劉清 劉麗 楊富燕 高鵬 廖瑤 吳有恒

摘 要：針對山區(qū)局地污染源的大氣擴散，通過定點氣象觀測與數(shù)值模擬相結(jié)合的污染評估技術(shù)，采用區(qū)域模式與局地模式相嵌套的高分辨率區(qū)域空氣質(zhì)量模擬系統(tǒng)RegAQMS，模擬了一個西南山區(qū)磷化工工業(yè)園所在區(qū)域三維氣象要素場、大氣邊界層湍流場以及污染物散布的濃度場，分析了山地復(fù)雜條件下大氣污染物的擴散特性和影響其散布的關(guān)鍵因子。結(jié)果表明：區(qū)域主要的污染物如SO₂小時和日均濃度均未超過國家相關(guān)標準且有較大盈余，但在源區(qū)附近山體表現(xiàn)出較高的長期平均濃度，模擬時段總平均濃度占比標準份額高達87.7%。區(qū)域偏東和東南風極高的出現(xiàn)頻率61.8%、較低的風速（如≤ 2 m/s風速頻率43.1%）、離源近距離處敏感的下風向有相當高度山體的阻擋、大氣穩(wěn)定層結(jié)（逆溫和貼地逆溫較高的頻率63.4%和27.2%）等是導致長期高值平均濃度的主要原因。與觀測濃度的對比表明：RegAQMS能較好地描述該區(qū)域污染物的實際分布，模擬與觀測的小時濃度相關(guān)達0.47，但整體有所高估，誤差可能來源于采樣時間的不同、排放源的變動、小風條件下平均風向的定義與擴散強度估計的不確定性等。

關(guān)鍵詞：大氣污染；擴散模擬；氣象觀測；山區(qū)

中圖分類號：X16

文獻標志碼：A

不同空間尺度的地形和大氣的相互作用，形成山區(qū)從天氣尺度的強迫到中等尺度的環(huán)流和局地湍流波動連續(xù)分布的大氣特征，影響著污染物的輸送與擴散^［1］。地形的機械和熱力作用改變大尺度流動導致更小尺度的運動，從而增強與污染擴散相關(guān)的大氣過程的時空變率，產(chǎn)生如局地的盛行風、靜小風、尾流渦和山谷風環(huán)流等，形成獨特的污染過程。對復(fù)雜條件下大氣污染擴散過程的研究往往是根據(jù)具體問題和具體條件來開展，針對一些局部區(qū)域的大氣擴散，通常采用實際示蹤試驗^［2-3］、風洞試驗^［4-5］、數(shù)值模擬與分析^［6-9］等研究與分析手段，其中，數(shù)值模擬與分析由于不受試驗條件的限制得到廣泛應(yīng)用，也是其他試驗分析方法的重要補充和完善^［10-12］。

為更好地理解和模擬復(fù)雜地形污染物的擴散特征，最近新發(fā)起的一些研究計劃，如阿爾卑斯山地的Bolzano示蹤試驗（BTEX）^［13-14］、山區(qū)大氣多尺度輸送和交換過程國際研究計劃（TEAMx）^［15］、美國猶他州的山地大氣模擬和觀測試驗（MATERHORN）^［16］以及亞利桑那州的第二次隕石坑氣象外場試驗（METCRAX Ⅱ）^［17］等，均涉及到復(fù)雜環(huán)境下的大量外場試驗和氣象與空氣質(zhì)量模式等新的模擬技術(shù)。另外，我國第三次青藏高原大氣科學試驗（TIPEX-Ⅲ）涉及的陸面水熱平衡、邊界層過程的觀測等^［18］，也旨在促進復(fù)雜地形湍流和交換過程的深入認識和模擬。

實際應(yīng)用中，復(fù)雜地形往往使常規(guī)觀測臺站的代表性受到限制，而許多的研究結(jié)果表明大氣污染擴散呈現(xiàn)出較強的本地特征^［19-22］，特別在某些小區(qū)域內(nèi)，封閉的地形、集中的排放和特殊的環(huán)流，容易使大氣污染成分在敏感的下風方堆積，造成極端污染事件^［23-25］。目前，對這種條件下污染物的擴散預(yù)警與評估通常是采用幾公里甚至幾十公里外的地面氣象臺站資料，不能代表污染地點實際大氣狀況，使得預(yù)警和評估結(jié)果與污染實況在發(fā)生地點、程度和范圍上存在較大的出入。因此，分析具體區(qū)域的大氣環(huán)流、區(qū)域氣候特征，并且有針對性地在評估地點開展污染氣象與環(huán)境空氣質(zhì)量的同步觀測和模擬試驗，對了解區(qū)域污染氣象條件以及估算空氣污染物的擴散分布顯得十分必要。

以西南某省級經(jīng)濟開發(fā)園區(qū)為例，其所在區(qū)域地形復(fù)雜，山地、丘陵、盆地多種地貌共存，區(qū)域點源、面源多種污染源共同存在。園區(qū)規(guī)劃面積35.04 km2，多個磷化工項目已建成并正式投產(chǎn)。項目建設(shè)前均做過大氣環(huán)境影響評價，確定了敏感的下風方向以及各種污染成分的最大濃度，排放成分全部通過了國家二級空氣質(zhì)量標準評估且具備較大的環(huán)境容量盈余。但所用氣象資料是12 km處的縣氣象站的地面常規(guī)測值，導致投產(chǎn)后普遍反映環(huán)境空氣質(zhì)量與評估結(jié)果有差異，在并非敏感的下風方向，常出現(xiàn)刺激性氣味，莊稼樹木泛黃、生長受損。當?shù)鼐用穹错憦娏?，政府急需了解實際的污染狀況以確定補償賠款，并且決定進行生態(tài)移民搬遷。

本研究針對上述復(fù)雜地形局地污染源，通過定點氣象觀測與大氣擴散模擬相結(jié)合的污染評估技術(shù)^［26-27］，對現(xiàn)場氣象觀測數(shù)據(jù)進行診斷分析，獲得接近實際情況的氣象場和湍流特征參數(shù)，結(jié)合區(qū)域嵌套的復(fù)雜地形高分辨率大氣擴散模擬，確定出磷化工排放的不同污染物影響區(qū)域和程度，從而為分階段移民搬遷提供依據(jù)。

1 試驗與方法

針對山區(qū)復(fù)雜條件的大氣污染擴散評估，通過在局地污染源不同下風方向的監(jiān)測布點，同步獲取氣象和污染物濃度采樣數(shù)據(jù)，在現(xiàn)場觀測的氣象要素基礎(chǔ)上，采用適用于復(fù)雜地形的大氣擴散模式系統(tǒng)模擬污染物的擴散分布，分析影響山區(qū)局地大氣污染物散布的關(guān)鍵因子。

1.1 區(qū)域地形與觀測布點

研究區(qū)域位于云貴高原北部向四川盆地過渡的斜坡地帶，東經(jīng)107°24′～107°33′，北緯27°04′～27°13′（圖1），地勢東南高西北低，從海拔1 300 m逐漸降低到800 m，山脈走向受地質(zhì)構(gòu)造的影響，呈南北走向。工業(yè)園區(qū)位于研究區(qū)域中部，海拔高度約為1 000 m，在該區(qū)域總體地勢較為平坦開闊。

在磷化工工業(yè)聚集區(qū)排放源附近和周圍村寨反映強烈的下風向布設(shè)了4個污染氣象和環(huán)境空氣質(zhì)量的觀測點（圖1），從2017年5月開展連續(xù)的自動氣象站觀測，從2017年4月至2018年3月在春、夏、秋、冬4個季節(jié)開展7～14 d的大氣邊界層污染氣象和環(huán)境空氣質(zhì)量的觀測。

A觀測點周圍地勢平坦，沒有高大建筑物，主要開展地面自動氣象站觀測和施放系留汽艇以獲取大氣邊界層氣象廓線數(shù)據(jù)。B觀測點在山頂與煙囪高度大致相同處建立了自動氣象站，在山腰迎風面處架設(shè)了環(huán)境空氣質(zhì)量檢測系統(tǒng)。C觀測點選在山腰煙氣洄流區(qū)，自動氣象站和環(huán)境空氣質(zhì)量檢測系統(tǒng)安裝在同一位置。2017年秋季后，將C觀測點的環(huán)境空氣質(zhì)量檢測系統(tǒng)移至D觀測點處。

1.2 模式與計算方案

1.2.1 區(qū)域空氣質(zhì)量模擬系統(tǒng)

為模擬研究區(qū)域點、面源多種污染源在復(fù)雜條件下的協(xié)同影響，采用多尺度區(qū)域空氣質(zhì)量模式系統(tǒng)（RegAQMS）^［28］對該區(qū)域大氣環(huán)境進行模擬。RegAQMS由區(qū)域氣象模式和幾種不同尺度的空氣質(zhì)量模式組成。區(qū)域氣象模式讀取站點氣象觀測，經(jīng)中尺度準靜力動力學模式診斷輸出區(qū)域風溫場，由基于能量平衡法的邊界層參數(shù)化模式計算表征大氣擴散稀釋能力的湍流特征參數(shù)。RegAQMS的空氣質(zhì)量模擬部分由區(qū)域空氣質(zhì)量模式和幾種不同類型的局地大氣擴散模式組成，根據(jù)下墊面狀況的不同，分別耦合了美國環(huán)境保護局的復(fù)雜地形大氣擴散模式CTDMPLUS^［29］、沿海擴散模式OCD和改進的平坦地形模式HPDM。區(qū)域空氣質(zhì)量模式和局地大氣擴散模式采用局部嵌套的方案，具有相同的網(wǎng)格距，實現(xiàn)不同模式結(jié)果的實時嵌套，即每一個時步內(nèi)，在污染源下風向10 km2范圍內(nèi)先運行局地模式，再對整個模式域運行區(qū)域模式，其中區(qū)域模式的背景濃度場為上一時步局地與區(qū)域模式的濃度和。幾種局地空氣質(zhì)量模式采用并行處理方案，根據(jù)瞬時煙流下風向地形的起伏，系統(tǒng)分別啟用CTDMPLUS或HPDM模式，如果涉及到沿海熱力內(nèi)邊界層，則啟用OCD模式。局地模式旨在近距離處高分辨率污染物濃度模擬，僅考慮其輸送與擴散過程，區(qū)域模式另外還考慮污染物的干濕沉降、化學轉(zhuǎn)換等過程并對整個模擬區(qū)域的多個污染源的協(xié)同作用進行模擬^［30-31］。

1.2.2 計算方案

試驗期間收集到2017年5月26日至2018年5月4日共344日連續(xù)氣象要素，根據(jù)磷化工排放特性，選取了SO₂、NO₂、NH₃、HCL、TSP這5種主要污染物，模擬濃度分別按344×24 h逐時計算。氣象場每小時讀取一次，每日模擬起始時次為02時，時間步長取10 s，對小時濃度進行24 h平均和時段平均，得到日均濃度和整個模擬階段的平均濃度分布。逐時和逐日計算結(jié)果按模式域全部網(wǎng)格最大濃度值進行排序，取最大小時或最大日均濃度的序位水平為100%，其余按序位與總數(shù)的比值計算其濃度序位水平。

模擬區(qū)域水平網(wǎng)格距250 m，格點總數(shù)76×76，垂直方向分為不等間距的12層，模式頂約750 hPa高度層。區(qū)域源排放和模式地形及氣象輸入預(yù)處理如下：

1）排放源

根據(jù)當?shù)丨h(huán)保局提供的各磷化工項目環(huán)境影響報告書，收集其排放裝置、煙氣量、排放高度、排氣溫度以及各種污染物的排放強度等參數(shù)，區(qū)域內(nèi)污染物排放強度大小依次為SO₂>TSP>NO₂>NH₃>HCL，分別占比5種污染物排放總量的51.1%、28.4%、14.8%、5.2%和0.5%，主要由圖1的5個30～100 m高架煙囪排放，上述點源占總的排放量的96.2%，其余為分散的面源排放。

2）地形預(yù)處理

地形數(shù)據(jù)采用NASA/USGS （http：//www.cgiar-csi.org）提供的SRTM-250 m高程數(shù)據(jù)。CTDMPLUS模式針對復(fù)雜地形而設(shè)計，需詳細描述模式區(qū)域地形，盡可能標出影響污染擴散的每一個山體，山體的形狀以水平方向呈橢圓和垂直方向的高斯分布來表示^［32］。本研究對源區(qū)周邊9個山體（圖1中數(shù)字標號）分別沿各等高線進行了矢量化處理，生成模式所需的橢圓參數(shù)文件。以10 km為最大范圍，確定距離山體最近且海拔高于煙囪底座的網(wǎng)格點為受該山體影響的接受點，統(tǒng)計接受點的坐標和距離，并對接受點周圍4個格點的海拔高度進行平均，生成調(diào)整后的高程數(shù)據(jù)文件和接受點信息文件。

3）氣象數(shù)據(jù)預(yù)處理

模擬系統(tǒng)需要輸入的氣象要素，包括站點風向、風速、溫度、降水和云量等小時數(shù)據(jù)。研究區(qū)域除了新建的3個自動氣象站外，還有一個鄰近的原有國家氣象觀測站。除了云量，其余的要素均能滿足輸入要求，通過歐洲中期天氣預(yù)報中心下載了ERA5氣候再分析數(shù)據(jù)集的逐小時云量。小時氣象數(shù)據(jù)經(jīng)整理校正后輸入RegAQMS的區(qū)域氣象模式，進行空間距離平方反比權(quán)重內(nèi)插和滿足質(zhì)量守恒約束的地形動力學、地形熱力學調(diào)整，生成模擬區(qū)域逐時三維格點風溫場和二維表征湍流、大氣穩(wěn)定度等特性的邊界層特征參數(shù)場。

2 結(jié)果分析

2.1 短期平均濃度模擬與分析

RegAQMS區(qū)域空氣質(zhì)量模式輸出各層格點上的5種污染物小時濃度，取近地面10 m層濃度值進行分析。以SO₂為例，對照GB 3095—2012《環(huán)境空氣質(zhì)量標準》^［33］中二級標準小時最大SO₂濃度500 μg/m3，模擬的SO₂地面小時最大濃度沒有超過標準濃度，其間最大的小時濃度為473.0 μg/m3，出現(xiàn)在2017年8月10日16時（圖2（a）），占標準份額的94.6%，但極端的濃度高值區(qū)即黑色標示的區(qū)域（≥200 μg/m3）僅局限在源區(qū)個別格點，紅色標示的濃度高值區(qū)（100～200 μg/m3）位于源區(qū)和下風向的2 km范圍內(nèi)。

模擬的SO₂小時濃度分布主要呈現(xiàn)白天（07：00—18：00）中性至不穩(wěn)定和夜間（19：00—06：00）穩(wěn)定條件2種分布形態(tài)。白天條件下濃度分布傾向于規(guī)則的高斯形態(tài)，小時濃度大值區(qū)（黃色區(qū)以上）分布較廣，但極高值濃度局限在源區(qū)附近，影響較小。夜間條件下濃度分布受地形的影響較大，圍繞山體呈不規(guī)則形態(tài)，夜間SO₂最大小時濃度為235.8 μg/m3，占標準份額的47.2%，出現(xiàn)在2017年6月2日04時（圖3（a）），濃度高值區(qū)分布于接近源區(qū)的山體1上，濃度高值區(qū)面積較大。

圖2（b）、圖3（b）展示了對應(yīng)時次的近地層10 m風場。2個時次模式域大部分地區(qū)地面風速均較小，受南部幾條縱向山脈和中東部山體3、山體4的影響，南部山谷來向風在到達中部開闊源區(qū)后轉(zhuǎn)為東南風，并且風速逐漸減小，源區(qū)下風向山體1加強了氣流阻滯作用。除了系統(tǒng)性的風場，圍繞著各山體也出現(xiàn)一些輻合輻散中心，山頂?shù)臍饬飨鲁敛⒀刂絼菪纬蓴_流和洄流。表現(xiàn)在濃度場上，污染物濃度高值主要分布在山體1，較大值也出現(xiàn)在一些擾流和洄流區(qū)。

模式中排放量最大的煙流高度處主要氣象和湍流特征參數(shù)見表1。2個最大濃度時次煙流排放高度處均為東南風，在下風向的西北面，與源區(qū)接近的山體1對污染物濃度分布造成了較大的影響。山體1最高海拔約1 150 m，略高于污染源主煙囪出口海拔高度1 099 m。白天最大濃度時次大氣弱不穩(wěn)定、中等風速、對流和熱力湍流發(fā)展，混合層高度約700 m，煙氣在地面和混合層與空氣劇烈混合，在離源近距離處，相當數(shù)量的排放物質(zhì)被下沉氣流帶到地面造成高值濃度，山體1的地形一定程度上引起的扭曲流場，加重了排放物的聚集。夜間最大濃度時次源區(qū)風速較小，大氣穩(wěn)定，對流和湍流受到抑制，混合層高度約60 m，煙流全部穿透，在混合層上穩(wěn)定的大氣中平直輸送，直至遇到山體1，在地形阻擋和山頂?shù)南鲁翚饬饔绊懴?，排放的煙流大部分聚集在山體1，僅小部分煙流越過或繞過山體。

局地空氣質(zhì)量模式在近距離對污染物的輸送與擴散模擬精度較高，但采用了均勻、定常假定，當模擬尺度更大，或時間尺度達到1 h以上時，如日平均濃度的模擬，氣象場在空間和時間上的均勻定常假定就很難成立。RegAQMS采用了局地模式與區(qū)域模式相嵌套的方式，可以考慮區(qū)域較長時間尺度擴散條件的變化以及干濕沉降等過程。

對照GB 3095—2012二級標準日均最大SO₂濃度150 μg/m3，研究區(qū)域未出現(xiàn)日均濃度超標日。其間最大的近地面層SO₂日均濃度為87.7 μg/m3，出現(xiàn)在2017年10月18日（圖4（a）），占標準份額的58.5%，濃度高值區(qū)（≥45 μg/m3）集中在源區(qū)附近的山體1。圖4（b）顯示了夏季大氣邊界層探測期間2017年8月26日的日均濃度分布，其最大值為65.0 μg/m3，占標準份額的43.3%，在模擬時段日均濃度序位水平為57.4%，污染程度中等，濃度高值區(qū)也位于山體1和部分源區(qū)。

污染物濃度的擴散受地形、風場和湍流等因子共同影響^［34］。圖4紅色區(qū)域高值日均濃度是多時次高值濃度疊加的結(jié)果，從模擬的2017年10月18日煙流高度氣象和湍流特征參數(shù)分析（表1，僅列出每隔3 h的代表性時次）。當日全部時次風速均較小，變動范圍在0.8～2.1 m/s，風向較為一致，呈東風至東南風，風向角度在71°～156°。夜間時次大氣穩(wěn)定，熱力湍流和機械湍流受到抑制，混合層高度低，煙氣部分或全部穿透。白天時次大氣中性至弱不穩(wěn)定，湍流得到一定程度的發(fā)展，但對流發(fā)展較弱，混合層高度在570～770 m，煙氣在混合層內(nèi)輸送，無論是東風或東南風，均使得污染物聚集在下風方的山體1附近，低風速進一步增強了地形的阻塞作用，形成較高日均濃度值。

圖5顯示了觀測的2017年8月26日02時—23時的溫度、風速和風向垂直廓線分布。當日02時—05時近地面出現(xiàn)逆溫，逆溫頂層約為200 m，日出后08時近地面溫度開始升高，逆溫底層破壞，100 m以上仍然維持夜間的穩(wěn)定大氣邊界層，隨高度呈現(xiàn)多層逆溫。午后大氣溫度達到最大，14時與17時溫度差異較小，溫度隨高度的增高而降低，20時地面溫度迅速降低，出現(xiàn)貼地逆溫，23時貼地逆溫繼續(xù)維持。8月26日風速整體比較穩(wěn)定，除傍晚時次外，風速較小，0～200 m風速隨高度的增加而增加，200 m以上變化較小。風向以東南風和南風為主，400 m以內(nèi)大部分時次為東南風，05和08時存在明顯的風向切變，400 m以上轉(zhuǎn)為南風，風向變化平穩(wěn)?？偟膩碚f，當日溫度、風速、風向均呈現(xiàn)出近地面變動的特點，受高層背景環(huán)流的影響較小，污染物受地形約束，表現(xiàn)出局地擴散特征。

2.2 長期平均濃度與影響因子

對照二級標準年均最大SO₂濃度60 μg/m3，該區(qū)域總時段SO₂地面平均濃度均未超過年均濃度標準，其濃度最大值為52.6 μg/m3，占年平均濃度標準份額的87.7%，總時段整個網(wǎng)格的平均濃度為12.1 μg/m3。

總的時段內(nèi)，與主煙囪相當高度的B點自動站除靜風（≤0.2 m/s）占12.9%外，東風至東南風（90°～165°）頻率達61.8%（圖6（b））。與B點主導風向分布一致，圖6（a）濃度高值區(qū)即紅色顯示的區(qū)域（≥26 μg/m3）面積約3.625 km2，位于下風向的山體1?？偟臅r段B點的靜小風頻率出現(xiàn)較高，≤2 m/s的風速達43.1%，有利于污染物的累積。由此可見，雖然污染源排放量并不很大，短期濃度占比標準份額尚有較大盈余，但是在山區(qū)復(fù)雜地形和特殊氣象條件下，污染物在敏感的下風向長期疊加，也會造成占比標準份額較高的長期平均濃度。

從研究區(qū)域224次溫度探測廓線對觀測出現(xiàn)的逆溫次數(shù)及平均逆溫層厚度和高度進行分析（表2），存在逆溫層的時次為142次，占63.4%，其中78個時次存在2層以上逆溫層。逆溫層厚度在0～220 m，平均厚度為43.5 m，逆溫強度最大為4.7 K/km。逆溫層頂高度大多在100～700 m，其中貼地逆溫較強且主要集中在夜間，存在次數(shù)占27.2%。春夏季貼地逆溫出現(xiàn)頻率較大，秋冬季較少，這與其他山谷盆地常出現(xiàn)的冬季貼地逆溫特征存在差異^［35-36］，冬季研究區(qū)域近地面輻射冷卻效應(yīng)和山谷風下泄流發(fā)展并不充分，逆溫層主要出現(xiàn)在云底。逆溫阻礙污染物的向上輸送，使其聚集在較低逆溫層內(nèi)。研究區(qū)域較高的逆溫和貼地逆溫出現(xiàn)頻率，也是造成占比標準份額較高的長期平均濃度的原因。

3 模擬與觀測濃度的對比

2017年4月至2018年3月，在研究區(qū)域開展了5次環(huán)境空氣質(zhì)量監(jiān)測，每次連續(xù)監(jiān)測7 d，根據(jù)觀測的盛行風、區(qū)域地形和環(huán)境敏感點分布，設(shè)置并調(diào)整環(huán)境空氣監(jiān)測點B、C、D（圖1），每次監(jiān)測部署在其中的2個點。監(jiān)測項目包括PM₁₀、PM_2.5、TSP、SO₂、NO₂、NH₃、HCL，小時濃度每次采樣60 min，每天監(jiān)測4次，時間為02：00—03：00、08：00—09：00、14：00—15：00、20：00—21：00，日均濃度連續(xù)采樣20 h以上。2018年1月受凝凍影響，顆粒物采樣器凍結(jié)，冬季時段只取得3 d氣體污染物的有效樣本。

2017年4月16—23日空氣質(zhì)量監(jiān)測期間，從4月19日起磷化工廠開始停產(chǎn)，因此4月19—23日的測量值可認為是該區(qū)域的背景濃度值，SO₂的背景濃度保守估計為10 μg/m3，上述模擬值均加上了背景濃度值。2017年8月恢復(fù)生產(chǎn)以后同步開展的大氣質(zhì)量現(xiàn)狀監(jiān)測數(shù)據(jù)用于驗證模式結(jié)果，B站點取得了全部96個觀測與模擬值對，C站點28個，D站點68個，如圖7所示。

由圖7可見：SO₂的小時濃度觀測值總體變化不大，變動范圍在10～52 μg/m3；RegAQMS模式基本捕捉到了觀測的濃度變化，模擬值與觀測值的皮爾遜相關(guān)系數(shù)為0.47，但整體有所高估，尤其是在中等和高值濃度情況下。如位于山體1高值濃度區(qū)的D點，模擬值起伏較大、存在較多數(shù)倍于觀測值的峰值濃度。盡管如此，D點的模擬值和觀測值相關(guān)性仍較大，其皮爾遜相關(guān)系數(shù)達0.45。B點位于山體1模擬的高值濃度區(qū)邊緣部分，模擬值略高于觀測值。C點遠離高值濃度區(qū)，模擬值和觀測值相當。由于風向模擬的偏差，3個站點均存在部分時次對觀測值的較大低估，表現(xiàn)為圖中聚集在橫軸與背景濃度相當?shù)哪M值。

站點模擬值和觀測值的部分不一致很大程度上來源于采樣時間的不同，觀測值小時濃度采樣60 min，代表了小時內(nèi)的平均濃度；而模擬值采用正點時刻氣象要素（如正點時刻氣溫，2 min平均風向、風速等）模擬小時濃度，難以真正代表整個小時的平均濃度，特別在小時內(nèi)風向角度變動較大的情況下。另外，該園區(qū)經(jīng)常性的臨時停產(chǎn)和生產(chǎn)流程部分關(guān)停而引起的源排放的變動，也是造成部分模擬值和觀測值不一致的重要原因。

除此之外，研究區(qū)域出現(xiàn)頻率較高的靜小風，也是對現(xiàn)有的模擬框架的挑戰(zhàn)。模擬的高污染物濃度通常與小風速相聯(lián)系，如圖7中≥50 μg/m3的21個模擬值對應(yīng)的平均風速僅為0.77 m/s，其中19個值的風速≤1.30 m/s；而小風條件下污染物的擴散由迂曲運動支配，表現(xiàn)為煙羽的水平慢擺，使得模式中以平均風向定義的煙流軸線存在較大的不確定性。過去的一些研究也表明，小風條件下由于迂曲運動，煙羽擴散角度更大，觀測的地面濃度常常遠低于模式預(yù)報^［37-38］。

4 討論與結(jié)論

1）山區(qū)復(fù)雜條件下，氣象和湍流場受局地地形影響較大，通過現(xiàn)場氣象觀測與大氣擴散模擬技術(shù)相結(jié)合，來評估廠區(qū)建成后的污染狀況十分重要。通過與觀測濃度進行對比，區(qū)域空氣質(zhì)量模擬系統(tǒng)RegAQMS能較好地描述研究區(qū)域污染物的實際分布，模擬的小時濃度與觀測值相關(guān)達0.47，表明采用實際的觀測通過模式的擬合輸出診斷風場，再結(jié)合區(qū)域與局地高分辨率空氣質(zhì)量模式的嵌套模擬方案，在處理山區(qū)大氣污染的近距離擴散問題上是可行的。

2）研究區(qū)域小時和日均濃度均未超過國家相關(guān)標準且有較大盈余，但主要污染物長期平均濃度較高，聚集在敏感的下風向源區(qū)附近山體，造成占比標準份額87.7%的較高長期平均濃度。

3）研究區(qū)域偏東和東南風的極高出現(xiàn)頻率61.8%，較低的風速（靜小風頻率43.1%），離源近距離處敏感的下風向有相當高度山體的阻擋，穩(wěn)定層結(jié)（逆溫和貼地逆溫出現(xiàn)頻率63.4%、27.2%）等因素導致長期高值平均濃度。

4）從小時濃度模擬值與觀測值的對比情況看：統(tǒng)一模式與觀測的采樣時間，采用更小時間尺度的氣象觀測（如分鐘數(shù)據(jù)）進行模擬以及摸清源排放的規(guī)律等，是進一步改善模擬效果的方向。另外，通過開展示蹤試驗和湍流擴散試驗來正確描述煙羽的水平慢擺和橫向擴散，也有助于減小平均風向的定義和擴散強度估計的不確定性，從而促進模式在小風條件下的模擬性能。盡管如此，該研究模擬的長期平均濃度對于揭示潛在的高污染風險區(qū)的范圍和程度還是具有一定的參考意義，能為分階段移民搬遷提供依據(jù)。

參考文獻：

[1]GIOVANNINI L， FERRERO E， KARL T， et al. Atmospheric pollutant dispersion over complex terrain： challenges and needs for improving air quality measurements and modeling［J］. Atmosphere， 2020， 11（6）： 646.

［2］ 胡二邦， 辛存田， 閆江雨， 等. 福建惠安核電廠址大氣擴散野外示蹤試驗研究［J］. 中國核科技報告， 2003（4）： 196-235.

［3］ 趙丹， 陳義珍， 柴發(fā)合， 等. 煙塔合一排放的SF6示蹤擴散試驗［J］. 環(huán)境科學研究， 2010， 23（5）： 548-554.

［4］ MICHIOKA T， SATO A， SADA K. Wind-tunnel experiments for gas dispersion in an atmospheric boundary layer with large-scale turbulent motion［J］. Boundary-Layer Meteorology， 2011， 141（1）： 35-51.

［5］ 范海民， 馬元巍， 張繼革， 等. 核事故大氣擴散的多風扇風洞設(shè)計及實驗驗證［J］. 原子能科學技術(shù)， 2018， 52（1）： 168-174.

［6］ 朱好， 蔡旭暉， 張宏升， 等. 內(nèi)陸丘陵河谷地區(qū)小風條件下的大氣擴散模擬研究［J］. 環(huán)境科學學報， 2011， 31（3）： 613-623.

［7］ 金祺， 銀燕， 譚穩(wěn). 黃山地區(qū)復(fù)雜地形下污染氣體輸送過程的數(shù)值模擬［J］. 大氣科學學報， 2012， 35（6）： 680-688.

［8］ BALANZINO A， TRINI CASTELLI S. Numerical experiments with RAMS model in highly complex terrain［J］. Environmental Fluid Mechanics， 2018， 18： 357-381.

［9］ MATTHEW O J， IGBAYO A N， OLISE F S， et al. Simulation of point source pollutant dispersion pattern： an investigation of effects of prevailing local weather conditions［J］. Earth Systems and Environment， 2019， 3（12）： 215-230.

［10］康凌， 蔡旭暉， 王志遠， 等. 福建漳州沿海大氣擴散特性的數(shù)值分析與模擬［J］. 北京大學學報（自然科學版） ， 2011， 47（1）： 71-78.

［11］王博. 核電廠野外示蹤試驗的三維數(shù)值模擬研究［J］. 中國環(huán)境科學， 2016， 36（10）： 2950-2956.

［12］DIMOZ H， GOBBI G P， MAGRI T， et al. Transport of Po Valley aerosol pollution to the northwestern Alps-Part 2： long-term impact on air quality［J］. Atmospheric Chemistry and Physics， 2019， 19： 10129-10160.

［13］FALOCCHI M， TIRLER W， GIOVANNINI L， et al. A dataset of tracer concentrations and meteorological observations from the bolzano tracer experiment （BTEX） to characterize pollutant dispersion processes in an Alpine valley［J］. Earth System Science Data， 2020， 12： 277-291.

［14］TOMASI E， FERRERO E， GIOVANNINI L， et al. Turbulence parameterizations for dispersion in sub-kilometer horizontally non-homogeneous flows［J］. Atmospheric Research， 2019， 228： 122-136.

［15］SERAFIN S， ROTACH M W， ARPAGAUS M， et al. Multi-scale transport and exchange processes in the atmosphere over mountains［M］. Innsbruck： Innsbruck University Press， 2020： 42.

［16］FERNANDO H J S， PARDYJAK E， DI SABATINO S， et al. The MATERHORN： unraveling the intricacies of mountain weather［J］. Bulletin of the American Meteorological Society， 2015， 96（11）： 1945-1967.

［17］LEHNER M， WHITEMAN C D， HOCH S W， et al. The metcrax II experiment： a study of downslope windstorm-type flows in Arizonas meteor crater［J］. Bulletin of the American Meteorological Society， 2016， 97（2）： 217-235.

［18］趙平， 李躍清， 郭學良， 等. 青藏高原地氣耦合系統(tǒng)及其天氣氣候效應(yīng)： 第三次青藏高原大氣科學試驗［J］. 氣象學報， 2018， 76（6）： 833-860.

［19］楊榮， 戴家佳. 基于函數(shù)型數(shù)據(jù)的氣溫與空氣質(zhì)量的相關(guān)性分析［J］. 貴州大學學報（自然科學版）， 2020， 37（3）： 111-118.

［20］田越， 苗峻峰. 中國地區(qū)山谷風研究進展［J］. 氣象科技， 2019， 47（1）： 41-51.

［21］吳亞平， 張琦， 王炳赟， 等. 四川雅安三種主要大氣污染物濃度與氣象條件的關(guān)系及其預(yù)測研究［J］. 高原氣象， 2020， 39（4）： 889-898.

［22］徐鵬， 朱正， 徐珊珊， 等. 基于交通形態(tài)的城市商業(yè)區(qū)車輛PM_2.5排放模型研究［J］. 貴州大學學報（自然科學版）， 2017， 34（4）： 109-114.

［23］王珊， 廖婷婷， 王莉莉， 等. 西安一次霾重污染過程大氣環(huán)境特征及氣象條件影響分析［J］. 環(huán)境科學學報， 2015， 35（11）： 3452-3462.

［24］吳珂， 包云軒， 蔡敏， 等. 蘇州市一次重霾污染天氣過程的數(shù)值模擬［J］. 氣象科學， 2019， 39（1）： 104-116.

［25］王康宏， 倪婷. 2016年冬季安徽壽縣地區(qū)兩次重污染過程分析研究［J］. 大氣科學學報， 2019， 42（6）： 944-952.

［26］CONNAN O， SMITH K， ORGANO C， et al. Comparison of RIMPUFF， HYSPLIT， ADMS atmospheric dispersion model outputs， using emergency response procedures， with 85Kr measurements made in the vicinity of nuclear reprocessing plant［J］. Journal of Environmental Radioactivity， 2013， 124： 266-277.

［27］LIU Y， LI H， SUN S D， et al. Enhanced air dispersion modelling at a typical Chinese nuclear power plant site： coupling RIMPUFF with two advanced diagnostic wind models［J］. Journal of Environmental Radioactivity， 2017， 175/176： 94-104.

［28］王體健， 李樹， 莊炳亮， 等. 區(qū)域大氣環(huán)境-化學-氣候模擬［M］. 北京： 氣象出版社， 2017： 226-263.

［29］PERRY S G. CTDMPLUS： a dispersion model for sources near complex topography. Part Ⅰ. technical formulations［J］. Journal of Applied Meteorology， 1992， 31（7）： 633-645.

［30］劉麗， 王體健， 蔣自強， 等. 東南沿海生物氣溶膠的擴散模擬研究［J］. 環(huán)境科學學報， 2012， 32（11）： 2670-2683.

［31］劉麗， 王體健， 王勤耕. 區(qū)域復(fù)雜地形大氣污染擴散的模擬研究［J］. 高原氣象， 2008， 27（5）： 1074-1082.

［32］MILLS M T， PAINE R J， LNSLEY E M， et al. Complex terrain dispersion model （CTDM） preprocessor system-user guide and program descriptions： EPA/600888003［R］. USA： Department of Commerce， National Technical Information Service， 1989： 1-180.

［33］環(huán)境保護部. 環(huán)境空氣質(zhì)量標準： GB 3095—2012［S］. 北京： 中國環(huán)境科學出版社， 2012.

［34］RAKESH P T， VENKATESAN R， ROUBIN P， et al. Formulation of turbulence diffusion relationships under stable atmospheric conditions and its effect on pollution dispersion［J］. Meteorology and Atmospheric Physics， 2020， 132（4）： 1-16.

［35］CONANGLA L， CUXART J， JIMNEZ M A， et al. Cold-air pool evolution in a wide Pyrenean valley［J］. International Journal of Climatology， 2018， 38： 2852-2865.

［36］QUIMBAYO-DUARTE J A， STAQUET C， CHEMEL C， et al. Dispersion of tracers in the stable atmosphere of a valley opening on a plain［J］. Boundary-Layer Meteorology， 2019， 172： 291-315.

［37］LUHAR A K， HURLEY P J. Application of a coupled prognostic model to turbulence and dispersion in light-wind stable conditions， with an analytical correction to vertically resolve concentrations near the surface［J］. Atmospheric Environment， 2012， 5： 56-66.

［38］MORTARINI L， STEFANELLO M， DEGRAZIA G， et al. Characterization of wind meandering in low-wind speed conditions［J］. Boundary-Layer Meteorology， 2016， 161： 165-182.

（責任編輯：周曉南）

On-site Observation and Modelling Evaluation of Air pollutant Dispersion over Mountainous Area in Southwestern China

LIU Qing1， LIU Li^*2， YANG Fuyan3， GAO Peng3， LIAO Yao2， WU Youheng3

（1.Guizhou Climate Center， Guiyang 550002， China; 2.Guizhou Ecometeorology and Satellite Remote Sensing Center， Guiyang 550002， China; 3.Guizhou Key Laboratory of Mountainous Climate and Resources， Guiyang 550002， China）

Abstract： Atmospheric dispersion of air pollution on mountainous area was studied with numerical simulation method combined with meteorological observations on site. In the case of a phoschemical industrial park in the southwestern mountains of China， three-dimensional meteorological elements and turbulent parameters at atmospheric boundary layer and further air pollutant concentrations in this area were simulated with the Regional Air Quality Model System （RegAQMS）， in which a high-resolution local model suitable for mountainous area was nested in a regional dispersion model. The diffusion characteristics of air pollutants over this mountainous topography were then summarized by diagnostic analysis on key factors influencing its distribution. The results show that hourly and daily average concentration of major pollutants， such as SO₂， are well within the Class 2 of the National Ambient Air Quality Standard， while the long-term average concentration presents quite high around a hill near the industrial park and at a ratio of 87.7% to Class 2 limit value. The east and southeast winds at a high frequency of 61.8%， low wind speeds （≤ 2 m/s） occurring with 43.1% in all hours， blocking terrain in the sensitive leeward near the source， and stable atmospheric conditions （63.4% frequent inversion layers especially ground inversions of 27.2%） are the main reasons of high concentration over long period of time. By comparing the results with the observed concentrations， RegAQMS is proved to well describe the actual distribution of pollutants in this area. The Pearson correlation of hourly concentration is 0.47， although overall the model overestimates observations. Some inconsistencies between simulated and observed concentrations may result from different sampling time， variation of emission sources， and uncertainties in the definition of mean wind direction and estimation of dispersion intensity under low wind conditions.

Key words： air pollution; dispersion simulation; meteorological observations; mountains