大氣自凈能力指數的氣候特征與應用研究

朱 蓉,張存杰,梅 梅

?

大氣自凈能力指數的氣候特征與應用研究

朱 蓉*,張存杰,梅 梅

(國家氣候中心,北京 100081)

為了定量地評估污染氣象條件對空氣污染的作用并實現對空氣污染潛勢的預報,本文在城市大氣污染數值預報系統(CAPPS)預報原理的基礎上,定義了大氣自凈能力指數,并分別給出了采用氣象站觀測資料和通過數值模擬計算大氣自凈能力指數的方法.基于氣象站觀測資料的全國大氣自凈能力指數分析計算表明,全國大氣自凈能力最差的地區分布在四川盆地和新疆塔里木盆地,大氣自凈能力最強的地區分布在青藏高原、蒙古高原、云貴高原、以及東北平原和三江平原、山東半島和海南島;1961~2017年,京津冀、長三角和珠三角地區的大氣自凈能力指數呈下降的變化趨勢,全年低自凈能力日數呈上升的變化趨勢.采用大氣自凈能力指數評估2014年北京APEC會議期間大氣污染防控效果,表明在11月8~10日極端不利擴散氣象條件發生時,減排措施使北京市空氣質量AQI平均降低77%,使京津冀平原地區11個城市的空氣質量AQI平均降低37%.基于國家氣候中心月動力延伸氣候預測模式(DERF2.0)的預報產品和中尺度模式(WRF),建立了可以預測全國未來40d逐日大氣自凈能力指數的延伸期-月尺度大氣污染潛勢預測系統,回報實驗表明,在大多數情況下可以提前15d預報出大氣重污染過程;月尺度的大氣重污染過程預報效果更大程度上取決于月動力延伸氣候預測模式(DERF2.0)的預報準確率.

污染氣象條件；大氣自凈能力指數；大氣污染防控效果評估；延伸期-月尺度大氣污染潛勢預測

除了大氣污染排放以外,不利氣象條件是導致大氣重污染的重要原因.當大氣污染排放量大到一定程度,空氣質量就對氣象條件非常敏感,一旦出現不利擴散的靜穩天氣條件,就很容易發生大氣重污染.在評估大氣污染防控措施的實施效果時,需要去除氣象條件對大氣污染物清除的貢獻.因此,需要對污染氣象條件給出具有物理意義的、量化的表達,以便定量評估氣象條件對大氣污染的清除作用,同時也便于開展污染氣象條件的數值預報.

自20世紀60年代開始,氣象條件對空氣污染作用的問題就一直備受關注,比較常見的研究方法有3種.第一種方法,直接采用污染監測濃度和氣象觀測資料進行統計分析.很多的分析結果均表明[1-5],引起污染濃度日均值波動因素的70%是氣象條件變化;污染物濃度與風速、混合層高度和降水呈負相關,O3濃度與溫度呈正相關;氣象條件對氣態污染物的作用比顆粒物要大、對PM2.5的作用比對PM10要大.第二種方法,通過分析空氣污染過程對應的天氣形勢,歸納總結出容易導致空氣污染的局地天氣類型.例如:John等[6]研究了澳大利亞墨爾本地區的大氣環流類型與大氣污染的關系;Chen等[7]采用1873~ 1995年的海平面氣壓月均值資料,根據蘭姆天氣型分類法獲得了瑞典27個大氣環流型,隨后針對北歐地區空氣質量的研究[8-10]表明,蘭姆天氣型與大氣顆粒物濃度和NO濃度有較好的對應關系;楊旭[11]利用T-mode主成分分析法建立了京津冀地區冬季9種污染天氣類型.第三種方法,建立綜合表達空氣污染氣象條件的量化指標,用于評估污染氣象條件的長、中、短期變化和對污染潛勢進行預測.徐大海等[12-14]基于箱模式理論提出了表征大氣污染擴散能力的大氣通風量和大氣環境容量的分析計算方法;國外也有類似的研究[15-17],將混合層高度內風速乘以高度的積分定義為通風系數,以此研究污染氣象條件的氣候分布特征;吳兌等[18]建立了矢量和方法,有效分析了珠江三角洲地區典型霾天氣和清潔對照過程形成的區域輸送條件;廖碧婷等[19]利用Micaps3.0系統的K指數、沙氏指數和L指數得出垂直交換系數,對空氣污染物的垂直輸送能力進行評估,并嘗試了對灰霾天氣和無視程障礙天氣進行預報;Wang等[20]根據北京觀象臺2000~2007年7~9月的地面氣象觀測和PM10監測資料,構建了與空氣質量相關的氣象因子PLAM指數;張恒德[21]結合歷史數據統計和預報經驗,挑選發生大氣污染時的氣象要素及其閾值條件,通過權重求和初步構建了靜穩天氣綜合指數(SWI).

相對其他污染氣象條件指數,大氣通風量物理意義明確,與大氣污染排放無關,表示了一段時間邊界層內大氣平流輸送所清除的大氣污染物的總量.本文將在此基礎上,根據大氣自身所具有的對大氣污染物的通風稀釋和濕清除能力,定義大氣自凈能力指數,給出基于常規氣象觀測的計算方法,并應用于對大氣污染防控措施的效果評估.此外,考慮到有效的污染氣象條件預報有助于大氣污染的防控,這不但要求有較高的預報準確率,還需要有足夠的可實施大氣污染防控措施的預報時效.因此,本文還嘗試將大氣自凈能力指數用于月尺度大氣污染潛勢預測.

1 大氣自凈能力指數及其計算方法

1.1 大氣自凈能力指數的定義

大氣自身的運動對大氣中的污染物有清除作用,如冷空氣過境造成的大風具有擴散和稀釋作用;降水對大氣污染物有濕清除作用.類似于水的凈化能力,將大氣自身運動對大氣中污染物的擴散、稀釋和濕清除能力定義為大氣自凈能力.由于大氣自凈能力與大氣污染源排放沒有關系,一方面可用于量化氣象條件變化對空氣污染的貢獻,評估大氣污染防治措施的實施效果;另一方面可用于對未來大氣污染潛勢的預測,為提早實施大氣污染防控措施提供依據.

城市大氣污染數值預報系統(CAPPS)[22-24]通過有限體積法求解大氣平流擴散方程,得到的平均濃度預報方程為:

干沉降與大氣湍流狀況、污染物化學性質和下墊面特性有關,由于常規氣象觀測中還沒有湍流特性測量,本文為了根據歷史氣象觀測數據分析大氣對污染物清除作用的長年變化,因此暫時不考慮大氣湍流擴散和干沉降作用.根據箱模式原理,式(2)可轉變為:

式中:E為大氣通風量,定義為:

式中:()為大氣邊界層內的風速,它隨距離地面的高度而變化,是高度的函數.式(4)中濕沉降速度v表達為雨洗常數r與降水率的乘積,即w=r,為底面積.假設典型污染物的空氣質量控制濃度為C,則由式(3)和(4)可得到箱體內典型污染物最大允許排放總量為:

式中:雨洗常數r取6×105;為降水率,即單位時間內的降水量[25].在s為PM2.5達標濃度0.075mg/m3的約束條件下,定義單位時間、單位面積上大氣平流擴散和降水所能清除的最大污染物總量為大氣自凈能力指數ASI,即

因此,大氣自凈能力指數與大氣污染排放量和空氣質量都沒有任何關系,僅僅表示大氣自身運動對大氣污染物的通風擴散和降水清除能力.大氣自凈能力指數值越大,表示大氣對污染物的清除能力較強,大氣自凈能力強;反之,表示大氣自凈能力弱.

1.2 計算方法

1.2.1 基于地面氣象觀測的大氣自凈能力指數計算方法 采用地面氣象站觀測資料計算大氣自凈能力指數的優勢在于,可以對近幾十年大氣自凈能力指數的氣候和氣候變化特征進行分析.由式(7)和式(5)可知,大氣通風量VE是計算大氣自凈能力指數的關鍵,而計算大氣通風量首先需要計算混合層高度.根據國家標準《制定地方大氣污染物排放標準的技術方法》(GB/T 13201-91)[26],在已知云量和地面風速的前提下,通過計算太陽高度角,再查算出Pasquill大氣穩定度等級,最終可計算出混合層高度和大氣通風量.由于氣象站在夜間的云量觀測資料十分有限,因此,可以只計算每日 14:00的大氣自凈能力指數.其與一天中大氣對污染物的最大清除能力接近,分析每日14:00大氣自凈能力的長年變化,同樣可以得到大氣自凈能力的長年代變化特征.根據式(7)表征全天大氣對污染物總體清除能力的大氣自凈能力指數的計算公式為:

式中:ASI為大氣自凈能力指數, t/(d·km2);為一天中降水的小時數;為每小時降水量, mm/h;面積統一取值100km2.

1.2.2 基于中尺度數值模擬的大氣自凈能力指數計算方法 采用中尺度數值模擬結果計算大氣自凈能力的優勢在于,可以計算出每天逐小時的大氣自凈能力指數,還可考慮到持續較低的大氣自凈能力導致的大氣污染物累積效應,更加詳細地描述大氣重污染天氣過程,并可實現對大氣自凈能力指數的預報.

從城市大氣污染數值預報系統(CAPPS)的污染濃度預報方程式(1)可知,大氣污染濃度與大氣對污染物的清除能力呈指數函數的變化關系,因此基于逐時大氣邊界層氣象要素、考慮大氣污染累積效率的大氣自凈能力指數預報方程為:

計算大氣自凈能力所需的大氣邊界層氣象要素,如地面風速、混合層高度等,均可由中尺度數值模式WRF預報輸出.大氣穩定度可以根據WRF模式輸出的地表感熱通量、地面溫度、地表粗糙度和摩擦速度首先計算莫寧-奧布霍夫長度,然后判斷大氣穩定度[27].

采用中尺度氣象模式WRF,設置兩重嵌套網格,第一重和第二重網格距分別為45km和15km、網格數分別為180′160和361′301,第二重網格覆蓋了全部的中國大陸.模式垂直分層36層,并在近地層進行了加密,以保證200m高度以下有9層.用美國全球大氣環流模式再分析資料CFSR啟動WRF模式,進行了2013年10月~2017年2月的數值模擬,計算出所有網格點上每小時的大氣自凈能力指數.考慮到本文定義的大氣自凈能力代表大氣通風擴散和降水對污染物的清除能力,沒有包含大氣污染物的化學轉化機制,對夏季臭氧污染氣象條件的代表性差.因此,本文重點研究京津冀地區秋冬季的大氣重污染過程,只將2013年10月~2017年2月期間10、11、12月和1、2月的逐日平均大氣自凈能力指數與相應的空氣質量日指數AQI進行對比,剔除了2014年10月26日~11月15日北京APEC會議期間的數據,因為這階段由于污染防控措施的實施,使大氣污染排放源強有較大變化.圖1為北京市和京津冀平原地區2013~2017年秋冬季逐日平均大氣自凈能力指數與相應的空氣質量日指數AQI的對比,京津冀平原地區是指京津冀范圍內海拔高度小于等于100m的地區.圖1(b)中的大氣自凈能力指數為京津冀平原地區所有網格點上的大氣自凈能力指數平均值;其中的AQI值為北京、天津、廊坊、保定、石家莊、邢臺、邯鄲、衡水、滄州、唐山、秦皇島共11個城市的日AQI值的平均.可以看出,大氣自凈能力指數與空氣質量AQI成冪指數的反相關關系,相關系數在0.6以上.大氣自凈能力指數值越大,AQI值越小;大氣自凈能力指數值越小,AQI值越大.說明大氣自凈能力指數能夠較好的反映出京津冀地區秋冬季氣象條件與空氣質量的關系,抓住了這期間對大氣重污染過程起主要作用的氣象因素.

圖1 北京市和京津冀平原地區日平均大氣自凈能力指數與空氣質量指數AQI的對比 Fig.1 The comparison of daily ASI and AQI in Beijing and Jing-Jin-Ji region

2 大氣自凈能力指數的氣候特征

為了分析全國大氣自凈能力指數的分布規律和長期變化趨勢,本文采用1961~2017年全國700多個基準和基本氣象站的觀測資料,計算每日14:00大氣自凈能力指數.從1961~2017年平均全國大氣自凈能力指數分布(圖2)可以看出,四川盆地和新疆塔里木盆地的大氣自凈能力是全國最差的;青藏高原、蒙古高原、云貴高原、以及東北平原和三江平原、山東半島和海南島的大氣自凈能力最強.大氣自凈能力的分布特征與中國地形密切相關.四川盆地處于其西側的青藏高原、南側的云貴高原和北側的秦巴山脈的環抱之中,海拔高度落差1000~4000m,無論是在偏北的冬季風環流,還是在西南夏季風環流的背景下,都處于背風死水區內.因此,長年維持小風和靜風,大氣自凈能力極差.新疆塔里木盆地處于西風帶環流中,由于西側的帕米爾高原的阻擋,在塔里木盆地也同樣形成了背風死水區,年平均風速小,大氣自凈能力差.青藏高原、蒙古高原和云貴高原由于日照充足且年平均風速較大,混合層得以充分發展,大氣通風擴散能力強,所以大氣自凈能力強.山東半島和海南島也具有日照充足和年平均風速大的特點,而且不但具有較好的通風擴散能力,還有一定的降水清除能力.東北平原和三江平原分別位于大、小興安嶺的東側,由于大小興安嶺的坡度較緩,冬季風順坡而下,可以產生較大的風速;此外,由于夏季多雨,東北平原和三江平原就具有較好的大氣自凈能力.

由于大氣重污染是在極端不利的污染氣象條件下發生的,因此,有必要重點研究極端不利污染氣象條件的氣候變化特征.通過統計分析2013~2017年京津冀地區發生大氣重污染期間的大氣自凈能力指數,總結出大氣自凈能力指數低于1.4t/(d·km2)時,容易出現AQI達到200的空氣質量重污染等級.由此定義14:00大氣自凈能力指數低于1.4t/(d·km2)的當天為一個低自凈能力日.統計分析歷史不同時期全年低自凈能力日數的變化,可以認清重污染氣象條件的氣候變化特征.圖3是全國1961~2017年每10a平均全年低自凈能力總日數分布的演變,可以看出,東南和華南地區、京津冀地區的全年低自凈能力總日數有明顯增長的變化趨勢.華南和東南地區2000年以后增長較快,京津冀地區2011~2017年增長幅度較大.由于大氣自凈能力指數與大氣污染排放無關,所以低自凈能力日數的長年變化反映的是重污染氣象條件的氣候變化.但是,一般地面氣象站都是位于城鎮的邊緣,受城市化發展的影響,地面風速觀測值呈下降的長年變化趨勢,因此,低自凈能力日數的長年變化反映的是城市污染氣象條件的氣候變化,這也是人口密集的華東和華南地區全年低自凈能力日數顯著增加的原因.

圖2 1961~2017年全國平均大氣自凈能力指數分布

Fig.2 The distribution of annual mean ASI in China from 1961 to 2017

圖3 全國1961~2017年不同時期平均全年低自凈能力總日數分布的演變

在我國的冬季,不利污染物擴散的靜穩天氣條件多發,京津冀、長三角和珠三角等城市群地區的大氣污染形勢更加嚴峻.圖4分別給出了京津冀、長三角和珠三角地區1961~2017年冬季(當年12月和次年1~2月)平均大氣自凈能力指數和低自凈能力日數的長期變化,可以看出,京津冀和長三角地區冬季平均大氣自凈能力指數呈明顯下降的變化趨勢,而冬季低自凈能力日數呈明顯上升的變化趨勢,說明大氣對污染物的清除能力在降低,重污染氣象條件出現概率在增加.珠三角地區在20世紀60和70年代、以及2000年以后,冬季平均大氣自凈能力指數逐年降低,冬季低自凈能力日數逐年增加,20世紀80和90年代變化不明顯.

圖4 京津冀、長三角和珠三角1961~2017年冬季平均大氣自凈能力指數和低自凈能力日數的長期變化 Fig.4 The long-term change of mean ASI and the days with lower ASI in autumn and winter from 1996 to 2017 in Jing-Jin-Ji, Yangtze River Delta and Pearl River Delta

3 應用于大氣污染防控措施效果評估

亞太經合組織(APEC)最高級別會議于2014年11月5日~11日在北京舉行.為此,北京市及周邊6省(區、市)統一啟動了APEC會議空氣質量保障措施.根據環保部門分析[28],APEC會議期間北京市PM2.5、PM10、SO2、NO2的濃度分別較近5a降低45%、43%、64%和31%;APEC會議期間燃煤鍋爐貢獻2%左右、揚塵貢獻7%左右、機動車貢獻76%左右;北京市及周邊地區針對可能發生的污染過程采取的減排保障措施對PM2.5濃度具有明顯的削峰降速作用.

在APEC會議前的2014年10月,京津冀地區共經歷了4次重污染天氣過程,圖5為2014年10月6日~11月12日京津冀平原地區11個城市日均空氣質量指數AQI的平均值和大氣自凈能力指數較近10a(2003~2012年)同期的距平百分率的對比.可以看出,空氣質量重污染等級與大氣自凈能力指數距平百分率的低值是對應的.例如,10月8~11日京津冀11個城市大氣自凈能力指數持續很低,較近10a同期平均偏低27%~41%,導致了持續4天的大氣重污染,11個城市平均AQI達到221~315;10月12日大氣自凈能力大幅度增加,較近10a同期偏高81%,相應的空氣質量轉變為一級; 10月18~20、23~25和29~31日大氣自凈能力分別較近10年同期最大偏低32%、41%和36%,空氣質量又達到重污染級別,11個城市平均AQI分別為225、303和238.11月3日開始,北京市及周邊6省(區、市)全面啟動大氣污染減排措施,并于11月6日起又加大了防控力度,因此,在8~10日11個城市連續3d大氣自凈能力較近10a同期平均偏低33%、45%和52%、比10月份4次重污染過程中大氣自凈能力都差的情況下,京津冀平原地區平均空氣質量保持了2天良好,1天輕度污染,而且北京市8~10日的空氣質量均保持在良好等級.因為大氣自凈能力指數與大氣污染排放無關,僅僅反映大氣自身運動對污染物的通風擴散和降水清除能力,因此同樣在大氣自凈能力指數較近10a同期顯著偏低的情況下,10月份造成了4次大氣重污染過程,而APEC期間卻空氣質量保持良好,這就充分說明了APEC會議期間的大氣污染防控措施的效果顯著.為了定量評估大氣污染防控措施的實施效果,按照圖1(a)給出的北京市大氣自凈能力指數與空氣質量AQI的擬合關系,推算出11月8~10日的AQI分別為258、450和587,實際監測的北京市AQI分別為93、80和95,減排措施使空氣質量AQI分別降低64%、82%和84%.按照圖1(b)給出的京津冀平原地區平均大氣自凈能力指數與空氣質量AQI的擬合關系,推算出11月8~10日11個城市的AQI分別為162、235和295.實際監測的京津冀地區11個城市平均AQI分別為99、149和192,減排措施使空氣質量AQI分別降低39%、37%和35%.

圖5 2014年10月6日~11月12日京津冀平原地區空氣質量指數AQI的日平均值和大氣自凈能力指數距平百分率的對比

4 延伸期-月尺度大氣污染潛勢預測中的應用

在大氣污染排放源強變化較小的條件下,大氣重污染的發生就主要是不利的氣象條件造成的.上述研究表明大氣自凈能力指數能夠反映氣象條件對大氣污染的作用,因此考慮建立延伸期-月尺度大氣污染潛勢預測系統,通過預測大氣自凈能力指數,預測未來一個月內大氣重污染過程可能發生的次數及其對應的時段.采用國家氣候中心月動力延伸氣候預測模式DERF2.0預測結果,驅動中尺度氣象模式WRF進行降尺度預報,并給出未來40d逐小時的低空大氣各層風速、溫度以及地表感熱通量、摩擦速度、混合層高度等相關大氣邊界層氣象要素場;再根據本文公式(9)計算大氣自凈能力指數(圖6).WRF模式采用雙重嵌套,外重網格距45km,內重網格距15km,內重網格覆蓋全國.延伸期-月尺度大氣污染潛勢預測系統每天運行一次,在IBM1600計算機上使用256個CPU的條件下,需運行4h.每5d進行一次集合平均,給出未來40d的集合預報結果.延伸期-月尺度大氣污染潛勢預測系統建成后,對2014~2016年京津冀地區主要空氣污染過程進行了回報實驗,對比采用氣象站觀測資料計算的大氣自凈能力指數和空氣質量指數AQI,初步確定當連續2d發生大氣自凈能力指數相對于近10a同期的距平百分率偏低到5%時,可以預測一次大氣重污染過程.如下為一個預測成功個例和一個不成功個例.

圖6 延伸期-月尺度大氣污染潛勢預測系統結構

2015年12月京津冀地區發生了3次持續2d及以上的大氣重污染過程,一次是7~10日,11城市平均AQI連續4d超過200;一次是20~25日,11城市平均AQI連續6d超過200,其中21~23日連續3d超過300,另一次時29~30日.對于京津冀地區,由于張家口和承德位于太行山山區,海拔高度大,污染擴散條件比位于京津冀平原地區的11個城市強很多,京津冀地區大氣污染主要發生在位于平原地區的11個城市.因此,在進行大氣污染潛勢預測時,只將京津冀海拔高度小于等于100m的平原地區所有網格上的大氣自凈能力指數平均值,作為京津冀地區大氣自凈能力預測結果.圖7是分別于2015年11月21、22、23、24和25日起報的11月25日~12月31日京津冀地區逐日大氣自凈能力指數的集合平均預測結果.可以看出,系統成功地預測到了12月內的2次大氣重污染過程.第1次過程中,大氣自凈能力指數距平百分率達到偏低5%標準的是11月7~13日,空報了11~12日的2d;第2次過程中,大氣自凈能力指數距平百分率達到偏低5%標準的是11月19~26日,空報了頭尾19日和26日2d.圖8是采用CFSR再分析資料驅動WRF模擬的大氣自凈能力指數與空氣質量指數AQI的對比,可以看到相關系數達到了0.85.

圖7 2015年11月21~25日起報的12月1~31日京津冀地區逐日大氣自凈能力指數集合預測

圖8 采用WRF模式回算的2015年11月25日~12月31日京津冀平原地區逐日大氣自凈能力指數與空氣質量指數AQI的對比

2016年12月京津冀地區大氣重污染過程頻繁發生,如果11城市平均AQI平均值連續2d達到200算一次過程的話,共發生了4次大氣重污染過程,分別是3~4日、11~12日、16~21日和30~31日.其中最后一次是比較嚴重的跨年度空氣污染過程的前2d,整個過程是從2016年12月30日~2017年1月8日.圖9是分別于2016年11月21~25日起報的12月1日~次年1月4日京津冀地區逐日大氣自凈能力指數的集合平均預測結果.可以看出,第1次3~4日的空氣污染過程預測準確,但預報時效性不強,屬于中期預報范疇;第2~3次過程的預測完全失敗;對第4次的跨年度空氣污染過程的預測能看出趨勢正確.總之,對2016年12月大氣自凈能力的預測總體偏高.圖10是采用CFSR再分析資料驅動WRF模擬的大氣自凈能力指數與空氣質量指數AQI的對比,相關系數為0.63.

在延伸期-月尺度大氣污染潛勢預測中,月動力延伸氣候預測模式DERF2.0是決定預測效果的核心,WRF模式的作用是降尺度和為大氣自凈能力預測提供大氣邊界層氣象要素場.從以上2個預測實驗個例中的WRF模式數值模擬結果可以看出,大氣自凈能力指數與空氣質量AQI的相關系數都在0.6以上,說明大氣自凈能力指數對污染氣象條件的表達還是比較準確的,對月尺度大氣污染潛勢預測的準確率更大程度上取決于動力延伸氣候預測模式.

由于大氣自凈能力指數計算中沒有考慮污染物化學轉化及其干沉降過程,這也是污染潛勢預測中誤差的主要來源之一.在空氣污染過程中,只要不是惰性物種,化學轉化過程就是不可避免的[29].因此,下一步需要研究包括近地面湍流和化學轉化作用的大氣自凈能力指數計算方法,完善基于大氣自凈能力的污染氣象條件評估與污染潛勢預測技術體系.

圖9 2016年11月21~25日起報的2016年12月1日~2017年1月4日京津冀地區逐日大氣自凈能力指數集合預測

圖10 采用WRF模式回算的2016年11月25日~2017年1月4日京津冀平原地區逐日大氣自凈能力指數與空氣質量指數AQI的對比

5 結論

本文應用大氣自凈能力指數開展了對1961年以來全國大氣自凈能力的長年變化趨勢分析以及2014年北京APEC會議期間大氣污染防控效果分析和延伸期-月尺度大氣污染潛勢預測實驗,得到結論如下:

5.1 大氣自凈能力指數反映了空氣污染過程中的主要大氣物理過程機制,2013~2017年秋冬季京津冀平原地區的大氣自凈能力指數平均值與對應的11個城市的空氣質量AQI平均值相關系數為0.63,說明大氣自凈能力指數能夠較好地定量表達污染氣象條件.

5.2 對1961~2017年全國大氣自凈能力指數的分析表明:全國大氣自凈能力最差的地區分布在四川盆地和新疆塔里木盆地,大氣自凈能力最強的地區分布在青藏高原、蒙古高原、云貴高原、以及東北平原和三江平原、山東半島和海南島;1961年以來,京津冀、長三角和珠三角地區的大氣自凈能力指數呈下降的變化趨勢,全年低自凈能力日數呈上升的變化趨勢.

5.3 采用大氣自凈能力指數評估北京APEC會議期間大氣污染防控措施的實施效果得到,11月8~10日極端不利擴散氣象條件發生期間,減排措施使北京市空氣質量AQI平均降低77%,使京津冀平原地區11個城市的空氣質量AQI平均降低37%.

5.4 采用國家氣候中心月動力延伸氣候預測模式DERF2.0的40天預報產品和WRF模式的降尺度預報,建立了可以預測全國未來40d逐日大氣自凈能力指數的延伸期-月尺度大氣污染潛勢預測系統.通過對2013~2016年主要大氣重污染過程的回報實驗表明,在大多是情況下可以提前15d預報出大氣重污染過程;月尺度的空氣污染過程預報效果更大程度上取決于月動力延伸氣候預測模式DERF2.0的預報準確率.

[1] He J, Gong S, Yu Y, et al. Air pollution characteristics and their relation to meteorological conditions during 2014~2015 in major Chinese cities [J]. Environmental Pollution, 2017,223:484-496.

[2] Li L, Qian J, Ou C Q, et al. Spatial and temporal analysis of Air Pollution Index and its timescale-dependent relationship with meteorological factors in Guangzhou, China, 2001~2011 [J]. Environmental Pollution, 2014,190:75-81.

[3] Zhang H, Wang Y, Hu J, et al. Relationships between meteorological parameters and criteria air pollutants in three megacities in China [J]. Environmental Research, 2015,140:242-254.

[4] 蔡子穎,姚 青,韓素芹,等.21世紀以來天津細顆粒物氣象擴散能力趨勢分析[J]. 中國環境科學, 2017,37(6):2040-2046.

[5] 江 琪,王 飛,張恒德,等.北京市PM2.5和反應性氣體濃度的變化特征及其與氣象條件的關系[J]. 中國環境科學, 2017,37(3):829- 837.

[6] Pearce J L, Beringer J, Nicholls N, et al. Investigating the influence of synoptic-scale meteorology on air quality using self-organizing maps and generalized additive modelling [J]. Atmospheric Environment, 2011,45:128-136.

[7] Chen D L. A monthly circulation climatology for Sweden and its application to a winter temperature case study [J]. International Journal of Climatology, 2000,20:1067-1076.

[8] Grundstrom M, Tang L, Hallquist M, et al. Influence of atmospheric circulation patterns on urban air quality during the winter [J]. Atmospheric Pollution Research, 2015,6:278-285.

[9] Grundstrom M, Hak C, Chen D, et al. Variation and co-variation of PM10, particle number concentration, NOand NO2in the urban air – relationships with wind speed, vertical temperature gradient and weather type [J]. Atmospheric Environment, 2015,120:317-327.

[10] Tang L, Chen D., Karlsson P E, et al. Synoptic circulation and its influence on spring and summer surface ozone concentrations in southern Sweden [J]. Boreal Environ. Res., 2009,14:889-902.

[11] 楊 旭,張小玲,康延臻,等.京津冀地區冬半年空氣污染天氣分型研究 [J]. 中國環境科學, 2017,37(9):3021-3209.

[12] 徐大海,朱 蓉.我國大陸通風量及雨洗能力分布的研究 [J]. 中國環境科學, 1989,9(5):367-374.

[13] 徐大海,朱 蓉,潘在桃.城市擴散模式與二氧化硫排放總量控制方法的研究 [J]. 中國環境科學, 1990,10(4):309-313.

[14] 徐大海,王 郁,朱 蓉.大氣環境容量系數A值頻率曲線擬合及其應用 [J]. 中國環境科學, 2016,36(10):2913-2922.

[15] Ashrafi K, Shafie-Pour, M, Kamalan H. Estimating Temporal and Seasinal Variation of Ventilation Coefficients [J]. Int. J. Environ Res., 2009,3(4):637-644.

[16] Maria I G, Nicolás A M. Air Pollution Potential: Regional Study in Argentina [J]. Environmental Management, 2000,25(4):375-382.

[17] Praveena K, Kunhikrishnan P K. Temporal variations of ventilation coefficient at a tropical Indian station using UHF wind profiler [J]. Current Science, 2004,86(3):447-451.

[18] 吳 兌,廖國蓮,鄧雪嬌,等.珠江三角洲霾天氣的近地層輸送條件研究.應用氣象學報, 2008,19(1):1-9.

[19] 廖碧婷,吳 兌,陳 靜,等.灰霾天氣變化特征及垂直交換系數的預報應用.熱帶氣象學報, 2012,28(3):417-424.

[20] Wang J Z, Gong S L, Zhang X Y, et al. A Parameterized Method for Air-Quality Diagnosis and Its Applications [J]. Advances in Meteorology. 2012, doi: 10.1155/2012/238589.

[21] 張恒德,張碧輝,呂夢瑤,等,北京地區靜穩天氣綜合指數的初步構建及其在環境氣象中的應用[J]. 氣象, 2017,43(8):998-1004.

[22] 徐大海,朱 蓉.大氣平流擴散的箱格預報模型與污染潛勢指數預報[J]. 應用氣象學報, 2000,11(1):2-12.

[23] 朱 蓉,徐大海,孟燕君,等.城市空氣污染數值預報系統CAPPS及其應用[J]. 應用氣象學報, 2001,12(3):267-278.

[24] 張 愷,徐大海,朱 蓉,等. CAPPS多箱模式中光化學模式的嵌套與城市大氣臭氧數值預報 [J]. 應用氣象學報, 2005,16(1):1-12.

[25] Mcmahon T A, Dension P J. Empirical atmospheric deposition parameters – A survey [J]. Atmospheric Environment, 1979,13(5): 571-585.

[26] GB/T 13201-91 制定地方大氣污染物排放標準的技術方法 [S].

[27] 趙德山,徐大海,李宗愷,等.城市大氣污染總量控制方法手冊[M]. 北京:中國環境科學出版社, 1991:104.

[28] 程念亮,李云婷,張大偉,等.2014年APEC期間北京市空氣質量改善分析 [J]. 環境科學, 2016,37(1):66-73.

[29] 李 健,安俊嶺,陳 勇,等.脫硝技術與天然氣應用情景下京津冀地區空氣質量模擬評估 [J]. 氣候與環境研究, 2013,18(4):472-482.

致謝：感謝浙江省氣候中心張小偉高工幫助編制了動力延伸氣候預測模式DERF2.0與WRF模式的接口程序.

The climate characteristics of atmospheric self-cleaning ability index and its application in China.

ZHU Rong*, ZHANG Cun-jie, MEI Mei

(National Climate Center, Beijing 100081, China)., 2018,38(10)：3601~3610

In order to assess the effect of meteorological conditions on air pollution quantitatively and predict the air pollution potential, the Atmospheric Self-cleaning ability Index (ASI) was defined based on the prediction principle of city air pollution prediction system (CAPPS). Both computational methods of ASI using observational data of meteorological stations and the meso-scale modelling result were introduced. The analysis of ASI in China showed that the lowest ASI was located in Sichuan Basin and Talimu Basin in Xinjiang, and the highest ASI was located in Plateau, island and peninsula areas. The decrease of ASI and the increase of the low ASI days of a year were found in regions of Jing-Jin-Ji, Yangtze River Delta and Pearl River Delta from 1961 to 2017. The effect evaluation of air pollution prevention and control during the Beijing APEC conference using ASI showed that the AQI in Beijing decreased by 77% and the mean AQI of 11cities in Jing-Jin-Ji Plain decreased by 37% because of the emission reduction while the worst air pollution meteorological condition happened in 8th~10thNov. 2014. An air pollution potential prediction system on extended and monthly scales, which can predict nationwide daily ASI of 40 days in advance, was set up based on the combination of the production of the extended and monthly dynamical climate model (DERF2.0) and the downscaling of WRF model. The historical simulation experiment showed that the system could forecast the process of heavy air pollution events 15days in advance in most cases, and the forecast accuracy depended on the extended and monthly dynamical climate model (DERF2.0) to a considerable extent.

air pollution meteorological condition；atmospheric self-cleaning ability index；effect evaluation of air pollution prevention and control；prediction of air pollution potential on extended and monthly scales

X26

A

1000-6923(2018)10-3601-10

朱 蓉(1963-),女,北京人,研究員,碩士,主要從事大氣邊界層氣象、大氣湍流擴散和中尺度數值模擬研究.發表論文40余篇.

2018-03-26

大氣重污染成因與治理攻關項目(DQGG0302)

* 責任作者, 研究員, rongzhu@cma.gou.cn