許敏

(上海工程技術(shù)大學(xué)數(shù)理與統(tǒng)計(jì)學(xué)院，上海 201620)

引言

中國(guó)長(zhǎng)三角地區(qū)是中國(guó)經(jīng)濟(jì)發(fā)展水平最高、能源消耗最快的區(qū)域之一，空氣污染問(wèn)題日漸嚴(yán)峻。伴隨長(zhǎng)三角地區(qū)工業(yè)化及城市化水平的不斷加快，空氣質(zhì)量一體化的趨勢(shì)越來(lái)越凸顯，日益呈現(xiàn)出區(qū)域性大氣復(fù)合型污染特征[1]。而PM2.5作為大氣中的首要污染物，是衡量空氣質(zhì)量的重要標(biāo)準(zhǔn)之一。PM2.5通常指空氣動(dòng)力學(xué)當(dāng)量直徑小于或等于2.5 μm的顆粒物。由于其特殊的物理特性，它在大氣中停留時(shí)間長(zhǎng)，并且可以直接進(jìn)入人體肺泡。研究表明，長(zhǎng)期暴露于顆粒物濃度較高的環(huán)境中會(huì)增加肺部感染及心血管疾病的風(fēng)險(xiǎn)，嚴(yán)重者甚至?xí)?dǎo)致肺癌[2-3]。這不僅制約著區(qū)域經(jīng)濟(jì)的可持續(xù)發(fā)展，還影響著居民的身體健康，因而對(duì)PM2.5的時(shí)空分布特征進(jìn)行準(zhǔn)確地模擬對(duì)于有效防治長(zhǎng)三角地區(qū)的大氣污染至關(guān)重要。

數(shù)值模式是研究PM2.5時(shí)空分布特征及其形成機(jī)理的有效工具。該模式可以模擬真實(shí)的大氣環(huán)境，會(huì)根據(jù)大氣環(huán)境的變化呈現(xiàn)出不同的空氣質(zhì)量預(yù)報(bào)結(jié)果，且模擬結(jié)果能夠全時(shí)空全要素覆蓋。與觀測(cè)資料只能給出一個(gè)特定時(shí)段和特定地點(diǎn)的大氣環(huán)境狀況相比，數(shù)值模式可以給出大氣污染物連續(xù)細(xì)致的時(shí)空分布[4]。而第三代空氣質(zhì)量數(shù)值模式是當(dāng)前空氣質(zhì)量預(yù)報(bào)的主流模式，其基于“一個(gè)大氣”的研發(fā)理念，依托中尺度氣象模式和污染源排放模式，充分考慮了大氣各物理化學(xué)過(guò)程的協(xié)同作用，能夠同時(shí)實(shí)現(xiàn)多種污染物濃度的預(yù)報(bào)。主要代表性模式有CMAQ(Community Multiscale Air Quality)、CAMx(Comprehensive Air Quality Model with Extensions)、NAQPMS(Nested Air Quality Prediction Modeling System)、CUACE(CMA Unified Atmospheric Chemistry Environment)、LOTOS-EUROS(Long Term Ozone Simulation-European Operational Smog)及WRF-Chem(Weather Research and Forecasting coupled with Chemistry)等。其中LOTOS-EUROS模式是一種在線的空氣質(zhì)量預(yù)報(bào)系統(tǒng)，具有很強(qiáng)的適用性，可以為中國(guó)地區(qū)提供大氣污染物的預(yù)報(bào)，重點(diǎn)關(guān)注臭氧、氮氧化物和顆粒物。該模式具有捕獲顆粒物及其前體物變異特征的能力，可以對(duì)PM組分進(jìn)行可靠且高效的模擬[5-6]。目前，針對(duì)中國(guó)大氣污染物濃度已經(jīng)開(kāi)展了大量的數(shù)值模擬研究[7-12]，如馬雁軍等[13]利用CMAQ模式對(duì)遼寧中部城市群的SO2、NO2和PM10的濃度分布進(jìn)行了數(shù)值模擬，表明該模式可以反映大氣污染物的時(shí)空分布特征。李杰等[4]利用嵌套網(wǎng)格空氣質(zhì)量模式模擬2010年?yáng)|亞地區(qū)PM10的時(shí)空演變，研究表明該模式能夠合理地反映東亞地區(qū)PM10的時(shí)空分布。盧苗苗等[14]利用NAQPMS模式模擬了2014年武漢地區(qū)4個(gè)月的PM2.5濃度時(shí)空分布特征并量化了武漢地區(qū)PM2.5濃度的來(lái)源貢獻(xiàn)。針對(duì)整個(gè)中國(guó)長(zhǎng)三角區(qū)域大氣污染物長(zhǎng)期變化特征的模擬，尤其是細(xì)顆粒物時(shí)空分布的數(shù)值模擬研究仍較少[15-16]。為了進(jìn)一步研究長(zhǎng)三角區(qū)域大氣污染的擴(kuò)散和輸送特征，本文利用LOTOS-EUROS模式對(duì)中國(guó)長(zhǎng)三角地區(qū)的PM2.5分布進(jìn)行了長(zhǎng)期的數(shù)值模擬，分析該區(qū)域PM2.5的時(shí)空分布特征，為制定長(zhǎng)三角地區(qū)細(xì)顆粒物污染排放管理政策提供科學(xué)依據(jù)和參考。

1 資料與方法

1.1 模式介紹

LOTOS-EUROS數(shù)值模式來(lái)源于LOTOS(Long Term Ozone Simulation)和EUROS(European Operational Smog )兩個(gè)歐拉空氣質(zhì)量模型的耦合，由荷蘭應(yīng)用科學(xué)院(TNO)、皇家氣象研究協(xié)會(huì)(KNMI)等研究機(jī)構(gòu)聯(lián)合開(kāi)發(fā)[17]，該模式已經(jīng)被廣泛應(yīng)用于歐洲及世界其他地區(qū)(包括中國(guó))大氣污染物濃度的模擬預(yù)測(cè)。本文研究所使用的版本為其最新的發(fā)行版v2.0。LOTOS-EUROS模式的開(kāi)源版本可以通過(guò)網(wǎng)站https://lotos-euros.tno.nl/獲得。采用該模式模擬中國(guó)長(zhǎng)三角區(qū)域大氣污染物PM2.5的動(dòng)態(tài)排放、輸送擴(kuò)散和化學(xué)轉(zhuǎn)化過(guò)程，其描述物理化學(xué)過(guò)程中大氣污染物隨時(shí)間變化的主要支配方程見(jiàn)式(1)。

(1)

式(1)中，C為大氣污染物濃度；U、V及W分別為東西方向、南北方向和垂直方向上的風(fēng)速；Kh和Kz分別為水平和垂直方向擴(kuò)散系數(shù)；E表示由于層高的變化引起的環(huán)境濃度變化；R為化學(xué)轉(zhuǎn)化速率；Q為單位時(shí)間內(nèi)大氣污染物的排放量；D和W分別表示干、濕沉積速率。該模式利用偏微分方程進(jìn)行數(shù)值求解，表示模式針對(duì)化學(xué)反應(yīng)、源排放、干濕沉降、擴(kuò)散、傳輸及對(duì)流過(guò)程分別單獨(dú)計(jì)算其濃度變化。通過(guò)該方程，模式就可以對(duì)污染物濃度進(jìn)行模擬預(yù)測(cè)。

1.2 模擬范圍及模式設(shè)置

LOTOS-EUROS模式采用兩層嵌套網(wǎng)格，如圖1所示，網(wǎng)格中心位于(120°E,31°N)。外層覆蓋中國(guó)東部大部分區(qū)域，分辨率為0.25°×0.25°，網(wǎng)絡(luò)格點(diǎn)數(shù)為80×48，為更高分辨率的嵌套網(wǎng)格提供氣象和空氣質(zhì)量的邊界條件；內(nèi)層覆蓋長(zhǎng)三角區(qū)域，分辨率為0.125°×0.125°，網(wǎng)格格點(diǎn)數(shù)為48×32，提供中國(guó)長(zhǎng)三角地區(qū)各城市更高分辨率的空氣質(zhì)量預(yù)報(bào)結(jié)果。模式垂直方向上共有8層，頂高為海拔10 km。

圖1 模式兩重嵌套網(wǎng)格設(shè)置Fig.1 Double nested domains for simulation

模擬的時(shí)間段為2017年12月1日00時(shí)至2018年12月31日23時(shí)，其中2017年12月作為模式預(yù)積分，2018年1—12月的模擬結(jié)果用作分析。本文LOTOS-EUROS模式使用TNO改進(jìn)后的CBM-IV機(jī)制作為化學(xué)模塊(TNO 2016R10898，LOTOS-EUROS V2.0 Reference Guide)，源清單數(shù)據(jù)采用全球大氣研究排放數(shù)據(jù)庫(kù)(EDGAR v4.3.2)[18]，EDGAR v4.3.2幾乎可以提供全球所有地區(qū)1°×1°網(wǎng)格精度的人為和自然污染源排放清單，排放因子包括 PM10、PM2.5、SO2、NOx、CO、NH3和VOC 等。該模式由歐洲中期天氣預(yù)報(bào)中心(ECMWF)[19]氣象模式提供模式運(yùn)營(yíng)所需的氣象場(chǎng)資料，然后驅(qū)動(dòng)化學(xué)模塊實(shí)現(xiàn)對(duì)大氣污染濃度的模擬。更多關(guān)于LOTOS-EUROS(v2.0)版本的詳細(xì)說(shuō)明可以參考LOTOS-EUROS V2.0 Reference Guirde(2016)。

1.3 研究區(qū)域及觀測(cè)數(shù)據(jù)來(lái)源

本文的研究區(qū)域?yàn)橹袊?guó)長(zhǎng)三角地區(qū)，長(zhǎng)三角地區(qū)由上海市、江蘇省、浙江省及安徽省組成。本文使用的觀測(cè)數(shù)據(jù)為2018年1月1日至2018年12月31日中華人民共和國(guó)環(huán)境保護(hù)部通過(guò)網(wǎng)站(http://datacenter.mep.gov.cn/)發(fā)布的長(zhǎng)三角地區(qū)空氣質(zhì)量監(jiān)測(cè)站PM2.5每小時(shí)空氣污染物濃度數(shù)據(jù)。為了后續(xù)研究的方便，在時(shí)間分布特征模擬時(shí)，僅選取了上海市浦東張江監(jiān)測(cè)站S1 ，江蘇省南京市奧體中心監(jiān)測(cè)站S2，浙江省杭州市下沙監(jiān)測(cè)站S3及安徽省合肥市長(zhǎng)江中路監(jiān)測(cè)站S4共4個(gè)省會(huì)城市的監(jiān)測(cè)站來(lái)代表整個(gè)長(zhǎng)三角地區(qū)PM2.5的時(shí)間分布。長(zhǎng)三角地區(qū)具體的監(jiān)測(cè)站分布如圖2所示。

圖2 中國(guó)長(zhǎng)三角地區(qū)監(jiān)測(cè)站點(diǎn)分布Fig.2 Distribution of monitoring stations in the Yangtze River Delta of China

2 結(jié)果分析

2.1 模式結(jié)果驗(yàn)證

由圖3可知，2018年中國(guó)長(zhǎng)三角地區(qū)4個(gè)監(jiān)測(cè)站PM2.5濃度的模擬值與觀測(cè)值總體變化趨勢(shì)較為一致，峰谷值出現(xiàn)的時(shí)間和實(shí)際情況基本接近，最大值出現(xiàn)在冬季(12月)，最小值出現(xiàn)在夏季(8月)，模式合理再現(xiàn)了PM2.5濃度的季節(jié)變化特征。但是該模式系統(tǒng)性地高估了PM2.5濃度，尤其是夏季，這可能和ECMWF氣象模式在夏季低估了邊界層高度有關(guān)，而邊界層高度是LOTOS-EUROS模式中的關(guān)鍵輸入?yún)?shù)，因?yàn)檫吔鐚拥母叨葲Q定了該模式的垂直結(jié)構(gòu)，由于混合減少，一般低估邊界層高度會(huì)導(dǎo)致污染物濃度高估。在冬季，模式低估現(xiàn)象較為明顯，這主要和模式尚未考慮二次有機(jī)氣溶膠有關(guān)[5]，而二次有機(jī)氣溶膠是PM2.5的重要組成成分且形成非常復(fù)雜，排放和生成速率仍然非常不確定，加上冬季寒冷的天氣導(dǎo)致住宅取暖的排放量增加，模式使用的排放時(shí)間曲線未考慮到這一點(diǎn)，從而導(dǎo)致模式低估PM2.5濃度。此外，LOTOS-EUROS模式對(duì)污染物在大氣中經(jīng)歷的對(duì)流、擴(kuò)散、沉降等物理化學(xué)過(guò)程關(guān)鍵參數(shù)的計(jì)算及模式使用的化學(xué)反應(yīng)機(jī)理還不完善，初始場(chǎng)、邊界場(chǎng)、氣象場(chǎng)及排放源清單(數(shù)量、空間分配及時(shí)間分配)也存在較大的不確定性。其中，由于大氣污染物排放源時(shí)空變化的復(fù)雜性，使用的污染物排放源清單較難實(shí)現(xiàn)動(dòng)態(tài)更新且無(wú)法準(zhǔn)確衡量污染源排放點(diǎn)的短時(shí)變化。模式當(dāng)前設(shè)置的分辨率會(huì)將更小空間尺度的影響平滑掉，但是模式在更高分辨率和參數(shù)設(shè)置之間存在一定的失衡，必須在混合層中添加更多垂直子層才不會(huì)丟失模式的特征效率。這些都使得模式預(yù)報(bào)值和監(jiān)測(cè)值之間存在一定偏差。在未來(lái)的研究中，可以考慮利用數(shù)據(jù)同化的方法并融合地面、衛(wèi)星等觀測(cè)資料[20]，修正模式偏差。

圖3 2018年長(zhǎng)三角地區(qū)上海市浦東張江監(jiān)測(cè)站(a)、南京市奧體中心監(jiān)測(cè)站(b)、杭州市下沙監(jiān)測(cè)站(c)及合肥市長(zhǎng)江中路監(jiān)測(cè)站(d)PM2.5預(yù)測(cè)值和觀測(cè)值小時(shí)濃度對(duì)比Fig.3 Variation of simulated and observed hourly mean PM2.5 concentrations at Zhangjiang monitoring station in Pudong District of Shanghai (a),Nanjing olympic sports center monitoring station (b),Hangzhou Xiasha monitoring station (c),and Hefei Changjiang middle road monitoring station (d) in the Yangtze River Delta in 2018

圖4為2018年中國(guó)長(zhǎng)三角地區(qū)觀測(cè)和模擬(方框內(nèi)區(qū)域)得到的地面PM2.5年均濃度的空間分布，為了避免 PM2.5垂直分布對(duì)模擬評(píng)估的影響，模擬值選取與監(jiān)測(cè)站臺(tái)同一海拔高度的結(jié)果。由圖4可知，模擬結(jié)果與觀測(cè)值較為一致，模擬結(jié)果基本再現(xiàn)了長(zhǎng)三角地區(qū)PM2.5的空間分布特征，如長(zhǎng)三角地區(qū)西北部的高值區(qū)(40—80 μg·m-3)及東南部的低值區(qū)(20—40 μg·m-3)。

圖4 2018年中國(guó)長(zhǎng)三角地區(qū)地面 PM2.5年均濃度模擬(a)和觀測(cè)(b)的空間分布Fig.4 Spatial distribution of simulated (a) and observed (b) annual average surface PM2.5 concentrations in the Yangtze River Delta of China in 2018

不同監(jiān)測(cè)站點(diǎn)模擬的 PM2.5濃度大部分均在觀測(cè)值的兩倍范圍內(nèi)(圖5)，在1∶1的比值線周圍的分布來(lái)看，觀測(cè)值和模擬值具有較強(qiáng)的相關(guān)性，不同監(jiān)測(cè)站模擬值落到觀測(cè)值區(qū)間的概率密度在1∶1比值線周圍的分布較為集中，這表明 LOTOS-EUROS模式可以較好地模擬長(zhǎng)三角地區(qū)不同監(jiān)測(cè)站點(diǎn)PM2.5的實(shí)際演變特征。

圖5 2018年中國(guó)長(zhǎng)三角地區(qū)上海浦東張江監(jiān)測(cè)站(a)、南京奧體中心監(jiān)測(cè)站(b)、杭州下沙監(jiān)測(cè)站(c)及合肥長(zhǎng)江中路監(jiān)測(cè)站(d)PM2.5小時(shí)濃度觀測(cè)與模擬散點(diǎn)圖Fig.5 Scatter plots of observed and simulated hourly mean PM2.5 concentration at Zhangjiang monitoring station in Pudong district of Shanghai (a),Nanjing olympic sports center monitoring station (b),Hangzhou Xiasha monitoring station (c),and Hefei Changjiang middle road monitoring station (d) in the Yangtze River Delta of China in 2018

為了更好地定量評(píng)估LOTOS-EUROS模式的統(tǒng)計(jì)誤差，選取相關(guān)系數(shù)R、平均偏差MB(Mean Bias)、均方根誤差(RMSE,Root Mean Square Error)、標(biāo)準(zhǔn)化平均偏差(NMB，Normalized Mean Bias) 以及標(biāo)準(zhǔn)化平均誤差(NME，Normalized Mean Error) 作為模式模擬效果的統(tǒng)計(jì)參數(shù)，如表1 所示。

表1 2018年中國(guó)長(zhǎng)江角監(jiān)測(cè)站點(diǎn)PM2.5濃度模擬效果統(tǒng)計(jì)參數(shù)Table 1 Statistical parameters of simulated hourly PM2.5 of the monitoring stations in the Yangtze River Delta of China in 2018

由表1可知，模擬結(jié)果與觀測(cè)值的相關(guān)系數(shù)達(dá)到0.52—0.71，長(zhǎng)三角地區(qū)4個(gè)典型城市的監(jiān)測(cè)站點(diǎn)均通過(guò)了顯著性水平為1%的t檢驗(yàn)，證明模擬值與觀測(cè)值之間的相關(guān)性是顯著的。4個(gè)監(jiān)測(cè)站的NMB和NME達(dá)到-6.73%～29.65% 和 43.24%—48.07% ，滿足Boylan和Russell[21]提出的-60%及75 %的標(biāo)準(zhǔn)。這表明模式可以較好地模擬PM2.5的季節(jié)變化特征。在合肥長(zhǎng)江中路站，模式出現(xiàn)了較為明顯的高估，這可能是由于該站點(diǎn)位于長(zhǎng)三角地區(qū)的西部較不發(fā)達(dá)城市且較易受上游污染輸送的影響，可掌握的源排放數(shù)據(jù)信息不確定性較經(jīng)濟(jì)發(fā)達(dá)城市較高，即模式使用的源清單空間分配有待進(jìn)一步提高。此外，將長(zhǎng)三角地區(qū)所有監(jiān)測(cè)站點(diǎn)作為一個(gè)整體來(lái)看，平均偏差值為3.87 μg·m-3，相關(guān)系數(shù)達(dá)0.64，模式展現(xiàn)了良好的模擬能力。總體而言，LOTOS-EUROS模式能較好地預(yù)測(cè)長(zhǎng)三角地區(qū)地面 PM2.5濃度，并能基本再現(xiàn)長(zhǎng)三角不同地區(qū)PM2.5濃度的季節(jié)變化特征。

2.2 長(zhǎng)三角地區(qū)PM2.5時(shí)空分布

2.2.1 PM2.5年均濃度的分布

由2018年中國(guó)長(zhǎng)三角地區(qū)四季地面PM2.5濃度模擬結(jié)果可知(圖4)，整體而言，長(zhǎng)三角地區(qū)PM2.5濃度的空間分布的高值主要集中在西北部的江蘇省和安徽省，濃度為40—80 μg·m-3，并呈以此為中心向東南部逐漸降低的特征，低值區(qū)集中在長(zhǎng)三角地區(qū)的東南部的浙江省，濃度為20—40 μg·m-3。PM2.5的空間分布特征和長(zhǎng)三角地區(qū)的地理位置、產(chǎn)業(yè)結(jié)構(gòu)及經(jīng)濟(jì)發(fā)展速度等因素相關(guān)。長(zhǎng)三角東南部地區(qū)受海陸風(fēng)和海洋性季風(fēng)影響顯著，將高濃度污染物氣團(tuán)輸送到下風(fēng)區(qū)，有利于污染物的清除和擴(kuò)散。此外，第三產(chǎn)業(yè)逐步居于主導(dǎo)地位且比重不斷上升。而西北部主要集中分布著安徽、南京和連云港等多個(gè)工業(yè)城市，并且以第二工業(yè)為主，能源結(jié)構(gòu)較為單一，化石燃料燃燒及能源消耗更大，同時(shí)工業(yè)生產(chǎn)的過(guò)程中也產(chǎn)生了大量的空氣污染物。因此，應(yīng)根據(jù)區(qū)域大氣污染物排放的相關(guān)特征，對(duì)長(zhǎng)三角地區(qū)不同區(qū)域制定不同的管制措施。

2.2.2 PM2.5濃度水平的季節(jié)分布

根據(jù)氣候統(tǒng)計(jì)法劃分四個(gè)季度，其中春季為3—5月，夏季為6—8月，秋季為9—11月，冬季為12月至翌年2月。運(yùn)用LOTOS-EUROS對(duì)2018年長(zhǎng)三角地區(qū)(方框內(nèi)區(qū)域)四個(gè)季度的PM2.5濃度的空間分布進(jìn)行模擬，其模擬結(jié)果如圖6所示。

由圖6可知，長(zhǎng)三角地區(qū)PM2.5濃度呈現(xiàn)出明顯的冬季高夏季低的特征，而春季和秋季的空間分布大致接近，介于冬季和夏季之間。在冬季，長(zhǎng)三角大部分地區(qū)PM2.5濃度維持在 40—80 μg·m-3，高值區(qū)出現(xiàn)在長(zhǎng)三角地區(qū)的西北部(120—160 μg·m-3)，超過(guò)國(guó)家二級(jí)標(biāo)準(zhǔn)限值(75 μg·m-3)。寧波、舟山、臺(tái)州等東部沿海地區(qū)的濃度甚至低至 20 μg·m-3以下。這是由于冬季大氣層結(jié)構(gòu)穩(wěn)定，逆溫出現(xiàn)頻率較高，空氣對(duì)流運(yùn)動(dòng)較弱，垂直運(yùn)動(dòng)程度較小，造成混合層高度降低，且冬季降雨較少不利于PM2.5的擴(kuò)散。此外，長(zhǎng)三角地區(qū)冬季盛行西北風(fēng)，周邊地區(qū)的大氣污染物極易通過(guò)風(fēng)輸送到長(zhǎng)三角區(qū)域。而春季長(zhǎng)三角地區(qū)盛行偏北風(fēng)，北方的細(xì)顆粒物極易輸送到長(zhǎng)三角地區(qū)，加上春季邊界層高度和近地面流場(chǎng)風(fēng)速較低，致使春季 PM2.5濃度仍然較高。

圖6 2018年中國(guó)長(zhǎng)三角地區(qū)春季(a)、夏季(b)、秋季(c)及冬季(d)地面PM2.5濃度的模擬結(jié)果Fig.6 Simulated surface PM2.5concentration in the Yangtze River Delta of China during spring (a),summer (b),autumn (c),and winter (d) in 2018

相對(duì)于冬季，夏季長(zhǎng)三角北部地區(qū)(30°N以北)的 PM2.5濃度大幅度降低，維持在20—40 μg·m-3，低值中心出現(xiàn)在長(zhǎng)三角地區(qū)東部沿海城市，低于10 μg·m-3，最低值可達(dá)5 μg·m-3。這與長(zhǎng)三角地區(qū)夏季盛行東南風(fēng)有關(guān)，該氣團(tuán)主要來(lái)源于海洋，攜帶清潔的空氣，對(duì)大氣污染物濃度具有一定的稀釋作用。同時(shí)，夏季邊界層高度較高、大氣垂直運(yùn)動(dòng)活躍，較強(qiáng)的大氣垂直擴(kuò)散能力使得垂直方向上化學(xué)和傳輸循環(huán)增強(qiáng)，且降水較多、氣溶膠顆粒物大規(guī)模濕沉積，較高大氣混合層對(duì)流增強(qiáng)，降低了長(zhǎng)三角地區(qū)細(xì)顆粒物的濃度，有利于PM2.5的清除。而秋季的PM2.5濃度相對(duì)于夏季有所升高，這主要是由于秋季太陽(yáng)輻射較強(qiáng)，由此產(chǎn)生的光化學(xué)反應(yīng)極易氧化成細(xì)顆粒物，加之秋季下沉氣流控制的天氣形式增多，不利于細(xì)顆粒物的擴(kuò)散[22]。

3 結(jié)論

(1) 利用 LOTOS-EUROS模式對(duì)2018年中國(guó)長(zhǎng)三角地區(qū)PM2.5濃度進(jìn)行了模擬，4個(gè)監(jiān)測(cè)站點(diǎn)模擬值與觀測(cè)值的PM2.5濃度的相關(guān)系數(shù)為 0.52—0.71，所有站點(diǎn)的整體相關(guān)系數(shù)達(dá)0.64,且均通過(guò)了顯著性水平為 1%的t檢驗(yàn)，表明模式可以較好地再現(xiàn)長(zhǎng)三角地區(qū)PM2.5濃度的時(shí)空分布和實(shí)際演變特征。

(2) 長(zhǎng)三角地區(qū)PM2.5濃度空間分布整體呈現(xiàn)由西北向東南逐漸降低的特征。高值區(qū)主要集中在西北部的內(nèi)陸城市江蘇省和安徽省，濃度為40—80 μg·m-3；低值區(qū)主要集中在東南部的浙江省，濃度為20—40 μg·m-3。

(3)長(zhǎng)三角地區(qū)PM2.5濃度有著明顯的季節(jié)特征，整體來(lái)看冬季濃度水平較高而夏季較低，春季和秋季的濃度介于二者之間。冬季的PM2.5濃度高值出現(xiàn)在長(zhǎng)三角地區(qū)的西北部，安徽等地區(qū)的濃度最大值可達(dá)到160 μg·m-3；春季和秋季PM2.5濃度的高值集中出現(xiàn)30°N以北，120°E以西地區(qū)，濃度為40—80 μg·m-3；而夏季PM2.5濃度大幅度降低，大部分地區(qū)均維持在20—40 μg·m-3，低值中心出現(xiàn)在長(zhǎng)三角地區(qū)東部沿海城市，低于10 μg·m-3，最低值可達(dá)5 μg·m-3。