环境科学  2020, Vol. 41 Issue (1): 14-22   PDF    
引用本文
郑庆锋, 史军, 谈建国, 段玉森, 林燕芬, 徐卫忠. 2007~2016年上海颗粒物浓度特征与气候背景异同分析[J]. 环境科学, 2020, 41(1): 14-22.
ZHENG Qing-feng, SHI Jun, TAN Jian-guo, DUAN Yu-sen, LIN Yan-fen, XU Wei-zhong. Characteristics of Aerosol Particulate Concentrations and Their Climate Background in Shanghai During 2007-2016[J]. Environmental Science, 2020, 41(1): 14-22.
2007~2016年上海颗粒物浓度特征与气候背景异同分析
郑庆锋1, 史军2, 谈建国1, 段玉森3, 林燕芬3, 徐卫忠1     
1. 上海市气候中心上海城市气候变化应对重点开放实验室, 上海 200030;
2. 上海市生态气象和卫星遥感中心, 上海 200030;
3. 上海市环境监测中心, 上海 200030
收稿日期: 2019-04-24; 修订日期: 2019-08-02
基金项目: 国家重点研发计划项目（2016YFC0502702）；中国气象局气候变化专项（CCSF201922）；上海市气象局科技研发项目（YJ201804）；河北省气象与生态环境重点实验室开放研究基金项目（Z201606Y）
作者简介: 郑庆锋(1978~), 男, 硕士, 高级工程师, 主要研究方向为应用气象和环境评价, E-mail:zqf_23@126.com
摘要: 基于上海地区2006~2016年逐日PM10浓度数据以及同期气象要素（风、气温等）、大气稳定度、逆温数据和高空大气环流数据，分析了2007~2016年上海地区颗粒物浓度变化特征和冬季气候背景的异同，并建立多元线性逐步回归方程，同时选取颗粒物高浓度年份和低浓度年份，对比分析高空大气环流形势的差异.结果表明，上海地区颗粒物年平均浓度呈现波动式下降趋势，而冬季呈现出两头高、中间低形态.PM10与平均风速、20：00混合层高度负相关，与偏西北风、20：00稳定类、20：00逆温的出现频率及平均气温正相关.当冬季我国北部500 hPa高度场合成为正距平，容易形成暖冬，从而引起高浓度颗粒物污染；而当500 hPa高度场为负距平，容易引起冷空气频繁南下，导致气温偏低，容易造成PM10浓度相对偏低.850 hPa风场异常为偏东风，且风速偏大，容易造成PM10浓度相对偏低.
关键词: 高浓度污染      气候背景      异同      大气环流      上海     
Characteristics of Aerosol Particulate Concentrations and Their Climate Background in Shanghai During 2007-2016
ZHENG Qing-feng1 , SHI Jun2 , TAN Jian-guo1 , DUAN Yu-sen3 , LIN Yan-fen3 , XU Wei-zhong1     
1. Key Laboratory of Cities Mitigation and Adaptation to Climate Change in Shanghai, Shanghai Climate Center, Shanghai 200030, China;
2. Shanghai Ecological Forecasting and Remote Sensing Center, Shanghai 200030, China;
3. Shanghai Environmental Monitoring Center, Shanghai 200030, China
Abstract: We use daily aerosol particulate matter < 10 μm (PM10) concentration data from 2006 to 2016 in Shanghai along with meteorological elements (wind and temperature), atmospheric stability, temperature inversion, and upper atmosphere circulation data, to analyze the variation characteristics of the PM10 concentrations and differences of the winter climate background. We establish a multivariate linear stepwise regression equation, and also compare and analyze differences in the upper atmospheric circulation by selecting the years with the highest and lowest PM10 concentrations. The results showed an oscillating downward trend in the annual average concentrations of PM10 in Shanghai, whereas seasonally, PM10 concentrations were relatively high in winter and showed two peaks with a low in between. PM10 concentrations were negatively correlated with the daily average wind speed and the daily mixing layer height at 20:00, and positively correlated with the frequency of northwest wind, the mean daily temperature, and the frequency of stable weathers and thermal inversion at 20:00. When the 500 hPa height field in the northern part of China was a positive anomaly in winter, a warm winter prevailed and led to high PM10 concentrations. When the 500 hPa height field was a negative anomaly, cold air frequently moved southward to result in relatively low temperatures, which caused relatively low PM10 concentrations. When the wind field at 850 hPa was easterly, the wind speed was relatively large and resulted in relatively low PM10 concentrations.
Key words: high concentration pollution      climatic background      similarities and differences      atmospheric circulation      Shanghai     

伴随着城市化快速发展, 我国城市环境污染问题日益严重, 特别是大气环境污染, 与极端高温、城市热岛效应叠加对城市居民生产、生活以及人体健康造成很大的影响[1, 2].近年来, 颗粒物污染已成为中国大部分城市面临的主要大气污染问题[3].各地极端大气污染事件频繁发生, 对颗粒物的相关研究已经成为热点问题之一[4~8].

针对京津冀地区、长三角地区和四川盆地, 围绕大气颗粒物污染和气象要素的关系已开展了一系列研究, 文献[9~14]分别对北京、天津、南京、上海和成都的颗粒物污染特征及与气象条件的关系进行了研究, 结果表明颗粒物浓度与气温、相对湿度呈正相关, 与风速呈负相关, 当冬季气压场均匀时, 长三角地区的大气污染最为严重[15]；Ma等[6]分析了2014~2016年长三角地区大气污染特征及其与排放和气象的关系, 结果表明气象条件主要影响污染物浓度的日变化, PM2.5浓度与风速呈负相关, O3浓度与温度呈正相关, 与相对湿度呈负相关；He等[16]分析了2014~2015年中国31个省会城市的空气污染特征及其与多尺度气象条件的关系, 表明气象条件是决定污染物浓度日变化的主要因素, 占全国污染物日平均浓度变化的70%以上.

从天气学方面进行颗粒物污染气象特征研究, 也有研究表明500 hPa环流形势中两槽一脊型和槽脊同位相型控制下的空气质量最差[17, 18]；文献[19~23]则基于WRF/Chem模式, 对颗粒物进行数值模拟研究.然而, 以上研究大多是一次污染过程或较短时间序列污染过程, 利用较长时间序列的颗粒物浓度数据和气象数据对颗粒物污染的气候背景研究较少.He等[24]分析了1980~2017年北京38个冬季的冬季环流类型及其对当地气象条件和雾、霾污染的影响, 表明北京冬季雾、霾污染受到气候变化的影响, 1980~2017年38个冬季霾日数呈下降趋势, 部分与冷空气频率呈上升趋势有关.苗蕾等[25]分析了北京2005~2014年PM2.5浓度日变化特征及气象条件影响.

本文利用上海2006~2016年上海逐日PM10浓度数据, 以及同期地面观测的气象资料和探空资料, 研究影响颗粒物浓度的气候背景, 以期为科学评价天气、气候条件变化对颗粒物污染发生的影响、提高污染性天气预报的准确率和合理控制、减少大气污染的危害提供科学依据和理论支撑.

1 材料与方法 1.1 数据资料

本文PM10浓度数据资料来自上海市环境监测中心提供的资料, 资料时间序列为2006~2016年逐日数据.气象资料(包括地面资料及探空资料)来自于上海市气象信息与技术支持中心的宝山国家基本气象站(站号58362, 121°27′E, 31°24′N)逐日观测资料, 其中探空资料取自逐日北京时08:00和20:00探测资料, 统计时间段都为2006~2016年, 统计要素有地面层风速、风向、气温、规定层和特征层的气压、高度和气温等.此外, 文中还利用大气环流资料, 来自美国国家海洋和大气管理局(NOAA, https://www.esrl.noaa.gov/).

1.2 分析方法

时间序列分析方法采用ARMA (p, q)模型, 其全称为自回归移动平均模型(auto-regressive moving average model, ARMA), 其中p为自回归项, q为移动平均项数.ARMA(p, q)由自回归模型AR和移动平均模型MA模型组成, 计算公式如下：

式中, yt表示当前值, μ表示常数项, p表示自回归阶数, q表示移动平均阶数, φi、θi表示相关系数, εt表示误差.

数据的平稳性单位根检验用增广迪基-福勒检验(augmented dickey-fuller test, ADF).

线性相关系数用r表示, 计算公式如下：

式中, Cov(X, Y)为X与Y的协方差, Var[X]为X的方差, Var[Y]为Y的方差.

多元线性回归方程方法：

设因变量y与自变量x1, x2, …, xm有线性关系, 那么建立y的m元线性回归模型：

式中, β0, β1, …, βm为回归系数；ε是遵从正态分布N(0, σ2)的随机误差.

由观测值确定回归系数β0, β1, …, βm的估计b0, b1, …, bm, 得到yt对x0, x1, …, xm的线性回归方程：

式中, 表示y的估计；ε是残差.

大气稳定度按照帕斯奎尔-特纳大气稳定度分类方法统计, 混合层高度按照《制定地方大气污染物排放标准的技术方法》(GB/T 3094-91)规定的方法计算.

2 结果与讨论 2.1 颗粒物浓度变化特征 2.1.1 年平均浓度变化特征

2007~2016年间, 上海PM10年平均浓度呈现波动式下降趋势, 2007年最高(98.3 μg·m-3), 2016年最低(77.1 μg·m-3)；冬季PM10平均浓度呈现两头高、中间低形态, 其中2007年最高(125.7 μg·m-3), 2012年最低(79.2 μg·m-3), 具体见图 1.

图 1 2007~2016年上海地区全年和冬季PM10浓度年变化及距平 Fig. 1 Annual and winter variations and anomalies of PM10 concentrations in Shanghai during 2007-2016

图 1显示, 除了2012年, 冬季平均浓度都远高于全年平均浓度, 最多高出达42.6%. 2012年冬季平均浓度略低于全年平均浓度, 其主要原因是2012年冬季气温偏低、冬北风异常偏多引起的.

尹晓梅等[26]的研究表明, 2017年北京地区减少的霾日和重污染日, 65%归因于减排的贡献, 35%归因为气象条件的改善.李颖若等[27]的研究表明, 2014年APEC控制期采取控制措施使得北京地区PM2.5和PM10浓度分别降低34.8%和40.6%, 气象因素使得PM2.5和PM10浓度分别降低27.5%和35.6%.Wang等[28]的研究表明, 中国在2014年和2015年减排有效地减少了PM2.5浓度23.9 μg·m-3和43.5 μg·m-3.Ma等[6]的研究表明, 2014~2016年, 长三角地区PM2.5、PM10排放量分别下降26.3%和29.2%.于燕等[29]的研究表明, 在一般与强化两组减排情景下, 长三角地区国控点PM2.5年均浓度分别下降1.4~26.7 μg·m-3和2.1~32.3 μg·m-3.卢文等[30]的研究表明, 南京PM2.5年平均浓度由2014年的62.1 μg·m-3下降到2016年的51.2 μg·m-3.近年来空气质量的改善主要归功于减排, 减排和区域联防联控有助于改善当地的空气质量, 这和图 1中显示2014~2016年PM10年平均浓度值减小的结论是一致的.

2.1.2 月平均浓度变化特征

利用时间序列分析方法对PM10月平均浓度变化趋势进行分析, 结果见图 2, 2007~2016年, 上海PM10月平均浓度具有明显的周期性, 四季平均浓度高低顺序为冬季>春季>秋季>夏季.其中滑动平均值和滑动标准差的滑动窗口值为12.ADF平稳性检验结果为：P值(0.166)大于0.05, 检测值(-2.319)大于5%时置信度下的临界值(-2.889), 没有通过ADF平稳性检验.

图 2 2007~2016年上海地区PM10月平均浓度变化趋势 Fig. 2 Monthly mean PM10 concentrations in Shanghai during 2007-2016

而平稳性是时间序列分析的前提条件, 对原始浓度进行分解, 拆分成趋势、季节和残值这3部份, 如图 3所示, PM10月平均浓度趋势部分呈现波动式下降趋势, 季节部分周期性明显.对残值进行ADF平稳性检验, 结果显示：P值(3.457×10-7)远小于0.01, 检测值(-5.858)小于1%时置信度下的临界值(-3.500), 通过ADF平稳性检验.在99%的置信度下, Residuals数据是稳定的, 其均值和方差均趋于常数(图略).

图 3 2007~2016年上海地区PM10月平均浓度分解后变化趋势 Fig. 3 Trend of monthly mean PM10 concentration after decomposition in Shanghai during 2007-2016

2.2 冬季颗粒物污染的总体气候背景

对冬季PM10浓度偏高年份(2007~2008年和2014~2016年)、偏低年份(2009~2013年)、最高年份(2007年)和最低年份(2012年)的气象条件分析结果见表 1, 总体上, 浓度偏高年份伴随着污染日数明显偏多, 同期平均风速偏小、小风日数偏多、静风出现频率偏高, 20:00稳定类日数和逆温日数偏多而混合层高度偏低, 平均气温偏高.

表 1 颗粒物浓度偏高、偏低、最高、最低年份气象条件对比 Table 1 Meteorological conditions between high and low PM10 concentrations

2.2.1 风

风是影响大气污染物扩散、稀释的最重要的一个因子, 风速的大小决定着大气污染物的扩散速率, 而风向则决定着大气污染物的落区.图 4显示, 2007~2016年冬季平均风速呈现减少趋势, 尤其是近3年(2014~2016年)减少比较明显, 各年冬季PM10浓度和风速去趋势项后呈现负相关(r=-0.62), 这与许文轩等[31]和贾梦唯等[32]的研究结论一致.

图 4 2007~2016年上海地区冬季风速年变化 Fig. 4 Variations of winter wind speed in Shanghai during 2007-2016

图 5显示, PM10浓度偏高年份, 偏西北风(NW、NNW、WNW)或静风(C)出现频率明显偏大, 偏西北风、静风出现频率和PM10浓度呈现正相关(r分别为0.629和0.474). 2012年冬季东北风异常偏多, 风速偏大是造成当年冬季平均浓度略低于全年平均浓度的主要原因之一(图 6).

图 5 2007~2016年上海地区冬季风向出现频率距平年变化 Fig. 5 Variations and anomalies of winter wind direction in Shanghai during 2007-2016

图 6 2007~2016年上海地区冬季风玫瑰图 Fig. 6 Wind rose map in winter in Shanghai during 2007-2016

2.2.2 气温和逆温

2007~2016年, 冬季平均气温呈现波动式下降趋势[图 7(a)], 20:00逆温出现日数呈波动式增加趋势[图 7(b)].去趋势项后平均气温和PM10浓度呈正相关(r=0.461), 这与赵晨曦[9]等研究结论一致.去趋势项后20:00逆温和PM10浓度呈正相关(r=0.402).

图 7 2007~2016年冬季平均气温和20:00逆温年变化 Fig. 7 Variations of mean daily air temperatures and mean daily 20:00 temperature inversions in winter in Shanghai during 2007-2016

2.2.3 大气稳定度和混合层高度

对2007~2016年冬季02:00、08:00、14:00和20:00大气稳定度、混合层高度与PM10浓度相关性分析表明, 20:00大气稳定度、混合层高度和PM10浓度关系最密切(图 8), 冬季20:00大气稳定度都以稳定类为主(61.1%~75.6%), 中性次多, 不稳定类没有出现. 20:00稳定类出现频率呈增长趋势, 和PM10浓度去趋势项后呈正相关(r=0.647), 20:00混合层高度呈波动式下降趋势, 和PM10浓度去趋势项后呈负相关(r=-0.462).

图 8 2007~2016年冬季20:00大气稳定度和混合层高度年变化 Fig. 8 Variations of atmospheric stability and mean daily 20:00 mixing layer heights in winter in Shanghai during 2007-2016

去趋势项后PM10和各气象要素的相关系数见表 2.

表 2 去趋势项后PM10和各气象要素相关系数汇总 Table 2 Correlation coefficient between PM10 and meteorological elements after decreasing trend

2.2.4 与气象要素的拟合关系

选取冬季地面气象要素(风速和气温等), 08:00和20:00的高空气象要素(1 000、925、850、700和500 hPa高度的温度、露点温度和风速风向)以及20:00混合层高度等共66个因子和PM10日均浓度利用matlab2014软件进行多元线性逐步回归分析, 样本数共842个, 得出回归方程如下：

式中, y表示PM10的日平均浓度, μg·m-3；y1表示前一天PM10的日平均浓度, μg·m-3；x1表示20:00混合层高度, m；x2表示日最高气温, ℃；x3和x4表示925 hPa 08:00风速和1 000 hPa 20:00风速的垂直方向矢量, m·s-1；x5和x6表示925 hPa和1 000 hPa 20:00风速的水平方向矢量, m·s-1；x7表示700 hPa与500 hPa 20:00温度差, ℃；x8表示1 000 hPa 20:00温度, ℃.

根据回归方程, 计算PM10日均浓度和PM10实测值进行相关分析(图 9), 结果显示r=0.696, 满足显著性水平(α=0.01), 拟合效果较好.

图 9 冬季PM10日平均浓度逐步回归方程回代检验分析 Fig. 9 Regression test analysis of the concentration of PM10 in winter by a stepwise regression equation

2.3 冬季大气环流形势

对2007~2016年冬季PM10浓度偏高年份、偏低年份、最高年份和最低年份的500 hPa高度场和850 hPa风场分析表明, PM10浓度偏高年份冬季, 我国北部500 hPa高度场为正距平[图 10(a)], 上海地区容易形成暖冬, 从而引起高浓度PM10污染；而PM10浓度偏低年份冬季, 我国北部500 hPa高度场为负距平[图 10(b)], 容易引起冷空气频繁南下, 造成上海地区温度偏低, 导致PM10浓度相对偏低.

图 10 上海地区冬季PM10浓度偏高偏低年份合成500 hPa高度场异常对比 Fig. 10 500 hPa geopotential height anomaly in the years with the highest and lowest PM10 concentrations

图 11显示, PM10浓度偏高年份, 上海地区冬季850 hPa风场异常为东风, PM10浓度偏低年份风场异常为南风, 偏低年份风速相比偏高年份偏大, 这和前文风速和PM10浓度负相关的结论是一致的.

图 11 上海地区冬季PM10浓度偏高偏低年份合成850 hPa风场异常对比 Fig. 11 850 hPa wind field anomaly in the years with the highest and lowest PM10 concentrations

2007年冬季我国北部500 hPa高度场为正距平, 容易形成暖冬, 从而引起PM10污染加重, 而2012年冬季我国北部500 hPa高度场为负距平(图略), 容易引起冷空气频繁南下, 造成上海地区温度偏低, 导致PM10浓度相对偏低. 2007年冬季上海地区850 hPa风场异常为东南风, 2012年冬季风场异常为东风, 2012年风速明显比2007年大(图略), 这有利于PM10污染物扩散, 风速偏大也是2012年冬季PM10浓度相对偏低的重要原因之一.

3 结论

(1) 2007~2016年PM10年平均浓度呈现波动式下降趋势, 冬季PM10平均浓度呈现两头高、中间低形态；除了2012年, 冬季平均浓度都远高于全年平均浓度.PM10月平均浓度趋势部分呈现波动式下降趋势, 季节部分周期性明显, 残值通过ADF平稳性检验, 检测值(-5.858)小于1%时置信度下的临界值(-3.500).

(2) 去趋势项后PM10与平均风速、20:00混合层高度负相关(r为-0.620和-0.462), 与偏西北风出现频率、20:00稳定类出现频率、20:00逆温出现频率、平均气温正相关(r为0.629、0.647、0.402和0.461).建立多元逐步线性回归方程并回代检验分析, r=0.696, 满足显著性水平(α=0.01).

(3) 当冬季我国北部500 hPa高度场为正距平, 容易引起高浓度PM10污染；而当冬季我国北部500 hPa高度场为负距平, 容易导致PM10浓度相对偏低. 850 hPa风场异常为偏东风, 且风速偏大, 容易造成PM10浓度相对偏低. 2012年冬季气温偏低、偏东风异常偏多, 风速偏大是造成当年冬季平均浓度略低于全年平均浓度的主要原因.

致谢: 感谢美国国家海洋和大气管理局(NOAA)提供的资料.

参考文献
[1] Tsangari H, Paschalidou A K, Kassomenos A P, et al. Extreme weather and air pollution effects on cardiovascular and respiratory hospital admissions in Cyprus[J]. Science of the Total Environment, 2016, 542: 247-253. DOI:10.1016/j.scitotenv.2015.10.106
[2] O'Lenick C R, Wilhelmi O V, Michael R, et al. Urban heat and air pollution:a framework for integrating population vulnerability and indoor exposure in health risk analyses[J]. Science of the Total Environment, 2019, 660: 715-723. DOI:10.1016/j.scitotenv.2019.01.002
[3] Li X Y, Song H Q, Zhai S Y, et al. Particulate matter pollution in Chinese cities:areal-temporal variations and their relationships with meteorological conditions (2015-2017)[J]. Environmental Pollution, 2019, 246: 11-18. DOI:10.1016/j.envpol.2018.11.103
[4] Whiteman C D, Hoch S W, Horel J D, et al. Relationship between particulate air pollution and meteorological variables in Utah's Salt Lake Valley[J]. Atmospheric Environment, 2014, 94: 742-753. DOI:10.1016/j.atmosenv.2014.06.012
[5] Wang J Z, Zhang X Y, Li D, et al. Interdecadal changes of summer aerosol pollution in the Yangtze River Basin of China, the relative influence of meteorological conditions and the relation to climate change[J]. Science of the Total Environment, 2018, 630: 46-52. DOI:10.1016/j.scitotenv.2018.01.236
[6] Ma T, Duan F K, He K B, et al. Air pollution characteristics and their relationship with emissions and meteorology in the Yangtze River Delta region during 2014-2016[J]. Journal of Environmental Sciences, 2019, 83: 8-20. DOI:10.1016/j.jes.2019.02.031
[7] Yin F, Ma Y, Zhao X, et al. Analysis of the effect of PM10 on hand, foot and mouth disease in a basin terrain city[J]. Scientific Reports, 2019, 9: 3233. DOI:10.1038/s41598-018-35814-5
[8] Wu X C, Chen B, Wen T X, et al. Concentrations and chemical compositions of PM10 during hazy and non-hazy days in Beijing[J]. Journal of Environmental Sciences, 2020, 87: 1-9. DOI:10.1016/j.jes.2019.03.021
[9] 赵晨曦, 王云琦, 王玉杰, 等. 北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J]. 环境科学, 2014, 35(2): 418-427.
Zhao C X, Wang Y Q, Wang Y J, et al. Temporal and spatial distribution of PM2.5 and PM10 pollution status and the correlation of particulate matters and meteorological factors during winter and spring in Beijing[J]. Environmental Science, 2014, 35(2): 418-427.
[10] 杨志文, 元洁, 吴琳, 等. 2015年2月天津市大气颗粒物数浓度变化及其与气象条件的关系[J]. 环境工程学报, 2017, 11(7): 4125-4132.
Yang Z W, Yuan J, Wu L, et al. Characteristics of particle number concentration during February in 2015 in Tianjin and their relationship with meteorological conditions[J]. Chinese Journal of Environmental Engineering, 2017, 11(7): 4125-4132.
[11] 花艳, 潘良宝, 汤莉莉, 等. 南京霾天颗粒物数浓度特征及其受气象条件影响分析[J]. 气象科学, 2017, 37(3): 385-393.
Hua Y, Pan L B, Tang L L, et al. Characteristics of the particulate number concentration and association with meteorological conditions during winter haze episode in Nanjing[J]. Journal of the Meteorological Sciences, 2017, 37(3): 385-393.
[12] 陈镭, 马井会, 甄新蓉, 等. 上海地区空气污染变化特征及其气象影响因素[J]. 气象与环境学报, 2017, 33(3): 59-67.
Chen L, Ma J H, Zhen X R, et al. Variation characteristics and meteorological influencing factors of air pollution in Shanghai[J]. Journal of Meteorology and Environment, 2017, 33(3): 59-67.
[13] 孙欢欢, 倪长健, 崔蕾, 等. 成都市大气颗粒物污染特征及与气象因子的关联性分析[J]. 环境防治与污染, 2016, 38(5): 55-60.
Sun H H, Ni C J, Cui L, et al. Pollution characteristics of atmospheric particles and their correlation with meteorological factors in Chengdu City[J]. Environmental Pollution & Control, 2016, 38(5): 55-60.
[14] 刘凡, 谭钦文, 江霞, 等. 成都市冬季相对湿度对颗粒物浓度和大气能见度的影响[J]. 环境科学, 2018, 39(4): 1466-1472.
Liu F, Tan Q W, Jiang X, et al. Effect of relative humidity on particulate matter concentration and visibility during winter in Chengdu[J]. Environmental Science, 2018, 39(4): 1466-1472.
[15] Hou X W, Zhu B, Kumar K R, et al. Inter-annual variability in fine particulate matter pollution over China during 2013-2018:role of meteorology[J]. Atmospheric Environment, 2019, 214: 116842. DOI:10.1016/j.atmosenv.2019.116842
[16] He J J, Gong S L, Yu Y, et al. Air pollution characteristics and their relation to meteorological conditions during 2014-2015 in major Chinese cities[J]. Environmental Pollution, 2017, 223: 484-496. DOI:10.1016/j.envpol.2017.01.050
[17] 蒋伊蓉, 朱蓉, 朱克云, 等. 京津冀地区重污染天气过程的污染气象条件数值模拟研究[J]. 环境科学学报, 2015, 35(9): 2681-2692.
Jiang Y R, Zhu R, Zhu K Y, et al. Numerical simulation on the air pollution potential in the severe air pollution episodes in Beijing-Tianjin-Hebei Region[J]. Acta Scientiae Circumstantiae, 2015, 35(9): 2681-2692.
[18] 曾胜兰, 王雅芳. 成都地区污染天气分型及其污染气象特征研究[J]. 长江流域资源与环境, 2016, 25(S1): 59-67.
Zeng S L, Wang Y F. Researches of weather pattern and pollution meteorological characteristics in Chengdu area[J]. Resources and Environment in the Yangtze Basin, 2016, 25(S1): 59-67.
[19] 常炉予, 许建明, 周广强, 等. 上海典型持续性PM2.5重度污染的数值模拟[J]. 环境科学, 2016, 37(3): 825-833.
Chang L Y, Xu J M, Zhou G Q, et al. A numerical study of typical heavy air pollution episode of PM2.5 in Shanghai[J]. Environmental Science, 2016, 37(3): 825-833.
[20] 刘琳, 王玲玲, 白永清, 等. 应用WRF/Chem模拟河南冬季大气颗粒物的区域输送特征[J]. 环境科学学报, 2017, 37(5): 1843-1854.
Liu L, Wang L L, Bai Y Q, et al. Simulation for the impacts of regional transport on winter particulate matter levels over Henan based on WRF/Chem model[J]. Acta Scientiae Circumstantiae, 2017, 37(5): 1843-1854.
[21] 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.
[22] 王涛, 李杰, 王威, 等. 北京秋冬季一次重污染过程PM2.5来源数值模拟研究[J]. 环境科学学报, 2019, 39(4): 1025-1038.
Wang T, Li J, Wang W, et al. Numerical simulation study on source apportionment of PM2.5 in a heavy winter pollution event over Beijing area[J]. Acta Scientiae Circumstantiae, 2019, 39(4): 1025-1038.
[23] 徐冉, 张恒德, 杨孝文, 等. 北京地区秋冬季大气污染特征及成因分析[J]. 环境科学, 2019, 40(8): 3405-3414.
Xu R, Zhang H D, Yang X W, et al. Concentration characteristics of PM2.5 and the causes of heavy air pollution events in Beijing during autumn and winter[J]. Environmental Science, 2019, 40(8): 3405-3414.
[24] He J J, Gong S L, Zhou C H, et al. Analyses of winter circulation types and their impacts on haze pollution in Beijing[J]. Atmospheric Environment, 2018, 192: 94-103. DOI:10.1016/j.atmosenv.2018.08.060
[25] 苗蕾, 廖晓农, 王迎春. 基于长时间序列的北京PM2.5浓度日变化及气象条件影响分析[J]. 环境科学, 2016, 37(8): 2836-2846.
Miao L, Liao X N, Wang Y C. Diurnal variation of PM2.5 mass concentration in Beijing and influence of meteorological factors based on long term date[J]. Environmental Science, 2016, 37(8): 2836-2846.
[26] 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.
[27] 李颖若, 汪君霞, 韩婷婷, 等. 利用多元线性回归方法评估气象条件和控制措施对APEC期间北京空气质量的影响[J]. 环境科学, 2019, 40(3): 1024-1034.
Li Y R, Wang J X, Han T T, et al. Using multiple linear regression method to evaluate the impact of meteorological conditions and control measures on air quality in Beijing during APEC 2014[J]. Environmental Science, 2019, 40(3): 1024-1034.
[28] Wang P F, Guo H, Hu J L, et al. Responses of PM2.5 and O3 concentrations to changes of meteorology and emissions in China[J]. Science of the Total Environment, 2019, 662: 297-306. DOI:10.1016/j.scitotenv.2019.01.227
[29] 于燕, 王泽华, 崔雪冬, 等. 长三角地区重点源减排对PM2.5浓度的影响[J]. 环境科学, 2019, 40(1): 11-23.
Yu Y, Wang Z H, Cui X D, et al. Effects of emission reductions of key sources on the PM2.5 concentrations in the Yangtze river delta[J]. Environmental Science, 2019, 40(1): 11-23.
[30] 卢文, 王红磊, 朱彬, 等. 南京江北2014-2016年PM2.5质量浓度分布特征及气象和传输影响因素分析[J]. 环境科学学报, 2019, 39(4): 1039-1048.
Lu W, Wang H L, Zhu B, et al. Distribution characteristics of PM2.5 mass concentration and their impacting factors including meteorology and transmission in North Suburb of Nanjing during 2014 to 2016[J]. Acta Scientiae Circumstantiae, 2019, 39(4): 1039-1048.
[31] 许文轩, 田永中, 肖悦, 等. 华北地区空气质量空间分布特征及成因研究[J]. 环境科学学报, 2017, 37(8): 3085-3096.
Xu W X, Tian Y Z, Xiao Y, et al. Study on the spatial distribution characteristics and the drivers of AQI in North China[J]. Acta Scientiae Circumstantiae, 2017, 37(8): 3085-3096.
[32] 贾梦唯, 赵天良, 张祥志, 等. 南京主要大气污染物季节变化及相关气象分析[J]. 中国环境科学, 2016, 36(9): 2567-2577.
Jia M W, Zhao T L, Zhang X Z, et al. Seasonal variations in major air pollutants in Nanjing and their meteorological correlation analyses[J]. China Environmental Science, 2016, 36(9): 2567-2577.