2013年12月初長江三角洲及周邊地區(qū)重霾污染的數(shù)值模擬

李　鋒，朱　彬*，安俊嶺，康漢青，高晉徽，劉　璇（1.南京信息工程大學，中國氣象局氣溶膠-云-降水重點開放實驗室，江蘇 南京 210044；2.南京信息工程大學，氣象災害預報預警與評估協(xié)同創(chuàng)新中心，江蘇 南京210044；.中國科學院大氣物理研究所，大氣邊界層物理和大氣化學國家重點實驗室，北京 100081）

2013年12月初長江三角洲及周邊地區(qū)重霾污染的數(shù)值模擬

李鋒1，2，朱彬1，2*，安俊嶺3，康漢青1，2，高晉徽1，2，劉璇1，2（1.南京信息工程大學，中國氣象局氣溶膠-云-降水重點開放實驗室，江蘇 南京 210044；2.南京信息工程大學，氣象災害預報預警與評估協(xié)同創(chuàng)新中心，江蘇 南京210044；3.中國科學院大氣物理研究所，大氣邊界層物理和大氣化學國家重點實驗室，北京 100081）

運用WRF-CMAQ模型模擬了2013年12月1～9日長江三角洲及周邊地區(qū)的一次重霾污染過程.初步探究灰霾天氣下大氣細顆粒物（PM2.5）的時空分布特征和區(qū)域輸送過程，并定量研究了外部源區(qū)域輸送和本地源對長江三角洲地區(qū) PM2.5的貢獻.結(jié)果表明：模式能夠合理再現(xiàn)灰霾天氣下長江三角洲及周邊地區(qū) PM2.5的時空分布特征和演變規(guī)律.靜穩(wěn)天氣下大氣細顆粒物仍然存在著顯著的區(qū)域輸送.污染期間來自安徽、山東南部、蘇北地區(qū)的跨界輸送對長江三角洲區(qū)域PM2.5的貢獻率分別為3.5%～24.9%、0.14%～30.0%、0.03%～17.5%.整個污染期間本地貢獻占49%左右，本地貢獻和外地貢獻基本相當.

長江三角洲；WRF-CMAQ；霾；區(qū)域輸送；貢獻率

隨著我國經(jīng)濟快速發(fā)展，尤其是能源消耗增長、城市化的拓展和加劇，大氣污染物排放急劇增加，區(qū)域性大氣環(huán)境問題日益突出.京津冀、長江三角洲和珠江三角洲出現(xiàn)的區(qū)域性大氣污染正成為人們普遍關注的重點，這些地區(qū)大氣細顆粒物（PM2.5）的年平均濃度超過發(fā)達國家 3～5倍［1-2］，由PM2.5造成的區(qū)域性灰霾天氣，嚴重影響了人們的出行和身體健康. Goldberg等［3］根據(jù)PM2.5、PM10、總懸浮顆粒物、消光系數(shù)和硫酸鹽的指標分析了蒙特利爾和魁北克地區(qū)的非意外死亡率與顆粒物濃度變化的相關性，發(fā)現(xiàn)細粒子和可吸入顆粒物的濃度與日死亡率正相關.因此如何在發(fā)展過程中改善大氣環(huán)境質(zhì)量，有效防范空氣污染事件不僅是大氣環(huán)境研究工作者最關注的科學問題，也是人民百姓最關心的切身利益問題.

自20世紀70年代開始，國外學者先后對霾的來源、組成、時空分布特征、長期變化趨勢［4-5］作了比較深入的研究.目前，國內(nèi)灰霾的研究方法主要為觀測分析結(jié)合模式計算（統(tǒng)計模型、空氣質(zhì)量數(shù)值模式）.研究表明，城市灰霾主要表現(xiàn)為細粒子 PM2.5增加導致的能見度下降［6-8］.區(qū)域霾天氣過程與區(qū)域內(nèi)靜小風過程，即出現(xiàn)氣流停滯區(qū)有密切聯(lián)系，清潔對照過程與強平流輸送有關［9］.靜穩(wěn)的天氣形勢對空氣污染事件的發(fā)生起著至關重要的作用［10-12］，污染物的長距離輸送對污染物濃度影響顯著［13-15］.陳訓來等［16］，胡榮章等［17］較早對灰霾現(xiàn)象進行了模擬，指出細粒子是灰霾天氣形成的主要影響因素.也有學者的研究表明霾的出現(xiàn)與二次顆粒物的形成有非常密切的關系［18-19］.王自發(fā)［20］等研究發(fā)現(xiàn)來自京津冀區(qū)域外跨城市群輸送的貢獻顯著，與局地污染源貢獻相當.在污染個例期間，跨界輸送的影響更為顯著.運用CMAQ模式對大氣污染的研究也開展了很多.Chen等［21］，Streets等［22］研究了京津冀地區(qū)對北京顆粒物的貢獻，Xing等［23］，翟世賢等［24］，劉俊等［25］利用CMAQ研究了京津冀地區(qū)減排對北京空氣質(zhì)量的影響.鄧濤等［19］，劉一鳴等［26］，劉寧等［27］對珠江三角洲氣溶膠污染個例進行了模擬分析，呂煒等［28］研究了長距離污染傳輸對珠江三角洲空氣質(zhì)量的影響.相對而言長江三角洲地區(qū)的研究較少，張艷等［29］研究了長江三角洲對上海地區(qū)空氣質(zhì)量的影響，李莉等［14］對長江三角洲PM10區(qū)域污染特征進行了模擬研究.

近年來，區(qū)域灰霾愈演愈烈，2013年1月中國東部嚴重灰霾天氣引起了許多學者的關注［20，30-34］，上述對長江三角洲地區(qū)的研究只討論了水平輸送過程，缺乏對垂直輸送過程的討論，且長江三角洲及其周邊地區(qū)對其PM2.5的貢獻還少有討論，長江三角洲作為我國的三大經(jīng)濟區(qū)之一，人口密集，工業(yè)、交通等污染排放量巨大，因此對該地區(qū)的研究顯的很有必要.本研究采用美國第3代空氣質(zhì)量模型Models-3/CMAQ對2013年12月初長江三角洲及其周邊地區(qū)灰霾天氣進行模擬，初步探討重霾的時空分布特征、傳輸規(guī)律以及周邊地區(qū)對長江三角洲 PM2.5的貢獻.旨在為改善長江三角洲環(huán)境空氣質(zhì)量提供決策參考.

1　模式設置與驗證

1.1模式介紹

Model-3是US EPA研制的第3代空氣質(zhì)量預報和評估系統(tǒng)，總體上由氣象模式、排放模塊及多尺度空氣質(zhì)量模式（CMAQ）3大部分組成［35］.適用于對城市或區(qū)域尺度的對流層臭氧、酸沉降、能見度及PM等的模擬.CMAQ化學傳輸模型主要考慮了空氣動力學、氣相化學、氣溶膠過程、云化學與動力學等過程.

1.2模式設置

本研究使用CMAQv4.7，模擬區(qū)域選用兩層嵌套網(wǎng)格，如圖 1（a）所示，中心經(jīng)緯度為 118.8°E，32°N投影方式為Lambert投影，兩條真緯度分別為30°N和60°N.第一層網(wǎng)格數(shù)為106×106，水平分辨率為 27km，第二層網(wǎng)格數(shù)為 120×120，水平分辨率為9km.模式垂直分層為 27層，其中最下面7層位于距地1km以內(nèi).模式頂高度為50hPa.逐時氣象場由中尺度氣象模式 WRFv3.3 提供，利用Intercontinental Chemical Transport Experiment-Phase B （INTEX-B）提供的2006年東亞地區(qū)0.5°人為排放源清單代替了TRACE-P清單中的排放源，得到東亞地區(qū)2006年0.1°排放源清單.模式的模擬時間段為2013年11月24日至2013年12月11日，CMAQ積分步長為5min，其中11月24～28日作為spin-up，11月29日至12月11日的計算結(jié)果用作分析.

圖2　站點PM2.5和PM10小時濃度觀測和模擬值的對比Fig.2　Simulated PM2.5and PM10versus observed黑色為觀測值，灰色為模擬值

1.3貢獻率計算

本研究采用敏感性分析的方式計算長江三角洲（包括上海，江蘇省的南京、蘇州、無錫、常州、鎮(zhèn)江、南通、揚州、泰州共8市，浙江省的杭州、寧波、湖州、嘉興、紹興、舟山和臺州7市）、安徽、山東南部、蘇北地區(qū)對長江三角洲地區(qū) PM2.5濃度的貢獻.以計算安徽省對長江三角洲地區(qū) PM2.5濃度的貢獻為例，即對開啟模擬區(qū)域內(nèi)所有地區(qū)源排放和僅關閉安徽地區(qū)源排放兩種情景分別進行模擬.將開啟模擬區(qū)域內(nèi)所有地區(qū)源排放模擬得到的長江三角洲PM2.5濃度值減去僅關閉安徽地區(qū)源排放后模擬得到的長江三角洲 PM2.5濃度值，從而得到安徽地區(qū)對長江三角洲 PM2.5濃度的貢獻.再以同樣的方法分別計算長江三角洲、山東南部、蘇北地區(qū)對長江三角洲地區(qū) PM2.5濃度的貢獻.這一方法在與奧運相關的一系列研究工作中得到廣泛應用并被證明是有效的［21-23］.但是此種方法對于具有高度非線性物理化學過程的二次污染物來說，會引入較大的誤差，不能夠準確反映實際源-受體響應關系［36］；并且限于模型本身的計算精度，兩次求解方程組的過程可能帶來一定的數(shù)值計算誤差.

1.4模式驗證

為了檢驗模式結(jié)果的可靠性，將模擬的PM2.5和PM10濃度與站點觀測的濃度值作對比.觀測數(shù)據(jù)主要來自于中國環(huán)境監(jiān)測總站建立的大氣顆粒物全國觀測網(wǎng).如圖 2所示，模式合理再現(xiàn)了模擬時間段內(nèi)模擬區(qū)域PM2.5和PM10的時空分布以及演變規(guī)律.例如PM2.5和PM10濃度首先于11月30日至12月1日在長江三角洲以北地區(qū)出現(xiàn)峰值（濟南、徐州），然后在長江三角洲地區(qū)出現(xiàn)峰值（南京、上海、杭州），PM2.5濃度超過200μg/m3.以及6日長江三角洲以北地區(qū)濃度較低（濟南、徐州），而長江三角洲地區(qū)濃度很高，上海PM2.5最高濃度甚至超過600μg/m3.各站點PM2.5和PM10濃度值與模擬值具有很好的相關性.

需要指出的是，雖然對上海地區(qū)的模擬很好地反映出污染期間上海 PM2.5的變化趨勢，但是12月6日模擬值明顯低于觀測值，這可能是由于模式對氣象場或氣溶膠化學過程模擬誤差以及排放源的不確定性造成的.

2　結(jié)果與討論

2.1天氣形勢分析

從環(huán)流形勢上看，12月1～8日，我國長江三角洲地區(qū)處于西風帶緯向型氣流控制之下，無明顯槽脊活動，在 500hPa距平場上，黃河以北較常年同期偏高 08hPa，黃河以南大部地區(qū)較常年同期偏低 04hPa，副高呈塊狀分布，西脊點位于 140°E附近，較常年同期偏東，南支槽偏西偏弱，來自孟加拉灣的水汽無法輸送到我國長江三角洲地區(qū)，導致這段時間內(nèi)沒有降水.圖3顯示了12月1日02：00（a）、2日 17：00（b）、4日 20：00（c）、6日20：00（d）、7日14：00（e）、9日08：00（f）、地面氣壓場、風場分布.由圖可知，地面高壓主體位于貝加爾湖以西，冷空氣活動較弱，我國長江三角洲地區(qū)位于冷高壓前部的均壓場中，氣壓梯度較小，風速偏低，污染期間徐州、合肥、南京、南通、上海、杭州6個代表城市（鹽城、嘉興缺少風場資料）的平均風速分別為 1.36，1.65，2.11，1.78，1.71，1.79m/s.如此靜穩(wěn)的天氣形勢有利于霧霾天氣的發(fā)生和維持.從近地面風場和相對濕度場來看，長江三角洲地區(qū)位于地面弱高壓系統(tǒng)后部的偏南氣流控制下，一方面由于整個污染期間不斷有弱冷高壓從地面高壓主體中分離出來，長江三角洲地區(qū)由于受弱高壓過境的影響，前期弱的偏北風轉(zhuǎn)為后期弱的偏西偏南風，比較利于周邊污染物在這一帶地區(qū)的匯集.另一方面，弱高壓入海以后，變性高壓處在東部沿岸，風從海上吹來，使得地面濕度增加較快，有利于污染物的吸濕增長.直至 9日冷空氣過境，污染物被吹散.由圖 3（f）可以看到9日上午08：00等壓線變密，長江三角洲地區(qū)平均風速在6m/s以上.

2.2長江三角洲及周邊地區(qū) PM2.5的區(qū)域分布及輸送特征分析

2.2.1長江三角洲及周邊地區(qū) PM2.5的區(qū)域分布圖4（a）顯示了12月1～9日長江三角洲及周邊地區(qū)模擬的 PM2.5濃度平均值的空間分布.如圖所示，安徽、江蘇、上海以及浙江的北部地區(qū)PM2.5濃度超過了 150μg/m3，達到重度污染水平.江蘇的西南部，合肥，巢湖及其西部，杭州及其北部等地區(qū)的 PM2.5平均濃度甚至超過 200μg/m3.選取幾個代表性城市，如連云港、南通、上海、寧波污染期間 PM2.5濃度觀測的平均值依次為192，207，210，218μg/m3，而合肥、南京、杭州污染期間 PM2.5濃度觀測的平均值依次為 262，240，238μg/m3.可以看出，模擬和觀測的 PM2.5濃度的區(qū)域分布比較吻合，PM2.5濃度以合肥、南京、杭州為高值中心向四周遞減，模擬值較觀測值總體略偏低.

圖3　12月1日02：00（a）、12月2日17：00（b）、12月4日20：00（c）、12月6日20：00（d）、12月7日14：00（e）、12 月9日08：00（f）地面氣壓場、風場分布Fig.3　Distribution of surface pressure field and wind field on 02：00 1Dec. （a），17：00 2Dec. （b），20：00 4Dec. （c），20：00 6Dec （d），14：00 7Dec. （e），08：00 9Dec.（f）

2.2.2長江三角洲及周邊地區(qū) PM2.5輸送特征分析圖4（b～f）展示了污染期間PM2.5的區(qū)域分布隨時間的演變過程.由圖 4（b）可見，從 2013年12月1日開始，徐州和江蘇中部等地污染物濃度開始上升，在偏北風的作用下少量向南輸送.2日長江三角洲地區(qū)風速在2m/s以下，污染物濃度進一步升高.此后污染物先后在偏南風和東北風的作用下先向北傳輸?shù)教K北地區(qū)后又轉(zhuǎn)向西南方向傳輸.5日上午在西南風的作用下，污染物從安徽中東部途經(jīng)南京，向江蘇西部、北部輸送，隨后5日晚上風向轉(zhuǎn)為西北風，江蘇和安徽北部地區(qū)的高濃度污染物向南輸送，途徑江蘇中部直至上海，造成了6日江蘇南部和上海的高濃度污染，之后污染物又在海上的東北風的作用下在 7日凌晨左右入侵到杭州.隨后風向轉(zhuǎn)為東南風，污染物向西北方向輸送.7～8日期間，受海風的影響上海地區(qū)相對清潔，污染物主要集中在浙江北部和江蘇西部.9日從北方來的冷空氣將污染物從北向南吹散，途經(jīng)長江三角洲地區(qū)時造成了該地區(qū)短時高濃度污染.此外，從圖2可以發(fā)現(xiàn)，沿著上述的傳輸路徑，合肥-南京-南通-上海-杭州沿線的PM2.5峰值濃度在時間上與圖4有很好的對應關系.這也很好的驗證了模擬的輸送路徑.

圖4　12月1～9日地面PM2.5濃度均值模擬分布（a），2013年12月1日08：00（b）、12月5日10：00（c）、12月6日08：00（d）、12月7日22：00（e）、12月9日09：00（f）地面PM2.5瞬時濃度及地面風場模擬結(jié)果Fig.4　Averaged surface PM2.5concentration from model simulation during December 1st - 9th （a），distribution of simulated surface concentration of PM2.5and wind field on 08：00 1Dec. （b），10：00 5Dec. （c），08：00 6Dec. （d），22：00 7Dec. （e），09：00 9Dec. （f）

上述結(jié)果表明，即使在靜穩(wěn)天氣形勢下，污染物仍然存在明顯的區(qū)域傳輸現(xiàn)象.偏北風和偏南風的來回切換，使得污染物在長江三角洲及其周邊區(qū)域內(nèi)轉(zhuǎn)圈，難以輸送出長三角，是導致此次重污染的主要原因之一.

大氣污染物濃度的變化其實是多種物理、化學過程共同作用的綜合體現(xiàn)，其中包括大氣的平流輸送過程、擴散過程、干濕沉降、氣體和氣溶膠的化學過程以及污染源的排放等. CMAQ提供了過程分析（Process analysis）模塊，其中的綜合過程速率模塊（Integral Process Rate，IPR）可以用于計算上述各種過程對局地污染物濃度變化的貢獻，定量分析各個過程的相對重要性.圖5顯示的是上海，南京，杭州不同高度（地面，450m，900m）PM2.5的過程分析結(jié)果.由圖5可知，近地面PM2.5主要來自于源排放過程.垂直擴散在地面為負值高空為正值，說明垂直擴散項使得污染物從地面向高空擴散.平流輸送對3個城市地面PM2.5濃度都有著明顯的貢獻.外部區(qū)域?qū)δ暇┖秃贾莸孛?PM2.5的貢獻主要通過水平平流輸送，而垂直平流把污染物向上輸送，使得地面污染物濃度降低，與此不同的是，上海大部分污染峰值期間垂直平流輸送貢獻占主導地位，而水平平流使得地面污染物濃度降低.污染期間水平擴散對3個城市的影響甚小，可以忽略不計.以12月6日為例，討論了平流過程對南京和上海產(chǎn)生不同影響時的氣象條件，圖6顯示了該日08：00南京到上海的PM2.5濃度和風場的垂直剖面（按當時的風向畫剖面）.結(jié)合圖5可以發(fā)現(xiàn)，南京地區(qū)上升氣流較強，一部分污染物在水平平流作用下向下風向輸送，還有一部分在垂直平流和垂直擴散的作用下向高空輸送，然后在水平平流的作用下向下風向輸送到上海上空，接著在垂直平流的作用下污染物被輸送到上海地面，與上海局地污染物結(jié)合，導致了上海 6日PM2.5瞬時高濃度污染.值得注意的是，9日3個城市的氣溶膠干沉降量都很明顯.氣溶膠干沉降速率的計算公式為： Vd= （ra+rs+ra·rs）-1+vs［37］，其中ra、rs、vs依次代表空氣動力學輸送阻抗、表面阻抗和粒子重力沉降速度.考慮到PM2.5粒徑都小于 2.5μm，重力沉降速度不會有太大變化，ra、rs取決于摩擦速度和穩(wěn)定度，即和湍流密切相關.圖7顯示了干沉降量和湍流動能的時間序列.可以看出兩者的變化趨勢一致，9日湍流動能明顯高于其他時間，湍流動能和干沉降兩者的峰值能夠較好的匹配，由此看出湍流運動加強是9日干沉降量增加的主要原因.

圖5　上海、南京和杭州地面、450m和900m高度PM2.5濃度以及各物理化學過程對PM2.5濃度貢獻的時間序列Fig.5　Time series of PM2.5concentration and contributions of individual physical and chemical processes to PM2.5concentration over Shanghai，Nanjing and Hangzhou at surface，450m and 900m height

2.3周邊地區(qū)對長江三角洲區(qū)域PM2.5的貢獻

為了定量評估各地區(qū)對長江三角洲地面PM2.5濃度的貢獻，圖8給出了污染期間各地區(qū)對長江三角洲區(qū)域 PM2.5貢獻的時間序列.如圖所示，在污染期間本地貢獻總體呈上升趨勢，而外地貢獻受風場等因素的影響不同時刻貢獻差異較大.但是，不論是污染前、污染期間還是污染過后，安徽地區(qū)對長江三角洲的貢獻一直比較穩(wěn)定.污染發(fā)生前（11月29～30日），本地貢獻和外地貢獻基本持平，長江三角洲本地貢獻所占比重最大，平均貢獻率為49.7%，其次是安徽貢獻較大，平均貢獻率為 15.8%，山東南部和蘇北地區(qū)貢獻很小，分別為1.3%和0.8%.污染期間可以大致分為3個階段：12月1～3日外地貢獻和本地貢獻都加大，分別占期間PM2.5濃度的59.6%和40.4%.外地貢獻高于本地貢獻，其中安徽貢獻占11.8%，山東南部和蘇北的貢獻加大，分別占8.9%和4.3%，為外地輸送主導階段；4～5日以本地貢獻為主，所占比重為67.6%，安徽、山東南部、蘇北分別占 10.3%、3.3%、2.9%，為本地污染物的積累階段；6日外地貢獻開始增大，其中安徽、山東南部、蘇北分別占17.0%、5.0%、12.9%，本地污染物的積累和外地的大量輸送造成了整個過程中最嚴重的污染.9日之后由于北方冷空氣的到來，污染物被吹散.污染期間來自安徽、山東南部、蘇北地區(qū)的跨界輸送對長江三角洲區(qū)域PM2.5的貢獻率分別為 3.5%～34.9%、0.14%～30.0%、0.03%～17.5%.長江三角洲本地、安徽、長江三角洲北部（山東南部+蘇北）對長江三角洲地區(qū)的平均貢獻率依次為49%、12%、13%，其它地區(qū)的貢獻約占26%，整個過程本地貢獻和外地貢獻各占一半.本地污染物的積累和外部區(qū)域輸送共同造成了此次長江三角洲極端污染事件的發(fā)生.

3　結(jié)論

3.1造成2013年12月1～9日長江三角洲及周邊地區(qū)霾污染的的天氣背景是：該地區(qū)位于冷高壓前部的均壓場中，氣壓梯度較小，風速偏低. 整個污染期間不斷有弱冷高壓從地面高壓主體中分離出來，一方面由于冷高壓從華東一帶入海以后，變性高壓處在東部沿岸，風從海上吹來，使得地面濕度增加較快；另一方面由于偏北風和偏南風的來回切換，有利于周邊污染物在這一地區(qū)的匯集.

3.2靜穩(wěn)天氣下仍然存在著明顯的污染物區(qū)域輸送.但各地區(qū)略有差異，周邊地區(qū)對南京地面PM2.5的貢獻主要通過水平平流輸送，而上海污染峰值期間垂直方向的平流輸送貢獻占主導地位.

圖6　12月6日08點南京至上海PM2.5及風場垂直剖面Fig.6　Vertical cross-section of PM2.5and wind field fromNanjing to Shanghai on 08：00 6Dec.

圖7　上海、南京和杭州干沉降和湍流動能（TKE）時間序列Fig.7　Time series of dry deposition and TKE overShanghai Nanjing and Hangzhou

3.3長江三角洲周邊地區(qū)大氣污染源對長江三角洲區(qū)域污染有著重要的影響.長江三角洲本地、安徽、長江三角洲北部（山東南部+蘇北）對長江三角洲地區(qū)PM2.5濃度的平均貢獻率依次為49%，12%，13%，其它地區(qū)的貢獻約占26%.整個過程本地貢獻和外地貢獻各占一半.本地污染物的積累和外部區(qū)域輸送共同造成了此次長江三角洲極端污染事件的發(fā)生.

圖8　各地區(qū)對長江三角洲PM2.5濃度的貢獻率和濃度貢獻Fig.8　Contribution percentage and contributions of PM2.5from each area to Yangtze River Delta

［1］ Chang D，Song Y，Liu B. Visibility trends in six megacities in China 1973-2007 ［J］. Atmospheric Research，2009，94（2）：161-167.

［2］ Shao M，Tang X，Zhang Y，et al. City clusters in China： air and surface water pollution ［J］. Frontiers in Ecology and the Environment，2006，4（7）：353-361.

［3］ Goldberg M S，Burnett R T，Bailar III J C，et al. The association between daily mortality and ambient air particle pollution in Montreal，Quebec： 1. nonaccidental mortality ［J］. Environmental Research，2001，86（1）：12-25.

［4］ Malm W C. Characteristics and origins of haze in the continental United States ［J］. Earth-Science Reviews，1992，33（1）：1-36.

［5］ Schichtel B A，Husar R B，F(xiàn)alke S R，et al. Haze trends over the United States，1980-1995 ［J］. Atmospheric Environment，2001，35（30）：5205-5210.

［6］ 白志鵬，董海燕，蔡斌彬，等.灰霾與能見度研究進展 ［J］. 過程工程學報，2006，（S2）：36-41.

［7］ 吳兌，畢雪巖，鄧雪嬌，等.珠江三角洲大氣灰霾導致能見度下降問題研究 ［J］. 氣象學報，2006，（4）：510-517+538.

［8］ 童堯青，銀燕，錢凌，等.南京地區(qū)霾天氣特征分析 ［J］. 中國環(huán)境科學，2007，5：584-588.

［9］ 吳兌，廖國蓮，鄧雪嬌，等.珠江三角洲霾天氣的近地層輸送條件研究 ［J］. 應用氣象學報，2008，（1）：1-9.

［10］ Im U，Markakis K，Unal A，et al. Study of a winter PM episode in Istanbul using the high resolution WRF/CMAQ modeling system ［J］. Atmospheric Environment，2010，44（26）：3085-3094.

［11］ 朱彬，蘇繼鋒，韓志偉，等.秸稈焚燒導致南京及周邊地區(qū)一次嚴重空氣污染過程的分析 ［J］. 中國環(huán)境科學，2010，30（5）：585-592.

［12］ 任陣海，蘇福慶，高慶先，等.邊界層內(nèi)大氣排放物形成重污染背景解析 ［J］. 大氣科學，2005，1：57-63+169.

［13］ Brock C A，Cozic J，Bahreini R，et al. Characteristics，sources，and transport of aerosols measured in spring 2008 during the aerosol，radiation，and cloud processes affecting Arctic Climate （ARCPAC） Project ［J］. Atmospheric Chemistry and Physics Discussions，2010，10（11）：27361-27434.

［14］ 李莉，陳長虹，黃成，等.長江三角洲地區(qū)大氣 O3和 PM10的區(qū)域污染特征模擬 ［J］. 環(huán)境科學，2008，1：237-245.

［15］ Ko?ak M，Theodosi C，Zarmpas P，et al. Particulate matter （PM10）in Istanbul： Origin，source areas and potential impact on surrounding regions ［J］. Atmospheric Environment，2011，45（38）：6891-6900.

［16］ 陳訓來，馮業(yè)榮，王安宇，等.珠江三角洲城市群灰霾天氣主要污染物的數(shù)值研究 ［J］. 中山大學學報（自然科學版），2007，4：103-107.

［17］ 胡榮章，劉紅年，張美根，等.南京地區(qū)大氣灰霾的數(shù)值模擬 ［J］.環(huán)境科學學報，2009，4：808-814.

［18］ 王麗濤，潘雪梅，鄭佳，等.河北及周邊地區(qū)霾污染特征的模擬研究 ［J］. 環(huán)境科學學報，2012，4：925-931.

［19］ 鄧濤，吳兌，鄧雪嬌，等.珠江三角洲一次典型復合型污染過程的模擬研究 ［J］. 中國環(huán)境科學，2012，32（2）：193-199.

［20］ 王自發(fā)，李杰，王哲，等.2013年1月我國中東部重霾污染的數(shù)值模擬和防控對策 ［J］. 中國科學：地球科學，2014，（1）：3-14.

［21］ Chen D S，Cheng S Y，Liu L，et al. An integrated MM5-CMAQ modeling approach for assessing trans-boundary PM10contribution to the host city of 2008 Olympic summer games—Beijing，China ［J］. Atmospheric Environment，2007，41（6）：1237-1250.

［22］ Streets D G，F(xiàn)u J S，Jang C J，et al. Air quality during the 2008 Beijing Olympic games ［J］. Atmospheric Environment，2007，41（3）：480-492.

［23］ Xing J，Zhang Y，Wang S，et al. Modeling study on the air quality impacts from emission reductions and atypical meteorological conditions during the 2008 Beijing Olympics ［J］. Atmospheric Environment，2011，45（10）：1786-1798.

［24］ 翟世賢，安興琴，劉俊，等.不同時刻污染減排對北京市PM2.5濃度的影響 ［J］. 中國環(huán)境科學，2014，34（6）：1369-1379.

［25］ 劉俊，安興琴，朱彤，等.京津冀及周邊減排對北京市PM2.5濃度下降評估研究 ［J］. 中國環(huán)境科學，2014，34（11）：2726-2733.

［26］ 劉一鳴，洪瑩瑩，張舒婷，等.珠江三角洲秋季典型氣溶膠污染的過程分析 ［J］. 中國環(huán)境科學，2014，34（12）：3017-3025.

［27］ 劉寧，王雪松，胡泳濤，等.珠江三角洲秋季PM10污染模擬與形成過程分析 ［J］. 中國環(huán)境科學，2012，32（9）：1537-1545.

［28］ 呂煒，李金鳳，王雪松，等.長距離污染傳輸對珠江三角洲區(qū)域空氣質(zhì)量影響的數(shù)值模擬研究 ［J］. 環(huán)境科學學報，2015，35（1）：30-41.

［29］ 張艷，余琦，伏晴艷，等.長江三角洲區(qū)域輸送對上海市空氣質(zhì)量影響的特征分析 ［J］. 中國環(huán)境科學，2010，30（7）：914-923.

［30］ 張小曳，孫俊英，王亞強，等.我國霧-霾成因及其治理的思考 ［J］.科學通報，2013，13：1178-1187.

［31］ 王躍思，姚利，王莉莉，等.2013年元月我國中東部地區(qū)重霾污染成因分析 ［J］. 中國科學：地球科學，2014，34（1）：15-26.

［32］ 張人禾，李強，張若楠.2013年1月中國東部持續(xù)性強霧霾天氣產(chǎn)生的氣象條件分析 ［J］. 中國科學：地球科學，2014，（1）：27-36.

［33］ 楊欣，陳義珍，劉厚鳳，等.北京2013年1月連續(xù)強霾過程的污染特征及成因分析 ［J］. 中國環(huán)境科學，2014，34（2）：282-288.

［34］ 高怡，張美根.2013年1月華北地區(qū)重霧霾過程及其成因的模擬分析 ［J］. 氣候與環(huán)境研究，2014，（2）：140-152.

［35］ USEPA. 1999. Science algorithms of the EPA Models-3community multiscale air quality （CMAQ） modeling system ［R］. EPA/600/R-99/30. Washington DC： USEPA.

［36］ Zhang W，Capps S L，Hu Y，et al. Development of the high-order decoupled direct method in three dimensions for particulate matter： enabling advanced sensitivity analysis in air quality models ［J］. Geoscientific Model Development，2012，5（2）：355-368.

［37］ Binkowski F S，Shankar U. The regional particulate matter model 1. Model description and preliminary results ［J］. Journal of Geophysical Research： Atmospheres （1984-2012），1995，100（D12）：26191-26209.

Modeling study of a severe haze episode occurred over the Yangtze River Delta and its surrounding regions duringearly December，2013.

LI Feng1，2，ZHU Bin1，2*，AN Jun-ling3，KANG Han-qing1，2，GAO Jin-hui1，2，LIU Xuan1，2（1.Key Laboratory for Aerosol-Cloud-Precipitation，China Meteorological Administration，Nanjing University of Information Science and Technology，Nanjing 210044，China；2.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters，Nanjing University of Information Science and Technology，Nanjing 210044，China；3.State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry，Institute of Atmospheric Physics，Chinese Academy of Sciences，Beijing 100081，China） .

China Environmental Science，2015，35（7）：1965～1974

A severe haze episode，which occurred over the Yangtze River Delta （YRD） and its surrounding regions from 1December to 9 December，2013，was investigated using the coupled WRF-CMAQ modeling system. The temporal and spatial distribution characteristics and regional transport process of fine particulate matter （PM2.5） during this episode were investigated. Contributions from regional transport and local emission to PM2.5concentration over the YRD region were also quantified. Results show that the WRF-CMAQ model could reproduce the temporal and spatial distributions and evolution characteristics of PM2.5over the YRD its surrounding regions during the haze episode. Regional transport process plays a significant role even under the stable weather situation. During this episode，the contribution percentage of PM2.5from Anhui，Southern Shandong，and Northern Jiangsu to the YRD region are 3.5%～24.9%，0.14%～30.0% and 0.03%～17.5%，respectively. Local contribution to the YRD region is equal to the total contributions from outside areas，occupying 49% of the total contribution.

Yangtze River Delta；WRF-CMAQ；haze；regional transport；contribution rate

X513

A

1000-6923（2015）07-1965-10

2014-12-05

國家自然科學基金項目（41275143）；公益性行業(yè)（氣象）科研專項（201206011）；江蘇省高校自然科學研究重大基礎研究項目（12KJA170003）；中國科學院大氣物理研究所LAPC-KF-2013-04

* 責任作者，教授，binzhu@nuist.edu.cn

李鋒（1990-），男，江蘇宜興人，南京信息工程大學碩士研究生，主要從事大氣化學、大氣環(huán)境研究.