1 引言
近几十年， 中国城市化和工业化进程不断加快， 大量污染物集中排放， 致使多种污染物均以高浓度状态存在于大气中， 并通过复杂的相互作用， 形成以细颗粒物、 O3污染为主要特征的区域大气复合污染（张远航， 2008； 朱彤等， 2010； 刘磊和胡非， 2019）。其中细颗粒物污染（如灰霾）对环境和公众健康的危害尤甚（阚海东和陈秉衡， 2002； 谢元博等， 2014）， 特别是京津冀、 长三角和珠三角等发达城市较为集中的区域（Zhang et al， 2012； Ma et al， 2016）。位于京津冀的北京是我国政治经济文化中心， 且长期受到细颗粒物污染影响。随着一系列污染防控措施的实施和相关政策的制定， 近年来， 北京地区细颗粒物污染得到明显改善。2020年1月北京市生态环境局公布2019年北京地区PM2.5年均浓度为42 µg·m-3。虽然这一浓度远低于2013年的89.5 µg·m-3（Chen et al， 2019）， 但仍高于我国环境空气质量二级标准（35 µg·m-3）和世界卫生组织（WHO）指导标准（10 µg·m-3）（尹承美等， 2019）， 且在减排效果良好的情况下， 2019年冬季北京仍有几次持续性的污染出现， 所以还需进一步对该地区PM2.5开展有针对性的来源解析工作。
目前， 针对PM2.5来源解析的方法很多， 主要分为受体模型和源模型两类。前者主要以PMF（Positive Matrix Factorization）（Paatero， 1997）和CMB（Chemical Mass Balance）（Miller et al， 1972）为主， 但存在很大局限， 如时空跨度上的限制， 本地源和外来源贡献的区分， 以及无法解析二次污染物来源等问题（张延君等， 2015； 吴育杰， 2019）， 而源模型中空气质量模式的加入刚好弥补了这些不足。相比于敏感性分析法在排放源变化对目标污染物浓度影响上的关注， 如BFM（Brute-Force Method）（Burr and Zhang， 2011）和DDM（Decoupled Direct Method）（Koo et al， 2007）， 另一源模型方法——标记追踪法， 在不同区域、 不同类别的排放源对目标区域污染物浓度影响方面的解析更能满足当前PM2.5源解析的实际需求， 如PSAT（Particulate Source Apportionment Technology）（Wagstrom et al， 2008）， TSSA（Tagged Species Source Apportionment）（Wang et al， 2009）和ISAM（Integrated Source Apportionment Method）（Kwok et al， 2013）。PSAT是较早开发出的源解析技术， 主要对特定区域、 特定排放源进行标记， 从而实现颗粒物来源解析。但随着人们对某区域多个受体点污染物来源解析的迫切需求， TSSA应运而生， 该方法可同时对多个区域多类别的排放源进行标记。ISAM是从TSSA上发展起来的新一代源解析方法。该方法不仅使标记过程与主题模式更加一致， 而且提高了计算效率和代码的模块性， 保证高效的同时， 还增加了源解析对象设置的灵活性（吴育杰， 2019）， 所以很快就被应用于PM2.5的源解析工作中。如Chen et al （2017）在CMAQ（Community Multiscale Air Quality）模式中耦合ISAM模块对山东陵城乡村地区PM2.5来源进行了解析， 而 Li et al（2019）利用耦合了ISAM的RAMS（the Regional Atmospheric Modeling System）-CMAQ模式模拟分析了区域输送对华北平原、 长三角、 珠三角和成渝地区PM2.5及其主要组分的贡献。
目前北京地区PM2.5来源研究表明（李璇等， 2013； 王晓琦等， 2016； 王燕丽等， 2017）， 虽然北京本地排放贡献相对于各区域单独贡献来说很突出， 但外来源对北京PM2.5的整体贡献更显著， 特别是严重污染时期， 所以对北京地区PM2.5的区域传输研究仍很重要。但目前这方面的研究主要集中在各区域对PM2.5的传输贡献上， 而对PM2.5中各组分及其前体物的传输特征研究相对较少， 特别是不同污染情况下的研究。李璇等（2013）利用耦合了PSAT模块的CAMx（the Comprehensive Air Quality Model with Extensions）模式（即CAMx-PSAT）对2013年1月一次污染过程中北京地区PM2.5中各组分来源进行分析， 发现硝酸盐主要来自北京周边， 硫酸盐和二次有机气溶胶主要源于远距离输送， 铵盐和其他组分则主要来自北京本地贡献。但近年来一系列减排措施的实施， 不仅使北京PM2.5浓度整体下降， 且其组分也因不同减排措施的针对性不同而发生变化（李欢等， 2020）， 需对各组分传输特征重新进行分析， 为制定有针对性的减排新政提供参考。因此本研究利用耦合了ISAM源解析模块的空气质量模式RAMS-CMAQ（RAMS-CMAQ-ISAM）对2019年12月北京地区PM2.5来源进行解析， 并分析不同污染情况下北京PM2.5和各组分及相应前体物的区域传输特征。
2 模式介绍
采用RMAS-CMAQ-ISAM模式对北京PM2.5来源进行解析。该模式中作为主体之一的大气化学传输模式CMAQ是由美国环保部基于“一个大气”理念开发的第三代空气质量模拟系统的核心部分， 本文采用的是5.0.2版本。输入到CMAQ模式中的排放源数据包括： 人为源排放（包括工业源、 电厂源、 交通源、 居民生活源和农业源）是由清华大学提供的分辨率为0.25°×0.25°的2016年月均源排放清单（Li et al， 2017）， 其中包括黑碳（BC）， 有机碳（OC）， CO， CO2， SO2， NOx， 非甲烷挥发性有机化合物（NMVOCs）， NH3， PM10和PM2.5； 生物源来自于MEGAN（the Model of Emissions of Gases and Aerosols from Nature）（Guenther et al， 2012）； 闪电产生的NOx源排放数据主要来自于分辨率为1°×1°的GEIA（the Global Emissions Inventory Activity）月均源清单（Benkovitz et al， 1996）； 外场生物质燃烧排放数据是由van der Werf et al（2017）描述的GFED4s（the Global Fire Emissions Database， Version 4.1）数据； 模式中还引入分别由Han et al（2004）和Gong（2003）发展的在线沙尘和海盐排放计算模块。此外， 化学物种的侧边界条件来自于MOZART-4（the Model of Ozone and Related Tracers， Version 4）（Emmons et al， 2010）。气象场则是由RAMS（6.0版）模式进行模拟。在模拟气象场时采用的是旋转极平面投影， 输入到模式中的大尺度天气背景场取自欧洲中心ECMWF（the European Centre for Medium-Range Weather Forecasts）提供的0.75°×0.75°再分析数据资料， 同时还使用了周平均海表温度数据和观测的月平均雪覆盖信息作为计算的边界条件。
作为源解析工具的ISAM模块是以污染物排放源为出发点的溯源追踪模块。通过标记特定地区特定排放源排出的多种污染物， 可以追踪得到在经过一系列物理化学过程后， 这些污染物及其反应生成物在模拟空间内的分布情况， 并通过一定的权重计算得到特定地区特定排放源产生的污染物对模拟空间内任何一个网格内污染物总量的贡献（吴育杰， 2019）。该方法不仅可以对不同区域排放物进行跟踪， 还可以对细颗粒物组分及其前体物来源进行跟踪， 同时还可以分析长距离输送对当地污染物浓度的影响。
模拟区域如图1 所示， 中心点位于（40°N， 116°E）， 水平分辨率为16 km × 16 km， 共94×90个格点， 在垂直方向上采用不等距分层， 从地表到模式层顶约23 km， 共分为15层， 其中有9层分布于2 km 以下， 以便更好地描述大气边界层气象场情况。本研究在模拟区域内共标记了18个源区（A01-A18）， 并将在模拟区域内但未被标记的区域源排放影响归为其他区域输送（OTHR）。此外， 还有侧边界长距离输送（BCON）和初始场贡献（ICON）， 所以共有21个有效污染源贡献分区。文中涉及的地图是基于国家测绘地理信息局表准地图服务网站下载的审图号为GS（2016）2556号的中国地图制作， 底图无修改。
3 结果与讨论
3.1 模式评估
为更好地评估模式结果的可靠性和稳定性， 本研究对2019年12月进行了模拟。模拟时段为2019年11月26日08:00（北京时， 下同）至2020年1月1日07:00， 因模式初始化时间为3天， 所以分析时段为2019年12月1日00:00至31日23:00。同时收集了2019年12月模拟区域中位于标记区域的18个气象站点（图1 所示的红+）的MICAPS（the Meteorological Information Comprehensive Analysis and Process System）气象数据和国家环境监测中心发布的18个国控站点（图1 所示的蓝□）PM2.5小时浓度数据对模拟结果进行评估。表1 所示是2019年12月模拟与观测的温度（T）， 相对湿度（RH）， 风速（WS）， 风向（WD）和PM2.5的比较统计结果， 相关参数计算公式见Juda-Rezler et al（2012）。
表1 模拟和观测的气象变量及PM2.5 的比较统计结果Table 1 Statistics for meteorological variables and PM2.5 between simulations and measurements |
| 变量 | C mod | C obs | σ mod | σ obs | RMSE | R | N |
|---|---|---|---|---|---|---|---|
| T/ºC | -0.61 | -1.37 | 5.52 | 6.28 | 3.22 | 0.87 | 13284 |
| RH/% | 55.89 | 57.61 | 17.50 | 22.44 | 17.53 | 0.64 | 13283 |
| WS/（m·s-1） | 1.85 | 2.06 | 1.95 | 1.49 | 1.70 | 0.55 | 13284 |
| 变量 | C mod /（µg·m-3） | C obs /（µg·m-3） | FB/% | FE/% | R | N | |
| PM2.5 | 97.13 | 63.35 | 32.14 | 62.31 | 0.65 | 12709 | |
| 变量 | P 22.5º /% | P 45º /% | N | ||||
| WD | 32.15 | 54.63 | 12837 | ||||
N为样本总数； C mod 和C obs表示模拟和观测平均值； σ mod 和σ obs为模拟和观测标准差； RMSE为均方根误差； R表示相关系数； FB为偏差分数； FE为误差分数； P 22.5º和P 45º为模拟风向与观测风向偏差的绝对值分别在22.5º和45º以内的比例 |
从统计结果来看， 虽然模拟的温度、 相对湿度和风速与观测相比存在低估或高估， 但在量级和变化趋势上与观测结果保持较好一致性， 三者的相关系数（R）分别为0.87， 0.64和0.55。同时温度和相对湿度的均方根误差（RMSE）分别为3.22 ℃和17.53%， 与Gao et al（2016）的结果相当， 说明模式系统误差合理， 而风速的RMSE为1.70 m·s-1， 符合Emery提出的模拟“良好”标准（2 m·s-1）（Wang et al， 2019）。由模拟风向与观测风向间偏差绝对值在22.5°和45°内的结果所占比例（即P 22.5º和P 45º）可知， 前者接近三分之一， 后者接近三分之二， 说明模式对风向模拟也较合理。综上， 本研究所用模式对研究区域内气象场变化情况的模拟结果合理。
由于模式分辨率限制及排放源不确定性影响， PM2.5模拟结果与观测相比偏高， 变化趋势有较好一致性（R=0.65）， 且偏差分数（FB）和误差分数（FE）分别低于60%和75%， 符合Boylan and Russell（2006）提出的模拟良好标准。以上比较结果充分说明本研究所用模式可用于冬季北京地区PM2.5区域传输特征分析。
3.2 结果分析
观测和模拟的2019年12月北京市PM2.5日平均质量浓度变化情况（图2 ）与模式评估结果一致， 模拟的PM2.5日平均质量浓度整体偏高， 这与模式采用2016年人为源排放清单有关， 但模拟与观测结果间相关性显著（R=0.82）， 所以总的来说， PM2.5源解析结果可用。以环境空气质量标准（GB3095-2012）二级日均浓度限值（75 µg·m-3）为标准， 则2019年12月北京共出现3次污染过程， 分别是12月8 -10日， 24日， 28 -29日， 其中12月8 -10日的污染过程中， PM2.5质量浓度最高达到重度污染水平。随着污染加重， 污染物来源和构成均发生变化（李欢等， 2020）， 需对不同污染时段进行有针对性的研究。因此本研究根据《环境空气质量指数（AQI）技术规定》（HJ633-2012）中PM2.5的污染分级标准（http： //www.mee.gov.cn/ywgz/fgbz/bz/bzwb/jcffbz/201203/t20120302_224166.sht ml）， 将2019年12月分为3个时段： 非污染时段（日均浓度<75 µg·m-3）， 轻度污染时段（75 µg·m-3<日均浓度<115 µg·m-3）和中重度污染时段（日均浓度>115 µg·m-3）。
由不同污染程度下各排放源区对北京近地面PM2.5的贡献情况（图3 ）可知， 无论是污染天还是非污染天， 冬季外来输送对北京地区PM2.5贡献都占主导。但与非污染天相比， 外来输送在污染天对北京地区PM2.5贡献更大， 其比例从非污染天的69.7%上升到中重度污染天的75.7%。京津冀地区是全国污染排放强度最大区域之一（王跃思等， 2014）， 所以受地理位置和高污染物排放影响， 河北对北京冬季PM2.5贡献远超其他区域， 且在非污染、 轻度污染和中重度污染天分别为33.4%， 36.0%和41.2%。结合河北省内各区域对北京PM2.5贡献来看， 保定和石家庄对北京PM2.5贡献最多， 从非污染到中重度污染的贡献分别为14.4%， 11.6%和22.2%， 其次是沧州和廊坊所在区域， 贡献比例依次为8.8%， 8.2%和7.6%。不难发现， 这些地区都是产业结构偏重、 污染排放较大地区（王燕丽等， 2017）， 且都位于河北南部， 处于燕山山脉和太行山脉夹持的山谷地形中， 极易出现污染物累积。当有输送条件时， 它们便成为河北境内对北京PM2.5传输影响较大区域。内蒙是外来输送中对北京冬季PM2.5贡献第二大的区域， 其对非污染、 轻度污染和中重度污染情况下北京PM2.5的贡献分别为8.2%， 6.3%和10.7%。
结合图4 中各时段模拟区域风场来看， 非污染天［图4 （a）］， 北京地区出现较小偏西风， 可对外输送污染物。而河北南部及南部以南区域（包括河南和山东西部）基本处于无风或极低风速状态， 主要靠来自太行山以东的偏西气流输送影响北京PM2.5， 所以紧邻太行山东部的保定和石家庄对北京PM2.5贡献最大， 其次是与保定和石家庄东部毗邻的沧州和廊坊。同时受偏西风长距离输送影响， 因土地沙化严重， 植被覆盖不足造成地面尘土极易被强风携带出境的内蒙成为对北京PM2.5输送贡献第二大区域。当北京出现轻度污染时［图4 （b）］， 与非污染天相比， 北京和河北南部均处于无风或极低风速状态， 但紧邻河北南部的河南和山东西部却出现较小的偏南和偏西南气流， 这些区域污染物在偏南方向气团携带下进入河北南部， 最终在偏西风作用下加重北京污染。当中重度污染发生时［图4 （c）］， 河北南部出现较小偏南风， 对北京PM2.5进行南部短距离输送， 同时紧邻河北南部的河南和山东西部地区的偏南和偏西南风进一步增强， 最终联合偏西风输送， 再次加重北京地区污染。虽然北京地区有些许偏西风对外输送， 但太小以致无法抵消外来输送影响。
为进一步了解不同污染情况下， 北京近地面PM2.5组分贡献情况， 分别对北京冬季非污染、 轻度污染和中重度污染天的PM2.5进行组分解析（图5 ）。由图5 可知， 无论污染天还是非污染天， 北京PM2.5中二次无机气溶胶组分（SNA， 包括硫酸盐SO 、 硝酸盐NO 和铵盐NH ）贡献均占主导（57%以上）， 且随污染加重而增加， 中重度污染天所占比例比非污染天高6.7%， 说明二次转化在北京细颗粒物污染形成中的重要性。硝酸盐是对PM2.5贡献最大的SNA组分， 其贡献比例随污染加重而增加， 由非污染天的30.4%可增至中重度污染天的37.8%， 与硫酸盐的情况相反。如图5 所示， 硫酸盐对北京冬季PM2.5的贡献随污染加重而降低， 由非污染天的11.1%降至中重度污染天的9.9%。二者对北京PM2.5的贡献变化与李欢等（2020）的观测结果一致， 可能与二者各自前体物浓度和生成条件不同有关。铵盐是北京PM2.5中第二大无机盐组分， 其在三种污染情况下对北京PM2.5的贡献均在15%以上。虽然一次组分在北京PM2.5中不占主导， 特别是重污染期间， 但整体占比均在36%以上， 所以不可忽视。从非污染天到中重度污染天， 各一次组分比例均随污染加重而降低， 其中一次尘（IONS）的贡献由22.8%降至19.1%， OC的贡献由14.7%降至12.4%， BC的贡献由5.3%降至4.6%。
为进一步了解现阶段北京PM2.5中各组分和相关前体物来源， 对此进行来源解析， 结果如图6 所示。
由图6 （a）可知， 北京NH4 +以外来输送为主（53.0%以上）， 且该贡献率随大气污染的加重而增加， 中重度污染天比非污染天高15.7%。主要贡献区域是河北和内蒙， 与两地都有较大产值密度的畜牧业或种植业有关。从非污染到中重度污染天， 河北对北京NH 的贡献分别为41.3%， 41.9%和58.0%， 且南部贡献（23.8%~43.0%）远高于北部（12.0%~17.5%）。北部以张家口贡献为主， 南部则以保定、 石家庄、 沧州和廊坊贡献为主。内蒙对北京铵盐贡献在非污染、 轻度污染和中重度污染天分别为5.2%， 3.5%和6.0%。由图4 （b）风场可知， 轻度污染期间， 有偏南方向气团经天津进入北京， 致使该时段天津对北京铵盐贡献达到11.5%， 高于内蒙地区， 但在其他时段天津境内多以偏西风为主， 故对北京NH 贡献较小。由图6 （d）所示， 本地源对北京NH3贡献显著（33.9%~40.1%）， 但外来输送整体仍占主导， 且随污染加重而增加， 中重度污染天贡献比非污染天高6.2%。这些贡献主要来自河北和内蒙， 与NH 的解析结果一致。从非污染到中重度污染， 河北对北京NH3的贡献分别为45.3%， 39.5%和57.9%， 内蒙对北京NH3的贡献分别为4.2%， 1.9%和3.6%。由此可知， 各区域对北京NH 与NH3的贡献变化趋势一致， 说明NH 的传输贡献结果受前体物影响较大。
同样地， 如图6 （b）所示， 北京SO4 2-以外来输送为主（59%以上）， 并随污染加重而增加， 中重度污染天比非污染天高3.8%， 主要输送区域包括河北、 内蒙和山西北部， 因这些地区拥有丰富的煤矿资源或聚集有较多与燃煤有关的工业生产。从非污染到中重度污染， 河北、 内蒙和山西北部对北京SO 的贡献分别为33.3%， 32.0%和35.4%； 7.8%， 2.6%和10.6%以及9.0%， 6.0%和13.6%。河北南部贡献（22.6%~29.0%）仍高于北部（6.4%~9.9%）， 且天津地区在轻度污染时对北京SO 的贡献同样显著， 约12.8%。SO2来源解析结果［图6 （e）］表明， 同硫酸盐一样， 北京SO2主要由外来输送控制， 且随污染加重而增加， 中重度污染天比例比非污染天高5.4%。这些贡献主要来自河北、 内蒙、 山西北部以及侧边界长距离输送BCON。不同污染情况下， 上述输送对SO2的贡献分别为36.6%， 36.8%和43.9%； 9.3%， 5.2%和11.6%； 6.5%， 5.7%和8.5%以及10.1%， 5.9%和6.8%。各区域对北京SO2与SO4 2-的贡献变化一致， 同样说明SO4 2-的传输贡献结果受前体物影响较大。
同NH4 +和SO 不同， 北京地区NO ［图6 （c）］主要来自本地源贡献。在非污染、 轻度污染和中重度污染情况下， 本地源对北京NO 的贡献分别为70.5%， 68.2%和74.8%。结合图6 （f）所示的北京NO2源解析结果来看， 与NO 不同， 北京NO2主要来自外来输送。不同污染情况下， 外来输送贡献比例分别为82.9%， 86.2%和83.8%， 说明本地排放的大部分NO2都通过二次转换生成了NO ， 是污染加重的主导组分。NO 的外来输送贡献主要源于河北。不同污染情况下， 河北对NO 的贡献分别为20.7%， 17.6%和17.2%， 且河北对北京NO2的输送贡献也最大。从非污染到中重度污染， 河北对北京NO2的贡献分别为37.9%， 33.7%和37.4%。所以， NO 的传输贡献结果也受前体物影响， 但河北对北京NO2和NO 的贡献变化趋势并不完全一致， 可能与传输过程中NO2二次转换生成NO 有关。除河北外， 内蒙和BCON对北京NO2的贡献也较大， 分别为6.2%~11.3%和14.1%~16.1%。
由图6 （g）~（i）所示， 北京PM2.5中一次源组分也以外来输送为主， 其对北京BC、 IONS和OC的贡献分别在60%， 69%和52%以上， 并随污染加重而增加。外来输送在中重度污染天对BC、 IONS和OC的贡献分别比非污染天高7.4%， 6.9%和9.8%。北京BC和OC的外来输送贡献主要来自河北。不同污染情况下， 河北对北京BC的贡献分别为45.5%， 43.2%和54.9%， 对OC的贡献分别为37.9%， 36.1%和46.7%。IONS主要来自河北、 内蒙以及OTHR， 三个区域在不同污染情况下对IONS的贡献分别为23.2%， 23.8%和26.2%； 12.6%， 12.4%和19.5%以及14.4%， 13.8%和6.0%。
值得注意的是， 从单个区域贡献来看， 北京本地对SO 、 NH 以及各一次源组分的贡献仍很显著。不同污染情况下， 本地源对SO 、 NH 、 BC和OC的贡献均在30%以上， 对IONS的贡献在23%以上， 所以不容忽视。从北京PM2.5中各组分的源解析结果来看， 区域联防联控依然是改善北京PM2.5的重点， 同时不能忽略北京本地排放的影响， 特别是作为污染加重主导成分的硝酸盐及其前体物的来源控制。
4 结论
利用耦合了ISAM源解析模块的空气质量模式RAMS-CMAQ， 模拟分析了2019年12月不同污染程度下北京地区PM2.5的传输特征， 并取得以下结论：
（1） 北京冬季PM2.5以外来输送为主， 污染越重， 输送越大， 其中河北地区贡献最显著。非污染天以偏西风输送为主， 当有偏南气流出现时， 污染可能发生且持续加重。
（2） 北京冬季PM2.5以SNA贡献为主， 污染越重， SNA占比越大。硝酸盐贡献随污染加重而增加， 硫酸盐、 OC、 BC和IONS贡献随污染加重而减少。
（3） 北京冬季PM2.5中硝酸盐主要来自本地贡献， 而硫酸盐和铵盐均以外来输送为主。与铵盐不同， 除河北和内蒙古自治区外， 山西北部也是硫酸盐的主要输送来源。各区域对北京无机盐组分的贡献均受前体物影响， 而相应前体物也以外来输送为主。外来输送对SO2和NH3的贡献随污染加重而增加。与NH3不同， 除河北和内蒙古自治区外， SO2还主要来自山西北部和侧边界长距离输送， 后者也是NO2的另一主要输送来源。
（4） 北京冬季PM2.5中OC、 IONS和BC均以外来输送为主， 且随污染加重而增加。BC和OC的外来输送贡献主要来自河北， 而IONS主要来自河北、 内蒙以及其他未标记区域。