汾渭平原吕梁市颗粒物潜在源及输送通道分析

高兴艾,裴坤宁,王淑敏,闫世明,王 雁,蒋云盛

汾渭平原吕梁市颗粒物潜在源及输送通道分析

高兴艾,裴坤宁,王淑敏,闫世明*,王 雁**,蒋云盛

(山西省气象科学研究所,山西 太原 030002)

基于汾渭平原吕梁市2017～2019年颗粒物浓度监测数据和地面气象观测数据,利用后向轨迹聚类分析法以及潜在源贡献函数(PSCF)等方法研究了吕梁市冬季PM10和PM2.5大气污染特征及其潜在源区,最后结合轨迹密度分析法(TDA)、轨迹停留时间分析法(RTA)对轨迹聚类分析得到污染输送通道进行补充分类,并分析了不同输送通道的输送特征.研究发现,吕梁市2017～2019年颗粒物年均浓度逐年下降,其中PM10下降了28μg/m3,PM2.5下降了17μg/m3,冬季下降幅度最大.3a冬季风向风速和浓度的统计分析表明吕梁市颗粒物浓度受东北和西南风影响最为显著,其原因是受当地三川河河谷地形的影响.影响吕梁市PM10污染的潜在源区主要位于西南方向,PM2.5污染的潜在源区主要分布在西南、东和东南方向,颗粒物污染输送通道可概括为:西北、西南和偏东(东+东南)通道.西北通道气流移动速度快,途经新疆、内蒙、甘肃和陕西北部等区域;西南通道气流移动速度慢,主要途经陕西中南部渭河平原等污染严重的区域;偏东通道的气流移动速度慢,气流先沿太行山东麓南下,在经过太行山的横断山谷(太行陉、井陉等)时转向进入山西.PM10污染时西北通道贡献最大,偏东通道贡献最小,且两个通道下绝大多数发生的均是轻度污染,占比都在90%左右;PM2.5污染时三类通道下发生轻度污染的比重较PM10均下降,西南和偏东通道下发生中度污染以上的比重在50%左右,且西南和偏东通道途经的区域恰好是PSCF计算得到的潜在源区位置,说明了西南和偏东气流容易将细颗粒物输送至吕梁.WRF(天气预报模式)的风场模拟较为直观的解释了三类污染输送通道,且复杂地形是形成污染输送通道的一个重要因素.西北和西南污染输送通道主要受吕梁山脉的影响,偏东污染输送通道主要受太行山及其横谷的影响.

轨迹聚类；输送通道；颗粒物；轨迹停留时间分析法(RTA)；轨迹密度分析法(TDA)

随着城市化和工业化发展,大气污染已成为影响区域经济发展和城市环境的重要因素[1-3].其中颗粒物可以通过直接和间接效应影响地球辐射收支平衡,并且严重危害人体健康[4-5].近年来经过多方努力,空气质量虽得到了一定程度的改善[6],但是部分地区污染仍然非常严重,特别是在京津冀及周边地区、长三角和汾渭平原[7-9].大气污染时空分布特征存在显著的区域性差异,不同区域首要污染来源也有所差异,因此研究污染物本地化的时空特征及其来源对于科学治理当地颗粒物污染起着重要作用.此外,大气污染又因其具有空间溢出效应,即存在跨区域传输[10].分析区域大气污染输送路径和潜在源区,研究城市与周边区域的传输影响,对于区域间大气污染联防联控工作有着重要意义.相关研究发现长三角本地与区域输送贡献基本相等[11],北京市和唐山市PM2.5外来传输贡献可达48.74%和 30.67%[12],山西和陕西外来传输贡献达31%[13].

汾渭平原作为全国空气污染最严重的区域之一,产业结构偏重,能源结构偏煤,交通运输结构以公路为主,加上不利于扩散的地形和气象条件,导致污染形势严峻,2018年纳入了国家大气防治重点区域.目前已有部分学者针对汾渭平原污染做了相关研究,这些研究主要侧重于汾渭平原区域的大气污染状况以及重污染天气成因的分析.相关研究发现汾渭平原PM2.5污染与地形起伏度存在明显的负的空间自相关性,洛阳盆地和西安至临汾间的冲击平原污染最为严重[14],汾渭平原吸收性气溶胶空间分布基本以临汾、西安和郑州为高值向四周扩散的趋势[8],造成该区域冬季颗粒物重污染的天气系统主要是高压前部型、高压后部型、均压场型及低压倒槽型[15].汾渭平原地形复杂,不同城市污染情况也不尽相同. 西安冬季PM2.5污染的主要潜在源区位于关中地区、山西运城以及河南三门峡、洛阳地区[16];运城市秋冬两季颗粒物污染以细颗粒物为主,空间上PM2.5年均值呈现北部和中部高、东部和西部低的分布特征[17];临汾市春、秋和冬季共同的污染潜在源区位于陕西中南部地区(西南方向),且PSCF值均超过了0.7[18].目前这些研究主要侧重于不同城市的潜在污染源区分析,缺乏城市污染输送通道的研究.

吕梁市属于汾渭平原11个城市之一,污染排放强度较大.近年来吕梁当地政府和生态环境部门制定了一系列的减排措施,如提高集中供热普及率、划定“禁煤区”、取缔违法“散乱污”企业和严格控制工业企业扬尘排放等.但是,生态环境部发布的《全国城市空气质量报告》(2019年)表明:吕梁市冬季环境空气质量综合指数在168个重点城市中平均排名107(冬季三个月平均),排名比较靠后,主要污染物为PM10和PM2.5.因此在继续进行减排治理的基础上,研究当地地形、气象条件和输送特征对于大气污染治理具有十分重要意义,但是目前针对吕梁市相关研究比较少.因此本文以汾渭平原吕梁市为研究对象,利用潜在源贡献函数PSCF和轨迹聚类、TDA和RTA方法综合确定影响吕梁市的潜在源区和污染输送通道,以期为汾渭平原城市群大气污染联防联控治理提供参考依据.

1 数据与方法

1.1 研究区概况

吕梁市地处山西省西部,因吕梁山脉由北向南纵贯全境而得名.市以东是“两山夹一河”地形,依次为吕梁山-汾河谷地-太行山,市以西依次为黄河峡谷-陕北黄土高原,主城区位于吕梁山脉中段西侧.吕梁市内地势东部高而宽,西部低而窄,境内山多川少.北有北川河,东有东川河,南有南川河,这3条河流在吕梁市区西部汇集成“三川河”.吕梁市最高点为城区东北骨脊山,海拔2535m;最低点为三川河河谷,海拔889m(图1).吕梁市煤炭资源丰富,市境总面积21211km2,含煤面积11460km2(http: //www.lvliang.gov.cn/zjll/llgl/zrdl/),煤炭面积占比54%.工业主要以煤矿、焦化、冶炼以及电力企业为主,颗粒物排放量大是这些行业的共同特点之一,且无组织排放治理难度较大.受地形、不利气象条件、本地排放和区域传输的共同影响,吕梁市冬季颗粒物污染频发.

图1 山西省吕梁市及周边地形示意

1.2 数据来源

吕梁市2017～2019年逐时PM10和PM2.5浓度以及对应时刻的地面风向风速数据分别来源于真气网(https://www.aqistudy.cn/)和山西省气象信息中心.后向轨迹模式所用气象场资料(2017～2019年)为美国国家环境预报中心(NCEP)提供的全球资料同化系统(GDAS)数据(ftp://arlftp.arlhq.noaa.gov/pub/ archives/gdas1),每日4个时次,即00:00、06:00、12:00和18:00UTC,水平分辨率为1°×1°.WRF模式输入资料来源于欧洲中期天气预报中心(ECMWF)再分析(ERA-5)数据(http://data-portal.ecmwf.int),该数据1次/h,分辨率为0.25°×0.25°.

1.3 研究方法

HYSPLIT4(混合单粒子拉格朗日积分轨迹)模式是由美国国家海洋大气管理中心(NOAA)和澳大利亚气象局共同研发的一种用以计算和分析气流运动、沉降以及扩散的专业模型.该模式广泛应用于大气输送研究及污染过程分析[19].本研究中后向轨迹计算起始高度选取300m[20],轨迹运行时间选择72h,时间间隔取1h.聚类分析基于轨迹风向角度的二分均值法[21].

轨迹密度分析法(TDA)将研究区域均匀划分成一定分辨率的若干网格单元,因此可以通过统计每个网格的轨迹数量来表示特定网格上的轨迹密度.轨迹密度分布可以反映出主要气流的运动方向,污染轨迹经过多的区域即可定义为污染传输通道.与之对应的停留时间法(RTA)是统计区域内轨迹点的多寡,与在源区域中停留时间较长的气团相比,快速通过污染物源区域的空气气团积聚污染物的时间更少,即在污染源区停留时间长的气团可能携带更多的污染物[22].污染轨迹点经过多的区域也可定义为污染传输通道,TDA和RTA可以从不同角度得到污染输送通道,两者结合可以得到完整的传输通道.

潜在源贡献函数(PSCF)常被用于定位潜在污染源区位置并定量给出污染贡献大小.PSCF用来描述每个区域(即网格单元)的来源强度的概率场,它基于气流轨迹分析来识别可能源区,通过结合气团轨迹和某要素值(如污染物浓度值等)来给出可能的污染排放源方位,PSCF计算公式参见文献[18,21].

WRF(天气预报模式)是新一代的高分辨率、非静力平衡的中尺度模式,该模式在气象和相关领域(气象服务、农业林业、新能源等)的应用越来越广泛.本文利用WRFv4.2模式模拟了3次典型的颗粒物污染事件发生时风场变化情况.模式采用两层双向嵌套,外层区域(61～162°E,2～70°N),网格距是27km,内层区域(93～125°E,21～49°N),网格距是9km,垂直方向为32层,时间积分步长为60s,地形数据为30s分辨率,模式参数方案选取可见文献[23].

2 结果与讨论

2.1 吕梁市颗粒物污染特征

利用2017～2019年吕梁市颗粒物监测数据按照四季进行统计分析.由图2和表1可知,吕梁市夏季颗粒物浓度最低,春秋季浓度值较为接近且大于夏季;冬季颗粒物污染最为严重,PM2.5浓度甚至超过了环境空气质量标准(GB3095-2012)中定义的二级浓度标准(75μg/m3).从年际变化来看,2017～2019年PM10与PM2.5年均浓度逐年下降,其中PM10下降了28μg/m3,PM2.5下降了17μg/m3,从季节变化来看,冬季下降幅度最大,PM10下降了34μg/m3,PM2.5下降了26μg/m3.

图2 2017～2019年吕梁市PM10和PM2.5浓度月变化分布

表1 2017～2019年吕梁市PM10、PM2.5平均浓度和PM2.5/PM10比值统计值(μg/m3)

PM2.5/PM10能够反映可吸入颗粒物中细颗粒物的含量以及细颗粒物的二次形成,利用二者比值的变化,可以评估大气污染状况[16].由表1可知,吕梁市PM2.5/PM10年均值为0.49,低于北京市[24]均值0.69和郑州市[25]均值0.56,说明吕梁市细颗粒物占比较这些人口密集、工业发达城市偏低;此外,二者比值春季最小,冬季最大.春季,由于天气系统活动比较频繁,大气层结极不稳定,在冷暖气流交绥作用下,气流经过干燥而植被稀疏的荒漠地带,很容易引发沙尘或者扬沙天气[26],粒子以粗颗粒物为主;冬季,静稳天气造成冬季雾霾频发,主要以细颗粒物为主[27].总体而言,吕梁市冬季颗粒物污染最严重,因此下文主要分析冬季的颗粒物污染与输送特征.

2.2 地面风对颗粒物浓度的影响

为了解地面风对颗粒物浓度的影响,统计分析了各风向下PM10与PM2.5污染发生的频率,并绘制了吕梁市2017～2019年冬季不同风向下各空气质量等级出现的频率.由图3可知,吕梁市近地面主导风向为东北风(NNE、NE),风频占比33.9%,除东北风外,西南风(WSW、SW)风频占比最大,为19.9%;这两个风向与吕梁三川河河谷方向基本一致(图1),其中东北风方向对应北川河,西南风方向对应三川河,说明吕梁市近地面风向受地形的影响非常显著.河谷地形也为近地面颗粒物的输送创造了条件,PM10与PM2.5发生污染时的主要风向与近地面主导和次主导风向基本一致,其中PM10污染频率NNE、NE方向占比18.7%,WSW、SW方向频率占比6.6%;PM2.5污染频率NNE、NE方向占比21.8%,WSW、SW方向占比8.8%,同时也可以看出,东北风和西南风方向发生中度、重度及严重污染的频率也远高于其他方向.

为了解吕梁市地面气流与颗粒物浓度的关系,统计计算了吕梁市2017～2019年冬季不同风向风速下的颗粒物平均浓度和PM2.5/PM10比值(为减少统计样本数量偏少带来的误差,将统计数量少于10个的样本剔除).由图4(a)和4(b)可知,不同风向风速下颗粒物浓度差异显著;东北、西南和东南风向下PM10和PM2.5浓度均高于其他风向,其中东北风向的PM10和PM2.5污染最为严重,部分地区浓度分别超过了170和95μg/m3;东南方向对应南川河,风频虽然占比不大(见图3),但是也容易出现颗粒物浓度高值.从风速来看,低风速下(<2m/s)吕梁市冬季PM10和PM2.5均有污染超标现象发生,可见静小风天气易造成吕梁市颗粒物浓度升高,其中PM10超标发生在东北方向,PM2.5超标发生在东北和西南方向;当风速大于2m/s时,在三川河谷对应的东北、东南和西南风向下均出现了PM2.5平均浓度值超标,PM10仅在东北方向出现平均值超标现象.由图4(c)可知,吕梁市三川河谷对应的东北、西南和东南方向上细颗粒物占比均较大,东南方向的PM2.5/PM10最高值达到0.65以上,结合图4(a)和4(b)来看,东北方向的颗粒物浓度是3个方向最高的,但其相对于西南和东南方向来说,PM2.5/PM10比值却是最小的,说明东北方向粗颗粒物输送较西南和东南方向更明显.

总的来说,吕梁市颗粒物浓度主要受东北、东南和西南风向影响较大,且3个风向与河谷地形方向吻合,颗粒物污染容易沿河谷向城区输送,且河谷方向的输送频率和颗粒物浓度较其它方向偏大;此外,静小风天气易造成吕梁市颗粒物浓度升高.

2.3 颗粒物污染潜在源区分析

利用后向轨迹模式计算了2017～2019年冬季吕梁市的气流轨迹,并结合对应时次的颗粒物浓度,利用PSCF方法分析了PM10和PM2.5的潜在源区, PSCF能够识别超过计算点平均浓度阈值的潜在源区(PSCF计算阈值选取PM10和PM2.5浓度标准值分别为115和75μg/m3),将PSCF 大于 0.7 的区域作为影响吕梁市最主要的潜在源区,PSCF高值区表明了气流轨迹经过这些区域时发生污染(超过阈值)的概率较高,计算结果见图5.

由图5(a)可知发现,PM10主要的潜在源区位于西南方向,集中在陕西中南部地区的汉中、安康、西安、宝鸡和咸阳一带区域,PSCF值达到了0.8以上,其他方向也存在一些范围较小的零星潜在源区.由图5(b)可知,PM2.5主要的潜在源区位于东、东南、西南方向,其中西南方向潜在源区分布位置基本和PM10一致,但范围明显较后者更大,PSCF值也更高;东方向的潜在源区主要位于太原、阳泉、晋中以及河北的石家庄和邯郸部分区域,东南方向潜在源区主要位于临汾、长治和河南北部的安阳、焦作部分区域,东和东南方向的潜在源区PSCF值均在0.9以上.PM2.5的潜在源区范围明显较PM10偏大,且PSCF整体值也更高.

2.4 颗粒物污染输送通道分析

PSCF方法确定了影响吕梁市的潜在污染源区,但无法确定气流经过源区是如何输送并影响到目标站点的,因此还需要进一步探讨污染输送通道.本文挑选2017～2019年冬季PM10和PM2.5污染时对应时刻的后向轨迹数据,利用轨迹聚类、TDA和RTA方法综合判定吕梁市的颗粒物输送通道,结果见图6和图7.

首先利用二分K均值法分别将PM10和PM2.5污染时的后向轨迹聚类为5类,用聚类后的轨迹表示颗粒物的输送通道,并且为进一步量化表征各聚类轨迹下的污染特征,将每条聚类轨迹下不同空气质量等级(GB3095-2012)发生的频率进行统计分析.图6给出了不同轨迹分型的污染比例特征.

图6(a)和6(b)分别代表了发生PM10和PM2.5污染时轨迹聚类结果(PM10共计2454条数据,PM2.5共计2821条数据),对比二者可以看出,两者污染气流轨迹的聚类结果在方向上基本一致,但在各方向上的比例略有差异,主要表现为PM2.5污染时轨迹1和3污染比例较PM10明显变大,而轨迹2、4和5 的污染比例较PM10明显变小,说明轨迹2、4和5携带粗颗粒物较多,而轨迹1和3携带的细颗粒物较多.

由图6(a)可知,发生PM10污染时,途经新疆、甘肃、内蒙和陕西的远距离传输轨迹5占比最大,为 39.1%,途经新疆、甘肃和陕西的轨迹3对应的PM10污染浓度最高,为217.4μg/m3,轨迹占比16.2%.结合不同聚类轨迹下各污染等级发生频率来看,发生PM10污染时,5类轨迹发生轻度污染比重基本都在75%以上.其中轨迹1发生中度污染以上比重最小,为5.8%;轨迹3和4发生中度污染以上的比重最大,分别为21.4%和21.6%.

由图6(b)可知,发生PM2.5污染时轨迹5占比最大,为 31.9%,途经陕西省中南部的轨迹4对应的PM2.5污染浓度最高,数值为124.9μg/m3,占比10.7%.与PM10聚类轨迹下各污染等级发生频率不同,发生PM2.5污染时,全部聚类轨迹发生重度污染以上的概率明显变高,轨迹1、3和4发生中度污染以上比重最大,分别为46.9%、50.6%和50.3%,说明来自西南和东南方向的气流携带的PM2.5细颗粒物较多,非常容易发生中度、重度和严重污染.来自西北路径下的轨迹2和5发生中度污染以上的比重相对其他轨迹来看较小,分别为27.6%和36%.

轨迹聚类方法是从轨迹整体进行聚类分析,其根本上代表某个扇区风向上多条轨迹的平均方向,所以只能表达出大致方向,优点是能得到每条聚类轨迹上的比例参数;而RTA和TDA方法是从轨迹点角度进行统计分析,其优点是能够直观体现出输送通道,但无法确定各个通道上的比例大小,所以三者结合可以更为准确的解释污染输送通道.

图7为轨迹密度、停留时间及二者差值的结果,分别用TDA、RTA和RTA-TDA表示,网格分辨率为0.2°×0.2°.由图7(a)和7(d)轨迹密度分析可知,PM10和PM2.5污染时,TDA整体均呈经向分布,且主要为西北和东南走向,说明来自这两个方向的气流较多,来自西北的气流(TDA>50)到达站点附近后,受吕梁山脉阻挡,转为偏北气流,来自东南的气流沿着晋南的临运盆地北上到达吕梁.

图7(b)和7(e)停留时间分析可以看出,PM10和PM2.5污染时停留时间点相对较长(RTA>50)的区域集中在西北、西南、东和东南4个方向,且来自西南、东南和东方向PM2.5污染轨迹停留时间较PM10明显变大,结合图7(c)和7(f)的RTA-TDA差值来看,PM10和PM2.5污染时西南、东和东南方向RTA明显比TDA高,说明这些区域虽然气流不多,但由于停留时间更长,携带颗粒物的能力可能更强,所以也可以视作是重要的污染输送通道.而来自西北的气流停留时间和轨迹密度差值基本为0.因此,来自西南、东和东南方向的所有污染气流中停留时间较长的气流占比较大,整体移速慢;而来自西北的气流虽然本身较多,但是停留时间均较短,整体移速快.

图6和图7综合来看,长距离运输轨迹为2、3和5,短距离运输轨迹为1和4,停留时间长的区域对应的轨迹1、3和4,停留时间短的区域对应轨迹2和5.除了轨迹3较为特殊外,其余4类轨迹停留时间和轨迹长短较吻合,轨迹3是长距离运输型,其出发点是西北方向,移动速度较快,但与其他两类长距离运输轨迹(2和5)不同的是轨迹3在陕西中部地区转为西南方向,且其对应发生中度污染以上概率和西南轨迹4接近,却比同类西北轨迹(2和5)高许多,因此不能将轨迹3看作远距离输送的西北通道,其对吕梁市的影响可以分为两部分:首先来自西北的气流移动速度快,但是南下途中遇到秦岭后发生气流转向,移动速度明显变小,此后沿西南方向北上途经陕西中南部污染严重城市包括咸阳、西安、汉中和渭南市等[28]时,容易卷夹颗粒物,因此轨迹3对吕梁市的影响主要集中在轨迹后半段即西南方向.轨迹1恰好位于东和东南通道中间,表明其是由东和东南路径聚类而成的,其中东南方向的气流从冀豫交界的位置沿太行山东麓南下,在太行陉通道传输进入山西省境内[23];东方向气流是从河北石家庄一带经井陉通道[29]传输进入山西并影响到吕梁.这两类气流从京津冀地区而来自身就携带污染物,经过横断山谷(太行陉、滏口陉、井陉等)时,速度变缓,停留时间加长,途径阳泉、晋中、临汾和运城等污染严重城市时会夹卷更多的颗粒物.

总体来说,吕梁市污染输送通道可以概括为3大类,轨迹2和5合并为西北通道,轨迹3和4合并为西南通道,轨迹1为偏东(东+东南)通道.表2给出了重新统计的不同通道下PM10和PM2.5污染情况下各污染等级发生概率,可以看出,发生PM10污染时西北通道贡献最大,偏东通道贡献最小,且两个通道下绝大多数发生的均是轻度污染,占比都在90%左右;西南通道相对其他两个通道来看,发生中度污染以上的比重明显较高,比重在20%以上.PM2.5污染时同样是西北通道贡献最大,但是贡献值较PM10污染时明显减小,西南和偏东通道的贡献明显变大.PM2.5污染时3类通道下发生轻度污染的比重较PM10均下降,西南和偏东通道下发生中度污染以上的比重在50%左右,说明西南和偏东通道下输送的细颗粒物较多.

总体来说,西北通道经过区域主要为戈壁、沙漠、黄土高原等,风速较大,携带的主要为粗颗粒物,西南和偏东通道气流移动速度慢,携带的主要为细颗粒物.西北通道下吕梁市易发生PM10和PM2.5轻度污染,发生中度污染的概率较低,西南通道途经陕西中南部等污染严重的城市容易夹卷颗粒物,吕梁市易发生PM10和PM2.5中重度污染;偏东通道的气流本身从京津冀地区而来自身就携带污染物,从太行山东麓南下,经过横断山谷(太行陉、井陉等)时,速度变缓,停留时间加长,途经污染严重的城市也会夹卷更多的颗粒物,吕梁市易发生PM2.5中重度污染.此外,西南和偏东通道途经的区域恰好是PSCF计算得到的潜在源区位置,同样说明了西南和偏东气流盛行时,吕梁市发生污染的概率较大.

2.5 污染输送通道的数值模拟

表3 吕梁市污染个例期间各要素统计

轨迹聚类、TDA和RTA计算出了影响吕梁市的污染输送通道,为了验证前述输送通道,本文选取了3个典型污染个例利用中尺度数值模式WRFv4.2模拟了冬季吕梁市发生污染时的风场,模拟时间分别为2017年1月1日08:00～2017年1月2日08:00、2017年2月1日08:00～2017年2月2日08:00和2017年2月12日08:00至2017年2月13日08:00(北京时),3个典型污染个例期间各要素情况见表3.图8为吕梁市冬季污染发生时的地面10m风场和水平风垂直剖面图(黑箭头为剖切线方向).

图8(a)为2017年1月1日12:00的风场分布,代表西北通道气流传输情况.从近地面风场分布来看,来自西北的气流遇吕梁山后部分气流风向转为北风顺山脉南下到达吕梁市,气流越过吕梁山后风速明显减小;从垂直剖面图结果来看,站点附近高层偏西北风,近地层为北风,吕梁山以东区域的风速明显较山脉以西偏小,吕梁山对西北气流具有明显的转向和减速作用.图8(b)为2017年2月1日11:00的风场分布,代表偏东通道的气流传输情况,气流沿太行山东侧南下,在山脉横断地段即横谷(陉)进入山西省境内的传输情况(东+东南),其中井陉[29]是连通太原盆地和华北平原最主要的通道,太行陉[22]位于山西省晋城市南部,是连接河南和山西之间的重要通道.从近地面风场分布来看,沿太行山东麓南下的东北气流在井陉处进入山西阳泉和晋中等地,风向转为偏东风,进而传输至吕梁.同样,部分气流沿太行陉进入晋城市,风向转为东南向,进而汇入吕梁市,井陉和太行陉为京津冀地区污染物向吕梁市输送提供了通道.此外,经过井陉和太行陉的气流速度也明显减弱;从垂直剖面图结果来看,太行山东面的气流风速明显是东北风,越过太行山后转为东南风,且高层风向为偏西风,风向随高度顺时针旋转,存在暖平流,来自偏东的暖湿气流容易将污染物输送至吕梁市.王跃等[30]研究也发现当北京地区低层为持续的偏东或偏南风控制,高层为偏西风控制时容易发生污染.图8(c)为2017年2月12日10:00的风场分布,代表了西南通道气流的传输情况.从地面风场分布来看,来自陕西省中南部的偏西南气流顺吕梁山北上,将汾渭平原南部的污染物输送至吕梁市地区;从垂直剖面图结果来看,站点附近(红色区域)高层为偏西北风,近地层为西南风,且风速很小.

WRF模式的风场模拟较为直观的解释了3类污染输送通道,且复杂地形是形成污染输送通道的一个重要因素.西北和西南污染输送通道主要受吕梁山脉的影响,偏东污染输送通道主要受太行山及其横谷的影响.

2.6 污染个例分析

为了解外地传输与本地源的相对贡献,挑选一次污染过程(2019年1月2～6日)进行分析,这几日首要污染物均为PM2.5,污染程度分别为轻度、中度、中度、重度和重度污染,期间平均风速为1.6m/s(图9(a)),整体风速均较小,呈静小风状态,大气扩散条件较差,本地排放的污染物较难稀释、扩散和清除,因此可看作为一次静稳条件下的污染累积过程.由污染对应时段的逐小时后向轨迹聚类分析可知(图9(b)),此次污染过程中吕梁市主要受到西北和西南气流影响,其中西南气流轨迹占到了67.5%,西北气流轨迹占比32.5%,前者明显较后者行程短,表明西南气流移动速度较慢,加上吕梁市本地特殊的山谷地形影响,更加剧了吕梁市的污染累积.西南气流轨迹对应的PM10浓度为222.9μg/m3, PM2.5浓度为157.5μg/m3,分别超过污染过程中PM10(211.5μg/m3)和PM2.5(146.0μg/m3)浓度平均值11.4和11.5μg/m3,同时也远比西北气流轨迹对应浓度数值高,说明西南气流为吕梁市输送了大量的颗粒物.因此,此次污染过程除本地累积外,西南气流运输也做了部分贡献.

2.7 讨论

本研究重点讨论了影响吕梁市污染的几类主要区域输送通道,尚缺乏区域输送与本地污染积累的量化分析.特别是西南和偏东两条输送通道在冬季的气流速度缓慢,加上吕梁市特殊的山谷地形,容易形成静稳天气,加剧吕梁市本地污染物的累积,因此仅用当前方法很难判断吕梁市污染本地累积和外地传输贡献比例,有研究表明即使是在静稳天气下,京津冀仍有区域内和区域外的输送,且二者贡献相当[15].因此未来还需要借助各类化学模式模型量化分析吕梁市污染的本地累积和区域输送贡献,以期更加科学的为汾渭平原城市群大气污染联防联控治理提供参考依据.

3 结论

3.1 吕梁市四季中冬季污染最为严重,PM2.5浓度超过环境空气质量标准二级浓度标准(75μg/m3).从年际变化来看,2017～2019年PM10与PM2.5年均浓度逐年下降,其中PM10下降了28μg/m3,PM2.5下降了17μg/m3,从季节变化来看,冬季下降幅度最大,PM10下降了34μg/m3,PM2.5下降了26μg/m3.

3.2 吕梁市近地面主导风向为偏东北风(NNE、NE),风频占比33.9%,次主导风向为偏西南风(WSW),风频占比12.9%,这两个风向与吕梁三川河河谷方向基本一致,其中东北风方向对应北川河,西南风方向对应三川河主流.低风速(<2m/s)易造成吕梁市颗粒物的积累;当风速大于2m/s时,在东北、东南和西南风向下均出现了浓度高值.

3.3 吕梁市PM10主要的潜在源区位于西南方向,集中在陕西中南部地区的汉中、安康、西安、宝鸡和咸阳一带,其他方向也存在一些范围较小的零星潜在源区.PM2.5主要的潜在源区位于东、东南、西南方向,PM2.5的潜在源区范围和PSCF值均高于PM10,侧面反应了吕梁市PM2.5污染相比PM10污染更为严重.

3.4 吕梁市污染输送通道可以分为3大类,包括西北、西南和偏东(东+东南).来自西北的气流移动速度快,吕梁市易发生PM10和PM2.5轻度污染;来自西南的气流移动速度慢,途经陕西中南部等污染严重的城市容易夹卷颗粒物,吕梁市易发生PM10和PM2.5中重度污染;偏东通道的气流从京津冀地区而来自身携带污染物,从太行山东麓南下,经过横断山谷(太行陉、井陉等)时,速度变缓,停留时间加长,吕梁市易发生PM2.5中重度污染.

3.5 PM10污染时西北通道贡献最大,偏东通道贡献最小,且两个通道下绝大多数发生的均是轻度污染,占比都在90%左右;PM2.5污染时三类通道下发生轻度污染的比重较PM10均下降,西南和偏东通道下发生中度污染以上的比重在50%左右.

3.6 WRF模式的风场模拟较为直观的解释了3类污染输送通道,且复杂地形是形成污染输送通道的一个重要因素.西北和西南污染输送通道主要受吕梁山脉的影响,偏东污染输送通道主要受太行山及其横谷的影响.

[1] Yu Z, Li Y S, Chen Y S, et al. How is the environmental efficiency in the process of dramatic economic development in the Chinese cities? [J]. Ecological Indicators, 2019,98:349-362.

[2] Cao S S, Zhao W J, Guan H L, et al. Comparison of remotely sensed PM2.5concentrations between developed and developing countries: Results from the US, Europe, China, and India [J]. Journal of Cleaner Production, 2018,182:672-681.

[3] Li Y, Liao Q, Zhao X, et al. Premature mortality attributable to PM2.5pollution in China during 2008～2016: Underlying causes and responses to emission reductions [J]. Chemosphere, 2020,263:127925.

[4] 戴海夏,宋伟民.大气PM2.5的健康影响 [J]. 国外医学, 2001,28(5): 299-303.

Dai H X, Song W M. Health effects of atmospheric PM2.5[J]. Foreign Medical Science, 2001,28(5):299-303.

[5] Gao X A, Cao X J, Wang J Y, et al. Analysis of aerosol optical properties in a Lanzhou suburb of China [J]. Atmospheric Research, 2020,246:105098.

[6] 中国空气质量改善报告(2013～2018年) [R]. 北京:生态环境部, 2019.

[7] 王燕丽,薛文博,雷 宇,等.京津冀地区典型月O3污染输送特征 [J]. 中国环境科学, 2017,37(10):3684-3691.

Wang Y L, Xue W B, Lei Y, et al. Model-derived source apportionment and regional transport matrix study of ozone in Jingjinji [J]. China Environmental Science, 2017,37(10):3684-3691.

[8] 刘旻霞,李 亮,于瑞新,等.汾渭平原吸收性气溶胶时空演化及潜在源区分析 [J]. 环境科学, 2021,42(6):2634-2647.

Liu M X, Li L, Yu R X, et al. Spatial-temporal patterns and potential sources of absorbing aerosols in the Fenwei Plain [J]. Environmental Science, 2021,42(6):2634-2647.

[9] 杨 斌,骆 荣.长三角地区大气污染物的研究进展 [J]. 环境生态学, 2019,1(5):74-78.

Yang B, Luo R. Research progress of air pollution in Yangtze River Delta [J]. Environmental Ecology, 2019,1(5):74-78.

[10] Zhu L L, Zhang Y H, Kan X. Transport paths and identification for potential sources of haze pollution in the Yangtze River Delta Urban Agglomeration from 2014 to 2017 [J]. Atmosphere, 2018,9:502.

[11] Feng Y, Liu H N, Sun K. A sensitivity experiment of the air pollution transport in urban cluster over the Yangtze River Delta [J]. Environ Monit Forewarn, 2016,8:5-12.

[12] 邵玄逸,王晓琦,钟嶷盛,等.京津冀典型城市冬季人为源减排与气象条件对PM2.5污染影响 [J]. 环境科学, 2021,42(9):4095-4103.

Shao X Y, Wang X Q, Zhong Y S, et al. Impacts of anthropogenic emission reduction and meteorological conditions on PM2.5pollution in typical cities of Beijing-Tianjin-Hebei in winter [J]. Environmental Science, 2021,42(9):4095-4103.

[13] 薛文博,付 飞,王金南,等.中国PM2.5跨区域传输特征数值模拟研究[J]. 中国环境科学, 2014,34(6):1361-1368.

Xue W B, Fu F, Wang J N, et al. Numerical study on the characteristics of regional transport of PM2.5in China [J]. China Environmental Science, 2014,34(6):1361-1368.

[14] 黄小刚,赵景波,孙从建,等.汾渭平原PM2.5空间分布的地形效应 [J]. 环境科学, 2021,42(10):4582-4592.

Huang X G, Zhao J B, Sun C J, et al. Orographic influences on the spatial distribution of pm on fenwei plain [J]. Environmental Science, 2021,42(10):4582-4592.

[15] 黄小刚,邵天杰,赵景波,等.汾渭平原PM2.5浓度的影响因素及空间溢出效应 [J]. 中国环境科学, 2019,39(8):3539-3548.

Huang X G, Shao T J, Zhao J B, et al. Influence factors and spillover effect of PM2.5concentration on Fen-wei Plain [J]. China Environmental Science, 2019,39(8):3539-3548.

[16] 张海东.西安市大气污染特征及颗粒物来源分析[D]. 西安:西安建筑科技大学, 2020.

Zhang H D. Characteristics of air pollution and source analysis of particulate matter in Xi’an [D]. Xi’an: Xi’an University of Architecture and echnology, 2020.

[17] 王妘涛,张 强,温肖宇,等.运城市PM2.5时空分布特征和潜在源区季节分析[J]. 环境科学, 2022,43(1):74-84.

Wang Y T, Zhang Q, Wen X Y, et al.Spatiotemporal distribution and seasonal characteristics of regional transport of PM2.5in Yuncheng City [J]. Environmental Science, 2022,43(1):74-84.

[18] 王 雁,高兴艾,裴坤宁,等.基于多站混合受体模型的临汾市PM2.5潜在源分析[J]. 中国环境科学, 2022,42(3):1032-1039.

Wang Y, Gao X A, Pei k N, et al. Analysis of potential sources of PM2.5in Linfen based on multi-site hybrid receptor model [J]. China Environmental Science, 2022,42(3):1032-1039.

[19] Draxler R R, Hess G D. Description of the HYSPLIT 4modelling system [R]. Sliver Spring, Maryland: NOAA, Air Resources Laboratory, 1997.

[20] Cheng I, Zhang L, Blanchard P, et al. Concentration-weighted trajectory approach to identifying potential sources of speciated atmospheric mercury at an urban coastal site in Nova Scotia, Canada [J]. Atmospheric Chemistry & Physics Discussions, 2013,13(2):6031-6048.

[21] 闫世明,王 雁,郭 伟,等.太原市秋冬季大气污染特征和输送路径及潜在源区分析[J]. 环境科学, 2019,40(11):60-68.

Yan S M, Wang Y, Guo W, et al.Characteristics, transportation pathways and potential sources of air pollution during autumn and winter in Taiyuan [J]. Environmental Science, 2019,40(11):60-68.

[22] Ashbaugh L L, Malm W C and Sadeh W Z. A residence time probability analysis of sulfur concentrations at grand Canyon National Park [J]. Atmospheric Environment, 1985,19(8):1263-1270.

[23] 裴坤宁,高兴艾,王淑敏,等.晋东南地区冬季PM2.5污染输送路径分析 [J]. 中国环境科学, 2022,42(2):557-567.

Pei K N, Gao X A, Wang S M, et al. Analysis of PM2.5pollution transportation path in winter in Southeast Shanxi Province [J]. China Environmental Science, 2022,42(2):557-567.

[24] 郭蒙蒙,姜 楠,王申博,等.郑州市2014～2017年大气污染特征及气象条件影响分析 [J]. 环境科学, 2019,4(9):3856-3867.

Guo M M, Jiang N, Wang S B, et al. Analysis on the of air pollution characteristics meteorological conditions in Zhengzhou from 2014 to 2017 [J]. Environmental Science, 2019,4(9):3856-3867.

[25] Zhang Y L, Cao F. Fine particulate matter (PM2.5) in China at a city level [J]. Scientific Reports, 2015,5:14884.

[26] 闫世明,王 雁,张岳军,等.五台山春季气溶胶传输特征[J]. 中国环境科学, 2020,40(2):497-505.

Yan S M, Wang Y, Zhang Y J, et al. Influence of pollutant transport from both sides of Taihang Mountain on cross valley urban aerosol [J]. China Environmental Science, 2020,40(2):497-505.

[27] 王棚飞.重庆市主城区大气污染物现状评价及影响因素分析 [D]. 重庆:西南大学, 2018.

Wang P F. Evaluation of atmospheric pollutants in the main urban areas of Chongqing and analysis of influencing factors [D]. Chongqing:Southwest University, 2018.

[28] 李雁宇,李 杰,杨文夷,等.2018年汾渭平原及其周边地区大气颗粒物的传输特征[J]. 环境科学学报, 2020,40(3):779-791.

Li Y Y, Li J, Yang W Y, et al. Transport characteristics of atmospheric particulates in Fenwei Plain and its surrounding regions in 2018 [J]. Acta Scientiae Circumstantiae, 2020,40(3):779-791.

[29] 王 雁,郭 伟,闫世明,等.太行山两侧污染物传输对横谷城市气溶胶的影响分析 [J]. 环境科学, 2021,42(9):4104-4115.

Wang Y, Guo, W, Yan S M, et al. Influence of pollutant transport from both sides of Taihang Mountain on cross valley urban aerosol [J].Environmental Science, 42(9):4104-4115.

[30] 王 跃,王莉莉,赵广娜,等.北京冬季PM2.5重污染时段不同尺度环流形势及边界层结构分析[J]. 气候与环境研究, 2014,19(2):173-184.

Wang Y, Wang l L, Zhao G N, et al. Analysis of different-scales circulation patterns and boundary layer structure of PM2.5heavy pollutions in Beijing during winter [J].Climatic and Environmental Research, 2014,19(2):173-184.

Analysis on the potential source and transmission channel of particulate matter in Lüliang City, Fenwei Plain.

GAO Xing-ai, PEI Kun-ning, WANG Shu-min, YAN Shi-ming*, WANG Yan**, JIANG Yun-sheng

(Shanxi Province Institute of Meteorological Sciences, Taiyuan 030002, China)., 2022,42(7)：2988～2999

Based on the particulate matter concentration and surface meteorological observation data of Lüliang city in Fenwei Plain from 2017 to 2019, this paper used backward trajectory cluster analysis and potential source contribution function (PSCF) methods to study the characteristics of PM10and PM2.5pollution and their potential source areas in winter in Lüliang city. Combining trajectory density analysis (TDA) and trajectory dwell time analysis (RTA) to supplement the classification of polluted transmission channels obtained by trajectory clustering analysis, and analyzed the transport characteristics of different transmission channels. This study found that the annual average concentration of particulate matter in Lüliang City decreased year by year from 2017 to 2019. Among them, PM10decreased by 28μg/m3, PM2.5decreased by 17μg/m3, and the decline was the largest in winter. The statistical analysis of the three-year winter wind direction, wind speed and concentration showed that the concentration of particulate matter in Lüliang was most significantly affected by the northeast and southwest winds because of the local topography of the Sanchuan River valley. The potential source area of PM10pollution in Lüliang was mainly located in the southwest, and the potential source areas of PM2.5pollution were mainly located in the southwest, east and southeast. The particulate pollution transmission channels can be summarized as: northwest, southwest and east (east and southeast) channels. The airflow in the northwest channel moved fast, passing through Xinjiang, Inner Mongolia, Gansu, and northern Shaanxi; The airflow in the southwest channel moved slowly, mainly passing through heavily polluted areas such as the Weihe Plain in central and southern Shaanxi. The airflow in the east channel moved slowly, it first traveled south along the eastern foot of the Taihang Mountains, and turned into Shanxi when passing through the valleys(Taihangxing, Jingxing, etc.) of the Taihang Mountains. When PM10pollution occurred, the northwest channel contributed the most, and the eastern channel contributed the least, and the majority of these two channels was lightly polluted, accounting for about 90%. When PM2.5pollution occurred, the proportion of light pollution under the three types of channels was lower than that of PM10. The proportion of moderate pollution and above under the southwest and east channels were about 50%, the areas passed by the southwest and east channels were exactly the potential source locations calculated by PSCF, which also showed that the southwest and easterly airflows were likely to transport pollutants to Lvliang.Finally, the three transportation channels were verified by the wind field simulation results of the WRF model, which shows that the transportation channel results obtained in this study are valid, and the complex terrain and variable airflow are an important factor in the transmission channel.The wind field simulation of the WRF model intuitively explains the three types of pollution transmission channels, and the complex terrain is an important factor in the formation of pollution transmission channels.The pollution transport channels in the northwest and southwest are mainly affected by the Lüliang Mountains, and the eastward pollution transport channel is mainly affected by the Taihang Mountains and its Henggu.

trajectory clustering；transmission channel；particulate matter；RTA；TDA

X513

A

1000-6923(2022)07-2988-12

高兴艾(1992-),女,山西忻州人,硕士,工程师,主要从事大气物理与大气环境方向研究.发表论文10余篇.

2022-12-01

国家重点研发计划(2019YFC1510304);山西省自然科学基金资助项目(201601D011084, 201901D111465);山西省气象局重点项目(SXKZDDQ20185105);山西省气象局面上项目(SXKMSDQ20185122)

* 责任作者, 正高级工程师, qksysm@126.com; **正高级工程师, qkswy@126.com