2021, Vol. 42
2. 生态环境部环境规划院, 空气质量模拟与系统分析中心, 北京 100012;
3. 生态环境部环境规划院, 国家环境保护环境规划与政策模拟重点实验室, 北京 100012
2. Center of Air Modeling and Systems Analysis, Chinese Academy for Environmental Planning, Beijing 100012, China;
3. State Environmental Protection Key Laboratory of Environmental Planning and Policy Simulation, Chinese Academy of Environmental Planning, Beijing 100012, China
为应对新冠肺炎疫情(COVID-19), 我国政府迅即采取强有力的防控措施. 2020年1月23日武汉“封城”, 随后几天, 全国多省市陆续启动重大突发公共卫生事件一级响应. 由于采取科学有力的应对措施, 疫情于3月底显著缓解(http://www.nhc.gov.cn/), 大部分地区陆续复工复产. 在此次疫情期间, 人口流动、社会生产活动及污染物排放大幅下降[1], 但在中国东部地区仍出现了几次重污染过程[2]. “较低活动水平”和“较高污染水平”之间的矛盾受到社会各界广泛关注. PM2.5浓度变化由气象条件、污染源排放、污染构成、物理传输和化学生成等共同决定[3~6]. Huang等[2]的研究表明疫情期间中国东部地区重污染过程主要与二次生成有关：NOx大幅下降使得O3和夜间NO3自由基浓度升高, 导致大气氧化性增强, 从而促进了二次无机和有机颗粒物生成. 除二次生成外, 不利气象条件也会在一定程度上抵消污染减排的效果, 因此定量气象条件和污染排放变化对PM2.5浓度的影响具有重要意义.
目前已有很多关于气象条件对PM2.5浓度影响的研究[7~12]. 任鹏杰等[7]探讨了偏东风输送对关中地区冬季PM2.5重污染的影响; Xu等[11]定量分析了中国冬季气象条件变化对PM2.5浓度的影响. 关于污染排放对PM2.5浓度的影响方面[13~16], 吴文景等[13]探讨了京津冀地区主要排放源减排对区域PM2.5污染的改善效果. 薛文博等[15]针对2020年春节疫情期间京津冀及周边“2+26”城市开展了气象条件和排放变化对重污染过程影响的研究, 但研究的空间尺度较小, 时间尺度较短, 未从全国尺度开展新冠疫情不同阶段“气象条件-污染排放变化”对PM2.5浓度的影响研究.
本研究利用WRF-CMAQ模型[17~20], 定量分析了全国337城市、重点区域2020年新冠疫情不同阶段气象条件和污染排放变化对PM2.5浓度的影响. 依据疫情的发展进程, 本研究中用1月指示疫情发生前、2月指示疫情严控期和3月指示复工复产期. 由于污染排放变化对PM2.5浓度的影响难以直接量化, 本研究结合观测的PM2.5浓度和气象影响贡献, 并考虑气象和排放对PM2.5浓度的交互影响, 综合推测排放量变化对PM2.5浓度的影响.
1 材料与方法本研究模型模拟范围涵盖中国大陆(暂不包括中国香港、澳门和台湾) 31个省份(直辖市、自治区) 337个主要城市.重点区域包括京津冀及周边“2+26”城市、长三角和汾渭平原这3个地区.
1.1 数据来源 1.1.1 排放清单CMAQ模型所需排放清单的化学物种主要包括SO2、NOx、颗粒物(PM10、PM2.5及其组分)、NH3和VOCs(含多种化学组分)等多种污染物. SO2、NOx、PM10、PM2.5、BC、OC、NH3和VOCs(含主要组分)等人为源排放数据均采用2017年MEIC排放清单[21](http://www.meicmodel.org). 生物源VOCs排放清单利用MEGAN天然源排放清单模型计算[22].
1.1.2 空气质量监测数据空气质量监测数据来自中华人民共和国生态环境部数据中心, 包括京津冀及周边“2+26”城市、汾渭平原和长三角重点区域2019年1~3月和2020年1~3月实际观测的PM2.5日均浓度.
1.2 模型设置 1.2.1 模拟时段模拟时段为2019年和2020年第一季度, 结果输出时间间隔为1 h.
1.2.2 模拟区域CMAQ模型采用Lambert投影坐标系, 中心点经度为103°E, 中心纬度为37°N, 两条平行纬度分别为25°N和40°N. 水平模拟范围为X方向(-2 690~2 690 km)和Y方向(-2 150~2 150 km), 网格间距20 km, 共将全国划分为270×216个网格. 垂直方向共设置14个气压层, 层间距自下而上逐渐增大.
1.2.3 气象模拟CMAQ模型所需要的气象场由中尺度气象模型WRF提供, WRF模型与CMAQ模型采用相同的模拟时段和空间投影坐标系, 垂直方向共设置35个气压层, 层间距自下而上逐渐增大. WRF模型的初始场与边界场数据采用美国国家环境预报中心(NCEP)提供的6 h一次、1°分辨率的FNL全球分析资料[23], 每日对初始场进行初始化, 每次模拟时长为30 h, Spin-up时间设置为6 h, 并利用NCEP ADP观测资料[23]进行客观分析与资料同化.
1.2.4 模型参数 1.2.5 模拟结果验证(1) 模型验证 为验证模型模拟准确性, 本研究比对了2019年和2020年第一季度的模型模拟值和实测值(图 1).文献[27]中规定, 对于欧拉网格模型, 以标准化平均偏差(NMB)、标准化平均误差(NME)以及相关系数(R)来判断结果准确性, PM2.5模拟准确性的评价标准为：-50% < NMB < 80%、NME < 150%和R2>0.3. 本次模拟中样本数n为337, 2019年和2020年第一季度模拟值与观测值的相关性分别为0.77和0.70; 标准化平均偏差NMB分别为-30%和-18%; 标准化平均误差NME分别为35%和33%. 结果表明模型模拟较为合理.
|
图 1 PM2.5模拟浓度与监测浓度相关性 Fig. 1 Correlation between modeled and observed PM2.5 concentration |
(2) 敏感性验证 利用WRF模型模拟2019年和2020年的气象场, 固定排放清单, 利用CMAQ模型模拟单纯气象条件变化对PM2.5浓度的影响. 为探讨排放清单不确定性对模型模拟结果的影响, 本研究进行了两次模拟, 分别固定使用了2017年和2015年排放清单, 结果显示两种清单模拟下气象条件变化(2020年相对于2019年)导致的PM2.5浓度同比变化结果相关性很好(图 2), 表明排放清单的选择对定量气象变化导致的PM2.5浓度同比变化几乎没有影响, 因此“固定排放清单, 改变气象条件”敏感性模拟方法, 可以显著消除排放清单产生的影响, 从而来定量气象条件变化所产生的影响.
|
模拟时段为1月 图 2 固定不同排放清单下的气象变化导致的PM2.5浓度同比变化 Fig. 2 Variation of PM2.5 concentration caused by meteorological conditions under different fixed emission inventories |
采用“固定排放清单, 改变气象条件”的敏感性模拟方法, 利用WRF模型模拟2019年和2020年气象场, 固定使用2017年MEIC清单, 则模拟PM2.5浓度的变化只与气象条件变化有关, 从而定量评估2020年第一季度单纯气象条件变化导致的PM2.5浓度同比变化, 方法如下[11]：
|
(1) |
式中, c′2020为2020年模拟PM2.5浓度(μg·m-3), c′2019为2019年模拟PM2.5浓度(μg·m-3), η1为气象影响下的PM2.5浓度同比变化, 其正值表示气象条件转差, 负值表示气象条件较好.
1.4 排放变化对PM2.5定量影响分析方法污染源排放变化对PM2.5产生的影响难以直接定量模拟, 但是可以通过监测PM2.5浓度和气象条件变化对PM2.5产生的定量影响进行推断, 方法如下：
|
(2) |
|
(3) |
由公式(2)和公式(3)可得：
|
(4) |
式中, c2020为2020年实测PM2.5浓度, c2019为2019年实测PM2.5浓度, η1为气象影响下的PM2.5浓度同比变化, η2为排放影响下的PM2.5浓度同比变化, η3为实测PM2.5浓度同比变化. 该方法考虑了气象影响、污染排放影响和气象-污染排放交互影响作用, 计算获得的排放变化对PM2.5浓度定量影响结果更加合理准确.
2 结果与讨论 2.1 PM2.5浓度变化特征全国337城市2020年第一季度实测PM2.5浓度为45μg·m-3, 同比下降15.6%, 疫情发生前、疫情严控期和复工复产期PM2.5浓度分别同比下降2.4%、26.7%和21.7%, 复工复产期降幅趋缓. 湖北省第一季度实测PM2.5浓度同比降幅均值显著高于全国平均水平, 1~3月降幅分别为36.6%、38.3%和14.8%, 疫情发生前和严控期降幅最大, 3月同比降幅趋缓. 武汉市同比降幅又高于湖北省平均水平, 1~3月降幅分别为36.5%、41.1%和29.2%. 北京市PM2.5浓度变化情况则显著不同, 第一季度PM2.5浓度基本与去年同期持平, 但疫情发生前和疫情严控期(1月和2月)同比升高, 复工复产期同比下降33.4%. PM2.5浓度受到气象条件和污染物排放的共同影响, 因此本研究从气象条件和污染排放变化角度定量探讨PM2.5实测浓度同比变化的原因.
2.2 气象和排放变化对全国PM2.5浓度的影响从气象角度看：① 2020年第一季度全国(暂不包括港澳台)31个省份337个城市气象条件整体基本持平, 同比偏有利1.7%, 1月因冷空气偏弱, 同比稍偏差1.6%, 2月和3月分别偏有利1.3%和7.9%; ②从地区和省市角度来看, 第一季度东北地区、华北地区(除天津外)、西藏、上海、浙江和福建的气象条件同比转差; 北京市气象条件同比转差约18.4%, 1~3月分别同比转差25.2%、20.4%和3.7%; ③湖北省第一季度整体气象条件同比转好约9.7%, 1~2月分别转好约15.0%和8.5%, 3月气象条件与去年同期基本持平. 武汉市气象条件转好约12.0%, 1~3月分别转好约18.7%、2.7%和10.7%.
从污染物排放角度看：①全国2020年第一季度污染物排放量下降使得PM2.5浓度同比下降14.1%, 1、2和3月同比下降分别为4.0%、25.7%和15.0%, 疫情严控期污染物排放量下降幅度最大, 与严控期社会生产活动大幅下降有关, 复工复产期污染排放下降幅度趋缓; ②北京市第一季度污染排放下降使得PM2.5浓度同比下降16.1%, 1~3月同比下降分别为9.3%、2.5%和35.8%. 与全国整体情况不同, 北京市在疫情严控期污染物排放量下降幅度最低, 低于疫情发生前污染物排放量下降幅度, 但在复工复产期排放量下降幅度大幅升高; ③湖北省在第一季度污染物排放量下降幅度整体高于全国平均水平, 其中武汉市污染物排放量下降幅度更大, 与疫情期间在武汉市实施的最严的防控措施有关. 与疫情不同发展阶段全国的污染物排放量变化情况一致, 均为疫情严控期污染物排放大幅下降, 复工复产期污染排放量下降幅度趋缓. 具体为湖北省第一季度污染物排放下降使得PM2.5浓度同比下降25.5%, 1~3月同比下降分别为25.4%、32.6%和14.0%. 武汉市第一季度污染物排放下降使得PM2.5浓度同比下降约27.5%, 1~3月同比下降分别为21.9%、39.4%和20.6%.
综合气象条件和污染物排放量变化的分析结果表明：①全国实测PM2.5浓度在不同疫情发展阶段的同比变化情况主要取决于污染物排放量的变化; ②北京1~2月气象条件同比显著转差导致疫情发生前和疫情严控期PM2.5浓度同比上升; 复工复产期PM2.5浓度同比大幅下降主要因为污染物排放量下降幅度较大; ③湖北和武汉1~3月气象条件整体转好, 疫情严控期PM2.5同比大幅下降主要因为污染物排放量大幅下降. 武汉复工复产期PM2.5浓度降幅趋缓主要因为污染排放降幅趋缓.
2.3 气象和排放变化对重点区域PM2.5浓度的影响 2.3.1 京津冀及周边“2+26”城市“2+26”城市2020年第一季度实测PM2.5浓度同比下降16.7%, 疫情发生前同比上升9.6%, 疫情严控期和复工复产期分别同比下降42.8%和17.1%. 从气象影响来看, 第一季度气象条件与去年基本持平; 疫情发生前气象条件转差使得PM2.5浓度同比上升17.8%; 疫情严控期和复工复产期气象条件转好使得PM2.5浓度同比分别下降约11.9%和8.9%. 从污染物排放来看, 2020年第一季度排放下降导致PM2.5浓度同比下降17.1%, 疫情发生前、疫情严控期和复工复产期排放下降使得PM2.5浓度同比分别下降约7.0%、35.1%和9.1%, 严控期排放量大幅下降与社会经济活动水平大幅下降有关. 综合气象条件和排放变化分析, “2+26”城市疫情发生前实测PM2.5浓度同比上升主要为气象条件显著转差所致(图 3和表 1).
|
图 3 “2+26”城市污染源排放和气象条件变化影响下的PM2.5浓度同比 Fig. 3 Quantitative impact of pollutant' emissions and meteorological conditions on PM2.5 concentration of "2+26" cities |
|
表 1 “2+26”城市污染物排放和气象条件变化影响下的PM2.5浓度同比/% Table 1 Effects of pollutants'emissions and meteorological changes on PM2.5in "2+26" cities/% |
从城市角度看, 第一季度“2+26”城市中有12个城市气象条件整体同比转差, 包括位于太行山脉以西的太原和阳泉, 其他城市主要位于西南传输通道. 从污染排放来看, 除济宁市外, 其他“2+26”城市第一季度整体上污染物排放量均同比下降(图 3和表 1).
2.3.2 汾渭平原汾渭平原第一季度实测PM2.5浓度同比下降19.7%, 疫情发生前、严控期和复工复产期分别同比下降7.3%、39.3%和8.7%(图 4). 从气象影响来看, 第一季度气象条件同比转好4.5%; 疫情发生前气象条件同比转差14.5%; 严控期和复工复产期气象条件转好使得PM2.5浓度同比下降约22.6%和4.9%. 从污染物排放来看, 第一季度排放下降导致PM2.5浓度同比下降约15.9%, 疫情发生前、严控期和复工复产期排放下降使得PM2.5浓度同比下降19.0%、21.7%和4.0%. 疫情发生前排放量下降抵消了气象条件不利带来的影响, 使得实测PM2.5浓度同比下降. 疫情严控期气象条件最为有利且污染排放降幅最大. 复工复产期污染排放降幅趋缓, 与社会生产活动逐步恢复有关(图 4和表 2).
|
图 4 汾渭平原污染源排放和气象条件变化影响下的PM2.5浓度同比 Fig. 4 Quantitative impact of pollutant' emissions and meteorological conditions on PM2.5 concentration of Fenwei Plain |
|
|
表 2 汾渭平原污染物排放和气象变化影响下的PM2.5浓度同比/% Table 2 Effects of pollutants'emissions and meteorological changes on PM2.5 in Fenwei Plain/% |
从城市角度看, 第一季度整体上晋中、临汾和吕梁气象条件同比转差, 可能与晋中和临汾处于盆地且四面环山、吕梁位于吕梁山中段, 它们的地理位置天然不利有关. 从污染排放来看, 疫情发生前和疫情严控期汾渭平原所有城市污染排放量均下降; 复工复产期运城、三门峡、西安市和宝鸡市污染物排放量增加使得PM2.5浓度同比上升(图 4和表 2).
2.3.3 长三角长三角第一季度实测PM2.5浓度同比下降26.5%, 疫情发生前、疫情严控期和复工复产期分别同比下降13.0%、37.4%和32.9%, 严控期降幅较大, 复工复产期降幅趋缓. 从气象影响来看, 第一季度气象条件同比转好3.5%; 疫情发生前和复工复产期气象条件转好使得PM2.5浓度同比分别下降约4.3%和11.8%; 而疫情严控期气象条件同比转差约4.1%. 从污染排放来看, 第一季度排放下降导致PM2.5浓度同比下降约23.8%, 疫情发生前、严控期和复工复产期排放下降使得PM2.5浓度同比下降9.2%、39.8%和24.0%. 疫情严控期PM2.5浓度同比下降为污染物排放量大幅下降所致, 抵消了气象条件转差带来的不利影响(图 5和表 3).
|
图 5 长三角污染源排放和气象条件变化影响下的PM2.5浓度同比 Fig. 5 Quantitative impact of pollutant' emissions and meteorological conditions on PM2.5 concentration of Yangtze River Delta |
|
|
表 3 长三角污染物排放和气象变化影响下的PM2.5浓度同比/% Table 3 Effects of pollutants'emissions and meteorological changes on PM2.5 in Yangtze River Delta/% |
从城市角度看, 长三角41个城市中11个城市第一季度整体上气象条件同比转差. 疫情严控期仅有金华和丽水市的污染排放量比去年同期上升(图 5和表 3).
3 结论(1) 疫情发生前、严控期和复工复产期全国实测PM2.5浓度同比下降2.4%、26.7%和21.7%. 武汉市PM2.5浓度同比降幅显著高于全国平均水平, 主要因为武汉市气象条件更为有利, 且污染排放降幅更高. 北京市在疫情发生前和严控期PM2.5浓度同比升高, 主要为气象条件不利所致; 复工复产期PM2.5浓度同比下降, 主要为污染排放大幅下降所致.
(2) 污染排放大幅下降是重点区域第一季度PM2.5浓度同比降幅最大的主要原因. 长三角、汾渭平原和“2+26”城市在第一季度PM2.5浓度同比下降分别为26.5%、19.7%和16.7%; 气象条件变化使得PM2.5浓度同比变化分别为-3.5%、-4.5%、0.46%; 排放下降使得PM2.5浓度同比下降分别为23.8%、15.9%和17.1%.
(3) 疫情发生前, 长三角在重点区域中实测PM2.5浓度同比降幅最大, 主要为气象条件有利所致. 疫情严控期, 重点区域污染排放量降幅均最高. 复工复产期, 重点区域污染排放降幅整体上均趋缓; 长三角污染排放降幅最高且气象条件最为有利, 使得其实测PM2.5浓度同比降幅最大.
| [1] |
乐旭, 雷亚栋, 周浩, 等. 新冠肺炎疫情期间中国人为碳排放和大气污染物的变化[J]. 大气科学学报, 2020, 43(2): 265-274. Yue X, Lei Y D, Zhou H, et al. Changes of anthropogenic carbon emissions and air pollutants during the coronavirus epidemic in China[J]. Transactions of Atmospheric Sciences, 2020, 43(2): 265-274. |
| [2] | Huang X, Ding A J, Gao J, et al. Enhanced secondary pollution offset reduction of primary emissions during COVID-19 lockdown in China[J]. National Science Review, 2020. DOI:10.1093/nsr/nwaa137 |
| [3] | Cheng Y H, Li Y S. Influences of traffic emissions and meteorological conditions on ambient PM10 and PM2.5 levels at a highway toll station[J]. Aerosol and Air Quality Research, 2010, 10: 456-462. DOI:10.4209/aaqr.2010.04.0025 |
| [4] | Wang P, Cao J J, Tie X X, et al. Impact of meteorological parameters and gaseous pollutants on PM2.5 and PM10 mass concentrations during 2010 in Xi'an, China[J]. Aerosol and Air Quality Research, 2015, 15: 1844-1854. DOI:10.4209/aaqr.2015.05.0380 |
| [5] | Zhang J P, Zhu T, Zhang Q H, et al. The impact of circulation patterns on regional transport pathways and air quality over Beijing and its surroundings[J]. Atmospheric Chemistry and Physics, 2012, 12(11): 5031-5053. DOI:10.5194/acp-12-5031-2012 |
| [6] | Wang H, Xu J Y, Zhang M, et al. A study of the meteorological causes of a prolonged and severe haze episode in January 2013 over central-eastern China[J]. Atmospheric Environment, 2014, 98: 146-157. DOI:10.1016/j.atmosenv.2014.08.053 |
| [7] |
任鹏杰, 尉鹏, 赵森, 等. 偏东风输送导致的关中地区冬季PM2.5重污染个例研究[J]. 环境科学研究, 2021, 34(5): 1033-1043. Ren P J, Wei P, Zhao S, et al. A case study on PM2.5 heavy pollution caused by easterly winds transport during winter in Guanzhong area[J]. Research of Environmental Sciences, 2021, 34(5): 1033-1043. |
| [8] |
王振, 杨卫芬, 叶香, 等. 气象因素对常州市区PM2.5浓度影响[J]. 气象与环境学报, 2020, 36(3): 26-32. Wang Z, Yang W F, Ye X, et al. Impacts of meteorological factors on PM2.5 concentration in urban regions of Changzhou[J]. Journal of Meteorology and Environment, 2020, 36(3): 26-32. DOI:10.3969/j.issn.1673-503X.2020.03.004 |
| [9] |
王涛, 李杰, 王威, 等. 北京秋冬季一次重污染过程PM2.5来源数值模拟研究[J]. 环境科学学报, 2019, 39(4): 1025-1038. Wang T, Li J, Wang W, et al. Numerical simulation study on source apportionment of PM2.5 in a heavy winter pollution event over Beijing area[J]. Acta Scientiae Circumstantiae, 2019, 39(4): 1025-1038. |
| [10] |
王跃, 王莉莉, 赵广娜, 等. 北京冬季PM2.5重污染时段不同尺度环流形势及边界层结构分析[J]. 气候与环境研究, 2014, 19(2): 173-184. Wang Y, Wang L L, Zhao G N, et al. Analysis of different-scales circulation patterns and boundary layer structure of PM2.5 heavy pollutions in Beijing during winter[J]. Climatic and Environmental Research, 2014, 19(2): 173-184. |
| [11] | Xu Y L, Xue W B, Lei Y, et al. Impact of meteorological conditions on PM2.5 pollution in China during winter[J]. Atmosphere, 2018, 9(11). DOI:10.3390/atmos9110429 |
| [12] | Chen Z Y, Cai J, Gao B B, et al. Detecting the causality influence of individual meteorological factors on local PM2.5 concentration in the Jing-Jin-Ji region[J]. Scientific Reports, 2017, 7. DOI:10.1038/srep40735 |
| [13] |
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. DOI:10.13227/j.hjkx.201607191 |
| [14] |
于燕, 王泽华, 崔雪东, 等. 长三角地区重点源减排对PM2.5浓度的影响[J]. 环境科学, 2019, 40(1): 11-23. Yu Y, Wang Z H, Cui X D, et al. Effects of emission reductions of key sources on the PM2.5 concentrations in the Yangtze river delta[J]. Environmental Science, 2019, 40(1): 11-23. DOI:10.13227/j.hjkx.201804105 |
| [15] |
薛文博, 史旭荣, 严刚, 等. 气象条件和排放变化对2020年春节前后华北地区重污染过程的影响[J]. 中国科学: 地球科学, 2021, 51(2): 314-324. Xue W B, Shi X R, Yan G, et al. Impacts of meteorology and emission variations on the heavy air pollution episode in north China around the 2020 spring festival[J]. Science China Earth Sciences, 2021, 51(2): 314-324. |
| [16] |
许艳玲, 薛文博, 雷宇. 气象和排放变化对PM2.5污染的定量影响[J]. 中国环境科学, 2019, 39(11): 4546-4551. Xu Y L, Xue W B, Lei Y. Impact of meteorological conditions and emission change on PM2.5 pollution in China[J]. China Environmental Science, 2019, 39(11): 4546-4551. DOI:10.3969/j.issn.1000-6923.2019.11.008 |
| [17] | Hu J L, Chen J J, Ying Q, et al. One-year simulation of ozone and particulate matter in China using WRF/CMAQ modeling system[J]. Atmospheric Chemistry and Physics, 2016, 16(16): 10333-10350. DOI:10.5194/acp-16-10333-2016 |
| [18] |
许艳玲, 易爱华, 薛文博. 基于模型模拟的成都市PM2.5污染来源解析[J]. 环境科学, 2020, 41(1): 50-56. Xu Y L, Yi A H, Xue W B. Modeling studies of source contributions to PM2.5 in Chengdu, China[J]. Environmental Science, 2020, 41(1): 50-56. DOI:10.13227/j.hjkx.201905041 |
| [19] |
谢放尖, 史之浩, 李婧祎, 等. 基于达标约束的南京市环境空气质量情景模拟[J]. 环境科学, 2019, 40(7): 2967-2976. Xie F J, Shi Z H, Li J Y, et al. Scenario simulation study constrained by the ambient air quality standards in Nanjing[J]. Environmental Science, 2019, 40(7): 2967-2976. DOI:10.13227/j.hjkx.201812194 |
| [20] |
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. Lü 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. DOI:10.13227/j.hjkx.201806087 |
| [21] | Multi-resolution emission inventory for China[EB/OL]. http://www.meicmodel.org/,2020-04-14. |
| [22] | Guenther A, Karl T, Harley P, et al. Estimates of global terrestrial isoprene emissions using MEGAN (Model of Emissions of Gases and Aerosols from Nature)[J]. Atmospheric Chemistry and Physics, 2006, 6(11): 3181-3210. DOI:10.5194/acp-6-3181-2006 |
| [23] | National Center for Atmospheric Research. CISL research data archive[EB/OL]. http://rda.ucar.edu/datasets/ds083.2,2020-11-02. |
| [24] |
许艳玲, 薛文博, 雷宇, 等. 中国氨减排对控制PM2.5污染的敏感性研究[J]. 中国环境科学, 2017, 37(7): 2482-2491. Xu Y L, Xue W B, Lei Y, et al. Sensitivity analysis of PM2.5 pollution to ammonia emission control in China[J]. China Environmental Science, 2017, 37(7): 2482-2491. DOI:10.3969/j.issn.1000-6923.2017.07.009 |
| [25] |
薛文博, 付飞, 王金南, 等. 中国PM2.5跨区域传输特征数值模拟研究[J]. 中国环境科学, 2014, 34(6): 1361-1368. Xue W B, Fu F, Wang J N, et al. Numerical study on the characteristics of regional transport of PM2.5 in China[J]. China Environmental Science, 2014, 34(6): 1361-1368. |
| [26] |
薛文博, 王金南, 杨金田, 等. 电力行业多污染物协同控制的环境效益模拟[J]. 环境科学研究, 2012, 25(11): 1304-1310. Xue W B, Wang J N, Yang J T, et al. Simulation of environmental effects of multi-pollutants from the electric power industry[J]. Research of Environmental Sciences, 2012, 25(11): 1304-1310. |
| [27] | 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,2020-11-02. |