2022, Vol. 43
2. 天气在线气象应用研究所, 无锡 214000;
3. 中国气象局武汉暴雨研究所暴雨监测预警湖北省重点实验室, 武汉 430205
2. Weather Online Institute of Meteorological Applications, Wuxi 214000, China;
3. Hubei Key Laboratory for Heavy Rain Monitoring and Warning Research, Institute of Heavy Rain, China Meteorological Administration, Wuhan 430205, China
近年来, 城市化进程日益加快, 不可持续的能源结构以及中国石油和煤炭等化石燃料的利用, 使得过去20年来城市空气质量日益恶化, 空气污染被认为是最严重的环境问题, 并引起了中国政府, 公众和科学家的广泛关注, 主要表现之一为冬季持续大规模霾事件频频出现[1~4].目前国内外对于霾污染时空分布及形成机制的研究主要集中在经济发达区域, 如京津冀地区、长江三角洲地区、珠江三角洲地区和成渝城市群[5, 6], 而针对长江流域中游两湖地区(湖南和湖北)的关注度还较少[7~9].长江中游两湖地区是长江经济带的重要组成部分, 近年来由于区域经济快速增长, 大气污染物排放总量居高不下, 已成为一个新的区域性霾污染中心[10~13].此外, 两湖地区具有“次盆地”地形, 其北界通过南阳盆地与中原地区相连, 是我国大型外流盆地之一.两湖地区地理位置特殊, 位于华北、中原和华东重霾污染区的东亚冬季风下风方, 是大气污染物区域传输的典型受体区, 且“次盆地”地形不易使大气污染物输出, 大气污染物区域传输对长江中游地区大气环境具有重要影响, 是亟待深入探索的复杂大气环境问题的代表性研究区域.
不同环流形势对大气污染物的传输、累积和扩散影响具有显著差异[13~16], 利用天气环流分型探索大气污染的成因机制成为一项重要研究工作[17~23].目前T-mode斜交旋转主成分分析法(PCT)已广泛应用于区域大气环流分型研究, 具有良好的应用价值[19, 22, 23, 24].常炉予等[25]的研究利用T-mode主成分分析法(PCT)将925 hPa低层位势高度和全风速场进行大样本客观分型, 分别总结出促进上海地面臭氧污染形成和消散的大气环流类型, 并对各个环流形势的气象特点进行了分析总结.许建明等[20]的研究利用T-mode斜交旋转分解方法(PCT)揭示了上海秋冬季易发生PM2.5污染的4种天气环流类型, 分别为冷锋、高压后部弱气压场和高压前部弱气压场(WGI和WGf), 并指出高压前部弱气压场是导致上海3次连续重度污染发生的重要原因.戴竹君等[19]的研究指出, 均压区型、冷锋前部型和低压倒槽型是江苏秋冬季节发生重度霾的主要3类地面形势.Sun等[26]的研究对形成北京区域霾污染的边界层热和动力结构特征进行分析, 得出南风输送型、东风辐合型、下沉压缩型和辐合累积型这4种主要环流类型.
PM2.5在大气中停留时间较长, 通常可达数周时间, 具有传输距离远、影响范围广的特点.不同的环流形势主导不同的传输路径, 进而影响污染变化过程, 表现出明显的区域性污染传输特征[27~31].在一定的天气尺度环流下, 周围省份(如山东和河南等省)排放的气溶胶污染物可通过跨界传输带入到京津冀地区[32~34].Wu等[35]的研究表明珠三角PM2.5污染过程中来自于长距离传输的比例高达50% ~70%, 传输作用带来的影响会使得郊区的污染重于临近城区的污染.Xiao等[36]的研究发现武汉地区PM2.5污染最严重的天气类型在850 hPa水平上常表现为西北高压和东北低压, 此时由于西北风盛行, 可将北部地区的较高浓度的气溶胶污染输送到武汉.高压底部传输型是长江中游地区PM2.5重污染天气的重要环流形势之一, 其对应冷空气路径往往偏北, 地面偏北风风速较强, 在强冷空气南下过程中, 较强的偏北风将上游高浓度污染物输送至长江中游地区, 造成长江中游重污染事件的发生[37].
由于长江中游地区与京津冀、长三角和四川盆地等重污染区域相连, 区域间地势多平坦, 有利于大气污染物跨区域传输, 其独特的地理位置使得长江中游成为我国大气污染物区域传输的重要枢纽[37].观测表明受中东部地区强偏北风影响, PM2.5污染物由源区华北平原向下游两湖地区传输, 沿邯郸、郑州和南阳传输至襄阳为准2 d时间[38].长江中游地区具有典型的大气污染传输通道[39, 40], 在冬季风影响下我国中东部地区大气污染物跨区域传输至长江中游境内, 按照境外→襄阳→荆门→荆州的路径进行大气污染物输送.长江中游地区环境空气质量受到当地源和外来源的双重影响, 因此有必要区分讨论本地累积型和区域传输型主导的区域重污染过程, 并认识处在特殊地理位置上的区域传输影响对大气污染的加重作用.因此, 本文通过筛选和整理2015~2019年采暖季(11月~次年3月)长江中游地区大气污染传输通道城市PM2.5重污染过程, 利用T-mode斜交旋转主成分分析(PCT)天气分型方法对所有案例进行客观环流分型, 重点研究不同环流形势下的传输、累积型重污染特征、成因及与区域传输影响等关键科学问题, 以期为识别长江中游地区PM2.5重污染发生的潜在物理机制提供支撑.
1 材料与方法 1.1 资料说明本研究资料选取的区域和时段为我国中东部地区2015~2019年采暖季(11月~次年3月).大气颗粒物PM2.5监测站点数据选取中国环境监测总站的全国城市空气质量实时发布平台(http://www.mee.gov.cn), 时间分辨率为1 h.气象地面观测站点数据来源于国家气象中心(http://data.cma.cn/), 时间分辨率为1 h, 气象要素主要包括温、压、湿、风和降水.再分析资料选取ERA5全球再分析数据集, 水平分辨率为0.25°×0.25°, 时间分辨率为1 h, 选用主要气象参数为2 m气温、10 m风速、海平面气压、垂直速度、散度和边界层高度等.本文所用的ERA5数据集是欧洲中期天气预报中心开发的第五代大气再分析全球气候产品, 作为较强大的全球气候监测工具, 具有良好的空间分辨率(31 km)和高时间分辨率(1 h).
1.2 T-mode斜交旋转主成分分析法(PCT)在本研究中, 基于Huth等[41]的T-mode斜交旋转主成分分析法(PCT)分型研究是使用欧盟cost733class(http://cost733.met.no)软件包完成的, 该软件包可创建、评估和比较一种或多种要素的分类结果, 此分型软件主要包括以下算法步骤: ①进行数据在空间上的标准化; ②将数据按照第一个子集由第1 d、第11 d和第21 d等组成, 第二个子集由第2 d、第12 d和第22 d等组成, 这样的排列组合方式分为10个子集; ③求解矩阵方程Z=ATF, 式中, Z为原始高维数据矩阵, F为主成分(PC)得分矩阵, A为PC载荷矩阵, 将每个子集的PC得分通过梯度投影算法[42]的斜向旋转投影到其余数据上, 并选取每天载荷最大的类型作为此日的分类结果.④最后比较这10个分类, 选择累计解释方差最大的子集作为最终的分类结果.
2 结果与讨论 2.1 长江中游地区PM2.5重污染过程的典型天气环流分型定义每年11月~次年3月期间, 长江中游地区大气污染物区域传输通道城市: 襄阳、荆门和荆州这3个城市中, 有两个及两个以上城市同时达到重污染以上[即ρ(PM2.5)大于150 μg·m-3)], 记为一次重污染过程.由此筛选出2015~2019年的冬季重污染案例共74 d.利用T-mode斜交旋转主成分分析(PCT)天气分型方法对74 d重污染案例的海平面气压场(SLP)进行客观分型研究, 并得到4种主要的环流类型.
图 1给出了所产生环流类型的合成平均SLP和合成平均10 m风场叠加图, 根据环流形态和主要影响系统中心位置, 可将确定环流类型描述如下. ①PCT1: 高压底部传输型, 出现天数为41 d, 环流型占比55.4%.该环流型冷空气相对较强, 主导风向为北风, 风力强, 有利于将上游污染快速传输到本地; ②PCT2: 低压辐合累积型, 共出现12 d, 环流型占比16.2%, 长江中游处于弱低气压场控制, 风速较小; ③PCT3: 高压静稳累积型, 出现天数为11 d, 环流型占比14.9%, 长江中游受弱高压均压场控制, 风力小; ④PCT4: 高压后部传输型, 出现天数为10 d, 环流型占比13.5%, 冷高压向东移动, 长江中游位于高压后部, 主要受到偏东气流控制, 造成重污染东路输送. 4种环流类型累积解释方差超过93%, 且区域传输型重污染(PCT1和PCT4)天数占比较大, 高达69%, 可见区域传输对长江中游地区重污染天气影响显著.
|
(a)PCT1; (b)PCT2; (c)PCT3; (d)PCT4; 箭矢表示10 m风速 图 1 2015~2019年采暖季(11月~次年3月)长江中游地区PM2.5重污染天气环流分型的海平面气压场和10 m风速 Fig. 1 Sea level pressure and 10 m wind speeds of the heavy PM2.5 pollution weather circulation pattern of the hot season(November to March of the following year) in the Yangtze River middle basin |
图 2分别统计了不同环流型下重污染发生、维持和消散阶段的持续时间, 及PM2.5从轻度污染(115 μg·m-3)上升为重度污染(150 μg·m-3)的变化速率.其中, 污染发生阶段的持续时间定义为污染持续累积增长前最低值的时刻至达到重度污染第一个时刻的持续时间; 维持时间定义为重度污染持续时间; 消散阶段定义为重度污染最后一个时刻到持续下降到浓度最低点时刻的持续时间.由图 2可见, PCT1高压底部传输型污染在地面较强北风的作用下, 可将北方污染物快速传输到长江中游, 污染物浓度暴发式增长, 其次PCT4高压后部传输型在地面偏东风的作用下, 增长速度也相对较快, PCT2和PCT3两种静稳型环流, 对应污染物累积阶段时间则相对较长.同样, PCT2和PCT3静稳型环流大气扩散能力相对较差, 污染物不易稀释扩散, 对应污染持续时间也会较长.由图 2可知, PCT1污染持续时间也有相对较长值, 其主要原因是北方污染物浓度往往过大, 当风速不是很大时, 长江中游南部地形又对PM2.5扩散有一定削弱作用, 所以会出现连续PCT1类型的污染过程, 当风速进一步加大时, 污染可迅速清除消散, 因此PCT1消散时间相对最短.PCT2和PCT4消散时间相对较长, 可能原因分析是环流演变造成的, 污染虽然下降到重度污染以下, 但是依旧存在污染现象.
|
(a)污染发生、维持和消散阶段的持续时间; (b)重污染天气环流型的上升速率 图 2 长江中游地区PM2.5重污染天气环流型的污染特征统计 Fig. 2 Air pollution characteristic analysis of heavy PM2.5 weather circulation patterns in the Yangtze River middle basin |
图 2(b)为4类天气形势PM2.5污染浓度从轻度污染115 μg·m-3到重度污染污染峰值的上升速率, 以此分析4类天气形势前期污染增长特征.从中可知, PCT1和PCT4两种传输型污染上升较快, PCT1地面偏北风将北方污染物带来长江中游, 是本地重污染发生的重要原因.
2.2 水平输送及垂直结构4类天气类型对应的大尺度环流背景和站点PM2.5平均浓度有明显差异(图 3).PCT1高压底部传输型: 两湖地区地面处于上游高压底部, 高压前部偏北风对应地面位置在两湖地区具有较强的地面北风, 冷空气驱动上游华北地区污染物快速传输到两湖地区北部, 特别加剧西北部传输通道城市襄阳和荆门城市的空气污染, 浓度平均值超过175 μg·m-3, 即空气质量处于重度及以上污染水平.PCT4高压后部传输型: 地面两湖地区处于高压后部, 盛行东北风将右侧长江中游颗粒物传输至两湖.PCT2低压辐合累积型[图 3(b)]对应两湖地区静稳的天气形势, 静稳气象条件下, 大气边界层湍流活动弱, 对应大气扩散能力较弱, 局地污染物累积增长, 这是局地大气污染的典型特征.同时PCT3高压静稳累积型也为静稳型污染, 两湖地区位于地面高压中心, 风速较小, 污染物局地缓慢累积增长.
|
箭矢表示1 000 hPa风速 图 3 长江中游地区PM2.5重污染天气环流型1 000 hPa风场和PM2.5浓度的空间分布 Fig. 3 Spatial distribution of 1 000 hPa wind fields and PM2.5 concentration of heavy pollution weather circulation pattern in the Yangtze River middle basin |
风速和大气边界层高度分别是影响污染物水平和垂直扩散的关键气象要素, 对大气环境变化有重要影响.大量研究结果表明, 风速和边界层高度的增加往往使得污染物浓度降低, 从而对空气质量具有明显改善作用; 同时, 当两者较小时, 通常代表着大气扩散能力较差, 此时污染物浓度明显较高.然而以上研究并不适用于传输型污染, 传输型重污染事件的发生往往伴随着较高的边界层高度[43], 有利于将远距离污染物传输到本地.图 4给出4类天气类型统计的风速和边界层高度区域平均(112.25°~114.25°E; 30°~32°N)柱状图, 由图可见, PCT1传输型风速和边界层高度最高, 良好的大气通风条件有利污染输送.PCT2、PCT3两种静稳型风速和边界层高度较低, 大气扩散条件最差.PCT3和PCT4均受高压下沉气流影响, 边界层高度较低, 但PCT4风速明显大于PCT3, 气象输送条件相对良好.
|
图 4 长江中游地区PM2.5重污染天气环流型平均风速和边界层高度 Fig. 4 Wind speed and boundary layer height in PM2.5 heavy pollution circulation pattern of regional average of the Yangtze River middle basin |
除水平方向气象要素和区域污染物传输作用的影响外, 垂直混合也是污染演变的控制动力因素之一, 对空气污染物的垂直累积扩散具有重要影响[44, 45].图 5显示了4类天气形势下经向风分量、散度和垂直速度的垂直廓线(112.25°~114.25°E; 30°~32°N), 反映污染物输送和累积过程的动力学机制存在明显差异.高压底部传输型(PCT1)在对流层975 hPa以下有较强的偏北风(风速为负值), 稳定在4 m·s-1左右, 在975 hPa以上随高度急剧减小, 并在850 hPa附近转为偏南风, 随着高度的增加而增强.这种由冷锋入侵形成的水平风的垂直结构, 对长江中游传输型重污染有重要作用, 可引导北方源区污染物向受体长江中游传输和汇聚[46].同时, 在大气边界层(850~1 000 hPa)内观察到强风辐合(散度为负值), 950 hPa内气流下沉(垂直速度为正值), 共同促使PM2.5在两湖地区表面附近聚集, 从而导致严重PM2.5污染事件.PCT4高压后部传输型地面以偏北风为主, 且975~1 000 hPa垂直方向上以弱辐合为主, 可将上游污染物源源不断向两湖地区输送.与传输型不同, PCT2低压辐合累积型在地面主要受弱低压控制, 风速较小, 污染物不易稀释扩散, 且950 hPa以下气流以辐合为主, 加上微弱的上升运动进一步促进四周区域PM2.5向低压中心两湖地区水平辐合.PCT3两湖地区位于弱高压中心, 低层风速较小, 同时925 hPa以上偏北风配合较强的下沉运动可将上游污染传输到两湖地区, 加重两湖地区污染.
|
图 5 长江中游地区区域平均PM2.5重污染天气环流型垂直廓线 Fig. 5 Vertical profile in PM2.5 heavy pollution circulation patterns of regional average of the Yangtze River middle basin |
PCT1高压底部传输型在4种环流型中出现天数最多, 是易产生重污染天的重要环流类型之一, 其对应冷空气路径往往偏北, 强度较强, 且边界层高度和地面风速较强, 是典型的冷锋前污染传输过程.图 6给出PCT1型41 d重污染日合成平均的24 h变温和假相当位温沿112.25°~114.25°E经度平均的垂直剖面.从中可知, 北方冷空气由800 hPa高空向南侵入两湖地区近地面, 长江中游地区表现为典型的冷锋垂直环流特征.图 6中假相当位温密集区(红框标注)为锋面, 随高度向冷空气一侧倾斜, 冷锋过后两湖及其上游地区降温幅度明显.长江中游地区低层偏北气流沿锋面爬升并向北迂回, 引导北方源区污染物向长江中游地区传输和汇聚, 中低层偏南暖气流及地形阻挡对冷空气侵入和污染物传输起缓冲作用[32], 加重长江中游地区污染快速累积.
|
等值线表示假相当位温, 单位: K; 箭矢表示垂直环流, 单位: m·s-1; 黑色阴影表示地形高度; 红色虚线框表示冷锋位置 图 6 PCT1型大气垂直结构、24 h变温及假相当位温和垂直环流沿112.25°~114.25°E平均的纬向-高度剖面 Fig. 6 PCT1 atmospheric vertical structure, vertical (height-latitude) cross-section of 24 h temperature variation, pseudo-equivalent potential temperature, and vertical circulation along 112.25°-114.25°E average values |
长江中游地区具有典型的大气污染传输通道, 在冬季风影响下我国中东部地区大气污染物跨区域传输至长江中游境内, 按照境外→襄阳→荆门→荆州的路径进行大气污染物输送.为了进一步分析区域传输对长江中游PM2.5重污染过程的影响, 基于PCT1型41 d重污染过程合成了襄阳、荆门和荆州这3个城市PM2.5浓度小时变化(图 7).受强偏北风驱动, 上游地区污染物快速传输到长江中游, 位于北部边界的襄阳受影响最大, PM2.5浓度首先升高且污染程度最为严重.荆门和荆州相继在12 h和24 h之后出现污染峰值, 表明大气污染物在长江中游境内传输具有12 h滞后的特征.
|
图 7 长江中游地区大气污染物传输通道襄阳、荆门和荆州PCT1型41 d PM2.5重污染传输过程的合成 Fig. 7 Composite transport process of heavy PM2.5 pollution of 41 d of PCT1 in Xiangyang, Jingmen, and Jingzhou in the Yangtze River middle basin |
对长江中游PCT1型41 d重污染过程(前2 d、前1 d、污染当天和后1 d)PM2.5浓度进行合成, 得到如图 8所示的区域传输过程演变.从中可知, PM2.5浓度的时空变化存在明显的跨区域传输现象, 地面较强的偏北风将上游地区高浓度污染输送至长江中游, 造成长江中游重污染事件的发生.随着北风的进一步加强, 大气扩散条件较好, 长江中游污染物浓度明显降低.
|
箭矢表示地面风速 图 8 长江中游地区高压底部传输型对应41 d重污染合成PM2.5传输和地面风场过程演变 Fig. 8 PM2.5 transport and surface wind fields process evolution of 41 d of high-pressure bottom transport pattern in the Yangtze River middle basin |
基于观测滞后相关分析方法确定长江中游高压底部传输型上游潜在源区.图 9(a)利用高压底部传输型41 d小时样本, 统计了襄阳重污染当天PM2.5小时浓度与其他城市前1 d(24 h)PM2.5小时浓度的滞后相关系数, 图 9(b)利用襄阳24 h滞后相关数值最大的菏泽, 计算菏泽PM2.5小时浓度与其他城市前24 h PM2.5小时浓度的滞后相关系数, 两组相关性均通过了95%置信水平检验.由两组滞后相关数值的空间分布可见, 污染物区域传输的上下游效应明显, 襄阳24 h潜在源区主要集中在河南中北部和山东西部, 48 h潜在源区覆盖华北大部地区, 这些地区PM2.5高浓度可随着地面偏北风, 跨区域输入到长江中游地区, 对本地大气污染具有明显加重作用.
|
图 9 高压底部传输型重污染PM2.5小时浓度滞后相关系数空间分布 Fig. 9 Spatial distribution of lag correlation coefficient in the PM2.5 hourly concentration of high-pressure bottom transport pattern |
(1) 长江中游4种主要的重污染环流类型为PCT1高压底部传输型、PCT2低压辐合累积型、PCT3高压静稳累积型和PCT4高压后部传输型, 环流型占比分别为55.4%、16.2%、14.9%和13.5%.其中, 区域传输型污染(PCT1和PCT4)出现天数最多, 高达69%, 大气污染物区域传输是导致长江中游地区PM2.5重污染天气频发生的关键驱动因素.
(2) PCT1传输型在地面较强北风的作用下, 可将北方污染物快速传输到长江中游地区, 污染物浓度呈暴发式增长, 当北风风速进一步加大, 污染物被迅速清除, 污染过程相对最短.PCT4传输型主要受地面偏东风的影响, 污染上升速率也相对较快.PCT2和PCT3两种静稳环流型, 污染物在本地缓慢累积增长, 重污染持续时间相对较长.
(3) PCT1高压底部传输型, 冷锋南侵伴随强偏北风驱动上游华北地区污染物快速传输到长江中游地区, 同时850~1 000 hPa两层之间强风辐合, 有利于PM2.5传输在本地累积增长.而低层东北风驱动作用是PCT4高压后部传输型重污染发生的有利条件.PCT2和PCT3为静稳天气环流型, 地面风速较小, 分别受低层低压辐合和高压下沉气流的影响, PM2.5污染在本地累积增长.
(4) 高压底部传输型污染具有明显的跨区域传输特征, 长江中游传输通道城市襄阳、荆门和荆州PM2.5传输具有12 h时间滞后现象.基于滞后相关方法辨识了大气污染物区域传输过程中的上下游效应及潜在影响源区, 结果表明长江中游地区PM2.5影响源区主要分布在河南中北部、山东西部和华北大部地区.
| [1] | Chan C K, Yao X H. Air pollution in mega cities in China[J]. Atmospheric Environment, 2008, 42(1): 1-42. DOI:10.1016/j.atmosenv.2007.09.003 |
| [2] | Yan S Q, Zhu B, Kang H Q. Long-term fog variation and its impact factors over polluted regions of East China[J]. Journal of Geophysical Research: Atmospheres, 2019, 124(3): 1741-1754. DOI:10.1029/2018JD029389 |
| [3] |
杨晓辉, 宋春杰, 范丽行, 等. 京津冀地区高分辨率PM2.5浓度时空变化模拟与分析[J]. 环境科学, 2021, 42(9): 4083-4094. Yang X H, Song C J, Fan L X, et al. High-resolution estimation of spatio-temporal variation in PM2.5 concentrations in the Beijing-Tianjin-Hebei region[J]. Environmental Science, 2021, 42(9): 4083-4094. |
| [4] |
廉涵阳, 杨欣, 张普, 等. 北京2019年冬季一次典型霾污染特征与成因分析[J]. 环境科学, 2021, 42(5): 2121-2132. Lian H Y, Yang X, Zhang P, et al. Analysis of characteristics and causes of a typical haze pollution in Beijing in the winter of 2019[J]. Environmental Science, 2021, 42(5): 2121-2132. |
| [5] | Zhang X Y, Wang Y Q, Niu T, et al. Atmospheric aerosol compositions in China: spatial/temporal variability, chemical signature, regional haze distribution and comparisons with global aerosols[J]. Atmospheric Chemistry and Physics, 2012, 12(2): 779-799. DOI:10.5194/acp-12-779-2012 |
| [6] |
张小曳. 中国不同区域大气气溶胶化学成分浓度、组成与来源特征[J]. 气象学报, 2014, 72(6): 1108-1117. Zhang X Y. Characteristics of the chemical components of aerosol particles in the various regions over China[J]. Acta Meteorologica Sinica, 2014, 72(6): 1108-1117. |
| [7] |
白永清, 祁海霞, 刘琳, 等. 武汉大气能见度与PM2.5浓度及相对湿度关系的非线性分析及能见度预报[J]. 气象学报, 2016, 74(2): 189-199. Bai Y Q, Qi H X, Liu L, et al. Study on the nonlinear relationship among the visibility, PM2.5 concentration and relative humidity in Wuhan and the visibility prediction[J]. Acta Meteorologica Sinica, 2016, 74(2): 189-199. |
| [8] |
马德栗, 李兰, 鞠英芹. 湖北省霾日数气候特征及夏季典型霾过程气象因子分析[J]. 环境科学与技术, 2015, 38(11): 148-153. Ma D L, Li L, Ju Y Q. Climate characteristics of haze days and analysis of summer haze weather event in Hubei Province[J]. Environmental Science & Technology, 2015, 38(11): 148-153. |
| [9] | Shen L J, Wang H L, Zhao T L, et al. Characterizing regional aerosol pollution in central China based on 19 years of MODIS data: spatiotemporal variation and aerosol type discrimination[J]. Environmental Pollution, 2020, 263. DOI:10.1016/j.envpol.2020.114556 |
| [10] |
朱燕, 赵天良, 白永清, 等. 两湖盆地冬季区域大气颗粒物污染特征及独特的风场和下垫面影响[J]. 环境科学, 2021, 42(10): 4669-4677. Zhu Y, Zhao T L, Bai Y Q, et al. Characteristics of atmospheric particulate matter pollution and the unique wind and underlying surface impact in the Twain-Hu basin in winter[J]. Environmental Science, 2021, 42(10): 4669-4677. |
| [11] |
任阵海, 苏福庆, 陈朝晖, 等. 夏秋季节天气系统对边界层内大气中PM10浓度分布和演变过程的影响[J]. 大气科学, 2008, 32(4): 741-751. Ren Z H, Su F Q, Chen Z H, et al. Influence of synoptic systems on the distribution and evolution process of PM10 concentration in the boundary layer in summer and autumn[J]. Chinese Journal of Atmospheric Sciences, 2008, 32(4): 741-751. DOI:10.3878/j.issn.1006-9895.2008.04.04 |
| [12] | Bai Y Q, Qi H X, Zhao T L, et al. Simulation of the responses of rainstorm in the Yangtze River Middle Reaches to changes in anthropogenic aerosol emissions[J]. Atmospheric Environment, 2020, 220. DOI:10.1016/j.atmosenv.2019.117081 |
| [13] | Bai Y Q, Wang Y, Kong S F, et al. Modelling the effect of local and regional emissions on PM2.5 concentrations in Wuhan, China during the COVID-19 lockdown[J]. Advances in Climate Change Research, 2021, 12(6): 871-880. DOI:10.1016/j.accre.2021.09.013 |
| [14] |
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, 57(1): 27-36. Zhang R H, Li Q, Zhang R N. Meteorological conditions for the persistent severe fog and haze event over eastern China in January 2013[J]. Science China Earth Sciences, 2014, 57(1): 26-35. |
| [15] |
王静, 施润和, 李龙, 等. 上海市一次重雾霾过程的天气特征及成因分析[J]. 环境科学学报, 2015, 35(5): 1537-1546. Wang J, Shi R H, Li L, et al. Characteristics and formation mechanism of a heavy air pollution episode in Shanghai[J]. Acta Scientiae Circumstantiae, 2015, 35(5): 1537-1546. |
| [16] | Ning G C, Yim S H L, Wang S G, et al. Synergistic effects of synoptic weather patterns and topography on air quality: a case of the Sichuan Basin of China[J]. Climate Dynamics, 2019, 53(11): 6729-6744. DOI:10.1007/s00382-019-04954-3 |
| [17] | Cheng C S, Campbell M, Li Q, et al. A Synoptic Climatological approach to assess climatic impact on air quality in South-central Canada. Part Ⅰ: Historical analysis[J]. Water, Air, and Soil Pollution, 2007, 182(1-4): 131-148. DOI:10.1007/s11270-006-9327-3 |
| [18] |
张国琏, 甄新蓉, 谈建国, 等. 影响上海市空气质量的地面天气类型及气象要素分析[J]. 热带气象学报, 2010, 26(1): 124-128. Zhang G L, Zhen X R, Tan J G, et al. The analysis of the relationship between the air quality in Shanghai and surface pressure patterns and meteorological factors[J]. Journal of Tropical Meteorology, 2010, 26(1): 124-128. |
| [19] |
戴竹君, 刘端阳, 王宏斌, 等. 江苏秋冬季重度霾的分型研究[J]. 气象学报, 2016, 74(1): 133-148. Dai Z J, Liu D Y, Wang H B, et al. The classification study of the heavy haze during autumn and winter of Jiangsu[J]. Acta Meteorologica Sinica, 2016, 74(1): 133-148. |
| [20] |
许建明, 常炉予, 马井会, 等. 上海秋冬季PM2.5污染天气形势的客观分型研究[J]. 环境科学学报, 2016, 36(12): 4303-4314. Xu J M, Chang L Y, Ma J H, et al. Objective synoptic weather classification on PM2.5 pollution during autumn and winter seasons in Shanghai[J]. Acta Scientiae Circumstantiae, 2016, 36(12): 4303-4314. |
| [21] | Xu J M, Chang L Y, Qu Y H, et al. The meteorological modulation on PM2.5 interannual oscillation during 2013 to 2015 in Shanghai, China[J]. Science of the Total Environment, 2016, 572: 1138-1149. DOI:10.1016/j.scitotenv.2016.08.024 |
| [22] |
杨旭, 张小玲, 康延臻, 等. 京津冀地区冬半年空气污染天气分型研究[J]. 中国环境科学, 2017, 37(9): 3201-3209. Yang X, Zhang X L, Kang Y Z, et al. Circulation weather type classification for air pollution over the Beijing-Tianjin-Hebei region during winter[J]. China Environmental Science, 2017, 37(9): 3201-3209. DOI:10.3969/j.issn.1000-6923.2017.09.001 |
| [23] | Miao Y C, Guo J P, Liu S H, et al. Relay transport of aerosols to Beijing-Tianjin-Hebei region by multi-scale atmospheric circulations[J]. Atmospheric Environment, 2017, 165: 35-45. DOI:10.1016/j.atmosenv.2017.06.032 |
| [24] | Huth R, Beck C, Philipp A, et al. Classifications of atmospheric circulation patterns: recent advances and applications[J]. Annals of the New York Academy of Sciences, 2008, 1146(1): 105-152. DOI:10.1196/annals.1446.019 |
| [25] |
常炉予, 许建明, 瞿元昊, 等. 上海市臭氧污染的大气环流客观分型研究[J]. 环境科学学报, 2019, 39(1): 169-179. Chang L Y, Xu J M, Qu Y H, et al. Study on objective synoptic classification on ozone pollution in Shanghai[J]. Acta Scientiae Circumstantiae, 2019, 39(1): 169-179. |
| [26] | Sun Z B, Zhao X J, Li Z M, et al. Boundary layer structure characteristics under objective classification of persistent pollution weather types in the Beijing area[J]. Atmospheric Chemistry and Physics, 2021, 21(11): 8863-8882. DOI:10.5194/acp-21-8863-2021 |
| [27] | Wang Y X, Zhang Q Q, Jiang J K, et al. Enhanced sulfate formation during China's severe winter haze episode in January 2013 missing from current models[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(17): 10425-10440. DOI:10.1002/2013JD021426 |
| [28] |
苗青青, 姜楠, 张瑞芹, 等. 中原城市群典型城市秋冬季大气PM2.5污染特征及溯源[J]. 环境科学, 2021, 42(1): 19-29. Miao Q Q, Jiang N, Zhang R Q, et al. Characteristics and sources of PM2.5 pollution in typical cities of the central plains urban agglomeration in autumn and winter[J]. Environmental Science, 2021, 42(1): 19-29. |
| [29] | Liu S H, Liu Z X, Li J, et al. Numerical simulation for the coupling effect of local atmospheric circulations over the area of Beijing, Tianjin and Hebei Province[J]. Science in China Series D: Earth Sciences, 2009, 52(3): 382-392. DOI:10.1007/s11430-009-0030-2 |
| [30] | Ye X X, Song Y, Cai X H, et al. Study on the synoptic flow patterns and boundary layer process of the severe haze events over the North China Plain in January 2013[J]. Atmospheric Environment, 2016, 124: 129-145. DOI:10.1016/j.atmosenv.2015.06.011 |
| [31] | Hu X M, Hu J, Gao L, et al. Multisensor and multimodel monitoring and investigation of a wintertime air pollution event ahead of a cold front over eastern China[J]. Journal of Geophysical Research: Atmospheres, 2021, 126(10). DOI:10.1029/2020JD033538 |
| [32] | Guo J P, Niu T, Wang F, et al. Integration of multi-source measurements to monitor sand-dust storms over North China: a case study[J]. Acta Meteorologica Sinica, 2013, 27(4): 566-576. DOI:10.1007/s13351-013-0409-z |
| [33] | Zhang R Y, Wang G H, Guo S, et al. Formation of urban fine particulate matter[J]. Chemical Reviews, 2015, 115(10): 3803-3855. DOI:10.1021/acs.chemrev.5b00067 |
| [34] | Ge B Z, Wang Z F, Lin W L, et al. Air pollution over the North China Plain and its implication of regional transport: a new sight from the observed evidences[J]. Environmental Pollution, 2018, 234: 29-38. DOI:10.1016/j.envpol.2017.10.084 |
| [35] | Wu D W, Fung J C H, Yao T, et al. A study of control policy in the Pearl River Delta region by using the particulate matter source apportionment method[J]. Atmospheric Environment, 2013, 76: 147-161. DOI:10.1016/j.atmosenv.2012.11.069 |
| [36] | Xiao Z S, Miao Y C, Du X H, et al. Impacts of regional transport and boundary layer structure on the PM2.5 pollution in Wuhan, Central China[J]. Atmospheric Environment, 2020, 230. DOI:10.1016/j.atmosenv.2020.117508 |
| [37] | Yu C, Zhao T L, Bai Y Q, et al. Heavy air pollution with a unique "non-stagnant" atmospheric boundary layer in the Yangtze River middle basin aggravated by regional transport of PM2.5 over China[J]. Atmospheric Chemistry and Physics, 2020, 20(12): 7217-7230. DOI:10.5194/acp-20-7217-2020 |
| [38] | Hu W Y, Zhao T L, Bai Y Q, et al. Importance of regional PM2.5 transport and precipitation washout in heavy air pollution in the Twain-Hu Basin over Central China: observational analysis and WRF-Chem simulation[J]. Science of the Total Environment, 2021, 758. DOI:10.1016/j.scitotenv.2020.143710 |
| [39] |
祁海霞, 崔春光, 赵天良, 等. 2015年冬季湖北省PM2.5重污染传输特征及影响天气系统的数值模拟[J]. 气象, 2019, 45(8): 1113-1122. Qi H X, Cui C G, Zhao T L, et al. Numerical simulation on the characteristics of PM2.5 heavy pollution and the influence of weather system in Hubei Province in winter 2015[J]. Meteorological Monthly, 2019, 45(8): 1113-1122. |
| [40] | Zhou Y, Bai Y Q, Yue Y Y, et al. Characteristics of the factors influencing transportation and accumulation processes during a persistent pollution event in the middle reaches of the Yangtze River, China[J]. Atmospheric Pollution Research, 2019, 10(5): 1420-1434. DOI:10.1016/j.apr.2019.03.014 |
| [41] | Huth R. A circulation classification scheme applicable in GCM studies[J]. Theoretical and Applied Climatology, 2000, 67(1-2): 1-18. DOI:10.1007/s007040070012 |
| [42] | Bernaards C A, Jennrich R I. Gradient projection algorithms and software for arbitrary rotation criteria in factor analysis[J]. Educational and Psychological Measurement, 2005, 65(5): 676-696. DOI:10.1177/0013164404272507 |
| [43] | Hou X W, Fei D D, Kang H Q, et al. Seasonal statistical analysis of the impact of meteorological factors on fine particle pollution in China in 2013-2017[J]. Natural Hazards, 2018, 93(2): 677-698. DOI:10.1007/s11069-018-3315-y |
| [44] | Zhao X J, Zhao P S, Xu J, et al. Analysis of a winter regional haze event and its formation mechanism in the North China Plain[J]. Atmospheric Chemistry and Physics, 2013, 13(11): 5685-5696. DOI:10.5194/acp-13-5685-2013 |
| [45] | Yu Y, Xu H H, Jiang Y J, et al. A modeling study of PM2.5 transboundary transport during a winter severe haze episode in southern Yangtze River Delta, China[J]. Atmospheric Research, 2021, 248. DOI:10.1016/j.atmosres.2020.105159 |
| [46] | Hu W Y, Zhao T L, Bai Y Q, et al. Contribution of regional PM2.5 transport to air pollution enhanced by Sub-Basin topography: a modeling case over Central China[J]. Atmosphere, 2020, 11(11). DOI:10.3390/atmos11111258 |