2015年北京、上海和拉萨PM <span class="subscript"> 2.5 </span> 浓度日变化和日际变化分析

摘要分析2015年北京、上海和拉萨3个城市PM 2.5 浓度的时间序列, 讨论PM 2.5 浓度的季节变化以及各城市 PM 2.5 浓度日际变化与日变化的相对重要性。从长期来看, 3 个城市冬季PM 2.5 浓度普遍大于夏季; 从短期来看, 北京和上海 PM 2.5 浓度主要呈现日际变化, 天气系统的影响远大于日变化。北京冬季 PM 2.5 浓度在一定程度上也呈现日变化, 但在夏季不明显; 上海在冬季和夏季都不呈现日变化; 拉萨的情况则相反, 当地的天气系统比较稳定, 日际变化不明显, PM 2.5 浓度主要受日变化影响, PM 2.5 浓度的日变化呈现明显的“双峰” 现象。

关键词 PM 2.5 ; 季节变化; 日际变化; 日变化; 北京; 上海; 拉萨

PM 2.5 指大气中直径小于 2.5μm 的颗粒状悬浮物, 其主要成分有硫酸盐、硝酸盐、铵盐、黑碳、沙尘和有机物等 [1 - 5] 。由于 PM 2.5 的粒径较小, 比PM 10 等颗粒物更容易进入人体, 对呼吸道和心肺功能等方面造成伤害。过多的 PM 2.5 会影响能见度, 引发环境污染、交通隐患等一系列社会问题。另外, PM 2.5 会直接或者间接地影响地 - 气系统的能量平衡 [6 - 10] 。

PM 2.5 浓度在很大程度上由局地的污染排放决定 [10] , 除气溶胶的直接排放外, 某些污染气体也可以通过气 - 粒转化过程, 造成二次污染。有研究者尝试用源解析的方式分析主要的污染来源, 除沙尘、海盐以及植被的自然排放外, 主要的人为污染源包括工业排放、建筑施工、交通、生物质燃烧等 [11 - 14] 。由于研究的地区、时段和使用方法不同, 得到的结果也存在较大差异。当遇到特殊的大事件时, 空气质量往往还与政府的具体措施有关, 比如在2008年北京奥运会、2014年南京青奥会、亚太经合组织(APEC)峰会以及 2015 年阅兵式期间, 空气质量显著提升, 其间的工业减排和车辆限行等措施都发挥了一定的作用 [15 - 17] 。

除局地的污染物排放外, 周边甚至远处的污染物输送, 也是 PM 2.5 的主要来源。周边地区的污染物可以通过天气系统进行传输, 并且显著地影响下游地区的 PM 2.5 浓度。例如, 北京地区的 PM 2.5 浓度在很大程度上受河北地区污染排放的影响 [10] ; 在沙尘暴出现时, 北京地区的 PM 10 和 PM 2.5 浓度都显著升高, 其中大部分沙尘来源于内蒙古和甘肃等地 [12] 。天气形势决定区域的风速、风向、相对湿度以及大气层结的稳定性等气象因素, 从而影响污染物的区域传输和扩散, 因此会对污染物浓度产生影响 [18 - 22] 。

边界层厚度也显著地影响 PM 2.5 浓度, 同时也是造成 PM 2.5 浓度发生日变化和季节变化的主要原因之一 [21 - 24] 。白天的边界层厚度较大, 通过边界层内的充分混合, 使得地表的 PM 2.5 浓度有所下降; 夜晚, 随着边界层厚度降低, 大部分污染物被限制在贴近地表的较薄的一层, 导致近地面的 PM 2.5 浓度升高。这是 PM 2.5 浓度发生日变化的主要原因之一。类似地, 冬天的边界层较薄, 夏天的边界层较厚, 是导致 PM 2.5 浓度冬高夏低的原因之一。

日际变化指 PM 2.5 浓度日与日之间的变化情况, 日变化则指 PM 2.5 浓度在一日内的周期性变化。李名升等 [25] 分析了 2014 年中国大陆地区 PM 2.5 的时空分布、PM 2.5 在各个城市的浓度分布情况以及各城市平均的 PM 2.5 浓度日变化, 得到 PM 2.5 浓度随地域的分布情况, 并发现全国平均的 PM 2.5 日变化具有双峰现象: 夜间和早上 9 点分别有一个明显的浓度高峰, 可能与城市上班早高峰有关。

近年来, 作为中国的经济和政治中心, 北京和上海的“雾霾”问题受到持续关注, 但由于二者地理位置和气候条件不同, PM 2.5 浓度的变化规律既有共性, 又有差异。拉萨地处青藏高原, 海拔较高, PM 2.5 浓度可能存在较特殊的变化规律。因此, 本文选取北京、上海和拉萨 3 个代表性城市作为研究对象, 着重分析这 3 个城市2015年PM 2.5 浓度的时间序列, 讨论在月的时间尺度上日际变化与日变化的相对重要性, 以及年的尺度上 PM 2.5 浓度的季节变化规律。

1 数据与城市

本研究使用的数据来自 http://beijingair.sinaapp. com 网站。该网站有全国 1497 个站点的空气质量数据, 其中北京市 12 个站点的数据来源于北京市环境保护检测中心网站, 全国其他 1485 个站点的数据来源于 PM25.in 网站(数据源为中国环境监测总站的全国城市空气质量实时发布平台)。北京市的数据从 2013 年 12 月 6 日至今, 全国其他城市的数据则从 2014 年 5 月 13 日至今。数据包含以下类型: PM 2.5 和 PM 10 的实时浓度及 24 小时平均值, 空气质量指数(AQI)实时值, SO 2 , NO 2 和 CO的实时浓度及 24 小时平均值, O 3 的实时浓度。所有实时数据的时间分辨率为 1 小时。本文选取 2015 年全年的PM 2.5 实时浓度数据, 各城市的 PM 2.5 浓度数据都为该城市所有站点的平均值。

北京位于东经 115°42′—117°24′, 北纬 39°28′—41°05′, 地处燕山山脉、太行山脉与华北平原的交界处, 地势为西北高、东南低, 易造成污染物的沉积。中纬度气旋系统对北京的气象条件影响较大。

上海位于东经 120°00′—122°12′, 北纬 30°40'—31°53′, 是长江三角洲冲积平原的一部分, 地势平坦。上海地处亚热带季风气候区, 夏季受来自海洋的东南季风影响, 气候温和湿润, 冬季易受北方南下冷空气影响。

拉萨位于东经 73°36′—91°06′, 北纬 27°18′—36°42′, 地处青藏高原南部, 平均海拔 3650m, 是世界上海拔最高的城市之一。由于拉萨地处喜马拉雅山脉北侧, 受下沉气流的影响, 全年多为晴朗天气, 降水稀少, 气温没有大的起伏。拉萨地区太阳辐射强, 空气稀薄, 昼夜温差较大。

北京、上海和拉萨分别有 12 个、9 个和 6 个站点, PM 2.5 浓度数据缺测比例较小, 分别为 8.3%, 7.0%和 7.0%, 因此所用数据是可靠的。

2 结果分析

2.1 PM 2.5 浓度的季节变化

图 1 显示北京、上海和拉萨 PM 2.5 浓度的季节平均值变化趋势。各城市冬季 PM 2.5 浓度普遍高于夏季, 春季与秋季的情况比较相近, 处于冬季与夏季之间。PM 2.5 浓度的季节变化北京最大, 拉萨最小。3 个城市冬季 PM 2.5 浓度高于夏季, 北京 PM 2.5 浓度的季节变化相对最大, 拉萨最小。

2.2 PM 2.5 浓度的日际变化分析

在分析日际变化时, 为了排除日变化的影响, 将所有站点当天的有效数据进行平均, 得到3个城市的PM 2.5 浓度日平均值变化曲线(图2~4)。

北京的PM 2.5 浓度具有较明显的日际变化特征, 在秋季和冬季更加明显(图 2)。在天气过程的时间尺度上, PM 2.5 浓度存在低频的不规律起伏, 持续时间从两三天至十几天不等。2015 年 1 月 11 日至 15日, PM 2.5 浓度从接近 0 持续上升至超过 400μg/m 3 , 然后急剧下降至接近 0, 之后又经历 17—19 日、19—21 日等几个较短周期的浓度波动。2015 年 10 月, PM 2.5 浓度也经历两个约 10 天的周期性波动。这种现象通常是由天气过程造成的: 静稳天气时, 气溶胶在北京当地不断累积, 当有天气系统过境时, 大气中的气溶胶才能通过干湿沉降或大风扩散等锋面活动而被快速清除。因此, 北京 PM 2.5 浓度的日际变化具有“缓慢上升, 快速回落”的特点。

图1 北京、上海和拉萨PM 2.5 浓度的季节变化

Fig. 1 Seasonal variation of PM 2.5 concentration in Beijing, Shanghai and Lhasa

与北京相似, 上海的 PM 2.5 浓度存在明显的日际周期变化(图 3)。值得注意的是, 上海的 PM 2.5 浓度通常不会出现多日的持续增长, 最高值也明显低于相应季节的北京。例如, 1 月的最高 PM 2.5 浓度, 北京为 400μg/m 3 , 上海为 300μg/m 3 ; 7 月的最高PM 2.5 浓度, 北京为 200μg/m 3 , 上海为 100μg/m 3 。这可能是因为北京西、北两面环山, 在盛行南风或天气静稳时污染物不易扩散; 上海位于长江三角洲冲积平原, 没有地形阻挡, 更有利于污染物扩散。

拉萨的 PM 2.5 浓度变化趋势在 3 个城市中最为平缓(图 4)。就日际变化而言, 虽然有一个时间尺度小于 10 天的周期性变化, 但变化幅度较小。这可能是由于拉萨位于青藏高原, 受中纬度锋面气旋等天气系统影响较少, 当地的天气系统较稳定, 局地排放又较少, 因此 PM 2.5 浓度长时间维持在一个较低的水平上。这一特征有别于北京和上海。

2.3 PM 2.5 的日变化分析

从 2.1 节可知, 冬季与夏季的 PM 2.5 浓度差距明显, 而春季与秋季相近, 数值在冬季与夏季之间, 因此本研究选取冬季和夏季来分析 PM 2.5 浓度的日变化特征。

如图 5 所示, 北京冬季的 PM 2.5 浓度呈现明显的日变化, 午夜浓度最高(接近 150μg/m 3 ), 中午浓度最低(接近 90μg/m 3 ), 日变化幅度约为平均浓度的 50%; 夏季的 PM 2.5 浓度则没有明显的日变化, 各时刻的 PM 2.5 浓度比较平均。究其原因, 一方面可能是由于冬季昼夜边界层厚度变化较大所致, 另一方面, 北京甚至整个华北地区因为冬季供暖导致PM 2.5 浓度平均水平较高, 天气过程无法完全清除PM 2.5 , 因此日际变化相对较小, 无法掩盖 PM 2.5 浓度日变化的特点。对比日变化幅度与日际变化的标准差可以发现, 日变化的幅度没有日际变化大, 说明北京的PM 2.5 浓度变化主要由日际变化主导, 受天气系统尤其是中纬度气旋系统的影响较大。

表1 北京、上海和拉萨4个季节的PM 2.5 浓度平均值及标准差

Table 1 Mean value and standard deviation of the concentration of PM 2.5 in Beijing, Shanghai and Lhasa

黑线为PM 2.5 浓度逐小时变化曲线, 灰线为PM 2.5 日平均浓度变化曲线, 横轴的日期对应当天零时。下同

图2 2015年北京PM 2.5 浓度时间序列

Fig. 2 Time series of the concentration of PM 2.5 in Beijing, 2015

上海的 PM 2.5 浓度在冬、夏两季均没有明显的日变化, 而日际变化的标准差非常大, 说明上海的PM 2.5 浓度变化与北京不完全相同, 昼夜变化等因素带来的日变化不显著。与北京相同的是, 上海的PM 2.5 浓度变化也是由日际变化主导, 主要受天气系统的影响。

拉萨的 PM 2.5 浓度日变化幅度非常大。与北京和上海不同的是, 拉萨 PM 2.5 浓度的日变化有明显的双峰现象, 在北京时间 11 点左右和 23 点左右出现两个浓度峰值。这两个时间是上下班高峰和早晚饭时间之后的段时间, 所以上下班高峰时的车辆排放和早晚饭时间的居民生活排放可能是造成双峰现象的重要原因。此外, 拉萨 PM 2.5 浓度日变化幅度与日际变化的标准差相近, 说明该地天气系统比较稳定, 日变化对拉萨 PM 2.5 浓度的影响远大于其他两个城市。

图3 2015年上海PM 2.5 浓度时间序列

Fig. 3 Time series of the concentration of PM 2.5 in Shanghai, 2015

3 总结

本研究选取北京、上海和拉萨作为研究对象, 从季节变化、日际变化和日变化3个方面研究3个城市 2015 年的 PM 2.5 浓度变化特征。总体而言, 因为冬季的边界层高度低于夏季, 所以 3 个城市冬季的 PM 2.5 浓度都比夏季高。就 PM 2.5 浓度的日际变化而言, 北京和上海较大, 拉萨较小, 说明北京和上海的 PM 2.5 浓度受天气过程的影响较大, 拉萨的PM 2.5 浓度受天气过程的影响较小。在 PM 2.5 浓度的日变化方面, 北京冬季有明显的日变化, PM 2.5 浓度由天气过程和局地排放共同控制, 但夏季日变化特征不明显, PM 2.5 浓度更多地受到天气系统影响; 上海冬季和夏季都没有明显的日变化, PM 2.5 浓度主要受天气系统的影响; 拉萨的 PM 2.5 浓度有非常明显的日变化, 并且呈现“双峰”特征, 由于上下班高峰的影响, 在北京时间 11 点左右和 23 点左右PM 2.5 浓度有明显的峰值。

图4 2015年拉萨PM 2.5 浓度时间序列

Fig. 4 Time series of the concentration of PM 2.5 in Lhasa, 2015

本文得到的结果中, 北京和上海没有出现李名升等 [25] 发现的日变化双峰现象, 但拉萨的日变化双峰现象与他们的结果比较接近(拉萨白天的峰值出现在 11 点, 考虑到当地与北京的时差, 与文献[25]中 9 点的浓度高峰相一致)。此外, 本研究对 PM 2.5 浓度变化规律产生的原因停留在推测的阶段, 有待更深入的研究加以证实。

竖直线表示该时刻PM 2.5 浓度日际差异对应的标准差

图5 2015年北京、上海、拉萨冬、夏两季PM 2.5 浓度的平均日变化

Fig. 5 Average diurnal series of the concentration of PM 2.5 in Beijing, Shanghai and Lhasa, 2015

[1]Sultana C M, Collins D B, Prather K A, Effect of structural heterogeneity in chemical composition on online single-particle mass spectrometry analysis of sea spray aerosol particles. Environmental Science & Technology, 2017, 51(7): 3660‒3668

[2]Ming L, Jin L, Li J, et al. PM 2.5 in the Yangtze River delta, China: chemical compositions, seasonal varia-tions, and regional pollution events. Environmental Pollution, 2017, 223: 200‒212

[3]Chen Y, Xie S, Luo B, et al. Particulate pollution in urban Chongqing of southwest China: historical trends of variation, chemical characteristics and sour-ce apportionment. Science of the Total Environment, 2017, 584/585: 523‒534

[4]Wang J, Zhang J, Liu Z, et al. Characterization of chemical compositions in size-segregated atmospheric particles during severe haze episodes in three mega-cities of China. Atmos Res, 2017, 187: 138–146

[5]Li Y, Zhang F, Li Z, et al. Influences of aerosol physiochemical properties and new particle formation on CCN activity from observation at a suburban site of China. Atmos Res, 2017, 188: 80‒89

[6]Kuang Y, Zhao C S, Tao J C, et al. Impact of aerosol hygroscopic growth on the direct aerosol radiative effect in summer on North China Plain. Atmos Envi-ron, 2016, 147: 224‒233

[7]Twomey S. Pollution and the planetary albedo. Atmos Environ, 1974, 8: 1251–1256

[8]Albrecht B. Aerosols, cloud microphysics, and frac-tional cloudiness. Science, 1989, 245: 1227‒1230

[9]Xue H, Feingold G. Large-eddy simulations of trade wind cumuli: investigation of aerosol indirect effects. J Atmos Sci, 2006, 63: 1605‒1622

[10]Zhang L, Liu L, Zhao Y, et al. Source attribution of particulate matter pollution over North China with the adjoint method. Environmental Research Letters, 2015, 10(8): 084011

[11]Zheng M, Cass G R, Schauer J J, et al. Source appor-tionment of PM2.5 in the southeastern United States using solvent-extractable organic compounds as tra-cers. Environmental Science & Technology, 2002, 36 (11): 2361‒2371

[12]Sun Y, Zhuang G, Wang Y, et al. The air-borne parti-culate pollution in Beijing — concentration, compo-sition, distribution and sources. Atmospheric Environ-ment, 2004, 38(35): 5991‒6004

[13]Song Y, Zhang Y, Xie S, et al. Source apportionment of PM2.5 in Beijing by positive matrix factorization. Atmospheric Environment, 2006, 40(8): 1526‒1537

[14]Viana M, Kuhlbusch T A J, Querol X, et al. Source apportionment of particulate matter in Europe: a review of methods and results. Journal of aerosol science 2008, 39(10): 827‒849

[15]Schleicher N, Norra S, Chen Y, et al. Efficiency of mitigation measures to reduce particulate air pollution — a case study during the Olympic Summer Games 2008 in Beijing, China. Science of the Total Environ-ment, 2012, 427: 146‒158

[16]Chen P, Wang T, Lu X, et al. Source apportionment of size-fractionated particles during the 2013 Asian Youth Games and the 2014 Youth Olympic Games in Nanjing, China. Science of The Total Environment, 2017, 579: 860‒870

[17]Wang G, Cheng S, Wei W, et al. Characteristics and emission-reduction measures evaluation of PM 2.5 du-ring the two major events: APEC and Parade. Sci-ence of the Total Environment, 2017, 595: 81‒92

[18]Zhang Z, Zhang X, Gong D, et al. Evolution of sur-face O 3 and PM 2.5 concentrations and their relation-ships with meteorological conditions over the last decade in Beijing. Atmospheric Environment, 2015, 108: 67‒75

[19]He X, Li C C, Lau A K H, et al. An intensive study of aerosol optical properties in Beijing urban area. At-mospheric Chemistry and Physics, 2009, 9(22): 8903‒ 8915

[20]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. Atmospheric Chemistry and Physics, 2012, 12(11): 5031‒5053

[21]Liu X G, Li J, Qu Y, et al. Formation and evolution mechanism of regional haze: a case study in the megacity Beijing, China. Atmospheric Chemistry and Physics, 2013, 13(9): 4501‒4514

[22]Hussein T, Karppinen A, Kukkonen J, et al. Meteoro-logical dependence of size-fractionated number concen-trations of urban aerosol particles. Atmospheric Envi-ronment, 2006, 40(8): 1427‒1440

[23]Kim S W, Yoon S C, Won J G, et al. Ground-based remote sensing measurements of aerosol and ozone in an urban area: a case study of mixing height evolution and its effect on ground-level ozone concentrations. Atmospheric Environment, 2007, 41(33): 7069‒7081

[24]Zhao X, Zhang X, Xu X, et al. Seasonal and diurnal variations of ambient PM 2.5 concentration in urban and rural environments in Beijing. Atmospheric Envi-ronment, 2009, 43(18): 2893‒2900

[25]李名升, 任晓霞, 于洋, 等. 中国大陆城市 PM 2.5 污染时空分布规律. 中国环境科学, 2016, 36(3): 641‒ 650

Interdiurnal and Diurnal Variation of PM 2.5 Concentration in Beijing, Shanghai, and Lhasa in 2015

Department of Atmospheric and Oceanic Sciences, School of Physics, Peking University, Beijing 100871

Abstract The temporal variation of PM 2.5 concentration in Beijing, Shanghai and Lhasa in 2015 is investigated. Then, the analyses on their seasonal variation and comparison of the relative importance of diurnal variation and daily variation are conducted. Results show that the PM 2.5 concentration is generally higher in winter than that in summer from a long-term view. From a short-term view, the variation of PM 2.5 concentration in Beijing and Shanghai mainly demonstrates interdiurnal feature, and the synoptic systems exert profound impacts. The winter-time PM 2.5 concentration in Beijing also displays diurnal variation, but it is not evident in summer. In Shanghai, the diurnal cycle is not significant in both winter and summer. On the contrary, the synoptic system over Lhasa is stable. The daily variation is weak, while the diurnal variation is strong. The variation of PM 2.5 concentration is hence featured by two peaks.