安徽省臭氧污染特征及其气象成因

石春娥，杨关盈，张 浩，张宏群，余金龙，黄 勇，张晓红

（1.安徽省气象科学研究所 安徽省大气科学与卫星遥感重点实验室，合肥 230031；2.中国气象局淮河流域典型农田生态气象野外科学试验基地，安徽寿县 232200）

近地层臭氧（O3）是一种光化学氧化剂，也是光化学烟雾的主要成分，它是由挥发性有机化合物（volatile organic compounds，VOC）和氮氧化物（NOx）等前体物在适当的光照条件下经过复杂的光化学反应生成。对流层O3背景浓度一般低于5×10-5（体积分数，约为106μg/m3）；受人类活动影响，城市附近O3浓度普遍较高，可达1×10-4（211 μg/m3），发生光化学烟雾时可达 （2～4） ×10-4（422～844 μg/m3）[1]。

近地层高O3浓度的危害很多[1]。O3具有强氧化性，不仅影响人体健康，还会导致农业减产，影响农产品品质[2-3]。对流层O3还是一种重要的温室气体，其浓度变化是引起气候变化的重要因子，它为云雨水的酸化提供了氧化剂，导致酸雨的形成；高浓度O3还可加速塑料老化，使材料受损[1]。因此，O3污染形成的光化学反应机理、人体健康效应、区域传输作用及治理方法早就受到中外科学家的关注。其中，探讨气象要素的影响是认识O3污染形成规律的重要方面。

中国学者很早就开始关注O3污染的特征及其形成机制，并开展了大量的观测和模拟研究工作。但早期的研究主要集中于京津冀[4-5]、长三角[6-7]、珠三角[8]等城市群及区域背景地区，如瓦里关[9]、临安[10-11]和部分高山，如黄山、泰山[12]。自2013年开始，国家生态环境部在全国74个重点城市开展6 种主要大气污染物 （SO2、NO2、PM10、PM2.5、O3、CO）的在线监测，到2015年，已扩展到所有地级以上城市。这为实时监测和了解全国各地O3污染特征及开展相关研究提供了便利。基于上述资料，中国学者对中国不同地区的O3特征及有关规律进行了大量的研究[13-17]，进一步加深了对中国O3污染特征的认识。自2013年起，中国以降低PM2.5为首要目标的大气污染防治措施开始实施，并取得了显著的成效，但近地表O3污染问题却显得愈发突出，O3已经成为夏季首要大气污染物。从O3浓度的变化上看，华东地区有明显的月变化，5—9月浓度较高，冬季浓度较低，而华南地区除了1—2月较低外，其他月份变化不大[13]。受气候条件影响，即使在同一个区域，不同年份、不同城市的O3污染也会呈现不同的变化规律，如京津冀2014—2015年O3浓度与超标情况年变化呈单峰型，峰值出现在5月；而2016—2017年呈不规则的双峰型，峰值出现在5—6月和9月；同属华北地区的北京、天津、石家庄出现O3污染的气象要素阈值也不相同[15]。在不同的大气环流形势下，上海O3的生成机制不同[17]。可见，由于中国南北、东西跨度大，各地生态条件、工农业布局差异较大，不同地区O3浓度的变化规律、形成机制也不尽相同。因此，针对不同地区的O3污染特征及气象成因必须开展有针对性的研究。

安徽省位于长江三角洲的西部。近年来，随着PM2.5污染减轻，安徽省O3浓度超标的天数呈逐年增多趋势，2016年O3浓度较2015年有大幅度升高[14]。受观测资料限制，以往对安徽省O3污染特征及形成机制等的相关研究不多。本文利用生态环境部实时监测资料分析了2016—2019年安徽省O3污染变化趋势，并对2017—2019年安徽省城市O3污染的时空分布特征、易于形成O3污染的局地气象条件以及输送路径进行分析，以期得到安徽省城市O3污染形成的关键气象因子，为开展O3污染预测、预报和治理提供依据。

1 资料与方法

1.1 研究区域

安徽省地处长江、淮河中下游，东邻江苏、浙江两省，西接河南、湖北，南邻江西，北靠山东（图1）。安徽省地形复杂，地势西南高、东北低，地貌以平原、丘陵和山地为主。长江、淮河横贯东西，将全省划分为淮北平原、江淮丘陵和皖南山区三大自然区。安徽省东西（南北）跨度接近6个经（纬）度，属于由北亚热带向暖温带过渡的南北气候过渡带。境内城市大气污染表现出显著的区域性特点，整体呈皖北和中部高、皖南低的态势[18]。

图1 研究区域示意图Fig.1 Sketch map of study area

1.2 使用资料

安徽省现有16个地级市（图1），各市分别有2～10个空气质量监测站（国控站），主要分布在地级市市内或市郊，2015年初，所有测站均开展了包括O3在内的6种大气污染物浓度实时监测。文中使用资料包括：

（1）空气质量数据：2016年1月—2019年9月主要大气污染物逐时浓度资料，来自国家生态环境部实时监测数据网①http://106.37.208.233:20035/。根据《环境空气质量标准》（GB 3095—2012）[19]和《环境空气质量指数（AQI）技术规定（试行）》（HJ 633—2012）[20]，O3污染程度评价指标有日最高小时浓度（O3-1h）和日最高8 h平均浓度（O3-8h）。首先，根据《环境空气质量评价技术规范（试行）》（HJ 663—2013）[21]的O3浓度数据规范与标准，对O3数据的有效性进行质量控制，将由于停电、仪器校准等原因造成的缺测或为0的部分时段数据剔除。由站点1 h平均浓度（O3-1h）和8 h平均浓度（O3-8h）计算城市平均的O3-1h和O3-8h，在此基础上得到各市日最高O3-1h和日最高O3-8h。2016年1月—2019年9月，各市有效O3-1h数据为31 560 h（安庆）～33 868 h（滁州），有效率为90.0%～96.6%，14个城市的数据有效率超过95%；O3-8h数据的有效率优于O3-1h，安庆、淮南分别为92.6%和93.9%，其余城市均大于96%，最大为96.7%。日最大O3-8h的有效天数为1 360（安庆、池州、淮南）～1 363 d，有效率为99.3%～99.6%。各市4—9月的数据都比较完整，仅缺2018年9月最后4 d和2019年9月最后1 d。

（2）地面气象观测资料。包括各市气象观测站逐时气温、相对湿度、风向风速、降雨量等，来自安徽省气象信息中心，数据无缺测。

（3）用于计算气团后向轨迹的格点资料为美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration，NOAA）GDAS1（global data assimilation system，分辨率：水平1°×1°，垂直方向从地面到20 hPa分为23层，时间：3 h/次）。

1.3 分析方法

根据统计，安徽省的O3污染主要表现为O3-8h超标，因此，本文选用O3-8h作为评价指标。根据参考文献[20]，O3-8h可划分为5 个等级：优（1～100 μg/m3）、良（101～160 μg/m3）、轻度污染（161～215 μg/m3）、中度污染 （216～265 μg/m3） 和重度及以上污染（大于265 μg/m3）。根据这个标准，计算各市逐日O3-8h等级。

选取2016年10月—2019年9月，分析O3-8h超标天数和平均浓度年变化。

选取O3污染高发的夏半年（4—9月），分析O3-8h超标天数空间分布和O3浓度日变化，及O3-8h和超标率等与气象要素的关系。根据近地层O3生成机制，影响近地层O3生成的气象因子主要有气温和湿度，湿度对辐射传输有影响，气温是反映太阳辐射强弱的重要指标，风向、风速影响污染物的扩散和传输方向。因此，分析了白天（12—19时）的平均气温（Tave）、平均相对湿度（RHave）和平均风速（Vave）及15时的气温（T15）、相对湿度（RH15）和风速（V15）对O3-8h的影响，其中，T15代表最高气温，RH15代表最低相对湿度。用最小二乘法计算上述6个要素与O3-8h的线性相关系数，以及不同T15、RH15、V15档O3-8h超标率和平均浓度。选择12—19时平均作为白天平均，是因为平均情况下，这个时段的O3浓度最高。为排除降水的影响，计算了各市非降水日O3-8h超标率，当某日12—19时之间有降水即定为一个降水日，2017—2019年的4—9月，各地非降水日的比例黄山市最低（87.8%），蚌埠最高（94.9%），沿江到江淮之间为89%～93%，沿淮淮北为93%～95%。

O3及其前体物还可以随气流运动而进行区域及远程传输从而扩大影响范围[5，17，22]。为研究输送条件对安徽省O3污染的影响，采用气团后向轨迹分析、聚类分析与统计分析相结合的方法研究输送条件对O3污染高发区代表性城市O3-8h的影响。气团后向轨迹分析法常和聚类分析法一起用来研究输送条件对一个地区大气污染物的影响[23]。

根据统计结果，选取淮北和马鞍山作为O3污染高发区的代表性站点，用HYSPLIT模式[24]计算2017—2019年4—9月逐日影响气团后向轨迹。鉴于O3污染有明显的日变化特征，峰值一般出现在午后，轨迹起始时间为14时；已有研究表明O3输送主要发生在边界层中上部，轨迹起始高度设为1 000 m，轨迹时长为72 h。然后对所有轨迹进行聚类[25]。在聚类分析的基础上，对每一组内轨迹所对应的O3-8h进行统计分析，统计量包括平均值、中位值、最大值、最小值、第一（P25）和第三（P75）四分位值等，在此基础上制作了箱线图。

2 结果讨论

2.1 安徽省O3污染时空分布特征

统计各城市2016年1月—2019年9月逐日的O3-8h等级，各市O3-8h轻度污染等级占所有O3超标天数的86%～100%，16市平均为90%。因此，安徽省的O3污染主要表现为O3-8h超标，且以轻度污染为主。图2为2016年1月—2019年9月安徽省16市逐月平均O3-8h超标天数。由图可见，O3污染主要集中在夏半年（4—9月）, 一般4月开始出现，5—6月最多，6月达到峰值。2016—2017年，O3污染天数呈迅速增多的趋势。从4—9月总污染天数看，2016年和2017年16市平均污染天数分别为17.19 d和35.87 d。2017—2019年污染天数变化幅度较小，2018年和2019年4—9月的O3超标总天数分别为35.56 d和41.56 d。因此，用2017—2019年4—9月的资料分析安徽省O3污染的空间分布、日变化及其与气象要素的关系。

图2 2016年1月至2019年9月安徽省16市逐月平均O3污染天数Fig.2 Average days of O3 pollution in 16 cities of Anhui Province from January 2016 to September 2019

2.1.1 空间分布

2017—2019年夏半年，安徽省各市均出现了O3污染（图3）。综合图1与图3，安徽省O3污染天数呈北多南少、东多西少的分布态势，南北差异显著。这3年有7个城市年均O3-8h超标天数超过55 d，分别为淮北（66.0 d）、宿州（63.7 d）、马鞍山（62.0 d）、芜湖（59.0 d）、滁州（56.0 d）、亳州（56.0 d）、淮南（56.0 d）；而江南的宣城和黄山低于10.0 d。对照图1，可知安徽省有2个O3污染高发区，分别位于淮河以北北部，以淮北、宿州为代表，年均超标天数超过60 d，3年平均非降水日O3-8h超标比例分别为42%（淮北市）和40%（宿州市）；沿江东部，以马鞍山市和芜湖市为代表，非降水日O3-8h超标比例均为38.5%。从图3还可以看出，从2017年到2019年，淮北西部城市（如阜阳市、亳州市）和沿江西部城市（安庆市、池州市）O3-8h超标天数呈明显的上升趋势，黄山市在2017年和2018年未出现O3-8h超标，2019年O3-8h超标天数为7 d，说明2019年安徽省O3-8h超标天数空间差异缩小。进一步计算2017—2019年每2年间16个城市O3-8h超标天数的相关系数，发现2018年与2017年的线性相关系数达0.87，而2019年与前2年的相关系数下降，分别为0.68和0.75，都已通过了置信水平为99%的显著性检验，说明逐年的空间分布无明显差异，但2017、2018年O3-8h超标天数的空间分布形势更为接近。

图3 2017—2019逐年4—9月各市O3-8h超标天数Fig.3 Days of O3 pollution in different cities from April to September of 2017—2019

2.1.2 年变化

图4为2016年10月—2019年9月资料得到的16市平均的O3-8h超标天数年变化。从这3年平均看，6月最多，5月次之，8月略多于9月，4—9月的总O3-8h超标天数占全年的95%。从月平均看（图5），各市O3-8h年变化基本上都呈双峰型分布，安庆、池州和黄山市的第一个峰值在5月，宣城市的第一个峰值在4月，其他城市第一个峰值都在6月，第二个峰值在8月或9月。7月是一个谷值，可能与7月为梅雨季有关。沿江江南除了芜湖市和马鞍山市，其他城市2个峰值大小比较接近，而沿淮淮北和江淮之间大部分城市2个峰值差异显著。总之，尽管月均浓度都呈双峰分布，但南、北差异较大。

图4 2016年10月—2019年9月安徽省16市平均O3污染天数年变化Fig.4 Monthly variation of average O3 pollution days in 16 cities from October 2016 to September 2019

图5 2016年10月—2019年9月安徽省各地市O3-8h月均浓度Fig.5 Monthly average concentration of O3-8h in all cities of Anhui from October 2016 to September 2019

2.1.3 日变化

图6给出了16个城市平均的2017—2019年4—9月O3和PM2.5浓度日变化，分别计算了O3-8h超标日平均和总体平均，是每个城市单独计算后再平均的结果。O3浓度具有明显的日变化，早上7点是O3浓度谷值，日出后开始上升，15时达到峰值。O3-8h超标日的平均峰值浓度比总平均的峰值高40%[图6 （a）]。由图6（b）可见，O3-8h超标日PM2.5浓度日变化各时的浓度显著高于总体平均浓度，可见，有O3污染和PM2.5污染同时出现的现象，间接说明O3的氧化性有助于大气细粒子生成。如果定义O3-8h超标日白天某个时次PM2.5浓度高于75 μg/m3（PM2.5达到轻度污染日均浓度的临界值）为光化学烟雾日，则2017—2019年，除了黄山市，其余各地级市都有光化学烟雾出现（表1），次数最多的为宿州市、淮北市和滁州市，均超过30 d。3年比较，呈减少趋势，2019年显著低于前2年，16市平均比较，3年分别为8.37 d（2017年）、5.94 d（2018年）、1.25 d（2019年）。

图6 2017—2019年4—9月安徽省16市平均O3浓度日变化（a）和PM2.5浓度日变化（b）Fig.6 Daily variation of ozone concentration(a)and PM2.5 concentration(b)from April to September in 2017—2019,average over 16 cities of Anhui Province

表1 2017—2019年4—9月各市出现光化学烟雾天数Table 1 Days of photochemical smog in each city from April to September of 2017 to 2019（单位：d）

2.2 2017—2019年夏半年（4—9月）安徽省O3污染局地气象条件

2.2.1 O3污染与地面气温、相对湿度和风速的相关分析

为查明导致O3污染的局地气象条件，首先分季节做了 O3-8h与Tave、RHave、Vave、T15、RH15和V15的相关分析，春季为3—5月，夏季为6—8月，秋季为9—11月，冬季为12—次年2月。总体上，O3-8h与气温呈显著正相关，与相对湿度呈显著负相关，与风速的相关性不显著，说明风的作用比较复杂。高温、低湿有利于O3生成，但相关程度存在季节和地区差异。从季节上看，春、秋季，O3-8h与气温的相关系数（rT）最大，除了个别城市外，都大于0.6，而与相对湿度的相关系数（rRH）绝对值小于0.6；夏季，rT小于0.6，而rRH绝对值大多为0.6～0.8，可见夏季O3浓度与相对湿度的相关性更大；冬季rT和rRH绝对值都小于其他季节，但rRH绝对值大于rT。从空间上看，黄山市和宣城市的rT在各季节都小于其他地市，夏季rRH绝对值小于其他城市，而在春、秋季与其他地级市相比偏大，说明黄山市和宣城市的O3污染形成机制可能与其他城市不同。

图7给出了各市2017—2019年4—9月O3-8h与T15、RH15和V15的相关系数（样本数均大于540），除了位于皖南的黄山市和宣城市，各市O3-8h与T15的相关系数均大于0.22，通过了置信度99%的线性相关性检验，但城市相关系数之间差异较大，总体上，淮河以北城市相关系数较大，最大的是宿州市（0.54），沿江西部和江南相关系数较小，最小的3个城市是黄山市、宣城市和安庆市；各市O3-8h与RH15相关系数为-0.69（阜阳）～-0.44（六安），城市间差异较小。O3-8h与地面风速相关性不明显，相关系数有正有负，均不显著，说明风速对地面O3浓度的影响比较复杂。O3-8h与白天平均气象要素（气温、相对湿度、风速）的相关系数和与15时各要素的相关系数接近。

图7 2017—2019年4—9月O3-8h与T15、RH15、V15的相关系数Fig.7 Correlation coefficients of O3-8h with T15,RH15,and V15 respectively,from April to September of 2017 to 2019

2.2.2 O3-8h超标率随日最高气温与最低相对湿度的变化

尽管O3-8h与气温和相对湿度存在显著的正相关或负相关关系，然而，由于O3生成的机理复杂，O3-8h与气温（相对湿度）并不是简单的线性关系。因此，根据4—9月气温和相对湿度的情况，把日最高气温（T15）和最低相对湿度（RH15）分别分为7档，具体见表2。T15超过36℃的天数最少，低于25℃的天数最多。各RH15档的天数分布相对较均匀，RH15在50%～60%天数最多，超过80%的两档天数较少。

当T15低于25℃时，各地O3-8h超标率均较低（5%左右）。同一城市，O3-8h超标率随T15和Tave的变化规律相似。随着T15的上升，不同城市O3-8h超标率变化规律不尽相同。O3-8h超标率随T15变化的共性：（1）淮河以北3个城市O3-8h超标率随T15的变化趋势接近[图8（a）]。当T15在30℃以下，O3-8h超标率随着T15上升而迅速升高，当T15超过30℃，O3-8h超标率变化缓慢，平均而言，当T15超过30℃，O3-8h超标率维持在50%～60%，当T15超过36℃时，宿州O3-8h超标率可达74%。（2）江淮之间和沿江东部3个城市（图8b），O3-8h超标率随T15的变化趋势接近。当T15低于30℃时，O3-8h超标率随T15升高而迅速上升，当T15超过28，O3-8h超标率变化平缓，在T15为30～32℃时达到峰值（50%上下），芜湖市峰值最高，为54%，而在T15为34～36℃时为一谷值（34%左右），当T15超过36℃时，超标率持续上升。（3）其他城市（图略），O3-8h超标率低于前两类城市，共同之处是，当T15低于32℃时，O3-8h超标率随T15升高而迅速上升。当T15超过32℃时，变化趋势不同，大部分城市在34～36℃时超标率存在一低谷，如合肥、淮南、池州、铜陵、宣城等；也有城市O3-8h超标率经历峰值后持续下降，如阜阳、蚌埠、安庆、六安、黄山。说明气温对O3污染的影响也比较复杂，一方面气温上升，光化学反应加强；另一方面，气温上升会导致对流活动加剧，混合层厚度上升，有利于近地层污染物的扩散稀释，从而降低O3及其前体物浓度。

表2 日最高气温和最低相对湿度分档情况及各档总天数（所有城市平均）Table 2 Classification of daily maximum temperature and minimum relative humidity and total days of each class(average over all cities)

总之，当T15低于30℃时，大部分城市的O3-8h超标率会随着T15上升而迅速升高，在30～32℃时达到O3-8h超标率的峰值。O3-8h平均值的变化规律与超标率一致。

图8 不同日最高温度段O3-8h超标率Fig.8 Rate of O3-8h pollution in different ranges of daily maximum temperature

总体上，O3-8h超标率随最低相对湿度（RH15）的上升而下降，也就是说，高湿不利于O3生成，当RH15超过60%时，O3-8h超标率基本都低于20%，但RH15从低于40%上升到60%，各城市O3-8h超标率的变化趋势可以分为2类：第一类为单调下降型[图9（a）]，主要包括淮河以北4个城市，O3-8h超标率几乎单调下降，在RH15≤40%时，O3-8h超标率大于50%，最高可达63%（宿州），当RH15在50%～60%时，这4个城市的平均O3-8h超标率差异较大，变化范围为14%（阜阳）～48%（淮北）；第二类为先升后降型[图9（b）]，主要包括江淮之间到沿江东部的5个城市和蚌埠，当RH15≤40%时，O3-8h超标率为36%～50%，当RH15为40%～50%时，O3-8h超标率达到峰值，大部分峰值超过50%，最高可达65%（滁州）；其他城市O3-8h超标率总体比较低（图略），铜陵和六安变化趋势属于先升后降型，其他城市属于单调下降型。从城市个数看，2种类型各占一半。

图9 不同日最低相对湿度段O3-8h超标率Fig.9 Rate of O3-8h pollution in different ranges of daily minimum relative humidity

2.2.3 地面风速对O3污染的影响

尽管各市O3-8h与风速不存在显著的相关性，仍计算了不同风速档（15时和白天平均，V≤2 m/s，2.1m/s≤V≤3m/s，3.1m/s≤V≤4m/s，4.1m/s≤V≤5m/s，V＞5 m/s）、不同白天主导风向下的O3-8h超标率，各地表现不同，但可分为以下几类：

（1）O3-8h超标率在前三风速档差别不大，第4档（4～5 m/s）最高。这一类有淮北、宿州、马鞍山和池州，其中，淮北、宿州和马鞍山是O3-8h超标次数最多的3个城市。

（2） O3-8h超标率在第2风速档 （2～3 m/s） 最高。这一类有合肥、铜陵、阜阳、六安、宣城。

（3） O3-8h超标率在第3风速档 （3～4 m/s） 最高。这一类有淮南和安庆。

（4）O3-8h超标率随风速上升而下降。这一类有芜湖、滁州、亳州、蚌埠。

图10给出了以上4类中的代表城市O3-8h超标率及平均浓度随风速的变化规律，二者并不完全一致。当平均风速超过5 m/s时,O3-8h超标率显著下降。

图10 淮北、淮南、合肥、芜湖O3-8h超标率（a）及平均浓度（b）随风速的变化Fig.10 Variation of O3-8h exceedance rate(a)and average concentration(b)with wind speed in Huaibei,Huainan,Hefei and Wuhu

2.2.4 地面气象要素的综合影响

综上所述，当日最高气温超过30℃，最低相对湿度低于60%，O3-8h超标率显著上升。风速对各地O3-8h超标率影响差异较大，但有一个共性，即当白天平均风速超过5 m/s时，O3-8h超标率显著下降。因此，定义T15超过30℃为高温天气，RH15低于60%为低湿天，统计了每年4—9月高温和低湿天数（图11）。与2018年同期相比，2019年沿淮淮北高温天数显著上升，增加最多的是阜阳和亳州，分别增加13 d、15 d；江淮之间变化不大；沿江江南减少[图11（a）]。与前2年相比，2019年全省各市相对湿度下降，低湿天气显著增多[图11（b）]，与2018年相比，各市增加5 d（宣城）～39 d（阜阳）。增加超过30 d的还有蚌埠（36 d）、六安（31 d）、马鞍山（31 d）、亳州（30 d）。如果进一步统计高温且低湿天数，仅池州、芜湖和宣城分别减少了6、1 d和8 d，其余城市均增多，增幅最大的3个城市是阜阳（30 d）、亳州（23 d）和蚌埠（23 d），省会合肥增加了13 d（图表略）。如果把O3-8h超标天数增加归因于高温且低湿天数增加，仅有9个城市满足这个规律，即使再考虑风速变化的影响（如满足高温、低湿和风速低于5 m/s），结果并没有变化。这说明影响O3污染形成的气象条件不止是地面温度、湿度和风速。

根据2017—2019年的资料统计各市高温、低湿天数年变化，各市都是7、8月高温日最多，但江淮之间到沿淮淮北城市7月低湿天数明显少于其他月份；而6月的高温天数和低湿天数都是各月中最多。考虑到安徽省O3污染北多南少的分布态势，不难理解为什么图4中6月为O3-8h超标最多的月份。

图11 2017—2019年4—9月安徽省各市高温天数（a）与低湿天数（b）年际变化Fig.11 Interannual changes of days with high temperature(a)or low humidity(b)from April to September of 2017 to 2019

2.3 夏半年O3输送路径分析

根据前文分析发现，安徽省有2个O3污染高发区，且其中次数最多的3个城市（淮北、宿州、马鞍山）风速4～5 m/s区间O3-8h超标率最高，这说明这些城市的O3污染可能与远程输送或区域输送有关。因此，选择O3污染次数最多的淮北市和马鞍山市为例分析O3的输送路径。

夏半年影响淮北市和马鞍山市的气团路径分别有6类（图12、图13），其中，淮北的6组轨迹中有5组出现O3-8h超标，马鞍山每一组都有O3-8h超标，各类轨迹对应的O3-8h超标率见表3。由表3、图12和图13可见，各组轨迹对应的O3-8h超标天数和超标率、O3-8h浓度中位值和均值均有显著差异。可见，边界层内输送条件对O3-8h浓度有显著影响。

由图12可见，淮北市来自东北方向的2组轨迹（第1、3组），尤其是长度短的第1组（G1-NE），对应的O3-8h超标天数最多，达97 d，日最高O3-8h中位值最大 （160 μg/m3，O3-8h超标的最低限值），说明该组有一半样本O3-8h超标；其次是东北方向的长轨迹组（第3组，G3-NE），尽管平均轨迹相对较长，这一组日最高O3-8h中位值第2高（158.67 μg/m3，接近轻度污染的最低限值），超标率第2高（46.3%），O3-8h超标天数占总超标天数的19.3%。西南方向的第4组和东南方向的第5组轨迹对应的O3污染比例较低，均低于25%；中位值最低的是第6组（129.67 μg/m3），该组无O3-8h超标。可见东北方向和东北方向的轨迹（或者说气团）属于不利输送路径，容易出现O3污染。

图12 淮北市2017—2019年夏半年逐日14时1 000 m高度输送路径分类（a）及各类轨迹对应的O3-8h统计结果（b）Fig.12 Distribution of cluster-mean back trajectories at 1 000 m in Huaibei for 14:00 of summer seasons from 2017 to 2019(a)and the statistics of O3-8h among each cluster(b)

图13 马鞍山市2017—2019年夏半年逐日14时1 000 m高度输送路径分类（a）及各类轨迹对应的O3-8h统计结果（b）Fig.13 Distribution of cluster-mean back trajectories at 1 000 m in Ma’anshan for 14:00 of summer seasons from 2017 to 2019(a)and the statistics of O3-8h among each cluster(b)

马鞍山市（图13）偏西方向的第4组轨迹对应的O3-8h超标天数最多（69 d），其次是偏东方向的第3组（68 d），但东北方向（G6-NE）、偏东方（G3-E）和偏西方向（G4-W）的轨迹组出现的O3-8h超标的几率接近（44%～47%），O3-8h的均值和中位值接近，其中偏东轨迹对应的百分比最高（46.6%），另外3个方向的轨迹组对应的O3-8h超标几率均低于20%，说明马鞍山的偏东、偏西和偏东北方向的轨迹均有利于出现O3污染。

淮北和马鞍山O3污染高发的输送轨迹以东北和偏东方向为主，这是可以理解的，因为安徽省东边的江苏和北边的山东O3前体物（NOx）年排放量分别约是安徽省年排放量的1.5和2倍[26]。另外，马鞍山偏西方向的轨迹组（G4-W）大部分位于安徽本省，反映了省内区域传输的影响，这一类轨迹对应的O3-8h超标天数各组中最多，占总超标天数的37%。

与2017年和2018年相比，淮北市2019年第1、2、3类轨迹增多，尤其是第1类，马鞍山2019年第3、6类轨迹增多，说明两市2019年不利输送条件均增多（图14）。然而，由图3显示，淮北市2019年O3-8h超标天数与2018年持平，马鞍山市2019年O3-8h超标天数比2018年多，但比2017年少。结合2019年高温、低湿天气增多的事实，这一方面说明近地层O3形成机制复杂，另一方面可能间接说明区域范围内源排放在下降。

表3 淮北市和马鞍山市各轨迹组O3-8h超标率和出现次数Table 3 Rate of O3 pollution and occurrence times in trajectory groups of Huaibei and Ma’anshan

图14 2017—2019年每年夏半年淮北市（a）和马鞍山市（b）各组轨迹出现次数Fig.14 The number of back-trajectories in each group in Huaibei City(a)and Ma'anshan City(b)in each summer season from 2017 to 2019

3 结论

（1）安徽省城市O3污染主要表现为8 h均值（O3-8h）超标，有O3-8h和PM2.5同时超标的现象。2017—2019年，安徽省O3-8h超标天数呈北多南少、东多西少的分布态势，空间差异显著，有2个O3污染高发区，分别位于淮河以北北部和沿江东部,年均超标天数超过60 d，江南是O3污染低发区，年均超标天数低于10 d。O3浓度有明显的年变化和日变化，年变化表现为双峰型，主峰在6月，次峰在8月或9月，夏半年的O3污染日占全年的95%。O3浓度日变化为单峰型，峰值在15时，谷值在07时。

（2）高温、低湿和适当的风速有利于形成O3污染。当日最高气温超过30℃（淮河以北）或28（江淮之间和沿江东部），最低相对湿度低于60%，风速在2～4 m/s时，有利于O3污染形成。

（3）气温和相对湿度对O3-8h超标率的影响与地域有关：①淮河以北北部，O3-8h超标率随日T15上升而升高，无明显峰值；O3-8h超标率随RH15的升高而下降，当RH15＞60%，O3-8h超标率下降到20%以下；②沿江东部，O3-8h超标率在日最高气温为30～32℃时达到峰值；随着日最低相对湿度上升先升后降，峰值出现在相对湿度为40%～50%处。

（4）风速对O3-8h超标率的影响与地域无关，当风速＞5 m/s时，O3-8h超标率迅速下降；大部分城市O3-8h超标率随着风速上升略有升高，峰值出现在2～3 m/s或3～4 m/s处；在两个O3污染高发区的代表性城市（淮北和马鞍山），风速在4 m/s以下，O3-8h超标率变化不大，O3-8h超标率峰值出现在4～5 m/s处。

（5）O3污染高发区代表性城市气团后向轨迹分析结果表明，O3污染与不利的输送条件密切相关，主要输送路径包括东北方向和偏东方向。