气象因子在重污染天气模型中的应用研究

徐雅琦, 罗月颖

(安徽新华学院 土木与环境工程学院，合肥 230088)

城市化意味着气象因子与景观格局都将发生显著变化.随着城市扩张的快速与无序发展，人们在此过程中因为存在大量的交通与生产活动，导致当地的排放污染物浓度不断增大并引起气象污染状况的不断加重[1].合肥市群正经历着飞速的城镇化发展过程[2]，由于之前在城市规模的不断扩张期间未充分重视该地区的环境保护尤其是对各类污染气体的排放控制不够严格，使该区域的大气污染状况发展到了较为严重的情况[3-4].其中，城市空气出现严重污染的重要原因在于工业区用地规划不合理以及交通用地的距离设计太长，同时各个气象因子因为差异性而引起城市热岛效应也会明显影响到城市中的污染气体扩散过程.为了对城市大气污染进行有效治理并对后续城镇化发展的污染问题进行充分预防，政府采取了设置生态绿心区域的城市建设规划方法，为不同城市群设置了相应的生态保护区域隔离带[5].

本文以合肥市冬季典型重污染天气为对象，综合大数据和计算机模拟技术，探讨气象因子对合肥市冬季典型重污染天气分布状况的影响.在数据分析中,首次对年均和季节两个时间段中的气象因子进行了测试，根据宏观气象因子的数量与微观景观格局间的不同，探讨出气象因子分布格局与合肥市冬季典型重污染天气特征的关系.

1 重污染天气的计算机模拟数据处理与分析

1.1 气象因子数据处理

在美国地质勘探局(USGS)全球可视化浏览网站下载合肥市群2016年5月30日时的遥感拍摄数据，并从中选择8个分辨率为30 m的波段数据进行合成.通过ENVI处理软件对得到的影像实施了校正、裁剪等处理，再结合所选择的研究区域内的气象因子分布特点，利用最大似然法把合成影像依次分类成水域、建设用地、绿地等.合肥市群及其生态绿心区气象因子履盖分类与统计结果见表1.用A表示合肥市群全区土地总面积.

表1 合肥市群内各类气象因子多少占比

1.2 气象因子景观格局分析

气象因子主要从微观层面对不用地区的天气情况进行反映，而景观格局则是从宏观层面上分析地区的土地要素状况.结合合肥市群分布特征及其空间幅度，选择了景观蔓延度指标(CONTAG)、类型斑块面积比(PLAND)、周长面积维度指标(PAFRAC)，散布及并列指标(IJI)、香农多样化指标(SHDI)与聚合性指标(AI)来量化区内气象因子特征.景观指数表达式及含义说明如下：

(1)

(2)

(3)

(4)

(5)

(6)

式(1)～(6)中，i,k=1,2,…,m是各斑块类型序列；j=1,2,…,n代表斑块序列；pij与aij代表第i个斑块的第j个斑块的面积及周长；N是斑块数量；gik代表斑块i与k邻近网格单元总数；gii与giimax是斑块类型i包含的各个斑块邻接数量及最大邻接数.eik代表斑块类型i和k达到的边界总长度；E是包含背景的景观边界总长；CONTAG体现出景观的各个斑块不同类型，各网格单元的聚集情况，该值越大表示斑块离散程度越低.PAFRAC代表景观外形复杂性，介于1～2之间，该值越小则代表外形越简单.采用IJI体现景观斑块具有的总离散状况，该值越大对应的离散程度越高.AI代表示同类斑块凝聚情况，该值越大代表凝聚程度越高.SHDI体现了景观类型的多样性，该值越小，气象因子数量也越少，破碎程度也越低.

2 气象因子对合肥市冬季典型重污染天气影响分析

图1为2013年合肥市冬季典型重污染天气程度月均值曲线.根据图1数据可以发现，城市群中的PM10与PM2.5在不考虑气象因子数量的条件下表现为同一浓度变化规律，具有冬、秋季高而夏、春季低的特点,其中在10月期间到达最高浓度，并在7月时到达最低值.O3在冬季时浓度最小，并在2月时达到最小的46 μg·m-3；而其它三个季节中都具有较高的浓度，并且10月达到最高.NO2浓度变化规律与PM10和PM2.5相似，12月时达到最大，而7月最低.

图1 2016年合肥市冬季典型重污染天气程度月均变化趋势

相对湿度作为影响大气污染物浓度的一个重要气象要素，在湿度较大的环境中，大气污染物特别是PM2.5的吸湿增长速度较快，导致污染物浓度增加，加剧大气污染程度.由图2(a)可知，此次污染过程18日至21日期间，相对湿度处于一个较高水平，在19日21时至21日21时相对湿度达到最大，最高为95%，此时段PM2.5浓度也达到峰值，空气污染最为严重.随后，相对湿度开始下降，在22日15时下降到33%,PM2.5浓度同时快速下降，空气质量好转，表明空气湿度与污染的发生和转变关系密切.在该污染过程中，气温日夜变化较为明显，最高温度10.7 ℃，最低气温为3.3 ℃.18日至21日，气压总体较高，基本处于均压场，形成小风静稳的天气条件，导致本地污染排放快速积累.其中，风速大小影响着污染物的水平扩散传输，风速越大，污染物扩散速度越快.从图2(b)风速的小时变化图中可以看出，在污染开始累积前，合肥市的小时平均风速较大；在污染物浓度开始逐渐增加并达到峰值阶段，风速明显减小并维持在0～0.5 m·s-1.

相对不区分气象因子而言，图3表明：合肥市群不同浓度的气象因子与合肥市冬季典型重污染天气程度间的响应关系存在差异.综合分析气象因子分类结果和合肥市冬季典型重污染天气程度空间分布格局可知，合肥市群核心城区中的建设用地区域具有最高的NO2浓度,具有较低NO2浓度的地区是位于西南区域的林地与绿地，同时该城市群建设用地的平均NO2浓度也高于林地、建设用地O3浓度相对大面积集中区明显低于非集中零散分布小区，总体呈现外围高、中心低的趋势.

表2PLAND与合肥市冬季典型重污染天气程度相关性分析结果，进一步定量证实了气象因子对合肥市冬季典型重污染天气程度的影响.不同时间气象因子与各合肥市冬季典型重污染天气污染物浓度相关性具有显著差异.对数据进行总体分析可知,合肥市群气象因子占比中NO2和PM2.5浓度表现为正相关，并与O3浓度表现为负相关，可以得到相关性高低的顺序是NO2>PM2.5>O3.表2说明合肥市群气象因子,对合肥市冬季典型重污染天气污染物浓度变化的影响具有明显季节效应.

(a)气温和相对湿度

(b)气压和风速

(a)NO2

(b)PM10

(c)O3

(d)PM2.5

表2 合肥市群各类型土地占比(PLAND)与合肥市冬季典型重污染天气程度的相关系数

3 结论

本文运用大数据和计算机模拟技术首次从年均与季节时间上分析了各气象因子分布情况，并且分别从宏观与微观层面探讨了各气象因子格局跟合肥市冬季典型重污染天气程度特征之间的关系.实验结果表明：气象因子对合肥市冬季典型重污染天气程度的空间分布具有一定的影响.气象因子占比越大，NO2、PM2.5浓度越高、O3浓度越低；微观气象因子类型与宏观景观格局都会使PM10、NO2、PM2.5及O3的浓度发生改变，并与年均与季节分析时间气象因子之间存在较大关系.