2022, Vol. 43
随着环境治理进程不断深入, 治理手段从点到面, 再到区域联防联控, 城区环境质量普遍持续改善, 但远离城区的郊区环境问题也随之暴露出来[1~3].在关注人群密集的城区环境问题的同时, 也应对气象、地形和排放源结构等方面均与城区有不同特征的郊区加强关注[4], 以便开展区域协同治理, 全面推进城郊环境质量整体改善, 优化经济结构.因此分析城区和郊区污染特征和差异, 既要关注城郊气象条件差异, 又要理清PM2.5污染和传输特征差异[5].气象条件可以影响PM2.5的聚集、扩散和输送过程[6~8], 从而对污染物的浓度产生影响.有研究表明风速和湿度对PM2.5浓度的影响至关重要[9]. Chen等[10]发现京津冀地区气象条件和污染的关系密切.史旭荣等[11]对比不同年北京气象, 发现气象转差可使PM2.5同比上升约3.66%.郭滢超等[12]在北京市PM2.5周期性变化特征与影响机制中发现, 大气边界层过程是PM2.5日变化的主要影响机制, 导致PM2.5浓度白天低和夜间高; 有研究证明边界层结构可以影响PM2.5聚集、扩散和输送等[6~8], 但是关于城区和郊区边界层结构差异的研究较少.在PM2.5污染特征方面, 目前研究主要集中在城市PM2.5污染时空分布等方面.杨龙等[5]对北京秋冬季近地层PM2.5浓度垂直分布特征进行研究, 发现秋冬两季PM2.5的垂直分布随高度增加而呈对数递减的规律.安欣欣等[13]认为北京冬季日变化曲线均呈单峰分布特征, 且与冬季燃烧源排放时间集中在夜间和夜间边界层下降有关.京津冀地区郊区燃煤源对本地贡献较大, 尤其是冬季[14].有研究发现城区PM2.5和郊区有显著性差异, 中国代表性城市城区的PM2.5浓度高于郊区和乡村[15], 城郊大气污染物浓度具有显著的时间变化特征[16]. Zheng等[17]在研究北京及周边地区城乡PM2.5浓度变化时发现, 城乡之间的浓度差和城市的热岛效应存在显著的相关性.可以看出, 目前的研究大多只关注到城市或城郊近地面PM2.5污染特征差异[18~20], 但是对城郊PM2.5垂直分布差异的分析关注较少.在PM2.5传输方面, 王燕丽等[21]通过CAMx-PSAT建立了京津冀传输矩阵, 结果表明京津冀城市的年均污染贡献主要以本地贡献为主.Zhang等[22, 23]研究了使用WRF-CAMx模拟京津冀与周边PM2.5的跨界通量, 表明62.89%来自本地贡献, 37.11%来自传输贡献.张智答等[24]在京津冀地区典型城市秋冬季PM2.5输送特征研究中, 发现近地面主要表现为毗邻城市向北京和石家庄输送PM2.5.李珊珊等[25]分析京津冀重污染过程时, 发现重污染日和非重污染日相比, 其外来污染占比明显上升.董文成[26]揭示了大气污染物在城市下垫面传输扩散的物理机制, 初步构建了WRF-Fluent嵌套的污染预报评估模式系统.但是多数研究集中于传输路径[27~30]和传输贡献[21~23]等机制方面的研究, 量化研究区域输送通量强度较少[31~33], 缺乏对城区和郊区大气污染物传输通量强度及高度分布特征差异的研究.
因此, 本文基于云高仪激光雷达、飞机AMDAR数据和常规站点等多源观测数据, 并结合数值模拟(CAMx-PSAT模型), 以京津冀典型城市——北京城区与郊区(密云)和石家庄城区与郊区(平山)为案例研究区域, 对城区与郊区的边界层高度差异(ΔPBLH)、地面浓度差异(ΔSurf_PM2.5)、高空浓度差异(ΔVert_PM2.5)和传输通量强度及高度分布特征的差异进行分析, 以期为我国开展区域协同治理, 全面改善城郊环境质量, 提供科学支持.
1 材料与方法 1.1 数据收集研究北京和石家庄近地面PM2.5浓度模拟验证数据来自中国环境监测总站(http://www.cnemc.cn/sssj/); 北京和石家庄的近地面气象要素(温度T2, 风速WS)模拟验证数据来自中国气象数据网(http://data.cma.cn); AMDAR数据来自中国民用航空华北地区管理局, 验证模拟边界层高度[34]; 不同高度后向散射系数数据来自中国科学院大气物理研究所[24, 34~36].采用WRF-ARW(v4.3)中尺度气象模型生成三维气象场, 主要的输入数据如下：地形和土地利用等使用官方公布的地理数据(https://www2.mmm.ucar.edu), 并在WPS中将数据差值到设置的双层网格中; 初始和边界场数据来自美国国家环境预报中心(NCEP, https://www.epa.gov/), 时间分辨率为6 h, 空间分辨率为1°.模型为双层嵌套, 外层的排放清单来自清华大学[37, 38]; 内层的排放清单基于京津冀地区年鉴统计数据, 按照中国大气污染源清单编制指南等方法, 自下而上建立的京津冀人为源排放清单[22, 23].
1.2 模型设置与验证 1.2.1 模型模拟本研究采用WRF-CAMx模型对研究区域进行空气质量模拟, 采用双层嵌套, 外层为内层提供边界条件, 以提高内层模拟的准确性.外层包括京津冀地区、山东省、内蒙古东南地区、山西省、陕西北部、河南北部和辽宁西南地区, 网格分辨率为27 km; 内层主要为京津冀及周边地区, 网格分辨率为9 km, 研究区域见图 1所示.为研究城郊PM2.5传输通量特征, 选取城区和郊区为研究区域, 高度范围为1 260 m以内.其中通量正值为区域输入的PM2.5为流入通量, 负值为区域输出的PM2.5为流出通量, 将不同高度的流入通量与流出通量进行矢量加和, 得到区域的总净通量. WRF(v4.3)和CAMx(v6.50)的模型参数设置[39, 40], 具体参数方案见表 1.选取2017年的1、4、7和10月分别代表冬、春、夏和秋这4个季节进行模拟.
|
图 1 研究区域示意 Fig. 1 Study region |
|
表 1 WRF和CAMx模型参数设置 Table 1 WRF and CAMx model parameter settings |
1.2.2 模型验证
为定量评估WRF-CAMx模式模拟效果, 采用相关系数(correlation coefficient, COR)、标准化平均偏差(normalized mean bias, NMB)和标准化平均误差(normalized mean error, NME)来评估模拟值的准确性[41].验证结果见表 2.北京和石家庄近地面的PM2.5浓度的模拟值和监测值的相关系数在0.69~0.80之间, 相关性较好; NMB的范围在-16.13%~22.73%; NME的范围在18.95%~45.38%; 北京和石家庄两地近地面PM2.5浓度模拟值均存在一定低估, 主要由排放清单的不确定性和模型机制的不完善造成的[42].北京和石家庄两地近地面的风速(WS)的COR的范围在0.55~0.74之间, NMB的范围在18.09%~36.56%, NME的范围在23.13%~106.63%; 地表风速被高估, 主要是因为土地利用类型对地表风速的影响较为显著[43].温度(T2)的COR的范围在0.73~0.89之间; NMB的范围在1.89%~9.67%; NME的范围在5.86%~24.34%.边界层高度(PBLH)的COR的范围在0.42~0.73之间; NMB的范围在-49.40%~24.74%; NME的范围在22.48%~57.14%; 模拟值效果可接受.
|
|
表 2 模拟值与监测值的对比 Table 2 Comparison of simulated and monitored values |
此外, 因涉及高空PM2.5浓度, 因此需对垂直方向PM2.5浓度进行验证.后向散射系数是表征气溶胶光学特性的参数, 可以间接地反映出垂直方向PM2.5浓度特征[34], 表现良好的正相关性[44].图 2为石家庄和北京垂直方向PM2.5浓度和后向散射系数的日际变化.结果显示：不同高度下PM2.5和后向散射系数均呈现较高的正相关性, 石家庄PM2.5与后向散射系数的COR为0.46~0.71, 北京PM2.5和后向散射系数的COR为0.46~0.79, 模拟结果可以较好反映垂直方向PM2.5浓度变化特征.
|
以2017年1月为例 图 2 石家庄城区与北京城区不同高度PM2.5与后向散射系数日际变化 Fig. 2 Diurnal variation in PM2.5 and backscattering coefficient at different heights in Shijiazhuang and Beijing |
PM2.5通量是指在单位时间内PM2.5通过某个横截面的总质量[45].有研究表明, PM2.5的传输主要发生在离地1 300 m以下[46], 因此选取模式前10层(1 260 m以下)范围为PM2.5传输垂直横截面, 研究垂直方向的PM2.5传输通量特征.
本研究中, 将模拟区域看作多个网格组成的三维立体箱体, 以CAMx的模拟结果作为在每个网格PM2.5浓度(ρ), 基于WRF模拟结果得到每个网格的三维风场, 结合网格的分辨率和网格的垂直层数, 以目标城区(或郊区)为中心, 指向目标城区(或郊区)中心的为流入, 反之为流出.传输通量的计算式(1)如下：
|
(1) |
式中, Flux为PM2.5传输通量, t·d-1; h为模型设置的垂直层数, m; l为区域边界线的长度, m; L为网格的分辨率, km; Hk为垂直层k和k+1层间的高度差; ρ为PM2.5浓度, μg·m-3; v为风速, m·s-1; s为风向, (°). n为垂直界面的法向量, 无量纲.
2 结果与讨论 2.1 城郊PBLH差异性分析本研究基于WRF模拟结果, 分析城区和郊区PBLH特征和差异.
从整体角度看, 石家庄城区年均PBLH比郊区(平山)年均PBLH高大约8%; 北京城区年均PBLH比郊区(密云)年均PBLH高大约29%.从季节角度看(图 3), 石家庄城区PBLH月均值较郊区(平山)高约12% (7月)>11%(1月)>9% (10月)>2% (4月); 北京城区的PBLH月均值较郊区(密云)高约47%(7月)>28%(10月)>24% (4月)>16% (1月).各代表月月均值表现为城区PBLH大于郊区, 北京ΔPBLH大于石家庄.尤其7月, 在气象和人为双重因素影响下, ΔPBLH大于其他月份; 一方面是夏季气温高, 太阳短波辐射强, 地表热力条件强, 大气的热力湍流运动强, 有利于空气的对流运动; 另一方面归结于城区规模越大, 人为放热源越多, 城区绿化面积小, 热容量大, 相比于郊区可以获得太阳更多的短波辐射, 进一步抬升城区PBLH.此外, 城区缓解热岛效应能力减弱, 进而加剧湍流活动, 使得城区的混合层发展高度大于郊区[47, 48].
|
图 3 2017年石家庄城区与郊区(平山)和北京城区与郊区(密云)的PBLH和ΔPBLH逐日变化 Fig. 3 Diurnal variations in PBLH and ΔPBLH in SJZ urban areas and suburbs (Pingshan), BJ urban areas and suburbs (Miyun) in 2017 |
如图 4所示, 石家庄ΔPBLH小时变化范围(-78~293 m)小于北京(-30~615 m).石家庄ΔPBLH从19:00到次日08:00为-10~51 m; 北京ΔPBLH从21:00到次日08:00为-30~94 m.说明夜间城区和郊区PBLH相差不大, 由于石家庄和北京西部是太行山地, 夜间沿山坡下降的山风可能会导致郊区近地面逆温层变厚[49].不同季节下ΔPBLH小时变化的峰值及其出现时间不同.石家庄1月ΔPBLH最大值(123 m)出现时间最早(15:00), 7月ΔPBLH最大值(193 m)出现时间最晚(18:00); 北京1月ΔPBLH最大值(244 m)出现时间最早(16:00), 7月ΔPBLH最大(615 m)出现时间最晚(18:00).
|
图 4 2017年石家庄城区与郊区(平山)和北京城区与郊区(密云)的PBLH和ΔPBLH小时变化 Fig. 4 Hourly variation in PBLH and ΔPBLH in SJZ urban area and suburbs (Pingshan), BJ urban area and suburbs (Miyun) in 2017 |
采用城区地面PM2.5浓度小时值减郊区地面PM2.5浓度小时值的差值定量分析城郊差异, 以ΔSurf_PM2.5表示.选取2017年1、4、7和10月分别代表冬春夏秋四季.
图 5为2017年石家庄城区与郊区(平山)和北京城区与郊区(密云)的地面PM2.5和ΔSurf_PM2.5逐日变化.从年均角度看, 城区年均PM2.5浓度大于郊区, 北京年均ΔSurf_PM2.5(15 μg·m-3)大于石家庄(2 μg·m-3).从月均角度看, 石家庄ΔSurf_PM2.5月均值呈现出1月(12 μg·m-3)>10月(11 μg·m-3)>4月(9 μg·m-3)>7月(7 μg·m-3).北京ΔSurf_PM2.5月均值呈现出1月(60 μg·m-3)>10月(30 μg·m-3)>4月(16 μg·m-3)>7月(13 μg·m-3); 石家庄和北京ΔSurf_PM2.5均呈现明显的季节性特征, 主要表现为1、10月大于4、7月, 并且在1月ΔSurf_PM2.5日均值高值出现次数较多; 首先冬季城区的人为取暖排放是主要原因, 其次, 冬季边界层高度较低, 大气结构稳定, 城区容易形成逆温层, 抑制湍流活动, 不利于PM2.5水平扩散和传输, 导致近地面PM2.5聚集.除此之外, 如2017年1月10~28日, 石家庄ΔSurf_PM2.5日均值出现多次负值; 2017年4月, 北京ΔSurf_PM2.5日均值也出现负值的情况, 很大程度上可能是郊区不利的气象条件(沙尘天气)造成的, 从而导致郊区PM2.5增大.
|
图 5 2017年石家庄城区与郊区(平山)和北京城区与郊区(密云)的地面PM2.5和ΔSurf_PM2.5逐日变化 Fig. 5 Daily changes in ground PM2.5 and ΔSurf_PM2.5 in SJZ urban area and suburbs (Pingshan), BJ urban area and suburbs (Miyun) in 2017 |
从小时变化看(图 6), 北京ΔSurf_PM2.5(μg·m-3)小时变化分别为：17~97 (1月)、-4~40 (4月)、2~26 (7月)和7~58 (10月), 表明夏秋冬季表现为城区PM2.5浓度大于郊区.这是因为北京城区本地排放浓强度大, 尤其是冬季采暖和机动车的排放量较大; 其次是小静风、强逆温和高湿等不利气象条件, 容易造成城区污染物的累积.在石家庄城区与郊区冬季12:00~16:00时, 出现ΔSurf_PM2.5小于零的情况, 主要发生在中午时分, 城区的PBLH迅速抬升, 湍流活动加强, 风速较大, 降低了城区PM2.5浓度.
|
图 6 2017年石家庄城区与郊区(平山)和北京城区与郊区(密云)的地面PM2.5和ΔSurf_PM2.5小时变化 Fig. 6 Hourly variation in PM2.5 and ΔSurf_PM2.5 in SJZ urban area and suburbs (Pingshan), BJ urban area and suburbs (Miyun) in 2017 |
从空间上看, 城郊ΔSurf_PM2.5也呈现地域的差别.北京ΔSurf_PM2.5小时变化范围(-4~98 μg·m-3)大于石家庄(-7~31 μg·m-3).主要是北京与石家庄的城市排放源不同, 导致北京城区排放远大于石家庄城区, 平山排放大于密云, 使得北京与郊区(密云)相差较大.因此, 治理区域复合型污染时, 既要协同考虑城区和郊区的污染特征, 又要考虑两者的差异, 因地制宜的调整控制方案.
2.2.2 垂直方向上PM2.5浓度差异分析城区和郊区垂直方向上(1 260 m以下)PM2.5浓度作差得到不同高度下ΔVert_PM2.5变化曲线.
从年均角度看, 在等高度下石家庄和北京ΔVert_PM2.5年均值表现为城区大于郊区, 并随高度增加而减小.在0~48 m处石家庄城区与郊区的差异最大(9.37μg·m-3); 当高度大于251 m, 石家庄城区与郊区几乎没有差异(0.1~2.3μg·m-3); 在0~48 m处北京城区与郊区的差异最大(29.71 μg·m-3); 当高度大于871 m时, 北京城区与郊区几乎没有差异(1.3~1.9μg·m-3).
如图 7为2017年石家庄和北京ΔVert_PM2.5月均值垂直分布.从月均角度看, 在0~251 m之间表现城区PM2.5浓度大于郊区, 差值范围为0.66~11.27 μg·m-3, 是因为石家庄城区冬季人为取暖排放远大于郊区; 同时, 冬季温度低, 天气多呈现静稳状态, 不利于PBLH的发展, 容易造成PM2.5累积.在251~871 m处, 1月石家庄ΔVert_PM2.5月均值为-1.4 μg·m-3, 表现为郊区PM2.5浓度大于城区, 可能是郊区平均风速比城区低0.5m·s-1. 4月, 石家庄ΔVert_PM2.5月均值在0~1 260 m表现为正值, 差值范围为0.39~8.41 μg·m-3, 说明城区PM2.5浓度大于郊区.但是在0~359 m之间出现高值较多, 是由于0~359 m受排放源的影响较大; 在359 m以上差值较小, 由于郊区位于石家庄城区的西北侧, 春季该地区干旱少雨, 多东南风, 使城郊高空的PM2.5浓度相差不大.7月, 石家庄ΔVert_PM2.5月均值在0~251 m之间表现为正值, 差值范围为0.13~6.92 μg·m-3, 相对于其他月份, 7月的变化范围最小. 251 m以上的差值范围为-0.26~1.77 μg·m-3, 由于夏季气温高, 太阳短波辐射强, 地表热力条件强, 大气的热力湍流运动强, 有利于空气的对流运动, 使得城区和郊区PM2.5浓度相差不大. 10月, 石家庄ΔVert_PM2.5月均值在0~871 m之间表现为正值, 差值范围为0.15~10.87 μg·m-3; 而871 m以上ΔVert_PM2.5月均值较小, 城区和郊区PM2.5浓度分布特征相似. 1、7和10月北京ΔVert_PM2.5月均值在0~1 260 m内均表现为城区PM2.5浓度大于郊区.1月北京ΔVert_PM2.5月均值在0~1 260 m之间表现为正值, 差值范围2.87~61.49 μg·m-3, 较其他月份差值范围最大, 表明冬季北京城区机动车和取暖排放增大了不同高度PM2.5浓度.在459~1 260 m处, 4月北京ΔVert_PM2.5月均值为-0.5 μg·m-3, 表现为郊区PM2.5浓度大于城区; 由于北京春季多沙尘天气, 但北京城区在郊区南部, 受到的影响略微低于密云.7月和10月, 北京ΔVert_PM2.5月均值在251 m以上分布特征相似; 251 m以下, 10月的ΔVert_PM2.5月均值大于7月, 因为夏季热力湍流运动强, 有利于空气的对流运动, 有利于颗粒物的垂直、水平扩散.从空间位置看, 不同季节下, 北京ΔVert_PM2.5月均值均大于石家庄; 除1月以外, 受冬季燃煤取暖方式、大气稀释能力和风向等气象因素的影响, 其他月份北京与石家庄ΔVert_PM2.5的垂直分布特征相似.
|
图 7 2017年石家庄和北京ΔVert_PM2.5月均值的垂直分布 Fig. 7 Vertical distribution of monthly mean values of ΔVert_PM2.5 in SJZ and BJ in 2017 |
从年均角度看, 石家庄城区与周边和郊区(平山)与周边的PM2.5年均传输通量分别表现为总净流出和总净流入, 分别为-40.99 t·d-1和6.55 t·d-1.北京城区与周边和郊区(密云)与周边的PM2.5年均传输通量分别表现为总净流出和总净流入, 为-44.81 t·d-1和0.04 t·d-1.可以看出城区年均总净通量强度远大于郊区, 城区为净流出, 郊区为净流入.因此从全年角度分析可能是因为城区PM2.5浓度较高, 且受热源等多因素影响, 气温高, 气流膨胀上升, 形成低压; 郊区PM2.5浓度相对较低, 气温低且气压高, 使得城区污染气团上升并流向郊区, 郊区的清洁气团流入城区.此外, 北京城区和郊区与周边的年均总净通量强度之和(44.77 t·d-1)大于石家庄(34.44 t·d-1).
从月均角度看, 石家庄城区和郊区(平山)总净通量强度呈现明显的季节差异, 石家庄城区总净通量强度表现为：1月(-84.92 t·d-1)>10月(-56.26 t·d-1)>7月(-50.27 t·d-1)>4月(27.49 t·d-1), 郊区(平山)总净通量强度表现为：4月(23.91 t·d-1)>7月(-6.37 t·d-1)>1月(4.58 t·d-1)>10月(4.06 t·d-1).北京城区和郊区(密云)PM2.5总净通量强度同样有明显的季节差异.北京城区总净通量强度表现为：1月(-132.48 t·d-1)>10月(-75.42 t·d-1)>4月(46.60 t·d-1)>7月(-17.97 t·d-1); 郊区(密云)的总净通量强度表现为：4月(15.58 t·d-1)>10月(-7.77 t·d-1)>7月(-7.20 t·d-1)>1月(-0.44 t·d-1).可以看出, 石家庄城区月均总净通量强度远大于郊区, 北京城区月均总净通量强度大于郊区(密云), 是由于城区PM2.5浓度大于郊区造成的.石家庄城区1月总净通量强度最大, 郊区(平山)4月总净通量强度最大, 北京城区1月总净通量强度最大, 郊区(密云)4月总净通量强度最大, 说明城区1月和郊区4月与周边传输交换对环境影响较为明显.
图 8为2017年1 260 m内石家庄城区、郊区(平山)、北京城区和郊区(密云)与周边PM2.5净通量垂直分布.不同季节和不同高度下石家庄城区与周边、郊区(平山)与周边、北京城区与周边和郊区(密云)与周边的净通量随离地高度的增加净通量强度呈现明显增大的趋势, 但是不同季节下城区和郊区最大净通量强度有明显差异, 高度分布差异较小, 主要受风速和PM2.5浓度的影响, 这由于气流进行水平运动时所受的摩擦力随高度的增加而减少, 在气压梯度力作用下不同高度的风向和风速都会发生变化, 而高空的湿度、风速和大气扩散条件等气象因素, 反之也会影响PM2.5浓度.1月, 石家庄城区最大净通量位于611~817 m之间, 为-26.76 t·d-1, 郊区(平山)最大净通量位于817~1 001 m之间, 为-5.97 t·d-1, 石家庄城区通量强度是郊区(平山)的4.48倍, 且两者净通量都表现为净流出; 虽然石家庄城区和郊区(平山)在不同高度的风向一致, 但是风速和PM2.5浓度不同.北京城区和郊区(密云)最大净通量位于611~817 m之间, 均表现为流出, 前者净通量强度为-67.43 t·d-1, 后者为-18.48 t·d-1, 相差3.64倍.4月, 石家庄城区与郊区(平山)最大净通量位于459~611 m之间, 均表现为净流入, 前者净通量强度为33.92 t·d-1, 后者为10.68 t·d-1, 两者相差3.17倍; 在96~48 m之间, 石家庄城区与郊区(平山)的净通量强度相差最大, 为16.63倍.北京城区与郊区(密云)最大净通量位于1001~1 260 m之间, 均表现为净流出, 前者净通量强度为-41.62 t·d-1, 后者为-31.08 t·d-1, 两者相差1.33倍; 在459~611 m之间, 北京城区与郊区(密云)的净通量强度相差最大, 为2.23倍.7月, 石家庄城区与郊区(平山)最大净通量位于1 001~1 260 m之间, 均表现为净流出, 前者净通量强度为-22.12 t·d-1, 后者为-6.62 t·d-1, 两者相差3.34倍; 在611~817 m之间, 石家庄城区与郊区(平山)的净通量强度相差最大, 为4.75倍.北京城区与郊区(密云)最大净通量位于1 001~1 260 m之间, 均表现为净流出, 前者净通量强度为-43.59 t·d-1, 后者为-19.46 t·d-1, 两者相差2.23倍; 在0~48 m之间, 北京城区与郊区(密云)的净通量强度相差最大, 为4.36倍. 10月, 石家庄城区最大净通量位于611~817 m之间, 为-17.14 t·d-1, 郊区(平山)最大净通量位于96~153 m之间, 为-3.23 t·d-1, 石家庄城区通量强度是郊区(平山)的5.31倍, 且前者为净流出, 后者为净流入; 在251~358 m之间, 石家庄城区与郊区(平山)的净通量强度相差最大, 为8.49倍.北京城区与郊区(密云)最大净通量位于611~817 m之间, 均表现为净流出, 前者净通量强度为-41.37 t·d-1, 后者为-17.50 t·d-1, 两者相差2.36倍; 在459~611 m之间, 北京城区与郊区(密云)的净通量强度相差最大, 为4.32倍.
|
图 8 2017年1 260 m内石家庄城区、郊区(平山)、北京城区和郊区(密云)与周边PM2.5净通量的垂直分布 Fig. 8 Vertical distribution of PM2.5 net flux in SJZ urban area, suburban area (Pingshan), BJ urban area, suburban area (Miyun) and surrounding areas within 1 260 m in 2017 |
(1) 在人为热源、短波辐射和热力湍流等因素影响下, 石家庄和北京城区年均PBLH分别比郊区高8%和29%; 城区PBLH月均值较郊区高2%(石家庄4月)~47% (北京7月).石家庄ΔPBLH小时变化范围(-78~293 m)小于北京(-30~615 m).
(2) 城区年均PM2.5浓度大于郊区, 北京ΔSurf_PM2.5年均值(15 μg·m-3)大于石家庄(2 μg·m-3). ΔSurf_PM2.5主要表现为1、10月大于4、7月, 并且在1月ΔSurf_PM2.5高值出现次数较多; 不同季节下ΔSurf_PM2.5小时变化均呈现双峰特征, 且夜晚ΔSurf_PM2.5大于白天.受人为排放、逆温和大气湍流等共同作用, 北京的ΔSurf_PM2.5小时变化范围(-4~98μg·m-3)较大于石家庄(-7~31μg·m-3).等高度下城区高空PM2.5浓度年均值大于郊区, 且ΔVert_PM2.5随高度增加而减小; 但是从月均角度分析, 受不同高度风向反转和风速增大的影响, 1月石家庄251~871 m和4月北京459~1 260 m之间PM2.5浓度表现为郊区大于城区.
(3) 北京城区和郊区与周边的年均总净通量强度之和(44.77 t·d-1)大于石家庄(34.44 t·d-1).城区年均总净通量强度远大于郊区, 城区表现为流出, 郊区表现为流入, 这可能是城区高压和郊区低压共同作用下, 形成城郊热力环流.受风速和PM2.5浓度的影响, 在0~1 260 m之间, 城区和郊区与周边的净通量随离地高度的增加通量强度呈现明显增大趋势, 其中1月城区和4月郊区与周边的传输交换对环境影响最为明显.不同季节下城区和郊区最大净通量的强度差异明显, 两者相差2.23~4.48倍; 但最大净通量强度的高度特征差异较小, 主要位于611~1 260 m.
| [1] | Song J, Lim Y C, Ko I, et al. Association between air pollutants and initial hospital admission for ischemic stroke in Korea from 2002 to 2013[J]. Journal of Stroke and Cerebrovascular Diseases, 2021, 30(11). DOI:10.1016/j.jstrokecerebrovasdis.2021.106080 |
| [2] | Singer B C, Zhao H R, Preble C V, et al. Measured influence of overhead HVAC on exposure to airborne contaminants from simulated speaking in a meeting and a classroom[J]. Indoor Air, 2022, 32(1). DOI:10.1111/ina.12917 |
| [3] |
王昕然, 苗世光, 窦军霞, 等. 大气污染对北京冬季城市和郊区辐射收支影响的观测分析[J]. 地球物理学报, 2016, 59(11): 3996-4006. Wang X R, Miao S G, Dou J X, et al. Observation and analysis of the air pollution impacts on radiation balance of urban and suburb areas in Beijing[J]. Chinese Journal of Geophysics, 2016, 59(11): 3996-4006. DOI:10.6038/cjg20161106 |
| [4] | Liu Y S, Tang G Q, Huang X J, et al. Unexpected deep mixing layer in the Sichuan basin, China[J]. Atmospheric Research, 2021, 249. DOI:10.1016/j.atmosres.2020.105300 |
| [5] |
杨龙, 贺克斌, 张强, 等. 北京秋冬季近地层PM2.5质量浓度垂直分布特征[J]. 环境科学研究, 2005, 18(2): 23-28. Yang L, He K B, Zhang Q, et al. Vertical distributive characters of PM2.5 at the ground layer in autumn and winter in Beijing[J]. Research of Environmental Sciences, 2005, 18(2): 23-28. DOI:10.3321/j.issn:1001-6929.2005.02.005 |
| [6] | Lei L, Sun Y L, Ouyang B, et al. Vertical distributions of primary and secondary aerosols in Urban boundary layer: Insights into Sources, Chemistry, and Interaction with Meteorology[J]. Environmental Science & Technology, 2021, 55(8): 4542-4552. |
| [7] | Liu Y S, Tang G Q, Zhou L B, et al. Mixing layer transport flux of particulate matter in Beijing, China[J]. Atmospheric Chemistry and Physics, 2019, 19(14): 9531-9540. DOI:10.5194/acp-19-9531-2019 |
| [8] | Liu Y S, Tang G Q, Wang M, et al. Impact of residual layer transport on air pollution in Beijing, China[J]. Environmental Pollution, 2020, 271. DOI:10.1016/j.envpol.2020.116325 |
| [9] | Wang H, Xu J Y, Zhang M, et al. A study of the meteorological causes of a prolonged and severe haze episode in January 2013 over central-eastern China[J]. Atmospheric Environment, 2014, 98: 146-157. DOI:10.1016/j.atmosenv.2014.08.053 |
| [10] | Chen H P, Wang H J. Haze days in North China and the associated atmospheric circulations based on daily visibility data from 1960 to 2012[J]. Journal of Geophysical Research, 2015, 120(12): 5895-5909. DOI:10.1002/2015JD023225 |
| [11] |
史旭荣, 逯世泽, 易爱华, 等. 全国2018~2019年秋冬季气象条件变化对PM2.5影响研究[J]. 中国环境科学, 2020, 40(7): 2785-2793. Shi X R, Lu S Z, Yi A H, et al. Impact of meteorological conditions on PM2.5 in autumn and winter of 2018~2019 in key areas[J]. China Environmental Science, 2020, 40(7): 2785-2793. DOI:10.3969/j.issn.1000-6923.2020.07.001 |
| [12] |
郭滢超, 权建农, 潘昱冰, 等. 2008~2017年北京市PM2.5周期性变化特征与影响机制[J]. 中国环境科学, 2022, 42(3): 1013-1021. Guo Y C, Quan J N, Pan Y B, et al. Multi-time scale variations of the PM2.5 in Beijing and its key mechanisms during 2008 to 2017[J]. China Environmental Science, 2022, 42(3): 1013-1021. DOI:10.3969/j.issn.1000-6923.2022.03.003 |
| [13] |
安欣欣, 曹阳, 王琴, 等. 北京城区PM2.5各组分污染特征及来源分析[J]. 环境科学, 2022, 43(5): 2251-2261. An X X, Cao Y, Wang Q, et al. Chemical characteristics and source apportionment of PM2.5 in urban of Beijing[J]. Environmental Science, 2022, 43(5): 2251-2261. |
| [14] |
王彤, 华阳, 许庆成, 等. 京津冀郊区站点秋冬季大气PM2.5来源解析[J]. 环境科学, 2019, 40(3): 1035-1042. Wang T, Hua Y, Xu Q C, et al. Source apportionment of PM2.5 in suburban area of Beijing-Tianjin-Hebei region in autumn and winter[J]. Environmental Science, 2019, 40(3): 1035-1042. |
| [15] |
姜蕴聪, 杨元建, 王泓, 等. 2015~2018年中国代表性城市PM2.5浓度的城乡差异[J]. 中国环境科学, 2019, 39(11): 4552-4560. Jiang Y C, Yang Y J, Wang H, et al. Urban-rural differences in PM2.5 concentrations in the representative cities of China during 2015~2018[J]. China Environmental Science, 2019, 39(11): 4552-4560. DOI:10.3969/j.issn.1000-6923.2019.11.009 |
| [16] |
唐宜西, 张小玲, 徐敬, 等. 北京城区和郊区本底站大气污染物浓度的多时间尺度变化特征[J]. 环境科学学报, 2016, 36(8): 2783-2793. Tang Y X, Zhang X L, Xu J, et al. Multi-temporal scale variations of atmospheric pollutants concentrations in rural and urban areas of Beijing[J]. Acta Scientiae Circumstantiae, 2016, 36(8): 2783-2793. DOI:10.13671/j.hjkxxb.2016.0003 |
| [17] | Zheng Z F, Ren G Y, Wang H, et al. Relationship between fine-particle pollution and the urban heat island in Beijing, China: observational Evidence[J]. Boundary-Layer Meteorology, 2018, 169(1): 93-113. DOI:10.1007/s10546-018-0362-6 |
| [18] |
姜蕴聪. 中国典型城市PM2.5浓度城乡差异特征[D]. 南京: 南京信息工程大学, 2020. Jiang Y C. Characteristics of urban-rural differences in PM2.5 concentrations in the representative cities of China[D]. Nanjing: Nanjing University of Information Science & Technology, 2020. |
| [19] |
韩婧, 李元征, 李锋. 2000—2015年中国PM2.5浓度时空分布特征及其城乡差异[J]. 生态学报, 2019, 39(8): 2954-2962. Han J, Li Y Z, Li F. Spatio-temporal distribution characteristic of PM2.5 concentration and the difference of PM2.5 concentration between urban areas and rural areas in China from 2000 to 2015[J]. Acta Ecologica Sinica, 2019, 39(8): 2954-2962. |
| [20] |
周甜, 闫才青, 李小滢, 等. 华北平原城乡夏季PM2.5组成特征及来源研究[J]. 中国环境科学, 2017, 37(9): 3227-3236. Zhou T, Yan C Q, Li X Y, et al. Chemical characteristics and sources of PM2.5 in urban and rural sitesinthe North China Plain during summer[J]. China Environmental Science, 2017, 37(9): 3227-3236. DOI:10.3969/j.issn.1000-6923.2017.09.004 |
| [21] |
王燕丽, 薛文博, 雷宇, 等. 京津冀区域PM2.5污染相互输送特征[J]. 环境科学, 2017, 38(12): 4897-4904. Wang Y L, Xue W B, Lei Y, et al. Regional transport matrix study of PM2.5 in Jingjinji region, 2015[J]. Environmental Science, 2017, 38(12): 4897-4904. |
| [22] | Zhang H Y, Cheng S Y, Yao S, et al. Insights into the temporal and spatial characteristics of PM2.5 transport flux across the district, city and region in the North China Plain[J]. Atmospheric Environment, 2019, 218. DOI:10.1016/j.atmosenv.2019.117010 |
| [23] | Zhang H Y, Cheng S Y, Yao S, et al. Multiple perspectives for modeling regional PM2.5 transport across cities in the Beijing-Tianjin-Hebei region during haze episodes[J]. Atmospheric Environment, 2019, 212: 22-35. DOI:10.1016/j.atmosenv.2019.05.031 |
| [24] |
张智答, 王晓琦, 张晗宇, 等. 京津冀地区典型城市秋冬季PM2.5输送特征研究[J]. 中国环境科学, 2021, 41(3): 993-1004. Zhang Z D, Wang X Q, Zhang H Y, et al. PM2.5 transport characteristics of typical cities in Beijing-Tianjin-Hebei Region in autumn and winter[J]. China Environmental Science, 2021, 41(3): 993-1004. DOI:10.3969/j.issn.1000-6923.2021.03.001 |
| [25] |
李珊珊, 程念亮, 潘涛, 等. 2014年10月京津冀一次空气重污染过程分析[J]. 环境科学与技术, 2016, 39(3): 162-169. Li S S, Cheng N L, Pan T, et al. Analysis of a heavy air pollution event in Beijing-Tianjin-Hebei region in October 2014[J]. Environmental Science & Technology, 2016, 39(3): 162-169. |
| [26] |
董文成. 大气污染物在城市下垫面扩散的分析与模拟研究[D]. 兰州: 兰州大学, 2014. Dong W C. Simulation and analysis of atmospheric pollutants diffusion over urban surface[D]. Lanzhou: Lanzhou University, 2014. |
| [27] |
朱媛媛, 高愈霄, 柴文轩, 等. 京津冀及周边区域PM2.5叠加沙尘重污染过程特征及预报效果分析[J]. 环境科学, 2020, 41(2): 574-586. Zhu Y Y, Gao Y X, Chai W X, et al. Heavy pollution characteristics and assessment of PM2.5 predicted model results in Beijing-Tianjin-Hebei region and surrounding areas during November 22 to December 4, 2018[J]. Environmental Science, 2020, 41(2): 574-586. |
| [28] |
雷雨, 张小玲, 康平, 等. 川南自贡市大气颗粒物污染特征及传输路径与潜在源分析[J]. 环境科学, 2020, 41(7): 3021-3030. Lei Y, Zhang X L, Kang P, et al. Analysis of transport pathways and potential sources of atmospheric particulate matter in Zigong, in south of Sichuan province[J]. Environmental Science, 2020, 41(7): 3021-3030. |
| [29] |
段时光, 姜楠, 杨留明, 等. 郑州市冬季大气PM2.5传输路径和潜在源分析[J]. 环境科学, 2019, 40(1): 86-93. Duan S G, Jiang N, Yang L M, et al. Transport pathways and potential sources of PM2.5 during the winter in Zhengzhou[J]. Environmental Science, 2019, 40(1): 86-93. |
| [30] |
蒲维维, 石雪峰, 马志强, 等. 大气传输路径对上甸子本底站气溶胶光学特性的影响[J]. 环境科学, 2015, 36(2): 379-387. Pu W W, Shi X F, Ma Z Q, et al. Impact of atmospheric pollutants transport pathways on aerosol optical properties at Shangdianzi background station[J]. Environmental Science, 2015, 36(2): 379-387. |
| [31] | Zhang H Y, Cheng S Y, Li J B, et al. Investigating the aerosol mass and chemical components characteristics and feedback effects on the meteorological factors in the Beijing-Tianjin-Hebei region, China[J]. Environmental Pollution, 2019, 244: 495-502. DOI:10.1016/j.envpol.2018.10.087 |
| [32] | Yang W L, Wang G C, Bi C J. Analysis of long-range transport effects on PM2.5 during a short severe haze in Beijing, China[J]. Aerosol and Air Quality Research, 2017, 17(6): 1616-1622. |
| [33] |
任浦慧, 解静芳, 姜洪进, 等. 太原市大气PM2.5季节传输路径和潜在源分析[J]. 中国环境科学, 2019, 39(8): 3144-3151. Ren P H, Xie J F, Jiang H J, et al. Transport pathways and potential sources of PM2.5 in different seasons in Taiyuan city[J]. China Environmental Science, 2019, 39(8): 3144-3151. |
| [34] |
陈颢元, 王晓琦, 程水源, 等. 京津冀和长三角地区一次重霾过程气象成因及传输特征[J]. 中国环境科学, 2021, 41(6): 2481-2492. Chen H Y, Wang X Q, Cheng S Y, et al. Analysis of meteorological causes and transmission characteristics of a heavy haze process in Beijing Tianjin Hebei and Yangtze River Delta[J]. China Environmental Science, 2021, 41(6): 2481-2492. |
| [35] | Zhu X W, Tang G Q, Hu B, et al. Regional pollution and its formation mechanism over North China Plain: A case study with ceilometer observations and model simulations[J]. Journal of Geophysical Research, 2016, 121(24): 14574-14588. |
| [36] | Tang G, Zhu X, Hu B, et al. Impact of emission controls on air quality in Beijing during APEC 2014: lidar ceilometer observations[J]. Atmospheric Chemistry and Physics, 2015, 15(21): 12667-12680. |
| [37] | Li M, Liu H, Geng G N, et al. Anthropogenic emission inventories in China: a review[J]. National Science Review, 2017, 4(6): 834-866. |
| [38] | Zheng B, Tong D, Li M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. |
| [39] | Ge S J, Wang S J, Xu Q, et al. CAMx simulations of the control of anthropogenic emissions on the reduction of ozone formation in Southeast Texas of USA[J]. Atmospheric Pollution Research, 2021, 12(7). DOI:10.1016/j.apr.2021.101114 |
| [40] | Ma S Q, Zhang X L, Gao C, et al. Multimodel simulations of a springtime dust storm over northeastern China: implications of an evaluation of four commonly used air quality models (CMAQ v5.2.1, CAMx v6.50, CHIMERE v2017r4, and WRF-Chem v3.9.1)[J]. Geoscientific Model Development, 2019, 12(11): 4603-4625. |
| [41] |
张晗宇, 程水源, 姚森, 等. 2016年10~11月期间北京市大气颗粒物污染特征与传输规律[J]. 环境科学, 2019, 40(5): 1999-2009. Zhang H Y, Cheng S Y, Yao S, et al. Pollution characteristics and regional transport of atmospheric particulate matter in Beijing from October to November, 2016[J]. Environmental Science, 2019, 40(5): 1999-2009. |
| [42] | Gao M, Carmichael G R, Wang Y, et al. Modeling study of the 2010 regional haze event in the North China Plain[J]. Atmospheric Chemistry and Physics, 2016, 16(3): 1673-1691. |
| [43] | Romero H, Ihl M, Rivera A, et al. Rapid urban growth, land-use changes and air pollution in Santiago, Chile[J]. Atmospheric Environment, 1999, 33(24-25): 4039-4047. |
| [44] |
马露, 邹艳琴, 李俊, 等. 气溶胶散射系数与空气颗粒物PM10和PM2.5浓度间关联性研究[J]. 环境与健康杂志, 2011, 28(11): 964-967. Ma L, Zou Y Q, Li J, et al. Relationship between concentration changes of particulate matter and aerosol scattering coefficient[J]. Journal of Environment and Health, 2011, 28(11): 964-967. |
| [45] |
程水源, 王传达, 张晗宇. 跨界地区大气边界层以下PM2.5传输通量数值模拟量化的方法[P]. 中国专利: CN 110569528A, 2019-12-13. Cheng S Y, Wang C D, Zhang H Y. Method for numerical simulation and quantification of PM2.5 transmission flux below atmospheric boundary layer of transboundary region[P]. CN: CN 110569528A, 2019-12-13. |
| [46] |
石春娥, 姚叶青, 张平, 等. 合肥市PM10输送轨迹分类研究[J]. 高原气象, 2008, 27(6): 1383-1391. Shi C E, Yao Y Q, Zhang P, et al. Transport trajectory classifying of PM10 in Hefei[J]. Plateau Meteorology, 2008, 27(6): 1383-1391. |
| [47] | 张亮, 张国平, 王署东, 等. 城市下垫面对冬季北京-天津PM2.5影响的数值模拟研究[A]. 见: 2017中国环境科学学会科学与技术年会论文集(第一卷)[C]. 厦门: 中国环境科学学会, 2017. |
| [48] |
李晓莉, 毕宝贵, 李泽椿. 北京冬季城市边界层结构形成机制的初步数值研究[J]. 气象学报, 2005, 63(6): 889-902. Li X L, Bi B G, Li Z C. Simulation study of formation mechanism of winter urban boundary layer structure over Beijing area[J]. Acta Meteorologica Sinica, 2005, 63(6): 889-902. |
| [49] | Wang M, Tang G Q, Liu Y S, et al. The difference in the boundary layer height between urban and suburban areas in Beijing and its implications for air pollution[J]. Atmospheric Environment, 2021, 260. DOI:10.1016/j.atmosenv.2021.118552 |