四川盆地近地面风场及污染物输送通道统计分析

引用本文

罗青, 廖婷婷, 王碧菡, 等. 2020. 四川盆地近地面风场及污染物输送通道统计分析[J]. 环境科学学报, 40(4): 1374-1384.

Luo Q, Liao T T, Wang B H, et al. 2020. Statistical analysis of near-surface wind field and transport pathways of pollutants in Sichuan Basin[J]. Acta Scientiae Circumstantiae, 40(4): 1374-1384.

四川盆地近地面风场及污染物输送通道统计分析

[PDF全文]

罗青¹, 廖婷婷¹, 王碧菡¹, 江慧娴¹, 王思慧¹, 欧阳正午¹, 林大诚², 孙玺¹

1. 成都信息工程大学大气科学学院, 高原大气与环境四川省重点实验室, 成都 610225;
2. 民航华北地区空中交通管理局内蒙古分局, 呼和浩特 010000

收稿日期: 2019-10-22; 修回日期: 2020-01-01; 录用日期: 2020-01-01

基金项目: 国家重点研发计划（No.2018YFC0214003，2016YFA0602004）；国家自然科学基金重大研究计划重点支持项目（No.9164426）

作者简介: 罗青(1997-), 女, E-mail:luo_qing1@163.com

通讯作者（责任作者）: 廖婷婷, E-mail:ltt2014@cuit.edu.cn

摘要：利用2017年四川盆地18个城市PM_2.5小时浓度数据、欧洲气象中心ERA-Interim再分析资料对四川盆地污染特征及不同季节近地面风场特征进行统计分析.通过分异指数和相关性分析各城市PM_2.5逐小时浓度，结合近地面风场特征分析出四川盆地污染物变化趋势最相似的城市组合，探索污染物传输特征.研究发现，分异指数和相关性分析得到的传输通道城市组合与地面风场基本相符.四川盆地污染物输送途径可能包括以下3条路径，第1条"川西通道"：污染物随气流沿广元→绵阳东南部→德阳→成都、眉山北部→雅安流动；第2条"川中通道"：污染物随气流沿巴中→南充北部→遂宁北部、绵阳东南部→资阳北部→眉山东部→乐山北部流动；第3条"川东通道"：污染物随气流沿重庆北部→达州、广安→南充南部→遂宁中部→资阳东部→内江、自贡→宜宾、泸州流动.川西通道城市污染排放量大，容易引起连片污染，对应城市群应实施联防联控；川东通道末端在川南城市群和重庆形成风场辐合，造成污染物的滞留和累积，因此，建议在中长期产业布局中减少川南城市群的重污染企业.

关键词：四川盆地 PM_2.5污染特征近地面风场污染物输送通道

Statistical analysis of near-surface wind field and transport pathways of pollutants in Sichuan Basin

LUO Qing¹, LIAO Tingting¹, WANG Bihan¹, JIANG Huixian¹, WANG Sihui¹, OUYANG Zhengwu¹, LIN Dacheng², SUN Xi¹

1. Plateau Atmospheric and Environment Key Laboratory of Sichuan Province, College of Atmospheric Science, Chengdu University of Information Technology, Chengdu 610225;
2. Inner Mongolia Branch of Air Traffic Management Bureau of North China Civil Aviation, Huhhot 010000

Received 22 October 2019; received in revised from 1 January 2020; accepted 1 January 2020

Abstract: The PM_2.5 hourly concentration data of 18 cities published by MEP in 2017 and the reanalysis data of the European meteorological center ERA-Interim was used to discuss the pollution characteristics of Sichuan Basin and the seasonal characteristics of the near-surface wind field in the Sichuan Basin respectively. The hourly concentration of PM_2.5 in each city was analyzed through coefficient of divergence index and correlation, and the combination of city with the most similar trend of pollutant change (PM_2.5) in Sichuan Basin was analyzed based on the characteristics of near-surface wind field, so as to explore the characteristics of pollutant transmission. We found that the city combination of transmission analyzed by coefficient of divergence index and correlation is basically consistent with the results analyzed by surface wind field. The transport pathways of pollutants in the Sichuan Basin may include the following three routes, the first "pathway in western Sichuan Basin" is Guangyuan, South East of Mianyang, Deyang, Chengdu and Miangyang North, and Ya'an. The second "pathway in mid Sichuan Basin" is Bazhong, Nanchong North, northern Suining and South East of Mianyang, northern Ziyang, eastern Meishan and Leshan north. The third path is called "pathway in eastern Sichuan Basin", air flows along Chongqing North, Dazhou, Guangan, Nanchong South, central Suining, eastern Ziyang, Neijiang and Zigong, and finally arrives in Yibin and Luzhou. The cities along the western pathway have a large amount of pollutants emission, which is easy to cause continuous pollution. So joint prevention and control should be implemented in corresponding city clusters. The wind field converges at the end of the eastern pathway, with city clusters in southern Sichuan and Chongqing, resulting in the retention and accumulation of pollutants. Therefore, it is suggested to reduce heavy polluted enterprises in city clusters which locate in southern Sichuan in the medium and long term industrial layout.

Keywords: Sichuan Basin characteristics of PM_2.5 pollution near-surface wind field the transport pathways of air pollutants

1 引言(Introduction)

细颗粒物PM_2.5对环境(Kan et al., 2013)、气候(潘月鹏等, 2014)、人体健康(Guan et al., 2012)均有影响.近年来研究发现, PM_2.5污染呈现持续、连片的趋势(潘红玲, 2015; 张殷俊等, 2015; Huang et al., 2015; 夏冬等, 2016).2013年以来, 中央要求重点区域进行铁腕治霾, 相关部门相继制定了城市PM_2.5改善目标(张昆峰, 2014; 孟露露等, 2017; 王彦超等, 2018; 彭菲等, 2018).对于一个城市来说, PM_2.5一部分来自本地排放, 一部分来自外地输送(孔珊珊等, 2017; 王彤等, 2019), 且PM_2.5的传输特征与不同的气象因子、边界层结构有关(Wang et al., 2014).一个区域要整体改善空气质量, 除研究污染成因、控制本地的排放外, 还要掌握其传输特征.只有相关传输通道上的城市协同减排, 才能达到区域空气质量达标的目的.近地面风场对于城市之间污染物的输送至关重要.目前, 对于近地面风场国内外学者做了许多研究.有学者为获取某一地区风场特性参数进行了现场实测(Sharma et al., 1999; 李正农等, 2013)；有学者利用模式系统对近地面风场进行了模拟和分析(吕萍等, 2012; 孙学金等, 2017; 于海鹏等, 2017)；有学者修正了近地面风场模拟模式(杨城等, 2015)；对于大气扩散及污染物输送特征的研究, 有学者选取定点, 使用HYSPLIT后向轨迹模式、潜在源分析方法对目标城市进行污染物传输通道分析(Lam et al., 2001; 何启超等, 2013; Wang et al, 2015；Liao et al., 2017; 李正等, 2018)；有学者则采用将模式与观测结果相结合的研究方法(李莉等, 2007; 张振州等, 2014).

四川盆地受到高污染物排放和四面环山封闭地形的限制(Liao et al., 2017), 是我国污染最为严重的区域之一(Zhai et al., 2019).但目前对四川盆地的污染气象研究相对较少, 对整个盆地区域大气扩散及污染物输送特征的研究还不够深入.其中, 污染气象方面的已有研究包括：靳小兵等(1992)和文术等(1995)利用成都地区的湍流特征量的测定值来确定当地扩散参数；但尚铭(1996)和宗子就(1992)分别分析了成都和重庆的逆温和温度层结特征；曹文俊等(1994)初步研究了重庆冬季大气边界层湍流扩散能力；但尚铭等(1995)分析了四川盆地冬季风速、降水量与大气污染浓度之间的关系；宁贵财(2018)结合四川盆地海拔高度及地形特征, 就其大气污染特征分别进行分析, 评估了盆地内部和外部排放源对易出现空气重污染的成都地区冬季空气质量的贡献；Liao等(2018)和欧阳正午等(2019)分别就冬季川渝地区的空气停滞日发生频率时空分布及其对空气质量的影响、四川盆地冬季空气停滞特征等进行了对比分析.对于四川盆地污染物输送方面, Liao等(2017)通过分析2013年冬季四川盆地重污染过程, 讨论了重污染发生时盆地内的PM_2.5传输路径和潜在污染源区；林娜(2015)基于东亚大气环流及青藏高原流场对四川盆地流场的影响, 总结出大气污染物在四川省内主要有3条污染物传输路径.但以上研究仅从重污染的气象成因、基于重点城市的后向轨迹分析污染物传输来源或仅从大尺度的环流形势研究污染物输送特征, 方法相对单一.尚未有通过地面季节风场特征与污染物浓度相互验证的统计方法, 利用城市站点数据之间的同步变化, 统计分析污染物地面传输路径.

基于此, 本文利用2017年四川盆地18个城市PM_2.5小时浓度数据、欧洲气象中心ERA-Interim再分析资料统计四川盆地污染特征及不同季节近地面风场特征.通过分异指数和相关性分析各城市PM_2.5逐小时浓度, 结合近地面风场特征分析出四川盆地污染物变化趋势最相似的城市组合, 探索污染物传输特征.以期为控制四川盆地大气污染、制定大气污染联控策略提供更为精细和可靠的科学依据.

2 数据和方法(Data and methods) 2.1 研究区域

本文研究区域为四川省和重庆市, 包括海拔较低的18个城市：自贡、宜宾、乐山、成都、泸州、德阳、雅安、绵阳、达州、内江、眉山、南充、重庆、遂宁、广安、巴中、资阳和广元, 具体如图 1所示.

图 1 四川盆地地形及主要城市分布 Fig. 1 The terrain and distribution of main cities in Sichuan Basin

2.2 数据资料

本研究使用2017年ERA-Interim(欧洲气象中心(European Centre for Medium-Range Weather Forecasts, EC-MWF))(http://apps.ecmwf.int/datasets/data/)的10 m地面风向风速、950 hPa(海拔高度约700 m)风向风速再分析资料对近地面风场进行分析.ERA-Interim再分析资料为月产品, 空间分辨率为0.25°×0.25°.

所使用的近地面污染物浓度数据来自中国环境监测总站(http://106.37.208.233:20035), 中国环保部公布的18个城市(自贡、宜宾、乐山、成都、泸州、德阳、雅安、绵阳、达州、内江、眉山、南充、重庆、遂宁、广安、巴中、资阳、广元)2017年1月1日—2017年12月31日7种标准大气污染物PM_2.5小时浓度数据.由于每个城市有不同的监测站, 因此, 本文对城市中所有国控站监测的大气污染物小时浓度进行算术平均, 作为该城市污染物的小时浓度值.

2.3 研究方法 2.3.1 分异指数

为研究污染物输送通道特征及城市间污染物的传输关系, 使用分异指数(Coefficient of Divergence, CD)来衡量两个城市大气环境质量浓度的差异.分异指数是一种自归一化参数, 分异指数越接近0, 证明两城市的变化趋势越一致；分异指数越接近1, 说明两城市的变化趋势差异越大(Zhang et al., 2000).CD的表达式见式(1).

(1)

式中, 下标j和k分别为两个采样点, 本研究中这两个采样点为两个研究城市；P为测量元素的数量, 本文选取最具代表性的PM_2.5测量值；X_ij和X_ik分别为元素i在j和k采样点的平均浓度, 本文中则为每个城市PM_2.5逐时平均值.王姣等(2012)曾经使用分异指数衡量北京市城区两个典型站点的化学元素浓度差异, 通过比较不同元素之间的分异指数得出地壳元素Al、Fe、Mg、K、Ca、Na的浓度在两个站点差异最大的结论.本文使用分异指数旨在衡量不同城市站点之间PM_2.5浓度差异.

2.3.2 Person相关性分析

Person相关系数r是能够定量反映两组变量之间线性关系紧密程度的统计量.本文中, 对于任意两个城市某污染物浓度分别为X₁_i和X₂_i, 那么Person相关系数r的计算见式(2).

(2)

3 结果与讨论(Results and discussion) 3.1 四川盆地PM_2.5污染特征

四川盆地内人口密度大、工业发达、机动车保有量大, 大量的污染物排放、复杂的地形和独特的气象条件共同作用使得四川盆地成为我国四大灰霾严重污染区域之一(Zhang et al., 2012).

表 1为18个城市PM_2.5的分析浓度及其标准差(按照年平均浓度排序).盆地南部的自贡、宜宾和乐山PM_2.5年平均浓度排名前三, 其中, PM_2.5污染最严重的自贡市年平均浓度高达70 μg·m^-3, 是国家二级标准值的2倍.其次, 盆地西部边缘的成都、德阳、雅安PM_2.5年平均浓度均较高, 这与Liao等(2018)、肖丹华(2018)、何沐全等(2017)、周子航等(2018)研究得出的PM_2.5分布特征结果一致.

表 1 2017年四川盆地18个城市PM_2.5浓度 Table 1 PM_2.5 concentrations in 18 cities in Sichuan basin in 2017

城市	PM_2.5浓度/(μg·m^-3)
城市	春季	夏季	秋季	冬季	全年平均
自贡	50±23	42±16	40±29	141±70	70±50
宜宾	47±22	29±12	28±21	114±63	54±41
乐山	44±22	30±14	28±16	128±75	53±43
成都	33±18	26±13	35±22	131±74	53±45
泸州	42±18	26±13	29±18	111±53	52±39
德阳	43±22	30±20	27±23	110±56	52±41
雅安	42±21	31±10	26±12	104±48	49±35
绵阳	34±13	31±17	28±23	100±48	49±36
达州	37±16	25±12	30±22	97±57	49±40
内江	33±16	24±12	25±18	111±57	48±40
眉山	35±19	26±11	28±17	116±60	48±40
南充	34±13	31±12	27±15	87±40	46±29
重庆	36±12	27±12	26±19	88±43	45±32
遂宁	28±13	26±10	22±13	79±44	40±29
广安	26±11	20±8	20±14	78±41	36±29
巴中	26±13	18±8	18±13	76±41	36±30
资阳	21±9	13±5	16±8	62±38	28±24
广元	18±10	10±5	10±6	47±32	22±21
区域平均	35	26	26	99

四川盆地PM_2.5浓度体现出显著的季节变化特征.冬季区域PM_2.5平均浓度最大(99 μg·m^-3), 超过国家二级标准值的2倍, 其他季节的PM_2.5平均浓度明显小于冬季, 其中, 春季次之(35 μg·m^-3), 秋季与夏季相当(26 μg·m^-3).冬季四川盆地空气停滞频率高, 导致大气水平和垂直扩散能力弱(Liao et al., 2018; 欧阳正午等, 2019), 污染物容易积累, 从而形成连片的重污染天气.掌握四川盆地南部和西部城市之间的污染物传输特征, 对四川盆地冬季整体空气质量改善具有重要意义.

3.2 四川盆地传输通道的统计分析 3.2.1 近地面风场特征分析

近地面风场是决定大气污染物扩散能力的最重要的参数之一.分析讨论不同季节不同高度的近地面风场特征分布, 可以更好地了解区域大气污染物输送规律.本文选用四川盆地18个城市区域, 四川省各地级城市间的距离大多在100~200 km之间, 并使用欧洲气象中心提供的地面10 m风向风速、950 hPa(海拔高度约700 m)风向风速ERA-Interim再分析资料, 其空间分辨率为0.25°×0.25°, 对应地面距离为25 km左右, 可以较好描述地级市风场传输特征.

四川盆地冬季(代表月为1月)、春季(代表月为4月)、夏季(代表月为7月)、秋季(代表月为10月)的10 m平均风场如图 2所示, 950 hPa平均风场如图 3所示, 图中红色带箭头实线代表气流流向.由图 2可知, 四川盆地全年盛行东北风.根据气流走向可以得出四川盆地的污染物在冬季、春季、夏季和秋季在近地面传输的路径特征.图 3所示的950 hPa(海拔高度约为700 m)的平均风场与10 m平均风场体现出的传输路径大体一致.

图 2 四川盆地冬季(a)、春季(b)、夏季(c)、秋季(d)的10 m平均风场 Fig. 2 Averaged wind field at 10 m in winter (a), spring(b), summer(c), autumn(d) in Sichuan Basin

图 3 四川盆地冬季(a)、春季(b)、夏季(c)、秋季(d)的950 hPa平均风场 Fig. 3 Averaged wind field at 950 hPa in winter (a), spring(b), summer(c), autumn(d) in Sichuan Basin

表 2给出了两个高度平均风场总结出的路径, 四川盆地全年在近地面的输送路径均有3条, 冬、春、夏、秋季的第1条、第2条路径一致, 第3条路径有所不同, 冬季在泸州与重庆交界处有风场辐合, 春、夏季没有辐合现象, 秋季在重庆的西南部存在明显的环流.此外, 第3条路径处于资阳、内江、自贡、宜宾、泸州的环流在950 hPa平均风场中体现得非常明显.结合4个季节近地面风场特征将四川盆地近地面输送路径总结如下.

表 2 四川盆地冬、春、夏、秋季近地面风场路径 Table 2 Pathways of near-surface wind field in winter, spring, summer, autumn in Sichuan Basin

季节	近地面风场路径
冬季	1.从广元进入四川盆地的气流, 沿广元→绵阳东南部→德阳→成都、眉山北部→雅安北部流动, 且在雅安转向流向阿坝地区 2.从巴中进入四川盆地的气流, 沿巴中→南充北部→遂宁北部、绵阳东南部→资阳北部→眉山东部→乐山流动 3.从重庆北部经达州、广安进入四川盆地的气流, 沿着达州→南充南部、广安→遂宁中部→资阳东部→内江→自贡→宜宾、泸州流动, 在泸州与重庆交界处有风场辐合
春季/夏季	1.从广元进入四川盆地的气流, 沿广元→绵阳东南部→德阳→成都、眉山北部→雅安北部流动, 且在雅安转向流向阿坝地区 2.从巴中进入四川盆地的气流, 沿巴中→南充北部→遂宁北部、绵阳东南部→资阳北部→眉山东部→乐山流动 3.从重庆偏北部经达州、广安进入四川盆地的气流, 部分沿着达州→南充→遂宁→资阳东部→内江、自贡→宜宾、泸州流动；部分经广安与内江的气流汇合, 后沿着自贡→宜宾→泸州流动
秋季	1.从广元进入四川盆地的气流, 沿广元→绵阳东南部→德阳→成都、眉山北部→雅安北部流动, 且在雅安转向流向阿坝地区 2.从巴中进入四川盆地的气流, 沿巴中→南充北部→遂宁北部、绵阳东南部→资阳北部→眉山东部→乐山流动 3.从重庆偏北部经达州、广安进入四川盆地的气流, 沿着达州→南充南部、广安→遂宁中部→资阳东部→内江→自贡→宜宾、泸州流动, 在重庆的西南部存在明显的环流

污染物在四川盆地进行传输具有3条路径, 第1条“川西通道”：污染物随气流沿广元→绵阳东南部→德阳→成都、眉山北部→雅安流动；第2条“川中通道”：污染物随气流沿巴中→南充北部→遂宁北部、绵阳东南部→资阳北部→眉山东部→乐山北部流动；第3条“川东通道”：污染物随气流沿重庆北部→达州、广安→南充南部→遂宁中部→资阳东部→内江、自贡→宜宾、泸州流动.

3.2.2 城市分异指数分析

PM_2.5是一种二次污染物, 不易被清除, 可以远距离传输(韩文亮等, 2009).为深入了解四川盆地污染物输送规律, 使用2017年四川盆地内18个城市的大气PM_2.5质量浓度逐时数据, 计算每两个城市之间的PM_2.5分异指数, 分异指数越接近于0, 证明两个城市的PM_2.5浓度变化越一致, 认为两个城市之间的气流传输越明显.本文采用以所选站点为中心, 计算相邻城市的分异指数的方法.

如图 4所示, 白色线和白色标注数据代表计算出的两个城市间的分异系数, 分异指数低于参考值(使用参考值为所计算的分异指数平均值0.17)的用黄色线及黄色标注突出显示, 每个城市与相邻城市的分异系数最小值所对应的线用黄色显示.分异指数在参考值0.17附近及以下的城市如表 3所示, 根据分异指数, 这些城市PM_2.5变化趋势是近似一致的.

图 4 四川盆地18个主要城市间的分异指数 Fig. 4 Coefficient of divergence of selected 18 cities in Sichuan Basin

表 3 分异指数低于参考值(0.17)的城市组合 Table 3 The city combinations with coefficient of divergence which below 0.17

按照每个城市与相邻城市分异系数最小来进行组合, 可以得出污染物变化趋势最为近似的城市组合, 即图 4中黄线连接的城市组合, 它们分别是(从北至南、从西至东)广元和巴中、绵阳和南充、绵阳和德阳、巴中和达州、德阳和成都、南充和达州、成都和眉山、遂宁和南充、遂宁和广安、广安和重庆、雅安和眉山、雅安和乐山、眉山和乐山、资阳和遂宁、乐山和宜宾、内江和遂宁、内江和泸州、自贡和宜宾、重庆和达州、重庆和泸州、宜宾和泸州.

3.2.3 城市相关性分析

为研究大气污染物在盆地城市间的差异性, 计算得到2017年1月1日—2017年12月31日18个城市间大气污染物PM_2.5时均浓度的Pearson相关系数(表 4).由表 4可知, 18个城市之间的PM_2.5时均浓度均呈现显著正相关, 表明颗粒物具有广泛的空间分布.表格中的加粗值是每行单个城市与其它城市相关系数的最大值, 表明城市之间PM_2.5时均浓度的正相关性大于其它城市, 变化趋势近似一致.

表 4 城市间PM_2.5时均浓度相关系数 Table 4 Correlation coefficient of time averaged PM_2.5 concentration between each selected city

城市	自贡	宜宾	乐山	成都	泸州	德阳	雅安	绵阳	达州	内江	眉山	南充	重庆	遂宁	广安	巴中	资阳	广元
自贡		0.87	0.81	0.80	0.83	0.77	0.74	0.77	0.74	0.88	0.83	0.81	0.79	0.82	0.79	0.74	0.84	0.68
宜宾	0.87		0.86	0.81	0.87	0.76	0.83	0.75	0.73	0.85	0.86	0.77	0.78	0.78	0.77	0.74	0.82	0.69
乐山	0.81	0.86		0.81	0.77	0.76	0.80	0.73	0.66	0.80	0.89	0.71	0.70	0.74	0.72	0.67	0.81	0.67
成都	0.80	0.81	0.81		0.79	0.88	0.81	0.84	0.75	0.78	0.88	0.80	0.78	0.79	0.78	0.76	0.84	0.68
泸州	0.83	0.87	0.77	0.79		0.73	0.79	0.72	0.76	0.84	0.83	0.80	0.84	0.78	0.81	0.76	0.79	0.66
德阳	0.77	0.76	0.76	0.88	0.73		0.74	0.91	0.76	0.77	0.83	0.81	0.76	0.78	0.78	0.76	0.82	0.71
雅安	0.74	0.83	0.80	0.81	0.79	0.74		0.71	0.70	0.73	0.85	0.72	0.75	0.70	0.72	0.71	0.75	0.69
绵阳	0.77	0.75	0.73	0.84	0.72	0.91	0.71		0.77	0.76	0.79	0.79	0.73	0.76	0.76	0.76	0.79	0.74
达州	0.74	0.73	0.66	0.75	0.76	0.76	0.70	0.77		0.77	0.74	0.83	0.84	0.76	0.88	0.86	0.78	0.67
内江	0.88	0.85	0.80	0.78	0.84	0.77	0.73	0.76	0.77		0.83	0.84	0.81	0.85	0.84	0.79	0.85	0.69
眉山	0.83	0.86	0.89	0.88	0.83	0.83	0.85	0.79	0.74	0.83		0.78	0.80	0.78	0.80	0.76	0.88	0.69
南充	0.81	0.77	0.71	0.80	0.80	0.81	0.72	0.79	0.83	0.84	0.78		0.82	0.90	0.89	0.83	0.83	0.71
重庆	0.79	0.78	0.70	0.78	0.84	0.76	0.75	0.73	0.84	0.81	0.80	0.82		0.76	0.88	0.79	0.80	0.62
遂宁	0.82	0.78	0.74	0.79	0.78	0.78	0.70	0.76	0.76	0.85	0.78	0.90	0.76		0.83	0.76	0.83	0.68
广安	0.79	0.77	0.72	0.78	0.81	0.78	0.72	0.76	0.88	0.84	0.80	0.89	0.88	0.83		0.85	0.84	0.65
巴中	0.74	0.74	0.67	0.76	0.76	0.76	0.71	0.76	0.86	0.79	0.76	0.83	0.79	0.76	0.85		0.79	0.72
资阳	0.84	0.82	0.81	0.84	0.79	0.82	0.75	0.79	0.78	0.85	0.88	0.83	0.80	0.83	0.84	0.79		0.69
广元	0.68	0.69	0.67	0.68	0.66	0.71	0.69	0.74	0.67	0.69	0.69	0.71	0.62	0.68	0.65	0.72	0.69
注：表中数据均在0.05水平(双侧)上显著.

按表中的列来取每个城市与其它城市之间的相关系数最大值, 由于是系数矩阵, 剔除相同的城市组, 可以得出污染物变化相关性强的城市组合, 结果如表 5所示.由表 5可知, 每行单个城市与其它城市的相关系数均超过0.85(广元与绵阳除外).图 5是结合地形图画出的强相关的城市间相关系数图, 图中黄色线与黄色值标出的是相关系数高于0.85的城市, 相关系数小于0.85的用白色值与黄色线表示(广元与绵阳).

表 5 相关性强的城市组合 Table 5 The city combinations with strong correlation

图 5 强相关城市间的相关系数 Fig. 5 Correlation coefficient between strong correlated city

3.3 四川盆地大气输送规律验证

对四川盆地近地面风场特征、城市间分异指数及城市相关性进行分析, 分别从气象场特征、城市间污染物变化趋势特征等角度讨论四川盆地污染物输送特征.大气环流是影响一定区域内污染物输送特征的关键因素, 因此基于气象场, 以四川盆地近地面风场特征为基础, 加以分异指数及相关性分析, 讨论3种方法的自洽性并总结出四川盆地大气输送规律.

3.3.1 近地面风场与分异指数对比

将由近地面风场得出的路径与分异指数得出的城市组合进行对比.分异指数的分析中(图 6a), 绵阳和德阳、德阳和成都、成都和眉山、眉山和雅安, 这些污染物变化趋势近似相同的城市组合, 与近地面风场分析(图 6b)所总结出的第1条路径(广元→绵阳东南部→德阳→成都、眉山北部→雅安)一致, 广元与巴中较广元与绵阳的分异指数小, 这可能与天气背景有关, 需要进一步分析不同天气下的传输模式.第2条路径中污染物会随着气流沿着巴中→南充北部→遂宁北部、绵阳东南部→资阳中部→眉山东部→乐山北部传输, 而由分异指数得出的城市组合与之符合的是南充和遂宁、南充和绵阳、遂宁和资阳、眉山和乐山, 而资阳与眉山的分异指数为0.27, 在资阳与其它城市的分异指数中是第2小的, 巴中与达州较巴中与南充的变化更为一致, 需要进一步分析.第3条路径中, 污染物随气流沿着重庆北部→达州、广安→南充南部→遂宁中部→资阳东部→内江、自贡→宜宾、泸州传输, 与之符合的城市组合是重庆和达州、重庆和广安、达州和南充、南充和遂宁、广安和遂宁、遂宁和资阳、内江与泸州、自贡和宜宾, 而资阳和内江的分异指数为0.28, 较资阳和遂宁的分异指数大.

图 6 分异指数城市组(a)与近地面风场路径(b)对比情况 Fig. 6 The comparison between the city combinations with coefficient of divergence (a) and analyzed pathways of near-surface wind field(b)

因此, 将由分异指数所得出的城市组合与由近地面风场得出的路径进行对比发现, 近地面所提出的3条路径与由分异指数得出的城市组合大致是符合的, 重庆与泸州的分异指数为0.17, 与秋、冬季泸州与重庆西南部出现的风场辐合现象也相符.而分异指数与近地面风场特征不符合的地方在于：广元与巴中之间的变化趋势一致性强于广元与绵阳, 巴中和达州之间的变化趋势一致性强于巴中和南充.产生这种现象的原因可能与城市本地排放量较大、不同的天气背景有关, 这需要进一步讨论.

3.3.2 近地面风场与相关系数对比

将由近地面风场得出的路径与相关性分析所得出的城市组合进行对比, 结果如图 7所示.相关性分析中(图 7a), 广元和绵阳、绵阳和德阳、德阳和成都、成都和眉山、眉山和雅安, 这些城市的污染物变化趋势一致, 与近地面风场(图 7b)分析总结出的第1条路径(广元→绵阳东南部→德阳→成都、眉山北部→雅安)一致, 第2条路径中污染物会随着气流沿着巴中→南充北部→遂宁北部、绵阳东南部→资阳北部→眉山东部→乐山北部传输, 而相关性分析得出的城市组合与之符合的是南充和遂宁、资阳和眉山、眉山和乐山, 巴中与达州、广安之间的相关性比巴中与南充的相关性更显著, 遂宁与绵阳、绵阳与资阳之间的相关性弱.第3条路径中, 污染物随气流沿着重庆北部→达州、广安→南充南部→遂宁中部→资阳东部→内江、自贡→宜宾、泸州传输, 与之符合的城市组合是重庆和广安、达州和广安、广安和南充、南充和遂宁、遂宁和内江、资阳和内江、内江和自贡、内江和宜宾、自贡和宜宾、宜宾和泸州, 而自贡和泸州、遂宁和资阳之间的相关性弱.

图 7 相关系数城市组(a)与近地面风场路径(b)对比情况 Fig. 7 The comparison between the city combinations with strong correlation (a) and analyzed pathways of near-surface wind field(b)

因此, 将由相关性分析得出的城市组合与由近地面风场得出的路径进行对比发现, 近地面所提出的3条路径中, 第1条路径与相关分析所得出的城市组合基本一致；第2条路径中, 巴中与达州、广安之间的相关性比巴中与南充的相关性相关更显著, 遂宁与绵阳、绵阳与资阳之间的相关性弱；第3条路径中, 自贡和泸州、遂宁和资阳之间的相关性弱, 产生这种现象的原因可能与不同的天气背景、不同污染物具有不同分布特征(本文只计算PM_2.5)有关, 需要进一步讨论.

4 结论(Conclusions)

1) 在2017年, 在研究的四川盆地18个城市范围内, 区域PM_2.5年平均浓度为47 μg·m^-3, 有16个城市PM_2.5年平均浓度及区域年平均浓度已超出国家二级标准(35 μg·m^-3).此外, 冬季PM_2.5平均浓度显著偏高, 春季次之, 秋季与夏季相当.

2) 通过讨论四川盆地近地面风场特征、城市间分异指数及城市相关性分析的自洽性, 得出分异指数和相关性分析得到的传输通道城市组合与地面风场基本相符.四川盆地污染物输送途径可能包括以下3条路径, 第1条“川西通道”：污染物随气流沿广元→绵阳东南部→德阳→成都、眉山北部→雅安流动；第2条“川中通道”：污染物会随着气流沿着巴中→南充北部→遂宁北部、绵阳东南部→资阳北部→眉山东部→乐山北部流动；第3条“川东通道”：污染物随气流沿着重庆北部→达州、广安→南充南部→遂宁中部→资阳东部→内江、自贡→宜宾、泸州流动.但需要注意的是, 广元与巴中、巴中与达州、巴中与广安、遂宁和资阳、自贡和泸州之间的传输关系需要进一步结合不同的天气形式、结合多种污染物的分布特征进行分析, 以得出更为准确的传输路径.

3) 根据总结出的污染物输送特征, 可为四川盆地重污染联防联控提供科学依据, 可参照京津冀地区的防控协同机制(李云燕等, 2017)制定措施.如川西通道城市污染排放量大, 容易引起连片污染, 对应城市群应实施联防联控, 将川西通道上的城市定为重点控制区域, 即广元、绵阳、德阳、成都、眉山、雅安组成一个重点控制区域；川东通道末端在川南城市群和重庆形成风场辐合, 造成污染物的滞留和累积, 因此, 建议在中长期产业布局中减少川南城市群的重污染企业.同时, 应将对应通道上的城市如巴中、南充、遂宁、绵阳、资阳、眉山和乐山组成一个重点控制区域；重庆、达州、广安、南充、遂宁、资阳、内江、自贡、宜宾和泸州组成一个重点控制区域；其他非通道上的城市定为一般控制区域.此外, 风景名胜区和需要特殊保护的区域(因国家政治、军事和位国际交往服务需要, 对环境空气质量有严格要求的区域)等四川盆地内对环境空气质量有严格要求的区域应当按照国家相关规定和环境空气质量要求, 作为四川盆地内环境空气质量重点保护区.

参考文献

曹文俊, 朱汶, 王蓓蕾. 1994. 重庆冬季大气边界层湍流扩散能力的初步研究[J]. 大气科学, 18(2): 243-251. DOI:10.3878/j.issn.1006-9895.1994.02.13

但尚铭, 杨华安. 1995. 四川盆地冬季风速、降水量与大气污染浓度分析[J]. 四川气象, 15(3): 28-30.

但尚铭. 1996. 成都冬季典型辐射逆温过程分析[J]. 资源开发与市场, 12(4): 175-178.

Guan D, Su X, Zhang Q, et al. 2014. The socioeconomic drivers of China's primary PM_2.5 emissions[J]. Environmental Research Letters, 9(2): 024010. DOI:10.1088/1748-9326/9/2/024010

韩文亮, 冯加良, 顾泽平, 等. 2009. 台州电子垃圾拆解区PM_2.5中的多溴二苯醚与多氯联苯[J]. 环境化学, 28(6): 950-951. DOI:10.3321/j.issn:0254-6108.2009.06.036

何沐全, 刘志红, 张颖, 等. 2017. 川南城市群大气灰霾时空分布特征及成因分析[J]. 中国环境科学, 37(2): 432-442.

何启超, 蔡旭晖, 宋宇, 等. 2013. 珠江三角洲区域大气扩散和输送特征诊断分析[J]. 北京大学学报(自然科学版), 49(6): 945-954.

Huang P, Zhang J Y, Tang Y X, et al. 2015. Spatial and temporal distribution of PM_2.5 pollution in Xi'an City, China[J]. International Journal of Environmental Research and Public Health, 12(6): 6608-6625. DOI:10.3390/ijerph120606608

靳小兵, 陈永林, 曾涛. 1992. 应用三轴风速仪研究成都平原大气扩散参数及结果分析[J]. 成都气象学院学报, (1): 64-69.

Kan H, Chen R, Tong S. 2012. Ambient air pollution, climate change, and population health in China[J]. Environment International, 42: 10-19. DOI:10.1016/j.envint.2011.03.003

孔珊珊, 刘厚凤, 陈义珍. 2017. 基于后向轨迹模式的北京市PM_2.5来源分布及传输特征探讨[J]. 中国环境管理, 9(1): 86-90.

Lam K S, Wang T J, Chan L Y, et al. 2001. Flow patterns influencing the seasonal behavior of surface ozone and carbon monoxide at a coastal site near Hong Kong[J]. Atmospheric Environment, 35(18): 3121-3135. DOI:10.1016/S1352-2310(00)00559-8

Liao T T, Gui K, Jiang W T, et al. 2018. Air stagnation and its impact on air quality during winter in Sichuan and Chongqing, southwestern China[J]. Science of the Total Environment, 635: 576-585. DOI:10.1016/j.scitotenv.2018.04.122

Liao T T, Wang S, Ai J, et al. 2017. Heavy pollution episodes, transport pathways and potential sources of PM_2.5, during the winter of 2013 in Chengdu (China)[J]. Science of the Total Environment, 584-585: 1056-1065. DOI:10.1016/j.scitotenv.2017.01.160

李莉, 陈长虹, 黄海英, 等. 2007. 应用Models-3/CMAQ研究长三角区域大气污染及输送[J]. 上海环境科学, 26(4): 159-165.

李云燕, 王立华, 马靖宇, 等. 2017. 京津冀地区大污染联防联控协同机制研究[J]. 环境保护, 45(17): 48-53.

李正, 张昊, 叶辉, 等. 2018. 杭州市典型雾霾期污染特征及污染源的HYSPLIT模型分析[J]. 环境科学学报, 38(5): 32-41.

李正农, 吴卫祥, 王志峰. 2013. 北京郊外近地面风场特性实测研究[J]. 建筑结构学报, 34(9): 82-90.

林娜.2015.四川省大气污染物输送规律及大气污染联防联控技术研究[D].四川: 西南交通大学

吕萍, 董治宝. 2012. 库姆塔格沙漠春季近地面风场、温度场特征[J]. 中国沙漠, 32(2): 442-446.

孟露露, 单春艳, 白志鹏, 等. 2017. 中国城市PM_2.5空气质量改善分阶段目标研究[J]. 中国环境监测, 33(2): 1-10.

宁贵财.2018.四川盆地西北部城市群冬季大气污染气象成因及其数值模拟研究[D].兰州: 兰州大学

欧阳正午, 廖婷婷, 陈科艺, 等. 2019. 2014-2017年四川盆地与京津冀地区冬季空气停滞特征及大气质量改善评估对比分析[J]. 环境科学学报, 39(7): 2353-2361.

潘红玲.2015.中国重度雾霾时空分布特征及影响因子分析[D].成都: 电子科技大学

潘月鹏, 贾琳, 田世丽, 等. 2014. 大气霾污染对农业生产的可能影响[J]. 农业环境科学学报, 33(11): 2279-2280. DOI:10.11654/jaes.2014.11.030

彭菲, 於方, 马国霞, 等. 2018. "2+26"城市"散乱污"企业的社会经济效益和环境治理成本评估[J]. 环境科学研究, 31(12): 13-19.

Sharma R N, Richards P J. 1999. A re-examination of the characteristics of tropical cyclone winds[J]. Journal of Wind Engineering and Industrial Aerodynamics, 83(1): 21-33.

孙学金, 李岩, 张燕鸿, 等. 2017. 基于WRF-LES的干旱湖区近地面风场模拟与敏感性研究[J]. 高原气象, 36(3): 835-844.

王姣, 王效科, 张红星, 等. 2012. 北京市城区两个典型站点PM_2.5浓度和元素组成差异研究[J]. 环境科学学报, 32(1): 74-80.

Wang L L, Zhang N, Liu Z, et al. 2014. The influence of climate factors, meteorological conditions, and boundary-layer structure on severe haze pollution in the Beijing-Tianjin-Hebei Region during January 2013[J]. Advances in Meteorology, 2014(7): 1-14.

Wang L L, Liu Z, Sun Y, et al. 2015. Long-range transport and regional sources of PM_2.5 in Beijing based on long-term observations from 2005 to 2010[J]. Atmospheric Research, 157: 37-48. DOI:10.1016/j.atmosres.2014.12.003

王彤, 华阳, 许庆成, 等. 2019. 京津冀郊区站点秋冬季大气PM_2.5来源解析[J]. 环境科学, 40(3): 1035-1042.

王彦超, 蒋春来, 贺晋瑜, 等. 2018. 京津冀大气污染传输通道城市燃煤大气污染减排潜力[J]. 中国环境科学, 38(7): 2401-2405. DOI:10.3969/j.issn.1000-6923.2018.07.001

文术, 杨柏生. 1995. 利用湍流特征量的测定值确定扩散参数[J]. 四川气象, 15(3): 26-27.

夏冬, 涂建文, 陈均, 等. 2016. 珠三角地区2015年2月一次重污染天气污染物的时空分布特征[J]. 广东气象, 38(4): 12-16. DOI:10.3969/j.issn.1007-6190.2016.04.003

肖丹华, 王式功, 张莹, 等. 2018. 四川盆地城市群6种大气污染物的时空分布[J]. 兰州大学学报(自然科学版), 54(5): 98-105.

杨城, 林广发, 李清远, 等. 2015. 顾及下垫面特征的海坛岛近地面风场模拟[J]. 福建师范大学学报(自然科学版), 31(4): 31-37.

于海鹏, 胡海波, 陈志昆, 等. 2017. 罗斯海难言岛地区近地面层风场特征分析及数值模拟[J]. 极地研究, 29(4): 91-99.

Zhai S X, Jacob D J, Wang X, et al. 2019. Fine particulate matter (PM_2.5) trends in China, 2013-2018:separating contributions from anthropogenic emissions and meteorology[J]. Atmospheric Chemistry Physics, 19(16): 11031-11041. DOI:10.5194/acp-19-11031-2019

张昆峰. 2014. 广州郊区环境空气中PM_2.5和PM₁₀的污染状况分析和改善对策[J]. 科技与创新, (9): 148-149. DOI:10.3969/j.issn.2095-6835.2014.09.105

Zhang X Y, Wang Y Q, Niu T, et al. 2012. Atmospheric aerosol compositions in China:spatial/temporal variability, chemical signature, regional haze distribution and comparisons with global aerosols[J]. Atmospheric Chemistry and Physics, 12(2): 779-799. DOI:10.5194/acp-12-779-2012

张殷俊, 陈曦, 谢高地, 等. 2015. 中国细颗粒物(PM_2.5)污染状况和空间分布[J]. 资源科学, 37(7): 1339-1346.

Zhang Z Q, Friedlander S K. 2000. A comparative study of chemical databases for fine particulate Chinese aerosols[J]. Environmental Science and Technology, 34(22): 4687-4694. DOI:10.1021/es001147t

张振州, 蔡旭晖, 康凌, 等. 2014. 海南岛地区大气输送和扩散特征的数值模拟[J]. 环境科学学报, 34(2): 281-289.

周子航, 邓也, 谭钦文, 等. 2018. 四川省人为源大气污染物排放清单及特征[J]. 环境科学, 39(12): 58-72. DOI:10.3969/j.issn.1673-1212.2018.12.014

宗子就. 1992. 重庆长寿地区垂直温度结构特征分析[J]. 重庆环境科学, 14(1): 32-36.


环境科学学报 2020, Vol. 40 Issue (4): 1374-1384