西安市大气颗粒物PM2.5的输送路径和潜在源分析

黄光球 雷哲

引用本文:
Citation:

西安市大气颗粒物PM2.5的输送路径和潜在源分析

Transport pathways and potential sources of PM2.5 in Xi'an City

    Corresponding author: HUANG Guang-qiu, huangnan93@163.com ;LEI Zhe, louiseray1218@163.com
  • CLC number: X51;X831

  • 摘要: 利用2017年西安市气象数据和主要大气污染物质量浓度的监测资料,综合分析西安市2017年度气候变化、大气污染状况以及污染物质量浓度演变特征. 结果表明:西安市年平均风速为2.43 m/s,平均气温为19.00 ℃,总降水量为649 mm,冬春季PM2.5、PM10质量浓度值普遍高于夏秋季. 利用SPSS对污染物与气象因素进行相关性分析,得出颗粒物、气态污染物CO、SO2质量浓度变化与平均气温、降水量、风速呈负相关,而O3与平均气温、降水量、风速呈正相关. 此外,通过拉格朗日混合粒子轨迹模型模拟了西安市48 h的气流后向轨迹,并将PM2.5的质量浓度数据与气团轨迹相结合,利用潜在源贡献函数模型(PSCF)和浓度加权轨迹方法(CWT),分析西安市PM2.5质量浓度影响及潜在源区分布特征,其结果表明超过50%的气流后向轨迹来自西北方向,西安市PM2.5的主要潜在来源位于陕南各城市以及陕南周边省份交界处.
  • 图 1  2017年西安市平均风速、平均气温及降水量的逐月变化

    Figure 1.  Monthly change of average wind speed, average temperature and precipitation in Xi'an in 2017

    图 2  2017年西安市PM2.5及PM10质量浓度的逐日变化

    Figure 2.  Daily variation of PM2.5 and PM10 mass concentrations in Xi'an in 2017

    图 3  西安市4个季节后向轨迹聚类分析结果

    Figure 3.  Cluster analysis results of four seasons in Xi'an

    图 4  西安市四季PM2.5潜在源区贡献分布

    Figure 4.  Seasonal distribution of potential source regions of PM2.5 in Xi'an

    图 5  西安市四季PM2.5质量浓度权重轨迹分布结果图

    Figure 5.  Results of the distribution of the weights of the PM2.5 mass concentration weights in the four seasons of Xi'an

    表 1  西安市2017年PM2.5、PM10、SO2、NO2、CO、O3以及PM2.5/PM10四季的平均质量浓度

    Table 1.  Seasonal average concentration of PM2.5, PM10, SO2, NO2, CO, O3 and PM2.5/PM10 in Xi'an in 2017

    季节ρ(PM2.5)/
    (μg·m−3
    ρ(PM10)/
    (μg·m−3
    ρ(PM2.5)/
    ρ(PM10
    ρ(SO2)/
    (μg·m−3
    ρ(NO2)/
    (μg·m−3
    ρ(CO)/
    (μg·m−3
    ρ(O3)/
    (μg·m−3
    54.20±36.63114.96±72.140.49±0.1617.03±8.1759.90±15.251.31±0.26105.15±39.94
    33.18±15.2171.73±29.180.47±0.129.57±2.7741.09±10.841.13±0.15164.63±55.25
    62.88±42.90115.81±63.190.54±0.1215.11±5.9859.11±16.841.52±0.4068.00±39.07
    143.52±105.44222.50±127.310.61±0.1733.86±9.2976.08±23.102.26±0.7945.46±27.89
    平均73.11±68.37130.19±92.410.53±0.1418.82±11.4258.95±21.061.55±0.6393.67±62.74
    下载: 导出CSV

    表 2  污染物之间的皮尔逊相关系数

    Table 2.  Pearson correlation coefficient between pollutants

    污染物PM2.5PM10SO2NO2COO3
    PM2.510.902**0.779**0.705**0.879**−0.411**
    PM100.902**10.723**0.676**0.766**−0.359**
    SO20.779**0.723**10.783**0.772**−0.469**
    NO20.705**0.676**0.783**10.702**−0.365**
    CO0.879**0.766**0.772**0.702**1−0.489**
    O3−0.411**−0.359**−0.469**−0.365**−0.489**1
    *表示 P<0.05,**表示 P<0.01
    下载: 导出CSV

    表 3  气象因素与污染物的皮尔逊相关系数

    Table 3.  Pearson correlation coefficient between meteorological factors and pollutants

    气象因素PM2.5PM10SO2NO2COO3
    平均气温−0.855**−0.780**−0.929**−0.462−0.785**0.901**
    降水量−0.738**−0.630**−0.731**−0.601−0.469**0.627
    风速−0.674**−0.597**−0.381**−0.601**−0.427**0.481**
    *表示 P<0.05,**表示 P<0.01
    下载: 导出CSV

    表 4  四季各轨迹数的占比和其对应的PM2.5、PM10的平均质量浓度

    Table 4.  The proportion of the number of trajectories in the four seasons and the corresponding average mass concentration of PM2.5 and PM10

    季节轨迹编号轨迹数量轨迹数量占比%ρ(PM2.5)/(μg·m−3)ρ(PM10)/(μg·m−3)ρ(PM2.5)/ρ(PM10
    春季11531.5944.02105.320.44
    4211.5467.05150.980.46
    267.1428.4260.000.49
    8322.8064.66107.230.61
    9826.9258.72131.810.46
    夏季6116.6731.5974.440.42
    6116.6739.5683.640.47
    9024.5934.5666.700.53
    7821.3128.5968.190.44
    7620.7732.5569.680.46
    秋季6718.4148.9187.520.58
    11732.1447.9195.030.49
    7620.8894.18164.010.57
    7119.5169.83130.370.53
    339.0757.27104.640.55
    冬季4311.94205.40281.370.68
    12735.2891.86164.930.55
    133.61164.92222.150.73
    8623.89138.52227.640.58
    9125.28188.03270.210.68
    下载: 导出CSV
  • [1] 邢琼予, 戴启立, 毕晓辉, 等. 我国中西部典型城市PM2.5中痕量金属的时空分布特征和健康影响[J]. 中国环境科学, 2019, 39(2): 574-582. DOI:  10.3969/j.issn.1000-6923.2019.02.016. Xing Q Y, Dai Q L, Bi X H, et al. Temporal-spatial variation and health effects of trace metals in PM2.5 in four central-western cities of China[J]. China Environmental Science, 2019, 39(2): 574-582.
    [2] Zhao H J, Che H Z, Zhang X Y, et al. Characteristics of visibility and particulate matter (PM) in an urban area of Northeast China[J]. Atmospheric Pollution Research, 2013, 4(4): 427-434. DOI:  10.5094/APR.2013.049.
    [3] 陈跃浩, 熊明明, 曹经福, 等. 雾霾天气对天津市太阳辐射影响的量化研究[J]. 气象与环境学报, 2018, 34(5): 25-30. DOI:  10.3969/j.issn.1673-503X.2018.05.004. Chen Y H, Xiong M M, Cao J F, et al. Quantitative study on the effect of haze-fog events on solar radiation in Tianjin[J]. Journal of Meteorology and Environment, 2018, 34(5): 25-30.
    [4] 王芳, 陈东升, 程水源, 等. 基于气流轨迹聚类的大气污染输送影响[J]. 环境科学研究, 2009, 22(6): 637-642. Wang F, Chen D S, Cheng S Y, et al. Impacts of air pollutant transport based on air trajectory clustering[J]. Research of Environmental Sciences, 2009, 22(6): 637-642.
    [5] 薛文博, 付飞, 王金南, 等. 中国PM2.5跨区域传输特征数值模拟研[J]. 中国环境科学, 2014, 34(6): 1 361-1 368. Xue W B, Fu F, Wang J N, et al. Numerical study on the characteristics of regional transport of PM2.5 in China[J]. China Environmental Science, 2014, 34(6): 1 361-1 368.
    [6] 中华人民共和国生态环境部.2015—2017中国生态环境状况公报[EB/OL]. (2016-05-20) [2018-05-22]. http://www.mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/.

    Ministry of Environmental Protection of the People's Republic of China.2015—2017 China Ecological Environment Bulletin[EB/OL]. (2016-05-20) [2018-05-22]. http://www.mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/.
    [7] Li M M, Huang X, Zhu L, et al. Analysis of the transport pathways and potential sources of PM10 in Shanghai based on three methods[J]. Science of the Total Environment, 2012, 414(1): 525-534.
    [8] Wang Y F, Wang H Y, Zhang S H. A weighted higher-order network analysis of fine particulate matter (PM2.5) transport in Yangtze River Delta[J]. Physica A: Statistical Mechanics and its Applications, 2018, 496(15): 654-662.
    [9] 李敏, 何红弟, 郝杨杨, 等. 上海市大气环境中PM2.5/PM10时空分布特征[J]. 云南大学学报:自然科学版, 2019, 41(2): 323-332. DOI:  10.7540/j.ynu.20180026. Li M, He H D, Hao Y Y, et al. Spatial and temporal variability of PM2.5/PM10 ratio in Shanghai[J]. Journal of Yunnan University:Natural Sciences Edition, 2019, 41(2): 323-332.
    [10] 王文丁, 陈焕盛, 吴其重, 等. 珠三角冬季PM2.5重污染区域输送特征数值模拟研究[J]. 环境科学学报, 2016, 36(8): 2 741-2 751. Wang W D, Chen H S, Wu Q Z, et al. Numerical study of PM2.5 regional transport over Pearl River Delta during a winter heavy haze event[J]. Acta Scientiae Circumstantiae, 2016, 36(8): 2 741-2 751.
    [11] 潘月云, 陈多宏, 叶斯琪, 等. 广东省大气污染典型案例特征及其影响因素分析[J]. 安全与环境工程, 2017, 24(2): 58-66. Pan Y Y, Chen D H, Ye S Q, et al. Characteristics and influential factors of typical air pollution events in Guangdong Province[J]. Safety and Environmental Engineering, 2017, 24(2): 58-66.
    [12] 沈洪艳, 吕总璞, 师华定, 等. 基于HYSPLIT模型的京津冀地区大气污染物输送的路径分析[J]. 环境工程技术学报, 2018, 8(4): 359-366. Shen H Y, Lv Z P, Shi H D, et al. Route analysis of air pollutant transport in Beijing-Tianjin-Hebei region based on HYSPLIT model[J]. Journal of Environmental Engineering Technology, 2018, 8(4): 359-366.
    [13] 任传斌, 吴立新, 张媛媛, 等. 北京城区PM2.5输送途径与潜在源区贡献的四季差异分析[J]. 中国环境科学, 2016, 36(9): 2 591-2 598. Ren C B, Wu L X, Zhang Y Y, et al. Analyze to the seasonal differences of transport pathways and potential source-zones of Beijing Urban PM2.5[J]. China Environmental Science, 2016, 36(9): 2 591-2 598.
    [14] 王燕丽, 薛文博, 雷宇, 等. 京津冀区PM2.5污染相互输送特征[J]. 环境科学, 2017, 38(12): 4 897-4 904. Wang Y L, Xue W B, Lei Y, et al. Regional transport matrix study of PM2.5 in Jingjinji region[J]. Environmental Science, 2017, 38(12): 4 897-4 904.
    [15] 于英翠, 李利敏, 左亚杰, 等. 西安市大气污染物时空分布特征及其趋势评估[J]. 环境工程, 2018, 36(10): 165-169. Yu Y C, Li L M, Zuo Y J, et al. Temporal and spatial distribution and pollution tendency assessment of atmospheric pollutant in Xi′an City[J]. Environmental Engineering, 2018, 36(10): 165-169.
    [16] 董娅玮, 杜新黎, 李扬扬, 等. 西安市区大气中PM2.5和PM10质量浓度污染特征[J]. 中国环境监测, 2015, 31(5): 45-49. DOI:  10.3969/j.issn.1002-6002.2015.05.010. Dong Y W, Du X L, Li Y Y, et al. Pollution characteristics of mass concentration of PM2.5 and PM10 in Xi'an City[J]. Environmental Monitoring in China, 2015, 31(5): 45-49.
    [17] 曹宁, 黄学敏, 祝颖, 等. 西安冬季重污染过程PM2.5理化特征及来源解析[J]. 中国环境科学, 2019, 39(1): 32-39. DOI:  10.3969/j.issn.1000-6923.2019.01.004. Cao N, Huang X M, Zhu Y, et al. Pollution characteristics and source apportionment of fine particles during a heavy pollution in winter in Xi'an City[J]. China Environmental Science, 2019, 39(1): 32-39.
    [18] 代志光, 张承中, 李勇, 等. 西安夏季PM2.5中碳组分与水溶性无机离子特征分析[J]. 环境工程学报, 2014, 8(10): 4 366-4 372. Dai Z G, Zhang C Z, Li Y, et al. Analysis of carbon components and water-soluble inorganic ions in PM2.5 of Xi'an during summer[J]. Chinese Journal of Environmental Engineering, 2014, 8(10): 4 366-4 372.
    [19] 李琛, 刘瑾, 王彦民. 气象因素对西安市城区空气质量的影响[J]. 干旱区资源与环境, 2017, 31(3): 83-88. Li C, Liu J, Wang Y M. Influences of meteorological factors on air quality of Xi'an City[J]. Journal of Arid Land Resources and Environment, 2017, 31(3): 83-88.
    [20] 王珊, 修天阳, 孙扬, 等. 1960—2012年西安地区雾霾日数与气象因素变化规律分析[J]. 环境科学学报, 2014, 34(1): 19-26. Wang S, Xiu T Y, Sun Y, et al. The changes of mist and haze days and meteorological element during 1960—2012 in Xi'an[J]. Acta Scientiae Circumstantiae, 2014, 34(1): 19-26.
    [21] Wang Y Q, Zhang X Y, Draxler R R. 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, 2009, 24(8): 938-939.
    [22] Li D P, Liu J G, Zhang J S, et al. Identification of long-range transport pathways and potential sources of PM2.5 and PM10 in Beijing from 2014 to 2015[J]. Science Direct, 2017, 56(6): 214-229.
    [23] Cheng M D, Hopke P K, Barrie L, et al. Qualitative determination of source regions of aerosol in Canadian high arctic[J]. Environ Sci Technol, 1993, 27(20): 63-71.
    [24] Wang P F, Guo H, Hu J L, et al. Responses of PM2.5 and O3 concentrations to changes of meteorology and emissions in China[J]. Science of The Total Environment, 2019, 662(20): 297-306. DOI:  10.1016/j.scitotenv.2019.01.227.
    [25] 杨帆. 降雨对大气颗粒物和气态污染物的清除效率及机制[D]. 南昌: 南昌大学, 2015.

    Yang F. The removal efficiency and machanism of rainfall to gaseous particles and pollutants[D]. Nanchang: Nanchang University, 2015.
    [26] 陈莉, 郭世昌, 胡婷, 等. 西北太平洋地区臭氧的分布特征及其与台风过程的关系[J]. 云南大学学报:自然科学版, 2017, 39(5): 810-819. DOI:  10.7540/j.ynu.20170031. Chen L, Guo S C, Hu T, et al. Analyse on the ozone distribution pattern and the relationship with typhoon process in the Pacific Northwest[J]. Journal of Yunnan University:Natural Sciences Edition, 2017, 39(5): 810-819.
    [27] 姚青, 刘敬乐, 蔡子颖, 等. 天津一次雾−霾天气过程的近地层温湿结构和湍流特征分析[J]. 环境科学学报, 2018, 38(10): 3 856-3 867. Yao Q, Liu J L, Cai Z Y, et al. Analysis of temperature and moisture structure and turbulence characteristics of a smog and haze weather process in Tianjin[J]. Acta Scientiae Circumstantiae, 2018, 38(10): 3 856-3 867.
  • [1] 郭世昌高丽娜李琼黎成超杨沛琼陈莉刘煜吕达仁 . 东亚和西太平洋地区Hadley环流对对流层臭氧分布的影响. 云南大学学报(自然科学版), 2012, 34(6): 689-694.
    [2] 李敏何红弟郝杨杨 . 上海市大气环境中PM2.5/PM10时空分布特征. 云南大学学报(自然科学版), 2019, 41(2): 323-332. doi: 10.7540/j.ynu.20180026
    [3] 韩新宇卢秀青钟曜谦史建武张朝能宁平 . 云南省有色冶炼集中区春季大气颗粒物污染过程分析. 云南大学学报(自然科学版), 2021, 43(1): 90-100. doi: 10.7540/j.ynu.20200130
    [4] 孙座锐吉正元韩新宇史建武张晶张朝能宁平 . 玉溪市城区大气VOCs及其它污染物质量浓度时空特征分析. 云南大学学报(自然科学版), 2018, 40(4): 705-715. doi: 10.7540/j.ynu.20170654
    [5] 李慧敏胡俊张静 . 果蝇核糖体蛋白基因中潜在转录协同作用模体的统计分析. 云南大学学报(自然科学版), 2010, 32(3): 338-345 .
    [6] 谢心庆郑薇开璇许英 . 基于时间序列和多元方法的乌鲁木齐PM2.5浓度分析. 云南大学学报(自然科学版), 2016, 38(4): 595-601. doi: 10.7540/j.ynu.20150789
    [7] 任亮史建武韩新宇封银川李帅宁平张朝能闫琨 . 昭通市主城区大气挥发性有机物污染特征及健康风险研究. 云南大学学报(自然科学版), 2021, 43(6): 1156-1165. doi: 10.7540/j.ynu.20210088
    [8] 陈 松景云萍刘 伟 . 可控源音频大地电磁测深法在玉蒙铁路秀山隧道中的应用效果分析. 云南大学学报(自然科学版), 2012, 34(S2): 209-214.
    [9] 姜东华刘新月罗正刚张怀志 . 普洱市普洱茶产品质量分析. 云南大学学报(自然科学版), 2011, 33(S2): 453-456.
    [10] 罗碧瑜谢龙生张清华袁家峰余 珂向 阳 . 梅州市桂花生态气候适宜性分析和精细化区划. 云南大学学报(自然科学版), 2012, 34(S2): 347-351.
    [11] 王海英王文曹巧莲相云孙悦任玉欢 . 临汾市近30年终霜冻变化规律及特征分析. 云南大学学报(自然科学版), 2017, 39(3): 405-414. doi: 10.7540/j.ynu.20160705
    [12] 赵韬周泓杨靖新钟爱华 . 丽江市汛期2次暴雨天气过程对比分析. 云南大学学报(自然科学版), 2016, 38(S1): 93-. doi: 10.7540/j.ynu.20140400
    [13] 李斐斐姚素香 . 基于EOF分析的江苏省沿江7市梅雨量变化特征. 云南大学学报(自然科学版), 2015, 37(2): 250-258. doi: 10.7540/j.ynu.20140510
    [14] 李华宏王曼闵颖朱莉杨竹云 . 昆明市雨季短时强降水特征分析及预报研究. 云南大学学报(自然科学版), 2019, 41(3): 518-525. doi: 10.7540/j.ynu.20180367
    [15] 刘海军闫俊杰崔东孙国军图热妮萨·图尔贡 . 伊宁市土地利用结构变化及人文驱动因子分析. 云南大学学报(自然科学版), 2019, 41(2): 309-316. doi: 10.7540/j.ynu.20180108
    [16] 郑勇林杨敏 . 磁性纳米颗粒系统的铁磁共振和共振线宽分析. 云南大学学报(自然科学版), 2007, 29(4): 386-392.
    [17] 张琼赵林何平郑科美巫鹏翔范靖宇 . 草地贪夜蛾在云南省曲靖市的潜在适生区及其造成的经济损失评估. 云南大学学报(自然科学版), 2020, 42(6): 1224-1229. doi: 10.7540/j.ynu.20190698
    [18] 窦艳王健向峰杨鸿亮郭世昌邰娟邱飞 . 2015年云南省城市臭氧污染变化特征分析. 云南大学学报(自然科学版), 2017, 39(3): 440-446. doi: 10.7540/j.ynu.20160397
    [19] 李建文毕丽玫韩新宇史建武杨健施择宁平 . 昆明市PM2.5中水溶性无机离子时空变化特征及来源分析. 云南大学学报(自然科学版), 2017, 39(1): 63-70. doi: 10.7540/j.ynu.20160456
    [20] 张朝能王梦华胡振丹袁园刘慧邱飞 . 昆明市PM2.5浓度时空变化特征及其与气象条件的关系. 云南大学学报(自然科学版), 2016, 38(1): 90-98. doi: 10.7540/j.ynu.20150467
  • 加载中
图(5)表(4)
计量
  • 文章访问数:  2074
  • HTML全文浏览量:  3563
  • PDF下载量:  60
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-03-25
  • 录用日期:  2019-05-23
  • 网络出版日期:  2019-09-05
  • 刊出日期:  2019-11-01

西安市大气颗粒物PM2.5的输送路径和潜在源分析

摘要: 利用2017年西安市气象数据和主要大气污染物质量浓度的监测资料,综合分析西安市2017年度气候变化、大气污染状况以及污染物质量浓度演变特征. 结果表明:西安市年平均风速为2.43 m/s,平均气温为19.00 ℃,总降水量为649 mm,冬春季PM2.5、PM10质量浓度值普遍高于夏秋季. 利用SPSS对污染物与气象因素进行相关性分析,得出颗粒物、气态污染物CO、SO2质量浓度变化与平均气温、降水量、风速呈负相关,而O3与平均气温、降水量、风速呈正相关. 此外,通过拉格朗日混合粒子轨迹模型模拟了西安市48 h的气流后向轨迹,并将PM2.5的质量浓度数据与气团轨迹相结合,利用潜在源贡献函数模型(PSCF)和浓度加权轨迹方法(CWT),分析西安市PM2.5质量浓度影响及潜在源区分布特征,其结果表明超过50%的气流后向轨迹来自西北方向,西安市PM2.5的主要潜在来源位于陕南各城市以及陕南周边省份交界处.

English Abstract

  • 随着经济的飞速发展,大气环境问题日趋严重. 近年来,西北地区频繁遭遇严重的灰霾天气,PM2.5质量浓度的增加是产生灰霾天气的主要原因. 大范围霾污染对人类健康、大气能见度和气候变化都有着显著的影响[1-3]. 一个城市的空气污染程度不仅受当地人为因素的影响,还与区域间污染相互传输扩散有关[4-5].

    西安市地处关中盆地,北靠渭河,南临秦岭,是陕西省经济、文化、旅游和交通的关键枢纽. 其地理位置为107°40′~109°49′E、33°42′~34°45′N,属于暖温带半湿润大陆性气候. 西安市人口占陕西省总人口的23%,经济总量占全省的32%,工业化、城镇化发展速度较快,导致该地区大气污染较为严重. 根据国家环保部发布的生态环境公报,西安已经连续3年成为全国倒数前10空气质量相对较差的城市[6],主要污染物为PM2.5,大气污染治理已迫在眉睫. 目前,关于污染物潜在源分析主要集中在长三角[7-9]、珠三角[10-11]、京津冀[12-14]等重点大气污染区域,对于中部内陆地区颗粒物潜在源分析的研究却较为鲜见. 对西安市的研究,主要集中在污染物时空分布特征[15-16]、成分分析[17-18]、气象影响因素分析[19-20]等方面,对研究区域相互传输影响的研究少之又少. 本文对2017年西安市大气污染情况和气象条件进行了综合分析,探讨了西安市PM2.5的运输途径和潜在来源,以期为西安市空气质量的改善措施提供科学的理论依据.

    • 西安市2017年的PM2.5、PM10、SO2、NO2、CO和O3的质量浓度数据来自西安市气象数据网. 风速、气温和降水量的日均数据来自https://www.worldweatheronline.com. 后向轨迹数据来自美国国家预报中心(NCEP)和全球资料同化系统(GDAS),网址为ftp://arlftp.arlhq.noaa.gov/pub/archives/gdas1.

    • 本研究利用HYSPLIT模型模拟西安市空气污染物的来源和扩散路径. 该拉格朗日混合粒子轨迹模型(Hybrid Single-Particle Lagrangian Integrated Trajectory,HYSPLIT)可以用于描述空气微团在大气中的传输轨迹,模拟污染物和有害物质的扩散及沉积. 假设在轨迹中每个质点都随风运动,而轨迹是质点在时间与空间上的积分,每个质点的速度由插值法获得,根据前一次时刻质点平均速度和预测位置质点速度的平均值与运动时间的乘积,从而获得后一次时刻质点的位置,具体公式如下:

      $\begin{split} &P(t + \Delta t) = P(t) + 0.5[v(P,t) + v(P',t + \Delta t)]\Delta t , \\ &P'(t + \Delta t) = P(t) + v(P,t)\Delta t , \\ \end{split} $

      式中,P(t)为t时刻质点位置,P为预测位置,v为风速. 后向轨迹分析是HYSPLIT模型的常见应用,该模型使用三维地形坐标系统,能很好地模拟气流在连续时间下的空间传播轨迹.

    • 轨迹聚类分析是根据气团轨迹数据的空间相似性、亲疏程度,将到达研究点的气团轨迹划分为不同的类别,以便判断不同时间段主导气流的方向和污染物的潜在源. 轨迹聚类分析是在GIS软件TrajStat的基础上进行[21],TrajStat有2个集群方法:Angle Distance和Euclidean Distance. 欧几里得距离通常用于将纬度和经度位置定义为两个轨迹之间的距离,其不足之处是若两个后向轨迹具有相同的运动路径但速度不同,它们将被分为两个不同的类别[22]. 因此,为获取典型气流轨迹代表进行空间可视化和定量分析,本研究使用Angle Distance算法对春季(3—5月)、夏季(6—8月)、秋季(9—11月)、冬季(12月—次年2月)的气流轨迹进行聚类分析,在此基础上对每条轨迹污染物质量浓度进行数学统计分析. 在整个研究期间总共产生了1 460个轨迹.

    • 潜在源贡献分析法(Potential Source Contribution Function,PSCF)是一种利用后向轨迹确定污染源的地理位置以及空间分布的函数方法[23]. 将研究区划分为若干相等的网格(i, j),将(i, j)的PCSF值定义为

      ${\operatorname{PSCF} _{ij}} = \frac{{{m_{ij}}}}{{{n_{ij}}}},$

      式中,nij为研究期间经过网格(i, j)的轨迹总数,mij是网格(i, j)中污染物质量浓度高于日平均值二级标准值的污染轨迹数,即PM2.5质量浓度值≥75 μg·m−3、PM10质量浓度值≥160μg·m−3的轨迹为污染轨迹. PSCF值越大,则该网格的污染轨迹比例越多,该区域的污染源就越多.

      利用PSCF方法可识别研究区污染物质量浓度影响大的区域. 由于PSCF是一个概率值,nij越小,造成的误差越大. 为了减小概率值的不确定性,引入权重函数(Wij),则修正后的潜在源贡献因子WPSCF= Wij×PSCF. Wij函数定义如下:

      $W({n_{ij}}) = \left\{ {\begin{array}{*{20}{c}} {1.00}, &{80 < {n_{ij}}}; \\ {0.70}, &{20 < {n_{ij}} \leqslant 80} ;\\ {0.42}, &{10 < {n_{ij}} \leqslant 20} ;\\ {0.05}, &{{n_{ij}} \leqslant 10}. \end{array}} \right.$

    • 相对于PSCF只能反映污染轨迹经过每个网格的概率,浓度权重分析法(Concentration Weighted Trajectory,CWT)则可以定量估算每个网格上污染物的浓度. 通过平均具有穿过网格单元的相关轨迹的样本浓度为每个网格单元分配加权浓度,则等式为:

      $ {C_{ij}} = \frac{{\displaystyle\sum\limits_{i = 1}^M {{C_l} \times {T_{ijl}}} }}{{\displaystyle\sum\limits_{i = 1}^M {{T_{ijl}}} }}, $

      式中,Cij是网格(i, j)上的平均权重浓度(μg·m−3),M代表轨迹总数(条),Cl代表轨迹l过网格的污染物浓度(μg·m−3),Tijl表示轨迹l经过网格(i, j)内的时间(48 h). 与PSCF方法一样,CWT方法也需要使用权重函数Wij来消除具有少量端点的网格单元造成的不确定性,则修正后的浓度权重值WCWT=Wij×CWT.

    • 根据同期地面气象要素观测资料,图1展示了2017年西安市主要气象因素变化. 经课题组统计,年平均风速为(2.43±0.16) m/s,春、冬季节风速相对较高;平均气温为(19.00±9.80) ℃;总降水量为649 mm,其中70%以上的降水量发生在夏季和秋季.

      图  1  2017年西安市平均风速、平均气温及降水量的逐月变化

      Figure 1.  Monthly change of average wind speed, average temperature and precipitation in Xi'an in 2017

    • 2017年PM2.5、PM10质量浓度日均变化见图2所示,PM2.5、PM10、SO2、NO2、CO和O3的质量浓度四季平均值和PM2.5/PM10的比值如表1. PM2.5和PM10的年平均质量浓度分别为(73.11±68.37) μg·m−3和(130.19±92.41) μg·m−3,可知研究期间PM2.5和PM10的年平均质量浓度已经远远超出二级标准限值,32.60%的天数超过了PM2.5的二级标准限值(75 μg·m−3),25.20%的天数超过了PM10的二级标准限值(150 μg·m−3). 春季和冬季的PM2.5、PM10质量浓度值普遍高于夏季和秋季. PM2.5/PM10比值较高的季节在秋冬两季,数值>0.5;夏季普遍较低的PM2.5/PM10比值则表明西安市夏季大风、暴雨等天气条件对于颗粒物,尤其是细颗粒物有着明显的抑制作用. 由于SO2、NO2可以作为污染源的标识物,SO2主要来自煤、化石燃料的燃烧排放,NO2主要来自机动车废气排放和工业燃煤电厂,而CO主要是由能源燃料的不完全燃烧排放过程所导致的. 利用SPSS对不同季节污染物浓度间进行皮尔逊(Person)相关性分析,如表2显示,SO2、NO2、CO质量浓度变化与PM颗粒物质量浓度变化相对应. 由于PM10包含PM2.5,两者呈显著正相关,相关系数为0.902(P <0.01). PM2.5、PM10颗粒物污染多发于冬季气温较低、降水量较少之时. 冬季温度较低,空气在地表聚集不宜扩散,加上缺少雨雪对大气的清洁作用,从而促进冬季大气颗粒物污染的爆发. 气态污染物SO2、NO2、CO与颗粒物PM2.5、PM10显著正相关,说明PM2.5、PM10的质量浓度受到SO2、NO2、CO排放源的影响较大,表明西安市煤炭化石燃料硫含量较高,硫化物占颗粒物比重相对较高. 此外,颗粒物与O3成负相关,这表明颗粒物质量浓度的减少或增加会影响到太阳辐射的强弱,从而间接影响O3的生成[24].

      图  2  2017年西安市PM2.5及PM10质量浓度的逐日变化

      Figure 2.  Daily variation of PM2.5 and PM10 mass concentrations in Xi'an in 2017

      季节ρ(PM2.5)/
      (μg·m−3
      ρ(PM10)/
      (μg·m−3
      ρ(PM2.5)/
      ρ(PM10
      ρ(SO2)/
      (μg·m−3
      ρ(NO2)/
      (μg·m−3
      ρ(CO)/
      (μg·m−3
      ρ(O3)/
      (μg·m−3
      54.20±36.63114.96±72.140.49±0.1617.03±8.1759.90±15.251.31±0.26105.15±39.94
      33.18±15.2171.73±29.180.47±0.129.57±2.7741.09±10.841.13±0.15164.63±55.25
      62.88±42.90115.81±63.190.54±0.1215.11±5.9859.11±16.841.52±0.4068.00±39.07
      143.52±105.44222.50±127.310.61±0.1733.86±9.2976.08±23.102.26±0.7945.46±27.89
      平均73.11±68.37130.19±92.410.53±0.1418.82±11.4258.95±21.061.55±0.6393.67±62.74

      表 1  西安市2017年PM2.5、PM10、SO2、NO2、CO、O3以及PM2.5/PM10四季的平均质量浓度

      Table 1.  Seasonal average concentration of PM2.5, PM10, SO2, NO2, CO, O3 and PM2.5/PM10 in Xi'an in 2017

      污染物PM2.5PM10SO2NO2COO3
      PM2.510.902**0.779**0.705**0.879**−0.411**
      PM100.902**10.723**0.676**0.766**−0.359**
      SO20.779**0.723**10.783**0.772**−0.469**
      NO20.705**0.676**0.783**10.702**−0.365**
      CO0.879**0.766**0.772**0.702**1−0.489**
      O3−0.411**−0.359**−0.469**−0.365**−0.489**1
      *表示 P<0.05,**表示 P<0.01

      表 2  污染物之间的皮尔逊相关系数

      Table 2.  Pearson correlation coefficient between pollutants

      表3为气象因素与污染物CO、SO2、NO2、O3、PM2.5、PM10的皮尔逊(Pearson)相关系数结果. 由表3可知,西安市平均气温与PM2.5、PM10、CO和SO2呈显著负相关,与O3呈显著正相关. 结果表明:西安夏季温度较高,湿度低,日照时数较长,进而促进O3质量浓度的增加;月降水量与PM2.5、PM10、CO和SO2呈显著负相关,相关系数分别为−0.738、−0.630、−0.469和−0.731,这表明较多的降水量能有效地疏散稀释大气中的颗粒物PM2.5、PM10以及CO、SO2;O3与降水量表现为正相关,可能是因为夏秋季节西安多连续性小雨,连续性微量降水不但没有清除效果,反而使O3质量浓度在增加[25]. 同时,雨水的蒸腾也会导致土壤植物与大气气体进行交换,从而使O3形成的前体物质增多而促进O3的形成. O3与风速表现为正相关,可能因为强对流天气中冷锋过境,造成NO2、CO体积分数急剧降低,使得对流层顶与平流层底发生物质交换,高浓度O3向下输送[26]. 同时,较大的风速吹散了大气中的颗粒物,使透射光照加强,较强的太阳辐射进一步有利于O3的生成. 除了O3,风速与其他污染物呈负相关,说明风速对污染物也有着稀释作用. 再者,由于西安市北临黄土高原,南邻秦岭,周边砂石颗粒物相对其它地区较多,其地形特点不利于大气污染物的扩散. 西安市2017年平均风速为2.4 m/s,属于轻风范围,这种风力条件也促进了地表逆温层的出现和冬季雾霾的形成[27].

      气象因素PM2.5PM10SO2NO2COO3
      平均气温−0.855**−0.780**−0.929**−0.462−0.785**0.901**
      降水量−0.738**−0.630**−0.731**−0.601−0.469**0.627
      风速−0.674**−0.597**−0.381**−0.601**−0.427**0.481**
      *表示 P<0.05,**表示 P<0.01

      表 3  气象因素与污染物的皮尔逊相关系数

      Table 3.  Pearson correlation coefficient between meteorological factors and pollutants

    • 为研究西安市四季大气颗粒物的污染浓度受区域传输的影响程度和传输方向,本文利用HYSPLIT、TrajStat软件对抵达西安的逐日48 h气流轨迹进行模拟. 通过聚类分析得到四季具有代表性的输运路径,根据每个轨迹的空间分布特征的相关性划分为5条主要传输路径,详见图3. 将四季不同轨迹与其对应的大气颗粒物质量浓度的算术平均值结合进行分析,从而揭示不同轨迹对大气颗粒物的影响,如表4.

      图  3  西安市4个季节后向轨迹聚类分析结果

      Figure 3.  Cluster analysis results of four seasons in Xi'an

      季节轨迹编号轨迹数量轨迹数量占比%ρ(PM2.5)/(μg·m−3)ρ(PM10)/(μg·m−3)ρ(PM2.5)/ρ(PM10
      春季11531.5944.02105.320.44
      4211.5467.05150.980.46
      267.1428.4260.000.49
      8322.8064.66107.230.61
      9826.9258.72131.810.46
      夏季6116.6731.5974.440.42
      6116.6739.5683.640.47
      9024.5934.5666.700.53
      7821.3128.5968.190.44
      7620.7732.5569.680.46
      秋季6718.4148.9187.520.58
      11732.1447.9195.030.49
      7620.8894.18164.010.57
      7119.5169.83130.370.53
      339.0757.27104.640.55
      冬季4311.94205.40281.370.68
      12735.2891.86164.930.55
      133.61164.92222.150.73
      8623.89138.52227.640.58
      9125.28188.03270.210.68

      表 4  四季各轨迹数的占比和其对应的PM2.5、PM10的平均质量浓度

      Table 4.  The proportion of the number of trajectories in the four seasons and the corresponding average mass concentration of PM2.5 and PM10

      表4可见,春季期间气团轨迹所对应的PM2.5平均值从高到低的编号依次是②>④>⑤>①>③;PM10平均值从高到低的编号依次是②>⑤>④>①>③. 较其它季节,春季ρ(PM2.5)/ρ(PM10)的比率明显略低. 轨迹②、④、⑤的PM2.5和PM10质量浓度较高,占总轨迹数的61.26%,即轨迹②、④、⑤为春季PM2.5和PM10的主要输送路径. 来自甘肃天水市,沿着秦岭南部走势到达西安的轨迹②和经过四川东北部、陕西安康到达西安的轨迹④分别占比11.54%和22.80%,这2条轨迹路径较短,且主要滞留集中于陕南,由于传输速度较慢,春季天气系统稳定,这就促进了颗粒物的二次生成. 来自俄罗斯南部途径内蒙古西部、宁夏银川市的轨迹①占比最大,为31.59%. 轨迹①、⑤气团对应的风速较快,主要以一次颗粒物污染传输为主. 来自内蒙古中部的气团轨迹③对应的PM2.5和PM10最低,其气团移动速度快,扩散条件好,最为清洁.

      夏季期间,气团轨迹所对应的PM2.5平均值从高到低的编号依次是②>③>⑤>①>④,PM10平均值从高到低的编号依次是②>①>⑤>④>③. 夏季气候炎热多雨,因此PM2.5和PM10在四季之中最低. 轨迹①经过甘肃、宁夏后输送到西安,其PM2.5与PM10的比值较低,为0.42. 来自甘肃南部的轨迹②和山西南部的轨迹③都属于短距离运输,分别占总轨迹的16.67%和24.59%.

      秋季期间,气团轨迹所对应的PM2.5平均值从高到低的编号依次是③>④>⑤>①>②,PM10平均值从高到低的编号依次是③>④>⑤>②>①. 来自西北区域的气团轨迹②、④共占比51.65%,其中轨迹②的路径长,停留时间短,对应的PM2.5及PM10均相对较低. 轨迹①、③、⑤都为短距离运输,说明大气环境较为稳定,有利于颗粒物的积累. 轨迹③从四川东部经过陕南到达西安,数量占比为20.88%,由于路径较短,对应的PM2.5及PM10则相对较高.

      冬季期间,气团轨迹所对应的PM2.5和PM10平均值从高到低的编号一致,为①>⑤>③>④>②. 冬季的PM2.5和PM10远远高于其它季节. 轨迹①从西安市南部经过秦岭山脉到商洛市西南部,随后又转回西安,该气团长时间停留在西安区域,更加利于颗粒物的二次反应,所以污染较为严重. 与此相似的轨迹③从安康经过西安到达铜川,又转回西安市. 由于轨迹①、⑤、③路径较短,都属于本地运输,二次污染较为严重. 同时,由于陕南秦岭山脉在一定程度上也阻碍了轨迹气团的移动扩散. 轨迹①、⑤、③的ρ(PM2.5)/ρ(PM10)的比值较高,分别为0.68、0.68、0.73,这表明其气团中细颗粒占比较大,也证实了细颗粒受二次粒子转化的影响较大. 来自西北区域的内陆气团轨迹②、④是冬季的主要输送通道,共占比59.17%. 轨迹②从内蒙古西部途径宁夏银川到达西安,轨迹④从甘肃西部途径宁夏固原市到达西安,这组气团轨迹(②、④)都属于远距离运输,传输速度较快,路径较长.

    • 利用潜在源分析法(PSCF)对西安市PM2.5的潜在源区展开分析. 本文将HYSPLIT计算的气流轨迹所覆盖的区域划分为0.5×0.5大小的网格,将PM2.5的标准值设为二级标准限值75 μg·m−3,不同季节PM2.5的WPSCF结果计算分析如下.

      由于PM2.5分布的季节性十分明显,因此不同季节的WPSCF地图分布存在着显著的差异. 从图4中可知,春季WPSCF高值区域主要集中在陕西南部、湖北西北部和四川东北部的交界处,其WPSCF值超过0.5. 夏季与秋季污染格网数量相当,WPSCF值普遍较低. 夏季WPSCF值高于0.7的区域主要在陕西省、四川省与重庆市交汇处. 秋季WPSCF值高于0.4的区域主要在陕西西南部,包括渭南、汉中两地. 冬季WPSCF高值网格数量显著增加,以集中团状形式呈现分布,主要集中在陕西省南部,其WPSCF值在0.8以上. 这说明除本地污染物排放以外,这些区域污染传输对西安市PM2.5质量浓度有着较大的影响. 陕南周围区域,包括四川巴中、湖北十堰及铜川渭南市交接处,其WPSCF值超过0.5,说明来自陕西省周围省份的污染传输在一定程度上也会导致西安市大气PM2.5质量浓度的增加. 总之,陕西南部、湖北西北部和四川东北部是西安市春季和冬季的主要潜在来源区域.

      图  4  西安市四季PM2.5潜在源区贡献分布

      Figure 4.  Seasonal distribution of potential source regions of PM2.5 in Xi'an

      利用浓度权重轨迹方法确定潜在源区域对西安市PM2.5质量浓度贡献的大小,WCWT值较高的区域对西安市大气PM2.5质量浓度有着很大的贡献. 由图5结果可知,与WPSCF有些相似,PM2.5四季的WCWT高值区呈点状或团状. 春季WCWT值较高的区域主要在重庆市北部和陕西安康. 传输距离较长的西北区域WCWT值<50 μg·m−3,对西安市PM2.5质量浓度贡献相对较低. 夏季研究潜在源区域WCWT值比其他季节要低,对西安市PM2.5质量浓度贡献也较低. 秋季WCWT高值区域主要分布在陕西省西南部、四川省东北部、重庆市北部,包括汉中、安康西部、巴中、达州和广元东部,这些区域的WCWT值高达90 μg·m−3以上. 冬季WCWT高值区域主要在陕西省东南部及四川省东北部,包括汉中东部、商洛西部、安康、巴中和广元东部,这些地区是WCWT值高达200 μg·m−3的主要贡献区域.

      图  5  西安市四季PM2.5质量浓度权重轨迹分布结果图

      Figure 5.  Results of the distribution of the weights of the PM2.5 mass concentration weights in the four seasons of Xi'an

    • (1)2017年西安市PM2.5和PM10的年平均质量浓度分别为73.11 μg·m−3和130.19 μg·m−3. 冬、春季PM2.5和PM10质量浓度值普遍高于夏秋季. 利用皮尔逊相关行对污染物与气象因素、污染物之间的相关性进行分析,得出颗粒物、气态污染物CO、SO2质量浓度变化与平均气温、降水量、风速呈负相关,而O3与平均气温、降水量、风速呈正相关,PM2.5和PM10的相关性最强达到0.9以上.

      (2)全年近50%的气流轨迹来自西北方向,均为远距离运输,其余的气流轨迹均为陕南附近的短距离运输. 冬季气流轨迹对应的PM2.5、PM10平均质量浓度值最高,夏季最低.

      (3)西安市各季大气PM 2.5的WPSCF和WCWT分布结果较为类似,高值区以点状或团状分布为主,主要集中在陕南各城市以及陕南周边省份交界处.

参考文献 (27)

目录

    /

    返回文章
    返回