2019年秋冬季京津冀与周边地区污染传输特征分析

白伟超,王晓琦*,程水源**,张智答,齐 鹏,关攀博,陈颢元

2019年秋冬季京津冀与周边地区污染传输特征分析

白伟超1,王晓琦1*,程水源1**,张智答1,齐 鹏1,关攀博2,陈颢元3

(1.北京工业大学环境与生命学部,区域大气复合污染防治北京市重点实验室,北京 100124；2.中国船舶重工集团有限公司第七一四研究所,北京 100101；3.中国科学院大气物理研究所,大气边界层物理与大气化学国家重点实验室,北京 100029)

本研究结合大气环境观测数据,应用潜在源分析法(PSCF)和浓度权重轨迹分析法(CWT),以及基于WRF-CMAQ模式的传输矩阵和传输通量计算方法,研究分析了2019年秋冬季京津冀典型城市的大气污染特征与成因,量化评估了京津冀地区与周边省份之间的PM2.5传输贡献.结果表明,京津冀地区冬季较秋季污染严重,且重污染时段PM2.5浓度均与相对湿度呈显著的正相关,和风速呈显著的负相关;京津冀典型城市北京、天津和石家庄的潜在源区主要分布在京津冀本地、山西、内蒙古中部地区和山东地区,这与CWT结果基本吻合.京津冀各省域的PM2.5以本地排放贡献为主,北京、天津和河北的本地贡献率范围为54.33%～66.01%,京津冀受区域外传输的贡献率范围为0.11%～26.54%.传输通量结果表明,冬季PM2.5的传输主要受高空西北气流的作用,尤其清洁天气,高风速驱动清洁气团流入;秋季则主要受低空东南气流作用;传输通量呈现出显著的垂直分布特征,高空区域传输作用更为活跃,传输通量的流入/流出以及垂直分布与污染级别和RH呈现非线性响应关系,主导风向变化导致重污染前的传输效应明显大于重污染期间,高湿环境的传输效应明显小于低湿环境.

潜在源贡献分析法(PSCF)；浓度权重轨迹分析法(CWT)；WRF-CMAQ；传输贡献；传输通量；PM2.5

研究表明区域传输对PM2.5污染的形成、积累和扩散起着至关重要的作用[1].所以采取一套系统性的方法探究区域传输规律,厘清区域间相互影响程度,对症下药,对我国的区域联防联控政策的制定非常必要,这将为促进我国各个地区协同发展提供理论依据.

李颜君等[2]利用后向轨迹聚类分析、潜在源贡献分析法(PSCF)和浓度权重轨迹分析法(CWT)分析了北京地区大气颗粒物输送路径和潜在源区,结果显示北京颗粒物潜在源区主要分布在冀南、鲁西、豫北、晋和蒙西地区.薛文博等[3]利用WRF-CAMx模拟了全国31个省市的空气质量并分析重点区域省市间的传输矩阵,结果表明跨区域传输对重点区域、省及京津冀典型城市的PM2.5污染均有显著贡献,其中京津冀、长江三角洲、珠江三角洲区域及成渝城市群PM2.5年均浓度受区域外省市的贡献分别达到22%、37%、28%、14%;海南、上海、江苏、浙江、吉林、江西等PM2.5年均浓度受省外源贡献超过45%;北京、天津、石家庄PM2.5年均浓度受市域外源影响分别达到37%、42%、33%.Zhang等[4]基于WRF-CAMx模型研究了华北平原PM2.5跨区、跨市、跨区输送通量时空特征,结果表明高离地层通量强度与低离地层通量强度的演变规律相似,高离地层通量强度约为低离地层通量强度的2倍.张智答等[5],对京津冀典型城市秋冬季的PM2.5输送特征进行研究,结果表明城市间的污染传输对于污染的产生占有一定的比重.Miao等[6]对太原市重污染期间的PM2.5进行来源解析,结果显示临汾地区是污染物的潜在源区之一,且污染物受到盆地地形影响,从山西南部向中部传输.此外,Li等[7]对北京市冬季重污染期间的PM2.5进行源解析发现,山西中南部对北京地区存在污染物区域传送.

京津冀及周边等重点区域已建立了联防联控工作机制,污染问题治理已初见成效,但是京津冀整体污染状况仍需不断改善,科学评判PM2.5多尺度污染跨界输送规律是重要的前提之一.本研究基于地面观测数据,结合PSCF、CWT和数值模拟技术,获得了多种技术方法交互验证的传输结果,从定性和定量两个角度,揭示了污染物跨区域输送与污染物浓度不同等级情况下的响应关系,并利用通量计算方法,探究京津冀与周边省份近地面、高空等多尺度在水平方向污染物传输效应,可为秋冬季区域大气污染联防联控提供理论参考.

1 数据和方法

1.1 数据来源

后向轨迹模式采用的气象数据来自美国国家环境预报中心(NECP)提供的全球资料同化系统(GDAS).PM2.5质量浓度数据来自中国空气质量在线监测分析平台(https://www.aqistudy.cn/ historydata),用于京津冀大气污染特征研究与模型模拟结果验证.北京、天津和石家庄的温度、相对湿度和风速等常规气象数据来自中国气象局发布的MICAPS气象数据.WRF模型需要的初始背景场和边界条件采用美国国家环境预报中心(NCEP)提供的6h,1°×1°分辨率的全球对流层分析数据.CMAQ模式所需的大气污染源排放清单物种主要包括SO2、CO、NO、NH3、VOCs、PM2.5和PM10等污染物,其中京津冀地区采用课题组自下而上建立的高分辨率污染源排放清单,京津冀以外地区采用清华大学MEIC排放清单.

1.2 空气质量模型设置与验证

1.2.1 模型设置 模拟时段为2019年1月和10月,分别作为冬季和秋季的代表月,空气质量模型采用美国环保署(EPA)开发的CMAQ v5.0.2,气象化学机制为CB05,气溶胶化学为机制为AERO5[8].CMAQ模式采用Lambert投影坐标系,中心经纬度坐标37.00°N,112.40°E,设置两层嵌套,分辨率分别为36km×36km和12km×12km,如图1所示.其中第一层(Do1)覆盖中国东部和中部大部分地区,第二(Do2)覆盖京津冀、山西省、河南省以及内蒙古大部分地区.CMAQ模型所需要的气象场由中尺度数值气象模式WRF提供[9],WRF和CMAQ模型采用相同的空间投影坐标系,陆面过程、边界层方案[10]等参数见表1.

图1 模拟区域嵌套示意

1.2.2 模型验证 选取京津冀典型城市北京、天津、石家庄秋冬季的污染物与气象观测数据,将模式模拟出的PM2.5浓度、气象要素(包括距离地面2m的温度(2)、相对湿度(RH)、和距离地面10m的风速)与观测数据进行对比分析,由表2可知,WRF模型能较好地模拟3种气象要素的时间演变特征,模拟值与观测值均体现了较高的正相关性,COR均高于0.60.其中,2模拟效果最好,COR均在0.7以上,NMB为-0.98%～0.56%,NME为0.35%～1.63%,其中石家庄2的模拟效果COR能达到0.85以上;RH模拟值低于观测值,存在小范围低估,且其NMB和NME的模拟偏差较2要大,NMB为-18.65%～-5.36%,NME为12.35%～25.26%;风速的COR为0.62～0.72,NMB为26.35%～48.62%,NME为35.88%～56.52%,模拟值高于观测值,存在小范围高估.从CMAQ模型模拟出的PM2.5效果可以看出,3个城市的PM2.5浓度模拟值与观测值均体现了较好的一致性,COR均高于0.63, NMB为-26.38%～-5.34%,NME为12.15%～43.23%,误差在合理范围内,模型可信度较好.

表1 WRF参数化方案

表2 模拟值与监测值统计指标对比

1.3 潜在源贡献分析法

选取京津冀典型城市北京、天津、和石家庄为目标城市2019年秋冬季代表月份10月和1月份为研究时段,PM2.5质量浓度大于75μg/m3作为标准.纬度设置范围为30°～50°N,经度设置范围为100°～ 125°E,分辨率为0.5°×0.5°.为了消除不确定性,将PSCF值与权重系数相乘,权重系数确定公式如下.

式中:为污染轨迹端点数;为网格(,)内所有轨迹端点数.区域内PSCF值越高,说明该区域是高潜在污染源区.然而,PSCF值较低的区域并不一定代表该区域内排放量较低,可能由于该区域排放量没有传输到观测位置[11].

1.4 浓度权重轨迹分析法

运用浓度权重轨迹分析法(CWT)可以将气象轨迹停留时间与污染物浓度结合来追溯对观测点污染贡献并反映不同轨迹的污染程度[12],计算公式下.

1.5 传输通量计算

采用WRF-CMAQ模型模拟研究区域内的气象场与空气质量,并在垂直方向上设置成相同的层数,将垂直截面离散化为多个网格单元,选取地表以上10层高度(1261m)作为垂直空间传输通量研究范围,具体方法参照Zhang等[4]的方法.本研究通过提取与京津冀接壤区域行政边界附近网格对应高度层PM2.5浓度和风场,而后根据网格与行政边界位置关系对风矢量和的正负进行研判(向上进入目标区域正,向右进入目标区域为正),计算1261m以内不同离地高度PM2.5传输通量的垂直分布特征[15].从周边省份传输至京津冀的通量为正值,即流入通量;从京津冀传输到周边省份的通量为负值,即流出通量;流入通量与流出通量的矢量和代表PM2.5净传输通量[16].传输通量计算公式如下:

式中,Flux为PM2.5传输通量(t/d);为垂直方向研究的最高层,为两个毗邻城市的边界线(无量纲);为模拟网格分辨率(km);H为和+1层之间的高度差(m);为PM2.5浓度(μg/m3);为风向(°)和风速(m/s);为通过垂直截面的法向量(无量纲).

2 结果与讨论

2.1 研究区域污染状况及气象分析

以京津冀典型城市秋冬季PM2.5观测浓度均值来表征城市污染水平,其中2019年北京市冬、秋季PM2.5平均浓度分别为(52.1±45.7)和(40.0±34.3) μg/m3,天津市为(83.1±65.1)和(49.9±33.2)μg/m3,石家庄市为(147.5±87.1)和(51.1±30.8)μg/m3.整体而言,3个城市1月份的PM2.5浓度普遍高于10月份且北京市的空气质量较其他两个城市要好.北京、天津和石家庄超过国家二级标准的天数分别为6、12和25d,中度以上污染天数分别为3、6和18d,石家庄地区的污染最为严重,重污染天数高达12d.且3个城市秋冬季浓度曲线趋势较为相似,3个城市冬季PM2.5浓度的相关性系数为0.86(北京-天津)、0.86(北京-石家庄)、0.75(天津-石家庄),秋季PM2.5浓度相关性为0.91(北京-天津)、0.74(北京-石家庄)、0.81(天津-石家庄),秋冬季均呈现了较强的正相关性,说明区域性是京津冀地区大气污染的主要特征之一[17-18].

如图2所示,重污染发生前期,随着相对湿度的攀升,PM2.5浓度也逐渐增大;相对湿度继续增大,污染物吸湿增长,不断积累,随后PM2.5浓度达到峰值出现重污染[19];可见相对湿度与PM2.5浓度在非降水阶段呈现显著的正相关,研究表明,相对湿度决定了大气中非均相反应的速率从而影响二次无机盐类譬如硝酸盐、硫酸盐的生成,因而可以推测二次转化是重污染形成的重要机制[20-21].

如图3所示,1月份3个城市的主导风向都为北风或者北风偏西,而污染时段北京和石家庄多为西南和东南风,天津多为西南风,10月份天津和石家庄主导风向分别变为东南风和东北风,而重污染时段天津风向多为东南风,石家庄多为西北风和西南风.重污染时段3个城市的上风向地区多为污染较为严重的地区,且较重污染时段的风速多为小于2m/s的静小风,而风速较大的时段,PM2.5浓度都较低,进一步证明风速与污染物存在显著的负相关性,风是影响区域传输和污染的重要因素.

2.2 PM­2.5传输贡献分析

2.2.1 PSCF和CWT分析 如图4所示,冬季主要受来自西北方向的长距离气团的影响,且在接近目标区域前均有明显的下沉趋势,其次为京津冀本地近距离气团的影响;秋季主要受到来自西南方向的短距离气团的影响.聂赛赛等[22]在石家庄市大气污染物的季节性时空特征及潜在源区研究中得到后向轨迹高度变化分析,轨迹48～32h以800～1000m高空传输为主,之后逐渐下沉到近地面回流到石家庄,形成螺旋状结构.石家庄市冬季PM2.5来自内蒙古途径山西的两条西北向的污染频率最大.王琰玮等[23]对不同季节天津市PM2.5潜在源区及传输路径进行分析,结果表明,冬季来自西方向蒙古国以及我国内蒙古自治区中东部、京津冀西北部的气团占较大比例.钤伟妙等[24]人对石家庄大气污染物输送通道及污染源区研究中对大气污染输送通道的垂直分布特征表明,低层多以近距离输送为主,1500m高度以上多为远距离输送.可见冬季高海拔地区远距离水平传输在下沉气团作用下会对京津冀地区造成一定的影响,而秋季则以近距离水平传输为主.

如图5所示,3个城市秋冬季主要潜在源区分布较为一致,且冬季秋季分布范围更广,强度更大,说明京津冀地区污染呈现一定的区域性[25].石家庄较北京和天津地区潜在源区的分布范围更广,最为集中且贡献最为显著.其中冬季北京和天津地区的PSCF较大值分布在本地、河北省的北部地区(如保定、张家口)、山西北部(大同)以及内蒙古中部地区;石家庄地区的PSCF较大值分布在石家庄本地、河北省的南部地区(如邢台、邯郸),PSCF值高于0.9,西南路径上的衡水、沧州、山西北部(如大同、阳泉)、河南的北部地区(如三门峡、洛阳)以及内蒙古中部地区(呼和浩特)的PSCF值高于0.7.秋季较冬季相比,潜在源区明显缩小,北京和天津PSCF高值分布在河北南部和山东北部地区.石家庄地区的PSCF高值主要分布在山西南部、河南北部和内蒙古部分区域.

图4 北京、天津和石家庄秋冬季代表月份的后向轨迹聚类分析

Fig.4 Backward trajectory clustering analysis of autumn and winter representative months in Beijing, Tianjin and Shijiazhuang

PSCF方法只可反映各网格内污染轨迹占轨迹总数的比例,但无法反映该网格对各站点区域PM2.5浓度的贡献程度[26-27].CWT方法可计算每个网格的平均权重浓度,得到潜在源区的污染贡献水平,如图6所示,地区冬季北京PM2.5浓度外来贡献主要是河北西北部和内蒙古地区;天津受西南路径上河北省南部(如石家庄、衡水、廊坊)影响最大,CWT值高达90μg/m3以上;石家庄的CWT高值主要在河北的南部地区(邯郸、邢台)、山西中部(晋中、运城、临汾)以及内蒙古部分地区(呼和浩特)的CWT值高达100μg/m3以上.而秋季的CWT值较冬季普遍偏低,北京和天津的CWT高值主要在河北省南部和山东北部地区;石家庄的CWT高值主要在河北的南部地区(邯郸、邢台),CWT值高达60μg/m3以上,山西和河南北部对其贡献其次.

结合PSCF和CWT分析结果,可以发现两种方法结果基本吻合,京津冀地区PM2.5质量浓度的外来主要潜在源区为内蒙古中部、山西北部、河南北部地区以及山东西北部分地区.

2.2.2 PM2.5传输矩阵 进一步利用Brute-Force情景分析法[28]得到2019年京津冀地区各省域PM2.5本地排放和区域外传输贡献率和贡献浓度矩阵.秋冬季京津冀各省域的PM2.5以本地排放贡献为主,冬季北京、天津和河北省的本地贡献率分别是63.61%、60.90%和66.01%,秋季分别为56.74%、54.33%和61.80%,冬季的本地贡献高于秋季.京津冀受区域外传输的贡献率范围为0.11%～10.14%(表3).

表3 京津冀地区省域传输贡献(%)

北京和天津的PM2.5浓度受本地贡献显著,这主要是由于冬季采暖燃煤等原因导致各项污染物排放量增加;另外,冬季稳定的大气层、低风速、多重或单层逆温等不利气象条件,使得本地污染物浓度持续积累,最终导致本地贡献较大[29].其次是受河北地区的传输贡献率为20.49%、21.22%,这是由于北京和天津紧邻河北省,受上风向城市和高污染排放城市传输贡献影响,导致河北地区对其传输贡献率较高.北京地区冬季受到内蒙古和山西的贡献率分别为6.11%和2.43%,主要是由于冬季季风的影响.天津冬季受到内蒙古的传输贡献为3.22%.而秋季北京和天津除本地贡献之外,主要受河北省的传输贡献分别为25.31%和26.54%,区内传输对其影响较为显著.区外传输以山东省传输贡献为主,分别为5.27%和7.25%;其中山东对天津的传输贡献值较大是因为在东南风的影响下,形成的跨海传输作用影响.

相比之下,河北省冬季受内蒙古的区域传输贡献率高达9.23%,一方面是跟河北省北部边界与内蒙古接壤的特殊地理位置有关[30],另一方面京津冀与内蒙古交界处城市(张家口、承德)本地排放水平较低,受冬季季风气候的影响,河北省北部地区受内蒙古传输贡献较高;冬秋季受到山西省的传输贡献均较大分别为6.11%和4.42%,这是由于与河北省接壤的山西地区人口密度大,工业水平发达,重工业城市较多,污染物排放量大,PM2.5质量浓度水平较高造成的.受季风影响秋季河北省受到山东的传输贡献高达9.02%.综上所述,京津冀地区的PM2.5浓度以本地贡献为主,相邻区域的相互传输影响比较显著,其中冬季受周边省份传输贡献影响最大的为内蒙古和山西省,秋季对京津冀传输贡献最大的为山西和山东,与PSCF和CWT结果较为吻合.综上所述,京津冀秋冬季PM2.5污染受本地排放和外来输入双重影响[31],重点治理本地排放同时还要加强区域之间的联防联控.

2.3 PM­2.5传输通量分析

2.3.1 京津冀与周边省份传输通量分析 如图7所示,整体而言,冬季京津冀与山西和内蒙古交界在离地0～1261m净通量值均为正,通量强度范围分别为166.42～947.56和100.49～1007.44t/d,京津冀与山东和渤海湾交界处在离地0～1261m净通量值均为负,通量强度范围分别为-12.18～-521.73和-80.30～ -357.78t/d,京津冀与河南交界处在离地0～459m净通量近乎为零(-0.21～8.15t/d),离地459m以上均为负值,通量强度范围分别为-11.34～-146.29t/d,说明冬季PM2.5由山西和内蒙古流入京津冀,而由京津冀流出向山东和渤海湾,并在459m以上京津冀输出向河南.秋季京津冀与山西交界在离地0～1261m净通量值均为正,通量强度范围分别为105.49～735.11t/d,说明山西向京津冀输入的PM2.5质量大于京津冀向山西输出的质量;京津冀与内蒙古和渤海湾交界处在离地0～1261m净通量值均为负,通量强度范围分别为-17.12～-510.46和-32.60～-249.36t/d,京津冀与山东交界处在离地0～97m净通量近乎为零,离地97m以上均为正值,通量强度范围分别为30.34～ 219.45t/d;京津冀与河南交界处在离地0～252m净通量近乎为零,离地252m以上均为负值,通量强度范围分别为-9.19～-86.64t/d,说明秋季PM2.5由山西和山东97m以上高空流入京津冀,而由京津冀流出向内蒙古和渤海湾,并在252m以上高空由京津冀输出向河南.这主要是因为受冬季西伯利亚高原的影响[32],低空和高空均盛行较强的西北风,而秋季盛行东南季风[33].无论秋冬季,总通量强度随高度增高而增大.可见高空的传输活动水平较地面要更为显著,主要是由于高空风速较大造成区域传输强度较大.综上所述,京津冀地区冬季主要防范来自山西的污染传输,如前文所述同时受下沉气流作用,高海拔地区的远距离传输对其具有一定的影响,秋季则以山西和山东为主.可见大气污染区域传输是空气污染的不可忽略的因素,加强区域之间的联防联控,才能有效的改善空气质量.

图7 京津冀秋冬季PM2.5传输通量的垂直分布

2.3.2 不同污染等级的传输通量分析 将京津冀地区的PM2.5浓度分为4个等级优(0～35μg/m3)、良(35～75μg/m3)、轻中度(75～150μg/m3)和重度及以上(>150μg/m3),秋季由于污染较轻为3个等级,如图8和图9所示,不同污染天气状况下,净通量和总通量的垂直变化特征基本保持一致,且随着离地高度的增加呈波动递增趋势,可见无论何种污染天气情况,高空的传输作用较近地面都更加显著;以冬季京津冀-山西为例,冬季流入通量随等级变化大小顺序为轻中度(223.37～1104.91t/d) >良(203.99～1114.38t/d) >优(119.22～1003.09t/d) >重度及以上(217.09～547.50t/d),秋季流入通量随等级变化大小顺序为轻中度(223.37～1104.91t/d) >良(203.99～1114.38t/d) >优(119.22～1003.09t/d),京津冀与其他地区不同污染等级下的传输通量变化规律类似.由此可见流入通量随污染等级增大而增大,而重污染及以上又急剧减小且小于其他3个等级,即重污染前的区域污染传输效应明显大于重污染期间.总通量在不同浓度等级下均有高值出现,但是原因不尽相同,污染严重的情况下由于PM2.5浓度值较大,而清洁天气是因为风速较大造成.说明区域传输作用对区域空气质量的作用并非总是负向的[34],由于高浓度污染物造成的传输通量的高值,会加大区域污染程度;而在污染物浓度较低,扩散条件较好时,区域间大气的对流活动有助于区域内污染物的快速清除[6].

2.3.3 不同相对湿度(RH)下的传输通量分析 将RH分为低(0～40%)、中(40%～60%)、高(>60%)3个等级,不同等级下传输通量变化如图10所示,整体而言,不同等级下净通量和总通量的垂直变化特征基本保持一致,且随着离地高度的增加呈波动递增趋势.以冬季京津冀-山西为例,不同等级下总通量大小顺序为低(233.65～1156.66t/d)>中(265.05～ 1148.92t/d)>高(244.02～665.22t/d),而不同等级下输出通量变化不大,流入通量随等级变化大小顺序为低(197.19～1053.64t/d)>中(220.28～1084.94t/d)>高(217.09～629.14t/d),京津冀与其他地区不同RH等级下的传输通量变化规律类似.由此可见,RH低的天气下传输活动水平最大,中等湿度下净通量的值最大,可能是由于中湿度下扩散条件不及低湿度条件,但是中湿度PM2.5浓度较大造成,而高湿环境传输活动水平显著下降,且多对应静稳天气[37],造成流入通量值明显小于低湿和中湿条件,即高湿环境下传输影响效应显著低于低湿环境.

由于本研究未考虑湍流和城市下垫面对通量的影响,后续将加强这方面的研究.

3 结论

3.1 京津冀地区冬季主要潜在源区为内蒙古中部、山西北部以及河南北部地区,秋季主要分布在山西地区、山东北部和河南东北部.京津冀地区秋冬季PM2.5以本地排放贡献为主,北京、天津和河北本地贡献率为54.33%～66.01%;外来传输贡献范围为0.11%～26.54%.

3.2 识别出京津冀地区与周边边界处冬季PM2.5沿内蒙古→京津冀→山东和山西→京津冀→渤海湾,秋季沿山东→京津冀→内蒙古和山西→京津冀→渤海湾的传输走向;且传输通量呈现出显著的垂直分布特征,传输通量强度随高度升高而增大,且高海拔地区水平传输在下沉气流的作用下会对京津冀产生一定的影响,区域间污染物的传输对重污染的形成具有较大影响,而重污染期间流入通量和传输活动水平显著降低,高湿环境的流入通量和传输活动水平较低湿环境显著降低;因此要加强重污染之前的减排措施;高风速和高浓度的PM2.5都会造成总通量较大值,可见区域传输不一定会造成地区的污染加重,高风速造成的强传输作用反而有利于污染物的扩散.

[1] 贺克斌,杨复沫,段凤魁,等.大气颗粒物与区域复合污染 [M]. 北京:科学出版社, 2011.

He K B, Yang F M, Duan F K, et al. Atmospheric particulate matter and regional combined pollution [M]. Beijing: Science Press, 2011.

[2] 李颜君,安兴琴,范广洲,等.北京地区大气颗粒物输送路径及潜在源分析 [J]. 中国环境科学, 2019,39(3):915-927.

Li Y J, An X Q, Fan G Z. Transport pathway and potential source area of atmospheric particulates in Beijing [J]. China Environmental Science, 2019,39(3):915-927.

[3] 薛文博,付 飞,王金南,等.中国PM2.5跨区域传输特征数值模拟研究 [J]. 中国环境科学, 2014,34(6):1361-1368.

Xue W B, Fu F, Wang J N, et al. Numerical study on the characteristics of regional transport of PM2.5in China [J]. China Environmental Science, 2014,34(6):1361-1368.

[4] Zhang H Y, Cheng S Y, Yao S, et al.Insights into the temporal and spatial characteristics of PM2.5transport flux across the district city and region in the North China Plain [J]. Atmospheric Environment, 2019,218:117010.

[5] 张智答,王晓琦,张晗宇,等.京津冀地区典型城市秋冬季PM2.5输送特征研究 [J]. 中国环境科学, 2021,41(3):993-1004.

Zhang Z D, Wang X Q, Zhang H Y, et al. PM2.5transport characteristics of typical cities in Beijing-Tianjin-Hebei Region in autumn and winter [J]. China Environmental Science, 2021,41(3): 993-1004.

[6] Miao Y, Liu S, Guo J, et al. Impacts of meteorological conditions on wintertime PM2.5pollution in Taiyuan, North China [J]. Environmental Science and Pollution Research, 2018,25(22):21855- 21866.

[7] Li H, Duan F, Ma Y, et al. Case study of spring haze in Beijing: characteristics, formation processes, secondary transition, and regional transportation [J]. Environmental Pollution, 2018,242(Part A):544- 554.

[8] Lang J, Tian J, Zhou Y, et al. A high temporal-spatial resolution air pollutant emission inventory for agricultural machinery in China [J]. Journal of Cleaner Production, 2018,183(MAY10):1110-1121.

[9] Li S, Lang J, Zhou Y, et al. Trends in ammonia emissions from light-duty gasoline vehicles in China, 1999～2017 [J]. The Science of the Total Environment, 2020,700(Jan.15):134359.1-134359.9.

[10] Gao M, Carmichael G R, Wang Y, et al. Modeling study of the 2010regional haze event in the North China Plain [J]. Atmospheric Chemistry and Physics Discussions, 2015,15(16):22781-22822.

[11] 孔珊珊,刘厚凤,陈义珍,等.基于后向轨迹模式的北京市PM2.5来源分布及传输特征探讨 [J]. 中国环境管理, 2017,9(1):86-90.

Kong S S, Liu H F, Chen Y Z. Discussion on the source distribution and transmission characteristics of PM2.5in Beijing based on Backward Trajectory Model [J]. Chinese Journal of Environmental Management, 2017,9(1):86-90.

[12] Liu Y M, Hong Y Y, Fan Q, et al. Source-receptor relationships for PM2.5during typical pollution episodes in the Pearl River Delta city cluster, China [J]. Science of the Total Environment, 2017,596- 597:194-206.

[13] Begum B A, Kim E, Jeong C H, et al. Evaluation of the potential source contribution function using the 2002 Quebec forest fire episode [J]. Atmospheric Environment, 2005,39(20):3719-3724.

[14] Wang Y Q, Zhang X Y, Arimoto R. The contribution from distant dust sources to the atmospheric particulate matter loadings at Xian, China during spring [J]. Science of the Total Environment, 2006,368(2): 875-883.

[15] Lang J L, Zhou Y, Chen D S, et al. Investigating the contribution of shipping emissions to atmospheric PM2.5using a combined source apportionment approach [J]. Environmental Pollution, 2017,229:557- 566.

[16] 程水源,王传达,张晗宇.跨界地区大气边界层以下PM2.5传输通量数值模拟量化的方法: CN110569528A [P]. 2019-12-13.

Cheng S Y, Wang C D, Zhang H Y. Method for numerical simulation and quantification of PM2.5transmission flux below atmospheric boundary layer of transboundary region. CN110569528A [P]. 2019- 12-13.

[17] Zhang H, Cheng S, Yao S, et al. Multiple perspectives for modeling regional PM2.5transport across cities in the Beijing-Tianjin-Hebei region during haze episodes. Atmospheric Environment, 2019,212:22- 35.

[18] 郝建奇,葛宝珠,王自发,等.2013年京津冀地区重污染特征及气象条件分析 [J]. 环境科学学报, 2017,37(8):3032-3043.

Hao J Q, Ge B Z, Wang Z F, et al. Characteristics and meteorological conditions analysis of severe haze events over Beijing-Tianjin-Hebei area [J]. Acta Scientiae Circumstance, 2017,37(8):3032-3043.

[19] Zhang B E, Jiao LM, Xu G, et al. Influences of wind and precipitation on different-sized particulate matter concentrations (PM2.5, PM10, PM2.5-10) [J]. Meteorology and Atmospheric Physics, 2018,130(3): 383-392.

[20] 张晗宇,程水源,姚 森,等.2016年10～11月期间北京市大气颗粒物污染特征与传输规律 [J]. 环境科学, 2019,40(5):1999-2009.

Zhang H Y, Cheng S Y, Yao S, et al. Pollution characteristics and regional transport of atmospheric Particulate matter in Beijing from October to November, 2016 [J]. Environmental Science, 2019,40(5): 1999-2009.

[21] 陈颢元,王晓琦,程水源,等.京津冀和长三角地区一次重霾过程气象成因及传输特征分析 [J]. 中国环境科学, 2021,41(6):2481-2492.

Chen H Y, Wang X Q, Cheng S Y, et al.Analysis of meteorological causes and transmission characteristics of a heavy haze process in Beijing Tianjin Hebei and Yangtze River Delta [J]. China Environmental Science, 2021,41(6):2481-2492.

[22] 聂赛赛,王 帅,崔建升等.石家庄市大气污染物的季节性时空特征及潜在源区 [J]. 环境科学, 2021,42(11):5131-5142.

Nie S S, Wang S, Cui J S, et al. Spatio-Temporal Characteristics and Potential Source Areas of Seasonal Atmospheric Pollution in Shijiazhuang [J]. Environmental Science, 2021,42(11):5131-5142.

[23] 王琰玮,王 媛,张增凯,等.不同季节天津市PM2.5与O3潜在源区及传输路径分析 [J]. 环境科学研究, 2022,35(3):673-682.

Wang Y W, Wang Y, Zhang Z K, et al.Analysis of Potential Source Areas and Transport Pathways of PM2.5and O3in Tianjin by Season [J]. Research of Environmental Sciences, 2022,35(3):673-682.

[24] 钤伟妙,张艳品,陈 静,等.石家庄大气污染物输送通道及污染源区研究 [J]. 环境科学学报, 2018,38(9):3438-3448.

Qian W M, Zhang Y P, Chen J, et al. Air pollutant transport channels and its potential sources in Shijiazhuang [J]. Acta Scientiae Circumstantiates, 2018,38(9):3438-3448.

[25] Cheng S, Lang J, Zhou Y, et al. A new monitoring-simulation-source apportionment approach for investigating the vehicular emission contribution to the PM2.5pollution in Beijing, China [J]. Atmospheric Environment, 2013,79:308-306.

[26] Metin B, Ulas I, Alper U. Evaluation of impact of residential heating on air quality of megacity is tanbur by CMAQ [J]. Science of the Total Environment, 2019,651:1688-1697.

[27] Zhang H Y, Cheng S Y, Yao S, et al. Multiple perspectives for modeling regional PM2.5transport across cities in the Beijing- Tianjin-Hebei region during haze episodes [J]. Atmospheric Environment, 2019,212:22-35.

[28] 崔继宪,郎建垒,陈 添,等.2016年北京市空气质量特征及PM2.5传输规律 [J]. 北京工业大学学报, 2018,44(12):1547-1555.

Cui J X, Lang J L, Chen T, et al. Characteristics of Beijing's Air Quality and Regional Transport of PM2.5in 2016 [J]. Journal of Beijing University of Technology, 2018,42(12):1547-1555.

[29] 王燕丽,薛文博,雷 宇,等.京津冀区域PM2.5污染相互输送特征 [J]. 环境科学, 2017,38(12):4897-4904.

Wang Y L, Xue W B, Lei Y, et al. Regional transport matrix study of PM2.5in Jing-Jin-Ji region [J]. Environmental Science, 2017,38(12): 4897-4904.

[30] Gao M, Carmichael G R, Wang Y, et al. Modeling study of the 2010 regional haze event in the North China Plain [J]. Atmospheric Chemistry & Physics, 2016,15(16):22781-22822.

[31] 梁晓宇,单春艳,孟 瑶,等.唐山一次冬季重污染过程污染特征及成因分析 [J]. 中国环境科学, 2019,39(5):1804-1812.

Liang X Y, Shan C Y, Meng Y, et al.Characteristics and formation mechanism of a heavy winter air pollution event in Tangshan [J]. China Environmental Science, 2019,39(5):1804-1812.

[32] Chang X, Wang S X, Zhao B, et al.Assessment of inter-city transport of particulate matter in the Beijing–Tianjin–Hebei region [J]. Atmosphere Chemistry and Physics, 18,4843–4858,2018.

[33] Zhang Z D, Wang X Q, Cheng S Y, et al. Investigation on the difference of PM2.5transport flux between the North China Plain and the Sichuan Basin [J]. Atmospheric Environment, 2022,271:118922.

[34] 王郭臣,王东启,陈振楼.北京冬季严重污染过程的PM2.5污染特征和输送路径及潜在源区 [J]. 中国环境科学, 2016,36(7):1931-1937.

Wang G C, Wang D Q, Chen Q L, et al.Characteristics and transportation pathways and potential sources of a severe PM2.5episodes during winter in Beijing [J].China Environmental Science, 2016,36(7):1931-1937.

[35] 高 琦,郭新成,孟妮娜,等.京津冀气溶胶时空变化特征及潜在来源分析 [J]. 科学技术与工程, 2021,21(30):13185-13195.

Gao Q, Guo X C, Meng N N, et al. Analysis on characteristics and potential sources of aerosols in Beijing-Tianjin-Hebei region [J]. Science Technology and Engineering, 2021,21(30):13185-13195.

Pollution transport characteristics of Beijing-Tianjin-Hebei region and its surrounding areas in January 2019.

BAI Wei-chao1, WANG Xiao-qi1*, CHENG Shui-yuan1**, ZHANG Zhi-da1, QI Peng1, GUAN Pan-bo2, CHEN Hao-yuan3

(1.Key Laboratory of Beijing on Regional Air Pollution Control, Department of Environment and Life Sciences, Beijing University of Technology, Beijing 100124, China；2.The 714 Research Institute of CSIC, Beijing 100101, China；3.State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry (LAPC), Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China)., 2022,42(9)：4086～4099

In this study, combined with atmospheric environment observation data, potential source analysis (PSCF) and concentration weight trajectory analysis (CWT), as well as transport matrix and transport flux calculation methods based on WRF-CMAQ model, were used to analyze the characteristics and causes of air pollution in typical cities in Beijing-Tianjin-Hebei in autumn and winter of 2019, and to quantitatively evaluate the characteristics and causes of air pollution in the Beijing-Tianjin-Hebei region and surrounding provinces between PM2.5transmission contribution. The results show that the Beijing-Tianjin-Hebei region is more polluted in winter than in autumn, and PM2.5concentration has a significant positive correlation with relative humidity and a significant negative correlation with wind speed during heavy pollution periods. The potential source regions of Typical Beijing-Tianjin-Hebei cities Beijing, Tianjin and Shijiazhuang are mainly distributed in Beijing-Tianjin-Hebei, Shanxi, central Inner Mongolia and Shandong, which is basically consistent with CWT results. In the Beijing-Tianjin-Hebei region, local emission contributed most to PM2.5emissions. The local contribution of Beijing, Tianjin and Hebei ranged from 54.33% to 66.01%, and the contribution of transmission from outside the Beijing-Tianjin-Hebei region ranged from 0.11% to 26.54%. Transport flux results show that PM2.5transport in winter is mainly influenced by upper-level northwest airflow, especially in clean weather, where high wind speed drives air mass inflow. In autumn, it is mainly affected by low level southeast airflow. The inflow/outflow and vertical distribution of transport flux show a non-linear response relationship with pollution level and RH. The dominant wind direction changes lead to a significantly larger transport effect before heavy pollution than during heavy pollution, and a significantly smaller transport effect in high RH than in low RH.

PSCF；CWT；WRF-CMAQ；transmission contribution；transmission flux；PM2.5

X513

A

1000-6923(2022)09-4086-14

2022-02-11

国家重点研发计划(2018YFC0213200);中国博士后科学基金面上资助(2019M660382);北京市博士后研究基金资助

*责任作者, 助理研究员, wangxq@bjut.edu.cn; **教授, bjutpaper@ outlook.com

白伟超(1994-),男,河北邢台人,北京工业大学硕士研究生,主要从事环境规划管理与污染防治方面的研究.