波动中的空气质量：印度令人费解的ENSO转变

《Atmospheric Pollution Research》：Air Quality in Flux: The Baffling ENSO Transition in India

　　

• •
  拉尼娜年印度北部PM_2.5出现异常下降，降幅高达40%
• •
  拉尼娜年印度半岛PM_2.5出现异常上升，升幅高达70%
• •
  厄尔尼诺年印度PM_2.5呈现相反趋势
• •
  变率归因于ENSO导致的大尺度环流变化
• •
  ENSO期间异常的环流模式疑与气候变化有关

引言

空气质量是全球性的重大环境问题，对人类健康和气候动态有重要影响（Health Effects Institute, 2024; He等, 2025; He等, 2024; Guo等, 2023; Hong等, 2019）。空气污染水平已被证明表现出相当大的时空变率，这由气象、人为和区域因素的复杂相互作用所驱动（Yousefian等, 2020）。印度被列为全球污染最严重的国家之一（Hussain等, 2024）。颗粒物PM_2.5是印度主要大都市地区的一大隐患，因为它是全年大部分时间中最突出的污染物。印度于2019年启动了"国家清洁空气计划"（NCAP），旨在缓解主要城市的空气污染问题，这些城市的污染水平正以令人担忧的速度上升。导致空气质量恶化的主要来源是这些污染物的人为排放源，包括化石燃料、生物燃料、工业、电力以及再悬浮扬尘的排放（Beig等, 2021a）。除上述污染源外，当地天气和地理位置及其不同的气候特征在重新分配这些污染物浓度方面发挥着重要作用。印度次大陆拥有多样的地形和气候带，经历着广泛的空气质量动态变化，这些变化对本地和全球气候系统都很敏感（Ayyamperumal等, 2024; Miinalainen等, 2023）。

半岛地区的城市由于其气候特征，污染程度较低，因为当地风速相对较快，有助于污染物快速扩散。海洋对这一地区有强烈的影响，也有助于该地区的快速扩散。相比之下，印度北部的城市受喜马拉雅山脉影响显著。冬季由于气温较低，该地区经常遭受静稳条件的影响，将污染物困住。较低的气温还将逆温层向下压低，有助于污染物的累积。一般来说，空气污染物浓度的分布主要受人为排放和当地气象条件控制，除了一些突发性事件外。污染物的传输，主要局限于天气尺度，也起着重要作用。然而，近年来有报道称，大尺度气象模式正在影响着空气污染物的分布（Guo等, 2020; Guo等, 2023; Guo等, 2023b; Guo等, 2024; He等, 2022; Qiao等, 2025）。Beig等（2021b）报告称，季风的延迟撤退和相关的反气旋环流在冬季初期恶化空气质量方面发挥了关键作用（Huang等, 2023; Li等, 2016）。在显著影响大气环流模式的大尺度现象中——从而影响降水、温度和污染物扩散——厄尔尼诺和拉尼娜事件是关键现象之一（He等, 2019; Zeng等, 2021）。厄尔尼诺的特征是太平洋中东部海表温度升高，而拉尼娜是赤道太平洋表层水温比正常情况更低的现象。这种大尺度气候现象进一步扰乱并改变了典型的大气环流模式（Liu等, 2017; Christensen等, 2013）。厄尔尼诺往往削弱印度季风，而拉尼娜则增强季风（Samanta等, 2020）。由气候变化驱动的较温暖的海温正在加剧厄尔尼诺事件，导致其发生更加频繁和剧烈。同样，拉尼娜事件也受气候变化影响，影响其频率和严重程度（Geng等, 2023）。ENSO有可能改变区域气候，进而影响低中纬度地区的空气质量（Fu等, 2023; Wang等, 2022）。其变率也为区域天气系统引入了显著复杂性，因为由此产生的降水和干旱模式往往表现出高度的时空变率。ENSO事件已知会导致天气模式和大气一般环流的显著异常，由此也对区域内的气溶胶浓度产生影响（Palacios等, 2024）。

印度在2022-2024年连续两个冬季经历了异常的PM_2.5分布模式，两个不同气候区域呈现出截然不同的格局。这种模式在不同年份之间发生了戏剧性的转变，而在人为排放方面没有任何显著变化。本文旨在理解导致这种异常变率的科学过程并提供合理的解释。为此，除了使用2022-2024年期间的PM_2.5数据外，我们还分析了过去二十年的历史风廓线，并分别研究了2022-23年和2023-24年的风异常。鉴于这些不同的气候事件，本研究旨在探索这些大尺度环流现象及其独特的海洋大气动力学——其表现与以往事件不同——如何影响印度各地区的空气质量。本研究将有助于更深入地理解全球气候现象在塑造区域空气质量模式中的作用，为印度的空气质量管理与公共卫生风险评估提供有价值的见解。

分节摘要

数据与方法

本研究使用了印度北部和西南主要城市（见表1）密集的地面气象观测数据进行分析，包括风向、风速和PM_2.5。将城市划分为印度北部和印度半岛的标准采用自国家教育研究培训中心（NCERT）（印度：物理环境，第二章）所描述的地理解构框架以及Bhattacharya等（2023）的研究。PM_2.5数据的整理工作完成于

结果

图1展示了印度北部和半岛地区（以印度中部构造带为界分开）各城市冬季（11月至次年1月）PM_2.5的变化百分比。图1(a)显示了2022-23年相对于过去几年平均值参考值（2019-22年）的PM_2.5变化。可以清楚地看出，所有位于印度北部（左图）的主要城市在2022-23年均呈下降趋势。最大降幅约为30%。位于

讨论与解释

如前一节所述，如此显著的变率不能归因于排放量的变化，因为在此期间没有任何已知的新排放源事件发生。因此，我们假定这两个连续年份的排放量变化不显著。本节详细描述了通过定量大气诊断和统计分析来理解ENSO转换期间这种异常变率的潜在动力学机制。最初我们

结论

本文证实了2022-2024年间印度两个气候区域——北部印度和半岛印度（以印度中部构造线为界）——PM_2.5水平呈现显著的对比模式，且两个区域从一年到另一年的表现发生进一步逆转。研究表明，尽管两个连续年份的城市排放相对稳定，冬季PM_2.5浓度相对于参考水平

CRediT作者贡献声明

Ramesh Kripalani：写作——审阅与编辑、验证、指导。Rekha Yadav：写作——初稿撰写、可视化、软件、方法论、调查、形式化分析、数据整理。Gufran Beig：写作——审阅与编辑、验证、指导、资源、项目管理、方法论、调查、获取研究经费、概念化

未引用参考文献

National Council of Educational Research and Training, 2022; Kumar等, 2023; Mangaraj等, 2024; Palácios等, 2024; Sahu等, 2023; Sahu等, 2024; 世界气象组织, 二月。

利益冲突声明

? 作者声明，他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能被视为影响了本文所报告的工作。

致谢

作者感谢中央和邦污染控制委员会、SAFAR、印度气象局、地球科学部提供的地面观测数据，感谢NOAA ARL提供HYSPLIT传输与扩散模型。我们也感谢READY（http://www.ready.noaa.gov）、EDGAR排放数据库以及来自ECMWF的ERA5再分析数据集（用于全球气候和天气）。感谢NIAS主任Dr. Shailesh Nayak对本研究的支持。感谢

Rekha Yadav|Gufran Beig|Ramesh Kripalani