环境科学  2018, Vol. 39 Issue (6): 2548-2556   PDF    
引用本文
蔡子颖, 韩素芹, 张敏, 姚青, 刘敬乐. 天津地区污染天气分析中垂直扩散指标构建及运用[J]. 环境科学, 2018, 39(6): 2548-2556.
CAI Zi-ying, HAN Su-qin, ZHANG Min, YAO Qing, LIU Jing-le. Construction and Application of Vertical Diffusion Index for Analyzing Weather During Pollution Events in Tianjin[J]. Environmental Science, 2018, 39(6): 2548-2556.
天津地区污染天气分析中垂直扩散指标构建及运用
蔡子颖1,2, 韩素芹2, 张敏1, 姚青1, 刘敬乐2     
1. 天津市气象科学研究所, 天津 300074;
2. 天津市环境气象中心, 天津 300074
收稿日期: 2017-08-29; 修订日期: 2017-11-29
基金项目: 国际科技合作项目（2015DFA20870-02）；国家自然科学基金项目（41771242）；中国气象局预报员专项（CMAYBY2016-005）；环境保护公益性行业科研专项（201409001）；国家科技支撑计划项目（2014BAC16B04，2014BAC23B01）
作者简介: 蔡子颖(1984~), 男, 硕士研究生, 主要研究方向为大气物理与大气环境, E-mail:120078030@163.com
摘要: 基于255 m气象塔风、温和PM2.5质量浓度数据获取天津地区大气稳定度特征，利用中尺度大气化学模式构建垂直扩散指数β和φ，开展天津地区污染天气预报中垂直扩散分析方法的研究，以期提高天津地区重污染天气预报预警准确率.结果表明，综合运用大气稳定度、基于边界层平均PM2.5质量浓度与近地面PM2.5质量浓度比值构建的垂直扩散指数β，基于数值模式chemdiag功能（以CO为示踪物）构建的垂直扩散指数φ，可以在污染天气预报中较好的进行大气污染物垂直扩散能力分析.当07：00~08：00和18：00~20：00大气稳定度为D及以上时，相比大气稳定为C及以下时，出现重污染天气的概率成10倍的增加；使用垂直扩散指数β和风速双重指标判断重污染天气，比单一的风速指标判断准确率提升67%；垂直扩散指数φ与近地面PM2.5质量浓度相关系数达到0.8，当垂直扩散指数φ小于0.52时，重污染天气概率75%，可识别59%的重污染天气.
关键词: 污染天气分析      垂直扩散指标      大气稳定度      天津      数值模拟     
Construction and Application of Vertical Diffusion Index for Analyzing Weather During Pollution Events in Tianjin
CAI Zi-ying1,2 , HAN Su-qin2 , ZHANG Min1 , YAO Qing1 , LIU Jing-le2     
1. Tianjin Meteorological Institute, Tianjin 300074, China;
2. Tianjin Environmental Meteorological Center, Tianjin 300074, China
Abstract: Based on temperature and wind speed data from the 255 meter tall meteorological tower, the characteristics of atmospheric stability were analyzed in Tianjin, with the vertical diffusion index β and φ constructed by atmospheric chemical models. This provided information to use the vertical dispersion analysis method to forecast pollution from weather data. The results show that the comprehensive use of atmospheric stability and the vertical diffusion index can provide a better pollution forecast. When the atmospheric stability was D from 07:00-08:00 and 18:00-20:00, compared to when atmospheric stability was C, the probability of heavy pollution weather increased by 10 times. If the vertical diffusion index β and wind speed index were used to forecast heavy pollution, the accuracy rate was 67% higher than when using the single wind speed index. The coefficient between vertical diffusion index φ and PM2.5 mass concentration was 0.8.When the vertical diffusion index φ was less than 0.52, the probability of heavy pollution was 75%, identifying 59% of heavy pollution events.
Key words: pollution weather analysis      vertical diffusion index      atmospheric stability      Tianjin      numerical simulation     

近年来大气环境问题已严重影响到人民群众的健康[1, 2], 受到各级政府和气象部门的高度关注, 党中央、国务院及地方政府把改善空气质量、控制空气污染作为重要任务.为减轻重污染天气影响, 确保重污染天气应急高效有序进行, 消减污染峰值, 降低污染频次, 保障公众健康, 国务院和各地方政府积极推动重污染天气预警工作开展, 比如天津市政府要求市环保局和气象局联合组织开展本市重污染天气监测预警和会商工作.基于上述的现实需求, 重污染天气预报预警成为气象部门重要业务之一.污染天气预报可分为潜势预报[3]、主观天气分析预报[4]、统计预报[5]和数值预报[6~10]等, 无论哪一种预报都需要从排放源、水平扩散、垂直扩散和化学反应等4个方面去考虑大气污染物的变化规律, 其中垂直扩散条件分析是污染天气预报的重要一环, 如果大气垂直扩散条件较好, 即时水平风场较弱, 也不易产生污染, 但当大气垂直扩散条件较差时, 水平扩散条件些许转差都有可能导致污染天气出现.如研究者对2013年1月雾、霾天气成因分析时均认为逆温频繁地出现是其重要的气象原因[11~13].对大气垂直扩散能力, 监测方法包括气溶胶激光雷达[14]、气象塔[15]、系留气艇[16]、涡动相关[17]等, 最常用指标为混合层厚度[18~22]、大气稳定度[23, 24]、理查森数[25]、温度层结[26, 27]和湍流动能等, 其中大气稳定度是对热力湍流和机械湍流的一个综合表征, 由于其计算便捷、意义明确, 其指标经常在污染天气分析中用作参考, 如杨静等[28]的研究显示乌鲁木齐F类稳定度的出现频率与API相关系数0.80, 是一个比较好的空气污染潜势预报因子; 国家气象中心静稳指数指标计算时, 认为理查森数大于0.25时, 大气处于稳定层结, 指标权重为2, 污染气象条件趋向于不利于污染物扩散.天津位于渤海岸西侧, 2016年全年PM2.5质量浓度69 μg·m-3, 在全国参与排名的74城市中位列58位, 全年轻度及以上污染天气140 d, 其中重污染天气29 d, 空气质量预报和重污染天气预警是其《大气污染防治行动计划》执行的重要环节之一.目前天津市气象局和天津市环境保护局每日保持4次会商, 联合制作空气质量预报并加强重污染天气预警.本文一方面以城市边界层观测站255 m气象塔风速、温度廓线和净辐射数据为依托, 获取天津地区大气稳定的分布特征, 并在此基础上讨论污染天气预报中大气稳定度资料运用方法; 另一方面以255 m气象塔实测的塔层高度PM2.5质量浓度监测数据为基础, 提出大气垂直扩散指数β的概念, 依托大气化学数值模式构建天津地区大气垂直扩散指数β数据集, 讨论污染天气预报中垂直扩散指数β的运用方法; 此外还发挥大气化学数值模式WRF/Chem新近开发的chemdiag功能优势, 以CO为示踪物, 建立大气垂直扩散指数φ, 分析污染天气预报中垂直扩散指数φ的运用方法.最终通过大气稳定度、垂直扩散指数β和垂直扩散指数φ, 系统性开展污染天气预报中垂直扩散条件的分析, 通过提升天津重污染天气垂直扩散指标分析能力, 提升天津地区重污染天气预报预警水平.

1 材料与方法 1.1 监测数据和大气稳定度计算

监测数据分为3个部分, 其中大气化学模式检验数据来自天津市环境监测中心发布的27个站逐小时PM2.5质量浓度监测数据, 时间为2015年10月~2017年2月; 天津城区PM2.5质量浓度变化为天津环境监测中心6个城区站的平均值, 时间为2015年10月~2017年2月; 城区PM2.5质量浓度垂直监测数据为天津城市边界层观测站(39.04°N, 117.12°E)255 m气象塔地面、40、120和220 m平台监测逐小时PM2.5质量浓度, 观测仪器热电RP1400, 时间为2010年的1、5、7和10月; 大气稳定度计算方法分为两种, 一是ΔT与风速(v)组合法, 数据来自天津城市边界层观测站(39.04°N, 117.12°E)255 m气象塔气象梯度观测系统, 具体计算方法见表 1, 其中A为强不稳定, B为不稳定, C为弱不稳定, D为中性, E为较稳定, F为稳定(下同), 时间为2015年10月~2017年2月; 二是净辐射法, 数据来自天津城市边界层观测站四分量辐射观测系统, 仪器为荷兰Kippzonen公司的CNR1, 具体方法见表 2.

表 1 ΔT和v组合法确定稳定度的分类标准 Table 1 Calculating stability classification by ΔT and v

表 2 净辐射法确定稳定度的分类标准 Table 2 Calculating stability classification by net radiation

1.2 模式设置

为获取天津地区混合层内PM2.5积分浓度与近地面浓度的比值, 采用WRF/Chem模拟2015年10月~2017年2月天津地区逐时PM2.5质量浓度.模式版本采用WRF/Chem3.5.1, 气相化学过程采用CBMZ机制, 气溶胶过程采用MOSAIC模型, 主要物理过程设置如下:积云对流方案采用Grell-3D, 微物理过程采用WSM5, 长波辐射方案和短波辐射方案均采用RRTMG, 边界层方案分别使用YSU方案, 模式水平分辨率15 km, 水平网格121×121, 中心经纬度为39N°, 117E°, 垂直方向分为41层.模式的人为排放源清单使用清华大学MEIC 2012[29~31], 分辨率0.25°×0.25°, 在天津地区使用27个空气质量监测站实况数据和相关排放源统计信息进行时空的细化, 气象初始场和背景场均使用NECP的FNL全球1°×1°数据.模拟时间段PM2.5均值72.57 μg·m-3, 实况均值76.90 μg·m-3, 相关系数0.81, 相对误差29.1%, 大气化学模式模拟的PM2.5趋势与实况基本一致(图 1), 数值接近.

图 1 2015年10月~2017年2月天津地区PM2.5质量浓度模拟值与观测值对比 Fig. 1 Comparison between simulated and observed data for PM2.5 mass concentration in Tianjin from October 2015 to February 2017

2 结果与讨论 2.1 天津地区大气稳定度分布以及与PM2.5关系

基于255 m气象塔观测数据采用ΔT和v组合法计算天津大气稳定度. 图 2显示2016年天津地区大气强不稳定层结占比9.5%, 不稳定层结占比10.0%, 弱不稳定层结占比21.3%, 中性层结占比44.9%, 较稳定层结占比12.1%, 稳定层结占比2.3%.其中稳定层结发生概率(E和F)呈现单峰结构, 4~8月为全年谷值, 10月到次年3月稳定层结概率明显增加. 2015年10月~2016年2月大气稳定层结发生概率17.6%, 2016年10月~2017年2月略有增加为18.0%, 相比2016年全年均值多34%, 是4~8月平均值的1.2倍, 秋冬季稳定大气频率出现, 导致上述时间段大气污染垂直扩散能力下降明显, 雾、霾和重污染天气发生频率增多.大气稳定度划分方法很多, 常见的有帕斯奎尔分类法(《环境影响评价技术导则》推荐的便是这类方法), 此外还有温度递减率法、风向涨落法、ΔT和v组合法、风速比与风速廓线法和Smith诺模图等. 图 1显示为ΔT和v组合法计算结果, 其相对于帕斯奎尔分类法, 或者更精确一点的净辐射法, 由于采用实测的垂直温差, 对热力湍流反映更为准确, 从原理上方法具有一定优势, 但其数据计算依赖气象塔观测, 获取较为困难, 所以在文献[32]中推荐修正的帕斯奎尔分类法.帕斯奎尔分类法最大的优势是数据获取便捷, 核心是通过云和太阳高度角反映到达地面的辐射情况, 从而对热力湍流进行准确描述, 结合风速反映的机械湍流状况, 综合机械湍流和热力湍流共同反映大气稳定度.从原理上有两个缺点, 一是地面太阳辐射状况并不能完全反映热力湍流状况, 所以ΔT和v组合法计算结果比帕斯奎尔分类法更有优势; 二是云和太阳高度角组合表征的地面辐射状况与实测相比有一定误差, 比如除了云以外, 气溶胶对到达地面太阳辐射也有显著影响, 所以净辐射方法从原理上虽然与帕斯奎尔分类法类似, 但其计算结果还是略有优势.基于天津城区边界层观测站地面逐小时长波和短波辐射数据, 根据净辐射法辨识天津城区大气稳定度分布, 与ΔT和v组合法得到的大气稳定度相关系数为0.68, 但由于其划分标准不同, 其分布特征存在显著的差异.净辐射法显示2016年天津地区大气处于强不稳定状态时占0.24%, 处于不稳定状态占13.6%, 处于弱不稳定状态占8.8%, 处于中性状态占31.3%, 处于较稳定状态占14.6%, 处于稳定状态占31.4%, 两种分布差异主要在于A和F的判断, 从数据显示夜间用净辐射法仍然不能区分不同天气热力湍流的差异, 大部分时刻被归于了稳定层结, 实际有部分时刻大气应处于弱不稳定、中性和较稳定层结; 白天对于强不稳定的状态, 净辐射法580 W·m-2的划分标准可能过于严格.比较而言可以做出两个推论, 一是对于天津地区ΔT和v组合法无论从原理还从实际分布上均更为合理, 对大气稳定层结区分度更强.二是由于方法不同, 大气稳定度的划分有较大的差异, 在研究中关于大气稳定度建模和预报产品的方法必须统一.本文中关于大气稳定度的划分均基于ΔT和v组合法.

图 2 2015年10月~2017年2月天津地区大气稳定度分布特征 Fig. 2 Distribution of atmospheric stability in Tianjin from October 2015 to February 2017

2015年10月~2017年2月天津地区监测数据显示(表 3), 大气稳定度与全天PM2.5质量浓度关系在不同时刻有不同关系.一般而言, 夜间18:00~次日07:00, 大气稳定度为E及以上时, PM2.5质量浓度会显著地高于平均状态, 白天08:00~16:00, 大气稳定度为D及以上时, PM2.5质量浓度会显著地高于平均状态.污染天气分析时21:00~次日02:00, 大气稳定度为E及以上时, 04:00~09:00和16:00~20:00大气稳定度为D及以上时重污染天气出现的概率会显著增加, 尤其在早晨和傍晚, 大气层结转化过程中, 如果07:00和08:00大气稳定度为D时, 出现重污染概率为30%和37%, 但如果大气由稳定层结转化为弱不稳定层结较快, 即07:00和08:00大气稳定度为C时, 出现重污染天气的概率仅为2%和7%, 18:00~20:00的情况与早晨类似, 具体见表 4.由此表明, 在预报中可以通过早晨和傍晚大气稳定度的分析, 对重污染天气是否发生进行有效预测.

表 3 不同时刻大气稳定度对应的PM2.5均值/μg·m-3 Table 3 Average value of PM2.5mass concentration at different times and levels of atmospheric stability/μg·m-3

表 4 不同时刻大气稳定度对应的重污染天气出现概率/% Table 4 Frequency of heavy pollution at different times and levels of atmospheric stability/%

2.2 天津地区PM2.5质量浓度垂直分布特征

以天津城区南部气象塔地面、40、120和220 m监测的PM2.5质量浓度为研究样本, 对数据进行严格的质量控制, 选取1、5、7和10月的数据分别代表冬、春、夏、秋天津塔层PM2.5的垂直分布.由图 3可知, 由于不同季节大气垂直扩散能力的差异, PM2.5质量浓度塔层垂直分布存在明显的季节差异.冬季(1月)40~220 m的平均衰减为每百米28.7%, 而秋季仅为8.7%, 春季在塔层高度PM2.5基本混合均匀, 地面与220 m PM2.5质量浓度相差小于每百米3%, 夏季由于湍流活动较强, 观测站地表为草地(少扬尘和近地面源), 且城市和周边地区多一些高架源的影响, 白天PM2.5质量浓度甚至出现反转(220 m>120 m>地面), 直到入夜以后, 随着湍流活动的减弱, 上述现象才不明显.对于PM2.5质量浓度日变化规律, 近地面和高空也呈现不同的特征.冬季(1月)近地面呈现明显的早晚高峰, 午后波谷特征, 120 m则表现得比较平缓, 220 m全天的峰值出现在近地面的谷值时间段, 夜间(18:00~07:00)由于热力湍流作用的减弱, 其平均浓度为52 μg·m-3, 仅为近地面的43%, 计算40~220 m PM2.5平均质量浓度(图 4), 呈现与近地面PM2.5质量完全不同的日变化规律, 其变化特征与人们生产生活规律更加近似, 夜间为全天谷值, 从06:00开始到中午前持续增加, 午间有小幅度回落, 午后到17:00一直处于峰值, 17:00~20:00缓慢回落, 20:00以后快速下降, 23:00~06:00保持平稳谷值.由此表明, 近地面PM2.5质量浓度的早晚高峰与大气垂直能力密切相关, 中午前后近地面PM2.5质量浓度的减少, 并不意味大气中PM2.5含量减少, 仅是大气热力湍流作用加强后将更多的PM2.5从近地面带向城市上空的结果.计算四季塔层高度平均PM2.5质量浓度, 冬季均值93 μg·m-3, 春季58.9 μg·m-3, 夏季80.8 μg·m-3, 秋季80 μg·m-3, 其夏秋季均值基本相当, 但近地面浓度秋季比夏季高出25 μg·m-3, 显示垂直扩散能力在决定夏秋季近地面PM2.5质量浓度差异中发挥重要主导作用.而冬季近地面PM2.5质量几乎是夏季的177%, 但40~220 m平均质量浓度冬季仅为夏季的112%, 由此表明冬季与夏季相比, 雾、霾和重污染天气频发, 除了采暖期排放源增加外, 冬季大气垂直扩散能力的下降应起更为主要的作用.

图 3 天津地区气象塔不同季节典型月PM2.5质量浓度垂直分布 Fig. 3 Vertical distribution of PM2.5 mass concentration in different seasons in Tianjin

图 4 天津地区2010年1月40~220 m平均PM2.5质量浓度日变化 Fig. 4 Daily variation of PM2.5 mass concentration between 40 and 220 meters in Tianjin in January 2010

基于上述分析表明可以用边界层内PM2.5平均质量浓度或者一定高度PM2.5积分浓度与近地面PM2.5质量浓度比值描述大气垂直扩散能力, 在非输送型污染过程中当比值较大时, 垂直扩散能力较好, 比值较小时, 垂直扩散能力较差, 基于此构建垂直扩散指数β, 具体见公式(1)：

(1)

式中, HPM为0~1 500 m PM2.5积分质量浓度, 单位为μg·m-3, SPM为近地面PM2.5质量浓度, 单位为μg·m-3.

2.3 垂直扩散指数β与PM2.5质量浓度关系

基于天津大气化学模式计算2015年10月~2017年2月天津地区垂直扩散指数β, 图 5显示研究期间天津地区垂直扩散指数β均值0.56, 其中6~9月垂直扩散条件达到全年峰值, 均值为0.74, 12月~次年2月为全年谷值, 均值为0.43;如果0~1 500 m大气中有相同质量PM2.5(类似排放量相等), 冬季近地面PM2.5质量浓度是夏季的168%, 而实际冬季近地面PM2.5质量浓度是夏季的188%, 这与255 m气象塔监测显示的冬季近地面PM2.5质量是夏季的177%, 40~220 m平均质量浓度冬季为夏季的112%有较好对应, 即冬季和夏季近地面PM2.5质量的巨大的差异, 主要为两个季节垂直扩散条件差异引起, 其相对于排放源或者其它因素的影响, 垂直扩散的贡献占75%, 在污染分析中需要关注.统计显示(图 6):重污染天气时垂直扩散指数β主要集中在0.4~0.6, 当垂直扩散指数β大于0.8时, 垂直扩散条件有利于大气污染物扩散, 平均PM2.5质量浓度56 μg·m-3, 未出现重污染天气; 当垂直扩散指数β大于0.6而小于等于0.8时, 平均PM2.5质量浓度85 μg·m-3, 出现重污染天气概率为11%, 主要出现在过程的开始阶段或者有明显北部污染输送的过程(高压前低压区); 当垂直扩散指数β小于0.4时, 近地面PM2.5质量浓度仅为63 μg·m-3, 重污染天气概率仅为6.7%, 其主要因为此时垂直扩散指数β较小的原因为大气中PM2.5含量较低(一般风速也较大), 从而带入高层的PM2.5减少, 导致垂直扩散指数显示较低.而垂直扩散指数β小于0.4时出现10次重污染天气, 平均风速1.2 m·s-1, 是垂直扩散指数小于0.4时平均风速的50%, 由此显示, 在污染天气分析中当垂直扩散指数β小于0.4, 风速接近1 m·s-1时易出现重污染天气, 其余时刻出现重污染天气概率较低; 当垂直扩散指数β在0.4~0.6时, 最易于重污染天气的发生, 其出现重污染天气32次, 重污染天气出现概率为18%, 占所有重污染天气的56%.相比于月变化, 近地面PM2.5质量的逐日变化不仅与垂直扩散条件有关, 也与水平扩散条件密不可分, 当垂直扩散指数β在0.4~0.6区间, 如果水平风速大于2.5 m·s-1, 虽然垂直扩散条件不利, 但水平扩散条件较好, 出现重污染概率为0, 平均PM2.5质量浓度46 μg·m-3, 当风速小于1.5 m·s-1, 在水平扩散条件和垂直扩散均不利的情况下, 重污染天气出现概率40%, 平均PM2.5质量浓度135 μg·m-3.在污染天气分析使用双重指标(垂直扩散指数β和水平风速)判断重污染天气比单独使用水平风速判断重污染天气准确率有明显提高, 如设定风速小于1.5 m·s-1, 垂直扩散指数β为0.4~0.6, 或者风速小于1.2 m·s-1, 垂直扩散指数β为0.3~0.4为易于重污染天气出现的条件, 其重污染天气预报准确率可以达到50%, 而如果单纯考虑水平扩散条件, 认为水平风速小于1.5 m·s-1, 易于重污染天气出现, 由于缺少垂直扩散条件分析, 存在大量空报, 其准确率仅为30%.

图 5 天津地区垂直扩散指数β月变化 Fig. 5 Monthly variation of vertical diffusion index β in Tianjin region

图 6 天津地区垂直扩散指数β与PM2.5质量浓度的关系 Fig. 6 Relationship between vertical diffusion index β and PM2.5 mass concentration in Tianjin

2.4 示踪物模拟分析

随着计算机技术发展, 大气垂直混合能力的描述即可使用统计指标表达, 也可以通过数值模式予以分解计算.中尺度大气化学模式WRF/Chem在其3.8版本中加入CO、O3和NO2垂直混合能力计算功能.相比O3和NO2特征, CO物理过程占据主导地位, 与PM2.5扩散规律更为近似, 可作为示踪物反映大气垂直扩散能力.打开模式的chemdiag功能, 模拟2015年10月~2017年2月近地面由于混合作用使得CO下降百分比作为垂直扩散指数φ, 具体计算见公式(2):

(2)

式中, CO为CO的平均浓度, 单位μg·m-3; vmix_CO为垂直混合作用使得地面CO质量浓度增加量, 单位μg·m-3, 数值为负时表示降低; advh_CO为水平输送使得地面CO质量浓度增加量, 单位μg·m-3; advz_CO为对流运动使得地面CO质量浓度增加量, 单位μg·m-3; chem_CO为化学作用使得CO质量浓度增加量, 单位μg·m-3.公式(2)中的分母表示没有水平输送、垂直混合、对流输送和化学作用时大气CO的平均浓度.

由图 7显示, 基于示踪物模拟构建垂直扩散指数φ, 对于PM2.5质量浓度预报有极好的指示作用, 其与PM2.5质量浓度呈现幂指数关系, 相关系数高达0.8.当垂直扩散指数φ大于0.65时, 平均PM2.5质量浓度49 μg·m-3, 重污染天气概率为0, 其占总样本的54%.即54%的天气通过垂直扩散指数判断气象条件是否有利于大气污染物垂直扩散, 就可以排除重污染天气出现的可能; 当垂直扩散指数φ小于0.52时, 气象条件非常不利于大气污染物垂直扩散, 平均PM2.5质量浓度193 μg·m-3, 重污染天气概率75%(共计34 d, 占研究样本重污染天气的59%), 除2016年1月28日以外, 剩余非重污染天气时空气质量也达到中度污染水平.当垂直扩散指数在0.52~0.65之间时, 重污染天气的出现由大气水平和垂直扩散条件共同作用, φ值为0.52~0.58时, 垂直扩散条件略偏向于不利于污染扩散, φ值为0.58~0.65时, 垂直扩散条件略偏向有利于污染扩散, 其对应的PM2.5质量浓度分别为121 μg·m-3和85 μg·m-3.

图 7 天津地区垂直扩散指数φ与PM2.5质量浓度的关系 Fig. 7 Relationship between vertical diffusion index φ and PM2.5 mass concentration in Tianjin

3 结论

(1) 实际监测数据表明, 夜间18:00~次日07:00大气稳定度为E及以上时, 白天08:00~16:00大气稳定度为D及以上时, PM2.5质量浓度会显著地高于平均值.重污染天气分析中转折性时间段大气稳定度分析至关重要, 当07:00~08:00和18:00~20:00大气稳定度为D时, 相比上述时间大气稳定度为C时, 出现重污染天气的概率成10倍地增加.

(2) 基于边界层平均PM2.5质量浓度与近地面PM2.5质量浓度比值构建垂直扩散指数β, 通过垂直扩散指数β可以有效地进行污染天气垂直扩散能力分析, 使用垂直扩散指数β和水平风速作为双重指标判断重污染天气, 比单一的风速指标准确率可升67%.

(3) 基于大气化学模式WRF/Chem的chemdiag功能, 以CO为示踪物构建垂直扩散指数φ, 垂直扩散指数φ与近地面PM2.5质量浓度相关系数达到0.8, 当垂直扩散指数φ小于0.52时, 气象条件非常不利于大气污染物垂直扩散, 平均PM2.5质量浓度193μg·m-3, 重污染天气概率75%, 可识别59%的重污染天气.

参考文献
[1] 郭新彪, 魏红英. 大气PM2.5对健康影响的研究进展[J]. 科学通报, 2013, 58(13): 1171-1177.
Guo X B, Wei H Y. Progress on the health effects of ambient PM2.5 pollution[J]. Chinese Science Bulletin, 2013, 58(13): 1171-1177.
[2] 胡彬, 陈瑞, 徐建勋, 等. 雾霾超细颗粒物的健康效应[J]. 科学通报, 2015, 60(30): 2808-2823.
Hu B, Chen R, Xu J X, et al. Health effects of ambient ultrafine (nano) particles in haze[J]. Chinese Science Bulletin, 2015, 60(30): 2808-2823.
[3] Yang Y Q, Wang J Z, Gong S L, et al. PLAM-a meteorological pollution index for air quality and its applications in fog-haze forecasts in North China[J]. Atmospheric Chemistry and Physics:Discussions, 2015, 15(6): 9077-9106. DOI:10.5194/acpd-15-9077-2015
[4] 陈龙, 智协飞, 覃军, 等. 影响武汉市空气污染的地面环流形势及其与污染物浓度的关系[J]. 气象, 2016, 42(7): 819-826.
Chen L, Zhi X F, Qin J, et al. Surface atmospheric circulation types of air pollution and its relationship with concentration of air pollutants in Wuhan[J]. Meteorological Monthly, 2016, 42(7): 819-826. DOI:10.7519/j.issn.1000-0526.2016.07.005
[5] 熊亚军, 廖晓农, 李梓铭, 等. KNN数据挖掘算法在北京地区霾等级预报中的应用[J]. 气象, 2015, 41(1): 98-104.
Xiong Y J, Liao X N, Li Z M, et al. Application of KNN data mining algorithm to haze grade forecasting in Beijing[J]. Meteorological Monthly, 2015, 41(1): 98-104. DOI:10.7519/j.issn.1000-0526.2015.01.012
[6] 邓涛, 邓雪娇, 吴兑, 等. 珠三角灰霾数值预报模式与业务运行评估[J]. 气象科技进展, 2012, 2(6): 38-44.
Deng T, Deng X J, Wu D, et al. Study on numerical forecast model of haze over Pearl River Delta Region and routine business assessment[J]. Advances in Meteorological Science and Technology, 2012, 2(6): 38-44.
[7] 薛文博, 付飞, 王金南, 等. 基于全国城市PM2.5达标约束的大气环境容量模拟[J]. 中国环境科学, 2014, 34(10): 2490-2496.
Xue W B, Fu F, Wang J N, et al. Modeling study on atmospheric environmental capacity of major pollutants constrained by PM2.5 compliance of Chinese cities[J]. China Environmental Science, 2014, 34(10): 2490-2496.
[8] 徐敬, 马志强, 赵秀娟, 等. 边界层方案对华北低层O3垂直分布模拟的影响[J]. 应用气象学报, 2014, 26(5): 567-577.
Xu J, Ma Z Q, Zhao X J, et al. The effect of different planetary boundary layer schemes on the simulation of near surface O3 vertical distribution[J]. Journal of Applied Meteorological Science, 2014, 26(5): 567-577.
[9] 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, 2013, 44(1): 3-14.
[10] 潘锦秀, 朱彬, 晏平仲, 等. 京津冀区域重污染天气过程数值预报评估新方法[J]. 环境科学学报, 2016, 36(8): 2752-2760.
Pan J X, Zhu B, Yan P Z, et al. An evaluation method for the operational NAQPMS numerical forecast of heavy pollution in Beijing-Tianjin-Hebei area[J]. Acta Scientiae Circumstantiae, 2016, 36(8): 2752-2760.
[11] 张人禾, 李强, 张若楠. 2013年1月中国东部持续性强雾霾天气产生的气象条件分析[J]. 中国科学:地球科学, 2014, 44(1): 27-36.
[12] 王跃思, 姚利, 刘子锐, 等. 京津冀大气霾污染及控制策略思考[J]. 中国科学院院刊, 2013, 28(3): 353-363.
Wang Y S, Yao L, Liu Z R, et al. Formation of haze pollution in Beijing-Tianjin-Hebei region and their control strategies[J]. Bulletin of Chinese Academy of Sciences, 2013, 28(3): 353-363.
[13] 张小曳, 孙俊英, 王亚强, 等. 我国雾-霾成因及其治理的思考[J]. 科学通报, 2013, 58(13): 1178-1187.
Zhang X Y, Sun J Y, Wang Y Q, et al. Factors contributing to haze and fog in China[J]. Chinese Science Bulletin, 2013, 58(13): 1178-1187.
[14] 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:Discussions, 2015, 15(21): 12667-12680. DOI:10.5194/acp-15-12667-2015
[15] Han S, Zhang Y, Wu J, et al. Evaluation of regional background particulate matter concentration based on vertical distribution characteristics[J]. Atmospheric Chemistry and Physics:Discussions, 2015, 15(19): 14889-14921.
[16] Han S Q, Cai Z Y, Zhang Y F, et al. Long-term trends in fog and boundary layer characteristics in Tianjin, China[J]. Particuology, 2015, 20: 61-68. DOI:10.1016/j.partic.2014.02.008
[17] 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, 2017, 616-617: 135-146.
[18] 葛跃, 王明新, 孙向武, 等. 基于增强回归树的城市PM2.5日均值变化分析:以常州为例[J]. 环境科学, 2017, 38(2): 485-494.
Ge Y, Wang M X, Sun X W, et al. Variation analysis of daily PM2.5 concentrations based on boosted regression three:a case study in Changzhou[J]. Environmental Science, 2017, 38(2): 485-494.
[19] 孙兆彬, 李梓铭, 廖晓农, 等. 北京大气热力和动力结构对污染物输送和扩散条件的影响[J]. 中国环境科学, 2017, 37(5): 1693-1705.
Sun Z B, Li Z M, Liao X N, et al. Influence of Beijing atmospheric thermal and dynamics structure on pollutants transport and diffusion conditions[J]. China Environmental Science, 2017, 37(5): 1693-1705.
[20] 李梦, 唐贵谦, 黄俊, 等. 京津冀冬季大气混合层高度与大气污染的关系[J]. 环境科学, 2015, 36(6): 1935-1943.
Li M, Tang G Q, Huang J, et al. Characteristics of winter atmospheric mixing layer height in Beijing-Tianjin-Hebei Region and their relationship with the atmospheric pollution[J]. Environmental Science, 2015, 36(6): 1935-1943.
[21] 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:Atmospheres, 2016, 121(24): 14574-14588. DOI:10.1002/2016JD025730
[22] Tang G Q, Zhang J Q, Zhu X W, et al. Mixing layer height and its implications for air pollution over Beijing, China[J]. Atmospheric Chemistry and Physics:Discussions, 2016, 16(4): 2459-2475. DOI:10.5194/acp-16-2459-2016
[23] 薛亦峰, 周震, 聂滕, 等. 2015年12月北京市空气重污染过程分析及污染源排放变化[J]. 环境科学, 2016, 37(5): 1593-1601.
Xue Y F, Zhou Z, Nie T, et al. Exploring the severe haze in Beijing during December, 2015:pollution process and emissions variation[J]. Environmental Science, 2016, 37(5): 1593-1601.
[24] 廖晓农, 孙兆彬, 唐宜西, 等. 高空偏北风背景下北京地区高污染形成的环境气象机制研究[J]. 环境科学, 2015, 36(3): 801-808.
Liao X N, Sun Z B, Tang Y X, et al. Meteorological mechanism for the formation of a serious pollution case in Beijing in the background of northerly flow at upper levels[J]. Environmental Science, 2015, 36(3): 801-808.
[25] 刘超, 花丛, 张恒德, 等. L波段探空雷达秒数据在污染天气边界层分析中的应用[J]. 气象, 2017, 43(5): 591-597.
Liu C, Hua C, Zhang H D, et al. Application of L-band radar sounding data in analyzing polluted weather boundary layer[J]. Meteorological Monthly, 2017, 43(5): 591-597. DOI:10.7519/j.issn.1000-0526.2017.05.008
[26] 颜娇珑, 张武, 单云鹏, 等. 西北东部霾的时空特征与天气特征研究[J]. 高原气象, 2016, 35(4): 1073-1086.
Yan J L, Zhang W, Shan Y P, et al. Spatio-temporal distribution of aerosol and weather characteristics during haze over the eastern northwest China[J]. Plateau Meteorology, 2016, 35(4): 1073-1086.
[27] 杨洋, 王红磊, 侯雪伟, 等. 石家庄一次持续性霾过程形成原因及气溶胶垂直探空分析[J]. 环境科学学报, 2017, 37(3): 824-832.
Yang Y, Wang H L, Hou X W, et al. Characteristics and formation mechanism of a long-term haze episode and the vertical distribution of aerosol concentration in Shijiazhuang[J]. Acta Scientiae Circumstantiae, 2017, 37(3): 824-832.
[28] 杨静, 李霞, 李秦, 等. 乌鲁木齐近30 a大气稳定度和混合层高度变化特征及与空气污染的关系[J]. 干旱区地理, 2011, 34(5): 747-752.
Yang J, Li X, Li Q, et al. Variation characteristics of atmospheric stability and mixed layer thickness and their relation to air pollution in recent 30 years in Urumqi[J]. Arid Land Geography, 2011, 34(5): 747-752.
[29] Zhao H Y, Zhang Q, Davis S J, et al. Assessment of China's virtual air pollution transport embodied in trade by a consumption-based emission inventory[J]. Atmospheric Chemistry and Physics:Discussions, 2015, 15(12): 6815. DOI:10.5194/acp-15-6815-2015
[30] Zheng B, Huo H, Zhang Q, et al. High-resolution mapping of vehicle emissions in China in 2008[J]. Atmospheric Chemistry and Physics:Discussions, 2014, 14(18): 9787-9805. DOI:10.5194/acp-14-9787-2014
[31] Li M, Zhang Q, Streets D G, et al. Mapping Asian anthropogenic emissions of non-methane volatile organic compounds to multiple chemical mechanisms[J]. Atmospheric Chemistry and Physics:Discussions, 2013, 13(12): 32649-32701. DOI:10.5194/acpd-13-32649-2013
[32] 国家环境保护总局环境工程评估中心. 环境影响评价技术导则与标准汇编[M]. 北京: 中国环境科学出版社, 2005: 1-200.