论文部分内容阅读
本论文利用GRAPES-CUACE气溶胶伴随模式模拟追踪了北京市典型重污染过程、不同污染天气类型及强弱东亚冬季风年型下PM2.5敏感源区和关键排放时段,并基于伴随敏感性结果,在短期至次季节（季节）尺度上定量分析了本地和周边省市排放源对北京PM2.5浓度的贡献。除此之外,本论文进一步发挥伴随模式的优势,结合优化算法和观测资料,构建了GRAPES-CUACE-3D-Var同化系统,并基于该系统对京津冀地区的BC排放源进行了反演。主要结论如下:选取2015年11月27日-12月2日北京典型重污染个例,伴随模拟显示北京、天津、河北及山西排放源在目标时刻前72h内对北京PM2.5峰值浓度的贡献比例分别为31%、9%、56%及4%,对应的关键排放时段分别为目标时刻前1-13h、1-33h、1-57h和17-33h。基于2012-2015年PM2.5观测数据,筛选重污染过程,利用天气学聚类分型方法,将北京地区PM2.5污染过程分为5种类型,模拟研究表明5种类型的敏感源区分布差异显著:低压、弱高压交替控制型和弱高压型的重点源区位于北京西南方向,低压控制型和高压后部型的重点源区位于北京偏南方向,而均压场型的源区则位于北京东南方向;目标时刻前72h内,本地源对5种污染类型的贡献比例分别为37.5%、25.0%、39.4%、31.2%和42.4%,河北源贡献比例达37-64%,天津源为6-16%,山西源仅为3-7%;本地源削减在目标时刻前20h内效果较好,目标时刻前72h内对本地源削减50%,5种类型的PM2.5浓度下降率分别为11.6%、9.4%、13.8%、9.9%和15.2%,而周边源削减在目标时刻前3-57小时效果较好。统计分析表明北京PM2.5浓度与东亚冬季风指数成显著负相关,伴随模拟显示强弱东亚冬季风年（选取2014年和2016年12月作为强、弱代表年型）北京PM2.5污染事件的敏感源区分布没有明显差异,但各敏感源区的贡献程度和关键排放时长差异显著:冬季风弱年（2016年12月）,北京、天津、河北及山西排放源在目标时段前72h内的贡献程度分别为冬季风强年（2014年12月）的2.2,5.9,1.6和1.4倍,关键排放时长约为冬季风强年（2014年12月）的2.6倍;同河北源和山西源相比,北京源和天津源的贡献增量较大,显示了北京东南方向的源区在冬季风弱年的重要性。由此可见,在不利气象条件或极端天气气候事件来临前,可利用伴随模式定位出敏感源区和关键排放时段,进而联合周边地区采取管控措施,提高减排效益。同时本论文利用新搭建的GRAPES-CUACE-3D-Var同化系统,结合污染物地面监测浓度,设计两种方案对京津冀地区的BC排放源进行了反演,结果表明,BC后验源模拟效果明显优于先验源模拟效果,相关系数由0.2分别提高到0.7和0.64,方差从0.38分别减小至0.22和0.24。