2016, Vol. 36
[PDF全文]
2. 长三角环境气象预报预警中心, 上海 200030;
3. 上海市气象与健康重点实验室, 上海 200030
2. Yangtze River Delta Center for Environmental Meteorology Prediction and Warning, Shanghai 200030;
3. Shanghai key laboratory of meteorology and health, Shanghai 200030
2013年以来我国东部地区PM2.5重污染天气频发, 引起政府和公众的广泛关注.按照国务院颁布《大气污染防治行动计划》的要求, 京津冀、长三角等重点区域先后制定了环境空气重度污染应急预案, 通过开展预报预警、减排调控等措施应对和减缓重污染天气.
重污染天气的准确预报是有效开展应急预警、实施应急减排的必要条件.重污染事件的形成、发展、消亡受排放和大气中各种物理化学过程决定(徐祥德等, 2003；贺克斌等, 2009；程真等, 2011), 比如新粒子生成老化、颗粒物传输扩散、干湿沉降等.其中物理过程(扩散、传输、沉降)主要受风速风向、湍流、降水等气象条件影响(任阵海等, 2008；Li et al., 2011；李莉等, 2015；Zhang et al., 2015), 局地气象要素主要由逐日天气过程的演变决定, 它们和大尺度天气形势密切相关.天气形势及其演变决定了污染物的空间分布和随时间变化的特征, 直接影响污染过程的持续时间和严重程度(王静等, 2015；张人禾等, 2014).因此开展污染天气形势的分型研究, 识别典型的污染天气形势, 分析不同形势下的气象条件对污染物传输扩散的影响, 对于科学认识重污染形成机制, 准确开展重污染预报具有指导意义.
天气分型通常是对大气环流进行分型, 通过对海平面气压、位势高度、水平风等格点场的分析, 识别不同的天气形势特征(Huth et al., 2008).天气分型方法已经被广泛应用于极端天气和灾害性天气的研究中, 然而针对我国大气污染天气形势的分型研究则较少.Cheng等(2001)发现当热带低压向北移动接近台湾时容易出现高浓度臭氧污染事件.周宁芳等(2008)的研究表明我国2006年冬半年霾主要发生在纬向型、南支槽和中阻塞3种形势下.张国琏等(2010)发现L型高压和均压场易于形成上海秋冬季节PM10污染, 而高压底部或者高压后部的天气形势则有利于空气质量转好.陈丽芳等(2012)指出杭州霾天气和大陆高压关系密切.戴竹君等(2016)发现2014年秋冬季江苏重度霾主要和均压区、冷锋和低压倒槽有关.这些工作总结了不同地区常见的污染天气类型, 对于认识和理解局地大气污染的形成和演变具有重要意义.但技术途径是根据预报员经验进行主观分析, 因而研究时段较短、样本个数较少, 且存在个体差异.Zhang等(2012)首先采用一种客观分型方法研究北京周边的流场特征, 发现弱气压场、东侧高压和西北侧低压形势对应高浓度PM10、SO2和NOx.客观分型技术具有处理大样本的优势, 是未来应用和发展的方向.近年来针对我国东部城市群PM2.5重污染的观测、数值研究很多(王跃思等, 2014；吴剑斌等, 2015；常炉予等, 2016), 但针对污染天气形势的分型工作较少, 尤其是客观分型研究几乎未见报道.本文以上海为例, 首次基于大样本数据开展针对PM2.5的大气环流客观分型研究, 一方面验证客观分型技术的适用性和科学性；另一方面揭示秋冬季上海有利于发生PM2.5污染的主要天气形势, 分析对应的地面空气污染气象条件及其对污染物扩散、传输和沉降过程的影响, 目的是为提高上海及周边地区的PM2.5预报水平尤其是重污染预报预警提供参考.
2 数据与方法(Data and methods) 2.1 再分析资料从National Centers for Environmental Prediction (NCEP)/National Center for Atmospheric Research (NCAR)(Kalnay et al., 1996)下载FNL再分析资料, 分辨率为1°×1°, 1 d 4个时次分别为00:00、06:00、12:00、18:00 UTC, 提取了海平面气压(SLP)和10 m水平风(U和V)作为分型对象.研究范围为20~50 °N, 100~130 °E, 包含中国大陆、蒙古国及西伯利亚.由于污染事件的演变有形成、维持、消亡过程, 因此分型对象采用了1 d 4个时次的平均场, 目的是为了消除局地小尺度系统(如海陆风)的影响扰动, 着重分析天气尺度系统的特征.这和Zhang等(2012)的研究中仅采用08:00时资料开展分型研究有所不同.
2.2 地面观测资料PM2.5观测资料由上海市环境监测中心提供, 为2012年6月-2016年2月上海国控点的小时平均质量浓度, 用于评价上海的PM2.5环境质量.气象观测资料采用上海宝山站逐小时气象观测数据, 包括温度、相对湿度、水平风向风速、降水, 用于分析不同污染天气类型的扩散特征和输送特征.宝山站(31.40°N, 121.48°E)是上海唯一的气候观象台, 观测数据参与世界气象组织(WMO)领导的全球资料交换, 代表了上海本地的气象特征.
2.3 激光雷达观测资料微脉冲激光雷达(Micro-Pulse Lidar)由美国Sigma公司生产, 型号为MPL-4B, 波长527 nm, 距离分辨率为30 m, 探测盲区约为130 m.仪器安装在上海世纪公园站(31.23°N, 121.53°E), 距离宝山站约18 km.从2008年开始连续观测, 观测数据被应用于上海大气污染诸多研究中(潘鹄等, 2010；许建明等, 2010；He et al., 2012；Xu et al., 2015).利用激光雷达观测的归一化信号强度可以直接反演混合层高度, 具体反演方法和验证参见文献(贺千山等, 2005；He et al., 2008).
2.4 客观分型方法常用的客观天气分型方法有5类, 分别为相关法(Lund, 1963), 聚类分析法(Brinkmann, 1999), 主成分分析(PCA)法(Richman, 1981；Huth, 2000), Fuzzy法(Bardossy et al., 1995), 非线性方法比如神经网络(Cavazos, 2000).Huth等(2008)对比了上述5种方法针对天气形势的分型效果后, 推荐使用T-mode斜交旋转主成分分析法(PCA), 将原始高维数据Z分解为F和A 2个低维矩阵, Z=FAT, 每行为N个空间格点；每列为M个观测时次；F为主成分(称为PC)；A为PC载荷.所有的主成分按照对应特征值的大小排序, 特征值越大表示对原数据的贡献最大.最后取对原数据累计贡献率超过一定百分比(一般为85%)的特征值所对应的第1~K个(K≤M)主成分F达到降维的目的(Huth, 1996).该方法可以较准确地反映原始环流场的特征, 不会因分型对象的调整而有太大变化, 得到的时空场也更加稳定(Huth et al., 2008).因此本研究选择Huth (1996)和Zhang等(2012)推荐的T-mode斜交旋转主成分分析法(PCA), 采用欧盟COST 733项目开发的天气分型软件(http://www.cost733.org), 对FNL海平面气压场以及10 m风场进行多变量斜交旋转分解, 即将多个物理量作为一个整体进行时空展开, 同时表现要素的空间分布以及各要素之间的空间关系, 进而得到较准确的环流分型结果.
3 结果与讨论(Results and discussion) 3.1 上海市PM2.5质量浓度的月变化特征图 1显示了2013-2015年上海市PM2.5月平均质量浓度, 过去3年上海PM2.5平均质量浓度为55.5 μg·m-3.由图可知，11月、12月、1月的PM2.5质量浓度最高, 分别为63.3、93.9和84.1 μg·m-3.7、8、9、10月的浓度较低, 分别为42.6、37.0、32.0和40.1 μg·m-3, 这和伏晴艳(2009)、朱红霞等(2015)的研究结论一致.朱红霞等(2015)同时指出我国典型城市(沈阳、北京、上海、广州、海口)的PM2.5月变化特征存在差异, 这和不同地理位置、不同季节的大气环流形势有关, 形成不同的主导风向、边界层抬升和降水量, 由此产生不同的扩散、传输和沉降条件.此外也和人为、自然源的季节变化有关.比如3、4月上海的污染事件经常和北方沙尘输送有关(马井会等, 2013), 而5月和10月的秸秆燃烧会导致区域重污染事件(Wang et al., 2009；唐喜斌等, 2014).计算发现2013-2015年, 11、12、1月3个月对PM2.5年总浓度的贡献达到36.4%, 对总污染日数的贡献达到50.4%, 而且76%的重度及以上污染都发生在上述3个月, 因此对PM2.5环境质量的影响最显著, 将其定义为“污染月”.本文主要对2012-2015年污染月的大气环流进行分型研究, 揭示影响上海PM2.5污染的主要天气形势及其环流特征.
 |
| 图 1 2013-2015年上海PM2.5月平均质量浓度 Fig. 1 Monthly averaged PM2.5 mass concentration in Shanghai from 2013 to 2015 |
利用NCEP (FNL)日平均资料, 对2012年至2015年“易污染月”(11月、12月及次年1月)的海平面气压(SLP)场和10 m水平风场进行主成分分析, 样本数共368 d, 得到9种环流类型, 方差贡献分别为14.3%、13.1%、10.8%、10.2%、8.3%、8.0%、7.8%、7.0%、6.6%, 累计解释方差超过86%.图 2是每种天气形势所有样本合成的海平面气压场以及10 m风场分布, 描述如下：
 |
| 图 2 客观分型得到的9种环流类型(图中阴影为海平面气压, 箭头表示风矢, 右上数字表示天数) Fig. 2 Nine synoptic patterns by T-mode PCT method, shade denotes sea level pressure, arrow denotes 10m wind, number on right top denotes occurrence days |
(1) 冷锋型(Cw)出现了102 d, 由图 2可知，冷空气路径偏西, 锋面呈东北-西南向经过上海, 本地以西北风为主, 风力较强.上游的河北、河南、安徽及山东内陆地区处于变性冷高控制, 气压场较弱, 且主导风向为西北风, 有利于将上述区域的污染物向下游输送.
(2) 东路冷空气(Ce)出现了42 d, 由图可知，强冷空气东移南下, 但路径偏东主要影响华北地区.长三角地区受东路冷空气扩散影响, 主导风向为北-东北风.
(3) 高压底部(GBn)出现了77 d, 华东-山东半岛受弱高压控制, 上海位于高压底前部, 近地面受北-东北气流影响, 但风速不大.
(4) GBe为另一种高压底部型出现了19 d, 图中冷空气和Ce相似也为偏东路径, 但势力较弱且位置偏东, 上海位于冷高底后部受海上东北气流影响.同为高底形势, GBn控制下上海地面风场为东北偏北.
(5) 高压后部弱气压场(WGh)出现了44 d, 冷空气主力还位于新疆北部, 华东北部、黄海受弱高控制, 弱高后部的山东-安徽一带存在风场辐合.上海位于海上弱高压环流底后部, 气压场弱, 风力小.
(6) 2种高压前部弱气压场WGl和WGf分别出现了31 d和16 d, WGl的形态和L型高压相近, 长三角处于高压前部弱气压场控制, 风速较小, 上海地面为偏西风.而WGf控制下高压中心位于我国新疆地区, 较WGl偏西偏北, 上海以西北风为主.
(7) TGh和TGf都和倒槽有关.前者为高压后部倒槽出现了19 d, 为暖区降水天气, 我国西南及西部大部地区受低压控制, 上海受西南暖湿气流和海上高压后部环流共同影响.后者为高压前部倒槽出现了18 d, 弱冷空气位于蒙古以北, 上海处于倒槽内.
分析上述9种天气形势发现, 2012-2015年秋冬季(368 d)影响上海的天气形势以冷锋(Cw)最多102 d, 符合冬季大陆冷高压控制的天气学特征.其次为高压底部(GBn和GBe)共计96 d, 弱气压场(WGh, WGl和WGf)共91 d, 而倒槽型(TGf和TGh)和东路冷空气(Ce)较少各为37和42 d.
张国琏等(2010)的主观分型工作显示, 秋冬季影响上海的主要天气形势为高压前、高压、L型高压、高压后、高压底、低压槽、冷锋过境、东路冷空气, 和本文的客观分型结果基本一致, 其中高压型对应于WGh；L型高压和高压前分别对应于WGl和WGh, 高压底和高压后分别对应于GBn、GBe, 冷锋过境对应于Cw, 东路冷空气对应于Ce.但低压槽有所差异将在后文讨论.以上表明客观分型技术适用于天气分型研究.
3.3 不同形势下的PM2.5特征图 3分别计算了9种天气形势下的PM2.5平均质量浓度及污染日出现频率.冷锋形势(Cw)、弱气压场(WGh、WGl、WGf)和高压后部倒槽(TGh)3种天气形势下PM2.5平均浓度均超过污染等级, 是上海秋冬季容易产生PM2.5污染(后文中用“易污染”表示)的天气形势.其中WGl的平均浓度最高为100.7 μg·m-3, 污染超标率达到67.7%, 而且重度及以上超标率达到16%；其次为高压后部倒槽(TGh)平均质量浓度为90.2 μg·m-3, 污染超标率也高达68.5%, 以轻度污染为主占42.1%；另外2种弱气压形势WGh和WGf的平均质量浓度分别为84.7和81.0 μg·m-3, 超标率分别为36.4%和50.1%.冷锋(Cw)的平均质量浓度为82.5 μg·m-3, 超标率为43.1%.
 |
| 图 3 9种天气形势下的PM2.5平均浓度和污染超标率 Fig. 3 Average PM2.5 mass concentration and pollution occurrence frequency of the nine synoptic patterns |
其余4种形势下的PM2.5质量浓度均低于75 μg·m-3, 不易产生污染(后文简称为“不易污染”).其中高压底部GBn和GBe的平均质量浓度分别为66.2和60 μg·m-3, 东路冷空气(Ce)和高压前部倒槽(TGf)的平均浓度分别为61和62 μg·m-3, 超标率在28%~34%之间.相比之下GBn的平均浓度和超标率相对较高, 原因在后文解释.
由于短期内(比如1~2 d)排放源基本稳定, 那么PM2.5质量浓度的差异可看成是由于天气过程演变产生的结果.图 4计算了每种天气形势下所有样本的日均PM2.5质量浓度与前一天的浓度差, 正值表示此类天气形势有利于PM2.5升高, 从而形成或维持污染；反之则有利于PM2.5降低, 从而清除污染物改善空气质量.由图可知, 在5种“易污染”的天气形势中, 除了高压后部倒槽(TGh)的PM2.5质量浓度变化接近0, 其余各种形势下的PM2.5质量浓度变化均为正值, 表示气象条件有利于PM2.5浓度升高形成污染事件.其中高前弱气压(WGl和WGf)的升幅最显著分别为13和18 μg·m-3, 冷锋(Cw)和高后弱气压场(WGh)的上升幅度分别为1.3和1.6 μg·m-3.其余4种“不易污染”天气形势下, PM2.5质量浓度变化均为负值, 表示气象条件有利于PM2.5降低.其中高前倒槽(TGf)的下降幅度最显著达到-13 μg·m-3, 2种高底(GBe和GBn)的平均下降幅度分别为-3.9和-4.1 μg·m-3, 东路冷空气(Ce)的下降幅度为-4.8 μg·m-3.以上统计表明, 3种弱气压形势(WGh、WGf、WGl)和冷锋(Cw)有利于PM2.5升高, 而高底(GBn、GBe)、偏东路冷空气(Ce)、高前倒槽(TGf)则有利于PM2.5降低, 这和前文的分析结果基本一致.
 |
| 图 4 9种天气形势下PM2.5质量浓度与前一天的差值 Fig. 4 Difference of daily PM2.5 mass concentration with that the day before for the nine synoptic patterns |
张国琏等(2010)指出, 2003-2005年秋冬季上海的PM10污染主要和L型高压、高压前、高压(弱气压场)3种天气形势有关, 约占80%.这和本文的客观分型结论一致.不同的是本文将L型高压也归并到高压前形势中.
3.4 不同天气形势下的气象要素特征及其对污染物的影响秋冬季近地面水平风(包括风速风向)是影响颗粒物污染最重要的气象因子, 它对扩散条件和输送条件都有重要影响.水平风速决定了本地水平扩散条件.风向则是决定上游输送的重要因子, 这和地理位置和上游的污染程度有关.此外温度层结、云量、降水也是重要的空气污染气象条件, 它们主要影响污染物的垂直扩散和沉降过程.本节将利用地面气象观测资料分析各种天气形势下的地面气象要素特征及其对PM2.5的影响, 从气象角度(扩散、传输)解释几类天气形势“易污染”和“不易污染”的原因.表 1统计2012-2015年秋冬季(11月-1月)每类天气形势下的平均气温、日平均降水量、平均风速和相对湿度发现, 除了冷锋(Cw)外上海的平均气温约为9~13 ℃, 相对湿度约为70%~85%, 水平风速约为2~2.5 m·s-1.其中冷锋(Cw)影响时上海的气温最低为5.45 ℃、相对湿度最小为64%、平均水平风速为2.98 m·s-1, 在9个类型中风速最大, 表明水平扩散条件最好；而弱气压场(WGh, WGl, WGf)控制时上海的水平扩散条件最差, 表现为平均风速分别为2.16、1.97和2.02 m·s-1, 为9个类型中最小.倒槽(TGh, TGf)形势下的气温最高分别为13.30和11.90 ℃, 呈现回暖的特征.不同天气形势下的降水存在较大差异, 其中高压后部(GBe)和东路冷空气(Ce)影响下降水比较明显, 日平均降水量分别为7.60 mm和4.30 mm, 其次为倒槽形势(TGh, TGf)和高前弱气压(WGf), 约为3~4 mm, 有利于污染物的湿清除.其他天气类型下的降水不明显.在诸多气象要素中水平风直接影响污染物的扩散和输送条件(Xu et al., 2011), 是最重要的污染气象因子, 下文将重点进行分析.
| 表 1 不同天气类型下的平均气温、相对湿度、日平均降水和水平风速 Table 1 Averaged temperature, relative humidity, daily precipitation and wind speed under different synoptic patterns |
 |
图 5计算了每种“易污染”天气形势下所有样本的风玫瑰图, 可见：(1) 2种高前弱气压(WGl和WGf)形势的水平风速最小分别为1.97和2.02 m·s-1, 静风频数最高分别为13.73%和14.59%, 表明这种形势下上海本地扩散条件最差.此外主导风向都是西-西北风分别占44.7%和36.4%, 其中小于2 m·s-1的频数分别为15.3%和10%, 即偏西风较弱.由图 2可知在这种形势下华中-华东大部地区都受弱气压控制, 上海处于弱气压控制区的下风方向, 弱的偏西风将上游的污染物不断输送到上海, 加之本地扩散条件差, 两者相叠加导致PM2.5质量浓度不断上升形成污染事件.相比之下WGl的气压场更弱、控制范围更广, 因此维持时间更长, 对上海影响也更显著.
 |
| 图 5 5种“易污染”天气形势下的地面风玫瑰图(a.Cw, b.WGh, c.TGh, d.WGl, e.WGf) Fig. 5 Surface wind rose maps of five easily pollutant synoptic patterns (a.Cw, b.WGh, c.TGh, d.WGl, e.WGf) |
(2) 高后弱气压形势(WGh)的水平风速为2.16 m·s-1, 静风频数为6.33%, 扩散条件好于高前部弱气压场, 但WGh主导风向不明确, 东北风、东风、东南风、西风各占20.7%、18.4%、14.9%和19%, 体现了静稳条件下风向较乱的特点, PM2.5以本地累积为主.张国琏等(2010)将这种形势统称为高压型.虽然在WGh下上海的风向比较有利以东向风为主, 但值得注意的是在弱高压环流后部存在明显的风场辐合, 如果高压位置偏东辐合区将出现在上海附近会形成重污染事件.如2015年12月14日, 海上高压后部偏东风和冷空气前部西北风在上海西面形成辐合, 导致PM2.5日平均浓度达到重度污染147 μg·m-3.
(3) 冷锋(Cw)形势下上海的水平风速最大为2.98 m·s-1, 水平扩散条件最好, 但不利的是锋面呈东北-西南向经过上海, 导致西风和西北风的频数最高共计达到61.7%, 远高于其他各类天气形势.由图 2可知上游的江苏、安徽、河南和山东大部处于弱气压场控制, 西-西北风条件下有利于将上游累积的污染物输送到上海加重本地污染水平.利用美国国家海洋和大气管理局(NOAA)开发的Hysplit模式计算冷锋类型下每个样本(24 h)影响上海的后向轨迹(500 m高度)发现大部分气团都是从华北经山东、江苏影响上海(图 6), 可见对于上海而言冷锋(Cw)是输送型污染天气.这种形势在秋冬季最常见, 污染物随着冷锋移动不断向下游传输, 这和戴竹君等(2016)对江苏重霾的形势分析一致.可见在区域性大气污染特征下, 采取联防联控对于污染应急预警非常必要.
 |
| 图 6 冷锋形势下秋冬季(11月-1月)影响上海的后向轨迹(a.2012年, b.2013年, c.2014年, d.2015年) Fig. 6 Back trajectory under Cw synoptic condition from Nov to Jan in Shanghai (a.2012, b.2013, c.2014, d.2015) |
(4) 高后倒槽(TGh)形势下上海近地面水平风速为2.48 m·s-1, 静风频数占6.25%.由图 4可知此类天气形势下的PM2.5与前一天的平均浓度差接近0, 表明具备有利和不利2类污染气象条件.一般冬季的TGh为暖区天气, 北方冷空气尚未建立, 西南暖湿气流较强, 上海及周边地区回暖特征明显.这种形势下上海的主导风向以偏西风和东南风为主(图 5), 分别占24.3%和24.9%, 容易形成辐合有利于污染物堆积.张国琏等(2010)发现上海冬季回暖天气时高层(如850 hPa)大气增温明显使得层结稳定不利于污染物扩散, 这些都是不利的空气污染气象条件.有利的是由于TGh下水汽条件好有利于发生降水, 前文计算表明研究时段TGh的日平均降水量为3.7 mm.有利于污染物的清除.研究样本中TGh共计19 d, 其中有12 d达到污染, 其余7 d为优, PM2.5浓度差异较大.这是因为空气质量为优的样本日在前一天或者当天出现了明显降水, 湿清除作用明显.而12个污染日基本没有明显降水, 或者降水出现在夜间(2012年11月8日).可见TGh形势下是否出现降水对于PM2.5的质量非常关键.最典型的污染过程为2013年11月7-8日, 上海出现中度-重度污染.分析MICAPS地面天气图发现7日弱高压缓慢东移入海, 8日高压后部偏东风和西南风形成辐合, 静稳与辐合叠加导致发生连续2 d的污染过程.需要指出的是, 张国琏等(2010)和戴竹君等(2016)的研究中均提到低压倒槽形势, 前者将其归为清洁形势, 后者将其归为污染形势.对比发现, 本研究定义的高后倒槽(TGh)形势和戴竹君等(2016)定义的“低压倒槽”相近, 而张国琏等(2010)提到的“低压倒槽”则和本文定义的高前倒槽(TGf)相近, 上海主要受南-东南风控制, 伴有弱降水, 有利于污染物清除.可见这2种形势不易统称为“低压倒槽”.由于TGh下同时具备有利和不利的空气污染气象条件, 是否发生降水的不确定性较大, 而且出现次数较少, ,因此本文不将其作为主要的“易污染”天气形势.戴竹君等(2016)的研究也发现TGh出现次数很少且维持时间较短.
3.4.2 “不易污染”天气形势下的风场特征另外, 4种“不易污染”的天气形势下的PM2.5质量浓度明显偏低, 分析地面风场可见(图 7), 它们的共同特点是主导风向为偏东风(东北-东-东南), 其中高底(GBe和GBn)形势下偏东风频数分别占46.5%和56.8%, 偏东路冷空气(Ce)和高前倒槽(TGf)分别占48.8%和45%, 海上清洁气团的输入有利于本地污染物的稀释, 从而降低污染浓度改善空气质量.这和张国琏等(2010)以及戴竹君等(2016)的研究结论一致.和GBn、Ce相比, GBe、TGf的偏东风分量更多, 因此更加有利于空气质量改善.此外, 由图可知, 2类高底形势GBe和GBn的风频特征非常相似, 但GBn的北风频数较多为15.7%, 而且降水偏少, 是PM2.5质量浓度相对较高的可能原因.
 |
| 图 7 4种“不易污染”天气形势下的地面风玫瑰图(a.GBn, b.GBe, c.Ce, d.TGf) Fig. 7 Surface wind rose maps of four synoptic patterns unfavorable for pollution (a.GBn, b.GBe, c.Ce, d.TGf) |
综上, 对于秋冬季上海而言, 高前弱气压形势(WGl和WGf)下, 上游输送和扩散条件差相叠加导致PM2.5浓度最高、污染概率增加；高后弱气形势(WGh)下天气静稳有利于PM2.5累积.而冷锋(Cw)形势下上海本地以西-西北为主, 风速较大, PM2.5以输送为主.对于上海而言在过去4个秋冬季中(2012-2015年), 弱气压场((WGl和WGf和WGh)和冷锋(Cw)形势分别出现了91和102 d, 是影响秋冬季上海PM2.5污染的主要天气类型.
3.4.3 典型污染形势下的边界层高度特征除了水平风和降水, 垂直扩散条件也是重要的污染气象条件, 垂直扩散能力越强, 污染物有利于抬升到高处从而降低近地面的污染水平.它主要决定污染物的日变化过程.此外夜间逆温和小风的维持是上海重度污染的天气学原因之一(常炉予等, 2016).垂直扩散条件实际由边界层内湍流混合强度决定, 在边界层气象学中一般利用风温廓线计算湍流交换系数进而得到垂直动量热量通量.由于风温廓线很难连续准确测量, 很多学者采用激光雷达反演混合层高度表征大气垂直扩散能力(贺千山等, 2005；潘鹄等, 2010；Xu et al., 2015).本节利用上海世纪公园站激光雷达反演的白天混合层高度, 统计4类典型污染天气形势(Cw、WGh、WGl、WGf)白天(北京时间8:00-18:00)的混合层平均高度演变, 资料长度为2013-2014年的11月、12月和1月.由图 8可知弱气压形势下(WGh、WGl、WGf)混合层的日变化特征比较明显, 一般在15:00左右达到最高分别为767、868、867 m.而冷锋形势下由于降温、大风天气, 太阳辐射较弱导致混合层日变化平缓最高仅为700 m.4种形势的混合层在上午(08:00-10:00)基本接近约为600~700 m, 中午以后差异不断加大, 其中12:00-16:00间的混合层差异最显著达到100~200 m.总体而言, WGf和WGl的混合层发展较高, 表明湍流交换强, 垂直扩散条件较好.而高后弱气压(WGh)和冷锋(Cw)下混合层高度较低, 垂直扩散能力较差.对比前文统计的地面气象要素发现, WGf和WGl下混合层较高、而WGh和Cw下混合层较低和气温的关系密切, 气温越高, 湍流混合越强, 越有利于混合层抬升.
 |
| 图 8 4种“易污染”天气形势下的白天混合层高度变化 Fig. 8 Mixing layer height for PM2.5 pollution synoptic patterns |
本节选择PM2.5质量浓度最高的2个污染月(2013年1月和2013年12月), 分别为95.3、128.3 μg·m-3, 和PM2.5质量浓度最低的2个清洁月(2014年11月和2015年11月), 分别为51.1和57.9 μg·m-3, 通过对比污染月与清洁月的天气形势分型结果分析PM2.5重污染形成的天气学原因和差异.
表 2统计了污染月和清洁月主要“易污染”天气形势的出现天数.可见“易污染”形势在2个污染月分别出现了15和23 d, 较清洁月(10、7 d)明显偏多.污染月和清洁月相比最大差异是冷锋(Cw)形势偏多了1.5倍, 即输送型污染天气明显增多, 而且对于污染月而言, 也是冷锋形势(Cw)居多分别出现了10 d, 表明上游输送的强弱对于秋冬季上海空气质量有重要影响.2013年12月上海PM2.5污染最严重, 除了冷锋形势(Cw)频繁出现外, 高前弱气压场形势(WGl和WGf)形势增多(9 d)是重要原因.特别是1-9日上海PM2.5平均质量浓度高达211.9 μg·m-3, 其中6 d达到重度及以上污染等级.分析逐日天气分型结果发现, 期间出现了4次WGl叠加天气(1、3、4、5日)和2次WGh静稳天气(6、7日).尤其是3-5日上海受WGl叠加形势控制(图 9), 扩散条件差和输送相叠加, 从12月4日20时-5日23时, PM2.5质量浓度从137上升到509 μg·m-3.6日02时弱冷空气影响上海, 风速增大首先使得PM2.5下降到423 μg·m-3, 接着受上游输送影响PM2.5继续上升至峰值602 μg·m-3.可见3-5日高前弱气压场(WGl)的维持导致上海PM2.5质量浓度持续上升至509 μg·m-3, 是6日出现历史观测极值的主要原因.6日14时以后弱冷空气过境上海转为高压后部(WGh)控制, 上游输送结束PM2.5逐步下降.8日转为高前倒槽, 空气质量继续改善, 9日受冷锋(Cw)影响, 上游输送再次使得PM2.5质量浓度上升.可见前期高前弱气压形势持续, 之后转为弱冷空气扩散是这次重污染过程的天气学特征, 和王静等(2015)、Xu等(2015)的分析一致.分析另外2次连续性重污染过程(2013年1月23-26日和12月29-1日)同样发现和高前弱气压形势的维持有关.
| 表 2 污染月和清洁月3类“易污染”天气形势的出现天数 Table 2 Occurrence frequency of three synoptic patterns favorable for pollution during polluted and clear months |
|
 |
| 图 9 2013年12月1-9日连续重度污染期间逐日天气形势分型结果 Fig. 9 Synoptic type during a severe pollution episode on 1-9 Dec, 2013 |
1) 秋冬季对上海PM2.5环境质量影响最显著的天气形势主要有4种, 分别为冷锋(Cw)、高压后部弱气压场(WGh)、高压前部弱气压场(WGl和WGf), 分别出现了102、44、31和16 d, 对应的PM2.5平均质量浓度分别为82.5、84.7、100.7和81.0 μg·m-3, 且PM2.5质量浓度较前一天呈升高趋势, 天气形势易于形成和加重污染, 说明客观分型技术适用于PM2.5污染天气分型.
2) 高压前部弱气压形势(WGl和WGf)下上海的水平风速最小分别为1.97和2.02 m·s-1, 静风频数最高分别为13.73%和14.59%, 主导风向都是西-西北风且上游为弱气压控制区, 呈现扩散条件差和上游输送相叠加的污染天气特征.高压后部弱气压场(WGh)下风向较乱, 东北风、东风、东南风、西风各占20.7%、18.4%、14.9%和19.0%, 呈现静稳形势下本地累积的污染天气特征.而冷锋(Cw)下上海扩散条件最好, 但西-西北频数占60%以上, 呈现上游输送的污染天气特征.分析混合层高度发现高前弱气压形势的垂直扩散能力好于高后弱气压和冷锋形势.
3) “不易污染”天气形势的共同特点是以偏东风为主, 海上清洁气团的输入有利于本地污染物的稀释, 从而降低污染浓度改善空气质量.
4) 污染月和清洁月分型结果的最大差异是Cw输送型天气形势偏多了1.5倍, 同时在污染月Cw形势占“易污染”天气形势的一半以上, 说明输送强弱对上海秋冬季的PM2.5环境质量影响显著.此外分析3次连续重度污染过程发现, 高压前部弱气压形势的建立和维持具有重要影响.
| [${referVo.labelOrder}] | Bardossy A, Ducksein L, Bogardi I. 1995. Fuzzy rule based classification of atmospheric circulation patterns[J]. International Journal Climatology, 15(10) : 1087–1097. DOI:10.1002/(ISSN)1097-0088 |
| [${referVo.labelOrder}] | Brinkmann W A R. 1999. Application of non-hierarchically clustered circulation components to surface weather conditions:Lake Superior Basin winter temperatures[J]. Theoretical and Applied Climatology, 63(1/2) : 42–56. |
| [${referVo.labelOrder}] | Cavazos T. 2000. Using self-organizing maps to investigate extreme climate events: an application to wintertime precipitation in the Balkans[J]. Journal of Climate, 13(10) : 1718–1732. DOI:10.1175/1520-0442(2000)013<1718:USOMTI>2.0.CO;2 |
| [${referVo.labelOrder}] | 常炉予, 许建明, 周广强, 等. 2016. 上海典型持续性PM2.5重度污染的数值模拟[J]. 环境科学, 2016, 37(3) : 825–833. |
| [${referVo.labelOrder}] | 陈丽芬. 2012. 杭州市灰霾气候特征及与清洁过程的对比分析[J]. 科技通报, 2012, 28(7) : 31–35. |
| [${referVo.labelOrder}] | Cheng W L, Pai J L, Tsuang B J, et al. 2001. Synoptic patterns in relation to ozone concentrations in West-Central Taiwan[J]. Meteorology and Atmospheric Physics, 78(1/2) : 11–21. |
| [${referVo.labelOrder}] | 程真, 陈长虹, 黄成, 等. 2011. 长三角区域城市间一次污染跨界影响[J]. 环境科学学报, 2011, 31(4) : 686–694. |
| [${referVo.labelOrder}] | 戴竹君, 刘端阳, 王宏斌, 等. 2016. 江苏秋冬季重度霾的分型研究[J]. 气象学报, 2016, 74(1) : 133–148. |
| [${referVo.labelOrder}] | 伏晴艳. 2009.上海市空气污染排放清单及大气中高浓度细颗粒物的形成机制[D].上海:复旦大学 http://cdmd.cnki.com.cn/Article/CDMD-10246-2010058057.htm |
| [${referVo.labelOrder}] | 贺克斌, 贾英韬, 马永亮, 等. 2009. 北京大气颗粒物污染的区域性本质[J]. 环境科学学报, 2009, 29(3) : 482–487. |
| [${referVo.labelOrder}] | 贺千山, 毛节泰. 2005. 北京城市大气混合层与气溶胶垂直分布观测研究[J]. 气象学报, 2005, 63(3) : 374–384. |
| [${referVo.labelOrder}] | He Q, Li C, Mao J, et al. 2008. Analysis of aerosol vertical distribution and variability in Hong Kong[J]. Journal of Geophysical Research, 113(D14) . |
| [${referVo.labelOrder}] | He Q S, Li C C, Geng F H, et al. 2012. Aerosol optical properties retrieved from Sun Photometer measurements over Shanghai, China[J]. Journal of Geophysical Research, 117(D16) . |
| [${referVo.labelOrder}] | Huth R. 1996. An inter comparison of computer-assisted circulation classification methods[J]. International Journal of Climatology, 16(8) : 893–922. DOI:10.1002/(ISSN)1097-0088 |
| [${referVo.labelOrder}] | Huth R. 2000. A circulation classification scheme applicable in GCM studies[J]. Theoretical and Applied Climatology, 67(1/2) : 1–18. |
| [${referVo.labelOrder}] | Huth R, Beck C, Philipp A, et al. 2008. Classifications of atmospheric circulation patterns[J]. Annals of the New York Academy of Sciences, 1146(1) : 105–152. DOI:10.1196/nyas.2008.1146.issue-1 |
| [${referVo.labelOrder}] | Kalnay E, Kanamitsu M, Kistler R, et al. 1996. The NCEP/NCAR 40-year reanalysis project[J]. Bulletin of the American Meteorological Society, 77(3) : 437–471. DOI:10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2 |
| [${referVo.labelOrder}] | Li L, Chen C H, Fu J S, et al. 2011. Air quality and emissions in the Yangtze River Delta, China[J]. Atmospheric Chemistry and Physics, 11(4) : 23657–23703. |
| [${referVo.labelOrder}] | 李莉, 蔡鋆琳, 周敏. 2015. 2013年12月中国中东部地区严重灰霾期间上海市颗粒物的输送途径及潜在源区贡献分析[J]. 环境科学, 2015, 36(7) : 2327–2336. |
| [${referVo.labelOrder}] | Lund I. 1963. Map-pattern classification by statistical techniques[J]. Jouranl of Applied Meteorology, 2(1) : 56–65. DOI:10.1175/1520-0450(1963)002<0056:MPCBSM>2.0.CO;2 |
| [${referVo.labelOrder}] | 马井会, 张国琏, 耿福海, 等. 2013. 上海地区一次典型连续浮尘天气过程分析[J]. 中国环境科学, 2013, 33(4) : 584–593. |
| [${referVo.labelOrder}] | 潘鹄, 耿福海, 陈勇航, 等. 2010. 利用脉冲激光雷达分析上海地区一次灰霾过程[J]. 环境科学学报, 2010, 30(11) : 2164–2173. |
| [${referVo.labelOrder}] | Richman M B. 1981. Obliquely rotated principal components: an improved meteorological map typing technique[J]. Journal Applied Meteorology, 20(10) : 1145–1159. DOI:10.1175/1520-0450(1981)020<1145:ORPCAI>2.0.CO;2 |
| [${referVo.labelOrder}] | 唐喜斌, 黄成, 楼晟荣, 等. 2014. 长三角地区秸秆燃烧排放因子与颗粒物成分谱研究[J]. 环境科学, 2014, 35(5) : 1623–1632. |
| [${referVo.labelOrder}] | 任阵海, 苏福庆, 陈朝辉, 等. 2008. 夏秋季节天气系统对边界层内大气中PM10浓度分布和演变过程的影响[J]. 大气科学, 2008, 32(4) : 741–751. |
| [${referVo.labelOrder}] | 王静, 施润和, 李龙, 等. 2015. 上海市一次重雾霾过程的天气特征及成因分析[J]. 环境科学学报, 2015, 35(5) : 1537–1546. |
| [${referVo.labelOrder}] | Wang X F, Zhang Y P, Chen H, et al. 2009. Particulate Nitrate Formation in a Highly Polluted Urban Area: A Case Study by Single-Particle Mass[J]. Environmental Science Technology, 43(9) : 3061–3066. DOI:10.1021/es8020155 |
| [${referVo.labelOrder}] | 王跃思, 姚利, 王莉莉, 等. 2014. 2013年元月我国中东部地区强霾污染成因分析[J]. 中国科学:地球科学, 2014, 44(1) : 15–26. |
| [${referVo.labelOrder}] | 吴剑斌, 王茜, 王自发. 2015. 上海市夏季颗粒物污染过程数值模拟研究[J]. 环境科学学报, 2015, 35(7) : 1982–1992. |
| [${referVo.labelOrder}] | Xu W, Zhao C S, Ran L, et al. 2011. Characteristics of pollutions and their correlation to meteorological conditions at a suburban site in the North China Plain[J]. Atmospheric Chemistry and Physics, 11(9) : 4353–4369. DOI:10.5194/acp-11-4353-2011 |
| [${referVo.labelOrder}] | Xu J M, Yan F X, Xie Y, et al. 2015. Impact of meteorological conditions on a nine-day particulate matter pollution event observed in December 2013 Shanghai[J]. Particuology, 20 : 69–79. DOI:10.1016/j.partic.2014.09.001 |
| [${referVo.labelOrder}] | 许建明, 耿福海, 甄灿明, 等. 2010. 上海浦东地区气溶胶散射系数及影响因子[J]. 环境科学学报, 2010, 30(1) : 211–216. |
| [${referVo.labelOrder}] | 徐祥德, 丁国安, 周丽, 等. 2003. 北京城市冬季大气污染动力:化学过程区域性三维结构特征[J]. 科学通报, 2003, 48(5) : 496–501. |
| [${referVo.labelOrder}] | 张国琏, 甄新蓉, 谈建国, 等. 2010. 影响上海市空气质量的地面天气类型及气象要素分析[J]. 热带气象学报, 2010, 26(1) : 124–128. |
| [${referVo.labelOrder}] | Zhang J P, Zhu T, Zhang Q H, et al. 2012. The impact of circulation patterns on regional transport pathways and air quality over Beijing and its surroundings[J]. Atmospheric Chemistry and Physics, 12(11) : 5031–5053. DOI:10.5194/acp-12-5031-2012 |
| [${referVo.labelOrder}] | Zhang L, Wang T, Lv M Y, et al. 2015. On the severe haze in Beijing during January 2013: Unraveling the effects of meteorological anomalies with WRF-Chem[J]. Atmospheric Environment, 104 : 11–21. DOI:10.1016/j.atmosenv.2015.01.001 |
| [${referVo.labelOrder}] | 张人禾, 李强, 张若楠. 2014. 2013年1月中国东部持续性强雾霾天气产生的气象条件分析[J]. 中国科学:地球科学, 2014, 44(1) : 27–36. |
| [${referVo.labelOrder}] | 周宁芳, 李峰, 饶晓琴, 等. 2008. 2006年冬半年我国霾天气特征分析[J]. 气象, 2008, 34(6) : 81–88. |
| [${referVo.labelOrder}] | 朱红霞, 赵淑莉, 阚海东. 2015. 2013年我国典型城市大气污染物浓度分布特征[J]. 环境科学与技术, 2015, 38(6) : 227–233. |