2021, Vol. 42
2. 郑州大学环境科学研究院, 郑州 450001;
3. 郑州大学生态与环境学院, 郑州 450001
2. Research Institute of Environmental Science, Zhengzhou University, Zhengzhou 450001, China;
3. School of Ecology and Environment, Zhengzhou University, Zhengzhou 450001, China
2020年初在湖北武汉暴发了新冠肺炎疫情, 随后席卷全国.作为与湖北接壤的河南省, 在2020年1月26日启动了重大突发公共卫生事件一级响应[1], 全省实施了最为严格的防控措施, 这些措施包括了：限制人们的出行[2, 3], 这样使得交通旅行大幅度减少; 同时工业、建筑和餐饮等行业大规模停摆[4].由于这些严格防控措施的实施, 降低了大气污染的人为源影响, 为研究大气污染的人为源和自然源影响程度提供了时机.
有研究表明, 大气污染过程主要是由人为排放污染物和气象条件的共同作用影响产生的[5~7].近期大量国内外专家对新冠疫情的管控措施, 以及管控期间的气象条件对空气质量的相互影响做了大量的研究.Zhao等[8]通过对京津冀地区疫情暴发期间大规模空气污染事件的特征和来源分布进行分析, 在疫情管控期间虽然总体上空气质量有所好转, 但是不利的气象条件也会影响空气质量变化.Li等[4]将WRF/CAMx建模系统与监测数据一起应用, 研究分析了长江三角洲地区疫情防控期间空气质量变化, SO2、NOx、PM2.5和VOCs等主要污染物都显著降低.但是, 在锁定期间, 每天的PM2.5仍在15~79 μg ·m-3之间, 并且O3同时升高了20.5%. Wang等[9]通过CMAQ模型对珠江三角洲地区疫情防控3个阶段(前、中和后期)的空气质量变化进行模拟分析, 比较这3个时期的污染物水平, 评估由封锁导致的人为排放量减少的影响, 结果表明, 疫情防控在一段时间内改善了空气污染状况, 但是当排放量增加时, 在气象条件的共同影响下污染将逐渐恢复. Cole等[10]利用机器学习方法分析了疫情防控对武汉市空气质量变化的影响, 其研究发现在防控期间, NO2的浓度下降了多达24 μg ·m-3(比防控前的水平降低了63%), 而PM10的浓度下降了类似的量, 但持续时间较短.封锁对SO2或CO的浓度没有明显影响. Lovri Dc' 等[11]利用机器学习算法对疫情管控期间奥地利格拉茨地区的空气质量进行模拟分析, 结果表明：疫情管控对NO2和O3浓度的变化有明显影响, 同时也证明了机器学习算法是分析大气排放快速变化的事件期间污染变化的一种合适工具.
以上研究表明, 由于疫情期间采取了严密的防控措施, 导致污染物排放大幅度减少, 大部分地区的空气质量比历史同期都有较大地改善, 但是空气质量的改善幅度与污染物减排幅度不呈正比, 某些污染物如O3反而在某些条件下呈上升趋势.由于天气对污染趋势的影响往往是非线性的, 且具有时间变化规律, 长短期记忆网络(long-and-short-term memory network, LSTM)算法模型可以解决有关时间序列的短期相关性和长期依赖性的问题[12].因此在疫情防控期间人为源减少的情况下, 机器学习算法中的LSTM模型是分析大气污染变化的合适工具之一.本研究以河南省为例, 分析了疫情管控前(1月1~26日)和管控期(1月27日~2月29日)空气质量的变化, 基于机器学习算法中的长短期记忆网络(LSTM), 解析了疫情期间影响空气质量浓度的气象条件和人为减排比例, 以期为改善河南省未来的空气质量和制定减排措施提供一定的技术参考.
1 材料与方法 1.1 研究区域河南省位于中国中部, 河南省位于北纬31°23′~36°22′, 东经110°21′~116°39′之间, 东接安徽和山东, 北接河北和山西, 西连陕西, 南临湖北, 总面积16.7万km2[13].河南素有“九州腹地、十省通衢”之称, 是全国重要的综合交通枢纽和人流物流信息流中心.河南省内大部分城市, 都属于华中地区主要的发展中城市, 也是京津冀及周边地区“2+26”城市的主要成员[14], 大部分城市属北温带大陆性季风气候, 冬季盛行极地大陆气团, 干燥寒冷[15].本文研究区域主要是河南省18个省属地市以及其中主要的3个重点城市, 例如：京津冀及周边地区“2+26”城市中的安阳市、郑州市以及靠近湖北省的信阳市(图 1).
|
图 1 河南省空气质量和气象监测点位分布 Fig. 1 Air quality and meteorological monitoring stations in Henan Province |
大气污染物(PM2.5、PM10、O3、SO2、NO2和CO)浓度数据来自于河南省82个空气质量自动监测站点历史小时浓度数据, 数据下载来源为中国环境监测总站的全国城市空气质量实时发布平台(http://106.37.208.233:20035/); 相同时段的气象数据来自于河南省116个气象站点的常规气象观测数据, 数据下载来源为中国气象数据网(http://data.cma.cn), 数据选取时段为疫情防控前(1月1~26日)和疫情防控期(1月27日~2月29日)以及2019年历史同期.
1.3 潜在源贡献因子法(WPSCF)潜在源贡献因子法(potential source contribution function, PSCF)是所选研究区域内经过网格的污染轨迹数与经过该网格的所有轨迹数的比值, 即每个网格中污染轨迹所占的比例多少, 反映了潜在源区的分布.公式如下：
|
(1) |
式中, mij是经过网格ij的污染轨迹数, nij是经过网格ij的所有轨迹数.
当nij较小时, PSCF的结果就会偏大, 具有很大的不确定性.为了降低这种不确定性, 引入了权重函数Wij, 当某一网格中的nij小于研究区域每个网格平均轨迹端点数的3倍时, 就需要Wij来降低结果的不确定性[16].权重公式为：
|
(2) |
主要污染物浓度受到许多因素影响, 主要影响因素是大气污染因子和气象因子.对于两个系统之间的因素, 其随时间或不同对象而变化的关联性大小的量度, 称为关联度[17].在系统发展过程中, 若两个因素变化的趋势具有一致性, 即同步变化程度较高, 即可谓二者关联程度较高; 反之, 则较低.因此, 灰色关联分析方法, 是根据因素之间发展趋势的相似或相异程度, 亦即“灰色关联度”, 作为衡量因素间关联程度的一种方法[18].其公式如下[19]：
|
(3) |
式中, ξi(k)表示关联系数, 设评价对象有m个, 评价指标有n个, 参考数列为x0={x0(k) k=0, 1, 2, …, n}, 比较数列为xi={xi(k) k=0, 1, 2, …, n}, i=0, 1, 2, …, m, ρ为分辨系数, 范围是(0, 1), 经常取0.5[20].式中的minmin x0(k)-xi(k) 表示求两列数据的两级最小差, maxmax x0(k)-xi(k) 表示求两列数据的两级最大差.
关联度r的公式如下：
|
(4) |
r越接近1, 说明关联度越好.本文利用灰色关联分析模型分析气象要素与各污染物浓度之间的相近程度.
本研究选取了PM2.5、PM10、SO2、NO2、O3、CO、温度、湿度、风速、风级、气压、能见度、过去6 h降水量和平均总云量作为主要气象和污染物参考因子, 模型中主要选取每个因子前一个小时的观测值作为模型输入因子, 通过灰色关联分析得出以下结果(图 2).
|
a.PM2.5, b.PM10, c.SO2, d.NO2, e.O3, f.CO, g.PM2.5(-1), h.PM10(-1), i.SO2(-1), j.NO2(-1), k.O3(-1), l.CO(-1), m.温度(-1), n.湿度(-1), o.风速(-1), p.风级(-1), q.气压(-1), r.能见度(-1), s.过去6 h降水量(-1), t.平均总云量(-1), 其中“-1”表示前1 h的观测值 图 2 空气污染物与气象要素相关性 Fig. 2 Correlation coefficients between air pollutants and meteorological parameters |
从图 2可以看出, 污染物浓度与前1 h的污染物残留浓度和气象因子有较强的关联度, 每个当前污染物浓度与前1 h的污染物浓度和气象因子关联度均大于0.7, 除了平均总云量气象因子外.因此在模型选择输入因子时选择了前1 h的污染物浓度以及平均温度、湿度、风速、气压、能见度和降水量等6种气象因子.
1.5 长短期记忆型网络模型 1.5.1 模型介绍长短期记忆网络(long-short-term-memory, LSTM)是一种时间循环神经网络, 是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的, LSTM在1997年首次由Hochreiter等提出[21].由于独特的设计结构, LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件, 现阶段已经有大量的研究表明LSTM适合预测具有时间序列特征的空气质量预测[12, 22, 23].
LSTM网络相比传统RNN网络, 增加了Cell状态参数和遗忘门、输入门和输出门[24].具体计算公式如下：
|
(5) |
|
(6) |
|
(7) |
式中, Ct为当时时刻的Cell状态, 其中Zf×Ct-1为忘记门计算部分, 这部分主要是用来控制Cell的上一个状态中哪些需要记住, 哪些需要忘记; Zi×Z为选择性记忆阶段, 当前的输入内容由前面计算得到的Z表示, 而选择的门控信号则是由Zi(i表示information)来进行控制; 将上面两步得到的结果相加, 即可得到传输给下一个状态的Ct.
式(5)属于输出门的输出阶段, 主要通过Zo进行控制, 并对上一阶段得到Ct用tanh激活函数进行放缩变化, 得到一个当前状态的输出.式(6)与普通RNN类似, 输出yt往往最终也是通过ht变化得到.
本文选取的训练与测试的数据时间段是2014~2019年每一年的1月和2月, 数据区域范围是河南省18地市的国家和省级监测站的污染物和气象因子的观测值.在处理数据阶段, 用平均值处理缺失数据, 保证数据的有效性, 提高预测精度, 同时对其进行归一化处理, 范围为(0, 1).本研究中使用2014~2018年每一年的1月和2月的数据进行模型训练, 并用训练的模型模拟2019年1月和2月的污染物浓度值, 并与观测值进行比较, 修正训练模型参数.
1.5.2 模型构造研究采用LSTM神经网络实现下1 h污染物浓度的预测, 模型主要根据前1 h的污染物浓度和气象因子, 来预测下1 h的污染物浓度, 这是一个典型的时间序列预测, LSTM神经网络能很好地处理时序数据[25], 具体网络模型的结构如图 3.
|
h1~h6表示每个时刻输出的隐藏状态向量 图 3 LSTM网络模型结构 Fig. 3 Structure diagram of LSTM network model |
基于LSTM的预测模型由输入层、隐藏层和输出层组成, 其中核心部分是中间的隐藏层, 如图 3所示, 其中设置了1层LSTM隐藏单元, 同时设置了25个神经元, 通过向前操作, 将前1 h的信息以记忆流的形态不断向后传递, 影响每个新输入数据的处理和每个阶段的输出.输入层的输入数据包含12个特征(前1 h的PM2.5、CO、PM10、SO2、NO2、O3、平均温度、湿度、风速、气压、能见度和降水量).输出层是一个用于预测每个污染物浓度的神经元.
1.6 基于LSTM的空气质量模拟结果检验本研究选取了郑州市的9个国控监测站、安阳市的5个国控监测站、新乡市的5个国控监测站和信阳市的4个国控监测站来模拟2020年新冠疫情防控前后的PM2.5和O3的浓度(图 4).选取这4个城市的原因是, 信阳市离疫情暴发地湖北省紧邻, 安阳市、新乡市和郑州市是京津冀大气污染传输通道“2+26”城市中污染较重的城市代表.同时使用LSTM算法模拟的优点是可以自由选择需要哪些输入特征来作为预测的影响条件, 并且该算法可以保留时间序列数据中的时间特征变化趋势, 计算时间也比传统数值模式要快得多.通过调整设置LSTM网络参数发现, 当LSTM模型网络层数为3, 神经元数为50, 并且损失函数使用MSE, 优化函数为adam, 训练次数为100时, 模拟速度和效果最好, 6种污染物的拟合评估指标R2值均高于0.8, 模拟效果如图 4所示.从中可知, 4个城市的O3模拟结果的变化趋势都符合观测值的变化趋势, 其中管控前的模拟结果与观测值比较接近, 管控期的模拟值比观测值略高, 说明模拟值符合没有实施管控措施时空气质量变化趋势.导致模拟值与观测值有偏差原因可能是O3的模拟可能只考虑了单个站点的排放, 而没有考虑其他原因导致O3浓度的升高, 也没有考虑节假日等因素的情况[26].另外, 4个城市的PM2.5模拟结果的变化趋势也与观测值的变化趋势相符合, 4个城市的模拟值与观测值较为接近, 但是模拟值与观测值有偏差, 原因可能是实际中的污染源排放强度要大于模拟值[27].此外模型输入特征因素没有考虑冬季取暖引起大量污染物排放, 以及西北风、东北风等风向因素, 这些因素可能会使空气质量发生显著变化[28].但是总体上模拟结果与观测值的偏差在可接收范围内, 也符合观测值的变化趋势.
|
图 4 4个地市的PM2.5和O3模拟结果检验 Fig. 4 Simulated PM2.5 and O3 concentration results for four cities |
图 5表示2020年河南省18地市疫情前和疫情管控期间的空气质量呈显著变化.可以明显看到, 除了臭氧浓度上升了33.12μg ·m-3, 上升幅度为69.64%; 其余污染物浓度都有明显降低, 其中PM2.5、PM10、SO2、NO2和CO浓度分别降低44.56μg ·m-3、47.67μg ·m-3、2.19μg ·m-3、26.98μg ·m-3和0.44mg ·m-3; 降幅分别为36.89%、34.18%、19.43%、58.51%和29.85%.其中NO2降幅最为明显, 原因很有可能是因为管控期间人为源排放减少, 特别是交通移动源和工业源的NOx排放减少[29]. SO2浓度的改善最小, 原因可能是冬季取暖期居民燃煤的排放并未减少, 同时农历新年的烟花燃放也会产生部分SO2; 另外一个原因可能是近年来河南政府一直在开展燃煤火电厂脱硫工作, 因此SO2的整体变化水平不大[30].CO浓度的降低是因为疫情管控使得机动车的出行减少, 降低了汽车尾气等CO气体的排放[31].河南省疫情期间臭氧污染依然没有减少, 反而升高.可能是由于氮氧化物排放的减少, 使得臭氧与氮氧化物的“滴定反应”减弱, 滴定反应主要的作用是高浓度的氮氧化物可以通过化学反应去除O3[32, 33].此外管控后气象条件改善, 使得能见度变好, 光照加强, 温度上升, 光化学反应加强, 也促使了O3的生成.
|
图 5 河南省防控前和防控期间空气质量变化 Fig. 5 Air quality before and during the implementation of critical COVID-19 control measures in Henan Province |
从图 6可以看出, 河南省18个地市除了O3浓度上升外, 其他污染物浓度指标都有不同程度地改善.其中, 颗粒物浓度的改善率有较大差异, 濮阳市、商丘市和开封市这3个地市的PM2.5改善率排在前列, 分别是45%、42%和41%; 鹤壁市、濮阳市和安阳市这3个地市的PM10改善率排在前列, 分别是41%、40%和40%;洛阳市、开封市和商丘市这3个地市的SO2改善率排在前列, 分别是33%、29%和27%; 安阳市、鹤壁市和濮阳市这3个地市的CO改善率排在前列, 分别是39%、39%和38%; 濮阳市、新乡市和信阳市这3个地市的NO2改善率排在前列, 分别是69%、63%和63%; 焦作市、郑州市和鹤壁市这3个地市的O3浓度上升幅度排在前列, 分别是133%、115%和109%.从以上数据可以看出, 濮阳市在疫情防控中, 污染物浓度改善较大.各地污染物浓度改善情况各有差异, 与它们各自所处地理环境的污染物排放和气象条件变化差异有较大的关系.北方地区位于京津冀大气污染传输通道, 工业电厂、燃煤燃烧等污染排放较严重, 因此疫情防控带来的人为源排放降低对北方地区的空气质量变化有较大的影响.南方城市空气质量优于北部城市, 主要原因是南方城市的地理自然条件优于北方城市, 特别是信阳市, 群山环绕, 绿化面积广阔.
|
图 6 河南省18地市6种污染物指标改善率 Fig. 6 Improvement before and during implementation of COVID-19 controls, in the 18 cities of Henan Province |
河南省18地市PM2.5、PM10、SO2、CO和NO2的平均改善率分别是36%、34%、19%、29%和58%, 改善幅度要大于全国平均水平, Bao等[34]的研究表明中国44个城市在疫情管控期间PM2.5、PM10、SO2、CO和NO2的浓度分别下降了5.93%、13.66%、6.76%、4.58%和24.67%; Li等[4]的研究得出长江三角洲地区在疫情管控阶段SO2、NOx和PM2.5的浓度分别降低了16% ~26%、29% ~47%和27% ~46%.在疫情管控期间, 河南省SO2改善幅度低于长江三角洲地区, 原因是疫情管控期间河南省北部地区处于冬季供暖期, 仍然有大量燃煤排放, 加上政府的脱硫政策, 使得SO2的变化幅度并不大, 导致SO2的浓度改善不明显.
2.2 河南省疫情防控期间空气质量变化与气象条件影响分析 2.2.1 2020疫情防控期间与2019年同期污染物与气象条件的对比分析河南省地域广阔, 各地区气象条件南北相差较大, 本研究选取了安阳市、郑州市和信阳市这3个具有各自区域气象特点的城市作为分析城市对象.安阳市位于河南省北部, 属于京津冀大气污染传输通道河南省影响比较大的城市之一; 郑州市是河南省省会, 位于河南省中部, 属于中原经济政治中心; 信阳市位于河南省南部, 接近疫情中心——湖北省.因此这3个城市可以代表河南省北, 中, 南地区的气象特点.
从图 7可以看出：①2019年和2020年疫情前后气象变化主要在于风速、温度和湿度变化比较显著.风向和风速在这3个城市中, 2020年的风速变化明显比2019年要大, 且在2020年偏南风的天数也比2019年的天数要多; 此外这3个城市2020年的气温在疫情管控期间和疫情前与2019年相比要高; 湿度2020年和2019年相比, 北方城市要比南方城市变化幅度大.②以PM2.5为代表的颗粒物在疫情期间变化情况看, 3个城市在疫情管控前, 2020年颗粒物要比2019年偏高, 1~2月欧亚中高纬大气环流以纬向型为主, 冷空气势力较弱, 京津冀和汾渭平原地区大气污染扩散条件整体偏差, 北方地区在1~2月容易受到西北部沙尘气候的影响, 因此高温、高湿、强氧化性等环境条件加速了污染物的非均相反应, 特别是春节前期、城市封锁前期和解封后期外出机动车氮氧化物的二次转化, 进一步推高了PM2.5浓度[35, 36], 因此这3个城市在1~2月都有污染加重的现象发生. 2月颗粒物浓度下降的原因除了排放减少外, 主要是风速增大, 风向主要以偏南风向为主, 温度偏高, 湿度相比1月偏低, 污染物扩散条件良好.③NO2浓度在疫情前后有明显降低的趋势, 主要是由于疫情防控措施导致人为源、交通源等排放源减少.SO2浓度在疫情前后变化不大, 原因是疫情前后属于冬季取暖期, SO2的排放和2019年同期比并没有减少很多, 同时农历新年的烟花燃放也是SO2排放的主要贡献源.同时, 低温, 低风速, 高湿的气象条件, 容易使SO2等气态污染物积累, 并向二次细颗粒物PM2.5转化[19]. NO2浓度的降低, 使得臭氧与氮氧化物的“滴定反应”减弱, 同时温度上升, 能见度变好, 光照加强, 促进了光化学反应, 从而引起O3浓度的增加, 加强了大气环境中的氧化能力.同时高湿的气象条件, 容易使NO2、SO2和VOC等一次污染物转化为硝酸盐, 硫酸盐和二次有机气溶胶等[37], 而这些物质又是二次细颗粒物PM2.5的主要成分.
|
黑线为疫情防控开始时间2020年1月27日 图 7 2019年和2020年疫情管控同期安阳市、郑州市和信阳市污染物浓度及气象条件对比 Fig. 7 Comparison of pollutant concentrations and meteorological conditions in Anyang, Zhengzhou, and Xinyang in 2019 and 2020 |
每个地区污染物浓度的变化不仅受到本地排放的影响, 更重要的是来自于污染物的区域传输和传输过程中前体物的化学、物理变化过程, 为了了解疫情防控前后河南各地市污染物传输过程, 本文主要使用后向轨迹和潜在贡献源因子法(WPSCF)来分析.
本文潜在源分析使用的软件是MeteoInfo软件中的TrajStat插件, 研究时间为防控前(2020年1月)和防控期(2020年2月), 研究区域为安阳市(E114°21′, N36°06′)、郑州市(E113°40′, N34°46′)和信阳市(E114°04′, N32°07′), 网格分辨率为1°×1°, 高度为500 m, 计算时间间隔1 h, 时区使用UTC+8, PM2.5和O3使用的阈值为国家标准规定的超标污染物阈值75μg ·m-3和100μg ·m-3.
PM2.5和O3污染浓度在防控前和防控期的气团变化和潜在来源如图 8和图 9所示：3个代表城市PM2.5和O3的潜在源来源区域在防控前和防控后都分别有扩大和缩小的趋势.
|
图例表示该网格区域污染轨迹的WPSCF值, 不同颜色线带百分数表示这个方向上风向轨迹聚类的占比, 下同 图 8 防控前和防控后安阳、郑州和信阳的PM2.5潜在源分析 Fig. 8 Potential source analysis of PM2.5 for Anyang, Zhengzhou, and Xinyang before and after plague prevention |
|
图 9 防控前和防控后安阳市、郑州市和信阳市O3潜在源分析 Fig. 9 Potential source analysis of O3 for Anyang, Zhengzhou and Xinyang before and after plague prevention |
根据后向轨迹来看, 疫情防控前, 3个城市的PM2.5浓度均受到来自于安阳市方向的气团和陕西、湖北方向气团的影响; O3浓度则主要受到西部地区的影响.疫情防控期间, 3个城市的PM2.5浓度则主要受到了来自湖北方向、驻马店市方向和山东方向气团的影响; O3浓度则主要受到西部和西南地区气团的影响.
根据潜在源分析方法来看, 疫情防控前北方城市安阳市和郑州市PM2.5的潜在源来源范围比较大, 主要来源是东北方向的“京津冀污染传输通道”和西北方向陕北、内蒙地区, 南方城市信阳市的潜在源主要是河南省东部地区; 防控期间, 潜在源来源主要是本省南北方向传输, 西北方向的来源影响减弱.防控前北方城市安阳市和郑州市O3的潜在源来源范围主要是外部影响较大; 防控期间潜在源来源范围扩大, 本地周围来源变为主要来源.
2.3 空气质量变化的气象影响与管控措施减排影响的模拟分析 2.3.1 气象影响的模拟分析空气质量变化一般是由人为减排和气象条件影响引起的.为了区分二者之间的贡献, 一般研究采用的是模拟计算的方法.主要计算公式为[38]：人为减排引起的空气质量变化值=空气质量总的变化值-气象条件影响的空气质量变化值.本文假设人为源排放和自然源排放量不变, 利用2014~2019年每一年的1月和2月的观测数据, 使用机器学习算法(LSTM算法)训练和模拟2020年1月和2月的污染物排放, 并计算出疫情前和疫情管控后受到气象条件影响的空气质量变化值, 如图 10所示.
|
图 10 相同污染源排放情景下河南省疫情管控期与管控前污染物模拟浓度及变化值 Fig. 10 Simulated pollutant concentrations and variation during the implementation of COVID-19 control measures in Henan |
图 10模拟结果显示, 在假设污染物排放量不变的情况下, 只考虑气象因素变化的影响, 河南省疫情管控期PM2.5、PM10、SO2、CO和NO2浓度均比管控前降低, 其平均浓度分别下降24.33 μg ·m-3、19.9μg ·m-3、5.45μg ·m-3、0.32 mg ·m-3和6.82μg ·m-3.此外由于社会生产和人民生活变化导致的污染物排放数据难以获得, 可以采用空气质量模拟法来反推空气质量受人为减排的影响值, 即用疫情管控期与疫情前观测污染物浓度改善值Δc(c疫情期-c疫情前)减去由模拟获取的气象因素引起的污染物浓度改善值(即图 10中的变化值), 即为人为减排导致的空气质量改善值(Δc-c气象变化值)[38].由模拟结果可知, 气象条件造成的各污染物浓度改善率分别是24.62%、15.01%、29.33%、22.31%和18.75%.疫情防控期间由于实施了部分管控措施, 使得机动车出行, 工业生产等人为排放减少, 气象条件对空气污染的影响显著增加, 例如：疫情防控期间O3浓度升高, 气象条件的影响幅度达13.3%.O3对气象条件反应机制比较复杂, 疫情防控期间太阳辐射强、气温升高有利于大气光化学反应的进行[39].高温、低湿和大风的气象条件, 容易使PM2.5和PM10等颗粒物扩散.从图 10中可以看出, 在PM2.5和PM10浓度的空间变化上, 河南北部城市(例如：安阳市、鹤壁市、鹤壁市和焦作市等)要比中南部城市变化大, 可能由于北方城市污染排放基数较大, 疫情防控期间人为排放相应减少, 加上气象条件的影响, 颗粒物浓度变化幅度相应增加.在O3浓度的空间变化上, 也呈现豫北地区要比豫南地区变化大, 主要原因是豫北地区的颗粒物排放减少, 能见度增加, 温度升高, 促使了O3的生成, 说明O3浓度与颗粒物在某些条件作用下呈现负相关.SO2、CO和NO2等污染物浓度变化也呈现豫北地区比豫南地区变化大, 主要原因也是中北部地区的人为排放相比南部地区减少得要多.总体上来讲, 模拟结果符合气象条件对于污染物浓度变化的影响, 也符合观测值的空间分布情况.
2.3.2 人为管控减排影响的模拟分析疫情管控期间人为减排的空气质量改善幅度总体上要小于气象因素(见表 1), 其中北方城市的空气污染受气象条件的影响要比南方城市大, 人为减排影响也是北方城市大于南方城市.其中人为减排改善幅度最大的是NO2, 改善幅度为39.76%, 降低了20.16μg ·m-3, 安阳市、信阳市和郑州市NO2分别降低了3.58、5.07和3.71μg ·m-3.人为减排影响最大的是PM10, 全省平均降低了27.77μg ·m-3, 其中信阳市PM10的浓度下降最大(2.11μg ·m-3), 其次是安阳市(1.99μg ·m-3).SO2浓度除了安阳市外, 包括18地市的平均值中都处于上升趋势, 说明疫情管控期间处于北方冬季, 居家取暖导致燃煤和电厂排放并未降低, 人为减排并未大幅度影响SO2的浓度改善.疫情管控期间, O3浓度并未降低, 反而上升, 一方面颗粒物浓度降低, 使得能见度升高, 太阳辐射增强, 加速光化学反应, 促使O3浓度的升高[40]; 另一方面由于交通源等人为排放NOx的减少, 使得监测站点附近O3的滴定效应减弱. 18地市的平均CO浓度变化幅度小于其它污染物浓度, 其中安阳市和郑州市在人为减排影响下分别下降了0.95 mg ·m-3和1.00 mg ·m-3, 但是信阳市的CO浓度没有明显受到人为减排的影响, 说明信阳市的CO浓度与平时变化不大.疫情期间的管控措施, 使得机动车数量减少, 导致汽车尾气排放的CO减少; 其中CO的另一个主要排放源是燃煤[41], 在疫情期间燃煤需求量也并未出现较大波动.
|
表 1 假定排放源不变情况下疫情管控前后空气质量、气象和减排影响模拟值 Table 1 Simulated values of meteorological and emission reduction impacts on air quality, before and after implementation of COVID-19 control measures, under the same emission sources |
3 结论
(1) 疫情管控阶段河南省主要污染物除O3浓度上升外, PM2.5、PM10、SO2、CO和NO2浓度明显下降, 全省平均下降幅度分别为36.89%、34.18%、19.43%、29.85%和58.51%.
(2) LSTM预测模型对污染物浓度变化的模拟显示出良好的性能, 表明模型选择的特征变量可以用来解释污染物浓度的变化的趋势.模拟结果显示, 防控阶段气象条件导致污染物浓度平均降低约22%, 人为减排平均降低约为18%.防控期间河南省O3浓度平均上升69.64%, 气象因素和人为活动的影响分别占34.84%和34.81%, 因此O3污染的控制需对不同污染物实施科学地减排比例.
(3) 从观测值和模拟值的空间变化上可以看出, 污染物浓度的变化幅度豫北地区比豫南地区大, 因此需要对豫北地区的污染物排放进行科学地研判, 并实施严格的减排措施.
| [1] | 河南省人民政府. 河南省启动重大突发公共卫生事件一级响应[EB/OL]. http://www.henan.gov.cn/2020/01-26/1285076.html, 2020-12-20. |
| [2] | Tian H Y, Liu Y H, Li Y D, et al. An investigation of transmission control measures during the first 50 days of the COVID-19 epidemic in China[J]. Science, 2020, 368(6491): 638-642. DOI:10.1126/science.abb6105 |
| [3] | Wang P F, Chen K Y, Zhu S Q, et al. Severe air pollution events not avoided by reduced anthropogenic activities during COVID-19 outbreak[J]. Resources, Conservation and Recycling, 2020, 158. DOI:10.1016/j.resconrec.2020.104814 |
| [4] | Li L, Li Q, Huang L, et al. Air quality changes during the COVID-19 lockdown over the Yangtze River Delta Region: an insight into the impact of human activity pattern changes on air pollution variation[J]. Science of the Total Environment, 2020, 732. DOI:10.1016/j.scitotenv.2020.139282 |
| [5] |
张小曳, 徐祥德, 丁一汇, 等. 2013~2017年气象条件变化对中国重点地区PM2.5质量浓度下降的影响[J]. 中国科学: 地球科学, 2019, 62(4): 483-500. Zhang X Y, Xu X D, Ding Y H, et al. The impact of meteorological changes from 2013 to 2017 on PM2.5 mass reduction in key regions in China[J]. Science China Earth Sciences, 2019, 62(12): 1885-1902. |
| [6] | Xue W, Zhan Q M, Zhang Q, et al. Spatiotemporal variations of particulate and gaseous pollutants and their relations to meteorological parameters: the case of Xiangyang, China[J]. International Journal of Environmental Research and Public Health, 2019, 17(1). DOI:10.3390/ijerph17010136 |
| [7] | von Schneidemesser E, Steinmar K, Weatherhead E C, et al. Air pollution at human scales in an urban environment: impact of local environment and vehicles on particle number concentrations[J]. Science of the Total Environment, 2019, 688. DOI:10.1016/j.scitotenv.2019.06.309 |
| [8] | Zhao N, Wang G, Li G H, et al. Air pollution episodes during the COVID-19 outbreak in the Beijing-Tianjin-Hebei region of China: an insight into the transport pathways and source distribution[J]. Environmental Pollution, 2020, 267. DOI:10.1016/j.envpol.2020.115617 |
| [9] | Wang S Y, Zhang Y L, Ma J L, et al. Responses of decline in air pollution and recovery associated with COVID-19 lockdown in the Pearl River Delta[J]. Science of the Total Environment, 2021, 756. DOI:10.1016/j.scitotenv.2020.143868 |
| [10] | Cole M A, Elliott R J R, Liu B W. The impact of the Wuhan Covid-19 lockdown on air pollution and health: a machine learning and augmented synthetic control approach[J]. Environmental and Resource Economics, 2020, 76(4): 553-580. DOI:10.1007/s10640-020-00483-4 |
| [11] | Lovri Dc' M, Pavlovi Dc' K, Vukovi Dc' M, et al. Understanding the true effects of the COVID-19 lockdown on air pollution by means of machine learning[J]. Environmental Pollution, 2021, 274. DOI:10.1016/j.envpol.2020.115900 |
| [12] | Bai Y, Zeng B, Li C, et al. An ensemble long short-term memory neural network for hourly PM2.5 concentration forecasting[J]. Chemosphere, 2019, 222. DOI:10.1016/j.chemosphere.2019.01.121 |
| [13] | 中华人民共和国中央人民政府. 中华人民共和国中央人民政府网站-河南[EB/OL]. http://www.gov.cn/guoqing/2018-01/17/content_5257444.htm, 2020-12-20. |
| [14] | 中华人民共和国生态环境部. 关于印发《京津冀及周边地区2017-2018年秋冬季大气污染综合治理攻坚行动方案》的通知[EB/OL]. http://www.mee.gov.cn/gkml/hbb/bwj/201708/W020170824378273815892.pdf, 2020-12-20. |
| [15] |
杜晓轩, 楚明浩, 杨磊. 霾高发季节郑州五城区PM2.5污染水平的对比分析及影响因素初探[J]. 绿色科技, 2016(14): 101-103, 108. Du X X, Chu M H, Yang L. Comparative analysis and influencing factors of PM2.5 pollution in five districts in Zhengzhou during haze seasons[J]. Journal of Green Science and Technology, 2016(14): 101-103, 108. DOI:10.3969/j.issn.1674-9944.2016.14.037 |
| [16] | Dimitriou K, Kassomenos P. Combining AOT, angstrom exponent and PM concentration data, with PSCF model, to distinguish fine and coarse aerosol intrusions in southern France[J]. Atmospheric Research, 2016, 172-173: 74-82. DOI:10.1016/j.atmosres.2016.01.002 |
| [17] | 孙亚南. 南通旅游业与三次产业的灰色关联实证分析[J]. 集团经济研究, 2006(25): 144-145. |
| [18] | 刘思峰, 杨英杰, 吴利丰. 灰色系统理论及其应用[M]. ((第七版)). 北京: 科学出版社, 2014: 62-63. |
| [19] |
赵雪, 沈楠驰, 李令军, 等. COVID-19疫情期间京津冀大气污染物变化及影响因素分析[J]. 环境科学, 2021, 42(3): 1205-1214. Zhao X, Shen N C, Li L J, et al. Analysis of changes and factors influencing air pollutants in Beijing-Tianjin-Hebei region during the COVID-19 pandemic[J]. Environmental Science, 2021, 42(3): 1205-1214. |
| [20] | Xie R, Sabel C E, Lu X, et al. Long-term trend and spatial pattern of PM2.5 induced premature mortality in China[J]. Environment International, 2016, 97: 180-186. DOI:10.1016/j.envint.2016.09.003 |
| [21] | Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780. DOI:10.1162/neco.1997.9.8.1735 |
| [22] | Huang C J, Kuo P H. A deep CNN-LSTM model for particulate matter (PM2.5) forecasting in smart cities[J]. Sensors, 2018, 18(7). DOI:10.3390/s18072220 |
| [23] | Lee M, Lin L, Chen C Y, et al. Forecasting air quality in Taiwan by using machine learning[J]. Scientific Reports, 2020, 10(1). DOI:10.1038/s41598-020-61151-7 |
| [24] | 陈诚. 人人都能看懂的LSTM[EB/OL]. https://zhuanlan.zhihu.com/p/32085405, 2020-12-20. |
| [25] |
段大高, 赵振东, 梁少虎, 等. 基于LSTM的PM2.5浓度预测模型[J]. 计算机测量与控制, 2019, 27(3): 215-219. Duan D G, Zhao Z D, Liang S H, et al. Research on PM2.5 concentration prediction based on LSTM[J]. Computer Measurement & Control, 2019, 27(3): 215-219. |
| [26] |
蔡旺华. 运用机器学习方法预测空气中臭氧浓度[J]. 中国环境管理, 2018, 10(2): 78-84. Cai W H. Using machine learning method for predicting the concentration of ozone in the air[J]. Chinese Journal of Environmental Management, 2018, 10(2): 78-84. |
| [27] | Han X, Zhang M G, Zhu L Y, et al. Assessment of the impact of emissions reductions on air quality over North China Plain[J]. Atmospheric Pollution Research, 2016, 7(2): 249-259. DOI:10.1016/j.apr.2015.09.009 |
| [28] | Zhao J C, Deng F, Cai Y Y, et al. Long short-term memory-fully connected (LSTM-FC) neural network for PM2.5 concentration prediction[J]. Chemosphere, 2019, 220: 486-492. DOI:10.1016/j.chemosphere.2018.12.128 |
| [29] | Nichol J E, Bilal M, Ali M A, et al. Air pollution scenario over China during COVID-19[J]. Remote Sensing, 2020, 12(13). DOI:10.3390/rs12132100 |
| [30] | Otmani A, Benchrif A, Tahri M, et al. Impact of Covid-19 lockdown on PM10, SO2 and NO2 concentrations in Salé City (Morocco)[J]. Science of the Total Environment, 2020, 735. DOI:10.1016/j.scitotenv.2020.139541 |
| [31] | Li R, Mei X, Wei L F, et al. Study on the contribution of transport to PM2.5 in typical regions of China using the regional air quality model RAMS-CMAQ[J]. Atmospheric Environment, 2019, 214. DOI:10.1016/j.atmosenv.2019.116856 |
| [32] | Sillman S, Logan J A, Wofsy S C. The sensitivity of ozone to nitrogen oxides and hydrocarbons in regional ozone episodes[J]. Journal of Geophysical Research: Atmospheres, 1990, 95(D2): 1837-1851. DOI:10.1029/JD095iD02p01837 |
| [33] | Silver B, He X Y, Arnold S R, et al. The impact of COVID-19 control measures on air quality in China[J]. Environmental Research Letters, 2020, 15(8). DOI:10.1088/1748-9326/aba3a2 |
| [34] | Bao R, Zhang A C. Does lockdown reduce air pollution? Evidence from 44 cities in northern China[J]. Science of the Total Environment, 2020, 731. DOI:10.1016/j.scitotenv.2020.139052 |
| [35] |
朱彤, 尚静, 赵德峰. 大气复合污染及灰霾形成中非均相化学过程的作用[J]. 中国科学: 化学, 2011, 54(12): 1731-1740. Zhu T, Shang J, Zhao D F. The roles of heterogeneous chemical processes in the formation of an air pollution complex and gray haze[J]. Science China Chemistry, 2011, 54(1): 145-153. |
| [36] |
彭玏, 赵媛媛, 赵吉麟, 等. 京津冀大气污染传输通道区大气污染时空格局研究[J]. 中国环境科学, 2019, 39(2): 449-458. Peng L, Zhao Y Y, Zhao J L, et al. Spatiotemporal patterns of air pollution in air pollution transmission channel of Beijing-Tianjin-Hebei from 2000 to 2015[J]. China Environmental Science, 2019, 39(2): 449-458. DOI:10.3969/j.issn.1000-6923.2019.02.001 |
| [37] | Sun Y L, Lei L, Zhou W, et al. A chemical cocktail during the COVID-19 outbreak in Beijing, China: insights from six-year aerosol particle composition measurements during the Chinese New Year holiday[J]. Science of the Total Environment, 2020, 742. DOI:10.1016/j.scitotenv.2020.140739 |
| [38] |
刘厚凤, 徐薇, 魏敏, 等. 2020年初疫情管控对山东省空气质量影响的模拟[J]. 环境科学, 2021, 42(3): 1215-1227. Liu H F, Xu W, Wei M, et al. Impact of pollutant emission reduction on air quality during the COVID-19 pandemic control in early 2020 based on RAMS-CMAQ[J]. Environmental Science, 2021, 42(3): 1215-1227. |
| [39] |
王莉, 贺玉川, 于光, 等. 泰州市PM2.5与常规空气污染物及气象因素的相关性分析[J]. 中国卫生检验杂志, 2018, 28(22): 2788-2792, 2795. Wang L, He Y C, Yu G, et al. Correlation analysis of PM2.5 and conventional air pollutants and meteorological factors in Taizhou City[J]. Chinese Journal of Health Laboratory Technology, 2018, 28(22): 2788-2792, 2795. |
| [40] |
刘长焕, 邓雪娇, 朱彬, 等. 近10年中国三大经济区太阳总辐射特征及其与O3、PM2.5的关系[J]. 中国环境科学, 2018, 38(8): 2820-2829. Liu C H, Deng X J, Zhu B, et al. Characteristics of GSR of China's three major economic regions in the past 10 years and its relationship with O3 and PM2.5[J]. China Environmental Science, 2018, 38(8): 2820-2829. DOI:10.3969/j.issn.1000-6923.2018.08.004 |
| [41] |
谢静芳, 董伟, 王宁, 等. 吉林省冬季燃煤民居室内CO污染监测分析[J]. 气象与环境学报, 2014, 30(1): 75-79. Xie J F, Dong W, Wang N, et al. Analysis of residential indoor CO concentration due to coal-burning during winter in Jilin province[J]. Journal of Meteorology and Environment, 2014, 30(1): 75-79. DOI:10.3969/j.issn.1673-503X.2014.01.012 |