北京市秋冬季大气环流型下的气象和污染特征

分析了北京市2013~2018年秋冬季（即当年11、12月和次年1、2月份）11种环流型的地面和垂直气象特征,归纳出5类大气环流条件,探讨了不同环流型下北京地区的大气传输规律以及环流型与北京PM_2.5污染之间的关系.在5类大气环流条件中,第I类（含北（N）、东北（NE）环流型,天数占比28%）和第Ⅱ类（含西北（NW）、反气旋（A）环流型,占33%）有利于传输扩散,以西北风为主,风向较稳定,风速大,边界层高度高;第Ⅲ类（含东（E）环流型,占7%）传输扩散条件居中,边界层内以东南风为主,风向变化大,风速中等;第IV类（含西南（SW）、西（W）、南（S）3种环流型,占12%）和第V类（含东南（SE）、均压（UM）、气旋（C）3种环流型,占20%）均不利于传输扩散,边界层内以偏南风为主,风速较小,边界层高度低,低层逆温较强,第IV类近地面风向较稳定,而第V类则风向变化大.不同环流型下气团传输至北京的路径存在差异,对北京空气质量产生潜在影响的周边地区随之发生变化.大气环流型与北京市秋冬季PM_2.5污染紧密关联,SW、UM、C、S和W是北京地区最易发生PM_2.5污染的环流型（平均污染发生频率>75%,平均重度以上污染发生频率>42%）,而在N、A、NE和NW环流型下污染发生频率最低.研究期间,PM_2.5污染极端严重的月份存在UM环流型占比显著增加的共同特点,而PM_2.5污染水平最低的月份N环流型占比增加近一倍.此外,PM_2.5污染变化相对于环流型变化存在一定的滞后性.     

2018年春节期间京津冀地区污染过程分析

为了解2018年春节期间京津冀地区空气污染情况,利用近地面污染物浓度数据、激光雷达组网观测数据,结合WRF气象要素、颗粒物输送通量和HYSPLIT气团轨迹综合分析污染过程.结果表明,春节期间出现3次污染过程.春节前一次污染过程,各站点PM_2.5浓度均未超过200μg/m³;除夕夜,廊坊站点PM_2.5峰值浓度达到504μg/m³,是清洁天气的26倍;年初二~初五,各站点PM_2.5始终高于120μg/m³,且污染主要聚集在500m高度以下,北京地区存在高空传输,800m处最大输送通量达939μg/（m³·s）,此次重污染过程为一次典型的区域累积和传输过程.京津冀地区处于严格管控状态时,燃放烟花爆竹期间PM_2.5峰值浓度可达无燃放时PM_2.5峰值的3.2倍.为防止春节期间重污染现象的发生,需对静稳天气下燃放烟花炮竹采取预防对策.     

京津冀地区典型城市秋冬季PM2.5输送特征研究

运用潜在源贡献分析（PSCF）方法,识别了2018年秋冬季京津冀地区典型城市北京,唐山和石家庄PM_2.5的潜在污染源区;基于气象-空气质量模式（WRF-CAMx）和传输通量计算方法定量评估了与其周边省市之间PM_2.5的传输贡献,识别了三个典型城市PM_2.5的传输路径,揭示了PM_2.5传输净通量的垂直分布特征.结果表明,三个城市秋冬季PSCF高值主要集中在河北南部,河南东北部和山西中东部地区;秋冬季PM_2.5均以本地贡献影响为主（51.78%~68.40%）,外来贡献为辅（31.60%~48.22%）,不同季节贡献率有所波动.整个观测期间,近地面主要表现为毗邻城市向北京和石家庄输送PM_2.5,而唐山主要表现为向外输送PM_2.5,净通量最大值出现在海拔0~50m,其净通量为-99.47t/d.同时鉴别出了一条主要的传输路径,即西南-东北方向.     

厦门市冬季PM2.5污染情境识别及其与气象条件的关系

为研究厦门市冬季不同PM_2.5污染情境与气象条件和气团轨迹路径特征的关系,结合PM_2.5观测数据,使用AGAGE（Advanced Global Atmospheric Gases Experiment）统计方法识别2014—2018年冬季厦门市PM_2.5观测值、基线值和污染值情境,通过气象数据统计和气团后向轨迹聚类对不同PM_2.5污染情境下气象条件和气团轨迹路径特征进行探究.结果表明:①厦门市冬季不同PM_2.5污染情境下,ρ（PM_2.5）及PM_2.5污染值情境时长占比均呈波动中下降的趋势,具体表现为冬季PM_2.5观测值、污染值和基线值情境下,ρ（PM_2.5）平均值分别从2014年的42.2、90.7、16.4 μg/m3降至2018年的26.3、56.9、8.8 μg/m3,冬季PM_2.5污染值情境时长占比从2014年的10.2%降至2018年的3.0%.②冬季PM_2.5污染值情境下气象要素呈低风速、低气压、高温度、高相对湿度的特征.③冬季到达厦门市的气团轨迹路径中,局地路径由于大气条件稳定易累积形成PM_2.5污染;偏北路径和西北路径易从临近省份携带污染物输入导致PM_2.5污染,属于重要的外源污染输入路径;沿海路径和偏西路径均属于清洁路径,但沿海路径易在福建省北部与偏北路径重合形成污染输入,加强了偏北路径的污染物输送能力.研究显示,近年来厦门市冬季PM_2.5污染有明显减弱趋势,但不利的气象条件和外来污染输入仍会造成PM_2.5污染的发生.      

汾渭平原PM2.5浓度的影响因素及空间溢出效应

基于实时监测和遥感反演数据,利用空间自相关分析和空间回归分析等方法,探讨了汾渭平原2015~2017年PM_2.5浓度时空变化规律和影响因素,揭示了各因素的空间溢出效应.结果表明：（1）2015~2017年汾渭平原PM_2.5浓度逐年上升,主要由采暖期（11月~次年3月）的快速上升引起,非采暖期（4~10月）年际变化不大.（2）PM_2.5月均浓度变化曲线呈底部宽缓的U型,采暖期PM_2.5污染明显高于非采暖期,超标天数占全年总超标天数比例由2015年的75.0%上升到2017年的83.4%.（3）2015~2017年,除铜川和三门峡外,各城市PM_2.5浓度都有不同程度的上升.咸阳至运城间的平原地区和洛阳盆地污染最严重,已形成连片的高污染区域,且区域内城乡差异小.临汾及其上游平原地区其次,但主要分布在城镇,城乡差异较大.（4）空间回归分析表明,汾渭平原PM_2.5浓度有显著的空间溢出效应.年均气温、城镇化率、能源消费指数和年均人口不仅与本地PM_2.5浓度有显著的正相关,而且会加重邻近地区PM_2.5污染.年降水量和地形起伏度则不仅与本地PM_2.5浓度有显著的负相关,而且能降低邻近地区PM_2.5浓度.风的传输作用能加重本地PM_2.5污染,植被覆盖度能消减本地PM_2.5浓度,但其间接效应都不显著.     

成都地区秋冬季污染天气形势下PM2.5的扩散与输送

基于ERA-Interim再分析资料、大气污染资料以及气象资料,利用T-mode主成分分析法（PCT）将成都地区2016~2018年PM_2.5污染严重的1、2、11、12月份的海平面气压场和10m风场分成8种天气类型,分析不同天气类型下的空气污染状况及污染气象参数特征,进而从污染气象学的角度揭示重污染天气类型下的气象特征和潜在污染来源,结果表明：①成都地区在高压后部型、低前高后型、鞍型场、北方高压底部型中PM_2.5污染会加重,属于污染型天气类型,而在西路冷锋前部型、高压边缘型、西北高压底部型、东路冷锋前部型中,PM_2.5污染显著减弱,属于清洁型天气类型.②在污染型天气类型下,成都地区出现的逆温层较强,混合层高度较低均不利于PM_2.5的扩散稀释,且边界层内南风分量明显增大,东北风减弱,边界层通风量（VI）较小,风场对污染物的扩散能力也较弱.③对污染天气类型下成都的PM_2.5污染输送与潜在来源进行研究,认为成都南部及西南部地区在各个污染天气类型下都对其PM_2.5的质量浓度有明显的影响,另外在鞍型场天气类型下,成都东部及东北部地区也是成都PM_2.5污染的源区之一,而在北方高压底部型中,成都地区的PM_2.5主要受到其周围地区的影响,外地的污染物输入较少.     

2007—2014年北京地区PM2.5质量浓度变化特征

为更好地解析北京地区ρ(PM_2.5)的长期变化特征及气流轨迹聚类分析结果,对2007年8月—2014年7月在中国环境科学研究院实测的ρ(PM_2.5)数据进行了统计分析,分析其年际、季节和月际变化特征;通过计算PM_2.5的AQI分指数,分析了污染等级的时间变化特征;结合后向气流轨迹,对ρ(PM_2.5)年际、季节变化与气团来源的关系进行了分析.结果表明:北京地区2008—2013年ρ(PM_2.5)年均值分别为111.5、95.8、94.8、80.5、75.2、81.3 μg/m3,整体呈逐年下降趋势,但污染水平依然较高;ρ(PM_2.5)由高到低的季节次序为秋季、冬季、春季、夏季,平均值分别为111.6、94.8、77.2、70.5 μg/m3,PM_2.5重污染时段主要出现在秋冬季节,并且冬季ρ(PM_2.5)近年来逐渐呈上升趋势;ρ(PM_2.5)月均值呈单峰型变化,11月最高(为125.3 μg/m3),7月最低(为76.4 μg/m3);轨迹聚类分析发现,途经山西省北部和河北省南部的气流轨迹中ρ(PM_2.5)较高,而来自北方及西北方向的气团相对较清洁,ρ(PM_2.5)较低.北京地区近些年实施的大气污染减排措施对于控制PM_2.5污染取得了一定效果,但针对秋冬季节重污染过程的控制力度仍需要加强,同时也要注意区域污染传输对北京地区ρ(PM_2.5)的影响.      

两类污染型下中低空风切变对PM2.5浓度影响

基于2015~2020年京津冀地区生态环境监测数据和多源气象数据,分析了北京地区0~3km中低空垂直风切变在不同PM_2.5等级下的演变特征。结果表明,风速日变化特征随着PM_2.5浓度升高而逐渐减弱,PM_2.56级污染时近地面风速日变化基本消失,甚至反向变化;白天边界层风速增大时段对应10m/(s·km)以下的风切变,20:00后增大至12~14m/(s·km),该现象随着PM_2.5污染加重变得更为显著,白天时段近地层垂直风切变较小值(<6m/(s·km))维持,可能是污染严重的信号之一;基于旋转经验正交函数分解法(REOF),将污染日下中低空垂直风切变分为无扰动型和压缩型,压缩型低压强度略强于无扰动型,无扰动型的PM_2.5浓度均值、峰值较压缩型更高,逆温强于压缩型,另外,无扰动型PM_2.5浓度增长期和边界层高度(PBLH)反向变化,压缩型PM_2.5浓度增长期和PBLH同向变化。     

2017年汾渭平原东部大气颗粒物污染特征分析

高度集中的煤炭产业和繁忙的交通运输使得汾渭平原成为全国污染最严重的地区之一.利用中国环境监测总站发布的大气环境监测资料,以统计的方法分析了2017年汾渭平原东部三门峡市、运城市、渭南市、洛阳市的颗粒物质量浓度演变特征,并与北京市开展对比分析.结果表明:①2017年汾渭平原东部颗粒物污染形势较为严峻,ρ（PM_2.5）年均值范围为61~75 μg/m3,高于北京市（58 μg/m3）,ρ（PM_2.5）/ρ（PM₁₀）范围为0.47~0.57,远低于北京市的0.66,说明汾渭平原东部一次颗粒物的贡献更为显著.②与北京市相比,汾渭平原东部重污染有效时数较长,在三门峡市、运城市、渭南市和洛阳市出现PM_2.5重度及以上污染过程的时数分别占全年总时数的6.56%、8.91%、9.23%和9.10%.但由于汾渭平原东部重污染期间颗粒物质量浓度较北京市低,因此造成汾渭平原东部和北京市重度及以上污染过程中颗粒物质量浓度平均值在颗粒物质量浓度年均值中占比基本相同.③汾渭平原东部颗粒物质量浓度的周变化特征与北京市有显著区别.④重污染期间,汾渭平原东部ρ（PM_2.5）和ρ（PM₁₀）的日变化特征与ρ（SO₂）相同,均呈白天高、夜间低的特征,而北京市ρ（PM_2.5）和ρ（PM₁₀）的日变化特征与ρ（SO₂）相反,呈白天低、夜间高的特征,说明汾渭平原东部特殊的能源结构、边界层动力演变和局地环流造成高架点源对重污染期间污染物质量浓度的影响较显著.研究显示,汾渭平原东部应该加强重污染期间高架点源的管控.      

成渝城市群PM2.5的时空分布及其影响因素研究

随着工业化与城镇化的深入推进,成渝城市群的PM_2.5污染不断加剧,呈明显的区域性与复合性特征.该研究以2015—2017年成渝城市群空气质量监测站的日均ρ（PM_2.5）数据为基础,结合区域气象、遥感与统计年鉴等多源数据,采用反距离插值法分析了ρ（PM_2.5）的时空分布差异,采用Moran's I指数与LISA指数探索了ρ（PM_2.5）的全局和局部空间自相关性,并利用空间回归模型研究了自然、经济社会等因素对ρ（PM_2.5）的影响.结果表明:①成渝城市群ρ（PM_2.5）分布存在明显的时空差异.时间上,2015年PM_2.5污染最严重,ρ（PM_2.5）年均值为54.38 μg/m3,2016年、2017年PM_2.5污染状况逐年减轻,ρ（PM_2.5）年均值分别为53.68与47.56 μg/m3;空间上,成渝城市群东北部ρ（PM_2.5）较低,而南部ρ（PM_2.5）较高.②空间自相关分析结果表明,PM_2.5污染在成渝城市群存在显著的空间聚集性,成渝城市群南部ρ（PM_2.5）呈高值-高值聚集,成渝城市群北部ρ（PM_2.5）则呈低值-低值聚集.③空间回归结果表明,成渝城市群范围内某一地区邻近区域的ρ（PM_2.5）平均值增加1%时,该地区ρ（PM_2.5）将上升至少0.38%.城镇化率对ρ（PM_2.5）的影响最大,其次是第一产业增加值,再次是工业增加值占比和降水量.城镇化率、降水量与ρ（PM_2.5）呈负相关,而第一产业增加值、工业增加值占比与ρ（PM_2.5）呈正相关.研究显示,加快城镇化进程、减少第一产业排放、降低工业增加值占比（尤其是重污染工业）是有效解决成渝城市群PM_2.5污染的重要手段.      

相对湿度和PM2.5浓度对乌鲁木齐市冬季能见度的影响

基于2016~2017年冬季乌鲁木齐市城区PM_2.5和气象要素观测数据,采用线性和非线性回归、变量分类分析等统计方法,研究了大气能见度与相对湿度（RH）、PM_2.5浓度的定量关系.结果表明：乌鲁木齐市冬季能见度日变化呈单峰形分布,中午13：00前后和夜晚20：00前后能见度分别达到最高和最低.相对湿度增加、PM_2.5污染加重都会造成冬季大气能见度明显降低,但低能见度天气的主要影响因素是PM_2.5污染.在RH < 90%时PM_2.5累积及其吸湿增长对能见度变化起控制作用,特别是70%￡RH < 90%时,PM_2.5浓度对大气能见度影响最大.RH³90%时相对湿度成为决定因素.在PM_2.5污染逐渐加重的过程中,相对湿度对能见度的影响在减弱.能见度增加与PM_2.5浓度降低之间存在非线性响应.在PM_2.5污染由严重减轻至中度污染级别过程中,能见度改善并不明显.只有把PM_2.5浓度控制在115μg/m³以下（轻度污染或优良级别）,PM_2.5浓度降低,能见度才开始出现显著提高.但冬季要达到较高能见度水平（8km）,PM_2.5浓度需要继续严控至39μg/m³以下.本文对乌鲁木齐市冬季大气污染治理具有重要指导意义.     

长三角地区PM2.5区域性污染时空变化特征

为定量分析长三角地区PM_2.5区域性污染的变化特征,建立适用于长三角地区的PM_2.5区域污染划分标准,基于2015—2020年长三角地区41个城市日均ρ(PM_2.5)开展区域污染变化趋势研究,并针对长三角PM_2.5重度区域污染开展了时空变化以及网络特征分析. 结果表明:①2015—2020年长三角三省一市年均ρ(PM_2.5)降幅均在25%以上,城市ρ(PM_2.5)分布呈北高南低的特征,南北城市之间ρ(PM_2.5)差异较大,ρ(PM_2.5)最高值与最低值相差35~46 μg/m3. ②2015—2020年长三角PM_2.5区域污染天数比例为16.9%~35.9%,以轻度污染为主,不同年份中度和重度污染天数比例差异较大,且主要出现在秋冬季,轻度、中度和重度污染天数均呈波动下降趋势. ③与2015年相比,2019年和2020年PM_2.5区域污染天数分别减少了38和69 d,且PM_2.5重度区域污染持续天数和重度及以上污染城市数量均呈减少趋势. ④PM_2.5重度区域污染日,长三角城市之间表现出较强的污染关联性,并可划分为4个子群. 以连云港市为代表的子群1位于长三角地区北部,PM_2.5污染相对较重,受长三角区域内输送影响较小,但对区域内其他城市有一定的输送影响;以宁波市为代表的子群2和以南京市为代表的子群4受长三角区域内输送影响较大,并指示了东路沿海和中路两条污染传输通道;以安庆市为代表的子群3位于内陆地区,污染独立性相对较强,受长三角区域内输送影响较小,同时对长三角其他城市影响也较小. 研究显示,长三角地区PM_2.5污染改善显著,但重度区域污染尚未消除,中北部城市的联防联控将对改善PM_2.5区域污染起积极作用.      

北京市冬季典型重污染时段PM2.5污染来源模式解析

为了探究近年来北京市PM_2.5污染区域来源规律和重污染累积过程中PM_2.5的生成途径,利用第三代三维空气质量模型CAMx的颗粒物源示踪(PSAT)和过程分析(PA)技术,模拟计算了北京市2013年和2014两次冬季典型重污染时段PM_2.5的源-受体关系和物理、化学过程对PM_2.5的生成贡献. 结果表明:在区域来源贡献中,随着空气污染等级由优升至严重污染,外地PM_2.5贡献率从42.9%升至67.4%,本地贡献率由57.1%降至32.6%,其中外地二次PM_2.5贡献率从20.2%升至39.8%,为北京市重污染时段的主要贡献因子;在外地贡献中,廊坊市、山东省、天津市、唐山市的贡献率较大,分别为3.2%~4.7%、3.8%~7.5%、3.6%~5.8%、2.2%~3.2%. PA分析结果表明:在不利气象条件(持续性的逆温层结)下,南边界的输送在重污染过程中起到了重要作用,对ρ(PM_2.5)增长的贡献速率可达10 μg/(m3·h). 此外,本地化学转化在重污染时段对ρ(PM_2.5)爆发性增长的贡献率也可以达到40.0%,其中特殊天气条件下二次PM_2.5生成贡献的显著增加是造成ρ(PM_2.5)出现峰值的主要原因. 研究显示,随着污染程度的加重,北京市受区域性污染的影响逐渐加大;在重污染过程中,不利气象条件下的本地化学转化与水平输送对近地层ρ(PM_2.5)峰值的出现与维持发挥了重要作用.      

2019年秋冬季京津冀与周边地区污染传输特征分析

本研究结合大气环境观测数据,应用潜在源分析法(PSCF)和浓度权重轨迹分析法(CWT),以及基于WRF-CMAQ模式的传输矩阵和传输通量计算方法,研究分析了2019年秋冬季京津冀典型城市的大气污染特征与成因,量化评估了京津冀地区与周边省份之间的PM_2.5传输贡献.结果表明,京津冀地区冬季较秋季污染严重,且重污染时段PM_2.5浓度均与相对湿度呈显著的正相关,和风速呈显著的负相关;京津冀典型城市北京、天津和石家庄的潜在源区主要分布在京津冀本地、山西、内蒙古中部地区和山东地区,这与CWT结果基本吻合.京津冀各省域的PM_2.5以本地排放贡献为主,北京、天津和河北的本地贡献率范围为54.33%~66.01%,京津冀受区域外传输的贡献率范围为0.11%~26.54%.传输通量结果表明,冬季PM_2.5的传输主要受高空西北气流的作用,尤其清洁天气,高风速驱动清洁气团流入;秋季则主要受低空东南气流作用;传输通量呈现出显著的垂直分布特征,高空区域传输作用更为活跃,传输通量的流入/流出以及垂直分布与污染级别和RH呈现非线性响应关系,主导风向变化导致重污染前的传输效应明显大于重污染期间,高湿环境的传输效应明显小于低湿环境.     

汾渭平原吕梁市颗粒物潜在源及输送通道分析

基于汾渭平原吕梁市2017~2019年颗粒物浓度监测数据和地面气象观测数据,利用后向轨迹聚类分析法以及潜在源贡献函数(PSCF)等方法研究了吕梁市冬季PM₁₀和PM_2.5大气污染特征及其潜在源区,最后结合轨迹密度分析法(TDA)、轨迹停留时间分析法(RTA)对轨迹聚类分析得到污染输送通道进行补充分类,并分析了不同输送通道的输送特征.研究发现,吕梁市2017~2019年颗粒物年均浓度逐年下降,其中PM₁₀下降了28μg/m³,PM_2.5下降了17μg/m³,冬季下降幅度最大.3a冬季风向风速和浓度的统计分析表明吕梁市颗粒物浓度受东北和西南风影响最为显著,其原因是受当地三川河河谷地形的影响.影响吕梁市PM₁₀污染的潜在源区主要位于西南方向,PM_2.5污染的潜在源区主要分布在西南、东和东南方向,颗粒物污染输送通道可概括为:西北、西南和偏东(东+东南)通道.西北通道气流移动速度快,途经新疆、内蒙、甘肃和陕西北部等区域;西南通道气流移动速度慢,主要途经陕西中南部渭河平原等污染严重的区域;偏东通道的气流移动速度慢,气流先沿太行山东麓南下,在经过太行山的横断山谷(太行陉、井陉等)时转向进入山西.PM₁₀污染时西北通道贡献最大,偏东通道贡献最小,且两个通道下绝大多数发生的均是轻度污染,占比都在90%左右;PM_2.5污染时三类通道下发生轻度污染的比重较PM₁₀均下降,西南和偏东通道下发生中度污染以上的比重在50%左右,且西南和偏东通道途经的区域恰好是PSCF计算得到的潜在源区位置,说明了西南和偏东气流容易将细颗粒物输送至吕梁.WRF (天气预报模式)的风场模拟较为直观的解释了三类污染输送通道,且复杂地形是形成污染输送通道的一个重要因素.西北和西南污染输送通道主要受吕梁山脉的影响,偏东污染输送通道主要受太行山及其横谷的影响.     

北京一次重污染过程的天气成因及来源分析

采用天气学分析和GRAPES-CUACE气溶胶伴随模式相结合的方式,探讨了北京市2016年2月29日~3月6日一次PM_2.5重污染过程的大气环流特征、污染形成和消散原因,并利用伴随模式追踪了造成此次重污染过程的关键排放源区及敏感排放时段.结果表明：此次重污染过程北京市PM_2.5浓度存在明显日变化,在3月4日20：00达到污染峰值,观测数据显示海淀站PM_2.5浓度达到506.4μg/m³.形成此次重污染过程的主要天气学原因是北京站地面处于低压中心,且无冷空气影响,风速较弱,逆温较强,大气层结稳定,混合层高度较低,500hPa西风急流较弱,污染物水平和垂直扩散条件差,大气污染物易堆积;此次过程中,500hPa短波槽过境、边界层偏南风急流和冷空气不完全渗透导致了本次严重污染PM_2.5浓度的短暂下降.伴随模式模拟结果表明,此次污染过程目标时刻的污染浓度受到来自河北东北部和南部、天津、山西东部、以及山东西北部污染物的共同影响,目标时刻PM_2.5峰值浓度对北京本地源响应最为迅速,山西响应速度最慢;北京、天津、河北及山西排放源对目标时刻前72h内的累积贡献比例分别为31.1%、11.7%、52.6%和4.7%.北京本地排放源占总累积贡献的1/3左右,河北排放源累积贡献占一半以上,天津和山西分别占1/10和1/20,河北源贡献占主导地位,天津和山西贡献较小;目标时刻前3h内,北京本地源贡献占主导地位,贡献比例为49.3%,目标时刻前4~50h内,河北源贡献占主导地位,贡献比例为48.6%,目标时刻前50~80h,山西源贡献占主导地位,贡献比例在50%以上.