近年来云南省PM2.5浓度变化趋势与潜在区域来源分析

云南省地处低纬高原地区,毗邻东南亚,空气污染物质除受本地排放外也受东南亚地区跨境输送的影响。本文收集整理了2017~2021年云南省16个州市40个国控站观测数据,分析云南省污染特征和变化趋势;并利用后向轨迹(HYSPLIT)聚类分析和浓度权重轨迹(CWT)方法分析了PM2.5的主要区域来源。结果表明,云南省PM2.5年均浓度呈下降趋势,下降率为0.91±0.23μg m^(-3) a^(-1)。在季节变化上,春季浓度最高,全省平均为31.92±9.08μg m^(-3),夏季浓度最低,为13.50±2.69μg m^(-3)。春季东南亚地区生物质燃烧导致云南省PM2.5的污染最严重,最大贡献值超过40μg m^(-3),此外广西西南部也是云南省春季高潜在源区之一。在日变化上,PM2.5浓度呈现“双峰型”特征,最大值出现在09:00(北京时间,下同)至12:00和21:00至01:00,主要是人为活动与较低的边界层高度和风速等气象因素共同作用的结果。研究显示,云南省春季PM2.5浓度多源于跨境输送,这将为云南省空气污染物治理提供新的启示。

北京春季一次霾和沙尘混合污染天气过程分析

2015年3月26—31日北京地区发生一次霾和沙尘天气交替出现的混合型污染天气过程。利用常规气象观测数据、南郊观象台探空数据以及北京环境保护监测总站的空气质量数据,分析了典型个例的发生发展过程。结果发现:此过程可分为霾—沙尘—沙尘回流—霾4个发展阶段。第1阶段北京受弱辐合区控制,大气层结稳定,风速较小,以霾天气为主;第2阶段受蒙古气旋影响,沙尘天气南下影响北京;第3阶段沙尘从华北南部回流,再度影响北京;第4阶段沙尘天气逐渐减弱,北京地区再次出现霾。HYSPLIT后向轨迹模型的模拟结果表明,这是一次典型的沙尘回流所导致的混合污染型天气个例。

秸秆燃烧排放对北京及其周边地区PM2.5浓度影响的数值模拟

采用卫星监测的火点燃烧排放数据,利用区域化学传输模式WRF-Chem模拟分析了2017年5月华北地区细颗粒物(PM2.5)质量浓度分布,通过生物质燃烧排放源(华北区域以秸秆燃烧为主)开关的敏感性试验定量计算了燃烧排放对北京及其周边地区PM2.5质量浓度的影响。卫星监测结果显示,2017年5月华北地区有大量的秸秆焚烧现象,对该地区空气质量造成一定影响的燃烧天数为20 d,占全月总日数的65%左右。数值模拟结果表明:该地区秸秆燃烧排放导致PM2.5浓度升高的区域集中在华北平原农作物产区,其分布位置与卫星监测的火点分布吻合。秸秆燃烧导致这些地区PM2.5浓度月平均值上升幅度普遍超过3 μg/m^3,高值区超过了11 μg/m^3,上升比例可达10%以上;此外,来自华北平原及长三角地区的燃烧排放对北京(特别是东南部地区)污染物浓度的影响是不容忽视的,其中河南、山东、天津等地的秸秆燃烧在合适风场的作用下会严重影响北京,可导致丰台及通州等地PM2.5小时浓度上升超过17 μg/m^3,上升幅度超过40%。

京津冀周边秸秆燃烧对PM2.5无机组分影响

华北平原是我国主要农作物产区,田间秸秆焚烧现象普遍存在,选取秋收季节(2014年10月)分析了秸秆燃烧的排放特征,利用区域化学传输模型WRF-Chem模拟研究了燃烧排放对气态前体物及其氧化产物的影响,以及最终导致的PM2.5中硫酸盐、硝酸盐和铵盐的变化。研究表明:2014年秋收季节,河南和山东等省份的秸秆燃烧排放会在东南风的输送作用下影响京津冀地区;秸秆燃烧排放大量挥发性有机物(VOCs),导致火点源及周边地区大气中主要氧化剂浓度上升,提升了区域大气氧化能力;当携带大量VOCs的秸秆燃烧烟羽与以化石燃料排放为主的城市气团相混合时,大气氧化性增强会加速城市地区人为源排放的NOx和SO2等气态前体物的氧化过程,提高硫酸盐和硝酸盐的形成速率、促进二次无机气溶胶的生成。

赴日本九州大学工作访问总结

1概况应日本九州大学Itsushi Uno教授和Keiya Yumimoto博士邀请,北京城市气象研究院寇星霞于2019年6月22-30日赴日本九州大学开展学术交流访问。此次出访目的是完成国家重点研发计划项目“京津冀地区同化预报技术研究”中大气化学中卫星资料同化技术的研究工作,了解日方在大气化学同化领域最新的研究进展,就大气化学同化的试验方案等技术问题与日方专家研讨,并就未来在相关领域开展合作进行交流。

2014～2017北京市气象条件和人为排放变化对空气质量改善的贡献评估

2014～2017年北京地区霾日数和污染日数逐年减少,PM_(2.5)、PM_(10)、SO_2和NO_2年平均质量浓度下降,污染程度缓解,采暖期中的11～12月尤为明显.针对空气质量的显著改善,从气象条件的改善和减排措施两方面进行探讨分析,并结合数值模式和大数据挖掘技术实现气象和排放对大气污染贡献率的定量化研究.结果表明,2017年与过去3 a相比,平均风速增加7. 9%,≥3. 4 m·s^(-1)的风速频次最高(10. 6%),≥70%湿度日占比最小(25. 1%);其中,采暖期与过去3 a同期相比,小风日数减少8. 6%、大气环境容量指数和通风指数平均增加约11%,边界层高度以3. 2%·a^(-1)的速率升高,尤其11～12月各要素改善更显著,且该时段内2014年各因子变化与2017年相似.非采暖期(4～10月)累积降水量558. 3 mm,仅次于2016年,有利于污染物的清除和湿沉降.利用WRF-CHEM对霾和污染频发的12月进行模拟发现,气象要素的改变导致2017年12月北京PM_(2.5)质量浓度较2014～2016年同期分别降低5%、38%和25%.因缺少政府实际施行的减排方案,无法利用WRF-CHEM量化气象和减排的具体贡献率,因此借助大数据挖掘算法,基于K近邻算法(KNN)和支持向量机(SVM)模型对气象和减排对空气质量改善的贡献进行评估,结果显示2017年减少的霾日和重污染日,65. 0%归因于减排的贡献,35. 0%归因为气象条件的改善.可见,气象与生态环境部门应继续加强数据开放共享,科学开展气象条件预报与减排评估.