环境科学研究  2020, Vol. 33 Issue (1): 63-72  DOI: 10.13198/j.issn.1001-6929.2019.06.16

引用本文  

李雁宇, 李杰, 曾胜兰, 等. 2017年汾渭平原东部大气颗粒物污染特征分析[J]. 环境科学研究, 2020, 33(1): 63-72.
LI Yanyu, LI Jie, ZENG Shenglan, et al. Analysis of Atmospheric Particulates in the Eastern Fenwei Plain in 2017[J]. Research of Environmental Sciences, 2020, 33(1): 63-72.

基金项目

国家重点研发计划重点专项(No.2017YFC0212402);国家自然科学基金项目(No.41571130034,41505122)
National Key Research and Development Program of China (No.2017YFC0212402); Natural Science Foundation of China (No.41571130034, 41505122)

责任作者

李杰(1980-), 男, 河南渑池人, 研究员, 博士, 主要从事区域大气污染成因研究, lijie8074@mail.iap.ac.cn.

作者简介

李雁宇(1994-), 女, 山西阳高人, 18408252675@163.com

文章历史

收稿日期:2018-10-26
修订日期:2019-05-30
2017年汾渭平原东部大气颗粒物污染特征分析
李雁宇1,2, 李杰2,3,4, 曾胜兰1, 朱莉莉5, 王威5    
1. 成都信息工程大学大气科学学院, 四川 成都 610225;
2. 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;
3. 中国科学院大学, 北京 100049;
4. 中国科学院区域大气环境研究卓越创新中心, 福建 厦门 361021;
5. 中国环境监测总站, 北京 100012
摘要:高度集中的煤炭产业和繁忙的交通运输使得汾渭平原成为全国污染最严重的地区之一.利用中国环境监测总站发布的大气环境监测资料,以统计的方法分析了2017年汾渭平原东部三门峡市、运城市、渭南市、洛阳市的颗粒物质量浓度演变特征,并与北京市开展对比分析.结果表明:①2017年汾渭平原东部颗粒物污染形势较为严峻,ρ(PM2.5)年均值范围为61~75 μg/m3,高于北京市(58 μg/m3),ρ(PM2.5)/ρ(PM10)范围为0.47~0.57,远低于北京市的0.66,说明汾渭平原东部一次颗粒物的贡献更为显著.②与北京市相比,汾渭平原东部重污染有效时数较长,在三门峡市、运城市、渭南市和洛阳市出现PM2.5重度及以上污染过程的时数分别占全年总时数的6.56%、8.91%、9.23%和9.10%.但由于汾渭平原东部重污染期间颗粒物质量浓度较北京市低,因此造成汾渭平原东部和北京市重度及以上污染过程中颗粒物质量浓度平均值在颗粒物质量浓度年均值中占比基本相同.③汾渭平原东部颗粒物质量浓度的周变化特征与北京市有显著区别.④重污染期间,汾渭平原东部ρ(PM2.5)和ρ(PM10)的日变化特征与ρ(SO2)相同,均呈白天高、夜间低的特征,而北京市ρ(PM2.5)和ρ(PM10)的日变化特征与ρ(SO2)相反,呈白天低、夜间高的特征,说明汾渭平原东部特殊的能源结构、边界层动力演变和局地环流造成高架点源对重污染期间污染物质量浓度的影响较显著.研究显示,汾渭平原东部应该加强重污染期间高架点源的管控.
关键词汾渭平原    空气质量    重污染    PM2.5    PM10    
Analysis of Atmospheric Particulates in the Eastern Fenwei Plain in 2017
LI Yanyu1,2, LI Jie2,3,4, ZENG Shenglan1, ZHU Lili5, WANG Wei5    
1. School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China;
2. The State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China;
3. University of Chinese Academy of Sciences, Beijing 100029, China;
4. Center for Excellence in Urban Atmospheric Environment, Institute of Urban Environment, Chinese Academy of Sciences, Xiamen 361021, China;
5. China National Environmental Monitoring Center, Beijing 100012, China
Abstract: The highly centralized coal industry and busy traffics make the Fenwei Plain one of the most polluted areas in China. Based on the atmospheric environmental monitoring data released by China Environmental Monitoring Station, the evolution characteristics of particulates in Sanmenxia City, Yuncheng City, Weinan City and Luoyang City in the eastern Fenwei Plain in 2017 were analyzed by statistical method and compared with those in Beijing. The results showed that:(1) In 2017, the pollution situation of particulates in the eastern Fenwei Plain were severe, and the annual average concentrations of PM2.5 reached 61-75 μg/m3, which was higher than 58 μg/m3 in Beijing. The ρ(PM2.5)/ρ(PM10) was 0.47-0.57, which was much lower than 0.66 in Beijing. This indicated that contribution of primary particulates was more significant in the Fenwei Plain. (2) Compared with Beijing, the effective hours of heavy pollution in the eastern Fenwei Plain were longer. The hours of heavy pollution events accounted for 6.56%, 8.91%, 9.23% and 9.10% of the total hours in Sanmenxia City, Yuncheng City, Weinan City and Luoyang City, respectively. Because the particulates concentration in the eastern Fenwei Plain was slightly lower than that in Beijing during the period of heavy pollution, the contribution ratio of pollutant concentration of heavy pollution to the annual concentration in the eastern Fenwei Plain and Beijing were basically similar. (3) The weekly variation characteristics of particulates concentration in the eastern Fenwei Plain were significantly different from those in Beijing. (4) During the period of heavy pollution, the diurnal variations of SO2, PM2.5 and PM10 in the eastern Fenwei Plain were consistent, showing a cycle of daytime-maximum and nighttime minimum. This was obviously different from Beijing, in which high particulates appeared at night and low concentrations appeared in daytime in Beijing. The special energy structure, the dynamic evolution of boundary layer and the local circulation caused the elevated pollution sources to have a significant influence on the mass concentration of pollutants during the period of heavy pollution in the eastern Fenwei Plain. (5) Some targeted air quality control strategies in the eastern Fenwei Plain were suggested to be taken according to its own characteristics. The research showed that the control of elevated pollution sources should be strengthened in the Eastern Fenwei Plain during the period of heavy pollution.
Keywords: Fenwei Plain    air quality    heavy pollution    PM2.5    PM10    

近年来,在经济高速发展的背景下,我国频繁发生持续时间久、污染程度高的空气污染过程,使空气污染问题成为社会各界普遍关注的热点问题[1-3].大气污染已经成为区域性问题,污染性质也逐渐向复合型污染转变[4-6].国内外研究者已经对京津冀、长三角、珠三角等发达地区的空气污染问题进行了深入的分析[7-9].大气污染物浓度变化受多种因素的影响,污染物排放是最直接的因素[10-12].在污染源相对稳定的情况下,局地气象条件是空气污染过程最直接的外因,风速、风向、相对湿度及降水均对污染物浓度的变化有重要影响[13-15].大尺度环流形势和局地环流不仅影响着污染物的汇聚和清除,也是影响污染物区域输送的重要条件[16-18].边界层内大气层结状况也是影响污染物稀释和扩散的重要因素[19-21].目前,通过对大气污染的深入研究和科学调控治理,京津冀、长三角、珠三角等地区的空气质量持续改善.孟晓艳等[22]研究表明,京津冀地区PM2.5污染整体较为严峻,但治理成果显著,2013—2017年区域内ρ(PM2.5)年均值达《大气污染防治行动计划》中ρ(PM2.5)下降25%左右的目标.蒋超等[23]研究表明,2013—2016年珠三角地区ρ(PM2.5)年均值减少15.39 μg/m3,降幅达32.8%.

汾渭平原能源结构以煤炭为主,工业结构偏重,衍生出一系列的高耗能、高污染产业链.姜磊等[24]研究表明,2017年全国污染最严重的城市包括汾渭平原11个城市中的临汾市和咸阳市.汾渭平原东部包括三门峡市、运城市、渭南市和洛阳市等城市,污染源类型多样且排放强度高[25-27];同时其北靠吕梁山,南依秦岭,内部涵盖中条山、伏牛山和黄河,不利于污染物扩散,使得该区域污染成为一个亟待解决的问题,被列入国家大气环境重点管理区域.杨乐超等[28]统计了2006—2015年汾渭平原PM2.5变化特征,发现在三省交界的运城市、渭南市、三门峡市和洛阳市等地区ρ(PM2.5)较高.该研究基于汾渭平原东部的空气污染数据、气象数据等相关资料,分析汾渭平原东部污染物质量浓度的时空演变特征,并与北京市进行对比,以期深入挖掘污染形势较为严峻的汾渭平原东部的污染特点.

1 材料与方法 1.1 研究区概况

汾渭平原东部包括三门峡市、运城市、渭南市和洛阳市,地理位置及地形如图 1所示.三门峡市座落在黄河南岸阶地上,海拔较高,地形复杂,北靠中条山,南依伏牛山,处在两座东北—西南走向山脉之间的峡谷地带;运城市地形复杂,北依吕梁山,南靠中条山和三门峡市毗邻,西边与渭南市隔黄河相望;渭南市北靠桥山,南倚秦岭,东濒黄河与运城市、三门峡市毗邻,地势南北高,中间地,东西比较开阔;洛阳市地势西高东低,其东北部为平原,其余大部分属于豫西山区.

图 1 汾渭平原东部地理位置及地形 Fig.1 Geographical location and topography in the eastern Fenwei Plain

汾渭平原东部能源结构以煤炭为主,随着第二产业的极速发展,钢铁、焦化、电解铝等重工业成为能源消耗的主角.在交通运输方面,汾渭平原东部公路比重大,而且重型货车、散货车较多.

1.2 数据与来源

空气污染数据来源于中国环境监测总站的全国城市空气质量实时发布平台(http://113.108.142.147:20035/emcpublish),包括三门峡市、运城市、渭南市、洛阳市和北京市的PM2.5、PM10、SO2小时质量浓度. 2017年风速、风向等气象数据来源于中国气象数据网(http://data.cma.cn).使用的排放清单数据来源于清华大学开发的2016年MEIC(multi-resolution emission inventory for China)排放清单,包括SO2、NO2、PM2.5和PM10等污染物的人为源排放数据(http://www.meicmodel.org/index.html).

1.3 WRF模拟参数设置

采用WRF模式3.6版本,WRF模式所需的气象初始场数据采用美国国家环境预报中心发布的FNL再分析数据,空间分辨率为1°×1°,时间间隔为6 h.设置两层嵌套模拟,空间分辨率分别为15 km×15 km、3 km×3 km,其中,外层网格覆盖了东亚大部分区域,内层网格覆盖了汾渭平原地区,模拟区域中心点位于31°N、102°E,垂直方向分成不等距的30层.

2 结果与讨论 2.1 汾渭平原东部的季节性演变特征

图 2为2017年汾渭平原东部和北京市颗粒物月均质量浓度变化趋势.由图 2可见:2017年汾渭平原东部ρ(PM2.5)和ρ(PM10)年均值分别为70和126 μg/m3,北京市ρ(PM2.5)和ρ(PM10)年均值分别为57和89 μg/m3,汾渭平原东部ρ(PM10)和ρ(PM2.5)年均值比北京市分别高42%和23%.其中,渭南市污染程度最重,ρ(PM2.5)和ρ(PM10)年均值分别为75和130 μg/m3,分别是GB 3095—2012《环境空气质量标准》二级标准限值的2.1和1.9倍;三门峡市污染最轻,ρ(PM2.5)和ρ(PM10)年均值分别为61和106 μg/m3.与北京市相似,汾渭平原东部颗粒物污染在秋冬季最严重,ρ(PM2.5)的峰值出现在1月,ρ(PM10)的峰值出现在1月和5月. ρ(PM2.5)/ρ(PM10)是反映颗粒物特性的重要指标.三门峡市、运城市、渭南市和洛阳市ρ(PM2.5)/ρ(PM10)年均值分别为0.57、0.57、0.47和0.56,远低于北京市的0.66,说明2017年汾渭平原东部一次颗粒物的贡献更为显著,特别是在渭南市.在季节性变化方面,汾渭平原东部ρ(PM2.5)/ρ(PM10)平均值呈冬季(0.66)>秋季(0.55)>夏季(0.52)>春季(0.51)的趋势.霾天气发生时,汾渭平原东部ρ(PM2.5)/ρ(PM10)平均值为0.66,明显高于无霾天气(0.50).

注:黑色虚线为GB 3095—2012《环境空气质量标准》中ρ(PM2.5)或ρ(PM10)的二级标准限值. 图 2 2017年汾渭平原东部和北京颗粒物月均质量浓度变化趋势 Fig.2 Trend of monthly mean mass concentration of particulates in eastern Fenwei Plain and Beijing in 2017

图 34为2017年汾渭平原东部颗粒物质量浓度.由图 34可见:汾渭平原东部秋冬季ρ(PM2.5)和ρ(PM10)较高,重度及以上污染过程较多. 2017年三门峡市、运城市、渭南市、洛阳市PM2.5达重度及以上污染的天数分别为19、21、31、26 d,在秋冬季重污染的持续时间一般为3~5 d,远高于春季的1~2 d. 2017年三门峡市、运城市、渭南市、洛阳市PM10达重度及以上污染的天数分别为5、6、8、5 d,全年PM10重度及以上污染过程的持续时间为1~2 d.渭南市出现PM2.5和PM10重度及以上污染过程的天数最多,三门峡市最少.北京市2017年PM2.5和PM10达重度及以上污染的天数分别为20和4 d,与北京市相比,汾渭平原东部重污染天数明显偏多,但持续时间较短.北京市在2017年1月出现了一次持续7 d的以PM2.5为首要污染物的重度及以上污染过程[29],该现象在汾渭平原东部未出现过.

图 3 2017年汾渭平原东部PM2.5污染等级 Fig.3 Pollution level of PM2.5 in the eastern Fenwei Plain in 2017

图 4 2017年汾渭平原东部PM10污染等级 Fig.4 Pollution level of PM10 in the eastern Fenwei Plain in 2017
2.2 汾渭平原东部不同污染等级下颗粒物质量浓度的演变特征

将2017年汾渭平原东部和北京市的颗粒物质量浓度按不同污染等级进行统计(见表 1).由表 1可见:2017年汾渭平原东部空气质量以良为主,汾渭平原东部PM2.5和PM10在空气质量等级为良时的平均有效时数占比分别为43.43%和64.45%;而2017年北京市PM2.5在空气质量等级为优时的平均有效时数占比(46.74%)最大,PM10在良时的平均有效时数占比(53.71%)最大.三门峡市、运城市、渭南市和洛阳市全年出现PM2.5重度及以上污染过程的时间占比分别为6.56%、8.91%、9.23%和9.10%,除三门峡市外,其他城市均高于北京市(6.55%),其中渭南市是汾渭平原东部4个城市中占比最大的.

表 1 2017年汾渭平原东部和北京市不同污染等级出现的有效时数及颗粒物平均质量浓度 Table 1 Effective time and particulates average mass concentration of different pollution levels in eastern Fenwei Plain and Beijing in 2017

图 5为渭平原东部城市及北京市在不同污染等级下颗粒物质量浓度占比情况,即不同污染等级下颗粒物质量浓度平均值与颗粒物质量浓度年均值的比值.由图 5可见,三门峡市、运城市、渭南市、洛阳市、北京市PM2.5重度及以上污染过程ρ(PM2.5)平均值在ρ(PM2.5)年均值中的占比分别为23.18%、26.51%、30.37%、27.22%、27.03%,三门峡市、运城市、渭南市、洛阳市、北京市PM10重度及以上污染过程ρ(PM10)平均值在ρ(PM10)年均值中的占比分别为7.78%、9.04%、14.33%、8.97%、9.22%.综上,虽然汾渭平原东部PM2.5和PM10重度及以上污染过程的有效时数相对较多,但是由于重度及以上污染过程中污染物质量浓度的平均值较低,因此,汾渭平原东部和北京市重度及以上污染过程颗粒物质量浓度平均值在颗粒物质量浓度年均值中的占比基本相当.

图 5 汾渭平原东部城市及北京市在不同污染等级下颗粒物质量浓度占比情况 Fig.5 The proportion of particulates mass concentration under different pollution levels in the eastern Fenwei Plain and Beijing

颗粒物(PM2.5和PM10)污染是汾渭平原东部地区面临的主要环境问题,虽然空气质量为优和良时ρ(PM2.5)和ρ(PM10)占比较大,但是颗粒物污染依旧严重,汾渭平原东部4个城市严重污染时ρ(PM2.5)和ρ(PM10)日均值分别高达417和837 μg/m3,分别是世界卫生组织(WHO)《空气质量准则》推荐24 h平均浓度准则值〔ρ(PM2.5)和ρ(PM10)分别为25和50 μg/m3)〕的16.6和16.7倍.汾渭平原东部城市颗粒物污染严重,会严重危害人类身体健康.

图 6为2017年PM2.5重度及以上污染等级下汾渭平原东部和北京市污染物质量浓度的日变化特征.由图 6可见:汾渭平原东部城市ρ(SO2)日变化特征与北京市类似,均呈白天高、夜间低的特征;但ρ(PM2.5)和ρ(PM10)变化特征与北京市不同,重度及以上污染期间汾渭平原东部城市ρ(PM2.5)和ρ(PM10)的日变化特征与ρ(SO2)日变化较为一致,均呈白天高、夜间低的特征.原因有以下两个方面:①通过MEIC排放清单和《河南省统计年鉴》[25]发现,汾渭平原东部SO2、PM2.5和PM10呈较好的同源性,电厂和工业等高架源是其主要排放源,对三门峡市、运城市、渭南市、洛阳市SO2排放的贡献率分别为75%、61%、80%和87%,对一次PM2.5的贡献率分别为86%、82%、82%、89%;②利用WRF模拟PM2.5重度及以上污染等级下汾渭平原东部垂直风场和边界层高度的日变化(见图 7)发现,垂直风分量正值为上升运动,负值为下沉运动.由图 7可见:夜间边界层高度较低,边界层高度从09:00开始升高,08:00—12:00低层的垂直风分量也发生了由上升运动到下沉运动的转变;09:00—19:00边界层高度升高,此时垂直风场以下沉运动为主.由于电厂和工业等高架点源的排放高度多在150~260 m以上,高于夜间边界层高度,因此夜间地面颗粒物浓度较低;在白天,受到太阳辐射增强的影响,边界层高度上升,高架点源的排放高度低于边界层高度,而且垂直风场以下沉运动为主,导致上层SO2、PM2.5和PM10输送至地面观测站点.因此,汾渭平原东部ρ(PM2.5)、ρ(PM10)和ρ(SO2)的日变化较为一致,均呈白天高、夜间低的特征.

图 6 2017年PM2.5重度及以上污染等级下汾渭平原东部和北京市污染物质量浓度的日变化特征 Fig.6 Daily variation characteristics of pollutant mass concentrations in eastern Fenwei Plain and Beijing under severe and serious PM2.5 pollution level in 2017

图 7 PM2.5重度及以上污染等级下垂直风速和边界层高度的日变化 Fig.7 Daily variation of planetary boundary layer height and vertical wind speed under severe and serious PM2.5 pollution level

除了边界层动力演变外,复杂地形导致的局地环流有利于高架点源污染物影响地面颗粒物浓度.由于局地环流相对较弱,在分析山谷风时,要先去除大尺度背景风场.利用曹渐华等[30]研究方法,首先将2017年逐时风向风速数据分解为纬向风分量和经向风分量,分别代表东西方向和南北方向的风,计算PM2.5重度及以上污染日24 h的平均纬向风分量和平均经向风分量,视为背景风;用逐时实际风减去背景风,得到逐时局地风纬向风分量和逐时局地风经向风分量,用于分析和定义山谷风.以三门峡市为例,图 8为PM2.5重度及以上污染等级下三门峡市逐时局地风纬向风分量和逐时局地风经向风分量的日变化特征.逐时局地风纬向风分量正值时为西风,负值时为东风;逐时局地风经向风分量正值时为南风,负值时为北风.三门峡市座落在黄河南岸阶地上,北靠中条山,南依伏牛山,城区处在两座东北—西南走向山脉之间的峡谷地带.由图 8可见,三门峡市白天以偏西风为主,夜晚以偏东风为主,有明显的山谷风特征.白天在偏西风和下沉气流的作用下,三门峡市西部工业园区产生的大量SO2、PM2.5和PM10随西风被输送至城区观测站点,导致ρ(SO2)、ρ(PM2.5)和ρ(PM10)的升高.通过MEIC排放清单也可以发现,电厂和工业对三门峡市SO2、PM2.5和PM10的贡献率分别为75%、86%和85%.

图 8 三门峡市重度及以上PM2.5污染等级下逐时局地风纬向风分量和逐时局地风经向风分量的日变化 Fig.8 Daily variation of the hourly local zonal and meridional wind components of local wind field under severe and serious PM2.5 pollution level in Sanmenxia City
2.3 汾渭平原东部和北京市污颗粒物质量浓度的周变化特征

图 9可见:与北京市相同,汾渭平原东部城市ρ(PM2.5)和ρ(PM10)均从05:00—07:00开始上升,在10:00—12:00达到峰值后下降,在16:00—18:00达到谷值,之后又升高,在21:00—22:00达另一个峰值,工作日和周末ρ(PM2.5)和ρ(PM10)的日变化均表现出该特征;然而,在ρ(PM2.5)和ρ(PM10)周变化上,汾渭平原东部城市显著区别与北京市,北京市周末ρ(PM2.5)和ρ(PM10)明显高于工作日.石雪颖[31]研究发现,因北京市周末机动车不限行,ρ(PM2.5)表现出明显的“周末效应”,即北京市周末ρ(PM2.5)平均值大于工作日,这是由于北京市实施工作日高峰时段区域限行的交通管理措施所致.而汾渭平原东部城市中只有洛阳市在2017年12月实施机动车限行,其余3个城市均未实施机动车限行.汾渭平原东部周末ρ(PM2.5)和ρ(PM10)比工作日分别高0.2%和1.6%,而北京市周末ρ(PM2.5)和ρ(PM10)比工作日分别高8.5%和6.9%,说明汾渭平原东部的污染特征及交通出行习惯与北京市不同.

图 9 汾渭平原东部和北京市PM2.5和PM10的日变化和周变化曲线 Fig.9 Diurnal and weekly variation curves of PM2.5 and PM10 in the eastern Fenwei Plain and Beijing
3 结论

a) 2017年汾渭平原东部颗粒物污染较为严峻,渭南市、运城市、洛阳市和三门峡市ρ(PM2.5)年均值分别达70、75、74和61 μg/m3,是GB 3095—2012二级标准限值的1.7~2.2倍,高于北京市的58 μg/m3;汾渭平原东部出现重度及以上污染的天数为19~31 d,高于北京市的20 d,但单个重污染过程仅持续1~2 d,低于北京市的7 d.

b) 2017年汾渭平原东部颗粒物重污染最严重的城市是渭南市,其次是运城市和洛阳市,三门峡市污染最轻.重污染过程主要集中在秋冬季取暖期,三门峡市、运城市、渭南市和洛阳市ρ(PM2.5)/ρ(PM10)平均值分别为0.57、0.57、0.47和0.56,远低于北京市的0.66,这说明2017年汾渭平原东部一次颗粒物的贡献较为显著.

c) 三门峡市、运城市、渭南市和洛阳市出现PM2.5重度及以上污染过程的时数分别占全年总时数的6.56%、8.91%、9.23%和9.10%,除三门峡市外,其他城市均高于北京市(6.55%).但由于污染发生时汾渭平原东部颗粒物的平均质量浓度低于北京市,导致汾渭平原东部与北京市重度及以上污染过程ρ(PM2.5)平均值在ρ(PM2.5)年均值中的占比基本一致,为23%~30%.

d) 汾渭平原东部特殊的能源结构、边界层动力演变和局地环流造成高架点源对重污染期间颗粒物质量浓度的影响非常显著,表现为ρ(PM2.5)和ρ(PM10)的日变化特征与ρ(SO2)相同,均呈白天高、晚上低的特征.而在北京市,ρ(PM2.5)和ρ(PM10)的日变化与ρ(SO2)相反,呈白天低、晚上高的特征.这说明汾渭平原东部应针对自己的特点制定治理策略,应加强重污染期间对高架点源的管控.

e) 汾渭平原东部颗粒物质量浓度的周变化特征与北京市有显著区别.由于北京市实施工作日高峰时段区域限行的交通管理措施,颗粒物质量浓度呈明显的“周末效应”;汾渭平原东部周末ρ(PM2.5)和ρ(PM10)比工作日分别高0.2%和1.6%,而北京市周末ρ(PM2.5)和ρ(PM10)比工作日分别高8.5%和6.9%.这说明汾渭平原东部的污染特征及与交通出行习惯与北京市不同.

参考文献
[1]
SUN Yele, CHEN Chen, ZHANG Yingjie, et al. Rapid formation and evolution of an extreme haze episode in northern China during winter 2015[J]. Scientific Reports, 2016. DOI:10.1038/srep27151 (0)
[2]
WANG Yuesi, LI Yao, WANG Lili, et al. Mechanism for the formation of the January 2013 heavy haze pollution episode over central and eastern China[J]. Science China:Earth Sciences, 2014, 57(1): 14-25. (0)
[3]
PENG Fei, LI Renchang, YAN Shaocai, et al. Reinstate regional transport of PM2.5 as a major cause of severe haze in Beijing[J]. Proceedings of the National Academy of Sciences of the United States of America, 2015. DOI:10.1073/pnas.1502596112 (0)
[4]
LI Jie, DU Huiyun, WANG Zifa, et al. Rapid formation of a severe regional winter haze episode over a mega-city cluster on the North China Plain[J]. Environmental Pollution, 2017, 223: 605-615. DOI:10.1016/j.envpol.2017.01.063 (0)
[5]
GAO Ming, CARMICHAEL G R, WANG Yuesi, et al. Modeling study of the 2010 regional haze event in the North China Plain[J]. Atmospheric Chemistry & Physics, 2016, 15(16): 22781-22822. (0)
[6]
王媛林, 李杰, 李昂, 等. 2013-2014年河南省PM2.5浓度及其来源模拟研究[J]. 环境科学学报, 2016, 36(10): 3543-3553.
WANG Yuanlin, LI Jie, LI Ang, et al. Modeling study of surface PM2.5 and its source apportionment over Henan in 2013-2014[J]. Acta Scientiae Cirumstantiac, 2016, 36(10): 3543-3553. (0)
[7]
YIN Zhicong, WANG Huijun, GUO Wenli. Climatic change features of fog and haze in winter over North China and Huang-Huai Area[J]. Science China:Earth Sciences, 2015, 58(8): 1370-1376. DOI:10.1007/s11430-015-5089-3 (0)
[8]
WANG Zifa, LI Jie, WANG Zhe, et al. Modeling study of regional severe hazes over mid-eastern China in January 2013 and its implications on pollution prevention and control[J]. Science China:Earth Sciences, 2014, 57(1): 3-13. (0)
[9]
程念亮, 李云婷, 张大伟, 等. 2014年10月北京市4次典型空气重污染过程成因分析[J]. 环境科学研究, 2015, 28(2): 163-170.
CHENG Nianliang, LI Yunting, ZHANG Dawei, et al. Analysis about the characteristics and formation mechanisms of serious pollution events in October 2014 in Beijing[J]. Research of Environmental Sciences, 2015, 28(2): 163-170. (0)
[10]
OHARA T, AKIMOTO H, KUROKAWA J, et al. An Asian emission inventory of anthropogenic emission sources for the period 1980-2020[J]. Atmospheric Chemistry and Physics, 2007, 7(16): 6843-6902. (0)
[11]
FU Xiao, WANG Shuxiao, ZHAO Bin, et al. Emission inventory of primary pollutants and chemical speciation in 2010 for the Yangtze River Delta Region, China[J]. Atmospheric Environment, 2013, 70: 39-50. DOI:10.1016/j.atmosenv.2012.12.034 (0)
[12]
LI Yan, DU Wei, DONALD H. Challenges in developing an inventory of greenhouse gas emissions of Chinese cities:a case study of Beijing[J]. Journal of Cleaner Production, 2017, 161: 1051-1063. DOI:10.1016/j.jclepro.2017.06.072 (0)
[13]
王潇, 曹念文, 黄婧婷, 等. 西安市一次霾过程中气溶胶垂直分布特征及气象要素影响[J]. 环境科学研究, 2018, 31(9): 1519-1526.
WANG Xiao, CAO Nianwen, HUANG Jingting, et al. Vertical distribution of aerosol and meteorological elements during a haze episode in Xi'an City[J]. Research of Environmental Sciences, 2018, 31(9): 1519-1526. (0)
[14]
HONG Wang, LI Jianghao, PENG Yue, et al. The impacts of the meteorology features on PM2.5 levels during a severe haze episode in central-east China[J]. Atmospheric Environment, 2018, 197: 177-189. (0)
[15]
ZHANG Qiang, QUAN Jiannong, TIE Xuexi, et al. Effects of meteorology and secondary particle formation on visibility during heavy haze events in Beijing, China[J]. Science of the Total Environment, 2015, 502: 578-584. DOI:10.1016/j.scitotenv.2014.09.079 (0)
[16]
YE Xinxin, SONG Yu, CAI Xuhui, et al. 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, 2015, 124: 129-145. (0)
[17]
SILCOX G D, KELLY K E, CROSMAN E T, et al. Wintertime PM2.5, concentrations during persistent, multi-day cold-air pools in a mountain valley[J]. Atmospheric Environment, 2012, 46(1): 17-24. (0)
[18]
郝宏飞, 杨婷, 王自发, 等. 2013—2015年北京污染频发期细颗粒物重污染成因与天气形势关系的研究[J]. 环境科学学报, 2018, 38(6): 2201-2213.
HAO Hongfei, YANG Ting, WANG Zifa, et al. Investigation of relationship between synoptic pattern and heavy air pollution during heating from 2013 to 2015 in megacity Beijing, China[J]. Acta Scientiae Circumstantiae, 2018, 38(6): 2201-2213. (0)
[19]
马艳, 黄容, 时晓曚, 等. 青岛冬季PM2.5持续重污染天气的大气边界层特征[J]. 环境科学研究, 2018, 31(1): 42-52.
MA Yan, HUANG Rong, SHI Xiaomeng, et al. Characteristics of planetary boundary layer for persistent PM2.5 heavy pollution in winter in Qingdao City[J]. Research of Environmental Sciences, 2018, 31(1): 42-52. (0)
[20]
LI Xiaolan, WANG Yangfeng, SHEN Lidu, et al. Characteristics of boundary layer structure during a persistent haze event in the Central Liaoning City Cluster, northeast China[J]. Journal of Meteorological Research, 2018, 32(2): 302-312. (0)
[21]
LI Zhanqing, GUO Jianping, DING Aijun, et al. Aerosol and boundary-layer interactions and impact on air quality[J]. National Science Review, 2017, 4(6): 810-833. DOI:10.1093/nsr/nwx117 (0)
[22]
孟晓艳, 张霞, 侯玉婧, 等. 2013—2017年京津冀区域PM2.5浓度变化特征[J]. 中国环境监测, 2018, 34(5): 10-16.
MENG Xiaoyan, ZHANG Xia, HOU Yuqing, et al. Characteristic of PM2.5 concentration in Beijing-Tianjin-Hebei Region from 2013 to 2017[J]. Environmental Monitoring of China, 2018, 34(5): 10-16. (0)
[23]
蒋超, 龚建周, 孙家仁, 等. 2013—2016年珠三角地区PM2.5分布时空演变[J]. 生态环境学报, 2018, 27(9): 1698-1705.
JIANG Chao, GONG Jianzhou, SUN Jiaren, et al. Spatial-temporal evolution of PM2.5 distribution in Pearl River Delta Region in 2013-2016[J]. Ecology and Environmental Sciences, 2018, 27(9): 1698-1705. (0)
[24]
姜磊, 周海峰, 赖志柱, 等. 中国城市PM2.5时空动态变化特征分析:2015—2017年[J]. 环境科学学报, 2018, 38(10): 33-42.
JIANG Lei, ZHOU Haifeng, LAI Zhizhu, et al. Analysis of spatio-temporal characteristic of PM2.5 concentrations of Chinese cities: 2015-2017[J]. Acta Scientiae Circumstantiae, 2018, 38(10): 33-42. (0)
[25]
河南省统计局.河南统计年鉴: 2018[R].北京: 中国统计出版社, 2018. (0)
[26]
山西省统计局.山西统计年鉴: 2018[R].北京: 中国统计出版社, 2018. (0)
[27]
陕西省统计局.陕西统计年鉴: 2018[R].北京: 中国统计出版社, 2018. (0)
[28]
杨乐超, 董雪丽, 徐波. 汾渭平原雾霾时空变化特征及其溢出效应[J]. 环境经济研究, 2018, 3(3): 81-93.
YANG Lechao, DONG Xueli, XU Bo. Spatial distribution and spillover effects of haze pollution in the Fen-Wei Plain[J]. Journal of Environmental Economics, 2018, 3(3): 81-93. (0)
[29]
吴进, 李琛, 孙兆彬, 等. 北京地区两次重污染过程中PM2.5浓度爆发性增长及维持的气象条件[J]. 干旱气象, 2017, 35(5): 830-838.
WU Jin, LI Chen, SUN Zhaobin, et al. Meteorological condition of explosive increase and maintaining of PM2.5 concentration during two heavy pollution processes in Beijing[J]. Journal of Arid Meteorology, 2017, 35(5): 830-838. (0)
[30]
曹渐华, 刘熙明, 李国平, 等. 鄱阳湖地区湖陆风特征及成因分析[J]. 高原气象, 2015, 34(2): 426-435.
CAO Jianhua, LIU Ximing, LI Guoping, et al. Analysis of the phenomenon of lake-land breeze in Poyang Lake Area[J]. Plateau Meteorology, 2015, 34(2): 426-435. (0)
[31]
石雪颖.北京市城区和郊区PM2.5的变化特征及其"周末效应"和"假日效应"研究[D].乌鲁木齐: 新疆大学, 2017: 14-45. (0)