环境科学  2023, Vol. 44 Issue (10): 5382-5391   PDF    
引用本文
王楠, 高宇星, 屈垚, 曲静, 师菊莲, 时迎强, 周岳, 朱崇抒. 基于多源数据的西安大气重污染过程案例分析[J]. 环境科学, 2023, 44(10): 5382-5391.
WANG Nan, GAO Yu-xing, QU Yao, QU Jing, SHI Ju-lian, SHI Ying-qiang, ZHOU Yue, ZHU Chong-shu. Case Analysis of Heavy Air Pollution Process in Xi'an Using Multi-source Data[J]. Environmental Science, 2023, 44(10): 5382-5391.
基于多源数据的西安大气重污染过程案例分析
王楠1,2,3, 高宇星4, 屈垚2,3, 曲静4, 师菊莲1,2, 时迎强1,2, 周岳2,3, 朱崇抒2,3     
1. 西安地球环境创新研究院, 西安 710061;
2. 中国科学院地球环境研究所气溶胶化学与物理重点实验室, 西安 710061;
3. 陕西关中平原区域生态环境变化与综合治理国家野外科学观测研究站, 西安 710061;
4. 西安市气象局, 西安 710016
收稿日期: 2022-09-26; 修订日期: 2022-12-04
基金项目: 国家重点研发计划项目（2017YFC0212200）
作者简介: 王楠(1993~), 女, 助理工程师, 硕士研究生, 主要研究方向为大气重污染防治, E-mail: nwang_nuist@126.com
通信作者: 朱崇抒, E-mail: chongshu@ieecas.cn
摘要: 基于大气污染六要素（PM2.5、PM10、SO2、NO2、CO和O3）、PM2.5化学组分数据、地面气象观测数据、微波辐射计数据和大气再分析数据，采用物质平衡和硫/氮氧化速率（SOR/NOR）等方法对2019年1月西安市一次重污染事件过程和成因机制进行综合分析.将该次污染过程划分为累积阶段（P1）、维持阶段（P2）和消散阶段（P3），本次重污染过程主要是由于不利天气形势叠加反馈效应造成的，P1和P2阶段西安在500hPa都受平直西风气流影响，海平面气压为均压场，等压线稀疏，天气形势稳定，且925hPa以偏东风为主，不利于大气污染扩散.地基微波辐射计可辅助反映气象条件与重污染间的反馈机制，其反演的水汽密度和逆温均与PM2.5存在显著线性相关关系，相关系数分别为0.86和0.38.反馈机制主要表现为：当污染达到一定程度时产生辐射冷却效应使地面降温，进而导致或加强逆温，混合层高度降低，水汽积聚，高湿条件通过加速二次转化和促进气溶胶吸湿增长使污染进一步维持，因此P2阶段二次无机离子（SO42-+NO3-+NH4+，SNA）和"其他"组分对PM2.5的贡献率较大，分别为43.2%和23.1%，且SOR、NOR和消光系数均在P2阶段达到峰值.NH4NO3、有机物（OM）、（NH4）2SO4和元素碳（EC）对消光系数的总贡献率超过85%，但各组分占比排序在每个阶段略有不同.
关键词: 重污染      PM2.5      化学组分      天气形势      大气垂直特性      形成机制     
Case Analysis of Heavy Air Pollution Process in Xi'an Using Multi-source Data
WANG Nan1,2,3 , GAO Yu-xing4 , QU Yao2,3 , QU Jing4 , SHI Ju-lian1,2 , SHI Ying-qiang1,2 , ZHOU Yue2,3 , ZHU Chong-shu2,3     
1. Xi'an Institute for Innovative Earth Environment Research, Xi'an 710061, China;
2. Key Laboratory of Aerosol Chemistry and Physics, Institute of Earth Environment, Chinese Academy of Sciences, Xi'an 710061, China;
3. National Observation and Research Station of Regional Ecological Environment Change and Comprehensive Management in the Guanzhong Plain, Xi'an 710061, China;
4. Xi'an Meteorological Bureau, Xi'an 710016, China
Abstract: Air pollution continues to be a serious problem in Xi'an. A heavy pollution process and formation mechanism were investigated in Xi'an in January 2019 using multi-source methods (such as material balance and sulfur/nitrogen oxidation rate (SOR/NOR)). The multi-source data included the concentrations of PM2.5, PM10, SO2, NO2, CO, and O3; the chemical components of PM2.5; the meteorological records of ground and vertical observations; the atmospheric reanalysis data. Three phases were obtained including the accumulation phase (P1), maintenance phase (P2), and dispersion phase (P3) during the pollution period. The pollution event was primarily attributed to the superposition of adverse weather conditions and feedback effects. During the periods of P1 and P2, the area of Xi'an was affected by blocking and zonal westerly airflow at 500 hPa (with flat westerly airflow) and uniform-distribution pressure at sea level with a limited pressure gradient and stable weather conditions, and the easterly wind was dominant at 925 hPa; not all of these factors were conducive to the pollutant diffusion. An interaction feedback mechanism between meteorological conditions and heavy pollution could be studied using the ground-based microwave radiometer. The correlations between PM2.5 and inversions of water vapor density, relative humidity, air temperature, and temperature inversion were significant with coefficients of 0.86, 0.62, 0.53, and 0.38, respectively. The feedback mechanism was primarily manifested as follows: with the pollutant accumulation, the radiative cooling effect could lead to or strengthen the occurrence and intensity of temperature inversion, decrease the mixed layer height, and cause moisture accumulation. High humidity could further maintain the pollution by accelerating the secondary formation and promoting the hygroscopic growth of aerosol particles. Therefore, the dominant chemical components to PM2.5were secondary inorganic ions (SO42-+NO3-+NH4+, SNA) and "other" components during the period of P2, with contributions of 43.2% and 23.1%, respectively. In addition, the peak values of PM2.5, SOR, NOR, and the light extinction coefficients all occurred on the same days (January 3 and 6), indicating that the effect of secondary formation was important for both heavy pollution events and visibility. The total contribution of NH4NO3, organic matter (OM), (NH4)2SO4, and EC to the light extinction coefficient was more than 85%. Limited variations in the proportion for components were observed in three phases. During the period of P3, the strong cold air in the mid-lower atmosphere was conducive to the dry and clean air sinking and the pressure gradient at sea level increasing. These were beneficial to the diffusion of air pollutants and water vapor.
Key words: heavy pollution      PM2.5      chemical components      weather conditions      atmospheric vertical properties      formation mechanism     

大气细颗粒物(PM2.5, 空气动力学等效直径≤2.5 μm的颗粒物)不仅会对交通、经济、生态系统和人体健康造成不利影响[1, 2], 还能通过对辐射平衡和云的作用, 进而直接或间接影响天气和气候[3, 4]. Liu等[5]发现2012~2014年中国城市站点PM2.5的主要成分为有机物(OM, 26.0%)、SO42-(17.7%)、NO3-(9.8%)、NH4+(6.6%)、地壳物质(GM, 11.8%)、元素碳(EC, 6.0%)、Cl-(1.2%)和“其他”组分. 重霾事件很大程度上是由二次气溶胶生成造成的[6~8], Huang等[7]发现二次气溶胶对PM2.5的贡献率为30% ~77%, 其中二次有机气溶胶(SOA)和二次无机离子(SO42-+NO3-+NH4+, SNA)都有重要贡献. 但自2013年中国实施严格的排放管控以来, NO3-成为在PM2.5中占主导地位且浓度降低最小的化学组分[9]. Zhai等[10]研究表明NO3-是北京冬季大气污染的主要成分, 2016~2019年冬季雾-霾日NO3-对PM2.5的贡献率为30% ~40%.

气象条件可通过影响扩散、干湿沉积和化学转化等影响大气PM2.5浓度[11], 与一次排放和二次生成均密切相关. 大气环流、局地气象条件、边界层结构等都会显著影响雾-霾形成[1, 12, 13]. 例如, 相较其他季节而言, 仅由不利气象条件可导致京津冀地区冬季PM2.5浓度增加40% ~100%[11]. Shao等[14]发现极端不利气象条件对PM2.5和其化学组分均有显著影响, 气温、相对湿度和逆温会影响SNA和碳组分的浓度, 其中逆温对PM2.5的影响最显著, 且贴地逆温影响明显强于悬浮逆温, 另外, PM2.5会随风速和边界层高度的增加而减小. 大气边界层是受地面影响最直接的气层, 也是地气交换的主要场所. 大气边界层结构和其变化受热力和动力作用的影响, 在大气污染的形成、输送、扩散和清除等过程中起着非常重要的作用[15~18]. Zhang等[19]通过对北京大气边界层气溶胶和垂直气象结构的分析表明, 不利气象条件和PM2.5污染累积的双向反馈是重污染阶段维持的主要机制, 在北京秋冬季PM2.5暴发性增长中占比约66% ~88%.

汾渭平原于2018年在“打赢蓝天保卫战三年行动计划”中被列为三大污染控制重点区域之一, 西安是汾渭平原最大的城市, 受地形、排放和气象条件等影响, 近年来大气污染仍较严重[20, 21]. Wang等[22]利用随机森林机器学习方法, 得出排除气象条件影响后2015~2019年西安PM2.5的下降趋势为3.3% ·a-1[1.9 μg ·(m3 ·a)-1], 而实际观测的下降趋势为4.4% ·a-1[2.6 μg ·(m3 ·a)-1], 若保持1.9 μg ·(m3 ·a)-1的下降趋势, ρ(PM2.5)年均值降至5 μg ·m-3(世界卫生组织的新的指标值)约需25a(到2045年), 因此, 西安大气污染问题仍需重视. 目前西安已有研究多针对PM2.5污染特征或气象条件对PM2.5污染的影响, 鲜见应用高时间分辨率大气垂直结构数据进行分析. 地基微波辐射计是一种被动式微波遥感设备, 能反演获得不同大气高度的温度、湿度、水汽密度和液态水含量等要素长序列瞬时数据, 弥补了常规探空资料时间分辨率不高不连续的缺点[23, 24]. 微波辐射计数据被广泛应用于大气垂直结构特性探究并与探空数据对比验证, 具有较高的可靠性[25~28]. 因此本研究结合重污染事件中PM2.5的化学组分特征、天气形势和高时间分辨率大气垂直结构特征等, 对西安2018-12-31~2019-01-07的一次典型大气重污染事件进行综合分析, 揭示大气垂直结构在重污染事件中的作用, 以期能够为区域大气污染的监测、预报预警和治理提供科学依据, 同时为地基微波辐射计在污染过程分析中的应用提供参考.

1 材料与方法 1.1 数据来源和分析测试

使用泾河气象站的地面气象观测数据和微波辐射计数据, 泾河气象站位置如图 1所示, 数据均来自西安市气象局. 地面气象观测数据包括: 气温、气压、相对湿度、能见度、风速、风向、总辐射、净全辐射曝辐量和云量. MWP967KV型地基多通道微波辐射计于2017年9月由中国兵器工业第206研究所布设, 其利用人工神经网络实现了距地面0~10 km范围内垂直方向上气温、相对湿度、水汽密度和液态水等要素的观测, 时间分辨率为2 min, 输出廓线在垂直方向划分为58层, 地面到500 m间分辨率为50 m, 2 km以下分辨率为100 m, 2~10 km间分辨率为250 m[29], 本文使用的要素有气温、相对湿度和水汽密度. 利用欧洲中期天气预报中心(ECMWF)的第五代大气再分析资料(ERA5)进行天气形势分析, 时间分辨率为1 h, 空间分辨率为0.25°×0.25°, 使用的变量有u、v风场、位势高度和海平面气压.

图 1 观测站点位置示意 Fig. 1 Location of observation station

污染六要素(PM10、PM2.5、NO2、SO2、CO和O3) 数据来自陕西省环境监测中心, 为西安市13个国控站点小时数据的平均值. PM2.5滤膜采样点位于西安市高新区沣惠南路中国科学院地球环境研究所, 位置如图 1所示. 采样时间为2018-12-31~2019-01-07, 每天10:00换样, 全天采样. 采样前空白石英滤膜在800℃马弗炉里高温烘烤3 h, 采样设备是配有2.5 μm切割头的便携式采样器, 流量为5 L ·min-1, 使用直径为47 mm的石英滤膜进行采样分析, 滤膜采样后需存储在4℃的环境中, 以减少挥发性成分挥发. 离线分析: 使用精度为1 μg的sartorius微电子天平称重, 获得滤膜所收集的颗粒物浓度数据, 滤膜称重前需放置在相对湿度30% ~40%, 温度20~23℃的恒温恒湿条件下平衡至少24 h[28]. 利用DRI model 2001热光碳分析仪(thermal/optical carbon analyzer)分析样品中的有机碳(OC)、EC; 采用万通离子色谱metrohm-940测得: Cl-、NO3-、SO42-、Na+、NH4+、K+、Mg2+、Ca2+、NO2-和F-共10种离子; 采用能量色散型X射线荧光光谱仪(epsilon 5 ED-XRF)对元素进行分析.

1.2 研究方法 1.2.1 物质平衡

物质平衡可以初步判断PM2.5的主要来源和其贡献率大小, 其中包括: SO42-、NO3-、NH4+、EC、OM、GM和“其他”组分, 具体计算方式如下[30, 31]:

(1)
(2)
(3)
1.2.2 硫/氮氧化速率

通常, SO2和NO2的二次生成速率用硫/氮氧化速率(SOR//NOR)表示, SOR和NOR可以表征二次气溶胶的形成和转化过程, SOR和NOR的值越高, 表明越多SO2和NO2转化成二次气溶胶颗粒. 其计算公式如下[32]:

(4)
(5)

式中, c(X)为物质的量浓度(mol ·m-3).

2 结果与讨论 2.1 污染六要素和地面气象特征分析

西安本次重污染过程的气象和污染要素时间序列如图 2所示. 为更深入了解本次重污染过程的特征, 将该过程划分为重污染累积(P1)、维持(P2)和消散(P3)这3个阶段(图 2), 各要素在3个阶段的平均值如表 1所示.

黑色虚线表示分段位置 图 2 地面气象和污染要素时间序列 Fig. 2 Time series of surface meteorology and pollution elements

表 1 地面污染和气象要素各阶段平均值 Table 1 Average value of surface pollution and meteorological elements at each phase

P1阶段, PM2.5逐渐累积增长, PM2.5/PM10也逐渐增大, 表明细颗粒物占比增多, 同时, SO2、NO2、CO和大气氧化性(Ox)均升高, Ox为估算出的总氧化剂浓度, 能够反映臭氧的光化学产率变化, 其计算方法为ρ(Ox)=ρ(O3)+ρ(NO2)[33]. 地面气象要素: 风向以东北风为主, 能见度逐渐变差, 地面气压降低, 总辐射和净全辐射曝辐量较强.在12月31日00:00~19:00, 相对湿度小于50%, ρ(PM2.5)维持在100 μg ·m-3左右, 随后PM2.5和相对湿度同时快速增长. 混合层高度可以反映污染物在垂直方向上能够被湍流作用稀释扩散的高度[17], 本文混合层高度采用国标法计算获得, 具体计算方法见文献[34]. 1月1日混合层高度明显下降, 不利于污染物垂直扩散.

P2阶段, ρ(PM2.5)长时间维持在250 μg ·m-3以上, 达到严重污染水平, PM2.5/PM10也维持较高水平, 表明该阶段二次生成占比较高, SO2和NO2在此阶段可能由于二次转化的消耗而降低. O3较低是由于在冬季风季节, 太阳辐射较弱, 气温较低, 大气氧化性较弱, 高浓度的PM2.5削弱了太阳辐射从而抑制大气光化学反应, 导致O3生成率降低[35]. 地面气象要素表现为风向无明显规律, 平均风速小, 能见度、地面气压和混合层高度较低, 相对湿度维持在较高水平, 总辐射和净全辐射曝辐量较P1阶段显著降低(表 1), 在1月的4日和6日最低, 这是由于重污染期间气溶胶的辐射冷却效应造成的[36]. 在1月4日下午, ρ(PM2.5)下降至200 μg ·m-3左右, 并维持到1月5日下午, 期间PM2.5/PM10小幅减小, 能见度略微好转, SO2较高. 1月5日中午至6日凌晨, 地面基本为大于2 m ·s-1的东北风, ρ(PM2.5)在12 h内从184.7 μg ·m-3增长到284.6 μg ·m-3, 这可能与区域传输有关. 1月6日混合层高度最大值仅为507 m, 气压较低, 气温日较差小, 相对湿度维持较高水平, 使得污染物进一步聚集并达到本次污染最高值.

P3阶段, PM2.5和PM2.5/PM10均快速下降, SO2升高, NO2先降低后升高. 地面气象要素为风向以西南风为主, 平均风速较大, 混合层高度升高, 最大达到1 641 m, 相对湿度迅速减小, 总辐射和净全辐射曝辐量增大, 气温升高, 以上气象条件均有利于污染物扩散, 因此污染减轻, 能见度转好.

2.2 天气形势分析

由图 3(a)可知, 在P1阶段, 500 hPa上欧亚大陆维持两槽一脊, 贝加尔湖高压脊稳定少动, 形成高压阻塞环流形势, 中国冬季重霾期间500 hPa多存在阻塞环流[37]. 与不利气象条件相关联的两类高空环流形势为平直西风型和高压脊型[38]. 12月31日08:00关中地区高空受到阻塞高压底部分裂的冷空气影响, 在20:00转为受平直西风气流影响, 南北气流交换不畅, 无明显冷空气活动, 利于高空稳定形势的发展. 如图 3(b)所示, 海平面气压场上, 关中地区主要受均压场控制, 925 hPa以偏东风为主, 从地形上看, 关中地区三面环山向东敞开, 为典型喇叭口结构, 持续偏东风可能将污染物输送至关中地区, 使污染物易在关中盆地聚集[39, 40].

(a)、(c)和(e)为平均500 hPa气压场和700 hPa的u、v风场, (b)、(d)和(f)为平均海平面气压场和925 hPa的u、v风场; 红色轮廓为西安市 图 3 天气环流形势 Fig. 3 Weather circulation patterns

P2阶段, 500 hPa阻塞环流形势减弱, 转为纬向环流型, 新疆东北部至贝加尔湖有弱高压脊维持, 高原短波槽合并东移[图 3(c)]. 1月2日20:00西安处于弱脊前, 为较平直的西风气流, 1月3日08:00西安处于槽前脊后, 有西南急流输送水汽. 1月4日08:00, 850 hPa冷空气底部分裂的弱冷空气南下至西安, 污染物得到一定清除, PM2.5骤减, 但由于冷空气较弱, 污染还维持在重度水平. 1月5日16:00至6日03:00, 西安近地面为强偏东风, 偏东风可能会将汾渭平原中三门峡和运城等地的污染物传输至西安, 致使西安污染快速加重. 1月6日08:00时500 hPa再一次形成阻塞高压, 850 hPa为偏南风. 海平面气压为均压场, 等压线稀疏, 925 hPa风速相较P1阶段更弱[图 3(d)].

P3阶段, 500 hPa存在阻塞高压, 南部有南支槽发展[图 3(e)]. 虽高空存在阻塞高压, 但1月7日08:00西安有冷锋过境, 850 hPa为强偏北风, 高空干洁空气下沉至地面. 如图 3(f), 海平面气压场气压梯度增大, 海平面气压显著升高, 24 h变压为正, 925 hPa风场转为西北风, 风速增大, 有利于污染扩散, 空气质量得到明显改善.

2.3 大气垂直温湿特性

大气边界层结构特征可以直接影响一次污染物的输送、积累和扩散, 且温湿特性和大气氧化性等边界层内的理化特性也会影响二次气溶胶的生成和转化[41]. 为了解本次重污染大气边界层内垂直结构特征, 将微波辐射计的2 min数据平均成小时数据, 用逆温差来表示逆温的强度, 逆温差采用高度较高一层气温减较低一层气温, 其差值若大于0, 则认为有逆温出现, 其差值即为逆温差. 本次重污染过程中, 逆温主要存在于0.5 km内(图 4), 因此本文计算0.5 km内逆温差总和(I0.5), 0.5 km内水汽密度平均值(WVD0.5)和相对湿度平均值(RH0.5), 但由于0.5 km内气温平均值与PM2.5无明显相关性, 而5 km内气温平均值(T5)与PM2.5呈显著相关, 所以选取T5作为研究对象, 其时间序列如图 4所示.

黑色虚线表示分段位置 图 4 大气垂直结构 Fig. 4 Vertical structure of the atmosphere

P1阶段, T5呈上升趋势, I0.5逐渐增强, WVD0.5逐渐增大, RH0.5达到60%以上, 有利于污染逐渐累积. 已有研究表明, 积累到一定程度的PM2.5对太阳辐射的反-散射作用增强, 使到达地面的辐射明显减少, 近地面气温降低, 从而导致或加剧逆温, 边界层高度显著下降, 使湍流进一步减弱, 同时饱和水汽压降低进而使得近地面相对湿度增大[42]. 12月31日总辐射和净全辐射曝辐量相对前一日显著减小, 夜间PM2.5、I0.5、WVD0.5和RH0.5开始增大, 1日时最大混合层高度下降至700 m以下, 污染物被挤压后浓度升高.

P2阶段总体来说存在较强逆温, 平均I0.5为0.33℃, 日平均RH0.5均在60%以上. 从图 4可以看出, WVD0.5存在日变化, 每天下午开始增长, 早上达到峰值, 随后下降, 但在1月3日和6日该日变化并不明显, 这可能是由于强逆温致使水汽积累[42]. 1月4日中午11:00开始, 弱冷空气使得逆温消失, WVD0.5和RH0.5下降, 污染有一定程度减轻. 1月5日16:00到6日03:00, PM2.5迅速增加, 期间I0.5、WVD0.5和RH0.5都快速增长. 1月6日地面总辐射曝辐量较低, 净全辐射曝辐量日总量为负值, 利于辐射逆温生成, ρ(PM2.5)到1月6日22:00增长至323.6μg ·m-3, 达到本次重污染过程峰值, WVD0.5和RH0.5也达到峰值, 且一直维持高值水平到1月7日上午.

P3阶段, 由于近地面强冷空气南下, 较强的偏北风使污染和逆温迅速消散, 1月7日14:00和20:00云量为0, 天气晴朗, 地面总辐射和净全辐射曝辐量增强, 近地面气温升高, WVD0.5的减小和近地面气温的升高使RH0.5显著减小.

T5、I0.5、WVD0.5和RH0.5与PM2.5都呈显著线性相关关系(图 5), 均通过0.01显著性检验, 其中WVD0.5和PM2.5相关性最高, 相关系数为0.86, 其余依次为RH0.5(0.62)、T5(0.53)和I0.5(0.38).

图 5 PM2.5与T5、I0.5、WVD0.5和RH0.5的相关性 Fig. 5 Correlation between PM2.5 and T5, I0.5, WVD0.5, RH0.5

2.4 PM2.5组分理化与光学特征分析 2.4.1 物质平衡特征

由于滤膜组分数据为日数据, 所以将本次重污染过程按照图 6分为3个阶段, 大致与上文划分的阶段相对应. 化学组分是判断PM2.5来源的重要依据, 通过物质平衡可以初步判断PM2.5的主要来源和其贡献率大小[43]. 由图 6可知, 本次重污染过程中SOR和NOR均在1月的3日和6日为峰值, 与PM2.5的高值相对应, SOR整体都高于NOR, 说明SO2的二次转化更强, 这是由于当湿度较高时, 有利于促进SO2向SO42-转化, 使得SOR明显增加, 而NO2分子与H2 O分子在颗粒物表面存在竞争吸附, 当相对湿度升高时, 颗粒物表面的吸附水大量增加, 过量水汽会覆盖颗粒物表面的反应活性点位, 抑制NO2进一步吸附和反应, 这在一定程度上阻碍了非均相反应的进行[44~46]. 3个阶段的SOR分别为0.38、0.51和0.28, NOR分别为0.27、0.33和0.16, 表明在重污染维持阶段硫和氮的氧化速率更高.已有研究表明[47], 水汽会提高SO2和NOx的非均相氧化速率, 促进NO3-、SO42-和SOA的生成, 进而对PM2.5的上升产生正反馈.本次重污染过程中近地面水汽密度在1月的3日和6日均显著增加且处于较高水平, 与SOR和NOR的峰值相同, 而水汽密度的两个峰值在1月的4日和6日, 这可能是由于1月4日西安受弱冷空气和偏北风控制, 使PM2.5化学组分受到影响. 在P2阶段, 一次排放占比减小(GM和EC在该阶段质量分数小于另外两个阶段), 二次生成占比增大(SNA质量分数为43.2%), “其他”组分质量分数为23.1%, 明显高于P1和P3阶段, “其他”组分可能由未测量的地壳物质, OM中较高比例的氧和与SNA相关的液态水组成[30]. 雾-霾期间同时升高的相对湿度和SNA会导致气溶胶液态水含量增加, 且NO3-和SO42-对气溶胶液态水含量起关键作用[48], 因此液态水含量会随污染程度的加重而增加[44], “其他”组分在该阶段的质量分数较高可能部分是由于液态水含量增多导致, OM质量分数为22.5%, 相对另外两个阶段则明显较小, 这是由于SNA和“其他”组分在P2阶段大幅增加, 而OM略微减小, 因此OM质量分数大幅降低.

(a)日SOR、NOR和物质平衡特征, 黑色虚线表示分段位置; (b)3个阶段的平均物质平衡占比特征 图 6 SOR、NOR和物质平衡特征 Fig. 6 SOR, NOR, and characteristics of material balance

2.4.2 光学特征

大气消光系数是指气溶胶对太阳辐射的吸收和散射作用之和, 可通过直接观测和IMPROVE法计算获得. 有研究表明, IMPROVE方法计算所得的消光系数与观测的消光系数相关性较高, 且随时间变化的趋势一致[49]. 计算所得的消光系数可以直观反映出各组分对消光系数的贡献. 本文消光系数采用改进后的IMPROVE化学消光方程计算[50, 51], 瑞利散射值取10, 为保持统一, 其中OM与GM采用与物质平衡相同的算法. 由图 7(a)可知, 本次重污染过程的消光系数也在1月的3日和6日出现最高值, 与PM2.5、PM2.5/PM10、SOR和NOR高值相对应, 与能见度的低值相对应. 徐栋夫等[52]研究指出激光雷达反演得到的消光系数与PM2.5浓度值变化一致, 即PM2.5浓度升高时, 近地面消光系数也增大, 该结论与本文的一致. 3个阶段消光系数的平均值分别为964、1 283和486 Mm-1. 总体来说, NH4NO3、OM、(NH4)2SO4和EC这4项对消光系数的总贡献率超过85%, 但各组分占比在每个阶段略有不同[图 7(b)]. P1阶段, 贡献率最大的是OM, 其次是NH4NO3、(NH4)2SO4和EC; P2阶段, 贡献率最大的是NH4NO3, 其次是OM、(NH4)2SO4和EC; P3阶段, 贡献率最大的是OM, 其次是NH4NO3、EC和(NH4)2SO4. 消光系数在1月的3日和6日达到峰值, 与SOR和NOR的峰值一致.

(a)PM2.5各化学组分的日消光系数, 黑色虚线表示分段位置; (b)3个阶段各化学组分对消光系数的贡献 图 7 PM2.5各化学组分日消光系数和3个阶段各化学组分对消光系数的贡献 Fig. 7 Daily light extinction coefficient of chemical components of PM2.5 and the contribution of each chemical component in three phases to the light extinction coefficient

3 结论

(1) 当500 hPa环流形势为纬向环流或存在阻塞高压, 西安受平直西风气流影响时, 南北气流交换不畅, 利于高空稳定形势的发展, 叠加海平面气压均压场, 气压梯度小, 风速较弱, 天气静稳, 易形成重污染事件.

(2) 地基微波辐射计数据可辅助反映气象条件与重污染之间存在的双向反馈机制, 其反演的水汽密度、相对湿度、气温和逆温均与PM2.5存在显著线性相关关系. 反馈机制主要表现为: 当污染积累到一定程度时产生的辐射冷却效应使到达地面的辐射减少, 地面降温进而导致或加强逆温, 混合层高度降低, 水汽积聚, 较高的水汽密度和相对湿度通过加速二次生成和促进气溶胶吸湿增长使污染进一步维持, 因此SNA、“其他”组分、SOR和NOR都在P2阶段均值最大.

(3) SOR、NOR、消光系数和PM2.5高值均于同日出现, 表明二次气溶胶生成对重污染和能见度都有重要影响. 消光系数在P2阶段均值最大(1 283 Mm-1), 其中NH4NO3占比最大(42.1%). NH4NO3、OM、(NH4)2SO4和EC对消光系数的贡献率在不同阶段略有差异, 总贡献率均超过85%.

参考文献
[1] Chen H P, Wang H J. Haze Days in North China and the associated atmospheric circulations based on daily visibility data from 1960 to 2012[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(12): 5895-5909. DOI:10.1002/2015JD023225
[2] Wu D, Zheng H T, Li Q, et al. Toxic potency-adjusted control of air pollution for solid fuel combustion[J]. Nature Energy, 2022, 7(2): 194-202. DOI:10.1038/s41560-021-00951-1
[3] Li Z Q, Niu F, Fan J W, et al. Long-term impacts of aerosols on the vertical development of clouds and precipitation[J]. Nature Geoscience, 2011, 4(12): 888-894. DOI:10.1038/ngeo1313
[4] Wang Y, Zhang R Y, Saravanan R. Asian pollution climatically modulates mid-latitude cyclones following hierarchical modelling and observational analysis[J]. Nature Communications, 2014, 5(1). DOI:10.1038/ncomms4098
[5] Liu Z R, Gao W K, Yu Y C, et al. Characteristics of PM2.5 mass concentrations and chemical species in urban and background areas of China: emerging results from the CARE-China network[J]. Atmospheric Chemistry and Physics, 2018, 18(12): 8849-8871. DOI:10.5194/acp-18-8849-2018
[6] An Z S, Huang R J, Zhang R Y, et al. Severe haze in northern China: a synergy of anthropogenic emissions and atmospheric processes[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(18): 8657-8666.
[7] Huang R J, Zhang Y L, Bozzetti C, et al. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 2014, 514(7521): 218-222. DOI:10.1038/nature13774
[8] Wang Y C, Huang R J, Ni H Y, et al. Chemical composition, sources and secondary processes of aerosols in Baoji city of northwest China[J]. Atmospheric Environment, 2017, 158: 128-137. DOI:10.1016/j.atmosenv.2017.03.026
[9] Sun J J, Qin M M, Xie X D, et al. Seasonal modeling analysis of nitrate formation pathways in Yangtze River Delta region, China[J]. Atmospheric Chemistry and Physics, 2022, 22(18): 12629-12646. DOI:10.5194/acp-22-12629-2022
[10] Zhai S X, Jacob D J, Wang X, et al. Control of particulate nitrate air pollution in China[J]. Nature Geoscience, 2021, 14(6): 389-395. DOI:10.1038/s41561-021-00726-z
[11] 张小曳, 徐祥德, 丁一汇, 等. 2013~2017年气象条件变化对中国重点地区PM2.5质量浓度下降的影响[J]. 中国科学: 地球科学, 2019, 62(4): 483-500.
Zhang X Y, Xu X D, Ding Y H, et al. The impact of meteorological changes from 2013 to 2017 on PM2.5 mass reduction in key regions in China[J]. Science China Earth Sciences, 2019, 62(12): 1885-1902.
[12] Huang X, Wang Z L, Ding A J. Impact of aerosol-PBL interaction on haze pollution: multiyear observational evidences in north China[J]. Geophysical Research Letters, 2018, 45(16): 8596-8603. DOI:10.1029/2018GL079239
[13] Zhang X Y, Zhong J T, Wang J Z, et al. The interdecadal worsening of weather conditions affecting aerosol pollution in the Beijing area in relation to climate warming[J]. Atmospheric Chemistry and Physics, 2018, 18(8): 5991-5999. DOI:10.5194/acp-18-5991-2018
[14] Shao M, Dai Q L, Yu Z J, et al. Responses in PM2.5 and its chemical components to typical unfavorable meteorological events in the suburban area of Tianjin, China[J]. Science of the Total Environment, 2021, 788. DOI:10.1016/j.scitotenv.2021.147814
[15] Zhong J, Zhang X Y, Wang Y Q, et al. Relative contributions of boundary-layer meteorological factors to the explosive growth of PM2.5 during the red-alert heavy pollution episodes in Beijing in December 2016[J]. Journal of Meteorological Research, 2017, 31(5): 809-819. DOI:10.1007/s13351-017-7088-0
[16] 潘晨, 康志明. 2001~2019年气象条件对江苏省PM2.5分布的影响[J]. 环境科学, 2022, 43(2): 649-662.
Pan C, Kang Z M. Impact of meteorological conditions on PM2.5 in Jiangsu province from 2001 to 2019[J]. Environmental Science, 2022, 43(2): 649-662.
[17] 郝囝, 蔡子颖, 韩素芹, 等. 基于模式过程分析技术天津地区PM2.5污染气象成因分析[J]. 环境科学, 2022, 43(5): 2373-2382.
Hao J, Cai Z Y, Han S Q, et al. Research on causes of severely polluted weather in Tianjin based on process analytical technology[J]. Environmental Science, 2022, 43(5): 2373-2382.
[18] Miao Y C, Liu S H. Linkages between aerosol pollution and planetary boundary layer structure in China[J]. Science of the Total Environment, 2019, 650: 288-296. DOI:10.1016/j.scitotenv.2018.09.032
[19] Zhang T, Che H Z, Gong Z Q, et al. The two-way feedback effect between aerosol pollution and planetary boundary layer structure on the explosive rise of PM2.5 after the "Ten Statements of Atmosphere" in Beijing[J]. Science of the Total Environment, 2020, 709. DOI:10.1016/j.scitotenv.2019.136259
[20] 黄小刚, 赵景波, 孙从建, 等. 汾渭平原PM2.5空间分布的地形效应[J]. 环境科学, 2021, 42(10): 4582-4592.
Huang X G, Zhao J B, Sun C J, et al. Orographic influences on the spatial distribution of PM2.5 on Fen-Wei plain[J]. Environmental Science, 2021, 42(10): 4582-4592.
[21] 郑小华, 李明星, 刘慧, 等. 汾渭平原空气质量的时空特征及其与气象因子的关系[J]. 环境科学学报, 2020, 40(11): 4113-4121.
Zheng X H, Li M X, Liu H, et al. Spatiotemporal characteristics of air quality and their relationships with meteorological factors over the Fenwei Plain[J]. Acta Scientiae Circumstantiae, 2020, 40(11): 4113-4121. DOI:10.13671/j.hjkxxb.2020.0230
[22] Wang M, Zhang Z Z, Yuan Q, et al. Slower than expected reduction in annual PM2.5 in Xi'an revealed by machine learning-based meteorological normalization[J]. Science of the Total Environment, 2022, 841. DOI:10.1016/j.scitotenv.2022.156740
[23] Tan H B, Mao J T, Chen H H, et al. A study of a retrieval method for temperature and humidity profiles from microwave radiometer observations based on principal component analysis and stepwise regression[J]. Journal of Atmospheric and Oceanic Technology, 2011, 28(3): 378-389. DOI:10.1175/2010JTECHA1479.1
[24] Löhnert U, Maier O. Operational profiling of temperature using ground-based microwave radiometry at Payerne: prospects and challenges[J]. Atmospheric Measurement Techniques, 2012, 5(5): 1121-1134. DOI:10.5194/amt-5-1121-2012
[25] 蒋永成, 张晗昀, 张伟, 等. 基于地基遥感资料的厦门市污染边界层特征分析[J]. 环境科学学报, 2020, 40(2): 450-458.
Jiang Y C, Zhang H Y, Zhang W, et al. Analysis of urban boundary layer characteristics based on ground-based remote sensing data in Xiamen[J]. Acta Scientiae Circumstantiae, 2020, 40(2): 450-458. DOI:10.13671/j.hjkxxb.2019.0239
[26] 黄俊, 廖碧婷, 王春林, 等. 新型垂直探测资料在污染天气分析中的应用[J]. 中国环境科学, 2019, 39(1): 92-105.
Huang J, Liao B T, Wang C L, et al. Application of new vertical detection data in the analysis of a heavy pollution weather[J]. China Environmental Science, 2019, 39(1): 92-105. DOI:10.19674/j.cnki.issn1000-6923.2019.0011
[27] 郝巨飞, 王晓娟, 齐佳慧, 等. MWP967KV型微波辐射计对重污染天气的探测分析[J]. 环境科学与技术, 2018, 41(5): 198-205.
Hao J F, Wang X J, Qi J H, et al. Detection analysis of heavy pollution weather using MWP967KV microwave radiometer[J]. Environmental Science & Technology, 2018, 41(5): 198-205. DOI:10.19672/j.cnki.1003-6504.2018.05.032
[28] 李恬, 李怀刚, 栾兆鹏, 等. 基于微波辐射计资料的济南污染条件下大气温、湿特征分析[J]. 生态环境学报, 2020, 29(10): 2045-2052.
Li T, Li H G, Luan Z P, et al. Analysis on characteristics of temperature and humidity profiles under different pollution conditions in Ji'nan based on microwave radiometer data[J]. Ecology and Environmental Sciences, 2020, 29(10): 2045-2052. DOI:10.16258/j.cnki.1674-5906.2020.10.015
[29] 曹梅, 王斌, 杨珍, 等. 地基微波辐射计与探空数据对比分析[J]. 陕西气象, 2021(5): 47-54.
Cao M, Wang B, Yang Z, et al. Data comparison between ground-based microwave radiometer and radiosonde[J]. Journal of Shaanxi Meteorology, 2021(5): 47-54. DOI:10.3969/j.issn.1006-4354.2021.05.008
[30] Cao J J, Shen Z X, Chow J C, et al. Winter and summer PM2.5 chemical compositions in fourteen Chinese cities[J]. Journal of the Air & Waste Management Association, 2012, 62(10): 1214-1226.
[31] Andreae M O, Schmid O, Yang H, et al. Optical properties and chemical composition of the atmospheric aerosol in urban Guangzhou, China[J]. Atmospheric Environment, 2008, 42(25): 6335-6350. DOI:10.1016/j.atmosenv.2008.01.030
[32] Wang Y, Zhuang G S, Tang A H, et al. The ion chemistry and the source of PM2.5 aerosol in Beijing[J]. Atmospheric Environment, 2005, 39(21): 3771-3784. DOI:10.1016/j.atmosenv.2005.03.013
[33] 高文康, 唐贵谦, 姚青, 等. 天津重污染期间大气污染物浓度垂直分布特征[J]. 环境科学研究, 2012, 25(7): 731-738.
Gao W K, Tang G Q, Yao Q, et al. Vertical distribution of air pollutants during serious air pollution event in Tianjin[J]. Research of Environmental Sciences, 2012, 25(7): 731-738.
[34] 程水源, 席德立. 关于确定大气混合层高度的几种方法[J]. 环境科学进展, 1997, 5(4): 63-67.
Cheng S Y, Xi D L. Several kinds of methods on determining atmospheric mixed layer[J]. Anvances in Environmental Science, 1997, 5(4): 63-67.
[35] 张宇静, 赵天良, 殷翀之, 等. 徐州市大气PM2.5与O3作用关系的季节变化[J]. 中国环境科学, 2019, 39(6): 2267-2272.
Zhang Y J, Zhao T L, Ying C Z, et al. Seasonal variation of the relationship between surface PM2.5 and O3 concentrations in Xuzhou[J]. China Environmental Science, 2019, 39(6): 2267-2272.
[36] Zhong J T, Zhang X Y, Wang Y Q, et al. Heavy aerosol pollution episodes in winter Beijing enhanced by radiative cooling effects of aerosols[J]. Atmospheric Research, 2018, 209: 59-64. DOI:10.1016/j.atmosres.2018.03.011
[37] 刘厚凤, 杨欣, 陈义珍, 等. 中国重霾过程污染气象研究进展[J]. 生态环境学报, 2015, 24(11): 1917-1922.
Liu H F, Yang X, Chen Y Z, et al. A review of meteorological effects on heavy haze pollution in China[J]. Ecology and Environmental Sciences, 2015, 24(11): 1917-1922.
[38] Wu P, Ding Y H, Liu Y J. Atmospheric circulation and dynamic mechanism for persistent haze events in the Beijing-Tianjin-Hebei region[J]. Advances in Atmospheric Sciences, 2017, 34(4): 429-440. DOI:10.1007/s00376-016-6158-z
[39] 徐丹妮, 王瑾婷, 袁自冰, 等. 汾渭平原复杂地形影响下冬季PM2.5污染分布特征、来源及成因分析[J]. 环境科学学报, 2021, 41(4): 1184-1198.
Xu D N, Wang J T, Yuan Z B, et al. Temporal-spatial variations, source apportionment, and formation mechanisms of PM2.5 pollution over Fenwei Plain, China[J]. Acta Scientiae Circumstantiae, 2021, 41(4): 1184-1198.
[40] 任鹏杰, 尉鹏, 赵森, 等. 偏东风输送导致的关中地区冬季PM2.5重污染个例研究[J]. 环境科学研究, 2021, 34(5): 1033-1043.
Ren P J, Wei P, Zhao S, et al. A case study of PM2.5 heavy pollution caused by easterly wind transport in Guanzhong area in winter[J]. Research of Environmental Sciences, 2021, 34(5): 1033-1043.
[41] 张敏, 蔡子颖, 韩素芹, 等. 天津污染天气边界层温度层结变化特征及预报阈值确定[J]. 环境科学学报, 2018, 38(6): 2270-2278.
Zhang M, Cai Z Y, Han S Q, et al. The research on threshold and regularity of temperature stratification in heavy pollution weather in Tianjin[J]. Acta Scientiae Circumstantiae, 2018, 38(6): 2270-2278.
[42] Zhong J T, Zhang X Y, Dong Y S, et al. Feedback effects of boundary-layer meteorological factors on cumulative explosive growth of PM2.5 during winter heavy pollution episodes in Beijing from 2013 to 2016[J]. Atmospheric Chemistry and Physics, 2018, 18(1): 247-258.
[43] 曹军骥. PM2.5与环境[M]. 北京: 科学出版社, 2014.
Cao J J. PM2.5 and the environment in China[M]. Beijing: Science Press, 2014.
[44] 任秀龙, 胡伟, 吴春苗, 等. 华北南部重污染城市周边区域二次气溶胶的化学特征及来源解析[J]. 环境科学, 2022, 43(3): 1159-1169.
Ren X L, Hu W, Wu C M, et al. Chemical characteristics and sources of atmospheric aerosols in the surrounding district of a heavily polluted city in the southern part of north China[J]. Environmental Science, 2022, 43(3): 1159-1169.
[45] Chen C R, Zhang H X, Li H Y, et al. Chemical characteristics and source apportionment of ambient PM1.0and PM2.5 in a polluted city in North China plain[J]. Atmospheric Environment, 2020, 242. DOI:10.1016/j.atmosenv.2020.117867
[46] 韩力慧, 陈媛媛, 贾龙, 等. NO2在MgO颗粒物表面的非均相反应[J]. 中国科学: 化学, 2014, 44(12): 2004-2012.
Han L H, Chen Y Y, Jia L, et al. Heterogeneous reactions of NO2 on the surface of MgO particles[J]. Scientia Sinica Chimica, 2014, 44(12): 2004-2012.
[47] Xing M, Liu W G, Li X, et al. Vapor isotopic evidence for the worsening of winter air quality by anthropogenic combustion-derived water[J]. Proceedings of the National Academy of Sciences of the United States of America, 2020, 117(52): 33005-33010.
[48] Wu Z J, Wang Y, Tan T Y, et al. Aerosol liquid water driven by anthropogenic inorganic salts: implying its key role in haze formation over the North China Plain[J]. Environmental Science & Technology Letters, 2018, 5(3): 160-166.
[49] 李立伟, 肖致美, 杨宁, 等. 天津市2020年冬季重污染过程气溶胶消光特性及其来源[J]. 环境科学, 2021, 42(9): 4158-4167.
Li L W, Xiao Z M, Yang N, et al. Extinction characteristics of aerosols and the contribution of pollution sources to light extinction during three heavy pollution episodes in the winter of 2020 in Tianjin[J]. Environmental Science, 2021, 42(9): 4158-4167.
[50] Pitchford M, Maim W, Schichtel B, et al. Revised algorithm for estimating light extinction from IMPROVE particle speciation data[J]. Journal of the Air & Waste Management Association, 2007, 57(11): 1326-1336.
[51] Cao J J, Wang Q Y, Chow J C, et al. Impacts of aerosol compositions on visibility impairment in Xi'an, China[J]. Atmospheric Environment, 2012, 59: 559-566.
[52] 徐栋夫, 曹萍萍, 王源程. 成都一次重污染过程的气溶胶光学特性垂直分布[J]. 气象, 2020, 46(7): 948-958.
Xu D F, Cao P P, Wang Y C. Study of the vertical distribution of aerosol optical properties during a heavy pollution event in Chengdu[J]. Meteorological Monthly, 2020, 46(7): 948-958.