大气自净能力指数的气候特征与应用研究

朱 蓉,张存杰,梅 梅



大气自净能力指数的气候特征与应用研究

朱 蓉*,张存杰,梅 梅

(国家气候中心,北京 100081)

为了定量地评估污染气象条件对空气污染的作用并实现对空气污染潜势的预报,本文在城市大气污染数值预报系统(CAPPS)预报原理的基础上,定义了大气自净能力指数,并分别给出了采用气象站观测资料和通过数值模拟计算大气自净能力指数的方法.基于气象站观测资料的全国大气自净能力指数分析计算表明,全国大气自净能力最差的地区分布在四川盆地和新疆塔里木盆地,大气自净能力最强的地区分布在青藏高原、蒙古高原、云贵高原、以及东北平原和三江平原、山东半岛和海南岛;1961~2017年,京津冀、长三角和珠三角地区的大气自净能力指数呈下降的变化趋势,全年低自净能力日数呈上升的变化趋势.采用大气自净能力指数评估2014年北京APEC会议期间大气污染防控效果,表明在11月8~10日极端不利扩散气象条件发生时,减排措施使北京市空气质量AQI平均降低77%,使京津冀平原地区11个城市的空气质量AQI平均降低37%.基于国家气候中心月动力延伸气候预测模式(DERF2.0)的预报产品和中尺度模式(WRF),建立了可以预测全国未来40d逐日大气自净能力指数的延伸期-月尺度大气污染潜势预测系统,回报实验表明,在大多数情况下可以提前15d预报出大气重污染过程;月尺度的大气重污染过程预报效果更大程度上取决于月动力延伸气候预测模式(DERF2.0)的预报准确率.

污染气象条件；大气自净能力指数；大气污染防控效果评估；延伸期-月尺度大气污染潜势预测

除了大气污染排放以外,不利气象条件是导致大气重污染的重要原因.当大气污染排放量大到一定程度,空气质量就对气象条件非常敏感,一旦出现不利扩散的静稳天气条件,就很容易发生大气重污染.在评估大气污染防控措施的实施效果时,需要去除气象条件对大气污染物清除的贡献.因此,需要对污染气象条件给出具有物理意义的、量化的表达,以便定量评估气象条件对大气污染的清除作用,同时也便于开展污染气象条件的数值预报.

自20世纪60年代开始,气象条件对空气污染作用的问题就一直备受关注,比较常见的研究方法有3种.第一种方法,直接采用污染监测浓度和气象观测资料进行统计分析.很多的分析结果均表明[1-5],引起污染浓度日均值波动因素的70%是气象条件变化;污染物浓度与风速、混合层高度和降水呈负相关,O3浓度与温度呈正相关;气象条件对气态污染物的作用比颗粒物要大、对PM2.5的作用比对PM10要大.第二种方法,通过分析空气污染过程对应的天气形势,归纳总结出容易导致空气污染的局地天气类型.例如:John等[6]研究了澳大利亚墨尔本地区的大气环流类型与大气污染的关系;Chen等[7]采用1873~ 1995年的海平面气压月均值资料,根据兰姆天气型分类法获得了瑞典27个大气环流型,随后针对北欧地区空气质量的研究[8-10]表明,兰姆天气型与大气颗粒物浓度和NO浓度有较好的对应关系;杨旭[11]利用T-mode主成分分析法建立了京津冀地区冬季9种污染天气类型.第三种方法,建立综合表达空气污染气象条件的量化指标,用于评估污染气象条件的长、中、短期变化和对污染潜势进行预测.徐大海等[12-14]基于箱模式理论提出了表征大气污染扩散能力的大气通风量和大气环境容量的分析计算方法;国外也有类似的研究[15-17],将混合层高度内风速乘以高度的积分定义为通风系数,以此研究污染气象条件的气候分布特征;吴兑等[18]建立了矢量和方法,有效分析了珠江三角洲地区典型霾天气和清洁对照过程形成的区域输送条件;廖碧婷等[19]利用Micaps3.0系统的K指数、沙氏指数和L指数得出垂直交换系数,对空气污染物的垂直输送能力进行评估,并尝试了对灰霾天气和无视程障碍天气进行预报;Wang等[20]根据北京观象台2000~2007年7~9月的地面气象观测和PM10监测资料,构建了与空气质量相关的气象因子PLAM指数;张恒德[21]结合历史数据统计和预报经验,挑选发生大气污染时的气象要素及其阈值条件,通过权重求和初步构建了静稳天气综合指数(SWI).

相对其他污染气象条件指数,大气通风量物理意义明确,与大气污染排放无关,表示了一段时间边界层内大气平流输送所清除的大气污染物的总量.本文将在此基础上,根据大气自身所具有的对大气污染物的通风稀释和湿清除能力,定义大气自净能力指数,给出基于常规气象观测的计算方法,并应用于对大气污染防控措施的效果评估.此外,考虑到有效的污染气象条件预报有助于大气污染的防控,这不但要求有较高的预报准确率,还需要有足够的可实施大气污染防控措施的预报时效.因此,本文还尝试将大气自净能力指数用于月尺度大气污染潜势预测.

1 大气自净能力指数及其计算方法

1.1 大气自净能力指数的定义

大气自身的运动对大气中的污染物有清除作用,如冷空气过境造成的大风具有扩散和稀释作用;降水对大气污染物有湿清除作用.类似于水的净化能力,将大气自身运动对大气中污染物的扩散、稀释和湿清除能力定义为大气自净能力.由于大气自净能力与大气污染源排放没有关系,一方面可用于量化气象条件变化对空气污染的贡献,评估大气污染防治措施的实施效果;另一方面可用于对未来大气污染潜势的预测,为提早实施大气污染防控措施提供依据.

城市大气污染数值预报系统(CAPPS)[22-24]通过有限体积法求解大气平流扩散方程,得到的平均浓度预报方程为:

干沉降与大气湍流状况、污染物化学性质和下垫面特性有关,由于常规气象观测中还没有湍流特性测量,本文为了根据历史气象观测数据分析大气对污染物清除作用的长年变化,因此暂时不考虑大气湍流扩散和干沉降作用.根据箱模式原理,式(2)可转变为:

式中:E为大气通风量,定义为:

式中:()为大气边界层内的风速,它随距离地面的高度而变化,是高度的函数.式(4)中湿沉降速度v表达为雨洗常数r与降水率的乘积,即w=r,为底面积.假设典型污染物的空气质量控制浓度为C,则由式(3)和(4)可得到箱体内典型污染物最大允许排放总量为:

式中:雨洗常数r取6×105;为降水率,即单位时间内的降水量[25].在s为PM2.5达标浓度0.075mg/m3的约束条件下,定义单位时间、单位面积上大气平流扩散和降水所能清除的最大污染物总量为大气自净能力指数ASI,即

因此,大气自净能力指数与大气污染排放量和空气质量都没有任何关系,仅仅表示大气自身运动对大气污染物的通风扩散和降水清除能力.大气自净能力指数值越大,表示大气对污染物的清除能力较强,大气自净能力强;反之,表示大气自净能力弱.

1.2 计算方法

1.2.1 基于地面气象观测的大气自净能力指数计算方法 采用地面气象站观测资料计算大气自净能力指数的优势在于,可以对近几十年大气自净能力指数的气候和气候变化特征进行分析.由式(7)和式(5)可知,大气通风量VE是计算大气自净能力指数的关键,而计算大气通风量首先需要计算混合层高度.根据国家标准《制定地方大气污染物排放标准的技术方法》(GB/T 13201-91)[26],在已知云量和地面风速的前提下,通过计算太阳高度角,再查算出Pasquill大气稳定度等级,最终可计算出混合层高度和大气通风量.由于气象站在夜间的云量观测资料十分有限,因此,可以只计算每日 14:00的大气自净能力指数.其与一天中大气对污染物的最大清除能力接近,分析每日14:00大气自净能力的长年变化,同样可以得到大气自净能力的长年代变化特征.根据式(7)表征全天大气对污染物总体清除能力的大气自净能力指数的计算公式为:

式中:ASI为大气自净能力指数, t/(d·km2);为一天中降水的小时数;为每小时降水量, mm/h;面积统一取值100km2.

1.2.2 基于中尺度数值模拟的大气自净能力指数计算方法 采用中尺度数值模拟结果计算大气自净能力的优势在于,可以计算出每天逐小时的大气自净能力指数,还可考虑到持续较低的大气自净能力导致的大气污染物累积效应,更加详细地描述大气重污染天气过程,并可实现对大气自净能力指数的预报.

从城市大气污染数值预报系统(CAPPS)的污染浓度预报方程式(1)可知,大气污染浓度与大气对污染物的清除能力呈指数函数的变化关系,因此基于逐时大气边界层气象要素、考虑大气污染累积效率的大气自净能力指数预报方程为:

计算大气自净能力所需的大气边界层气象要素,如地面风速、混合层高度等,均可由中尺度数值模式WRF预报输出.大气稳定度可以根据WRF模式输出的地表感热通量、地面温度、地表粗糙度和摩擦速度首先计算莫宁-奥布霍夫长度,然后判断大气稳定度[27].

采用中尺度气象模式WRF,设置两重嵌套网格,第一重和第二重网格距分别为45km和15km、网格数分别为180´160和361´301,第二重网格覆盖了全部的中国大陆.模式垂直分层36层,并在近地层进行了加密,以保证200m高度以下有9层.用美国全球大气环流模式再分析资料CFSR启动WRF模式,进行了2013年10月~2017年2月的数值模拟,计算出所有网格点上每小时的大气自净能力指数.考虑到本文定义的大气自净能力代表大气通风扩散和降水对污染物的清除能力,没有包含大气污染物的化学转化机制,对夏季臭氧污染气象条件的代表性差.因此,本文重点研究京津冀地区秋冬季的大气重污染过程,只将2013年10月~2017年2月期间10、11、12月和1、2月的逐日平均大气自净能力指数与相应的空气质量日指数AQI进行对比,剔除了2014年10月26日~11月15日北京APEC会议期间的数据,因为这阶段由于污染防控措施的实施,使大气污染排放源强有较大变化.图1为北京市和京津冀平原地区2013~2017年秋冬季逐日平均大气自净能力指数与相应的空气质量日指数AQI的对比,京津冀平原地区是指京津冀范围内海拔高度小于等于100m的地区.图1(b)中的大气自净能力指数为京津冀平原地区所有网格点上的大气自净能力指数平均值;其中的AQI值为北京、天津、廊坊、保定、石家庄、邢台、邯郸、衡水、沧州、唐山、秦皇岛共11个城市的日AQI值的平均.可以看出,大气自净能力指数与空气质量AQI成幂指数的反相关关系,相关系数在0.6以上.大气自净能力指数值越大,AQI值越小;大气自净能力指数值越小,AQI值越大.说明大气自净能力指数能够较好的反映出京津冀地区秋冬季气象条件与空气质量的关系,抓住了这期间对大气重污染过程起主要作用的气象因素.

图1 北京市和京津冀平原地区日平均大气自净能力指数与空气质量指数AQI的对比 Fig.1 The comparison of daily ASI and AQI in Beijing and Jing-Jin-Ji region

2 大气自净能力指数的气候特征

为了分析全国大气自净能力指数的分布规律和长期变化趋势,本文采用1961~2017年全国700多个基准和基本气象站的观测资料,计算每日14:00大气自净能力指数.从1961~2017年平均全国大气自净能力指数分布(图2)可以看出,四川盆地和新疆塔里木盆地的大气自净能力是全国最差的;青藏高原、蒙古高原、云贵高原、以及东北平原和三江平原、山东半岛和海南岛的大气自净能力最强.大气自净能力的分布特征与中国地形密切相关.四川盆地处于其西侧的青藏高原、南侧的云贵高原和北侧的秦巴山脉的环抱之中,海拔高度落差1000~4000m,无论是在偏北的冬季风环流,还是在西南夏季风环流的背景下,都处于背风死水区内.因此,长年维持小风和静风,大气自净能力极差.新疆塔里木盆地处于西风带环流中,由于西侧的帕米尔高原的阻挡,在塔里木盆地也同样形成了背风死水区,年平均风速小,大气自净能力差.青藏高原、蒙古高原和云贵高原由于日照充足且年平均风速较大,混合层得以充分发展,大气通风扩散能力强,所以大气自净能力强.山东半岛和海南岛也具有日照充足和年平均风速大的特点,而且不但具有较好的通风扩散能力,还有一定的降水清除能力.东北平原和三江平原分别位于大、小兴安岭的东侧,由于大小兴安岭的坡度较缓,冬季风顺坡而下,可以产生较大的风速;此外,由于夏季多雨,东北平原和三江平原就具有较好的大气自净能力.

由于大气重污染是在极端不利的污染气象条件下发生的,因此,有必要重点研究极端不利污染气象条件的气候变化特征.通过统计分析2013~2017年京津冀地区发生大气重污染期间的大气自净能力指数,总结出大气自净能力指数低于1.4t/(d·km2)时,容易出现AQI达到200的空气质量重污染等级.由此定义14:00大气自净能力指数低于1.4t/(d·km2)的当天为一个低自净能力日.统计分析历史不同时期全年低自净能力日数的变化,可以认清重污染气象条件的气候变化特征.图3是全国1961~2017年每10a平均全年低自净能力总日数分布的演变,可以看出,东南和华南地区、京津冀地区的全年低自净能力总日数有明显增长的变化趋势.华南和东南地区2000年以后增长较快,京津冀地区2011~2017年增长幅度较大.由于大气自净能力指数与大气污染排放无关,所以低自净能力日数的长年变化反映的是重污染气象条件的气候变化.但是,一般地面气象站都是位于城镇的边缘,受城市化发展的影响,地面风速观测值呈下降的长年变化趋势,因此,低自净能力日数的长年变化反映的是城市污染气象条件的气候变化,这也是人口密集的华东和华南地区全年低自净能力日数显著增加的原因.

图2 1961~2017年全国平均大气自净能力指数分布

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

图3 全国1961~2017年不同时期平均全年低自净能力总日数分布的演变

在我国的冬季,不利污染物扩散的静稳天气条件多发,京津冀、长三角和珠三角等城市群地区的大气污染形势更加严峻.图4分别给出了京津冀、长三角和珠三角地区1961~2017年冬季(当年12月和次年1~2月)平均大气自净能力指数和低自净能力日数的长期变化,可以看出,京津冀和长三角地区冬季平均大气自净能力指数呈明显下降的变化趋势,而冬季低自净能力日数呈明显上升的变化趋势,说明大气对污染物的清除能力在降低,重污染气象条件出现概率在增加.珠三角地区在20世纪60和70年代、以及2000年以后,冬季平均大气自净能力指数逐年降低,冬季低自净能力日数逐年增加,20世纪80和90年代变化不明显.

图4 京津冀、长三角和珠三角1961~2017年冬季平均大气自净能力指数和低自净能力日数的长期变化 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 应用于大气污染防控措施效果评估

亚太经合组织(APEC)最高级别会议于2014年11月5日~11日在北京举行.为此,北京市及周边6省(区、市)统一启动了APEC会议空气质量保障措施.根据环保部门分析[28],APEC会议期间北京市PM2.5、PM10、SO2、NO2的浓度分别较近5a降低45%、43%、64%和31%;APEC会议期间燃煤锅炉贡献2%左右、扬尘贡献7%左右、机动车贡献76%左右;北京市及周边地区针对可能发生的污染过程采取的减排保障措施对PM2.5浓度具有明显的削峰降速作用.

在APEC会议前的2014年10月,京津冀地区共经历了4次重污染天气过程,图5为2014年10月6日~11月12日京津冀平原地区11个城市日均空气质量指数AQI的平均值和大气自净能力指数较近10a(2003~2012年)同期的距平百分率的对比.可以看出,空气质量重污染等级与大气自净能力指数距平百分率的低值是对应的.例如,10月8~11日京津冀11个城市大气自净能力指数持续很低,较近10a同期平均偏低27%~41%,导致了持续4天的大气重污染,11个城市平均AQI达到221~315;10月12日大气自净能力大幅度增加,较近10a同期偏高81%,相应的空气质量转变为一级; 10月18~20、23~25和29~31日大气自净能力分别较近10年同期最大偏低32%、41%和36%,空气质量又达到重污染级别,11个城市平均AQI分别为225、303和238.11月3日开始,北京市及周边6省(区、市)全面启动大气污染减排措施,并于11月6日起又加大了防控力度,因此,在8~10日11个城市连续3d大气自净能力较近10a同期平均偏低33%、45%和52%、比10月份4次重污染过程中大气自净能力都差的情况下,京津冀平原地区平均空气质量保持了2天良好,1天轻度污染,而且北京市8~10日的空气质量均保持在良好等级.因为大气自净能力指数与大气污染排放无关,仅仅反映大气自身运动对污染物的通风扩散和降水清除能力,因此同样在大气自净能力指数较近10a同期显著偏低的情况下,10月份造成了4次大气重污染过程,而APEC期间却空气质量保持良好,这就充分说明了APEC会议期间的大气污染防控措施的效果显著.为了定量评估大气污染防控措施的实施效果,按照图1(a)给出的北京市大气自净能力指数与空气质量AQI的拟合关系,推算出11月8~10日的AQI分别为258、450和587,实际监测的北京市AQI分别为93、80和95,减排措施使空气质量AQI分别降低64%、82%和84%.按照图1(b)给出的京津冀平原地区平均大气自净能力指数与空气质量AQI的拟合关系,推算出11月8~10日11个城市的AQI分别为162、235和295.实际监测的京津冀地区11个城市平均AQI分别为99、149和192,减排措施使空气质量AQI分别降低39%、37%和35%.

图5 2014年10月6日~11月12日京津冀平原地区空气质量指数AQI的日平均值和大气自净能力指数距平百分率的对比

4 延伸期-月尺度大气污染潜势预测中的应用

在大气污染排放源强变化较小的条件下,大气重污染的发生就主要是不利的气象条件造成的.上述研究表明大气自净能力指数能够反映气象条件对大气污染的作用,因此考虑建立延伸期-月尺度大气污染潜势预测系统,通过预测大气自净能力指数,预测未来一个月内大气重污染过程可能发生的次数及其对应的时段.采用国家气候中心月动力延伸气候预测模式DERF2.0预测结果,驱动中尺度气象模式WRF进行降尺度预报,并给出未来40d逐小时的低空大气各层风速、温度以及地表感热通量、摩擦速度、混合层高度等相关大气边界层气象要素场;再根据本文公式(9)计算大气自净能力指数(图6).WRF模式采用双重嵌套,外重网格距45km,内重网格距15km,内重网格覆盖全国.延伸期-月尺度大气污染潜势预测系统每天运行一次,在IBM1600计算机上使用256个CPU的条件下,需运行4h.每5d进行一次集合平均,给出未来40d的集合预报结果.延伸期-月尺度大气污染潜势预测系统建成后,对2014~2016年京津冀地区主要空气污染过程进行了回报实验,对比采用气象站观测资料计算的大气自净能力指数和空气质量指数AQI,初步确定当连续2d发生大气自净能力指数相对于近10a同期的距平百分率偏低到5%时,可以预测一次大气重污染过程.如下为一个预测成功个例和一个不成功个例.

图6 延伸期-月尺度大气污染潜势预测系统结构

2015年12月京津冀地区发生了3次持续2d及以上的大气重污染过程,一次是7~10日,11城市平均AQI连续4d超过200;一次是20~25日,11城市平均AQI连续6d超过200,其中21~23日连续3d超过300,另一次时29~30日.对于京津冀地区,由于张家口和承德位于太行山山区,海拔高度大,污染扩散条件比位于京津冀平原地区的11个城市强很多,京津冀地区大气污染主要发生在位于平原地区的11个城市.因此,在进行大气污染潜势预测时,只将京津冀海拔高度小于等于100m的平原地区所有网格上的大气自净能力指数平均值,作为京津冀地区大气自净能力预测结果.图7是分别于2015年11月21、22、23、24和25日起报的11月25日~12月31日京津冀地区逐日大气自净能力指数的集合平均预测结果.可以看出,系统成功地预测到了12月内的2次大气重污染过程.第1次过程中,大气自净能力指数距平百分率达到偏低5%标准的是11月7~13日,空报了11~12日的2d;第2次过程中,大气自净能力指数距平百分率达到偏低5%标准的是11月19~26日,空报了头尾19日和26日2d.图8是采用CFSR再分析资料驱动WRF模拟的大气自净能力指数与空气质量指数AQI的对比,可以看到相关系数达到了0.85.

图7 2015年11月21~25日起报的12月1~31日京津冀地区逐日大气自净能力指数集合预测

图8 采用WRF模式回算的2015年11月25日~12月31日京津冀平原地区逐日大气自净能力指数与空气质量指数AQI的对比

2016年12月京津冀地区大气重污染过程频繁发生,如果11城市平均AQI平均值连续2d达到200算一次过程的话,共发生了4次大气重污染过程,分别是3~4日、11~12日、16~21日和30~31日.其中最后一次是比较严重的跨年度空气污染过程的前2d,整个过程是从2016年12月30日~2017年1月8日.图9是分别于2016年11月21~25日起报的12月1日~次年1月4日京津冀地区逐日大气自净能力指数的集合平均预测结果.可以看出,第1次3~4日的空气污染过程预测准确,但预报时效性不强,属于中期预报范畴;第2~3次过程的预测完全失败;对第4次的跨年度空气污染过程的预测能看出趋势正确.总之,对2016年12月大气自净能力的预测总体偏高.图10是采用CFSR再分析资料驱动WRF模拟的大气自净能力指数与空气质量指数AQI的对比,相关系数为0.63.

在延伸期-月尺度大气污染潜势预测中,月动力延伸气候预测模式DERF2.0是决定预测效果的核心,WRF模式的作用是降尺度和为大气自净能力预测提供大气边界层气象要素场.从以上2个预测实验个例中的WRF模式数值模拟结果可以看出,大气自净能力指数与空气质量AQI的相关系数都在0.6以上,说明大气自净能力指数对污染气象条件的表达还是比较准确的,对月尺度大气污染潜势预测的准确率更大程度上取决于动力延伸气候预测模式.

由于大气自净能力指数计算中没有考虑污染物化学转化及其干沉降过程,这也是污染潜势预测中误差的主要来源之一.在空气污染过程中,只要不是惰性物种,化学转化过程就是不可避免的[29].因此,下一步需要研究包括近地面湍流和化学转化作用的大气自净能力指数计算方法,完善基于大气自净能力的污染气象条件评估与污染潜势预测技术体系.

图9 2016年11月21~25日起报的2016年12月1日~2017年1月4日京津冀地区逐日大气自净能力指数集合预测

图10 采用WRF模式回算的2016年11月25日~2017年1月4日京津冀平原地区逐日大气自净能力指数与空气质量指数AQI的对比

5 结论

本文应用大气自净能力指数开展了对1961年以来全国大气自净能力的长年变化趋势分析以及2014年北京APEC会议期间大气污染防控效果分析和延伸期-月尺度大气污染潜势预测实验,得到结论如下:

5.1 大气自净能力指数反映了空气污染过程中的主要大气物理过程机制,2013~2017年秋冬季京津冀平原地区的大气自净能力指数平均值与对应的11个城市的空气质量AQI平均值相关系数为0.63,说明大气自净能力指数能够较好地定量表达污染气象条件.

5.2 对1961~2017年全国大气自净能力指数的分析表明:全国大气自净能力最差的地区分布在四川盆地和新疆塔里木盆地,大气自净能力最强的地区分布在青藏高原、蒙古高原、云贵高原、以及东北平原和三江平原、山东半岛和海南岛;1961年以来,京津冀、长三角和珠三角地区的大气自净能力指数呈下降的变化趋势,全年低自净能力日数呈上升的变化趋势.

5.3 采用大气自净能力指数评估北京APEC会议期间大气污染防控措施的实施效果得到,11月8~10日极端不利扩散气象条件发生期间,减排措施使北京市空气质量AQI平均降低77%,使京津冀平原地区11个城市的空气质量AQI平均降低37%.

5.4 采用国家气候中心月动力延伸气候预测模式DERF2.0的40天预报产品和WRF模式的降尺度预报,建立了可以预测全国未来40d逐日大气自净能力指数的延伸期-月尺度大气污染潜势预测系统.通过对2013~2016年主要大气重污染过程的回报实验表明,在大多是情况下可以提前15d预报出大气重污染过程;月尺度的空气污染过程预报效果更大程度上取决于月动力延伸气候预测模式DERF2.0的预报准确率.

[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] 蔡子颖,姚 青,韩素芹,等.21世纪以来天津细颗粒物气象扩散能力趋势分析[J]. 中国环境科学, 2017,37(6):2040-2046.

[5] 江 琪,王 飞,张恒德,等.北京市PM2.5和反应性气体浓度的变化特征及其与气象条件的关系[J]. 中国环境科学, 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] 杨 旭,张小玲,康延臻,等.京津冀地区冬半年空气污染天气分型研究 [J]. 中国环境科学, 2017,37(9):3021-3209.

[12] 徐大海,朱 蓉.我国大陆通风量及雨洗能力分布的研究 [J]. 中国环境科学, 1989,9(5):367-374.

[13] 徐大海,朱 蓉,潘在桃.城市扩散模式与二氧化硫排放总量控制方法的研究 [J]. 中国环境科学, 1990,10(4):309-313.

[14] 徐大海,王 郁,朱 蓉.大气环境容量系数A值频率曲线拟合及其应用 [J]. 中国环境科学, 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] 吴 兑,廖国莲,邓雪娇,等.珠江三角洲霾天气的近地层输送条件研究.应用气象学报, 2008,19(1):1-9.

[19] 廖碧婷,吴 兑,陈 静,等.灰霾天气变化特征及垂直交换系数的预报应用.热带气象学报, 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] 张恒德,张碧辉,吕梦瑶,等,北京地区静稳天气综合指数的初步构建及其在环境气象中的应用[J]. 气象, 2017,43(8):998-1004.

[22] 徐大海,朱 蓉.大气平流扩散的箱格预报模型与污染潜势指数预报[J]. 应用气象学报, 2000,11(1):2-12.

[23] 朱 蓉,徐大海,孟燕君,等.城市空气污染数值预报系统CAPPS及其应用[J]. 应用气象学报, 2001,12(3):267-278.

[24] 张 恺,徐大海,朱 蓉,等. CAPPS多箱模式中光化学模式的嵌套与城市大气臭氧数值预报 [J]. 应用气象学报, 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 制定地方大气污染物排放标准的技术方法 [S].

[27] 赵德山,徐大海,李宗恺,等.城市大气污染总量控制方法手册[M]. 北京:中国环境科学出版社, 1991:104.

[28] 程念亮,李云婷,张大伟,等.2014年APEC期间北京市空气质量改善分析 [J]. 环境科学, 2016,37(1):66-73.

[29] 李 健,安俊岭,陈 勇,等.脱硝技术与天然气应用情景下京津冀地区空气质量模拟评估 [J]. 气候与环境研究, 2013,18(4):472-482.

致谢：感谢浙江省气候中心张小伟高工帮助编制了动力延伸气候预测模式DERF2.0与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,研究员,硕士,主要从事大气边界层气象、大气湍流扩散和中尺度数值模拟研究.发表论文40余篇.

2018-03-26

大气重污染成因与治理攻关项目(DQGG0302)

* 责任作者, 研究员, rongzhu@cma.gou.cn