环境科学学报  2020, Vol. 40 Issue (9): 3081-3092
石家庄市臭氧污染的时空演变格局和潜在源区    [PDF全文]
王帅1, 冯亚平1, 崔建升1, 陈静2, 姚波1, 刘大喜1    
1. 河北科技大学环境科学与工程学院, 石家庄 050018;
2. 石家庄市气象局, 石家庄 050081
摘要:基于石家庄市46个国控、省控环境自动监测站在2019年4—10月的大气O3-8 h和O3-1 h浓度数据,在对其进行反距离加权插值(IDW)的基础上,分析了石家庄市域5—9月O3浓度月度和时域空间演变格局,并结合全球资料同化系统(GDAS)气象资料和大气污染物数据(PM2.5、NO2、PM10、SO2及CO),进行了空间自相关和后向轨迹分析,探讨了石家庄市O3污染的空间积聚特征和潜在源区分布.结果表明:①石家庄市域大气O3稳定程度较低,5—9月变动呈以6月为峰值的单峰型态势,时域变化呈以15:00—16:00为峰值的单峰型趋势;②5—9月O3浓度为207~260 μg·m-3,呈中西部高、外围区域低的空间格局;O3质量浓度在0:00—6:00呈西北至东南向降幅逐渐增加的趋势,在6:00—12:00和12:00—15:00的变动过程中O3浓度呈东南至西北向梯度交替递增的态势,即前一过程O3浓度增长强度高的区域在后一过程变弱,其中长安区、井陉县和新华区O3污染较严重;③O3污染浓度全域有较强的空间积聚特征(p < 0.05),局部积聚特征出现在市域中部、东部和东南部(p < 0.05),与O3后向轨迹聚类结果的东-东南向污染轨迹占比一致;④O3污染潜在源区主要集中于600 km的空间内,权重浓度贡献较大的区域处于200 km的范围,河北中南部、河南中北部、山东西部和山西中部是潜在污染源区的集中范围,对石家庄市O3污染贡献较大.
关键词O3    时空演变格局    空间自相关    潜在源贡献因子    污染特征    石家庄    
Spatio-temporal evolution patterns and potential source areas of ozone pollution in Shijiazhuang
WANG Shuai1, FENG Yaping1, CUI Jiansheng1, CHEN Jing2, YAO Bo1, LIU Daxi1    
1. School of Environmental Science and Engineering, Hebei University of Science and Technology, Shijiazhuang 050018;
2. Shijiazhuang Meteorological Bureau, Shijiazhuang 050081
Received 26 February 2020; received in revised from 24 April 2020; accepted 24 April 2020
Abstract: Based on the surface O3-8 h and O3-1 h concentration data from 46 state-controlled and provincial-controlled environmental monitoring stations in Shijiazhuang City from April to October 2019, the inverse distance weighted (IDW) interpolation has been applied to analyze the monthly and temporal spatial evolution pattern of ozone concentration from May to September in Shijiazhuang. As well as the spatial autocorrelation and backward trajectories analysis were performed to explore the spatial agglomeration characteristics and potential source areas distribution of ozone pollutant in Shijiazhuang by combining with global data assimilation system (GDAS) meteorological and ground-level pollutant data (PM2.5, NO2, PM10, SO2 and CO). The results indicate that the surface ozone stability in Shijiazhuang City is low. The monthly variations from May to September show a unimodal type trend with a peak in June, and the diurnal variations show a unimodal trend with a peak of 15:00-16:00. Furthermore, from May to September, the ozone concentration range is 207 to 260 μg·m-3, presenting a spatial pattern of high in the midwest and low in the peripheral areas. The mass concentration of ozone shows an increase in descent rate from northwest to southeast from 0:00 to 6:00, however during the changes from 6:00 to 12:00 and 12:00 to 15:00, the ozone concentration shows a trend of increasing gradient from southeast to northwest. In other words, the area with high growth intensity of ozone concentration in the previous process become weaker in the latter process. Hence, the ozone pollution is more serious in Chang'an District, Jingxing County, and Xinhua District. Moreover, ozone concentration has strong spatial agglomeration characteristics in the whole region (p < 0.05), and local agglomeration characteristics appear in the central, eastern, and southeastern areas of the city (p < 0.05), which is consistent with the proportion of east-southbound pollution trajectories clustered by ozone backward trajectory. At last, the potential source of ozone pollution is mainly concentrated in a space of 600 km, and the potential source areas with a larger weight concentration contribution is within the range of 200 km. Central and southern Hebei, central and northern Henan, western Shandong and central Shanxi are the concentrated areas of potential pollution sources, which have great impact on ozone pollution in Shijiazhuang.
Keywords: O3    spatio-temporal evolution    spatial autocorrelation    potential source contribution function (PSCF)    pollution characteristics    Shijiazhuang    
1 引言(Introduction)

臭氧(O3)在大气光、热化学过程中起着重要的作用, 不仅可以阻止紫外短波辐射到达地面, 保护生物不受伤害, 且其光解的产物可以活跃大气中的化学过程, 维持地球大气生态系统平衡(唐孝炎等, 1990).但地表高浓度O3会威胁到植物生长(Tai et al., 2017Li et al., 2018)、人体健康(Li et al., 2019Maji et al., 2019)等生命过程, 甚至影响经济效益和生态系统稳定(Vries et al., 2017Karlsson et al., 2017).目前, O3逐渐成为京津冀、长三角和珠三角等城市群区域的主要大气环境污染物之一(郑向东等, 2004陈皓等, 2015何涛等, 2017).

近年来, 随着工业化的推进和城市化的蔓延, 特大城市群的复合环境问题不断显现, 使大气污染物的区域空间格局、跨界传输和污染源区的问题受到关注(Chan et al., 2000赵雪雁等, 2019).Yin等(2019)基于全国O3空间大数据研究发现, 35°N以北区域O3年内分布为单峰结构(UMS), 高值集中于5—7月.Wang等(2019)采用Moran′s I指数等空间分析方法对京津冀区域O3研究表明, O3年均浓度呈现北部分散, 向中部和南部积聚的态势.

此外, 京津冀区域O3的影响因素研究表明, 5—9月是O3污染最为集中的月份, 气温、湿度和风速在不同季节对O3影响有显著差异(潘本锋等, 2016程麟钧等, 2017王玫等, 2019), PM2.5的下降也是O3升高的重要因素之一(余益军等, 2019).之后石家庄地区的研究发现, 长日照、强辐射、高气温及低湿度的条件更易形成O3污染(陆倩等, 2019), 且风因子驱动下的传输也是O3的重要来源之一(钤伟妙等, 2018赵乐等, 2019).这些研究提高了对于O3空间规律、区域间传输和潜在源区的科学认识, 为污染防治和预报预警提供了理论依据.

石家庄市是京津冀大气污染传输通道“2+26”城市之一, 经济发展迅速, 区域性复合大气污染问题严重, 5—9月O3超标日趋增多, 区域O3污染问题严重, 亟待治理.但目前还没有将空间自相关和后向轨迹相结合探讨区域潜在源区的研究.因此, 利用IDW、Moran′s I系数和HYSPLIT模式, 基于环境、气象和土地利用数据来分析石家庄市时空演变格局、空间积聚及传输过程间的关系, 研究结果可为控制石家庄市O3污染提供科学依据, 同时也有助于深入理解该区域O3的空间积聚和传输过程.

2 材料与方法(Materials and methods) 2.1 研究区域及监测点位

石家庄市地处河北省中南部, 西部为半弧形太行山山脉中段, 中部和东部为华北平原, 是京津冀城市群重要的中心城市之一.地理位置为37°30′~38°50′N, 113°30′~115°30′E.石家庄市域西部平均海拔约1000 m, 中东部约30~100 m, 46个环境监测站分布如图 1所示.基于地形和土地利用因素市域可分为海拔较高的西部山地区、人口活动密集和土地利用集约的中部核心区, 以及地势低平的东部、北部、南部区域.西部山体呈西北-西延伸的新月形区域, 使得本地排放和外源输送而来的O3不易扩散, 位于西南部的井陉矿区和中部的裕华区(含高新区), 为工业集中的区域(图 1).

图 1 石家庄市域环境监测点位分布(石家庄市区指建制区组成的区域;石家庄市域指除辛集市外的石家庄全域(仅限本文);县域指除市区外的市域范围) Fig. 1 Distribution of environmental monitoring points in Shijiazhuang
2.2 数据来源与处理

利用石家庄市域46个监测站在2019年4月30日—10月1日的大气污染物(O3、PM2.5、NO2、PM10、SO2及CO)数据, O3有效数据为166800 h.辛集市环境监测数据缺失, 故市域统计范围均不含辛集市.HYSPLIT(Hybrid Single Particle Lagrangian Integrated Trajectory)模式数据采用同期全球资料同化系统(GDAS)气象数据(ftp://arlftp.arlhq.noaa.gov/pub/archives/ gdas1/), 为美国国家环境预报中心提供.

环境监测数据符合《环境空气质量标准》(GB3095—2012)修改单, 并基于《环境空气质量指数技术规定(试行)》 (HJ633—2012)和《环境空气质量标准》(GB3095—2012)进行统计处理.为探讨市域、市区及县域的总体水平特征, 统计了其对应O3-1 h(O3每1 h算术平均值)点位数据;为明晰市域月度和时域空间格局和变动特征, 对O3-8 h(O3每8 h滑动平均值)及其超标日的O3-1 h数据进行IDW插值.之后结合GDAS资料进行了后向轨迹聚类、空间自相关和潜在源区的分析.处理过程使用了SPSS 24、Origin 2018pro、ArcGIS 10.3及GeoDa等(图 2).

图 2 数据处理及研究方法路线图 Fig. 2 Roadmap of data processing and research methods
2.3 反距离加权插值

反距离加权(Inverse Distance Weighted, IDW)插值是基于地理学第一定律(李翔宇等, 2019), 即远距离衰减原理, 距离较近的事物, 性质也趋于相似.其以插值点与监测点间的距离为权重进行加权统计, 距监测点越近权重亦越大.适用于数据分布均匀且数据量较大的区域进行插值, IDW插值通过ArcMap 10.3的Spatial Analyst Tools实现, 一般公式如下(汤国安等, 2012).

(1)
(2)

式中, 为插值点s0处的预测值;N为插值点周围监测点的数量;λi为监测点的距离权重;Z(si)为si处的监测值;p为反距离权重值, 取2;di0为插值点s0与监测点si间的距离.

2.4 Moran模型

Moran模型是通过监测点位置和浓度值来度量空间自相关的空间分析方法(赵小风等, 2009), 可定量表达空间数据是集聚、离散或随机模式(王振波等, 2019), 其统计量有Moran′s I、Z-score和p-value.Moran′s I>0时, 表示空间事物的属性值具有集聚态势;Moran′s I < 0时, 具有离散状态;Moran′s I=0时, 为随机模式.|Z-score|>1.96时, 存在强空间自相关关系.p-Value受检验统计量限制, 公式如下所示(王劲峰, 2006Fortin et al., 2014).

(3)
(4)
(5)

式中, n为区域格数据数, 即区县总数;zi/zj是区县i/j的值与其平均值(zi/j- zi/j)的偏差;wij是空间关系的权重矩阵;S0是空间权重的聚合;zI是Z-score的计算过程.

2.5 HYSPLIT模式和TrajStat模块

美国海洋与大气研究中心(NOAA)和澳大利亚气象局(BOM)共同研发的HYSPLIT扩散模式是一种用于计算和分析大气微气团传输、扩散轨迹的主流模型.其与环境数据结合被广泛应用于研究大气污染物的扩散、输送及沉降等过程.

TrajStat模块是HYSPLIT模式的后续插件, 其集成了PSCF(Potential Source Contribution Function)和CWT(Concentration-Weighted Trajectory)分析(Wang, 2014).石家庄市人民会堂(38°3′ N, 114°31′ E)站点5—9月O3浓度较高且位于石家庄的中心位置(图 1图 5a), 能反映周围区域受后向轨迹的影响, 因此, 取石家庄市人民会堂为后向轨迹的目标点.起始高度100 m, 模拟轨迹时长48 h, 时间分辨率为1 h, 聚类类型为Angle Distance算法;PSCF和CWT分析范围与后向轨迹一致, 空间分辨率为0.25°.为减少PSCF和CWT作为一种条件概率分析的不确定性, 将PSCF和CWT计算后的结果均乘以一个权重因子(Wij), 即WPSCFij/WCWTij=Wij×PSCF/CWT.计算公式如下所示.

(6)
(7)
(8)

式中, PSCFij是栅格ij的污染源潜在贡献值;mij为经过栅格ij的污染轨迹数;nij为经过栅格ij的总轨迹数;CWTij是栅格ij上的O3平均权重浓度;M是轨迹总数;l是某一轨迹;τijl是轨迹l在栅格ij上停留的时间;cl是轨迹l经过某一栅格ij所对应的O3浓度;wij为按nij分级的权重因子.

3 结果与分析(Results and analysis) 3.1 总体水平

石家庄市区2019年5—9月O3-1 h浓度变化区间为5月(29~164 μg · m-3)、6月(58~209 μg · m-3)、7月(41~194 μg · m-3)、8月(32~139 μg · m-3)、9月(26~162 μg · m-3)(表 1).各月O3-1 h浓度振幅较大, 即O3稳定度较低, 这是由于市区本地O3污染源在短时间内排放幅度较小, 在一定的天气形势和边界层的扩散条件下, 外源传输成为O3污染的驱动因素所致(王燕丽等, 2017钤伟妙等, 2018符传博等, 2020).市域O3-1 h均值为5月(92.24±46.49) μg · m-3、6月(130.49±52.87) μg · m-3、7月(112.9±51.88) μg · m-3、8月(79.91±37.35) μg · m-3、9月(84.87±48.69) μg · m-3(表 1).在月度变化上, 6月是O3浓度变化的峰值月, 与其高温、低湿的气象因素相对应, 之后整体呈下降趋势.9月相较于8月(谷值月)有所抬升, 但8月振幅低于9月, 这是由于8月较多的降水量对O3有一定的削弱作用(周学思等, 2019).

表 1 2019年5—9月石家庄各空间尺度O3-1 h逐月24 h平均统计表 Table 1 Monthly statistics of O3-1 h at different spatial scales in Shijiazhuang from May to September 2019  

为探讨O3在市区和县域变动中的空间相互作用, 对市区和县域进行对比分析(表 1图 3).在市区和县域分布上, 市区6月O3浓度和振幅均高于县域, 8月O3浓度二者差别不大, 但振幅仍高于县域.5—7月市区O3污染的时域范围和最高浓度值均略高于县域, 这与市区外O3的传输及本地排放源有关, 相关研究表明, 市区外O3传输的贡献达18.6%, 而O3超标时, 本地贡献可达20.2% (王燕丽等, 2017).县域存在较多的天然源VOCs, 是导致8—9月O3县域时域范围宽于市区的重要原因, 此外, 9月的风速对O3的正向作用也有一定的影响(王芳龙等, 2018).

图 3 2019年5—9月石家庄市区(a)和县域(b) O3浓度日变动特征 Fig. 3 Diurnal variations of O3 concentration in Shijiazhuang urban areas (a) and suburbs (b) from May to September in 2019

石家庄市域5—9月O3在逐时变化特征上, 0~23 h峰值月浓度均高于其他各月, 最高达208 μg · m-3(16 h), 按照(GB3095—2012)中O3-1 h二级标准(≥200 μg · m-3), 为轻度污染(图 4).11~19 h谷值月浓度低于其他各月, 在19~0 h、0~11 h与其他各月相差较小.日变化上, 最高值出现在15~16 h, 最低值出现在6~7 h, 呈单峰特征.一般而言, O3浓度的日变化过程可分为积累、抑制、光化学生成和消耗4个主要的阶段(张良等, 2017), 0~6 h为O3及其前体物(VOCs、NOx)的积累阶段, O3浓度降至谷值, 前体物浓度缓慢上升;6~16 h为早高峰产生的NO对O3的抑制阶段, 及10 h后辐射增强、温度升高的O3光化学生成阶段;15~23 h为达到峰值后O3迅速下降的消耗阶段, 受近地面O3沉降作用, 及交通晚高峰排放的NO滴定作用对O3消耗的影响(何涛等, 2017).

图 4 2019年5—9月石家庄市域O3-1 h各月逐时分布 Fig. 4 Diurnal variations of O3-1 h in Shijiazhuang city from may to september in 2019
3.2 月际时空变化特征

为探讨石家庄市域O3的空间演变格局、区县的月际变动趋势及其O3浓度排名情况, 对O3-8 h数据5—9月逐月均值和5—9月均值进行IDW插值及分区域统计处理(图 5a~5e).一般而言, 一个地区O3污染的范围和程度受到其自然本底和土地利用结构的影响(曾鹏等, 2020).市域5—9月的O3空间格局, 呈中西部区域较高, 外围区域较低的态势, 且存在两个O3高值中心(图 5a).一个O3高值中心处于中部核心区的长安区, 人口活动密集、商业繁荣会产生较多的NOx排放, 且在光化学反应下使O3处于高浓度水平(孟祥瑞等, 2019曾鹏等, 2020).另一个高值中心在井陉县和井陉矿区范围内, 该区域密集的工业活动会产生较多的人为源VOCs, 及地形低凹不易使O3清除.

图 5 石家庄市域月际O3空间分布特征((a)、(b)、(c)、(d)和(e)分别为5—9月O3总体空间特征、6月、7月、8月和9月O3空间格局)(①(a)中数字表示22区县O3浓度从低到高的排序(1~22);②(b~e)等浓度差线, 即后一时刻减前一时刻浓度变化相等的等值线;等浓度差线> 0表示相较前一月增加, 反之下降) Fig. 5 Spatial distribution of monthly O3 in Shijiazhuang city((a), (b), (c), (d), and (e) are the O3 spatial characteristics from May to September, and the O3 spatial patterns from June, July, August, and September)

石家庄市各区县5—9月O3浓度排名位于后三位的是长安区(250 μg · m-3)、井陉县(248 μg · m-3)及新华区(243 μg · m-3), 按照(HJ633—2012)中O3污染等级规定(215~265 μg · m-3), 均达中度污染水平(图 5a).O3污染较严重的后三位区域与高值中心相对应, 而O3污染较轻的区域位于市域南部、东部和北部的平原边界处, 地势低平及风的驱动下, 易于扩散清除使其浓度较低(曾鹏等, 2020), 但同样位于边界的行唐县(233 μg · m-3), 由于地形阻碍O3污染较重.5—9月各区县O3月际变动趋势与3.1节部分市域逐月特征一致.

石家庄市域6月空间格局与5—9月整体格局一致, 最高值为278 μg · m-3(重度污染);在5—6月的变化过程中, 引入60 μg · m-3等浓度差线, 即该线内部区域变化高于60 μg · m-3, 外部区域则低于此浓度(图 5b).5—6月浓度增长较大的区域主要有桥西区和无极县城区, 桥西区内有人流较大的火车站和商业圈, 无极县的支柱产业是皮革业, 其产生较多的O3前体物是造成增长明显的重要原因.此外, O3变化大的区域多位于市域的城镇区域, 与城区高人口密度和高土地利用率相一致(孟祥瑞等, 2019).

石家庄市域7月O3最高值达264 μg · m-3(重度污染), 空间分布与5—9月格局一致, 且东部和南部区域的污染程度有所下降(图 5c).在6—7月的O3变动中, 整体呈下降态势, 下降超过30 μg · m-3的区域为无极县和灵寿县, 下降的原因与政府持续加强的管控力度和降水对O3的清除有关(王芳龙等, 2018).O3在7—8月的变动中, 整体下降趋势未变, 下降超过60 μg · m-3的区域主要为桥西区、鹿泉区、长安区、正定县和无极县, 与该区域雨季多雨, 湿度增大不利于O3生成有关(图 5d).9月O3空间格局与其它月份有所差异, 呈现西部区域偏高, 其余区域O3浓度偏低的格局.高值出现在井陉县和井陉矿区, 这与进入9月降水减少, 气温降幅小, 加之该区域工业活动集中利于O3生成有关;较低的区域又以中南部边界较低, 从8—9月等浓度差线可得, 是由于自南部边界的风驱动下传输所致(曾鹏等, 2020)(图 5e).

3.3 O3超标日的昼夜(日)时空变动特征

为探讨石家庄市域O3小时尺度的空间格局、变动特征以及昼夜变化规律, 取5—9月O3超标日(日最大O3-8 h≥160 μg · m-3)的O3-1 h数据进行统计, 对0、6、12、15和18 h进行IDW插值和等浓度差值线处理(图 6b~6e).规定6~18 h为昼间时段, 18~0 h和0~6 h为夜间时段, 两个时段分别计算O3及NO2的算术均值, 分区域逐差处理后, 得到O3超标日昼夜差值格局(图 6a).

图 6 石家庄市域O3时空间分布特征((a)、(b)、(c)、(d)和(e)分别为5—9月O3超标日昼夜差值分布、6:00、12:00、15:00和18:00O3空间分布态势) Fig. 6 Diurnally spatial distribution of O3 in Shijiazhuang city((a), (b), (c), (d), and (e) are the distribution of the day and night difference of O3 exceeding the standard from May to September, and the spatial distribution of 6: 00, 12:00, 15:00, and 18:00)

石家庄市域O3昼间浓度显著高于夜间浓度, 昼间O3浓度是夜间的2.09倍, 平均相差85 μg · m-3(图 6a). O3昼夜浓度差在空间分布上呈现西北高、西南和东南低的格局, 差值较高的区域为正定县和井陉矿区, 平均差值为96 μg · m-3.受太行山谷风环流输送的影响, 市域夏季主导风向主要为西南风, 导致位于其下风向的新华区和正定县的O3浓度较高(张良等, 2017).井陉矿区处在井陉县围成的谷地内, 扩散条件差, 且工业过程生成较多的O3前体物, 昼间生成高浓度O3, 夜间在滴定作用下O3浓度逐渐下降, 致昼夜O3浓度差异较大.

石家庄市域O3在6 h的空间分布上, 整体处在25~50 μg · m-3之间的较低浓度水平, 超过50 μg · m-3主要为井陉县东北部和鹿泉区西部的区域(图 6b).等浓度差值线的分布上, 0~6 h的变化过程呈现由西北至东南O3浓度呈梯度逐步下降的格局.降幅超过40 μg · m-3区域分布在市区中部和东部的平原, 小于30 μg · m-3的区域主要分布在西部山区.中部市区和东部平原区交通网密度较高, NOx产生较多, 对O3的滴定作用明显, 浓度下降较快, 而西部则相反.

石家庄市域12 h的O3空间特征呈现O3浓度的全域突增, 增长幅度为105~144 μg · m-3, O3浓度呈现东部边缘区域较高, 其他区域较低的格局(图 6c).6~12 h处于O3的抑制和光化学生成阶段, 此过程的O3增幅呈现自西北到东南逐步增大的空间方向性特征, 增长超过130 μg · m-3的区域主要在市区东部和市域东部集中, 如长安区、裕华区、高新区和晋州市等区域, 值得关注的是处在西部的井陉矿区, 其增长幅度也较大, 且O3浓度较高.这是由于井陉矿区的工业源生成和不易向外部扩散引起, 而长安区周边区域除本地污染源生成外则更多的受到了区域间传输的作用.

石家庄市域15 h的O3浓度为192~232 μg · m-3, 其空间分布呈中部市区高、周围区域低的分布特征(图 6d).O3浓度超过215 μg · m-3的高值区分布在长安区、高新区和正定县的大部分区域, 而处在市域边缘的区域O3浓度较低.在12~15 h的变动过程中, 呈西北至东南增长幅度递减的趋势, 与6~12 h的空间格局相反, 增幅较大的区域处在地势呈半弧形的西北部(≥50 μg · m-3).在空间传输的作用下, 市域东南、东部边缘区域先受到域外传输的影响, O3浓度迅速上升, 随着时间推移逐渐将传输的影响推移至中部核心区, 到达新月形的西北部区域时受地形阻隔, O3输送逐渐减小(图 6cd), 因此, 空间传输的方向为东南和东部.市域18 h的O3空间格局呈西南-中部市区-外围区梯度递减的整体态势, 15~18 h的变动过程中, 降幅超过20 μg · m-3的区域主要分布在正定县, 以及市域的城区, 降幅低于10 μg · m-3的区域分布在市域西南部的井陉县和井陉矿区(图 6e).这一过程与市域地形和产业布局引起的O3前体物空间排放特征相一致, 即城区的高NOx排放与井陉矿区所处谷地内的工业源排放.

3.4 空间积聚及区域传输特征

为研究市域在污染和清洁气团影响下O3受到区域传输的影响程度和传输方向, 取O3污染轨迹(O3-8 h≥160 μg · m-3)、清洁轨迹(O3-8 h<160 μg · m-3)及NO2污染轨迹(≥48 μg · m-3), 采用HYSPLIT模式进行聚类分析(图 7ac).为探讨不同轨迹对各污染物的作用, 将污染和清洁轨迹分别与其对应污染物浓度的算术均值进行分析(表 2).

图 7 石家庄市域后向轨迹气团聚类(左, a, c)和Moran′s Ⅰ (右, b, d)分析((a)和(b)为污染轨迹, (c)和(d)是清洁轨迹) Fig. 7 Analysis of Moran′s Ⅰ and cluster of backward trajectories O3 mass in Shijiazhuang((a) and (b) are pollution trajectories, (c) and (d) are clean trajectories)

表 2 污染轨迹和清洁轨迹对应的各污染物浓度统计 Table 2 Statistics of pollutant concentration in pollution trajectory and clean trajectory

石家庄市域O3污染轨迹的空间分布为东-东南-南部多、西-西北部较少的特征, 来自东-东南和南部的污染轨迹(B1、C1、D1、E1)占比达73.17%, 西-西北的污染轨迹(A1、F1)占比为26.83%(图 7a表 2).西北向的A1轨迹所占频率最小, O3浓度较高, 长度较长, 但O3为二次污染, 除O3直接输送外, 还包括污染源区排放的O3前体物传输到本地反应生成的部分;结合NO2轨迹与图 8a中O3的潜在源分析, 与其源自钢铁工业发达的内蒙古包头市, 途径煤炭发达的山西北部输送更多的前体物NO2有关(姚尧等, 2020).O3频率最高的轨迹为源自东部渤海途径沧州-廊坊市的B轨迹, 占比为24.3%, 沧州对市域的O3直接输送的贡献为1.9%, 与B1轨迹较高频率但O3平均浓度较低相对应(王燕丽等, 2017);自安徽北部途径山东西部-邯郸的D1轨迹(206.47 μg · m-3)及源自河南北部经邯郸的E1轨迹(205.89 μg · m-3)O3浓度较高, 途径地点存在工业活动, 且轨迹E1则具有较高的PM10、NO2、CO浓度, 表明其高浓度O3为输送的前体物所致.

石家庄市域5—9月O3清洁轨迹聚类数为7条, 来源方向呈放射状, 各条轨迹长度较长, 涉及的范围比污染轨迹广, 来自北-西-西南方向的轨迹(A1、B1、F1、G1)略多, 占总轨迹数的52.49%, 东北方向(C1)和东南(D1、E1)方向的轨迹共占47.51%(图 7c表 2).清洁轨迹的长度较长, 说明气团移速较快, O3不易在轨迹周围积累, O3浓度较低, 但较快的移速易产生降尘污染(F2、G), 致PM10浓度较高.此外, O3清洁轨迹的空间范围比污染轨迹较大.

为定量分析污染和清洁轨迹下的市域的空间格局, 取5—9月O3-8 h的90分位数和10分位数, 利用Moran模型进行全局和局部空间自相关分析(图 7bd).市域全局Moran模型显示5—9月O3污染浓度有强空间自相关性(p<0.05), 而O3清洁浓度市域整体空间相关性较弱(p>0.05).O3污染浓度的全域Moran′s I为0.3, 及Z-score为2.56, 显示石家庄市域O3污染具有较强的空间积聚性.为明确市域O3污染和清洁浓度的空间自相关出现位置, 采用局部Moran模型分析, 图中绿色、黄色和红色分别代表空间强相关、一般和弱相关(图 7b7d).市域O3污染的强空间自相关分布在桥西区、无极县和赵县, 这说明当这些区域出现高浓度O3时, 其周围区域也易出现高浓度O3, 呈高值-高值间的积聚效应;O3清洁浓度在局部则出现了强自相关, 呈低值-低值的积聚效应(图 7d).结合后向轨迹和局部空间自相关分析, O3污染浓度较强的空间相关性出现在东-东南和南部来向, O3清洁浓度则出现在北-西北方向, 这与后向轨迹分析相一致, 说明区域传输对石家庄市域的空间格局形成有一定影响, 且有一定的空间方向性.

3.5 O3污染的潜在源区及贡献分析

为确定石家庄市域5—9月O3潜在污染源区的贡献率大小和权重浓度贡献水平, 采用WPSCF、WCWT模式结合Buffer进行分析(图 8), 其不同颜色代表不同的贡献率或贡献水平.WPSCF的值越大表示该区域污染轨迹占总轨迹数越多, 即对石家庄市O3浓度的贡献越高.市域潜在源区主要集中在600 km的空间范围, 其200 km范围内O3污染来向主要为南部和东部(图 8a).WPSCFij≥0.6的高潜在源区主要分布在冀南区域、河南省北部、山东省西部和黄海海域, 主要包括:邯郸、邢台、安阳、濮阳、菏泽、济宁和商丘, 与这些城市的支柱产业为钢铁、炼油、化工和煤炭等污染工业有关.此外, 还解析出河南中部和安徽北部也对石家庄O3污染存在作用, 以上区域均为典型的工业优势发展型(樊新生等, 2019), 其在传输作用下对石家庄市域O3有着较大影响.WPSCFij在0.5~0.6之间的城市主要分布在东部, 包括沧州(制造业)、滨州(纺织业)、东营(采掘业), 以及黄海区域有较高浓度NOx排放的天津和唐山(姚尧等, 2020);市域西部WPSCFij≤ 0.5, 较高的区域为太原(能源业)和阳泉(煤炭业)这两个传输通道城市;北部和西北部区域对市域O3污染影响较小, WPSCFij在0~0.2之间.石家庄市域200 km以内的范围主要是WCWTij ≥215 μg · m-3的区域, 即河北中南部是O3联防联控的关键区域, 主要包括:邯郸、邢台、廊坊、沧州和保定(图 8b).在600 km的空间范围, 处于山西中部、河南中北部、山东西部的“2+26”通道城市对市域的贡献程度均超过160 μg · m-3.

图 8 石家庄市潜在源贡献因子(a)和浓度权重(b)的空间传输格局 Fig. 8 Spatial transmission pattern of potential source contribution factors (a) and concentration weights (b) in Shijiazhuang
4 结论(Conclusions)

1) 2019年5—9月石家庄市域O3浓度波动较大, 稳定度较低, 存在区域传输影响.市域5—9月变动整体呈以6月为峰值的单峰型态势, 日变化上, 呈以15~16 h为峰值的单峰趋势.O3污染在石家庄市区略重于县域, 但持续时间较周围县域短.

2) 石家庄市域5—9月O3呈中西部高外围区域低的空间格局, 浓度范围为207~260 μg · m-3, 市域内长安区、井陉县和新华区污染较严重.5—6月的O3增长过程中, 城市化程度高的市区、镇区增长较快易产生高浓度O3;7、8月的雨季来临对O3浓度有一定的削弱作用;9月O3浓度较8月有所弹升, 其增长集中于井陉矿区周围区域.

3) 石家庄市域昼间O3浓度较高, 是夜间的2.09倍, 相差85 μg · m-3.O3在0~6 h呈西北至东南向下降幅度逐渐增加的趋势, 在6~12 h和12~15 h的变动过程中O3浓度呈东南至西北向梯度交替递增的态势, 即前一过程O3浓度增长强度高的区域在后一过程变弱, 存在明显的区域传输作用, 15 h后O3大体呈西向东降幅升高的趋势.

4) O3污染轨迹整体长度较短, 源自东向和南向占比较多, 达73.17%, 西向和北向占总轨迹数的26.83%;O3清洁轨迹空间范围较大, 来源方向呈放射状, 西向和北向的清洁轨迹略占优势, 为52.49%.在区域传输作用下形成的空间格局, O3污染浓度全域有较强的空间积聚特征, 局部积聚特征出现在市域中部、东部和东南部, 而O3清洁浓度在全域趋于随机分布, 局部则在北部表现出较强的空间积聚性.O3污染范围主要集中于600 km的空间范围内, 贡献程度较大的区域主要集中于200 km内的范围内.综合分析表明河北中南部、河南中北部、山东西部和山西中部是潜在污染源区的集中范围, 对石家庄市O3污染贡献较大.

参考文献
Chan C Y, Chan L Y. 2000. Effect of meteorology and air pollutant transport on ozone episodes at a subtropical coastal Asian City, Hong Kong[J]. Journal of Geophysical Research Atmospheres, 105(20): 20707-20724.
陈皓, 王雪松, 沈劲, 等. 2015. 珠江三角洲秋季典型光化学污染过程中的臭氧来源分析[J]. 北京大学学报(自然科学版), 51(4): 620-630.
程麟钧, 王帅, 宫正宇, 等. 2017. 京津冀区域臭氧污染趋势及时空分布特征[J]. 中国环境监测, 33(1): 14-21.
段时光, 姜楠, 杨留明, 等. 2019. 郑州市冬季大气PM2.5传输路径和潜在源分析[J]. 环境科学, 40(1): 86-93.
Fortin M J, Dale M. 2014. 空间分析:生态学家指南[M]. 北京: 高等教育出版社, 98-102.
樊新生, 闫妍, 罗庆. 2019. 基于相对优势的中国城市产业转型及区域差异[J]. 经济地理, 39(10): 87-93+122.
符传博, 丹利, 唐家翔, 等. 2020. 基于轨迹模式分析海口市大气污染的输送及潜在源区[J]. 环境科学学报, 40(1): 36-42.
何涛, 乔利平, 徐圃青, 等. 2017. 常州市臭氧污染传输路径和潜在源区[J]. 中国环境监测, 33(4): 77-83.
Karlsson P E, Klingberg J, Engardt M, et al. 2017. Past, present and future concentrations of ground-level ozone and potential impacts on ecosystems and human health in Northern Europe[J]. Science of the Total Environment, 576: 22-35. DOI:10.1016/j.scitotenv.2016.10.061
Li C, Song Y, Guo L, et al. 2018. Nitric oxide alleviates wheat yield reduction by protecting photosynthetic system from oxidation of ozone pollution[J]. Environmental Pollution, 236: 296-303. DOI:10.1016/j.envpol.2018.01.093
Li X, Chen Q, Zheng X, et al. 2019. Effects of ambient ozone concentrations with different averaging times on asthma exacerbations:A meta-analysis[J]. Science of the Total Environment, 691: 549-561. DOI:10.1016/j.scitotenv.2019.06.382
李翔宇, 李曌, 包艳英, 等. 2019. 基于反距离加权插值法评价海域水质类别空间分布[J]. 中国环境监测, 35(6): 70-77.
陆倩, 付娇, 王朋朋, 等. 2019. 河北石家庄市近地层臭氧浓度特征及气象条件分析[J]. 干旱气象, 37(5): 836-843.
Maji K J, Ye W F, Arora M, et al. 2019. Ozone pollution in Chinese Cities:Assessment of seasonal variation, health effects and economic burden[J]. Environmental Pollution, 247: 792-801. DOI:10.1016/j.envpol.2019.01.049
孟祥瑞, 向锌鹏, 张凯山, 等. 2019. 基于GIS的大气污染源项分类体系及臭氧浓度相关性分析[J]. 环境科学学报, 39(6): 1933-1941.
潘本锋, 程麟钧, 王建国, 等. 2016. 京津冀地区臭氧污染特征与来源分析[J]. 中国环境监测, 32(5): 17-23.
钤伟妙, 张艳品, 陈静, 等. 2018. 石家庄大气污染物输送通道及污染源区研究[J]. 环境科学学报, 38(9): 3438-3448.
Tai A P K, Val Martin M. 2017. Impacts of ozone air pollution and temperature extremes on crop yields:Spatial variability, adaptation and implications for future food security[J]. Atmospheric Environment, 169: 11-21. DOI:10.1016/j.atmosenv.2017.09.002
汤国安, 杨昕. 2012. ArcGIS地理信息系统空间分析实验教程[M]. 北京: 科学出版社, 442-444.
唐孝炎, 李金龙, 粟欣, 等. 1990. 大气环境化学[M]. 北京: 高等教育出版社, 60-62.
Vries W D, Posch M, Simpson D, et al. 2017. Modelling long-term impacts of changes in climate, nitrogen deposition and ozone exposure on carbon sequestration of european forest ecosystems[J]. Science of the Total Environment, 605-606(dec.15): 1097-1116.
Wang Y Q. 2014. MeteoInfo:GIS software for meteorological data visualization and analysis[J]. Meteorological Applications, 21: 360-368. DOI:10.1002/met.1345
Wang Z B, Li J X, Liang L W. 2019. Spatio-temporal evolution of ozone pollution and its influencing factors in the Beijing-Tianjin-Hebei urban agglomeration[J]. Environmental Pollution, 256: 113419.
王芳龙, 李忠勤, 尤晓妮, 等. 2018. 2015-2017年天水市大气污染物变化特征及来源分析[J]. 环境科学学报, 38(12): 4592-4604.
王劲峰. 2006. 空间分析[M]. 北京: 科学出版社, 79-84.
王玫, 郑有飞, 柳艳菊, 等. 2019. 京津冀臭氧变化特征及与气象要素的关系[J]. 中国环境科学, 39(7): 2689-2698.
王燕丽, 薛文博, 雷宇, 等. 2017. 京津冀地区典型月O3污染输送特征[J]. 中国环境科学, 37(10): 3684-3691.
王振波, 梁龙武, 王旭静. 2019. 中国城市群地区PM2.5时空演变格局及其影响因素[J]. 地理学报, 74(12): 2614-2630.
Yin C, Solmon F, Deng X, et al. 2019. Geographical distribution of ozone seasonality over China[J]. Science of the Total Environment, 689: 625-633. DOI:10.1016/j.scitotenv.2019.06.460
姚尧, 李江风, 胡涛, 等. 2020. 中国城市NOx排放的时空特征与驱动因素:基于空间分异视角[J]. 环境科学学报, 39(2): 1383-1393.
余益军, 孟晓艳, 王振, 等. 2019. 京津冀地区城市臭氧污染趋势及原因探讨[J]. 环境科学, 41(1): 106-114.
曾鹏, 辛存林, 于奭, 等. 2020. 典型西南工业城市柳州市核心区大气污染物时空分布与气象因素研究[J]. 环境科学学报, 40(1): 13-26.
张良, 王晓利, 王占山, 等. 2017. 2014年石家庄市O3污染特征[J]. 环境科学与技术, 40(7): 1-8.
赵乐, 刘新军, 范莉茹, 等. 2019. 石家庄夏季典型时段臭氧污染特征及来源解析[J]. 中国环境监测, 35(4): 78-84.
赵小风, 黄贤金, 张兴榆, 等. 2009. 区域COD、SO2及TSP排放的空间自相关分析:以江苏省为例[J]. 环境科学, 30(6): 1580-1587.
赵雪雁, 王蓉, 王晓琪, 等. 2019. 基于多尺度的中国环境污染事件时空分布及其影响因素[J]. 地理科学, 39(9): 1361-1370.
郑向东, 陈尊裕, 崔宏, 等. 2004. 长江三角洲地区春季低空大气臭氧垂直分布特征[J]. 中国科学(D辑:地球科学), 2004(12): 1184-1192.
周学思, 廖志恒, 王萌, 等. 2019. 2013-2016年珠海地区臭氧浓度特征及其与气象因素的关系[J]. 环境科学学报, 39(1): 143-153.