环境科学学报  2018, Vol. 38 Issue (11): 4440-4453
武汉市2014-2017年大气污染物分布特征及其潜在来源分析    [PDF全文]
高正旭1 , 王晓玲2 , 向华1 , 苟阿宁2     
1. 武汉区域气候中心, 武汉 430074;
2. 武汉中心气象台, 武汉 430074
摘要: 利用武汉市2014—2017年大气污染物(SO2、NO2、CO、O3、PM2.5和PM10)和气象要素的观测数据,分析了大气污染物的变化特征及其影响因素.使用HYSPLIT模式计算了影响武汉市的主要气团类型,并利用潜在源区贡献(PSCF)和浓度权重轨迹(CWT)分析方法,揭示了研究期内武汉市不同大气污染物的潜在源区分布及其贡献特性.结果表明,武汉市2014—2017年空气质量逐年好转,SO2、O3、PM2.5和PM10的浓度呈逐年下降的趋势,但NO2和CO的浓度先下降后上升.2017年SO2、O3、PM2.5、PM10、NO2和CO的浓度分别为9.6、50.8、52.7、89.2、47.5 μg·m-3和1.1 mg·m-3,分别比2014年降低了64.3%、23.0%、24.7%、18.8%、3.5%和5.9%.大气污染物存在显著的季节变化和月变化.大气污染物在四个季节中日变化类似,SO2和O3均为单峰型分布,NO2、CO、PM2.5和PM10均为双峰型分布.武汉市空气污染以PM2.5为主,随着污染程度的加剧PM2.5/PM10的值逐渐增大,在空气质量为严重污染时,PM2.5/PM10高达90%,比空气质量为优时高了31.34%.局地气团(45%)和来自山西、陕西和河南一带的西北气团(12.1%)下大气污染物浓度较高.大气污染物的潜在源区贡献(WPSCF)和浓度权重轨迹(WCWT)的较大值主要集中在武汉市本地及其周边地区,局地污染对武汉市大气污染物的贡献较大,但不同大气污染物受到排放源分布和停留时间等影响其WPSCF和WCWT的分布范围不同.
关键词: 武汉     大气污染物     年变化     日变化     潜在源区    
Variation characteristics and potential sources of air pollutants during 2014-2017 in Wuhan
GAO Zhengxu1 , WANG Xiaoling2, XIANG Hua1, GOU Aning2    
1. Wuhan Regional Climate Centre, Wuhan 430074;
2. Wuhan Central Meteorological Office, Wuhan 430074
Received 13 April 2018; received in revised from 28 June 2018; accepted 28 June 2018
Supported by the National Key Research and Development Program of China (No.2017YFC0212603), the Key Technology and Application of Meteorological Integration of China Meteorological Bureau(No.CAMGJ2014M35) and the National Natural Science Foundation of China(No.91644224)
Biography: GAO Zhengxu(1980—), male, E-mail: gaozhengxu21@foxmail.com
*Corresponding author: GAO Zhengxu
Abstract: Air pollutants (SO2, NO2, CO, O3, PM2.5 and PM10) and meteorological elements during 2014-2017 in Wuhan were used together to analyze the air pollutants' variation feature and their influencing factors. The major types of air masses influencing Wuhan were derived by using the Hybrid Single-Particle Lagrangian Integrated Trajectory (HYSPLIT) modeling system. Additionally, the distributions of potential source region and their contribution fractions for different air pollutants were derived by using the methods of the potential source contribution function (PSCF) and the concentration weighted trajectory (CWT). Results show that the air quality improved from 2014 to 2017, the concentrations of SO2, O3, PM2.5, and PM10 show an overall decrease gradually while the NO2 and CO show a short decrease then followed by an increase from 2014 to 2017. The annual concentrations of SO2, O3, PM2.5, PM10, NO2, and CO were 9.6, 50.8, 52.7, 89.2, 47.5 μg·m-3, and 1.1 mg·m-3 in 2017, which dropped by 35.7%, 77.0%, 75.3%, 81.2%, 96.5% and 94.1% compared with those in 2014, respectively. The air pollutants exhibited significant seasonal and monthly variations. The diurnal variations of air pollutants were similar in four seasons, with unimodal distributions for SO2 and O3 and bimodal distributions for NO2, CO, PM2.5 and PM10. The air pollution in Wuhan was still dominated by fine particulate matter. The ratio of PM2.5/PM10 enhanced with the deterioration of air quality and can reach as high as 0.9 when the air quality status was seriously polluted (air quality index (AQI) >300), which increased by 31.34% compared with the ratio when the air quality was excellent (0 < AQI < 50). Air pollutants, which were influenced by local air masses (45%) and northwestern air masses (12.1%) originated from Shanxi, Shanxi and Henan, had relatively high concentrations. High values of the pollutant WPSCF (weighted potential source contribution function) and WCWT (weighted concentration-weighted trajectory) were mainly centralized in local and surrounding regions, demonstrating that the local pollution had greater contributions to pollutants concentrations in Wuhan. However, the distribution scope of WPSCF and WCWT varied with different pollutants, which was due to the various emission sources and different resident time of pollutants.
Keywords: Wuhan     air pollutants     annual variation     diurnal variation     potential sources    
1 引言(Introduction)

过去的几十年,快速的工业化、城市化进程及机动车保有量持续增加导致中国城市地区空气质量日益恶化,这不仅降低城市大气能见度,也对人类健康造成极大的危害,进而对经济和社会的可持续发展造成极大危害(宋宇等,2003; An et al., 2007; Tie et al., 2009a; 2009b; Wang et al., 2017).大气空气质量主要受大气颗粒物(PM2.5和PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)和一氧化碳(CO)浓度的影响.许多研究都研究了人体在空气污染中的暴露时间与严重的心血管和呼吸系统疾病之间的联系(Zhou et al., 2010; Langrish et al., 2012).暴露于高浓度的PM2.5和PM10下可加重慢性呼吸系统疾病和心血管疾病,降低机体的防御能力,损害肺组织(Tie et al., 2009a; Chen et al., 2011).还会导致过早死亡和癌症(Tie et al., 2009a; 2009b).近地面高浓度的O3、CO、SO2和NO2可降低工作效率、加重慢性心血管疾病、呼吸系统疾病、刺激肺部并降低肺的防御系统工作能力等(Bernard et al., 2001; Tie et al., 2009a; Chen et al., 2012).近年来,中国中央和地方政府采取了一系列控制措施,比如交通管制、烟气脱硫脱硝等,用以缓解空气污染问题.这些措施已经取得了非常显著的效果,比如研究表明我国2003—2010年PM2.5浓度下降了23%(Zhou et al., 2016),2016年我国SO2排放量比2007年下降了75%(Li et al., 2017).但目前我国空气污染问题依然十分严重.亚洲开发银行显示,世界十大污染最严重的城市中有7个位于中国,只有5个中国城市空气质量达到了世界卫生组织的标准(Zhang et al., 2012).

近年来国内外研究者针对大气污染物的浓度分布、时空变化、区域输送及其形成机理等方面开展了大量的研究(Swietlicki et al., 1996; 王艳等,2008; 田贺忠等,2011Huang et al., 2014; Wang et al., 2014; 谢雨竹等,2015; Zhao et al., 2016).沈利娟等(2015;2016)研究表明嘉兴市大气污染物存在显著的周末效应,且PM2.5的周末效应要比PM10明显;雾霾过程中NO2、CO、PM10和PM2.5的浓度较高,SO2和O3的浓度较低.Wang等(2014)研究表明我国大气污染物分布存在显著的时空差异,PM2.5、PM10、CO和SO2的浓度在我国北部城市地区高于西部和东南地区的城市地区,在冬季空气质量不达标天数最高.He等(2017)认为气象条件是决定我国大气污染物浓度逐日变化的主要因素,对我国污染物日均浓度变化的贡献可以超过70%.王红磊等(2017)研究发现不同天气过程中PM和污染气体的浓度分布和日变化特征不同.蔡坤等(2017)发现河南省PM2.5和NO2的分布存在显著的地理差异,中北部为高值区,西部和南部山区为低值区.李璇等(2015)研究发现在重污染日,区域传输对北京市PM2.5的影响显著增强,是北京PM2.5污染的主要来源.施双双等(2017)研究发现冬季临安大气本底站PM2.5主要来自二次相关源、燃煤排放、机动车排放、扬尘和生物质燃烧,贡献率分别为42.3%、21.4%、17.1%、8.7%和10.6%.程麟钧等(2017)发现地形和地貌对我国臭氧空间相关性具有重要影响,黄淮平原、华北平原、长江中下游地区等3个人口稠密区域臭氧浓度高值区.

传统意义上,我国大气重污染事件集中在4个区域:华北平原、长三角地区、珠三角地区和四川盆地(张小曳等,2013; Xu et al., 2016).近年来,我国大气污染物时空特征已发生了明显变化,以PM2.5为例,珠三角地区近年来呈现逐年下降的趋势,2016年PM2.5浓度已经低至32 μg·m-3,率先达标(2016中国环境状况公报);而长江中游地区霾污染程度呈逐年上升趋势(马德栗等,2015谭成好等,2015白永清等,2016).两湖盆地地理位置特殊,外来污染物输送贡献显著(徐祥德等,2015Zhao et al., 2017),同其他4个重要污染区相比,人们对两湖盆地大气污染物的时空分布和重污染形成机制及气象控制因子知之甚少,相关研究非常匮乏.以往的研究多为短期观测或者多针对某一污染事件进行分析,大气污染物长时间序列的分析较少.因此,本文使用武汉市2014—2017年大气污染物(SO2、NO2、CO、O3、PM2.5和PM10)和气象要素的观测数据,分析了该地区大气污染物的变化特征及其影响因素.使用HYSPLIT模式计算了影响武汉市的主要气团类型,并利用潜在源区贡献(WPSCF)和浓度权重轨迹(WCWT)分析方法,揭示了研究期内武汉市不同大气污染物的潜在源区分布及其贡献特性,以期为开展区域大气环境调控提供理论依据和数据基础.

2 资料与方法(Materials and methods) 2.1 地理位置介绍

图 1所示,武汉位于长江中下游平原,江汉平原东部,地势为东高西低,南高北低,中间被长江、汉江呈Y字型切割成三块.武汉市为中国中部地区的中心城市,长江经济带核心城市,全国重要的工业基地、科教基地和综合交通枢纽.根据2017年武汉市国民经济和社会发展统计公报可知,2017年武汉市常住人口有1089.29万,民用汽车拥有量261万辆,地区生产总值13410.34亿元.由图 1可知武汉市内江河纵横、湖港交织,水域面积占全市总面积的1/4.经济的高速发展,使得武汉市大气污染物的来源复杂,内陆湖泊、水网特殊湿润地理特征使得大气污染物的空间分布及其变化趋势复杂多变.

图 1 站点地形图(https://map.baidu.com/)及后向轨迹分型图 Fig. 1 Measurement site information (https://map.baidu.com/) and cluster mean back trajectories
2.2 数据来源介绍

大气污染物数据来自中国环境监测总站全国城市空气质量实时发布平台(http://106.37.208.233:20035/)公布的数据.本研究所用大气污染物数据为武汉市10个国控点数据的平均浓度.大气污染物种类包括SO2、NO2、CO、O3、PM2.5和PM10,时间分辨率为1 h,分析时段为2014年5月1日—2017年12月31日.统计不同空气质量等级天数时,使用2014年1月1日—2017年12月31日的空气质量指数(AQI)和大气常规污染物种类的日值数据.本文按照AQI指数划分的空气质量等级,即AQI指数在0~50、51~100、101~150、151~200、201~300和>300分别对应空气质量等级为优、良、轻度污染、中度污染、重度污染和严重污染.

微振动平衡法和β吸收法都用来测量PM2.5和PM10.NO2、SO2、O3和CO的连续监测系统由采样单元、校准装置、分析装置、数据采集和传输单元组成.NO2、SO2和O3分别采用化学发光法、紫外荧光法和紫外分光光度法测量.CO是使用非色散红外吸收法和气体过滤相关红外吸收法测量.观测数据质量控制根据《环境空气质量标准》(GB3095-2012)和《环境空气质量指数(AQI)技术规定(试行)》(HJ633-2012)的相关规定.具体的观测仪器和观测数据质量控制介绍可以参见文献(Wang et al., 2014; Zhao et al., 2016).如果10个观测站点中,某一时刻同时有3个以上站点没有数据,则认为该时刻数据无效,经过剔除无效数据后,本文共获得30470组有效观测数据.

此外,使用武汉市气象观测站观测的同期小时值气象要素数据,包括温度、风速风向、相对湿度(RH)、能见度.降水数据使用24 h降水量.气象数据观测方法和质量控制按照中国气象局颁布的《地面气象观测规范》要求.

2.3 HYSPLIT后向轨迹模式

本文所采用的后向轨迹模式是由美国国家海洋及大气管理局(NOAA)开发的轨迹计算模式HYSPLIT(http://ready.arl.noaa.gov/HYSPLIT.php).该模式目前已在大气污染物输送研究中得到了广泛的应用(Stein et al., 2015; 王艳等,2008; 尹聪等,2011).利用HYSPLIT模式计算了观测期间每日12:00距地500 m高度的24 h后向轨迹.模式采用的气象场为美国国家环境预报中心(NECP)的再分析资料,水平分辨率为1.0°×1.0°.

气流轨迹聚类分析使用TrajStat软件,使用Angle Distance算法,使用总空间方差(total spatial variance, TSV)对分类结果进行判断,最终聚类结果选取TSV第2次迅速增大之前的分类结果(Draxler et al., 1998; Wang et al., 2009).其原理为:最初几步分类的TSV迅速增加,之后TSV的增速减缓;但当类别分到一定数目后,TSV又迅速增大,说明此次合并类差异已经较大,分类合并到此结束;此次合并之前的聚类结果即为最优分类结果.本文共得到6类气团聚类结果,如图 1所示.

2.4 潜在源区(PSCF)分析法

Ashbaugh等(1985)在1985年发展了潜在源区贡献函数(PSCF),目前已经在多个领域得到广泛应用(Lucey et al., 2001; Wang et al., 2016).PSCF主要通过气流的后向轨迹和某要素值(比如PM2.5质量浓度)的结合来求解要素值的潜在源区位置(刘浪等,2016).PSCF函数是基于空间网格进行计算,定义为通过研究区内某一网格ij的污染气流轨迹(当要素值超过设定的污染阈值时的轨迹)端点数mij与经过该网格的所有气流轨迹端点数nij的比值,即

(1)

因为PSCF是一种条件概率函数,当各网格内气流滞留时间较短时(nij值较小),PSCF值的不确定性就会较大.因此,需要引入经验权重函数(W(nij))对其进行区间化赋权和降误差处理(Polissar et al., 2001; 任传斌等,2016Wang et al., 2009),权重函数W(nij)定义为:

(2)

进而,可以对PSCF进行加权计算:

(3)
2.5 浓度权重轨迹(CWT)分析法

PSCF只能反映当前网格中污染轨迹数所占的比例,无法体现出污染轨迹对目标格网的污染浓度贡献.CWT是一种网格化识别源区的方法(Hsu et al., 2003; 任传斌等,2016)(其网格粒度取与PSCF相同),通过计算源区格网ij的平均权重浓度cij来分析其对目标格网的污染贡献:

(4)

式中, cij是网格ij上的平均权重浓度,k是气团轨迹,M是气团轨迹总数,Ck是轨迹k经过网格ij时对应的要素值,τijk是轨迹k在网格k停留的时间.在PSCF分析法中所用的权重函数Wij也适用于CWT分析法,以减少mij值较小时所引起的不确定性:

(5)
3 结果与讨论(Results and discussion) 3.1 大气污染物时间变化特征 3.1.1 大气污染物的年变化特征

图 2给出了武汉市2014—2017年大气污染物的年际变化,由图可知不同污染物的年际变化不同.SO2、O3、PM2.5和PM10的浓度呈逐年下降的趋势.尤其是SO2由2014年的26.9 μg·m-3,下降为2017年的9.6 μg·m-3,其中2015年和2016年分别下降了7.4和8.0 μg·m-3.SO2主要来自燃煤排放,比如电厂和工业燃煤.武汉市SO2排放下降主要是重点工业行业(电力、钢铁)提标改造,特别是电力超低排放改造、中小燃煤锅炉淘汰、农村采暖煤改气、煤改电等政策的作用,这也证明了近年来中国大气污染控制政策尤其是“大气十条”的有效性.Li等(2017)的研究表明2016年中国SO2的总排放量大约为8 Mt,比2007年减少了75%.

图 2 武汉市大气污染物平均年变化 Fig. 2 Annual averages of air pollutants concentration at Wuhan

图 2可发现PM在2014年和2015年浓度差异较小,PM2.5和PM10在2015年分别降低了1.4%和3.9%,但是在2016年其浓度明显降低,分别比2015年降低了18.3%和11.9%;此后降幅又减缓,2017年分别降低了6.5%和4.1%.O3在2015年明显下降,比2014年降低了15.1%,此后O3下降趋势减缓,每年降低3 μg·m-3左右.

2014—2017年NO2和CO的浓度先下降后上升,在2016年达到最低值,分别为44.1 μg·m-3和1.0 mg·m-3.NO2的人为来源主要是燃料的燃烧,一般2/3来自汽车等流动源的排放,剩下的1/3来自工业燃烧源和民用燃烧源(Fenn et al., 2006).而CO主要来自矿石燃料的不完全燃烧,大气中的CO主要来源是内燃机排气,其次是锅炉中化石燃料的燃烧.根据武汉市国民经济和社会发展统计公报(http://www.whtj.gov.cn/)可知2014—2017年武汉市汽车保有量分别为163.70、197.78、231和261万辆,2014—2016年武汉市能源消费总量分别为5191.93、5105.13和4860.15×104 t标准煤.机动车辆拥有数持续显著增加、能源消耗持续降低,NO2和CO质量浓度稳步下降,仅在2017年有存在5%~7%的反弹.这可能与气象要素有关,武汉市2017年全年降水量和降雨天数分别为1113.4 mm和124 d,为近4年来最少年,分别比2016年少了696.2 mm和23 d.降雨对NO2和CO具有一定的清除作用(Yoo et al., 2014),因此湿清除作用减少也在一定程度上使得2017年大气污染物浓度偏高.

武汉市大气污染物的年变化特征可能主要得益于近年武汉市出台的“碧水蓝天”工程和《武汉市大气污染防治强化措施》等一系列的空气质量改善措施.这些大气质量改善措施的工作重心在于紧抓汽车尾气治理并逐步提高上路机动车辆尾气排放标准,加快燃煤锅炉改造、各类扬尘和挥发性有机物等污染源治理等.从NO2和CO浓度年变化看,武汉市的大气污染控制治理措施取得了一定的成效,但是容易反弹.其中SO2的年均值目前已达到大气环境质量一级标准,但PM2.5、PM10和NO2的年均值距大气环境质量二级标准还有一定的差距.

3.1.2 大气污染物的季节变化和月变化特征

表 1可知武汉市不同大气污染物的季节变化不同.CO和SO2的季节变化为冬季>秋季>春季>夏季,NO2、PM10和PM2.5的季节变化为冬季>春季>秋季>夏季,O3的季节变化为夏季>春季>秋季>冬季.O3主要来自光化学反应,由表 1可知夏季温度和能见度最高,对应太阳辐射最强,光化学反应最强烈,因此其在夏季浓度最高,冬季光化学反应最弱因此浓度最低.由表 1可知武汉市夏季降水量最高,可达2488.9 mm,是冬季的6.1倍.此外,武汉属于亚热带季风气候,虽然由表 1发现四个季节的风速和RH相差不大,但冬季和夏季的主导风向差异较大.因此CO、SO2、NO2和PM等主要来自人为源排放的污染物在夏季的浓度最低,冬季的浓度最高.

表 1 武汉市大气污染物和主要气象要素季节平均值 Table 1 The seasonal averages of air pollutants concentration and the major meteorological elements at Wuhan

图 3可发现不同大气污染物的月际变化特征不同.CO、SO2、NO2和PM在7月份浓度最低,由图 4可发现7月份降水量最大,风速最大,因此降雨清除作用较强,大气扩散条件较好,因此大气污染物浓度最低.CO的月变化为显著的单谷型分布,1月份出现最大值为1.4 mg·m-3,此后浓度开始逐月下降,7月份达到最小值0.8 mg·m-3,此后浓度又开始逐月升高,12月达到最大值1.3 mg·m-3.由图 4可发现降水的月变化几乎与CO的月变化相反,1月降水较少,此后逐月增加,7月份降雨量达到最大值,之后降雨量逐月降低.这说明湿清除对CO的浓度存在一定的影响.此外,夏季大气边界层扩散条件较好,CO的污染源也较少,比如夏季取暖等燃烧源要远少于冬季,这也会造成夏季CO浓度低于冬季.此外由图 4可发现风速和RH的月变化较弱,武汉全年风速均小于2 m·s-1,RH均超过70%.这说明风速和RH对武汉市大气中CO的影响较小.

图 3 武汉市大气污染物的月变化 Fig. 3 The monthly variations of air pollutants concentration at Wuhan

图 4 武汉市主要气象要素月变化 Fig. 4 The monthly variations of the major meteorological elements at Wuhan

SO2的月际变化与CO基本一致.NO2在3月出现一个小的峰值,其余月份变化趋势与CO一致.PM2.5和PM10在5月份出现一个峰值,与收获季节的秸秆燃烧有关,其余月份的浓度变化趋势与CO一致.

图 3可发现O3的月变化为单峰型分布,在5—9月达到峰值.O3的月际变化与其他污染物呈明显的反相关关系,尤其是与PM、NO2和CO.由图 4可知武汉市5—9月温度较高,能见度也相对较高.高温高能见度和低浓度的PM,对应该时间段太阳辐射较强,光化学反应剧烈,因此O3的浓度较高.

3.1.3 大气污染物的日变化特征

图 5可发现SO2在不同季节中的日变化特征类似,均为单峰型分布,峰值出现在11:00.由图 5可知SO2浓度在6:00开始增加,而此时大气扩散条件还未充分发展(于洲等,2016),导致了浓度的堆积,因而在11:00达到峰值.此后随着交通排放源的减少以及大气处于不稳定状态,有利于SO2的稀释和输送,因此浓度开始降低.四个季节NO2的日变化均为双峰型分布,峰值分别位于8:00和21:00,分别与早晚高峰期对应.武汉民用汽车拥有量为261万辆,常住人口多达1089.29万,因此在早晚上下班高峰期,交通源的贡献量非常大,从而使得NO2的浓度升高出现峰值.CO的日变化与NO2类似也为双峰型分布,峰值分别出现在9:00和21:00.CO主要来自化石燃料的不完全燃烧(安俊琳等,2007),因此其日变化特征与NO2类似.PM2.5和PM10也为双峰型分布,峰值分别位于10:00和21:00.但由图 5可以发现PM2.5全天的峰值变化并不明显,由图 4可知武汉市全年RH较高,由图 1可知武汉地区水系发达,该地区船舶、交通和农业排放(秸秆焚烧、氨排放)等排放密集,表现为PM2.5全天浓度变化较小.四个季节O3的日变化均为单峰型分布,峰值出现在15:00,主要与光化学反应有关.

图 5 武汉市四个季节大气污染物的日变化 Fig. 5 Diurnal variations of air pollutants concentration in four seasons at Wuhan

图 5可发现武汉市大气污染物四个季节的日变化特征基本类似,但各个季节的大气污染物全天浓度整体差异较大.除O3外大气污染物在冬季全天的浓度要显著高于其他季节,夏季全天的浓度要显著低于其他季节,春秋季的浓度相差不大.武汉为典型的亚热带季风气候,东亚季风,尤其是冬季风大气环流驱动的我国中东部污染物区域传输,易在两湖盆地形成“汇聚”效应,这可能是武汉冬季污染物浓度较高的一个重要原因.夏季风大气环流来自海洋,气团清洁,降水充沛,因此污染物浓度较低.春秋季节为冬夏季风转换季节,因此污染物浓度差异不大.

3.2 不同空气质量等级下大气污染物变化特征

图 6可发现近年来武汉市空气质量逐年好转,优良天数逐年上升,2014年和2015年空气质量为优的天数分别为32 d,2016年和2017年空气质量为优的天数上升为52 d和56 d,4年内升高了75%.此外空气质量为良的天数由2014年的148 d,上升为2017年的199 d,4年内升高了34.5%.轻度污染天数由2014年的123 d,下降为2017年的86 d,4年内下降了30.1%.由图 6可发现2014—2016年武汉市中度污染天数变化比较稳定,2017年才有显著降低.重度污染天数在2014年达到最大值32 d,此后迅速降低,2015年下降了46.9%,2016年又下降了58.8%. 2014年严重污染天数多达5 d,此后几年内几乎没有出现.整本来看,2016年之后武汉市空气质量有了显著提高,说明经过近年来执行的一系列的空气质量改善措施起到显著作用.

图 6 武汉市不同年份和不同月份不同空气质量等级天数变化 Fig. 6 The number of different air quality levels days in different years and months at Wuhan

图 6还可发现不同月份的空气质量情况不同.夏季空气质量最好,冬季最差.2014—2017年一共出现了8 d严重污染,其中有7 d均出现在夏季.其中2017年5月6日武汉市也出现了一次严重污染,此次污染事件中PM10最高达到了885 μg·m-3,是一次典型的沙尘过程.7月份空气质量为优的天数最多,优良率可达81.5%.由图 4可知7月份降水量最高,降水的清除作用最强,此外东亚夏季风也有利于污染物的扩散.1月份污染最严重,优良率仅为20.3%,重度污染占24.4%,中度污染占20.3%.由图 6可发现12月份空气质量为优的天数为0,但是空气质量为良的天数为42 d,占总天数的33.9%.

表 2可知武汉市空气污染还是以PM为主,随着污染程度的加剧PM2.5/PM10的值逐渐增大,PM2.5/PM10在不同空气质量等级下的值分别为58.66%、55.55%、61.22%、73.07%、84.0%和90%.由此可见武汉市近年来空气污染还是以PM2.5为主的霾污染.由表 2可发现不同空气质量等级下SO2、NO2和CO的浓度均较低,均达到24 h的国家一级标准.SO2在严重污染时浓度为43.0 μg·m-3,由图 6可知严重污染主要集中在2014年,由图 2可知2014年武汉市SO2的浓度还相对较高,因此造成严重污染时SO2的浓度要明显高于其他空气质量等级下的浓度.由表 2可发现O3在轻度污染时浓度超过日最大8 h平均的一级标准,其余空气质量标准均在一级标准以内.

表 2 不同空气质量等级下大气污染物浓度 Table 2 The average of air pollutants concentration at different air quality levels
3.3 不同类型气团下大气污染物分布特征

图 1可知观测期间武汉市的主导气团可分为6个类型,分别为类型1西南局地气团(18.1%),类型2东北局地气团(26.9%),类型3偏东气团(24.7%),类型4西北气团(12.1%),类型5东北气团(11.3%)和类型6远距离输送西南气团(6.9%).由此可知武汉市45%的气团为局地气团,由图 7可发现在局地气团下大气污染物的浓度较高,即长江中游的两湖盆地本地的污染源对武汉的影响较大.由图 1可发现武汉市由于其独有的枢纽地理位置,在东南西北各个方向均有气流通道与我国主要大气污染区域(华北、华东、华南及四川和关中盆地)相连,大气气溶胶的区域传输对其大气环境具有重要影响.

图 7 武汉市不同类型气团下大气污染物分布 Fig. 7 The average of air pollutants concentration under different type air masses at Wuhan

图 7可发现不同类型气团下大气污染物的污染水平不同.图 7在1、2和4类气团下大气污染物浓度较高,气团类型5和类型6下大气污染物浓度最低.比如气团类型5和类型6下PM2.5的浓度分别为52.6 μg·m-3和35.0 μg·m-3,是气团类型2的74.0%和49.2%.气团类型5和类型6下的NO2浓度分别为33.0 μg·m-3和36.8 μg·m-3,是气团类型1的61.8%和68.9%,是气团类型2的59.7%和66.5%.由图 7可知类型4气团主要来自山西、陕西和河南一带,这些地区燃煤等人为污染较重,因此大气污染物浓度较高.曹国良等(2010)研究发现山东、河北、山西、河南、四川等煤炭使用量较高、农村人口密度较高、工业较发达;煤炭的大量使用,尤其是在除尘、脱硫设备较落后的乡镇企业,使得各污染物的排放量很大;而农村人口密度较高,使得源于秸秆焚烧、生活燃煤的排放也就较高,因此SO2、NOx和CO等反应性气体的浓度较高.气团类型5和类型6的传输速度较快,大气扩散条件较好,类型5主要来自安徽和江苏的北部,类型6主要来自广西和湖南,气团传输路径大气污染相对较少,因此大气污染物浓度较低.

类型1和类型2气团为局地气团,气团轨迹较短,说明气团移动速度较慢,因此对应大气环流条件比较稳定,不利于污染物扩散,因此由图 7可发现气团类型1和类型2下大气污染物浓度均较高.由图 1可知气团类型2主要来自武汉以及周边地区,由图 7可发现该气团类型下NO2、CO和PM2.5的浓度最高,说明武汉本地对这几类污染物的贡献较大.气团类型1和类型6均为西南气团,区别在于类型6气团轨迹较长,气团传输速度较快,为外来输送型气团.由图 7可发现气团类型1下的污染物浓度要远大于气团类型6下的浓度,这说明不利的天气形势对大气污染物浓度的影响较大.

3.4 大气污染物潜在源区及其贡献分析

对武汉市近年来气流轨迹的分析能确定影响武汉的气流轨迹的方向和空间位置分布,但无法识别影响武汉大气污染物的不同潜在源区的贡献大小.为了对武汉大气污染物输送源进一步的研究以及确定武汉大气污染物的潜在来源以及贡献,本研究主要针对研究期间武汉大气污染物开展污染潜在源区分析,结果如图 8图 9所示.

图 8 武汉市大气污染物的潜在源区分布 Fig. 8 The distribution of the potential source zones (WPSCF) of air pollutants at Wuhan

图 9 武汉市大气污染物的浓度(单位μg·m-3, CO单位:mg·m-3)权重轨迹分布 Fig. 9 The distribution of concentration-weighted trajectory (WCWT) of air pollutants at Wuhan

图 8可知武汉市不同大气污染物的潜在源区贡献的较大值主要集中在武汉市本地及其周边地区,这与上文的分析一致.但不同污染物的潜在源区贡献分布不同,NO2和PM2.5的潜在源高值区范围更大,SO2的潜在源高值区范围最小.这说明武汉市SO2的来源更加局地,而NO2和PM2.5的来源更加广泛.这可能与其污染源特征有关,SO2主要来自工业等燃煤排放,污染源相对固定.NO2主要来自汽车尾气等交通源,PM2.5的来源更加广泛,除一次人为源排放外,还有大量的二次源转化,因此它们的潜在源区范围更广.此外,不同大气污染物在大气中的停留时间不同,这也会影响其在大气中的传输过程中的浓度分布.比如PM2.5在大气中停留时间要大于PM10,因此在同等条件下PM2.5在大气中的传输距离要比PM10远,所以武汉市PM2.5潜在源区高值区范围要大于PM10的高值区范围.此外,如果大气污染物在大气中停留时间较长,则与其他物质发生物理化学反应过程的持续时间更长,反应更充分,例如气态污染物在颗粒物表面的非均相反应过程(朱彤等,2010).

图 8可发现PM2.5的潜在源区分布外来远距离输送的影响较大,比如长三角地区和关中平原地区等外围地区的WPSCF的值也较高.这也说明武汉地区PM2.5的来源复杂,除了本地贡献外,外来输送的影响也不容忽视,作为影响武汉市空气质量的主要污染物,这无疑加大了其治理难度.SO2、O3和PM10的潜在源区分布与PM2.5类似,外围的影响也较大,但外围潜在源区高值分布不同.PM10西北方向的外围贡献较大,O3东南方向和东部地区的外围贡献较大,SO2的潜在源区分布比较分散.由图 8可发现NO2和CO的潜在源区分布类似,武汉及其周边地区较高,外围的WPSCF值较低且比较均匀.

由于潜在源区贡献因子分析法只能反映潜在源区贡献率的大小,无法模拟数值的大小.为此,本研究引入浓度权重轨迹分析法(CWT)计算潜在源区的权重浓度(浓度数值),以反映潜在污染源区的污染程度.

图 9可发现不同污染物的WCWT高值区与WPSCF的高值区分布类似,也主要集中在武汉及其周边地区.但由图 9可发现不同大气污染物WCWT高值区范围存在区别,CO和PM10的高值区范围更大,PM2.5和O3的高值区范围较小.由图 9可发现不同污染物的WCWT外围贡献分布类似,这说明外来输送对武汉市大气污染物的浓度贡献类似.

图 8对比可知同一污染物的WPSCF分布与WCWT的分布可能差异较大,比如SO2和PM2.5.其主要原因为:当某些轨迹的污染物浓度高于设定的浓度阈值时,PSCF认为这些轨迹对目标格网的影响相等,不再区分这些轨迹污染物的实际值大小.例如,我们设定PM2.5的浓度阈值为75 μg·m-3,则PSCF认为当轨迹对应的PM2.5浓度大于75 μg·m-3时,这些轨迹对目标格网的影响一样.CWT则没有设定阈值,能顾及各条轨迹污染物的实际值,可体现不同轨迹的贡献差异,便于准确刻画目标格网污染物的潜在源区.

4 结论(Conclusions)

1) 2014—2017年武汉市SO2、O3、PM2.5和PM10的浓度呈现逐年下降的趋势,NO2和CO的浓度先下降后上升.2017年SO2、O3、PM2.5、PM10、NO2和CO的平均浓度分别为9.6、50.8、52.7、89.2、47.5 μg·m-3和1.1 mg·m-3,比2014年降低了64.3%、23.0%、24.7%、18.8%、3.5%和5.9%.武汉市空气质量逐年好转,2017年空气质量为优和良的天数分别为56 d和199 d,分别比2014年升高了75.0%和34.5%.

2) 武汉市大气污染物存在显著的季节变化和月变化.CO和SO2的季节变化为冬季>秋季>春季>夏季,NO2、PM10和PM2.5的季节变化为冬季>春季>秋季>夏季,O3的季节变化为夏季>春季>秋季>冬季.CO、SO2、NO2和PM在7月份浓度最低,NO2在12月份浓度最高,其余大气污染物在1月份浓度最高.O3在6月份浓度最高,12月份浓度最低.1月份污染最严重,优良率仅为20.3%;7月份空气质量为优的天数最多,优良率可达81.5%.大气污染物在四个季节中日变化类似,SO2和O3均为单峰型分布,NO2、CO、PM2.5和PM10均为双峰型分布.

3) 武汉市空气污染以PM2.5为主,随着污染程度的加剧,PM2.5/PM10的值逐渐增大,PM2.5/PM10在不同空气质量等级下(优、良、轻度污染、中度污染、重度污染和严重污染)的值分别为58.66%、55.55%、61.22%、73.07%、84.0%和90%.不同空气质量等级下SO2、NO2和CO的浓度均较低,均达到24 h的国家一级标准.O3在轻度污染时浓度超过日最大8 h平均的一级标准,其余空气质量标准均在一级标准以内.

4) 武汉市45%的主导气团为局地气团,外来输送气团分别为偏东气团(24.7%)、西北气团(12.1%)、东北气团(11.3%)和远距离输送西南气团(6.9%).局地气团和来自山西、陕西和河南一带的西北气团下大气污染物浓度较高.武汉市大气污染物的潜在源区贡献(WPSCF)和浓度权重轨迹(WCWT)的较大值主要集中在武汉市本地及其周边地区,局地污染对武汉市大气污染物的贡献较大,但是不同大气污染物受到排放源分布和停留时间等影响其WPSCF和WCWT的分布范围不同.

参考文献
安俊琳, 王跃思, 李昕, 等. 2007. 北京大气中SO2、NOx、CO和O3体积分数变化分析[J]. 生态环境, 2007, 16(6): 1585–1589. DOI:10.3969/j.issn.1674-5906.2007.06.001
An X, Zuo H, Chen L. 2007. Atmospheric environmental capacity of SO2 in winter over Lanzhou in China:A case study[J]. Advances in Atmospheric Sciences, 24(4): 688–699. DOI:10.1007/s00376-007-0688-3
Ashbaugh L L, Malm W C, Sadeh W Z. 1985. A residence time probability analysis of sulfur concentrations at Grand Canyon National Park[J]. Atmospheric Environment, 19(8): 1263–1270. DOI:10.1016/0004-6981(85)90256-2
白永清, 祁海霞, 刘琳, 等. 2016. 武汉大气能见度与PM2.5浓度及相对湿度关系的非线性分析及能见度预报[J]. 气象学报, 2016, 74(2): 189–199.
Bernard S M, Samet J M, Grambsch A, et al. 2001. The potential impacts of climate variability and change on air pollution-related health effects in the United States[J]. Environmental Health Perspectives, 109(Suppl 2): 199. DOI:10.1289/ehp.109-1240667
蔡坤, 郑泰皓, 陈良富, 等. 2017. 河南省2005~2015年NO2和PM2.5时空变化遥感解析[J]. 中国环境科学, 2017, 37(12): 4417–4427. DOI:10.3969/j.issn.1000-6923.2017.12.002
曹国良, 安心琴, 周春红, 等. 2010. 中国区域反应性气体排放源清单[J]. 中国环境科学, 2010, 30(7): 900–906.
Chen C, Zhao B. 2011. Review of relationship between indoor and outdoor particles:I/O ratio, infiltration factor and penetration factor[J]. Atmospheric Environment, 45(2): 275–288. DOI:10.1016/j.atmosenv.2010.09.048
Chen C, Zhao B, Weschler C J. 2012. Indoor exposure to "outdoor PM10":assessing its influence on the relationship between PM10 and short-term mortality in US cities[J]. Epidemiology, 23(6): 870–878. DOI:10.1097/EDE.0b013e31826b800e
程麟钧, 王帅, 宫正宇, 等. 2017. 中国臭氧浓度的时空变化特征及分区[J]. 中国环境科学, 2017, 37(11): 4003–4012. DOI:10.3969/j.issn.1000-6923.2017.11.001
Draxler R R, Hess G D. 1998. An overview of the HYSPLIT_4 modelling system for trajectories[J]. Australian Meteorological Magazine, 47(4): 295–308.
Fenn M E, Baron J S, Mien E B, et al. 2006. Ecological effects of nitrogen deposition in the western United States[J]. Bioscience, 53: 404–420.
He J, Gong S, Yu Y, et al. 2017. Air pollution characteristics and their relation to meteorological conditions during 2014-2015 in major Chinese cities[J]. Environmental Pollution, 223: 484–496. DOI:10.1016/j.envpol.2017.01.050
Huang R J, Zhang Y, Bozzetti C, et al. 2014. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 514(7521): 218. DOI:10.1038/nature13774
Hsu Y K, Holsen T M, Hopke P K. 2003. Comparison of hybrid receptor models to locate PCB sources in Chicago[J]. Atmospheric Environment, 37(4): 545–562. DOI:10.1016/S1352-2310(02)00886-5
Langrish J P, Li X, Wang S, et al. 2012. Reducing personal exposure to particulate air pollution improves cardiovascular health in patients with coronary heart disease[J]. Environmental Health Perspectives, 120(3): 367. DOI:10.1289/ehp.1103898
Li C, McLinden C, Fioletov V, et al. 2017. India is overtaking China as the world's largest emitter of anthropogenic sulfur dioxide[J]. Scientific Reports, 7(1): 14304. DOI:10.1038/s41598-017-14639-8
李璇, 聂滕, 齐珺, 等. 2015. 2013年1月北京市PM2.5区域来源解析[J]. 环境科学, 2015, 36(4): 1148–1153.
刘浪, 张文杰, 杜世勇, 等. 2016. 利用SPAMS分析北京市硫酸盐, 硝酸盐和铵盐季节变化特征及潜在源区分布[J]. 环境科学, 2016, 37(5): 1609–1618.
Lucey D, Hadjiiski L, Hopke P K, et al. 2001. Identification of sources of pollutants in precipitation measured at the mid-Atlantic US coast using potential source contribution function (PSCF)[J]. Atmospheric Environment, 35(23): 3979–3886. DOI:10.1016/S1352-2310(01)00185-6
马德栗, 李兰, 鞠英芹. 2015. 湖北省霾日数气候特征及夏季典型霾过程气象因子分析[J]. 环境科学与技术, 2015, 38(11): 148–153.
Polissar A V, Hopke P K, Harris J M. 2001. Source regions for atmospheric aerosol measured at Barrow, Alaska[J]. Environmental Science & Technology, 35(21): 4214–4226.
任传斌, 吴立新, 张媛媛, 等. 2016. 北京城区PM2.5输送途径与潜在源区贡献的四季差异分析[J]. 中国环境科学, 2016, 36(9): 2591–2598. DOI:10.3969/j.issn.1000-6923.2016.09.006
沈利娟, 王红磊, 李莉, 等. 2016. 嘉兴市春季一次持续雾霾过程中气象条件与污染物变化特征分析[J]. 环境科学, 2016, 37(8): 2871–2880.
沈利娟, 王红磊, 吕升, 等. 2015. 嘉兴市春季PM、主要污染气体和气溶胶粒径分布的周末效应[J]. 环境科学, 2015, 36(12): 4348–4357.
施双双, 王红磊, 朱彬, 等. 2017. 冬季临安大气本底站气溶胶来源解析及其粒径分布特征[J]. 环境科学, 2017, 38(10): 4024–4033.
Swietlicki E, Puri S, Hansson H C, et al. 1996. Urban air pollution source apportionment using a combination of aerosol and gas monitoring techniques[J]. Atmospheric Environment, 30(15): 2795–2809. DOI:10.1016/1352-2310(95)00322-3
宋宇, 唐孝炎, 张远航, 等. 2003. 北京市大气能见度规律及下降原因[J]. 环境科学研究, 2003, 16(2): 10–12. DOI:10.3321/j.issn:1001-6929.2003.02.003
Stein A F, Draxler R R, Rolph G D, et al. 2015. NOAA's HYSPLIT atmospheric transport and dispersion modeling system[J]. Bulletin of the American Meteorological Society, 96(12): 2059–2077. DOI:10.1175/BAMS-D-14-00110.1
田贺忠, 赵丹, 王艳. 2011. 中国生物质燃烧大气污染物排放清单[J]. 环境科学学报, 2011, 31(2): 349–357.
谭成好, 赵天良, 崔春光, 等. 2015. 近50年华中地区霾污染的特征[J]. 中国环境科学, 2015, 35(8): 2272–2280. DOI:10.3969/j.issn.1000-6923.2015.08.004
Tie X, Cao J. 2009a. Aerosol pollution in China:Present and future impact on environment[J]. Particuology, 7(6): 426–431. DOI:10.1016/j.partic.2009.09.003
Tie X, Wu D, Brasseur G. 2009b. Lung cancer mortality and exposure to atmospheric aerosol particles in Guangzhou, China[J]. Atmospheric Environment, 43(14): 2375–2377. DOI:10.1016/j.atmosenv.2009.01.036
王红磊, 沈利娟, 唐倩, 等. 2017. 嘉兴市不同天气条件下大气污染物和气溶胶化学组分的分布特征[J]. 环境科学, 2017, 38(9): 3594–3604.
Wang H, Shen L, Zhu B, et al. 2017. Spatial and temporal distributions of air pollutants and size distribution of aerosols over central and eastern China[J]. Archives of Environmental Contamination and Toxicology, 72(4): 481–495. DOI:10.1007/s00244-017-0401-1
王艳, 柴发合, 王永红, 等. 2008. 长江三角洲地区大气污染物输送规律研究[J]. 环境科学, 2008, 29(5): 1430–1435. DOI:10.3321/j.issn:0250-3301.2008.05.048
Wang Y, Ying Q, Hu J, et al. 2014. Spatial and temporal variations of six criteria air pollutants in 31 provincial capital cities in China during 2013-2014[J]. Environment International, 73: 413–422. DOI:10.1016/j.envint.2014.08.016
Wang H, Zhu B, Shen L, et al. 2016. Regional characteristics of air pollutants during heavy haze events in the Yangtze River Delta, China[J]. Aerosol and Air Quality Research, 16(9): 2159–2171. DOI:10.4209/aaqr.2015.09.0551
Wang Y Q, Zhang X Y, Draxler R R. 2009. TrajStat:GIS-based software that uses various trajectory statistical analysis methods to identify potential sources from long-term air pollution measurement data[J]. Environmental Modelling & Software, 24(8): 938–939.
谢雨竹, 潘月鹏, 倪长健, 等. 2015. 成都市区夏季大气污染物浓度时空变化特征分析[J]. 环境科学学报, 2015, 35(4): 975–983.
Xu X, Zhao T, Liu F, et al. 2016. Climate modulation of the Tibetan Plateau on haze in China[J]. Atmospheric Chemistry and Physics, 16(3): 1365–1375. DOI:10.5194/acp-16-1365-2016
徐祥德, 王寅钧, 赵天良, 等. 2015. 中国大地形东侧霾空间分布"避风港"效应及其"气候调节"影响下的年代际变异[J]. 科学通报, 2015, 60(12): 1132–1143.
尹聪, 朱彬, 曹云昌, 等. 2011. 秸秆焚烧影响南京空气质量的成因探讨[J]. 中国环境科学, 2011, 31(2): 207–213.
Yoo J M, Lee Y R, Kim D, et al. 2014. New indices for wet scavenging of air pollutants (O3, CO, NO2, SO2, and PM10) by summertime rain[J]. Atmospheric Environment, 82: 226–237. DOI:10.1016/j.atmosenv.2013.10.022
于洲, 刘寿东, 王咏薇, 等. 2016. 杭州市2014年城区大气污染物浓度变化特征观测分析[J]. 科学技术与工程, 2016, 16(16): 95–104. DOI:10.3969/j.issn.1671-1815.2016.16.017
Zhang Q, Crooks R. 2012. Toward an environmentally sustainable future:Country environmental analysis of the People's Republic of China[M]. Asian Development Bank.
张小曳, 孙俊英, 王亚强, 等. 2013. 我国雾-霾成因及其治理的思考[J]. 科学通报, 2013, 58(13): 1178–1187.
Zhao S, Yu Y, Yin D, et al. 2016. Annual and diurnal variations of gaseous and particulate pollutants in 31 provincial capital cities based on in situ air quality monitoring data from China National Environmental Monitoring Center[J]. Environment International, 86: 92–106. DOI:10.1016/j.envint.2015.11.003
Zhao T, Liu D, Zheng X, et al. 2017. Revealed variations of air quality in industrial development over a remote plateau of Southwest China:an application of atmospheric visibility data[J]. Meteorology & Atmospheric Physics, 129(6): 1–9.
Zhou X, Cao Z, Ma Y, et al. 2016. Concentrations, correlations and chemical species of PM2.5/PM10 based on published data in China:potential implications for the revised particulate standard[J]. Chemosphere, 144: 518–526. DOI:10.1016/j.chemosphere.2015.09.003
Zhou Y, Fu J S, Zhuang G, et al. 2010. Risk-based prioritization among air pollution control strategies in the Yangtze River Delta, China[J]. Environmental Health Perspectives, 118(9): 1204. DOI:10.1289/ehp.1001991
朱彤, 尚静, 赵德峰. 2010. 大气复合污染及灰霾形成中非均相化学过程的作用[J]. 中国科学:化学, 2010, 40(12): 1731–1740.