环境科学学报  2019, Vol. 39 Issue (12): 4174-4186
基于风廓线雷达对成都地区典型持续性重污染天气的研究    [PDF全文]
李培荣, 肖天贵, 王铭杨    
成都信息工程大学, 大气科学学院, 成都 610225
摘要:基于风廓线雷达数据、大气污染数据及气象数据对2017年12月17日-2018年1月3日成都地区的一次持续性重污染天气过程进行研究,并对两次污染物浓度爆发式增长阶段的污染原因及污染物来源进行了分析.结果表明:①在这次重污染天气过程中,风廓线雷达高精度的风场资料(包括水平风速、风向、垂直风速、大气折射率结构常数Cn2)配合其他气象要素在分析两个污染阶段污染物的累积及扩散、输送中可以发挥重要的作用,即当成都地区水平风场风速较小且风向多变时,此时受静稳型天气控制,污染物浓度会快速累积增长,而当出现较强的东北风时,可能会有沙尘污染物的输入,应注意沙尘天气的提前预警.垂直风场中垂直速度和大气折射率结构常数Cn2的变化往往影响着污染物浓度的变化,由于风廓线雷达具有较高的时间分辨率,因此,对污染天气过程的变化有一定的指示意义.②结合局地环流指数和边界层通风量,重新定义了一种适合成都地区风场特征的通风指数:有效通风量(EVI),从而表明第一阶段污染的主要原因是成都地区由静稳型天气控制,边界层内风场对污染物的稀释扩散能力差,导致污染物累积.③通过后向轨迹模拟并结合PM2.5浓度数据进行聚类分析,认为第二阶段污染主要是东北方向携带有大量沙尘污染物的气团输送到成都地区导致的,与源于西北地区沙尘天气的沙尘输送密切相关.
关键词风廓线雷达    PM2.5    持续性重污染    有效通风量    聚类分析    成都    
Study on typical continuous heavily polluted weather in Chengdu area based on wind profiler radar
LI Peirong, XIAO Tiangui, WANG Mingyang    
College of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225
Received 16 April 2019; received in revised from 21 August 2019; accepted 21 August 2019
Abstract: Using wind profiler radar data, air pollution data and meteorological data, this study analyzed weather processes responsible for two persistent heavy polluted periods in Chengdu area from December 17, 2017 to January 3, 2018. Two explosive growth periods of pollutant concentration were found during this period of time. The characteristics of the wind field were significantly different in these two heavy-polluted periods, suggesting different sources of pollutants and accumulation reasons. From effective ventilation index (EVI), which was redefined by combining local circulation index and boundary layer ventilation, the first heavy polluted period was due to stationary weather over the Chengdu area. Stationary weather resulted in poor dilution and diffusion of pollutants in the boundary layer and thus the accumulation of pollutants. For the 2nd heavy-polluted period, the backward trajectory simulation and cluster analysis of PM2.5 concentration data revealed that transport of air masses from Northwest carrying large amount of dust pollutants to Chengdu should be the primary reason. This study proves that high-precision wind profiler radar data, particularly horizontal and vertical wind speed, wind direction, atmospheric refractive index structure constant integrated with other meteorological factors, are extremely helpful to understand the sources and reasons for pollutant accumulation, diffusion and transportation.
Keywords: wind profiler radar    PM2.5    continuous heavy pollution    effective ventilation index    cluster analysis    Chengdu    
1 引言(Introduction)

随着社会经济的快速发展, 近年来重污染天气过程频繁出现, 严重影响了人们的正常生产生活和身体健康.除了污染源排放因素外, 污染天气的发生还依赖于气象条件.大气扩散的理论和实践研究表明, 在不同的气象条件下, 同一污染源排放所造成的近地层污染物浓度可相差几十倍乃至几百倍(李宗恺等, 1985蒋维楣等, 1993吴兑, 2012).而风场是影响污染过程的主要气象条件之一, 风速对污染物有水平输送和稀释扩散作用, 风向使污染物总是分布在污染源的下风向, 因此, 风场特征变化对污染天气的发生有着重要的影响作用.

随着气象观测科学技术的不断进步, 对风场的观测除了原有的气球探空外, 现在还增加了风廓线雷达观测, 该技术具有连续性、高精度的优点, 对大气三维风场的变化特征具有较强的探测能力(刘超等, 2018).用风廓线雷达风场数据分析污染天气过程, 可以更有效准确地研究风场特征的变化对污染物扩散的影响.近些年众多学者也开始运用风廓线雷达数据来研究空气污染过程, 在珠三角地区, 李菲等(2012)较早地在分析广州地区一次灰霾过程中使用了风廓线雷达资料, 认为下沉气流造成了污染物的堆积.吴蒙等(2015)利用风廓线雷达数据分析了该地区一次持续大范围的空气污染过程, 认为垂直风场中风速较小是造成此次污染过程的重要原因, 并首次使用了局地环流这一指数来研究海陆风对空气质量的影响.刘建等(2015)分析了该地区3类PM2.5的区域污染的垂直风场特征, 发现盛行风向对污染的影响较大.在北京, 花丛等(2017)结合风廓线雷达数据对北京的强雾霾过程进行了研究, 表明风廓线雷达数据中的参数(包括信噪比、大气折射率结构常数等)在污染天气的监测预报中均有重要指示意义.刘超等(2019)基于风廓线雷达资料对北京一次“先霾后沙”的空气污染过程进行了分析, 表明不同污染过程风场特征存在较大差别;此外, 众多学者的研究表明(俞剑蔚等, 2009吴庆梅等, 2010), 风廓线雷达风场资料在分析污染天气中可以发挥重要的作用.

成都地区是全国四大雾霾高发地之一, 其位于四川盆地西部, 海拔较低, 居于龙泉、邛崃、龙门三大山脉之间, 地面风场风速较小, 静风频率高, 局地环流强, 风场扩散条件差.由于西南暖湿气流的输送, 空气湿度较大, 容易产生二次污染.在冬季, 由于盆地地形, 易形成逆温层, 使大气层结稳定, 而且降水较少, 对空气污染物的冲刷作用弱.成都地区的大气污染呈现出城市扬尘、机动车尾气、煤烟尘和工业复合型污染的特点, 主要污染物为PM2.5, 污染源主要集中在成都北部及西北部, 包括彭州、都江堰、青白江地区, 除了本地产生的污染物外, 川南地区及我国西北地区也是成都大气污染物的重要源地, 特别在冬季, 携有大量沙尘污染物的冷空气南下会造成成都地区的重污染天气.目前在研究成都空气污染方面, 风廓线雷达的应用依然较少, 为拓展风廓线雷达资料在研究成都空气污染中的应用, 本文利用该地区的风廓线雷达资料分析2017年12月17日—2018年1月3日的一次持续性重污染天气过程中2个污染阶段污染发生的原因, 并进一步探讨其污染物来源, 以期为成都地区大气污染的防控和环境管理提供的科学依据.

2 资料与方法(Materials and methods) 2.1 资料来源

图 1是本研究中3个风廓线雷达站、7个环境监测子站及温江探空站在成都地区的分布图.所用的3个风廓线雷达分别位于成都地区金堂、郫县、龙泉驿区, 本研究中对逐时平均风场产品结果进行了应用, 风场数据的垂直空间分辨率在900 m以上为120 m, 900 m以下60 m, 数据主要包括水平风速(m·s-1)、水平风向、垂直速度(m·s-1)、大气折射率结构常数Cn2等.由于3个风廓线雷达相距较近, 且在各个时刻得到的风场数据一致, 本研究中用3个雷达的风场数据的均值来分析成都的风场变化特征.

图 1 成都地区风廓线雷达站、环境监测站、气象站分布 Fig. 1 Distribution of wind profile radar stations, environmental monitoring stations and meteorological stations in Chengdu

空气污染数据来自成都7个环境监测子站(沙河铺、十里店、大石西路、三瓦窑、灵岩寺、金泉两河、人民公园), 包括AQI日均值、PM2.5浓度每小时均值数据.地面常规观测资料和探空数据(8:00、20:00)来自于温江探空站, 气象格点数据来源于美国国家环境预报中心(NECP).

2.2 HYSPLIT模型

本研究基于成都近地层主导风向和HYSPLIT模型对污染来源进行分析.HYSPLIT模型是一种可用于计算和分析气流运动、沉降、大气污染物输送和扩散轨迹等过程(Draxler et al., 1998Stein et al., 2016)的综合模式系统, 由美国国家海洋大气中心(NOAA)和澳大利亚气象局(BOM)共同研发, 目前国内外普遍将其应用于空气污染物的传输途径和来源解析研究(王芳龙等, 2018钤伟妙等, 2018Sateesh et al., 2018).本研究选用美国NCEP全球资料同化系统GDAS提供的分辨率为1°×1°分析场资料作为气象初始场, 并运用TrajStat软件(wang et al., 2009)的聚类方法, 结合污染数据对到达成都的气流轨迹进行聚类分析.

2.3 罗氏法

本研究利用成都温江站逐日8个时次的地面气象观测数据, 通过罗氏法(程水源等, 1997)计算污染期间成都的混合层高度的日均值.罗氏法因不需要高空观测资料、计算结果准确性较高而被广泛应用.在成都地区, 此方法已有较多应用案例, 均表明其结果的可靠性较高(陈朝平等, 2015颜玉倩等, 2016周颖等, 2018).罗氏法的公式如下:

(1)

式中, H是平均混合层高度(m);P是P-Pasqill大气稳定度等级;Uz代表了z高度处观测到的平均风速(m·s-1);T-Td是温度露点差(℃);f是地转参数, f=2ΩsinΦ, Φ为观测点的地理纬度, Ω是地转角速度(rad·s-1);Z0是地面粗糙度(m).

3 结果与分析(Results and analysis) 3.1 持续性重污染过程

2017年12月17日—2018年1月3日, 成都地区出现了一次持续性的重空气污染天气过程.图 2是成都2017年12月17日—2018年1月3日的空气质量指数AQI、PM2.5浓度随时间的变化趋势, 其中, AQI是逐日数据, PM2.5浓度是逐时数据.可以看到, 污染状况在2017年12月17—20日缓慢加重, 是污染发展阶段;在21—22日污染物浓度爆发式增长, PM2.5浓度骤升, 并于23日3:00达到了208 μg·m-3, AQI也超过了200, 为严重污染级别;随后污染状况较平稳, 但仍维持严重污染状况;在29日, 污染物浓度第二次爆发式增长, AQI日均值为242, 是整个重污染天气过程中最高值, PM2.5浓度也达到最高的226 μg·m-3, 出现在29日6:00;在12月29日之后, 污染状况开始好转;在2018年1月3日, AQI减少到61, 空气质量变好, 重污染天气过程结束.由于在这次持续性污染过程中污染物浓度有两次明显的爆发, 所以将12月21—24日称为污染第一阶段, 12月25—29日为污染第二阶段, 在12月29日之后为污染减弱阶段.从图 3可以看到, 在污染第一阶段, 中高纬度地区西风环流平直稳定, 缺少槽脊波动, 冷空气源区等高线和等温线近似平行, 没有明显的冷平流.成都地区此时位于弱脊前的下沉气流区, 受反气旋式环流控制, 下沉气流在近地面易形成上暖下冷的逆温层, 不利于污染物垂直输送.对应的海平面平均气压场上, 成都地区位于大陆高压底部的均压场内, 地面风场风速较小.因此, 无冷空气南下, 存在垂直下沉气流及近地面风场较弱形成的大气扩散条件差的静稳天气形势是污染第一阶段的主要环流特征.在12月24日之后, 随着中高纬度地区槽脊的纬向发展, 在东北地区形成了冷涡, 槽后冷空气南下.海平面气压场上, 大陆冷高压强度明显增强, 高压底部气压梯度加大, 有利于冷空气的向南输送, 而北方冷空气的输送可能裹挟有大量的污染物(包括沙尘), 此时成都地区受东北风控制, 风速较大, 污染物的风场扩散条件在污染第二阶段明显好转.两次污染物浓度爆发式增长阶段的天气环流形势不同, 使其污染物来源及污染产生的机理截然不同.

图 2 2017年12月17日—2018年1月3日成都地区污染期间PM2.5浓度、AQI变化 Fig. 2 Changes in PM2.5 concentration and AQI during the pollution period in Chengdu from December 17, 2017 to January 3, 2018

图 3 成都地区2017年12月21—24日(a)和25—29日(b)500 hPa平均天气图(黑实线为高度场(位势米), 红虚线为温度场(℃), 填色为海平面气压场(hPa), 箭头为风场(m·s-1)) Fig. 3 The 500 hPa average weather map from December 21 to 24, 2017(a) and December 25 to 29(b) in Chengdu area (the black solid line is the height field (potential meter), the red dotted line is the temperature field (℃), the color is the sea level pressure field (hPa), and the arrow is the wind field (m·s-1))

在两个污染阶段, PM2.5的浓度均值超过了国家环境空气质量二级标准(75 μg·m-3)的2倍, 污染物中细颗粒物的占比(PM2.5/PM10)基本维持在0.7~0.8, 由此可判断此次重污染过程是以PM2.5为主, 但在12月29—30日, 细颗粒物的占比有所降低, 这主要与沙尘污染物输入导致成都地区PM10浓度增大有关.从图 2可以看到, PM2.5浓度存在明显的日变化, 一般在上午达到污染浓度高峰后, 随后浓度会下降, 在晚上的时候又会快速上升, 这种日变化可能受到早晚上下班高峰汽车尾气排放较多的人为因素和天气因素的共同影响(崔萌等, 2018);但在12月23日12:00—19:00、12月26日5:00—18:00、12月29日12:00—19:00期间, PM2.5浓度大幅度骤降, 其主要受到风场变化的影响, 本文将在3.2.2节中进行详细分析.

3.2 风廓线雷达资料在污染中的应用 3.2.1 风廓线雷达资料在成都地区的可靠性验证

风廓线雷达通过多普勒效应反演其上空风场随高度的变化情况, 众多专家学者(吴蕾等, 2014;董丽萍等, 2014;张寅等, 2017)对其观测数据的可靠性进行了分析, 总体上都认为风廓线雷达资料能较好地满足科研业务的需求.在本研究中, 为了保证风廓线雷达数据在成都地区的适用性, 用探空数据与之进行对比.探空数据是目前高空风探测的标准, 用探空数据与风廓线雷达数据进行对比, 可以对风廓线雷达数据的可靠性进行验证并获得二者测风的系统偏差.选取2017年12月、2018年1月和2月的成都温江站每日8:00和20:00的探空资料, 同时用与最接近探空时间的风廓线资料来对应.将探空资料作为真值, 用相同高度范围内的风廓线雷达探测资料进行检验, 假设:

(2)

式中, μ0为样本均值之差, 选用显著性水平α=0.05双侧检验, 根据t分布的性质构造统计量T, 当统计量的绝对值|T| < t的双尾临界值, 且双尾检验概率p>α时, 可以认为假设H0成立.表 1为不同高度范围的探空和风廓线雷达探测的水平风向、风速在样本均差μ0=0的显著性检验结果.

表 1 不同高度上探空和风廓线雷达资料的水平风向、风速的显著性检验(μ0=0) Table 1 Significance test of horizontal wind direction and wind velocity for sounding and wind profiler radar data at different heights (μ0=0)

表 1可知, 在不同的高度, 风向的相关性较高, 相关系数基本维持在0.8以上, 而且各个高度层都能通过显著性检验;但风速的相关性较小, 在高度500 m以上可以通过显著性检验, 但在0~500 m之间不能通过显著性检验, 平均偏差也较大, 但若当样本均差取μ0=±2时, 则风速在各个高度层都可以通过显著性检验.根据吴蕾等(2013)的研究, 风速偏差在2.5 m·s-1以内均为有效值, 其差异可能是由于风廓线雷达和L波段雷达探空的综合误差和风场自然变率共同形成的, 属于正常范围.因此本研究中, 风廓线雷达资料在成都地区是适用的, 其分析得到的结论也是可信的.

3.2.2 水平风场特征

水平风场是影响污染物扩散的重要气象因子之一, 从12月17日开始, 成都地区近地层为弱西南风和东南风交替控制, 风垂直切变较小, 大气层结稳定, 不利于污染物的扩散, 污染状况加重.在20日(图 4a), 近地层的东南风随高度呈顺时针变化, 在1000 m附近转为西南风, 有暖平流出现, 形成了较强的平流逆温, 且在18:00近地层又转为西南风, 风速较小, 有的高度接近静风, 污染物扩散能力变差, 这种静稳状态持续到22日, 期间PM2.5浓度进一步累积增长, 污染物浓度爆发式增长.在23日(图 4b)、26日(图 4c)成都上空有冷平流出现, 风向随高度逆转, 冷平流的出现破坏了逆温层, 并进一步使混合层高度发展, 有利于污染物在垂直方向上的扩散(冯鑫媛等, 2014苟玉清等, 2018), PM2.5浓度在一段时间内降低, 但由于这两次冷平流较弱, 所以污染状况继续加重.成都近地层逐渐转为强大的东北风, 东北风输送了大量的沙尘污染物(见3.3.3节), 配合较强的下沉气流, 在29日(图 4d)污染物浓度第二次爆发式增长, 期间PM10浓度也急剧升高.在29日12:00后, 东北风迅速转为西南风, 下沉气流也转为弱上升运动, PM2.5浓度降低.在2018年1月1日(图 4e), 成都上空风速较小, 在2000 m以下风速小于2 m·s-1, 水平扩散能力差, PM2.5浓度有所上升.但从1月2日开始(图 4f), 成都地区因受到冷锋影响, 出现持续强大的冷平流, 近地层的东北风随高度逆转为西南风, 风速较大, 冷平流在1月3日进一步加强(图 5), 使污染物在水平垂直方向上得以快速扩散, PM2.5浓度下降, 空气质量转好.

图 4 成都地区的风场时间-高度剖面图(a.2017年12月20日;b.12月23日;c.12月26日;d.12月29日;e.2018年1月1日;f.1月2日12:00—1月3日12:00) Fig. 4 Wind farm time-height profile in Chengdu area (a.December 20, 2017; b.December 23; c.December 26; d.December 29; e.January 1, 2018; f.January 2, 12:00 to January 3, 12:00)

图 5 成都地区2018年1月2日(a)、1月3日(b)温度平流空间分布 Fig. 5 January 2, 2018 (a), January 3 (b) spatial advection spatial distribution in Chengdu area

利用风廓线雷达水平风场资料分析成都地区的污染天气时, 需关注近地层风场特征的变化, 当风速较小且风向多变时, 成都地区往往处于静稳型天气控制, 污染物浓度会累积增长, 而当较强的东北风出现时, 东北风可能输入沙尘污染物从而使成都地区污染加重, 也可能破坏成都地区上空的稳定层结, 从而使污染扩散条件变好, 污染程度减轻.

3.2.3 逆温层和混合层高度特征

随着2018年1月2—3日冷平流从东北方向的侵入, 成都处于大范围的冷性气团中.在冷性气团中, 各气象要素在垂直方向上分布均匀, 逆温层被彻底破坏, 混合层高度也向上发展.根据成都温江站逐日(8:00、20:00)的探空数据计算了重污染期间成都近地层逆温层特征的变化.从图 6可以看到, 在重污染期间, 除了1月3日, 成都地区上空都出现了逆温层, 而且都为贴地逆温, 每天8:00的逆温层厚度大, 但逆温强度小, 20:00的逆温层厚度小, 一般小于100 m, 但逆温强度大, 超过5 ℃/100 m.在污染开始阶段, 逆温比较弱, 随后增强, 逆温的存在抑制了污染物在水平垂直方向上的扩散, 从而使污染物停留在近地层, 加重污染状况(蒋维楣等, 1993姜大膀等, 2001).在1月2日, 成都地区在强大冷平流的影响下, 逆温层崩溃消失, 在1月2日20:00和1月3日, 成都地区近地层均没有逆温层存在, 从而有利于污染物的扩散, AQI快速降低.

图 6 成都地区污染期间的AQI、逆温层、混合层高度变化(图中柱子高低代表逆温厚度大小, 柱子颜色对应逆温强度) Fig. 6 AQI, inversion layer, mixed layer height change during pollution in Chengdu area

混合层高度是研究地表向大气排放的污染物扩散情况的一个重要参数, 其指污染物在垂直方向上可以被湍流稀释扩散的高度范围, 混合层高度越高, 污染物在垂直方向上可以扩散的越高, 污染物浓度就越低(Stull, 1991赵鸣等, 1991).从图 6可以看出, 在污染期间, 成都的混合层高度比较低, 在两段污染物浓度爆发式增长期间最低, 低于500 m, 污染物向上扩散范围降低, 不利于其扩散.在污染减弱阶段, 混合层高度升高, 尤其是在受到冷平流影响后, 1月3日成都混合层高度达到了909 m, 污染物快速扩散, AQI降低.在污染期间, 成都地区的混合层高度变化特征符合相关研究的成果, Zeng等(2019)对此次重污染天气过程也进行了相关研究, 其计算的混合层高度与本研究结果相近, 表明本研究利用罗氏法计算的混合层高度可靠性较高.

3.2.4 垂直风场特征

图 7为成都地区在重污染期间的垂直风速随高度和时间的变化趋势, 图中正速度表示垂直速度向下为下沉气流.从图中可以看到, 在污染期间, 成都上空垂直风速较小, 以弱上升和弱下沉气流为主, 速度维持在-0.5~0.5 m·s-1, 稳定较弱的垂直运动有利于维持大气稳定, 不利于污染物的向上扩散, 从而使污染物浓度累积加重.在2017年12月29日和2018年1月3日出现了两次强烈的下沉运动, 前者为12月29日第二个污染阶段的污染物浓度爆发式增长提供了有利的垂直风场条件, 强烈的下沉气流压制污染物于近地层, 造成严重污染.而1月3日的下沉气流与强冷平流有关, 冷平流中垂直湍流向下输送强烈, 形成下沉气流, 但由于期间其他大气扩散条件良好, 使污染状况变好.

图 7 成都地区污染期间风场的垂直速度时间-高度剖面图 Fig. 7 Vertical velocity time-height profile of wind field during pollution in Chengdu area

与垂直风场相配合的是大气折射率结构常数Cn2, 其也是风廓线雷达提供的基本数据产品之一, 可以反映大气湍流运动的变化强度(阮征等, 2008), 大气湍流运动强烈有利于污染物的扩散, 通过Cn2值的变化也可以研究污染物在垂直方向上的扩散能力.但由于Cn2值得量级较小而不容易比较其变化特征, 本研究对其进行-lgCn2处理并做图.由图 8可以看出, Cn2在在2017年12月29日和2018年1月3日有两个大值区, 而且高度延伸到3000 m以上, 这2个大值区的出现明显与当天强烈的下沉强气流相配合, 强烈的下沉运动使Cn2增大.而从12月17—28日, Cn2大值区在垂直方向上的最大高度呈下降趋势, 反映了湍流运动在垂直方向上的范围逐渐降低, 污染物扩散的范围也相应降低, 污染物在垂直方向上的扩散受到抑制, 污染状况加重;在12月29日之后, Cn2大值区在垂直方向上不断升高, 有利于污染物的扩散, 空气质量也变好.

图 8 成都地区污染期间大气折射率结构常数时间-高度剖面图 Fig. 8 Atmospheric refractive index structure constant time-height profile during pollution in Chengdu area

由以上的分析可见, 在空气污染天气过程中, 成都地区风场的垂直速度一般变化较小, 以弱上升和弱下沉气流为主, 当有强烈的下沉气流出现时, 污染物浓度也会随之发生较大变化, 因此, 需关注风场的垂直速度的变化.而大气折射率结构常数Cn2可以较好地反映污染物在垂直方向上的扩散能力, Cn2大值区在垂直方向上的高度较大时, 污染物在垂直方向上的扩散范围较大, 污染物浓度就会降低.由于风廓线雷达具有较高的时间分辨率, 可反映污染过程中细微的大气湍流运动变化, 因此, 对分析污染物浓度变化有重要的指示意义.

3.3 污染发生原因及来源分析 3.3.1 局地环流指数

局地环流(Recirculation)是由下垫面性质的不均匀性引起的区域性的热力或动力环流, 主要类型包括海陆风、湖陆风、山谷风、城市热岛环流等.局地环流中风向多变不一, 会影响污染物有效的扩散传输, 而局地环流指数(R指数)(Allwine et al., 1994)可以有效地表征风场的静稳程度及风场输送过程的稳定性, 可以较好地反映风场的输送能力.吴蒙等(20152016)利用R指数研究了海陆风对珠三角地区污染的影响, 认为在污染日向岸的海风会加剧大气污染程度.而在四川盆地的冬季, 东北冷气流会与川南西南气流形成盆地环流(刘文, 2011).成都位于四川盆地西部, 龙门山与龙泉山从东北向西南斜贯而过, 由于其特殊的地理环境、城市特有的下垫面, 以及天气系统的影响, 使得成都边界层风场复杂多变, 会形成山谷风、城市热力环流等局地环流, 因此, 本用R指数来研究其污染期间的风场特征, 其计算公式如下:

(3)
(4)
(5)

式中, L为矢量风累积输送距离(m);S为标量风累积输送距离(m);ks为起始时刻, ke为终止时刻;TL为时间间隔(h), 本研究中时间间隔为1 h;ukvk分别为经向风速和纬向风速(m·s-1).R指数越大, 接近1时表明风场可以进行有效输送, 而R指数越小, 表明局地环流很强, 可能存在污染物被输送出去后又被风场输送回来的情况, 污染物不能有效地输送扩散.

图 9是重污染期间4个污染阶段的R指数随高度的变化图, 在污染发展阶段, 低层大气R指数较大, 表明近地层风向稳定, 但在500~1000 m高度, 风向变化大, R指数变小, 造成污染物的滞留.在污染物浓度爆发式增长的两个阶段, R指数在近地层都比较小, 但在污染第一阶段, R指数随高度不增反降, 在460 m高度附近仅为0.31, 表明风向多变, 局地环流较强, 污染物水平向外扩散能力差, 这也是造成这段时间重污染的重要原因;而在污染第二阶段, R指数随高度增加, 在1300 m左右接近1, 风场水平输送能力强, 虽然在2000 m附近R指数有所减小, 但因为高度较高, 对污染扩散影响较小.在污染减弱阶段, 整层大气R指数都比较大, 污染物被稳定地输送, 污染减弱.

图 9 成都地区4个污染阶段R指数随高度变情况 Fig. 9 R index of height change with 4 pollution stages in Chengdu area
3.3.2 有效通风量

由于局地环流R指数只能体现风场中有效通风所占的比值, 其本身并不能直观地表现出风速的大小.而风速的大小对污染物的扩散也有重要的作用, 之前有学者(吴蒙等, 2015刘建等, 2015刘超等, 2019)运用边界层通风量(Ventilation Index, Ⅵ)(Pasch et al., 2011)来研究风场对污染物的输送能力.边界层通风量(Ⅵ)是指在边界层内风速累积的大小, 其计算公式为:

(6)

式中, i表示风廓线数据中该时刻从低到高的第i个数据;hi表示第i个数据所在的高度(m);Vi表示第i个数据所在高度的风速(m·s-1);max表示边界层高度内风廓线数据从低到高的最大i值.但由于成都地区局地环流强、风向多变, 而边界层通风量并没有考虑风向的影响, 所以在本研究中, 结合局地环流指数(R指数)和边界层通风量(Ⅵ), 重新定义一种适合成都风场特征的通风指数:有效通风量(Effective Ventilation Index, EVI), 用风场的矢量代替风场的标量, 其公式为:

(7)
(8)

式中, uikvik表示第i层高度k时刻的经向风速和纬向风速(m·s-1);VWi表示第i层高度的平均矢量风速(m·s-1).这样有效通风量(EVI)就可以准确地反映边界层内输送污染物能力, 结合之前计算的成都地区每日的混合层平均高度, 本文计算了此次重污染过程4个污染阶段的有效通风量均值(表 2).

表 2 成都地区4个污染阶段的有效通风量 Table 2 Effective ventilation index of four pollution stages in Chengdu area

表 2可知, 在污染发展阶段(12月17—20日)和减弱阶段(12月30日—1月3日), 成都边界层内有效通风量都比较大, 尤其是12月30日之后, 较大的有效通风量对污染物的扩散发挥了重要的作用.而在污染第一阶段(12月21—24日), 有效通风量仅为9768.3 m2·s-1, 表明这段时间风场对污染物的输送能力有限, 再结合此期间的R指数变化特征和逆温层、混合层高度特征, 可以推断, 污染第一阶段主要是由于成都地区污染物在水平和垂直方向上不能及时快速扩散输送而累积, 造成重污染的发生.而在第二个污染阶段(12月25—29日), 有效通风量较大, 风场等污染扩散条件明显好转, 考虑到期间成都地区被强大的东北风控制, 可能与东北方向有沙尘污染物输入有关.

3.3.3 污染来源分析

风场可以影响污染物的向外扩散, 同时也可能造成外地污染物对成都地区的输送.通过对重污染期间成都近地层1000 m以下的水平风场的分类分析, 发现成都近地层主导风向在12月25日前后发生突变, 如图 10所示, 在12月25日之前, 整体风速较小, 风向以西南风为主, 东南风次之, 东北风很弱, 但在12月25日之后, 转为稳定的东北风, 风速较大, 其他风向较少, 持续稳定而强大的东北风可能将污染物输送到成都, 造成第二次污染的发生.因此, 本文运用基于HYSPLIT模式的后向轨迹聚类分析来研究此次重污染期间污染物的输送特征.

图 10 成都地区在2017年12月25日前后两阶段的风玫瑰图 Fig. 10 Two stages of wind rose in Chengdu area around December 25, 2017

以成都(104.07°E, 30.67°N)为受体点, 以500 m高度作为研究高度, 分别对两个污染阶段(2017年12月21—24日、2017年12月25—29日)进行后向轨迹模拟计算, 每条轨迹模拟时长为48 h, 时间分辨率为1 h.第一次污染过程中(图 11a), 气团主要来源于成都西南和东南方向, 来自东北方向的气团较少;而第二次污染过程中(图 11b), 气团主要来自东北方向, 西南方向较少, 这与成都近地层的风向分析结果相一致.将气团轨迹进行聚类分析, 并结合污染物浓度数据, 分析各个聚类轨迹对成都地区污染的影响, 因为此次重污染过程中主要污染物是PM2.5, 所以运用PM2.5浓度资料, 并以PM2.5浓度国家二级标准(75 μg·m-3)作为标准来进行分析.

图 11 两个污染阶段的后向轨迹模拟(a、b)及聚类分析(c、d) Fig. 11 Backward trajectory simulation (a, b) and cluster analysis (c, d) of two pollution explosion stages

图 11c所示, 在污染第一阶段中, 聚类4出现的频率最高, 达到45.24%, 这类气团移速很慢, 源于成都附近, 在成都地区长时间滞留, 属于成都地区的局地环流, 这类气团携有较多的污染物, 在其主导下的受点PM2.5浓度最高, 达到148.33 μg·m-3;来自成都西北方向的聚类1、2移速较快, 途径西藏、川西高原等污染较少的区域, 所以气团中污染物极少, 这两类气团主导下的受点PM2.5浓度最低, 分别为120.88 μg·m-3和127.17 μg·m-3;聚类3的出现频率小, 仅为15.48%, 对受点的影响较小.在污染第二阶段(图 11d), 除了聚类2来自成都西南方向, 其余3类气团都来自成都东北方向;聚类1出现频率最高, 到达50.93%;而聚类3途径沙尘源区的甘肃、陕西省, 移速较快, 出现频率为16.20%, 其气团中可能携有大量的沙尘, 是造成成都地区污染第二阶段后期12月29—30日PM10浓度急剧上升的主要原因;聚类4出现频率也较高, 为20.69%, 这类气团源于重庆, 先向北运动, 在川北折向从东北方向进入成都地区, 其主导下的受点PM2.5浓度最高, 远超其他3类, 达到了179.95 μg·m-3.由此可以看出, 来自成都东北方向的这3类气团出现频率高, 而且携带有大量沙尘污染物, 从东北方向输送进入成都, 使成都地区遭受了严重污染, 是造成此次重污染过程中第二个污染阶段的主要原因.

表 3 两个污染阶段聚类数据对比 Table 3 Comparison of clustering data in two pollution stages
4 结论(Conclusions)

1) 利用探空数据与风廓线雷达数据进行对比验证, 结果表明, 风廓线雷达数据在成都地区有较好的适用性.利用风廓线雷达数据对成都地区2017年12月17日—2018年1月3日的一次典型的持续性重污染天气过程进行了研究, 认为当成都地区水平风场风速较小且风向多变时, 此时受静稳型天气控制, 污染物浓度会累积增长, 而当出现较强的东北风时, 可能会有沙尘污染物的输入, 应注意沙尘天气的提前预警, 但在一定情况下北方冷平流的出现可能破坏成都地区上空的稳定层结, 从而使污染扩散条件变好, 污染减轻.垂直风场中垂直速度和大气折射率结构常数Cn2的变化往往影响着污染物浓度的变化, 由于风廓线雷达具有较高的时间分辨率, 因此, 对污染天气过程的变化有一定的指示意义.

2) 结合局地环流指数(R指数)和边界层通风量(Ⅵ), 定义了一种适合成都风场特征的通风指数:有效通风量(EVI), 该指数可反映成都地区边界层风场对污染物的真实输送能力.当有效通风量较小时, 污染物浓度会累积增长.利用R指数和有效通风量(EVI)对此次重污染过程中污染第一阶段进行分析, 认为在静稳天气控制下, 成都近地层R指数和有效通风量(EVI)较小, 表明风场对污染物的输送能力差, 污染物不易扩散稀释, 从而导致污染物累积, 造成污染物浓度爆发式增长.

3) 成都地区在污染第二阶段转为强大的东北风控制, 风场等扩散条件明显好转, 对两个污染阶段进行后向轨迹模拟, 并结合PM2.5浓度数据进行聚类分析, 认为在第一个污染阶段污染物主要来自成都附近地区, 而第二次污染主要是东北方向携带有大量沙尘等污染物的气团输送到成都地区导致的, 因此, 当西北地区发生沙尘天气时, 应注意沙尘污染物对成都地区的输送.

参考文献
Allwine K J, Whiteman C D. 1994. Single-station integral measures of atmospheric stagnation, recirculation and ventilation[J]. Atmospheric Environment, 28(4): 713-721.
陈朝平, 杨康权, 冯良敏, 等. 2015. 四川盆地一次持续性雾霾天气过程分析[J]. 高原山地气象研究, 35(3): 73-77.
程水源, 席德立, 张宝宁, 等. 1997. 大气混合层高度的确定与计算方法研究[J]. 中国环境科学, 17(6): 512-516.
崔萌, 安兴琴, 范广洲, 等. 2018. 北京一次重污染过程的天气成因及来源分析[J]. 中国环境科学, 38(10): 3628-3638.
Draxler R R, Hess G D. 1998. An overview of the hysplit-4 modeling system for trajectories, dispersion, and deposition[J]. Australian Meteorological Magazine, 47(4): 295-308.
冯鑫媛, 王式功. 2014. 冷锋天气过程大气边界层特征与颗粒物污染[J]. 干旱区研究, 31(4): 585-590.
苟玉清, 许东蓓. 2018. 成都市2017年12月下旬重污染过程及气象条件特征[J]. 干旱气象, 36(6): 1012-1019.
花丛, 刘超, 张恒德. 2017. 风廓线雷达资料在北京秋季雾霾天气过程分析中的应用[J]. 气象科技, 45(5): 870-875.
姜大膀, 王式功, 郎咸梅, 等. 2001. 兰州市区低空大气温度层结特征及其与空气污染的关系[J]. 兰州大学学报, (4): 133-138.
蒋维楣, 孙鉴泞, 曹文俊, 等. 1993. 空气污染气象学教程[M]. 北京: 气象出版社, 5-12.
李菲, 吴兑, 谭浩波, 等. 2012. 广州地区旱季一次典型灰霾过程的特征及成因分析[J]. 热带气象学报, 28(1): 113-122.
李宗恺, 潘云仙, 孙润桥. 1985. 空气污染气象学原理及应用[M]. 北京: 气象出版社, 122.
刘超, 花丛, 张恒德, 等. 2019. 基于风廓线雷达的北京春季一次"先霾后沙"空气污染过程分析[J]. 中国沙漠, (5): 1-9.
刘超, 张碧辉, 花丛, 等. 2018. 风廓线雷达在北京地区一次强沙尘天气分析中的应用[J]. 中国环境科学, 38(5): 65-71.
刘建, 吴兑, 范绍佳. 2015. 珠江三角洲区域污染分布及其垂直风场特征[J]. 环境科学, 36(11): 3989-3998.
刘文.2011.成都经济圈(城市群)大气边界层模拟[D].成都: 西南交通大学.28-41 http://cdmd.cnki.com.cn/Article/CDMD-10613-1011234960.htm
Pasch A N, Macdonald C P, Gilliam R C, et al. 2011. Meteorological characteristics associated with PM2.5 air pollution in Cleveland, Ohio, during the 2009-2010 Cleveland Multiple Air Pollutants Study[J]. Atmospheric Environment, 45(39): 7026-7035.
钤伟妙, 张艳品, 陈静, 等. 2018. 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, 38(9): 3438-3448.
Sateesh M, Soni V K, Raju P V S. 2018. Effect of diwali firecrackers on air quality and aerosol optical properties over Mega City (Delhi) in India[J]. Earth Systems and Environment, 2(2): 293-304.
Stein A F, Draxler R R, Rolph G D, et al. 2016. NOAA's HYSPLIT atmospheric transport and dispersion modeling system[J]. Bulletin of the American Meteorological Society, 96(12): 2059-2077.
Stull R B. 1991. 边界层气象学导论[M]. 北京: 气象出版社, 3-20.
阮征, 何平, 葛润生. 2008. 风廓线雷达对大气折射率结构常数的探测研究[J]. 大气科学, 32(1): 133-140.
王芳龙, 李忠勤, 尤晓妮, 等. 2018. 2015-2017年天水市大气污染物变化特征及来源分析[J]. 环境科学学报, 38(12): 4592-4604.
Wang Y Q, Zhang X Y, Draxler R R. 2009. TrajStat:GIS-based software that uses various trajectory statistical analysis methods to identify potential sources from long-term air pollution measurement data[J]. Environmental Modelling & Software, 24(8): 938-939.
吴兑. 2012. 近十年中国灰霾天气研究综述[J]. 环境科学学报, 32(2): 257-269.
吴蒙, 罗云, 吴兑, 等. 2016. 珠三角干季海陆风特征及其对空气质量影响的观测[J]. 中国环境科学, 36(11): 3263-3272.
吴蒙, 吴兑, 范绍佳. 2015. 基于风廓线仪等资料的珠江三角洲污染气象条件研究[J]. 环境科学学报, 35(3): 619-626.
吴庆梅, 张胜军. 2010. 一次雾霾天气过程的污染影响因子分析[J]. 气象与环境科学, 33(1): 12-16.
颜玉倩, 朱克云, 张杰, 等. 2016. 成都地区春季一次持续性灰霾天气过程特征及预测[J]. 气象与环境学报, 32(1): 33-39.
俞剑蔚, 孙燕, 张备, 等. 2009. 江苏沿江一次重霾天气成因分析[J]. 气象科学, 29(05): 664-669.
赵鸣, 苗曼倩, 王彦昌. 1991. 边界层气象学教程[M]. 北京: 气象出版社, 347-359.
周颖, 向卫国. 2018. 四川盆地大气混合层高度特征及其与AQI的相关性分析[J]. 成都信息工程大学学报, 33(5): 562-571.
Zeng S L, Zheng Y Y. 2019. Analysis of a severe pollution episode in December 2017 in Sichuan Province[J]. Atmosphere, 10: 156.