汾渭平原呂梁市顆粒物潛在源及輸送通道分析

高興艾,裴坤寧,王淑敏,閆世明,王 雁,蔣云盛

汾渭平原呂梁市顆粒物潛在源及輸送通道分析

高興艾,裴坤寧,王淑敏,閆世明*,王 雁**,蔣云盛

(山西省氣象科學研究所,山西 太原 030002)

基于汾渭平原呂梁市2017～2019年顆粒物濃度監測數據和地面氣象觀測數據,利用后向軌跡聚類分析法以及潛在源貢獻函數(PSCF)等方法研究了呂梁市冬季PM10和PM2.5大氣污染特征及其潛在源區,最后結合軌跡密度分析法(TDA)、軌跡停留時間分析法(RTA)對軌跡聚類分析得到污染輸送通道進行補充分類,并分析了不同輸送通道的輸送特征.研究發現,呂梁市2017～2019年顆粒物年均濃度逐年下降,其中PM10下降了28μg/m3,PM2.5下降了17μg/m3,冬季下降幅度最大.3a冬季風向風速和濃度的統計分析表明呂梁市顆粒物濃度受東北和西南風影響最為顯著,其原因是受當地三川河河谷地形的影響.影響呂梁市PM10污染的潛在源區主要位于西南方向,PM2.5污染的潛在源區主要分布在西南、東和東南方向,顆粒物污染輸送通道可概括為:西北、西南和偏東(東+東南)通道.西北通道氣流移動速度快,途經新疆、內蒙、甘肅和陜西北部等區域;西南通道氣流移動速度慢,主要途經陜西中南部渭河平原等污染嚴重的區域;偏東通道的氣流移動速度慢,氣流先沿太行山東麓南下,在經過太行山的橫斷山谷(太行陘、井陘等)時轉向進入山西.PM10污染時西北通道貢獻最大,偏東通道貢獻最小,且兩個通道下絕大多數發生的均是輕度污染,占比都在90%左右;PM2.5污染時三類通道下發生輕度污染的比重較PM10均下降,西南和偏東通道下發生中度污染以上的比重在50%左右,且西南和偏東通道途經的區域恰好是PSCF計算得到的潛在源區位置,說明了西南和偏東氣流容易將細顆粒物輸送至呂梁.WRF(天氣預報模式)的風場模擬較為直觀的解釋了三類污染輸送通道,且復雜地形是形成污染輸送通道的一個重要因素.西北和西南污染輸送通道主要受呂梁山脈的影響,偏東污染輸送通道主要受太行山及其橫谷的影響.

軌跡聚類；輸送通道；顆粒物；軌跡停留時間分析法(RTA)；軌跡密度分析法(TDA)

隨著城市化和工業化發展,大氣污染已成為影響區域經濟發展和城市環境的重要因素[1-3].其中顆粒物可以通過直接和間接效應影響地球輻射收支平衡,并且嚴重危害人體健康[4-5].近年來經過多方努力,空氣質量雖得到了一定程度的改善[6],但是部分地區污染仍然非常嚴重,特別是在京津冀及周邊地區、長三角和汾渭平原[7-9].大氣污染時空分布特征存在顯著的區域性差異,不同區域首要污染來源也有所差異,因此研究污染物本地化的時空特征及其來源對于科學治理當地顆粒物污染起著重要作用.此外,大氣污染又因其具有空間溢出效應,即存在跨區域傳輸[10].分析區域大氣污染輸送路徑和潛在源區,研究城市與周邊區域的傳輸影響,對于區域間大氣污染聯防聯控工作有著重要意義.相關研究發現長三角本地與區域輸送貢獻基本相等[11],北京市和唐山市PM2.5外來傳輸貢獻可達48.74%和 30.67%[12],山西和陜西外來傳輸貢獻達31%[13].

汾渭平原作為全國空氣污染最嚴重的區域之一,產業結構偏重,能源結構偏煤,交通運輸結構以公路為主,加上不利于擴散的地形和氣象條件,導致污染形勢嚴峻,2018年納入了國家大氣防治重點區域.目前已有部分學者針對汾渭平原污染做了相關研究,這些研究主要側重于汾渭平原區域的大氣污染狀況以及重污染天氣成因的分析.相關研究發現汾渭平原PM2.5污染與地形起伏度存在明顯的負的空間自相關性,洛陽盆地和西安至臨汾間的沖擊平原污染最為嚴重[14],汾渭平原吸收性氣溶膠空間分布基本以臨汾、西安和鄭州為高值向四周擴散的趨勢[8],造成該區域冬季顆粒物重污染的天氣系統主要是高壓前部型、高壓后部型、均壓場型及低壓倒槽型[15].汾渭平原地形復雜,不同城市污染情況也不盡相同. 西安冬季PM2.5污染的主要潛在源區位于關中地區、山西運城以及河南三門峽、洛陽地區[16];運城市秋冬兩季顆粒物污染以細顆粒物為主,空間上PM2.5年均值呈現北部和中部高、東部和西部低的分布特征[17];臨汾市春、秋和冬季共同的污染潛在源區位于陜西中南部地區(西南方向),且PSCF值均超過了0.7[18].目前這些研究主要側重于不同城市的潛在污染源區分析,缺乏城市污染輸送通道的研究.

呂梁市屬于汾渭平原11個城市之一,污染排放強度較大.近年來呂梁當地政府和生態環境部門制定了一系列的減排措施,如提高集中供熱普及率、劃定“禁煤區”、取締違法“散亂污”企業和嚴格控制工業企業揚塵排放等.但是,生態環境部發布的《全國城市空氣質量報告》(2019年)表明:呂梁市冬季環境空氣質量綜合指數在168個重點城市中平均排名107(冬季三個月平均),排名比較靠后,主要污染物為PM10和PM2.5.因此在繼續進行減排治理的基礎上,研究當地地形、氣象條件和輸送特征對于大氣污染治理具有十分重要意義,但是目前針對呂梁市相關研究比較少.因此本文以汾渭平原呂梁市為研究對象,利用潛在源貢獻函數PSCF和軌跡聚類、TDA和RTA方法綜合確定影響呂梁市的潛在源區和污染輸送通道,以期為汾渭平原城市群大氣污染聯防聯控治理提供參考依據.

1 數據與方法

1.1 研究區概況

呂梁市地處山西省西部,因呂梁山脈由北向南縱貫全境而得名.市以東是“兩山夾一河”地形,依次為呂梁山-汾河谷地-太行山,市以西依次為黃河峽谷-陜北黃土高原,主城區位于呂梁山脈中段西側.呂梁市內地勢東部高而寬,西部低而窄,境內山多川少.北有北川河,東有東川河,南有南川河,這3條河流在呂梁市區西部匯集成“三川河”.呂梁市最高點為城區東北骨脊山,海拔2535m;最低點為三川河河谷,海拔889m(圖1).呂梁市煤炭資源豐富,市境總面積21211km2,含煤面積11460km2(http: //www.lvliang.gov.cn/zjll/llgl/zrdl/),煤炭面積占比54%.工業主要以煤礦、焦化、冶煉以及電力企業為主,顆粒物排放量大是這些行業的共同特點之一,且無組織排放治理難度較大.受地形、不利氣象條件、本地排放和區域傳輸的共同影響,呂梁市冬季顆粒物污染頻發.

圖1 山西省呂梁市及周邊地形示意

1.2 數據來源

呂梁市2017～2019年逐時PM10和PM2.5濃度以及對應時刻的地面風向風速數據分別來源于真氣網(https://www.aqistudy.cn/)和山西省氣象信息中心.后向軌跡模式所用氣象場資料(2017～2019年)為美國國家環境預報中心(NCEP)提供的全球資料同化系統(GDAS)數據(ftp://arlftp.arlhq.noaa.gov/pub/ archives/gdas1),每日4個時次,即00:00、06:00、12:00和18:00UTC,水平分辨率為1°×1°.WRF模式輸入資料來源于歐洲中期天氣預報中心(ECMWF)再分析(ERA-5)數據(http://data-portal.ecmwf.int),該數據1次/h,分辨率為0.25°×0.25°.

1.3 研究方法

HYSPLIT4(混合單粒子拉格朗日積分軌跡)模式是由美國國家海洋大氣管理中心(NOAA)和澳大利亞氣象局共同研發的一種用以計算和分析氣流運動、沉降以及擴散的專業模型.該模式廣泛應用于大氣輸送研究及污染過程分析[19].本研究中后向軌跡計算起始高度選取300m[20],軌跡運行時間選擇72h,時間間隔取1h.聚類分析基于軌跡風向角度的二分均值法[21].

軌跡密度分析法(TDA)將研究區域均勻劃分成一定分辨率的若干網格單元,因此可以通過統計每個網格的軌跡數量來表示特定網格上的軌跡密度.軌跡密度分布可以反映出主要氣流的運動方向,污染軌跡經過多的區域即可定義為污染傳輸通道.與之對應的停留時間法(RTA)是統計區域內軌跡點的多寡,與在源區域中停留時間較長的氣團相比,快速通過污染物源區域的空氣氣團積聚污染物的時間更少,即在污染源區停留時間長的氣團可能攜帶更多的污染物[22].污染軌跡點經過多的區域也可定義為污染傳輸通道,TDA和RTA可以從不同角度得到污染輸送通道,兩者結合可以得到完整的傳輸通道.

潛在源貢獻函數(PSCF)常被用于定位潛在污染源區位置并定量給出污染貢獻大小.PSCF用來描述每個區域(即網格單元)的來源強度的概率場,它基于氣流軌跡分析來識別可能源區,通過結合氣團軌跡和某要素值(如污染物濃度值等)來給出可能的污染排放源方位,PSCF計算公式參見文獻[18,21].

WRF(天氣預報模式)是新一代的高分辨率、非靜力平衡的中尺度模式,該模式在氣象和相關領域(氣象服務、農業林業、新能源等)的應用越來越廣泛.本文利用WRFv4.2模式模擬了3次典型的顆粒物污染事件發生時風場變化情況.模式采用兩層雙向嵌套,外層區域(61～162°E,2～70°N),網格距是27km,內層區域(93～125°E,21～49°N),網格距是9km,垂直方向為32層,時間積分步長為60s,地形數據為30s分辨率,模式參數方案選取可見文獻[23].

2 結果與討論

2.1 呂梁市顆粒物污染特征

利用2017～2019年呂梁市顆粒物監測數據按照四季進行統計分析.由圖2和表1可知,呂梁市夏季顆粒物濃度最低,春秋季濃度值較為接近且大于夏季;冬季顆粒物污染最為嚴重,PM2.5濃度甚至超過了環境空氣質量標準(GB3095-2012)中定義的二級濃度標準(75μg/m3).從年際變化來看,2017～2019年PM10與PM2.5年均濃度逐年下降,其中PM10下降了28μg/m3,PM2.5下降了17μg/m3,從季節變化來看,冬季下降幅度最大,PM10下降了34μg/m3,PM2.5下降了26μg/m3.

圖2 2017～2019年呂梁市PM10和PM2.5濃度月變化分布

表1 2017～2019年呂梁市PM10、PM2.5平均濃度和PM2.5/PM10比值統計值(μg/m3)

PM2.5/PM10能夠反映可吸入顆粒物中細顆粒物的含量以及細顆粒物的二次形成,利用二者比值的變化,可以評估大氣污染狀況[16].由表1可知,呂梁市PM2.5/PM10年均值為0.49,低于北京市[24]均值0.69和鄭州市[25]均值0.56,說明呂梁市細顆粒物占比較這些人口密集、工業發達城市偏低;此外,二者比值春季最小,冬季最大.春季,由于天氣系統活動比較頻繁,大氣層結極不穩定,在冷暖氣流交綏作用下,氣流經過干燥而植被稀疏的荒漠地帶,很容易引發沙塵或者揚沙天氣[26],粒子以粗顆粒物為主;冬季,靜穩天氣造成冬季霧霾頻發,主要以細顆粒物為主[27].總體而言,呂梁市冬季顆粒物污染最嚴重,因此下文主要分析冬季的顆粒物污染與輸送特征.

2.2 地面風對顆粒物濃度的影響

為了解地面風對顆粒物濃度的影響,統計分析了各風向下PM10與PM2.5污染發生的頻率,并繪制了呂梁市2017～2019年冬季不同風向下各空氣質量等級出現的頻率.由圖3可知,呂梁市近地面主導風向為東北風(NNE、NE),風頻占比33.9%,除東北風外,西南風(WSW、SW)風頻占比最大,為19.9%;這兩個風向與呂梁三川河河谷方向基本一致(圖1),其中東北風方向對應北川河,西南風方向對應三川河,說明呂梁市近地面風向受地形的影響非常顯著.河谷地形也為近地面顆粒物的輸送創造了條件,PM10與PM2.5發生污染時的主要風向與近地面主導和次主導風向基本一致,其中PM10污染頻率NNE、NE方向占比18.7%,WSW、SW方向頻率占比6.6%;PM2.5污染頻率NNE、NE方向占比21.8%,WSW、SW方向占比8.8%,同時也可以看出,東北風和西南風方向發生中度、重度及嚴重污染的頻率也遠高于其他方向.

為了解呂梁市地面氣流與顆粒物濃度的關系,統計計算了呂梁市2017～2019年冬季不同風向風速下的顆粒物平均濃度和PM2.5/PM10比值(為減少統計樣本數量偏少帶來的誤差,將統計數量少于10個的樣本剔除).由圖4(a)和4(b)可知,不同風向風速下顆粒物濃度差異顯著;東北、西南和東南風向下PM10和PM2.5濃度均高于其他風向,其中東北風向的PM10和PM2.5污染最為嚴重,部分地區濃度分別超過了170和95μg/m3;東南方向對應南川河,風頻雖然占比不大(見圖3),但是也容易出現顆粒物濃度高值.從風速來看,低風速下(<2m/s)呂梁市冬季PM10和PM2.5均有污染超標現象發生,可見靜小風天氣易造成呂梁市顆粒物濃度升高,其中PM10超標發生在東北方向,PM2.5超標發生在東北和西南方向;當風速大于2m/s時,在三川河谷對應的東北、東南和西南風向下均出現了PM2.5平均濃度值超標,PM10僅在東北方向出現平均值超標現象.由圖4(c)可知,呂梁市三川河谷對應的東北、西南和東南方向上細顆粒物占比均較大,東南方向的PM2.5/PM10最高值達到0.65以上,結合圖4(a)和4(b)來看,東北方向的顆粒物濃度是3個方向最高的,但其相對于西南和東南方向來說,PM2.5/PM10比值卻是最小的,說明東北方向粗顆粒物輸送較西南和東南方向更明顯.

總的來說,呂梁市顆粒物濃度主要受東北、東南和西南風向影響較大,且3個風向與河谷地形方向吻合,顆粒物污染容易沿河谷向城區輸送,且河谷方向的輸送頻率和顆粒物濃度較其它方向偏大;此外,靜小風天氣易造成呂梁市顆粒物濃度升高.

2.3 顆粒物污染潛在源區分析

利用后向軌跡模式計算了2017～2019年冬季呂梁市的氣流軌跡,并結合對應時次的顆粒物濃度,利用PSCF方法分析了PM10和PM2.5的潛在源區, PSCF能夠識別超過計算點平均濃度閾值的潛在源區(PSCF計算閾值選取PM10和PM2.5濃度標準值分別為115和75μg/m3),將PSCF 大于 0.7 的區域作為影響呂梁市最主要的潛在源區,PSCF高值區表明了氣流軌跡經過這些區域時發生污染(超過閾值)的概率較高,計算結果見圖5.

由圖5(a)可知發現,PM10主要的潛在源區位于西南方向,集中在陜西中南部地區的漢中、安康、西安、寶雞和咸陽一帶區域,PSCF值達到了0.8以上,其他方向也存在一些范圍較小的零星潛在源區.由圖5(b)可知,PM2.5主要的潛在源區位于東、東南、西南方向,其中西南方向潛在源區分布位置基本和PM10一致,但范圍明顯較后者更大,PSCF值也更高;東方向的潛在源區主要位于太原、陽泉、晉中以及河北的石家莊和邯鄲部分區域,東南方向潛在源區主要位于臨汾、長治和河南北部的安陽、焦作部分區域,東和東南方向的潛在源區PSCF值均在0.9以上.PM2.5的潛在源區范圍明顯較PM10偏大,且PSCF整體值也更高.

2.4 顆粒物污染輸送通道分析

PSCF方法確定了影響呂梁市的潛在污染源區,但無法確定氣流經過源區是如何輸送并影響到目標站點的,因此還需要進一步探討污染輸送通道.本文挑選2017～2019年冬季PM10和PM2.5污染時對應時刻的后向軌跡數據,利用軌跡聚類、TDA和RTA方法綜合判定呂梁市的顆粒物輸送通道,結果見圖6和圖7.

首先利用二分K均值法分別將PM10和PM2.5污染時的后向軌跡聚類為5類,用聚類后的軌跡表示顆粒物的輸送通道,并且為進一步量化表征各聚類軌跡下的污染特征,將每條聚類軌跡下不同空氣質量等級(GB3095-2012)發生的頻率進行統計分析.圖6給出了不同軌跡分型的污染比例特征.

圖6(a)和6(b)分別代表了發生PM10和PM2.5污染時軌跡聚類結果(PM10共計2454條數據,PM2.5共計2821條數據),對比二者可以看出,兩者污染氣流軌跡的聚類結果在方向上基本一致,但在各方向上的比例略有差異,主要表現為PM2.5污染時軌跡1和3污染比例較PM10明顯變大,而軌跡2、4和5 的污染比例較PM10明顯變小,說明軌跡2、4和5攜帶粗顆粒物較多,而軌跡1和3攜帶的細顆粒物較多.

由圖6(a)可知,發生PM10污染時,途經新疆、甘肅、內蒙和陜西的遠距離傳輸軌跡5占比最大,為 39.1%,途經新疆、甘肅和陜西的軌跡3對應的PM10污染濃度最高,為217.4μg/m3,軌跡占比16.2%.結合不同聚類軌跡下各污染等級發生頻率來看,發生PM10污染時,5類軌跡發生輕度污染比重基本都在75%以上.其中軌跡1發生中度污染以上比重最小,為5.8%;軌跡3和4發生中度污染以上的比重最大,分別為21.4%和21.6%.

由圖6(b)可知,發生PM2.5污染時軌跡5占比最大,為 31.9%,途經陜西省中南部的軌跡4對應的PM2.5污染濃度最高,數值為124.9μg/m3,占比10.7%.與PM10聚類軌跡下各污染等級發生頻率不同,發生PM2.5污染時,全部聚類軌跡發生重度污染以上的概率明顯變高,軌跡1、3和4發生中度污染以上比重最大,分別為46.9%、50.6%和50.3%,說明來自西南和東南方向的氣流攜帶的PM2.5細顆粒物較多,非常容易發生中度、重度和嚴重污染.來自西北路徑下的軌跡2和5發生中度污染以上的比重相對其他軌跡來看較小,分別為27.6%和36%.

軌跡聚類方法是從軌跡整體進行聚類分析,其根本上代表某個扇區風向上多條軌跡的平均方向,所以只能表達出大致方向,優點是能得到每條聚類軌跡上的比例參數;而RTA和TDA方法是從軌跡點角度進行統計分析,其優點是能夠直觀體現出輸送通道,但無法確定各個通道上的比例大小,所以三者結合可以更為準確的解釋污染輸送通道.

圖7為軌跡密度、停留時間及二者差值的結果,分別用TDA、RTA和RTA-TDA表示,網格分辨率為0.2°×0.2°.由圖7(a)和7(d)軌跡密度分析可知,PM10和PM2.5污染時,TDA整體均呈經向分布,且主要為西北和東南走向,說明來自這兩個方向的氣流較多,來自西北的氣流(TDA>50)到達站點附近后,受呂梁山脈阻擋,轉為偏北氣流,來自東南的氣流沿著晉南的臨運盆地北上到達呂梁.

圖7(b)和7(e)停留時間分析可以看出,PM10和PM2.5污染時停留時間點相對較長(RTA>50)的區域集中在西北、西南、東和東南4個方向,且來自西南、東南和東方向PM2.5污染軌跡停留時間較PM10明顯變大,結合圖7(c)和7(f)的RTA-TDA差值來看,PM10和PM2.5污染時西南、東和東南方向RTA明顯比TDA高,說明這些區域雖然氣流不多,但由于停留時間更長,攜帶顆粒物的能力可能更強,所以也可以視作是重要的污染輸送通道.而來自西北的氣流停留時間和軌跡密度差值基本為0.因此,來自西南、東和東南方向的所有污染氣流中停留時間較長的氣流占比較大,整體移速慢;而來自西北的氣流雖然本身較多,但是停留時間均較短,整體移速快.

圖6和圖7綜合來看,長距離運輸軌跡為2、3和5,短距離運輸軌跡為1和4,停留時間長的區域對應的軌跡1、3和4,停留時間短的區域對應軌跡2和5.除了軌跡3較為特殊外,其余4類軌跡停留時間和軌跡長短較吻合,軌跡3是長距離運輸型,其出發點是西北方向,移動速度較快,但與其他兩類長距離運輸軌跡(2和5)不同的是軌跡3在陜西中部地區轉為西南方向,且其對應發生中度污染以上概率和西南軌跡4接近,卻比同類西北軌跡(2和5)高許多,因此不能將軌跡3看作遠距離輸送的西北通道,其對呂梁市的影響可以分為兩部分:首先來自西北的氣流移動速度快,但是南下途中遇到秦嶺后發生氣流轉向,移動速度明顯變小,此后沿西南方向北上途經陜西中南部污染嚴重城市包括咸陽、西安、漢中和渭南市等[28]時,容易卷夾顆粒物,因此軌跡3對呂梁市的影響主要集中在軌跡后半段即西南方向.軌跡1恰好位于東和東南通道中間,表明其是由東和東南路徑聚類而成的,其中東南方向的氣流從冀豫交界的位置沿太行山東麓南下,在太行陘通道傳輸進入山西省境內[23];東方向氣流是從河北石家莊一帶經井陘通道[29]傳輸進入山西并影響到呂梁.這兩類氣流從京津冀地區而來自身就攜帶污染物,經過橫斷山谷(太行陘、滏口陘、井陘等)時,速度變緩,停留時間加長,途徑陽泉、晉中、臨汾和運城等污染嚴重城市時會夾卷更多的顆粒物.

總體來說,呂梁市污染輸送通道可以概括為3大類,軌跡2和5合并為西北通道,軌跡3和4合并為西南通道,軌跡1為偏東(東+東南)通道.表2給出了重新統計的不同通道下PM10和PM2.5污染情況下各污染等級發生概率,可以看出,發生PM10污染時西北通道貢獻最大,偏東通道貢獻最小,且兩個通道下絕大多數發生的均是輕度污染,占比都在90%左右;西南通道相對其他兩個通道來看,發生中度污染以上的比重明顯較高,比重在20%以上.PM2.5污染時同樣是西北通道貢獻最大,但是貢獻值較PM10污染時明顯減小,西南和偏東通道的貢獻明顯變大.PM2.5污染時3類通道下發生輕度污染的比重較PM10均下降,西南和偏東通道下發生中度污染以上的比重在50%左右,說明西南和偏東通道下輸送的細顆粒物較多.

總體來說,西北通道經過區域主要為戈壁、沙漠、黃土高原等,風速較大,攜帶的主要為粗顆粒物,西南和偏東通道氣流移動速度慢,攜帶的主要為細顆粒物.西北通道下呂梁市易發生PM10和PM2.5輕度污染,發生中度污染的概率較低,西南通道途經陜西中南部等污染嚴重的城市容易夾卷顆粒物,呂梁市易發生PM10和PM2.5中重度污染;偏東通道的氣流本身從京津冀地區而來自身就攜帶污染物,從太行山東麓南下,經過橫斷山谷(太行陘、井陘等)時,速度變緩,停留時間加長,途經污染嚴重的城市也會夾卷更多的顆粒物,呂梁市易發生PM2.5中重度污染.此外,西南和偏東通道途經的區域恰好是PSCF計算得到的潛在源區位置,同樣說明了西南和偏東氣流盛行時,呂梁市發生污染的概率較大.

2.5 污染輸送通道的數值模擬

表3 呂梁市污染個例期間各要素統計

軌跡聚類、TDA和RTA計算出了影響呂梁市的污染輸送通道,為了驗證前述輸送通道,本文選取了3個典型污染個例利用中尺度數值模式WRFv4.2模擬了冬季呂梁市發生污染時的風場,模擬時間分別為2017年1月1日08:00～2017年1月2日08:00、2017年2月1日08:00～2017年2月2日08:00和2017年2月12日08:00至2017年2月13日08:00(北京時),3個典型污染個例期間各要素情況見表3.圖8為呂梁市冬季污染發生時的地面10m風場和水平風垂直剖面圖(黑箭頭為剖切線方向).

圖8(a)為2017年1月1日12:00的風場分布,代表西北通道氣流傳輸情況.從近地面風場分布來看,來自西北的氣流遇呂梁山后部分氣流風向轉為北風順山脈南下到達呂梁市,氣流越過呂梁山后風速明顯減小;從垂直剖面圖結果來看,站點附近高層偏西北風,近地層為北風,呂梁山以東區域的風速明顯較山脈以西偏小,呂梁山對西北氣流具有明顯的轉向和減速作用.圖8(b)為2017年2月1日11:00的風場分布,代表偏東通道的氣流傳輸情況,氣流沿太行山東側南下,在山脈橫斷地段即橫谷(陘)進入山西省境內的傳輸情況(東+東南),其中井陘[29]是連通太原盆地和華北平原最主要的通道,太行陘[22]位于山西省晉城市南部,是連接河南和山西之間的重要通道.從近地面風場分布來看,沿太行山東麓南下的東北氣流在井陘處進入山西陽泉和晉中等地,風向轉為偏東風,進而傳輸至呂梁.同樣,部分氣流沿太行陘進入晉城市,風向轉為東南向,進而匯入呂梁市,井陘和太行陘為京津冀地區污染物向呂梁市輸送提供了通道.此外,經過井陘和太行陘的氣流速度也明顯減弱;從垂直剖面圖結果來看,太行山東面的氣流風速明顯是東北風,越過太行山后轉為東南風,且高層風向為偏西風,風向隨高度順時針旋轉,存在暖平流,來自偏東的暖濕氣流容易將污染物輸送至呂梁市.王躍等[30]研究也發現當北京地區低層為持續的偏東或偏南風控制,高層為偏西風控制時容易發生污染.圖8(c)為2017年2月12日10:00的風場分布,代表了西南通道氣流的傳輸情況.從地面風場分布來看,來自陜西省中南部的偏西南氣流順呂梁山北上,將汾渭平原南部的污染物輸送至呂梁市地區;從垂直剖面圖結果來看,站點附近(紅色區域)高層為偏西北風,近地層為西南風,且風速很小.

WRF模式的風場模擬較為直觀的解釋了3類污染輸送通道,且復雜地形是形成污染輸送通道的一個重要因素.西北和西南污染輸送通道主要受呂梁山脈的影響,偏東污染輸送通道主要受太行山及其橫谷的影響.

2.6 污染個例分析

為了解外地傳輸與本地源的相對貢獻,挑選一次污染過程(2019年1月2～6日)進行分析,這幾日首要污染物均為PM2.5,污染程度分別為輕度、中度、中度、重度和重度污染,期間平均風速為1.6m/s(圖9(a)),整體風速均較小,呈靜小風狀態,大氣擴散條件較差,本地排放的污染物較難稀釋、擴散和清除,因此可看作為一次靜穩條件下的污染累積過程.由污染對應時段的逐小時后向軌跡聚類分析可知(圖9(b)),此次污染過程中呂梁市主要受到西北和西南氣流影響,其中西南氣流軌跡占到了67.5%,西北氣流軌跡占比32.5%,前者明顯較后者行程短,表明西南氣流移動速度較慢,加上呂梁市本地特殊的山谷地形影響,更加劇了呂梁市的污染累積.西南氣流軌跡對應的PM10濃度為222.9μg/m3, PM2.5濃度為157.5μg/m3,分別超過污染過程中PM10(211.5μg/m3)和PM2.5(146.0μg/m3)濃度平均值11.4和11.5μg/m3,同時也遠比西北氣流軌跡對應濃度數值高,說明西南氣流為呂梁市輸送了大量的顆粒物.因此,此次污染過程除本地累積外,西南氣流運輸也做了部分貢獻.

2.7 討論

本研究重點討論了影響呂梁市污染的幾類主要區域輸送通道,尚缺乏區域輸送與本地污染積累的量化分析.特別是西南和偏東兩條輸送通道在冬季的氣流速度緩慢,加上呂梁市特殊的山谷地形,容易形成靜穩天氣,加劇呂梁市本地污染物的累積,因此僅用當前方法很難判斷呂梁市污染本地累積和外地傳輸貢獻比例,有研究表明即使是在靜穩天氣下,京津冀仍有區域內和區域外的輸送,且二者貢獻相當[15].因此未來還需要借助各類化學模式模型量化分析呂梁市污染的本地累積和區域輸送貢獻,以期更加科學的為汾渭平原城市群大氣污染聯防聯控治理提供參考依據.

3 結論

3.1 呂梁市四季中冬季污染最為嚴重,PM2.5濃度超過環境空氣質量標準二級濃度標準(75μg/m3).從年際變化來看,2017～2019年PM10與PM2.5年均濃度逐年下降,其中PM10下降了28μg/m3,PM2.5下降了17μg/m3,從季節變化來看,冬季下降幅度最大,PM10下降了34μg/m3,PM2.5下降了26μg/m3.

3.2 呂梁市近地面主導風向為偏東北風(NNE、NE),風頻占比33.9%,次主導風向為偏西南風(WSW),風頻占比12.9%,這兩個風向與呂梁三川河河谷方向基本一致,其中東北風方向對應北川河,西南風方向對應三川河主流.低風速(<2m/s)易造成呂梁市顆粒物的積累;當風速大于2m/s時,在東北、東南和西南風向下均出現了濃度高值.

3.3 呂梁市PM10主要的潛在源區位于西南方向,集中在陜西中南部地區的漢中、安康、西安、寶雞和咸陽一帶,其他方向也存在一些范圍較小的零星潛在源區.PM2.5主要的潛在源區位于東、東南、西南方向,PM2.5的潛在源區范圍和PSCF值均高于PM10,側面反應了呂梁市PM2.5污染相比PM10污染更為嚴重.

3.4 呂梁市污染輸送通道可以分為3大類,包括西北、西南和偏東(東+東南).來自西北的氣流移動速度快,呂梁市易發生PM10和PM2.5輕度污染;來自西南的氣流移動速度慢,途經陜西中南部等污染嚴重的城市容易夾卷顆粒物,呂梁市易發生PM10和PM2.5中重度污染;偏東通道的氣流從京津冀地區而來自身攜帶污染物,從太行山東麓南下,經過橫斷山谷(太行陘、井陘等)時,速度變緩,停留時間加長,呂梁市易發生PM2.5中重度污染.

3.5 PM10污染時西北通道貢獻最大,偏東通道貢獻最小,且兩個通道下絕大多數發生的均是輕度污染,占比都在90%左右;PM2.5污染時三類通道下發生輕度污染的比重較PM10均下降,西南和偏東通道下發生中度污染以上的比重在50%左右.

3.6 WRF模式的風場模擬較為直觀的解釋了3類污染輸送通道,且復雜地形是形成污染輸送通道的一個重要因素.西北和西南污染輸送通道主要受呂梁山脈的影響,偏東污染輸送通道主要受太行山及其橫谷的影響.

[1] Yu Z, Li Y S, Chen Y S, et al. How is the environmental efficiency in the process of dramatic economic development in the Chinese cities? [J]. Ecological Indicators, 2019,98:349-362.

[2] Cao S S, Zhao W J, Guan H L, et al. Comparison of remotely sensed PM2.5concentrations between developed and developing countries: Results from the US, Europe, China, and India [J]. Journal of Cleaner Production, 2018,182:672-681.

[3] Li Y, Liao Q, Zhao X, et al. Premature mortality attributable to PM2.5pollution in China during 2008～2016: Underlying causes and responses to emission reductions [J]. Chemosphere, 2020,263:127925.

[4] 戴海夏,宋偉民.大氣PM2.5的健康影響 [J]. 國外醫學, 2001,28(5): 299-303.

Dai H X, Song W M. Health effects of atmospheric PM2.5[J]. Foreign Medical Science, 2001,28(5):299-303.

[5] Gao X A, Cao X J, Wang J Y, et al. Analysis of aerosol optical properties in a Lanzhou suburb of China [J]. Atmospheric Research, 2020,246:105098.

[6] 中國空氣質量改善報告(2013～2018年) [R]. 北京:生態環境部, 2019.

[7] 王燕麗,薛文博,雷 宇,等.京津冀地區典型月O3污染輸送特征 [J]. 中國環境科學, 2017,37(10):3684-3691.

Wang Y L, Xue W B, Lei Y, et al. Model-derived source apportionment and regional transport matrix study of ozone in Jingjinji [J]. China Environmental Science, 2017,37(10):3684-3691.

[8] 劉旻霞,李 亮,于瑞新,等.汾渭平原吸收性氣溶膠時空演化及潛在源區分析 [J]. 環境科學, 2021,42(6):2634-2647.

Liu M X, Li L, Yu R X, et al. Spatial-temporal patterns and potential sources of absorbing aerosols in the Fenwei Plain [J]. Environmental Science, 2021,42(6):2634-2647.

[9] 楊 斌,駱 榮.長三角地區大氣污染物的研究進展 [J]. 環境生態學, 2019,1(5):74-78.

Yang B, Luo R. Research progress of air pollution in Yangtze River Delta [J]. Environmental Ecology, 2019,1(5):74-78.

[10] Zhu L L, Zhang Y H, Kan X. Transport paths and identification for potential sources of haze pollution in the Yangtze River Delta Urban Agglomeration from 2014 to 2017 [J]. Atmosphere, 2018,9:502.

[11] Feng Y, Liu H N, Sun K. A sensitivity experiment of the air pollution transport in urban cluster over the Yangtze River Delta [J]. Environ Monit Forewarn, 2016,8:5-12.

[12] 邵玄逸,王曉琦,鐘嶷盛,等.京津冀典型城市冬季人為源減排與氣象條件對PM2.5污染影響 [J]. 環境科學, 2021,42(9):4095-4103.

Shao X Y, Wang X Q, Zhong Y S, et al. Impacts of anthropogenic emission reduction and meteorological conditions on PM2.5pollution in typical cities of Beijing-Tianjin-Hebei in winter [J]. Environmental Science, 2021,42(9):4095-4103.

[13] 薛文博,付 飛,王金南,等.中國PM2.5跨區域傳輸特征數值模擬研究[J]. 中國環境科學, 2014,34(6):1361-1368.

Xue W B, Fu F, Wang J N, et al. Numerical study on the characteristics of regional transport of PM2.5in China [J]. China Environmental Science, 2014,34(6):1361-1368.

[14] 黃小剛,趙景波,孫從建,等.汾渭平原PM2.5空間分布的地形效應 [J]. 環境科學, 2021,42(10):4582-4592.

Huang X G, Zhao J B, Sun C J, et al. Orographic influences on the spatial distribution of pm on fenwei plain [J]. Environmental Science, 2021,42(10):4582-4592.

[15] 黃小剛,邵天杰,趙景波,等.汾渭平原PM2.5濃度的影響因素及空間溢出效應 [J]. 中國環境科學, 2019,39(8):3539-3548.

Huang X G, Shao T J, Zhao J B, et al. Influence factors and spillover effect of PM2.5concentration on Fen-wei Plain [J]. China Environmental Science, 2019,39(8):3539-3548.

[16] 張海東.西安市大氣污染特征及顆粒物來源分析[D]. 西安:西安建筑科技大學, 2020.

Zhang H D. Characteristics of air pollution and source analysis of particulate matter in Xi’an [D]. Xi’an: Xi’an University of Architecture and echnology, 2020.

[17] 王妘濤,張 強,溫肖宇,等.運城市PM2.5時空分布特征和潛在源區季節分析[J]. 環境科學, 2022,43(1):74-84.

Wang Y T, Zhang Q, Wen X Y, et al.Spatiotemporal distribution and seasonal characteristics of regional transport of PM2.5in Yuncheng City [J]. Environmental Science, 2022,43(1):74-84.

[18] 王 雁,高興艾,裴坤寧,等.基于多站混合受體模型的臨汾市PM2.5潛在源分析[J]. 中國環境科學, 2022,42(3):1032-1039.

Wang Y, Gao X A, Pei k N, et al. Analysis of potential sources of PM2.5in Linfen based on multi-site hybrid receptor model [J]. China Environmental Science, 2022,42(3):1032-1039.

[19] Draxler R R, Hess G D. Description of the HYSPLIT 4modelling system [R]. Sliver Spring, Maryland: NOAA, Air Resources Laboratory, 1997.

[20] Cheng I, Zhang L, Blanchard P, et al. Concentration-weighted trajectory approach to identifying potential sources of speciated atmospheric mercury at an urban coastal site in Nova Scotia, Canada [J]. Atmospheric Chemistry & Physics Discussions, 2013,13(2):6031-6048.

[21] 閆世明,王 雁,郭 偉,等.太原市秋冬季大氣污染特征和輸送路徑及潛在源區分析[J]. 環境科學, 2019,40(11):60-68.

Yan S M, Wang Y, Guo W, et al.Characteristics, transportation pathways and potential sources of air pollution during autumn and winter in Taiyuan [J]. Environmental Science, 2019,40(11):60-68.

[22] Ashbaugh L L, Malm W C and Sadeh W Z. A residence time probability analysis of sulfur concentrations at grand Canyon National Park [J]. Atmospheric Environment, 1985,19(8):1263-1270.

[23] 裴坤寧,高興艾,王淑敏,等.晉東南地區冬季PM2.5污染輸送路徑分析 [J]. 中國環境科學, 2022,42(2):557-567.

Pei K N, Gao X A, Wang S M, et al. Analysis of PM2.5pollution transportation path in winter in Southeast Shanxi Province [J]. China Environmental Science, 2022,42(2):557-567.

[24] 郭蒙蒙,姜 楠,王申博,等.鄭州市2014～2017年大氣污染特征及氣象條件影響分析 [J]. 環境科學, 2019,4(9):3856-3867.

Guo M M, Jiang N, Wang S B, et al. Analysis on the of air pollution characteristics meteorological conditions in Zhengzhou from 2014 to 2017 [J]. Environmental Science, 2019,4(9):3856-3867.

[25] Zhang Y L, Cao F. Fine particulate matter (PM2.5) in China at a city level [J]. Scientific Reports, 2015,5:14884.

[26] 閆世明,王 雁,張岳軍,等.五臺山春季氣溶膠傳輸特征[J]. 中國環境科學, 2020,40(2):497-505.

Yan S M, Wang Y, Zhang Y J, et al. Influence of pollutant transport from both sides of Taihang Mountain on cross valley urban aerosol [J]. China Environmental Science, 2020,40(2):497-505.

[27] 王棚飛.重慶市主城區大氣污染物現狀評價及影響因素分析 [D]. 重慶:西南大學, 2018.

Wang P F. Evaluation of atmospheric pollutants in the main urban areas of Chongqing and analysis of influencing factors [D]. Chongqing:Southwest University, 2018.

[28] 李雁宇,李 杰,楊文夷,等.2018年汾渭平原及其周邊地區大氣顆粒物的傳輸特征[J]. 環境科學學報, 2020,40(3):779-791.

Li Y Y, Li J, Yang W Y, et al. Transport characteristics of atmospheric particulates in Fenwei Plain and its surrounding regions in 2018 [J]. Acta Scientiae Circumstantiae, 2020,40(3):779-791.

[29] 王 雁,郭 偉,閆世明,等.太行山兩側污染物傳輸對橫谷城市氣溶膠的影響分析 [J]. 環境科學, 2021,42(9):4104-4115.

Wang Y, Guo, W, Yan S M, et al. Influence of pollutant transport from both sides of Taihang Mountain on cross valley urban aerosol [J].Environmental Science, 42(9):4104-4115.

[30] 王 躍,王莉莉,趙廣娜,等.北京冬季PM2.5重污染時段不同尺度環流形勢及邊界層結構分析[J]. 氣候與環境研究, 2014,19(2):173-184.

Wang Y, Wang l L, Zhao G N, et al. Analysis of different-scales circulation patterns and boundary layer structure of PM2.5heavy pollutions in Beijing during winter [J].Climatic and Environmental Research, 2014,19(2):173-184.

Analysis on the potential source and transmission channel of particulate matter in Lüliang City, Fenwei Plain.

GAO Xing-ai, PEI Kun-ning, WANG Shu-min, YAN Shi-ming*, WANG Yan**, JIANG Yun-sheng

(Shanxi Province Institute of Meteorological Sciences, Taiyuan 030002, China)., 2022,42(7)：2988～2999

Based on the particulate matter concentration and surface meteorological observation data of Lüliang city in Fenwei Plain from 2017 to 2019, this paper used backward trajectory cluster analysis and potential source contribution function (PSCF) methods to study the characteristics of PM10and PM2.5pollution and their potential source areas in winter in Lüliang city. Combining trajectory density analysis (TDA) and trajectory dwell time analysis (RTA) to supplement the classification of polluted transmission channels obtained by trajectory clustering analysis, and analyzed the transport characteristics of different transmission channels. This study found that the annual average concentration of particulate matter in Lüliang City decreased year by year from 2017 to 2019. Among them, PM10decreased by 28μg/m3, PM2.5decreased by 17μg/m3, and the decline was the largest in winter. The statistical analysis of the three-year winter wind direction, wind speed and concentration showed that the concentration of particulate matter in Lüliang was most significantly affected by the northeast and southwest winds because of the local topography of the Sanchuan River valley. The potential source area of PM10pollution in Lüliang was mainly located in the southwest, and the potential source areas of PM2.5pollution were mainly located in the southwest, east and southeast. The particulate pollution transmission channels can be summarized as: northwest, southwest and east (east and southeast) channels. The airflow in the northwest channel moved fast, passing through Xinjiang, Inner Mongolia, Gansu, and northern Shaanxi; The airflow in the southwest channel moved slowly, mainly passing through heavily polluted areas such as the Weihe Plain in central and southern Shaanxi. The airflow in the east channel moved slowly, it first traveled south along the eastern foot of the Taihang Mountains, and turned into Shanxi when passing through the valleys(Taihangxing, Jingxing, etc.) of the Taihang Mountains. When PM10pollution occurred, the northwest channel contributed the most, and the eastern channel contributed the least, and the majority of these two channels was lightly polluted, accounting for about 90%. When PM2.5pollution occurred, the proportion of light pollution under the three types of channels was lower than that of PM10. The proportion of moderate pollution and above under the southwest and east channels were about 50%, the areas passed by the southwest and east channels were exactly the potential source locations calculated by PSCF, which also showed that the southwest and easterly airflows were likely to transport pollutants to Lvliang.Finally, the three transportation channels were verified by the wind field simulation results of the WRF model, which shows that the transportation channel results obtained in this study are valid, and the complex terrain and variable airflow are an important factor in the transmission channel.The wind field simulation of the WRF model intuitively explains the three types of pollution transmission channels, and the complex terrain is an important factor in the formation of pollution transmission channels.The pollution transport channels in the northwest and southwest are mainly affected by the Lüliang Mountains, and the eastward pollution transport channel is mainly affected by the Taihang Mountains and its Henggu.

trajectory clustering；transmission channel；particulate matter；RTA；TDA

X513

A

1000-6923(2022)07-2988-12

高興艾(1992-),女,山西忻州人,碩士,工程師,主要從事大氣物理與大氣環境方向研究.發表論文10余篇.

2022-12-01

國家重點研發計劃(2019YFC1510304);山西省自然科學基金資助項目(201601D011084, 201901D111465);山西省氣象局重點項目(SXKZDDQ20185105);山西省氣象局面上項目(SXKMSDQ20185122)

* 責任作者, 正高級工程師, qksysm@126.com; **正高級工程師, qkswy@126.com