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.     

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

汾渭平原受其复杂地形特征及产业结构影响,和京津冀、长三角地区一起被列为大气污染重点防治区域.本研究应用2014—2019年冬季中国环境监测总站汾渭平原各城市的六大空气污染物逐小时数据,结合欧洲中心ERA-5数据,利用HYSPLIT后向轨迹模型及T-model斜交旋转主成分分析法（PCT）,揭示过去6年汾渭平原冬季颗粒物浓度演变规律,厘清汾渭平原复杂地形影响下大气污染来源特征、潜在源区及成因,识别影响汾渭平原冬季空气污染的主要天气系统类型.HYSPLIT模拟结果表明,冬季喇叭口地形城市主要受本地和邻近区域污染源影响;山区盆地地形城市更易受到100~300 km距离以内污染源的传输影响,其中,来自陕北的气团对其影响最大;峡谷地形城市更易受到300~600 km范围内污染源的传输影响;平原地形城市的污染物浓度受区域传输的影响较大.影响汾渭平原冬季颗粒物重污染的天气系统可分为高压前部型、高压后部型、均压场型及低压倒槽型,其中,高压前部型是汾渭平原冬季重污染时段最易出现的天气形势.     

北京市夏季不同O3和PM2.5污染状况研究

从天气背景场、气象要素、前体物和PM_(2.5)化学组分、气团运动轨迹以及大气氧化性等方面对北京市夏季两种不同的O_3和PM_(2.5)污染状况进行了分析.结果表明,O_3达到中度污染而PM_(2.5)浓度优良(O_3和PM_(2.5)一高一低)污染状况的天气形势场为:高空为偏西北气流,地面受高压后部控制;而O_3和PM_(2.5)同时达到中度污染(O_3和PM_(2.5)两高)的天气形势场为:高空为偏西气流,地面受低压控制.与O_3和PM_(2.5)一高一低污染状况相比,O_3和PM_(2.5)两高时的气象要素特征为:偏南风更为明显和相对湿度更高.O_3和PM_(2.5)两高时污染物浓度演变特征为,O_3和PM_(2.5)的起始浓度较高,PM_(2.5)日变化特征更为明显,而O_3平均浓度却低于O_3和PM_(2.5)一高一低的污染状况.前体物、大气氧化性以及PM_(2.5)化学组分分析的结果表明,较高的起始浓度在不利气象条件下的积累和吸湿增长以及当天较大偏南风造成的区域传输可能是造成O_3和PM_(2.5)两高污染状况中PM_(2.5)浓度达到四级中度污染的主要原因.     

天气型对北京地区近地面臭氧的影响

臭氧(O3)是夏秋季北京城市大气光化学污染物中的首要气态污染物,气象因素是影响其浓度水平和变化规律的主要因子之一.2008年7月~2008年9月,在北京市4个站点进行了臭氧、氮氧化物(NOx)和一氧化碳(CO)浓度的同步连续观测,并对同期天气型进行了分类比对分析.结果显示,观测期间,北京地区处于低压前部(主要是蒙古气旋)和高压前部的比例分别为42%和20%,分别是造成臭氧浓度高值和低值的主要背景场.处于低压前部控制时,高温、低湿以及局地环流形成的山谷风造成区域臭氧累积,小时最大值(体积分数)高达102.2×10-9,并随气压的升高以3.4×10-9Pa-1的速率降低,山谷风风向的转变决定了臭氧浓度最大值出现时间,峰值出现在14:00左右;处于高压前部控制时,低温、高湿以及系统性北风造成区域臭氧低值,小时最大值(体积分数)仅为49.3×10-9,系统性北风将臭氧峰值出现时刻推后到16:00左右.北京地区臭氧光化学污染呈现出区域一致性,并与天气型有较好相关,关注天气型结构和演变对预报大气光化学污染具有重要意义.     

合肥冬半年降水及所处天气型对大气颗粒物浓度的影响

利用合肥市2015—2017年冬半年环境监测站和自动气象站数据,以及高空、地面天气图资料,运用常规统计和天气学方法分析了降水强度及不同降水天气系统对PM_2.5、PM₁₀浓度的影响.结果表明：冬半年降水日PM_2.5、PM₁₀平均浓度较无降水日分别下降18.1μg·m^-3（23.9%）、38.2μg·m^-3（37.8%）;小于5 mm的日降水量对颗粒物清除效果不明显,且有28%样本PM_2.5和PM₁₀浓度不降反升;当日降水量大于10 mm,位于“优”等级的PM_2.5和PM₁₀浓度比例分别为54%和80%,显著上升.连续降水期间PM_2.5、PM₁₀日均浓度中位值和均值逐日下降,降水第2日PM_2.5、PM₁₀日均浓度降幅最大.合肥冬半年降水天气系统可以分为切变线Ⅰ型、切变线Ⅱ型、低槽冷锋型和...     

武汉市PM_(10)污染日变化及其高污染时段特征

利用武汉市环境监测中心站2004～2005年部分逐时PM10监测资料和相对应的气象资料,分析了城区PM10浓度的日变化特征,及其与气象条件的关系,特别是对四季PM10日变化中高污染时段的形成与天气系统的关系进行了分析。武汉市城区PM10的日变化与季节、天气系统的关系密切,与气象要素有一定的相关性。     

天气因素对道路灰尘铂族元素累积的影响

以新疆昌吉市为研究区,探讨了天气因素对道路灰尘铂族元素(PGEs)累积的影响及其作用机制.样品经王水消解后由ICP-MS测定.结果表明,径流冲刷与风力是道路灰尘中PGEs迁移转化的主要外力,而降水量与气温是城市道路形成径流的主要影响因素,干旱区降水稀少,更利于灰尘PGEs的累积.各类天气因素对道路灰尘PGEs含量的影响具体表现为:降水量小(12h降水量5mm),且气温高于0℃以上时的降雪(包含雨夹雪)后PGEs含量下降;气温低于0℃时,无论降雪量大小,雪后PGEs含量下降.单场次小雨(12h降雨量5mm)后PGEs含量下降;连续性小雨(12h降雨量<5mm)后PGEs含量上升,其累积达到上限,若继续降小雨,其含量不再升高反而呈缓慢下降趋势.4级以上大风天气后PGEs含量明显下降.     

长江上游中小洪水天气学机理分析及致洪特征

基于1981~2012年长江上游128个中小洪水历史个例及NCEP/NCAR再分析资料,采用普查及天气学分型方法,建立了纬向型、经向型、偏东气流型以及两高之间型4种致洪降水天气学概念模型,研究了各天气型致洪降水发生机理及相应中小洪水特征。得到以下结论:纬向型中高纬环流相对平直多波动,伴有明显冷平流南下,地面锋面位置略偏北。该类型强降水过程多,强度大,持续时间长,对应中小洪水多为双峰或多峰型,平均洪峰流量、过程增幅最强,洪水过程时间也最长。经向型环流中高纬贝加尔湖和东北地区为深厚低槽,中低层常伴有暖式切变线或低涡发展,中上层急流出口处的辐散以及冷平流四类型中最强。该类型雨带多呈东北-西南走向,中小洪水一般以单峰为主,其洪峰流量及过程增幅均较大,造成的洪水涨水较快,过程时间最短。纬向和经向型均为全流域降水型,但在金沙江北部、岷沱江、嘉陵江以及宜宾-宜昌常出现较高频次的60 mm以上较强面雨量。偏东气流型副高与热带气旋外围环流汇合北进,其强降水前后冷暖平流变化不明显,受地形强迫抬升影响,最易产生准静止型、团状、突发性强降水。该类型中小洪水以单峰为主,涨水快,洪峰流量及过程增幅均最小,强降水主要分布在嘉陵江和岷沱江两大流域。两高之间型多为"鞍"型场的环流配置,青藏高压与副高在流域上空形成南北向切变线,其动力和水汽条件均较弱。该类型降水强度较弱,稳定少动,累积降水量较大,洪水以单峰为主,双峰偶有发生,其洪峰流量、过程增幅均较大,洪水过程时间较长,强降水多位于岷沱江、嘉陵江和宜宾-重庆中部流域。     

基于K-means聚类分析法的肇庆市干季PM2.5污染天气分型研究

通过分析肇庆市2013—2018年国控大气环境监测站的PM_(2.5)连续监测数据,发现肇庆市区PM_(2.5)浓度在干季(10月—次年4月)明显高于其余月份,轻度以上污染基本发生在干季,且PM_(2.5)浓度对年总浓度贡献达70.8%.基于Era-interim再分析资料采用K-means聚类分析法对2013—2018年干季逐日的海平面气压和10 m水平风进行分型,揭示了肇庆市易出现PM_(2.5)污染的6种大气环流形势,包括冷锋前部(CF)、变性高压脊(THR)、脊后槽前型(BRFT)、高压底后部(HSW)、弱冷高压脊(HR)和台风外围型(TP).2013—2016年易污染天气型影响天数呈明显减少趋势,2017—2018年呈增加趋势.不同天气型PM_(2.5)浓度与局地气象要素相关性不一致,其中CF、HR、HSW、TP天气型与湿度相关性最好,THR与风速、BRFT与气压相关性最好.PM_(2.5)污染除BRFT天气型主要以本地排放累积影响为主,其余易污染天气型存在不同尺度的外来输送影响,HSW、HR主要来自广州、清远、韶关, CF主要来自佛山、中山,THR来自广州、清远、佛山.同一污染天气型在不同月份的污染影响差异较大,其中HSW、THR污染型主要影响1月和10月,CF为1月和12月,HR为2月和12月,TP为10月,BRFT为1月和10—11月.不同年份的同一月份造成不同程度的PM_(2.5)污染除了排放影响,还与天气环流类型和同一天气型下的局地气象要素密切相关.     

Spatiotemporal Features of Severe Air Pollution in Northern Taiwan (8 pp)

Background, Aims and Scope This research attempted to identify the dominant factors simultaneously affecting the airborne concentrations of five air pollutants with principal component analysis and to determine the meteorologically related parameters that cause severe air-pollution events. According to the definition of subPSI and PSI values through the U.S. EPA, the historical raw data of five criteria air pollutants, SO2, CO, O3, PM10 and NO2, were calculated as daily subPSI values. In addition to the airborne concentrations, this study simultaneous collected the surface meteorological parameters of the Taipei meteorological station, established by the Central Weather Bureau. Methods Principal component analysis was conducted to screen severe air pollution scenarios for five air pollutants: SO2, CO, O3, PM10 and NO2. The concentrations of various air pollutants measured at 17 air-quality stations in northern Taiwan from 1995 to 2001 were transformed into daily subPSI values. The correlation analysis of the five air pollutants and four meteorological parameters (wind speed, temperature, mixing height and ventilation rate) were included in this research. After screening severe air pollution scenarios, this study recognized the synoptic patterns easily causing the severe air-pollution events. Results and Discussion Analytical results showed that the eigenvalues of the first two principal components for SO2, CO, O3, PM10 and NO2 were greater than 1. The first component of five air pollutants explained 64, 64, 67, 76 and 63% of subPSI variance for SO2, CO, O3, PM10 and NO2, respectively. Only the correlation coefficient of NO2 and CO had statistically significant positive values (0.82); other pollutant pairs presented medium (0.4 to 0.7) or low (0 to 0.4) positive values. The correlation coefficients for air pollutants and three meteorological parameters (wind speed, mixing height and ventilation index) were medium or low negative values. In northern Taiwan, spring was most likely induced high concentrations and the component scores of the first component for SO2, CO, PM10 and NO2; summer was the worst season that caused high O3 episodes. Consequently, the analytical results of factor loadings for the first principal component and emission inventory of various sources revealed that mobile sources were dominant factors affecting ambient air quality in northern Taiwan. Conclusion According to the results of principal component analysis for the five air pollutants, the first two of 17 components were cited as major factors and explained 71% of subPSI variance. Based on the inventory of NOx emissions and the isopleth diagram of factor loading for the first component, mobile sources in the southwest Taipei City accounted for the highest factor loading values and emission inventory values. Synoptic analysis and principal component analysis demonstrated that three types of weather patterns (high-pressure recirculation, prefrontal warm sector and the southwesterly wind system) easily caused the severe air-pollution scenarios. In summary, if severe air-pollution days occurred, the average meteorological parameters experienced adverse conditions for diffusing air pollutants; that is, the average values of wind speed, mixing height and ventilation index were lower than 2.1 ms-1, 360 m and 800 m2s-1, respectively. If one of the three synoptic patterns were to occur in combination with adverse meteorological conditions, severe air-pollution events would be developed. Recommendation and Outlook By utilizing synoptic patterns, this work found three weather systems easily caused severe air-pollution events over northern Taiwan. Analytical results showed, respectively, the wind speed and mixing height were less than 2.1 m/s and 360 m during severe air-pollution events.