环境科学学报  2021, Vol. 41 Issue (10): 4200-4211
COVID-19疫情期间成都市地面臭氧污染特征及气象成因分析    [PDF全文]
祁宏1, 张小玲1,2, 康平1,2, Klaus Schaefer1,2, 向卫国1, 邓中慈1, 卢宁生1, 雷雨1    
1. 成都信息工程大学大气科学学院, 高原大气与环境四川省重点实验室, 成都 610225;
2. 成都平原城市气象与环境四川省野外科学观测研究站, 成都 610225
摘要:受COVID-19疫情影响,我国各地采取了一系列封锁管控措施,由此导致大气污染物排放强度降低.本文以成都市为例,分析了2020年上半年的气象条件和大气污染浓度特征,并重点对臭氧浓度变化及同期对比结果进行了细致分析.结果表明:①与2019年同期相比,除O3外的5种污染物(NO2、CO、SO2、PM10、PM2.5)浓度均降低,降幅分别为13.60%、8.96%、6.30%、4.56%、1.80%,而O3浓度却异常升高,升幅最大值分别出现在2月(35.1%)和5月(36.1%).②2020年上半年,O3浓度高值出现时间较2015—2019年提前,气象条件较有利于臭氧的生成.100 hPa和500 hPa位势高度为正距平,气温、日照时数较往年升高,相对湿度和降水量下降,以静小风为主.③2020年4月25日—5月6日臭氧污染持续时间长,主要是由于复工复产导致臭氧前体物排放增加,以及稳定的天气形势,使成都长时间处于高温(>30℃)、低湿(40%~60%)、静小风(1.3 m·s-1)等不利扩散的气象条件下.气团后向轨迹和污染潜在源区表明研究区受到来自成都偏东一带及川南地区高污染气团短距离输送的影响.
关键词成都市    新冠疫情    气象条件    后向轨迹    潜在源分析    
Analysis of characteristics and meteorological causes of surface ozone pollution in Chengdu during the COVID-19 epidemic
QI Hong1, ZHANG Xiaoling1,2, KANG Ping1,2, Klaus Schaefer1,2, XIANG Weiguo1, DENG Zhongci1, LU Ningsheng1, LEI Yu1    
1. Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225;
2. Plain Urban Meteorology and Environment Scientific Observation and Research Station of Sichuan Province, Chengdu 610225
Received 26 January 2021; received in revised from 3 March 2021; accepted 3 March 2021
Abstract: Affected by the COVID-19 epidemic, a series of lockdown control measures adopted by various regions have reduced the emission intensity of air pollutants. Taking Chengdu as an example, this study analyzed the meteorological conditions and pollution concentration characteristics in the first half of 2020 and focused on a detailed analysis of variations in ozone (O3) concentration. The results showed that: ①Compared with 2019, except for O3, all five pollutants in Chengdu showed a decreased trend, and the concentrations of NO2, CO, SO2, PM10 and PM2.5 decreased by 13.60%, 8.96%, 6.30%, 4.56%, 1.80%, respectively. On the contrary, O3 concentration increased abnormally, with the largest increase in February (35.1%) and May (36.1%). ②During the first half of 2020, the high O3 concentration level appeared earlier than in previous years (2015-2019). Meteorological conditions were more supportive to the generation of O3 also. The geopotential heights of 100 hPa and 500 hPa showed positive anomalies, the temperature and sunshine duration was higher than in previous years, and the relative humidity as well as precipitation were lower with a quiet breeze. ③The O3 formation process lasted a long time from April 25th to May 6th, mainly due to the increased emissions of O3 precursors during this period and the relatively stable weather situation, which kept the Chengdu area exposed to unfavorable weather conditions of high temperature (average temperature>30℃), low humidity (40%~60%), and quiet breeze (1.3 m·s-1) for a long time. The backward trajectories and potential sources of air pollution showed that the air quality was affected by the short-distance transportation of high-polluted air masses from the East of Chengdu and southern Sichuan.
Keywords: Chengdu    COVID-19    meteorological conditions    backward trajectory    potential source analysis    
1 引言(Introduction)

2020年1月, 新型冠状病毒肺炎(COVID-19)疫情在中国武汉爆发并快速传播(Sun et al., 2020Pierre et al., 2020).为抑制疫情的进一步恶化, 中国政府采取了严格的封锁管制措施, 其中包括道路交通管制、关闭景区商区、停止集市集会、限制居民外出及非必要工厂停工停产等, 这不仅让我国甚至全球经济面临巨大的挑战, 对环境也造成了巨大的影响(Carlos et al., 2020;乐旭等, 2020).

由于在COVID-19疫情期间, 主要大气污染物排放衰减的强度、持续时间等都是前所未有的, 这为不少学者研究人为排放减少对大气污染物浓度的影响提供了一个独特的机会(Carlos et al., 2020).乐旭等(2020)利用行业经济活动数据、地面监测和卫星反演数据分析发现, 与2019年第一季度相比, 在COVID-19疫情期间全国碳排放同比降低了9.8%, 而地表臭氧(O3)浓度同比升高了1.9 nL · L-1(5%);Wang等(2020)研究了COVID-19疫情爆发期间我国降低人为活动所致的减排效果, 发现人为排放的减少(主要是在运输和工业上)导致北京、上海、广州和武汉的PM2.5浓度分别下降了9.23、6.37、5.35和30.79 μg · m-3, 但大多数地区还是发生了严重的空气污染事件, 可能与不利的气象条件有关;Sun等(2020)对2012—2020年的气溶胶颗粒成分进行了分析, 发现北京在COVID-19疫情期间, 与交通、烹饪和燃煤等相关的一次气溶胶组分的人为排放平均减少了30%~50%, 而二次气溶胶组分的人为减排则很小(5%~12%);Carlos等(2020)结合再分析资料和广义相加模型, 不仅预测了欧洲在没有封锁的情况下NO2和O3的浓度, 还证明了COVID-19疫情期间NO2浓度的降低主要归因于排放的减少, 而O3浓度异常则由气象因素主导;Le等(2020)通过卫星和地面观测资料发现, 虽然在城市封锁期间某些污染物减排最多可高达90%, 但中国北方地区依旧发生了极端颗粒物污染事件, 这一方面归因于不利的气象条件及电厂等设施的不间断排放, 另一方面可能与臭氧的累积增强了大气的氧化性, 加速了二次颗粒物的生成有关.以上研究表明, 虽然COVID-19疫情期间大幅度的减排对于不同污染物呈现出不同的减排效果, 但O3浓度却在中国大多数城市呈现异常上升的趋势.

成都作为中国西南地区最大的城市之一, 处于四川盆地四面环山负地形内且常年静风频率高, 易导致区域范围内空气污染物的积累甚至严重的空气污染事件(吴锴等, 2017Ning et al., 2017).2020年1月24日, 受疫情加之春节和元宵假期的影响, 成都市启动重大突发公共卫生事件一级响应, 为减少人口流动, 多个部门停工停产, 景区、店铺等相继关闭;截止2月25日, 随着疫情的好转, 四川省疫情响应由一级调整为二级, 部分企业开始有序复工复产;3月24日, 当地疫情防控措施调整到了三级响应, 而后四川省人民政府发布了《关于印发实施四川省全面恢复工作的指南》通知, 四川省各地经济开始全面复苏, 疫情防控进入常态化, 而后又向稳工满产进发.其中, 为加快经济复苏, 3月15日, 成都出台“五允许一坚持”的服务措施, 成为允许流动商贩临时占道经营(地摊经济)这项政策的发源地;5月, 又推出了“五允许一坚持”的升级版, 将地摊经济推向了常态化、规范化.作为全国推进复工复产步伐较快的城市之一, 在大气环境容量先天不足的情况下加之不利的气象条件, 给成都市大气污染防治带来更加严峻的挑战.

因此, 本文选取2020年1—6月作为研究时段, 根据成都市政府COVID-19疫情防控等级的改变分析不同时期(1月: 疫情前期;2—3月: 疫情中期;4—6月: 疫情后期)成都市6种常规污染物(PM2.5、PM10、SO2、NO2、CO、O3)浓度变化, 并基于后向轨迹模型(HYSPLIT)和潜在源解析, 探究疫情期间成都市O3污染的成因, 以期为该城市进一步开展O3污染防治提供管理决策参考.

2 数据与方法(Data and methods) 2.1 研究方法

为讨论不同类型站点的污染物变化特征, 本文根据吴锴等(2017)在研究成都市O3污染特征及气象成因中的划分方法, 通过监测站点的地理位置和周边主要的排放源等将其分为: 交通站点(十里店、龙泉驿区区政府、大石西路)、城区站点(金泉两河、君平街、三瓦窑、沙河铺)及郊区(对照)站点(灵岩寺)(图 1).

图 1 成都市地形及环境监测站点分布 Fig. 1 Distribution of topography and environmental monitoring sites in Chengdu

在研究污染物外来输送的影响时, 本文运用了混合单粒子拉格朗日综合轨迹(Hybrid Single Particle Lagrangian Integrated Trajectory Model, HYSPLIT)模型和潜在源解析(Potential Source Contribution Function, PSCF)、浓度权重轨迹分析法(Concentration Weighted Trajectory, CWT), 来确定研究区域污染轨迹的主要源区及相对贡献.由于PSCF是一个概率值, 为了减小其不确定性, 引入不同网格单元(i, j)的权重函数(Wij), 则修正后的潜在源贡献因子WPSCF= Wij×PSCF;CWT方法也需要使用权重函数Wij来消除具有少量端点的网格单元造成的不确定性, 则修正后的浓度权重值WCWT=Wij×CWT.具体计算过程详见参考文献(Zeng et al., 1989刘童等, 2019曾鹏等, 2020符传博等, 2020).

2.2 数据来源

本研究表征成都市6种近地面污染物(PM2.5、PM10、SO2、NO2、CO、O3)浓度的数据均来自中国环境监测总站(http://106.37.208.233:20035/), 研究时段为2015年1月1日—2020年6月30日, PM2.5、PM10、SO2、NO2、CO 5种污染物日均浓度指当日平均浓度, CO半年平均浓度指1—6月CO日均浓度的95百分位数, 其它4种污染物半年平均浓度为1—6月月均浓度平均值;而O3日评价指标则使用O3日最大8 h滑动平均浓度(O3-8 h), O3半年平均浓度指1—6月O3-8 h的90百分位数, 且本文根据生态环境部发布的关于《环境空气质量标准》 (GB 3095—2012)修改标准(http://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/201808/t20180815_629602.html), 将污染数据统一订正为标准状态下的浓度.

气象数据来源于中国气象数据网(http://data.cma.cn)发布的中国地面气象站逐日观测资料, 该数据集已经过严格的质量控制, 数据较为可靠.选用成都市温江地面气象站作为气象数据来源, 数据包括气温、气压、日照时数、相对湿度、风速、降水量等气象要素.

再分析资料来自欧洲中期数值天气预报中心(https://cds.climate.copernicus.eu), 2015—2020年1—6月逐日8:00(BJT)第5代再分析数据ERA5, 空间分辨率为0.25°×0.25°, 基本要素包括100、500、700和850 hPa位势高度场、温度场、风场, 以及海平面气压场、2 m温度场、10 m水平风场、边界层高度场.2020年4月25日—5月6日的一次臭氧污染过程的后向轨迹和潜在源区分析所用气象数据来自美国环境预报中心(NCEP)提供的全球资料同化系统数据(GDAS), 空间分辨率为1.0°×1.0°.

3 结果与讨论(Result and discussion) 3.1 疫情期间各类污染物浓度同期对比

本文对比了2020年上半年(1—6月)成都市6种大气污染物与2019年和2015—2019年过去5年平均同期的变化情况(表 1), 发现2020年上半年各种污染物浓度(除O3-8 h)与2019年同期相比均有所下降, 其中, 污染物浓度平均降幅最大的为NO2(13.60%), 其次为CO(8.96%), SO2、PM10和PM2.5浓度与2019年同期相比分别下降了6.30%、4.56%和1.80%;与过去5年平均的同期水平相比, 降幅最大的为SO2(44.65%), 其次为CO(31.13%)、PM10(30.00%)、NO2(23.63%)、PM2.5(26.90%).而O3浓度却呈显著上升的趋势, 与2019年同期相比上升了15.72%, 与过去5年平均的同期水平相比上升了18.72%.

表 1 2020年上半年成都市6种污染物浓度与2019年及2015—2019年平均的同期变化百分率 Table 1 The percentage change of 6 pollutants concentration in Chengdu in the first half of 2020 compared with the average of 2019 and 2015—2019

进一步研究了2020年上半年各种污染物逐月变化及其同比2019年和过去5年平均的变化情况.由图 2可见, 同比2019年, CO和NO2的最大降幅出现在2月(分别为-23.8%和-42.0%), 与成都实施疫情一级响应的时间段相吻合, 这可能与疫情期间政府采取停工停产、限制车辆人口流动等措施有关;而PM10和PM2.5变化较为一致, 随着防控措施逐渐放松, 降幅趋于平缓, 与2019年相比, 3月PM10和PM2.5的平均浓度仅仅下降了4.5%、9.2%, 这可能还与3月中旬成都开始实行“地摊经济”政策有关, 虽然有利于经济复苏, 但对周边环境造成了很大的压力, 尤其是露天餐饮业极大地增加了空气中可吸入微粒(PM2.5、PM10)和挥发性有机物(VOCs)的浓度;4—6月全面复产复工的工作指南通知之后, 整个成都地区交通量大规模增加, 各个行业全面恢复生产生活, NO2、PM10、PM2.5浓度值逐渐回升, 甚至高于2019年同期水平, 尤其是5月增幅分别高达14.6%、32.1%、30.0%.

图 2 过去5年平均、2019和2020年成都市6种污染物同期(逐月)变化特征 (箱型图从上至下依次为: 最大值、75%分位数、平均值(折线)、25%分位数、最小值) Fig. 2 Monthly variation characteristics of six pollutants over Chengdu in the past five years, 2019, and 2020

同比2019年同期, O3浓度在2020年整体呈现异常上升的趋势, 其中最大增幅分别出现在2月和5月, 分别为35.1%、36.1%(图 2), 值得注意的是, 2020年4月的O3浓度同比往年呈现下降趋势, 这可能与当月较为良好的气象条件有关(相关分析详见后文3.3小节).

各类站点的污染物浓度亦有不同(图 3a), 城区站点和交通站点的NO2、CO、PM2.5、PM10浓度均高于郊区站点, 而郊区站点(清洁对照站)的O3-8 h浓度最大, 上半年平均值达到128 μg · m-3, 其次为交通站点和城区站点, O3-8 h平均浓度分别为115、112 μg · m-3.与2019年同期相比(图 3b), 城区站点、交通站点和郊区站点的O3-8 h浓度分别上升了20%、12%、12%;而城区站点其余5种污染物浓度相比于2019年同期均呈现减小的趋势, 且NO2和CO浓度在城区站点、交通站点的降幅相当, 均降低了14%和16%左右, 这主要是由于疫情期间交通运输部门和第二产业排放的NO2和CO大范围减少的缘故;交通站点SO2、PM2.5浓度与2019年同期相比变化不大, 这可能与SO2、PM2.5浓度的降低主要与工业源和民用源贡献较大有关(周亚端等, 2020);郊区站点却有所不同, 除NO2和PM10浓度同比分别降低14.5%、3.7%外, 其他污染物浓度均呈不同程度的上升趋势, 尤其是SO2、PM2.5, 分别升高了约17%、11%, 这可能更多地归结于2020年天气条件的影响, 此外, 还可能与生物质燃烧等区域输送作用或本地自然源排放增强的因素有关(Sun et al, 2020乐旭等, 2020).

图 3 2020年上半年6种污染物在各类站点的浓度(a) 及2020年和2019年(1—6月平均)6种污染物在各类站点的同比百分率(b) Fig. 3 Concentrations of six pollutants at various sites in the first half of 2020(a) and the percentage change of the six pollutants at various sites during the same period in 2020 and 2019 (average from January to June) (b)
3.2 疫情期间臭氧浓度变化特征分析

在上文污染物的同期对比中已经发现, 尽管疫情期间成都市实施了一系列的减排措施, 但O3-8 h浓度的上升趋势却异常明显.根据环境空气质量标准(GB3095—2012)中O3-8 h二级标准浓度限值(160 μg · m-3)对成都市2020年上半年及往年同期的O3浓度进行评价, 如表 2所示, 2020年上半年O3-8 h超标天数为43 d, 且有13 d到达了中度污染, 最大超标日数分别出现在5月(18 d)、6月(16 d), 且O3-8 h月平均浓度分别达到了166、158 μg · m-3(图 4), 为近年来上半年污染最为严重的一年.同时, 2020上半年超标日O3-8 h平均浓度为199.98 μg · m-3, 最高浓度达到了267.5 μg · m-3, 均位于过去5年前列.此外, 2020年1—3月O3-8 h浓度虽然没有出现超标现象, 但相比于2019年和过去5年平均值, O3-8 h浓度明显高出不少, 且O3-8 h浓度在3月中旬出现了一次明显上升(图 5), 可以看出2020年成都市臭氧浓度的上升阶段较往年有所提前, 且O3污染更为严重, 而4月O3-8 h浓度仅为118 μg · m-3, 均低于2019年和过去5年平均值.

表 2 2015—2020年1—6月成都市O3-8 h浓度特征 Table 2 Characteristics of O3-8 h concentration in Chengdu from January to June, 2015—2020

图 4 2020年和过去5年同期O3-8 h逐月变化特征 (a.超标天数;b.O3-8 h浓度) Fig. 4 Monthly variation of O3-8 h in 2020 and the same period in the past 5 years (a.exceeding days, b.O3-8 h concentration)

图 5 2020年及往年同期O3-8 h及其各个气象要素的时间序列 Fig. 5 Time series of O3-8 h and various meteorological elements in 2020 and the same period in previous years
3.3 疫情期间的臭氧变化气象成因分析

气象条件可以通过直接和间接影响来调节O3浓度(Liu et al., 2020).现有研究表明, 高温、强辐射及低湿条件下易形成高浓度的O3污染(吴锴等, 2017曹庭伟等, 2018).表 3为2020上半年O3-8 h浓度与各气象因子的相关系数矩阵, 发现平均温度、日照时数和最高温度与O3-8 h浓度呈显著正相关, 相关系数分别为0.778、0.595、0.862;气压和相对湿度与O3-8 h浓度浓度呈显著负相关;风速和降水与O3-8 h浓度的相关关系虽然没有通过显著性检验, 然而却能在一定程度上反映污染物传输和清除效率, 从而间接影响污染物浓度.这均与前述研究的结论相一致.

表 3 成都市O3-8 h浓度与气象因子相关性 Table 3 The correlation between O3-8 h concentration and meteorological factors in Chengdu

为进一步了解2020年上半年成都市的气象条件, 本文给出了各个气象要素逐日的时间序列图(图 5).由图可知, 在2020年疫情期间成都市的降水量较小, 平均风速为1.44 m · s-1, 整体不利于污染物的清除和扩散;3月开始成都地区整体的O3浓度增长趋势日趋明显, 出现了一次明显的高值阶段, 较往年同期有所提前, 而5月、6月为2020年上半年臭氧污染主要阶段, 期间对应更高的温度和较低的湿度, 气象条件均有利于O3生成.

从100 hPa和500 hPa平均位势高度场和距平场(2020年1—6月高度场与2010—2019年同期平均高度场的差值)可以看出(图 6), 在2020年上半年, 成都地区100 hPa和500 hPa位势高度距平较往年平均偏高10~20位势米左右, 这种天气形势特征不利于冷空气影响亚洲中纬度地区, 而有利于地面出现高温晴热天气(周长春等, 2014王磊等, 2018余钟奇等, 2019).结合地面气象要素的同期对比(图 7a)来看, 2020年上半年成都市地面气温(平均温度、最低温度、最高温度)增加明显, 相对湿度和降水量有所下降, 风速变化不大, 且日照时数比2019年同期增加了18%, 而与过去5年平均相比却略微减少, 这说明2020年上半年所接收到的太阳辐射较强, 有利于提高O3光化学反应速率从而增加近地面O3浓度.

图 6 2020年1—6月平均位势高度及其距平场 (a.100 hPa;b. 500 hPa;阴影: 2020年1—6月相对于2010—2019年同期的距平;单位: 10 gpm;绿色圆点: 成都) Fig. 6 The average geopotential height field and anomaly field in the first half of 2020 (a.100hPa; b. 500 hPa; shaded: anomalies of HGT during January to June in 2020 with respect to the same period in 2010—2019;unit: 10 gpm; green dot: Chengdu)

图 7 2020年1—6月成都市基本气象要素同期对比 (a.半年平均(与2015—2019年同期对比);b.逐月平均(与2019年同期对比) Fig. 7 Comparison of basic meteorological elements in Chengdu from January to June in 2020 (a.half-year average(compared with the same period in 2015—2019); b. monthly average(compared with the same period in 2019))

图 7b进一步发现, 同比2019年, 臭氧浓度在2月和5月增幅较大, 分别35.1%、36.1%, 2月各种气象要素变化明显, 地面气温(最高温度、最低温度、平均温度)上升了26%~36%, 日照时数增加了48%, 相对湿度减小了5%, 与过去5年平均相比, 平均温度也上升26%, 表明2月的气象条件相较于往年同期更加有利于生成O3.此外, 由于疫情前、中期(1—3月), NO2和CO等前体物浓度均低于往年同期(图 2), 尤其是2月为整个研究时段下降幅度最大的一个月, 而O3浓度不减反增, 可以从一定程度上证明期间气象要素对O3的增加有很大的贡献.4月的整体气象条件较前期有一些变化, 气温和日照时数下降较为明显, 使得当月O3-8 h浓度同比往年下降了10%左右.5、6月属于疫情后期, 由于复工复产排放了大量前体物, 加之气温上升较快, 且日照时数增加, 湿度减小, 使其成为上半年主要的O3污染时期.综上所述, 气象条件在2020年上半年O3浓度异常上升中起至关重要的作用, 在人为大幅度减排控制措施下, 虽然不利的气象条件能在一定程度使O3浓度升高, 但是在前体物和气象条件共同作用下更易发生臭氧超标事件.

3.4 疫情期间的臭氧污染典型个例分析 3.4.1 臭氧污染逐时变化特征

受疫情影响成都市工业及交通排放大规模减少, 能显著降低当地污染物浓度, 尤其是NO2和PM2.5, 而对O3浓度的降低效果却不明显.相关研究表明, O3浓度的短时(逐日/时)变化主要取决于气象因子(Pu et al., 2017Lu et al., 2019胡成媛等, 2019).为了更清晰地了解气象条件对2020年上半年O3污染的影响, 本研究选取了2020年4月27日—5月6日成都及周边地区一次O3持续性污染过程进行分析, 此次春季O3污染的时间较长, 区域性污染明显, 即4月25日从四川绵阳、德阳等地O3浓度开始升高后, 逐渐向周边扩散, 期间成都平原和川南大部分地区O3污染较为严重(图略).

图 8为成都市4种污染物逐时的时间序列图, 以PM2.5日均浓度二级标准限值(75 μg · m-3)和O3-8 h浓度二级标准限值(160 μg · m-3)作为标准, 4月25日起, 成都市O3及前体物(CO、NO2)浓度逐渐开始上升, 4月27日臭氧污染在成都地区发生, 5月7日该污染过程结束, 期间(4月29日)有一次弱打断.整个污染阶段O3超标日均浓度为212.4 μg · m-3, O3小时最大浓度达到了284.2 μg · m-3(5月3日), 且在5月1—6日成都市出现了O3和PM2.5交替污染, 大气复合型污染明显.

图 8 2020年4月25日—5月7日成都市O3、PM2.5、NO2、CO逐时浓度序列 Fig. 8 Time series of O3, NO2, PM2.5 and CO concentration in Chengdu from 25th April to 7th May 2020
3.4.2 臭氧污染气象成因分析

由于此次污染持续时间较长, 本文将其分为污染前期(4月25—26日)、开始阶段(4月27—28日)、发展阶段(4月30日—5月6日)、结束阶段(5月7日).在污染前期, 我国东北部在500 hPa被高空冷涡控制, 成都地区高空主要受到冷涡底部西北气流影响(图 9a), 低层(700 hPa和850 hPa)受到东北气流的控制(图 9d图 9g), 有利于将成都地区东北方向绵阳、德阳等地的污染物及其前体物输送到成都本地, 且地面风速较小, 扩散条件差;污染开始阶段, 冷涡中心东移至海上, 成都地区在500 hPa高空受到蒙古高压脊前较强的偏北气流控制(图 9b), 低层受到弱的气旋性环流影响(图 9e图 9h), 使得污染物浓度进一步累积.4月29日, 由于青藏高原的阻挡作用, 500 hPa呈现南槽北脊的形势, 成都地区受到南支槽槽前西南气流的影响(图略), 将孟加拉湾的水汽输送到成都地区, 湿度增加, 地面气温下降, 臭氧的光化学反应速率较弱, 导致当天臭氧浓度减小;然而, 由于成都本地不利的扩散条件, 并未造成前体物(CO、NO2)浓度降低(图 8), 从而为臭氧污染提供了充足的条件.

图 9 臭氧污染前期(4月26日)、开始阶段(4月27日)、发展阶段(5月3日)8:00的500 hPa (a~c)、700 hPa (d~f)和850 hPa (g~i) 的位势高度场、温度场和风场分布(红色等值线表示位势高度(gpm), 阴影表示温度场(K), 风矢量表示水平风场(m · s-1))和海平面气压场、地面温度、地面风速(j~l)(红色等值线表示海平面气压场(hPa), 阴影表示2 m温度(K), 风矢量表示10 m风场(m · s-1)) Fig. 9 Distribution of geopotential height field (red contours, unit: gpm) at 500(a~c), 700(d~f) and 850 hPa(g~i) and sea-level pressure field(j~l)(unit: hPa), horizontal wind (500, 700 and 850 hPa and 10 m, vector, unit: m · s-1) and air temperature (500, 700 and 850 hPa and 2 m, shaded, unit: K) at 8:00 local time in the pre-pollution(26th April), the beginning stage(27th April) and development stage of pollution(3rd May)

污染发展阶段, 成都地区在500 hPa多为纬向环流型, 受平直西风气流或高压脊前弱的西北气流控制(图 9c).高纬度地区的干燥空气有利于相对湿度的降低和云量的减少, 更多的太阳辐射到达地面使其达到更高的温度(Mao et al., 2017).从地面气象要素逐时序列也可以看出(图 10a), 污染发展阶段, 成都市地面气压明显降低, 气温升高, 地面日最高温度基本都维持在30 ℃以上, 其中, 5月3日的日最高温度达到了35 ℃, 而当日O3小时最大浓度也高达283.8 μg · m-3, 且白天平均相对湿度为40%~60%, 为O3的光化学生成提供了有利条件;成都地区在700和850 hPa上多受弱的气旋性环流的影响(图 9f图 9i), 且温度场变化和地面气温变化趋势较为一致, 均于5月3日达到最高, 其中850 hPa温度达到了25 ℃左右(图 9i).

图 10 2020年4月25日—5月7日成都市地面风场、气压、降水、气温、相对湿度、边界层高度逐时序列(a) 及4月25日—5月6日风玫瑰图(b) Fig. 10 Time series of wind field, pressure, precipitation, temperature, relative humidity, and boundary layer height in Chengdu from 25th April to 7th May, 2020(a) and wind rose map from 25th April to 6th May(b)

在整个污染阶段, 海平面气压场多位于暖低压后部, 整体气压梯度场较小(图 9j~9l), 使得近地面大气较为稳定, 以静小风为主(频率为64.5%), 地面盛行风方向多为西北偏西风和西南偏西风(图 10b), 污染阶段平均风速为1.3 m · s-1左右, 阻碍了污染物的水平扩散.此外, 还可以发现, 边界层高度日变化明显, 夜间边界层平均高度在50 m左右, 常伴随逆温现象, 有利于夜间近地面O3前体物的累积, 加之其不利的气象条件, 使得O3浓度迅速增加.而到了5月7日, 500 hPa和700 hPa均受到脊后西南气流的影响, 向四川盆地输送大量的水汽, 成都地区地面风速增大, 气温降低, 湿度增加, 同时伴随一次降雨过程, 气象条件转好, 此次污染过程结束.

3.4.3 气流输送对成都市臭氧浓度的影响

为讨论气流输送对本次污染过程的影响, 以成都市为受体点, 在500 m高度上, 利用HYSPLIT对4月25日—5月6日白天(8:00—20:00)气流进行72 h的后向轨迹计算, 并将计算结果聚类为4类, 进行气流输送路径特征分析(图 11).输送路径和方向表示气流到达受体点前经过的区域, 输送距离可判断气流移动速度.由图 11a可知, 在500 m高度上最主要的路径是来自东南偏东方向经重庆、内江、眉山一带的短距离输送(占54.17%), 其次为来自东北偏东方向经广安、南充、德阳等地的短距离输送(占38.69%);从空间分布上可以看出, 成都市本次污染气团后向轨迹均多集中在川南和川东南一带, 说明影响成都市本次O3污染外来输送的源区主要集中在川南和川东部分地区.而从聚类轨迹72 h移动过程中垂直方向气压均值变化曲线(图 11b)则可以看出, 来自川南地区的短距离输送可能更易受到近地面污染源的影响.

图 11 成都市4月25日—5月6日(500 m)后向轨迹聚类及潜在源区分析 (a.后向轨迹聚类分析;b.对应该高度上的气压变化;c.WPSCF值分布特征;d.WCWT值分布特征) Fig. 11 Backward trajectory clustering and potential source analysis in Chengdu from 25th April to 6th May (500m) (a.backward trajectory clustering analysis, b.pressure change corresponding to altitude, c.WPSCF distribution characteristics, d.WCWT distribution characteristics)

用PSCF值对此次O3污染潜在源区进行判断, 而CWT值能给出潜在源区对受体点的浓度贡献大小.当WPSCF为高值区域(>0.5)(图 11c)时, 表明该区域对成都市O3污染的贡献较大, 定义为最主要的潜在源区(雷雨等, 2020), 而WCWT值(图 11d)大于120 μg · m-3的区域定义为主要贡献区.结果表明, WCWT与WPSCF分析得到的结果具有较好的一致性, 在成都市本次O3污染事件中主要潜在源区和高浓度O3贡献区域大多数聚集在成都本地和眉山、自贡、内江等部分川南地区, 说明在复工复产的同时除了强化本地污染防控之外, 周边区域联防联控也不可忽视.

4 结论(Conclusions)

1) 2020年上半年, 成都市除O3外的其余5种污染物(NO2、CO、SO2、PM10、PM2.5)浓度呈现下降的趋势, 与2019年同期相比, 降幅分别为13.60%、8.96%、6.30%、4.56%、1.80%, 同比于过去5年平均值降幅更大;与此相反的是, O3浓度却异常上升, 同比2019年和过去5年平均值分别上升了15.72%和18.72%;在疫情管控第一阶段的2月, CO、NO2、PM10和PM2.5浓度降幅较为明显, 之后降幅减缓甚至有所回升, O3-8 h浓度最大上升幅度分别出现在2月和5月.

2) 2020年上半年成都市O3浓度高值出现时间较2015—2019年有所提前, 气象条件较有利于臭氧的生成, 在100 hPa和500 hPa位势高度呈现正距平, 气温、日照时数与往年同期相比有所升高, 而相对湿度和降水量下降, 风速多以静小风为主.其中, 由于4月气象条件相比于往年同期相对不利于光化学反应, O3浓度较往年同期有所下降.

3) 2020年4月25日—5月6日成都及周边地区一次O3污染过程持续时间较长, 复合型污染特征明显.这主要由于成都市复工复产向稳工满产过程转变使得臭氧前体物浓度增加, 同时高空多为纬向环流型, 受平直西风气流或高压脊前弱的西北气流控制, 地面位于暖低压后部, 天气形势较为稳定, 使成都地区长时间处于高温(平均温度>30 ℃)、低湿(40%~60%)、静小风(1.3 m · s-1)等不利的气象条件下, 有利于光化学反应产生臭氧.同时, 后向轨迹表明此次污染与来自成都北偏东一带及川南地区高污染气团的较短距离输送有关, 说明在复工复产的同时除了强化本地污染防控之外, 周边区域联防联控亦不可忽视.

参考文献
Chen H, Huo J, Fu Q, et al. 2020. Impact of quarantine measures on chemical compositions of PM2.5 during the COVID-19 epidemic in Shanghai, China[J]. Science of the Total Environment, 743(15): 140758.
曹庭伟, 吴锴, 康平, 等. 2018. 成渝城市群O3污染特征及影响因素分析[J]. 环境科学学报, 38(4): 1275-1284.
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.
胡成媛, 康平, 吴锴, 等. 2019. 基于GAM模型的四川盆地臭氧时空分布特征及影响因素研究[J]. 环境科学学报, 39(3): 809-820.
刘童, 王晓军, 陈倩, 等. 2019. 烟台市环境受体PM2.5四季污染特征与来源解析[J]. 环境科学, 40(3): 1082-1090.
Le T H, Wang Y, Liu L, et al. 2020. Unexpected air pollution with marked emission reductions during the COVID-19 outbreak in China[J]. Science, 369(6504): 702-706. DOI:10.1126/science.abb7431
乐旭, 雷亚栋, 周浩, 等. 2020. 新冠肺炎疫情期间中国人为碳排放和大气污染物的变化[J]. 大气科学学报, 43(2): 265-274.
Lu X, Zhang L, Shen L. 2019. Meteorology and climate influences on tropospheric ozone: A review of natural sources, chemistry, and transport patterns[J]. Current Pollution Reports, 5(4): 238-260. DOI:10.1007/s40726-019-00118-3
雷雨, 张小玲, 康平, 等. 2020. 川南自贡市大气颗粒物污染特征及传输路径与潜在源分析[J]. 环境科学, 41(7): 3021-303.
Liu Y M, Wang T. 2020. Worsening urban ozone pollution in China from 2013 to 2017-Part 2:The effects of emission changes and implications for multi-pollutant control[J]. Atmospheric Chemistry and Physics, 20(11): 6323-633. DOI:10.5194/acp-20-6323-2020
Mao J, Wang L L, Lu C H, et al. 2020. Meteorological mechanism for a large-scale persistent severe ozone pollution event over eastern China in 2017[J]. Journal of Environmental Sciences, 92(6): 187-199.
Ning G, Wang S, Ma M, et al. 2017. Characteristics of air pollution in different zones of Sichuan Basin, China[J]. Science of the Total Environment, 612(15): 975-984.
Ordóñez C, Garrido-Perez J M, García-Herrera R, et al. 2020. Early spring near-surface ozone in Europe during the COVID-19 shutdown: Meteorological effects outweigh emission changes[J]. Science of the Total Environment, 747(10): 141322.
Pierre S, Alessandra D M, Evgenios A, et al. 2020. Amplified ozone pollution in cities during the COVID-19 lockdown[J]. Science of the Total Environment, 735(15): 139542.
Pu X, Wang T J, Huang X, et al. 2017. Enhanced surface ozone during the heat wave of 2013 in Yangtze River Delta region, China[J]. Science of the Total Environment, 603: 807-816.
Sun Y, Lei L, Zhou W, et al. 2020. A chemical cocktail during the COVID-19 outbreak in Beijing, China: Insights from six-year aerosol particle composition measurements during the Chinese New Year holiday[J]. Science of the Total Environment, 742(10): 140739.
吴锴, 康平, 王占山, 等. 2017. 成都市O3污染特征及气象成因研究[J]. 环境科学学报, 37(11): 4241-4252.
王磊, 刘端阳, 韩桂荣, 等. 2018. 南京地区近地面臭氧浓度与气象条件关系研究[J]. 环境科学学报, 38(4): 1285-1296.
Wang P F, Chen K Y, Zhu S Q, et al. 2020. Severe air pollution events not avoided by reduced anthropogenic activities during COVID-19 outbreak[J]. Resources, Conservation & Recycling, 158(7): 104814.
余钟奇, 马井会, 毛卓成, 等. 2019. 2017年上海臭氧污染气象条件分析及臭氧污染天气分型研究[J]. 气象与环境学报, 35(6): 46-54.
周长春, 汪丽, 郭善云, 等. 2014. 四川盆地高温热浪时空特征及预报模型研究[J]. 高原山地气象研究, 34(3): 51-57.
曾鹏, 辛存林, 于奭, 等. 2020. 典型西南工业城市春冬季PM2.5来源与潜在源区分析-以柳州市为例[J]. 中国环境科学, 40(9): 3781-3790.
Zeng Y, Hopke P K. 1989. A study of the sources of acid precipitation in Ontario, Canada[J]. Atmospheric Environment, 23(7): 1499-1509. DOI:10.1016/0004-6981(89)90409-5
周亚端, 朱宽广, 黄凡, 等. 2020. 新冠肺炎疫情期间湖北省大气污染物减排效果评估[J]. 环境科学与技术, 43(3): 228-236.