边界层低空急流导致北京PM_2__省略__迅速下降及其形成机制的个例分析_廖晓农
天气学_国防科技大学中国大学mooc课后章节答案期末考试题库2023年
天气学_国防科技大学中国大学mooc课后章节答案期末考试题库2023年1.下列哪些是准静止锋天气的特点（）。
答案:云雨区宽_降水强度小，时间长，因为少动，容易带来持续阴雨天气_暖空气沿锋面的爬升缓慢，垂直上升速度小_云系排列与暖锋相似2.组织化是超级单体发展过程中的一个重要特征，体现为上升气流和下沉气流的分离，下列关于组织化过程对超级单体发展影响的描述正确的是（）。
答案:延长了对流单体的生命史过程_可以增强中层干冷空气的入流_可加强风暴中的下沉气流和低层冷空气的外流，抬升冷池前方暖湿空气_组织化的气流对水（雨）滴的分离作用，可以增强对流的活力3.下列属于中尺度的天气系统包括（）。
答案:台风_龙卷_飑线4.下击暴流发生时在地面上空形成强的低空风切变，其对飞行安全的影响主要体现为（）。
答案:飞机在强顺风中飞行，飞机获得的升力会大幅下降从而使飞机迅速下坠5.超级单体的强对流天气（冰雹等）主要位于（）区域。
答案:风暴后部下沉区6.对于第二型冷锋，下述说法正确的是（）。
答案:地面锋线一般位于空中槽线附近或槽后，移速较快，是下滑锋_在地表摩擦作用下，低层可形成一个“冷鼻”_只要地面锋线一过后就不会再有降水和云系7.下列哪些是锢囚锋天气的特点（）。
答案:暖式锢囚锋因锢囚点位于地面锋前，因此降水主要发生在地面锢囚锋前_暖式锢囚锋云系多为高层云、雨层云和层积云等_暖式锢囚锋云系沿锢囚点两边大致对称分布_它的云系是由两条锋面的云系合并而成，所以天气最恶劣的地区及降水区多位于锢囚锋附近8.温度为一级不连续时，下列哪些是锋区存在的条件（）。
答案:水平风切变不连续_沿锋的风分量的垂直切变不连续9.按地理分类，气团可以分为（）。
答案:赤道气团_冰洋气团_热带气团_极地气团10.锋区上方有一个西风急流，它的形成原因是（）。
答案:热成风叠加11.垂直穿过冷锋时，随高度的增加风向呈（）。
答案:逆时针旋转12.水平面上，水平锋区内等温线分布较冷暖气团中（），等温线走向与锋线近似（）。
空气污染溯源
空气污染溯源空气污染溯源2012-01-18 16:04:20来源: 瞭望东方周刊有643人参与手机看新闻北京PM2.5污染的三分之一来自本地排放，三分之一来自区域输送，三分之一来源于污染气体的转化。
王跃思，中国科学院大气物理研究所研究员，中国生态系统研究网络大气分中心主任、大气边界层物理和大气化学国家重点实验室副主任。
与这些陌生的词汇相比，他领衔的一些科学研究项目如“北京及周边区域空气质量保障联网监测与预警”显得更加通俗一些。
在他看来，北京PM2.5污染的三分之一来自本地排放，三分之一来自区域输送，三分之一来源于污染气体的转化。
因此，“北京若想彻底解决PM2.5污染，在加强自身污染源治理的同时，要联合周边省市协同调控，最后要注意天气过程导致PM2.5对区域灰霾形成的临界影响条件。
”比如2011年岁末北京惊人的雾霾污染事件，就与不利于污染物扩散的天气过程密切相关。
对于北京周边各省市共同减排，中国工程院院士郝吉明在接受《望东方周刊》采访时也强调：“不仅京津冀地区需要联防联动，我认为中国整个东部地区都要实现联防联控。
”NGO组织公共环境研究中心主任马军（微博）则认为，在保证市民正常生活的前提下，目前北京地区机动车减排空间较小而且实施困难，“如果联防联控，环京区域取得良好的大气治理效果，那么还能够给北京机动车排放让渡一定的环境容量。
”颗粒物的变化北京奥运会过后，王跃思的一个重要工作就是中科院重大项目“京津塘区域环境污染调控技术与示范”。
这一课题在2011年12月底刚刚验收，研究成果全面反映了北京及周边区域的环境污染情况。
通过分布于北京、天津、河北和山东各地的10个观测点，监测到京津冀区域内污染物干湿沉降总量日益增加趋势。
干沉降指大气污染物在没有降水的条件下向地表的输送过程，包括颗粒物干沉降和污染气体干沉降；湿沉降则指通过雨、雪、雾等形式降落到地面的过程。
作为项目首席技术专家，王跃思告诉《望东方周刊》，目前京津塘地区平均每公顷地表每年接受到的降尘量大约是 1.2吨，相当于每平方米每月有10克降尘。
地形、冷池出流和暖湿空气相互作用造成北京一次局地强降水的观测分析
地形、冷池出流和暖湿空气相互作用造成北京一次局地强降水的观测分析章翠红;夏茹娣;王咏青【期刊名称】《大气科学学报》【年(卷),期】2018(041)002【摘要】利用地面和探空常规探测资料、多普勒天气雷达以及风廓线雷达资料,对2015年8月7日发生于北京的一次伴随有闪电和冰雹的突发性局地强降水过程的成因进行了分析.结果表明:这次过程发生在强层结不稳定环境中,对流层中层低槽配合低层切变线,促进河北西北部对流发展,并向东南方向移动,形成北京西北部短时强降水;北京中部地区强降水的直接制造者则是新生的局地性雷暴单体,由雷暴冷池出流和暖湿空气在边界层交绥和辐合所触发.北京西北部地形促使冷池出流下山速度加快、冷池出流高度抬高,以及偏东暖湿气流的辐合抬升作用,则是局地雷暴新生的重要影响因子.%The causes of a sudden local heavy rainfall with lightning and hail occurred in Beijing on 7 August,2015 are investigated by composite analyses of surface and conventional sounding data,Doppler weather radar data and wind profile radar data.The following results are given:The heavy rain occurred in a strong unstable stratification.The middle level trough,lower-troposphere shear line and surface wind convergence facilitated the development of convection in northwest of Hebei,which then moved southeast and caused heavy rain in the northwest of Beijing.The direct producer of heavy rainfall over central Beijing was thunderstorms locally triggered by convergence between the cold pooloutflow of pre-existing thunderstorms and the warm,moist southeast airflow in the boundary layer.The terrain in the northwest of Beijing accelerated downhill cold pool outflow and lifted the thunderstorm cold pool outflow.Then,the cold westerly outflow overlapped above the warm and moist easterly flow near surface that increased the convective instability of atmosphere and contributed to the initiation of thunderstorms at the east side of the mountain.【总页数】13页(P207-219)【作者】章翠红;夏茹娣;王咏青【作者单位】南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心,江苏南京210044;武汉中心气象台,湖北武汉430074;中国气象科学研究院灾害天气国家重点实验室,北京100081;南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心,江苏南京210044【正文语种】中文【相关文献】1.偏东风冷空气与地形相互作用背景下北京局地强降水成因分析 [J], 雷蕾;孙继松;王华;丁青兰;吴庆梅2.复杂地形下北京一次局地雷暴新生和增强机制初探 [J], 黄荣;王迎春;张文龙3.泰山地形对一次局地强降水过程动力作用的数值模拟分析 [J], 阎丽凤;车军辉;周雪松;孟宪贵4.特殊地形对鄂东北一次局地强降水过程的作用机制分析 [J], 李超;崔春光;蒋兴文;王晓芳;赖安伟;汪小康5.北京地区一次局地强降水过程的数值分析 [J], 郑祚芳;张秀丽因版权原因，仅展示原文概要，查看原文内容请购买。
北京城市森林不同天气状况下PM2.5浓度变化
北京城市森林不同天气状况下PM2.5浓度变化陈波;鲁绍伟;李少宁【期刊名称】《生态学报》【年(卷),期】2016(036)005【摘要】基于北京市环境保护监测中心植物园空旷地和市区非植被区的PM2.5实时监测数据,结合植物园林内PM2.5监测站数据,分析了2013年3月-2014年2月不同天气状况下的PM2.5质量浓度变化.结果表明:①降雨天气和大风天气下PM2.5质量浓度变化无滞后性,雨前和雨中变动较大,雨后变化较小,雨后1天PM2.5质量浓度降低到最低值((14.88±7.34)μg/m3,下降了(89.36±4.78)％),雪后第2天达到最低值((13.76±6.73) μg/m3,下降了(88.53±5.59)％);②大风天气下PM2.5质量浓度波动较小,在东北风和西南风影响下PM25质量浓度值较高(80.61 μg/m3),在东南风影响下PM25浓度值较低(54.22μg/m3);③高温高湿天气下PM2.5质量浓度市区非植被区滞后1-2h到达峰值,植物园林内监测站和植物园空旷地高峰无滞后性,植物园林内监测站变动剧烈、消减作用强,市区非植被区和植物园空旷地较为平缓;④不同天气下PM2.5质量浓度均表现为市区非植被区＞植物园林内＞植物园空旷地;⑤城市森林具有强大的净化大气污染物和吸滞PM2.5等颗粒物的功能,森林环境的空气质量优于非植被区,森林空旷地的空气质量优于森林内部.【总页数】9页(P1391-1399)【作者】陈波;鲁绍伟;李少宁【作者单位】北京市农林科学院林业果树研究所,北京100093;北京市农林科学院林业果树研究所,北京100093;北京市农林科学院林业果树研究所,北京100093【正文语种】中文【相关文献】1.典型天气条件下哈尔滨城市森林不同林型对PM2.5的调控作用研究 [J], 汪永英;孙琪;李昭;韩冬荟;孟琳;郭敏;段文标2.北京城市森林PM2.5质量浓度特征及影响因素分析 [J], 蒋燕;陈波;鲁绍伟;李少宁3.北京西山典型城市森林内PM2.5动态变化规律 [J], 王成;郭二果;郄光发4.污染过程和不同天气下PM2.5质量浓度变化特征 [J], 曹云生;赵艳玲5.北京城市森林空气负离子与PM2.5颗粒物交互效应研究 [J], 陶雪莹;张伟宁;鲁绍伟;李少宁;赵娜;徐晓天因版权原因，仅展示原文概要，查看原文内容请购买。
《2024年北京城区低层大气PM10和PM2.5垂直结构及其动力特征》范文
《北京城区低层大气PM10和PM2.5垂直结构及其动力特征》篇一摘要：本文旨在探究北京城区低层大气的PM10和PM2.5的垂直分布结构，以及相关的动力特征。
通过多时段的大气污染数据收集，我们系统地分析了两种主要颗粒物浓度的垂直分布规律及其与气象要素之间的相互关系。
研究发现，PM10和PM2.5的浓度与城市大气污染程度、气象条件等因素密切相关，同时呈现出了显著的垂直分布特征和动力特性。
一、引言随着工业化和城市化的快速发展，大气污染问题日益突出，尤其是可吸入颗粒物（PM10）和细颗粒物（PM2.5）的浓度问题备受关注。
北京作为中国的首都，其大气污染问题尤为突出。
因此，研究北京城区低层大气的PM10和PM2.5的垂直结构及其动力特征，对于理解城市大气污染的形成机制、评估空气质量及制定有效的控制措施具有重要意义。
二、研究方法本研究利用了多时段、多高度的气象监测数据和大气污染物数据，采用统计分析的方法，研究PM10和PM2.5的垂直分布规律及与气象要素的关系。
同时，结合气象动力学原理，分析其动力特征。
三、PM10和PM2.5的垂直结构（一）PM10的垂直结构PM10在低层大气中呈现出一个较为明显的垂直梯度。
在城市中心区域，其浓度随高度上升而逐渐降低。
夜间由于气流相对稳定，其垂直梯度较小；而白天由于风速加大和湍流活动增强，垂直梯度较大。
（二）PM2.5的垂直结构与PM10相比，PM2.5的垂直分布更为复杂。
在低层大气中，尤其是在近地面附近，其浓度通常较高。
随着高度的增加，其浓度逐渐降低，但这一过程更为缓慢。
在天气条件稳定时，PM2.5更容易在低空积聚。
四、动力特征分析（一）气象条件对PM10和PM2.5的影响风速和风向对PM10和PM2.5的传输和扩散起着重要作用。
在风速较大时，颗粒物更容易被吹散，其浓度相对较低；而在静风或逆温条件下，颗粒物不易扩散，容易在低空积聚。
此外，气象条件如温度、湿度等也会影响颗粒物的形成和转化。
北京一次浓雾过程的边界层结构及成因探讨
维普资讯
气
１ｏ ８ ０ １ｏ ６ ０ １ｏ ４ ０ １ｏ ２ ０ －１ ０ ００ ｌ
象
科
技
第 ３ 卷 ５
脊； 在中纬度地区， 国东北、 我 华北地区为长波脊前
的西 北气 流控 制 ， 黄河 上游 有短 波槽存 在 ； 但 在低 纬 度地区， 西北太平洋副热带高压皇带状分布在南海
维普资讯
第 ３ 卷 第 ６期 ５ ２０ ０ ７年 １ ２月
气
象
科
技
Ｖｌ． ５． ０ ３ Ｎｏ． １ ６
Ｄｅ ．２ ０ ｅ ０７
Ⅳ匝 ＴＥ Ｌ ＯＩ ＯＧＩ Ｌ ＣＩ （ Ｓ ＥＮＣＥ Ａ Ｄ ＴＥ ＣＨＮＯＬ Ｎ ＯＧＹ
其对环境 的影响等【 １ ， ６ ２ 为城 市雾 的预报、 －］ 人工消
雾 作业 及保 护环境 提供 参考 。 以往 关 于雾 的边 界层 结 构 特征 的分 析研 究 中 ， 主要注 重雾 层 内和雾顶 的辐 射 、 湍流 、 凝结 和蒸 发等 作 用对 要 素分布 的影 响［ １，］而对 边 界层 动 力过 ８ ０１ ， － ３ 程 的研 究 相对较 少 。
Ｉ
．
Ｉ ＾． ． ＼ ． ， ， Ｖ ＼Ｊ ／ ｌｒ １ ． １Ｉ ／ ｆ ｒ
．
趟 ８０ ０
萎６ ０ ０
４ ０ ｏ ２０ ｏ ０
２ ：７至 １ １日０ ：７这段 能见度基本上 不足 １０ １４ ２月 ９４ ０ ｍ的浓雾过程 ， 根据雾 的天气 学成 因和特征 … 可 以判 １
℃ ）湿度 （ 、 精度 １ 、 （ 度 ０ １ｍ／） 料 ， 些 ％）风 精 ． ｌ 资 ｓ 这 资料 的垂 直分 辨率 为近 地层 间隔 ５ｍ，０ｍ 以上 间 ３
北京一次重污染过程的天气成因及来源分析
北京一次重污染过程的天气成因及来源分析崔萌;安兴琴;范广洲;王超;孙兆彬;任文辉【摘要】采用天气学分析和GRAPES-CUACE气溶胶伴随模式相结合的方式,探讨了北京市2016年2月29日～3月6日一次PM 2.5重污染过程的大气环流特征、污染形成和消散原因,并利用伴随模式追踪了造成此次重污染过程的关键排放源区及敏感排放时段.结果表明:此次重污染过程北京市PM 2.5浓度存在明显日变化,在3月4日20:00达到污染峰值,观测数据显示海淀站PM 2.5浓度达到506.4μg/m3.形成此次重污染过程的主要天气学原因是北京站地面处于低压中心,且无冷空气影响,风速较弱,逆温较强,大气层结稳定,混合层高度较低,500hPa西风急流较弱,污染物水平和垂直扩散条件差,大气污染物易堆积;此次过程中,500hPa短波槽过境、边界层偏南风急流和冷空气不完全渗透导致了本次严重污染PM 2.5浓度的短暂下降.伴随模式模拟结果表明,此次污染过程目标时刻的污染浓度受到来自河北东北部和南部、天津、山西东部、以及山东西北部污染物的共同影响,目标时刻PM 2.5峰值浓度对北京本地源响应最为迅速,山西响应速度最慢;北京、天津、河北及山西排放源对目标时刻前72h内的累积贡献比例分别为31.1％、11.7％、52.6％和4.7％.北京本地排放源占总累积贡献的1/3左右,河北排放源累积贡献占一半以上,天津和山西分别占1/10和1/20,河北源贡献占主导地位,天津和山西贡献较小;目标时刻前3h内,北京本地源贡献占主导地位,贡献比例为49.3％,目标时刻前4～50h内,河北源贡献占主导地位,贡献比例为48.6％,目标时刻前50～80h,山西源贡献占主导地位,贡献比例在50％以上.【期刊名称】《中国环境科学》【年(卷),期】2018(038)010【总页数】11页(P3628-3638)【关键词】北京地区;重污染过程天气成因;敏感性分析;GRAPES-CUACE伴随模式【作者】崔萌;安兴琴;范广洲;王超;孙兆彬;任文辉【作者单位】成都信息工程大学大气科学学院,四川成都 610225;中国气象科学研究院大气成分研究所,北京 100081;中国气象科学研究院大气成分研究所,北京100081;成都信息工程大学大气科学学院,四川成都 610225;中国气象科学研究院大气成分研究所,北京 100081;中国气象局北京城市气象研究所,北京 100089;中国人民解放军78127 部队,四川成都 610000【正文语种】中文【中图分类】X513近年来,为了改善北京市空气质量,许多学者开展了与北京大气污染相关的研究工作.学者们研究分析了大气环流及气象要素对空气污染的影响,认为在污染物排放量高、污染物排放源复杂的情况下,天气气候背景是形成持续时间长、影响范围广和污染程度高的重污染过程的主要驱动因素[1].稳定的大气环流形势、高湿度低风速的地面条件和低而厚的逆温层导致北京层结稳定,不利于污染物扩散[2],在污染浓度升高过程中,大气也并不总是处于层结稳定状态,垂直运动和散度在垂直方向上的“分层”结构有利于污染物的累积[3].孙兆彬等[4-5]解释了偏东风随高度增大以及逆温减弱、混合层高度升高导致浓度升高的原因.廖晓农等[6]发现边界层急流会迅速改善北京地区PM2.5浓度;在污染过程排放源追踪方面,学者们利用数值模式也开展了大量工作, Stohl等[7]运用拉格朗日粒子扩散模式FLEXPART验证了城市区域间的污染输送;Zhai等[8]同样利用FLEXPAPT反向追踪了北京市雁西湖地区空气质量影响最大的敏感源区,为整个源区域和特定敏感源区建立了减排测试;王雪松等[9-11]利用三维区域空气质量模式CAMX模拟对流层大气光化学过程,研究了不同地区、不同种类污染源排放对北京地区臭氧浓度的影响;王雪松等[12]利用CAMX模拟研究北京地区夏季PM10浓度的时间变化规律和空间分布特征;薛文博等[13]运用CAMx模型研究出全国各省市PM2.5污染以本地源为主,跨区域输送与各省市地理位置、污染物排放强度、排放源结构、气象条件等有关;安兴琴等[14]研究表明CMAQ模式能较好地模拟污染物的空间分布格局;翟世贤等[15]利用空气质量模式Model-3/CMAQ对北京市PM2.5浓度进行了污染源减排时刻和减排比例的研究;王自发等 [16-17]利用NAQPMS模式,采用质量追踪法计算了周边各地区的臭氧污染对北京的贡献率,研究了我国强污染天气下中东部PM2.5的时空分布特征和演变规律;李锋等[18]利用WRF-CMAQ模型探究了长江三角洲PM2.5的时空分布和输送;刘香娥等[19]运用WRF-CHEM模式研究出北京地区O3污染的主要来源是北京以外的外源输送,细颗粒物则主要源于本地生成;Zhai等[20]利用GRAPES- CUACE气溶胶伴随模式反向追踪了2012年11月北京一次污染事件的主要污染排放源区;王超等[21]利用GRAPES-CUACE气溶胶伴随模式,对北京市一次高浓度PM2.5污染过程进行了敏感性分析,并显示了伴随模式在追踪重点排放源区及关注敏感排放时段等方面的优越性.本文利用天气学分析方法,结合GRAPES- CUACE气溶胶伴随模式,综合分析了北京市2016年2月29日~3月6日期间一次PM2.5重污染过程的大气环流特征、污染形成和消散原因,并利用伴随模式反向追踪了污染过程关键排放源区及敏感排放时段,模拟估算了本地及周边排放对此次污染过程的累积贡献比例及不同区域的主导贡献时段和贡献比例的时间演变.本文主要利用地面常规观测资料、Micaps资料、FY-2E静止气象卫星的云量数据、北京海淀站(116.28°E,39.98°N)实时采样高度上产品数据文件的L波段边界层风廓线雷达资料,以及北京市环境保护局35个监测站点2016年2月29日~ 3月7日逐时PM2.5质量浓度观测数据.GRAPES-CUACE伴随模式是在我国自主研发的新一代数值模式系统GRAPES和大气化学模式CUACE基础上开发的在线耦合气象-化学模式系统[22].GRAPES模式是采用半隐式半拉格朗日方案的有限区/全球统一模式,提供与国际上常用数值预报资料接口,模式输入输出便捷[23];CUACE目前主要包括3个模块:气溶胶模块、气体模块和热力学平衡模块[21].本研究主要利用气溶胶模块伴随模式.本文首先利用GRAPES-CUACE正向模式模拟出北京市2016年一次重污染过程的PM2.5浓度变化趋势,再利用气溶胶模块的伴随模式反向追踪形成PM2.5峰值浓度过程中的主要污染排放源区及敏感排放时段,具体步骤见参考文献[22,24].本文模拟区域主要是我国华北地区(105°E~ 125°E,32.25°N~43.25°N),水平包括41×23个网格,水平分辨率为0.5°×0.5°,垂直分为31层,积分步长为300s,排放源清单采用0.5°×0.5°的INTEX-B2006清单.本文模拟时间为2016年2月26日20:00~3月8日 20:00,其中前3d是模式启动时间,为了消除理想化初始浓度对模拟效果的影响.本文基于地面气象观测,根据罗氏法计算混合层高度[25-26],计算公式如下:式中:H是计算的混合层高度,m; P是帕斯奎尔稳定度级别(大气稳定度级别为A~F 时,P依次取值为1~6);(T-Td)是温度露点差,℃;Uz是Z高度处测得的平均风速,m/s;Z0是地面粗糙度;f是地转参数,f= 2ΩsinΦ.从北京市2016年3月1日~4日的PM2.5日均浓度逐日空间分布可以看出,北京市PM2.5平均浓度逐日增加,在3月4日达到最大,3月4日平谷镇日平均浓度达到413μg/m3,空间上,浓度呈自东南向西北递减的分布趋势,污染物由南部向北部蔓延.北京南部平原地区PM2.5浓度比北部和西部山区PM2.5浓度高约1~2.4倍.北京城区PM2.5浓度比北部郊区浓度高约1~1.5倍.图1是郊区怀柔站和市内海淀站2016年2月29日~3月6日的PM2.5浓度时间分布图,怀柔站和海淀站的PM2.5浓度呈周期性波动,大体为先上升后下降走势.怀柔站出现3次较高峰值,在3月4日9:00浓度最高,为478.2μg/m3,海淀站也出现3次较高峰值,最大峰值出现在3月4日20:00,浓度为506.4μg/m3,2站点PM2.5浓度主要存在7次明显下降过程(A~G):2月29日9:00~12:00、3月1日9:00~ 13:00、3月2日10:00~18:00、3月3日4:00~6:00、3月3日20:00~3月4日6:00、3月4日10:00~16:00以及在3月4日20:00均呈断崖式下降.从图1可以看出,2月29日~3月4日5d的PM2.5浓度存在明显的日变化:在早上6:00~8:00都出现峰值,而后开始下降,在中午13:00前后出现最低值,下午至晚上19:00~20:00浓度持续增加,然后又下降.这种现象主要受早晚高峰期间汽车尾气排放增加的人为因素,以及天气因素共同影响[27-29].在7次明显下降过程中,有4次(A、B、C、F)与日变化有关,后5次浓度下降过程主要受气象要素影响.对于C、D、E、F、G 5次下降过程的天气学原因将在本文第3、4节进行详细分析.从2016年2月29日~ 3月5日8:00海平面气压场图可以看出:2月29日20:00~3月4日8:00,北京站处于地面低压槽槽前或者低压中心前部,冷空气影响不明显,等压线稀疏,气压梯度小,地面风速小,以弱偏南风为主,对污染物扩散不利,大气污染物易在太行山前辐合形成聚集,北京污染物持续增加,PM2.5浓度上升.3月4日8:00~23:00,转为受地面倒槽形势控制,有利于污染扩散.2月29日8:00~3月3日20:00,北京站500hPa高度场为槽后脊前的天气形势,受西北气流控制,200hPa纬向风较小,等值线稀疏,西风急流较弱.2月29日8:00~3月1日8:00,基本为偏北分量较大的西北风,3月1日8:00~3日20:00,主要受偏西分量较大的西北风影响,风速减小,等高线较稀疏.3日20:00前后北京站有一短波槽过境,过境前的槽前上升运动,利于污染物抬升,3月4日8:00~3月5日8:00,北京站转为槽前西南气流控制,整体上冷槽落后于高度槽,槽较深厚,等高线密集,风速较大,槽前上升运动较明显,有利于污染物扩散.天气形势整体与500hPa相似,2日20:00前后由西北风转为西南风控制,2日20:00~4日暖平流输送较明显,暖脊形势较明显但湿度较小,且由于黄土高原的存在,槽下高原的下沉增温作用,加深了逆温层的形成与维持,有利于地面低压形势加强,不利于地面冷空气影响北京地区.因此在冷暖空气交汇过程中,北京站基本无降水.3月4日20:00北京站开始受地面倒槽影响,850hPa温度较3月3日20:00下降5~7℃,风场风速加大,重新转为西北气流控制且位于槽后,冷空气从西北方向进入京津冀地区,低压和海上高压减弱,污染物扩散条件转好,空气质量逐步改善.高层虽然有槽前上升运动,然而由于中低层水汽输送不明显,且中低层槽线在下高原后有动力下沉增温作用,导致湿度进一步减小,故没有明显降水.在地面冷空气影响北京站之前,中低层始终有暖脊存在,一方面加强了地面热低压的发展与维持,使冷空气南下移动减慢,延缓冷空气影响过程;另一方面暖脊加强了近地面逆温层的形成与维持.近地面逆温层的形成,不仅与暖平流或暖心结构有关,槽下高原后的下沉增温也有利于逆温层的形成与维持.3月2日~4日期间,在发展的低压、较弱的气压梯度和风场、逆温层三者共同影响下,北京地区环流相对静稳,对大气污染物的扩散极为不利.此次地面冷空气过程以南压为主,较长时间内受到维持于华北平原的地面热低压的阻挡,导致冷空气主体影响北京站的西南地区.对北京站而言,冷空气影响的时间较短、强度较小,且没有明显降水,对于污染物的扩散作用较为有限.从T-lnP图可以看出,2月29日~3月4日20:00逆温比较明显(白天较强,晚上有减弱趋势),且中低层湿度很小.3月4日23:00~5日11:00由于上游地区冷空气东移影响,先前控制北京站的低压中心逐渐东移,北京站风速加大,风向转为偏北风.图2是3月2日0:00~5日0:00的风廓线图,图2(a)为水平风速,图2(b)为垂直风速,垂直风下沉为正,上升为负.结合图2可以看出,在3月2日0:00~5:00高空风场为西北风,200m以下为风速小于3m/s的北风,从3月2日5:00开始,边界层内风向呈气旋型切变,逆时针旋转,有冷平流,到17:30左右整个边界层内为西南风,底层风速较5:00增大了2~4倍,偏南风速增大,在1200~1400m出现最大风速为30m/s,形成低空急流,加强层结的不稳定度,触发不稳定能量的释放,图2(b)中低空急流产生暖平流的上升运动,但由于中低层湿度过小,并没有形成降水,污染物吹向高空,水平和垂直扩散条件转好.3月2日22:30~3日3:30,急流减弱,底层风速减小,污染物浓度又逐渐升高.3月3日4:00~6:00,500hPa有短波槽过境,在1100m又出现了急流中心,中心风速为26.2m/s,污染扩散条件转好,污染物浓度降低.3月3日16:00~3月4日7:00风随高度顺时针旋转,700hPa暖脊形势较明显,850hPa暖平流输送明显,在1400~1900m又出现边界层急流,西南风最大风速为21.4m/s,大气通风量增大,污染物浓度降低.3月4日7:00~9:30,风随高度逆时针旋转,高空急流减弱,风向由西南风转为西北风,底层风速减小,扩散条件转差,污染物浓度升高.3月4日10:00开始中低空伴有强风,850hPa槽线即将过境,10:00~16:00底层风速达到6~12m/s,图2(b)中1800m以下有0~2m/s的上升运动,水平和垂直扩散条件较好,污染物浓度下降,但从图2(b)可以看出槽前冷空气开始渗透,但未完全渗透,底层风速减小到1~3m/s,导致污染浓度下降后又猛升,400~ 1600m出现强风速区,最大风速为26.7m/s,直到3月4日20:00左右,地面开始受地面倒槽影响,850hPa槽线过境,冷空气开始完全渗透,图2(b)中空气产生强烈上升运动,强上升运动将堆积在底层的污染物输送到中高空,污染物浓度骤降.由图2可分析出3月2日10:00~18:00、3月3日 4:00~6:00、3月3日20:00~3月4日06:00、3月4日10:00~16:00以及3月4日20:00污染物浓度降低及消散的原因,可以看出水平和垂直扩散条件转好是污染物浓度下降的主要影响因素,边界层偏南风急流在PM2.5污染快速清除的过程中起着非常重要的作用[6]. 大气混合层高度是反映污染物垂直扩散的重要参数,是影响大气污染物扩散的主要气象因子[25].本研究基于地面气象观测,采用罗氏法计算了2月29日~3月5日的逐时混合层高度(图3).2月29日~ 3月3日混合层高度存在明显日变化,每日14:00~ 17:00出现最大值,6:00~8:00出现最小值,与图3中海淀站的PM2.5浓度呈明显负相关(混合层高度较高时,PM2.5浓度较低;混合层高度较低时,PM2.5浓度较高);3月4日重污染日混合层高度在1000m以下,在6:00混合层高度最低,为367.8m,3月5日清洁日混合层高度高达3000m.与图2对比可以发现,在3月2日12:00~18:00混合层高度升高是由边界层急流引起,大气扩散条件转好;3月5日冷空气主体侵入使混合层高度升高,强上升运动使堆积在近地面的污染物输送到空中,大气容积增加,垂直扩散条件转好.图4为2016年2月29日~2016年3月6日北京海淀站和怀柔站模式模拟与观测的PM2.5浓度变化曲线及散点拟合,表1为a=0.01时的显著性检验的统计量:F 是检验统计量;P-value显著性水平假定值;F crit是临界值;R是相关系数.通过对比站点模式模拟与观测的PM2.5浓度验证模型的模拟性能:从图4可以看出两站点模式模拟的浓度变化趋势和观测的趋势基本接近,模式能够模拟出PM2.5的浓度变化趋势.观测与模拟的海淀站相关系数为0.68,模型模拟出了5个峰值,相关系数较低主要是因为模式低估了3月2日、3月3日及3月5日的PM2.5峰值浓度水平;怀柔站相关系数为0.86,模式很好地模拟出污染趋势与5个峰值时间.模式模拟浓度偏低的原因可能有两个,第一个是排放源清单没有及时更新,在特定峰值时刻低估了排放量,造成模拟浓度偏低;第二个是地面观测站点受到局地偶然影响,提高了局地排放量,导致浓度偏低.由表1可以看出,站点在a=0.01显著性水平检验中,F>Fcrit, P-value<0.01,相关性极显著,因此模式模拟结果具有可靠性.为了追踪和分析本次重污染过程的污染物来源,利用GRAPES-CUACE伴随模式模拟估算造成此次重污染过程的关键排放源区及敏感排放时段,本文设置峰值浓度为关注的目标函数J [22].本次污染过程北京市平均PM2.5峰值浓度时刻在北京时间3月4日4:00时,峰值浓度为304.6μg/m3.故定义本次目标函数为北京市平均PM2.5峰值浓度,目标区域为北京市,目标时刻为北京时间3月4日4:00.通过目标函数J进行反向积分GRAPES- CUACE模式得到目标函数J关于污染排放源Q[]的污染敏感性数值,敏感性数值大小是污染过程浓度与污染源排放量的比值,可以直接反映污染源的控制效果.如公式:式中:是敏感性数值;J是目标函数;Q是污染排放源.敏感性数值越大,表明削减该污染排放源更能有效的减少目标区域污染物浓度,从而降低削减控制成本.为了更加客观地反映不同污染排放源对污染浓度的影响,定义敏感系数S0,如公式: 可以发现敏感系数和目标函数单位相同,通过量纲分析可知,敏感系数可为削减控制对象提供定量依据.如若对敏感性系数为S0的排放源削减N%,则目标函数浓度也将减少So×N%[30].图5是本次污染过程目标浓度关于PM2.5源排放的时间累积敏感系数分布,描述了目标时刻前一段时间(1h, 3h, 7h, 10h, 13h, 16h, 19h, 22h, 25h, 31h, 37h, 72h)污染排放源对目标地区污染浓度效果的累加.由图5可以看出,目标时刻前1~3h,敏感系数仅在1~3μg/m3,且由北京市向东北方向扩散;目标时刻前3~13h,随着逆时间次序累加,敏感系数明显增加、范围扩大,且向东北方向延伸;目标时刻前13~19h,敏感系数范围基本无明显变化,但是敏感系数仍在增加;目标时刻前19~31h,敏感系数范围又开始向南扩大,敏感系数数值仍不断增加,在目标时刻前31h敏感系数达到最大值12μg/m3;目标时刻前31~72h,敏感系数范围向西南方向扩展;在目标时刻前72h时,敏感系数分布已经包括河北东北部和南部、天津、山西东部、以及山东西北部.由图5可分析出,本次污染过程目标时刻的污染浓度主要受到北京、河北、天津、山西以及山东污染物排放的共同影响;在目标时刻前1~3h和31~72h时段的敏感系数数值增加但速率很小,这说明过早的源排放和过晚的源排放对目标时刻高浓度的PM2.5影响较弱;目标时刻前13~19h,虽然敏感系数仍在增加,但敏感系数空间分布范围基本无明显变化,且时间段前后扩散方向明显相反,地面风场有明显风向转变;在目标时刻前31h时,敏感系数达到最大,若从目标时刻前31h开始对敏感系数最大网格区域的污染源排放削减N%,则目标时刻北京市PM2.5平均浓度将下降12μg/m3·N%.图6为北京本地源和北京周边源逐时(a)及时间积累(b)敏感系数时间序列,可以反映出北京和周边源对本次污染过程目标时刻PM2.5 峰值浓度的逐时贡献和时间累积贡献大小.由图6(a)可知,随着逆时间次序的增加,北京和周边的逐时敏感系数都是呈先上升达到最大值后下降的态势,但二者的变化趋势又存在明显差异.PM2.5峰值浓度对本地排放源响应迅速,在目标时刻前1h本地源逐时敏感系数达到最大值,为7.08μg/m3,达到最大值后下降速率先快后慢再快,在3月3日11:00(目标时刻前17h)达到极小值,并在3月2日17:00(目标时刻前35h)左右降到0附近.周边源逐时敏感系数呈现明显周期性波动下降趋势图,波动周期约为24h.下降过程出现3个峰值,峰值时刻分别为3月3日20:00(目标时刻前8h)、3月3日3:00(目标时刻前25h)和3月2日3:00(目标时刻前49h),对应的敏感系数分别为7.08, 2.84,0.63μg/m3,周边源逐时敏感系数在3月1日16:00(目标时刻前60h)降到0附近.以上说明在目标时刻前4h内北京本地源贡献占主导地位,目标时刻前4~72h周边源贡献始终高于本地源,周边源贡献占据主导地位;本地源排放在目标时刻前1~35h 对目标时刻PM2.5峰值浓度影响较大,目标时刻前35~72h的影响迅速减弱;周边源贡献在目标时刻前1~60h对目标时刻PM2.5峰值浓度影响较大,周边源持续不断地向北京市输送污染物:其中在目标时刻前2~36h影响最为显著,目标时刻前60~72h的影响迅速减弱.由图6(b)可知,随着逆时间次序增加,北京本地源和周边源时间累积敏感系数都呈上升趋势,在3月3日22:00(目标时刻前6h)左右本地源和周边源时间累积敏感系数相交,本地源和周边源时间累积敏感系数分别在3月2日20:00(目标时刻前32h)和3月1日20:00(目标时刻前56h)趋于稳定,稳定后的时间累积敏感系数分别达到55.5,123μg/m3.以上表明,在3月3日22:00(目标时刻前6h)之前周边源时间累积敏感系数始终高于本地源,大约是本地源的2倍,说明在3月3日22:00(目标时刻前6h)之前周边源累积贡献占主导地位;周边源向北京地区输送的污染物是本地排放的2倍;3月3日22:00(目标时刻前6h)~3月4日4:00(目标时刻),北京本地源时间累积敏感系数高于周边源,本地源累积贡献占主导地位.图7是北京本地和周边排放源(天津、河北及山西省)对本次污染过程时间累积(a)和逐时(b)敏感系数的时间序列,本次污染过程的周边源主要包括天津北部、河北东部及山西东部的排放源.由图7(a)累积敏感系数可以看出,随着逆时间次序的增加,北京、天津、河北和山西的累积敏感系数都是上升到一定值后再趋于稳定的态势.在3月3日19:00(目标时刻前9h)左右北京本地源和河北省时间累积敏感系数相交,北京本地源、天津、河北及山西周边源时间累积敏感系数分别在3月2日20:00(目标时刻前32h)、3月2日16:00(目标时刻前36h)、3月1日20:00(目标时刻前56h)及3月1日17:00(目标时刻前59h)趋于稳定,稳定后的时间累积敏感系数分别达到55.5, 94.0, 20.8, 8.3μg/m3,目标时刻到3月3日6:00(目标时刻前22h)山西源贡献始终趋于0附近.由图可以说明,3月3日19:00(目标时刻前9h)~3月4日4:00(目标时刻)之间北京本地累积敏感系数最大,北京本地源排放占主导地位;在3月3日19:00(目标时刻前9h)之前河北的累积敏感系数最大,河北污染输送占主导地位;在3月3日6:00(目标时刻前22h)~3月4日4:00(目标时刻)期间山西的敏感系数基本接近于0,几乎没有向北京进行污染物输送;在目标时刻前72h内,河北、天津、山西污染源累积贡献分别是北京本地源的1.7, 0.38, 0.15倍,河北省对本次污染浓度累积贡献最多,北京本地源其次,山西最少.由图7(b)逐时敏感系数可以看出,河北、天津和山西的逐时敏感系数都呈现周期性波动,但又存在明显差异,说明周边不同省市对北京PM2.5峰值浓度的时段和程度影响不同.河北省逐时敏感系数波动过程中出现3次峰值,峰值时刻分别为3月3日20:00(目标时刻前8h)、3月3日3:00(目标时刻前25h)和3月2日3:00(目标时刻前49h),对应的敏感系数分别为6.16(最大值),1.99,0.29μg/m3,并于3月1日16:00(目标时刻前60h)趋于0μg/m3,河北省逐时敏感系数3次峰值时间和图6(a)中周边源的逐时敏感系数峰值时间相同,且河北省逐时敏感系数几乎始终高于天津市和山西省,说明河北省在周边源中占主导地位;天津逐时敏感系数同样出现3次峰值,峰值时刻分别为3月4日1:00(目标时刻前3h)、3月3日17:00(目标时刻前11h)和3月3日6:00(目标时刻前22h),对应的敏感系数分别为1.41(最大值), 1.1,0.42μg/m3,并于3月2日16:00(目标时刻前36h)趋于0μg/m3,始终没有超过2μg/m3,说明天津市对本次的排放输送影响较小;山西省的逐时敏感系数仅存在2次峰值,3月2日20:00(目标时刻前32h),为0.87μg/m3(最大值)及3月1日23:00(目标时刻前53h),为0.35μg/m3,并于3月1日16:00(目标时刻前60h)减少到0μg/m3附近,始终没有超过1μg/m3,说明山西省对本次的排放输送影响微乎其微.目标时刻PM2.5峰值浓度对北京本地源响应最为迅速;由于山西距离北京远,污染物短时间内输送不到北京,大约经过20h才输送到北京,所以对山西源的响应速度比河北源及天津源慢.图8是表示本地源与周边不同省市对目标时刻PM2.5峰值浓度时间累积敏感系数贡献百分比与逐时敏感系数贡献百分比.例如,由图8(a)时间累积敏感系数百分比可以看出,随着逆时间次序增加,天津、河北、山西累积贡献比例呈上升趋势,北京本地累积贡献比例呈下降趋势,达到一定比例时趋于稳定状态.越临近目标时刻,本地污染源排放贡献比例越高,周边省市污染源排放输送越少;在目标时刻时,北京本地、天津、河北及山西排放源对PM2.5峰值浓度的累积贡献比例分别为91.8%、3.8%、4.5%、0%,在目标时刻时,周边省市污染源输送。
京津冀地区大气PM_(2.5)污染时空分布特征及成因分析
京津冀地区大气PM_(2.5)污染时空分布特征及成因分析苏孟倩;石玉胜【期刊名称】《中国科学院大学学报（中英文）》【年(卷),期】2024(41)3【摘要】细颗粒物PM_(2.5)能够对人体健康和大气环境带来极大威胁。
京津冀地区是我国大气PM_(2.5)污染的重灾区之一。
基于PM_(2.5)浓度数据、自然因素数据和人类活动因素数据,采用克里金插值法和统计分析法探究2017年京津冀地区13个城市大气PM_(2.5)污染的时空分布特征,并采用相关分析模型和因子分析模型探究其成因。
结果表明,京津冀地区:1)PM_(2.5)浓度空间分布呈现“北低南高”的特点,南部和北部城市的年平均浓度梯度最高可达到64μg/m^(3);2)PM_(2.5)浓度时间分布呈现“冬高夏低”、“早晚高午后低”的特点,冬季PM_(2.5)浓度是夏季的1.3~2.8倍,四季PM_(2.5)浓度日较差介于11~29μg/m^(3);3)大气PM_(2.5)污染与自然因素关系密切。
地势地形影响PM_(2.5)的聚集、传输和扩散过程。
风速、日照时数和相对湿度是影响大气PM_(2.5)污染的主导气象因素,冬季PM_(2.5)浓度与气象因素的相关性最强;4)大气PM_(2.5)污染与人类活动关系密不可分,具体可归为:社会经济因素、工业污染排放因素和城市建设因素。
研究结果将有助于为京津冀地区大气污染防治查漏补缺。
【总页数】11页(P334-344)【作者】苏孟倩;石玉胜【作者单位】中国科学院空天信息创新研究院;中国科学院大学【正文语种】中文【中图分类】X51【相关文献】1.京津冀地区大气PM_(2.5)污染成因及对策研讨会在京召开2.气溶胶光学厚度与PM_(2.5)浓度的时空分布特征及其关系——以京津冀大气污染传输通道城市群为例3.渤海海峡邻近地区2019~2020年大气环境中PM_(2.5)质量时空分布特征研究及其相关性分析4.2015—2020年海南岛大气PM_(2.5)和PM_(10)的时空分布特征5.济南市大气PM_(10)、PM_(2.5)时空分布特征与城市街区形态关联分析因版权原因，仅展示原文概要，查看原文内容请购买。
水汽和风速对雾霾中PM_2_5_PM_10_变化的影响_王勇
了城市 PM2. 5 浓 度 特 征 及 其 影 响 因 素 的 分 析 研 究［4 － 7］。郭洁以成都为例研究了 GPS 水汽与大雾
天气 变 化 的 关 系， 通 过 水 汽 变 化 分 析 雾 形 成 原因［8］。
风是影响 PM2. 5 / PM10 横 向 水 平 移 动 的 关 键 要 素，水汽（ 可降水量） 是影响 PM2. 5 / PM10 垂直运动 的因素。我们针对雾霾天气过程研究了 GPS 可降
表 1 GPS PWV、风速与 PM2. 5 / PM10 的相关性 时间 PM2. 5 ＆PWV PM10 ＆PWV PM2. 5 ＆ 风速 PM10 ＆ 风速 061 － 072 0. 483 5 0. 507 3 － 0. 310 4 － 0. 095 2
321 － 333 0. 511 7 0. 435 8 － 0. 414 8 － 0. 327 1
1期
王勇，等： 水汽和风速对雾霾中 PM2. 5 / PM10 变化的影响
7
关键要素，两 者 呈 显 著 正 相 关。 水 汽 的 上 升 对 应 了 PM2. 5 / PM10 质量浓度的上升，原因分析如下：
（ 1） 水汽的增加能促进二氧化硫、氮氧化物被 氧化成 SOA（ SOA 是指直接排放的污染物与大气中 物质反应 后 生 成 的 二 次 污 染 的 颗 粒） ，从 而 提 高 PM2. 5 / PM10 浓度。
（ 2） 当水汽上升时，臭氧与有机物发生化学反 应生 成 大 量 的 微 颗 粒， 而 该 微 颗 粒 属 于 PM2. 5 / PM10 。因 此， 在 水 汽 上 升 时， 臭 氧 浓 度 下 降， PM2. 5 / PM10 浓度上升。
北京地区PM_2_5_的成分特征及来源分析
北京地区PM2.5的成分特征及来源分析X徐敬1)2)丁国安1)颜鹏1)王淑凤1)孟昭阳1)张养梅1)刘玉彻1)张小玲2)徐祥德1)1)(中国气象科学研究院中国气象局大气成分观测与服务中心中国气象局大气化学重点开放实验室,北京100081)2)(中国气象局北京城市气象研究所,北京市气象局大气成分观测与分析中心,北京100089)摘要选用2003)2004年初PM2.5连续观测资料,统计分析了北京地区PM2.5的特征、PM2.5与PM10以及PM2.5与地面气象要素的相互关系。
结果表明:四季中夏季PM2.5浓度最低,冬、春两季浓度较高。
PM2.5与PM10比值平均为0.55,非采暖期两者比值为0.52,采暖期两者比值为0.62;夏季该比值主要分布在0.3~0.6之间,春、秋两季该比值分布在0.3~0.8之间,冬季采暖期该比值分布在0.4~0.9之间。
PM2.5与PM10比值日变化与气象条件日变化、人们日常生活习惯密切相关,沙尘天气和交通运输高峰期扬起地面粗颗粒物会导致PM2.5在PM10中的比例下降,而冬季取暖以及夏季光化学反应则会引起PM2.5的比例升高。
PM2.5的浓度与地面气象要素中本站气压、相对湿度和风速有很好的的相关性,与气温的相关性较差。
SO42-,N O3-和NH4+为北京地区PM2.5中主要离子。
PM F源解析方法确定了北京地区5类细粒子污染源,分别是:土壤尘、煤燃烧、交通运输、海洋气溶胶以及钢铁工业。
关键词:北京地区;PM2.5;元素;PM F引言可吸入颗粒物PM10是我国大部分城市的主要空气污染物质之一,特别在北京已经成为最主要的空气污染物[1]。
由北京市环保局发布的空气质量日报可知,近两年来,全年中PM10占首要污染物的天数接近90%。
国外大量研究表明,PM2.5在PM10中占有很大比例,污染越重的地区PM2.5与PM10的比值也越大,据美国和加拿大几个城市报导:污染较轻的城市PM2.5与PM10比值在0.3~0.4之间,污染较重的城市该比值在0.5~0.7之间。
大气物理顶刊ACP
大气物理顶刊ACP近年来，国家逐步采取了系列严格的大气污染排放管控措施，SO2和NOX的排放有所减少，PM2.5浓度下降，但我国东部的近地面O3浓度快速增加，特别是夏季，东部地区呈现强的大气氧化能力。
在强大气氧化性下，霾污染形成的大气物理与化学机制有待明确。
在国家重点研发计划项目资助下，辛金元研究组构建了大气边界层物理与化学耦合观测系统，实现了边界层气象要素与大气化学成分高时间分辨率同步探测。
研究发现，在夏季强大气氧化能力下，边界层大气物理与大气化学过程的协同作用导致北京地区出现严重霾污染。
夏季强的南风污染物输送是北京霾污染发生的主要原因之一，PM2.5浓度可在短时间内增加到75μgm-3。
白天O3浓度逐渐从67μgm-3持续增加至250μgm-3，并维持较高浓度水平，在强大气氧化能力下，硫氧化率一值维持较高水平，氮氧化率从0.09增加到0.26，大量的硫酸盐和硝酸盐通过大气化学过程产生，细颗粒物浓度继续增加，气溶胶辐射强迫效应与边界层相互作用开始显现，大气稳定性增加。
夜间，污染物传输停止，近地面形成约400m高度的稳定边界层，极低的湍流动能抑制了颗粒物和水汽的扩散，导致近地表PM2.5和相对湿度大幅上升。
同时，在高湿强氧化性环境下，湿颗粒表面的多相水解反应非常显著，二次颗粒物发生爆发式增长；氮氧化率NOR从0.26迅速增加到0.60，硝酸盐浓度从11.6μgm-3急剧增加到57.8μgm-3；PM2.5浓度达到150μgm-3，地面高浓度细粒子污染一直可持续到第二天上午8:00时。
随着大气湍流动能增加，上午10:00时左右稳定边界层打破，污染物得以对流扩散，浓度快速下降。
研究表明，在夏季高湿强氧化性城市环境中，白天强烈的大气光化学过程导致O3浓度与二次粒子快速上升，夜间稳定边界层内会导致以硝酸盐为主的二次细粒子爆发增长，发生严重的霾污染。
当前，需要加强对氮氧化物和挥发性有机化合物的协同控制来降低大气氧化能力，同时不断深化区域大气污染联合防控仍是京津冀大气污染治理的当务之急。
北京地区冬春PM_2_5_和PM_省略_水平时空分布及其与气象条件的关系_赵晨曦
第35卷第2期2014年2月环境科学ENVIＲONMENTAL SCIENCEVol．35，No．2Feb．，2014北京地区冬春PM 2.5和PM 10污染水平时空分布及其与气象条件的关系赵晨曦，王云琦*，王玉杰，张会兰，赵冰清（北京林业大学水土保持学院，水土保持与荒漠化防治教育部重点实验室，北京100083）摘要：北京2012 2013年的冬春多次出现雾霾天气，可吸入颗粒物（PM 10）污染严重．而PM 2.5作为PM 10中粒径较小的部分，在PM 10中所占比重越高，污染越严重．因此，本研究选取了能够覆盖北京所有区县的30个PM 2.5和PM 10的质量浓度监测点，对该地区的PM 2.5和PM 10污染特征进行分析，确定其空间差异特征和时间性变化特征．普通克里格插值（Original Kriging ）法得到的北京地区冬、春季颗粒物浓度分布图显示，颗粒物浓度从北部山区到南部地区逐渐递增，在中心城区处，西部高于东部，且局部地区存在一定的城乡差异．颗粒物浓度月变化曲线呈单峰单谷型，1月最高，4月最低；逐日变化反映了PM 2.5和PM 10浓度具有较好的相关性，且受气象条件影响显著；日变化呈双峰趋势．本文选取日平均气温（ħ）、相对湿度（%）、风速（风级）、降水量（mm ）等气象因子，利用Spearman 秩相关分析研究各个气象因子对大气PM 2.5和PM 10浓度的影响．北京冬季PM 2.5和PM 10的质量浓度分别与气温、相对湿度正相关，与风速负相关，风速和相对湿度是影响污染物质量浓度分布的主要因素．关键词：PM 2.5；PM 10；污染水平；时空分布；气象条件中图分类号：X51文献标识码：A文章编号：0250-3301（2014）02-0418-10收稿日期：2013-05-24；修订日期：2013-10-17基金项目：国家林业公益性行业科研专项（20130430103）作者简介：赵晨曦（1990 ），女，硕士研究生，主要研究方向为水土保持，E-mail ：kakaanew@ *通讯联系人，E-mail ：wangyunqi@bjfu．edu．cnTemporal and Spatial Distribution of PM 2.5and PM 10Pollution Status and theCorrelation of Particulate Matters and Meteorological Factors During Winter and Spring in BeijingZHAO Chen-xi ，WANG Yun-qi ，WANG Yu-jie ，ZHANG Hui-lan ，ZHAO Bing-qing（Key Laboratory of Soil and Water Conservation ＆Desertification Combating of Ministry of Education ，School of Soil and Water Conservation ，Beijing Forest University ，Beijing 100083，China ）Abstract ：Fogs and hazes broke out many times in winter and spring of 2012-2013in Beijing ，inducing severe pollution of respirable particulate matters （PM 10）．As a fine particle component in PM 10，PM 2.5would cause more severe air pollution if the proportion of PM 2.5to PM 10is high．Based on this ，30monitoring stations recording the concentration of PM 2.5and PM 10all over Beijing were selected ，and the contamination characteristics of particulate matters were analyzed ，which further served to determine the characteristics of temporal and spatial pollution variations of PM 2.5and PM 10．The distribution of PM 2.5and PM 10mass concentration in winter and spring in Beijing were derived by the Original Kriging interpolation method ，and it was depicted from the figure that the concentration of particulate matters gradually increased from the northern mountain area to the southern part of Beijing ；in the central urban area ，the particulate concentration of the western region was generally higher than that of the eastern region ，with certain differences between urban and rural area within some local areas．Monthly variation curve of PM 2.5and PM 10mass concentration showed single peak-valley pattern ：the maximum was in January and the minimum was in April ；daily variation indicated a good correlationbetween PM 2.5and PM 10，both of which were significantly influenced by meteorological conditions ；diurnal variation curve showed a double peak-valley type．Meteorological factors such as daily average temperature （ħ），relative humidity （%），wind speed （windscale ），precipitation （mm ）were chosen and their individual relationships with concentrations of PM 10and PM 2.5were investigated using Spearman rank correlation analyses．It was demonstrated that the concentrations of PM 10and PM 2.5were positively correlated with temperature and relative humidity ，respectively ，and strongly negatively correlated with wind speed ；wind speed and relative humidity were two key factors affecting the distributions of PM 2.5and PM 10concentration．Key words ：PM 2.5；PM 10；pollution levels ；temporal and spatial distribution ；meteorological condition工矿业发展、机动车尾气排放以及大量化石燃料的燃烧使得空气质量愈发恶化，城市大气环境质量的评价及污染防治已成为大气污染研究和城市气候研究领域的主要课题之一［1］．在各项空气污染指标中，北京地区以颗粒物污染问题较为显著．根据中华人民共和国环境保护部公布数据显示：2008DOI:10.13227/j.hjkx.2014.02.0132期赵晨曦等：北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系2012年北京市首要污染物为可吸入颗粒物（PM10）的天数占本年度非Ⅰ级天数的比例均在95%以上，PM10已成为北京市最主要的空气污染物［2］．PM2.5作为PM10中粒径较小的部分，对人体健康和大气环境的危害更为突出［3，4］，逐渐成为人们重点关注和研究的热点问题．研究发现，PM2.5能显著降低大气能见度［5，6］，且PM2.5在PM10中所占比重越高，污染越严重．根据对北京定陵清洁区大气降尘、总悬浮颗粒物（TSP）及可吸入颗粒物（PM10）等历史监测数据的研究显示，大气颗粒物总体呈下降趋势，年际短期变化受沙尘天气影响较大［7］．然而，以往研究主要局限于北京个别监测点，很难对北京地区的颗粒物污染水平及空间分布特征进行整体评价．贺克斌等［8］仅以清华大学环境系二楼平台作为连续观测点，代表城区颗粒物污染情况．蒲维维等［9］则分别以北京宝联站和北京上甸子区域大气本底站代表城区和郊区颗粒物浓度水平．赵文慧等［10］虽然选取了多个采样点对北京PM0.3、PM3.0和PM5.0的分布进行了插值分析，但主要集中于中心城区处，实际上并未覆盖整个北京地区，且研究对象较集中于细颗粒物．而本研究选取了北京市30个PM2.5和PM10的质量浓度监测点，覆盖了北京地区所有区县，利用普通克里格插值（Original Kriging）法分析该区域内PM2.5和PM10污染特征的空间特性，将北京地区冬春季节的PM2.5和PM10浓度分布进行对比．此外，研究表明某些不利气象条件会显著加重颗粒物污染过程．Tai等［11］发现温度、相对湿度、降水和大气循环等条件能够较好地解释北美地区PM2.5浓度的变化情况，而较粗粒子（PM2.5 10，PM10）的相关性比PM2.5更加明显［12］．因此，本研究选择污染较为严重的2012年冬季，筛选北京市各个监测点的PM2.5和PM10质量浓度信息，并结合不同气象因子［气温（ħ）、相对湿度（%）、风速（风级）、降水量（mm）等］对颗粒物浓度的影响，揭示颗粒物污染与气象条件之间的关系．1材料与方法1.1监测点的选择与数据的收集根据北京市环境保护监测中心网站（http：// www．bjmemc．com．cn）提供的监测点信息，选取能够覆盖北京市所有区县的30个空气污染监测站点，各个监测点信息及位置分布情况见图1．分别收集以上监测点2012年12月 2013年5月的PM和PM质量浓度的24h日均值以及1.东城东四；2.东城天坛；3.西城万寿西宫；4.西城官园；5.朝阳奥体中心；6.朝阳农展馆；7.海淀万柳；8.海淀北部新区；9.海淀植物园；10.丰台花园；11.丰台云岗；12.石景山古城；13.房山良乡；14.房山琉璃河；15.大兴黄村；16.大兴亦庄；17.大兴榆垡；18.通州新城；19.通州永乐店；20.顺义新城；21.昌平镇；22.昌平定陵；23.门头沟龙泉镇；24.平谷镇；25.平谷东高村；26.怀柔镇；27.密云镇；28.密云水库；29.延庆镇；30.延庆八达岭图1北京市各区县PM2.5和PM10质量浓度监测点Fig．1Monitoring sites of PM2.5and PM10massconcentration in each district of Beijing2012年12月PM2.5及PM10的实时浓度值（即小时平均值）．收集各区县实时气象因子数据，选取气温（ħ）、相对湿度（%）、风速（风级）、降水量（mm）等气象因子，收集并记录2012年12月各个气象因子的小时平均值和日平均值．气象数据主要摘自中国天气网（http：//www．weather．com．cn）．1.2数据处理方法通过数据的整理计算，得到2012年12月2013年5月各监测点PM2.5和PM10质量浓度的月均值，并以此为依据利用Arc GIS9.3软件进行插值分析，通过已知点的颗粒物浓度得到整个北京地区颗粒物浓度的空间分布特征．颗粒物的时间分布特征主要通过SPSS18.0软件整理分析．结合各区县分布，将北京地区划分为5个区域，以对比颗粒物浓度的区域差异．此外，整理各区县2012年12月PM2.5、PM10各个气象因子的小时平均值，用于颗粒物质量浓度和气象因子的相关关系的研究．914环境科学35卷1.2.1插值方法的选择在对污染物浓度分布及变化情况进行研究时，常利用插值法，通过已知点的浓度数据计算同一区域内其他未知点的数据，从而推导出整个区域的分布情况．随着GIS技术的不断发展，空间数据插值的应用越来越广，人们在研究工作中对空间数据插值的质量要求也逐渐提高．在众多的插值方法中，晏星等［13］基于不同插值方法研究了北京内部城区PM1的浓度分布情况，将反距离加权插值法（IDW），普通克里格插值法（Original Kriging）和样条函数插值（SPLINE）这3种空间插值方法进行了对比．结果表明，克里格插值较为灵活，能够充分利用数据探索性分析工具，有效地提高空间插值分析的效率，利用已知样点的统计特征，量化各测量点之间的空间自相关性，并且对正态数据的预测精度最高［13］．克里格插值较好地表明了预测区域范围内的污染物的空间分布情况，突出了总体的分布趋势，最接近观测值．因此，本研究利用Arc GIS9.3软件，选择普通克里格法进行插值，得到北京地区冬春季节PM2.5和PM10的质量浓度分布．1.2.2相关性分析方法的选择关于不同大气污染物浓度（气体、颗粒物）与气象因子之间的关系研究已有大量工作［14］，短时效的污染预报也取得了一定的成绩［15］．然而由于气象因子的多变性与不可控性，造成了颗粒物浓度变化的复杂性，因此对于二者之间相关性的研究十分必要．在过去的研究中，一般把污染物浓度与气象要素之间的相关关系看作线性关系，用线性关系来反映二者依赖关系．然而此种方法具有一定的局限性，对污染物浓度数据的收集情况有较高的要求，不具有普遍适用性，且其研究结果是否准确也是一个值得分析的问题［16］．周江兴［16］用非线性回归方程来描述污染物浓度与气象要素之间的依赖关系，使污染物浓度与气象要素之间的相关性有了明显的提高．然而，非参数分析方法（如Spearman秩相关系数）能提供2个随机变量在线性相关或非线性相关下的共变趋势程度，因此能够更加客观地反映出气象因素与颗粒物质量浓度之间的真实相关关系［17］．目前，利用非参数分析方法研究气象因素对不同粒径颗粒物影响的分析较为少见．本研究利用SPSS 18.0软件进行数据处理，将2012年12月各个区县PM2.5及PM10的实时浓度值标准化，并进行正态性检验．检验结果不符合正态分布，因此采用非参数分析即Spearman秩相关系数统计分析方法进行PM2.5、PM10质量浓度与对应气象因子的相关分析更为合理．Spearman秩相关分析能有效克服Pearson积矩相关系数只适合描述线性相关关系的缺点，提供2个随机变量在线性相关或非线性相关下的共变趋势程度，适用性比相应的参数方法更好．同时，在对总体分布不明确和总体信息缺乏的情况下，非参数分析方法能可靠地获得结论［18］．2结果与分析2.1冬春PM2.5和PM10空间分布特征2.1.1整体分布特征利用北京冬季和春季各区县监测点（共30个）PM2.5和PM10的污染物平均值，进行普通克里格插值分析，得到了4张北京市颗粒物浓度预测分布图，结果如图2所示．从整体来看，冬春季节的颗粒物浓度具有以下特征：第一，冬春季节颗粒物浓度在标尺区间段存在一定差异．PM2.5和PM10质量浓度的最小值在两个季节下相差不大，但冬季最大值可达到春季最大值的1.5倍左右，因此冬季的标尺区间段数比春季要多，可以更好地体现区域内颗粒物分布的差异特征．第二，冬季的颗粒物浓度整体水平显著高于春季，高浓度颗粒物覆盖区域所占面积更大，颗粒物更易富集．2012年冬季和2013年春季PM2.5的平均浓度分别达到（122.86ʃ2.22）μg·m－3和（86.88ʃ1.17）μg·m－3，PM10的平均浓度分别达到（148.60ʃ2.67）μg·m－3和（127.99ʃ1.49）μg·m－3，均远远高于了我国将于2016年正式实施的国家标准．第三，颗粒物分布的浓度梯度特征明显．在全北京范围内，PM2.5和PM10浓度从北部山区到南部地区逐渐递增，以密云水库处最低，房山琉璃河处最高．中心城区处，西部城区略高于东部城区．第四，颗粒物浓度在局部地区反映了一定的城乡差异，人口较为密集、污染源较多的城镇略高于植被覆盖条件较好、具有一定自净能力的乡村地区．由于冬季颗粒物浓度的区间段划分更细，因此差异体现得更为清晰，例如图2（a）和2（b）中的海淀北部新区和海淀植物园，以及平谷镇和平谷东高村．2.1.2区域特征结合各个区县的分布，可依次将整个北京地区划分为城六区、西南部、东南部、东北部和西北部这5个区域．具体包含区县及各区域颗粒物浓度特征见表1．可以看出，冬春季节各个区域PM2.5和PM质量浓度由高到低的顺序均为：西南部＞东南0242期赵晨曦等：北京地区冬春PM 2.5和PM 10污染水平时空分布及其与气象条件的关系图2北京PM 2.5、PM 10的质量浓度差异Fig．2PM 2.5and PM 10mass concentration distribution in Beijing部＞城六区＞东北部＞西北部．2.1.3成因分析北京地区的颗粒物浓度差异特征主要受北京市的地形特征、气候条件和水域环境等原因所限．从地形上看，北京市位于华北平原西北边缘，西部与北部为山地丘陵，中部与东部为平原，地势自西北向东南倾斜．山地丘陵自西、北和东北三面环抱北京城所在的小平原．“北京湾”的特殊地形使得北京地区山谷风明显，特别是山丘区地势起伏明显，沿山间河谷等地区容易形成较周围地区风速明显偏大的风口，使得颗粒物能够快速疏散，有助于降低PM 2.5及PM 的平均浓度．因此，该种地形条件是造成北京124环境科学35卷颗粒物污染南北差异的原因之一．从气候来看，冬季北京地区气候寒冷，干燥少雨，每年从11月下旬到翌年2月几乎完全受来自西伯利亚的干冷气团控制，以北风、西北风为主．大量颗粒物随气流被夹带到了南部区县，加之平原地区风力有所减弱，因此在该地区得到了积累，造成了PM2.5及PM10的平均浓度的居高不下．而春季多为东南风为主，对于南北浓度梯度有一定的减弱作用．这是造成北京颗粒物浓度分布冬春季节差异的主要原因之一．冬春季节的主要风向可见图3．此外，北京西北部广泛分布着官厅水库（延庆与河北交界处）、白河堡水库（延庆境内）、密云水库（密云境内）、十三陵水库（昌平境内）和怀柔水库（怀柔境内）等水域环境，更有利于调节大气颗粒物等污染状况．由于水域环境的存在，该区域范围内有更温和的气候条件和更好植被覆盖程度，更有助于移除大气中的颗粒物．表1各区域颗粒物质量浓度的特征值Table1Eigenvalues of the mass concentration of the particulate matters in each district区域包含区县冬季春季PM2.5/μg·m－3PM10/μg·m－3PM2.5/μg·m－3PM10/μg·m－3城六区东城、西城、朝阳、海淀、丰台、石景山126．30ʃ3．56156．80ʃ4．1389．49ʃ1．81134．42ʃ2．43西南部房山、门头沟160．27ʃ8．11193．66ʃ10．3495．71ʃ3．96146．60ʃ5．04东南部大兴、通州148．74ʃ5．88176．32ʃ7．1995．35ʃ3．07134．56ʃ3．59西北部昌平、延庆87．34ʃ4．36104．10ʃ5．4076．47ʃ2．95106．36ʃ3．44东北部顺义、平谷、怀柔、密云106．20ʃ4．08131．34ʃ4．7376．74ʃ2．45113．17ʃ2．81图3北京市冬春季节风向玫瑰图Fig．3Wind direction rose map of Beijing in winter and spring2.2冬春PM2.5和PM10时间分布特征2.2.1PM2.5和PM10的月变化特征根据2012年12月 2013年5月北京地区各个区县监测点的PM2.5及PM10的月平均浓度数据可得到图4．可以看出，不论是全北京还是局部区域，颗粒物浓度月变化曲线均呈单峰单谷型，且总体趋势基本相同，均在1月最高，4月最低，其中以PM2.5浓度变化更为明显．就各个区域来说，西南部和东南部趋势较为接近、西北部和东北部较为接近，而城六区位于市中心接近南、北均值，基本可以代表整个北京的颗粒物月变化水平．该种月变化形式的产生原因主要有以下3点．①随着冬季供暖期的开始，燃煤等能源消耗显著增加，由此产生的人为颗粒物源也随之增加，造成颗粒物排放显著增加，在1月隆冬时节达到最高．此后，随着冬季结束天气转暖，颗粒物浓度逐渐降低，在4月时降到最低．②雾霾天气在北京冬季更易形成，而随入春以来气候条件的改善，雾霾天气次数明显减少，降低了颗粒物滞留的可能性，从而使颗粒物浓度水平降低．③落叶植被的抽枝发芽，使得叶面积显著增加，湿润且具有一定粗糙度的叶片最利于颗粒物的吸收和滞留，因此也能有助于降低大气中的颗粒物．2.2.2PM2.5和PM10的逐日变化特征根据2012年12月 2013年5月北京地区各个区县监测点的PM2.5及PM10的每日24h平均浓度的监测数据可得到图5．从中可以看出，PM2.5和PM10的质量浓度每日变化差异情况，二者有较好的相关性（Spearman秩相关系数为0.867，P＜0.01），且日波动范围较大．最小值在20μg·m－3以下，最大值则可达到400μg·m－3以上，最大值可达最小值的20倍．如此波动巨大的日变化情况主要受该地区大气环境的气象因素影响．较小值一般出现在降水和强风天气过后，而较大值则出现在连续的低压、无风、较高相对湿度的雾霾天气下．这主要是由于颗粒物可以随降水过程通过湿沉降沉降下来，或是在强风作用下迅速扩散．而在无风、高湿的雾霾天气下，颗粒物多附着、溶解或混合于雾气之中，不但得不到有效的扩散和去除，还易与其他污染物发生化学反应，增加二次气溶胶产生的可能性．2.2.3PM和PM的日变化特征2242期赵晨曦等：北京地区冬春PM 2.5和PM 10污染水平时空分布及其与气象条件的关系误差线：95%Cl ，下同图4北京市PM 2.5、PM 10的质量浓度月变化情况Fig．4Monthly variation of PM 2.5and PM 10mass concentration inBeijing图5北京市PM 2.5和PM 10的质量浓度逐日变化情况Fig．5Daily variation of PM 2.5and PM 10mass concentration in Beijing根据2012年12月北京地区各个区县监测点PM 2.5及PM 10的每天实时浓度的监测数据可得到全北京及各个区域的日变化图．由于各个区域日变化规律差异不大，仅以全北京为代表进行分析，见图6．从中可以看出，从00：00 23：00的每小时PM 及PM 10质量浓度随时间的浮动变化．总体来说，二者的变化区间段分别在70 100μg·m －3及100 130μg ·m －3左右浮动．从日变化规律来看，大体呈双峰趋势．PM 10的质量浓度在清晨05：00 07：00左右最低，随着太阳逐渐升起，辐射量增加、空气温324环境科学35卷度升高，人们开始外出活动，污染排放开始累积，因此颗粒物浓度也随之升高，并在上午上班高峰后，太阳辐射最强的10：00 12：00左右达到一个小高峰．午后，太阳辐射有所减弱，大气及地面的累积温度继续升高，局部温度差异增大，空气流动性增强，使得颗粒物浓度随之稍稍有所缓解．然而由于下午人类活动的增加、下班晚高峰的到来以及城市夜生活的各种能源消耗，颗粒物污染再次呈攀升趋势，直至晚19：00 21：00达到一天中的峰值．此后，随着夜晚的到来，PM 10浓度逐渐降低．PM 2.5质量浓度的日变化与PM 10基本相似，但从00：00开始变化趋势较为滞后，午间波动较为和缓，且颗粒物高峰时段过后，随时间的降低较PM 10更为缓慢，这与其自身不易沉降的特性也有一定关系．图6北京市PM 2.5和PM 10的质量浓度日变化情况Fig．6Diurnal variation of PM 2.5and PM 10mass concentration in Beijing2.3PM 2.5和PM 10质量浓度与气象因子的相关性气象条件对污染物的扩散、稀释和积累作用已得到普遍公认［19，20］，因此，在污染物一定的条件下，气象因子的选择对研究其与污染物质量浓度的关系至关重要．气温、相对湿度、风速等气象条件对于PM 2.5和PM 10的污染程度有着很重要的影响．而考虑到北京市大气降水主要集中在夏季，冬季降水并不多且不连续，在进行Spearman 秩相关分析求秩时可能会出现很高的同分率，从而对检验结果产生不利影响．故在对颗粒物质量浓度与气象因素的Spearman 秩相关分析时，不考虑降水因素，仅以相对湿度代替．由表2可以看出，PM 、PM 的实时浓度与对应的气温、相对湿度显著正相关，而与风速显著负相关．此外，北京市冬季相对湿度与风速呈显著负相关（Spearman 秩相关系数为－0.583，P ＜0.01）．表明当风速较小时，相对湿度较大，该条件有利于大气近地面层保持稳定状态，逆温强度增大，从而不利于PM 2.5、PM 10等污染物在垂直和水平方向的扩散，加重了颗粒物的积聚污染，使其质量浓度居高不下．而且当冬季气温和相对湿度均处于较高水平时，经常会伴有雾产生［21］，北京市冬季大雾出现的频率占全年大雾日的27.1%［22］．在该种气象条件下，悬浮的雾滴不仅极易吸附气态污染物，也易捕获空气中的颗粒物污染物，并有利于二次粒子的转化形成．由表2还可看出，PM 10与气象因子的相关系数比PM 2.5与气象因子的较大，说明冬季气象因子对较大颗粒污染物质量浓度的影响比对细颗粒显著．原因是在冬季相对湿度增大，风速减小和逆温层加厚等不利气象条件时，粗、细粒子都会发生持续累积，质量浓度均升高．然而，当气象条件转好，利于颗粒物沉降或扩散时，粗粒子比细粒子更易去除，其输送、迁移和沉降的效果均好于细粒子，因此质量浓度降低趋势比细粒子的显著．因此，PM 10的质量浓度对相应温、湿度的响应较好．表2冬季颗粒物质量浓度与气象因素的Spearman 秩相关系数1）Table 2Spearman correlation matrix between PM massconcentration and meteorological parameters in winter项目气温相对湿度风速PM 10实时浓度0.290＊＊0.672＊＊－0.423＊＊PM 2.5实时浓度0.269＊＊0.656＊＊－0.410＊＊PM 2.5/PM 100.1740.583＊＊－0.391＊＊1）＊＊表示在置信度（双侧）为0.01时，相关性是显著的3讨论3.1插值误差插值结果受采样点范围、采样点密度、采样点属性取值变化以及各自的参数影响．采样点的空间位置对空间差值的结果影响很大，理想的情况是在研究区内均匀分布［23］．研究显示，当使用不同空间内插方法进行插值时，所得结果在采样点分布密集的区域差异较小，而在采样点分布稀疏的区域则差异较大［10］．但不管用哪一种插值方法，均有误差产生．空间插值不能完全代替观测数据，在有一定数量的观测数据的基础上，插值结果才会更逼近真实值．本研究所选的30个采样监测点在中心城区较为集中，而在近郊区县分布较少．因此，在对北京外4242期赵晨曦等：北京地区冬春PM 2.5和PM 10污染水平时空分布及其与气象条件的关系围区县的颗粒物浓度预测时不可避免地造成了一定的误差．图7是根据北京地区春季PM 2.5平均质量浓度进行普通克里格插值过程所产生的标准误差预测图，可以反映在整个研究区内插值结果的可靠性．可以看出，中心城区由于监测点较多，预测标准误较小，而监测点较少的北京周边地区，预测标准误较大．在房山区西南边缘处达到最大值11.02μg·m －3．导致该区域标准误较大的原因主要有：首先，区县内监测点数量仅有两个，且均位于房山区东部，而房山区所占面积较大，因此对该区县西部的预测存在较大的误差；其次，该地区位于北京西南处，整体污染水平较高，不同气象条件下颗粒物浓度差异较大，数据变化性和离散程度较高，造成样本统计量不能很好地体现总体统计量；最后，该区域监测点的数据具有一定的缺失值，可能对本区域的标准误具有一定影响．图7北京市春季PM 2.5的质量浓度进行克里格插值产生的标准误差预测图Fig．7Prediction standard error map of PM 2.5mass concentration in spring in Beijing3.2相关研究对比相较于我国其他发达地区，北京市的颗粒物污染程度也较为严重．北京PM 2.5和PM 10的冬春平均质量浓度分别为102.95μg·m －3和136.91μg ·m －3，且二者存在较好的相关性，Spearman 秩相关系数为0.867，P ＜0.01．二者的比值范围为0.31 0.96，均值为0.72．PM 2.5占PM 10组成中的绝大部分，起到主导作用，这与其他城市、地区相关研究报道相似．上海区县和临安本底站PM 2.5平均质量浓度分别为（131.6ʃ65.2）μg ·m －3和（83.5ʃ22.9）μg·m －3［24］．广州冬季PM 2.5日均值浓度为69μg·m －3，霾日期间PM 2.5日均值浓度为72μg·m －3［25］．台湾高雄的PM 2.5和PM 10的日均质量浓度分别为（68ʃ24）μg·m －3和（111ʃ38）μg ·m －3，二者之比为0.62ʃ0.1［26］．香港的PM 2.5和PM 10的日均质量浓度分别为（31.12ʃ7.31）μg·m －3和（49.71ʃ12.28）μg ·m －3，二者之比为0.63［27］．PM 2.5在PM 10中所占比重越高，危害越严重．因此，可以通过调控PM 2.5的质量浓度来降低PM 10的质量浓度．虽然北京区县PM 2.5已经成为PM 10的主要组成部分，但是粗粒子（PM 2.5 10）在PM 10中仍占相当的份额．Zhang 等［28］通过北京大气中的钙离子分析，发现粗粒子中钙离子的主要来源是建筑尘．北京近期的大规模地铁、工程建设可能是产生粗粒子的重要原因，同时也可以说明目前仍然可以通过控制粗粒子的浓度来降低PM 10的浓度．因此，对于减轻北京市颗粒物污染的问题需要做到粗、细粒子双管齐下，预防和治理结合，制定行之有效的调控措施．以往研究亦可表明，PM 2.5和PM 10的质量浓度会呈现季节性变化，且供暖期与非供暖期之间也存在着显著的差异［29］．一般来说，北京冬季供暖期SO 2污染较为严重，PM 2.5的平均质量浓度冬季最高，晚春、夏天和早秋则最低［30］．Shi 等［31］研究发现，北京区县夏季PM 2.5的平均质量浓度为（46ʃ28）μg·m －3，PM 10的平均质量浓度为（68ʃ33）μg ·m －3，二者的比为0.68．其浓度均值几乎是冬季的一半，主要由于夏季大气环境不稳定，雨水丰沛，植被覆盖程度高，利于颗粒物扩散或沉降．而受冬季供暖，春季风沙等污染源因素的影响，冬春季节下颗粒物浓度普遍偏高．3.3气象因子的影响有研究表明，冬季近地层大气环境较稳定，PM 2.5和PM 10的质量浓度与气象因子的相关性在四季中最高［15］．较高的相对湿度利于大气颗粒物在水汽上附着，使得颗粒物质量浓度增加．湿度大的天气多存在逆温现象，使空气中的颗粒物不易扩散，容易形成雾罩，而雾罩会更加抑制颗粒物扩散．风524。
北京地区一次PM2.5重污染过程的边界层特征分析
第24卷第1期2019年1月气候与环境研究Climatic and Environmental ResearchV ol. 24, No. 1Jan. 2019贺园园, 胡非, 刘郁珏, 等. 2019. 北京地区一次PM2.5重污染过程的边界层特征分析 [J]. 气候与环境研究，24 (1): 61−72. He Yuanyuan, Hu Fei, Liu Yujue, et al. 2019. Boundary layer characteristics during a heavy PM2.5 pollution process in Beijing [J]. Climatic and Environmental Research (in Chinese), 24 (1): 61−72, doi:10.3878/j.issn.1006-9585.2018.18057.北京地区一次PM2.5重污染过程的边界层特征分析贺园园1, 2胡非1, 2刘郁珏3刘磊11中国科学院大气物理研究所大气边界层物理与大气化学国家重点实验室，北京1000292中国科学院大学，北京1000493中国气象局北京城市气象研究所，北京100089摘 要 利用北京市环境保护监测中心和美国大使馆的细颗粒物（PM2.5）逐时监测数据，中国科学院大气物理研究所325 m气象梯度塔资料以及实况天气图和探空资料，对2015年11月27日至12月1日北京的PM2.5重污染过程的边界层特征进行了分析。
研究发现：这次重污染过程持续时间长、强度大，其中PM2.5浓度超过75 μg/m3的时次共计126 h，超过150 μg/m3共计116 h，小时最高 PM2.5浓度为522 μg/m3。
在高低空环流场配置的影响下，近地面静风和多层逆温结构抑制了污染物在水平和垂直方向上的输送，加上边界层内的深厚湿层，使得其中气溶胶不断吸湿增长，高 PM2.5浓度得以维持。
一次强下坡风爆发机制分析
一次强下坡风爆发机制分析*余静梅1 胡 非2 汤胜茗1YU Jingmei1 HU Fei2 TANG Shengming11. 中国气象局上海台风研究所，上海，2000302. 中国科学院大气物理研究所大气边界层物理和大气化学国家重点实验室，北京，1000291. Shanghai Typhoon Institute，China Meteorological Administration，Shanghai 200030，China2. State Key Laboratory of Atmospheric boundary layer Physics and Atmospheric Chemistry，Chinese Academy of Sciences，Beijing 100029，China2023-05-30收稿，2023-09-07改回.余静梅，胡非，汤胜茗. 2024. 一次强下坡风爆发机制分析. 气象学报，82（1）：68-79Yu Jingmei， Hu Fei， Tang Shengming. 2024. Mechanism analysis of a downslope windstorm outbreak. Acta Meteorologica Sinica，82（1）:68-79Abstract This study uses ground station observations, ERA5 reanalysis datas and a high-resolution WRF model simulation to analyze a downslope windstorm event in Boulder, United States. It is believed that the mechanism of this downslope windstorm outbreak is the downward transfer of momentum to the foot of the leeward slope caused by the rupture of the high-altitude jet belt. Further analysis shows that the outbreak of the downslope windstorm is related to the passage of synoptic scale high-pressure ridges and local leeward slope gravity waves. Under the influence of the foehn, continuous warming on the leeward slope causes gravity waves to strengthen and turn vertically, eroding the top of the troposphere's jet zone and ultimately leading to the rupture of the jet with high-altitude momentum transferred to the ground, as a result, the downslope windstorm erupted on the leeward slope.Key words Downslope windstorm， Orographic gravity waves， High-level jet， Momentum downward transmission， Foehn摘 要 应用地面观测站、ERA5再分析资料和高分辨率的WRF模式分析了一次美国博尔德（Boulder）的强下坡风事件， 此次强下坡风暴爆发的机制是高空急流带断裂导致动量下传到背风坡山脚处。
北京城市森林PM2.5质量浓度特征及影响因素分析
北京城市森林PM2.5质量浓度特征及影响因素分析蒋燕;陈波;鲁绍伟;李少宁【期刊名称】《生态环境学报》【年(卷),期】2016(025)003【摘要】以北京西山森林公园为林内观测点，北京海淀植物园为林外对照点，研究城市森林PM2.5质量浓度变化特征，并对其影响因素进行分析。
结果表明，林内外PM2.5质量浓度日变化呈“双峰双谷”型，8：00和21：00左右是一天中的两个峰值，15：00和4：00左右是一天中的两个谷值，PM2.5质量浓度林内（104.02μg·m-3）>林外（82.52μg·m-3）。
一年中PM2.5质量浓度在冬季最高，春季次之，夏季最低，PM2.5质量浓度年变化林内为冬季（115.46μg·m-3）>春季（112.39μg·m-3）>秋季（106.37μg·m-3）>夏季（81.87μg·m-3），林外为冬季（97.35μg·m-3）>春季（94.07μg·m-3）>秋季（93.17μg·m-3）>夏季（61.86μg·m-3）。
气温、降雨均与PM2.5浓度呈负相关。
晴天时，温度高、空气对流旺盛，PM2.5浓度较低；降水对PM2.5有很好的消减作用；风有驱散PM2.5的作用。
在高温高湿天气下，PM2.5浓度高于其他天气情况。
该研究可以丰富森林净化大气的理论，为环保部门相关政策的制定提供依据。
【总页数】11页(P447-457)【作者】蒋燕;陈波;鲁绍伟;李少宁【作者单位】西南林业大学环境科学与工程学院，云南昆明 650224;北京市农林科学院林业果树研究所燕山森林生态系统定位观测研究站，北京 100093;北京市农林科学院林业果树研究所燕山森林生态系统定位观测研究站，北京 100093;北京市农林科学院林业果树研究所燕山森林生态系统定位观测研究站，北京 100093【正文语种】中文【中图分类】X16【相关文献】1.小波方差分析北京市PM2.5质量浓度序列周期特征 [J], 周杰;杨鹏;吕文生;刘阿古达木;刘俊秀2.北京市PM2.5质量浓度特征及组分化学质量闭合研究 [J], 李泓;李广;刘茜;白志鹏;杨文;韩斌;王飞;王婉3.2013—2016年北京朝阳站PM2.5\r质量浓度变化特征 [J], 贾小芳;颜鹏;董璠;张晓春;李杨;郭伟4.大气污染综合治理攻坚行动前后北京市PM2.5质量浓度变化特征研究 [J], 常玲利; 邵龙义; 杨书申; 李杰; 张梦媛; 冯晓蕾; 李耀炜5.大气污染综合治理攻坚行动前后北京市PM2.5质量浓度变化特征研究 [J], 常玲利; 邵龙义; 杨书申; 李杰; 张梦媛; 冯晓蕾; 李耀炜因版权原因，仅展示原文概要，查看原文内容请购买。
低空急流理论及其对空气污染物传输影响研究进展
低空急流理论及其对空气污染物传输影响研究进展肖之盛;孟凡;徐峻;何友江;赵妤希;于扬;张博雅【摘要】针对低空急流(Low-Level Jet,LLJ)这种与空气污染等现象密切相关的天气现象,综述了低空急流的定义、日变化特征、季节性变化特征,以及包括惯性振荡理论、地形的热力和动力作用、天气系统强迫等低空急流的形成和发展机制,总结国内外开展的低空急流数值模拟及其在大气污染源排放污染物的输送、扩散中的影响等研究成果,提出了下一步应开展低空急流的选取标准及其与空气污染学科的交叉研究,并开展适宜本地区低空急流数值模拟的参数化方案和小尺度研究等建议.【期刊名称】《环境工程技术学报》【年(卷),期】2019(009)002【总页数】8页(P111-118)【关键词】低空急流;理论研究;数值模拟;空气污染【作者】肖之盛;孟凡;徐峻;何友江;赵妤希;于扬;张博雅【作者单位】中国环境科学研究院大气环境研究所,北京 100012;中国环境科学研究院大气环境研究所,北京 100012;中国环境科学研究院大气环境研究所,北京100012;中国环境科学研究院大气环境研究所,北京 100012;中国环境科学研究院大气环境研究所,北京 100012;中国环境科学研究院大气环境研究所,北京 100012;中国环境科学研究院大气环境研究所,北京 100012【正文语种】中文【中图分类】X51低空急流(Low-Level Jet，LLJ)是一种广泛分布于世界各地[1]，与空气污染、风能利用等现象密切相关的天气现象[2-4]。
低空急流事件自1938年在非洲地区被发现起，国内外众多学者对其进行了大量研究[5]。
1952年，Means[6]在研究美国中部区雷暴天气过程中率先使用了低空急流这一术语。
低空急流在大气边界层和天气学领域的概念有所不同，在天气学领域中是指存在于600～900 hPa高度上的强而窄的气流带，它与暴雨等剧烈天气密切相关[2]；本文指边界层低空急流。
北京地区两次重污染过程中PM2.5浓度爆发性增长及维持的气象条件
北京地区两次重污染过程中PM2.5浓度爆发性增长及维持的气象条件吴进;李琛;孙兆彬;王华;马小会【期刊名称】《干旱气象》【年(卷),期】2017(035)005【摘要】基于京津冀地区80个环境监测站PM2.5浓度逐时监测资料和气象观测资料,以2016年12月16-21日和2017年1月1-7日雾和霾天气为例,分析PM2.5浓度演变的气象条件.结果表明:气象条件在北京地区污染物浓度爆发性增长过程中具有重要作用.北京地区12月19-20日PM2.5浓度出现爆发性增长,小时浓度在8h内上升201 μg·m-3,主要是边界层南风分量由地面增厚至700 m,700 m 以上弱下沉抑制作用,结合地面辐合线维持所致;20-21日北京地区PM2.5浓度维持高值且无日变化,是由于低空1.5 km出现弱回暖,逆温层显著增厚增强且无明显日变化,导致高浓度气溶胶无法有效扩散.综合来看,2016年12月16-21日污染物浓度爆发性增长的原因以外源性污染物输送为主;2017年1月3-4日污染物浓度爆发性增长原因与局地极端不利扩散条件及污染排放等其他因素有关.%Based on hourly PM2.5 concentration data observed at 80 environmental monitoring stations and meteorological observation data in the Beijing-Tianjin-Hebei region,meteorological conditions were analyzed for the fog and haze events during 16-21 December 2016 and 1-7 January 2017.The results show that the meteorological conditions were more favourable for accumulation and transport of pollutants.The PM2.5 concentration increased sharply in Beijing from 19 to 20 December 2016,which wasmainly due to the strengthening of southerly wind in the boundary layer from the surface to 700 meters height,the low level weak sink inhibition and maintenance of the ground convergence.During 20-21 December 2016,weak warming occurred in the atmospheric boundary layer below 1.5 km,and the inversion layer thickened and enhanced and there was no obviously diurnal variation,which led to weak diurnal variation of the mixed layer thickness and aerosol concentration and thus high value and weak diurnal variation of PM2.5 concentration.On the whole,during 16-21 December 2016,the explosive growth of pollutant concentration was dominated by exogenous pollutants transport.And during 3-4 January 2017,the explosive growth of the pollutant concentration was due to the local extreme adverse weather conditions,which was not conducive to the diffusion of pollutants.【总页数】9页(P830-838)【作者】吴进;李琛;孙兆彬;王华;马小会【作者单位】京津冀环境气象预报预警中心,北京100089;中国气象局北京城市气象研究所,北京100089;北京市气象服务中心,北京100089;中国气象局北京城市气象研究所,北京100089;京津冀环境气象预报预警中心,北京100089;京津冀环境气象预报预警中心,北京100089【正文语种】中文【中图分类】X16【相关文献】1.北京两次沙尘污染过程中PM2.5浓度变化特征 [J], 徐文帅;张大伟;李云婷;陈添;吴其重2.北京地区供暖季两次重污染过程气象条件对比 [J], 吴进;马志强;熊亚军;乔林;李琛;;3.北京地区供暖季两次重污染过程气象条件对比 [J], 吴进;马志强;熊亚军;乔林;李琛4.威海PM2.5和PM10造成重污染个例的气象条件对比分析 [J], 丛美环;周淑玲;周丹5.北京地区气象条件与区域传输对PM2.5浓度影响研究 [J], 刘瑞琪;贾海鹰因版权原因，仅展示原文概要，查看原文内容请购买。
有利于低空急流形成的某些物理因子的分析
有利于低空急流形成的某些物理因子的分析
赵颖
【期刊名称】《山东气象》
【年(卷),期】1996(016)001
【摘要】从基本的热力学和动力学方程出发，动力因子和热力因子兼顾，高低空结合对低空急流形成的某些物理因子进行了比较全面的分析，得知，低空急流的形成是反映非地转运动，动力因子及热力因子综合作用的结果，通过实例应用，效果较好。
【总页数】4页(P19-22)
【作者】赵颖
【作者单位】无
【正文语种】中文
【中图分类】P421.31
【相关文献】
1.低空急流形成发展的一种可能机制--重力波的惯性不稳定 [J], 林永辉;廖清海;王鹏云
2.高低空急流耦合对长江中游强暴雨形成的机理研究 [J], 朱乾根; 周伟灿; 张海霞
3.南海中北部秋季低空偏东急流分布特征及其形成的机制 [J], 冯文;符式红;吴俞
4.长江流域一次大暴雨过程的低空急流形成和影响机制分析 [J], 吴哲珺;包云轩;朱霆;葛晶晶
5.乌鲁木齐城区一次极端东南大风的形成机制——重力波与超低空急流耦合 [J], 汤浩;王旭;储长江;孙鸣婧
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ 1. 中国气象局北京城市气象研究所 ， 北京 100089 ； 2. 中国气象局京津冀环境气象预报预警中心 ， 北京 市气象台，北京 100089 ）
100089 ； 3. 北京
摘要： 2015 年 3 月 17 日 18 ： 00 ～ 23 ： 00 北京地区的 PM2. 5 质量浓度快速下降， 在此期间并未出现与冷空气活动相伴的强偏北 风． 本研究分析了导致空气质量迅速改善的原因 ， 结果表明边界层急流起着关键的作用 ． 随着边界层内偏南风速增大 ， 大气的 3月 通风量增大， 污染物浓度降低． 急流发展也加大了边界层内水平风的垂直切变 ， 从而导致湍流增强和混合层增厚 ． 此外， 17 日 20 ： 00 在混合层顶附近出现气旋性地转涡度 ， Ekman 抽吸的方向为垂直向上 ， 于是底层的污染物就被带到高空并随强劲 的西南风输送到下游 ． 边界层急流的发展与惯性振荡和大气的斜压性有关 ． 关键词： PM2. 5 污染； 快速清除； 边界层急流； 惯性振荡； 大气斜压性
中图分类号： X513 文献标识码： A 文章编号： 0250-3301 （ 2016 ） 01-0051-09 DOI： 10． 13227 / j． hjkx． 2016． 01． 008
A Case Study on the Ｒapid Cleaned Away of PM2. 5 Pollution in Beijing Ｒelated with BL Jet and Its Mechanism
FY-2E 的反演结果． 对比分析表明， 帕斯圭尔稳定 度级别与使用人工观测云量的计算结果一致 ． 2 PM2. 5 质量浓度的演变过程
2015 年 3 月 17 日 京 津 冀 地 区 经 历 了 一 次 PM2. 5 质量浓度升高后迅速下降的过程 （ 图 1 ） ． 在 14 ： 00 ～ 18 ： 00 期间北京地区几个监测站的污染物 浓度均呈现增加的趋势， 其中宝联 （ 位于北京市海 淀区， 代表平原地区 ） 的空气质量在原本已经污染 的基础上进一步恶化， 而其他位置偏北的测站则从 优良转变成污染． 此后， 宝联的浓度率先陡降［ 图1 －3 （ a） ］ · m 减小到 23 ： 00 的 ，即从 18 ： 00 的 155 μg 24 μg · m － 3 ． 其中， 以 20 ： 00 ～ 23 ： 00 期间下降的幅 · m － 3 ． 23 ： 00 以后一 度最大， 平均每小时达到 30 μg 直到 3 月 18 日上午 PM2. 5 质量浓度基本保持在 35 · m － 3 以下． 其他 3 个监测站的浓度演变趋势与 μg 宝联相同， 只是下降的起始时间有些滞后． 昌平和 顺义滞后 2 h， 上甸子空气质量改善从 21 ： 00 开始． 上述监 测 站 浓 度 演 变 的 共 同 特 征 是： 3 月 17 日 21 ： 00 至次日凌晨 01 ： 00 之间变化均非常大， 与宝联 相似． 因此， 应该存在着某种机制， 它导致 3 月 17 日傍晚以后北京地区的污染物浓度从南向北顺序降 低并且 21 ： 00 ～ 23 ： 00 期间降幅最大． 天津和河北中南部 PM2. 5 质量浓度开始降低的 ． 3 月 17 日 08 ： 00 天津、 时间超前于北京［ 图 1 （ b） ］ · m －3， 10 ： 00 以后 保定和南宫的浓度为 110 ～ 230 μg 污染开始减轻， 到 17 ： 00 前后的浓度仅为早晨的1 /2 左右． 比较而言， 津、冀两地的小时浓度变化幅度 较北京略小， 而且持续时间较长． 有研究表明， 除本 地排放外， 北京的污染还受周边地区影响， 西南风或 东南风常常对应较高的浓度． 然而， 对比图 1 （ a ） 和 1 （ b ） 发现， 16 ： 00 以后离北京最近、位于西南方向 · m － 3 以下， 的保定 PM2. 5 浓度已经下降到 110 μg 东 · m －3， 南方的天津 也 只 有 35 ～ 60 μg 均 低 于 宝 联． 3 月 17 日北京地区的污染具有一定的独立 因此， 性． 此外， 使得扩散条件转好的冷空气通常来自北 方， 因此京津冀地区空气质量从污染转为优良的先 后顺序为： 北京天津和河北中部河北南部． 但是， 本研究分析的个例却与正常顺序不同， 说明污染物 的清除机制可能存在地域差异． 3 月 17 日 PM2. 5 污染清除过程与常 综上所述， 见的冷空气活动不同． 天津和河北中南部浓度开始 降低的时间早于北京， 北京地区的空气质量总体上 是自南向北先后改善， 而且在午夜前浓度陡降． 因
［17 ］
． 如果
产生明显 降 水， 则污染物浓度也会因湿沉降而降 ［18 ， 19 ］ ． 在近地面边界层内的垂直方向上， 污染物 低 的 扩 散 受 湍 流 支 配， 湍 流 越 强， 污染物浓度越 ［11 ， 20 ］ ． 湍流是边界层内大气的基本运动特征， 由 低
52
环
境
科
学
37 卷
是影响混合层厚度的重要因素． 目前针对重污染形成的研究比较多， 而涉及污 染清除特别是非冷空气活动的清除过程的分析还不 够全面和深入． 本研究基于气象和大气成分资料从 一个发生在北京地区的、没有明显冷空气影响下 PM2. 5 浓度迅速降低的个例入手， 讨论了边界层西南 风急流对空气质量改善的作用， 包括急流的发展与 边界层内大气的通风、混合层顶抬升、Ekman 抽吸 等导致近地面层污染物被快速清除有关的影响因素 之间的联系， 并分析了边界层急流发展的可能机制 ， 该结果将对研判污染过程特征、提早预测其演变趋 势具有一定的价值． 1 1. 1 材料与方法 资料
．
污染 物 的 浓 度 与 大 气 的 输 送 和 扩 散 能 力 有 ． 小风有利于污染物的累积， 而冷空气活动
［14 ～ 16 ］
带来的大风则往往标志着污染过程的结束
．
冷空气南下带来的大风天气加大了大气的通 因为， 风性． 当然若大风路径上有高排放的污染源， 那么 位于其下风方的地区也有可能出现污染
收稿日期： 2015-06-30 ； 修订日期： 2015-08-13 基金项目： 国家科技支撑计划项目 （ 2014BAC16B04 ） ； 国家级雾霾 监测与预报团队项目 作者简介： 廖晓农（ 1962 ～ ） ， 研究员级高级工程师， 主要研 女， 硕士， Email： cristinlxn@ 126． com 究方向为灾害性天气，
第 37 卷第 1 期 2016 年 1 月
环 境 科 学 ELeabharlann VIＲONMENTAL SCIENCE
Vol． 37 ， No． 1 Jan． ， 2016
边界层低空急流导致北京 PM2. 5 迅速下降及其形成机 制的个例分析
1， 2 2 3 2 2 廖晓农 ， 孙兆彬 ， 何娜 ， 赵普生 ， 马志强
本研究采用的气象数据来自京津冀地区的地面 观测、探 空、风 廓 线 雷 达、微 波 辐 射 计 和 NCEPNCAＲ 再分析资料等． 其中， 地面风的观测时间分 辨率为 1 h、气压为 3 h． 风廓线雷达架设在北京市 39. 99°N） ， 海淀区（ 116. 3°E ， 探测的起始高度为 150 m， 资料间隔 6 min， 垂直 最大高度可达6 000 m左右， 分辨率 120 m． 本研究采用了 30 min 间隔的数据， 并对资料进行了质量控制处理． 微波辐射计放置在 39. 81°N ） ， 北京南郊观象台（ 116. 47°E ， 温度廓线的 1 min ， 100 ～ 250 m， 时间分辨率为 垂直分辨率 最大 NCAＲ 再分析资料为 6h 探测高度10 000 m． NCEP间隔、垂直分辨率 25 ～ 50 hPa、水平分辨率为 1 个 经纬度． 京津冀地区大气成分监测采用小时平均浓度． 此外， 还使用了 Vaisala 增强型单镜头 云高仪 CL51 探测得到的对流层低层颗粒物的后向散射密度 ． 1. 2 混合层厚度计算方法 本研究根据罗氏法计算混合层厚度 公式如下： H =
2 LIAO Xiaonong1， ， SUN Zhaobin2 ，HE Na3 ， ZHAO Pusheng2 ，MA Zhiqiang2
（ 1． Institute of Urban Meteorology， China Meteorological Administration， Beijing 100089 ， China； 2． Environment Meteorology Forecast Center of BeijingTianjinHebei，China Meteorological Administration，Beijing 100089 ，China； 3． Beijing Meteorological Observation，Beijing 100089 ，China） Abstract： The concentration of PM2. 5 decreased very rapidly from 18 ： 00 to 23 ： 00 on 17 th Mar． 2015 in Beijing area． No cold air bringing strong north wind influenced Beijing． The reason leading to the clean away of PM2. 5 was discussed． The results showed that a boundary layer jet played a key role． The ventilation in the boundary layer went up with the enhancement of southwesterly wind speed， which was favorable to the dilution of pollution． Besides，the development of jet also caused the increase of vertical wind shear． As a result，the turbulence in the boundary layer became more obvious and the mixing layer height rose． Furthermore，the geostrophic Pumping was upward． So， vorticity at the top of mixing layer was positive at 20 ： 00 on 17 th Mar． It means that the direction of Ekmanthe pollution near the surface was brought to upper levels and transported downstream by the jet． The development of boundary layer jet attributed to inertial oscillation and atmospheric baroclinicity． Key words： PM2. 5 pollution； rapid clean away； boundary layer jet； inertial oscillation； atmospheric baroclinicity