2025, Vol. 46
2. 清华大学环境学院环境模拟与污染控制国家重点联合实验室, 北京 100084;
3. 国家环境保护大气复合污染来源与控制重点实验室, 北京 100084
, LIU Bao-xian1 , LI Yun-ting1
, SHEN Xiu-e1 , WANG Shu-xiao2,3 , SONG Qian2,3 , CHEN Chen1 , SUN Feng1 , CHEN Yang1 , SUN Rui-wen1 , LI Qian1 , YIN De-jia2,3 , JIANG Yue-qi2,3 , DONG Zhao-xin2,3
2. State Key Joint Laboratory of Environmental Simulation and Pollution Control, School of Environment, Tsinghua University, Beijing 100084, China;
3. State Environmental Protection Key Laboratory of Sources and Control of Air Pollution Complex, Beijing 100084, China
北京市作为国家政治中心、文化中心、国际交往中心和科技创新中心, 6 338 km2的平原区面积上承载了超过2 000万常住人口、超过700万辆机动车以及大量的生产、服务活动, 污染物排放总量较高；与此同时, 由于其三面环山的簸箕状复杂地形, 大气扩散条件整体较差；这共同导致了北京市大气污染防治形势较为严峻[1, 2]. 2013年开始, 北京市陆续实施了一系列治理大气污染的政策措施, 包括大气污染防治行动计划、打赢蓝天保卫战行动计划、清洁空气行动计划、一微克行动等. 经过10 a努力, 北京市空气质量稳步提高, 2022年ρ（PM2.5）均值为30 µg·m-3, 达到国家空气质量二级标准, 较2013年下降66.5%, 累计下降近60 µg·m-3.
一方面, 北京市空气质量大幅提升；另一方面, 在不利气象条件下, 空气污染过程仍时有发生. 这意味着, 当下空气质量改善的成果有待进一步稳固, 空气质量从量变到质变的拐点尚未出现. 有研究表明, PM2.5污染具有显著的气候效应、环境效应和健康效应, 对全球气候变化、城市能见度和人体健康均产生重要影响[3~6]. 系统掌握PM2.5污染过程的时空演变、气象条件和来源解析对于分析污染特征、探讨污染成因、提出有效治理措施和巩固空气质量改善成果具有十分重要的现实意义.
目前, 诸多学者对北京市PM2.5污染过程的研究已经取得较大进展. 程念亮等分别对2013年1月1次重污染过程[7]和2014年10月4次重污染过程[8]进行分析, 认为不利扩散条件叠加周边高浓度污染物的区域输送共同导致了北京市重污染过程的发生；陈云波等[9]模拟计算了北京市2013年1月和2014年2月两次冬季典型重污染时段的PM2.5生成途径, 结果表明, 随着空气污染级别由优转差至严重污染, 外地PM2.5贡献率从42.9%升至67.4%, 本地贡献率从57.1%降至32.6%；吴进等[10]以2016年12月和2017年1月两次雾-霾天气为例, 发现前者浓度暴发性增长的原因以外源性污染物输送为主, 后者浓度暴发性增长的原因与局地极端不利扩散条件及污染排放等因素有关；李金香等[11]分析了2000~2005年秋冬季北京市44个中重度污染案例的气象条件, 发现污染案例中中层温度偏高, 海平面气压偏低, 低空逆温发生概率大, 高湿度发生概率高, 各层风速普遍较小；杨旭等[12]分析了2013~2015年冬半年不同天气类型下京津冀地区空气污染和气象要素特征, 发现北京市在几种污染天气型的平均风速多小于2 m·s-1, 相对湿度大于50%, 1 200 m稳定能量在500~600 J·cm-2以上, 最大混合层厚度在1 000 m及以下；Sun等[13]研究了2014~2017年北京市186次PM2.5污染过程, 发现从时间上看, 污染天数和过程平均时长逐年递减, 呈现明显改善趋势, 从空间上看, 大部分过程由南向北推进, 少部分过程由北向南推进, 东西走向推进的污染过程鲜有发生.
综上可见, 以往大部分研究主要分析污染个例[7~10, 14~17], 针对多年间整体机制的研究尚且不多[11~13, 18~20], 尤其是关注近年来北京市PM2.5污染过程机制的研究较少. 本文以2018年以来北京市108次PM2.5污染过程为研究对象, 基于空气质量监测数据、气象观测数据和模型模拟结果, 系统分析近5 a来污染过程发生的时空变化、气象特征以及外部输送情况, 以期为新形势下首都空气污染预报和防治工作提供科学依据和技术支撑.
1 材料与方法 1.1 研究范围及数据来源本文研究范围为北京市, 包括东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区和经济技术开发区（简称经开区）等17个行政区划（图 1）. PM2.5浓度数据来自于北京市生态环境监测中心, 包括全市数据、各区数据以及京西南、京南、京东南、京东和京东北等5个边界站数据. 北京市气象数据来自于中国气象数据网（http://data.cma.cn）54 511基本气象站, 包括平均风速、平均气压、平均气温、平均相对湿度、累计降水量、八风向频率、最高气温、最低气温、降水小时数、中层风速、中层气温、中层露点温度和中层八风向频率等27个参数. 以上数据观测时段均为2018~2022年.
|
图 1 研究范围与站点位置示意 Fig. 1 Study area and site locations |
本文以PM2.5污染过程为研究对象. 剔除沙尘影响后, 将污染日定义为ρ（PM2.5）日均值高于75 µg·m-3的情形, 包含《环境空气质量指数（AQI）技术规定（试行）》中轻度污染、中度污染、重度污染和严重污染4种情形[21]；将非污染日定义为ρ（PM2.5）日均值低于或等于75 µg·m-3的情形, 包含《环境空气质量指数（AQI）技术规定（试行）》中优和良这2种情形. 将两个非污染日之间出现一个或多个污染日的事件定义为发生一次污染过程, 经统计, 2018~2022年北京市累计发生108次PM2.5污染过程, 其中无严重污染过程. 将季节按照春季为3~5月、夏季为6~8月、秋季为9~11月、冬季为12月和1~2月进行划分. 为评估PM2.5污染过程的变化趋势, 选取过程次数、污染天数、过程平均浓度、过程峰值浓度、过程平均时长以及过程最大时长等作为评价指标. 其中, 过程平均浓度根据日均浓度求取, 过程峰值浓度根据小时浓度求取. 本文中, 相关分析采用Pearson相关系数, 显著性检验采用Monte Carlo方法.
为评估PM2.5污染过程中北京市受到的区域传输影响, 本文采用CAMQ模型（community multiscale air quality modeling system）的ISAM源解析工具（integrated source apportionment method）对历次PM2.5污染过程进行精细化来源解析[22~25]. CMAQ-ISAM的气象输入数据来自WRF模式（weather research and forecasting model）. 其中, 地面10 m风速、风向以及地面2 m温度、比湿的模拟误差分别为0.1 m·s-1、1.3°以及-0.6 K、-1.3 g·kg-1, 均在可接受范围内, 模拟效果良好[26, 27]. 模拟区域使用兰勃特投影, 中心网格点坐标设置为34°N和110°E, 中央经线为110°E, 真实纬线为25°N和40°N. 采用双层嵌套技术, 外层网格覆盖全国, 空间分辨率27 km, 内层网格覆盖京津冀鲁豫等地, 空间分辨率9 km. 将内层网格划分为北京、保定、天津、廊坊、唐山、沧州、河北北部、河北南部、河南和山东等10个区域, 网格内其他地区算作“其他”区域（图 2）. 河北省张家口市、承德市和秦皇岛市地理位置相近, 排放强度较低, 对北京市传输影响较不显著, 合并为河北北部；河北省石家庄市、衡水市、邢台市以及邯郸市地理位置集中, 排放强度较高, 扩散条件相似, 合并为河北南部. 模拟时段为2018~2022年, 为了消除初始条件的影响, 提前5 d进行模拟. 将内层网格按照上述方法进行划分, 既能体现不同区域的传输差异性, 又能满足对计算效率的要求. 以往研究认为, 当标准化分数误差≤5%、标准化分数偏差≤±60%时, 模型对颗粒物的模拟精度基本能够满足应用需要[28~30]. 基于此标准, 筛选出56个模拟效果较好的污染过程. 此外, 为了丰富本文研究内容, 提高对短时过程传输特征的认识, 还筛选出10个较为典型的小时污染过程.
|
图 2 CMAQ-ISAM模型的地区划分 Fig. 2 Tagging regions of the CMAQ-ISAM |
从年尺度来看（表 1）, 2018~2022年, 污染过程次数由37次下降至14次, 下降了62%, 相当于由每10 d发生一次PM2.5污染过程改善为每26 d发生一次PM2.5污染过程；污染天数由72 d下降至28 d, 下降了61%, 相当于由每年超标2.4个月改善为每年超标0.9个月；过程平均浓度的最大值由244 µg·m-3下降至155 µg·m-3, 下降了36%；过程平均浓度的平均值由119 µg·m-3下降至99 µg·m-3, 下降了17%；过程峰值浓度的最大值由341 µg·m-3下降至172 µg·m-3, 下降了50%；过程峰值浓度的平均值由177 µg·m-3下降至135 µg·m-3, 下降了24%. 由此可见, 各项评价指标均呈现出明显改善趋势, 延续了自2014年以来的持续向好态势[13]. 分不同污染级别来看, 近5 a轻度、中度和重度污染过程分别由17、10和10次下降至11、2和1次, 分别下降了35%、80%和90%；轻度、中度和重度污染天数分别由40、19和13 d下降至24、3和1 d, 分别下降了40%、84%和92%. 可见, 中重度污染过程的改善程度显著优于轻度污染过程. 此外, 本文统计了历年的污染过程时长, 发现除2021年过程平均时长为3 d外, 其余年份均为2 d, 5 a间变化不大, 这与2014~2017年的持续向好趋势有所不同[13], 推测可能是由于现阶段空气质量继续改善难度明显加大造成的；过程最大时长分别为4、7、5、7和3 d, 整体在3~7 d波动变化, 改善趋势不明显.
|
表 1 2018~2022年PM2.5污染过程评价指标 Table 1 Evaluation indices for PM2.5 pollution events from 2018 to 2022 |
从季节尺度来看（表 2）, 2018~2022年, 秋季过程次数由9次波动下降至8次, 略呈改善趋势；其余季节呈现明显下降趋势. 其中, 春季由14次下降至3次, 夏季由8次下降至连续两年达到0次, 冬季由10次下降至7次. 可见, 春季下降次数最多, 夏季下降率最大. 近5 a来, 四季污染天数均呈现减少趋势. 其中, 春、夏、秋、冬季分别减少22、10、3和14 d, 减少率分别为76%、100%、16%和56%. 由此可见, 春季污染天数减少最多, 夏季污染天数减少率最大, 秋季污染天数无论从绝对值还是从减少率来看, 其减缓程度均最不显著. 从不同季节的过程平均浓度来看, 春季过程ρ（PM2.5）的平均值由129 µg·m-3下降至103 µg·m-3, 下降了20%；秋季过程ρ（PM2.5）的平均值由124 µg·m-3下降至94 µg·m-3, 下降了24%；冬季过程ρ（PM2.5）的平均值由119 µg·m-3下降至102 µg·m-3, 下降了14%. 不难看出, 目前有污染的3个季节中, 秋季下降绝对值和下降率均最显著, 冬季下降绝对值和下降率均最不显著, 且历年来秋季平均浓度多低于春季或冬季. 从不同季节的过程峰值浓度来看, 春季过程ρ（PM2.5）的峰值由341 µg·m-3下降至168 µg·m-3, 下降了51%；秋季过程ρ（PM2.5）的峰值由297 µg·m-3下降至156 µg·m-3, 下降了47%；冬季过程ρ（PM2.5）的峰值由456 µg·m-3下降至189 µg·m-3, 下降了59%. 可以看到, 3个季节下降绝对值和下降率均非常显著, 且历年来冬季过程峰值浓度通常最高, 春季次之, 秋季最低. 总体来看, 夏季PM2.5污染过程基本消失；秋季过程次数和污染天数改善不突出, 但污染程度相对不重；春季和冬季过程次数、污染天数均明显减少, 但污染浓度仍然较高, 污染程度仍然较重. 本文统计了4个季节的过程平均时长, 发现冬季PM2.5污染过程的持续时间最长, 为2.6 d；其次为春季, 约2.3 d；最后是秋季, 约1.9 d；夏季过程在2018~2020年平均为1.4 d, 后改善至0 d. 从过程最大时长来看, 冬季由7 d显著改善至3 d；春季在2~7 d之间波动变化, 改善趋势不明显；秋季除2021年为4 d外, 其余年份均为3 d；夏季在2018~2020年最长可持续1~2 d, 后改善至0 d.
|
|
表 2 2018~2022年不同季节PM2.5污染过程评价指标1） Table 2 Seasonal evaluation indices for PM2.5 pollution events from 2018 to 2022 |
从日变化角度来看（图 3）, 本文重点考察了重度污染过程的日变化特征及其演变规律. 筛选每年每个重度污染过程期间ρ（PM2.5）小时值超过75 µg·m-3的时刻, 求取对应时间的平均值. 发现2018年, 日变化呈现出“双峰双谷”特征, 凌晨至早上, 浓度下降至第1个谷值, 早上至中午, 浓度上升至第1个峰值, 午后至傍晚, 浓度下降至第2个谷值, 入夜后, 浓度再次抬升并达到第2个峰值；2019年, 凌晨至下午, 浓度以下降趋势为主, 入夜后, 浓度出现抬升, 呈现白天低、夜间高的“U”字型；2020年, 凌晨至早上, 浓度下降, 早上至中午, 浓度上升, 午后, 浓度略有下降, 傍晚至入夜, 浓度略有上升后保持波动稳定；2021年, 凌晨至上午, 浓度相对稳定, 午后, 浓度大幅下降, 傍晚至夜间, 浓度波动上升；2022年, 凌晨至午后, 浓度整体下降, 午后至夜间, 浓度缓慢抬升. 可见, 5 a间日变化曲线各不相同, 但整体来看, 存在以下特征：一是, 中午前后由于气温有所升高、边界层有所打开, 扩散条件出现一定程度改善, PM2.5污染一般会有所缓解, 浓度出现5~6 h的下降；二是, 不同年份的重度污染过程期间, 白天至前半夜基本呈现较为显著的改善趋势, 但后半夜改善趋势不明显, 多年来始终维持较高浓度水平, 这可能与不断加严的应急管控措施更多发生在白天有关.
|
图 3 2018~2022年PM2.5重污染过程中的小时浓度日变化 Fig. 3 Diurnal variation in hourly concentrations for PM2.5 heavy pollution events from 2018 to 2022 |
从过程平均浓度的空间分布来看（图 4）, 总体呈现东南高、西北低的阶梯状分布特征. 其中, 经开区、大兴区和通州区平均浓度最高, 5 a的ρ（PM2.5）平均值分别为118、117和116 µg·m-3；延庆区平均浓度最低, 5 a的ρ（PM2.5）平均值为109 µg·m-3. 从空间演变来看, 2018年, 污染过程期间, 各区浓度普遍较高, 全年平均值达到121 µg·m-3；2019年, 过程期间各区浓度大幅下降, ρ（PM2.5）平均值为111 µg·m-3；2020年, 大部分行政区划出现反弹, 尤其东南部反弹最明显, 全市ρ（PM2.5）平均值反弹至116 µg·m-3；2021年, 东南部浓度略有下降, 全市大部浓度继续反弹, 造成全市ρ（PM2.5）平均值达到119 µg·m-3；2022年, 17个行政区划均大幅改善, 与2018年相比, 密云区、延庆区和顺义区改善率最大, 分别为25%、23%和21%, 经开区、通州区和西城区改善率最小, 分别为11%、13%和13%, 全市ρ（PM2.5）平均值改善至102 µg·m-3, 较2018年整体下降16%.
|
图 4 2018~2022年PM2.5污染过程平均浓度的空间分布 Fig. 4 Spatial distribution of mean concentrations for PM2.5 pollution events from 2018 to 2022 |
从污染天数的空间分布来看（图 5）, 各区5 a平均的污染天数介于33~52 d. 其中, 密云区、延庆区和怀柔区污染天数最少, 分别为33、34和34 d；通州区污染天数最多, 为全市唯一一个超过50 d的行政区划, 达到52 d. 可见, 污染最重的区比污染最轻的区平均每年多发生PM2.5污染19 d. 从空间演变来看, 2018年, 各区污染天数普遍较多, 介于59~86 d之间, 相当于空气质量最好的怀柔区一年有近2个月处于污染中, 空气质量最差的通州区一年有近3个月处于污染中；2019年, 各区污染天数均大幅减少, 介于21~68 d之间, 其中西部和北部普遍减少至40 d以下；2020年, 各区污染天数继续呈现减少趋势, 至此, 除东、西城区外, 其余行政区划的污染天数均不超过40 d；2021年, 少数行政区划继续改善, 大部分行政区划小幅反弹, 导致通州区、大兴区和经开区污染天数超过40 d；2022年, 各区再次普遍改善, 污染天数介于19~35 d之间, 其中密云区和延庆区污染天数最少, 通州区污染天数最多. 整体来看, 5 a来全市各区污染天数均已得到显著改善, 改善幅度介于35~52 d之间, 改善率介于56%~68%之间.
|
图 5 2018~2022年PM2.5污染天数的空间特征 Fig. 5 Spatial characteristics for the numbers of PM2.5 pollution days from 2018 to 2022 |
气象条件对污染发生、发展起到重要作用[31~35]. 本文计算了2018~2022年27个气象要素与PM2.5浓度的相关系数, 并统计了清洁天与污染天所对应气象要素的差异. 取相关系数绝对值> 0.1且通过0.001显著性检验（达到99.9%信度水平）的典型气象要素进行分析（表 3）, 发现平均风速、平均相对湿度和西北风频率是对PM2.5浓度影响最大的3个要素. 在各个要素中, 平均风速、西北风频率、北风频率、中层北风频率、中层西北风频率和平均气温与PM2.5浓度之间呈显著负相关；平均相对湿度、东风频率、中层东南风频率、西南风频率、东北风频率和南风频率与PM2.5浓度之间呈显著正相关. 这说明, 平均风速越大, 平均气温越高, 平均相对湿度越小, 北风及西北风频率越高, 东风、南风、东南风、西南风及东北风频率越低, 扩散条件越好, PM2.5浓度越低；反之亦然. 这与前人研究的结果较为一致[11, 12, 36~38]. 统计显示, 近5 a来, PM2.5污染天的平均风速为1.6 m·s-1, 平均气温为9.7℃, 平均相对湿度为62.4%, 北风和西北风频率较低, 分别为8%和3%, 西南风、东风、南风和东北风频率较高, 分别为7%、14%、15%和27%, 中层北风和西北风频率较低, 分别为7%和21%, 中层东南风频率较高, 达到39%.
|
|
表 3 2018~2022年典型气象要素与PM2.5浓度的关系1） Table 3 Relationships between key meteorological parameters and PM2.5 concentrations from 2018 to 2022 |
接下来, 针对相关系数绝对值> 0.2的气象要素, 对其与PM2.5浓度进一步进行回归分析. 由于东风频率和中层东南风频率数值较为单一, 分析效果不佳, 予以剔除. 平均气温可能存在一个阈值[39~41], 小于该阈值时, 气温越高, 越容易发生逆温现象, 扩散条件越不利, 导致气温与PM2.5浓度正相关；大于该阈值时, 气温越高, 垂直对流越强烈, 扩散条件越有利, 此时, 气温与PM2.5浓度负相关. 因此, 重新对平均气温的相关系数进行分段求解, 得到两个相关系数分别为0.21和-0.14. 至此, 筛选出平均风速、平均相对湿度、西北风频率、北风频率和平均气温作为典型气象要素与PM2.5浓度开展回归分析（图 6）. 分别利用线性、指数、对数、乘幂和二次多项式这5种函数进行拟合, 发现平均风速、西北风频率和北风频率的指数拟合效果最好, 相对湿度的乘幂拟合效果最好, 平均气温的二次多项式拟合效果最好, 这与前人研究结果一致[16]. 结果表明, 重度污染时, 平均风速≤2.2 m·s-1, 相对湿度 > 47%, 西北风频率 < 9%, 北风频率大概率 < 17%, 平均气温介于-4.3~18.9℃之间；中度污染时, 平均风速≤2.3 m·s-1, 相对湿度 > 39%, 西北风频率 < 17%, 北风频率大多 < 17%, 平均气温介于-4.8~28.7℃；轻度污染时, 平均风速≤3.2 m·s-1, 相对湿度 > 20%, 西北风频率 < 34%, 北风频率 < 50%, 平均气温介于-7.1~32.3℃. 当平均风速 > 3.2 m·s-1时, 水平扩散条件较好；当相对湿度≤20%时, 天气干燥；当西北风频率≥34%、北风频率≥50%时, 代表处于冷空气作用时段；当平均气温低于-7.1℃或高于32.3℃时, 表征冬季冷空气活动较强或夏季高温天气有利于垂直对流；因此, 这些条件下均不易发生PM2.5污染过程.
|
图 6 2018~2022年典型气象要素与PM2.5浓度的回归分析 Fig. 6 Regression analysis for key meteorological parameters and PM2.5 concentrations from 2018 to 2022 |
以全市发生PM2.5污染过程的时刻为基准, 本文统计了西南、南、东南、东和东北等5个方向发生污染的时间顺序（图 7）. 其中, 早于全市达到污染级别计为负值, 晚于全市达到污染级别计为正值. 结果显示, 历年来东南方向一般早于全市12 h发生污染；其次为南, 早于全市10 h发生污染；再次为西南和东两个方向, 分别早于全市8 h和5 h发生污染；最后, 西北和东北方向一般晚于全市3 h和9 h发生污染. 可见, 北京市的PM2.5污染过程大多起源于东南方向, 这可能说明北京市大多数污染过程最初都受到了来自区域东部和南部的污染传输影响. 而东北之所以比西北更晚发生污染, 猜测是由于传输方向一般为由东南至西北走向, 污染物可以直接传输至西北山前；在遇到地形阻挡后向东、向南回流, 最后才能影响至东北方向.
|
横轴表示与全市相比, 边界站发生PM2.5污染的相对时间, 其中, 负值表示早于全市, 正值表示晚于全市 图 7 2018~2022年边界站发生PM2.5污染的时间顺序 Fig. 7 Time sequence of boundary stations involved in PM2.5 pollution events from 2018 to 2022 |
根据CMAQ-ISAM模型对56个污染过程的模拟结果见图 8, 2018~2022年以来, 历次污染过程中北京市本地贡献率为34%, 区域传输贡献率为66%. 可见, 区域传输是影响PM2.5污染过程期间北京市空气质量的重要因素, 这与以往大多数研究结论基本一致[7~9, 22, 42, 43]. 分不同污染级别来看, 有效模拟到重度污染过程14次, 其区域传输贡献率介于55%~70%, 平均值为62%；模拟到中度污染过程14次, 其区域传输贡献率介于49%~76%, 平均值为64%；模拟到轻度污染过程28次, 区域传输贡献率介于55%~83%, 平均值为68%；模拟到短时污染过程10次, 区域传输贡献率介于65%~82%, 平均值为71%. 可以看到, 随着污染级别加重, 传输贡献率的平均占比有所下降, 北京市本地贡献率的平均占比有所抬升, 这可能是由于污染时间较短时, 大多由外地高浓度污染物一次性涌入导致, 而污染时间较长时, 气象条件趋于稳定, 本地二次生成转化会明显加剧. 分不同省份来看, 河北省对北京市传输贡献率最大, 达到33%, 与北京市本地贡献率接近；其次为山东省、河南省和天津市, 对北京市的传输贡献率分别为6%、5%和5%. 从河北省内部来看, 保定和河北南部对北京市传输影响最大, 传输贡献率均为9%；其次为廊坊和唐山, 传输贡献率分别为6%和5%. 分不同城市来看, 近周边保定、廊坊、天津和唐山是对北京市传输影响最突出的4个城市. 可见, 传输贡献率与距离远近直接相关, 北京市更容易受到临近城市的污染物输送影响. 已有研究认为, 对北京市而言, 存在西南和东南两大传输通道[43~46]. 本文中, 将山东省、河北省沧州市、廊坊市、唐山市以及天津市划分为东南通道, 将河南省、河北南部以及河北省保定市划分为西南通道, 经测算, 东南通道贡献率为24%, 西南通道贡献率为23%, 两大通道传输贡献率大体相当, 且贡献率之和超过本地贡献率, 接近50%. 因此, 一旦预测发生或已经发生PM2.5污染过程, 应积极推动北京市与两大传输通道城市协同开展区域联防联控. 分季节来看, 东南通道在四季污染过程中的传输贡献率分别为22%、26%、23%和22%, 西南通道在四季污染过程中的传输贡献率分别为21%、26%、26%和20%. 由此可见, 冬季以东南通道为主要传输路径, 秋季以西南通道为主要传输路径. 夏季, 年份不同传输路径也有所不同：2019年夏季, 西南传输影响较大；2020年夏季, 东南传输影响更大. 这与以往研究中春秋季节以西南通道为主、冬夏季节以东南通道为主的结论基本一致[23], 细微差别可能与不同研究时段内气象背景场的年际差异有关.
|
图 8 2018~2022年污染过程期间北京市PM2.5来源解析结果 Fig. 8 PM2.5 source apportionment results in Beijing during pollution events from 2018 to 2022 |
（1）2018~2022年, 北京市PM2.5污染过程的过程次数、过程平均浓度、过程峰值浓度均呈现明显改善趋势, 并且, 中重度污染过程的改善程度显著优于轻度污染过程. 分季节来看, 夏季PM2.5污染过程基本消失；秋季过程次数和污染天数改善不明显, 但污染程度相对不重；春季和冬季过程次数、污染天数均明显减少, 但污染浓度仍然较高, 污染程度仍然较重. 重度污染过程期间的浓度改善主要体现在白天至前半夜时段, 后半夜时段的改善并不明显.
（2）5 a以来, 过程浓度平均值东南高、西北低. 其中, 经开区、大兴区和通州区的过程浓度平均值最高, 延庆区的过程浓度平均值最低. 从空间演变来看, 2018~2022年, 全市17个行政区划的过程浓度平均值全部大幅下降. 其中, 密云区、延庆区和顺义区下降幅度最大, 经开区、通州区和西城区下降幅度最小. 2018年, 各区污染天数较多, 介于59~86 d之间；2022年, 各区污染天数改善至19~35 d之间；改善幅度介于35~52 d, 改善率介于56%~68%.
（3）平均风速、西北风频率、北风频率、中层北风频率、中层西北风频率和平均气温与PM2.5浓度显著负相关；平均相对湿度、东风频率、中层东南风频率、西南风频率、北风频率和南风频率与PM2.5浓度显著正相关. 近5 a来, 污染天的平均风速为1.6 m·s-1, 平均气温为9.7℃, 平均相对湿度为62.4%, 北风和西北风频率分别为8%和3%, 西南风、东风、南风和东北风频率分别为7%、14%、16%和27%, 中层北风和西北风频率分别为7%和21%, 中层东南风频率为39%. 从不同污染级别来看, 重度污染的平均风速≤2.2 m·s-1, 相对湿度 > 47%, 西北风频率 < 9%, 北风频率大概率 < 17%, 平均气温介于-4.3~18.9℃；中度污染的平均风速≤2.3 m·s-1, 相对湿度 > 39%, 西北风频率 < 17%, 北风频率大多 < 17%, 平均气温介于-4.8~28.7℃；轻度污染的平均风速≤3.2 m·s-1, 相对湿度 > 20%, 西北风频率 < 34%, 北风频率 < 50%, 平均气温介于-7.1~32.3℃.
（4）历年来, 北京市PM2.5污染过程多起源于东南方向. 东南边界站平均早于全市12 h发生污染；南部、西南和东部边界站分别早于全市10、8和5 h发生污染；西北和东北边界站则晚于全市3 h和9 h发生污染. 2018~2022年以来, PM2.5污染过程期间, 北京市本地贡献率为34%, 区域传输贡献率为66%. 重度、中度、轻度和短时污染过程期间, 区域传输贡献率分别平均为62%、64%、68%和71%. 区域上, 河北省对北京市传输贡献率最大, 达到33%. 分城市来看, 近周边的保定、廊坊、天津和唐山对北京市传输影响最突出, 传输贡献率分别为9%、6%、5%和5%. 分传输通道来看, 东南通道贡献率24%, 西南通道贡献率23%, 两大通道贡献相当, 因此, 遭遇污染天气时应与两大传输通道城市联防联控、协同应对.
| [1] | He K B, Yang F M, Ma Y L, et al. The characteristics of PM2.5 in Beijing, China[J]. Atmospheric Environment, 2001, 35(29): 4959-4970. DOI:10.1016/S1352-2310(01)00301-6 |
| [2] | Sun Y L, Zhuang G S, Tang A H, et al. Chemical characteristics of PM2.5 and PM10 in haze-fog episodes in Beijing[J]. Environmental Science & Technology, 2006, 40(10): 3148-3155. |
| [3] |
石广玉, 王标, 张华, 等. 大气气溶胶的辐射与气候效应[J]. 大气科学, 2008, 32(4): 826-840. Shi G Y, Wang B, Zhang H, et al. The radiative and climatic effects of atmospheric aerosols[J]. Chinese Journal of Atmospheric Sciences, 2008, 32(4): 826-840. DOI:10.3878/j.issn.1006-9895.2008.04.11 |
| [4] |
冯奇, 徐胜, 吴胜军, 等. 大气细颗粒物PM2.5在环境科学中的研究简述[J]. 环境科学与技术, 2012, 35(6I): 167-170. Feng Q, Xu S, Wu S J, et al. Atmospheric fine particulate matter PM2.5 in environmental science research brief[J]. Environmental Science & Technology, 2012, 35(6I): 167-170. |
| [5] |
郭新彪, 魏红英. 大气PM2.5对健康影响的研究进展[J]. 科学通报, 2013, 58(13): 1171-1177. Guo X B, Wei H Y. Progress on the health effects of ambient PM2.5 pollution[J]. Chinese Science Bulletin, 2013, 58(13): 1171-1177. |
| [6] |
芮魏, 谭明典, 张芳, 等. 大气颗粒物对健康的影响[J]. 中国科学: 生命科学, 2014, 44(6): 623-627. Rui W, Tan M D, Zhang F, et al. Adverse health effects of particulate matter[J]. Scientia Sinica Vitae, 2014, 44(6): 623-627. |
| [7] |
程念亮, 李云婷, 张大伟, 等. 2013年1月北京市一次空气重污染成因分析[J]. 环境科学, 2015, 36(4): 1154-1163. Cheng N L, Li Y T, Zhang D W, et al. Formation mechanism of a serious pollution event in January 2013 in Beijing[J]. Environmental Science, 2015, 36(4): 1154-1163. DOI:10.13227/j.hjkx.2015.04.003 |
| [8] |
程念亮, 李云婷, 张大伟, 等. 2014年10月北京市4次典型空气重污染过程成因分析[J]. 环境科学研究, 2015, 28(2): 163-170. Cheng N L, Li Y T, Zhang D W, et al. Analysis about the characteristics and formation mechanisms of serious pollution events in October 2014 in Beijing[J]. Research of Environmental Sciences, 2015, 28(2): 163-170. |
| [9] |
陈云波, 徐峻, 何友江, 等. 北京市冬季典型重污染时段PM2.5污染来源模式解析[J]. 环境科学研究, 2016, 29(5): 627-636. Chen Y B, Xu J, He Y J, et al. Model analytic research of typical heavy PM2.5 pollution periods in winter in Beijing[J]. Research of Environmental Sciences, 2016, 29(5): 627-636. |
| [10] |
吴进, 李琛, 孙兆彬, 等. 北京地区两次重污染过程中PM2.5浓度爆发性增长及维持的气象条件[J]. 干旱气象, 2017, 35(5): 830-838. Wu J, Li C, Sun Z B, et al. Meteorological condition of explosive increase and maintaining of PM2.5 concentration during two heavy pollution processes in Beijing[J]. Journal of Arid Meteorology, 2017, 35(5): 830-838. |
| [11] |
李金香, 邱启鸿, 辛连忠, 等. 北京秋冬季空气严重污染的特征及成因分析[J]. 中国环境监测, 2007, 23(2): 89-94. Li J X, Qiu Q H, Xin L Z, et al. The characteristics and cause analysis of heavy-air-pollution in autumn and winter in Beijing[J]. Environmental Monitoring in China, 2007, 23(2): 89-94. |
| [12] |
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 |
| [13] | Sun J, Gong J H, Zhou J P, et al. Analysis of PM2.5 pollution episodes in Beijing from 2014 to 2017: classification, interannual variations and associations with meteorological features[J]. Atmospheric Environment, 2019, 213: 384-394. DOI:10.1016/j.atmosenv.2019.06.015 |
| [14] |
杜吴鹏, 房小怡, 孟伟, 等. 气象因子对北京一次重污染天气过程影响研究[J]. 环境科学与技术, 2016, 39(8): 123-128, 153. Du W P, Fang X Y, Meng W, et al. Impact analysis of meteorological factors on atmospheric environment in a typical serious pollution process in Beijing[J]. Environmental Science & Technology, 2016, 39(8): 123-128, 153. |
| [15] |
聂滕, 李璇, 王占山, 等. APEC期间北京市PM2.5时空分布与过程分析[J]. 中国环境科学, 2016, 36(2): 349-355. Nie T, Li X, Wang Z S, et al. Spatial and temporal distribution and process analysis of PM2.5 pollution over Beijing during APEC[J]. China Environmental Science, 2016, 36(2): 349-355. DOI:10.3969/j.issn.1000-6923.2016.02.005 |
| [16] |
杜吴鹏, 房小怡, 黄弘, 等. 北京空气重污染红色预警期间污染物与气象因子特征[J]. 环境工程学报, 2017, 11(6): 3577-3586. Du W P, Fang X Y, Huang H, et al. Beijing pollutants and meteorological factors characteristic during red alert periods of air heavy pollution[J]. Chinese Journal of Environmental Engineering, 2017, 11(6): 3577-3586. |
| [17] |
皮冬勤, 陈焕盛, 魏巍, 等. 京津冀一次重污染过程的成因和来源[J]. 中国环境科学, 2019, 39(5): 1899-1908. Pi D Q, Chen H S, Wei W, et al. The causes and sources of a heavy-polluted event in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2019, 39(5): 1899-1908. DOI:10.3969/j.issn.1000-6923.2019.05.013 |
| [18] |
李令军, 王英, 李金香, 等. 2000~2010北京大气重污染研究[J]. 中国环境科学, 2012, 32(1): 23-30. Li L J, Wang Y, Li J X, et al. The analysis of heavy air pollution in Beijing during 2000-2010[J]. China Environmental Science, 2012, 32(1): 23-30. |
| [19] |
王郁, 侯青. 2000-2010年北京空气持续污染特征研究[J]. 高原气象, 2012, 31(6): 1675-1681. Wang Y, Hou Q. Study on characteristic of persistent air pollution in Beijing from 2000 to 2010[J]. Plateau Meteorology, 2012, 31(6): 1675-1681. |
| [20] |
邹青青, 蔡旭晖, 郭梦婷, 等. 北京地区大气污染物源区特征及与重污染过程的关系[J]. 北京大学学报(自然科学版), 2018, 54(2): 341-349. Zou Q Q, Cai X H, Guo M T, et al. Long-term mean footprint and its relationship to heavy air pollution episodes in Beijing[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2018, 54(2): 341-349. |
| [21] | HJ633-2012, 环境空气质量指数(AQI)技术规定(试行)[S]. |
| [22] | Chang X, Wang S X, Zhao B, et al. Contributions of inter-city and regional transport to PM2.5 concentrations in the Beijing-Tianjin-Hebei region and its implications on regional joint air pollution control[J]. Science of the Total Environment, 2019, 660: 1191-1200. DOI:10.1016/j.scitotenv.2018.12.474 |
| [23] | Dong Z X, Wang S X, Xing J, et al. Regional transport in Beijing-Tianjin-Hebei region and its changes during 2014-2017: the impacts of meteorology and emission reduction[J]. Science of the Total Environment, 2020, 737. DOI:10.1016/j.scitotenv.2020.139792 |
| [24] |
刘瑞琪, 贾海鹰. 北京地区气象条件与区域传输对PM2.5浓度影响研究[J]. 环境监测管理与技术, 2021, 33(5): 16-20, 25. Liu R Q, Jia H Y. The effects of meteorological condition and regional transport on PM2.5 concentration in Beijing[J]. The Administration and Technique of Environmental Monitoring, 2021, 33(5): 16-20, 25. |
| [25] |
钟月. 基于CMAQ-ISAM模型的沈阳市PM2.5污染特征和来源解析研究[D]. 长春: 吉林大学, 2023. Zhong Y. Analysis of PM2.5 pollution characteristics and sources in Shenyang based on CMAQ-ISAM model[D]. Changchun: Jilin University, 2023. |
| [26] | Wang J K, Gui H L, An L C, et al. Modeling for the source apportionments of PM10 during sand and dust storms over East Asia in 2020[J]. Atmospheric Environment, 2021, 267. DOI:10.1016/j.atmosenv.2021.118768 |
| [27] |
董赵鑫, 丁点, 姜越琪, 等. PM2.5和臭氧对前体物减排和气象变化的响应及其政策启示[J]. 环境科学研究, 2023, 36(2): 223-236. Dong Z X, Ding D, Jiang Y Q, et al. Responses of PM2.5 and O3 to emission reduction and meteorology variation and their policy implications[J]. Research of Environmental Sciences, 2023, 36(2): 223-236. |
| [28] | Boylan J W, Russell A G. PM and light extinction model performance metrics, goals, and criteria for three-dimensional air quality models[J]. Atmospheric Environment, 2006, 40(26): 4946-4959. |
| [29] |
黄晓波, 殷晓鸿, 黄志炯, 等. 不同模式对珠三角地区细颗粒物污染模拟效果对比评估[J]. 环境科学学报, 2016, 36(10): 3505-3514. Huang X B, Yin X H, Huang Z J, et al. Evaluation and intercomparison of PM2.5 simulations by air quality models over Pearl River Delta[J]. Acta Scientiae Circumstantiae, 2016, 36(10): 3505-3514. |
| [30] |
刘扬, 王颖, 刘灏, 等. 基于WRF-Chem模拟验证的天水市主城区大气污染源排放清单[J]. 中国环境科学, 2022, 42(1): 32-42. Liu Y, Wang Y, Liu H, et al. Air pollutants emission inventory for the main urban area of Tianshui city based on verification by WRF-Chem simulation[J]. China Environmental Science, 2022, 42(1): 32-42. |
| [31] |
周一敏, 赵昕奕. 北京地区PM2.5浓度与气象要素的相关分析[J]. 北京大学学报(自然科学版), 2017, 53(1): 111-124. Zhou Y M, Zhao X Y. Correlation analysis between PM2.5 concentration and meteorological factors in Beijing area[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2017, 53(1): 111-124. |
| [32] |
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. DOI:10.13227/j.hjkx.202104292 |
| [33] |
邱雨露, 陈磊, 朱佳, 等. COVID-19管控期间气象条件变化对京津冀PM2.5浓度影响[J]. 环境科学, 2022, 43(6): 2831-2839. Qiu Y L, Chen L, Zhu J, et al. Impacts of changes in meteorological conditions during COVID-19 lockdown on PM2.5 concentrations over the Jing-Jin-Ji region[J]. Environmental Science, 2022, 43(6): 2831-2839. DOI:10.13227/j.hjkx.202109233 |
| [34] |
李明明, 王雁, 闫世明, 等. 太原市PM2.5浓度的气象特征影响分析及预报[J]. 环境科学, 2023, 44(2): 611-625. Li M M, Wang Y, Yan S M, et al. Meteorological characteristics, influence analysis and prediction of PM2.5 concentration in Taiyuan City[J]. Environmental Science, 2023, 44(2): 611-625. DOI:10.13227/j.hjkx.202203040 |
| [35] |
吴舒祺, 金囝囡, 郑冬阳, 等. "2+26"城市PM2.5与气象因子的尺度依存关系及影响因素分析[J]. 环境科学, 2023, 44(12): 6441-6451. Wu S Q, Jin J N, Zheng D Y, et al. Scale dependence between PM2.5 and meteorological factors and its influencing factors in "2+26" Cities[J]. Environmental Science, 2023, 44(12): 6441-6451. DOI:10.13227/j.hjkx.202301031 |
| [36] | Chen Z Y, Xie X M, Cai J, et al. Understanding meteorological influences on PM2.5 concentrations across China: a temporal and spatial perspective[J]. Atmospheric Chemistry and Physics, 2018, 18(8): 5343-5358. |
| [37] |
王晨. 北京市空气质量与气象条件的关系及其预测研究[D]. 兰州: 兰州大学, 2018. Wang C. Research on the relationship between air quality and meteorological conditions and it's forecasting in Beijing[D]. Lanzhou: Lanzhou University, 2018. |
| [38] |
梁子怡. 京津冀重污染天气过程PM2.5时空特征及环流形势[D]. 石家庄: 河北师范大学, 2023. Liang Z Y. Spatial and temporal characteristics of PM2.5 concentration and circulation during heavy pollution weather in Beijing-Tianjin-Hebei region[D]. Shijiazhuang: Hebei Normal University, 2023. |
| [39] |
袁杨森, 刘大锰, 车瑞俊, 等. 北京市秋季大气颗粒物的污染特征研究[J]. 生态环境, 2007, 16(1): 18-25. Yuan Y S, Liu D M, Che R J, et al. Research on the pollution situation of atmospheric particulates during autumn in Beijing City[J]. Ecology and Environment, 2007, 16(1): 18-25. |
| [40] | Chen Z Y, Chen D L, Zhao C F, et al. Influence of meteorological conditions on PM2.5 concentrations across China: a review of methodology and mechanism[J]. Environment international, 2020, 139. DOI:10.1016/j.envint.2020.105558 |
| [41] |
刘桓嘉, 李岚清, 李焕莉, 等. 新乡市大气PM2.5中水溶性离子的污染特征、来源解析及气象影响分析[J]. 环境科学, 2024, 45(3): 1349-1360. Liu H J, Li L Q, Li H L, et al. Pollution characteristics, source apportionment, and meteorological response of water-soluble ions in PM2.5 in Xinxiang, North China[J]. Environmental Science, 2024, 45(3): 1349-1360. DOI:10.13227/j.hjkx.202303265 |
| [42] |
王晓琦, 郎建垒, 程水源, 等. 京津冀及周边地区PM2.5传输规律研究[J]. 中国环境科学, 2016, 36(11): 3211-3217. Wang X Q, Lang J L, Cheng S Y, et al. Study on transportation of PM2.5 in Beijing-Tianjin-Hebei (BTH) and its surrounding area[J]. China Environmental Science, 2016, 36(11): 3211-3217. |
| [43] |
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. DOI:10.13227/j.hjkx.201806061 |
| [44] |
石琳琳, 李令军, 王新辉, 等. 北京市秋冬大气污染传输特征遥感研究[J]. 环境科学学报, 2018, 38(10): 3834-3845. Shi L L, Li L J, Wang X H, et al. Analysis of characteristics of air pollution transmission in fall and winter by remote sensing in Beijing[J]. Acta Scientiae Circumstantiae, 2018, 38(10): 3834-3845. |
| [45] |
吴育杰. 基于WRF-CMAQ/ISAM模型的京津冀及周边地区PM2.5来源解析研究[D]. 杭州: 浙江大学, 2018. Wu Y J. Source apportionment of PM2.5 over the Beijing-Tianjin-Hebei and surrounding areas based on the WRF-CMAQ/ISAM model[D]. Hangzhou: Zhejiang University, 2018. |
| [46] |
潘锦秀, 刘保献, 安欣欣, 等. 北京市一次先PM2.5后沙尘污染过程特征及预报效果分析[J]. 环境科学与技术, 2022, 45(4): 109-115. Pan J X, Liu B X, An X X, et al. A pollution process of PM2.5 and ensued sand-dust in Beijing: characteristics and analysis of forecast effects[J]. Environmental Science & Technology, 2022, 45(4): 109-115. |