删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

2019年西安末场雾霾PM2.5生消扩散特征

本站小编 Free考研考试/2021-12-31

李博1,2, 王楠3, 裴成章1, 尹珍珍1, 郑宇2, 张磊2, 闫庆1, 刘晶晶1, 狄慧鸽1, 华灯鑫1
1. 西安理工大学机械与精密仪器工程学院, 西安 710048;
2. 中国气象局大气化学重点开放实验室, 北京 100081;
3. 汾渭平原环境气象预报预警中心, 陕西省气象台, 西安 710014
收稿日期: 2021-03-17; 修回日期: 2021-04-30; 录用日期: 2021-04-30
基金项目: 国家自然科学基金国家重大科研仪器研制项目(No.41627807);中国气象局大气化学重点开放实验室开放课题(No.2020B03);国家自然科学基金(No.61875163)
作者简介: 李博(1979—), 男, 博士后, E-mail: doctrolee@xaut.edu.cn
通讯作者(责任作者): 李博

摘要:为了探寻西安雾霾气溶胶典型生消扩散特征, 对2019年最后一场雾霾(简称末场雾霾)开展了高分辨WRF-Chem(the Weather Research and Forecasting model coupled to Chemistry)模拟, 并结合环境监测站监测数据、以及特殊观测数据(西安理工大学气象站、粒谱仪、太阳光度计观测等), 对末场雾霾发生发展的气象条件与气溶胶条件进行了综合诊断, 研究结果如下: ①通过与观测数据对比表明, 模式较好地再现了雾霾生命史(发生于12月20—25日, 于23日上午发展为重度霾).②四川北部是此次雾霾的发源地, 在雾霾形成初期, 沿着低矮地势存在一条输送通道(青川县-康县-徽县-两当县-秦岭西部低矮地形与青藏高原东部山脉之间的豁口-宝鸡-西安).③特殊的地形使得西安易于滋养雾霾, 而较大尺度的秦岭山脉并不能完全阻挡西安雾霾的形成与扩散.④通过对比2019年首、末两场雾霾, 揭示了两场雾霾气溶胶的共性特征: 雾霾天气背景下, PM2.5的组份以有机碳为主(接近或突破40 μg·kg-1); 偏北风是西安雾霾消散的关键因子(底层持续6 m·s-1以上的平均风速, 即可以吹散雾霾), 雾霾消散时先从底层开始消散.
关键词:西安2019年末场雾霾PM2.5特征气象参量与气溶胶参量的结合研究
The characters of formation and diffusion of PM2.5 during the last fog-haze process in Xi'an in 2019
LI Bo1,2, WANG Nan3, PEI Chengzhang1, YIN Zhenzhen1, ZHENG Yu2, ZHANG Lei2, YAN Qing1, LIU Jingjing1, DI Huige1, HUA Dengxin1
1. School of Mechanical and Precision Instrument Engineering, Xi'an University of Technology, Xi'an 710048;
2. Key Laboratory of Atmospheric Chemistry, China Meteorological Administration, Beijing 100081;
3. Environmental Meteorology Forecast Center of Fen-wei Plain, the Meteorological Observatory of Shaanxi Province, Xi'an 710014
Received 17 March 2021; received in revised from 30 April 2021; accepted 30 April 2021
Abstract: In order to discover the typical characters of formation and diffusion of aerosols during the fog-haze days in Xi'an, a high resolution numerical simulation on a fog-haze episode occurred in Xi'an in late December 2019 (named as "the Last Fog-haze Process") was carried out by using the WRF-Chem model (the Weather Research and Forecasting model coupled to Chemistry). Based on the multi-source dataset including the model data, the Chinese environmental station observation data, and the special observation data (the weather station, the particle size spectrometer, the Sun photometer) collected from Xi'an University of Technology (XUT), both the meteorological parameters and aerosol parameters during the Last Fog-haze Process were fully diagnosed, and the results were as follows. ①With a heavy-haze phase on 23 December, the life cycle of fog-haze and PM2.5 (20 —25 December 2019) were successfully reproduced by WRF-Chem according to both qualitative and quantitative test. ②North Sichuan basin was the birthplace of aerosols during the Last Fog-haze, and a transport channel during the formation period was discovered (Qingchuan-Kang-Hui-Liangdang-Low terrain between West Qinling and East Tibetan Plateau-Baoji-Xi'an). ③The terrain surrounding Xi'an was favorable for the formation and development of fog-haze, and aerosols could transmit along the low terrains in Qin-ling Mountains. ④Compared with the First Fog-haze in 2019, the typical characters of aerosols during the fog-haze days in Xi'an were discovered: During the fog-haze days, the main component of PM2.5 was organic carbon with a maximum value larger than 40 μg·kg-1; North wind with a mean wind speed larger than 6 m·s-1 played an important role during the disappearance of fog-haze in Xi'an, and the fog-haze in low troposphere would first dissipate.
Keywords: Xi'anthe Last Fog-haze Process in 2019the key characters of PM2.5synthetical study between meteorological parameters and aerosol parameters
1 引言(Introduction)近年来, 我国诸多地区不断遭受雾霾灾害侵袭, 引起了国家与社会的广泛关注(中华人民共和国政府网, 2017). 为此, ****们开展了大量研究, 普遍认为雾霾研究主要涉及两方面科学内容:气溶胶的排放与气象条件的配合. 前者是某地空气中气溶胶的背景值(吴兑, 2011杨东旭等, 2012), 后者则支配气溶胶在大气中的输送扩散状态(赵德山等, 1983杨先逸等, 2020). 但****们同时也认为, 当前对气溶胶与气象条件这两方面的深度结合研究还不够深入(王静等, 2013吴兑等, 2014周旭等, 2017).
要逐步解决上述问题, 需要持续不断开展典型雾霾过程/个例的深入研究(李菲等, 2014冯沁等, 2018王潇等, 2018), 并细致分析气溶胶特征及其与各类气象要素四维时空演变的内在关联, 由此逐步积累对雾霾气溶胶特征与生消机理的科学认识.
在开展上段典型雾霾过程研究中, 关键在于尽可能多地获取各种数据. 通过对不同数据的深度分析, 可以充分挖掘这些数据所包含的有价值信息. 然而, 研究所需的气溶胶数据并不容易获取:一般环境监测站只能提供近地面空气质量数据(蔡旭辉等, 2018), 而难以监测垂直空间、特别是三维空间数据. 先进的环境模式就成为弥补这类“观测短板”的有效工具(刘煜等, 2005), 模拟数据的优势在于可提供较为完整的时空四维气象与环境数据. 由此可见, 应充分将模式模拟数据与各类观测数据进行比对, 并对多源数据开展综合分析与细致诊断. 这样可以发挥各类数据优势, 对雾霾气溶胶研究提供有效帮助.
2018年12月, 由中国气象局批复的汾渭平原环境气象预报预警中心在陕西省气象台挂牌成立, 标志着我国中西部地区雾霾及其环境污染已得到了国家层面的高度重视. 西安是汾渭平原的重要城市, 地处关中平原核心区域:东临白鹿原、南依秦岭、北临渭水, 辖区内受多条水系滋养、古称“八水绕长安”(赵宏斌等, 2009). 特殊的地形地貌决定了西安在冬季常发生雾霾污染天气, 但目前并不清晰雾霾形成消散的过程.
综上所述, 很有必要充分搜集各类数据、并深度开展西安地区的典型雾霾过程研究. 2019年, 西安发生了多次雾霾天气过程, 作者已对其中第一次雾霾过程(简称首场雾霾)开展了多源数据的综合诊断(李博等, 2020), 并揭示出首场雾霾的消散是受北方冷空气的影响、体现出自北向南依次消散的特征. 在这项前期工作中, 已详细阐述了将雾、霾混合在一起开展研究的必要性.本文将继续对2019年最后一次雾霾过程(末场雾霾)开展多源数据深度分析, 并对比首、末两场雾霾过程中气溶胶生消扩散的共性特征.
2 数据与方法(Data and methods)2.1 多源数据的搜集与处理为了更充分地研究雾霾气溶胶特征, 尽可能搜集了多源数据, 具体如下:①模式模拟数据:选用国际先进的环境模式WRF-Chem, 由此开展雾霾过程的高分辨模拟(选取的最优模拟方案请见第2.3节), 获取高分辨率环境模式模拟数据. ②环境站监测数据:搜集我国环境监测站地面空气质量数据(时间分辨率为1h). ③特殊观测数据:西安理工大学(Xi′an University of Technology, 简称XUT)购置了粒谱仪、气象站、光度计等多套观测设备, 可针对不同雾霾过程开展观测实验, 并由此获取特殊的观测数据(具体包括:德国Mini-WARS1371宽粒径谱仪探测PM2.5数据, 数据测量范围为10 nm~35 μm, 在此范围内可分为41个粒径通道, 其中超细颗粒物测量范围为10~200 nm, 并分为10个粒径通道, 探测结果符合EN481标准;时间分辨率1 min的气象站与能见度仪观测数据(含:温、压、风、湿、雨、能见度);太阳光度计观测AOD(Aerosol Optical Depth)数据).
2.2 界定末场雾霾对此次雾霾进行了全过程主-客观观测, 可由此界定雾霾的起始与结束时刻. 主观观测点选为西安理工大学金花校区(109.00°E, 34.25°N), 进行人工观测与鼻感舒适度记录. 客观观测方式为同点位的气象站与能见度仪观测数据, 该套设备运行稳定, 其观测数据已被陆续用来研究各类灾害天气(李博等, 2019李博等, 2020). 现结合主-客观观测、以及图 1(逐日能见度极值时间序列)对雾霾生消演变全过程描述如下:2019年12月19日全天, 空气质量良好, 最大能见度突破10 km, 可清晰看见南部的秦岭山脉, 表明当天并没有发生雾霾;20日, 相比昨日, 能见度已降至5 km以内, 但此时鼻感较为舒适, 表明能见度的降低主要源自空气中大雾的出现;21—22日, 能见度持续下降, 空气质量逐渐变差, 表明霾已逐渐出现、并持续增强;23日霾持续增强, 能见度低至1 km以内, 且鼻感明显不适, 表明23日是霾发展的鼎盛期, 西安进入重度霾污染, 12月24日, 能见度依然很差, 但空气中湿度明显增强, 表明霾减弱、雾增强;25日前半天, 能见度仍然低于1 km, 当日下午16:00开始, 能见度好转, 至夜间已突破10 km, 表明此次雾霾消散;此后, 直至2019年结束, 空气质量保持良好. 总体而言, 本次雾霾持续时间为2019年12月20—25日, 其中23—24日为重度霾阶段. 这次雾霾是2019年西安发生的最后一场雾霾, 为了便于跟首场雾霾进行比较, 将其简记为末场雾霾.
图 1(Fig. 1)
图 1 西安理工大学气象站观测逐日能见度极值(虚线为日极大值, 实线为日极小值)时间序列(km) Fig. 1The maximum-minimum of daily visibility detected from XUT

2.3 最优模拟方案的选取及嵌套区域的设计WRF-Chem模式由美国国家大气研究中心、美国国家海洋及大气管理局等单位联合研发. 图 2a给出了经过调试的、最终选定的模式区域(最优模拟方案), 在这套模拟方案下可取得较好的模拟效果(效果检验请见第3.1节):采用双重双向嵌套区域(分别记为D01, D02), 中心格点设为西安(为了与观测数据保持一致, 文中所述西安位置均指西安理工大学位置), 并由D01作为母区域对内网格区域D02进行反馈, 以保证更好的模拟效果. 双重区域均选取WSM5微物理方案及Grell-Devenyi积云参数化方案.模式采用的气象场初、边值条件由美国NCEP(the National Centers for Environmental Prediction)再分析资料提供. 水平空间分辨率(双重网格距)分别设置为20 km(D01)、6 km(D02), 对应的格点数分别为157×157、82×82, 中心网格点设置为西安理工大学经纬度(109.00°E, 34.25°N), 垂直空间分辨率设置为28层, 时间分辨率为1 h, 模拟时段涵盖整个雾霾过程, 即:2019年12月18日00:00—27日18:00时. 全文一律采用/转换为世界协调时.
图 2(Fig. 2)
图 2 双重模拟区域设置(a)及模式模拟的陕西周边地形(b) (黑色圆点为西安理工大学位置, 白色箭头为川、陕、甘交界处的低矮地势连线(沿箭头方向, 白色圆点依次为青川县、康县、徽县、两当县、宝鸡市)) Fig. 2The nest domains in simulation (a) and the simulated terrain around Shannxi (b)

图 2b给出了上述最优模拟方案所模拟的陕西周边地形概况, 可见其较好地反映了实况地形:浅白色区域为关中平原(Guanzhong Plain), 其中黑色圆点为西安所在位置, 西安南侧是秦岭山脉(Qinling Mountains)与大巴山脉(Daba Mountains), 西侧是青藏高原东部山脉(East Tibetan Plateau), 北侧是黄土高原(Loess Plateau), 东北侧是吕梁山脉(Lüliang Mountains), 关中平原居于这些山脉之间, 西安恰位于关中平原中部, 可谓地形复杂.
3 PM2.5生消扩散特征(The analysis on the formation and disappearance of PM2.5)3.1 模式模拟效果评估模拟效果直接关系到研究结论的可靠性, 因此必须对其进行较为系统的检验, 以确保模拟结果的可靠. 采用定性化检验与定量化检验结合的方法, 文章对D01与D02区域均进行了模拟效果评估, 可以表明模拟数据的质量较为可靠.篇幅所限, 此处仅阐述D01区域的模拟效果检验过程.
研究的难点在于, 复杂气象条件下, 探测信号会急剧衰减. 因此, 包括西安理工大学激光雷达在内的各类非常规观测数据均难以获取, 导致雾霾期间的气溶胶观测数据较为缺乏. 幸运的是, 恰搜集到了12月19日与26日(每日仅有4个时次)的太阳光度计数据, 这些宝贵的数据应被充分利用. 此处, 它们被用来评估起始时期、结束时期的模拟效果(模式模拟时段为18—27日). 表 1给出了对应时刻光度计观测与模式模拟的西安地区AOD. 由表 1可见, 无论是模拟开始时期、还是结束时期, 模拟值(模拟波长为550 nm)与观测值(选取光度计中与模拟波长最为接近的500 nm波段观测值)均较为接近:在搜集到的仅有的8个时刻中, 观测与模拟AOD的量级较为一致, 其中有7个时次的数据偏差均小于0.1;特别是在12月19日07:00, 两类数据十分接近, 相差仅0.0092.
表 1(Table 1)
表 1 太阳光度计观测与模式模拟的AOD(无量纲) Table 1 AOD collected from the Sun photometer detection and the model simulation
表 1 太阳光度计观测与模式模拟的AOD(无量纲) Table 1 AOD collected from the Sun photometer detection and the model simulation
统计值 12-19
T01:00
12-19
T02:00
12-19
T06:00
12-19
T07:00
12-26
T02:00
12-26
T06:00
12-26
T07:00
12-26
T08:00
观测值 0.3840 0.3702 0.5843 0.7170 0.2297 0.1727 0.1965 0.2108
模拟值 0.3515 0.3547 0.7632 0.7262 0.2004 0.0903 0.1128 0.1204
偏差 0.0325 0.0155 0.1789 0.0092 0.0293 0.0824 0.0837 0.0904


除过AOD模拟效果对比检验之外, 下面利用粒谱仪、环境监测站等观测数据, 检验模式对PM2.5的模拟效果.
图 3为模拟(黑色实心圆)与观测(浅色空心圆)的西安地区平均PM2.5时间序列(间隔1 h), 其中观测数据取西安地区环境监测站的平均值. 2019年12月20—21日(图 3a), PM2.5从100 μg·m-3缓慢上升, 表明雾霾开始形成, 这一时期模拟与观测的PM2.5曲线具有十分接近的增长趋势;在图 3b中, 雾霾进一步增强, 并于23日中午前后发展为重度霾, 观测的PM2.5极大值出现于23日03:00(即北京时间上午11:00), 模拟的PM2.5极大值出现于23日06:00(即北京时间下午02:00), 此时, 恰好搜集到一段宝贵的粒谱仪观测值(浅色实心方框), 结果显示PM2.5极大值也出现于23日中午前后(北京时间上午10:00), 虽然3类数据显示的重度霾出现时刻略有2~3 h的偏差, 但大致时间段是一致的(即23日中午前后), 随后, 3类数据又共同揭示出PM2.5出现下降的趋势, 表明了重度霾开始减弱. 结合主-客观观测分析, 此时雾气开始加重(因此能见度依然较差). 更细致地分析发现, 在重度霾减弱时期, 模式数据表现出幅度较大的波动性(但整体的减弱趋势仍较为明显, 与其它两类观测数据保持一致);在图 3c中, 3类数据的演变趋势共同揭示出, 24—25日06:00前后, 大雾持续维持, 尤以环境站观测、粒谱仪观测两类数据吻合更好, 而从25日08:00(北京时间16:00)左右开始, 模式数据与环境站监测数据共同体现出急剧降低的显著特征(此时粒谱仪数据缺测), 而这一时期恰与主-客观观测所得结论一致(北京时间25日16:00为雾霾消散时刻), 由此可以表明, 模式数据准确模拟出了此次雾霾的消散过程. 通过以上细致比对可见, 整体而言, 观测值与模拟值的时间演变趋势吻合较好, 此次模拟较好地再现了雾霾的生命史特征, 尤其在雾霾发展的各个典型阶段, 模式模拟效果均较为理想.
图 3(Fig. 3)
图 3 实际观测(空心圆)与D01模拟(实心圆)的西安地区平均PM2.5 (a. 2019年12月20日0:00—21日23:00, b. 12月22日0:00—23日23:00, c. 12月24日0:00—25日23:00)(浅色方框表示搜集到的西安理工大学粒谱仪观测PM2.5, 单位:μg·m-3) Fig. 3The mean PM2.5 in Xi′an between observation and simulation in D01 (a. 0:00UTC20—23:00UTC21 December, b. 0:00UTC22—23:00UTC23 December, c. 0:00UTC24—23:00UTC25 December 2019)

目前为止, 通过对主-客观观测的分析、并结合模式模拟与观测(环境站、粒谱仪)PM2.5分析, 可较清晰地刻画本次雾霾演变过程, 即:雾霾持续时间为2019年12月20—25日, 其中23日上午前后到达鼎盛时期、发展为重度霾, 24日为大雾维持时期, 25日08:00左右(北京时间下午16:00)雾霾开始消散.
上面是对模式模拟效果的定性化检验, 接下来开展定量化检验. 选取当前研究中(李锋等, 2015孟宁等, 2017)普遍采用的3类指标NMB(归一化平均偏差, Normalized Mean Bias)、R(相关系数)、IA(一致性指数, Index of Agreement)评估, 3类指标的公式与计算方法可详见之前的文献(李博等, 2020).
表 2为基于200个样本(随机选取)的雾霾全过程模拟与观测的区域平均PM2.5评估指标统计结果. 由表 2可见, 这些指标可以共同表明模式模拟结果的可靠性:各类模拟极值与观测值绝对误差均在15 μg·m-3左右, 其中平均值与最大值效果更好, 均控制在10 μg·m-3内;归一化平均偏差(NMB)为0.06, 表明模式较准确地再现了PM2.5整体特征;相关系数(R)与一致性指数(IA)均大于0.8, 表明模拟与观测数据具有较强的相关性与一致性.
表 2(Table 2)
表 2 西安区域平均PM2.5模拟值与实际监测值定量评估指标 Table 2 The quantitative evaluation indexes for the mean PM2.5 in Xi′an between simulation and observation
表 2 西安区域平均PM2.5模拟值与实际监测值定量评估指标 Table 2 The quantitative evaluation indexes for the mean PM2.5 in Xi′an between simulation and observation
样本数 数据源 PM2.5/(μg·m-3) NMB R IA
平均值 最大值 最小值
200 模拟值 204 311 41 0.06 0.85 0.87
监测值 199 303 55


3.2 末场雾霾生消扩散特征的综合诊断前文通过定性、定量分析验证了模拟数据的可靠性. 通过对这些可靠的模拟数据开展细致诊断表明, 末场雾霾源自于陕西西南部相邻省份陇南(甘肃)、绵阳(四川)、广元(四川)交汇区域. 自此而来的污染物不断输送至西安, 造成了末场雾霾的发生. 为了更清晰地描述上述过程, 现以3200 m高度处PM2.5以及风场的水平剖面为例进行阐述(图 4).由图 4a可见, 雾霾形成初期, 四川盆地北部(广元、绵阳)至陇南一带存在较大面积的PM2.5极大值中心(填色区), 受有利的气流条件影响(以白色长箭头表示的较强风速(黑色箭头)输送带), 从极值中心分离出来的PM2.5会向西安扩散. 细致对比我国实际地形图(图略)、模拟地形图(图 2b, 白色箭头)可发现, 雾霾形成初期的这种传输路径(由四川广元的青川县开始, 先后经甘肃的康县、徽县、两当县(图 2b, 白色圆点), 并向北穿越秦岭西部较低地势, 翻越秦岭以后随着风向引导, 经陕西宝鸡, 沿偏东路到达西安), 恰吻合于川、陕、甘三省边界的较低地势. 由此可见, 四川盆地北侧的雾霾, 可以在有利的风场条件下(图 4a, 白色长箭头), 顺着三省交界的低矮地势, 将污染物(填色区)跨过山脉、输送至西安. 在雾霾增强阶段, 风速逐步增强, 随着盛行的西南风(图 4b, 黑色箭头)将源地一带的污染物(填色区)持续向西安输送, 由此造成了2019年12月23日03:00重度霾的出现. 此后, 风速大值带北抬, 导致污染输送带(图 4c, 填色区)北抬, 西安污染减轻(位于污染带南部边缘), 但仍处于大雾时期. 12月25日前后, 随着强冷空气的侵袭, 发生了风转向(由西南风转为西北风), 强烈的偏北风将污染带不断南压(图 4d, 偏北风向东南方向挤压填色区), 致使西安雾霾消散. 此外, 在主-客观观测过程中发现25日西安有少量降雨(累计降雨量1.7 mm)出现, 表明在强冷空气侵袭中(地面瞬时风速突破10 m·s-1), 夹杂有间歇性降雨现象.
图 4(Fig. 4)
图 4 模式模拟的3200 m高度PM2.5(填色区, 单位:μg·m-3)与风场(单位:m·s-1), 雾霾形成期(a, 20日12:00)、重度霾时期(b, 23日03:00)、大雾时期(c, 24日11:00)、雾霾消散期(d, 25日12:00) (图中红色圆点为西安.图 4a白色箭头为雾霾形成期川、陕、甘交界的污染输送路径) Fig. 4The simulated PM2.5 (shaded) and wind at 3200 m during the formation period(a), the heavy-haze period(b), the heavy-fog period(c), and the disappearance period(d)

上文已结合图 2b图 4a分析了雾霾形成期PM2.5输送路径, 为了更细致探索雾霾形成特征, 深度分析了整层空间PM2.5的水平传输, 现给出具有代表性的两幅图(图 5a~5b).与3200 m PM2.5输送特征(图 4a)相比, 在更低层水平剖面图上(图 5a), PM2.5强度更强, 表明高度越低雾霾污染越严重, 从地形分布(黑色填色区)可见, 青藏高原东侧山脉(结合图 2b, East Tibetan Plateau)与秦岭(Qinling)西侧山脉之间有个缺口(低凹地势), 四川北部的污染源会在有利的风场(白色箭头)输送下, 先后经过四川的青川县、甘肃的康县、徽县和两当县(图 5a图 2b, 白色圆点)以后, 穿过此缺口, 经过陕西省宝鸡市(白色圆点), 顺风方向、继续向东, 直至西安.在较高层的水平剖面图上(图 5b), 也可以体现出这种雾霾翻越秦岭的输送通道, 高层的PM2.5强度减弱(相对于低层, 色标最大值由110减为40).
图 5(Fig. 5)
图 5 雾霾形成初期的输送路径 (a.模式模拟雾霾形成期(20日12:00)2600 m高度的PM2.5(白色圆点为雾霾输送路径中的城市, 黑色为地形高度)、b.3940 m高度的PM2.5(填色区, 单位:μg·m-3)与风场(箭头, 单位:m·s-1))(图中红色圆点为西安) Fig. 5The simulated PM2.5 (shaded, united: μg·m-3) and wind (arrows, united: m·s-1) at 2600 m (a) and at 3940 m (b) during the formation period (1200 UTC 20 December 2019) of the Last Fog-haze Process)

为了从空间上更立体地了解末场雾霾扩散传输特征, 结合气溶胶与气象要素分析了各类剖面结构, 此处给出典型时期(强盛期、消散期)的斜向剖面(图 6).在图 4b中, 虚线AB是从雾霾源地到西安(B点)的路径, 沿此斜线做剖面(图 6a)可以了解雾霾如何输送至西安.在图 4d中, 虚线AB是从偏北风上游至西安(B点)的路径, 沿此斜线做剖面(图 6b)可以了解雾霾消散特征.由图 6a可见, 从源地(A点)开始, 盛行的偏西南风(结合图 4b)携带着污染物, 连续翻越(图 6a, 上升气流)大巴(Daba)山脉、秦岭(Qinling)山脉, 将污染物输送至秦岭北麓的西安(B点), 在输送过程中, 大气中低层为污染大值区.由图 6b可见, 西安雾霾消散之时, 整层空间均出现了异常强烈(大于20 m·s-1)的西北风, 且冷空气水平范围宽广(结合图 4d), 盛行冷空气在东移南下过程中, 将污染带向东南方向挤压.值得注意的是, 在雾霾消散过程中, 从斜剖图上可见, 雾霾首先在底层消散、而2 km以上的雾霾仍有残留(图 6b, 填色区), 这与我们对首场雾霾(李博等, 2020)的研究结论相一致.综合西安周边复杂的地形(图 2b)分析, 雾霾在翻越山脉地形(秦岭、大巴、包括青藏高原东部山脉, 图 6数据缺测范围即为地形所在)以后, 会沉降至山后侧的平原地区(即西安), 如果气象条件不利于污染扩散时(图略), 西安将发生雾霾, 而强烈的西北风出现时(图 6b), 雾霾则会向下游扩散.细致分析地面气象站观测数据可见, 末场雾霾消散时期(图 6c, 箭头表示雾霾消散时刻), 地面风速突破6 m·s-1, 瞬间风速突破10 m·s-1.
图 6(Fig. 6)
图 6 模式模拟的雾霾强盛期(a)、消散期(b)沿污染带(填色区, 以PM2.5为例, 单位:μg·m-3)传输与扩散路径的斜向剖面, 以及雾霾消散期西安理工大学气象站观测的1 min间隔地面风速(c) (沿图 4b斜线AB的重度霾时期的三维风剖面(a, 垂直风放大100倍);沿图 4d斜线AB的雾霾消散时期水平风剖面(b).风速单位:m·s-1. B点为西安理工大学位置, 字母为斜剖面地形(Daba为大巴山脉, Qinling为秦岭山脉, East Tibetan Plateau为青藏高原东部山脉), 图c中箭头为雾霾消散时刻(25日08:00)) Fig. 6The PM2.5(shaded) and wind(arrows) along the transmission path during the heavy-haze period(a), The PM2.5(shaded) and horizontal wind(arrows) along the diffusion path during the disappearance period(b) and the observed surface wind with one-minute interval from the weather station in XUT(c)

3.3 重度霾时期典型PM2.5特征通过分析更细网格(D02)的模拟数据表明, 随着雾霾不断发展, 各污染物廓线极值不断增强, 并于重度霾时期达到最强.图 7给出了雾霾从生成到消亡4个典型阶段的污染特征廓线:雾霾初生阶段, 无论消光廓线(图 7a细实线)还是PM2.5廓线(图 7b细实线)均维持在较小阈值;随着雾霾不断发展, 污染特征廓线逐步增强, 到重度霾阶段达到极限值(粗实线), 此时, 近地面消光接近3、PM2.5突破500/污染指数爆表, 消光廓线还揭示出, 重度霾时期在2~3 km高度可能存在双污染层, 本课题组之前对首场雾霾的研究(李博等, 2020)也有类似特征, 这种结果是否可靠, 可以由更高分辨率的激光雷达探测消光廓线进行证实;各个阶段的污染特征廓线共同揭示出, 末场雾霾在低层(2 km以下)较为严重, 随着高度增高污染廓线总体趋势减小, 并于5 km左右完全消失, 由此可以表明雾霾污染主要存在于低层.
图 7(Fig. 7)
图 7 模式内网格模拟(D02)的雾霾典型阶段西安地区消光廓线与PM2.5廓线 (形成期(20日12:00, 细实线)、重度霾期(23日03:00, 粗实线)、大雾期(24日11:00, 虚线)、消散期(25日09:00, 点线)) Fig. 7The simulated extinction coefficient and PM2.5 in D02 during the formation period(real line), the heavy-haze period(thick real line), the heavy-fog period(dashed line), and the disappearance period(dot line)

PM2.5是对人类危害极大的污染颗粒, 因此很有必要着重分析此次雾霾污染过程中的PM2.5组份结构.不少研究(Jeong et al., 2004Saikawa et al., 2009)已表明, 碳气溶胶是PM2.5的主要组份.图 8展示了雾霾不同生命阶段碳气溶胶组份廓线特征, 其中BC1为疏水性黑炭、BC2为亲水性黑炭、OC1为疏水性有机碳、OC2为亲水性有机碳.整体而言, 末场雾霾污染中, 有机碳比重(图 8c~8d)要大于黑炭(图 8a~8b), 前者最大值可达45 μg·kg-1, 后者最大值小于15 μg·kg-1.此外, 各类碳气溶胶廓线体现出的共性特征为:阈值均在重度霾期发展到最强;廓线大值区均位于低层, 且随高度增加阈值减小, 并于5 km左右减为0.结合图 7~8可以发现雾霾消散阶段(点线)的共性特征:各污染廓线首先从低层开始减小, 中高层雾霾消散相对慢些(体现出上大下小的共同特征), 这与图 6b中观察结果也是一致的, 而且与我们之前对首场雾霾的研究相一致(李博等, 2020).
图 8(Fig. 8)
图 8 模式内网格模拟(D02)的BC1(a)、BC2(b)、OC1(c)及OC2(d) (形成期(20日12:00, 细实线)、重度霾期(23日03:00, 粗实线)、大雾期(24日11:00, 虚线)、消散期(25日09:00, 点线)) Fig. 8The simulated BC1(a), BC2(b), OC1(c) and OC2(d) in D02 during the formation period(real line), the heavy-haze period(thick real line), the heavy-fog period(dashed line), and the disappearance period(dot line)

4 讨论(Disscussions)在研究雾霾气溶胶过程中, 难点在于获取宝贵的观测数据.文章重点关注了对人类危害最大的PM2.5.因为其它气溶胶参数缺乏观测数据, 包括西安理工大学米散射激光雷达(闫庆等, 2013)观测消光廓线效果也不理想.这也客观反映了气溶胶观测数据获取的不易.后面如果可以获取较为理想的消光廓线等, 对于研究雾霾气溶胶特征将是有益的补充.
关于地形在西安雾霾形成扩散过程中的作用, 文章做了初步探讨(图 2, 图 4, 图 5, 图 6). 而在我们之前对首场雾霾消散过程的研究中发现(李博等, 2020), 污染会沿西安——山阳路径扩散, 沿此路径, 污染物从秦岭北麓山口、顺着秦岭山脉中的低矮地形(山谷)向南扩散.由此可推测, 较大尺度的秦岭山脉并不能完全阻挡西安雾霾的形成与扩散, 污染物可以沿着其中的中小尺度山谷(低矮地形)进行传输.对于这一点的验证, 后面将通过开展地形敏感性实验, 细致分析秦岭大地形对西安雾霾的具体影响过程.
5 结论(Conclusions)1) 由主客观观测及多源数据综合诊断表明, 末场雾霾发生于12月20—25日之间, 一开始为大雾, 并于23日上午发展为重度霾.通过对AOD、PM2.5的定性、定量检测表明, 模式较好地再现了此次雾霾的整体生命特征(如上段描述), 特别是成功模拟了PM2.5的时空演变特征.
2) 在雾霾形成初期, 污染物在有利的风场条件下得以输送, 沿着川、陕、甘交界处的低矮地形(青川县-康县-徽县-两当县-秦岭西部低矮地形与青藏高原东部山脉之间的豁口-宝鸡-西安)进入西安.在重度霾期及大雾时期, 均有来自四川盆地北侧(川、陕、甘交界处的广元-绵阳-陇南一带)的污染源, 自陕西西南部将污染物源源不断输送至西安.西安位于关中盆地, 周围多高山, 污染物到达西安以后, 如果缺乏雾霾扩散的有利气象条件, 则极易滋生雾霾.
3) 通过对比2019年首、末两场雾霾, 表明了西安雾霾的消散多受北方强冷空气的影响.通过对末场雾霾的分析表明, 受西北冷空气向前推进的影响, 污染带被挤压、并向东南方向移动, 西安雾霾由此消散.而在我们之前对首场雾霾(李博等, 2020)的分析中同样发现, 偏北风导致污染物沿着铜川-西安-山阳路径自北向南传输.可见, 偏北风是西安雾霾得以消散的关键因子, 从两场雾霾的共性特征分析, 底层持续6 m·s-1以上的平均风速, 即可以吹散雾霾.而在两场雾霾的分析中, 均清晰揭示了雾霾首先在底层消散的事实.
4) 通过对2019年首、末两场雾霾的研究共同表明, 西安雾霾天气背景下, 碳气溶胶是PM2.5的主要组份, 其中:有机碳(OC)比重远大于黑炭(BC), 重度霾阶段, 有机碳含量可接近或突破40 μg·kg-1, 而黑炭含量低于15 μg·kg-1.

参考文献
蔡旭晖, 邹青青, 郭梦婷, 等. 2018. 大气环境监测结果空间代表性的一个分析实例[J]. 环境科学学报, 38(6): 2279-2286.
冯沁, 鲍艳松, 闵锦忠, 等. 2018. 卫星气溶胶光学厚度资料同化对灰霾预报改进个例研究[J]. 气象学报, 76(1): 104-117.
http://www.gov.cn/xinwen/2017-03/09/content_5175770.htm. 中华人民共和国中央人民政府网. 新闻: 院士代表建议攻克雾霾形成机理, 李克强总理回复: 谁攻克、重奖谁. 2017
Jeong C, Hopke P, Kim E, et al. 2004. The comparison between thermal-optical transmittance elemental carbon and Aethalometer black carbon measured at multiple monitoring sites[J]. Atmospheric Environment, 38(31): 5193-5204. DOI:10.1016/j.atmosenv.2004.02.065
李博, 陈婷, 王楠, 等. 2019. 2017年与2014年西安极端高温天气及其环流特征对比分析[J]. 干旱区研究, 36(3): 645-656.
李博, 裴成章, 王楠, 等. 2020. 2019年西安首场雾霾PM2.5关键特征的综合诊断[J]. 环境科学学报, 40(11): 4048-4059.
李菲, 黄晓莹, 张芷言, 等. 2014. 2012年广州典型灰霾过程个例分析[J]. 中国环境科学, 34(8): 1912-1919.
李锋, 朱彬, 安俊岭, 等. 2015. 2013年12月初长江三角洲及周边地区重霾污染的数值模拟[J]. 中国环境科学, 35(7): 1965-1974. DOI:10.3969/j.issn.1000-6923.2015.07.008
刘煜, 李维亮, 周秀骥. 2005. 夏季华北地区二次气溶胶的模拟研究[J]. 中国科学: 地球科学, 35(S1): 156-166.
孟宁, 贝耐芳, 李国辉, 等. 2017. 关中地区冬季人为源减排对PM2.5浓度的影响[J]. 中国环境科学, 37(5): 1646-1656. DOI:10.3969/j.issn.1000-6923.2017.05.006
Saikawa E, Naik V, Horowitz L, et al. 2009. Present and potential future contributions of sulfate, black and organic carbon aerosols from China to global air quality, premature mortality and radiative forcing[J]. Atmospheric Environment, 43(17): 2814-2822. DOI:10.1016/j.atmosenv.2009.02.017
王静, 牛生杰, 许丹, 等. 2013. 南京一次典型雾霾天气气溶胶光学特性[J]. 中国环境科学, 33(2): 201-208. DOI:10.3969/j.issn.1000-6923.2013.02.002
王潇, 曹念文, 黄婧婷, 等. 2018. 西安市一次霾过程中气溶胶垂直分布特征及气象要素影响[J]. 环境科学研究, 31(9): 1519-1526.
吴兑. 2011. 灰霾天气的形成与演化[J]. 环境科学与技术, 34(3): 157-161. DOI:10.3969/j.issn.1003-6504.2011.03.036
吴兑, 廖碧婷, 陈慧忠, 等. 2014. 珠江三角洲地区的灰霾天气研究进展[J]. 气候与环境研究, 19(2): 248-264.
闫庆, 华灯鑫, 李仕春, 等. 2013. 微脉冲米散射激光雷达系统的产品化研发及实验观测研究[J]. 量子电子学报, 30(1): 123-128. DOI:10.3969/j.issn.1007-5461.2013.01.022
杨东旭, 刘毅, 夏俊荣, 等. 2012. 华北及其周边地区秋季气溶胶光学性质的星载和地基遥感观测[J]. 气候与环境研究, 17(4): 422-432.
杨先逸, 车慧正, 陈权亮, 等. 2020. 天空辐射计观测反演北京城区气溶胶光学特性[J]. 应用气象学报, 31(3): 119-130.
赵德山, 洪钟祥. 1983. 北京地区气溶胶及其化学元素浓度和气象条件的关系[J]. 大气科学, 7(2): 153-161. DOI:10.3878/j.issn.1006-9895.1983.02.05
赵红斌, 宇文娜. 2009. "八水绕长安"的景观生态演变及规划利用研究[J]. 西安建筑科技大学学报, (2): 120-126.
周旭, 张镭, 陈丽晶, 等. 2017. 沙尘暴过程中沙尘气溶胶对气象场的影响[J]. 高原气象, 36(5): 272-282.




相关话题/数据 观测 污染 过程 西安理工大学