天气形势对四川盆地区域性臭氧污染的影响

杨显玉,吕雅琼,王禹润*,乔玉红,张公亮,王式功,张小玲,刘志红,刘奕麟,4,朱新胜

天气形势对四川盆地区域性臭氧污染的影响

杨显玉1,吕雅琼2,王禹润1*,乔玉红3,张公亮1,王式功1,张小玲1,刘志红1,刘奕麟1,4,朱新胜5

(1.成都信息工程大学大气科学学院,高原大气与环境四川省重点实验室,四川 成都 610225；2.中国科学院水利部成都山地灾害与环境研究所,四川 成都 610041；3.四川省生态环境科学研究院,四川 成都 610000；4.中国气象科学研究院,北京 100081；5.生态环境部南京环境科学研究所,江苏 南京 210042)

本研究结合地面观测资料,ERA5再分析数据和PCT客观分型法,分析了2014～2019年四川盆地区域性O3污染特征以及天气形势与O3污染的关系.结果表明,2014～2019年四川盆地O3区域污染发生频数呈单峰型分布,于2016年达到峰值,且发生区域主要集中在成都平原城市群.在6种典型天气类型中,类型1、2、6为污染型,其海平面气压呈西高东低,四川盆地受低压系统控制.类型3、4为清洁型,其中类型3呈北高南低,且在四川盆地东部存在1个低值中心;类型4呈东高西低,在青藏高原区域有一些小范围的高压中心.在污染型天气形势下,四川盆地的气象条件为温度高、云量低、地面接收到的紫外辐射强、相对湿度低,加速了O3的生成,再叠加类型1的静风条件不利于污染物扩散;类型2、6盛行的东南气流对O3及其前体物的输送,造成污染型天气类型发生区域性O3污染比例明显高于其他几种类型.此外,基于环流分型的预测结果表明环流形势对四川盆地各城市群区域O3污染影响可以达到其年变化的2倍以上,对整个四川盆地O3浓度变化的贡献率为34.8%～66.3%.

臭氧污染；天气形势；四川盆地；PCT客观分型法

根据2014～2019年《中国生态环境状况公报》数据[1],我国地级及以上城市的空气质量超标比例由2014年的90.1%逐年下降至2019年的53.4%,大气污染得到了显著改善.然而对于如京天津冀、长江三角洲、珠江三角洲和四川盆地等经济较为发达的城市群,区域空气污染事件仍时常发生[2-3],我国大气染治理仍面临严峻挑战.已有研究表明,重污染事件的形成、发展、消亡受排放和大气中各种物理化学过程决定[4-6],比如干湿沉降、污染物的传输扩散等.其中人为排放是内因,气象因素是外因,在一定天气尺度的时间内,污染排放源一般相对稳定,突发的污染事件和季节性污染特征往往就归结于外部气象因素[7-9].局地气象要素主要由逐日天气过程的演变决定,与环流形势密切相关.环流形势及其演变直接影响污染过程的持续时间和严重程度,尤其对于大中城市聚集的城市群区域,特定的环流背景造成的污染影响可达平均值的5～10倍以上[10],环流形势对空气质量影响显著.Zhang等[11]对1990～2011年环流形势和局地气象要素对香港O3污染的影响进行了研究, 发现气象条件对O3浓度变化的贡献率高达50%;Liu等[12]研究了环流形势对华北O3浓度年际变化的影响,指出华北城市群中有4个城市的局地环流形势对O3浓度年际变化的贡献率高于60%.因此,研究区域环流形势与污染物浓度关系对理解重污染事件的发生机理及其预报预警至关重要.

环流分型可用于提取典型环流形势,分为主观分型和客观分型两种.其中主观分型通常是基于预报员的主观经验研究典型污染个例的环流形势特征,研究时段较短、样本个数较少,且存在个体差异;而客观分型通常是用客观分型方法对位势高度、海平面气压以及风场等格点数据降维,进而识别不同的环流形势特征[13].客观分型技术因其效率高、可处理样本量大等优势被广泛应用于污染天气形势的研究当中[14].Dong等[15]采用PCT客观分型法研究华北污染天气形势,表明围绕东北低压的西南气流带来的干暖空气有利于华北O3的生成和积累;Miao等[16]研究发现由天气强迫造成的水平污染物输送是影响北京夏季空气质量最重要的因素之一;许建明等[17]指出当冷空气路径偏西,锋面呈东北—西南向经过上海时,污染的输送会显著提升上海市污染物浓度.已有研究大多针对京津冀,长江三角洲等城市群开展,而对人口密集,大气污染形势依然严峻的四川盆地的研究相对匮乏.常美玉等[18]分析了成渝地区2014～2018年环流形势与空气污染等级的关系,发现当地面和850hPa上为气旋或东南气流时成渝地区易发生污染;Sun等[19]指出当四川盆地被高压系统控制且气压梯度较小时会导致连续性雾霾污染的发生;蒋婉婷等[20]揭示了四川盆地重污染期间的两种环流形势在500hPa高度上分别被盛行西风气流和槽后西北气流控制,且在850hPa高度上均有气压梯度小的特点.四川盆地内静风频率高,对污染物的稀释扩散能力较弱,大气环境容量远小于平原地区[21-23],再加上四川盆地人口密集,工业化、城市化水平加速提升,最近几年O3污染事件频繁发生[24].因此,利用客观分型方法研究环流形势对四川盆地O3污染的影响对于提升四川盆地重污染潜势预报能力有着重要的现实意义.

基于此,本研究根据地形分布特征和污染物扩散规律将四川盆地分为成都平原、川南、川东北三大城市群并分析2014～2019年盆地内“区域性O3污染过程”时空分布特征,利用PCT客观分型法提取四川盆地典型环流形势,进而研究环流形势及气象条件与区域性O3污染之间的关系,并通过环流分型结果以及环流形势与区域O3浓度的关系预测O3浓度的年际变化以定量地评估环流形势对区域性O3污染的影响,以期为提升四川盆地重污染潜势预报能力及O3污染治理提供理论依据和技术支持.

1 数据与方法

1.1 O3观测数据和ERA5再分析资料

本研究所选用的O3地面观测数据为2014～2019年四川盆地17个城市共82个国控监测站点(图1)的O3日最大8h滑动平均值,由四川省生态环境监测总站提供.

ERA5再分析资料为欧洲中期天气预报中心(ECMWF)最新研发的逐小时全球大气再分析资料,其水平空间分辨率为0.25°×0.25°.本研究选取2014～ 2019年北京时间08:00时的逐日海平面气压场作为分型对象,因为该时刻大范围的探空数据被同化到ERA5再分析资料中,气象场的模拟与其他时段相比更加准确[25].此外,本研究还使用了北京时间14:00时(通常为O3浓度当日最高时刻)的地表紫外辐射、2m温度、总云量、以及950hPa高度上的相对湿度和风场数据.

1.2 O3区域污染过程定义

参考高晓荣等[26]提出的“区域污染过程”定义,根据地形分布特征和污染物扩散规律,将四川盆地城市分为川南(泸州、内江、自贡、宜宾)、川东北(广元、巴中、达州、南充、广安)和成都平原(绵阳、德阳、遂宁、成都、资阳、眉山、雅安、乐山)三大城市群(图1).当1个城市群至少有3个来自不同城市站点,起止日期相同并且连续3d或以上观测的O3浓度大于160μg/m3,则定义该城市群发生1次O3区域污染过程.在2014～2019年期间,任意1个城市群发生过O3区域污染过程的月份称为O3污染月.

图1 四川盆地城市群及监测站点分布

1.3 PCT环流分型方法

本研究采用的环流分型法为T-mode主分量分析(PCT)客观分型法.其基本原理为将个空间格点数据作为原始数据矩阵的行,将个观测时次作为列,然后通过奇异值分解将原始高维数据分解为和两个低维矩阵Z = FA,其中为主成分,为载荷.所有的主成分按对应特征值的大小排序,特征值越大代表对原数据的贡献越大.最后选取累计贡献率超过一定百分比(通常为85%以上)的特征值所对应的前个主成分(£),从而达到降维的目的.由于PCT客观分型法的分型结果能够重现预定义环流形势,与Lamb-Jenkinson环流分型法、自组织神经网络SOM法、聚类分析法等其他客观环流分型法相比,PCT客观分型法得到的时空场更加稳定,能更准确地反映环流场的原始特征[27].

1.4 基于环流分型的O3浓度预测方法

为了定量地评估环流类型对区域O3污染的影响,Comrie等[28]首次提出了一种利用各环流类型发生频率以及各类型下O3平均浓度预测O3浓度年际变化的算法,公式(1)为该算法在本文中的应用.

式中:表示在m年城市群j的O3平均浓度预测值,单位:μg/m3;表示在环流类型k下城市群j范围内O3平均浓度,单位:μg/m3;Fkm表示在m年环流类型k的发生频率.三大城市群范围如下图2所示.

然而Hegarty等[29]研究发现,大尺度环流的变化形式除不同环流类型的发生频率之外,同一环流类型发生时的强度变化也是评估环流形势演变的一个重要指标,环流类型发生时的频率及强度变化共同影响区域空气质量状况.在气象条件与空气污染关系和污染物浓度预测的研究当中线性拟合法已得到广泛应用[30-32].大气环流特征作为显著影响大气污染状况的气象条件之一,Hegarty等[29]用海平面气压在研究区域的平均值代表环流强度以研究其对O3污染的影响,发现环流类型发生强度与O3浓度间的线性相关性较强,并在公式(1)的基础上引入环流强度指数(CII)显著提升了O3浓度预测效果,具体如公式2所示.

除海平面气压的区域平均值(Mean)以外,本文还采用了区域最大值(Max)、区域最小值(Min)以及区域最大值与最小值之差(Gradient)共4种强度指数.计算2014～2019年各环流类型的4种强度指数的年际变化,其中与各环流类型下O3浓度异常值的年际变化相关性最强的那个指数则被指定为该环流类型下的环流强度指数(CII).本研究改进了原算法对于环流强度指数(CII)的定义以更加全面地刻画各环流类型发生时的强度.

2 结果与讨论

2.1 O3区域污染过程特征

图3统计了2014～2019年四川盆地三大城市群发生O3区域污染过程的频数(下称污染频数),其中成都平原城市群发生污染频数最高,占总频数的57.6%,这主要是由于成都平原城市群与川南和川东北城市群相比工业化程度更高,污染物排放量更大.周子航等[35]基于自下而上和自上而下结合的清单构建方法估算了四川省各城市大气污染物排放清单,指出成都市对于O3生成的两大重要前体物NO和VOCs的排放量远超其他城市;德阳、绵阳为VOCs排放量较大城市;乐山为NO排放量较大城市,使得成都平原城市群的光化学反应更强,容易引起O3区域污染.

根据2014～2019年四川省生态环境厅发布的《四川省生态环境状况公报》数据[36],自2013年《大气十条》[37]实施以来,四川省NO等污染物浓度呈下降趋势.由于城市地区工业和汽车尾气的大量排放导致城区内NO浓度高,高浓度NO对O3的“滴定”作用较强,导致O3不断被消耗[38].当NO排放量减小时,这种“滴定”作用减弱.如图3所示,四川盆地三大城市群O3区域污染发生频数从2014年开始逐年增加.为改善VOCs和O3污染,2017年四川省环境保护厅和四川省质量技术监督局共同发布了《四川省固定污染源大气挥发性有机物排放标准》[39],该标准严格规定了四川省各城市各行业的挥发性有机物排放限值,并针对重点行业排放的特征VOCs污染物,较国家排放标准增加了20项污染物控制项目,使得VOCs和NO协同减排的同时加大了VOCs的减排力度.对城市地区而言,其O3生成控制型多为VOCs控制型或过渡型,而乡村地区则为NO控制型,因此该协同控制策略有利于区域O3污染改善[40-41],四川盆地区域性O3污染发生频数从2017～2019年显著减小.

图3 2014～2019年四川盆地各城市群发生区域性O3污染事件次数统计

图4 2014～2019年各月发生区域性O3污染事件天数

图4为2014～2019年期间四川盆地发生区域性O3污染天数月际变化,其中3～10月均有区域性污染过程发生,故将3～10月定义为O3污染月.此外,从图4可以看出,区域性O3污染事件发生季节主要集中在春季(3～5月)和夏季(6～8月),分别占总区域性污染天数的39.9%和55.0%,这是因为这两个季节气温较高,太阳辐射强,光化学反应与秋冬两季相比更为活跃[42].此外,5月O3区域污染的天数为全年最高,春季O3污染高峰现象仍有待进一步研究.

2.2 环流分型特征

利用PCT法对四川盆地及周边地区(25°N～ 40°N, 95°E～110°E)2014～2019年O3污染月(3～10月)逐日海平面气压场进行分型,如图5所示,总共分为6种环流类型,其中类型1、2、5、6环流型类似,海平面气压呈西高东低,四川盆地主要受低压系统控制,约占所有环流型的78.3%.类型1在青藏高原区域有一个较大范围的高值区,为发生频率最高的一种类型,占36.2%.类型2在青藏高原区域为强度较弱的高值区,四川盆地的海平面气压值较低,为发生频率第二高的类型,占27.0%.类型5在四川盆地处的低压系统气压值最低,且在四川盆地西部的川西高原也存在小范围的低压中心,发生频率为9.7%.类型6在四川盆地处的低压中心气压值较低,在青藏高原的气压高值区与类型1、2相比范围较小,强度较高,发生频率为5.4%.类型3的海平面气压值总体呈北高南低,且在四川盆地东部有一个低值中心,发生频率为15.9%.类型4的海平面气压值呈东高西低,在青藏高原区域存在一些小范围的高压中心,发生频率为5.9%.

图5 四川盆地2014～2019年O3污染月的6种环流类型的海平面气压分布

右上角百分数代表每种环流类型的发生频率

2.3 环流类型与O3污染的关系

经统计,四川盆地在2014～2019年O3污染月发生区域性O3污染过程(下称污染过程)的天数为492d,占研究时段总天数的33.5%.本文将研究时段内发生污染过程比例±10%及污染天数是否大于100d作为污染型/清洁型环流类型的阈值标准,即分型提取出的6种环流类型中发生污染过程的比例高于43.5%或污染天数高于100d则定义为污染型环流类型;发生污染过程的比例低于23.5%则定义为清洁型环流类型.图6为6种环流类型对应的正常天数和区域性O3污染过程发生天数.其中类型1、2、6为污染型环流类型,这3种环流形势的海平面气压呈西高东低,控制四川盆地的低压系统中心气压值较低.在大尺度运动系统中,低压系统与气旋性环流相结合,低压中心就是气旋性环流中心.由于地面摩擦作用造成的地转偏差,使风向偏离等压线向低值区吹,即低压系统的控制区通常为气流的辐合区,在一定程度上不利于类型1、2、6控制下四川盆地污染物的稀释扩散.类型3、4为清洁型环流类型,其中类型4对应的污染过程发生比例最低,仅占5.8%,其海平面气压场呈东高西低,在四川盆地的海平面气压值较高,高压系统控制下的风场为反气旋性环流,与低压系统控制区相反,高压系统控制区通常为气流的辐散区,扩散条件较好.

为进一步研究环流形势与O3污染的关系,各环流类型下四川盆地O3浓度空间分布如图7所示.成都平原城市群因其污染物排放量最大,再加上成都市、德阳市、绵阳市等大部分城市位于低压系统的中心区域,气压梯度小,呈静稳天气,水平扩散条件不利于污染物的扩散,使得成都平原城市群O3浓度最高.而川南城市群和川东北城市群均位于低压系统的边缘区域,等值线密集,气压梯度力大,需要有较大的地转偏向力与之平衡.因此,川南城市群和川东北城市群区域地转风较大,污染扩散条件较好,不易造成污染物大范围积累.具体各城市群在各环流类型下的O3区域平均浓度如表1所示.

图6 各环流类型对应的正常天数和区域性O3污染天数

百分数表示发生区域性污染天数占总天数的比例

图7 各环流类型下四川盆地O3浓度空间分布

表1 三大城市群在各环流类型下O3区域平均浓度(μg/m3)

2.4 各环流类型气象要素特征

为进一步解释各环流类型下O3浓度时空变化,本研究讨论了主要影响光化学过程的气象要素(包括温度、相对湿度、总云量以及向下紫外辐射)和扩散条件(风场)在各环流类型下的空间分布特征.

就热力条件而言,如图8所示,类型1、2、5、6在四川盆地的温度较高,高温中心均达到了26℃以上,其中类型2的高温中心达到了30℃以上.高温有利于加快光化学反应速率,进而促进O3的生成.而对清洁型环流类型而言,类型3、4中心温度分别低于22和18℃.

图8 各环流类型下四川盆地2m气温分布

图9 各环流类型下四川盆地总云量分布

辐射是发生光化学反应最重要的气象条件之一,其对光化学反应强度的影响尤为明显,而地表接收到的辐射强度分布主要受总云量分布的影响.图9为各环流类型下总云量的分布,其中类型3、4在四川盆地上空总云量最高超过了0.96,类型4的总云量整体最高.类型6的总云量最低,在四川盆地西部总云量低于0.52,在川东北区域的总云量低值中心低于0.56.相应的地表紫外辐射分布如图10所示,类型3、4在四川盆地大部分区域地表紫外辐射低于16× 104J/m2,而类型1、2、6高于25×104J/m2.

图10 各环流类型下四川盆地地表紫外辐射分布

水汽对O3浓度的影响较为复杂,首先水汽含量高的地区易在上空形成云和降水,云会阻隔太阳辐射到达低层大气进而阻止光化学反应的发生,降水会对O3有湿清除的作用.同时水汽会与空气中的O2竞争活性氧原子进而阻止O3的生成.总的来说,水汽含量过高不利于O3的生成和积累.各环流类型的相对湿度分布如图11所示,其中类型1、2、6在四川盆地大部分区域相对湿度分别低于71%、65%、59%,低相对湿度有利于O3区域污染过程的发生.而类型3、4、5的相对湿度总体较高,相应的O3浓度较低.

此外,大气的扩散条件对区域污染影响显著.各环流类型的风场如图11所示.其中在类型1控制下四川盆地的风速小于2m/s,对污染物的扩散能力较弱.类型3、5的风场分布与罗青等[43]对四川盆地春夏季平均风场的研究基本一致,有两条分别从广元和从重庆北部进入四川盆地的气流在眉山附近汇合.此外,类型3在四川盆地有较强的偏北气流,风速较大有利于污染物的稀释扩散.而类型2、4、6在四川盆地盛行东南气流.Yang等[44]研究指出,当四川盆地区域被东南气流控制时重庆等地区产生的O3及其前体物将会被传输至气流的下风向区域,造成O3在成都平原城市群聚集.因此,由东南气流造成的O3及其前体物的输送是类型2、6发生区域性O3污染过程比例高的原因之一.

表2为各环流类型下区域性O3污染及气象要素特征总结,其中污染型环流类型1、2、6的环流形势总体呈西高东低,对应的气象条件温度高、云量低、地面接收到的紫外辐射强以及相对湿度低使得光化学反应强度更强,加速了O3的生成.再加上类型1的静风条件不利于污染物扩散;类型2、6盛行的东南气流对O3及其前体物的输送,造成类型1、2、6发生区域性O3污染过程的比例或天数明显高于其他几种类型.而对于类型3、4这两种清洁型环流类型而言,环流形势与其他4种环流类型差异较大,分别呈北高南低和东高西低,且四川盆地区域的海平面气压值较高.其对应的气象条件总体呈现为温度低、云量高、地面接收到的紫外辐射弱、湿度高,这4种气象要素特征与污染型环流类型基本相反,不利于区域性O3污染的发生和发展.

图11 各环流类型下四川盆地在950hPa高度的相对湿度和风场分布

表2 各环流类型下区域性O3污染及气象要素特征

2.5 基于环流类型的O3浓度预测

图12 2014～2019年四川盆地各环流类型发生天数

为评估环流类型发生强度对各城市群O3浓度的影响,在公式(1)的基础上引入了参数DO3kmj,具体如公式(2)所示. 将第年的CII值带入环流类型下城市群范围内O3平均浓度异常值的年际变化与CII年际变化的线性拟合,该CII值对应的DO3即为在年由环流类型的强度引起的城市群范围内O3平均浓度变化值DO3kmj.例如图13为成都平原城市群在环流类型6下的拟合结果,其中海平面气压的区域平均值(Mean)在4种强度指数中与O3浓度异常值的年际变化相关性最强(= -0.89),因此海平面气压的区域平均值(Mean)为成都平原城市群在环流类型6下的CII.

在CII的定义中,4种强度指数(Min、Max、Mean、Gradient)与O3浓度异常值的年际变化的相关系数,以及DO3kmj的线性拟合公式分别如表3、4、5所示,CII与O3浓度异常值的相关系数的绝对值除个别值以外均大于0.5,相关性较好.其中川南城市群的相关性最强,6个相关系数绝对值的平均约为0.7.

2014～2019年各城市群O3浓度的实测值和基于环流分型的预测值如图14所示.川南、成都平原、川东北城市群在引入各环流类型发生强度对O3浓度的影响后,预测值与观测值的相关系数分别由0.46、0.59、-0.05上升至0.94、0.84、0.93,明显改善了仅考虑环流类型发生频率的预测值,环流发生强度对于O3浓度的影响显著.

图13 成都平原城市群在环流类型6下的CII与O3浓度异常值的线性拟合

表3 成都平原城市群各强度指数与O3浓度异常值的年际变化的相关系数及DO3与CII的线性拟合

注:加粗的数值对应的强度指数与O3浓度年异常值的相关性最强,该指数即CII,下同.

表4 川东北城市群各强度指数与O3浓度异常值的年际变化的相关系数及DO3与CII的线性拟合

由于预测值是基于环流分型结果以及环流类型与O3浓度的关系计算而得,其结果直接反映环流形势影响下的O3浓度年际变化,因此预测值的变化与实际观测值的变化的比值为环流形势对O3浓度年际变化的贡献率.为了定量地评估环流形势对各城市群区域O3浓度的影响,本研究基于上述方法分析了环流形势对三大城市群O3浓度年际变化的贡献.如表6所示,环流形势对四川盆地城市群区域O3浓度的影响达在其年变化的-210.3%～ 168.9%之间.环流形势的演变对O3污染影响可以达到其年变化的2倍以上,影响十分显著.然而,环流形势对O3污染的影响并不是导致O3浓度年际变化的决定性因素,例如对2014～2015年川南城市群和2015～2016年川东北城市群而言,环流形势对O3浓度年际变化的贡献分别为-29.1%和-210.3%,环流形势对O3浓度的年际变化贡献为负,这表明除环流形势外,其他气象条件(边界层高度等)以及非气象条件(污染物排放等)对O3浓度的影响同样明显,其他因素对O3浓度年际变化的影响及贡献仍有待进一步研究.

表5 川南城市群各强度指数与O3浓度异常值的年际变化的相关系数及DO3与CII的线性拟合

图14 2014～2019年各城市群O3浓度实测值和基于环流型分类的预测值

实线为实测值,点线为仅考虑不同环流类型发生频率的预测值,虚线为考虑不同环流类型的发生频率及强度的预测值;右上角1为仅考虑各环流型发生频率的预测值与实测值的相关系数,2为考虑各环流型发生频率及强度的预测值与实测值的相关系数

表6 2014～2019年环流形势对四川盆地三大城市群O3浓度年际变化的贡献率(%)

进一步分析表6后发现,环流形势的变化对三大城市群O3浓度年际变化的贡献程度差异较大.这主要归结于各城市群位于四川盆地的不同区域,其相对环流系统的方向、中心区域的距离不同,环流形势对各城市群局地气象要素的影响差异明显.例如,控制四川盆地的低压系统强度上的变化会导致盆地内外空气污染的传输路径发生改变,同时该变化对不同区域的边界层高度等气象条件的影响存在差异,进而影响四川盆地O3及其前体物浓度的空间分布.为了消除这样的差异以研究环流形势对整个四川盆地O3污染的影响,本研究利用O3浓度实测值和基于环流型分类的预测值,按各城市群城市数量的比例计算环流形势对整个研究区域O3浓度年际变化的贡献.整个研究区域的O3浓度的实测值和考虑环流类型的发生频率及强度的预测值如图15a所示.贡献率的年际变化如图15b所示,2014～2019年环流形势对O3浓度变化的贡献率在34.8%～66.3%之间,其中2017～2018年环流形势对O3浓度变化的贡献率最高,为66.3%.

图15 2014～2019年四川盆地O3浓度的实测值和考虑环流类型的发生频率及强度的预测值及环流形势对四川盆地O3浓度变化的贡献率

3 结论

3.1 成都平原城市群发生O3区域污染过程的频数最高,占三大城市群总频数的57.6%.对年际变化而言,2014～2019年四川盆地O3区域污染发生频数呈单峰型分布,在2016年达到峰值.

3.2 在6种天气类型中,类型1、2、6为污染型,其海平面气压呈西高东低,四川盆地受低压系统控制.类型3、4为清洁型,其中类型3呈北高南低,且在四川盆地东部存在一个低值中心;类型4呈东高西低,在青藏高原区域存在一些小范围的高压中心.

3.3 在污染型天气形势下,四川盆地的气象条件为温度高、云量低、地面接收到的紫外辐射强、相对湿度低使得光化学反应强度更强,加速了O3的生成, 再加上类型1的静风条件不利于污染物扩散;类型2、6盛行的东南气流对O3及其前体物的输送,造成污染型天气类型发生区域性O3污染比例明显高于其他几种类型.

3.4 环流形势对四川盆地各城市群区域O3污染影响可以达到其年变化的2倍以上,对整个四川盆地O3浓度变化的贡献率在34.8%～66.3%.

[1] 中华人民共和国生态环境部.中国生态环境状况公报 [R]. 2014- 2019.

Ministry of Ecology and Environment of the People's Republic of China. China ecology and environment report [R]. 2014-2019.

[2] 李 苹,余 晔,赵素平,等.2015～2017年中国近地面O3污染状况与影响因素分析 [J]. 高原气象, 2019,38(6):1344-1353.

Li P, Yu Y, Zhao S P, et al. Situation and influencing factors of ground-level ozone pollution in China from 2015 to 2017 [J]. Plateau Meteorology, 2019,38(6):1344-1353.

[3] 杨显玉,易家俊,吕雅琼,等.成都市及周边地区严重臭氧污染过程成因分析 [J]. 中国环境科学, 2020,40(5):2000-2009.

Yang X Y, Yi J J, Lv Y Q et al. Characteristics and formation mechanism of a severe O3episode in Chengdu and surrounding areas [J]. China Environmental Science, 2020,40(5):2000-2009.

[4] 张玉强.研究中国地面臭氧时空分布特征 [D]. 北京:清华大学, 2011.

Zhang Y Q. Seasonal and spatial variability of surface ozone over China [D]. Beijing: Tsinghua University, 2011.

[5] Jiang Y C, Zhao T L, Liu J, et al. Why does surface ozone peak before a typhoon landing in southeast China? [J]. Atmospheric Chemistry and Physics, 2015,15(23):13331-13338.

[6] 曹庭伟,吴 锴,康 平,等.成渝城市群臭氧污染特征及影响因素分析 [J]. 环境科学学报, 2018,38(4):1275-1284.

Cao T W, Wu K, Kang P, et al. Study on ozone pollution characteristics and meteorological cause of Chengdu-Chongqing urban agglomeration [J]. Acta Scientiae Circumstantiae, 2018,38(4):1275- 1284.

[7] He J J, Gong S L, Yu Y, et al. Air pollution characteristics and their relation to meteorological conditions during 2014～2015 in major Chinese cities [J]. Environmental Pollution, 2017,223:484–496.

[8] 张人禾,李 强,张若楠.2013年1月中国东部持续性强雾霾天气产生的气象条件分析 [J]. 中国科学:地球科学, 2014,44(1):27-36.

Zhang R H, Li Q, Zhang R N. Meteorological conditions for the persistent severe fog and haze event over eastern China in January 2013 [J]. Science China: Earth Sciences, 2014,44(1):27-36.

[9] 洪莹莹,翁佳烽,谭浩波,等.珠江三角洲秋季典型O3污染的气象条件及贡献量化 [J]. 中国环境科学, 2021,41(1):1-10.

Hong Y Y, Weng J F, Tan H B, et al. Meteorological conditions and contribution quantification of typical ozone pollution during autumn in Pearl River Delta [J]. China Environmental Science, 2021,41(1):1-10.

[10] 王 静,施润和,李 龙,等.上海市一次重雾霾过程的天气特征及成因分析 [J]. 环境科学学报, 2015,35(5):1537-1546.

Wang J, Shi R H, Li L, et al. Characteristics and formation mechanism of a heavy air pollution episode in Shanghai [J]. Acta Scientiae Circumstantiae, 2015,35(5):1537-1546.

[11] Zhang Y, Mao H, Ding A, et al. Impact of synoptic weather patterns on spatio-temporal variation in surface O3levels in Hong Kong during 1999～2011 [J]. Atmospheric Environment, 2013,73:41–50.

[12] Liu J D, Wang L L, Li M G, et al. Quantifying the impact of synoptic circulation patterns on ozone variability in northern China from April to October 2013～2017 [J]. Atmospheric Chemistry and Physics, 2019,19(23):14477-14492.

[13] Philipp A, Bartholy J, Beck C, et al. Cost733cat - A database of weather and circulation type classifications [J]. Physics and Chemistry of the Earth, 2010,35(9-12):360-373.

[14] 翁佳烽,梁晓媛,谭浩波,等.基于K-means聚类分析法的肇庆市干季PM2.5污染天气分型研究 [J]. 环境科学学报, 2020,40(2):373-387.

Weng J F, Liang X Y, Tan H B, et al. Objective synoptic classification on PM2.5pollution during dry season based on K-means in Zhaoqing [J]. Acta Scientiae Circumstantiae, 2020,40(2):373-387.

[15] Dong Y M, Li J, Guo J P, et al. The impact of synoptic patterns on summertime ozone pollution in the North China Plain [J]. Science of the Total Environment, 2020,735.

[16] Miao Y C, Guo J P, Liu S H, et al. Classification of summertime synoptic patterns in Beijing and their associations with boundary layer structure affecting aerosol pollution [J]. Atmospheric Chemistry and Physics, 2017,17(4):3097-3110.

[17] 许建明,常炉予,马井会,等.上海秋冬季PM2.5污染天气形势的客观分型研究 [J]. 环境科学学报, 2016,36(12):4303-4314.

Xu J M, Cahng L Y, Ma J H, el al. Objective synoptic weather classification on PM2.5pollution during autumn and winter seasons in Shanghai [J]. Acta Scientiae Circumstantiae, 2016,36(12):4303-4314.

[18] 常美玉,向卫国,钱 骏,等.成渝地区空气重污染天气形势分析 [J]. 环境科学学报, 2020,40(1):43-57.

Chang M Y, Xiang W G, Qian J, et al. Analysis of the synoptic situation of heavy polluted weather in Chengdu-Chongqing region [J]. Acta Scientiae Circumstantiae, 2020,40(1):43-57.

[19] Sun Y, Niu T, He J J, et al. Classification of circulation patterns during the formation and dissipation of continuous pollution weather over the Sichuan Basin, China [J]. Atmospheric Environment, 2020,223: 117244.

[20] 蒋婉婷,谢汶静,王碧菡,等.2014～2016年四川盆地重污染大气环流形势特征分析 [J]. 环境科学学报, 2019,39(1):180-188.

Jiang W T, Xie W T, Wang B H, et al. Analysis on the characteristics of heavy pollution atmospheric circulation in the Sichuan Basin from 2014 to 2016 [J]. Acta Scientiae Circumstantiae, 2019,39(1):180-188.

[21] Ning G, Yim S H L, Wang S, et al. Synergistic effects of synoptic weather patterns and topography on air quality: a case of the Sichuan Basin of China [J]. Climate Dynamics, 2019,53(11):6729-6744.

[22] Zhang L, Guo X M, Zhao T L, et al. A modelling study of the terrain effects on haze pollution in the Sichuan Basin [J]. Atmospheric Environment, 2019,196:77-85.

[23] 吴 锴,康 平,王占山,等.成都市臭氧污染特征及气象成因研究 [J]. 环境科学学报, 2017,37(11):4241-4252.

Wu K, Kang P, Wang Z S, et al. Ozone temporal variation and its meteorological factors over Chengdu City [J]. Acta Scientiae Circumstantiae, 2017,37(11):4241-4252.

[24] 汪可可,康 平,周明卫,等.四川盆地臭氧浓度空间分异及驱动因子研究 [J]. 中国环境科学, 2020,40(6):2361-2370.

Wang K K, Kang P, Zhou M W, et al. Spatial differentiation and driving factors of ozone concentration in Sichuan Basin [J]. China Environmental Science, 2020,40(6):2361-2370.

[25] Li Z Q, Guo J P, Ding A J, et al. Aerosol and boundary-layer interactions and impact on air quality [J]. National Science Review, 2017,4(6):810-833.

[26] 高晓荣,邓雪娇,谭浩波,等.广东四大区域污染过程特征与影响天气型分析 [J]. 环境科学学报, 2018,38(5):1708-1716.

Gao X R, Deng X J, Tan H B, et al. Characteristics and analysis on regional pollution process and circulation weather types over Guangdong Province [J]. Acta Scientiae Circumstantiae, 2018,38(5): 1708-1716.

[27] Zhang J P, Zhu T, Zhang Q H, et al. The impact of circulation patterns on regional transport pathways and air quality over Beijing and its surroundings [J]. Atmospheric Chemistry and Physics, 2012,12(11): 5031–5053.

[28] Comrie A C, Yarnal B. Relationships between synoptic-scale atmospheric circulation and ozone concentrations in Metropolitan Pittsburgh, Pennsylvania [J]. Atmospheric Environment Part B. Urban Atmosphere, 1992,26(3):301–312.

[29] Hegarty J, Mao H, Talbot R. Synoptic controls on summertime surface ozone in the northeastern United States [J]. Journal of Geophysical Research, 2007,112,D14306.

[30] Shen L, Mickley L J, Tai A P K. Influence of synoptic patterns on surface ozone variability over the eastern United States from 1980 to 2012 [J]. Atmospheric Chemistry and Physics, 2015,15(19):10925- 10938.

[31] Otero N, Sillmann J, Schnell J L, et al. Synoptic and meteorological drivers of extreme ozone concentrations over Europe [J]. Environmental Research Letters, 2016,11(2):024005.

[32] Li K, Jacob D J, Liao H, et al. Anthropogenic drivers of 2013～2017 trends in summer surface ozone in China [J]. Proceedings of the National Academy of Sciences, 2019,116(2):422-427.

[33] Wang Y, Jia B, Wang S C, et al. Influence of the Bermuda High on interannual variability of summertime ozone in the Houston- Galveston-Brazoria region [J]. Atmospheric Chemistry and Physics, 2016,16(23):15265–15276.

[34] Tang L, Chen D L, Karlsson P, et al. Synoptic circulation and its influence on spring and summer surface ozone concentrations in Southern Sweden [J]. Boreal Environment Research, 2009,14(5):889- 902.

[35] 周子航,邓 也,谭钦文,等.四川省人为源大气污染物排放清单及特征 [J]. 环境科学, 2018,39(12):5344-5358.

Zhou Z H, Deng Y, Tan Q W, el al. Emission inventory and characteristics of anthropogenic air pollutant sources in the Sichuan Province [J]. Environmental Science, 2018,39(12):5344-5358.

[36] 四川省生态环境厅.四川省生态环境状况公报[R]. 2014-2019.

Department of Ecology and Environment of Sichuan Province. Sichuan ecology and environment report [R]. 2014-2019.

[37] 中华人民共和国国务院. 大气污染防治行动计划[R]. 2013.

The State Council of the People's Republic of China. Air pollution prevention and control action plan [R]. 2013.

[38] 陆克定,张远航,苏 杭,等.珠江三角洲夏季臭氧区域污染及其控制因素分析 [J]. 中国科学:化学, 2010,40(4):407-420.

Lu K D, Zhang Y H, Su H, et al. Regional ozone pollution and key controlling factors of photochemical ozone production in Pearl River Delta during summer time [J]. Scientia Sinica: Chimica, 2010,40(4): 407-420.

[39] 四川省环境保护厅,四川省质量技术监督局.四川省固定污染源大气挥发性有机物排放标准[R]. 2017.

Department of Environmental Protection of Sichuan Province, Bureau of Quality Technical Supervision of Sichuan Province. Sichuan emission control standard for volatile organic compounds [R]. 2017.

[40] 吴 锴,康 平,于 雷,等.2015～2016年中国城市臭氧浓度时空变化规律研究 [J]. 环境科学学报, 2018,38(6):2179-2190.

Wu K, Kang P, Yu L, et al. Pollution status and spatio-temporal variations of ozone in China during 2015～2016 [J]. Acta Scientiae Circumstantiae, 2018,38(6):2179-2190.

[41] 严茹莎,李 莉,安静宇,等.夏季长三角地区臭氧非线性响应曲面模型的建立及应用 [J]. 环境科学学报, 2016,36(4):1383-1392.

Yan R S, Li S, An J Y, et al. Establishment and application of nonlinear response surface model of ozone in the Yangtze River Delta region during summertime [J]. Acta Scientiae Circumstantiae, 2016,36(4): 1383-1392.

[42] 修天阳,孙 扬,宋 涛,等.北京夏季灰霾天臭氧近地层垂直分布与边界层结构分析 [J]. 环境科学学报, 2013,33(2):321-331.

Xiu T Y, Sun Y, Song T, et al. The vertical distribution of ozone and boundary layer structure analysis during summer haze in Beijing [J]. Acta Scientiae Circumstantiae, 2013,33(2):321-331.

[43] 罗 青,廖婷婷,王碧菡,等.四川盆地近地面风场及污染物输送通道统计分析 [J]. 环境科学学报, 2020,40(4):1374-1384.

Luo Q, Liao T T, Wang B H, et al. Statistical analysis of near-surface wind field and transport pathways of pollutants in Sichuan Basin [J]. Acta Scientiae Circumstantiae, 2020,40(4):1374-1384.

[44] Yang X Y, Wu K, Wang H L, et al. Summertime ozone pollution in Sichuan Basin, China: Meteorological conditions, sources and process analysis [J]. Atmospheric Environment, 2020,226:117392.

Impact of synoptic patterns on regional ozone pollution in Sichuan Basin.

YANG Xian-yu1, LU Ya-qiong2, WANG Yu-run1*, QIAO Yu-hong3, ZHANG Gong-liang1, WANG Shi-gong1, ZHANG Xiao-ling1, LIU Zhi-hong1, LIU Yi-lin1,4, ZHU Xin-sheng5

(1.Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China；2.Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China；3.Sichuan Academy of Environmental Sciences, Chengdu 610000, China；4.Chinese Academy of Meteorological Sciences, Beijing 100081, China；5.Nanjing Institute of Environmental Sciences, Ministry of Environmental Protection, Nanjing 210042, China)., 2021,41(6)：2526～2539

The features of regional O3pollution and its relationship between synoptic patterns in Sichuan Basin during 2014～2019 were quantitatively analyzed based on the ambient measurements, ERA5 reanalysis data as well as the PCT objective classification method. The frequency of regional O3pollution in the Sichuan Basin during 2014～2019 showed a unimodal distribution with the highest frequency in 2016. The Chengdu Plain was the most polluted region with elevated O3levels in the Sichuan Basin. Among the six classified synoptic patterns, Type1, 2, 6 were classified as polluted synoptic patterns which exhibited a western-eastern pressure gradient. Meanwhile, the Sichuan Basin was controlled by a low-pressure system in these synoptic patterns. In contrast, Type3 and Type4 were identified as clean synoptic patterns. The sea level pressure in Type3 was high over the northern SCB and low over the southern SCB, with a low-pressure center located at the eastern Sichuan Basin. Unlike Type3, the sea level pressure in Type4 was higher in the east and lower in the west, with some small-scale high-pressure centers distributed in the Tibetan Plateau. The high temperature, low cloud coverage, strong solar radiation, and low relative humidity in Sichuan Basin under the polluted synoptic types were beneficial to the O3formation. The stagnant conditions in Type1 and the strong regional transport of O3and its precursors by the prevailing southeast wind fields in Type 2 and 6 were primary processes that leading to the frequent regional O3episodes occurred in polluted synoptic types. In addition, the prediction method based on synoptic pattern classification showed that the contribution of synoptic patterns on the inter-annual variability of O3concentration in the Sichuan Basin ranged from 34.8% to 66.3%, with the contribution can even reached more than twice its annual variation of specific city cluster within SCB.

ozone pollution；synoptic pattern；Sichuan Basin；PCT objective classification method

X511

A

1000-6923(2021)06-2526-14

杨显玉(1982-),男,副教授,博士,主要从事陆气相互作用及其数值模拟和大气环境及其数值模拟研究.发表论文12篇.

2020-10-22

国家自然科学基金资助项目(91744209,91644226);四川省科技计划项目(2018SZDZX0023);成都市科技局项目(2018-ZM01-00037-SN);成都信息工程大学创新创业训练计划(201910621132)

* 责任作者, 研究实习员, wangyurun0930@163.com