高原气象

高原气象 >

2022 , Vol. 41 >Issue 6: 1583 - 1598

DOI: https://doi.org/10.7522/j.issn.1000-0534.2021.00078

论文

影响汾渭平原地区空气污染的地面环流形势及PM2.5 浓度预报研究

  • 刘慧 ,
  • 张煦庭 ,
  • 黄鑫 ,
  • 胡波
展开
  • 1. 陕西省气象台，陕西 西安 710014
    2. 秦岭和黄土高原生态环境气象重点实验室，陕西 西安 710014
    3. 陕西省气象信息中心，陕西 西安 710014
    4. 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 100029

刘慧（1989 -）， 女， 山西运城人， 工程师， 主要从事环境气象预报与评估工作. E-mail：

收稿日期: 2021-06-28

  修回日期: 2021-09-28

  网络出版日期: 2022-12-15

基金资助

陕西省气象局秦岭和黄土高原生态环境气象重点实验室开放研究基金课题(2021G-15); 陕西省自然科学基础研究计划项目(2021JQ-965)

收起

The Impact of Surface Synoptic Circulation Types on Air Quality and the PM2.5 Concentration Forecast in Fen-Wei Plains

  • Hui LIU ,
  • Xuting ZHANG ,
  • Xin HUANG ,
  • Bo HU
Expand
  • 1. Shaanxi Meteorological Observatory，Xi’an 710014，Shaanxi，China
    2. Key Laboratory of Eco-Environment and Meteorology for the Qinling Mountains and Loess Plateau，Xi’an 710014，Shaanxi，China
    3. Shaanxi Meteorological Information Center，Xi’an 710014，Shaanxi，China
    4. State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry，Institute of Atmospheric Physics，Chinese Academy of Sciences，Beijing 100029，China

Received date: 2021-06-28

  Revised date: 2021-09-28

  Online published: 2022-12-15

Fold

本文引用格式

刘慧 , 张煦庭 , 黄鑫 , 胡波 . 影响汾渭平原地区空气污染的地面环流形势及PM2.5 浓度预报研究[J]. 高原气象, 2022 , 41(6) : 1583 -1598 . DOI: 10.7522/j.issn.1000-0534.2021.00078

1 引言

伴随着经济水平的高速发展和城市化进程的不断加快， 大气环境污染问题日益严重， 已成为国民经济持续发展、 人体健康与生态环境研究最为关注的热点问题之一（丁一汇等， 2009）。汾渭平原是黄河流域汾河平原、 渭河平原及其周边台原阶地的总称， 北靠吕梁山， 南依秦岭， 包括陕西省西安、 宝鸡、 咸阳、 渭南、 铜川， 山西省晋中、 吕梁、 临汾、 运城， 以及河南省洛阳、 三门峡等11个地市， 其人口密度大， 重化产业聚集， 能源结构偏煤， 产业结构偏重， 运输结构偏公路， 再加上地形狭长且山脉众多， 这种相对封闭的地形条件使得污染物不易扩散， 特别是在冬季采暖排放源增多且大气相对静稳的气象条件下极易造成持续性重污染天气。2018年中国生态环境状况公报中指出2018年汾渭平原优良天数比例平均为54.3%， 远低于全国平均值（79.3%）， 全国空气质量排名末尾20城市中汾渭平原占6个， 成为仅次于京津冀的第二大污染区。同年汾渭平原被列为国务院《打赢蓝天保卫战三年行动计划（国发［2018］22号）》， 成为大气污染防治行动的三大重点区域之一。
天气尺度内大气污染物排放量一般相对稳定， 污染物的形成、 迁移、 扩散、 沉积和化学反应都受到多尺度气象参数的影响（姜大膀等， 2001； 田伟等， 2013； 徐永清等， 2014； 吴亚平等， 2020）， 特别在大中城市群区域， 特定的环流形势造成的污染影响可达平均值的几十倍至几百倍（袁美英等， 2005）。Comrie and Yarnal（1992）认为缓慢迁移的低压及稳定控制的高压容易诱发美国匹兹堡地区极端臭氧浓度； Chen et al（2008）对华北地区天气形势和空气质量的研究发现， 高压系统、 持续性低压及锋面系统与区域污染物浓度的上升、 极大值及下降一致； 王莉莉等（2010）分析了北京地区夏末秋初不同天气形势对NOx、 O3、 PM2.5和PM10浓度的影响， 结果表明槽前无降水、 槽后脊前、 脊、 副高是4种高污染积累天气型， 槽或槽前有降水、 槽后有降水或偏北风是2种清除天气型； Ye et al（2016）将华北地区2004 -2014年秋冬季的地面环流形势分为9种， 其中东北方向高压、 弱低压、 东南方向高压及北边高压在低能见度雾霾天时出现的频率较高； 王倩倩等（2020）结合T-PCA和K-means方法对兰州冬季海平面气压场进行分型， 发现高压南部型、 弱高压型和低压型是三种主要天气影响形势； 黄鑫等（2021）认为乌拉尔山地区的500 hPa高度场负（正）异常中心有利于冬季霾日数增多（减少）， 影响霾日数变化的海平面气压存在地中海地区与中亚至西伯利亚地区反位相变化的特征。因此环流形势与大气污染物浓度密切相关， 范围大、 强度强的区域性污染事件一般都会在一些特定的天气形势下发生（田宏伟等， 2008； 唐贵谦等， 2010； 谢付莹等， 2010； 李霞等， 2012； 刘梅等， 2014； 周述学等， 2020）。
大气环流分型有主观和客观两种分类法。主观分型法比较直观， 但主观性明显， 不利于推广应用。客观分型方法具有可重复性， 但需要依赖原始资料， 从而限制了其在实际业务中的应用。Jenkinson and Collison（1977）通过定义指数及分类标准将Lamb分类方法（Lamb， 1950）客观化， 该方法操作性强， 天气气候学意义明确。目前基于L-J环流分型方法针对环流型对大气污染的影响已有一系列研究， 俞科爱等（2015）认为宁波区域霾的主要环流类型为反气旋型、 偏北反气旋型、 偏南反气旋型和气旋型； Liao et al（2017）认为反气旋环流形势对应长三角地区较高的PM2.5浓度、 西风直流形势对应较高的臭氧浓度； 俞布等（2017）指出高压控制型和暖区发展型是造成杭州中度以上污染的重要环流型； 林廷坤等（2019）认为西南型、 均压型、 气旋型、 南风直流型、 西风直流型是北京最易发生PM2.5污染的环流型； 郑凤琴等（2019）认为地面东风直流型配合高空西风直流型时出现霾过程的频率最高； 王琼等（2020）指出东北型、 反气旋型、 偏东气旋型、 偏北气旋型、 东北反气旋型及无定义型是河北省重污染天气的主要环流型。由于不同地区导致重污染天气形成的环流形势有所差别， 需要针对特定区域进行污染天气形势的研究， 然而目前对于汾渭平原重污染天气型的研究明显不足。
本研究基于L-J分型方法探讨汾渭平原大气环流形势及不同环流形势下气象要素的分布特点， 剖析污染物浓度对不同环流类型的响应。同时针对不同环流类型分别建立汾渭平原各个城市PM2.5浓度的预报模型， 为研究污染形成机理、 评估政府减排措施及PM2.5预报业务提供科学依据。

2 资料来源与方法介绍

2.1　站点及数据介绍

汾渭平原包括关中五市、 豫西两市、 山西四市等11个城市， 地形狭长， 山脉众多（图1）。本文所使用的空气质量和气象要素观测数据的时间长度为2014 -2020年的污染季（10月至次年3月）。AQI和PM2.5数据来源于全国城市空气质量实时发布平台， 每个城市至少有3个观测站点， 汾渭平原区域共62个站（图1中的蓝色三角形）。PM2.5市日值由小时值求平均获得， 市小时值是市区所有国控站点小时值的算术平均。地面常规观测的气温、 相对湿度、 风速、 风向、 露点温度等数据来自于中国气象局国家站逐小时观测， 汾渭平原区域共113个站（图1中红色圆点）， 国家站的日值由小时值求平均获得。用于进行客观分型的海平面气压数据来自欧洲中心再分析资料， 其中2014 -2018年数据为 ERA-Interim再分析资料， 时间间隔6 h， 空间分辨率为1.0° ×1.0°。由于ERA-Interim再分析资料在2019年8月停止更新， 因此2019年和2020年采用ERA5再分析数据。海平面气压日值由逐6 h值求日平均获得。本文涉及的地图是基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2018）1432号的中国地图制作， 底图无修改。
图1 汾渭平原地形及环境和气象监测站的分布

Fig.1 Topography of the Fen-Wei Plains and distributions of environmental and meteorological stations

2.2　 L-J环流分型方法

L-J环流分型法由Lamb提出， 后经Jenkinson等发展成为一种比较成熟的环流分型方法。具体方法是在设定的计算范围内， 在每隔10个经度、 5个纬度的网格上取一个差分格点， 共计16个点（图2中P1~P16）。本文以西安（34.45°N， 108.98°E）为区域中心点， 以25°N -45°N、 94°E -124°E的范围为研究区域， 根据式（1）~（6）计算区域中心点C的地转风及地转涡度， 并根据表1把环流类型分为平直型、 旋转型和混合型3大类。平直型分为8小类， 分别为偏北气流（N）、 东北气流（NE）、 偏东气流（E）、 东南气流（SE）、 偏南气流（S）、 西南气流（SW）、 偏西气流（W）、 西北气流（NW）； 旋转型分为反气旋型（A）和气旋型（C）； 混合型由平直型和旋转型组合而成， 共16小类。基于该方法得到的分型结果具有物理意义， 例如A型表示区域被反气旋控制， C型表示区域被气旋控制， N型表示区域被偏北地转风气流控制， AN型表示区域被高压系统下的偏北风地转气流控制， 即高压前部， 其他型的物理意义类似。
S F = 1.305 × [ 0.25 ( P 5 + 2 P 9 + P 13 ) - 0.25 ( P 4 + 2 P 8 + P 12 ) ]
图2 L-J环流分型方法16个差分格点分布

P1~P16为差分格点位置， C点为西安位置

Fig.2 Location of the 16 sea level pressure grids used for the L-J weather type classification.P1 to P16 represent the locations of 16 grids， C represents Xi’an position

W F = [ 0.5 ( P 12 + P 13 ) - 0.5 ( P 4 + P 5 ) ]
表1 L-J环流分型表

Table 1 The table of L-J weather type classification

类型 环流分型
|Z|≤F平直气流型 北（N）； 东北（NE）； 东（E）； 东南（SE）； 南（S）； 西南（SW）； 西（W）； 西北（NW）
|Z|≥2F旋转型 反气旋（A）； 气旋（C）
F≤|Z|≤2F混合型 AN； ANE； AE； ASE； AS； ASW； AW； ANW； CN； CNE； CE； CSE； CS； CSW； CW； CNW
Z S = 0.85 × [ 0.25 ( P 6 + 2 P 10 + P 14 ) - 0.25 ( P 5 + 2 P 9 + P 13 ) - 0.25 ( P 4 + 2 P 8 + P 12 ) + 0.25 ( P 3 + 2 P 7 + P 11 ) ]
Z W = 1.12 × [ 0.5 ( P 15 + P 16 ) - 0.5 ( P 8 + P 9 ) ] - 0.91 × [ 0.5 ( P 8 + P 9 ) - 0.5 ( P 1 + P 2 ) ]
F = S F 2 + W F 2
Z = Z S + Z W
式中： SF为地转风经向分量； WF为地转风纬向分量； F为地转风； ZS为地转涡度的纬向梯度； ZW为地转涡度的经向梯度； Z为地转涡度； P 1~P 16为16个格点上的海平面气压日值。

2.3　滞留指数计算方法

滞留指数（RF）最初由Allwine and Whiteman（1994）提出， 用于反映风场的通风和滞留程度， 可以间接反映大气的水平扩散条件。其计算方法如下：
L = t × ∑ i = 1 24 u i 2 + ∑ i = 1 24 v i 2
S = t × ∑ i = 1 i = 24 u i 2 + v i 2
R F = 1 - L S
式中： L和S分别表示一段时间内风的矢量和风速的累加， 本文选取的时间段是24 h； t为时间间隔， 本文选取1 h； ui 和v i分别为水平方向和垂直方向的风速； RF为滞留指数， RF接近1时， 表示24 h内风向变化较大， 水平扩散条件较差， 污染物容易滞留， RF接近0时， 表示24 h内风向变化不大， 水平扩散条件较好， 不利于污染物的堆积。

2.4　混合层高度计算方法

混合层高度为湍流特征不连续界面以下湍流发展较充分的大气层厚度， 它表征了污染物在垂直方向被热力湍流稀释的范围， 即低层空气热力对流与动力湍流所能达到的高度。大气混合层高度是反映污染物在铅直方向扩散的重要参数， 也是影响大气污染物扩散的主要气象因子之一（李梦等， 2015）。罗氏法是一种基于地面气象资料估算混合层高度的方法， 此法最大优点是不需要高空观测资料， 计算所需的气象资料较易获得， 主要计算公式如下：
M L H = 121 6 × ( 6 - P ) × ( T - T d ) + 0.169 P × ( U z + 0.257 ) 12 f × l n Z Z 0
式中： MLH为混合层高度（单位： m）； T和T d分别为2 m气温和露点温度； UZ 为Z高度处的风速， Z为所取高度， 本文中Z取值为10 m； Z 0为粗糙度； P为大气帕斯奎尔稳定度级别， 由太阳高度角、 总云量、 低云量和地面风速决定， 取值为1~6， 由于云量数据缺测较多， 尤其是低云量数据缺测较多， 本研究云量数据选用欧洲中心再分析资料； f为地转参数。混合层高度计算结果为每日4次， 日均值采用4个时次值的算术平均。

3 结果与讨论

3.1　汾渭平原环流型特点

在大气污染物排放量变化不大的情况下， 污染物浓度的变化主要受气象条件制约， 而区域大气污染的发生与环流形势密切相关， 因此对环流分型的研究有重要意义。本文基于2014 -2018年污染季的欧洲中心中海平面气压再分析资料， 对汾渭平原的环流形势进行分类（图3）。环流型频率为某环流型出现日数与总日数的比值， 频率超过5%的环流型为A型（20%）、 S型（14%）、 SE型（12%）、 E型（9%）、 C型（7%）、 ASE型（6%）及AE型（5%）， 且每个月份各环流型出现的频率接近， 这7种环流型即为影响汾渭平原地区的主要环流背景。
图3 2014 -2018年污染季不同月份汾渭平原26种环流型出现的频率

Fig.3 The frequency of 26 synoptic circulation types in different months of the Fen-Wei Plains during the pollution seasons from 2014 to 2018

3.2　环流型与污染物浓度的关系

将相同环流型下的海平面气压场和PM2.5质量浓度分别进行平均， 即得到不同环流型下的海平面气压合成场（图4）和PM2.5质量浓度合成场（图5）。频率超过5%的7种环流型中S型、 SE型、 E型、 C型对应的PM2.5质量浓度较高， S型和SE型出现时代表暖区发展， 利于污染物的吸湿增长及二次转换（Wang et al， 2012）。同时由于汾渭平原特殊的地形条件， SE型和E型利于污染物从东部输送及积累， C型表现为弱低压， 局地气象条件不利于污染物扩散。CS型、 CSW型及CSE型即既利于暖区发展， 又不利于污染物的扩散， 对应的PM2.5质量浓度较高。AW型时关中中东部、 山西南部、 豫西两市PM2.5质量浓度较高， 上述区域处于弱气压场中， 大气扩散条件较差， 但该环流型出现次数很少。
图4 2014 -2018年污染季不同环流型下海平面气压场的分布（单位： hPa）

Fig.4 Sea level pressure field under different synoptic circulation types during the pollution seasons from 2014 to 2018.Unit： hPa

图5 2014 -2018年污染季不同环流型下PM2.5浓度的分布（单位： μg∙m-3）

Fig.5 Spatial distributions of PM2.5 concentration under different synoptic circulation types during the pollution seasons from 2014 to 2018.Unit： μg∙m-3

为了更好地研究环流型对PM2.5质量浓度的影响， 以西安为例， 用某环流型下PM2.5污染日所占比例（R 1）与所有环流型下PM2.5污染日所占比例（R 2）的比值来进行分析（陈龙等， 2016； 常美玉等， 2020； 段雯瑜等， 2020）。当比值大于1时， 表示某环流型出现时， 易造成PM2.5污染； 当比值小于1时， 不易造成污染。24 h平均PM2.5质量浓度超过75 μg∙m-3时， 即对应的空气质量分指数超过100时计为一个污染日。R 1/R 2大于1时从大到小对应的环流型依次为AW型、 ANW型、 CSW型、 CSE型、 CW型、 S型、 SW型、 CS型、 SE型、 C型、 AS型、 E型、 CNE型（图6）， 表明这些环流型出现时较易造成PM2.5污染事件， 其中ANW型和AW型虽然极易造成污染事件， 但2014 -2018年的污染季都只出现过一次， S型虽然不是最易造成PM2.5污染事件的污染型， 但出现次数达128次。由于不同环流型出现的频率不同， 且各环流型控制下的PM2.5质量浓度有所差异， 因此， 以各环流型出现的频率与对应的污染日数的乘积来分析影响汾渭平原区域PM2.5污染的主要环流型， 从大到小依次为S型、 A型、 SE型、 E型及C型（图6）， 其中S型、 SE型、 E型及C型出现的频率较高， 且对应的PM2.5质量浓度较高， A型出现时PM2.5质量浓度虽然不高， 但出现的频率较高。综上分析， R 1/R 2大于1且环流型出现频率与对应的污染日数的乘积较大的环流型为S型、 SE型、 E型及C型。
图6 不同环流型下R 1/R 2 （a）及环流型频率与污染日的乘积（b）

Fig.6 R 1/R 2 （a） and product of the synoptic circulation types frequency and pollution days （b） under different synoptic circulation types

3.3　环流型与气象要素的关系

污染过程与环流型密切相关， 但各环流型控制下的气象要素有所差异。混合层高度能够反映大气污染物在垂直方向上的扩散能力， 混合层高度越高， 越利于大气污染物在垂直方向上的扩散； 相对湿度与细颗粒物的吸湿增长及二次非均相化学反应的转换相关（Wang et al， 2012）； 由于汾渭平原特殊的地形条件， 在风速较小时不易将污染物扩散出去； 滞留指数通过反应风场的滞留程度也可以间接反映大气的扩散能力。以西安为例， 探讨不同环流型下PM2.5和气象要素的特征（图7）， 图7中最上端和最下端的短横线“-”表示该环流型下样本的最大值和最小值， 长方框中的“≤”表示样本平均值， 长方框中的长黑线表示包含样本总数50%个例的值， 长方框的上边和下边分别表示包含样本总数75%和25%个例的值， 长方框上边、 下边垂直延伸出的粗黑线的端点分别表示包含样本总数95%和5%个例的值， 上下的“×”分别表示样本总数99%和1%个例的值。PM2.5最大值对应的CS型既利于暖区发展， 又不利于空气污染物的扩散。CS型下混合层高度最低， 为483 m， 不利于空气污染物的垂直扩散； 相对湿度较高， 为61%， 利于污染物的吸湿增长和二次转换； 风速较小， 为1.87 m∙s-1， 不利于空气污染物的扩散； 滞留指为0.48， 即风向变化不大， 利于污染物的滞留。PM2.5质量浓度较高的CSE型对应的混合层高度较低， 相对湿度较高； PM2.5质量浓度较高的CSW型对应的滞留指数较大， 风速较小； PM2.5质量浓度较高的AW和C型对应的风速较小。轻度及以上污染时PM2.5质量浓度从高到低对应的天气型依次为CS型、 AW型、 CSE型、 CSW型、 S型、 C型、 SE型、 SW型、 E型、 AS型、 CNE型、 CW型、 ASE型、 ANW型、 W型、 AE型、 CN型， 混合层高度为483.5~601.38 m， 相对湿度为42.94%~64.03%， 风速为1.45~2.61 m∙s-1， 滞留指数为0.13~0.53。
图7 西安不同环流型下PM2.5质量浓度（a）、 混合层高度（b）、 相对湿度（c）、 风速（d）及滞留指数（e）的箱线图

Fig.7 Boxplot of PM2.5 concentration （a）， mixed layer height （b）， relative humidity （c）， wind speed （d）， retention index （e） under different synoptic circulation types in Xi'an

环流型与污染物浓度关系的研究结果表明， R 1/R 2大于1且环流型出现频率与对应的污染日数的乘积较大的环流型为S型、 SE型、 E型及C型， 对这四种环流型下气象要素的分布特征进行讨论（图8）。4种环流型下的混合层高度的平均值为488.98 m， SE型最低， 为464.37 m， C型最高， 为527.48 m， 除C型外其余3种环流型下混合层高度低于500 m的站点数均超过60%； 相对湿度的分布呈明显的南高北低特点， C型控制下相对湿度低于其他3个环流型， 且其他3型均有50%以上的站点相对湿度超过60%； 4个环流型的风速平均值为1.89 m∙s-1， 且60%以上站点风速值低于2 m∙s-1； 4个环流型滞留指数的平均值为0.46， C型最大， 为0.53， 且95%左右的站点值超过0.4， 其他3个天气型60%以上站点滞留指数均超过0.4。
图8 4种环流型下气象要素的分布特点

Fig.8 Spatial distributions of meteorological elements under four synoptic circulation types

4 PM2.5 质量浓度的预报方程

4.1　 PM2.5 质量浓度预报方程的建立

综上分析可知， PM2.5的质量浓度与环流型及混合层高度、 相对湿度、 风速、 滞留指数等气象要素密切相关， 因此可以针对不同环流型分别建立PM2.5质量浓度与气象要素的预报模型， 用于预报PM2.5质量浓度。图4表明， 不同环流型控制下的样本数相差较大， 因此基于环流型和PM2.5的分布特点将26种环流型分为六大类： 东高西低或者高压后部类（S、 SE、 SW、 AS、 ASE、 ASW、 CS、 CSE、 CSW）、 西高东低类（N、 NW、 ANW、 AW、 CN、 CNW）、 高压底部或者地面倒槽类（E、 NE、 CE、 CNE、 AE、 ANE）、 偏西气流类（W、 AW、 CW）、 气旋类（C）、 反气旋类（A）（表2）。基于2014 -2018年的数据， 针对每大类环流型下的PM2.5质量浓度和混合层高度、 相对湿度、 近地面风速、 滞留指数建立PM2.5浓度计算模型（表2）。混合层高度越低， 越不利于大气污染物在垂直方向上的扩散； 相对湿度越高越利于细颗粒物的吸湿增长及二次非均相化学反应的转换， 表2中除个别预报模型外混合层高度和相对湿度前面的系数分别为负值和正值。风速越小， 滞留指数越大越利于污染物的积累， 表2中大部分预报模型中风速和滞留指数前面的系数分别为负值和正值。东高西低类、 高压底部类、 气旋类、 反气旋类各预报模型的相关系数均通过α=0.05或者α=0.01的显著性检验， 西高东低和偏西气流类大多数预报模型的相关系数通过α=0.05的显著性检验。
表2 汾渭平原不同环流类下PM2.5 质量浓度计算模型

Table 2 The calculation model of PM2.5 concentration under different circulation types in Fen-Wei Plain

环流类 城市 方程 样本数 相关系数
东高西低 （高压后部） 吕梁 PM=56.60-0.04MLH+0.22RH+4.23WS+16.29RF 316 0.23**
晋中 PM=71.97-0.04MLH+0.38RH+0.64WS+0.82RF 317 0.31**
临汾 PM=212.28-0.07MLH-0.15RH-59.22WS-13.82RF 391 0.44**
运城 PM=115.29-0.02MLH+0.33RH-19.32WS+20.00RF 317 0.37**
三门峡 PM=69.70-0.03MLH+0.71RH+2.30WS-11.11RF 387 0.25**
洛阳 PM=93.87-0.02MLH+0.51RH-2.39WS-13.04RF 385 0.25**
铜川 PM=74.31-0.02MLH+0.32RH-3.57WS+23.85RF 397 0.27**
宝鸡 PM=139.89-0.04MLH+0.17RH-19.77WS-18.86RF 395 0.23**
咸阳 PM=151.77+0.002MLH+0.29RH-31.99WS+12.93RF 394 0.37**
西安 PM=130.01-0.03MLH+0.36RH-11.95WS+18.11RF 396 0.35**
渭南 PM=91.91-0.02MLH+0.34RH-13.77WS+48.39RF 394 0.32**
反气旋 吕梁 PM=84.74-0.03MLH+0.12RH-16.51WS+9.04RF 142 0.50**
晋中 PM=61.59-0.05MLH+0.52RH-1.90WS+18.22RF 143 0.54**
临汾 PM=171.09-0.01MLH+0.23RH-62.75WS-27.64RF 179 0.48**
运城 PM=84.42-0.03MLH+0.20RH-11.36WS+22.94RF 142 0.42**
三门峡 PM=21.67-0.02MLH+0.79RH-1.76WS+25.90RF 177 0.47**
洛阳 PM=47.19-0.02MLH+0.51RH-2.32WS+35.48RF 177 0.51**
铜川 PM=7.03-0.02MLH+0.64RH+2.91WS+22.94RF 177 0.38**
宝鸡 PM=77.16+0.002MLH-0.01RH-5.99WS-25.64RF 179 0.19*
咸阳 PM=95.43-0.04MLH+0.35RH-14.87WS-3.06RF 178 0.37**
西安 PM=85.03-0.05MLH+0.45RH-9.49WS-1.84RF 178 0.39**
渭南 PM=33.49-0.01MLH+0.57RH-10.11WS+36.90RF 176 0.38**

高压底部

（地面倒槽）

 吕梁 PM=46.17-0.05MLH+0.18RH+3.13WS+44.65RF 155 0.49**
晋中 PM=39.81-0.03MLH+0.65RH-0.43WS+21.99RF 156 0.37**
临汾 PM=126.08-0.05MLH+0.25RH-27.05WS+12.83RF 199 0.41**
运城 PM=69.88-0.03MLH+0.09RH-5.44WS+76.82RF 154 0.41**
三门峡 PM=48.23-0.02MLH+0.57RH+3.59WS+22.44RF 191 0.24**
洛阳 PM=59.81+0.003MLH+0.65RH-7.11WS+41.47RF 190 0.36**
铜川 PM=91.09-0.03MLH+0.19RH-12.95WS+24.17RF 201 0.42**
宝鸡 PM=83.68-0.09MLH+0.21RH-0.50WS+2.35RF 202 0.31**
咸阳 PM=142.31-0.08MLH+0.07RH-10.41WS+22.95RF 202 0.48**
西安 PM=151.99-0.05MLH+0.17RH-22.10WS-3.38RF 202 0.43**
渭南 PM=85.75-0.07MLH+0.26RH-5.25WS+51.18RF 200 0.41**
偏西气流 吕梁 PM=52.55-0.03MLH+0.56RH-2.40WS+3.42RF 17 0.68**
晋中 PM=219.71+0.01MLH+0.48RH-60.74WS-66.92RF 17 0.84**
临汾 PM=285.40-0.01MLH+0.01RH-119.69WS-50.71RF 24 0.61**
运城 PM=266.15+0.0001MLH-0.90RH-61.23WS-29.56RF 17 0.64*
三门峡 PM=191.61-0.002MLH-0.44RH-32.33WS-74.94RF 23 0.31
洛阳 PM=98.93-0.003MLH+0.20RH-17.77WS+8.85RF 24 0.37
铜川 PM=182.64-0.002MLH+0.11RH-20.94WS-75.41RF 24 0.42
宝鸡 PM=120.96+0.09MLH-0.44RH-77.63WS+32.34RF 23 0.50*
咸阳 PM=171.45-0.05MLH-0.17RH-30.05WS+28.97RF 24 0.40
西安 PM=79.55+0.001MLH+0.43RH-21.86WS+29.66RF 24 0.44*
渭南 PM=24.12-0.05MLH+1.08RH+29.70WS-7.91RF 24 0.41
气旋 吕梁 PM=95.36-0.03MLH+0.34RH-7.42WS-28.40RF 46 0.56**
晋中 PM=123.55-0.11MLH+0.73RH+6.18WS-39.48RF 47 0.68**
临汾 PM=209.69-0.09MLH+0.36RH-65.64WS-11.93RF 59 0.50**
运城 PM=104.00+0.02MLH+0.77RH-47.73WS+50.34RF 46 0.62**
三门峡 PM 2.5=32.68-0.08MLH+0.81RH+32.25WS+18.26RF 59 0.29*
洛阳 PM=49.01-0.05MLH+1.21RH+7.42WS+30.28RF 58 0.44**
铜川 PM=229.89-0.08MLH-0.70RH-24.83WS+25.59RF 62 0.51**
宝鸡 PM=191.63+0.09MLH-0.18RH-115.15WS+4.63RF 62 0.38**
咸阳 PM=122.97-0.07MLH+0.55RH-19.33WS+73.40RF 62 0.43**
西安 PM=128.80-0.03MLH+0.52RH-23.31WS+27.77RF 61 0.33**
渭南 PM=119.47-0.07MLH+0.73RH-16.13WS+31.19RF 59 0.35**
西高东低 吕梁 PM=66.45-0.07MLH-0.10RH+1.76WS+69.40RF 30 0.52**
晋中 PM=43.24-0.01MLH+1.00RH-8.32WS+1.81RF 30 0.59**
临汾 PM 2.5=223.94-0.11MLH+0.78RH-50.84WS-115.51RF 36 0.61**
运城 PM=98.83-0.09MLH+0.25RH+1.94WS+9.17RF 30 0.59**
三门峡 PM=78.26-0.03MLH+0.22RH-10.15WS+5.21RF 34 0.38*
洛阳 PM=37.71-0.04MLH+0.83RH+1.07WS+80.89RF 34 0.71**
铜川 PM=20.38-0.04MLH+0.50RH+2.97WS+30.59RF 36 0.53**
宝鸡 PM=74.39-0.002MLH-0.08RH-23.30WS+2.26RF 36 0.31
咸阳 PM=91.37-0.06MLH+0.46RH+3.12WS-44.99RF 36 0.47**
西安 PM=56.67-0.09MLH+0.31RH+19.02WS+3.70RF 36 0.58**
渭南 PM=-5.10-0.002MLH+1.06RH-0.72WS+51.26RF 36 0.59**

*代表相关系数通过α=0.05的显著性检验， **代表相关系数通过α=0.01的显著性检验， PM为PM2.5质量浓度

4.2　历史回代检验

按照表2中PM2.5质量浓度的计算模型， 基于2014 -2018年的历史资料， 对计算模型进行回代检验， 获得6大类天气型下PM2.5质量浓度计算值与观测值的平均偏差及平均绝对偏差（图9， 图10）。平均偏差为计算值与实测值的差值之和除以样本数， 平均绝对偏差为计算值与实测值差值的绝对值之和除以样本数。所有天气型下平均偏差的绝对值均小于0.03 μg∙m-3， 其中渭南所有天气型下平均偏差均小于0.01 μg∙m-3， 表明计算值相对于实测值没有一致性偏高或者偏低。所有天气型下平均绝对偏差值在10~60 μg∙m-3， 其中反气旋类、 偏西气流类、 西高东低类天气型下大部城市平均绝对偏差小于其他类天气型， 晋中和吕梁所有天气型下平均绝对偏差均小于26 μg∙m-3， 计算效果较好。参照《环境空气质量指数（AQI）技术规定（试行）》（HJ633-2012）， 根据PM2.5质量浓度可以计算获得其相应的PM2.5空气质量分指数及对应的级别。PM2.5空气质量分指数计算等级与实测等级相差值大部分集中在0~1级（表3）， 占总样本数的82%， 其中0级占37%。反气旋类、 偏西气流类及西高东低类环流型控制时PM2.5空气质量分指数计算等级与实测等级相差值在0~1级时占的样本百分比较高， 分别为90.1%， 91.7%和97.2%， 计算效果较好。计算过程中导致误差产生的原因可能是统计预报模型中对物理机制的考虑欠缺， 此外， 降水影响颗粒物的湿清除， 在预报模型中未对降水进行考虑。
图9 2014 -2018年不同环流类型下PM2.5质量浓度平均偏差的分布（单位： μg∙m-3）

Fig.9 The mean deviations of PM2.5 concentration under different synoptic circulation types from 2014 to 2018.Unit： μg∙m-3

图10 2014 -2018年不同环流类型下PM2.5质量浓度平均绝对偏差的分布（单位： μg∙m-3）

Fig.10 The mean absolute deviations of PM2.5 concentration under different synoptic circulation types from 2014 to 2018.Unit： μg∙m-3

表3 2014—2018年不同环流类下PM2.5 空气质量分指数计算等级与实况等级相差百分比

Table 3 Percentage differences between calculated and observed PM2.5 sub-index under different circulation types from 2014 to 2018

PM2.5空气质量分指数 相差等级 相差百分比/%
东高西低类 反气旋类 高压底部类 偏西气流类 气旋类 西高东低类
0级 31.1 47.4 35.4 44.0 32.6 52.7
1级 47.1 42.7 45.3 47.7 49.5 42.5
2级 19.3 8.0 16.2 7.5 14.8 4.5
3级 2.4 1.9 3.1 0.8 2.9 0.3
4级 0.1 0.1 0.0 0.0 0.2 0.0

4.3　预报效果检验

基于2019 -2020年气象要素数据， 按照表2中PM2.5质量浓度的预报模型预报每日PM2.5质量浓度。预报结果与实测PM2.5质量浓度进行比对获得6大类天气型下预报值与观测值的平均偏差及平均绝对偏差（图11， 图12）。图11中除偏西气流类、 气旋类、 西高东低类有少数站点有负平均偏差之外， 其余平均偏差值均为正。与图9相比， 2019 -2020年平均偏差的值明显偏大， 表明预报值相对于实测值有一致性的偏高。所有天气型下平均绝对偏差值在10~60 μg∙m-3， 与图10相比， 2019 -2020年平均绝对偏差值与2014 -2018年数值相差较小， 说明模型的预报效果较好， 且随着时间的变化， 模型的稳定性较好。2019 -2020年PM2.5空气质量分指数预报等级与实测等级相差值大部分集中在0~1级（表4）， 占总样本数的80%， 其中0级占33%， 西高东低类环流型控制时PM2.5空气质量分指数预报等级与实测等级相差值在0~1级时占的样本百分比最高， 为93%， 预报效果较好。
图11 2019 -2020年不同环流类型下PM2.5质量浓度平均偏差的分布（单位： μg∙m-3）

Fig.11 The mean deviations of PM2.5 concentration under different synoptic circulation types from 2019 to 2020.Unit： μg∙m-3

图12 2019 -2020年不同环流类型下PM2.5质量浓度平均绝对偏差的分布（单位： μg∙m-3）

Fig.12 The mean absolute deviations of PM2.5 concentration under different synoptic circulation types from 2019 to 2020.Unit： μg∙m-3

表4 2019—2020年不同环流类下PM2.5 空气质量分指数计算等级与实况等级相差百分比

Table 4 Percentage differences between calculated and observed PM2.5 sub-index under different circulation types from 2019 to 2020

PM2.5空气质量分指数

相差等级

 相差百分比/%
东高西低类 反气旋类 高压底部类 偏西气流类 气旋类 西高东低类
0级 27.4 39.7 32.9 34.8 31.2 53.1
1级 50.1 44.8 44.8 47.7 51.3 39.9
2级 18.8 13.6 19.7 14.4 15.6 6.3
3级 3.7 1.9 2.5 3.0 1.9 0.7
4级 0.0 0.0 0.1 0.0 0.0 0.0

5 结论

本研究基于L-J环流分型方法探讨了影响汾渭平原PM2.5污染的主要环流形势及相关气象要素， 构建了PM2.5质量浓度预报模型， 得到如下结论：
（1） 频率超过5%的环流型为A型（20%）、 S型（14%）、 SE型（12%）、 E型（9%）、 C型（7%）、 ASE型（6%）及AE型（5%）。其中S型、 SE型、 E型、 C型对应的PM2.5质量浓度较高。不同环流型出现的频率不同， 且各环流型控制下的PM2.5质量浓度有所差异， R 1/R 2大于1且环流型出现频率与对应的污染日数的乘积较大的环流型为S型、 SE型、 E型及C型， 这4个环流型是影响汾渭平原地区PM2.5污染的主要环流形势。
（2） 西安PM2.5质量浓度达到轻度及以上污染时对应的环流型控制下的混合层高度为483.5~601.38 m， 相对湿度为42.94%~64.03%， 风速为1.45~2.61 m∙s-1， 滞留指数为0.13~0.53。S型、 SE型、 E型及C型4个环流型中除C型外其余3个环流型控制下的混合层高度低于500 m的站点数超过60%， 相对湿度高于60%的站点数达到50%以上， 4个环流型中60%以上站点风速值低于2 m∙s-1， 滞留指数超过0.4。
（3） 基于环流型和PM2.5质量浓度的分布特点将26种环流型分为东高西低或者高压后部类、 西高东低类、 高压底部或者地面倒槽类、 偏西气流类、 气旋类、 反气旋类， 建立PM2.5质量浓度的预报模型。除个别模型外大多数计算模型的相关系数通过α=0.05或者α=0.01的显著性检验。2014 -2018年历史回代检验及2019 -2020年的预报检验中所有模型PM2.5质量浓度计算值与实测值平均绝对偏差均在10~60 μg∙m-3， PM2.5空气质量分指数预报值与实测值相差0~1级的样本数超过80%， 其中有33%以上的样本数预报等级与实测等级一致。
该研究结果有助于全面了解汾渭平原污染概况及易出现污染天气的环流型， 加强对秋冬季大气污染成因的理解。建立的PM2.5预报模型为污染天气预报及防治提供科学支撑， 然而污染天气的成因比较复杂， 除了文中的近地面气象条件外还有降水、 高空气象场、 本地污染源， 本地地形等要素。本研究对影响PM2.5污染原因的分析及预报存在一定偏差， 需要在后续研究中逐步完善。

参考文献

null
Allwine K J， Whiteman C D， 1994.Single-station integral measure of atmospheric stagnation， recirculation and ventilation［J］.Atmospheric Environment， 28（4）： 713-721.
null
Comrie A C， Yarnal B， 1992.Relationships between synoptic-scale atmospheric circulation and ozone concentration in Metropolitan Pittsburgh， Pennsylvania［J］.Atmospheric Environment， 26（3）： 301-312.
null
Chen Z H， Cheng S Y， Li J B， et al， 2008.Relationship between atmospheric pollution processes and synoptic pressure patterns in northern China［J］.Atmospheric Environment， 42（24）： 6078-6087.
null
Jenkinson A F， Collison F P， 1977.An initial climatology of gales over the North Sea［C］.Synoptic Climatology Bransch Memorandum， No.62.Meteorological Office， Brackllell.
null
Lamb H H， 1950.Types and spells of weather around the year in the British Isles： Annual trends， seasonal structure of the year， singularities［J］.Quarterly Journal of the Royal Meteorological Society， 76（330）： 393-429.
null
Liao Z H， Gao M， Sun J R， et al， 2017.The impact of synoptic circulation on air quality and pollution-related human health in the Yangtze River Delta region［J］.Science of the Total Environment， 607/608： 838-846.
null
Wang X F， Wang W X， Yang L X， et al， 2012.The secondary formation of inorganic aerosols in the droplet mode through heterogeneous aqueous reactions under haze condition ［J］.Atmospheric Environment， 63： 68-76.
null
Ye X X， Song Y， Cai X H， et al， 2016.Study on the synoptic flow patterns and boundary layer process of the severe haze events over the North China Plain in January 2013［J］.Atmospheric Environment， 124： 129-145.
null
常美玉， 向卫国， 钱骏， 等， 2020.成渝地区空气重污染天气形势分析［J］.环境科学学报， 40（1）： 43-57.
null
陈龙， 智协飞， 覃军， 等， 2016.影响武汉市空气污染的地面环流形势及其与污染物浓度的关系［J］.气象， 42（7）： 819-826.
null
段雯瑜， 陈敏东， 黄山江， 等， 2020.融合Lamb-Jenkinson分型法和STM神经网络的PM2.5预测研究［J］.环境科学与技术， 43（1）： 92-97.
null
丁一汇， 李巧萍， 刘艳菊， 等， 2009.空气污染与气候变化［J］.气象， 35（3）： 3-14.
null
姜大膀， 王式功， 郎咸梅， 等， 2001.兰州市区低空大气温度层结特征及其与空气污染的关系［J］.兰州大学学报， 37（4）： 133-139.
null
黄鑫， 巩远发， 张雅斌， 等， 2021.陕西省冬季霾天气的背景环流与欧亚大陆积雪深度的联系［J］.高原气象， 40（4）： 943-953.DOI： 10.7522/j.issn.1000-0534.2020.00081 .
null
李梦， 唐贵谦， 黄俊， 等， 2015.京津冀冬季大气混合层高度与大气污染的关系［J］.环境科学， 36（6）： 1935-1943.
null
李霞， 杨静， 马军， 等， 2012.乌鲁木齐重污染日的天气分型和边界层结构特征研究［J］.高原气象， 31（5）： 1414-1423.
null
林廷坤， 洪礼楠， 黄争超， 等， 2019.北京市秋冬季大气环流型下的气象和污染特征［J］.中国环境科学， 39（5）： 1813-1822.
null
刘梅， 严文莲， 张备， 等， 2014.2013年1月江苏雾霾持续和增强机制分析［J］.气象， 40（7）： 835-843.
null
唐贵谦， 李昕， 王效科， 等， 2010.天气型对北京地区近地面臭氧的影响［J］.环境科学， 31（3）： 573-578.
null
田宏伟， 谈建国， 杜子璇， 2008.用TSI天气分型方法分析上海环境空气质量［J］.气象与环境科学， 31（1）： 51-55.
null
田伟， 唐贵谦， 王莉莉， 等， 2013.北京秋季一次典型大气污染过程多站点分析［J］.气候与环境研究， 18（5）： 595-606.
null
王莉莉， 王跃思， 王迎红， 等， 2010.北京地区夏末秋初不同天气形势对大气污染物浓度的影响［J］.中国环境科学， 30（7）： 924-930.
null
王倩倩， 余晔， 董龙翔， 等， 2020.基于激光测风雷达的兰州冬季风场特征及其与大气污染的关系［J］.高原气象， 39（3）： 641-650.DOI： 10.7522/j.issn.1000-0534.2019.00009 .
null
王琼， 沈瑞珊， 庞杨， 2020.河北省重污染天气分型及其预报概念模型研究［J］.气象与环境科学， 43（4）： 105-112.
null
吴亚平， 张琦， 王炳赟， 等， 2020.四川雅安三种主要大气污染物浓度与气象条件的关系及其预测研究［J］.高原气象， 39（4）： 889-898.DOI： 10.7522/j.issn.1000-0534.2019.00115 .
null
徐永清， 张弛， 王庆祥， 等， 2014.城市近地层风特征与污染系数分析［J］.气象与环境科学， 37（3）： 55-59.
null
谢付莹， 王自发， 王喜全， 2010.2008年奥运会期间北京地区PM10污染天气形势和气象条件特征研究［J］.气候与环境研究， 15（5）： 584-594.
null
袁美英， 周秀杰， 张桂华， 等， 2005.天气形势对哈尔滨空气质量影响的初步研究［J］.气象， 31（1）： 55-58.
null
俞布， 朱彬， 窦晶晶， 等， 2017.杭州地区污染天气型及冷锋输送清除特征［J］.中国环境科学， 37（2）： 452-459.
null
俞科爱， 胡晓， 黄旋旋， 等， 2015.宁波区域霾过程的天气分型及环流场特征［J］.气象， 41（12）： 1514-1524.
null
周述学， 邓学良， 王传辉， 等， 2020.华东2018年冬季一次典型雾霾过程的气象成因分析［J］.高原气象， 39（5）： 1110-1121.DOI： 10.7522/j.issn.1000-0534.2019.00085 .
null
郑凤琴， 曾鹏， 罗小莉， 等， 2019.广西区域霾过程高低空大气环流型影响分析［J］.气象科技， 47（4）： 655-662.
Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn