王郭臣,王東啟,陳振樓

?

北京冬季嚴(yán)重污染過程的PM2.5污染特征和輸送路徑及潛在源區(qū)

王郭臣,王東啟*,陳振樓

(華東師范大學(xué)地理科學(xué)學(xué)院,地理信息科學(xué)教育部重點(diǎn)實驗室,上海 200241)

對北京2015年11月26日~12月2日出現(xiàn)的PM2.5嚴(yán)重污染過程進(jìn)行研究,分析了此次事件的污染特征和氣象條件,結(jié)合HYSPLIT模型,用聚類方法對研究期間抵達(dá)北京的地面(500m)和高空(3000m)逐時72h氣流后向軌跡聚類,并分析了地面和高空方向上氣流軌跡對北京PM2.5濃度的影響.運(yùn)用潛在源貢獻(xiàn)因子分析法和濃度權(quán)重軌跡分析法分別模擬了此次PM2.5的主要潛在源區(qū).結(jié)果表明,研究期間,北京PM2.5小時均濃度數(shù)值變化較大.低溫,高濕度和微風(fēng)為北京PM2.5嚴(yán)重污染過程的出現(xiàn)創(chuàng)造了適宜條件.不同方向氣流軌跡對北京PM2.5的影響在空間上存在顯著差異.西北方向氣流是影響北京PM2.5濃度的主要?dú)饬鬈壽E,而地面來自南部的氣流對北京PM2.5濃度的影響也不能忽視.對北京PM2.5的WPSCF和WCWT分析表明,蒙古國中西部、新疆東部、內(nèi)蒙古中西部、山西北部、河北和山東北部對北京PM2.5質(zhì)量濃度貢獻(xiàn)分別在0.7,200μg/m3以上,表明這些地區(qū)是影響此次北京PM2.5的重要潛在源區(qū).

PM2.5；污染特征；軌跡聚類；潛在源區(qū)

PM2.5由于直徑較小,質(zhì)量較輕,因而具有較長的大氣滯留時間,對大氣環(huán)境、人體健康、大氣能見度和氣候變化等有較大影響[1-5].研究表明,污染物的跨區(qū)域輸送是影響一個地區(qū)大氣質(zhì)量的重要因素之一[6-8].孫峰等[9]從污染過程演變、氣象條件影響、PM2.5濃度空間分布演變及其與地面風(fēng)場的關(guān)系等多個方面對2013年1月10~14日發(fā)生在北京的持續(xù)性PM2.5重污染過程進(jìn)行分析,發(fā)現(xiàn)穩(wěn)定的氣象條件是加劇本次污染的重要因素.韓經(jīng)緯等[10]利用常規(guī)氣象資料、NCEP再分析資料,對發(fā)生在呼和浩特市的持續(xù)性霾天氣過程進(jìn)行分析,發(fā)現(xiàn)地面風(fēng)速、逆溫及較小的溫度露點(diǎn)差為嚴(yán)重污染天氣的出現(xiàn)創(chuàng)造了適宜的背景條件.而在研究污染物輸送擴(kuò)散以及潛在源區(qū)識別方面,后向軌跡模型(HYSPLIT)成為研究這一問題的有效手段[11-14]. Alam等[15]利用HYSPLIT模擬影響巴基斯坦的氣流類型和氣溶膠濃度的時空分布,發(fā)現(xiàn)夏季氣溶膠濃度的高低與氣流在陸地上停留時間的長短相關(guān);王愛平等[16]利用軌跡聚類方法對黃山光明頂?shù)臍鈭F(tuán)軌跡進(jìn)行聚類,發(fā)現(xiàn)影響黃山光明頂積聚模態(tài)顆粒物數(shù)濃度的潛在源區(qū)主要是人類生產(chǎn)生活密集的區(qū)域.Perrone等[17]利用后向軌跡模式分析了長距離輸送對地中海中部地區(qū)PM2.5和PM1的影響并發(fā)現(xiàn)地中海東南部對這兩種污染物影響較大.

國內(nèi)外利用后向軌跡模式對PM2.5重污染的研究主要側(cè)重于對時間周期較長的PM2.5的污染過程研究,而對短期的PM2.5污染的過程尤其是極端霧霾污染現(xiàn)象相對關(guān)注較少[11-12,17].為了研究短時間尺度的長距離輸送和外來污染源對北京PM2.5濃度的影響程度以及識別污染潛在源區(qū),本文選取2015年11月26日~12月2日北京首次出現(xiàn)的嚴(yán)重污染過程作為研究對象,利用后向軌跡模式探究北京極端PM2.5的污染特征及其與相關(guān)氣象要素之間的關(guān)系.利用NCEP/NCAR逐時再分析資料并結(jié)合HYSPLIT模型得到近地面(500m)和高空(3000m)的氣流軌跡并對其進(jìn)行聚類,得到各方向氣流軌跡的路徑以及軌跡的貢獻(xiàn)率,用潛在源貢獻(xiàn)(PSCF)和濃度權(quán)重軌跡(CWT)分析法模擬外來區(qū)域污染源對北京PM2.5濃度的潛在貢獻(xiàn),識別影響北京PM2.5濃度的潛在源區(qū).本研究將有助于為北京應(yīng)對重污染事件的境外污染源區(qū)的確定提供參考,并為區(qū)域聯(lián)防聯(lián)控治理大氣污染提供理論參考.

1 空氣污染概況及數(shù)據(jù)

1.1 研究區(qū)空氣污染概況

研究期間(11月26日~12月2日),北京首次出現(xiàn)今年以來最嚴(yán)重的污染過程,且延續(xù)時間較長.11月26日0:00~21:00,北京PM2.5小時濃度低于PM2.5國家二級標(biāo)準(zhǔn)(75μg/m3),空氣質(zhì)量狀況較好.11月27日開始,北京開始了這次嚴(yán)重的污染過程,空氣質(zhì)量開始惡化,PM2.5小時濃度不斷升高,達(dá)到甚至遠(yuǎn)遠(yuǎn)超過PM2.5國家二級標(biāo)準(zhǔn).11月29日22:00左右,由于受到小股弱冷空氣的影響,北京PM2.5小時濃度出現(xiàn)短暫下降,至30日早上6:00降到最低,但隨后弱冷空氣消失,天氣形勢轉(zhuǎn)差,為此11月30日北京發(fā)布今年首個霾橙色預(yù)警,12月1日13:00北京PM2.5小時濃度達(dá)到最大值605 μg/m3,幾乎是PM2.5國家二級標(biāo)準(zhǔn)的8倍,空氣嚴(yán)重污染.12月2日受強(qiáng)冷空氣南下東移的影響,污染物不斷擴(kuò)散,PM2.5小時濃度值大都低于75μg/m3,空氣質(zhì)量明顯改善,霾橙色預(yù)警解除,如圖1所示.

1.2 數(shù)據(jù)來源

本文主要對PM2.5重污染過程開展研究,所選時段為2015年11月26日0:00至12月2日23:00(12月2日1~7:00數(shù)據(jù)缺測,為便于分析變化趨勢,基于環(huán)保監(jiān)測中心強(qiáng)冷空氣預(yù)報,進(jìn)行內(nèi)插值替換).北京污染物(PM2.5)小時濃度數(shù)據(jù)來源于中國空氣質(zhì)量在線監(jiān)測分析平臺(http://www. aqistudy.cn/),研究區(qū)的溫度、濕度和風(fēng)速數(shù)據(jù)由Wunderground 氣象網(wǎng)站提供(https://www. wunderground.com/).后向軌跡分析采用的資料為NCEP/NCAR提供的全球資料同化系統(tǒng)(GDAS)再分析資料,其中72h后向軌跡采用分辨率為0.5°的逐時再分析資料,后向軌跡聚類和潛在源分析采用分辨率為1.0°的逐時再分析資料(http://ready.arl.noaa.gov/HYSPLIT_ traj.php).

2 研究方法

2.1 HYSPLIT模型

HYSPLIT(Hybrid Single-Particle Lagrangian Integrated Trajectory)是一種用于計算和分析大氣污染物的來源、輸送、擴(kuò)散軌跡的綜合模式系統(tǒng),具有模擬精度高、時間連續(xù)變化的特點(diǎn),應(yīng)用于污染物的傳輸和擴(kuò)散研究[18-19].為研究遠(yuǎn)距離污染輸送對北京PM2.5濃度的影響,對近地面(500m)和高空(3000m)的氣流軌跡進(jìn)行聚類,得到地面和高空各方向的氣流軌跡貢獻(xiàn)率.

2.2 潛在源貢獻(xiàn)分析法

潛在源貢獻(xiàn)(PSCF)算法是一種基于氣流軌跡分析來識別源區(qū)的方法[20-21]. PSCF值是所選研究區(qū)域內(nèi)經(jīng)過網(wǎng)格的污染軌跡數(shù)(本文將PM2.5濃度值375μg/m3的軌跡定義為污染軌跡)x與該網(wǎng)格上經(jīng)過的所有軌跡數(shù)y的比值,即

PSCF= x/y(1)

相關(guān)研究表明:當(dāng)某一網(wǎng)格中的yij小于研究區(qū)內(nèi)每個網(wǎng)格內(nèi)平均軌跡端點(diǎn)數(shù)的3倍時,就要使用Wij來減小PSCF的不確定性[22-23].為了便于研究,把主要研究區(qū)域(28°N~73°N,36°E~127°E)分為0.5× 0.5°網(wǎng)格(約16380個),研究期間,共約有163566個軌跡點(diǎn)(平均每個網(wǎng)格約10個),因此本文將其定義如下:

WPSCF=W×PSCF (2)

2.3 濃度權(quán)重軌跡分析法

濃度權(quán)重軌跡分析法(CWT) 是一種計算潛在源區(qū)氣流軌跡權(quán)重濃度,反映不同軌跡的污染程度的方法[24-25].公式如下:

式中:C是網(wǎng)格上的平均權(quán)重濃度;是軌跡;是軌跡總數(shù);C是軌跡經(jīng)過網(wǎng)格時對應(yīng)的PM2.5質(zhì)量濃度;τ是軌跡在網(wǎng)格停留的時間.在PSCF分析法中所用的權(quán)重函數(shù)W也適用于CWT分析法,以減少x值較小時所引起的不確定性.

3 結(jié)果與討論

3.1 PM2.5污染的氣象因素分析

本次北京PM2.5嚴(yán)重污染過程的出現(xiàn)與研究區(qū)的溫度、濕度和風(fēng)速的大小有著直接的關(guān)系.由圖2(a)和表1可以看出,PM2.5重污染水平(PM2.5小時平均濃度值375μg/m3)大都集中在-5~0℃范圍之間,在此范圍內(nèi),重污染出現(xiàn)的時數(shù)所占的比例最高,為73.11%.而低于-5℃或高于0℃,重污染出現(xiàn)的時數(shù)所占的比例較低,分別為17.65%和9.24%.可見研究期間,溫度對PM2.5的小時質(zhì)量濃度有著重要影響.研究期間,低溫加上微風(fēng)的天氣形勢,使得空氣流動性減弱,極大了阻礙了污染物的擴(kuò)散,大量的污染物在此集聚,濃度值升高,而此時冷空氣尚未到達(dá),風(fēng)力較弱,對PM2.5的輸送擴(kuò)散作用不明顯,此外北京北部、西部和西南部被山地環(huán)繞,相對封閉的地形條件也在一定程度上加重了污染.

由圖2(b)和表1可以看出,PM2.5重污染水平所對應(yīng)的濕度值在80%左右.在大氣濕度低于80%時,重污染水平停留時間占污染總時數(shù)的比例最大,為40.70%;當(dāng)濕度在80%~90%時,北京PM2.5重污染水平所占的比例為16.81%.而當(dāng)濕度在90~100%時,北京PM2.5重污染水平所占的比例為39.49%.這說明在較高濕度的天氣形勢下,容易出現(xiàn)較高濃度的PM2.5.此次北京PM2.5重污染的濕度閾值為80%.

由圖2(c)和表1可以看出,研究期間,在微風(fēng)(￡2m/s)的天氣形勢下,PM2.5重污染水平所占的比例較大,為95.8%,隨著風(fēng)速的增大(2~4m/s), PM2.5重污染水平所占的比例不斷降低,而當(dāng)風(fēng)速增大到4m/s時,PM2.5重污染水平出現(xiàn)的比例最低,為0.8%.由此可見,風(fēng)速對污染物的擴(kuò)散有著重要作用,風(fēng)越大,污染物擴(kuò)散的速度越快,污染物不易積聚,大氣質(zhì)量得以改善.研究期間,12月2日,北京PM2.5迅速降低,正是由于12月1日晚間一場強(qiáng)冷空氣南下東移,大風(fēng)天氣的到來使得PM2.5得以遷移擴(kuò)散,濃度降低.

表1 北京PM2.5重污染水平在不同溫度、濕度和風(fēng)速條件下出現(xiàn)的比例 Table 1 Percentage of heavy pollution level of PM2.5 at different temperatures, humidity and wind speed conditions

注:本文定義重污染水平為PM2.5小時濃度375μg/m3,研究期間PM2.5小時濃度375μg/m3的時間共有119h;所占比例定義為研究期間PM2.5小時濃度375μg/m3出現(xiàn)的時數(shù)與PM2.5小時濃度375μg/m3的總時數(shù)之比.

3.2 輸送路徑及潛在源區(qū)分析

3.2.1 輸送路徑分析 圖3為利用HYSPLIT模型,對研究區(qū)的氣流資料數(shù)據(jù)進(jìn)行處理,得到研究期間北京地面和高空的氣流軌跡圖.研究期間,11月27日,影響北京地面的氣流后向軌跡路徑較短,速度較慢,主要分布在蒙古、內(nèi)蒙古、山西以及河北等地區(qū),氣流軌跡在這些地區(qū)停留時間較長,容易攜帶沿途經(jīng)過地區(qū)的懸浮顆粒物輸送至北京.而在高空,氣流軌跡分布范圍較廣,路徑較長,從東歐到俄羅斯、哈薩克斯坦、蒙古國經(jīng)過內(nèi)蒙古以及河北等地區(qū)到達(dá)北京,但由于這些氣流軌跡速度較快、停留時間較短,難以攜帶大量的顆粒物到達(dá)北京.隨著天氣形勢趨于穩(wěn)定,12月1日,北京的氣流后向軌跡無論在地面還是高空,主要分布在距離北京相對較近的地區(qū),尤其是華北、內(nèi)蒙古和蒙古國等地,軌跡路徑相對較短但停留時間較長,容易攜帶大量的自然或人為排放的懸浮顆粒物輸送至北京.地面和高空的氣流軌跡路徑和停留時間趨同,2種氣流軌跡疊加,這就使得大量的污染物從高空和近地面輸送至北京,導(dǎo)致了12月1日北京PM2.5濃度達(dá)到最高值,空氣嚴(yán)重污染.12月2日,隨著冷空氣的到來,無論是地面還是高空,氣流軌跡路徑變長,速度較快,停留時間較短,攜帶的污染物也較少,因此北京PM2.5濃度不斷降低,空氣質(zhì)量得以改善.

圖3 研究期間北京72h后向軌跡(世界標(biāo)準(zhǔn)時)
Fig.3 72h backward trajectories of Beijing(UTC)

為了對影響北京的氣流軌跡深入分析,分別對北京地面和高空的72h后向軌跡進(jìn)行聚類,結(jié)果如圖4所示.研究期間,影響北京地面和高空的氣流軌跡在空間分布上存在較大差異,但主要?dú)饬鞫紒碜灾衼?經(jīng)過新疆、蒙古國、內(nèi)蒙古、山西北部和河北,最終到達(dá)北京,分別占軌跡總數(shù)的88.3%(軌跡2和4)和96.9%(軌跡1, 2和3).這類軌跡路徑較長,經(jīng)過廣大的內(nèi)陸地區(qū),在高空西風(fēng)氣流的影響下,自西向東運(yùn)移,沿途攜帶大量懸浮顆粒物,輸送至北京.而受到南下冷空氣的影響,地面和高空上來自蒙古國東部地區(qū)的軌跡沿途攜帶大量懸浮顆粒物至北京,分別占地面和高空的氣流軌跡總數(shù)的8.6%(軌跡1)和3.1%(軌跡4).與高空氣流輸送不同的是,地面來自南方的氣流(軌跡3)雖然所占比例較小,但其主要經(jīng)過山東北部和河北中南部等人口密集區(qū).這些地區(qū)工業(yè)發(fā)達(dá),人為污染源較多,同時冬季北方處于采暖期,燃煤鍋爐排放的污染物隨這類氣流軌跡輸送至北京,加劇了北京的污染.

3.2.2 潛在源區(qū)分析 對北京PM2.5氣流軌跡的分析能確定影響北京的氣流軌跡的方向和空間位置分布,但無法識別影響北京PM2.5的不同潛在源區(qū)的貢獻(xiàn)大小.為了對北京PM2.5輸送源進(jìn)一步的研究以及確定北京PM2.5的潛在來源以及貢獻(xiàn),本研究主要針對研究期間北京PM2.5開展污染潛在源區(qū)分析,結(jié)果如圖5所示.

PSCF分析:研究期間,北京PM2.5的潛在源貢獻(xiàn)(PSCF)的較大值主要分布在哈薩克斯坦北部、蒙古和俄羅斯交界附近、蒙古國中西部、新疆東部、內(nèi)蒙古中西部、山西北部、河北以及山東北部等區(qū)域,這些地區(qū)對北京PM2.5的潛在貢獻(xiàn)在0.7以上,其中蒙古國中西部、內(nèi)蒙古中西部、山西北部及河北和山東北部等局部地區(qū)對北京PM2.5的潛在貢獻(xiàn)接近于1,表明這些地區(qū)是影響北京PM2.5的主要潛在源區(qū).在這些潛在源區(qū)中,哈薩克斯坦、俄羅斯、蒙古和內(nèi)蒙古地區(qū)主要以自然源為主,這些地區(qū)深居內(nèi)陸,有大面積干旱半干旱的沙漠地帶,在冬季風(fēng)的影響下,大量的極細(xì)微的懸浮顆粒物被輸送至北京;而來自山西北部、河北和山東北部地區(qū)的主要是人為源,這些地區(qū)距離北京較近,人口眾多,工業(yè)生產(chǎn)、燃煤和機(jī)動車排放大量污染物被氣流輸送至北京.

CWT分析:由于潛在源貢獻(xiàn)因子分析法只能反映潛在源區(qū)貢獻(xiàn)率的大小,無法模擬數(shù)值的大小.為此,本研究引入濃度權(quán)重軌跡分析法(CWT)計算潛在源區(qū)的權(quán)重濃度(濃度數(shù)值),以反映潛在污染源區(qū)的污染程度.由圖可以看出,研究期間,北京PM2.5濃度權(quán)重軌跡的較高值主要集中于蒙古國中西部、新疆東部、內(nèi)蒙古中西部、山西北部、河北中南部和山東北部,是北京PM2.5的主要潛在源區(qū),這些地區(qū)對北京PM2.5質(zhì)量濃度貢獻(xiàn)在150μg/m3以上,其中蒙古國中西部、新疆東部、內(nèi)蒙古中西部、山西北部、河北和山東北部對北京PM2.5質(zhì)量濃度貢獻(xiàn)在200μg/m3以上,表明這些地區(qū)是影響北京PM2.5濃度值大小的重要潛在源區(qū).

4 結(jié)論

4.1 北京PM2.5嚴(yán)重污染過程的出現(xiàn)與研究區(qū)的氣溫、濕度和風(fēng)速有著直接的關(guān)系,低溫、高濕度和微風(fēng)為霧霾重污染過程的出現(xiàn)創(chuàng)造了適宜的條件.

4.2 利用HYSPLIT模型和氣流軌跡聚類,發(fā)現(xiàn)地面和高空方向上的氣流軌跡對北京PM2.5的影響在空間上存在顯著差異.路徑較長的西北方向氣流軌跡和停留時間較長的周邊氣流軌跡是影響北京PM2.5濃度的主要?dú)饬鬈壽E,來自南部方向的氣流軌跡對北京PM2.5濃度的影響也不容忽視.

4.3 對北京PM2.5的PSCF和CWT研究表明,蒙古國中西部、新疆東部、內(nèi)蒙古中西部、山西北部、河北和山東北部等地區(qū)是北京PM2.5的重要潛在源區(qū).

[1] 楊 鵬,朱 彬,高晉徽,等.一次以南京為中心的夏季PM2.5污染島污染事件的數(shù)值模擬 [J]. 中國環(huán)境科學(xué), 2016,36(2):321-330.

[2] 曹軍驥.PM2.5與環(huán)境 [M]. 北京:科學(xué)出版社, 2014.

[3] Wan Mahiyuddin W R, Sahani M, Aripin R, et al. Short-term effects of daily air pollution on mortality [J]. Atmos. Environ., 2013,65:69-79.

[4] 郭新彪,魏紅英.大氣PM2.5對健康影響的研究進(jìn)展 [J]. 科學(xué)通報, 2013,58:1171-1177.

[5] 楊冬冬,張 華,沈新勇,等.全球和中國地區(qū)PM2.5時空變化特征的模擬 [J]. 中國環(huán)境科學(xué), 2016,36(4):990-999.

[6] 王 艷,柴發(fā)合,劉厚鳳,等.長江三角洲地區(qū)大氣污染物水平輸送場特征分析 [J]. 環(huán)境科學(xué)研究, 2008,21(1):22-29.

[7] 馮 琨,苑魁魁,李王鋒,等.空氣污染物遠(yuǎn)程傳輸對海島型城市污染的影響 [J]. 中國環(huán)境科學(xué), 2014,34(6):1410-1419.

[8] 王 玨,王郭臣,陳 莉.濟(jì)南市四季PM10、PM2.5輸送來源及其傳輸過程 [J]. 環(huán)境科學(xué)與技術(shù), 2015,38(5):175-182.

[9] 孫 峰,張大偉,孫瑞雯,等.北京地區(qū)冬季典型PM2.5重污染案例分析 [J]. 中國環(huán)境監(jiān)測, 2014,(6):1-12.

[10] 韓經(jīng)緯,宋桂英,江 靖,等.2014年2月呼和浩特市一次持續(xù)性霾天氣特征分析 [J]. 干旱區(qū)資源與環(huán)境, 2016,30(3):164-168.

[11] Gao L J, Tian Y Z, Zhang C Y. Local and long-range transport influences on PM2.5at a cities-cluster in northern China, during summer 2008 [J]. Particuology, 2014,13:66-72.

[12] Hwang, I, Hopke P K. Estimation of source apportionment and potential source locations of PM2.5at a west coastal IMPROVE site [J]. Atmos. Environ., 2007,41:506-518.

[13] Zemmer F, Karaca F, Ozkaragoz F. Ragweed pollen observed in Turkey: Detection of sources using back trajectory models [J]. Sci. Total Environ., 2012,430:101-108.

[14] Karaca F, Anil I, Alagha O. Long-range potential source contributions of episodic aerosol events to PM10profile of a megacity [J]. Atmos. Environ., 2009,43:5713-5722.

[15] Alam K, Qureshi S, Blaschke T. Monitoring spatio-temporal aerosol patterns over Pakistan based on MODIS, TOMS and MISR satellite data and a HYSPLIT model [J]. Atmos. Environ., 2011,45:4641-4651.

[16] 王愛平,朱 彬,銀 燕,等.黃山頂夏季氣溶膠數(shù)濃度特征及其輸送潛在源區(qū) [J] . 中國環(huán)境科學(xué), 2014,34(4):852-861.

[17] Perrone M R, Becagli S, Garcia Orza J A, et al. The impact of long-range-transport on PM1and PM2.5at a Central Mediterranean site [J]. Atmos. Environ., 2013,71:176-186.

[18] Sirois A, Bottenhein J W. Use of backward trajectories to interpret the 5-year record of PAN and O3ambient air concentrations at Kejimkujik National Park, Nova Scotia [J]. J Geophys. Res., 1995,100:2867-2881.

[19] Draxler R R, Hess G D. An overview of the HYSPLIT_ 4modeling system for trajectories [J]. Australian Meteorological Magazine, 1998,47:295-308.

[20] Zeng Y, Hopke P K. A Study on the Sources of Acid Precipitation in Ontario, Canada [J]. Atmos. Environ., 1989,23:1499-1509.

[21] 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]. Atmos. Environ., 2005,39:3719-3724.

[22] Xu X, Akhtar U S. Identification of Potential Regional Sources of Atmospheric Total Gaseous Mercury in Windsor, Ontario, Canada Using Hybrid Receptor Modeling [J]. Atmos. Chem. Phys., 2010,10:7073-7083.

[23] 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]. Sci. Total Environ., 2006,368: 875-883.

[24] Wang Y Q, Zhang X Y, Draxler R. TrajStat: GIS-based Software that Uses Various Trajectory Statistical Analysis Methods to Identify Potential Sources from Long-term Air Pollution Measurement Data [J]. Environ. Modell. Software, 2009,24:938-939.

[25] Liu N, Ye Y, He J J, et al. Integrated Modeling of Urban-scale Pollutant Transport: Application in a Semi-arid Urban Valley, Northwestern China [J]. Atmos. Pollut. Res., 2013,4:306-314.

致謝：本研究使用的污染物濃度數(shù)據(jù)來自中國空氣質(zhì)量在線監(jiān)測分析平臺PM2.5科學(xué)實驗專家小組等發(fā)布的監(jiān)測數(shù)據(jù),美國國家環(huán)境預(yù)報中心(NCEP)在線提供的GDAS數(shù)據(jù),軌跡分析和潛在源分析使用中國氣象科學(xué)研究院王亞強(qiáng)教授提供的開放軟件,本文摘要由畢春娟老師修改,在此表示感謝.

* 責(zé)任作者, 教授, dqwang@geo.ecnu.edu.cn

Characteristics and transportation pathways and potential sources of a severe PM2.5episodes during winter in Beijing

WANG Guo-chen, WANG Dong-qi*, CHEN Zhen-lou

(Key Laboratory of Geographic Information Science of the Ministry of Education, School of Geographical Sciences, East China Normal University, Shanghai 200241, China)., 2016,36(7)：1931~1937

Pollution characteristics processes and potential sources of PM2.5were studied in a severe haze episodes in Beijing from 26 November to 2December, 2015. Pollution characteristics and meteorological parameters were analyzed. Hourly 72-hour backward trajectories in ground (500m) and high altitude (3000m) were classified and the effect of clusters in ground and high altitude on PM2.5were analyzed using HYSPLIT model and cluster method. Major potential sources of PM2.5were simulated using Potential Source Contribution Function (PSCF) and Concentration-weighted Trajectory (CWT) methods. The results showed that hourly PM2.5concentration in Beijing varied widely and low temperature, high humidity and low wind speed provided a suitable condition for the heavily pollution process of PM2.5. Airflow trajectories from different directions had an significant impact on the spatial distribution of PM2.5in Beijing. Air trajectories from northwestern were the dominant trajectories which had a big influence on PM2.5concentration in Beijing. Moreover, air trajectories in ground from southern should not be ignored because air trajectories that passed through southern areas carried anthropogenic pollutants to Beijing. WPSCF (weighted potential source contribution function) and WCWT (weighted concentration-weighted trajectory) values were more than 0.7 and 200μg/m3outside of Beijing, respectively, which revealed that mid-western Mongolia, eastern Xinjiang, mid-western Inner Mongolia, northern Shanxi, Hebei and regions in northern Shandong were the major potential sources of PM2.5in Beijing.

PM2.5；pollution characteristics；trajectory cluster；potential sources

X513

A

1000-6923(2016)07-1931-07

王郭臣(1989-),男,上海閔行人,華東師范大學(xué)碩士研究生,從事大氣環(huán)境科學(xué)研究.發(fā)表論文3篇.

2015-12-17

國家自然科學(xué)基金(41473094);科技基礎(chǔ)性工作專項(2014FY210600);上海市自然科學(xué)基金項目(14ZR1412100)