史海琪, 曾胜兰, 李浩楠
成都信息工程大学大气科学学院, 成都 610225
收稿日期: 2019-07-29; 修回日期: 2019-11-04; 录用日期: 2019-11-04
基金项目: 国家自然科学基金青年科学基金项目（No.41505122）；四川省环境保护科技重大专项（No.2013HBZX01）；四川省科技支撑项目（No.2015GZ0238）；国家重点研发计划（No.2018YFC0214003）；成都信息工程学院引进人才启动项目（No.KYTZ201429）
作者简介: 史海琪(1997-), 男, E-mail:1401300451@qq.com
通讯作者（责任作者）: 曾胜兰, E-mail:denlan1228@163.com

摘要：利用2015—2018年四川盆地内18个城市的6种污染物逐日质量浓度监测资料、同期的常规气象观测资料，采用插值、相关分析等方法，分析了四川盆地3个区域6种污染物的时空分布特征，探讨了各个污染物质量浓度与气象要素之间的关系.结果表明：①O₃在盆地中西部污染较重，PM_2.5和PM₁₀在德阳、成都、眉山、内江、自贡一带污染较重，在广元和巴中污染较轻，SO₂在巴中、南充、绵阳、德阳一带污染较轻，在广元和盆地中南部污染较重；②NO₂平均浓度呈先增后减的趋势，O₃呈增加趋势，而CO、PM_2.5、PM₁₀、SO₂均呈减小趋势；③CO、NO₂、PM_2.5、PM₁₀、SO₂呈"夏低冬高"的特征，O₃则相反，CO、NO₂、PM_2.5、PM₁₀均表现为"双峰双谷"型，O₃和SO₂则表现为"单峰"型；④偏东风有利于CO、NO₂、PM₁₀、PM_2.5的稀释扩散，偏北风有利于O₃、SO₂的稀释扩散；⑤6种污染物质量浓度均与气压、气温、24 h变温、24 h变压、相对湿度、10 m风速、700 hPa散度、850 hPa高度显著相关.风速、相对湿度、混合层高度、逆温层平均高度的增加有利于大多数污染物的稀释扩散.
关键词：四川盆地6种污染物时空分布特征气象要素相关分析
Temporal and spatial distribution characteristics and influencing meteorological factors of air pollutants in Sichuan Basin
SHI Haiqi, ZENG Shenglan, LI Haonan
School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225
Received 29 July 2019; received in revised from 4 November 2019; accepted 4 November 2019
Abstract: Using the daily mass concentration monitoring data of six pollutants in 18 cities in the Sichuan Basin from 2015 to 2018, conventional meteorological observation data from the same period, and interpolation and correlation, the spatial and temporal distribution characteristics of six pollutants in three regions of the Sichuan Basin were analyzed. The relationship between the mass concentration of each pollutant and concurrent meteorological conditions was also examined. The results indicated the following:① O₃ was heavily concentrated and tended to increase through the study period in the central and western basins. PM_2.5 and PM₁₀ were heavily polluted in Deyang, Chengdu, Meishan, Neijiang, and Zigong, while Guangyuan and Bazhong were less polluted. SO₂ concentrations in Bazhong, Nanchong, Mianyang, and Deyang were relatively light, while concentrations in Guangyuan and the central and southern parts of the basin were heavier. ② Average concentrations of NO₂ over the four years increased at first and then decreased. Both PM₁₀ and SO₂ showed a decreasing trend.③ CO, NO₂, PM_2.5, PM₁₀, and SO₂ showed a trend of "summer low winter high, " while O₃ seasonal trends were the opposite. CO, NO₂, PM_2.5, and PM₁₀ all appeared as "double-peak and double-valley, " while O₃ and SO₂ showed a "single-peak" trend. ④ Westerly winds were conducive to CO, NO₂, PM₁₀, and PM_2.5 dilution and diffusion, while northerly winds were conducive to the dilution and diffusion of O₃ and SO₂.⑤ For six types of pollution, the mass concentration of the material was significantly correlated with ambient air pressure, temperature, 24 h temperature change, 24 h pressure change, relative humidity, 10-m wind speed, 700 hPa divergence, and 850 hPa height. Increasing wind speed, relative humidity, mixed layer height, and average height of the inversion layer were all beneficial for the dilution and diffusion of five pollutants except O₃.
Keywords: Sichuan Basinsix pollutantstemporal and spatial distribution characteristicsmeteorological elementscorrelation analysis
1 引言(Introduction)大气污染已严重影响到人类健康和生存环境(郑晶等, 2018；秦耀辰等, 2019；芦静等, 2019；陈志永等, 2019), 且随着城市化进程的不断加快, 城镇大气污染问题日趋严峻(Fang et al., 2009; 胡亚旦等, 2009；吴兑, 2012；Zhang et al., 2012；Che et al., 2014；Huang et al., 2014).研究者针对各地大气污染现状、发展趋势及其与气象因子的关系开展了大量研究.例如, 王文丁等(2016)发现弱(风速1~2 m·s^-1)偏北风或偏东风、适合的相对湿度(40%~60%)和温度(秋季20~25 ℃, 冬季10~15 ℃)均可能造成秋、冬季的大气污染, 而高温(大于30 ℃)是造成夏季大气污染的主要原因.周景博等(2015)发现冬、春季节的空气质量最差；API与气压、气温、降水、日照时间呈负相关, 而与日最高温、湿度、风速呈正相关.徐冉等(2019)研究发现, 地面受弱气压场控制、高湿度、静小风及较低的混合层高度, 加之北京三面环山的特殊地势是导致秋、冬季静稳型污染频发的重要因素.Gallero等(2006)的研究表明, 区域空气质量高度依赖于风力持续性和方向, 以及大气扩散能力和湿度等气象条件.综上所述, 污染物空间非均匀分布是污染排放源强和大气边界层动力、热力结构共同作用的结果, 气象条件对污染物的扩散、稀释和累积有一定作用, 在污染源强一定的条件下, 污染物浓度的大小则主要取决于气象条件, 仅仅由于这种气象条件的不同, 污染物在某处的浓度值可有几倍甚至十几倍的差别(李宗凯等, 1985).
赵佶等(2015)的研究表明, 四川盆地内各个城市污染日数夏、秋季有增加的趋势, 而冬、春季没有明显变化.肖丹华等(2018)指出, 川南经济区大气污染程度最高, 川东北经济区污染最轻, 成都平原经济区污染程度居中.由于四川盆地地势较低(海拔200~750 m), 而周围的山地海拔较高(1000~3000 m), 封闭的环境使得盆地内边界层大气层结稳定度高于同纬度的其他地区, 加之盆地内静风频率高(杨华安等, 1995；Zeng et al., 2017；2019；Liao et al., 2018), 大气污染物扩散受阻, 使得盆地内大气污染物持续累积, 浓度居高不下.近年来, 四川盆地地区空气质量问题日趋严重, 川渝地区也被列为我国第四大“大气重污染区”(Ning et al., 2017).相对于其他3个大气污染的重灾区, 四川盆地正处于高速城市化发展中, 污染物的外源输入相对较少, 污染源排放相对稳定, 而大气污染程度的加重与污染气象特征密切相关, 因而该区域为探讨气象条件对污染物扩散和分布的影响提供了天然的“实验室”.基于此, 本研究以四川盆地为例, 探讨区域性灰霾天气的空气污染及其气象因子特征, 通过对6种大气污染物时空特征、同期地面气象要素和边界层要素的分析, 揭示空气污染的气象成因, 以期为局地污染天气的防控和改善提供科学依据.
2 资料来源与研究方法(Data and methods)2.1 资料来源2015年1月1日—2018年12月31日的18个城市环境监测站(表 1)的SO₂、NO₂、PM_2.5、PM₁₀、CO、O₃逐日质量浓度资料来源于中华人民共和国生态环境部.同期的10 m风向、风速(m·s^-1)、气温(℃)、气压(hPa)、相对湿度、露点(℃)、地面24 h变温(℃)、地面24 h变压(hPa)、24h变温(℃)、垂直速度(m·s^-1)、散度等监测数据来源于中国气象局.
表 1(Table 1)

表 1 18个城市监测站点信息 Table 1 Monitoring site information1of 18 cities

表 1 18个城市监测站点信息 Table 1 Monitoring site information1of 18 cities 城市 站点 经度(E) 纬度(N) 城市 站点 经度(E) 纬度(N) 富乐山 104.78° 31.47° 蟆颐观 103.90° 30.05° 绵阳 市人大 104.75° 31.45° 眉山 气象局 103.84° 30.09° 高新区自来水公司 104.67° 31.47° 旭光小区 103.85° 30.07° 三水厂 104.73° 31.51° 市监测站 103.83° 30.06° 黑石坡 105.89° 32.45° 东山公园 104.42° 31.12° 广元 老城 105.82° 32.44° 德阳 西小区 104.39° 31.13° 南坝 105.82° 32.42° 市检察院 104.41° 31.12° 监测站 105.86° 32.43° 耐火材料厂 104.35° 31.11° 九狮山 105.43° 28.96° 大塘山 104.75° 29.36° 泸州 小市上码头 105.44° 28.90° 自贡 盐马路 104.72° 29.36° 兰田宪桥 105.43° 28.86° 檀木林街 104.77° 29.36° 市环监站 105.43° 28.88° 春华路 104.77° 29.34° 西山风景区 106.06° 30.81° 石溪浩 105.75° 30.58° 南充市委 106.08° 30.80° 遂宁 市监测站 105.68° 30.61° 南充 南充炼油厂 106.10° 30.82° 行政中心 105.82° 30.63° 高坪区监测站 106.11° 30.79° 美宁食品公司 105.60° 30.48° 嘉陵区环保局 106.06° 30.76° 大兴526台 103.01° 30.01° 市环境监测站 106.11° 30.84° 雅安 建安厂 103.00° 29.99° 达州职业技术学院 107.53° 31.28° 市政府 103.01° 29.98° 市环境监测站 107.53° 31.22° 川农大 103.00° 29.98° 达州 凤凰小区 107.50° 31.21° 莲花山 104.66° 30.14° 达县机关宾馆 107.51° 31.20° 资阳中学 104.64° 30.15° 市政中心 107.46° 31.21° 资阳 四三一厂 104.63° 30.14° 市委 106.63° 30.46° 师范校 104.65° 30.11° 广安 友谊中学 106.63° 30.47° 区法院 104.63° 30.13° 人工湖 106.64° 30.48° 缙云山 106.38° 29.83° 广电花园 106.64° 30.46° 高家花园 106.46° 29.57° 市监测站 105.03° 29.60° 天生 106.42° 29.83° 内江 东兴区政府 105.07° 29.59° 两路 106.63° 29.72° 内江二中 105.07° 29.58° 虎溪 106.30° 29.60° 内江日报社 105.04° 29.58° 南坪 106.54° 29.52° 乐山大佛景区 103.77° 29.55° 唐家沱 106.65° 29.62° 乐山 牛耳桥 103.76° 29.58° 重庆 茶园 106.63° 29.49° 市第三水厂 103.75° 29.60° 白市驿 106.36° 29.48° 市监测站 103.76° 29.56° 解放碑 106.57° 29.56° 市委 104.62° 28.77° 杨家坪 106.51° 29.52° 宜宾四中 104.61° 28.79° 空港 106.62° 29.71° 宜宾 市政府 104.64° 28.76° 新山村 106.47° 29.49° 黄金嘴 104.58° 28.72° 礼嘉 106.56° 29.65° 沙坪中学 104.68° 28.80° 蔡家 106.45° 29.71° 石马中学 104.60° 28.82° 鱼新街 106.51° 29.39° 金泉两河 103.97° 30.72° 南泉 106.59° 29.43° 十里店 104.18° 30.69° 南龛公园 106.76° 31.85° 三瓦窑 104.08° 30.57° 巴中 市环保局 106.74° 31.87° 成都 沙河铺 104.11° 30.63° 巴中中学 106.76° 31.85° 梁家巷 104.07° 30.69° 市六中 106.76° 31.85° 君平街 104.05° 30.66° 灵岩寺 103.61° 31.03°

2.2 研究方法2.2.1 区域划分综合考虑人为影响、地理影响等因素将盆地内18个城市分成3个地区(图 1)：成都平原地区, 包含成都市、德阳市、绵阳市、乐山市、眉山市、资阳市、遂宁市、雅安市；川东北地区, 包含广元市、南充市、广安市、达州市、巴中市；川南地区, 包含自贡市、泸州市、内江市、宜宾市、重庆市.
图 1(Fig. 1)

图 1 四川盆地区域划分图 Fig. 1Sichuan Basin area division map

2.2.2 各大气污染物的时空分布特征分析参照《环境空气质量指数(AQI)技术规定》(HJ633—2012)分别计算各城市各个污染物的空气质量分指数(IAQI), 并探讨5种污染物IAQI的空间和时间(日、季节、年)分布特征.
2.2.3 地面气象要素分析分区分季节探讨不同区域污染物浓度随风向(东(E)、东南(SE)、南(S)、西南(SW)、西(W)、西北(NW)、北(N)、东北(NE))、风速(< 0.2 m·s^-1、< 1.5 m·s^-1、>1.5m·s^-1)、温度(< -10 ℃、-10~0 ℃、0~10 ℃、10~20 ℃、>20 ℃)、相对湿度(以10%为间隔)的变化.
2.2.4 边界层气象要素分析利用18个城市的混合层高度值, 采用普通克里金插值法探讨同期四川盆地平均混合层高度的年、月、日空间分布特征.分区域探讨各区污染物浓度随混合层高度(< 0.5 km、0.5~0.75 km、0.75~1 km、1~1.25 km、1.25~1.5 km、>1.5 km)的变化.利用各区月平均逆温层厚度值, 探讨各区域逆温层厚度的年、月变化及污染物浓度随逆温层强度的变化.
2.2.5 相关性分析运用SPSS采用皮尔森相关系数法检验6种污染物浓度与气象要素的相关关系.其中, 地面气象要素包括气温、气压、地面24 h变温、地面24 h变压、相对湿度、10 m风速；高空气象要素包括各层(500、700和850 hPa)的24 h变温、垂直速度、散度等.
3 大气污染物空间分布特征分析(Analysis of spatial distribution characteristics of air pollution)3.1 IAQI的空间分布图 2表明, CO、O₃、SO₂的IAQI年均值均小于50.CO呈“两高一低”的空间分布特征, 低值区分布于泸州、眉山、资阳、内江, 而乐山、成都、达州、重庆、宜宾、自贡、巴中为高值区.NO₂的IAQI高值区主要分布于重庆、成都、达州, 其他区域污染较轻.O₃呈“西高东低”的空间分布特征, 高值区主要分布于盆地中西部, 而盆地北部和南部为低值区.PM₁₀和PM_2.5的IAQI空间分布基本一致, 呈“西南高东北低”的特征, 其中, 成都平原和川南地区是高值区.SO₂的IAQI空间分布呈现“两高一低”的特征, 低值区主要分布于巴中、南充、绵阳、德阳, 而广元、广安和川南地区为高值区.
图 2(Fig. 2)

图 2 2015—2018年6种污染物IAQI的空间分布 Fig. 2Spatial distribution map of six pollutants IAQI from 2015 to 2018

3.2 大气污染物浓度空间分布的年际差异CO的浓度高值区在成都、巴中和达州等地, 其平均浓度呈现降低趋势(图 3).NO₂的浓度高值区主要分布于成都、达州和重庆等地, 低值区分布于雅安、资阳、遂宁、广安、南充、巴中和内江, 其平均浓度先增大后减小(图 4).O₃浓度呈现升高趋势, 高值区从成都平原地区扩展到川南和川东北地区(图 5).图 6~7表明, PM₁₀和PM_2.5浓度总体呈下降趋势, 低值区由川东北地区扩展至成都平原和川南地区.SO₂平均浓度呈现降低趋势(图 8).
图 3(Fig. 3)

图 3 2015—2018年CO各年平均质量浓度的空间分布 Fig. 3Spatial distribution of average annual CO concentrations in four years

图 4(Fig. 4)

图 4 2015—2018年NO2各年平均浓度的空间分布 Fig. 4Spatial distribution of average mass concentration of NO2 in each year in four years

图 5(Fig. 5)

图 5 2015—2018年O3各年平均浓度的空间分布 Fig. 5Spatial distribution of the average mass concentration of each year of O3

图 6(Fig. 6)

图 6 2015—2018年PM10各年平均浓度的空间分布 Fig. 6Spatial distribution of average mass concentrations for each year of PM10

图 7(Fig. 7)

图 7 2015—2018年PM2.5各年平均浓度的空间分布 Fig. 7Spatial distribution of average mass concentrations for each year of PM2.5

图 8(Fig. 8)

图 8 2015—2018年SO2各年平均浓度的空间分布 Fig. 8Spatial distribution of the average mass concentration of each year of SO2

4 大气污染物的时间分布特征分析(Analysis of temporal distribution characteristics of air pollution)O₃浓度最大值出现在5—8月, 最小值出现在12月, 其他污染物的月平均浓度均呈现“夏低冬高”的变化特征(图 9).夏季大气的不稳定状态、高的混合层高度、降水的增多有利于大多数大气污染物的稀释扩散；同时, 光照强且对流层-平流层交换频繁, 光化学反应导致O₃平均浓度升高, 冬季则相反(谢冰等, 2014).
图 9(Fig. 9)

图 9 2015—2018四川盆地不同区域污染物的月变化 Fig. 9Annual variation of pollutants in different regions of the Sichuan Basin from 2015 to 2018

各区域的CO、NO₂、PM_2.5、PM₁₀浓度四季均表现为“双峰双谷”型的日变化特征, O₃和SO₂浓度则表现为“单峰”型(图 10).“双峰双谷”型主要受上下班高峰期等人为因素影响, O₃的“单峰”型与日照有关.
图 10(Fig. 10)

图 10 2015—2018年不同区域6种污染物不同季节的日变化 Fig. 10Intraday variation of six pollutants in different regions from 2015 to 2018

5 大气动力因素对大气污染物的影响(The effect of atmospheric dynamics factor on air pollution)5.1 风向成都平原和川南地区的CO平均浓度随风向变化在春季、夏季、冬季均表现为“单峰”型, 在秋季表现为“三峰三谷”型, 而川东北地区在春季、秋季则表现为“三峰三谷”型, 夏季表现为“单峰”型.各区域的O₃平均浓度随风向变化在4个季节均表现为“单峰”型, 但成都平原地区和川南地区的峰值处于风向在SE时, 而川东北地区的峰值处于风向在S~SW时.各区域四季的NO₂、SO₂、PM_2.5和PM₁₀平均浓度随风向变化趋势无差异(图 11).
图 11(Fig. 11)

图 11 2015—2018年不同区域分季节污染物浓度随风向的变化 Fig. 11Seasonal pollutant concentration changes with wind direction in different regions from 2015 to 2018

5.2 风速各区域CO、NO₂、SO₂、PM₁₀和PM_2.5平均浓度均随风速的增加而降低, 特别是川东北地区在风速由静风增加到小于1.5 m·s^-1时, CO降幅明显, 而O₃平均浓度随风速的增加呈现上升趋势(图 12).由于盆地地形影响, 使盆地内以静风和软风为主, 风速大的情况通常出现在夏季、寒潮或冷空气活动时, 此时空气污染扩散条件好, 导致污染物浓度低.
图 12(Fig. 12)

图 12 2015—2018不同区域污染物浓度随风速的变化 Fig. 12Variation of pollutant concentration in different regions from 2015 to 2018

6 大气热力因素对大气污染物的影响(The effect of atmospheric thermodynamic factor on air pollution)6.1 混合层高度四川盆地平均混合层高度为748~945 m, 总体呈“西南低东北高”的形势.成都平原地区的混合层高度从西南部到东北部逐渐升高, 最大值分布于绵阳市, 最小值分布于雅安市(图 13).各区域的混合层高度年内均表现为“双峰双谷”型.其中, “双峰”分别分布于5月和7—8月, “双谷”分别分布于6月和11—12月(图 14).图 15表明, 各区域大多数污染物平均浓度总体上随混合层高度增加而下降, 而O₃则相反.
图 13(Fig. 13)

图 13 2015—2018年四川盆地平均混合层高度的空间分布 Fig. 13Spatial distribution of the average mixed layer height in the Sichuan Basin from 2015 to 2018

图 14(Fig. 14)

图 14 2015—2018年四川盆地不同区域混合层高度的月变化 Fig. 14Annual variation of mixed layer height in different regions of the Sichuan Basin from 2015 to 2018

图 15(Fig. 15)

图 15 2015—2018年不同区域污染物浓度随混合层高度的变化 Fig. 15Variation of pollutant concentration in different regions from 2015 to 2018 with mixed layer height

6.2 相对湿度影响分析成都平原、川东北、川南地区中, CO平均浓度最大值分别分布于相对湿度30%~40%、0~10%、80%~90%时, 最小值分别分布于相对湿度0~10%、90%~100%、0~10%时.SO₂和O₃平均浓度随相对湿度变化均总体表现为下降趋势.成都平原、川东北、川南地区中, NO₂平均浓度随相对湿度变化表现为先上升后下降趋势, 最大值分别分布于相对湿度60%~70%、50%~60%、60%~70%时, 最小值均分布于相对湿度0~10%时.PM₁₀和PM_2.5平均质量浓度随相对湿度变化在0~70%间无变化, 之后随相对湿度增加而减小(图 16).
图 16(Fig. 16)

图 16 2015—2018年不同区域污染物浓度随相对湿度的变化 Fig. 16Variation of pollutant concentration with relative humidity in different regions from 2015 to 2018

6.3 逆温层逆温层是绝对稳定的层结, 它对上下空气的对流起着削弱抑制作用(盛裴轩等, 2013).逆温越强表明大气层结越稳定, 大气垂直对流运动越弱, 空气污染扩散条件越差.各区域8：00和20：00的逆温层平均厚度均表现为“单峰”型, 且峰值均分布于3月(图 17).川东北地区和川南地区除O₃外大多数污染物的平均浓度随逆温层厚度的增加呈上升趋势(图 18).
图 17(Fig. 17)

图 17 2015—2018年逆温层厚度的月变化 Fig. 17Annual variation of the inversion layer thickness from 2015 to 2018

图 18(Fig. 18)

图 18 2015—2018年不同区域污染物浓度随逆温层厚度的变化 Fig. 18Variation of pollutant concentration in different regions from 2015 to 2018 with thickness of inversion layer

各区域的8：00逆温层平均高度最小值分别分布于2月和12月, 最大值分布于9月.各区域的20：00逆温层平均高度最小值分别分布于12月和1月(图 19).图 20表明, 各区域除O₃外各大气污染物平均浓度随逆温层高度的增加呈下降趋势, 相反, O₃平均浓度随逆温层高度的增加总体呈上升趋势.
图 19(Fig. 19)

图 19 2015—2018年逆温层高度的月变化 Fig. 19Annual variation of the inversion layer height from 2015 to 2018

图 20(Fig. 20)

图 20 2015—2018年不同区域污染物浓度随逆温层高度的变化 Fig. 20Variation of pollutant concentration in different regions from 2015 to 2018 with height of inversion layer

各区域的8：00逆温层平均强度最小值分别分布于10月和3月, 最大值分别分布于12、9、1月.各区域的20：00逆温层平均强度最小值均分布于4月(图 21).成都平原地区的CO、NO₂、SO₂、PM₁₀、PM_2.5平均浓度随逆温层强度的增加呈上升趋势(图 22).
图 21(Fig. 21)

图 21 2015—2018年逆温层强度的月变化 Fig. 21Annual variation of the intensity of the inversion layer in 2015—2018

图 22(Fig. 22)

图 22 2015—2018年不同区域污染物浓度随逆温层强度的变化 Fig. 22Variation of pollutant concentration in different regions from 2015 to 2018 with intensity of inversion layer

7 污染物浓度与气象因子相关分析(Correlation analysis of pollutant concentration and meteorological factors)PM_2.5、PM₁₀、NO₂、SO₂小时平均浓度与气温、24 h变压、相对湿度、10 m风速、700 hPa散度显著负相关, 与气压、24 h变温、850 hPa高度显著正相关(表 2).O₃小时平均浓度与气压、24 h变压、相对湿度、700 hPa散度显著负相关, 与气温、24 h变温、10 m风速、850 hPa高度显著正相关.CO小时平均浓度与气温、10 m风速、700 hPa散度显著负相关, 与气压、24 h变温、24 h变压、相对湿度、850 hPa高度显著正相关.
表 2(Table 2)

表 2 四川盆地各污染物浓度与气象要素相关系数表 Table 2 Correlation coefficient between pollutant concentration and meteorological elements in Sichuan Basin

表 2 四川盆地各污染物浓度与气象要素相关系数表 Table 2 Correlation coefficient between pollutant concentration and meteorological elements in Sichuan Basin PM2.5 PM10 SO2 NO2 O3 CO 气温 -0.33** -0.308** -0.07** -0.269** 0.475** -0.016** 气压 0.349** 0.339** 0.093** 0.319** -0.49** 0.04** 24 h变温 0.113** 0.125** 0.124** 0.1** 0.137** 0.011** 24 h变压 -0.228** -0.213** -0.176** -0.171** -0.032** 0.024** 相对湿度 -0.071** -0.157** -0.17** -0.019** -0.585** 0.01** 10 m风速 -0.231** -0.223** -0.158** -0.304** 0.273** -0.017** 500 hPa高度 -0.01 -0.011 -0.006 -0.007 -0.003 -0.006 500 hPa 24 h变温 0.006 0.006 0.005 0.005 0.005 0.005 500 hPa垂直速度 -0.011 -0.01 -0.012 -0.012 -0.013 -0.012 500 hPa散度 0.018 0.019 0.017 0.018 0.018 0.017 700 hPa高度 0.015 0.015 0.017 0.017 0.018 0.017 700 hPa 24 h变温 0.018 0.018 0.017 0.018 0.017 0.017 700 hPa垂直速度 -0.008 -0.007 -0.008 -0.008 -0.008 -0.008 700 hPa散度 -0.041** -0.041** -0.041** -0.042** -0.043** -0.042** 850 hPa高度 0.036** 0.037** 0.034** 0.035** 0.03** 0.034** 850 hPa 24 h变温 0.013 0.014 0.012 0.012 0.012 0.011 850 hPa垂直速度 0.006 0.006 0.007 0.007 0.007 0.007 850 hPa散度 0.007 0.007 0.008 0.008 0.008 0.008 注：**表示在0.01水平(双侧)上显著相关.

8 结论(Conclusions)1) 空间分布特征上, CO的IAQI分布呈现“两高一低”的分布特征, 低值区在眉山、资阳、内江、泸州, 而高值区位于成都、乐山、宜宾、巴中、达州和重庆.NO₂的IAQI分布在成都、重庆、达州污染较重.O₃的IAQI分布呈现“西高东低”的特征, 高值区在盆地中西部.PM_2.5和PM₁₀的IAQI分布呈现“西南高东北低”的分布特征, 盆地北部为低值区, 成都平原到川南为高值区.SO₂的IAQI分布呈现“两高一低”的分布特征, 低值区主要分布于巴中、南充、绵阳、德阳, 广元、广安和盆地中南部为高值区.NO₂平均浓度呈现先增后减的变化趋势, O₃平均浓度呈现增加趋势, CO、PM_2.5、PM₁₀、SO₂的平均浓度均呈现减小的变化趋势.
2) 时间分布特征上, CO、NO₂、PM_2.5、PM₁₀、SO₂的月平均浓度呈现“夏低冬高”的特征, O₃呈现“夏高冬低”的特征.川南地区的SO₂月平均浓度明显高于其他地区, 特别是冬季.CO、NO₂、PM_2.5、PM₁₀日平均浓度变化均表现为“双峰双谷”型, O₃和SO₂则均表现为“单峰”型.
3) 影响因素方面, 四川盆地内, 偏东风有利于CO、NO₂、PM₁₀、PM_2.5稀释扩散, 偏北风有利于O₃、SO₂稀释扩散.风速、混合层高度、逆温层平均高度的增加均有利于除O₃以外的5种污染物稀释扩散.相对湿度在一定范围内增加时有利于6种污染物稀释扩散.逆温层厚度、逆温层强度的增加不利于除O₃以外的5种污染物稀释扩散, 但有利于O₃浓度的下降.6种污染物质量浓度均与气压、气温、24 h变温、24 h变压、相对湿度、10 m风速、700 hPa散度、850 hPa高度显著相关.

参考文献

陈志永, 陈小岳, 董慧斌, 等. 2019. 常州市大气细颗粒物对老年人死亡影响的时间序列研究[J]. 现代预防医学, 46(7): 1181-1185.

Che H Z, Xia X G, Zhu J, et al. 2014. Column aerosol optical properties and aerosol radiative forcing during a serious haze-fog month over North China Plain in 2013 based on ground-based sunphotometer measurements[J]. Atmospheric Chemistry Physics, 14(4): 2125-2138.

常美玉, 向卫国. 2019. 川西地区空气污染特征及气象影响因素分析[J]. 成都信息工程大学学报, (1): 92-99.

Gallero F J G, Vallejo M G, Umbria A, et al. 2016. Multivariate statistical analysis of meteorological and air pollution data in the 'Campo de Gibraltar' region, Spain[J]. Environmental Monitoring and Assessment, 119(1/3): 405-423.

胡亚旦, 周自江. 2009. 中国霾天气的气候特征分析[J]. 气象, 35(7): 73-78.

Huang R J, Zhang Y L, Bozzetti C, et al. 2014. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 514(7521): 218-222.

李宗凯, 潘云仙, 孙润桥. 1985. 空气污染气象学原理及应用[M]. , 201-203.

Liao T T, Ke G, 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.

芦静, 张晓梅, 冯晓冬. 2019. 包头市大气臭氧污染对人群循环系统疾病死亡的急性效应[J]. 环境与职业医学, 36(4): 381-387.

Ning G C, Wang S G, Ma M J, et al. 2017. Characteristics of air pollution in different zones of Sichuan Basin, China[J]. The Science of theTotal Environment, 612: 975-984.

秦耀辰, 谢志祥, 李阳. 2019. 大气污染对居民健康影响研究进展[J]. 环境科学, 40(3): 1512-1520.

盛扉轩, 毛节泰, 李建国, 等. 2013. 大气物理学[M]. , 167-168.

王文丁, 陈焕盛, 姚雪峰, 等. 2016. 中山市2013年污染天气形势和气象要素特征分析[J]. 中国环境监测, (1): 44-52.

吴兑. 2012. 近十年中国灰霾天气研究综述[J]. 环境科学学报, 32(2): 257-269.

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): 662-669.

谢冰, 张华. 2014. 关于大气臭氧问题的主要研究进展[J]. 科学技术与工程, 14(8): 106-114.

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.

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

You T, Wu Re G, Huang G. 2018. Differences in meteorological conditions between days with persistent and non-persistent pollution in Beijing, China[J]. Journal of meteorological research, 32(1): 81-98.

Zeng S L, Zhang Y. 2017. The effect of meteorological elements on continuing heavy air pollution:a case study in the Chengdu area during the 2014 spring festival[J]. Atmosphere, 8(4): 1-17.

Zeng S L, Zheng Y Y. 2019. Analysis of a severe pollution episode in December 2017 in Sichuan Province[J]. Atmosphere, 10(3). DOI:10.3390/atmos10030156

Zhang H, Xu T T, Wang Y X, et al. 2016. Study on the influence of meteorological conditions and the street side buildings on the pollutant dispersion in the street canyon[J]. Building Simulation, 9(6): 717-727.

Zhang Q, He K B, Huo H. 2012. Policy:cleaning China's air[J]. Nature, 484(7393): 161-162.

赵佶, 白爱娟. 2015. 四川盆地霾天气变化特征和典型霾过程分析[J]. 环境科学与技术, (A1): 71-76.

郑晶, 刘晓秋, 刘芳, 等. 2018. 哈尔滨市大气污染与居民循环系统疾病死亡风险的相关分析[J]. 环境与职业医学, 35(10): 885-891.

周景博, 王鑫, 杜婉君, 等. 2015. 北京市空气污染指数及其影响因素分析[J]. 中国环境监测, 31(2): 53-56.