2021, Vol. 42
2. 上海市环境监测中心, 上海 200235;
3. 崇明生态研究院, 上海 200241
, DUAN Yu-sen2 , GAO Chan-chan1 , SU Ling1 , YANG Yi-xuan1 , ZHANG Yang1 , CAI Chao-lin1 , LIU Min1,3
2. Shanghai Environmental Monitoring Center, Shanghai 200235, China;
3. Institute of Eco-Chongming, Shanghai 200241, China
由于经济的快速发展, 空气污染已成为当今突出的环境问题, 细颗粒物(PM2.5)被认为是最重要的污染物之一[1].黑碳(black carbon, BC)作为大气颗粒物的重要组成成分, 是化石燃料、生物燃料和生物质不完全燃烧或热解的产物[2, 3].大气中的BC能直接吸收和散射太阳辐射, 影响冰雪和云反照率, 进而影响区域和全球辐射平衡和气候[4].在直接辐射强迫方面, BC高于CH4强度, 是继CO2后全球变暖的第二重要因素[5, 6].相对于可在大气中停留时间几年甚至上百年的CO2、CH4等温室气体(GHG), BC在大气中的留存时间为数日或几周[7], 可产生区域增温效应.另一方面, BC呈现出高比表面积的无序石墨环微晶结构[8], 能够吸附大量挥发性有机物(VOCs)和多环芳烃(PAHs)等致癌物质[9, 10]; 且粒径在0.01~1 μm间, 极易渗入人体呼吸系统, 从而引发哮喘、癌症和心血管病等疾病, 危害人体健康[11].Rosa等[12]的研究表明, BC很可能是大气颗粒物中对肺部毒性作用的主要成分.由于BC对环境和人类健康的双重影响, 大气BC浓度时空污染特征及其来源解析得到了广泛关注.
目前获取大气BC浓度的方法主要有地面监测、数值模拟和遥感再分析资料3种.地面监测主要基于光学吸收的黑碳仪或热分析方法分析样品中的碳含量, 进而得到近地面的大气BC浓度, 包括固定站点监测和移动样带监测[13].数值模拟基于大气化学传输模式, 考虑大气污染物排放来源、下垫面分布和水平输送条件等, 定量描述大气污染物在大气中的扩散、传输和转化[14, 15].卫星监测通过遥感技术获取的气溶胶光学厚度(AOD)产品进而反演出BC组分的浓度.需要指出的是, 大气BC浓度的地面监测受到仪器、站点空间代表性以及人工操作的限制, 监测范围较小.卫星监测虽可大面积观测, 但是极易受天气影响, 可能会遗漏、高估或低估参数.为了弥补两者的不足, 将不同类型和来源的数据同短期天气预报产品相集成的再分析数据逐渐被运用.现代研究和应用回顾分析第2版(modern-era retrospective analysis for research and applications, version 2, MERRA-2)是美国宇航局全球建模与同化办公室(global modeling and assimilation office, GMAO)于2017年发布的一项再分析数据, 是一套长时间序列大气再分析资料集, 包含了1980年以来的大气BC产品.Xu等[16]利用MERRA-2 BC数据研究了2000~2016年中国东部地区大气柱和地表BC浓度变化, 发现年均值最高和年增长速度最快的区域均出现在京津冀地区和河南地区.Qin等[17]根据MERRA-2 BC浓度的历史趋势和典型化石燃料消耗量, 表明煤和焦炭不再是影响BC浓度的主要因素, 而汽油、煤油和柴油等液体燃料可能是近年来北京市BC污染的重要原因.
BC主要来自生物质和化石燃料的不完全燃烧, 包括开放式生物质燃烧、移动/运输源、发电机组和其他发电源, 以及住宅供暖[18, 19].大气BC浓度的时空变化受到多种因素的共同影响, 气象条件、地形特征和区域排放是影响BC分布的重要因素.风速、降水、温度、边界层高度和湿度等不同的气象因素会直接或间接影响BC的排放去除效率和跨区域输送[20].一般来说, 风速越高、温度越高和相对湿度越低, 越有助于提高大气混合层高度和BC等大气污染物的扩散[17].魏夏潞等[21]在对冬季寿县重污染过程BC垂直结构分析中发现, 两次重污染过程均起源于地面弱风(风速低于3 m·s-1)和高湿(相对湿度80%以上)等不利扩散条件, 导致污染物局地积累.南京北郊在霾污染期间BC高浓度过程可能与来自观测站偏西部中高空气流的输送以及低层来自北部和东南方向气团的输送有关[22, 23].交通和工业排放是南京北郊BC的主要来源, 柴油车辆的尾气排放可能要比汽车尾气排放有着更多的贡献, 而工业燃煤以及生物质燃烧来源的贡献不显著[24].受源排放和气象条件(如混合层高度)的影响, 北京市BC日变化呈双峰型分布[25].以化石燃料为能源的工业源和交通源对石家庄南郊BC的贡献占主导地位, BC潜在源区主要集中在河北南部、山西中部和河南北部[26].
我国作为发展中国家, 由于经济发展和化石燃料的大量使用使得BC排放量逐年递增, 约占全球的25%~30%[27, 28].上海市作为我国的经济中心, 其能源消耗量和机动车保有量随着人口密度和城市化率的升高逐年增长, 对城市空气质量、气候变化和人体健康产生巨大影响.本文以高度城市化的上海市为研究区域, 基于MERRA-2再分析数据和地面观测资料探究了上海市1980~2019年大气BC浓度的长时间变化趋势.在此基础上, 利用大气BC浓度与主要大气污染物(CO、NO2和SO2)诊断质量比与双变量相关分析识别上海大气BC主要排放源, 并采用后向轨迹模型和潜在源贡献函数定量评价局地排放和区域传输对上海大气BC浓度的影响, 以期为有效控制上海大气污染物的排放、识别上海市的能源消费结构和改善城市空气质量提供参考.
1 材料与方法 1.1 MERRA-2再分析资料MERRA-2数据基于戈达德地球观测系统模型第5版(goddard earth observing system model, version 5, GEOS-5)及其大气数据同化系统(data assimilation system, version 5.12.4, ADAS-5.12.4)对卫星气溶胶(AOD)数据集进行同化吸收.同化吸收的AOD包括中分辨率成像光谱仪(MODIS)的AOD、超高分辨率辐射计(AVHRR)仪器偏差校正的AOD、多角度成像光谱仪(MISR)反演的AOD以及地面气溶胶机器人网络(AERONET)直接测量的AOD.另外MERRA-2还同化了若干遥感反演数据集以及来自探空仪、飞机等常规观测数据集.MERRA-2产品包括从地表到80 km左右的72个垂直层, 涉及到多种预测和诊断领域数据集, 包括云、辐射、水文循环和臭氧, 这些数据集有助于对陆地、海洋的综合分析研究.MERRA-2提供了1980年以来大气BC浓度的空间分布, 空间分辨率为0.5°×0.625°, 时间分辨率包含1 h、3 h和月份这3个尺度, 所有产品均可通过美国宇航局地球科学数据网站(https://earthdata.nasa.gov/)访问下载.
本研究从美国宇航局获取到BC数据集(M2T1NXAER和M2TMNXAER)的脚本文件, 通过命令行程序(Cygwin)批量下载小时/月的BC浓度数据, 数据格式为NetCDF, 覆盖区域为全球.在ArcGIS 10.2完成数据格式转换、批量裁剪和区域统计等操作, 进而获取上海市1980~2019年大气BC日、月和年尺度平均浓度.
1.2 MERRA-2的地面验证资料本研究利用上海市环境监测中心提供的地面大气BC浓度观测资料开展MERRA-2上海区域大气BC的精度验证, 包括上海市浦东新区环境监测中心(31°13′N, 121°32′E, 浦东站)和青浦区环境监测中心(31°08′N, 121°05′E, 青浦站)两个监测站点, 数据获取时间为2016年1月1日至2016年12月31日.两个站点均利用黑碳仪(AE-31, Magee Scientific, USA)连续测量大气BC浓度.AE-31主要原理是利用BC颗粒物对可见光的强吸收特性, 测量滤膜上收集的颗粒对光吸收造成的衰减.AE-31黑碳仪可获取370、470、520、590、660、880和950 nm共7个波段的BC浓度测量数据, 本文选定880 nm处测得的BC浓度表征为站点观测浓度.仪器采样时间间隔是5 min, 进气流量是5 L·min-1.经过质量控制和统计整合后, 浦东站和青浦站两站点的有效日均值数据样本分别为357和364.考虑到MERRA-2 BC数据的一个网格点足以覆盖观测站点, 故选取地理位置接近观测点的MERRA-2网格点日均值数据作为观测的对比值, 进而验证MERRA-2大气BC产品的适用性和精度.
1.3 其它辅助数据 1.3.1 主要大气污染物浓度数据BC、CO、NO2和SO2具有相似的燃烧和排放过程, 且受相同大气传输的影响[29], 导致BC浓度变化与这些大气污染物之间存在较大相关性.一般而言, 相关系数越高, 排放来源相似性就越高[30, 31].为探究上海市局地排放对BC浓度的影响及BC与主要大气污染物的同根同源性, 本文开展了2016~2019年MERRA-2大气BC浓度与近地面主要大气污染物浓度(CO、NO2和SO2)的诊断质量比与相关系数的分析.3种主要大气污染物数据来源于全国城市空气质量实时发布平台(http://106.37.208.233:20035/), 时间尺度为每小时.其中CO是煤和石油等含碳物质不完全燃烧的产物, 主要排放源为汽车废气以及煤和石油燃料燃烧; SO2是化石燃料燃烧排放的产物; 大气污染物NOx主要来源于机动车排放, 可作为交通源的示踪剂.
1.3.2 气象数据资料为开展上海大气BC后向轨迹与潜在源区分析, 本文使用了美国气象环境预报中心(NCEP)和美国国家大气研究中心(NCAR)联合制作的NCEP/NCAR再分析资料.NCEP/NCAR再分析资料水平分辨率是2.5°×2.5°, 垂直方向从地面到10 hPa共17层.后向轨迹采用2016年的气象数据, 包括: 温度(0.1 K)、气压(10 Pa)、相对湿度(%)、地面降水(0.1 kg·m-2)、纬向风速(0.1 m·s-1)、经向风速(0.1 m·s-1)和垂直速度(0.001 Pa·s-1)等.该数据集从美国国家海洋和大气管理局(NOAA)空气研究实验室(ARL)的服务器(https://ready.arl.noaa.gov/archives.php)获取.
1.4 Mann Kendall(M-K)时间趋势检验分析本研究利用M-K趋势检验法对上海市1980~2019年MERRA-2大气BC浓度数据进行时间变化趋势和可能突变年份分析.M-K趋势检验法是世界气象组织(WMO)推荐并已经广泛应用的一种非参数统计检验方法.非参数检验方法也称为无分布检验, 其优点是不需要样本服从某种分布, 不受少数异常值的干扰, 定量化程度高, 检测范围广, 计算方便.对于样本个数为n的时间序列x, 构造秩序列:
|
(1) |
式中ri取值如下:
|
(2) |
可见秩序列sk是第i时刻数值大于j时刻数值个数的累计数.在时间序列随机独立的假定下定义统计量:
|
(3) |
式中, UF1=0, E(sk)和var(sk)是sk的均值和方差.在x1, x2, …, xn相互独立, 且具有相同连续分布时, 它们可由下式计算:
|
(4) |
UFk为标准正态分布, 是按照时间序列x1, x2, …, xn计算出来的统计量序列.给定显著性水平α=0.05, 则Uα＝±1.96, 如果|UFk|＞|Uα|, 则否定无趋势的零假设, 表明序列存在明显的趋势变化.再按照时间逆序xn, xn-1, …, x1, 重复上述过程, 同时使UBk=-UFk(k=n, n-1, …, 1), UB1=0.通过分析序列UFk和UBk可进一步分析序列x的趋势变化, 而且可以明确突变的时间, 指出突变的区域.若UFk＞0, 则表明序列呈上升趋势, UFk＜0, 则表示呈下降趋势; 当UFk超过临界值时, 表明序列上升或下降趋势明显.如果UFk和UBk两条曲线出现交点, 且交点在临界直线之间, 那么交点对应的时刻就是突变开始的时刻.
1.5 BC潜在源区分析 1.5.1 后向轨迹模型轨迹分析通过计算经过研究地点气团的前、后向轨迹, 定性地了解区域输送的潜在来源地.后向轨迹模型(hybrid single particle lagrangian integrated trajectory model, HYSPLIT-4, https://ready.arl.noaa.gov/HYSPLIT.php)是由美国国家海洋和大气管理局(national oceanic and atmospheric administration, NOAA)和澳大利亚气象局联合开发的基于欧拉和拉格朗日混合型的计算模式.该模型主要用于计算和分析大气污染物输送以及扩散轨迹[32].主要原理为: 假设污染物气团的移动路径取决于风场, 则气团轨迹为气团在时间和空间上的位置矢量的积分, 其速度矢量为气团在时间和空间上的线性插值.该模型针对不同污染物排放源有着非常全面系统的输送、扩散和沉降模式, 可处理多种气象要素输入场和不同的物理过程, 已被广泛应用于各项大气污染物的相关研究中.
为定性了解上海市大气BC区域传输的潜在来源区, 本文利用Meteoinfo软件中的trajstat插件分别对浦东站2016年4个季节500 m高度处的气团轨迹进行前72 h后向轨迹模拟.根据组内轨迹差异较小, 组外差异较大的原则, 将各个季节模拟得到的气团轨迹进行欧拉聚类.其中轨迹长度代表该气团的传输速度, 轨迹方向即气团运动的方向, 标注则表明轨迹的贡献比例.
1.5.2 潜在源贡献函数(PSCF)分析潜在源贡献函数(potential source contribution function, PSCF)是基于条件概率函数发展而来的一种方法, 基于气流轨迹分析识别可能源区[33].首先采用后向轨迹模型(HYSPLIT)得到500 m高度处前72 h的回归轨迹, 利用欧氏距离将所有轨迹进行聚类.基于气团轨迹进行PSCF分析, 得到浦东站2016年4个季节BC的潜在源区.利用Meteoinfo软件中trajstat插件将气流轨迹覆盖的地理区域划分为0.5°×0.5°的网格, 第ij个网格单元的PSCF值可以通过以下公式计算:
|
(5) |
式中, nij代表落在第ij个网格单元的所有轨迹端点数, mij代表第ij个网格单元内BC浓度高于设定阈值(本文阈值为2016年浦东站地面观测的平均浓度, 即1.48 μg·m-3)的端点数.PSCFij值为到达第ij个网格单元内的气团中BC浓度大于设定阈值的条件概率.PSCF值越高, 说明到达该网格内的气团污染程度更高, 也就是说这些气团所在网格具有较高的概率成为BC的潜在源区.
为了降低由于nij较小导致结果偏大带来的不确定性, 引入一个权重函数W(Σnij).
|
(6) |
式中, nave为研究区域内的平均轨迹端点数.此时的PSCF值可通过以下公式计算得到:
|
(7) |
尽管MERRA-2通过同化吸收MODIS Terra和Aqua卫星上经偏差修正的AOD以校正总柱气溶胶质量, 但在严重污染期间, 硝酸盐气溶胶的缺失无法通过同化卫星AOD弥补[34], 所以仍有必要利用站点实测的AOD产品验证MERRA-2 AOD, 对其精度进行评价.唐维尧等[35]通过建立线性回归方程, 利用AERONET AOD数据对北京以及周围地区的FY-3A/MERSI AOD产品精度进行了验证分析.基于已有的研究, 本文利用上海市青浦站和浦东站2016年地面观测数据, 通过建立线性回归模型对MERRA-2 BC浓度数据进行精度评价.
结果表明MERRA-2 BC浓度数据与青浦站(R=0.72)和浦东站(R=0.68)BC浓度观测数据表现较高的趋势一致性(图 1).两站点MERRA-2 BC浓度值大致都在1∶1线上方, 表明MERRA-2 BC平均浓度高于站点观测值.Qin等[17]对比了北京市2015~2016年MERRA-2 BC和各年观测的12 h平均数据, 2015年和2016年相关系数分别为0.70和0.79, 且MERRA-2 BC平均浓度比地面BC浓度高101.60%.虽然MERRA-2 BC数值偏高, 但比卫星数据显示出较好的精度和稳定性[36].
|
图 1 MERRA-2与观测站点的BC日平均质量浓度散点图 Fig. 1 Scatter plot of BC mean daily mass concentrations observed by MERRA-2 and observation station data |
虽然浦东和青浦两站点的地面观测值有所差异, 但两站点地面观测数据的变化趋势和MERRA-2数据大致相同.需要指出的是MERRA-2再分析资料与站点观测数据的差值在不同季节呈现出较大差异(图 2).青浦站MERRA-2与地面观测大气BC的差值冬季(2.82 μg·m-3)>秋季(1.56 μg·m-3)>春季(1.45 μg·m-3)>夏季(1.16 μg·m-3), 浦东站也呈现相同的季节排序结果.Song等[34]指出夏季MERRA-2 PM2.5接近表面测量的PM2.5(偏差0.4 μg·m-3), 最大差异出现在冬季(偏差44 μg·m-3), 主要是忽略了高污染期间的硝酸盐组分.
|
图 2 2016年上海观测站点与MERRA-2大气BC浓度变化与浓度差 Fig. 2 Changes and differences in atmospheric BC concentration between Shanghai observation station and MERRA-2 in 2016 |
近40年上海大气BC年平均浓度为(2.55±0.59)μg·m-3, 与安徽[(2.82±1.76)μg·m-3][37]和浙江[(2.54±1.34)μg·m-3][37]的浓度接近, 但远低于北京(10.10 μg·m-3)[38]和广州(6.50 μg·m-3)[39].根据上海市大气BC浓度长时间变化[图 3(a)]以及M-K检验[图 3(b)]可将1980~2019年上海市近40年大气BC浓度可分为3个阶段: 缓慢增长的“低值”阶段[(1980~1986年, (1.75±0.17)μg·m-3]、相对稳定的“中值”阶段[1987~1999年, (2.18±0.07)μg·m-3]和波动变化的“高值”阶段[2000~2019年, (3.07±0.31)μg·m-3].上海自1980年开始大气BC浓度呈波动缓慢增长趋势[图 3(a)], 1980年上海市大气BC平均浓度为1.59 μg·m-3, 1984年BC浓度达到1.60 μg·m-3; 之后快速增长至1987年的2.18 μg·m-3, 接着的十余年大气BC浓度相对稳定.M-K趋势检验统计量UFk表明[图 3(b)], 1980~1999年, UFk曲线在1987年左右超过临界值后呈缓慢增长趋势.但从1999年开始, 上海大气BC浓度迅速增长, 在2008年达到峰值(3.43 μg·m-3)后逐渐下降至2012年的2.91 μg·m-3.2013~2019年, 上海BC浓度在3.04 μg·m-3上下波动, 至2019年BC浓度为2.80 μg·m-3.
|
虚线为α=0.05显著水平下, Uα=±1.96 图 3 1980~2019年上海市大气BC浓度变化趋势 Fig. 3 Temporal variations in atmospheric BC concentrations in Shanghai from 1980 to 2019 |
上海近40年来大气BC浓度的波动变化一定程度上与上海市环境政策导向有关.上海从1999年开始供应天然气, 但其能源消耗比重不大, 能源消耗仍以煤炭、石油为主[40], 所以导致1999~2008年上海大气BC浓度仍处于上升的趋势.另外2002年大气BC浓度较高可能与MODIS从2002年开始提供气溶胶数据产品有一定的关系[41].汽车尾气是上海BC排放的一个重要来源, 机动车辆的增加、外环线和中环线的贯通, 使得过境车辆大幅度增加, 排放大量BC进而影响大气BC浓度.2010年上海举办世博会采取了机动车出行限制和燃油质量控制等一系列的环保措施, 空气质量优良率和优级天数为近十年最高[42].然而上海经济持续高速发展带来了巨大的环境压力, 快速增长的机动车的数量、道路扬尘密度和尾气排放量成为上海中心地带空气主要污染物的来源[43].2009年11月上海提前实施车辆尾气排放国Ⅳ标准, 全面降低机动车排放对大气的污染.2009~2014年上海市能源消耗总量整体呈下降趋势.其中工业消耗从1 694.84万t减少到1 618.82万t; 交通消耗量从910.26万t明显减少到834.13万t; 发电供暖行业的消耗总量从3 178.34万t降低至3 119.69万t, 使得从2009年开始上海大气BC浓度呈现波动下降趋势.
从季节变化来看, 上海大气BC浓度的季节平均值冬季(3.44 μg·m-3)>春季(2.42 μg·m-3)>秋季(2.32 μg·m-3)>夏季(2.00 μg·m-3), 这一季节变化趋势与目前已发表的大多数城市观测到的BC变化基本相同[16].冬季采暖耗能增加, 再加上相对较低的风速和边界层高度不利于BC的扩散, 进一步加剧了污染[20].夏季气温升高, 天气扰动加剧, 从而导致地表BC浓度降低.由于秸秆焚烧等生物质燃烧在秋季频繁发生, 加剧了BC的积累.上海大气BC浓度频数分布总体呈现一定的偏态特征(图 4).最大频率的浓度表示在该地区大气条件下最具代表性的浓度.上海冬季BC的分布幅度比其它季节要广得多, 且有较高的尾端, 说明BC污染较为严重.夏季BC的分布最为集中, 主要分布在[1.83, 2.48]之间.
|
组距=0.3 μg·m-3 图 4 上海市1980~2019不同季节平均BC浓度的频数分布 Fig. 4 Frequency distribution of average BC concentrations in different seasons from 1980 to 2019 in Shanghai |
进一步分析发现上海大气BC浓度1980~1986年和1987~1999年月变幅较小, 季节变化不明显(图 5).自2000开始, BC月变化幅度显著增大, 冬季(尤其是1月和12月)BC浓度明显高于其他季节.需要指出的是近40年上海每年BC最低值差别不大, 维持在(1.49±0.26)μg·m-3[图 3(a)].一定程度上可说明上海市大气BC浓度年际变化更多是受到冬季大气BC浓度变化的影响.另外上海夏季大气BC浓度在7月出现一个小高峰[1980~1986年: BC7月(1.74 μg·m-3)＞BC6月(1.43 μg·m-3)＞BC8月(1.26 μg·m-3); 1987~1999年: BC7月(2.05 μg·m-3)＞BC6月(1.88 μg·m-3)＞BC8月(1.84 μg·m-3); 2000~2019年: BC7月(2.40 μg·m-3)＞BC6月(2.36 μg·m-3)＞BC8月(1.90 μg·m-3)].根据中国交通运输部公布的资料(http://www.mot.gov.cn/tongjishuju/), 上海2016和2017年7月水运、货运周转量为2 346.7亿t·km, 高于6月和8月平均值的21%(1 936.4亿t·km).由此, 可以推断上海市7月BC浓度的小高峰一定程度上与上海水运货运的船舶柴油机等发动机的BC排放有关.
|
图 5 上海市1980~2019平均BC浓度的月变化 Fig. 5 Average BC concentrations in different months from 1980 to 2019 in Shanghai |
基于2016~2019年上海市MERRA-2 BC数据, 确定了上海全年和四季平均BC/CO和BC/NO2的质量比及BC-CO、BC-NO2和BC-SO2的相关系数(表 1).依据前人提供的不同来源测定的BC/CO和BC/NO2的诊断质量比(表 2)[44], 探究上海市可能的排放源.2016~2019年上海年均BC/CO质量比为0.005, 春、夏、秋、冬季分别为0.005、0.004、0.005和0.006, 这些比率接近交通排放的比率(0.005 2).王杨君等[45]和肖思晗等[23]也分别指出上海市和南京北郊地区的BC主要受机动车尾气的影响.进一步分析BC/NO2发现上海全年、春、夏、秋和冬季分别为0.068、0.060、0.069、0.061和0.080.这些比值在柴油车(0.04~0.11)的范围内, 与汽油车(0.01~0.03)和开放式生物质燃烧(0.24~0.89)的比率相差甚远.Zhou等[46]的研究发现上海市BC浓度比北京市高2倍, 主要是上海市交通运输中的柴油消耗量更大.因此, BC/NO2比值表明BC主要来源于柴油车, 而不是汽油车, 这与从BC/CO比值推断的结果基本一致.
|
表 1 BC/CO和BC/NO2的质量比及BC与CO、NO2、SO2相关性 Table 1 Mass ratios of BC/CO and BC/NO2, and correlations between BC, CO, NO2, and SO2 |
|
|
表 2 不同来源的BC/CO和BC/NO2诊断质量比 Table 2 Mass ratios of BC/CO and BC/NO2 from different sources |
从BC-CO、BC-NO2和BC-SO2的相关系数可知(表 1), 上海大气BC浓度和CO、NO2以及SO2浓度呈正相关, 且R(BC-NO2)>R(BC-CO)>R(BC-SO2).BC与CO(0.377~0.776)、NO2(0.640~0.940)的相关性远大于SO2的(0.051~0.533).其中SO2主要来自煤炭燃烧(大多以工业为主), 侧面印证了上海市BC可能主要来源于交通排放.夏季和冬季上海市BC-NO2的相关性较小, 这主要和该地区的降水有关.上海属温带季风性气候, 海陆热力性质差异显著, 东南季风带来丰沛的降水; 冬季暖气流登陆北上与北方南下的冷空气相遇, 形成降水.降水量的增加使得BC的湿沉降增强, 从而导致两者的相关性降低.
2.4 区域传输对上海大气BC浓度的影响通过分析上海浦东站2016年4个季节的气团72 h后向轨迹可知, 上海浦东站4个季节均有6条轨迹路径(图 6).夏季以东南和西南方向的轨迹为主, 其他季节来自北方的轨迹超过50%.春季以经过黄海的东北风和东海的东南风为主导, 贡献率为43.48%; 内蒙古等地区占33.69%; 海洋的长距离运输占3.26%; 周边省份福建和浙江占19.57%.夏季气团以清洁海风为主导(77.17%), 此外, 少量来自北方途经渤海的长距离运输(9.78%); 来自东南沿海城市的轨迹占13.04%.秋季西北方向的轨迹占主导(46.15%); 来自朝鲜半岛途经黄海的气团占36.26%; 其余少量轨迹来自于邻省(9.89%).冬季气团主要来自内蒙古、京津冀的长距离运输(68.13%), 一般认为来自华北和华中地区及海岸线的气团携带污染物[23, 48, 49]; 短距离运输主要是河南省(20.88%), 小部分来自东海海域(约11%).
|
图 6 2016年上海浦东72 h后向轨迹聚类图(500 m) Fig. 6 The 72-hour backward trajectory clustering map of Shanghai Pudong station in 2016 (500 m) |
PSCF分析结果表明上海各季节BC潜在源区主要分布在中国东部地区(图 7), 以长三角为中心向外扩张, 且扩张的方向和图 6后向轨迹方向一致.距离上海越近的地区, PSCF值也就越高.长三角地区是PSCF高值带, 尤其杭州市的BC浓度及本底值在我国大部分城市中都处于较高水平[48].另外长江三角洲的BC潜在源区主要集中在江苏、安徽和浙江[37], 说明该区域内的浙江和安徽等周边省份对上海市BC浓度的影响可能性较大.上海春季大气BC的潜在源区分布在浙江东部、江苏南部及上海本地; 此外, 东海也有大量分布, 这可能与来自东南方向和东北方向的气团有关.夏季BC的PSCF高值呈带状分布, 且形状和来自东南沿海地区的气团轨迹吻合, 说明夏季上海BC受东南沿海地区的气团影响.秋季BC的PSCF高值主要分布在上海本地及其北部的周边地区, 其余PSCF高值均分布在气团轨迹经过的地带.冬季BC的潜在源区分布较为集中, PSCF高值带主要分布在浙江北部和江苏东南沿海地区.
|
图 7 2016年浦东站BC潜在源区的季节差异 Fig. 7 Seasonal differences in BC potential source areas at Pudong Station in 2016 |
(1) 上海市MERRA-2大气BC浓度数据与青浦站(R=0.72)和浦东站(R=0.68)近地面BC浓度观测数据表现出较高的一致性, 并可捕捉到两站点间的差异, 说明MERRA-2再分析资料可以有效地揭示地面BC浓度的长期变化趋势.
(2) 近40年上海市大气BC年平均浓度为(2.55±0.59)μg·m-3, 时间变化上可分为3个阶段: 缓慢增长的“低值”阶段[1980~1986年, (1.75±0.17)μg·m-3], 相对稳定的“中值”阶段[1987~1999年, (2.18±0.07)μg·m-3]和波动变化的“高值”阶段[2000~2019, (3.07±0.31)μg·m-3]; 季节变化上呈现冬季高、夏季低的“U”型模式; 受水运货运船舶柴油机等发动机排放的影响, 7月出现大气BC浓度的小高峰.
(3) 上海市大气BC/CO接近0.0052(交通排放), BC/NO2∈[0.04, 0.11](柴油车); 与CO、NO2和SO2三者的相关性大小为: R(BC-NO2)>R(BC-CO)>R(BC-SO2), 可以推断上海BC可能的排放源是交通排放, 尤其是重型柴油车的影响.
(4) 上海市夏季气团以清洁海风为主导, 占77.18%; 其他季节来自北方的气团超过50%.各季节BC潜在源区主要分布在中国东部地区, 以长三角为中心向外扩张, 且扩张方向与后向轨迹方向一致.
| [1] | Shen F Z, Ge X L, Hu J L, et al. Air pollution characteristics and health risks in Henan Province, China[J]. Environmental Research, 2017, 156: 625-634. DOI:10.1016/j.envres.2017.04.026 |
| [2] | Chow J C, Watson J G, Lowenthal D H, et al. PM2.5 source profiles for black and organic carbon emission inventories[J]. Atmospheric Environment, 2011, 45(31): 5407-5414. DOI:10.1016/j.atmosenv.2011.07.011 |
| [3] | Petzold A, Ogren J A, Fiebig M, et al. Recommendations for reporting "black carbon" measurements[J]. Atmospheric Chemistry and Physics, 2013, 13(16): 8365-8379. DOI:10.5194/acp-13-8365-2013 |
| [4] | Wang Q Y, Huang R J, Cao J J, et al. Mixing state of black carbon aerosol in a heavily polluted urban area of China: implications for light absorption enhancement[J]. Aerosol Science and Technology, 2014, 48(7): 689-697. DOI:10.1080/02786826.2014.917758 |
| [5] | Stocker T F, Qin D, Plattner G K, et al. Climate change 2013: the physical science basis. Contribution of working group i to the fifth assessment report on the intergovernmental panel on climate change[M]. New York: Cambridge University Press, 2013: 866-871. |
| [6] | Gustafsson Ö, Ramanathan V. Convergence on climate warming by black carbon aerosols[J]. Proceedings of the National Academy of Sciences of the United States of America, 2016, 113(16): 4243-4245. DOI:10.1073/pnas.1603570113 |
| [7] | Sasser E, Hemby J, Adler K, et al. Report to congress on black carbon[R]. Washington: US EPA, 2012. |
| [8] | Homann K H. Fullerenes and soot formation—new pathways to large particles in flames[J]. Angewandte Chemie International Edition, 1998, 37(18): 2434-2451. DOI:10.1002/(SICI)1521-3773(19981002)37:18<2434::AID-ANIE2434>3.0.CO;2-L |
| [9] | Yuan Y, Wu Y, Ge X L, et al. In vitro toxicity evaluation of heavy metals in urban air particulate matter on human lung epithelial cells[J]. Science of the Total Environment, 2019, 678: 301-308. DOI:10.1016/j.scitotenv.2019.04.431 |
| [10] | Cui S J, Lei R Y, Wu Y Z, et al. Characteristics of black carbon particle-bound polycyclic aromatic hydrocarbons in two sites of Nanjing and Shanghai, China[J]. Atmosphere, 2020, 11(2). DOI:10.3390/atmos11020202 |
| [11] | Kuang B Y, Lin P, Huang X H H, Y u, et al. Sources of humic-like substances in the Pearl River Delta, China: positive matrix factorization analysis of PM2.5 major components and source markers[J]. Atmospheric Chemistry and Physics, 2015, 15(4): 1995-2008. DOI:10.5194/acp-15-1995-2015 |
| [12] | Rosa M J, Yan B Z, Chillrud S N, et al. Domestic airborne black carbon levels and 8-isoprostane in exhaled breath condensate among children in New York City[J]. Environmental Research, 2014, 135: 105-110. DOI:10.1016/j.envres.2014.09.003 |
| [13] | Liu M, Peng X, Meng Z Q, et al. Spatial characteristics and determinants of in-traffic black carbon in Shanghai, China: Combination of mobile monitoring and land use regression model[J]. Science of the Total Environment, 2019, 658: 51-61. DOI:10.1016/j.scitotenv.2018.12.135 |
| [14] | Raman A, Arellano A F. Using combustion tracers to estimate surface black carbon distributions in WRF-Chem[A]. In: AGU Fall Meeting[C]. AGU, 2015. |
| [15] | Wang Q Y, Huang R J, Cao J J, et al. Contribution of regional transport to the black carbon aerosol during winter haze period in Beijing[J]. Atmospheric Environment, 2016, 132: 11-18. DOI:10.1016/j.atmosenv.2016.02.031 |
| [16] | Xu X F, Yang X Y, Zhu B, et al. Characteristics of MERRA-2 black carbon variation in east China during 2000-2016[J]. Atmospheric Environment, 2020, 222. DOI:10.1016/j.atmosenv.2019.117140 |
| [17] | Qin W H, Zhang Y P, Chen J, et al. Variation, sources and historical trend of black carbon in Beijing, China based on ground observation and MERRA-2 reanalysis data[J]. Environmental Pollution, 2019, 245: 853-863. DOI:10.1016/j.envpol.2018.11.063 |
| [18] | US EPA, Office of Air and Radiation. Black carbon report to congress[R]. 2017. |
| [19] | Briggs N L, Long C M. Critical review of black carbon and elemental carbon source apportionment in Europe and the United States[J]. Atmospheric Environment, 2016, 144(11): 409-427. |
| [20] | Ye W F, Ma Z Y, Ha X Z. Spatial-temporal patterns of PM2.5 concentrations for 338 Chinese cities[J]. Science of the Total Environment, 2018, 631-632: 524-533. DOI:10.1016/j.scitotenv.2018.03.057 |
| [21] | 魏夏潞, 王成刚. 2016年冬季寿县重污染过程黑碳垂直结构分析[A]. 见: 第35届中国气象学会年会S12大气成分与天气, 气候变化与环境影响暨环境气象预报及影响评估[C]. 合肥: 中国气象学会, 2018. |
| [22] |
杨晓旻, 施双双, 张晨, 等. 南京市黑碳气溶胶时间演变特征及其主要影响因素[J]. 环境科学, 2020, 41(2): 620-629. Yang X M, Shi S S, Zhang C, et al. Temporal evolution and main influencing factors of black carbon aerosol in Nanjing[J]. Environmental Science, 2020, 41(2): 620-629. |
| [23] |
肖思晗, 于兴娜, 朱彬, 等. 南京北郊黑碳气溶胶污染特征及影响因素分析[J]. 环境科学, 2016, 37(9): 3280-3289. Xiao S H, Yu X N, Zhu B, et al. Characteristics of black carbon aerosol and influencing factors in northern suburbs of Nanjing[J]. Environmental Science, 2016, 37(9): 3280-3289. |
| [24] |
谢锋, 林煜棋, 宋文怀, 等. 南京北郊黑碳气溶胶分布特征及来源[J]. 环境科学, 2020, 41(10): 4392-4401. Xie F, Lin Y Q, Song W H, et al. Distribution characteristics and source of black carbon aerosols in the northern suburbs of Nanjing[J]. Environmental Science, 2020, 41(10): 4392-4401. |
| [25] | Liu Y, Yan C Q, Zheng M. Source apportionment of black carbon during winter in Beijing[J]. Science of the Total Environment, 2018, 618: 531-541. DOI:10.1016/j.scitotenv.2017.11.053 |
| [26] |
关亚楠, 卢晶晶, 张毅森, 等. 石家庄南郊黑碳气溶胶污染特征与来源分析[J]. 环境科学学报, 2020, 40(9): 3146-3154. Guan Y N, Lu J J, Zhang Y S, et al. Pollution characteristics and source apportionment of black carbon aerosol in the south suburb of Shijiazhuang city[J]. Acta Scientiae Circumstantiae, 2020, 40(9): 3146-3154. |
| [27] | Ni M J, Huang J X, Lu S Y, et al. A review on black carbon emissions, worldwide and in China[J]. Chemosphere, 2014, 107(7): 83-93. |
| [28] | Mao Y H, Liao H, Han Y M, et al. Impacts of meteorological parameters and emissions on decadal and interannual variations of black carbon in China for 1980-2010[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(4): 1822-1843. DOI:10.1002/2015JD024019 |
| [29] | Wang Y X, Wang X, Kondo Y, et al. Black carbon and its correlation with trace gases at a rural site in Beijing: Top-down constraints from ambient measurements on bottom-up emissions[J]. Journal of Geophysical Research: Atmospheres, 2011, 116(D24). DOI:10.1029/2011jd016575 |
| [30] | Tiwari S, Dumka U C, Hopke P K, et al. Atmospheric heating due to black carbon aerosol during the summer monsoon period over Ballia: A rural environment over Indo-Gangetic Plain[J]. Atmospheric Research, 2016, 178-179: 393-400. DOI:10.1016/j.atmosres.2016.04.008 |
| [31] |
刘立忠, 王宇翔, 么远, 等. 西安市黑碳气溶胶浓度特征及与气象因素和常规污染物相关性[J]. 中国环境监测, 2016, 32(5): 45-50. Liu L Z, Wang Y X, Mo Y, et al. Concentration characteristics and the correlations of black carbon aerosols with meteorological factors and conventional pollutants in Xi'an[J]. Environmental Monitoring in China, 2016, 32(5): 45-50. |
| [32] |
马梁臣, 刘海峰, 王宁, 等. 2011年长春市一次持续浮尘天气成因分析[J]. 气象与环境学报, 2013, 29(6): 24-30. Ma L C, Liu H F, Wang N, et al. Forming reason of a continuous floating dust event in 2011 in Changchun[J]. Journal of Meteorology and Environment, 2013, 29(6): 24-30. |
| [33] | Begum B A, Kim E, Jeong C H, et al. Evaluation of the potential source contribution function using the 2002 Quebec forest fire episode[J]. Atmospheric Environment, 2005, 39(20): 3719-3724. DOI:10.1016/j.atmosenv.2005.03.008 |
| [34] | Song Z J, Fu D S, Zhang X L, et al. Diurnal and seasonal variability of PM2.5 and AOD in North China plain: Comparison of MERRA-2 products and ground measurements[J]. Atmospheric Environment, 2018, 191: 70-78. DOI:10.1016/j.atmosenv.2018.08.012 |
| [35] |
唐维尧, 鲍艳松, 马骁, 等. FY-3A/MERSI气溶胶光学厚度资料在北京及其周围地区的精度评价[J]. 大气与环境光学学报, 2017, 12(6): 435-445. Tang W Y, Bao Y S, Ma X, et al. Accuracy evaluation of FY-3A/MERSI aerosol optical depth data in Beijing and its adjacent region[J]. Journal of Atmospheric and Environmental Optics, 2017, 12(6): 435-445. |
| [36] | Kuo C L. Assessments of Ali, dome A, and summit camp for mm-wave observations using MERRA-2 reanalysis[J]. The Astrophysical Journal, 2017, 848(1). DOI:10.3847/1538-4357/aa8b74 |
| [37] |
井安康, 朱彬, 丁德平, 等. 中国长江三角洲地区黑碳特征和来源分析[J]. 中国环境科学, 2019, 39(9): 3585-3594. Jing A K, Zhu B, Ding D P, et al. Characteristics and source apportionment of black carbon in the Yangtze River Delta Region of China[J]. China Environmental Science, 2019, 39(9): 3585-3594. DOI:10.3969/j.issn.1000-6923.2019.09.001 |
| [38] | Song S J, Wu Y, Xu J Y, et al. Black carbon at a roadside site in Beijing: temporal variations and relationships with carbon monoxide and particle number size distribution[J]. Atmospheric Environment, 2013, 77: 213-221. DOI:10.1016/j.atmosenv.2013.04.055 |
| [39] | Huertas J I, Huertas M E, Cervantes G, et al. Assessment of the natural sources of particulate matter on the opencast mines air quality[J]. Science of the Total Environment, 2014, 493: 1047-1055. DOI:10.1016/j.scitotenv.2014.05.111 |
| [40] |
郑明, 马宪国. 上海能源消耗与PM2.5排放量分析[J]. 能源研究与信息, 2015, 31(1): 1-3. Zheng M, Ma X G. Analysis of PM2.5 emission from energy consumption in Shanghai[J]. Energy Research and Information, 2015, 31(1): 1-3. |
| [41] | Gelaro R, McCarty W, Suárez M J, et al. The modern-era retrospective analysis for research and applications, Version 2 (MERRA-2)[J]. Journal of Climate, 2017, 30(14): 5419-5454. DOI:10.1175/JCLI-D-16-0758.1 |
| [42] | 上海市环境保护局. 上海市环境质量报告书(2006-2010年)[EB/OL]. https://max.book118.com/html/2018/0606/171074358.shtm, 2011-05-01. |
| [43] |
马民涛, 韩昀峰, 宋凌艳. 上海市近年来大气环境质量变化趋势分析[J]. 四川环境, 2010, 29(2): 61-65, 69. Ma M T, Han Y F, Song L Y. Variation trend of atmospheric environmental quality in Shanghai in recent years[J]. Sichuan Environment, 2010, 29(2): 61-65, 69. DOI:10.3969/j.issn.1001-3644.2010.02.016 |
| [44] | Jing A K, Zhu B, Wang H L, et al. Source apportionment of black carbon in different seasons in the northern suburb of Nanjing, China[J]. Atmospheric Environment, 2019, 201: 190-200. DOI:10.1016/j.atmosenv.2018.12.060 |
| [45] |
王杨君, 董亚萍, 冯加良, 等. 上海市PM2.5中含碳物质的特征和影响因素分析[J]. 环境科学, 2010, 31(8): 1755-1761. Wang Y J, Dong Y P, Feng J L, et al. Characteristics and influencing factors of carbonaceous aerosols in PM2.5 in Shanghai, China[J]. Environmental Science, 2010, 31(8): 1755-1761. |
| [46] | Zhou X H, Gao J, Wang T, et al. Measurement of black carbon aerosols near two Chinese megacities and the implications for improving emission inventories[J]. Atmospheric Environment, 2009, 43(25): 3918-3924. DOI:10.1016/j.atmosenv.2009.04.062 |
| [47] | Wu D, Mao J T, Deng X J, et al. Black carbon aerosols and their radiative properties in the Pearl River Delta region[J]. Science in China Series D: Earth Sciences, 2009, 52(8): 1152-1163. DOI:10.1007/s11430-009-0115-y |
| [48] |
徐昶, 沈建东, 叶辉, 等. 杭州黑碳气溶胶污染特性及来源研究[J]. 中国环境科学, 2014, 34(12): 3026-3033. Xu C, Shen J D, Ye H, et al. Characteristics and source of black carbon aerosol pollution in Hangzhou[J]. China Environmental Science, 2014, 34(12): 3026-3033. |
| [49] |
王璐, 袁亮, 张小玲, 等. 成都地区黑碳气溶胶变化特征及其来源解析[J]. 环境科学, 2020, 41(4): 1561-1572. Wang L, Yuan L, Zhang X L, et al. Characteristics and source apportionment of black carbon in Chengdu[J]. Environmental Science, 2020, 41(4): 1561-1572. |