李 娟,褚旸晰,杜谨宏,靳文静,胡荣明,尉 鹏*

贝加尔湖高压分裂过程对绥化市重污染的影响

李 娟1,2,褚旸晰1,杜谨宏1,靳文静1,胡荣明2,尉 鹏1*

(1.中国环境科学研究院大气环境研究所,北京 100012；2.西安科技大学测绘科学与技术学院,陕西 西安 710054)

为探究贝加尔湖高压分裂过程对绥化市2020年1月份持续性重污染事件的影响,以WRF中尺度气象预报数据及气象观测数据为分析基础,分析了2020年1月9～21日的天气形势及气象要素变化,并结合污染物浓度观测数据及PM2.5组分观测数据(13～21日),分析了该过程中污染物浓度变化及化学组分特征.结果表明:此次污染过程由贝加尔湖分裂高压引起的持续性静稳天气造成,11～20日期间,空气质量指数AQI变化范围为182～329,其中有9d污染状况为重度及以上污染;重污染期间,地面风速最低下降至0.5m/s左右,能见度下降至1km左右,且出现逆温层,大气扩散条件差;持续性静稳天气导致大气氧化性增强,氧化剂浓度((NO2)+(O3))约94～118 μg/m3,相对湿度约为94%,(SO42-)、(NH4+)最大日增量达28.59、11.32 μg /m3,增长速度相比于14日分别增加了1264%、1270%,高湿高氧化性的大气环境显著促进了二次无机盐的生成.贝加尔湖高压分裂过程导致持续性静稳天气,加之污染物的本地排放与积累,增加了大气氧化性,进而形成绥化市持续性重污染天气.

高压分裂；天气形势；PM2.5；化学组分

2020年1月9～21日新冠肺炎疫情前期,黑龙江省绥化市出现了一次持续时间长达11d的重污染过程,(PM2.5)小时峰值高达390μg/m3,月均(PM2.5)比2019年同期升高123%,重污染的强度和持续时间显著高于近3a.数据显示,同往年相比2020年1月份绥化市区域污染排放没有明显增加.

研究表明,大气重污染过程与天气系统演变及气压场变化密切相关[1-4].全球大气污染事件频发,与阻滞高压现象的增加及其持续时间的延长有重要关系[5];TAI等[6]发现气象要素的变化对PM2.5潜在区域性影响更大,并利用大气环流模型定量分析了天气系统变化周期对污染物变化的影响.国内一些学者从天气型等方面对大气污染事件也进行了深入分析[7-13],如陈朝晖等[14]通过对华北地区大气污染过程中的天气形势分析发现,污染物浓度峰值是逐步累积造成的,而持续存在的大陆高压均压场是造成重污染浓度累积的主要背景场.中国中纬度地区有大量的反气旋系统经常滞留在贝加尔湖和巴尔喀什湖之间,缓慢移动的反气旋会导致大气污染[15].据统计,东北地区近年来大气污染状况呈上升趋势,其中贝加尔高压系统对东北地区的重污染天气影响较大,众多学者针对东北地区大气污染的气象因素也做了大量研究[16-19],如Li等[20]研究表明稳定边界层、强地面逆温、本地排放及华北地区的区域输送是造成东北地区大气污染的主要原因;Yang等[21]提到天气系统滞留引起的风场静稳及相对湿度升高也是东北城市群形成重雾霾天气的重要气象因素之一.虽然众多学者对天气形势、气象要素及重污染成因进行了大量研究,但绥化市此次持续性重污染事件过程中的天气形势较为特殊,不存在天气系统的滞留及反气旋的缓慢移动,无法用以上研究结果进行相关解释与分析.

本文利用WRF模式模拟了2020年1月份绥化市天气形势变化,并基于气象和颗粒物组分观测数据,从天气形势演变、气象要素变化、大气颗粒物质量浓度分布及组分变化角度来分析此次重污染事件过程,以期为东北地区大气污染的气象成因及预报预警提供参考.

1 数据与方法

1.1 观测数据

2020年1月份主要大气污染物(PM10、PM2.5、O3_8h、SO2、NO2、NO、NO)、气象要素(气压、气温、相对湿度、风速、风向及能见度)、9类水溶性粒子(Na+、NH4+、K+、Mg2+、Ca2+、F-、Cl-、NO3-、SO42-)及2类碳质组分(EC、OC)数据均来自绥化市人和东街观测站,由于数据缺失,其中化学组分有效观测天数为9d(2020年12月13～21日);探空数据来自怀俄明大学天气数据网(weather.uwyo.edu/ wyoming/).

1.2 WRF模式

本文所用气象数据来自中尺度气象模式WRF (V4.1),其中WRF模式每日对初始场进行初始化,模拟时间起止时间为2020年1月1～31日,每次模拟时长为31h,Spin-up时间设置为6h. WRF模式中心点坐标为35°N、110°E,水平网格距分别为36km,嵌套网格数为210×200,覆盖垂直层为35层,详细参数化方案见表1.

表1 WRF参数设定输入选项

1.3 WRF模式结果验证

气象小时观测数据来自绥化市人和东街观测站,将观测数据与WRF模拟数据进行对比验证,其中海平面气压模拟值与观测值相关性系数为0.94,相关性较好,均方根误差为3.5hPa,误差较小;风速及风向模拟结果与其观测值相关性系数分别为0.71、0.65,均方根误差分别为1.4m/s、5.7°.根据WRF模拟值误差分析可知,WRF整体模拟误差较小,模拟结果可靠.

2 结果与讨论

2.1 污染过程

如图1,绥化市2020年1月期间共发生2次重污染过程,其中2020年1月3～5日为第一次污染过程,持续时间较短; 2020年1月8～21日为第二次污染过程,持续时间长达14d,此次污染过程期间,日均(PM2.5)和(PM10)浓度分别为168.88,178.47μg/m3,污染程度重,故本文选取第2次污染过程进行重点研究.

本文依据AQI指数将空气质量等级划分为: 0～50为优,51～100为良,101～150为轻度污染,151～ 200为中度污染,201～300为重度污染,300及以上为严重污染.10～20日研究期间,1d为中度污染,

重度污染及以上污染天气过程持续时间长达9d.1月8日起,污染物浓度开始累积上升,11日PM2.5浓度达到第1个峰值212μg/m3,受天气形势的影响,11～20日污染物浓度持续保持高值震荡,平均(PM2.5)为214μg/m3,其中11,14,16,18,20日PM浓度均达到震荡峰值,其(PM2.5)分别为212, 238,279,239,254μg/m3,(PM10)分别为217,238, 271,240,259μg/m3;21日(PM2.5)下降至谷值106μg/m3.污染过程中,(PM2.5)、(PM10)时序变化一致,且PM浓度达峰值期间,对应日期的(O3_8h)也达到峰值,同时(SO2)、(NO)、(NO2)、(NO)浓度均下降.

根据污染过程中污染物浓度变化及天气变化特征,该研究将此次污染过程分为3个阶段:前高压阶段(8～11日)、持续分裂高压阶段(12～20日)以及清除高压阶段(21日).

图1 重污染过程中污染物浓度变化特征

2.2 前高压阶段

2.2.1 天气形势演变 10日,黑龙江地区高空为偏西南气流 (图2(a)),风速平稳,风向不一,高空形势稳定,而黑龙江以北、以南地区的高空气流均为平直西风气流,污染物在东北地区开始累积;地面高压中心位于蒙古地区,分离高压场覆盖内蒙古东部,低压中心位于欧洲东南部地区(图2(c)),地面风向以偏南风为主(图2(e)),风速为3～5m/s,在这种天气形势下,周边南部城市污染物持续向绥化市输送,10日(PM2.5)、(PM10)浓度分别为155,161μg/m3,AQI指数为205,污染程度上升至重度污染.11日黑龙江地区高空为平直西风气流,风速为3～4级(图2(b));此时地面蒙古高压东移,高压中心位于贝加尔湖,分裂小高压位于内蒙古东部,同时东北东部也出现小高压中心,低压中心则位于东北以北地区,绥化市则处在低压槽附近(图2(d)),地面风向为偏西南风,风速约1～2m/s,地面天气形势稳定,污染物持续在本地累积,导致11日污染物浓度持续上升并达到此次污染过程的第一个峰值,(PM2.5)、(PM10)浓度分别为212,217μg/m3.

2.2.2 气象要素影响 图3为9～11日绥化市站点气象要素变化时序分布图.在海平面气压影响下,11日海平面气压低于9～10日,与WRF模拟结果一致(图3(a));9日开始,绥化市受大陆高压控制,地面风力弱,能见度开始下降,11日能见度不足2km(图3(a));9～11日的相对湿度在75%～95%,在污染物浓度积累上升阶段大气环境始终保持高湿(图3(a)).10日气温上升至峰值-12℃,温度升高、相对湿度大,高湿及相对高气温环境有利于二次颗粒物的增长[7,22],同时10日地面风速增大至1.5～3m/s,以偏南风为主(图3(a)),因此10日的偏南风区域输送及污染物的二次转化是导致绥化市污染物浓度上升的主要原因.11日绥化市偏西南风风速约0～2m/s左右,地面静稳,无明显主导风向,同时自地面至高空800m左右形成逆温层(图3(b)),减弱了低层大气的垂直混合,且800m以下温度、露点温度差异小,表明相对湿度大[23],同时800m以上的高空温度、露点温度差异变大,形成低温及“上干下湿”的稳定天气条件,促进了大气中污染物二次转化,污染物难以扩散并在本地近地面持续积累.

2.2.3 PM2.5碳质组分变化 碳质组分是PM2.5主要成分之一,主要包括有机碳(OC)和元素碳(EC),其中EC主要来自化石燃料及生物质不完全燃烧的一次排放,在大气中化学性质稳定;OC主要包含由污染源直接排放的一次有机碳(POC)及大气中光化学反应生成的二次有机碳(SOC)[24-25].由图4为可见,9～11日OC、EC浓度持续上升,11日日均(OC)、(EC)分别上升至42.42,12.58μg/m3;由于11日风速降低,同时近地200m处出现逆温层(图3),导致大气的水平及垂直扩散能力下降,导致绥化市碳质组分在本地积累,浓度进一步升高.研究者利用OC/EC比值法来判断大气中碳质气溶胶的来源及转化[26-27]. 9～11日,OC/EC为2.9～4.2,表明在污染物浓度上升阶段存在二次污染[28-30],且期间有交通源排放及燃煤源排放.

图2 2020年1月10～11日高空500hPa平均位势高度场、海平面气压场及地面10m风场

图3 前高压阶段气象要素及探空曲线

图(b)中左侧黑实线为露点温度,右侧黑实线为温度

图4 2020年1月9～12日碳质组分分布

2.2 持续分裂高压阶段

2.2.1 贝加尔湖分裂高压天气形势演变 贝加尔湖高压分裂过程是指贝加尔湖地带高压系统增强,不断发展并分裂出高压,分裂高压东移南下,进而影响我国地区.12～20日,绥化市形成持续重污染天气(图1),(PM2.5)保持在182～329μg/m3.13日高空呈平直西风气流,无明显气流交换(图5);地面高压中心位于贝加尔湖及蒙古地区,从贝加尔湖分裂出的高压系统向内蒙古中部移动,低压中心则位于黑龙江省东部(图6),绥化市受弱高压脊影响,地面风向以偏西南风为主(图7),风速为2～4m/s,污染物从周边地区向绥化输送.14日贝加尔湖分裂高压增强,高压中心覆盖内蒙古中东部地区,东北地区开始受高压影响(图6);15～17日,贝加尔湖高压持续分裂出高压系统并逐步增强,内蒙古中东部高压范围持续扩大并影响中国中东部地区,高空气流静稳(图5),地面则以偏西南风、偏东南风为主(图7);绥化市持续受到高压影响(图6),气流下沉,污染物在本地持续累积,16日(PM2.5)累积上升至整个污染过程的峰值279μg/m3. 18日,高空气流开始转西南方向,偏暖气流开始进入绥化地区(图5);亚洲大陆低压开始南移,受低压系统影响,贝加尔湖高压系统减弱,中国中东部地区气压场随之减弱(图6),同时地面风速较弱,导致污染物难以扩散,(PM2.5)上升至239μg/m3.19～20日,低压系统继续东移南下,影响范围扩大至贝加尔湖及蒙古地区,中国东北地区开始受低压系统影响,北方低压系统分离出的弱低压中心位于黑龙江东部(图6),地面则以偏西北风为主;而高空气流主要来自西南偏南方向(图5),导致高空气温上升,从而容易形成逆温现象,致使污染物聚集在地面难以扩散.

2.2.2 气象要素变化 如图8(a)所示,12～20日,绥化市相对湿度始终保持在90%左右,高湿的大气环境一方面加剧颗粒物的吸湿性增长、增强消光能力,另一方面也增加了污染物的液相和非均相化学反应,促进污染物的二次转化;地面平均风速约2m/s,风速较低,水平扩散能力弱;早晚温差较大,19～20日气温开始升高;由气压分布可知,14～18日绥化市处于高压系统控制,19～20日受低压系统影响,与WRF气压场分析结果一致.14日,地面至600m左右高度形成逆温层,温度与露点温度相差小,相对湿度大,且850,700hPa高度处风场静稳,表明大气状况稳定.16～20日,逆温顶层上升至1400m左右,污染持续阶段,绥化市一直存在逆温层,阻碍大气层的垂直对流[31];同时850,700hPa高度处风场静稳,导致该阶段绥化市污染物在水平和垂直方向上无法扩散,污染物在本地持续积累.

图5 重污染持续阶段500hpa位势高度场

图6 贝加尔湖分裂高压演变

图7 持续分裂高压阶段的绥化市地面风场分布

左线为露点温度,右线为气温

2.2.3 PM2.5组分变化分析 13～20日持续污染期间,OC/EC比值范围在3～4之间(图9),表明期间有VOCs向颗粒有机物二次转化生成SOC,且机动车及燃煤排放仍是当地主要污染来源.SOC/OC变化趋势与(PM2.5)变化呈相反趋势,因此在重污染时段,OC主要来自POC(一次排放)的直接排放和累积(图9,13～20日),而清洁时段时OC中SOC(二次转化)则占主要地位(图9,21日),这是由于重污染期间大气颗粒物浓度上升,消光作用明显,污染时段的污染物二次生成能力低于清洁时段[32].图9可以看出:13～20日,(SNA)约占(PM2.5)的22%～47%, OC+EC约占(PM2.5)的23%～34%.16、20日2个污染物浓度峰值阶段,二次无机组分SNA(NH4+、NO3-、SO42-)质量浓度分别达123.75,118.59μg/m3,分别占(PM2.5)的40%和47%,(NO3-)略高,说明绥化市空气中的氧化性加强[33],因此16、20日严重污染期间,SO2、NO、NH3等气态污染物发生了强烈的二次转化.13～20日PM2.5组分浓度从大到小依次为:OC > SO42-> NH4+> EC,其中Na+、Ca2+、Mg2+、Cl-、F-、K+质量浓度较低(图10),也表明污染期间道路和建筑扬尘、垃圾塑料及生物质燃烧排放源较少[34].

图9 13～21日ρ(PM2.5)、碳质组分、SNA日均浓度及OC/EC值

由表2可见:16～21日,绥化市无机盐浓度经历了起伏较大的波动过程(升高-降低-升高-降低-升高-降低).16日(PM2.5)上升至峰值浓度279μg/m3,相比15日浓度增加了64μg/m3,(SO42-)、(NH4+)、(NO3-)比15日分别增加了20.96,7.34,12.23μg/m3,(SO2)、(NO2)、(NO)则分别下降了21,10, 13μg/m3,(NO3-)、(SO42-)分别为41.28,47.95μg/ m3,说明16日大气二次转化显著且硫酸盐浓度高于硝酸盐,硫转化率及氮转化率[35]分别为60%,42%.16日受贝加尔湖分裂的高压系统控制,气流下沉,同时大气相对湿度保持在90%以上,日均风速约1.7m/s,主导风向为偏西南风,气温下降,最低气温低至-23.5℃(图8(a)),低温高湿的大气条件提高了SO2、NO2的氧化速率从而促进了二次颗粒物的生成[36],加之近距离的区域输送也是导致污染物浓度升高的原因.17日绥化市气压梯度增强,地面风速增大至约2m/s,相对湿度下降了3%,温度上升,天气条件较16日更有利于污染物的扩散,因此17日(PM2.5)下降了79μg/m3,(SO42-)、(NH4+)分别下降了20.87, 5.9μg/m3,(SO2)、(O3)分别上升了15,14μg/m3,二次转化程度较前一天有所下降.19日各污染物浓度均下降,日均温度较18日上升了4℃,日均相对湿度下降至82%,受低压系统控制气流辐合上升,污染物垂直扩散作用有所加强,二次无机转化减少,但二次有机生成增强(图9).20日较19日温度下降、相对湿度上升、风速增大、主导风向转为西南风,贝加尔湖高压分裂过程造成的持续性静稳天气,大气中的氧化剂持续积累,使得大气氧化性进一步增强[37-39];从而(PM2.5)大幅上升了117μg/m3,(SO42-)、(NH4+)、(NO3-)分别上升至47.28,22.81,48.50μg/m3,且大气中的(NO3-)高于(SO42-),同时(NO2)、(NO)下降幅度高于(SO2),NO2转化率高于SO2.

图10 2020年1月13～21日PM2.5组分分布

表2 二次无机盐及污染物日均质量浓度增量(相比前1d)及硫、氮转化率

注:NAN为缺失值.

2.3 清除高压阶段

21日高空西北气流过境,风速较大(图11(d));高压中心由内蒙古中东部开始向东移动,高压中心移动过程中,绥化市位于高压前部(图11(a)～(c)),气压梯度明显增大,地面主导风向为偏西南风(图11(e)),风速增大至4～5m/s,相对湿度由95%下降至70%(图12).大气垂直及水平扩散能力增强,绥化市污染物得到有效清除,(PM2.5)下降了148μg/m3(表2),能见度随之上升至10km左右(图12).(SO42-)、(NH4+)、(NO3-)则分别下降了33.82, 15.59,34.45μg/m3,大气中的氧化剂浓度((NO2)+(O3))下降了28μg/m3(表2),二次无机转化明显减弱,但SOC/OC超过50%(图9),二次有机生成作用增强.

图12 清除阶段气象观测值

3 结论

3.1 2020年11～20日,贝加尔湖持续分裂高压过程中,在中国东北地区形成了持续性静稳天气,地面平均风速约为1～3m/s,受气压场影响,气流下沉,同时距地面220～1400m处伴有逆温现象出现,大气水平、垂直扩散条件差,加之采暖季污染物的一次排放及二次转化,污染物在本地持续积累,引起了持续性重污染过程,污染物保持在高浓度值震荡,污染期间(PM2.5)及(PM10)均值浓度分别达214,220μg/m3.

3.2 贝加尔湖高压持续分裂,大气静稳时间延长,氧化剂浓度((NO2)+(O3))为94～118μg/m3,大气氧化性持续增强.16～21日大气中二次无机盐浓度变化呈现出“升高-降低-升高-降低-升高-降低”的持续波动过程,硫、氮转化率分别为34%～60%、26%～ 60%.16和20日两个波峰期间的二次无机盐浓度分别为123.75,118.59mol/m3,主导无机盐成分分别为硫酸盐、硝酸盐,表明重污染期间由于大气氧化性不断增强,导致二次无机盐浓度上升,加之不利的气象条件与本地污染物的持续积累,最终形成此次持续性重污染过程.

3.3 受分裂高压影响,在气象条件不利、大气出现持续性静稳、大气氧化性增强的情况下,区域应加强对污染物排放的管控力度,以降低本地污染物的一次排放、二次转化和区域传输的共同影响,进而减弱污染程度.

[1] Thishan Dharshana K G, Kravtsov S, Kahl J D W. Relationship between synoptic weather disturbances and particulate matter air pollution over the United States [J]. Journal of Geophysical Research: Atmospheres, 2010,115(D24).

[2] Liu Y, Hong Y, Fan Q, et al. Source-receptor relationships for PM2.5during typical pollution episodes in the Pearl River Delta city cluster, China [J]. Science of the Total Environment, 2017,596:194- 206.

[3] Mao J, Wang L, Lu C, et al. Meteorological mechanism for a large-scale persistent severe ozone pollution event over eastern China in 2017 [J]. Journal of Environmental Sciences, 2020,92:187-199.

[4] Tai A P K, Mickley L J, Jacob D J, et al. Meteorological modes of variability for fine particulate matter (PM2.5) air quality in the United States: implications for PM2.5sensitivity to climate change [J]. Atmospheric Chemistry and Physics, 2012,12(6):3131-3145.

[5] Horton D E, Skinner C B, Singh D, et al. Occurrence and persistence of future atmospheric stagnation events [J]. Nature Climate Change, 2014,4(8):698-703.

[6] Tai A P K, Mickley L J, Jacob D J. Impact of 2000～2050 climate change on fine particulate matter (PM2.5) air quality inferred from a multi-model analysis of meteorological modes [J]. Atmospheric Chemistry and Physics, 2012,12(23):11329-11337.

[7] Tang G, Zhang J, Zhu X, et al. Mixing layer height and its implications for air pollution over Beijing, China [J]. Atmospheric Chemistry and Physics, 2016,16:2459-2475.

[8] Miao Y, Liu S, Guo J, et al. Unraveling the relationships between boundary layer height and PM2.5pollution in China based on four-year radiosonde measurements [J]. Environmental Pollution, 2018,243: 1186-1195.

[9] 赵晨曦,王云琦,王玉杰,等.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[J]. 环境科学, 2014,35(2):418-427.

Zhao C X, Wang Y Q, Wang Y J, et al. Temporal and spatial distribution of PM2.5and PM10pollution status and the correlation of particulate matters and meteorological factors during winter and spring in Beijing [J]. Environmental Science, 2014,35(2):418-427.

[10] Liu J, Shen J, Cheng Z, et al. Source apportionment and regional transport of anthropogenic secondary organic aerosol during winter pollution periods in the Yangtze River Delta, China [J]. Science of the Total Environment, 2020,710:135620.

[11] Zhang H, Cheng S, Yao S, et al. Insights into the temporal and spatial characteristics of PM2.5transport flux across the district, city and region in the North China Plain [J]. Atmospheric Environment, 2019, 218:117010.

[12] Liu J, Wang L, Li M, et al. Quantifying the impact of synoptic circulation patterns on ozone variability in northern China from April to October 2013～2017 [J]. Atmospheric Chemistry and Physics, 2019, 19:14477-14492.

[13] Li M, Wang L, Liu J, et al. Exploring the regional pollution characteristics and meteorological formation mechanism of PM2.5in North China during 2013～2017 [J]. Environment international, 2020, 134:105283.

[14] 陈朝晖,程水源,苏福庆,等.北京地区一次重污染过程的大尺度天气型分析[J]. 环境科学研究, 2007,(2):99-105.

Chen Z H, Cheng S Y, Su F Q, et al. Analysis of large-scale weather pattern during heavy air pollution process in Beijing [J]. Research of Environmental Sciences, 2007,(2):99-105.

[15] Wei P, Cheng S, Li J, et al. Impact of boundary-layer anticyclonic weather system on regional air quality [J]. Atmospheric Environment, 2011,45:2453-2463.

[16] 陈力强,杨洪斌.辽宁省区域性空气污染的天气分型[J].环境污染与防治, 2006,(6):435-438.

Chen L Q, Yang H B. Synoptic patterns of regional air pollution in Liaoning Province [J]. Environmental Pollution & Control, 2006,(6):435-438.

[17] Li X, Wang Y, Shen L, et al. Characteristics of boundary layer structure during a persistent haze event in the central Liaoning City Cluster, Northeast China [J]. Journal of Meteorological Research, 2018,32:302-312.

[18] Ma Y, Zhao H, Dong Y, et al. Comparison of two air pollution episodes over Northeast China in Winter 2016/17using ground-based lidar [J]. Journal of Meteorological Research, 2018,32:313-323.

[19] Miao Y, Guo J, Liu S, et al. Impacts of synoptic condition and planetary boundary layer structure on the trans-boundary aerosol transport from Beijing-Tianjin-Hebei region to northeast China [J]. Atmospheric Environment, 2018,181:1-11.

[20] Li X, Hu X M, Ma Y, et al. Impact of planetary boundary layer structure on the formation and evolution of air-pollution episodes in Shenyang, Northeast China [J]. Atmospheric Environment, 2019,214.

[21] Yang T, Gbaguidi A, Yan P, et al. Model elucidating the sources and formation mechanisms of severe haze pollution over Northeast mega-city cluster in China [J]. Environmental Pollution, 2017,230: 692-700.

[22] Tie X, Zhang Q, He H, et al. A budget analysis of the formation of haze in Beijing [J]. Atmospheric Environment, 2015,100:25-36.

[23] 尉 鹏,任阵海,王文杰,等.2014年10月中国东部持续重污染天气成因分析[J]. 环境科学研究, 2015,28(5):676-683.

Wei P, Ren Z H, Wang W J, et al. Analysis of meteorological conditions and formation mechanisms of lasting heavy air pollution in Eastern China in October 2014 [J]. Research of Environmental Sciences, 2015,28(5):676-683.

[24] 倪登峰,刘 素,曹力媛,等.太原市采暖季PM2.5组分特征及重污染事件分析[J]. 中国环境科学, 2020,40(7):2821-2828.

Ni D F, Liu S, Cao L Y, et al. Composition characteristics of PM2.5and heavy pollution events in Taiyuan City during heating season [J]. China Environmental Science, 2020,40(7):2821-2828.

[25] 罗达通,张敬巧,刘 湛,等.郴州市大气PM2.5碳组分污染特征及其来源分析[J]. 环境科学研究, 2018,31(11):1858-1866.

Luo D T, Zhang J J Q, Liu Z, et al. Characteristics and sources of carbonaceous species in atmospheric PM2.5in Chenzhou city [J]. Research of Environmental Sciences, 2018,31(11):1858-1866.

[26] 王维思,王 楠,高玉娟,等.2019年郑州冬、春季重污染期间PM2.5污染特征分析[J]. 环境科学学报, 2020,40(5):1594-1603.

Wang W S, Wang N, Gao Y J, et al. Analysis of PM2.5heavy pollution characteristics in spring and fall for 2019 in Zhengzhou [J]. Acta Scientiae Circumstantiae, 2020,40(5):1594-1603.

[27] 王 杰,张逸琴,高 健,等.2016～2018年采暖季太行山沿线城市PM2.5污染特征分析[J]. 中国环境科学, 2019,39(11):4521-4529.

Wang J, Zhang Y Q, Gao J, at al. Characteristics of PM2.5in cities along the Taihang Mountains during the heating season of 2016～2018 [J]. China Environmental Science, 2019,39(11):4521-4529.

[28] Schauer J J, Kleeman M J, Cass G R, et al. Measurement of emissions from air pollution sources. 5. C1− C32 organic compounds from gasoline-powered motor vehicles [J]. Environmental Science & Technology, 2002,36(6):1169-1180.

[29] Schauer J J, Kleeman M J, Cass G R, et al. Measurement of emissions from air pollution sources. 1. C1through C29 organic compounds from meat charbroiling [J]. Environmental Science & Technology, 1999, 33(10):1566-1577.

[30] Chen Y, Zhi G, Feng Y, et al. Measurements of emission factors for primary carbonaceous particles from residential raw-coal combustion in China [J]. Geophysical Research Letters, 2006,33:382-385.

[31] 桂海林,江 琪,康志明,等.2016年冬季北京地区一次重污染天气过程边界层特征[J]. 中国环境科学, 2019,39(7):2739-2747.

Gui H L, Jiang Q, Kang Z M, et al. Analysis of boundary layer characteristics of a heavily polluted weather process in Beijing in winter 2016 [J]. China Environmental Science, 2019,39(7):2739- 2747.

[32] 周 敏,陈长虹,乔利平,等.2013年1月中国中东部大气重污染期间上海颗粒物的污染特征[J]. 环境科学学报, 2013,33(11):3118-3126.

Zhou M, Chen C H, Qiao L P, et al. The chemical characteristics of particulate matters in Shanghai during heavy air pollution episode in Central and Eastern China in January 2013 [J]. Acta Scientiae Circumstantiae, 2013,33(11):3118-3126.

[33] Ma Q, Wu Y, Zhang D, et al. Roles of regional transport and heterogeneous reactions in the PM2.5increase during winter haze episodes in Beijing [J]. Sci. Total. Environ., 2017,599-600:246-253.

[34] 曹云擎,王体健,韩军彩,等.“2+26”城市一次污染过程PM2.5化学组分和来源解析研究[J]. 环境科学学报, 2020,40(2):361-372.

Cao Y Q, Wang T J, Han J C, et al. Study on chemical composition and source apportionment of PM2.5pollution episode in“2+26”cities [J]. Acta Scientiae Circumstantiae, 2020,40(2):361-372.

[35] 王刘铭,王西岳,王明仕,等.焦作市大气污染时空分布特征及来源分析[J]. 环境科学研究, 2020,33(4):820-830.

Wang L M, Wang X Y, Wang M S, et al. Spatial and Temporal Distribution and Potential Source of Atmospheric Pollution in Jiaozuo City [J]. Research of Environmental Sciences, 2020,33(4):820-830.

[36] Zhang B, Zhang Q, Zhang Y, et al. Heterogeneous chemistry: a mechanism missing in current models to explain secondary inorganic aerosol formation during the January 2013 haze episode in North China [J]. Atmospheric Chemistry and Physics, 2015,15:2031-2049.

[37] Squizzato S, Masiol M, Brunelli A, et al. Factors determining the formation of secondary inorganic aerosol: a case study in the Po Valley (Italy) [J]. Atmospheric Chemistry and Physics, 2013,13(4):1927- 1939.

[38] Wang S, Yin S, Zhang R, et al. Insight into the formation of secondary inorganic aerosol based on high-time-resolution data during haze episodes and snowfall periods in Zhengzhou, China [J]. Science of The Total Environment, 2019,660:47-56.

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

Influence of Baikal high-pressure split process on heavy pollution in Suihua City.

LI Juan1,2, CHU Yang-xi1, DU Jin-hong1, JIN Wen-jing1, HU Rong-ming2, WEI Peng1*

(1.Atmospheric Environment Institute, Chinese Research Academy of Environmental Sciences, Beijing 100021, China；2.College of Geomatics, Xi’an University of Science and Technology, Shanxi Xi’an 710054, China).2021,41(6)：2540～2551

To explore the impact of the Baikal high-pressure splitting process on the continuous heavy pollution incident in Suihua City during January 2020, based on the analysis of the mesoscale WRF weather forecast data and the meteorological observation data, the Weather situation and changes in meteorological elements were analyzed from January 9 to 21, 2020. Combining the pollutant concentration observation data and the PM2.5component observation data, the pollutant concentration changes, and chemical composition characteristics in the process were analyzed. The pollution process was caused by continuous and stable weather caused by the splitting high pressure of Lake Baikal. During the 11～20 days, the AQI ranged from 182 to 329, of which 9days were severely polluted or above. During the period of heavy pollution, the relative humidity is about 94%, the wind speed on the ground drops to about 0.5m/s, the visibility dropped to about 1m/s, and there was an inversion layer, and the atmospheric diffusion conditions were poor. The continuous static and stable weather had led to the enhancement of atmospheric oxidation. The oxidant concentration ((NO2) +(O3)) was about 94～118μg/m3, and the maximum daily increase of sulfate and ammonium salt were 28.59 and 11.32mol/m3, and the growth rate increased by 1264% and 1270% respectively compared to the 14th. The low temperature, high humidity and high oxidizing atmosphere promoted the formation of secondary inorganic salts. Studies had shown that the continuous and stable weather caused by the high-pressure splitting process of Lake Baikal had increased atmospheric oxidation, coupled with unfavorable meteorological conditions and local accumulation and emission of pollutants, resulting in continuous heavy pollution weather in Suihua City.

high-pressure splitting；synoptic situation；PM2.5；chemical components

X51

A

1000-6923(2021)06-2540-12

李 娟(1995-)女,山东菏泽人,中国环境科学研究院硕士研究生,主要从事大气化学模式等研究.发表论文4篇.

2020-11-04

国家重点研发计划项目(2017YFC0212202)

* 责任作者, 助理研究员, weipeng@craes.org.cn