2021, Vol. 42
2. 福建省海陆界面生态环境重点实验室, 厦门 361102;
3. 福建省环境科学研究院, 福州 350013
2. Fujian Provincial Key Laboratory for Coastal Ecology and Environmental Studies, Xiamen 361102, China;
3. Fujian Provincial Academy of Environmental Science, Fuzhou 350013, China
为阻断新冠肺炎(COVID-2019)的传播, 大部分国家和地区均采用封锁手段(lockdown)以严格控制交通与人群流动, 工商业活动的显著降低甚至停止, 很大程度上削减了人为源大气污染物的排放, 对空气质量的改善效果明显[1~4].封锁措施导致的工商业活动下降, 本质上类似于重大会议及体育赛事期间的临时管制, 但疫情管控的范围与力度更大, 持续的时间也更长.因此, 研究疫情管控前后空气质量的变化, 以及对封锁措施的响应关系, 可为进一步的空气质量管理提供参考[1, 5~7].由于大范围的交通限制, 对NO2的影响最为显著, 封锁期间的浓度相比于封锁前下降了20%~100%, 而SO2因主要来自化石能源燃烧, 下降幅度则较小[8~11].相比于一次污染物, PM2.5因存在较大比例的二次来源贡献, 其浓度变化对疫情防控政策的响应在不同地区存在差异.Shi等[11]的研究基于华北区域地面实际观测数据, 估算封锁期(2020-01-23~2020-02-29)PM2.5的浓度相比于封锁前(2020-01-01~2020-01-22)下降了35%, 显著低于NO2的下降幅度(60%).Shi等[12]的研究在扣除气象因素的影响后, 发现伦敦和巴黎的PM2.5浓度在封锁期间反而出现上升, 不同于北京、武汉、德里及欧洲和北美等主要城市出现的下降规律, 且大多数城市PM2.5浓度在封锁后并没有像NO2出现突然下降.Le等[9]的研究基于WRF-Chem模型, 模拟得出京津冀区域在封锁期间因不利扩散与高湿度的气象条件及非均相反应而使得PM2.5浓度分别上升了31.3%和12.0%, 而NOx的降低对PM2.5的影响则不明显.Huang等[13]的研究认为封锁期间华北和华东区域PM2.5的上升, 主要是由于O3和夜间NO3自由基浓度升高而导致二次颗粒物的增加, 抵消了一次颗粒物排放降低的影响; 其中, 华北区域PM2.5/CO比值在华北区域有较大幅度的增加, 显示二次污染相比于一次排放的影响更大.另外, 封锁期间因取暖和花园杂草焚烧增多而增加了PM的排放, 也可能导致局部区域PM浓度上升[14].对于O3, 由于其完全来自二次转化生成, 对COVID-19封锁政策的响应不同于其它污染物, 其浓度在封锁期间普遍都表现为上升, 主要作用机制可能是NOx对O3滴定效应的下降[6, 11, 12, 15], 而气态前体物VOCs与NOx相对比例的改变也可能导致O3浓度上升[6, 14, 15].由于不同地区和城市的能源结构、产业结构和交通基础设施等存在差异, 以及封锁期间的气象条件的变化等, 都可能影响污染物的浓度变化, 从而影响空气质量对封锁政策的响应分析.因此, 应对封锁前后的社会经济活动、污染物浓度及气象因素等进行综合分析, 才能更加准确了解人为活动对空气质量的影响.
厦门湾属海陆交界地带, 集内陆、海岛和城市下垫面等复杂地形于一体, 特殊的地理条件使得污染物的迁移转化同样受到影响.污染物的环境浓度受到气象条件和污染排放双重影响.厦门湾气象条件较为复杂, 出现颗粒物污染时一般伴随着静稳和低扩散效率的边界层条件和大风下沉的传输过程[16], 且大陆和海洋气团之间的相互作用可能会影响沿海地区O3的形成和重新分布[17].不同污染物的排放来源构成多样化, 如厦门湾船舶源对SO2和NOx的贡献较大[18], 金砖会议期间管控措施显示了机动车源对NOx的贡献明显[19], VOCs则主要来自工业源[20].
本研究通过考察厦门湾城市群6项污染物浓度在新冠疫情管控前后的时空分布特征, 探究环境浓度与污染物排放及气象因素之间的关联性, 以期为厦门湾区域重点污染源筛查和环境管理措施的制定提供参考.
1 材料与方法 1.1 研究区域概况厦门湾地处福建东南沿海, 周边城市包括厦门、金门、泉州和漳州的部分区域, 地形以滨海平原、台地和丘陵为主, 为亚热带海洋性季风气候.研究区人口主要分布于中心城区, 区域内路网密度大, 共设有33个空气质量监测站点, 其中12个为国控点, 主要集中于中心城区, 其余为市控点(图 1).
|
图 1 厦门湾城市群空气质量监测站点位置与路网分布 Fig. 1 Map of air quality monitoring stations and road networks in the Xiamen Bay city cluster |
由于COVID-19暴发与2020年的春节假期存在叠加影响, 为此以春节假期作为比较基准, 将2018~2020年的春节前后划分为6个时段(如表 1), 通过比较不同时间段的相对变化, 一定程度上可降低人为活动和气象因素波动[6, 9]对大气污染物浓度年际差异的影响.
|
表 1 2018~2020春节同期P1~P6时段划分 Table 1 Period division(P1-P6)rule for air pollutants during the Spring Festival in 2018-2020 |
1.2 数据来源与研究方法
厦门、漳州和泉州的空气污染物浓度数据来自各地生态环境局的空气质量发布数据(http://sthjj.xm.gov.cn/; http://hbj.zhangzhou.gov.cn/; http://sthjj.quanzhou.gov.cn/; www.aqistudy.cn), 金门的数据来自中国台湾省环保署(https://taqm.epa.gov.tw).另外, 研究时段的气象数据如温度(T)、湿度(RH)、气压(p)、风向(WD)、风速(WS)、降雨量(RF)和能见度(Vis)等来自厦门岛上的狐尾山气象站(24.49°N, 118.09°E)(https://p5.ru/), 大气边界层PBL(planetary boundary layer)数据通过WRF(weather research and forecasting model, 天气研究和预报模型)获得.人为源活动水平数据如福建省用电量与发电量来自国家能源局福建监管办公室(http://fjb.nea.gov.cn/), 交通流量信息来自厦门市天马山隧道车辆监控系统, 城市出行强度数据来自“百度迁徙”大数据(https://qianxi.baidu.com/2020/), 船舶进出港数据来自厦门市港口管理局提供的船舶登记靠港信息, 工地复工数据来自厦门市建设局.城市出行强度定义为该城市所有出行人数与城市居住人口的比值, 是由百度对其拥有的LBS(基于位置的服务)大数据进行计算分析, 通过众多与百度相关应用所传送的定位请求, 从而对所有请求信息进行设备辨认与定位, 获得人群流动信息.
反距离加权插值法(IDW)是以插值点与样本点之间的距离为权重进行的加权平均, 样本点距离插值点越近则权重越大.IDW插值法要求数据点分布相对均匀, 且布满整个插值区域, 无区域大小的限制, 保证插值数据处于实测值的最大值与最小值之间.由于33个监测点基本覆盖了厦门湾的各区范围, 监测点浓度同时受到局地污染源和区域传输的影响, 满足IDW插值法的条件.本研究采用ARCGIS中的Arctoolbox工具箱中的插值分析(IDW插值法), 得到SO2、NO2、CO、O3、PM2.5和PM10的面状连续分布特征.
2 结果与讨论 2.1 2018~2020年同期中心城区NO2和SO2浓度比较根据福建省人民政府发布的通知, 从2020年1月24日起, 福建省启动重大突发公共卫生事件一级响应, 其启动时间与春节假期基本同步, 在人员流动及机动车出行管制措施实施后, 机动车的污染排放出现显著降低.从图 2厦门湾区域的厦门、漳州、泉州和金门等4个城市2018~2020年春节前后时段内国控点气态污染物(SO2和NO2)浓度变化可以看出, 2020年P3时段NO2浓度均值相比于P2时段的下降幅度介于53%~70%之间, 而2018和2019年同期的下降幅度为19%~48%之间, 显示出新冠疫情管制对交通污染排放有重要影响.Ding等[21]的研究基于卫星反演的NO2柱浓度数据, 分析得到武汉、南京、上海、广州、重庆和北京等城市在2020年春节期间NO2的排放密度都出现显著下降, 其中在武汉市的下降幅度超过了50%, 而正常春节假期由于工商业活动的减少而导致的NO2排放下降只有10%[22].春节节后的P4时段, NO2浓度在2018年和2019年都有明显上升, 上升状态持续到P6时段, 主要受节后返城及工地、工厂等恢复正常运行的影响.基于“百度迁徙”大数据产品, 得到厦门城市人群出行强度(图 3)在春节假期前后的变化.2019年春节假期结束后人群出行强度快速反弹, 而2020年P4时段由于仍处于疫情防控一级响应期内, 出行强度继续维持低谷状态, NO2浓度也只有微弱的上升; 在2020年2月9日出台了逐步复工复产的通知后, 在2月14日厦门市的建设项目复工率升至14%, 出行强度也有明显升高, 在P5时段时NO2浓度出现了较为明显地上升.
|
图 2 2018~2020春节同期(P1~P6)NO2和SO2浓度均值 Fig. 2 Weekly averaged NO2 and SO2 concentrations during the Spring Festival(P1-P6)from 2018 to 2020 |
|
图 3 天马山隧道2020年春节前后交通流量与NO2变化及2019~2020年同期厦门出行强度比较 Fig. 3 Daily variations in traffic flow and NO2 concentrations in the Tianmashan tunnel during the Spring Festival in 2020, and urban travel intensity during the same period in 2019 and 2020 |
为进一步明确交通出行与NO2之间的关联性, 对厦门市天马山隧道车流量及邻近站点NO2浓度进行了相关分析.天马山隧道是厦门港货运车辆主要通行路段之一(往返厦门-泉州), 其车流量一定程度上也可反映港口码头作业的变化.在节前的P1~P2时段, 进出港船舶数量逐渐减少, 隧道内车辆通行量下降至最低(2020-01-25), P3时段相比于P1时段船舶进港数量下降了58%, 隧道车辆通行量下降了88%, 较低的交通活动水平持续至P4时段, 与城市出行强度的变化一致(图 3).有研究显示[21], 黄海和渤海湾区域海洋运输船舶NOx的排放量在疫情管制期间相比于管制前下降了25%, 而上海-广州范围内的海洋运输船舶NOx排放量的下降幅度为41%.海洋及陆地交通运输量的下降, 直接导致NOx的排放量减少, 环境NO2浓度也表现为快速下降的趋势, 说明NO2主要来自交通源[12, 14].相关性分析显示, NO2浓度与车流量之间呈显著正相关关系(r为0.817~0.839, P < 0.01, 双侧检验), 与欧洲城市管制期内交通区站点NOx(NO和NO2)浓度下降幅度更大及工业城市NOx浓度小幅下降的规律相吻合[14].但是, SO2与车流量之间不存在相关关系, 揭示不同的污染物受一级响应政策的影响不尽相同.
本研究中, SO2浓度在春节期间相比于P2时段的下降幅度小于NO2, 介于6%~22%之间, 远低于NO2的降幅, 但与2018~2019年同期降幅相当(-4%~30%); 而复工后的P5时段, SO2浓度相对于P4时段的上升幅度(2%~42%)也远低于NO2的升幅(38%~138%).这种显著不同的变化规律显示两者的主要污染源存在不同.2020年春节期间, 武汉和广州两地SO2浓度的下降幅度也明显低于NO2, 而北京地区的SO2浓度甚至出现明显的上升[6, 11], 原因是钢铁厂、燃煤电厂和燃煤锅炉等SO2的排放大户, 因生产和工艺设备特性不能中断生产[23], 导致SO2浓度仅出现小幅下降, 甚至不降反升.因为收集的福建省发电量与用电量数据是以半月为周期进行统计的, 无法与P1~P6时段进行匹配, 所以采用2020年上半年火力发电量与工业用电量数据进行分析.统计显示, 两者之间呈显著正相关关系(r为0.906, P < 0.001), 且火力发电量、工业用电量和用电最高负荷均在2月上半月(对应2020年的P4~P5时段)处于最低值; 另外, 2020年1~3月的火力发电量与2019年同期相比下降了10%, 其中1月下半月同比下降23.7%, 因此燃煤电厂排放的SO2也会相应降低.但是, P4~P5时段SO2浓度相比于P3时段有一定的升高, 表明SO2可能并非主要来自燃煤电厂.据海峡西岸经济区前期的排放清单[24], 电厂对SO2的贡献为25.6%, 而纺织、造纸、化工、建材和钢铁等行业对SO2的贡献为45.9%, 因此, 非电行业对SO2的影响更大.
2.2 2018~2020年同期中心城区PM2.5、PM10、CO和O3浓度比较已有研究显示, 由于PM2.5和PM10有相当部分来自气态前体物的二次转化, 其浓度变化对新冠疫情管制的响应, 没有一次气态污染物NO2敏感, 不同城市的变化也不一致, 甚至在我国华东和华北区域还出现了较为严重的雾-霾污染天气[13, 25].从图 4可以看出, 2018~2020年P1~P6期间PM2.5和PM10浓度也呈现类似SO2和NO2的变化特征, 但春节前后变化略有不同.如2018年PM2.5和PM10浓度在春节前的P2时段都有一定的上升, 在春节后P4和P5时段的上升也不明显, 而2019年则在节后的P4时段处于最低, 这种浓度波动差异的原因可能与二次转化及区域传输有关.2020年春节前后厦门湾中心城区的PM2.5和PM10浓度与气态前体物的变化一致, 其浓度日均值之间存在显著正相关关系(r为0.648~0.670, P < 0.001, 双侧检验); 在P3时段, PM2.5和PM10浓度相比于P2时段的降幅分别为53%~60%和47%~64%, 两者较为接近, 整体上略低于NO2的降幅(53%~70%), 但高于SO2(6%~22%)和CO(34%~48%)的降幅, 其中漳州市区PM的降幅甚至高于NO2; 在P4时段, PM2.5和PM10浓度相比于P3时段的升幅分别为24%~104%和29%~107%, 显著高于SO2(-10%~8%)、NO2(13%~73%)和CO(-5%~38%)的升幅; 在P5时段, PM浓度类似SO2和NO2都呈继续上升态势(除漳州外), 明显不同于CO的变化规律.
|
(a, d)2018年, (b, e)2019年, (e, f)2020年 图 4 2018~2020年春节前后(P1~P6)PM2.5、PM10、CO和O3_8h浓度均值 Fig. 4 Weekly averaged PM2.5, PM10, CO, and O3_8h during the Spring Festival(P1-P6)from 2018 to 2020 |
CO因不易被OH自由基氧化而具有相对较长的大气寿命, 通常被作为一次排放的示踪物[26].PM与CO之间的变化差异表明空气质量的变化不完全由疫情管制期间减少的一次污染物所影响, 气态前体物的二次转化对PM的影响可能更重要.Chen等[25]的研究发现, 上海城区PM2.5浓度在疫情管制期间下降了33%, 明显低于NO2的下降幅度(75%), 但高于SO2和CO的降幅(15%和22%), PM2.5中硝酸根和铵根的浓度下降显著(60%和45%), 但硫酸根和二次有机气溶胶却出现上升(27%和18%), 从而阻碍了PM2.5浓度的进一步下降.京津冀疫情管制期的模拟也显示[9], NOx排放量近80%的降幅只导致硝酸根浓度下降13%, 但硫酸盐根、二次有机气溶胶和O3的浓度反而上升了26.3%、15.1%和42.9%, 认为是电厂和石化工厂在管制期的持续排放以及高湿度、静稳天气和氧化条件对二次转化的促进作用所致.Huang等[13]的研究认为NOx排放降低, 一定程度上增加了O3及夜间NO3自由基的浓度, 促进了大气二次转化和二次颗粒物的生成, 一定程度上抵消了一次排放的降低效应.此外, 居家隔离期间因取暖增多消耗了更多化石燃料, 一定程度上也能抵消交通源排放的降低影响, 如意大利首都罗马在疫情管制期内PM2.5和PM10浓度分别上升了11%和2%, 法国南部城市尼斯的PM2.5和PM10的降幅仅有3%和6%[14].因此, 由于不同地区产业结构、能源消费结构和交通基础设施条件等存在较大差异, 空气污染物浓度受一级响应政策的影响也会不同.
大气环境中的CO主要来自化石燃料的燃烧排放, 其环境浓度在春节前后的变化特征类似于SO2、NO2、PM2.5和PM10, 其在2020年P3时段的浓度相比于P2时段的下降幅度(34%~48%)低于PM和NO2, 但高于SO2, 这种差异与CO的源贡献组成及自身化学稳定性有关.尽管2018~2019年春节期间CO也有一定的下降, 但降幅(5%~18%)明显低于2020年同期, 表明春节和疫情管制叠加效应更加显著.
由于O3受前体物(NOx和VOCs)浓度与相对组成以及光化学反应条件的共同影响, 其变化规律不同于其它污染物, 不同年度同期O3_8h浓度的差异变化也不具有一致的规律性.武汉及其它等城市的研究显示[11, 12, 15], 疫情期间由于NOx排放显著降低, 其对O3的滴定作用相应减小(NO+O3NO2+O2), 一定程度上使得O3浓度出现上升; 另外, 由于NOx排放量下降更大, 使得VOCs相对于NOx的比值上升, O3生成由VOCs限制转变为NOx限制, 也可能导致O3生成增多.Pei等[6]的研究发现北京、武汉和广州的HCHO柱浓度在封锁后并没有明显改变, 而NO2柱浓度有显著下降, 改变了O3前体物的相对组成, 而使得O3生成量增多.不同监测站对O3前体物的敏感程度不同[27], 厦门湾地区的O3浓度没有一致的波动规律, 厦门和金门则相对较一致, P1~P4期间O3浓度缓慢上升, 可能由于金门本地源较少, 与厦门同受区域传输的影响较大, 因而显示出相似的波动特征.厦门、泉州和金门在P4阶段(相对于P3)都有一定的上升, 受到较低的NOx浓度的滴定影响, 而漳州O3的下降可能是由于本地NO2的反弹速度相对较快所致.
2.3 气象因素影响分析2020年P1~P6期间内, SO2和NO2浓度与前两年相比, 都有较大幅度地下降, 除污染源排放量下降的影响外, 有利扩散(更大风速)和沉降清除(更多降雨)的气象条件, 也是不可忽视的重要原因之一.图 5给出了2018~2020年P1~P6期间温度、湿度、风速和降雨量等参数.可以看出, 在2020年P3~P6时段出现明显降雨(降雨量达到324 mm), 而同期2018和2019年的降雨量仅为32 mm和53 mm.当短时间出现明显降水时, 大气污染物经冲刷而被快速清除, 污染物浓度降低显著; 当降雨量较低时, 其对污染物的清除效率低, 且潮湿天气还会造成污染物的累积, 使得大气浓度上升.将2020年P1~P6时段SO2和NO2日均浓度与降雨量进行相关性分析, 显示并没有显著负相关关系存在, 其原因可能受降雨量过于集中和降雨频率较低有关.虽然P3和P6时段降雨量分别达到了126 mm和104 mm, 且主要集中在1 d内(01-26和02-16), 从而使得降雨量与污染物浓度之间并未出现显著相关, 但能见度有明显的提升.在厦门湾区域, 当北方寒冷气团无法南下时, 温度上升的同时一般都伴随着低风速、低PBL和静稳天气的出现, 导致污染累积.日均值的相关性分析显示, 2020年P1~P6时段内NO2和SO2的浓度与T之间都存在显著正相关关系(r为0.418~0.671, P < 0.01, 双侧检验), 而与WS之间存在显著负相关关系(r为-0.316~-0.654, P < 0.05, 双侧检验), 但只有NO2与PBL存在显著负相关关系(r为-0.482, P=0.001, 双侧检验).图 5中, 2020年P4~P6时段的平均风速和气压都略高于2018~2019年同期数值, 说明扩散稀释条件也有利于污染物浓度的下降.假定NO2和SO2受气象条件的影响程度相当, 则SO2/NO2比值的变化更能反映其污染源的变化.2020年P3时段, SO2/NO2比值相比于P2时段的增加幅度为88%~172%, 而2018~2019年同期的增幅为13%~75%, 表明NO2的排放源即交通污染受一级响应政策的影响更为显著.
|
图 5 2018~2020年春节前后同期厦门岛气象参数(T、RH、WS、RF、p和Vis)比较 Fig. 5 Comparison of selected meteorological parameters (T, RH, WS, RF, p, and Vis)on Xiamen Island during the Spring Festival in 2018-2020 |
PM2.5、PM10和气态污染物受降雨冲刷的影响差异也可能导致不同的变化特征[28].如2020年1月26日PM2.5和PM10浓度相比于1月25日分别下降了68%~84%和72%~86%, 而SO2和NO2的下降幅度为41%~60%和0%~16%, PM更容易受到降雨冲刷的影响.P4时段的气象条件相比于P3时段, 表现为温度更低、湿度更大、风速和降雨量更小等特点(图 5), 有助于气态前体物的二次转化, 使得P4时段PM的浓度上升更快.假定PM2.5和PM10受降水冲刷及稀释扩散的影响一致, 则PM2.5/PM10比值的升高或降低能反映扬尘的下降或增多.2018~2019年P3时段PM10浓度相比于P2时段都呈下降趋势, 但PM2.5却表现为有升有降, 而2020年同期PM2.5和PM10的降幅明显且接近.2020年P3时段, PM2.5/PM10比值相比于P2时段增加幅度为-10%~10%, 而2018~2019年同期的增幅为21%~38%, 也表明2020年春节与疫情管制的叠加效应对PM2.5和PM10的影响都更显著.
在2020年P1~P6时段O3_8h与NO2日均值之间存在显著负相关关系(P < 0.01, 双侧检验), 同时O3_8h与温度、湿度、风速及降雨量之间在P=0.05水平下也显著相关.一般而言, O3污染主要由于高温、低湿、低风速等不利气象条件和较高的前体物排放共同导致[29].由于季风的影响, 厦门湾区域的O3污染主要出现于春季和秋季的季风转向期, 因风速低和温度高, 利于O3的生成和累积; 而高温的夏季, 由于偏东风和东南风为主导, O3浓度处于低位, 冬季由于温度低, NOx浓度高, 也不利于O3的生成.从图 4可知, 厦门湾O3浓度在P3阶段无明显上升, 可能由于P3阶段风速增大、降雨增多及温度下降, 不利于O3的生成与累积; P4阶段, 厦门、泉州和金门的O3浓度有明显上升, 且高于管制前的浓度, 可能受有利O3的生成气象条件(降雨减少, 湿度下降)和较低的NO2浓度共同所用所致.
2.4 厦门湾污染物浓度时空分布特征基于厦门湾33个监测站点数据, 采用反距离加权插值法, 得到疫情管控前后时段厦门湾区域6项污染物的空间分布, 可用于探究该区域污染物浓度高值区分布的变化特征和重点污染源(图 6).SO2高值区主要集中在南安的中北部, 其浓度与空间分布在疫情前后均无明显变化, 结合本区域重点行业分布, 电厂、水泥厂和陶瓷厂等在SO2高值区较为集中, 说明这些企业的生产活动受疫情管制的影响不大.与SO2相比, NO2空间分布在不同时段则表现出明显的变化.在P1时段, NO2高值区集中于人口和路网密集区域; 在P2时段, 随着春节假期临近, 交通运输逐渐减少, NO2高值区范围缩小, 仅集中于港区周围; 在P3和P4时段, 高值区范围大幅缩小, 局限在石狮城区和港区局部小范围, 城区站点的浓度下降远大于郊区背景点; 在复工复产后, 厦门港周围及大部分城区周边NO2浓度都快速升高, 与交通运输的恢复情况一致.PM2.5和PM10的时空变化特征较为接近, 在疫情一级响应发布后, 区域内PM浓度整体下降明显, 复工复产后, 海沧区西部、泉州市区及南安中北部, 以及翔安区西部等工地相对集中的地区PM浓度反弹明显, 而在厦门岛及人口与路网密集区则无明显上升趋势, 明显不同于NO2的变化, 说明PM受二次转化的影响更重要.疫情管制前CO的空间分布差异不大, 在管制期内及复工复产后, 仅在个别小区域有CO高值分布, 如海沧南部与同安城区, 且高值区的空间分布格局没有明显改变, 推测CO可能受固定源的影响更强.O3浓度的高值区分布与NO2浓度的低值区相对应, 进一步证明了NO2对O3有明显的滴定作用.以上分析表明, 基于污染源及污染物浓度时空分布特征的变化分析, 能明确影响区域空气质量的重点污染源, 也是进一步建立空气污染联防联控机制的重要依据.需要注意的是, 由于厦门湾城市群外围监测站点的数量偏少且分布不均, 可能会影响浓度值的空间插值.另外, 由于缺乏针对PM化学组成的分析, 尤其是具有源指示作用的痕量金属元素与水溶性离子[19], 对污染源的准确判断存在一定的影响.
|
图 6 厦门湾城市群空气污染物时空分布 Fig. 6 Temporal and spatial distribution of air pollutants in Xiamen Bay city cluster |
(1) 受2020年春节假期与COVID-19管控叠加影响, 厦门湾城市群大气中NO2浓度降幅远大于SO2, 而在复工复产后NO2的反弹也远高于SO2, 说明本区域交通源对疫情管控的响应最为显著, 而火电之外的其它工业源受疫情的影响则相对较小; PM呈现不同于气态污染物的变化, 显示其受二次转化与降雨冲刷的影响更明显, 而PM2.5/PM10比值变化可用于工地扬尘影响的评估; 由于受气象条件和气态前体物变化的共同作用, 疫情期间O3浓度对管控措施的响应没有一致规律可循, 显示O3污染控制的复杂性.
(2) 不同污染物时空分布特征对新冠疫情管控的响应不同, 路网密集区、工业源集中区和工地集中区分别与NO2、SO2和PM10的高值区对应, 同时O3低值区与NO2高值区具有较好的空间匹配性, 验证了NO2对O3存在滴定作用.将特定污染源管控与污染物时空分布特征联合分析, 对区域重点污染源的确定及制定空气污染联防联控措施都有参考意义.
| [1] | 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 |
| [2] | Son J Y, Fong K C, Heo S, et al. Reductions in mortality resulting from reduced air pollution levels due to COVID-19 mitigation measures[J]. Science of the Total Environment, 2020, 744. DOI:10.1016/j.scitotenv.2020.141012 |
| [3] | Lian X B, Huang J P, Huang R J, et al. Impact of city lockdown on the air quality of COVID-19-hit of Wuhan city[J]. Science of the Total Environment, 2020, 742. DOI:10.1016/j.scitotenv.2020.140556 |
| [4] | Collivignarelli M C, Abbà A, Bertanza G, et al. Lockdown for COVID-2019 in Milan: what are the effects on air quality?[J]. Science of the Total Environment, 2020, 732. DOI:10.1016/j.scitotenv.2020.139280 |
| [5] | Wang S X, Zhao M, Xing J, et al. Quantifying the air pollutants emission reduction during the 2008 Olympic Games in Beijing[J]. Environmental Science & Technology, 2010, 44(7): 2490-2496. |
| [6] | Pei Z P, Han G, Ma X, et al. Response of major air pollutants to COVID-19 lockdowns in China[J]. Science of the Total Environment, 2020, 743. DOI:10.1016/j.scitotenv.2020.140879 |
| [7] | Jain S, Sharma T. Social and travel lockdown impact considering coronavirus disease(COVID-19)on air quality in megacities of India: present benefits, future challenges and way forward[J]. Aerosol and Air Quality Research, 2020, 20(6): 1222-1236. |
| [8] | Lee J D, Drysdale W S, Finch D P, et al. UK surface NO2 levels dropped by 42% during the COVID-19 lockdown: impact on surface O3[J]. Atmospheric Chemistry and Physics, 2020, 20(24): 15743-15759. DOI:10.5194/acp-20-15743-2020 |
| [9] | Le T H, Wang Y, Liu L, et al. Unexpected air pollution with marked emission reductions during the COVID-19 outbreak in China[J]. Science, 2020, 369(6504): 702-706. DOI:10.1126/science.abb7431 |
| [10] |
吴力波, 任飞州, 徐少丹. 新冠肺炎疫情防控一级响应对城市空气污染物减排的影响[J]. 环境经济研究, 2020, 5(3): 1-20. Wu L B, Ren F Z, Xu S D. Impact of first-level response to COVID-19 on the reduction of urban air pollutants in China[J]. Journal of Environmental Economics, 2020, 5(3): 1-20. |
| [11] | Shi X Q, Brasseur G P. The response in air quality to the reduction of Chinese economic activities during the COVID-19 outbreak[J]. Geophysical Research Letters, 2020, 47(11). DOI:10.1029/2020GL088070 |
| [12] | Shi Z B, Song C B, Liu B W, et al. Abrupt but smaller than expected changes in surface air quality attributable to COVID-19 lockdowns[J]. Science Advances, 2021, 7(3). DOI:10.1126/sciadv.abd6696 |
| [13] | 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, 2021, 8(2). DOI:10.1093/nsr/nwaa137 |
| [14] | Sicard P, De Marco A, Agathokleous E, et al. Amplified ozone pollution in cities during the COVID-19 lockdown[J]. Science of the Total Environment, 2020, 735. DOI:10.1016/j.scitotenv.2020.139542 |
| [15] | Kerimray A, Baimatova N, Ibragimova O P, et al. Assessing air quality changes in large cities during COVID-19 lockdowns: the impacts of traffic-free urban conditions in Almaty, Kazakhstan[J]. Science of the Total Environment, 2020, 730. DOI:10.1016/j.scitotenv.2020.139179 |
| [16] | 蒋永成, 张晗昀, 张伟, 等. 基于地基遥感资料的厦门市污染边界层特征分析[J]. 环境科学学报, 2020, 40(2): 450-458. |
| [17] | Wang H, Lyu X P, Guo H, et al. Ozone pollution around a coastal region of South China Sea: interaction between marine and continental air[J]. Atmospheric Chemistry and Physics, 2018, 18(6): 4277-4295. DOI:10.5194/acp-18-4277-2018 |
| [18] |
王坚, 黄厔, 刘艳英, 等. 厦门市船舶控制区大气污染物排放清单与污染特征[J]. 环境科学, 2020, 41(8): 3572-3580. Wang J, Huang Z, Liu Y Y, et al. Vessels' air pollutant emissions inventory and emission characteristics in the Xiamen emission Control Area[J]. Environmental Science, 2020, 41(8): 3572-3580. |
| [19] |
张子睿, 刘哲, 戴潞泓, 等. 2017年厦门金砖会晤期间气象因素与管控措施对空气质量的影响[J]. 环境科学学报, 2018, 38(11): 4464-4471. Zhang Z R, Liu Z, Dai L H, et al. The influence of meteorological factors and control measures on air quality during the 2017 Xiamen BRICS summit[J]. Acta Scientiae Circumstantiae, 2018, 38(11): 4464-4471. |
| [20] |
吴冬阳, 庄马展, 吴艳聪, 等. 厦门市工业源VOCs排放清单及控制对策分析[J]. 环境科学, 2020, 41(12): 5336-5344. Wu D Y, Zhuang M Z, Wu Y C, et al. Analysis of industrial VOCs emission inventory and countermeasures in Xiamen[J]. Environmental Science, 2020, 41(12): 5336-5344. |
| [21] | Ding J, van der A R J, Eskes H J, et al. NOx emissions reduction and rebound in China due to the COVID-19 crisis[J]. Geophysical Research Letters, 2020, 47(19). DOI:10.1029/2020GL089912 |
| [22] | Ding J Y, Miyazaki K, van der A R J, et al. Intercomparison of NOx emission inventories over East Asia[J]. Atmospheric Chemistry and Physics, 2017, 17(16): 10125-10141. DOI:10.5194/acp-17-10125-2017 |
| [23] |
周亚端, 朱宽广, 黄凡, 等. 新冠肺炎疫情期间湖北省大气污染物减排效果评估[J]. 环境科学与技术, 2020, 43(3): 228-236. Zhou Y D, Zhu K G, Huang F, et al. Emission reductions and air quality improvements during the COVID-19 pandemic in Hubei Province[J]. Environmental Science & Technology, 2020, 43(3): 228-236. |
| [24] |
鲁斯唯, 胡清华, 吴水平, 等. 海峡西岸经济区大气污染物排放清单的初步估算[J]. 环境科学学报, 2014, 34(10): 2624-2634. Lu S W, Hu Q H, Wu S P, et al. Establishment of air pollutant emission inventory in the west coast of Taiwan Strait[J]. Acta Scientiae Circumstantiae, 2014, 34(10): 2624-2634. |
| [25] | Chen H, Huo J T, Fu Q Y, et al. Impact of quarantine measures on chemical compositions of PM2.5 during the COVID-19 epidemic in Shanghai, China[J]. Science of the Total Environment, 2020, 743. DOI:10.1016/j.scitotenv.2020.140758 |
| [26] | DeCarlo P F, Ulbrich I M, Crounse J, et al. Investigation of the sources and processing of organic aerosol over the Central Mexican Plateau from aircraft measurements during MILAGRO[J]. Atmospheric Chemistry and Physics, 2010, 10(12): 5257-5280. DOI:10.5194/acp-10-5257-2010 |
| [27] |
严茹莎, 王红丽, 黄成, 等. 上海市夏季臭氧污染特征及削峰方案[J]. 环境科学, 2021, 42(8): 3577-3584. Yan R S, Wang H L, Huang C, et al. Characteristics and control strategies on summertime peak ozone concentration in Shanghai[J]. Environmental Science, 2021, 42(8): 3577-3584. |
| [28] | Seinfeld J H, Pandis S N. Atmospheric chemistry and physics: from air pollution to climate change[M]. (2nd ed). Hoboken: John Wiley & Sons, 2006: 900-979. |
| [29] |
王旭东, 尹沙沙, 杨健, 等. 郑州市臭氧污染变化特征、气象影响及输送源分析[J]. 环境科学, 2021, 42(2): 604-615. Wang X D, Yin S S, Yang J, et al. Characteristics, meteorological influences, and transport source of ozone pollution in Zhengzhou City[J]. Environmental Science, 2021, 42(2): 604-615. |