近年来, 伴随着我国大城市经济高速提升、能源消耗增长以及城镇化和工业化的发展, 导致以高浓度大气颗粒物(PM)为主要特征的霾污染天气频繁发生^[1].高浓度的PM不仅会降低大气能见度, 影响公共交通^[2], 增加人类心血管疾病和呼吸系统的发病率^[3], 还会影响全球气候^[4]. PM_2.5具有典型的区域性、复合型污染特征^[5], 因此深入研究其污染特征与跨区域传输规律, 是控制PM_2.5污染的有效途径.

北京地处华北平原、太行山脉和燕山山脉的交界处, 是我国的政治、经济、文化和国际交流中心, 同时也是我国大气污染较为严重的地区之一.中华人民共和国生态环境部公布：2015和2016年北京PM_2.5年均质量浓度分别为81 μg·m^-3和73 μg·m^-3, 是国家PM_2.5年均二级标准(35 μg·m^-3)的2.31倍和2.09倍. PM₁是PM_2.5中重要组成部分^[6], 由于其粒径更小, 比表面积更大, 对人类健康影响更严重, 成为了当前研究的新焦点.许多学者围绕PM₁的理化特征、来源解析、气象影响要素等进行了大量的分析^{[6, 7]}, 同时也采用了CAMx-PSAT(comprehensive air quality model with extensions-particulate source apportionment technology)^[8]、WRF-Chem (weather research and forecasting model coupled to chemistry)^[9]、后向轨迹模型^[10]、潜在源贡献分析(PSCF)法^[11]对PM_2.5传输规律开展了深入研究.然而尚缺乏对北京市PM₁及其化学组分进行长时间连续观测, 关于重污染日与非重污染理化特征研究仍存在不足.此外, 针对PM_2.5的来源分析多局限于近地面传输影响, 而关于PM₁的传输规律更有待进一步探讨.因此, 本研究采用气溶胶化学组分在线监测仪(ACSM), 对北京市2016年10月15日至11月15日期间大气中难熔性PM₁(NR-PM₁)的化学组分进行连续在线监测, 对比分析了重污染日、清洁日和整个监测时段NR-PM₁及其化学组分的演变特征; 同时采用PSCF模型识别了整个观测时段和一次重污染过程NR-PM₁及其化学组分污染的潜在源区, 采用WRF-CAMx耦合模型定量分析了北京与其接壤区域边界处垂直方向上不同海拔高度PM_2.5的传输通量特征, 以期为我国区域联防联控提供有效地科技支撑.

本研究观测地点位于北京工业大学环能楼楼顶(39.87°N, 116.48°E), 距地面约20 m.周边为居民区、商业区和道路交通, 无明显局地排放源和高大建筑物遮挡.采样时间为2016年10月15日至11月15日, 运用ACSM对NR-PM₁的5种化学组分, 包括有机物(Org)、硫酸盐(SO₄^2-)、硝酸盐(NO₃^-)、铵盐(NH₄⁺)以及氯化物(Chl)的质量浓度进行实时在线测定, 时间分辨率为15 min.考虑到北京农展馆周边污染源与北京工业大学相同, 并且两者相聚7 km, 因此本研究中2.1节涉及到的PM_2.5、SO₂、NO₂、CO和O₃等监测数据采用北京市空气质量发布平台中的国控站点——农展馆污染物小时分辨率数据.温度、风速、风向、相对湿度来自中国气象局发布的气象观测数据.后向轨迹模式采用的气象资料来自NCEP(美国国家环境预报中心)提供的全球资料同化系统(GDAS)数据.

ACSM主要包括粒子进样系统、气化和离子化系统、粒子化学组分检测三部分, 其原理简单来讲即粒径约为40~1000 μm的粒子通过前端的空气动力透镜后汇聚成较窄的粒子束, 粒子束通过真空腔室到达检测室, 随后非耐火性颗粒物的化学组分在600℃高温条件下瞬间气化, 并通过70 eV的轰击源(钨丝)发射电子进行离子化, 产生的带正电荷的碎片离子随后进入四级残气分析仪进行检测与定量, 从而实现对Org、SO₄^2-、NO₃^-、NH₄⁺和Chl的选取与测定^[12].

气溶胶质谱数据处理采用ACSM内嵌的标准数据处理软件(Wavemetrics Igor ProTM, version 1.5.2.0.0)进行处理与分析.为了获取准确的质量浓度, 需要对化学组分进行捕集效率(CE)校正. CE主要受气化器表面未气化的粒子即反弹粒子(Eb)的影响, 而Eb主要受颗粒物的酸度、含水量以及化学组分影响, 尤其是硝酸铵的含量.本研究表明CE=0.5基本能够保证化学组分质量浓度测量的不确定性在20%以内, 本文采用关系式CE=Max(0.45, 0.0833+0.9167×ANMF)来校正CE^[13], 其中ANMF代表硝酸铵的质量分数, Max代表两者中的最大值.此外, 离子传输效率(TE)是影响ACSM定量的另一个重要因素.超过一定的质荷比(m/z)之后, 四极残气分析仪的TE随m/z的增加而迅速降低, 详见文献[14]的介绍.为实现从信号到质量浓度的转化, 需采用NH₄NO₃对ACSM开展离子化效率(IE)标定^[15].本研究NH₄⁺的相对离子化效率(RIEs)为6.5, 其他化学组分采用ACSM的默认值, 即NO₃^-为1.1, SO₄^2-为1.2, Chl为1.3, Org为1.4.同时, 本研究计算获得的平均值均采用(平均值±标准偏差)的方式表示, 如大气颗粒物及其化学组分浓度、气态前体物浓度、NR-PM₁/PM_2.5百分比及组分所占百分比例等, 标准偏差的计算公式如下：

(1)

式中, θ代表标准偏差(无量纲), i代表样品编号(无量纲), n代表样本总数(个), X_i代表第i个样本(μg·m^-3或%), X代表所有样本的平均值(μg·m^-3或%).

本研究采用后向轨迹HYSPLIT模式^[16]对北京地区整个观测期间和一次重污染天气的气团来源及轨迹变化进行分析, 选取100 m高度对研究区域每小时气团移动的72 h后向轨迹进行模拟计算. PSCF法^[17]可以结合气团轨迹和污染物阈值来确定潜在污染源的可能区域.在计算过程中, 潜在源区被分成多个分辨率为0.5°×0.5°的i×j的网格, 目标区域范围介于80°~125°E和20°~55°N.计算公式如下^[17]：

(2)

(3)

式中, PSCF_ij代表潜在源区贡献(无量纲), m_ij代表经过网格(i, j)的轨迹数(条), n_ij代表总轨迹数(条), W(n_ij)代表网格权重系数(无量纲), 目的是避免n_ij较小的网格出现PSCF_ij高值.

空气质量模拟采用美国ENVIRON公司在UAM-V模式基础上开发的CAMx v6.3.0模式, 气象场模拟采用WRF v3.5.1模式, 用来开展PM_2.5浓度的时空变化特征研究以及跨界传输通量的计算.两种模型在模拟区域内垂直方向共设置28层, 其对应的δ坐标分别为1.000、0.994、0.988、0.981、0.969、0.956、0.944、0.926、0.902、0.881、0.852、0.828、0.796、0.754、0.704、0.648、0.589、0.546、0.495、0.445、0.387、0.287、0.187、0.136、0.091、0.061、0.020和0.000.模拟时段为2016年10月15日至11月15日, 模拟时间间隔为1 h; CAMx模拟区域采用Lambert投影坐标系, 设置两层嵌套网格(图 1), 分辨率为36 km×36 km, 12 km×12 km; 中心经纬度坐标为116.47°E, 45.00°N.外层(Domain1)覆盖中国东部和中部大部分区域, 内层(Domain2)覆盖京津冀地区、山东、山西、河南以及部分内蒙古、辽宁、陕西、湖北、安徽、江苏、浙江和上海地区.输入WRF中的初始背景边界条件采用美国国家环境预报中心(NCEP)提供的6 h 1°×1°分辨率的全球对流层FNL数据集.京津冀区域范围内采用本研究团队通过自下而上的方法建立的高分辨率大气污染源排放清单^[18], 京津冀区域外采用清华大学MEIC排放清单(http://www.meicmodel.org/), 包含的物种有SO₂、CO、NO_x、NH₃、VOCs、PM_2.5、PM₁₀等.此外, 本研究基于北京、承德、石家庄以及保定空气质量发布平台公布的PM_2.5监测数据以及各气象站点的气温(T2)、相对湿度(RH)和风速(WS)等气象数据, 参考EPA (Environmental Protection Agency)评价标准, 引入标准化平均偏差(NMB)、标准化平均误差(NME)和相关系数(COR)等3个统计指标^[19], 验证模式模拟的性能.

图 1

Fig. 1

图 1 CAMx模型双重嵌套区域及火点分布示意 Fig. 1 Modeling domains in the CAMx model and the distribution of emission points during the study period

PM_2.5传输通量是指在特定时间内通过某一垂直截面上PM_2.5的质量^[20].本文采用WRF-CAMx模型模拟研究区域内的气象场与空气质量, 并在垂直方向上设置成相同的层数(28层), 将垂直截面离散化为多个网格单元, 选取地表以上10层高度(约1300 m)作为垂直空间传输通量研究范围, 通过提取北京接壤区域对应高度层PM_2.5浓度和风场, 研究1300 m以内不同海拔高度PM_2.5传输通量的垂直分布特征.传输通量计算如下：

(4)

式中, Flux为PM_2.5传输通量(t·d^-1), h为垂直方向研究的最高层, l为两个毗邻城市的边界线(无量纲), L为模拟网格分辨率(km), H_k为在k和k+1层之间的高度差(m), c为PM_2.5浓度(μg·m^-3), v为风向(°)和风速(m·s^-1), n为通过垂直截面的法向量(无量纲).本研究将北京作为目标城市, 所有行政边界线上与北京接壤的城市作为研究城市, 包括保定、廊坊(南)、廊坊(北)、天津、承德和张家口. PM_2.5从周边城市传输至北京的通量为正值, 即流入通量; PM_2.5从北京传输到周边城市的通量为负值, 即流出通量; 流入通量与流出通量的矢量和代表PM_2.5净传输通量.

图 2展示了观测期间NR-PM₁及各化学组分浓度、PM_2.5及气态前体物浓度及气象要素的逐日变化情况.整个观测期间, PM_2.5的平均质量浓度为(89.82±66.66) μg·m^-3, 超过我国环境空气质量标准(GB 3095-2012)的日均质量浓度限值(75 μg·m^-3)的天数为14d, 超标率高达43.75%, 说明在秋高气爽的秋季北京地区的空气质量仍不容乐观. NR-PM₁与PM_2.5的演变趋势基本一致, 二者的相关性高达0.96. NR-PM₁/PM_2.5平均值为(70.31±22.28)%, 表明NR-PM₁是PM_2.5的重要组成部分. NR-PM₁平均质量浓度为(59.16±57.05) μg·m^-3, 高于Hu等^[21]在2012年秋季观测获取的北京NR-PM₁的质量浓度.同时, 与其他国家和地区相比, 本研究观测到的NR-PM₁是长江三角洲地区^[22]和珠江三角洲地区^[23]浓度的2倍左右, 是美国和欧洲等^[24]大城市浓度的2~10倍.根据中分辨率卫星高温点分布(http://satsee.radi.ac.cn:8080/index.html)可知：秋季北京及周边省市火点分布较为密集, 因此可以推断北京秋季大气颗粒物污染可能是由于露天大面积焚烧农作物残余(如：秸秆燃烧)造成大量污染物排放.

图 2

Fig. 2

图 2 整个观测期间气象与污染物各要素变化的时间序列 Fig. 2 Times series of various meterorological factors pollutants during the observation period

本研究期间, NR-PM₁质量浓度呈显著的锯齿型变化, 小时浓度浮动范围介于1.70~241.78 μg·m^-3之间, 既经历了高浓度NR-PM₁的重污染时段(NR-PM₁≥120 μg·m^-3), 也展示了多个低浓度NR-PM₁的清洁时段(NR-PM₁≤20 μg·m^-3).如图 2(h)~2(j)所示, 重污染时段NR-PM₁的平均浓度为(174.58±34.15) μg·m^-3, 是整个观测时段浓度的近3倍, 在PM_2.5中的比例显著升高至(82.70±15.27)%; 清洁时段NR-PM₁的平均浓度为(9.91±5.34) μg·m^-3, 远低于整个时段浓度水平, 在PM_2.5中的比例也降低至(68.76±38.77)%.有研究表明^[25], 在排放源不变的条件下, 气象条件是影响区域大气污染的主导因素.例如, 重污染时段呈现出较为稳定的气象条件, 伴随着风速较低(＜1.5 m·s^-1)、主导风向为偏南风以及较高的相对湿度(＞85%); 相反, 清洁时段风速较大(＞3.7 m·s^-1)、主导风向为偏北风以及较低的相对湿度(＜50%).通过分析气态前体物发现, 重污染时段NO₂、SO₂和CO平均质量浓度为(90.23±20.21) μg·m^-3、(9.89±4.95) μg·m^-3和(2.80±0.71)mg·m^-3, 远高于清洁时段[对应值：(34.93±16.73) μg·m^-3、(3.85±2.99) μg·m^-3和(0.54±0.29)mg·m^-3].整个观测期间, NR-PM₁与NO₂、NR-PM₁与CO之间的相关性均高于0.75, 并且重污染时段NO₂和CO的质量浓度高达(90.23±20.21) μg·m^-3和(2.80±0.71)mg·m^-3, 表明NO₂和CO等气态前体物对北京市重污染期间NR-PM₁的形成密切相关.

如图 2(f)所示, 整个观测期间NR-PM₁各化学组分质量浓度变化剧烈.总体来看, Org、SO₄^2-、NO₃^-、NH₄⁺和Chl小时平均浓度为(22.16±19.43)、(12.02±14.58)、(14.14±14.45)、(7.82±7.99)和(3.03±3.37) μg·m^-3. 图 2(h)为整个观测时段各组分在NR-PM₁中占比情况, 表明Org贡献比例最高, 平均达到(42.75±11.35)%, 可能是由于华北平原及周边地区是秸秆燃烧聚集区, 燃烧过程会产生大量的有机物^[26].同时还发现, 二次水溶性离子(SIA, NO₃^-+SO₄^2-+NH₄⁺)也是NR-PM₁的主要化学组分, 主要包括NO₃^-、SO₄^2-和NH₄⁺; 其中NO₃^-占比最高, 达(21.27±7.72)%, 其次为SO₄^2-和NH₄⁺, 所占比例分别为(19.11±7.08)%和(12.19±2.64)%.在监测出NR-PM₁的5种化学组分中, Chl占比最低, 平均为(4.68±3.24)%.研究发现Chl与NH₄⁺之间的相关性高达0.83, 表明NH₄⁺可与Chl反应形成NH₄Cl.

此外, NR-PM₁中的化学组分贡献比例在重污染日[图 2(i)]和清洁日[图 2(j)]也有显著的差异, 重污染时段SIA对NR-PM₁贡献高达61.07%, Org贡献34.38%;相比之下, 清洁时段Org对NR-PM₁贡献最大, 高达52.03%, SIA贡献值为45.09%.这表明SIA对重污染的形成发挥着主导作用.而Chl在不同的研究时段对NR-PM₁的贡献比例变化较小.经计算, 整个时段SIA与相对湿度的相关性达到0.67, 与O_x(NO₂+O₃)相关性高达0.78, 表明大气中液相反应和光化学氧化反应可有效促进SIA的形成, 并且光化学氧化反应对SIA的影响更大.研究表明^[27], NO₃^-和SO₄^2-的质量浓度比可有效反映固定源和移动源对PM的相对重要性.研究时段, NO₃^-/SO₄^2-日均值为1.33±0.48, 表明北京秋季机动车排放较固定源排放对NR-PM₁贡献更明显, 这与北京市环保局2018年最新公布的PM_2.5来源解析结果相一致(http://www.bjepb.gov.cn/).

受气溶胶前体物、气象条件、排放源以及光化学反应能力等多方面的影响, 北京秋季NR-PM₁中不同化学组分的日变化特征有所不同(图 3). Org表现出明显的双峰型日变化特征, 从凌晨00:00开始浓度持续下降, 直至中午(12:00~13:00)浓度回升, 达到第一个峰值, 随后浓度有所下降, 在15:00之后浓度又持续上升, 并在傍晚20:00前后达到第二个峰值.这两个峰值恰好对应人们的用餐时间, 可能与北京餐馆烹饪排放有关.此外, Org和CO的日变化趋势较为一致, 并且第二个峰值与交通晚高峰出现时间一致, 进一步揭示了机动车尾气对NR-PM₁的影响.以上研究结果与Xu等^[28]的研究结果一致.此外, 下午较高的边界层高度和较大的风速也为有机气溶胶提供了有利的扩散条件^[28].与Org相比, NO₃^-表现出完全不同的日变化特征. NO₃^-浓度从早上07:00开始随着交通早高峰排放以及光化学反应的增强, 呈现出浓度逐渐增加的趋势, 在中午达到峰值之后略有下降, 但夜间仍保持较高的浓度水平, 这可能是由于夜间的非均相反应促进了NO₃^-浓度保持较高水平.通常来讲, 中午较高的气温会因硝酸盐的挥发而浓度降低, 而本研究中NO₃^-在中午达到浓度顶峰, 这表明午间较强的光化学反应可能是驱动硝酸盐形成的主要反应机制.与Org和NO₃^-不同, SO₄^2-的日变化较为平坦, 表明硫酸盐区域传输的特性.从图 3(a)可以明显发现, SO₄^2-浓度从早晨06:00开始总体呈现持续上升的趋势, 直至傍晚18:00达到最高值, 并保持较高的浓度水平, 表明白天发生的光化学反应对SO₄^2-的形成发挥着重要的作用. NH₄⁺在NR-PM₁中主要以(NH₄)₂SO₄、NH₄NO₃和NH₄Cl的形式存在, 并且NH₄⁺与NO₃^-和SO₄^2-的相关性均高于0.87.因此可以发现NH₄⁺的日变化特征充分结合了NO₃^-和SO₄^2-二者的日变化特征. Chl是5种化学组分中浓度最低的, 但仍呈现出明显的日变化特征. Chl浓度从早上07:00开始持续降低, 直至下午15:00降至最低值, 之后浓度持续升高, 在晚上21:00达到峰值.

图 3

Fig. 3

图 3 整个观测期间化学组分、气态前体物气象要素的日变化特征 Fig. 3 Diurnal variations of chemical species, gaseous pollutants and meteorological parameters during the study period

本研究采用PSCF方法对影响北京地区PM_2.5潜在污染源区和传输路径展开分析.通过对目标区域进行网格化处理, 并利用公式(2)和(3)对网格化的PSCF值进行权重分析, 研究得到了北京地区整个观测时段和一次重污染时段(11月2~5日)NR-PM₁的潜在污染区域和传输路径, 如图 4和5所示.

图 4

Fig. 4

图 4 整个研究期间北京NR-PM1及其化学组分的PSCF分布 Fig. 4 PSCF map for NR-PM1 and its chemical components in Beijing during the study period

图 5

Fig. 5

图 5 重污染时段北京NR-PM1及其化学组分PSCF分布 Fig. 5 PSCF map for NR-PM1 and its chemical components in Beijing during the heavy pollution period

由图 4可知, NR-PM₁与其化学组分的PSCF值空间分布较为相似.在北京西南和东南输送通道附近, NR-PM₁及其化学组分的PSCF值多数高于0.6, PSCF高值主要集中在河北南部地区(如保定、石家庄、沧州、衡水、邯郸)、河南东北部地区、山东西部地区, 上述区域人口密集、工业水平发达、污染物排放量大^[29], 因此在传输的效应下对北京地区空气质量的影响较大, 这与王燕丽等^[30]的研究结果保持一致.此外, 我国西北地区对北京NR-PM₁污染也有一定贡献, 主要包括内蒙古自治区、山西、陕西以及新疆东北部地区, 其PSCF值一般低于0.4.以上研究结果表明北京秋季NR-PM₁污染受本地排放和外来源传输的共同影响.

图 5表明, 此次重污染期间北京NR-PM₁及其各化学组分较大PSCF值主要集中在北京市周边城市, 其中保定、北京南部和廊坊较高, 这些地区PSCF值均在0.6以上; 西北延伸至内蒙古地区贡献较小, PSCF值低于0.5. Org、NO₃^-和NH₄⁺和Chl的PSCF值空间分布较为一致, 而SO₄^2-的PSCF值分布较其它组分有明显的差异, 较高的PSCF值沿着内蒙古中部-山西东北部-保定-北京南部的方向分布, 这可能是由于SO₄^2-具有区域性分布特征, 其气态前体物SO₂可通过气相氧化反应或者云处理形成SO₄^2-[31].而NO₃^-的潜在源区主要分布在北京本地或近周边地区, 这可能是由于NO₃^-易受到气温的影响, 在长距离传输的过程中因挥发而造成NO₃^-浓度的降低.因此, 北京大气污染治理应充分考虑本地污染源和外来源传输贡献, 尤其针对高潜在源区(如河北省南部城市)更应强化减排措施, 为构建京津冀地区大气污染协作机制提供支撑.

由表 1可知, WRF能较好地再现3种气象要素的时间演变特征, 模拟值与观测值有较好的相关性, COR均高于0.61. T2模拟效果最好, COR均在0.84以上, NMB介于-0.49%~0.69%之间, NME介于0.46%~0.92%之间; RH模拟值普遍低于观测值, 存在小范围低估, 且其NMB和NME反映出模拟偏差较T2大; WS的COR介于0.63~0.66之间, NMB和NME介于20.58%~56.60%之间, 模拟值高于观测值, 但二者的变化趋势表现出较好的一致性.从PM_2.5的模拟效果分析可知, 2个城市PM_2.5模拟值与观测值有较好的一致性, COR均在0.72以上, NMB介于-24.80%~-16.92%之间, NME在35.00%左右.但分析发现PM_2.5均存在不同程度的低估, 尤其是在重污染时段, 这可能是由于大气污染源排放清单的不确定性、模型内部针对重污染期间颗粒物的二次转化机制欠缺、水平及垂直分辨率的影响以及气象要素的模拟误差等多方面因素带来的影响^[32].总体而言, 本研究中WRF-CAMx能够准确模拟PM_2.5浓度以及各气象要素演变特征, 模拟结果误差属于可接受范围内, 可进一步用于PM_2.5传输规律的研究.

表 1 (Table 1)

表 1 模拟值与监测值统计指标对比 Table 1 Comparison of statistical indicators between monitored and simulated data 变量 统计指标 指标单位 北京 承德 石家庄 保定 NMB % -26.58 -23.79 -16.92 -24.80 PM2.5 NME % 36.53 33.15 35.64 37.13 COR / 0.85 0.75 0.72 0.77 NMB % -0.49 0.18 -0.19 0.69 T2 NME % 0.76 0.46 0.57 0.92 COR / 0.85 0.97 0.84 0.84 NMB % -4.14 -4.87 -7.75 -3.53 RH NME % 16.67 12.74 12.41 10.50 COR / 0.67 0.82 0.61 0.62 NMB % 40.33 48.26 25.71 20.58 WS NME % 44.77 56.60 33.75 35.99 COR / 0.66 0.64 0.63 0.64

表 1 模拟值与监测值统计指标对比 Table 1 Comparison of statistical indicators between monitored and simulated data

图 6展示了整个观测期间和一次重污染过程(2016年11月1~7日)PM_2.5净传输通量随海拔高度的垂直分布特征.从图 6可知, PM_2.5净通量随着海拔高度的不同而不同.整个研究期间, 不同高度PM_2.5总的净通量表现为正值, 在海拔600~1000 m处总的净通量较高, 达到49.42~60.68 t·d^-1, 表明毗邻城市向北京地区输入PM_2.5的质量高于北京向毗邻城市输出PM_2.5的质量, 并且PM_2.5高空传输对大气污染的贡献也不容忽视[图 6(a)]. 值得注意的是, 整个研究期间北京总的净通量为339.36 t·d^-1, 最大的输入净通量和最大的输出净通量强度分别来自保定(437.14 t·d^-1)和承德(-693.88 t·d^-1), 因此可以推断出一条关键的PM_2.5污染传输通道, 即西南-东北传输通道(保定北京承德).此外, 廊坊(北)和天津在400 m以下持续输送PM_2.5至北京, 而在400 m以上转变为接受来自北京的PM_2.5, 这是由于随着海拔高度的增加, 风向发生了转变所致.

图 6

Fig. 6

图 6 整个观测期间和一次重污染过程PM2.5传输通量垂直分布特征 Fig. 6 Vertical distribution of PM2.5 net fluxes during the study period and a typical heavy pollution event

2016年11月1日至7日, 北京发生了一次典型的重污染过程, 本研究采用PM_2.5传输通量的方法对此次重污染过程进行了分析[图 6(b)~6(h)]. 11月1日北京PM_2.5浓度处于较低水平, 日均值为42 μg·m^-3, 总的净通量为333.10 t·d^-1, 与整个研究期间平均值相当, PM_2.5主要由保定和廊坊(南)向北京输送, 而北京始终处于向承德输出的状态.从11月2日开始, PM_2.5浓度逐渐累积上升, PM_2.5的传输方向没有发生明显变化, 但海拔400 m以下PM_2.5总的净通量明显增加, 介于42.84~80.32 t·d^-1之间, 这是PM_2.5浓度和风速共同升高的原因所致. 11月3~5日为重污染日, PM_2.5日均浓度变化范围为188.58~255.58 μg·m^-3. 图 6(d)显示11月3日在海拔250~600 m之间PM_2.5传输较为强烈, 总的净通量高达461.54 t·d^-1.直至11月4日PM_2.5浓度达到此次重污染过程的峰值, 总的净通量在海拔100 m以下最大, 说明此次重污染峰值当日区域传输影响主要发生在近地面.总的净通量为129.00 t·d^-1, 这是由于虽然PM_2.5浓度较高, 但11月4日北京地区平均风速低于1.2 m·s^-1, 这是因为静稳的气象条件抑制了PM_2.5的扩散, 导致了PM_2.5浓度逐渐累积.另外, 从11月1日~4日PM_2.5浓度逐渐抬升至峰值的过程中, 北京主要作为PM_2.5“受体”, 同时鉴别到了两种主要的传输通道, 即西南-东北方向(保定→北京→承德)和西北-东南方向(张家口→北京→廊坊北→天津), 这与Gao等^[32]的研究结果一致. 11月5日PM_2.5浓度开始下降, 但仍然保持较高的浓度.从图 6(f)可知, 海拔50 m以上PM_2.5总的净通量均为负值, 说明此时北京主要作为“源体”向外输送PM_2.5, 在海拔800 m左右总的净通量达到最大值-52.89 t·d^-1.在海拔400 m以下主要有两条传输通道, 即西北-廊坊方向(张家口→北京→廊坊)和东北-西南方向(承德→北京→保定), 而在海拔400 m以上, 北京西北边界风向发生转变, 张家口由向北京输送转变为接受来自北京的污染物.截至11月6~7日, 北京输入通量和输出通量仍较高, 这是由于风速较高, 均值高达4.08 m·s^-1, 而较大的输入通量和输出通量二者相互抵消, 也使得PM_2.5总的净通量较低(-106~117.05 t·d^-1).最终北京PM_2.5浓度显著下降, 此次重污染事件结束.

(1) 2016年10~11月北京大气颗粒物污染严重, NR-PM₁和PM_2.5质量浓度分别高达(59.16±57.05) μg·m^-3和(89.82±66.66) μg·m^-3, NO₂和CO等气态前体物对重污染期间NR-PM₁的形成密切相关.

(2) Org、NO₃^-、SO₄^2-、NH₄⁺和Chl是NR-PM₁的主要化学组分, 整个观测期间、重污染日和清洁日等不同污染等级时段5种组分在NR-PM₁中所占比例不同, 并且其日变化特征也存在明显差异.

(3) PSCF分析发现, 整个观测期间, 河北南部、河南东北部及山东西部成为影响北京NR-PM₁浓度的主要区域, 而重污染期间潜在贡献较大的区域主要分布在北京及周边地区, 如保定、北京南部及廊坊等.

(4) PM_2.5净通量呈现出显著的垂直分布特征, 不同时段北京与毗邻城市间发生的PM_2.5传输通量流入与流出特征也不同, 北京PM_2.5污染受高空和近地面传输的共同影响.

(5) 重污染时段主要鉴别出了两种传输路径, 即西南-东北方向(保定→北京→承德)和西北-东南方向(张家口→北京→廊坊北→天津).