2019, Vol. 40
2. 京津冀环境气象预报预警中心, 北京 100089;
3. 中国气象局大气化学重点开放实验室, 北京 100081
, LI Zi-ming2 , XIONG Ya-jun2
, QIAO Lin2 , QIU Yu-lu2,3 , SUN Zhao-bin1 , KOU Xing-xia1
2. Environmental Meteorology Forecast Center of Beijing-Tianjin-Hebei, Beijing 100089, China;
3. Key Laboratory of Atmospheric Chemistry, China Meteorological Administration, Beijing 100081, China
近30年来, 社会经济和工业迅速发展、城市化进程加快、人口增加等共同导致了大气污染物排放量的增长, 同时极端雾-霾天气和空气重污染过程频发, 对空气质量、能见度、人体健康、天气和气候变化等产生较大影响[1~4].吴兑等[5]对北京60余年的霾日变化特征进行统计分析表明, 2000年至北京奥运会前后, 霾日略有下降, 2012年后又存在一定程度的反弹, 年平均霾日为150 d. 2013年1月中国中东部经历大范围雾-霾天气过程, 京津冀地区PM2.5小时峰值浓度达到1 000 μg·m-3[6], 引起了公众和政府的广泛关注.京津冀地区污染成因复杂, 但总结而言, 污染物源排放是造成空气污染的主要诱因, 气象条件是污染发生的触发因子, 地形和光化学反应等对污染物的输送和累积也具有重要影响[5, 7~10].有研究指出[11], 自然沙尘源、燃煤源、生物质燃烧源、垃圾焚烧源、工业源和二次无机气溶胶源对北京城区PM2.5贡献比分别为15%、18%、12%、25%和26%.国内学者对重大污染过程的气象原因也进行了深入地探讨, 高空500 hPa纬向特征明显、地面为弱气压场或低压辐合区的高低空配置是大气污染发生的主要系统型, 但不同季节污染发生机制不尽相同[12~14].大气边界层内, 较低的风速、近地层充足的水汽、风场幅合线及局地环流等是影响污染物区域输送、局地累积、气溶胶液相反应和气粒转化等的重要因素[15~19]; 逆温层的存在抑制低层对流, 不利于污染物的垂直扩散[20~23], 发展层次低于700 m的偏南风和700 m以上的弱下沉气流可能共同导致颗粒物暴发性增长[24].
2013年9月, 中国国务院颁布《大气污染防治行动计划》和《大气污染防治十条措施》, 呼吁实施区域联动降低大气PM2.5质量浓度.理解污染源排放和气象要素的区域差异及其对污染过程的贡献是客观合理地实施减排的重要前提.翟世贤等[25]利用Model-3/CMAQ设置不同时刻减排方案并根据气象条件预报, 指出提前1、2和3 d减排, 城六区PM2.5峰值浓度分别下降30%、39%和38%.张人禾等[8]针对2013年1月的污染事件分析时发现, 气象要素对污染的作用超过2/3, 二次气溶胶的形成与变化受气象条件影响更大.何建军等[26]采用多种统计方法量化局地气象条件对廊坊市颗粒物质量浓度变化的贡献, 结果显示气象条件可以解释PM2.5和PM10日均值变化的56%和49%.张周祥[27]通过引入颗粒物污染气象条件PLAM指数分析2015年秋冬季一次重污染过程, 发现气象条件对PM浓度上涨的平均贡献率达80%, 是污染发生的主导原因.熊亚军等[28]利用KNN(K-nearest neighbor, K近邻算法)和WRF-CHEM数值模拟算法, 指出2018年3月11~14日减排使过程平均PM2.5浓度下降25.3%.
根据北京市环境保护局《环境状况公报》(http://www.bjepb.gov.cn/), 2014~2017年北京PM2.5年平均质量浓度由85.9 μg·m-3降至58.0 μg·m-3, 大气污染得到显著改善.在此期间, 较多研究成果集中在污染过程的发生、发展机制及化学过程分析, 对气象和人为减排的定量化研究成果相对不足.本研究采用气象和环保常规观测数据, 结合数值模式和大数据挖掘技术, 量化气象条件和减排措施对空气质量改善的贡献, 对明确北京大气污染成因、科学指导下一步大气污染防治工作具有重要的现实意义.
1 材料与方法本研究中使用的数据主要包括大气污染物质量浓度观测数据和模拟结果、近地面气象要素观测数据以及计算得到的综合表征指数.
1.1 霾日及重污染日北京2014~2017年污染物浓度及AQI数据取自中华人民共和国生态环境部(http://www.zhb.gov.cn/)及北京市环境保护局《空气质量月报》(http://www.bjepb.gov.cn/).霾天气最基本的特征为能见度下降[14], 本研究依照中国气象局国家气象中心霾日算法：剔除降水、沙尘等视程障碍现象, 以每日08:00、14:00、20:00这3个时次的能见度和相对湿度平均值作为判别阈值, 当能见度低于7.5 km且相对湿度低于80%记作1个霾日.根据《环境空气质量指数(AQI)技术规定》(HJ 633-2012), 污染日以AQI和PM2.5质量浓度进行规范, 指日平均AQI＞100即PM2.5日均浓度＞75.0 μg·m-3; 重污染日(重度污染和严重污染日)为日平均AQI＞200即PM2.5日均浓度＞150.0 μg·m-3[29, 30].本文用到的霾日站点信息与生态环境部污染日监测站信息见表 1.
|
表 1 气象数据观测站点与生态环境部站点信息 Table 1 Information on meteorological sites and atmospheric sites |
1.2 气象要素与综合指数
地面气象要素数据(小风日数、2 min风速、风向、相对湿度、降水量等)来自北京市气象局站点观测数据, 站点信息见表 1.
(1) 小风日数是指日均风速小于等于2.0 m·s-1的日数.
(2) 边界层高度利用罗氏算法和观象台观测的相关气象要素计算得到[31], 计算方法为：
|
式中, H为边界层高度(m), (T-Td)为温度露点差(℃), P为帕斯奎尔稳定度值, Uz为10m高度处平均风速观测值(m·s-1), z0为地面粗糙度, f为地转参数(s-1).
(3) 大气环境容量指数表征大气自身对污染物的容纳能力, 指示大气污染变化趋势, 与近地面层空气流动性、垂直方向上大气的稳定性、稳定层的厚度、降水等要素有关.值越小, 表示大气对污染物的容纳能力越低[23], 计算方法为：
|
式中, A是大气环境容量指数, H为混合层厚度(m), V为平均风速(m·s-1).
(4) 大气通风系数反映大气边界层内通风情况的物理量, 能较好地表征大气的扩散能力.计算方法为大气边界层(混合层)高度乘以边界层(混合层)内平均风速, 是混合层高度内风速的积分, 单位为m2·s-1, 值越小越不利于大气污染物扩散.
1.3 区域化学传输模式WRF-Chem本研究使用新一代天气/气候与大气化学在线耦合模式WRF-Chem(3.6.1)对华北地区进行模拟, 水平分辨率9km.物理方案包括YSU边界层、WSM 6-class云微物理、Goddard短波方案和RRTM长波方案, 化学方案设置为CBM-Z气相化学和MOSAIC-4bins气溶胶方案[4, 32~34].人为排放清单采用清华大学研发的MEIC_2012, 该系列清单已被广泛应用于中国地区大气化学模式研究中, 模拟效果较好[35, 36].本研究针对2014~2017年PM2.5污染频发的12月(1~19日), 气象场和化学场的初始条件和边界条件分别采用FNL 1°×1°再分析资料和MOZAR-4T全球化学模式结果[37].模式采用相同的排放清单, 可以得到因气象场差异引起的2014~2017年12月污染物浓度变化情况.
1.4 KNN与SVM评估模型KNN与SVM(support vector machines, 支持向量机)是经典的分类与回归分析的监督式算法, 属于大数据挖掘技术, 在空气污染和霾等级分类预报中的准确率达到80%~90%[28, 38, 39].
假定霾日和重污染日由气象条件和污染源排放共同引发, 则霾日和重污染日的发生必然包含气象条件和排放强度信息.在已知实际的气象条件、霾日数和重污染日数的条件下, 基于KNN与SVM模型对霾日和重污染日发生频次进行模拟, 并利用观测数据验证, 得到气象条件对霾日和重污染日的影响, 其反作用即为排放强度的影响.本研究旨在结合KNN和SVM模型, 研究气象条件改变和排放变化对北京空气质量改善中的影响并将其定量化, 属于大数据挖掘算法在空气污染领域的较新尝试.
KNN采用测量不同特征值之间的距离方法进行分类, 对异常值不敏感, 无数据输入假定.其基本算法为：
|
训练样本集S是由i个天气样本组成的历史天气个例集合, 每个样本由m个属性变量及L个标志量构成.属性变量Xim分别代表均海平面气压、日均相对湿度、日均风速、日均温度、日均变温、日均变压及南风频次; Li称为标志量(label).假设霾日数各要素的集合为预测样本Yi={y1, y2, …, ym}; 进行预测时, 首先在S中找到与预测样本Yi最相似的K个近邻(K通常为奇数, 本研究中K=5)及对应的K个标志量集合L={L1, L2, …, LK}, 按照投票多数原则, 选取最多的标志量Li作为Yi预测结果. K近邻选取采用欧氏距离法进行判定, 故KNN本质上是一种相似算法[28, 38, 39].
SVM可以对训练集之外的数据点做出合理的分类决策, 具有较好的鲁棒性, 泛化错误率较低, 结果易解释, 在气象预报领域已广泛应用[40].其基本算法如下：
|
约束条件为：
|
引入拉格朗日乘子αi, 上式求解方程为：
|
约束条件为：
|
得到最优解
对于高维空间, 若要将原特征空间变换到高维特征空间, 则需将最优分类面中的点积替换成内积K(x, x′), 此时优化函数为:
|
约束条件为：
|
式中, αi为拉格朗日乘子, 与每一个样本对应.这是一个二次函数最优化问题, 约束条件为不等式, 其解存在且唯一, 通常仅有小部分αi不为0, 所对应样本点即为支持向量.
最终应用的最优分类函数为：
|
基于上述支持向量机的基本原理, 本研究选用高斯核函数.
2 结果与讨论 2.1 2014~2017年北京地区大气污染变化图 1(a)是北京地区2014~2017年霾日和空气污染日的空间分布及变化：过去4 a霾日呈减少的趋势. 2014年~2015年霾日数较多, 南部地区每年霾日数约130~140 d, 霾日出现频率达35%. 2016南部地区霾日数继续维持, 但北部地区霾日呈减少态势, 霾日约60~90 d. 2017年北京霾日数较过去3a显著减少, 霾多发的南部和东南部等地霾日少于100 d, 北部和城区不足50 d.将所有站点进行平均, 2017年霾日较2014、2015和2016年分别减少41.2%、39.8%和36.4%, 霾日数减少最显著的地区为石景山和丰台. 图 1(b)是生态环境部公布的每年污染日数站点分布：2014~2017年城区及平原西南部污染日数偏多, 其次为东南部, 污染日数大值区自西南向城区伸展, 类似于“舌状”.逐年对比表明各站点污染日数呈逐年减少态势.以古城为例, 2014、2015和2016年污染日数分别为197、170和164 d, 污染日占比约45%~54%; 2017年污染日数仅113 d, 污染占比降至31.0%.对站点进行平均发现, 2017年北京污染日数139 d, 较过去3 a分别减小28.0%、22.4%和17.3%.
|
图 1 2014~2017年北京地区霾日和污染日空间分布 Fig. 1 Spatial distribution of haze days and pollution days in Beijing during 2014-2017 |
图 2给出了空气污染日出现频次的统计结果. 2014~2017年北京空气污染日比例逐年下降, 2017年空气质量优良率为61.9%, 较过去3a分别提高14.8%、11.0%和7.8%;其中, 重污染日数(重度污染和严重污染)23 d, 占总污染日数的16.6%, 比2014、2015和2016年重污染日分别减少24、23和16 d, 占比下降24.4%、25.7%和23.2%.这表明随着污染日数的逐年减少, 北京地区的污染程度也在逐年减轻.
|
图 2 2014~2017年北京地区污染日数及其中重污染日占比 Fig. 2 Percentages of pollution days in Beijing during 2014-2017 |
2014~2017年北京PM2.5、PM10、SO2和NO2年平均质量浓度逐年下降(图 3). 2017年4种污染物年平均浓度分别为58、87、8和46μg·m-3, 较过去3 a平均值分别下降19.1%、49.1%和10.9%.采暖期(1~3月、11~12月)污染物浓度在2017年最低, PM2.5较过去3a同期平均值降低30.85%.对PM2.5月均浓度进行分析, 1月最低值出现在2016年, 污染日数为4a同期最少; 5月和9月PM2.5质量浓度年际差异较小; 其它月PM2.5质量浓度最低值都出现在2017年, 最高值在2014年.值得注意的是, 2017年和2014年秋冬季(尤其11~12月)的PM2.5质量浓度和污染天数低于2015~2016年.
|
图 3 2014~2017年北京PM2.5、PM10、NO2和SO2质量浓度逐月统计值 Fig. 3 Monthly concentrations of PM2.5, PM10, NO2, and SO2 in Beijing during 2014-2017 |
风主要体现了区域大气水平方向的扩散能力, 也是局地性较强的气象因子. 表 2是观象台2014~2017年逐月小风日数统计值. 2017年小风日数210 d, 比2014年偏少14 d, 较2015和2016年分别偏多7 d和11 d.曾有研究指出, 京津冀地区采暖期大气扩散能力下降趋势比全年明显, 更易造成近地面污染物堆积[41], 冬季也是重霾的多发季节[10].针对采暖期进行分析发现, 小风日数最少年份为2017年; 其中, 1~3月共45 d, 较2014年同期偏少13.5%, 比2016年同期偏多15.4%; 11~12月出现36 d, 较2015~2016年同期分别减少25.0%、20.0%, 可见2017年前冬(11~12月)大气水平扩散条件较有利.此外, 2017年11~12月小风日数与2014年大体持平, 但污染比2014年明显缓解, 这可能与2017年减排措施相关, 需结合其它要素综合判断.
|
|
表 2 2014~2017年观象台小风日数统计值1)/d Table 2 Number of low wind days during 2014-2017/d |
北京20站平均风速分析结果显示, 2014~2017年风速整体上呈缓慢增加态势.其中, 城区站(海淀、朝阳、石景山、丰台、大兴、观象台) 2017年风速均值为1.94 m·s-1, 较过去3a分别增加20.2%、1.0%和2.4%.近地面风速达3级及以上(≥3.4 m·s-1)时, PM2.5扩散能力将明显增强, 污染物浓度降低[29].为此, 统计了城区站≥3.4 m·s-1风速出现的频次比例(表 3), 2017年的频率最高(10.6%), 2014~2015年不足8%;采暖期内≥3.4 m·s-1风速频次仍在2017年最大(14.3%), 比2015年同期偏高3.3%.其中, 1~3月最大频率出现在2016年, 其次为2017年, 两者较2014年同期分别偏高8.7%和4.3%; 11~12月≥3.4 m·s-1风速频率在2017和2014年分别为15.8%和14.1%, 2015~2016年不足7%.综合来看, 2017年近地面风速条件有所改善, 尤其是11~12月较大风速的频次明显增加, 对污染物的扩散有利.
|
|
表 3 北京城区站2014~2017年小时风速≥3.4 m·s-1频次统计结果/% Table 3 Percentage of hourly wind speed ≥3.4 m·s-1 in Beijing during 2014-2017/% |
图 4(a)给出了北京平均相对湿度空间分布. 2014~2017年昌平至门头沟一带相对湿度低值中心清晰, 位置稳定不变; 北部、东南部、南部相对湿度较高. 2014和2017年城区一带的平均相对湿度明显低于2015~2016年. 图 4(b)为采暖期和非采暖期各站点平均相对湿度逐年变化, 采暖期相对湿度低于非采暖期.其中, 采暖期各站点相对湿度在2015年最高, 2017年最低. 1~3月, 2014年各站点相对湿度约40%~55%, 而2015~2016年明显偏低, 尤其在门头沟和昌平地区平均相对湿度低于35%; 11~12月, 各站点相对湿度在2014和2017年低于50%, 较2015~2016年同期偏低约10%~20%.当湿度增至70%以上时, 干气溶胶粒子吸湿增长会使大气消光增强, PM2.5质量浓度“虚高”[3].对城区站进行统计, 2014和2017年70%以上湿度日数分别占全年的24.7%和25.1%, 较2015~2016年偏低1.6%~4.3%;尤其在采暖期, 2017年70%以上湿度日频次最低, 仅为9.8%, 较2015年偏低19.7%.
|
(a)北京近地面相对湿度空间分布; (b)近地面相对湿度时间变化 图 4 2014~2017年北京地区近地面相对湿度的时空变化 Fig. 4 Spatial and temporal variation of relative humidity in Beijing during 2014-2017 |
2014年平均大气环境容量指数和通风系数低于其他3 a, 2015~2016年相对偏高(图 5).采暖期内环境容量指数和通风系数呈明显的逐年增长趋势, 2017年两个指数较过去3 a平均增加11%左右, 表明污染相对较重时段内大气对污染物的容纳能力有所提升; 其中, 1~3月2015年和2017年两个指数持平, 比2016年同期约偏低11%~12%, 比2014年同期约偏高16%, 表明2014、2015和2017年年初大气承载力和通风能力相对较弱, 与同时期的污染实况对应; 11~12月大气环境容量指数和通风系数最大值在2017年, 与2015年同期相比, 2017年的两个指数升高54.1%和54.8%.非采暖期内两个指数呈逐年减小趋势, 故影响了大气对污染物的年平均承载能力.但非采暖期内2016和2017年累积降水量分别为652.7 mm和558.3 mm, 显著高于2014年和2015年(约400~450 mm), 较多的降水有利于污染物清除.
|
图 5 2014~2017年观象台大气环境容量和通风系数 Fig. 5 Atmospheric environmental capacity and ventilation coefficient in Beijing during 2014-2017 |
边界层高度影响污染物垂直方向的扩散和混合. 图 6是大气边界层高度变化的时间序列, 由图可见边界层年均值差异较小.采暖期, 2014~2017年大气边界层高度呈增加态势, 增加速率约3.2%·a-1.其中, 1~3月2017年边界层高度为1 175.7 m, 较2014年同期升高10.7%, 但比2015年和2016年同期偏低2.3%和3.3%, 较低的边界层高度将污染物压制在大气低层, 减弱了大气垂直方向的扩散能力; 11~12月2017年平均边界层高度1 171.8 m, 比2014~2016年升高7.4%~47.8%.非采暖期边界层高度变化有所差异, 2014~2016年缓慢升高, 但2017年显著低于过去3 a同期, 尤其是7~8月和10月, 这与大气混合层高度较低、含水量较高有关.
|
图 6 2014~2017年观象台不同时段大气边界层高度统计值 Fig. 6 Boundary layer height in Beijing during 2014-2017 |
为讨论大气环流改变引起的大气扩散条件的转好对空气质量改善的贡献率, 基于WRF-CHEM对2014~2017年空气污染重、霾天气多发的12月进行模拟. 图 7是PM2.5质量浓度模拟结果与观测值的对比：2014年12月和2017年12月大气扩散条件相对较好, 模式对PM2.5浓度趋势及峰值浓度的模拟与观测值一致, 但模拟结果略高, 相关系数达到0.90, 通过0.01显著性水平检验; 模式对2015~2016年PM2.5质量浓度日均值模拟较好, 但在2016年趋势模拟上存在偏差, 相关系数分别为0.9和0.7.相同排放清单、不同气象条件、不考虑减排的背景下, 2017年与过去3 a的PM2.5浓度差如图 8所示：气象条件的差异导致2017年12月PM2.5质量浓度平均值较2014、2015和2016年同期分别降低5.0%、38.0%和25.0%左右, 2017年与2015~2016年相比污染状况显著改善; 2017年与2014年PM2.5浓度差异较小, 说明两者的大气扩散条件较为相似.因气象条件的改变, 2017年与过去3 a相比, 污染过程峰值浓度显著降低, 尤其与2015~2016年相比, 小时浓度可降低约250 μg·m-3, 对污染过程的累积和发展有很大程度的缓解.
|
图 7 2014~2017年天坛站PM2.5日均质量浓度模拟值与观测值对比 Fig. 7 Comparison between simulated and observed daily PM2.5 concentrations at Tiantan site during 2014-2017 |
|
图 8 天坛站2017年与2014~2016年PM2.5小时浓度的WRF-CHEM模拟结果差异 Fig. 8 Hourly PM2.5 concentration differences between 2017 and three previous years simulated by WRF-CHEM at Tiantan site |
上述结果只能给出气象条件的改变对污染(PM2.5浓度)影响的定量化结果, 并不能区分气象和排放改变的贡献率.利用KNN和SVM模型评估的基本思路如下：利用2013~2016年气象条件和霾日数的实况数据, 基于KNN和SVM进行模拟并验证.当模拟结果满足预报要求时, 即认为模型已能较好地匹配2013~2016年实际的气象条件和排放背景.之后, 基于2017年实际气象条件模拟霾日数, 得到的结果包含了2013~2016年的排放条件和2017年气象条件的综合作用.
3种评估情景设置见表 4.情景1表示以2013~2016年的排放和气象条件为背景, 年平均霾日为125 d; 情景2假设排放条件同情景1, 气象条件更替为2017年, 则2017年模拟霾日101 d; 情景3表示在2017年实际排放和气象条件背景下, 2017年出现霾日72 d. KNN评估中, 情景1和2的差异代表排放量不变的情况下, 2017年的气象条件可导致2017年霾日减少24 d; 情景2和3的差异代表气象条件不变时, 排放量的变化可导致2017年霾日减少29 d; 情景1和3的差异代表在排放量减少和气象条件改善的双重作用下, 2017年霾日较过去4 a可减少53 d, 即2017年减少的53个霾日中, 约29个霾日(54.7%)是减排引起的, 约24个霾日(45.3%)归因为气象条件的改善.同样3种情景设置基于SVM构建评价模型进行检验回算, 结果显示, 2017年减少的53个霾日中, 约36个(约67.9%)归因于人为减排的贡献, 约17个(约32.1%)是气象条件改善的作用.
|
|
表 4 3种情景下KNN和SVM模型对霾日的评估结果 Table 4 Assessment results for haze days in three situations by KNN and SVM models |
2.3.2 KNN和SVM模型对空气重污染日的评估结果
与2.3.1节中霾日的预报模拟同理, 利用2013年的气象数据和重污染日频次作为验证训练模型的基础数据, 并采用留一交叉检验方法(即一个样本做测试集, 其它样本为训练集, 若有n个样本, 则需要训练n次, 测试n次)对预报结果进行分类准确性等多项检验.当模型达到较高准确率时(KNN和SVM分别达到85%和83%), 即认为集成了2013年的气象条件和排放背景, 继而对2014~2017年的模拟结果就包含了2013年的排放信息和模拟年份的气象条件.将模拟结果与实际发生的重污染日数进行对比, 可分离每年的排放和气象对重污染日发生频次的作用, 结果见表 5.若将2017年与2013年相比, 可见气象和排放共同影响下重污染日减少35 d, KNN与SVM模拟的气象改善导致重污染日分别减少12 d(34.3%)和10 d(28.6%), 则人为减排的作用分别为23 d(65.7%)和25 d(71.4%), 即2017年减少的重污染日中, 人为减排和气象条件改善的贡献率分别为68.6%和31.4%.
|
|
表 5 2013~2017年观测的重污染日数及KNN和SVM模型的模拟结果 Table 5 Assessment results for heavy pollution days simulated by KNN and SVM models |
最终将两种模型的计算结果进行算数平均, 结果显示2017年北京霾日的减少, 61.3%是人为减排的作用, 38.7%归因于气象条件的改善; 2017年减少的空气重污染日, 人为减排和气象条件的贡献比分别为68.6%和31.4%(表 6).可见, 2017年北京霾日和空气重污染日的大幅减少是气象条件改善和人为减排共同作用的结果, 其中排放减少的贡献率达65.0%, 与前人在其它城市开展的研究结论相似[26, 42].
|
|
表 6 2017年霾日和重污染日大幅减少的归因贡献比/% Table 6 Assessed contribution for decreased haze and heavy pollution days by KNN and SVM in 2017 |
3 结论
(1) 北京2017年霾日数较2014、2015和2016年分别减少41.2%、39.8%和36.4%, 最明显的地区位于石景山和丰台; 污染日数较过去3 a分别减少28.0%、22.4%和17.3%, 重污染日数比2014~2016年分别减少24、23 d和16 d, 污染程度和污染物浓度显著降低.
(2) 2014~2017年各站点平均风速逐年增加, 尤其是西部和南部, 通州风速却有逐年减小的态势; ≥3.4 m·s-1风速频次的占比在2017年最大, 2014和2017年相对湿度低于2015~2016年.采暖期是全年污染频发的时期, 小风日数、平均风速、≥3.4 m·s-1风速频次、≥70%湿度日占比等气象要素均在2017年最好, 可见2017年气象条件向有利的方向转换; 其次采暖期扩散条件较好的是2014年, 尤其11~12月各要素与2017年相似, 但污染情况严重.
(3) 2014和2017年平均大气环境容量指数和通风系数略低于2015~2016年, 边界层高度年际差异较小.经分析, 采暖期大气对污染物的承载力在2017年显著高于其它年份, 尤其11~12月.非采暖期2017年大气的承载力下降, 影响了全年平均值; 但值得注意的是, 2017年非采暖期降水量558.3 mm, 远远多于2014~2015年, 提高了对污染物的清除和湿沉降能力.总体来看, 2017年大气自身的容纳能力在采暖期尤其是11~12月明显增加, 污染物在垂直方向的稀释和扩散能力有所提升, 非采暖期的降水清除作用显著.
(4) 对大气污染中气象和排放的定量评估是政府减排工作的数据支撑.基于WRF-CHEM模式和相同的排放输入对2014~2017年12月进行模拟, 气象条件的差异导致2017年12月PM2.5浓度较2014、2015和2016年同期分别降低5%、38%和25%左右, 但该方法不能量化气象和减排的贡献率.利于KNN和SVN大数据挖掘算法对2017年空气质量改善中气象和排放变化的贡献进行评估, 结果显示, 2017年减排对霾日和重污染日减少的平均贡献率约为65.0%, 气象条件改善的贡献约占35.0%, 可见北京大气污染防治工作中两者缺一不可.
| [1] | Tie X X, Wu D, Brasseur G. Lung cancer mortality and exposure to atmospheric aerosol particles in Guangzhou, China[J]. Atmospheric Environment, 2009, 43(14): 2375-2377. DOI:10.1016/j.atmosenv.2009.01.036 |
| [2] | Zhao P S, Zhang X L, Xu X F, et al. Long-term visibility trends and characteristics in the region of Beijing, Tianjin, and Hebei, China[J]. Atmospheric Research, 2011, 101(3): 711-718. DOI:10.1016/j.atmosres.2011.04.019 |
| [3] |
张小曳, 孙俊英, 王亚强, 等. 我国雾-霾成因及其治理的思考[J]. 科学通报, 2013, 58(13): 1178-1187. Zhang X Y, Sun J Y, Wang Y Q, et al. Factors contributing to haze and fog in China[J]. Chinese Science Bulletin, 2013, 58(13): 1178-1187. |
| [4] | Qiu Y L, Liao H, Zhang R J, et al. Simulated impacts of direct radiative effects of scattering and absorbing aerosols on surface-layer aerosol concentrations in China during a heavily polluted event in February 2014[J]. Journal of Geophysical Research, 2017, 122(11): 5955-5975. |
| [5] |
吴兑, 陈慧忠, 吴蒙, 等. 三种霾日统计方法的比较分析——以环首都圈京津冀晋为例[J]. 中国环境科学, 2014, 34(3): 545-554. Wu D, Chen H Z, Wu M, et al. Comparison of three statistical methods on calculating haze days-taking areas around the capital for example[J]. China Environmental Science, 2014, 34(3): 545-554. |
| [6] | Zhang J K, Sun Y, Liu Z R, et al. Characterization of submicron aerosols during a month of serious pollution in Beijing, 2013[J]. Atmospheric Chemistry and Physics, 2014, 14(6): 2887-2903. DOI:10.5194/acp-14-2887-2014 |
| [7] | Huang R J, Zhang Y L, Bozzetti C, et al. High secondary aerosol contribution to particulate pollution during haze events in china[J]. Nature, 2014, 514(7521): 218-222. DOI:10.1038/nature13774 |
| [8] |
张人禾, 李强, 张若楠. 2013年1月中国东部持续性强雾霾天气产生的气象条件分析[J]. 中国科学:地球科学, 2014, 57(1): 27-36. Zhang R H, Li Q, Zhang R N. Meteorological conditions for the persistent severe fog and haze event over eastern China in January 2013[J]. Science China Earth Sciences, 2014, 57(1): 26-35. |
| [9] | Zheng G J, Duan F K, Su H, et al. Exploring the severe winter haze in beijing:the impact of synoptic weather, regional transport and heterogeneous reactions[J]. Atmospheric Chemistry and Physics, 2015, 15(6): 2969-2983. DOI:10.5194/acp-15-2969-2015 |
| [10] |
刘厚凤, 杨欣, 陈义珍, 等. 中国重霾过程污染气象研究进展[J]. 生态环境学报, 2015, 24(11): 1917-1922. Liu H F, Yang X, Chen Y Z, et al. A review of meteorological effects on heavy haze pollution in China[J]. Ecology and Environmental Sciences, 2015, 24(11): 1917-1922. |
| [11] | Zhang R, Jing J, Tao J, et al. Chemical characterization and source apportionment of PM2.5 in Beijing:seasonal perspective[J]. Atmospheric Chemistry and Physics, 2013, 13(14): 7053-7074. DOI:10.5194/acp-13-7053-2013 |
| [12] | Wang Y S, Yao L, Wang L L, et al. Mechanism for the formation of the January 2013 heavy haze pollution episode over central and eastern China[J]. Science China Earth Sciences, 2014, 57(1): 14-25. DOI:10.1007/s11430-013-4773-4 |
| [13] |
尹晓梅, 孙兆彬, 郭淳薇, 等. 2016年12月京津冀一次重污染天气过程分析[J]. 生态环境学报, 2017, 26(12): 2071-2083. Yin X M, Sun Z B, Guo C W, et al. Analysis of a heavily polluted event in Beijing-Tianjin-Hebei Region in December, 2016[J]. Ecology and Environmental Sciences, 2017, 26(12): 2071-2083. |
| [14] |
廖晓农, 张小玲, 王迎春, 等. 北京地区冬夏季持续性雾-霾发生的环境气象条件对比分析[J]. 环境科学, 2014, 35(6): 2031-2044. Liao X N, Zhang X L, Wang Y C, et al. Comparative analysis on meteorological condition for persistent haze cases in summer and winter in Beijing[J]. Environmental Science, 2014, 35(6): 2031-2044. |
| [15] | Zhang Q, Quan J N, Tie X X, et al. Effects of meteorology and secondary particle formation on visibility during heavy haze events in Beijing, China[J]. Science of the Total Environment, 2015, 502: 578-584. DOI:10.1016/j.scitotenv.2014.09.079 |
| [16] | Chen Z Y, Xie X M, Cai J, et al. Understanding meteorological influences on PM2.5concentrations across China:a temporal and spatial perspective[J]. Atmospheric Chemistry and Physics, 2018, 18(8): 5343-5358. DOI:10.5194/acp-18-5343-2018 |
| [17] |
宋明, 韩素芹, 张敏, 等. 天津大气能见度与相对湿度和PM10及PM2.5的关系[J]. 气象与环境学报, 2013, 29(2): 34-41. Song M, Han S Q, Zhang M, et al. Relationship between visibility and relative humidity, PM10, PM2.5 in Tianjin[J]. Journal of Meteorology and Environment, 2013, 29(2): 34-41. DOI:10.3969/j.issn.1673-503X.2013.02.006 |
| [18] | Sun Y L, Wang Z F, Fu P Q, et al. The impact of relative humidity on aerosol composition and evolution processes during wintertime in Beijing, China[J]. Atmospheric Environment, 2013, 77: 927-934. DOI:10.1016/j.atmosenv.2013.06.019 |
| [19] | Chen J, Qiu S S, Shang J, et al. Impact of relative humidity and water soluble constituents of PM2.5 on visibility impairment in Beijing, China[J]. Aerosol and Air Quality Research, 2014, 14(1): 260-268. DOI:10.4209/aaqr.2012.12.0360 |
| [20] |
曹伟华, 梁旭东, 李青春. 北京一次持续性雾霾过程的阶段性特征及影响因子分析[J]. 气象学报, 2013, 71(5): 940-951. Cao W H, Liang X D, Li Q C. A study of the stageful characteristics and influencing factors of a long-lasting fog/haze event in Beijing[J]. Acta Meteorologica Sinica, 2013, 71(5): 940-951. |
| [21] |
高怡, 张美根. 2013年1月华北地区重雾霾过程及其成因的模拟分析[J]. 气候与环境研究, 2014, 19(2): 140-152. Gao Y, Zhang M G. Numerical simulation of a heavy fog-haze episode over the North China Plain in January 2013[J]. Climatic and Environmental Research, 2014, 19(2): 140-152. |
| [22] |
程念亮, 李云婷, 张大伟, 等. 2013年1月北京市一次空气重污染成因分析[J]. 环境科学, 2015, 36(4): 1154-1163. Cheng N L, Li Y T, Zhang D W, et al. Formation mechanism of a serious pollution event in January 2013 in Beijing[J]. Environmental Science, 2015, 36(4): 1154-1163. |
| [23] |
郭淳薇, 孙兆彬, 李梓铭, 等. 北京地区近35年大气污染扩散条件变化[J]. 环境科学, 2017, 38(6): 2202-2210. Guo C W, Sun Z B, Li Z M, et al. Change of atmospheric pollution diffusion conditions in Beijing in recent 35 years[J]. Environmental Science, 2017, 38(6): 2202-2210. |
| [24] |
吴进, 李琛, 孙兆彬, 等. 北京地区两次重污染过程中PM2.5浓度爆发性增长及维持的气象条件[J]. 干旱气象, 2017, 35(5): 830-838. Wu J, Li C, Sun Z B, et al. Meteorological condition of explosive increase and maintaining of PM2.5 concentration during two heavy pollution processes in Beijing[J]. Journal of Arid Meteorology, 2017, 35(5): 830-838. |
| [25] |
翟世贤, 安兴琴, 刘俊, 等. 不同时刻污染减排对北京市PM2.5浓度的影响[J]. 中国环境科学, 2014, 34(6): 1369-1379. Zhai S X, An X Q, Liu J, et al. Effects of emission-sources reduction at different time points on PM2.5 concentration over Beijing Municipality[J]. China Environmental Science, 2014, 34(6): 1369-1379. |
| [26] |
何建军, 吴琳, 毛洪钧, 等. 气象条件对河北廊坊城市空气质量的影响[J]. 环境科学研究, 2016, 29(6): 791-799. He J J, Wu L, Mao H J, et al. Impacts of meteorological conditions on air quality in urban Langfang, Hebei Province[J]. Research of Environmental Sciences, 2016, 29(6): 791-799. |
| [27] |
张周祥.秋冬季北京北部重污染事件PM1化学组分特征及气象因素的贡献[D].北京: 中国气象科学研究院, 2017. 33-40. Zhang Z X. Characteristics of PM1 chemical composition and role of meteorological factors during heavy aerosol pollution episodes in northern Beijing area in autumn and winter[D]. Beijing: Chinese Academy of Meteorological Sciences, 2017. 33-40. |
| [28] |
熊亚军, 徐敬, 孙兆彬, 等. 基于数据挖掘算法和数值模拟技术的大气污染减排效果评估[J]. 环境科学学报, 2019, 39(1): 116-125. Xiong Y J, Xu J, Sun Z B, et al. Air pollution reduction effect evaluation based on data mining algorithm and numerical simulation technology[J]. Acta Scientiae Circumstantiae, 2019, 39(1): 116-125. |
| [29] |
程念亮, 张大伟, 李云婷, 等. 风向对北京市重污染日PM2.5浓度分布影响研究[J]. 环境科学与技术, 2016, 39(3): 143-149, 161. Cheng N L, Zhang D W, Li Y T, et al. Effects of wind direction on spatial distribution of PM2.5 during heavy pollution days in Beijing[J]. Environmental Science & Technology, 2016, 39(3): 143-149, 161. |
| [30] |
李令军, 王占山, 张大伟, 等. 2013~2014年北京大气重污染特征研究[J]. 中国环境科学, 2016, 36(1): 27-35. Li L J, Wang Z S, Zhang D W, et al. Analysis of heavy air pollution episodes in Beijing during 2013~2014[J]. China Environmental Science, 2016, 36(1): 27-35. DOI:10.3969/j.issn.1000-6923.2016.01.005 |
| [31] |
孙兆彬, 李梓铭, 廖晓农, 等. 北京大气热力和动力结构对污染物输送和扩散条件的影响[J]. 中国环境科学, 2017, 37(5): 1693-1705. Sun Z B, Li Z M, Liao X N, et al. Influence of Beijing atmospheric thermal and dynamics structure on pollutants transport and diffusion conditions[J]. China Environmental Science, 2017, 37(5): 1693-1705. DOI:10.3969/j.issn.1000-6923.2017.05.012 |
| [32] | Hong S Y, Lim J O J. The WRF single-Moment 6-class microphysics Scheme (WSM6)[J]. Journal of the Korean Meteorological Society, 2006, 42(2): 129-151. |
| [33] | Mlawer E J, Taubman S J, Brown P D, et al. Radiative transfer for inhomogeneous atmospheres:RRTM, a validated correlated-k model for the longwave[J]. Journal of Geophysical Research, 1997, 102(D14): 16663-16682. DOI:10.1029/97JD00237 |
| [34] | Zaveri R A, Easter R C, Fast J D, et al. Model for simulating aerosol interactions and chemistry (MOSAIC)[J]. Journal of Geophysical Research, 2008, 113(D13): D13204. DOI:10.1029/2007JD008782 |
| [35] | Zhang Q, Streets D G, Carmichael G R, et al. Asian emissions in 2006 for the NASA INTEX-B mission[J]. Atmospheric Chemistry and Physics, 2009, 9(14): 5131-5153. DOI:10.5194/acp-9-5131-2009 |
| [36] | Zhang L, Wang T, Lv M Y, et al. On the severe haze in Beijing during January 2013:unraveling the effects of meteorological anomalies with WRF-Chem[J]. Atmospheric Environment, 2015, 104: 11-21. DOI:10.1016/j.atmosenv.2015.01.001 |
| [37] | Emmons L K, Walters S, Hess P G, et al. Description and evaluation of the model for ozone and related chemical tracers, version 4(MOZART-4)[J]. Geoscientific Model Development, 2010, 3(1): 43-67. DOI:10.5194/gmd-3-43-2010 |
| [38] |
熊亚军, 廖晓农, 李梓铭, 等. KNN数据挖掘算法在北京地区霾等级预报中的应用[J]. 气象, 2015, 41(1): 98-104. Xiong Y J, Liao X N, Li Z M, et al. Application of KNN data mining algorithm to haze grade forecasting in Beijing[J]. Meteorological Monthly, 2015, 41(1): 98-104. |
| [39] |
刘炳春, 符川川, 李健. 基于KNN<SVM的北京空气污染预测模型研究[J]. 产业创新研究, 2017(1): 32-38, 72. Liu B C, Fu C C, Li J. Study on KNN<SVM-Based Beijing's air pollution prediction model[J]. Industrial Innovation, 2017(1): 32-38, 72. |
| [40] | Rani R U, Rao T K R K. An enhanced support vector regression model for weather forecasting[J]. IOSR Journal of Computer Engineering, 2013, 12(2): 21-24. DOI:10.9790/0661 |
| [41] |
梅梅, 朱蓉. 污染防治重点区域大气扩散条件变化趋势及成因[J]. 环境影响评价, 2017, 39(5): 1-6, 12. Mei M, Zhu R. Variation trend and genesis analysis of atmospheric diffusion conditions in key areas for pollution control[J]. Environmental Impact Assessment, 2017, 39(5): 1-6, 12. |
| [42] |
赵辉, 郑有飞, 徐静馨, 等. 大阅兵期间北京市大气质量改善效果评估[J]. 中国环境科学, 2016, 36(10): 2881-2889. Zhao H, Zheng Y F, Xu J X, et al. Evaluation of the improvement of the air quality during the parade in Beijing[J]. China Environmental Science, 2016, 36(10): 2881-2889. DOI:10.3969/j.issn.1000-6923.2016.10.001 |