2021, Vol. 41
[PDF全文]
2. 江西省生态气象中心, 南昌 330096;
3. 中国气象科学研究院灾害天气国家重点实验室, 北京 100081;
4. 中国气象局大气化学重点开放实验室, 北京 100081;
5. 江西省环境监测中心站, 南昌 330039
2. Jiangxi Ecological Meteorology Center, Nanchang 330096;
3. State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100081;
4. Key Laboratory forAtmospheric Chemistry, China Meteorological Administration, Beijing 100081;
5. Environmental Monitoring Central station of Jiangxi Province, Nanchang 330039
自2013年9月《大气污染防治行动计划》实施以来, 我国空气质量总体好转, 京津冀、长三角等重点区域细颗粒物(PM2.5)大幅下降(王振波等, 2017；Zhai et al., 2019；杨斯悦等, 2020), 但空气质量改善成效还不巩固.空气污染事件受气象条件和污染排放的共同影响.在排放源不变的情况下, 气象条件是影响空气污染的主要因素(Elminir, 2005).大气中的传输、扩散和干湿沉降等, 对污染物的形成、发展和消散起到重要的作用(徐祥德等, 2003).高湿小风、混合层高度低、垂直运动弱、逆温等不利于污染物扩散, 大风、降水对污染物清除作用明显(张人禾等, 2014；尉鹏等, 2015；胡晓等, 2017；孙兆彬等, 2017；顾沛澍等, 2018).大尺度环流形势影响局地气象要素变化, 也是导致污染物远距离输送的重要条件(Davis et al., 1990；Greene et al., 1999).吴兑等(2008)、周文君等(2016)发现东亚纬向环流导致南北气流交换弱, 弱冷空气使得污染物堆积.戴竹君等(2016)研究江苏地区重度霾时发现均压场、冷锋前部型和地面倒槽型有利于空气污染的发生.许建明等(2016)利用客观天气分型法(PCT)分析影响上海空气质量的天气环流类型主要为冷锋、高压后部弱气压场、高压前部弱气压场.杨旭等(2017)对京津冀地区空气污染天气分型发现冷锋前部型、高压场后部、鞍型场有利于污染发生.张晓勇等(2010)研究发现高压底部型、均压场和弱气压场不利于天津地区污染物扩散, 易导致局地污染物积累.大尺度环流形势导致的气流轨迹输送对城市及区域性大气污染和空气质量有重要的影响(Elminir, 2005；Borge et al., 2007).Han等(2011)通过PSCF方法研究了重污染期间韩国春川的后向轨迹分布情况, 以及中国北部颗粒物对其空气质量的影响.朱书慧等(2016)、邓发荣等(2018)利用HYSPLIT后向轨迹模型探讨了不同污染过程的气象特征及影响污染过程的气团分布情况.李颜君等(2019)、闫世明等(2019)和雷雨等(2020)利用PSCF分析了多年来不同季节影响PM2.5浓度的潜在源区, 发现不同季节、不同输送路径对PM2.5污染影响差异显著.
目前, 我国大气污染的相关研究主要集中在京津冀(孙兆彬等, 2017；李颜君等, 2019；徐冉等, 2019)、长三角地区(王静等, 2015；朱书慧等, 2016；邓发荣等, 2018), 对我国中部地区研究较少(张琴等, 2018；祁海霞等, 2019), 其中江西省的相关研究尤为匮乏.江西北部较为平坦, 东西南部三面环山, 中部丘陵起伏, 形成一个向鄱阳湖倾斜向北开口的巨大盆地.虽然江西省空气污染事件较重点防治区域发生少, 但在大尺度环流背景下受京津冀、华北平原及长三角地区污染物输送影响下, 仍易发生中度至重度甚至严重污染事件.江西省复杂的地形特征使其易存在小尺度系统, 小尺度系统又受大尺度环流形势的影响, 因此有必要对不同天气形势下的污染过程进行对比分析.目前, 对江西省污染研究主要集中在个别城市或区域的长时间序列灰霾及典型灰霾过程的统计研究(刘波等, 2009；蒋璐君等, 2015；陈翔翔等, 2016；2018), 较少对比分析多种污染天气形势下其边界层要素变化特征及污染来源分析.刘波等(2013；2018)分别对2007—2011年南昌市的污染过程和2011—2017年江西省区域霾天气过程进行天气形势分型, 研究发现南昌市污染过程低压倒槽占20.7%, 江西省霾天气过程中高压底部型出现次数最多, 占总次数的34.7%, 冷锋锋区型占22%.高压底部型、冷锋前部型和低压倒槽为江西省3种典型的污染天气地面形势.2019年江西省一共出现3次霾天气过程, 其中以1月21—30日的污染较为严重, 影响全省大部分地区, 其中21日、29日和30日在赣北部分地区出现中到重度霾.该期间内有两次较为严重的大气污染过程, 天气形势分别为冷锋前部型和低压倒槽型, 其在污染传输和边界层特征上存在较大差异性.下文主要从大气环流形势、气象要素变化及后向轨迹来源等详细对比分析两次污染过程形成、发展和消散的原因, 加深对典型大气污染过程形成条件的认识, 为今后大气污染预警预报提供一定的参考.
2 资料来源和方法(Data and methods) 2.1 资料来源资料主要包括：①2019年1月19—31日江西省11个设区市站点常规气象观测资料, 包括逐小时气温、降水量、相对湿度、能见度、近地面10 min平均风向和风速；②美国国家环境预报中心(NCEP)提供的空间分辨率为1°× 1°、时间分辨率为6 h的FNL再分析资料(包括海平面气压、10 m风场及各气压层的垂直速度、气温、相对湿度、风场)；③全球资料同化系统(GDAS)气象数据包括风场、气温、相对湿度或比湿等变量, 空间分辨率为1°×1°, 时间分辨率为6 h；④江西省环境监测中心站提供的AQI、ρ(PM2.5)、ρ(PM10)等大气环境监测数据.监测数据含义和评价方法参考《环境空气质量标准》(CB 3095—2012)、《环境空气质量评价技术规范》(HJ 663—2013)和《环境空气质量指数(AQI)技术规定》(试行)(HJ 663—2012).
图 1为江西省地势图.江西省一共有60个环境监测国控站, 用黑色圆点表示, 与11个地市的环境监测站相匹配的设区市国控气象站点用红色菱形表示.
 |
| 图 1 江西省地势图 (红色菱形代表 11个气象站点, 黑色圆点为环境监测站点) Fig. 1 Chorography of Jiangxi areas (red diamonds represent 11 meteorological stations, black dots represent environmental monitoring sites) |
本研究使用MeteoInfo软件中的TrajStat插件(Wang et al., 2009)对气团的后向轨迹及潜在源区开展分析, 该插件利用美国大气海洋局(NOAA)开发的HYSPLIT轨迹模式(Draxler et al., 1998)和GIS技术计算轨迹聚类、潜在源贡献, 并将结果可视化.输入城市站点的经纬度作为模拟受点, 每天逐小时(00:00—23:00)计算到达城市站点的72 h后向轨迹, 轨迹计算起始点高度设为100 m, 区域分辨率设置为0.5°× 0.5°.后向轨迹聚类利用TrajStat插件的欧式距离算法对达到研究站点的气流轨迹进行聚类分析.本文中选取九江站(116.0°E, 29.7°N)作为受点, 研究区域为70°~125°E、20°~50°N.
PSCF算法是通过气流轨迹识别大气污染物潜在来源的方法(Ashbaugh et al., 1985).通过计算研究区域内经过网格ij的污染轨迹mij与经过该网格的所有轨迹数nij的比值来指示每个网格对受点地区的污染贡献的条件概率函数, 即PSCF=mij/nij.计算网格范围内每条轨迹的要素值(本文研究要素值为PM2.5浓度), 若要素值高于设定阈值, 则认为该轨迹为污染轨迹, 其值越大则说明该网格中污染轨迹所占的比例越高.本文取PM2.5日平均二级标准75 μg·m-3.由于PSCF的误差会随着网格与采样点的距离增加而增加(Polissar et al., 2001), 引入权重因子Wij来降低PSCF的不确定性, WPSCF=PSCFij×Wij.为进一步定量分析不同气流轨迹的污染程度, 采用浓度权重轨迹分析法(CWT)确定主要潜在源区, 引入Wij提高CWT值的准确性并计算加权权重浓度轨迹分析(WCWT)(Hsu et al., 2003；张磊等, 2013；刘童等, 2019).WCWT可以直观地看到不同潜在源区的贡献程度, WCWT值越大, 表示该网格区域对受点污染物贡献程度越大.
由于两次污染过程影响范围存在明显的差异性, 引入不同的权重函数进行计算, 如下：
|
(1) |
|
(2) |
式(1)为过程一的权重函数, (2)为过程二的权重函数.
3 结果与讨论(Results and discussions) 3.1 典型大气污染过程概况图 2为2019年1月19—31日江西省11个地市主要污染物质量浓度变化趋势图.2019年1月江西省发生两次较为严重的污染过程, 分别为过程一(20—22日)、过程二(28—30日).25—26日江西省有一次冷空气过程, 但由于污染等级低且持续时间短, 在本文中不作详细介绍.过程一持续3 d, 九江市、萍乡市、南昌市、抚州市和鹰潭市出现重度污染, AQI小时值超过200, 九江市重度污染持续23 h.九江市ρ(PM2.5)于20日22:00最先达到峰值, 为243 μg·m-3, 随后污染由北至南输送, 其余城市ρ(PM2.5)陆续在21日03:00—22:00达到峰值.过程二持续3 d, ρ(PM2.5)上升缓慢, 九江市、萍乡市和鹰潭市重污染维持时间长, 分别为24、29和10 h.赣州市在30日17:00转为优, 其他城市则在31日凌晨至早上迅速(1~5 h)从轻度污染以上转为优.下面将从天气形势和气象要素进行对比分析.
 |
| 图 2 2019年1月19—31日江西省各城市污染物浓度变化 Fig. 2 The changes of pollutant concentration of cities in Jiangxi Province from 19 to 31 January 2019 |
如图 3所示, 为2019年1月20日和29日海平面气压场和两次过程850 hPa平均流场图.20—21日冷高压从西北路南下, 江西省位于冷锋前部.22日高压主体东移, 江西省转为受弱高压控制.28—29日江西省位于低压倒槽中, 30日低压倒槽增强.从高空场(图略)来看, 19日江西省位于槽前, 20—21日甘肃、陕西一带有一横槽逐渐东移, 22日横槽转竖.28—29日江西省位于西风气流平直区, 30日转为槽前.分析850 hPa平均流场图可知, 两次过程分别受西北气流、西南气流影响.过程一西北气流至江西地区风速逐渐减弱, 呈辐合状态, 有利于污染物的堆积.过程二西南路气流风速较大, 携带较好的水汽条件, 有利于颗粒物吸湿增长, 易产生雾霾现象(祁妙等, 2015).
 |
| 图 3 2019年1月20日(a)和29日(b) 20:00海平面气压场以及两次过程850 hPa平均流场图 (海平面气压单位为hPa) Fig. 3 Sea level pressure field at 20:00 on 20 (a) and 29 (b) January 2019 and 850 hPa flow field of the two episodes(sea-level pressure unit: hPa) (sea-level pressure unit: hPa) |
过程一为冷锋前部型, 锋面呈东北-西南走向经过江西省, 主导风向为西北风, 污染物容易堆积.过程二为低压倒槽型下, 主要为云贵至湖南延伸至江西为倒槽所控制, 江西省北部处于倒槽顶端.受西风平直气流影响, 纬向环流显著, 该情况下不利于污染物清除(吴兑等, 2008；周宁芳等, 2008；戴竹君等, 2016).下文将着重分析地面要素变化及大气层结特征对污染过程的影响.
3.2.2 气象要素变化上述两次过程的首要污染物均以PM2.5为主, 九江市、萍乡市和鹰潭市污染较其他城市严重.2019年江西省PM2.5平均超标天数为12 d(图 4), 九江市为37 d, 超标天数位居第一.九江市为江西省最北部城市, 北靠长江, 南邻鄱阳湖, 南北狭窄, 东西宽, 容易受到来自北方的污染输送.同时, 九江市空气污染对江西省其他地区空气质量演变具有较好的指示意义.因此选取九江市为研究地区, 分析九江市在两次污染过程中的气象要素变化和ρ(PM2.5)变化关系.
 |
| 图 4 2019年江西省各城市PM2.5超标天数 Fig. 4 Over-standard days of PM2.5 of cities in Jiangxi Province in 2019 |
19日江西省位于槽前, 受暖湿气流影响, 相对湿度大, 维持在90%以上, 温度露点差接近0, 能见度在5 km以内, 天气现象以雾为主.根据九江市ρ(PM2.5)变化情况, 过程一可分为两个阶段.阶段一为19日下午至21日中午.19日下午至20日上午, 海平面气压上升, 九江市以西风为主, 平均风速为2.3 m·s-1, 该风速下有利于上游地区污染物向九江市输送.九江市4个时段出现1 mm以下降水, 由于降水量小且非持续, 导致颗粒物吸湿增长, ρ(PM2.5)增加至201 μg·m-3, 达到小时重度污染水平.20日10:00气温上升, 相对湿度逐渐减小, 能见度略有增长, 但仍维持在5 km以内.20日午后风速有所增加, ρ(PM2.5)震荡下降至162 μg·m-3, 但仍保持中度污染.这是由于20日下午气温变化较小, 垂直湍流较弱, 大气环境容量并未显著增加, 不利于污染物垂直扩散.20日夜间, 大气环境容量降低, ρ(PM2.5)达到峰值浓度243 μg·m-3.随着风向转为东风, ρ(PM2.5)逐渐下降, 21日上午降至轻度污染.这是由于21日凌晨至上午, 江苏和浙江污染等级为轻度, 东路无明显输送, 且随着气温升高、混合层高度升高, 九江市ρ(PM2.5)下降.阶段二为21日下午至22日下午, 风向以西风为主, 21日下午至夜间, 由于垂直湍流减弱, ρ(PM2.5)迅速上升至次峰值153 μg·m-3, 随着西北风维持5 h在3 m·s-1以上, 空气质量转为良.
 |
| 图 5 2019年1月19—31日九江市气象要素随时间变化图 (图d中虚线对应PM2.5的二级标准, 下同) Fig. 5 Meteorological parameters in Jiujiang vary with time during 19—31 January 2019 |
过程二从27日夜间开始, 27日19:00安徽北部及中南部部分城市空气质量由良转为轻度污染, 受一致东北风影响, ρ(PM2.5)逐渐上升.28—29日上午气压变幅较小, 气温无明显变化, 且温度露点差接近0.弱气压梯度使得地面风速较小, 从10 m风速时间序列来看, 东北风风速在1.5 m·s-1以下, ρ(PM2.5)增幅较小.28日下午至夜间相对湿度从52%上升至95%, 能见度从8.6 km下降至4 km, 随后九江市相对湿度维持在95%以上.29日下午至30日凌晨, 九江市平均风速为0.7 m·s-1, 多次出现静风, ρ(PM2.5)缓慢增加.30日白天, 气压明显下降, 低压倒槽增强, ρ(PM2.5)持续18 h在171~188 μg·m-3区间震荡变化, 风向以东北风为主, 平均风速为1.4 m·s-1.该期间平均能见度为2.2 km.此时能见度较低的原因为较高湿度下某些吸水性较强的气溶胶粒子吸湿增长, 且小风或静风维持, 有利于雾的维持(Ye et al., 2013；Liu et al., 2019；Wang et al., 2019).ρ(PM2.5)下降时, 风向为西北风, 风速增加至3 m·s-1, 在ρ(PM2.5)下降5 h后出现降水, 同时风速增加至6.4 m·s-1, 导致ρ(PM2.5)迅速下降至一级(≤35 μg·m-3).从图 2 PM2.5时间序列图可以看出, 28日夜间萍乡市ρ(PM2.5)逐渐上升, 并且超过九江市ρ(PM2.5)水平.由图 6可知, 萍乡市在28日15:00风速增大至3.8 m·s-1, 28日15:00至29日04:00期间平均风速为3 m·s-1, 风向由西北风转为西南风, 西南风维持至30日凌晨, 该时间段内ρ(PM2.5)长时间维持在150~172 μg·m-3, ρ(PM2.5)在29日13:00达到峰值为170 μg·m-3, 随后略下降, 而九江市ρ(PM2.5)从29日17:00逐渐上升.因此在西南风作用下, 有利于PM2.5从萍乡市输送至九江市.
 |
| 图 6 2019年1月19—31日萍乡市气象要素随时间变化图 Fig. 6 Meteorological parameters in Pingxiang vary with time during 19—31 January 2019 |
对比发现, 过程一为冷空气下外来污染传输至九江市, 结合850 hPa流场图可知, 冷空气达到江西省后呈减弱趋势, 风速辐合导致污染堆积, 随着西北风风速加大, 污染结束.过程二为低压倒槽形势场下九江市长时间处于小风或静风、高湿的静稳形势所产生的污染累积和来自东北风和西南风向的污染输送, 直到强冷空气和降水作用, 空气质量在短时间内达到优.对比两次过程风速发现ρ(PM2.5)高值震荡变化阶段风速主要在2 m·s-1以下, 大于3 m·s-1的风速有利于污染物清除.
3.2.3 两次过程风场变化两次过程中不同风向风速对ρ(PM2.5)的生成和清除起作用差异较大.基于此, 分析风频和PM2.5污染特征的关系(图 7).过程一, 九江市以西风为主(占比48.6%), 但ρ(PM2.5)高值区集中在东东北风向、风速为2~4 m·s-1.过程二九江市以东北风为主, 风速主要在2 m·s-1以内.与过程一相比, 过程二ρ(PM2.5)高值区较过程一分散, 风向在东北风和东风之间变化.结合FNL10 m风场进行分析, 如图 8a所示, 30日08:00九江市以小风为主(< 2 m·s-1), 有利于本地PM2.5积累.14:00安徽南部、湖北与江西北部交界处存在辐合带, 九江市转为西南风(图 8b), 西南风作用下不利于本地污染物扩散, 辐合带导致污染滞留.夜间(图 8c)江西省中部地区存在东北风和东南风的辐合带, 风速较小, 大气静稳程度高, 辐合带有利于本省污染滞留并积聚.九江市上游存在北风风速辐合, 有利于污染物传输.30日凌晨由于北方强冷空气南下及降水湿清除作用, 污染得以清除.小风及风场辐合是造成过程二九江市污染增长并维持较长时间的重要原因.后文将对污染路径和污染来源作进一步分析, 以期得到两次过程影响九江市的污染物来向和潜在源区.
 |
| 图 7 两次过程九江市PM2.5浓度风玫瑰图 (黑色折线为风频) Fig. 7 Wind rose chart of ρ(PM2.5) in Jiujiang during the two episodes (the black broken line represents the wind frequency) |
 |
| 图 8 10 m风场 (a~d分别为2019年1月30日08:00、14:00、20:00和31日02:00) Fig. 8 Wind field of 10 m(a~d are 08:00, 14:00, 20:00 on 30 and 02:00 on 31 January 2019, respectively) (a~d are 08:00, 14:00, 20:00 on 30 and 02:00 on 31 January 2019, respectively) |
垂直速度、逆温层、湿层及风廓线能较好指示大气层结稳定度和垂直湍流情况(张人禾等, 2014；刘端阳等, 2014；花丛等, 2015).利用逐日4次FNL资料绘制了2019年1月19—31日九江站(116.02°E, 29.67°N)的垂直速度、气温、相对湿度及风场剖面图, 如图 9所示.垂直速度单位为Pa·s-1.过程一九江市以下沉运动为主, 21—22日下沉运动较明显(垂直速度≥0.2 Pa·s-1), 下沉中心位于950 hPa, 有利于污染物在低层积聚.19日下午湿层延伸至650 hPa, 低层为风速较小的西北风, PM2.5缓慢吸湿增长；20日近地面转为东北风, 风速加大, 有利于九江市东北方向的污染输送, 导致空气质量变差, 21—22日转为西北风, 风速较小, ρ(PM2.5)有所增加, 随着上层风速加大, ρ(PM2.5)逐渐减小.过程二, 28—29日垂直速度小(≤0.2 Pa·s-1), 近地面风速较小(< 2 m·s-1), 大气垂直和水平扩散条件均较差, 不利于污染物消散, 850~500 hPa各层风速转为一致西南风, 有利于水汽和西南方向污染物的输送.湿层明显, 湿区延伸至650 hPa高度, 稳定的大气垂直结构有利于PM2.5吸湿增长并积聚.30日上午存在多层逆温, 近地面逆温弱于高层逆温, 维持时间较长, 较强逆温中心位于850 hPa, 逆温深厚, 大气静稳度高, 使得ρ(PM2.5)增长并维持在高值.31日凌晨有明显降水过程及大风, 污染物得到清除.由此可知, 过程二整个时间段存在较强的深厚湿区, 存在多层逆温, 且逆温较强且深厚, 垂直湍流弱, 垂直结构比过程一稳定, 有利于本地污染物堆积.
 |
| 图 9 2019年1月气温-相对湿度-垂直速度-风场剖面图 (黑色等值线表示垂直速度, 单位为Pa·s-1；红色等值线为气温, 单位为℃) Fig. 9 Time-pressure profile of temperature, relative humidity, vertical speed and wind in Jiujiang of the two episodes(the black contour lines represent the vertical velocity, unit: Pa·s-1; the red contour lines represent air temperature, unit: ℃) (the black contour lines represent the vertical velocity, unit: Pa·s-1; the red contour lines represent air temperature, unit: ℃) |
图 10为过程一九江市72 h后向轨迹聚类图和潜在来源解析图.影响九江市的气团轨迹主要来源于西北路(轨迹2、3和6).轨迹3从河南出发途径安徽到达九江市, 气流出现概率为30.56%, ρ(PM2.5)为180.0 μg·m-3(表 1), 占比最大且平均浓度最高, 是影响九江市最主要的轨迹气团.轨迹2和6出现概率仅次于轨迹3, 均来自西北方向, 其中轨迹6的ρ(PM2.5)为118.1 μg·m-3, 达到PM2.5中度污染浓度.从图 10b可知, 九江市PM2.5潜在源区主要位于河南东部、山东西部和安徽西北部, 与气流轨迹占比结果一致.来自西南方向的轨迹1占比仅为11.11%, 但ρ(PM2.5)为161.4 μg·m-3, 仅次于轨迹3, 结合潜在源贡献分析可知, 湖北东部对九江市的污染源贡献也较大.过程二九江市一共有5条气流轨迹, 主要影响轨迹为2、4.轨迹2概率为20.83%, ρ(PM2.5)明显高于其他4个气流轨迹, 为178.3 μg·m-3, 运行距离短、速度慢, 易携带较高水平浓度的PM2.5.轨迹4来自于湖北, 占比为36.11%, ρ(PM2.5)为137.7 μg·m-3, 对九江市的污染输送起到了重要的作用.轨迹5来自安徽西南部, 途径九江市、宜春和湖北, 最后到达九江市, ρ(PM2.5)为116.9 μg·m-3.过程二九江市的潜在源区为江西省西北部和与江西省接壤的湖北东南部和安徽西南部, 这与上文所述低压倒槽型高湿、小风、风场辐合和逆温等气象条件导致的污染物在本地较长时间累积结论一致.
 |
| 图 10 两次过程九江市过去72 h的后向轨迹图和潜在来源解析图 Fig. 10 Trajectory clusters and distribution of potential source of PM2.5 in Jiujiang |
| 表 1 两次过程九江市污染轨迹及ρ(PM2.5)的统计分析结果 Table 1 Statistical analysis results of trajectories and PM2.5 concentration during episodes 1~2 in Jiujiang |
 |
图 11为两次过程中为九江市权重浓度轨迹, 过程一PM2.5主要贡献区域为河南东部、山东西部和安徽西北部, 该区域WCWT超过了160 μg·m-3.过程二PM2.5主要贡献区域以江西省西北部和与江西省接壤的湖北东南部、安徽西南部为主, 表明过程二主要以本地污染为主, 但冷空气渗透下, 周边接壤地区仍有一定的污染传输.
 |
| 图 11 两次过程九江市气流轨迹浓度权重分布 Fig. 11 Distribution of concentration-weighted trajectory method analysis in Jiujiang |
1) 两次过程分别为冷锋前部型、低压倒槽型, 污染发生原因分别为冷空气南下在江西省减弱辐合导致上游颗粒物输送并堆积和较长时间处于高湿、小风或静风、逆温下的污染累积；污染清除原因分别为西北风增加和强冷空气、降水双重作用下的污染清除.
2) 两次污染期间ρ(PM2.5)高值震荡变化阶段风速主要在2 m·s-1以下, 大于3 m·s-1的风速有利于污染物清除.冷锋前部型过程九江市主要受西风影响, ρ(PM2.5)高值区集中在东东北方向、风速为2~4 m·s-1, 低压倒槽型主要受东北风影响, 风速多在2 m·s-1以下.相对湿度高、风速小、风场长时间辐合, 是过程二九江市重污染维持较长时间的重要原因.
3) 对大气垂直结构进行分析, 低压倒槽型大气垂直结构较冷锋前部型稳定, 低压倒槽型垂直湍流弱、低层风速小于2 m·s-1, 存在多层逆温, 逆温明显强于冷锋前部型, 中心位于850 hPa, 湿区明显且深厚；冷锋前部型存在明显下沉运动.
4) 冷锋前部型以区域性污染输送为主, 九江市PM2.5潜在源区位于河南东部、山东西部、安徽西北部和湖北东部, PM2.5主要贡献区为河南东部、山东西部、安徽西北部.低压倒槽型九江市PM2.5潜在源区主要来自江西省内及与江西省接壤的湖北东南部、安徽西南部, PM2.5主要贡献区与潜在源区一致.
Ashbaugh L L, Malm W C, Sadeh W Z, et al. 1985. A residence time probability analysis of sulfur concentrations at Grand Canyon National Park[J]. Atmospheric Environment, 19(8): 1263-1270. DOI:10.1016/0004-6981(85)90256-2 |
Borge R, Lumbreras J, Vardoulakis S, et al. 2007. Analysis of long range transport influences on urban PM10 using two stage atmospheric trajectory clusters[J]. Atmospheric Environment, 41: 4434-4405. DOI:10.1016/j.atmosenv.2007.01.053 |
陈翔翔, 胡磊, 彭王敏子, 等. 2016. 1960-2014年南昌市霾天气气象要素及主要大气污染物变化特征[J]. 气象与环境学报, 32(5): 114-121. DOI:10.3969/j.issn.1673-503X.2016.05.016 |
陈翔翔, 胡磊. 2018. 2017年11月7-8日南昌市一次重度污染天气过程分析[J]. 气象与减灾研究, 41(1): 69-76. |
戴竹君, 刘端阳, 王宏斌, 等. 2016. 江苏秋冬季重度霾的分型研究[J]. 气象学报, 74(1): 133-148. |
Davis R E, Kalkstein L S. 1990. Using a spatial synoptic climatological classification to assess changes in atmospheric pollution concentrations[J]. Physical Geography, 11(4): 320-342. DOI:10.1080/02723646.1990.10642410 |
邓发荣, 康娜, Kanike R K, 等. 2018. 长江三角洲地区大气污染过程分析[J]. 中国环境科学, 38(2): 401-411. DOI:10.3969/j.issn.1000-6923.2018.02.001 |
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: 295-308. |
Elminir H K. 2005. Dependence of urban air pollutants on meteorology[J]. Science of the Total Environment, 350(1/3): 225-237. |
Greene J S, Kalkstein L S, Ye H, et al. 1999. Relationships between synoptic climatology and atmospheric pollution at 4 US cities[J]. Theoretical and Applied Climatology, 62(3/4): 163-174. |
顾沛澍, 刘端阳, 陈鹏, 等. 2018. 2016年12月江苏省两次连续污染过程气象条件对比分析[J]. 环境科学研究, 31(7): 1223-1232. |
Han Y J, Kim S R, Jung J H. 2011. Long term measurement of atmospheric PM2.5 and its chemical composition in rural Korea[J]. Journal of Atmospheric Chemistry, 68(4): 281-298. DOI:10.1007/s10874-012-9225-6 |
Hsu Y K, Holsen T M, Hopke P K. 2003. Comparison of hybrid receptor models to locate PCB sources in Chicago[J]. Atmospheric Environment, 37(4): 545-562. DOI:10.1016/S1352-2310(02)00886-5 |
胡晓, 徐璐, 俞科爱, 等. 2017. 宁波地区一次重污染天气过程的成因分析[J]. 高原气象, 36(5): 1412-1421. |
花丛, 张碧辉, 张恒德. 2015. 2013年1-2月华北雾、霾天气边界层特征对比分析[J]. 气象, 41(9): 1144-1151. |
蒋璐君, 刘熙明, 贺志明. 2015. 江西省中北部地区一次典型灰霾天气过程分析[J]. 气象与减灾研究, (2): 40-46. DOI:10.3969/j.issn.1007-9033.2015.02.007 |
雷雨, 张小玲, 康平, 等. 2020. 川南自贡市大气颗粒物污染特征及传输路径与潜在源分析[J]. 环境科学, (7): 3021-3030. |
李颜君, 安兴琴, 范广洲. 2019. 北京地区大气颗粒物输送路径及潜在源分析[J]. 中国环境科学, 39(3): 915-927. DOI:10.3969/j.issn.1000-6923.2019.03.003 |
刘波. 2009. 南昌市一次连续空气污染过程的气象条件分析[J]. 气象与减灾研究, (2): 68-72. DOI:10.3969/j.issn.1007-9033.2009.02.013 |
刘波. 2013. 天气形势对南昌市空气质量影响的初步分析[J]. 气象与减灾研究, 36(2): 57-64. DOI:10.3969/j.issn.1007-9033.2013.02.008 |
刘波, 张娟娟. 2018. 江西省区域霾天气过程典型个例分析[J]. 气象与减灾研究, 41(4): 315-321. |
刘端阳, 魏建苏, 严文莲, 等. 2014. 1980-2012年江苏省城市霾日的时空分布及成因分析[J]. 环境科学, (9): 3247-3255. |
Liu F, Tan Q W, Jiang X, et al. 2019. Effects of relative humidity and PM2.5 chemical compositions on visibility impairment in Chengdu, China[J]. Journal of Environmental Science, 86: 15-23. DOI:10.1016/j.jes.2019.05.004 |
刘童, 王晓军, 陈倩, 等. 2019. 烟台市环境受体PM2.5四季污染特征与来源解析[J]. 环境科学, 40(3): 1082-1090. |
Polissar A V, Hopke P K, Harris J M. 2001. Source regions for atmospheric aerosol measured at Barrow, Alaska[J]. Environment Science Technology, 35: 4214-4226. DOI:10.1021/es0107529 |
祁海霞, 崔春光, 赵天良, 等. 2019. 2015年冬季湖北省PM2.5重污染传输特征及影响天气系统的数值模拟[J]. 气象, 45(8): 1113-1122. |
祁妙, 朱彬, 潘晨, 等. 2015. 长江三角洲冬季一次低能见度过程的地区差异和气象条件[J]. 中国环境科学, 35(10): 2899-2907. DOI:10.3969/j.issn.1000-6923.2015.10.003 |
孙兆彬, 李梓铭, 廖晓农, 等. 2017. 北京大气热力和动力结构对污染物输送和扩散条件的影响[J]. 中国环境科学, 37(5): 1693-1705. DOI:10.3969/j.issn.1000-6923.2017.05.012 |
王静, 施润和, 李龙, 等. 2015. 上海市一次重雾霾过程的天气特征及成因分析[J]. 环境科学学报, 35(5): 1537-1546. |
Wang X Y, Zhang R H, Yu W. 2019. The effects of PM2.5 concentrations and relative humidity on atmospheric visibility in Beijing[J]. Journal Geophysics Research, 124(4): 2235-2259. DOI:10.1029/2018JD029269 |
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. |
王振波, 梁龙武, 林雄斌, 等. 2017. 京津冀城市群空气污染的模式总结与治理效果评估[J]. 环境科学, 38(10): 4005-4014. |
尉鹏, 任阵海, 王文杰, 等. 2015. 2014年10月中国东部持续重污染天气成因分析[J]. 环境科学研究, (5): 676-683. |
吴兑, 廖国莲, 邓雪娇, 等. 2008. 珠江三角洲霾天气的近地层输送条件研究[J]. 热带气象学报, 19(1): 1-9. DOI:10.3969/j.issn.1004-4965.2008.01.001 |
许建明, 常炉予, 马井会, 等. 2016. 上海秋冬季PM2.5污染天气形势的客观分型研究[J]. 环境科学学报, 36(12): 4303-4314. |
徐祥德, 丁国安, 周丽, 等. 2003. 北京城市冬季大气污染动力化学过程区域性三维结构特征[J]. 科学通报, 48(5): 496-501. DOI:10.3321/j.issn:0023-074X.2003.05.019 |
徐冉, 张恒德, 杨孝文, 等. 2019. 北京地区秋冬季大气污染特征及成因分析[J]. 环境科学, 40(8): 3405-3414. |
闫世明, 王雁, 郭伟, 等. 2019. 太原市秋冬季大气污染特征和输送路径及潜在源区分析[J]. 环境科学, 40(11): 4801-4809. |
杨斯悦, 王凤, 刘娜. 2020. 《大气污染防治行动计划》实施效果评估: 双重差分法[J]. 中国人口·资源与环境, 30(5): 110-117. |
杨旭, 张小玲, 康延臻, 等. 2017. 京津冀地区冬半年空气污染天气分型研究[J]. 中国环境科学, (9): 3201-3209. DOI:10.3969/j.issn.1000-6923.2017.09.001 |
Ye X N, Tang C, Yin Z, et al. 2013. Hygroscopic growth of urban aerosol particles during the 2009 Mirage-Shanghai Campaign[J]. Atmospheric Environmental, 64: 263-269. DOI:10.1016/j.atmosenv.2012.09.064 |
Zhai S X, Jacob D J, Wang X, et al. 2019. Fine particulate matter (PM2.5) trends in China, 2013-2018:Separating contributions from anthropogenic emissions and meteorology[J]. Atmospheric Chemistry and Physics, 19(16): 11031-11041. DOI:10.5194/acp-19-11031-2019 |
张磊, 金莲姬, 朱彬, 等. 2013. 2011年6-8月平流输送对黄山顶污染物浓度的影响[J]. 中国环境科学, 33(6): 969-978. DOI:10.3969/j.issn.1000-6923.2013.06.002 |
张琴, 彭庆庆, 罗岳平, 等. 2018. 2016年11月湖南省一次重污染过程特征及成因分析[J]. 四川环境, 37(3): 56-66. DOI:10.3969/j.issn.1001-3644.2018.03.011 |
张人禾, 李强, 张若楠. 2014. 2013年1月中国东部持续性强雾霾天气产生的气象条件分析[J]. 中国科学: 地球科学, 44(1): 27-36. |
张晓勇, 张裕芬, 冯银厂, 等. 2010. 天气类型对天津大气PM10污染的影响分析[J]. 环境科学研究, (9): 1115-1121. |
周宁芳, 李峰, 饶晓琴, 等. 2008. 2006年冬半年我国霾天气特征分析[J]. 气象, (6): 81-88. |
朱书慧, 周敏, 乔利平, 等. 2016. 2015年12月气流轨迹对长三角区域细颗粒物浓度和分布的影响[J]. 环境科学学报, 36(12): 4285-4294. |