王传达, 周颖, 程水源, 王晓琦
北京工业大学环境与能源工程学院, 区域大气复合污染防治北京市重点实验室, 北京 100124
收稿日期: 2019-10-18; 修回日期: 2020-01-10; 录用日期: 2020-01-10
基金项目: 国家重点研发计划课题（No.2018YFC0213206）；北京市科技计划课题（No.Z181100005418017）
作者简介: 王传达(1994-), 男, E-mail:wcd666@mails.bjut.edu.cn
通讯作者（责任作者）: 程水源, E-mail:chengsy@bjut.edu.cn

摘要：基于北京、石家庄2017、2018年的1月和7月PM_2.5样品采集，研究两地采暖期、非采暖期及典型重污染过程的PM_2.5、SNA污染特征及二次转化特征.应用TrajStat模型，结合浓度权重轨迹分析法（CWT），分析两地PM_2.5气流输送路径以及潜在源区.利用WRF-CAMx模式定量分析两地重污染月份（2017年1月）PM_2.5、硫酸盐及硝酸盐的区域传输贡献.结果表明，2017年1月北京和石家庄均存在重污染过程，两年1月石家庄市PM_2.5浓度均高于北京；SNA占PM_2.5所有组分的34.11%~51.68%，对PM_2.5浓度有重要贡献，其中北京NO₃^-浓度最高，石家庄SO₄^2-浓度最高，SO₄^2-/NO₃^-夏季高于冬季；北京SOR高于石家庄，石家庄NOR高于北京，重污染期间两城市硫酸盐、硝酸盐、铵盐质量浓度、SOR与NOR明显升高；两地冬季气流主要受俄罗斯、蒙古、内蒙戈壁等地区的西北方向远距离输送影响，另外北京两年冬季均存在西南传输通道，石家庄重污染期间受冀南和鲁西北重工业城市群潜在贡献较高，两市夏季受东南季风影响，污染轨迹多来自渤海湾和山东等地区；2017年1月，北京、石家庄PM_2.5受周边区域传输贡献分别为33.80%、22.54%，其中河北南部分别贡献14.86%，17.21%，二次离子中NO₃^-的传输作用比SO₄^2-更加突出.从PM_2.5本地源来看，北京主要来源为移动源和扬尘源，分别占比43.30%、20.10%，石家庄为工业、燃煤和扬尘，分别占比26.40%、24.82%、22.50%.
关键词：PM_2.5SNA二次转化率后向轨迹区域传输
Characteristics of PM_2.5 and SNA composition and typical heavy pollution analysis in Beijing and Shijiazhuang from 2017 to 2018
WANG Chuanda, ZHOU Ying, CHENG Shuiyuan, WANG Xiaoqi
Key Laboratory of Beijing on Regional Air Pollution Control, College of Environmental and Engineering, Beijing University, Beijing 100124
Received 18 October 2019; received in revised from 10 January 2020; accepted 10 January 2020
Abstract: A sampling campaign of PM_2.5 was conducted during January and July of 2017 and 2018 in Beijing and Shijiazhuang. The characteristics of PM_2.5, SNA and secondary conversion degree during heating, non-heating and typical heavy pollution periods were investigated. The transport pathway and potential sources of two cities were discussed based on CWT by applying the TrajStat model. A WRF-CAMx modeling system was utilized to recognize the regional transport contribution to PM_2.5, SO₄^2- and NO₃^- during January of 2017 in two cities. Results indicated that heavy pollution occurred during January of 2017 in both cities. The concentration of PM_2.5 in Shijiazhuang was larger than Beijing in January of 2017 and 2018. SNA were major components of PM_2.5, accounting for 34.11%~51.68% in two cities. Among that, NO₃^- was larger than SO₄^2- and NH₄⁺ in Beijing, while SO₄^2- was largest in Shijiazhuang. SO₄^2-/ NO₃^- was much larger in summer than winter in both cities. SOR and NOR of Beijing were higher and lower than that of Shijiazhuang in respective. The concentration of SNA, SOR and NOR increased obviously during heavy pollution periods in two cities. They were both affected by the airflow transported from Russia, Mongolia, Inner Mongolia Gobi located in the northwest directions in winter. Beijing was also affected by southwest transport pathways which had significant potential contributions to air pollution in both years. As for Shijiazhuang, the cities located in south of Hebei and northwest of Shandong were the potential contributors. However, the backward trajectories were mainly from Bohai Bay and Shandong in summer, which was affected by southeast monsoon. The WRF-CAMx modeling results showed that, regional transport contributed 33.80% and 22.54% to total PM_2.5 in Beijing and Shijiazhuang during January of 2017 in respective. And the contributions of southern Hebei were 14.86% and 17.21%. NO₃^- was affected more obviously by regional transport than SO₄^2-. Local sources analysis indicated that mobile and dust were dominant contributors to Beijing's PM_2.5, accounting for 43.30% and 20.10%. As for Shijiazhuang, the industry, coal combustion and dust were major sources, accounting for 26.40%, 24.82% and 22.50%.
Keywords: PM_2.5SNAsecondary conversion ratebackward trajectoryregional transport
1 引言(Introduction)随着我国城市化进程加快, 能源消费量攀升, 大气污染问题得到社会各界的重视, 其中京津冀、成渝、关中地区、中原地区等成为我国PM_2.5污染较严重的地区(张玉梅, 2015). PM_2.5已成为我国多个地区大气环境质量的首要污染物, 呈现出区域性、复合型污染特征(薛文博等, 2014). PM_2.5可通过吸入到肺部和散射或吸收太阳辐射可以对人体健康(Hou et al., 2015)、大气能见度(Fu et al., 2016)造成严重的负面影响.
当前国内外****关于PM_2.5污染特征的研究主要包含以下几方面:大气环境PM_2.5化学组分(Guo et al., 2017)及时空分布特征(Liu et al., 2015)、PM_2.5粒径分布特征(Yang et al., 2015)、典型重污染时段PM_2.5污染特征(Zhang et al., 2013)、PM_2.5浓度与气象条件的相关性分析(李令军等, 2016)以及区域间相互传输影响(崔继宪等, 2018)等. Zhao等(2013)于2009—2010年在北京、天津和石家庄采集了PM_2.5样品, 并分析元素、离子和碳质组分特征, 结果显示石家庄地区PM_2.5和化学组分年均浓度最高, 由于光化学反应较强, 夏季NO₃^-、SO₄^2-和NH₄⁺浓度较高. Huang等(2014)对北京四季水溶性离子污染特征进行了研究, 结果显示二次离子(SNA=NO₃^-+SO₄^2-+NH₄⁺)在无机水溶性离子中占比最大, 可占到82.8%, 且静稳天气下浓度会进一步升高. Li等(2013)计算了京津冀地区四季不同城市的二次离子转化程度, 结果表明夏、秋两季转化率明显高于冬、春两季. 贾佳等(2018)对2014—2016年北京、石家庄、唐山的PM_2.5及其SNA组分和来源贡献进行了研究, 表明3个城市PM_2.5质量浓度整体呈逐年下降的趋势, 重污染期间SO₄^2-、NO₃^-和NH₄⁺质量浓度明显增加, 重污染的形成是本地源排放和外来区域传输共同作用的结果.
自《大气污染防治行动计划》发布以来, 2013—2017年京津冀及周边地区加大了PM_2.5污染的治理力度, 空气质量得以有效改善.与此同时, 随着前体物SO₂与NO_x排放量的显著降低, PM_2.5中SNA组分浓度特征也发生了明显的变化, 因此本研究针对2017—2018年京津冀地区不同城市的PM_2.5及其SNA组分特征和区域性联系展开分析.本文选取京津冀地区不同经济发展阶段、产业结构不同的北京、石家庄两地, 采集2017年1、7月与2018年1、7月PM_2.5样品, 针对采暖季、非采暖季及典型重污染过程的PM_2.5及SNA组分特征进行分析, 基于TrajStat模型与WRF-CAMx模式开展PM_2.5轨迹、区域传输贡献和排放来源的分析, 旨在研究PM_2.5与SNA组分特征及季节变化规律, 解析PM_2.5区域输送特征和排放来源, 以期为北京与石家庄的“一市一策”以及区域联合防治提供科学依据.
2 样品分析(Samples analysis)2.1 样品采集本研究分别选取北京市北京师范大学科技楼楼顶(39.962°N, 116.366°E)、石家庄市环境监测中心楼顶(38.025°N, 114.536°E)(图 1), 采集PM_2.5样品.两处采样点位于商业交通居民混合区, 可较好反映两市城区的空气质量状况与颗粒物污染特征.采样时段为2017-01-01—2017-01-23、2017-07-01—2017-07-28、2018-01-02—2018-01-24、2018-07-01—2018-07-30, 分别代表两年采暖季与非采暖季, 每个样品采样时间为连续23 h (10:00—次日09:00), 记录累计体积、温度、相对湿度、气压等气象要素.采样前对所有采样仪器都进行流量校正和采样头密封性检查.采样仪器选用武汉天虹多通道颗粒物采样器(URG-3000ABC), 配有PM_2.5组合式多功能切割器, 采样流量设为16.67 L·min^-1.采样滤膜选用Whatman特氟龙滤膜(英国, 直径47 mm), 用于水溶性离子的测试分析.滤膜在使用前后均需在恒温恒湿箱(温度:(20±2) ℃, 湿度:40%±5%)平衡48 h, 在超净室用电子天平(型号: MSA6.6S-000-DF赛多利斯微量天平Cubis, 精度: 0.001 mg)进行称量.根据采样前后滤膜质量之差、标况体积等计算得到颗粒物的质量浓度.称重完毕后, 将大气颗粒物样品放入聚四氟乙烯盒装好密封, 置于4 ℃冰箱内保存直至测试分析.
图 1(Fig. 1)

图 1 北京和石家庄采样点相对分布 Fig. 1Relative distribution of sampling points in Beijing and Shijiazhuang

2.2 样品测试水溶性离子分析.剪取1/4的特氟龙采样滤膜, 称重后放入容积20 mL的试管中, 加入10 mL高纯水, 密封后置于超声波清洗器振荡60 min, 用聚丙烯无菌注射器经0.45 μg一次性针头微孔滤膜注入离子色谱系统(贾佳等, 2018).同时采用3张空白膜做相同的处理, 采用离子色谱仪(型号: Thermo Fisher Scientific ICS-1100型)分析Na⁺、K⁺、Ca²⁺、Mg²⁺、NH₄⁺、F^-、Cl^-、NO₂^-、NO₃^-、SO₄^2-共10种离子的质量浓度.另取空白膜和标准样品进行测试, 保证数据分析质量(温维等, 2014).
3 模型设置(Model configuration)3.1 数据收集后向轨迹使用美国NOAA大气资源实验室开发的全球资料同化系统(GDAS)数据(ftp://arlftp.arlhq.noaa.gov/pub/archives/gdas1/). WRF模拟所需背景场数据来源于美国国家环境预报中心(NCEP)提供的1°×1°, 6 h分辨率的FNL全球分析资料, 所需地形资料、土地利用数据采用美国USGS的全球地形和土地利用数据.
北京、石家庄两地的温度、湿度、风向、风速等常规气象数据来自于MICAPS数据, 两处采样点处于楼顶高度在30~50 m左右, 故选取MICAPS高度为55 m的气象数据, 用于重污染气象条件分析和模拟结果验证.北京、石家庄的国控站点SO₂、NO₂、PM_2.5质量浓度数据来自中国空气质量在线监测分析平台(https://www.aqistudy.cn/historydata), 用于硫氧化率与氮氧化率分析及测试分析结果与CAMx模拟结果的验证.
3.2 后向轨迹模型本研究采用TrajStat模型, 选择浓度权重轨迹分析方法(CWT), 模拟2017—2018年冬夏两季代表月48 h气团后向轨迹进行分析, 每6 h模拟一次, 选取北京与石家庄的采样点经纬度作为标记坐标, 选取100 m高度气团开展研究, 可充分反映对本地近地面的远距离PM_2.5输送, 将各条轨迹对应的PM_2.5小时均值数据添加至轨迹上, 得到影响两地标记点PM_2.5的气团输送路径.对于CWT的设置, 本研究取75 μg·m^-3作为判断污染轨迹的标准, 将研究区域105°~125°E、30°~45°N进行网格化处理, 每个网格的格距设为0.25°×0.25°, 并假设污染物沿着气团轨迹传输, 在其过程中无化学转化和大气清除作用. CWT计算方法见式(1) (杜艳伟等, 2016).

(1)

式中, CWT_ij是网格(i, j)上的平均权重浓度; j是经过网格i的轨迹之一; m是轨迹数目; C_ij是轨迹j经过网格i时的PM_2.5质量浓度; n_ij是轨迹j在网格i停留的时间.
n_ij较小时不确定性很大, 因此引入权重函数W_ij来尽可能降低不确定性, 以减少误差.权重函数如式(2)所示(孙晓伟等, 2018).

(2)

式中, W_ij表示权重因子, n_ij表示经过(i, j)网格的所有轨迹.

(3)

式中, WCWT_ij值越大, 说明网格(i, j)所在区域对标记坐标点的浓度贡献越大.
3.3 WRF-CAMx数值模拟本研究采用WRF-CAMx双层网格嵌套, 针对典型重污染月份PM_2.5与SNA组分跨区域传输贡献情况进行了模拟分析, 其中外层网格分辨率为36 km×36 km, 覆盖范围包括华北地区、东北地区、华东北部等; 内层网格分辨率为12 km×12 km, 覆盖整个京津冀地区、山东、山西、河南等区域.气象模型采用WRFv3.5, 空气质量模型采用CAMx6.3.本文将内层网格划分为8个排放区域, 分别为北京、天津、石家庄、河北西北(张家口)、河北南(保定、廊坊、沧州、衡水、邢台、邯郸)、河北东(唐山、秦皇岛)、河北东北(承德), 其他区域, 并选取与采样点相对应的坐标作为受体点, PSAT用于定量研究模拟区域内污染物传输规律.京津冀地区使用的本课题组近10年工作自下而上建立并逐年更新的京津冀高分辨率大气污染源排放清单(Zhou et al., 2015; Zhou et al., 2017), 污染物主要包括SO₂、NO_x、PM₁₀、PM_2.5、NH₃、CO和VOCs等, 京津冀以外使用的清华大学建立的高分辨率MEIC清单(http://www.meicmodel.org), 通过GIS网格化分配, 建立适用于输入空气质量模式的模型清单.
图 2(Fig. 2)

图 2 CAMx模型双重嵌套区域示意 Fig. 2Modeling domains in the CAMx model during the study period

本研究以风速和温度为例选取MICAPS北京(111.15°E, 40.68°N)和石家庄(114.56°E, 38.15°N)两个气象站点进行WRF模拟结果验证, 同时利用实验所得组分结果进行基于WRF-CAMx模拟得到的PM_2.5、SO₄^2-与NO₃^-模拟结果验证.研究采用相关系数(COR)、平均标准偏差(NMB)、平均绝对误差(NME)对模拟效果进行可靠性评价(宗亚楠等, 2018).从表 1可以看出, 相关性为0.65~0.84, NMB值为-0.39~0.44, NME为0.20~0.55, 由于排放清单的不确定性、模型内部对重污染颗粒物的二次转化机制不完善, PM_2.5及组分模拟存在一定程度低估, 但与同类研究相比(Heather et al., 2012), 模拟结果总体误差在可接受范围内, 保证了污染特征与区域传输分析的可靠性.
表 1(Table 1)

表 1 模拟结果与观测结果的对比 Table 1 Comparisons between simulation and observation

表 1 模拟结果与观测结果的对比 Table 1 Comparisons between simulation and observation 城市 统计指标 风速 温度 PM2.5 SO42- NO3- 北京 COR 0.66 0.69 0.84 0.79 0.75 NMB 0.44 -0.27 -0.18 -0.32 -0.27 NME 0.55 0.45 0.31 0.46 0.49 石家庄 COR 0.65 0.75 0.80 0.78 0.71 NMB 0.38 0.36 -0.02 -0.33 -0.39 NME 0.49 0.46 0.20 0.40 0.54

4 结果与讨论(Results and discussion)4.1 PM_2.5与SNA污染特征图 3为基于监测得到的北京市、石家庄市采样点研究时段内PM_2.5质量浓度, 与发布PM_2.5数据相比, 相关性为0.88, 因采样位置不同浓度有所差异. 2017年1月、7月和2018年1月、7月北京市PM_2.5月均质量浓度分别为(111.81±86.92)、(44.52±18.35)；(50.30±28.62)、(73.74±24.77) μg·m^-3, 石家庄市分别为(200.71±80.07)、(72.20±20.28)；(108.92±45.37)、(63.23±19.60) μg·m^-3.与环境空气质量标准(GB3095-2012)的二级标准限值(75 μg·m^-3)对比, 两年夏季两市均达到标准, 2017年1月的北京和石家庄与2018年1月的石家庄存在不同程度的超标.其中2017年1月, 北京市出现一次持续性7 d(1—7日)的重污染事件, 石家庄月均浓度达到了重度污染水平.两地均存在锯齿形污染过程, 且同时期浓度升降趋势有一定相似.两年采暖冬季石家庄浓度整体高于北京. 2018年1月由于北京市及周边共同的长期减排, 也有短期应急的作用, 加上有利的气象条件, 成为2013年以来唯一秋冬季无重污染日的月份(北京市生态环境局, 2018).
图 3(Fig. 3)

图 3 采样期间PM2.5质量浓度 Fig. 3PM2.5 Mass Concentration During Sampling

无机水溶性离子中NO₃^-、SO₄^2-、NH₄⁺是大气细颗粒物的重要组分, 研究表明二次离子组分(SNA)占大气细颗粒物总质量浓度的30%~50%(丁萌萌等, 2017).总体来看, 两地SO₄^2-、NO₃^-、NH₄⁺的浓度占比在不同季节有一定变化, SNA质量浓度时空分布有所不同. 图 4为北京市、石家庄市观测时段内SNA组分浓度与PM_2.5占比情况. SNA占PM_2.5所有组分的34.11%~51.68%, 对PM_2.5质量浓度有重要贡献.
图 4(Fig. 4)

图 4 SNA各组分质量浓度 Fig. 4Component Concentration of SNA

采样期间2017年1月、7月和2018年1月、7月北京市SO₄^2-平均质量浓度分别为(19.35±9.48)、(5.96±2.64);(6.03±2.52)、(5.71±2.07) μg·m^-3, 石家庄市SO₄^2-平均质量浓度分别为(35.27±14.16)、(10.29±3.54);(20.86±4.45)、(7.09±2.81) μg·m^-3.北京市NO₃^-平均质量浓度分别为(24.64±11.97)、(6.40±2.24);(7.68±4.49)、(6.97±4.20) μg·m^-3, 石家庄市NO₃^-平均质量浓度分别为(33.12±13.29)、(9.47±2.94);(19.95±8.45)、(5.72±2.77) μg·m^-3. NH₄⁺在PM_2.5组分中的占比相对较低, 而2017年1月重污染月份北京和石家庄的NH₄⁺浓度分别为12.57、31.24 μg·m^-3, 对比其他月份明显升高.与2013年北京SNA组分(王占山, 2016) (SO₄^2-冬季36.54 μg·m^-3、夏季21.23 μg·m^-3, NO₃^-冬季12.81 μg·m^-3、夏季11.37 μg·m^-3)相比, 除2017年1月存在重污染过程外NO₃^-浓度较高, 2017年7月、2018年1月和7月同季节对比SO₄^2-和NO₃^-浓度均有明显下降.北京2017年1月、7月和2018年1月、7月的NO₃^-/SO₄^2-值分别为1.27、1.07；1.27、1.22, 与北京市环保局(2014)公布的2012—2013年NO₃^-/SO₄^2-=1.05相比, 呈现一定幅度的上升, 硝酸盐在二次无机组分的占比上升. 2013—2017年主要在于固定燃烧源和散煤燃烧的管控, 主要在于硫污染管控, 而针对机动车的管控力度相对较小, 且各个城市机动车保有量是逐年增加.
采样期间北京的组分浓度特征呈现为NO₃^->SO₄^2->NH₄⁺, 而石家庄呈现为SO₄^2->NO₃^->NH₄⁺, 且同期石家庄SO₄^2-高于北京. SO₄^2-的气态前体物为SO₂, 大气中的SO₂主要来自工业化石燃料燃烧与居民燃煤, NO₃^-的气态前体物为氮氧化物NO_x, 主要为NO和NO₂, 城市大气来源主要包括机动车尾气排放和工业生产排放等(王佳, 2015). NH₃作为NH₄⁺的前体物, 多来源于农牧排放.北京市当前排放源以机动车为主, 石家庄市工业较为密集, 能源结构以煤炭为主, 处于不同发展阶段的两地, 其排放源的差异性使得组分特征也有所不同.从季节上看, 两地的冬季SO₄^2-与NO₃^-均高于夏季.冬季温度低, 光照强度弱, 光化学反应速率较慢, 不利于二次转化, 但由于采暖期间燃煤消耗量较大, 各类前体物(SO₂、NO_x等)的排放对比于夏季明显增加.而SO₄^2-/NO₃^-夏季高于冬季, 夏季强烈的辐射光加上高温高湿条件有利于气态前体物的二次转化, 且夏季大气中的O₃等氧化剂的浓度增加明显, SO₂向SO₄^2-的转化率高于其他转化, 且SO₄^2-较NO₃^-更加稳定.
4.2 硫氧化率与氮氧化率前体物的浓度在一定程度上影响着二次离子浓度.气态前体物SO₂、NO₂向SO₄^2-、NO₃^-的二次转化过程可以用硫氧化率(sulfur oxidation ratios, SOR)和氮氧化率(nitrogen oxidation ratios, NOR)来衡量(王晓琦等, 2016).图 5为北京和石家庄的SOR与NOR结果, 计算公式见式(4)和式(5)(魏巍等, 2019).
图 5(Fig. 5)

图 5 北京、石家庄SOR、NOR月均图 Fig. 5SOR and NOR monthly averages of Beijing and Shijiazhuang

(4)

(5)

式中, SO₄^2-、NO₃^-分别指SO₄^2-、NO₃^-的物质的量浓度(mol·m^-3), SOR、NOR分别指硫氧化率、氮氧化率.
两市冬季SO₄^2-质量浓度整体高于夏季, 而夏季SOR高于冬季. SO₂向SO₄^2-的转化主要通过SO₂与HO·自由基的气相氧化以及SO₂与氧化剂在水汽和气溶胶液滴表面的均相与非均相氧化反应.由于夏季的湿度较高, 大气光化学氧化性强, 为SO₂在水汽和气溶胶液滴中的非均相反应提供了有利的反应条件(刘景云等, 2016).北京市的SOR整体高于石家庄市, 北京臭氧污染更为严重(程麟钧等, 2017), O₃作为大气氧化性的重要指标, 较高的大气氧化性很大程度上影响SO₂的氧化转化.NOR对比于SOR季节变化幅度较小. 2017年1月两地NOR均高于2018年1月, 重污染期间二次转化程度更高.如图 6所示, 2017年1月1—6日重污染持续期间, 两地PM_2.5浓度保持在150 μg·m^-3以上且存在升降过程, 而NOR持续高于0.2且存在缓慢上升的趋势, 在后期污染消除过程(7—9日)NOR随PM_2.5浓度下降; 石家庄2017年1月18日短期PM_2.5污染过程中, PM_2.5由16日的108 μg·m^-3加重至18日的344 μg·m^-3随后19日减轻至133 μg·m^-3, 同时NOR由16日的0.23上升至18日的0.39随后19日降低至0.02, 该短期污染过程NOR与PM_2.5存在同升同降的趋势. NO₂光氧化活性很大程度上取决于光照强度, 夏季光照强, NO₂光氧化活性强, 2018年夏季NOR高于非重污染的冬季.石家庄NOR高于北京, 气相氧化是冬夏季NO₂氧化的重要途径, 受O₃和NH₃的影响较大(韩力慧等, 2018), 有研究表明大气中NH₃较少时, H₂SO₄优先与NH₃结合生成NH₄HSO₄, 随着NH₃的增多, NH₃HSO₄转化为(NH₄)₂SO₄, NH₃充足时, 过量的NH₃进而与HNO₃反应生成NH₄NO₃, 石家庄及周边农牧氨排放高于北京, 图 3除2017年7月两市NH₄⁺浓度大致持平外, 2017年1月、2018年1月和7月均表现为石家庄大于北京也可证明这一点.
图 6(Fig. 6)

图 6 2017年1月北京、石家庄NOR与PM2.5 Fig. 6NOR and PM2.5 in Beijing and Shijiazhuang in January 2017

4.3 气团后向轨迹结果图 7和图 8分别为北京、石家庄基于后向轨迹模拟的浓度权重轨迹分析结果, 模型结果显示的气流轨迹与风向频率大致吻合.从CWT结果可以看出, 两城市的气团轨迹聚类都具有明显的季节差异.
图 7(Fig. 7)

图 7 北京市PM2.5浓度权重分析 Fig. 7Analysis of the Concentration Weight of PM2.5 in Beijing

图 8(Fig. 8)

图 8 石家庄市PM2.5浓度权重分析 Fig. 8Analysis of the Concentration Weight of PM2.5 in Shijiazhuang

冬季北京市、石家庄市WCWT值在50~250 μg·m^-3的网格区域最多, 根据其分布来看, 气流后向轨迹路径主要分布在蒙古部分南部部分地区、内蒙古中部、山西北部、河北省西部地区等, 该区域身居内陆, 多为干旱的沙漠地区, 易携带悬浮颗粒物输送, 多以自然污染源为主.受西北季风的影响, 这些戈壁荒漠地区对两城市PM_2.5远距离传输影响较高, 由河北进入北京、由山西省进入石家庄.而在夏季WCWT高值集中在东南方向的网格区域, 受季风影响, 气流轨迹由山东省或渤海湾流入京津冀地区.
两年冬季均存在一条西南传输通道对北京市PM_2.5潜在贡献较高, 通道为山西南部-河北南部-北京, 途径保定、衡水等城市, 在传输作用下对北京地区的PM_2.5浓度影响较大.石家庄市两年冬季潜在贡献区域集中在周边地区, 河北南部与山东西北部的重工业城市群人口众多, 工业生产、燃煤和机动车的污染物大量对石家庄PM_2.5浓度具有显著贡献.
4.4 区域传输对PM_2.5与SNA的影响由于2017年1月期间, 北京和石家庄的PM_2.5质量浓度、SNA组分、SOR与NOR明显高于常规时段, 本研究针对该重污染月份, 利用WRF-CAMx-PSAT模式定量分析重污染期间北京、石家庄的PM_2.5及其SNA组分的区域传输特征.石家庄整月和北京的1—7日PM_2.5浓度较高, 故对其开展逐日的区域贡献浓度分析.
各排放源区对受体城市PM_2.5及SNA传输贡献率如表 3所示, 北京、石家庄PM_2.5外来贡献分别占总浓度的33.80%、22.54%, 其中河北南部分别贡献14.86%, 17.21%.两地SO₄^2-受周边地区的传输贡献分别为37.13%、24.40%, 两地NO₃^-受周边贡献分别为70.90%和58.00%, 硝酸盐受区域传输的影响作用更加突出, 硝酸盐区域传输贡献情况与薛文博等(2014)跨市域输送分析和Lang等(2013)不同污染组分下SNA各组分贡献情况结果相似.可能是由于NO₃^-的生成过程和转化过程更为复杂, 会在传输途径中, 随着环境温度、湿度的变化在气态-气溶胶态之间发生转化(Wang et al., 2019a; Wang et al., 2019b).
表 3(Table 3)

表 3 各排放源区对受体城市PM2.5传输贡献率 Table 3 Contribution rate of PM2.5 Transport to recipient cities in Each Source Area

表 3 各排放源区对受体城市PM2.5传输贡献率 Table 3 Contribution rate of PM2.5 Transport to recipient cities in Each Source Area 受体城市 物种 北京 天津 石家庄 河北西北 河北南 河北东 河北东北 其他区域 北京 PM2.5 66.20% 7.02% 1.24% 2.46% 14.86% 5.40% 5.40% 1.91% SO42- 62.87% 8.77% 1.16% 2.23% 14.16% 7.70% 1.72% 2.01% NO3- 29.10% 14.12% 3.90% 5.05% 25.93% 11.37% 1.85% 8.68% 石家庄 PM2.5 1.16%% 1.16% 77.46% 0.36% 17.21% 0.80% 0.80% 1.70% SO42- 1.97% 2.36% 75.60% 0.28% 16.78% 1.56% 0.30% 1.15% NO3- 6.15% 7.31% 42.00% 2.18% 31.38% 4.31% 0.66% 6.01%

石家庄2017年1月区域传输贡献与PM_2.5浓度变化如图 9a所示, 该重污染月份以本地贡献为主导, 河北南部地区传输贡献升高的多次情况下, PM_2.5浓度就会上升, 河北南部周边地区传输下降时, 则PM_2.5浓度下降, 本地贡献占比相应地上升.石家庄地处冀南地区重工业城市群, 为有效应对采暖季PM_2.5重污染, 还需加大本地排放的减排力度, 做好周边地区的污染物协同控制工作.
图 9(Fig. 9)

图 9 2017年1月石家庄PM2.5区域传输贡献(a)及重污染期间北京PM2.5区域传输贡献(b) Fig. 9Contribution of PM2.5 regional transport in Shijiazhuang City in January 2017(a) and in Beijing during heavy pollution(b)

北京重污染时段(1—7日), 受周边贡献PM_2.5占比达到了35.09%, 其中河北南和河北东贡献了21.18%, 对比非污染时段周边29.30%的PM_2.5贡献占比, 本次重污染过程中周边地区传输贡献有一定幅度升高.重污染期间各排放源区对北京PM_2.5的贡献情况如图 9b所示, 整个重污染过程以北京本地贡献为主, 在重污染初期(1—3日), 河北南部地区输入北京贡献占比为22.17%~27.72%, 可推断PM_2.5由西南传输通道向北京输送, 4—5日由天津和河北东部地区的传输总贡献升高至25.82%~29.35%, 从6日起各源区贡献逐步减小, PM_2.5浓度逐日降低, 至8日此次重污染过程结束.本次污染主要受不利气象条件影响, 以本地污染物贡献为主, 同时与周边区域输送叠加所致.针对北京市的区域应急联动, 更应重视河北南部地区的应急响应减排工作.
从PM_2.5本地排放来源来看(图 10), 北京市的主要污染源为移动源和扬尘源, 占比分别为43.30%、20.10%, 其中道路扬尘和施工扬尘占比较高.石家庄的主要污染源为工业、燃煤和扬尘, 分别占比26.40%、24.82%、22.50%.针对两地的不同解析结果, 北京移动源占比最大, 应强化本地机动车和扬尘方面的管控, 石家庄燃煤占比仍然较重, 应推进能源结构调整, 加强工业企业、扬尘污染的综合整治.
图 10(Fig. 10)

图 10 2017年1月两地PM2.5各排放源占比 Fig. 10Proportion of PM2.5 Emission Sources in January 2017

5 结论(Conclusions)1) 北京2017年1月和石家庄2017年1月和2018年1月月均浓度均超过国家二级标准(75 μg·m^-3), 两年1月石家庄浓度均高于北京.北京NO₃^-浓度最高, 石家庄SO₄^2-浓度最高, 两地冬季SO₄^2-与NO₃^-高于夏季, SO₄^2-/NO₃^-夏季高于冬季.对比常规时段, 重污染期间SO₄^2-、NO₃^-、NH₄⁺浓度明显增加.
2) 夏季的二次转化能力高于冬季, 冬季重污染时段SOR、NOR明显上升, 由于大气氧化性和排放源的差异性, 北京SOR高于石家庄, 而石家庄NOR高于北京.
3) 两地冬季受西北气流轨迹影响显著, 且两年冬季北京均存在一条PM_2.5西南传输通道, 途径河北南部, 石家庄PM_2.5潜在贡献区域集中在周边地区, 南部地区的大气治理对于两市冬季空气质量改善尤为重要.夏季两市PM_2.5潜在贡献区域多分布在京津冀地区东南方向的渤海湾和山东等地区.
4) 2017年1月北京、石家庄PM_2.5的区域传输贡献分别为33.80%、22.54%, 其中河北南部占比较高, 在重污染时段周边PM_2.5贡献有所升高, 硝酸盐受区域传输影响更加明显.北京该重污染过程以本地污染物贡献为主, 同时与周边区域输送叠加所致.由于两市排放源的差异性, 北京应强化移动源和扬尘源的管控, 石家庄应优化产业结构, 削减燃煤, 加强工业和扬尘的综合整治.

参考文献

北京市环境保护局. 2014.北京市PM2.5来源解析正式发布[EB/OL]. http://sthjj.beijing.gov.cn/bjhrb/xxgk/jgzn/jgsz/jjgjgszjzz/xcjyc/xwfb/607219/index.html

北京市环境保护局. 2018. 2018年1月北京市环境空气质量状况[EB/OL]. http://sthjj.beijing.gov.cn/bjhrb/xxgk/ywdt/hjzlzk/dqhjzl/829061/index.html

程麟钧, 王帅, 宫正宇, 等. 2017. 京津冀区域臭氧污染趋势及时空分布特征[J]. 中国环境监测, 33(1): 14-21.

崔继宪, 郎建垒, 陈添, 等. 2018. 2016年北京市空气质量特征及PM2.5传输规律[J]. 北京工业大学学报, 44(12): 1547-1556.

丁萌萌, 周健楠, 刘保献, 等. 2017. 2015年北京城区大气PM2.5中NH4+、NO3-、SO42-及前体气体的污染特征[J]. 环境科学, 38(4): 1307-1316.

杜艳伟, 程建光, 王静, 等. 2016. 青岛市PM2.5输送来源研究[J]. 环境科学与技术, 39(5): 140-144.

Guo H, Wang Y, Zhang H, et al. 2017. Characterization of criteria air pollutants in Beijing during 2014-2015[J]. Environmental Research, 154: 334-344.

韩力慧, 向欣, 张海亮, 等. 2018. 北京市开发区PM1污染特征及影响霾形成的因素[J]. 中国环境科学, 38(8): 2846-2856.

Simon H, Baker K R, Phillips S. 2012. Compilation and interpretation of photochemical model performance statistics published between 2006 and 2012[J]. Atmospheric Environment, 61: 124-139.

Hou X, Strickland M J, Liao K J. 2015. ontributions of regional air pollutant emissions to ozone and fine particulate matter-related mortalities in eastern U.S. urban areas[J]. Environmental Research, 137: 475-484. DOI:10.1016/j.envres.2014.10.038

Huang X, Liu Z, Zhang J, et al. 2015. Seasonal variation and secondary formation of size-segregated aerosol water-soluble inorganic ions during pollution episodes in Beijing[J]. Atmospheric Research, 168: 70-79.

贾佳, 韩力慧, 程水源, 等. 2018. 京津冀区域PM2.5及二次无机组分污染特征研究[J]. 中国环境科学, 38(3): 801-811.

Lang J L, Cheng S Y, Li J B, et al. 2013. A monitoring and modeling study to investigate regional transport and characteristics of PM2.5 pollution[J]. Aerosol and Air Quality Research, 13: 943-956. DOI:10.4209/aaqr.2012.09.0242

李令军, 王占山, 张大伟, 等. 2016. 2013-2014年北京大气重污染特征研究[J]. 中国环境科学, (1): 27-35.

Li X, Wang L, Ji D, et al. 2013. Characterization of the size segregated water-soluble inorganic ions in the Jing-Jin-Ji urban agglomeration:Spatial/temporal variability, size distribution and sources[J]. Atmospheric Environment, 77(7): 250-259.

刘景云, 刘子锐, 温天雪, 等. 2016. 石家庄秋季一次典型霾污染过程水溶性离子粒径分布特征[J]. 环境科学, 37(9): 3258-3267.

Liu Z, Hu B, Ji D, et al. 2015. Diurnal and seasonal variation of the PM2.5 apparent particle density in Beijing, China[J]. Atmospheric Environment, 120: 328-338.

孙晓伟. 2018.长江中游城市群大气污染特征及其典型城市优化控制研究[D].北京: 北京工业大学

王佳. 2015.郑州市PM2.5污染特性及其源解析研究[D].郑州: 郑州大学

王晓琦, 周颖, 程水源, 等. 2016. 典型城市冬季PM2.5水溶性离子污染特征与传输规律研究[J]. 中国环境科学, 36(8): 2289-2296.

魏巍, 孙萌, 代玮. 2019. 青岛市重污染天气期间PM2.5中水溶性离子特征分析[J]. 黑龙江科学, 10(10): 26-27.

温维, 韩力慧, 代进, 等. 2014. 唐山夏季PM2.5污染特征及来源解析[J]. 北京工业大学学报, 40(5): 751-758.

Fu X X, Wang X M, Hu Q H, et al. 2016. Changes in visibility with PM2.5 composition and relative humidity at a background site in the Pearl River Delta region[J]. Journal of Environmental Sciences, 40(2): 10-19.

Wang X Q, Wei W, Cheng S Y, et al. 2019a. Characteristics of PM2.5 and SNA components and meteorological factors impact on air pollution through 2013-2017 in Beijing, China[J]. Atmospheric Pollution Research, 10(6): 1976-1984.

Wang X Q, Wei W, Cheng S Y, et al. 2019b. Source estimation of SO42- and NO3- based on monitoring-modeling approach during winter and summer seasons in Beijing and Tangshan, China[J]. Atmospheric Environment, 214(116849).

薛文博, 付飞, 王金南, 等. 2014. 中国PM2.5跨区域传输特征数值模拟研究[J]. 中国环境科学, 34(6): 1361-1368.

Yang Y J, Zhou R, Wu J J, et al. 2015. Seasonal variations and size distributions of water-soluble ions in atmospheric aerosols in Beijing, 2012[J]. Journal of Environmental Sciences, 34(8): 197-205.

Zhang F, Xu L, Chen J, et al. 2013. Chemical characteristics of PM2.5 during haze episodes in the urban of Fuzhou, China[J]. Particuology, 11(3): 264-272.

张玉梅. 2015.北京市大气颗粒物污染防治技术和对策研究[D].北京: 北京化工大学

Zhao P S, Dong F, He D, et al. 2013. Characteristics of concentrations and chemical compositions for PM2.5 in the region of Beijing, Tianjin, and Hebei, China[J]. Atmospheric Chemistry & Physics, 13(9): 4631-4644.

Zhou Y, Cheng S Y, Lang J L, et al. 2015. A comprehensive ammonia emission inventory with high-resolution and its evaluation in the Beijing-Tianjin-Hebei (BTH) region, China[J]. Atmospheric Environment, 106: 305-317.

宗亚楠, 李王锋, 毛磊, 等. 2018. 基于CAMx模型的福州市PM2.5来源解析[J]. 环境科学与技术, 41(S1): 251-256.