北京冬季严重污染过程的PM2.5污染特征和输送路径及潜在源区

王郭臣,王东启,陈振楼



北京冬季严重污染过程的PM2.5污染特征和输送路径及潜在源区

王郭臣,王东启*,陈振楼

(华东师范大学地理科学学院,地理信息科学教育部重点实验室,上海 200241)

对北京2015年11月26日~12月2日出现的PM2.5严重污染过程进行研究,分析了此次事件的污染特征和气象条件,结合HYSPLIT模型,用聚类方法对研究期间抵达北京的地面(500m)和高空(3000m)逐时72h气流后向轨迹聚类,并分析了地面和高空方向上气流轨迹对北京PM2.5浓度的影响.运用潜在源贡献因子分析法和浓度权重轨迹分析法分别模拟了此次PM2.5的主要潜在源区.结果表明,研究期间,北京PM2.5小时均浓度数值变化较大.低温,高湿度和微风为北京PM2.5严重污染过程的出现创造了适宜条件.不同方向气流轨迹对北京PM2.5的影响在空间上存在显著差异.西北方向气流是影响北京PM2.5浓度的主要气流轨迹,而地面来自南部的气流对北京PM2.5浓度的影响也不能忽视.对北京PM2.5的WPSCF和WCWT分析表明,蒙古国中西部、新疆东部、内蒙古中西部、山西北部、河北和山东北部对北京PM2.5质量浓度贡献分别在0.7,200μg/m3以上,表明这些地区是影响此次北京PM2.5的重要潜在源区.

PM2.5；污染特征；轨迹聚类；潜在源区

PM2.5由于直径较小,质量较轻,因而具有较长的大气滞留时间,对大气环境、人体健康、大气能见度和气候变化等有较大影响[1-5].研究表明,污染物的跨区域输送是影响一个地区大气质量的重要因素之一[6-8].孙峰等[9]从污染过程演变、气象条件影响、PM2.5浓度空间分布演变及其与地面风场的关系等多个方面对2013年1月10~14日发生在北京的持续性PM2.5重污染过程进行分析,发现稳定的气象条件是加剧本次污染的重要因素.韩经纬等[10]利用常规气象资料、NCEP再分析资料,对发生在呼和浩特市的持续性霾天气过程进行分析,发现地面风速、逆温及较小的温度露点差为严重污染天气的出现创造了适宜的背景条件.而在研究污染物输送扩散以及潜在源区识别方面,后向轨迹模型(HYSPLIT)成为研究这一问题的有效手段[11-14]. Alam等[15]利用HYSPLIT模拟影响巴基斯坦的气流类型和气溶胶浓度的时空分布,发现夏季气溶胶浓度的高低与气流在陆地上停留时间的长短相关;王爱平等[16]利用轨迹聚类方法对黄山光明顶的气团轨迹进行聚类,发现影响黄山光明顶积聚模态颗粒物数浓度的潜在源区主要是人类生产生活密集的区域.Perrone等[17]利用后向轨迹模式分析了长距离输送对地中海中部地区PM2.5和PM1的影响并发现地中海东南部对这两种污染物影响较大.

国内外利用后向轨迹模式对PM2.5重污染的研究主要侧重于对时间周期较长的PM2.5的污染过程研究,而对短期的PM2.5污染的过程尤其是极端雾霾污染现象相对关注较少[11-12,17].为了研究短时间尺度的长距离输送和外来污染源对北京PM2.5浓度的影响程度以及识别污染潜在源区,本文选取2015年11月26日~12月2日北京首次出现的严重污染过程作为研究对象,利用后向轨迹模式探究北京极端PM2.5的污染特征及其与相关气象要素之间的关系.利用NCEP/NCAR逐时再分析资料并结合HYSPLIT模型得到近地面(500m)和高空(3000m)的气流轨迹并对其进行聚类,得到各方向气流轨迹的路径以及轨迹的贡献率,用潜在源贡献(PSCF)和浓度权重轨迹(CWT)分析法模拟外来区域污染源对北京PM2.5浓度的潜在贡献,识别影响北京PM2.5浓度的潜在源区.本研究将有助于为北京应对重污染事件的境外污染源区的确定提供参考,并为区域联防联控治理大气污染提供理论参考.

1 空气污染概况及数据

1.1 研究区空气污染概况

研究期间(11月26日~12月2日),北京首次出现今年以来最严重的污染过程,且延续时间较长.11月26日0:00~21:00,北京PM2.5小时浓度低于PM2.5国家二级标准(75μg/m3),空气质量状况较好.11月27日开始,北京开始了这次严重的污染过程,空气质量开始恶化,PM2.5小时浓度不断升高,达到甚至远远超过PM2.5国家二级标准.11月29日22:00左右,由于受到小股弱冷空气的影响,北京PM2.5小时浓度出现短暂下降,至30日早上6:00降到最低,但随后弱冷空气消失,天气形势转差,为此11月30日北京发布今年首个霾橙色预警,12月1日13:00北京PM2.5小时浓度达到最大值605 μg/m3,几乎是PM2.5国家二级标准的8倍,空气严重污染.12月2日受强冷空气南下东移的影响,污染物不断扩散,PM2.5小时浓度值大都低于75μg/m3,空气质量明显改善,霾橙色预警解除,如图1所示.

1.2 数据来源

本文主要对PM2.5重污染过程开展研究,所选时段为2015年11月26日0:00至12月2日23:00(12月2日1~7:00数据缺测,为便于分析变化趋势,基于环保监测中心强冷空气预报,进行内插值替换).北京污染物(PM2.5)小时浓度数据来源于中国空气质量在线监测分析平台(http://www. aqistudy.cn/),研究区的温度、湿度和风速数据由Wunderground 气象网站提供(https://www. wunderground.com/).后向轨迹分析采用的资料为NCEP/NCAR提供的全球资料同化系统(GDAS)再分析资料,其中72h后向轨迹采用分辨率为0.5°的逐时再分析资料,后向轨迹聚类和潜在源分析采用分辨率为1.0°的逐时再分析资料(http://ready.arl.noaa.gov/HYSPLIT_ traj.php).

2 研究方法

2.1 HYSPLIT模型

HYSPLIT(Hybrid Single-Particle Lagrangian Integrated Trajectory)是一种用于计算和分析大气污染物的来源、输送、扩散轨迹的综合模式系统,具有模拟精度高、时间连续变化的特点,应用于污染物的传输和扩散研究[18-19].为研究远距离污染输送对北京PM2.5浓度的影响,对近地面(500m)和高空(3000m)的气流轨迹进行聚类,得到地面和高空各方向的气流轨迹贡献率.

2.2 潜在源贡献分析法

潜在源贡献(PSCF)算法是一种基于气流轨迹分析来识别源区的方法[20-21]. PSCF值是所选研究区域内经过网格的污染轨迹数(本文将PM2.5浓度值³75μg/m3的轨迹定义为污染轨迹)x与该网格上经过的所有轨迹数y的比值,即

PSCF= x/y(1)

相关研究表明:当某一网格中的yij小于研究区内每个网格内平均轨迹端点数的3倍时,就要使用Wij来减小PSCF的不确定性[22-23].为了便于研究,把主要研究区域(28°N~73°N,36°E~127°E)分为0.5× 0.5°网格(约16380个),研究期间,共约有163566个轨迹点(平均每个网格约10个),因此本文将其定义如下:

WPSCF=W×PSCF (2)

2.3 浓度权重轨迹分析法

浓度权重轨迹分析法(CWT) 是一种计算潜在源区气流轨迹权重浓度,反映不同轨迹的污染程度的方法[24-25].公式如下:

式中:C是网格上的平均权重浓度;是轨迹;是轨迹总数;C是轨迹经过网格时对应的PM2.5质量浓度;τ是轨迹在网格停留的时间.在PSCF分析法中所用的权重函数W也适用于CWT分析法,以减少x值较小时所引起的不确定性.

3 结果与讨论

3.1 PM2.5污染的气象因素分析

本次北京PM2.5严重污染过程的出现与研究区的温度、湿度和风速的大小有着直接的关系.由图2(a)和表1可以看出,PM2.5重污染水平(PM2.5小时平均浓度值³75μg/m3)大都集中在-5~0℃范围之间,在此范围内,重污染出现的时数所占的比例最高,为73.11%.而低于-5℃或高于0℃,重污染出现的时数所占的比例较低,分别为17.65%和9.24%.可见研究期间,温度对PM2.5的小时质量浓度有着重要影响.研究期间,低温加上微风的天气形势,使得空气流动性减弱,极大了阻碍了污染物的扩散,大量的污染物在此集聚,浓度值升高,而此时冷空气尚未到达,风力较弱,对PM2.5的输送扩散作用不明显,此外北京北部、西部和西南部被山地环绕,相对封闭的地形条件也在一定程度上加重了污染.

由图2(b)和表1可以看出,PM2.5重污染水平所对应的湿度值在80%左右.在大气湿度低于80%时,重污染水平停留时间占污染总时数的比例最大,为40.70%;当湿度在80%~90%时,北京PM2.5重污染水平所占的比例为16.81%.而当湿度在90~100%时,北京PM2.5重污染水平所占的比例为39.49%.这说明在较高湿度的天气形势下,容易出现较高浓度的PM2.5.此次北京PM2.5重污染的湿度阈值为80%.

由图2(c)和表1可以看出,研究期间,在微风(£2m/s)的天气形势下,PM2.5重污染水平所占的比例较大,为95.8%,随着风速的增大(2~4m/s), PM2.5重污染水平所占的比例不断降低,而当风速增大到4m/s时,PM2.5重污染水平出现的比例最低,为0.8%.由此可见,风速对污染物的扩散有着重要作用,风越大,污染物扩散的速度越快,污染物不易积聚,大气质量得以改善.研究期间,12月2日,北京PM2.5迅速降低,正是由于12月1日晚间一场强冷空气南下东移,大风天气的到来使得PM2.5得以迁移扩散,浓度降低.

表1 北京PM2.5重污染水平在不同温度、湿度和风速条件下出现的比例 Table 1 Percentage of heavy pollution level of PM2.5 at different temperatures, humidity and wind speed conditions

注:本文定义重污染水平为PM2.5小时浓度³75μg/m3,研究期间PM2.5小时浓度³75μg/m3的时间共有119h;所占比例定义为研究期间PM2.5小时浓度³75μg/m3出现的时数与PM2.5小时浓度³75μg/m3的总时数之比.

3.2 输送路径及潜在源区分析

3.2.1 输送路径分析 图3为利用HYSPLIT模型,对研究区的气流资料数据进行处理,得到研究期间北京地面和高空的气流轨迹图.研究期间,11月27日,影响北京地面的气流后向轨迹路径较短,速度较慢,主要分布在蒙古、内蒙古、山西以及河北等地区,气流轨迹在这些地区停留时间较长,容易携带沿途经过地区的悬浮颗粒物输送至北京.而在高空,气流轨迹分布范围较广,路径较长,从东欧到俄罗斯、哈萨克斯坦、蒙古国经过内蒙古以及河北等地区到达北京,但由于这些气流轨迹速度较快、停留时间较短,难以携带大量的颗粒物到达北京.随着天气形势趋于稳定,12月1日,北京的气流后向轨迹无论在地面还是高空,主要分布在距离北京相对较近的地区,尤其是华北、内蒙古和蒙古国等地,轨迹路径相对较短但停留时间较长,容易携带大量的自然或人为排放的悬浮颗粒物输送至北京.地面和高空的气流轨迹路径和停留时间趋同,2种气流轨迹叠加,这就使得大量的污染物从高空和近地面输送至北京,导致了12月1日北京PM2.5浓度达到最高值,空气严重污染.12月2日,随着冷空气的到来,无论是地面还是高空,气流轨迹路径变长,速度较快,停留时间较短,携带的污染物也较少,因此北京PM2.5浓度不断降低,空气质量得以改善.

图3 研究期间北京72h后向轨迹(世界标准时)
Fig.3 72h backward trajectories of Beijing(UTC)

为了对影响北京的气流轨迹深入分析,分别对北京地面和高空的72h后向轨迹进行聚类,结果如图4所示.研究期间,影响北京地面和高空的气流轨迹在空间分布上存在较大差异,但主要气流都来自中亚,经过新疆、蒙古国、内蒙古、山西北部和河北,最终到达北京,分别占轨迹总数的88.3%(轨迹2和4)和96.9%(轨迹1, 2和3).这类轨迹路径较长,经过广大的内陆地区,在高空西风气流的影响下,自西向东运移,沿途携带大量悬浮颗粒物,输送至北京.而受到南下冷空气的影响,地面和高空上来自蒙古国东部地区的轨迹沿途携带大量悬浮颗粒物至北京,分别占地面和高空的气流轨迹总数的8.6%(轨迹1)和3.1%(轨迹4).与高空气流输送不同的是,地面来自南方的气流(轨迹3)虽然所占比例较小,但其主要经过山东北部和河北中南部等人口密集区.这些地区工业发达,人为污染源较多,同时冬季北方处于采暖期,燃煤锅炉排放的污染物随这类气流轨迹输送至北京,加剧了北京的污染.

3.2.2 潜在源区分析 对北京PM2.5气流轨迹的分析能确定影响北京的气流轨迹的方向和空间位置分布,但无法识别影响北京PM2.5的不同潜在源区的贡献大小.为了对北京PM2.5输送源进一步的研究以及确定北京PM2.5的潜在来源以及贡献,本研究主要针对研究期间北京PM2.5开展污染潜在源区分析,结果如图5所示.

PSCF分析:研究期间,北京PM2.5的潜在源贡献(PSCF)的较大值主要分布在哈萨克斯坦北部、蒙古和俄罗斯交界附近、蒙古国中西部、新疆东部、内蒙古中西部、山西北部、河北以及山东北部等区域,这些地区对北京PM2.5的潜在贡献在0.7以上,其中蒙古国中西部、内蒙古中西部、山西北部及河北和山东北部等局部地区对北京PM2.5的潜在贡献接近于1,表明这些地区是影响北京PM2.5的主要潜在源区.在这些潜在源区中,哈萨克斯坦、俄罗斯、蒙古和内蒙古地区主要以自然源为主,这些地区深居内陆,有大面积干旱半干旱的沙漠地带,在冬季风的影响下,大量的极细微的悬浮颗粒物被输送至北京;而来自山西北部、河北和山东北部地区的主要是人为源,这些地区距离北京较近,人口众多,工业生产、燃煤和机动车排放大量污染物被气流输送至北京.

CWT分析:由于潜在源贡献因子分析法只能反映潜在源区贡献率的大小,无法模拟数值的大小.为此,本研究引入浓度权重轨迹分析法(CWT)计算潜在源区的权重浓度(浓度数值),以反映潜在污染源区的污染程度.由图可以看出,研究期间,北京PM2.5浓度权重轨迹的较高值主要集中于蒙古国中西部、新疆东部、内蒙古中西部、山西北部、河北中南部和山东北部,是北京PM2.5的主要潜在源区,这些地区对北京PM2.5质量浓度贡献在150μg/m3以上,其中蒙古国中西部、新疆东部、内蒙古中西部、山西北部、河北和山东北部对北京PM2.5质量浓度贡献在200μg/m3以上,表明这些地区是影响北京PM2.5浓度值大小的重要潜在源区.

4 结论

4.1 北京PM2.5严重污染过程的出现与研究区的气温、湿度和风速有着直接的关系,低温、高湿度和微风为雾霾重污染过程的出现创造了适宜的条件.

4.2 利用HYSPLIT模型和气流轨迹聚类,发现地面和高空方向上的气流轨迹对北京PM2.5的影响在空间上存在显著差异.路径较长的西北方向气流轨迹和停留时间较长的周边气流轨迹是影响北京PM2.5浓度的主要气流轨迹,来自南部方向的气流轨迹对北京PM2.5浓度的影响也不容忽视.

4.3 对北京PM2.5的PSCF和CWT研究表明,蒙古国中西部、新疆东部、内蒙古中西部、山西北部、河北和山东北部等地区是北京PM2.5的重要潜在源区.

[1] 杨 鹏,朱 彬,高晋徽,等.一次以南京为中心的夏季PM2.5污染岛污染事件的数值模拟 [J]. 中国环境科学, 2016,36(2):321-330.

[2] 曹军骥.PM2.5与环境 [M]. 北京:科学出版社, 2014.

[3] Wan Mahiyuddin W R, Sahani M, Aripin R, et al. Short-term effects of daily air pollution on mortality [J]. Atmos. Environ., 2013,65:69-79.

[4] 郭新彪,魏红英.大气PM2.5对健康影响的研究进展 [J]. 科学通报, 2013,58:1171-1177.

[5] 杨冬冬,张 华,沈新勇,等.全球和中国地区PM2.5时空变化特征的模拟 [J]. 中国环境科学, 2016,36(4):990-999.

[6] 王 艳,柴发合,刘厚凤,等.长江三角洲地区大气污染物水平输送场特征分析 [J]. 环境科学研究, 2008,21(1):22-29.

[7] 冯 琨,苑魁魁,李王锋,等.空气污染物远程传输对海岛型城市污染的影响 [J]. 中国环境科学, 2014,34(6):1410-1419.

[8] 王 珏,王郭臣,陈 莉.济南市四季PM10、PM2.5输送来源及其传输过程 [J]. 环境科学与技术, 2015,38(5):175-182.

[9] 孙 峰,张大伟,孙瑞雯,等.北京地区冬季典型PM2.5重污染案例分析 [J]. 中国环境监测, 2014,(6):1-12.

[10] 韩经纬,宋桂英,江 靖,等.2014年2月呼和浩特市一次持续性霾天气特征分析 [J]. 干旱区资源与环境, 2016,30(3):164-168.

[11] Gao L J, Tian Y Z, Zhang C Y. Local and long-range transport influences on PM2.5at a cities-cluster in northern China, during summer 2008 [J]. Particuology, 2014,13:66-72.

[12] Hwang, I, Hopke P K. Estimation of source apportionment and potential source locations of PM2.5at a west coastal IMPROVE site [J]. Atmos. Environ., 2007,41:506-518.

[13] Zemmer F, Karaca F, Ozkaragoz F. Ragweed pollen observed in Turkey: Detection of sources using back trajectory models [J]. Sci. Total Environ., 2012,430:101-108.

[14] Karaca F, Anil I, Alagha O. Long-range potential source contributions of episodic aerosol events to PM10profile of a megacity [J]. Atmos. Environ., 2009,43:5713-5722.

[15] Alam K, Qureshi S, Blaschke T. Monitoring spatio-temporal aerosol patterns over Pakistan based on MODIS, TOMS and MISR satellite data and a HYSPLIT model [J]. Atmos. Environ., 2011,45:4641-4651.

[16] 王爱平,朱 彬,银 燕,等.黄山顶夏季气溶胶数浓度特征及其输送潜在源区 [J] . 中国环境科学, 2014,34(4):852-861.

[17] Perrone M R, Becagli S, Garcia Orza J A, et al. The impact of long-range-transport on PM1and PM2.5at a Central Mediterranean site [J]. Atmos. Environ., 2013,71:176-186.

[18] Sirois A, Bottenhein J W. Use of backward trajectories to interpret the 5-year record of PAN and O3ambient air concentrations at Kejimkujik National Park, Nova Scotia [J]. J Geophys. Res., 1995,100:2867-2881.

[19] Draxler R R, Hess G D. An overview of the HYSPLIT_ 4modeling system for trajectories [J]. Australian Meteorological Magazine, 1998,47:295-308.

[20] Zeng Y, Hopke P K. A Study on the Sources of Acid Precipitation in Ontario, Canada [J]. Atmos. Environ., 1989,23:1499-1509.

[21] Begum B A, Kim E, Jeong C H, et al. Evaluation of the potential source contribution function using the 2002 Quebec forest fire episode [J]. Atmos. Environ., 2005,39:3719-3724.

[22] Xu X, Akhtar U S. Identification of Potential Regional Sources of Atmospheric Total Gaseous Mercury in Windsor, Ontario, Canada Using Hybrid Receptor Modeling [J]. Atmos. Chem. Phys., 2010,10:7073-7083.

[23] Wang Y Q, Zhang X Y, Arimoto R. The contribution from distant dust sources to the atmospheric particulate matter loadings at XiAn, China during spring [J]. Sci. Total Environ., 2006,368: 875-883.

[24] Wang Y Q, Zhang X Y, Draxler R. TrajStat: GIS-based Software that Uses Various Trajectory Statistical Analysis Methods to Identify Potential Sources from Long-term Air Pollution Measurement Data [J]. Environ. Modell. Software, 2009,24:938-939.

[25] Liu N, Ye Y, He J J, et al. Integrated Modeling of Urban-scale Pollutant Transport: Application in a Semi-arid Urban Valley, Northwestern China [J]. Atmos. Pollut. Res., 2013,4:306-314.

致谢：本研究使用的污染物浓度数据来自中国空气质量在线监测分析平台PM2.5科学实验专家小组等发布的监测数据,美国国家环境预报中心(NCEP)在线提供的GDAS数据,轨迹分析和潜在源分析使用中国气象科学研究院王亚强教授提供的开放软件,本文摘要由毕春娟老师修改,在此表示感谢.

* 责任作者, 教授, dqwang@geo.ecnu.edu.cn

Characteristics and transportation pathways and potential sources of a severe PM2.5episodes during winter in Beijing

WANG Guo-chen, WANG Dong-qi*, CHEN Zhen-lou

(Key Laboratory of Geographic Information Science of the Ministry of Education, School of Geographical Sciences, East China Normal University, Shanghai 200241, China)., 2016,36(7)：1931~1937

Pollution characteristics processes and potential sources of PM2.5were studied in a severe haze episodes in Beijing from 26 November to 2December, 2015. Pollution characteristics and meteorological parameters were analyzed. Hourly 72-hour backward trajectories in ground (500m) and high altitude (3000m) were classified and the effect of clusters in ground and high altitude on PM2.5were analyzed using HYSPLIT model and cluster method. Major potential sources of PM2.5were simulated using Potential Source Contribution Function (PSCF) and Concentration-weighted Trajectory (CWT) methods. The results showed that hourly PM2.5concentration in Beijing varied widely and low temperature, high humidity and low wind speed provided a suitable condition for the heavily pollution process of PM2.5. Airflow trajectories from different directions had an significant impact on the spatial distribution of PM2.5in Beijing. Air trajectories from northwestern were the dominant trajectories which had a big influence on PM2.5concentration in Beijing. Moreover, air trajectories in ground from southern should not be ignored because air trajectories that passed through southern areas carried anthropogenic pollutants to Beijing. WPSCF (weighted potential source contribution function) and WCWT (weighted concentration-weighted trajectory) values were more than 0.7 and 200μg/m3outside of Beijing, respectively, which revealed that mid-western Mongolia, eastern Xinjiang, mid-western Inner Mongolia, northern Shanxi, Hebei and regions in northern Shandong were the major potential sources of PM2.5in Beijing.

PM2.5；pollution characteristics；trajectory cluster；potential sources

X513

A

1000-6923(2016)07-1931-07

王郭臣(1989-),男,上海闵行人,华东师范大学硕士研究生,从事大气环境科学研究.发表论文3篇.

2015-12-17

国家自然科学基金(41473094);科技基础性工作专项(2014FY210600);上海市自然科学基金项目(14ZR1412100)