基于无人机观测的太原夏季PM2.5垂直分布特征及成因分析

2021-09-25汪文雅郭伟王雁陈玲王淑敏成鹏伟

气象科学 2021年4期

汪文雅郭伟王雁陈玲王淑敏成鹏伟

(山西省气象科学研究所，太原 030002)

引言

大气细颗粒物(PM2.5)污染能显著降低大气能见度、影响太阳辐射，同时对人体健康及生态系统都有不利影响[1-2]。近年来，随着污染治理工作的不断深入，PM2.5浓度下降明显，但部分地区出现下降幅度变小，甚至反弹的现象[3]。PM2.5浓度受本地排放、气象条件、地形因素和区域输送共同影响[4-5]，在排放源不变的情况下，气象条件的变化是引起的PM2.5浓度变化最主要的原因。同时，由于PM2.5的积累和消散过程主要发生在边界层，PM2.5浓度受边界层内垂直和水平方向空气湍流运动共同影响[6]。分析颗粒物在边界层内垂直分布及变化规律可揭示重污染过程发生、发展、消除等的演变过程，有利于了解不同重污染过程的形成机理。传统大气垂直观测方法包括气象观测塔、探空气球、飞机观测等[7-9]，HAN， et al[10]利用天津250 m气象观测塔的观测数据研究发现夜间边界层高度对空气污染有重要影响；DING， et al[11]和YANG， et al[12]利用北京气象观测塔数据，发现PM2.5浓度随高度上升而迅速下降；而SUN， et al[13]指出，由于颗粒物吸湿增长作用，垂直方向上逆湿的存在可能会导致PM2.5浓度“下低上高”的情况出现。这些方法存在高度有限、地点限制、经费高昂等问题。

近年来，无人机正逐渐应用于大气环境的探测和研究工作，Reuder， et al[14]认为，小型无人机气象探测器可以弥补现有的大气观测系统中气象塔和无线电探空仪间的缺口；目前无人机已被用于监测气象数据[15-16]、大气结构[17]、颗粒物浓度[18-19]等，表现出成本低、效率高、检测范围精确等优势。Bonin， et al[20]利用无人机观测到傍晚边界层的垂直结构变化过程。国内应用无人机开展大气环境的研究也逐渐增加，曹云擎等[1]使用无人机在南京PM2.5污染期间进行垂直观测，发现外部输送和局部逆温是两次污染的主要原因；辛凯[21]利用无人机监测发现西安市广运潭PM2.5浓度最高处约在距离地面250 m附近；LU， et al[22]发现临安300～1 000 m高度的PM2.5浓度随高度递减且上午变化幅度明显大于下午；郭伟等[23]利用无人机对杭州市PM2.5的三维分布进行了观测，发现PM2.5浓度一般随高度增加而下降，并明显受气温影响；杨旭等[24]在天津市一次重污染期间利用无人机开展了边界层探空观测，得到边界层垂直结构和PM2.5质量浓度变化特征。这些研究初步探明了PM2.5在垂直方向的分布特征，但这些研究多集中于平原、城市等地区，对于盆地地形下PM2.5的垂直分布少有讨论，同时PM2.5在垂直方向的日变化特征也较少涉及。

太原市是京津冀大气污染传输通道“2+26”城市之一，同时位于汾渭平原北端，东北西三面环山，为盆地地形，区域大气污染严重，本文利用无人机及机载环境气象监测设备于2020年7月29—31日在太原进行飞行试验，针对太原市夏季细颗粒物在垂直方向上的积累与分布特征，以期了解盆地地区夏季PM2.5污染状况。

1 无人机观测实验和数据

1.1 无人机及机载环境气象监测系统

本次观测使用大疆经纬M210 V2型号四旋翼无人机，搭载一体化的多参数气象及环境监测设备，能够根据需要，对不同高度层进行观测，给出各观测要素的空间分布和垂直廓线。最大起飞重量5 kg，最大可承受风速12 m·s-1，载重最大飞行时间30 min。无人机旋翼半径625 mm，较大的旋翼半径，使得无人机飞行较平稳，且对探测仪器的影响较小，探测结果更为准确。无人机搭载的气象及环境监测设备为上海幻飞智控科技有限公司生产的多参数探测器。可观测气温、湿度等气象要素，PM2.5、PM10等环境要素。其中气温和相对湿度的精度分别为0.1 ℃和0.1%；PM2.5和PM10的探测方式为激光散射，探测精度为1 μg·m-3，量程为0～5 001 μg·m-3。

1.2 观测路线设计

本次无人机观测地点位于太原市南部的山西省观象台(37.73°N，112.55°E)，周边多为农田，小部分区域为工厂，场地平坦，四周没有高大建筑物遮挡，适合观测。

观测日期为2020年7月29—31日，每日观测4次，时间分别为10、12、14和16时(北京时，下同)，每次飞行时间约为20 min，飞机上升速度为1 m·s-1，最大探测高度为500 m。无人机以螺旋式向上飞行，分别在50、100、150、200、250、300、350、400、450和500 m高度处绕圈飞行，对每层数据进行采样，时间间隔为1 s。

1.3 数据

无人机从上升状态转换成悬停过程时，由于机身周围气流不稳定，可能造成所测数据异常，因此将每层悬停初始异常值去除，以提高数据准确性。同时使用2020年7月29—31日山西省观象台逐时相对湿度、风速、风向数据，用于分析气象要素对地面PM2.5浓度的影响。另外，使用美国环境预报中心(National Centers for Environmental Prediction，NECP)水平分辨率为1°×1°的FNL全球分析资料分析了无人机飞行期间影响太原的天气形势。

为了进一步分析太原市PM2.5浓度的来源和输送路径，本文使用HYSPLIT4后向轨迹模式，计算了无人机观测期间太原市逐时72 h后向轨迹。模式采用了全球资料同化系统(Global Data Assimilation System)分辨率为1°×1°的资料。

2 结果分析

2.1 气象要素分析

2.1.1 天气形势分析

天气形势对于污染物的累积和输送起着重要作用，为了解本次无人机试验期间的天气背景和气象成因，给出7月29—31日每日20时海平面气压场、风场和500 hPa高度场、风场(图1)，使用FNL资料。7月29日，太原500 hPa高空处于副热带高压588线附近，容易出现下沉气流，且风力微弱；地面处于低压前部，等压线稀疏，气压梯度较小，地面风为弱西南风，不利于污染物扩散；地面和高空的不利天气形势容易造成29日下午颗粒物的积累，导致PM2.5浓度逐渐上升。30日副热带高压东退，西部低槽东移，太原500 hPa处于槽前，上升运动发展；地面处于低压前，但气压梯度较29日增大，风速略增；对流发展和较大的风速有利于白天污染物的扩散和输送。31日太原500 hPa处于低槽底部，高空为较强西北气流；地面同样处于低压前部低压控制区，风速较小，风向为偏南风；高空带来的干冷空气导致的相对湿度大幅下降、低压区上下对流发展有利于近地面PM2.5浓度快速下降。

图1 7月29—31日500 hPa天气形势(左列)、海平面气压场(右列)Fig.1 500 hPa weather situation (left row) and sea level pressure (right row) from July 29 to 31

2.1.2 气象要素水平变化特征

选取无人机观测地点附近地面气象站7月29—31日的逐时海平面气压、气温、相对湿度、风速数据进行分析，图2为这些要素随时间的变化。可知，相对湿度和气温日变化为较规律的单峰单谷型，且二者呈明显的负相位特征，相对湿度夜间至凌晨维持在较高水平，16时左右最低，气温在此时升至最高。对比来看，29日凌晨至日出之前相对湿度低于30日和31日，但15时即达到日最低值，且较后两天最低值明显偏高，30日最低值出现在16时，31日17时才降至日最低值，同时也是3天中的最低值；29日高温持续到17时，30日16时后气温即开始下降，且降温幅度为3天中最大。风速没有明显日变化，其中30日16时至21时和31日22时出现了较大风速。30日上午海平面气压较29日和31日上午偏高，31日下降较快，18时至19时降至3天中最低。综上，29日下午相对湿度最高，30日16—20时风速较大，31日下午相对湿度最低，负变压最大。

图2 7月29—31日太原海平面气压(a)、气温(b)、相对湿度(c)、风速(d)随时间变化Fig.2 Temporal variation of: (a) sea level pressure，(b) air temperature，(c) relative humidity and(d) wind speed in Taiyuan from July 29 to 31

2.2 无人机监测结果

2.2.1 PM2.5浓度空间、时间变化特征

图3为7月29—31日无人机12次飞行测得的PM2.5浓度立体分布，将观测起点水平坐标赋为(0，0)，每层观测数据按逆时针方向均匀分布，水平坐标反映观测值与观测起点的相对位置，不仅反映了PM2.5浓度的空间分布，同时可以看出PM2.5随时间的变化特征。可知，在同一高度层上，PM2.5浓度水平分布不均匀，但PM2.5的垂直分布差异更为显著；不仅不同高度上PM2.5浓度有差异，一天中不同时刻的PM2.5垂直分布也有很大不同。垂直方向上，下午大部分时次PM2.5浓度呈“下高上低”状态，这与廖晓农等[25]观测塔观测结果一致，而“下低上高”一般出现在上午。同时PM2.5浓度随时间的变化符合一般日变化规律，即上午较高，14时左右降至最低，16时开始上升，夜间为PM2.5积累时段。研究表明[23，26]边界层高度对PM2.5浓度垂直分布影响显著，上午为边界层迅速发展阶段，大气对流增强，低层PM2.5向上传输，同时残留层中的PM2.5向下传输，这是一个边界层内上下层混合过程，因此容易出现PM2.5垂直分布“上高下低”；14时左右边界层高度达到一天内最高值，边界层内大气充分混合，此时PM2.5分布最为均匀且平均浓度最低，16时对流开始减弱，底层PM2.5又开始积累。

图3 7月29—31日每日四次(10、12、14、16时)无人机观测PM2.5浓度变化特征Fig.3 Three-dimensional variation characteristics of PM2.5 concentration observed by UAV four times a day (10∶00 BST， 12∶00 BST， 14∶00 BST， 16∶00 BST) from July 29 to 31

7月29日10时PM2.5浓度为3天同时段中最低，但上午至中午没有明显下降，14至16时PM2.5迅速积累，16时低层PM2.5浓度大幅上升至90 μg·m-3以上，此时上层浓度同样有所上升，但涨幅远小于下层，形成明显的“下高上低”形式。29日夜间PM2.5进一步累积，30日10时整层PM2.5浓度升至100 μg·m-3以上，12、14、16时PM2.5浓度逐渐下降。30日夜间PM2.5再次积累，31日10时各层PM2.5浓度在90～100 μg·m-3之间，12、14、16时PM2.5浓度下降，且下降速度中10、12和14时更快，14时各层PM2.5浓度已降至50 μg·m-3以下；浓度分布出现“下低上高”的情况，与SUN， et al[13]研究结果一致，除边界层垂直混合外，还可能是上层湿度大，颗粒物吸湿增长导致。

总体而言，29日为污染物积累过程，30日和31日白天均为消散过程，夜间均为积累过程。空气相对湿度大导致29日颗粒物逐渐累积；30日上午气压较高，天气晴朗，相对湿度下降较快，且下午16时开始风速较大，有利于颗粒物浓度下降，但夜间大气稳定，相对湿度较长时间维持在高值，导致PM2.5浓度迅速积累；31日白天地面变压幅度最大，气压较低，上升运动发展，形成较强对流，边界层高度较高，同时相对湿度相对最低，PM2.5浓度快速下降。

2.2.2 气象要素垂直廓线分析

将7月29—31日无人机飞行观测的每层相对湿度和气温进行平均，图4为其垂直廓线。可知，相对湿度一般随高度升高而上升，气温反之。7月29日4次飞行观测中，50～500 m高度层相对湿度随时间逐渐增大，这与图2地面监测结果相反，可能在此期间对流作用较强，边界层发展，上下层逐渐混合的过程中将低层湿空气带到上层，白天副热带高压西伸北抬(图1)，不断给上层空气带来丰富水汽；4次飞行中，各层呈气温随时间逐渐升高的趋势，与地面监测结果一致。30日4次飞行中，整层相对湿度10时最高，同时高于29日所有时次，12和14时明显下降且垂直梯度较小，说明此时大气混合较为均匀，16时最低，但16时200～300 m高度和12时350～400 m高度出现了明显逆湿，这可能是由于此时低层风速较大。31日10时相对湿度为12次飞行观测中最高值，且150～350 m高度均维持在80%以上，其上出现了逆湿，这是造成图3中本时次PM2.5浓度“下低上高”的原因，12、14、16时相对湿度大幅下降，14时和16时相对湿度达到3天中的最低值；10、12和14时低层气温垂直梯度较大，说明大气较不稳定，有利于对流的发展。所有飞行中，29日12时450 m、30日10时450 m、12时300～400 m、31日10时400 m、12时300 m、14时300 m和500 m、16时400 m出现了逆温。

图4 7月29—31日太原无人机观测气象要素(相对湿度、气温)垂直廓线Fig.4 Vertical profile of meteorological elements (relative humidity and temperature) observed by UAV in Taiyuan from July 29 to 31

2.2.3 PM2.5、PM2.5/PM10垂直廓线分析

为了更直观地看到PM2.5的垂直分布情况及其随时间的变化，将各次飞行每层数据进行平均得到平均浓度的垂直廓线，图5为29—31日每日4次无人机飞行观测的PM2.5浓度垂直廓线。可知，29日上午(10、12)PM2.5浓度随高度上升先降后升，最低值出现在350 m高度，下午(14、16时)PM2.5浓度随高度上升有减小趋势，且16时斜率更大，减小速率更快；30日和31日上午PM2.5浓度随高度上升有增大趋势，下午反之，其中31日14时PM2.5浓度随高度先降后升；3天中，12和14时边界层混合均匀，PM2.5浓度随高度变化幅度最小。垂直廓线存在一个或多个“拐点”，与图4对比发现其下PM2.5浓度快速上升，相对湿度变化缓慢，其上相对湿度迅速上升，PM2.5浓度下降，而这些“拐点”与逆温层出现位置相符，表明逆温层对大气垂直混合有明显抑制作用。29日16时污染物累积阶段50～200 m高度层PM2.5浓度变化幅度达20 μg·m-3以上，为本次实验之最。30日和31日均为污染物消散过程，PM2.5浓度垂直梯度较小且整层浓度随时间下降明显，30日16时250～350 m PM2.5浓度明显偏低，与图4中相对湿度低值对应；31日PM2.5浓度下降更为迅速，但两天中16时低层均已开始有污染物累积趋势。

图5 7月29—31日每日4次(10时、12时、14时、16时)无人机观测PM2.5垂直廓线Fig.5 Vertical profile of PM2.5 observed by UAV four times a day (10∶00 BST， 12∶00 BST， 14∶00 BST， 16∶00 BST) from July 29 to 31

图6为无人机观测的PM2.5/PM10比例垂直廓线，此比值越大代表PM2.5二次生成和积累过程越强、越易出现污染。可知29日(污染生成过程)PM2.5占比随时间逐渐上升；30日10、12和14时200 m以上PM2.5/PM10较为相近，200 m以下随时间逐渐上升，16时整层PM2.5/PM10大幅下降；31日下午PM2.5/PM10明显低于上午。对比图5a可知，29日16时低层出现污染时，尽管高层PM2.5浓度仍较低，但是从低到高PM2.5占比均比较高，尤其是200～400 m之间，比值最大，表明200 m以下PM2.5与PM10同步增长，颗粒物浓度的上升更多来源于不利扩散条件造成的本地的排放和积累，而上层污染物的吸湿增长可能占主导地位，随着地面污染物浓度的增加，逐渐向上混合。这一特征在图5b同样有所体现，30日10时、12时、14时PM2.5浓度逐渐下降，但PM2.5/PM10均维持在较高水平，且低层随时间有所上升，这是由于低层相对湿度较高，细颗粒物吸湿增长导致下降速率小于PM10；16时250～350 m PM2.5/PM10低值与相对湿度低值和PM2.5浓度低值相对应。以上现象充分表明颗粒物吸湿增长对气溶胶浓度具有显著影响。

图6 7月29—31日每日4次无人机观测PM2.5/PM10垂直廓线Fig.6 Vertical profile of PM2.5/PM10 observed by UAV four times a day from July 29 to 31

2.3 后向轨迹分析

后向轨迹模型方法被广泛用于污染物的长距离输送规律研究，结合物理扩散、沉降过程，以数值模拟的方法对气团输送路径进行模拟和分析，能较好地反应污染物的传输特征[27-29]。利用HYSPLIT4后向轨迹模式对7月29—31日气团运动轨迹进行计算，以此分析污染物输送路径。太原市海拔高度为770 m，以(37.73°N， 112.55°E)为起始点，选取300 m高度，逐时对7月29—31日进行72 h后向轨迹模拟，图7为得到的每日气团水平运动路径和城市日均PM2.5浓度叠加。可知，3天中低层气流主要来自东南方向，包括河南北部的郑州、新乡、鹤壁、焦作等地和山西东南部的长治、阳泉、晋中等地。同等时间内，轨迹越长说明气流速度越快，对比来看，29日部分时次气流相对较慢，30日和31日相对更快。可知，29—31日太原市日均PM2.5浓度逐渐降低，这与无人机监测结果相符，但与气流传输路径所经城市相比仍处于较高水平，说明3天中太原市PM2.5本地积累占主导地位，污染物远距离传输的影响较小，外地传输更多来自于山西省晋中、长治等邻近城市。从白天后向轨迹三维图可知，29日有来自外地的较高层气流下沉输送，至37°N长治附近到达近地面，随后抬升输送至太原，且在太原附近仍有下沉运动，有助于太原PM2.5的积累；30日来自高层的气流更多，太原上空个别时次出现下沉气流，上升运动占主导地位；31日外地输送气流一直贴近地面，至37.5°N太原、晋中出现剧烈抬升，上升气流旺盛，均有利于颗粒物扩散。

图7 7月29—31日逐时72 h后向轨迹和城市日均PM2.5浓度叠加、白天(08—18时)后向轨迹三维Fig.7 Superposition of hourly backward-tracking for 72 hours and urban average daily PM2.5 concentration from July 29 to 31、3Dview of the backward trajectories during the daytime (08∶00 BST to 18∶00 BST)