陳雅瓊　宋田　宋冬洋　張小平　高先成

摘 要：本研究利用2019年成都錦城湖監(jiān)測(cè)點(diǎn)PM2.5的監(jiān)測(cè)數(shù)據(jù)，研究成都市冬季PM2.5的污染特征及其與氣象要素之間的關(guān)系，并利用后向軌跡模型進(jìn)行顆粒物溯源及追蹤分析。結(jié)果表明：成都市環(huán)境空氣PM2.5平均質(zhì)量濃度為53 g/m3，達(dá)到國(guó)家空氣質(zhì)量二級(jí)標(biāo)準(zhǔn);PM2.5質(zhì)量與溫度呈顯著正相關(guān)性，與風(fēng)速呈負(fù)相關(guān)性，與濕度呈負(fù)相關(guān)性，與氣壓呈顯著負(fù)相關(guān)性;成都市冬季氣團(tuán)主要來(lái)自東北方向，來(lái)自東南偏南方向的PM2.5及其前體物對(duì)成都市PM2.5質(zhì)量濃度貢獻(xiàn)最大。

關(guān)鍵詞：PM2.5;氣象因素;溯源;后向軌跡

中圖分類號(hào)：X513文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-5168（2020）07-0151-03

Abstract： Based on the monitoring data of PM2.5 at Jincheng lake monitoring point in 2019， this study studied the pollution characteristics of PM2.5 in winter and the relationship between PM2.5 and meteorological elements in Chengdu， and used the backward trajectory model to trace and analyze the particulate matter. The results show that the average mass concentration of PM2.5 in the ambient air of Chengdu is 53 μg/m3， which is up to the national secondary standard of air quality; PM2.5 has a significant positive correlation with temperature， a negative correlation with wind speed， a negative correlation with humidity and a significant negative correlation with air pressure; the winter air mass of Chengdu mainly comes from the northeast direction， from the southeast south direction of PM2.5 and its precursor to Chengdu The contribution of PM2.5 is the largest.

Keywords： PM2.5;meteorological factors;traceability;backward trajectory

為了研究短時(shí)間尺度的長(zhǎng)距離輸送和外來(lái)污染源對(duì)成都PM2.5濃度的影響程度，本研究利用2019年成都錦城湖監(jiān)測(cè)點(diǎn)PM2.5的監(jiān)測(cè)數(shù)據(jù)，研究成都市冬季PM2.5的污染特征及其與氣象要素之間的關(guān)系，并利用后向軌跡模型進(jìn)行顆粒物溯源及追蹤分析。本研究能為成都應(yīng)對(duì)重污染事件的境外污染源區(qū)的確定提供參考，并為區(qū)域聯(lián)防聯(lián)控治理大氣污染提供理論借鑒。

1 材料與方法

1.1 數(shù)據(jù)來(lái)源

本研究選用2019年2月3日至2019年2月19日成都市錦城湖市控站PM2.5質(zhì)量濃度在線監(jiān)測(cè)數(shù)據(jù)作為研究對(duì)象，相關(guān)氣象數(shù)據(jù)亦來(lái)自于錦城湖市控站在線監(jiān)測(cè)。PM2.5監(jiān)測(cè)所使用的儀器和監(jiān)測(cè)方法如表1所示。

1.2 HYSPLIT模型

HYSPLIT模型是美國(guó)國(guó)家海洋和大氣管理局（National Oceanic and Atmospheric Administration，NOAA）的空氣資源實(shí)驗(yàn)室和澳大利亞氣象局（Bureau of Meteorology Australia，BOM）聯(lián)合研發(fā)的一種用于計(jì)算和分析氣流運(yùn)動(dòng)、沉降和擴(kuò)散軌跡的綜合模式系統(tǒng)，已廣泛用于空氣污染物傳輸途徑與來(lái)源分析。本研究利用該模型來(lái)研究成都市大氣細(xì)顆粒物的來(lái)源地，并結(jié)合PM2.5質(zhì)量濃度數(shù)據(jù)分析各來(lái)源對(duì)PM2.5的貢獻(xiàn)。

2 結(jié)果與討論

2.1 成都市PM2.5污染程度分析

2019年2月3日至2019年2月19日成都市環(huán)境空氣PM2.5平均質(zhì)量濃度為53[μg]g/m3，達(dá)到國(guó)家環(huán)境空氣質(zhì)量二級(jí)標(biāo)準(zhǔn)（75[μ]g/m3）（以下簡(jiǎn)稱“二級(jí)標(biāo)準(zhǔn)”）。成都市冬季環(huán)境空氣PM2.5日均質(zhì)量濃度變化范圍為23～114[μ]g/m3，超標(biāo)率達(dá)到17.65%，出現(xiàn)兩次峰值，分別在2019年2月5日（114[μ]g/m3）和2019年2月14日（76[μ]g/m3）。2019年2月5日，PM2.5濃度超標(biāo)主要原因?yàn)榇罅繜熁ū竦娜挤艜?huì)排放大量的SO2、NO2等PM2.5的前體物，經(jīng)二次轉(zhuǎn)化使PM2.5濃度升高。2019年2月14日為春節(jié)假期返程高峰期，大量機(jī)動(dòng)車尾氣排放使PM2.5濃度增高。

2.2 PM2.5與氣象因素相關(guān)性

污染物質(zhì)量濃度與氣象因素（溫度、相對(duì)濕度、風(fēng)速和氣壓等）關(guān)系密切。不同的氣象因素構(gòu)成不同天氣狀況，有利天氣狀況（低溫、大風(fēng)、低濕等）利于顆粒物稀釋擴(kuò)散，降低污染物濃度;不利天氣狀況促進(jìn)顆粒物積累，使污染物濃度增高。研究表明，氣象因素可解釋部分PM2.5日變化趨勢(shì)。

2.2.1 PM2.5與溫度的相關(guān)性。一般情況下，大氣溫度越高，細(xì)顆粒物布朗運(yùn)動(dòng)越劇烈，越利于PM2.5擴(kuò)散，使其濃度越低。成都市日均氣溫范圍為6～15 ℃，且PM2.5質(zhì)量濃度隨著溫度的增高而上升。統(tǒng)計(jì)分析表明，成都市冬季溫度與PM2.5質(zhì)量濃度呈顯著的正相關(guān)（R=0.74），這與孟媛媛等[1]得出的渭南市冬季溫度與PM2.5質(zhì)量濃度的關(guān)系一致。冬季地面溫度比大氣溫度低，對(duì)流運(yùn)動(dòng)較弱，容易形成逆溫天氣，造成顆粒物積累，使PM2.5質(zhì)量濃度增高;同時(shí)，冬季其他氣象因素的變化也會(huì)影響PM2.5濃度變化，如氣壓下降、溫度上升、濕度上升、風(fēng)速較小時(shí)，會(huì)使得污染物濃度增加。

2.2.2 PM2.5與風(fēng)速的相關(guān)性。風(fēng)速與空氣污染密切相關(guān)，對(duì)大氣污染物的擴(kuò)散和三維輸送起著重要作用。近地面若長(zhǎng)期為靜風(fēng)或較小風(fēng)，則會(huì)使污染物不斷積累，為污染物的形成創(chuàng)造了條件，使污染物濃度升高;風(fēng)速增強(qiáng)，大氣輸送能力增強(qiáng)，利于污染物的稀釋和擴(kuò)散，使污染物濃度降低。經(jīng)統(tǒng)計(jì)分析，成都市冬季風(fēng)速與PM2.5質(zhì)量濃度呈負(fù)相關(guān)（R=-0.38），但相關(guān)性不顯著，風(fēng)速和PM2.5質(zhì)量濃度變化趨勢(shì)大致相反。

2.2.3 PM2.5與濕度的相關(guān)性。研究表明，相對(duì)濕度較小時(shí)，隨著相對(duì)濕度不斷增高，由于吸濕作用的增強(qiáng)，更利于顆粒物聚集，因此，PM2.5質(zhì)量濃度越高;當(dāng)相對(duì)濕度超過一定值時(shí)，對(duì)顆粒物有一定的濕沉降作用，降低PM2.5質(zhì)量濃度。成都市冬季相對(duì)濕度為60.43%～89.14%，與PM2.5質(zhì)量濃度呈負(fù)相關(guān)（R=-0.33），但相關(guān)性不顯著。2019年2月17—19日有一次降雨過程，PM2.5日均濃度出現(xiàn)最低值（23[μg]g/m3），污染水平降低。

2.2.4 PM2.5與氣壓的相關(guān)性。氣壓的高低與大氣環(huán)流形勢(shì)密切相關(guān)，當(dāng)?shù)孛媸艿蛪嚎刂茣r(shí)，四周高壓氣團(tuán)流向中心，中心形成上升氣流，風(fēng)力較大，利于污染物向上擴(kuò)散，降低污染物濃度;當(dāng)?shù)孛媸芨邏嚎刂茣r(shí)，中心部位出現(xiàn)下沉氣流，阻止污染物向上擴(kuò)散?？梢姡瑲鈮号cPM2.5質(zhì)量濃度呈顯著負(fù)相關(guān)（R=-0.54）[2]。

2.3 后向軌跡聚類分析

本研究推算時(shí)間為24 h后軌，軌跡起始高度為500 m，軌跡時(shí)間分辨率為1 h，氣象數(shù)據(jù)使用美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心全球再分析資料，水平分辨率為1.0°×1.0°。為更直觀地了解氣團(tuán)來(lái)向及輸送距離，本研究在利用HYSPLIT模式后采用Meteoinfo軟件進(jìn)行分析和作圖。圖1為成都市冬季后向軌跡圖?？梢詮膱D1了解成都市受方向氣團(tuán)影響的程度。成都市氣團(tuán)特征為：來(lái)自東北方向的氣團(tuán)輸送距離較遠(yuǎn)，來(lái)自東南方向的氣團(tuán)輸送距離較短，幾乎沒有來(lái)成都市西面、西南和西北方向的氣團(tuán)輸送。

將成都市2019年冬季500 m起始高度的24 h后向軌跡進(jìn)行聚類分析，得到4類軌跡（見圖2）。其中，第1類和第2類軌跡均是來(lái)自成都東北方向的氣團(tuán)，分別占軌跡數(shù)的29.41%和35.78%;第3類和第4類分別來(lái)自成都東南偏南方向和正東方向，分別占軌跡總數(shù)的16.91%和17.89%?？偟膩?lái)說(shuō)，2019年冬季成都市氣團(tuán)主要來(lái)自成都市的東北方向，該方向的軌跡數(shù)總占比達(dá)到65.19%，且來(lái)自于四川省境內(nèi)。各類后向軌跡的分布特征及對(duì)應(yīng)的PM2.5質(zhì)量濃度如表1所示。

由表2和圖2可知，第2類氣團(tuán)軌跡傳輸距離最遠(yuǎn)，受東北季風(fēng)的影響，氣團(tuán)運(yùn)動(dòng)速度最快，該類軌跡在全部軌跡中占的比例最高，但對(duì)應(yīng)PM2.5質(zhì)量濃度最低，可表征來(lái)自該方向的氣團(tuán)較為潔凈，擴(kuò)散條件較好;第1類軌跡占比較大，對(duì)應(yīng)PM2.5濃度較高，可表征該方向的氣團(tuán)所經(jīng)過的區(qū)域大氣中所含的PM2.5及其前體物濃度較高，對(duì)成都市的PM2.5質(zhì)量濃度貢獻(xiàn)較高，也表征該方向的氣團(tuán)影響成都市時(shí)正好遇上成都市氣象條件是最不利于污染物擴(kuò)散的時(shí)候，污染物容易積累，造成PM2.5濃度較高;第3類軌跡占比最小，對(duì)應(yīng)PM2.5濃度最高，軌跡最短，表明該氣團(tuán)移動(dòng)速度慢，造成污染物快速累積，反映小范圍、短距離的傳輸特征;第4類軌跡占比較小，對(duì)應(yīng)PM2.5濃度較高，可表征遠(yuǎn)距離的PM2.5輸送或?qū)?yīng)時(shí)段本地污染物濃度因自身排放和其他原因造成的累積。綜上所述，第3類軌跡對(duì)成都市PM2.5質(zhì)量濃度貢獻(xiàn)最高。

3 結(jié)論

①PM2.5日均質(zhì)量濃度為53[μ]g/m3，達(dá)到國(guó)家環(huán)境空氣質(zhì)量二級(jí)標(biāo)準(zhǔn)。PM2.5日均質(zhì)量濃度變化范圍為23～114[μ]g/m3，超標(biāo)率達(dá)到17.65%。

②PM2.5質(zhì)量濃度與溫度呈顯著正相關(guān)性，與風(fēng)速和濕度均呈負(fù)相關(guān)性，與氣壓呈顯著負(fù)相關(guān)性。

③成都市冬季氣團(tuán)主要來(lái)自成都市的東北方向，軌跡數(shù)占比達(dá)到65.19%。來(lái)自東南偏南方向的PM2.5及其前體物對(duì)成都市的PM2.5濃度貢獻(xiàn)最大。

參考文獻(xiàn)：

[1]孟媛媛，符超峰，席建建.渭南市區(qū)冬春季PM2.5和PM10時(shí)間分布特征及與氣象因素的關(guān)系[J].地球環(huán)境學(xué)報(bào)，2018（2）：78-88.