贝加尔湖高压分裂过程对绥化市重污染的影响

为探究贝加尔湖高压分裂过程对绥化市2020年1月份持续性重污染事件的影响,以WRF中尺度气象预报数据及气象观测数据为分析基础,分析了2020年1月9~21日的天气形势及气象要素变化,并结合污染物浓度观测数据及PM_2.5组分观测数据（13~21日）,分析了该过程中污染物浓度变化及化学组分特征.结果表明：此次污染过程由贝加尔湖分裂高压引起的持续性静稳天气造成,11~20日期间,空气质量指数AQI变化范围为182~329,其中有9d污染状况为重度及以上污染;重污染期间,地面风速最低下降至0.5m/s左右,能见度下降至1km左右,且出现逆温层,大气扩散条件差;持续性静稳天气导致大气氧化性增强,氧化剂浓度（ρ（NO₂）+ρ（O₃））约94~118 μg/m³,相对湿度约为94%,ρ（SO₄^2-）、ρ（NH₄⁺）最大日增量达28.59、11.32μg/m³,增长速度相比于14日分别增加了1264%、1270%,高湿高氧化性的大气环境显著促进了二次无机盐的生成.贝加尔湖高压分裂过程导致持续性静稳天气,加之污染物的本地排放与积累,增加了大气氧化性,进而形成绥化市持续性重污染天气.     

国庆期间南岭背景大气中PAN的浓度特征与来源

为了评估华南地区国庆期间频发的大范围区域光化学污染事件对华南背景大气的影响,2018年国庆节前后（9月19日~10月19日）,在广东南岭国家大气背景站对光化学污染的代表产物过氧乙酰硝酸酯（PAN）开展了连续在线观测,并对PAN的浓度特征和来源进行了分析.结果表明,研究期间南岭PAN的平均体积浓度为（0.66±0.54）×10^-9,最大值为2.33×10^-9,显著高于国内外其他背景站点（（0.21~0.44）×10^-9）,且PAN的夜间浓度一直维持在较高的水平;PAN和O₃（r=0.90）、NO₂（r=0.87）的相关性较强,通过PAN和O₃的线性拟合估算出O₃的大气背景体积浓度为（46.22±0.65）×10^-9,表明南岭光化学反应十分活跃;受区域光化学污染事件的影响,国庆期间南岭PAN的浓度显著升高,达到（1.18±0.45）×10^-9,而同期NO/NO₂比值降低,导致PAN大气寿命延长,有利于PAN的本地累积;结合气团后向轨迹,潜在源贡献分布以及前体物NO₂的全国分布特征分析,发现国庆期间高浓度PAN主要来自湖南,湖北、河南、江西等华中地区.     

基于车载雷达探测的一次华北冬季重污染天气成因研究

基于车载微脉冲气溶胶激光雷达、多普勒风廓线激光雷达和扭转拉曼廓线激光雷达的中山大学环境气象综合观测车,于2018年12月18日-22日在河北省望都县PM_2.5重污染期间开展定点观测.结合地面PM_2.5浓度和气象要素观测资料,对本次污染过程的成因展开分析.本次重污染过程日均PM_2.5浓度为163.2μg·m^-3,PM_2.5浓度的日变化特征明显,表现为白天PM_2.5浓度降低,傍晚至次日早晨PM_2.5浓度升高.气溶胶激光雷达观测结果发现,污染期间,700 m高度以下存在明显的消光系数高值区;夜间存在明显的消光系数高值区分层现象,气溶胶消光系数高值区出现高度可达1700 m.本次PM_2.5重污染过程受静稳边界层气象条件和高空气溶胶输送、沉降共同影响.在污染时段内,大气边界层低层小风持续,近地面和大气低层逆温和同温层频发,静稳边界层条件不利于PM_2.5的输送和扩散;此外,夜间高空气溶胶伴随强西风带出现...     

2015年“十一”期间北京市大气重污染过程分析

采用垂直观测、地面观测、PM_2.5化学组分观测和气团轨迹分析等手段,对2015年10月份北京市一次大气重污染过程进行了分析.结果表明,重污染时近地面层气溶胶消光系数升高,污染物主要积聚在600m以下.重污染期间气象要素特征为：风场弱,湿度大,地面受弱气压场控制,边界层高度极低.重污染期间不同站点PM_2.5浓度变化趋势和峰值出现时间较为一致;大部分时段PM_2.5中NO₃^-浓度明显高于其他组分;周边区域受重污染的影响面积相对较小,高浓度区主要集中在北京市及近周边地区.多手段的观测结果以及PM_2.5浓度与气象要素和各化学组分的相关性分析的结果均表明：区域传输,包括秸秆焚烧,对本次北京市重污染天气过程具有一定的影响,但本地机动车排放在不利气象条件下的积累、二次转化以及垂直方向空间的极端压缩是导致重污染的主要原因.     

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.     

兰州冬季大气污染来源分析

利用WRF(天气研究与预报模式)输出的高分辨率气象数据驱动HYSPLIT_4.9(混合单粒子拉格朗日轨迹模式),结合PSCF(潜在源贡献因子)和CWT(权重浓度轨迹分析)模拟研究复杂地形下兰州城市尺度大气污染物局地输送特征、潜在源区及其对空气质量的影响. 结果表明:2002—2008年影响兰州城区冬季12月空气质量的轨迹可分为5类,输送类型可分为城区内输送和城区外输送. 第1、3类轨迹出现频率均大于20%且污染轨迹出现频率均大于38%,是污染物的主要输送路径,对应潜在源区为兰州城关区东北部和榆中县东部,这2个源区对ρ(PM₁₀)的影响最大,对ρ(SO₂)的影响最小,对ρ(PM₁₀)、ρ(SO₂)和ρ(NO₂)的贡献分别超过200、80和60 μg/m3. 来自榆中县的第4类轨迹和兰州西固区的第5类轨迹易造成大气重污染,而来自皋兰县的第2类轨迹属于清洁轨迹. 兰州冬季污染既受局地输送的影响,也与地面天气形势密切相关.      

天津夏季边界层低层大气中PAN和O_3的输送特征分析

采用在线仪器监测分析2017年夏季天津气象铁塔220m观测平台大气中过氧乙酰硝酸酯(PAN)和O3的体积浓度,并结合气象观测资料和后向轨迹分析PAN和O3的输送特征.观测期间PAN和O3体积浓度平均值分别为(0.73±0.56)×10-9和(53±25)×10-9,最大小时浓度分别为3.49×10-9和137×10-9,PAN和O3体积浓度具有相似的日变化特征,白昼PAN和O3浓度高于夜间,且PAN和O3浓度相关系数(R2=0.52)显著高于夜间(R2=0.21).观测期间偏南风下PAN和O3浓度最高,偏东风下最低,风玫瑰图和后向轨迹聚类分析都表明,来源于西南方向的气流轨迹对应的污染物浓度最高,途径渤海和河北、辽宁沿海地区的偏东气流对应的PAN和O3浓度最低,边界层内输送对PAN和O3的浓度分布起到了重要作用.     

沈阳市一次PM2.5污染天气过程成因分析

利用气象与环境监测数据,对沈阳市2015—2018年PM_2.5的污染事件、浓度变化特征和污染物相关性进行分析;并利用WRF-Chem模式、HYSPLIT模型,从气象要素、高空环流形势和污染传输特征等方面对沈阳市2018年一次污染天气过程进行分析。结果表明:PM_2.5月浓度变化呈冬季>春季>秋季>夏季的“V”形特征,日浓度变化呈“双峰”特征。相关性分析显示,气温(-0.3666)和相对湿度(-0.1158)是影响PM_2.5浓度主要的气象因子,PM₁₀(0.9964)和NO₂(0.7242)是影响PM_2.5浓度的主要污染物。2018年1月26—28日沈阳地区出现了一次持续重污染过程,在重污染开始过程中,高空环流平直,浅槽前暖平流占主导地位,地面为弱高压均压场控制,地面风速以静小风为主,风场辐合,气象条件有利于污染物积聚。在重污染发展的过程中,地面相对湿度增大有利于颗粒物吸湿增长,贴地和高空逆温层厚度较大,污染加剧。在重污染减弱的过程中,逆温层消失,大气层结稳定,垂直扩散条件变好。“静稳”气象条件下本地污染物以及外部传输的积累是导致沈阳市此次重污染过程的主要原因。     

兰州市大气重污染气象成因分析

兰州市曾经是全国乃至全世界空气污染最严重的城市之一,重度空气污染特征明显.根据兰州市环境保护局公布的大气污染数据及气象局的气象观测数据,采用时间序列法和相关统计方法对兰州市2002—2011年空气污染指数(Air Pollution Index,API)大于200的大气重污染特征进行研究,并探析了其气象学成因.结果表明,静稳型重污染发生天数约占重污染发生总天数的77%,而沙尘型重污染只占23%.静稳型重污染是兰州市最主要的大气重污染类型,它往往存在PM10、SO2和NO2三种污染物同步累积的过程,持续时间长,主要发生在冬季;而沙尘型重污染持续时间短,由于外来高浓度沙尘输送的影响,PM10浓度会急剧升高,而SO2和NO2浓度则会明显下降(SO2、NO2浓度明显低于静稳型重污染),几乎都发生在春季.对它们的成因分析表明:静稳型重污染的气象学成因主要是风速小,稳定能量大,大气环境稳定度大,不利于湍流扩散,本地源污染物持续积累造成;沙尘型重污染气象学成因主要是春季气候干燥,相对湿度低,造成大风沙尘天气,给兰州市输送大量沙尘颗粒形成大气重污染.此研究结果可为兰州市大气重污染的防治提供科学依据.     

基于综合立体观测网的京津冀地区污染过程分析

为揭示大气污染的演变规律,推动京津冀及周边地区空气质量的持续改善,针对大气重污染发生—演变—消散全过程的核心科学问题,在京津冀及其周边地区建立大气污染传输通道立体观测网,围绕2017年秋冬季和2018年春、秋、冬三季开展重污染时段和重污染过程的地基和车载走航观测,评估区域大气污染输送和城市间大气污染的相互传输量.结果表明:北京市污染呈明显的区域性特征,春季主要受区域不利扩散条件及沙尘传输影响,秋季主要受西南通道传输影响,冬季主要受西南、南部、东南通道混合层内传输与区域扩散条件不利的共同影响.秋冬季京津冀地区NO₂、SO₂污染物垂直柱浓度整体低于西南、东南和南部输送通道区域,当弱南风静稳天气条件主导时,北京市易受到污染物输送的影响,形成局域污染过程.研究显示,北京市重污染时段外来污染物各类尺度输送通道中,西南通道污染传输为主导,部分时段还受到东南和东部通道污染传输的影响.      

南京冬季典型霾天气过程多元对比分析

选取2017～2020南京地区冬季3个典型霾天气过程,综合分析了霾天气过程中污染物、气象要素以及边界层条件等影响机制与特征变化.结果表明,3次过程中,AQI指数峰值分别为304(严重污染)、227(重度污染)与176(中度污染),且与PM2.5、PM10浓度变化基本趋于一致,PM25与PM10比值基本都大于0.7;污染...     

2018年沈阳市一次空气重污染过程分析

采用数值模拟与观测资料相结合的方式,对沈阳市2018年1—3月发生的1次重污染过程的气象条件、天气形势和潜在来源进行初步分析。结果表明:重污染过程与当地的气象条件密切相关,沈阳市重污染期间的PM_2.5和PM₁₀浓度与风速和气温呈负相关,与气压和相对湿度呈正相关。中度、重度及以上污染主要集中于相对湿度为50%~70%条件下;重污染主要在高压、高湿、低风速、近地层逆温的天气形势下,污染物不易扩散。高空若有暖平流、受槽前脊后暖平流的影响也会导致区域空气质量下降。潜在来源分析表明,沈阳市的气团共有4条运输路线,其中来自内蒙古的轨迹携带了大量的PM₁₀;属于簇团2（34.72%）的内蒙古自治区中东部,属于簇团3（21.94%）的河北省以及属于簇团4（13.06%）的吉林省西部地区对沈阳市的污染贡献比较高。     

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.     

边界层方案对山西冬季一次静稳天气PM_(2.5)浓度模拟的影响

准确的空气质量数值预报模式依赖于精确的气象条件模拟,尤其依赖于大气边界层的准确模拟.为理解边界层过程如何影响空气污染物的传输与混合,利用WRF-Chem模式不同边界层方案(YSU和MYJ)进行敏感性试验,针对山西冬季典型静稳天气,对地面温度场、地面风场、PM_(2.5)浓度及边界层内部的动力和热力层结进行模拟分析,并与观测资料进行对比,分析不同PBL方案对于气象要素和PM_(2.5)浓度分布的模拟能力,探讨边界层内部热力层结和湍流输送差异对PM_(2.5)浓度模拟的影响.结果表明:2种边界层方案均能较好模拟出冬季静稳天气背景下地面温度、风速及PM_(2.5)浓度的空间分布和日变化特征,气温模拟的较大误差主要出现在夜间,而地面风速和PM_(2.5)浓度的模拟结果在午后误差较大;相对于YSU方案,局地MYJ方案模拟的温度、风场和PM_(2.5)浓度的误差更小,模拟结果更接近于实况观测.地面PM_(2.5)浓度的模拟误差可能与近地面逆温层、混合层及地面风速等的模拟误差有关;不同边界层参数化方案导致的边界层内热力层结和湍流输送的模拟差异,可能是影响近地面PM_(2.5)浓度模拟差异的主要原因;夜间MYJ方案逆温层厚度较厚,地面PM_(2.5)模拟浓度较低;午后MYJ方案混合层高度较低,加之地面风速较弱,导致地面PM_(2.5)模拟浓度较高.     

银川市PM2.5的输送路径及潜在源解析

基于2015~2017年银川市PM_2.5逐小时质量浓度和同期气象数据,采用气流后向轨迹聚类分析法、潜在来源贡献函数法（PSCF）和浓度权重轨迹分析法（CWT）研究银川市PM_2.5的输送路径及潜在源分布.结果表明：2013~2018年银川市大气PM_2.5质量浓度呈先升高后下降的趋势,其中2016年PM_2.5浓度年均值最高（54.25±20.91）μg/m³;在四季变化中,冬季PM_2.5浓度最高（75.11±29.21）μg/m³,夏季最低（31.83±7.09）μg/m³.聚类分析表明西北方向气流是银川市四季PM_2.5主要的输送路径,在春、秋、冬3季PM_2.5均为西北长距离输送路径;而在夏季,短距离输送气流是PM_2.5主要的输送方式.PSCF与CWT分析表明,冬季PM_2.5潜在源区范围最大,主要集中在西北-东南走向的潜在贡献源区带,包括新疆中东部、青海省北部、河西走廊地区、内蒙古西南部、甘肃省南部以及宁夏西北部;春、秋两季PM_2.5潜在源区主要位于新疆东部与甘肃省交界区域、甘肃省东南部、湖北北部、陕西西南部以及重庆北部;夏季的潜在源区范围最小,主要集中在新疆东部与甘肃交界区域.在PM_2.5重污染天气期间,其主要来源于西北方向气流,潜在源区主要分布在新疆东部与甘肃交界区域、内蒙古西南部与甘肃交界区域以及甘肃中南部地区.因此,在实施防风固沙的基础上,加强区域环境合作,实施大气污染联合防治,可以有效缓解银川乃至京津冀地区的大气污染.     

2014年河北中南部两次重霾天气成因分析

利用河北省环保局环境监测站提供的污染物浓度数据及常规气象观测数据、NCEP再分析资料,结合HYSPLIT4.9后向轨迹模式,对2014年10月上旬发生在河北省的2次大范围的重霾天气特征和成因进行综合分析.结果表明,这2次重污染天气过程PM_2.5地面浓度最大值出现在邢台,为507μg/m³,水平能见度不足1km.均压场的分布和较为平稳的高空形势为2次霾天气提供了有利的气象背景.高湿,静小风以及较低的混合层高度不利于污染物扩散,是导致这两次重污染天气持续的主要原因.结合卫星火点及污染物来源分析表明,河北南部及周边省份的秸秆燃烧加重了第2次过程的污染,污染气团的输送对区域性重霾天气产生重要影响.     

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.      

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.