基于應(yīng)急預(yù)警的秋冬季重污染天氣特征研究*

龔 韜，陳 貝，齊國(guó)偉，肖瀛川，李嘉琪，樊寒松，鄧 淼

(1 四川省樂(lè)山生態(tài)環(huán)境監(jiān)測(cè)中心站，四川 樂(lè)山 614000；2 樂(lè)山市氣象局氣象臺(tái)，四川 樂(lè)山 614000)

2018年藍(lán)天保衛(wèi)戰(zhàn)以來(lái)，大氣污染防治工作進(jìn)入深水區(qū)，針對(duì)秋冬頻發(fā)的區(qū)域性污染，目前的預(yù)警管控措施在減輕污染強(qiáng)度和減小污染范圍上卓有成效，但區(qū)域性聯(lián)防聯(lián)控不能解決一個(gè)地區(qū)污染時(shí)空差異性問(wèn)題[1-3]，容易導(dǎo)致“一刀切”，以市(縣)為基本經(jīng)濟(jì)單元的區(qū)域格局需要更精細(xì)的預(yù)報(bào)和防控措施，以樂(lè)山市為例，應(yīng)急成本僅工業(yè)源一項(xiàng)就達(dá)到2.12億元/天(黃色預(yù)警)～2.52億元/天(紅色預(yù)警)[4-6]。針對(duì)這一現(xiàn)狀，本課題以2019-2022年11次典型的秋冬季重污染天氣應(yīng)急管控過(guò)程為研究對(duì)象[7-8]，歸納出不同氣象場(chǎng)對(duì)污染的影響，并分析氣象因素和污染物的關(guān)系，為今后重污染應(yīng)急管控提供更精準(zhǔn)的技術(shù)支撐[9-13]。

1 材料和方法

1.1 數(shù)據(jù)資料

本次研究氣象資料來(lái)源于中國(guó)氣象部門(mén)氣象信息綜合處理系統(tǒng)(MICAPS)。環(huán)境空氣質(zhì)量數(shù)據(jù)來(lái)源于四川省空氣質(zhì)量監(jiān)測(cè)網(wǎng)絡(luò)管理系統(tǒng)，數(shù)據(jù)選取時(shí)段為2019年1月-2022年1月，考慮案例為秋冬季重污染過(guò)程，超標(biāo)污染主要選取O3、PM10和PM2.5。環(huán)境空氣自動(dòng)監(jiān)測(cè)設(shè)備為24 h連續(xù)在線(xiàn)監(jiān)測(cè)，運(yùn)維和質(zhì)控均嚴(yán)格按照《環(huán)境空氣顆粒物(PM10和PM2.5)連續(xù)自動(dòng)監(jiān)測(cè)系統(tǒng)運(yùn)行和質(zhì)控技術(shù)規(guī)范》(HJ 817-2018)；《環(huán)境空氣氣態(tài)污染物(SO2、NO2、O3、CO)連續(xù)自動(dòng)監(jiān)測(cè)系統(tǒng)運(yùn)行和質(zhì)控技術(shù)規(guī)范》(HJ 818-2018)等相關(guān)標(biāo)準(zhǔn)和技術(shù)規(guī)范開(kāi)展。

2019年1月-2022年1月的秋冬季，樂(lè)山市共出現(xiàn)了11次典型的重污染天氣過(guò)程，最短的持續(xù)5天，最長(zhǎng)的持續(xù)了42天。各污染過(guò)程對(duì)應(yīng)時(shí)間段和應(yīng)急管控情況見(jiàn)表1。

表1 重污染天氣過(guò)程應(yīng)急預(yù)警啟動(dòng)情況Table 1 Heavy pollation weather process emergency warning start situation

1.2 分析方法

1.2.1 氣象要素的分類(lèi)

根據(jù)選取的2019年1月-2022年1月11次典型的重污染天氣過(guò)程[14-18]，見(jiàn)表1。采用K-means算法對(duì)其中環(huán)境空氣質(zhì)量指數(shù)AQI>100的天氣個(gè)例樣本進(jìn)行分型、歸類(lèi)。據(jù)此分析歸納出不同污染程度對(duì)應(yīng)的氣象條件[19-24]。

1.2.2 主要污染物與氣象要素相關(guān)性分析

用SPSS軟件計(jì)算研究時(shí)段內(nèi)樂(lè)山市的O3、PM10、PM2.5等污染物濃度與氣象要素中的最高氣溫、最低氣溫、24 h降雨量(R08-08)、相對(duì)濕度、二分鐘平均風(fēng)速、總云量之間的Pearson相關(guān)系數(shù)，據(jù)此判斷與主要污染物濃度相關(guān)的氣象要素[25-30]。

2 結(jié)果與討論

2.1 重污染過(guò)程天氣形勢(shì)分型

2.1.1 天氣形勢(shì)分型

基于K-means算法對(duì)上述11個(gè)重污染個(gè)例進(jìn)行分型、歸類(lèi)。統(tǒng)計(jì)出高空500 hPa形勢(shì)主要有：西風(fēng)波動(dòng)氣流、槽后脊前西北氣流，部分弱脊和南支槽，前兩種形勢(shì)占比約80%，700 hPa形勢(shì)有70%個(gè)例為西南風(fēng)或者西南急流，其次為弱南風(fēng)和風(fēng)向不明確的弱風(fēng)；850 hPa形勢(shì)有70%個(gè)例為偏北風(fēng)和東北風(fēng)，風(fēng)速以弱風(fēng)為主，其余為風(fēng)向不明確的弱風(fēng)。

對(duì)重污染個(gè)例的地面天氣形勢(shì)進(jìn)行分型、歸類(lèi)得出：有利于大氣污染物擴(kuò)散的地面形勢(shì)為高壓前部和高壓控制。其環(huán)流形勢(shì)特點(diǎn)是川北和冷空氣來(lái)源方向有較大的氣壓梯度，風(fēng)速較大，有利于污染擴(kuò)散，東北路強(qiáng)冷空氣入侵結(jié)合高原低槽，容易出現(xiàn)明顯降水，降低污染物濃度。而不利于污染物擴(kuò)散類(lèi)地面天氣形勢(shì)可分為高壓后部控制，低壓前部控制和均壓場(chǎng)(鞍型場(chǎng))控制。主要特點(diǎn)是地面氣壓分布均勻，近地面和低空風(fēng)速較小，靜風(fēng)頻率高，常伴有較強(qiáng)的輻射逆溫或低空逆溫，且逆溫厚度較大，強(qiáng)度較強(qiáng)，底層大氣層結(jié)穩(wěn)定，不易被破壞，不利于大氣污染物的稀釋和擴(kuò)散，易導(dǎo)致污染物濃度升高。

2.1.2 主要?dú)庀笠胤诸?lèi)

統(tǒng)計(jì)污染天氣發(fā)生時(shí)的不同等級(jí)風(fēng)速、降雨量以及相對(duì)濕度出現(xiàn)的頻率，對(duì)其進(jìn)行分類(lèi)。地面風(fēng)力條件被認(rèn)為是大氣污染物稀釋擴(kuò)散的最直接因素之一。經(jīng)統(tǒng)計(jì)污染發(fā)生時(shí)約80%極大風(fēng)速低于5 m/s，其中3～4 m/s最多；隨著風(fēng)速加大，污染概率明顯下降，極大風(fēng)速7 m/s以上時(shí)，出現(xiàn)污染的概率僅有3.8%。據(jù)案例統(tǒng)計(jì)，中度污染發(fā)生時(shí)超過(guò)90%的極大風(fēng)風(fēng)速在5 m/s以下，而當(dāng)極大風(fēng)風(fēng)速超過(guò)7 m/s時(shí)，中度污染發(fā)生的概率為0，風(fēng)速較大時(shí)，越不易發(fā)生重污染，見(jiàn)表2。

表2 不同風(fēng)速區(qū)間的污染發(fā)生頻率統(tǒng)計(jì)Table 2 Statistics of pollution frequency in different wind speed intervals

相對(duì)濕度(RH)會(huì)影響氣溶膠的大小、形狀和消光。鄧?yán)旱萚31](2012)研究認(rèn)為，在一定濕度范圍內(nèi)，相對(duì)濕度越大越有利于顆粒物生成，在高濕度情況下更易發(fā)生嚴(yán)重污染。研究發(fā)現(xiàn)樂(lè)山市污染時(shí)段多出現(xiàn)在60%～90%濕度范圍內(nèi)，在此范圍內(nèi)，隨著相對(duì)濕度增大，污染加重；相對(duì)濕度在70%～90%時(shí)，中度污染出現(xiàn)頻率達(dá)到73.3%，見(jiàn)表3。

表3 不同濕度區(qū)間的污染發(fā)生頻率統(tǒng)計(jì)Table 3 Statistics of pollution frequency in different humidity intervals

降水分為兩種情況：一種是高原低槽東移造成的動(dòng)力性降水，第二種是由于冷空氣過(guò)境，引起的降水，這兩種也可以相結(jié)合，即既有低槽引發(fā)的降水，也有冷空氣導(dǎo)致的降水。比較而言，500 hPa低槽配合中低層冷空氣的降水量最明顯，雨量最大，范圍也較廣，而單一由于冷空氣或低槽引發(fā)的降水要偏弱些。降水對(duì)污染物的降解體現(xiàn)在沉降作用，最明顯的是在冬季和春秋季節(jié)，見(jiàn)表4。

表4 不同降雨量區(qū)間的污染發(fā)生頻率統(tǒng)計(jì)Table 4 Statistics of pollution frequency in different rainfall intervals

此外，邊界層高度也值得關(guān)注，邊界層高度是空氣污染預(yù)報(bào)的重要指標(biāo)之一，邊界層高度愈高，污染物擴(kuò)散稀釋的空間愈大，濃度愈?。环粗?，邊界層高度愈低，污染物濃度愈大。在穩(wěn)定邊界層內(nèi)，污染物不容易上下擴(kuò)散，而被限制在穩(wěn)定邊界層下的空間。

2.2 環(huán)境空氣污染物與氣象要素的相關(guān)性分析

對(duì)照表1各污染過(guò)程，分析主要污染物(O3、PM10、PM2.5)與氣象各要素相關(guān)系數(shù)得出：PM2.5與相對(duì)濕度呈顯著正相關(guān)，相關(guān)系數(shù)為0.394；PM2.5、PM10與平均風(fēng)速呈顯著負(fù)相關(guān)，相關(guān)系數(shù)分別為：-0.441和-0.467。氣象要素之間最高氣溫與總云量、相對(duì)濕度均呈顯著負(fù)相關(guān)，相關(guān)系數(shù)分別為：-0.674和-0.840；最低氣溫與總云量呈顯著正相關(guān)，相關(guān)系數(shù)為0.333；降雨量與相對(duì)濕度呈顯著正相關(guān)，相關(guān)系數(shù)為0.330；相對(duì)濕度與總云量呈顯著正相關(guān)，相關(guān)系數(shù)為0.683，見(jiàn)表5。

表5 2019年第一次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 5 Correlation coefficient between pollutants and meteorological elements in the first pollution process in 2019

從2019年第二次污染過(guò)程環(huán)境空氣中O3、PM10、PM2.5和氣象各要素相關(guān)系數(shù)可以得出：PM2.5、PM10與最低氣溫呈顯著正相關(guān)，相關(guān)系數(shù)分別為0.579和0.600。氣象要素之間最高氣溫與總云量、相對(duì)濕度均呈顯著負(fù)相關(guān)，相關(guān)系數(shù)分別為：-0.617和-0.799；相對(duì)濕度與總云量呈顯著正相關(guān)，相關(guān)系數(shù)為0.654，見(jiàn)表6。

表6 2019年第二次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 6 Correlation coefficient between pollutants and meteorological elements in the second pollution process in 2019

從2019年第三次污染過(guò)程環(huán)境空氣中O3、PM10、PM2.5和氣象各要素相關(guān)系數(shù)可以得出：PM2.5、PM10與最高氣溫、最低氣溫以及相對(duì)濕度呈顯著正相關(guān)，相關(guān)系數(shù)分別為：0.573、0.589；0.493、0.497；0.580和0.562。而氣象要素之間最高氣溫與降雨量呈顯著負(fù)相關(guān)，相關(guān)系數(shù)為：-0.487；最低氣溫與總云量呈顯著正相關(guān)，相關(guān)系數(shù)為0.629，見(jiàn)表7。

表7 2019年第三次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 7 Correlation coefficient of pollutants and meteorological elements in the third pollution process in 2019

從2020年第一次污染過(guò)程環(huán)境空氣中O3、PM10、PM2.5和氣象各要素相關(guān)系數(shù)可以得出：PM2.5、PM10與最低氣溫呈顯著正相關(guān)，相關(guān)系數(shù)分別為：0.627和0.610。而氣象要素之間最高氣溫與總云量、相對(duì)濕度均呈顯著負(fù)相關(guān)，相關(guān)系數(shù)分別為：-0.605和-0.874；最低氣溫與總云量、相對(duì)濕度呈顯著正相關(guān)，相關(guān)系數(shù)為0.493和0.571；相對(duì)濕度與風(fēng)速呈顯著負(fù)相關(guān)，相關(guān)系數(shù)為-0.382；相對(duì)濕度與總云量呈顯著正相關(guān)，相關(guān)系數(shù)為0.685，見(jiàn)表8。

表8 2020年第一次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 8 Correlation coefficient of pollutants and meteorological elements in the first pollution process in 2020

從2020年第二次污染過(guò)程環(huán)境空氣中O3、PM10、PM2.5和氣象各要素相關(guān)系數(shù)可以得出：PM2.5、PM10與降雨量呈正相關(guān)，相關(guān)系數(shù)分別為：0.508和0.532。而氣象要素之間最低氣溫與降雨量、總云量呈顯著正相關(guān)，相關(guān)系數(shù)為0.834和0.670；相對(duì)濕度與風(fēng)速呈負(fù)相關(guān)，相關(guān)系數(shù)為-0.711；相對(duì)濕度與總云量呈正相關(guān)，相關(guān)系數(shù)為0.799，總云量與風(fēng)速呈負(fù)相關(guān)，相關(guān)系數(shù)為-0.664，見(jiàn)表9。

表9 2020年第二次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 9 Correlation coefficient between pollutants and meteorological elements in the second pollution process in 2020

從2020年第三次污染過(guò)程環(huán)境空氣中O3、PM10、PM2.5和氣象各要素相關(guān)系數(shù)可以得出：PM2.5、PM10與最低氣溫、風(fēng)速呈正相關(guān)。本次過(guò)程降雨量和總云量數(shù)據(jù)為0，沒(méi)有得到相關(guān)系數(shù)。其中氣溫與濕度、風(fēng)速均呈負(fù)相關(guān)，見(jiàn)表10。

表10 2020年第三次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 10 Correlation coefficient between pollutants and meteorological elements in the third pollution process in 2020

從2020年第四次污染過(guò)程環(huán)境空氣中O3、PM10、PM2.5和氣象各要素相關(guān)系數(shù)可以得出：PM2.5、PM10與降雨量、相對(duì)濕度呈顯著正相關(guān)，相關(guān)系數(shù)分別為：0.779、730；785和0.859。而氣象要素之間最高氣溫與相對(duì)濕度呈顯著負(fù)相關(guān)，相關(guān)系數(shù)為-0.890；相對(duì)濕度與雨量呈呈正相關(guān)，相關(guān)系數(shù)為0.708，見(jiàn)表11。

表11 2020年第四次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 11 Correlation coefficient of pollutants and meteorological elements in the fourth pollution process in 2020

從2021年第一次污染過(guò)程環(huán)境空氣中O3、PM10、PM2.5和氣象各要素相關(guān)系數(shù)可以得出：PM2.5、PM10與平均風(fēng)速呈顯著負(fù)相關(guān)，相關(guān)系數(shù)分別為：-0.409和-0.433。而氣象要素之間最高氣溫與雨量、相對(duì)濕度呈顯著負(fù)相關(guān)，相關(guān)系數(shù)為-0.327和-0.645；相對(duì)濕度與雨量呈正相關(guān)，相關(guān)系數(shù)為0.445，見(jiàn)表12。

表12 2021年第一次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 12 Correlation coefficient of pollutants and meteorological elements in the first pollution process in 2021

從2021年第二次污染過(guò)程環(huán)境空氣中O3、PM10、PM2.5和氣象各要素相關(guān)系數(shù)可以得出：顆粒物與最高氣溫、總云量呈正相關(guān)。而氣象要素之間氣溫與相對(duì)濕度呈負(fù)相關(guān)，見(jiàn)表13。

表13 2021年第二次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 13 Correlation coefficient of pollutants and meteorological elements in the second pollution process in 2021

從2021年第三次污染過(guò)程環(huán)境空氣中O3、PM10、PM2.5和氣象各要素相關(guān)系數(shù)可以得出：PM2.5、PM10與氣溫、降雨量和濕度均呈現(xiàn)正相關(guān)，與風(fēng)速、總云量呈負(fù)相關(guān)。氣象要素之間最高氣溫與總云量、相對(duì)濕度呈顯著負(fù)相關(guān)，相關(guān)系數(shù)為-0.446和-0.507；相對(duì)濕度與雨量呈呈正相關(guān)，相關(guān)系數(shù)為0.488，見(jiàn)表14。

表14 2021年第三次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 14 Correlation coefficient of pollutants and meteorological elements in the third pollution process in 2021

從2022年第一次污染過(guò)程環(huán)境空氣中O3、PM10、PM2.5和氣象各要素相關(guān)系數(shù)可以得出：PM2.5、PM10與氣溫呈正相關(guān)，與降雨量、總云量呈負(fù)相關(guān)。氣象要素之間最高氣溫與相對(duì)濕度呈顯著負(fù)相關(guān)，相關(guān)系數(shù)為-0.896，與平均風(fēng)速呈顯著正相關(guān)，相關(guān)系數(shù)為0.608；最低氣溫與總云量呈顯著正相關(guān)，相關(guān)系數(shù)為0.468；相對(duì)濕度與與平均風(fēng)速呈顯著負(fù)相關(guān)，相關(guān)系數(shù)為-0.546，見(jiàn)表15。

表15 2022年第一次污染過(guò)程污染物和氣象各要素相關(guān)系數(shù)Table 15 Correlation coefficient between pollutants and meteorological elements in the first pollution process in 2022

綜上，從污染過(guò)程的主要?dú)庀笠貧w類(lèi)分型來(lái)看，污染發(fā)生期間，約80%的極大風(fēng)速以3～4 m/s為主，濕度范圍在60%～90%，無(wú)降水或弱降水，且邊界層較低；在此條件下，從O3、PM10、PM2.5和氣象各要素的Pearson相關(guān)系數(shù)也可得出污染物濃度與相對(duì)濕度、氣溫主要呈正相關(guān)，與風(fēng)速、降雨量和總云量主要呈負(fù)相關(guān)。

3 結(jié) 論

(1)四川盆地秋冬季重污染天氣過(guò)程中，高空500 hPa形勢(shì)主要為西風(fēng)波動(dòng)氣流和槽后脊前西北氣流，700 hPa形勢(shì)主要為西南風(fēng)和西南急流約，850 hPa形勢(shì)主要為偏北風(fēng)和東北風(fēng)，且風(fēng)速以弱風(fēng)為主；地面天氣形勢(shì)主要為：高壓后部型，低壓前部型和均壓場(chǎng)(鞍型場(chǎng))型。

(2)從主要?dú)庀笠貧w類(lèi)分型來(lái)看，極大風(fēng)速在3～4 m/s，濕度范圍在60%～90%，無(wú)降水或弱降水，且邊界層較低時(shí)易出現(xiàn)重污染。

(3)從O3、PM10、PM2.5和氣象各要素的Pearson相關(guān)系數(shù)也可得出污染物濃度與相對(duì)濕度、氣溫主要呈正相關(guān)，與風(fēng)速、降雨量和總云量主要呈負(fù)相關(guān)。

(4)經(jīng)研究分析，當(dāng)盆地內(nèi)氣象預(yù)報(bào)出現(xiàn)上述情況時(shí)，需重點(diǎn)關(guān)注大氣污染趨勢(shì)和加強(qiáng)會(huì)商預(yù)判，實(shí)時(shí)啟動(dòng)重污染天氣預(yù)警，加大管控力度，減輕污染影響。