北京一次连续重污染过程的气象条件分析

《北京大气环境特征与大气污染研究》篇一一、引言北京，作为中国的首都，其大气环境特征与大气污染问题一直是社会关注的焦点。

本文旨在探讨北京的大气环境特征，分析其主要的大气污染问题，并提出相应的解决策略。

二、北京大气环境特征1. 气候条件北京位于华北平原的北部，属于温带大陆性季风气候。

冬季寒冷干燥，夏季炎热多风。

这种气候条件对大气环境有着显著影响。

2. 地形地貌北京地势西北高，东南低，山地和平原相间。

这种地形地貌对大气环境的流动和污染物的扩散有着重要影响。

3. 大气环境组成北京的大气环境主要由氮氧化物、二氧化硫、颗粒物等组成。

其中，颗粒物是主要的大气污染物，对人体健康和环境质量影响最大。

三、北京大气污染问题1. 工业排放北京的工业发展历史悠久，工业排放是大气污染的主要来源之一。

特别是重工业行业，如钢铁、化工等，其排放的污染物对大气环境造成了严重的影响。

2. 交通排放随着汽车数量的不断增加，交通排放也成为大气污染的重要来源。

特别是汽车尾气中的氮氧化物和颗粒物，对大气环境造成了严重污染。

3. 冬季供暖冬季北京需要大量的供暖，这导致大量燃煤的使用，产生的二氧化硫和颗粒物等污染物对大气环境造成了严重影响。

四、解决策略1. 加强工业排放控制应加强工业排放控制，严格实施环保法规，对违规排放的企业进行严厉处罚。

同时，鼓励企业采用清洁生产技术，减少污染物排放。

2. 优化交通结构应优化交通结构，推广新能源汽车，减少交通排放。

同时，加强公共交通建设，鼓励市民使用公共交通工具。

3. 改善冬季供暖方式应改善冬季供暖方式，推广清洁供暖技术，减少燃煤使用。

同时，加强燃煤质量的监管，减少污染物排放。

五、结论北京的大气环境问题是一个复杂而严峻的问题，需要政府、企业和公众共同努力解决。

通过加强工业排放控制、优化交通结构、改善冬季供暖方式等措施，可以有效地改善北京的大气环境质量。

同时，应加强大气污染的监测和治理工作，建立完善的大气环境保护法规和政策体系，提高公众的环保意识和参与度。

北京一次连续重污染过程的气象条件分析
郭虎;付宗钰;熊亚军;时少英
【期刊名称】《气象》
【年(卷),期】2007(33)6
【摘要】2006年4月7-10日北京出现空气质量持续重污染,对当地生产和生活带来较大影响.从天气形势、气象要素、流场、大气稳定度等方面分析了这次重污染的形成及维持原因.结果表明,此次连续重污染过程是一次沙尘过程先后两次影响北京所造成.第一次为内蒙沙源地沙尘随西北气流南下影响北京的典型沙尘污染过程;第二次是移至下游的沙尘在"回流"天气形势下沿偏东风返回北京所造成,较为少见.这次重污染是混合型的,是沙尘和静稳气象条件共同作用的结果.
【总页数】5页(P32-36)
【作者】郭虎;付宗钰;熊亚军;时少英
【作者单位】北京市气象台,100089;北京市气象台,100089;北京市气象台,100089;北京市气象台,100089
【正文语种】中文
【中图分类】P4
【相关文献】
1.绵阳城区一次连续重污染过程的气象条件分析 [J], 杜筱筱;马力
2.北京一次局地重污染过程气象条件分析 [J], 徐晓峰;李青春;张小玲
3.天津市一次重污染过程气象条件及传输特征分析 [J], 李敏姣;赵翌晨;王兴;李怀
明;张雷波;尹立峰
4.北京地区一次空气重污染过程的气象条件模拟参数化敏感性试验 [J], 韩丽娜; 王自发; 唐晓; 陈科艺; 隋玟萱; 周慧; 刘娜; 孔磊; 冼志鹏; 吴林
5.石家庄市一次重污染过程气象条件分析 [J], 贾秋刚;张艳杰
因版权原因，仅展示原文概要，查看原文内容请购买。

《2000～2010北京大气重污染研究》篇一标题：2000-2010北京大气重污染研究一、引言北京作为中国的首都，其大气环境质量一直是社会关注的焦点。

在过去的十年间，即2000年至2010年，北京经历了严重的空气重污染问题。

本文旨在深入探讨这一时期北京大气重污染的现状、成因、影响及应对策略。

二、北京大气重污染的现状在2000年至2010年间，北京的大气重污染问题主要表现为PM10、PM2.5等颗粒物浓度超标，以及由此引发的雾霾天气频发。

这些污染物主要来源于工业排放、交通尾气、建筑扬尘等。

这些污染物不仅严重影响了人们的身体健康，也对城市的环境质量和生态安全构成了严重威胁。

三、大气重污染成因分析1. 工业排放：随着城市化进程的加快，大量工业企业进入北京地区，这些企业的排放物对大气环境造成了严重污染。

2. 交通尾气：随着汽车保有量的不断增加，交通尾气排放成为大气污染的重要来源。

3. 建筑扬尘：城市建设和改造过程中产生的扬尘也是大气污染的重要来源之一。

4. 气象因素：不利的气象条件如静风、逆温等，使得污染物难以扩散，加剧了大气污染的程度。

四、大气重污染的影响大气重污染对人们的身体健康、城市的环境质量和生态安全造成了严重影响。

首先，PM10和PM2.5等颗粒物可以进入人体呼吸道和肺部，引发呼吸道疾病和心血管疾病等健康问题。

其次，大气污染还影响了城市的环境质量和生态安全，破坏了生态平衡，加剧了气候变化等问题。

五、应对策略及效果分析为了应对大气重污染问题，北京采取了一系列措施，如调整产业结构、加强环保监管、提高能源利用效率等。

这些措施在一定程度上缓解了大气污染的程度，但仍然存在一些挑战和问题。

未来，需要继续加强环保意识教育，提高公众的环保意识，同时加强科技创新，推动绿色低碳发展，实现经济与环境的协调发展。

六、结论在过去的十年间，北京的大气重污染问题给人们的身体健康、城市的环境质量和生态安全带来了严重影响。

通过对大气重污染的成因分析，我们可以看到工业排放、交通尾气、建筑扬尘和气象因素是造成大气污染的主要原因。

《北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系》篇一一、引言随着工业化进程的加速和城市化程度的提高，大气污染问题日益严重，尤其是北方城市在冬春季节常受到颗粒物污染的困扰。

北京作为中国的首都，其空气质量备受关注。

PM2.5和PM10作为衡量空气质量的重要指标，其污染水平及分布规律与气象条件密切相关。

本文旨在分析北京地区冬春季节PM2.5和PM10的污染水平时空分布特征，并探讨其与气象条件的关系。

二、研究方法1. 数据来源本研究采用北京地区冬春季节的空气质量监测数据，包括PM2.5、PM10浓度数据及气象数据。

数据来源于北京市环境保护局发布的空气质量监测站点数据及气象局提供的气象数据。

2. 分析方法采用统计分析方法，对北京地区冬春季节的PM2.5和PM10浓度数据进行时空分布分析，探讨其变化规律。

同时，结合气象数据，分析气象条件对PM2.5和PM10浓度的影响。

三、结果与分析1. PM2.5和PM10的时空分布特征（1）时间分布特征季节性变化。

其中，冬季的污染水平较高，春季次之。

在日变化方面，早晨和傍晚是污染高峰时段，这与人流车流量的增加有关。

（2）空间分布特征北京地区PM2.5和PM10的污染水平在空间上呈现出一定的差异性。

城区及近郊区的污染水平较高，而远郊区及郊野公园等地的污染水平相对较低。

这与人流密集度、交通状况及工业分布等因素有关。

2. 气象条件对PM2.5和PM10浓度的影响（1）风速与风向风速对PM2.5和PM10的扩散和稀释作用显著。

当风速较大时，有利于污染物的扩散，降低空气中的颗粒物浓度。

而风向则影响污染物的传输方向，当主导风向为污染源方向时，易造成污染物在城区累积。

（2）温度与湿度温度和湿度对颗粒物的物理化学性质有影响，进而影响其在大气中的存在形态和扩散能力。

在低温高湿的环境下，颗粒物易于凝结成较大的颗粒，降低其在空气中的悬浮能力，易造成局部污染。

（3）降水降水对颗粒物有明显的清除作用。

《北京大气环境特征与大气污染研究》篇一一、引言北京作为中国的首都，其大气环境特征及大气污染问题一直是国内外关注的焦点。

本文旨在通过对北京大气环境特征的研究，深入探讨其大气污染的现状、成因及治理措施，以期为北京市乃至全国的大气环境保护提供参考。

二、北京大气环境特征1. 气候背景北京位于华北平原，属于温带大陆性气候，四季分明，冬季干燥寒冷，夏季炎热多风。

这种气候特点使得北京的大气环境受到季节性影响，特别是在冬季，由于供暖季的到来，大气污染问题尤为突出。

2. 地理环境北京地势西北高、东南低，山地、平原相间分布。

这种地理环境使得北京在气象条件、风向等方面具有一定的特殊性，对大气环境的形成和演变产生重要影响。

三、北京大气污染现状及成因1. 大气污染现状近年来，北京的大气污染问题日益严重，主要表现为PM2.5、PM10等颗粒物污染严重，以及二氧化硫、氮氧化物等气态污染物超标。

这些污染物对人们的健康和环境造成了严重危害。

2. 大气污染成因（1）工业排放：工业生产过程中的粉尘、废气等是造成大气污染的主要来源之一。

（2）交通排放：随着汽车保有量的不断增加，机动车尾气排放成为大气污染的重要来源。

（3）供暖排放：冬季供暖期间，燃煤产生的烟尘、二氧化硫等污染物对大气环境造成严重影响。

（4）其他因素：如气象条件、地形地貌等也对大气污染的形成和演变产生影响。

四、大气污染治理措施1. 政策法规政府应加强大气污染防治的法律法规建设，制定更加严格的标准和政策，推动企业减排降污。

同时，加强执法力度，确保各项政策得到有效执行。

2. 工业治理加强对工业企业的环保监管，推动企业进行技术改造和升级，减少工业排放。

同时，鼓励发展绿色产业和清洁能源。

3. 交通管理限制机动车尾气排放，推广新能源汽车和公共交通。

加强交通管理，减少交通拥堵，降低交通排放。

4. 供暖改造推广清洁供暖方式，如地源热泵、空气源热泵等，减少燃煤供暖的排放。

同时，加强供暖设施的维护和管理，确保其正常运行。

鲁东大学数学与统计科学学院2015－2016学年第一学期《统计案例分析》课程论文A卷课程号：210030155任课教师刘全辉成绩气象因子对北京市雾霾天气影响的统计分析摘要：雾霾天气是一种十分重要的城市气候灾害，雾霾会对大气环境产生副作用，严重的雾霾甚至还会影响到人们的身体健康、交通出行安全及农业生产。

本文根据2010年—2013年北京市连续3个冬季气象数据和空气污染物监测数据，分析了北京市雾霾天气与气象因子（主要是温度、相对湿度、风速等）之间的相关关系。

分析结果表明空气温度、相对湿度和风速是影响雾霾天气形成的重要气象要素。

较高的空气相对湿度和低风速不但促进雾霾天气的形成，而且是导致持续性雾霾天气的主要原因。

利用判别分析方法导出了气象因子与雾霾关系的判别函数模型，为用气象数据判别雾霾提供了方法。

关键词：雾霾；AQI；空气相对湿度；温度；风速；判别函数模型一：前言随着经济发展和城市化进程的加快及机动车保有量的迅速增加，向大气排放的污染物也不断增多，导致大气污染日趋严重，雾霾天气增多，2013年1月份北京经历了几十年来最为严重的雾霾天气。

雾霾天气不但给人们带来了极大的交通不便和危险，而且造成了严重的环境污染，影响健康（Schwartz等，1996），成为北京人民普遍关注的热点问题之一（周涛和汝小龙，2012）。

在交通出行方面，雾霾形成后，大气能见度明显降低，极易引发交通事故。

据北京市交通局统计，仅仅是2013年1月31日的半天时间北京市就发生了2000多起交通事故，造成了多人受伤，二人死亡和巨大的财产损失。

这种恶劣的天气环境不仅仅只会给人们的出行造成麻烦，还会对人们的健康安全造成极大的威胁（Ostro等，1999）。

在今年一月份连续四次的雾霾天气过程中，北京市各大医院急诊患者中，呼吸道感染患者比例也开始同比上升。

北京市疾病控制中心的统计结果显示：1月5日至11日期间，仅北京市儿童医院日急诊量最高峰就曾达到9000多人次，呼吸道感染占到内科病人的50%左右。

北京地区重空气污染天气分型及个例分析马小会;廖晓农;唐宜西;孙兆彬;李梓铭【摘要】利用2008年1月至2014年12月北京地区高空和地面气象观测资料及逐日大气成分监测数据,对北京地区空气质量≥5级重空气污染的持续时间、500 hPa高空环流形势、地面气压场及相应的边界层结构特征进行了统计分析.结果表明:2008年1月至2014年12月北京地区发生重空气污染时500 hPa以纬向环流为主,占重空气污染总日数的58.4%.从地面气压场来看,低压辐合区型重空气污染出现频率最高,为38.3%;其次为高压后部型重空气污染,出现频率为18.8%.北京地区出现重空气污染天气时500 hPa多为纬向环流,850 hPa为偏南暖平流,地面气压场为低压辐合区、高压后部、高压底部、弱气压场、高压前部、低压倒槽、弱高压、鞍型场及华北地形槽时均可出现重空气污染天气过程.配合以上天气形势,重空气污染天气出现时,边界层长时间存在逆温、低层风速较小且湿度大,并根据重污染天气特征建立了北京地区重空气污染概念模型.%Using the upper-level and surface meteorological observational data and daily atmospheric component monitoring data from January of 2008 to December of 2014 in Beijing,we statistically analyzed the duration,up-per-level circulation pattern at 500 hPa,surface pressure field,and boundary layer structure during heavy pollution days with daily air quality above the 5 levels. The results indicate that heavy air pollution is usually accompanied with zonal circulation at 500 hPa,which counts up 58. 4% of the total heavy pollution days. Heavy air pollution occurs most frequently under the weather type of low surface pressure system with convergence,with an occurrence frequency of 38. 3%,followed by the rear of the surface high-pressure system,with anoccurrence frequency of 18. 8%. When heavy air pollution occurs in Beijing,the zonal circulation dominates at 500 hPa and the southerly warm flow dominates at 850 hPa. In addition,the surface pressure patterns include low-pressure system with con-vergence,the rear and bottom of high-pressure system, weak air pressure, the front of high pressure, depression trough, weak high pressure, saddle pressure field, and topographic trough over the northern China. Under such weather situations,thermal inversion,weak wind speed at low level,and high relative humidity exist in the bounda-ry layer for a long period. Based on the aforementioned weather characteristics,a conceptual model of heavy pollu-tion is established.【期刊名称】《气象与环境学报》【年(卷),期】2017(033)005【总页数】8页(P53-60)【关键词】重空气污染;环流形势;地面气压场;边界层;概念模型【作者】马小会;廖晓农;唐宜西;孙兆彬;李梓铭【作者单位】中国气象局北京城市气象研究所,北京100089;京津冀环境气象预报预警中心,北京100089;中国气象局北京城市气象研究所,北京100089;京津冀环境气象预报预警中心,北京100089;中国气象局北京城市气象研究所,北京100089;京津冀环境气象预报预警中心,北京100089;中国气象局北京城市气象研究所,北京100089;京津冀环境气象预报预警中心,北京100089;中国气象局北京城市气象研究所,北京100089;京津冀环境气象预报预警中心,北京100089【正文语种】中文【中图分类】P458近年来京津冀地区重空气污染天气频发，空气质量直接关系人类的健康，空气污染已成为全民关注的重点问题，而影响重空气污染的因素较多，除了人为污染物的排放和区域传输，还受天气形势的驱动，尤其是区域空气污染与天气过程密切联系[1-2]。

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。