影響上海PM2.5污染不同源地和路徑的數(shù)值模擬

余鐘奇,馬井會(huì)*,曹 鈺,常爐予,許建明,周廣強(qiáng)

?

影響上海PM2.5污染不同源地和路徑的數(shù)值模擬

余鐘奇1,2,馬井會(huì)1,2*,曹 鈺1,2,常爐予1,2,許建明1,2,周廣強(qiáng)1,2

(1.長三角環(huán)境氣象預(yù)報(bào)預(yù)警中心,上海 200030；2.上海市氣象與健康重點(diǎn)實(shí)驗(yàn)室,上海 200030)

對2014~2017年上海出現(xiàn)的PM2.5中度及以上污染過程的地面形勢進(jìn)行分析,發(fā)現(xiàn)上海出現(xiàn)PM2.5中度及以上污染的地面形勢場主要可分為輸送型、靜穩(wěn)型和疊加型3種類型,其中輸送型是影響上海市PM2.5中度及以上污染的主要天氣形勢,占比45.8%.通過選取典型個(gè)例,分析了3類污染天氣型氣象成因和維持機(jī)制.并利用WRF驅(qū)動(dòng)FLEXPART模式,結(jié)合排放源清單,探討不同污染天氣型下影響上海的主要污染物來源:輸送型污染有3條影響上海的主要污染傳輸通道,分別為東路(東海海面)、中路(江蘇沿海)和西路(安徽-蘇南),主要時(shí)段在污染前1d;靜穩(wěn)型污染影響上海的潛在污染源區(qū)集中在上海及周邊地區(qū);疊加型污染既存在明顯污染輸送通道,也有明顯的上海及周邊潛在污染貢獻(xiàn)區(qū)域.

FLEXPART模式；PM2.5污染；污染天氣分型；污染源地；傳輸特征

PM2.5作為城市群大氣復(fù)合污染的代表性污染物之一,帶來了環(huán)境、生態(tài)和健康等一系列問題,受到人們前所未有的關(guān)注[1-3].我國大氣顆粒物的污染形勢嚴(yán)峻[4],已成為DALYs 的第八大風(fēng)險(xiǎn)因子[5].據(jù)估計(jì),與大氣PM2.5相關(guān)的健康危害所造成的經(jīng)濟(jì)損失高達(dá)5200億元[6].

上海作為華東地區(qū)超大城市,人口基數(shù)和人口密度都很大,大氣污染對人們的生活造成了明顯的負(fù)面影響,這也使得對上海PM2.5的相關(guān)研究以及準(zhǔn)確預(yù)報(bào)顯得尤為重要.關(guān)注上海PM2.5污染,不僅要關(guān)注當(dāng)?shù)氐奈廴九欧?還要關(guān)注上海以外區(qū)域的污染源以及污染輸送路徑.國內(nèi)已有研究均表明[7-9],大氣顆粒物的污染水平和時(shí)空分布與其輸送途徑密切相關(guān).因此,許多學(xué)者通過分析氣團(tuán)軌跡來定性或定量研究一個(gè)地區(qū)大氣顆粒物的區(qū)域傳輸特征.研究發(fā)現(xiàn)[10-11],冷鋒輸送型大氣污染在上海秋冬季最為常見,污染物(主要包括PM2.5、PM10和NO2)隨著冷鋒移動(dòng)不斷向下游傳輸.在區(qū)域性大氣污染特征背景下,提前掌握污染物來源路徑對于重污染預(yù)報(bào)預(yù)警非常必要.

污染天氣分型(分類)對認(rèn)識和理解局地大氣污染過程有重要意義,主要包括①主觀分類和②客觀分型兩大類.主觀分型方法是基于天氣圖和天氣學(xué)原理等氣象理論對空氣污染過程進(jìn)行天氣分類的研究,如張國鏈等[12]將引起上?？諝馕廴镜奶鞖忸愋椭饔^分為L型高壓、高壓、高壓前和均壓場4種地面天氣類型;戴竹君等[13]發(fā)現(xiàn)地面均壓場、冷鋒和低壓倒槽與2014年江蘇秋冬季重度霾的形成密切相關(guān).客觀分型是使用客觀算法對大氣污染過程進(jìn)行天氣分類研究,主要包括T-mode斜交旋轉(zhuǎn)分解法(PCT)[10,14]、PCA算法[15]、Lamb-Jenkinson[16]等,具有處理大樣本數(shù)據(jù)的優(yōu)勢.以往的主觀和客觀污染天氣分型研究重點(diǎn)關(guān)注氣象學(xué)意義上天氣系統(tǒng)的配置及演變對污染的影響,但對不同天氣類型下污染物的傳輸路徑、傳輸時(shí)間等研究較少.

FLEXPART模式是挪威大氣研究所(NILU)開發(fā)的拉格朗日粒子擴(kuò)散模式,適用于模擬和計(jì)算較大范圍的大氣傳輸過程[17].它可以通過后向軌跡運(yùn)算來確定對于固定站點(diǎn)有影響的潛在源區(qū)的分布,尤其當(dāng)研究區(qū)域內(nèi)觀測站點(diǎn)數(shù)量少于排放源數(shù)量時(shí),后向運(yùn)算更具有優(yōu)勢[18].近年來,FLEXPART模式在國際上得到了廣泛的應(yīng)用:例如驗(yàn)證污染氣團(tuán)的跨州傳輸過程[19-20]、估算鹵代溫室氣體排放量[21]、解析北極地區(qū)短生命周期大氣污染物來源[22]以及預(yù)測模擬持久性有機(jī)污染物的長距離輸送等[23].這些工作證實(shí)了FLEXPART模式對于污染物來源和傳輸路徑的模擬具有較高的可靠性.現(xiàn)階段,WRF模式(天氣預(yù)報(bào)數(shù)值模式)模擬的氣象場常被用于驅(qū)動(dòng)FLEXPART模式[24].

目前,FLEXPART模式的應(yīng)用主要集中在國外,國內(nèi)使用FLEXPART模式進(jìn)行的大氣污染相關(guān)研究相對較少,且以往的研究多集中于大氣痕量氣體反演或模式在某地適用性應(yīng)用[25-28],以及單純的污染天氣分類研究,沒有系統(tǒng)分析不同類型天氣系統(tǒng)控制下PM2.5輸送特征及其潛在源區(qū)的差異,同時(shí)也缺少對不同天氣形勢下潛在源區(qū)空間分布特征的整體分析.本研究利用WRF模式輸出的氣象場驅(qū)動(dòng)FLEXPART模式,結(jié)合清華大學(xué)MEIC排放源清單,探討不同污染天氣類型下影響上海的主要污染物來源,重點(diǎn)分析造成上海重度污染3種典型天氣形勢下主要顆粒物來源,揭示上海城區(qū)秋冬季節(jié)不同天氣形勢下重度污染物輸送途徑及潛在源區(qū)空間分布特征,以期為上海大氣污染區(qū)域治理及污染預(yù)報(bào)預(yù)警提供科學(xué)依據(jù).

1 數(shù)據(jù)與研究方法

1.1 研究區(qū)域概況

上海地處長江三角洲前緣,北界長江,東瀕東海,南臨杭州灣,西接江蘇、浙江兩省.地處南北海岸線中心,長江三角洲東緣,長江由此入海,地理位置優(yōu)越,是一個(gè)良好的江海港口.上海屬亞熱帶海洋性季風(fēng)氣候,氣候溫和濕潤,四季分明.春夏季主導(dǎo)風(fēng)向?yàn)闁|南風(fēng),次主導(dǎo)風(fēng)向?yàn)槠巷L(fēng),秋冬季主導(dǎo)風(fēng)向?yàn)闁|北風(fēng)、西北風(fēng),具有典型的華東區(qū)域氣候特征.

圖1為上海市環(huán)境監(jiān)測中心的10個(gè)自動(dòng)監(jiān)測站所在位置,可以看出,10個(gè)自動(dòng)監(jiān)測站中有7個(gè)監(jiān)測站分布在市區(qū),3個(gè)位于市區(qū)的邊緣,其監(jiān)測資料對上海市具有一定的代表性,其中青浦淀山湖站(最西側(cè)站點(diǎn))作為對照站,不參與計(jì)算全市平均值.

圖1 上海市10個(gè)空氣質(zhì)量自動(dòng)監(jiān)測站位置分布

1.2 數(shù)據(jù)

從美國氣象環(huán)境預(yù)報(bào)中心(NCEP)和美國國家大氣科學(xué)研究中心(NCAR)[29]獲取FNL氣象再分析資料,水平分辨率為1°′1°,1天分為00h、06h、12h、18h UTC4個(gè)時(shí)次,時(shí)間間隔6h.PM2.5觀測資料來自上海市環(huán)境監(jiān)測中心,為2014年1月1日~2017年12月31日上海10個(gè)空氣質(zhì)量國控站點(diǎn)的日平均PM2.5質(zhì)量濃度,用于確定上海不同等級污染日.氣象觀測資料采用全國自動(dòng)站逐小時(shí)氣象觀測數(shù)據(jù),主要包括溫度、氣壓、相對濕度、風(fēng)向風(fēng)速、能見度、邊界層高度等要素,以分析不同污染天氣類型的氣象特征.

1.3 模式與方法

WRF模式是美國國家大氣科學(xué)研究中心(NCAR)、國家海洋和大氣管理局(NOAA)等多個(gè)部門聯(lián)合開發(fā)的新一代中尺度數(shù)值天氣預(yù)報(bào)模式[30-31].在本研究中WRF模式采用WRF-ARW3.5版本,其初始和邊界條件使用NCEP FNL的1°′1°分辨率全球再分析氣象資料.模式模擬區(qū)域以(34.0°N, 117.5°E)為中心,水平分辨率為9km′9km,水平網(wǎng)格數(shù)為181(東西)′271(南北),垂直層數(shù)35層.其主要物理過程選用WSM6微物理方案、YSU邊界層方案、Monin_ Obukhov近地面層方案、Unified Noah陸面過程方案以及RRTM長波和Dudhia短波輻射方案[32].

FLEXPART模式適用于模擬和計(jì)算較大范圍的大氣傳輸過程[17].該模式通過計(jì)算排放源釋放的粒子軌跡對大氣中的長距離傳輸、擴(kuò)散、干濕沉降和輻射衰減等過程進(jìn)行描述和處理[18],其核心是研究大氣污染物的源和匯的關(guān)系:“源”即污染排放,“匯”即目標(biāo)區(qū)域(觀測站點(diǎn)等受體)[22].FLEXPART模式計(jì)算得到的污染源區(qū),是僅考慮氣象條件的污染“潛在源區(qū)”,也稱印痕,并非實(shí)際源區(qū)[33].本研究使用WRF-FLEXPART對2014~2017年上海市空氣質(zhì)量日報(bào)中PM2.5日均中度污染以上的個(gè)例進(jìn)行數(shù)值模擬分析.WRF-FLEXPAT定量分析算法利用WRF模式模擬的氣象場作為FLEXPART模式的氣象輸入場,驅(qū)動(dòng)FLEXPART模式進(jìn)行后向軌跡運(yùn)算,進(jìn)而得到目標(biāo)區(qū)域或目標(biāo)站點(diǎn)在目標(biāo)時(shí)段內(nèi)的潛在污染源區(qū)時(shí)空分布.在此基礎(chǔ)上,根據(jù)目標(biāo)污染物的特性,確定污染示蹤物,使其能夠合理地反映目標(biāo)污染物在大氣中的形成和傳輸過程.設(shè)置該污染示蹤物或示蹤物的前體物的排放強(qiáng)度作為權(quán)重,結(jié)合FLEXPART潛在污染源區(qū)的時(shí)空分布,進(jìn)而計(jì)算得到目標(biāo)時(shí)段內(nèi)影響目標(biāo)源區(qū)的實(shí)際污染貢獻(xiàn)[28].本研究設(shè)置FLEXPART模擬離地高度為5層,分別為50、100、500、1000、1500m,將上海地區(qū)(31.0°~31.4°N, 121.3°~121.7°E)作為粒子的釋放區(qū)域,連續(xù)釋放粒子100000個(gè),粒子在釋放區(qū)域和時(shí)段(選取污染當(dāng)日的24h)內(nèi)均勻分布.模式運(yùn)算完畢后,再計(jì)算污染敏感系數(shù)(i,j)(式(3),單位:km-2),即每個(gè)模式網(wǎng)格的粒子個(gè)數(shù)(通過式(1)和式(2)計(jì)算得到每個(gè)模式網(wǎng)格在所設(shè)5個(gè)層次上所有時(shí)刻粒子的總個(gè)數(shù))除以釋放所有粒子的總個(gè)數(shù)再除以單位網(wǎng)格面積,公式如下:

式中:()代表模式格點(diǎn)坐標(biāo)位置;代表模式垂直層次;lmax代表選取的最高層次;t1和t2代表所研究時(shí)段的起止時(shí)間;(x0,y0)和(xmax,ymax)代表模式區(qū)域起止位置,即總區(qū)域范圍;代表單位網(wǎng)格面積,本研究中設(shè)置為9km×9km=81km2.

排放清單采用清華大學(xué)MEIC人為排放源清單(http://www.meicmodel.org/).該系列清單能夠較好地反映出人為排放源的逐月變化[34].本文使用基于2010年排放情景的版本.研究表明,華東區(qū)域大氣環(huán)境數(shù)值預(yù)報(bào)業(yè)務(wù)系統(tǒng)使用基于MEIC2010年版的排放源清單,對PM2.5業(yè)務(wù)預(yù)報(bào)具有較好的效果[32];常爐予等[35]利用該清單研究了上海持續(xù)性PM2.5重污染天氣過程,具有較好的模擬效果.

2 污染天氣分型

2.1 污染天氣形勢分型及描述

依據(jù)《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》[36],通過對2014~ 2017年上海出現(xiàn)的PM2.5中度及以上污染過程(共59d)的地面形勢分析,發(fā)現(xiàn)上海出現(xiàn)PM2.5中度及以上污染的地面天氣形勢場主要可分為3類:輸送型、靜穩(wěn)型和疊加型(圖2).這與許建明等[10]利用客觀方法對上海地區(qū)PM2.5污染天氣分型以及戴竹君等[13]針對江蘇省重霾的研究結(jié)果基本一致.(1)輸送型:由于北方冷空氣強(qiáng)勢推進(jìn),上海受西北氣流控制,主要受冷鋒的影響;(2)靜穩(wěn)型:該型大多是由于冷空氣較弱,或弱氣壓場控制,氣壓梯度和風(fēng)速均較小;(3)疊加型:該型是由于前期受冷空氣輸送影響,后期隨著高壓移近,上海受弱高壓控制,或者上海前期處于地面倒槽的頂部控制,后期弱高壓移近,上海受冷空氣輸送影響.其中,輸送型和疊加型是上海冬季PM2.5中度及以上污染的主要地面形勢.

普查2014~2017年天氣圖,按照以上3種天氣類型分型并統(tǒng)計(jì)3種天氣型總?cè)諗?shù)、上海出現(xiàn)PM2.5中度及以上污染日數(shù)、不同天氣型PM2.5中度及以上污染發(fā)生概率以及中度及以上污染PM2.5平均濃度(表1).可見,4年來上海發(fā)生輸送型天氣形勢最多(186d),疊加型最少(139d),靜穩(wěn)型處于兩者之間(173d).PM2.5中度及以上污染日數(shù)、發(fā)生概率及PM2.5平均濃度均呈現(xiàn)輸送型最大,疊加型次之,靜穩(wěn)型最少的特征.輸送型是影響上海市PM2.5中度及以上污染的主要天氣形勢.

表1 2014~2017年3種天氣類型總?cè)諗?shù)、中度以上污染日數(shù)、發(fā)生概率及PM2.5濃度統(tǒng)計(jì)

利用NCEP(FNL)日平均資料,對2014~2017年上海出現(xiàn)PM2.5中度及以上污染3種主要污染天氣型的海平面氣壓(SLP)場和10m水平風(fēng)場進(jìn)行平均統(tǒng)計(jì)分析,樣本數(shù)共59d,圖2是每種天氣形勢所有樣本合成的海平面氣壓場以及10m風(fēng)場分布,分析如下:(1)輸送型出現(xiàn)了27d,由圖2可知,冷高壓主體位于西北地區(qū),鋒面呈東北-西南向經(jīng)過上海,上海主導(dǎo)風(fēng)向?yàn)槲鞅憋L(fēng),風(fēng)力較強(qiáng).上游的河北、河南、安徽、江蘇及山東內(nèi)陸地區(qū)處于變性冷高壓控制,氣壓場較弱,主導(dǎo)風(fēng)向?yàn)槲鞅憋L(fēng),有利于將上游的污染物輸送到上海.(2)靜穩(wěn)型出現(xiàn)了14d,上海受均壓場控制(鞍型場),長三角地區(qū)氣壓梯度很小,風(fēng)力較小,不利于長三角區(qū)域內(nèi)污染物擴(kuò)散.(3)疊加型出現(xiàn)了18d,冷高壓主體位于西北地區(qū),華東地區(qū)受變性高壓控制,氣壓梯度較小,風(fēng)向雜亂,上海以偏西風(fēng)為主,風(fēng)力較小.這種形勢下,上海既受污染氣團(tuán)累積影響,又受弱冷空氣輸送的影響.

以污染程度和地面形勢場作為參考指標(biāo)選取典型重污染個(gè)例,并加以對比分析.從滿足這3類地面形勢的過程中挑選出上海污染最嚴(yán)重的個(gè)例,分別為2014年1月30日(靜穩(wěn)型)、2015年12月15日(輸送型)和2015年1月10日(疊加型),這3次過程上海均出現(xiàn)重度污染,PM2.5日均濃度201.2μg/m3,同時(shí)這3次過程分別是3種污染天氣類型中具有代表性的過程,具有一定的個(gè)例特殊性,今后的工作中我們將進(jìn)一步研究3種污染天氣型的普遍性特征.

圖2 上海3類主要污染天氣形勢

(a)輸送型;(b)靜穩(wěn)型;(c)疊加型(陰影:海平面氣壓場;箭頭:地面10m風(fēng)矢量)

2.2 3類污染天氣型氣象成因和維持機(jī)制

2.2.1 要素分析 對比3次過程的氣象要素(表2,觀測站為上海寶山站),發(fā)現(xiàn)有如下特征:(1)地面形勢,輸送型(2015年12月14~16日)主要為冷鋒影響前后,華北地區(qū)污染物伴隨冷鋒影響上海.靜穩(wěn)型(2014年1月29~31日)上海主要受均壓場控制,上海的重污染主要來源于周邊排放源的貢獻(xiàn).疊加型(2015年1月9~11日)上海前期受變性高壓控制,氣壓場弱污染物不斷累積,后期受東路冷空氣影響,上游污染物伴隨冷空氣影響上海,進(jìn)一步加重污染.(2)在重度污染維持時(shí)間上,除了靜穩(wěn)型過程維持時(shí)間較短外,其他兩次過程都持續(xù)2d以上.(3)從良到重污染所需時(shí)間上來看,靜穩(wěn)型時(shí)間最短(5h),疊加型時(shí)間最長(17h),輸送型介于兩者之間(11h).(4)從重度污染發(fā)生時(shí)出現(xiàn)頻率最多的風(fēng)向來看,靜穩(wěn)型風(fēng)向不穩(wěn)定,主導(dǎo)風(fēng)向是東南東風(fēng)(ESE),重污染期間平均風(fēng)速為2.6m/s;輸送型為西或西北風(fēng),主導(dǎo)風(fēng)向?yàn)槲黠L(fēng)(W),重污染期間平均風(fēng)速為3.0m/s;疊加型為偏西風(fēng)轉(zhuǎn)東北風(fēng),主導(dǎo)風(fēng)向?yàn)槲黠L(fēng)(W),重污染期間平均風(fēng)速為1.5m/s.(5)重污染消散時(shí)間上,靜穩(wěn)型最長(13h),輸送型次之(4h),疊加型最短(2h).(6)重污染消散前風(fēng)速明顯增大.(7)由于天氣形勢不同,污染清除的原因也不同,輸送型主要是由于中路冷空氣北風(fēng)驅(qū)散,靜穩(wěn)型是南風(fēng),疊加型是東路冷空氣東北風(fēng)驅(qū)散.對比這3次過程污染的清除效果和清除時(shí)間不難發(fā)現(xiàn),冷空氣的驅(qū)散效果略勝一籌,污染清除時(shí)間只需2~4h,而靜穩(wěn)過程污染的清除時(shí)間都需要0.5d以上.

表2 3次典型重度污染過程要素對比

(a)2015年12月12日20:00~16日20:00;(b)2014年1月28日20:00~2月1日20:00;(c)2015年1月8日20:00~12日20:00

2.2.2 熱力條件 為對比分析3次不同類型重度污染天氣的層結(jié)狀況,采用逐日4次的NCEP FNL資料(1°×1°)繪制了溫度層結(jié)時(shí)序圖(圖3).

圖4 3次重度污染過程上海PM2.5濃度隨時(shí)間變化

(a)2015年12月12日20:00~16日20:00;(b)2014年1月28日20:00~2月1日20:00;(c)2015年1月8日20:00~12日20:00

圖3a為第1次過程,冷鋒輸送型,12月12~15日上海處在冷鋒前暖區(qū)控制下,0℃高度維持在750hPa以上, 900~800hPa之間存在逆溫層,逆溫強(qiáng)度不大,逆溫層厚度適中,15日白天開始上海轉(zhuǎn)為冷鋒影響,受冷空氣影響,0℃層厚度逐漸降低,上部冷空氣下沉導(dǎo)致大氣垂直壓縮作用明顯,伴隨冷空氣輸送至上海的污染物在垂直壓縮的作用下,濃度上升明顯.16日傍晚開始,冷空氣主體已經(jīng)影響上海,上海受冷氣團(tuán)控制,風(fēng)力加大,污染消散.圖3b為靜穩(wěn)型污染過程,與輸送型相比,近地層溫度更高,逆溫層厚度更厚,逆溫強(qiáng)度明顯強(qiáng)于冷鋒前型,且逆溫維持的時(shí)間更長.圖3c為疊加型重污染過程,1月8日20:00~11日上半夜上海位于暖氣團(tuán)均壓區(qū)控制,逆溫不明顯,11日下半夜轉(zhuǎn)為位于西路冷鋒前部,此時(shí)上海在850hPa以下都出現(xiàn)了明顯的鋒前逆溫,11日后期轉(zhuǎn)受東路冷空氣影響,又伴隨一次上游輸送過程.對比溫度層結(jié)時(shí)序圖(圖3)與PM2.5濃度(圖4)的時(shí)間變化特征,溫度層結(jié)變化對不同類型污染過程有較好的指示意義,可見溫度層結(jié)對重度污染的維持和消散有重要意義.

3 FLEXPART模式源區(qū)分析

3.1 三種主要污染類型來源模擬

本文利用WRF-FLEXPART模式反演分析造成上海PM2.5中度及以上污染3種污染類型污染物源區(qū)分布特征.將試驗(yàn)計(jì)算所得到的污染敏感系數(shù)繪制成平面圖反映的是“潛在源區(qū)”(印痕分布),而“潛在源區(qū)”分布只能定性地給出可能影響上海PM2.5濃度的源區(qū)分布,未結(jié)合排放源信息進(jìn)行模擬.下面分別給出3種類型污染在不同時(shí)間段的潛在貢獻(xiàn)來源區(qū)域分布.本文定義污染前1d為污染前1~24h,污染前2d為污染前25~48h.

3.1.1 輸送型 輸送型日數(shù)占2014~2017年P(guān)M2.5中度污染以上總?cè)諗?shù)的45.8%.由上海污染當(dāng)天至污染前2d平均潛在源區(qū)分布(圖5a)可見,輸送型污染潛在源區(qū)主要來自江蘇大部、山東中南部以及安徽中北部等地.污染前1d(1~24h),影響上海的潛在貢獻(xiàn)來源路徑有明顯的3條,分別為東路(1)、中路(2)和西路(3)(圖5b);而污染前2d(25~48h),可以從圖5c中看到此時(shí)段的潛在貢獻(xiàn)來源在山東中西部、山西中東部以及安徽-河南中部一帶為主要潛在貢獻(xiàn)源區(qū).值得注意的是,有一條較明顯的潛在輸送帶自遼寧中東部起始,沿海上路徑影響上海地區(qū),需要適時(shí)考慮此條路徑的輸送影響.

3.1.2 靜穩(wěn)型 靜穩(wěn)型日數(shù)占2014~2017年P(guān)M2.5中度污染及以上總?cè)諗?shù)的23.7%.如圖6a所示,靜穩(wěn)型污染天氣類型的污染潛在貢獻(xiàn)區(qū)域主要集中在上海地區(qū)以及周邊的江蘇中南部、安徽東南部和浙江中北部地區(qū);而其中,上海本地的潛在污染貢獻(xiàn)最為顯著.與輸送型污染天氣不同的是,靜穩(wěn)型污染天氣類型在污染前2d(25~48h)的潛在污染源區(qū)分布較為分散,貢獻(xiàn)程度也相對較弱,圖6b、圖6c.因此,靜穩(wěn)型污染天氣類型主要是由于污染前1d開始的上海本地及周邊地區(qū)的潛在污染貢獻(xiàn)所導(dǎo)致.

3.1.3 疊加型 疊加型日數(shù)占2014~2017年P(guān)M2.5中度污染以上總?cè)諗?shù)的30.5%.如圖7a所示,此類型的污染潛在貢獻(xiàn)分布特點(diǎn)介于輸送型和靜穩(wěn)型之間,既有明顯的潛在輸送帶,也有較明顯的上海周邊潛在貢獻(xiàn)區(qū)域.而在污染前2d(圖7c),也能夠明顯看到東路(1)、中路(2)和西路(3)3條較明顯的輸送帶;而浙江中北部地區(qū)的潛在源區(qū)也體現(xiàn)了靜穩(wěn)天氣條件下的影響上海的潛在輸送來源區(qū)域.

圖5 上海地區(qū)輸送型PM2.5高濃度單位網(wǎng)格潛在源區(qū)分布

(a)污染當(dāng)天至污染前2d平均潛在源區(qū)分布;(b)污染前1d平均潛在源區(qū)分布;(c)污染前2d平均潛在源區(qū)分布

圖6 上海地區(qū)靜穩(wěn)型PM2.5高濃度單位網(wǎng)格潛在源區(qū)分布

(a)污染當(dāng)天至污染前2d平均潛在源區(qū)分布;(b)污染前1d平均潛在源區(qū)分布;(c)污染前2d平均潛在源區(qū)分布

圖7 上海地區(qū)疊加型PM2.5高濃度單位網(wǎng)格潛在貢獻(xiàn)來源區(qū)域分布

(a)污染當(dāng)天至污染前2d平均潛在源區(qū)分布;(b)污染前1d平均潛在源區(qū)分布;(c)污染前2d平均潛在源區(qū)分布

3.2 典型污染個(gè)例污染來源模擬

Ye等[37]研究表明,在上海地區(qū),PM2.5污染時(shí),硫酸鹽(SO42-)、硝酸鹽(NO3-)和銨鹽(NH4+)占PM2.5總質(zhì)量濃度的41.6%.而污染時(shí)段,銨鹽濃度較之前不污染時(shí)段增大5倍左右[38].同時(shí),一般在區(qū)域大氣化學(xué)模式中不考慮金屬離子進(jìn)行相關(guān)計(jì)算,則銨根陽離子便成為大氣化學(xué)模式中唯一引入的陽離子.因此,本文選擇生成銨鹽的前體物NH3作為PM2.5示蹤物進(jìn)行模擬分析研究.考慮NH3排放源的高度,本部分選擇模式100m及以下層次的污染敏感系數(shù)進(jìn)行計(jì)算(式(4)和式(5)):

式中:(i,j,t)代表時(shí)間坐標(biāo)()位置的排放量;(i,j)代表研究時(shí)間段內(nèi)的總排放量;RE(i,j)代表考慮排放源后的實(shí)際污染敏感系數(shù).

選擇本文第3部分中列出的上海污染最嚴(yán)重的三類不同污染個(gè)例,使用WRF-FLEXPART模式結(jié)合排放源(MEIC2010年版)進(jìn)行貢獻(xiàn)定量分析.選擇2015年12月15日作為輸送型個(gè)例、2014年1月30日作為靜穩(wěn)型個(gè)例、2015年1月10日作為疊加型作為典型污染個(gè)例進(jìn)行分類研究分析.

2015年12月15日的WRF-FLEXPART定量分析中可以看到,潛在貢獻(xiàn)來源分布(未考慮排放源信息)(圖8a)能夠給出直觀的污染前0~48h的潛在污染輸送通道:自西北方向以來,距離上海越近的區(qū)域潛在污染來源通道寬度越窄,貢獻(xiàn)強(qiáng)度越集中.污染上游的山西、京津冀、山東等地距離上海較遠(yuǎn),潛在貢獻(xiàn)較小.其中,最大潛在污染貢獻(xiàn)區(qū)域集中在江蘇中南部地區(qū).考慮NH3示蹤物的排放源后(圖8b),此次污染過程的實(shí)際污染貢獻(xiàn)區(qū)域主要分布在江蘇沿海地區(qū)及山東西南部,與上海距離更遠(yuǎn)的京津冀和山西地區(qū)的實(shí)際污染貢獻(xiàn)則較低.

圖8 2015年12月15日上海地區(qū)單位網(wǎng)格潛在貢獻(xiàn)來源分布和實(shí)際貢獻(xiàn)分布

(a)潛在貢獻(xiàn)來源分布;(b)實(shí)際貢獻(xiàn)來源分布

圖9 2014年1月30日上海地區(qū)單位網(wǎng)格潛在貢獻(xiàn)來源分布和實(shí)際貢獻(xiàn)分布

(a)潛在貢獻(xiàn)來源分布;(b)實(shí)際貢獻(xiàn)來源分布

圖10 2015年1月10日上海地區(qū)單位網(wǎng)格潛在貢獻(xiàn)來源分布和實(shí)際貢獻(xiàn)分布

(a)潛在貢獻(xiàn)來源分布;(b)實(shí)際貢獻(xiàn)來源分布

2014年1月30日上海屬于靜穩(wěn)型污染類型,通過WRF-FLEXPART定量分析,主要的潛在污染貢獻(xiàn)區(qū)域(未考慮排放源信息)分布在上海及其周邊區(qū)域(圖9a).受到主導(dǎo)風(fēng)向?yàn)槠黠L(fēng)和偏南風(fēng)的影響,安徽中部-江蘇南部以及浙江沿海及海面也存在著兩條弱潛在污染貢獻(xiàn)帶.而將NH3示蹤物的排放強(qiáng)度作為權(quán)重之后(圖9b),實(shí)際貢獻(xiàn)相比潛在貢獻(xiàn)發(fā)生了顯著變化.由于海上沒有人為的NH3排放,浙江東部海面便不存在實(shí)際污染貢獻(xiàn)區(qū)域,影響上海實(shí)際污染貢獻(xiàn)絕大部分集中在上海本地及周邊區(qū)域.

2015年1月10日屬于疊加型污染個(gè)例.從圖10a中可以看到,此次污染過程的潛在輸送貢獻(xiàn)來源(未考慮排放源信息)主要分布于上海本地以及江蘇中北部一帶;同時(shí),受到主導(dǎo)風(fēng)向的影響,上海東北部海面也有一條較弱的潛在污染輸送帶.考慮NH3排放源之后(圖10b),主要的實(shí)際污染貢獻(xiàn)區(qū)域集中在上海及江蘇中部的一條污染貢獻(xiàn)帶上,而距離較遠(yuǎn)的河南中部-安徽西部也存在一條強(qiáng)度稍弱的污染貢獻(xiàn)帶;此外,原本出現(xiàn)在海上的潛在污染區(qū)域沒有出現(xiàn)在實(shí)際污染貢獻(xiàn)區(qū)域中.值得注意的是,此類型(疊加型)中,上海本地的潛在污染貢獻(xiàn)和實(shí)際污染貢獻(xiàn)的強(qiáng)度和范圍(圖10)要明顯高于輸送型(圖8),同時(shí)低于靜穩(wěn)型(圖9).

綜上所述, 本文使用WRF-FLEXPART模式結(jié)合排放源清單對造成上海不同污染天氣類型下的污染來源以及路徑進(jìn)行初步分析,模式對上海地區(qū)PM2.5高污染濃度-時(shí)間序列的氣團(tuán)主要源地模擬能力較好,可以為大氣污染區(qū)域協(xié)同控制減排提供參考.下一步的工作是將PM2.5實(shí)時(shí)觀測數(shù)據(jù)與WRF- FLEXPART模式結(jié)合進(jìn)行模擬分析,將會(huì)為污染防治提供更加有針對性的技術(shù)支持和參考.

4 結(jié)論

4.1 上海PM2.5中度及以上污染的地面形勢主要分為3類:輸送型、靜穩(wěn)型和疊加型.上海發(fā)生輸送型天氣形勢最多,疊加型最少.中度及以上污染日數(shù)、發(fā)生概率及PM2.5平均濃度均呈現(xiàn)輸送型最大,疊加型次之,靜穩(wěn)型最少的特征.輸送型是影響上海市PM2.5中度及以上污染的主要天氣類型.

4.2 3類污染個(gè)例中,輸送型主要為華北地區(qū)污染物伴隨冷鋒影響上海.靜穩(wěn)型時(shí)上海主要受均壓場控制,上海重污染主要來源于周邊排放源的貢獻(xiàn).疊加型主要表現(xiàn)在上海前期受變性高壓控制,氣壓場弱,污染物不斷累積,后期受東路冷空氣影響,上游污染物伴隨冷空氣影響上海,進(jìn)一步加重污染.不同污染形勢污染清除的原因不同,輸送型主要是中路冷空氣北風(fēng)驅(qū)散,靜穩(wěn)型是南風(fēng),疊加型是東路冷空氣東北風(fēng)驅(qū)散.冷空氣對污染物的驅(qū)散效果較靜穩(wěn)過程污染清除效果更好.

4.3 利用WRF-FLEXPART模式反演分析造成上海PM2.5中度及以上污染3種污染類型污染物源區(qū)分布特征, 發(fā)現(xiàn)不同污染天氣類型潛在貢獻(xiàn)來源區(qū)域分布.輸送型污染潛在源區(qū)主要位于江蘇大部、山東中南部以及安徽中北部.此類型有東路、中路和西路3條明顯影響上海的潛在路徑.靜穩(wěn)型污染的污染潛在源區(qū)主要集中在上海地區(qū)及江蘇中南部、安徽東南部和浙江中北部地區(qū).疊加型污染潛在貢獻(xiàn)分布特點(diǎn)介于輸送型和靜穩(wěn)型之間,既有明顯3條潛在輸送帶,也有較明顯的上海周邊潛在污染貢獻(xiàn)區(qū)域.

[1] Sorensen M, Daneshvar B, Hansen M, et al. Personal PM2.5exposure and markers of oxidative stress in blood [J]. Environmental Health Perspectives, 2003,111(2):161-166.

[2] 郭新彪,魏紅英.大氣PM2.5對健康影響的研究進(jìn)展[J]. 科學(xué)通報(bào), 2013,58(13):1171-1177.Guo X B, Wei H Y. Progress on the health effects of ambient PM2.5pollution [J]. Chinese Science Bulletin, 2013,58(13):1171-1177.

[3] 浦靜姣,徐宏輝,馬千里.長江三角洲背景地區(qū)大氣污染對能見度的影響[J]. 中國環(huán)境科學(xué), 2017,37(12):4435-4441. Pu J J, Xu H H, Ma Q L. Impacts of atmospheric pollution on visibility in the background area of Yangtze River Delta, China [J]. China Environmental Science, 2017,37(12):4435-4441.

[4] Zhang L W, Chen X, Xue X D, et al. Long -term exposure to high particulate matter pollution and cardiovascular mortality: a 12-year cohort study in four cities in northern China [J]. Environment International, 2014,62:41-47.

[5] Mohammad H F, Alexander L, Anderson H R, et al. Global, regional, and national comparative risk assessment of 79behavioral, environmental and occupational, and metabolic risks or clusters of risks in 188countries, 1990~2013: a systematic analysis for the global burden of disease study 2013 [J]. Lancet, 2015,385:117-171.

[6] Pope C. Epidemiology of fine particulate air pollution and human health: biologic mechanisms and who's at risk [J]. Environmental Health Perspectives, 2000,108:713-723.

[7] 王郭臣,王 玨,信玉潔,等.天津PM10和NO2輸送路徑及潛在源區(qū)研究[J]. 中國環(huán)境科學(xué), 2014,34(12):3009-3016. Wang G C, W J, Xin Y J, et al. Transportation pathways and potential source areas of PM10and NO2in Tianjin [J]. China Environmental Science, 2014,34(12):3009-3016.

[8] 李 莉,蔡鋆琳,周 敏.2013年12月中國中東部地區(qū)嚴(yán)重灰霾期間上海市顆粒物的輸送途徑及潛在源區(qū)貢獻(xiàn)分析[J]. 環(huán)境科學(xué), 2015,36(7):2327-2336. Li L, Cai J L, Zhou M. Potential source contribution analysis of the particulate matters in Shanghai during the heavy haze episode in Eastern and Middle China in December, 2013 [J]. Environmental Science, 2015,36(7):2327-2336.

[9] 楊 欣,陳義珍,趙妤希,等.2014～2017年北京城區(qū)霾污染態(tài)勢及潛在來源[J]. 中國環(huán)境科學(xué), 2018,38(9):3232-3239. Yang X, Chen Y Z, Zhao Y X, et al. Analysis of haze pollution situation and potential sources in Beijing urban area from 2014 to 2017 [J]. China Environmental Science, 2018,38(9):3232-3239.

[10] 許建明,常爐予,馬井會(huì),等.上海秋冬季PM2.5污染天氣形勢的客觀分型研究[J]. 環(huán)境科學(xué)學(xué)報(bào), 2016,36(12):4303-4314. Xu J M, Chang L Y, Ma J H, et al. Objective synoptic weather classification on PM2.5pollution during autumn and winter seasons in Shanghai [J]. Acta Scientiae Circumstantiae, 2016,36(12):4303-4314.

[11] 王 茜.利用軌跡模式研究上海大氣污染的輸送來源[J]. 環(huán)境科學(xué)研究, 2013,26(4):357-363. Wang Q. Study of air pollution transportation source in Shanghai using trajectory model [J]. Research of Environmental Science, 2013,26(4): 357-363.

[12] 張國璉,甄新蓉,談建國,等.影響上海市空氣質(zhì)量的地面天氣類型及氣象要素分析[J]. 熱帶氣象學(xué)報(bào), 2010,26(1):124-128. Zhang G L, Zhen X R, Tan J G, et al. The analysis of the relationship between the air quality in Shanghai and surface pressure patterns and meteorological factors [J]. Journal of Tropical Meteorology, 2010, 26(1):124-128.

[13] 戴竹君,劉端陽,王宏斌,等.江蘇秋冬季重度霾的分型研究[J]. 氣象學(xué)報(bào), 2016,74(1):133-148. Dai Z J, Liu D Y, Wang H B, et al. The classification study of the heavy haze during autumn and winter of Jiangsu [J]. Journal of Meteorological Research, 2016,74(1):133-148.

[14] 楊 旭,張小玲,康延臻,等.京津冀地區(qū)冬半年空氣污染天氣分型研究[J]. 中國環(huán)境科學(xué), 2017,37(9):3201-3209.Yang X, Zhang X L, Kang Y Z, et al. Circulation weather type classification for air pollution over the Beijing-Tianjin-Hebei region during winter [J]. China Environmental Science, 2017,37(9):3201-3209.

[15] Zhang J P, Zhu T, Zhang Q H, et al. The impact of circulation patterns on regional transport pathways and air quality over Beijing and its surroundings [J]. Atmospheric Chemistry and Physics, 2012,11(12): 33465-33509.

[16] 梁卓然,顧婷婷,楊續(xù)超,等.基于環(huán)流分型法的地面臭氧預(yù)測模型[J]. 中國環(huán)境科學(xué), 2017,37(12):4469-4479. Liang Z R, Gu T T, Yang X C, et al. Study on circulation classification based surface ozone concentration prediction model [J]. China Environmental Science, 2017,37(12):4469-4479.

[17] Stohl A, Forster C, Frank A, et al. Technical Note: The Lagrangian particle dispersion model FLEXPART version6.2 [J]. Atmospheric Chemistry and Physics, 2005,5(9):2461-2474.

[18] Seibert P, Frank A. Source-receptor matrix calculation with a Lagrangian particle dispersion model in backward mode [J]. Atmospheric Chemistry and Physics, 2004,4:51-63.

[19] Stohl A, Trickl T. A textbook example of long-range transport: Simultaneous observation of ozone maxima of stratospheric and North American origin in the free troposphere over Europe [J]. Journal of Geophysical Research, 1999,104(30):445-462.

[20] Stohl A, Forster C, Eckhardt S, et al. A backward modeling study of intercontinental pollution transport using aircraft measurements [J]. Journal of Geophysical Research, 2003,108(D12):4370-4377.

[21] Stohl A, Seibert P, Arduin J. An analytical inversion method for determining regional and global emissions of greenhouse gases: Sensitivity studies and application to halocarbons [J]. Atmospheric Chemistry and Physics, 2009,9:1597-1620.

[22] Hirdman D, Sodemann H, Eckhardt S, et al. Source identification of short-lived air pollutants in the Arctic using statistical analysis of measurement data and particle dispersion model output [J]. Atmospheric Chemistry and Physics, 2010,9(5):669-693.

[23] Halse A K, Eckhardt S, Schlabach M, et al. Forecasting long-range atmospheric transport episodes of polychlorinated biphenyls using FLEXPART [J]. Atmospheric Environment, 2013,71(2):335-339.

[24] Foy B, Zavala M, Bei N, et al. Evaluation of WRF mesoscale simulations and particle trajectory analysis for the MILAGRO field campaign [J]. Atmospheric Chemistry and Physics, 2009,9(13): 4419-4438.

[25] 李 巖,安興琴,姚 波,等.北京地區(qū)FLEXPART模式適用性初步研究[J]. 環(huán)境科學(xué)學(xué)報(bào), 2010,30(8):1674-1681. Li Y, An X Q, Yao B, et al. A preliminary study on the applicability of the FLEXPART model to Beijing [J]. Acta Scientiae Circumstantiae, 2010,30(8):1674-1681.

[26] 安興琴,姚 波,李 巖,等.利用FLEXPART模式反演中國區(qū)域SF6排放量[J]. 環(huán)境科學(xué)學(xué)報(bào), 2014,34(5):1133-1140. An X Q, Yao B, Li Y, et al. Estimating emission of SF6in China by atmospheric observation data and inverse modeling [J]. Acta Scientiae Circumstantiae, 2014,34(5):1133-1140.

[27] 吳保見,王 昆,賈 立,等.源項(xiàng)對FLEXPART模式模擬福島核事故放射性物質(zhì)長距離傳輸?shù)挠绊慬J]. 氣候與環(huán)境研究, 2017,22(1): 10-22. Wu B J, Wang K, Jia L, et al. Influences of source term on long-range transport of radionuclides from the Fukushima Daiichi nuclear accident with FLEXPART model [J]. Climatic and Environmental Research, 2017,22(1):10?22.

[28] 陳賽華,周廣強(qiáng),朱 彬,等.一種快速定量估計(jì)大氣污染物來源的方法[J]. 環(huán)境科學(xué)學(xué)報(bào), 2017,37(7):2474-2481. Chen S H, Zhou G Q, Zhu B, et al. A method for fast quantification of air pollutant sources [J]. Acta Scientiae Circumstantiae, 2017,37(7): 2474-2481.

[29] Kalnay E, Kanamitsu M, Kistler R, et al. The NCEP/NCAR 40-year reanalysis project [J]. Bulletin of the American Meteorological Society, 1996,77(3):437-471.

[30] Skamarock W C, Klemp J B, Dudhia J, et al. A description of the advanced research WRF Version 3 [Z]. Ncar Technical Note, 2008, NCAR/TN-475 + STR.

[31] 王曉君,馬 浩.新一代中尺度預(yù)報(bào)模式(WRF)國內(nèi)應(yīng)用進(jìn)展 [J]. 地球科學(xué)進(jìn)展, 2011,26(11):1191-1199. Wang X J, Ma H. Progress of application of the Weather Research and forecast (WRF) model in China [J]. Advances in Earth Science, 2011, 26(11):1191-1199.

[32] 周廣強(qiáng),謝 英,吳劍斌,等.基于WRF-Chem模式的華東區(qū)域PM2.5預(yù)報(bào)及偏差原因[J]. 中國環(huán)境科學(xué), 2016,36(8):2251-2259. Zhou G Q, Xie Y, Wu J B, et al. WRF-Chem based PM2.5forecast and bias analysis over the East China Region [J]. China Environmental Science, 2016,36(8):2251-2259.

[33] 蔡旭暉.湍流微氣象觀測的印痕分析方法及其應(yīng)用拓展[J]. 大氣科學(xué), 2008,32(1):123-132. Cai X H. Footprint analysis in Micrometeorology and its extended applications [J]. Chinese Journal of Atmospheric Sciences, 2008,32(1): 123-132.

[34] 何 斌,梅士龍,陸琛莉,等.MEIC排放清單在空氣質(zhì)量模式中的應(yīng)用研究[J]. 中國環(huán)境科學(xué), 2017,37(10):3658-3668. He B, Mei S L, Lu C L, et al. The application of MEIC emission inventory in air quality model [J]. China Environmental Science, 2017, 37(10):3658-3668.

[35] 常爐予,許建明,周廣強(qiáng),等.上海典型持續(xù)性PM2.5重度污染的數(shù)值模擬[J]. 環(huán)境科學(xué), 2016,37(3):825-833. Chang L Y, Xu J M, Zhou G Q, et al. A Numerical Study of Typical Heavy Air Pollution Episode of PM2.5in Shanghai [J]. Environmental Science, 2016,37(3):825-833.

[36] GB3095-2012 環(huán)境空氣質(zhì)量標(biāo)準(zhǔn) [S]. GB3095-2012 Ambient air quality standard [S].

[37] Ye B M, Ji X L, Yang H Z, et al. Concentration and Chemical Composition of PM2.5in Shanghai for a 1-year Period [J]. Atmospheric Environment, 2003,37(4):499–510.

[38] Zhou G Q, Yang F, Geng F H, et al. Measuring and Modeling Aerosol: Relationship with Haze Events in Shanghai, China [J]. Aerosol and Air Quality Research, 2014,14(3):783-792.

Numerical simulations of sources and transport pathways of different PM2.5pollution types in Shanghai.

YU Zhong-qi1,2, MA Jing-hui1,2*, CAO Yu1,2, CHANG Lu-yu1,2, XU Jian-ming1,2, ZHOU Guang-qiang1,2

(1.Yangtze River Delta Center for Environmental Meteorology Prediction and Warning, Shanghai 200030, China；2.Shanghai Key Laboratory of Meteorology and Health, Shanghai Meteorological Service, Shanghai 200030, China)., 2019,39(1)：21~31

Synoptic weather patterns during the moderate and severe PM2.5pollution processes in Shanghai from 2014 to 2017 were analyzed in the paper. The pollution processes were classified into 3types, i.e., the transport type, the stagnant type and the combined type. The severe PM2.5pollution events in Shanghai were mostly dominated by the transport type, accounting for 45.8% of total severe pollution events. The FLEXPART model driven by the WRF model with MEIC emissions was used to investigate the meteorological attribution and maintenance mechanisms of air pollution under each weather pattern in this paper. Specifically, the transport type showed 3main pollution transport pathways affected Shanghai, i.e., the eastern pathway (the East China Sea), the middle pathway (Jiangsu coastal area) and the western pathway (Anhui-southern Jiangsu), which mainly occurred 1d before pollution. The stagnant type showed pollution potential source area in Shanghai and its surrounding regions. The combined type showed both apparent transport pathways and potential source area in and nearby Shanghai.

FLEXPART model；PM2.5pollution；pollution weather classification；pollution sources；transport characteristics

X513

A

1000-6923(2019)01-0021-11

余鐘奇(1989-),男,江蘇南京人,工程師,碩士,主要從事環(huán)境氣象研究.發(fā)表論文7篇.

2018-06-22

國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFC0201900);國家自然基金資助項(xiàng)目(41475040);上海氣象局面上科研項(xiàng)目(MS201808)

* 責(zé)任作者, 高級工程師, 18918206605@163.com