影響上海PM2.5污染不同源地和路徑的數值模擬

余鐘奇,馬井會*,曹 鈺,常爐予,許建明,周廣強

?

影響上海PM2.5污染不同源地和路徑的數值模擬

余鐘奇1,2,馬井會1,2*,曹 鈺1,2,常爐予1,2,許建明1,2,周廣強1,2

(1.長三角環境氣象預報預警中心,上海 200030；2.上海市氣象與健康重點實驗室,上海 200030)

對2014~2017年上海出現的PM2.5中度及以上污染過程的地面形勢進行分析,發現上海出現PM2.5中度及以上污染的地面形勢場主要可分為輸送型、靜穩型和疊加型3種類型,其中輸送型是影響上海市PM2.5中度及以上污染的主要天氣形勢,占比45.8%.通過選取典型個例,分析了3類污染天氣型氣象成因和維持機制.并利用WRF驅動FLEXPART模式,結合排放源清單,探討不同污染天氣型下影響上海的主要污染物來源:輸送型污染有3條影響上海的主要污染傳輸通道,分別為東路(東海海面)、中路(江蘇沿海)和西路(安徽-蘇南),主要時段在污染前1d;靜穩型污染影響上海的潛在污染源區集中在上海及周邊地區;疊加型污染既存在明顯污染輸送通道,也有明顯的上海及周邊潛在污染貢獻區域.

FLEXPART模式；PM2.5污染；污染天氣分型；污染源地；傳輸特征

PM2.5作為城市群大氣復合污染的代表性污染物之一,帶來了環境、生態和健康等一系列問題,受到人們前所未有的關注[1-3].我國大氣顆粒物的污染形勢嚴峻[4],已成為DALYs 的第八大風險因子[5].據估計,與大氣PM2.5相關的健康危害所造成的經濟損失高達5200億元[6].

上海作為華東地區超大城市,人口基數和人口密度都很大,大氣污染對人們的生活造成了明顯的負面影響,這也使得對上海PM2.5的相關研究以及準確預報顯得尤為重要.關注上海PM2.5污染,不僅要關注當地的污染排放,還要關注上海以外區域的污染源以及污染輸送路徑.國內已有研究均表明[7-9],大氣顆粒物的污染水平和時空分布與其輸送途徑密切相關.因此,許多學者通過分析氣團軌跡來定性或定量研究一個地區大氣顆粒物的區域傳輸特征.研究發現[10-11],冷鋒輸送型大氣污染在上海秋冬季最為常見,污染物(主要包括PM2.5、PM10和NO2)隨著冷鋒移動不斷向下游傳輸.在區域性大氣污染特征背景下,提前掌握污染物來源路徑對于重污染預報預警非常必要.

污染天氣分型(分類)對認識和理解局地大氣污染過程有重要意義,主要包括①主觀分類和②客觀分型兩大類.主觀分型方法是基于天氣圖和天氣學原理等氣象理論對空氣污染過程進行天氣分類的研究,如張國鏈等[12]將引起上海空氣污染的天氣類型主觀分為L型高壓、高壓、高壓前和均壓場4種地面天氣類型;戴竹君等[13]發現地面均壓場、冷鋒和低壓倒槽與2014年江蘇秋冬季重度霾的形成密切相關.客觀分型是使用客觀算法對大氣污染過程進行天氣分類研究,主要包括T-mode斜交旋轉分解法(PCT)[10,14]、PCA算法[15]、Lamb-Jenkinson[16]等,具有處理大樣本數據的優勢.以往的主觀和客觀污染天氣分型研究重點關注氣象學意義上天氣系統的配置及演變對污染的影響,但對不同天氣類型下污染物的傳輸路徑、傳輸時間等研究較少.

FLEXPART模式是挪威大氣研究所(NILU)開發的拉格朗日粒子擴散模式,適用于模擬和計算較大范圍的大氣傳輸過程[17].它可以通過后向軌跡運算來確定對于固定站點有影響的潛在源區的分布,尤其當研究區域內觀測站點數量少于排放源數量時,后向運算更具有優勢[18].近年來,FLEXPART模式在國際上得到了廣泛的應用:例如驗證污染氣團的跨州傳輸過程[19-20]、估算鹵代溫室氣體排放量[21]、解析北極地區短生命周期大氣污染物來源[22]以及預測模擬持久性有機污染物的長距離輸送等[23].這些工作證實了FLEXPART模式對于污染物來源和傳輸路徑的模擬具有較高的可靠性.現階段,WRF模式(天氣預報數值模式)模擬的氣象場常被用于驅動FLEXPART模式[24].

目前,FLEXPART模式的應用主要集中在國外,國內使用FLEXPART模式進行的大氣污染相關研究相對較少,且以往的研究多集中于大氣痕量氣體反演或模式在某地適用性應用[25-28],以及單純的污染天氣分類研究,沒有系統分析不同類型天氣系統控制下PM2.5輸送特征及其潛在源區的差異,同時也缺少對不同天氣形勢下潛在源區空間分布特征的整體分析.本研究利用WRF模式輸出的氣象場驅動FLEXPART模式,結合清華大學MEIC排放源清單,探討不同污染天氣類型下影響上海的主要污染物來源,重點分析造成上海重度污染3種典型天氣形勢下主要顆粒物來源,揭示上海城區秋冬季節不同天氣形勢下重度污染物輸送途徑及潛在源區空間分布特征,以期為上海大氣污染區域治理及污染預報預警提供科學依據.

1 數據與研究方法

1.1 研究區域概況

上海地處長江三角洲前緣,北界長江,東瀕東海,南臨杭州灣,西接江蘇、浙江兩省.地處南北海岸線中心,長江三角洲東緣,長江由此入海,地理位置優越,是一個良好的江海港口.上海屬亞熱帶海洋性季風氣候,氣候溫和濕潤,四季分明.春夏季主導風向為東南風,次主導風向為偏南風,秋冬季主導風向為東北風、西北風,具有典型的華東區域氣候特征.

圖1為上海市環境監測中心的10個自動監測站所在位置,可以看出,10個自動監測站中有7個監測站分布在市區,3個位于市區的邊緣,其監測資料對上海市具有一定的代表性,其中青浦淀山湖站(最西側站點)作為對照站,不參與計算全市平均值.

圖1 上海市10個空氣質量自動監測站位置分布

1.2 數據

從美國氣象環境預報中心(NCEP)和美國國家大氣科學研究中心(NCAR)[29]獲取FNL氣象再分析資料,水平分辨率為1°′1°,1天分為00h、06h、12h、18h UTC4個時次,時間間隔6h.PM2.5觀測資料來自上海市環境監測中心,為2014年1月1日~2017年12月31日上海10個空氣質量國控站點的日平均PM2.5質量濃度,用于確定上海不同等級污染日.氣象觀測資料采用全國自動站逐小時氣象觀測數據,主要包括溫度、氣壓、相對濕度、風向風速、能見度、邊界層高度等要素,以分析不同污染天氣類型的氣象特征.

1.3 模式與方法

WRF模式是美國國家大氣科學研究中心(NCAR)、國家海洋和大氣管理局(NOAA)等多個部門聯合開發的新一代中尺度數值天氣預報模式[30-31].在本研究中WRF模式采用WRF-ARW3.5版本,其初始和邊界條件使用NCEP FNL的1°′1°分辨率全球再分析氣象資料.模式模擬區域以(34.0°N, 117.5°E)為中心,水平分辨率為9km′9km,水平網格數為181(東西)′271(南北),垂直層數35層.其主要物理過程選用WSM6微物理方案、YSU邊界層方案、Monin_ Obukhov近地面層方案、Unified Noah陸面過程方案以及RRTM長波和Dudhia短波輻射方案[32].

FLEXPART模式適用于模擬和計算較大范圍的大氣傳輸過程[17].該模式通過計算排放源釋放的粒子軌跡對大氣中的長距離傳輸、擴散、干濕沉降和輻射衰減等過程進行描述和處理[18],其核心是研究大氣污染物的源和匯的關系:“源”即污染排放,“匯”即目標區域(觀測站點等受體)[22].FLEXPART模式計算得到的污染源區,是僅考慮氣象條件的污染“潛在源區”,也稱印痕,并非實際源區[33].本研究使用WRF-FLEXPART對2014~2017年上海市空氣質量日報中PM2.5日均中度污染以上的個例進行數值模擬分析.WRF-FLEXPAT定量分析算法利用WRF模式模擬的氣象場作為FLEXPART模式的氣象輸入場,驅動FLEXPART模式進行后向軌跡運算,進而得到目標區域或目標站點在目標時段內的潛在污染源區時空分布.在此基礎上,根據目標污染物的特性,確定污染示蹤物,使其能夠合理地反映目標污染物在大氣中的形成和傳輸過程.設置該污染示蹤物或示蹤物的前體物的排放強度作為權重,結合FLEXPART潛在污染源區的時空分布,進而計算得到目標時段內影響目標源區的實際污染貢獻[28].本研究設置FLEXPART模擬離地高度為5層,分別為50、100、500、1000、1500m,將上海地區(31.0°~31.4°N, 121.3°~121.7°E)作為粒子的釋放區域,連續釋放粒子100000個,粒子在釋放區域和時段(選取污染當日的24h)內均勻分布.模式運算完畢后,再計算污染敏感系數(i,j)(式(3),單位:km-2),即每個模式網格的粒子個數(通過式(1)和式(2)計算得到每個模式網格在所設5個層次上所有時刻粒子的總個數)除以釋放所有粒子的總個數再除以單位網格面積,公式如下:

式中:()代表模式格點坐標位置;代表模式垂直層次;lmax代表選取的最高層次;t1和t2代表所研究時段的起止時間;(x0,y0)和(xmax,ymax)代表模式區域起止位置,即總區域范圍;代表單位網格面積,本研究中設置為9km×9km=81km2.

排放清單采用清華大學MEIC人為排放源清單(http://www.meicmodel.org/).該系列清單能夠較好地反映出人為排放源的逐月變化[34].本文使用基于2010年排放情景的版本.研究表明,華東區域大氣環境數值預報業務系統使用基于MEIC2010年版的排放源清單,對PM2.5業務預報具有較好的效果[32];常爐予等[35]利用該清單研究了上海持續性PM2.5重污染天氣過程,具有較好的模擬效果.

2 污染天氣分型

2.1 污染天氣形勢分型及描述

依據《環境空氣質量標準》[36],通過對2014~ 2017年上海出現的PM2.5中度及以上污染過程(共59d)的地面形勢分析,發現上海出現PM2.5中度及以上污染的地面天氣形勢場主要可分為3類:輸送型、靜穩型和疊加型(圖2).這與許建明等[10]利用客觀方法對上海地區PM2.5污染天氣分型以及戴竹君等[13]針對江蘇省重霾的研究結果基本一致.(1)輸送型:由于北方冷空氣強勢推進,上海受西北氣流控制,主要受冷鋒的影響;(2)靜穩型:該型大多是由于冷空氣較弱,或弱氣壓場控制,氣壓梯度和風速均較小;(3)疊加型:該型是由于前期受冷空氣輸送影響,后期隨著高壓移近,上海受弱高壓控制,或者上海前期處于地面倒槽的頂部控制,后期弱高壓移近,上海受冷空氣輸送影響.其中,輸送型和疊加型是上海冬季PM2.5中度及以上污染的主要地面形勢.

普查2014~2017年天氣圖,按照以上3種天氣類型分型并統計3種天氣型總日數、上海出現PM2.5中度及以上污染日數、不同天氣型PM2.5中度及以上污染發生概率以及中度及以上污染PM2.5平均濃度(表1).可見,4年來上海發生輸送型天氣形勢最多(186d),疊加型最少(139d),靜穩型處于兩者之間(173d).PM2.5中度及以上污染日數、發生概率及PM2.5平均濃度均呈現輸送型最大,疊加型次之,靜穩型最少的特征.輸送型是影響上海市PM2.5中度及以上污染的主要天氣形勢.

表1 2014~2017年3種天氣類型總日數、中度以上污染日數、發生概率及PM2.5濃度統計

利用NCEP(FNL)日平均資料,對2014~2017年上海出現PM2.5中度及以上污染3種主要污染天氣型的海平面氣壓(SLP)場和10m水平風場進行平均統計分析,樣本數共59d,圖2是每種天氣形勢所有樣本合成的海平面氣壓場以及10m風場分布,分析如下:(1)輸送型出現了27d,由圖2可知,冷高壓主體位于西北地區,鋒面呈東北-西南向經過上海,上海主導風向為西北風,風力較強.上游的河北、河南、安徽、江蘇及山東內陸地區處于變性冷高壓控制,氣壓場較弱,主導風向為西北風,有利于將上游的污染物輸送到上海.(2)靜穩型出現了14d,上海受均壓場控制(鞍型場),長三角地區氣壓梯度很小,風力較小,不利于長三角區域內污染物擴散.(3)疊加型出現了18d,冷高壓主體位于西北地區,華東地區受變性高壓控制,氣壓梯度較小,風向雜亂,上海以偏西風為主,風力較小.這種形勢下,上海既受污染氣團累積影響,又受弱冷空氣輸送的影響.

以污染程度和地面形勢場作為參考指標選取典型重污染個例,并加以對比分析.從滿足這3類地面形勢的過程中挑選出上海污染最嚴重的個例,分別為2014年1月30日(靜穩型)、2015年12月15日(輸送型)和2015年1月10日(疊加型),這3次過程上海均出現重度污染,PM2.5日均濃度201.2μg/m3,同時這3次過程分別是3種污染天氣類型中具有代表性的過程,具有一定的個例特殊性,今后的工作中我們將進一步研究3種污染天氣型的普遍性特征.

圖2 上海3類主要污染天氣形勢

(a)輸送型;(b)靜穩型;(c)疊加型(陰影:海平面氣壓場;箭頭:地面10m風矢量)

2.2 3類污染天氣型氣象成因和維持機制

2.2.1 要素分析 對比3次過程的氣象要素(表2,觀測站為上海寶山站),發現有如下特征:(1)地面形勢,輸送型(2015年12月14~16日)主要為冷鋒影響前后,華北地區污染物伴隨冷鋒影響上海.靜穩型(2014年1月29~31日)上海主要受均壓場控制,上海的重污染主要來源于周邊排放源的貢獻.疊加型(2015年1月9~11日)上海前期受變性高壓控制,氣壓場弱污染物不斷累積,后期受東路冷空氣影響,上游污染物伴隨冷空氣影響上海,進一步加重污染.(2)在重度污染維持時間上,除了靜穩型過程維持時間較短外,其他兩次過程都持續2d以上.(3)從良到重污染所需時間上來看,靜穩型時間最短(5h),疊加型時間最長(17h),輸送型介于兩者之間(11h).(4)從重度污染發生時出現頻率最多的風向來看,靜穩型風向不穩定,主導風向是東南東風(ESE),重污染期間平均風速為2.6m/s;輸送型為西或西北風,主導風向為西風(W),重污染期間平均風速為3.0m/s;疊加型為偏西風轉東北風,主導風向為西風(W),重污染期間平均風速為1.5m/s.(5)重污染消散時間上,靜穩型最長(13h),輸送型次之(4h),疊加型最短(2h).(6)重污染消散前風速明顯增大.(7)由于天氣形勢不同,污染清除的原因也不同,輸送型主要是由于中路冷空氣北風驅散,靜穩型是南風,疊加型是東路冷空氣東北風驅散.對比這3次過程污染的清除效果和清除時間不難發現,冷空氣的驅散效果略勝一籌,污染清除時間只需2~4h,而靜穩過程污染的清除時間都需要0.5d以上.

表2 3次典型重度污染過程要素對比

(a)2015年12月12日20:00~16日20:00;(b)2014年1月28日20:00~2月1日20:00;(c)2015年1月8日20:00~12日20:00

2.2.2 熱力條件 為對比分析3次不同類型重度污染天氣的層結狀況,采用逐日4次的NCEP FNL資料(1°×1°)繪制了溫度層結時序圖(圖3).

圖4 3次重度污染過程上海PM2.5濃度隨時間變化

(a)2015年12月12日20:00~16日20:00;(b)2014年1月28日20:00~2月1日20:00;(c)2015年1月8日20:00~12日20:00

圖3a為第1次過程,冷鋒輸送型,12月12~15日上海處在冷鋒前暖區控制下,0℃高度維持在750hPa以上, 900~800hPa之間存在逆溫層,逆溫強度不大,逆溫層厚度適中,15日白天開始上海轉為冷鋒影響,受冷空氣影響,0℃層厚度逐漸降低,上部冷空氣下沉導致大氣垂直壓縮作用明顯,伴隨冷空氣輸送至上海的污染物在垂直壓縮的作用下,濃度上升明顯.16日傍晚開始,冷空氣主體已經影響上海,上海受冷氣團控制,風力加大,污染消散.圖3b為靜穩型污染過程,與輸送型相比,近地層溫度更高,逆溫層厚度更厚,逆溫強度明顯強于冷鋒前型,且逆溫維持的時間更長.圖3c為疊加型重污染過程,1月8日20:00~11日上半夜上海位于暖氣團均壓區控制,逆溫不明顯,11日下半夜轉為位于西路冷鋒前部,此時上海在850hPa以下都出現了明顯的鋒前逆溫,11日后期轉受東路冷空氣影響,又伴隨一次上游輸送過程.對比溫度層結時序圖(圖3)與PM2.5濃度(圖4)的時間變化特征,溫度層結變化對不同類型污染過程有較好的指示意義,可見溫度層結對重度污染的維持和消散有重要意義.

3 FLEXPART模式源區分析

3.1 三種主要污染類型來源模擬

本文利用WRF-FLEXPART模式反演分析造成上海PM2.5中度及以上污染3種污染類型污染物源區分布特征.將試驗計算所得到的污染敏感系數繪制成平面圖反映的是“潛在源區”(印痕分布),而“潛在源區”分布只能定性地給出可能影響上海PM2.5濃度的源區分布,未結合排放源信息進行模擬.下面分別給出3種類型污染在不同時間段的潛在貢獻來源區域分布.本文定義污染前1d為污染前1~24h,污染前2d為污染前25~48h.

3.1.1 輸送型 輸送型日數占2014~2017年PM2.5中度污染以上總日數的45.8%.由上海污染當天至污染前2d平均潛在源區分布(圖5a)可見,輸送型污染潛在源區主要來自江蘇大部、山東中南部以及安徽中北部等地.污染前1d(1~24h),影響上海的潛在貢獻來源路徑有明顯的3條,分別為東路(1)、中路(2)和西路(3)(圖5b);而污染前2d(25~48h),可以從圖5c中看到此時段的潛在貢獻來源在山東中西部、山西中東部以及安徽-河南中部一帶為主要潛在貢獻源區.值得注意的是,有一條較明顯的潛在輸送帶自遼寧中東部起始,沿海上路徑影響上海地區,需要適時考慮此條路徑的輸送影響.

3.1.2 靜穩型 靜穩型日數占2014~2017年PM2.5中度污染及以上總日數的23.7%.如圖6a所示,靜穩型污染天氣類型的污染潛在貢獻區域主要集中在上海地區以及周邊的江蘇中南部、安徽東南部和浙江中北部地區;而其中,上海本地的潛在污染貢獻最為顯著.與輸送型污染天氣不同的是,靜穩型污染天氣類型在污染前2d(25~48h)的潛在污染源區分布較為分散,貢獻程度也相對較弱,圖6b、圖6c.因此,靜穩型污染天氣類型主要是由于污染前1d開始的上海本地及周邊地區的潛在污染貢獻所導致.

3.1.3 疊加型 疊加型日數占2014~2017年PM2.5中度污染以上總日數的30.5%.如圖7a所示,此類型的污染潛在貢獻分布特點介于輸送型和靜穩型之間,既有明顯的潛在輸送帶,也有較明顯的上海周邊潛在貢獻區域.而在污染前2d(圖7c),也能夠明顯看到東路(1)、中路(2)和西路(3)3條較明顯的輸送帶;而浙江中北部地區的潛在源區也體現了靜穩天氣條件下的影響上海的潛在輸送來源區域.

圖5 上海地區輸送型PM2.5高濃度單位網格潛在源區分布

(a)污染當天至污染前2d平均潛在源區分布;(b)污染前1d平均潛在源區分布;(c)污染前2d平均潛在源區分布

圖6 上海地區靜穩型PM2.5高濃度單位網格潛在源區分布

(a)污染當天至污染前2d平均潛在源區分布;(b)污染前1d平均潛在源區分布;(c)污染前2d平均潛在源區分布

圖7 上海地區疊加型PM2.5高濃度單位網格潛在貢獻來源區域分布

(a)污染當天至污染前2d平均潛在源區分布;(b)污染前1d平均潛在源區分布;(c)污染前2d平均潛在源區分布

3.2 典型污染個例污染來源模擬

Ye等[37]研究表明,在上海地區,PM2.5污染時,硫酸鹽(SO42-)、硝酸鹽(NO3-)和銨鹽(NH4+)占PM2.5總質量濃度的41.6%.而污染時段,銨鹽濃度較之前不污染時段增大5倍左右[38].同時,一般在區域大氣化學模式中不考慮金屬離子進行相關計算,則銨根陽離子便成為大氣化學模式中唯一引入的陽離子.因此,本文選擇生成銨鹽的前體物NH3作為PM2.5示蹤物進行模擬分析研究.考慮NH3排放源的高度,本部分選擇模式100m及以下層次的污染敏感系數進行計算(式(4)和式(5)):

式中:(i,j,t)代表時間坐標()位置的排放量;(i,j)代表研究時間段內的總排放量;RE(i,j)代表考慮排放源后的實際污染敏感系數.

選擇本文第3部分中列出的上海污染最嚴重的三類不同污染個例,使用WRF-FLEXPART模式結合排放源(MEIC2010年版)進行貢獻定量分析.選擇2015年12月15日作為輸送型個例、2014年1月30日作為靜穩型個例、2015年1月10日作為疊加型作為典型污染個例進行分類研究分析.

2015年12月15日的WRF-FLEXPART定量分析中可以看到,潛在貢獻來源分布(未考慮排放源信息)(圖8a)能夠給出直觀的污染前0~48h的潛在污染輸送通道:自西北方向以來,距離上海越近的區域潛在污染來源通道寬度越窄,貢獻強度越集中.污染上游的山西、京津冀、山東等地距離上海較遠,潛在貢獻較小.其中,最大潛在污染貢獻區域集中在江蘇中南部地區.考慮NH3示蹤物的排放源后(圖8b),此次污染過程的實際污染貢獻區域主要分布在江蘇沿海地區及山東西南部,與上海距離更遠的京津冀和山西地區的實際污染貢獻則較低.

圖8 2015年12月15日上海地區單位網格潛在貢獻來源分布和實際貢獻分布

(a)潛在貢獻來源分布;(b)實際貢獻來源分布

圖9 2014年1月30日上海地區單位網格潛在貢獻來源分布和實際貢獻分布

(a)潛在貢獻來源分布;(b)實際貢獻來源分布

圖10 2015年1月10日上海地區單位網格潛在貢獻來源分布和實際貢獻分布

(a)潛在貢獻來源分布;(b)實際貢獻來源分布

2014年1月30日上海屬于靜穩型污染類型,通過WRF-FLEXPART定量分析,主要的潛在污染貢獻區域(未考慮排放源信息)分布在上海及其周邊區域(圖9a).受到主導風向為偏西風和偏南風的影響,安徽中部-江蘇南部以及浙江沿海及海面也存在著兩條弱潛在污染貢獻帶.而將NH3示蹤物的排放強度作為權重之后(圖9b),實際貢獻相比潛在貢獻發生了顯著變化.由于海上沒有人為的NH3排放,浙江東部海面便不存在實際污染貢獻區域,影響上海實際污染貢獻絕大部分集中在上海本地及周邊區域.

2015年1月10日屬于疊加型污染個例.從圖10a中可以看到,此次污染過程的潛在輸送貢獻來源(未考慮排放源信息)主要分布于上海本地以及江蘇中北部一帶;同時,受到主導風向的影響,上海東北部海面也有一條較弱的潛在污染輸送帶.考慮NH3排放源之后(圖10b),主要的實際污染貢獻區域集中在上海及江蘇中部的一條污染貢獻帶上,而距離較遠的河南中部-安徽西部也存在一條強度稍弱的污染貢獻帶;此外,原本出現在海上的潛在污染區域沒有出現在實際污染貢獻區域中.值得注意的是,此類型(疊加型)中,上海本地的潛在污染貢獻和實際污染貢獻的強度和范圍(圖10)要明顯高于輸送型(圖8),同時低于靜穩型(圖9).

綜上所述, 本文使用WRF-FLEXPART模式結合排放源清單對造成上海不同污染天氣類型下的污染來源以及路徑進行初步分析,模式對上海地區PM2.5高污染濃度-時間序列的氣團主要源地模擬能力較好,可以為大氣污染區域協同控制減排提供參考.下一步的工作是將PM2.5實時觀測數據與WRF- FLEXPART模式結合進行模擬分析,將會為污染防治提供更加有針對性的技術支持和參考.

4 結論

4.1 上海PM2.5中度及以上污染的地面形勢主要分為3類:輸送型、靜穩型和疊加型.上海發生輸送型天氣形勢最多,疊加型最少.中度及以上污染日數、發生概率及PM2.5平均濃度均呈現輸送型最大,疊加型次之,靜穩型最少的特征.輸送型是影響上海市PM2.5中度及以上污染的主要天氣類型.

4.2 3類污染個例中,輸送型主要為華北地區污染物伴隨冷鋒影響上海.靜穩型時上海主要受均壓場控制,上海重污染主要來源于周邊排放源的貢獻.疊加型主要表現在上海前期受變性高壓控制,氣壓場弱,污染物不斷累積,后期受東路冷空氣影響,上游污染物伴隨冷空氣影響上海,進一步加重污染.不同污染形勢污染清除的原因不同,輸送型主要是中路冷空氣北風驅散,靜穩型是南風,疊加型是東路冷空氣東北風驅散.冷空氣對污染物的驅散效果較靜穩過程污染清除效果更好.

4.3 利用WRF-FLEXPART模式反演分析造成上海PM2.5中度及以上污染3種污染類型污染物源區分布特征, 發現不同污染天氣類型潛在貢獻來源區域分布.輸送型污染潛在源區主要位于江蘇大部、山東中南部以及安徽中北部.此類型有東路、中路和西路3條明顯影響上海的潛在路徑.靜穩型污染的污染潛在源區主要集中在上海地區及江蘇中南部、安徽東南部和浙江中北部地區.疊加型污染潛在貢獻分布特點介于輸送型和靜穩型之間,既有明顯3條潛在輸送帶,也有較明顯的上海周邊潛在污染貢獻區域.

[1] Sorensen M, Daneshvar B, Hansen M, et al. Personal PM2.5exposure and markers of oxidative stress in blood [J]. Environmental Health Perspectives, 2003,111(2):161-166.

[2] 郭新彪,魏紅英.大氣PM2.5對健康影響的研究進展[J]. 科學通報, 2013,58(13):1171-1177.Guo X B, Wei H Y. Progress on the health effects of ambient PM2.5pollution [J]. Chinese Science Bulletin, 2013,58(13):1171-1177.

[3] 浦靜姣,徐宏輝,馬千里.長江三角洲背景地區大氣污染對能見度的影響[J]. 中國環境科學, 2017,37(12):4435-4441. Pu J J, Xu H H, Ma Q L. Impacts of atmospheric pollution on visibility in the background area of Yangtze River Delta, China [J]. China Environmental Science, 2017,37(12):4435-4441.

[4] Zhang L W, Chen X, Xue X D, et al. Long -term exposure to high particulate matter pollution and cardiovascular mortality: a 12-year cohort study in four cities in northern China [J]. Environment International, 2014,62:41-47.

[5] Mohammad H F, Alexander L, Anderson H R, et al. Global, regional, and national comparative risk assessment of 79behavioral, environmental and occupational, and metabolic risks or clusters of risks in 188countries, 1990~2013: a systematic analysis for the global burden of disease study 2013 [J]. Lancet, 2015,385:117-171.

[6] Pope C. Epidemiology of fine particulate air pollution and human health: biologic mechanisms and who's at risk [J]. Environmental Health Perspectives, 2000,108:713-723.

[7] 王郭臣,王 玨,信玉潔,等.天津PM10和NO2輸送路徑及潛在源區研究[J]. 中國環境科學, 2014,34(12):3009-3016. Wang G C, W J, Xin Y J, et al. Transportation pathways and potential source areas of PM10and NO2in Tianjin [J]. China Environmental Science, 2014,34(12):3009-3016.

[8] 李 莉,蔡鋆琳,周 敏.2013年12月中國中東部地區嚴重灰霾期間上海市顆粒物的輸送途徑及潛在源區貢獻分析[J]. 環境科學, 2015,36(7):2327-2336. Li L, Cai J L, Zhou M. Potential source contribution analysis of the particulate matters in Shanghai during the heavy haze episode in Eastern and Middle China in December, 2013 [J]. Environmental Science, 2015,36(7):2327-2336.

[9] 楊 欣,陳義珍,趙妤希,等.2014～2017年北京城區霾污染態勢及潛在來源[J]. 中國環境科學, 2018,38(9):3232-3239. Yang X, Chen Y Z, Zhao Y X, et al. Analysis of haze pollution situation and potential sources in Beijing urban area from 2014 to 2017 [J]. China Environmental Science, 2018,38(9):3232-3239.

[10] 許建明,常爐予,馬井會,等.上海秋冬季PM2.5污染天氣形勢的客觀分型研究[J]. 環境科學學報, 2016,36(12):4303-4314. Xu J M, Chang L Y, Ma J H, et al. Objective synoptic weather classification on PM2.5pollution during autumn and winter seasons in Shanghai [J]. Acta Scientiae Circumstantiae, 2016,36(12):4303-4314.

[11] 王 茜.利用軌跡模式研究上海大氣污染的輸送來源[J]. 環境科學研究, 2013,26(4):357-363. Wang Q. Study of air pollution transportation source in Shanghai using trajectory model [J]. Research of Environmental Science, 2013,26(4): 357-363.

[12] 張國璉,甄新蓉,談建國,等.影響上海市空氣質量的地面天氣類型及氣象要素分析[J]. 熱帶氣象學報, 2010,26(1):124-128. Zhang G L, Zhen X R, Tan J G, et al. The analysis of the relationship between the air quality in Shanghai and surface pressure patterns and meteorological factors [J]. Journal of Tropical Meteorology, 2010, 26(1):124-128.

[13] 戴竹君,劉端陽,王宏斌,等.江蘇秋冬季重度霾的分型研究[J]. 氣象學報, 2016,74(1):133-148. Dai Z J, Liu D Y, Wang H B, et al. The classification study of the heavy haze during autumn and winter of Jiangsu [J]. Journal of Meteorological Research, 2016,74(1):133-148.

[14] 楊 旭,張小玲,康延臻,等.京津冀地區冬半年空氣污染天氣分型研究[J]. 中國環境科學, 2017,37(9):3201-3209.Yang X, Zhang X L, Kang Y Z, et al. Circulation weather type classification for air pollution over the Beijing-Tianjin-Hebei region during winter [J]. China Environmental Science, 2017,37(9):3201-3209.

[15] Zhang J P, Zhu T, Zhang Q H, et al. The impact of circulation patterns on regional transport pathways and air quality over Beijing and its surroundings [J]. Atmospheric Chemistry and Physics, 2012,11(12): 33465-33509.

[16] 梁卓然,顧婷婷,楊續超,等.基于環流分型法的地面臭氧預測模型[J]. 中國環境科學, 2017,37(12):4469-4479. Liang Z R, Gu T T, Yang X C, et al. Study on circulation classification based surface ozone concentration prediction model [J]. China Environmental Science, 2017,37(12):4469-4479.

[17] Stohl A, Forster C, Frank A, et al. Technical Note: The Lagrangian particle dispersion model FLEXPART version6.2 [J]. Atmospheric Chemistry and Physics, 2005,5(9):2461-2474.

[18] Seibert P, Frank A. Source-receptor matrix calculation with a Lagrangian particle dispersion model in backward mode [J]. Atmospheric Chemistry and Physics, 2004,4:51-63.

[19] Stohl A, Trickl T. A textbook example of long-range transport: Simultaneous observation of ozone maxima of stratospheric and North American origin in the free troposphere over Europe [J]. Journal of Geophysical Research, 1999,104(30):445-462.

[20] Stohl A, Forster C, Eckhardt S, et al. A backward modeling study of intercontinental pollution transport using aircraft measurements [J]. Journal of Geophysical Research, 2003,108(D12):4370-4377.

[21] Stohl A, Seibert P, Arduin J. An analytical inversion method for determining regional and global emissions of greenhouse gases: Sensitivity studies and application to halocarbons [J]. Atmospheric Chemistry and Physics, 2009,9:1597-1620.

[22] Hirdman D, Sodemann H, Eckhardt S, et al. Source identification of short-lived air pollutants in the Arctic using statistical analysis of measurement data and particle dispersion model output [J]. Atmospheric Chemistry and Physics, 2010,9(5):669-693.

[23] Halse A K, Eckhardt S, Schlabach M, et al. Forecasting long-range atmospheric transport episodes of polychlorinated biphenyls using FLEXPART [J]. Atmospheric Environment, 2013,71(2):335-339.

[24] Foy B, Zavala M, Bei N, et al. Evaluation of WRF mesoscale simulations and particle trajectory analysis for the MILAGRO field campaign [J]. Atmospheric Chemistry and Physics, 2009,9(13): 4419-4438.

[25] 李 巖,安興琴,姚 波,等.北京地區FLEXPART模式適用性初步研究[J]. 環境科學學報, 2010,30(8):1674-1681. Li Y, An X Q, Yao B, et al. A preliminary study on the applicability of the FLEXPART model to Beijing [J]. Acta Scientiae Circumstantiae, 2010,30(8):1674-1681.

[26] 安興琴,姚 波,李 巖,等.利用FLEXPART模式反演中國區域SF6排放量[J]. 環境科學學報, 2014,34(5):1133-1140. An X Q, Yao B, Li Y, et al. Estimating emission of SF6in China by atmospheric observation data and inverse modeling [J]. Acta Scientiae Circumstantiae, 2014,34(5):1133-1140.

[27] 吳保見,王 昆,賈 立,等.源項對FLEXPART模式模擬福島核事故放射性物質長距離傳輸的影響[J]. 氣候與環境研究, 2017,22(1): 10-22. Wu B J, Wang K, Jia L, et al. Influences of source term on long-range transport of radionuclides from the Fukushima Daiichi nuclear accident with FLEXPART model [J]. Climatic and Environmental Research, 2017,22(1):10?22.

[28] 陳賽華,周廣強,朱 彬,等.一種快速定量估計大氣污染物來源的方法[J]. 環境科學學報, 2017,37(7):2474-2481. Chen S H, Zhou G Q, Zhu B, et al. A method for fast quantification of air pollutant sources [J]. Acta Scientiae Circumstantiae, 2017,37(7): 2474-2481.

[29] Kalnay E, Kanamitsu M, Kistler R, et al. The NCEP/NCAR 40-year reanalysis project [J]. Bulletin of the American Meteorological Society, 1996,77(3):437-471.

[30] Skamarock W C, Klemp J B, Dudhia J, et al. A description of the advanced research WRF Version 3 [Z]. Ncar Technical Note, 2008, NCAR/TN-475 + STR.

[31] 王曉君,馬 浩.新一代中尺度預報模式(WRF)國內應用進展 [J]. 地球科學進展, 2011,26(11):1191-1199. Wang X J, Ma H. Progress of application of the Weather Research and forecast (WRF) model in China [J]. Advances in Earth Science, 2011, 26(11):1191-1199.

[32] 周廣強,謝 英,吳劍斌,等.基于WRF-Chem模式的華東區域PM2.5預報及偏差原因[J]. 中國環境科學, 2016,36(8):2251-2259. Zhou G Q, Xie Y, Wu J B, et al. WRF-Chem based PM2.5forecast and bias analysis over the East China Region [J]. China Environmental Science, 2016,36(8):2251-2259.

[33] 蔡旭暉.湍流微氣象觀測的印痕分析方法及其應用拓展[J]. 大氣科學, 2008,32(1):123-132. Cai X H. Footprint analysis in Micrometeorology and its extended applications [J]. Chinese Journal of Atmospheric Sciences, 2008,32(1): 123-132.

[34] 何 斌,梅士龍,陸琛莉,等.MEIC排放清單在空氣質量模式中的應用研究[J]. 中國環境科學, 2017,37(10):3658-3668. He B, Mei S L, Lu C L, et al. The application of MEIC emission inventory in air quality model [J]. China Environmental Science, 2017, 37(10):3658-3668.

[35] 常爐予,許建明,周廣強,等.上海典型持續性PM2.5重度污染的數值模擬[J]. 環境科學, 2016,37(3):825-833. Chang L Y, Xu J M, Zhou G Q, et al. A Numerical Study of Typical Heavy Air Pollution Episode of PM2.5in Shanghai [J]. Environmental Science, 2016,37(3):825-833.

[36] GB3095-2012 環境空氣質量標準 [S]. GB3095-2012 Ambient air quality standard [S].

[37] Ye B M, Ji X L, Yang H Z, et al. Concentration and Chemical Composition of PM2.5in Shanghai for a 1-year Period [J]. Atmospheric Environment, 2003,37(4):499–510.

[38] Zhou G Q, Yang F, Geng F H, et al. Measuring and Modeling Aerosol: Relationship with Haze Events in Shanghai, China [J]. Aerosol and Air Quality Research, 2014,14(3):783-792.

Numerical simulations of sources and transport pathways of different PM2.5pollution types in Shanghai.

YU Zhong-qi1,2, MA Jing-hui1,2*, CAO Yu1,2, CHANG Lu-yu1,2, XU Jian-ming1,2, ZHOU Guang-qiang1,2

(1.Yangtze River Delta Center for Environmental Meteorology Prediction and Warning, Shanghai 200030, China；2.Shanghai Key Laboratory of Meteorology and Health, Shanghai Meteorological Service, Shanghai 200030, China)., 2019,39(1)：21~31

Synoptic weather patterns during the moderate and severe PM2.5pollution processes in Shanghai from 2014 to 2017 were analyzed in the paper. The pollution processes were classified into 3types, i.e., the transport type, the stagnant type and the combined type. The severe PM2.5pollution events in Shanghai were mostly dominated by the transport type, accounting for 45.8% of total severe pollution events. The FLEXPART model driven by the WRF model with MEIC emissions was used to investigate the meteorological attribution and maintenance mechanisms of air pollution under each weather pattern in this paper. Specifically, the transport type showed 3main pollution transport pathways affected Shanghai, i.e., the eastern pathway (the East China Sea), the middle pathway (Jiangsu coastal area) and the western pathway (Anhui-southern Jiangsu), which mainly occurred 1d before pollution. The stagnant type showed pollution potential source area in Shanghai and its surrounding regions. The combined type showed both apparent transport pathways and potential source area in and nearby Shanghai.

FLEXPART model；PM2.5pollution；pollution weather classification；pollution sources；transport characteristics

X513

A

1000-6923(2019)01-0021-11

余鐘奇(1989-),男,江蘇南京人,工程師,碩士,主要從事環境氣象研究.發表論文7篇.

2018-06-22

國家重點研發計劃項目(2016YFC0201900);國家自然基金資助項目(41475040);上海氣象局面上科研項目(MS201808)

* 責任作者, 高級工程師, 18918206605@163.com