京津冀中南部污染氣象貢獻的時空變化特征

焦亞音,孟 凱*,杜惠云,馬志淳

京津冀中南部污染氣象貢獻的時空變化特征

焦亞音1,孟 凱1*,杜惠云2,馬志淳1

(1.河北省環境氣象中心,河北 石家莊 050021；2.中國科學院大氣物理研究所大氣邊界層物理與大氣化學國家重點實驗室,北京 100029)

基于環境氣象評估指數(EMI,environmental meteorology index ),以石家莊、邢臺、邯鄲、衡水四個京津冀中南部重點城市為研究對象,對2013～2018年的氣象條件變化時空分布特征進行分析.結果顯示: EMI指數與經過去趨勢處理的PM2.5濃度的相關系數達0.88,說明EMI指數具有較好的可靠性,能夠可靠性地應用于大氣環境評價和重污染天氣過程評估業務;基于氣象條件對PM2.5濃度貢獻的定量分析方法,計算得到2013～2018年月度氣象條件對PM2.5濃度變化的貢獻率,定量分析不同月份的氣象條件變化,可有效評價不同污染程度月份的氣象條件影響.此外,該定量方法在重大活動期間氣象條件和減排效果評估中得到有效應用; 從冬季氣象定量貢獻的空間分布來看,在京津冀中南部的山前地區形成EMI正距平百分比高值區,除人為排放較高外,惡劣的氣象條件是京津冀中南部顆粒物污染嚴重的重要原因.

環境氣象評估指數(EMI)；氣象條件；PM2.5濃度；定量影響

根據生態環境部發布的《2020年全國生態環境質量簡況》顯示,2020年全年,京津冀及周邊地區PM2.5平均濃度為51μg/m3,同比2013年約下降51.9%.在嚴格落實大氣污染防治措施的情況下,顆粒物排放得到一定的控制,但該地區重污染天氣仍時有發生[1],僅2016年12月京津冀地區就出現了五次持續性大范圍的重污染天氣過程.在當前仍然嚴峻的空氣污染形勢下,迫切需要對顆粒物污染的復雜形成機制和氣象影響進行深入探究[2-5].

大氣污染排放和不利氣象條件是導致空氣污染的重要原因[6-7].國內外諸多學者已經開展了很多相關的研究,如江琪等[8]發現北京市PM2.5濃度與風速、混合層高度和降水呈負相關;呂夢瑤等[9]發現京津冀地區重污染過程與均壓場、小風、高濕、逆溫以及混合層高度較低等不利的氣象條件有關.此外一些研究通過主觀和客觀方法分析空氣污染過程所對應的天氣形勢,歸納總結出空氣污染天氣類型.例如:Sun等[10]運用聚類分析方法指出四川盆地重污染過程主要的形勢背景分為弱高壓型、均壓場、高壓前部型;污染消散期間的天氣類型為低壓前部型、低壓型、低壓底部型;張瑩等[11]利用PCT客觀分型方法,總結了華北地區冬半年9種污染天氣類型,其中均壓場型、高壓內部型和高壓后部型為重污染潛勢天氣型.但以上研究均是從定性的角度分析氣象條件對污染的影響,缺乏定量分析,難以起到量化大氣環境評估、科學制定防治措施的參考意義.

一些研究借助污染氣象條件的量化指標,實現氣象條件對PM2.5影響的定量分析.Allwine等[12]首次提出了可以反映大氣水平擴散條件的滯留指數概念.廖碧婷等[13]基于天氣預報中的K指數、沙氏指數和抬升指數得到垂直交換系數,利用其對大氣的垂直輸送能力進行評估.張恒德等[14-15]基于統計結果和預報經驗選取氣象因子,建立了靜穩天氣指數,該指數對于持續重污染過程有一定的指示意義.朱蓉等[16]基于大氣污染數值預報系統,定義了大氣自凈能力指數,以此研究大氣對污染物清除能力的全國分布特征,并嘗試應用于大氣污染潛勢預報.但目前對污染氣象條件的定量診斷較為籠統,無法滿足環境氣象業務對深入量化大氣污染氣象條件影響的迫切需求.劉洪利等[17]通過數值方法計算得到環境氣象評估指數(EMI),包括大氣對污染物的稀釋擴散、輸送、沉降以及二次轉化等過程,相對于其他污染氣象條件指數,其物理意義更加明確.氣象條件對空氣質量的影響不容忽視,迫切需要量化氣象條件對PM2.5濃度變化的貢獻,進而科學客觀評估大氣污染治理的效果.本文以京津冀中南部顆粒物污染問題最為突出的石家莊、衡水、邢臺、邯鄲4個城市為研究對象,基于環境氣象評估指數(EMI)開發氣象條件定量貢獻算法,分離出氣象條件和排放對PM2.5濃度變化的分別貢獻率,開展氣象條件和減排措施影響的定量分析;采用去趨勢、距平處理等統計方法,從時間和空間角度分析2013～2018年京津冀中南部氣象條件變化特征.以期對深入理解京津冀中南部顆粒物污染氣象成因提供依據,為大氣環境評估和大氣污染治理工作提供有實際應用價值和指示意義的科學方法.

1 資料與方法

利用2013～2018年京津冀中南部重點城市(石家莊、邢臺、邯鄲、衡水)大氣成分地面監測站PM2.5濃度觀測數據、基于中國氣象局空氣質量預報模式CUACE開發的環境氣象評估指數和基于歐洲中期天氣預報中心(ECMWF)模式預報資料開發的靜穩指數展開分析討論(2013年9～11月PM2.5觀測數據缺測).

1.1 環境氣象評估指數的定義

本文基于環境氣象評估指數(EMI)研究氣象條件對京津冀中南部污染貢獻的時空分布.劉洪利等[17]給出EMI指數的定義,即EMI為PM2.5濃度變化中氣象條件貢獻的無量綱綜合指數,EMI指數越大表征氣象條件越不利于近地面大氣中PM2.5稀釋與擴散,EMI指數越小表示氣象條件越有利.EMI用地面到1500m高度氣柱內示蹤物平均濃度與參考濃度的比值表示.計算見式 (1):

式中:iEmid、iTran和iDiff分別表示地表交換層的排放沉降項、水平和垂直方向的大氣輸送項以及垂直擴散項.可以看出,環境氣象評估指數(EMI)是通過數值模擬計算得到氣象條件影響下氣溶膠排放、沉降、傳輸和擴散等過程的綜合指數.

1.2 靜穩指數的定義

靜穩指數可定量反映大氣靜穩程度,表征大氣對污染物的傳輸擴散能力.指數越大,表明氣象條件越不利.根據京津冀地區具體情況構建本地靜穩指數,主要步驟如下:①篩選有關靜穩天氣形成的氣象要素.結合預報經驗最終選取近地面溫度、露點、相對濕度、風速風向、變溫、變壓、925hPa垂直速度、1000～850hPa逆溫、海平面氣壓等氣象要素;②確定各氣象要素的閾值和分配權重,計算得到靜穩指數,為重污染天氣過程預報和污染減排評估業務的開展提供數據支撐.

1.3 去趨勢分析法

基于簡單線性去趨勢的方法[18-20],首先對PM2.5濃度時間序列進行線性回歸分析,判斷PM2.5濃度時間序列是否存在顯著遞減的趨勢,若存在線性趨勢,將原數據序列中去除線性趨勢值,使之轉化成穩定的PM2.5時間序列,PM2.5數據變為

PM2.5*=PM2.5-=PM2.5-(2)

式中:PM2.5為去趨勢后濃度;PM2.5為實際濃度;為線性擬合值;為擬合斜率.對得到的PM2.5*濃度進行統計分析為去趨勢分析.

1.4 氣象條件對PM2.5濃度貢獻的定量分析方法

參照基于EMI指數的氣象條件對PM2.5濃度貢獻的定量分析方法[21-22],定量分離氣象條件和排放貢獻,計算得到其他年份相同時段相對基準年的PM2.5濃度變化率R、排放變化率R(表征排放變化對PM2.5濃度變化的貢獻率)、氣象條件變化率R(表征氣象因素對PM2.5濃度變化的貢獻率),正值代表氣象條件同比不利,負值代表氣象條件同比有利.見式(3～5).

排放變化率

式中:不同年份相同時段PM2.5濃度分別為12,單位為μg/m3;排放率為12,單位為mg/(m3×s),氣象條件為EMI1EMI2,無量綱.

本文以2013～2018年同期平均值為基準年,計算得到2013～2018年各月的氣象條件變化率和PM2.5濃度變化率.

2 結果與分析

2.1 EMI指數可靠性檢驗

逐年采取不同的減排措施且減排力度均有所不同, PM2.5濃度存在著逐年遞減的變化趨勢(圖1a),直接分析PM2.5濃度,不利于逐年PM2.5濃度進行橫向對比.因此,為了去除人為排放逐年變化的影響,對PM2.5濃度進行了線性去趨勢處理,得到去趨勢后PM2.5*濃度.去趨勢后(圖1b),4～9月PM2.5*濃度較低,六年均值低于150μg/m3;10月PM2.5*濃度開始增高;12月及來年1月PM2.5*濃度上升至最高,六年均值高于220μg/m3.

從圖2可以看出,環境氣象評估指數(EMI)與PM2.5*濃度有一致的季節變化趨勢.4～9月處于全年最低值,低于4,氣象條件較好;10月之后EMI指數逐漸上升,氣象條件逐漸轉差;12月及來年1月EMI指數全年最高,氣象條件最差. PM2.5*濃度變化與EMI指數有著很好地對應趨勢.從靜穩指數的變化趨勢和季節變化來看,其與PM2.5*濃度的相關性明顯低于EMI- PM2.5*關系,尤其是6～9月靜穩指數偏高,表明氣象條件較差,這與PM2.5*濃度季節變化特征不能對應;而秋冬季靜穩指數與EMI指數、PM2.5*濃度季節變化趨勢相似.EMI指數與去趨勢前PM2.5濃度的相關系數為0.78,與去趨勢PM2.5*濃度的相關系數上升至0.88(圖3);而靜穩指數與去趨勢前后PM2.5濃度的相關系數只有0.48、0.71,明顯低于EMI指數與PM2.5濃度的相關性(以上相關系數均通過了0.001水平的顯著性檢驗).通過與PM2.5觀測濃度和靜穩指數對比,說明EMI指數能夠更好地解析月、季、年尺度污染氣象條件貢獻,可用于大氣環境評價和重污染天氣過程評估,具有很好的可靠性.

圖1 非去趨勢和去趨勢的2013～2018年京津冀中南部重點城市PM2.5平均濃度的月變化

Fig.1 The monthly variation of non-detrended and detrended PM2.5 average concentration in key cities of central and southern BTH region from 2013 to 2018, m3

2.2 重污染過程及重大活動期間氣象條件定量貢獻的分析

通過計算2013～2018年歷年氣象條件變化率(即氣象條件對PM2.5*濃度變化的貢獻率),可以發現,京津冀中南部重點城市氣象條件貢獻呈現不同的年際變化特征.與2013～2018年均值相比,2013年、2015年和2016年氣象條件總體不利,分別導致京津冀中南部PM2.5*濃度上升4.8%、1.3%和1.0%,2014年氣象條件與多年平均基本持平(-0.1%),2017年和2018年氣象條件有利,使PM2.5*濃度分別下降2.4%和4.7%.

從各月的PM2.5*濃度以及PM2.5*重污染日數(PM2.5*濃度大于200μg/m3)分布來看,2013年1月PM2.5*平均濃度最高(圖4),重污染日數最多,與基準年同期相比,2013年1月PM2.5*濃度偏高32%(圖5),其中,不利的氣象條件導致PM2.5*濃度升高16%,氣象貢獻占比達50%,說明不利的氣象條件是2013年1月京津冀中南部出現重污染天氣的主要原因之一.受不利的氣象條件和較高的人為排放共同影響, 2013年1月成為2013～2018年顆粒物污染最嚴重的月份.

自2013年9月“大氣國十條”發布以來,京津冀地區實施了一系列空氣污染防治措施.京津冀中南部地區PM2.5*的累積過程明顯變緩, PM2.5*濃度開始持續下降,再無出現2013年1月類似的重污染月份.2016年2月PM2.5*濃度為130μg/m3,重污染日數較少, PM2.5*濃度較基準年同期大幅下降,幅度高達29%,其中有利的氣象條件使PM2.5*濃度下降15%,減排措施貢獻和氣象條件貢獻相當,在有利的氣象條件和人為減排共同影響下,2016年2月為近6年冬季污染最輕的月份.

本文對于一些社會重大活動及減排政策實施效果進行了深入分析.2014年亞太經合組織(APEC)會議在北京懷柔召開,為保障會期的空氣質量,京津冀及周邊地區自11月1日起實施了一系列的減排措施.APEC會議當月(2014年11月),京津冀中南部重點城市PM2.5*月均濃度為166μg/m3,重污染日數為11d,PM2.5*濃度小幅下降(約3%).其中氣象條件使PM2.5*濃度下降約1%,人為減排貢獻(60.1%)大于氣象條件貢獻(39.9%).本文與文獻[23-24]均得到了排放率和PM2.5濃度降低、氣象貢獻較減排貢獻小的一致結論,但本文氣象貢獻明顯小于Zhang等[25]基于PLAM指數對北京市的氣象貢獻占比(64.3%),可能與研究區域、評估方法以及評估時段差異有關.

2015年9月3日在北京舉行中國人民抗日戰爭勝利紀念日閱兵儀式,為做好閱兵期間空氣質量保障工作,京津冀及周邊地區先后實施重污染企業停產、機動車單雙號行駛、建筑工地停工等空氣質量保障措施.“九三閱兵”當月(2015年9月),京津冀中南部重點城市PM2.5*月均濃度為2013～2018年同期的最低值(113μg/m3),且無重污染日,氣象條件使PM2.5*濃度升高接近于1%,而PM2.5*濃度下降10%,說明氣象條件對本次活動期間的污染改善影響不大,主要在于減排措施的實施.此外,曹天慧等[26]結果同樣也發現減排方案對北京市PM2.5濃度下降起著關鍵的控制作用.以上分析一致說明,減排措施的實行是閱兵期間京津冀中南部及周邊地區空氣質量明顯改善的主要原因.

自2017年京津冀及周邊地區開始實施煤改氣(電)政策以來,與多年同期均值相比,2017年冬季(2017年11月～2018年1月),京津冀中南部重點城市重污染平均日數大幅度減少,PM2.5*濃度比實施之前降幅明顯,從月尺度來看,較基準年同期下降10%～ 15%,其中,氣象條件使中南部重點城市PM2.5*濃度下降9%～11%.2017年冬季京津冀中南部空氣質量改善是減排和氣象條件好轉共同的結果;2018年12月氣象條件變化率低于1%,氣象條件與多年均值基本持平,而PM2.5*月均濃度下降達7%,重污染日數低于多年均值.氣象條件作用微小且起到負面作用,空氣質量的改善主要依靠減排的作用,減排措施有效地降低了污染強度和時間,煤改氣政策實施效果顯著.

圖4 2013～2018年各月京津冀中南部重點城市PM2.5*平均濃度分布(取對數處理,并乘以100)及PM2.5*平均濃度大于200μg/m3的日數分布

圖5 2013～2018年不同月份京津冀中南部重點城市PM2.5*濃度變化率及氣象條件變化率

由以上分析可見,氣象條件對PM2.5濃度貢獻的定量分析方法可在年際變化、月變化以及重大活動的氣象條件和減排效果評估中實現應用,在定量分析空氣質量變化的人為排放與氣象條件貢獻中可以發揮重要作用.

2.3 京津冀中南部冬季氣象條件定量影響的空間分布特征

通過計算冬季EMI指數距平百分比,分析氣象條件影響的空間分布特征.EMI指數表征氣象條件影響下PM2.5排放、傳輸、擴散以及沉降等整體效應[22],采用2013～2018年全年EMI指數的平均值作為參考標準,將每年冬季EMI指數與平均值的差值除以平均值所得的百分率,作為每年冬季距平百分比,其中正值代表氣象條件相對不利,負值表示氣象條件相對有利.從冬季EMI距平百分比分布(圖6)可以看出,京津冀地區燕山-太行山脈以南為EMI正距平區,EMI距平百分比為正值,說明冬季污染氣象條件影響與地形密切相關.污染氣象條件最不利的區域為京津冀中南部太行山前形成的EMI正距平百分比高值區,說明京津冀中南部平原地區受到最不利的氣象條件影響,除人為排放較高外,惡劣的氣象條件是該地區空氣污染嚴重的重要原因.

此外,冬季氣象條件存在明顯的年際變化特征.其中,2013年和2016年為冬季EMI正距平百分比最高的年份,氣象條件最不利,易于出現較嚴重的重污染天氣.歷史觀測數據表明2016年12月29日至2017年1月9日,京津冀地區出現持續12天的跨年重污染天氣過程,這與圖中EMI距平百分比高值區相對應,表明該持續時間長的跨年重污染過程與氣象條件是緊密相關的.2014年和2017年為冬季EMI正距平百分比最低的年份,說明2014年和2017年冬季氣象條件相對較好,與這兩年較好的空氣質量是對應的(圖4).

圖6 2013～2018年冬季京津冀中南部及周邊地區EMI距平百分比分布

圖中虛線為地形高度,單位:m

2013～2018年冬季EMI距平百分比的空間分布表明,石家莊、邢臺、邯鄲及衡水等地的氣象條件最差;保定北部、北京北部、張家口北部、承德等地的氣象條件較好或略差;其他地區的氣象條件較差.Xu等[27]和Zhu等[28]研究發現冬季PM2.5濃度空間分布呈現中國大地形半包圍結構內的PM2.5濃度較高,河北中南部PM2.5污染最重的特征;Meng等[29]發現燕山-太行山前沿線存在次尺度渦旋擾動序列,氣象條件較差,為污染脆弱區.這與冬季EMI距平百分比的空間分布相一致.此外,本文進一步給出了京津冀中南部及周邊地區冬季氣象條件空間影響的量化描述.

3 結論

3.1 EMI指數與PM2.5濃度有一致的季節變化趨勢. 2013～2018年京津冀中南部四個重點城市的EMI平均值與去趨勢后的PM2.5*濃度的相關系數為0.88.相比靜穩指數,EMI能夠更好地解析月、季、年尺度污染氣象條件貢獻.該指數可用于大氣環境評價和重污染天氣過程評估,具有很好的可靠性.

3.2 通過氣象條件對PM2.5濃度貢獻的定量分析方法評價不同年份及不同月份的氣象條件影響,與2013～2018年均值相比,2013年、2015年和2016年氣象條件不利(4.8%、1.3%和1.0%),2014年氣象條件與多年平均基本持平(-0.1%),2017年和2018年氣象條件有利(-2.4%和-4.7%).2013年1月為顆粒物污染最嚴重的月份,PM2.5*濃度偏高32%,其中,氣象條件不利導致PM2.5*濃度升高了16%,氣象貢獻占比達50%;2016年2月為冬季污染最輕的月份, PM2.5*濃度下降高達29%,有利的氣象條件使PM2.5*濃度下降15%,減排措施貢獻和氣象條件貢獻相當.

3.3 此外,該定量方法可以在重大活動期間氣象條件和減排效果評估中得到有效應用.評估結果表明:APEC會議當月氣象條件和減排措施共同對空氣質量改善起到正向作用,但氣象條件作用較小,減排貢獻大于氣象貢獻;“九三閱兵”當月氣象條件略不利,減排措施對空氣質量改善起到主導作用.該方法從氣象貢獻的角度定量評估氣象條件和減排措施對PM2.5濃度下降的作用.

3.4 從氣象條件定量貢獻的空間分布來看,不利的氣象條件受到地形分布的影響,在京津冀中南部的山前地區形成EMI正距平百分比高值區.總體來看,除人為排放較高外,惡劣的氣象條件是京津冀中南部空氣污染嚴重的重要原因.此外,本文進一步給出了京津冀中南部及周邊地區冬季氣象條件空間影響的量化描述.

[1] Zhu W, Xu X, Zheng J, et al. The characteristics of abnormal wintertime pollution events in the Jing-Jin-Ji region and its relationships with meteorological factors [J]. Science of The Total Environment, 2018,626:887-898.

[2] Kang H, Zhu B, Gao J, et al. Potential impacts of cold frontal passage on air quality over the Yangtze River Delta, China [J]. Atmos. Chem. Phys., 2019,19:3673–3685.

[3] Chen S, Jiang N, Huang J, et al. Estimations of indirect and direct anthropogenic dust emission at the global scale [J]. Atmospheric environment, 2019,200:50-60.

[4] 陳顥元,王曉琦,程水源,等.京津冀和長三角地區一次重霾過程氣象成因及傳輸特征 [J]. 中國環境科學, 2021,41(6):2481-2492.

Chen H Y, Wang X Q,Cheng S Y, et al. Analysis of meteorological causes and transmission characteristics of a heavy haze process in Beijing Tianjin Hebei and Yangtze River Delta [J]. China Environmental Science, 2021,41(6):2481-2492.

[5] 尹曉梅,李梓銘,喬 林,等.北京冬季疫情期間空氣質量及氣象影響分析 [J]. 中國環境科學, 2021,41(5):1985-1994.

Yin X M, Li Z M, Qiao L, et al. Effect analysis of meteorological conditions on air quality during the winter COVID-19 lockdown in Beijing. China Environmental Science, 2021,41(5):1985-1994.

[6] Zhang X, Xu X, Ding Y, et al. The impact of meteorological changes from 2013 to 2017 on PM2.5mass reduction in key regions in China. Sci. China Earth Sci., 2019,62:1885–1902.

[7] Sun J, Liang M, Shi Z, et al. Investigating the PM2.5mass concentration growth processes during 2013～2016 in Beijing and Shanghai [J]. Chemosphere, 2019,221:452-463.

[8] 江 琪,王 飛,張恒德,等.北京市PM2.5和反應性氣體濃度的變化特征及其與氣象條件的關系[J]. 中國環境科學, 2017,37(3):829- 837.

Jiang Q, Wang F, Zhang H D, et al. Analysis of temporal variation characteristics and meteorological conditions of reactive gas and PM2.5in Beijing [J].China Environmental Science, 2017,37(3):829-837.

[9] 呂夢瑤,張恒德,王繼康,等.2015年冬季京津冀兩次重污染天氣過程氣象成因 [J]. 中國環境科學, 2019,39(7):2748-2757.

Lü M Y, Zhang H D, Wang J K, et al. Analysis of meteorological causes of two heavily polluted weather processes in Beijing-Tianjin- Hebei Region in winter of 2015 [J]. China Environmental Science, 2019,39(7):2748-2757.

[10] Sun Y, Niu T, He J K, et al. Classification of circulation patterns during the formation and dissipation of continuous pollution weather over the Sichuan Basin, China [J]. Atmospheric Environment, 2019, 117244.

[11] 張 瑩,王式功,賈旭偉,等.華北地區冬半年空氣污染天氣客觀分型研究[J]. 環境科學學報, 2018,38(10):43-50.

Zhang Y, Wang S G, Jia X W, et al. Study on an objective synoptic typing method for air pollution weather in north China during winter half year [J]. Acta Scientiae Circumstantiae, 2018,38(10):43-50.

[12] Allwine K J, Whiteman C D, Single-station integral measures of atmosphere Stagnation, recirculation and ventilation [J]. Atmospheric Environment, 1994,28(4):713-721.

[13] 廖碧婷,吳 兌,陳 靜,等.灰霾天氣變化特征及垂直交換系數的預報應用[J]. 熱帶氣象學報, 2012,28(3):417-424.

Liao B T, Wu D, Chen J, et al. Astudy of the variation trends of haze and application of the vertical exchange coefficient [J]. Journal of Tropical Meteorology, 2012,28(3):417-424.

[14] 張恒德,呂夢瑤,張碧輝,等.2014年2月下旬京津冀持續重污染過程的靜穩天氣及傳輸條件分析[J]. 環境科學學報, 2016,36(12): 4340-4351.

Zhang H D, Lu M Y, Zhang B H, et al. Analysis of the stagnant meteorological situation and the transmission condition of continuous heavy pollution course from February 20 to 26, 2014 in Beijing- Tianjin-Hebei [J]. Acta Scientiae Circumstantiae, 2016,36(12):4340- 4351.

[15] 張恒德,張碧輝,呂夢瑤,等.北京地區靜穩天氣綜合指數的初步構建及其在環境氣象中的應用[J]. 氣象, 2017,43(8):998-1004.

Zhang H D, Zhang B H, Lü M Y, et al. Development and application of stable weather index of Beijing in environment metrorology [J]. Meteorological Monthly, 2017,43(8):998-1004.

[16] 朱 蓉,張存杰,梅 梅.大氣自凈能力指數的氣候特征與應用研究[J]. 中國環境科學, 2018,38(10):3601-3610.

Zhu R, Zhang C J, Mei M. The climate characteristics of atmospheric self-cleaning ability index and its application in China [J]. China Environmental Science, 2018,38(10):3601-3610.

[17] 劉洪利,龔山陵,何建軍,等.環境氣象評估指數EMI原理及應用[Z]. 第35屆中國氣象學會年會, 2018.

Liu H L, Gong S L, He J J, et al. The theory and application of evaluation on meteorological condition index for air pollution [Z]. The 35th Annual Meeting of China Meteorological Society, 2018.

[18] 李 雪,黃選瑞,張先亮.不同去趨勢方法對樹輪氣候信號識別的影響.生態學報, 2021,41(5):1970-1978.

Li X, Huang X R, Zhang X L. Influences of different detrending methods on identifying the climate signals from tree-ring analysis [J]. Acta Ecologica Sinica, 2021,41(5):1970-1978.

[19] 周孝煌,鄭彥佳,徐 琳,等.基于去趨勢分析的中國溫帶旱柳開花始期對氣候變暖的響應 [J]. 中國農業氣象, 2018,39(9):559-566.

Zhou X H, Zheng Y J, Xu L, et al. Detrending time series improves the response offlowering to climate in China’s temperate zone [J]. Chinese Journal of Agrometeorology, 2018,39(9): 559-566.

[20] 王 婷.青藏高原積雪對陸面過程水熱輸送的影響研究 [D]. 成都:成都信息工程大學, 2019.

Wang T. Study on the effects of snow cover on hydrothermal transport in land surface processes over Qinghai-Tibetan Plateau [D]. Chengdu: Chengdu University of Information Technology, 2019.

[21] 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 [S].

[22] Gong S, Liu H, Zhang B, et al. Assessment of meteorology vs. control measures in the China fine particular matter trend from 2013 to 2019 by an environmental meteorology index [J]. Atmospheric Chemistry and Physics, 2021,21(4):2999-3013.

[23] 梅 梅,徐大海,朱 蓉,等.基于城市大氣環境荷載指數的大氣污染排放變率估算 [J]. 中國環境科學, 2020,40(2):465-474.

Mei M, Xu D H, Zhu R, et al. Quantitative estimation of air pollutant emission rate based on urban atmospheric load index [J].China Environmental Science,2020,40(2):465-474.

[24] 賈 佳,郭秀銳,程水源.APEC期間北京市PM2.5特征模擬分析及污染控制措施評估 [J]. 中國環境科學, 2016,36(8):2337-2346.

Jia J, Guo X R, Cheng S Y. Numerical study on the characteristics of PM2.5in Beijing and the assessment of pollution control measures during APEC [J].China Environmental Science, 2016,36(8):2337- 2346.

[25] Zhang Y, Wang J,Yang Y, et al. Contribution distinguish between emission reduction and meteorological conditions to "Blue Sky" [J]. Atmospheric Environment, 2018,190(OCT.):209-217.

[26] 曹天慧,王 哲,張 晶,等.“9﹒3”閱兵期間協同減排措施對北京市大氣PM2.5質量濃度及其來源影響的數值模擬 [J]. 北京師范大學學報(自然科學版), 2017,53(2):201-207.

Cao T H, Wang Z, Zhang J, et al. Impact of coordinated emission controls on concentrations and sources of PM2.5in Beijing during“9﹒3”military parade: a numerical model [J]. Journal of Beijing Normal University (Natural Science),2017,53(2):201-207.

[27] Xu X, Zhao T, Liu F, et al. Climate modulation of the Tibetan Plateau on haze in China [J]. Atmospheric Chemistry & Physics Discussions, 2015,15(3):28915-28937.

[28] Zhu W, Xu X, Zheng J, et al. The characteristics of abnormal wintertime pollution events in the Jing-Jin-Ji region and its relationships with meteorological factors [J]. Science of The Total Environment, 2018,626:887-898.

[29] Meng K, Xu X, Xu X, et al. The causes of “vulnerable regions”to air pollution in winter in the Beijing-Tianjin-Hebei region: a topographic-meteorological impact model based on adaptive emission constraint technique. Atmosphere, 2019,10(11):719.

Spatial-temporal characteristics of the contributions to the particle pollution meteorological conditions in central and southern Beijing-Tianjin-Hebei (BTH) region.

JIAO Ya-yin1, MENG Kai1*, DU Hui-yun2, MA Zhi-chun1

(1.Hebei Provincial Environmental Meteorological Center, Shijiazhuang 050021, China；2.State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China)., 2021,41(11)：4982～4989

In this study, environmental meteorology index (EMI) from model simulation of CMA (China Meteorological Administration) was used to analyze the spatial and temporal distribution characteristics of meteorological conditions variation during 2013～2018 in four key cities of central and southern Beijing-Tianjin-Hebei (BTH) region (Shijiazhuang, Xingtai, Handan and Hengshui). The results showed that, the correlation coefficient between EMI and the detrended PM2.5concentration was up to 0.88. EMI had high reliability, and could be applied to atmospheric environment assessment and the meteorological condition evaluation during heavy polluted processes; the contributions of monthly meteorological condition to PM2.5concentration variation during 2013～2018 were calculated by the quantitative analysis method based on EMI. The influence of meteorological conditions in months with different atmosphere pollution degrees could be effectively evaluated by quantitatively analyzing the monthly variations of meteorological conditions. In addition, the quantitative analysis method had been effectively applied in the evaluation of meteorological conditions and emission reduction effect on PM2.5pollution during important events; According to the spatial distribution of meteorological conditions in winter, it was found that the regions with high positive EMI anomaly percentage concentration were those over central and southern BTH region in front of Taihang-Mountain, which indicated that severe weather conditions were the important reasons for the serious PM2.5pollution in central and southern BTH region, in addition to the high anthropogenic emissions.

environmental meteorology index (EMI)；meteorological conditions；PM2.5pollution；quantitative impact

X513

A

1000-6923(2021)11-4982-08

焦亞音(1990-),女,河北邯鄲人,工程師,碩士,主要從事環境氣象研究.

2021-04-07

河北省自然科學基金資助項目(D2020304038),河北省氣象局科研項目(19ky27)

* 責任作者, 高級工程師, macka@foxmail.com