇总₁₀2003 - 2012年的浓度数据

统计数据
的意思是	35.73
标准偏差	19.16
最低	5.00
最大	495.00
中位数	32.00
第一个四分位数	23.00
第三四分位数	44.00
变异系数(%)	53.63

由于Wd是角量，通常不用于主成分分析或回归分析(Gvozdic)et al。, 2011)。此外，较高的Wd值并不反映该属性的较高强度，这可能在主成分分析和回归分析中都存在不准确性。因此，利用式(1)和式(2)将Ws和Wd分别转化为风速的东西分量(Wx)和南北分量(Wy)，正值分别表示风向偏东和偏北(Gvozdic)et al。, 2011)。

由于停电、校准或监测站搬迁等原因，监测站部分数据丢失。由于数据的缺失，在用于本研究之前必须进行估算。对于需要完整数据集的进一步分析，如主成分分析和傅里叶分析，数据输入是至关重要的。最常用的适用方法之一被称为最近邻法(多米尼克法)et al。, 2012;本文采用Li & Liu, 2014)。给定间隙的起始点(x₁，y₁)及间隙的终点(x₂，y₂)，插入者y在相应时间x可以使用式(3)计算(Zakaria & Noor, 2018)。对于Ws和Wd，在将其转换为Wx和Wy之前，先进行最近邻方法，以进一步减少由于缺失而造成的数据丢失。

3.已聚类和未聚类数据

当数据被归为具有相同特征的集合时，数据被聚类。相反，当数据没有分组时，它们就没有聚类。在本研究中，对两组时间聚类进行了测试，并与未聚类的数据进行了比较。由于哥打京那巴鲁的地理位置，这个城市经历了季风季节。因此，对季风聚类进行了研究。在这种情况下，数据分为四组:NEM(11月至3月)，IM₄(4月)，SWM(5月至9月)和IM₁₀(10月)。数据根据观察到的月份进行分组。表2总结了所有集群的样本数量。

表2:未聚类和聚类数据的样本数量

集群	样本数量
未聚类数据(总数)	87672
季风集群:
NEM	36312
即时通讯4	7200
SWM	36720
即时通讯10	7440

4.主成分分析(PCA)

PCA是一种用于识别导致变异的最重要变量的方法(多米尼克et al。, 2012)。此方法通常用于将一组变量转换为n新的变量，称为主成分(PC)。与观测到的变量相比，pc的变化更为显著X．考虑到l载荷因子，主成分是我^th分量由式(4)(Gvozdic)给出et al。, 2011)。

解释变差是主成分中包含的数据的总变差。通常，解释变异在PC中最高₁，其次是PC。₂等等。Gvozdicet al。(2011)和多米尼克et al。(2012)已经证明了PC的前两个主要成分₁和电脑₂用于创建因子加载图。这是因为两个pc通常至少占数据变化的90%，以累积解释变化来评估。

5.傅里叶分析

傅里叶分析涉及使用快速傅里叶变换(FFT)将时域数据转换到频域(Kim & Son, 2011)。傅里叶分析的结果对时间序列数据(Gvozdic)提供了重要的见解et al。, 2011)。频域输出显示时间序列数据的周期性行为，如季节或日数据。由于气象和大气污染物数据是时间序列数据，傅里叶分析是一种比较合适的分析方法(Gvozdicet al。, 2011)。时间序列数据的函数y (t)以式(5)的傅里叶级数形式表示，其中E³算术是数据的平均数吗y (t)，T是测量周期，一个_k和B_k是傅里叶系数k是一个调和数。

转换到频域的数据被绘制成傅立叶谱，包含振幅Ck(如式(6)所示)为频率或周期(格兹克)的函数et al。, 2011)。

由于傅里叶分析能够显示时间序列数据的循环行为，这被用来验证时间序列数据的变化主要是自然的还是人为的(Choiet al。, 2008)。据推测，季节和年周期的较高振幅对应于自然周期的主要影响，而日周期和周周期的较高振幅对应于人为活动的主要影响(Choiet al。, 2008)。

结果

1.未聚集的数据

将未聚类的数据全部输入PCA进行分析。表3中列出了所有pc，以及解释变异(EV)和累积解释变异(CEV)。加载系数最高的变量对对应主成分的变化贡献最大，其值在表3中突出显示。

表3:未聚类数据的PCA

个人电脑	个人电脑1	个人电脑2	个人电脑3.	个人电脑4	个人电脑5	个人电脑6	个人电脑7	个人电脑8
的天气	-0.1115	0.9503	-0.2540	-0.1411	0.0031	-	-	-
王寅	0.1668	0.2782	0.9450	0.0404	-0.0122	0.0005	-	-
嗡嗡声	0.9433	0.0924	-0.2042	0.2449	0.0010	0.0002	-	-
临时	-0.2644	0.1045	-0.0249	0.9583	0.0132	-0.0012	-0.0003	-
有限公司	0.0050	-0.0010	0.0129	-0.0120	0.9998	0.0061	-0.0077	-0.0006
没有2	-	-	0.0002	-	0.0083	-0.1009	0.9939	-0.0437
O3.	-0.0006	-	-	0.0011	-0.0053	0.9948	0.1013	0.0073
所以2	-	-	-	-	0.0010	-0.0116	0.0427	0.9990
电动汽车(%)	83.12	9.15	6.27	1.42	0.04	-	-	-
CEV (%)	83.12	92.27	98.54	99.96	100.00	100.00	100.00	100.00

注:小于0.0001的值不显示

解释的变异在第一个主成分中最大，在连续的主成分中变小。考虑前两个主成分，因为它们占数据总变化的90%以上。个人电脑₁和电脑₂在因子加载中绘制，如图2所示。导致PC变异的最重要的变量₁为湿度，而x分量风速在PC₂．这表明92.27%的数据变化是由湿度和风速共同引起的。虽然其他变量在其他主成分中很重要，但它们并不重要，因为这些主成分只考虑不到10%的变化。

图2:非聚集数据的因子加载 点击此处查看图

个人电脑₁占数据集变异量的83.12%。在个人电脑₁湿度的加载系数最高，为0.9433，其次是温度(-0.2644)和y分量风速(0.1668)。至于PC₂(EV = 9.15%)， x分量风速的载荷系数最高，为0.9503。因为电脑₁与PC相比有更高的EV₂，湿度变化的显著性最高。同时，污染物因子(CO, NO₂阿,_3.,所以₂)非常接近因子加载图的原点，说明变异不显著。

2.集群的数据

所有季风集群(NEM, IM₄，游泳，我₁₀)采用主成分分析法进行分析，结果列于表4。前两个主成分的累计解释变量为92.19±0.09%，只有PC₁和电脑₂如表4所示。所有集群的因子加载如图3所示。

表4:按季节划分的4个聚类主成分分析(PCA)

集群	NEM		即时通讯4		SWM		即时通讯10
个人电脑	个人电脑1	个人电脑2	个人电脑1	个人电脑2	个人电脑1	个人电脑2	个人电脑1	个人电脑2
的天气	-0.1687	0.9124	-0.1475	0.9678	-0.0678	0.9616	-0.0870	0.9498
王寅	0.1499	0.3918	0.2012	0.2109	0.1784	0.2233	0.1526	0.2426
嗡嗡声	0.9386	0.1120	0.9303	0.1247	0.9454	0.0673	0.9414	0.1004
临时	-0.2611	0.0383	-0.2688	0.0585	-0.2643	0.1450	-0.2879	0.1699
有限公司	0.0047	-0.0004	0.0058	0.0013	0.0050	-0.0012	0.0053	-0.0038
没有2	-	-	-	-	-	-	-	-
O3.	-0.0006	-	-0.0007	-	-0.0006	-	-0.0005	-
所以2	-	-	-	-	-	-	-	-
电动汽车(%)	83.96	8.35	85.36	6.84	82.37	9.81	81.73	10.35
CEV (%)	83.96	92.31	85.36	92.20	82.37	92.18	81.73	92.08

注:小于0.0001的值不显示

图3:季风集群的因子负荷(a) NEM， (b) IM4(c) SWM和(d) IM10 点击此处查看图

基于表3和表4，所有PC₁和电脑₂具有相似的最重要变量。这些值是一致的，只有很小的差异。根据EV, PC₁占总变异量的83.35±1.63%，湿度因子负荷最大(0.9389±0.0064)，其次是环境温度(-0.2705±0.0120)和y分量风速(0.1705±0.0242)。至于PC₂在EV为8.84±1.58%时，x分量风速的因子负荷最高(0.9479±0.0248)。与未聚类数据类似，其他变量并不重要，因为PC_3.以上考虑所有集群的数据变化小于10%。

3.回归分析

图4绘制了二维回归图，以进一步分析各参数对PM的响应变化₁₀每个集群的集中度。污染因子(CO, NO₂阿,_3.,所以₂)不包括在内，因为从图2和图3的因子加载图中可以看出，它们的变化并不显著。由图4的二维回归可知，湿度、温度与PM的相关性一般为中至强₁₀与Pearson相关系数，ρ分别为-0.60±0.20和0.63±0.11。但是，IM中的湿度不是这样₄的集群ρ= -0.37。湿度与温度呈较强的负相关(ρ= -0.91±0.03)。

风速的x分量和y分量与PM的相关性一般较弱或几乎不相关₁₀值为ρ= 0.09±0.14ρ= 0.24±0.18。此外，这两个分量之间也表现出弱相关(除了在SWM期间)，湿度(除了在NEM和IM期间)₁₀)和环境温度。

图4:PM的二维回归图10(a) NEM， (b) IM的浓度与其他气象因子4(c) SWM和(d) IM10集群 点击此处查看图

4.傅里叶分析

图5中的傅立叶谱显示了影响PM变化的三个主要周期对应的三个主要峰₁₀浓度。季节性周期以6个月的周期最强。这归因于季风周期。然而，季节周期与日周期和半日周期相比没有那么强。其他周期如周周期和月周期对PM变化的影响不强₁₀的傅里叶谱。

图5:PM的傅立叶谱10集中在哥打京那巴鲁 点击此处查看图

讨论

基于主成分分析和因子加载，分析了影响产品质量的显著变量₁₀与未聚类的数据集相比，季风聚类的变化差异不大。这反映在每个集群和非集群数据中因子负载之间的小差异上。由于聚类数据与未聚类数据的PCA结果几乎相似，因此在PM预测时不需要季风聚类₁₀集中在哥打京那巴鲁。傅里叶谱进一步支持了这一点，如图5所示。根据崔的假设等.， (2008)， PM₁₀浓度循环主要受人类活动的影响。交通拥堵、工业和夜市等日常活动都会排放PM₁₀粒子(常et al。， 2018)，从而导致PM的时间变化₁₀浓度。日周期和半日周期的高振幅表明，人类活动的影响大于季节现象(Choiet al。, 2008)。

统计分析表明，PM₁₀随着湿度的增加，哥打京那巴鲁的浓度降低。此外，PM₁₀浓度与湿度呈弱负相关，Pearson相关系数为-0.60±0.20。根据原始数据，哥打京那巴鲁的湿度几乎总是超过40%。此外，根据图4，哥打京那巴鲁的月平均湿度始终在77%以上。在高湿度条件下，空气中的水分几乎达到饱和。因此，水变得更容易凝结，降雨变得更容易发生(Lou et al.， 2017)。这就造成了冲刷效应和雨水在PM上的湿沉积₁₀．在高湿度条件下，颗粒物会吸收水分子并变得足够重以沉积(Munir et al.， 2017)。在降雨初期，小雨滴量和雨滴的粉尘排放可能会使PM升高₁₀浓度达到一定程度(低)et al .,2017)。这可能导致PM之间的相关性较弱₁₀浓度和湿度。

两者之间也表现出中等到强的相关关系₁₀浓度和环境温度。Pearson相关系数为0.63±0.11。这可能是由于大气不稳定和粒子动能运动增强所致(Munir et al.， 2017)。较高的环境温度允许颗粒再悬浮到空气中。此外，环境温度与湿度呈强烈负相关(ρ= -0.91±0.03)。湿度的降低抑制了颗粒的沉积，从而进一步增加了PM₁₀空气中的浓度。

风速的x分量和y分量与PM呈弱相关₁₀浓度。的值可以观察到这一点ρ= 0.09±0.14ρ= 0.24±0.18为北分量。风速可能会促进粒子的扩散(Munir et al.， 2017)。然而，分散不是固定的，可以朝向和远离哥打京那巴鲁，这导致风速与PM之间的相关性较弱₁₀浓度。

结论

在哥打京那巴鲁，预测PM时不需要聚类方法₁₀浓缩。这是因为季风聚类与非聚类数据的差异很小。傅里叶分析通过显示PM的季节性循环进一步证实了这一结果₁₀浓度不如每日和半日循环强。根据回归分析，湿度和温度对PM均有影响₁₀浓度基于各自的值ρ= -0.60±0.20和ρ= 0.63±0.11。这可能是由于高湿度和强负相关。风速各分量与PM的相关性较弱₁₀，可能是由于粒子随机分散进出哥打京那巴鲁。

研究结果提出了PM的预测模型₁₀集中在哥打京那巴鲁不需要时间聚类。然而，未来的研究需要调查这是否适用于沙巴的其他地区。此外，到目前为止，湿度等其他类型的群集尚未得到研究。

致谢

作者要感谢马来西亚沙巴大学通过提供资助(SBK0324-2018, SGI0054-2018和GUG378-2019)支持本研究，并感谢马来西亚环境部为研究目的提供气象和污染物数据。

资金

作者获得了马来西亚沙巴大学的研究资助(SBK0324-2018, SGI0054-2018, GUG0378-2019)，用于研究、撰写和发表本文。

利益冲突

作者没有任何利益冲突。

参考文献

1. 陈建军，陈建军，陈建军，等。撒哈拉沙尘所含颗粒污染物对瓜德罗普岛(加勒比法属群岛)哮喘患儿就诊的短期影响。《公共科学图书馆•综合》．9(3): 1 - 1 https://doi.org/10.1371/journal.pone.0091136
2. Carugno, M.， Dentali, F.， Mathieu, G.， Fontanella, A.， Mariani, J.， Bordini, L.， Milani, g.p.，康森尼，D.， Bonzini, M.， Bollati, V.和Pesatori, a.c. 2018。点₁₀暴露与意大利伦巴第地区婴儿呼吸道合胞病毒细支气管炎住院率增加有关。环境研究．166(2018): 452 - 457。https://doi.org/10.1016/j.envres.2018.06.016
3. 张洪文杰，蔡福平，孔世宽，孙志强，2018。PM的变率₁₀沙巴州城市大气CO、NO浓度及其对CO、NO日变化和周变化的响应₂,所以₂和臭氧。亚洲大气环境学报．12(2): 109 - 126。https://doi.org/10.5572/ajae.2018.12.2.109
4. 蔡玉生，何春华，陈丹，卢玉华，宋长宽，2008。PM周变化的光谱分析₁₀中国上空的物质浓度和气象条件。大气环境．42(2008): 655 - 666。https://doi.org/10.1016/j.atmosenv。
   2007.09.075
5. 明、昌昌和库马瑞山，2011。东马来西亚哥打京那巴鲁市潮湿热带地区的外部垂直日光估计。可再生能源．36(2011): 9 - 1 https://doi.org/10.1016/j.renene.2010.06.040
6. Dominick, D, Juahir, H.， Latif, M. T.， Zain, S. M.和Aris, A. Z. 2012。利用多变量分析对马来西亚空气质量模式进行空间评估。大气环境中文信息学报，60:172-181。https://doi.org/10.1016/j.atmosenv.2012.0021
7. Gvozdic, V.， kovacc - andric, E.和Brana, J. 2011。气象因素的影响₂,所以₂、首席文书主任及PM₁₀O的浓度_3.在克罗地亚东部的城市大气中环境模拟及评估．16(5): 491 - 501。https://doi.org/ 10.1007 / s10666 - 011 - 9256 - 4
8. Ho, D. J, Dayang Siti Maryam, Jafar-Sidik M. & Aung T. 2013。天气状况对马来西亚沙巴州哥打京那巴鲁远洋鱼类登陆的影响。热带生物学与保护杂志．10:11 - 21。https://doi.org/10.1007/s10666-011-9256-4
9. 金振华和孙宏宇，2011。韩国釜山沿海地区观测到的颗粒物时间变化的测量和解释。亚洲大气环境学报．5(2): 105 - 112。https://doi.org/10.5572/ajae.2011.5.2.105
10. Kim, k.h.， Kabir, E. & Kabir, S. 2015。空气中颗粒物对人体健康影响的研究综述。国际环境．[74]: 136 - 143。https://doi.org/1016/
    j.envint.2014.005
11. 李磊，刘东军，2014。基于新环境空气质量标准的雾霾污染下北京市空气质量评价模型研究国际环境研究与公共卫生杂志．11:9 - 8923。https://doi.org/10.3390/ijerph110908909
12. 楼昌，刘辉，李勇，彭勇，王杰，戴磊，2017。相对湿度与PM的关系_2.5和点₁₀位于中国的长江三角洲。环境监察及评估．2017: 1 - 16。https://doi.org/10.1007/s10661-017-6281-z
13. 穆尼尔，S.，穆罕默德，a.m.f.， Habeebullah, t.m.， Morsy, E. 2017。分析点_2.5以及它与PM的关系₁₀以及沙特阿拉伯麦加干旱气候的气象学。气溶胶和空气质量研究．17:53 - 464。https://doi.org/10.1007/s10661-017-6281-z
14. Naing, D. K. S, Anderios, F. & Lin . 2011。马来西亚沙巴州诺氏疟原虫感染的地理和种族分布国际内科与公共卫生合作研究杂志．3(5): 391 - 400。
15. Noor, H. M.， Nasrudin, N. & Foo, J. 2014。顾客服务品质满意度的决定因素:马来西亚哥打京那巴鲁的城市巴士服务。社会与行为科学．153(2014): 595 - 605。https://doi.org/10.1016/j.sbspro.2014.10.092
16. 尼，M. T.和李，B. K. 2010。典型工业城市大气颗粒物和金属元素的粒径分布及来源识别亚洲大气环境学报．4(1): 9 - 19。https://doi.org/10.4209/aaqr.2010.10.0090
17. Shaadan, N.， Jemain, a.a.， Latif, m.t.和Mohd。邓尼，S. 2015。PM异常检测与评估₁₀马来西亚巴生谷几个地点的功能数据。大气污染研究．6: 365 - 375。https://doi.org/10.5094/APR.2015.040
18. 薛晓明，陈晓明，陈晓明，2016。项目管理的统计建模方法₁₀城市预报;21世纪研究综述。大气．7:1 - 24。https://doi.org/10.3390/atmos7020015
19. 张建伟，苏加诺，张洪文杰，Chee, F. P, Ho, c.m, Dayou, J. 2017。季风对哥打京那巴鲁降雨和太阳辐射的影响。科学技术学报．4(4): 460 - 465。
20. 扎卡里亚，n.a.和努尔，n.m. 2018。马来西亚城市空气污染数据中缺失数据的填入方法。都市生活．9(2): 159 - 166。