关于北京市气候变化与大气污染的研究

大气污染对区域气候和环境的影响研究随着全球经济的发展和人类活动的增加，大气污染问题日益严重，对区域气候和环境造成了严重的影响。

大气污染主要由空气中的颗粒物、湿度、温度、气溶胶、二氧化碳等组成，其中颗粒物是最明显和最危害性最强的污染物。

对于大气污染对区域气候和环境的影响，本文将从以下几方面进行研究和探讨。

一、大气污染对气候的影响大气污染对气候的影响主要表现在以下四个方面：1.影响气候变化大气污染物中的二氧化碳等温室气体对全球气候变化造成了重要影响。

二氧化碳具有使地球表面温度升高的特性，如果大气中的二氧化碳浓度增加，就会引起气候变化，例如海平面上升、全球气温升高等。

2.加重气候灾害大气污染物对气候变化造成的影响也包括加重气候灾害，如降雨量增加引发的洪涝灾害、气温升高引发的干旱和火灾等。

这些气候灾害会对区域环境和生产生活带来深刻的负面影响。

3.影响降水的分布大气污染物对降水的分布也有一定的影响，尤其是酸性气体、颗粒物和气溶胶对云和降水形成有着重要影响。

这些污染物会改变云的形态、大小和降水效率，从而影响降水的分布和强度。

4.改变海洋循环大气污染物对海洋环境也有很大的影响。

二氧化碳和酸性气体会影响海洋的酸碱度，从而对海洋生态系统、海洋循环和海洋气候造成许多影响。

例如，二氧化碳的增加会使得海水酸化，这会直接威胁到珊瑚、贝类、龙虾和其他海洋生物的生存，从而对人类的生产和生活造成很大影响。

二、大气污染对环境的影响大气污染对环境的影响具体表现在以下几个方面：1.损坏生态系统大气污染对生态系统造成很大的损坏，尤其是对森林和湿地的影响最为明显。

大气污染物中的氮氧化物和硫化物会影响植物的生长和繁殖，从而导致森林退化和生态平衡的破坏。

此外，大气污染还会导致植物生长变得异常，从而破坏了生态的平衡，对生态环境和生物多样性造成了严重威胁。

2.对水资源造成污染大气污染物会造成酸性降水，导致水体酸化，对水资源造成污染，从而影响水生动植物的生存和繁殖。

《气候变化对环境空气质量影响的研究进展》篇一一、引言随着全球气候变化的加剧，环境空气质量问题逐渐成为人们关注的焦点。

气候变化与空气质量之间存在着密切的联系，而深入探究两者之间的关联及影响机制，对于保护环境、推动可持续发展具有重要意义。

本文旨在综述气候变化对环境空气质量影响的研究进展，分析现有研究成果，为未来的研究提供参考。

二、气候变化与空气质量关系的理论背景气候变化是指地球气候系统长期变化的现象，主要表现为全球气温上升、极端天气事件增多等。

空气质量则主要关注大气中污染物浓度对人类健康和环境的影响。

气候变化通过改变气象条件，如温度、降水、风速等，进而影响空气质量。

例如，气温升高可能导致污染物在大气中停留时间延长，加剧空气污染。

三、气候变化对环境空气质量影响的研究进展1. 温室气体排放与空气质量恶化研究表明，温室气体排放是导致全球气候变化的主要原因，同时也是造成空气质量恶化的重要因素。

随着工业化进程的加快，二氧化碳、甲烷等温室气体的排放量不断增加，加剧了全球气候变暖的趋势，同时也导致了大气中细颗粒物（PM2.5）等污染物的浓度升高，进一步恶化了空气质量。

2. 极端气候事件对空气质量的影响极端气候事件，如暴雨、洪涝、干旱、台风等，对空气质量产生显著影响。

一方面，极端气候事件可能导致土壤侵蚀、地表植被破坏，进而使大气中的颗粒物浓度升高；另一方面，极端气候事件还可能加剧大气污染物的扩散和传输，进一步恶化空气质量。

3. 气候变化对区域空气质量的影响气候变化对区域空气质量的影响表现为空间异质性。

不同地区的气候变化特征和空气质量状况存在差异，因此气候变化对各地区空气质量的影响程度和方式也有所不同。

例如，某些地区可能因气候变化导致大气中的污染物难以扩散，进而形成持续的雾霾天气；而另一些地区则可能因气候变化导致大气中的污染物浓度降低，空气质量得到改善。

四、研究方法与成果分析研究气候变化对环境空气质量影响的方法主要包括观测分析、模型模拟和实验室研究等。

《气候变化对环境空气质量影响的研究进展》篇一一、引言随着全球气候的持续变化，环境空气质量问题已成为全球关注的焦点。

气候变化与空气质量之间存在着密切的联系，二者相互影响、相互制约。

本文旨在探讨气候变化对环境空气质量的影响及其当前的研究进展。

二、气候变化背景概述气候变化是指长时间尺度上，地球的气候系统发生的统计显著的变化。

这些变化包括温度、降水、风速等气象要素的改变。

近年来，由于工业革命以来人类活动的影响，尤其是温室气体排放的增加，导致全球气候变暖现象日益严重。

三、气候变化对环境空气质量的影响1. 温室气体排放与空气污染：全球气候变化主要受温室气体（如二氧化碳、甲烷等）排放的影响。

这些气体的增加不仅加剧了全球气候变暖，同时也影响了环境空气质量，导致臭氧层破坏、酸雨等问题的出现。

2. 极端气候事件与空气质量：气候变化导致的极端气候事件（如暴雨、干旱、热浪等）会直接影响空气质量。

例如，暴雨可能导致城市内涝，使一些有害物质无法得到有效处理而释放到空气中，进而降低空气质量。

3. 生态变化与空气质量：气候变化也会对生态系统的结构、功能和稳定性产生影响，从而间接影响环境空气质量。

例如，森林的砍伐或退化会减少植被对大气的净化作用，降低大气自净能力，加剧空气污染。

四、当前研究进展1. 观测与实验研究：近年来，大量的观测与实验研究证实了气候变化对环境空气质量的影响。

科研人员通过观测全球各地的气候与空气质量数据，分析二者之间的相关性，并使用实验方法模拟气候变化对空气质量的影响。

2. 模型预测：利用大气化学模型和气候模型，研究人员能够预测未来气候变化对环境空气质量的影响。

这些模型基于大量的历史数据和先进的算法，为政策制定提供了重要的参考依据。

3. 政策与措施：针对气候变化对环境空气质量的影响，各国纷纷采取措施减少温室气体排放，改善空气质量。

例如，发展清洁能源、推广节能减排技术、加强大气污染治理等。

这些措施的实施效果也在不断被评估和调整。

《区域大气污染演变趋势研究》篇一一、引言随着现代工业化的飞速发展和人口增长，大气污染已经成为一个日益严峻的问题，尤其是在一些人口密集、工业发达的地区。

这些地区的空气质量严重下降，不仅威胁着居民的身体健康，也对生态系统造成了严重破坏。

因此，对区域大气污染演变趋势的研究显得尤为重要。

本文旨在通过研究区域大气污染的演变趋势，分析其成因及影响，并提出相应的应对策略。

二、研究背景与意义大气污染已经成为全球范围内的主要环境问题之一。

随着城市化进程的加快，大量排放物对大气环境造成了严重影响。

尤其是中国等发展中国家，其工业化、城市化的进程加剧了大气污染问题。

此外，全球气候变化也为大气污染的传播和演变带来了新的挑战。

因此，研究区域大气污染的演变趋势具有重大意义。

三、研究方法与数据来源本研究采用综合的研究方法，包括文献综述、数据收集和统计分析等。

数据来源包括政府部门发布的官方报告、学术期刊论文以及各类大气监测站点提供的实时数据等。

同时，我们利用地理信息系统（GIS）等先进技术对数据进行空间分析和可视化。

四、区域大气污染演变趋势分析（一）污染物排放趋势随着工业化进程的加速，各地区的大气污染物排放量呈上升趋势。

其中，可吸入颗粒物（PM2.5）、二氧化硫（SO2）、氮氧化物（NOx）等污染物对大气环境的危害尤为严重。

在工业发达、人口密集的地区，这些污染物的排放量更是居高不下。

（二）空间分布与时间变化通过对比近几年的卫星图像和地面监测数据，我们发现区域大气污染的空间分布和时间变化呈现出明显的特征。

在空间上，城市中心区及周边地区的污染程度较高，而偏远地区和农村地区的污染程度相对较低。

在时间上，冬季的空气质量普遍较差，夏季相对较好。

（三）影响因素分析区域大气污染的演变趋势受多种因素影响。

首先，工业生产、交通运输等人类活动是主要的大气污染物来源。

其次，气候变化、地形地貌等因素也会对大气污染的传播和演变产生影响。

此外，政策法规、能源结构等因素也在一定程度上影响着大气污染的演变趋势。

《京津冀典型城市环境污染特征、变化规律及影响机制对比分析》篇一一、引言京津冀地区作为我国政治、经济、文化中心之一，其城市群发展迅速，但同时也面临着严重的环境污染问题。

本文旨在对比分析京津冀典型城市的环境污染特征、变化规律及影响机制，以期为该地区的环保工作提供科学依据。

二、研究区域与方法（一）研究区域本文选取京津冀地区内的北京、天津、石家庄三个典型城市作为研究对象。

（二）研究方法本文采用文献综述、实地调查、数据分析等方法，对三个城市的环境污染情况进行对比分析。

三、京津冀典型城市环境污染特征（一）北京市环境污染特征北京市环境污染主要以细颗粒物（PM2.5）为主，主要来源于工业排放、交通尾气等。

此外，北京市还面临着严重的空气污染、水体污染和土壤污染等问题。

（二）天津市环境污染特征天津市环境污染主要以工业排放和交通尾气为主，表现为大气污染严重，水体污染和土壤污染问题也较为突出。

天津市的河流污染严重，部分河流黑臭现象明显。

（三）石家庄市环境污染特征石家庄市环境污染以工业排放和冬季燃煤取暖为主，大气污染严重，雾霾天气频发。

此外，石家庄市还存在着水体污染和土壤污染等问题。

四、京津冀典型城市环境污染变化规律（一）北京市环境污染变化规律北京市近年来加大了环保力度，采取了一系列措施，如限行、限产等，使得PM2.5浓度有所下降，但仍然处于较高水平。

同时，北京市的环保工作也呈现出从末端治理向源头控制转变的趋势。

（二）天津市环境污染变化规律天津市在环保工作上也取得了一定成效，通过加强工业污染治理、推进清洁能源使用等措施，大气污染状况有所改善。

但水体污染问题依然严峻，需要进一步加强治理。

（三）石家庄市环境污染变化规律石家庄市在环保工作上仍面临较大压力，虽然政府采取了一系列措施，但大气污染问题依然严重。

同时，石家庄市也在积极推进工业结构调整、城市绿化等措施，以改善环境质量。

五、影响机制对比分析（一）自然环境因素影响对比京津冀地区自然环境差异较小，但地形、气候等因素对环境污染的影响仍存在一定差异。

北京市秋冬季大气环流型下的气象和污染特征林廷坤;洪礼楠;黄争超;王雪松;蔡旭晖【摘要】分析了北京市2013～2018年秋冬季(即当年11、12月和次年1、2月份)11种环流型的地面和垂直气象特征,归纳出5类大气环流条件,探讨了不同环流型下北京地区的大气传输规律以及环流型与北京PM2.5污染之间的关系.在5类大气环流条件中,第I类(含北(N)、东北(NE)环流型,天数占比28％)和第II类(含西北(NW)、反气旋(A)环流型,占33％)有利于传输扩散,以西北风为主,风向较稳定,风速大,边界层高度高;第III类(含东(E)环流型,占7％)传输扩散条件居中,边界层内以东南风为主,风向变化大,风速中等;第IV类(含西南(SW)、西(W)、南(S)3种环流型,占12％)和第V类(含东南(SE)、均压(UM)、气旋(C)3种环流型,占20％)均不利于传输扩散,边界层内以偏南风为主,风速较小,边界层高度低,低层逆温较强,第IV类近地面风向较稳定,而第V类则风向变化大.不同环流型下气团传输至北京的路径存在差异,对北京空气质量产生潜在影响的周边地区随之发生变化.大气环流型与北京市秋冬季PM2.5污染紧密关联,SW、UM、C、S和W是北京地区最易发生PM2.5污染的环流型(平均污染发生频率>75％,平均重度以上污染发生频率>42％),而在N、A、NE和NW环流型下污染发生频率最低.研究期间,PM2.5污染极端严重的月份存在UM环流型占比显著增加的共同特点,而PM2.5污染水平最低的月份N环流型占比增加近一倍.此外,PM2.5污染变化相对于环流型变化存在一定的滞后性.【期刊名称】《中国环境科学》【年(卷),期】2019(039)005【总页数】10页(P1813-1822)【关键词】环流型;气象;细颗粒物;污染;北京【作者】林廷坤;洪礼楠;黄争超;王雪松;蔡旭晖【作者单位】北京大学环境科学与工程学院,环境模拟与污染控制国家重点联合实验室,北京 100871;北京大学环境科学与工程学院,环境模拟与污染控制国家重点联合实验室,北京 100871;天津市环境保护局,天津 300191;北京大学环境科学与工程学院,环境模拟与污染控制国家重点联合实验室,北京 100871;生态环境部宣传教育中心,北京 100020;北京大学环境科学与工程学院,环境模拟与污染控制国家重点联合实验室,北京 100871;北京大学环境科学与工程学院,环境模拟与污染控制国家重点联合实验室,北京 100871【正文语种】中文【中图分类】X513大气环流型常用于气候和局地气象的研究中,特别在中高纬度地区,气象条件的变化往往由大气环流驱动[1],而北京地区近几年发生的多次大气污染事件均和极端不利的气象条件有关[2-4],研究大气环流和局地气象、大气污染的关系,能够更深刻地理解大气污染发生演变的规律,从而更好地预防和应对大气污染的危害.北京地区三面环山,特殊的地形和大气运动相互作用,使得北京地区大气环流和局地气象、大气污染的关系较为复杂,成为当前的研究热点[2,5-13].有的研究通过若干污染过程总结大气环流与污染的规律,如Zhang等[5]主要分析了2008年奥运期间的污染过程与排放管控措施和环流型变化的关系,认为北京地区环流型是大气污染日变化的首要驱动力.Liu等[6]重点分析了2011年9月份一次重雾霾过程,指出北京地区在稳定的弱高压作用下会产生下沉气流,使得边界层降低,从而促进霾的生成和发展.而有的研究通过长时间的分析总结规律,Zhu等[2]对2016年冬季进行分析,认为2016年冬季发生重污染过程的重要原因是西向暖流在京津冀中层对流层形成“暖盖”,极大增强了逆温现象,形成极端低的边界层高度.Ye等[7]分析了2010~2014年秋冬季9种环流型和气象、能见度的关系,认为京津冀地秋冬季在西南、东南、均压型环流型下风速低,湿度高,能见度低.Miao等[8]总结2011~2014年夏季环流型特点,指出在北京东面高压、北面低压、西北面低压的气压分布条件下,北京的PM2.5平均浓度较高.近年来,北京市秋冬季的PM2.5污染问题严重 [2,14-15].当前,研究工作多集中于研究环流型与近地面污染的关系,缺乏对北京秋冬季不同环流型下的大气垂直结构和污染传输规律的总结.所以本文从近地面和边界层内垂直结构2个方面对2013~ 2018年北京秋冬季各环流型下的气象特征、传输规律进行总结,识别出北京地区主要的PM2.5污染环流型,并分析极端PM2.5污染月份的环流型构成特点,从大气环流型的角度增进气象对污染影响规律的认识,加强对北京秋冬季大气污染成因的理解.本文采用的气象数据有美国国家环境预报中心(NCEP)提供的1°×1°全球再分析资料(NCEP- FNLreanalysis data),美国国家海洋和大气管理局(NOAA)提供的1°×1°气象数据(NOAA-GDAS meteorological data).这两类气象数据都是由全球数据同化系统(GDAS)产生, GDAS中用于同化的观测数据有地面观测站数据、气球数据、风廓线数据、飞机报告、浮标观测、雷达观测和卫星观测数据等 [16].本文分析的时间是从2013年11月开始到2018年2月,选取每年的1,2,11,12月份进行分析.观测数据来自中国环境监测总站的实时空气质量发布平台(http://106.37.208.233:20035/),采用万寿西宫(39.87°N,116.37°E)、东四(39.95°N, 116.43°E)、天坛(39.87°N,116.43°E)、农展馆(39.97°N, 116.47°E)、官园(39.94°N,116.36°E)、海淀区万柳(39.99°N, 116.32°E)、奥体中心(40.00°N,116.40°E),7个国控站的PM2.5平均值作为北京地区的PM2.5浓度值. 大气环流型的计算采用的是Lamb-Jenkension的环流型计算方法.该方法由Lamb[17]首先提出,然后Jenkension等[18]通过定义指数和分类方法将该方法客观化.这种方法能够很好地结合客观分析和主观经验的优势,判断一天的主要大气环流类型[19],在中国和欧洲地区得到广泛的应用[20-25],周荣卫等[24]采用Lamb-Jenkension环流分型法分析北京地区各大气环流型的气候特征.本文采用NCEP-FNL再分析资料中的逐日平均海平面气压场进行Lamb- Jenkinson环流分型计算. 考虑北京市的位置,将40°N,116°E设为环流型的中心,在30~50°N、100~130°E 的范围内,每隔10°经度、5°纬度的网格上取16个点,利用所选区域内16 个格点上的海平面气压,计算以下6个环流指数,环流分型格点如图1所示.式中:p(n)(n=1,2,…,16)为图1中标记对应位置的海平面气压值;α、α1和α2分别为图中A、A1和A2点处的纬度值(即40°、35°和45°);V为地转风;u、v分别为地转风的纬向分量和经向分量;ξ为地转涡度;ξu为地转涡度的经向梯度;ξv为地转涡度的纬向梯度.以中心点所在纬度为参照系,6个环流指数的单位是hpa/(10°纬度).根据地转风方向(θ)、地转风速和地转涡度的关系将一天的环流共分为11种类型.当|ξ|>2V时,为旋转型,包括ξ>0时为气旋型(C), ξ<0时为反气旋型(A).|ξ|<2V时,为平直型,按照地转风方向分别为西(W)、西北(NW)、北(N)、东北(NE)、东(E)、东南(SE)、南(S)、西南(SW)环流型.当|ξ|<6且V<6时,研究区域的气压梯度较小,可以看作均压型(UM).本文同时采用NCEP-FNL再分析资料分析北京地区近地面和垂直方向的气象参数(风速、边界层高度、温湿度、位温[26]等),为了更详细地分析各类环流型下的风场特征和变化,计算以下描述风场的参数[27].式中:T是一天中风速的时间间隔(6h);N是一天中风速次数(4次);ui是纬向风速,m/s;vi是经向风速,m/s;L近似表示风的移动距离,km;S可以近似表示风的传输路程,km;R是一天中的风向变化因子,S’是一天中的平均风速,m/s,本文主要采用R 和S’描述北京城区的风场特征和变化,当R较大时,说明一天中风向变化较大;当S’较大时,说明一天中的风速较大.采用hysplit4模型(/ ready/hysplit4.html)以NOAA-GDAS 1°´1°的气象数据作为输入,进行北京地区各环流型下的72h后向轨迹分析,轨迹起始点坐标是(116°E, 40°N),高度300m,分析的时间分辨率是1h.如图2所示,2013~2018年秋冬季(11,12,1,2月份)北京地区的环流型中A型的出现频率最高,占秋冬季总天数的25%,另外偏北环流型(N、NE、NW)和UM型也较多,分别占到秋冬季总天数的18%,10%, 8%和11%,偏西、偏南的类型(SW、W、S)和C型则出现较少,分别占4%,4%,4%和3%.图3是11种环流分型下的平均海平面气压分布,可见通过Lamb-Jenkinson 法得到的环流型呈现出辨识度很高的海平面气压分布特征.各环流型下北京秋冬季的近地面风速见图4(a).将风向变化因子R和平均风速S’作为指标[27],R³0.6时认为风向变化大;S’£1.5m/s属于停滞风速;R£0.2,S’³3.0m/s,为扩散条件好的情况,按照以上阈值统计各环流型下不同扩散条件的出现频率,见表1.偏北类型(N、NE、NW)和A型下北京近地面风速较大,风向变化小,扩散条件好的天数比例较高,其中,N和NE型风速最大,超过3.5m/s,60%以上的天数有较好的扩散条件.在其余7类环流型下,北京地区出现有利扩散条件的天数比例均很低,其中,在SW、W、S和C型下一半以上的天数出现停滞风速,而在E、SE、UM和C型影响下北京地区近地面风速不高且风向变化相对较大.根据图5,风速较大的N、NE、NW和A型在北京地区以西北风为主.风速中等的E型以东南风为主.风速较小,风向变化较小的S、SW和W型中,S型以东南风为主,SW型以南风为主,W型以西南风为主.风速较小,风向变化较大的S、SW和W型以偏南风为主.根据图4(b)和(c),北京市秋冬季C、偏西(W、SW)和S型的温度较高,N和A型的温度较低.偏南(S、SW、SE)、C、E和UM型的相对湿度较高,而偏北(NE、NW、N)、W和A型的相对较低,相对湿度低的区域主要出现在太行山、燕山与华北平原交界地(见图5).边界层高度是大气垂直扩散条件的重要指标,本文选择北京时间14:00的边界层高度分析环流型对垂直扩散的影响规律.由图6可见,边界层较高的是偏北(N、NE、NW)和A型,平均边界层高度大于900m,其中N和NE型的边界层高度最高.E型边界层高度居中(平均700m左右).边界层高度较低包括SE、S、W、SW、UM和C等类型(平均高度低于600m).边界层高度和水平风速、位温的垂直结构有关,水平风速越小、逆温越强,边界层高度越低,反之越高[28].根据图7,在垂直高度1~3km,各环流型都以西北风或西风为主,风速较大;在边界层内,不同环流型之间的风速和风向差别显著,但总体上呈现出边界层高度越高则风速越大的特点.图8绘制了各环流型下的位温和位温矩平垂直廓线,从中能够看到不同类型环流型存在的差异.N和NE型受到寒冷的西北风影响,各高度上的位温矩平均小于0,而且从地面到2km位温矩平减少2K以上,说明N和NE型低层大气的逆温较弱.NW、A、E型从地面到2km位温矩平变化不大,低层大气处于中等程度逆温.SE、UM、SW、W、S和C等环流型的主要特点是在2km左右的高度上,位温矩平达到最大值,从地面到2km位温矩平上升了1.5K以上.这6种环流型在2km的高度上以西风为主(图7),有研究认为,这可能是因为来自黄土高原上的暖空气传输到北京地区,使得北京低层大气(0~2km)的逆温增强[29-30],边界层高度降低.表2根据11种环流型的近地面气象和大气垂直变化性质,总结出北京地区5类大气环流条件及气象特征,其中,第IV类与第V类的区别主要在于,前者近地面风向较稳定,而后者的风向变化大,这会对污染传输和污染来源产生不同影响.采用后向轨迹方法分析北京地区2013~2018年秋冬季各环流型的传输特征,图9是各环流型下传输至北京的平均印迹,表3是通过计算平均面积轨迹停留时间得到的各环流型下轨迹经过的主要城市.总体而言,各环流型下的传输路径与大尺度环流方向及北京近地面风场特点有关.在有利于传输扩散的I类和II类大气环流条件下,气团主要传输路径由西北传向北京,少量轨迹经河北中部传输到北京,主要途径的城市包括内蒙古的包头、乌兰察布,河北的张家口、保定和廊坊等城市.在中等传输扩散条件的E环流型下,因近地面风向变化大,高印迹的传输范围相对较小,北京受周边相邻地区传输影响大,主要途径城市有廊坊、天津、张家口等.在不利于传输扩散的第IV类大气环流条件下,因低层风向相对稳定,高传输印迹的范围较大,其中,SW环流型下的轨迹主要由河北南部和中部、天津传至北京,主要途径河北的保定、廊坊、沧州、衡水、以及天津等城市;W环流型下的轨迹主要经河南北部、河北南部和中部传至北京,经过的城市主要有河南濮阳和河北的保定、衡水、廊坊和沧州等;S环流型下气团主要经由山东北部、河北中部传到北京,主要途径城市为山东的滨州,河北的廊坊、沧州、衡水和保定等.在同样不利于传输扩散的第V类大气环流条件下,由于低层风向变化大,高传输印迹范围比第IV类小,其中,SE环流型下的轨迹主要由北京东南方向传至北京,主要途径廊坊、天津、沧州、唐山和保定等城市;在UM和C环流型下,气团主要由河北中部传至北京,主要途径河北的保定、廊坊以及天津等城市.北京市秋冬季PM2.5污染与大气环流型紧密相关,环流型的扩散条件好坏、传输轨迹是否经过污染物高排地区,都会影响PM2.5的浓度水平.如图10(a)所示,北京秋冬季SW、UM、C、S和W环流型的PM2.5浓度较高,出现这5类环流型的天数占总天数的26%,但是这5类环流型下发生污染的频率平均高达75%以上,重污染以上的发生频率平均在42%以上(图10b).这5类环流型属于传输扩散条件最差的环流类型,平均风速低于1.6m/s,低层大气的逆温较强,午后边界层高度一般低于600m,而且在传输过程中气团多途径污染排放较大的河北中、南部地区,是北京秋冬季污染的主要环流类型.北京E和SE环流型的PM2.5浓度水平居中,这2类环流型在总天数中的占比为13%,发生污染的频率平均在50%左右,重污染以上的发生频率约15%,是北京秋冬季污染的次要环流类型.在NW、NE、A和N环流型下,北京秋冬季的PM2.5水平最低.这4类环流天数占总天数的61%,发生污染的频率在30%左右,重污染频率约10%.这4类环流型属于传输扩散条件最好的环流类型,平均风速大,低层大气的逆温较弱,午后边界层高度近1000m甚至更高.气团多由内蒙古等污染排放较低的地区传输到北京,是北京秋冬季污染最轻的环流类型.此外,从图10(c)中还可以看到,即使在传输扩散条件最好的N和NE型下,仍存在一定比例的重污染天数,而最不利传输扩散的W、SW、S、C和UM型下也有15%以上的非污染天,反映出大气传输扩散条件与PM2.5污染程度不一致的情况,这是因为污染变化相对于环流型变化有一定的滞后性.进一步分析表明(图11a), 在N和NE环流型出现重度以上污染的时候,前一天的环流型以最不利传输扩散的IV、V类环流条件为主(占58.8%),当环流型从扩散条件最差的类型转变到有利扩散的类型时,污染还未完全消散,使得N和NE环流型下会出现一定比例的重度污染天.类似的,在扩散条件最差的W、SW、S、C、UM型出现非污染天时,其前一天的环流型以传输扩散条件较好的II类(占52.5%)和I类(占17.5%)为主,说明当传输扩散条件转差后,污染的发生还需要经历一个发展的过程.2013~2018年PM2.5浓度的月均变化如图12所示,可以看到,2014年2月、2015年12月、2016年12月都是污染非常严重的月份,月均的浓度水平在140μg/m3以上,而2017~2018年秋冬季污染非常低,其中2018年1月份月均浓度水平在30μg/m3左右,针对污染极高的3个月份,以及污染极低的1个月份进行环流型分析,如图13所示.可以看到,PM2.5污染严重的3个月份中,均压型(UM)的比例明显增加,达到了18%以上(在研究期间的平均比例11%),这3个月在均压环流型下,平均风速在1.2m/s左右,低层大气逆温强,午后的边界层高度低于450m,易造成污染物累积和浓度水平升高.对于2018年1月的最大特点是传输扩散条件最好的北向(N)环流型比例明显增加,达到了35%以上(在研究期间的平均值18%),该月在北向环流型下,平均风速在3.4m/s左右,低层大气逆温弱,午后的边界层高度达到1700m以上,有利于降低污染水平,而传输扩散条件最差的IV、V类环流型不到10%(在研究期间的平均占比32%),由此可以反映出环流型变化对北京秋冬季PM2.5污染的重要影响.3.1 根据对北京地区2013~2018年秋冬季(11、12、1、2月份)大气环流型气象特征的分析,归纳出5类大气环流条件:第I类(包括N、NE环流型,天数占比28%)和第II类(包括NW、A环流型,占33%)均有利于传输扩散,以西北风为主,风向比较稳定,风速大,边界层最大高度分别>1300m和>900m;第III类(E环流型,占7%)传输扩散条件中等,边界层内以东南风为主,风向变化大,风速中等,边界层最大高度~700m;第IV类(包括SW、W、S环流型,占12%)和第V类(包括SE、UM、C环流型,占20%)均不利于传输扩散,边界层内以偏南风为主,风速较小,边界层最大高度<600m,低层大气(0~2km)逆温较强,区别主要在于前者近地面风向较稳定,而后者风向变化大.3.2 5类大气环流条件下的污染传输路径存在差异.在第I、II类条件下,气团主要从西北方向、途径包头、乌兰察布、张家口等地到达北京;第III类条件下北京受周边相邻地区(天津、廊坊、张家口等)的传输影响大;第IV类气团主要途经河南北部、河北南部和中部、以及山东北部等地,涉及范围较大;第V类气团则主要经河北中部传输到北京.3.3 北京市秋冬季PM2.5污染程度与环流型的扩散条件基本一致,污染变化相对于环流型变化存在一定的滞后性.最易发生PM2.5污染的环流型包括SW、UM、C、S和W,这5类环流型下污染发生频率>75%,重度以上污染发生频率>40%;在N、A、NE和NW环流型的天气下污染发生频率最低.3.4 PM2.5浓度水平极高的月份,共同特点是均压型(UM)比例明显增加,而极低的月份特点是扩散条件最好的北向(N)环流型比例明显增加,而扩散条件最差的IV、V 类环流型明显减少.[1] Jacobeit J. Classifications in climate research [J]. Physics and Chemistry of the Earth, Parts A/B/C, 2010,35(9):411-421.[2] Zhu W, Xu X, Zheng J, et al. The characteristics of abnormal wintertime pollution events in the Jing-Jin-Ji region and its relationships with meteorological factors [J]. Science of The Total Environment,2018,626:887-898.[3] 张文龙,尤凤春,张小玲,等.北京2013年1月严重霾天气过程的气象成因分析[J]. 气象与环境科学, 2016,39(2):46-54. Zhang W L, You F C, Zhang X L, et al. Meteorological characteristics analysis of severe haze weather processes in Beijing in January 2013 [J]. Meteorological and Environmental Sciences, 2016, 39(2):46-54.[4] 戴健,程月星.北京市2016年7月一次雾霾天气过程分析 [J]. 环境科学导刊, 2018,37(1):34-41. Dai J, Cheng Y X. Analysis of one haze in Beijing in July 2016 [J]. Environmental Science Survey, 2018,37(1):34-41.[5] Zhang J P, Zhu T, Zhang Q, et al. The impact of circulation patterns on regional transport pathways and air quality over Beijing and its surroundings [J]. Atmospheric Chemistry and Physics, 2012,12(11): 5031-5053.[6] Liu X G, Li J, Qu Y, et al. Formation and evolution mechanism of regional haze: a case study in the megacity Beijing, China [J]. Atmospheric Chemistry and Physics, 2013,13(9):4501-4514.[7] Ye X X, Song Y, Cai X H, et al. Study on the synoptic flow patterns and boundary layer process of the severe haze events over the North China Plain in January 2013 [J]. Atmospheric Environment, 2016,124: 129-145.[8] Miao Y, Guo J P, Liu S H, et al. Classification of summertime synoptic patterns in Beijing and their associations with boundary layer structure affecting aerosol pollution [J]. Atmospheric Chemistry and Physics, 2017,17(4):3097-3110.[9] Miao Y, Guo J P, Liu S H, et al. Relay transport of aerosols to Beijing-Tianjin-Hebei region by multi-scale atmospheric circulations [J]. Atmospheric Environment, 2017,165:35-45.[10] Zhang Y, Ding A J, Mao H T, et al. Impact of synoptic weather patterns and inter-decadal climate variability on air quality in the North China Plain during 1980~2013 [J]. Atmospheric Environment, 2016,124: 119-128.[11] Wang C, An X Q, Zhai S X, et al. Tracking sensitive source areas of different weather pollution types using GRAPES-CUACE adjoint model [J]. Atmospheric Environment, 2018,175:154-166.[12] Wang C, An X Q, Zhang P, et al. Comparing the impact of strong and weak East Asian winter monsoon on PM2.5 concentration in Beijing [J].Atmospheric Research, 2019,215:165-177.[13] Zhang H, Yuan H, Liu X et al. Impact of synoptic weather patterns on 24h-average PM2.5 concentrations in the North China Plain during2013~2017 [J]. Science of The Total Environment, 2018,627:200-210. [14] Zhang H F, Wang S X, Hao J M, et al. Air pollution and control action in Beijing [J]. Journal of Cleaner Production, 2016,112:1519-1527.[15] 李令军,王占山,张大伟,等.2013~2014年北京大气重污染特征研究 [J]. 中国环境科学, 2016,36(1):27-35. Li L J, Wang Z S, Zhang D W, et al. Analysis of heavy air pollution episodes in Beijing during 2013~2014 [J]. China Environmental Science, 2016,36(1):27-35.[16] Kalnay E, Kanamitsu M, Kistler R, et al. The NCEP/NCAR 40-year reanalysis project [J]. Bulletin of the American Meteorological Society, 1996,77(3):437-471.[17] Lamb H H. Types and spells of weather around the year in the British Isles [J]. Quarterly Journal Royal Meteorological Society, 1950,76: 393-438.[18] Jenkinson A F, Collison F P. An initial climatology of gales over the North Sea [C]//Synoptic Climatology Branch Memorandum, No. 62. Bracknell: Meteorological Office, 1977:1-18[19] Trigo R M, DaCamara C C. Circulation weather types and their influence on the precipitation regime in Portugal [J]. International Journal of Climatology, 2000,20(13):1559-1581.[20] Pope R J, Savage N H, Chipperfield M P, et al. The influence of synoptic weather regimes on UK air quality: regional model studies of tropospheric column NO2 [J]. Atmospheric Chemistry and Physics,2015,15(19):11201-11215.[21] Russo A, Trigo R M, Martins H, et al. NO2, PM10 and O3 urban concentrations and its association with circulation weather types in Portugal [J]. Atmospheric Environment, 2014,89:768-785.[22] Santurtún A, José C G H, Arturo S L, et al. Surface ozone concentration trends and its relationship with weather types in Spain (2001~2010) [J]. Atmospheric Environment, 2015,101:10-22.[23] 贾丽伟,李维京,陈德亮,等.东北地区月平均大气环流型与哈尔滨气候关系的初步研究 [J]. 气象学报, 2006,(2):236-245. Jia L W, Li W J, Chen D L, et al. A monthly atmospheric circulation classification and its relationship with climate in Haerbin [J]. Acta Meteorologica Sinica, 2006,(2):236-245. [24] 周荣卫,何晓凤,苗世光,等.北京地区大气环流型及气候特征[J]. 气候变化研究进展, 2010,6(5):338-343. Zhou R W, He X F, Miao S G, et al. Atmospheric circulation types and their climatic characteristics over Beijing [J]. Advances in Climate Change Research, 2010,6(5):338-343.[25] 朱艳峰,陈德亮,李维京,等.Lamb-Jenkinson环流客观分型方法及其在中国的应用 [J]. 南京气象学院学报, 2007,30(3):289-297. Zhu Y F, Chen D L, Li W J, et al. Lamb-Jenkinson circulation type classification system and its application in Chian [J]. Journal of Nanjing Institute of Meteorology, 2007,30(3):289-297.[26] Curry J A. Thermodynamics | Saturated Adiabatic Processes, in Encyclopedia of Atmospheric Sciences (Second Edition) [M]. Academic Press: Oxford, 2015:398-401.[27] Allwine K J, Whiteman C D. Single-station integral measures ofatmospheric stagnation, recirculation and ventilation and ventilation [J]. Atmospheric Environment, 1994,28(4):713-721.[28] Vogelezang D H P, Holtslag A A M. Evaluation and model impacts of alternative boundary-layer height formulations [J]. Boundary-Layer Meteorology, 1996,81(3/4):245-269.[29] Zhu X W, Tang G Q, Hu B, et al. Regional pollution and its formation mechanism over North China Plain: A case study with ceilometer observations and model simulations [J]. Journal of Geophysical Research-Atmospheres, 2016,121(24):14574-14588.[30] Hu X M, Ma Z, Lin W, et al. Impact of the Loess Plateau on the atmospheric boundary layer structure and air quality in the North China Plain: a case study [J]. Science of The Total Environment, 2014, 499:228-37.【相关文献】[1] Jacobeit J. Classifications in climate research [J]. Physics and Chemistry of the Earth, Parts A/B/C, 2010,35(9):411-421.[2] Zhu W, Xu X, Zheng J, et al. The characteristics of abnormal wintertime pollution events in the Jing-Jin-Ji region and its relationships with meteorological factors [J]. Science of The Total Environment, 2018,626:887-898.[3] 张文龙,尤凤春,张小玲,等.北京2013年1月严重霾天气过程的气象成因分析[J]. 气象与环境科学, 2016,39(2):46-54. Zhang W L, You F C, Zhang X L, et al. Meteorological characteristics analysis of severe haze weather processes in Beijing in January 2013 [J]. Meteorological and Environmental Sciences, 2016, 39(2):46-54.[4] 戴健,程月星.北京市2016年7月一次雾霾天气过程分析 [J]. 环境科学导刊,2018,37(1):34-41. Dai J, Cheng Y X. Analysis of one haze in Beijing in July 2016 [J]. Environmental Science Survey, 2018,37(1):34-41.[5] Zhang J P, Zhu T, Zhang Q, et al. The impact of circulation patterns on regional transport pathways and air quality over Beijing and its surroundings [J]. Atmospheric Chemistry and Physics, 2012,12(11): 5031-5053.[6] Liu X G, Li J, Qu Y, et al. Formation and evolution mechanism of regional haze: acase study in the megacity Beijing, China [J]. Atmospheric Chemistry and Physics,2013,13(9):4501-4514.[7] Ye X X, Song Y, Cai X H, et al. Study on the synoptic flow patterns and boundary layer process of the severe haze events over the North China Plain in January 2013 [J]. Atmospheric Environment, 2016,124: 129-145.[8] Miao Y, Guo J P, Liu S H, et al. Classification of summertime synoptic patterns in Beijing and their associations with boundary layer structure affecting aerosol pollution [J]. Atmospheric Chemistry and Physics, 2017,17(4):3097-3110.[9] Miao Y, Guo J P, Liu S H, et al. Relay transport of aerosols to Beijing-Tianjin-Hebei region by multi-scale atmospheric circulations [J]. Atmospheric Environment, 2017,165:35-45.[10] Zhang Y, Ding A J, Mao H T, et al. Impact of synoptic weather patterns and inter-decadal climate variability on air quality in the North China Plain during 1980~2013 [J]. Atmospheric Environment, 2016,124: 119-128.[11] Wang C, An X Q, Zhai S X, et al. Tracking sensitive source areas of different weather pollution types using GRAPES-CUACE adjoint model [J]. Atmospheric Environment, 2018,175:154-166.[12] Wang C, An X Q, Zhang P, et al. Comparing the impact of strong and weak East Asian winter monsoon on PM2.5 concentration in Beijing [J]. Atmospheric Research, 2019,215:165-177.[13] Zhang H, Yuan H, Liu X et al. Impact of synoptic weather patterns on 24h-average PM2.5 concentrations in the North China Plain during 2013~2017 [J]. Science of The Total Environment, 2018,627:200-210.[14] Zhang H F, Wang S X, Hao J M, et al. Air pollution and control action in Beijing [J]. Journal of Cleaner Production, 2016,112:1519-1527.[15] 李令军,王占山,张大伟,等.2013~2014年北京大气重污染特征研究 [J]. 中国环境科学, 2016,36(1):27-35. Li L J, Wang Z S, Zhang D W, et al. Analysis of heavy air pollution episodes in Beijing during 2013~2014 [J]. China Environmental Science, 2016,36(1):27-35.[16] Kalnay E, Kanamitsu M, Kistler R, et al. The NCEP/NCAR 40-year reanalysis project [J]. Bulletin of the American Meteorological Society, 1996,77(3):437-471.[17] Lamb H H. Types and spells of weather around the year in the British Isles [J]. Quarterly Journal Royal Meteorological Society, 1950,76: 393-438.[18] Jenkinson A F, Collison F P. An initial climatology of gales over the North Sea[C]//Synoptic Climatology Branch Memorandum, No. 62. Bracknell: Meteorological Office, 1977:1-18[19] Trigo R M, DaCamara C C. Circulation weather types and their influence on the precipitation regime in Portugal [J]. International Journal of Climatology,2000,20(13):1559-1581.[20] Pope R J, Savage N H, Chipperfield M P, et al. The influence of synoptic weather regimes on UK air quality: regional model studies of tropospheric column NO2 [J]. Atmospheric Chemistry and Physics, 2015,15(19):11201-11215.[21] Russo A, Trigo R M, Martins H, et al. NO2, PM10 and O3 urban concentrations and its association with circulation weather types in Portugal [J]. Atmospheric Environment, 2014,89:768-785.[22] Santurtún A, José C G H, Arturo S L, et al. Surface ozone concentration trends and its relationship with weather types in Spain (2001~2010) [J]. Atmospheric Environment, 2015,101:10-22.[23] 贾丽伟,李维京,陈德亮,等.东北地区月平均大气环流型与哈尔滨气候关系的初步研究 [J]. 气象学报, 2006,(2):236-245. Jia L W, Li W J, Chen D L, et al. A monthly atmospheric circulation classification and its relationship with climate in Haerbin [J]. Acta Meteorologica Sinica, 2006,(2):236-245.[24] 周荣卫,何晓凤,苗世光,等.北京地区大气环流型及气候特征[J]. 气候变化研究进展,2010,6(5):338-343. Zhou R W, He X F, Miao S G, et al. Atmospheric circulation types and their climatic characteristics over Beijing [J]. Advances in Climate Change Research, 2010,6(5):338-343.[25] 朱艳峰,陈德亮,李维京,等.Lamb-Jenkinson环流客观分型方法及其在中国的应用 [J]. 南京气象学院学报, 2007,30(3):289-297. Zhu Y F, Chen D L, Li W J, et al. Lamb-Jenkinson circulation type classification system and its application in Chian [J]. Journal of Nanjing Institute of Meteorology, 2007,30(3):289-297.[26] Curry J A. Thermodynamics | Saturated Adiabatic Processes, in Encyclopedia of Atmospheric Sciences (Second Edition) [M]. Academic Press: Oxford, 2015:398-401. [27] Allwine K J, Whiteman C D. Single-station integral measures of atmospheric stagnation, recirculation and ventilation and ventilation [J]. Atmospheric Environment, 1994,28(4):713-721.[28] Vogelezang D H P, Holtslag A A M. Evaluation and model impacts of alternative boundary-layer height formulations [J]. Boundary-Layer Meteorology, 1996,81(3/4):245-269.[29] Zhu X W, Tang G Q, Hu B, et al. Regional pollution and its formation mechanism over North China Plain: A case study with ceilometer observations and model simulations [J]. Journal of Geophysical Research-Atmospheres, 2016,121(24):14574-14588.[30] Hu X M, Ma Z, Lin W, et al. Impact of the Loess Plateau on the atmospheric boundary layer structure and air quality in the North China Plain: a case study [J]. Science of The Total Environment, 2014, 499:228-37.。

北京大气污染近年来，随着全球环境问题的加剧和气候变化的不断加剧，大气污染问题已经成为了一个世界性的难题。

作为我国的首都，北京的大气污染问题尤为严重。

本文主要讨论北京大气污染的原因、影响以及应对措施。

一、北京大气污染的原因北京大气污染问题的主要原因是来自外部和内部的双重因素。

外部因素主要包括工业和交通污染，内部因素主要包括燃煤取暖和民生污染。

1. 工业和交通污染随着北京市的工业化和城市化进程的不断加速，越来越多的工业排放物和交通尾气对大气环境造成了污染。

工厂和车辆排放的有害气体如二氧化硫、氮气、一氧化碳等等，是北京大气污染的主要来源。

2. 燃煤取暖北京的冬季寒冷，燃煤取暖是主要供暖方式。

燃煤取暖排放的大量污染物，如二氧化碳、二氧化硫、氮氧化物和细颗粒物，都会对空气质量造成不良影响。

3. 民生污染北京是一个特大城市，日常生活所产生的污染物排放也相当可观。

比如垃圾焚烧，废旧电池等易污染物的丢弃，以及部分小作坊的偷排污水等等，都会对空气质量造成影响。

二、北京大气污染的影响北京大气污染造成的影响十分显著，不仅对人类健康造成危害，对城市形象也产生了很大的负面影响。

1. 健康影响悬浮在空气中的细小颗粒物十分危险，容易被吸入人体呼吸系统，对呼吸道和肺部造成严重损害。

北京市民普遍对大气污染带来的健康风险感到担忧，不少人在日常生活中使用口罩进行预防。

2. 经济影响北京大气污染不仅对人们的身体健康造成了影响，也对经济造成了很多损失。

据统计，北京市因为大气污染每年的经济损失超过千亿元。

3. 城市形象影响作为国家的首都，北京的城市形象备受关注。

但是，由于大气污染问题的严重性，北京的形象在逐渐受到损害。

作为全球知名城市，北京应该在环境保护方面做出更好的表率。

三、应对措施北京大气污染问题的解决需要政府和个人共同努力。

政府首先应该加大力度治理大气污染，而个人应该从自己做起，减少污染对环境的负面影响。

1. 政府应对措施政府应该加大对工业和交通污染的治理力度，在加强现有系统的地面监测的同时，建立更多立体监管机制。

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。

大气污染与气候变化的协同治理研究大气污染和气候变化是当今世界所面临的两大挑战之一。

这两个问题相互交织、相互影响，给人类社会和生态环境带来了巨大的威胁。

因此，研究大气污染和气候变化的协同治理成为了当代学术界的热点话题。

大气污染和气候变化之间的关系非常密切。

一方面，大气污染是导致全球气候变化的重要原因之一。

燃烧化石燃料和工业排放释放大量温室气体和大气气溶胶，加剧了温室效应，从而导致了地球气候变暖。

另一方面，气候变化也会影响大气污染的生成、传输和转化过程。

例如，气候变暖可能导致植被减少和降水减少，从而减少了大气中的湿润过程，使大气气溶胶浓度增加，加剧了大气污染问题。

为了研究大气污染和气候变化的协同治理，我们需要从多个视角和层面进行研究。

首先，我们需要对大气污染和气候变化的形成机制进行深入的研究。

只有了解它们背后的物理、化学和生态过程，才能更好地制定对策。

其次，我们需要通过建立气象观测网络和污染监测站点，获取准确的气象和污染数据，为协同治理提供科学依据。

同时，我们还需要研究和应用先进的大气模式，预测和模拟大气污染和气候变化的发展趋势，为政策制定提供支持。

此外，协同治理还需要跨学科的合作和全球合作。

大气污染和气候变化是全球性的问题，没有任何一个国家或地区可以独立解决。

因此，各国政府、科研机构和国际组织需要加强合作，共享经验和技术，共同应对挑战。

同时，要加强公众的意识和参与，通过宣传教育和社会参与，促进大气污染和气候变化的协同治理。

除了政府和科研机构的努力外，企业和个人也应该承担起责任，采取积极的行动来减少大气污染和应对气候变化。

企业可以减少工业排放，采用清洁能源和环保技术，推动绿色发展。

个人可以节约能源，减少碳排放，推广低碳生活方式，减少对环境的压力。

在大气污染和气候变化的协同治理中，技术创新起着重要的作用。

例如，可再生能源和能源储存技术的发展，有助于减少对化石燃料的依赖，降低碳排放。

同时，空气净化技术和碳捕集技术的应用，可以有效减少大气污染物的排放和气候变化的影响。