EN中文

地理科学 >

2025 , Vol. 45 >Issue 6: 1381 - 1391

DOI: https://doi.org/10.13249/j.cnki.sgs.20240869

其他研究论文

区域传输对山东半岛大气粗颗粒物污染的影响——基于轨迹模型的定量测度

  • 童菲 , 1 ,
  • 方凤满 , 1, 2, * ,
  • 马康 1 ,
  • 李静文 1 ,
  • 林跃胜 1, 2 ,
  • 方正 1
展开
  • 1.安徽师范大学地理与旅游学院，安徽 芜湖 241003
  • 2.江淮流域地表过程与区域响应安徽省重点实验室，安徽 芜湖 241003
方凤满。E-mail:

童菲（2001—），女，安徽池州人，硕士研究生，主要从事环境地理学研究。E-mail:

收稿日期: 2024-07-10

  修回日期: 2024-12-22

  网络出版日期: 2025-06-24

基金资助

安徽省高校自然科学重点项目(2022AH050181)

国家自然科学基金项目(41977402)

国家级大学生创新创业项目(202310370043)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Impact of regional transport on coarse particulate matter in the Shandong Peninsula: Quantitative measurements based on trajectory modeling

  • Tong Fei , 1 ,
  • Fang Fengman , 1, 2, * ,
  • Ma Kang 1 ,
  • Li Jingwen 1 ,
  • Lin Yuesheng 1, 2 ,
  • Fang Zheng 1
Expand
  • 1. School of Geography and Tourism, Anhui Normal University, Wuhu 241003, Anhui, China
  • 2. Anhui Provincial Key Laboratory of Earth Surface Processes and Response in the Yangtze-Huaihe River Basin, Wuhu 241003, Anhui, China

Received date: 2024-07-10

  Revised date: 2024-12-22

  Online published: 2025-06-24

Supported by

Key Projects of Natural Science in Universities of Anhui Province(2022AH050181)

National Natural Science Foundation of China(41977402)

National College Students’ Innovation and Entrepreneurship Training Program(202310370043)

Copyright

Copyright reserved © 2025.
Fold

摘要

精准评估区域传输对大气粗颗粒物(PM2.5~10)质量浓度的影响对于联防联控至关重要。本研究以山东半岛为研究案例地，基于2015—2022年逐时质量浓度监测数据，采用后向轨迹和浓度权重轨迹模型(Concentration Weighted Trajectory, CWT)定量测度区域传输对大气PM2.5~10污染影响的变化趋势和空间差异。结果表明，①2015—2022年山东半岛大气PM2.5~10年均质量浓度由(58.06±15.36) μg/m3显著下降至(33.27±6.96) μg/m3(Z<0, P<0.001)，但PM2.5~10质量浓度占PM10质量浓度的比例由43.17%增长至46.27%，重污染时期集中分布在3—4月。②空间上，山东半岛大气PM2.5~10质量浓度整体呈西部内陆向东部沿海递减的空间变化趋势，德州、济南、聊城等地污染程度高。③山东半岛春季、秋季和冬季的气流轨迹主要受西北境外远距离传输的影响，而夏季主要以近距离传输为主。西北远距离输送气团的占比逐渐增大，而东南海洋大气输送气团的占比逐渐减少。④CWT分析显示，潜在源区如内蒙古、河北、河南等地对山东半岛大气PM2.5~10输送的质量浓度由28.47 μg/m3降低至9.00 μg/m3，开封、衡水、濮阳等地输送的质量浓度降低较多，而长沙、湘潭、天门等地需要加强管制。研究结果定量评估了区域传输对山东半岛大气PM2.5~10污染的贡献，为未来大气PM2.5~10污染联防联控提供决策参考。

关键词： 大气粗颗粒物(PM2.5~10); 区域传输; 定量测度; 山东半岛

本文引用格式

童菲 , 方凤满 , 马康 , 李静文 , 林跃胜 , 方正 . 区域传输对山东半岛大气粗颗粒物污染的影响——基于轨迹模型的定量测度[J]. 地理科学, 2025 , 45(6) : 1381 -1391 . DOI: 10.13249/j.cnki.sgs.20240869

Abstract

Accurate assessment the impact of regional transport on atmospheric concentrations of coarse particulate matter (PM2.5-10) is essential for effective joint prevention and control measures. In this study, the Shandong Peninsula serves as the case study site. Utilizing hourly concentration monitoring data from 2015 to 2022, we employed backward trajectory assessments, and concentration-weighted trajectory (CWT) model to quantitatively evaluate trends and spatial variations in the impacts of regional transport on atmospheric PM2.5-10 pollution. The results indicate that: 1) The annual mean atmospheric PM2.5-10 concentration in the Shandong Peninsula significantly decreased from (58.06±15.36) μg/m3 in 2015 to (33.27±6.96) μg/m3 in 2022 (Z<0, P<0.001). However, the proportion of PM2.5-10 concentration relative to PM10 concentration increased from 43.17% to 46.27%, with the period of heavy pollution primarily occurring from March to April. 2) Spatially, the overall trend of atmospheric PM2.5-10 concentration in the Shandong Peninsula exhibited a decline from the western inland areas to the eastern coast, with Dezhou, Jinan, Liaocheng identified as highly polluted areas. 3) The airflow trajectories affecting the Shandong Peninsula in spring, autumn and winter are primarily influenced by long-range transport from the northwest, while summer is predominantly characterized by close-range transport. The proportion of air masses transported over long distances from the northwest is gradually increasing, while the proportion of air masses transported from the southeastern ocean is gradually decreasing. 4) CWT analysis reveals that the concentration of atmospheric PM2.5-10 transported from regions such as China’s Inner Mongolia, Hebei and Henan decreased from 28.47 μg/m3 to 9.00 μg/m3. Notably, the reductions are more pronounced for transport from Kaifeng, Hengshui, and Puyang, while regions such as Changsha, Xiangtan and Tianmen require enhanced control measures. This study quantitatively assesses the contribution of regional transport to atmospheric PM2.5-10 pollution in the Shandong Peninsula and provided a valuable reference for future joint prevention and control strategies strategies atmospheric PM2.5-10 pollution.

Key words： coarse particulate matter (PM2.5-10); regional transport; quantitative measurement; Shandong Peninsula

大气粗颗粒物（PM2.5~10）是空气动力学直径介于2.5~10 μm的气溶胶，是大气颗粒物的重要组成部分[1]。相比大气PM2.5和PM10，PM2.5~10受到的关注较少。但大气PM2.5~10对空气质量、气候变化和人群健康有着广泛的影响[2-4]。过去10余年，大气PM2.5质量浓度快速下降使得持续减少颗粒物污染成为可能。但在此期间，全球多个地区大气PM2.5~10在PM10中的比例不断增高[5]。研究显示，2000—2016年美国城乡大气PM2.5~10对大气PM10质量的相对贡献每年增加0.7%~1.2%，且大气PM2.5~10质量浓度占大气PM10质量浓度的1/2[6]。此外，全球范围内大气PM2.5~10污染的独立健康危害已被证实[7]，甚至在哮喘、肺功能疾病中比大气PM2.5更危险[8]。
精准识别大气PM2.5~10的来源是实现精准治理的前提。大气PM2.5~10主要由风力和侵蚀等机械过程产生，通常由固体材料的机械研磨和再悬浮形成[9]，其来源广泛，包括工业排放、交通排放、扬尘等[5,10]，沙尘暴中的大部分颗粒物均属于PM2.5~10[7]。大气PM2.5~10污染不仅与本地排放源有关[11]，还很大程度上受外部污染源的区域传输影响[12-13]。精准评估区域传输对大气PM2.5~10质量浓度对于改善空气质量、保护人民健康具有重要意义。
中国东部地区大气PM2.5~10污染较为严重，其中山东半岛大气PM2.5~10质量浓度更高[14]，山东半岛因地形多为平原和丘陵[15]，四周没有高大的山地阻挡，更易受外源污染的区域传输影响。近年来，对山东半岛地区的颗粒物污染来源的研究多集中于本地排放源的贡献，如交通、工业等[16]，目前对山东半岛大气颗粒物的来源与影响因素研究主要集中在PM2.5的污染控制与源解析上，但针对PM2.5~10污染的研究相对较少，且相关研究多依赖单一的监测数据或模型，缺乏定量的区域传输和空间差异分析。本研究进一步对山东半岛大气PM2.5~10污染现状进行深入分析，采用后向轨迹和浓度权重轨迹模型定量测度区域传输对大气PM2.5~10污染的影响和空间差异。精准识别重点管控区域，为未来大气粗颗粒物污染的联防联控提供决策参考，推动空气质量改善，保障人民群众健康。

1 材料与方法

1.1 研究区概况

山东半岛地区（114°47′E~122°43′E, 34°22′N~38°24′N）包括济南市、青岛市、淄博市、枣庄市、东营市、烟台市、潍坊市、济宁市、泰安市、威海市、日照市、临沂市、德州市、聊城市、滨州市、菏泽市16个市，总面积约为7.3万km2，是中国最大的半岛（图1）。山东半岛地处黄河下游地区，中部山地突起，西北、西南低洼平坦[15]，东部丘陵和平原交错分布。属于暖温带湿润季风气候，冬季受来自西伯利亚的冷空气影响，气温较低，夏季受来自海洋暖湿气流影响，气温较高。山东半岛是中国沿海经济发达地区之一，人口密集、工业化进程快、城市化水平高[17]，机械制造业分布广泛[18]。
图1 研究区概况及监测站点分布

Fig. 1 Location of study area and distribution of monitoring site

1.2 数据来源

2015—2022年山东半岛地区各站点逐时大气PM2.5和PM10质量浓度数据来源于中国环境监测总站①（China National Environmental Monitoring Centre, CNEMC），用各监测站点质量浓度的平均值计算区域平均值，大气PM2.5~10质量浓度为PM10和PM2.5质量浓度的差值[7]。后向轨迹模型使用的数据来自美国国家环境预报中心②（National Centers for Environmental Prediction, NCEP）提供的2015—2022年全球同化系统（Global Data Assimilation System, GDAS）数据。

1.3 研究方法

1.3.1 后向轨迹模型

混合单粒子拉格朗日轨迹积分模型[19]（Hybrid Single Particle Lagrangian Integrated Trajectory Model, HYSPLIT）是一个用于计算分析气流运动、沉降、大气污染物输送和扩散轨迹过程的完整系统，已广泛用于研究空气污染物的输送扩散和来源解析。本研究选取济南市和青岛市作为模拟受点进行传输轨迹分析，气流模拟高度设定为500 m，对2015—2022年逐日0—23时的72 h后向轨迹进行聚类分析。为进一步剖析山东半岛气流输送的季节差异，按春季（3—5月），夏季（6—8月），秋季（9—11月），冬季（12月至次年2月）进行分类。

1.3.2 权重轨迹分析法

引入浓度权重轨迹（Concentration Weight Trajectory, CWT）分析方法[20]计算轨迹的权重质量浓度，由此来反映PM2.5~10污染程度。本文创建分辨率为0.25°×0.25°的网格单元覆盖研究区域，为了降低条件概率函数因样本总量n较小而产生误差的影响，引入权重系数W。具体公式如下：
$ WCWT_{{ij}} = W_{{ij}} \times \dfrac{1}{{\displaystyle\sum\nolimits_{{{k}} = 1}^M \upsilon_{ijk} }}\displaystyle\sum\limits_{k = 1}^M {{C_k}}\upsilon _{ijk} $
式中，WCWTij为网格（i, j）对应的PM2.5~10权重质量浓度，Wij为网格（i, j）的对应的权重系数，Ck为轨迹k经过山东半岛区域传输覆盖的网格（i, j）时对应的PM2.5~10质量浓度，$ \mathit{\upsilon_{ijk}} $为轨迹k在网格（i, j）停留时间，M为总气流轨迹数目。
以2015年山东半岛大气PM2.5~10潜在源区为基准，定量测度区域传输对山东半岛大气PM2.5~10污染的影响，通过差值计算出PM2.5~10权重质量浓度的变化值，即∆WCWT。公式如下：
$ \Delta WCWT = WCW{T_{{\text{2022}}}} - WCW{T_{{\text{2015}}}} $
式中，WCWT2022为2022年PM2.5~10权重质量浓度值，WCWT2015为2015年PM2.5~10权重质量浓度值，∆WCWT为2015—2022年PM2.5~10权重质量浓度的变化。

2 结果与讨论

2.1 时空演化格局

2.1.1 时间变化特征

2015—2022年山东半岛大气PM2.5~10年平均质量浓度为（47.46±11.35） μg/m3，总体上每年以4.49 μg/（m3·a）的速率显著下降（Z<0, P<0.001），其中，2021年出现了反弹（表1）。但PM2.5~10占PM10的比例总体上处于上升趋势，2021年占比最高，达到51.28%，表明PM2.5~10对PM10的贡献越来越高。山东半岛大气PM2.5~10平均质量浓度春季最高（61.40 μg/m3），其次是冬季（48.99 μg/m3）和秋季（44.87 μg/m3），夏季最低（32.47 μg/m3）（图2a）。月尺度上，3—4月大气PM2.5~10质量浓度更高（图2c）。日尺度上，大气PM2.5~10质量浓度峰值出现在9时左右（图2b），春季和冬季的低值出现在6时左右，夏季和秋季15时左右的PM2.5~10质量浓度最低（图2）。山东半岛大气PM2.5~10质量浓度在季节、月和小时尺度上均具有聚集特征。
表1 2015—2022年山东半岛大气PM2.5~10质量浓度及占PM10的比例

Table 1 PM2.5-10 concentration and changes in its proportion to PM10in Shandong Peninsula from 2015 to 2022

年份 站点数/个 最小值/（μg/m3） 最大值/（μg/m3） 平均值/（μg/m3） 标准差/（μg/m3） PM2.5~10占比/%
2015 76 24.17 96.32 58.06 15.36 43.17
2016 72 22.95 83.92 54.22 14.52 45.22
2017 81 21.69 86.61 53.15 14.00 47.89
2018 77 23.92 78.74 50.56 11.26 50.41
2019 78 26.72 77.85 47.63 9.80 46.95
2020 82 20.40 55.72 37.96 8.63 44.11
2021 110 11.00 67.15 44.81 10.31 51.28
2022 106 16.87 49.49 33.27 6.96 46.27
图2 2015—2022年山东半岛大气PM2.5~10质量浓度时间变化特征

Fig. 2 Seasonal effects, monthly variation characteristics, weekend effects and day-night differences of PM2.5-10 concentration in Shandong Peninsula from 2015 to 2022

2015—2022年山东半岛大气PM2.5~10质量浓度呈显著下降趋势，主要得益于大气污染防治计划的实施[21]，大气PM2.5~10质量浓度在2020年明显降低，是因为2019年末突发的新冠肺炎疫情，中国实施了一系列严格的管控措施，一些常规污染物如CO、NO2、PM2.5、PM10的人为排放受到直接影响[22]，PM2.5、PM10均值降幅高于疫情前后[23]，表明疫情防控措施的实施对大气颗粒物质量浓度的降低有较明显作用。中国北方春季频繁的沙尘天气对颗粒物质量浓度具有明显的促进作用[24]，导致春季大气PM2.5~10质量浓度最高[25-26]。山东半岛地区春季PM2.5~10质量浓度最高，春季北方冷空气频发且不断南下，所以当强风经过蒙古国和中国内蒙古西部、甘肃等地的沙源地时，会将沙尘卷到空中，随着低空气流向东或向南传输。山东半岛北部地势较为平坦，没有山地阻拦，会受到来自西北沙尘的影响，但中部有山地阻挡，致使PM2.5~10不易扩散。降水频率和环境温度的季节性差异会导致大气颗粒物质量浓度在不同季节发生变化[27-28]，研究发现颗粒物质量浓度随降水过程的进行呈现出逐渐降低的趋势，尤其在降雨量比较大时，下降趋势更加明显[29]。夏季受来自海洋的暖湿气流影响，气温较高且降水较多，故大气PM2.5~10的平均质量浓度最低。PM2.5~10质量浓度在上午9时达到峰值，这是由于日出过后近地面可能出现逆温现象，从而不易产生对流运动，颗粒物在原处积累[30]，致使PM2.5~10质量浓度升高；此外，非周末的上午8时左右是上班高峰期，交通排放、工业生产等会导致PM2.5~10质量浓度升高。由于中午太阳辐射增强，空气密度减小，PM2.5~10向地面沉降，空气对流活动增强有利于PM2.5~10的扩散和清除，故12—15时左右PM2.5~10质量浓度最低。

2.1.2 空间变化特征

2015—2022年山东半岛大气PM2.5~10质量浓度空间分布差异明显，总体表现为西部高于东部，内陆高于沿海，并呈由内陆向沿海递减的空间变化趋势（图3）。具体来看，2015—2018年高质量浓度大气PM2.5~10集中分布于以济南为中心及其周边聊城、德州、淄博等地，青岛、威海、烟台等东部沿海城市大气PM2.5~10质量浓度较低。2019—2020年，以济南为中心的周边城市大气PM2.5~10质量浓度均有明显的下降趋势。2020—2022年，除菏泽、枣庄、聊城等城市有小幅上升外，其他大部分城市的大气PM2.5~10质量浓度均呈下降趋势。
图3 2015—2022山东半岛大气PM2.5~10质量浓度空间分布特征

Fig. 3 Spatial distribution of PM2.5-10 concentration in Shandong Peninsula from 2015 to 2022

山东半岛地形多样，其西部和北部位于华北平原地带，地势较为平坦，中部有泰山、沂蒙山等山脉，地势较高，当强风将北方的沙尘带来，山地会阻挡污染物的扩散，导致德州、聊城、济南等地大气PM2.5~10质量浓度较高。内陆地区远离海洋，缺乏稀释作用，加上工业排放、交通排放等人为活动较为频繁，可能导致大气PM2.5~10质量浓度较高。而东部沿海地区靠近海洋，海洋气候带来的湿润空气和较高的降水量有助于加速空气中颗粒物的沉降和清除，且中部的山地阻挡了北方沙尘的运输，致使大气PM2.5~10质量浓度相对较低。

2.2 区域传输路径分析

基于HYSPLIT模型对济南市和青岛市2个受点2015—2022年逐日0—23时500 m高度的72 h后向气团轨迹进行模拟，并对不同季节的气团进行聚类分析。济南市共有68 757条轨迹，青岛市共有68 736条轨迹，受气象条件、地形、污染源差异的影响，导致后向轨迹数量的差异。从季节变化来看，济南市春季约39.13%的气团轨迹由西北方向的远距离传输路径供给，主要来自蒙古国和中国内蒙古西部的阿拉善盟等地；夏季约34.81%的近距离传输路径轨迹来自于中国黄海；秋季约61.19%的长距离气团轨迹来自于中国西北地区，约38.52%的近距离气团来源于中国黄、渤海及山东省某些城市；冬季约75.91%的长距离气团传输路径源于西北的蒙古国，约18.19%气团轨迹是近距离运输，主要来自中国山东省内城市。青岛市春季约32.07%的气团轨迹来自西北方向的长距离运输，约27.77%的近距离气团轨迹来源于中国黄海；夏季以近距离传输为主，约38.51%的近距离气团轨迹来自中国黄海，约32.79%的近距离气团轨迹来源于中国江西、安徽、江苏等地；秋季约49.36%的气团轨迹由西北方向的远距离传输路径供给，来源于蒙古国，一路经过中国内蒙古、河北、北京、天津等地，约28.96%的近距离气团轨迹来自于中国黄、渤海；冬季约76.01%的长距离气团轨迹来自中国西北地区。从年际变化来看，济南市西北方向的远距离传输路径贡献率由25.35%增长至40.34%，东南方向的近距离传输路径贡献率由40.80%降至26.02%。青岛市西北方向的远距离传输路径贡献率由约41.13%增加至约44.95%，东南方向的近距离传输路径贡献率由约27.86%降低至21.95%。
综上所述，山东半岛2个模拟受点的气团在各个季节的传输路径和来源地较为相似。2015—2022年山东半岛春季、秋季和冬季的气流轨迹主要受西北境外远距离传输的影响，而夏季则主要以近距离传输为主。随着时间的推移，西北远距离输送气团的占比逐渐增大，而东南海洋大气输送气团的占比逐渐减少。其中，远距离气团轨迹路径大部分来自中国西北方向的蒙古国、中国内蒙古等地区。近距离气团传输路径主要来自中国黄、渤海及山东省内城市，还有一部分来自南部的江苏、安徽等地区。东南方向的近距离气团来自海洋，较为清洁。

2.3 潜在源区及定量分析

山东半岛春季大气PM2.5~10质量浓度最高，因此本研究基于CWT模型分别对2015—2022年山东半岛2个模拟受点春季PM2.5~10污染进行潜在源区的时空动态变化分析（图4）。结果显示，潜在源区如内蒙古、河北、河南等地对山东半岛大气PM2.5~10输送的质量浓度由28.47 μg/m3降低至9.00 μg/m3。其中，2015年以济南为受点的潜在源区主要集中分布在蒙古国东部、中国内蒙古中部、河北南部、河南北部等地，2022年潜在源区主要分布在中国新疆东部、内蒙古西部、陕西中部等地。潜在源区如中国内蒙古、河北、河南等地对济南PM2.5~10质量浓度输送由2015年的28.16 μg/m3下降至2022年的8.44 μg/m3。2015年以青岛为受点的潜在源区主要分布在蒙古国北部、中国内蒙古中部、河北南部、河南北部等地，2022年潜在源区主要分布在中国内蒙古中部、河南北部等地。潜在源区对青岛PM2.5~10质量浓度的输送由2015年的28.78 μg/m3下降至2022年的9.56 μg/m3。从年际变化来看，山东半岛大气PM2.5~10污染的潜在源区覆盖面积逐渐缩小，核心潜在源区由西北向南移动。
图4 2015—2022春季山东半岛大气PM2.5~10污染潜在源区的时空变化

Fig. 4 Spatio-temporal variations of potential source areas of PM2.5-10 pollution in Shandong Peninsula during spring from 2015 to 2022

进一步量化分析2015—2022年中国内陆区域传输变化对山东半岛大气PM2.5~10污染的影响（表2），中国内陆地区对山东半岛大气PM2.5~10污染的贡献值由2015年的44.40 μg/m3下降至2022年的27.68 μg/m3。其中，河南省（开封市、濮阳市等）、河北省（邯郸市、衡水市等）对山东半岛大气PM2.5~10质量浓度的输送量明显减少，而湖南省（长沙市、湘潭市、张家界市等）、湖北省（天门市、鄂州市等）、安徽省（安庆市、池州市等）、陕西省（商洛市、西安市等）对山东半岛大气PM2.5~10的区域传输却有不同程度的增加。
表2 2015—2022年中国内陆主要潜在源区对山东半岛大气PM2.5~10质量浓度的贡献值/（μg/m3）

Table 2 Contribution of major potential source areas in inland China on PM2.5~10 pollution in Shandong Peninsula from 2015 to 2022/(μg/m3)

潜在源区 贡献值 潜在源区 贡献值
济南 开封市 -68.10 青岛 衡水市 -50.88
濮阳市 -55.12 濮阳市 -50.13
邯郸市 -55.00 邯郸市 -37.93
衡水市 -36.94 开封市 -27.62
西安市 22.52 池州市 13.40
池州市 24.02 鄂州市 15.04
张家界市 28.28 商洛市 17.54
湘潭市 39.89 安庆市 18.66
长沙市 48.04 天门市 26.03
大气颗粒物不仅受本地污染源的影响，同时在大气环流的影响下取决于外来源的贡献[11]。通过对山东半岛春季大气PM2.5~10潜在源区分析，其大气PM2.5~10污染主要来源于蒙古国的沙漠地区和中国山东半岛周边地区如河南、河北等地。山东半岛具有明显的季风气候特征，春季受到偏北风的影响。中国北方地区主要沙源地是蒙古国和中国内蒙古的大范围沙漠[31-32]，因此，中国北方地区的沙尘天气与蒙古气旋有关[33-34]。随着气候变化的加剧，沙尘暴频率和强度有了显著变化[35]，近10 a来蒙古国发生的沙尘暴次数比20世纪60年代增加了4倍[36]。近年来，全球变暖导致气候异常，极端天气增多，热浪的“恶性循环”加剧了土壤的干燥程度[37]，使中国内蒙古地区沙尘暴的频率和强度增加。当强风经过时，由阿拉善沙漠携带大量沙质源流向山东半岛[15]。大气PM2.5~10不仅受到自然源如土壤扬尘的影响，人为源如工业燃烧、交通运输等也是其重要来源[38-39]。河北南部、河南北部第二产业密集，污染物排放严重，工业源和交通源贡献较为突出[40]，湖南大气污染物以扬尘和煤烟型为主，主要分布在长株潭的重化工业区[41]。大气颗粒物污染在大气环流的作用下具有区域性和扩散性，因此对河北南部、河南北部、湖南中东部、湖北中南部城市以及山东省内城市实施大气污染联防联控措施尤为重要。

3 结论

1） 2015—2022年山东半岛大气PM2.5~10质量浓度时间变化特征明显，从年际变化来看，PM2.5~10质量浓度总体呈显著下降趋势，但PM2.5~10质量浓度占PM10质量浓度的比例有增加趋势。在季节尺度上，大气PM2.5~10质量浓度表现为春季>冬季>秋季>夏季。在月尺度上，3—4月质量浓度更高。在日尺度上， PM2.5~10质量浓度峰值出现在上午9时左右。山东半岛大气PM2.5~10质量浓度在季节、月和小时尺度上具有聚集特征。
2） 山东半岛大气PM2.5~10质量浓度空间分布差异明显，总体表现为西部内陆高于东部沿海，并呈由内陆向沿海递减的空间变化趋势，德州、济南、聊城等污染程度更高。
3） 2015—2022年山东半岛远距离气团传输路径主要来自西北的蒙古国、中国内蒙古等地，近距离运输路径主要来自东南的中国黄、渤海及南部的江苏、安徽等地。春季、秋季和冬季的气流轨迹主要受西北远距离传输的影响，而夏季则主要以近距离传输为主。随着时间的推移，西北远距离输送气团的占比逐渐增大，而东南海洋大气输送气团的占比逐渐减少。
4） 山东半岛大气PM2.5~10污染潜在源区主要集中分布在蒙古国和中国内蒙古、河北、河南等地。从年际变化来看，山东半岛大气PM2.5~10污染的潜在源区覆盖面积逐渐缩小，核心潜在源区由西北向南移动。潜在源区如中国内蒙古、河北、河南等地对山东半岛大气PM2.5~10输送的质量浓度大约由2015年的28.47 μg/m3降低至2022年的9.00 μg/m3，国内开封、衡水、濮阳等地输送的质量浓度降低较多，而长沙、湘潭、天门等地对山东半岛大气PM2.5~10的区域传输却有不同程度的增加，表明湖南中东部与湖北中南部城市需要加强本地PM2.5~10的管控，积极进行联防联控，防止山东半岛大气PM2.5~10污染进一步加剧。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Shao Y P, Wyrwoll K H, Chappell A et al. Dust cycle: An emerging core theme in earth system science. Aeolian Research, 2011, 2(4):181-204.

DOI

[2]
Brunekreef B, Forsberg B. Epidemiological evidence of effects of coarse airborne particles on health. European Respiratory Journal, 2005, 26(2):309-318.

DOI

[3]
Adar S D, Filigrana P A, Clements N et al. Ambient coarse particulate matter and human health: A systematic review and meta-analysis. Current Environmental Health Reports, 2014, 1(3):258-274.

DOI

[4]
Keet C A, Keller J P, Peng R D. Long-term coarse particulate matter exposure is associated with asthma among children in Medicaid. American Journal of Respiratory and Critical Care Medicine, 2018, 197(6):737-746.

DOI

[5]
Wong Y K, Liu K M, Yeung C et al. Measurement report: Characterization and source apportionment of coarse particulate matter in Hong Kong: Insights into the constituents of unidentified mass and source origins in a coastal city in southern China. Atmospheric Chemistry and Physics, 2022, 22(7):5017-5031.

DOI

[6]
Hand J L, Gill T E, Schichtel B A. Urban and rural coarse aerosol mass across the United States: Spatial and seasonal variability and long-term trends. Atmospheric Environment, 2019, 218:117025

DOI

[7]
Liu C, Cai J, Chen R et al. Coarse particulate air pollution and daily mortality: A global study in 205 cities. American Journal of Respiratory and Critical Care Medicine, 2022, 206(8):999-1007.

DOI

[8]
Lei J, Yang T, Huang S J. Hourly concentrations of fine and coarse particulate matter and dynamic pulmonary function measurements among 4992 adult asthmatic patients in 25 Chinese cities. Environment International, 2022, 158:106942

DOI

[9]
Daellenbach K R, Uzu G, Jiang J et al. Sources of particulate-matter air pollution and its oxidative potential in Europe. Nature, 2020, 587:414-419.

DOI

[10]
Masri S, Kang C M, Koutrakis P. Composition and sources of fine and coarse particles collected during 2002—2010 in Boston, MA. Journal of the Air & Waste Management Association, 2015, 65(3):287-297.

[11]
Wan S, Cui K, Wang Y F et al. Impact of the COVID-19 event on trip intensity and air quality in southern China. Aerosol and Air Quality Research, 2020, 20(8):1727-1747.

DOI

[12]
唐兆康, 吴峡生, 高嵩, 等. 南京冬季一次重霾污染事件PM2.5区域传输收支分析[J]. 环境科学学报, 2018, 38(12):4605-4611.

Tang Zhaokang, Wu Xiasheng, Gao Song et al. Analysis on PM2.5 regional transport and budget of a winter heavy haze pollution event in Nanjing. Acta Scientiae Circumstantiae, 2018, 38(12):4605-4611.

[13]
潘勇, 郑捷, 肖航. 长三角地区典型PM2.5污染过程和跨区域传输对宁波污染贡献评估模拟[J]. 环境科学, 2023, 44(2):634-645.

Pan Yong, Zheng Jie, Xiao Hang. Simulation evaluation of the contribution of typical PM2.5 pollution and transregional transport to Ningbo pollution in the Yangtze River Delta. Environmental Science, 2023, 44(2):634-645.

[14]
李静文, 方凤满, 马康, 等. 中国东部地区粗颗粒物长期暴露特征及人群健康负担评估[J]. 环境科学学报, 2024, 44(5):339-350.

Li Jingwen, Fang Fengman, Ma Kang et al. Characteristics of long-term exposure to coarse particulate matter and assessment of population health burden in eastern China. Acta Scientiae Circumstantiae, 2024, 44(5):339-350.

[15]
李乐, 刘旻霞, 肖仕锐, 等. 山东半岛近地面O3浓度时空变化及潜在源区解析[J]. 环境科学, 2022, 43(3):1256-1267.

Li Le, Liu Minxia, Xiao Shirui et al. Temporal and spatial variation in O3 concentration near the surface of Shandong Peninsula and analysis of potential source areas. Environmental Science, 2022, 43(3):1256-1267.

[16]
周睿智, 闫才青, 崔敏, 等. 山东省大气细颗粒物来源解析的研究现状与展望[J]. 中国环境科学, 2021, 41(7):3029-3042.

DOI

Zhou Ruizhi, Yan Caiqing, Cui Min et al. Research status and prospects on source apportionment of atmospheric fine particulate matter in Shandong Province. China Environmental Science, 2021, 41(7):3029-3042.

DOI

[17]
王富喜. 山东半岛城市群人口-土地城镇化质量测度与协调发展研究[J]. 地理科学, 2020, 40(8):1345-1354.

Wang Fuxi. Study on the quality measurement and coordinated development of population-land urbanization in Shandong Peninsula Urban Agglomeration. Scientia Geographica Sinica, 2020, 40(8):1345-1354.

[18]
杜杨. 制造业居首位“自主创新”增长快[N]. 经济导报, 2024-01-12(005

Du Yang. Manufacturing tops the list with fast growth in “independent innovation”. Economic Herald, 2024-01-12(005).

[19]
Draxler R R, Hess G D. An overview of the hysplit-4 modeling system for trajectories, dispersion, and deposition. Australian Meteorological Magazine, 1998, 47(4):295-308.

[20]
Hsu Y K, Holsen T M, Hopke P K. Comparison of hybrid receptor models to locate PCB sources in Chicago. Atmospheric Environment, 2003, 37(4):545-562.

[21]
山东省生态环境厅. 山东发布2023年生态环境状况公报[R/OL]. http://sthj.shandong.gov.cn/dtxx/hbyw/202406/t20240606_4734901.htmlW, 2024

Shandong Provincial Department of Ecology and Environment. Shandong releases bulletin on ecological and environmental conditions in 2023. http://sthj.shandong.gov.cn/dtxx/hbyw/202406/t20240606_4734901.htmlW, 2024.

[22]
蒋星星, 陈庆彩, 熊梦琪, 等. 疫情管控对关中城市群大气污染特征及颗粒物化学组成的影响[J]. 环境化学, 2023, 42(8):2640-2650.

DOI

Jiang Xingxing, Chen Qingcai, Xiong Mengqi et al. Influence of epidemic control on air pollution characteristics and chemical composition of particulate matter in Guanzhong urban agglomeration. Environmental Chemistry, 2023, 42(8):2640-2650.

DOI

[23]
冯海英. 疫情防控措施对乌鲁木齐市大气颗粒物浓度及分布影响分析[J]. 环境污染与防治, 2021, 43(5):606-610.

Feng Haiying. Impact of epidemic prevention and control measures on atmospheric particulate concentration and distribution in Urumqi. Environmental Pollution and Control, 2021, 43(5):606-610.

[24]
刘志丽, 马建文, 李启青, 等. 沙尘暴过程地面测量与卫星同步观测实验及数据分析——以2002年沙尘暴事件为例[J]. 地理科学, 2003, 23(5):571-578.

DOI

Liu Zhili, Ma Jianwen, Li Qiqing et al. In situ measurement and satellite observation experiment and data analysis in the course of dust storm. Scientia Geographica Sinica, 2003, 23(5):571-578.

DOI

[25]
Li X Y, Song H Q, Zhai S Y et al. Particulate matter pollution in Chinese cities: Areal-temporal variations and their relationships with meteorological conditions (2015—2017). Environmental Sciences, 2019, 246:11-18.

[26]
Feng X Y and Wang S G. Influence of different weather events on concentrations of particulate matter with different sizes in Lanzhou, China. Journal of Environmental Sciences, 2012, 24(4):665-674.

DOI

[27]
Louie P K K, Watson J G, Chow J C et al. Seasonal characteristics and regional transport of PM2.5 in Hong Kong. Atmospheric Environment, 2004, 39(9):1695-1710.

[28]
Yu J Z, Tung J W T, Wu A W M et al. Abundance and seasonal characteristics of elemental and organic carbon in Hong Kong PM10. Atmospheric Environment, 2004, 38(10):1511-1521.

DOI

[29]
韩燕, 徐虹, 毕晓辉, 等. 降水对颗粒物的冲刷作用及其对雨水化学的影响[J]. 中国环境科学, 2013, 33(2):193-200.

DOI

Han Yan, Xu Hong, Bi Xiaohui et al. Changes of particulate matters during rain process and influence of that on chemical composition of precipitation in Hangzhou, China. China Environmental Science, 2013, 33(2):193-200.

DOI

[30]
吴俊林, 齐实, 申云康, 等. 2种城市林带PM1质量浓度变化及其与气象因子的关系[J]. 水土保持学报, 2015, 29(4):104-109.

Wu Junlin, Qi Shi, Shen Yunkang et al. PM1 mass concentration of urban conifer and broadleaf forest and their correlation with meteorological factors. Journal of Soil and Water Conservation, 2015, 29(4):104-109.

[31]
Zhang X Y, Arimoto R, An Z S. Glacial and interglacial patterns for Asian dust transport. Quaternary Science Reviews, 1999, 18(6):811-819.

DOI

[32]
Kang D J and Wang H J. Analysis on the decadal scale variation of the dust storm in North China. Science in China Series D: Earth Sciences, 2005, 48(12):2260-2666.

DOI

[33]
Huang X X, Wang T J, Jiang F et al. Studies on a severe dust storm in east Asia and its impact on the air quality of Nanjing, China. Aerosol and Air Quality Research, 2013, 13(1):179-193.

DOI

[34]
Meng L, Yang X, Zhao T et al. Modeling study on three-dimensional distribution of dust aerosols during a dust storm over the Tarim Basin, Northwest China. Atmospheric Research, 2019, 218:285-295.

DOI

[35]
林禹彤. 未来的沙尘暴, 减弱还是更强[J]. 生命与灾害, 2024(4):28-29.

Lin Yutong. Future sandstorms: Weaker or stronger. Life & Disaster, 2024(4):28-29.

[36]
赵宗慈, 罗勇, 黄建斌. 全球变暖与沙尘暴[J]. 气候变化研究进展, 2023, 19(5):667-671.

Zhao Zongci, Luo Yong, Huang Jianbin. Global warming and sand-dust storms. Climate Change Research, 2023, 19(5):667-671.

[37]
Zhang P, Jeong J H, Yoon J H et al. Abrupt shift to hotter and drier climate over inner East Asia beyond the tipping point. Science, 2020, 370(6520):1095-1099.

DOI

[38]
Lagudu U R K, Raja S, Hopke P K et al. Heterogeneity of coarse particles in an urban area. West Environmental Science & Technology, 2011, 45(8):3288-3296.

[39]
Kumar P, Hopke P K, Raja S et al. Characterization and heterogeneity of coarse particles across an urban area. Atmospheric Environment, 2012, 46:449-459.

DOI

[40]
黄小刚, 赵景波, 曹军骥, 等. 中国城市O3浓度时空变化特征及驱动因素[J]. 环境科学, 2019, 40(3):1120-1131.

Huang Xiaogang, Zhao Jingbo, Cao Junji et al. Spatial-temporal variation of ozone concentration and its driving factors in China. Environmental Science, 2019, 40(3):1120-1131.

[41]
何甜, 帅红, 朱翔. 长株潭城市群污染空间识别与污染分布研究[J]. 地理科学, 2016, 36(7):1081-1090.

He Tian, Shuai Hong, Zhu Xiang. Pollution space recognition and pollution distribution of Changsha-Zhuzhou-Xiangtan Urban Agglomeration. Scientia Geographica Sinica, 2016, 36(7):1081-1090.

Options
文章导航

/

〈 〉