近年来, 随着社会经济的快速发展和城市化进程的加快, 大量能源消耗导致空气污染物浓度攀升, 大气环境问题成为社会共性问题而得到国内外的广泛关注.京津冀经济圈做为全国空气污染最严重的区域之一, 自2013年起加大大气污染治理力度, 空气质量逐年改善^{[1, 2]}.然而当遭遇不利气象条件影响时, 仍会出现持续时间长、覆盖范围广和能见度低的污染过程, 对公众健康、大气光学特征、天气及气候等产生重要影响^[3~6].针对重污染天气, 已有众多学者开展了大量研究探讨不同地区大气污染特征及机制, 指出在大气污染排放源相对稳定的情况下, 大尺度环流形势、地形条件和局地气象要素等对污染过程起了决定性作用^[7~10].京津冀空气重污染主要发生在秋冬季, 除较稳定的大气层结特征之外, 供暖季燃煤量的增加也是导致重污染天气频发的重要原因^[11~13].国家积极采取举措, 针对京津冀及周边地区提出至2018年10月前实现能源结构调整, 提倡用天然气和电力等清洁能源, 用洁净煤代替原煤, 开展煤炭质量监督和消费总量控制, 对锅炉进行全面改造, 从而达到缓解京津冀采暖期大气污染问题^{[14, 15]}.众多学者针对不同社会排放水平下的采暖季和非采暖季的空气质量进行研究, 评估不利气象条件及排放强度对污染发展的影响, 以期为大气环境管理提供参考^[16~21]. 如Cheng等^[22]的研究过滤了气象条件对污染的影响后分析北京不同站点的PM_2.5浓度变化趋势, 结果显示2013~2016年采暖季的原始PM_2.5浓度没有明显下降.Liu等^[23]分析了2016~2017年秋冬季京津冀PM_2.5的大气化学组分和消光系数以评估"禁煤措施"对能见度的影响, 结果表明区域内北京市尤其是冬季PM_2.5引起的低能见度改善最明显. Pang等^{[24, 25]}分析供暖期(2016年11月15日至2017年3月15日)的数据发现, 北京和廊坊的PM_2.5污染形成阶段中二次生成和重污染区域的输运很大程度上促进了PM_2.5增长; 而对比2016~2017和2017~2018年冬季的PM_2.5污染发现, 非均相反应对前者的硫酸盐形成影响较大, O_x在后者的硝酸盐形成中发挥了更重要作用, 且有更多的被硝酸盐从西南地区带入北京. Yang等^[26]研究了2014~2016年北京西南部柳河的观测, 发现居民固体燃料燃烧是北京农村气溶胶污染的最主要来源, 侧重于市区的研究可能低估了京津冀的居民排放贡献.而主要针对北京减排成效显著和气象条件相对有利的近两年, 尤其是停暖前后的污染特征差异的综合分析较少.本研究挑选2019年北京供暖停止前后的两次污染过程进行分析, 对比12个国控站及6个城市背景站的大气成分、近地面气象要素及污染来源等, 探讨采暖期和非采暖期污染过程的时间演变、日变化特征、气象要素差异及污染传输等.此外, 结合WRF-CAMx模式进行长达1个月的模拟, 探讨不同时段、不同排放特征下模式对污染过程再现能力的差异.通过加深污染排放基准变化背景下的环境空气PM_2.5的特征认识, 以期为区域大气污染综合防治及大气污染预报预警业务能力的提升等提供科学依据和参考.

选取北京市作为重点研究区域, 研究时段为2019年2月21日至3月25日, 涵盖城市供暖期和停止供暖阶段.挑选较临近的两次污染过程, 即2月21~24日及3月18~20日进行分析.常规污染物PM_2.5、SO₂、NO₂、CO和O₃的逐时站点观测来源于北京市生态环境监测中心网站数据及中国环境监测总站的全国城市空气质量实时发布平台, 气象数据来自北京市观象台(116.28°E, 39.48°N)地面站点观测, 混合层高度根据罗氏法进行计算, 本方法是Nozaki^[27]于1973年提出的一种利用地面气象资料估算混合层高度的方法, 具体计算可参照文献[28]. SO₄^2-逐时近地面质量浓度来自于美国国家航空航天局全球模拟和同化办公室(GMAO)制作的大气再分析数据MERRA-2 (The Modern-Era Retrospective Analysis for Research and Applications, version 2), 空间分辨率为0.5°×0.625° (http://disc.sci.gsfc.nasa.gov/mdisc/).气团后向轨迹采用美国国家海洋和大气管理局(NOAA)开发的混合单粒子拉格朗日积分传输和扩散模式HYSPLIT(http://ready.arl.noaa.gov/HYSPLIT_traj.php)进行计算.模式计算所用气象资料为美国国家环境预报中心的全球再分析气象数据.

本研究使用WRF-CMAx对空气质量进行模拟研究.基于中尺度气象模式WRF3.5.1为模拟提供气象场背景, 利用大气化学模式CAMx6.2模拟大气化学过程, 采用SAPRC99气相化学机制.污染物人为源排放清单采用清华大学2016年0.25°分辨率的MEIC排放源清单.本研究使用三维变分同化方法对污染源进行同化试验, 三维变化同化方法中的目标反函数见式(1), 同化的数据为北京城区地面观测数据, 具体的试验设置及同化方法可参考文献[29~32].

(1)

式中, x_b为背景场初始源清单, B为对应于x_b的背景误差协方差; y为观测变量污染浓度, R为观测误差, H为观测算子, 本文采用模式中的敏感性分析工具(DDM)构建; x为同化后的污染源清单最终求解得到的同化分析场, x_n表示x的第n次估计值; T代表矩阵的转置, J为泛函数, t为时间.由于模式中的大气化学变量数目很大, 本研究主要关注SO₂、NO_x和一次颗粒物的排放.

文中标准试验指未经过同化的试验, 而将数据源清单进行反演更新的试验称为同化试验.为评估数值模拟的模拟效果, 本研究引入相关系数、NMB(normalized mean bias)和NME(normalized mean error)等标准评估模拟性能[见式(2)].其中, R越高表示模拟结果与近地面观测的时间变化趋势越一致; NMB和NME越接近0, 表示模拟与观测之间的整体偏差越小; 模拟性能越好. NMB和NME计算公式如下:

(2)

式中, S_i代表模拟值, O_i代表观测值^[33].

本研究时段内(2月21日至3月25日)的两次过程对应的北京及周边省市的逐时ρ(PM_2.5)时间变化如图 1所示.过程1污染[(ρ(PM_2.5)＞75μg·m^-3)]持续60 h, 平均ρ(PM_2.5)为100.1μg·m^-3, 全市平均浓度峰值219μg·m^-3, 出现在过程前期(2月22日凌晨); 站点的ρ(PM_2.5)峰值(348μg·m^-3)于2月22日早晨08:00出现在京东南背景站(永乐店). ρ(PM_2.5)日变化明显, 午后至夜间增长迅速, 凌晨前后达当日最大值, 中午前后浓度最低; 上午存在一个次峰值, 时间略滞后于交通早高峰.与白天相比, 夜间混合层高度降低, 大气含水量增加, 扩散能力减弱, 有利于污染物浓度快速累积; 后半夜转偏北风和偏东风影响, 且风速较前半夜有所增加, 导致ρ(PM_2.5)峰值出现在凌晨前后.6个区域背景传输站逐时ρ(PM_2.5)显示, 京南、京西南和京东南的污染最早且浓度增长迅速, 2月21日白天已达200~350μg·m^-3, 远高于全市平均浓度; 2月22日京东站点的ρ(PM_2.5)开始增加, 而京西北和京东北站点2月23日白天才逐渐升高; 2月21日凌晨至22日上午河北省ρ(PM_2.5)维持130~220μg·m^-3.本次污染过程前期, 周边几个城市的污染物浓度均高于北京, 而2月22日凌晨至24日凌晨, 北京市ρ(PM_2.5)显著高于其他城市; 在过程结束时, 北京地区的污染物在偏北风的影响下逐渐南推至河北和天津地区, 造成上述城市浓度再次高于北京.综上, 污染累积阶段, 京津冀中南部污染物对北京的区域输送明显, 这也是2月21日夜间至2月22日凌晨北京PM_2.5急剧增加的重要原因.

图 1

Fig. 1

图 1 两次污染过程北京及周边城市和区域背景传输点的逐时ρ(PM2.5)演变特征 Fig. 1 Evolution characteristics of the hourly PM2.5 concentration for two pollution events in Beijing and its surrounding cities and background stations

过程2的全市平均ρ(PM_2.5)为97.2μg·m^-3, 污染持续49 h, 日平均AQI达轻度-中度污染. ρ(PM_2.5)日变化不显著, 污染发展缓慢, 整个过程呈“单峰型”态势, 峰值出现在过程中期, 峰值仅为165μg·m^-3.站点的小时峰值浓度出现在前门站的3月20日凌晨, 为323μg·m^-3, 与过程1的站点浓度峰值相差不大.6个区域背景传输点的逐时ρ(PM_2.5)演变趋势表现一致, 站点间浓度差异小, 均与全市平均ρ(PM_2.5)持平.同时段内, 天津、石家庄、唐山、邯郸和保定的逐时ρ(PM_2.5)大部分时段低于75μg·m^-3, 过程最大浓度分别为76.8、60.4、83.8、61.8和85.3μg·m^-3.初步推断, 污染过程2中PM_2.5很大程度来源于北京本地的排放累积及二次生成.

图 2给出了ρ(NO₂)、ρ(SO₂)、ρ(O₃)和ρ(CO)的变化特征.两次污染过程中, ρ(SO₂)均不足16μg·m^-3, 可见, 2019年燃煤管控成效明显, 但两个过程ρ(SO₂)时间演变差异明显.过程1的ρ(SO₂)日变化呈“双峰”型, 两个峰值出现时间分别为上午~中午和夜间, 与北京秋冬季燃煤及大气扩散条件日变化规律一致^[34], 污染时次的平均ρ(SO₂)为7.8μg·m^-3(范围: 2.7~12.1μg·m^-3).过程2中ρ(SO₂)的日变幅大, 且呈“单峰”型态, 最大浓度在午后, 这主要是停暖后导致夜间的取暖排放源消失, 从而影响了夜间的次峰值; 污染时次的平均ρ(SO₂)为9.8μg·m^-3(范围: 4.1~15.6 μg·m^-3).两个过程ρ(SO₂)相差不大, 污染重、处于供暖期的过程1的ρ(SO₂)略低, 这可能与燃煤治理、重污染应急措施管控效应相关, 且该时段为春节假期结束, 工厂等未完全恢复生产; 此外, 可能有更多SO₂参与了二次无机化学反应^[35].

图 2

Fig. 2

图 2 两次污染过程的ρ(NO2)、ρ(SO2)、ρ(O3)及ρ(CO)时间演变特征 Fig. 2 Temporal variations in the ρ(NO2), ρ(SO2), ρ(O3), and ρ(CO) concentrations of two pollution events

CO大气寿命相对较长, 可看作化学反应惰性污染气体, 其浓度变化主要受气象因子影响.过程1和过程2对比显示, 过程2中ρ(CO)偏低.污染时次的统计结果表明, 过程1和过程2的平均ρ(CO)分别为1.5mg·m^-3和0.9mg·m^-3, 较大程度反映过程2的大气扩散条件优于过程1.两个过程中, ρ(NO₂)和ρ(O₃)呈反相位变化.两个过程污染时次的平均ρ(NO₂)分别为61.1μg·m^-3和71.8μg·m^-3, 过程2的ρ(NO₂)变幅大, 峰值为103.4μg·m^-3, 比过程1峰值大25.0%.过程1和过程2的ρ(O₃)分别为37.0μg·m^-3和68.3μg·m^-3, 即较重污染过程中, 低能见度和较弱光照等气象条件导致生成臭氧的光化学反应程度相对减弱.

NO₂主要源自于燃煤和机动车尾气排放, SO₂主要来自于煤燃烧排放, 众多学者将两者的浓度比值ρ(NO₂)/ρ(SO₂)做为移动源和燃煤源对污染的贡献指征^{[35, 36]}.过程1和过程2污染时次对应的平均ρ(NO₂)/ρ(SO₂)为10.7和8.5, 说明处于供暖期、污染程度重、持续时间长的污染过程1中, 移动源的影响相对较高; 而供暖结束、污染程度相对较轻的过程2中, 固定源排放的影响更大.此外, 更重的污染过程中, NO₂累积效应更明显, 但SO₂更易发生转化.同时, 污染过程1中2月22日和2月24日的两个PM_2.5峰值时段(20:00至次日08:00), ρ(NO₂)/ρ(SO₂)分别为4.0(范围: 2.9~5.9)和8.6(范围: 6.9~10.9), 表明第二个阶段有更大比例的SO₂参与相态转化.

为进一步探究两次污染过程中化学反应及二次生成对污染物浓度变化的影响和贡献, 根据前人的研究^{[37, 38]}, CO在大气中存留时间长, 可以将其看作示踪物, ρ(PM_2.5)/ρ(CO)(μg·m^-3/mg·m^-3, 下同)、ρ(NO₂)/ρ(CO)、ρ(SO₂)/ρ(CO)和ρ(O₃)/ρ(CO)可以剔除气象条件的影响.图 3显示, 两个过程的ρ(PM_2.5)/ρ(CO)与ρ(PM_2.5)时间变化规律一致, 即ρ(PM_2.5)升高时, 二次转化生成的PM_2.5占比增加; 污染缓解时的二次生成PM_2.5占比减小.污染时次的统计结果显示, 过程2中, ρ(PM_2.5)/ρ(CO)的均值和中位值均高于过程1, 且过程1两个峰值时段与过程2峰值时段对应的ρ(PM_2.5)/ρ(CO)分别为91.1、100.2和127.4, 表征过程1的第二浓度峰值阶段及过程2中, 二次生成的PM_2.5占比略高.两个过程的ρ(SO₂)/ρ(CO)变化一致, 在ρ(PM_2.5)较低、缓慢累积阶段, ρ(SO₂)/ρ(CO)与PM_2.5变化趋势一致; 当PM_2.5暴发性增长或达到轻度及以上程度污染时, ρ(SO₂)/ρ(CO)随ρ(PM_2.5)的增加而快速降低, 表明此时SO₂通过化学反应由气态转为颗粒态进程增加, 且ρ(SO₂)/ρ(CO)的日峰值均在中午前后.也有学者利用ρ(CO)/ρ(SO₂)指证生物质污染输送的影响^[39].过程1中, ρ(CO)/ρ(SO₂)由2月21日午后的0.1升至2月22日凌晨的0.6, 2月23~24日再次降至0.1~0.25; 过程2中, ρ(CO)/ρ(SO₂)稳定维持0.1~0.3; 表明过程1的累积阶段受外来输送的影响大于过程维持发展阶段及过程2.两个过程中, 污染时次对应的ρ(NO₂)/ρ(CO)日差异明显小于ρ(SO₂)/ρ(CO), 一定程度上可推断污染发生时, NO₂由气态转为颗粒态的化学反应程度低于SO₂.

图 3

Fig. 3

图 3 两次污染过程的ρ(PM2.5)/ρ(CO)、ρ(NO2)/ρ(CO)、ρ(SO2)/ρ(CO)和ρ(O3)/ρ(CO)的逐时变化 Fig. 3 Hourly ratios of ρ(PM2.5)/ρ(CO), ρ(NO2)/ρ(CO), ρ(SO2)/ρ(CO), and ρ(O3)/ρ(CO)

图 4为两次污染过程近地面ρ(SO₄^2-)变化趋势.过程1的ρ(SO₄^2-)呈现与ρ(PM_2.5)相似的日变化特征, 两个ρ(PM_2.5)峰值出现在2月22日凌晨和2月24日凌晨, 但后者的ρ(SO₄^2-)是前者的2.2~2.8倍; 据此推断, 过程1前期ρ(PM_2.5)峰值的出现和暴发性增长主要为区域输送导致, 后期的峰值及PM_2.5快速增加与二次转化密切相关, 与前文结论一致.过程2中, 污染最重时段(3月19日白天)的ρ(SO₄^2-)迅速增加, 午后达18.4μg·m^-3, 但仍低于过程1.两个污染过程的ρ(SO₄^2-)/ρ(PM_2.5)平均值分别为0.12和0.17, 过程1两个PM_2.5增长阶段的ρ(SO₄^2-)/ρ(PM_2.5)分别为0.06和0.12, 表明过程2受工业燃煤影响大于过程1.为讨论SO₂的转化程度, 本研究计算了SOR(硫转化率)^[40], 值越大说明大气氧化性越强.过程1和过程2的污染时次的平均SOR均为0.44, 两个过程整体的SO₂转化率差异不大, 但过程1中两个污染阶段的SOR分别为0.49和0.52, 说明过程1中2月24日前后的SO₂二次转化率更高.

图 4

Fig. 4

图 4 两次污染过程的ρ(SO42-)变化趋势 Fig. 4 Temporal variations in surface ρ(SO42-) for two pollution events

过程2的ρ(NO₂)/ρ(CO)和ρ(SO₂)/ρ(CO)均大于过程1(图 3), 即过程1更有利于气体发生相态转化; 而过程2污染时次的ρ(SO₂)/ρ(CO)略偏低于过程1的2月24日发展阶段、大于2月22日的增长阶段, 与前述结果一致.过程2中ρ(O₃)/ρ(CO)较高, 说明更有利于光化学反应生成臭氧.两个过程中, 污染较重时段的ρ(O₃)/ρ(CO)明显低于污染消散时段.其中, 过程1中2月24日的ρ(O₃)/ρ(CO)为2月22日的2.5倍, 而过程2中3月20日的ρ(O₃)/ρ(CO)是3月18日的1.5倍, 即污染较重时段的臭氧光化学反应强度小于空气相对清洁时段.

两次污染过程的气象要素对比分析结果如图 5.过程1中, 所有气象要素的变化幅度要大于过程2, 且日变化更显著.过程2与过程1相比气温偏高, 白天最高小时气温可达24.6℃; 过程2污染时次的能见度为2.8~6.1 km, 过程1为0.7~5 km, 且过程1中第一个ρ(PM_2.5)峰值(2月21~22日)对应的能见度更低; 由此揭示了过程2中ρ(O₃)相对偏高的重要气象成因.过程1和过程2中逐小时风速日变化范围为0~4 m·s^-1和0~2.5 m·s^-1, 污染发展阶段的风向均为西南风, 但过程2西南风连续维持的时次更长, 相对更有利于污染物在平原的缓慢累积增加.两次污染过程平均相对湿度为44.3%和42.2%, 过程平均差异不大; 但过程1两个污染发展阶段(2月21日午后~22日早晨、2月23日午后~24日早晨)及过程2污染时段的平均相对湿度分别为63.7%(26%~91%)、43.9%(19%~73%)和38.3%(17%~73%).为进一步分析气象要素与污染物转化及二次生成之间的关系, 根据Zhang等^[37]的研究方法, 选取混合层高度(MLH)及风速(WS)两个关键影响因子计算CO×MLH×WS和SO₄^2-×MLH×WS.经对比, 过程2和过程1的CO×MLH×WS的比值为1, 说明混合层高度和风速是CO浓度变化的两大主导因素, 基本可以解释ρ(CO)的变化.两个过程的SO₄^2-×MLH×WS有所差异: 过程1中, 第二个PM_2.5发展时段与过程2的SO₄^2-×MLH×WS大体一致, 均高于过程1的第一时段, 且与过程1的第一时段最大值的比值为2.3和2.5, 说明过程1第一时段更多受气象条件的控制, 而过程1第二时段及过程2的PM_2.5浓度增加受二次转化的影响更大.

图 5

Fig. 5

图 5 两次污染过程的气象要素时间序列 Fig. 5 Temporal variations in meteorological factors for two pollution events

两次污染过程的后向轨迹分析显示(图 6), 污染过程1主要以近距离的区域输送为主.其中, 2月21~22日的PM_2.5暴发性增长阶段, 近地面气团大部分来自西南方向, 此时河北省PM_2.5浓度达中度~严重污染; 2月23~24日PM_2.5快速增长阶段, 北京近地面气团主要来自京津冀南部和东部, 2月23日受弱冷空气扰动影响, 京津冀大部分地区ρ(PM_2.5)快速下降, 尤其东部地区迅速达到良的水平.过程2中, 气团主要来自南部华东地区的远距离输送和华北的西部地区输送, 但3月18~19日华东及京津冀中南部地区均为优-良水平, 即上游气团相对清洁.

图 6

Fig. 6

图 6 两次污染过程的后向轨迹分析 Fig. 6 Backward trajectory analysis for two pollution events

利用WRF-CMAx大气化学模式对2019年2月21至3月25日京津冀地区进行模拟(图 7), 分析探讨模式对不同程度污染过程及污染源变化情况下的敏感性.从京津冀地区一个月的模拟结果来看, 模式的标准模拟试验(未同化)结果略高于观测, 而经过同化之后的模拟(同化)结果与观测相比略偏低.将逐时的ρ(PM_2.5)的观测结果与模拟值对比评估可见, 标准试验和同化试验模拟的ρ(PM_2.5)变化趋势相似, 但量值有所不同.其中, 对于较重程度的污染过程, 标准试验的模拟量值更接近观测值, 同化试验的结果则略偏低, 这主要与同化后的试验对PM_2.5前体物的模拟出现了明显低估和气象场模拟的偏差等因素有关; 而对于污染程度相对较轻或清洁天气的模拟, 同化试验的模拟结果相对更优, 标准试验模拟的ρ(PM_2.5)水平明显偏高.总体而言, 两个模拟试验均能够较好地再现研究时段内京津冀地区ρ(PM_2.5)的时间变化趋势及浓度水平, 且经过数据同化方法改进了模式源输入后的试验, 能更好地给出ρ(PM_2.5)趋势演变特征, 但两个试验对暴发性增长污染过程的模拟能力仍有较大的改进空间.与观测相比, 标准和同化试验对ρ(NO₂)的模拟低估明显, 2月的ρ(NO₂)模拟与观测之间差异略偏大, 偏差可能来自于供暖期对NO_x排放的低估; 3月尤其是相对清洁时段, 两个模拟试验对ρ(NO₂)的模拟结果反而偏高, 可能在春季对NO_x排放存在一定的高估.根据统计指标显示, 标准试验和同化试验对2019年2~3月京津冀地区的ρ(SO₂)均表现了明显的高估, 尤其在供暖期间的重污染天气过程中, 3月供暖停止后模拟与观测值之间的偏差显著减小, 这说明目前使用的清单中仍可能存在SO₂较实际排放偏高的情况.

图 7

Fig. 7

图 7 2019年2月21至3月25日京津冀区域模拟与观测的污染物浓度时间序列对比 Fig. 7 Comparison of pollutant concentrations between the simulations and observations in the Beijing-Tianjin-Hebei region from February 21 to March 25, 2019

表 1给出了标准试验和同化试验模拟结果与观测值对比的指标统计结果.对于各种污染物, 模式同化前后指标的差异相对较稳定.从相关系数来看, 标准试验和同化试验均能准确地再现污染物逐时浓度随时间的演变规律.对于PM_2.5而言, 经过同化之后的模拟结果对再现PM_2.5浓度变化趋势上的性能显著优于标准试验, 相关系数由0.75提升至0.82, 但经过同化之后却在一定程度上低估了PM_2.5的浓度水平, 而标准试验对PM_2.5的浓度水平有较好的表现.对比标准试验和同化试验发现, 两个模拟结果对NO₂的表现较为相似, 3个统计参数的差别并不明显.对比两个试验模拟SO₂的表现, 根据标准平均偏差NMB和标准平均误差NME可以发现, 模式经过数据同化之后的表现较好, 标准试验对ρ(SO₂)的模拟高估明显.综上, 模式在严重污染过程中因对化学机制及二次生成的把握偏差导致模拟不足, 标准试验的量值与结果更接近可能与排放量高于实际排放水平, 从一定程度上而弥补了模拟不足.而同化后的试验一方面调整了源输入水平, 一方面对暴发性增长模拟有限, 导致模拟量值偏低.在污染相对较轻的时段, 同化后的结果明显更优.可见, 气溶胶种类对减排的响应及其与大气氧化剂和气溶胶性质相关的反馈是复杂的, 需要进一步研究.

表 1 (Table 1)

表 1 污染物模拟与观测值对比的指标统计 Table 1 Indexes for pollutant comparisons between models and simulations 污染物 R NMB NME 未同化 同化 未同化 同化 未同化 同化 PM2.5 0.75 0.82 0.20 -0.29 0.41 0.39 NO2 0.67 0.68 0.00 0.13 0.35 0.36 SO2 0.66 0.64 1.45 0.86 1.46 0.90

表 1 污染物模拟与观测值对比的指标统计 Table 1 Indexes for pollutant comparisons between models and simulations

两次污染过程的同化结果(表 2)对比显示, 北京和河北地区2019年的污染物排放量相对于2016年同期都有大幅减少.其中, 2019年北京地区的SO₂排放量为2016年的30%~40%, PM_2.5排放量为2016年的60%左右, NO_x排放量为2016年的80%左右, 排放变化较Cheng等^[41]在2017年的研究结果更大, 可见本次模拟试验的结果可信.但两次过程存在一定差异: 过程2中, 北京地区的3种污染物的变化系数均小于过程1, 体现了供暖的变化导致的污染物排放量的下降.从两次过程中污染物的排放调整来看, 过程1中河北污染物排放明显下降, 而过程2中河北地区除SO₂之外的变化较小.本研究只同化了北京地区的观测数据, 根据式(1), 对于河北污染物排放的同化结果依赖于敏感性分析的结果, 即北京污染浓度变化对河北污染物排放的敏感性.过程2中对于河北的排放结果显著小于过程1, 且调整系数接近于1, 说明过程2中北京污染物浓度对于河北排放的敏感度显著小于过程1, 即过程1来自于河北的传输作用高于过程2.

表 2 (Table 2)

表 2 两次过程同化后污染源的变化系数 Table 2 Coefficient of the change in pollution sources between two processes assimilation 项目 省市 SO2 NOx PM2.5 过程1 北京 0.41 0.82 0.62 河北 0.61 0.91 0.77 过程2 北京 0.38 0.78 0.58 河北 0.69 1.02 1.03

表 2 两次过程同化后污染源的变化系数 Table 2 Coefficient of the change in pollution sources between two processes assimilation

(1) 2019年2月21~24日供暖期的污染过程持续60 h, 日变化明显, 分两个快速增长阶段, ρ(PM_2.5)峰值在过程前期(219μg·m^-3); 停止供暖的3月18~20日过程持续49h, 发展缓慢, 峰值在过程中期(165μg·m^-3), 与过程1的站点峰值浓度差异小.过程1为区域泛性污染, 过程2更倾向于北京本地污染.

(2) 两个过程ρ(SO₂)差异小, 过程1的SO₂日变化有两个峰值, 夜间次峰值体现了供暖排放影响.过程2的ρ(CO)偏低, 显示大气扩散条件相对有利.过程1和2污染时次的平均ρ(NO₂)/ρ(SO₂)为10.7和8.5, 表征过程1移动源影响偏高, 过程2受工业源影响较大, 且污染严重的过程更利于SO₂转化.

(3) 过程1的ρ(PM_2.5)/ρ(CO)和ρ(O₃)/ρ(CO)偏低, 表明一次PM_2.5占比略偏高, 且PM_2.5重污染过程不利于O₃生成;

ρ(SO₂)/ρ(CO)和ρ(NO₂)/ρ(CO)相对较低, 显示过程1整体更易发生相态转化.两个过程ρ(SO₄^2-)/ρ(PM_2.5)分别为0.12和0.17, SOR均为0.44, 过程2各指标与过程1中第二阶段(2月23日夜间至24日)结果相近, 均大于2月21日夜间至22日阶段, 说明过程2和2月24日前后的污染主要受二次转化影响.两个过程的ρ(NO₂)/ρ(CO)日差异显著小于ρ(SO₂)/ρ(CO), 可见NO₂较SO₂的化学转化效率偏低.

(4) 后向轨迹结合ρ(CO)/ρ(SO₂)及多个区域背景站的ρ(PM_2.5)分析显示: 过程1中, 2月21日夜间至22日凌晨PM_2.5暴发性增长主要由京津冀南部高污染气团近距离输送引起; 2月23日夜间至24日的快速增长与本地累积和二次生成密不可分; 虽然过程2与2月23日至24日类似, 但其区域输送主要为上游长距离的清洁气团.

(5) WRF-CMAx同化后模拟的污染演变趋势更接近观测, 但量值偏低.同化试验对SO₂模拟的高估现象改进明显, 但仍高于实测.供暖期间的重污染过程中, NO₂模拟结果偏低, 同化对其改进较大; 停止供暖后的3月模拟效果相对转好, 但清洁时段的模拟略偏高, 这与PM_2.5出现模拟偏差有较大的相关性.PM_2.5暴发性增长的模拟效果差, 除了排放清单与实际排放的差异外, 也与模式的化学反应过程及二次转化的模拟能力密切相关.