刘清 刘丽 杨富燕 高鹏 廖瑶 吴有恒

摘 要：针对山区局地污染源的大气扩散，通过定点气象观测与数值模拟相结合的污染评估技术，采用区域模式与局地模式相嵌套的高分辨率区域空气质量模拟系统RegAQMS，模拟了一个西南山区磷化工工业园所在区域三维气象要素场、大气边界层湍流场以及污染物散布的浓度场，分析了山地复杂条件下大气污染物的扩散特性和影响其散布的关键因子。结果表明：区域主要的污染物如SO₂小时和日均浓度均未超过国家相关标准且有较大盈余，但在源区附近山体表现出较高的长期平均浓度，模拟时段总平均浓度占比标准份额高达87.7%。区域偏东和东南风极高的出现频率61.8%、较低的风速（如≤ 2 m/s风速频率43.1%）、离源近距离处敏感的下风向有相当高度山体的阻挡、大气稳定层结（逆温和贴地逆温较高的频率63.4%和27.2%）等是导致长期高值平均浓度的主要原因。与观测浓度的对比表明：RegAQMS能較好地描述该区域污染物的实际分布，模拟与观测的小时浓度相关达0.47，但整体有所高估，误差可能来源于采样时间的不同、排放源的变动、小风条件下平均风向的定义与扩散强度估计的不确定性等。

关键词：大气污染；扩散模拟；气象观测；山区

中图分类号：X16

文献标志码：A

不同空间尺度的地形和大气的相互作用，形成山区从天气尺度的强迫到中等尺度的环流和局地湍流波动连续分布的大气特征，影响着污染物的输送与扩散^［1］。地形的机械和热力作用改变大尺度流动导致更小尺度的运动，从而增强与污染扩散相关的大气过程的时空变率，产生如局地的盛行风、静小风、尾流涡和山谷风环流等，形成独特的污染过程。对复杂条件下大气污染扩散过程的研究往往是根据具体问题和具体条件来开展，针对一些局部区域的大气扩散，通常采用实际示踪试验^［2-3］、风洞试验^［4-5］、数值模拟与分析^［6-9］等研究与分析手段，其中，数值模拟与分析由于不受试验条件的限制得到广泛应用，也是其他试验分析方法的重要补充和完善^［10-12］。

为更好地理解和模拟复杂地形污染物的扩散特征，最近新发起的一些研究计划，如阿尔卑斯山地的Bolzano示踪试验（BTEX）^［13-14］、山区大气多尺度输送和交换过程国际研究计划（TEAMx）^［15］、美国犹他州的山地大气模拟和观测试验（MATERHORN）^［16］以及亚利桑那州的第二次陨石坑气象外场试验（METCRAX Ⅱ）^［17］等，均涉及到复杂环境下的大量外场试验和气象与空气质量模式等新的模拟技术。另外，我国第三次青藏高原大气科学试验（TIPEX-Ⅲ）涉及的陆面水热平衡、边界层过程的观测等^［18］，也旨在促进复杂地形湍流和交换过程的深入认识和模拟。

实际应用中，复杂地形往往使常规观测台站的代表性受到限制，而许多的研究结果表明大气污染扩散呈现出较强的本地特征^［19-22］，特别在某些小区域内，封闭的地形、集中的排放和特殊的环流，容易使大气污染成分在敏感的下风方堆积，造成极端污染事件^［23-25］。目前，对这种条件下污染物的扩散预警与评估通常是采用几公里甚至几十公里外的地面气象台站资料，不能代表污染地点实际大气状况，使得预警和评估结果与污染实况在发生地点、程度和范围上存在较大的出入。因此，分析具体区域的大气环流、区域气候特征，并且有针对性地在评估地点开展污染气象与环境空气质量的同步观测和模拟试验，对了解区域污染气象条件以及估算空气污染物的扩散分布显得十分必要。

以西南某省级经济开发园区为例，其所在区域地形复杂，山地、丘陵、盆地多种地貌共存，区域点源、面源多种污染源共同存在。园区规划面积35.04 km2，多个磷化工项目已建成并正式投产。项目建设前均做过大气环境影响评价，确定了敏感的下风方向以及各种污染成分的最大浓度，排放成分全部通过了国家二级空气质量标准评估且具备较大的环境容量盈余。但所用气象资料是12 km处的县气象站的地面常规测值，导致投产后普遍反映环境空气质量与评估结果有差异，在并非敏感的下风方向，常出现刺激性气味，庄稼树木泛黄、生长受损。当地居民反响强烈，政府急需了解实际的污染状况以确定补偿赔款，并且决定进行生态移民搬迁。

本研究针对上述复杂地形局地污染源，通过定点气象观测与大气扩散模拟相结合的污染评估技术^［26-27］，对现场气象观测数据进行诊断分析，获得接近实际情况的气象场和湍流特征参数，结合区域嵌套的复杂地形高分辨率大气扩散模拟，确定出磷化工排放的不同污染物影响区域和程度，从而为分阶段移民搬迁提供依据。

1 试验与方法

针对山区复杂条件的大气污染扩散评估，通过在局地污染源不同下风方向的监测布点，同步获取气象和污染物浓度采样数据，在现场观测的气象要素基础上，采用适用于复杂地形的大气扩散模式系统模拟污染物的扩散分布，分析影响山区局地大气污染物散布的关键因子。

1.1 区域地形与观测布点

研究区域位于云贵高原北部向四川盆地过渡的斜坡地带，东经107°24′～107°33′，北纬27°04′～27°13′（图1），地势东南高西北低，从海拔1 300 m逐渐降低到800 m，山脉走向受地质构造的影响，呈南北走向。工业园区位于研究区域中部，海拔高度约为1 000 m，在该区域总体地势较为平坦开阔。

在磷化工工业聚集区排放源附近和周围村寨反映强烈的下风向布设了4个污染气象和环境空气质量的观测点（图1），从2017年5月开展连续的自动气象站观测，从2017年4月至2018年3月在春、夏、秋、冬4个季节开展7～14 d的大气边界层污染气象和环境空气质量的观测。

A观测点周围地势平坦，没有高大建筑物，主要开展地面自动气象站观测和施放系留汽艇以获取大气边界层气象廓线数据。B观测点在山顶与烟囱高度大致相同处建立了自动气象站，在山腰迎风面处架设了环境空气质量检测系统。C观测点选在山腰烟气洄流区，自动气象站和环境空气质量检测系统安装在同一位置。2017年秋季后，将C观测点的环境空气质量检测系统移至D观测点处。

1.2 模式与计算方案

1.2.1 区域空气质量模拟系统

为模拟研究区域点、面源多种污染源在复杂条件下的协同影响，采用多尺度区域空气质量模式系统（RegAQMS）^［28］对该区域大气环境进行模拟。RegAQMS由区域气象模式和几种不同尺度的空气质量模式组成。区域气象模式读取站点气象观测，经中尺度准静力动力学模式诊断输出区域风温场，由基于能量平衡法的边界层参数化模式计算表征大气扩散稀释能力的湍流特征參数。RegAQMS的空气质量模拟部分由区域空气质量模式和几种不同类型的局地大气扩散模式组成，根据下垫面状况的不同，分别耦合了美国环境保护局的复杂地形大气扩散模式CTDMPLUS^［29］、沿海扩散模式OCD和改进的平坦地形模式HPDM。区域空气质量模式和局地大气扩散模式采用局部嵌套的方案，具有相同的网格距，实现不同模式结果的实时嵌套，即每一个时步内，在污染源下风向10 km2范围内先运行局地模式，再对整个模式域运行区域模式，其中区域模式的背景浓度场为上一时步局地与区域模式的浓度和。几种局地空气质量模式采用并行处理方案，根据瞬时烟流下风向地形的起伏，系统分别启用CTDMPLUS或HPDM模式，如果涉及到沿海热力内边界层，则启用OCD模式。局地模式旨在近距离处高分辨率污染物浓度模拟，仅考虑其输送与扩散过程，区域模式另外还考虑污染物的干湿沉降、化学转换等过程并对整个模拟区域的多个污染源的协同作用进行模拟^［30-31］。

1.2.2 计算方案

试验期间收集到2017年5月26日至2018年5月4日共344日连续气象要素，根据磷化工排放特性，选取了SO₂、NO₂、NH₃、HCL、TSP这5种主要污染物，模拟浓度分别按344×24 h逐时计算。气象场每小时读取一次，每日模拟起始时次为02时，时间步长取10 s，对小时浓度进行24 h平均和时段平均，得到日均浓度和整个模拟阶段的平均浓度分布。逐时和逐日计算结果按模式域全部网格最大浓度值进行排序，取最大小时或最大日均浓度的序位水平为100%，其余按序位与总数的比值计算其浓度序位水平。

模拟区域水平网格距250 m，格点总数76×76，垂直方向分为不等间距的12层，模式顶约750 hPa高度层。区域源排放和模式地形及气象输入预处理如下：

1）排放源

根据当地环保局提供的各磷化工项目环境影响报告书，收集其排放装置、烟气量、排放高度、排气温度以及各种污染物的排放强度等参数，区域内污染物排放强度大小依次为SO₂>TSP>NO₂>NH₃>HCL，分别占比5种污染物排放总量的51.1%、28.4%、14.8%、5.2%和0.5%，主要由图1的5个30～100 m高架烟囱排放，上述点源占总的排放量的96.2%，其余为分散的面源排放。

2）地形预处理

地形数据采用NASA/USGS （http：//www.cgiar-csi.org）提供的SRTM-250 m高程数据。CTDMPLUS模式针对复杂地形而设计，需详细描述模式区域地形，尽可能标出影响污染扩散的每一个山体，山体的形状以水平方向呈椭圆和垂直方向的高斯分布来表示^［32］。本研究对源区周边9个山体（图1中数字标号）分别沿各等高线进行了矢量化处理，生成模式所需的椭圆参数文件。以10 km为最大范围，确定距离山体最近且海拔高于烟囱底座的网格点为受该山体影响的接受点，统计接受点的坐标和距离，并对接受点周围4个格点的海拔高度进行平均，生成调整后的高程数据文件和接受点信息文件。

3）气象数据预处理

模拟系统需要输入的气象要素，包括站点风向、风速、温度、降水和云量等小时数据。研究区域除了新建的3个自动气象站外，还有一个邻近的原有国家气象观测站。除了云量，其余的要素均能满足输入要求，通过欧洲中期天气预报中心下载了ERA5气候再分析数据集的逐小时云量。小时气象数据经整理校正后输入RegAQMS的区域气象模式，进行空间距离平方反比权重内插和满足质量守恒约束的地形动力学、地形热力学调整，生成模拟区域逐时三维格点风温场和二维表征湍流、大气稳定度等特性的边界层特征参数场。

2 结果分析

2.1 短期平均浓度模拟与分析

RegAQMS区域空气质量模式输出各层格点上的5种污染物小时浓度，取近地面10 m层浓度值进行分析。以SO₂为例，对照GB 3095—2012《环境空气质量标准》^［33］中二级标准小时最大SO₂浓度500 μg/m3，模拟的SO₂地面小时最大浓度没有超过标准浓度，其间最大的小时浓度为473.0 μg/m3，出现在2017年8月10日16时（图2（a）），占标准份额的94.6%，但极端的浓度高值区即黑色标示的区域（≥200 μg/m3）仅局限在源区个别格点，红色标示的浓度高值区（100～200 μg/m3）位于源区和下风向的2 km范围内。

模拟的SO₂小时浓度分布主要呈现白天（07：00—18：00）中性至不稳定和夜间（19：00—06：00）稳定条件2种分布形态。白天条件下浓度分布倾向于规则的高斯形态，小时浓度大值区（黄色区以上）分布较广，但极高值浓度局限在源区附近，影响较小。夜间条件下浓度分布受地形的影响较大，围绕山体呈不规则形态，夜间SO₂最大小时浓度为235.8 μg/m3，占标准份额的47.2%，出现在2017年6月2日04时（图3（a）），浓度高值区分布于接近源区的山体1上，浓度高值区面积较大。

图2（b）、图3（b）展示了对应时次的近地层10 m风场。2个时次模式域大部分地区地面风速均较小，受南部几条纵向山脉和中东部山体3、山体4的影响，南部山谷来向风在到达中部开阔源区后转为东南风，并且风速逐渐减小，源区下风向山体1加强了气流阻滞作用。除了系统性的风场，围绕着各山体也出现一些辐合辐散中心，山顶的气流下沉并沿着山势形成扰流和洄流。表现在浓度场上，污染物浓度高值主要分布在山体1，较大值也出现在一些扰流和洄流区。

模式中排放量最大的烟流高度处主要气象和湍流特征参数见表1。2个最大浓度时次烟流排放高度处均为东南风，在下风向的西北面，与源区接近的山体1对污染物浓度分布造成了较大的影响。山体1最高海拔约1 150 m，略高于污染源主烟囱出口海拔高度1 099 m。白天最大浓度时次大气弱不稳定、中等风速、对流和热力湍流发展，混合层高度约700 m，烟气在地面和混合层与空气剧烈混合，在离源近距离处，相当数量的排放物质被下沉气流带到地面造成高值浓度，山体1的地形一定程度上引起的扭曲流场，加重了排放物的聚集。夜间最大浓度时次源区风速较小，大气稳定，对流和湍流受到抑制，混合层高度约60 m，烟流全部穿透，在混合层上稳定的大气中平直输送，直至遇到山体1，在地形阻挡和山顶的下沉气流影响下，排放的烟流大部分聚集在山体1，仅小部分烟流越过或绕过山体。

局地空气质量模式在近距离对污染物的输送与扩散模拟精度较高，但采用了均匀、定常假定，当模拟尺度更大，或时间尺度达到1 h以上时，如日平均浓度的模拟，气象场在空间和时间上的均匀定常假定就很难成立。RegAQMS采用了局地模式与区域模式相嵌套的方式，可以考虑区域较长时间尺度扩散条件的变化以及干湿沉降等过程。

对照GB 3095—2012二级标准日均最大SO₂浓度150 μg/m3，研究区域未出现日均浓度超标日。其间最大的近地面层SO₂日均浓度为87.7 μg/m3，出现在2017年10月18日（图4（a）），占标准份额的58.5%，浓度高值区（≥45 μg/m3）集中在源区附近的山体1。图4（b）显示了夏季大气边界层探测期间2017年8月26日的日均浓度分布，其最大值为65.0 μg/m3，占标准份额的43.3%，在模拟时段日均浓度序位水平为57.4%，污染程度中等，浓度高值区也位于山体1和部分源区。

污染物浓度的扩散受地形、风场和湍流等因子共同影响^［34］。图4红色区域高值日均浓度是多时次高值浓度叠加的结果，从模拟的2017年10月18日烟流高度气象和湍流特征参数分析（表1，仅列出每隔3 h的代表性时次）。当日全部时次风速均较小，变动范围在0.8～2.1 m/s，风向较为一致，呈东风至东南风，风向角度在71°～156°。夜间时次大气稳定，热力湍流和机械湍流受到抑制，混合层高度低，烟气部分或全部穿透。白天时次大气中性至弱不稳定，湍流得到一定程度的发展，但对流发展较弱，混合层高度在570～770 m，烟气在混合层内输送，无论是东风或东南风，均使得污染物聚集在下风方的山体1附近，低风速进一步增强了地形的阻塞作用，形成较高日均浓度值。

图5显示了观测的2017年8月26日02时—23时的温度、风速和风向垂直廓线分布。当日02时—05时近地面出现逆温，逆温顶层约为200 m，日出后08时近地面温度开始升高，逆温底层破坏，100 m以上仍然维持夜间的稳定大气边界层，随高度呈现多层逆温。午后大气温度达到最大，14时与17时温度差异较小，温度随高度的增高而降低，20时地面温度迅速降低，出现贴地逆温，23时贴地逆温继续维持。8月26日风速整体比较稳定，除傍晚时次外，风速较小，0～200 m风速随高度的增加而增加，200 m以上变化较小。风向以东南风和南风为主，400 m以内大部分时次为东南风，05和08时存在明显的风向切变，400 m以上转为南风，风向变化平稳。总的来说，当日温度、风速、风向均呈现出近地面变动的特点，受高层背景环流的影响较小，污染物受地形约束，表现出局地扩散特征。

2.2 长期平均浓度与影响因子

对照二级标准年均最大SO₂浓度60 μg/m3，该区域总时段SO₂地面平均浓度均未超过年均浓度标准，其浓度最大值为52.6 μg/m3，占年平均浓度标准份额的87.7%，总时段整个网格的平均浓度为12.1 μg/m3。

总的时段内，与主烟囱相当高度的B点自动站除静风（≤0.2 m/s）占12.9%外，东风至东南风（90°～165°）频率达61.8%（图6（b））。与B点主导风向分布一致，图6（a）浓度高值区即紅色显示的区域（≥26 μg/m3）面积约3.625 km2，位于下风向的山体1。总的时段B点的静小风频率出现较高，≤2 m/s的风速达43.1%，有利于污染物的累积。由此可见，虽然污染源排放量并不很大，短期浓度占比标准份额尚有较大盈余，但是在山区复杂地形和特殊气象条件下，污染物在敏感的下风向长期叠加，也会造成占比标准份额较高的长期平均浓度。

从研究区域224次温度探测廓线对观测出现的逆温次数及平均逆温层厚度和高度进行分析（表2），存在逆温层的时次为142次，占63.4%，其中78个时次存在2层以上逆温层。逆温层厚度在0～220 m，平均厚度为43.5 m，逆温强度最大为4.7 K/km。逆温层顶高度大多在100～700 m，其中贴地逆温较强且主要集中在夜间，存在次数占27.2%。春夏季贴地逆温出现频率较大，秋冬季较少，这与其他山谷盆地常出现的冬季贴地逆温特征存在差异^［35-36］，冬季研究区域近地面辐射冷却效应和山谷风下泄流发展并不充分，逆温层主要出现在云底。逆温阻碍污染物的向上输送，使其聚集在较低逆温层内。研究区域较高的逆温和贴地逆温出现频率，也是造成占比标准份额较高的长期平均浓度的原因。

3 模擬与观测浓度的对比

2017年4月至2018年3月，在研究区域开展了5次环境空气质量监测，每次连续监测7 d，根据观测的盛行风、区域地形和环境敏感点分布，设置并调整环境空气监测点B、C、D（图1），每次监测部署在其中的2个点。监测项目包括PM₁₀、PM_2.5、TSP、SO₂、NO₂、NH₃、HCL，小时浓度每次采样60 min，每天监测4次，时间为02：00—03：00、08：00—09：00、14：00—15：00、20：00—21：00，日均浓度连续采样20 h以上。2018年1月受凝冻影响，颗粒物采样器冻结，冬季时段只取得3 d气体污染物的有效样本。

2017年4月16—23日空气质量监测期间，从4月19日起磷化工厂开始停产，因此4月19—23日的测量值可认为是该区域的背景浓度值，SO₂的背景浓度保守估计为10 μg/m3，上述模拟值均加上了背景浓度值。2017年8月恢复生产以后同步开展的大气质量现状监测数据用于验证模式结果，B站点取得了全部96个观测与模拟值对，C站点28个，D站点68个，如图7所示。

由图7可见：SO₂的小时浓度观测值总体变化不大，变动范围在10～52 μg/m3；RegAQMS模式基本捕捉到了观测的浓度变化，模拟值与观测值的皮尔逊相关系数为0.47，但整体有所高估，尤其是在中等和高值浓度情况下。如位于山体1高值浓度区的D点，模拟值起伏较大、存在较多数倍于观测值的峰值浓度。尽管如此，D点的模拟值和观测值相关性仍较大，其皮尔逊相关系数达0.45。B点位于山体1模拟的高值浓度区边缘部分，模拟值略高于观测值。C点远离高值浓度区，模拟值和观测值相当。由于风向模拟的偏差，3个站点均存在部分时次对观测值的较大低估，表现为图中聚集在横轴与背景浓度相当的模拟值。

站点模拟值和观测值的部分不一致很大程度上来源于采样时间的不同，观测值小时浓度采样60 min，代表了小时内的平均浓度；而模拟值采用正点时刻气象要素（如正点时刻气温，2 min平均风向、风速等）模拟小时浓度，难以真正代表整个小时的平均浓度，特别在小时内风向角度变动较大的情况下。另外，该园区经常性的临时停产和生产流程部分关停而引起的源排放的变动，也是造成部分模拟值和观测值不一致的重要原因。

除此之外，研究区域出现频率较高的静小风，也是对现有的模拟框架的挑战。模拟的高污染物浓度通常与小风速相联系，如图7中≥50 μg/m3的21个模拟值对应的平均风速仅为0.77 m/s，其中19个值的风速≤1.30 m/s；而小风条件下污染物的扩散由迂曲运动支配，表现为烟羽的水平慢摆，使得模式中以平均风向定义的烟流轴线存在较大的不确定性。过去的一些研究也表明，小风条件下由于迂曲运动，烟羽扩散角度更大，观测的地面浓度常常远低于模式预报^［37-38］。

4 讨论与结论

1）山区复杂条件下，气象和湍流场受局地地形影响较大，通过现场气象观测与大气扩散模拟技术相结合，来评估厂区建成后的污染状况十分重要。通过与观测浓度进行对比，区域空气质量模拟系统RegAQMS能较好地描述研究区域污染物的实际分布，模拟的小时浓度与观测值相关达0.47，表明采用实际的观测通过模式的拟合输出诊断风场，再结合区域与局地高分辨率空气质量模式的嵌套模拟方案，在处理山区大气污染的近距离扩散问题上是可行的。

2）研究区域小时和日均浓度均未超过国家相关标准且有较大盈余，但主要污染物长期平均浓度较高，聚集在敏感的下风向源区附近山体，造成占比标准份额87.7%的较高长期平均浓度。

3）研究区域偏东和东南风的极高出现频率61.8%，较低的风速（静小风频率43.1%），离源近距离处敏感的下风向有相当高度山体的阻挡，稳定层结（逆温和贴地逆温出现频率63.4%、27.2%）等因素导致长期高值平均浓度。

4）从小时浓度模拟值与观测值的对比情况看：统一模式与观测的采样时间，采用更小时间尺度的气象观测（如分钟数据）进行模拟以及摸清源排放的规律等，是进一步改善模拟效果的方向。另外，通过开展示踪试验和湍流扩散试验来正确描述烟羽的水平慢摆和横向扩散，也有助于减小平均风向的定义和扩散强度估计的不确定性，从而促进模式在小风条件下的模拟性能。尽管如此，该研究模拟的长期平均浓度对于揭示潜在的高污染风险区的范围和程度还是具有一定的参考意义，能为分阶段移民搬迁提供依据。

参考文献：

[1]GIOVANNINI L， FERRERO E， KARL T， et al. Atmospheric pollutant dispersion over complex terrain： challenges and needs for improving air quality measurements and modeling［J］. Atmosphere， 2020， 11（6）： 646.

［2］ 胡二邦， 辛存田， 闫江雨， 等. 福建惠安核电厂址大气扩散野外示踪试验研究［J］. 中国核科技报告， 2003（4）： 196-235.

［3］ 赵丹， 陈义珍， 柴发合， 等. 烟塔合一排放的SF6示踪扩散试验［J］. 环境科学研究， 2010， 23（5）： 548-554.

［4］ MICHIOKA T， SATO A， SADA K. Wind-tunnel experiments for gas dispersion in an atmospheric boundary layer with large-scale turbulent motion［J］. Boundary-Layer Meteorology， 2011， 141（1）： 35-51.

［5］ 范海民， 马元巍， 张继革， 等. 核事故大气扩散的多风扇风洞设计及实验验证［J］. 原子能科学技术， 2018， 52（1）： 168-174.

［6］ 朱好， 蔡旭晖， 张宏升， 等. 内陆丘陵河谷地区小风条件下的大气扩散模拟研究［J］. 环境科学学报， 2011， 31（3）： 613-623.

［7］ 金祺， 银燕， 谭稳. 黄山地区复杂地形下污染气体输送过程的数值模拟［J］. 大气科学学报， 2012， 35（6）： 680-688.

［8］ BALANZINO A， TRINI CASTELLI S. Numerical experiments with RAMS model in highly complex terrain［J］. Environmental Fluid Mechanics， 2018， 18： 357-381.

［9］ MATTHEW O J， IGBAYO A N， OLISE F S， et al. Simulation of point source pollutant dispersion pattern： an investigation of effects of prevailing local weather conditions［J］. Earth Systems and Environment， 2019， 3（12）： 215-230.

［10］康凌， 蔡旭晖， 王志远， 等. 福建漳州沿海大气扩散特性的数值分析与模拟［J］. 北京大学学报（自然科学版） ， 2011， 47（1）： 71-78.

［11］王博. 核电厂野外示踪试验的三维数值模拟研究［J］. 中国环境科学， 2016， 36（10）： 2950-2956.

［12］DIMOZ H， GOBBI G P， MAGRI T， et al. Transport of Po Valley aerosol pollution to the northwestern Alps-Part 2： long-term impact on air quality［J］. Atmospheric Chemistry and Physics， 2019， 19： 10129-10160.

［13］FALOCCHI M， TIRLER W， GIOVANNINI L， et al. A dataset of tracer concentrations and meteorological observations from the bolzano tracer experiment （BTEX） to characterize pollutant dispersion processes in an Alpine valley［J］. Earth System Science Data， 2020， 12： 277-291.

［14］TOMASI E， FERRERO E， GIOVANNINI L， et al. Turbulence parameterizations for dispersion in sub-kilometer horizontally non-homogeneous flows［J］. Atmospheric Research， 2019， 228： 122-136.

［15］SERAFIN S， ROTACH M W， ARPAGAUS M， et al. Multi-scale transport and exchange processes in the atmosphere over mountains［M］. Innsbruck： Innsbruck University Press， 2020： 42.

［16］FERNANDO H J S， PARDYJAK E， DI SABATINO S， et al. The MATERHORN： unraveling the intricacies of mountain weather［J］. Bulletin of the American Meteorological Society， 2015， 96（11）： 1945-1967.

［17］LEHNER M， WHITEMAN C D， HOCH S W， et al. The metcrax II experiment： a study of downslope windstorm-type flows in Arizonas meteor crater［J］. Bulletin of the American Meteorological Society， 2016， 97（2）： 217-235.

［18］趙平， 李跃清， 郭学良， 等. 青藏高原地气耦合系统及其天气气候效应： 第三次青藏高原大气科学试验［J］. 气象学报， 2018， 76（6）： 833-860.

［19］杨荣， 戴家佳. 基于函数型数据的气温与空气质量的相关性分析［J］. 贵州大学学报（自然科学版）， 2020， 37（3）： 111-118.

［20］田越， 苗峻峰. 中国地区山谷风研究进展［J］. 气象科技， 2019， 47（1）： 41-51.

［21］吴亚平， 张琦， 王炳赟， 等. 四川雅安三种主要大气污染物浓度与气象条件的关系及其预测研究［J］. 高原气象， 2020， 39（4）： 889-898.

［22］徐鹏， 朱正， 徐珊珊， 等. 基于交通形态的城市商业区车辆PM_2.5排放模型研究［J］. 贵州大学学报（自然科学版）， 2017， 34（4）： 109-114.

［23］王珊， 廖婷婷， 王莉莉， 等. 西安一次霾重污染過程大气环境特征及气象条件影响分析［J］. 环境科学学报， 2015， 35（11）： 3452-3462.

［24］吴珂， 包云轩， 蔡敏， 等. 苏州市一次重霾污染天气过程的数值模拟［J］. 气象科学， 2019， 39（1）： 104-116.

［25］王康宏， 倪婷. 2016年冬季安徽寿县地区两次重污染过程分析研究［J］. 大气科学学报， 2019， 42（6）： 944-952.

［26］CONNAN O， SMITH K， ORGANO C， et al. Comparison of RIMPUFF， HYSPLIT， ADMS atmospheric dispersion model outputs， using emergency response procedures， with 85Kr measurements made in the vicinity of nuclear reprocessing plant［J］. Journal of Environmental Radioactivity， 2013， 124： 266-277.

［27］LIU Y， LI H， SUN S D， et al. Enhanced air dispersion modelling at a typical Chinese nuclear power plant site： coupling RIMPUFF with two advanced diagnostic wind models［J］. Journal of Environmental Radioactivity， 2017， 175/176： 94-104.

［28］王体健， 李树， 庄炳亮， 等. 区域大气环境-化学-气候模拟［M］. 北京： 气象出版社， 2017： 226-263.

［29］PERRY S G. CTDMPLUS： a dispersion model for sources near complex topography. Part Ⅰ. technical formulations［J］. Journal of Applied Meteorology， 1992， 31（7）： 633-645.

［30］刘丽， 王体健， 蒋自强， 等. 东南沿海生物气溶胶的扩散模拟研究［J］. 环境科学学报， 2012， 32（11）： 2670-2683.

［31］刘丽， 王体健， 王勤耕. 区域复杂地形大气污染扩散的模拟研究［J］. 高原气象， 2008， 27（5）： 1074-1082.

［32］MILLS M T， PAINE R J， LNSLEY E M， et al. Complex terrain dispersion model （CTDM） preprocessor system-user guide and program descriptions： EPA/600888003［R］. USA： Department of Commerce， National Technical Information Service， 1989： 1-180.

［33］环境保护部. 环境空气质量标准： GB 3095—2012［S］. 北京： 中国环境科学出版社， 2012.

［34］RAKESH P T， VENKATESAN R， ROUBIN P， et al. Formulation of turbulence diffusion relationships under stable atmospheric conditions and its effect on pollution dispersion［J］. Meteorology and Atmospheric Physics， 2020， 132（4）： 1-16.

［35］CONANGLA L， CUXART J， JIMNEZ M A， et al. Cold-air pool evolution in a wide Pyrenean valley［J］. International Journal of Climatology， 2018， 38： 2852-2865.

［36］QUIMBAYO-DUARTE J A， STAQUET C， CHEMEL C， et al. Dispersion of tracers in the stable atmosphere of a valley opening on a plain［J］. Boundary-Layer Meteorology， 2019， 172： 291-315.

［37］LUHAR A K， HURLEY P J. Application of a coupled prognostic model to turbulence and dispersion in light-wind stable conditions， with an analytical correction to vertically resolve concentrations near the surface［J］. Atmospheric Environment， 2012， 5： 56-66.

［38］MORTARINI L， STEFANELLO M， DEGRAZIA G， et al. Characterization of wind meandering in low-wind speed conditions［J］. Boundary-Layer Meteorology， 2016， 161： 165-182.

（責任编辑：周晓南）

On-site Observation and Modelling Evaluation of Air pollutant Dispersion over Mountainous Area in Southwestern China

LIU Qing1， LIU Li^*2， YANG Fuyan3， GAO Peng3， LIAO Yao2， WU Youheng3

（1.Guizhou Climate Center， Guiyang 550002， China; 2.Guizhou Ecometeorology and Satellite Remote Sensing Center， Guiyang 550002， China; 3.Guizhou Key Laboratory of Mountainous Climate and Resources， Guiyang 550002， China）

Abstract： Atmospheric dispersion of air pollution on mountainous area was studied with numerical simulation method combined with meteorological observations on site. In the case of a phoschemical industrial park in the southwestern mountains of China， three-dimensional meteorological elements and turbulent parameters at atmospheric boundary layer and further air pollutant concentrations in this area were simulated with the Regional Air Quality Model System （RegAQMS）， in which a high-resolution local model suitable for mountainous area was nested in a regional dispersion model. The diffusion characteristics of air pollutants over this mountainous topography were then summarized by diagnostic analysis on key factors influencing its distribution. The results show that hourly and daily average concentration of major pollutants， such as SO₂， are well within the Class 2 of the National Ambient Air Quality Standard， while the long-term average concentration presents quite high around a hill near the industrial park and at a ratio of 87.7% to Class 2 limit value. The east and southeast winds at a high frequency of 61.8%， low wind speeds （≤ 2 m/s） occurring with 43.1% in all hours， blocking terrain in the sensitive leeward near the source， and stable atmospheric conditions （63.4% frequent inversion layers especially ground inversions of 27.2%） are the main reasons of high concentration over long period of time. By comparing the results with the observed concentrations， RegAQMS is proved to well describe the actual distribution of pollutants in this area. The Pearson correlation of hourly concentration is 0.47， although overall the model overestimates observations. Some inconsistencies between simulated and observed concentrations may result from different sampling time， variation of emission sources， and uncertainties in the definition of mean wind direction and estimation of dispersion intensity under low wind conditions.

Key words： air pollution; dispersion simulation; meteorological observations; mountains