2023, Vol. 44
2. 中国气象局地球系统数值预报中心, 北京 100081;
3. 内蒙古自治区气象科学研究所, 呼和浩特 010051;
4. 中国气象局云降水物理与人工影响天气重点开放实验室, 北京 100081
2. China Meteorological Administration Earth System Modeling and Prediction Centre, Beijing 100081, China;
3. Meteorological Science Institute of Inner Mongolia, Hohhot 010051, China;
4. Cloud-Precipitation Physics and Weather Modification Key Laboratory(CPML), China Meteorological Administration, Beijing 100081, China
京津冀城市群地处山地与平原的过渡地带, 阻塞系统与特殊的地形相叠加, 大气环境呈现出“敏感性”和“脆弱性”的特点[1~3], 是中国大气污染最为严重的地区之一[4, 5].邢台市位于河北省南部, 复杂的排放环境和高强度的污染排放使之成为京津冀一带大气污染的重灾区[6].高浓度的细颗粒物(PM2.5)通过微物理效应和辐射效应机制, 参与大气环境中多个理化过程, 是多种污染物中诱发城市霾天气中最为关键的要素[7, 8].
作为承载污染物的重要载体, 大气边界层内的湍流、辐射和能量收支等持续驱动着污染物的生消和传输过程[9].其中, 大尺度环流为重污染天气周期性发生带来了关键性的动、热力因子[10], 而边界层内的气象要素及相应的湍流特征(不考虑排放源变化的前提下)则成为本地污染累积和外来传输影响的必要外部条件[11, 12].在多尺度气象因子的影响下, PM2.5可通过扩散和传输影响下游地区[13, 14], 特别是在风的作用下, PM2.5的输送距离可从区域尺度, 延伸到洲际甚至全球[15, 16].Fan等[17]的研究认为, 污染发生前6 h盛行的弱西南风有利于河北省中南部PM2.5向北京进行输送.王自发等[18]应用数值模式评估表明：2013年1月中东部强霾天气中, 京津冀区域内的输送作用贡献PM2.5的26%~35%, 跨区域输送贡献率为20%~35%. Tang等[19]的研究结果也表明, 城市间的大气污染随气团的运动相互影响, 在6~21 km·h-1的NE和SE风的输送作用下, 天津本地的硫酸盐、硝酸盐和铵盐将明显升高.
PM2.5的增长速率对污染过程的峰值浓度至关重要.气溶胶和边界层“双向反馈机制”的存在为污染过程的发展和维持起着关键的调控作用[20, 21].不利的大气条件和二次转化的综合作用下[22], PM2.5的暴发增长使得其迅速累积到浓度高值, 大量气溶胶产生的辐射冷却效应会削弱边界层的垂直混合能力[23], 更加稳定的大气层结又进一步推进了污染的加剧.特别是在污染过程的中后期, 大气光化学反应受到限制, 这一反馈机制对于污染的恶化起主导作用[16, 24].从更长的时间尺度来说, PM2.5甚至可能通过改变辐射传输影响气流[25], 而气流和污染物的传输以及污染的增长速率之间又存在着密切和复杂的关联.Zheng等[26]的研究认为, 污染物的跨区域输送对于污染的快速增长意义重大.Zhong等[27]对北京12次重污染过程的研究表明, PM2.5超过100 μg·m-3(严格时为71 μg·m-3)时, PM2.5则可能发生暴发增长, 继而触发污染物与大气边界层间的双向反馈机制效应.
大尺度环流、边界层内的气象要素与污染物输送和污染物增长速率之间有着复杂和密切的关联性[28, 29], 尤其是重度及以上污染过程(severe and above pollution process, SAAP)中, 这一关联性的探讨对于污染增长特性的研究、污染减排措施的制定以及边界层和污染物之间短期和长期尺度“反馈机制”的探究均有着重要的意义.2013年以来, 一系列防治措施的执行使得京津冀等地的大气污染物浓度大幅降低[30], 但空气质量距离根本性的改善尚有差距.随着防控的精准化, 对于更高分辨率的小城市研究, 特别是明晰聚集着大量排放源的中小尺度区域大气污染的触发机制和控制其污染的增长速率对于区域联防联控意义重大.基于此, 本研究利用河北邢台2013~2021年的PM2.5、气象要素资料和模拟结果, 着重针对SAAP, 对于其中污染物的增长速率与污染物的输送来源、高低空环流的配置和风场之间的关联性进行深入的探讨.
1 材料与方法本研究使用的邢台市气象要素数据(湿度、风向和风速等)由中国气象数据网(http://www.cnemc.cn)提供, 时间分辨率为1 h.邢台市2013~2021年的逐小时PM2.5数据来自中国环境监测总站网站(http://www.cnemc.cn) 提供的城区国控站平均值.上述资料在使用前均进行了有效降水数据(小时降水量大于0.3 mm)的剔除.本文使用的48 h, 50 m高度空气轨迹模式(HYSPLIT4.9版本)数据为美国国家环境预报中心(NCEP) 的全球再分析资料, 时间分辨率为1 h.
本文使用大气化学模式CAMx7.0对大气化学过程和PM2.5来源开展模拟和定量化示踪计算.气象场模拟采用中尺度气象模式WRF4.0, 初始背景边界条件来自NCEP 6h分辨率1°×1°的全球再分析资料(FNL).污染物人为源排放清单采用清华大学2017年0.25°分辨率的MEIC排放源清单(http://www.meicmodel.org).源示踪技术是在模拟过程中加入活性示踪物对目标污染物进行追踪, 以统计各类污染源对于污染物的贡献[31].本研究的模拟区域以(39.245°N, 117.691°E) 为中心, 外层网格分辨率为27 km, 网格数50×42; 内层网格分辨率为9 km, 网格数81×91.在邢台市SAAP污染来源的模拟示踪中, 分别对包括河北、山东、河南、北京、天津、山西、安徽、江苏、辽宁等“2+26”城市进行示踪, 模拟结果可以得到SAAP过程中上述地市对邢台PM2.5浓度的贡献量.为了排除初始场对大气化学模式的影响, 本文选取CAMx运行5 d之后的数据进行分析.由于模式模拟范围覆盖京津冀及周边区域, 其他区域的传输影响不大, CAMx的边界场采用模式默认值.随机选取6次污染过程PM2.5模拟值和观测值进行相关性比较[图 1(a)], 样本数(N)为829个, 均方根误差(RMSE)为119.31 μg·m-3.模拟和观测值相关性整体较好, R为0.79, 但模拟结果整体略高于观测值.对其中一次污染过程(2021年11月26~30日)的PM2.5模拟值和观测值的时间序列进行比较, 由图 1(b)可见, 模拟值和观测值的变化趋势较为一致, 但11月27日19:00峰值浓度的预报略偏低, 11月29日14:00次峰值模拟时间超前(约4 h)且略高于观测结果.
|
图 1 2021年PM2.5模拟值和观测值对比 Fig. 1 Comparison of PM2.5 simulations and observations in 2021 |
根据国家细颗粒物空气质量二级标准, 定义一次污染过程为ρ(PM2.5)日均值≥75 μg·m-3, 且持续时间3d及以上.根据污染过程期间的ρ(PM2.5)日均最高值将污染过程分为：轻度污染过程[ρ(PM2.5)日均值最高值≤115 μg·m-3]、中度污染过程[ρ(PM2.5)日均值最高值>115 μg·m-3且≤150 μg·m-3]、重度污染过程[ρ(PM2.5)日均值最高值>150 μg·m-3且≤250 μg·m-3]和严重污染过程[ρ(PM2.5)日均值最高值≥250 μg·m-3].重度和严重污染过程简称为重度及以上污染过程(SAAP).由于本文主要研究的污染过程为以细粒子为首要污染物的霾污染过程(简称污染过程), 为了避免沙尘过程的干扰, 对满足上述条件污染过程的逐日PM2.5/PM10小时值(简称PM2.5/PM10)进行计算, 如该日连续出现6 h以上PM2.5/PM10≥0.6, 则认为该日的大气污染以细粒子为主[32]; 如过程期间以细粒子为主的日数高于过程总日数的1/2以上, 则计入本文对PM2.5污染过程的统计; 反之予以剔除.
对邢台地区2013~2021年全年和秋冬季(9月至次年2月)的污染过程次数进行统计[图 2(a)], 其中数字表示污染过程的平均持续天数.2013~2021年邢台地区共发生污染过程159次, 其中SAAP次数为103次.除2019年(14次)较2018年(18次)略升高外, 污染过程总次数逐年下降, 下降率平均为3.1次·a-1, 至2021年污染过程总次数降低至7次.SAAP次数整体呈逐年降低趋势, 其中, 重度污染过程在2015年起降低至10次以内; 2013~2015年严重污染过程均为7次, 2019年降低至2次, 2020~2021年均未有严重污染过程发生.与SAAP相反, 轻度和中度污染过程总次数在2017年之前呈逐年上升趋势, 自2018年起, 与SAAP次数一同, 呈逐年递减趋势.对比来看, 污染过程越严重, 污染的平均持续时长普遍越长, 特别是2013年和2014年, 严重污染过程的平均持续时长分别可达18.9 d和14.0 d, 而轻度污染过程的持续时间普遍低于5d.此外, 污染过程出现在秋冬季的概率也有逐年升高的趋势, 对于SAAP过程, 2016年后90%以上的过程出现在秋冬季, 2016年后中度污染过程出现在秋冬季的占比也由2013~2015年的10.3%提高到87.7%.因而在大气污染逐年改善的背景条件下, 2016~2021年, 邢台地区春夏季出现中度及以上污染的概率明显降低.
|
(a)中星号对应概率, 空白格表示过程次数为0, 数字表示污染过程持续天数平均值 图 2 2013~2021年不同等级污染过程次数和SAAP中缓慢、快速和暴发增长占比的逐年演变 Fig. 2 Evolution of the number of pollution processes at different levels and the proportion of slow, rapid, and explosive growth in SAAP from 2013 to 2021 |
将污染物浓度的小时变化率以ΔPM2.5表示, 其中污染累积阶段的PM2.5小时增长率以+ΔPM2.5表示(仅考虑该时次较上一时次PM2.5浓度增加的情况, 即+ΔPM2.5>0).参照Jiang等[33]的定义, 根据+ΔPM2.5的阈值Ak, 将+ΔPM2.5定义为缓慢增长、快速增长和暴发增长, 其中, Ak为2013~2021年+ΔPM2.5的平均值, 经计算, 邢台市Ak=20.6μg·(m3·h)-1.其中, +ΔPM2.5≤Ak时定义为缓慢增长; 快速增长满足Ak < +ΔPM2.5≤2Ak; +ΔPM2.5>2Ak为暴发增长.对SAAP中累积阶段(+ΔPM2.5>0)中缓慢、快速和暴发增长所占的占比进行逐年统计[图 2(b)].各年份SAAP中, 缓慢增长的占比均最高, 且随时间增长呈阶梯式增长趋势, 其中, 2015年缓慢增长的占比为50.2%, 2022年升高至78.0%.与之相反, 暴发增长的占比呈阶梯式降低, 2020年和2021年SAAP中暴发增长的占比降低至5.0%以内.对于快速增长的贡献, 除了2017年有明显的回弹(约32.2%)外, 整体也呈现逐步降低的趋势.2013~2021年的SAAP从持续时长、污染增长速率来说虽整体呈下降趋势, 但对于邢台地区从根本上消除SAAP, 仍任重而道远.
2.2 大气环流和风场与PM2.5关联性研究高低层大气环流动力结构的配置为京津冀等地的大气污染生消、传输和演变提供了核心的动力机制.根据每日08:00地面和高空500 hPa环流形势与当日的空气质量等级(国家细颗粒物空气质量二级标准), 对邢台地区大气环流类型对应的空气质量等级进行统计. 500 hPa气压场共分为8类, 分别为反气旋型, 副高边缘型、副高内型、低涡型、平直西风带型、脊区控制型、槽后型和槽前型; 地面天气形势共分为高压控制型、倒槽型、低压控制型和均压场型这4类.如图 3(a)所示, 4类地面天气系统中, 均压场型和高压控制型是两种出现频次最高的地面天气形势.倒槽型出现的次数虽较低, 但其控制时出现污染(轻度及以上)的概率最高(约61.1%), 特别是重度及以上污染日的概率可达24.2%.地面为高压控制型出现的频次较高, 出现污染的概率也高于50.0%.低压控制型中污染日出现的概率略低于高压系统控制型(约48.2%), 其中一半以上为轻度污染.均压场型出现的频次为4种地面环流类型中最多, 但其出现污染的概率最低(约35.3%), 其中重度及以上污染日的出现概率和低压控制型接近(10%~11%), 明显低于倒槽型和高压控制型.
|
(a)地面, (b)500 hPa; a1.高压控制性, a2.倒槽型, a3.低压控制型, a4.均压场型, b1.反气旋型, b2.副高边缘型, b3.副高内型, b4.低涡型, b5.平直西风带型, b6.脊区控制型, b7.槽后型, b8.槽前型 图 3 邢台地面和500 hPa不同天气系统控制下各空气质量等级发生的概率和次数 Fig. 3 Probability and frequency of occurrence of each air quality level under the control of different weather systems at ground level and 500 hPa in Xingtai |
高空环流中出现污染概率最高的4类环流形势依次为平直西风带型、槽后型、槽前型和脊区控制型[图 3(b)]. 500 hPa为平直西风带控制时, 表明中高纬的冷空气向京津冀地区输送偏弱, 是京津冀出现持续性SAAP期间重要的环流形势之一[1], 重度及以上污染概率达20.7%.槽后型控制时出现重度及以上污染的概率虽略低于平直西风带型, 但由于其出现次最高, 槽后型也成为SAAP中最为典型的高空环流形势之一.
区域污染来源与风场有直接的关联.将风向(0°~360°)按照45°间隔进行均分：0°~45°(北偏东NE)、45°~90°(东偏北EN)、90°~135°(东偏南ES)、135°~180°(南偏东SE)、180°~225°(南偏西SW)、225°~270°(西偏南WS)、270°~315°(西偏北WN)和315°~360°(北偏西NW).表 1对全年和污染日不同风向为每日第一风向(定义每日出现频次最多的风向为该日第一风向)的出现频次和概率进行统计.对各个风向中不同等级污染出现概率的统计可避免风向本身高频次的干扰, 如：WN中轻度污染出现的概率=WN中轻度污染出现的次数/WN出现的次数(按照每日第一风向结果进行统计).由表 1可知, 全年和污染日中第一风向为WN、SE和NE依次为3个出现频次最高的风向.SW出现污染的概率最高, 其次为NE、WS和EN.其中, NE在全年和污染日出现的次数均较高, 且其一旦出现, 出现污染的概率可达59%, 同时, 重度及以上污染的概率也在各个风向中最高(27%).SW和EN为第一风向出现的次数较低, 但其出现污染的概率(60%和53%), 特别是重度及以上污染出现的概率(20%和15%)极高.WS为第一风向出现污染的概率虽较高, 但其出现次数最低, 统计时段样本量仅为34次.除去上述3个风向, NW为第一风向出现污染的概率为43%, 其中一半以上为重度及以上污染.
|
表 1 不同风向为每日第一风向的出现频次和不同等级污染的出现概率 Table 1 Frequency and probability of pollution for different wind directions as of the daily first wind direction |
综上, WN、NE和SE为邢台地区3个出现频次最高的风向, 污染发生在这3个风向的次数也最多, 但假定风向出现概率均等时, WN和SE出现污染的概率较低, NE应为与大气污染, 特别是重度及以上污染关联最为紧密的风向.SW、EN和NW出现次数虽低于盛行风向, 但一旦出现, 重度及以上污染的概率均高于15%.
2.3 SAAP中ΔPM2.5与风场的关联性研究SAAP中污染物的增长速率对于污染过程的峰值浓度至关重要.为了探究风场对于ΔPM2.5的影响, 对SAAP中风向风速(WS)与ΔPM2.5的关联性进行统计, 如图 4.SAAP中ΔPM2.5的主要分布区间(95%)集中在±150 μg·(m3·h)-1之间, 其中+ΔPM2.5的占总ΔPM2.5的61.7%, 缓慢、快速和暴发增长在+ΔPM2.5中的平均贡献率分别为59.9%、26.2%和13.9%.对ΔPM2.5分风向(间隔15°)和风速区间进行平均值统计.其中风速划分为4种, 分别为：全风速; 静小风(WS≤2 m·s-1); 中等风速(2 m·s-1 < WS < 4 m·s-1); 较大风速(WS≥4 m·s-1).样本量低于该区间总样本量1%的情况不参与统计.全风向中上述4种风速条件下ΔPM2.5平均值分别为5.7、6.4、5.89和2.0μg·(m3·h)-1.各风速区间的统计结果中, 除较大风速外, SAAP中ΔPM2.5在各风向区间的平均值均>0.全风速中, ΔPM2.5均值最大值[9.07μg·(m3·h)-1]出现在WS中, 但WS出现的概率较低.除此外, SW也对应ΔPM2.5平均值的高值区.根据Sun等[34]的研究结果, 随风速的增大污染物浓度逐步降低, 与之结果相近, 中等风速条件下ΔPM2.5平均值在大多风向时低于静小风, 但值得注意的是, 60°~90°(EN)和195°~225°(SW)的风向区间中, 中等风速时ΔPM2.5平均值明显高于静小风.中等风速时污染物浓度的升高与污染传输关系密切, SAAP中, EN和SW风向中污染物的输送作用可能对邢台地区污染物的累积起到了重要的作用.
|
图 4 SAAP不同风向风速ΔPM2.5和PM2.5散点和平均值分布 Fig. 4 Scatter point and mean distribution of wind speed ΔPM2.5 and PM2.5 in different wind directions in SAAP |
由ΔPM2.5与风向和风速分布的散点图可以看到(图 4), NE、SE、WN、NW和部分SW(180°~195°)中均有一定概率的风速大值(WS≥4m·s-1)出现, 与之对应, ΔPM2.5的分布范围也较广, 而对于其他4个风向区间, 风速大值出现的概率较小, ΔPM2.5的变化也相对集中, 基本维持在±100μg·(m3·h)-1之间, 特别是对于WS, 风速值普遍低于2 m·s-1, 90%以上的ΔPM2.5在±70μg·(m3·h)-1以内变化.SAAP中, 较大风速时西北风(WN和NW)中ΔPM2.5的平均值为负值, 而偏南风中, ΔPM2.5平均值为正值, 且一度超过了静小风和中等风速, 如风向为180°附近时, ΔPM2.5平均值可达9.92μg·(m3·h)-1.因而SAAP中, 较大风速(WS≥4 m·s-1)对ΔPM2.5影响较为复杂, 既可以大幅度地清除, 以冷空气对污染物的稀释扩散作用为主; 也可能在污染传输作用下, 如高压前部影响下使得上游污染物在邢台地区汇聚或高压后部较大持续偏南风输送作用下使得邢台地区污染物浓度大幅升高; 此外, 较大风速时也有可能带来沙尘天气, 高PM10的汇入也使得其中的PM2.5浓度明显升高.与表 1中按照逐日第一风向的统计结果相近, PM2.5逐小时的统计结果中也对应3个风向区间的高值(图中虚线框), 分别为NE、EN、SW、WS和NW.其中, SW和WS中PM2.5的高值区间与中等风速条件下ΔPM2.5平均值的变化趋势基本吻合, 考虑这一风向中污染物浓度较快的增长速率可能与污染的传输作用密不可分.
如图 5, 随机选取2013~2020年SAAP过程缓慢、快速和暴发增长时段(1 h间隔, 污染物浓度升高后时次)的气团来向(48 h)进行后向轨迹分析, 所选高度为50 m.缓慢[图 5(a)]、快速[图 5(b)]和暴发增长[图 5(c)]的样本数均为350个. 3种增长方式中, 48 h的污染气团来向大致可分为3类, 分别为北偏西、北偏东和偏南来向.由缓慢、快速到暴发增长, 北偏西气团来向的占比逐渐增大, 分别由21%、31%增大到36%.与北偏西气团的贡献相反, 北偏东和偏南来向的气团占比均逐步降低.对于气团的移速来说, 偏北方向气团移速最快, 其次为偏东方向, 偏南方向的气团移速整体较慢.缓慢增长型中, 79%的北偏东和偏南气团来向对应的相对湿度(RH)均较大, 其中, 80%以上的RH>50%, 超过30%的RH>70%.对于快速增长RH的分布则较为集中, 90%以上的RH分布在35%~55%.对于暴发增长, 相对湿度较低(< 50%)的气团占比明显增加, 可达63%, RH>70%的气团占比为20%.邢台SAAP中, 缓慢增长高RH的占比较大, 且以北偏东和偏南移速较慢的气团贡献为主, 大气静稳时的本地累积、偏东或偏南RH较大气团携带的污染物输送起到了主导作用; 而对于暴发增长, 较低RH气团的高占比和移速较快气团贡献的加大在一定程度上表明了污染输送, 特别是西北方向气团对SAAP中暴发增长的重要贡献.
|
图 5 缓慢、快速和暴发增长气团后向轨迹 Fig. 5 Backward trajectory of slow, fast, and explosive growth of polluted air masses |
对邢台地区103次SAAP进行模拟分析, 共总结出5类PM2.5来源模型, 分别为：本地累积为主型(15次)、北部偏东输送为主型(14次)、北部偏西输送为主型(27次)、混合输送为主型(30次)和南部传输为主型(17次).本地累积为主型的15次SAAP均发生在2017年之前, 2017~2021年的SAAP均为输送为主型的污染过程.其中, 本地累积为主型污染过程的特点主要为邢台本地源在所有地区贡献中占主要地位, 平均超过40%; 北部偏东输送为主型的SAAP中外来源主要包括沧州、衡水和邢台东北部等城市的贡献(主要分布在30%~47%); 北部偏西输送为主型的SAAP中, 石家庄和保定和其他西北部城市的污染源对邢台起主导作用, 平均贡献超过45%; 南部传输为主型中河南、邯郸等邢台以南地区的污染源贡献显著, 其贡献通常大于50%; 混合输送类型在邢台地区的SAAP中最为常见, 这一类型中的污染过程持续时间通常较长, 80%以上的过程持续时间超过一周, 且污染源通常为多种类型的叠加.
图 6分别给出了SAAP污染类型5种个例中PM2.5的来源占比和SAAP期间风向风速与PM2.5质量浓度的分布关系.由图 6(a)可见, 本地累积为主型个例中(2016年11月11~20日), 邢台本地排放的PM2.5贡献可达46%, 外来输送中邯郸的贡献为21%, 其它各地污染物的贡献均低于10%.SAAP期间, PM2.5质量浓度高于250 μg·m-3的风速区间基本低于2 m·s-1, 本地污染物在静稳大气环境中逐步累积; 2014年2月10日至2014年3月11日为一次较为典型的北部偏东输送为主型的SAAP[图 6(b)].沧州、衡水、廊坊和邢台东北部城市的污染源对邢台本次污染过程的贡献占比达38%, 另有30%的污染来自邢台本地的贡献.SAAP期间, PM2.5浓度高值分布区主要位于北风和东北风区域, 风速值主要分布在2~4 m·s-1, 这一风速有利于建立北偏东方向的污染物输送通道.图 6(c)中的混合输送个例(2019年2月18日至3月5日)持续时间较长, 风速低于4m·s-1内各个风向均有不同程度的PM2.5高值出现, 污染输送来源可能为本地累积和多个方向污染传输的共同作用, 此外, 风速高于4 m·s-1的西北风也有高浓度PM2.5出现.与模拟结果对应, 邯郸、邢台西北和东北部城市、山东和河南等多地均对邢台此次污染过程有一定的贡献作用, 邢台本地源贡献25%, 为一次典型的多源化混合输送的污染过程; 南部输送为主的污染个例中[图 6(d), 2019年12月7~10日], PM2.5高值区80%以上分布在偏南风向中, 特别是PM2.5高于250 μg·m-3的浓度高值主要分布在风速为2~3 m·s-1时的SE和WS风向.模式结果显示, 仅河南对邢台此次污染的输送贡献可达32%, 邯郸污染源的贡献占比也超过20%.最后一类北部偏西传输类型个例中[图 6(e), 2016年9月30日至10月4日]石家庄和保定排放污染物贡献占比高达56%, 浓度高值区主要位于风速高于2 m·s-1的北和西北风中.
|
(a)本地累积为主, (b)北部偏东输送为主, (c)混合输送, (d)南部输送为主, (e)北部偏西输送为主 图 6 5种污染个例来源和风速-风向-PM2.5浓度分布 Fig. 6 Sources of five pollution cases and distribution map of wind speed-wind direction-PM2.5 mass concentration |
高低空环流也总是在相互配合作用下共同推送大气运动[35].为了进一步分析天气类型与污染来源的关联, 图 7给出了SAAP中5种污染类型出现时高低空天气形势的配置比例.本地累积为主型的污染过程中[图 7(a)], 出现概率最高的环流配置类型为地面均压场配合高空槽后型(22%), 其次为地面均压场配合高空平直西风带型(18%)和地面低压控制型配合高空槽后型(12%).北部偏东输送型污染过程中[图 7(b)], 均压场配合槽后型出现的概率依旧最高(26%), 其次为地面高压控制型配合高空槽后型, 出现概率为21%.
|
(a)本地累积为主, (b)北部偏东输送为主, (c)混合输送, (d)南部输送为主, (e)北部偏西输送为主; A.高压控制型, B.倒槽型, C.低压控制型, D.均压场型, 1.槽前型, 2.槽后型, 3. 脊区控制型, 4.平直西风带型, 5.低涡型, 6.副高内型, 7副高边缘型, 8.反气旋型 图 7 5种类型SAAP中天气类型的高低空匹配统计 Fig. 7 Statistical chart of high and low altitude matching of weather types in five types of SAAP |
混合传输过程中气象场的变化通常较大, 过程持续时间通常较长, PM2.5峰值浓度较高, 其中, 50%以上的混合传输过程中ρ(PM2.5)日峰值位于300~600 μg·m-3 [图 7(c)], 如2014年1月2~19日的污染过程中, ρ(PM2.5)日均值峰值达576 μg·m-3.较其它4污染来源类型, 混合传输型中多种高低空大气环流配置相对均衡, 其中, 高压控制型配合槽后型的占比最高(19%), 其次为均压场型配合槽后型(17%).混合传输类型的污染过程中天气系统变化形式多样, 风场也随之发生多次改变, 污染物存在多条输送路径; 混合传输过程在SAAP中次数最多, 平均持续时长最长, 其中暴发增长的占比也最高, 为污染联防联控的重点, 基于其复杂的天气形势和多样的传输通道, 也是污染防治的难点之一.
南部传输为主型的SAAP中[图 7(d)], 地面均压场配合高空槽后型和平直西风带型占主导地位, 二者贡献达40%, 此外, 高空槽后型配合地面高压和地面低压的占比也在10%以上.此类天气系统的配置下, 邢台地区受偏南风影响持续时间较长(一般WS < 4m·s-1), 邢台以南区域, 特别是河南和部分山东地区的污染物沿偏南通道输入邢台; 北部偏西输送为主型[图 7(e)], 大气环流最重要的特点为地面高压系统控制型占主导地位, 与之配合的高空系统槽后型占比最大、其次为槽前型、脊区控制型和平直西风带型.这种类型的传输过程在邢台地区的SAAP中也较为常见.
3 结论(1) 2013~2021年邢台地区共发生污染过程164次, SAAP 103次.污染过程发生在秋冬季的占比逐步升高, 严重污染过程次数逐年降低明显.SAAP累积阶段中, 缓慢增长占比呈逐年阶梯式升高趋势, 暴发增长变化趋势相反, 2020年和2021年暴发增长的占比降低至5%以内.均压场型和高压控制型是两种出现频次最高的地面天气形势.地面倒槽型出现概率虽较低, 但出现污染概率最高(61.1%), 其次为地面高压控制型(>50.0%). 500 hPa为平直西风带控制时重度及以上污染概率最高(20.7%), 槽后型次之(16.1%), 但其出现频次最多.
(2) SAAP中, ΔPM2.5的主要分布区间(95%)集中在±150 μg·m-3, 其中+ΔPM2.5的占比占ΔPM2.5的61.7%. SAAP中中等风速条件下ΔPM2.5平均值在大多风向时低于静小风, 但EN和SW部分风向区间中, 中等风速时的ΔPM2.5平均值明显高于静小风(与污染传输有关), 较大风速对ΔPM2.5影响较为复杂.
(3) 从出现频次和污染概率来说, NE为与大气污染关联最为紧密的风向.SAAP中中等风速ΔPM2.5平均值在大多风向时低于静小风, 但EN和SW部分风向区间中, 中等风速时的ΔPM2.5平均值明显高于静小风(与污染传输有关); 较大风速对ΔPM2.5影响较为复杂.后向轨迹表明, SAAP中缓慢、快速和暴发增长的后向轨迹可分为北偏西、北偏东和偏南3个主要路径; 随增长速度加快, 北偏西气团来向的占比逐渐增大.缓慢增长的气团相对湿度整体较大(80%以上RH>50%), 快速增长气团相对湿度的分布较为集中(主要分布在35%~55%), 暴发增长中低相对湿度(< 50%)气团占比明显增加(63%).
(4) 模拟分析表明, SAAP污染类型可分为本地累积为主型、北部偏东输送为主型、北部偏西输送为主型、混合输送型和偏南输送为主型5类, 其中混合传输型占比最高, 其次为北部偏西为主输送型.偏南输送型、本地累积型和北部偏东输送型中出现概率最高的高低空配置均为高空槽后型配合地面均压场型; 北部偏西型中地面高压控制配合高空槽后型出现概率最高; 混合输送型中多种环流配比概率相对均衡.
| [1] | Cai W Y, Xu X D, Cheng X H, et al. Impact of "blocking" structure in the troposphere on the wintertime persistent heavy air pollution in northern China[J]. Science of the Total Environment, 2020, 741. DOI:10.1016/j.scitotenv.2020.140325 |
| [2] | Xu X D, Cai W Y, Zhao T L, et al. "Warm cover": precursory strong signals for haze pollution hidden in the middle troposphere[J]. Atmospheric Chemistry and Physics, 2021, 21(18): 14131-14139. DOI:10.5194/acp-21-14131-2021 |
| [3] |
张国涛, 殷宝辉, 白雯宇, 等. 天津市冬季道路颗粒物粒径分布及来源解析[J]. 环境科学, 2022, 43(9): 4467-4474. Zhang G T, Yin B H, Bai W Y, et al. Size distribution and source appointment of road particles during winter in Tianjin[J]. Environmental Science, 2022, 43(9): 4467-4474. |
| [4] | Han S Q, Hao T Y, Zhang Y F, et al. Vertical observation and analysis on rapid formation and evolutionary mechanisms of a prolonged haze episode over central-eastern China[J]. Science of the Total Environment, 2018, 616-617: 135-146. DOI:10.1016/j.scitotenv.2017.10.278 |
| [5] |
张冲, 郎建垒, 程水源, 等. 2016年京津冀地区红色预警时段PM2.5污染特征与浓度控制效果[J]. 环境科学, 2019, 40(8): 3397-3404. Zhang C, Lang J L, Cheng S Y, et al. Characteristics of PM2.5 pollution and the efficiency of concentration control during a red alert in the Beijing-Tianjin-Hebei Region, 2016[J]. Environmental Science, 2019, 40(8): 3397-3404. |
| [6] | Wang F, Li Z Q, Ren X R, et al. Vertical distributions of aerosol optical properties during the spring 2016 ARIAs airborne campaign in the North China Plain[J]. Atmospheric Chemistry and Physics, 2018, 18(12): 8995-9010. DOI:10.5194/acp-18-8995-2018 |
| [7] | Sun Y, Song T, Tang G Q, et al. The vertical distribution of PM2.5 and boundary-layer structure during summer haze in Beijing[J]. Atmospheric Environment, 2013, 74: 413-421. DOI:10.1016/j.atmosenv.2013.03.011 |
| [8] | Zhang Y L, Zhu B, Gao J H, et al. The source apportionment of primary PM2.5 in an aerosol pollution event over Beijing-Tianjin-Hebei region using WRF-Chem, China[J]. Aerosol and Air Quality Research, 2017, 17(12): 2966-2980. DOI:10.4209/aaqr.2016.10.0442 |
| [9] | Li Z Q, Guo J P, Ding A J, et al. Aerosol and boundary-layer interactions and impact on air quality[J]. National Science Review, 2017, 4(6): 810-833. DOI:10.1093/nsr/nwx117 |
| [10] |
张小曳, 徐祥德, 丁一汇, 等. 2013~2017年气象条件变化对中国重点地区PM2.5质量浓度下降的影响[J]. 中国科学: 地球科学, 2019, 62(4): 483-500. 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. |
| [11] | Leng C P, Duan J Y, Xu C, et al. Insights into a historic severe haze event in Shanghai: synoptic situation, boundary layer and pollutants[J]. Atmospheric Chemistry and Physics, 2016, 16(14): 9221-9234. DOI:10.5194/acp-16-9221-2016 |
| [12] | Liu X H, Zhu B, Kang H Q, et al. Stable and transport indices applied to winter air pollution over the Yangtze River Delta, China[J]. Environmental Pollution, 2021, 272. DOI:10.1016/j.envpol.2020.115954 |
| [13] | Cape J N, Methven J, Hudson L E. The use of trajectory cluster analysis to interpret trace gas measurements at Mace Head, Ireland[J]. Atmospheric Environment, 2000, 34(22): 3651-3663. DOI:10.1016/S1352-2310(00)00098-4 |
| [14] |
周敏, 乔利平, 朱书慧, 等. 2013年12月上海市重度污染期间细颗粒物化学特征与输送轨迹影响[J]. 环境科学, 2016, 37(4): 1179-1187. Zhou M, Qiao L P, Zhu S H, et al. Chemical characteristics of particulate matters and trajectory influence on air quality in Shanghai during the heavy haze episode in December, 2013[J]. Environmental Science, 2016, 37(4): 1179-1187. |
| [15] | Chen Y, Xie S D, Luo B. Seasonal variations of transport pathways and potential sources of PM2.5 in Chengdu, China (2012-2013)[J]. Frontiers of Environmental Science & Engineering, 2018, 12(1). DOI:10.1007/s11783-018-1009-z |
| [16] | Jeong U, Kim J, Lee H, et al. Estimation of the contributions of long range transported aerosol in East Asia to carbonaceous aerosol and PM concentrations in Seoul, Korea using highly time resolved measurements: a PSCF model approach[J]. Journal of Environmental Monitoring, 2011, 13(7): 1905-1918. DOI:10.1039/c0em00659a |
| [17] | Fan S H, Gao C Y, Wang L L, et al. Elucidating roles of near-surface vertical layer structure in different stages of PM2.5 pollution episodes over urban Beijing during 2004-2016[J]. Atmospheric Environment, 2021, 246. DOI:10.1016/j.atmosenv.2020.118157 |
| [18] |
王自发, 李杰, 王哲, 等. 2013年1月我国中东部强霾污染的数值模拟和防控对策[J]. 中国科学: 地球科学, 2014, 57(1): 3-14. Wang Z F, Li J, Wang Z, et al. Modeling study of regional severe hazes over Mid-Eastern China in January 2013 and its implications on pollution prevention and control[J]. Science China Earth Sciences, 2014, 57(1): 3-13. |
| [19] | Tang M, Liu Y, He J, et al. In situ continuous hourly observations of wintertime nitrate, sulfate and ammonium in a megacity in the North China plain from 2014 to 2019: temporal variation, chemical formation and regional transport[J]. Chemosphere, 2021, 262. DOI:10.1016/j.chemosphere.2020.127745 |
| [20] | Liu L K, Zhang X Y, Zhong J T, et al. The 'two-way feedback mechanism' between unfavorable meteorological conditions and cumulative PM2.5 mass existing in polluted areas South of Beijing[J]. Atmospheric Environment, 2019, 208: 1-9. DOI:10.1016/j.atmosenv.2019.02.050 |
| [21] | Zhong J T, Zhang X Y, Wang Y Q. Reflections on the threshold for PM2.5 explosive growth in the cumulative stage of winter heavy aerosol pollution episodes (HPEs) in Beijing[J]. Tellus B: Chemical and Physical Meteorology, 2019, 71(1). DOI:10.1080/16000889.2018.1528134 |
| [22] | Lei L, Xie C H, Wang D W, et al. Fine particle characterization in a coastal city in China: composition, sources, and impacts of industrial emissions[J]. Atmospheric Chemistry and Physics, 2020, 20(5): 2877-2890. DOI:10.5194/acp-20-2877-2020 |
| [23] | Wang H, Shi G Y, Zhang X Y, et al. Mesoscale modelling study of the interactions between aerosols and PBL meteorology during a haze episode in China Jing-Jin-Ji and its near surrounding region-part 2: aerosols' radiative feedback effects[J]. Atmospheric Chemistry and Physics, 2015, 15(6): 3277-3287. DOI:10.5194/acp-15-3277-2015 |
| [24] | Liu Q, Jia X C, Quan J N, et al. New positive feedback mechanism between boundary layer meteorology and secondary aerosol formation during severe haze events[J]. Scientific Reports, 2018, 8(1). DOI:10.1038/s41598-018-24366-3 |
| [25] | Oke T R, Mills G, Christen A, et al. Urban climates[M]. New York: Cambridge University Press, 2017. |
| [26] | 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 |
| [27] | Zhong J T, Zhang X Y, Dong Y S, et al. Feedback effects of boundary-layer meteorological factors on cumulative explosive growth of PM2.5 during winter heavy pollution episodes in Beijing from 2013 to 2016[J]. Atmospheric Chemistry and Physics, 2018, 18(1): 247-258. DOI:10.5194/acp-18-247-2018 |
| [28] | Li R, Wang Z Z, Cui L L, et al. Air pollution characteristics in China during 2015-2016: spatiotemporal variations and key meteorological factors[J]. Science of the Total Environment, 2019, 648: 902-915. DOI:10.1016/j.scitotenv.2018.08.181 |
| [29] | Li X, Gao C Y, Gao Z Q, et al. Atmospheric boundary layer turbulence structure for severe foggy haze episodes in North China in December 2016[J]. Environmental Pollution, 2020, 264. DOI:10.1016/j.envpol.2020.114726 |
| [30] |
薛涛, 刘俊, 张强, 等. 2013~2017年中国PM2.5污染的快速改善及其健康效益[J]. 中国科学: 地球科学, 2019, 62(4): 441-452. Xue T, Liu J, Zhang Q, et al. Rapid improvement of PM2.5 pollution and associated health benefits in China during 2013-2017[J]. Science China Earth Sciences, 2019, 62(12): 1847-1856. |
| [31] | Bo X, Xue X D, Xu J, et al. Aviation's emissions and contribution to the air quality in China[J]. Atmospheric Environment, 2019, 201: 121-131. DOI:10.1016/j.atmosenv.2019.01.005 |
| [32] |
彭倩倩, 刘晓环, 杜金花, 等. 青岛冬季霾-沙尘重污染过程PM1理化特征及来源分析[J]. 中国环境科学, 2020, 40(9): 3731-3740. Peng Q Q, Liu X H, Du J H, et al. Physicochemical characteristics and source analysis of PM1 during winter haze-dust pollution event in Qingdao[J]. China Environmental Science, 2020, 40(9): 3731-3740. |
| [33] | Jiang Q, Zhang H D, Wang F, et al. Research on the growth mechanism of PM2.5 in central and eastern China during autumn and winter from 2013-2020[J]. Atmosphere, 2022, 13(1). DOI:10.3390/atmos13010134 |
| [34] | Sun Y L, Du W, Fu P Q, et al. Primary and secondary aerosols in Beijing in winter: sources, variations and processes[J]. Atmospheric Chemistry and Physics, 2016, 16(13): 8309-8329. |
| [35] |
李崇银, 杨辉, 赵晶晶. 大气环流系统组合性异常与极端天气气候事件发生[J]. 大气科学学报, 2019, 42(3): 321-333. Li C Y, Yang H, Zhao J J. Combinational anomalies of atmospheric circulation system and occurrences of extreme weather/climate events[J]. Transactions of Atmospheric Sciences, 2019, 42(3): 321-333. |