2020, Vol. 41
2. 中国环境监测总站, 北京 100012;
3. 挥发性有机物污染治理技术与装备国家工程实验室, 广州 510006;
4. 广东省大气环境与污染控制重点实验室, 广州 510006;
5. 广东省环境风险防控与应急处置工程技术研究中心, 广州 510006
, ZHANG Wei1 , HOU Mo1 , LI Yin-song1 , GAO Ping1 , XIA Qing2 , MENG Xiao-yan2 , FAN Li-ya1,3,4,5
, YE Dai-qi1,3,4,5
2. China National Environmental Monitoring Centre, Beijing 100012, China;
3. National Engineering Laboratory for Volatile Organic Compounds Pollution Control Technology and Equipment, Guangzhou 510006, China;
4. Guangdong Provincial Key Laboratory of Atmospheric Environment and Pollution Control, Guangzhou 510006, China;
5. Guangdong Provincial Engineering and Technology Research Centre for Environmental Risk Prevention and Emergency Disposal, Guangzhou 510006, China
随着我国工业的持续发展和机动车保有量的急剧增加, 各项臭氧(O3)前体物在大气中的含量逐渐上升, 在一定的气象条件下发生光化学反应生成O3, 进而导致O3浓度不断升高[1~4]. O3在大气不同高度上都有一定量的分布, 对于大气温度场和大气环流具有十分重要的作用.其中平流层O3具有阻挡紫外线的作用, 而对流层中适量的O3有利于清洁大气, 但由于O3的强氧化性, 近地面O3浓度过高会对人体的呼吸及免疫系统等造成危害, 同时也会影响植物生长, 降低农作物产量[5~8].根据中国近年生态环境状况公报可知, 2018年全国338个地级及以上城市O3日最大8 h平均第90百分位数浓度为151 μg·m-3, 相比2017年的149 μg·m-3, 上升了1.3%, 相比2016年的138 μg·m-3, 上升了9.4%, O3污染正在逐年加重[9, 10].目前, O3已经成为我国仅次于细颗粒物的主要环境空气污染物[11~13].
我国各地工业结构和城市化进程等因素的不同, 导致各地O3污染的原因也不相同, 因此对大气环境进行合理地划分, 分区制定治理目标和综合治理方案就显得格外重要.为了更高效地治理O3, 美国将全国大气环境划分为达标区、非达标区及未可分类区, 制定州政府治理计划, 采用分区的方法治理大气O3污染问题[14~16].欧盟将各成员国大气环境划分为不同的区域, 以划分后的小区域作为环境监管的单元[15, 17].此外, 相关学者也对我国臭氧分区治理进行了一些研究, 杨柳林等[18]利用层次聚类分析法将广东省划分为严格控制区、持续改善区和协调发展区这3种大气环境管理分区类型; Hayashida等[19]利用2004年10月至2013年12月的臭氧监测仪(OMI)卫星数据揭示了中国O3分布的时空变化, 利用所定义的ΔO3值(OMI O3反演数据与背景O3值的差值)的季节变化趋势将华北平原和四川盆地分为9个区域; 程麟钧等[11]采用旋转经验正交函数法(REOF)对2016年5~10月期间O3污染随时间变化的特征进行分析, 将全国划分为10个控制区.
以往的研究多是通过O3浓度的变化规律来进行分区.然而, 一个区域的O3主要包括本地生成O3和区域传输O3两个部分, 二者在不同区域的相对贡献往往是有差别的[20~22].因此, 量化本地生成O3与区域传输O3的相对量, 了解当地O3污染产生的主要来源, 才能更好地制定O3污染防治对策[23].量化区域传输O3量的方法有很多, Xue等[24]利用OBM模型对中国4个大城市(北京、上海、广州和兰州)的4个下风向站点进行分析, 得出北京下风向站点主要受区域传输O3的影响, 上海、广州和兰州这3个站点主要受本地生成O3的影响. Zong等[25]利用OBM模型计算出山东禹城46%的O3为本地生成, 54%的O3是通过城市羽流传输而来.但通过模型模拟的结果可能会受到排放清单的不确定性等因素的影响.
TCEQ(texas commission on environmental quality)方法是由美国得克萨斯州环境质量委员会提出, 一开始通过选择位于上风向的农村站点, 以该站点O3日最大8 h平均值作为该地的区域传输O3量; 后来Nielsen-Gammon等[26]进一步使用了一种更自动化的方法, 即利用区域周围监测站点中监测到的最小的O3日最大8 h平均值作为区域传输O3量, 假设该监测站点不受本地排放的影响, 将所有监测站点中的最大值作为该地的O3最大浓度, 即作为区域传输O3贡献值及光化学反应O3生成值的总体值, 本地光化学反应生成的O3即为二者之差, 并将该方法应用于休斯顿-加尔维斯敦大都市区、达拉斯-沃斯堡大都市区、泰勒-朗维-马歇尔以及奥斯汀等多个地区. Kemball-Cook等[23]利用地面监测数据(通过TCEQ方法进行处理)、飞机监测数据以及光化学网格模型计算了休斯顿和达拉斯O3超标时期区域传输O3和本地生成O3的贡献量, 结果表明3种数据得到的结果基本一致. Langford等[27]在得克萨斯州运用主成分分析法(PCA)计算了该地区区域传输O3的贡献比例, 发现通过PCA方法所得到的结果和Nielsen-Gammond等[26]利用TCEQ方法计算的结果一致. Berlin等[22]将休斯顿、加尔维斯敦和布拉佐里亚合并为大休斯顿地区, 利用TCEQ方法计算得到的区域传输O3量和PCA方法所得结果相关性系数为0.80, 其又对区域传输O3量与O3日最大8 h平均值进行相关性分析, 得出O3日最大8 h平均值63%的变异是由区域传输O3所决定. Xue等[21]利用TCEQ方法对中国香港2002~2013年秋季(9~11月)的空气质量监测数据进行分析, 计算得到了12 a中每一年秋季的区域传输Ox(Ox=O3+NO2)值和本地生成Ox值, 通过相关性分析证明了Ox日最大8 h平均值75%的变异是由区域传输Ox值决定的, 并运用OBM模型模拟出当地的Ox生成速率, 二者都证明了在中国香港政府的控制下, 中国香港本地生成的Ox量下降, 但由于区域传输Ox量的增加, 最终导致中国香港总体Ox水平并没有减少.
以上研究说明了利用TCEQ方法计算本地生成O3量与区域传输O3量的可行性, 并且通过与O3日最大8 h平均值进行相关性分析可以得到两种来源对于当地O3污染的贡献[28], 但其主要针对个别城市或区域进行研究, 未对大区域的O3来源特征进行分析及分类.本文根据2018年地面O3监测数据分析了全国338个地级及以上城市的O3超标状况, 划分出O3超标城市与达标城市; 利用TCEQ方法计算出各城市的区域传输O3量和本地生成O3量, 并通过决定系数(R2)对全国各城市的O3来源进行解析, 识别出以本地生成O3污染为主的城市和以区域传输O3污染为主的城市; 最终根据各城市O3超标状况与污染来源状况建立了O3污染控制区的划分, 以期为我国制定更加科学合理的O3污染防控对策提供理论依据和技术支持.
1 材料与方法 1.1 数据来源本文研究的范围为中国大陆(不包括中国香港、澳门和台湾), 共338个地级及以上城市. O3监测数据为中国环境监测总站1425个国控监测点位的地面小时平均数据, 根据《环境空气质量评价技术规范(试行)》(HJ 663-2013)[29]和《环境空气质量标准》(GB 3095-2012)[30]中数据统计的有效性规定, 对所有有效数据进行统计, 将由于监测仪器校准、停电或设备故障等不可抗拒因素造成的缺测或数据为零的O3小时数据剔除, 共剔除26328个小时数据, 数据有效率为99.8%.气象数据为中国气象局国控点位的地面逐小时观测数据.
全国各城市O3超标状况按照《环境空气质量评价技术规范(试行)》(HJ 663-2013)[29]中的O3年评价指标(1 a中O3日最大8 h平均值第90百分位数)以及《环境空气质量标准》(GB 3095-2012)[30]中O3的二级浓度限值(160 μg·m-3)进行评价.
1.2 分析方法 1.2.1 TCEQ方法随着监测网络逐渐成熟, 监测站点分布愈加广泛, 通过TCEQ方法, 利用研究区域内各监测站点的O3日最大8 h平均值可计算出该地的本地生成O3量和区域传输O3量.为了便于环境管理政策的实施, 本文以地级市为研究区域, 依据由Nielsen-Gammon等[26]改进后的TCEQ方法, 筛选出各研究区域内城市化或工业化地区边缘或附近的监测站点, 无论风向如何变化, 总有一个筛选站点处于研究区域的上风向, 可以监测到区域性气团, 而其他站点或多或少地会受到本地生成O3的影响, 将这些筛选站点的O3日最大8 h平均值的最小值作为区域传输O3量, 所有监测站点中的O3日最大8 h平均值的最大值作为该地的最大O3量(即区域传输O3量与本地光化学反应生成O3量的和)[31], 最终计算出每日的本地生成O3量, 即该地的最大O3量与区域传输O3量的差值：
|
式中, LO3表示本地生成O3量; DAO8max表示区域内所有站点中测得的O3日最大8 h平均值的最大值; DAO8min表示区域内筛选站点中测得的O3日最大8 h平均值的最小值.
TCEQ方法对于城市站点数有一定要求, 当城市中站点较少时, 会影响TCEQ方法的准确性, 甚至无法使用该方法.本研究中15个边远城市(海南藏族自治州、克孜勒苏柯尔克孜自治州和玉树藏族自治州等)由于监测站点较少无法准确使用TCEQ方法, 根据地理位置特点, 本文将其与周边城市合并形成9个新的区域再进行研究(包括：克孜勒苏柯尔克孜自治州与喀什地区; 阿里地区与和田地区; 塔城地区与克拉玛依市; 五家渠市与昌吉回族自治州; 海西蒙古藏族自治州与玉树藏族自治州; 海南藏族自治州、黄南藏族自治州、果洛藏族自治州与甘南藏族自治州; 海北藏族自治州、西宁市与海东市; 武威市与金昌市; 黔南布依族苗族自治州与黔东南苗族侗族自治州).
TCEQ方法在一定条件下存在一些不确定性, 如：①该地区前几日产生的O3可能会因气流传输的影响再次回到该地区, 导致过高地估计区域传输O3量; ②区域背景O3可能具有比较大的空间梯度; ③在山区等特殊地形中, TCEQ方法有时并不一定能够完美捕捉到区域性气团; ④对于沿海城市, 如果海风比较微弱, 只影响了部分沿海区域而未进入到整个城市地区, 会造成部分沿海站点O3测量值偏小, 从而低估了该地的区域传输O3量.前两种情况对于量化区域传输O3量和本地生成O3量来说是不可避免的.对于第3种情况, 由于我国气候属于季风性气候, 1 a中主导风向发生着规律性的季节更替, 夏季多为东南或西南风, 冬季多为西北或东北风, 本研究对1425个国控监测点位全年的监测数据进行分析, 统计了各种风向下的情况, 最大限度地减小了山区地形对于TCEQ方法使用的影响.第4种情况可通过对数据的修正减少所造成的误差[21, 22], 通过对全国各个沿海城市的站点位置进行检查, 在其各自的海陆风盛行时间内, 筛选出沿海站点监测数值远远小于内陆站点监测数值的天数, 将内陆站点中的最小监测数值赋值给沿海站点, 作为该区域的区域传输O3量[21].本文共对17个城市57 d的数据进行了修正, 这些城市修正时间内区域传输O3量平均提高了32.0 μg·m-3.
1.2.2 决定系数(R2)决定系数(R2)体现了回归模型中自变量的变异在因变量的变异中所占的比例.由于各O3前体物的排放状况和气象条件的不同, 各地光化学反应所产生的O3对于本地O3污染的贡献也不相同, 因此对本地生成O3与O3日最大8 h平均值进行相关性分析, 利用R2来评定本地光化学反应生成O3的贡献. R2值越大, 代表该地O3污染受本地生成O3的影响越大; 反之, 该地O3污染受本地生成O3的影响越小.
1.2.3 K-均值聚类分析聚类分析是将一组样品中相似的对象组成一个类, 最终形成“类内相似, 类外有别”的多个类的一种统计分析方法.本文所使用的K-均值聚类分析为非层次聚类分析, 即分类前确定分为K类, 随机选取每个类别的原始聚类中心, 采用迭代的方法和距离最近的原则进行分类.通过该分类方法利用R2值将全国338个城市分为两类：R2值较大的一类为O3污染受本地生成O3影响较大的城市; R2值较小的一类为O3污染受外来传输O3影响较大的城市.
2 结果与讨论 2.1 我国O3污染态势与超标情况2018年我国338个城市O3日最大8 h平均值第90百分位数范围为85.3~218.5 μg·m-3, 平均值为(152.5±25.9) μg·m-3. 图 1(a)为2018年我国O3日最大8 h平均值第90百分位数空间分布, 可以看出京津冀、长三角、珠三角、汾渭平原、成渝地区以及山东省西部、河南省北部等地O3污染较为突出, O3浓度最高的前5个城市分别为临汾(218.5 μg·m-3)、聊城(215.9 μg·m-3)、滨州(214.6 μg·m-3)、保定(211.0 μg·m-3)和晋城(210.9 μg·m-3). O3浓度最低的地区主要分布在黑龙江省北部、内蒙古东北部、新疆及西藏部分地区等, 最低O3浓度位于新疆吐鲁番地区, 为85.3 μg·m-3.
|
N城市: O3超标城市; S城市: O3达标城市;数据不包括中国香港澳门和台湾,下同 图 1 2018年全国各城市O3日最大8 h平均值第90百分位数及O3超标情况空间分布 Fig. 1 Spatial distribution of 90th percentile of the daily maximum 8-h average O3 and O3 nonattainment situation in Chinese cities in 2018 |
图 1(b)为2018年我国各城市的O3超标情况空间分布, 其中O3浓度超标城市(cities with ozone nonattainment situation, N城市), O3浓度达标城市(cities with ozone standard situation, S城市). 2018年全国共有121个城市O3超标, 超标率达35.8%, 包括北京、天津、上海、杭州、广州、佛山和东莞等地. O3超标城市分布特征较为明显, 主要集中在发达城市及城市群.这些O3超标地区工业比较发达, 人口稠密, 机动车以及工业源排放的O3前体物较多.其中, 内蒙古的乌兰察布、乌海市等地也出现了O3超标的状况, 这可能是来自京津冀地区及汾渭平原等地的O3受气流影响, 通过区域传输造成了下风向城市O3浓度超标.
2.2 各城市O3污染主要来源图 2为2018年全国各城市本地生成O3量和R2值的分布.其中, 北京在6月本地生成O3对于当地O3污染的贡献为16.7%(图略), 这与赵芸程[32]利用自主发展的空气质量数值模式WRF-NAQPMS(weather research and forecasting model-nested air quality prediction modelling system)以及生物源排放模式MEGAN(model of emissing of gases and aerosols from nature)所计算出的2018年6月北京O3日最大8 h平均值的来源解析结果中18.6%的本地贡献率相接近; 王静[33]利用CAMx-OSAT模型的污染源识别与追踪技术模拟解析了2018年4月15~29日不同区域对青岛市的O3浓度贡献, 结果表明其他城市长距离传输贡献约为60%~80%, 这与本文计算的该时段内区域传输O3贡献为70.0%(图略)相吻合.
|
图 2 2018年全国各城市本地生成O3量及R2分布 Fig. 2 Distribution of O3 generated locally and R2 in Chinese cities in 2018 |
由图 2可以看出, 本地生成O3量高值点与R2高值点(即以本地生成O3污染为主的区域)分布比较广泛, 但二者基本上相对应, 主要分布在京津冀及周边地区、长三角、珠三角、成渝地区、甘肃兰州和山东半岛等地.而在新疆维吾尔自治区和黑龙江省这些本地生成O3低值区域也出现了较大面积的R2高值区域.这可能是由于新疆和黑龙江特殊的气候条件与地形引起的[6, 34, 35]. 图 3为2018年新疆维吾尔自治区与黑龙江省年均风速分布, 在两省的R2高值分布地区, 年均风速均在2.5m·s-1左右, 其较低的风速导致本地的O3不易向外扩散, 其他地区的O3也较难传输过来, 使得R2值较高, 因此当地O3浓度主要受本地生成O3的影响.
|
图 3 2018年新疆维吾尔自治区与黑龙江省年均风速分布 Fig. 3 Distribution of annual wind speed in Xinjiang Uygur Autonomous Region and Heilongjiang Province in 2018 |
利用R2值通过K-均值聚类分析法对全国各城市O3主要污染来源进行聚类分析, 表 1和图 4分别为2018年全国各城市O3主要污染来源聚类分析结果以及各城市O3主要污染来源分类, 可以看出全国共分为两类城市, 其中北京、天津、上海、广州和东莞等104个城市为聚类1城市, R2平均值为0.435±0.103, 占总城市数的30.8%, 即以本地生成O3为主的城市(cities with mainly locally generated ozone, L城市).在L城市中, 本地生成O3对于O3浓度的贡献率均大于30.0%, 这类城市通过对其属地进行治理, 削减O3前体物的排放量, 可以显著改善O3污染状况.聚类2城市中, 桂林、内江、绍兴、枣庄和廊坊等234个城市的R2平均值为0.156±0.084, 占总城市数的69.2%, 即以区域传输O3为主的城市(cities with mainly regionally transported ozone, T城市).对于这些城市来说, 其本地生成O3在当地O3污染中的贡献率均小于30.0%, O3污染主要受其上风向城市O3传输的影响, 所以在对当地O3进行治理的同时, 上风向城市也应承担较大的O3治理责任.
|
表 1 2018年全国各城市O3主要污染来源聚类分析结果1) Table 1 Cluster analysis results of major sources of O3 pollution in Chinese cities in 2018 |
|
L城市:以本地生成O3为主的城市;T城市:以区域传输O3为主的城市 图 4 2018年全国各城市O3主要污染来源分类 Fig. 4 Classification of major sources of O3 pollution in Chinese cities in 2018 |
综合以上分析的全国338个城市O3超标情况以及由R2判定的O3污染主要来源结果, 将全国338个地级及以上城市分为以下4类：超标-以本地生成O3为主的城市(cities with ozone nonattainment situation and mainly locally generated ozone, N-L城市); 超标-以区域传输O3为主的城市(cities with ozone nonattainment situation and mainly regionally transported ozone, N-T城市); 达标-以本地生成O3为主的城市(cities with ozone standard situation and mainly locally generated ozone, S-L城市)和达标-以区域传输O3为主的城市(cities with ozone standard situation and mainly regionally transported ozone, S-T城市).
表 2为全国4类城市的O3浓度与R2值.从中可以看出, 属于N-L的城市有35个, 占全国城市总数的10.4%, 主要包括北京、天津、石家庄、上海、广州、佛山、济南和重庆等地, 其2018年O3日最大8 h平均值第90百分位数均值为178.5 μg·m-3, R2均值为0.433, 最大值可达0.646. 图 5为全国4类城市的分类, 从中可知, 红色区域为N-L城市, 主要分布在京津冀及周边地区、长三角、珠三角、成渝地区以及山东省部分地区.这类城市工业发达, 人口稠密, 机动车排放的O3前体物数量较大, 光化学反应强烈, 在导致本地O3浓度超标的同时, 甚至有可能使下风向城市O3浓度升高, 属于需重点控制的城市.
|
|
表 2 不同城市类别O3浓度与R2值 Table 2 O3 concentration and R2 values in different city categories |
|
N-L城市：超标-以本地生成O3为主的城市; N-T城市：超标-以区域传输O3为主的城市; S-L城市：达标-以本地生成O3为主的城市; S-T城市：达标-以区域传输O3为主的城市 图 5 2018年全国城市O3污染分类 Fig. 5 Classification of O3 pollution in Chinese cities in 2018 |
属于N-T的城市有86个, 占城市总数的25.4%, 主要包括保定、承德、绍兴、肇庆、扬州和苏州等地.该区域的2018年O3日最大8 h平均值第90百分位数均值为181.9 μg·m-3, R2均值为0.165, 最小值为0.015. 图 5中粉色区域为N-T城市, 可以看出该类城市主要分布在N-L城市附近, 虽然本地生成O3贡献不大, 但处于O3污染严重城市的下风向时, O3可通过传输的方式进入到该类城市中, 进而导致了较为严重的O3超标现象.
属于S-L的城市有69个, 占比为20.4%, 主要包括深圳、兰州、青岛、哈尔滨、惠州和海口等地.该区域的2018年O3日最大8 h平均值第90百分位数均值为135.6 μg·m-3, R2均值为0.436, 最大值为0.729. 图 5中深蓝色区域为S-L城市, 这类城市多属于经济发达城市, 人口较多, 虽然O3浓度未超标, 但光化学反应比较活跃, O3浓度变化主要是受当地生成O3的影响.
属于S-T的城市有148个, 占比达到43.8%, 主要包括汕头、宿州、温州、韶关、雅安和宿迁等地.该区域的2018年O3日最大8 h平均值第90百分位数均值为137.7 μg·m-3, R2均值为0.153, 最小值为0.0005. 图 5中浅蓝色区域为S-T城市, 这些城市经济发达程度略低, 重工业相对较少, 前体物排放量不大, 使得光化学反应较弱, 本地生成O3量少, O3浓度也相对较低.
2.4 全国臭氧控制区划分结果为了能最大限度达到O3控制措施实施的便利性和有效性, O3控制区的划分应尽量达成同一控制区内特征的一致性和不同控制区之间的差异性及协调性.结合已有研究, 张南南等[36]在对宜昌市进行空气资源等级分区时, 以国家环保部颁布的《制定地方大气污染物排放标准的技术方法》(GB/T 13201-91)中所规定的通风系数A值为依据, 将宜昌地区空气资源禀赋等级共分为4级：充裕、较好、一般和稀少.此类等级的划分, 具有一定的经验性和探索性, 体现的不是某个地区的绝对量, 而是空间分布差异和相对大小.本研究根据各省份中4类城市的占比情况, 将全国划分为3个等级的控制区. 图 6(a)为初步分区结果, 其中蓝色区域为一般控制区, 主要包括黑龙江、新疆、吉林、甘肃、广西和江西等12个省(自治区).如表 3所示, 这些省(自治区)中的N-L城市与N-T城市占比均为0%, 在S城市中又主要以S-T城市为主(65.4%), 本地生成O3对该区域影响较小, O3污染情况较轻.红色区域为重点控制区, 其2018年O3城市超标率(N-L城市与N-T城市总占比)为57.7%, 4类城市均有分布, 其中N-T城市占比最高(41.9%).而在重点控制区中又存在一部分省份, 其S-T城市占比较高, 属于重点控制区中污染状况较轻, 本地光化学反应产生O3对其贡献较小的区域, 将这部分省份进一步划分为中度控制区.对于O3超标问题严重(N-L城市与N-T城市总占比较大)并且本地生成O3对O3污染影响较大(N-L城市占比明显大于其他地区)的省份, 则进一步划分为重度控制区, 如图 6(b)所示.
|
图 6 2018年全国O3控制区划分初步与最终结果 Fig. 6 Preliminary and final divisions of national O3 control areas in China in 2018 |
|
|
表 3 重点控制区和一般控制区各类城市占比 Table 3 Proportion of various cities in key and general control areas |
表 4为最终划分出的重度控制区、中度控制区和一般控制区中4类城市所占比例的特征, 可以看出重度控制区包括13个省(自治区、直辖市), 主要有北京、天津、上海、重庆、江苏、广东、山东、河南、山西、河北和安徽等, N城市及N-L城市占比分别为73.9%和20.3%, 在3类控制区中比例最大, 污染最为严重, 本地生成O3影响也较大; 中度控制区主要有浙江、宁夏、内蒙古、辽宁、四川和湖南等6个省(自治区), 其4类城市占比分别为7.8%、20.8%、20.8%和50.6%, 均属于3类控制区的中等水平.由于R2高值点分布较为广泛, 三类控制区中L城市占比差距并不明显, 依次为27.5%、28.6%和34.6%.一般控制区比例最高主要是由于新疆维吾尔自治区和黑龙江省的贡献, 若去掉这两个省份的影响, 一般控制区的L城市占比为24.1%.
|
|
表 4 全国O3控制区各类城市占比 Table 4 Proportion of various cities in O3 pollution control areas |
在所划分出的3类控制区中, 重度控制区涵盖了京津冀、长三角、珠三角、山东城市群、汾渭平原等国家所确定的O3重污染地区, 但由于本研究在考虑O3浓度是否超标的同时, 还考虑了引起该地O3污染的主要来源, 所以划定的重点控制城市不完全相同, 如长三角地区的扬州、泰州、绍兴等, 虽然这些城市O3超标, 但其本地O3浓度主要受区域传输的影响, 在本次研究中未被列为重点控制城市.此外, 重度控制区与一般控制区分别同李霄阳等[12]利用Global Morans I和Getis-Ord Gi*指数划分出的热点区(O3高值聚集紧密的地区)和冷点区(O3低值聚集紧密的地区)基本一致, 但珠三角等地被其划为了冷点区, 这是由于利用O3年平均值进行统计的原因, 而本文是利用O3日最大8 h平均值第90百分位数对城市O3状况进行评价, 并通过珠三角等地的O3来源状况最终将其划分为了重度控制区, 与国家划分的大气重污染地区基本一致.另外, O3控制区的划分除应考虑O3污染状况、区域传输等因素外, O3与前体物的关系及O3敏感性的差异也应纳入考虑, 这也是本研究下一步要进行的内容.
2.5 基于臭氧污染分区的管理建议O3能在区域内进行传输, 具有非常明显的区域性特征, 如果仅仅对其进行属地管理, 效果甚微[24].因此, 区域性大气联防联控机制的建立是解决O3等二次污染问题的重要途径.在划定区域内, 各城市之间应统一管理, 共同制定大气污染防治计划和目标.但不同城市由于经济发展状况不同, 对于O3污染的贡献也不同.基于此, 在各城市之间应建立区别性的责任体系[15].第一类N-L城市O3浓度超标, 污染较为严重, O3前体物排放量也较大, 污染主要受本地生成O3的影响; 而第三类S-L城市虽然O3浓度未超标, 但光化学反应生成的O3是当地O3的主要来源, 如果不做好O3污染的防治工作, 在NOx与VOCs的排放量增加, 气象条件适宜的情况下, 很容易造成O3污染加剧, 并且可能导致附近城市的O3浓度也相应升高.以上两类城市在区域联防联控中应该承担主要的减排责任, 从而更有效地降低当地O3浓度.第二类N-T城市与第四类S-T城市, 主要受外来传输O3的影响, 本地生成的O3贡献较小, 联防联控中应该承担较小的减排责任, 在控制当地前体物排放的同时, 更应该对其上风向城市进行污染物管控.
3 结论(1) 2018年我国338个地级及以上城市O3日最大8 h第90百分位数浓度为85.3~218.5 μg·m-3, 平均值为(152.5+25.9) μg·m-3, 共有121个城市超标, 超标率达到35.8%, 主要分布在京津冀、长三角、珠三角、汾渭平原、成渝地区以及山东省西部、河南省北部等地.
(2) O3污染受本地生成O3影响较大(R2值较大)的区域分布较为分散, 主要分布在京津冀及周边地区、长三角、珠三角、成渝地区、甘肃兰州和山东半岛等地, 大致与本地生成O3高值点相对应.但在新疆维吾尔自治区和黑龙江省的本地生成O3低值点也出现了较大面积的R2高值现象, 这主要与当地的低风速有关.利用R2进行K-均值聚类分析将全国338个城市分为两类：O3污染主要受本地生成O3影响的城市, 即L城市(R2>0.300)共有104个; O3污染主要受区域传输O3影响的城市, 即T城市(R2 < 0.300)共有234个.
(3) 根据各城市的O3超标状况以及主要污染来源, 最终将338个城市分为4类：N-L城市、N-T城市、S-L城市和S-T城市.其中N-L城市有35个, 占比10.4%, 主要包括北京、天津、石家庄、上海、广州、佛山、济南和重庆等地; N-T城市有86个, 占比25.4%, 主要包括保定、承德、绍兴、肇庆、扬州和苏州等地; S-L城市有69个, 占比20.4%, 主要包括哈尔滨、兰州、惠州、深圳、青岛和海口等地; S-T城市有148个, 占比43.8%, 主要包括汕头、宿州、韶关、雅安、温州和宿迁等地.
(4) 根据各省份中4类城市占比, 将全国划分为3类控制区：重度控制区、中度控制区及一般控制区.在重度控制区中N-L城市(20.3%)在3类控制区中占比最多, 污染最为严重; 中度控制区中, 4类城市的占比均处于中等水平; 一般控制区中, 则主要以S-T城市(65.4%)为主, 本地生成O3量较少, 污染程度较轻.
| [1] |
王玫, 郑有飞, 柳艳菊, 等. 京津冀臭氧变化特征及与气象要素的关系[J]. 中国环境科学, 2019, 39(7): 2689-2698. Wang M, Zheng Y F, Liu Y J, et al. Characteristics of ozone and its relationship with meteorological factors in Beijing-Tianjin-Hebei Region[J]. China Environmental Science, 2019, 39(7): 2689-2698. |
| [2] | Wang T, Xue L K, Brimblecombe P, et al. Ozone pollution in China:a review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2017, 575: 1582-1596. DOI:10.1016/j.scitotenv.2016.10.081 |
| [3] | Duncan B N, Yoshida Y, Olson J R, et al. Application of OMI observations to a space-based indicator of NOx and VOC controls on surface ozone formation[J]. Atmospheric Environment, 2010, 44(18): 2213-2223. DOI:10.1016/j.atmosenv.2010.03.010 |
| [4] | Li K, Jacob D J, Liao H, et al. Anthropogenic drivers of 2013-2017 trends in summer surface ozone in China[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(2): 422-427. DOI:10.1073/pnas.1812168116 |
| [5] |
刘小正, 楼晟荣, 陈勇航, 等. 基于OMI数据的中国中东部城市近地面臭氧时空分布特征研究[J]. 环境科学学报, 2016, 36(8): 2811-2818. Liu X Z, Lou S R, Chen Y H, et al. Spatiotemporal distribution of ground-level ozone in mid-east China based on OMI observations[J]. Acta Scientiae Circumstantiae, 2016, 36(8): 2811-2818. |
| [6] |
黄秋霞.新疆典型区域近地面臭氧浓度特征分析[D].乌鲁木齐: 新疆大学, 2014. Huang Q X. The characteristics analysis of surface ozone at typical areas of Xinjiang[D]. Urumqi: Xinjiang University, 2014. http://cdmd.cnki.com.cn/article/cdmd-10755-1014383573.htm |
| [7] | Wang Z B, Li J X, Liang L W. Spatio-temporal evolution of ozone pollution and its influencing factors in the Beijing-Tianjin-Hebei Urban Agglomeration[J]. Environmental Pollution, 2020, 256. DOI:10.1016/j.envpol.2019.113419 |
| [8] |
班婕, 李湉湉. 北京市不同度量方式下臭氧短期暴露人群急性健康效应研究[J]. 环境与健康杂志, 2016, 33(4): 287-291. Ban J, Li T T. Short-term effects of different ozone metrics on daily mortality in Beijing[J]. Journal of Environment and Health, 2016, 33(4): 287-291. |
| [9] | 中华人民共和国生态环境部. 2017中国生态环境状况公报[EB/OL].http://www.mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/201805/P020180531534645032372.pdf, 2018-05-22. |
| [10] | 中华人民共和国生态环境部. 2018中国生态环境状况公报[EB/OL].http://www.mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/201905/P020190619587632630618.pdf, 2019-05-22. |
| [11] |
程麟钧, 王帅, 宫正宇, 等. 中国臭氧浓度的时空变化特征及分区[J]. 中国环境科学, 2017, 37(11): 4003-4012. Cheng L J, Wang S, Gong Z Y, et al. Spatial and seasonal variation and regionalization of ozone concentrations in China[J]. China Environmental Science, 2017, 37(11): 4003-4012. |
| [12] |
李霄阳, 李思杰, 刘鹏飞, 等. 2016年中国城市臭氧浓度的时空变化规律[J]. 环境科学学报, 2018, 38(4): 1263-1274. Li X Y, Li S J, Liu P F, et al. Spatial and temporal variations of ozone concentrations in China in 2016[J]. Acta Scientiae Circumstantiae, 2018, 38(4): 1263-1274. |
| [13] |
张远航, 邵可声, 唐孝炎, 等. 中国城市光化学烟雾污染研究[J]. 北京大学学报(自然科学版), 1998, 34(2-3): 260-268. Zhang Y H, Shao K S, Tang X Y, et al. The study of urban photochemical smog pollution in China[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 1998, 34(2-3): 260-268. |
| [14] |
李媛媛, 黄新皓. 美国臭氧污染控制经验及其对中国的启示[J]. 世界环境, 2018(1): 24-27. Li Y Y, Huang X H. The experience of ozone pollution control in the United States and its implications to China[J]. World Environment, 2018(1): 24-27. |
| [15] |
柴发合, 王晓, 罗宏, 等. 美国与欧盟关于PM2.5和臭氧的监管政策述评[J]. 环境工程技术学报, 2013, 3(1): 46-52. Chai F H, Wang X, Luo H, et al. Review of supervision policies of USA and European Union on PM2.5 and O3[J]. Journal of Environmental Engineering Technology, 2013, 3(1): 46-52. |
| [16] |
杨昆, 黄一彦, 石峰, 等. 美日臭氧污染问题及治理经验借鉴研究[J]. 中国环境管理, 2018, 10(2): 85-90. Yang K, Huang Y Y, Shi F, et al. Research on the ozone pollution and control measures in US and Japan[J]. Chinese Journal of Environmental Management, 2018, 10(2): 85-90. |
| [17] | Tabler S K. EPA's Program for establishing national emission standards for hazardous air pollutants[J]. Journal of the Air Pollution Control Association, 1984, 34(5): 532-536. DOI:10.1080/00022470.1984.10465771 |
| [18] |
杨柳林, 李敏辉, 廖程浩, 等. 大气环境分区管理:以广东省为例[J]. 环境科学, 2018, 39(1): 49-56. Yang L L, Li M H, Liao C H, et al. Air quality subarea management:a case study of Guangdong Province[J]. Environmental Science, 2018, 39(1): 49-56. |
| [19] | Hayashida S, Kajino M, Deushi M, et al. Seasonality of the lower tropospheric ozone over China observed by the Ozone Monitoring Instrument[J]. Atmospheric Environment, 2018, 184: 244-253. DOI:10.1016/j.atmosenv.2018.04.014 |
| [20] | Li Y, Lau A K H, Fung J C H, et al. Ozone source apportionment (OSAT) to differentiate local regional and super-regional source contributions in the Pearl River Delta region, China[J]. Journal of Geophysical Research:Atmospheres, 2012, 117(D15): D15305. DOI:10.1029/2011JD017340 |
| [21] | Xue L K, Wang T, Louie P K K, et al. Increasing external effects negate local efforts to control ozone air pollution:A case study of Hong Kong and implications for other Chinese cities[J]. Environmental Science & Technology, 2014, 48(18): 10769-10775. |
| [22] | Berlin S R, Langford A O, Estes M, et al. Magnitude, decadal changes, and impact of regional background ozone transported into the Greater Houston, Texas, area[J]. Environmental Science & Technology, 2013, 47(24): 13985-13992. |
| [23] | Kemball-Cook S, Parrish D, Ryerson T, et al. Contributions of regional transport and local sources to ozone exceedances in Houston and Dallas:comparison of results from a photochemical grid model to aircraft and surface measurements[J]. Journal of Geophysical Research:Atmospheres, 2009, 114(D7). DOI:10.1029/2008JD010248 |
| [24] | Xue L K, Wang T, Gao J, et al. Ground-level ozone in four Chinese cities:precursors, regional transport and heterogeneous processes[J]. Atmospheric Chemistry and Physics, 2014, 14(23): 13175-13188. DOI:10.5194/acp-14-13175-2014 |
| [25] | Zong R H, Yang X, Wen L, et al. Strong ozone production at a rural site in the North China Plain:Mixed effects of urban plumesand biogenic emissions[J]. Journal of Environmental Sciences, 2018, 71: 261-270. DOI:10.1016/j.jes.2018.05.003 |
| [26] | Nielsen-Gammon J, Tobin J, McNeel A, et al. A conceptual model for eight-hour ozone exceedances in Houston, Texas part I: background ozone levels in Eastern Texas[R]. Texas: Center for Atmospheric Chemistry and the Environment, Texas A&M University, 2005. 1-52. |
| [27] | Langford A O, Senff C J, Banta R M, et al. Regional and local background ozone in Houston during Texas Air Quality Study 2006[J]. Journal of Geophysical Research:Atmospheres, 2009, 114(D7). DOI:10.1029/2008JD011687 |
| [28] | 王亚军.相关系数与决定系数辨析[A].见: 长江流域暨西北地区科技期刊协作网2008年学术年会论文集[C].西安: 中国科学技术期刊编辑学会, 2008. 74-77. |
| [29] | HJ 663-2013, .环境空气质量评价技术规范(试行)[S]. |
| [30] | GB 3095-2012, 环境空气质量标准[S]. |
| [31] |
吴琳, 薛丽坤, 王文兴. 基于观测的臭氧污染研究方法[J]. 地球环境学报, 2017, 8(6): 479-491. Wu L, Xue L K, Wang W X. Review on the observation-based methods for ozone air pollution research[J]. Journal of Earth Environment, 2017, 8(6): 479-491. |
| [32] |
赵芸程, 李杰, 杜惠云, 等. 北京夏季近地面臭氧及其来源的数值模拟研究[J]. 环境科学学报, 2019, 39(7): 2315-2328. Zhao Y C, Li J, Du H Y, et al. Numerical simulation of near-surface ozone and its sources in Beijing in summer[J]. Acta Scientiae Circumstantiae, 2019, 39(7): 2315-2328. |
| [33] |
王静, 束蕾, 石来元, 等. 基于数值模拟的青岛市O3快速来源解析[J]. 中国环境监测, 2020, 36(2): 184-195. Wang J, Shu L, Shi L Y, et al. Fast ozone source apportionment based on numerical simulation in Qingdao[J]. Environmental Monitoring in China, 2020, 36(2): 184-195. |
| [34] |
刘海群, 张海鹰. 黑龙江省大气污染的主要气候特征[J]. 黑龙江气象, 1997(1): 19-21, 25. Liu H Q, Zhang H Y. The main climatic characteristics of air pollution in Heilongjiang Province[J]. Heilongjiang Meteorology, 1997(1): 19-21, 25. |
| [35] |
何平平, 邢佳, 倪艳芳. 黑龙江省大气污染防治思路研究[J]. 环境科学与管理, 2015, 40(3): 21-23. He P P, Xing J, Ni Y F. Prevention of atmospheric pollution in Heilongjiang Province[J]. Environmental Science and Management, 2015, 40(3): 21-23. |
| [36] |
张南南, 万军, 苑魁魁, 等. 空气资源评估方法及其在城市环境总体规划中的应用[J]. 环境科学学报, 2014, 34(6): 1572-1578. Zhang N N, Wan J, Yuan K K, et al. Air source assessment method and its application in urban environmental master planning[J]. Acta Scientiae Circumstantiae, 2014, 34(6): 1572-1578. |