京津冀区域典型重污染过程与反馈效应研究

张晗宇 ,温 维 ,程水源 *,吕 喆 (.北京工业大学,区域大气复合污染防治北京市重点实验室,北京 004；.中国气象局北京城市气象研究所,北京 00089)

近年来,京津冀地区重污染天气频发,表现出复合性、区域性和周期性的特征,PM2.5污染已成为当前影响环境空气质量的首要污染物[1-2].重污染期间高浓度的PM2.5使得城市大气能见度急剧下降[3-4],并对人体健康构成威胁[5].研究表明,污染源排放和气象条件是导致重污染发生和消散的重要原因[6],在排放源不变的条件下,气象条件成为影响区域大气污染的主导因素[7].边界层作为大气中最靠近下垫面的部分,其内部的气象要素特征对重污染的形成具有关键作用[8],因此掌握边界层的结构特征十分重要.国内外研究表明[9-10],逆温、低风速、高湿度等一系列稳定大气边界层特征,是造成重污染天气发生的重要原因;郭淳薇等[11]使用NCEP再分析数据和探空数据,发现北京近35年大气边界层高度均表现为春夏季较高,秋冬季较低,大气层的升温、稳定的边界层以及 3级以上偏北风频率的减少说明近年来北京扩散条件变差,是导致重污染事件呈上升趋势的原因.然而,以往研究成果多集中分析近地面气象要素对重污染的影响,虽有垂直结构的相关研究,但多采用探空数据,时间分辨率低,所以亟待完善基于高时间分辨率边界层资料分析垂直结构各气象要素的变化特征,进一步突破边界层气象要素与重污染之间的相互作用机制.

此外,高浓度的气溶胶对气象要素还具有反馈影响,其直接辐射效应和间接反馈效应可以对全球气候产生影响[12].IPCC第五次评估报告[13]表明:全球人为气溶胶年平均直接和间接辐射强迫估计值分别为-0.35W/m2和-0.45W/m2;受辐射反馈影响,重污染期间大气中存在的大量微小颗粒,可以通过散射和反射降低到达地面的太阳辐射量,从而降低温度,使得大气边界层高度下降,形成稳定的边界层条件,抑制污染物扩散,进而加剧重污染,并且随着季节的变化,气溶胶产生的气候反馈效应也存在差异[14];Forkel等[15]针对气溶胶与气象条件的双向反馈作用进行了模拟,发现2006年7月欧洲大陆地区在气溶胶反馈效应影响下,降水量变化范围介于-100%～100%,PM10质量浓度平均增长 1～3µg/m3.但是,京津冀区域PM2.5污染严重,专门针对该区域以不同城市之间、重污染、清洁日与平均时段等多角度、多方面地开展气溶胶对不同气象要素反馈效应的差异对比分析仍不足,尚需更深入的研究.

激光雷达观测是研究边界层结构变化与重污染相互影响的重要手段,研究发现重污染期间,大气边界层高度显著降低,与 PM2.5浓度呈现明显的负相关性[16],并伴有逆温现象[17].除常规观测外,飞机气象观测数据(Aircraft Meteorological Data Relay, AMDAR)也是获取边界层结构气象参数的重要手段,并被证实了数据具有可靠性与准确性[18].更重要的是,AMDAR数据时空分辨率高,能够捕捉常规探空观测难于发现的中小尺度天气系统及演变趋势,对于深入了解大气边界层结构变化对重污染的影响机制具有重要作用.

因此,本文选取2014年10月京津冀地区一次典型污染过程,采用高分辨率空气质量监测数据、飞机 AMDAR气象资料与 WRF-Chem(Weather Research Forecasting Model with chemistry)在线耦合模式相结合,分析重污染过程中污染物的时空分布特征及天气形势,揭示污染过程各小时边界层垂直结构演变特征,研究边界层垂直方向上温度和风矢量对重污染形成的影响机制;同时,设计2种情景,从不同城市、污染日、清洁日与平均时段等多方面、多角度定量分析气溶胶直接反馈效应对太阳辐射、温度、相对湿度和大气边界层高度等气象要素的影响,为京津冀地区的污染治理、进一步探索气溶胶对我国污染严重区域产生的气候效应提供参考.

1 数据与研究方法

1.1 数据来源

初始气象场和边界条件采用 NCEP提供的6h 1°×1°分辨率的全球对流层分析资料,京津冀地区采用本团队自下而上建立起来的污染源排放清单[19],京津冀以外区域采用清华大学研发的MEIC 清单[20],包含的物种有 SO2、CO、NOx、NH3、VOCs、PM2.5、PM10等.空气质量监测数据来自各城市监测站点的空气质量发布平台,风速观测数据来自中国气象局发布的气象数据,其他近地面气象数据来源于 http://www.wunderground.com.飞机 AMDAR数据来源于民航班机上自动观测仪捕获的自动气象报告,包括飞机的飞行状态、经纬度、风向、风速、气温等气象信息,具有时空密度高的优势,是研究大气边界层垂直结构一种有效的补充数据.

1.2 模式与参数方案

WRF-Chem是基于NCAR (National Center for Atmospheric Research)和NCEP研发的天气预报模式,嵌入化学模块,从而在时间和空间上实现了将气象模块与化学传输模块完全耦合的新一代在线空气质量模型,对大气气溶胶-辐射强迫-云-气象有较好的反馈模拟效果[21].模式采用WRF-Chem 3.5.1版本,双重嵌套网格(图1),中心位于(39.37°N,116.78°E),外层嵌套网格分辨率为27km,范围覆盖华北和华东大部分地区;内层网格分辨率为9km,主要覆盖京津冀区域.模式顶高设置为5000Pa,垂直方向分为30层.物理过程和气相化学过程参数方案见表1.

图1 双重嵌套区域示意Fig.1 Schematic diagram of two-level nested-grid modeling domain

模拟时段为2014年10月1～20日,为研究气溶胶直接气候效应对气象要素的反馈影响,本文设置两套不同的模拟情景,情景一为开启气溶胶辐射强迫和云相互作用反馈机制,即考虑气溶胶直接反馈效应;情景二为关闭气溶胶辐射强迫和云相互作用反馈机制,即不考虑气溶胶直接反馈效应.选取典型地区典型时段的模拟结果进行分析,综合时间和空间两个角度,开展气溶胶直接气候效应的反馈影响研究.

表1 模式物理与化学过程参数化方案Table 1 Parametric scheme of physical and chemistry process in model

2 结果与讨论

2.1 重污染天气过程污染物时空分布特征及天气形势特点

图2 2014年10月5～13日京津冀地区各城市PM2.5质量浓度逐日变化Fig.2 Daily variations of PM2.5 mass concentration in several cities of Beijing-Tianjin-Hebei region from 5 to 13 October, 2014

2.1.1 污染物时空分布特征 2014年 10月京津冀地区经历了多次重污染天气,张家口、承德和秦皇岛污染相对较轻,其余城市污染超标天数比例均超过 50%,其中邯郸超标率最高达到了83.87%.选取北京市、天津市及河北省11个地级市对京津冀地区2014年10月5～12日的一次典型重污染过程进行分析.图 2展示了此次重污染过程中13个城市整个重污染生成、发展和消散过程,图3应用ArcGIS中克里格插值法[22]展示了7～10日PM2.5污染的时空分布特征.在7～9日的重污染过程中,PM2.5浓度呈现逐渐上升的趋势,南部城市增速较明显.PM2.5沿邯郸-邢台-石家庄-保定-北京呈带状分布,污染带状轮廓与太行山脉和燕山南麓连线一致,此带状区域为 PM2.5浓度低值聚集区;PM2.5质量浓度空间分布呈显著的南高北低的特点,北部的张家口、承德、秦皇岛为 PM2.5低值聚集区,且随着时间的变化,区域尺度上表现出由南向北移动的趋势,质量浓度与污染范围同时增加,并在 8～9日前后达到此次重污染过程的最高污染水平,其中邢台市 PM2.5小时浓度最高值达到 516.67µg/m3,直至 10日污染有所缓解,但大部分地区仍处于严重污染水平,说明此次重污染天气涉及范围广、污染程度强、持续时间长,各城市重污染发生基本同步,属于区域性重污染事件.

图3 京津冀地区PM2.5重污染日空间分布(µg/m3)Fig.3 Spatial distribution of PM2.5 heavy pollution level in Beijing-Tianjin-Hebei region (µg/m3)

2.1.2 天气形势分析 分析2014年10月9、10、12日高空 500hPa和近地面影响大气环流系统的动态(图4),9～10日高空500hPa多为纬向环流控制,以偏西、偏南气流为主,经向风较弱,而地面天气形势主要受弱高压后部控制,在京津冀地区以均压场为主,等压线分布较为稀疏.两者形成了稳定的大气环境背景场,严重阻碍了区域空气的水平运动和垂直交换,导致污染物浓度水平升高.直至12日500hPa高空纬向环流逐渐转为经向,风向以西南风为主,同时来自蒙古的冷高压日趋南下,京津冀地区处于高压前部,等压线分布密集,地面风向以北风为主,风力强度大幅度提升,加速了污染物的扩散,有效缓解了此次重污染过程.

图4 2014年10月9日(a)(b)、10月10日(c)(d)和10月12日(e)(f) 8:00地面和高空(500hPa)的天气形势Fig.4 Surface and 500 hPa height field pressure pattern during October 9th (a)(b), 10th (c)(d) and 12th (e)(f)

2.2 重污染天气过程的边界层结构演变特点

2.2.1 垂直风场特征 基于北京首都机场飞机AMDAR数据,分析了2014年10月北京一次重污染前期、期间及后期的典型日逐时风廓线情况(图 5).整个重污染过程中,位于北京地区边界层低层的近地面风速均相对较低,直至 11～12日风速才有所增加.5～6日上午9:00近地层均以偏北风为主,向上逐渐转变成东南风,风向呈顺时针切变,而至6日上午10:00,风向开始转变,低层偏南风逐渐形成,风向呈顺时针切变形成高层的西南风.7～8日整个边界层的垂直结构基本一致,由低层东南风呈顺时针转变为高层的西南风,风向垂直切变的位置最大出现在1000～1250m,而最低高度仅为 500m,此时风向切变高度的下降可能与北京地区下沉的气流有关[23];此外,低层风速垂直切变小,表明污染前期北京地区的大气边界层较为稳定,抑制了污染物的垂直稀释扩散[24],直至9～10日,低层风速仍然偏小,对污染物起到了显著的积聚作用,并在9日前后达到了此次重污染过程的峰值.而到 11日下午开始出现明显的偏北风,风向垂直切变位置最大高度出现在 2000m,近地层风速增大,大大增强了污染物的垂直扩散能力,12日此次重污染过程基本结束.

对比图2中5～12日PM2.5浓度序列可以发现,当北京地区受偏南风控制,且风速较低时,北京地区污染等级显著提升;而当风向转为偏北风,北京地区空气较为清洁,重污染逐渐缓解.这是由于京津冀地区主要污染物排放集中在河北南部的保定、石家庄、邢台、邯郸等城市,通过偏南风区域传输的影响,导致北京污染加重;而河北省北部城市如张家口和承德,污染物排放量低,加上风速较大,可以有力地清除污染物,缓解重污染天气.

图5 北京2014年10月5～12日逐时风廓线Fig.5 Hourly wind profiles from 5 to 12 October, 2014 in Beijing

图6 北京2014年10月5～12日温度廓线Fig.6 Temperature profile during 5～12 October, 2014 in Beijing

2.2.2 垂直温度场特征 逆温能反映大气垂直结构对污染物的扩散能力,上暖下冷的温度层节可显著抑制污染物扩散,造成污染物持续积聚[25].图6为北京地区5～12日大气垂直结构中温度的逐时分布.温度廓线展示了地表白天逐渐升温、夜间逐渐降温的过程.以 7～11日代表污染日,5、6、12日代表清洁日,在垂直方向上同一高度的温度表现主要是污染日高于清洁日.清洁日温度随高度上升而不断降低,污染日北京地区存在不同程度的贴地逆温,其中 8日12:00,大气层 400m 以下直至地面,气温随高度不断降低,而在400～550m出现一个弱的逆温层,抑制了 PM2.5的垂直扩散,造成地面污染物的积聚.9日逆温层顶高度降低到200m以下,垂直方向上存在双重逆温,并且逆温强度显著增加,最高能达到 3.61℃/100m,进一步促进了污染物聚集,这也是造成9日PM2.5浓度爆发性增长的一个重要原因.12日已不存在明显的逆温结构,空气质量开始转好.

2.3 气溶胶对气象要素影响的数值模拟分析

以5～12日作为研究时段,分别选取平均时段(5～12 日)、污染日(7～11 日)和清洁天(5、6、12日)3个时段,分析京津冀地区气溶胶直接气候效应对太阳辐射和地面2m温度、边界层高度、相对湿度、风速等一系列气象要素的反馈效应,如图8～10所示.

2.3.1 模拟效果验证 选取京津冀区域典型城市北京、承德、石家庄和保定的观测数据,将模式模拟的PM2.5浓度以及气象参数(包括地面2m温度、相对湿度RH、大气压力以及风速WSP10)与观测数据进行对比分析,验证模式的模拟性能(图7).

图7 北京、承德、石家庄和保定PM2.5浓度、地面2m温度、相对湿度RH、大气压力以及风速WSP10模拟与观测值的逐日变化Fig.7 Daily variations of simulated and observed concentrations of PM2.5, temperature, relative humidity, atmospheric pressure and wind speed in Beijing, Chengde, Shijiazhuang and Baoding

为评估WRF-Chem模式对2014年10月京津冀地区重污染天气的模拟效果,本文参考EPA评价标准,引入标准化平均偏差(NMB)、标准化平均误差(NME)和相关系数(COR)等 3个统计指标[26](表2).由表2可知,4种气象要素模拟值与观测值的相关系数较高,均在0.64以上.4个城市 Temperature模拟值略低于观测值,相关系数均在 0.81以上,NMB介于-0.06%～-6.84%之间,NME介于5.46%～10.39%之间;RH 的相关性均在 0.90以上,但 NMB和 NME反映出模拟偏差较温度大;Pressure模拟效果最好,相关性在0.98以上,但模拟值仍略有偏低.从 WSP10的模拟效果上来看,COR 介于 0.64～0.81之间,模拟值高于观测值,NMB和NME均介于70.99%～93.79%之间,但二者的变化趋势表现出较好的一致性.4个城市 PM2.5模拟结果的NMB在4.22%～10.89%之间,NME介于 30%～40%左右,模拟值整体略高于观测值,COR均在 0.81以上,模拟值与观测值有较好的一致性.图 7进一步表明模拟值与观测值较好的时间变化序列,WSP10模拟整体偏高,温度和大气压力模拟效果较好,除承德外,RH 整体偏低.PM2.5模拟结果和观测结果有很好一致性,但在重污染期间,略有偏差,参考相关研究结果[27],污染源排放清单的不确定性、数值模式中针对重污染时段的二次污染物转化机制的欠缺、水平和垂直分辨率的影响以及气象场的误差均会影响污染物浓度模拟结果的准确性.同时对比相关研究模拟结果误差,本研究中WRF- Chem准确的模拟出各PM2.5浓度、气象要素及其变化趋势,模拟结果误差在可接受范围内,模拟结果能够反映整个污染过程的变化特点.

表2 模拟值与监测值统计指标对比(样本量N=20)Table 2 Comparison of statistical indicators between simulated and observed data

图8 平均时段(a)、污染日(b)和清洁天(c)气溶胶直接反馈效应对太阳辐射的影响Fig.8 The effect of aerosol direct feedback on solar radiation during average periods(a), polluted (b) and clean days(c).

2.3.2 对太阳辐射的直接效应影响 图8表明京津冀地区受气溶胶的反馈作用影响,使得到达地面的太阳辐射普遍减少,平均降低39.80W/m2,下降幅度达到 18.63%,尤其是污染日太阳辐射量变化在空间上呈带状分布,与PM2.5浓度的空间分布相一致,到达地面的太阳辐射下降量高达48.57W/m2,较清洁天的下降量高出 14.61W/m2,下降比例为 22.76%.从空间角度来看,南部影响程度显著高于北部,这是由于污染严重的南部地区属于气溶胶聚集区,高浓度的气溶胶粒子增强了对太阳辐射的吸收和散射作用,导致到达地面的太阳辐射显著降低,印证了重污染天气气溶胶对太阳辐射的直接反馈效应比清洁天气更加显著.

图9 典型城市气溶胶直接效应对太阳短波辐射的影响(a)以及下降百分比(b)Fig.9 The effect of aerosol direct feedback on solar radiation (a) and decline in the proportion (b) in typical cities

图9统计了京津冀8个典型城市在平均时段、污染日和清洁天3个时段太阳辐射受气溶胶辐射反馈作用的变化情况.8个城市太阳辐射下降量和下降比例均表现为污染日＞平均时段＞清洁天,保定和石家污染较严重的城市,太阳辐射下降量及百分比也最高,其中污染日保定下降量高达78.31W/m2,下降比例为36.13%,气溶胶直接反馈影响非常显著.污染相对较轻的北部城市,如张家口、承德,平均时段太阳辐射降低值分别为13.20W/m2和27.51W/m2,降低比例分别为5.26%和14.85%,而清洁天的降低量不足7.00W/m2.

2.3.3 对地面气象要素的直接效应影响 图10(a)、(b)、(c)为气溶胶对温度的直接反馈影响,结果显示污染日京津冀地区温度平均下降 0.39℃,高于平均时段的0.34℃和清洁天的0.27℃,尤其是污染日期间污染严重的城市,如北京和保定,温度下降量分别高达 0.49℃和 0.73℃,下降比例均在 3.00%以上.这是由于气溶胶对太阳辐射的光产生反射和散射的作用,造成到达地面的太阳辐射降低,进而引发地表温度下降,而污染程度越高的时段和地区,气溶胶浓度越大,其反射和散射作用越强,使得地表温度下降更显著.

图10(d)、(e)、(f)是气溶胶直接反馈作用对PBLH的影响,气溶胶主要通过两种方式对大气边界层产生影响,一种是气溶胶粒子将太阳辐射散射回高空并被吸收,导致地表温度降低,高空温度升高;另一种是气溶胶中的化学组分如黑碳可以吸收太阳辐射,从而加热大气边界层[28].整个京津冀地区,平均时段边界层高度下降 36.64m,尤其是污染日下降高达46.08m,比清洁天的降低值高出 25.11m,下降百分比更是超过了 12.00%,远远高于清洁日的下降百分比 3.20%.污染日保定边界层降低了 73.15m,下降比例高达 18.87%,承德和张家口在清洁日边界层下降量不到 5m,下降幅度在 1%以下,与重污染城市边界层高度降幅形成了鲜明的对比.同时还发现污染日期间,大气边界层的减少量显现出明显的带状分布,这与 PM2.5空间分布高度一致.这主要是因为气溶胶的反馈作用造成大气边界层高度降低,使得气象条件总体呈现出不利于污染物扩散的趋势,因此使得 PM2.5浓度在气溶胶聚集区进一步增加,形成相互反馈影响.

与温度和边界层高度相比,风速变化较小,绝大部分地区风速有不同程度的下降,少数地区略有上升,这可能由于不同地区的地表属性不同的原因[29].除此之外,相对湿度也由于 PM2.5浓度的影响产生变化.整个时段京津冀地区相对湿度绝对值升高 0.90%,而污染日增幅竟高达 1.28%,比清洁天多升高 0.86%.针对污染尤为严重的石家庄、保定等南部城市增幅在 2.00%以上,而清洁日张家口的相对湿度下降仅为 0.26%.相对湿度的增加有利于细颗粒物进行非均相化学反应,促进 PM2.5颗粒物的产生,导致气溶胶聚集区PM2.5浓度进一步升高,加剧重污染天气,使得气溶胶与气象条件形成相互反馈效应.

图10 气溶胶直接反馈作用在平均时段、污染日和清洁天对温度(a, b, c)、边界层高度(d, e, f)的影响Fig.10 The effect of aerosol direct feedback on temperature (a, b, c), planetary boundary layer height (d, e, f)

总体来讲,京津冀地区气溶胶的直接反馈效应空间特征表现为南部地区较北部地区更为显著,PM2.5污染越重,气溶胶对各气象要素的影响越大.同时,气溶胶污染反馈作用使得地面太阳短波辐射普遍减少,在气溶胶聚集区地面 2m 温度降低、相对湿度有所增加、边界层高度降低,风速减小,气溶胶的辐射反馈作用使得各气象要素均呈现不利于污染物扩散的趋势,造成气溶胶聚集区 PM2.5浓度进一步增加,形成气溶胶与气象要素的相互反馈效应.

3 结论

3.1 此次重污染过程涉及地域范围广、持续时间长、影响强度大,PM2.5由南向北呈带状分布,8～9日前后 PM2.5污染达到峰值,地面均压场和高空纬向环流是此次重污染发生的天气环流背景.

3.2 风向垂直切变高度降低、低层小风速、持续的偏南风以及逆温现象等边界层垂直分布特征,导致京津冀地区近地层污染物不断积聚,污染程度日益加深.

3.3 京津冀地区直接气候效应在整个时段造成地面太阳辐射量降低 39.80W/m2,下降幅度达到18.63%,温度下降 0.34℃,边界层高度降低36.64m,下降比例为8.92%,相对湿度升高0.90%.

3.4 较清洁日而言,污染日气溶胶的直接反馈效应更为显著,污染日的太阳辐射量、气温、边界层高度的降低值比清洁天分别高出14.61W/m2、0.12℃、25.11m,相对湿度的增幅差高出了0.86%.各气象要素均朝着不利于污染物扩散的方向发展,导致污染愈加严重.

参考文献：

[1]Li X, Zhang Q, Zhang Y, et al. Source contributions of urban PM2.5in the Beijing–Tianjin–Hebei region: Changes between 2006 and 2013 and relative impacts of emissions and meteorology[J]. Atmospheric Environment, 2015,123:229-239.

[2]张霖琳,王 超,朱红霞,等.北京混合功能区夏冬季细颗粒物组分特征及来源比较 [J]. 中国环境科学, 2016,36(1):36-41.

[3]Li W J, Zhang D Z, Shao L Y, et al. Individual particle analysis of aerosols collected under haze and non-haze conditions at a high-elevation mountain site in the North China plain [J].Atmospheric Chemistry & Physics, 2011,11(22):22385-22415.

[4]顾芳婷,胡 敏,王 渝,等.北京 2009～2010 年冬、春季 PM2.5污染特征 [J]. 中国环境科学, 2016,36(9):2578-2584.

[5]Tie X X, Wu D, Brasseur G. Lung cancer mortality and exposure to atmospheric aerosol particles in Guangzhou, China [J].Atmospheric Environment, 2009,43(14):2375-2377.

[6]李令军, 王占山, 张大伟,等.2013～2014年北京大气重污染特征研究[J]. 中国环境科学, 2016,36(1):27-35.

[7]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.

[8]吴 蒙,范绍佳,吴 兑.台风过程珠江三角洲边界层特征及其对空气质量的影响 [J]. 中国环境科学, 2013,33(9):1569-1576.

[9]张 强,薛 迪,王 爽,等.青岛市PM2.5重污染天气演变过程分析 [J]. 中国环境科学, 2017,37(10):3623-3635.

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

[11]郭淳薇,孙兆彬,李梓铭,等.北京地区近35年大气污染扩散条件变化 [J]. 环境科学, 2017,38(6):2202-2210.

[12]Makar P A, Gong W, Milbrandt J, et al. Feedbacks between air pollution and weather, Part 1: Effects on weather [J]. Atmospheric Environment, 2015,115(3):442-469.

[13]Stocker T, Plattner G K, Dahe Q. IPCC Climate Change 2013:The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, United Kingdom and New York, NY,USA: Cambridge University Press.

[14]Chen D S, Ma X, Xie X, et al. Modelling the Effect of Aerosol Feedbacks on the Regional Meteorology Factors over China [J].Aerosol & Air Quality Research, 2015,15(4):1559-1579.

[15]Forkel R, Werhahn J, Hansen A B, et al. Effect of aerosolradiation feedback on regional air quality – A case study with WRF/Chem [J]. Atmospheric Environment, 2012,53(6):202-211.

[16]张婉春,张 莹,吕 阳,等.利用激光雷达探测灰霾天气大气边界层高度 [J]. 遥感学报, 2013,17(4):981-992.

[17]王耀庭,苗世光,张小玲.北京秋季一次降雪前污染天气的激光雷达观测研究 [J]. 气候与环境研究, 2014,(6):659-669.

[18]仲跻芹,陈 敏,范水勇,等.AMDAR 资料在北京数值预报系统中的同化应用 [J]. 应用气象学报, 2010,21(1):19-28.

[19]Zhou Y, Cheng S Y, Liu L, et al. A coupled MM5-CMAQ modeling system for assessing effects of restriction measures on PM10pollution in Olympic City of Beijing, China [J]. Journal of Environmental Informatics, 2012,19(2):120-127.

[20]Multi-resolution emission inventory for China [Z/OL]. (2017-02-26). URL: http://www. meicmodel.org/.

[21]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.

[22]Jia J, Cheng S, Liu L, et al. An Integrated WRF-CAMx Modeling Approach for Impact Analysis of Implementing the Emergency PM2.5Control Measures during Red Alerts in Beijing in December 2015 [J]. Aerosol & Air Quality Research, 2017.

[23]刘 建,范绍佳,吴 兑,等.珠江三角洲典型灰霾过程的边界层特征 [J]. 中国环境科学, 2015,35(6):1664-1674.

[24]Tran H N Q, Mölders N. Investigations on meteorological conditions for elevated PM2.5, in Fairbanks, Alaska [J].Atmospheric Research, 2011,99(1):39-49.

[25]高庆先,刘俊蓉,王 宁,等.APEC期间北京及周边城市 AQI区域特征及天气背景分析 [J]. 环境科学, 2015,36(11):3952-3960.

[26]US EPA (2007). Guidance on the use of models and other analyses for demonstrating attainment of air quality goals for ozone, PM2.5, and regional haze. U.S. Environmental Protection Agency Office of Air Quality Planning and Standards Air Quality Analysis Division Air Quality Modeling Group Research Triangle Park, NC.

[27]Gao M, Carmichael G R, Wang Y, et al. Modeling study of the 2010 regional haze event in the North China Plain [J].Atmospheric Chemistry & Physics, 2016,15(16):22781-22822.

[28]Ding A J, Fu C B, Yang X Q, et al. Intense atmospheric pollution modifies weather: a case of mixed biomass burning with fossil fuel combustion pollution in eastern China [J]Atmospheric Chemistry & Physics, 2013,13(20):10545–10554.

[29]Zhang Y, Wen X Y, Jang C J. Simulating chemistry-aerosolcloud-radiation-climate feedbacks over the continental U.S.using the online-coupled Weather Research Forecasting Model with chemistry (WRF/Chem). [J]. Atmospheric Environment,2010,44(29):3568-3582.