西安冬季不同環流形勢下大氣細顆粒物的輸送特征研究

李培榮,姚 靜，張煦庭，黃 鑫，劉菊菊，祁春娟

(1.陜西省氣象臺，西安 710014；2.陜西省氣象局秦嶺和黃土高原生態環境氣象重點實驗室，西安 710016；3. 陜西省農業遙感與經濟作物氣象服務中心，西安 710016；4.陜西省氣象信息中心，西安 710014)

污染天氣的出現不僅與污染排放源有關，還依賴于氣象條件，在短期內排放源固定的情況下，重污染天氣的發生取決于當地氣象條件的變化。在中高緯度地區，氣象條件主要受到大尺度天氣環流背景的影響和制約，天氣環流可以影響當地的降水量、溫度、風速、風向、相對濕度等各種氣象參數，從而反映了當地的大氣條件[1-2]；因此一些典型的高低空環流形勢容易引起持續性重污染天氣。識別典型的污染天氣形勢，分析不同污染天氣形勢下大氣污染的特征，對于大氣污染機理的研究和業務預報應用具有重要意義。近年來，利用客觀算法來進行天氣形勢分型的方法被國內外學者廣泛應用，如楊旭等[3]采用PCT客觀天氣分型方法對京津冀冬半年海平面氣壓場進行分型，認為冷鋒前部、高壓場、鞍型場、高壓后部等類型容易產生污染天氣。張瑩等[4]利用客觀分型方法探究了華北地區不同月份不同天氣類型對應的大氣污染狀況，認為高壓內部型、高壓后部型和均壓場是3種重污染潛勢天氣類型，而且在不同月份下同一種天氣類型對污染物擴散的影響也存在差異。許建明等[5]根據客觀天氣分型結果，揭示了上海秋冬季4種易發生PM2.5污染的天氣環流類型，包括高壓前部弱氣壓、冷鋒和2類高壓后部弱氣壓型，不同的天氣類型下污染成因不同。

在不同的污染天氣形勢下，污染天氣的形成、維持和清除等過程有所不同，除了本地污染排放源外，外部污染源的輸送也存在差異。利用拉格朗日型軌跡擴散模型HYSPLIT、潛在源貢獻分析和濃度權重軌跡分析等方法，開展對大氣顆粒物輸送軌跡和來源的長時間尺度定量研究，可以進一步揭示區域顆粒物污染分布特征、來源解析及成因分析，然而目前關于大氣顆粒物污染潛在源分析的研究主要集中在我國長三角、珠三角、成渝和京津冀地區，對于西安及周邊地區的研究較為少見，且部分研究針對的是重污染個例，并沒有在天氣學機理的基礎上集成分析。由于西安冬季主要為細顆粒物污染，因此本文開展對西安地區2018—2020年冬季不同污染天氣形勢下，PM2.5污染的輸送特征研究，以期為西安市冬季大氣顆粒物污染預報與防治提供一定的科學理論支持。

1 數據與方法

1.1 資料來源

氣象形勢場數據來源于ERA5再分析資料，主要包括2018—2020年西安周邊地區冬季的海平面氣壓場和10 m風場資料，空間分辨率為0.5°×0.5°，每日4個時次。后向軌跡和軌跡聚類分析使用的氣象數據來源于美國國家環境預報中心(NECP)提供的全球資料同化系統GDAS資料，空間分辨率為1°×1°，每日4個時次。大氣顆粒物污染數據和污染氣象參數數據來源于陜西省氣象臺汾渭平原環境氣象業務平臺，包括2018—2020年西安市逐日和逐小時PM2.5質量濃度數據、逐日混合層高度、通風系數、大氣自凈能力數據。文中涉及的地圖是基于全國地理信息學資源目錄服務系統，1∶100萬全國基礎地理數據庫下載的審圖號為GS(2016)2556號的標準地圖制作，底圖無修改。

1.2 方法

1.2.1 污染月的選取 通過對西安近年來逐月的PM2.5平均質量濃度統計分析，發現西安全年的PM2.5質量濃度呈“U”型分布(圖1)，冬季12、1、2月的PM2.5平均質量濃度最高，分別為107.8、133.1和91.0 μg/m3，遠高于其他月份，因此將冬季這3個月定義為“污染月”，本研究對西安地區2018—2020年冬季展開研究。

圖1 2014—2020年西安PM2.5質量濃度逐月分布

1.2.2 PCT客觀分型法 天氣分型方法采用PCT客觀分型法，它是在PCA主成分分析的基礎上，進一步改進得到的T-mode主成分分析法，基本原理是將原始高維形勢場數據Z分解為F和A兩個低維矩陣，Z=FAT，F為主成分，A為載荷，所有的主成分按照特征值的大小即對原數據的貢獻排序，最后取對原數據累計貢獻率超過一定比例的特征值所對應的主成分F達到降維的目的[6]。利用PCT方法將西安周邊地區的海平面氣壓場和10 m風場作為一個整體進行多變量斜交旋轉分解，以得到一個較為合理準確的天氣分型結果。

1.2.3 HYSPLIT模型 HYSPLIT模型是一種可模擬大氣污染物遠距離輸送、擴散、沉降軌跡等過程的綜合模式系統，由于其較好的適用性，被普遍應用于研究大氣污染物的傳輸途徑和來源解析[7-10]。本研究運用歐式距離算法對到達西安地區的氣流軌跡進行聚類分析。

1.2.4 潛在源貢獻分析法與濃度權重軌跡分析法 潛在源貢獻分析法PSCF(用P表示)和濃度權重軌跡分析法CWT(用C表示)是基于后向軌跡分析來識別污染源區的方法[11]，PSCF是以條件概率函數為原理識別污染源區的方法，可以得到不同源區污染貢獻的相對大小，其不能有效判斷污染物質量濃度大于污染閾值時的污染嚴重程度，而CWT是在確定了潛在源區的基礎上，可以進一步計算得到不同源區污染貢獻的具體質量濃度大小。PSCF值為途經某個網格ij中的污染軌跡數Nij與該區域所有軌跡數Mij的比值[12-13]，即：

Pij=Nij/Mij。

(1)

而濃度權重軌跡分析法的計算公式如下：

(2)

式中：Pk是軌跡k經過網格ij時對應的PM2.5質量濃度，Tijk是軌跡k在網格ij所停留的時間。PSCF和CWT分析均需要引入權重函數Wij來降低不確定性，以減少誤差，Wij可根據參考文獻[14-16]確定。

1.2.5 大氣自凈能力 將大氣自身運動對污染物的擴散、稀釋和濕清除能力定義為大氣自凈能力，本研究中主要包括水平風的擴散能力和降水的沉降作用，其計算公式為：

(3)

式中V為通風系數(m2/s)，R為降水強度(mm/d)，S為底面積，取100 km2。

2 結果與討論

2.1 天氣分型結果

利用PCT方法將2018—2020年西安及其周邊地區冬季的海平面氣壓場和10 m風場分為6種類型，具體分型結果如圖2。

圖2 2018—2020年西安及其周邊地區冬季6類海平面氣壓場(陰影)和10 m風場分型結果

1型為冷高壓前部型，出現頻率為49.1%，冷高壓主體在新疆北部及蒙古國西部，穩定少動，西安地區處于冷高壓前側，近地面風速較小，風向多變化。

2型為弱高壓頂部型，弱高壓位于我國華中、華東地區，陜南為弱高壓控制，西安地區處于高壓邊緣，氣壓梯度大，地面風速較大，以南風為主，這種天氣形勢出現頻率最低，為4.8%。

3型為冷高壓后部型，出現頻率為11.8%，冷高壓主體在蒙古國東部及東西伯利亞地區，西安地區處于冷高壓后側，近地面以較一致的東風控制。

4型為均壓場型，出現頻率為12.9%，我國華北、東北及西北東部地區均處于均壓場控制中，等壓線稀疏且未出現明顯的氣壓梯度，西安地區處于均壓場西部，以東風控制為主。

5型為高壓底部型，出現頻率為15.9%，高壓主體位于我國北部，由華北地區向新疆、蒙古國西部延伸，西安地區處于高壓底部，其上游地區近地面受北風控制，西安周邊地區為弱西風。

6型為高壓前部型，出現頻率為5.5%，在我國青藏高原及新疆地區的海平面氣壓場存在一個高壓區，而我國華北、東北地區為低壓區，該天氣類型下西安近地面風場以南風為主，風速較大。

在6種天氣類型中，冷高壓前部型出現的頻率最高，是西安及其周邊地區冬季最主要的天氣形勢，而弱高壓頂部型和高壓前部型出現頻率較低，兩者近地面風速較大，在其他天氣類型下，西安地區的風速都較小，風向受高低壓強度位置變化而無定向。

2.2 天氣類型與PM2.5的關系

在不同的天氣類型下，西安地區PM2.5的污染特征存在明顯差異，圖3為在各個天氣類型下西安市PM2.5質量濃度分布及污染日分布特征。可以看到，在2018—2020年冬季期間，西安地區PM2.5的平均質量濃度為98.6 μg/m3，但在天氣類型3、4、5型中PM2.5的平均質量濃度較高，都超過了冬季平均值。其中，天氣類型3型的平均質量濃度高達106.8 μg/m3，有18 d超過了75 μg/m3空氣質量標準，為污染日，占總日數的56%，中度及以上污染出現的頻率也較高。天氣類型4型PM2.5的平均質量濃度為105.4 μg/m3，污染日占比更高，為69%，以中度及以上污染為主，出現頻率為40%。天氣類型5型的平均質量濃度為104.4 μg/m3，污染日出現頻率為58%，同樣以中度及以上污染日為主，出現頻率為40%。在天氣類型1型中，雖然其PM2.5的平均質量濃度低于冬季平均值，但由于其出現頻率較大，幾乎接近冬季總日數一半，而且其55%的日數為污染日，出現中度及以上污染日的頻率也較大；所以1型也有利于污染天氣的發生發展。西安地區冬季出現天氣類型2、6型的頻率較低，而且在其天氣形勢下PM2.5的平均質量濃度也都較低，最低的為6型，平均質量濃度為75.9 μg/m3。這2種天氣類型相比于1、3、4、5型，污染日出現頻率明顯偏低。

圖3 2018—2020年冬季6類天氣類型中西安PM2.5質量濃度分布及污染日分布特征(圖3a中橫直線為冬季平均值)

綜合分析各種天氣類型出現頻率及在該天氣形勢下PM2.5污染狀況，將冷高壓前部型、冷高壓后部型、均壓場型、高壓底部型定義為污染型天氣類型，這一結果與部分學者[17-19]采用主觀分型法對關中地區重污染天氣分型的結果基本一致。

2.3 天氣類型與PM2.5擴散

表1為西安不同天氣類型下的PM2.5質量濃度與氣象參數平均值。在污染天氣類型中，混合層高度及通風系數較小，反映了較為穩定的大氣層結，不利于污染物的水平垂直擴散；大氣自凈能力較弱也表明降水等對污染物的濕清除作用不明顯，繼而導致這4種天氣下對應的PM2.5質量濃度較大，從污染氣象學的角度揭示了1、3、4、5天氣類型為污染天氣型的機理。而2、6型對應的大氣自凈能力較強、混合層高度較高和通風系數較大，均有利于污染物的稀釋擴散。通過計算逐日的PM2.5質量濃度與混合層高度、通風系數和大氣自凈能力值的相關系數，也表明它們之間存在負相關關系，均通過了0.01的顯著性檢驗。

表1 2018—2020年冬季各類天氣類型下西安PM2.5質量濃度與氣象參數平均值

2.4 污染天氣類型下的PM2.5輸送與潛在來源

2.4.1 后向軌跡輸送特征 為研究在不同污染天氣類型下，污染物輸送到西安地區的通道及污染源區差異性，選取在天氣類型1、3、4、5下PM2.5質量濃度≥75 μg/m3的時間段進行后向軌跡模擬計算，并通過歐式距離法進行聚類分析。

由圖4可知，在天氣類型1中，到達西安地區的氣流為西風氣流。聚類1來自甘肅南部，途經漢中等地，聚類2來自青海北部，途經甘肅、寧夏、寶雞、銅川，這兩類出現頻率最高；聚類3、4主要來源于關中北部至甘肅東部地區，出現頻率較低。天氣類型3中：聚類2、3來自青海及新疆地區，這兩類氣團移速較快，輸送高度較高，由于途經高原地區，主要為下沉氣流，這些地區污染源較少，高空空氣清潔，所以這部分氣團對西安地區污染影響較小；聚類1來自西安東北方向的山西、河南地區，聚類4來自于陜南地區，這類氣團為短距離運輸，說明大氣環境較為穩定，同時水汽充足，有利于顆粒物污染的產生和積累。在天氣類型4中，氣團主要來自西安地區西方及西北方向，輸送距離整體較短，且在關中地區有所停滯，存在明顯的繞流，有利于關中地區二次污染物的發生。在天氣類型5中：聚類3、4輸送距離較遠，風速較快，擴散條件較好；聚類1、2、5來自西安附近地區，是主要的污染氣團，聚類1出現頻率最大，為44.6%，途經寶雞、甘肅南部，聚類2、5途經渭南、河南西部地區。

圖4 2018—200年各污染天氣類型下西安地區的后向軌跡聚類分析

2.4.2 PSCF和CWT分析 對污染型天氣類型1、3、4、5中PM2.5質量濃度超過75 μg/m3的污染氣流進行潛在源貢獻分析，結果見圖5。在天氣類型1中，西安地區PM2.5的潛在源區分布較廣，陜西境內各地市及周圍省份都對西安地區PM2.5污染有明顯貢獻，根據PSCF大值區所示，延安、銅川、渭南、漢中、安康、商洛等地區PSCF值超過了0.8，是主要的污染源區；在天氣類型3中，對西安PM2.5有明顯影響的區域主要位于陜南和關中西部地區，包括咸陽、寶雞等地，PSCF值在0.6以上；而在天氣類型4中，PSCF高值區東移，除了陜南地區外，河南西部地區也是重要的污染源區；在天氣類型5中，PSCF高值區主要位于關中中東部和陜南地區，并向河南、四川等地延伸。

圖5 2018—2020年冬季各污染天氣類型下的PSCF分布

通過進一步計算污染型天氣類型1、3、4、5中PM2.5濃度權重軌跡CWT(圖6)，可以反映各區域對西安地區污染物質量濃度的貢獻水平，CWT值越大，該區域的污染貢獻就越大。在各個天氣類型中，西安地區的CWT值都較大，表明西安本地是該地區污染天氣中的重要貢獻源區。在天氣類型1中，西安地區PM2.5污染貢獻源區還包括陜南地區，其存在一個CWT高值中心，其次渭南的CWT值也較大，這些區域的CWT都超過了120 μg/m3；在天氣類型3中，對西安地區PM2.5污染有明顯影響的區域包括銅川、咸陽和寶雞東部、漢中東部、安康北部地區，CWT都超過了100 μg/m3；在天氣類型4中，CWT高值區位于咸陽、渭南、商洛、河南西部地區；在天氣類型5中，CWT高值區與其PSCF高值區較一致，主要位于關中中東部和陜南地區，并向河南、四川等地延伸，另外在寧夏、甘肅東部等地也對西安PM2.5的貢獻有著顯著的貢獻。

圖6 2018—2020年冬季各污染天氣類型下的CWT分布

3 結論

(1)利用PCT客觀分型法將2018—2020年西安及其周邊地區冬季的海平面氣壓場和10 m風場分為冷高壓前部型、弱高度頂部型、冷高壓后部型、均壓場型、高壓底部型、高壓前部型6 種類型，冷高壓前部型出現頻率最大，為49.1%，是西安地區冬季主要的天氣形勢場。

(2)在冷高壓前部型、冷高壓后部型、均壓場型、高壓底部型下，西安地區的PM2.5質量濃度高于冬季平均情況，污染日出現頻率高，污染程度重，因此將其定義為污染型天氣類型。

(3)在污染型天氣類型下，西安地區的混合層高度較低、通風系數較小、大氣自凈能力較弱均不利于PM2.5的擴散稀釋。

(4)在各個污染天氣類型下，西安本地都為重要的污染貢獻源區，關中周邊地區和陜南地區對其PM2.5的質量濃度均有明顯的影響，主要原因是來自關中地區的氣流輸送距離短、移速慢，大氣層結穩定，有利于污染物的積累，而來自陜南地區的氣流水汽充足，有利于氣溶膠吸濕增長和二次轉化，從而加重污染程度。另外，甘肅東部、寧夏及河南西部也是西安地區重要的顆粒物污染源地。不同的污染天氣類型下，污染輸送通道和源區存在差異性。