北京一次重污染过程的天气成因及来源分析

崔 萌,安兴琴,范广洲,王 超,孙兆彬,任文辉



北京一次重污染过程的天气成因及来源分析

崔 萌1,2,安兴琴2*,范广洲1,王 超2,孙兆彬3,任文辉4

(1.成都信息工程大学大气科学学院,四川 成都 610225；2.中国气象科学研究院大气成分研究所,北京 100081；3.中国气象局北京城市气象研究所,北京 100089；4.中国人民解放军78127部队,四川 成都 610000)

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PM2.5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PM2.5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PM2.5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PM2.5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PM2.5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.

北京地区；重污染过程天气成因；敏感性分析；GRAPES-CUACE伴随模式

近年来,为了改善北京市空气质量,许多学者开展了与北京大气污染相关的研究工作.学者们研究分析了大气环流及气象要素对空气污染的影响,认为在污染物排放量高、污染物排放源复杂的情况下,天气气候背景是形成持续时间长、影响范围广和污染程度高的重污染过程的主要驱动因素[1].稳定的大气环流形势、高湿度低风速的地面条件和低而厚的逆温层导致北京层结稳定,不利于污染物扩散[2],在污染浓度升高过程中,大气也并不总是处于层结稳定状态,垂直运动和散度在垂直方向上的“分层”结构有利于污染物的累积[3].孙兆彬等[4-5]解释了偏东风随高度增大以及逆温减弱、混合层高度升高导致浓度升高的原因.廖晓农等[6]发现边界层急流会迅速改善北京地区PM2.5浓度;在污染过程排放源追踪方面,学者们利用数值模式也开展了大量工作, Stohl等[7]运用拉格朗日粒子扩散模式FLEXPART验证了城市区域间的污染输送;Zhai等[8]同样利用FLEXPAPT反向追踪了北京市雁西湖地区空气质量影响最大的敏感源区,为整个源区域和特定敏感源区建立了减排测试;王雪松等[9-11]利用三维区域空气质量模式CAMX模拟对流层大气光化学过程,研究了不同地区、不同种类污染源排放对北京地区臭氧浓度的影响;王雪松等[12]利用CAMX模拟研究北京地区夏季PM10浓度的时间变化规律和空间分布特征;薛文博等[13]运用CAMx模型研究出全国各省市PM2.5污染以本地源为主,跨区域输送与各省市地理位置、污染物排放强度、排放源结构、气象条件等有关;安兴琴等[14]研究表明CMAQ模式能较好地模拟污染物的空间分布格局;翟世贤等[15]利用空气质量模式Model-3/CMAQ对北京市PM2.5浓度进行了污染源减排时刻和减排比例的研究;王自发等[16-17]利用NAQPMS模式,采用质量追踪法计算了周边各地区的臭氧污染对北京的贡献率,研究了我国强污染天气下中东部PM2.5的时空分布特征和演变规律;李锋等[18]利用WRF-CMAQ模型探究了长江三角洲PM2.5的时空分布和输送;刘香娥等[19]运用WRF-CHEM模式研究出北京地区O3污染的主要来源是北京以外的外源输送,细颗粒物则主要源于本地生成;Zhai等[20]利用GRAPES- CUACE气溶胶伴随模式反向追踪了2012年11月北京一次污染事件的主要污染排放源区;王超等[21]利用GRAPES-CUACE气溶胶伴随模式,对北京市一次高浓度PM2.5污染过程进行了敏感性分析,并显示了伴随模式在追踪重点排放源区及关注敏感排放时段等方面的优越性.

本文利用天气学分析方法,结合GRAPES- CUACE气溶胶伴随模式,综合分析了北京市2016年2月29日~3月6日期间一次PM2.5重污染过程的大气环流特征、污染形成和消散原因,并利用伴随模式反向追踪了污染过程关键排放源区及敏感排放时段,模拟估算了本地及周边排放对此次污染过程的累积贡献比例及不同区域的主导贡献时段和贡献比例的时间演变.

1 数据与方法

1.1 数据

本文主要利用地面常规观测资料、Micaps资料、FY-2E静止气象卫星的云量数据、北京海淀站(116.28°E,39.98°N)实时采样高度上产品数据文件的L波段边界层风廓线雷达资料,以及北京市环境保护局35个监测站点2016年2月29日~ 3月7日逐时PM2.5质量浓度观测数据.

1.2 GRAPES-CUACE大气化学伴随模式及参数设置

GRAPES-CUACE伴随模式是在我国自主研发的新一代数值模式系统GRAPES和大气化学模式CUACE基础上开发的在线耦合气象-化学模式系统[22].GRAPES模式是采用半隐式半拉格朗日方案的有限区/全球统一模式,提供与国际上常用数值预报资料接口,模式输入输出便捷[23];CUACE目前主要包括3个模块:气溶胶模块、气体模块和热力学平衡模块[21].本研究主要利用气溶胶模块伴随模式.

本文首先利用GRAPES-CUACE正向模式模拟出北京市2016年一次重污染过程的PM2.5浓度变化趋势,再利用气溶胶模块的伴随模式反向追踪形成PM2.5峰值浓度过程中的主要污染排放源区及敏感排放时段,具体步骤见参考文献[22,24].

本文模拟区域主要是我国华北地区(105°E~ 125°E,32.25°N~43.25°N),水平包括41×23个网格,水平分辨率为0.5°×0.5°,垂直分为31层,积分步长为300s,排放源清单采用0.5°×0.5°的INTEX-B2006清单.本文模拟时间为2016年2月26日20:00~3月8日 20:00,其中前3d是模式启动时间,为了消除理想化初始浓度对模拟效果的影响.

1.3 混合层高度计算方法

本文基于地面气象观测,根据罗氏法计算混合层高度[25-26],计算公式如下:

式中:是计算的混合层高度,m;是帕斯奎尔稳定度级别(大气稳定度级别为A~F时,依次取值为1~6);(-d)是温度露点差,℃;U是高度处测得的平均风速,m/s;0是地面粗糙度;是地转参数,= 2sin.

2 PM2.5浓度时空分布特征

2.1 空间分布

从北京市2016年3月1日~4日的PM2.5日均浓度逐日空间分布可以看出,北京市PM2.5平均浓度逐日增加,在3月4日达到最大,3月4日平谷镇日平均浓度达到413μg/m3,空间上,浓度呈自东南向西北递减的分布趋势,污染物由南部向北部蔓延.北京南部平原地区PM2.5浓度比北部和西部山区PM2.5浓度高约1~2.4倍.北京城区PM2.5浓度比北部郊区浓度高约1~1.5倍.

2.2 时间分布

图1是郊区怀柔站和市内海淀站2016年2月29日~3月6日的PM2.5浓度时间分布图,怀柔站和海淀站的PM2.5浓度呈周期性波动,大体为先上升后下降走势.怀柔站出现3次较高峰值,在3月4日9:00浓度最高,为478.2μg/m3,海淀站也出现3次较高峰值,最大峰值出现在3月4日20:00,浓度为506.4μg/m3,2站点PM2.5浓度主要存在7次明显下降过程(A~G):2月29日9:00~12:00、3月1日9:00~ 13:00、3月2日10:00~18:00、3月3日4:00~6:00、3月3日20:00~3月4日6:00、3月4日10:00~16:00以及在3月4日20:00均呈断崖式下降.

图1 北京市怀柔、海淀站2016年2月29日~3月6日PM2.5浓度时间演变

从图1可以看出,2月29日~3月4日5d的PM2.5浓度存在明显的日变化:在早上6:00~8:00都出现峰值,而后开始下降,在中午13:00前后出现最低值,下午至晚上19:00~20:00浓度持续增加,然后又下降.这种现象主要受早晚高峰期间汽车尾气排放增加的人为因素,以及天气因素共同影响[27-29].在7次明显下降过程中,有4次(A、B、C、F)与日变化有关,后5次浓度下降过程主要受气象要素影响.对于C、D、E、F、G 5次下降过程的天气学原因将在本文第3、4节进行详细分析.

3 污染过程天气学分析

3.1 海平面气压场

从2016年2月29日~ 3月5日8:00海平面气压场图可以看出:2月29日20:00~3月4日8:00,北京站处于地面低压槽槽前或者低压中心前部,冷空气影响不明显,等压线稀疏,气压梯度小,地面风速小,以弱偏南风为主,对污染物扩散不利,大气污染物易在太行山前辐合形成聚集,北京污染物持续增加,PM2.5浓度上升.3月4日8:00~23:00,转为受地面倒槽形势控制,有利于污染扩散.

3.2 500hPa高度场

2月29日8:00~3月3日20:00,北京站500hPa高度场为槽后脊前的天气形势,受西北气流控制,200hPa纬向风较小,等值线稀疏,西风急流较弱.2月29日8:00~3月1日8:00,基本为偏北分量较大的西北风,3月1日8:00~3日20:00,主要受偏西分量较大的西北风影响,风速减小,等高线较稀疏.3日20:00前后北京站有一短波槽过境,过境前的槽前上升运动,利于污染物抬升,3月4日8:00~3月5日8:00,北京站转为槽前西南气流控制,整体上冷槽落后于高度槽,槽较深厚,等高线密集,风速较大,槽前上升运动较明显,有利于污染物扩散.

3.3 850hPa高度场

天气形势整体与500hPa相似,2日20:00前后由西北风转为西南风控制,2日20:00~4日暖平流输送较明显,暖脊形势较明显但湿度较小,且由于黄土高原的存在,槽下高原的下沉增温作用,加深了逆温层的形成与维持,有利于地面低压形势加强,不利于地面冷空气影响北京地区.因此在冷暖空气交汇过程中,北京站基本无降水.3月4日20:00北京站开始受地面倒槽影响,850hPa温度较3月3日20:00下降5~7℃,风场风速加大,重新转为西北气流控制且位于槽后,冷空气从西北方向进入京津冀地区,低压和海上高压减弱,污染物扩散条件转好,空气质量逐步改善.

高层虽然有槽前上升运动,然而由于中低层水汽输送不明显,且中低层槽线在下高原后有动力下沉增温作用,导致湿度进一步减小,故没有明显降水.在地面冷空气影响北京站之前,中低层始终有暖脊存在,一方面加强了地面热低压的发展与维持,使冷空气南下移动减慢,延缓冷空气影响过程;另一方面暖脊加强了近地面逆温层的形成与维持.近地面逆温层的形成,不仅与暖平流或暖心结构有关,槽下高原后的下沉增温也有利于逆温层的形成与维持.

3月2日~4日期间,在发展的低压、较弱的气压梯度和风场、逆温层三者共同影响下,北京地区环流相对静稳,对大气污染物的扩散极为不利.此次地面冷空气过程以南压为主,较长时间内受到维持于华北平原的地面热低压的阻挡,导致冷空气主体影响北京站的西南地区.对北京站而言,冷空气影响的时间较短、强度较小,且没有明显降水,对于污染物的扩散作用较为有限.

4 污染过程大气物理条件分析

4.1 T-lnP图

从T-lnP图可以看出,2月29日~3月4日20:00逆温比较明显(白天较强,晚上有减弱趋势),且中低层湿度很小.3月4日23:00~5日11:00由于上游地区冷空气东移影响,先前控制北京站的低压中心逐渐东移,北京站风速加大,风向转为偏北风.

4.2 风廓线图

图2是3月2日0:00~5日0:00的风廓线图,图2(a)为水平风速,图2(b)为垂直风速,垂直风下沉为正,上升为负.结合图2可以看出,在3月2日0:00~5:00高空风场为西北风,200m以下为风速小于3m/s的北风,从3月2日5:00开始,边界层内风向呈气旋型切变,逆时针旋转,有冷平流,到17:30左右整个边界层内为西南风,底层风速较5:00增大了2~4倍,偏南风速增大,在1200~1400m出现最大风速为30m/s,形成低空急流,加强层结的不稳定度,触发不稳定能量的释放,图2(b)中低空急流产生暖平流的上升运动,但由于中低层湿度过小,并没有形成降水,污染物吹向高空,水平和垂直扩散条件转好.3月2日22:30~3日3:30,急流减弱,底层风速减小,污染物浓度又逐渐升高.3月3日4:00~6:00,500hPa有短波槽过境,在1100m又出现了急流中心,中心风速为26.2m/s,污染扩散条件转好,污染物浓度降低.3月3日16:00~3月4日7:00风随高度顺时针旋转,700hPa暖脊形势较明显,850hPa暖平流输送明显,在1400~1900m又出现边界层急流,西南风最大风速为21.4m/s,大气通风量增大,污染物浓度降低.3月4日7:00~9:30,风随高度逆时针旋转,高空急流减弱,风向由西南风转为西北风,底层风速减小,扩散条件转差,污染物浓度升高.3月4日10:00开始中低空伴有强风,850hPa槽线即将过境,10:00~16:00底层风速达到6~12m/s,图2(b)中1800m以下有0~2m/s的上升运动,水平和垂直扩散条件较好,污染物浓度下降,但从图2(b)可以看出槽前冷空气开始渗透,但未完全渗透,底层风速减小到1~3m/s,导致污染浓度下降后又猛升,400~ 1600m出现强风速区,最大风速为26.7m/s,直到3月4日20:00左右,地面开始受地面倒槽影响,850hPa槽线过境,冷空气开始完全渗透,图2(b)中空气产生强烈上升运动,强上升运动将堆积在底层的污染物输送到中高空,污染物浓度骤降.

由图2可分析出3月2日10:00~18:00、3月3日 4:00~6:00、3月3日20:00~3月4日06:00、3月4日10:00~16:00以及3月4日20:00污染物浓度降低及消散的原因,可以看出水平和垂直扩散条件转好是污染物浓度下降的主要影响因素,边界层偏南风急流在PM2.5污染快速清除的过程中起着非常重要的作用[6].

4.3 混合层高度

图2 北京海淀站2016年3月2日0:00~5日0:00风廓线

a:水平风速; b:垂直风速

大气混合层高度是反映污染物垂直扩散的重要参数,是影响大气污染物扩散的主要气象因子[25].本研究基于地面气象观测,采用罗氏法计算了2月29日~3月5日的逐时混合层高度(图3).2月29日~ 3月3日混合层高度存在明显日变化,每日14:00~ 17:00出现最大值,6:00~8:00出现最小值,与图3中海淀站的PM2.5浓度呈明显负相关(混合层高度较高时,PM2.5浓度较低;混合层高度较低时,PM2.5浓度较高);3月4日重污染日混合层高度在1000m以下,在6:00混合层高度最低,为367.8m,3月5日清洁日混合层高度高达3000m.与图2对比可以发现,在3月2日12:00~18:00混合层高度升高是由边界层急流引起,大气扩散条件转好;3月5日冷空气主体侵入使混合层高度升高,强上升运动使堆积在近地面的污染物输送到空中,大气容积增加,垂直扩散条件转好.

图3 2016年2月29日 ~ 3月5日混合层高度和海淀站PM2.5浓度

5 GRAPES-CUACE伴随模式模拟结果

5.1 模式验证

表1 海淀站、怀柔站模拟和观测a=0.01显著性检验统计值

图4为2016年2月29日~2016年3月6日北京海淀站和怀柔站模式模拟与观测的PM2.5浓度变化曲线及散点拟合,表1为=0.01时的显著性检验的统计量:F是检验统计量;-value显著性水平假定值;crit是临界值;是相关系数.通过对比站点模式模拟与观测的PM2.5浓度验证模型的模拟性能:从图4可以看出两站点模式模拟的浓度变化趋势和观测的趋势基本接近,模式能够模拟出PM2.5的浓度变化趋势.观测与模拟的海淀站相关系数为0.68,模型模拟出了5个峰值,相关系数较低主要是因为模式低估了3月2日、3月3日及3月5日的PM2.5峰值浓度水平;怀柔站相关系数为0.86,模式很好地模拟出污染趋势与5个峰值时间.模式模拟浓度偏低的原因可能有两个,第一个是排放源清单没有及时更新,在特定峰值时刻低估了排放量,造成模拟浓度偏低;第二个是地面观测站点受到局地偶然影响,提高了局地排放量,导致浓度偏低.

由表1可以看出,站点在a=0.01显著性水平检验中,F>Fcrit, P-value<0.01,相关性极显著,因此模式模拟结果具有可靠性.

5.2 目标函数选取及敏感系数定义

为了追踪和分析本次重污染过程的污染物来源,利用GRAPES-CUACE伴随模式模拟估算造成此次重污染过程的关键排放源区及敏感排放时段,本文设置峰值浓度为关注的目标函数[22].本次污染过程北京市平均PM2.5峰值浓度时刻在北京时间3月4日4:00时,峰值浓度为304.6μg/m3.故定义本次目标函数为北京市平均PM2.5峰值浓度,目标区域为北京市,目标时刻为北京时间3月4日4:00.

为了更加客观地反映不同污染排放源对污染浓度的影响,定义敏感系数0,如公式:

可以发现敏感系数和目标函数单位相同,通过量纲分析可知,敏感系数可为削减控制对象提供定量依据.如若对敏感性系数为0的排放源削减%,则目标函数浓度也将减少So×N%[30].

5.3 PM2.5排放源敏感系数分布

图5 目标时刻(2016年3月4日5:00)前1~72h(a ~ l)时间累积敏感系数分布

a:前1h (3月4日4:00),b:前3h(3月4日2:00),c:前7h(3月3日22:00),d:前10h(3月3日19:00),e:前13h(3月3日16:00),f:前16h(3月3日13:00),g:前19h(3月3日10:00), h:前22h(3月3日7:00), i:前25h(3月3日4:00), j:前31h(3月2日22:00), k:前37h(3月2日16:00), l:前72h(3月1日5:00)

图5是本次污染过程目标浓度关于PM2.5源排放的时间累积敏感系数分布,描述了目标时刻前一段时间(1h, 3h, 7h, 10h, 13h, 16h, 19h, 22h, 25h, 31h, 37h, 72h)污染排放源对目标地区污染浓度效果的累加.由图5可以看出,目标时刻前1~3h,敏感系数仅在1~3μg/m3,且由北京市向东北方向扩散;目标时刻前3~13h,随着逆时间次序累加,敏感系数明显增加、范围扩大,且向东北方向延伸;目标时刻前13~19h,敏感系数范围基本无明显变化,但是敏感系数仍在增加;目标时刻前19~31h,敏感系数范围又开始向南扩大,敏感系数数值仍不断增加,在目标时刻前31h敏感系数达到最大值12μg/m3;目标时刻前31~72h,敏感系数范围向西南方向扩展;在目标时刻前72h时,敏感系数分布已经包括河北东北部和南部、天津、山西东部、以及山东西北部.

由图5可分析出,本次污染过程目标时刻的污染浓度主要受到北京、河北、天津、山西以及山东污染物排放的共同影响;在目标时刻前1~3h和31~72h时段的敏感系数数值增加但速率很小,这说明过早的源排放和过晚的源排放对目标时刻高浓度的PM2.5影响较弱;目标时刻前13~19h,虽然敏感系数仍在增加,但敏感系数空间分布范围基本无明显变化,且时间段前后扩散方向明显相反,地面风场有明显风向转变;在目标时刻前31h时,敏感系数达到最大,若从目标时刻前31h开始对敏感系数最大网格区域的污染源排放削减%,则目标时刻北京市PM2.5平均浓度将下降12μg/m3·%.

5.4 本地源与周边源对PM2.5贡献

图6为北京本地源和北京周边源逐时(a)及时间积累(b)敏感系数时间序列,可以反映出北京和周边源对本次污染过程目标时刻PM2.5峰值浓度的逐时贡献和时间累积贡献大小.由图6(a)可知,随着逆时间次序的增加,北京和周边的逐时敏感系数都是呈先上升达到最大值后下降的态势,但二者的变化趋势又存在明显差异.PM2.5峰值浓度对本地排放源响应迅速,在目标时刻前1h本地源逐时敏感系数达到最大值,为7.08μg/m3,达到最大值后下降速率先快后慢再快,在3月3日11:00(目标时刻前17h)达到极小值,并在3月2日17:00(目标时刻前35h)左右降到0附近.周边源逐时敏感系数呈现明显周期性波动下降趋势图,波动周期约为24h.下降过程出现3个峰值,峰值时刻分别为3月3日20:00(目标时刻前8h)、3月3日3:00(目标时刻前25h)和3月2日3:00(目标时刻前49h),对应的敏感系数分别为7.08, 2.84, 0.63μg/m3,周边源逐时敏感系数在3月1日16:00(目标时刻前60h)降到0附近.以上说明在目标时刻前4h内北京本地源贡献占主导地位,目标时刻前4~72h周边源贡献始终高于本地源,周边源贡献占据主导地位;本地源排放在目标时刻前1~35h对目标时刻PM2.5峰值浓度影响较大,目标时刻前35~72h的影响迅速减弱;周边源贡献在目标时刻前1~60h对目标时刻PM2.5峰值浓度影响较大,周边源持续不断地向北京市输送污染物:其中在目标时刻前2~36h影响最为显著,目标时刻前60~72h的影响迅速减弱.

由图6(b)可知,随着逆时间次序增加,北京本地源和周边源时间累积敏感系数都呈上升趋势,在3月3日22:00(目标时刻前6h)左右本地源和周边源时间累积敏感系数相交,本地源和周边源时间累积敏感系数分别在3月2日20:00(目标时刻前32h)和3月1日20:00(目标时刻前56h)趋于稳定,稳定后的时间累积敏感系数分别达到55.5,123μg/m3.以上表明,在3月3日22:00(目标时刻前6h)之前周边源时间累积敏感系数始终高于本地源,大约是本地源的2倍,说明在3月3日22:00(目标时刻前6h)之前周边源累积贡献占主导地位;周边源向北京地区输送的污染物是本地排放的2倍;3月3日22:00(目标时刻前6h)~3月4日4:00(目标时刻),北京本地源时间累积敏感系数高于周边源,本地源累积贡献占主导地位.

5.5 周边不同省市对PM2.5浓度贡献

图7是北京本地和周边排放源(天津、河北及山西省)对本次污染过程时间累积(a)和逐时(b)敏感系数的时间序列,本次污染过程的周边源主要包括天津北部、河北东部及山西东部的排放源.由图7(a)累积敏感系数可以看出,随着逆时间次序的增加,北京、天津、河北和山西的累积敏感系数都是上升到一定值后再趋于稳定的态势.在3月3日19:00(目标时刻前9h)左右北京本地源和河北省时间累积敏感系数相交,北京本地源、天津、河北及山西周边源时间累积敏感系数分别在3月2日20:00(目标时刻前32h)、3月2日16:00(目标时刻前36h)、3月1日20:00(目标时刻前56h)及3月1日17:00(目标时刻前59h)趋于稳定,稳定后的时间累积敏感系数分别达到55.5, 94.0, 20.8, 8.3μg/m3,目标时刻到3月3日6:00(目标时刻前22h)山西源贡献始终趋于0附近.由图可以说明,3月3日19:00(目标时刻前9h)~3月4日4:00(目标时刻)之间北京本地累积敏感系数最大,北京本地源排放占主导地位;在3月3日19:00(目标时刻前9h)之前河北的累积敏感系数最大,河北污染输送占主导地位;在3月3日6:00(目标时刻前22h)~3月4日4:00(目标时刻)期间山西的敏感系数基本接近于0,几乎没有向北京进行污染物输送;在目标时刻前72h内,河北、天津、山西污染源累积贡献分别是北京本地源的1.7, 0.38, 0.15倍,河北省对本次污染浓度累积贡献最多,北京本地源其次,山西最少.

图7 北京本地及周边不同省市时间累积和逐时敏感系数的时间序列

由图7(b)逐时敏感系数可以看出,河北、天津和山西的逐时敏感系数都呈现周期性波动,但又存在明显差异,说明周边不同省市对北京PM2.5峰值浓度的时段和程度影响不同.河北省逐时敏感系数波动过程中出现3次峰值,峰值时刻分别为3月3日20:00(目标时刻前8h)、3月3日3:00(目标时刻前25h)和3月2日3:00(目标时刻前49h),对应的敏感系数分别为6.16(最大值),1.99,0.29μg/m3,并于3月1日16:00(目标时刻前60h)趋于0μg/m3,河北省逐时敏感系数3次峰值时间和图6(a)中周边源的逐时敏感系数峰值时间相同,且河北省逐时敏感系数几乎始终高于天津市和山西省,说明河北省在周边源中占主导地位;天津逐时敏感系数同样出现3次峰值,峰值时刻分别为3月4日1:00(目标时刻前3h)、3月3日17:00(目标时刻前11h)和3月3日6:00(目标时刻前22h),对应的敏感系数分别为1.41(最大值), 1.1,0.42μg/m3,并于3月2日16:00(目标时刻前36h)趋于0μg/m3,始终没有超过2μg/m3,说明天津市对本次的排放输送影响较小;山西省的逐时敏感系数仅存在2次峰值,3月2日20:00(目标时刻前32h),为0.87μg/m3(最大值)及3月1日23:00(目标时刻前53h),为0.35μg/m3,并于3月1日16:00(目标时刻前60h)减少到0μg/m3附近,始终没有超过1μg/m3,说明山西省对本次的排放输送影响微乎其微.目标时刻PM2.5峰值浓度对北京本地源响应最为迅速;由于山西距离北京远,污染物短时间内输送不到北京,大约经过20h才输送到北京,所以对山西源的响应速度比河北源及天津源慢.

图8是表示本地源与周边不同省市对目标时刻PM2.5峰值浓度时间累积敏感系数贡献百分比与逐时敏感系数贡献百分比.例如,

由图8(a)时间累积敏感系数百分比可以看出,随着逆时间次序增加,天津、河北、山西累积贡献比例呈上升趋势,北京本地累积贡献比例呈下降趋势,达到一定比例时趋于稳定状态.越临近目标时刻,本地污染源排放贡献比例越高,周边省市污染源排放输送越少;在目标时刻时,北京本地、天津、河北及山西排放源对PM2.5峰值浓度的累积贡献比例分别为91.8%、3.8%、4.5%、0%,在目标时刻时,周边省市污染源输送仅占总贡献的8.3%,北京本地累积贡献是周边源的11.1倍,表明在目标时刻时本地污染源排放贡献占主导地位,山西几乎没有贡献;随着逆时间次序增加,在目标时刻前72h内,北京、天津、河北及山西排放源对目标时刻累积贡献比例分别为31.1%、11.7%、52.6%、4.67%.以上表明,北京本地排放源占周边和本地总累积贡献的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,说明河北源贡献占主导地位,天津和山西贡献较小.

由图8(b)逐时敏感系数百分比可以看出,随着逆时间次序增加,北京本地源逐时贡献比例呈波动式下降,山西源呈周期波动式上升,天津源和河北源呈波动性先上升再下降,河北源、天津源和山西源波动过程中都出现了周期波段,周期基本均为24h;天津源贡献峰值几乎都在11:00,河北源两次峰值在16:00,山西源也有两次峰值在18:00,这应该与离北京距离及地面风向有关;河北源波动过程中出现4次峰值,在3月2日16:00(目标时刻前36h)逐时贡献比例最高达到72.7%;天津源波动过程中出现3次峰值,在3月3日11:00(目标时刻前17h)逐时贡献比例最高达到22.1%;山西源波动过程中出现4次峰值,在2月29日20:00逐时贡献比例最高,为89.6%;目标时刻到3月4日1:00(目标时刻前3h)之间,本地源逐时贡献占主导地位,逐时贡献比例为49.3%,3月4日0:00(目标时刻前4h)~3月2日3:00(目标时刻前50h),河北源逐时贡献占主导地位,逐时贡献比例为48.6%,3月2日2:00(目标时刻前50h)到目标时刻前80h,山西源逐时贡献占主导地位,逐时贡献比例在50%以上.

图8 北京、天津、河北及山西排放源对目标时刻(2016年3月4日4:00)PM2.5峰值浓度累积敏感系数贡献百分比与逐时敏感系数贡献百分比序列

6 结论

6.1 此次重污染过程中,当北京处于地面低压中心,500hPa西风急流较弱且地面为弱风场时,利于污染物浓度升高.当北京处于槽前控制时,边界层偏南风急流和强上升运动使污染物快速清除.

6.2 GRAPES-CUACE模式可以较好的模拟出北京市重污染过程的PM2.5浓度变化趋势,伴随敏感性分析可以追踪出污染过程中主要污染排放源区和敏感排放时段.

6.3 本次污染过程主要受河北东北部和南部、天津、山西东部以及山东西北部污染物共同影响,过早和过晚的源排放对目标时刻的PM2.5浓度的影响都较弱.从伴随累积敏感系数来看:在目标时刻前6h之前周边源累积贡献占主导地位,周边源向北京地区输送的污染物是本地排放的2倍;在目标时刻前6h内,北京本地源累积贡献占主导地位.在目标时刻前72h时,河北、天津、山西污染源累积贡献分别是北京本地源的1.7倍、0.38倍、0.15倍,河北省对本次污染浓度累积贡献最高,北京本地源其次,山西最少.从伴随逐时敏感系数来看:目标时刻PM2.5峰值浓度对北京本地源响应速度最为迅速,山西响应速度最慢.从累积敏感系数百分比来看:越临近目标时刻,本地污染源排放贡献比例越高,周边省市污染源排放输送越少;在目标时刻时本地污染源排放贡献占主导地位,北京、天津、河北及山西排放源对目标时刻前72h时内累积贡献比例分别为31.1%、11.7%、52.6%、4.7%,北京本地排放源累积贡献占1/3左右,河北源贡献占主导地位,天津和山西贡献较小.从逐时敏感系数百分比来看:目标时刻到目标时刻前3h之间,本地源贡献占主导地位,贡献比例为49.3%,4h内累积敏感系数为21.4μg/m3;目标时刻前4~50h,河北源贡献占主导地位,贡献比例为48.6%,期间累积敏感系数85.2μg/m3;目标时刻前50~72h,山西源贡献占主导地位,贡献比例在50%以上,期间累积敏感系数为3.0μg/m3.

[1] 高庆先,李 亮,马占云,等. 2013~2016年天气形势对北京秋季空气重污染过程的影响[J]. 环境科学研究, 2017,30(2):173-183.

[2] 杨孝文,周 颖,程水源,等.北京冬季一次重污染过程的污染特征及成因分析[J]. 中国环境科学, 2016,36(3):679-686.

[3] 廖晓农,孙兆彬,唐宜西,等.高空偏北风背景下北京地区高污染形成的环境气象机制研究[J]. 环境科学, 2015,36(3):801-808.

[4] 孙兆彬,廖晓农,王占山,等.北京地区空气重污染下雾凇和偏东风对PM2.5清除作用[J]. 环境科学, 2016,37(10):3679-3685.

[5] 孙兆彬,李梓铭,廖晓农,等.北京大气热力和动力结构对污染物输送和扩散条件的影响[J]. 中国环境科学, 2017,37(5):1693-1705.

[6] 廖晓农,孙兆彬,何 娜,等.边界层低空急流导致北京PM2.5迅速下降及其形成机制的个例分析[J]. 环境科学, 2016,37(1):51-59.

[7] Stohl A, Forster C, Eckhardt S, et al. A backward modeling study of intercontinental pollution transport using aircraft measurements [J]. Journal of Geophysical Research, 2003,108(D12):4370.

[8] ZhaiSX, An X Q, Liu Z, et al. Model assessment of atmosphericpollution control schemes for critical emission regions [J]. Atmospheric Environment, 2016,124:367-377.

[9] 王雪松,李金龙.人为源排放VOC对北京地区臭氧生成的贡献[J]. 中国环境科学, 2002,22(6):501-505.

[10] 王雪松,李金龙.北京地区臭氧源识别个例研究[J]. 北京大学学报(自然科学版), 2003,39(2):244-253.

[11] 王雪松,李金龙,张远航,等.北京地区臭氧污染的来源分析[J]. 中国科学(B辑:化学), 2009,39(6):548-559.

[12] 王雪松,李金龙.北京地区夏季PM10污染的数值模拟研究[J]. 北京大学学报(自然科学版), 2003,39(3):419-427.

[13] 薛文博,付 飞,王金南,等.中国PM2.5跨区域传输特征数值模拟研究[J]. 中国环境科学, 2014,34(6):1361-1368.

[14] 安兴琴,左洪超,吕世华,等. Models-3空气质量模式对兰州市污染物输送的模拟[J]. 高原气象, 2005,24(5):748-756.

[15] 翟世贤,安兴琴,刘 俊,等.不同时刻污染减排对北京市PM2.5浓度的影响[J]. 中国环境科学, 2014,34(6):1369-1379.

[16] 王自发,李丽娜,吴其重,等.区域输送对北京夏季臭氧浓度影响的数值模拟研究[J]. 自然杂志, 2008,30(4):194-198.

[17] 王自发,李 杰,王 哲,等.2013年1月我国中东部强霾污染的数值模拟和防控对策[J]. 中国科学:地球科学, 2014,44(1):3-14.

[18] 李 锋,朱 彬,安俊岭,等.2013年12月初长江三角洲及周边地区重霾污染的数值模拟[J]. 中国环境科学, 2015,35(7):1965-1974.

[19] 刘香娥,何 晖,贾星灿,等.北京一次污染天气过程特征的数值模拟[J]. 气象, 2016,42(9):1096-1104.

[20] Zhai S X, An X Q, Zhao T, et al. Detection of critical PM2.5emission sources and their contributions to a heavy haze episode in Beijing, China, using an adjoint model. [J]. Atmospheric Chemistry and Physics, 2018,18(9):6241-6258.

[21] 王 超,安兴琴,翟世贤,等.伴随模式在追踪污染事件重点源区中的应用[J]. 中国环境科学, 2017,37(4):1283-1290.

[22] 翟世贤. GRAPES-CUACE气溶胶模块的伴随构建及模式在大气污染优化控制中的应用[D]. 中国气象科学研究院, 2015.

[23] 伍湘君,金之雁,黄丽萍,等. GRAPES模式软件框架与实现[J]. 应用气象学报, 2005,16(4):539-546.

[24] An X Q, Zhai S X, Jin M, et al. Development of an adjoint model of GRAPES–CUACE and its application in tracking influential haze source areas in north China [J]. Geoscientific Model Development, 2016,9(6):2153-2165.

[25] 程水源,席德立,张宝宁,等.大气混合层高度的确定与计算方法研究[J]. 中国环境科学, 1997,17(6):33-37.

[26] 廖国莲.大气混合层厚度的计算方法及影响因子[J]. 中山大学研究生学刊(自然科学、医学版), 2005,26(4):66-73.

[27] 苗 蕾,廖晓农,王迎春.基于长时间序列的北京PM2.5浓度日变化及气象条件影响分析[J]. 环境科学, 2016,37(8):2836-2846.

[28] 肖文丰,杨焕强,周 斌,等. 2011-2014年杭州市大气PM2.5质量浓度变化特征分析[J]. 杭州师范大学学报(自然科学版), 2016,15(83), 02:105-110.

[29] 赵秀娟.北京城区和郊区PM2.5浓度季节与日变化特征[C]//中国气象学会.中国气象学会2008年年会城市气象与城市可持续发展分会场论文集.中国气象学会, 2008:11.

[30] 刘 峰.空气质量模式CMAx的伴随模式——构建及应用[R]. 北京:北京大学, 2005.

The analysis of weather causes and sources of a heavy pollution process in Beijing.

CUI Meng1,2, AN Xing-qin2*, FAN Guang-zhou1, WANG Chao2, SUN Zhao-bin3, REN Wen-hui4

(1.Chengdu University of Information Technology, Chengdu 610225, China；2.Institute of Atmospheric Composition, Chinese Academy of Meteorological Sciences, Beijing 100081, China；3.Institute of Urban Meteorology China Meteorological Administration, Beijing 100089, China；4.PLA Troops No.78127, Chengdu 610000, China)., 2018,38(10)：3628~3638

Synoptic analyses associated with the aerosol adjoint module of the atmospheric chemical modeling system GRAPES-CUACE are used to investigate characteristics of the atmospheric circulation, the formation and dissipation of air pollutants during a heavy PM2.5pollution episode from February 29 to March 6, 2016 in Beijing. The adjoint module is also applied to track the key source areas and sensitive emission period. Analyses reveal that the PM2.5concentration in Beijing exhibits remarkable daily variations and reach its peak at 20:00 BJT on March 4, and the observed PM2.5concentration attain 506.4μg/m3at Haidian station. Beijing is controlled by the low pressure during the episode, with less influence of cold air, weak/calm winds, strong inversion of temperature, stable atmospheric stratification, low planetary boundary layer (PBL), facilitating the accumulation of air pollutants. The occurrence of a short-term PM2.5decrease is primarily caused by the 500hPa short-wave trough transit and the southerly jet in the PBL. Model results show that the PM2.5concentration at the target time of the pollution process in Beijing is affected jointly by the transport from the northeastern and southern regions of Hebei, Tianjin, and parts of Shanxi and Shandong. The peak PM2.5concentration at the target time in Beijing responses most quickly to the local emission source and most slowly to the Shanxi emissions. The cumulative contribution of emissions from Beijing, Tianjin, Hebei, and Shanxi to the PM2.5concentration in Beijing at the target time during the first 72hours is 31.1%, 11.7%, 52.6%, and 4.7%, respectively. Within 3 hours before the target time, the local emission dominates the PM2.5concentration in Beijing, with a contribution of 49.3%, but emissions from Hebei and Shanxi are dominant within 4h to 50h and within 50h to 80h before the target time, with contributions of 48.6% and over 50%, respectively.

Beijing；causes of heavy pollution；sensitivity analysis；GRAPES-CUACE adjoint model

X513

A

1000-6923(2018)10-3628-11

崔 萌(1994-),女,辽宁大连人,成都信息工程大学硕士研究生,主要研究方向为大气化学数值模拟.

2018-03-15

国家科技部大气污染专项(2017YFC0210006);国家重点研发计划(2016YFA0602004)

* 责任作者, 研究员, anxq@cma.gov.cn