环境科学学报  2021, Vol. 41 Issue (8): 2976-2986
PM2.5空中输送对北京地面污染影响的地形强迫机制模拟研究    [PDF全文]
金莲姬1, 刘峥1, 朱彬1, 赵德龙2, 翟晴飞3, 田平2, 丁德平2    
1. 南京信息工程大学气象灾害教育部重点实验室, 气候与环境变化国际合作联合实验室, 气象灾害预报预警与评估协同创新中心, 中国气象局气溶胶与云降水重点开放实验室, 南京 210044;
2. 北京市人工影响天气办公室, 北京 100089;
3. 辽宁省人工影响天气办公室, 沈阳 110166
摘要:近几十年来随着工业化和城市化进程的加快,在我国许多城市都出现了严重的PM2.5污染问题.PM2.5污染形成机制研究可以为其预报及治理工作提供基础.选择了具有飞机观测资料的2016年12月10—13日北京冬季典型的PM2.5严重污染个例作为研究对象,利用WRF-Chem对该个例进行了数值模拟,分析了PM2.5空中输送对北京地面PM2.5浓度影响的地形强迫机制在模拟结果中的具体表现方式.数值模拟结果表明:1通过北京南边界进入北京的PM2.5最大输送高度为600 m(ASL)左右;2从空中被输送至燕山的PM2.5,可以爬坡过山后增大怀柔区燕山东坡的浓度,还可以在夜间有下坡风时随着下坡风到山脚,然后再向南输送到北京燕山以南的平地.
关键词北京    PM2.5污染    形成机制    平流输送    地形    数值模拟    
Simulation of the topographic forcing mechanism in the effects of airborne transport of PM2.5 on surface air pollution in Beijing
JIN Lianji1, LIU Zheng1, ZHU Bin1, ZHAO Delong2, ZHAI Qingfei3, TIAN Ping2, DING Deping2    
1. Key Laboratory of Meteorological Disaster, Ministry of Education (KLME), Joint International Research Laboratory of Climate and Environment Change (ILCEC), Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters(CIC- FEMD), CMA Key Laboratory for Aerosol-Cloud-Precipitation, Nanjing University of Information Science & Technology, Nanjing 210044;
2. Beijing Weather Modification Office, Beijing 100089;
3. Liaoning Weather Modification Office, Shenyang 110166
Received 25 April 2021; received in revised from 27 June 2021; accepted 27 June 2021
Abstract: With the acceleration of industrialization and urbanization in recent decades, some serious air pollution events of PM2.5 have appeared in many cities over China. The study on the formation mechanism of PM2.5 pollution can provide the basis for its prediction and treatment. With aircraft observation, the process of a severe pollution event during December 10—13, 2016 was selected as a typical PM2.5 pollution case in winter over Beijing. The topographic forcing mechanism in the effects of airborne transport of PM2.5 on the surface PM2.5 concentration in Beijing was simulated and analyzed using WRF-Chem model. The modeling shows that the maximum height of PM2.5 transported through the southern boundary of Beijing is about 600 m (ASL). PM2.5 transported via the air can increase the surface PM2.5 concentration at the eastern slope of Yanshan Mountain in Huairou District after climbing over the mountains. It can also be transported to the foot of the mountain along downhill wind at night, and then transported to the flat land to the south of Yanshan Mountain in Beijing.
Keywords: Beijing    PM2.5 pollution    formation mechanism    advection transport    topography    numerical simulation    
1 引言(Introduction)

众所周知, PM2.5不仅危害人体健康, 而且通过减小能见度而影响交通.近几十年来随着快速工业化和城市化, 我国许多城市都出现了严重的PM2.5污染问题.北京市作为我国首都, 其PM2.5污染问题全球瞩目.当然, 在2013年9月国务院发布《大气污染防治行动计划》十条措施以来, 北京市的PM2.5污染问题已有缓解趋势(赵辉等, 2020Huang et al., 2021Han et al., 2021Pang et al., 2021Li et al., 2021He et al., 2021).然而, 2015—2017年北京市24 h PM2.5超标倍数最高达6.7倍, 年均超标率达32%(胡小玲等, 2020);2016/2017冬季还因严重污染事件发出了“红色预警”(An et al., 2019);2020年北京冬季平均的PM2.5浓度接近60 μg·m-3(Zhong et al., 2021).因此, PM2.5污染的预报和防治工作仍然要进行.PM2.5污染的形成机制研究可以为其预报及防治工作提供基础.

北京的PM2.5污染事件在冬季比在其他季节出现得更频繁、更严重(Ding et al., 2014Fu et al., 2014).北京冬季PM2.5污染事件主要是在北部和西部大地形阻挡下, 由本地排放、外地平流输送及二次生成的PM2.5在不利于本地垂直混合、不利于向外水平输送的局地气象条件出现时形成的.以往的研究(Hu et al., 2015Chen et al., 2017Lv et al., 2021)表明外地平流输送对北京PM2.5污染具有不可忽视的作用.关于PM2.5的京外源区、输送路径及平流输送特征, 人们已取得了一些认识: 京外主要源区在河北省(Zhang et al., 2019b)、山东省(杨欣等, 2018李颜君等, 2019);西南路径上的水平输送很重要(Lv et al., 2017);通过北京边界的PM2.5净输送通量随高度变化(Zhang et al., 2019aZhang et al., 2021), 模拟的最强净输送通量出现在空中(Zhang et al., 2021).

Tian等(2019)认为PM2.5空中输送对北京地面PM2.5浓度具有不可忽视的作用.关于其作用机制, Tian等(2019)认为是通过湍流混合机制, Long等(2016)认为山脉对污染物的阻挡会引起北京的空气污染事件, 其实就是地形强迫机制.就气流而言, 当其遇到山脉阻挡时, 可能会发生爬坡过山、下泄、绕流、垂直运动等运动形式, 至于实际所发生的运动形式, 取决于风和地形尺度之间的关系, 也取决于大气静力稳定度(Pielke, 1990).这就使得PM2.5空中输送对北京地面PM2.5浓度影响的地形强迫机制复杂化, 但目前还缺乏对该机制具体表现方式的认识.

本文将选取Tian等(2019)进行过飞机探测的个例, 即选取2016年12月10—13日北京PM2.5严重污染过程作为研究对象.选择该个例的原因有三: 一是因为该个例的PM2.5浓度和气象要素资料, 同时有地面和空中垂直观测结果, 这样可以对模拟结果进行三维空间上的验证, 目的是获得相对可靠的模拟结果;二是因为本次过程很典型, 这有助于提高从特殊到普遍的延展性;三是因为该个例中的空中输送(主要是南来输送)明显, 这有助于研究空中输送的影响.本文将利用Weather Research and Forecasting Model with Chemistry (WRF-Chem)数值模式进行数值模拟, 通过计算输送通量和净输送率分析平流输送特征, 并分析从南边界空中被输送入北京的PM2.5遇到燕山阻挡后对北京地面PM2.5浓度的影响方式.

2 个例情况及模拟方案(Case information and simulation scheme) 2.1 地面污染特征

对北京市35个观测点PM2.5、SO2、NO2、O3、CO小时浓度观测结果(来自http://www.cnemc.cn/)的分析发现: 从2016年12月10日12:00(北京时间, 下同)—13日12:00, 北京各观测点PM2.5、SO2、NO2和CO浓度出现了明显的升高、维持和下降过程, O3则与之反相.对于10日12:00—13日12:00期间的资料, 基于我国环境空气质量标准GB3095—2012分析后发现: PM2.5在所有测点都出现重度污染, 在京南测点甚至出现严重污染;SO2、NO2、O3在所有观测点都没有超标;CO仅在5个观测点出现过超标, 且为轻度污染.因此, 本次过程是以PM2.5为主要污染物的严重污染过程.

各等级PM2.5污染皆先出现在京南, 然后再向北扩大范围;污染级别的减弱过程则由北向南推进.从各测点的PM2.5小时浓度演变来看, 京南部观测点最先开始增加, 然后京中部、京北部观测点的PM2.5小时浓度依次开始增加, 最后按此次序依次进入高浓度维持阶段.但浓度开始下降的时刻则按京北、中、南的次序.因此, 高浓度维持时间的长度由南向北依次变短.

无论从所达到的最高污染级别, 还是从高浓度维持时间长度来看, 污染最严重的区域在京南.王嫣然等(2016)的统计分析结果也表明在每次污染事件中京南的污染往往最严重.因此, 从本次污染的空间分布来看, 属于典型的PM2.5污染事件.

2.2 风及平流输送情况

Tian等(2019)分析了该过程中850 hPa天气系统.伴随着高压脊东移, 北京上空850 hPa等压面上出现了一个偏北风转为偏南风的过程.这指示着东亚冬季风的减弱过程(Gao et al., 2020).He等(2018)对1980—2017环流型影响雾霾的统计分析结果也表明, 冷空气变弱型出现频率大的年份PM2.5浓度增高且雾霾日增多.可见, 本次的天气形势有利于空气污染的出现.

本文分析了北京市361个气象站逐小时地面风资料.10日12:00, 京南开始出现偏南风, 此时京南测点的PM2.5浓度恰好开始升高;后来当整个北京盛行偏南风时, 所有观测点的PM2.5浓度都持续升高.从风速大小来看, 各站偏南风风速都小于2 m·s-1.An等(2019)的统计结果表明, 北京冬季严重污染事件主要发生在小于3 m·s-1的偏南风盛行时.可见, 本次污染过程发生时的地面气象条件比较典型.

值得一提的是, 在11日23:00, 北京开始盛行偏北风, 但各观测点的PM2.5浓度没有立即下降, 而是又维持了12~36 h的高浓度, Tian等(2019)认为这与北京局地排放、二次生成有关.从Tian等(2019)所展示的风廓线图来看, 在地面已经由偏南风转为偏北风时, 2000 m高度(指海拔高度, 下同)以下的空中风向仍然维持偏南风, 维持了约12 h后空中才转为偏北风.Tian等(2019)的飞机探测结果表明, 偏南风期间的PM2.5空中南来输送很明显.因此, 本文认为当地面风向转为偏北风时, 地面PM2.5浓度没有立即下降的另一个可能原因为: 空中南来输送的PM2.5在燕山阻挡下对北京地面PM2.5浓度产生了影响.本文将研究该影响机制的具体表现方式.

2.3 模拟方案

本文使用WRF-Chem 3.8.1, 采用Lambert投影, 设置水平分辨率为10 km, 水平格点数为221 × 221, 中心经纬度为(116.3°E, 39.9°N).模拟区域顶为100 hPa, 垂直层数为45层, 其中1 km以下分为21层.气象场的初始条件和边界条件由6 h一次的1°× 1°全球NCEP/NCAR再分析数据FNL提供, 化学物质浓度的初始条件和侧边界条件由MOZART-4 (Model for Ozone And Related chemical Tracers-4)每6 h的模拟结果提供.

本文采用的物理或化学过程/机制参数化方案如表 1所示.值得一提的是, 每隔1 h为气相化学模块更新一次光解率.气溶胶人为源和自然源均被考虑, 其中人为源来自中国多尺度排放清单模型MEIC(Multi-resolation Emission Inventory for China), 涵盖10种主要大气污染物和温室气体(SO2、NOx、CO、NMVOC(Non-methane Volatile Organic Compound)、NH3、CO2、PM2.5、PM10、BC和OC (Organic Carbon)和700多种人为排放源.生物源排放来源于MEGAN (Model of Emissions of Gases and Aerosols from Nature).生物质燃烧来源于FINN(Fire Inventory from NCAR).

表 1 所采用的物理或化学过程/机制参数化方案 Table 1 Selected parameterization schemes of physical or chemical processes/mechanisms

模拟时间从北京时间2016年12月9日8:00—2016年12月14日8:00, 共计120 h, 前24 h作为预热时间.

3 模拟结果与讨论(Modeling results and discussion) 3.1 模拟效果验证 3.1.1 850 hPa高压脊及风向

图 1为模拟的850 hPa位势高度及风, 其中的紫色圆点指示北京所在位置.图 1a显示10日04:00北京还在高压脊前, 850 hPa风向为西北风;而后高压脊经过北京上空, 10日12:00已经完全经过, 北京850 hPa的风向也转为西南风(图 1b).可见, 本文模拟出了850 hPa高压脊移过北京以及850 hPa风向转变的过程, 只是高压脊的移动速度比实况(Tian et al., 2019)偏快.

图 1 模拟的2016年12月10日的850 hPa位势高度(GPH)及风矢的分布 (a. 04:00;b. 12:00) Fig. 1 The distributions of simulated geopotential height(GPH) and wind on the level of 850 hPa on 10th Dec., 2016 (a. 04:00; b. 12:00)
3.1.2 地面风的南北分量及地面PM2.5浓度

因为本文主要关注南北向输送, 所以这里只分析南北风的模拟情况.通过对35个观测点地面风南北分量的观测及模拟结果的对比发现: 对京南观测点(以琉璃河为例)在10日12:00—12日06:00期间的模拟效果较好(图 2a), 不仅所模拟的风向(正值代表南风)与观测结果基本一致, 而且绝对误差也很小;对京中(以东高村为例)和京北(以密云水库为例)观测点而言, 分别模拟出在11日09:00—18:00(图 2b)和11日09:00—24:00(图 2c)所观测到的南风.图 2还显示模拟的绝对误差在后期比前期要大, 基本上以12日06:00为界.

图 2 地面风的南北分量观测及模拟结果时间序列图 (a. 琉璃河;b. 东高村;c. 密云水库.正值代表南风) Fig. 2 Time series of the observed and simulated wind in the north-south direction (a. Liuli river; b. Donggao village; c. Miyun reservoir. The positive value means the south wind)

本文还对35个观测点地面PM2.5浓度的模拟与观测结果进行了定性比较, 发现在各观测点都模拟出了PM2.5浓度增大、高浓度维持及减少的过程, 且大多数观测点的绝对误差在12日06:00之前要小于之后的.图 3展示了京南(以琉璃河为例)、京中(以东高村为例)和京北(以密云水库为例)的结果.由图 3可以发现: ①对于增大阶段, 京南的模拟效果最好(图 3a), 不仅各时刻浓度模拟值的绝对误差小, 而且所模拟的开始增长时间也接近观测结果.而京中和京北, 浓度开始增长的时间则明显超前, 而且浓度模拟值偏大(图 3b3c);②对于高浓度维持阶段的平均浓度, 模拟值与观测值比较接近;③对于PM2.5浓度减少阶段, 突降时间的模拟结果皆偏早.

图 3 地面PM2.5浓度的观测与模拟结果的时间序列 (a. 琉璃河;b. 东高村;c. 密云水库) Fig. 3 Time series of the observed and simulated surface PM2.5 concentrations (a. Liuli river; b. Donggao village; c. Miyun reservoir)

值得一提的是, 在前面2.2节的观测分析中发现一个现象: 地面由偏南风转为偏北风后, 地面仍然长时间维持PM2.5高浓度.通过比较地面南北风风向(图 2)与PM2.5浓度(图 3)的模拟结果发现, 京南和京中地面南北风的模拟结果在11日18:00以后主要为北风, 而所模拟的地面PM2.5浓度并非从11日18:00开始立即下降, 而是又维持了20 h左右的高浓度.也就是模拟出了地面风向转为偏北风后地面PM2.5高浓度仍然长时间维持的现象.

由前面的定性分析发现, 10日12:00—12日06:00的模拟效果较好.因此本文计算了各观测点地面PM2.5浓度模拟值在该时段的平均分数偏差MFB、平均分数误差MFE和相关系数R, 从而对其模拟效果进行定量分析.前2个参数的计算公式分别见式(1)~(2).

(1)
(2)

式中, PiOi分别为模拟和观测值, n为样本数.图 4为35个观测点MFB、MFE和R的频率分布图.由图 4a4b可见, MFB < ±17%, MFE < 17%.一般认为, 若MFB < ±30%且MFE < 50%, 则表明模拟效果较好(Boylan et al., 2006).说明本文对地面PM2.5浓度的模拟值在10日12:00—12日06:00期间的相对误差是可以接受的.至于相关系数R, 样本数是43, 当R大于0.3时, 就可通过95%的显著性检验(屠其璞等, 1984).由图 4c可见, 绝大多数观测点的R都大于0.3, 表明PM2.5浓度的模拟与观测值显著相关.

图 4 35个观测点在10日12:00—12日06:00期间地面PM2.5浓度模拟效果参数的频率分布图 (a. MFB;b. MFE;c. R) Fig. 4 Frequency distributions of the simulation effect parameters of the surface PM2.5 concentration over 35 sites from 12:00 on 10th to 06:00 on 12th (a. MFB; b. MFE; c. R)
3.1.3 气象要素垂直廓线

Tian等(2019)于12月10—12日的每日午后(分别为12:40—15:25、13:12—16:24、13:04—15:43)进行了飞机探测.图 5~7分别展示了这3 d在沙河机场上空的位温、水汽混合比、气温和南北风分量垂直廓线的探测与模拟结果, 图中所使用的模拟结果的时段与探测的相对应.由图 5~7看出, 对位温、气温(11日除外)的模拟误差都不大, 但是水汽混合比的模拟误差较大.对于本文所关注的南北风分量, 10日午后2000 m以下高度的模拟结果较好地再现了低层深厚的小风现象;11日午后的模拟结果也较好地再现了混合层内小风而混合层顶风速突增到10多m·s-1的现象, 而且模拟误差也不大;但12日午后的模拟误差则较大.

图 5 沙河机场12月10日气象因子垂直廓线的探测与模拟结果 (a.位温;b.水汽混合比;c.气温;d.南北风分量) Fig. 5 The observed and simulated profiles of meteorological factors at the airport of Shahe on 10th Dec. (a. Potential temperature; b. Mixing ratio of water vapor; c. Air temperature; d. North-south wind component)

图 6 沙河机场12月11日气象因子垂直廓线的探测与模拟结果 (a.位温;b.水汽混合比;c.气温;d.南北风分量) Fig. 6 The observed and simulated profiles of meteorological factors at the airport of Shahe on 11th Dec. (a. Potential temperature; b. Mixing ratio of water vapor; c. Air temperature; d. North-south wind component)

图 7 沙河机场12月12日气象因子垂直廓线的探测与模拟结果 (a.位温;b.水汽混合比;c.气温;d.南北风分量) Fig. 7 The observed and simulated profiles of meteorological factors at the airport of Shahe on 12th Dec. (a. potential temperature; b. mixing ratio of water vapor; c. air temperature; d. north-south wind component)
3.1.4 PM2.5浓度的空中增高层

Tian等(2019)于12月11日午后在沙河机场上空探测到PM2.5的空中增高层.图 8为模拟的沙河机场PM2.5浓度垂直分布图, 其中图 8a为模拟的PM2.5浓度垂直分布随时间的演变图, 可以发现地面PM2.5浓度一直到11日20:00都具有增加趋势, 其中, 11日04:00和11日16:00(图中两条黑色垂直线)附近, 出现了PM2.5浓度的空中增高层, 由图 8b所展示的这两个时刻PM2.5浓度的垂直分布图, 可以更明显地看出空中增高层.

图 8 模拟的沙河机场PM2.5浓度垂直分布图 (a.随时间演变图;b. 11日04:00和11日16:00的垂直廓线) Fig. 8 The vertical distribution of simulated PM2.5 concentration at the airport of Shahe (a. Temporal variation; b. The vertical profiles at 04:00 and 16:00 on 11th Dec, respectively.)

以上分析表明: ①模拟出了850 hPa高压脊及风向转变过程;②对地面南北风分量、地面PM2.5浓度的模拟结果在10日12:00—12日06:00期间的效果较好;③对气温、位温、南北风分量的垂直分布在2000 m以下高度10—11日午后的模拟效果较好;④模拟出了11日午后所观测到的PM2.5浓度空中增高层;⑤模拟出地面风向转为偏北风后地面PM2.5高浓度仍然长时间维持的现象.

3.2 北京南边界上PM2.5南北向输送特征

因为本文主要关心北京PM2.5的南来输送, 所以先分析本次污染过程中北京南边界上PM2.5的输送特征.图 9为模拟的2016年12月10—13日北京南边界上PM2.5南北向输送通量的时高图.南边界取北纬39.52°, 经度范围为东经115.7°~116.9°, 每隔1 h计算一次各高度上的输送通量, 这里的高度是指垂直网格的中心高度.单个网格上的输送通量Tv(kg·s-1)的计算公式见式(3).

(3)

式中, ΔX为东西向网格距(m), ΔZ为垂直网格距(m), V为风的南北向分量(m·s-1), Cpm为PM2.5浓度(μg·m-3).南边界上同一高度各网格的Tv之和即为南边界该高度上的输送通量.

图 9可见, 地面输送通量的最大值出现在11日下午, 这与京南地面风的模拟结果恰好在这段时间出现了相对大的南风(图 2a)有关.空中的最大值也是出现在11日午后, 高度为150~400 m.该时间、高度与所模拟出的沙河机场PM2.5浓度空中增高层的基本一致(图 8).此外, 图 9还显示, 从10日12:00—12日06:00, 北京南边界上PM2.5南北向输送通量基本都为正值, 因此后面把该时段定义为输送时段.

图 9 模拟的2016年12月10—13日通过39.52°N进出北京的PM2.5通量 Fig. 9 The simulated mass fluxes of PM2.5 entering or leaving Beijing through the latitude of 39.52°N during 10th—13th Dec., 2016

图 9上的结果在输送时段内进行时间积分, 就得到从北纬39.52°各高度输送进北京的PM2.5在输送时段内的总质量(图 10).从图 10可以看出最大输送高度为600 m, 这与Zhang等(2021)的结果相差不多, 该高度比燕山最高高度低得多, 这有利于分析燕山对PM2.5空中输送的阻挡作用.

图 10 模拟的输送时段内通过39.52°N从各高度进入北京的PM2.5总质量 Fig. 10 The simulated total PM2.5 masses of different altitudes entering Beijing through the latitude of 39.52°N during the transport period
3.3 空中输送对地面PM2.5浓度影响的地形强迫机制

由前可知, 从北京南边界空中进入北京的PM2.5通量最大值出现在11日午后, 所以本文在11日12:00以后的时段内挑选典型时刻, 来分析从空中进入北京的PM2.5遇到燕山后如何影响北京地面PM2.5浓度.这需要分析PM2.5的南北向净输送率TRv、地面垂直净输送率Traw, 计算公式分别见式(4)~(5).

(4)
(5)

式中, TRv、Traw的单位分别为μg·kg-1·s-1、ng·kg-1·s-1Cpm为PM2.5浓度, 在公式(4)和(5)中的单位分别使用μg·m-3和ng·m-3V为风的南北向分量(m·s-1);ρ为空气密度(kg·m-3), W为垂直风速(m·s-1), ΔZ为垂直格距(m).对于式(4)中的偏导数, 除边界处采用前差或后差格式外, 在其他格点均采用中央差格式进行近似.当某时刻某点的净输送率为正时, PM2.5浓度将升高, 反之则反.通过对公式(4)进行分解可知, TRv与气流、气流辐合辐散、PM2.5浓度及其梯度有关(Jin et al., 2020).本次模拟结果显示南来气流遇到燕山后有爬坡过山和在南坡下坡两种情形.

对于爬坡过山情形, 以17:00为例.图 11a为116.5°E垂直剖面上的风场(图中空白处代表地形), 可以发现, 从南边界进入北京的气流遇到燕山后爬坡, 爬过第一个山峰, 在40.7°N附近有过山后的下沉运动(见椭圆形圈内).由PM2.5南北向净输送率分布图 11b发现, 在燕山上点(116.5°E, 40.7°N)附近海拨高度为400~800 m的区域, 是PM2.5南北向净输送率的正值区(见椭圆形圈内), 属于怀柔区的燕山东坡.这个位置恰好为图 11a所示的下沉气流区, 气流过山后在此处的PM2.5南北向净输送率为正, 垂直净输送率虽然也为正但很小(图略), 这将使该区域的PM2.5浓度增大.本文还分析了其他时刻的情况, 发现在图 9所示的南来输送阶段(10日12:00—12日06:00)中的很多时刻, 该位置处都出现了正的PM2.5南北向净输送率.表明从空中输送进来的PM2.5遇到燕山后容易过山, 使怀柔区的燕山东坡PM2.5浓度增大.

图 11 11日17:00在116.5°E垂直剖面上的风场和地面PM2.5南北向净输送率分布 (a.风场;b. 地面PM2.5净输送率.黑色垂直线为a图的垂直剖面位置.等值线为地形高度, 单位为m) Fig. 11 The wind field on the cross section of 116.5°E and the distribution of net transport rate of surface PM2.5 in the north-south direction at 17:00 on 11th Dec. (a. The wind field; b. The net transport rate of surface PM2.5. The vertical black line represents the location of the vertical cross section in Fig. 11a. The contour lines stand for the terrain height in the unit of meter)

南坡有下坡风情形, 发现大多出现在低层风不大的夜间, 本文以12日01:00为例.图 12a为116.4°E垂直剖面上的风场(图中空白处代表地形).从12a可以看到燕山南坡的下坡气流及其上空的下沉气流, 这使得燕山相应坡面上和山脚下的地面PM2.5的垂直输送率都为正(见图 12b椭圆圈内), 这会使得相应位置处的PM2.5浓度增大.

图 12 12日01:00在116.4°E垂直剖面上的风场和地面PM2.5的垂直输送率分布 (a.风场;b. 地面PM2.5的垂直输送率.黑色垂直线为a图的垂直剖面位置.等值线代表地势高度, 单位为m) Fig. 12 The wind field on the cross section of 116.4°E and the distribution of vertical transport rate of surface PM2.5 at 01:00 on 12th Dec. (a. The wind field; b. Vertical transport rate of surface PM2.5. The vertical black line represents the location of the vertical cross section in Fig. 12a. The contour lines stand for the terrain height in the unit of meter)

图 12a还可发现, 从燕山南坡山脚一直到39.8°N的地面有向南气流, 这是由于沿着燕山南坡下沉的气流到达山脚时产生垂直方向上的辐合, 然后产生水平方向上的辐散, 即产生向南运动.这使得PM2.5南北向净输送率在山脚下为负(见图 13上的“—”号区).同时, 图 12a显示在39.8°N出现南北向气流的辐合, 这使得城南的PM2.5南北向净输送率为正(见图 13上的“+”号区).

图 13 12日01:00地面PM2.5南北向净输送率的分布 (等值线代表地形高度, 单位为m) Fig. 13 The distribution of net transport rate of surface PM2.5 in the north-south direction at 01:00 on 12th Dec. (The contour lines stand for the terrain height in the unit of meter)

通过以上分析发现, 燕山对PM2.5的空中南来输送表现出明显的影响, 主要表现在以下几个方面: ①空中南来气流遇到燕山爬坡过第一个山峰后, 向东侧低海拔处运动, 使得怀柔区的燕山东坡区域具有PM2.5南北向净输送率的正值;②夜间燕山南坡有下坡风时, 从空中输送到燕山的PM2.5遇到燕山后, 有一部分会随着下坡风到山脚, 在山脚产生垂直方向上的辐合, 然后水平辐散被输送到北京燕山以南的平地, 如果与地面南来气流辐合, 那么会产生正的PM2.5南北向净输送率, 该值会使北京平地的PM2.5浓度升高.这也许是地面风向转为偏北风后地面PM2.5高浓度仍然长时间维持的原因之一.

4 结论(Conclusions)

1) 本文模拟出了850 hPa高压脊经过北京以及850 hPa风向的转变过程;在10日12:00—12日06:00期间, 地面南北风分量的模拟效果较好, 地面PM2.5浓度模拟值的相对误差也较小且绝大多数观测点的模拟与观测值显著相关(p < 0.05);对气温、位温、南北风分量的垂直分布在2000 m以下高度10—11日午后的模拟效果较好;模拟出了PM2.5浓度在沙河机场出现的空中增高层;模拟出了地面风向转为偏北风后地面PM2.5高浓度仍然长时间维持的现象.因此10日12:00—12日06:00的模拟结果可以用于探讨本文提出的问题.

2) 10日12:00—12日6:00, 经北京南界面2000 m以下的空中各高度被输送进入北京的PM2.5通量皆为正.表明这段时间内从地面到2000 m以下的空中都有从南输送入北京的PM2.5, 因此把这段时间称为输送时段.输送时段内从南被输送进北京的PM2.5最大输送高度为600 m.

3) 燕山对PM2.5的空中南来输送表现出明显的影响, 主要表现在以下2个方面: (a)空中南来气流遇到燕山爬坡过第一个山峰后, 向东侧低海拔处运动, 使得怀柔区的燕山东坡具有PM2.5南北向净输送率的正值;(b)夜间燕山南坡有下坡风时, 从空中输送到燕山的PM2.5遇到燕山后, 有一部分会随着下坡风到山脚, 在山脚产生垂直方向上的辐合, 然后水平辐散被输送到北京燕山以南的平地, 如果与地面南来气流辐合, 那么PM2.5南北向净输送率就为正, 该值会使北京平地的PM2.5浓度升高.

参考文献
An Z, Huang R J, Zhang R, et al. 2019. Severe haze in northern China: A synergy of anthropogenic emissions and atmospheric processes[J]. Proceedings of the National Academy of Sciences, 116(18): 8657-8666.
Boylan J W, Russell A G. 2006. PM and light extinction model performance metrics, goals, and criteria for three-dimensional air quality models[J]. Atmospheric Environment, 40: 4946-4959. DOI:10.1016/j.atmosenv.2005.09.087
Chen D S, Liu X X, Lang J L, et al. 2017. Estimating the contribution of regional transport to PM2.5 air pollution in a rural area on the North China Plain[J]. Science of the Total Environment, 583: 280-291. DOI:10.1016/j.scitotenv.2017.01.066
Ding Y H, Liu Y J. 2014. Analysis of long-term variations of fog and haze in China in recent 50 years and their relations with atmospheric humidity[J]. Science China: Earth Sciences, 57(1): 36-46. DOI:10.1007/s11430-013-4792-1
Fu G Q, Xu W Y, Yang R F, et al. 2014. The distribution and trends of fog and haze in the North China Plain over the past 30 years[J]. Atmospheric Chemistry and Physics, 14: 11949-11958. DOI:10.5194/acp-14-11949-2014
Grell G A, Freitas S R. 2014. A scale and aerosol aware stochastic convective parameterization for weather and air quality modeling[J]. Atmospheric Chemistry and Physics, 14: 5233-5250. DOI:10.5194/acp-14-5233-2014
Han Y, Lam J C, Li V O, et al. 2021. A Bayesian LSTM model to evaluate the effects of air pollution control regulations in Beijing, China[J]. Environmental Science and Policy, 115: 26-34. DOI:10.1016/j.envsci.2020.10.004
He J, Gong S, Zhou C, et al. 2018. Analyses of winter circulation types and their impacts on haze pollution in Beijing[J]. Atmospheric Environment, 192: 94-103. DOI:10.1016/j.atmosenv.2018.08.060
He Q, Zhang M, Song Y, et al. 2021. Spatiotemporal assessment of PM2.5 concentrations and exposure in China from 2013 to 2017 using satellite-derived data[J]. Journal of Cleaner Production, 286: 124965. DOI:10.1016/j.jclepro.2020.124965
Hu J, Wu L, Zheng B, et al. 2015. Source contributions and regional transport of primary particulate matter in China[J]. Environmental Pollution, 207: 31-42. DOI:10.1016/j.envpol.2015.08.037
胡小玲, 李艳, 夏佳琦, 等. 2020. 北京市颗粒物污染特征及其大气环流成因分析[J]. 地球科学前沿, 10(5): 425-436.
Huang X, Tang G, Zhang J, et al. 2021. Characteristics of PM2.5 pollution in Beijing after the improvement of air quality[J]. Journal of Environmental Sciences, 100: 1-10. DOI:10.1016/j.jes.2020.06.004
Iacono M J, Delamere J S, Mlawer E J, et al. 2008. Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models[J]. Journal of Geophysical Research-Atmospheres, 113: D13103. DOI:10.1029/2008JD009944
Jin L, Lin L, Ding D, et al. 2020. The observation path problems and the formation conditions of the elevated layer of black carbon aerosol[J]. Atmosphere, 11(5): 481. DOI:10.3390/atmos11050481
Li J, Gao W, Cao L, et al. 2021. Significant changes in autumn and winter aerosol composition and sources in Beijing from 2012 to 2018:Effects of clean air actions[J]. Environmental Pollution, 268(Pt B): 115855.
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
Lin Y L, Farley R D, Orville H D. 1983. Bulk Parameterization of the Snow Field in a Cloud Model[J]. Journal of Climate and Applied Meteorology, 22(6): 1065-1092. DOI:10.1175/1520-0450(1983)022<1065:BPOTSF>2.0.CO;2
Long X, Tie X X, Cao J J, et al. 2016. Impact of crop field burning and mountains on heavy haze in the North China Plain: A case study[J]. Atmospheric Chemistry and Physics, 16: 9675-9691. DOI:10.5194/acp-16-9675-2016
Lv L, Chen Y, Han Y, et al. 2021. High-time-resolution PM2.5 source apportionment based on multi-model with organic tracers in Beijing during haze episodes[J]. Science of the Total Environment, 772: 144766. DOI:10.1016/j.scitotenv.2020.144766
Lv L, Liu W, Zhang T, et al. 2017. Observations of particle extinction, PM2.5 mass concentration profile and flux in north China based on mobile lidar technique[J]. Atmospheric Environment, 164: 360-369. DOI:10.1016/j.atmosenv.2017.06.022
Pang N, Gao J, Zhu G, et al. 2021. Impact of clean air action on the PM2.5 pollution in Beijing, China: Insights gained from two heating seasons measurements[J]. Chemosphere, 263: 127991. DOI:10.1016/j.chemosphere.2020.127991
Pielke R A. 1990. Mesoscale meteorological modeling[M]. 张杏珍, 杨长新译. 中尺度气象模拟. 北京: 气象出版社, 513-523
Tastula E M, LeMone M A, Dudhia J, et al. 2016. The impact of the QNSE-EDMF scheme and its modifications on boundary layer parameterization in WRF: modelling of CASES-97[J]. Quarterly Journal of the Royal Meteorological Society, 142(695): 1182-1195.
Tewari M, Chen F, Wang W, et al. 2016. Implementation and verification of the unified Noah land-surface model in the WRF model[C]. 20th Conference on Weather Analysis and Forecasting/16th Conference on Numerical Weather Prediction, 11-15
Tian P, Liu D, Huang M, et al. 2019. The evolution of an aerosol event observed from aircraft in Beijing: An insight into regional pollution transport[J]. Atmospheric Environment, 206: 11-20. DOI:10.1016/j.atmosenv.2019.02.005
屠其璞, 丁裕国, 史久恩, 等. 1984. 气象应用概率统计学[M]. 北京: 气象出版社, 532-532.
王嫣然, 张学霞, 赵静瑶, 等. 2016. 2013-2014年北京地区PM2.5时空分布规律及其与植被覆盖度关系的研究[J]. 生态环境学报, 25(1): 103-111.
Wesely M L. 1989. Parameterization of surface resistances to gaseous dry deposition in regional-scale numerical models[J]. Atmospheric Environment, 23(6): 1293-1304.
Wild O, Zhu X, Prather M J. 2000. Fast-J: accurate simulation of in-and below-cloud photolysis in tropospheric chemical models[J]. Journal of Atmospheric Chemistry, 37: 245-282. DOI:10.1023/A%3A1006415919030
杨欣, 陈义珍, 赵妤希, 等. 2018. 2014-2017年北京城区霾污染态势及潜在来源[J]. 中国环境科学, 38(9): 3232-3239.
Zaveri R A, Peters L K. 1999. A new lumped structure photochemical mechanism for large-scale applications[J]. Journal of Geophysical Research-Atmospheres, 104(D23): 30387-30415.
Zaveri R A, Easter R C, Fast J D, et al. 2008. Model for Simulating Aerosol Interactions and Chemistry (MOSAIC)[J]. Journal of Geophysical Research-Atmospheres, 113: 13204.
Zhang H, Cheng S, Yao S, et al. 2019a. Multiple perspectives for modeling regional PM2.5 transport across cities in the Beijing-Tianjin-Hebei region during haze episodes[J]. Atmospheric Environment, 212: 22-35.
Zhang H, Xing Y, Cheng S, et al. 2021. Characterization of multiple atmospheric pollutants during haze and non-haze episodes in Beijing, China: Concentration, chemical components and transport flux variations[J]. Atmospheric Environment, 246: 118129.
Zhang Q, Zheng Y, Tong D, et al. 2019b. Drivers of improved PM 2.5 air quality in China from 2013 to 2017[J]. Proceedings of the National Academy of Sciences, 116(49): 24463-24469.
赵辉, 郑有飞, 张誉馨, 等. 2020. 京津冀大气污染的时空分布与人口暴露[J]. 环境科学学报, 40(1): 1-12.
Zhong J T, Zhang X Y, Wang Y Q, et al. 2021. Attribution of the worse aerosol pollution in March 2018 in Beijing to meteorological variability[J]. Atmospheric Research, 250: 105294.