楊栩 汪洲 俞軍華 江濤

(桐廬縣氣象局,浙江 桐廬 311500)

0 引 言

國內(nèi)的大氣化學(xué)數(shù)值預(yù)報(bào)模式的起步比較晚,并且缺乏污染源排放清單,尤其是缺乏大范圍污染源相關(guān)資料。我國使用的空氣質(zhì)量預(yù)報(bào)手段主要可分為結(jié)合污染源及氣象場的數(shù)值模式以及基于歷史數(shù)據(jù)分析的統(tǒng)計(jì)方法。數(shù)值模式能較好地反映背后的物理機(jī)制,但是操作相對復(fù)雜,對計(jì)算機(jī)軟硬件配置要求高,所以多應(yīng)用于省級(jí)以上機(jī)構(gòu)及有關(guān)科研院所。

目前,國際上應(yīng)用最多的為第三代綜合性空氣質(zhì)量數(shù)值模式[1],能夠有效地對空氣質(zhì)量進(jìn)行數(shù)值模擬,如CAMx, Models-3/CMAQ, WRF-CHEM等。這些數(shù)值模型均具有以下共同的優(yōu)點(diǎn):(1)可用于模擬多污染物間的協(xié)同效應(yīng),模式中充分考慮了不同大氣物理過程和各污染物間的化學(xué)反應(yīng)及氣固兩相轉(zhuǎn)化過程;(2)適用于嵌套網(wǎng)格,可用于模擬局地、區(qū)域等多種尺度的大氣環(huán)境問題?；跉v史數(shù)據(jù)分析的統(tǒng)計(jì)方法,操作簡單,并且預(yù)報(bào)效果穩(wěn)定,非常適合研究本地化空氣質(zhì)量污染物和氣象要素的關(guān)系。沈勁等[2]利用多元回歸法較好地模擬出了佛山市順德區(qū)的空氣污染物濃度水平和變化趨勢；許楊等[3]建立的空氣污染物濃度統(tǒng)計(jì)預(yù)報(bào)模型對武漢市空氣污染級(jí)別預(yù)報(bào)的準(zhǔn)確率達(dá)到70.1%；熊世為等[4]研究了滁州市空氣質(zhì)量與氣象要素的關(guān)系及其預(yù)報(bào)方法。

PM2.5是空氣中直徑小于等于2.5 μm的細(xì)顆粒物。在大氣邊界層中,PM2.5存在平流、輸送、沉降、氣象化學(xué)、氣溶膠化學(xué)等非線性物理、化學(xué)過程[5-7],其濃度越高,空氣污染越嚴(yán)重。桐廬地處浙西,屬于淺山丘陵地貌,在氣候上具有明顯的過渡性質(zhì)。本文研究該地區(qū)空氣污染物與氣象要素的關(guān)系,探討基于氣象要素的空氣質(zhì)量預(yù)報(bào)方法,對該地區(qū)的大氣環(huán)境評估及污染治理具有重要參考意義。

1 資料和分析方法

本文利用2017年1—12月桐廬縣PM2.5濃度連續(xù)監(jiān)測資料和相對應(yīng)的降水、氣溫、能見度、日照、相對濕度、風(fēng)向和風(fēng)速的氣象要素的資料,分析了桐廬地區(qū)PM2.5濃度的日變化、季節(jié)變化特征,進(jìn)行PM2.5濃度與氣象要素的相關(guān)性分析,采用多元線性回歸的方式建立了PM2.5濃度的預(yù)報(bào)模型,并利用2018年1—12月的PM2.5濃度和氣象要素的數(shù)據(jù)對模型進(jìn)行檢驗(yàn)。

2 PM2.5濃度變化

2.1 季節(jié)變化分析

桐廬是一個(gè)以低山丘陵為主的地區(qū),具有“八山半水分半田”的特征。選取城區(qū)(桐君街道)、新合、鐘山、分水4個(gè)代表站,其中3個(gè)鄉(xiāng)鎮(zhèn)代表站分別位于桐廬城區(qū)的東南方向、西南方向和西北方向，以此代表人口密集、交通量大的城區(qū)和人口規(guī)模小的旅游風(fēng)景區(qū)(郊區(qū))。

由圖1可見，2017年城區(qū)的PM2.5季節(jié)平均濃度、25分位、50分位及75分位數(shù)均高于3個(gè)鄉(xiāng)鎮(zhèn),說明城區(qū)PM2.5濃度要高于3個(gè)鄉(xiāng)鎮(zhèn),PM2.5濃度與城鎮(zhèn)化集約程度較高有關(guān)。城區(qū)、新合、鐘山、分水PM2.5的季節(jié)平均濃度表現(xiàn)為冬季>春季>秋季>夏季,桐廬鄉(xiāng)鎮(zhèn)(街道)PM2.5濃度監(jiān)測日數(shù)據(jù)年變化規(guī)律整體呈現(xiàn)出冬、春季高,夏、秋季低的凹形曲線分布狀態(tài)。同時(shí)春、秋、冬季4分位數(shù)間距要明顯高于夏季,說明春、秋、冬季PM2.5濃度日均值的離散程度要高于夏季。

從天氣角度分析看,桐廬是典型的亞熱帶季風(fēng)氣候。秋、冬季和初春受西伯利亞冷氣團(tuán)影響和大陸高壓控制,層結(jié)比較穩(wěn)定,導(dǎo)致大氣污染物在這一特殊條件下的稀釋和擴(kuò)散相對較弱。桐廬縣地處浙西,森林覆蓋率高,生態(tài)環(huán)境好,當(dāng)?shù)鼗て髽I(yè)、重工業(yè)少,縣域內(nèi)的冬季、春季高污染天氣大多為輸入性污染物和局地污染物共同影響。特別是弱冷空氣從東北方向滲透下來,會(huì)導(dǎo)致桐廬冬、春季顆粒物濃度異常偏高。另一方面,秋季降水占全年最少,冬季略高,秋、冬季節(jié)一旦出現(xiàn)降水,對污染物的清除效果非常顯著,這可能是秋、冬季顆粒物日均離散值變化差異大的重要原因。夏季降雨量相對較多,空氣中污染物在降水的清潔作用下被清潔,加之夏季氣溫高,太陽輻射最強(qiáng),使得大氣混合層高度最高,污染物的擴(kuò)散、稀釋條件較好,污染物不易長時(shí)間積累,故濃度最低,顆粒物濃度日均離散值變化差異也較小。春季杭州地區(qū)會(huì)受到北方沙塵天氣攜帶的細(xì)粒子滯留的影響,PM2.5濃度會(huì)增加。PM2.5濃度季節(jié)變化和氣象條件密切相關(guān)。

2.2 PM2.5濃度日變化分析

從圖1可見，各站點(diǎn)的變化趨勢非常一致,原因是這些觀測點(diǎn)所覆蓋的區(qū)域常受到同種天氣形勢控制,加之城區(qū)的觀測站設(shè)立在桐廬縣國家氣象觀測場旁,觀測條件代表性好,因此本文對城區(qū)的PM2.5濃度的研究在一定程度上代表了整個(gè)桐廬縣的顆粒物濃度特征。

由2017年桐廬縣PM2.5濃度日變化(圖2)可見,PM2.5濃度日變化幅度大且呈現(xiàn)雙峰型分布特征,PM2.5濃度的峰值出現(xiàn)在08—09時(shí),平均濃度為45.36 μg/m3；次峰值出現(xiàn)在19—20時(shí),平均濃度分別為44.18 μg/m3；PM2.5濃度的谷值出現(xiàn)在15時(shí),濃度分別為33.26 μg/m3。這種變化特征與人為活動(dòng)以及大氣邊界層運(yùn)動(dòng)有關(guān)。在早晚出行高峰時(shí)段,交通流量大,并且觀測站周圍靠近居民區(qū),居民烹飪活動(dòng)產(chǎn)生的氣溶膠導(dǎo)致PM2.5濃度明顯增加,同時(shí)低層大氣易出現(xiàn)逆溫,邊界層高度低,污染物不易擴(kuò)散,容易形成峰值；而午后大氣對流和湍流加強(qiáng),污染物的垂直輸送增強(qiáng),近地面氣溶膠被稀釋,顆粒物濃度相應(yīng)降低。PM2.5濃度白天變化非常明顯,而夜間基本維持穩(wěn)定。這和齊冰[8]等人研究的結(jié)果一致。

圖2 2017年桐廬縣PM2.5濃度日變化

3 PM2.5濃度與氣象要素相關(guān)性分析

3.1 風(fēng)向、風(fēng)速對PM2.5濃度的影響

風(fēng)為矢量,既有大小又有方向。通過對2017年春、夏、秋、冬4季的風(fēng)向風(fēng)速與桐廬城區(qū)PM2.5濃度之間的關(guān)系進(jìn)行研究,基于風(fēng)向(0°～360°)和風(fēng)速(0～8 m/s)繪制極坐標(biāo)圖,物理量數(shù)據(jù)均使用小時(shí)觀測數(shù)據(jù)。

風(fēng)向是污染物遠(yuǎn)距離傳輸?shù)闹饕蛩?風(fēng)速主要影響污染物水平擴(kuò)散、稀釋的速度[9]。桐廬春季主導(dǎo)風(fēng)向?yàn)閃NW(270°～300°)。由圖3a可見,當(dāng)風(fēng)向在30°～120°之間時(shí),風(fēng)速比較高,平均風(fēng)速為5 m/s,當(dāng)風(fēng)速>4 m/s時(shí)，PM2.5濃度隨風(fēng)速增大而明顯增大,出現(xiàn)了重度污染,這可能是因?yàn)橥]受上游城市群產(chǎn)生的污染輸送影響比較大。當(dāng)風(fēng)向在270°～300°之間時(shí),隨著風(fēng)速的增大,污染物濃度并沒有明顯的改善,出現(xiàn)了中度污染。當(dāng)風(fēng)向在120°～270°之間、風(fēng)速>2 m/s時(shí),PM2.5濃度隨風(fēng)速增大而明顯減小,此時(shí)風(fēng)速增大對污染物濃度有明顯的改善作用。

夏季的主導(dǎo)風(fēng)向?yàn)閃NW(270°～300°)。由圖3b可以看出，夏季桐廬PM2.5濃度比春、秋、冬3季低,整體空氣質(zhì)量呈優(yōu)良狀態(tài),風(fēng)向在30°～105°之間,PM2.5濃度隨風(fēng)速的增大呈現(xiàn)先增后減的趨勢。當(dāng)風(fēng)向在105°～30°之間、風(fēng)速>2 m/s時(shí),PM2.5濃度較低。夏季的污染源受外來輸入影響較小,多以當(dāng)?shù)匚廴疚餅橹鳌?/p>

秋季的主導(dǎo)風(fēng)向?yàn)閃NW。圖3c顯示，當(dāng)風(fēng)向在0°～90°之間時(shí),PM2.5濃度表現(xiàn)出類似春季的變化特征。當(dāng)風(fēng)速<2.0 m/s時(shí),污染物濃度呈現(xiàn)比較均勻的分布狀態(tài),可能是由于來自不同方向的氣團(tuán)性質(zhì)差異不大。秋季的污染源受外來輸入影響和當(dāng)?shù)匚廴疚锏墓餐绊憽?/p>

圖3 4季PM2.5濃度和風(fēng)向、風(fēng)速的關(guān)系(a.春季、b.夏季、c.秋季、d.冬季)

冬季桐廬的主導(dǎo)風(fēng)向依舊是WNW。從圖3d可以看出，冬季整體空氣質(zhì)量較差,特別是干冷空氣從東路滲透下來,會(huì)導(dǎo)致桐廬霧霾天氣頻發(fā)。當(dāng)風(fēng)向在60°～90°之間時(shí),平均風(fēng)速達(dá)到5 m/s,當(dāng)風(fēng)速在6～10 m/s之間時(shí),空氣質(zhì)量出現(xiàn)重度污染,PM2.5濃度呈現(xiàn)和春季一樣的變化。但不同的是,當(dāng)風(fēng)向在180°～360°之間時(shí),PM2.5濃度隨著風(fēng)速的增大,并沒有明顯的改善。當(dāng)風(fēng)速<2 m/s、風(fēng)向在180°～210°之間時(shí),甚至出現(xiàn)了250 μg/m3,冬季特有的低風(fēng)速、弱空氣對流和高靜風(fēng)頻率的氣象條件,以及頻繁出現(xiàn)的貼地逆溫現(xiàn)象,導(dǎo)致大氣污染物在這一特殊條件下的稀釋和擴(kuò)散作用相對較弱,致使大氣污染嚴(yán)重。所以冬季的污染源受外來輸入影響和當(dāng)?shù)匚廴疚锏墓餐绊憽?/p>

3.2 降水、氣溫等要素與PM2.5濃度相關(guān)性分析

2017年桐廬城區(qū)PM2.5濃度與日降水量、日平均氣溫、日最小能見度、日平均濕度、日照等要素的相關(guān)性分析結(jié)果如表1所示。

表1 PM2.5濃度與降水量、氣溫等要素相關(guān)性分析

分別從不同氣象要素來看,降水對污染物的濕沉降作用明顯,PM2.5濃度與降水量呈負(fù)相關(guān),降水量越大,空氣質(zhì)量越好；日平均氣溫也與PM2.5濃度密切相關(guān),氣溫主要來源于地表輻射,距地面越近氣溫越高,當(dāng)高度增加時(shí)氣溫逐漸降低。氣溫這種垂直遞減的特性,有助于地面熱空氣垂直上升。由分析可知,氣溫與PM2.5濃度呈顯著負(fù)相關(guān),即氣溫越高,越容易形成上冷下暖的不穩(wěn)定溫度層結(jié),使得污染物更容易在垂直方向上擴(kuò)散,PM2.5濃度就越低,空氣質(zhì)量越好。日最小能見度與PM2.5濃度呈負(fù)相關(guān)。能見度觀測是測定一定基線范圍內(nèi)的能見度,它是指在四周視野中二分之一以上的范圍內(nèi)能看到目標(biāo)物的最大水平能見度。其數(shù)值的大小反映了當(dāng)時(shí)環(huán)境下可視目標(biāo)物的遠(yuǎn)近,能見度越小,表示空氣質(zhì)量越差,PM2.5濃度值則越高。相對濕度與PM2.5濃度呈負(fù)相關(guān)。相對濕度增加時(shí)會(huì)有更多的水汽與灰塵等顆粒物凝結(jié),而后沉落于地面,這樣一來就使空氣中污染物濃度降低。日照時(shí)數(shù)越長會(huì)導(dǎo)致相對濕度越小,有利于顆粒物懸浮于空氣中,因此日照時(shí)數(shù)與PM2.5濃度呈正相關(guān)。

4 預(yù)報(bào)模型

4.1 預(yù)報(bào)模型的建立

本文采用的預(yù)報(bào)模型為統(tǒng)計(jì)模式預(yù)報(bào)。統(tǒng)計(jì)預(yù)報(bào)是不依賴于物理、化學(xué)及生物過程,單純以統(tǒng)計(jì)學(xué)方法通過分析歷史數(shù)據(jù)資料規(guī)律進(jìn)行預(yù)測的方法。線性回歸模式是統(tǒng)計(jì)模式預(yù)報(bào)的一種,運(yùn)用過去的濃度、氣象要素進(jìn)行預(yù)報(bào)。其模式的基本形式為:

y=a+b1x1+b2x2+b3x3+…+bnxn

其中y為污染物濃度值,x1、x2、x3…xn為模式的各個(gè)參數(shù),b1、b2…bn為各參數(shù)的系數(shù),a為模式的常數(shù)。

因?yàn)榻邓欠沁B續(xù)變量,如果將連續(xù)的降水量數(shù)據(jù)帶入，預(yù)報(bào)模型結(jié)果的離散度會(huì)變大。因此,按照雨量等級(jí)進(jìn)行分類再建立預(yù)報(bào)模型。有研究表明,降水強(qiáng)度達(dá)到一定程度才會(huì)對空氣有明顯的凈化作用,弱降水配合一定的其他條件反而會(huì)使空氣質(zhì)量更差。因此本文研究中將降水等級(jí)分為1類(無雨)、2類(小雨)和3類(中雨以上)。此外,為考慮污染源排放的影響,將前1 d的污染物濃度值引入模型(表2)。

表2 基于氣象要素的PM2.5濃度預(yù)報(bào)回歸模型

4.2 預(yù)報(bào)模型檢驗(yàn)

根據(jù)預(yù)報(bào)模型,本文采用等級(jí)預(yù)報(bào)的TS評分和預(yù)報(bào)準(zhǔn)確率,對2018年1—12月杭州市桐廬縣的PM2.5濃度預(yù)報(bào)效果進(jìn)行檢驗(yàn)(圖4),檢驗(yàn)結(jié)果顯示預(yù)報(bào)方程能較好地預(yù)報(bào)PM2.5濃度。

圖4 桐廬縣2018年1—12月PM2.5濃度預(yù)報(bào)和實(shí)況對比

(1)TS評分

其中,NA為預(yù)報(bào)等級(jí)正確的天數(shù)；NB、NC、ND、NE、NF表示預(yù)報(bào)等級(jí)的絕對偏差分別為1～5級(jí)的天數(shù)。

(2)預(yù)報(bào)準(zhǔn)確率公式

其中,NrK為指數(shù)預(yù)報(bào)正確(|Fi-Oi|≤25)的天數(shù)；NfK為樣本數(shù)。桐廬縣環(huán)保局和氣象局每天聯(lián)合發(fā)布的PM2.5濃度預(yù)報(bào)誤差要求≤25。由分析可知,模型對PM2.5濃度變化反應(yīng)靈敏,既較好地預(yù)報(bào)了變化幅度,也較好地預(yù)報(bào)了極值。

表3的綜合評分為TS評分和預(yù)報(bào)準(zhǔn)確率的均值。表3顯示夏季的預(yù)報(bào)模型表現(xiàn)得比其他幾個(gè)季節(jié)要好,冬季預(yù)報(bào)模型表現(xiàn)得最差,秋、冬季節(jié)差不多。夏季的預(yù)報(bào)準(zhǔn)確率最高，達(dá)到了96.6%,春、秋季也在85%以上,冬季達(dá)到了72.2%。綜合評分顯示預(yù)報(bào)模型在夏季效果最好,TS評分和預(yù)報(bào)準(zhǔn)確率均為第一,春、秋季次之,冬季的效果最差。當(dāng)發(fā)生重污染情況時(shí),預(yù)報(bào)雖然能夠模擬出趨勢,但是綜合評分普遍偏低。這是由于冬季PM2.5濃度比較高,受污染程度嚴(yán)重,空氣質(zhì)量等級(jí)跨度范圍大,所以導(dǎo)致預(yù)報(bào)的效果不太好。綜上所述,該模型對于實(shí)際業(yè)務(wù)中空氣質(zhì)量的指數(shù)預(yù)報(bào)有一定的指導(dǎo)作用。

表3 桐廬縣基于季節(jié)的PM2.5濃度預(yù)報(bào)評價(jià)指標(biāo)

5 結(jié) 語

5.1 PM2.5濃度與城鎮(zhèn)化集約程度有關(guān),桐廬城區(qū)的PM2.5濃度要高于鄉(xiāng)鎮(zhèn)的。PM2.5濃度監(jiān)測日數(shù)據(jù)年變化規(guī)律整體為冬季>春季>秋季>夏季,并且春、秋、冬季PM2.5濃度日均值的離散程度要高于夏季。

5.2 桐廬城區(qū)PM2.5濃度日變化幅度大且呈現(xiàn)雙峰型分布特征,峰值出現(xiàn)在早晚,谷值出現(xiàn)在午后,變化特征和人為活動(dòng)以及大氣邊界層運(yùn)動(dòng)有關(guān)。

5.3 春季、冬季風(fēng)向在30°～120°時(shí),PM2.5濃度隨風(fēng)速增大而明顯增大,出現(xiàn)了重度污染,桐廬受上游城市群產(chǎn)生的污染輸送影響比較大；當(dāng)風(fēng)向在120°～270°之間時(shí),PM2.5濃度隨風(fēng)速的增大明顯減小,此時(shí)風(fēng)速增大對污染物濃度有明顯的改善作用。夏季的污染源受外來輸入影響較小,多以當(dāng)?shù)匚廴緸橹?。秋季的污染源受外來輸入影響和?dāng)?shù)匚廴镜墓餐绊?。降水量、氣溫、日最小能見度、相對濕度與PM2.5濃度均呈負(fù)相關(guān),日照時(shí)數(shù)與PM2.5濃度呈正相關(guān)。

5.4 基于氣象要素的PM2.5濃度預(yù)報(bào)模型能夠較好地模擬出PM2.5濃度變化趨勢以及極值,利用TS評分和預(yù)報(bào)準(zhǔn)確率對預(yù)報(bào)模型進(jìn)行檢驗(yàn),結(jié)果顯示模型在夏季效果最好,春、秋季次之,冬季的效果最差?？傮w預(yù)報(bào)結(jié)果優(yōu)良,能夠滿足日常業(yè)務(wù)化運(yùn)行的要求,可以為今后的業(yè)務(wù)化運(yùn)行提供技術(shù)支持。

5.5 研究存在的問題以及對后續(xù)研究的展望。利用統(tǒng)計(jì)方法建立的預(yù)報(bào)方程雖然能夠模擬出PM2.5濃度變化的趨勢,但是對于一些極值預(yù)報(bào)，誤差還是比較大的。這是因?yàn)镻M2.5濃度既受氣象要素的影響,也受污染物局地排放和輸入性污染物的影響。神經(jīng)網(wǎng)絡(luò)模型[9]作為一種非線性的預(yù)測方法已經(jīng)在眾多領(lǐng)域廣為運(yùn)用,今后可以嘗試使用該方法進(jìn)行空氣質(zhì)量預(yù)報(bào)。