基于HYSPLIT4模式的天水市顆粒物輸送路徑

劉 灝,王 穎,2*,王思潼,劉 揚(yáng),李 博 (.蘭州大學(xué)大氣科學(xué)學(xué)院,甘肅 蘭州 730000；2.蘭州大學(xué)半干旱氣候變化教育部重點(diǎn)實(shí)驗(yàn)室,甘肅 蘭州 730000)

高強(qiáng)度的排放,不利的氣象條件,二次氣溶膠的形成以及顆粒物的區(qū)域傳輸是細(xì)顆粒物污染形成的主要因素[1].大氣污染物濃度不僅與本地排放源有關(guān),在中尺度環(huán)流系統(tǒng)作用下,外來源的輸送及影響不容忽視,因此,僅在城市尺度開展污染物控制研究難以達(dá)到改善城市空氣質(zhì)量的目的.

研究污染物區(qū)域輸送的方法主要有污染路徑法[2-3]、拉格朗日粒子擴(kuò)散(LPDM)模式法[4]和顆粒物源示蹤法[5].其中基于后向軌跡模式的污染路徑法可以減少模式插值、截?cái)噙^程及風(fēng)場資料時(shí)空分辨率較低帶來的誤差,能夠準(zhǔn)確解釋污染物的輸送、擴(kuò)散及沉降過程,利于分析污染物的輸送路徑和識(shí)別污染物的可能來源[6-8],是目前應(yīng)用最廣泛的研究污染物區(qū)域輸送的方法.國內(nèi)外的許多科研工作者利用 HYSPLIT后向軌跡模式對(duì)城市大氣污染問題開展了大量的研究[9-12],包括識(shí)別污染物的潛在源區(qū)[13-15],重污染期間量化本地源和外來源的貢獻(xiàn)率[16],探討污染輸送的季節(jié)變化特征[17]等.杜朋[18]、錢俊龍[19]、張廣興[20]等采用HYSPLIT模式研究了100m高度的污染輸送特征;王曉琦[21]、沈?qū)W勇[22]、姜洪進(jìn)[23]等利用HYSPLIT模式研究了500m高度PM2.5的潛在源區(qū)和不同源區(qū)對(duì) PM2.5貢獻(xiàn)的差異;Pongkiatkul[24]、涂小萍[25]等通過HYSPLIT模式定量估算了 1000m高度外來源輸送對(duì)城市顆粒物濃度的貢獻(xiàn)率;陳虹穎[26]、鈐偉妙[27]等采用HYSPLIT模式并結(jié)合軌跡聚類分析法、PSCF方法在 1500m高度對(duì)污染物來源進(jìn)行了分析.以上研究表明,不同學(xué)者對(duì)不同地區(qū)的區(qū)域污染輸送研究的起始點(diǎn)高度設(shè)置存在較大差異,相關(guān)研究并沒有說明模式起始點(diǎn)高度的確定依據(jù).Lee[28]和 Gebhart[29]等研究表明 HYSPLIT模式對(duì)起始點(diǎn)高度的選擇較敏感,準(zhǔn)確的軌跡起始點(diǎn)高度對(duì)識(shí)別污染源區(qū)有重要影響.

此外,Wehner等[30]指出聚類數(shù)量的選擇也對(duì)區(qū)域輸送路徑統(tǒng)計(jì)結(jié)果有重要影響.選取較少的聚類數(shù)量時(shí),聚類結(jié)果不足以代表軌跡的風(fēng)向風(fēng)速特征,選取較多的聚類數(shù)量時(shí),各聚類路徑之間無顯著差異.針對(duì)聚類數(shù)量的研究報(bào)道不多,大多采用Brankov等[31]提出的以總空間變化(Total spatial variation,TSV)超過5%為原則選擇聚類數(shù)量的方法,以及Dorling等[32]研究中以TSV出現(xiàn)顯著變化為原則選取聚類數(shù)量的方法,但目前缺乏不同聚類數(shù)量選取方法對(duì)聚類結(jié)果影響的對(duì)比分析.

本文以天水市為例,探討了不同軌跡起始高度和聚類數(shù)量對(duì)后向軌跡模擬結(jié)果的影響,通過對(duì)500m高度春、夏、秋、冬4個(gè)季節(jié)的后向軌跡分析,研究不同路徑氣團(tuán)對(duì)天水市顆粒物濃度的影響,并進(jìn)一步運(yùn)用權(quán)重潛在源貢獻(xiàn)分析法(WPSCF),探討天水市顆粒物的潛在源區(qū)對(duì)天水市顆粒物濃度的貢獻(xiàn).

1 資料與方法

1.1 研究區(qū)域

天水市位于甘肅東南部 (34°05′～35°10′N,104°35′～106°44′E),地處六盤山地、隴中黃土高原和秦嶺山地的交接處,毗鄰關(guān)中平原.境內(nèi)山脈縱橫,地勢西北高,東南低,海拔在1000～2100m之間.境內(nèi)北部屬黃土梁峁溝壑區(qū),渭河及其支流藉河、牛頭河橫貫其中,形成寬谷與峽谷相間的盆地與河谷階地,天水市屬典型的大陸性溫帶季風(fēng)氣候類型.

根據(jù)《2018年甘肅省生態(tài)環(huán)境狀況公報(bào)》[33]:剔除沙塵天氣影響監(jiān)測數(shù)據(jù)后,天水市2018年P(guān)M10和PM2.5的年均濃度分別為79和40μg/m3,均超過國家環(huán)境空氣質(zhì)量二級(jí)標(biāo)準(zhǔn).

1.2 資料來源

氣象資料來源于美國國家環(huán)境預(yù)報(bào)中心(NCEP)提供的全球資料同化系統(tǒng)(GDAS)2017～2019年的氣象數(shù)據(jù)(ftp://arlftp.arlhq.noaa.gov/pub/archives/gdas1),其時(shí)間分辨率為 3h,水平分辨率為 1°×1°,垂直方向分23層,氣象要素包括溫度、氣壓、相對(duì)濕度、地面降水、水平和垂直風(fēng)速等.

污染物濃度數(shù)據(jù)來源于天水市生態(tài)環(huán)境局文化館環(huán)境空氣質(zhì)量國控監(jiān)測點(diǎn)(105.86°E, 34.57°N)2017～2019年逐小時(shí)監(jiān)測資料,主要監(jiān)測指標(biāo)為SO2、NO2、PM10、PM2.5、CO 和 O3.

1.3 研究方法

1.3.1 HYSPLIT4模式簡介 HYSPLIT4模式是NOAA和澳大利亞氣象局聯(lián)合研發(fā)的用于計(jì)算和分析大氣污染物輸送、擴(kuò)散軌跡的專業(yè)模型,具有處理不同污染物排放源的輸送、擴(kuò)散和沉降模式,可用于計(jì)算空氣團(tuán)軌跡、模擬復(fù)雜的擴(kuò)散和沉降過程,已被廣泛應(yīng)用于多種污染物傳輸和擴(kuò)散的研究.

基本原理是假定質(zhì)點(diǎn)是隨風(fēng)場而運(yùn)動(dòng),軌跡是質(zhì)點(diǎn)在時(shí)間和空間上的積分.下一時(shí)刻質(zhì)點(diǎn)的位置,是由初始位置(P)的平均速度和第一猜值所在點(diǎn)(P’)的速度平均后與時(shí)間步長的乘積得到[34]:

而積分時(shí)間步長可變:

本文采用基于HYSPLIT4模式的Meteoinfo軟件模擬了天水市文化館(105.86°E, 34.57°N)2017～2019年冬季逐日3h間隔的后向軌跡,并采用Dorling等[32]提出的空間方差聚類算法作為聚類分析的主要方法,空間方差聚類算法通過計(jì)算每兩條軌跡組合的空間變化,對(duì)所有到達(dá)模式受點(diǎn)區(qū)域的氣團(tuán)軌跡進(jìn)行聚類分組.

1.3.2 權(quán)重潛在源貢獻(xiàn)分析法 權(quán)重潛在源貢獻(xiàn)分析法(WPSCF)是將氣團(tuán)軌跡與顆粒物濃度相結(jié)合,基于氣流軌跡分析來識(shí)別污染源區(qū)的方法[35-36].將研究區(qū)域劃分為 0.15°×0.15°的水平網(wǎng)格,對(duì)研究的要素設(shè)定一個(gè)閾值,當(dāng)軌跡所對(duì)應(yīng)的濃度值高于這個(gè)閾值時(shí),認(rèn)為該軌跡是污染軌跡,其經(jīng)過網(wǎng)格(i,j)污染軌跡端點(diǎn)數(shù)為 mij,而落在某網(wǎng)格(i,j)內(nèi)的所有軌跡端點(diǎn)數(shù)為nij,則潛在源貢獻(xiàn)(PSCF)可以定義為

當(dāng)經(jīng)過某一網(wǎng)格內(nèi)所有軌跡數(shù) nij較小時(shí),會(huì)有很大的不確定性.為此,當(dāng)某一網(wǎng)格內(nèi)的 nij小于研究區(qū)域內(nèi)每個(gè)網(wǎng)格的平均軌跡數(shù)的 3倍時(shí),就要使用權(quán)重函數(shù)W(nij)來降低不確定性[37-38]:

進(jìn)而對(duì)PSCF進(jìn)行加權(quán)計(jì)算

WPSCF的值越大,代表該網(wǎng)格區(qū)域?qū)ΡO(jiān)測點(diǎn)顆粒物濃度的影響越高.

2 結(jié)果與討論

2.1 不同起始點(diǎn)高度結(jié)果對(duì)比

2.1.1 不同起始點(diǎn)高度的設(shè)置 后向軌跡分析中路徑起始高度的設(shè)置通?？紤]以下幾個(gè)方面:(1)大氣運(yùn)動(dòng)具有空間多尺度的特征,近地面氣象場既受到與地形條件有關(guān)的局地小尺度的氣流影響,也受大尺度的天氣系統(tǒng)和環(huán)流形勢的控制,天氣學(xué)中常分析 850hPa[39](1500m asl)和 700hPa[40](3000m asl)天氣形勢.(2)受非均一下墊面影響,近地面流場復(fù)雜,模擬的基礎(chǔ)資料-全球同化系統(tǒng)(GDAS)和地形數(shù)據(jù)的精度比較低,很難準(zhǔn)確模擬近地面流場的特征,因此,模擬起始點(diǎn)高度不宜過低[41].(3)邊界層大氣以湍流為主要特征,對(duì)污染物濃度分布有重要影響,而邊界層的典型高度從幾百米到一公里.因此,眾多研究中將路徑起始高度設(shè)置為500[42-45]和1000m[46-48].

同時(shí)為說明不同軌跡起始點(diǎn)高度對(duì)天水市顆粒物輸送的影響,本文根據(jù)Li等[49]的方法,對(duì)天水市2017～2019年起始點(diǎn)高度為10m的72h后向軌跡節(jié)點(diǎn)進(jìn)行統(tǒng)計(jì),不同高度的軌跡點(diǎn)概率如表1所示.

表1 2017～2019年軌跡點(diǎn)高度概率統(tǒng)計(jì)Table 1 Probability statistics of trajectory point height in 2017～2019

由表1分析可得,對(duì)天水地區(qū)而言,影響近地面污染物濃度的氣流有60%低于35.5m,80%來自405m以下.為研究影響近地面顆粒物濃度的不同尺度氣流輸送,將軌跡起始點(diǎn)高度分別設(shè)置在50和200m高度,代表起始點(diǎn)高度為10m的大部分后向軌跡運(yùn)動(dòng)高度.綜上所述,本文分別選用50, 200, 500和1000m 4個(gè)起始點(diǎn)高度模擬后向軌跡并進(jìn)行聚類分析.

2.1.2 不同高度模擬結(jié)果分析 以2017～2019年1月、2月和12月為模擬時(shí)段,對(duì)冬季50, 200, 500和1000m 高度的后向軌跡分別進(jìn)行空間方差聚類.為了使不同高度的軌跡聚類結(jié)果具有可比性,4個(gè)高度層均采用Brankov等[31]提出的標(biāo)準(zhǔn),按照TSV(Total spatial variation)超過 5%的原則將 50, 200, 500和1000m高度天水市72h后向軌跡的聚類數(shù)量依次設(shè)置為4、5、6和6.各高度聚類結(jié)果如圖1所示,不同軌跡對(duì)應(yīng)的PM2.5和PM10的質(zhì)量濃度如表2所示.由圖 1和表 2可知,不同高度層(50, 200, 500和1000m)的氣流輸送路徑具有如下特征:

表2 冬季不同高度聚類結(jié)果統(tǒng)計(jì)Table 2 Statistics of clustering results at different heights in winter

續(xù)表2

圖1 冬季不同高度聚類路徑Fig.1 Clustered pathways at different heights in winter

(1)50m高度受東南部、偏北部、西部和西北部氣團(tuán)影響,東南部路徑1占比達(dá)到50.14%,PM2.5濃度為79.72μg/m3,PM2.5在PM10中占比0.64;來自河西走廊的西北路徑 3占比 13.75%,PM10與 PM2.5濃度分別為133.5和 57.6μg/m3,PM2.5在 PM10中占比 0.43;偏北部路徑2的顆粒物濃度較低,PM10與PM2.5濃度分別為116.3和63.4μg/m3;來自新疆的偏西路徑占比7.97%.

(2)200與 50m高度相似,主要受東南部、偏北部、西部和西北部氣團(tuán)影響,東南路徑 1占比達(dá)到44.03%, PM2.5濃度最高,達(dá)到 78.7μg/m3,PM2.5在PM10中占比0.65;西北路徑包括軌跡3和軌跡4,對(duì)應(yīng)的 PM10濃度為 128.3～136.7μg/m3,PM2.5在 PM10中占比0.44～0.48;偏西路徑5占比4.79%.

(3)500m高度受東南部、西部、西北和偏北部氣團(tuán)影響,東南路徑1占比達(dá)到47.62%,在所有路徑中占比最高,輸送距離最短, PM10和PM2.5濃度分別為123和78.2μg/m3,PM2.5在PM10中占比0.64,對(duì)細(xì)顆粒物的貢獻(xiàn)顯著;西北路徑包括來自新疆的軌跡3和軌跡 4,對(duì)應(yīng)的 PM10濃度為 134.6～142.7μg/m3,在所有路徑中最高,PM2.5在PM10中占比 0.43～0.49;偏北部路徑 2的顆粒物濃度遠(yuǎn)低于平均濃度;西部路徑包括軌跡5和軌跡6,合計(jì)占比11.86%,PM2.5平均濃度為75.45μg/m3.

(4)1000m高度受東南部、西部、西北和偏北部氣團(tuán)影響,東南部路徑 1占比達(dá) 36.43%,對(duì)應(yīng) PM2.5的濃度為79.3μg/m3,PM2.5與PM10的比值為0.65;偏北部路徑2占比19.12%,顆粒物濃度最低;西北路徑包括軌跡3和軌跡4,其中軌跡3對(duì)應(yīng)PM10的濃度為151.3μg/m3;西部路徑包括軌跡5和軌跡6,合計(jì)占比18.09%.

總體來看,50, 200和500m 3個(gè)高度的氣流軌跡類型和占比無明顯差別,而1000m高度有明顯的從中亞區(qū)域輸送的氣流,占比為4.54%. 50, 200和500m 的東南部路徑占比為 44.03%～50.14%,對(duì)應(yīng)PM2.5濃度為78.2～79.7μg/m3, PM2.5與PM10的比值為 0.64～0.65,對(duì)天水市細(xì)顆粒物污染有重要貢獻(xiàn);西北路徑PM10濃度在所有路徑中最高,PM2.5/PM10低于 0.5;偏北部路徑顆粒物濃度最低;西部路徑占比最小.但是 500m 高度不同路徑之間顆粒物濃度差異更顯著,其中 PM10濃度極值比為 1.22,PM10濃度極值差為 25.9μg/m3,PM2.5的結(jié)果與 50和200m相差不大.

由于 HYSPLIT模式無法完全模擬近地表摩擦和湍流效應(yīng),并且風(fēng)向和風(fēng)速隨離地高度變化很大,所以在計(jì)算后向軌跡時(shí)必須有足夠的起始點(diǎn)高度.Sapkota等[50]研究表明,軌跡起始點(diǎn)高度設(shè)置為500m時(shí)能夠代表逆溫層以上污染物輸送的影響;Lee等[51]使用 HYSPLIT模式測試不同模擬源影響下多受體方法的準(zhǔn)確性,結(jié)果顯示500m的起始點(diǎn)高度對(duì)實(shí)際污染源區(qū)的模擬效果最佳;Karaca等[52]利用后向軌跡模式研究發(fā)現(xiàn)軌跡起始點(diǎn)高度設(shè)為500m模擬顆粒物潛在源的準(zhǔn)確性最高.在50, 200和500m高度層上,天水地區(qū)后向軌跡聚類路徑對(duì)起始點(diǎn)高度設(shè)置不敏感,但500m高度上不同路徑之間顆粒物濃度的差異更顯著,所以本文選取500m高度進(jìn)行聚類分析.

2.2 不同聚類數(shù)量結(jié)果對(duì)比

2.2.1 不同聚類數(shù)量的設(shè)置 聚類數(shù)量的選擇采取兩種方法以研究不同方法的選擇對(duì)分析結(jié)果的影響:(1)參考Brankov等[31]選擇聚類數(shù)量的方法,當(dāng)n組聚類合并為n-1組后,若TSV超過5%代表n為合適的聚類數(shù)量;(2)依據(jù)Dorling等[32]選擇聚類數(shù)量的方法,當(dāng)n組聚類合并為n-1組后,若TSV出現(xiàn)顯著變化則代表n為合適的聚類數(shù)量.

2.2.2 不同聚類數(shù)量模擬結(jié)果分析 如圖 2所示,冬季分別按照 TSV顯著變化原則確定后向軌跡聚類數(shù)量為4,以TSV超過5%為原則選擇聚類數(shù)量為6.由圖3和表3可知:

表3 天水市2017～2019年冬季500m高度顆粒物聚類結(jié)果統(tǒng)計(jì)Table 3 Statistics of particle clustering results at 500m height in Tianshui City

圖2 天水市2017～2019年冬季總空間變化(TSV)Fig.2 Total spatial variation for different number of clusters for winter back trajectories

圖3 天水市2017～2019年冬季500m高度不同聚類數(shù)量的聚類結(jié)果Fig.3 Results from different clustering numbers in Tianshui City

方案一的路徑可分為來自陜西南部的東南路徑、源自新疆的西部路徑和來自河西走廊的西北路徑三部分.方案二的路徑可分為來自陜西南部的東南路徑、來自內(nèi)蒙古的偏北部路徑、來自新疆的西部路徑和來自河西走廊的西北路徑四部分.

東南路徑:方案一與方案二的東南路徑相同,占比為47.62%,PM10與PM2.5的濃度分別為123和78.2 μg/m3,PM2.5在PM10中的占比達(dá)0.64,主要受人為源影響,是細(xì)顆粒物污染最嚴(yán)重的路徑.

西北路徑:方案一的西北路徑3占比17.97%,對(duì)應(yīng)PM10和PM2.5的濃度分別為135.7和66.4μg/m3;方案二中的西北路徑包括軌跡3和軌跡4,合計(jì)占比19.58%,PM10平均濃度為 138.7μg/m3,PM2.5濃度為63.5μg/m3,PM2.5在 PM10中的占比達(dá) 0.43～0.49.

西部路徑:方案一的西部路徑4占比13.47%,對(duì)應(yīng) PM10和 PM2.5的濃度分別為 128和 68.5μg/m3,PM2.5在PM10中的占比達(dá)0.54.方案二的西部路徑包括軌跡 5和軌跡 6,合計(jì)占比 11.86%,對(duì)應(yīng) PM10和PM2.5的平均濃度分別為 119.4和 75.5μg/m3,PM2.5在PM10中的占比達(dá)0.6～0.66.

偏北部路徑:方案一與方案二的偏北部路徑相同,占比為20.94%,PM10與PM2.5的濃度分別為116.8和62.2μg/m3,PM2.5在PM10中的占比達(dá)0.53.

基于 3a(2017～2019年)資料分析結(jié)果顯示,不同聚類數(shù)量下各路徑的比例和濃度差異不大,盡管按照 TSV顯著變化原則確定的聚類數(shù)量偏少,但聚類結(jié)果仍可以反映不同方向軌跡輸送特征.按照TSV顯著變化原則進(jìn)行分析時(shí)各軌跡的代表性強(qiáng),且能夠描述不同流場之間的重要差別.所以本文按照TSV顯著變化原則模擬不同季節(jié)500m高度72h的后向軌跡并進(jìn)行空間方差聚類,結(jié)合顆粒物濃度資料來分析各路徑對(duì)天水市顆粒物污染的貢獻(xiàn).

2.3 天水市區(qū)域輸送研究

2.3.1 不同季節(jié)聚類結(jié)果分析 為揭示天水市不同季節(jié)聚類結(jié)果和污染物濃度的差異,對(duì)2017～2019年天水市500m高度72h后向軌跡按季節(jié)分別進(jìn)行聚類分析.根據(jù)TSV顯著變化原則,冬(1、2及12月)、春(3～5 月)、夏(6～8 月)、秋(9～11 月)各季的軌跡分別被聚類為4、4、5、4類.由圖4和表4分析可知,冬季來自陜西南部的東南路徑1占比達(dá)47.62%,對(duì)應(yīng)PM2.5的濃度為78.2μg/m3, PM2.5與PM10的比值為 0.64,對(duì)細(xì)顆粒物的濃度貢獻(xiàn)顯著.污染程度最低的是來自內(nèi)蒙古的偏北部路徑2,PM10和PM2.5濃度分別為 116.8和 62.2μg/m3.冬季顆粒物的平均濃度相比其他3個(gè)季節(jié)是最高的,對(duì)應(yīng)PM10和PM2.5的平均濃度分別為124.6和71.3μg/m3.

圖4 天水市2017～2019年春夏秋冬500m軌跡聚類結(jié)果Fig.4 Results of air mass backward trajectory clustering for different seasons

表4 天水市2017～2019年不同季節(jié)500m高度顆粒物聚類結(jié)果統(tǒng)計(jì)Table 4 Statistics of particle clustering results in four seasons of Tianshui City

春季西北路徑包括軌跡 3和軌跡 4,合計(jì)占比25.62%,是顆粒物污染程度最高的路徑,PM10和PM2.5濃度分別為 127.9～129.9 和 40.6～41μg/m3,PM2.5和PM10的比值為0.32;東南路徑1占比46.99%,是顆粒物濃度最低的路徑,對(duì)應(yīng) PM10和 PM2.5的平均濃度分別為 78.3和 34.7μg/m3.春季 PM10的濃度極值比為1.66,在4個(gè)季節(jié)中最高.

夏季東南路徑1的占比在4個(gè)季節(jié)中最高,占比達(dá)63.72%,對(duì)應(yīng)PM2.5的濃度為21.5μg/m3.夏季氣團(tuán)的運(yùn)動(dòng)路徑相較于其他季節(jié),距離明顯偏短,平均顆粒物濃度全年最低,PM10和 PM2.5平均濃度分別是41.6和 20.0μg/m3.

秋季路徑呈西北-東南向,西北路徑的軌跡3和軌跡 4,占比分別為 18.26%和 10.42%,對(duì)應(yīng) PM10濃度為78.8～80.1μg/m3,PM2.5的濃度為33.8～34.2μg/m3,是顆粒物濃度最高的路徑;東南路徑占比為48.24%,PM10和PM2.5的平均濃度分別是58.5和30.3μg/m3.

綜合分析春夏秋冬4個(gè)季節(jié)的后向軌跡輸送特征,可以發(fā)現(xiàn)偏西路徑移動(dòng)速度最快,輸送距離最長,其次是偏北路徑,東南路徑距離最短.不同季節(jié)的東南路徑全年占比達(dá)46.99%～63.72%,該路徑下PM2.5/PM10最高,顯示人為源細(xì)顆粒物輸送影響的特征;春季西部路徑PM10濃度最高,且PM2.5/PM10最低,表明該地區(qū)春季顆粒物濃度受沙塵傳輸影響.這些特征與王芳龍等[53]對(duì)天水市2015～2018年大氣顆粒物輸送路徑的分析結(jié)果基本一致.

2.3.2 權(quán)重潛在源貢獻(xiàn)分析 WPSCF算法是將氣團(tuán)軌跡與顆粒物濃度相結(jié)合,基于氣流軌跡分析來識(shí)別污染源區(qū)的方法,WPSCF的值越大,代表該網(wǎng)格區(qū)域?qū)ΡO(jiān)測點(diǎn)顆粒物濃度的影響越高.圖 5分析了冬、春、夏、秋4個(gè)季節(jié)PM2.5潛在污染源分布及其相對(duì)貢獻(xiàn),為了使?jié)撛谠磪^(qū)更加容易識(shí)別,設(shè)定整個(gè)觀測期間 PM2.5濃度的閾值為不同季節(jié) PM2.5觀測數(shù)據(jù)的75百分位數(shù).

如圖5,冬季天水PM2.5主要來源于東南部的區(qū)域貢獻(xiàn),其中 90%及以上可能來自陜西南部和四川北部區(qū)域的輸送,在內(nèi)蒙古西部區(qū)域有呈線性的顆粒物低潛在源區(qū),概率為10%～20%;春季細(xì)顆粒物潛在源區(qū) 80%及以上可能是東南部的川陜交界地區(qū),沿河西走廊有概率 50%～60%的細(xì)顆粒物遠(yuǎn)程輸送;夏季W(wǎng)PSCF值低于其他3個(gè)季節(jié),僅在陜西南部存在 80%概率及以上的細(xì)顆粒物潛在源區(qū),西北方向的細(xì)顆粒物污染輸送明顯減弱;秋季細(xì)顆粒物潛在源區(qū)80%及以上可能是寧夏南部、陜西南部和四川東北部區(qū)域,此外沿河西走廊有概率大于 70%的線性高潛在源區(qū).不同季節(jié)的潛在源貢獻(xiàn)結(jié)果表明,越靠近監(jiān)測點(diǎn)位置 WPSCF值越高.總體而言,天水市東南部區(qū)域是細(xì)顆粒物的高潛在源區(qū),西北方向的PM2.5輸送對(duì)天水市細(xì)顆粒物污染也有一定貢獻(xiàn).

圖5 天水市2017～2019年不同季節(jié)潛在源貢獻(xiàn)Fig 5 Potential source contributions in different seasons for Tianshui City

3 結(jié)論

3.1 不同高度后向軌跡聚類結(jié)果表明,50,200和500m高度上輸送路徑的方向和占比相差不大,但500m高度不同路徑的顆粒物濃度差異更顯著,為了區(qū)別不同路徑方向?qū)μ焖蓄w粒物濃度的影響,研究選取500m高度進(jìn)行聚類分析.

3.2 不同聚類數(shù)量的聚類結(jié)果表明,以 TSV 顯著變化為原則選擇聚類數(shù)量進(jìn)行分析,聚類結(jié)果能夠充分描述不同氣團(tuán)軌跡對(duì)研究區(qū)域顆粒物濃度的影響.

3.3 天水市四個(gè)季節(jié)的聚類分析結(jié)果及潛在源貢獻(xiàn)分析結(jié)果均表明,冬季天水地區(qū)顆粒物濃度主要受來自陜西南部的東南路徑的人為源傳輸影響,春季主要受西北路徑的沙塵源傳輸影響,夏秋季節(jié)不同路徑的顆粒物濃度相差不大.