淮安地區(qū)重污染天氣過程數(shù)值模擬分析

宋昊冬 謝真珍 趙天良 安禮政 邵正艷 王蓓元

收稿日期：2023-12-10

基金項目：國家自然科學(xué)基金（42075063）；江蘇省大氣環(huán)境監(jiān)測與污染控制高技術(shù)研究重點實驗室開放項目（KHK2005）。

作者簡介：宋昊冬（1987—），男，江蘇淮安人，工程師，研究方向為大氣環(huán)境。

摘 要：利用WRF-Chem空氣質(zhì)量模式模擬研究淮安地區(qū)2019年1月12—15日期間的細顆粒物PM2.5污染過程，研究結(jié)果表明：污染期間，高空以西北氣流為主，地面均壓場控制，沒有明顯的冷空氣活動，地面風(fēng)速較小，相對濕度較大，且近地層存在明顯的逆溫，大氣污染水平和垂直擴散條件均較差，有利于細顆粒物PM2.5的形成、積聚和維持；模式對此次污染過程的天氣系統(tǒng)演變和PM2.5質(zhì)量濃度有比較好的模擬效果，氣象要素和污染物濃度模擬的相關(guān)系數(shù)分別在0.63和0.74以上，并且均通過了P＜0.05的顯著性檢驗；此次重污染天氣由本地累積和外來輸送共同引起，江蘇省內(nèi)污染源排放的貢獻率為47%，其中淮安占比為17%。區(qū)域污染物輸送的輸送主要來自偏西和偏北方向，其中山東、安徽和河南污染物的貢獻率分別為20%、18%和10%，在區(qū)域傳輸中占較大比重。

關(guān)鍵詞：數(shù)值模擬；PM2.5；重污染天氣

中圖分類號：X513 文獻標識碼：B文章編號：2095–3305（2024）03–00-03

隨著社會經(jīng)濟的快速發(fā)展，城市化的進程迅速推進，隨之引起的大氣環(huán)境問題也日趨嚴重[1]。大氣污染防治國十條發(fā)布以來，我國大氣重污染天氣發(fā)生頻次和持續(xù)時間均有所改善，但長三角地區(qū)冬季的灰霾天氣仍時有發(fā)生。由細顆粒物PM2.5引起的區(qū)域性灰霾天氣，依然嚴重威脅著人們的健康[2]。

近年來，越來越多的專家、學(xué)者開展了霧霾相關(guān)內(nèi)容的研究[3-4]。謝真珍等[5]利用常規(guī)氣象、環(huán)境觀測資料開展了淮安地區(qū)一次持續(xù)性霧霾過程階段性特征及影響因子分析。欒兆鵬等[6]重點研究了降水和風(fēng)對泰安地區(qū)PM2.5濃度的影響。目前，眾多專家學(xué)者也開始側(cè)重于應(yīng)用空氣化學(xué)模式分析重污染天氣的生消原理和污染物的傳輸特征。錢俊龍等[7]利用WRF-Chem模式開展了冷空氣過程對江蘇持續(xù)性霾的影響，發(fā)現(xiàn)冷高壓的主體位置對污染物的輸送有重要影響。吳珂等[8]對蘇州一次重霾污染天氣過程進行了數(shù)值模擬分析，發(fā)現(xiàn)了該地區(qū)重霾天氣過程的主要天氣類型、污染物分布特征及其氣象影響因子。

淮安位于江蘇北部，地處中國南北分界線，隨著工業(yè)的發(fā)展，該地區(qū)的空氣污染情況不容樂觀。然而，對于淮安而言，利用數(shù)值模擬的空氣重污染研究相對較少。利用WRF-Chem，針對淮安地區(qū)2019年1月中旬一次重污染天氣過程開展模擬分析，為淮安地區(qū)重污染天氣的預(yù)報預(yù)警提供參考。

1 資料和方法

1.1 氣象要素觀測資料、再分析資料和PM2.5濃度監(jiān)測數(shù)據(jù)

地面氣象資料：2019年1月12—15日淮安國家級氣象觀測站逐小時地面氣溫、風(fēng)向風(fēng)速、相對濕度等逐小時觀測數(shù)據(jù)。溫度垂直分布資料：2019年1月14日08：00淮安國家基準氣候站地基微波輻射計觀測資料。模式使用的氣象初始場來自美國國家環(huán)境預(yù)報中心和美國國家大氣研究中心聯(lián)合制作的FNL再分析資料。顆粒物監(jiān)測數(shù)據(jù)來源于中國環(huán)境監(jiān)測總站，本文分析的是淮安國控點2019年1月12—15日PM2.5濃度逐小時數(shù)據(jù)。

1.2 數(shù)值模擬試驗

使用WRF-Chem 3.9.1版本對此次污染過程進行模擬。排放源數(shù)據(jù)來源于2017年清華大學(xué)MEIC清單。此次模擬采用雙層嵌套，第一層網(wǎng)格距為27 km，最內(nèi)層為9 km，垂直分為31層。模擬的時間為2019年1月11日08：00—16日08：00，前24 h為spin-up，模擬的區(qū)域如圖1所示，模式采用的主要參數(shù)化方案為：邊界層方案（MYJ），氣溶膠反應(yīng)方案（MOSAIC），物理過程方案（LIN），氣相反應(yīng)方案（CBMZ）等。

2.1 污染過程概況

2019年1月中旬，江蘇省自北向南依次出現(xiàn)了一次污染過程，其中蘇北地區(qū)污染較嚴重。此次污染過程首要污染物為PM2.5，因此以PM2.5為主進行模擬和分析。在污染累積時段內(nèi)，PM2.5濃度緩慢上升，在15日09：00濃度達到最大值，為255 μg/m3，隨后受北風(fēng)風(fēng)速增加的影響，濃度迅速下降，到12：00降至73 μg/m3。此階段地面的風(fēng)速較小，最小風(fēng)速為0，平均風(fēng)速為1.18 m/s。溫度偏低，最高氣溫為5.3 ℃，最低為-2.4 ℃，

平均為1.55 ℃。且相對濕度較大，最高為100%，最低

為73%，平均達92%。氣象要素不利于污染物的水平擴散，有利于吸濕增長。且污染階段淮安地區(qū)低空

（1 km以下）有明顯的逆溫層結(jié)，逆溫強度為5.1 ℃/km，

逆溫層厚度為450 m，主要分布在近地面，不利于近地層污染物的垂直擴散。

2.2 天氣背景分析

1月12—14日淮安地區(qū)高空以西北氣流控制為主（高空、地面天氣形勢圖略），高空下沉氣流不利于污染物的垂直擴散，地面為弱高壓控制，風(fēng)速較小，有利于顆粒物的累積增長，15日早晨地面處于冷鋒前沿，風(fēng)速增大，污染迅速消散。

2.3 模擬結(jié)果與分析

為了評估模式的模擬結(jié)果，選取了3個參數(shù)：相關(guān)系數(shù)（r）、平均絕對誤差（MAE）、均方根誤差（RMSE）

來定量的描述其準確性。公式如下：

r=（1）

MAE=（2）

RMSE=（3）

式（1）～（3）中，Xi和Yi分別代表觀測值和模擬值。相關(guān)系數(shù)r表示模擬值與觀測值之間的線性關(guān)系，值越接近1，說明相關(guān)性越好；平均絕對誤差（MAE）和均方根誤差（RMSE）反映模擬值與觀測值的偏離程度，值越接近0，代表模擬效果越好。

首先將模式模擬出的氣象要素場和淮安站氣象要素觀測值進行比較，如表1所示，WRF-Chem模式對風(fēng)速的模擬效果最好，相關(guān)系數(shù)達0.79；其次是溫度，相關(guān)系數(shù)達0.72；然后是相對濕度，相關(guān)系數(shù)為0.63。

如圖2所示，各氣象要素模擬值與觀測值變化趨勢比較一致，因此模式可以用來模擬環(huán)境場。本文將PM2.5模擬值與觀測值進行比較，總體變化趨勢匹配較好，相關(guān)系數(shù)達0.74，平均絕對誤差為39.25，均方根誤差為50.34，均在合理范圍內(nèi)。因此整體來看，WRF-Chem模式對此次重污染過程的模擬還是較為可靠的。

為定量給出各區(qū)域污染物傳輸對此次淮安地區(qū)污染的貢獻，設(shè)計了WRF-Chem排放情景試驗，來計算淮安本地、江蘇省其他城市，以及外省排放源排放（安徽、山東、河南、山西、京津冀地區(qū)）對淮安地區(qū)污染的影響，此次污染過程上述地區(qū)對淮安的污染物貢獻率高達99%（表2）。其中，江蘇省內(nèi)污染物的貢獻率為47%，山東、安徽和河南污染物的貢獻率分別為20%、18%和10%，在區(qū)域傳輸中貢獻率較高。

此次重污染天氣過程，主要是由靜穩(wěn)天氣下的本地污染物的累積，以及西、北方污染物南下傳輸共同引起的，受濕度較大及逆溫等不利因素影響，污染逐漸加重。隨著15日上午冷空氣的南下，大氣污染擴散氣象條件轉(zhuǎn)好，污染消散，空氣質(zhì)量迅速轉(zhuǎn)好。

3 結(jié)論與討論

利用WRF-Chem空氣質(zhì)量模式模擬了淮安地區(qū)2019年1月12—15日的一次重污染天氣過程，得到結(jié)論如下：

（1）此次重污染天氣過程前期高空以西北氣流控制為主，不利于污染物的垂直擴散，地面為弱高壓控制，天氣靜穩(wěn)，有利于污染物的累積；后期地面處于冷高壓前沿，受冷空氣影響，風(fēng)速增大，有利于污染物的消散。逆溫層結(jié)、小風(fēng)、大的相對濕度等氣象條件是本次重污染天氣形成的重要原因。

（2）WRF-Chem模式對氣象要素和PM2.5有比較好的模擬效果，其中，氣象要素相關(guān)系數(shù)均在0.63以上，并且均通過了P＜0.05的顯著性檢驗；PM2.5相關(guān)系數(shù)達0.74，并且模擬值與觀測值在變化趨勢上匹配度較高。

（3）此次重污染天氣過程由本地污染物的累積和外來污染物的輸送共同引起。江蘇省內(nèi)污染源排放對淮安地區(qū)污染物的貢獻率為47%，來自偏西和偏北方向的污染物在區(qū)域傳輸中貢獻率較高，該方向上游地區(qū)山東、安徽和河南省的貢獻率分別為20%、18%和10%。

參考文獻

[1] 張小曳，孫俊英，王亞強，等.我國霧-霾成因及其治理的思考[J].科學(xué)通報，2013，58（13）：1178-1187.

[2] Goldberg M S， Burnett R T， Bailar J C， et al. The association between daily mortality and ambient air particle pollution in Montreal， Quebec. 1. Nonaccidental mortality [J]. Environmental Research， 2001， 86（1）： 12-25.

[3] 李卓建，趙尚民，郭鵬程.太原市城區(qū)PM2.5濃度時空分布特征研究[J].環(huán)境污染與防治，2021，43（3）：353-358.

[4] 王璐，溫天雪，周旭，等.臨沂市區(qū)冬季大氣污染物的特征解析[J].環(huán)境污染與防治，2021，43（5）：562-567，573.

[5] 謝真珍，范秀蓮，王月林，等.淮安地區(qū)一次持續(xù)性霧霾過程階段性特征及影響因子分析[J].氣象與環(huán)境學(xué)報，2015， 31（5）：79-85.

[6] 欒兆鵬，盧慧超，李恬，等.降水和風(fēng)對泰安地區(qū)PM2.5濃度的影響及區(qū)域傳輸研究[J].氣象與環(huán)境學(xué)報，2021，37（3）：33 -39.

[7] 錢俊龍，劉端陽，曹璐，等.冷空氣過程對江蘇持續(xù)性霾的影響研究[J].環(huán)境科學(xué)學(xué)報，2018，38（1）：52-61.

[8] 吳珂，包云軒，蔡敏，等.蘇州市一次重霾污染天氣過程的數(shù)值模擬[J].氣象科學(xué)，2019，39（1）：104-116.