青岛市PM2.5重污染天气演变过程分析

张 强,薛 迪,王 爽,王林慧,王 静,马 艳,刘晓环,2*



青岛市PM2.5重污染天气演变过程分析

张 强1,薛 迪1,王 爽1,王林慧1,王 静3,马 艳4,刘晓环1,2*

(1.中国海洋大学环境科学与工程学院,山东 青岛 266100；2.中国海洋大学海洋环境与生态教育部重点实验室,山东 青岛 266100；3.青岛市环境监测中心站,山东 青岛 266003；4.青岛市气象局,山东 青岛 266003)

运用WRF-CMAQ模式对2016年1月1日~1月7日青岛市的PM2.5重污染天气进行了模拟研究,分析了青岛市PM2.5重污染形成、持续和清除过程的主要影响因素.与观测对比表明,模式能够较好地模拟出青岛市主要气象要素和近地面PM2.5浓度的变化特征.在重污染形成期,持续的西南气流将山东南部、安徽、江苏等地PM2.5及其前体物传输至青岛地区;逆温层的出现及大气边界层高度的降低使得输送至青岛地区的PM2.5在近地面积累,浓度升高.由山东西南部、安徽北部、河南东部等地传输至山东西北部和京津冀地区的PM2.5及其前体物,在重污染持续期沿近地面传输至青岛,加之液相化学过程生成了大量的二次气溶胶,导致PM2.5浓度一直维持在200μg/m3以上.重污染清除期,风速加大,水平传输作用加强,高浓度的PM2.5污染带向下风向转移.区域传输对此次青岛市PM2.5重污染事件具有重要贡献,3个时期的贡献率分别为87.0%、68.5%和57.6%.

WRF-CMAQ；PM2.5；重污染天气；过程分析；区域传输

近十几年来,我国北方地区重污染天气频繁发生.这些重污染天气过程以污染程度重、影响范围广、持续时间长为主要特征[1-3].重污染期间高浓度的PM2.5等污染物给人们的身体健康带来了严重危害[4-5],引起广泛关注.

重污染天气的演变过程与多种因素有关.研究表明,大气污染物的源排放是重污染天气形成的内因,但是对于局地而言,在源排放没有得到明显改善的情况下,重污染的形成往往与污染物的长距离输送和气象条件的变化有关[6-8].污染物的长距离输送会影响下风向地区的空气质量,其可以造成PM2.5等污染物浓度在短时间内迅速升高[9-10].气象条件也是影响重污染天气演变的重要因素,其会影响污染物的反应,积累和清除.相关研究指出,稳定的大气条件和高湿的环境等是PM2.5污染天气形成的重要原因之一[11],强风和降水等气象条件对PM2.5等污染物的清除起了重要作用[12-13].

青岛市作为我国沿海重要的中心城市,海洋性特征显著,与内陆城市污染状况不尽相同.青岛市多海雾发生[14-15],水汽充足,为二次气溶胶液相反应创造了有利条件.海洋释放的大量海盐气溶胶是SO2、NO2等气体发生非均相反应的重要场所[16],这些非均相反应会加重气溶胶污染.另外,海气交换过程产生大量的二甲基硫和有机胺等海洋源污染物,通过化学反应生成硫酸盐、硝酸盐等颗粒物[17-18],同样会对沿海城市空气质量产生影响.因此,沿海城市青岛的空气质量虽然稍好于内陆的京津冀地区,但是近几年来也多次受到PM2.5重污染天气的影响.2016年1月1日~1月7日期间,中国东部地区发生了严重的PM2.5污染事件,自京津冀地区到长江三角洲地区先后出现PM2.5重污染天气,重污染区域接近100万km2,是我国东部地区典型的污染天气过程.在此期间,青岛市PM2.5平均浓度为130μg/m3,远高于全年平均水平(2015年青岛市PM2.5平均浓度为51μg/m3),其中,1月2日、3日达到重度污染水平.本研究利用美国环保局第三代空气质量模型Models-3/CMAQ(Community Multi- scale Air Quality model)对2016年1月1日~1月7日的重污染天气事件进行模拟,分析青岛市PM2.5重污染天气形成、持续及清除阶段的影响因子,量化了局地污染源和区域传输对青岛市PM2.5的贡献.

1 模式参数设置、观测数据来源及分析方法

1.1 模式参数设置

空气质量模式CMAQ选用4.7.1版本,气象化学反应机制为CB-05Cl机制(包括177个反应,涉及62种物质),气溶胶机制为AERO5.模拟区域如图1所示,第一层区域包含中国大部分区域,水平分辨率为36km,网格数为164×97;第二层区域主要为中国东部地区,水平分辨率为12km,网格数为136×214.两层区域垂直方向分层相同,从地表到对流层顶分为14层.源排放数据基于中国多尺度源排放清单MEIC v1.2版本中的2012年源排放清单数据[19-20].第一层区域所需要的初始条件(ICONs)和边界条件(BCONs)来自全球化学模式(GEOS-CHEM).第二层区域需要的初始条件和边界条件由第一层区域提供.模拟时间为2015年12月25日~2016年1月7日,模式运行前7d为源同化试验时段,以保证污染源排放的累积效果及消除初始条件的影响.

图1 CMAQ模型区域设置

中尺度天气预报模式WRF提供气象场,采用Lambert投影坐标系,中心点坐标为34°N, 110°E;模拟采用双层网格嵌套,水平网格距为36km及12km,垂向均为24层;第一猜测场采用美国国家环境中心(NCEP)1°×1°的全球再分析资料,时间分辨率为6h;地形和地表类型数据采用美国地质调查局(USGS)的全球数据.主要的物理过程参数化选择如下:Lin微物理计算方案[21],RRTM长波辐射计算方案[22],Goddard短波辐射计算方案[23],Monin-Obukhov近地面层方案[24],陆面过程采用SLAB方案[25]以及YSU边界层计算方案[26].

1.2 观测数据来源

利用观测的污染物浓度数据和气象参数数据对模拟结果进行了验证.污染物浓度数据主要包括PM2.5的质量浓度和PM2.5中硫酸盐、硝酸盐、铵盐质量浓度.PM2.5浓度数据来自中国环境监测总站公布的全国大气污染物实时观测数据(http://106.37.208.233:20035/).为代表不同区域的模拟结果,本文选择天津、青岛、烟台和广州4个沿海城市进行PM2.5浓度的验证.硫酸盐、硝酸盐和铵盐的浓度为我们在青岛市中国海洋大学崂山校区(经纬度:36.16N,120.50E)利用AIM- IC(Thermo,URG-9000D)实时测定的数据.气象数据来自香港科技大学大气与环境数据库(http://envf.ust.hk/dataview/stnplot/current/).

1.3 过程分析

CMAQ模型的过程分析模块(PA)包括综合过程速率(IPR)和综合反应速率(IRR)两部分,其中综合过程速率模块可以用于识别和量化大气中不同物理和化学过程对污染物浓度的贡献.这些过程包括:源排放、水平传输、垂直传输、干沉降、气相化学、液相过程、气溶胶化学过程等.水平传输包括水平平流和扩散作用,垂直传输包括垂直对流和扩散作用.气溶胶化学过程包括气溶胶热力学平衡过程、新粒子的生成、气体(H2SO4、HNO3)和有机碳的凝结、不同模态粒子之间的碰并等综合作用.液相过程包括云雾引起太阳辐射减少导致大气光化学速率变化、液相化学反应、云内和云下化学物质的混合、云内清除和湿沉降等过程.过程分析模块在研究不同物理、化学过程对气溶胶污染贡献方面得到广泛应用[27-29],本文采用CMAQ的综合过程速率模块分析各种物理化学过程对PM2.5的影响.

1.4 不同时段青岛市PM2.5来源计算

利用模型计算不同区域源排放对青岛市PM2.5的贡献,本文将污染的来源划分为4个区域,分别为区域一、二、三和其他区域.区域一为图1中①所示区域,包括山东西南部、河南东部、安徽、江苏等地;区域二为图1中②所示区域,包括山东西北部和京津冀大部区域;区域三为青岛局地,如图1中③所示区域;Domain2中除去区域一、二、三后的剩余区域代表其他区域.分别模拟基础情景(考虑所有地区污染源)、区域一污染源零排放、区域二污染源零排放、区域三污染源零排放等情景,基础情景和其它情景下青岛市PM2.5浓度的差与基础情景下PM2.5浓度的比值,表示不同区域对青岛市污染的贡献率,如式(1)所示.这种方法在他人的研究中也得到了广泛应用[30-32],是分析空气污染来源的重要方法之一.

为不同区域对青岛市PM2.5的贡献率;o为基础情景下PM2.5浓度模拟值,μg/m3;C为不同区域污染源零排放情景下PM2.5浓度的模拟值,μg/m3.

2 模式验证

2.1 青岛市气象参数

表1 气象要素、PM2.5观测值与模拟值差异的统计结果

本研究对模拟的2016年1月1日~2016年1月7日青岛市气象站点的2m温度、相对湿度、10m风速和10m风向进行了验证(图2),统计结果如表1所示.由图2可以看出,2m温度的模拟值和观测资料变化趋势吻合较好,相关系数为0.84,标准化平均偏差为-12.57%.相对湿度的模拟值和观测资料的变化趋势具有较好的一致性,相关系数为0.72;标准化平均偏差为19.36%,模拟值有所偏高,偏高主要出现在相对湿度较高时(>80%).风速的模拟值和观测值的相关系数为0.56,标准偏差为15.97%,模式能够模拟出风速的变化趋势,但在个别时间点风速的模拟值和观测资料存在一定偏差.风向在大部分时间内模拟和观测值吻合的较好.但2日21:00~3日05:00观测和模拟的风向有明显差异,观测资料为东北风,而模拟值为东南风.总的来看,各气象要素的相关系数R在0.56~0.84之间,标准化平均偏差NMB在-12.57%~19.36%之间,模式能够较好的反映气象要素随时间的变化情况,模拟结果对观测资料有较好的再现.

图2 2016年1月1日~1月7日青岛市主要气象参数模拟值与观测值对比

2.2 近地面大气污染物浓度

图3为2016年1月1日~1月7日青岛市近地面PM2.5浓度模拟值和观测值随时间的变化情况.青岛市PM2.5自1月1日12:00(91μg/m3)开始缓慢增长,3日18时达到最大值(371μg/m3),3日19:00起PM2.5浓度逐渐降低.本次模拟能够较好地反映出青岛市本次污染过程中PM2.5浓度的变化趋势,观测与模拟的PM2.5的相关系数为0.93,PM2.5均值分别为118μg/m3和107μg/m3,模拟值略偏低,NMB为-7.10%.另外,本研究还对南北方的沿海城市广州、天津和烟台的PM2.5进行了验证.如图4所示,烟台、天津PM2.5模拟值和观测值的变化趋势基本一致,相关系数分别为0.88和0.78.烟台PM2.5模拟值较观测值略偏低,NMB为-6.06%,主要表现在PM2.5>250μg/m3时,模式对高浓度的PM2.5模拟偏低.天津市PM2.5模拟值较观测值偏高,NMB为20.22%,主要表现在PM2.5<100μg/m3时,PM2.5模拟值高于观测值.广州市PM2.5模拟值与观测值间存在一定的偏差,但二者的相关系数也在0.5以上.出现偏差的原因是模式未能准确的模拟出4日、5日广州出现降水过程,导致PM2.5的模拟值较观测值存在一定差距.总的来看,模式能够合理的模拟出沿海城市PM2.5的变化特征,四地PM2.5模拟值和观测数据的相关系数和标准偏差在数值上跟相关研究结果接近[33-34].

图3 2016年1月1日~1月7日青岛市PM2.5模拟值与观测值对比

图4 青岛、烟台、广州、天津PM2.5观测值和模拟值相关性分析

图5为2016年1月1日~1月7日期间青岛市近地面PM2.5中SO42-、NO3-、NH4+组分的模拟值和观测值的对比.同PM2.5浓度变化趋势一致,3种无机盐在1~2日浓度较低,3日出现高值,4日浓度开始下降.在低值时,3种无机盐的观测和模拟值接近.高值时,观测和模拟出现一定差异,且差异主要发生在2日21:00~3日0:00气溶胶浓度达到高值前和4日凌晨前后气溶胶浓度开始出现下降时.2日晚,观测值低于模拟值,产生的差异可能主要与上述风向模拟的误差有关,观测为东南风而模拟为西南风,模拟的西南风较实际的东南风可能给青岛市贡献了更多地污染物.4日凌晨~中午前后,模拟值低于观测值.这是由于4日凌晨前后,模拟结果中出现<1mm的降水,实际中并未观测到降水,因此4日凌晨~中午前后SO42-、NO3-、NH4+模拟值均偏低于观测值.

图5 青岛市SO42-、NO3-、NH4+模拟值和观测值对比

3 结果与讨论

3.1 重污染天气期间中国东部近地面PM2.5浓度变化特征

图6为模拟的2016年1月1日~1月6日中国东部近地面PM2.5日均值的空间分布.整个研究期间,中国东部长江以南PM2.5浓度一般都低于长江以北地区.长江以南PM2.5日均浓度均<100μg/m3.长江以北PM2.5浓度有明显的空间和时间变化.1日,中国东部PM2.5高值区(日均浓度>150μg/m3)范围较小,主要集中在北京、天津以及河北的廊坊、保定一带,京津冀其他区域以及山东、江苏等地区浓度次之,约100~150μg/m3.2日,PM2.5高值区迅速扩大,从北京、天津一带向南延伸至江苏、安徽北部超过40万km2的区域PM2.5日均浓度均在150μg/m3以上,其中河北南部和山东西北部地区PM2.5日均浓度超过300μg/m3.3日,PM2.5重污染影响区域进一步扩大,涉及到河北、山东、河南、安徽、江苏、湖北等多个省市,PM2.5高值区范围在50万km2以上,其中山东南部和江苏北部地区PM2.5日均浓度在300μg/m3以上.4日,受冷空气南下影响,PM2.5高浓度区进一步南移,到达长三角一带.5日,长江沿岸一带出现大范围降水过程,PM2.5以湿沉降的形式被清除,PM2.5浓度下降到100μg/m3以下.6日,我国东部又出现PM2.5高于100μg/m3的区域,主要分布在山东西南部、河南东部和安徽北部等地.

受本次重污染天气影响,青岛市先后经历了重污染天气形成、持续以及清除3个阶段,如图7(a)所示.对应的时间分别为1月1日12:00~3日04:00、1月3日04:00~19:00、1月3日19:00~5日12:00.在重污染形成期,PM2.5浓度从52μg/m3逐渐上升至267μg/m3;重污染持续期,PM2.5浓度在218μg/m3~371μg/m3范围内波动;重污染清除期,PM2.5浓度由309μg/m3迅速下降到150μg/m3,然后缓慢下降至50μg/m3以下.

图6 2016年1月1日~6日中国东部地区近地面PM2.5日均模拟值空间分布

a ~ f分别为1月1日~1月6日PM2.5日均浓度值

3.2 青岛市重污染天气形成、持续及清除过程分析

3.2.1 重污染形成期利用过程分析技术,定量评估了青岛市本次重污染事件不同阶段各种大气物理化学过程对不同高度PM2.5浓度的影响.图8为污染形成期间和持续期间的过程分析结果.从图中可以看出,在重污染形成期(1月1日12:00~1月3日4:00),局地颗粒物一次源排放、垂直传输和气溶胶化学过程是近地面PM2.5的主要来源(除2日10:00~2日15:00),而PM2.5的去除主要受大气水平传输和干沉降过程的影响.局地颗粒物一次排放对青岛PM2.5的贡献量比较稳定,维持在19.0~23.0μg/(m3·h)之间;气溶胶二次生成过程对PM2.5的贡献量在5.0μg/(m3·h)以下;垂直传输过程对PM2.5的贡献量最高可达67.7μg/(m3·h),是PM2.5浓度升高的主要因素.颗粒物的垂直传输与边界层高度、逆温现象等关系密切[35].由青岛市大气边界层高度的时间变化可知(图7(b)),在2日02:00~2日10:00和2日16:00~3日04:00,青岛市大气边界层高度下降到300m以下,导致气团明显向近地面垂直传输.而在2日10:00~2日15:00,垂直传输过程转变为PM2.5的汇,这是由于正午前后大气边界层高度抬升引起近地面污染物向高空的扩散.近地面逆温层的出现也会影响气团的垂直传输.由图8青岛市不同污染时期的温度廓线可以看出,在重污染形成期,青岛市80m左右的低空出现逆温层,这使得由高空传输至近地面的PM2.5向高空扩散的路径受阻,造成近地面PM2.5浓度持续升高.

从图7(c)可以看出,在重污染形成期,虽然青岛市近地面风向以西南风和偏南风为主,有利于上风向(山东半岛南部、江苏、安徽等地)的污染物向青岛地区传输,但过程分析的结果显示,在近地面水平传输对PM2.5的贡献为负值(不考虑2日10:00~2日15:00),而垂直传输对PM2.5的贡献为正值.通过图8青岛市不同高度PM2.5过程分析结果可以看出,在青岛市上空300m~500m左右,水平传输过程对PM2.5为正贡献的时刻正好对应近地面垂直传输为正贡献的时刻,可见,周边PM2.5通过高空的长距离输送到达青岛,进而受大气边界层高度下降和近地面逆温层出现的影响又通过垂直传输的方式传输至近地面,造成近地面PM2.5浓度升高.另外,从图7(d)可以看出,在重污染形成期青岛市近地面风速由8m/s左右逐渐下降到3m/s以下,特别是2日22:00~3日4:00,风速下降到2m/s以下,属于典型的静小风,有利于重污染的形成.但在此时间段内,水平传输是青岛市近地面PM2.5的主要清除过程,PM2.5传输至下风向的山东半岛北部地区.

3.2.2 重污染持续期从图8中重污染持续期的过程分析结果可以看出,在污染持续期间,垂直传输对青岛市PM2.5有去除作用,而水平传输、局地一次源排放和云雾液相过程是近地面PM2.5的主要来源;其中水平传输的贡献量最大,达到35.5μg/(m3·h),可见,青岛市重污染的持续与周边污染物向青岛的不断输送有明显关系;但持续期与形成期不同的是,在污染持续期,周边污染物向青岛地区的输送通道高度下降,主要在200m以下.重污染持续期青岛市以东北风和西北风为主,这有利于京津冀、鲁西北和山东半岛北部地区的PM2.5及其前体物输送到青岛地区.同时,大气液相过程在重污染持续期间也生成一定量的二次气溶胶,平均生成量为5.3μg/(m3·h).通过查看SO42-的过程分析结果,这部分气溶胶主要为SO42-.此时期相对湿度在90%以上,较高的相对湿度会促进SO2的液相氧化反应[36-37],导致SO42-的浓度升高.

图8 青岛市重污染形成期和持续期不同高度PM2.5过程分析结果

重污染持续期间,青岛市近地面和150m左右的上空,PM2.5的去除主要由垂直传输过程贡献,但在400m的上空,PM2.5的去除主要受水平传输影响.通过图9中重污染持续期的温度廓线可以看出,在重污染持续期逆温层发生在400m~ 700m左右的高空.表明重污染持续期,周边PM2.5沿低空传输至青岛,进而随气团上升至400m~ 700m的高空后以水平传输的方式向周边地区输送.但是,相比于水平传输、云雾液相过程和局地的一次源排放带来的PM2.5,垂直传输过程对PM2.5的清除量有限,重污染持续期PM2.5浓度依然维持在200μg/m3以上.

3.2.3 重污染清除期重污染清除期青岛市近地面PM2.5过程分析结果如图10所示.青岛市PM2.5浓度从3日19:00开始迅速下降,由307μg/m3下降到4日08:00的81μg/m3,4日08:00~5日12:00,PM2.5浓度下降变缓,由81μg/m3下降到23μg/m3.4日11:00青岛市西北风逐渐增大至5m/s以上,水平传输成为近地面PM2.5清除的主要过程,对PM2.5去除速度为37.8μg/(m3·h).气溶胶化学过程对PM2.5的清除也有一定的贡献,为6.7μg/(m3·h).另外,在重污染清除期,逆温层消失,大气边界层高度抬升,有利于近地面污染物的垂直扩散,4日09:00以后,垂直传输成为PM2.5清除的主要方式.

图9 利用WRF模型模拟的青岛市不同污染时期的温度廓线

3.3 局地污染源排放和区域输送对青岛市PM2.5的贡献

从上文的分析可以看出,青岛市本次重污染的形成、持续和清除过程与区域输送密切相关.图11给出了2016年1月1日~1月7日各区域污染源排放对青岛市PM2.5贡献率随时间的变化情况.在重污染形成期,青岛市PM2.5浓度的升高主要由区域传输贡献,贡献率高达87.0%,其中区域一(包括山东西南部、安徽、江苏、河南东部等地)污染源对青岛市PM2.5的贡献最为明显,贡献率高达69.8%,区域二(京津冀和山东西北部等地)和其他地区(除青岛局地、区域一、二外的其他地区)贡献率分别为4.7%和12.5%,区域三青岛局地源的贡献率较小,占比为13.0%在重污染持续期,青岛市高浓度的PM2.5由区域传输和局地污染源共同影响,贡献率分别为68.5%、31.5%.局地污染源对PM2.5的贡献有明显的增长,达到31.5%,这可能与该段时间相对湿度偏高,大气中SO2、NO等气体通过液相过程生成了二次气溶胶增加有关(图8);从气象数据得知,该段时间内青岛市主导风向为西北风,但西北区域(区域二)对青岛PM2.5的贡献并不高,平均仅为8%,主要贡献却来自区域一(贡献量41.3%).进一步分析1日~3日中国东部地区近地面PM2.5及风场空间分布(图12).可以看出,污染形成期间(图12(a、b)),区域一西部(山东西南部、安徽北部、河南东部等地)的污染物在偏南风的影响下向京津冀和鲁西北地区传输,造成京津冀和鲁西北地区PM2.5浓度升高.重污染持续期,受西北风影响,京津冀和鲁西北地区污染物又向东南方向输送,从而使得区域一的污染物间接传输至青岛[图12(c)].重污染持续期青岛市的PM2.5仍主要来自区域一,但传输通道并不相同.重污染形成期,区域一的PM2.5及其前体物直接传输到青岛,而重污染持续期间,区域一的PM2.5及其前体物经过区域二后再传输至青岛.

图10 青岛市重污染清除期近地面PM2.5过程分析结果

图11 污染期间周边地区对青岛市PM2.5浓度的贡献率

重污染清除期,青岛市受西北风影响,但由于京津冀、山东西北部等上风向区域污染物浓度较低,因此区域一的污染源对青岛市PM2.5的贡献率骤降至17.8%,并在4日8:00以后贡献率接近于零;区域二的贡献率有所增加,但并不是主要来源,贡献率12.9%;青岛局地排放占比为42.4%,成为该阶段青岛市PM2.5主要贡献源.

本次重污染持续期和清除期,局地污染源对青岛市PM2.5贡献明显增大,本文将青岛局地进一步细分为青岛市区和郊区,探究青岛市区和郊区对PM2.5的贡献量.统计发现,本次重污染期间青岛市区和郊区对PM2.5的贡献率基本相当,分别为16.9%、14.5%.可见,郊区污染源的减排也不容忽视.在重污染形成期和持续期,区域一对青岛市PM2.5的贡献最为明显,2个时期的平均贡献率为50.1%,为进一步了解污染物的源地,本文对区域一中的山东西南部、江苏安徽北部、安徽中南部和长三角地区对青岛市的贡献率分别进行统计,贡献率分别为12.7%、9.7%、9.7%、6.4%,可以看出山东西南部地区对青岛市本次重污染事件贡献率最大,江苏、安徽两省污染源同样不可忽视.

图12 中国东部地区近地面PM2.5及风场空间分布

a 为1月1日18:00,b为1月2日18:00,c为1月3日18:00

4 结论

4.1 WRF-CMAQ模型能够合理的模拟出2016年1月1日~1月7日青岛市PM2.5重污染天气演变过程.重污染形成期,西南风将山东南部、江苏、安徽等地高浓度的PM2.5及其前体物输送至青岛300m~500m左右上空,进而受大气边界层高度下降和逆温层的影响,污染物传输至近地面.山东西南部、安徽北部和河南东部等地PM2.5及其前体物在重污染形成期传输至京津冀和鲁西北等地,之后在持续期沿近地面传输至青岛地区;另外青岛本地较高的相对湿度使得液相过程生成了大量的二次颗粒物.重污染的清除主要由于风速加大,水平传输作用加强,高浓度的PM2.5污染带向下风向转移.气溶胶过程和干沉降过程对PM2.5清除也有一定的贡献.

4.2 青岛市本次PM2.5重污染天气过程受污染物局地排放和区域传输共同影响.区域传输是重污染形成期、持续期以及清除期PM2.5的主要来源,3个时期的贡献率分别为87.0%、68.5%、57.6%.区域传输主要由山东西南部、安徽、江苏、河南等地污染源贡献,其次为京津冀和鲁西北地区.比较局地污染源中市区和郊区对青岛市PM2.5的贡献量,发现二者的贡献量基本相当,郊区的污染源排放控制也不可忽视.

[1] 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.

[2] 尉 鹏,任阵海,王文杰,等.2014年10月中国东部持续重污染天气成因分析 [J]. 环境科学研究, 2015,28(5):676-683.

[3] 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 [J]. 中国环境科学, 2016,36(7):1931-1937.

[4] Kan H, Chen R, Tong S. Ambient air pollution, climate change, and population health in China [J]. Environment International, 2012,42:10-19.

[5] Raaschou-Nielsen O, Andersen Z J, Beelen R, et al. Air pollution and lung cancer incidence in 17European cohorts: prospective analyses from the European Study of Cohorts for Air Pollution Effects (ESCAPE) [J]. The Lancet Oncology, 2013,14(9):813- 822.

[6] 朱佳雷,王体健,邢 莉,等.江苏省一次重霾污染天气的特征和机理分析[J]. 中国环境科学, 2011,31(12):1943-1950.

[7] 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.

[8] 江 琪,王 飞,张恒德,等.北京市PM2.5和反应性气体浓度的变化特征及其与气象条件的关系[J]. 中国环境科学, 2017,37(3): 829-837.

[9] Li J, Han Z. A modeling study of severe winter haze events in Beijing and its neighboring regions [J]. Atmospheric Research, 2016,170:87-97.

[10] Zheng G J, Duan F K, Su H, et al. Exploring the severe winter haze in Beijing: the impact of synoptic weather, regional transport and heterogeneous reactions [J]. Atmospheric Chemistry and Physics, 2015,15(6):2969-2983.

[11] 徐 虹,肖致美,孔 君,等.天津市冬季典型大气重污染过程特征[J]. 中国环境科学, 2017,37(4):1239-1246.

[12] Wang X, Chen J, Sun J, et al. Severe haze episodes and seriously polluted fog water in Ji'nan, China [J]. Science of the Total Environment, 2014,493:133-137.

[13] Kang H, Zhu B, Su J, et al. Analysis of a long-lasting haze episode in Nanjing, China [J]. Atmospheric Research, 2013, 120:78-87.

[14] Wang Y, Gao S, Fu G, et al. Assimilating MTSAT-derived humidity in nowcasting sea fog over the Yellow Sea [J]. Weather and forecasting, 2014,29(2):205-225.

[15] Guo J, Li P, Fu G, et al. The structure and formation mechanism of a sea fog event over the Yellow Sea [J]. Journal of Ocean University of China, 2015,14(1):27-37.

[16] Tang M, Zhu T. Heterogeneous reactions of gaseous methanesulfonic acid with NaCl and sea salt particles [J]. Science in China Series B: Chemistry, 2009,52(1):93-100.

[17] Yang M, Huebert B J, Blomquist B W, et al. Atmospheric sulfur cycling in the southeastern Pacific–longitudinal distribution, vertical profile, and diel variability observed during VOCALS- REx [J]. Atmospheric Chemistry and Physics, 2011,11(10):5079- 5097.

[18] Facchini M C, Decesari S, Rinaldi M, et al. Important source of marine secondary organic aerosol from biogenic amines [J]. Environmental Science & Technology, 2008,42(24):9116-9121.

[19] Lei Y, Zhang Q, He K B, et al. Primary anthropogenic aerosol emission trends for China, 1990~2005 [J]. Atmospheric Chemistry and Physics, 2011,11(3):931-954.

[20] Zhang Q, Streets D G, He K, et al. Major components of China’s anthropogenic primary particulate emissions [J]. Environmental Research Letters, 2007,2(4):045027.

[21] Lin Y, Farley R D, Orville H D. Bulk parameterization of the snow field in a cloud model [J]. Journal of Climate and Applied Meteorology, 1983,22(6):1065-1092.

[22] Mlawer E J, Taubman S J, Brown P D, et al. Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated‐k model for the longwave [J]. Journal of Geophysical Research: Atmospheres, 1997,102(D14):16663-16682.

[23] Chou M, Suarez M J. A solar radiation parameterization for atmospheric studies [M]. NASA Technical Memorandum, 1999, 15:1-38.

[24] Obukhov A M. Turbulence in an atmosphere with a non-uniform temperature [J]. Boundary-Layer Meteorology, 1971,2(1):7-29.

[25] Dudhia J. A multi-layer soil temperature model for MM5 [C]. 1996.

[26] Hong S, Noh Y, Dudhia J. A new vertical diffusion package with an explicit treatment of entrainment processes [J]. Monthly Weather Review, 2006,134(9):2318-2341.

[27] Liu X, Zhang Y, Xing J, et al. Understanding of regional air pollution over China using CMAQ, part II. Process analysis and sensitivity of ozone and particulate matter to precursor emissions [J]. Atmospheric Environment, 2010,44(30):3719-3727.

[28] Liu P, Zhang Y, Yu S, et al. Use of a process analysis tool for diagnostic study on fine particulate matter predictions in the US–Part II: Analyses and sensitivity simulations [J]. Atmospheric Pollution Research, 2011,2(1):61-71.

[29] Fan Q, Lan J, Liu Y, et al. Process analysis of regional aerosol pollution during spring in the Pearl River Delta region, China [J]. Atmospheric Environment, 2015,122:829-838.

[30] Xing J, Zhang Y, Wang S, et al. Modeling study on the air quality impacts from emission reductions and atypical meteorological conditions during the 2008Beijing Olympics [J]. Atmospheric Environment, 2011,45(10):1786-1798.

[31] Streets D G, Fu J S, Jang C J, et al. Air quality during the 2008 Beijing Olympic games [J]. Atmospheric Environment, 2007, 41(3):480-492.

[32] Wang L T, Wei Z, Yang J, et al. The 2013severe haze over southern Hebei, China: model evaluation, source apportionment, and policy implications [J]. Atmospheric Chemistry and Physics, 2014,14(6):3151-3173.

[33] Han X, Zhang M, Tao J, et al. Modeling aerosol impacts on atmospheric visibility in Beijing with RAMS-CMAQ [J]. Atmospheric Environment, 2013,72:177-191.

[34] 王凌慧,曾凡刚,向伟玲,等.空气重污染应急措施对北京市 PM2.5的削减效果评估 [J]. 中国环境科学, 2015,35(8):2546- 2553.

[35] Liu X G, Li J, Qu Y, et al. Formation and evolution mechanism of regional haze: a case study in the megacity Beijing, China [J]. Atmospheric Chemistry and Physics, 2013,13(9):4501-4514.

[36] Sun Y, Wang Z, Fu P, et al. The impact of relative humidity on aerosol composition and evolution processes during wintertime in Beijing, China [J]. Atmospheric Environment, 2013,77:927-934.

[37] Zheng G J, Duan F K, Su H, et al. Exploring the severe winter haze in Beijing: the impact of synoptic weather, regional transport and heterogeneous reactions [J]. Atmospheric Chemistry and Physics, 2015,15(6):2969-2983.

Analysis on the evolution of PM2.5heavy air pollution process in Qingdao.

ZHANG Qiang1, XUE Di1, WANG Shuang1, WANG Lin-hui1, WANG Jing3, MA Yan4, LIU Xiao-huan1,2*

(1.College of Environmental Science and Engineering, Ocean University of China, Qingdao 266100, China；2.Key Laboratory of Marine Environmental and Ecology, Ministry of Education, Ocean University of China, Qingdao 266100, China；3.Qingdao Environment Monitoring Center, Qingdao 266003, China；4.Qingdao Meteorological Administration, Qingdao 266003, China)., 2017,37(10)：3623~3635

WRF-CMAQ model was used to simulate a severe PM2.5pollution episode in Qingdao from 1 to 7 January, 2016, and the major factors influencing the formation, persistence and removal of the severe PM2.5pollution were analyzed. The model reasonably reproduced the temporal and spatial variation of PM2.5concentration and meteorological conditions. Under the influence of persistent southwest airflow during the severe pollution formation period, PM2.5and its precursors were transported to Qingdao from the South of Shandong, Anhui and Jiangsu province. These pollutants continued to accumulate in Qingdao due to the favorable meteorological conditions such as the occurrence of inversion layer and reduced planetary boundary layer height. PM2.5and its precursors transported to Qingdao area from the Beijing-Tianjin-Hebei region and the Northwestern Shandong during the severe pollution persistence period, which originated from the Southwestern Shandong, north of Anhui and east of Henan province. In addition, numerous secondary aerosols were formed during the aqueous phase chemistry process, leading to persistently high PM2.5concentration of more than 200μg/m3. During the severe pollution removal period, the wind speed was increased and thus enhancing the horizontal transport, the PM2.5was transported to the downwind areas. Regional transport was a major contributor to the severe PM2.5pollution, accounting for 87.0%, 68.5% and 57.6% during the three periods, respectively.

WRF-CMAQ；PM2.5；severe pollution；process analysis；regional transport

X513

A

1000-6923(2017)10-3623-13

张 强(1993-),男,山东青岛人,中国海洋大学环境科学与工程学院硕士,研究方向为大气化学.

2017-03-07

国家“973”项目(2014CB953701);山东省自然科学基金资助项目(ZR2013DQ022);青岛市民生科技计划基金资助项目(14-8-3-10-NSH);国家自然科学基金资助项目(41305087)

* 责任作者, 副教授, liuxh1983@ouc.edu.cn