近年来，我国中东部地区重污染过程频发，大气污染防治形势日益严峻^[1].以PM_2.5为主导因素的灰霾现象日趋严重，对公众健康和城市景观构成巨大威胁^{[2, 3]}. 2013年1月我国中东部、西南10省区市约100 万km²区域出现持续严重灰霾污染天气，京津冀地区特别是北京地区在1月遭受了严重的空气污染^{[4, 5]}. 1月北京发生4次连续重污染过程(AQI>200 连续2 d及以上)，其中以1月中旬初(9日至15日)重污染过程最为严重，引发国内外学者广泛关注.

国内外已有很多研究,分析不同地区空气重污染现状及其影响因素，Davis等^[6]指出短时间内大尺度环流形势和局地气象条件对重污染过程起着决定作用；Flocas等^[7]分析了4 类大气环流形势和 5 类局地环流对污染状况的影响；苏福庆等^[8]指出边界层中气象因子梯度分布影响着污染物的汇聚、输送和扩散；任阵海等^[9]发现持续的逆温层和干结的暖空气盖是造成污染的重要原因；陈朝晖等^[10]对北京地区天气型与 PM₁₀的质量浓度的关系进行了研究，发现PM₁₀质量浓度在上升、峰值和下降阶段对应的天气形势分别为大陆弱高压场、相继出现的弱低压场和高气压梯度场；王莉莉等^[11]研究北京2010年一次污染特征发现重污染过程中大气边界层在91%的时段低于500 m，连续静稳的天气形势和区域污染是导致此次霾发生和持续的主要原因；周敏等^[12]研究2013 年 1 月中国中东部大气重污染期间上海颗粒物的污染特征，发现能见度小于 10 km 的累计时间长达 284 h，NO^-₃和SO^2-₄的生成效率较高，灰霾期间机动车的污染较明显；余纬等^[13]以珠江三角州地区(珠三角)2009 年11月23日至29日一次重空气污染过程为例，研究发现前期高压脊带来的稳定层结和静小风条件使得大气污染物逐日累积，难以扩散.这些研究多基于日均值或单站点研究污染现状、特征及其与气象的关系，对数值模拟技术应用到重污染研究外来源输送的影响较少.

数值模拟技术作为一种有效的手段被广泛应用到大气边界层和空气污染输送扩散的研究中^{[14, 15]}，空气质量数值模型在国内外 PM_2.5预测预报及污染研究中得到了广泛应用，尤其是第3代区域空气质量模式 Model-3^{[16, 17]}.现采用污染物监测资料和地面、高空观测气象资料与数值模拟相结合的方法，分析北京市2013 年1月9日至15日的一次典型空气重污染过程，以揭示该次过程的污染特征及其成因并定量评估不同大气物理和化学过程特别是外来源输送对北京 PM_2.5浓度变化的影响，以期为今后这一地区空气质量改善提供科学依据. 1 材料与方法

2013年1月9日至15日北京出现了一次典型 PM_2.5重污染过程，采用观测资料和空气质量、轨迹模式对9日至15日的污染变化过程、成因及其影响因素开展研究.

研究采用的Models-3(third-generation air quality modeling system)^[18]模式系统由中尺度气象模式WRF、源排放模式SMOKE和空气质量模式CMAQ(community multiscale air quality modeling system)三部分组成.空气质量模式CMAQ中心网格点坐标设置为35°N、110°E，采用双向嵌套技术，水平分辨率为36 km及12 km，第一层网格数为200×160个，模拟区域覆盖整个东亚地区(包括了中国、日本、韩国、朝鲜等国)；第二层网格数120×102，覆盖华北地区(包括京津冀、山东、河南等地)，使用兰博托地图投影，标准纬线为24°N和46°N. 垂直方向均分为不等距20层粗网格，其中8层分布于1 km 以下，分辨率较高以便更好地描述大气边界层结构，地面层高度约35 m. 模拟时间为2013年1月，第一次运行时模拟5 d初始场，后续模式初始场采用前一时次的模拟输出，以保证污染源排放的累积效果及消除初始条件的影响.

采用ARW-WRF3.2^[19]模拟气象场，WRF模式的中心点坐标设为35°N、110°E，双向嵌套，水平网格距为36 km及12 km，与CMAQ模式对应；垂直层次均为35 层，外层嵌套为内层提供边界条件；气象背景场和边界资料为NCAR(National Center for Atmospheric Research )和NCEP(National Centers for Environmental Prediction)的再分析逐日资料，GFS分辨率为1°×1°，时间分辨率是6 h；地形和下垫面输入资料分别来自USGS 30 s全球地形和MODIS下垫面分类资料；使用气象化学界面处理模块MCIP(Meteorology-Chemistry Interface Processor) WRF的输出结果插值到CMAQ模型区域和网格上并转为CMAQ可识别接收的格式.运用陆地生态系统估算模型MEGAN^[20]处理天然源，人为源数据则来自2006年 INTEX-B 0.5°×0.5°的污染源清单^{[21, 22]}和北京市大气污染物排放清单，物种包括 NO_x、VOCs、CO、SO₂、PM₁₀和 NH₃，将处理好的天然源、人为源共同输入SMOKE排放源模型中，生成系统的排放源文件.

研究采用轨迹模式HYSPLIT进行后推气流轨迹模拟，版本为4.9(http： //ready.arl.noaa.gov/HYSPLIT.php),是由美国国家海洋大气中心(NOAA)Draxler等^[23]开发的供质点轨迹、扩散及沉降分析用的综合模式系统.气象数据来自GDAS数据库(ftp： //arlftp.arlhq.noaa.gov/pub/archives/gdas1)，分辨率为1°×1°，每次的后向延伸时间为36 h，轨迹模拟起始高度设定为 0、500、1500 m．

PM_2.5观测数据为北京市环境保护监测中心发布的11站点逐时平均浓度数据；气象资料为与PM_2.5相对应的北京市观象台地面观测资料、探空资料. PM_2.5组分数据则为北京市环境保护监测中心综合观测实验平台分析的结果，采用大气PM_2.5水溶性离子在线测量仪(URG-9000B)对水溶性离子Na⁺、Mg²⁺、Ca²⁺、K⁺、NH₄⁺、Cl^-、SO₄^2-、NO₃^-、PO₄^3-进行在线观测，其化学成分分析系统主要为两台离子色谱仪，均为美国DIONEX公司的Dionex ICS-90 型离子色谱仪，在线观测的时间分辨率为15 min，为便于分析，将15 min数据平均成小时均值；使用在线OC/EC分析仪分析PM_2.5中子有机碳元素碳浓度，时间分辨率为60 min；组分观测结果对进一步了解北京大气细颗粒物污染过程具有重要作用.观测站点位置及分类如图 1.

图 1

Fig. 1

图 1 观测站点分布和分类 Fig. 1 Distribution and classification of observation sites

为了检验模式预报性能，采用散点图和计算模拟值与监测值相关系数的方法^[24]验证CMAQ模型的模拟值(见图 2)，计算标准化平均偏差(NMB)、标准化平均误差(NME)、均方根误差(RMSE)^{[25, 26]}以评估模拟结果与实测值的吻合程度.

研究采用情景模拟分析的方法计算区域源排放对同一受体点的污染贡献率，计算公式如下：

在进行WRF输出结果验证时，由于缺乏气象站点观测数据，本研究只选取了北京市观象台发布的小时数据进行模拟验证，表 1为2013年1月9日至15日地面10 m风速、2 m温度、海平面气压、相对湿度模拟值与实测值比对，并计算了观测及模拟的平均值、相关系数、标准平均偏差(NMB)和均方根误差(RMSE)来评估模拟结果与实测值的吻合程度.可以看出模拟的地面风速比实测值略高，其它三变量略低，相关系数在0.59-0.94之间，地面气压相关系数最高，达0.94；统计的RMSE均在15以下表明模拟值与实测值吻合度较高；Zhang等^[30]运用MM5在中国地区的模拟结果温度的NMB和R分别为-34%--3%和0.6-0.9、风速的NMB和R分别为40%-156.2%和0.4-0.6；Wu等^[31]运用MM5在美国北卡罗来纳州的模拟结果为风速的均方根误差介于1.8-2.0之间；本研究模拟结果与Zhang等、Wu等基本一致，模式模拟的误差可能与模式分辨率及地形、下垫面资料有关.

表 1(Table 1)

表 1 气象参数的观测值和模拟值的统计参数 Table 1 Statistical parameters for the observed and simulated values of meteorological variables 项目 样本量/个 模拟值 实测值 R NMB/% RMSE 地面风速/m·s-1 160 1.68 1.64 0.65 5.01 1.06 气压/hPa 160 1020.37 1021.20 0.94 -2.12 1.13 相对湿度/% 160 73.82 74.56 0.59 -1.36 14.07 温度/℃ 160 -4.89 -4.45 0.71 -13.25 2.01

表 1 气象参数的观测值和模拟值的统计参数 Table 1 Statistical parameters for the observed and simulated values of meteorological variables

图 2为2013年1月9日至15日PM_2.5、PM₁₀模拟值与监测值的时间序列，可以看出模拟值与监测值有良好的时间变化趋势；模拟值整体上略偏低，这可能与模式分辨率及所采用的源清单有关，模式垂直分辨率难以反映污染物的精细空间结构，排放源清单有待更新.

图 2

Fig. 2

图 2 模拟值与监测值的对比 Fig. 2 Comparison between observed and simulated data

在时间序列图分析的基础上，与WRF输出结果验证类似，进一步统计了观测及CMAQ模拟值的标准平均偏差(NMB)、标准平均误差(NME)、平均相对偏差(MFB)、平均相对误差(MFE)和相关系数R，结果见表 2.经计算ρ(PM_2.5)、ρ(PM₁₀)模拟值与监测值的相关系数分别为0.78、0.85，MFB分别为-20.32%、-21.58%，MFE分别为35.02%、28.83%，与Boylan等^[32]设定的模拟颗粒物结果较好的标准(MFB≤±60%和MFE≤75%)较一致，同时与EPA推荐的评价标准^[33]较一致，模拟结果误差在可接受范围内，保证了 PM_2.5污染特征与形成过程分析结果的可靠性.进一步的模拟结果验证^[34]表明模拟值符合模式与源空间分辨率特征，模拟结 果基本反映了重污染过程及持续态势；可以满足研究需要.

表 2(Table 2)

表 2 CMAQ模拟值与监测值的统计结果 Table 2 Statistical results of observed and simulated data of CMAQ 项目 样本量/个 R NMB/% NME/% MFB/% MFE/% ρ(PM10) 165 0.85 -9.39 22.24 -21.58 28.83 ρ(PM2.5) 162 0.78 -11.25 25.67 -20.32 35.02

表 2 CMAQ模拟值与监测值的统计结果 Table 2 Statistical results of observed and simulated data of CMAQ

北京市2013年1月9日至15日的一次典型空气重污染过程逐日AQI与实测天气状况变化见表 3.从中可见，空气质量从9日的二级跳至10日五级重度污染，11日至13日空气质量连续3 d严重污染，14日降为重度污染，15日转为轻度污染，至此重污染过程结束. 此次重污染过程ρ(PM_2.5)为323μg ·m^-3，11日至13日空气污染最为严重，12日ρ(PM_2.5)达到了459μg ·m^-3，这3天也是风速较低、相对湿度较高的时期，低风速不利于污染物扩散，高相对湿度有利于气态污染物向颗粒物的二次转化，污染会进一步加重^{[25, 26]}.期间500 hPa高度场3次浅槽过境，高空以偏南、偏西气流为主，地面天气形势以均压、低压、高压底部为主，少云无明显降水，高空云量较少，整体来说这种不利于污染物扩散的高低空天气形势的配合会导致区域性连续静稳天气出现，抑制了污染物的快速消散，从而为大气污染的形成及维持提供了稳定的大气环境背景^{[35, 36, 37]}.

表 3(Table 3)

表 3 9日至15日AQI与逐日天气状况 Table 3 Variation of AQI and weather condition during January 9th-15th in 2013 项目 时间(月-日) 01-09 01-10 01-11 01-12 01-13 01-14 01-15 AQI 80 267 376 473 419 287 133 ρ(PM2.5)/μg·m-3 59 216 325 459 378 237 101 地面气压场 高压 均压转低压 低压转均压 高压底部 均压 高压底转低压 低压转高压前 500 hPa高度场 槽后 浅槽 偏西气流 浅槽 偏西北气流 浅槽 偏西北气流 地面平均风速/m·s-1 2.02 1.39 1.64 1.46 1.44 1.41 1.86 平均相对湿度/% 35 68 69 82 73 76 73 24 h降雨量/mm 0 0 0 0 0 0 0.1

表 3 9日至15日AQI与逐日天气状况 Table 3 Variation of AQI and weather condition during January 9th-15th in 2013

重污染过程10日至15日北京市ρ(PM_2.5)及相应时间段的气象要素的日变化见图 3.从中可见，10日至14日ρ(PM_2.5)基本在150μg ·m^-3以上，12日夜间至13日凌晨最高，最高值约600μg ·m^-3；ρ(PM_2.5)高值正好发生在风向转换的时候，在污染物浓度的较高阶段，均出现了风向的“南转东北”及“西南转东北”的现象，与其他研究结果一致^{[38, 39]}；11日与13日凌晨正好对应地面天气形势为均压场控制， 近地层低风速、高湿度配合低空风向转换有利于污染长时间持续.计算重污染过程期间平均风速为1.47 m ·s^-1，相对湿度较大，平均为73.6%；地面气压变化较为平稳，平均为1021.5 hPa，24 h平均变压为-3.65-2.63 hPa，平均为-0.71 hPa，负变压导致周边污染物的汇聚；地面温度平均温度为-4.88℃，24 h变温基本为-2.72-2.68℃，平均为0.15℃，为弱正变温.

图 3

Fig. 3

图 3 实测污染物浓度与气象条件的变化 Fig. 3 Variation of the measured pollutant concentrations and meteorological conditions

重污染过程期间以偏南风和偏东风为主，两者风频之和约占80%，西南风引起的周边高浓度污染物传输到北京上空后，由于北京特殊的地理位置，北面山脉阻挡，污染气团在城市上空移速减慢，污染物主要积聚在山前无法疏散，一段时间后风向突然间转为东北风，由于弱的偏东北气流输送对污染物没有明显清除作用反而会带来足够的水汽和引起高浓度污染物回流，加重了空气污染.经计算相对湿度与ρ(PM_2.5)正相关系数最大为0.4；地面气压与ρ(PM_2.5)负相关系数最小，为-0.55；温度与ρ(PM_2.5)没有明显的相关关系，但温度呈现明显的日变化，白天温度较高，夜间地表辐射冷却，这样的温度日变化有利于维持边界层稳定的结构^{[5, 40]}.

图 4为实测10日至14日探空观测的北京市观象台08：00和20：00温廓线.从中可见，此次重污染期间出现了明显的逆温现象，11日20：00为贴地逆温，逆温强度约2.8℃/100 m，其他4 d 20：00均为高空逆温，平均逆温强度0.89℃/100 m；1000 m以下12日20：00逆温强度最大，大气层结较稳定，逆温厚度将近800 m，结合图 3，该时间段正好对应ρ(PM_2.5)上升阶段.1月14日，近地层逆温逐渐减弱，高空逆温仍然存在，污染物浓度下降缓慢；15日受冷空气过境影响，大气边界层遭到破坏，逆温类型为锋面逆温.

图 4

Fig. 4

图 4 10日至15日20：00观象台实测温度廓线 Fig. 4 Temperature profile at Guanxiangtai during January 10th-15th

图 5为WRF模拟的12日至13日观象台风场、RH及PBL垂直分布，可以看出模拟的边界层高度均在800 m以下，最低仅100 m，较低的边界层高度限制了污染物的有效扩散. 与图 1及表 2相结合可以看出10日北京及周边污染物浓度逐步积累；11日凌晨至午后北京处于弱低压、均压控制，细颗粒物在低空汇聚，在偏南风作用下，保定-石家庄-邢台一线高浓度PM_2.5逐步输送到北京，浓度逐步上升；傍晚至夜间北京北部山区出现非常弱的小高压，20：00地面风场转为弱东北风，浓度略微有些降低；12日北京地面仍为偏南风，高空偏西-西南气流，京津冀整片区域为重度污染，白天PM_2.5浓度维持在200μg ·m^-3以上，夜间逆温强度增大(图 4)，污染物在太行山前地区积聚的同时，通过物理、化学过程转化，浓度会进一步升高，在偏南风输送下，浓度暴发性增长；12日夜间偏东气流导致污染回流，浓度逐渐到达高值，持续的弱东北气流导致污染浓度逐渐下降，14日起浓度缓慢下降. 在此过程中西南气流一方面增加了市区上空的污染物浓度，另一方面又将西南暖而湿的空气带入北京上空，与低空相对冷气团形成逆温，且模拟的结果显示地面湿度较大，1000 m以上相对湿度逐渐减小，这样形成中层干暖低层湿冷的干暖盖结构，这是重污染日形成的典型大气垂直结构^{[4, 41]}.

图 5

Fig. 5

图 5 12日至13日观象台风场、RH及PBL垂直分布 Fig. 5 Vertical distribution of wind farm,RH and PBL at Guanxiangtai during January 12th-13th

一般来说北京山区山体海拔多在800 m左右，当夜间平原发生逆温时，其逆温层的顶部往往和山高处在同一高度，由于逆温污染作用使逆温层底部升温较慢，而白天山体加热使逆温层顶的温度进一步升高，这样出现高空气温比低空气温更高，白天逆温层不仅不易破坏还有可能加强.持续逆温引起的上暖下冷的温度层结不利于污染物的垂直扩散，从而使水汽和污染物在低层堆积^[5]. 逆温层的持续存在是此次重污染维持的主要因素^[42]，近地层的逆温有利于灰霾的形成.

图 6为此次重污染过程前后观象台站点不同时刻不同高度36 h后向轨迹及区域PM_2.5模拟结果.结合图 3可以看出，10日观象台站点低空10 m、500 m高度气团来自站点偏南方向，1500 m高度气团为偏西气流；随着污染的加剧，3个高度36 h后向轨迹均为偏南方向，来自河北、山东西部、河南北部的污染气团进入北京；15日高压系统影响北京后，来自西北方向高空清洁气团进入北京，低空则为偏东北气团，受高压反气旋影响，PM_2.5浓度逐渐下降. 后向轨迹路径基本反映重污染过程期间北京周边污染物输送作用对北京PM_2.5浓度的影响.

图 6

Fig. 6

图 6 观象台不同时刻、不同高度 36 h后向轨迹 Fig. 6 Backward trajectories (36 h) of Guanxiangtai at different time and height

由于气团轨迹不能充分反映污染物的输送、转化及清除规律，研究采用情景模拟分析的方法计算外来源排放对北京不同时间的贡献浓度，见图 7. 从中可知，重污染过程期间外来源对北京PM_2.5贡献浓度呈现明显的时空变化.重污染前期，10日北京受周边污染影响较小，周边污染源对北京贡献浓度大部分在20 μg ·m^-3以下，随着重污染过程的持续，外来源对北京的贡献浓度由南至北呈现出明显的增长趋势，最大的南部大兴通州等地区贡献浓度可达120 μg ·m^-3以上，北部的延庆、密云等大部分地区也在60 μg ·m^-3以上；15日凌晨随着西北高压东移南伸，污染物快速迁移扩散，外来源对北京的贡献浓度快速下降.

图 7

Fig. 7

图 7 外来源贡献浓度的空间分布 Fig. 7 Spatial distribution of external source contributions

统计结果显示(表 4)重污染过程10日至14日期间，外来源对北京11站点贡献浓度达到72.66-126.50 μg ·m^-3，对11站点贡献率为53%-69%，平均为59%，表明此次重污染过程区域输送对于北京PM_2.5起着更为重要的作用.

表 4(Table 4)

表 4 重污染过程期间外来传输对不同站点 PM2.5的贡献 Table 4 Contributions of external transmission to different sites during the heavy pollution 项目 定陵 东四 天坛 官园 万寿西宫 奥体中心 农展馆 万柳 顺义新城 昌平镇 怀柔镇 贡献浓度/μg·m-3 72.66 115.71 117.00 113.91 112.36 102.40 126.50 105.73 99.69 73.25 74.14 贡献率/% 65.00 56.00 55.00 54.00 53.00 56.00 61.00 52.00 62.00 65.00 69.00

表 4 重污染过程期间外来传输对不同站点 PM2.5的贡献 Table 4 Contributions of external transmission to different sites during the heavy pollution

此次重污染过程外来源对北京PM_2.5贡献率统计结果与其他研究结果(表 5)具有一定的可比性，其他学者研究结果显示外来源对北京PM_2.5贡献率在22%-70%之间. 由于缺乏不同地域、长时间序列PM_2.5及其主要组分的跨区域输送规律研究，且模式的空间分辨率、排放源清单、模型参数的设置及计算方法的不同都会导致模拟结果的差异，是造成该研究中北京外来源贡献率与其他研究中存在差异的主要原因.

表 5(Table 5)

表 5 外来源对不同地区贡献率比较 Table 5 Contributions of external transmission to different districts 模拟时间 模型 地区 贡献率/% 文献 2013年全年 CAMx 京津冀 22 [43] 2013 年 1 月 NAQPMS 京津冀 20-35 [44] 2008 年 8月 CMAQ 北京 50-70 [27] 2007年12月 CMAQ 石家庄 65 [45] 2010年11月 CAMx 上海 50 [46] 2012年12月 CAMx 广州市 69 [47] 2013年春季 CMAQ 青岛 30 [48]

表 5 外来源对不同地区贡献率比较 Table 5 Contributions of external transmission to different districts

笔者进一步分析了污染期间PM_2.5化学组成及转化特征，见图 8.观测结果显示此次污染过程中PM_2.5主要组分 NO^-₃、SO^2-₄、NH⁺₄质量浓度分别为(17.17±10.08)、(64.37±19.27)、(25.45±11.33) μg ·m^-3，3种无机组分离子主要由气态前体物的二次反应生成，3种无机组分之和约占PM_2.5浓度的62%，SO^2-₄占PM_2.5浓度最高为39%，NO^-₃/SO^2-₄平均约为26%，较低的NO^-₃/SO^2-₄比值表明固定源污染较机动车更显著^[49]，而SO^2-₄占PM_2.5浓度最高表明冬季区域采暖燃煤量较大，SO₂大量转化为SO^2-₄；为了评价 SO^2-₄和NO^-₃的生成速率，研究采用硫转化率SOR=[SO^2-₄]/([SO^2-₄]+[SO₂])和氮转化率NOR=[NO^-₃]/([NO^-₃]+[NO₂])来表征^[50]，其中各物质单位采用mol ·L^-1. 污染过程期间，SOR、NOR分别为
0.27±0.061、0.089±0.036.相对较低的NOR和较高的SOR表明PM_2.5中存在明显的二次污染且二次粒子特别是SO^2-₄的贡献较大，这可能与污染期间大气湿度较高，有利于多相生成及区域传输引起的二次生成有关，区域输送到北京的一次污染气体在大气颗粒物表面通过非均相反应转化生成硫酸盐和硝酸盐等二次气溶胶，对重污染形成起到了促进作用^[51].

图 8

Fig. 8

图 8 污染期间 PM2.5化学组成及转化特征 Fig. 8 Transformation characteristics and chemical composition of PM2.5 during the heavy pollution

(1)此次重污染过程空气质量从9日的二级跳至10日五级重度污染，11日至13日空气质量维持连续3 d严重污染，14日降为重度污染，15日转为轻度污染，重污染过程结束；10日至14日重污染过程期间细颗粒物平均浓度为323μg ·m^-3，平均风速为1.47 m ·s^-1，平均相对湿度为73.6%；24 h变温基本为-2.72-2.68℃，24 h平均变压为-3.65-2.63 hPa.

(2) 此次重污染过程与当地气象条件密切相关，稳定的大气环流形势为污染提供了持续稳定的大气环境背景，风速较小、湿度较大、边界层较低、持续逆温是造成重污染的主要原因.

(3)进一步的分析表明区域传输对北京地区受体点PM_2.5贡献率在53%-69%之间且存在明显的二次转化，总体看来此次重污染过程区域输送起着更为重要的作用.

(4)气象条件对持续性重污染的形成和破坏起到了关键性的作用，因此需要加强对重污染预警预报研究，以有效预防和控制空气重污染.