2020年上半年“COVID-19”疫情期間氣象條件變化對四川盆地城市污染物質(zhì)量濃度影響初步分析

田開文 2, 朱江 2, 王自發(fā) 2, 張倫瑾

1 中國科學(xué)院大氣物理研究所大氣邊界層物理和大氣化學(xué)國家重點實驗室，北京 100029 2 中國科學(xué)院大氣物理研究所國際氣候與環(huán)境科學(xué)中心，北京 100029 3 中國科學(xué)院大學(xué)地球與行星科學(xué)學(xué)院，北京 100049 4 湖北省荊州市氣象局，湖北 荊州 434020

1 引言

近年來，中國的工業(yè)化、城市化進程不斷加強，國內(nèi)的大氣污染狀況日益嚴峻。2013年9月，國務(wù)院頒布了《大氣污染防治行動計劃》（簡稱“大氣十條”），開啟了我國大氣污染防治的新紀元。 “大氣國十條”發(fā)布以來，各地管理部門實施了一系列污染減排措施，大氣污染防治工作取得了顯著的進展，重點地區(qū)各項污染物質(zhì)量濃度有了不同程度的下降，這其中氣象條件變化和人為減排措施各自貢獻了多大作用，是政府和公眾特別關(guān)心的問題。

大氣污染物積累形成與氣象條件關(guān)系密切，如何分析多尺度氣象參數(shù)與敏感因子和污染關(guān)系，重中之重是量化氣象條件與污染排放的關(guān)系（Gong et al., 2003）。O3生成與其前體物NOx和VOCS有較好的相關(guān)性，Anderson et al. （2001）指出氣溫升高會通過增加O3前體物濃度而加速O3生成，引起誘發(fā)夏季O3污染事件的氣象條件出現(xiàn)頻率增加。對顆粒物而言，Jacob and Winner（2009）發(fā)現(xiàn)，未來十年，單純的氣候變化引起的顆粒物環(huán)境濃度變化范圍是在－1.1～0.9 mg/m3。氣象條件可以通過風(fēng)速、降水沉積、干沉降、化學(xué)轉(zhuǎn)化、背景濃度等影響大氣污染物濃度（Liu et al., 2003; Li et al., 2005; Leibensperger et al., 2008）。瑞士夏季大氣氣溶膠的主要預(yù)報因子被認為主要包括溫度、清晨的太陽輻射以及鋒面的過境日數(shù)(Ordó?ez et al., 2005)。美國東部地表溫度和相對濕度與大氣氣溶膠污染的聯(lián)系（Camalier et al., 2007）。Wu et al. （2017）研究了京津冀地區(qū)大氣污染形成的大尺度環(huán)流背景場被總結(jié)為主要有兩種類型，即平直西風(fēng)型和高壓脊型，伴隨有西南和東南兩個主要的污染傳輸通道（任國玉等, 2005; 劉蘇峽等, 2009）。張人禾等（2014）指出東亞冬季風(fēng)、500 hPa氣壓和水平風(fēng)垂直梯度等因素與大氣重污染形成相關(guān)。溫度垂直廓線在近地面（850 hPa附近）的偏暖異常可以阻止污染物的垂直擴散，并伴有高層大氣的異常冷卻（Chen and Wang, 2015; Zhang et al., 2015）。降水以及風(fēng)速對顆粒物濃度影響較大，主要是對顆粒物的濕清除和促進擴散作用；在一定相對濕度范圍內(nèi)，高濕度條件容易造成大氣顆粒物的較重污染 （隋珂珂等, 2007; Pang et al., 2009）。Zhang et al. （2018）分析表明北京地區(qū)氣溫變暖會導(dǎo)致地區(qū)氣象條件更為不利，加重污染。趙晨曦等（2014）分析了北京地區(qū)春、冬PM2.5和PM10污染水平時空分布和氣象條件的關(guān)系，認為北京冬季PM2.5和PM10質(zhì)量濃度與氣溫和相對濕度正相關(guān)，與風(fēng)速負相關(guān)，風(fēng)速和相對濕度是影響污染物濃度分布的主要因子。而多項研究表明，中國地面風(fēng)速正大幅減少（高歌, 2008; Guo et al., 2011）。郭勇濤等 （2011）等指出蘭州市空氣質(zhì)量狀況與常規(guī)氣象條件的關(guān)系。鄧利群等（2012）人分析了2009年8～9月成都市顆粒物污染及其與氣象條件的關(guān)系，認為成都氣溫對大氣顆粒物濃度變化沒有顯著影響。楊瑩等（2015）分析了哈爾濱空氣污染物濃度與相對濕度關(guān)系，表明兩者正相關(guān)，當(dāng)相對濕度在一定范圍內(nèi)增大時，有利于污染物吸濕增長，容易出現(xiàn)霧霾天氣。采用數(shù)值模式分析全球空氣質(zhì)量目前取得一定的進展（McKeen et al., 2007）。張新玲等 （2003）用三維歐拉污染物長距離輸送模式，發(fā)現(xiàn)氣象條件變化導(dǎo)致SO2濃度和硫沉降量的相對變化通常在20%左右。對近50年來全國平均風(fēng)速呈顯著下降趨勢，有利于污染物局地累積進而導(dǎo)致污染天氣。Rigby and Toumi（2008）使用顯著敏感氣象參數(shù)，構(gòu)建了基于大氣擴散特征的神經(jīng)網(wǎng)絡(luò)模型識 別PM2.5濃 度。Kassomenos et al.（2008）開發(fā)了一個氣象條件影響的空氣質(zhì)量風(fēng)險預(yù)測模型。各種氣象因子，例如溫度、相對濕度、風(fēng)速、風(fēng)向、氣壓、降雨和大氣穩(wěn)定度都或多或少與大氣氣溶膠的形成與累積有關(guān), 但是每個因子又不能定量、全面反映污染狀況, 有時有些因子的作用相互矛盾甚至抵消這是定量評估不利氣象條件在大氣氣溶膠污染變化中作用的難點。針對這一問題，Wang et al. （2012, 2013）、Zhang et al.（2009, 2015）用診斷分析的辦法分析了氣象條件對北京地區(qū)PM2.5濃度變化的影響。Callahan et al.（2019）用3個指數(shù)診斷分析了北京冬季空氣質(zhì)量極端事件，認為人為影響對北京2013年冬季污染事件影響較小。張小曳等（2019）用PLAM（Parameters Linking Airquality to Meteorological elements）指數(shù)量化氣象條件的改變，結(jié)果說明2017年冬季氣象條件在京津冀和長三角地區(qū)分別較2013年好轉(zhuǎn)約20%和30%。

四川盆地地區(qū)作為西部地區(qū)經(jīng)濟最發(fā)達、人口密度最大的區(qū)域，但同時也是全省空氣污染較重的區(qū)域之一，高度重視大氣污染防治工作。近年來，四川盆地空氣質(zhì)量取得明顯改善，2020年P(guān)M2.5濃度較2015年下降31.2%，優(yōu)良天數(shù)率上升7.7%。重污染天顯著減少，但區(qū)域環(huán)境改善成果還不穩(wěn)固，受氣象條件制約仍然突出，大氣環(huán)境形勢依然嚴峻。2020年四川盆地空氣質(zhì)量改善步伐明顯放緩，部分城市PM2.5濃度同比反彈，PM2.5和臭氧區(qū)域性污染頻發(fā)。并且，在2020年上半年，因為國內(nèi)生產(chǎn)生活受到了“新冠”疫情的影響，污染物排放變化也較往年變化幅度較大，一般分析方法更加難以量化氣象條件對污染物濃度影響。因此，用數(shù)值模式區(qū)分氣象條件和人為減排各自對污染物濃度的貢獻，為后期進一步實施大氣污染防控措施提供數(shù)值依據(jù)成為了迫切需求。

2 資料與方法

2.1 四川盆地六項主要污染物的質(zhì)量濃度和空氣質(zhì)量指數(shù)

本文使用四川省生態(tài)環(huán)境監(jiān)測總站監(jiān)測的2019年和2020年1～6月四川盆地地區(qū)的國控站點逐小時6項主要污染物（PM2.5、PM10、SO2、NO2、CO和O3）質(zhì)量濃度數(shù)據(jù)以及由其計算的各個城市空氣質(zhì)量指數(shù)AQI（Air Quality Index）數(shù)據(jù)。盆地國控站點分布如圖1所示。

圖1 四川盆地國控站點分布Fig. 1 Distribution of national control stations over Sichuan Basin

2.2 氣象要素的站點觀測數(shù)據(jù)

本文選用中國氣象局國家氣象信息中心提供的國家自動氣象站（AWS）同時段逐小時地面觀測資料，包括溫度、相對濕度、風(fēng)速、降水量、日照時長等氣象要素。

2.3 選用模式簡介

空氣質(zhì)量模式可以模擬空氣污染的時空演變特征，反應(yīng)其內(nèi)在機理，本文采用的空氣質(zhì)量模式為CMAQ（Community Multiscale Air Quality model）。CMAQ是由美國國家環(huán)境保護局EPA（Environmental Protection Agency）開發(fā)的第三代空氣質(zhì)量預(yù)報和評估系統(tǒng)（Model-3）的核心模式。CMAQ模式的最大特點是在“一個大氣”的概念下將臭氧、顆粒物、酸沉降等各種污染問題相關(guān)聯(lián)，研究范圍從城市中尺度到區(qū)域尺度，用于多尺度、多污染的空氣質(zhì)量預(yù)報、評估和決策研究等多種用途。本文采用的CMAQ版本為5.0.1，采用三重嵌套的網(wǎng)格設(shè)置，網(wǎng)格分辨率分別為36 km、12 km和4 km，網(wǎng)格數(shù)分別為184（經(jīng)向）×124（緯向）、126 （經(jīng)向）×126（緯向）和144（經(jīng)向）×150（緯向）。垂直方向上地面至10 km共分13層，邊界層內(nèi)8層。CMAQ模式其他參數(shù)基本設(shè)置如表1。

表1 CMAQ模式參數(shù)化方案選擇Table 1 Parameterization scheme of CMAQ (Community Multiscale Air Quality model)

源排放清單采用了清華大學(xué)中國多尺度排放清單模型MEIC（Multi Resolution Emission Inventory for China）提供人為排放源，水平分辨率為0.5° （經(jīng)度）×0.5°（緯度），選擇的清單時間段與研究時間段一致。MEIC清單涵蓋了5個行業(yè)（工業(yè)、交通、民用、電力、農(nóng)業(yè)）10種主要大氣成分和溫室氣 體（NOx、SO2、NMVOC、NH3、CO、CO2、PM2.5、粗顆粒物、OC、BC）以及700多種人為排放源。

本文采用了WRF（Weather Research and Forecasting model）模式為CMAQ提供氣象場。WRF模式 是 由NCEP（National Centers for Environmental Prediction）和NCAR（National Center for Atmospheric Research）等機構(gòu)開發(fā)的中尺度天氣預(yù)報模式，是一個完全可壓縮、非靜力模式，具有可移植、可擴充、高效率和易維護等特點（閆之輝和鄧蓮堂, 2007）。本文采用的是WRF3.6版本，單向三重嵌套網(wǎng)格，網(wǎng)格分辨率和CMAQ相同為36 km、12 km和4 km，網(wǎng)格數(shù)分別為190（經(jīng)向）×130（緯向）、132（經(jīng)向）×132（緯向）和150（經(jīng)向）×156（緯向）。WRF的初始和邊界條件采用NCEP提供的逐6 h的1°（經(jīng)度）×1° （緯度）分辨率的FNL（final operational analysis）再分析資料，該資料采用先進的全球資料同化系統(tǒng)以及完善的數(shù)據(jù)庫，對各種資料來源（無線電探空、地面、船舶、衛(wèi)星等）的觀測資料進行質(zhì)量控制和同化處理，其包含的要素多范圍廣，延伸的時段長，并被廣泛用于數(shù)值模式和天氣、氣候的診斷分析研究中。WRF模式其他基本參數(shù)設(shè)置如表2。

表2 WRF模式參數(shù)化方案選擇Table 2 Parameterization scheme of WRF (Weather Research and Forecasting model)

2.4 主要研究方法

本文選取因為“新冠”肺炎疫情導(dǎo)致空氣質(zhì)量人為排放變化較大的2020年1～6月作為研究時段，選取2019年作為對照基準(zhǔn)年份，根據(jù)四川省生態(tài)環(huán)境分區(qū)管控方案，將四川省分為五大生態(tài)經(jīng)濟區(qū)，除高原地區(qū)外，四川盆地地區(qū)包括三大主要區(qū)域即成都平原生態(tài)經(jīng)濟區(qū)（簡稱成都平原，包括成都、德陽、樂山、眉山、綿陽、遂寧、雅安和資陽共8個城市）、川東北生態(tài)經(jīng)濟區(qū)（簡稱川東北，包括巴中、達州、廣安、廣元和南充共5個城市）和川南生態(tài)經(jīng)濟區(qū)（簡稱川南，包括瀘州、內(nèi)江、宜賓和自貢共4個城市）。首先分析了不同年份逐月的氣象條件變化和污染變化，包括溫度、濕度、風(fēng)速、降水量和日照時間以及AQI等參數(shù)的相對變化，定性分析了氣象條件變化對空氣質(zhì)量的影響。然后利用固定排放源，僅改變氣象場的初始條件和邊界條件的方法對兩年的污染物質(zhì)量濃度分布進行模擬，找出四川盆地因為“新冠”疫情期間氣象條件變化導(dǎo)致空氣質(zhì)量變化的主要區(qū)域。最后分區(qū)域定量計算了四川盆地17個城市中，由氣象條件變化和人為排放變化導(dǎo)致的污染物濃度變化各自的貢獻占比。

3 結(jié)果與分析

3.1 四川盆地2019年與2020年1～6月污染總體情況

表3、表4分別為2019年1～6月、2020年1～6月四川盆地整體空氣質(zhì)量情況。2020年1～6月，四川盆地17個城市6項主要污染物PM2.5、PM10、SO2、NO2、CO、O3-8 h（O3濃度8 h滑動平均，下同）平均質(zhì)量濃度分別為39 μg/m3、59 μg/m3、7 μg/m3、27 μg/m3、1.1 mg/m3和152 μg/m3。較2019年 分 別 下 降5 μg/m3、6 μg/m3、1 μg/m3、3 μg/m3、0.2 mg/m3和16 μg/m3。優(yōu)良天數(shù)率為84.9%，較2019年上升了0.7%。盆地各個主要區(qū)域分月主要空氣質(zhì)量情況如表。從總體來看2020年1～6月整體空氣質(zhì)量優(yōu)于2019年1～6月。

表3 2019年1～6月四川盆地整體空氣質(zhì)量Table 3 Overall air quality in Sichuan Basin from January to June 2019

表4 2020年1～6月四川盆地整體空氣質(zhì)量Table 4 Overall air quality in Sichuan Basin from January to June 2020

3.2 2020年1～6月主要氣象參數(shù)變化情況

為了定性分析主要氣象參數(shù)對空氣質(zhì)量的影響，選取了四川盆地3個主要城市成都（成都平原）、達州（川東北）、自貢（川南）日均地面溫度、濕度、風(fēng)速、降水量、日照時長5個參數(shù)與AQI，分析了其相關(guān)性。相關(guān)性結(jié)果如表5，其中溫度與風(fēng)速在3個地區(qū)均通過p＜0.05顯著性檢驗。值得注意的是，4～6月，日照時長與AQI的相關(guān)性3個區(qū)域均高于0.7。

表5 AQI與氣象要素相關(guān)關(guān)系Table 5 Correlation analysis of air quality index (AQI) and meteorological elements

圖2、圖3為2019年1～6月和2020年1～6月成都平原各個城市逐月的AQI以及空氣質(zhì)量相關(guān)的氣象參數(shù)變化情況。2020年1～4月成都平原各個城市的AQI明顯低于2019年同期。尤其是樂山地區(qū)的AQI，1月從130以上下降至90左右。AQI的大幅下降的原因推斷為在1～4月盆地受疫情影響，生產(chǎn)生活排放降低，污染源大幅減少。但是在2020年5月，成都平原地區(qū)的AQI大幅回升，8個城市全部超過2019年，其中以成都、德陽、眉山3個相鄰城市上升幅度特別巨大。6月成都平原城市的AQI相比5月有下降，但是依然高于2019年同期水平，污染程度較為嚴重的同樣是成都、德陽和眉山。

圖2 2019年1～6月成都平原地區(qū)氣象參數(shù)逐月變化：（a）AQI；（b）風(fēng)速；（c）降水量；（d）濕度；（e）溫度；（f）日照時長Fig. 2 Monthly changes of meteorological parameters in Chengdu Plain from January 2019 to June 2019: (a) AQI; (b) wind speed; (c) precipitation;(d) humidity; (e) temperature; (f) sunshine duration

圖3 同圖2，但為2020年1～6月成都平原地區(qū)氣象參數(shù)逐月變化Fig. 3 Same as Fig. 2, but from January 2020 to June 2020

從兩年平均風(fēng)速來看，2020年和2019年基本相近，大部分城市的平均風(fēng)速都在1～1.5 m/s。綿陽為8個城市中平均風(fēng)速最高的城市，這與其靠近四川盆地北部山區(qū)有關(guān)。其余各個城市的平均風(fēng)速基本比較接近。而統(tǒng)計小風(fēng)日數(shù)（圖中未列出），成都平原各個城市風(fēng)力條件也基本接近。以成都市為例，2020年成都市小風(fēng)日數(shù)為149 d，2019年小風(fēng)日數(shù)則為159 d。因此可以認為，2020年因為風(fēng)力導(dǎo)致的擴散條件與往年較為接近。

從各個城市月累計降水量來看，1～2月各個城市總降水量都小于30 mm，2019年1月的總降水量大部分城市不超過10 mm。從3月開始，2020年各個城市的總降水量明顯較2019年偏少。其中2020年5月降水偏少情況最為嚴重，僅雅安和樂山兩個城市的總降水量超過100 mm，其余6個城市均不超過50 mm，2019年同期大部分城市都超過了100 mm。6月各個城市降水偏少的情況有所好轉(zhuǎn)。

平均相對濕度的變化可以作為降水變化的佐證，2019年1～6月，成都平原各個城市的相對濕度變化較為平穩(wěn)，大部分城市都在75%～80%，4月有所降低，6月則所有上升。2020年的相對濕度變化則出現(xiàn)了單調(diào)下行的情況。1月相對濕度最高，大部分城市都達到了80%以上，之后逐月下降，到5月濕度降至最低約65%～70%，其中綿陽月平均相對濕度為50%，遠低于其他城市。6月各個城市相對濕度有所回升，但同樣低于2019年同期。

從平均溫度來看，2020年的平均溫度高于2019年，1～3月較19年偏高約2°C左右，4月平均溫度約為17°C，低于2019年4月的21°C；2020年5月成都平原的平均溫度大幅上升至約24°C左右，而2019年則為20°C左右；6月兩年差距不大，都在25°C左右。從城市來看，各個城市的溫度差距不大，僅雅安因海拔較高，略低于其他城市。

從反應(yīng)太陽輻射量的月日照總時長來看，2019年各個城市變化情況較為一致，1～2月都在50～60 h左右，3月上升至80 h左右，4月達到最高為130 h左右，5、6月回落到100 h左右，其中遂寧和資陽的日照總時長略高于其他城市。2020年成都平原各個城市的日照總時長變化較大，整體來看各個城市的日照總時長都多于2019年。其中成都、眉山的日照總時長從3月開始明顯高于其他城市，5月最高時月日照總時長達到300 h左右；德陽4月的日照總時長接近200 h。

圖4、圖5與圖2、圖3相似，為川東北各個城市的AQI以及空氣質(zhì)量相關(guān)的氣象參數(shù)變化情況。從AQI來看，2019年川東北5個城市的AQI呈逐漸下降的態(tài)勢。廣元因為靠近四川盆地北部山區(qū)，AQI相對其余4個城市較低。2020年整體AQI較2019年低，1月都在70左右，但2月和5月出現(xiàn)兩個波峰，2月受顆粒物污染影響，AQI超過80，5月受臭氧污染影響，AQI也接近80。

圖4 2019年1～6月川東北地區(qū)氣象參數(shù)逐月變化：（a）AQI；（b）風(fēng)速；（c）降水量；（d）濕度；（e）溫度；（f）日照時長Fig. 4 Monthly changes of meteorological parameters in northeastern Sichuan from January 2019 to June 2019: (a) AQI; (b) wind speed; (c)precipitation; (d) humidity; (e) temperature; (f) sunshine duration

圖5 同圖4，但為2020年1～6月川東北地區(qū)氣象參數(shù)逐月變化Fig. 5 Same as Fig. 4, but from January 2020 to June 2020

平均風(fēng)速兩年比較相近，巴中、廣元、廣安和南充4個城市普遍都在1.5～2 m/s左右，達州的平均風(fēng)速明顯低于其余4個城市，僅為1.2～1.3 m/s?？傮w來看，兩年風(fēng)速相差不大。

從月總降水量來看，2020年前4個月與2019年相當(dāng)，僅廣元降水偏少。5月，2020年明顯少于2019年，5個城市均不到100 mm，川東北城市群5月相對較為干旱。6月相對較為濕潤，5個城市總降水量都達到了200 mm以上。

從相對濕度來看，廣元是川東北相對較干的城市，平均濕度為60%左右，遠低于其他4個城市的76%～80%。從時間變化看，與降水對應(yīng)較好。

川東北城市群的平均溫度走勢與成都平原相似，1～3月2020年比2019年高，4月明顯較低，較2019年低約4°C；5月明顯較高。6月兩年恢復(fù)較為相似的情況。

日照總時長在4月達到最高約170 h左右，5、6月則下降至100 h左右。2020年各個城市差異較大。巴中在5、6月日照總時間為320和290 h左右，遠超其他4個城市。整體來看，2020年川東北的日照時間多于2019年，太陽輻射更強。

圖6、圖7反應(yīng)了川南城市群2020年和2019年1～6月疫情期間的AQI和氣象條件變化。AQI 2019年1～6月呈逐月下降態(tài)勢，1月最高，4個城市都在100～120，到5、6月下降至60～70。2020年川南的AQI較其他兩個區(qū)域偏高。從整體看，川南城市群的空氣質(zhì)量不如川東北，與成都平原相當(dāng)。

圖6 2019年1～6月川南地區(qū)氣象參數(shù)逐月變化：（a）AQI；（b）風(fēng)速；（c）降水量；（d）濕度；（e）溫度；（f）日照時長Fig. 6 Monthly changes of meteorological parameters in southern Sichuan from January to June 2019: (a) AQI; (b) wind speed; (c) precipitation; (d)humidity; (e) temperature; (f) sunshine duration

圖7 同圖6，但為2020年1～6月川南地區(qū)氣象參數(shù)逐月變化Fig. 7 Same as Fig. 6, but from January 2020 to June 2020

不同于其余兩個區(qū)域，川南的風(fēng)速兩年差距更明顯。宜賓擴散條件較好。其余城市則偏低。

總降水量2019年和2020年走勢類似、逐月上升，僅瀘州在2019年4月降水偏多，達到200毫米左右。但2020年5月的干旱程度較其他兩個區(qū)域較輕。相對濕度2020年5月相對濕度為65%～70%，低于2019年的85%。自貢在4個城市中，相對濕度最低，普遍比其他城市低5%左右。

川南地區(qū)2020年1～3月要暖于2019年，偏高約5°C左右，4月溫度相當(dāng)，5～6月則又偏暖5°C左右。與其他兩個區(qū)域相比，川南地區(qū)2020年偏暖程度更高。值得注意的是，2020年1～6月，自貢的平均溫度明顯低于其余3個城市，氣象條件差異較大。

日照時長2019年與其余兩個區(qū)域相似，1～4月逐漸增長，4月達到最大約150 h，5、6月回落至100 h左右。2020年，自貢、內(nèi)江的日照時長較其他兩個城市更長，其中自貢長期在150 h左右，內(nèi)江從2月開始也在140 h左右。整體來看，2020年川南城市群太陽輻射更強。

3.3 氣象條件變化導(dǎo)致污染物濃度分布變化的數(shù)值模擬分析

本章節(jié)采用固定排放源文件，改變輸入氣象場的方法對2020年“新冠”疫情期間和2019年對應(yīng)時間段的污染物質(zhì)量濃度分布進行模擬。表6統(tǒng)計了2019年和2020年兩年中模式模擬相對較差的2月模擬的效果，結(jié)果說明模式對于2019年和2020年的模擬結(jié)果相對觀測偏差較小，具有一定的一致性和相關(guān)性，可以用作氣象條件變化的評估工作。

表6 2019年2月和2020年2月氣象要素和部分空氣質(zhì)量模擬效果統(tǒng)計分析Table 6 Statistical analysis of meteorological elements and partial air quality simulation results in February 2019 and February 2020

圖8為2020年與2019年P(guān)M2.5濃度1～6月月均模擬結(jié)果的差值。8a-8f分別為1～6月。2020年1、2月，在相同的源條件下，2020年的PM2.5濃度低于2019年。其中1月主要偏低的區(qū)域在成都平原東部的遂寧、成都西部、雅安東北部，川南地區(qū)的內(nèi)江、自貢、瀘州交界一帶；在樂山、眉山和綿陽有小范圍的偏高區(qū)域。2月的模擬結(jié)果偏小比1月更多，尤其是四川盆地南部的眉山、樂山、自貢、宜賓和瀘州等城市，偏低幅度均超過了10 μg/m3，說明2月這些城市的氣象條件對于PM2.5擴散更有利。而在成都、德陽、綿陽、廣安和達州部分地區(qū)，存在偏高的情況。3、4月的情況與1、2月相反，2020年P(guān)M2.5模擬濃度高于2019年，說明氣象條件在2020年相對不利，推測與濕度有關(guān)。其中3月偏高的大值區(qū)主要分布在川東北的南充、廣安以及川南地區(qū)的自貢、內(nèi)江附近，大約較2019年高出6 μg/m3。4月偏高的量總體來看少于3月，說明4月的氣象條件有所好轉(zhuǎn)，但依然是不利于PM2.5擴散的，偏高的區(qū)域主要分布在瀘州和廣安。5、6月的情況與1、2月相似，整個四川盆地都是略微有利于PM2.5的擴散，但模擬濃度差值較小，約為2～4 μg/m3。大值區(qū)分布5、6月呈現(xiàn)南北位移的情況。5月差值大值區(qū)分布在川南的宜賓、自貢，相差6 μg/m3左右。6月大值區(qū)北移至成都平原北部的成都、德陽和綿陽附近，相差4 μg/m3左右，在盆地其余城市，5、6月的差值都低于2 μg/m3。

圖8 2020年與2019年P(guān)M2.5濃度1～6月月均模擬結(jié)果的差值（單位：μg/m3）：（a）1月；（b）2月；（c）3月；（d）4月；（e）5月；（f）6月Fig. 8 Differences of monthly mean simulation results of PM2.5 concentration from January to June between 2019 and 2020: (a) January; (b)February; (c) March; (d) April; (e) May; (f) June

圖9為PM10的差值結(jié)果。因與PM2.5同屬顆粒物污染，因此PM10的分布結(jié)果與PM2.5相似。1月氣象條件有利于PM10擴散，主要偏低在成都、遂寧、內(nèi)江、瀘州和廣安附近。2月成都平原和川東北的大部分地區(qū)都不利于PM10擴散，其中成都、德陽、綿陽、廣安4個城市氣象條件特別不利，2020年模擬結(jié)果比2019年偏高10 μg/m3以上；川南4個城市大部分地區(qū)氣象條件有利，模擬結(jié)果偏小10 μg/m3以上。3、4月的模擬結(jié)果和PM2.5分布基本相當(dāng)，整體為不利于PM10擴散，3月比4月不利程度更嚴重。5、6月大部分地區(qū)氣象條件都為有利，5月有利地區(qū)在川南宜賓、自貢附近，6月則北移至成都、德陽一帶。值得注意的是，5月在成都有小部分地區(qū)是氣象不利的情況，位置與成都市區(qū)相吻合，說明城市化對氣象條件造成的影響較大。

圖9 2020年與2019年P(guān)M10濃度1～6月月均模擬結(jié)果的差值：（a）1月；（b）2月；（c）3月；（d）4月；（e）5月；（f）6月Fig. 9 Differences of monthly mean simulation results of PM10 concentration from January to June between 2020 and 2019: (a) January; (b)February; (c) March; (d) April; (e) May; (f) June

圖10至圖13為氣體污染物的模擬結(jié)果，其中圖10為SO2的模擬結(jié)果。1月整個四川盆地都是有利于SO2擴散的氣象條件，約1.0 μg/m3。2月除川東北的達州、廣安外，其余城市也為有利，其中眉山地區(qū)SO2擴散條件最好，模擬濃度差為4 μg/m3。3月在川東北巴中、達州、南充和廣安4個城市，氣象條件不利于SO2擴散，其余城市兩年基本持平。4～6月2020年SO2擴散條件基本與往年相當(dāng)，其中4月略差，5、6月略好，差值在1.5 μg/m3以內(nèi)。

圖10 2020年與2019年SO2濃度1～6月月均模擬結(jié)果的差值：（a）1月；（b）2月；（c）3月；（d）4月；（e）5月；（f）6月Fig. 10 Differences of monthly mean simulation results of SO2 concentration from January to June between 2020 and 20193: (a) January; (b)February; (c) March; (d) April; (e) May; (f) June

圖11為NO2的結(jié)果，NO2的濃度差值分布與顆粒物明顯不同。在1月，模擬成都平原的NO2濃度較2019年偏高，川南瀘州則偏低，偏差量級均在4 μg/m3左右。在2月，NO2的擴散條件最為惡劣，除成都平原的樂山、眉山和成都西部地區(qū)NO2擴散條件較好以外，盆地其余城市都因為氣象條件造成NO2濃度升高，特別是成都、達州和瀘州等地區(qū)，濃度升高幅度達到4 μg/m3以上。3月NO2擴散條件略好于2月，偏高的大值區(qū)在達州附近。4～6月NO2擴散條件較好，盆地大部分地區(qū)都為負值區(qū)。僅4月的川南部分城市、5月的成都市中心和川東北部分區(qū)域NO2氣象擴散條件較差。6月整個四川盆地擴散條件都相對較好，特別是成都附近，氣象條件造成NO2濃度下降達到了4 μg/m3以上。

CO的濃度模擬結(jié)果來看（圖12），1、5、6月結(jié)果較為相似，均為擴散條件相對2019年略好，1月的擴散條件更好于5、6月。值得注意的是，1月在成都市區(qū)出現(xiàn)了小范圍的擴散條件較差的情況，說明城市化同樣對CO擴散條件影響較大。2月以成都簡陽為界，南部大部分地區(qū)擴散條件更好，模擬結(jié)果偏低，北部大部分城市相對擴散條件更好，模擬結(jié)果偏高。3月氣象條件和往年差距不大，模擬結(jié)果差值也接近0 mg/m3。CO在4月的結(jié)果較為特殊，整個四川盆地擴散條件都相對較差，模擬結(jié)果偏高。其中以瀘州、自貢、宜賓等城市差值較大，其余城市差值相對較小。

圖12 2020年與2019年CO濃度1～6月月均模擬結(jié)果的差值：（a）1月；（b）2月；（c）3月；（d）4月；（e）5月；（f）6月Fig. 12 Difference of monthly mean simulation results of CO concentration from January to June between 2020 and 2019: (a) January; (b) February;(c) March; (d) April; (e) May; (f) June

圖13為O3-8 h滑動平均濃度的模擬結(jié)果圖。1、2月結(jié)果比較類似，都是盆地大部分地區(qū)為偏不利，小部分地區(qū)為有利于O3擴散。其中1月不利的城市主要集中在川南瀘州、自貢和宜賓三市，2月不利地區(qū)北移到川東北的達州和成都平原的綿陽，相對小值區(qū)主要是分布在川南部分地區(qū)。3、4月，盆地的氣象條件有利于O3濃度減小，基本所有地區(qū)都為負值。5、6月情況相反，盆地氣象條件對O3濃度極為不利。特別是5月，在成都平原的成都、眉山、德陽一帶，川東北的廣安一帶以及川南的瀘州一帶，都出現(xiàn)了2020年模擬結(jié)果大于2019年結(jié)果超過20 μg/m3以上的情況。6月川東北情況有所好轉(zhuǎn)，但成都市出現(xiàn)大氣擴散條件更加惡化的情況。

圖13 2020年與2019年O3-8 h滑動平均濃度1～6月月均模擬結(jié)果的差值：（a）1月；（b）2月；（c）3月；（d）4月；（e）5月；（f）6月Fig. 13 Differences of monthly mean simulation results of O3 8-h sliding average concentration from January to June between 2019 and 2020: (a)January; (b) February; (c) March; (d) April; (e) May; (f) June

3.4 氣象條件變化、人為排放變化導(dǎo)致污染物濃度變化的城市定量分析

本章分城市討論通過模擬得出的氣象條件、人為排放變化各自對實際污染物濃度變化的貢獻百分比，定量計算了各個城市氣象條件和人為排放各自對污染物濃度變化的影響。從而為四川盆地各個城市人為排放分析提供一定數(shù)值依據(jù)。其中，氣象條件與人為排放對污染物濃度變化貢獻計算方法為其中，C為時間段內(nèi)實際污染物觀測濃度，下標(biāo)代表年份；a為氣象條件對污染物濃度變化貢獻百分比，b為人為排放對污染物濃度貢獻百分比。

圖14為PM2.5各個城市的貢獻分析結(jié)果。與3.3章節(jié)相對應(yīng)，氣象條件在1、2月普遍對PM2.5為負貢獻，即有利于減輕PM2.5濃度，但是成都、德陽、綿陽、廣安、達州在2月氣象條件相對較差，尤其綿陽氣象條件影響為19.7%。3、4月氣象條件變差，多個城市貢獻率超過20%，最高為4月瀘州的氣象條件貢獻率達31.7%。5、6月擴散條件又轉(zhuǎn)好，盆地大部分城市均為負貢獻，說明5、6月氣象條件有利于PM2.5擴散。與氣象條件對應(yīng)的人為影響結(jié)果可以看出，模擬結(jié)果較好的對應(yīng)了人類活動的特征。1月“新冠”疫情尚未大規(guī)模影響生產(chǎn)生活，但是四川采取了較嚴格的污染減排措施，并且1月為傳統(tǒng)農(nóng)歷新年，人為活動較少，因此1月的盆地各個城市人為活動影響普遍為負貢獻，特別川東北人為影響為－28.7%，與1月較好的氣象條件疊加，導(dǎo)致觀測的PM2.5濃度較2019年下降明顯，特別是樂山、達州、巴中等城市，PM2.5濃度下降了超過35%。2月四川盆地已經(jīng)開始受到疫情影響，人口較為聚集的區(qū)域如成都、德陽和綿陽人為影響貢獻相對較大，但川南地區(qū)人為影響為正貢獻，可能與當(dāng)?shù)厥芤咔橛绊戄^小，排放依然較高有關(guān)。3月為“新冠”疫情全面爆發(fā)期，盆地幾乎所有城市人為影響下降幅度都在20%以上，成都平原、川南和川東北人為貢獻分別為－34%，26.2%和25.8%，說明3月疫情期間，人為污染物排放大幅減少了。4月國內(nèi)疫情接近結(jié)束，4月15日，四川省22戶省屬主要企業(yè)復(fù)工率達到99.1%，但中小企業(yè)并未完全開工，因此盆地大部分城市人為影響也是下降趨勢，僅成都、德陽、綿陽為正貢獻，與不利的氣象條件疊加，4月實際污染物濃度降幅變小，川東北實際PM2.5濃度較2019年還有所上升。5、6月為全面復(fù)工復(fù)產(chǎn)月份，5月四川省發(fā)電量較2019年同比增長8.6%，規(guī)模以上工業(yè)增加值同比增長5.7%，可以間接說明人為排放影響較2019年大幅上升。6月成都、德陽、綿陽的人為影響達到50%，成都平原總體也有20%和15%的升幅。因此雖然這2月氣象條件相對較好，但實際觀測PM2.5濃度較往年也有所上升，特別是成都、德陽和綿陽一帶。從1～6月整體來看，氣象條件和人為排放均有利于PM2.5改善，因此實際觀測PM2.5濃度在盆地下降了約11.3%。

圖14 四川盆地各個城市氣象影響和人為影響對PM2.5濃度變化的貢獻，紅、綠顏色越深代表貢獻百分比越高Fig. 14 Contributions of meteorology and human impact on PM2.5 concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

圖15為PM10的模擬分析結(jié)果，PM10與PM2.5的結(jié)果較為相似，都是5、6月全面復(fù)工復(fù)產(chǎn)階段人為排放提升影響較大，1～4月減小影響較大。僅2月人為影響區(qū)別較大，PM10在2月的人為影響為負的城市更多。

圖15 四川盆地各個城市氣象影響和人為影響對PM10PM2.5濃度變化的貢獻，紅、綠顏色越深代表貢獻百分比越高Fig. 15 Contributions of meteorology and human impact on PM10 concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

圖16為SO2模擬分析結(jié)果，四川盆地的SO2來源主要是煤燃燒，在1、2月，南充人為排放貢獻大增78.2%和97.6%，說明此時段南充燃煤排放較多，之后南充加強了污染排放管制措施，后續(xù)月份人為排放貢獻影響較小。在5、6月，同樣因為全面復(fù)工復(fù)產(chǎn)，SO2的人為影響也在上升，成都平原、川南、川東北三大區(qū)域在5月人為影響均為正值。德陽6月的人為影響上升幅度達125.7%，這也導(dǎo)致6月德陽實際觀測的SO2濃度較2019年上升了85.7%。綜合1～6月來看，氣象條件為盆地城市SO2濃度貢獻為-4.1%，人為排放貢獻為-2.5%，綜合SO2觀測濃度在2020年相比2019年下降6.5%。

圖16 四川盆地各個城市氣象影響和人為影響對SO2濃度變化的貢獻，紅、綠顏色越深代表貢獻百分比越高Fig. 16 Contributions of meteorology and human impact on SO2 concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

圖17為NO2模擬結(jié)果。NO2作為臭氧前體物，主要來自化石燃料燃燒和自然生成。盆地城市1～6月NO2氣象影響在2月較為嚴重，不利于NO2擴散，貢獻為17%，6月則有利于NO2擴散，貢獻度為-12.1%。1～3月人為影響均為負貢獻，即排放減小。說明NO2的濃度受疫情影響較為嚴重。4～6月轉(zhuǎn)為正值，其中5月NO2排放情況較嚴重，貢獻了18.1%，主要排放嚴重城市為德陽、綿陽、成都、眉山、自貢和南充。四川盆地1～6月整體NO2呈下降趨勢，觀測到的NO2濃度較2019年下降11.7%，其中由氣象條件貢獻了0.9%，減排貢獻了12.5%。

圖17 四川盆地各個城市氣象影響和人為影響對NO2濃度變化的貢獻，紅、綠顏色越深代表貢獻百分比越高Fig. 17 Contributions of meteorology and human impact on NO2 concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

圖18為CO的貢獻結(jié)果分析?？梢哉J為綿陽、遂寧、瀘州3個城市對CO排放控制力度不夠，人為影響除2月外均為正貢獻。特別5、6月幾個城市貢獻率超過25%。其余大部分城市，CO人為排放控制較好，均采取了有效的污染減排措施。1～6月盆地CO濃度下降9%，其中氣象影響貢獻了其中1.7%，減排措施貢獻了另外7.4%。

圖18 四川盆地各個城市氣象影響和人為影響對CO濃度變化的貢獻，紅、綠顏色越深代表貢獻百分比越高Fig. 18 Contributions of meteorology and human impact on CO concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

圖19為O3的模擬評估貢獻結(jié)果。2020年四川盆地遭受了較嚴重的臭氧污染，4～6月期間，四川盆地發(fā)生了多次臭氧污染過程。從模擬的結(jié)果來看，氣象條件影響并不是造成盆地嚴重O3污染的主要原因，1～3月由于氣溫較低，幾乎不會發(fā)生O3污染過程。4月氣象條件貢獻為－4.9%，而5、6月天氣條件均有利于臭氧污染的發(fā)生，貢獻率分別為10.8%和5.5%，這也與3.2章節(jié)中溫度和日照時數(shù)結(jié)果相對應(yīng)。人為排放影響方面，4月盆地各個城市排放控制較好，這也與盆地還未全面復(fù)工復(fù)產(chǎn)有關(guān)。5月，四川盆地臭氧污染情況最為嚴重，主要是人為排放造成，成都平原、川南、川東北的人為影響率分別為26.1%，18.3%，20.3%，搭配不利的氣象條件，導(dǎo)致盆地5月臭氧濃度大幅上升33.3%。6月臭氧人為排放控制有所控制，但依然較多，貢獻了3.6%。1～6月整體來看，盆地各個城市氣象條件影響不大，僅貢獻了2.2%，但人為排放貢獻8.6%，合計導(dǎo)致盆地觀測到的O3濃度上升11%。

圖19 四川盆地各個城市氣象影響和人為影響對O3濃度變化的貢獻，紅、綠顏色越深代表貢獻百分比越高Fig. 19 Contributions of meteorology and human impact on O3 concentration in various cities in the Sichuan Basin, the darker of the green and red color represent the more contribution to the pollution concentration

4 結(jié)論與展望

本文首先分析了2020年1～6月四川盆地各個城市整體空氣質(zhì)量情況，再分析了期間對空氣質(zhì)量影響較大的溫度、風(fēng)速、相對濕度、總降水量和總?cè)照諘r長等氣象參數(shù)變化情況，又采用固定排放源，僅改變驅(qū)動氣象場條件的方法對2020年1～6月和2019年對應(yīng)期間的PM2.5、PM10、SO2、NO2、CO和O36種主要大氣污染物質(zhì)量濃度在盆地的分布變化情況進行了模擬，最后定量計算了各種污染物濃度在各個城市的氣象條件貢獻率和人為排放貢獻率，主要得出以下結(jié)論：

（1）總體來看2020年1～6月整體空氣質(zhì)量優(yōu)于2019年1～6月。

（2）從氣象要素看，2020年成都平原、川東北平均風(fēng)速與往年相當(dāng)，因風(fēng)力導(dǎo)致的擴散條件與往年較為接近，川南則低于往年。從3月開始，2020年各個城市的總降水量明顯較2019年偏少，其中2020年5月降水偏少情況最為嚴重，對應(yīng)相對濕度在5月相對較低。平均溫度來看，2020年的平均溫度高于2019年，尤其是5、6月平均溫度較往年偏高大約5°C左右。反應(yīng)太陽輻射量的月日照總時長從3、4月開始明顯長于往年。

（3）污染物濃度分布對比，PM2.5和PM10相似，1、2月2020年模擬結(jié)果低于2019年，3、4月高于往年，5、6月又低于往年，主要變化區(qū)域在川南城市群。SO2主要是1、2月有利于擴散，3月川東北不利擴散，其余月份差距不明顯。NO2主要是2月較為不利，CO不利的月份為4月。O3污染主要從4月開始，4月氣象條件是有利于臭氧擴散的，而5、6月盆地氣象條件對O3污染過程起了較強的推動作用。

（4）定量分析各個城市污染物濃度貢獻率看出，因為受疫情影響，除臭氧外的顆粒物和氣體污染物在1～4月人為貢獻主要為負，5、6月由于全面復(fù)工復(fù)產(chǎn)，排放大量增加，導(dǎo)致盆地的污染物濃度也有所上升，人為排放貢獻率也大幅增加。O3則是由于人為排放增加與不利氣象條件疊加的結(jié)果，導(dǎo)致2020年盆地的O3污染情況較為嚴重。

本文雖然計算了氣象條件和人為排放各自對空氣質(zhì)量變化的貢獻率，但單獨使用模式模擬結(jié)果存在一定的誤差，數(shù)據(jù)結(jié)果僅能為污染防治提供參考。另外，本文僅比較了2020年相對2019年的變化，未來工作中需要與多年平均結(jié)果作對比更具說服力。