2. 浙江省环境保护科学设计研究院, 杭州 310007;
3. 浙江省气象安全技术中心, 杭州 310008
2. Environmental Science Research and Design Institute of Zhejiang Province, Hangzhou 310007, China;
3. Zhejiang Meteorological Safety Technology Center, Hangzhou 310008, China
近年来, 随着我国社会经济的高速发展, 能源消耗与日俱增, 大气污染问题日益严峻[1, 2].其中, 细颗粒物(PM2.5)污染一直是备受社会各界关注的焦点.大气中的PM2.5不仅降低城市能见度, 并且危害公众健康, 甚至影响气候变化[3, 4].随着对雾-霾成因的深入研究, 以PM2.5为重点的大气复合型污染愈发突出. 2016年中国环境状况公报指出, 三大重点区域除珠三角外, PM2.5为首要污染物的天数均占全年空气质量超标天数的首位, 京津冀和长三角分别为63.1%和55.3%.因此, PM2.5污染防治仍是改善环境空气质量, 解决区域环境问题的首要任务[5~8].
目前, 不同的研究基于不同的减排对象设计减排方案, 从多种角度探讨减排对PM2.5浓度的影响[9~17].一些研究针对“十一五”和“十二五”期间SO2、NOx排放单独控制和联合控制开展数值模拟试验, 定量评估SO2和NOx减排对PM2.5、硫酸盐、硝酸盐浓度的削减效果[4, 6, 9, 10].其中SO2和NOx联合减排的模拟结果显示, 东部大部分地区PM2.5年均浓度下降3.2%~13%[10]. Dong等[11]应用CMAQ模式针对长三角地区探讨交通、工业NOx和VOCs以及电厂NOx减排对硝酸盐浓度的影响, 研究指出, NOx减少导致硝酸盐浓度冬季增加, 其余季节降低. Wang等[12]采用WRF-Chem模式对SO2、NOx、NH3以及VOCs减排的敏感性试验结果表明, 同时减少30%的排放, 使得2013年1月我国东部和南部大部分地区PM2.5浓度下降2%~17%.孟宁等[13]采用相同的模式针对关中地区冬季4种不利于污染物扩散的天气形势下, 探讨人为源减排对PM2.5浓度的影响, 结果显示, 人为源需削减30%~60%才能使关中地区PM2.5浓度达到国家环境空气质量二级标准.吴文景等[14]应用CMAQ模式分析了京津冀地区主要排放源减排30%对区域PM2.5污染的改善效果, 结果表明, 工业源对PM2.5污染的贡献最大, 其次是民用源, 但工业源单位减排量贡献低于民用源, 交通源和电厂源的整体贡献和单位减排量贡献均较小.此外, 相关研究还指出, 京津冀乃至整个东部地区冬季减排使得大气氧化性增强, 有利于二次PM2.5的形成, 导致减排效果较差[10, 11, 15, 16].因此, 定量评估减排对PM2.5浓度的削减效果, 并进一步分析主要组分以及大气氧化性的变化, 有助于深入理解区域复合型大气污染的形成机制, 对未来空气污染防治政策的制定有重要参考价值.此外, 由于PM2.5浓度与前体物排放之间存在明显的非线性关系, 单位减排量带来PM2.5浓度的变化与排放的物种组成、空间分布以及减排力度密切相关[14], 需要针对不同的减排对象分别开展研究.然而目前, 对以PM2.5污染为代表的区域大气复合污染问题最为突出的长三角地区研究仍然较少, 迫切需要加强对该地区的排放控制影响研究.
随着长三角地区社会经济的迅猛发展, 集聚的产业链和密集的交通网络已经给该地区带来了巨大的环境压力[18].因此, 本研究利用中尺度天气-化学预报模式(weather research forecast-chemistry, WRF-Chem)开展长三角地区重点源(八大重点行业和交通)减排对PM2.5浓度的影响研究, 量化重点源减排对各季节及年均PM2.5浓度的削减效果, 分析PM2.5中重要组分二次无机盐浓度变化, 并进一步探讨重点源减排对大气氧化性的影响, 以期为长三角地区大气污染联防联控策略的制定提供科学依据.
1 材料与方法 1.1 模式简介本研究使用大气化学模式WRF-Chem[19], 其中化学模块包含了比较完善的物理化学过程, 如平流传输、扩散和对流过程、干湿沉降、气相化学反应、光化学过程、液态化学、气溶胶演变, 并且通过气溶胶的辐射反馈等反馈过程与天气模式WRF在时间与空间上紧密耦合, 从而更大程度上反映大气的真实状况, 已广泛应用于中国地区大气污染数值模拟的相关研究中, 如重污染过程模拟分析、参数化方案、人为源清单敏感性分析、以及减排效果评估等方面[12, 13, 20~23].
WRF-Chem v3.6版本应用于本研究中, 垂直方向从近地面至顶层气压50 hPa处共分为36层.模式采用双层嵌套网格[图 1(a)], 中心点经纬度为118°E, 32°N, 外层区域覆盖中国中东部大部分地区, 水平分辨率为27 km×27 km, 内层区域覆盖三省一市(上海、江苏、浙江、安徽)及其周边地区, 水平分辨率为9 km×9 km.气象场初始与侧边界条件使用1°×1°全球再分析资料NCEP-FNL(National Centers for Environmental Prediction-Final Analysis).化学场侧边界条件采用模式自带的理想廓线.边界层参数化方案采用YSU(Yonsei University), 积云对流参数化方案采用Grell-3, 辐射参数化方案采用RRTMG(Rapid Radiative Transfer Model for GCM), 微物理过程参数化方案采用Morrison double-moment.气相与液相化学反应机制采用CBM-Z(Carbon-Bond Mechanism version Z)方案, 气溶胶机制采用4档MOSAIC(Model for Simulating Aerosol Interactions and Chemistry), 光解作用采用Fast-J方案.生物排放由MEGAN(Model of Emissions of Gases and Aerosols from Nature)计算.
本次模拟除了基准情景试验以外, 为降低对削减效果评估的不确定性, 设计两组减排试验, 分别为重点源一般减排以及强化减排情景试验.以PM2.5污染最严重的2013年作为模拟年, 分别选取1、4、7、10月作为冬、春、夏、秋四季的代表月份进行模拟, 每月提前6 d运行, 作为模式初始化阶段. 4个月的污染物浓度平均值作为年均值. 3组试验除重点源排放数据不同, 其余排放源数据及模式设置均相同.
上海、南京、杭州、合肥在2013年1、4、7、10月的PM2.5和O3近地面浓度逐小时数据由浙江省环境保护科学设计研究院提供, 监测站点数分别为10、9、10、10个, 用于检验基准情景下PM2.5和O3模拟值. 4个大气气溶胶粒子(硫酸盐、硝酸盐、铵盐)采样点数据用于检验基准情景下PM2.5中硫酸盐、硝酸盐和铵盐模拟值.采样点分别位于杭州(30.23°N, 120.17°E)、临安(30.3°N, 119.73°E)、苏州(31.22°N, 120.38°E)、南京(32.21°N, 118.72°E), 采样时间为2013年1月18~24日, 4月9~15日, 7月8~14日, 其中苏州1月为22~31日, 南京4月为10~19日[24, 25].此外, 为获取各行政区模拟浓度值, 采用监测站点所在网格平均方法对模拟结果进行空间统计[15, 17].目前, 长三角地区国控站点共有192个, 上海、江苏、浙江、安徽各有10、71、45、66个.站点位置如图 1(b)所示.
1.3 大气污染物排放清单简介长三角地区大气污染物人为源排放清单由上海环境科学研究院提供, 包含江苏、浙江、安徽、上海三省一市工业、机动车、船舶以及无组织面源数据, 水平分辨率为4 km×4 km, 污染源排放年为2014年, 污染物物种包括SO2、NOx、CO、VOCs、PM10、PM2.5、NH3.中东部其他地区则采用HTAP_v 2.2排放清单[26], 水平分辨率为0.1°(纬度)×0.1°(经度), 更新至2010年, 污染物物种除包括上述7种外还包括OC和BC.
图 2为SO2、NOx、PM2.5、NMVOC和NH3这5种污染物2014年排放量的空间分布.其中, SO2、NOx、PM2.5和NMVOC的空间分布基本一致, 高排放区主要集中在经济发达的城市群一带, 包括安徽合肥、芜湖、马鞍山, 江苏南京、无锡、常州、苏州, 浙江杭州、嘉兴、湖州以及上海等城市[图 2(a)~2(d)]. NH3主要来自农业部门的化肥施用和畜禽养殖, 高排放区主要分布在安徽北部、江苏沿海地区以及浙江嘉兴等地区[图 2(e)].长三角地区2014年SO2、NOx、PM2.5、NMVOC和NH3平均排放强度分别为6.8、8.7、1.9、8.1和4.2 t·km-2.除NH3外, 上海地区SO2、NOx、PM2.5、NMVOC的排放强度是长三角地区平均排放强度的2~3倍, 分别为14.2、26.3、4.4和31.0 t·km-2.
重点源减排情景由浙江省环境保护科学设计研究院提供, 包括八大类重点行业和交通源.其中八大类重点行业分别为工业锅炉、电力、钢铁、水泥、化工、石化、印染和喷涂, 交通源包括机动车和船舶.重点行业方面考虑长三角地区产业结构调整和能源结构调整, 主要包括燃煤小锅炉淘汰改造, “煤改电”和“煤改气”工程建设, 增加集中供热建设, 燃煤电厂超低排放改造, 钢铁、水泥行业脱硫脱硝、除尘改造工程建设, 化工、石化、印染、喷涂行业VOCs污染治理, 以及改造提升各行业废气清洁排放技术, 使得大气污染物排放分别达到各行业国家或地方标准制定的强制排放限值和特别排放限值.交通源方面主要考虑交通结构调整、提升燃油品质以及提高机动车船排放标准, 主要包括淘汰黄标车、老旧车, 增加清洁能源汽车, 提升汽(柴)油机动车至国Ⅴ、Ⅵ标准, 提高船舶发动机排气污染物排放至第一、二阶段限值, 使用低硫油和岸电, 从而计算得到三省一市及整个长三角地区八大重点行业和交通一般减排量和强化减排量.由于本研究重点源中没有NH3排放, 因此未对NH3进行减排控制. 2014年长三角地区SO2、NOx、PM2.5和NMVOC排放总量分别为3113.3、3997.3、880.5和3716.3kt, 其中八大重点行业和交通源排放分别占91.2%、91.3%、63.9%和53.3%, 可见重点源排放是大气污染物排放的主要来源.
图 3给出了基准情景及两组减排情景下各行业SO2、NOx、PM2.5和NMVOC排放量.长三角地区平均来看, SO2排放主要来自工业锅炉、电厂和水泥行业, 排放分担率分别为32.8%、22.7%和20.1%, 而上海地区交通源(主要是船舶)是SO2排放的第一贡献源(36.5%); NOx排放主要来自电厂和交通, 排放分担率均约为30%, 而安徽省的水泥行业NOx排放量和电厂排放量比例相当(33.3%和34.1%); 一次PM2.5主要来源于水泥、电厂和其他无组织排放源, 排放分担率均在20%左右; NMVOC的主要排放源则是八大重点行业以外的其他工艺过程, 如砖瓦建材、有色金属冶炼等, 占NMVOC总排放的36.9%.由于本文未考虑对重点源以外无组织排放源和其他工艺过程的排放控制, 因此一次PM2.5和NMVOC减排力度有限.总体来看, 一般减排情景下, SO2、NOx、PM2.5和NMVOC排放分别削减36.3%、26.3%、32.0%和14.6%, 强化减排情景下, 分别削减51.4%、39.6%、37.6%和28.4%(削减比例为占基准情景中排放总量百分比).
首先, 对WRF-Chem模式模拟的PM2.5和O3浓度进行检验评估. 图 4对比了1、4、7、10月基准试验模拟与观测的PM2.5日均浓度和O3每日12:00~18:00的平均浓度, 表 1给出了详细的统计值, 包括观测平均值(OBS)、模拟平均值(SIM)、平均偏差(MB)、均一化平均偏差(NMB)、均一化平均误差(NME)、平均分数偏差(MFB)、平均分数误差(MFE)以及相关系数(CC)[9, 27].从图 4可以看出, WRF-Chem模式较好地重现了各城市PM2.5和O3浓度四季变化和逐日变化特征, 并且模式能够模拟出大部分观测峰值, PM2.5和O3浓度时间相关系数分别在0.70~0.83和0.34~0.86范围.各城市PM2.5浓度MFB和MFE分别在-32.0%~-0.2%和30.5%~41.0%范围, O3浓度MFB和MFE分别在-40.5%~19.3%和32.2%~43.6%范围.根据模式模拟性能的中等水平(MFB≤±60%和MFE≤±75%)和高水平(MFB≤±30%和MFE≤±50%)的标准[28], 本次模拟性能达到了中上等水平.由此可见, WRF-Chem模式对2013年1、4、7、10月PM2.5和O3浓度模拟较好, 可作为大气污染物减排效果的评估工具.
进一步对比模拟和观测的硫酸盐、硝酸盐和铵盐浓度发现(图 5), 模式较好地反映出二次无机盐的季节变化特征, 相比于硫酸盐和硝酸盐, 铵盐的模拟更加接近观测. 4个采样点1月硫酸盐模拟明显偏低, 一方面由于SO2对局地源排放更加敏感, 排放清单对SO2空间分布的描述存在很大不确定性[9], 另一方面由于模式化学机制的不完善造成SO2过剩, 从而低估了硫酸盐浓度[23, 29].硫酸盐的低估一定程度上影响到硝酸盐浓度模拟值.因此WRF-Chem模式对硫酸盐的模拟仍有待改进.
图 6给出了基准情景下PM2.5浓度模拟值以及两组减排情景下PM2.5浓度变化值的空间分布, 图 7为相应地浓度变化率的空间分布.基准试验模拟结果显示, 长三角地区PM2.5浓度高值区位于城市群一带, 与一次排放PM2.5、SO2、NOx以及NMVOC的高排放区基本吻合(图 2).两组减排情景下, 长三角大部分地区PM2.5各季节及年均浓度成降低趋势, 冬季高浓度对年均浓度影响较大, 浓度下降大值区主要集中在江苏南部以及北部的徐州市、安徽中南部以及北部的淮南市、淮北市, 相应的浓度下降率也呈现出相似的空间分布特征.随着减排力度的增加, PM2.5浓度下降值以及下降大值区范围(下降率以及降幅大值区范围)随之增大, 强化减排情景下, 夏季江苏中南部、上海、浙江嘉兴、杭州、宁波以及金衢盆地部分地区PM2.5降幅超过20%.
为了更直观地体现各国控点PM2.5浓度的削减效果, 图 8给出了长三角地区国控点PM2.5浓度值及两组减排情景下各季节及年均变化值及变化率的散点分布.一般与强化减排情景下, PM2.5年均浓度分别下降1.4~26.7 μg·m-3和2.1~32.3 μg·m-3, 年均降幅分别为2.7%~23.1%和3.9%~27.5%. PM2.5浓度越高, 重点源减排导致的PM2.5浓度下降值越大, 而下降率反之.随着减排力度的增大, PM2.5浓度削减效果的差异程度随之增大, 两组减排情景下, PM2.5浓度最大下降值分别为41.1 μg·m-3和50.6 μg·m-3, 出现在1月, PM2.5浓度最大降幅分别为27.4%和32.8%, 出现在7月.
表 2统计了两组减排情景下三省一市及长三角地区平均PM2.5各季节及年均浓度变化值及变化率.区域平均结果显示, 一般与强化两组减排情景下, 三省一市PM2.5年均浓度分别下降3.8~7.4 μg·m-3、5.0~8.9 μg·m-3, 降幅分别为9.0%~11.2%、11.8~13.9%.长三角地区PM2.5年均浓度分别降低6.0 μg·m-3和7.5 μg·m-3, 降幅分别为10.1%和12.6%.各情景下三省一市及长三角地区平均PM2.5浓度四季削减效果均体现为冬季浓度值降低最大而降幅最小, 夏季浓度值下降最小而降幅最大(除了强化减排情景下上海10月PM2.5浓度降幅在四季中最小), 春、秋季PM2.5浓度变化(变幅)基本一致.总体来看, 长三角地区重点源减排在夏季最有效, 而冬季效果最差.增大减排力度后, PM2.5浓度降幅的季节差异更明显, 主要体现在夏季降幅增加值是其余季节的2倍左右.强化减排可使得上海、江苏、浙江、安徽夏季PM2.5浓度分别下降22.1%、19.8%、17.1%和14.1%, 其中, 上海和江苏夏季只减排重点源即可基本达到20%的削减目标.因此, 上海和江苏春、秋、冬季以及浙江和安徽四季需要重点源以外的其他源配合削减, 才能达到PM2.5浓度显著下降的效果.
2.3 重点源减排对无机盐组分的影响
作为二次无机盐气溶胶和臭氧的前体物, SO2、NOx、NMVOC的减排对二次无机盐的生成有重要影响. 表 3统计了基准情景下长三角平均各月份及年均二次无机盐浓度值以及在两组减排情景下的浓度变化值与变化率.从中可知, 硝酸盐和铵盐浓度有明显的季节变化, 体现为冬季最高, 夏季最低, 而硫酸盐浓度季节差异不明显. 3种无机盐总量在冬、春、夏、秋季分别占PM2.5浓度的33.9%, 45.0%, 34.5%和42.9%.其中, 硝酸盐浓度分别占PM2.5浓度的22.7%、26.7%、12.7%和27.1%, 冬、春、秋季超过了硫酸盐和铵盐的总和.因此, 硝酸盐浓度的变化对PM2.5浓度的影响可能比硫酸盐和铵盐的影响更大.
一般与强化两组减排情景下, 长三角地区国控点硝酸盐年均浓度分别下降0.0~0.8 μg·m-3(0.6%~6.3%)和0.2~1.4 μg·m-3(2.0%~12.1%), 硫酸盐浓度分别下降0.1~0.3 μg·m-3(1.7%~9.8%)和0.1~0.5 μg·m-3(2.9%~13.9%), 铵盐浓度分别下降0.1~0.3 μg·m-3(1.2%~6.1%)和0.1~0.6 μg·m-3(2.2%~11.6%).与PM2.5浓度降幅的季节差异特征相似, 重点源减排对无机盐浓度的影响也体现为冬季降幅最小, 夏季降幅最大, 并且由于强化减排使得夏季降幅明显增加, 从而使得无机盐浓度降幅的季节差异更显著.冬季无机盐浓度的下降值明显小于其他季节, 甚至在一般减排情景下硝酸盐浓度略有升高, 强化减排下冬季硝酸盐浓度有所降低, 可见冬季硝酸盐浓度与PM2.5前体物排放之间的非线性关系较硫酸盐和铵盐更强.春、夏、秋季各无机盐浓度下降值相当, 其中强化减排使得春季硝酸盐浓度下降1.1 μg·m-3, 是一般减排情景下的2倍以上.两组减排情景下夏季无机盐浓度降幅分别为9.1%~12.9%和13.5%~20.2%, 与夏季PM2.5浓度降幅基本一致.由于重点源中未涉及NH3的排放, 因此铵盐浓度的变化是与硫酸盐和硝酸盐的变化动态平衡的结果.
图 9显示了两组减排情景下硫酸盐、硝酸盐和铵盐对PM2.5浓度下降的贡献值与贡献率.从无机盐对PM2.5浓度下降的贡献率来看[图 9(b)], 随着对各前体物削减力度的增大, 二次无机盐对PM2.5浓度下降的贡献率也随之升高.总贡献率在夏季最大, 一般与强化两组减排情景下分别为25.7%和36.4%, 冬季最小, 均不超过5%.硝酸盐在春、夏、秋季贡献相当, 硫酸盐和铵盐的贡献则是春、夏季明显高于秋、冬季.各情景各月份均显示硝酸盐对PM2.5浓度下降的贡献最大(除了一般减排情景下的1月), 并且硝酸盐在春、秋季的贡献超过了硫酸盐和铵盐的贡献之和, 此外, 增强减排力度使得冬季硝酸盐的负贡献转变为正贡献.
PM2.5浓度及二次无机盐浓度削减幅度与前体物减排幅度不一致, 这主要是由非线性的大气反应过程决定的.考虑到硝酸盐的生成在富氨(NH3-rich)和贫氨(NH3-poor)状态下有明显差异, 首先, 应用调整气态比(AdjGR)来判断2013年长三角地区无机盐气溶胶对前体物的敏感性[16, 30], 定义如下:
(1) |
各情景下AdjGR各月份及年均值的空间分布如图 10所示, 可以看出基准情景和两组减排情景下长三角地区四季都处于NH3-rich(AdjGR>1)的状态, 即二次无机盐生成对大气氧化性更加敏感[15].
图 11给出了各情景各月份长三角地区平均臭氧(O3)浓度和HOx(HO+HO2)浓度的日内变化.由于长三角地区属于O3的VOCs控制区, NOx排放的减少导致O3浓度在四季有不同程度的升高.一般与强化减排情景下冬季白天(12:00~18:00)[4]O3浓度平均升高分别为7.3 μg·m-3和11.4 μg·m-3, 增幅分别为20.3%和31.5%[图 11(a)].重点源减排对春秋季O3浓度影响较为一致, 增加量与冬季相当, 但增幅较弱, 两组减排情景下春季O3浓度增幅分别为9.5%、13.7%, 秋季分别为11.3%、16.5%[图 11(b)和11(d)].重点源减排对夏季O3浓度的影响与其他季节有明显差异, 主要体现为快速地光化学反应使得白天O3浓度基本不受减排的影响, 甚至在强化减排情景下O3浓度在14:00~16:00还略有下降[图 11(c)].此外, 减排对HOx自由基的影响也存在相似的季节变化特征, 即冬季增幅最大[图 11(a)], 夏季增幅最小[图 11(c)], 一般与强化减排情景下, HOx浓度1、4、7、10月白天分别增加(48.8%、88.7%)、(32.3%、56.4%)、(14.3%、21.2%)、(42.6%、72.5%).强化减排相比于一般减排, 冬、春、秋季O3和HOx浓度增加值分别继续升高约44.6~55.2%、70.2%~81.6%, 而夏季变化与其它季节有所不同, O3浓度增加值降低39.4%, HOx浓度增加值升高47.9%, 明显小于其他季节.
由此可见, 重点源减排对四季大气氧化性均有不同程度的增强, 有利于硫酸盐和硝酸盐的生成, 从而抑制了PM2.5浓度的降低.冬季大气氧化性的显著增强部分抵消甚至超过了前体物减排对硫酸盐和硝酸盐的削减作用, 导致PM2.5污染改善效果最差, 甚至在一般减排情景下硝酸盐浓度有所升高, 对PM2.5浓度的降低有负贡献(图 9).春、秋、冬季加大减排力度后大气氧化性进一步增强, 不利于PM2.5浓度的降低, 削弱了PM2.5污染的进一步改善效果.重点源减排对夏季大气氧化性影响不明显, 并且增强减排力度后对其影响相比其季节明显较弱, 因此, 夏季二次无机盐浓度的削减效果主要受到前体物减排的直接作用, 从而对PM2.5污染的改善在四季中最有效, 并且增强减排力度对PM2.5浓度降幅的提高在四季中最显著.
3 结论(1) 一般与强化两组减排情景下, 长三角地区国控点PM2.5年均浓度分别下降1.4~26.7 μg·m-3和2.1~32.3 μg·m-3, 降幅分别为2.7%~23.1%和3.9%~27.5%.季节特征主要体现为冬季浓度值降低最大而降幅最小, 最大下降值可分别达到41.1 μg·m-3和50.6 μg·m-3, 夏季浓度值下降最小而降幅最大, 最大降幅可分别达到27.4%和32.8%, PM2.5浓度越高, 下降值越高, 而下降率反之.此外, 减排力度越大, 降幅的季节差异越大.上海、江苏夏季重点源强化减排即可使得PM2.5浓度降低约20%.因此, 上海、江苏春、秋、冬季以及浙江和安徽四季需要配合重点源以外的其他源共同削减, 才能达到PM2.5浓度显著下降的效果.
(2) 一般与强化两组减排情景下, 二次无机盐浓度降幅与PM2.5浓度降幅的季节差异特征相似.冬季硝酸盐浓度与PM2.5前体物排放之间的非线性关系较硫酸盐和铵盐更强.各情景各季节硝酸盐在二次无机盐中对PM2.5浓度下降的贡献最大, 除了一般减排情景下冬季硝酸盐为负贡献.
(3) 重点源减排对四季大气氧化性均有不同程度的增强, 有利于二次PM2.5的生成, 从而阻碍了PM2.5浓度的降低.加大减排力度后, 大气氧化性进一步增强, 阻碍了PM2.5污染的进一步改善.其中, 冬季的阻碍作用最强, 导致PM2.5污染改善效果最差, 夏季大气氧化性受减排影响较小, 使得PM2.5污染改善在四季中最有效, 考虑到冬季是PM2.5污染最严重的季节, 因此, 应在冬季实施更加全面的减排措施, 同时PM2.5前体物与PM2.5浓度之间的非线性关系在春、秋季对减排的影响也不容忽视.
[1] | Chan C K, Yao X H. Air pollution in mega cities in China[J]. Atmospheric Environment, 2008, 42(1): 1-42. |
[2] | Jiang C, Wang H, Zhao T, et al. Modeling study of PM2.5 pollutant transport across cities in China's Jing-Jin-Ji region during a severe haze episode in December 2013[J]. Atmospheric Chemistry and Physics, 2015, 15(10): 5803-5814. DOI:10.5194/acp-15-5803-2015 |
[3] | Zhang X Y, Wang Y Q, Niu T, et al. Atmospheric aerosol compositions in China:spatial/temporal variability, chemical signature, regional haze distribution and comparisons with global aerosols[J]. Atmospheric Chemistry and Physics, 2012, 12(2): 779-799. DOI:10.5194/acp-12-779-2012 |
[4] | Zhao B, Wang S X, Wang J D, et al. Impact of national NOx and SO2 control policies on particulate matter pollution in China[J]. Atmospheric Environment, 2013, 77: 453-463. DOI:10.1016/j.atmosenv.2013.05.012 |
[5] | Wang S X, Hao J M. Air quality management in China:Issues, challenges, and options[J]. Journal of Environmental Sciences, 2012, 24(1): 2-13. |
[6] | Wang S X, Xing J, Zhao B, et al. Effectiveness of national air pollution control policies on the air quality in metropolitan areas of China[J]. Journal of Environmental Sciences, 2014, 26(1): 13-22. DOI:10.1016/S1001-0742(13)60381-2 |
[7] |
刘红年, 胡荣章, 张美根. 城市灰霾数值预报模式的建立与应用[J]. 环境科学研究, 2009, 22(6): 631-636. Liu H N, Hu R Z, Zhang M G. Development and application of urban haze numerical forecast model[J]. Research of Environmental Sciences, 2009, 22(6): 631-636. |
[8] |
戴昭鑫, 张云芝, 胡云锋, 等. 基于地面监测数据的2013~2015年长三角地区PM2.5时空特征[J]. 长江流域资源与环境, 2016, 25(5): 813-821. Dai Z X, Zhang Y Z, Hu Y F, et al. Spatial-temporal characteristics of PM2.5 in Yangtze River Delta (YRD) region based on the ground monitoring data from 2013-2015[J]. Resources and Environment in the Yangtze Basin, 2016, 25(5): 813-821. DOI:10.11870/cjlyzyyhj201605015 |
[9] | Wang L T, Jang C, Zhang Y, et al. Assessment of air quality benefits from national air pollution control policies in China. Part Ⅱ:Evaluation of air quality predictions and air quality benefits assessment[J]. Atmospheric Environment, 2010, 44(28): 3449-3457. DOI:10.1016/j.atmosenv.2010.05.058 |
[10] | Zhao B, Wang S X, Dong X Y, et al. Environmental effects of the recent emission changes in China:implications for particulate matter pollution and soil acidification[J]. Environmental Research Letters, 2013, 8(2): 024031. DOI:10.1088/1748-9326/8/2/024031 |
[11] | Dong X Y, Li J, Fu J S, et al. Inorganic aerosols responses to emission changes in Yangtze River Delta, China[J]. Science of the Total Environment, 2014, 481: 522-532. DOI:10.1016/j.scitotenv.2014.02.076 |
[12] | Wang L T, Zhang Y, Wang K, et al. Application of weather research and forecasting model with chemistry (WRF/Chem) over northern China:Sensitivity study, comparative evaluation, and policy implications[J]. Atmospheric Environment, 2016, 124: 337-350. DOI:10.1016/j.atmosenv.2014.12.052 |
[13] |
孟宁, 贝耐芳, 李国辉, 等. 关中地区冬季人为源减排对PM2.5浓度的影响[J]. 中国环境科学, 2017, 37(5): 1646-1656. Meng N, Bei N F, Li G H, et al. Response of the wintertime PM2.5 level to anthropogenic emission mitigations in the Guanzhong basin[J]. China Environmental Science, 2017, 37(5): 1646-1656. DOI:10.3969/j.issn.1000-6923.2017.05.006 |
[14] |
吴文景, 常兴, 邢佳, 等. 京津冀地区主要排放源减排对PM2.5污染改善贡献评估[J]. 环境科学, 2017, 38(3): 867-875. Wu W J, Chang X, Xing J, et al. Assessment of PM2.5 pollution mitigation due to emission reduction from main emission sources in the Beijing-Tianjin-Hebei Region[J]. Environmental Science, 2017, 38(3): 867-875. |
[15] | 贺克斌, 张强, 洪朝鹏, 等.京津冀能否实现2017年PM2.5改善目标?基于"大气国十条"的京津冀地区细颗粒物污染防治政策效果评估[EB/OL]. http://www.efchina.org/Reports-zh/report-cemp-20140924-zh, 2014-09-24. |
[16] | Cai S Y, Wang Y J, Zhao B, et al. The impact of the "Air Pollution Prevention and Control Action Plan" on PM2.5 concentrations in Jing-Jin-Ji region during 2012-2020[J]. Science of the Total Environment, 2017, 580: 197-209. DOI:10.1016/j.scitotenv.2016.11.188 |
[17] |
李莉, 安静宇, 卢清. 清洁空气行动计划实施对长三角地区PM2.5污染改善效果模拟评估[J]. 环境科学研究, 2015, 28(11): 1653-1661. Li L, An J Y, Lu Q. Modeling assessment of PM2.5 concentrations under implementation of clean air action plan in the Yangtze River Delta region[J]. Research of Environmental Sciences, 2015, 28(11): 1653-1661. |
[18] | Li L, Chen C H, Fu J S, et al. Air quality and emissions in the Yangtze River Delta, China[J]. Atmospheric Chemistry and Physics, 2011, 11(4): 1621-1639. DOI:10.5194/acp-11-1621-2011 |
[19] | Grell G A, Peckham S E, Schmitz R, et al. Fully coupled "online" chemistry within the WRF model[J]. Atmospheric Environment, 2005, 39(37): 6957-6975. DOI:10.1016/j.atmosenv.2005.04.027 |
[20] | Wang X Y, Liang X Z, Jiang W M, et al. WRF-Chem simulation of East Asian air quality:sensitivity to temporal and vertical emissions distributions[J]. Atmospheric Environment, 2010, 44(5): 660-669. DOI:10.1016/j.atmosenv.2009.11.011 |
[21] |
庞杨, 韩志伟, 朱彬, 等. 利用WRF-Chem模拟研究京津冀地区夏季大气污染物的分布和演变[J]. 大气科学学报, 2013, 36(6): 674-682. Pang Y, Han Z W, Zhu B, et al. A model study on distribution and evolution of atmospheric pollutants over Beijing-Tianjin-Hebei region in summertime with WRF-Chem[J]. Transactions of Atmospheric Sciences, 2013, 36(6): 674-682. DOI:10.3969/j.issn.1674-7097.2013.06.004 |
[22] |
高怡, 张美根. 2013年1月华北地区重雾霾过程及其成因的模拟分析[J]. 气候与环境研究, 2014, 19(2): 140-152. Gao Y, Zhang M G. Numerical simulation of a heavy fog-haze episode over the North China Plain in January 2013[J]. Climatic and Environmental Research, 2014, 19(2): 140-152. |
[23] |
于燕, 廖礼, 崔雪东, 等. 不同人为源排放清单对大气污染物浓度数值模拟的影响:以浙江省为例[J]. 气候与环境研究, 2017, 22(5): 519-537. Yu Y, Liao L, Cui X D, et al. Effects of different anthropogenic emission inventories on simulated air pollutants concentrations:a case study in Zhejiang Province[J]. Climatic and Environmental Research, 2017, 22(5): 519-537. |
[24] | Wang H L, Zhu B, Shen L J, et al. Water-soluble ions in atmospheric aerosols measured in five sites in the Yangtze River Delta, China:size-fractionated, seasonal variations and sources[J]. Atmospheric Environment, 2015, 123: 370-379. DOI:10.1016/j.atmosenv.2015.05.070 |
[25] | Wang H L, Zhu B, Shen L J, et al. Regional characteristics of air pollutants during heavy haze events in the Yangtze River Delta, China[J]. Aerosol and Air Quality Research, 2016, 16(9): 2159-2171. DOI:10.4209/aaqr.2015.09.0551 |
[26] | Janssens-Maenhout G, Crippa M, Guizzardi D, et al. HTAP_v2.2:a mosaic of regional and global emission grid maps for 2008 and 2010 to study hemispheric transport of air pollution[J]. Atmospheric Chemistry and Physics, 2015, 15(19): 11411-11432. DOI:10.5194/acp-15-11411-2015 |
[27] | U.S. EPA. Guidance on the use of Models and other analyses for demonstrating attainment of air quality goals of Ozone, PM2.5, and regional haze[R]. Research Triangle Park, NC: Office of Air and Radiation/Office of Air Quality Planning and Standards, 2007. |
[28] | Morris R E, Koo B, McNally D, et al. Application of multiple models to simulation fine particulate in the southeastern US[A]. Presented at the National Regional Planning Organization Modeling Meeting[C]. Denver CO, USA, 2004. |
[29] | Huang X, Song Y, Zhao C, et al. Pathways of sulfate enhancement by natural and anthropogenic mineral aerosols in China[J]. Journal of Geophysical Research, 2014, 119(24): 14165-14179. |
[30] | Wang S X, Xing J, Jang C, et al. Impact assessment of ammonia emissions on inorganic aerosols in East China using response surface modeling technique[J]. Environmental Science & Technology, 2011, 45(21): 9293-9300. |