下载文档原格式
天气学_国防科技大学中国大学mooc课后章节答案期末考试题库2023年1.下列哪些是准静止锋天气的特点（）。
答案:云雨区宽_降水强度小，时间长，因为少动，容易带来持续阴雨天气_暖空气沿锋面的爬升缓慢，垂直上升速度小_云系排列与暖锋相似2.组织化是超级单体发展过程中的一个重要特征，体现为上升气流和下沉气流的分离，下列关于组织化过程对超级单体发展影响的描述正确的是（）。
答案:延长了对流单体的生命史过程_可以增强中层干冷空气的入流_可加强风暴中的下沉气流和低层冷空气的外流，抬升冷池前方暖湿空气_组织化的气流对水（雨）滴的分离作用，可以增强对流的活力3.下列属于中尺度的天气系统包括（）。
答案:台风_龙卷_飑线4.下击暴流发生时在地面上空形成强的低空风切变，其对飞行安全的影响主要体现为（）。
答案:飞机在强顺风中飞行，飞机获得的升力会大幅下降从而使飞机迅速下坠5.超级单体的强对流天气（冰雹等）主要位于（）区域。
答案:风暴后部下沉区6.对于第二型冷锋，下述说法正确的是（）。
答案:地面锋线一般位于空中槽线附近或槽后，移速较快，是下滑锋_在地表摩擦作用下，低层可形成一个“冷鼻”_只要地面锋线一过后就不会再有降水和云系7.下列哪些是锢囚锋天气的特点（）。
答案:暖式锢囚锋因锢囚点位于地面锋前，因此降水主要发生在地面锢囚锋前_暖式锢囚锋云系多为高层云、雨层云和层积云等_暖式锢囚锋云系沿锢囚点两边大致对称分布_它的云系是由两条锋面的云系合并而成，所以天气最恶劣的地区及降水区多位于锢囚锋附近8.温度为一级不连续时，下列哪些是锋区存在的条件（）。
答案:水平风切变不连续_沿锋的风分量的垂直切变不连续9.按地理分类，气团可以分为（）。
答案:赤道气团_冰洋气团_热带气团_极地气团10.锋区上方有一个西风急流，它的形成原因是（）。
答案:热成风叠加11.垂直穿过冷锋时，随高度的增加风向呈（）。
答案:逆时针旋转12.水平面上，水平锋区内等温线分布较冷暖气团中（），等温线走向与锋线近似（）。
空气污染溯源空气污染溯源2012-01-18 16:04:20来源: 瞭望东方周刊有643人参与手机看新闻北京PM2.5污染的三分之一来自本地排放，三分之一来自区域输送，三分之一来源于污染气体的转化。
王跃思，中国科学院大气物理研究所研究员，中国生态系统研究网络大气分中心主任、大气边界层物理和大气化学国家重点实验室副主任。
与这些陌生的词汇相比，他领衔的一些科学研究项目如“北京及周边区域空气质量保障联网监测与预警”显得更加通俗一些。
在他看来，北京PM2.5污染的三分之一来自本地排放，三分之一来自区域输送，三分之一来源于污染气体的转化。
因此，“北京若想彻底解决PM2.5污染，在加强自身污染源治理的同时，要联合周边省市协同调控，最后要注意天气过程导致PM2.5对区域灰霾形成的临界影响条件。
”比如2011年岁末北京惊人的雾霾污染事件，就与不利于污染物扩散的天气过程密切相关。
对于北京周边各省市共同减排，中国工程院院士郝吉明在接受《望东方周刊》采访时也强调：“不仅京津冀地区需要联防联动，我认为中国整个东部地区都要实现联防联控。
”NGO组织公共环境研究中心主任马军（微博）则认为，在保证市民正常生活的前提下，目前北京地区机动车减排空间较小而且实施困难，“如果联防联控，环京区域取得良好的大气治理效果，那么还能够给北京机动车排放让渡一定的环境容量。
”颗粒物的变化北京奥运会过后，王跃思的一个重要工作就是中科院重大项目“京津塘区域环境污染调控技术与示范”。
这一课题在2011年12月底刚刚验收，研究成果全面反映了北京及周边区域的环境污染情况。
通过分布于北京、天津、河北和山东各地的10个观测点，监测到京津冀区域内污染物干湿沉降总量日益增加趋势。
干沉降指大气污染物在没有降水的条件下向地表的输送过程，包括颗粒物干沉降和污染气体干沉降；湿沉降则指通过雨、雪、雾等形式降落到地面的过程。
作为项目首席技术专家，王跃思告诉《望东方周刊》，目前京津塘地区平均每公顷地表每年接受到的降尘量大约是 1.2吨，相当于每平方米每月有10克降尘。
地形、冷池出流和暖湿空气相互作用造成北京一次局地强降水的观测分析章翠红;夏茹娣;王咏青【期刊名称】《大气科学学报》【年(卷),期】2018(041)002【摘要】利用地面和探空常规探测资料、多普勒天气雷达以及风廓线雷达资料,对2015年8月7日发生于北京的一次伴随有闪电和冰雹的突发性局地强降水过程的成因进行了分析.结果表明:这次过程发生在强层结不稳定环境中,对流层中层低槽配合低层切变线,促进河北西北部对流发展,并向东南方向移动,形成北京西北部短时强降水;北京中部地区强降水的直接制造者则是新生的局地性雷暴单体,由雷暴冷池出流和暖湿空气在边界层交绥和辐合所触发.北京西北部地形促使冷池出流下山速度加快、冷池出流高度抬高,以及偏东暖湿气流的辐合抬升作用,则是局地雷暴新生的重要影响因子.%The causes of a sudden local heavy rainfall with lightning and hail occurred in Beijing on 7 August,2015 are investigated by composite analyses of surface and conventional sounding data,Doppler weather radar data and wind profile radar data.The following results are given:The heavy rain occurred in a strong unstable stratification.The middle level trough,lower-troposphere shear line and surface wind convergence facilitated the development of convection in northwest of Hebei,which then moved southeast and caused heavy rain in the northwest of Beijing.The direct producer of heavy rainfall over central Beijing was thunderstorms locally triggered by convergence between the cold pooloutflow of pre-existing thunderstorms and the warm,moist southeast airflow in the boundary layer.The terrain in the northwest of Beijing accelerated downhill cold pool outflow and lifted the thunderstorm cold pool outflow.Then,the cold westerly outflow overlapped above the warm and moist easterly flow near surface that increased the convective instability of atmosphere and contributed to the initiation of thunderstorms at the east side of the mountain.【总页数】13页(P207-219)【作者】章翠红;夏茹娣;王咏青【作者单位】南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心,江苏南京210044;武汉中心气象台,湖北武汉430074;中国气象科学研究院灾害天气国家重点实验室,北京100081;南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心,江苏南京210044【正文语种】中文【相关文献】1.偏东风冷空气与地形相互作用背景下北京局地强降水成因分析 [J], 雷蕾;孙继松;王华;丁青兰;吴庆梅2.复杂地形下北京一次局地雷暴新生和增强机制初探 [J], 黄荣;王迎春;张文龙3.泰山地形对一次局地强降水过程动力作用的数值模拟分析 [J], 阎丽凤;车军辉;周雪松;孟宪贵4.特殊地形对鄂东北一次局地强降水过程的作用机制分析 [J], 李超;崔春光;蒋兴文;王晓芳;赖安伟;汪小康5.北京地区一次局地强降水过程的数值分析 [J], 郑祚芳;张秀丽因版权原因，仅展示原文概要，查看原文内容请购买。
北京城市森林不同天气状况下PM2.5浓度变化陈波;鲁绍伟;李少宁【期刊名称】《生态学报》【年(卷),期】2016(036)005【摘要】基于北京市环境保护监测中心植物园空旷地和市区非植被区的PM2.5实时监测数据,结合植物园林内PM2.5监测站数据,分析了2013年3月-2014年2月不同天气状况下的PM2.5质量浓度变化.结果表明:①降雨天气和大风天气下PM2.5质量浓度变化无滞后性,雨前和雨中变动较大,雨后变化较小,雨后1天PM2.5质量浓度降低到最低值((14.88±7.34)μg/m3,下降了(89.36±4.78)％),雪后第2天达到最低值((13.76±6.73) μg/m3,下降了(88.53±5.59)％);②大风天气下PM2.5质量浓度波动较小,在东北风和西南风影响下PM25质量浓度值较高(80.61 μg/m3),在东南风影响下PM25浓度值较低(54.22μg/m3);③高温高湿天气下PM2.5质量浓度市区非植被区滞后1-2h到达峰值,植物园林内监测站和植物园空旷地高峰无滞后性,植物园林内监测站变动剧烈、消减作用强,市区非植被区和植物园空旷地较为平缓;④不同天气下PM2.5质量浓度均表现为市区非植被区＞植物园林内＞植物园空旷地;⑤城市森林具有强大的净化大气污染物和吸滞PM2.5等颗粒物的功能,森林环境的空气质量优于非植被区,森林空旷地的空气质量优于森林内部.【总页数】9页(P1391-1399)【作者】陈波;鲁绍伟;李少宁【作者单位】北京市农林科学院林业果树研究所,北京100093;北京市农林科学院林业果树研究所,北京100093;北京市农林科学院林业果树研究所,北京100093【正文语种】中文【相关文献】1.典型天气条件下哈尔滨城市森林不同林型对PM2.5的调控作用研究 [J], 汪永英;孙琪;李昭;韩冬荟;孟琳;郭敏;段文标2.北京城市森林PM2.5质量浓度特征及影响因素分析 [J], 蒋燕;陈波;鲁绍伟;李少宁3.北京西山典型城市森林内PM2.5动态变化规律 [J], 王成;郭二果;郄光发4.污染过程和不同天气下PM2.5质量浓度变化特征 [J], 曹云生;赵艳玲5.北京城市森林空气负离子与PM2.5颗粒物交互效应研究 [J], 陶雪莹;张伟宁;鲁绍伟;李少宁;赵娜;徐晓天因版权原因，仅展示原文概要，查看原文内容请购买。
《北京城区低层大气PM10和PM2.5垂直结构及其动力特征》篇一摘要：本文旨在探究北京城区低层大气的PM10和PM2.5的垂直分布结构，以及相关的动力特征。
通过多时段的大气污染数据收集，我们系统地分析了两种主要颗粒物浓度的垂直分布规律及其与气象要素之间的相互关系。
研究发现，PM10和PM2.5的浓度与城市大气污染程度、气象条件等因素密切相关，同时呈现出了显著的垂直分布特征和动力特性。
一、引言随着工业化和城市化的快速发展，大气污染问题日益突出，尤其是可吸入颗粒物（PM10）和细颗粒物（PM2.5）的浓度问题备受关注。
北京作为中国的首都，其大气污染问题尤为突出。
因此，研究北京城区低层大气的PM10和PM2.5的垂直结构及其动力特征，对于理解城市大气污染的形成机制、评估空气质量及制定有效的控制措施具有重要意义。
二、研究方法本研究利用了多时段、多高度的气象监测数据和大气污染物数据，采用统计分析的方法，研究PM10和PM2.5的垂直分布规律及与气象要素的关系。
同时，结合气象动力学原理，分析其动力特征。
三、PM10和PM2.5的垂直结构（一）PM10的垂直结构PM10在低层大气中呈现出一个较为明显的垂直梯度。
在城市中心区域，其浓度随高度上升而逐渐降低。
夜间由于气流相对稳定，其垂直梯度较小；而白天由于风速加大和湍流活动增强，垂直梯度较大。
（二）PM2.5的垂直结构与PM10相比，PM2.5的垂直分布更为复杂。
在低层大气中，尤其是在近地面附近，其浓度通常较高。
随着高度的增加，其浓度逐渐降低，但这一过程更为缓慢。
在天气条件稳定时，PM2.5更容易在低空积聚。
四、动力特征分析（一）气象条件对PM10和PM2.5的影响风速和风向对PM10和PM2.5的传输和扩散起着重要作用。
在风速较大时，颗粒物更容易被吹散，其浓度相对较低；而在静风或逆温条件下，颗粒物不易扩散，容易在低空积聚。
此外，气象条件如温度、湿度等也会影响颗粒物的形成和转化。
北京一次重污染过程的天气成因及来源分析崔萌;安兴琴;范广洲;王超;孙兆彬;任文辉【摘要】采用天气学分析和GRAPES-CUACE气溶胶伴随模式相结合的方式,探讨了北京市2016年2月29日～3月6日一次PM 2.5重污染过程的大气环流特征、污染形成和消散原因,并利用伴随模式追踪了造成此次重污染过程的关键排放源区及敏感排放时段.结果表明:此次重污染过程北京市PM 2.5浓度存在明显日变化,在3月4日20:00达到污染峰值,观测数据显示海淀站PM 2.5浓度达到506.4μg/m3.形成此次重污染过程的主要天气学原因是北京站地面处于低压中心,且无冷空气影响,风速较弱,逆温较强,大气层结稳定,混合层高度较低,500hPa西风急流较弱,污染物水平和垂直扩散条件差,大气污染物易堆积;此次过程中,500hPa短波槽过境、边界层偏南风急流和冷空气不完全渗透导致了本次严重污染PM 2.5浓度的短暂下降.伴随模式模拟结果表明,此次污染过程目标时刻的污染浓度受到来自河北东北部和南部、天津、山西东部、以及山东西北部污染物的共同影响,目标时刻PM 2.5峰值浓度对北京本地源响应最为迅速,山西响应速度最慢;北京、天津、河北及山西排放源对目标时刻前72h内的累积贡献比例分别为31.1％、11.7％、52.6％和4.7％.北京本地排放源占总累积贡献的1/3左右,河北排放源累积贡献占一半以上,天津和山西分别占1/10和1/20,河北源贡献占主导地位,天津和山西贡献较小;目标时刻前3h内,北京本地源贡献占主导地位,贡献比例为49.3％,目标时刻前4～50h内,河北源贡献占主导地位,贡献比例为48.6％,目标时刻前50～80h,山西源贡献占主导地位,贡献比例在50％以上.【期刊名称】《中国环境科学》【年(卷),期】2018(038)010【总页数】11页(P3628-3638)【关键词】北京地区;重污染过程天气成因;敏感性分析;GRAPES-CUACE伴随模式【作者】崔萌;安兴琴;范广洲;王超;孙兆彬;任文辉【作者单位】成都信息工程大学大气科学学院,四川成都 610225;中国气象科学研究院大气成分研究所,北京 100081;中国气象科学研究院大气成分研究所,北京100081;成都信息工程大学大气科学学院,四川成都 610225;中国气象科学研究院大气成分研究所,北京 100081;中国气象局北京城市气象研究所,北京 100089;中国人民解放军78127 部队,四川成都 610000【正文语种】中文【中图分类】X513近年来,为了改善北京市空气质量,许多学者开展了与北京大气污染相关的研究工作.学者们研究分析了大气环流及气象要素对空气污染的影响,认为在污染物排放量高、污染物排放源复杂的情况下,天气气候背景是形成持续时间长、影响范围广和污染程度高的重污染过程的主要驱动因素[1].稳定的大气环流形势、高湿度低风速的地面条件和低而厚的逆温层导致北京层结稳定,不利于污染物扩散[2],在污染浓度升高过程中,大气也并不总是处于层结稳定状态,垂直运动和散度在垂直方向上的“分层”结构有利于污染物的累积[3].孙兆彬等[4-5]解释了偏东风随高度增大以及逆温减弱、混合层高度升高导致浓度升高的原因.廖晓农等[6]发现边界层急流会迅速改善北京地区PM2.5浓度;在污染过程排放源追踪方面,学者们利用数值模式也开展了大量工作, Stohl等[7]运用拉格朗日粒子扩散模式FLEXPART验证了城市区域间的污染输送;Zhai等[8]同样利用FLEXPAPT反向追踪了北京市雁西湖地区空气质量影响最大的敏感源区,为整个源区域和特定敏感源区建立了减排测试;王雪松等[9-11]利用三维区域空气质量模式CAMX模拟对流层大气光化学过程,研究了不同地区、不同种类污染源排放对北京地区臭氧浓度的影响;王雪松等[12]利用CAMX模拟研究北京地区夏季PM10浓度的时间变化规律和空间分布特征;薛文博等[13]运用CAMx模型研究出全国各省市PM2.5污染以本地源为主,跨区域输送与各省市地理位置、污染物排放强度、排放源结构、气象条件等有关;安兴琴等[14]研究表明CMAQ模式能较好地模拟污染物的空间分布格局;翟世贤等[15]利用空气质量模式Model-3/CMAQ对北京市PM2.5浓度进行了污染源减排时刻和减排比例的研究;王自发等 [16-17]利用NAQPMS模式,采用质量追踪法计算了周边各地区的臭氧污染对北京的贡献率,研究了我国强污染天气下中东部PM2.5的时空分布特征和演变规律;李锋等[18]利用WRF-CMAQ模型探究了长江三角洲PM2.5的时空分布和输送;刘香娥等[19]运用WRF-CHEM模式研究出北京地区O3污染的主要来源是北京以外的外源输送,细颗粒物则主要源于本地生成;Zhai等[20]利用GRAPES- CUACE气溶胶伴随模式反向追踪了2012年11月北京一次污染事件的主要污染排放源区;王超等[21]利用GRAPES-CUACE气溶胶伴随模式,对北京市一次高浓度PM2.5污染过程进行了敏感性分析,并显示了伴随模式在追踪重点排放源区及关注敏感排放时段等方面的优越性.本文利用天气学分析方法,结合GRAPES- CUACE气溶胶伴随模式,综合分析了北京市2016年2月29日~3月6日期间一次PM2.5重污染过程的大气环流特征、污染形成和消散原因,并利用伴随模式反向追踪了污染过程关键排放源区及敏感排放时段,模拟估算了本地及周边排放对此次污染过程的累积贡献比例及不同区域的主导贡献时段和贡献比例的时间演变.本文主要利用地面常规观测资料、Micaps资料、FY-2E静止气象卫星的云量数据、北京海淀站(116.28°E,39.98°N)实时采样高度上产品数据文件的L波段边界层风廓线雷达资料,以及北京市环境保护局35个监测站点2016年2月29日~ 3月7日逐时PM2.5质量浓度观测数据.GRAPES-CUACE伴随模式是在我国自主研发的新一代数值模式系统GRAPES和大气化学模式CUACE基础上开发的在线耦合气象-化学模式系统[22].GRAPES模式是采用半隐式半拉格朗日方案的有限区/全球统一模式,提供与国际上常用数值预报资料接口,模式输入输出便捷[23];CUACE目前主要包括3个模块:气溶胶模块、气体模块和热力学平衡模块[21].本研究主要利用气溶胶模块伴随模式.本文首先利用GRAPES-CUACE正向模式模拟出北京市2016年一次重污染过程的PM2.5浓度变化趋势,再利用气溶胶模块的伴随模式反向追踪形成PM2.5峰值浓度过程中的主要污染排放源区及敏感排放时段,具体步骤见参考文献[22,24].本文模拟区域主要是我国华北地区(105°E~ 125°E,32.25°N~43.25°N),水平包括41×23个网格,水平分辨率为0.5°×0.5°,垂直分为31层,积分步长为300s,排放源清单采用0.5°×0.5°的INTEX-B2006清单.本文模拟时间为2016年2月26日20:00~3月8日 20:00,其中前3d是模式启动时间,为了消除理想化初始浓度对模拟效果的影响.本文基于地面气象观测,根据罗氏法计算混合层高度[25-26],计算公式如下:式中:H是计算的混合层高度,m; P是帕斯奎尔稳定度级别(大气稳定度级别为A~F 时,P依次取值为1~6);(T-Td)是温度露点差,℃;Uz是Z高度处测得的平均风速,m/s;Z0是地面粗糙度;f是地转参数,f= 2ΩsinΦ.从北京市2016年3月1日~4日的PM2.5日均浓度逐日空间分布可以看出,北京市PM2.5平均浓度逐日增加,在3月4日达到最大,3月4日平谷镇日平均浓度达到413μg/m3,空间上,浓度呈自东南向西北递减的分布趋势,污染物由南部向北部蔓延.北京南部平原地区PM2.5浓度比北部和西部山区PM2.5浓度高约1~2.4倍.北京城区PM2.5浓度比北部郊区浓度高约1~1.5倍.图1是郊区怀柔站和市内海淀站2016年2月29日~3月6日的PM2.5浓度时间分布图,怀柔站和海淀站的PM2.5浓度呈周期性波动,大体为先上升后下降走势.怀柔站出现3次较高峰值,在3月4日9:00浓度最高,为478.2μg/m3,海淀站也出现3次较高峰值,最大峰值出现在3月4日20:00,浓度为506.4μg/m3,2站点PM2.5浓度主要存在7次明显下降过程(A~G):2月29日9:00~12:00、3月1日9:00~ 13:00、3月2日10:00~18:00、3月3日4:00~6:00、3月3日20:00~3月4日6:00、3月4日10:00~16:00以及在3月4日20:00均呈断崖式下降.从图1可以看出,2月29日~3月4日5d的PM2.5浓度存在明显的日变化:在早上6:00~8:00都出现峰值,而后开始下降,在中午13:00前后出现最低值,下午至晚上19:00~20:00浓度持续增加,然后又下降.这种现象主要受早晚高峰期间汽车尾气排放增加的人为因素,以及天气因素共同影响[27-29].在7次明显下降过程中,有4次(A、B、C、F)与日变化有关,后5次浓度下降过程主要受气象要素影响.对于C、D、E、F、G 5次下降过程的天气学原因将在本文第3、4节进行详细分析.从2016年2月29日~ 3月5日8:00海平面气压场图可以看出:2月29日20:00~3月4日8:00,北京站处于地面低压槽槽前或者低压中心前部,冷空气影响不明显,等压线稀疏,气压梯度小,地面风速小,以弱偏南风为主,对污染物扩散不利,大气污染物易在太行山前辐合形成聚集,北京污染物持续增加,PM2.5浓度上升.3月4日8:00~23:00,转为受地面倒槽形势控制,有利于污染扩散.2月29日8:00~3月3日20:00,北京站500hPa高度场为槽后脊前的天气形势,受西北气流控制,200hPa纬向风较小,等值线稀疏,西风急流较弱.2月29日8:00~3月1日8:00,基本为偏北分量较大的西北风,3月1日8:00~3日20:00,主要受偏西分量较大的西北风影响,风速减小,等高线较稀疏.3日20:00前后北京站有一短波槽过境,过境前的槽前上升运动,利于污染物抬升,3月4日8:00~3月5日8:00,北京站转为槽前西南气流控制,整体上冷槽落后于高度槽,槽较深厚,等高线密集,风速较大,槽前上升运动较明显,有利于污染物扩散.天气形势整体与500hPa相似,2日20:00前后由西北风转为西南风控制,2日20:00~4日暖平流输送较明显,暖脊形势较明显但湿度较小,且由于黄土高原的存在,槽下高原的下沉增温作用,加深了逆温层的形成与维持,有利于地面低压形势加强,不利于地面冷空气影响北京地区.因此在冷暖空气交汇过程中,北京站基本无降水.3月4日20:00北京站开始受地面倒槽影响,850hPa温度较3月3日20:00下降5~7℃,风场风速加大,重新转为西北气流控制且位于槽后,冷空气从西北方向进入京津冀地区,低压和海上高压减弱,污染物扩散条件转好,空气质量逐步改善.高层虽然有槽前上升运动,然而由于中低层水汽输送不明显,且中低层槽线在下高原后有动力下沉增温作用,导致湿度进一步减小,故没有明显降水.在地面冷空气影响北京站之前,中低层始终有暖脊存在,一方面加强了地面热低压的发展与维持,使冷空气南下移动减慢,延缓冷空气影响过程;另一方面暖脊加强了近地面逆温层的形成与维持.近地面逆温层的形成,不仅与暖平流或暖心结构有关,槽下高原后的下沉增温也有利于逆温层的形成与维持.3月2日~4日期间,在发展的低压、较弱的气压梯度和风场、逆温层三者共同影响下,北京地区环流相对静稳,对大气污染物的扩散极为不利.此次地面冷空气过程以南压为主,较长时间内受到维持于华北平原的地面热低压的阻挡,导致冷空气主体影响北京站的西南地区.对北京站而言,冷空气影响的时间较短、强度较小,且没有明显降水,对于污染物的扩散作用较为有限.从T-lnP图可以看出,2月29日~3月4日20:00逆温比较明显(白天较强,晚上有减弱趋势),且中低层湿度很小.3月4日23:00~5日11:00由于上游地区冷空气东移影响,先前控制北京站的低压中心逐渐东移,北京站风速加大,风向转为偏北风.图2是3月2日0:00~5日0:00的风廓线图,图2(a)为水平风速,图2(b)为垂直风速,垂直风下沉为正,上升为负.结合图2可以看出,在3月2日0:00~5:00高空风场为西北风,200m以下为风速小于3m/s的北风,从3月2日5:00开始,边界层内风向呈气旋型切变,逆时针旋转,有冷平流,到17:30左右整个边界层内为西南风,底层风速较5:00增大了2~4倍,偏南风速增大,在1200~1400m出现最大风速为30m/s,形成低空急流,加强层结的不稳定度,触发不稳定能量的释放,图2(b)中低空急流产生暖平流的上升运动,但由于中低层湿度过小,并没有形成降水,污染物吹向高空,水平和垂直扩散条件转好.3月2日22:30~3日3:30,急流减弱,底层风速减小,污染物浓度又逐渐升高.3月3日4:00~6:00,500hPa有短波槽过境,在1100m又出现了急流中心,中心风速为26.2m/s,污染扩散条件转好,污染物浓度降低.3月3日16:00~3月4日7:00风随高度顺时针旋转,700hPa暖脊形势较明显,850hPa暖平流输送明显,在1400~1900m又出现边界层急流,西南风最大风速为21.4m/s,大气通风量增大,污染物浓度降低.3月4日7:00~9:30,风随高度逆时针旋转,高空急流减弱,风向由西南风转为西北风,底层风速减小,扩散条件转差,污染物浓度升高.3月4日10:00开始中低空伴有强风,850hPa槽线即将过境,10:00~16:00底层风速达到6~12m/s,图2(b)中1800m以下有0~2m/s的上升运动,水平和垂直扩散条件较好,污染物浓度下降,但从图2(b)可以看出槽前冷空气开始渗透,但未完全渗透,底层风速减小到1~3m/s,导致污染浓度下降后又猛升,400~ 1600m出现强风速区,最大风速为26.7m/s,直到3月4日20:00左右,地面开始受地面倒槽影响,850hPa槽线过境,冷空气开始完全渗透,图2(b)中空气产生强烈上升运动,强上升运动将堆积在底层的污染物输送到中高空,污染物浓度骤降.由图2可分析出3月2日10:00~18:00、3月3日 4:00~6:00、3月3日20:00~3月4日06:00、3月4日10:00~16:00以及3月4日20:00污染物浓度降低及消散的原因,可以看出水平和垂直扩散条件转好是污染物浓度下降的主要影响因素,边界层偏南风急流在PM2.5污染快速清除的过程中起着非常重要的作用[6]. 大气混合层高度是反映污染物垂直扩散的重要参数,是影响大气污染物扩散的主要气象因子[25].本研究基于地面气象观测,采用罗氏法计算了2月29日~3月5日的逐时混合层高度(图3).2月29日~ 3月3日混合层高度存在明显日变化,每日14:00~ 17:00出现最大值,6:00~8:00出现最小值,与图3中海淀站的PM2.5浓度呈明显负相关(混合层高度较高时,PM2.5浓度较低;混合层高度较低时,PM2.5浓度较高);3月4日重污染日混合层高度在1000m以下,在6:00混合层高度最低,为367.8m,3月5日清洁日混合层高度高达3000m.与图2对比可以发现,在3月2日12:00~18:00混合层高度升高是由边界层急流引起,大气扩散条件转好;3月5日冷空气主体侵入使混合层高度升高,强上升运动使堆积在近地面的污染物输送到空中,大气容积增加,垂直扩散条件转好.图4为2016年2月29日~2016年3月6日北京海淀站和怀柔站模式模拟与观测的PM2.5浓度变化曲线及散点拟合,表1为a=0.01时的显著性检验的统计量:F 是检验统计量;P-value显著性水平假定值;F crit是临界值;R是相关系数.通过对比站点模式模拟与观测的PM2.5浓度验证模型的模拟性能:从图4可以看出两站点模式模拟的浓度变化趋势和观测的趋势基本接近,模式能够模拟出PM2.5的浓度变化趋势.观测与模拟的海淀站相关系数为0.68,模型模拟出了5个峰值,相关系数较低主要是因为模式低估了3月2日、3月3日及3月5日的PM2.5峰值浓度水平;怀柔站相关系数为0.86,模式很好地模拟出污染趋势与5个峰值时间.模式模拟浓度偏低的原因可能有两个,第一个是排放源清单没有及时更新,在特定峰值时刻低估了排放量,造成模拟浓度偏低;第二个是地面观测站点受到局地偶然影响,提高了局地排放量,导致浓度偏低.由表1可以看出,站点在a=0.01显著性水平检验中,F>Fcrit, P-value<0.01,相关性极显著,因此模式模拟结果具有可靠性.为了追踪和分析本次重污染过程的污染物来源,利用GRAPES-CUACE伴随模式模拟估算造成此次重污染过程的关键排放源区及敏感排放时段,本文设置峰值浓度为关注的目标函数J [22].本次污染过程北京市平均PM2.5峰值浓度时刻在北京时间3月4日4:00时,峰值浓度为304.6μg/m3.故定义本次目标函数为北京市平均PM2.5峰值浓度,目标区域为北京市,目标时刻为北京时间3月4日4:00.通过目标函数J进行反向积分GRAPES- CUACE模式得到目标函数J关于污染排放源Q[]的污染敏感性数值,敏感性数值大小是污染过程浓度与污染源排放量的比值,可以直接反映污染源的控制效果.如公式:式中:是敏感性数值;J是目标函数;Q是污染排放源.敏感性数值越大,表明削减该污染排放源更能有效的减少目标区域污染物浓度,从而降低削减控制成本.为了更加客观地反映不同污染排放源对污染浓度的影响,定义敏感系数S0,如公式: 可以发现敏感系数和目标函数单位相同,通过量纲分析可知,敏感系数可为削减控制对象提供定量依据.如若对敏感性系数为S0的排放源削减N%,则目标函数浓度也将减少So×N%[30].图5是本次污染过程目标浓度关于PM2.5源排放的时间累积敏感系数分布,描述了目标时刻前一段时间(1h, 3h, 7h, 10h, 13h, 16h, 19h, 22h, 25h, 31h, 37h, 72h)污染排放源对目标地区污染浓度效果的累加.由图5可以看出,目标时刻前1~3h,敏感系数仅在1~3μg/m3,且由北京市向东北方向扩散;目标时刻前3~13h,随着逆时间次序累加,敏感系数明显增加、范围扩大,且向东北方向延伸;目标时刻前13~19h,敏感系数范围基本无明显变化,但是敏感系数仍在增加;目标时刻前19~31h,敏感系数范围又开始向南扩大,敏感系数数值仍不断增加,在目标时刻前31h敏感系数达到最大值12μg/m3;目标时刻前31~72h,敏感系数范围向西南方向扩展;在目标时刻前72h时,敏感系数分布已经包括河北东北部和南部、天津、山西东部、以及山东西北部.由图5可分析出,本次污染过程目标时刻的污染浓度主要受到北京、河北、天津、山西以及山东污染物排放的共同影响;在目标时刻前1~3h和31~72h时段的敏感系数数值增加但速率很小,这说明过早的源排放和过晚的源排放对目标时刻高浓度的PM2.5影响较弱;目标时刻前13~19h,虽然敏感系数仍在增加,但敏感系数空间分布范围基本无明显变化,且时间段前后扩散方向明显相反,地面风场有明显风向转变;在目标时刻前31h时,敏感系数达到最大,若从目标时刻前31h开始对敏感系数最大网格区域的污染源排放削减N%,则目标时刻北京市PM2.5平均浓度将下降12μg/m3·N%.图6为北京本地源和北京周边源逐时(a)及时间积累(b)敏感系数时间序列,可以反映出北京和周边源对本次污染过程目标时刻PM2.5 峰值浓度的逐时贡献和时间累积贡献大小.由图6(a)可知,随着逆时间次序的增加,北京和周边的逐时敏感系数都是呈先上升达到最大值后下降的态势,但二者的变化趋势又存在明显差异.PM2.5峰值浓度对本地排放源响应迅速,在目标时刻前1h本地源逐时敏感系数达到最大值,为7.08μg/m3,达到最大值后下降速率先快后慢再快,在3月3日11:00(目标时刻前17h)达到极小值,并在3月2日17:00(目标时刻前35h)左右降到0附近.周边源逐时敏感系数呈现明显周期性波动下降趋势图,波动周期约为24h.下降过程出现3个峰值,峰值时刻分别为3月3日20:00(目标时刻前8h)、3月3日3:00(目标时刻前25h)和3月2日3:00(目标时刻前49h),对应的敏感系数分别为7.08, 2.84,0.63μg/m3,周边源逐时敏感系数在3月1日16:00(目标时刻前60h)降到0附近.以上说明在目标时刻前4h内北京本地源贡献占主导地位,目标时刻前4~72h周边源贡献始终高于本地源,周边源贡献占据主导地位;本地源排放在目标时刻前1~35h 对目标时刻PM2.5峰值浓度影响较大,目标时刻前35~72h的影响迅速减弱;周边源贡献在目标时刻前1~60h对目标时刻PM2.5峰值浓度影响较大,周边源持续不断地向北京市输送污染物:其中在目标时刻前2~36h影响最为显著,目标时刻前60~72h的影响迅速减弱.由图6(b)可知,随着逆时间次序增加,北京本地源和周边源时间累积敏感系数都呈上升趋势,在3月3日22:00(目标时刻前6h)左右本地源和周边源时间累积敏感系数相交,本地源和周边源时间累积敏感系数分别在3月2日20:00(目标时刻前32h)和3月1日20:00(目标时刻前56h)趋于稳定,稳定后的时间累积敏感系数分别达到55.5,123μg/m3.以上表明,在3月3日22:00(目标时刻前6h)之前周边源时间累积敏感系数始终高于本地源,大约是本地源的2倍,说明在3月3日22:00(目标时刻前6h)之前周边源累积贡献占主导地位;周边源向北京地区输送的污染物是本地排放的2倍;3月3日22:00(目标时刻前6h)~3月4日4:00(目标时刻),北京本地源时间累积敏感系数高于周边源,本地源累积贡献占主导地位.图7是北京本地和周边排放源(天津、河北及山西省)对本次污染过程时间累积(a)和逐时(b)敏感系数的时间序列,本次污染过程的周边源主要包括天津北部、河北东部及山西东部的排放源.由图7(a)累积敏感系数可以看出,随着逆时间次序的增加,北京、天津、河北和山西的累积敏感系数都是上升到一定值后再趋于稳定的态势.在3月3日19:00(目标时刻前9h)左右北京本地源和河北省时间累积敏感系数相交,北京本地源、天津、河北及山西周边源时间累积敏感系数分别在3月2日20:00(目标时刻前32h)、3月2日16:00(目标时刻前36h)、3月1日20:00(目标时刻前56h)及3月1日17:00(目标时刻前59h)趋于稳定,稳定后的时间累积敏感系数分别达到55.5, 94.0, 20.8, 8.3μg/m3,目标时刻到3月3日6:00(目标时刻前22h)山西源贡献始终趋于0附近.由图可以说明,3月3日19:00(目标时刻前9h)~3月4日4:00(目标时刻)之间北京本地累积敏感系数最大,北京本地源排放占主导地位;在3月3日19:00(目标时刻前9h)之前河北的累积敏感系数最大,河北污染输送占主导地位;在3月3日6:00(目标时刻前22h)~3月4日4:00(目标时刻)期间山西的敏感系数基本接近于0,几乎没有向北京进行污染物输送;在目标时刻前72h内,河北、天津、山西污染源累积贡献分别是北京本地源的1.7, 0.38, 0.15倍,河北省对本次污染浓度累积贡献最多,北京本地源其次,山西最少.由图7(b)逐时敏感系数可以看出,河北、天津和山西的逐时敏感系数都呈现周期性波动,但又存在明显差异,说明周边不同省市对北京PM2.5峰值浓度的时段和程度影响不同.河北省逐时敏感系数波动过程中出现3次峰值,峰值时刻分别为3月3日20:00(目标时刻前8h)、3月3日3:00(目标时刻前25h)和3月2日3:00(目标时刻前49h),对应的敏感系数分别为6.16(最大值),1.99,0.29μg/m3,并于3月1日16:00(目标时刻前60h)趋于0μg/m3,河北省逐时敏感系数3次峰值时间和图6(a)中周边源的逐时敏感系数峰值时间相同,且河北省逐时敏感系数几乎始终高于天津市和山西省,说明河北省在周边源中占主导地位;天津逐时敏感系数同样出现3次峰值,峰值时刻分别为3月4日1:00(目标时刻前3h)、3月3日17:00(目标时刻前11h)和3月3日6:00(目标时刻前22h),对应的敏感系数分别为1.41(最大值), 1.1,0.42μg/m3,并于3月2日16:00(目标时刻前36h)趋于0μg/m3,始终没有超过2μg/m3,说明天津市对本次的排放输送影响较小;山西省的逐时敏感系数仅存在2次峰值,3月2日20:00(目标时刻前32h),为0.87μg/m3(最大值)及3月1日23:00(目标时刻前53h),为0.35μg/m3,并于3月1日16:00(目标时刻前60h)减少到0μg/m3附近,始终没有超过1μg/m3,说明山西省对本次的排放输送影响微乎其微.目标时刻PM2.5峰值浓度对北京本地源响应最为迅速;由于山西距离北京远,污染物短时间内输送不到北京,大约经过20h才输送到北京,所以对山西源的响应速度比河北源及天津源慢.图8是表示本地源与周边不同省市对目标时刻PM2.5峰值浓度时间累积敏感系数贡献百分比与逐时敏感系数贡献百分比.例如,由图8(a)时间累积敏感系数百分比可以看出,随着逆时间次序增加,天津、河北、山西累积贡献比例呈上升趋势,北京本地累积贡献比例呈下降趋势,达到一定比例时趋于稳定状态.越临近目标时刻,本地污染源排放贡献比例越高,周边省市污染源排放输送越少;在目标时刻时,北京本地、天津、河北及山西排放源对PM2.5峰值浓度的累积贡献比例分别为91.8%、3.8%、4.5%、0%,在目标时刻时,周边省市污染源输送。
京津冀地区大气PM_(2.5)污染时空分布特征及成因分析苏孟倩;石玉胜【期刊名称】《中国科学院大学学报（中英文）》【年(卷),期】2024(41)3【摘要】细颗粒物PM_(2.5)能够对人体健康和大气环境带来极大威胁。
京津冀地区是我国大气PM_(2.5)污染的重灾区之一。
基于PM_(2.5)浓度数据、自然因素数据和人类活动因素数据,采用克里金插值法和统计分析法探究2017年京津冀地区13个城市大气PM_(2.5)污染的时空分布特征,并采用相关分析模型和因子分析模型探究其成因。
结果表明,京津冀地区:1)PM_(2.5)浓度空间分布呈现“北低南高”的特点,南部和北部城市的年平均浓度梯度最高可达到64μg/m^(3);2)PM_(2.5)浓度时间分布呈现“冬高夏低”、“早晚高午后低”的特点,冬季PM_(2.5)浓度是夏季的1.3~2.8倍,四季PM_(2.5)浓度日较差介于11~29μg/m^(3);3)大气PM_(2.5)污染与自然因素关系密切。
地势地形影响PM_(2.5)的聚集、传输和扩散过程。
风速、日照时数和相对湿度是影响大气PM_(2.5)污染的主导气象因素,冬季PM_(2.5)浓度与气象因素的相关性最强;4)大气PM_(2.5)污染与人类活动关系密不可分,具体可归为:社会经济因素、工业污染排放因素和城市建设因素。
研究结果将有助于为京津冀地区大气污染防治查漏补缺。
【总页数】11页(P334-344)【作者】苏孟倩;石玉胜【作者单位】中国科学院空天信息创新研究院;中国科学院大学【正文语种】中文【中图分类】X51【相关文献】1.京津冀地区大气PM_(2.5)污染成因及对策研讨会在京召开2.气溶胶光学厚度与PM_(2.5)浓度的时空分布特征及其关系——以京津冀大气污染传输通道城市群为例3.渤海海峡邻近地区2019~2020年大气环境中PM_(2.5)质量时空分布特征研究及其相关性分析4.2015—2020年海南岛大气PM_(2.5)和PM_(10)的时空分布特征5.济南市大气PM_(10)、PM_(2.5)时空分布特征与城市街区形态关联分析因版权原因，仅展示原文概要，查看原文内容请购买。
北京地区PM2.5的成分特征及来源分析X徐敬1)2)丁国安1)颜鹏1)王淑凤1)孟昭阳1)张养梅1)刘玉彻1)张小玲2)徐祥德1)1)(中国气象科学研究院中国气象局大气成分观测与服务中心中国气象局大气化学重点开放实验室,北京100081)2)(中国气象局北京城市气象研究所,北京市气象局大气成分观测与分析中心,北京100089)摘要选用2003)2004年初PM2.5连续观测资料,统计分析了北京地区PM2.5的特征、PM2.5与PM10以及PM2.5与地面气象要素的相互关系。
结果表明:四季中夏季PM2.5浓度最低,冬、春两季浓度较高。
PM2.5与PM10比值平均为0.55,非采暖期两者比值为0.52,采暖期两者比值为0.62;夏季该比值主要分布在0.3~0.6之间,春、秋两季该比值分布在0.3~0.8之间,冬季采暖期该比值分布在0.4~0.9之间。
PM2.5与PM10比值日变化与气象条件日变化、人们日常生活习惯密切相关,沙尘天气和交通运输高峰期扬起地面粗颗粒物会导致PM2.5在PM10中的比例下降,而冬季取暖以及夏季光化学反应则会引起PM2.5的比例升高。
PM2.5的浓度与地面气象要素中本站气压、相对湿度和风速有很好的的相关性,与气温的相关性较差。
SO42-,N O3-和NH4+为北京地区PM2.5中主要离子。
PM F源解析方法确定了北京地区5类细粒子污染源,分别是:土壤尘、煤燃烧、交通运输、海洋气溶胶以及钢铁工业。
关键词:北京地区;PM2.5;元素;PM F引言可吸入颗粒物PM10是我国大部分城市的主要空气污染物质之一,特别在北京已经成为最主要的空气污染物[1]。
由北京市环保局发布的空气质量日报可知,近两年来,全年中PM10占首要污染物的天数接近90%。
国外大量研究表明,PM2.5在PM10中占有很大比例,污染越重的地区PM2.5与PM10的比值也越大,据美国和加拿大几个城市报导:污染较轻的城市PM2.5与PM10比值在0.3~0.4之间,污染较重的城市该比值在0.5~0.7之间。
