1. 课程导入与问题界定

空气质量数据看起来只是逐小时变化的浓度数字，但真正决定分析价值的，是我们能否从这些数字中读出“时间结构”。同一座城市、同一个监测站点，清晨、午后、傍晚和夜间的污染物浓度往往呈现完全不同的形态；同样一次浓度抬升，可能来自早高峰的交通排放，也可能来自夜间逆温下的累积，还可能是一次沙尘传输过程的过境。如果只盯着日均值或月均值，这些差异会被平均掉，污染过程的起止、成因和影响范围也就无从判断。本课程要解决的，正是如何把空气质量时间序列拆解成可解释的时段特征与污染过程。

研究对象：三类时间尺度上的浓度变化

本课程的研究对象可以概括为三个层次。第一层是日内时段差异，即24小时尺度上污染物浓度的周期性起伏，典型如NO₂的双峰结构、O₃的午后单峰、PM₂.₅在夜间至清晨的累积。第二层是过程尺度变化，即持续数小时到数天的污染事件，包括积累、峰值、清除三个阶段，其形态受气象条件与排放共同控制。第三层是多日与季节背景，用于判断某次过程是偶发事件还是季节性规律的体现。

需要强调的是，这三层不是彼此独立的。日内峰值可能叠加在一次持续三天的污染过程之上，而季节背景又决定了这次过程是否容易发生。分析时必须先明确当前观察的是哪一层，再选择相应的对照基准，否则很容易把“日变化”误判为“污染过程”，或把“过程抬升”误读为“时段规律”。

核心任务：从“看曲线”到“判过程”

课程的核心任务可归纳为四项相互衔接的工作。其一是时段特征提取：对逐小时序列按小时求平均或求分位数，得到日变化廓线，识别峰谷位置与幅度。其二是过程识别与分段：依据浓度阈值、变化速率和持续时间，把连续序列切分为清洁段、积累段、峰值段和清除段。其三是成因归因：结合风向风速、边界层高度、降水、节假日与交通流量等辅助信息，判断主导因素是本地排放、气象累积还是区域传输。其四是结果表达与复核：用可复现的指标和图形呈现结论，并说明不确定性。

整体学习路径

课程按“数据—特征—识别—归因—应用”的顺序推进。前期建立数据质量意识，明确缺失值、异常值和单位统一等前置处理；中期掌握日变化廓线、分位数对比、滑动窗口变化率等特征工具；后期进入过程分段、气象联动分析和典型案例复盘。每一阶段都强调同一件事：结论必须能回到原始逐小时序列上被验证。

典型应用场景

这套方法在多个实际场景中直接可用。环境监测部门需要判断某日超标是偶发过程还是持续性污染，以决定是否启动应急响应；科研人员需要区分本地排放与区域传输的贡献，为源解析提供时间维度的证据；公众健康提示需要识别高暴露时段，例如夜间累积型污染对晨练人群的影响与午后臭氧型污染完全不同；数据审核人员则需要通过过程形态发现异常值，例如某小时浓度突降为零后又立即恢复，往往提示仪器故障而非真实清除。

以一个教学示例说明操作要点：取某站点连续7天的PM₂.₅逐小时数据，先按小时求7天平均得到日变化廓线，若发现凌晨2—5时存在明显峰值，则说明该站存在夜间累积倾向；再对每一天单独做滑动3小时变化率计算，把变化率持续为正且浓度超过日变化廓线同时段均值1.5倍的区段标记为积累段。这样得到的区段既排除了日变化本身的干扰，又能定位到具体过程。需要说明的是，上述倍数与窗口长度均为示例参数，实际应用应基于本地历史数据分布确定。

学习本课程需要建立的三个习惯

• 先看原始序列，再看统计量。均值会掩盖峰值时刻和持续时间，任何结论都应能回到逐小时曲线上找到对应形态。
• 先定基准，再谈异常。判断“偏高”必须有对照，对照可以是同时段历史分位数、相邻清洁日或区域背景站。
• 先列证据，再下结论。过程识别结论应同时给出浓度证据与气象证据，单一证据不足以支撑归因。

后续内容将围绕上述框架逐步展开：先把数据质量与时段特征做扎实，再进入过程分段与归因分析，最终形成可复现、可复核的污染过程识别流程。掌握这一框架后，面对一条陌生的浓度曲线，你将不再只是描述它“升高了”，而是能够说清楚它在什么时段升高、持续多久、由什么驱动、何时结束。