鲁西南地区静稳天气特征及其与大气污染物的关系

【目的】研究鲁西南地区静稳天气特征及其与主要污染物的关系。【方法】通过构建静稳天气综合指数,利用2014—2018年济宁、菏泽、枣庄三市的大气监测和气象资料,构建了鲁西南地区静稳天气指数(SWI),分析了SWI与空气质量指数(AQI)及PM_(2.5)浓度的关系,能较好地表征鲁西南地区大气对污染物的水平与垂直扩散及运输能力。【结果】济宁SWI与AQI相关系数为0.79,与PM_(2.5)浓度的相关系数为0.78;菏泽SWI与AQI相关系数为0.62,与PM_(2.5)浓度的相关系数为0.61;枣庄SWI与AQI相关系数为0.77,与PM_(2.5)浓度的相关系数为0.78。当SWI增大时,PM_(2.5)浓度与AQI值均增大;当SWI值减小时,PM_(2.5)浓度与AQI值均下降,其具备较好的对应关系。【结论】静稳天气指数的时间提前特征,说明静稳天气指数对下一日的空气质量具有一定的影响;静稳天气指数在空气质量发生转折时有较好的指示作用;静稳天气指数在一定程度上与大气污染程度的变化一致,且在一定范围内对分级空气质量有较好的指示意义。

北京地区静稳天气综合指数的初步构建及其在环境气象中的应用

静稳天气与大气重污染的发生有紧密联系,为定量描述大气的静稳程度,文章研发了静稳天气综合指数。结合统计和预报经验,挑选发生大气污染的气象要素及其阈值条件,通过权重求和得到初步构建静稳天气指数(SWI)。此后,基于近13年的气象数据,分段统计各气象要素不同区间内雾-霾天气出现概率相对气候态的倍数作为分指数,根据分指数最大值和最小值的比值排序,得到10个对静稳天气具有较强指示意义的气象要素,对这10个要素的分指数求和得到静稳天气指数。改进后的指数和PM_(2.5)浓度有更好的相关性。以2015年1月一次重污染过程为例,分析不同阶段SWI和AQI指数的变化,两者具有较好的一致性,均表现出发展阶段稳定增长,消散阶段迅速降低的特征。应用静稳天气指数评估发现,APEC减排期间京津冀地区大气静稳程度和减排之前相当,但污染持续时间和峰值强度较减排前明显降低。SWI可以在重污染天气预报和重大活动减排措施评估中得到有效应用。

杭州市静稳天气指数构建及应用研究

采用杭州市近7年的气象与环保监测资料,综合考虑2 m相对湿度、10 m水平风速、日均海平面气压、24 h变压、24 h变温、低层逆温等气象因子,通过历史样本统计划分阈值范围再权重求和的方法,构建了静稳天气指数(SWI).经过实况回算检验,分析所建指数与污染天气的对应关系,并应用到重污染天气成因分析、空气质量预报和污染减排评估等方面.结果表明:(1)SWI可以综合反映大气静稳程度,与PM2.5浓度有较好对应关系,SWI越大越容易出现污染天气,SWI大值最易出现在冬季,其次为秋季和春季,夏季主要污染物往往是臭氧,不易发生中度以上的污染天气.(2)SWI可用于判断杭州秋冬季重度及以上污染天气的成因,平均而言SWI<6.7时不易出现重度及以上污染;若SWI<6.7时仍出现重污染天气,可判断主导风向上游的外来污染物输入是引起重污染的主要原因,根据前期SWI的相对大小可判断有无叠加前期本地污染物积累;若SWI持续大于6.7且出现重度及以上污染天气,可判断由大气静稳而产生的本地污染物堆积是主要成因.(3)依据预报数据计算的SWI对空气质量分级预报有较好的参考价值,在短期和中期预报时效内均有表现力.(4)将SWI应用到G20会议期间污染减排效果评估中发现,在气象条件静稳程度相当时,减排措施有效降低了污染程度.

北京与成都大气污染特征及空气质量改善效果评估

近年来我国空气质量持续改善,大气颗粒物浓度明显降低.为探究气象条件和减排措施对细颗粒物(PM_(2.5))浓度的相对贡献,选取两个典型代表城市——北京和成都,对比分析两城市所处的地理环境条件、污染排放以及气象扩散条件.结果表明,北京与成都2013~2018年重污染天数及污染过程显著减少,SO_(2)和PM_(2.5)浓度降幅明显,与2013年相比,两城市2018年SO_(2)浓度的降幅分别为77.8%和70.9%,PM_(2.5)浓度分别降低了42.7%和48.5%.冬季PM_(2.5)浓度下降速率最大,每年分别以13.5μg·m^(-3)和14.1μg·m^(-3)的速率降低.2013~2018年成都较北京风速偏小,温度偏高约3℃,静小风日数偏多,冬季静小风频率高,混合层高度、大气容量指数以及通风系数明显偏小,大气扩散条件较差.综合静稳天气指数(SWI)和环境气象指数(EMI)结果表明北京大气扩散条件优于成都,但近几年的变化程度有所不同.2014~2018年两城市的EMI呈减小趋势,2018年成都地区EMI降幅最显著,气象条件明显好转.与2014年相比,2018年北京与成都全年大气污染减排对PM_(2.5)浓度的贡献分别为33.5%和24.0%,气象条件的贡献分别为7.2%和11.1%;冬季减排贡献分别为31.7%和32.5%,气象条件的贡献比全年的大.