2023, Vol. 44
工业革命以来, 人类活动排放大量温室气体增强了温室效应, 进而加强了全球气候变暖的趋势[1].为应对全球气候挑战, 我国采取了一系列应对措施以降低温室气体的排放[2].2020年9月我国政府提出“二氧化碳排放力争于2030年前达到峰值, 努力争取2060年前实现碳中和”的目标.基于CO2排放和大气污染物排放的同源性[3~5], 双碳目标在削减CO2排放量的同时也会对大气污染物排放产生显著的削减作用, 因此探究CO2减排策略对空气质量改善的协同增效具有重要意义.
目前, CO2排放清单是双碳研究的基础.Li等[4]和Zheng等[6]开发的中国多尺度排放清单模型(multi-resolution emission inventory for China, MEIC)构建了高分辨率的中国人为源大气污染物及CO2排放清单.Guan等[7]和Shan等[8~10]构建的中国碳核算数据库(carbon emission accounts & datasets, CEADs)涵盖了中国及其他发展中经济体碳核算清单.此外, Wang等[11]按工业能源消费、交通运输、家庭能源消费、商业能源消费、工业过程和垃圾处理共6个部门计算了中国12个省会城市的碳排放.Kennedy等[12, 13]编制了涵盖全球10个特大城市的电力、热力和工业燃料、陆地燃料、航空和海洋运输、工业过程和产品使用以及废弃物处理的碳排放清单.Creutzig等[14]构建了全球274个城市的能源部门排放数据集, 提出了城市气候变化缓解的总体潜力.针对城市级CO2清单多集中在“北上广深”或省会城市, 而针对江苏省各地级市的CO2排放清单研究较少.
由于CO2和大气污染物排放的高度同源性, 两者的协同减排和共同治理也备受关注.He等[15]采用能源预测-排放估计-大气质量模拟-健康效益估算模式, 研究了中国能源政策对CO2减排和大气质量改善的协同效益.薛文博等[16]研究了电力行业多污染物协同控制与区域复合型大气污染之间的定量关系, 评估不同控制情景下的环境质量.Xu等[17]基于GAINS Asia模型定量评估了京津冀地区开展大气污染防治“蓝天保卫战”以来CO2协同减排量.Mao等[18]探究了中国钢铁行业大气污染物与CO2协同控制潜力.Shi等[19]量化了各项协同减排措施带来的能源供应和消费结构变化并核算出清洁空气行动产生的碳减排协同效益.对于江苏省而言, 针对各城市的碳减排对大气污染物的协同减排的研究较为匮乏.
本研究通过收集2010~2019年江苏省CO2排放源的活动水平和排放因子数据, 编制江苏省城市级CO2排放清单, 基于CO2排放和大气污染物排放同源性分析, 探讨不同CO2减排情景下大气污染物的减排响应, 并运用WRF-Chem模式模拟其对空气质量改善的影响.
1 材料与方法 1.1 排放清单编制方法江苏省城市级CO2排放清单是以江苏省地级市行政区域为独立的核算边界, 时间上以年为跨度, 包含2010~2019年.基于部门法, 根据排放部门活动水平和相应的排放因子编制不同城市各年份CO2排放清单.清单主要包含3类排放源, 分别为能源活动、工业生产过程和废弃物处理; 其中能源活动源包含4个部门, 分别为能源工业、工业、居民和交通, 能源工业细分3个部门(电力生产、油气开采和煤炭采选), 工业又细分5个部门(钢铁、有色金属、化工、建材和其他).工业生产过程源涉及3个工业部门的生产过程, 分别为水泥生产过程、石灰生产过程和钢铁生产过程.废弃物处理源主要统计城市固体废弃物焚烧处理CO2排放量.
1.1.1 能源活动排放核算能源活动源主要统计城市化石燃料燃烧排放的CO2, 共涉及到40个国民经济行业和18种化石燃料, 国民经济行业的分类依据为中华人民共和国国家标准GB/T 4754-2017-《国民经济行业分类》[20].排放清单中能源活动源共计10个排放部门, 排放部门的分类主要依据《省级温室气体清单编制指南》[21], 排放部门活动水平数据分类与国民经济行业划分对应关系见表 1.能源活动源CO2排放计算公式如下[22~24]:
|
表 1 排放部门分类与国民经济行业划分对应关系 Table 1 Corresponding relationship between the classification of emission departments and the division of national economy industries |
|
(1) |
|
(2) |
|
(3) |
式中, i为部门, j为化石燃料种类, m=10, n=18; Eij为i部门j化石燃料燃烧CO2排放量, 单位为t; ADij为i部门第j种化石燃料的活动水平数据, 单位为GJ; EFj为第j种化石燃料的CO2排放因子(以CO2计), 单位为t·GJ-1; FCij为i部门第j种化石燃料消耗量, 单位为t或者×104 m3; NCVij为i部门第j种化石燃料消耗量的低位发热值, 单位为GJ·t-1或者GJ·(104 m3)-1; CCj为第j种化石燃料的单位热值含碳量(以C计), 单位为t·GJ-1; OFj为第j种化石燃料的碳氧化率, 单位为%; 
工业生产过程源CO2排放核算是工业生产过程中能源活动之外的其他化学反应和物理变化过程中的CO2排放.水泥熟料、石灰生产和炼钢降碳为典型的工业过程CO2排放源.各工业生产过程CO2排放具体计算公式如下:
|
(4) |
|
(5) |
|
(6) |
式中, Ec、El和Es分别为水泥、石灰和钢铁生产过程CO2排放, 单位为t; ADc和ADl为水泥生产过程和石灰生产过程活动水平数据, 单位为t; EFc和EFl为水泥生产过程和石灰生产过程CO2排放因子(以CO2计), 单位为t·t-1; ADr为炼钢用生铁量, 单位为t; Fr为炼钢用生铁的平均含碳率, %; ADs为炼钢的钢材产量, 单位为t; Fs为炼钢的钢材产品的平均含碳率, %; 44/12为C转换成CO2的转换系数.
1.1.3 废弃物处理排放核算废弃物处理CO2排放来自城市固体废弃物在焚烧系统中氧化分解.清单中只统计废弃物中矿物碳氧化分解产生的CO2排放量, 生物碳燃烧产生的CO2排放不做统计.具体计算公式如下:
|
(7) |
式中, EW为城市固体废弃物焚烧处理CO2排放量, 单位为t; IW为城市固体废弃物的焚烧量, 单位为t; CCW为城市固体废弃物的含碳比例, 单位为%; FCF为城市固体废弃物中矿物碳在碳总量的比例, 单位为%; EFW为城市固体废弃物的燃烧效率, 单位为%; 44/12为C转换成CO2的转换系数.
1.2 数据获取 1.2.1 活动水平和排放因子数据获取2010~2019年城市行业活动水平数据取自江苏省统计局与各地级市统计局的统计年鉴数据和各地级市生态环境局发布的报告数据.能源活动中各行业化石燃料消耗量取自各城市统计局发布的统计年鉴数据, 其中交通运输部门能源消耗量取自江苏省统计局数据.工业生产过程中水泥、石灰、生铁量和钢材产量取自各统计年鉴中工业部门统计数据.废弃物处理中城市固体废弃物的焚烧量取自各城市统计局或者生态环境局发布数据.
能源活动中各种化石燃料的低位发热值、单位热值含碳量、碳氧化率以及各工业生产过程排放因子、废弃物处理排放因子数据主要来自于《省级温室气体清单编制指南(试行)2011年》及其他研究中的排放因子[8, 21, 25~27].
1.2.2 大气污染物排放和观测数据2010~2017年江苏省大气污染物及CO2排放数据取自中国多尺度排放清单模型(MEIC), 污染物种类有SO2、NOx、CO、NH3、VOCs、PM2.5、PM2.5-10、BC和OC[28].大气污染物观测数据包括2017年江苏省13个城市SO2、NO2、CO、O3、PM10和PM2.5地表观测数据(数据来源: http://106.37.208.233.20035/).
1.3 空气质量模型WRF-Chem是由NCAR (national center for atmospheric research)开发的一种气象-化学双向耦合的区域空气质量模式, 被广泛地应用于大气化学的研究[29].本研究模拟分析的基准年为2017年, 包括1、4、7和10这4个月, 分别代表冬、春、夏和秋四季; 在空间上设置2层嵌套的模拟区域, 外层区域空间分辨率为36 km×36 km, 覆盖中国地区, 内嵌区域空间分辨率为12 km×12 km, 聚焦长三角地区; 垂直分层设置为28层, 从地表到高空50 hPa处, 输出的模拟数据时间分辨率为1h.气象初始和边界条件来自于NCEP (national centers for environmental prediction)提供的FNL全球再分析资料(http://rda.Ucar.edu/datasets/ds083.2/)[30], 时间分辨率为6h, 空间分辨率为1°×1°.化学初始和边界条件由全球模式MOZART (model for ozone and related chemical tracers)和CAM-Chem提供[31, 32].气相化学机制使用SAPRC-99(statewide air pollution research center)[33].气溶胶机制则采用MOSAIC (model for simulating aerosol interactions and chemistry)[34].
2 结果与讨论 2.1 江苏省各城市CO2排放清单结果 2.1.1 CO2排放总量如图 1所示, 2010~2019年期间, 江苏省整体CO2年均排放量为835.96 Mt(701.74~897.47 Mt), 与MEIC清单估算结果接近(偏差小于±10%).年均排放整体呈上升趋势, 2010~2013年为快速增长期, 年均增长率达7.1%, 2014~2019年增长趋势放缓.就不同地级市而言(见图 1), 城市CO2年排放量水平为8.62~194.22 Mt, 其中年均排放量前三的城市依次为苏州、徐州和南京(91.19~182.12 Mt·a-1), 主要源于其发达的工业和较大的人口规模; 排放量最低的三座城市分别为宿迁、连云港和扬州(13.19~32.54 Mt·a-1), 主要原因在于工业能源消耗量相对较低.除无锡和徐州外, 其余城市2010~2019年CO2排放量均呈上升趋势.其中, 南京、连云港、盐城和泰州增长趋势明显; 常州、南通和扬州整体波动较小; 徐州排放量呈现明显的先增后减趋势.
|
图 1 江苏13市CO2排放年际变化 Fig. 1 Interannual variation in CO2 emissions in 13 cities of Jiangsu Province |
本研究CO2排放清单主要排放源有能源活动、工业生产过程和废弃物处理(见图 2), 各城市能源活动排放贡献较大, 年排放贡献率水平为72.06%~95.08%, 其次为工业生产过程, 年排放贡献率水平为4.67%~27.90%, 废弃物处理排放贡献最小, 年排放贡献率低于1.82%.
|
图 2 2010~2019年江苏省CO2主要排放部门排放量 Fig. 2 Emissions of major CO2 emitting sectors in Jiangsu Province from 2010 to 2019 |
能源活动包括能源工业、工业、居民和交通部门.江苏省能源活动各部门年均排放量分别为405.82、257.47、44.06和41.87 Mt, 对年均排放总量贡献率分别为48.55%、30.80%、5.27%和5.01%.能源工业部门排放占比较高, 主要原因为现阶段我国能源体系中火力发电量占比超过70%, 火力发电在消耗大量化石能源的同时也排放了大量的CO2.江苏省工业生产过程中水泥、石灰和钢铁生产过程年均排放量分别为59.02、15.27和10.71 Mt, 对年均排放总量的贡献率分别为7.06%、1.83%和1.28%.废弃物处理部门CO2排放量较低, 各城市年均排放量都低于0.5 Mt, 江苏省年均排放量为1.73 Mt, 占年均排放总量的0.21%.此外, 江苏各市能源工业下的电力生产、油气生产和煤炭采选部门的CO2排放水平分别为2.37~82.24、0~0.58和0~65.89 Mt·a-1; 钢铁、有色金属、化工、建材和其他部门的CO2排放水平分别为0~63.43、0~0.63、0.07~12.50、0.02~6.17和0.04~12.76 Mt·a-1.
2.2 江苏省大气污染物排放特征 2.2.1 大气污染物排放总量如图 3所示, 2010~2017年江苏省SO2、NOx、CO、NH3、VOCs、PM2.5、PM2.5-10、BC和OC年均排放量分别为937×103、1 789×103、9 668×103、554×103、2 081×103、511×103、188×103、72×103和123×103 t.除VOCs外其余8种污染物2010~2017年排放量均呈整体下降的趋势(0.97~17.94%·a-1), 其中SO2下降趋势最为显著, 下降率高达17.94%·a-1; 与其他污染物不同, VOCs排放量呈微弱增加趋势(1.75%·a-1).
|
图 3 MEIC清单中各污染物2010~2017年主要行业排放量 Fig. 3 Emissions of pollutants from major industries in MEIC inventory from 2010 to 2017 |
MEIC清单中大气污染物的排放源包括火电、工业、居民、交通和农业.SO2、NOx、CO、VOCs、PM2.5、PM2.5-10和BC以工业源为主, 贡献率为38.5%~82.7%; NH3以农业源为主, 占比超90%; OC以居民源为主, 占比为70.5%.
2.3 温室气体与大气污染物的协同减排响应 2.3.1 温室气体减排情景以本研究建立的2017年13个城市CO2排放清单为基础, 依据减排部门侧重点的不同将减排情景分为3类, 分别为全部门协同减排、优先能源减排和优先工业减排, 全部门协同减排重点针对能源工业、工业和工业生产过程部门减排, 三部门共承担减排比例为70%~80%; 优先能源减排重点针对能源工业部门减排, 能源部门承担减排比例为70%~80%; 优先工业减排, 主要针对工业和工业生产过程部门减排, 两者减排贡献率为70%~80%; 每类减排情景设置3个不同CO2减排力度, 对应CO2整体削减量分别为10%、20%和40%.不同CO2减排情景下主要部门减排比例见表 2.
|
|
表 2 不同CO2减排情景下主要部门减排比例/% Table 2 Emission reduction ratio of major sectors under different CO2 emission reduction conditions/% |
2.3.2 不同CO2减排情景下大气污染物的减排响应
鉴于CO2排放与大气污染物排放的同源性, 通过对比CO2排放部门和大气污染物排放部门之间的关联特征, 将CO2相关部门的减排比例反馈到大气污染物的排放部门.由于CO2排放部门不包含农业源, 故减排响应不涉及农业源.此外, 同一情景下的各污染物相同行业源减排比例保持一致.各污染物的不同排放源在全部门协同、优先能源和优先工业减排情景下的减排比例分别为7.90%~70.02%、5.80%~57.98%和5.02%~69.50%.大气污染物具体排放部门减排响应见表 3.
|
|
表 3 不同减排情景下污染物各部门减排响应比例1)/% Table 3 Response ratio of pollutant emission reduction by sector under different emission reduction conditions/% |
2.4 基于WRF-Chem的CO2减排对空气质量改善模拟分析 2.4.1 模式验证
本文收集了空气质量地表观测数据对模拟结果进行对比验证, 并采用统计指标对模拟效果定量表征, 用于验证和评估本研究中WRF-Chem模式的模拟效果.主要采用以下2种统计指标: 一致性指数(index of agreement, IOA)和标准化平均偏差(normalized mean bias, NMB).具体计算公式见式(8)和式(9)[35]:
|
(8) |
|
(9) |
式中, N为样本数目; Cs为模拟浓度值; Co为观测浓度值; 
江苏省2017年PM2.5、O3、NO2、CO、SO2和PM10在4个季节的日浓度(O3为最大8 h滑动平均值, 其他污染物为24 h平均值, 下同)模型模拟值与地表观测值对比结果见图 4.其中, 红色曲线为模式模拟值, 黑色散点为地表站点观测值.在季节尺度上, 模式可以捕捉到PM2.5、O3、NO2、CO、SO2和PM10浓度冬季高、夏季低(O3浓度夏季高、冬季低)的特征.各污染物2017年观测浓度值与模拟浓度值结果有良好的一致性, 其中以PM10和O3浓度结果最为接近.在总研究时段内, 各污染物IOA的数值水平为0.59~0.87, PM2.5、O3、PM10的IOA值均大于0.8, 模拟值和观测值吻合度较高; NMB的数值水平为-30.2%~18.7%, O3和PM10的NMB值均小于1%, 模拟值与观测值的偏离程度低, 再次验证了模型性能的合理性.因此, 本研究模拟的大气污染物浓度水平具有较高的可信度.
|
obs.和mod.分别为污染物观测和模式模拟的4个季节浓度平均值(μg·m-3, CO: mg·m-3); IOA和NMB分别为一致性指数和标准化平均偏差(无量纲) 图 4 江苏省2017年PM2.5、MDA8 O3、NO2、CO、SO2和PM10观测浓度值与模拟浓度值比较 Fig. 4 Comparison of observed and simulated concentrations of PM2.5, MDA8 O3, NO2, CO, SO2, and PM10 in Jiangsu Province in 2017 |
基准情景下PM2.5、O3、NO2、CO、SO2和PM10的空间分布特征如图 5所示.在季节尺度上, 除O3外的其余5种大气污染物浓度呈现冬季高、夏季低的季节特征, 而O3呈现出与之相反的夏季高、冬季低的季节特征.
|
平均值的单位与色柱一致, 下同 图 5 基准情景下大气污染物浓度空间特征 Fig. 5 Spatial characteristics of atmospheric pollutant concentration under baseline conditions |
江苏省PM2.5浓度冬季高、春秋次之、夏季低, 4个季节平均值依次为73.3、67.0、40.4和30.1 μg·m-3, 高值区分布于苏南、徐州地区.O3浓度夏季高、春秋次之、冬季最低.冬春夏秋这4个季节平均值次为73.2、125.4、143.1和105.7 μg·m-3; 高值区分布于苏南地区.
2.4.3 不同减排情景下大气污染物浓度响应结果显示, 全部门协同减排情景下各污染物浓度明显低于优先能源和优先工业减排情景.以PM2.5为例(见图 6), 全部门、能源和工业减排情景下浓度降幅分别为6.7~21.1、3.1~12.0和3.4~14.3μg·m-3. 10%、20%和40%减排力度下污染物浓度下降幅度近似线性增加, 例如PM2.5浓度在优先能源减排情景为10%、20%和40%中降幅分别为3.1、6.1和12.0 μg·m-3.
|
图 6 不同情景下PM2.5浓度空间分布 Fig. 6 Spatial distribution of PM2.5 concentration in different conditions |
城市尺度PM2.5浓度对于CO2不同减排情景时的响应情况见表 4.CO2减排比例为10%、20%和40%时, 各城市PM2.5浓度在不同减排情景下的下降范围分别为5.4%~14.9%、9.3%~22.8%和21.3%~44.7%.在江苏13个地级市中, 徐州PM2.5浓度下降效果最好, 在CO2减排比例为20%和40%的各情景中浓度下降比例均为最高, 其主要原因为徐州CO2工业、交通和居民部门累计排放占比仅为25.0%, 明显低于其他城市, 在协同减排设计中这些行业需要承担的CO2减排比例最高, PM2.5相应的排放部门的排放削减比例也最高, 从而促进徐州PM2.5浓度下降效果最佳; 苏州和连云港的PM2.5浓度响应效果最差, 其中苏州PM2.5浓度的下降比例在CO2减排比例为10%和20%的各情景下均为最小, 连云港PM2.5浓度的减排效果在CO2减排比例为40%的各情景下均为最差, 这主要是由于苏州和连云港CO2的交通、居民和工业部门累计排放占比分别为52.1%和54.5%, 均高于其它城市, 在承担其余减排贡献时, 交通、居民和工业部门的减排比例相对较低, 相应的PM2.5的排放削减比例也越低.PM2.5浓度高值区及浓度降幅高值区均集中于苏南和徐州地区, 主要原因在于苏南及徐州地区工业化水平高、人口规模大和经济水平强, 从而导致污染物排放水平高, 区域污染治理的潜力也较其他区域更大[36~38].
|
|
表 4 不同CO2减排情景下各城市PM2.5浓度下降比例/% Table 4 Cities under different CO2 emission conditions PM2.5 concentration decrease proportions/% |
就空气质量达标要求而言, 在全部门减排情景为10%和20%下, 各城市PM2.5年均值均未能达到国家Ⅱ级标准(35 μg·m-3).进一步当减排力度增加至40%时, 除徐州和宿迁以外, 其他11个城市PM2.5年均浓度值均能达标.优先能源和优先工业减排情景的达标效果差于全部门协同, 在全部门减排情景为40%的减排力度下, 所有城市PM2.5年均值仍不能达标.
按照表 3中的减排方案, CO2减排比例为10%、20%和40%时各减排情景下NO2排放总量削减比例范围分别为7.6%~14.7%、15.2%~24.3%和30.4%~48.7%, 相应地NO2浓度下降范围为2.1~3.2、4.1~5.4和8.0~10.7μg·m-3(见图 7).全部门协同减排情景下NO2浓度响应效果最好, 其次为优先工业减排情景, 然后为优先能源减排情景, 主要原因在于全部门协同减排(优先能源减排)情景下交通贡献的CO2减排比例相对较高(低), 而NO2交通源占比高达35.5%, 因此全部门协同减排(优先能源减排)情景下交通部门的NO2削减量较高(低), 进而导致NO2整体减排比例较高(低), NO2浓度降幅较大(小).
|
图 7 不同情景下NO2浓度下降情况空间分布 Fig. 7 Spatial distribution of NO2 concentration decrease under different conditions |
在CO2减排中, 江苏部分地区O3浓度不降反升, 如优先工业的10%减排力度下江苏省O3协同效果不佳, 浓度仅降0.2μg·m-3, 且苏南地区O3浓度上升效果明显(见图 8).大气中O3的生成依赖于NOx、VOCs和CO等前体物的质量浓度和化学反应[39].2017年长三角地区主要的O3控制型为VOCs控制型和共同控制型, 所以当同期NO2浓度下降时并不能对O3浓度产生有效的抑制作用, 反而会造成O3浓度的增加[40~43].此外, 颗粒物减少所导致的辐射强度增强也对O3浓度的反弹造成不可忽视的影响[44~47].在不同的减排情景下, NO2浓度均出现不同程度的下降, 特别是苏锡常地区下降效果尤为明显(见图 7), 因此该地区O3浓度反弹现象尤为突出.
|
图 8 不同情景下O3浓度下降情况空间分布 Fig. 8 Spatial distribution of O3 concentration decrease in different scenarios |
PM10、SO2和CO的变化趋势与PM2.5类似, 所有情景下江苏省SO2和CO年均值都能达到国家Ⅰ级标准, 除能源减排情景为10%和工业减排情景为10%外, 其余情景下江苏省PM10年均值都能达到国家Ⅱ级标准.
3 结论(1) 2010~2019年江苏省总CO2排放量为701.74~897.47 Mt.苏州、徐州和南京排放量最高, 年均排放量分别为182.12、133和91.19 Mt; 宿迁、连云港和扬州排放量最低, 年均排放量分别为13.19、26.56和32.54 Mt.全省能源、工业生产过程和废弃物处理排放的平均贡献率分别为89.62%、10.17%和0.21%.
(2) 依据减排部门侧重点的不同将减排情景分为3类, 分别为全部门协同减排、优先能源减排和优先工业减排; 每类减排情景设置3个不同的CO2减排力度, 对应的CO2整体削减量分别为10%、20%和40%.鉴于CO2排放与大气污染物排放的同源性, 通过对比CO2排放部门和大气污染物排放部门之间的关联特征, 将CO2相关部门的减排比例反馈到大气污染物的排放部门, 进而建立了CO2和大气污染协同减排的响应关系.
(3) 全部门协同减排情景空气质量改善效果最佳.以2017年为基准年, 全部门协同减排40%情景下, 除徐州和宿迁以外其他11个城市PM2.5年均浓度均能达到国家Ⅱ级标准.
| [1] | Abram N J, Mcgregor H V, Tierney J E, et al. Early onset of industrial-era warming across the oceans and continents[J]. Nature, 2016, 536(7617): 411-418. DOI:10.1038/nature19082 |
| [2] | Tang R, Zhao J, Liu Y F, et al. Air quality and health co-benefits of China's carbon dioxide emissions peaking before 2030[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-28672-3 |
| [3] | Liu J, Tong D, Zheng Y X, et al. Carbon and air pollutant emissions from China's cement industry 1990-2015: trends, evolution of technologies, and drivers[J]. Atmospheric Chemistry and Physics, 2021, 21(3): 1627-1647. DOI:10.5194/acp-21-1627-2021 |
| [4] | Li M, Liu H, Geng G N, et al. Anthropogenic emission inventories in China: a review[J]. National Science Review, 2017, 4(6): 834-866. DOI:10.1093/nsr/nwx150 |
| [5] | Liu F, Zhang Q, Tong D, et al. High-resolution inventory of technologies, activities, and emissions of coal-fired power plants in China from 1990 to 2010[J]. Atmospheric Chemistry and Physics, 2015, 15(23): 13299-13317. DOI:10.5194/acp-15-13299-2015 |
| [6] | 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. DOI:10.5194/acp-18-14095-2018 |
| [7] | Guan D B, Meng J, Reiner D M, et al. Structural decline in China's CO2 emissions through transitions in industry and energy systems[J]. Nature Geoscience, 2018, 11(8): 551-555. DOI:10.1038/s41561-018-0161-1 |
| [8] | Shan Y L, Liu J H, Liu Z, et al. New provincial CO2 emission inventories in China based on apparent energy consumption data and updated emission factors[J]. Applied Energy, 2016, 184: 742-750. DOI:10.1016/j.apenergy.2016.03.073 |
| [9] | Shan Y L, Guan D B, Zheng H R, et al. China CO2 emission accounts 1997-2015[J]. Scientific Data, 2018, 5. DOI:10.1038/sdata.2017.201 |
| [10] | Shan Y L, Huang Q, Guan D B, et al. China CO2 emission accounts 2016-2017[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-0393-y |
| [11] | Wang H, Zhang R, Liu M, et al. The carbon emissions of Chinese cities[J]. Atmospheric Chemistry and Physics, 2012, 12(14): 6197-6206. DOI:10.5194/acp-12-6197-2012 |
| [12] | Kennedy C, Steinberger J, Gasson B, et al. Methodology for inventorying greenhouse gas emissions from global cities[J]. Energy Policy, 2010, 38(9): 4828-4837. DOI:10.1016/j.enpol.2009.08.050 |
| [13] | Kennedy C A, Ibrahim N, Hoornweg D. Low-carbon infrastructure strategies for cities[J]. Nature Climate Change, 2014, 4(5): 343-346. DOI:10.1038/nclimate2160 |
| [14] | Creutzig F, Baiocchi G, Bierkandt R, et al. Global typology of urban energy use and potentials for an urbanization mitigation wedge[J]. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(20): 6283-6288. |
| [15] | He K, Lei Y, Pan X, et al. Co-benefits from energy policies in China[J]. Energy, 2010, 35(11): 4265-4272. DOI:10.1016/j.energy.2008.07.021 |
| [16] |
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. DOI:10.13198/j.res.2012.11.118.xuewb.004 |
| [17] | Xu M, Qin Z F, Zhang S H. Carbon dioxide mitigation co-effect analysis of clean air policies: lessons and perspectives in China's Beijing-Tianjin-Hebei region[J]. Environmental Research Letters, 2021, 16. DOI:10.1088/1748-9326/abd215 |
| [18] | Mao X Q, Zeng A, Hu T, et al. Co-control of local air pollutants and CO2 in the Chinese iron and steel industry[J]. Environmental Science & Technology, 2013, 47(21): 12002-12010. |
| [19] | Shi Q R, Zheng B, Zheng Y X, et al. Co-benefits of CO2 emission reduction from China's clean air actions between 2013-2020[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-32656-8 |
| [20] | GB/T 4754-2017, 国民经济行业分类[S]. |
| [21] | 中华人民共和国国家发展和改革委员会. 省级温室气体清单编制指南(试行)[EB/OL]. http://www.cbcsd.org.cn/sjk/nengyuan/standard/home/20140113/download/shengjiwenshiqiti.pdf, 2022-10-01. |
| [22] |
贺博文, 聂赛赛, 李仪琳, 等. 承德市PM2.5中多环芳烃的季节分布特征、来源解析及健康风险评价[J]. 环境科学, 2022, 43(5): 2343-2354. He B W, Nie S S, Li Y L, et al. Seasonal distribution characteristics, source analysis, and health risk evaluation of PAHs in PM2.5 in Chengde[J]. Environmental Science, 2022, 43(5): 2343-2354. |
| [23] |
庹雄, 杨凌霄, 张婉, 等. 海-陆大气交汇作用下青岛冬季大气PM2.5污染特征与来源解析[J]. 环境科学, 2022, 43(5): 2284-2293. Tuo X, Yang L X, Zhang W, et al. Characteristics and source analysis of PM2.5 in Qingdao in winter under the action of sea-land-atmosphere convergence[J]. Environmental Science, 2022, 43(5): 2284-2293. |
| [24] |
陈航, 王颖, 王澍. 铜山矿区周边农田土壤重金属来源解析及污染评价[J]. 环境科学, 2022, 43(5): 2719-2731. Chen H, Wang Y, Wang S. Source analysis and pollution assessment of heavy metals in farmland soil around Tongshan mining area[J]. Environmental Science, 2022, 43(5): 2719-2731. DOI:10.13227/j.hjkx.202108281 |
| [25] | Liu Z, Guan D B, Wei W, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature, 2015, 524(7565): 335-338. DOI:10.1038/nature14677 |
| [26] | Huo H, Lei Y, Zhang Q, et al. China's coke industry: recent policies, technology shift, and implication for energy and the environment[J]. Energy Policy, 2012, 51: 397-404. DOI:10.1016/j.enpol.2012.08.041 |
| [27] | Eggleston H S, Buendia L, Miwa K, et al. 2006 IPCC guidelines for national greenhouse ggas inventory[EB/OL]. http://www.ipcc-nggip.iges.or.jp/public/2006gl/index.html, 2023-07-31. |
| [28] | Li M, Zhang Q, Kurokawa J I, et al. MIX: a mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP[J]. Atmospheric Chemistry and Physics, 2017, 17(2): 935-963. DOI:10.5194/acp-17-935-2017 |
| [29] | Grell G A, Peckham S E, Schmitz R, et al. Fully coupled "online" chemistry within the WRF model[J]. Atmospheric Environment, 2005, 39(37): 6957-6975. DOI:10.1016/j.atmosenv.2005.04.027 |
| [30] | Kalnay E, Kanamitsu M, Kistler R, et al. The NCEP/NCAR 40-year reanalysis project[J]. Bulletin of the American Meteorological Society, 1996, 77(3): 437-472. DOI:10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2 |
| [31] | 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. DOI:10.5194/gmd-3-43-2010 |
| [32] | Horowitz L W, Walters S, Mauzerall D L, et al. A global simulation of tropospheric ozone and related tracers: Description and evaluation of MOZART, version 2[J]. Journal of Geophysical Research: Atmospheres, 2003, 108(D24). DOI:10.1029/2002JD002853 |
| [33] | Carter W P L. Implementation of the SAPRC-99 chemical mechanism into the Models-3 framework[R]. Washington: Report to the United States Environmental Protection Agency, 2000. |
| [34] | Zaveri R A, Easter R C, Fast J D, et al. Model for simulating aerosol interactions and chemistry (MOSAIC)[J]. Journal of Geophysical Research: Atmospheres, 2008, 113(D13). DOI:10.1029/2007jd008782 |
| [35] |
张茹涵, 张皓然, 冯伟航, 等. 硫酸盐非均相机制对颗粒物污染的影响: 上海典型污染事件的WRF-Chem模拟[J]. 环境科学, 2022, 43(5): 2294-2303. Zhang R H, Zhang H R, Feng W H, et al. Impacts of heterogeneous uptake pathway on sulfate formation: a case study in Shanghai based on WRF-Chem[J]. Environmental Science, 2022, 43(5): 2294-2303. |
| [36] |
范美益, 曹芳, 张园园, 等. 徐州市冬季大气细颗粒物水溶性无机离子污染特征及来源解析[J]. 环境科学, 2017, 38(11): 4478-4485. Fan M Y, Cao F, Zhang Y Y, et al. characteristics and sources of water soluble inorganic ions in fine particulate matter during winter in Xuzhou[J]. Environmental Science, 2017, 38(11): 4478-4485. DOI:10.13227/j.hjkx.201703178 |
| [37] |
黄小刚, 赵景波, 辛未冬. 基于网格的长三角PM2.5分布影响因素及交互效应[J]. 环境科学, 2021, 42(7): 3107-3117. Huang X G, Zhao J B, Xin W D. Factors and their interaction effects on the distribution of PM2.5 in the Yangtze River Delta based on grids[J]. Environmental Science, 2021, 42(7): 3107-3117. |
| [38] |
潘晨, 康志明. 2001~2019年气象条件对江苏省PM2.5分布的影响[J]. 环境科学, 2022, 43(2): 649-662. Pan C, Kang Z M. Impact of meteorological conditions on PM2.5 in Jiangsu province from 2001 to 2019[J]. Environmental Science, 2022, 43(2): 649-662. |
| [39] |
安俊琳, 王跃思, 李昕, 等. 北京大气中NO、NO2和O3浓度变化的相关性分析[J]. 环境科学, 2007, 28(4): 706-711. An J L, Wang Y S, Li X, et al. Analysis of the relationship between NO, NO2 and O3 concentrations in Beijing[J]. Environmental Science, 2007, 28(4): 706-711. DOI:10.3321/j.issn:0250-3301.2007.04.004 |
| [40] | Tang K Q, Zhang H R, Feng W H, et al. Increasing but variable trend of surface ozone in the Yangtze River Delta region of China[J]. Frontiers in Environmental Science, 2022, 10. DOI:10.3389/fenvs.2022.836191 |
| [41] | Li K, Liao H, Zhu J, et al. Implications of RCP emissions on future PM2.5 air quality and direct radiative forcing over China[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(21): 12985-13008. |
| [42] | Li H Y, Zhang Q, Zheng B, et al. Nitrate-driven urban haze pollution during summertime over the North China Plain[J]. Atmospheric Chemistry and Physics, 2018, 18(8): 5293-5306. DOI:10.5194/acp-18-5293-2018 |
| [43] | Zhang L, Liu L C, Zhao Y H, et al. Source attribution of particulate matter pollution over North China with the adjoint method[J]. Environmental Research Letters, 2015, 10(8). DOI:10.1088/1748-9326/10/8/084011 |
| [44] | Li K, Jacob D J, Liao H, et al. Anthropogenic drivers of 2013-2017 trends in summer surface ozone in China[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(2): 422-427. |
| [45] | Lu X, Hong J Y, Zhang L, et al. Severe surface ozone pollution in China: a global perspective[J]. Environmental Science & Technology Letters, 2018, 5(8): 487-494. |
| [46] | Lou S J, Liao H, Zhu B. Impacts of aerosols on surface-layer ozone concentrations in China through heterogeneous reactions and changes in photolysis rates[J]. Atmospheric Environment, 2014, 85: 123-138. DOI:10.1016/j.atmosenv.2013.12.004 |
| [47] | Li J, Chen X S, Wang Z F, et al. Radiative and heterogeneous chemical effects of aerosols on ozone and inorganic aerosols over East Asia[J]. Science of the Total Environment, 2018, 622-623: 1327-1342. DOI:10.1016/j.scitotenv.2017.12.041 |