2020年上半年“COVID-19”疫情期间气象条件变化对四川盆地城市污染物质量浓度影响初步分析

田开文 2, 朱江 2, 王自发 2, 张伦瑾

1 中国科学院大气物理研究所大气边界层物理和大气化学国家重点实验室，北京 100029 2 中国科学院大气物理研究所国际气候与环境科学中心，北京 100029 3 中国科学院大学地球与行星科学学院，北京 100049 4 湖北省荆州市气象局，湖北 荆州 434020

1 引言

近年来，中国的工业化、城市化进程不断加强，国内的大气污染状况日益严峻。2013年9月，国务院颁布了《大气污染防治行动计划》（简称“大气十条”），开启了我国大气污染防治的新纪元。 “大气国十条”发布以来，各地管理部门实施了一系列污染减排措施，大气污染防治工作取得了显著的进展，重点地区各项污染物质量浓度有了不同程度的下降，这其中气象条件变化和人为减排措施各自贡献了多大作用，是政府和公众特别关心的问题。

大气污染物积累形成与气象条件关系密切，如何分析多尺度气象参数与敏感因子和污染关系，重中之重是量化气象条件与污染排放的关系（Gong et al., 2003）。O3生成与其前体物NOx和VOCS有较好的相关性，Anderson et al. （2001）指出气温升高会通过增加O3前体物浓度而加速O3生成，引起诱发夏季O3污染事件的气象条件出现频率增加。对颗粒物而言，Jacob and Winner（2009）发现，未来十年，单纯的气候变化引起的颗粒物环境浓度变化范围是在－1.1～0.9 mg/m3。气象条件可以通过风速、降水沉积、干沉降、化学转化、背景浓度等影响大气污染物浓度（Liu et al., 2003; Li et al., 2005; Leibensperger et al., 2008）。瑞士夏季大气气溶胶的主要预报因子被认为主要包括温度、清晨的太阳辐射以及锋面的过境日数(Ordóñez et al., 2005)。美国东部地表温度和相对湿度与大气气溶胶污染的联系（Camalier et al., 2007）。Wu et al. （2017）研究了京津冀地区大气污染形成的大尺度环流背景场被总结为主要有两种类型，即平直西风型和高压脊型，伴随有西南和东南两个主要的污染传输通道（任国玉等, 2005; 刘苏峡等, 2009）。张人禾等（2014）指出东亚冬季风、500 hPa气压和水平风垂直梯度等因素与大气重污染形成相关。温度垂直廓线在近地面（850 hPa附近）的偏暖异常可以阻止污染物的垂直扩散，并伴有高层大气的异常冷却（Chen and Wang, 2015; Zhang et al., 2015）。降水以及风速对颗粒物浓度影响较大，主要是对颗粒物的湿清除和促进扩散作用；在一定相对湿度范围内，高湿度条件容易造成大气颗粒物的较重污染 （隋珂珂等, 2007; Pang et al., 2009）。Zhang et al. （2018）分析表明北京地区气温变暖会导致地区气象条件更为不利，加重污染。赵晨曦等（2014）分析了北京地区春、冬PM2.5和PM10污染水平时空分布和气象条件的关系，认为北京冬季PM2.5和PM10质量浓度与气温和相对湿度正相关，与风速负相关，风速和相对湿度是影响污染物浓度分布的主要因子。而多项研究表明，中国地面风速正大幅减少（高歌, 2008; Guo et al., 2011）。郭勇涛等 （2011）等指出兰州市空气质量状况与常规气象条件的关系。邓利群等（2012）人分析了2009年8～9月成都市颗粒物污染及其与气象条件的关系，认为成都气温对大气颗粒物浓度变化没有显著影响。杨莹等（2015）分析了哈尔滨空气污染物浓度与相对湿度关系，表明两者正相关，当相对湿度在一定范围内增大时，有利于污染物吸湿增长，容易出现雾霾天气。采用数值模式分析全球空气质量目前取得一定的进展（McKeen et al., 2007）。张新玲等 （2003）用三维欧拉污染物长距离输送模式，发现气象条件变化导致SO2浓度和硫沉降量的相对变化通常在20%左右。对近50年来全国平均风速呈显著下降趋势，有利于污染物局地累积进而导致污染天气。Rigby and Toumi（2008）使用显著敏感气象参数，构建了基于大气扩散特征的神经网络模型识 别PM2.5浓 度。Kassomenos et al.（2008）开发了一个气象条件影响的空气质量风险预测模型。各种气象因子，例如温度、相对湿度、风速、风向、气压、降雨和大气稳定度都或多或少与大气气溶胶的形成与累积有关, 但是每个因子又不能定量、全面反映污染状况, 有时有些因子的作用相互矛盾甚至抵消这是定量评估不利气象条件在大气气溶胶污染变化中作用的难点。针对这一问题，Wang et al. （2012, 2013）、Zhang et al.（2009, 2015）用诊断分析的办法分析了气象条件对北京地区PM2.5浓度变化的影响。Callahan et al.（2019）用3个指数诊断分析了北京冬季空气质量极端事件，认为人为影响对北京2013年冬季污染事件影响较小。张小曳等（2019）用PLAM（Parameters Linking Airquality to Meteorological elements）指数量化气象条件的改变，结果说明2017年冬季气象条件在京津冀和长三角地区分别较2013年好转约20%和30%。

四川盆地地区作为西部地区经济最发达、人口密度最大的区域，但同时也是全省空气污染较重的区域之一，高度重视大气污染防治工作。近年来，四川盆地空气质量取得明显改善，2020年PM2.5浓度较2015年下降31.2%，优良天数率上升7.7%。重污染天显著减少，但区域环境改善成果还不稳固，受气象条件制约仍然突出，大气环境形势依然严峻。2020年四川盆地空气质量改善步伐明显放缓，部分城市PM2.5浓度同比反弹，PM2.5和臭氧区域性污染频发。并且，在2020年上半年，因为国内生产生活受到了“新冠”疫情的影响，污染物排放变化也较往年变化幅度较大，一般分析方法更加难以量化气象条件对污染物浓度影响。因此，用数值模式区分气象条件和人为减排各自对污染物浓度的贡献，为后期进一步实施大气污染防控措施提供数值依据成为了迫切需求。

2 资料与方法

2.1 四川盆地六项主要污染物的质量浓度和空气质量指数

本文使用四川省生态环境监测总站监测的2019年和2020年1～6月四川盆地地区的国控站点逐小时6项主要污染物（PM2.5、PM10、SO2、NO2、CO和O3）质量浓度数据以及由其计算的各个城市空气质量指数AQI（Air Quality Index）数据。盆地国控站点分布如图1所示。

图1 四川盆地国控站点分布Fig. 1 Distribution of national control stations over Sichuan Basin

2.2 气象要素的站点观测数据

本文选用中国气象局国家气象信息中心提供的国家自动气象站（AWS）同时段逐小时地面观测资料，包括温度、相对湿度、风速、降水量、日照时长等气象要素。

2.3 选用模式简介

空气质量模式可以模拟空气污染的时空演变特征，反应其内在机理，本文采用的空气质量模式为CMAQ（Community Multiscale Air Quality model）。CMAQ是由美国国家环境保护局EPA（Environmental Protection Agency）开发的第三代空气质量预报和评估系统（Model-3）的核心模式。CMAQ模式的最大特点是在“一个大气”的概念下将臭氧、颗粒物、酸沉降等各种污染问题相关联，研究范围从城市中尺度到区域尺度，用于多尺度、多污染的空气质量预报、评估和决策研究等多种用途。本文采用的CMAQ版本为5.0.1，采用三重嵌套的网格设置，网格分辨率分别为36 km、12 km和4 km，网格数分别为184（经向）×124（纬向）、126 （经向）×126（纬向）和144（经向）×150（纬向）。垂直方向上地面至10 km共分13层，边界层内8层。CMAQ模式其他参数基本设置如表1。

表1 CMAQ模式参数化方案选择Table 1 Parameterization scheme of CMAQ (Community Multiscale Air Quality model)

源排放清单采用了清华大学中国多尺度排放清单模型MEIC（Multi Resolution Emission Inventory for China）提供人为排放源，水平分辨率为0.5° （经度）×0.5°（纬度），选择的清单时间段与研究时间段一致。MEIC清单涵盖了5个行业（工业、交通、民用、电力、农业）10种主要大气成分和温室气 体（NOx、SO2、NMVOC、NH3、CO、CO2、PM2.5、粗颗粒物、OC、BC）以及700多种人为排放源。

本文采用了WRF（Weather Research and Forecasting model）模式为CMAQ提供气象场。WRF模式 是 由NCEP（National Centers for Environmental Prediction）和NCAR（National Center for Atmospheric Research）等机构开发的中尺度天气预报模式，是一个完全可压缩、非静力模式，具有可移植、可扩充、高效率和易维护等特点（闫之辉和邓莲堂, 2007）。本文采用的是WRF3.6版本，单向三重嵌套网格，网格分辨率和CMAQ相同为36 km、12 km和4 km，网格数分别为190（经向）×130（纬向）、132（经向）×132（纬向）和150（经向）×156（纬向）。WRF的初始和边界条件采用NCEP提供的逐6 h的1°（经度）×1° （纬度）分辨率的FNL（final operational analysis）再分析资料，该资料采用先进的全球资料同化系统以及完善的数据库，对各种资料来源（无线电探空、地面、船舶、卫星等）的观测资料进行质量控制和同化处理，其包含的要素多范围广，延伸的时段长，并被广泛用于数值模式和天气、气候的诊断分析研究中。WRF模式其他基本参数设置如表2。

表2 WRF模式参数化方案选择Table 2 Parameterization scheme of WRF (Weather Research and Forecasting model)

2.4 主要研究方法

本文选取因为“新冠”肺炎疫情导致空气质量人为排放变化较大的2020年1～6月作为研究时段，选取2019年作为对照基准年份，根据四川省生态环境分区管控方案，将四川省分为五大生态经济区，除高原地区外，四川盆地地区包括三大主要区域即成都平原生态经济区（简称成都平原，包括成都、德阳、乐山、眉山、绵阳、遂宁、雅安和资阳共8个城市）、川东北生态经济区（简称川东北，包括巴中、达州、广安、广元和南充共5个城市）和川南生态经济区（简称川南，包括泸州、内江、宜宾和自贡共4个城市）。首先分析了不同年份逐月的气象条件变化和污染变化，包括温度、湿度、风速、降水量和日照时间以及AQI等参数的相对变化，定性分析了气象条件变化对空气质量的影响。然后利用固定排放源，仅改变气象场的初始条件和边界条件的方法对两年的污染物质量浓度分布进行模拟，找出四川盆地因为“新冠”疫情期间气象条件变化导致空气质量变化的主要区域。最后分区域定量计算了四川盆地17个城市中，由气象条件变化和人为排放变化导致的污染物浓度变化各自的贡献占比。

3 结果与分析

3.1 四川盆地2019年与2020年1～6月污染总体情况

表3、表4分别为2019年1～6月、2020年1～6月四川盆地整体空气质量情况。2020年1～6月，四川盆地17个城市6项主要污染物PM2.5、PM10、SO2、NO2、CO、O3-8 h（O3浓度8 h滑动平均，下同）平均质量浓度分别为39 μg/m3、59 μg/m3、7 μg/m3、27 μg/m3、1.1 mg/m3和152 μg/m3。较2019年 分 别 下 降5 μg/m3、6 μg/m3、1 μg/m3、3 μg/m3、0.2 mg/m3和16 μg/m3。优良天数率为84.9%，较2019年上升了0.7%。盆地各个主要区域分月主要空气质量情况如表。从总体来看2020年1～6月整体空气质量优于2019年1～6月。

表3 2019年1～6月四川盆地整体空气质量Table 3 Overall air quality in Sichuan Basin from January to June 2019

表4 2020年1～6月四川盆地整体空气质量Table 4 Overall air quality in Sichuan Basin from January to June 2020

3.2 2020年1～6月主要气象参数变化情况

为了定性分析主要气象参数对空气质量的影响，选取了四川盆地3个主要城市成都（成都平原）、达州（川东北）、自贡（川南）日均地面温度、湿度、风速、降水量、日照时长5个参数与AQI，分析了其相关性。相关性结果如表5，其中温度与风速在3个地区均通过p＜0.05显著性检验。值得注意的是，4～6月，日照时长与AQI的相关性3个区域均高于0.7。

表5 AQI与气象要素相关关系Table 5 Correlation analysis of air quality index (AQI) and meteorological elements

图2、图3为2019年1～6月和2020年1～6月成都平原各个城市逐月的AQI以及空气质量相关的气象参数变化情况。2020年1～4月成都平原各个城市的AQI明显低于2019年同期。尤其是乐山地区的AQI，1月从130以上下降至90左右。AQI的大幅下降的原因推断为在1～4月盆地受疫情影响，生产生活排放降低，污染源大幅减少。但是在2020年5月，成都平原地区的AQI大幅回升，8个城市全部超过2019年，其中以成都、德阳、眉山3个相邻城市上升幅度特别巨大。6月成都平原城市的AQI相比5月有下降，但是依然高于2019年同期水平，污染程度较为严重的同样是成都、德阳和眉山。

图2 2019年1～6月成都平原地区气象参数逐月变化：（a）AQI；（b）风速；（c）降水量；（d）湿度；（e）温度；（f）日照时长Fig. 2 Monthly changes of meteorological parameters in Chengdu Plain from January 2019 to June 2019: (a) AQI; (b) wind speed; (c) precipitation;(d) humidity; (e) temperature; (f) sunshine duration

图3 同图2，但为2020年1～6月成都平原地区气象参数逐月变化Fig. 3 Same as Fig. 2, but from January 2020 to June 2020

从两年平均风速来看，2020年和2019年基本相近，大部分城市的平均风速都在1～1.5 m/s。绵阳为8个城市中平均风速最高的城市，这与其靠近四川盆地北部山区有关。其余各个城市的平均风速基本比较接近。而统计小风日数（图中未列出），成都平原各个城市风力条件也基本接近。以成都市为例，2020年成都市小风日数为149 d，2019年小风日数则为159 d。因此可以认为，2020年因为风力导致的扩散条件与往年较为接近。

从各个城市月累计降水量来看，1～2月各个城市总降水量都小于30 mm，2019年1月的总降水量大部分城市不超过10 mm。从3月开始，2020年各个城市的总降水量明显较2019年偏少。其中2020年5月降水偏少情况最为严重，仅雅安和乐山两个城市的总降水量超过100 mm，其余6个城市均不超过50 mm，2019年同期大部分城市都超过了100 mm。6月各个城市降水偏少的情况有所好转。

平均相对湿度的变化可以作为降水变化的佐证，2019年1～6月，成都平原各个城市的相对湿度变化较为平稳，大部分城市都在75%～80%，4月有所降低，6月则所有上升。2020年的相对湿度变化则出现了单调下行的情况。1月相对湿度最高，大部分城市都达到了80%以上，之后逐月下降，到5月湿度降至最低约65%～70%，其中绵阳月平均相对湿度为50%，远低于其他城市。6月各个城市相对湿度有所回升，但同样低于2019年同期。

从平均温度来看，2020年的平均温度高于2019年，1～3月较19年偏高约2°C左右，4月平均温度约为17°C，低于2019年4月的21°C；2020年5月成都平原的平均温度大幅上升至约24°C左右，而2019年则为20°C左右；6月两年差距不大，都在25°C左右。从城市来看，各个城市的温度差距不大，仅雅安因海拔较高，略低于其他城市。

从反应太阳辐射量的月日照总时长来看，2019年各个城市变化情况较为一致，1～2月都在50～60 h左右，3月上升至80 h左右，4月达到最高为130 h左右，5、6月回落到100 h左右，其中遂宁和资阳的日照总时长略高于其他城市。2020年成都平原各个城市的日照总时长变化较大，整体来看各个城市的日照总时长都多于2019年。其中成都、眉山的日照总时长从3月开始明显高于其他城市，5月最高时月日照总时长达到300 h左右；德阳4月的日照总时长接近200 h。

图4、图5与图2、图3相似，为川东北各个城市的AQI以及空气质量相关的气象参数变化情况。从AQI来看，2019年川东北5个城市的AQI呈逐渐下降的态势。广元因为靠近四川盆地北部山区，AQI相对其余4个城市较低。2020年整体AQI较2019年低，1月都在70左右，但2月和5月出现两个波峰，2月受颗粒物污染影响，AQI超过80，5月受臭氧污染影响，AQI也接近80。

图4 2019年1～6月川东北地区气象参数逐月变化：（a）AQI；（b）风速；（c）降水量；（d）湿度；（e）温度；（f）日照时长Fig. 4 Monthly changes of meteorological parameters in northeastern Sichuan from January 2019 to June 2019: (a) AQI; (b) wind speed; (c)precipitation; (d) humidity; (e) temperature; (f) sunshine duration

图5 同图4，但为2020年1～6月川东北地区气象参数逐月变化Fig. 5 Same as Fig. 4, but from January 2020 to June 2020

平均风速两年比较相近，巴中、广元、广安和南充4个城市普遍都在1.5～2 m/s左右，达州的平均风速明显低于其余4个城市，仅为1.2～1.3 m/s。总体来看，两年风速相差不大。

从月总降水量来看，2020年前4个月与2019年相当，仅广元降水偏少。5月，2020年明显少于2019年，5个城市均不到100 mm，川东北城市群5月相对较为干旱。6月相对较为湿润，5个城市总降水量都达到了200 mm以上。

从相对湿度来看，广元是川东北相对较干的城市，平均湿度为60%左右，远低于其他4个城市的76%～80%。从时间变化看，与降水对应较好。

川东北城市群的平均温度走势与成都平原相似，1～3月2020年比2019年高，4月明显较低，较2019年低约4°C；5月明显较高。6月两年恢复较为相似的情况。

日照总时长在4月达到最高约170 h左右，5、6月则下降至100 h左右。2020年各个城市差异较大。巴中在5、6月日照总时间为320和290 h左右，远超其他4个城市。整体来看，2020年川东北的日照时间多于2019年，太阳辐射更强。

图6、图7反应了川南城市群2020年和2019年1～6月疫情期间的AQI和气象条件变化。AQI 2019年1～6月呈逐月下降态势，1月最高，4个城市都在100～120，到5、6月下降至60～70。2020年川南的AQI较其他两个区域偏高。从整体看，川南城市群的空气质量不如川东北，与成都平原相当。

图6 2019年1～6月川南地区气象参数逐月变化：（a）AQI；（b）风速；（c）降水量；（d）湿度；（e）温度；（f）日照时长Fig. 6 Monthly changes of meteorological parameters in southern Sichuan from January to June 2019: (a) AQI; (b) wind speed; (c) precipitation; (d)humidity; (e) temperature; (f) sunshine duration

图7 同图6，但为2020年1～6月川南地区气象参数逐月变化Fig. 7 Same as Fig. 6, but from January 2020 to June 2020

不同于其余两个区域，川南的风速两年差距更明显。宜宾扩散条件较好。其余城市则偏低。

总降水量2019年和2020年走势类似、逐月上升，仅泸州在2019年4月降水偏多，达到200毫米左右。但2020年5月的干旱程度较其他两个区域较轻。相对湿度2020年5月相对湿度为65%～70%，低于2019年的85%。自贡在4个城市中，相对湿度最低，普遍比其他城市低5%左右。

川南地区2020年1～3月要暖于2019年，偏高约5°C左右，4月温度相当，5～6月则又偏暖5°C左右。与其他两个区域相比，川南地区2020年偏暖程度更高。值得注意的是，2020年1～6月，自贡的平均温度明显低于其余3个城市，气象条件差异较大。

日照时长2019年与其余两个区域相似，1～4月逐渐增长，4月达到最大约150 h，5、6月回落至100 h左右。2020年，自贡、内江的日照时长较其他两个城市更长，其中自贡长期在150 h左右，内江从2月开始也在140 h左右。整体来看，2020年川南城市群太阳辐射更强。

3.3 气象条件变化导致污染物浓度分布变化的数值模拟分析

本章节采用固定排放源文件，改变输入气象场的方法对2020年“新冠”疫情期间和2019年对应时间段的污染物质量浓度分布进行模拟。表6统计了2019年和2020年两年中模式模拟相对较差的2月模拟的效果，结果说明模式对于2019年和2020年的模拟结果相对观测偏差较小，具有一定的一致性和相关性，可以用作气象条件变化的评估工作。

表6 2019年2月和2020年2月气象要素和部分空气质量模拟效果统计分析Table 6 Statistical analysis of meteorological elements and partial air quality simulation results in February 2019 and February 2020

图8为2020年与2019年PM2.5浓度1～6月月均模拟结果的差值。8a-8f分别为1～6月。2020年1、2月，在相同的源条件下，2020年的PM2.5浓度低于2019年。其中1月主要偏低的区域在成都平原东部的遂宁、成都西部、雅安东北部，川南地区的内江、自贡、泸州交界一带；在乐山、眉山和绵阳有小范围的偏高区域。2月的模拟结果偏小比1月更多，尤其是四川盆地南部的眉山、乐山、自贡、宜宾和泸州等城市，偏低幅度均超过了10 μg/m3，说明2月这些城市的气象条件对于PM2.5扩散更有利。而在成都、德阳、绵阳、广安和达州部分地区，存在偏高的情况。3、4月的情况与1、2月相反，2020年PM2.5模拟浓度高于2019年，说明气象条件在2020年相对不利，推测与湿度有关。其中3月偏高的大值区主要分布在川东北的南充、广安以及川南地区的自贡、内江附近，大约较2019年高出6 μg/m3。4月偏高的量总体来看少于3月，说明4月的气象条件有所好转，但依然是不利于PM2.5扩散的，偏高的区域主要分布在泸州和广安。5、6月的情况与1、2月相似，整个四川盆地都是略微有利于PM2.5的扩散，但模拟浓度差值较小，约为2～4 μg/m3。大值区分布5、6月呈现南北位移的情况。5月差值大值区分布在川南的宜宾、自贡，相差6 μg/m3左右。6月大值区北移至成都平原北部的成都、德阳和绵阳附近，相差4 μg/m3左右，在盆地其余城市，5、6月的差值都低于2 μg/m3。

图8 2020年与2019年PM2.5浓度1～6月月均模拟结果的差值（单位：μg/m3）：（a）1月；（b）2月；（c）3月；（d）4月；（e）5月；（f）6月Fig. 8 Differences of monthly mean simulation results of PM2.5 concentration from January to June between 2019 and 2020: (a) January; (b)February; (c) March; (d) April; (e) May; (f) June

图9为PM10的差值结果。因与PM2.5同属颗粒物污染，因此PM10的分布结果与PM2.5相似。1月气象条件有利于PM10扩散，主要偏低在成都、遂宁、内江、泸州和广安附近。2月成都平原和川东北的大部分地区都不利于PM10扩散，其中成都、德阳、绵阳、广安4个城市气象条件特别不利，2020年模拟结果比2019年偏高10 μg/m3以上；川南4个城市大部分地区气象条件有利，模拟结果偏小10 μg/m3以上。3、4月的模拟结果和PM2.5分布基本相当，整体为不利于PM10扩散，3月比4月不利程度更严重。5、6月大部分地区气象条件都为有利，5月有利地区在川南宜宾、自贡附近，6月则北移至成都、德阳一带。值得注意的是，5月在成都有小部分地区是气象不利的情况，位置与成都市区相吻合，说明城市化对气象条件造成的影响较大。

图9 2020年与2019年PM10浓度1～6月月均模拟结果的差值：（a）1月；（b）2月；（c）3月；（d）4月；（e）5月；（f）6月Fig. 9 Differences of monthly mean simulation results of PM10 concentration from January to June between 2020 and 2019: (a) January; (b)February; (c) March; (d) April; (e) May; (f) June

图10至图13为气体污染物的模拟结果，其中图10为SO2的模拟结果。1月整个四川盆地都是有利于SO2扩散的气象条件，约1.0 μg/m3。2月除川东北的达州、广安外，其余城市也为有利，其中眉山地区SO2扩散条件最好，模拟浓度差为4 μg/m3。3月在川东北巴中、达州、南充和广安4个城市，气象条件不利于SO2扩散，其余城市两年基本持平。4～6月2020年SO2扩散条件基本与往年相当，其中4月略差，5、6月略好，差值在1.5 μg/m3以内。

图10 2020年与2019年SO2浓度1～6月月均模拟结果的差值：（a）1月；（b）2月；（c）3月；（d）4月；（e）5月；（f）6月Fig. 10 Differences of monthly mean simulation results of SO2 concentration from January to June between 2020 and 20193: (a) January; (b)February; (c) March; (d) April; (e) May; (f) June

图11为NO2的结果，NO2的浓度差值分布与颗粒物明显不同。在1月，模拟成都平原的NO2浓度较2019年偏高，川南泸州则偏低，偏差量级均在4 μg/m3左右。在2月，NO2的扩散条件最为恶劣，除成都平原的乐山、眉山和成都西部地区NO2扩散条件较好以外，盆地其余城市都因为气象条件造成NO2浓度升高，特别是成都、达州和泸州等地区，浓度升高幅度达到4 μg/m3以上。3月NO2扩散条件略好于2月，偏高的大值区在达州附近。4～6月NO2扩散条件较好，盆地大部分地区都为负值区。仅4月的川南部分城市、5月的成都市中心和川东北部分区域NO2气象扩散条件较差。6月整个四川盆地扩散条件都相对较好，特别是成都附近，气象条件造成NO2浓度下降达到了4 μg/m3以上。

CO的浓度模拟结果来看（图12），1、5、6月结果较为相似，均为扩散条件相对2019年略好，1月的扩散条件更好于5、6月。值得注意的是，1月在成都市区出现了小范围的扩散条件较差的情况，说明城市化同样对CO扩散条件影响较大。2月以成都简阳为界，南部大部分地区扩散条件更好，模拟结果偏低，北部大部分城市相对扩散条件更好，模拟结果偏高。3月气象条件和往年差距不大，模拟结果差值也接近0 mg/m3。CO在4月的结果较为特殊，整个四川盆地扩散条件都相对较差，模拟结果偏高。其中以泸州、自贡、宜宾等城市差值较大，其余城市差值相对较小。

图12 2020年与2019年CO浓度1～6月月均模拟结果的差值：（a）1月；（b）2月；（c）3月；（d）4月；（e）5月；（f）6月Fig. 12 Difference of monthly mean simulation results of CO concentration from January to June between 2020 and 2019: (a) January; (b) February;(c) March; (d) April; (e) May; (f) June

图13为O3-8 h滑动平均浓度的模拟结果图。1、2月结果比较类似，都是盆地大部分地区为偏不利，小部分地区为有利于O3扩散。其中1月不利的城市主要集中在川南泸州、自贡和宜宾三市，2月不利地区北移到川东北的达州和成都平原的绵阳，相对小值区主要是分布在川南部分地区。3、4月，盆地的气象条件有利于O3浓度减小，基本所有地区都为负值。5、6月情况相反，盆地气象条件对O3浓度极为不利。特别是5月，在成都平原的成都、眉山、德阳一带，川东北的广安一带以及川南的泸州一带，都出现了2020年模拟结果大于2019年结果超过20 μg/m3以上的情况。6月川东北情况有所好转，但成都市出现大气扩散条件更加恶化的情况。

图13 2020年与2019年O3-8 h滑动平均浓度1～6月月均模拟结果的差值：（a）1月；（b）2月；（c）3月；（d）4月；（e）5月；（f）6月Fig. 13 Differences of monthly mean simulation results of O3 8-h sliding average concentration from January to June between 2019 and 2020: (a)January; (b) February; (c) March; (d) April; (e) May; (f) June

3.4 气象条件变化、人为排放变化导致污染物浓度变化的城市定量分析

本章分城市讨论通过模拟得出的气象条件、人为排放变化各自对实际污染物浓度变化的贡献百分比，定量计算了各个城市气象条件和人为排放各自对污染物浓度变化的影响。从而为四川盆地各个城市人为排放分析提供一定数值依据。其中，气象条件与人为排放对污染物浓度变化贡献计算方法为其中，C为时间段内实际污染物观测浓度，下标代表年份；a为气象条件对污染物浓度变化贡献百分比，b为人为排放对污染物浓度贡献百分比。

图14为PM2.5各个城市的贡献分析结果。与3.3章节相对应，气象条件在1、2月普遍对PM2.5为负贡献，即有利于减轻PM2.5浓度，但是成都、德阳、绵阳、广安、达州在2月气象条件相对较差，尤其绵阳气象条件影响为19.7%。3、4月气象条件变差，多个城市贡献率超过20%，最高为4月泸州的气象条件贡献率达31.7%。5、6月扩散条件又转好，盆地大部分城市均为负贡献，说明5、6月气象条件有利于PM2.5扩散。与气象条件对应的人为影响结果可以看出，模拟结果较好的对应了人类活动的特征。1月“新冠”疫情尚未大规模影响生产生活，但是四川采取了较严格的污染减排措施，并且1月为传统农历新年，人为活动较少，因此1月的盆地各个城市人为活动影响普遍为负贡献，特别川东北人为影响为－28.7%，与1月较好的气象条件叠加，导致观测的PM2.5浓度较2019年下降明显，特别是乐山、达州、巴中等城市，PM2.5浓度下降了超过35%。2月四川盆地已经开始受到疫情影响，人口较为聚集的区域如成都、德阳和绵阳人为影响贡献相对较大，但川南地区人为影响为正贡献，可能与当地受疫情影响较小，排放依然较高有关。3月为“新冠”疫情全面爆发期，盆地几乎所有城市人为影响下降幅度都在20%以上，成都平原、川南和川东北人为贡献分别为－34%，26.2%和25.8%，说明3月疫情期间，人为污染物排放大幅减少了。4月国内疫情接近结束，4月15日，四川省22户省属主要企业复工率达到99.1%，但中小企业并未完全开工，因此盆地大部分城市人为影响也是下降趋势，仅成都、德阳、绵阳为正贡献，与不利的气象条件叠加，4月实际污染物浓度降幅变小，川东北实际PM2.5浓度较2019年还有所上升。5、6月为全面复工复产月份，5月四川省发电量较2019年同比增长8.6%，规模以上工业增加值同比增长5.7%，可以间接说明人为排放影响较2019年大幅上升。6月成都、德阳、绵阳的人为影响达到50%，成都平原总体也有20%和15%的升幅。因此虽然这2月气象条件相对较好，但实际观测PM2.5浓度较往年也有所上升，特别是成都、德阳和绵阳一带。从1～6月整体来看，气象条件和人为排放均有利于PM2.5改善，因此实际观测PM2.5浓度在盆地下降了约11.3%。

图14 四川盆地各个城市气象影响和人为影响对PM2.5浓度变化的贡献，红、绿颜色越深代表贡献百分比越高Fig. 14 Contributions of meteorology and human impact on PM2.5 concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

图15为PM10的模拟分析结果，PM10与PM2.5的结果较为相似，都是5、6月全面复工复产阶段人为排放提升影响较大，1～4月减小影响较大。仅2月人为影响区别较大，PM10在2月的人为影响为负的城市更多。

图15 四川盆地各个城市气象影响和人为影响对PM10PM2.5浓度变化的贡献，红、绿颜色越深代表贡献百分比越高Fig. 15 Contributions of meteorology and human impact on PM10 concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

图16为SO2模拟分析结果，四川盆地的SO2来源主要是煤燃烧，在1、2月，南充人为排放贡献大增78.2%和97.6%，说明此时段南充燃煤排放较多，之后南充加强了污染排放管制措施，后续月份人为排放贡献影响较小。在5、6月，同样因为全面复工复产，SO2的人为影响也在上升，成都平原、川南、川东北三大区域在5月人为影响均为正值。德阳6月的人为影响上升幅度达125.7%，这也导致6月德阳实际观测的SO2浓度较2019年上升了85.7%。综合1～6月来看，气象条件为盆地城市SO2浓度贡献为-4.1%，人为排放贡献为-2.5%，综合SO2观测浓度在2020年相比2019年下降6.5%。

图16 四川盆地各个城市气象影响和人为影响对SO2浓度变化的贡献，红、绿颜色越深代表贡献百分比越高Fig. 16 Contributions of meteorology and human impact on SO2 concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

图17为NO2模拟结果。NO2作为臭氧前体物，主要来自化石燃料燃烧和自然生成。盆地城市1～6月NO2气象影响在2月较为严重，不利于NO2扩散，贡献为17%，6月则有利于NO2扩散，贡献度为-12.1%。1～3月人为影响均为负贡献，即排放减小。说明NO2的浓度受疫情影响较为严重。4～6月转为正值，其中5月NO2排放情况较严重，贡献了18.1%，主要排放严重城市为德阳、绵阳、成都、眉山、自贡和南充。四川盆地1～6月整体NO2呈下降趋势，观测到的NO2浓度较2019年下降11.7%，其中由气象条件贡献了0.9%，减排贡献了12.5%。

图17 四川盆地各个城市气象影响和人为影响对NO2浓度变化的贡献，红、绿颜色越深代表贡献百分比越高Fig. 17 Contributions of meteorology and human impact on NO2 concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

图18为CO的贡献结果分析。可以认为绵阳、遂宁、泸州3个城市对CO排放控制力度不够，人为影响除2月外均为正贡献。特别5、6月几个城市贡献率超过25%。其余大部分城市，CO人为排放控制较好，均采取了有效的污染减排措施。1～6月盆地CO浓度下降9%，其中气象影响贡献了其中1.7%，减排措施贡献了另外7.4%。

图18 四川盆地各个城市气象影响和人为影响对CO浓度变化的贡献，红、绿颜色越深代表贡献百分比越高Fig. 18 Contributions of meteorology and human impact on CO concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

图19为O3的模拟评估贡献结果。2020年四川盆地遭受了较严重的臭氧污染，4～6月期间，四川盆地发生了多次臭氧污染过程。从模拟的结果来看，气象条件影响并不是造成盆地严重O3污染的主要原因，1～3月由于气温较低，几乎不会发生O3污染过程。4月气象条件贡献为－4.9%，而5、6月天气条件均有利于臭氧污染的发生，贡献率分别为10.8%和5.5%，这也与3.2章节中温度和日照时数结果相对应。人为排放影响方面，4月盆地各个城市排放控制较好，这也与盆地还未全面复工复产有关。5月，四川盆地臭氧污染情况最为严重，主要是人为排放造成，成都平原、川南、川东北的人为影响率分别为26.1%，18.3%，20.3%，搭配不利的气象条件，导致盆地5月臭氧浓度大幅上升33.3%。6月臭氧人为排放控制有所控制，但依然较多，贡献了3.6%。1～6月整体来看，盆地各个城市气象条件影响不大，仅贡献了2.2%，但人为排放贡献8.6%，合计导致盆地观测到的O3浓度上升11%。

图19 四川盆地各个城市气象影响和人为影响对O3浓度变化的贡献，红、绿颜色越深代表贡献百分比越高Fig. 19 Contributions of meteorology and human impact on O3 concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

4 结论与展望

本文首先分析了2020年1～6月四川盆地各个城市整体空气质量情况，再分析了期间对空气质量影响较大的温度、风速、相对湿度、总降水量和总日照时长等气象参数变化情况，又采用固定排放源，仅改变驱动气象场条件的方法对2020年1～6月和2019年对应期间的PM2.5、PM10、SO2、NO2、CO和O36种主要大气污染物质量浓度在盆地的分布变化情况进行了模拟，最后定量计算了各种污染物浓度在各个城市的气象条件贡献率和人为排放贡献率，主要得出以下结论：

（1）总体来看2020年1～6月整体空气质量优于2019年1～6月。

（2）从气象要素看，2020年成都平原、川东北平均风速与往年相当，因风力导致的扩散条件与往年较为接近，川南则低于往年。从3月开始，2020年各个城市的总降水量明显较2019年偏少，其中2020年5月降水偏少情况最为严重，对应相对湿度在5月相对较低。平均温度来看，2020年的平均温度高于2019年，尤其是5、6月平均温度较往年偏高大约5°C左右。反应太阳辐射量的月日照总时长从3、4月开始明显长于往年。

（3）污染物浓度分布对比，PM2.5和PM10相似，1、2月2020年模拟结果低于2019年，3、4月高于往年，5、6月又低于往年，主要变化区域在川南城市群。SO2主要是1、2月有利于扩散，3月川东北不利扩散，其余月份差距不明显。NO2主要是2月较为不利，CO不利的月份为4月。O3污染主要从4月开始，4月气象条件是有利于臭氧扩散的，而5、6月盆地气象条件对O3污染过程起了较强的推动作用。

（4）定量分析各个城市污染物浓度贡献率看出，因为受疫情影响，除臭氧外的颗粒物和气体污染物在1～4月人为贡献主要为负，5、6月由于全面复工复产，排放大量增加，导致盆地的污染物浓度也有所上升，人为排放贡献率也大幅增加。O3则是由于人为排放增加与不利气象条件叠加的结果，导致2020年盆地的O3污染情况较为严重。

本文虽然计算了气象条件和人为排放各自对空气质量变化的贡献率，但单独使用模式模拟结果存在一定的误差，数据结果仅能为污染防治提供参考。另外，本文仅比较了2020年相对2019年的变化，未来工作中需要与多年平均结果作对比更具说服力。