2021, Vol. 42
2. 中国气象局环境气象中心, 北京 100081;
3. 中国气象科学研究院, 北京 100081;
4. 成都市气象局, 成都 610072
, ZHANG Xiao-ling1
, RAO Xiao-qin2 , KANG Ping1 , HE Jian-jun3 , LU Ning-sheng1 , HUA Ming4 , XIANG Wei-guo1
2. Environmental Meteorological Center of China Meteorological Administration, Beijing 100081, China;
3. Chinese Academy of Meteorological Sciences, Beijing 100081, China;
4. Chengdu Meteorological Bureau, Chengdu 610072, China
近40年来, 由于我国经济和工业的快速发展, 随之而来的大气污染问题也在加剧, 重污染过程频发, 对空气质量、人体健康和气候变化等都有着很大的影响[1~3].而重污染事件频发的原因主要有两方面：污染物排放和气象条件.有研究表明, 在区域污染源排放确定的条件下, 空气质量的好坏会受到气象条件的影响, 一定的气象条件会为污染物的累积、传输、扩散、转化和清除提供有利的外部环境.受污染区域的特殊地形、大气层结稳定、近地面的小风和逆温的存在都可能是导致污染频发的重要原因[4, 5].
为了改善空气质量, 我国对于大气污染的治理力度不断加大, 自国务院2013年9月颁布“大气污染防治行动计划”等多项治理方案以来, 我国大气污染物的浓度发生了显著变化[6].为了能够较好地量化评估减排措施和气象条件对环境空气质量改善的贡献情况, 不少研究围绕着这一方面展开.朱媛媛等[7]对2019年10~12月京津冀及周边“2+26”城市进行了减排效果评估, 认为应急减排措施有效地减少了区域性重污染过程的发生, 区域性减排效果显著.多个研究团队采用模式系统, 评估了减排措施对PM2.5浓度变化的影响, 发现通过有力的排放管控, 污染浓度可得到有效地控制[8, 9]. Wang等[10]选取了京津冀区域城市在亚太经合组织峰会(APEC)和国庆期间的PM2.5浓度变化特征, 对在此期间的管控效果作出评估, 得到北京PM2.5浓度在这两个时间段内分别下降了51.6%~65.1%和34.2%~64.7%, 区域性减排措施实施效果明显.且在其他对APEC或者国庆期间的研究中也得到了类似的结论[11~13].欧阳正午等[14]对2014~2017年四川盆地和京津冀地区的大气质量改善进行评估对比分析, 认为四川盆地在气象条件、大气扩散能力差的条件下, 减排效果更突出, 强有力的减排措施是主要因素.Zhang等[15]利用PLAM指数研究了气象条件对我国重点地区PM2.5浓度变化的影响, 认为在京津冀、长三角和珠三角地区的PM2.5浓度降幅明显, 主导因素来自于减排的贡献.张恒德等[16]通过构建静稳天气指数SWI, 对京津冀地区2015年一次重污染过程进行分析评估, 指出SWI在重污染预报和减排评估中有较好的应用参考价值.刘洪利等[17]通过构建环境气象指数EMI, 评估分析了气象条件与减排对PM2.5浓度的影响.
北京作为我国首都和超大城市, 城市规模和发展水平十分快速, 成都作为我国西南地区快速发展的特大城市和大气污染多发城市, 近年来城市化发展迅速.据统计, 2018年末北京与成都市人口总数分别达1 375.8万和1 476万(http://data.stats.gov.cn/), 北京更是以608.4万辆(http://jtgl.beijing.gov.cn/)机动车保有量领跑全国, 成都以548.4万辆位居第二(http://www.cdstats.chengdu.gov.cn/).同时, 两城市地理位置条件比较相似, 且同为我国严重污染区域的代表城市, 近几年空气质量改善显著.为此, 本文选取了北京与成都两个代表城市作为研究对象, 对比分析年/季/月污染物特征以及污染物浓度的变化趋势及差异, 分析两个城市气象条件和大气污染扩散参数的变化特点, 评估2013~2018年北京与成都的减排措施对大气环境改善的贡献, 以期为不同区域城市大气污染减排治理和效果评估提供借鉴.
1 材料与方法 1.1 研究区域及地理环境条件北京地区三面环山, 呈西北高, 东南低的“半包围”结构.夏季高温多雨, 冬季气候寒冷干燥, 春季和夏季盛行西南风和偏南风, 秋季和冬季主要以北风和东北风为主[18]; 属于典型的暖温带半湿润大陆性季风气候.成都地区地处四川盆地西部, 位于两山之间, 地势由西北向东南倾斜, 高度差较大, 属于亚热带季风性湿润气候, 风速常年维持在2m·s-1以下, 春季和秋季主导风向以西北、北和东北为主, 夏季北风和西北风向增多, 冬季东北风最为显著[19].空气潮湿, 具有多云雾和多阴雨的气候特征.
本文空气质量数据选取北京与成都国控环境监测站的站点日均值数据, 监测站点及位置见图 1.本文中季节划分为：3~5月为春季、6~8月为夏季、9~11月为秋季以及12月和当年1~2月为冬季.
|
(a)北京：1~12分别为定陵、怀柔镇、昌平镇、顺义新城、奥体中心、海淀区万柳、古城、东四、官园、农展馆、万寿西宫和天坛; (b)成都：1~8分别为灵岩寺、金泉两河、十里店、君平街、大石西路、沙河铺、三瓦窑和龙泉驿区 图 1 北京与成都国控环境监测站点分布 Fig. 1 Distribution of environmental monitoring sites in Beijing and Chengdu |
空气质量资料：北京与成都市2013~2018年PM10、PM2.5、SO2、NO2和O3数据来自中国环境监测总站(http://106.37.208.233:20035/)的站点日均值数据, 成都市梁家港站点2017年10月27日停运, 同日龙泉驿区政府观测站点启用.部分污染物排放数据和城市化指标数据来源于统计年鉴.
气象资料：北京市与成都市同期逐小时地面观测数据(温度、相对湿度、降水、风向和风速等)分别来自北京观象台和成都温江气象站, 并处理成日均值数据.本文混合层高度数据来自欧洲中期天气预报中心(ECMWF), 时间范围为2013年1月1日~2018年12月31日的ERA5数据集, 时间分辨率为1 h, 空间分辨率为0.25°×0.25°.
1.3 研究方法大气通风系数反映了大气边界层内通风情况, 能较好地说明大气的扩散能力, 是混合层高度内风速的积分, 单位为m2·s-1, 计算方法为大气边界层高度乘以边界层内平均风速, 值越大越有利于大气污染物的扩散[20].而混合层高度也是衡量大气垂直扩散能力的因素之一, 边界层较低易使污染物和水汽积聚, 从而导致污染加重[21].
大气容量指数A是表征大气自身对污染物容纳能力的重要的物理量, 与近地面层空气流动性、垂直方向上大气的稳定性、稳定层的厚度和降水等要素有关.数值越小, 表示大气对污染物的容纳能力越低[22], 计算方法为：
|
式中, H为边界层高度(m), V表示平均风速(m·s-1).
静稳天气与大气重污染的发生有紧密联系, 为定量描述大气的静稳程度, 结合历史统计和预报经验, 挑选易导致大气污染形成的气象要素及其阈值条件, 通过权重求和构建静稳天气指数(SWI)[16].静稳天气指数考虑了低层大气(850 hPa以下)和污染物扩散相关的动力和热力条件. SWI越高, 越容易形成雾-霾和重污染天气.本文使用的数据来自中央气象台环境气象中心业务预报中计算的每日08:00的SWI指数.
EMI是指地面至1 500 m高度内PM2.5平均浓度与参考浓度(35μg·m-3)的比值, 根据PM2.5浓度连续方程可以得到t时刻的浓度, 该浓度与气象条件的排放沉降、传输和扩散有关, 在假定不同年份同一时期PM2.5排放率不变的前提下EMI的差异就是气象条件所导致的浓度变化[17].其计算公式如下：
|
|
式中：c为气柱(地面至1 500 m高空)内示踪物平均质量浓度(μg·m-3); c0是根据环境空气质量指数技术规定(HJ_633-2012)中PM2.5浓度优等级的上限值(35μg·m-3); iEmid、iTran和iDiff分别表示地表交换层的排放沉降作用、水平与垂直方向的大气输送作用和大气湍流作用对示踪物浓度变化的指数, 单位为s-1.本文中减排贡献率为PM2.5浓度实际变化率和气象条件变化率(EMI的变化)的差值.
2 结果与讨论 2.1 2013~2018年北京市和成都市大气污染特征及变化趋势自2013年以来, 北京和成都废气中主要污染物排放情况逐年好转.据统计(图 2), 北京与成都2013~2017年废气中主要污染物排放明显减少, 两城市工业排放量显著下降(表 1)[23], 截至2017年北京SO2、NO2和工业烟粉尘较2013年下降比例高达92.6%、79.7%和84.2%, 但生活废气排放量波动较大, 2015年排放量最大, 之后迅速减小.成都生活废气排放量逐年增加, 尤其到2017年生活SO2和烟粉尘排放量较2013年增加量超两成, 生活源的排放量仍需加大治理力度.
|
图 2 北京和成都2013~2017年废气中主要污染物排放量变化 Fig. 2 Change in the emission of major pollutants in exhaust gas between Beijing and Chengdu from 2013 to 2017 |
|
表 1 北京和成都2013~2017年工业与生活废气中主要污染物排放量情况1)/t Table 1 Emission status of major pollutants in industrial and domestic waste gas in Beijing and Chengdu from 2013 to 2017/t |
2013~2018年北京和成都PM2.5、SO2、NO2和PM10浓度逐年降低, 臭氧日最大8 h均值第90百分位浓度值呈波动变化(图 3). 2018年北京市PM2.5、SO2和NO2年均浓度分别为51、6和41μg·m-3, 较2013年分别下降42.7%、77.8%和26.8%; 成都市PM2.5、SO2和NO2年均浓度50、9和47μg·m-3, 较2013年分别下降48.5%、70.9%和25.4%.且2013年成都市PM2.5和PM10浓度明显高于北京, 但在2018年末, 成都市PM2.5和PM10年均浓度已与北京持平, 降幅更为明显. 2018年O3_8h浓度较2013年有所增加, 且北京的O3_8h浓度始终高于成都, 这与北京地区夏季高温、低湿和日照强的气象条件有一定关系.总体来看, 北京与成都的SO2、PM2.5和PM10浓度下降显著.
|
百分数代表2018年相比于2013年污染物浓度的变化比例 图 3 2013~2018北京和成都SO2、NO2、PM2.5、PM10和O3_8h年变化特征 Fig. 3 Annual variation of SO2, NO2, PM2.5, PM10, and O3_8h change ratio from 2013 to 2018 in Beijing and Chengdu |
从季节上看(图 4), 北京和成都PM2.5、SO2和NO2浓度均表现为冬高夏低.以PM2.5为特征的细粒子污染呈现明显的季节变化, 一般冬季最为严重, 春秋季次之.需要指出的是2018年北京PM2.5峰值浓度出现在春季, 达到了244.1μg·m-3, 秋、冬季污染水平较为接近, 这与2013~2017年的季节变化趋势有所不同, 但与北京市生态环境局发布的同期全市PM2.5整体变化趋势接近, 一是京津冀区域实施了更为严格的污染减排措施[24], 使冬季PM2.5污染浓度降低.其次2018年冬季冷空气活动频繁, 低温、低湿和北风频率高有利于污染的扩散[25].三是北京春季管控措施较冬季有所缓和, 部分时段仍有供暖且叠加多次区域沙尘传输影响, 使得该季节PM2.5浓度升高[26].成都市2018年PM2.5浓度较前几年明显降低.与北京相比, 成都春、夏、秋季的PM2.5浓度偏小, 但冬季PM2.5浓度总体高于北京, 这与成都地区冬季冷空气过程少、静小风频率高、湿度大、水平扩散能力和边界层垂直扩散条件差都有一定关系.另外, 成都的NO2浓度明显比北京偏高, 高湿度下气态污染物的二次转化也是导致其颗粒物浓度升高的一个原因.夏、秋季, 成都SO2浓度高于北京地区, 冬季, 北京地区由于集中供暖、生物质燃烧增加, SO2排放量骤增[27], 导致SO2高于成都.
|
箱型图从上至下依次为: 最大值、75%分位数、中位数、25%分位数和最小值 图 4 2013~2018年北京和成都NO2、SO2和PM2.5季节变化特征 Fig. 4 Seasonal variation characteristics of NO2, SO2, and PM2.5 from 2013 to 2018 in Beijing and Chengdu |
进一步分析2013~2018年北京与成都不同季节PM2.5浓度月均值及其线性趋势(图 5), PM2.5浓度在6 a内呈现波动下降, 其中冬季PM2.5浓度下降速率最为显著, 分别以每年13.5μg·m-3和14.1μg·m-3的速率降低.北京夏季以每年7.4μg·m-3的速率降低, 仅次于冬季, 秋季次之; 春季下降速率最慢; 而成都夏、秋季下降速率相近且比北京的下降速率小, 春季次于冬季, 但比北京下降速率大.总体来看, 北京与成都PM2.5浓度在各个季节均有明显地下降, 说明两城市各季节空气质量均得到改善.
|
图 5 2013~2018年北京与成都PM2.5浓度季节变化速率特征 Fig. 5 Change rate of PM2.5 concentration in different seasons from 2013 to 2018 in Beijing and Chengdu |
根据HJ_633-2012《环境空气质量指数》(AQI)技术规定(试行), 统计了北京[图 6(a)]和成都[图 6(b)]空气质量6个等级分别出现的天数及占比.图 6表明了北京与成都2018年达标天数(优-良)分别为223 d和255 d, 占全年61.4%和68.7%.而两个城市的重污染(200＜AQI≤300)及严重污染天数(AQI＞300)逐年减少, 2018年比2013年分别减少74.1%和91.6%. 2018年严重污染天基本消除(仅北京发生1 d), 而重污染天数北京和成都分别有14 d和5 d.总的来说, 2013~2018北京与成都的空气质量不断改善, 污染物年平均浓度持续降低, 重污染天数及污染过程显著减少.
|
(a)北京, (b)成都 图 6 2013~2018年北京和成都污染等级天数变化特征 Fig. 6 Variation characteristics in frequency of air quality level days from 2013 to 2018 in Beijing and Chengdu |
表 2是北京和成都地区2013~2018年持续污染过程(AQI＞150, 污染持续天数≥3 d)相关特征的统计结果, 北京AQI＞150的污染次数明显多于成都, 但成都污染过程持续时间较长, 平均持续时间为6.5 d, 2013年成都最长的一次污染过程持续天数高达17 d, 其中有12 d达到重度及以上污染.北京的污染过程持续时间较短, 平均持续时间为4.1 d, 最长一次污染过程为8 d.随着近几年多项污染治理措施的实施, 北京与成都地区中度及以上污染过程逐年减少, 污染过程持续时间缩短, 并且持续污染过程期间的细颗粒物浓度逐年降低.此外, 从表 2中可以看出成都空气污染的累积相对缓慢, 北京地区的污染过程在不利气象条件下增长较快.
|
|
表 2 2013~2018年北京、成都AQI＞150的持续污染过程统计结果 Table 2 Statistical results of persistent pollution events of daily AQI>150 in Beijing and Chengdu from 2013 to 2018 |
2.2 气象条件分析
污染物浓度的减少及环境空气质量的改善会受到气象因子、人为排放和污染治理行动的共同影响.在污染源确定的条件下, 气象条件对大气污染状况影响很大[28].为此, 本文从温度、降水、相对湿度、风速风向和混合层高度等方面进行了对比和分析.
2.2.1 地面气象要素对比分析对北京和成都基本气象要素变化特征进行分析可知(图 7), 2013~2018年成都与北京相比, 风速偏小, 温度偏高约3℃, 小风日数偏多, 相对湿度较大, 降水量和降水频率偏高, 6 a平均降水量是北京的2倍, 对污染物的湿清除作用更为显著.表明成都的气象条件主要以高温、高湿、多降水和小风(风速≤2m·s-1)为主, 而北京则表现为气候干燥、风速偏大、降水量少的气象条件.进一步分析不同季节气象条件的差异表明, 2013~2018年成都各季节降水量大约是北京的2~3倍[图 7(a)], 两个城市相对湿度[图 7(b)]和温度[图 7(c)]的差异主要表现在冬季, 其次是春季和秋季, 夏季平均温度基本接近. 2018年冬季, 两城市相对湿度较前几年降低, 风速有所增大, 加之冬季气温偏低, 该气象条件下两城市PM2.5浓度明显降低, 这与图 4中PM2.5浓度变化趋势一致.
|
1.春季, 2.夏季, 3.秋季, 4.冬季, 5.2013年, 6.2014年, 7.2015年, 8.2016年, 9.2017年, 10.2018年, 11.6 a平均 图 7 2013~2018年北京与成都气象要素的季节和年变化特征 Fig. 7 Seasonal and annual variation characteristics of meteorological elements in Beijing and Chengdu from 2013 to 2018 |
分析2013~2018年北京与成都的边界层高度、大气容量指数和大气通风系数变化特征可知(图 8), 北京和成都边界层高度、大气容量指数和大气通风系数均表现为春季最高, 夏季次之, 秋、冬季偏低的特征, 表明两城市春、夏季大气容纳能力较好.北京2018年春季大气容量指数较前几年显著下降, 这与2018年春季风速降低[图 7(b)]以及边界层高度明显降低[图 8(a)]有关; 夏季, 大气容量指数较春季明显减小; 秋冬季波动较大, 2018年冬季大气扩散能力较好.与北京相比, 成都边界层高度、大气容量指数、大气通风系数均较低, 大气容量指数四季均在1.0以下, 这与成都地区边界层高度较低, 风速常年偏低有密切关系.综上所述, 成都的大气扩散条件更差.
|
(a)~(c)北京, (d)~(f)成都 图 8 2013~2018年北京和成都大气边界层高度、大气容量指数和通风系数变化特征 Fig. 8 Variation characteristics of boundary layer height, atmospheric capacity index, and ventilation coefficient from 2013 to 2018 in Beijing and Chengdu |
分析2013~2018年不同污染等级下污染物浓度可知(表 3), 北京与成都重度污染天NO2浓度是非污染天的2倍, 这种较大浓度的NO2为NO3-的形成提供了充足的前体物, 加之重污染时温度偏低, 湿度增大, 有利于气态污染物转化为二次颗粒物, 从而导致污染物浓度增加[29].对比来看, 北京在非污染和轻中度污染类型下大气扩散条件优于成都, 轻中度污染类型下, 成都由于其地理位置的特殊性, 风速、边界层高度、大气容量指数以及通风系数均明显偏小, 扩散条件弱于北京, 成都的污染物浓度在这一类型下也比北京偏高.在重污染类型下, 两城市的大气扩散条件差异性减小, 大气扩散能力均较差, 北京地区的大气扩散条件显著降低.
|
|
表 3 2013~2018年不同污染等级下气象条件和污染物浓度 Table 3 Meteorological conditions and pollutant concentrations at different pollution levels from 2013 to 2018 |
2.3 PM2.5浓度改善的气象与减排贡献评估
图 9是两城市秋冬各月SWI(静稳天气指数)及距平特征, 成都SWI明显高于北京, 说明成都地区大气静稳程度比北京高, 大气扩散能力比北京差.北京SWI变化幅度较大[图 9(a)], 在9~13之间波动, 2018年冬季比前5 a同期平均SWI下降22.9%, 比2013年冬季下降31.5%, 表明污染扩散条件有一定的改善.成都6 a平均SWI变化不大[图 9(c)], 基本在12.6~13.9范围内波动, 比较而言, 2018年平均SWI最小, 冬季比前5 a同期平均SWI下降10.9%, 表明2018年的大气污染扩散条件相对较好.
|
图 9 2013~2018年北京和成都静稳天气指数及距平变化 Fig. 9 Stable weather index and anomaly change in Beijing and Chengdu from 2013 to 2018 |
本文选取2014年为基准年, 利用EMI的计算结果和PM2.5实际浓度, 逐年评估全年和冬季气象条件和减排措施的贡献率(图 10). 2015~2018年北京与成都年平均PM2.5浓度较2014年均明显降低, 2014~2018年两城市的EMI呈减小趋势, 2018年成都EMI降幅最显著, 表明气象扩散条件转好[图 10(d)]. 2018年北京和成都的PM2.5浓度比2014年分别降低了40.7%和35.1%, 通过模式计算EMI得到气象条件的贡献率分别为7.2%和11.1%, 则可推算出大气污染减排贡献率分别为33.5%和24.0%[图 10(b)和图 10(e)].从前文分析可知, 冬季PM2.5浓度减少速率最大, 且气象条件也有明显的改善, 定量评估结果表明, 北京和成都2018年冬季比2014年冬季PM2.5分别降低了58.8%和43.2%, 其中气象条件的改善贡献率分别为27.1%和10.7%, 剔除气象条件影响后, 减排贡献率分别为31.7%和32.5%[图 10(c)和图 10(f)].可见, 大气污染减排措施的实施有效改善了城市空气质量, 气象条件对全年PM2.5的改善贡献约占18%(北京)~30%(成都), 对冬季的贡献可达25%(成都)~46%(北京), 气象条件对空气质量的影响也不容忽视.
|
(a)~(e)北京, (d)~(f)成都. 图 10 北京与成都全年和冬季EMI变化特征及气象条件和减排对PM2.5浓度变化的贡献 Fig. 10 Variation in EMI and contributions of meteorology and emission reductions to PM2.5 concentration decreases over the whole year and winter for the two cities |
(1) 北京与成都市2013~2018年空气质量优良天数逐年增加, 2018年达标天数(优-良)分别为223 d和255 d, 占全年61.4%和68.7%; 重污染天数及污染过程显著减少.受大气扩散、清除条件和人为污染排放影响, 北京和成都PM2.5、SO2和NO2浓度均表现为冬高夏低的特点; 成都秋冬季出现持续污染的时间比北京长, 但污染峰值浓度比北京低.
(2) 除O3浓度小幅增加外, 其他污染物浓度逐年降低.SO2和PM2.5浓度下降明显, 北京与成都2018年较2013年SO2浓度降幅分别为77.8%和70.9%, PM2.5浓度同样分别降低了42.7%和48.5%; 冬季PM2.5浓度的减少量和下降速率最大, 两城市分别以13.5μg·m-3和14.1μg·m-3的速率降低.成都春季PM2.5浓度下降速率比北京大, 但夏季和秋季的下降速率比较小.
(3) 2013~2018年成都与北京相比, 风速偏小, 温度偏高约3℃, 静小风日数偏多, 冬季静小风频率高, 混合层高度、大气容量指数以及通风系数偏低, 大气扩散能力差.两城市降水均集中在夏季, 成都降水量和降水频率均高于北京, 6a平均降水量是北京的2倍, 对污染物的湿清除作用更为显著. 2018年成都市的气象扩散条件较前几年有明显的改善.
(4) 北京地区静稳天气指数(SWI)和环境气象指数(EMI)比成都小, 表明北京地区整体大气扩散条件好于成都, 各季节和不同年份的变化程度有差异.根据EMI和PM2.5浓度的变化, 定量评估气象条件和污染减排对PM2.5降低的贡献, 与2014年相比, 2018年北京与成都大气污染减排对全年PM2.5浓度的降低分别贡献了33.5%和24.0%, 气象条件的贡献率分别为7.2%和11.1%, 冬季气象条件的贡献占比更大, 分别为27.1%和10.7%, 冬季减排贡献分别为31.7%和32.5%.大气污染减排措施的实施有效改善了空气质量, 气象条件对空气质量的影响也不容忽视.
致谢: 本文中部分数据由成都市环境保护科学研究院陆成伟老师等协助完成, 在此表示感谢.
| [1] |
李小飞, 张明军, 王圣杰, 等. 中国空气污染指数变化特征及影响因素分析[J]. 环境科学, 2012, 33(6): 1936-1943. Li X F, Zhang M J, Wang S J, et al. Variation characteristics and influencing factors of air pollution index in China[J]. Environmental Science, 2012, 33(6): 1936-1943. |
| [2] | Liao T T, Gui K, Jiang W T, et al. Air stagnation and its impact on air quality during winter in Sichuan and Chongqing, southwestern China[J]. Science of the Total Environment, 2018, 635: 576-585. DOI:10.1016/j.scitotenv.2018.04.122 |
| [3] |
蒋婉婷, 谢汶静, 王碧菡, 等. 2014—2016年四川盆地重污染大气环流形势特征分析[J]. 环境科学学报, 2019, 39(1): 180-188. Jiang W T, Xie W J, Wang B H, et al. Analysis on the characteristics of heavy pollution atmospheric circulation in the Sichuan Basin from 2014 to 2016[J]. Acta Scientiae Circumstantiae, 2019, 39(1): 180-188. |
| [4] |
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. |
| [5] | Zhong J T, Zhang X Y, Wang Y Q, et al. Heavy aerosol pollution episodes in winter Beijing enhanced by radiative cooling effects of aerosols[J]. Atmospheric Research, 2018, 209: 59-64. DOI:10.1016/j.atmosres.2018.03.011 |
| [6] |
夏晓圣, 汪军红, 宋伟东, 等. 2000~2019年中国PM2.5时空演化特征[J]. 环境科学, 2020, 41(11): 4832-4843. Xia X S, Wang J H, Song W D, et al. Spatio-temporal evolution of PM2.5 concentration during 2000-2019 in China[J]. Environmental Science, 2020, 41(11): 4832-4843. |
| [7] |
朱媛媛, 高愈霄, 汪巍, 等. 2019年10~12月京津冀及周边"2+26"城市重污染减排效果评估[J]. 环境科学, 2020, 41(10): 4402-4412. Zhu Y Y, Gao Y X, Wang W, et al. Assessment of emergency emission reduction effect during the heavy air pollution episodes in Beijing, Tianjin, Hebei, and its surrounding area ("2+26" cities) from October to December 2019[J]. Environmental Science, 2020, 41(10): 4402-4412. DOI:10.3969/j.issn.1000-6923.2020.10.026 |
| [8] | Cai S Y, Wang Y J, Zhao B, et al. The impact of the "air pollution prevention and control action plan" on PM2.5 concentrations in Jing-Jin-Ji region during 2012-2020[J]. Science of the Total Environment, 2017, 580: 197-209. DOI:10.1016/j.scitotenv.2016.11.188 |
| [9] | Tong P F, Zhang Q R, Lin H M, et al. Simulation of the impact of the emergency control measures on the reduction of air pollutants: a case study of APEC blue[J]. Environmental Monitoring and Assessment, 2020, 192(2). DOI:10.1007/s10661-019-8056-1 |
| [10] | Wang G, Cheng S Y, Wei W, et al. Characteristics and emission-reduction measures evaluation of PM2.5 during the two major events: APEC and Parade[J]. Science of the Total Environment, 2017, 595: 81-92. DOI:10.1016/j.scitotenv.2017.03.231 |
| [11] |
李文涛, 高庆先, 刘俊蓉, 等. APEC期间北京空气质量改善对比分析[J]. 环境科学, 2015, 36(12): 4340-4347. Li W T, Gao Q X, Liu J R, et al. Comparative analysis on the improvement of air quality in Beijing during APEC[J]. Environmental Science, 2015, 36(12): 4340-4347. |
| [12] |
张珺, 宋晓辉. 2014年邯郸大气环境特征及气象条件影响因子分析[J]. 气象与环境科学, 2016, 39(2): 63-68. Zhang J, Song X H. Analysis of atmospheric environment features and impact factors of meteorological conditions in Handan in 2014[J]. Meteorological and Environmental Sciences, 2016, 39(2): 63-68. |
| [13] |
陈臣, 温天雪, 安俊琳, 等. 北京9.3阅兵前后天津市大气污染变化特征分析[J]. 环境工程学报, 2017, 11(10): 5446-5456. Chen C, Wen T X, An J L, et al. Characteristic of air pollutants in Tianjin before, during and after the Beijing Military Parade in 2015[J]. Chinese Journal of Environmental Engineering, 2017, 11(10): 5446-5456. DOI:10.12030/j.cjee.201611119 |
| [14] |
欧阳正午, 廖婷婷, 陈科艺, 等. 2014-2017年四川盆地与京津冀地区冬季空气停滞特征及大气质量改善评估对比分析[J]. 环境科学学报, 2019, 39(7): 2353-2361. Ouyang Z W, Liao T T, Chen K Y, et al. Comparative analysis of winter air stagnation characteristics and air quality improvement assessment in Sichuan Basin and Beijing-Tianjin-Hebei region from 2014 to 2017[J]. Acta Scientiae Circumstantiae, 2019, 39(7): 2353-2361. |
| [15] | Zhang X Y, Xu X D, Ding Y H, et al. The impact of meteorological changes from 2013 to 2017 on PM2.5 mass reduction in key regions in China[J]. Science China Earth Sciences, 2019, 62(12): 1885-1902. DOI:10.1007/s11430-019-9343-3 |
| [16] |
张恒德, 张碧辉, 吕梦瑶, 等. 北京地区静稳天气综合指数的初步构建及其在环境气象中的应用[J]. 气象, 2017, 43(8): 998-1004. Zhang H D, Zhang B H, Lü M Y, et al. Development and application of stable weather index of Beijing in environmental meteorology[J]. Meteorological Monthly, 2017, 43(8): 998-1004. |
| [17] | 刘洪利, 龚山陵, 何建军, 等. 环境气象评估指数EMI原理及应用[A]. 见: 第35届中国气象学会年会S12大气成分与天气、气候变化与环境影响暨环境气象预报及影响评估[C]. 合肥: 中国气象学会, 2018. 371-374. |
| [18] |
尹晓梅, 乔林, 朱晓婉, 等. 北京地区偏南风和偏东风条件下污染特征差异[J]. 环境科学, 2020, 41(11): 4844-4854. Yin X M, Qiao L, Zhu X W, et al. Differences in pollution characteristics under the southerly and easterly wind in Beijing[J]. Environmental Science, 2020, 41(11): 4844-4854. |
| [19] | 李培荣, 肖天贵, 刘碧全, 等. 成都平原的边界层风场特征及其污染扩散通道分析[A]. 见: 第35届中国气象学会年会S11城市气象与环境——第七届城市气象论坛[C]. 合肥: 中国气象学会, 2018. 2. |
| [20] |
尹晓梅, 李梓铭, 熊亚军, 等. 2014~2017北京市气象条件和人为排放变化对空气质量改善的贡献评估[J]. 环境科学, 2019, 40(3): 1011-1023. Yin X M, Li Z M, Xiong Y J, et al. Contribution assessment of meteorology conditions and emission change for air quality improvement in Beijing during 2014-2017[J]. Environmental Science, 2019, 40(3): 1011-1023. |
| [21] | Zhu X W, Tang G Q, Guo J P, et al. Mixing layer height on the North China Plain and meteorological evidence of serious air pollution in southern Hebei[J]. Atmospheric Chemistry Physics, 2018, 18(7): 4897-4910. DOI:10.5194/acp-18-4897-2018 |
| [22] |
朱蓉, 徐大海, 赵珊珊. 第2代大气污染物排放源强反演模式SSIM2及其在城市规划大气环境影响评价中的应用[J]. 气象科技, 2009, 37(6): 641-645. Zhu R, Xu D H, Zhao S S. Second-Generation Source-Strength inversed model and its application in atmospheric environmental impact assessment for urban planning[J]. Meteorological Science and Technology, 2009, 37(6): 641-645. DOI:10.3969/j.issn.1671-6345.2009.06.001 |
| [23] | 中华人民共和国国家统计局. 中国统计年鉴(2013~2017年)[M]. 北京: 中国统计出版社, 2014. |
| [24] | 中华人民共和国生态环境部. 关于印发《京津冀及周边地区2017-2018年秋冬季大气污染综合治理攻坚行动方案》的通知[EB/OL]. http://www.mee.gov.cn/gkml/hbb/bwj/201708/t20170824_420330.htm?keywords=, 2017-08-21. |
| [25] | 北京市生态环境局. 2018年1月北京市环境空气质量状况[EB/OL]. http://sthjj.beijing.gov.cn/bjhrb/index/xxgk69/sthjlyzwg/1718880/1718889/1724981/index.html, 2018-02-07. |
| [26] |
李欢, 唐贵谦, 张军科, 等. 2017~2018年北京大气PM2.5中水溶性无机离子特征[J]. 环境科学, 2020, 41(10): 4364-4373. Li H, Tang G Q, Zhang J K, et al. Characteristics of water-soluble inorganic ions in PM2.5 in Beijing during 2017-2018[J]. Environmental Science, 2020, 41(10): 4364-4373. |
| [27] | Duncan B N, Martin R V, Staudt A C, et al. Interannual and seasonal variability of biomass burning emissions constrained by satellite observations[J]. Journal of Geophysical Research: Atmospheres, 2003, 108(D2). DOI:10.1029/2002JD002378 |
| [28] |
梅梅, 朱蓉, 孙朝阳. 京津冀及周边"2+26"城市秋冬季大气重污染气象条件及其气候特征研究[J]. 气候变化研究进展, 2019, 15(3): 270-281. Mei M, Zhu R, Sun C Y. Study on meteorological conditions for heavy air pollution and its climatic characteristics in "2+26" cities around Beijing-Tianjin-Hebei region in autumn and winter[J]. Climate Change Research, 2019, 15(3): 270-281. |
| [29] | 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. |