1 引言(Introduction)

大气颗粒物会导致空气质量下降, 能见度降低, 严重时会形成霾污染(沈利娟等, 2019；Peter et al., 2019), 此外大气颗粒物还会通过吸收, 散射太阳辐射影响辐射传输, 影响大气消光系数, 改变大气能见度.颗粒物在大气环境中的行为及其对环境、气候、人体健康等方面的影响与其粒径大小和谱分布特征息息相关(夏志勇等, 2019), 因此研究颗粒物的粒径和谱分布特征具有重要意义.大气能见度是反映大气透明度的一个指标, 一般为具有正常视力的人在当时天气条件下能够看清目标轮廓的最大地面水平距离.大气能见度是反映大气环境质量的重要指标, 也与人们的日常生活息息相关, 因此对能见度的研究受到国内外气象环境工作者的广泛关注.

国外于20世纪初开始对颗粒物谱分布进行研究, Hussein等(2005)开发和评估了一个算法参数化气溶胶粒子数大小分布的多对数正态分布函数, 并将大气颗粒物按照粒径分为核模态、爱根核模态、积聚模态、粗粒子模态.国内在20世纪80年代开始对数浓度谱分布的研究, 中国科学院大气物理研究所在1983年提出三参数谱分布函数.夏志勇等(2019)分析了济南市冬季大气颗粒物粒径谱分布特征, 发现济南市冬季大气颗粒物以细颗粒物为主, 积聚模态是可吸入颗粒物(PM₁₀)的主要组成部分.杨素英等(2017)对华东高海拔地区夏季颗粒物数浓度及谱分布特征进行分析, 发现黄山夏季颗粒物主要集中在爱根核模态, 其在高湿的西南气团影响下数浓度最低、数浓度谱最窄, 在高温、低湿的东南气团下数浓度最高、数浓度谱最宽.国内外关于颗粒物对能见度的影响已开展了较多研究, Liu等(2018)使用HYSPLIT模型对印度受火灾影响最严重的3个城市德里、班加罗尔和浦那的“空气区”内燃烧排放的影响进行了测量, 发现在季风后, 日空气流内的卫星火灾辐射功率(FRP)峰值与低能见度相关.Deshpande等(2014)在斯瓦尔巴群岛的北极地区对气溶胶数浓度与风速的关系进行了研究, 发现气溶胶粒子的总数量浓度随风速的增加而增加.Pui等(2014)对PM各方面特征做了总结, 其中PM_2.5浓度与大气能见度密切相关, PM_2.5化学组分中的硫酸盐、铵盐和硝酸盐是影响大气能见度的主要组分.别淑君等(2019)对PM_2.5化学组分季节变化特征及其对能见度的影响进行分析, 发现济南地区大气消光系数呈夏低东高的趋势.李菲等(2019)研究了利用PM_2.5反演气溶胶数浓度谱方法(PNSD), 为使用PNSD数据提供了便利.浦静姣等(2017)对长三角地区大气污染对能见度的影响研究发现长三角地区的能见度特征值约为9.7 km, 人为源污染气团的影响会导致能见度下降约4.4 km.

成都地处四川盆地, 是我国西南经济中心, 人口稠密, 加之深盆地形和全年湿度较高的特殊地理及气象条件, 秋冬季细颗粒物(PM_2.5)污染态势依然相当严峻.李芳芳等(2017)研究了成都市大气颗粒物谱分布特征发现颗粒物的数浓度谱呈单峰型, 峰值在0.25~0.28 μm.刘凡等(2018)对成都冬季RH对颗粒物浓度和能见度的影响研究, 发现高颗粒物浓度和高RH协同作用导致低能见度事件, 当颗粒物浓度较高时, 大气消光主要由PM_2.5浓度控制, RH对能见度的影响减弱.但当前对探究四川盆地区域不同粒径段颗粒物数浓度对能见度影响的研究则鲜见报道.因此, 本研究使用环境颗粒物分析仪(GRIMM180)对成都2018年10月—2019年9月的颗粒物数浓度进行连续在线观测, 对其谱分布特征进行分析, 并结合气象观测数据研究其对能见度的影响, 以期更深入地探讨不同湿度情况下颗粒物粒径分布特征及其对能见度的影响机制.

2 数据和方法(Data and methods) 2.1 研究区域和数据

外场观测在成都信息工程大学城市环境气象观测站展开(30°35′N, 103°59′E, 采样器距地面高约3 m)附近主要为学校和居民区, 南侧约1 km为成都机场高速, 北侧约350 m为成都绕城高速, 西侧约3 km为双流国际机场.对观测站点产生影响的源主要是生活源及交通源.利用GRIMM180监测颗粒物数浓度和质量浓度, 该仪器利用激光散射原理测量单粒子, 观测的粒径范围为0.25~32 μm, 对应C1~C31一共31个通道(表 1), 时间分辨率为5 min, 采样流量为1.2 L·min^-1, 测量量程为1500 μg·m^-3.观测时间为2018年10月—2019年9月, 对得到的数据进行质控后得到了8717个有效样本, 然后按逐时, 逐日平均处理, 其中0.25~2.5 μm粒径段粒子浓度占总粒径段的99%, 因此在本文的分析中不考虑2.5~32 μm粒径范围.为确保数据可靠性, 将观测站点GRIMM180观测所得PM_2.5逐时质量浓度数据与附近国控环境监测站点三瓦窑(1433A)热电仪(THERMO)监测的PM_2.5逐时质量浓度数据进行对比检验(图 1), PM_2.5质量浓度平均值分别为(54.65±18.66) μg·m^-3, (56.75±24.06) μg·m^-3, 二者差别不大, 所以观测所得数据为有效可信的数据.能见度、相对湿度(RH)和降水量等气象数据来自双流气象局, 其距离观测场6.8 km.

2.2 数浓度谱拟合方法

关于数浓度谱分布的研究, 使用J谱分布函数对数浓度谱分布进行拟合(李芳芳等, 2107), J谱是Junge在20世纪初对大气颗粒物的研究中发现并提出, 其表达式见式(1).

(1)

式中, c, v为待定参数, n为数浓度(个·cm^-3), r为粒子半径(μm).

用Fortran自编程序求得数浓度谱数据, 在假设粒子为球体的前提下运用式(2)、式(3)可求得颗粒物的表面积谱和体积(丁朔等, 2017).

(2)

(3)

式中, n_N(D_p)、n_S(D_p)、n_V(D_p)分别是颗粒物的数浓度谱(个·cm³)、表面积谱(μm²·cm^-3)、体积谱(μm²·cm^-3), D_p为颗粒物粒子的直径, n_N(D_p)为颗粒物的数密度函数.

3 结果与讨论(Results and discussion) 3.1 颗粒物谱分布

数浓度谱分布指的是单位粒径范围内数浓度的大小, 本研究可以使用谱分布函数来对其进行描述(曹蔚等, 2017；Malinina et al., 2018；Cornet et al., 2018；郑淑睿等, 2019), 如图 2所示, 观测期间4个季节的相关系数均>0.97.数浓度谱均呈单调下降趋势, 峰值粒径为0.25~0.28 μm, 成都颗粒物数浓度主要由0.5 μm以下的细粒子贡献, 粗粒子则较少, 1 μm以上的粒子数浓度维持在较低水平, 相较于吴丹等(2017)观测到南京北郊颗粒物数浓度主要由1 μm以下细粒子贡献的结果, 成都细粒子数浓度占比更大.图 3a为大气颗粒物表面积浓度谱分布, 2018年秋季和2019年夏季呈双峰分布, 峰值分别为0.25~0.28 μm和0.4~0.45 μm；2018年冬季和2019年春季呈三峰分布, 3个峰值分布出现在0.25~0.28、0.3~0.35以及0.4~0.45 μm之间.颗粒物表面积浓度分布中大部分为0.25~0.28 μm间的粒子, 其属于积聚模态粒子(0.1~0.8 μm), 由于颗粒物粒子的数浓度和表面积浓度影响粒子对大气的消光作用, 因此0.25~0.28 μm间的粒子占比越大, 对能见度的影响越大(张金娜等, 2007).图 3b为颗粒物体积浓度谱分布, 观测期间四个季节均为三峰分布, 且峰值亦都分布在0.25~0.28、0.3~0.35以及0.4~0.45 μm之间, 由此可见成都市颗粒物的体积浓度峰值亦主要集中在0.25~0.8 μm间.

3.2 颗粒物浓度及其粒径分布对能见度的影响 3.2.1 数浓度粒径分布特征

为了解不同粒径颗粒物数浓度的特征, 将颗粒物分为0.25~0.3、0.3~0.5、0.5~1.0、1.0~2.5 μm共4个粒径段, 2018年10月—2019年9月平均数浓度为3318.65个·cm^-3, 以细粒子为主, 其中0.25~0.3 μm的粒子数浓度占比为58.24%, 0.3~0.5 μm的粒子数浓度占39.51%, 考虑观测场附近主要有来自食堂做饭的生活源和附近公路的交通源, 而烹饪产生的粒子数浓度最大值出现在超细颗粒物段(刘新春等, 2016), 机动车尾气排放产生的颗粒物中 < 0.1 μm的超细颗粒物占比亦很高(Hurtley et al., 2018), 0.1~1 μm的累积态颗粒物主要由超细颗粒物积聚产生, 在本研究中0.25~0.5 μm的粒子数浓度占比很大.表 2对比了本研究与其他不同地区的研究结果(崔虎雄等, 2014；杨志文等, 2017), 发现本研究中观测到的颗粒物数浓度高于国内大多城市, 就细粒子来看0.25~2.5 μm粒径段细粒子比乌鲁木齐高18.6%.

3.2.2 数浓度日变化特征

颗粒物数浓度日变化特征如图 4所示, 2018年秋季0.25~0.3 μm的高浓度峰值出现在9:00—11:00, 在10:00左右达到峰值, 这与交通排放和太阳辐射增强有利于新粒子生成有关, 0.3~0.5 μm的粒子数浓度从08:00开始升高, 到11:00达到峰值, 19:00左右达到谷值.2018年冬季粒子数浓度最高, 其日平均变化范围为3601~4739个·cm^-3, 其中0.25~0.3 μm和0.5~1 μm的粒子数浓度均呈双峰型, 第一个峰值出现在03:00, 可能与夜间边界层较低及附近两条公路的夜间柴油货运车辆排放有关(朱春等, 2010；周书华等, 2015)；第二个峰值出现在11:00, 可能与早高峰交通活动以及食堂做饭的生活源排放有关(杨柳等, 2012).2019年春季0.25~0.3 μm的粒子数浓度较高时段集中在08:00—10:00, 峰值出现在09:00, 主要考虑和交通排放有关, 0.3~0.5 μm和1~2.5 μm段的粒子数浓度峰值均出现在09:00, 2019年夏季0.25~0.3、0.3~0.5和0.5~1 μm段的粒子均为双峰型(在03:00和09:00达到峰值), 比2018年秋季、冬季提前了1~2 h, 主要考虑春季, 夏季日出时间相比秋季, 冬季早.

3.2.3 颗粒物质量浓度对能见度的影响

利用SPSS对2018年10月—2019年9月间不同季节不同RH下的逐时能见度数据与PM_2.5质量浓度分别做Pearson相关分析.由表 3可知, 随着RH的增加, PM_2.5质量浓度呈上升趋势, PM_2.5质量浓度与能见度呈负相关, 且PM_2.5质量浓度和能见度的相关性在2018年秋季相关性最大(-0.86~-0.78), 2019年夏季二者间的相关性最小(-0.36~-0.11).

现有研究(崔虎雄等, 2014)指出, 运用幂函数可对能见度与PM_2.5质量浓度进行拟合, 本研究也采用幂函数(Y=aX^b)对二者进行拟合, 在排除有降水后的全样本情况下能见度和PM_2.5质量浓度间的相关系数为0.42, 若在RH≤90%的情况下, 二者的相关系数上升为0.53.这是因为在高湿环境下, 能见度主要受水汽影响, PM_2.5的影响则相对较小.为了进一步探究大气能见度和PM_2.5质量浓度间的相关关系, 排除高湿样本(RH>90%)后, 将RH分为 < 60%、60%~70%、70%~80%和80%~90% 4个等级, 分别绘制出各湿度等级下样本的散点图和幂函数拟合曲线, 并计算出相关系数(R²).由图 5可见, 4类RH等级下, 能见度与PM_2.5质量浓度均呈负相关, R²均通过α=0.01的显著性检验；在同一RH等级下, 随着PM_2.5质量浓度的增加, 能见度呈下降趋势, 且随着RH的增大, 能见度随着PM_2.5质量浓度升高而降低的趋势更加显著, 这是由于RH增大时粒子吸湿增长, 粒径增大, 对光的散射作用增强, 导致能见度降低(Shen et al., 2016；Liu et al., 2018；Wang et al., 2018；Zhang et al., 2019；李有宏等, 2019；王继康等, 2019).

3.2.4 颗粒物数浓度对能见度的影响

表 4中, 2018年冬季颗粒物数浓度对能见度的影响最大, 结合表 3得知, RH与能见度的相关性也在2018年冬季最大, 因此, 2018年冬季能见度受水汽和粒子数浓度的复合影响.2018年秋季和2019年春季在0.25~0.3 μm粒径段粒子数浓度与能见度的相关性最好, 2018年冬季和2019年夏季则是0.3~0.5 μm粒径段的粒子数浓度与能见度的相关性最好.考虑与可见光谱的范围有关, 其范围为380~780 nm, 其中人眼最敏感的是550 nm波长, 由于0.3~0.5 μm粒径段中的粒子大多属于这个范围, 粒子尺度接近入射光波长, 易发生米散射影响能见度(Yu et al., 2018；张敏等, 2019).PM_2.5质量浓度和粒子数浓度对能见度的影响均是在2018年冬季最大, 是因为冬季的数浓度, PM_2.5质量浓度高于其他三个季节, 因而对光的散射作用最强.

图 6为成都不同RH等级下能见度与颗粒物数浓度分布特征及幂函数拟合曲线.在RH < 60%和60%~70%时, 0.25~0.3 μm粒径段粒子数浓度对能见度的影响最大, 而随着颗粒物粒径的增大, 能见度和粒子数浓度的相关性呈下降趋势；当RH在70%~80%范围内, 0.3~0.5 μm粒径段粒子数浓度对能见度的影响最大；RH为80%~90%和RH>90%时, 粒子数浓度与能见度的相关系数在0.3~0.5 μm和0.5~1 μm最大.可以得出, 在低RH(< 70%)下, 0.25~0.3 μm粒径段粒子数浓度对能见度影响最大, 在中等RH(70%~80%)下, 0.3~0.5 μm粒径段粒子数浓度对能见度的影响最大, 而在高RH(>80%)下, 0.3~0.5 μm和0.5~1 μm粒径段粒子数浓度对能见度影响相当.

已有研究表明四川盆地一带是中国硫酸盐的高浓度区域(曾培培等, 2015), 同时也是我国辐射强迫最强的区域, 辐射强迫数值与硫酸盐的柱浓度有较好的相关性, 盆地全年硫酸盐浓度一直维持在较高水平, 最高可达27 μg·m^-3.考虑当RH升高时发生液相均相反应, SO₂浓度下降, 硫酸盐浓度上升, 为硫酸盐的生成创造了有利的条件, 且RH升高时, 亚微米硫酸盐(0.5~0.6 μm)可吸湿增长粒径增长可达2~7倍, 亚微米硫酸盐是PM_2.5的重要前体物(Dougle et al., 1996), 粒径多集中在0.3~0.5 μm和0.5~1 μm, 因此当RH升高时, 硫酸盐浓度上升, 粒径增大, 能见度下降, 所以随着RH的升高, 0.3~0.5 μm和0.5~1 μm的粒子数浓度和能见度的相关性最好(Zou et al., 2018；Shahid et al., 2016).

3.2.5 气象因素对能见度的影响

图 7为不同湿度下的风向图, 随着相对湿度增加, 静风频率显著上升, 在RH为60%~90%时北风和偏北风占比最大, 随着RH增大, 能见度呈下降趋势(表 5), 由此可知, 静风时, 易出现低能见度日, 北风和偏北风出现时, 低能见度几率较高.对温度和风速分别与能见度做相关分析(表 5, 表 6), 其中温度和能见度的相关性最显著, 且温度和能见度整体上呈正相关, 全年较弱, 在RH < 60%和80%~90%时温度与能见度之间相关性较大, RH在60%~80%之间二者相关性较小.风速与能见度也呈正相关, 成都常年地面风速小, 静风比例高, 对颗粒物传输影响较小(成青燕等, 2018), 因而风速和能见度间的相关性也小.

4 结论(Conclusions)

1) 2018年10月—2019年9月, 成都大气颗粒物以细粒子为主, 平均粒子数浓度为3318.6个·cm^-3；0.25~2.5 μm粒径段粒子浓度占总浓度的99%.

2) 成都大气颗粒物数浓度的日变化特征为2018年秋季和2018年冬季粒子数浓度在10:00—11:00达到峰值, 2019年春季和2019年夏季粒子数浓度峰值出现在09:00(比秋冬季提前了1~2 h).

3) 成都大气颗粒物数浓度谱呈单调下降趋势, 在0.25~0.28 μm之间出现峰值；2018年秋季和2019年夏季表面积谱呈双峰分布, 峰值分别在0.25~0.28 μm和0.4~0.45 μm之间；2018年冬季和2019年春季表面积谱呈三峰分布, 峰值分别出现在0.25~0.28、0.3~0.35、和0.4~0.45 μm之间；颗粒物体积谱有3个峰值在0.25~0.28、0.3~0.35、以及0.4~0.45 μm之间.

4) 随着RH的增加, PM_2.5质量浓度呈上升趋势且与能见度呈负相关；同时, 随着RH的增大, 能见度随着PM_2.5质量浓度升高而降低的趋势更加显著.

5) PM_2.5导致能见度降低的主要影响来源于0.25~0.5 μm粒径段粒子对可见光波段的米散射效应；但在不同RH情况下, 不同粒径段颗粒物数浓度对能见度的影响程度有所差别：在低RH(< 70%)下, 0.25~0.3 μm粒径段粒子数浓度对能见度影响最大, 在中等RH(70%~80%)下, 0.3~0.5 μm粒径段粒子数浓度对能见度的影响最大, 而在高RH(>80%)下, 0.3~0.5 μm和0.5~1 μm粒径段粒子数浓度对能见度影响相当.