余進海

(江蘇省環(huán)境監(jiān)測中心，南京 210036)

1 引 言

空氣質(zhì)量與人類的生活和健康息息相關(guān)。研究表明，大氣污染不僅僅與污染物的排放有關(guān)，還受到氣象和氣候條件的影響[1～3]。研究大氣重污染過程特征，尤其是其中的氣象和氣候條件，對提高空氣質(zhì)量預(yù)報和污染防控具有一定的指導(dǎo)意義。

江蘇省經(jīng)濟實力雄厚，工業(yè)發(fā)達，但隨著近幾年工業(yè)總產(chǎn)值的不斷增加，環(huán)境保護的壓力也越來越大[4-5]。江蘇省位于中國東部沿海的中部，江淮下游，屬于溫帶向亞熱帶的過度性氣候，基本以淮河為界，以北為溫帶季風氣候，以南為亞熱帶季風氣候。江蘇氣候的多樣性使得大氣污染十分復(fù)雜。張祥志等分析了2011年江蘇省6次較大規(guī)模的灰霾污染天氣，發(fā)現(xiàn)可以把重污染天氣歸納為春季沙塵灰霾型、夏季秸稈焚燒灰霾型和秋冬霧霾混合型[6]。何濤等分析了常州市2014年不同季節(jié)的污染氣團來源，研究表明，冬季隨著空氣污染加重，本地和本省的氣團逐漸占主導(dǎo)地位[7]。周兆媛研究了氣象要素對京津冀空氣質(zhì)量的影響，指出在SRES A1B排放情景下(SRES A1B情景是一個中等排放情景，至2100年的CO2濃度值約為700mL/m3)，未來氣候變化對京津冀地區(qū)空氣質(zhì)量的改善有一定促進作用[8]。封藝等利用WRF-Chem(Weather Research and Forecasting model with Chemistry)模式分析了長三角排放源對本地不同污染物濃度的貢獻。結(jié)果表明，在2013年12月上旬的一次污染事件中，顆粒物平均本地貢獻與外來輸送比重相當，氣體污染物的本地貢獻為主，外界輸送為輔[9]。

江蘇省環(huán)境監(jiān)測中心于2014年建成覆蓋省域及13個地級市的重污染天氣預(yù)報預(yù)警系統(tǒng)，2016年3月，依托“江蘇省重污染天氣監(jiān)測預(yù)報預(yù)警”平臺，江蘇省開始發(fā)布未來5天區(qū)域空氣質(zhì)量預(yù)報，13個地級市陸續(xù)建成本地化空氣質(zhì)量預(yù)報系統(tǒng)[10]。本文結(jié)合了預(yù)警平臺上的觀測數(shù)據(jù)對江蘇省冬季重污染過程進行了分析，并評估模式和人工預(yù)估結(jié)果，對預(yù)報方法提出了改進建議。

2 數(shù)據(jù)來源與方法

本文使用的環(huán)境監(jiān)測數(shù)據(jù)來自于江蘇省的72個國控點，選取了SO2、NO2、CO、O3、PM10和PM2.56項污染物的數(shù)據(jù)進行分析。監(jiān)測方法、分析方法、數(shù)據(jù)統(tǒng)計等嚴格按照《環(huán)境空氣質(zhì)量標準》(GB3095-2012)、《環(huán)境空氣質(zhì)量指數(shù)(AQI)技術(shù)規(guī)定》(HJ633-2012)和《環(huán)境空氣質(zhì)量評價技術(shù)規(guī)范(試行)》(HJ 663—2013)等規(guī)定執(zhí)行。

大氣環(huán)流資料采用中央氣象局發(fā)布的天氣實況分析圖和歐洲中期天氣預(yù)報中心 (ECMWF European Centre for Medium-Range Weather Forecasts)第3代再分析資料ERA-Interim，探空數(shù)據(jù)為美國懷俄明州立大學(xué)南京和徐州區(qū)域點位數(shù)據(jù)。

江蘇省環(huán)境監(jiān)測中心于2014年建成覆蓋省域及13個地級市的重污染天氣預(yù)報預(yù)警系統(tǒng)。系統(tǒng)平臺集成了NAQPMS、CMAQ、CAMx和WRF-Chem 4大主流空氣質(zhì)量模式，并運用資料同化和集合預(yù)報等技術(shù)提供未來5天的空氣質(zhì)量預(yù)報。

模式采用了三重嵌套網(wǎng)格，分別覆蓋了中國、長三角地區(qū)、江蘇省，水平分辨率分別為27km、9km、3km，中心經(jīng)緯度為112°E、36°N，垂直方向上采用地形追隨坐標，垂直方向不均勻地劃分為30層。系統(tǒng)將MEIC排放清單和江蘇省本地清單耦合在一起，生成了各個模式需要的高精度網(wǎng)格化排放數(shù)據(jù)。

3 結(jié)果與討論

3.1 冬季江蘇省空氣質(zhì)量整體情況

在長三角地區(qū)，大部分重污染過程發(fā)生在冬季，因此本文分析了江蘇省過去兩個冬季(2016年12月～2017年2月、2017年12月～2018年2月)的空氣質(zhì)量狀況。2016～2017年冬季(以下簡稱2016年冬季)共計90d，江蘇省13個設(shè)區(qū)市空氣質(zhì)量超標日數(shù)累計513d，超標日數(shù)占總有效日數(shù)的比例為43.8%。其中，全部城市以NO2、O3-8、SO2、CO為首要污染物的超標日數(shù)累計分別為9、0、0、0d，而以PM2.5和PM10為首要污染物的超標日數(shù)累計為504d。其中以PM2.5為首要污染物的超標日數(shù)累計503d，占總超標天數(shù)的98.1%。

2017～2018年冬季(以下簡稱2017年冬季)共計90d，江蘇省13個設(shè)區(qū)市空氣質(zhì)量超標日數(shù)累計511d，超標日數(shù)占總有效日數(shù)的比例為43.7%。其中，全部城市以NO2、O3-8、SO2、CO為首要污染物的超標日數(shù)累計分別為24、0、0、0d，而以PM2.5和PM10為首要污染物的超標日數(shù)累計為487d。其中以PM2.5為首要污染物的超標日數(shù)累計469d，占總超標天數(shù)的91.8%。

2016年冬季，全省PM2.5均值為73.0μg/m3?？諝赓|(zhì)量達到重度及以上日數(shù)為41d，重污染時期PM2.5平均濃度為181.4μg/m3。江蘇省在2016年12月～2017年2月期間共發(fā)布了7次重污染天氣藍色預(yù)警，未發(fā)布黃色預(yù)警。2017年冬季，全省PM2.5均值為78.2μg/m3。空氣質(zhì)量達到重度及以上日數(shù)為115d，重污染時期PM2.5平均濃度為191.8μg/m3。江蘇省在2017年12月～2018年2月期間共發(fā)布了8次重污染天氣藍色預(yù)警，其中4次升級成了黃色預(yù)警。由此可見，在冬季，影響全省的污染物主要為PM2.5，但是NO2和PM10的影響正在變大。與2016年相比，全省2017年冬季的大氣污染狀況更加嚴重，PM2.5平均濃度略有上升，而重污染天數(shù)明顯增加，污染程度也有所增加。

為分析2017年冬季(2017年12月～2018年2月)重污染天氣的特征和成因，本文對重污染過程進行了統(tǒng)計。當省內(nèi)有5個及以上設(shè)區(qū)市的日AQI超過200(達重度污染)時，認為發(fā)生了一次重污染事件，當沒有城市達到重度污染時認為污染過程結(jié)束，具體的污染過程統(tǒng)計見表1。

在2017年12月～2018年2月的5次重污染事件中，首要污染物均為PM2.5，污染時段主要集中在1月份，本文將對12月30日～1月1日(簡稱T1)、1月16日～1月22日(簡稱T2)、1月29日～2月1日(簡稱T3)三次較重的污染過程進行分析，并對該時期內(nèi)的預(yù)報結(jié)果進行評估。

表1 2017年冬季江蘇省重污染過程統(tǒng)計Tab.1 Statistics of heavy pollution process of Jiangsu in winter 2017

3.2 污染與氣象條件的分析

江蘇省大氣污染過程與大氣環(huán)流變化緊密相關(guān)，相關(guān)研究表明[11]，江蘇省PM2.5重污染期間，高低空環(huán)流形勢可以分成高壓或均壓場、冷空氣擴散南下、入海高壓后部3種天氣概念模型。高壓或均壓場型在秋冬季經(jīng)常會造成靜穩(wěn)的天氣形勢，其一般特征為：地面處于高壓內(nèi)或者均壓場控制，地面風速小，高空環(huán)流系統(tǒng)平直；天氣以晴好為主，但是夜間會有明顯的輻射降溫，容易形成貼地的逆溫層；污染以本地累積為主，有明顯日變化(夜間和上午污染重，下午稍轉(zhuǎn)好)。冷空氣擴散型則往往會帶來北方的污染物，其一般特征為：高空槽引導(dǎo)北方的冷空氣擴散南下，地面有冷高壓移動；天氣逐漸轉(zhuǎn)差，多云或有降水；污染由前期的本地累積和外源輸送共同造成。入海高壓后部型經(jīng)常伴隨著倒槽的東移，在倒槽的影響下，天氣逐漸轉(zhuǎn)差，濕度較高，顆粒物吸濕增長，污染加重。

2017年12月30日～2018年1月1日(T1)，江蘇省由北向南經(jīng)歷了一次污染過程，12月29日20時，在高空槽的引導(dǎo)下，北方的冷空氣擴散南下，同時將北方的污染物由西北向東南方向輸送。30日徐州、宿遷、淮安、南京和鎮(zhèn)江市達到了重度污染，南部城市有明顯降水(圖1)，空氣質(zhì)量較好。由于冷空氣勢力較弱，地面上北風很弱，污染物沒有被有效清除。31日，地面處于高壓的控制之下，除連云港市外，其他城市均達到了重度或以上污染。從31日08時的探空數(shù)據(jù)可以看出(圖2)，南京地面風速小，近地層有明顯的逆溫，溫度露點(紅線為露點溫度)差小，低空大氣穩(wěn)定、濕度大，穩(wěn)定的大氣會減弱大氣的垂直混合，不利于污染的垂直擴散；較高的濕度有利于污染物的吸濕增長，促進了氣態(tài)污染物向顆粒物的轉(zhuǎn)化。1月2日，新一輪冷空氣南下，偏東風加強，污染物逐漸清除。1月29日～2月1日(T3)的污染過程與T1相似：在高空槽的引導(dǎo)下，北方的冷空氣擴散南下，由于冷空氣強度逐漸減弱，污染物在被輸送到長三角地區(qū)后無法被清除。與上次污染過程不同的是，此次污染過程(T3)日變化明顯，午后太陽輻射增強，邊界層頂抬升，污染物濃度下降，但夜間和上午天氣靜穩(wěn)，邊界層頂下降，污染物在近地面累積，污染情況加重。2月2日，冷空氣南下，偏北風增強，空氣質(zhì)量狀況自北向南逐漸好轉(zhuǎn)。

2018年1月16日～1月22日(T2)期間，江蘇省13個設(shè)區(qū)市均經(jīng)歷了重度或以上污染過程，其中19、20日污染的范圍和程度最重。本次重污染期間，地面多處于均壓場控制，地面風速小，高空僅有淺槽活動，環(huán)流系統(tǒng)相對平直。從徐州的探空數(shù)據(jù)來看(圖3)，15～22日，徐州地面風速較小，且風向轉(zhuǎn)變較大，低層濕度較大，大氣層結(jié)穩(wěn)定，其中上午近地層都有明顯逆溫，在這種不利的氣象條件下，污染物迅速的累積。23日08時大氣層結(jié)依然穩(wěn)定，但是冷高壓南下，受東北風的影響，江蘇省空氣質(zhì)量逐漸好轉(zhuǎn)。

綜上所述，造成2017年冬季江蘇省重污染的天氣類型是高壓或均壓場、冷空氣擴散南下這兩種類型。比較兩次重污染過程(T1和T2)的氣象要素(表2)后發(fā)現(xiàn)，與冷空氣擴散南下相比，在高壓或均壓場的控制下(T2)，氣壓、風速的數(shù)值更小，溫度、相對濕度的數(shù)值更大，氣象條件更加不利，因此污染范圍大、持續(xù)時間長。

表2 兩次重污染過程氣象要素比較Tab.2 Comparison of meteorological elements in two different heavy pollution processes

注：T1為2017年12月30日～2018年1月1日，T2為2018年1月16日～1月22日。

a:1月平均風速;b:1月2～5日平均風速;c:1月16～22日平均風速;d:1月24～29日平均風速。 方形、三角、圓形、菱形分別表示南京、徐州、鹽城和蘇州圖4 2018年1月份江蘇省地面風場圖Fig.4 Surface wind in Jiangsu in January 2018

以上重污染天氣的結(jié)束均是由于冷空氣南下、風速增強。因此本文使用了ECMWF第3代再分析資料ERA-Interim，分析風對重污染過程的影響，ERA-Interim提供了自1979年以來的再分析資料，并實時更新。相比于ERA-40再分析數(shù)據(jù)，ERA-Interim采用了四維變分同化方法，并結(jié)合改進的濕度分析、衛(wèi)星數(shù)據(jù)誤差校正等技術(shù)，數(shù)據(jù)質(zhì)量更高[12]。下載2014～2018年的1月份10m風場數(shù)據(jù)，再根據(jù)格點數(shù)據(jù)提取115.5°E～122°E、30°N～36.5°N作為研究江蘇省的范圍。對該范圍的風速取算數(shù)平均，結(jié)果表明，在近5年中，2018年1月的月平均風速(5.46m/s)較大，僅次于2014年1月(5.48m/s)。2018年1月有兩次強冷空氣南下過程。1月2～5日，陜西、河南、湖北、安徽、江蘇等地先后出現(xiàn)大雪或暴雪。1月24～29日，中國中東部地區(qū)出現(xiàn)1月以來第三次大范圍雨雪天氣過程，也是1月以來最強的一次低溫冰凍天氣過程，平均氣溫較常年同期偏低4℃以上。對比2018年1月份不同時間段的風場(圖4)，當冷空氣南下時(1月2～5日、1月24～29日)，江蘇全境的風速都超過了4m/s，且以東北風為主；但重污染時期(1月16～22日)風速明顯減弱，大部分地區(qū)風速低于1m/s，長江以北以靜風為主。分析水平風量U和V的日均值(圖略)，與2017年1月相比，2018年1月整體的北風(水平風量V)較弱，且西風(水平風量U)稍強，重污染期間北風很弱，當污染物由北方輸送至江蘇后難以被清除。

3.3 預(yù)報評估

以南京市的市級預(yù)報為例，分析了江蘇省重污染期間的預(yù)報準確率。評估時段為2017年12月29日～2018年2月2日，統(tǒng)計了NAQPMS、人工修訂和實況AQI的均值偏差MB和標準平均誤差NME，公式如下：

式中：N為評估的天數(shù)，P為預(yù)報值，O為觀測值。

人工預(yù)報的MB為-5.31，NME為23.9%，NAQPMS預(yù)報的MB為19.81，NME為24.4%?？傮w上來說，人工預(yù)報稍微低估了南京的大氣污染，而模式明顯高估了污染狀況，人工預(yù)報的準確率稍高于模式。對比2017年12月29日～2018年2月2日AQI的實況和預(yù)報值(圖5)，在未發(fā)生重污染期間，預(yù)報結(jié)果很接近實況值，但在重污染期間，人工預(yù)報的AQI明顯低于實況值，這主要是由于人工預(yù)報為前一天17時的預(yù)報結(jié)果，且過于依賴氣象預(yù)報的結(jié)果，當預(yù)報江蘇地區(qū)北風超過2m/s時，會認為污染物易被清除，而氣候變化的復(fù)雜性導(dǎo)致氣象預(yù)報在某些時候依然有較大的誤差，尤其是風場的預(yù)報存在較大不確定性。模式在重污染期間的偏差較小，主要是由于NAQPMS模式在每次計算時(每天20∶00)會進行資料同化。相關(guān)研究表明，資料同化后，12小時以內(nèi)的預(yù)報準確率顯著提高。因此，人工預(yù)報的結(jié)果應(yīng)該根據(jù)天氣實況及時更新。

圖5 2018年1月份南京市預(yù)報與實況AQI對比Fig.5 Comparison between Nanjing forecast and actual AQI in January 2018

采用《環(huán)境空氣質(zhì)量預(yù)報成效評估方法技術(shù)指南》中的區(qū)域預(yù)報評估方法，對江蘇省24h預(yù)報進行評估(表3)。評估對象為NAQPMS、CMAQ、CAMx、WRF-Chem模式和人工修訂，其中人工修訂的數(shù)據(jù)為13個市站的預(yù)報結(jié)果。計算公式如下。

區(qū)域空氣質(zhì)量等級準確率G：區(qū)域內(nèi)所有城市空氣質(zhì)量等級準確率的平均值。單個城市空氣質(zhì)量等級準確率以跨級準確為計算標準。

式中，N為評估的天數(shù)，m為區(qū)域內(nèi)城市總個數(shù)，n為某一天區(qū)域內(nèi)空氣質(zhì)量等級預(yù)測準確的城市個數(shù)。江蘇省的模式和人工修訂的結(jié)果都為具體的AQI數(shù)值，首先由AQI數(shù)值得到空氣質(zhì)量等級，如果預(yù)報和實況一致，則認為空氣質(zhì)量等級準確，或者當預(yù)報和實況的AQI差值在20以內(nèi)時，也認為空氣質(zhì)量等級準確，否則空氣質(zhì)量等級不準確。

2018年1月NAQPMS、CMAQ、CAMx、WRF-Chem模式和人工修訂的區(qū)域空氣質(zhì)量等級準確率(G)分別為66.7%、64.5%、62.0%、56.8%、65.0%，4個主流模式中，NAQPMS和CMAQ的準確了較高，人工預(yù)報略低于NAQPMS的結(jié)果。同時評估了2015～2017年1月的預(yù)報準確率，結(jié)果表明，隨著模式的不斷調(diào)優(yōu)，NAQPMS模式預(yù)報準確率顯著提高，但是人工修訂的提高并不明顯，主要是因為目前人工修訂時更依賴氣象預(yù)報，而對風場的預(yù)報存在較大的不確定性。當氣象條件較往年明顯不同時，主觀的經(jīng)驗預(yù)報可能會出現(xiàn)較大偏差，例如2018年1月的風場較2017年1月風場變化很大。隨著空氣質(zhì)量模式預(yù)報水平的提高，人工修訂時應(yīng)該更多參考系統(tǒng)模式的結(jié)果，同時應(yīng)該及時分析氣象條件的短期氣候變化，尤其是風場的變化。

表3 24小時區(qū)域預(yù)報準確率Tab.3 24-hour regional forecast accuracy (%)

4 結(jié) 論

4.1 對近兩年江蘇省冬季空氣質(zhì)量進行分析。結(jié)果表明，與2016年相比，江蘇省2017年冬季的大氣污染狀況更加嚴重，PM2.5平均濃度略有上升，而重污染天數(shù)和污染程度都有所增加。NO2和PM10的影響變大。

4.2 對2017年冬季重污染時段的氣象條件進行分析，結(jié)果顯示造成江蘇省重污染的天氣類型是高壓或均壓場、冷空氣擴散南下這兩種類型。冬季風異常是造成重污染加重的重要原因。

4.3 對江蘇省冬季模式和人工預(yù)報結(jié)果進行評估，2018年1月NAQPMS、CMAQ、CAMx、WRF-Chem模式和人工修訂的區(qū)域空氣質(zhì)量等級準確率(G)分別為66.7%、64.5%、62.0%、56.8%、65.0%。隨著模式的不斷改進，人工預(yù)報時應(yīng)該更多參考模式的結(jié)果，同時應(yīng)該及時分析氣象條件的短期氣候變化，尤其是風場的變化。