环境科学  2021, Vol. 42 Issue (12): 5594-5601   PDF    
引用本文
陈军辉, 冯小琼, 李媛, 王书肖. 新冠疫情期间四川盆地空气质量及影响因素分析[J]. 环境科学, 2021, 42(12): 5594-5601.
CHEN Jun-hui, FENG Xiao-qiong, LI Yuan, WANG Shu-xiao. Analysis of Air Quality and Influencing Factors in Sichuan Basin During the COVID-19 Outbreak[J]. Environmental Science, 2021, 42(12): 5594-5601.
新冠疫情期间四川盆地空气质量及影响因素分析
陈军辉1,2, 冯小琼2,3, 李媛2, 王书肖1     
1. 清华大学环境学院, 北京 100084;
2. 四川省生态环境科学研究院, 成都 610041;
3. 四川省环保科技工程有限责任公司, 成都 610041
收稿日期: 2021-02-18; 修订日期: 2021-05-20
基金项目: 国家重点研发计划项目（2018YFC0214006）
作者简介: 陈军辉(1973~), 女, 硕士, 研究员, 主要研究方向为大气污染防治, E-mail: 9503062@qq.com
通信作者: 冯小琼, E-mail: 475269341@qq.com
摘要: 基于污染源排放调查、空气质量和组分站观测数据，利用WRF/SMOKE/CMAQ模式系统，分析2020年新冠疫情期间污染源和气象条件变化对空气质量的影响.结果表明：①2020年新冠疫情期间，四川盆地除ρ（O3）同比上升外，ρ（SO2）、ρ（NO2）、ρ（CO）、ρ（PM2.5）和ρ（PM10）均同比下降，下降幅度为8%~41%.②疫情期间成都市PM2.5组分与2019年同期相比，ρ（Cl-）、ρ（K+）、ρ（Si）、ρ（Al）、ρ（Ca）和ρ（EC）的占比均同比下降，说明疫情期间施工工地、机动车、工业燃煤和生物质燃烧排放减少是ρ（PM2.5）下降的主要原因.③疫情期间，工业源SO2、NOx、PM10、PM2.5和VOCs排放量分别同比下降32%、31%、40%、39%和41%；成都市机动车车流量仅为正常时段的40.3%，车速提升19.7%，NOx、VOCs和CO日排放量降幅分别为44.7%、49.6%和38.0%，污染物的非等比例下降使得机动车排放贡献的大气氧化性进一步增强.④2020年疫情期间四川盆地气象条件同比不利，使得ρ（PM2.5）、ρ（NO2）、ρ（SO2）、ρ（O3）和ρ（PM10）分别上升2%、4%、23%、6%和8%，扣除气象条件变化影响后，ρ（PM2.5）、ρ（NO2）、ρ（SO2）和ρ（PM10）分别下降21%、45%、31%和30%，ρ（O3）上升12%.
关键词: 新冠疫情(COVID-19)      污染排放      气象影响      机动车      四川盆地     
Analysis of Air Quality and Influencing Factors in Sichuan Basin During the COVID-19 Outbreak
CHEN Jun-hui1,2 , FENG Xiao-qiong2,3 , LI Yuan2 , WANG Shu-xiao1     
1. School of Environment, Tsinghua University, Beijing 100084, China;
2. Sichuan Academy of Environmental Sciences, Chengdu 610041, China;
3. Sichuan Province Environmental Protection Technology Engineering Co., Ltd., Chengdu 610041, China
Abstract: Based on the pollution emission survey and the observation data of air quality and component stations, the WRF/SMOKE/CMAQ model system was adopted to analyze the impact of pollution sources and changes in meteorological conditions on air quality during the COVID-19 outbreak. The results showed that during the COVID-19 outbreak in 2020, in addition to the year-on-year increase in ρ(O3) in the Sichuan Basin, ρ(SO2), ρ(NO2), ρ(CO), ρ(PM2.5), and ρ(PM10) all decreased year-on-year, with decreases ranging from 8% to 41%. Compared with levels from the same period in 2019, ρ(Cl-), ρ(K+), ρ(Si), ρ(Al), ρ(Ca), and ρ(EC) in Chengdu decreased year-on-year, indicating that the emission reduction of construction sites, motor vehicles, industrial coal burned, and biomass combustion were the main reasons for the decrease in PM2.5 concentration. During the COVID-19 outbreak, the SO2, NOx, PM10, PM2.5, and VOCs industrial emissions decreased by 32%, 31%, 40%, 39%, and 41%, respectively. The traffic volume of motor vehicles in Chengdu was only 40.3% of that during the normal period, and the speed of traffic increased by 19.7%. The daily emissions of NOx, VOCs, and CO were reduced by 44.7%, 49.6%, and 38.0%, respectively. The non-equal decrease in pollutants made the atmospheric oxidability contributed by motor vehicle emissions relatively further enhanced. The unfavorable weather conditions in the Sichuan Basin caused ρ(PM2.5), ρ(NO2), ρ(SO2), ρ(O3), and ρ(PM10) to rise by 2%, 4%, 23%, 6%, and 8%, respectively. After deducting the influence of changes in weather conditions, the concentrations of ρ(PM2.5), ρ(NO2), ρ(SO2), and PM10 decreased by 21%, 45%, 31%, and 30%, respectively, and ρ(O3) increased by 12%.
Key words: COVID-19      pollutant emissions      weather influence      motor vehicle      Sichuan Basin     

2020年春节前后突发的新型冠状病毒肺炎疫情(新冠疫情, COVID-19)快速发展并在全球蔓延, 四川省自1月24日开始启动突发公共卫生事件一级应急响应, 对疫情进行管控.由于采取了严格的人员隔离措施, 机动车活动水平急剧下降, 大部分企业生产及商业旅游活动受限, 污染物排放大幅降低, 但火力发电等持续供能设备、钢铁、石化和平板玻璃等生产工序中不可中断的燃烧设备仍在运转.

国内外学者对新冠疫情期间污染物排放及其对空气质量的影响进行了研究. Venter等[1]的研究根据卫星遥感监测和地面空气质量监测站点监测数据, 对全球34个地区新冠疫情期间污染物浓度进行了分析, 结果表明, 在考虑气象条件影响后, 疫情期间管控措施使得ρ(NOx)、ρ(PM2.5)和ρ(O3)分别降低了60%、31%和4%. 文献[2]对西班牙马德里室内空气质量的研究表明, 由于疫情期间缺乏适当的通风并大量使用清洁产品和消毒剂, 室内空气中日均ρ(PM2.5)增加约12%, 日均ρ(TVOC)增加37%~559%, 提出了在全部或部分隔离的情况下, 提高室内空气质量的措施.Chen等[3]对武汉和全国的研究结果表明, 疫情期间交通源污染物排放下降明显, 住宅取暖和工业排放保持稳定或略有下降, 大部分区域空气质量改善显著. Nichol等[4]的研究采用卫星遥感和地面监测数据分析表明, 新冠疫情期间京津冀、东北和华中大部分地区颗粒物浓度均同比上升, ρ(NO2)同比降低, 原因在于ρ(NO2)的降低导致ρ(O3)上升, 大气氧化性增强, 二次反应增加, 从而使得ρ(PM2.5)上升.长三角地区[5, 6]、东部地区[7]和山东[8]等国内多数地区的研究结果均表明, 疫情管控期间, 污染物排放量显著降低, 环境空气中ρ(SO2)、ρ(PM2.5)、ρ(PM10)、ρ(NO2)和ρ(CO)也有大幅下降, 但部分地区ρ(O3)有所反弹[5, 6, 8, 9].

以上研究表明不同地区疫情期间空气质量变化情况有所不同, 且由于空气质量同时受污染排放和气象条件影响[10~13], 各地区空气质量改善幅度与污染物排放量下降幅度不成正比.本文以四川盆地为研究对象, 针对其秋冬季高湿和静稳气象条件[14~16], 采用污染源排放调查、空气质量、组分站观测和空气质量模型模拟等手段, 将疫情期间(2020年1月24日至2月29日)与2019年同期相比, 分析气象条件和污染源变化对空气质量的影响, 以期为空气质量持续改善提供科学参考.

1 材料与方法 1.1 研究区域与数据来源

根据四川省疫情管控情况, 本研究将新冠疫情期间定义为2020年1月24日至2月29日.研究区域为四川盆地, 位于我国大陆西南腹地, 包括17个地级市, 经济发展区域化明显, 目前已形成三大区域——成都及周边地区(成都市、德阳市、绵阳市、眉山市、资阳市、乐山市、遂宁市、雅安市)、川南地区(自贡市、泸州市、内江市、宜宾市)和川东北地区(广元市、南充市、达州市、广安市、巴中市).

本研究中空气质量数据来源于四川省空气质量监测网络管理平台(http://www.scnewair.cn:3389).气象数据来源于中国国家气象信息中心(http://data.cma.cn/site/index.html).成都市PM2.5组分数据来自四川省生态环境科学研究院大气环境超级观测站(E104.07°, N30.63°), 位于成都市中心城区, 所有监测设备均放置于四川省生态环境科学研究院楼顶, 距离地面约30m.水溶性离子采用气溶胶PM2.5成分监测系统(瑞士万通marga-1s), 有机碳和元素碳采用美国Sunset在线OCEC监测仪(model 4), 重金属在线监测设备为horiba PX-375.

各城市重点行业产品产量数据来自市生态环境局, 机动车活动水平表征数据来源于成都市2020年1~4月3192个的卡口数据.

1.2 空气质量模拟 1.2.1 模拟方法

空气质量模拟采用WRF3.7.1/SMOKE3.5/CMAQ5.0.2模式系统, 其中, WRF是由美国NCAR(national Center for Atmospheric Research)和NCEP (National Centers for Environmental Prediction) 联合开发的新一代中尺度气象预报模型, 主要为空气质量模拟提供气象场驱动.SMOKE系统是美国北卡罗莱纳大学开发的大气排放源清单处理系统, 主要对排放源清单数据进行时间分配、空间分配、垂直分配和物种分配等处理, 进而提供满足大气化学传输模型格式需求的排放清单网格化数据, 本研究四川盆地排放源清单数据来自课题组研究成果[17], 其他区域数据来自清华大学2017年MEIC清单(http://meicmodel.org/).CMAQ模型是由U.S.EPA国家暴露研究实验室大气建模与分析部在1998年开发的综合空气质量模型, 能够利用气象输入数据和排放源清单输入数据模拟污染物的传输和扩散过程、气相化学过程、液相化学过程和气溶胶化学过程, 本研究使用的CMAQ采用AERO6气溶胶模拟模块、CB05气相化学机制和ACM2垂直扩散方案.CMAQ模拟区域采用三层嵌套网格, 第一层模拟区域网格精度为27 km, 覆盖东亚地区、东南亚部分国家以及西太平洋海域, 第二层模拟区域网格精度为9 km, 覆盖中国全境, 第三层模拟区域网格精度为3 km, 覆盖四川盆地, 是本研究的研究区域.

1.2.2 空气质量模拟检验

采用空气质量观测值与模拟值的平均偏差(mean bias, MB)、平均标准偏差(normalized mean bias, NMB)、平均标准误差(normalized mean error, NME)等统计指标来对模拟结果进行定量评价[18, 19].各指标计算方法见文献[18], 四川盆地各指标计算结果如表 1所示, 各项指标基本均在模拟结果可接受范围内, 表明模拟结果较好[18, 19].

表 1 空气质量观测值与模拟值统计指标 Table 1 Statistical indicators of air quality observations and simulations

2 结果与讨论 2.1 空气质量变化

2020年新冠疫情期间, 四川盆地平均ρ(SO2)、ρ(NO2)、ρ(CO)、ρ(O3)、ρ(PM2.5)和ρ(PM10)为: 6.4 μg·m-3、17.8 μg·m-3、0.8mg·m-3、64.1 μg·m-3、51.4 μg·m-3和66.5 μg·m-3.ρ(SO2)、ρ(NO2)、ρ(CO)、ρ(PM2.5)和ρ(PM10)同比下降8%、41%、18%、19%和22%, ρ(O3)同比上升18%.ρ(NO2)大幅下降且降幅明显高于其他污染物, 与疫情期间交通源和工业源NOx排放量大幅度下降有关[8, 20].

2020年四川盆地内各城市污染物浓度同比变化如图 1所示.宜宾市、泸州市、广安市和内江市等的ρ(SO2)降幅较大, 同比下降45%~50%, 与这些城市SO2排放量较高且主要来自于工业燃烧有关[21].各城市ρ(NO2)均同比下降, 其中成都市、眉山市和遂宁市下降幅度在50%以上, 与机动车和工业企业排放相关[1, 8, 22].ρ(PM2.5)和ρ(PM10)所有城市均同比下降, 巴中市、乐山市、南充市和宜宾市等下降幅度较大, 与各城市扬尘、工业和机动车等排放, 以及气象条件密切相关[8, 23].除达州市ρ(O3)同比下降21%外, 各城市ρ(O3)均同比上升, ρ(O3)上升与颗粒物浓度降低和人为排放的NOx大幅度降低导致对处于城区空气站点附近的O3滴定作用减弱有关[9, 24~26].达州市ρ(O3)同比下降可能是由于其ρ(PM2.5)下降幅度最低, 且疫情期间ρ(NO2)较高, 为22.9 μg·m-3, 位于倒数第二位.

图 1 2020年新冠疫情期间四川盆地污染物浓度与2019年同期差值 Fig. 1 Difference between the concentration of pollutants in the Sichuan Basin during the COVID-19 outbreak in 2020 and the same period in 2019

2.2 PM2.5组分变化

将2020年疫情期间PM2.5组分与2019年同期对比, 分析疫情期间影响ρ(PM2.5)的主导因子.由于2019年初四川盆地内17市仅成都市有PM2.5组分观测, 因此仅对成都市进行分析.2020年疫情期间成都市优良天气和污染过程PM2.5主要组分的浓度和占比与2019年比较结果如图 2和图 3所示.与2019年同期相比, 除NH4+外, 各组分浓度均有不同程度下降, ρ(Cl-)、ρ(Al)、ρ(SO42-)、ρ(K+)和ρ(Si)等组分下降均超过0.5 μg·m-3, 从占比来看, OC、NH4+和NO3-均有小幅上升(2%~3%), Cl-、K+、Si、Al、Ca和EC下降1%~2%.Si、Al和Ca等主要来自扬尘源[27], Cl-主要来自生物质燃烧和燃煤源[28, 29], EC主要来自机动车和生物质燃烧[28, 29], K+主要来自生物质燃烧[28, 29], SO42-主要来自燃煤和SO2二次转化[29].因此, 从组分变化来看, 疫情期间施工工地、机动车、工业燃煤和生物质燃烧排放的减少是ρ(PM2.5)下降的主要原因.

图 2 成都市2020年疫情期间不同污染等级PM2.5中主要组分与2019年同期对比 Fig. 2 Comparison of the main components of different pollution levels of PM2.5 during the COVID-19 outbreak in Chengdu with the same period in 2019

图 3 2020年疫情期间成都市PM2.5主要组分占比与2019年对比 Fig. 3 Comparison of the main components of PM2.5 during the COVID-19 outbreak in Chengdu with the same period in 2019

此外, 2020年疫情期间, OC/EC均值为4.3, 49%的时间段分布在4.0~8.5, 19%的时间段低于4.0. 2019年均值为3.5, 70%的时间段低于4.0, 29%的时间段分布在4.0~8.5.相关研究表明, 化石燃料燃烧[30]、居民燃煤[31]、生物质燃烧[32]、餐饮[28]和锅炉燃烧[29]的OC/EC比值分别为4.0、8.5~12、10.0~16.3、8.5和2.6~13.4, 表明与2019年同期相比, 2020年疫情期间机动车和锅炉燃烧等化石燃料燃烧对ρ(PM2.5)影响降低, 餐饮等排放影响增大.

疫情期间成都市共出现7 d轻度污染, 其余均为优良天气.由优良天气转变为轻度污染过程中, ρ(NO3-) 增幅最快, 轻度污染是优良天气的2.3倍, 增长速度是ρ(PM2.5)的1.6倍; 从占比来看, NO3-占比由12%上升至18%, OC占比由29%降低至22%, NH4+由9%上升至11%. 2019年同期成都市共出现9 d轻度污染, 由优良天气转变为轻度污染过程中, OC占比由27%下降至19%, NO3-占比由20%上升至29%, NH4+占比由11%下降至9%.对比两年数据发现, 一方面表明成都市污染过程呈现出NO3-主导特征[33]; 另一方面, 疫情期间的污染过程, NO3-占比下降明显, NH4+占比小幅增加, 表明机动车和工业等NOx排放降低, NOx二次转化减弱, 而NH3等排放对污染过程的影响增大.

2.3 重点源排放特征变化 2.3.1 机动车

考虑机动车活动水平特征, 同时为避免春节前后特殊时段的影响, 选取3个时段分别作为疫情前(1月13~19日)、疫情中(2月10~16日)和疫情后(4月13~19日)机动车污染排放的典型时段, 用于分析疫情前后机动车排放情况.污染物排放量计算方法与潘玉瑾等[34]的研究结果一致.

成都市绕城区域内机动车疫情前后活动水平及排放变化如图 4所示.疫情前后成都市中心城区车流量出现较大的变化, 日车流量从疫情前的253万辆·d-1下降至102万辆·d-1, 疫情中的车流量仅为疫情前的40.3%;与此同时, 疫情中机动车车速较疫情前有所提升, 疫情前的平均车速为32 km·h-1, 疫情中车速提升至38.7 km·h-1, 提升19.7%.机动车疫情前后污染物排放量变化表明, 疫情中NOx日排放量从32.6 t·d-1下降至18.0 t·d-1, 降幅为44.7%, VOCs日排放量从21.4 t·d-1下降至10.8 t·d-1, 降幅为49.6%; CO日排放量从356.1 t·d-1下降至220.9 t·d-1, 降幅为38.0%.由于污染物非等比例下降, CO降幅较其他污染物更低, 因此机动车排放的大气氧化性进一步增强[35].4月开始, 成都市基本逐渐恢复正常生产阶段, 疫情后期, 车流量、车速以及污染物排放量基本上恢复到疫情发生前水平.

图 4 成都市2020年绕城区域内机动车疫情前后活动水平及排放变化 Fig. 4 Changes in activity levels and emissions of motor vehicles before and after the COVID-19 outbreak in the area around Chengdu in 2020

2.3.2 工业企业

本研究获取了成都及周边地区、川南和川东北这三大区域重点城市重点行业疫情期间产品产量以及2019年同期产品产量, 疫情期间产品产量同比下降幅度如表 2所示.火电、钢铁、石油加工和炼焦等行业, 疫情期间产能下降幅度较小, 为12%~15%.玻璃制造行业中, 平板玻璃由于停窑造成经济损失较大, 产能只有小幅下降, 日用玻璃和玻璃纤维等下降幅度较大, 玻璃行业整体下降幅度为21%.水泥、陶瓷、砖瓦、家具制造、酒、饮料及精制茶制造、木材加工、印刷、印染、食品制造和农副食品加工等行业下降幅度较大, 均大于40%.采用徐晨曦等[21]的研究方法, 认为企业除产品产量外, 其他与污染物排放量计算相关参数无变化, 测算得到, 疫情期间工业源SO2、NOx、PM10、PM2.5和VOCs下降比例分别为32%、31%、40%、39%和41%. VOCs和PM10排放量下降比例较大, 与唐倩等[36]的研究结果基本一致.

表 2 2020年疫情期间重点行业产品产量同比下降幅度1)/% Table 2 Decline in product output in key industries during the COVID-19 outbreak in 2020/%

2.4 气象条件变化对空气质量的影响

采用空气质量模拟法, 用相同的污染源排放清单, 2019年和2020年实际气象条件, 模拟计算2020年疫情期间气象条件变化对空气质量的影响, 用空气质量同比变化减去气象条件影响值, 得到扣除气象条件变化影响后空气质量的变化值, 结果如表 3所示.

表 3 气象条件变化和人为减排对污染物浓度影响/% Table 3 Impact of changes in meteorological conditions and emissions reduction on pollutant concentrations/%

与2019年同期相比, 疫情期间气象条件对各污染物均较为不利.在假设污染物排放量不变的情况下, 气象条件变化使得四川盆地ρ(PM2.5)、ρ(NO2)、ρ(SO2)、ρ(O3)和ρ(PM10)分别上升1.2、0.8、1.5、4.1和5.6 μg·m-3, 按比例分别上升2%、4%、23%、6%和8%.

疫情期间, 除ρ(O3)外, 扣除气象条件变化影响后, 各污染物浓度均显著下降, 改善幅度最大的是NO2, 四川盆地平均改善率为45%, 下降8.0 μg·m-3, 德阳市、成都市、绵阳市和遂宁市等改善幅度均大于50%.扣除气象条件变化影响后, 四川盆地ρ(SO2)和ρ(PM10)平均改善率分别为31%和30%, 分别下降2.0 μg·m-3和20.2 μg·m-3, 眉山市、绵阳市、遂宁市和宜宾市等ρ(SO2)改善幅度均大于50%, 成都市、德阳市、绵阳市和达州市等ρ(PM10)改善幅度较大, 均在40%以上.ρ(PM2.5)改善幅度为21%, 低于各一次污染物, 与刘厚凤等[8]的研究结果一致.扣除气象条件变化影响后, ρ(O3)不降反升, 成都、绵阳等城市上升幅度较大, 这主要与ρ(PM2.5)和ρ(NO2)降低有关[5, 37~39].

3 结论

(1) 2020年新冠疫情期间, 四川盆地除ρ(O3)同比上升18%外, ρ(SO2)、ρ(NO2)、ρ(CO)、ρ(PM2.5)和ρ(PM10)均明显下降, 同比下降幅度为8%、41%、18%、19%和22%.

(2) 与2019年同期相比, 疫情期间成都市PM2.5组分中OC、NH4+和NO3-占比上升2%~3%, Cl-、K+、Si、Al、Ca和EC占比下降1%~2%; 污染过程中NO3-占比下降11%, NH4+占比上升2%, 表明疫情期间施工工地、机动车、工业燃煤和生物质燃烧排放减少, 且污染过程中NOx二次转化减弱, NH3排放影响增大.

(3) 火电、钢铁、石油加工与炼焦等行业疫情期间产能下降幅度较小, 为12%~15%, 水泥、陶瓷、砖瓦、家具制造、酒、饮料及精制茶制造、木材加工、印刷、印染和食品制造等行业下降幅度均大于40%, 据测算, 工业源SO2、NOx、PM10、PM2.5和VOCs下降比例分别为32%、31%、40%、39%和41%.

(4) 疫情对成都市机动车活动水平有较大影响, 疫情期间的车流量仅为疫情前的40.3%, 车速提升19.7%, NOx、VOCs和CO日排放量降幅分别为44.7%、49.6%和38.0%, 污染物的非等比例下降使得机动车排放贡献的大气氧化性增强.

(5) 气象条件变化使得四川盆地ρ(PM2.5)、ρ(NO2)、ρ(SO2)、ρ(O3)和ρ(PM10)按比例分别上升2%、4%、23%、6%和8%, 扣除气象条件变化影响后, ρ(PM2.5)、ρ(NO2)、ρ(SO2)和ρ(PM10)按比例分别下降21%、45%、31%和30%, ρ(O3)上升12%.

参考文献
[1] Venter Z S, Aunan K, Chowdhury S, et al. COVID-19 lockdowns cause global air pollution declines[J]. Proceedings of the National Academy of Sciences of the United States of America, 2020, 117(32): 18984-18990. DOI:10.1073/pnas.2006853117
[2] Domínguez-Amarillo S, Fernández-Agüera J, Cesteros-García S, et al. Bad air can also kill: residential indoor air quality and pollutant exposure risk during the COVID-19 crisis[J]. International Journal of Environmental Research and Public Health, 2020, 17(9). DOI:10.3390/ijerph17197183
[3] Chen K, Wang M, Huang C H, et al. Air pollution reduction and mortality benefit during the COVID-19 outbreak in China[J]. The Lancet Planetary Health, 2020, 4(6): e210-e212. DOI:10.1016/S2542-5196(20)30107-8
[4] Nichol J E, Bilal M, Ali A, et al. Air pollution scenario over China during COVID-19[J]. Remote Sensing, 2020, 12(13). DOI:10.3390/rs12132100
[5] 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.
[6] Lu D B, Mao W L, Zheng L L, et al. Ambient PM2.5 estimates and variations during COVID-19 pandemic in the Yangtze River Delta using machine learning and big data[J]. Remote Sensing, 2021, 13(8). DOI:10.3390/rs13081423
[7] Zhang R X, Zhang Y Z, Lin H P, et al. NOx emission reduction and recovery during COVID-19 in east China[J]. Atmosphere, 2020, 11(4). DOI:10.3390/atmos11040433
[8] 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.
[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] Zhao X J, Zhao P S, Xu J, et al. Analysis of a winter regional haze event and its formation mechanism in the North China Plain[J]. Atmospheric Chemistry and Physics, 2013, 13(11): 5685-5696. DOI:10.5194/acp-13-5685-2013
[11] Song C B, Wu L, Xie Y C, et al. Air pollution in China: status and spatiotemporal variations[J]. Environmental Pollution, 2017, 227: 334-347. DOI:10.1016/j.envpol.2017.04.075
[12] 皮冬勤, 陈焕盛, 魏巍, 等. 京津冀一次重污染过程的成因和来源[J]. 中国环境科学, 2019, 39(5): 1899-1908.
Pi D Q, Chen H S, Wei W, et al. The causes and sources of a heavy-polluted event in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2019, 39(5): 1899-1908. DOI:10.3969/j.issn.1000-6923.2019.05.013
[13] 张建忠, 李坤玉, 王冠岚, 等. 京津冀4次重度污染过程的气象要素分析[J]. 气象与环境科学, 2016, 39(1): 19-25.
Zhang J Z, Li K Y, Wang G L, et al. Meteorological element analysis of four severe pollution processes in Beijing-Tianjin-Hebei Region[J]. Meteorological and Environmental Sciences, 2016, 39(1): 19-25.
[14] Wang Q Y, Cao J J, Shen Z X, et al. Chemical characteristics of PM2.5 during dust storms and air pollution events in Chengdu, China[J]. Particuology, 2013, 11(1): 70-77. DOI:10.1016/j.partic.2012.08.001
[15] Chen Y, Xie S D. Long-term trends and characteristics of visibility in two megacities in Southwest China: Chengdu and Chongqing[J]. Journal of the Air & Waste Management Association, 2013, 63(9): 1058-1069.
[16] 陈源, 谢绍东, 罗彬. 成都市大气细颗粒物组成和污染特征分析(2012-2013年)[J]. 环境科学学报, 2016, 36(3): 1021-1031.
Chen Y, Xie S D, Luo B. Composition and pollution characteristics of fine particles in Chengdu from 2012 to 2013[J]. Acta Scientiae Circumstantiae, 2016, 36(3): 1021-1031.
[17] 叶宏, 陈军辉, 孙蜀, 等. 四川省环境污染防治技术水平与绩效评估(2018)-大气污染防治卷[M]. 成都: 四川科学技术出版社, 2019.
[18] 赵斌. 细颗粒物化学组成及其对前体物排放响应的数值模拟研究[D]. 北京: 清华大学, 2015. 77-117.
[19] Wang L T, Jang C, Zhang Y, et al. Assessment of air quality benefits from national air pollution control policies in China. Part Ⅱ: evaluation of air quality predictions and air quality benefits assessment[J]. Atmospheric Environment, 2010, 44(28): 3449-3457. DOI:10.1016/j.atmosenv.2010.05.058
[20] 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
[21] 徐晨曦, 陈军辉, 李媛, 等. 四川省基于第二次污染源普查数据的人为源大气污染源排放清单及特征[J]. 环境科学, 2020, 41(10): 4482-4494.
Xu C X, Chen J H, Li Y, et al. Emission inventory and characteristics of anthropogenic air pollution sources based on second pollution source census data in Sichuan Province[J]. Environmental Science, 2020, 41(10): 4482-4494.
[22] 周子航, 邓也, 谭钦文, 等. 四川省人为源大气污染物排放清单及特征[J]. 环境科学, 2018, 39(12): 5344-5358.
Zhou Z H, Deng Y, Tan Q W, et al. Emission inventory and characteristics of anthropogenic air pollutant sources in the Sichuan province[J]. Environmental Science, 2018, 39(12): 5344-5358.
[23] 李晓红, 李万伟, 徐东群. 西安市空气质量与气象因素的典型相关分析[J]. 环境卫生学杂志, 2017, 7(3): 203-208.
Li X H, Li W W, Xu D Q. Relationship between meteorological factors and air quality in Xi'an city[J]. Journal of Environmental Hygiene, 2017, 7(3): 203-208.
[24] 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
[25] Hans B. Air pollution goes down as Europe takes hard measures to combat coronavirus[EB/OL]. https://www.eea.europa.eu/highlights/air-pollution-goes-down-as, 2020-11-23.
[26] 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
[27] 赵普生. 城市建筑施工及铺装道路扬尘污染评估与防治技术研究[D]. 天津: 南开大学, 2008. 58-89.
[28] 张丹, 周志恩, 张灿, 等. 重庆市主城区PM2.5污染源源成份谱的建立[J]. 三峡环境与生态, 2011, 33(5): 14-18.
Zhang D, Zhou Z E, Zhang C, et al. The PM2.5 source profile in the Chongqing urban areas[J]. Environment and Ecology in the Three Gorges, 2011, 33(5): 14-18. DOI:10.3969/j.issn.1674-2842.2011.05.004
[29] 冯小琼, 陈军辉, 熊文朋, 等. 四川省典型工业行业PM2.5成分谱分析[J]. 环境科学, 2019, 40(3): 1043-1051.
Feng X Q, Chen J H, Xiong W P, et al. Fine particulate matter source profile of typical industries in Sichuan province[J]. Environmental Science, 2019, 40(3): 1043-1051. DOI:10.3969/j.issn.1000-6923.2019.03.018
[30] Koch D. Transport and direct radiative forcing of carbonaceous and sulfate aerosols in the GISS GCM[J]. Journal of Geophysical Research: Atmospheres, 2001, 106(D17): 20311-20332. DOI:10.1029/2001JD900038
[31] Cao J J, Wu F, Chow J C, et al. Characterization and source apportionment of atmospheric organic and elemental carbon during fall and winter of 2003 in Xi'an, China[J]. Atmospheric Chemistry and Physics, 2005, 5(11): 3127-3137. DOI:10.5194/acp-5-3127-2005
[32] Tao J, Zhang L M, Engling G, et al. Chemical composition of PM2.5 in an urban environment in Chengdu, China: importance of springtime dust storms and biomass burning[J]. Atmospheric Research, 2013, 122: 270-283. DOI:10.1016/j.atmosres.2012.11.004
[33] 冯小琼, 陈军辉, 尹寒梅, 等. 成都市冬季3次灰霾污染过程特征及成因分析[J]. 环境科学, 2020, 41(10): 4382-4391.
Feng X Q, Chen J H, Yin H M, et al. Characteristics and formation mechanism of three haze pollution processes in Chengdu in winter[J]. Environmental Science, 2020, 41(10): 4382-4391.
[34] 潘玉瑾, 李媛, 陈军辉, 等. 基于交通流的成都市高分辨率机动车排放清单建立[J]. 环境科学, 2020, 41(8): 3581-3590.
Pan Y J, Li Y, Chen J H, et al. Method for high-resolution emission inventory for road vehicles in Chengdu based on traffic flow monitoring data[J]. Environmental Science, 2020, 41(8): 3581-3590.
[35] Lv Z, Wang X T, Deng F Y, et al. Source-receptor relationship revealed by the halted traffic and aggravated haze in Beijing during the COVID-19 lockdown[J]. Environmental Science & Technology, 2020, 54(24): 15660-15670.
[36] 唐倩, 郑博, 薛文博, 等. 京津冀及周边地区秋冬季大气污染物排放变化因素解析[J]. 环境科学, 2021, 42(4): 1591-1599.
Tang Q, Zheng B, Xue W B, et al. Contributors to air pollutant emission changes in autumn and winter in Beijing-Tianjin-Hebei and surrounding areas[J]. Environmental Science, 2021, 42(4): 1591-1599.
[37] 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
[38] 余益军, 孟晓艳, 王振, 等. 京津冀地区城市臭氧污染趋势及原因探讨[J]. 环境科学, 2020, 41(1): 106-114.
Yu Y J, Meng X Y, Wang Z, et al. Driving Factors of the Significant Increase in Surface Ozone in the Beijing-Tianjin-Hebei Region, China, During 2013-2018[J]. Environmental Science, 2020, 41(1): 106-114.
[39] 姚青, 韩素芹, 张裕芬, 等. 天津夏季郊区VOCs对臭氧生成的影响[J]. 环境科学, 2020, 41(4): 1573-1581.
Yao Q, Han S Q, Zhang Y F, et al. Effects of VOCs on ozone formation in the Tianjin suburbs in summer[J]. Environmental Science, 2020, 41(4): 1573-1581.