北京冬季疫情期間空氣質量及氣象影響分析

尹曉梅,李梓銘,喬 林,劉湘雪,郭 恒,吳 進,朱曉婉,邱雨露,王繼康,張小曳

北京冬季疫情期間空氣質量及氣象影響分析

尹曉梅1,2,李梓銘2*,喬 林2,劉湘雪2,郭 恒2,吳 進2,朱曉婉2,邱雨露2,王繼康3,張小曳4

(1.北京城市氣象研究院,北京 100089；2.京津冀環境氣象預報預警中心,北京 100089；3.國家氣象中心,北京 100081；4.中國氣象科學研究院災害天氣國家重點實驗室&中國氣象局大氣化學重點開放實驗室,中國氣象科學研究院,北京 100081)

針對北京地區2020年冬季疫情防控期(1月24至2月29)的空氣質量及兩次持續性重污染過程進行分析,探究了該時段的大氣污染特征及其氣象影響.與過去5a同期相比,2020年疫情防控期間北京冷空氣強度偏弱,活動頻次偏少50%,氣溫偏高0.73℃,風速和混合層高度偏低17.8%和32.5%,相對濕度和露點溫度增加60.9%和48.1%,偏北風頻率減少7.5%,而偏南風和偏東風頻率均增大6.0%;氣象條件較歷史同期明顯轉差;雖然降水量偏多,但整體降水強度弱、時次集中,因而顆粒物的整體清除作用有限.兩次重污染過程(1月24～29日和2月8～13日)分別維持59和75h,兩個過程累積階段(1月24～25日和2月9～11日)均受區域輸送影響較大,輸送占比為70%和58%,分偏東和偏南兩個通道.針對污染過程的源解析顯示,本地污染貢獻占比為67%和48%,可見在維持和加重階段顆粒物的吸濕增長和二次生成占比增加.經分析,“高濕靜穩”的不利氣象背景下,大氣垂直動力和水平輻合的疊加使PM2.5和水汽在北京平原累積,將其壓制在邊界層內快速增長;升高的污染物也與靜穩的邊界層氣象因子雙向反饋,導致污染進一步加重.根據EMI指數計算,2020年冬季疫情防控期的氣象條件約引起70.1%的PM2.5濃度增加;而與過去5a同期相比,疫情防控期間排放的減少抵消了約53%的不利氣象條件影響;兩次污染過程與過去5a同期的9次過程相比,EMI分別偏大26.9%和19.7%,但PM2.5濃度基本持平或略有降低.可見,在目前的排放基數上,即使出現特殊情況下的城市封鎖,排放量的減少將削減污染濃度峰值,但仍不足以完全抵消不利氣象條件的影響.

疫情防控；北京；重污染；氣象條件；污染特征；PM2.5

近幾年,中國中東部地區因PM2.5濃度升高而導致的霧霾天氣多發[1-4],引起能見度降低,對社會經濟發展和人體健康帶來極大影響[5-7].重污染天氣多由不利的氣象條件疊加較高的污染源排放共同導致[8-15].2013年,國務院印發“大氣十條”旨在大力推進重點區域的空氣質量改善[16].截止2019年,北京市平均PM2.5質量濃度降低至42μg/m3[17],實現自2013年起連續6a降低;空氣質量達標(優和良)天數為240d,空氣質量改善顯著.

2020年冬季新型冠狀病毒肺炎(COVID-19,簡稱“新冠肺炎”)疫情突然爆發,引起社會廣泛關注.Urrutia-Pereira等[18]通過分析世界疫情防控關鍵地區的環境數據,探討了COVID-19的爆發和傳播對環境污染的影響.Higham等[19]利用官方空氣質量傳感器和氣象局站點觀測對比了“國家封鎖”100d下人類活動減少與空氣質量變化之間的關系,研究表明NO與過去7a同期降低50%,但O3和SO2分別增加了10%和一倍多,氣象條件和NO降低造成的復雜空氣化學不平衡可能是造成上述現象的潛在因素.Yao等[20-21]分別對武漢及中國49個城市的COVID-19致死率與顆粒物濃度之間的時空相關性進行統計,得到兩者之間呈顯著的正相關關系,PM10和PM2.5濃度每增加10μg/m3,COVID-19致死率將分別增加0.24% (0.01%～0.48%)和0.26% (0.00%～ 0.51%).Berman等[22]針對美國大陸2020年1月8日～3月12日疫情前和3月13日～4月21日疫情期間的PM2.5和NO2濃度分析,并與2017～2019年同期歷史數據對比,發現疫情期間NO2下降約25.5%,其絕對濃度減少4.8×10-9;此外,近地面PM2.5濃度也降低,且城市區域的降幅更明顯.在中國,受春節假期及新冠疫情防控導致的延遲復工等綜合影響,華北平原出現大量工地停工、交通出行嚴格管制、集市集會活動停止、工業企業排放量降低等現象,人為活動強度降低[23].2020年第一季度與2019年同期相比,全國碳排放量降低9.8%,交通部門降幅達到43.4%[24].雖然污染排放強度發生變化,污染物的一次排放減少[25-26],但中國東部地區尤其是京津冀區域仍出現多次空氣重污染過程;北京冬季疫情防控期間(1月24至2月29日)的主要污染物濃度與過去5a(2015～2019年)同期相比,呈現“三降(SO2、NO2、PM10)三升(PM2.5、CO、O3)”的變化趨勢,PM2.5濃度增長17.7%,中度及以上程度污染占比顯著增加.盡管新冠肺炎疫情的出現對健康的嚴重影響是最主要關注事項,但該特殊時期下重空氣污染過程的發生及污染特征研究,對理解氣象條件及社會減排對污染的影響具有重要的啟示意義;此外,通過分析“城市封鎖”狀態下的空氣質量變化,可為對比評估現有的環境政策實施成本提供新的視角.

1 數據和方法

1.1 污染物濃度

采用的6種常規污染物站點監測數據來源于中國環境監測總站全國城市空氣質量實時發布平臺(逐小時),全市平均值來自12個國控站點數據的平均.在污染過程分析中,PM2.5分析站點選取的是位于北京市中心的天壇站(116.43°E,39.87°N).

1.2 氣象數據

近地面常規氣象數據來源于中國氣象局常規地面觀測(逐小時),站點選取的是國家級氣象觀測站點南郊觀象臺(116.47°E,39.81°N),為此在污染過程分析中,PM2.5質量濃度采用的是距離觀象臺較近的天壇站的觀測資料.

1.3 氣象條件評估指數(EMI)

使用的PM2.5氣象條件評估指數(EMI)的計算方法源自中華人民共和國氣象行業標準QX/T479-2019[27].EMI是用于表征PM2.5濃度變化中的氣象條件貢獻的無量綱指標,由地面至1500m高度氣柱內PM2.5平均濃度與參考濃度的比值表示.其中,EMI值越大,表征氣象條件越不利于近地面大氣中PM2.5的稀釋與擴散.

1.4 CAMx

CAMx模式是美國Environ公司開發的三維綜合空氣質量模式,在國內外空氣質量模擬研究中應用廣泛.使用中尺度氣象模式WRF3.5.1為模擬提供氣象場背景, 利用CAMx6.2對大氣化學過程進行模擬,運用CAMx的PAST技術進行源-受體關系分析計算特定排放源對周圍顆粒物濃度貢獻量,從而對研究地區顆粒物的區域及行業排放來源進行分析,模式具體設置參照文獻[28-30].

1.5 HYSPLIT后向軌跡模式

HYSPLIT是美國國家海洋和大氣管理局(NOAA)等開發的用于計算大氣污染物輸送和擴散軌跡的專業模式[31].HYSPLIT可進行前向軌跡和后向軌跡模擬.其中,后向軌跡涉及復雜的化學反應,可清晰地顯示污染源和受體之間的關系,在空氣團、污染物、水汽等來源及確定傳輸路徑分析中應用廣泛[32-33].采用HYSPLIT v4.9后向軌跡分析2020年冬季疫情防控期間(1月24日～2月29日)兩次污染過程(2020-01-24～2020-01-29、2020-02-08～2020- 02-13)的水汽輸送軌跡.采用NOAA的1°×1°全球再分析資料GDAS1驅動模型,設定終點坐標為(39.92°N,116.42°E),后向時間尺度為72h,時間分辨率為1h,選取100m高度層作為初始高度進行模擬,并進行聚類分析.

2 結果與討論

2.1 空氣質量實況分析

2020年冬季疫情防控期間,北京常規大氣污染物PM2.5、PM10、SO2、NO2、和O3(日最大8h滑動平均第90百分位,下同)平均濃度分別為72.5,67.1, 5.0,27.9和81.0μg/m3,CO濃度為0.96mg/m3(圖1),與過去5a(2015～2019年)同期相比呈三降(SO2、NO2和PM10)三升(PM2.5、CO和O3)的變化趨勢.其中,SO2、NO2和PM10的平均濃度比過去5a同期顯著降低,變化幅度分別為25.4%、33.9%和17.3%;PM2.5、CO和O3濃度較過去5a同期分別增加17.7%、3.7%和4.6%.與2019年同期相比,PM2.5和CO濃度增幅分別為44.8%和19.0%.可見,PM2.5濃度反彈尤為明顯.其中,SO2、NO2和PM10作為一次排放或以一次排放為主的污染物,大氣含量很大程度受排放強度的影響;2020年疫情期間,社會活動水平下降(能源消耗、移動源和工業源排放降低),因此,SO2、NO2和PM10濃度明顯降低;而PM2.5既有一次排放也有二次轉化生成的貢獻,其濃度受到氣象條件等多種因素的綜合調控,變化復雜,需深入分析.

圖1 北京地區2015～2020年冬季疫情防控同期的常規污染物濃度

根據2020年冬季疫情防控期間的日平均PM2.5濃度進行污染等級劃分,并給出各污染程度的天數占比(表1).研究時段內,北京PM2.5優良等級的天數占比為68%,與過去5a同期平均占比持平,較2019年同期相比減少4%.PM2.5濃度達到中度及以上污染等級的天數占比為24%,與過去5a同期相比偏多8.0%,比2019年同期增加了21%.同時,2020年重度及以上程度污染天數占比為2015年以來最大,污染程度較重.2020年冬季疫情防控期間北京地區中度及以上程度污染占比大幅增加,尤其較2019年同期污染程度明顯加重.

表1 2015～2020年北京冬季疫情防控同期PM2.5污染等級統計(%)

2.2 氣象條件分析

圖2為2020年疫情防控期間空氣質量及氣象要素時間分布圖.研究時段內污染次數較少,但出現了2次持續時間長、污染程度重和能見度降低明顯的污染過程.與過去5a同期相比,2020年冬季疫情防控期間溫度(0.94℃)偏高0.73℃;而風速和混合層高度分別偏低17.8%和32.5%;偏北風頻率(40.2%)比過去5a同期(47.7%)減少7.5%,其中,西北及西北偏北風的頻率減少最多;偏南和偏東風的頻率均增加6.0%,偏南風中增加最明顯的為東南偏南風和南風;表明大氣的水平和垂直擴散能力總體偏弱.相對濕度和露點溫度較過去5a同期分別升高了60.9%和48.1%,高濕(65%～90%)時次占比13.5%,比過去5a同期增多43.5%,大氣含水量的增加對污染物的吸濕增長和二次轉化有利.2020年冬季疫情防控期間降水量13.5mm,為過去5a同期平均累積降水量的2.5倍,但降水強度仍偏弱、降水時次集中、降水持續時間短,對污染物的濕清除作用有限.

圖2 北京地區2020年冬季疫情防控期間的近地面氣象要素

淺灰色、灰色和深灰色分別代表輕度污染,中度污染和重度污染日

北京冬季的大氣擴散條件主要取決于冷空氣的活動情況,而冷空氣又受到東亞冬季風的調制[34].2020年疫情防控期間北京地區冷空氣活動次數為4次,較過去5a同期偏少50.0%,比2015和2019同期(7次)偏少42.9%.據北京市氣候中心提供的東亞冬季風指數[35],2020年冬季東亞冬季風指數-0.244,冬季風強度偏弱,與2015和2017年冬季相似.2020年冬季疫情防控期間東亞冬季風偏弱尤其明顯,亞洲中高緯環流系統異常,東亞大槽東移變淺,我國北方盛行西北偏西氣流,不利于冷空氣南下;海平面氣壓場上西伯利亞高壓范圍偏小,南界北收,引起東北至日本一帶的海平面氣壓正異常,華北常處于高壓后部的偏南及東南氣流控制,有助于海上的暖濕氣流輸送至北京.

2015～2020年研究時段內污染時次的各要素統計顯示(表2),2020年冬季疫情防控期間污染時次的PM2.5平均濃度為150.1μg/m3,與過去5a同期持平,且污染時次占比減小28.4%,但PM2.5比2018和2019年污染時段的濃度升高了22.2%和10.5%.非污染時段的統計顯示,2020年平均PM2.5濃度為30.7μg/m3,較過去5a同期增加了29.1%,也是過去6a以來的最高值.污染時次內,除海平面氣壓基本持平外,氣溫為過去5a同期的2倍,風速偏低21.8%,混合層高度偏低29.3%,相對濕度和露點溫度分別偏高35.8%和56.9%.即污染對應的大氣水平和垂直擴散能力均較過去5a同期明顯減弱,雖PM2.5濃度差別不大,但高濕條件導致能見度偏低37.3%.

表2 北京地區2015～2020年冬季疫情防控同期污染時次要素對比

2.3 污染過程分析

2.3.1 歷史同期污染過程對比 根據圖2的結果挑選2015～2020年同時段持續時間長、程度重的污染過程進行對比,探究2020年冬季疫情防控期間的污染特征及其與過去5a的差異,分析污染加重、PM2.5濃度反彈的氣象成因.圖3為2015～2020年冬季疫情防控同期及11次典型污染過程的EMI分布.2020年冬季疫情防控期間EMI較過去5a同期大幅增加,為2015年以來最高值,平均EMI增幅達70.7%,表明該時期北京地區大氣擴散條件十分不利,為污染過程的發生和維持提供了客觀條件,而實際觀測的PM2.5濃度比過去5a同期增加了17.7%,表明排放減少抵消了53%的不利氣象條件影響.2020年冬季疫情防控期間的重污染天氣主要由氣象條件的次季節變化引起.該時段EMI較非疫情防控時期(2019-12-01日～2020-01-23日)增加了70.1%,說明疫情防控期間大氣擴散條件急劇轉差,導致污染程度加重并出現2次持續性污染過程,PM2.5濃度也較非疫情防控期間增加66.9%.類似的情況也出現在2014年冬季,但2015～2019年的冬季則不明顯.

圖3 北京地區2015～2020年冬季疫情防控同期污染過程EMI對比

圖中橫線代表污染過程的EMI均值

將2020年冬季疫情防控期間的2次污染過程(即過程10和11)與過去5a同期的9次持續性重污染過程對比發現,2次過程的EMI均值比往年9次過程平均EMI分別偏大26.9%和19.7%.其中,過程10跟過程4和5類似,平均EMI分別為6.6、6.2和6.1,較高EMI值(分別為9.2, 8.5和7.6)均出現在過程中期,過程10的PM2.5濃度為172.5μg/m3,與過程4(174.8μg/m3)基本持平,為過程5的81.1%;過程11的EMI跟過程1和6類似,EMI均值分別為6.2, 4.9和5.0,最大EMI(分別為11.9, 8.1和7.8)出現在過程中后期,PM2.5濃度為163.1μg/m3,為過程1的69.5%,與過程6持平.但2020年2次過程的氣象條件相對更不利,進一步說明2020年疫情期間的污染排放量與過去5a相比明顯下降.2次污染過程的PM2.5濃度較過去9次過程的平均值分別偏高4.6%和偏低1.1%,結合EMI指數的變化,說明2次過程中減排的貢獻率分別為22.3%和20.8%.

2.3.2 污染過程 如圖4所示,過程10全市污染持續時間達到59h.1月24日白天弱的偏南風作用下PM2.5濃度逐漸升高,夜間大氣含水量(露點溫度)和相對濕度由-16℃和30%升至25日凌晨的-8℃和80%左右,混合層高度降至200m左右.25日起靜小風頻率增加,區域內的風場輻合加強污染物向平原地區的輸送,邊界層上部弱的垂直下沉和低層弱的輻合上升導致大氣垂直擴散能力轉差.自此,PM2.5最低濃度升至100μg/m3并維持發展,并對氣象條件逐漸產生反饋[36],促進夜間至早晨時段的逆溫形成,逆溫層頂高度逐漸降低,逆溫強度加強并出現多層逆溫,較高的相對濕度又進一步促進了細顆粒物吸濕增長及二次轉化[37],28日12:00的PM2.5達到最高峰值濃度264μg/m3.

圖4 北京地區2020年冬季疫情防控期間污染過程的要素分析

過程11全市污染維持75h.污染前期,低層偏南氣流的作用使海上水汽不斷輸送到京津冀地區,地面輻合線由河北南部沿山一帶不斷向東北延伸,直至到達北京南部后穩定維持,導致水汽及污染物不斷累積增加.此次過程,PM2.5和露點呈同位相增長,露點和相對濕度的峰值較過程10增加了8.8℃和9%,各自的均值較比過程10分別增大74.0%和23.4%.10日夜間至11日12:00的PM2.5濃度快速增長,850hPa以下為弱上升運動,850hPa以上為弱下沉氣流,污染物和水汽被壓縮在邊界層內并混合均勻,導致濕度層增厚和PM2.5日變化特征不顯著.

綜上,過程10 和11均發生在區域氣團相對穩定、大氣環境高濕的不利氣象背景下,大氣垂直動力機制和水平輻合將水汽和污染物匯集至北京并壓制在邊界層內,有利于細顆粒物吸濕增長及二次轉化;逐漸升高的污染物也反過來促使本已靜穩的邊界層氣象條件進一步轉差,形成污染物和氣象條件間的雙向反饋[38-39].2次污染過程開始時均伴隨偏南風或偏東風的輸送,隨后的污染累積階段,相對濕度升高、混合層高度下降、大氣低層風速減弱、水平輻合加強、垂直運動以弱下沉為主等要素變化代表氣象條件進一步轉差,從而導致PM2.5濃度增加.

圖5 北京地區2020年冬季疫情防控期間污染累積階段PM2.5源解析及HYSPLIT后向軌跡分析

利用CAMx模型及HYSPLIT后向軌跡方法對PM2.5的區域及行業來源進行解析,結果如圖5.過程10中,在除夕(1月24日)前后的污染累積階段,區域煙花爆竹燃放產生的大量污染物輸送造成北京空氣質量短時間內轉差2～3個等級;CAMx模擬顯示(圖5a),1月25日,區域輸送對北京PM2.5濃度的貢獻率約為70%,周邊城市中保定的貢獻率最高(占河北總貢獻的30%以上),即該階段是以西南方向的污染傳輸為主.針對整個污染過程(1月24～29日)的分析顯示(圖5c),大部分氣團來自北京南部和東部省市的近距離輸送,貢獻總占比為85%;其中,偏東和西南的路徑輸送分別占57%和29%;1月24～29日北京本地的污染排放貢獻率為67%,周邊地區的輸送占比為33%.過程11的PM2.5濃度累積關鍵時段(2月9～11日),北京本地的排放貢獻率為42%,周邊區域的污染傳輸貢獻占比為58%.其中,東南路徑上的天津、廊坊、唐山等城市的貢獻較高,總占比為25%;西南輸送路徑上的河北南部等城市的貢獻占比為15%;可見,過程11的污染累積階段以東南傳輸為主、西南傳輸為輔.針對整個污染過程(2月8～13日)而言,偏南路徑對北京的污染輸送總占比達52%,該氣團源自河北中南部,之后途徑北京東南部的省市到達北京;且2月8～13日北京本地污染排放的貢獻率為48%,區域輸送占比為52%,兩者貢獻占比相差不大.綜合上述結果表明,在2次污染過程中后期的發展及維持階段,可能出現了明顯的顆粒物吸濕增長和二次轉化效應.

圖6為兩個污染過程水汽輸送通道不同城市的相對濕度及PM2.5濃度.結果顯示,兩個過程各城市逐日PM2.5濃度與相對濕度相關關系并不明顯.相對濕度較高的城市對應PM2.5濃度并不一定最高,如1月25日各城市相對濕度差異不大,天津相對最高,但保定PM2.5濃度遠超其他四個城市約140～280μg/m3.過程11中,北京相對濕度與PM2.5濃度整體呈負相關,2月11～13日,北京相對濕度與天津持平,但PM2.5濃度遠高于天津.根據2月13日京津冀地區相對濕度、風場和PM2.5濃度分布顯示,三者在空間上有較好的對應關系,也說明在大氣持續靜穩和污染物穩定排放的情況下,水汽輸送疊加風場輻合導致北京濕度持續升高,進一步加劇顆粒物累積增長.根據PM2.5/CO的濃度比值初步判斷污染過程中一次排放和二次生成的PM2.5之間的比例關系[40-41].過程10中的PM2.5/CO濃度比值均值為0.01較過程11(0.07)偏高;同時,在過程10的污染較重時次該濃度比值可達到0.22,而過程11中比值峰值為0.12;這在一定程度上說明過程10中的PM2.5中二次生成的貢獻占比相對于過程11偏高,與前述過程區域源解析結論一致;此外,過程10與過程11相比大氣含水量和相對濕度略偏低,而過程11的污染相對略偏重,進一步說明相對濕度并不是影響污染發展的主導因素,PM2.5污染成因復雜,需結合污染排放、氣象條件、化學過程及雙向反饋等綜合判斷.

圖6 2020年冬季疫情防控期間兩次污染過程不同城市間的PM2.5及相對濕度分析

3 結論

3.1 2020年冬季疫情防控期間,北京常規大氣污染物PM2.5、PM10、SO2、NO2、CO和O3(日最大8h滑動平均的第90百分位)的地面濃度與過去5a(2015～2019年)同期相比,變幅分別為17.7%、-17.3%、-25.4%、-33.9%、3.7%和4.6%,主要來自一次直接排放的污染物濃度顯著降低,而受多因素綜合調控的PM2.5濃度反彈明顯.

3.2 與過去5a同期相比,疫情防控期間氣溫和大氣中水汽含量偏高,混合層高度和風速偏低,北風頻率降低(尤其是西北及西北偏北風),南風和東風占比增加(尤其是東南偏南和南風),大氣水平和垂直擴散能力均低于往年同期.影響大氣整體擴散能力的冷空氣與往年相比,活動頻次偏少且強度偏弱,即使降水偏多,但強度弱、時次集中,且降水后無冷空氣侵入,因此造成污染持續發展,能見度偏低.

3.3 疫情防控期間的EMI指數為2015～2020年最大值,時段的平均EMI增幅達到70.7%,即排放的減少抵消了53%的不利氣象條件影響.而2次污染過程與往年9次過程相比,EMI分別偏高26.9%和19.7%,但實際PM2.5濃度僅變化4.6%和-1.1%,即排放減少帶來的積極影響分別為22.3%和20.8%.

3.4 2次污染過程累積階段(1月24～25日和2月9～11日),主要受污染物和水汽的區域輸送影響,對北京PM2.5的貢獻占比分別為70%和58%,且前者以西南輸送為主,后者以東南通道為主.而整個污染過程(1月24～29日和2月8～13日)源解析顯示北京本地污染貢獻率分別為67%和48%,即在污染的發展和維持階段,顆粒物的吸濕增長和二次轉化效應明顯.

[1] 李令軍,王 英,李金香,等.2000～2010北京大氣重污染研究 [J]. 中國環境科學, 2012,32(1):23-30. Li L J, Wang Y, Li J X, et al. The analysis of heavy air pollution in Beijing during 2000～2010 [J]. China Environmental Science, 2012, 32(1):23-30.

[2] 孫婷婷,張天舒,項 衍,等.2018年春節期間京津冀地區污染過程分析[J]. 中國環境科學, 2020,40(4):1393-1402. Sun T T, Zhang T S, Xiang Y, et al. Analysis of the pollution process in the Beijing-Tianjin-Hebei region during the Spring Festival of 2018 [J]. China Environmental Science, 2020,40(4):1393-1402.

[3] 張 蒙,韓力慧,劉保獻,等.北京市冬季重污染期間PM2.5及其組分演變特征[J]. 中國環境科學, 2020,40(7):2829-2838. Zhang M, Han Li H, Liu B X, et al. Evolution of PM2.5and its components during heavy pollution episodes in winter in Beijing [J]. China Environmental Science, 2020,40(7):2829-2838.

[4] 李 軍,王京麗,屈 坤.相對濕度和PM2.5濃度對烏魯木齊市冬季能見度的影響 [J]. 中國環境科學, 2020,40(8):3322-3331. Li J, Wang J L, Qu K. Impacts of relative humidity and PM2.5concentration on atmospheric visibility during winter in Urumqi Urban Area [J]. China Environmental Science, 2020,40(8):3322-3331.

[5] Chen X, Zhang L W, Huang J J, et al. Long-term exposure to urban air pollution and lung cancer mortality: A 12-year cohort study in Northern China [J]. Science of the Total Environment, 2016,571: 855-861.

[6] Huang H, Jiang Y, Xu X, et al. In vitro bioaccessibility and health risk assessment of heavy metals in atmospheric particulate matters from three different functional areas of Shanghai, China [J]. Science of the Total Environment, 2017,610-611:646-554.

[7] Liao Z H, Gao M, Sun J R, et al. The impact of synoptic circulation on air quality and pollution-related human health in the Yangtze River delta region [J]. Science of the Total Environment, 2017,607: 838-846.

[8] 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.

[9] Liu T, Gong S, He J, et al. Attributions of meteorological and emission factors to the 2015winter severe haze pollution episodes in China's Jing-Jin-Ji area [J]. Atmospheric Chemistry and Physics, 2017,17(4): 2971-2980.

[10] Song C B, Wu L, Xie Y C, et al. Air pollution in China: status and spatiotemporal variations [J]. Environmental Pollution, 2017,227: 334-347.

[11] 鐘嶷盛,周 穎,程水源,等.首都重大活動與空氣重污染應急減排措施效果對比分析[J]. 環境科學, 2020,41(8):3449-3457. Zhong Y S, Zhou Y, Cheng S Y, et al. Comparison analysis of the effect of emission reduction measures for major events and heavy air pollution in the Capital [J]. Environmental Science, 2020,41(8): 3449-3457.

[12] Liu X, Li C, Tu H, et al. Analysis of the effect of meteorological factors on PM2.5-associated PAHs during autumn-winter in urban Nanchang [J]. Aerosol and Air Quality Research, 2016,16:3222-3229.

[13] Gui K, Che H., Wang Y, et al. Satellite-derived PM2.5concentration trends over Eastern China from 1998 to 2016: Relationships to emissions and meteorological parameters [J]. Environment Pollution, 2019,247:1125-1133.

[14] Shi C, Yuan R, Wu B, et al. Meteorological conditions conducive to PM2.5pollution in winter 2016/2017 in the Western Yangtze River Delta, China [J]. Science of the Total Environment, 2018,642:1221- 1232.

[15] Ma S, Xiao Z, Zhang Y, et al. Assessment of meteorological impact and emergency plan for a heavy haze pollution episode in a core city of the North China Plain [J]. Aerosol and Air Quality Research, 2020,20(1):26-42.

[16] 國務院.國務院關于印發大氣污染防治行動計劃的通知 [EB/OL]. http://www.gov.cn/zhengce/content/2013-09/13/content_4561.htm.北京市生態環境局, 2019年北京市生態環境狀況公報[EB/OL]. 2020, http://sthjj.beijing.gov.cn/bjhrb/index/xxgk69/sthjlyzwg/1718880/1718881/1718882/1791057/index.html.

[17] 北京市生態環境局.2019年北京市生態環境狀況公報 [EB/OL]. 2020,http://sthjj.beijing.gov.cn/bjhrb/index/xxgk69/sthjlyzwg/1718880/1718881/1718882/1791057/index.html. Beijing Municipal Bureau of Ecology and Environment. Beijing ecology and environment statement 2019 [EB/OL]. 2020, http:// sthjj.beijing.gov.cn/bjhrb/index/xxgk69/sthjlyzwg/1718880/1718881/1718882/1791057/index.html.

[18] Urrutia-Pereira M, Mello-Da-Silva C A, Solé D. COVID-19 and air pollution: A dangerous association? [J]. Allergologia et Immunopathologia, 2020,48(5):496-499.

[19] Higham J E, Ramirez C A, Green M A, et al. UK covid- 19 lockdown:100 days of air pollution reduction? [J]. Air Quality, Atmosphere and Health, 2021,14:325-332.

[20] Yao Y, Pan J, Wang W, et al. Association of particulate matter pollution and case fatality rate of COVID-19 in 49 Chinese cities [J]. Science of the Total Environment, 2020,741:140396.

[21] Yao Y, Pan J, Liu Z X, et al. Temporal association between particulate matter pollution and case fatality rate of COVID-19in Wuhan [J]. Environmental Research, 2020,189:109941.

[22] Berman J D, Ebisu K. Changes in U.S. air pollution during the COVID-19pandemic [J]. Science of the Total Environment, 2020,739: 139864.

[23] Wang C, Horby P W, Hayden F G, et al. A novel coronavirus outbreak 258 of global health concern [J]. Lancet, 2020,395(470):496-496.

[24] 樂 旭,雷亞棟,周 浩,等.新冠肺炎疫情期間中國人為碳排放和大氣污染物的變化[J]. 大氣科學學報, 2020,43(2):265-274. Le X, Lei Y D, Zhou H, et al. Changes of anthropogenic carbon emissions and air pollutants during the COVID-19epidemic in China [J]. Transactions of Atmospheric Sciences, 2020,43(2):265-274.

[25] NASA Goddard Space Flight Center. Airborne nitrogen dioxide plummets over China [EB/OL]. 2020, https://earthobservatory.nasa. gov/images/146362/airborne-nitrogen-dioxide-plummets-over-china.

[26] 肖致美,徐 虹,蔡子穎,等.2020年天津市兩次重污染天氣污染特征分析[J]. 環境科學, 2020,41(9):3879-3888. Xiao Z M, Xu H, Cai Z Y, et al. Characterization of two heavy pollution episodes in Tianjin in 2020 [J]. Environmental Science, 2020,41(9):3879-3888.

[27] QX/T 479-2019 PM2.5氣象條件評估指數(EMI) [S].QX/T 479-2019 Evaluation on meteorological condition index of PM2.5pollution (EMI) [S].

[28] 王繼康,徐 峻,何友江,等.利用源示蹤技術計算日本和韓國低層大氣SO2和SO42-來源[J]. 環境科學研究, 2014,27(6):582-588. Wang J K, Xu J, He Y J, et al. Source apportionment of sulfur in the lower atmosphere of Japan and Korea using tag method [J]. Research of Environmental Sciences, 2014,27(6):582-588.

[29] 王繼康,花 叢,桂海林,等.2016年1月我國中東部一次大氣污染物傳輸過程分析[J]. 氣象, 2017,(7):804-812. Wang J K, Hua C, Gui H L, et al. Transport of PM2.5of the haze pollution episode over mid-eastern China in January 2016 [J]. Meteorological, 2017,(7):804-812.

[30] 關攀博,周 穎,程水源,等.典型重工業城市空氣重污染過程特征與來源解析[J]. 中國環境科學, 2020,40(1):31-40. Guang P B, Zhou Y, Cheng S Y, et al. Characteristics of heavy pollution process and source appointment in typical heavy industry cities [J]. China Environmental Sciences, 2020,40(1):31-40.

[31] Stein A F, Draxler R R, Rolph G D, et al. NOAA's HYSPLIT atmospheric transport and dispersion modeling system [J]. Bulletin of the American Meteorological Society, 2015,96(12):2059-2077.

[32] 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 Sciences, 2013,26(4):357-363.

[33] Chen D, Liu X, Lang J, et al. Estimating the contribution of regional transport to PM2.5air pollution in a rural area on the North China Plain [J]. Science of the Total Environment, 2017,583:280-291.https: //doi.org/10.1016/j.scitotenv.2017.01.066.

[34] 吳國雄,李占清,符淙斌,等.氣溶膠與東亞季風相互影響的研究進展 [J]. 中國科學:地球科學, 2015,45(11):1609-1627. Wu G X, Li Z Q, Fu C B, et al. Advances in studying interactions between aerosols and monsoon in China [J]. Science China: Earth Sciences, 2015,45(11):1609-1627.

[35] 朱艷峰.一個適用于描述中國大陸冬季氣溫變化的東亞冬季風指數 [J]. 氣象學報, 2008,66(5):781-788. Zhu Y F. An index of East Asian winter monsoon applied to description the Chinese mainland winter temperature changes [J]. Acta Meteorologica Sinica, 2008,66(5):781-788.

[36] Zhong J, Zhang X, Wang Y. Reflections on the threshold for PM2.5explosive growth in the cumulative stage of winter heavy aerosol pollution episodes (HPEs) in Beijing [J]. Tellus B: Chemical and Physical Meteorology, 2019,71(1):1528134.

[37] Zhang X, Zhong J, Wang J, et al. The interdecadal worsening of weather conditions affecting aerosol pollution in the Beijing area in relation to climate warming [J]. Atmospheric Chemistry & Physics, 2018,18:5991-5999.

[38] 楊元琴,王繼志,張小曳,等.2017年1月沈陽和松遼平原地區重污染過程氣象條件影響機理分析[J]. 氣象與環境學報, 2018,34(6): 116-124. Yang Y Q, Wang Z Z, Zhang X Y, et al. Influence mechanism of meteorological conditions on a heavy pollution event in Shenyang and the Songliao Plain during January 2017 [J]. Journal of Meteorology and Environment, 2018,34(6):116-124.

[39] Zhang X Y, Xu X D, Ding Y H, et al. The impact of meteorological changes from 2013 to 2017 on PM2.5mass reduction in key regions in China [J]. Science China Earth Sciences, 2019,62(12):1885-1902.

[40] Zhang Q, Quan J, Tie X. Effects of meteorology and secondary particle formation on visibility during heavy haze events in Beijing, China [J]. ence of the Total Environment, 2015,502:578-584.

[41] Huang X, Ding A J, Gao J, et al. Enhanced secondary pollution offset reduction of primary emissions during COVID-19 lockdown in China [J]. National Science Review, 2020,nwaa137, https://doi.org/10.1093/ nsr/nwaa137.

Effect analysis of meteorological conditions on air quality during the winter COVID-19 lockdown in Beijing.

YIN Xiao-mei1,2, LI Zi-ming2*, QIAO lin2, LIU Xiang-xue2, GUO Heng2, WU Jin2, ZHU Xiao-wan2, QIU Yu-lu2, WANG Ji-kang3, ZHANG Xiao-ye4

(1.Institute of Urban Meteorology, China Meteorological Administration, Beijing 100089, China；2.Environment Meteorology Forecast Center of Beijing-Tianjin-Hebei, China Meteorological Administration, Beijing 100089, China；3.National Meteorological Center of China Meteorological Administration, Beijing 100081, China；4.State Key Laboratory of Severe Weather & Key Laboratory of Atmospheric Chemistry of CMA, Chinese Academy of Meteorological Sciences, Beijing 100081, China)., 2021,41(5)：1985～1994

The influence of meteorological conditions on the pollution processes was investigated in this study by analyzing the changes of air quality as well as the characteristics of two persistent heavy pollution episodes during the Coronavirus Disease 2019 (COVID-19) prevention (January 24 to February 29) of 2020 winter compared with the same period of 2015～2019. Cold air intensity in 2020 winter was weaker with the cold surges frequency decreased by 50%. Air temperature was 0.73℃ higher, and wind speed and mixed layer height were 17.8% and 32.5% lower, respectively. Relative humidity and dew point temperature increased by 60.9% and 48.1%, respectively. Northerly wind frequency reduced 7.5% while both of southerly and easterly wind increased 6.0%. As shown above, all meteorological conditions in 2020 winter were significantly more favorable for air pollution than the same historical period. Moreover, two heavy pollution episodes (January 24～29 and February 8～14) lasted for 59 and 75 hours were analyzed. At the cumulative stage, regional transport that can be divided into east and south channel greatly affected PM2.5,with the contribution of 70% and 58% for two episodes. By contrast, the contribution of local pollution was 67% and 48%, respectively, indicating the increased proportion of hygroscopic growth and secondary generation in the maintenance and aggravation stages. Under the meteorological background of “high humidity and high atmospheric stability”, the combined effects of atmospheric vertical dynamics and horizontal convergence accumulated PM2.5and water vapor in Beijing plain and prevented them from spreading beyond the boundary layer. Further bidirectional feedback between increased pollutants and meteorological factors in stable boundary layer resulting in aggravation of pollution. According to EMI index, meteorological conditions during the epidemic prevention in 2020 winter caused an increase of 70.1% in PM2.5concentration compared to pre-COVID-19. Emissions reduction caused by emergency measures for COVID-19lockdown offset 53% of the adverse impact induced by meteorological conditions. As for the two episodes in 2020 winter, EMI was 26.9% and 19.7% larger than the average of other nine episodes in the corresponding period of 2015～2019, and PM2.5concentration was basically unchanged or slightly reduced. Overall, if the current social emission level is not changed, emission reduction caused by city blockade under special circumstances can only partially reduce the pollution concentration, however, cannot completely offset the adverse impact of meteorological conditions.

epidemic control；beijing；heavy pollution；meteorological conditions；pollution characteristics；PM2.5

X513

A

1000-6923(2021)05-1985-10

尹曉梅(1988-),女,山東煙臺人,高級工程師,博士,研究方向為大氣污染監測預報及數值模擬.發表論文共11篇.

2020-09-07

2021年度中國氣象局創新發展專項任務(CXFZ2021Z034);北京市氣象局科技項目(BMBKJ201901004)

* 責任作者, 工程師, szb850804@163.com