2023, Vol. 44
2. 南方科技大学环境科学与工程学院, 深圳 518055;
3. 深圳市国家气候观象台, 深圳 518040
, ZHANG Ao-xing2
, FANG Qing1 , YE Yu-jing1 , YANG Hong-long3 , CHEN Jiong-kai2 , WU Wen-lu2 , HOU Yue2 , MO Jia-jia2 , FU Tzung-May2
2. School of Environmental Science and Engineering, Southern University of Science and Technology, Shenzhen 518055, China;
3. Shenzhen National Climate Observatory, Shenzhen 518040, China
近年来我国多次在重大活动或空气污染事件期间实施短期减排措施, 以改善局地环境空气质量.例如, 2008年北京奥运会[1, 2]、2010年上海世博会[3, 4]、2010年广州亚运会、2014年北京亚太经合组织会议[5, 6]、2016年杭州G20峰会、2022年北京冬奥会和2015年北京重度灰霾期间等, 通过城市或区域范围车辆限行、停工停产等措施减少污染排放, 达到降低大气污染物浓度的目标.然而, 短期减排措施对空气质量的定量贡献受到气象条件变化影响, 较难评估[7~12].部分研究通过对比减排期间与同季节非减排期间的空气质量变化, 定性评估了城市尺度的短期减排措施的效益[3, 13], 为城市进一步优化环境管理和减排措施方案提供了重要参考.
前述短期减排事件大多发生于冬夏季节, 但华南春季城市短期减排对局地空气质量的影响, 特别是对臭氧污染的影响, 尚未得到充分观测评估.臭氧由挥发性有机气体(volatile organic compounds, VOCs)在太阳照射下, 通过氮氧化物(NOx＝NO+NO2) 催化的光化学反应生成.华南地区纬度较低, 春季光照、气温和植物源VOCs排放相对较高, 故该地区即使在春季也存在较高臭氧污染风险[14].以广东省深圳市为例, 臭氧自2015年以来已成为深圳市首要污染物.2015年7月至2022年5月期间, 深圳市共发生臭氧超标93例, 其中9例发生在2~4月.
自2020年新冠肺炎疫情暴发以来, 全球许多城市先后实施了管控措施, 导致局地人为源污染物和前体物排放显著减少, 影响局地空气质量[15~17].有研究表明2020年1~2月我国大范围疫情管控期间, 华北NOx排放较管控前减少51%, 细颗粒物排放减少63%[18].由于氮氧化物减排, NOx对臭氧的滴定作用减弱, 导致华北城市地面臭氧浓度上升10% ~15%, 反映臭氧光化学生成对NOx和VOC前体物浓度复杂且非线性的响应[18, 19].在不同地区、排放结构和气候条件下, 臭氧对NOx和VOC的敏感性存在差异, 我国各大城市群(京津冀、长三角和珠三角地区)普遍处在VOC控制区[20~24], 因此单独减排NOx对改善臭氧污染效果较弱, 甚至有反效果.2021年以来, 我国虽不再出现全国范围疫情, 但城市范围的疫情及针对性的管控措施仍偶有发生.城市空气质量对污染物排放变化的敏感性, 与各个城市地理环境、排放水平和排放物种特征、季节和天气形势等因素关系密切, 而城市范围管控正好可以为理解上述敏感性提供契机.
为控制新冠疫情蔓延, 深圳市于2022年3月14~20日暂停了除基本保障企业外的工业生产和经营活动, 企事业人员居家办公, 公交和地铁停运, 全市社区封闭式管理.为分析全市管控期排放变化对空气质量的影响, 本研究分析比较了全市管控期、管控前5 d(2022年3月9~13日)、管控后5 d(2022年3月21~25日), 以及前一年同期(2021年3月9~25日)深圳市大气污染物浓度和气象要素的时空变化.本研究可作为华南春季城市短期大幅减排案例, 以期为评估大气污染防控措施效果提供参考.
1 材料与方法 1.1 珠三角城市地面及边界层大气污染物观测数据本研究分析2021年和2022年的3月深圳市天地空一体化环境空气质量监测数据, 包括深圳市75个“一街一站”高精度大气自动监测网(15个国控站、4个省控站和56个市控站)的二氧化氧(NO2)、臭氧(O3)、细颗粒物(PM2.5)和可吸入颗粒物(PM10)污染物逐时浓度数据, 深圳市石岩气象观测梯度塔8个高度层的NO2、O3、PM2.5和PM10逐时浓度监测数据, 以及莲花山站的总VOC(TVOC)和组分监测数据(包含烷烃、烯烃、炔烃和芳香烃在内的56种).深圳市75个站点数据应有64 800条, 缺测1067条, 根据《环境空气质量监测数据编码技术规范(征求意见稿)》剔除低质量数据471条, 有效数据比例为99.1%.深圳市石岩气象观测梯度塔数据应有6 528条, 质量控制后剔除385条, 有效数据比例为94.1%.莲花山TVOC监测数据应有408条, 缺测数据37条, 质量控制后剔除19条, 有效数据比例为86.2%.本研究还分析了珠三角其他城市惠州市、东莞市、广州市、中山市、珠海市、佛山市、肇庆市和江门市共65个国控站点的NO2、O3、PM2.5和PM10逐时浓度监测数据, 数据来自中国环境监测总站全国城市空气质量实时发布平台(https://air.cnemc.cn:18007), 应有56 160条, 缺测1 225条, 质量控制后剔除573条, 有效数据比例为96.8%.
1.2 气象数据本研究使用美国环境预测中心全球数据同化系统的再分析气象数据[25](NCEP FNL, https://rda.ucar.edu/datasets/ds083.3), 分析2022年3月9~25日珠三角气象形势.该数据的时间分辨率为6 h, 空间分辨率为0.25°, 本研究取深圳市范围内8个格点平均值表征深圳市气象状况.另使用2022年3月9~25日深圳市气象局19个自动气象站逐小时的地面气象要素观测(气温、相对湿度、2 min风速和2 min风向), 验证再分析数据对深圳市气象状况的代表性.深圳市地面气象要素观测数据应有31 008条, 缺测96条, 有效数据比例为99.7%.
1.3 卫星数据本研究使用荷兰皇家气象研究所Sentinel-5P卫星TROPOMI仪器观测的对流层NO2和甲醛(HCHO)柱浓度产品[26](http://www.tropomi.eu/data-products).卫星于当地时间13：30过境星下点, 其观测的对流层NO2和甲醛柱浓度比(formaldehyde-NO2 ratio, FNR)可用于表征区域臭氧光化学生成对NOx和VOC的敏感性[27~29].本研究将2022年3月的TROPOMI 2级卫星数据(分辨率约为5.5 km×3.5 km)质量控制后, 线性插值到珠三角地区(21°~24°N, 112°~115°E)的0.1°网格, 获得珠三角地区的3级卫星数据.初始2级卫星观测数据196 043条(包括NO2数据100 504条、HCHO数据95 539条), 去除数据质量得分小于75(包括云盖影响、数据错误等情形)的情况后, 剩余有效数据70 581条(包括NO2数据40 055条, HCHO数据30 526条), 有效数据比例为36.0%.
1.4 WRF-GC空气质量模式WRF-GC空气质量模式[30, 31]在线耦合天气研究和预报模式WRF(weatherresearch and forecasting model) V3.9.1.1[32]和大气化学传输模式GEOS-Chem[33], 包含先进的臭氧-氮氧化物-VOC-气溶胶化学方案[34, 35], 模拟区域空气质量和化学-气象相互作用.本研究使用的WRF-GC模拟巢区如图 1所示, 外巢水平分辨率为27 km, 内巢覆盖广东省及周边区域, 水平分辨率为9 km.模型从地面到10 hPa共分为49垂直层.模拟时段从2022年3月5日00:00开始, 到2022年3月18日00:00结束, 其中前4 d(2022年3月5日00:00至3月9日00:00)用于预模拟.气象初始和边界条件来自NCEP FNL[25], 化学初始和边界条件来自MOZART(model for ozone and related chemical tracers)全球模式2017年对应日期的模拟结果[36].模拟采用的详细物理化学过程方案如表 1所示.
|
基于自然资源部标准地图服务网站下载的审图号为GS(2022)4307号的标准地图制作, 底图无修改 图 1 WRF-GC模拟网格范围示意 Fig. 1 Domains of the WRF-GC simulation |
|
表 1 WRF-GC模拟采用的物理过程方案 Table 1 Physical mechanisms used in the WRF-GC simulation |
WRF-GC在我国除广东省外的地区使用中国多分辨率排放清单MEIC表征2017年人为源排放, 水平分辨率为0.25°[37].广东省内使用暨南大学制作的2017年高分辨率排放清单, 水平分辨率为3 km[38].为了降低2017年以后排放减少带来的模拟误差, 本研究基于疫情管控前(2022年3月9~13日)模拟与观测的NO和PM2.5浓度平均值比值, 对广东省排放清单进行了修正.WRF-GC中植物源排放由MEGAN模块在线计算[39].
2 结果与分析 2.1 深圳市3月9~25日天气形势图 2显示深圳市疫情管控前后的天气形势, 图 3显示深圳市疫情管控前后地面气象要素和边界层高度的变化趋势.NCEP FNL再分析资料与深圳市地面观测气温(相关系数r=0.97, 均方根误差RMSE=0.72℃)和相对湿度(r=0.86, RMSE=7.2%)时间特征一致.全市管控前(2022年3月9~13日), 广东受到高压脊和下沉气流控制, 整体天气静稳; 深圳市边界层内风力弱、光照强、无降水, 有利于污染物积累.3月14日进入全市疫情管控期后, 除3月16日和3月20日外, 深圳市日最高气温均在25℃以上; 其中3月14~17日, 深圳市近地面大气静稳、高温和强光照, 有利于污染物生成和积累.3月18~19日, 珠三角南部的深圳市和珠海市处在辐合带中心, 出现了一次来自北部城市的污染物传输事件, 而珠三角其他城市空气质量较为平稳.3月20~25日, 深圳市受到低压系统和高湿气团影响, 风速增大、气温下降和湿度增加, 出现局部降水, 有利于污染物清除.
|
绿色线表示海平面地面气压(hPa), 箭头表示风场, 阴影表示风场散度 图 2 2022年3月的9、17、18和23日华南局地14:00海平面地面气压、风场和风场散度分布 Fig. 2 Sea level pressure, surface winds, and surface wind divergence (shading) over southern China at 14:00 localtime on March 9, 17, 18, and 23 of 2022 |
|
绿色线和箭头表示再分析气象数据, 黑色线和箭头表示地面观测; 阴影表示对应气象要素在深圳市内的标准差; 地表表示距离地面高度10 m 图 3 深圳市2022年3月9~25日气象要素时间序列 Fig. 3 Time series of meteorological variables in Shenzhen during March 9 to 25, 2022 |
根据前述分析, 可知2022年3月9~25日深圳市受气象影响大致可分为以下3个气象阶段.
(1) 区域静稳阶段包括3月9~17日, 期间珠三角受高压控制, 温度较高和风速较低, 珠三角各城市天气形势较为一致.
(2) 局地辐合传输阶段包括3月18~19日, 期间珠三角南部深圳市和珠海市污染受区域传输影响, 珠三角各城市天气形势较不一致.
(3) 区域扩散阶段包括3月20~25日, 期间珠三角地区, 温度较低、湿度较高和风速较大, 有利于污染物的扩散和清除.
2.2 深圳市疫情管控前后的空气质量分析 2.2.1 2022年3月地面污染物浓度变化图 4显示深圳市3月~25日NO2、O3、PM10、PM2.5和TVOC地面小时浓度的时间序列, 及与2021年同期对比.图 5显示不同阶段污染物的日内变化.2022年3月14日全市管控之前, NO2、O3和TVOC逐时浓度具较明显日内变化, PM2.5与PM10有早晚高峰特征, 反映深圳市区内NO2、TVOC、PM2.5和PM10浓度主要受交通源排放影响, O3日内浓度受光化学控制.3月14日管控开始后, 除O3以外污染物浓度的日内变化趋于不明显, 反映管控措施大幅降低了交通源排放.3月14~20日管控期间, NO2、PM2.5、PM10和TVOC浓度变化主要受天气过程影响.其中3月18日夜间至3月19日日间, PM10浓度大于其他时段PM10浓度的第95百分位数, 原因是该时段出现一次颗粒物污染气团传输事件, 造成深圳市内PM10浓度短时升高.2022年全市管控期间与管控前对比, ρ(NO2)平均值降低(-4.8±6.6) μg·m-3, ρ(PM2.5)平均值小幅增加(3.7±1.4) μg·m-3, ρ(PM10)平均值降低(-5.6±3.8) μg·m-3, φ(TVOC)增加0.3×10-9, ρ(O3)平均值增加(1.3±11) μg·m-3.3月20日以后深圳市风速、相对湿度增加, 温度和光照减弱, 并出现降水, 使得NO2、PM2.5、PM10和O3浓度下降.管控结束后(3月21~25日)与管控前(3月9~13日)对比, ρ(NO2)平均值降低(-7.3±6.5) μg·m-3, ρ(PM2.5)平均值降低(-0.9±1.5) μg·m-3, ρ(PM10)平均值降低(-16±4.7) μg·m-3, φ(TVOC)平均值增加1.4×10-9, ρ(O3)平均值降低(-27±8.5) μg·m-3.上述2022年3月9~25日的大气污染物浓度变化, 包括了排放变化和天气形势变化的共同效应.
|
a~e分别表示NO2、PM10、PM2.5、O3和TVOC, 1为浓度逐时序列, 2为浓度平均值的同期对比; 红色(线和柱)表示2022年, 黑色(线和柱)表示2021年, 蓝色线表示管控日期, 阴影区域表示3个不同气象阶段; a-2~e-2柱子高度和数值表示对应年3月9~25日浓度平均值(NO2、PM10、PM2.5和O3, 单位μg·m-3)和TVOC体积分数(单位10-9), a-1~e-1的红色、黑色阴影和a-2~e-2黑色实线表示不同站点污染物浓度标准差 图 4 2022年与2021年3月9~25日深圳市国控站点NO2、PM10、PM2.5、O3浓度逐时序列和莲花山站TVOC体积分数逐时序列, 及全市管控前、管控中、管控后污染物浓度平均值对比情况 Fig. 4 Time series of NO2, PM10, PM2.5, and O3 measured at surface sites in Shenzhen and TVOC from the Lianhuashan station from March 9th to 25th of the years 2021 and 2022 and the comparison of Shenzhen mean pollutant concentrations before, during, and after the COVID lockdown |
|
a~d分别表示深圳市国控站点NO2、O3、PM10和PM2.5浓度, e表示莲花山站点TVOC体积分数, 1~5分别表示3月9~25日不同阶段; 红色线表示2022年不同阶段污染物浓度和体积分数, 黑色线表示2021年同期污染物浓度或体积分数, 阴影表示不同站点与日期的污染物浓度或体积分数的标准差 图 5 2022年3月9~25日与2021年同期不同阶段深圳市国控站点和莲花山站点污染物浓度日内变化 Fig. 5 Diurnal cycles of air pollutant concentrations at surface sites in Shenzhen and Lianhuashan station (TVOC) during March 9th to 25th of the years 2021 and 2022 |
图 6基于深圳市高精度一街一站监测网络数据, 显示全市管控期(3月14~17日)对比管控前(3月9~13日)深圳市不同街道在污染物浓度的相对变化, 其表明深圳市不同街道在管控期内, NO2、PM10和PM2.5浓度的相对变化较为一致.与管控前相比, 有11个观测点NO2浓度增加5%以上, 但其余大部分站点NO2浓度均显著下降.与管控前相比, 有11个观测点O3浓度增加5%以上, 7个观测点O3浓度增加幅度不明显, 其余56个观测点浓度降低-5%以上.深圳市南部、东南部O3浓度降低较显著, 中部、北部O3浓度降低较不显著或浓度增加.
|
图 6 深圳市“一街一站”监测站点实测污染物浓度在管控期(2022年3月14~17日)相对管控前(2022年3月9~13日)的差异率 Fig. 6 Percent changes in surface pollutant concentrations observed by the "one site per block" stations of Shenzhen for the period March 14th to 17th, 2022 relative to the period before the lockdown (March 9th to 13th, 2022) |
2022年3月非管控期间与2021年同期比较, 除明显的传输以外, NO2等污染物地面浓度都具有较稳定的日内变化, 并具有交通源典型的早晚高峰.2022年管控期间内, NO2日内变化明显减弱(图 5), 且质量浓度平均值比2021年同期下降(-7.1±7.1) μg·m-3.2022年管控期与2021年同期相比, ρ(PM2.5)小幅降低(-0.9±2.4) μg·m-3, ρ(PM10)小幅降低(-5.2±5.3) μg·m-3; 管控期颗粒物浓度下降不明显主要是由于2022年3月的18日和19日的区域污染传输抵消了部分局地排放减少的作用.若除去3月的18日和19日的区域传输事件, 管控期内ρ(PM2.5)和ρ(PM10)浓度与2021年同期相比分别显著降低(-6.0±2.4) μg·m-3和(-12±6.2) μg·m-3.与2021年同期相比, 2022年3月9~25日整体φ(TVOC)降低3.8×10-9; 其中, 管控期间φ(TVOC)比2021年同期小幅下降0.2×10-9.管控期间ρ(O3)比2021年同期增加(18±14) μg·m-3.由于管控期TVOC体积分数变化不大, NO2浓度显著降低, O3浓度增加可能是因为NOx滴定作用的减弱.2022年全市管控结束后, NO2、PM2.5、PM10质量浓度和TVOC体积分数均显著低于去年同期, 主要是由2022年管控后有利于污染物扩散和移除的天气形势导致.对比2021年和2022年的3月21~25日, ρ(NO2)平均值降低(-17±11) μg·m-3, ρ(PM2.5)平均值降低(-19±3.1) μg·m-3, ρ(PM10)平均值降低(-58±12) μg·m-3, φ(TVOC)平均值增加9.9×10-9.
2.2.3 深圳市边界层内污染物浓度变化图 7显示深圳市石岩铁塔2022年3月9~25日间不同阶段NO2、PM2.5、PM10和O3浓度在边界层内垂直分布.城市近地面氮氧化物、颗粒物浓度与局地排放关系较大, 而铁塔高层颗粒物浓度更多受到周边地区传输的影响.当铁塔高层浓度高于近地面时, 可能存在较大的区域传输.在区域静稳阶段(3月9~17日)和区域扩散阶段(3月20~25日), 边界层内污染物浓度垂直分布基本一致, NO2浓度峰值在夜间主要在110 m左右, 白天在110~210 m之间; PM2.5和PM10浓度的边界层内峰值在夜间位于110 m以下, 白天位于210 m左右, 表明该阶段的NO2、PM2.5和PM10污染主要源于局地排放, 与前述地面站点所见的早晚高峰特征一致.3月18日夜间至19日上午, 边界层下部内颗粒物浓度明显较其他日期升高, 但氮氧化物没有明显变化, 部分时段325 m高度处ρ(PM2.5)平均值比60 m处高38 μg·m-3(184%), ρ(PM10)平均值比60 m处高11 μg·m-3(31%), 表明3月18日夜间至19日上午深圳市边界层内颗粒物受区域传输影响显著, 结合当日区域气象观测结果, 可知该期间深圳市受华东大气颗粒物污染气团传输的影响.
|
a~d分别表示NO2、O3、PM10和PM2.5, 1~4分别表示00:00~06:00、06:00~12:00、12:00~18:00和18:00~24:00; 阴影表示对应时段内的污染物小时浓度标准差 图 7 深圳市石岩气象环保梯度观测塔在2022年3月9~25日不同时段的污染物垂直廓线 Fig. 7 Vertical profiles of pollutant concentrations at the Shenzhen Shiyan meteorological gradient observation tower during March 9th to 25th, 2022 |
前述分析显示, 深圳市2022年管控期间污染物浓度变化不仅受局地排放变化影响, 也受区域天气形势逐日变化影响; 简单地对比管控前后浓度差异, 不能定量反映局地人为排放变化对空气质量的贡献.因此, 本节使用3月9~13日的空气质量表示管控前的空气质量, 用3月14~17日的空气质量表示管控期间的空气质量, 并通过对比深圳市与周边城市污染物浓度关系, 表征排除区域天气形势影响后, 深圳市管控期间空气质量的变化.其中, 东莞市3月14~20日也执行了较为宽松的管控措施.
本研究计算管控前后深圳市与周边城市污染物浓度的比值差异.相对于周边城市k(包括广东省惠州市、东莞市、广州市、中山市、珠海市、佛山市、肇庆市和江门市), 深圳市全市疫情管控期内与管控期外大气污染物浓度变化百分比P(k)计算方法为：
|
(1) |
式中, 
P(k)的物理意义是通过天气形势类似的观测点之间的污染物浓度比例变化, 表示不同观测点人为排放的相对差异.污染物浓度由天气形势和局地排放两个因素决定.在不同地点的天气形势一致, 深圳地区人为排放没有变化的情况下, 深圳市污染物浓度与其他城市的相对比值应保持不变.P(k)反映深圳市疫情管控期间局地排放变化时, 需要满足以下条件：①对于参与比较的观测点, 天气形势随时间的变化较为一致.②除深圳市外其他参与比较的观测点在深圳市疫情管控期内外的人为排放不变.表 2显示了区域静稳阶段(3月9~17日)深圳市与珠三角周边城市各气象要素(2 m温度、2 m相对湿度和边界层高度)6 h平均值的相关系数.在区域静稳阶段, 基本气象要素的相关系数均大于0.7, 除东莞市外各城市各气象要素平均相关系数均大于0.85, 表明参与比较的观测点天气形势的变化比较一致.
|
|
表 2 深圳市与珠三角周边城市区域静稳阶段6 h平均气象要素相关性 Table 2 Relationship of 6-hourly mean meteorological variables in Shenzhen and neighboring PRD cities during regional stagnation period |
表 3显示管控期深圳市相对于周边城市的空气污染物浓度比值与管控前相比的百分比变化, 即公式(1)中的P(k).对于NO2、PM2.5和PM10, 除东莞市以外, 深圳市的P(k)都为负值.平均而言, 由于深圳市疫情管控期居民活动、交通流量和生产经营活动的减少, 深圳市管控期相对管控前NO2浓度减少(-26±9.5)%, 可吸入颗粒物PM10浓度减少(-28±6.4)%, PM2.5浓度减少(-20±8.2)%; O3日最大8 h浓度降低(-1.0±6.5)%但不显著.东莞市距离深圳市较近, 且在同一时期进行了略微宽松的管控, 故管控前后东莞市与深圳市空气污染物浓度比值的差别较小.
|
|
表 3 与珠三角周边城市相比, 深圳市疫情管控期污染物浓度变化率1)/% Table 3 Changes in Shenzhen pollutant concentrations during COVID lockdown, compared to the pollutant concentrations in neighboring PRD cities/% |
2.3.2 基于WRF-GC模拟的深圳市疫情减排效果验证
基于2.3.1节结果, 本研究基于WRF-GC模型, 在3月9~17日期间分别开展未减排, 以及管控期间深圳市和东莞市NOx减排26%、PM2.5减排20%的敏感性模拟, 对由管控导致的深圳市污染物浓度变化进行验证.图 8显示深圳市及其周边城市NO2、PM2.5逐小时浓度和O3日最大8 h浓度平均值(MDA8)的观测和模拟的结果.WRF-GC模型在研究时段内较好地模拟了深圳市及其周边城市污染物的逐日变化.管控期前, 深圳市及其周边城市模拟NO2和PM2.5小时浓度和O3MDA8与观测的平均偏差均小于5 μg·m-3.
|
a~c分别表示NO2小时浓度、O3MDA8和PM2.5小时浓度和观测-模拟偏差的时间序列, 1为深圳市各项目浓度平均值, 2为珠三角周边城市各项目浓度平均值; 红色(线和柱)表示模拟浓度, 黑色(线和柱)表示观测浓度, 橘色表示模拟-观测偏差; 1中蓝色和紫色(线和柱)分别表示考虑深圳市疫情减排后的模拟浓度和模拟-观测偏差; 左侧纵轴表示模拟和观测浓度值, 右侧纵轴表示模拟-观测浓度偏差值; 蓝色线标记管控日期, 对应颜色阴影表示不同站点污染物浓度标准差.模式结果在观测站点位置取值 图 8 深圳市及其周边城市NO2小时浓度、O3MDA8和PM2.5小时浓度观测值、模拟值及模拟偏差的时间序列 Fig. 8 Time series of observed and simulated hourly NO2, O3 MDA8, andhourly PM2.5 concentrations, as well as the simulation biases, in Shenzhen (top panel) and its neighbor cities (bottom panel) |
当模式不考虑管控期内排放变化时, 在深圳市管控期NO2和PM2.5模拟与观测相比显著高估; 与管控前相比, 模拟正偏差显著增大.管控期内深圳市NO2小时模拟偏差为(9.0±9.5) μg·m-3(模拟比观测高估48%), 比管控前高估多9.1 μg·m-3, PM2.5小时模拟偏差为(1.5±8.0) μg·m-3(模拟比观测高估12%), 比管控前高估多2.3 μg·m-3.但在深圳周边城市, 管控期内NO2小时模拟偏差与管控前无显著差异(P＞0.05), PM2.5小时模拟偏差比管控前低2.8 μg·m-3.
当模式考虑管控期内排放变化时, 管控期内深圳市NO2和PM2.5小时模拟偏差显著下降至(3.2±7.0) μg·m-3和(-0.3±7.3) μg·m-3.在深圳市及周边城市, 对管控期前和管控期内O3 MDA8模拟偏差进行t检验, 均未发现显著差异(P＞0.05).上述分析证明, 疫情管控期间深圳市NOx和PM2.5排放显著降低.2.3.1节提出基于周边城市大气污染情况定量评估疫情管控期间深圳市空气质量变化的方法具有有效性.
2.4 深圳市管控期臭氧光化学的敏感性分析臭氧光化学生成的敏感性, 可以通过卫星观测的对流层NO2和甲醛柱浓度比值(formaldehyde-NO2 ratio, FNR)表征[15~17].对华南春季而言, 当FNR值大于4.2则臭氧光化学处于NOx控制区, 当FNR值小于2.3则处于VOC控制区, 在2.3~4.2范围内则处于混合区[27~29, 48].图 9显示2022年3月TROPOMI卫星观测珠三角中心区FNR值.深圳市和珠三角中心区属于VOC控制区, 珠三角外围的广东省大部分处在混合区.这与前人研究的结果类似[15, 19], 解释了深圳市管控期NOx浓度显著下降时, 臭氧浓度没有随之显著下降的原因.
|
色柱表示FNR值 图 9 2022年3月TROPOMI卫星观测珠三角及周边地区月平均FNR值分布 Fig. 9 Monthly mean FNR distribution over the PRD region in March 2022, based on TROPOMI satellite observations |
本文通过分析深圳市2022年3月因疫情管控, 造成人为活动排放降低对该市空气质量的影响, 填补了城市短期减排对空气质量影响在华南春季案例研究的空白.本研究详细分析了深圳市疫情管控期的天气形势, 介绍了一种排除气象因素影响的方法, 定量分析了本地排放变化对空气质量变化的贡献, 结论与我国已有短期应急减排评估的研究类似[1, 3, 5, 12, 20, 21], 都发现了颗粒物浓度显著下降.另一方面, 华南地区由于植被覆盖率高, 植物VOC排放较大, 且深圳市NOx排放相对我国其他超大型城市较低, 因此春季臭氧光化学处于VOC控制区, 使得减排NOx对改善臭氧污染的效果较差, 甚至具有反效果.
前人研究集中探讨了2020年1~3月大范围疫情管控事件的空气质量效应[15~18, 49~56]. 2020年初, 疫情管控造成我国不同地区NO2浓度下降(-14% ~-70%, 中位数-32%), PM2.5浓度下降(-4.8% ~-60%, 中位数27%), PM10下降(-24% ~-64%, 中位数-36%), O3浓度变化-28% ~77%(中位数-16%).不同地区一次污染物的下降程度不同, 与地理位置、气象影响、管控时间的不同有关.2020年疫情管控期间, O3在华中、华北地区有所增加[16, 49~55], 珠三角有所降低[17, 56], 此地区性差异主要由臭氧对前体物变化的敏感性不同导致.2022年3月深圳市疫情管控导致的一次性污染物浓度下降幅度较小, 主要由于减排的时间短且空间范围小, 周边城市未同步减排, 且深圳市受到天气形势和区域传输的影响, 一次性大气污染物浓度下降幅度较小.这表示与城市尺度短期减排相比, 区域尺度协同减排更利于应对短时间内城市空气质量改善的要求.
短期减排对改善不同类型污染的效果不同, 这对我国未来的能源转型也有所启示.在应对气候变化, 改善空气质量的趋势下, 我国正在全面推进能源转型.其中, 机动车大范围由内燃机发动转为电动将大幅减少NOx的机动车排放[24].考虑到臭氧及其前体物的非线性关系, 应当在不同季节按照不同的VOC/NOx比例进行减排, 才能有效控制臭氧污染[7, 23].对于面临产业结构和能源转型的城市地区, 要及时意识到转型期不同污染物排放比例的变化, 并随之进行减排政策上的相应调整.
4 结论(1) 在排除天气形势影响的情况下, 与2022年3月非管控期和2021年同期相比, 深圳市2022年新冠疫情全市管控期间(3月14~20日), NO2、PM2.5和PM10浓度和日内变化幅度显著减小, 反映居民活动和交通流量减少, 但臭氧浓度相对其他污染物的变化较少.
(2) 基于深圳市和周边城市污染物浓度的比较, 在2022年3月深圳管控期间受局地减排影响, 深圳市NO2浓度下降(-26±9.5)%, PM10浓度减少(-28±6.4)%, PM2.5浓度减少(-20±8.2)%, O3浓度无显著变化[(-1.0±6.5)%].
(3) WRF-GC较好地模拟了深圳市及周边地区疫情管控前的空气质量.模拟结果显示, 不考虑疫情管控减排时, 深圳市NO2和PM2.5模拟结果与观测相比显著高估, O3模拟与观测结果无显著差异.按照2.3.1节结果减排后, NO2和PM2.5模拟偏差接近于0, 验证了定量评估疫情管控期间深圳市空气质量变化方法的有效性.
(4) 深圳市管控期间臭氧浓度未显著下降, 主要原因是春季珠三角臭氧处于VOC控制区, 臭氧浓度和NOx浓度存在化学过程导致的负相关.
| [1] |
胡婧, 程水源, 苏福庆. 北京奥运会及残奥会期间PM10质量浓度演变特征及成因[J]. 环境科学研究, 2009, 22(12): 1395-1402. Hu J, Cheng S Y, Su F Q. Evolution characteristics and causes of PM10 mass concentration in Beijing during the Olympic Games and Paralympic Games Period[J]. Research of Environmental Sciences, 2009, 22(12): 1395-1402. |
| [2] |
吴其重, 王自发, 李丽娜, 等. 北京奥运会空气质量保障方案京津冀地区措施评估[J]. 气候与环境研究, 2010, 15(5): 662-671. Wu Q Z, Wang Z F, Li L N, et al. Assessment on the effectiveness of the air quality assurance program in Beijing-Tianjin-Hebei area during the Beijing Olympic Games period[J]. Climatic and Environmental Research, 2010, 15(5): 662-671. |
| [3] |
陈敏, 马雷鸣, 魏海萍, 等. 气象条件对上海世博会期间空气质量影响[J]. 应用气象学报, 2013, 24(2): 140-150. Chen M, Ma L M, Wei H P, et al. Weather impacts on air quality of the world expo in Shanghai[J]. Journal of Applied Meteorological Science, 2013, 24(2): 140-150. |
| [4] | 卢怡. 基于卫星观测约束的长三角典型活动空气质量保障方案下氮氧化物的减排效果研究[D]. 南京: 南京大学, 2020. |
| [5] |
李文涛, 高庆先, 刘俊蓉, 等. APEC期间北京空气质量改善对比分析[J]. 环境科学, 2015, 36(12): 4340-4347. Li W T, Gao Q X, Liu J R, et al. Comparative analysis on the improvement of air quality in Beijing during APEC[J]. Environmental Science, 2015, 36(12): 4340-4347. |
| [6] |
程念亮, 李云婷, 张大伟, 等. 2014年APEC期间北京市空气质量改善分析[J]. 环境科学, 2016, 37(1): 66-73. Cheng N L, Li Y T, Zhang D W, et al. Improvement of air quality during APEC in Beijing in 2014[J]. Environmental Science, 2016, 37(1): 66-73. |
| [7] | Liu Y S, Zhou Y, Lu J X. Exploring the relationship between air pollution and meteorological conditions in China under environmental governance[J]. Scientific Reports, 2020, 10(1). DOI:10.1038/s41598-020-71338-7 |
| [8] | Lu X, Zhang L, Chen Y F, et al. Exploring 2016-2017 surface ozone pollution over China: source contributions and meteorological influences[J]. Atmospheric Chemistry and Physics, 2019, 19(12): 8339-8361. DOI:10.5194/acp-19-8339-2019 |
| [9] |
步巧利, 余乐福, 陈辰. 广州2014—2019年气象条件对O3污染影响的定量评估[J]. 干旱气象, 2022, 40(2): 266-274. Bu Q L, Yu L F, Chen C. Quantitative assessment of influence of meteorological conditions on ozone pollution in Guangzhou during 2014-2019[J]. Journal of Arid Meteorology, 2022, 40(2): 266-274. |
| [10] |
武文琪, 张凯山. 区域气象条件和减排对空气质量改善的贡献评估[J]. 环境科学, 2021, 42(2): 523-533. Wu W Q, Zhang K S. Contributions of emissions reduction and regional meteorological conditions to air quality improvement[J]. Environmental Science, 2021, 42(2): 523-533. |
| [11] | Xian T, Li Z Q, Wei J. Changes in air pollution following the COVID-19 epidemic in northern China: the role of meteorology[J]. Frontiers in Environmental Science, 2021, 9. DOI:10.3389/fenvs.2021.654651 |
| [12] | Xiao Q Y, Zheng Y X, Geng G N, et al. Separating emission and meteorological contributions to long-term PM2.5 trends over eastern China during 2000-2018[J]. Atmospheric Chemistry and Physics, 2021, 21(12): 9475-9496. DOI:10.5194/acp-21-9475-2021 |
| [13] |
岳岩裕, 沈龙娇, 周悦, 等. 武汉市军运会期间空气质量特征及气象条件分析[J]. 气象, 2022, 48(1): 96-106. Yue YY, Shen L J, Zhou Y, et al. Analysis on the characteristics of air quality and meteorological conditions during the 7th CISM Military World Games[J]. Meteorological Monthly, 2022, 48(1): 96-106. |
| [14] |
洪莹莹, 陈辰, 保鸿燕, 等. 珠三角西南部春季臭氧来源与敏感性分析[J]. 生态环境学报, 2021, 30(5): 984-994. Hong YY, Chen C, Bao H Y, et al. Sources and sensitivity analysis of ozone in spring over the southwestern part of Pearl River Delta region[J]. Ecology and Environmental Sciences, 2021, 30(5): 984-994. |
| [15] | 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 |
| [16] |
旷雅琼, 邹忠, 张秀英, 等. 长三角地区大气污染物对新冠肺炎封城的时空响应特征[J]. 环境科学学报, 2021, 41(4): 1165-1172. Kuang Y Q, Zou Z, Zhang X Y, et al. Spatial-temporal responses of atmospheric pollutants to the COVID-19 lockdown across the Yangtze River Delta region[J]. Acta Scientiae Circumstantiae, 2021, 41(4): 1165-1172. |
| [17] |
朱一凡, 郑博扬, 杨楚怡, 等. 新冠疫情减排期间广东省空气质量响应及其驱动力分析[J]. 南京大学学报(自然科学), 2021, 57(6): 1032-1041. Zhu Y F, Zheng B Y, Yang C Y, et al. Air quality changes and the driving factors in Guangdong Province during the COVID-19 pandemic[J]. Journal of Nanjing University(Natural Sciences), 2021, 57(6): 1032-1041. |
| [18] | Xing J, Li S W, Jiang Y Q, et al. Quantifying the emission changes and associated air quality impacts during the COVID-19 pandemic on the North China Plain: a response modeling study[J]. Atmospheric Chemistry and Physics, 2020, 20(22): 14347-14359. DOI:10.5194/acp-20-14347-2020 |
| [19] | 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 |
| [20] | Ren J, Xie S D. Diagnosing ozone-NOx-VOC sensitivity and revealing causes of ozone increases in China based on 2013-2021 satellite retrievals[J]. Atmospheric Chemistry and Physics, 2022. DOI:10.5194/acp-2022-347 |
| [21] | Shen H Z, Sun Z, Chen Y L, et al. Novel method for ozone isopleth construction and diagnosis for the ozone control strategy of Chinese cities[J]. Environmental Science & Technology, 2021, 55(23): 15625-15636. |
| [22] | Wang N, Lyu X, Deng X J, et al. Aggravating O3 pollution due to NOx emission control in eastern China[J]. Science of the Total Environment, 2019, 677: 732-744. |
| [23] | Wei W, Wang X F, Wang X Q, et al. Attenuated sensitivity of ozone to precursors in Beijing-Tianjin-Hebei region with the continuous NOx reduction within 2014-2018[J]. Science of the Total Environment, 2022, 813. DOI:10.1016/j.scitotenv.2021.152589 |
| [24] |
沈劲, 黄晓波, 汪宇, 等. 广东省臭氧污染特征及其来源解析研究[J]. 环境科学学报, 2017, 37(12): 4449-4457. Shen J, Huang X B, Wang Y, et al. Study on ozone pollution characteristics and source apportionment in Guangdong Province[J]. Acta Scientiae Circumstantiae, 2017, 37(12): 4449-4457. |
| [25] | National Centers for Environmental Prediction, National Weather Service, NOAA et al. NCEP GDAS/FNL 0.25 degree global tropospheric analyses and forecast grids[DB/OL]. Colorado, USA: Research Data Archive at the National Center for Atmospheric Research, Computational and Information Systems Laboratory. 2015[2023-03-24]. doi: 0.5065/D65Q4T4Z. |
| [26] | van Geffen J, Boersma K F, Eskes H, et al. S5P TROPOMI NO2 slant column retrieval: method, stability, uncertainties and comparisons with OMI[J]. Atmospheric Measurement Techniques, 2020, 13(3): 1315-1335. |
| [27] | Wang W N, van der A R, Ding J Y, et al. Spatial and temporal changes of the ozone sensitivity in China based on satellite and ground-based observations[J]. Atmospheric Chemistry and Physics, 2021, 21(9): 7253-7269. |
| [28] | Du X H, Tang W, Cheng M M, et al. Modeling of spatial and temporal variations of ozone-NOx-VOC sensitivity based on photochemical indicators in China[J]. Journal of Environmental Sciences, 2022, 114: 454-464. |
| [29] | Jin X M, Holloway T. Spatial and temporal variability of ozone sensitivity over China observed from the Ozone Monitoring Instrument[J]. Journal of Geophysical Research, 2015, 120(14): 7229-7246. |
| [30] | Feng X, Lin H P, Fu TM, et al. WRF-GC (v2.0): online two-way coupling of WRF (v3.9.1.1) and GEOS-Chem (v12.7.2) for modeling regional atmospheric chemistry-meteorology interactions[J]. Geoscientific Model Development, 2021, 14(6): 3741-3768. |
| [31] | Lin H P, Feng X, Fu TM, et al. WRF-GC (v1.0): online coupling of WRF (v3.9.1.1) and GEOS-Chem (v12.2.1) for regional atmospheric chemistry modeling-Part 1: description of the one-way model[J]. Geoscientific Model Development, 2020, 13(7): 3241-3265. |
| [32] | Skamarock W C, Klemp J B, Dudhia J, et al. A description of the advanced research WRF version 3 (No. NCAR/TN-475+STR)[R]. Boulder: University Corporation for Atmospheric Research, 2008. |
| [33] | Bey I, Jacob D J, Yantosca R M, et al. Global modeling of tropospheric chemistry with assimilated meteorology: model description and evaluation[J]. Journal of Geophysical Research, 2001, 106(D19): 23073-23095. |
| [34] | Bates K H, Jacob D J. A new model mechanism for atmospheric oxidation of isoprene: global effects on oxidants, nitrogen oxides, organic products, and secondary organic aerosol[J]. Atmospheric Chemistry and Physics, 2019, 19(14): 9613-9640. |
| [35] | Wang Y H, Jacob D J, Logan J A. Global simulation of tropospheric O3-NOx-hydrocarbon chemistry: 1. model formulation[J]. Journal of Geophysical Research, 1998, 103(D9): 10713-10725. |
| [36] | Emmons L K, Walters S, Hess P G, et al. Description and evaluation of the model for ozone and related chemical tracers, version 4 (MOZART-4)[J]. Geoscientific Model Development, 2010, 3(1): 43-67. |
| [37] | Zheng B, Tong D, Li M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. |
| [38] | Huang Z J, Zhong Z M, Sha Q G, et al. An updated model-ready emission inventory for Guangdong Province by incorporating big data and mapping onto multiple chemical mechanisms[J]. Science of the Total Environment, 2021, 769. DOI:10.1016/j.scitotenv.2020.144535 |
| [39] | Guenther A B, Jiang X, Heald C L, et al. The model of emissions of gases and aerosols from nature version 2.1 (MEGAN2.1): an extended and updated framework for modeling biogenic emissions[J]. Geoscientific Model Development, 2012, 5(6): 1471-1492. |
| [40] | Morrison H, Pinto J O. Mesoscale modeling of springtime arctic mixed-phase stratiform clouds using a new two-moment bulk microphysics scheme[J]. Journal of the Atmospheric Sciences, 2005, 62(10): 3683-3704. |
| [41] | Iacono M J, Delamere J S, Mlawer E J, et al. Radiative forcing by long-lived greenhouse gases: calculations with the AER radiative transfer models[J]. Journal of Geophysical Research, 2008, 113(D13). DOI:10.1029/2008JD009944 |
| [42] | Mlawer E J, Taubman S J, Brown P D, et al. Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for the longwave[J]. Journal of Geophysical Research, 1997, 102(D14): 16663-16682. |
| [43] | Jiménez P A, Dudhia J, González-Rouco J F, et al. A revised scheme for the WRF surface layer formulation[J]. Monthly Weather Review, 2012, 140(3). DOI:10.1175/MWR-D-11-00056.1 |
| [44] | Chen F, Mitchell K, Schaake J, et al. Modeling of land surface evaporation by four schemes and comparison with FIFE observations[J]. Journal of Geophysical Research, 1996, 101(D3): 7251-7268. |
| [45] | Mellor G L, Yamada T. Development of a turbulence closure model for geophysical fluid problems[J]. Reviews of Geophysics, 1982, 20(4): 851-875. |
| [46] | Nakanishi M, Niino H. Development of an improved turbulence closure model for the atmospheric boundary layer[J]. Journal of the Meteorological Society of Japan, 2009, 87(5): 895-912. |
| [47] | Tiedtke M. A comprehensive mass flux scheme for cumulus parameterization in large-scale models[J]. Monthly Weather Review, 1989, 117(8): 1779-1800. |
| [48] | Peng Y P, Chen K S, Lai C H, et al. Concentrations of H2 O2 and HNO3 and O3-VOC-NOx sensitivity in ambient air in southern Taiwan[J]. Atmospheric Environment, 2006, 40(35): 6741-6751. |
| [49] |
曹琦, 宋渐石, 邹凌云, 等. 新冠肺炎疫情期间石家庄市空气质量变化特征[J]. 环境与职业医学, 2021, 38(5): 494-499. Cao Q, Song J S, Zou L Y, et al. Air quality changes in Shijiazhuang during COVID-19 outbreak[J]. Journal of Environmental & Occupational Medicine, 2021, 38(5): 494-499. |
| [50] |
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. |
| [51] |
朱媛媛, 汪巍, 高愈霄, 等. 疫情期间"2+26"城市污染减排成效评估[J]. 中国环境科学, 2021, 41(2): 505-516. Zhu YY, Wang W, Gao Y X, et al. Assessment of emission reduction effect in Beijing, Tianjin and surrounding 26 cities from January to March in 2020 during the epidemic of COVID-19[J]. China Environmental Science, 2021, 41(2): 505-516. |
| [52] |
张宸赫, 王东东, 赵天良, 等. 基于WRF-Chem和EMI指数的新冠肺炎疫情期间沈阳市大气污染物浓度变化原因分析[J]. 环境科学学报, 2021, 41(9): 3709-3716. Zhang C H, Wang D D, Zhao T L, et al. Causes of variation of air pollutant concentration in Shenyang during the COVID-19 epidemic based on WRF-Chem and EMI-index[J]. Acta Scientiae Circumstantiae, 2021, 41(9): 3709-3716. |
| [53] |
陈军辉, 冯小琼, 李媛, 等. 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 J H, Feng X Q, Li Y, et al. Analysis of air quality and influencing factors in Sichuan Basin during the COVID-19 outbreak[J]. Environmental Science, 2021, 42(12): 5594-5601. |
| [54] |
徐超, 吴水平, 刘怡靖, 等. 厦门湾空气质量对新冠疫情管控的响应[J]. 环境科学, 2021, 42(10): 4650-4659. Xu C, Wu S P, Liu Y J, et al. Response of air quality to COVID-19 lockdown in Xiamen Bay[J]. Environmental Science, 2021, 42(10): 4650-4659. |
| [55] |
魏煜, 徐起翔, 赵金帅, 等. 基于机器学习算法的新冠疫情管控对河南省空气质量影响的模拟分析[J]. 环境科学, 2021, 42(9): 4126-4139. Wei Y, Xu Q X, Zhao J S, et al. Simulation analysis of the impact of COVID-19 pandemic control on air quality in Henan Province based on machine learning algorithm[J]. Environmental Science, 2021, 42(9): 4126-4139. |
| [56] | Wang N, Xu J W, Pei C L, et al. Air quality during COVID-19 lockdown in the Yangtze River Delta and the Pearl River Delta: two different responsive mechanisms to emission reductions in China[J]. Environmental Science & Technology, 2021, 55(9): 5721-5730. |