臭氧(O3)是大气对流层光化学污染产物，是大气氧化能力的关键因子，也是重要的温室气体。人类活动大量排放的氮氧化物（NOx）、挥发性有机物（VOCs），以及一氧化碳、甲烷等物质在光照条件下发生反应生成O3，导致光化学污染[1]。近地面O3污染直接影响人体健康，还对整个生态系统产生影响[2,3]，已是世界性问题。从2008年起，原国家环境保护总局在北京等8个城市组织开展O3试点监测，结果显示北京O3污染加剧趋势显著[4]；《环境空气质量标准》（GB 3095-2012）颁布实施以来，全国地级以上城市相继开展了O3监测，特别是京津冀、长三角和珠三角地区城市自2013年起全面实施，结果表明我国城市O3污染问题突出且集中，以2015年为例，全国O3超标的地级市有75.9%位于这3个区域，特别是京津冀地区[5]；近地面O3浓度受经度变化影响不大，随纬度变化明显[6]。
相对其他污染物，O3化学性质活泼，受气象条件及不同时间尺度的大气运动影响大[7]。一些数学方法可分离气象条件对O3的影响，实现不同时间尺度的分离，如傅里叶变换、小波分析等[8,9]；其中，Kolmogorov-Zurbenko (KZ)滤波对处理存在缺失值的时间序列较为有效，过程简便，被广泛应用到美国的亚利桑那州图森地区[10]和德克萨斯州休斯顿地区[11]、巴西的卡诺阿斯和埃斯蒂奥[12]、希腊的塞萨利平原[13]、瑞士[14]和韩国主要城市[15,16]的O3、颗粒物等污染趋势研究，滤波分量与气象参数的关系研究，以及耦合其他方法的O3污染预测研究[17,18]。我国北京、天津、石家庄、保定、张家口和呼和浩特等城市以此开展空气污染指数、O3和颗粒物的相关研究[19,20,21,22,23]，本课题组以此考察了2013~2017年长三角部分城市O3污染趋势[24]。
O3污染又与NOx、VOCs等前体物排放直接关联，且呈存在非线性关系[25,26]，Ma等[22]结合KZ滤波和线性拟合认为北京郊区上甸子背景站O3污染加剧的主要驱动因素是前体物排放。值得注意的是，O3前体物之外的颗粒物还可通过辐射强迫作用影响气温（辐射效应）、通过散射和吸收作用影响辐射传输从而影响气态成分的光解过程（光化学效应），以及作为非均相反应的活性载体吸收和消除O3（非均相效应），直接影响O3生成和消耗过程[27]，研究发现我国大气颗粒物已对O3浓度产生了重要影响[27,28]。前体物排放变化、颗粒物浓度变化和气象条件交互，使O3污染趋势问题更复杂。
本研究基于KZ滤波对2013~2018年京津冀地区13个城市O3、PM2.5的逐日资料及日最高气温的时间序列进行分解，获得短期、季节和长期尺度上污染物浓度序列，分析O3原始序列与不同尺度分量的关系，以线性拟合探讨中长期尺度上前体物排放、颗粒物浓度降低对O3浓度升高的影响，对完善O3污染防治策略有参考价值。
1 材料与方法
1.1研究区域与数据
京津冀地区位于环渤海心脏地带，包括北京、天津以及河北省的石家庄、唐山、秦皇岛、邯郸、邢台、保定、承德、沧州、廊坊、衡水和张家口，共13个城市（图1），是我国北方经济规模最大的地区，其面积、人口和GDP（2016年）分别为全国的2.3%、7.8%和10%。该地区能源消耗和污染排放量大，已成为我国O3污染防治重点区域[29]。
图1 研究区域各城市位置示意 下载原图
Fig. 1 Cities in the Beijing-Tianjin-Hebei region in this study
1.2 KZ 滤波方法
KZ 滤波方法是经 p 次迭代与 m 点滑动平均的低通滤波，其计算公式如下：
……………………………………………………………………………………(1)
式中，Oi 为输入序列，i为序列的时间间隔(本研究中为天)，j为滑动窗口变量，表示参与滑动的各时间点，k为对Oi 进行滤波时其两端滑动窗口长度，滑动窗口长度m=2k+1；滤波结果作为下次滤波的输入再次计算，如此共执行p次，得到最终滤波结果 KZ(m,p)。
滤波参数 m 与 p 可以控制不同尺度过程的滤波，KZ(m,p)将波长小于N 的波频滤除：
M × p1/2≤ N …………………………………………………………………………………(2)
对某一原始时间序列O(t)，可分解为：
O(t)= e(t) + S(t) + W(t) ……………………………………………… …………… …(3)
式中，e(t)、S(t)和 W(t)分别是长期、季节和短期分量。短期分量W(t)由天气系统及短期污染排放变化引起，时间尺度1~21d；S(t)代表季节性变化影响，如太阳角度变化引起的季风、气温、辐射和降水等季节变化，及与之相关的污染排放变化，时间尺度1a；长期分量e(t)则反映了人为活动排放的影响和气候长期变化，包括污染排放总量、污染物传输、气候、政策或经济活动等因素引起的变化，时间尺度一般大于 1a。
参考Rao等[7]的KZ方法，3个时间尺度分量按如下公式计算：
W(t) = O(t) – KZ(15,5) ……………………………………………………… …… …(4)
S(t) = KZ(15,5) – KZ(365,3) ………………………………… ……………………… … (5)
e(t) = KZ(365,3) ………………………………………………… ……………… … …(6)
根据式(2)，KZ(15,5)滤波的滑动窗口长度为15（m=15），执行5次（p=5），周期小于33d（15×51/2≤33）的波动滤除，有效滤波 33d，是长期和季节分量的和，又称基线分量；同理，KZ(365,3)有效滤波为632d（1.7a）。
O(t)的总方差可写为滤波所得3个分量的方差和协方差之和[7]：
σ2(O) = σ2(e) + σ2(S) + σ2(W) + 2 cov(e,S) + 2 cov(e,W) + 2 cov(S,W) … … …… (7)
本研究将O3-8h和PM2.5日均值取对数后分解[7]，再恢复为浓度获得各分量；Tmax则直接分解原始数据。
1.3 臭氧污染成因探讨
温度升高将加快光化学反应速率，使O3升高[30,31,32,33]，其季节特征相似，呈良好正相关关系[6]，但一般O3与Tmax的曲线轮廓略有错位，有相位差(Δt)，本研究以数据平移寻找两者最高Pearson相关系数获得Δt[22,34]。
Rao等[34]采用式(8)探讨了O3与温度的关系，Ma等[22]以此推测了2003~2015年北京远郊O3污染加剧原因。
O3,BL(t)=a×Tmax,BL (t+Δt)+ε(t)+c …………………………………………………………(8)
式中，O3,BL(t)为O3-8h基线序列，Tmax,BL(t+Δt)是调整了相位差的Tmax基线序列，a为拟合系数，ε(t)+c为残差，其中ε(t)表示污染排放对O3浓度的影响。
大气颗粒物通过辐射效应、光化学效应以及非均相效应影响O3浓度水平[27]，由于我国大气颗粒物浓度大幅下降，式(8)的ε(t)项应涵盖了颗粒物浓度变化和前体物排放的影响，故本研究将PM2.5作为变量纳入，以期区分颗粒物浓度下降和前体物排放的贡献，即：
O3,BL(t)=a`× Tmax,BL(t+Δt)+b×PMBL(t) +ε`(t)+c`… …………………………………(9)
式中，O3,BL(t)和Tmax,BL(t+Δt)同上，PMBL(t)为PM2.5基线序列，a`和b为拟合系数，ε`(t)+c`为残差，其中ε`(t)表示O3前体物排放影响。
为区分Tmax、PM2.5和前体物对O3污染趋势的影响，先以KZ(15,5)滤波获得O3,BL(t)、Tmax,BL(t)和PMBL(t)序列，然后线性回归获得式(8)和式(9)的各拟合系数值，再分别基于这些拟合系数、Tmax,BL(t)和PMBL(t)序列，反推构建a×Tmax,BL(t+Δt)序列（温度影响项）和b×PMBL(t) 序列（颗粒物影响项），差减法获得残差项[ε(t)+c]，最后线性拟合这些序列获得其变化趋势。
2 结果与讨论
2.1 臭氧污染概况
京津冀地区各城市普遍存在O3污染，根据《环境空气质量评价技术规范（试行）》（HJ 663-2013），2018年地区内各城市O3-8h不达标天数比例介于10.4%（秦皇岛）~26.7%（保定），平均21.1%；各城市O3-8h第90百分位数浓度介于163.6~211.0μg·m-3，平均193.4μg·m-3，均超过GB 3095-2012二级年标准限值160μg·m-3。
2013~2018年各城市O3-8h的6个百分位数浓度（5%、25%、50%、75%、95%和99%）平均升高速率分别是2.39、4.21、5.26、6.74、9.27和9.49 μg·(m3·a)-1，高值部分升高更快；唯北京和衡水有所不同，低值部分反而升高更快。该地区城市O3-8h各百分位数浓度升高速率均值高于长三角地区[24]。
表1 京津冀地区各城市O3-8h的2018年浓度水平和2013~2018年的升高趋势1） 导出到EXCEL
Table 1 Status on ozone pollution in 2018 and annual trends magnitude over the period 2013-2018 in the BTH region
类别
北京
天津
石家庄
唐山
秦皇岛
邯郸
邢台
保定
承德
沧州
廊坊
衡水
张家口
平均
2018年均值/μg·m-3
81.6
76.7
75.3
79.2
89.6
74.5
75.6
72.3
85.8
74.0
79.5
77.0
84.9
78.9
2018年P90/μg·m-3
192.2
200.6
211.0
197.0
163.6
200.6
202.6
210.2
174.0
199.6
192.0
190.6
180.6
193.4
2013~2018升高
速率
/μg·(m3·a)-1
P5
2.09
2.33
2.43
2.14
2.37
3.37
3.75
0.12
1.42
1.92
1.08
4.12
3.93
2.39
P25
2.76
4.35
4.98
2.30
3.60
6.31
6.28
4.14
3.23
2.91
5.30
3.13
5.49
4.21
P50
1.40
6.16
6.49
2.94
5.37
6.67
8.03
7.20
3.44
4.81
7.63
2.09
6.20
5.26
均值
1.59
6.52
6.23
3.47
5.46
6.65
7.75
8.34
3.20
5.64
7.10
2.19
6.54
5.44
P75
1.98
10.2
8.05
2.96
6.29
5.91
9.34
12.4
4.25
8.27
8.75
0.75
8.36
6.74
P95
1.16
10.5
10.1
9.55
10.5
9.94
11.8
19.8
4.18
10.9
11.9
2.12
7.98
9.27
P99
0.30
10.1
10.9
5.95
13.5
9.59
13.0
22.6
4.92
12.9
13.2
-0.64
7.11
9.49
1）P5表示第5百分位数浓度，以此类推
2.2 KZ过滤后的臭氧时间序列特征
KZ滤波参数选择至关重要，如Rao等[34]曾采用KZ(29,3)，后调整为式(4)~(6)中的KZ(15,5)和KZ(365,3)[7]，其时间尺度节点分别为33d和1.7a；周德荣[8]以KZ滤波分析O3小时浓度值时，所用参数对应的主要时间尺度节点也分别是33d和1.7a，相互印证了参数设置的合理性。式(4)~(6)被广泛应用到美国[10,11]、巴西[12]、希腊[13]、瑞士[14]和韩国[15,16]，以及我国部分城市O3和其他污染物的趋势研究，可见其较好的普适性。
按照式(4)~(6)，分别对各城市取自然对数[ln(O3-8h)]的序列进行分解，然后恢复为浓度数据获得各城市的短期、季节和长期分量序列，各城市序列特征较为相似。以北京为例，O3-8h原始序列有高频噪声，具明显季节特征[图2(a)]；去除短期分量后[图2(b)]，季节分量[图2(c)]显现更清晰平滑的周期特征，12月至次年1月为谷底，6月中下旬至7月中上旬为峰顶，2013和2015年呈较明显双峰型，如2013年分别在5月和8月存在峰值，6~7月的分叉与梅雨影响有关。不同年份的季节周期有一定不规则性，如谷底的具体时段略有差异，峰型和分叉情形各有不同；长期分量[图2(d)]则明显展示出北京城区O3-8h波动升高趋势，2013~2015年和2017~2018年升高较快，2018年渐成趋稳态势，而这种趋势在原始序列[图2(a)]中基本被高频噪声掩盖，印证了时间尺度分离分析的必要性。北京城区O3季节分量的分叉、年际波动上升趋势与北京远郊区上甸子背景站的观测结果基本一致[22]；与长三角城市相比，北京O3-8h季节分量的双峰特征较不鲜明[24]。
图2 2013-2018年北京O3-8h的原始时间序列和KZ分解后的短期、季节和长期分量序列 下载原图
Fig. 2 Separated time series of original data O(t), short-term component W(t), seasonal component S(t) , and long-term component e(t) of O3-8h in Beijing
(a)原始时间序列O(t); (b)短期分量序列W(t); (c)季节分量序列S(t); (d)长期分量序列e(t)
以式(7)进行方差分析，各城市的3个分量序列方差及其之间协方差在O3-8h原始序列总方差的占比如表2所示。3个分量理论上相互独立，原始序列方差应为3个分量方差之和，各城市实际分离所得3个分量序列之间的协方差和占原始序列总方差比例小于4.23%，侧面展现了模型及参数设置的合理性。季节分量S(t)对原始序列总方差贡献最大，占57.5%~69.9%（均值63.9%），影响O3生成的光照、温度、湿度等季节特征鲜明，同时污染排放也有季节特征；短期分量W(t)方差占比在26.8~36.8%之间（均值32.7%）；长期分量e(t)占比较小，介于1.0~8.5%（均值3.4%）。方差占比分析也印证了消除高频噪声干扰的必要性，同时表明中小尺度分量的重要性。Ma等[22]对2003~2015年北京上甸子背景站未取对数O3-8h的KZ滤波分析中，短期分量W(t)和季节分量S(t)的总方差占比分别是36.4%和57.6%，与本研究取对数后的方差占比（33.1%和65.6%）相似；与长三角地区（均值43.4%）相比[24]，京津冀地区季节分量S(t)占比更高，即季节特征更明显，长期分量e(t)方差占比与长三角地区（2.3%）相仿，短期分量W(t)略低。
基于长期分量e(t)，以两个直辖市（北京和天津）、省会城市石家庄，以及近2年最高的张家口为代表，比较了京津冀地区与国内外有关城市的O3浓度水平。结果显示，京津冀地区O3长期分量远高于欧洲的柏林、巴黎和伦敦，与美国洛杉矶20世纪90年代初和最近4a的情况相当，但低于长三角地区的上海和南京（图3）。
图3 1990~2018年京津冀地区典型城市与长三角地区、国外部分城市KZ长期分量的比较 下载原图
Fig. 3 Evolution of urban surface ozone levels in Beijing-Tianjin-Hebei region, Shanghai, Nanjing, and some cities in the Europe and USA from 1990 to 2018
各城市长期分量e(t)的升高速率见表3，其中北京为3.33μg·(m3·a)-1，略高于其远郊上甸子背景站[2.42μg·(m3·a)-1][22]，与长三角地区均值[3.85μg·(m3·a)-1]相近[24]，但地区内平均升高速率[4.97μg·(m3·a)-1]高于长三角地区，这与O3-8h各百分位数浓度升高速率的对比结论一致。
各城市长期分量e(t)和O3-8h各年均值的升高速率（表3）呈正相关关系（R2=0.695，n=13）。O3-8h各年均值升高速率受污染排放和气象条件的双重影响，长期分量e(t)则认为剥离了中短期气象因素影响，对比这两个升高速率，北京、石家庄等5个城市因气象条件缓解了O3的上升态势，如石家庄长期分量e(t)升高速率为7.12μg·(m3·a)-1，而O3-8h年均值升高速率为6.23μg·(m3·a)-1；其他8个城市则因气象条件加剧了O3污染，如保定剥离气象因素影响前后的升高速率分别为8.34μg·(m3·a)-1和5.81μg·(m3·a)-1，这意味着O3污染治理成效将被抵消30.3%。
2.3 臭氧污染成因分析
O3浓度与前体物排放源及其位置关系、地理特征和气象条件有关[1]。学者们研究了太阳辐射、温度、相对湿度、风速和风向等气象参数对O3浓度的影响[10,30,31,35,36,37]，其它气象参数影响因地点不同而各异，太阳辐射和温度则公认是O3的主要影响参数。
KZ滤波分离O3、气象因子的分量序列之间的相关分析表明，太阳辐射和温度仍是两个最关键因子[11,15]。Botlaguduru等[11]在美国休斯顿地区发现，相对湿度和风速这两个被视为影响O3浓度的重要因素，与O3,BL相关性不强，这意味着在不同时间尺度上同一个气象因素对O3浓度水平的影响也不同。
本研究以日最高气温（Tmax）作为气象因子代表进行分析。以KZ(15,5)滤波获得Tmax,BL(t)、O3,BL(t)和PMBL(t)序列。平滑抵消了短期过程影响的Tmax,BL(t)和O3,BL(t)周期特征相似，但有相位差（Δt）。以Δt最大的秦皇岛为例（图4），O3,BL(t)轮廓与Tmax,BL(t)轮廓略有错位，两序列的Pearson相关系数为0.736，如将Tmax,BL(t)轮廓左移28d后，两者Pearson相关系数将获得最大值0.830。
表2 京津冀地区各城市KZ分解3个时间尺度分量的方差贡献和线性拟合参数值 导出到EXCEL
Table 2 Results of KZ filtered components and results of multiple linear regressions in Beijing-Tianjin-Hebei region in 2013–2018
城市1）
方差占比2）/%
Δt 3）
Corrmax4）
O3,BL(t)=a×Tmax,BL (t+Δt)+ε(t)+c 拟合结果
O3,BL(t)=a`×Tmax,BL (t+Δt)+b×PMBL(t)+ε`(t)+c`拟合结果
W(t)
S(t)
e(t)
CV
/d
a
ε(t)+c
F
R2
a`
b
ε` (t)+c`
F
R2adj
BJ
33.1
65.6
1.3
3.74
17
0.9469
4.31(±0.031) 5）
5.10(±0.69)
18821
0.8965
4.19(±0.031)
?0.245(±0.018)
20.6(±1.34)
10262
0.9043
TJ
32.1
64.1
3.8
3.38
15
0.9187
3.67(±0.034)
12.6(±0.75)
11765
0.8440
3.39(±0.036)
?0.321(±0.020)
37.5(±1.70)
6714
0.8606
SJZ
30.0
66.1
4.0
?2.72
15
0.8960
4.17(±0.044)
-2.70(±0.99)
8848
0.8027
4.05(±0.057)
?0.044(±0.013)
3.60(±2.07)
4453
0.8037
TS
36.7
62.2
1.1
2.81
21
0.9423
3.76(±0.029)
18.0(±0.62)
17167
0.8878
3.63(±0.032)
?0.118(±0.014)
28.7(±1.43)
8883
0.8912
QHD
34.0
57.5
8.5
1.35
28
0.8304
2.78(±0.040)
32.8(±0.77)
4800
0.6894
2.71(±0.046)
?0.084(±0.030)
37.3(±1.81)
2411
0.6904
HD
35.5
60.3
4.3
3.52
14
0.8853
3.92(±0.044)
3.80(±1.01)
7887
0.7837
3.43(±0.056)
?0.188(±0.014)
29.9(±2.15)
4370
0.8006
XT
29.9
65.4
4.7
1.80
15
0.8953
4.24(±0.045)
-0.70(±1.01)
8780
0.8014
3.83(±0.055)
?0.142(±0.012)
20.3(±1.97)
4767
0.8142
BD
26.8
69.9
3.3
4.14
14
0.8911
4.17(±0.046)
9.70(±1.01)
8388
0.7940
3.76(±0.064)
?0.139(±0.015)
29.8(±2.41)
4395
0.8015
CD
36.8
62.3
1.0
4.23
26
0.9538
3.28(±0.022)
33.7(±0.46)
21776
0.9096
3.13(±0.025)
?0.320(±0.027)
47.5(±1.23)
11689
0.9153
CZ
31.0
66.9
2.1
2.95
17
0.9292
3.85(±0.033)
19.8(±0.74)
13724
0.8633
3.53(±0.043)
?0.202(±0.018)
39.5(±1.92)
7308
0.8706
LF
32.1
65.2
2.6
4.02
13
0.9319
4.11(±0.034)
5.10(±0.76)
14361
0.8684
3.78(±0.039)
?0.238(±0.016)
26.1(±1.59)
8012
0.8804
HS
31.9
67.1
1.0
3.59
14
0.9494
4.22(±0.030)
14.7(±0.68)
19866
0.9013
3.88(±0.041)
?0.156(±0.013)
34.3(±1.77)
10650
0.9073
ZJK
35.2
57.9
6.9
1.20
24
0.8464
2.54(±0.034)
52.4(±0.67)
5470
0.7163
2.50(±0.036)
?0.167(±0.050)
57.8(±1.75)
2753
0.7176
均值
32.8
63.9
3.4
2.60
—
—
—
—
—
—
—
—
—
—
—
1）BJ：北京，TJ：天津，SJZ：石家庄，TS：唐山，QHD：秦皇岛，HD：邯郸，XT：邢台，BD：保定，CD：承德，CZ：沧州，LF：廊坊，HS：衡水，ZJK：张家口，下同；2）W(t)：短期分量；S(t)：季节分量；e(t)：长期分量；CV：协方差；3）Δt表示O3,BL(t)与Tmax,BL(t)序列之间的相位差；4）Corrmax表示O3,BL(t)序列与调整了相位差后Tmax,BL(t+Δt)的Pearson相关系数；5）括号外为拟合系数，括号内为标准差
图4 秦皇岛日最高气温基线Tmax,BL(t)与O3-8h基线O3,BL(t)的轮廓 下载原图
Fig. 4 Phase lag between the time series of baseline of daily maximum temperature and O3-8h in Qinhuangdao
该地区各城市Δt介于13~28d（表2），秦皇岛（28d）、承德（26d）和唐山（21d）的较大，其余城市集中在13~17d。Ma等[22]发现北京远郊上甸子背景站Δt为17d，与本研究在北京城区的结果完全一致。长三角地区城市Δt在6~64d之间，舟山（64d）、宁波（30d）和台州（28d）等沿海城市最大，其余城市集中在6~16d[24]。其他见诸 道的Δt有：美国新泽西州19d[34]，康涅狄格州不同站点介于15~25d[38]，美国华盛顿、芝加哥、洛杉矶和迈阿密则分别是10、16、24和123d[39]，得克萨斯州为6~8d[40]。另据 道美国亚利桑那州图森地区未发现该现象[10]。Milanchus等[39]和Ahmadi等[40]发现O3,BL(t)与太阳辐射序列不存在相位差[39,40]，可见Δt应源于气温与太阳辐射变化的不完全同步，还可与各城市所处的地理位置、海陆风等因素有关。
表3 2013~2018年京津冀地区各城市O3-8h的升高趋势及其基于线性拟合的原因推测 导出到EXCEL
Table 3 Increase rates of O3-8h in Beijing-Tianjin-Hebei region in 2013-2018 based on multiple linear regression analysis
城市
升高速率/μg·(m3·a)-1
式(8)（不单列颗粒物项）趋势拟合贡献结果
式(9)（单列颗粒物项）趋势拟合贡献结果
年均值
长期分量
污染排放
气象因素
前体物排放
PM2.5下降
气象因素
BJ
1.36
3.33
2.42(80.4%)1）
0.59(19.6%)
0.89(29.6%)
1.53(50.8%)
0.59(19.6%)
TJ
6.52
5.25
5.74(91.7%)
0.52(8.3%)
3.44(55.0%)
2.30(36.7%)
0.52(8.3%)
SJZ
6.23
7.12
6.76(88.9%)
0.84(11.1%)
6.26(82.4%)
0.50(6.6%)
0.84(11.1%)
TS
3.47
3.05
3.24(93.6%)
0.22(6.4%)
2.19(63.1%)
1.06(30.5%)
0.22(6.3%)
QHD
5.46
4.59
5.07(92.0%)
0.44(8.0%)
4.68(84.9%)
0.39(7.1%)
0.44(8.0%)
HD
6.65
6.95
6.78(93.5%)
0.47(6.5%)
4.72(65.1%)
2.06(28.4%)
0.47(6.5%)
XT
7.75
6.87
7.78(102.6%)
-0.20(-2.6%)
5.58(73.6%)
2.20(29.0%)
-0.20(-2.6%)
BD
8.34
5.81
7.36(91.1%)
0.72(8.9%)
5.69(70.4%)
1.67(20.7%)
0.72(8.9%)
CD
3.2
2.31
2.71(95.8%)
0.12(4.2%)
1.69(59.7%)
1.02(36.0%)
0.12(4.2%)
CZ
5.64
4.56
5.15(90.5%)
0.54(9.5%)
3.75(65.9%)
1.40(24.6%)
0.54(9.5%)
LF
7.1
5.23
5.66(87.1%)
0.84(12.9%)
3.55(54.6%)
2.11(32.5%)
0.84(12.9%)
HS
2.19
3.12
2.05(69.3%)
0.91(30.7%)
0.61(20.6%)
1.44(48.6%)
0.91(30.7%)
ZJK
6.54
6.39
7.16(98.6%)
0.10(1.4%)
6.93(95.6%)
0.22(3.0%)
0.10(1.4%)
平均
5.42
4.97
2.05~7.
声明：本站部分 章内容系出于传递信息之目的源自于第三方 站转载，行业企业、终端用户投稿。若对稿件内容有任何疑问或质疑，请立即与本 站联系，本 站将迅速给予回应并第一时间做出处理（联系邮箱：jinwei@zod.com.cn）。