2014年1月济南市空气污染气象条件分析

孙凤娟 ，吕波，张文娟，李敏，王桂霞，付华轩

(1. 山东省济南生态环境监测中心，山东 济南 250002; 2. 山东省生态环境监测中心，山东 济南 250101)

济南市作为省会城市，位于山东省中西部，南依泰山，北跨黄河，背山面水，地处鲁中南低山丘陵与鲁西北冲积平原的交接带上，地势南高北低，呈浅碟状，特殊的地形条件导致其空气质量状况受气象条件变化影响显著。济南是全国74个重点城市中空气污染最为严重的城市之一，由于经济高速发展，能源、交通(特别是城市汽车尾气)规模的扩大、城市人口的膨胀、大型工业开发区的发展等人为活动使污染物排放量不断增加，污染范围不断扩大，城市环境呈现出典型区域性大气复合污染特征，细颗粒物(PM2.5)污染日益突出[1-3]。

不同的气象条件下，同一污染源排放造成的大气污染物浓度可相差几十至几百倍，这正是由于大气对污染物的扩散能力伴随气象条件的不同而发生巨大变化[4]。张人禾等[5]通过对2013年1月中国中东部地区雾霾与气象条件分析，发现大气环流背景对雾霾天气在中国东部发生、发展存在重要影响；缪育聪等[6]通过对京津冀地区霾成因机制研究，发现局地大气环流对局地的污染过程存在重大影响；龙凤翔等[7]对桂林城区大气能见度与颗粒物浓度和气象因子关系进行了分析，利用统计回归模型，发现通过区分不同季节，大气能见度回归拟合公式在实际检验中效果较好。但是，目前针对山东省尤其是污染较重的中西部城市空气污染气象条件的研究较少。2014年1月我国中东部大部分地区出现雾或霾天气，与常年同期相比，霾日数偏多10 d以上，全国平均气温较常年偏高，平均降水量偏少，山东西部基本无降水[8]，污染气象条件差。本文拟利用大气环流背景、气象因子以及PM2.5浓度，分析山东省中西部大气环流背景对空气污染扩散的影响，建立济南市静稳指数公式，从而为空气污染预报预警及污染防治工作提供重要科学依据。

1 资料与方法

1.1 资料数据

本研究使用的资料如下：(1)美国国家环境预测中心和国家大气研究中心(NCEP/NCAR)日均再分析资料，时间范围从1971年1月—2014年12月，水平分辨率为2.5°×2.5°，垂直分辨率为17层[9]；(2)2014年1月山东省17地市(包括原莱芜市)PM2.5月均浓度监测数据及济南市PM2.5日均浓度数据；(3)NCEP提供的2014年1月FNL再分析资料，时间分辨率1日4次，水平分辨率为1°×1°，垂直分辨率为26层[10]；(4)欧洲中期天气预报中心(ECMWF)全球气候的大气再分析ERA5边界层高度资料，时间范围从1971年1月—2014年12月，水平分辨率为0.25°×0.25°[11]。

1.2 技术方法

利用NCEP再分析资料获得的1971—2010年40年1月份逐日资料，提取济南市市区气象资料，计算大气变量1月份气候态月均值及逐日气候平均值，与2014年1月份气象资料做对比分析，提取的气象资料包括：1000 hPa风场、2 m相对湿度、1000 hPa涡度、1000 hPa温度、行星边界层高度、850 hPa温度、700 hPa温度、500 hPa温度、200 hPa位势高度。

本文分析中，应用了相关分析等多种统计分析方法，以及两个天气业务预报中常用到的表征大气热力不稳定度的指数K指数和A指数[5]，计算公式分别为:

Κ=(Τ850-Τ500)+Τd850-(Τ700-Τd700)，

(1)

A=(Τ850-Τ500)-[(Τ850-Τd850)-(Τ700-Τd700)+(Τ500-Τd500)]，

(2)

式中，T850、T700、T500分别代表850 hPa、700 hPa、500 hPa温度，Td850、Td700、Td500分别代表850 hPa、700 hPa、500 hPa露点温度。K指数和A指数在实际天气业务预报中常用来判别大气稳定性，数值越大，大气层结越不稳定，而大气层结的稳定度，直接影响湍流的强弱，稳定状态的大气层结限制了污染物的垂直扩散[12]。

2 2014年1月气候异常及气象条件分析

2.1 2014年1月山东中西部污染情况

根据《2014年中国气候公报》[13]，2014年1月全国平均气温较常年同期偏高1.6 ℃。2013—2014年冬季，东亚冬季风强度指数为-0.6，东亚冬季风偏弱；西伯利亚高压指数为-0.4，强度偏弱；冬季东亚环流系统表现为欧洲东部至乌拉尔山西部地区高度场偏高，而贝加尔湖上空高度场偏低，东亚大槽浅。2014年全国平均风速较2013年小，小风日数多，气象条件不利于大气污染物扩散，共出现13次大范围持续性霾天气过程，主要集中在1月、2月、10月和11月。空间上看，京津冀、长三角、珠三角、华中、东北五个区域大气污染扩散气象条件均较2013年偏差，我国中东部雾、霾天气频繁，影响交通和人体健康。

2014年1月山东中西部地区PM2.5月均浓度均达到115 μg/m3以上，尤其是西北地区，月均浓度达到150 μg/m3以上(图1)，根据济南市环境空气质量自动监测数据，1月份PM2.5重度污染天数达到15 d，PM2.5污染严重。

图1 2014年1月山东省PM2.5月均浓度分布图Fig.1 Monthly average concentration distribution map of PM2.5 in Shandong Province in January 2014

2.2 2014年1月气候态异常情况分析

为了更好地分析造成2014年1月山东中西部地区污染严重的大气环流背景因素，图2给出了地面和850 hPa、500 hPa位势高度、温度、风速、风场40年距平场。

对于地面气象场(图2(a))，华东中部及北部风速负距平，负距平中心位于山东中西部至江苏北部，中国东部沿海出现风场异常偏南的狭长带；中国东部地区温度偏高，偏高中心位于京津冀地区，山东中西部偏高3～4 ℃。偏弱的风速不利于污染物扩散，偏南风异常表明能够带来空气质量明显好转的冷空气偏弱、偏少，同时异常偏高的温度有利于气态污染物向PM2.5的转化[14-15]。

850 hPa气象场上(图2(b))，阿留申低压偏高，西伯利亚高压偏低，东亚冬季风异常偏弱；华东及华南地区风速负距平，负距平中心由海上延伸至华东北部上空，山东至京津冀上空依然存在风场异常偏南的狭长带；中国东部气温均偏高，偏高中心位于京津冀、山西上空，山东中西部地区偏高3～4 ℃。东亚季风气候变化特征导致了近地面风速年代际和年际衰减[16]，大气稳定度增强，非常不利于气溶胶的向外输送；区域内对流层中低层出现异常南风，加强了水汽向中国东部地区的输送，为雾-霾天气的发生提供了有利的水汽条件；对流层低层偏高的温度及偏南风异常，导致暖平流发展，有利于逆温层形成[6]，而逆温的出现，使大气处于稳定状态，限制了污染物的垂直扩散，有利于PM2.5本地累积。

注：位势高度(红色等值线，实线正距平，虚线负距平)；温度(黑色等值线，实线正距平，虚线负距平)；风速距平(阴影)；风场距平(箭头)。图2 2014年1月位势高度、温度、风速、风场距平分布Fig.2 Geopotential height, temperature, wind speed, and wind field moment distribution in January 2014

500 hPa气象场上(图2(c))，中国大陆上空存在位势高度正距平，东部沿海地区风场出现偏东异常，风速负距平，抑制了东亚大槽的发展，不利于槽后冷空气向中国东部地区入侵[5]，相应的高空西风急流减弱，使得水平风垂直切变减小，减弱了天气尺度扰动的发展和大气的垂直混合，造成大气更加稳定，污染物扩散条件减弱。为了揭示大气背景场垂直方向的扩散能力，图3给出了2014年1月中国中东部地区边界层距平分布情况，由图可以看出华北南部及华东北部边界层均为负距平，边界层降低导致大气层结更加稳定，垂直方向上扩散能力减弱。

图3 2014年1月中国中部及东部地区边界层距平分布Fig.3 Boundary layer distribution in central and eastern China in January 2014

地面至对流层中层风速负距平，水平方向污染扩散条件转差；对流层低层偏南风异常，导致暖平流增多，有利于逆温层形成，同时500 hPa异常高压，抑制了对流的发展，大气垂直方向上扩散能力减弱，更加有利于污染物在底层的累积；偏南风异常加强了南方水汽的输送，有利于PM2.5的生成。而山东中西部地区恰好位于风速、风场异常距平中心，污染气象条件尤为不利。

2.3 2014年1月气象条件分析

日常观测中发现，PM2.5在环境中的浓度除了和各类排放源有关外，还和区域内的气象要素诸如风向、风速、湿度等紧密相关[17]，本节提取FNL分析资料中地面水平方向及高空垂直方向气象资料，通过与PM2.5浓度变化关系，进一步分析气象条件对环境空气质量状况的影响。

2.3.1 地面水平方向气象条件同PM2.5浓度关系

地面风速、温度露点差、2 m相对湿度及涡度与PM2.5浓度具有较好一致性(图4)，PM2.5浓度升高时，对应地面风速减弱、温度露点差减小、相对湿度增大、涡度增大，反之亦然。利用逐日地面风速、温度露点差、2 m相对湿度、涡度分别计算其与逐日PM2.5浓度的相关系数，PM2.5浓度与地面风速有较好的负相关，与地面涡度有较好的正相关，相关系数分别为-0.426、0.451，显著性均超过了0.05的信度水平(表1)；与地面温度露点差存在强负相关，与2 m相对湿度存在强正相关，相关系数分别为-0.654、0.719，显著性均超过了0.01的信度水平。

图4 2014年1月济南市PM2.5浓度及地面风速、温度露点差、2 m相对湿度及涡度逐日变化Fig.4 Daily changes in PM2.5 concentration and surface wind speed, temperature dew point difference, relative humidity, and vorticity at 2 m in Jinan in January 2014

表1 地面气象因素与PM2.5浓度相关性

地面风速与PM2.5浓度负相关关系表明，区域内地面风速可通过水平输送对PM2.5浓度产生影响。当地面风速偏小时，不利于区域内PM2.5向外输送，PM2.5浓度累积升高，空气质量恶化；反之，当地面风速偏大时，有利于区域内PM2.5向外输送，PM2.5浓度降低，空气质量改善。温度露点差与PM2.5浓度强负相关关系及2 m相对湿度与PM2.5浓度强正相关关系表明，高湿度的环境条件容易导致PM2.5累积和吸湿增长。地面涡度与PM2.5浓度正相关关系表明，当地面为正涡度时，风场辐合，有利于PM2.5区域内累积，PM2.5浓度累积升高，空气质量恶化；反之，当地面涡度减小或为负涡度时，风场辐合减弱或为辐散场，有利于PM2.5向区域外扩散，PM2.5浓度降低，空气质量改善。

2.3.2 高空垂直方向气象条件同PM2.5浓度关系

行星边界层高度、200 hPa位势高度、200 hPa与850 hPa垂直风切变、K指数、A指数与PM2.5浓度具有较好一致性(图5)，PM2.5浓度升高时，对应行星边界层高度降低、200 hPa位势高度升高、垂直风切变增大、K指数增大、A指数增大，反之亦然。利用逐日行星边界层高度、200 hPa位势高度、200 hPa与850 hPa垂直风切变、K指数、A指数分别计算与逐日PM2.5浓度的相关系数，PM2.5浓度与行星边界层高度有较好的负相关，与200 hPa位势高度有较好的正相关，相关系数分别为-0.521、0.458，显著性均超过了0.01的信度水平(表2)；与垂直风切变、K指数、A指数存在正相关关系，相关系数分别为0.277、0.357、0.313，其中与K指数显著性超过了0.05的信度水平。

图5 2014年1月济南市PM2.5浓度及行星边界层高度、200 hPa位势高度、 200 hPa与850 hPa垂直风切变、K指数、A指数逐日变化Fig.5 Daily changes in PM2.5 concentration and planetary boundary layer height, 200 hPa geopotential height, 200 hPa and 850 hPa vertical wind shear, and K index and A index in Jinan in January 2014

表2 垂直方向气象因素与PM2.5浓度相关性

行星边界层高度与PM2.5浓度负相关关系表明，区域内行星边界层高度可通过垂直扩散对PM2.5浓度产生影响。当行星边界层高度下降时，垂直方向出现压缩导致PM2.5浓度升高，空气质量恶化；反之，当行星边界层高度升高，垂直方向出现拉伸导致PM2.5浓度降低，空气质量改善。200 hPa位势高度与PM2.5浓度正相关表明，由于地转偏差，区域内200 hPa位势高度可通过影响垂直运动对PM2.5浓度产生影响。垂直方向上对流层中上层位势高度升高，处于槽后脊前，高层辐合，则低层辐散，存在下沉运动[18]，边界层降低，垂直扩散能力减弱，PM2.5浓度升高，空气质量恶化；反之，垂直方向上对流层中上层位势高度降低，处于槽前脊后，高层辐散，则低层辐合，存在上升运动，边界层升高，垂直扩散能力增强，PM2.5浓度降低，空气质量改善。与K指数、A指数正相关关系表明，区域内对流层中低层大气层结稳定性对PM2.5浓度有影响。对流层中低层大气层结的不稳定性增强时，容易形成阴雨天气，近地面附近湿度增大，气态污染物向颗粒态污染物转换增强，同时，虽然阴雨天气对流层中低层存在较强的层结不稳定能量，但近地层大气中，降水的拖曳以及其他的过程会形成下沉气流，不利于PM2.5的扩散[19-21]；反之，对流层中低层大气层结的不稳定性减弱时，相对湿度减小，气态污染物向颗粒态污染物转换减弱，PM2.5浓度降低，空气质量改善。

3 静稳指数建立及应用

3.1 静稳指数建立

以上分析表明，地面及高空气象条件与PM2.5浓度高低存在较强相关性。本文选取2013年济南市PM2.5浓度与气象要素[22]，分段统计不同气象要素区间PM2.5发生污染的概率与气候态发生污染的概率比值作为各气象要素区间对应的分指数。分指数计算如下：

(5)

式中，ain代表气象要素i在第n分段对应的PM2.5污染天数，bin代表变量i在第n分段对应的PM2.5优良天数；a代表PM2.5总污染天数，b代表PM2.5总优良天数，气象要素区间划分为10段，其中风向划分为8段。

用于计算静稳指数的变量如表3所示。

表3 计算静稳指数的气象要素

通过计算得到各气象要素分指数，按照其最大值和最小值比值进行排序，比值越大代表该分指数对大气扩散条件的区分度越大，最终选取分指数最大的10个气象要素，包括24 h变温、925 hPa假相当位温、700 hPa与925 hPa间温差、500 hPa与850 hPa间假相当位温差、850 hPa与925 hPa间温差、500 hPa相对湿度、925 hPa相对湿度、700 hPa与850 hPa间相对湿度差、500 hPa温度、850 hPa温度，将其求和得到最终的静稳指数。

2013年静稳指数与PM2.5浓度存在较好的相关性(图6)，相关系数达到0.550，该指数能够较好地反映PM2.5浓度变化情况。

图6 2013年济南市PM2.5浓度与静稳指数分布Fig.6 PM2.5 concentration and stable index of Jinan in 2013

3.2 静稳指数应用

2014年1月5—7日，济南市出现了一次重污染过程，PM2.5浓度4日起迅速上升，6、7日达到严重污染水平，8日，污染迅速消散。本次过程是一次典型的冬季污染过程：4日，500 hPa济南市处于脊前下沉气流区，扩散条件开始转差；5日近地面弱冷空气影响，相对湿度增大，污染开始累积，PM2.5浓度开始上升；6、7日高空环流平直，近地面持续小风，相对湿度大，扩散条件迅速转差，PM2.5扩散条件进一步转差、二次转化增强，达到严重污染水平；8日，500 hPa槽后西北气流，近地面强冷空气影响，北风风速大，相对湿度下降，扩散条件好转，PM2.5浓度迅速下降。

图7给出了2014年1月1—8日济南市PM2.5浓度与静稳指数变化图，可看出静稳指数与PM2.5浓度变化有较好的一致性，利用静稳指数能够较好地反映此次污染过程前期累积、污染持续及污染迅速消散的不同阶段，对于空气质量及重污染过程具有较好的预报能力。

图7 2014年1月1—8日PM2.5浓度(红色)与静稳指数(蓝色)Fig.7 PM2.5 concentration (red) and stable weather index (blue) from January 1 to 8,2014

3 结论与讨论

(1)2014年1月气候异常区域主要集中在华东北部至华北南部，该区域地面至对流层中层风速均为负距平，水平方向污染扩散能力差；对流层低层东亚冬季风异常偏弱，有利于逆温层形成，垂直方向污染扩散能力差；500 hPa异常高压，减弱了天气尺度扰动的发展和大气的垂直混合，更加有利于污染物在底层的累积；偏南风异常加强了南方水汽的输送，有利于气态污染物向颗粒态转化。而山东中西部地区恰好位于风速、风场异常距平中心，污染气象条件尤为不利。

(2)地面弱风速、高湿环境、风场辐合以及垂直方向上的下沉运动，导致PM2.5浓度累积升高；反之，高风速，低湿，风场辐散及垂直方向上的上升运动，有利于PM2.5扩散。

(3)针对2014年1月5—8日济南市一次重污染过程的静稳指数预报表明，静稳指数与PM2.5浓度变化具有较好的一致性，利用静稳指数能够较好地反映此次污染过程前期累积、污染持续及污染迅速消散的不同阶段，对于空气质量及重污染过程具有较好的预报能力。

本文只是对 2014 年1月济南市一个城市的PM2.5污染情况进行分析，没有涉及历史事件的诊断，同时研究未考虑污染源变化情况，因此，进一步利用长时间气象资料，结合污染源排放变化，开展不同城市间PM2.5浓度变化与气象条件关系研究，对区域重污染天气分析、预报和大气污染联防联控具有重要的意义，我们将在下一步的工作中对此开展研究。