京津冀区域大气重污染过程特征初步分析

基于为京津冀区域和城市环境空气质量预报和空气重污染预警业务提供必要基础参考资料和区域重污染发生发展规律认识的需求,应用现有空气监测网2013—2014年度京津冀区域13个城市空气质量监测数据,分析了该区域2013—2014年空气质量整体情况和污染过程的季节变化规律、污染范围,统计了两年间31次区域范围大气重污染过程,并根据污染过程的空气质量变化特点和大气环流形势,着重对31次重污染过程中均压场天气型污染开展分析。结果表明,2013—2014年京津冀区域空气污染形势严峻,全年约有六成日数受颗粒物污染影响;京津冀区域空气污染南北差异显著,有自北向南逐步加重的特点,南部污染严重城市对区域污染贡献巨大,石家庄、保定、邢台、邯郸4城市将PM_(10)、PM_(2.5)年均浓度分别拉升31、16μg/m^3;2013—2014年京津冀区域大范围重污染过程集中发生在秋冬季,两季的污染过程对区域两年PM_(10)、PM_(2.5)平均浓度分别拉升27、21μg/m^3;京津冀区域均压场天气型污染可细分为臭氧型均压场和颗粒物型均压场。当秋冬季出现较小气压梯度、西南小风、逆温层等均压场天气型时,容易造成区域颗粒物污染过程;而春末、夏季出现均压场天气型时,容易造成O_3污染。

济南市冬季大气重污染过程PM2.5数浓度谱和组分分布特征

为探究济南市冬季重污染过程的成因及影响因素,2019年12月1—31日在济南市生态环境监测中心站内利用PM2.5及其组分在线监测仪,获得PM2.5中矿物尘(KC)、微量元素(TE)、有机物(OM)和水溶性离子质量浓度以及PM2.5数浓度谱,分析监测时段内济南市两次重污染过程PM2.5组分质量浓度变化规律及不同粒径数浓度分布特征。结果表明,采样期间济南市出现了两次大气重污染过程,PM2.5平均质量浓度分别为134μg·m−3和112μg·m−3,其中日均最高质量浓度分别为204μg·m−3和155μg·m−3,小时最高质量浓度分别为265μg·m−3和245μg·m−3。重污染过程PM2.5化学组分中,质量浓度较高的均为NO3−、OM、SO42−和NH4+;两次污染过程均是NO3−先快速累积,随后OM和SO42−质量浓度快速增长至峰值。重污染过程的硫氧化率SOR和氮氧化率NOR分别为0.77—0.91和0.39—0.57,重污染天气体前体物的二次转化程度较高,使得SO42−和NO3−质量浓度迅速增长,导致PM2.5质量浓度升高加重污染。采样期间PM2.5粒径数浓度分布近似服从对数正态分布,PM2.5总粒子数浓度平均值为55156 cm−3,其中爱根核和积聚核模态数浓度占比较高;两次污染过程的PM2.5总粒子数浓度平均值分别为84825、69922 cm−3,是非污染天的1.9、1.6倍,爱根核模态数浓度是非污染天的2.1、1.7倍,对重污染过程贡献较大。重污染过程PM2.5质量浓度受湿度、风速、边界层高度(PBL)等气象因素的影响,结果显示济南市冬季边界层高度降低、风速减小等气象条件不利于污染物的扩散,同时湿度升高时又促进了气态污染物的二次转化,使得颗粒物质量浓度不断累积,导致重污染过程发生。

2013-2018年冬季成都市9次大气重污染过程的天气形势及逆温特征

利用2013年1月-2018年12月成都地区气象探空资料、空气质量指数(AQI)和欧洲中期天气预报中心ERA-Interim再分析资料,研究了成都市9次大气重污染过程中的天气形势和逆温特征,结合重污染过程期间的AQI及各类污染物质量浓度变化,讨论了不同天气形势和逆温特征与空气污染的内在关系.结果表明, 9次大气重污染过程中,在低槽天气型且风向主要为西南风、南风和西风时,污染较严重.白天贴地逆温的层数、厚度和强度与气态污染物呈正相关,对流层低层逆温的发展对各类污染物的扩散有抑制作用;晚上脱地逆温层数越多,厚度与强度越大时,颗粒污染物越难扩散.逆温层数与空气污染的正相关性相对于逆温厚度和逆温强度更明显, AQI对逆温总层数和总厚度具有一定的滞后性.

气象预报模式参数化方案对重污染过程PM2.5浓度预报效果的影响

针对北京市2016年12月16~21日的重污染过程,基于嵌套网格空气质量模式预报系统(NAQPMS),面向气象驱动模式WRF中7类物理过程的参数化方案,通过单扰动和组合扰动方式构建了51组不同的WRF模式运行配置,对比分析不同方案配置下NAQPMS对这次重污染过程细颗粒物(PM2.5)浓度预报的性能。结果表明:在重污染时段,组合扰动优化方案在城中心站点和城郊站点的PM2.5浓度预报精度都显著高于基准参数化方案配置下的预报结果,特别是能显著改进基准方案下模式对重污染过程结束时间的预报误差问题,显著减小12月21日存在的预报偏差。从统计指标来看,城中心站点在组合扰动优化方案下预报相关性最高,相关系数在0.7以上;从预报均方根误差来看,组合扰动优化方案误差最小。城郊站点同样是在组合扰动优化方案下预报相关性最高,与观测之间的偏差更小。从污染物与气象要素的空间分布来看,组合扰动优化方案比基准方案能更好再现污染时段的气象要素变化,预报的风速更小、相对湿度更高,从而有利于12月21日北京高浓度PM2.5的维持和累积。本文结果表明气象预报模式参数化方案不确定性是重污染预报的关键不确定性来源,选择合适的参数化方案可以减小重污染期间气象要素的模拟偏差,并可进一步提高重污染时段的PM2.5浓度预报精度。

北京市重污染过程中颗粒物碳质组分特征研究

为研究北京市重污染天气中大气颗粒物PM2.5和PM10的质量浓度、碳质组分特征以及污染来源,在西三环边的北京工商大学校园内设立采样点,分别捕捉了2017年11-12月的三次重污染过程,并使用Sunset热光碳分析仪对采样后的PM2.5和PM10及其有机碳(OC)、元素碳(EC)进行分析.结果表明,在三次重污染过程中均以PM2.5为主要污染物,且PM2.5和PM10日均浓度变化趋势一致;OC、EC最高分别达到了51.53μg/m3和11.33μg/m3,表明碳质组分对重污染天气有一定的贡献.

邯郸市重污染过程气象因素分析

采用气象资料、环境监测数据分析了邯郸市2018年1月14日至1月21日的PM2.5重污染过程,并利用相关系数法分析不同污染物与气象要素之间的相关关系。结果表明:重污染过程的气象特征分析可以为空气质量预警提供部分参考,邯郸市这次重污染过程反映出各项不利气象要素在一定程度上会加重污染过程的影响程度,地面风速减弱、风向持续发生转变,高湿以及逆温等气象特征易导致邯郸市重污染天气发生。

邯郸市PM2.5重污染过程气象特征分析

采用邯郸市气象资料、环境监测数据分析了2018年1月14日至1月21日的PM2.5重污染过程,并利用相关系数法分析不同污染物与气象要素之间的相关关系。结果表明:重污染过程的气象特征分析可以为空气质量预警提供部分参考,邯郸市这次重污染过程反映出各项不利气象要素在一定程度上会加重污染过程的影响程度,地面风速减弱、风向持续发生转变,高湿以及逆温等气象特征易导致邯郸市重污染天气发生。

四川盆地逆温特征及其对PM_(2.5)的影响研究

基于2000-2020年ERA5逐时温度廓线数据探究了四川盆地逆温特征时空变化,量化了逆温对PM_(2.5)的贡献,分析了成都和宜宾重污染期间逆温特征及边界层结构。空间上,盆地中部逆温频率最大,在15~25%之间,东部和南部地区次之,盆地西北和西南地区最低;盆地逆温厚度季节变化的空间分布差异较小,整体集中在200~350 m之间;逆温强度冬季最强,中部地区逆温强度最大可达0.45℃/100 m左右。时间上,逆温频率12月至次年4月达到最大,最大可达25%,6~8月最小,逆温厚度3~4月达到最大,多在280.85~400.97 m之间,7~8月最小,逆温强度总体变化不显著,多小于0.4℃/100 m。四川盆地站点逆温频率、厚度、强度与PM_(2.5)呈正相关,相关系数分别为0.3,0.28和0.25。成都和宜宾逆温特征与PM_(2.5)的拟合关系表明,成都和宜宾逆温厚度分别为376和374 m时,PM_(2.5)平均浓度均达到75μg/m^(3)左右,逆温强度与PM_(2.5)浓度的拟合曲线呈抛物线状。大气重污染期间污染物浓度超标通常与持续深厚逆温层相关。2017年2月,成都16日和19日PM_(2.5)浓度分别达163和157μg/m^(3),逆温频率和厚度达70%和300 m以上,且均存在双层逆温。2017年1月19日,宜宾PM_(2.5)浓度最大为228μg/m^(3),当天逆温频率、厚度、强度分别为100%、727.5 m和0.37℃/100 m。此次大气重污染时期成都和宜宾逆温层下相对湿度达80%~99%,近地表风速小于2 m/s,高湿的强稳定边界层结构有助于一次PM_(2.5)的积累和二次细颗粒物的生成。