APEC期间北京市PM2.5时空分布与过程分析

聂 滕,李 璇,王占山,齐 珺,周 震(.北京市环境保护科学研究院,国家城市环境污染控制工程技术研究中心,北京 00037；.北京市环境保护监测中心,北京 00048)



APEC期间北京市PM2.5时空分布与过程分析

聂 滕1*,李 璇1,王占山2,齐 珺1,周 震1(1.北京市环境保护科学研究院,国家城市环境污染控制工程技术研究中心,北京 100037；2.北京市环境保护监测中心,北京 100048)

摘要：运用Models-3/CMAQ模式系统,模拟分析了2014年11月3～11日APEC会议期间北京市P M2.5污染的时空分布特征,并利用过程分析工具IPR研究了会期两次短时间污染过程(4日13:00～5日12:00和10日13:00～11日12:00)中各种大气物理化学过程对城区官园和郊区定陵两个代表性站点近地面PM2.5生成的贡献.结果表明,CMAQ模型合理地再现了北京市PM2.5的浓度水平和时间变化.北京地区4日和10日发生不利于污染物扩散的气象条件,导致PM2.5小时浓度出现高值(分别为188, 124µg/m3),但受减排措施和冷高压的作用,PM2.5高值维持时间较短.4日13:00～5日12:00,水平传输是官园和定陵站点PM2.5的主要贡献者,贡献率分别为49.6％和90.9％.此次污染过程北京地区受南部污染传输影响较强.10日13:00～11日12:00,官园站点PM2.5主要来自源排放在本地的积累(78.8％),定陵站点PM2.5主要来自较弱的水平传输(93.9％).此次过程体现出更加明显的局地性污染特征.两次过程中,PM2.5的主要去除途径均为垂直传输.

关键词：APEC；北京；PM2.5；CMAQ；过程分析

* 责任作者, 助理研究员, nieteng@cee.cn

1998年以来,北京市先后采取了十六阶段的大气污染控制措施,空气质量有了很大改善,尤其是以SO2为主要污染物的煤烟型污染得到了很好的控制.2000～2010年,空气质量达到或好于二级标准的天数从117d上升到286d.但北京的颗粒物污染仍不容乐观,灰霾现象时有发生.近年来的观测资料表明,北京市PM2.5年均浓度维持在90µg/m3左右[1-4],远远超过35µg/m3的国家二级标准,并体现出显著的区域性特征[3,5].

2014年11月,亚太经济合作组织(APEC)会议在北京举行.然而研究表明,北京市10月、11月极易出现静稳天气,污染物扩散条件差,从而造成“积累型”重污染[6].在APEC召开前的10月,全市PM2.5月均浓度更是达到2014年中仅次于2月的第二高值[1].在严峻的污染态势下,北京及周边五省区市(天津、山西、山东、河北、内蒙古)均出台了严格的减排方案,全力保障APEC会期空气质量.据测算,APEC会期(2014年11月3～11 日)北京市SO2、NOx、PM10、PM2.5和VOC日排放量同比分别减少54％、41％、68％、63％和35％,周边五省区市各种污染物减排量也在30％以上[7].相应地,会期北京市PM2.5浓度相比无保障措施时下降了30％,仅出现1d轻度污染[7],创造了华北地区联防联控的成功案例.

目前,已有研究利用地面观测和遥感的方法对APEC期间的空气污染特征进行了探讨. 如Huang等[8]的研究表明,APEC会期NO2柱浓度和气溶胶光学厚度(AOD)相比会前和会后均明显下降,APEC污染控制措施对改善空气质量起到了显著的作用.黄为等[9]利用遥感方法得出会期颗粒物水溶性成分、不可溶成分和沙尘的质量浓度明显下降.Li等[10]研究发现,会期VOC浓度下降44％,机动车对VOC的贡献率下降最为显著,其次是工业和溶剂使用.已有研究主要侧重于APEC期间气态污染物和颗粒物浓度变化以及来源解析等方面,对PM2.5污染形成中源排放、气象条件、化学转化等多种因素的综合分析鲜有报道.

空气质量模型是研究空气污染问题的有力工具,它考虑了复杂的物理、化学过程,全面描述实际大气,从而获得研究区域内的气象要素、污染物时空分布和演变规律等并直观地展示出来;模型自身带有的特殊工具,如过程分析、来源解析、示踪技术等,则有助于深入了解污染成因,弥补外场观测和实验室研究的不足.本研究采用空气质量模型Models-3/CMAQ,模拟分析APEC会议期间北京市PM2.5污染情况,并利用过程分析工具,从大气物理化学过程(源排放、传输、气溶胶过程、干沉降等)层面探讨PM2.5污染的形成和变化规律,加深对APEC期间PM2.5污染形成的认识,为未来北京及周边地区的协同减排提供借鉴.

1 研究方法

1.1 模型设置

选用中尺度气象模式Weather Research and Forecasting (WRF v3.6)、源排放处理模型Sparse Matrix Operator Kernel Emissions (SMOKE v3.5.1)和化学传输模式Models-3/Community Multiscale Air Quality (CMAQ v5.0.2)建立起适用于北京及周边地区的大气污染模拟系统.模拟区域水平方向采用兰勃特投影、点(34.53°N, 108.92°E)为中心的三重嵌套网格,网格分辨率分别为36, 12, 4km,其中第三重网格覆盖了北京市全境及周边省市部分地区(图1);垂直方向划分为13层,最低层高度约为20m.

图1　模式系统的三重嵌套网格Fig.1 Triple-nested domain for the simulation

WRF模式使用NCEP FNL对流层分析资料生成第一次猜值场,并使用ADP气象观测资料对其进行客观订正.主要的物理参数化方案选择见表1. SMOKE模式第一重网格使用MEIC人为源排放清单(http://www.meicmodel.org/),分辨率为0.25°× 0.25°;第二、三重网格使用北京市环境保护科学研究院建立的北京及周边省市高精度人为源排放清单,包括CO、NOx、SO2、PM10、PM2.5、VOC、NH3.其中点源按照经纬度、烟囱高度确定其三维空间分布,面源按照道路、农田、居民、工地、建筑、裸地等不同土地利用类型分摊到网格.天然源的处理模块为Biogenic Emissions Inventory System (BEIS v3.14),使用Modis卫星观测的植被覆盖数据.CMAQ是整个模式系统的核心,它考虑了水平和垂直传输、干湿沉降、化学反应等,全面地模拟污染物在大气中的行为,计算各种污染物网格化的逐时浓度和沉降速率.CMAQ选用SAPRC07气相化学反应机理和AERO6气溶胶机理.模拟时段为2014年11 月3～11日,提前5d启动模式,以减小初始条件对模拟结果的影响.

表1　WRF模式选用的物理参数化方案Table1 The physical parameterizations selected in the WRF model

1.2 模拟效果评估

评估所用观测数据为北京市12个国控站(图2)连续自动监测的PM2.5小时浓度数据.采用标准化平均偏差(NMB)、标准化平均误差(NME)和相关系数(COR)三个统计指标评估模拟效果,指标定义如下:

图2　观测站点分布Fig.2 Locations of the monitoring sites

1.3 过程分析

CMAQ模型中的过程分析工具(Process Analysis, PA)包括两部分,积分反应速率(Integrated Reaction Rate, IRR)和积分过程速率(Integrated Process Rate, IPR).其中, IPR可以定量计算各个大气物理化学过程对某种污染物生成的贡献,反映不同大气过程在污染物生成中的相对重要性.对于PM2.5,涉及的大气过程有源排放、水平传输、垂直传输、干沉降、云过程(云的消光和清除作用、液相化学反应、云下和云内化学物种的混合、湿沉降)和气溶胶过程(气溶胶热动力学过程、新粒子生成、凝结、碰并)[11].这些大气过程在PM2.5生成中的贡献可以按下式计算:

式中: p代表大气过程,t代表时间.SOURCEp和SINKp分别代表大气过程p在所有源过程和所有汇过程中的比例,即在升高PM2.5浓度和降低PM2.5浓度中的相对贡献.

2 结果与讨论

2.1 模拟效果评估

提取图2所示12个国控站所在的4km网格内PM2.5小时浓度模拟值与观测值进行比对,结果见图3.由图3可见,模型较好地模拟出各个站点实际大气PM2.5的时间变化趋势,COR在0.64～0.84之间(表2).Pearson相关性分析的结果表明,12个站点的相关性在0.01水平(双侧)上显著相关.浓度水平方面,模型对12个站点的PM2.5有不同程度的高估,NMB在0.05～0.43之间,NME 在0.29～0.50之间.整体而言,12个站点平均的NMB、NME和COR分别为0.18、0.36和0.78(r2为0.61).Simon等[12]在总结数十篇模型模拟效果文献的基础上,统计出上述3个指标的分布.本次模拟效果与之相比,r2和NME均好于75％的文献报道; NMB取值可正可负,在取值为正的文献中,本次模拟的NMB好于20％的文献报道.

图3　部分站点PM2.5观测值和模拟值比对Fig.3 Comparison between observed and simulated PM2.5concentrations at some sites

模拟结果出现误差的原因是多方面的,其中比较重要的就是水平分辨率的问题和源清单的不确定性[11,13-14].评估时使用4km网格内的平均模拟值与站点观测值进行比较,模拟值无法反映网格内部尤其是站点周围小尺度源排放和气象条件的差异.其次,源清单的不确定性被认为是影响模拟结果的重要因素.本研究使用的北京市人为源排放清单基准年为2013年,其他省份为2012年;计算天然源排放时使用Modis卫星反演的2005年土地利用信息,受限于掌握的资料均未更新至2014年.同时,APEC会议召开前北京及周边五省区市制订了空气质量保障方案,会议召开期间又实施了一些临时的、难以统计和定量的减排措施(例如增加停限产企业和停工工地,减少秸秆、垃圾焚烧等),在减排量的测算中没有纳入进来,导致源清单存在一定的不确定性.此外,气象场模拟存在误差以及模型使用的大气化学反应机理不完善也是PM2.5模拟出现误差的原因.

表2　12个站点PM2.5模拟效果Table2　Model performance of PM2.5at 12 sites

2.2 APEC期间北京市PM2.5污染特征

图4　北京市PM2.5浓度和南郊观象台风矢量模拟值的时间变化Fig.4 Temporal variation of simulated PM2.5in Beijing and wind vector at Nanjiao observatory

APEC期间,北京地区在4日和7～10日出现两次不利于污染物扩散的气象条件,PM2.5最高浓度分别出现在4日和10日23:00(图4).3日,北京地区受弱冷高压控制,主导风向为偏南风,扩散条件良好,PM2.5维持在较低水平.4日,受低压控制,主导风向仍为偏南风,但扩散条件转差,PM2.5快速上升,至午夜达到最高值188µg/m3.空间分布方面,PM2.5高浓度主要出现在城六区、顺义西部、通州北部.西部和北部山区,包括怀柔北部、延庆、昌平西部、门头沟、房山西部等地,PM2.5浓度相对较低(图5a).5～6日,一股冷空气影响北京地区,在西北风的主导下,PM2.5浓度降低,空气质量转为优良.7日,冷空气减弱,在偏南风的影响下,污染物逐渐积累起来.由图4可见,9日和10日上午均出现一段盛行西北风的时段,这是由于河北西北部存在一个小的冷高压所致.在该冷高压的作用下,北京西部和北部大部分地区(延庆、怀柔、门头沟、昌平、房山中西部等)以较强的西北风为主导,而东南部地区(大兴、通州、顺义、朝阳等)以较弱的西南风为主导,总的来说有利于降低北京市整体的PM2.5浓度(图5b).7～10日,虽然整体天气条件不利,但前期减排效果的逐渐显现以及临时性措施的实施在一定程度上减缓了PM2.5的升高趋势,同时,9日和10日上午冷高压拉低了PM2.5浓度,使得PM2.5日均值没有超过75µg/m3的二级标准.11日,在较强冷空气影响下,全市PM2.5浓度大幅降低.

图5　北京市PM2.5日均浓度空间分布Fig.5 Spatial distribution of daily average PM2.5in Beijing

2.3 PM2.5生成过程分析

4日和10日中午至午夜均出现了短时间的重污染过程.两次过程中,PM2.5均在偏南风的作用下迅速积累,并在午夜过后在冷高压带来的西北风作用下迅速降低,表现出一定的相似性.选择官园和定陵作为代表性站点,利用IPR对这两次短时间污染过程进行研究,从大气物理化学过程层面分析其成因的异同.官园位于北京城区,可以反映城区高污染排放条件下的污染特征;定陵位于昌平区明十三陵景区内,东、西、北三面环山,本地污染源较少,城六区污染物易随偏南风输送到此地而积累,可以反映郊区污染变化规律.

图6　官园和定陵PM2.5浓度和大气过程的时间变化Fig.6 Temporal variation of PM2.5concentrations and atmospheric processes at Guanyuan and Dingling

DDEP:干沉降;HTRA:水平传输;VTRA:垂直传输;EMIS:源排放;CLDS:云过程;AERO:气溶胶过程;CONC:PM2.5浓度

图6是官园和定陵4日13:00～5日12:00和10日13:00～11日12:00近地面(对应模式第1 层)PM2.5及各大气过程的时间变化.结合表3中各个大气过程占总的源汇过程的比例,可以看到各大气过程在两次污染过程中体现出一些共同点:源排放是PM2.5的源过程,其随时间的变化不明显,在城区(官园站点)各类源过程中占有较高份额(两次过程分别占47.6％和78.8％);干沉降和垂直传输均为PM2.5的汇过程,其中垂直传输是PM2.5浓度降低的首要途径;气溶胶过程既可以表现为PM2.5的源过程,也可以表现为汇过程,对PM2.5浓度影响较小;云过程对PM2.5的影响为零.

两次过程中,水平传输是影响PM2.5的重要因素,也是造成两次过程差异的主要大气过程.4日13:00～5日12:00,在偏南风的影响下,来自北京南部地区的水平传输和本地源排放共同造成官园站点PM2.5浓度升高,二者分别占总源过程的49.6％和47.6％;10日13:00～11日12:00,持续的源排放在本地的积累(78.8％)以及气溶胶过程(11.5％)是官园站点PM2.5浓度升高的两个因素,水平传输起到降低PM2.5浓度的作用.在定陵,源排放对PM2.5的贡献较小(低于6％),水平传输是PM2.5的最大贡献者,其在总的源过程中所占份额达90％以上.两次污染过程对比来看,定陵站点10日13:00～11日12:00水平传输的剧烈程度显著小于4日13:00～5日12:00.由此可见,4日13:00～5日12:00的污染过程中北京地区主要受到南部污染输送的影响,而10日13:00～11日12:00的过程表现出更强的局地性特征,南部污染向北京的输送不明显.

表3　大气过程对官园和定陵PM2.5浓度的影响 (％)Table3　Influences of atmospheric processes on PM2.5at Guanyuan and Dingling (％)

3 结论

3.1 Models3-/CMAQ模式能够合理地模拟北京地区PM2.5的浓度水平和时间变化.2014年11 月3～11日APEC会议期间,受不利气象条件影响,北京地区PM2.5浓度在4日和10日出现两次高值, 主要分布在城六区及近周边.由于减排措施持续实施和冷高压的双重作用,PM2.5高值维持时间较短.

3.2 在4日13:00～5日12:00的短时间污染过程中,北京PM2.5污染主要受南部地区污染向北传输的影响.官园和定陵站点近地面PM2.5分别有49.6％和90.9％来自南部传输. 10日13:00～11日12:00的污染过程中,官园站点PM2.5主要来自本地源排放的积累(78.8％);定陵站点PM2.5主要来自水平传输(93.9％),但不及4日13:00～5日12:00剧烈.此次过程具有较显著的局地性污染特征.两次过程中,垂直传输是PM2.5主要的去除途径.

参考文献：

[1] 北京市环境保护局. 2014北京市环境状况公报 [EB/OL]. http://www.bjepb.gov.cn/bjepb/resource/cms/2015/04/201504160 9380279715.pdf.

[2] Zhao X, Zhang X, Xu X, et al. Seasonal and diurnal variations of ambient PM2.5concentration in urban and rural environments in Beijing [J]. Atmospheric Environment, 2009, 43(18): 2893-2900.

[3] 王 琴,张大伟,刘保献,等.基于PMF模型的北京市PM2.5来源的时空分布特征 [J]. 中国环境科学, 2015,35(10):2917-2924.

[4] 王占山,李云婷,陈 添,等.2013年北京市PM2.5的时空分布 [J].地理学报, 2015,70(1):110-120.

[5] 刘 俊,安兴琴,朱 彤,等.京津冀及周边减排对北京市PM2.5浓度下降评估研究 [J]. 中国环境科学,2014,34(10):2726-2733.

[6] 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):89-93.

[7] 北京市环境保护科学研究院,北京市环境保护监测中心.2014 年APEC会议空气质量保障措施实施效果初步评估报告 [R].北京:北京市环境保护科学研究院, 2014.

[8] Huang K, Zhang X, Lin Y. The “APEC Blue” phenomenon: Regional emission control effects observed from space [J]. Atmospheric Research, 2015,164-165(65-75).

[9] 黄 为,谢一凇,李正强,等.2014年APEC会议期间北京地区气溶胶成分遥感研究 [J]. 大气与环境光学学报, 2015,10(4):278-285.

[10] Li J, Xie S D, Zeng L M, et al. Characterization of ambient volatile organic compounds and their sources in Beijing, before, during, and after Asia-Pacific Economic Cooperation China 2014 [J]. Atmos. Chem. Phys., 2015,15:7945-7959.

[11] 刘 宁.珠江三角洲大气颗粒物污染特征与过程分析 [D]. 北京:北京大学, 2012.

[12] Simon H, Baker K, Phillips S. Compilation and interpretation of photochemical model performance statistics published between 2006 and 2012[J]. Atmospheric Environment, 2012,(61):124-139.

[13] 王晓君,马 浩.新一代中尺度预报模式(WRF)国内应用进展[J]. 地球科学进展, 2011,26(11):1191-1199.

[14] 唐孝炎,张远航,邵 敏.大气环境化学(第二版) [M]. 北京:高等教育出版社, 2006:450-453.

致谢:感谢清华大学MEIC团队提供全国范围污染源排放清单.

Spatial and temporal distribution and process analysis of PM2.5pollution over Beijing during APEC.

NIE Teng1*, LI Xuan1, WANG Zhan-shan2, QI Jun1, ZHOU Zhen1(1.National Engineering Research Center for Urban Environmental Pollution Control, Beijing Municipal Research Institute of Environmental Protection, Beijing 100037, China；2.Beijing Municipal Environmental Monitoring Center, Beijing 100048, China). China Environmental Science, 2016,36(2)：349～355

Abstract：Models-3/CMAQ modeling system was used to simulate the spatial and temporal distribution of PM2.5pollution over Beijing during APEC, 2014(i.e. November 3 to 11, 2014). IPR, a process analysis tool embedded in CMAQ, was employed to quantify the contributions of different atmospheric processes to the PM2.5formation at two typical sites (i.e. Guanyuan and Dingling) during two short-time pollution processes (i.e. Nov. 4 13:00 to Nov. 5 12:00 and Nov. 10 13:00 to Nov. 11 12:00). The results showed that CMAQ reproduced the temporal variation and magnitude of PM2.5reasonably. Adverse synoptic system occurred on Nov. 4 and Nov. 10, resulting in two peak values of PM2.5(188µg/m3and 124µg/m3). Elevated PM2.5levels didn’t last long because of the pollution control measures and the cold anticyclone. During Nov. 4 13:00 to Nov. 5 12:00, horizontal transport was the primary contributor to the PM2.5at both Guanyuan and Dingling, with a contribution rate of 49.6％ and 90.9％, respectively, indicating that Beijing was mainly affected by pollution transported from southern areas. During Nov. 10 13:00 to Nov. 11 12:00, PM2.5at Guanyuan site mainly came from local emission (78.8％), while PM2.5at Dingling site mainly came from relatively weak horizontal transport, demonstrating a local pollution characteristic. Vertical transport played a dominative role in the decrease of PM2.5in both pollution processes.

Key words：APEC；Beijing；PM2.5；CMAQ；process analysis

作者简介：聂 滕(1987-),男,山东潍坊人,助理研究员,硕士,主要从事大气数值模拟研究.发表论文9篇.

基金项目：北京市环境保护科学研究院科技基金(2014A04);国家自然科学基金(41303074)

收稿日期：2015-07-01

中图分类号：X513

文献标识码：A

文章编号：1000-6923(2016)02-0349-07