环境科学  2019, Vol. 40 Issue (8): 3397-3404   PDF    
引用本文
张冲, 郎建垒, 程水源, 王晓琦. 2016年京津冀地区红色预警时段PM2.5污染特征与浓度控制效果[J]. 环境科学, 2019, 40(8): 3397-3404.
ZHANG Chong, LANG Jian-lei, CHENG Shui-yuan, WANG Xiao-qi. Characteristics of PM2.5 Pollution and the Efficiency of Concentration Control During a Red Alert in the Beijing-Tianjin-Hebei Region, 2016[J]. Environmental Science, 2019, 40(8): 3397-3404.
2016年京津冀地区红色预警时段PM2.5污染特征与浓度控制效果
张冲, 郎建垒, 程水源, 王晓琦     
北京工业大学环境与能源工程学院, 区域大气复合污染防治北京市重点实验室, 北京 100124
收稿日期: 2018-11-20; 修订日期: 2019-03-07
基金项目: 国家重点研发计划项目（2018YFC0213206）；国家自然科学基金项目（51638001，91544232）；总理基金项目（DQGG-05-01 & DQGG-05-09）；北京市科技计划项目（Z181100005418017）
作者简介: 张冲(1993~), 男, 硕士, 主要研究方向为环境规划管理与污染防治, E-mail:zhch081@emails.bjut.edu.cn
通信作者: 程水源, E-mail:chengsy@bjut.edu.cn
摘要: 2016年12月京津冀地区发生一次重污染过程，北京和天津于12月16日20：00至12月21日24：00，河北省（除张家口、承德和秦皇岛）于12月16日00：00至12月22日18：00发布了重污染红色预警.为研究重污染过程与应急措施的控制效果，基于环境监测数据与模型模拟结果对本次重污染过程的污染物浓度、天气形势与气团输送、区域传输和减排效果进行了研究.本次重污染过程中各地市PM2.5平均浓度均超过200 μg·m-3，小时均值峰值为834.5 μg·m-3.重污染期间气象条件非常不利于污染物扩散，低压控制与气团传输加剧了污染过程.各地市平均本地贡献为47.1%，受天气形势影响传输效果存在一定差异.本次红色预警期间京津冀地区PM2.5浓度平均下降比例为27.6%，减排效果明显.如果提前实施重污染应急措施，可以使PM2.5下降浓度有一定提升.提前2 d实施可以使PM2.5浓度平均下降比例增加4.4%，提前3 d以上效果提升不明显.
关键词: 京津冀      PM2.5      重污染      红色预警      效果评估     
Characteristics of PM2.5 Pollution and the Efficiency of Concentration Control During a Red Alert in the Beijing-Tianjin-Hebei Region, 2016
ZHANG Chong , LANG Jian-lei , CHENG Shui-yuan , WANG Xiao-qi     
Key Laboratory of Beijing on Regional Air Pollution Control, College of Environmental and Energy Engineering, Beijing University of Technology, Beijing 100124, China
Abstract: The Beijing-Tianjin-Hebei (BTH) region experienced a heavy pollution episode in December 2016. Beijing and Tianjin issued a red alert from 20:00 December 16 to 24:00 December 21, while every city in Hebei Province (except Zhangjiakou, Chengde, and Qinhuangdao) issued a red alert from 00:00 December 16 to 18:00 December 22. In order to study the process of heavy pollution and the effect of implementing emergency measures, pollutant concentrations, meteorological conditions, air mass transmission and region transmission, and control effects were analyzed based on environmental monitoring data and simulation. Mean PM2.5 concentrations during the heavy pollution episode in each city all exceeded 200 μg·m-3 and the peak value of hourly averaged concentration (834.5 μg·m-3) occurred in Handan. The meteorological conditions during the heavy pollution episode restricted the diffusion of pollutants, with low pressure and air mass transmission exacerbating the problem. The mean fraction of PM2.5 concentrations in local emissions was 47.1%, but this differed between cities due to variable meteorological conditions. The average reduction of PM2.5 concentrations was 27.6%, indicating that the implementation of a red alert measure was effective. If the emergency measures had been implemented a few days earlier, a greater reduction ratio would have been achieved; a 4.4% greater average reduction in PM2.5 concentrations would have occurred if the measures were implemented two days earlier, while taking action three or more days in advance would not have achieved significant improvement.
Key words: BTH region      PM2.5      heavy pollution      red alert      effect assessment     

近年来, 随着我国经济社会高速发展, 大气复合污染问题集中出现, 大气污染防治任务十分艰巨[1~3].其中京津冀地区定位特殊, 地形复杂, 大气污染问题较为严重.根据生态环境部公布的《2017中国生态环境状况公报》显示, 2017年京津冀地区13个城市空气质量优良天数比例平均为56.0%, 超标天数中以PM2.5为首要污染物的天数占污染总天数的50.3%.京津冀地区污染物排放量大[4~6], 刘建国等[7]利用NAQPMS模式对京津冀地区环境容量进行的模拟表明, 若实现各污染物日均浓度达到国家二级标准, 需要削减的SO2、NOx和一次PM2.5排放量分别占2013年对应污染物排放量的47%、52%和44%.

目前针对重污染成因分析与控制效果评估展开了大量的研究.王申博等[8]利用在线金属分析仪器与气象仪器观测结合正矩阵因子分解法(PMF)对郑州市2017年11月21~29日两次大气重污染过程进行了分析, 发现两次重污染过程主要归因于东北方向污染物传输以及本地排放积累, 郑州市PM2.5中元素主要来自扬尘与机动车, 二者分别占比36.8%与27.6%.何玉洁等[9]利用WRF-CMAQ模式对上海市2015年1月7~12日的重污染过程进行模拟, 研究发现上海市重污染Ⅰ级应急措施对重污染时段PM2.5浓度削减效果不大, “十三五”环境规划减排措施对重污染时段PM2.5浓度削减有一定效果.上海市重污染时段空气质量改善效果可能受到区域传输影响.Jia等[10]对利用WRF-CAMx模式对北京2015年12月8~31日期间的两次重污染过程进行了模拟, 研究发现北京第一重污染过程主要来自于区域传输, 第二次重污染过程主要来自于本地排放与积累.同时对污染物减排效果进行了研究, 发现京津冀地区重污染红色预警应急减排措施能有效降低北京市区PM2.5浓度, 两次重污染红色预警期间PM2.5浓度平均下降比例为17.1%和22.2%. Cheng等[11]对2015年北京两次重污染红色预警措施提前实施效果进行了研究, 发现提前1~2 d实施减排措施对重污染期间PM2.5浓度削减有明显效果.对重污染与红色预警应急措施的空气质量改善效果进行评估, 对于秋冬季重污染天气防治与应对决策具有科学、有效地指导意义.

本研究选择京津冀地区为研究对象, 采用WRF-CAMx-PSAT模式对京津冀地区2016年12月8~26日期间的PM2.5浓度进行模拟, 并结合后向轨迹模型, 对一次污染过程进行污染特征研究、成因分析与减排效果评估, 旨在为日后应对重污染天气采取更加科学有效同时对社会生产活动影响较小的联防联控措施提供科学依据.

1 材料与方法 1.1 数据收集

本研究采用的大气污染物(包括PM2.5、CO、SO2和NO2)浓度数据来自北京市环境保护监测中心与中国环境监测总站发布的逐时数据.以各地市国控站点污染物浓度平均值表征该区域的污染水平.气象数据来自中国气象监测中心发布的数据, 时间间隔为3 h, 用于对气象背景场进行分析.天气形势图来自中国国家气象中心.

1.2 后向轨迹模型

后向轨迹模型是由美国国家海洋与大气管理局(NOAA)和澳大利亚气象局联合开发的混合型单粒子拉格朗日综合轨迹(Hybrid Single Particle Lagrangian Integrated Trajectory Model, HYSPLIT)模型.该模型是欧拉和拉格朗日混合型扩散模式, 可对气团移动方向进行识别追踪[12].选取北京(39.87°N, 116.43°E)、唐山(39.66°N, 118.18°E)、石家庄(38.02°N, 114.53°E)和衡水(37.74°N, 115.69°E)这4个城市, 用HYSPLIT-4模型对4个城市100 m高度的气团来向与轨迹变化进行分析, 追踪12月16日16:00、12月17日16:00、12月21日16:00与12月22日16:00的24 h气团后向轨迹.

1.3 空气质量模型

本研究采用WRF-CAMx-PSAT耦合模型对京津冀地区2016年12月8~26日的PM2.5浓度进行模拟.其中气象模型采用WRF3.5.1版本, 初始背景边界条件采用美国国家环境预报中心(NCEP)发布的final operational global analysis data, 时间间隔为6 h, 空间分辨率为1°.空气质量模型采用的是CAMx 6.3, 其内嵌PSAT颗粒物来源识别工具, 能针对颗粒物与各种组分, 有效识别不同排放源对受体区域不同污染物的浓度贡献[13, 14].

空气质量模型CAMx采用Lambert投影, 如图 1所示, 外层网格分辨率为36 km, 覆盖四川、甘肃东部、华北地区、东北地区、华南和华东北部, 内层网格分辨率为12 km, 覆盖京津冀地区、山西省、山东省、河南省以及内蒙古、辽宁、陕西、湖北、安徽和江苏部分地区.内层划分为14个受体区域, 包括北京、天津、保定、石家庄、邢台、邯郸、廊坊、沧州、衡水、唐山、秦皇岛、张家口、承德与其他.气象化学机制选用CB05(碳键2005), 水平湍流和气象化学扩散机制选用PPM (分段抛物线法)和EBI (欧拉反向迭代法).光解速率常数由TOMS(臭氧总测绘光谱仪)臭氧浓度资料计算.

图 1 两层嵌套模拟区域示意 Fig. 1 Two-level nested-grid modeling domain

1.4 污染源清单

本研究使用的污染源清单中京津冀区域排放数据是由课题组采用自下而上方式建立的高分辨率排放清单[15], 污染物包括PM2.5、PM10、SO2、NOx、VOCs、CO和NH3.京津冀以外的部分采用的是清华大学建立的高分辨率MEIC清单[16].为应对重污染天气, 京津冀地区启动了红色预警以削减污染物排放量.北京和天津于12月16日20:00至12月21日24:00启动红色预警, 河北省除张家口、承德和秦皇岛外, 其他地市均于12月16日00:00至12月22日18:00启动红色预警.根据各地市红色预警应急减排措施核算各地污染物减排比例见表 1.

表 1 各地区污染物减排比例/% Table 1 Pollutant emission reduction ratios for each districts/%

2 结果与讨论 2.1 污染物浓度变化特征

京津冀地区2016年12月发布大气重污染红色预警的地市在其发布重污染的时间段内各项污染物平均浓度如图 2.

图 2 各地市红色预警期间污染物浓度 Fig. 2 Concentrations of different pollutants in each city during the red alert period

红色预警期间, 各地市PM2.5平均浓度均超过200 μg·m-3, 污染最严重的邯郸和石家庄PM2.5平均浓度超过400 μg·m-3.从各地市PM2.5平均浓度比较, 明显呈现出沿太行山西南通道地区污染较重, 中东部地区污染较轻的趋势, 且沿太行山脉呈现出污染程度自西南向东北逐渐减轻的趋势.由于太行山脉与燕山山脉阻挡, 张家口与承德受到此次重污染过程的影响较小, 两市同时段PM2.5平均浓度均未超过70 μg·m-3.从PM2.5浓度峰值上看, 污染最严重的邯郸PM2.5浓度峰值为834.5 μg·m-3, PM2.5浓度峰值最低的是天津, 为381.9 μg·m-3, 前者是后者的2.2倍.北京SO2浓度在10个城市中最低, 为20.0 μg·m-3, 从北京向西南方向各城市呈现出上升趋势, 保定、石家庄、邢台和邯郸平均SO2浓度为77.9 μg·m-3.中东部城市SO2浓度较低, 天津、廊坊、沧州和衡水平均SO2浓度为38.4 μg·m-3. NO2浓度几个城市相差不大, 中部城市相对较低. CO浓度唐山最高, 为9.1 μg·m-3, 其他城市水平较为接近.

2.2 情景设置与模拟验证

本研究为了对红色预警实际减排效果与减排时间对减排效果的影响进行研究, 设置了如下3种不同的减排情景.实际排放情景为考虑京津冀地区各地市发布红色预警应急措施的控制情景, 根据各地应急措施对排放清单对应污染物进行核减, 将模拟结果与实际监测值进行对比验证.基准情景为不考虑任何应急控制措施的情景, 与其它情景对比进行减排效果评估.提前减排情景在实际排放情景的基础上, 将减排开始时间提前1~5 d, 对比提前不同减排天数对重污染期间减排效果的影响.

本研究参考文献[17, 18], 采用标准化平均偏差(normalized mean bias, NMB)、标准化平均误差(normalized mean error, NME)和相关系数(correlation coefficient, R)对10个城市PM2.5浓度模拟逐时结果进行校验, 校验结果见表 2.对于区域欧拉模型PM2.5浓度模拟结果的评价标准为-50% < NMB < 50%, NME < 150%.

表 2 模拟值与监测值统计指标对比 Table 2 Comparison of statistical indicators between simulated and observed data

10个城市NMB、NME和R值的平均值分别为-42.5%、46.3%和0.77.与其它使用CAMx模型对PM2.5浓度进行模拟的研究[19~21]相比, 相关系数R值较高, NME值与NMB值属于正常水平. 10个城市中邯郸和石家庄的模拟结果NMB值较低, 分别为-48.7%和-46.1%, 原因是两城市在重污染时段PM2.5浓度过高, 邯郸PM2.5小时均值监测值峰值为834.5 μg·m-3, 石家庄为693.0 μg·m-3, 两市PM2.5小时均值模拟值峰值为466.9 μg·m-3与334.7 μg·m-3, 与监测值相比明显偏低, 其它城市存在同样的问题, 因此NMB值普遍偏低.出现模拟值相对监测值偏低的情况可能有以下几方面的原因：清单本身存在不确定性; 实际控制措施的执行实施效果与理想减排效果存在一定差异; CAMx模型本身的化学机制不够完善, 对二次无机粒子存在一定程度的低估[22].

2.3 区域PM2.5传输分析 2.3.1 天气形势与后向轨迹分析

图 3为12月的16日、17日、21日与22日每天08:00的天气形势.本研究选取位于西南传输通道的北京、石家庄, 以及京津冀地区东部典型工业城市唐山, 位于中部的衡水4个城市进行重点分析, 图 4为北京、石家庄、唐山和衡水这4个城市100 m高度24 h气团来向模拟结果.结合地面天气形势与后向轨迹模型, 对污染物传输进行定性分析.

(a)2016-12-16T08:00; (b)2016-12-17T08:00; (c)2016-12-21T08:00; (d)2016-12-22T08:00 图 3 典型时段天气形势 Fig. 3 Typical surface pressure patterns during the study period

图 4 2016年12月京津冀重污染过程气团后向轨迹 Fig. 4 Back trajectories for heavy pollution in the BTH region during December 2016

气象条件与天气形势的演变对大气中重污染过程的产生与变化有密切联系[23~25].从天气形势图看, 12月16~17日华中地区存在一个向东移动的高压中心, 12月16日京津冀地区气压梯度不明显, 高压位于西南部, 存在微弱的南风与西南风, 后向轨迹模型选取的4个城市均有西南来向的气团, 受天气形势的影响, 位于西南传输通道的石家庄与北京气团来向偏西, 而衡水与唐山气团来向偏南. 12月16日除位于西南端的邯郸外, 京津冀地区其他城市PM2.5浓度均呈现上升趋势. 12月17日高压中心已从华中地区移动至长江入海口, 京津冀地区完全处于低压中心呈现大范围静稳天气, 北京以静风为主, 石家庄有微弱的北风与东北风, 天气形势十分不利于污染物扩散.后向轨迹模型显示北京和石家庄有非常近距离的气团传入, 唐山和衡水气团来自西南偏南方向. 12月17日污染物开始迅速积累, 全京津冀地区PM2.5小时平均浓度从212.3 μg·m-3迅速攀升至320.9 μg·m-3, 增幅达51%. 12月21日京津冀地区处于低压槽控制区域, 北京和石家庄以静风为主, 唐山和衡水存在微弱的东北风.后向轨迹模型结果呈现出同样的情况.由于不良的扩散条件, 使得PM2.5浓度再次出现了上升.保定、北京和廊坊PM2.5浓度在12月21日达到整个重污染过程的最高值. 12月22日受到西北方向来自蒙古的高压南下的影响, 华北、东北地区位于高压前部, 气压梯度变化大, 气象条件对污染物扩散非常有利.后向轨迹模型显示4个城市均受到来自西北方向的气团影响.由于西北方向清洁气团到来, 污染物被驱散, 各地市PM2.5小时浓度均降低到70 μg·m-3以下, 最低可达7.3 μg·m-3, 本次重污染过程结束.

2.3.2 PM2.5空间来源

后向轨迹模型结果显示, 重污染过程受到区域传输的影响较大, 尤其是12月的16日与17日污染物积累的过程存在明显的区域传输.北京、唐山、石家庄和衡水这4个城市PM2.5传输矩阵见图 5.模拟结果显示, 京津冀地区各地市12月8~25日PM2.5平均本地贡献为47.2%, 其中廊坊本地贡献最低, 在2.9%~27.4%间, 由于其本身土地面积较小, 地理位置特殊, 且污染物排放少, 容易受到周边地市的传输影响.上文讨论的4个地市中, 唐山与石家庄由于其本身工业比较发达, 污染物排放量大, PM2.5本地贡献在京津冀地区处于最高水平, 平均值分别为69.3%与65.9%.北京和衡水PM2.5本地贡献较低, 平均值分别为48.5%与39.2%.

图 5 京津冀地区12月8~25日PM2.5传输矩阵 Fig. 5 Transmission matrix of PM2.5 in the BTH region between December 8 and December 25, 2016

结合后向轨迹模型与天气形势分析结果对PM2.5区域来源进行分析. 12月16~17日京津冀地区由西南风转入静稳天气, 4个城市本地贡献均呈现上升趋势.后向轨迹模型显示12月17日石家庄受到由保定方向输入气团的影响, 保定对石家庄PM2.5浓度贡献由12月16日的0.6%增加至10.2%.衡水12月16~17日持续受到西南偏西方向来自邯郸与邢台的气团输入, 两市对邯郸PM2.5浓度贡献之和稳定在18.3%~19.2%.唐山12月17日受来自山东地区较为清洁气团影响, 外地PM2.5输入被驱散, 本地PM2.5贡献上升, 在4个城市中增幅最大, 达到28.4%, 并且在其他城市PM2.5浓度呈上升趋势的同时, 唐山12月17日PM2.5浓度存在略微下降. 12月21~22日京津冀地区由低压控制转为高压前锋区, 来自西北方向的清洁气团驱散污染物, 结束了本次重污染过程, 本地污染物排放重新占主导地位. 12月21日由于多日污染物传输积累, PM2.5浓度本地贡献相对于前几日已达到最低点, 12月22日4个城市PM2.5浓度本地贡献分别有3.5%~32.1%的上升.其中衡水PM2.5浓度本地贡献上升最少, 其他3个城市PM2.5浓度本地贡献平均上升27.9%.结合后向轨迹模型结果分析, 衡水位于京津冀地区东南部, 12月22日4个城市均受到西北来向的气团影响, 北京、石家庄和唐山的后向轨迹模型显示气团来自太行山、燕山以外空气较为清洁的地区, 衡水气团来自保定, 且24h后向轨迹相对另外3个城市较短, 污染物驱散效果较差.保定对衡水PM2.5浓度贡献由12月21日的1.2%上升至11.8%, 使得衡水PM2.5浓度本地贡献上升速度减缓.

综上所述, 京津冀地区PM2.5浓度区域传输受天气形势变换的影响存在一定的差异性, 总体来看区域传输在重污染过程中起到一定程度的影响, 是形成重污染过程的主要原因之一, 因此, 为有效改善空气质量, 区域联防联控是非常重要的手段.

2.4 减排效果分析 2.4.1 重污染红色预警减排效果评估

基于CAMx模式得出的基准情景与控制情景模拟得到的PM2.5浓度见图 6(以北京和石家庄为例).将基准情景、控制情景模拟结果对比, 得出各地市的PM2.5浓度在红色预警期间全时段平均下降比例、小时均值最大下降比例和PM2.5小时均值峰值浓度下降比例见表 3.京津冀地区在本次重污染过程中, 红色预警应急措施启动期间PM2.5浓度下降比例均值为27.6%, 其中唐山减排效果最好, 为30.6%, 沧州、衡水与廊坊PM2.5浓度下降比例相对较低.从京津冀地区整体地形方面来看, 西南传输通道城市减排效果较好, 中部地区相对较差.唐山由于其本身工业密集, 减排力度大, PM2.5浓度削减效果最为明显.本研究减排效果评估均选取国控站点为受体点, 河北省各地市国控站点均分布于市区, 北京国控站点在市区与郊区均有分布.北京PM2.5浓度减排效果存在一定空间性差异, 南部市区减排效果好, 北部郊区相对较弱, 北部地区相对于南部存在约10h的滞后, 主要原因为南部人口、机动车与各类产业较密集, 减排工作多分布在南部市区, 因此南部相对于北部减排效果较好.结合本地排放贡献来看, 将各地市区域传输结果中的本地贡献比例与实际减排效果对比发现, PM2.5浓度本地贡献与减排效果存在正相关性, 相关系数为0.69.因此可以推测PM2.5浓度减排效果在一定程度上受到本地排放的影响.

图 6 基准情景与控制情景下PM2.5浓度变化 Fig. 6 PM2.5 concentrations under baseline and control scenarios

表 3 各地市PM2.5减排效果/% Table 3 PM2.5 reduction in each city/%

2.4.2 提前减排效果分析

本研究设计按照原控制方案, 保持各类污染物排放削减比例不变, 提前实施减排, 将提前不同天数进行减排所得的PM2.5浓度削减结果进行对比.由表 4可以看出, 提前实施重污染应急预案对PM2.5浓度削减有一定的作用.不同城市提前减排效果略有出入, 总体而言提前2 d进行减排对PM2.5浓度削减有比较明显的提高, 相对于按照原方案进行减排控制的情景有4.0%~4.7%的提升, 平均值为4.4%.提前2 d以上进行减排有轻微的提升, 整体而言作用不大.将减排措施提前实施对PM2.5浓度的削减效果存在极限, 提前5 d实施重污染应急措施可以将PM2.5浓度最高削减百分比提升至30.5%~35.5%.

表 4 各地市提前减排结果/% Table 4 Reductions of concentrations of PM2.5 controlled in advance in each city/%

3 结论

(1) 京津冀地区2016年12月经历了一次持续时间较长, 污染物浓度水平较高的大气重污染过程.重污染红色预警期间各地市全时段平均PM2.5浓度均超过200 μg·m-3, 最大小时均值出现在邯郸, 为834.5 μg·m-3.沿太行山西南传输通道城市污染较重, 中东部地区城市污染较轻.

(2) 重污染期间气象条件非常不利于污染物扩散, 受低压控制以及污染较重城市气团传输的影响, 加剧了重污染过程.各地市平均PM2.5浓度本地贡献为47.1%, 受天气形势影响各地市间污染物传输效果存在一定差异性.

(3) 本次重污染过程各地市红色预警应急措施实施后PM2.5浓度控制效果较好, 平均下降比例为27.6%.各地市减排效果与PM2.5浓度本地贡献比例存在较好的正相关性.提前减排情景模拟结果显示提前2 d进行减排有4.0%~4.7%的效果提升, 考虑到红色预警应急措施需要较大的经济发展代价, 对于提前进行减排应谨慎.

参考文献
[1] Zhang Y L, Zhu B, Gao J H, et al. The source apportionment of primary PM2.5 in an aerosol pollution event over Beijing-Tianjin-Hebei region using WRF-Chem, China[J]. Aerosol and Air Quality Research, 2017, 17(12): 2966-2980. DOI:10.4209/aaqr.2016.10.0442
[2] Li M R, Hu M, Du B H, et al. Temporal and spatial distribution of PM2.5 chemical composition in a coastal city of southeast China[J]. Science of the Total Environment, 2017, 605-606: 337-346. DOI:10.1016/j.scitotenv.2017.03.260
[3] Xing Y F, Xu Y H, Shi M H, et al. The impact of PM2.5 on the human respiratory system[J]. Journal of Thoracic Disease, 2016, 8(1): E69-E74.
[4] Yang W, Yu C Y, Yuan W, et al. High-resolution vehicle emission inventory and emission control policy scenario analysis, a case in the Beijing-Tianjin-Hebei (BTH) region, China[J]. Journal of Cleaner Production, 2018, 203: 530-539. DOI:10.1016/j.jclepro.2018.08.256
[5] Li X, Wu J R, Elser M, et al. Contributions of residential coal combustion to the air quality in Beijing-Tianjin-Hebei (BTH), China:a case study[J]. Atmospheric Chemistry and Physics, 2018, 18(14): 10675-10691. DOI:10.5194/acp-18-10675-2018
[6] Guo Y Y, Gao X, Zhu T Y, et al. Chemical profiles of PM emitted from the iron and steel industry in northern China[J]. Atmospheric Environment, 2017, 150: 187-197. DOI:10.1016/j.atmosenv.2016.11.055
[7] 刘建国, 谢品华, 王跃思, 等. APEC前后京津冀区域灰霾观测及控制措施评估[J]. 中国科学院院刊, 2015, 30(3): 368-377.
Liu J G, Xie P H, Wang Y S, et al. Haze observation and control measure evaluation in Jing-Jin-Ji (Beijing, Tianjin, Hebei) area during the period of the Asia-Pacific Economic Cooperation (APEC) meeting[J]. Bulletin of the Chinese Academy of Sciences, 2015, 30(3): 368-377.
[8] 王申博, 余雪, 赵庆炎, 等. 郑州市两次典型大气重污染过程成因分析[J]. 中国环境科学, 2018, 38(7): 2425-2431.
Wang S B, Yu X, Zhao Q Y, et al. Analysis of the formation of two typical atmospheric heavy pollution episodes in Zhengzhou, China[J]. China Environmental Science, 2018, 38(7): 2425-2431. DOI:10.3969/j.issn.1000-6923.2018.07.004
[9] 何玉洁, 安静宇, 程真, 等. 上海市一次PM2.5重污染事件的管控效果评估[J]. 环境科学与技术, 2018, 41(7): 172-182.
He Y J, An J Y, Cheng Z, et al. Evaluation of PM2.5 control effect during a heavy air pollution episode in Shanghai[J]. Environmental Science & Technology, 2018, 41(7): 172-182.
[10] Jia J, Cheng S Y, Liu L, et al. An integrated WRF-CAMx modeling approach for impact analysis of implementing the emergency PM2.5 control measures during red alerts in Beijing in December 2015[J]. Aerosol and Air Quality Research, 2017, 17(10): 2491-2508. DOI:10.4209/aaqr.2017.01.0009
[11] Cheng N L, Zhang D W, Li Y T, et al. Spatio-temporal variations of PM2.5 concentrations and the evaluation of emission reduction measures during two red air pollution alerts in Beijing[J]. Scientific Report, 2017, 7(1): 8220. DOI:10.1038/s41598-017-08895-x
[12] 周敏, 乔利平, 朱书慧, 等. 2013年12月上海市重度污染期间细颗粒物化学特征与输送轨迹影响[J]. 环境科学, 2016, 37(4): 1179-1187.
Zhou M, Qiao L P, Zhu S H, et al. Chemical characteristics of particulate matters and trajectory influence on air quality in Shanghai during the heavy haze episode in December, 2013[J]. Environmental Science, 2016, 37(4): 1179-1187.
[13] 孙晓伟, 郭秀锐, 程水源. 冬季电力行业对长江中游城市群空气质量影响[J]. 环境科学, 2018, 39(8): 3476-3484.
Sun X W, Guo X R, Cheng S Y. Impact of the electric power industry on air quality in winter of urban agglomerations along the middle reaches of the Yangtze River[J]. Environmental Science, 2018, 39(8): 3476-3484.
[14] 王燕丽, 薛文博, 雷宇, 等. 京津冀区域PM2.5污染相互输送特征[J]. 环境科学, 2017, 38(12): 4897-4904.
Wang Y L, Xue W B, Lei Y, et al. Regional transport matrix study of PM2.5 in Jingjinji region, 2015[J]. Environmental Science, 2017, 38(12): 4897-4904.
[15] Zhou Y, Cheng S Y, Liu L, et al. A coupled MM5-CMAQ modeling system for assessing effects of restriction measures on PM10 pollution in olympic city of Beijing, China[J]. Journal of Environmental Informatics, 2012, 19(2): 120-127.
[16] Tsinghua University. Multi-resolution emission inventory for China[EB/OL]. http://www.meicmodel.org, 2015.
[17] US EPA. Guidance on the use of models and other analyses for demonstrating attainment of air quality goals for ozone, PM2.5, and regional haze[M]. Research Triangle Rark, NC: BiblioGov, 2013.
[18] 中华人民共和国生态环境部.关于征求《环境质量模型规范化管理暂行办法》(征求意见稿)等2项文件意见的函[EB/OL]. http://www.mee.gov.cn/gkml/hbb/bgth/201508/t20150831_309098.htm, 2015-08-27.
[19] 张婷慧, 陈报章, 王瑾, 等. 基于CAMx的徐州市2016年冬季PM2.5污染过程及来源分析[J]. 环境科学学报, 2017, 37(10): 3918-3925.
Zhang T H, Chen B Z, Wang J, et al. Process analysis and source apportionment of PM2.5 pollution in Xuzhou in winter 2016 based on CAMx[J]. Acta Scientiae Circumstantiae, 2017, 37(10): 3918-3925.
[20] 贾海鹰, 程念亮, 何友江, 等. 2014年春季山东省PM2.5跨界输送研究[J]. 环境科学, 2015, 36(7): 2353-2360.
Jia H Y, Cheng N L, He Y J, et al. Numerical study on the characteristics of regional transport of PM2.5 in Shandong Province during spring in 2014[J]. Environmental Science, 2015, 36(7): 2353-2360.
[21] 李璇, 聂滕, 齐珺, 等. 2013年1月北京市PM2.5区域来源解析[J]. 环境科学, 2015, 36(4): 1148-1153.
Li X, Nie T, Qi J, et al. Regional source apportionment of PM2.5 in Beijing in January 2013[J]. Environmental Science, 2015, 36(4): 1148-1153.
[22] 张晗宇, 郎建垒, 温维, 等. 唐山PM2.5污染特征及区域传输的贡献[J]. 北京工业大学学报, 2017, 43(8): 1252-1262.
Zhang H Y, Lang J L, Wen W, et al. Pollution characteristics and regional transmission of PM2.5 in Tangshan[J]. Journal of Beijing University of Technology, 2017, 43(8): 1252-1262.
[23] 许建明, 常炉予, 马井会, 等. 上海秋冬季PM2.5污染天气形势的客观分型研究[J]. 环境科学学报, 2016, 36(12): 4303-4314.
Xu J M, Chang L Y, Ma J H, et al. R Objective synoptic weather classification on PM2.5 pollution during autumn and winter seasons in Shanghai[J]. Acta Scientiae Circumstantiae, 2016, 36(12): 4303-4314.
[24] Zhu W H, Xu X D, Zheng J, et al. The characteristics of abnormal wintertime pollution events in the Jing-Jin-Ji region and its relationships with meteorological factors[J]. Science of the Total Environment, 2018, 626: 887-898. DOI:10.1016/j.scitotenv.2018.01.083
[25] Bei N F, Wu J R, Elser M, et al. Impacts of meteorological uncertainties on the haze formation in Beijing-Tianjin-Hebei (BTH) during wintertime:a case study[J]. Atmospheric Chemistry and Physics, 2017, 17(23): 14579-14591. DOI:10.5194/acp-17-14579-2017