2020, Vol. 41
2. 北京科技大学能源与环境工程学院, 北京 100083
2. School of Energy and Environmental Engineering, University of Science and Technology Beijing, Beijing 100083, China
京津冀及周边区域受污染物排放、地理位置、地形和不利气象条件等因素综合影响[1~6], 在秋冬季时常出现以PM2.5为首要污染物的大气重污染过程[7~10].由于PM2.5复合型污染特征以及大气结构不稳定性的影响, 容易形成区域间的污染传输, 造成区域间连片污染.为保障人民群众的身体健康, 面对可能发生的重污染过程, 京津冀及周边各级人民政府和生态环境主管部门会根据环境空气质量联合预报会商研判的结果, 依照相关文件要求[11], 根据不同地区的实际情况, 分别制定和执行成本有效的、差别化的重污染应急预案[12], 采取限停产和限行等管控措施进行区域间协同减排.
近年来, 伴随大气污染联防联控机制的制订、完善和有效落实, 不少研究围绕应急控制措施效果评估展开.Wang等[13]对北京及周边城市APEC会议和阅兵期间污染管控的效果进行了评估, 显示管控促使北京PM2.5浓度在APEC会议和阅兵期间分别下降了51.6% ~65.1%和34.2% ~64.7%左右.有研究对APEC会议和阅兵期间北京和石家庄等城市的研究也发现了类似的结论[14~18].徐峻等[19]讨论了污染应急控制措施效果的快速评估的方法, Zhao等[20]对2014年南京青奥会期间, Li等[21]和毛敏娟等[22]对杭州G20峰会期间空气污染控制的状况进行了评估.还有一些研究针对大气重污染过程期间的管控措施评估, 如Cheng等[23]对北京两次重污染过程期间PM2.5浓度特征和管控效果进行了讨论, Jia等[24]利用WRF-CAMx模型对北京红色预警期间PM2.5的控制措施进行了评估, 翟世贤等[25]、王凌慧等[26]和吕喆等[27]对北京重污染管控减排效果进行了讨论.此外, Cai等[28]采用WRF-CMAQ模型系统, 评估了阶段性排放控制措施对PM2.5浓度降低的影响, 显示自《大气污染防治行动计划》实施以来, 京津冀地区SO2、NOx和PM2.5排放量将分别比2012年减少40%、44%和40%.吴文景等[29]利用CMAQ/2D-VBS模型分析了冬夏两季京津冀地区主要排放源减排30%对改善区域PM2.5污染的效果. Zhao等[30]和Wang等[31]针对中国近年来污染管控措施对颗粒物减排的效果进行了讨论.
尽管已有不少管控措施评估研究开展, 但基于业务预报, 针对京津冀及周边区域传输通道“2+26”城市的区域性重污染应急响应管控措施效果评估还鲜见报道.为此, 采用NAQPMS(nested air quality prediction modeling system)空气质量数值模式和多种观测资料, 对2019年10~12月期间京津冀及周边区域“2+26”城市环境空气质量、重污染过程、气候和气象概况进行分析, 评估24、72和144 h模式PM2.5的预报效果, 以及区域重污染天气应急减排措施的效果和不确定性, 以期更加有效地为开展重污染天气应对提供决策技术支持, 为精细化生态环境管理提供科学参考依据, 并为打赢蓝天保卫战和保护人民群众身体健康做出积极作用.
1 材料与方法 1.1 研究对象本研究对象为京津冀大气污染传输通道上的28个城市(“2+26”城市), 包括北京, 天津, 河北省石家庄、唐山、廊坊、保定、沧州、衡水、邢台和邯郸, 山西省太原、阳泉、长治和晋城, 山东省济南、淄博、济宁、德州、聊城、滨州和菏泽, 河南省郑州、开封、安阳、鹤壁、新乡、焦作和濮阳.
1.2 模式设置基于全国空气质量预报预警系统, 采用NAQPMS模式进行数值模拟.模式采取三层嵌套网格, 覆盖东亚、中国中东部和京津冀区域, 所采用的京津冀及周边区域模拟分辨率为5 km×5 km.采用清华大学2016基准年MEIC(multi-resolution emission inventory for China)网格化排放清单, 精度0.25°×0.25°.气象处理模块利用WRF模式(weather research and forecasting model)中尺度气象模式输出的逐小时气象要素场作为模式的动力驱动, 气象要素主要包括气温、湿度、降水、风向、风速和云量等.气象预报的初始条件、边界条件基于美国国家环境预报中心NCEP(national centers for environmental prediction)的GFS(global forecast system)全球气象预报系统.业务预报采用环境空气质量六项污染物准实时同化.具体模型设置和参数方案见参考文献[7, 8].
重污染减排情景模拟依据各地预警启动情况设置, 黄色、橙色和红色预警分别对应各地重污染天气应急预案中Ⅲ级、Ⅱ级和Ⅰ级应急响应.根据各地重污染天气应急预案中制订的差异化减排措施, 调整污染源排放清单, 一般将SO2、NOx、PM和VOCs的排放清单分别下调10%、20%和30%, 以对应黄色、橙色和红色预警的减排措施.
1.3 数据来源环境空气质量数据采用中国环境监测总站国家环境空气质量监测网城市空气质量自动监测审核数据.气候数据及资料采用中国气象局国家气候中心气候系统诊断数据, PM2.5气象条件评估指数EMI (evaluation on meteorological condition index of PM2.5 pollution)数据来自中国气象局国家气象中心.数据处理与统计分析采用Excel、SPSS和Python等.
1.4 评价方法AQI指数、PM2.5浓度和分指数依据《环境空气质量指数(AQI)技术规定(试行)》(HJ 633-2012)[32]、《环境空气质量标准》(GB 3095-2012)[33]和《环境空气质量评价技术规范(试行)》(HJ/T 663-2013)[34]进行评价.3个及以上城市至少连续2 d达到中度及以上污染级别时, 定义为区域污染过程.采用EMI指数[35]评估综合气象条件对PM2.5浓度变化的贡献.
将模式预报(基准预报, 未考虑减排及管控措施的执行)数据与实际监测数据进行比较, 使用相关系数(R)、均方根误差(RMSE)、平均偏差(MB)和标准化平均偏差(NMB)评估空气质量模式预报效果, 具体计算方法参见文献[7, 36].将应急减排措施模拟结果与基准预报结果进行比较, 评估重污染应急减排措施效果.
2 结果与讨论 2.1 空气质量和污染概况2019年10~12月, “2+26”城市空气质量级别优良率63%, 轻度、中度和重度污染级别天数占比分别为25%、7%和5%. PM10、PM2.5、SO2、NO2、CO平均浓度和O3日最大8 h滑动平均浓度分别为112 μg·m-3、64 μg·m-3、14 μg·m-3、49 μg·m-3、1 mg·m-3和60 μg·m-3.2019年10~12月与2018年同期空气质量级别天数对比见图 1, 从中可知, 2019年“2+26”城市10~12月空气质量较2018年改善, 优良级别天数提升6%, 中度及以上污染级别天数下降7%.
|
图 1 2018年10~12月和2019年同期“2+26”城市空气质量级别天数总体分布 Fig. 1 Variation of AQI in "2+26" cities fromOct. to Dec. in 2018 and 2019 |
空气质量级别在中度污染及以上时, 首要污染物主要为PM2.5, 占比达93%.污染过程发生时段和平均浓度见图 2.从中可知, “2+26”城市发生区域性重污染过程4次, 单次过程受影响城市平均为23个, 受影响城市PM2.5平均浓度156 μg·m-3.与2018年同期相比, 区域性重污染过程减少了2次, 但受不利气象条件等因素综合影响, 受影响城市数量平均增加5个, 受影响城市在重污染过程期间PM2.5平均浓度上升了2 μg·m-3.
|
图 2 2019年10~12月“2+26”城市重污染过程持续时长和受影响城市平均浓度 Fig. 2 Average concentrations of PM2.5 and durations of heavy air pollution in "2+26" cities from Oct. to Dec. in 2019 |
重污染过程期间各城市PM2.5分指数中度及以上污染级别累计天数及PM2.5浓度水平见图 3.从中可知, 各城市污染天数与PM2.5日均浓度水平高度相关, Pearson相关系数为0.93(双尾检验, 显著性水平0.05), 长治、阳泉、北京和晋城等12个城市在区域性污染过程期间, 中度及以上污染级别天数占区域性污染过程总持续天数的50%以下, 过程期间PM2.5平均浓度也相对较低, 为126~157 μg·m-3; 而安阳、鹤壁、濮阳、邯郸和邢台等城市中度及以上污染级别天数占比达到75%以上, 受污染过程持续时间较长影响, 过程期间PM2.5平均浓度也相对较高, 为161~195 μg·m-3.
|
图 3 2019年10~12月“2+26”城市中度及以上污染级别累计天数及PM2.5浓度水平 Fig. 3 Cumulative days of moderate and heavy pollution levels, and concentrations of PM2.5 in heavy air pollution episodes in "2+26" cities from Oct. to Dec. in 2019 |
2019年10~12月“2+26”城市PM2.5日均浓度聚类分析结果见图 4.从中可知, 以PM2.5浓度为依据的聚类分析结果体现了明显的地域城市群特点, 28个城市大致可分为6类, 分别为北京周边城市群(北京、天津、保定、廊坊和唐山)、河北和山东省交界城市群(沧州、衡水、德州和滨州); 山西中部城市群(太原、晋城、长治和阳泉)、山东西部城市群(菏泽、聊城、济南、淄博和济宁); 河北和河南省交界城市群(石家庄、邯郸、邢台、安阳、鹤壁和濮阳); 以及河南北部城市群(郑州、焦作、新乡和开封).
|
图 4 “2+26”城市PM2.5浓度系统聚类树状图 Fig. 4 Cluster results of "2+26" cities |
“2+26”城市污染源排放种类和强度、地形地貌、局地小尺度气象条件均不相同, 环境空气质量污染特点各不相同, 但污染发生时, 城市群内不同城市间污染发生的时间和强度又体现出相似之处.以2019年12月7~11日区域性污染过程为例, 12月6日起, 受大雾、静稳、逆温等不利气象条件影响, 河北南部和河南北部地区率先出现小时重度污染, 随后在偏南风作用下, 发展形成至京津冀及周边区域性重污染过程.12月10日午后, 受西北方向冷空气影响, 京津冀北部空气质量逐步转为优良水平, 但河北中南部、山东大部和河南北部在本地污染叠加西北风作用的污染传输影响下, 仍维持重度污染水平, 直至12月11日冷空气进一步加强, 区域性污染过程结束.此次污染过程, 区域偏南和偏北气流的先后影响, 造成了污染物在区域内不同方向上的传输, 地理位置相近的城市在气流的影响下形成了相似的浓度变化趋势.
2.2 污染气象条件分析气象资料显示, 2019年10~12月欧亚中高纬以纬向环流为主, 东亚槽偏弱, 大部地区以偏南风距平为主, 西伯利亚高压和东亚冬季风总体接近常年, 西太平洋副热带高压偏强.京津冀及周边区域城市气温较往年同期偏高1~2℃ [图 5(a)]; 降水量除区域中东部城市低于往年同期外, 大部分城市高于往年同期[图 5(b)]; 北京及区域南部城市降水量总体比往年同期偏高50%以上[图 5(c)]; 近地面北京及周边(红色虚线)和汾渭地区(黑色虚线)相对湿度与往年相近, 京津冀南部地区(蓝色虚线)低于往年同期[图 5(d)]; 北京及周边和京津冀南部地区风向总体偏北, 汾渭地区以偏西为主, 区域近地面风力较小, 日均风速1~2 m·s-1[图 5(e)]; “2+26”城市日均风速≤2 m·s-1的小风天数较多, 占比70%左右, 且大部分城市近地面为偏东南方向距平, 平均风速略低于往年同期[图 5(f)].
|
(a)全国平均气温距平; (b)全国平均降水量距平; (c)全国降水量分布; (d) 1 000 hPa相对湿度; (e)10 m风速均值; (f)10 m风速距平 图 5 2019年10~12月全国平均气温、降水量、相对湿度和风速水平 Fig. 5 Temperature, precipitation, relative humidity, and wind speed levels in China from Oct. to Dec. in 2019 |
EMI指数表示在假设不同年度相同月份间排放率不变的条件下, 气象条件对PM2.5浓度变化的贡献, 值越大表征气象条件越不利于近地面大气中PM2.5稀释与扩散.EMI指数表明, 2019年“2+26”城市10月气象条件较去年同期变差26%, 2019年11月和12月较同期改善7% ~10%.2019年10~12月与2018年同期“2+26”城市EMI值见图 6.不同城市EMI变化值范围为-15.6% ~16.8%, 气象条件比去年同期变差的城市有12个, 主要分布在北京、天津、河北省和山东省, 城市分别为北京(变差程度16.8%)、天津(6.9%)、石家庄(3.3%)、唐山(5.6%)、保定(3.2%)、沧州(4.2%)、廊坊(4.1%)、太原(5.2%)、济南(6.5%)、德州(9.5%)、聊城(4.0%)和滨州(5.8%).
|
图 6 2018年10~12月和2019年同期“2+26”城市EMI值 Fig. 6 EMI values of "2+26" cities from Oct. to Dec. in 2018 and 2019 |
WRF气象模式在京津冀及周边区域预测与观测数据对比分析结果表明：气象模式可以较好地捕捉到研究区域气象条件的主要特征, 风速、气温、相对湿度、降水量预报值与观测值的相关系数(R)平均分别为0.95、1.00、0.94和0.88;平均偏差(MB)平均分别为-0.13 m·s-1、-0.64℃、-7.37%和0.28 mm·d-1; 均方根误差(RMSE)平均分别为1.29 m·s-1、1.12℃、9.11%和2.69 mm·d-1[37].
2019年10~12月期间NAQPMS模式对京津冀及周边区域典型城市AQI指数的基准预报效果见图 7.从中可知, 模式可以较为准确地预测出北京[图 7(a)]、邯郸[图 7(b)]和安阳[图 7(c)]AQI上升和下降的趋势.以2019年12月7~11日重污染过程为例(图 7红色虚线框时段), 模式可以提前6 d较为准确地预测出3个城市污染累积和清除的过程, 经预报员客观订正及会商研判后的预报结果准确率进一步提高, 可以有效支撑重污染天气应急预案的启动和解除, 为生态环境管理提供科学决策依据.
|
图 7 北京、邯郸和安阳24、72、144 h模式预报和监测实况AQI对比 Fig. 7 Comparison of AQI values between 24, 72, and 144 h NAQPMS model and measured data in Beijing, Handan, and Anyang |
“2+26”城市提前1 d(24 h)、提前3 d(72 h)和提前6 d(144 h)PM2.5日均基准预报值与监测值统计分析结果见图 8.从中可知, NAQPMS模式“2+26”城市24 h基准预报Pearson相关系数(双尾检验, 显著性水平0.05)在0.36~0.80之间, 平均值为0.64.尽管随着预报时效延长, 相关系数总体呈减小趋势, 但144 h预报的相关系数仍接近0.50, 反映模式能较好地预测出PM2.5浓度的变化趋势[图 8(a)~8(c)].
|
图 8 “2+26”城市24, 72和144 h PM2.5日均基准预报值与监测值统计分析结果 Fig. 8 Evaluation of 24 h, 72 h, and 144 h air quality forecasting results of "2+26" cities |
24、72和144 h模式预报与监测实况比较的RMSE值范围分别为38~111、49~129和48~146 μg·m-3[图 8(d)~8(f)], 平均分别为61、75和86 μg·m-3, 表明模式对京津冀区域的污染情况均有高估.MB值范围分别为30~90、29~103和29~115 μg·m-3[图 8(g)~8(i)], 平均值分别为49、54和60 μg·m-3.NMB值范围分别为24% ~213%、36% ~247%和37% ~269% [图 8(j)~8(l)], 平均值分别为72%、89%和98%, 表明模式PM2.5预报值与实际监测值趋势总体一致.
2.4 减排效果评估 2.4.1 预警启动情况2019年10~12月期间, 中国环境监测总站发布PM2.5重污染过程提示9次, 为应对秋冬季重污染天气, 京津冀及周边城市根据空气质量预报联合会商结果, 启动了相应级别的重污染天气预警.各城市重污染预警启动累计天数情况见图 9.“2+26”城市均启动过橙色预警, 其中22个城市启动过黄色预警, 15个城市启动过红色预警, 河南省北部城市预警天数达60 d以上.
|
图 9 2019年10~12月“2+26”城市重污染天气预警启动情况 Fig. 9 Initiation of heavy air pollution alert in "2+26" cities from Oct. to Dec. in 2019 |
重污染过程基准模式预报和减排措施情景模拟的PM2.5浓度空间分布见图 10, 从中可知, 重污染天气应急减排措施的实施, 可以有效减少污染物的浓度.以2019年10月17~24日重污染过程为例, 模式预报和区域联合会商结果表明, 京津冀中南部扩散条件不利, 污染物积累可能导致区域中南部出现中度及以上污染过程, 沿山城市可能达到重度污染水平[图 10(a)].根据各地预警启动情况开展的减排措施情景模拟表明, 此期间重污染地区污染物浓度较模式预报结果有所降低[图 10(b)], 使沿山城市PM2.5日均浓度削减率达到2% ~6%左右[图 10(c)].监测实况表明仅石家庄在10月19日出现重度污染, 并在10月21日有效改善至轻度污染, 未形成区域性重污染过程. 2019年10月31~11月10日重污染过程时段的基准预报[图 10(d)]、减排措施情景模拟[图 10(e)]、浓度削减值[图 10(f)]以及2019年12月6~11日重污染过程模拟[图 10(g)~10(i)], 同样反映了PM2.5减排效果.总体上, 相关城市根据预报结果启动应急预案的联防联控措施, 有效减少了区域性重污染过程的发生.
|
(a)、(d)和(g)：基准预报; (b)、(e)和(h)：减排措施情景模拟; (c)、(f)和(i)：消减量 图 10 PM2.5基准预报、减排措施情景模拟和消减量空间分布 Fig. 10 Spatial distribution of PM2.5 basic forecasting, scenario simulation, and spatial distribution of reduction |
部分城市PM2.5小时浓度基准预报值与减排模拟值对比见图 11.从中可知, 2019年12月21~25日重污染过程中(图 11红框虚线框时段)污染程度最重的24日, 北京[图 11(a)]、石家庄[图 11(b)]、保定[图 11(c)]和郑州[图 11(d)]等典型城市PM2.5浓度峰值均有所降低, 预警减排起到了较明显的削峰作用, 促使北京、石家庄、保定和郑州PM2.5小时浓度峰值分别削减了15、9、11和6 μg·m-3.整个污染过程持续时长缩短, 未形成区域性严重污染过程.
|
图 11 北京、石家庄、保定和郑州PM2.5小时浓度基准预报值与减排模拟值比较 Fig. 11 Comparison of hourly PM2.5 concentration between basic simulation and scenariosimulation in Beijing, Shijiazhuang, Baoding, and Zhengzhou |
2019年11月7~9日、12月7~11日和12月21~25日等重污染过程期间, 北京、石家庄、保定和唐山等城市PM2.5日均浓度分别约降低9%、2%、4%和8%.2019年10~12月“2+26”城市PM2.5预报浓度季度均值与减排模拟值对比见图 12.从中可知, 重污染过程期间应急减排措施的执行, 使“2+26”城市PM2.5季度浓度均值分别降低约1~3 μg·m-3.
|
图 12 “2+26”城市PM2.5预报浓度季度均值与减排模拟值对比 Fig. 12 Comparison of average PM2.5 concentrations between basic forecasting and scenario simulation in "2+26" cities |
此次评估采用空气质量模式情景模拟方法, 通过对基准预报、减排情景模拟预报与环境质量监测实况对比的方法, 分析了京津冀及周边“2+26”城市的减排措施效果, 可能与个别城市实际预警启动情况存在几小时偏差.模式基本上能够预测到污染过程的时空演变以及管控措施采取后空气质量的改善, 但对不同城市不同污染阶段预报效果略有偏差, 主要原因包括气象模式、大气化学反应机制和排放清单等存在的不确定性[8].
模式所采用的WRF边界层模拟有偏差, 在气象模拟上经常出现前后半天左右的偏差, 在空间上出现1~2个经纬度的偏差.局地较小扰动的理化反应机制还不十分明晰, 区域空气质量模式对小尺度、精细化预报准确度有待提高.近几年环保督察、检查工作的持续开展, 促进产业结构调整, 严控工业企业生产排放, 使京津冀及周边区域排放源有较大幅度地减少, 模式所采用的2016年排放源清单对排放量有高估.此外, 排放源清单中污染物排放日变化特征缺乏或不准确, 可能导致小时浓度预报存在偏差.
3 结论(1) 2019年10~12月期间, 京津冀及周边区域“2+26”城市高空受纬向环流控制, 天气形势较为稳定, 近地面平均风速总体低于往年同期, 中北部城市相对湿度高于往年同期.“2+26”城市PM2.5气象条件评估指数(EMI)变化值范围为-15.6% ~16.8%, EMI变化显示北京、天津、石家庄、唐山、保定等12个城市气象条件比去年同期变差, 变差程度范围为3.2% ~16.8%.
(2) 2019年10~12月, “2+26”城市PM2.5平均浓度64 μg·m-3, 同比降低10 μg·m-3, 重污染过程期间受影响城市PM2.5平均浓度156 μg·m-3. 4次区域性大范围重污染过程期间, 长治和阳泉等12个城市总体影响较小, 中度及以上污染天数不到50%, 安阳和鹤壁等城市影响较大, 污染天数比例高于75%.PM2.5平均浓度聚类分析结果表明“2+26”城市可大致分为6类, 尽管各城市污染源排放种类和强度、地形地貌、局地小尺度气象均不相同, 但重污染过程期间, 地域城市群内还是体现出相同的污染趋势.
(3) NAQPMS模式可以较为准确地预测出AQI上升和下降的趋势, 提前1 d(24 h)、提前3 d(72 h)和提前6 d(144 h)PM2.5日均预报值(基准预报)与监测值相关性均较好, 可以提前6 d较为准确地预测出污染物的累积和清除过程, 预报员人工订正及会商研判后的预报准确率进一步提高, 可为精细化生态环境管理提供科学决策参考.
(4)“2+26”城市联防联控有效减少了区域性重污染过程的发生, 未出现严重污染过程, 促使城市PM2.5季度均值降低1~3 μg·m-3左右; 有效削减了重污染过程PM2.5浓度峰值, 促使北京、石家庄、保定和郑州等典型城市PM2.5小时浓度峰值分别削减15、9、11和6 μg·m-3, 重污染期间日均PM2.5浓度降幅2% ~9%.
致谢: 感谢中国科学院大气物理研究所陈焕盛博士, 中科三清科技有限公司张稳定和王嘉禾工程师对本研究的支持.中国气象局气候中心袁媛研究员在气候数据与资料、中国气象局气象中心桂海林高级工程师在气象数据与资料方面提供了指导与帮助, 在此一并致谢！
| [1] |
胡京南, 柴发合, 段菁春, 等. 京津冀及周边地区秋冬季PM2.5爆发式增长成因与应急管控对策[J]. 环境科学研究, 2019, 32(10): 1704-1712. Hu J N, Chai F H, Duan J C, et al. Explosive growth of PM2.5during the autumn and winter seasons in the Jing-Jin-Ji and surrounding area and its control measures with emergency response[J]. Research of Environmental Sciences, 2019, 32(10): 1704-1712. |
| [2] |
徐冉, 张恒德, 杨孝文, 等. 北京地区秋冬季大气污染特征及成因分析[J]. 环境科学, 2019, 40(8): 3405-3414. Xu R, Zhang H D, Yang X W, et al. Concentration characteristics of PM2.5 and the causes of heavy air pollution events in Beijing during autumn and winter[J]. Environmental Science, 2019, 40(8): 3405-3414. |
| [3] |
张莹, 贾旭伟, 杨旭, 等. 中国典型代表城市空气污染特征及其与气象参数的关系[J]. 气象与环境学报, 2017, 33(2): 70-79. Zhang Y, Jia X W, Yang X, et al. Characteristics of air pollution and its relationship with meteorological parameters in typical representative cities of China[J]. Journal of Meteorology and Environment, 2017, 33(2): 70-79. |
| [4] | Bei N F, Zhao L N, Wu J R, et al. Impacts of sea-land and mountain-valley circulations on the air pollution in Beijing-Tianjin-Hebei (BTH):A case study[J]. Environmental Pollution, 2018, 234: 429-438. DOI:10.1016/j.envpol.2017.11.066 |
| [5] | Ge B F, Wang Z F, Lin W L, et al. Air pollution over the North China Plain and its implication of regional transport:A new sight from the observed evidences[J]. Environmental Pollution, 2018, 234: 29-38. DOI:10.1016/j.envpol.2017.10.084 |
| [6] | An Z S, Huang R J, Zhang R Y, et al. Severe haze in Northern China:a synergy of anthropogenic emissions and atmospheric processes[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(18): 8657-8666. DOI:10.1073/pnas.1900125116 |
| [7] |
朱媛媛, 高愈霄, 刘冰, 等. 京津冀秋冬季PM2.5污染概况和预报结果评估[J]. 环境科学, 2019, 40(12): 5191-5201. Zhu Y Y, Gao Y X, Liu B, et al. Concentration characteristics and assessment of model-predicted results of PM2.5 in the Beijing-Tianjin-Hebei region in autumn and winter[J]. Environmental Science, 2019, 40(12): 5191-5201. |
| [8] |
朱媛媛, 高愈霄, 柴文轩, 等. 京津冀及周边区域PM2.5叠加沙尘重污染过程特征及预报效果分析[J]. 环境科学, 2020, 41(2): 574-586. Zhu Y Y, Gao Y X, Chai W X, et al. Heavy pollution characteristics and assessment of PM2.5 predicted model results in Beijing-Tianjin-Hebei region and surrounding areas during November 23 to December 4, 2018[J]. Environmental Science, 2020, 41(2): 574-586. |
| [9] |
肖致美, 徐虹, 李鹏, 等. 京津冀区域重污染期间PM2.5垂直分布及输送[J]. 环境科学, 2019, 40(10): 4303-4309. Xiao Z M, Xu H, Li P, et al. Vertical distribution and transport of PM2.5 during heavy pollution events in the Jing-Jin-Ji Region[J]. Environmental Science, 2019, 40(10): 4303-4309. |
| [10] |
王晓琦, 郎建垒, 程水源, 等. 京津冀及周边地区PM2.5传输规律研究[J]. 中国环境科学, 2016, 36(11): 3211-3217. Wang X Q, Lang J L, Cheng S Y, et al. Study on transportation of PM2.5 in Beijing-Tianjin-Hebei (BTH) and its surrounding area[J]. China Environmental Science, 2016, 36(11): 3211-3217. |
| [11] | 中华人民共和国生态环境部办公厅.关于加强重污染天气应对夯实应急减排措施的指导意见(环办大气函[2019] 648号)[R].北京: 生态环境部, 2019. |
| [12] |
何伟, 张文杰, 王淑兰, 等. 京津冀地区大气污染联防联控机制实施效果及完善建议[J]. 环境科学研究, 2019, 32(10): 1696-1703. He W, Zhang W J, Wang S L, et al. Effects and improvement suggestions on air pollution joint prevention and control mechanism in Beijing-Tianjin-Hebei region[J]. Research of Environmental Sciences, 2019, 32(10): 1696-1703. |
| [13] | Wang G, Cheng S Y, Wei W, et al. Characteristics and emission-reduction measures evaluation of PM2.5 during the two major events:APEC and Parade[J]. Science of the Total Environment, 2017, 595: 81-92. DOI:10.1016/j.scitotenv.2017.03.231 |
| [14] | Han X K, Guo Q J, Liu C Q, et al. Effect of the pollution control measures on PM2.5 during the 2015 China Victory Day Parade:implication from water-soluble ions and sulfur isotope[J]. Environmental Pollution, 2016, 218: 230-241. DOI:10.1016/j.envpol.2016.06.038 |
| [15] | Zhou X M, Tan J H, Qin J J, et al. Impact of emissions controls on ambient carbonyls during the Asia-Pacific Economic Cooperation summit in Beijing, China[J]. Environmental Science and Pollution Research, 2019, 26(12): 11875-11887. DOI:10.1007/s11356-019-04577-5 |
| [16] | Tong P F, Zhang Q R, Lin H M, et al. Simulation of the impact of the emergency control measures on the reduction of air pollutants:a case study of APEC blue[J]. Environmental Monitoring and Assessment, 2020, 192(2): 116. |
| [17] |
赵辉, 郑有飞, 徐静馨, 等. 大阅兵期间北京市大气质量改善效果评估[J]. 中国环境科学, 2016, 36(10): 2881-2889. Zhao H, Zheng Y F, Xu J X, et al. Evaluation of the improvement of the air quality during the parade in Beijing[J]. China Environmental Science, 2016, 36(10): 2881-2889. |
| [18] |
王浩, 李轶, 高健, 等. APEC会议期间石家庄市大气污染特征及空气质量保障措施效果评估[J]. 环境科学研究, 2016, 29(2): 164-174. Wang H, Li Y, Gao J, et al. Characteristics of air pollution and evaluation of the effects of air quality assurance measures in Shijiazhuang city during the 2014 APEC meeting[J]. Research of Environmental Sciences, 2016, 29(2): 164-174. |
| [19] |
徐峻, 杜晓惠, 马圣冉, 等. 重污染应急控制措施效果的快速评估方法[J]. 环境工程, 2018, 36(4): 165-169. Xu J, Du X H, Ma S R, et al. Quick assessment method of effects of countermeasures in response to severe air pollution[J]. Environmental Engineering, 2018, 36(4): 165-169. |
| [20] | Zhao H, ZhengY F, Li T. Air quality and control measures evaluation during the 2014 Youth Olympic Games in Nanjing and its surrounding cities[J]. Atmosphere, 2017, 8(6): 100. |
| [21] | Li P F, Wang L Q, Guo P, et al. High reduction of ozone and particulate matter during the 2016 G-20 summit in Hangzhou by forced emission controls of industry and traffic[J]. Environmental Chemistry Letters, 2017, 15(4): 709-715. DOI:10.1007/s10311-017-0642-2 |
| [22] |
毛敏娟, 胡德云. 杭州G20峰会空气污染控制状况评估[J]. 环境科学研究, 2017, 30(12): 1822-1831. Mao M J, Hu D Y. Evaluation of the air pollution control over Zhejiang province during the G20 summit in Hangzhou[J]. Research of Environmental Sciences, 2017, 30(12): 1822-1831. |
| [23] | 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 Reports, 2017, 7(1): 8220. DOI:10.1038/s41598-017-08895-x |
| [24] | 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 |
| [25] |
翟世贤, 安兴琴, 刘俊, 等. 不同时刻污染减排对北京市PM2.5浓度的影响[J]. 中国环境科学, 2014, 34(6): 1369-1379. Zhai S X, An X Q, Liu J, et al. Effects of emission-sources reduction at different time points on PM2.5 concentration over Beijing Municipality[J]. China Environmental Science, 2014, 34(6): 1369-1379. |
| [26] |
王凌慧, 曾凡刚, 向伟玲, 等. 空气重污染应急措施对北京市PM2.5的削减效果评估[J]. 中国环境科学, 2015, 35(8): 2546-2553. Wang L H, Zeng F G, Xiang W L, et al. A model evaluation of the effect of implementing heavy air pollution emergency plan to PM2.5 reduction in Beijing[J]. China Environmental Science, 2015, 35(8): 2546-2553. |
| [27] |
吕喆, 魏巍, 周颖, 等. 2015~2016年北京市3次空气重污染红色预警PM2.5成因分析及效果评估[J]. 环境科学, 2019, 40(1): 1-10. Lv Z, Wei W, Zhou Y, et al. Cause and effect evaluation of PM2.5 during three red alerts in Beijing from 2015 to 2016[J]. Environmental Science, 2019, 40(1): 1-10. |
| [28] | Cai S Y, Wang Y J, Zhao B, et al. The impact of the "Air Pollution Prevention and Control Action Plan" on PM2.5concentrations 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 |
| [29] |
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. |
| [30] | 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 |
| [31] | Wang J D, Zhao B, Wang S X, et al. Particulate matter pollution over China and the effects of control policies[J]. Science of the Total Environment, 2017, 584-585: 426-447. DOI:10.1016/j.scitotenv.2017.01.027 |
| [32] |
HJ 633-2012, 环境空气质量指数(AQI)技术规定(试行)[S]. HJ 633-2012, Technical regulation on ambient air quality index (on trial)[S]. |
| [33] |
GB 3095-2012, 环境空气质量标准[S]. GB 3095-2012, Ambient air quality standard[S]. |
| [34] |
HJ 663-2013, 环境空气质量评价技术规范(试行)[S]. HJ 663-2013, Technical regulation for ambient air quality assessment (on trial)[S]. |
| [35] |
QX/T 479-2019, PM2.5气象条件评估指数(EMI)[S]. QX/T 479-2019, Evaluation on meteorological condition index of PM2.5 pollution[S]. |
| [36] |
张冲, 郎建垒, 程水源, 等. 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 C, Lang J L, Cheng S Y, et al. 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. |
| [37] | Kong L, Tang X, Zhu J, et al. Improved inversion of monthly ammonia emissions in China based on the Chinese ammonia monitoring network and ensemble Kalman filter[J]. Environmental Science & Technology, 2019, 53(21): 12529-12538. |