哈爾濱市一次大氣污染過程及潛在源分析

王 醒,李莉莉,王 琨*,劉玉萍,賈琳琳,姜珺秋,朱莉娜

哈爾濱市一次大氣污染過程及潛在源分析

王 醒1,2,李莉莉1,2,王 琨1,2*,劉玉萍3,賈琳琳3,姜珺秋1,2,朱莉娜1,2

(1.哈爾濱工業(yè)大學(xué)城市水資源與水環(huán)境國家重點實驗室,黑龍江 哈爾濱 150090；2.哈爾濱工業(yè)大學(xué)環(huán)境學(xué)院,黑龍江 哈爾濱 150090；3.黑龍江省環(huán)境科學(xué)研究院,黑龍江 哈爾濱 150056)

本研究以2018年12月10~13日哈爾濱市一次嚴重的空氣污染事件為研究對象,分析了此次污染過程的概況?成因以及污染的潛在源區(qū).結(jié)果表明:此次空氣污染過程以 PM2.5影響為主,污染類型由10日00:00~11日17:00的偏燃煤型發(fā)展為11日17:00~13日15:00的二次氣溶膠復(fù)合污染,最終在13日15:00后穩(wěn)定為偏燃煤型.從天氣形勢和風(fēng)速風(fēng)向分析可知此次10~13日的污染過程與不利氣象擴散條件也是密不可分的.模擬的48h后向軌跡經(jīng)過聚類分析主要分為4類,大部分來自內(nèi)蒙古?吉林等方向,70.83%的軌跡PM2.5超標(biāo),表明來自這些方向的污染氣團對哈爾濱市的空氣質(zhì)量影響較大;而通過對模擬的48h后向軌跡進行PSCF?CWT分析,發(fā)現(xiàn)哈爾濱的WPSCF和WCWT分布特征類似,WPSCF和WCWT的高值主要集中在哈爾濱本地的雙城?巴彥?阿城?吉林省的中部?西部地區(qū)等地區(qū),以及大慶?綏化等地區(qū),說明這些區(qū)域都是哈爾濱市PM2.5的潛在源地.

污染類型；后向軌跡模式；潛在源分布；PM2.5輸送特征；哈爾濱市

近幾年,哈爾濱市秋末冬初時節(jié)頻繁發(fā)生空氣質(zhì)量指數(shù)持續(xù)爆表的污染事件,關(guān)于哈爾濱市空氣質(zhì)量的研究內(nèi)容主要集中在顆粒物的組分特征、來源解析和秸稈焚燒傳輸擴散等方面[1-4],對了解哈爾濱市本地污染和區(qū)域傳輸特征有一定借鑒意義.軌跡聚類分析法、潛在源貢獻因子法(PSCF)、濃度權(quán)重軌跡分析法(CWT)是識別大氣污染物潛在來源和污染物輸送擴散的有效手段.國內(nèi)外眾多學(xué)者基于氣團軌跡分析了大氣污染的傳輸渠道[5-9],并探討了不同源區(qū)對污染物質(zhì)量濃度貢獻的差異[10-13],但是這些研究大多側(cè)重于對單一影響因素的分析,且主要集中在京津冀、長三角等發(fā)達地區(qū),而近年來通過結(jié)合氣象要素和天氣背景場對重污染過程及其形成機制進行的研究相對較少[14-20],且時間分辨率和空間代表性可進一步提高[21-25],從而對區(qū)域性?時段性的污染過程進行全面和深入的觀測研究[26-30].

2018年黑龍江省于9月15日至12月10日實施全區(qū)域秸稈禁燒,秸稈焚燒情況有所改觀,空氣質(zhì)量狀況亦有所改善.但是自12月10日禁燒令解除后,哈爾濱市于12月10~13日期間出現(xiàn)了持續(xù)4d的嚴重霧霾天氣, 因此研究此次重霧霾事件中污染物的時空變化特征、傳輸途徑和潛在來源,對進一步調(diào)控哈爾濱市秋冬季重污染問題有著重要的意義.因此本研究選用2018年10~13日的一次重霧霾事件,在對污染過程的演變特征、氣象條件和污染類型進行詳細分析的基礎(chǔ)上,基于后向軌跡模式使用聚類分析、PSCF和CWT分析方法,進一步了解哈爾濱市污染來源與傳輸擴散特征.

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)概況

哈爾濱市位于中國東北平原東北部地區(qū)、黑龍江省南部,見圖1.下轄9個市轄區(qū)、7個縣和代管2個縣級市,面積約為5.3萬km2,其中市區(qū)面積7086km2.哈爾濱市的地勢以平原和丘陵為主且主要分布在松花江形成的三級階地上,海拔由北向南逐漸升高.哈爾濱是中國緯度最高、氣溫最低的大城市,氣溫起落變化快的春、秋季屬于過渡季節(jié),但這2個季節(jié)時間較短屬中溫帶大陸性季風(fēng)氣候,呈現(xiàn)明顯的冬長夏短特征.

1.2 數(shù)據(jù)來源

AQI、PM2.5和PM10濃度數(shù)據(jù)來自青悅開放環(huán)境數(shù)據(jù)中心(http://data.epmap.org);火點資料來自于生物質(zhì)衛(wèi)星監(jiān)管平臺(http://stalk.cnwfire.com/ #/login);HYSPLIT4.9后向軌跡模式所用的氣象資料來自NCEP(美國國家環(huán)境預(yù)報中心)的GDAS全球同化2018年12月數(shù)據(jù)(http://ready.arl.noaa.gov/ HYSPLIT_traj.php).地面天氣形勢數(shù)據(jù)來源于韓國氣象局(http://web.kma.go.kr/chn/weather/images/ analysischart.jsp).

2 研究方法

2.1 HYSPLIT模型

后向軌跡模式采用NOAA開發(fā)的HYSPLIT4.9版本.HYSPLIT4模型設(shè)計利用舊的網(wǎng)格化氣象數(shù)據(jù)迅速響應(yīng)大氣中的緊急狀況,以此來診斷案例和分析氣候[31].這種模式是拉格朗日和歐拉的混合擴散模式,其平流、擴散均采用拉格朗日方法進行處理,濃度用歐拉方法計算[32].在污染物輸送、擴散和沉降等方面HYSPLIT模式都考慮得較周全,最高模擬精度可到小時,目前在國內(nèi)外廣泛用來分析污染物來源及確定傳輸擴散情況等[33].本研究選取哈爾濱市經(jīng)濟政治中心(45.57°N,126.68°E)為模擬的起始點計算,推算時間為2018年12月10日0點~13日23點,每小時模擬一條后向軌跡(時間分辨率為1h),推算時間為48h后向,起始高度為200m(對應(yīng)哈爾濱市大氣邊界層的中下部).

圖1 哈爾濱市

2.2 聚類分析法

聚類分析法是根據(jù)某地理指標(biāo)或樣品的特征相似性、親疏程度將這些元素進行分型、劃分類型就可以得到反映出個體、站點、群體之間的遠近關(guān)系的系統(tǒng)的方法[28].本研究采用的是軌跡逐個聚類分析法,利用歐式距離算法對抵達哈爾濱的所有氣流軌跡進行分型聚類,即可得到不同類型的輸送氣流及其分布情況,由此可對不同來源方向的氣流所對應(yīng)的污染物濃度特征進行分析.具體為:計算相鄰兩條后向軌跡之間的距離后根據(jù)軌跡的空間相異度對軌跡分型聚類,即設(shè)有條軌跡,選取其中距離最近的2條作為一類并計算它們的每小時滯留點的平均經(jīng)緯度,便可得到這類軌跡的平均軌跡.計算每條聚類空間的相異度SPVAR,最后通過總空間相異度TSV(所有SPVAR之和)與之間的關(guān)系判斷軌跡分型的數(shù)目和每類平均軌跡的空間分布情況.

2.3 潛在源貢獻算法

由條件概率函數(shù)發(fā)展而來判別污染源區(qū)位的一種方法叫做PSCF算法,它主要是通過結(jié)合氣團軌跡和某指標(biāo)值(本文為PM2.5濃度)給出污染物可能的排放點位置和分布情況[15].PSCF值為經(jīng)過研究區(qū)域的氣團到達網(wǎng)格點(在這里將研究區(qū)域按照指定分辨率進行網(wǎng)格化,每個網(wǎng)格記為網(wǎng)格(),其中為該網(wǎng)格的中心經(jīng)緯度)時所對應(yīng)的指標(biāo)值超過設(shè)定臨界值的條件函數(shù)值.對所研究的PM2.5設(shè)定一個臨界值,若軌跡對應(yīng)的元素值比這個臨界值大時,則該軌跡對應(yīng)區(qū)域是潛在污染源區(qū),若其經(jīng)過網(wǎng)格的污染軌跡端點數(shù)為m,而落在網(wǎng)格()內(nèi)的所有軌跡端點數(shù)為n,則PSCF定義為式(1):

PM2.5的臨界值是《環(huán)境空氣質(zhì)量標(biāo)準》(GB3095-2012)[36]中的二級污染濃度限值75mg/m3.某些學(xué)者引入權(quán)重系數(shù)W來減小某些偏僻的網(wǎng)格由于軌跡總體停留時間較少導(dǎo)致PSCF計算結(jié)果帶來的偏差(一般當(dāng)某一網(wǎng)格內(nèi)的n小于研究區(qū)內(nèi)每個網(wǎng)格的平均軌跡端點數(shù)的一定倍數(shù)時可用W來減小PSCF計算的誤差).本研究,共12月10~13日4d,每天24條軌跡,每條軌跡的分辨率是1h,本研究利用(2)式引入的權(quán)重系數(shù)具體如下:

2.4 濃度權(quán)重軌跡分析法

由于PSCF算法只是半定量的給出了網(wǎng)格對控制點污染物濃度,它可以通過計算軌跡的權(quán)重濃度定量給出每個網(wǎng)格的平均權(quán)重濃度CWT(反映控制點的各貢獻區(qū)域PM2.5濃度分布情況)[28].按照公式(3)進行計算:

3 結(jié)果與分析

3.1 污染概況與形成機制分析

地面監(jiān)測站的觀測資料清楚地記錄了此次污染過程,由圖2所示.可以看出,10~13日存在2個嚴重污染時段:12日05:00~11:00以及12日21:00~13日02:00.具體污染過程為從10日00:00~10日10:00PM2.5濃度從88μg/m3增至124μg/m3,為中度污染,之后污染物濃度與AQI值出現(xiàn)小幅度下降,從11日00:00~11日12:00從71μg/m3突升至213μg/m3,達到了重度污染, PM2.5濃度從11日17:00~12日09:00躍升至582 μg/m3,持續(xù)維持在高濃度水平,并達到嚴重污染.12日下午13:00,顆粒物濃度隨氣象條件的逐漸改善開始緩慢下降至常態(tài)水平,12日傍晚18:00~13日01:00,PM2.5濃度再次逐步上升至547μg/m3,直到13日中午持續(xù)在嚴重污染水平,13日15:00后污染物降至常態(tài)水平,空氣質(zhì)量明顯改善.污染期間PM2.5日均濃度變化范圍為125~246μg/m3, PM10日均濃度為149~197μg/m3,PM2.5占PM10的百分比為32%~98%,表明哈爾濱市可吸入顆粒物中的細顆粒物的貢獻遠大于PM10.

根據(jù)污染時間的雷達圖可以了解此次污染過程的污染類型,12月10日與11日的污染較12日和13日的污染程度輕,根據(jù)10日10:00的SO2特征值高于標(biāo)準值,且11日12:00的SO2特征值明顯超出上限和NO2特征值也即將突破上限,表明污染特征受燃煤排放影響.至AQI呈現(xiàn)較高值的12日,12日09:00的只有PM2.5特征值超出上限,表明第一個嚴重污染時段的污染特征受二次顆粒物生成影響顯著,污染特征表現(xiàn)為二次氣溶膠類型.由圖3各類污染物的相關(guān)性可以看出在污染期間,PM2.5和CO呈現(xiàn)顯著的正相關(guān)性,達到了74%, CO的主要來源之一是秸稈燃燒不充分,考慮到12月10號秸稈禁燒令剛解禁,因此秸稈焚燒可能成為第一個重污染時段引發(fā)因素.為進一步印證,根據(jù)圖4所示12月10~13日期間哈爾濱區(qū)域內(nèi)焚燒火點較少,但是臨近的吉林省有較多火點,且主要位于哈爾濱市的西南方位.通過圖6可以看出污染時期哈爾濱市盛行西南風(fēng),由此可見,秸稈焚燒可能通過區(qū)域傳輸影響哈爾濱市空氣質(zhì)量.此次污染過程可能為秸稈焚燒、機動車尾氣、燃煤等多個因素的復(fù)合污染.之后13日01:00的PM2.5和PM10的特征值均突破上限值,不僅二次氣溶膠復(fù)合污染依舊顯著,還通過圖6(a)的風(fēng)速風(fēng)向的變化情況可以得到該時段的風(fēng)速顯著增加導(dǎo)致粗顆粒排放增大,13日0:00~10:00的平均風(fēng)速為4.9m/s,且該時段哈爾濱市無降水,從而揚塵的排放成為第二個嚴重污染時段新增的影響因素.13日17:00后AQI和顆粒物濃度均將至一個較低的穩(wěn)定狀態(tài),13日22:00的雷達圖顯示SO2和NO2特征值即將突破上限,表明污染特征重新轉(zhuǎn)變?yōu)槠济盒?

圖2 12月10~13日哈爾濱市AQI?PM2.5及PM10小時變化趨勢

圖3 12月10~13日哈爾濱大氣污染物間相關(guān)性

圖4 12月10~13日哈爾濱及其周邊地區(qū)的秸稈焚燒火點分布

污染物的積累、擴散和稀釋過程主要受氣象因素的影響,特別是在某種特定污染源條件下,污染物的濃度主要受制于氣象條件的好壞[35].本文主要從地面天氣形勢方面對哈爾濱地區(qū)此次重污染天氣過程的形成機制進行分析.大氣環(huán)流特征大大影響污染物的擴散能力、大氣穩(wěn)定度,因此,對污染期間12月10~13日的500hPa地面天氣形勢進行分析,見圖5.

由圖5可見,12月11日6:00至12日23:00,哈爾濱地區(qū)主要受大陸低壓控制,天氣系統(tǒng)不穩(wěn)定,氣流移動速度緩慢,地面風(fēng)速較小,不利于污染物擴散,13日11:00后,開始受高壓控制,天氣系統(tǒng)逐漸穩(wěn)定,氣流移動速度變快,污染物開始擴散,空氣質(zhì)量狀況開始轉(zhuǎn)好.在此不利地面天氣形勢的影響下,哈爾濱地區(qū)在12月10~13日期間出現(xiàn)嚴重污染天氣,持續(xù)維持大幅度、大范圍和高濃度細顆粒物的污染態(tài)勢,期間AQI超200,最高時甚至達500以上.

根據(jù)氣象局提供的重污染期間12月10~13日哈爾濱市太平宏偉公園處國控站點處的氣象數(shù)據(jù),對影響污染物擴散的風(fēng)向風(fēng)速進行分析,結(jié)果見圖6.

由圖6,2018年12月10~13日哈爾濱市平均風(fēng)速為2.7m/s,風(fēng)速偏低,不利于污染物擴散,主導(dǎo)風(fēng)向主要是西南風(fēng),同時覆蓋正南和正西風(fēng)向.根據(jù)風(fēng)速風(fēng)向和PM2.5濃度的關(guān)系,哈爾濱市污染物一方面來源于本地污染排放,另一方面為西南向、西北向污染物傳輸,且傳輸影響較大,而西南向部分區(qū)域為吉林省轄區(qū),西北向為綏化、齊齊哈爾等轄區(qū),因此吉林省、綏化、齊齊哈爾等區(qū)域的污染物排放會對哈爾濱市空氣質(zhì)量造成影響、此外,哈爾濱市地勢南高北低,污染物易累積,不利于擴散,加重污染程度、延長污染時長.

圖6 12月10~13日哈爾濱市風(fēng)速風(fēng)向分布

3.2 污染氣流聚類分析

為了解不同軌跡氣團的來源方向和傳輸距離,將計算得到的200m高度的48h后向軌跡進行分型聚類,見圖7.根據(jù)3.1污染概況分析,PM2.5為此次污染過程的首要污染物,故選取PM2.5為HYSPLIT模型輸入的控制因子.

如圖7所示,對HYSPLIT模擬的后向48h的96條有效軌跡進行分型聚類后得到4類平均軌跡:第1類軌跡源自內(nèi)蒙古,輸送距離最遠且輸送速度最慢,數(shù)量較多,占總數(shù)的30.21%;第2類軌跡也來自內(nèi)蒙古,輸送距離較長,輸送速度較慢,軌跡數(shù)量最多,占總數(shù)的34.38%,經(jīng)過的區(qū)域中吉林省秸稈焚燒火點數(shù)較多;第3類軌跡起源于大慶,輸送距離最短,輸送速度最快,軌跡數(shù)量較多,占總數(shù)的25.00%;第4類軌跡起源于齊齊哈爾,輸送距離較短,且輸送速度較快,軌跡數(shù)量最少,僅占總數(shù)的10.42%.

圖7 12月10~13日48h后向軌跡聚類與火點分布

為了進一步表征軌跡來源方向的氣團對哈爾濱市空氣質(zhì)量的影響在48h后向軌跡聚類分析結(jié)果的基礎(chǔ)上計算每類平均軌跡對應(yīng)的PM2.5平均濃度,且按照空氣質(zhì)量二級標(biāo)準為臨界值進行統(tǒng)計分析,具體結(jié)果見表1.

表1 48h后向各類軌跡對應(yīng)的PM2.5濃度

由圖7和表1可知,在48h后向軌跡中:這4類軌跡的PM2.5平均濃度均超標(biāo),超標(biāo)軌跡占軌跡總數(shù)的70.83%.其中:第1類軌跡數(shù)最多,PM2.5濃度較高,超標(biāo)的軌跡數(shù)目占其總數(shù)的48.28%,超標(biāo)的軌跡PM2.5平均濃度達124.40(μg/m3),第2,3,4類軌跡數(shù)目較多,PM2.5濃度較高,超標(biāo)軌跡數(shù)較多,其中第2類軌跡超標(biāo)軌跡平均濃度達316.60(μg/m3),對照污染時間和火點分布情況,可看出污染主要集中在11日17:00~13日15:00,秸稈焚燒火點也主要分布在這個方向,說明來自此方向的氣團對哈爾濱市的空氣質(zhì)量有較大的影響.

綜上,內(nèi)蒙古、吉林、齊齊哈爾等地區(qū)的污染物可經(jīng)過長距離輸送到達哈爾濱,而且影響范圍比較大.外地源主要受來自吉林秸稈焚燒的影響,本地源主要受齊齊哈爾、大慶、綏化,以及哈爾濱市五常、雙城等地區(qū)的污染氣團的影響.這些方向的氣團都有著嚴重的污染,促進了霾的形成.

3.3 污染氣流潛在源分析

由后向軌跡聚類分析結(jié)果可知,近地面的氣流對此次污染的影響最大,為進一步驗證此結(jié)論,利用PSCF分析方法對哈爾濱市2018年12月10~13日的48h后向氣團軌跡所對應(yīng)的PM2.5濃度進行分析,將模擬期間計算的氣流軌跡所覆蓋的區(qū)域(122.3°E~128°E、43°N~50°N)網(wǎng)格化,分成0.5°×0.5°的水平網(wǎng)格,然后針對研究期間的所有軌跡,計算各網(wǎng)格的WPSCF值,并用Meteoinfo軟件作WPSCF分布圖,結(jié)果見圖8.

圖8 12月10~13日PM2.5的WPSCF分布特征

由圖8可知,WPSCF的較高值主要集中在五常、阿城、雙城、巴彥等地區(qū),表明這些地區(qū)的污染輸送是導(dǎo)致哈爾濱PM2.5濃度較高的主要原因;大慶、綏化等地區(qū)的網(wǎng)格WPSCF值也較高,表明來自這些區(qū)域的污染物傳輸也可導(dǎo)致哈爾濱PM2.5超標(biāo)情況的發(fā)生;其中黑龍江與吉林交界處、吉林中部和西部、內(nèi)蒙古與黑龍江交界、內(nèi)蒙古與吉林省交界處的網(wǎng)格顏色也較深,WPSCF值也較大,對原始軌跡進行驗證發(fā)現(xiàn)11和13日有大量的污染軌跡來源于此,所以此處也是哈爾濱市的潛在污染貢獻區(qū).

3.4 污染軌跡濃度權(quán)重分析

由后向軌跡聚類分析結(jié)果可知,來自內(nèi)蒙古,經(jīng)過吉林,最終抵達哈爾濱的氣團,對此次污染的影響最大,為進一步驗證此結(jié)論,將模擬期間計算的氣流軌跡所覆蓋的區(qū)域(122.3E~128°E、43°N~50°N)按照0.5°×0.5°網(wǎng)格化成若干水平網(wǎng)格,采用濃度權(quán)重CWT方法對哈爾濱市的2018年12月10~13日的PM2.5濃度進行權(quán)重分析,進一步溯源,WCWT分布情況見圖9.

圖9 12月10~13日PM2.5的WCWT分布特征

由圖9可見,WCWT高值區(qū)呈現(xiàn)以哈爾濱為中心向西北方向擴散的扇形分布態(tài)勢.來自興安盟、白城市、吉林市、長春市、公主嶺市、賓縣、道外區(qū)的軌跡對應(yīng)的PM2.5的WCWT值最高,貢獻最大;來自巴彥、阿城、呼蘭、五常等的WCWT值次之,說明貢獻也較大;此外,來自綏化北部、德惠市、松原市等地的WCWT值也較高,故推測該區(qū)域也是此次哈爾濱市空氣污染的主要貢獻源、由此可見,要應(yīng)對當(dāng)前頻發(fā)的重污染天氣,哈大綏區(qū)域大氣污染聯(lián)防聯(lián)控甚至跨區(qū)域大氣污染聯(lián)防聯(lián)控都具有極重要意義.

4 結(jié)論

4.1 選定2018年哈爾濱市一次空氣重污染時期12月10~13日為研究對象,10~13日存在兩個嚴重污染時段:12日5:00~11:00以及12日21:00~13日02:00.污染類型由10日0:00至11日17:00的偏燃煤型發(fā)展為11日17:00~13日15:00的二次氣溶膠復(fù)合污染,最終13日15:00后穩(wěn)定為偏燃煤型.第一個嚴重污染時段的污染可歸因于燃煤與秸稈露天焚燒的復(fù)合污染,揚塵的排放成為第二個嚴重污染時段新增的影響因素,天氣形勢和風(fēng)速風(fēng)向等不利的氣象條件為本次污染提供有利的條件.

4.2 重污染期間200m高度的48h后向軌跡聚類分析結(jié)果表明:12月10~13日哈爾濱市附近區(qū)域的污染物可遠距離輸送到達哈爾濱,遠距離主要受吉林省秸稈焚燒的影響,近距離主要受齊齊哈爾、大慶、綏化,以及哈爾濱市本地的五常、雙城等地區(qū)的影響.這些方向的氣團都攜帶著嚴重的污染,促進了霾的形成.PSCF和CWT分析結(jié)果表明哈爾濱本地的雙城、巴彥、阿城等區(qū)域和吉林省的中部地區(qū),另外周邊的大慶、綏化是哈爾濱市PM2.5的主要潛在源地.

[1] 張 蕾,戚秀云.哈爾濱市霧霾天氣成因及防控對策研究 [J]. 環(huán)境科學(xué)與管理, 2015,40(12):93-95. Zhang L, Qi X Y. Causes of fog and haze weather in Harbin and Countermeasures for its prevention and control [J]. Environmental Science and Management, 2015,40(12):93-95.

[2] 邢延峰,曹 勝,姜景陽,等.哈爾濱市周邊秸稈焚燒對市區(qū)空氣質(zhì)量的影響分析研究 [J]. 環(huán)境科學(xué)與管理, 2016,(6):149-153. Xing Y F, Cao S, Jiang J Y, et al. Analysis of the impact of straw burning around Harbin on urban air quality [J]. Environmental Science and Management. 2016,(6):149-153.

[3] 邢延峰,王鵬杰,曹 勝,等.秸稈焚燒對哈爾濱市灰霾天氣的影響 [J]. 中國環(huán)境監(jiān)測, 2017,(3):87-93. Xing Y F, Wang P J, Cao S, et al. Influence of straw burning on haze weather in Harbin [J]. China Environmental Monitoring, 2017,(3): 87-93.

[4] 霍耀強,李 敏,滕澤棟,等.秸稈焚燒對哈爾濱空氣質(zhì)量的影響研究 [J]. 環(huán)境污染與防治, 2018,(10):1161-1166. Huo Y Q, Li M, Teng Z D, et al. Study on the effect of straw burning on air quality in Harbin [J]. Environmental Pollution Control, 2018, (10):1161-1166.

[5] 張青新.基于氣流軌跡聚類的大氣輸送對丹東市酸雨形成影響[J]. 中國環(huán)境監(jiān)測, 2013,29(1):52-57. Zhang Q X. Influence of atmospheric transport on the formation of acid rain in Dandong city based on airflow trajectory clustering [J]. China Environmental Monitoring, 2013,29(1):52-57.

[6] 李海軍,陸琛莉,宋劉明.嘉興秋冬季中度及中度以上霾天氣的潛在污染來源及污染傳輸特征分析[J]. 環(huán)境污染與防治, 2017,(8): 900-904. Li H J, Lu C L, Song L M. Analysis of potential pollution sources and pollution transmission characteristics of moderate and moderate weather in Jiaxing in autumn and winter [J]. Environmental Pollution Control., 2017,(8):900-904.

[7] 段鳳魁,魯毅強,狄一安,等.秸稈焚燒對北京市空氣質(zhì)量的影響[J]. 中國環(huán)境監(jiān)測, 2001,(3):8-11. Duan F K, Lu Y Q, Di Y A, et al. Influence of straw burning on air quality in Beijing [J]. China Environmental Monitoring, 2001,(3): 8-11.

[8] 丁 銘,朱玉奇,牛志春,等.2013年6月江蘇一次大氣污染過程分析 [J]. 中國環(huán)境監(jiān)測, 2015,(5):34-39. Ding M, Zhu Y Q, Niu Z C, et al. Analysis of an air pollution process in Jiangsu in June 2013 [J]. China Environmental Monitoring, 2015, (5):34-39.

[9] 張近揚,宋韶華,許 睿,等.基于后向氣團軌跡的區(qū)域大氣污染顆粒物來源分析 [J]. 中國環(huán)境監(jiān)測, 2017,(2):42-46. Zhang J Y, Song Y H, Xu R, et al. Source analysis of particulate matter in regional air pollution based on backward air mass trajectory [J]. China Environmental Monitoring, 2017,(2):42-46.

[10] 李 莉,蔡鋆琳,周 敏.2013年12月中國中東部地區(qū)嚴重灰霾期間上海市顆粒物的輸送途徑及潛在源區(qū)貢獻分析 [J]. 環(huán)境科學(xué), 2015,36(7):2327-2336. Li L, Cai Y L, Zhou M. Analysis of the transport routes and potential source regions of Shanghai particulate matter during severe ash in central and eastern China in December 2013 [J]. Environmental Science, 2015,36(7):2327-2336.

[11] 孔珊珊,劉厚鳳,陳義珍.基于后向軌跡模式的北京市PM2.5來源分布及傳輸特征探討 [J]. 中國環(huán)境管理, 2017,(1):86-90. Kong S S, Liu H F, Chen Y Z. Discussion on source distribution and transmission characteristics of PM2.5in Beijing based on backward trajectory model [J]. China Environmental Management, 2017,(1):86- 90.

[12] 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,(4):357-363. Wang Q. Using Trajectory model to study the source of air pollution in Shanghai [J]. Environmental Science Research, 2013,(4):357-363.

[13] 尹 聰,朱 彬,曹云昌,等.秸稈焚燒影響南京空氣質(zhì)量的成因探討 [J]. 中國環(huán)境科學(xué), 2011,31(2):207-213. Yin C, Zhu B, Cao Y C, et al. Discussion on the causes of air quality in Nanjing caused by straw burning [J]. China Environmental Science, 2011,31(2):207-213.

[14] 聶 滕,李 璇,王占山,等. APEC期間北京市PM2.5時空分布與過程分析[J]. 中國環(huán)境科學(xué), 2016,2(36):349-355. Nie T, Li X, Wang Z S, et al. Temporal and spatial distribution and process analysis of PM2.5in Beijing during APEC [J]. China Environmental Science. 2016,2(36):349-355.

[15] 楊孝文,周穎,程水源,等.北京冬季一次重污染過程的污染特征及成因分析[J]. 中國環(huán)境科學(xué), 2016,36(3):679-686. Yang X W, Zhou Y, Cheng S Y, et al. Pollution characteristics and genesis of a heavy pollution process in winter in Beijing [J]. China Environmental Science, 2016,36(3):679-686.

[16] 崔 萌,安興琴,范廣洲,等.北京一次重污染過程的天氣成因及來源分析[J]. 中國環(huán)境科學(xué), 2018,38(10):3628-3638. Cui M, An X Q, Fan G Z, et al. Weather causes and source analysis of a heavy pollution process in Beijing [J]. China Environmental Science. 2018,38(10):3628-3638.

[17] 任浦慧,解靜芳,姜洪進,等.太原市大氣PM2.5季節(jié)傳輸路徑和潛在源分析 [J]. 中國環(huán)境科學(xué), 2019,39(8):3144-3151. Ren P H, Xie J F, Jiang H J, et al. Analysis of seasonal transmission path and potential source of PM2.5in Taiyuan city [J]. China Environmental Science, 2019,39(8):3144-3151.

[18] 張懿華,段玉森,高 松,等.上海城區(qū)典型空氣污染過程中細顆粒污染特征研究[J]. 中國環(huán)境科學(xué), 2011,31(7):1115-1121. Zhang Y H, Duan Y S, Gao S, et al. Characteristics of fine particle pollution in typical air pollution process in Shanghai urban area [J]. China Environmental Science, 2011,31(7):1115-1121.

[19] 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, Wang Y, Xin Y J, et al. Study on the transport path and potential source area of PM10and NO2in Tianjin [J]. China Environmental Science, 2014,34(12):3009-3016.

[20] 翟 華,朱 彬,趙雪婷,等.長江三角洲初冬一次重污染天氣成因分析[J]. 中國環(huán)境科學(xué), 2018,11(38):4001-4009. Geng H, Zhu B, Zhao X T, et al. Analysis of the causes of heavy pollution in the early winter of the Yangtze River Delta [J]. China Environmental Science, 2018,38(11):4001-4009.

[21] 吳立新,呂 鑫,秦 凱,等.秸稈焚燒期間徐州市空氣污染物時空分布特征分析[J]. 地理與地理信息科學(xué), 2014,(1):18-22. Wu L X, Lv X, Qin K, et al. Temporal and spatial distribution characteristics of air pollutants in Xuzhou city during straw burning [J]. Geography and Geography Information Science, 2014,(1):18-22.

[22] 李 展,杜云松,王 斌.2013年成都地區(qū)一次秸稈焚燒特征及成因分析 [J]. 環(huán)境保護科學(xué), 2015,(1):65-69. Li Z, Du Y S, Wang B. Characteristics and causes of a straw incineration in Chengdu in 2013 [J]. Environmental Science, 2015, (1):65-69.

[23] 張 帆,唐 毅,陳治翰,等.后向軌跡模式在攀枝花市PM2.5來源分析研究中的應(yīng)用 [J]. 四川環(huán)境, 2016,35(4):83-86. Zhang F, Tang Y, Chen Z H, et al. Application of backward trajectory model in source analysis of PM2.5in Panzhihua city [J]. Sichuan Environment, 2016,35(4):83-86.

[24] Verma N, Lakhani A, Kumari K M. High ozone episodes at a semi-urban site in India: Photochemical generation and transport [J]. Atmospheric Research. 2017,197:232-243.

[25] Stein A F, Wang Y, de la Rosa J D, et al. Modeling PM10originating from dust intrusions in the southern iberian peninsula using HYSPLIT [J]. Weather And Forecasting, 2011,26(2):236-242.

[26] Zdun A, Rozwadowska A, Kratzer S. The impact of air mass advection on aerosol optical properties over Gotland (Baltic Sea) [J]. Atmospheric Research. 2016,182:142-155.

[27] Song M, Chobyeongsu. Distributions and origins of PM10in Jeollabuk do from 2010 to 2015 [J]. Journal of Korean Society for Atmospheric Environment. 2017,33(3):251-264.

[28] Banks R F, Tiana-Alsina J, Baldasano J M, et al. Retrieval of boundary layer height from lidar using extended Kalman filter approach, classic methods, and backtrajectory cluster analysis [C]// Proceedings of SPIE, 2014:9242.

[29] Shukurov K A, Shukurova L M. Source regions of ammonium nitrate, ammonium sulfate, and natural silicates in the surface aerosol of Moscow Oblast [J]. Izvestiya Rossiiskoi akademii nauk. Fizika atmosfery i okeana, 2017,53(3):360-369.

[30] Bhuyan P K, Bharali C, Pathak B, et al. The role of precursor gases and meteorology on temporal evolution of O3at a tropical location in northeast India [J]. Environmental Science and Pollution Research, 2014,21(10):6696-6713.

[31] Draxler R R. The use of global and mesoscale meteorological model data to predict the transport and dispersion of tracer plumes over Washington, D. C. [J]. Weather And Forecasting, 2006,21(3):383- 394.

[32] Draxier R R, Hess G D. An overview of the HYSPLIT4modelling system for trajectories, dispersion and deposition [J]. Australian Meteorological Magazine, 1998,47(4):295-308.

[33] Draxler R R, Gillette D A, Kirkpatrick J S, et al. Estimating PM10air concentrations from dust storms in Iraq, Kuwait and Saudi Arabia [J]. Atmospheric Environment, 2001,35(25):4315-4330.

[34] 姚俊英,于宏敏,王 瑩.黑龍江省秸稈焚燒氣象指數(shù)預(yù)報服務(wù)研究[J]. 環(huán)境科學(xué)與管理, 2018,(10):45-48. Yao J Y, Yu H M, Wang Y. Research on forecasting service of straw burning meteorological index in Heilongjiang Province [J]. Environmental Science and Management, 2018,(10):45-48.

[35] 生態(tài)環(huán)境部,《環(huán)境空氣質(zhì)量標(biāo)準》(GB3095-2012) [R]. 2012. Ministry of Ecology and Environment, Ambient Air Quality Standards (GB3095-2012) [R]. 2012.

An air pollution process and potential sources of Harbin.

WANG Xing1,2, LI Li-li1,2, WANG Kun1,2*, LIU Yu-ping3, JIA Lin-lin3, JIANG Jun-qiu1,2, ZHU Li-na1,2

(1.State Key Laboratory of Urban Water Resources and Environment, Harbin 150090, China；2.School of Environment, Harbin Institute of Technology, Harbin 150090, China；3.Heilongjiang Academy of Environmental Sciences, Harbin 150090, China)., 2019,39(11)：4502~4510

A case study was carried out in Harbin during the severe air pollution period from December 10thto 13th, 2018, with focuses on the formation, evolution and potential source areas. The results showed that the air pollution process was dominated by PM2.5. The pollution type was dominated by coal combustion from 00:00 on the 10thto 17:00 on the 11th, then developed into the secondary aerosol pollution from 17:00 on the 11thto 15:00 on the 13th, and eventually stabilized as being dominated by coal combustion after 15:00 on the 13th. Based on the analysis of weather situation, wind speed and wind direction, it can be seen that the pollution process was inseparable from the unfavorable diffusion conditions. The simulated 48h backward trajectories were mainly divided into 4categories after clustering analysis, most of them came from Inner Mongolia, Jilin and other directions. PM2.5exceeded the air quality standard for 70.83% of the trajectories, indicating the polluted air mass from these directions had a greater impact on the air quality of Harbin. Through the PSCF and CWT analysis of the simulated 48h backward trajectory, it was found that the WPSCF and WCWT distribution characteristics in Harbin were similar. The high values of WPSCF and WCWT were mainly concentrated in Harbin's Shuangcheng, Bayan, Acheng, Jilin Province's central and western regions, as well as Daqing and Suihua, indicating that these areas were the potential source areas of PM2.5in Harbin.

pollution type；backward trajectory；potential source distribution；PM2.5transport characteristics；Harbin

X51

A

1000-6923(2019)11-4502-09

王 醒(1994-),女,貴州畢節(jié)人,哈爾濱工業(yè)大學(xué)碩士研究生,主要研究方向為大氣污染物排放清單及其傳輸擴散特征.發(fā)表論文1篇.

2019-04-22

國家重點實驗室探索課題(2016TS08);國家重點研發(fā)計劃課題(2017YFC0212305)

* 責(zé)任作者, 教授, Wang02kun@126.com