1. 中国科学院大气物理研究所大气边界层物理与大气化学国家重点实验室, 北京 100029;
2. 中国科学院大学, 北京 100049;
3. 衡水市生态环境局, 衡水 053000;
4. 衡水市环境科学研究院, 衡水 053000;
5. 中科弘清(北京)科技有限公司, 北京 100107
收稿日期: 2019-04-20; 修回日期: 2019-06-03; 录用日期: 2019-06-03
基金项目: 大气重污染成因与治理攻关项目(No.DQGG0209,DQGG0107,DQGG0304);中国科学院战略性先导科技专项(A类)(No.XDA19040203)
作者简介: 王海波(1994—), 男, E-mail:wanghaibo@mail.iap.ac.cn
通讯作者(责任作者): 杨婷, E-mail:tingyang@mail.iap.ac.cn
摘要: 近年来我国大气重污染频发,严重影响民生,其中以京津冀最为严重.2017年"总理基金"启动,同年冬防效果显著.衡水市作为"2+26"城市之一,空气质量排名常年处于倒数十名之内.经过2017年的冬防,空气质量明显改善,衡水市大气污染的改善在"2+26"城市中很具有代表性.本文以衡水作为切入点,利用后向轨迹和浓度权重轨迹分析(CWT)探讨了2017年衡水冬防效果及潜在源区变化,分别从气象轨迹和本地排放初探了潜在原因.结果表明,2017年冬防效果显著,PM2.5浓度降低33%,优良天数增加32 d,重污染天数减少22 d.PM10浓度降低41%,优良天数增加40 d.2017年冬季PM2.5潜在源区由2016年同期衡水北部及以北地区向衡水南部及以南地区转移.PM10潜在源分布变化与PM2.5相似.两年气象条件的对比结果表明,气象变化较小,对潜在源分布影响不大,本地排放是潜在源区分布变化的主要原因,其中衡水北部工业锅炉和扬尘减排量显著高于衡水南部.研究表明,2017年衡水冬防效果显著,相比于气象条件,本地排放对大气颗粒污染及来源影响更大,本研究可为"2+26"城市大气颗粒污染研究提供参考.
关键词:“2+26”冬防效果污染来源气象贡献本地排放贡献
Analysis of the effect of winter air pollution prevention and control in the "2+26" Cities in 2017 and its potential reasons: Taking Hengshui City as an example
WANG Haibo1,2, YANG Ting1 , WANG Zifa1, HE Litao3, CUI Yanbin3, GENG Wei4, ZHU Limin4, HUANG Xiangfeng5, WANG Junren5, KONG Lei1,2
1. State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029;
2. University of Chinese Academy of Sciences, Beijing 100049;
3. Hengshui City Environmental Protection Bureau, Hengshui 053000;
4. Hengshui Research Academy of Environmental Science, Hengshui 053000;
5. Zhongke Hongqing(Beijing) Technology Co., Ltd., Beijing 100107
Received 20 April 2019; received in revised from 3 June 2019; accepted 3 June 2019
Abstract: In recent years, China's heavy atmospheric pollution incidents have occurred frequently; seriously affecting people's livelihood, and the pollution in Beijing-Tianjin-Hebei region is the most serious. In 2017, the "Prime Minister Fund" was launched, and the effect of winter air pollution prevention and control was remarkable in the same year. As one of the "2+26" cities, Hengshui City ranks in the bottom ten of the air quality rankings and rises significantly in the winter of 2017 and is utterly representative. In this paper, we use the backward trajectory model and Concentration Weighted Trajectory (CWT) to explore the effects of air pollution prevention and control in Hengshui City in the winter of 2017, and explore the potential causes from meteorological trajectories and local emissions. The result indicated that the effect of air pollution prevention and control in the winter of 2017 is utterly remarkably. The PM2.5 concentration decreased by 33%, the number of excellent and good days increased by 32 days, and the number of heavy and serious pollution days decreased by 22 days. The PM10 concentration decreased by 41% and the number of excellent and good days increased by 40 days. In the winter of 2017, the potential source areas of PM2.5 were transferred from the north and north of Hengshui City to the south and south of Hengshui, and the number of source areas increased. The potential source distribution of PM10 is similar to that of PM2.5. The change in meteorological trajectory is small and has little effect on the distribution of potential sources. The number of trajectory nodes in the potential source area is similar, ranging from 20 to 80, and the spatial distribution of the number of trajectory nodes is relatively high which was 0.55 Local emissions are the main reason for the change in the distribution of potential source areas. The emission reduction of industrial boilers and dust in northern Hengshui is utterly higher than that in Hengshui. Studies have shown that in 2017, the effect of air pollution prevention and control in Hengshui City is remarkable. Compared to meteorological trajectories, local pollution emissions have a greater impact on atmospheric particulate matter pollution and its sources. This study can provide reference for the study of "2+26" cities' atmospheric particulate pollution.
Keywords: "2+26" winter air pollution prevention and controlsource of pollutionmeteorological contributioncontribution of local emission
1 引言(Introduction)近年来, 随着社会经济高速发展, 工业化和城市化进程加快, 人民生活水平提高, 我国空气质量日趋恶化, 大气污染频发(王跃思等, 2014).灰霾不仅对大气能见度、辐射强迫、生态系统和气候变化有重要影响(Quinn et al., 2003;Fann et al., 2012;Zhao et al., 2013;Zhai et al., 2014), 更直接对人体健康产生危害, PM2.5浓度每升高10 μg·m-3, 人群总死亡率、心肺疾病和肺癌死亡率分别增加4%、6%和8%(Pope et al., 2002).严峻的颗粒物污染态势亟待解决, 大气污染问题受到社会各界高度关注.2017年9月28日, 由原环保部(现生态环境部)牵头组织的国家大气污染防治攻关联合中心成立, “总理基金项目”正式启动(环境保护部, 2017b).
衡水市位于河北省东南部, 被保定、邢台等重工业污染城市包围, 是京津冀典型的低GDP高污染城市.根据生态环境部发布的环境状况公报(环境保护部, 2016;环境保护部, 2017a;生态环境部, 2018), 衡水市空气质量综合指数排名常年靠后, 大气污染问题得不到解决.随着“总理基金”项目启动, 与2016年相比, 2017年衡水冬防效果显著, 空气质量排名年均提升10名, 冬季平均提升两名.
区域大气污染来源是大气污染问题的源头, 与气流轨迹密切相关(任传斌等, 2016).利用后向轨迹模型来分析传输条件, 并通过配置上污染物浓度后发展而来的后向轨迹混合受体模型来研究污染来源(杨龙誉等, 2016), 是研究区域大气污染输送和来源影响的常用方法之一.浓度权重轨迹分析法(Concentration Weighted Trajectory, CWT)是典型的后向轨迹混合受体模型, 已被许多****用来解析我国污染较重地区如京津冀等的污染来源和源区贡献程度(王珏等, 2015; 沈学勇等, 2016; Chen et al., 2018).王郭臣等(2016)利用CWT研究了北京秋冬季一次PM2.5严重污染过程, 发现蒙古国中西部、我国新疆东部、内蒙中西部、山西西部、河北和山东北部是重要潜在源区.李莉等(2015)通过CWT发现影响2013年12月初上海PM10严重污染的潜在源区主要位于江苏、浙江、安徽, 山东、河北和河南对颗粒物污染亦有一定贡献.任传斌等(2016)利用CWT发现2014年5月—2015年4月北京城区不同季节PM2.5源区差异显著, 冬季潜在源区主要位于冀南、鲁西北、晋北、陕西、内蒙古中部及蒙古国南部.以CWT分析法为工具的研究大多数都集中于污染物四季变化或一次重污染过程(王茜, 2013; 葛跃等, 2017), 缺少对颗粒物污染严重的冬季年际变化的集中研究(周沙等, 2017).同时, 还未有****利用CWT分析法将衡水市作为“2+26”城市典型代表分别从气象轨迹和本地排放来探讨潜在源区分布变化的原因.
基于此, 本文以冬防效果视域, 利用后向轨迹模型和浓度权重轨迹分析法, 分别从气象轨迹和本地污染源排放变化上, 首次探究了2017年冬季衡水市PM2.5和PM10潜在污染源变化及其原因, 以期为京津冀“2+26”城市空气污染防治提供科学依据.
2 数据与研究方法(Data and methods)2.1 数据PM2.5和PM10质量浓度来源于中国环境监测总站发布的衡水市环境监测站(国控)采用β射线颗粒物自动检测仪分别于2016年冬防期间(2016年12月—2017年2月)与2017年冬防期间(2017年12月—2018年2月)连续观测数据.如图 1所示, 衡水市有3个国控站点, 分别为电机北厂站(115.6950°E, 37.7575°N)、市监测站(115.6430°E, 37.7379°N)和市环保局站(115.6910°E, 37.7390°N).本文潜在源分析所用数据为3站污染物平均浓度.根据原环保部发布的《环境空气质量指数(AQI)技术规定(试行)》(HJ633—2012)(环境保护部, 2012), 将PM2.5质量浓度大于150 μg·m-3定义为PM2.5重污染, 小于等于150 μg·m-3定义为PM2.5非重污染, 将PM10质量浓度大于350 μg·m-3定义为PM10重污染, 小于等于350 μg·m-3定义为PM10非重污染.
图 1(Fig. 1)
图 1 衡水市区县分布及环境监测站点位置 Fig. 1The distribution of Hengshui City′s counties and the location of environmental monitoring sites |
后向轨迹模式的驱动资料为美国国家环境预报中心(National Centers for Environmental Prediction, NCEP)的全球大气数据同化系统(Global Data Assimilation System, GDAS)同化多种常规气象资料和卫星观测资料而得(陈莹莹等, 2009).GDAS1数据集包含水平风速、垂直风速、温度和对流有效位能等35个变量, 空间分辨率为1°×1°, 时间分辨率为3 h, 垂直分为23层, 其中900 m以下分为5层.GADS1较其他数据集的优势在于其垂直风速能直接用于轨迹计算, 而非通过计算水平风速散度的垂直积分来间接计算垂直风速(Lin et al., 2015).
本文使用的源清单数据源自依托“总理基金”对衡水市进行的源清单编制工作.首先, 依据国家原环保部发布的《城市大气污染物排放清单编制技术指南》(贺克斌, 2015)基本要求, 结合衡水市往年清单工作基础和本地污染源实际情况, 建立本地化大气排放源分类体系.其次, 基于各个污染源的数据要求, 开展包括资料调查、政府部门走访等不同形式的污染源活动水平和技术水平调查工作, 建立详细的本地污染源档案.基于活动数据档案, 参考清单编制指南、国内外研究等多种来源并经过衡水本地条件修正建立了使用的排放因子库.最后, 采用排放因子法(环境保护部, 2014; 2015)、物料衡算法等多种清单计算方法, 逐个污染源、逐个污染物进行排放量计算, 建立了衡水市2016和2017年大气污染源排放清单.该清单包括化石燃料固定燃烧源、工艺过程源、移动源、溶剂使用源、储存运输源、扬尘源、农业源、生物质燃烧源、废弃物处理源和其他排放源, 清单内容涵盖了SO2、NOx、CO、PM10、PM2.5、BC、OC、VOCs和NH3.
2.2 研究方法2.2.1 潜在源区分析浓度权重轨迹分析法(Concentration Weighted Trajectory, CWT)是一种结合气象轨迹节点(停留时间)与污染物浓度来追溯对受体地点污染贡献的混合轨迹受体模型(Hsu et al., 2003).CWT要求对研究区域进行网格化处理, 本文将研究区域设置在109°~120°E、35°~44°N, 网格分辨率为0.1°×0.1°, 共9900个格点.网格(i, j)的CWT值(CWTij)为该区域内污染轨迹节点数τijl与每条轨迹上污染物浓度Cl乘积之和, 与该网格内节点总数之比, 即:
(1) |
(2) |
3 结果与讨论(Results and discussion)3.1 衡水市颗粒物污染特征《大气污染防治行动计划》出台后, 京津冀颗粒物降幅显著, 2013—2017年区域PM2.5年均质量浓度分别为106、93、77、71、64 μg·m-3, 其中衡水市PM2.5降幅显著, 年均降幅达11 μg·m-3(孟晓艳等, 2018).我国PM2.5浓度分布存在显著季节变化, 特别是华北平原, 冬季主要以颗粒物污染为主(Zhang et al., 2015).
整体而言(表 1和图 2)2017年冬防效果显著.2017年冬季PM2.5平均质量浓度为94 μg·m-3, 较2016年冬季下降33%.PM2.5重污染和非重污染均值分别为216 μg·m-3和69 μg·m-3, 较2016年冬季分别增加2%和减少25%.优良天数为47 d, 较2016年冬季增加32 d.PM2.5重污染天数为15 d, 较2016年冬季减少22 d.PM2.5重污染累积1~2 d的次数减少最为显著, 由4次减为2次.PM10在2017年冬季平均质量浓度为140 μg·m-3, 较2016年冬季下降41%, 未发生PM10重污染事件, PM10非重污染均值下降31%.优良天数为62 d, 较2016年冬季增加40 d.
表 1(Table 1)
表 1 2016和2017年冬季PM2.5和PM10污染变化 Table 1 The changes of PM2.5 and PM10 in winter 2016 and 2017 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 1 2016和2017年冬季PM2.5和PM10污染变化 Table 1 The changes of PM2.5 and PM10 in winter 2016 and 2017
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
图 2(Fig. 2)
图 2 2016和2017年冬季PM2.5(a)和PM10(b)质量浓度区间与污染天数关系 Fig. 2Relationship between mass concentration intervals and pollution days of PM2.5(a) and PM10 (b) in the winter of 2016 and 2017 |
3.2 衡水市潜在源区特征及变化CWT值越高, 该网格所在地区对衡水大气颗粒物污染贡献越大.研究区域内CWT均值表示所有网格对受体点的平均贡献, CWT相对高值区为对衡水大气颗粒物污染贡献较高的潜在源区, 经过该地区的轨迹为衡水市大气污染的主要路径.图 3和表 2为2016和2017年冬季衡水PM2.5及PM10浓度权重轨迹分析结果.如图 3和表 2所示, 2017年冬季CWT均值为34 μg·m-3, 最大值为323 μg·m-3, 对衡水PM2.5质量浓度贡献相对较高区域主要集中在衡水南部及衡水以南地区.衡水东南部、邢台东部的CWT值在200 μg·m-3以上, 衡水东南部、邢台东部、德州西部、聊城西部、邯郸东部和濮阳东北部的CWT值在180~200 μg·m-3, CWT值在140~180 μg·m-3的区域主要分布在衡水南部、邯郸东部和冀鲁交界处南部附近.Liu等(2018)利用潜在源区贡献法(PSCF)以1°×1°的空间分辨率, 研究了2016年冬季位于衡水西北部且与衡水接壤的石家庄在大气污染临时减排期的潜在源区, 结果表明污染潜在源区位于河北南部、河南北部和山西省.Qian等(2018)利用PSCF和CWT研究了2013—2016年石家庄PM2.5潜在源区, 发现河北中南部、山东西部和山西中北部对污染贡献较大.由此可见, 影响2016年冬季以及2013—2016年石家庄市的潜在源区和影响2017年冬季衡水市潜在源区都主要位于各自城市南部及以南地区, 而与这些研究不同, 在气象轨迹和排放源分布共同影响下, 2016年冬季对衡水PM2.5质量浓度贡献相对较高区域主要集中在衡水北部及以北地区.衡水北部和保定南部的CWT值在270 μg·m-3以上, CWT值在210~270 μg·m-3主要分布在保定东南部和沧州西部交界处附近、邯郸东部、沧州东北部.与2016年相比, 2017年冬季PM2.5的CWT均值下降6%, 最大值下降34%, 相对大值区主要由衡水北部及以北地区向衡水南部及以南地区转移, 大值中心增多.
图 3(Fig. 3)
图 3 2016年冬季PM2.5(a)、2016年冬季PM10(b)、2017年冬季PM2.5(c)和2017年冬季PM10(d)的浓度权重轨迹分析 Fig. 3The CWT′s result of PM2.5 in the winter of 2016 (a), PM10 in the winter of 2016(b), PM2.5 in the winter of 2017(c) and PM10 in the winter of 2017(d) |
表 2(Table 2)
表 2 2016和2017年冬季CWT研究区域内网格均值与最大值 Table 2 Grid mean and maximum values in the CWT study area in the winter of 2016 and 2017 | |||||||||||||||||||||||||||||
表 2 2016和2017年冬季CWT研究区域内网格均值与最大值 Table 2 Grid mean and maximum values in the CWT study area in the winter of 2016 and 2017
| |||||||||||||||||||||||||||||
2017年冬季对衡水PM10质量浓度相对大值贡献区在空间分布上与PM2.5类似, 主要分布在衡水南部及衡水以南地区, CWT均值为50 μg·m-3, 最大值为272 μg·m-3, 衡水南部、衡水东南部、邢台东部、德州西部、聊城西部、邯郸东部和沧州西部的CWT值在200 μg·m-3以上, CWT值在160~200 μg·m-3的区域主要分布在衡水南部、邢台东部、德州西部、聊城西部及北部、邯郸东部.2016年冬季PM10的CWT相对大值区主要分布在衡水北部及以北地区.衡水北部、保定东南部的CWT值在400 μg·m-3以上, CWT值在320~400 μg·m-3的区域主要分布在衡水北部、保定东南部、沧州西部和邯郸东部.与2016年相比, 2017年冬季PM10的CWT均值下降18%, 最大值下降44%, 主要相对大值区分布由衡水北部及以北地区向衡水南部及以南地区转移, 高值中心增多.
3.3 气象轨迹后向轨迹表示气团在到达受体(衡水市)之前所经过的地区(刘娜等, 2015).轨迹由代表时间分辨率的节点构成, 其水平分布态势影响潜在源区变化.图 4为2016和2017年冬季后向轨迹节点分布图, 如图所示, 两年冬季节点分布相近, 节点数相对大值区(200个以上)主要位于衡水环境监测站(受体点)东部和南部.2017年冬季, PM2.5的潜在源大值区位于衡水东南部(衡水市故城县北部)和邢台东部.衡水东南部地区在2016年和2017年冬季的轨迹节点数范围都在50~80个.邢台东部在2017年节点数范围在20~50个, 在2016年轨迹节点数范围为50~80个.2016年冬季PM2.5的潜在源大值区位于保定东南部和衡水北部(衡水市安平县北部).从节点分布图可以看出, 两年冬季保定东南部的轨迹节点数都在20~50个之间, 衡水北部在2016年和2017年冬季轨迹节点数范围在50~80个和20~50个.由此可见, 尽管两年冬季潜在源相对大值区空间分布变化较大, 但相应大值区轨迹节点数在两年冬季都在20~80个之间, 变化较小.
图 4(Fig. 4)
图 4 后向轨迹节点在2016年冬季(a)和2017年冬季(b)的分布 (黑色圆圈处为CWT相对大值区位置) Fig. 4Distribution of the backward trajectories′ endpoints in the winter of 2016(a) and 2017 (b) (black circles mean the position of the CWT′s relative large value area) |
将2016和2017年冬季后向轨迹在研究区域格点内节点(表征停留时间)数进行Spearman相关性分析(表 3), 两年冬季后向轨迹在0.01级别上显著相关, 相关系数为0.55.由此可见, 两年冬季后向轨迹相关性较高.
表 3(Table 3)
表 3 Spearman相关性分析 Table 3 Spearman correlation analysis | |||||||||||||
表 3 Spearman相关性分析 Table 3 Spearman correlation analysis
| |||||||||||||
总的来说, 两年潜在源相对大值区轨迹节点数分布相似;同时通过相关性分析得出两年冬季轨迹节点数分布相关性较高, 因此, 2016年和2017年冬季后向轨迹簇分布变化较小.
3.4 本地排放源冬季颗粒污染程度和潜在源区变化除了与气象轨迹相关, 还与排放源变化有关(张志刚等, 2004).2017年潜在源相对大值区位于衡水北部及以北地区, 而2016年位于衡水南部以及以南地区.由图 3可知, 衡水北部的潜在源大值区主要包括安平县、饶阳县和深州市, 衡水南部主要包括故城县和枣强县, 衡水市区县分布如图 1所示.
2017年衡水北部的安平县和深州市固定燃烧源SO2、NOx、PM10、PM2.5、BC、OC总排放量分别为3195 t和5144 t, 减排量分别为10692 t和11317 t, 衡水南部的故城县和枣强县总排放量分别为2455 t和1727 t, 减排量分别为4601 t和2897 t(图 5a).因此, 衡水北部的固定燃烧源减排量显著高于衡水南部.在固定燃烧源中, 工业锅炉减排量占比最高, 衡水市工业锅炉减排量北多南少差异更加显著(图 5b).由于固定燃烧源减排量占总减排量最高, 同时两年气象轨迹变化较小, 这一北部显著高于南部的减排量空间分布态势是造成潜在源大值区空间分布变化的主要原因.
图 5(Fig. 5)
图 5 2017年衡水市各区县固定燃烧源减排量(a)、工业锅炉减排量(b)和民用燃烧减排量(c) Fig. 5Pollution reduction of fixed combustion sources(a), industrial boiler emission (b) and civil combustion emission(c) in all counties of Hengshui City in 2017 |
图 6a为衡水市各区县扬尘源减排量, 如图所示, 衡水北部深州市的PM10和PM2.5总减排量显著高于衡水南部的故城县, 而衡水南部枣强县扬尘源颗粒物排放量不减反增.道路扬尘源中(图 6b), 衡水北部的安平县和深州市减排量高于南部的枣强县和故城县.施工扬尘源中(图 6c), 衡水北部的深州市减排量最大, 显著高于衡水南部各区县.由此可见, 扬尘源减排量的北多南少空间分布态势对潜在源大值区分布变化也有贡献.
图 6(Fig. 6)
图 6 2017年衡水市各区县扬尘源减排量(a)、道路扬尘减排量(b)和施工扬尘减排量(c) Fig. 6Pollution reduction of dust sources(a), road dust emission (b) and construction dust emission(c) in all counties of Hengshui City in 2017 |
4 结论(Conclusions)1) 2017年冬防效果显著.PM2.5平均质量浓度降低33%, 非重污染浓度均值下降25%, 优良天数增加32 d, 重污染天数减少22 d.PM10平均质量浓度下降41%, 未发生重污染事件, 非重污染均值下降31%, 优良天数增加40 d.
2) 2017年冬季PM2.5潜在源区主要位于衡水南部和邢台东部, 与2016年相比, CWT相对大值区主要由衡水北部以及以北地区向衡水南部及以南地区转移, 大值中心增多.PM10潜在源区分布变化与PM2.5相似.同时, PM2.5和PM10的CWT均值与最大值均下降明显.
3) 气象轨迹对潜在源分布影响较小, 2016和2017年冬季后向轨迹簇空间分布变化较小, 两年冬季CWT相对大值区处的轨迹节点数分布相似, 都在20~80个之间, 研究区域网格内轨迹节点数相关性较高, 为0.55.
4) 本地排放对潜在源区分布影响较大, 衡水北部工业锅炉源污染减排量显著高于衡水南部, 是潜在源区分布变化的主要原因.衡水北部扬尘源减排量也大于衡水南部, 一定程度促进潜在源CWT大值区的转移.
参考文献
陈莹莹, 施建成, 杜今阳, 等. 2009. 基于GLDAS的中国区地表能量平衡数值试验[J]. 水科学进展, 2009, 20(1): 25–31.DOI:10.3321/j.issn:1001-6791.2009.01.004 |
Chen Y, Xie S, Luo B. 2018. Seasonal variations of transport pathways and potential sources of PM2.5 in Chengdu, China (2012-2013)[J]. Frontiers of Environmental Science & Engineering, 12(1): 12. |
Fann N, Lamson A D, Anenberg S C, et al. 2012. Estimating the national public health burden associated with exposure to ambient PM2.5 and ozone[J]. Risk Analysis, 32(1): 81–95. |
葛跃, 王明新, 白雪, 等. 2017. 苏锡常地区PM2.5污染特征及其潜在源区分析[J]. 环境科学学报, 2017, 37(3): 803–813. |
环境保护部. 2012.环境空气质量指数(AQI)技术规定(试行): HJ633-2012[S].北京: 中国环境科学出版社 |
环境保护部. 2014.非道路移动源大气污染物排放清单编制技术指南(试行)[OL]. 2019-05-26. http://www.mee.gov.cn/gkml/hbb/bgg/201501/w020150107594587960717 |
贺克斌, 王书肖, 张强, 等. 2015. 城市大气污染物排放清单编制技术手册[M]. 北京: 清华大学: 8–12. |
环境保护部.2015.扬尘源颗粒物排放清单编制技术指南[S] |
环境保护部.2016.2015中国环境状况公报[R/OL].2019-05-26.http://www.mee.gov.cn/gkml/sthjbgw/qt/201606/t20160602_353138.htm |
环境保护部.2017a. 2016中国环境状况公报[R/OL].2019-05-26.http://www.mee.gov.cn/gkml/sthjbgw/qt/201606/t20160602_353138.htm |
环境保护部.2017b.关于成立国家大气污染防治攻关联合中心并印发《大气重污染成因与治理攻关工作规则》的通知[R/OL].[2019-05-26]. http://www.mee.gov.cn/gkml/hbb/bh/201710/t20171009_423112.htm |
Han Y J, Holsen T M, Hopke P K, et al. 2005. Comparison between Back-Trajectory Based Modeling and Lagrangian Backward Dispersion Modeling for Locating Sources of Reactive Gaseous Mercury[J]. Environmental Science & Technology, 39(6): 1715. |
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 |
李莉, 蔡鋆琳, 周敏. 2015. 2013年12月中国中东部地区严重灰霾期间上海市颗粒物的输送途径及潜在源区贡献分析[J]. 环境科学, 2015(7): 2327–2336. |
Lin S, Yuan Z, Fung J C H, et al. 2015. A comparison of HYSPLIT backward trajectories generated from two GDAS datasets[J]. Science of the Total Environment, 506-507: 527–537.DOI:10.1016/j.scitotenv.2014.11.072 |
Liu B, Cheng Y, Zhou M, et al. 2018. Effectiveness evaluation of temporary emission control action in 2016 in winter in Shijiazhuang, China[J]. Atmospheric Chemistry And Physics, 18(10): 7019–7039.DOI:10.5194/acp-18-7019-2018 |
刘娜, 余晔, 何建军, 等. 2015. 兰州冬季大气污染来源分析[J]. 环境科学研究, 2015, 28(4): 509–516. |
孟晓艳, 张霞, 侯玉婧. 2018. 2013-2017年京津冀区域PM2.5浓度变化特征[J]. 中国环境监测, 2018, 34(5): 10–16. |
Pope C A, Burnett R T, Thun M J, et al. 2002. Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollution[J]. Jama-Journal Of the American Medical Association, 287(9): 1132–1141.DOI:10.1001/jama.287.9.1132 |
Qian W, Zhang Y, Chen J, et al. 2018. Air pollutant transport channels and its potential sources in Shijiazhuang[J]. Acta Scientiae Circumstantiae, 38(9): 3438–3448. |
Quinn P K, Bates T S. 2003. North American, Asian, and Indian haze:Similar regional impacts on climate?[J]. Geophysical Research Letters, 30(11): 193–228. |
任传斌, 吴立新, 张媛媛, 等. 2016. 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): 2591–2598.DOI:10.3969/j.issn.1000-6923.2016.09.006 |
沈学勇, 翟崇治, 许丽萍, 等. 2016. 利用轨迹模式研究重庆主城区冬季PM2.5污染特征[J]. 环境污染与防治, 2016, 38(3): 72–76. |
生态环境部. 2018.2017中国环境状况公报[R] |
Stein A F, Draxler R R, Rolph G D, et al. 2016. NOAA's HYSPLIT Atmospheric Transport and Dispersion Modeling System[J]. Bulletin of the American Meteorological Society, 96(12): 150504130527006. |
王郭臣, 王东启, 陈振楼. 2016. 北京冬季严重污染过程的PM2.5污染特征和输送路径及潜在源区[J]. 中国环境科学, 2016, 36(7): 1931–1937.DOI:10.3969/j.issn.1000-6923.2016.07.002 |
王珏, 王郭臣, 陈莉. 2015. 济南市四季PM10、PM2.5输送来源及其传输过程[J]. 环境科学与技术, 2015, 38(5): 175–182. |
Wang J D, Wang S X, Jiang J K, et al. 2014. Impact of aerosol-meteorology interactions on fine particle pollution during China's severe haze episode in January 2013[J]. Environ Res Lett, 9(9): 7. |
王茜. 2013. 利用轨迹模式研究上海大气污染的输送来源[J]. 环境科学研究, 2013, 26(4): 357–363. |
Wang Y Q, Zhang X Y, Arimoto R. 2006. The contribution from distant dust sources to the atmospheric particulate matter loadings at Xi'an, China during spring[J]. Science of the Total Environment, 368(2): 875–883. |
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. |
王跃思, 张军科, 王莉莉, 等. 2014. 京津冀区域大气霾污染研究意义、现状及展望[J]. 地球科学进展, 2014, 29(3): 388–396. |
杨龙誉, 徐浩, 张志敏, 等. 2016. 大气污染物源解析中的混合轨迹受体模型述评[J]. 城市环境与城市生态, 2016(2): 27–32. |
Zeng Y, Hopke P K. 1989. A study of the sources of acid precipitation in Ontario, Canada[J]. Atmospheric Environment, 23(7): 1499–1509.DOI:10.1016/0004-6981(89)90409-5 |
Zhai Y, Liu X, Chen H, et al. 2014. Source identification and potential ecological risk assessment of heavy metals in PM2.5 from Changsha[J]. Science of the Total Environment, 493: 109–115.DOI:10.1016/j.scitotenv.2014.05.106 |
Zhang Y L, Cao F. 2015. Fine particulate matter (PM2.5) in China at a city level[J]. Sci Rep, 5: 14884.DOI:10.1038/srep14884 |
张志刚, 苏福庆, 杨明珍, 2004.华北地区天气型对区域大气污染的影响[C].中国气象学会年会 |
Zhao H, Che H, Zhang X, et al. 2013. Characteristics of visibility and particulate matter (PM) in an urban area of Northeast China[J]. Atmospheric Pollution Research, 4(4): 427–434.DOI:10.5094/APR.2013.049 |
赵恒, 王体健, 江飞, 等. 2009. 利用后向轨迹模式研究TRACE-P期间香港大气污染物的来源[J]. 热带气象学报, 2009, 25(2): 181–186.DOI:10.3969/j.issn.1004-4965.2009.02.008 |
周沙, 刘宁, 刘朝顺. 2017. 2013-2015年上海市霾污染事件潜在源区贡献分析[J]. 环境科学学报, 2017, 37(5): 1835–1842. |