2023, Vol. 44
2. 国家环境保护大气复合污染来源与控制重点实验室, 北京 100084
2. State Environmental Protection Key Laboratory of Sources and Control of Air Pollution Complex, Beijing 100084, China
我国生态环境建设致力于改善空气质量与应对气候变化[1].自2013年以来, 随着《大气污染防治行动计划》和《打赢蓝天保卫战三年行动计划》的先后实施, 排放的大幅度下降使得我国空气质量明显改善[2, 3].从2013~2017年, 我国ρ(PM2.5)年均值从72 μg·m-3下降到47 μg·m-3 [4], 但仍远高于世界卫生组织的指导值(2021年版, 5 μg·m-3), 空气污染治理工作任重道远.另一方面, 为应对气候变暖, 习近平总书记在第七十五届联合国大会一般性辩论上宣布中国将力争在2030年前做到碳达峰, 并努力在2060年前实现碳中和[5].在此基础上, 生态环境部以“减污降碳协同增效”为总抓手, 针对温室气体和大气污染物同根同源的特点[6], 通过节能减排等措施降低化石燃料燃烧减少碳排放的同时也减少大气污染物的排放[7], 带来空气质量改善和大气增温减缓的协同效益[8~10].
空气质量改善所带来的气溶胶浓度降低, 会通过气溶胶-辐射相互作用来改变地球辐射收支平衡, 进而影响天气气候系统[11~15].Wang等[16]利用多元线性回归分析量化1980~2018年我国长三角地区气溶胶对地表太阳辐射通量的影响, 并指出随着气溶胶浓度的降低, 长三角地区地表净辐射通量每年增加0.22 W·m-2. Che等[17]运用中国气溶胶遥感观测网数据评估气溶胶直接辐射强迫对大气顶部和底部净辐射的影响, 并强调气溶胶的直接辐射强迫能冷却地气系统, 平均使城区大气顶部(大气底部)的净辐射通量减少30.5(103.28)W·m-2, 但随着大气污染的改善, 地气系统的冷却效果逐渐减弱.
气溶胶的组分包括散射性气溶胶(例如：硫酸盐、硝酸盐、铵盐等)和吸收性气溶胶(例如：黑碳等).不同属性的气溶胶具有不同的光学特性[18], 通过散射或吸收太阳辐射影响净辐射通量进而改变大气温度[19~21].Suzuki等[22]运用MIROC全球气候模型模拟研究了黑碳气溶胶(black carbon, BC)和硫酸盐气溶胶直接辐射强迫对全球气候的影响.当BC排放量增加10倍后, 大气温度显著增加(2.85 K)但地表温度显著降低(-1.85 K); 而当二氧化硫(sulfur dioxide, SO2)排放量增加5倍时, 增加的硫酸盐浓度使整层大气(包括大气顶部、底部和大气层)均降温.Liu等[23]采用区域大气模型(community atmosphere model version 5, CAM5)量化2008~2016年中国东部人为源排放变化所导致的气溶胶浓度变化与辐射通量变化, 并指出减排SO2使我国东部硫酸盐柱浓度年均下降7.0 mg·m-2, 减少的硫酸盐浓度减弱其直接辐射强迫进而增加了大气层顶的辐射通量(0.58 W·m-2), 但由于减排人为源使大气中的BC气溶胶降低(年均下降0.36 mg·m-2), 以及更多的铵盐与硝酸盐结合, 在大气层顶产生的负辐射强迫能完全抵消了因SO2减排所带来的正辐射通量.
不同行业的人为源排放对大气污染物的贡献有很大差异, 所以不同行业的减排将带来不同程度的空气质量改善[24~27].Zhang等[28]通过WRF-CMAQ模式估计2013~2017年中国PM2.5空气质量改善的驱动因素, 结果发现, 加强工业部门的排放标准对全国人口加权平均PM2.5浓度的改善[ρ(PM2.5)下降6.6 μg·m-3]要高于清洁能源在居民生产生活中普遍使用的效果[ρ(PM2.5)下降2.2 μg·m-3].Conibear等[29]结合WRF-Chem模型与机器学习算法得到, 在2015年冬季, 减少30%的居民源排放, 能够降低中国18%的PM2.5浓度, 而同样减少30%的工业源排放, PM2.5浓度只降低6%.
不同行业的减排也会显著改变大气气溶胶的成分[30, 31], 进而对地气系统的辐射通量以及大气温度产生不同的影响.Gao等[32]使用地球系统模型CESM2和CAM6估算2013~2017年中国东部人为源减排的影响, 并发现由于居民源的减排使大气中的BC浓度减少了大约10%, 进而使大气层的净辐射通量减少0.03 W·m-2、近地面气温下降0.004 K. Gao等[33]运用WRF-Chem模式量化2013年中国不同部门的人为源排放通过气溶胶直接辐射强迫对大气层顶的辐射通量的影响.敏感性试验结果显示, 居民源的减排主导了黑碳气溶胶浓度的下降, 进而减少大气层顶的辐射通量(-0.97 W·m-2).但是电力部门的减排主导硫酸盐和硝酸盐浓度下降, 进而使大气顶层辐射通量增加1.98 W·m-2, 同时近地面气温升高0.02 K.
因此, 不同行业的减排措施对环境治理与气候改善可能存在不协同性.在环境与气候协同治理目标下, 科学合理地对人为排放进行管控是重要但复杂的措施, 而此前绝大部分研究仅关注不同行业减排对空气质量的改善效果[34, 35], 亦或分析不同的气溶胶化学组分对辐射通量的影响[36, 37], 但有关行业减排改善空气质量同时通过气溶胶-辐射相互作用对气温影响的探究远远不够.目前, 数值模式模拟由于不局限于观测点位限制的优点, 已被广泛用于量化污染物对大气以及空气质量影响的研究[38, 39].本研究选用双向耦合的空气质量模型WRF-Chem, 通过多组敏感性试验量化我国大气污染严重的东部地区, 在2016年9月晴天无云条件下, 各部门人为源的减排(包括工业源、居民源、交通源、火电厂和农业源)对空气质量的改善程度, 以及气溶胶浓度的改变通过气溶胶-辐射相互作用对大气温度的影响.与此同时, 本文还进一步聚焦气溶胶组分的浓度变化, 并分别计算各组分浓度的改变对净辐射通量的影响, 以期为未来制定提升空气质量和减缓大气增温协同控制的减排策略提供参考依据.
1 材料与方法 1.1 模式设置为了服务于未来空气质量改善和大气增温减缓协同控制策略的制定, 本文探究了不同部门的人为源减排对空气质量以及大气温度的影响, 并进一步聚焦于不同减排情景下气溶胶组分浓度变化对净辐射通量的影响.基于此, 本研究选用由NCAR和NOAA等联合开发的“在线(online)”三维区域空气质量模式WRF-Chem(weather research and forecasting model coupled to chemistry)[40].WRF-Chem最显著的特点是将气象模块与化学模块在时间和空间分辨率上完全匹配, 既避免因离线模型插值所产生的偏差, 又能真正实现长短波辐射、大气动力、气溶胶和气相化学等多过程、多物种的双向耦合与反馈.WRF-Chem模式已广泛应用于中国地区大气污染数值模拟的相关研究中[41~44].本研究的模拟时段为2016年8月27日至9月30日, 其中前5天为spin-up时间.模拟区域涉及我国污染较重的东部地区(图 1), 模式采用Lambert地图投影方式, 水平网格分辨率设为27 km, 垂直方向上有30层.
|
填色圆点表示观测站点PM2.5浓度; 背景颜色表示模式模拟PM2.5浓度 图 1 WRF-Chem模式的模拟区域和PM2.5浓度空间分布 Fig. 1 WRF-Chem simulation domain and spatial distribution of PM2.5 concentrations |
气象场初边界数据驱动WRF-Chem模式, 选择欧洲中期天气预报中心(ECMWF)提供的第五代全球再分析气象资料ERA5[45].ERA5高的空间分辨率(0.25°×0.25°)和高时间分辨率(1 h)能提高空气质量模式对大气污染物浓度及其时空演变特征的模拟能力.全球化学模式CAM-Chem[46]的模拟结果提供化学物种的初边界条件, 水平分辨率为1°×1.25°, 时间分辨率为6 h.模式所使用的生物源排放来自MEGANv2.04.生物质燃烧排放源由FINNv2.0计算得到, FINN软件包从NCAR网站下载[47].沙尘排放和海盐排放分别使用Shao等[48]和Gong等[49]提出的算法在线计算.人为源排放清单来自清华大学研发的中国地区多尺度排放清单模型MEIC排放清单[2].
气溶胶模块选用8个粒径档的MOSAIC(model for simulating aerosol interactions and chemistry)机制[50], 该机制包含主要气溶胶过程(包括热力学平衡、二元成核、凝聚和凝结等), 同时本研究还添加了气溶胶表面的非均相化学反应过程.气相化学方案采用CBM-Z(carbon bond mechanism version z)机制[51], 该方案在CBM-Ⅳ的基础上更新了无机化学和异戊二烯化学等反应参数, 包含67个物种和164个反应.微物理方案选择Purdue Lin机制.光解作用采用Fast-J方案[52], 并进一步考虑了气溶胶对光解速率的影响.长短波辐射方案均选用RRTMG(rapid radiative transfer model for GCMs)方案[53].通过波长与粒子的三维位置的函数计算得到气溶胶光学属性(包括消光系数、单次散射反照率和不对称因子).积云对流方案为Grell 3D集合方案[54].详细的物理和化学参数化方案可见表 1.
|
表 1 模式模拟所用主要参数化方案 Table 1 Parameterization schemes used in model simulation |
1.2 敏感性试验设置
为探究减排的协同控制效益, 即不同部门的人为源减排对空气质量的改善程度, 以及变化的气溶胶浓度通过改变气溶胶-辐射相互作用对大气温度的影响, 本研究一共开展了6个试验(表 2), 分别是无任何减排措施的标准试验(CTL)、不考虑工业源人为排放的试验(NoInd)、不考虑居民源人为排放的试验(NoRes)、不考虑交通源人为排放的试验(NoTran)、不考虑火电厂人为排放的试验(NoPower)和不考虑农业源人为排放的试验(NoAgri).CTL试验表示真实情景, 其模拟结果用来验证WRF-Chem模式的模拟能力.对比CTL试验和其余5个敏感性试验(NoInd、NoRes、NoTran、NoPower和NoAgri)可分别量化工业源减排、居民源减排、交通源减排、火电厂减排和农业源减排对PM2.5及其化学成分浓度的影响, 以及在晴天无云条件下, 改变的气溶胶-辐射相互作用对地气辐射通量和大气温度的影响.本文参照文献[55~57], 将WRF-Chem模式模拟的云水含量(QCLOUD)和云冰含量(QICE)之和小于0.01 g·kg-1的天气设定为晴天无云天气.
|
|
表 2 敏感性试验设置 Table 2 Sensitivity experiments |
表 3展示了所有试验下不同污染物[包括SO2、氮氧化物(NOx)、氨气(NH3)、BC和一次PM2.5]的排放量, 以及相对于基准试验的百分比变化情况.与其他情景相比, 对工业源的管控能最大程度地减少污染物的排放; 居民源的管控主要体现在SO2、NH3和一次PM2.5的减排; 交通源的管控主要表现在NOx和一次PM2.5的减排; 但对农业源来讲, 管控措施只针对NH3的减排.
|
|
表 3 敏感性试验中污染物的排放量以及相对于CTL试验的变化率1) Table 3 Emissions in sensitivity experiments and percentage changes relative to CTL |
本研究进一步聚焦减排情景下气溶胶组分浓度的改变所产生的直接辐射强迫影响.在WRF-Chem模式中, 各粒径段内每一个气溶胶组分都被赋予一个体积平均的复折射指数, 进而通过Mie理论来计算气溶胶粒子的消光系数和散射系数等[58].将实时计算的气溶胶光学属性引入RRTMG长短波辐射方案中, 就能表征气溶胶粒子的直接辐射强迫.但在模式运行过程中, 气溶胶都被设定为内混状态, 必须通过诊断的方式才能量化单个物种的直接辐射强迫.基于此, 本文参考Zhao等[53]和Gao等[59]的处理方式, 在每一个模式的积分步长上, 通过两次循环, 既考虑所有物种质量的情况, 以及不考虑目标物种质量的情况(该气溶胶物种的含水率也不考虑), 来定量计算分析物种的直接辐射强迫.例如, 黑碳气溶胶的直接辐射强迫是通过从考虑了所有气溶胶种类的计算值中减去除黑碳以外的其他气溶胶种类的计算值所得到的, 具体表述为：
|
式中, DRFBC为黑碳气溶胶的直接辐射强迫; DRFAll为考虑了所有气溶胶种类的直接辐射强迫; DRFNoBC为除黑碳以外其他气溶胶的直接辐射强迫.
相似的处理过程也被应用于量化硫酸盐、硝酸盐和铵盐的直接辐射强迫.
基于以上的处理方式, 可以进一步量化因各部门减排所改变的气溶胶组分浓度的直接辐射强迫, 继而用于判断哪种组分的浓度降低更能减少地气系统的能量, 以期服务于减排的协同控制效益.
1.3 观测数据为验证WRF-Chem模式对2016年9月中国东部地区气象场和污染物浓度的模拟能力, 从怀俄明大学下载小时分辨率的气象场数据, 包括近地2 m气温、2 m相对湿度、10 m风速和风向; 从中国环境监测总站获取模拟区域内共680个观测站点的逐小时PM2.5浓度数据.气象场数据的12个观测站点包括北京(39.93°N, 116.28°E)、正定(38.28°N, 114.70°E)、天津(39.18°N, 117.35°E)、太原(37.78°N, 112.55°E)、郑州(34.72°N, 113.65°E)、武汉(30.62°N, 114.13°E)、杭州(30.23°N, 120.17°E)、南京(32.00°N, 118.80°E)、合肥(31.87°N, 117.23°E)、浦东(31.12°N, 121.77°E)、上海(31.17°N, 121.43°E)和大连(38.90°N, 121.63°E).PM2.5浓度观测和模拟的空间分布如图 1所示.
2 模式评估模式对气象要素和大气污染物浓度的可靠模拟是进一步开展研究工作的基础.为评估WRF-Chem模式的模拟性能, 本研究将2016年9月标准试验(即无减排情景)研究区域内的PM2.5浓度的观测数据与模拟数据进行站点对应后, 选用月平均值进行详细对比.同时, 将气象因子(温度、相对湿度、风速和风向)模拟与观测数据均进行24 h平均, 选用日均值进行详细对比.分别计算气象因子和PM2.5浓度模拟值与观测值之间的平均偏差(MB)、归一化平均偏差(NMB)、相关系数(R)和吻合度指数(IOA), 它们的定义分别为：
|
式中, n为样本总数; YOBS, i为观测值; YSIM, i为模拟值; YOBS和YSIM分别为平均观测值和模拟值.
图 1为2016年9月模式模拟区域内PM2.5浓度的模拟值与观测值的空间分布.模拟结果的区域ρ(PM2.5) 平均值为50.5 μg·m-3, 观测结果的区域ρ(PM2.5) 平均值为38.3 μg·m-3.从平均值角度可以发现, 模式对比观测存在高估, 其原因可能与WRF-Chem模式模拟气象条件的偏差有关[60], 但模式能较好地再现观测得到的PM2.5空间分布, 尤其能模拟出PM2.5浓度的高值区和低值区.空间上R和IOA可分别达到0.72和0.70.
图 2给出的是2016年9月模式模拟与站点观测的气象要素的时间变化曲线.如图 2(a)和2(b)显示, WRF-Chem模式模拟的大气温度和相对湿度与观测数据吻合良好, R分别为0.95和0.90, IOA分别为0.95和0.80, NMB分别为-3.0%和-7.8%.不同的地表层和边界层参数化方案可能会影响模拟的近地表水汽通量, 这些方案的设置可以部分解释观测和模拟之间的相对湿度偏差[61, 62].如图 2(c)和图 2(d)所示, 模式对风速存在一定程度的高估(NMB=18.7%), 与观测的风向相关性较低(R=0.59), 这可能和地表阻力参数化中地形特征未得到解决以及区域分辨率较粗造成无法真实地刻画地形和下垫面数据的影响有关[63~65].风速的高估也同样出现在其他的WRF-Chem模式研究工作中[62, 66].尽管存在上述的偏差, 模式与观测的风速R仍然达到0.94, 风向NMB仅为-7.5%.
|
NMB为标准平均偏差; R为相关系数; IOA为一致性指数 图 2 分析区域内2016年9月观测和模拟的气象要素时间序列 Fig. 2 Daily observed and simulated meteorological parameters over the study area in September 2016 |
综上所述, 尽管存在一定程度的偏差, WRF-Chem模式仍然能较好再现2016年9月模拟区域内气象要素和PM2.5浓度的时空演变特征.
3 结果与分析 3.1 各部门人为源减排对PM2.5空气质量和大气温度的影响管控不同部门的人为源排放会带来不同程度的空气质量改善.图 3给出了WRF-Chem模式模拟的2016年9月晴天无云条件下不同部门的人为源减排对我国东部地区PM2.5化学组分浓度的影响, 其中硫酸盐+硝酸盐+铵盐的浓度变化、黑碳气溶胶的浓度变化以及其他颗粒物的浓度变化之和即表征PM2.5浓度的变化.结果显示, 减排各部门的人为源排放均能有效降低PM2.5浓度.其中, 工业源的减排对PM2.5空气质量的提升最为显著[ρ(PM2.5)下降17.0 μg·m-3, 33.9%], 其次是农业源的减排[ρ(PM2.5)下降13.4 μg·m-3, 26.7%]和交通源的减排[ρ(PM2.5)下降7.9 μg·m-3, 15.8%].PM2.5浓度的下降主要体现在硫酸盐+硝酸盐+铵盐浓度的降低, 尤其是农业源的减排, 减少的硫酸盐+硝酸盐+铵盐占PM2.5浓度变化的94.6%.减排工业源、居民源和交通源均能使大气中的黑碳气溶胶浓度下降(30.8%~35.6%), 但农业源减排对黑碳浓度没有影响, 主要原因是黑碳来自一次排放[67, 68], 而农业源不会释放黑碳气溶胶.
|
图 3 减排各个部门的人为源排放对2016年9月中国东部地区晴天无云条件下PM2.5化学组分浓度和近地面气温的影响 Fig. 3 Impacts of anthropogenic emission reductions from individual sectors on PM2.5 chemical composition concentrations as well as surface air temperature under cloudless sunny weather over eastern China in September 2016 |
气溶胶浓度的降低会通过气溶胶-辐射相互作用影响近地面大气温度.在晴天无云条件下, 减排各部门的人为源排放均能使近地面气温升高(图 3), 其中农业源减排造成的增温最大, 为0.09℃, 其次是工业源减排(0.04℃)、居民源减排(0.03℃)、火电厂减排(0.03℃)和交通源减排(0.01℃).近地面气温的升高主要源于地表获得的能量增多.减排工业源、居民源、交通源、火电厂和农业源分别能使地表的净辐射通量增加3.7、2.0、2.1、0.9和0.7 W·m-2(图 4).相较于其他部门的减排, 虽然管控农业源能带来较显著的PM2.5浓度降低, 但减少的粒子几乎全是散射性气溶胶, 而悬浮在大气中的吸收性气溶胶(如黑碳)仍然会吸收向下的太阳短波辐射, 进而减弱地表净辐射能的增加(0.7 W·m-2).但与此同时, 黑碳气溶胶吸收短波辐射后会向大气释放长波辐射进而增加大气层的净辐射通量(0.1 W·m-2), 这在一定程度上解释了农业源减排造成的显著的大气增温(0.09℃).
|
图 4 减排各个部门的人为源排放对2016年9月中国东部地区晴天无云条件下净辐射通量的影响 Fig. 4 Impacts of anthropogenic emission reductions from individual sectors on net radiation fluxes under cloudless sunny weather over eastern China in September 2016 |
大气层顶净辐射通量的改变表征着地气系统能量收支的变化[69].从图 4中可以发现, 对工业源、居民源、交通源和火电厂的人为源排放管控均能使大气层顶的净辐射通量减少, 分别降低0.3、0.8、0.7和0.1 W·m-2.但对农业源的排放管控后, 大气层顶的净辐射通量则增加0.8 W·m-2, 说明晴天无云条件下, 农业源的减排能使地气系统的能量增加, 进而将有助于整层大气的增温.之前有很多研究总结, 实施氨减排, 即管控农业源排放, 将有效提升我国的空气质量[70~73].但本研究指出, 农业源减排虽然能有效改善空气质量, 但反而会进一步促进大气的增温, 无法有效实现空气质量改善和大气增温减缓的协同效益.
3.2 行业减排导致的气溶胶组分浓度变化对辐射通量的影响不同光学特性的气溶胶由于其吸收或散射特性会带来不同的辐射强迫影响.图 5展示了标准试验下, 即无减排情景时, 不同的气溶胶组分在大气层顶、大气层和地表层中产生的直接辐射强迫.对于地表层, 大气中悬浮的硫酸盐、硝酸盐和铵盐作为散射性气溶胶, 能散射向下的太阳短波辐射, 进而阻止地表获得更多的能量.因此, 这些化学组分对地表层的辐射影响为负.在2016年9月中国东部地区晴天无云条件下, 硫酸盐、硝酸盐和铵盐对地表层的直接辐射强迫分别为-1.1、-1.5和-0.8 W·m-2.黑碳作为吸收性气溶胶, 能吸收向下的太阳短波辐射进而使地表层的净辐射能减小.因此, 黑碳气溶胶对地表层的直接辐射影响也是负值, 为-6.4 W·m-2.而在大气层, 散射性气溶胶的直接辐射影响不显著(-0.1~0.4 W·m-2), 但吸收性气溶胶粒子在吸收太阳短波辐射后, 能够向大气释放长波辐射, 进而增加大气层的净辐射通量.因此, 黑碳气溶胶对大气层的直接辐射影响为正(9.5 W·m-2).各气溶胶对大气层顶的直接辐射影响来源于地表层和大气层, 即地表层的直接辐射强迫加上大气层的直接辐射强迫就等于大气层顶的辐射强迫.因此, 大气层顶辐射强迫的正负表征着该气溶胶是否有助于地气系统能量的增加.从图 5中可以发现, 硫酸盐、硝酸盐和铵盐在大气层顶的直接辐射强迫均为负值(-1.2、-1.1和-0.7 W·m-2), 即散射性气溶胶能够阻止地气系统获得更多的能量, 而黑碳气溶胶在大气层顶的直接辐射强迫为正值(3.1 W·m-2), 表明吸收性气溶胶会增加地气系统的能量.因此, 在制定空气质量改善措施时, 为同时缓解大气的增温, 需充分考虑吸收性气溶胶和散射性气溶胶的管控力度.
|
图 5 2016年9月中国东部地区晴天无云条件下, 不同的气溶胶组分在大气层顶、大气层和地表层的直接辐射强迫 Fig. 5 Direct radiative forcing of chemical components at the top of the atmosphere, in the atmosphere, and at the surface under cloudless sunny weather over eastern China in September 2016 |
由于行业的减排将导致气溶胶组分浓度变化, 进而对辐射通量产生影响.图 6展示了在2016年9月中国东部地区晴天无云条件下, 因各部门减排所改变的气溶胶组分浓度在大气层顶、大气层和地表层的直接辐射强迫.在地表层[图 6(c)], 减排使硫酸盐、硝酸盐、铵盐及黑碳气溶胶浓度下降, 气溶胶对地表的负辐射强迫减弱, 因此导致净辐射通量增加.下降的硫酸盐、硝酸盐和铵盐浓度使地表净辐射通量改变-0.2~0.4、0~1.4和0~0.5 W·m-2, 最大值为减排农业源时硝酸盐浓度下降使辐射通量升高1.4 W·m-2.而农业源减排下氨浓度下降将影响大气酸性, 大气酸性的变化可能影响硫酸盐的化学生成, 进而导致降低的辐射通量(-0.2 W·m-2).在工业源、居民源、交通源和火电厂的减排下, 黑碳气溶胶浓度下降导致地表净辐射通量分别增加2.1、1.5、1.5和0.2 W·m-2.其中, 减排农业源对黑碳气溶胶没有影响.在大气层[图 6(b)], 各减排情境下气溶胶浓度的改变对大气层的影响为负.各行业的减排, 散射性气溶胶浓度变化带来的影响较小(-0.1~-0.4 W·m-2).工业源、居民源、交通源和火电厂减排, 降低的吸收性黑碳气溶胶浓度使大气辐射通量降低(-3.2、-2.3、-2.2和-0.4 W·m-2).而大气层顶辐射通量[图 6(a)]的变化表征着不同减排情景下该气溶胶浓度变化对地气系统能量的影响.各行业减排使黑碳浓度下降导致其对太阳辐射的吸收减弱, 进而导致辐射通量降低, 同时硫酸盐、硝酸盐、铵盐气溶胶浓度的减少将增加地气系统的能量.由于减排不同行业对各气溶胶组分影响不同, 进而影响地气系统能量变化, 最终改变近地面大气温度.
|
图 6 不同部门减排所改变的气溶胶组分浓度对2016年9月中国东部地区晴天无云条件下大气层顶、大气层和地表层辐射通量的影响 Fig. 6 Impacts of changes in chemical components owing to anthropogenic emission reductions from individual sectors on radiation fluxes at the top of the atmosphere, in the atmosphere, and at the surface under cloudless sunny weather over eastern China in September 2016 |
本文的结论主要来自于一个月的模拟结果, 在一定程度上无法代表行业减排在较长时间尺度下的真实影响; 本研究区域虽然关注污染严重、人口集中的东部地区, 但中西部(包括东北地区)不同的能源产业结构, 不同行业的减排措施对大气温度的影响可能会完全不同; 本文在源排放处理时并没有考虑人为活动所产生的道路扬尘、建筑灰尘等沙尘粒子, Chen等[74]指出兰州市区因道路交通所产生的沙尘粒子约占一次PM2.5总排放量的24.6%, Xia等[75]通过敏感性试验阐述, 当考虑人为沙尘的排放后, 近地面辐射通量会减少(15.9±4)W·m-2, 进而会影响大气温度的变化.与此同时, 本文的结论是基于晴天无云条件下总结得到的, 需要进一步考虑气溶胶的间接辐射强迫影响.因此, 针对于以上的不足, 在未来的工作中将进一步改进模式的参数设定和添加细致的人为沙尘源排放, 开展时间尺度更长(一年及以上的时间)、空间范围更广(全国所有地区)、气溶胶直接和间接效应都囊括的模拟试验, 充分量化不同部门的减排对我国空气质量和大气温度的影响, 更好地服务于未来的协同防治政策.
5 结论(1) 在2016年9月我国东部地区晴天无云条件下, 工业源、居民源、交通源、火电厂和农业源的减排均能有效改善空气质量, 区域内PM2.5浓度分别下降33.9%、9.6%、15.8%、10.8%和26.7%.下降的PM2.5主要体现在硫酸盐+硝酸盐+铵盐, 尤其是农业源的减排, 减少的硫酸盐+硝酸盐+铵盐占PM2.5变化的94.6%.与此同时, 各行业减排会使近地面气温分别升高0.04、0.03、0.01、0.03和0.09℃.
(2) 不同部门的减排对污染物浓度产生的不同影响将带来不同程度的大气层顶净辐射通量变化, 而大气层顶净辐射通量的改变表征了地气系统能量收支的变化.在晴天无云条件下, 工业源、居民源、交通源和火电厂减排分别导致大气层顶净辐射通量下降0.3、0.8、0.7和0.1 W·m-2, 而农业源减排会使大气层顶净辐射通量增加0.8 W·m-2.因此, 减排农业源虽然能有效改善空气质量, 但不利于大气增温的缓解.
(3) 在地表层, 硫酸盐、硝酸盐、铵盐和黑碳的直接辐射强迫分别为-1.1、-1.5、-0.8和-6.4 W·m-2; 在大气层, 硫酸盐、硝酸盐和铵盐的直接辐射强迫不显著(-0.1~0.4 W·m-2), 但黑碳对大气层的直接辐射强迫为9.5 W·m-2; 硫酸盐、硝酸盐和铵盐在大气层顶的直接辐射强迫均为负值(-1.2、-1.1和-0.7 W·m-2), 表征散射性气溶胶能够阻止地气系统获得更多的能量, 而黑碳在大气层顶的直接辐射强迫为正值(3.1 W·m-2), 表征吸收性气溶胶会增加地气系统的能量.
(4) 各行业减排所降低的黑碳(硫酸盐、硝酸盐和铵盐)浓度会在大气层顶产生-1.1~0(-0.2~0.3、-0.1~1.0和0~0.4)W·m-2的辐射通量变化.一方面, 减排农业源导致散射性气溶胶下降进而引起净辐射增加; 另一方面, 减排农业源不会导致吸收性气溶胶(黑碳)下降, 不能抵消散射性气溶胶下降引起的辐射增加.因此, 减排农业源会导致大气层顶净辐射通量增加, 同时近地面温度增加也最为显著.
| [1] | Cheng J, Tong D, Zhang Q, et al. Pathways of China's PM2.5 air quality 2015-2060 in the context of carbon neutrality[J]. National Science Review, 2021, 8(12). DOI:10.1093/nsr/nwab078 |
| [2] | 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 |
| [3] | Cheng J, Su J P, Cui T, et al. Dominant role of emission reduction in PM2.5 air quality improvement in Beijing during 2013-2017: a model-based decomposition analysis[J]. Atmospheric Chemistry and Physics, 2019, 19(9): 6125-6146. DOI:10.5194/acp-19-6125-2019 |
| [4] | Wang Y S, Li W J, Gao W K, et al. Trends in particulate matter and its chemical compositions in China from 2013-2017[J]. Science China Earth Sciences, 2019, 62(12): 1857-1871. DOI:10.1007/s11430-018-9373-1 |
| [5] | Chen L, Msigwa G, Yang M Y, et al. Strategies to achieve a carbon neutral society: a review[J]. Environmental Chemistry Letters, 2022, 20(4): 2277-2310. DOI:10.1007/s10311-022-01435-8 |
| [6] | Wang H, Gu K Y, Sun H, et al. Reconfirmation of the symbiosis on carbon emissions and air pollution: a spatial spillover perspective[J]. Science of the Total Environment, 2023, 858. DOI:10.1016/j.scitotenv.2022.159906 |
| [7] | Tong D, Cheng J, Liu Y, et al. Dynamic projection of anthropogenic emissions in China: methodology and 2015-2.50 emission pathways under a range of socio-economic, climate policy, and pollution control scenarios[J]. Atmospheric Chemistry and Physics, 2020, 20(9): 5729-5757. DOI:10.5194/acp-20-5729-2020 |
| [8] | Kinney P L. Interactions of climate change, air pollution, and human health[J]. Current Environmental Health Reports, 2018, 5(1): 179-186. DOI:10.1007/s40572-018-0188-x |
| [9] | Xie Y, Dai H C, Xu X H, et al. Co-benefits of climate mitigation on air quality and human health in Asian countries[J]. Environment International, 2018, 119: 309-318. DOI:10.1016/j.envint.2018.07.008 |
| [10] | Lu X, Zhang S J, Xing J, et al. Progress of air pollution control in China and its challenges and opportunities in the ecological civilization era[J]. Engineering, 2020, 6(12): 1423-1431. DOI:10.1016/j.eng.2020.03.014 |
| [11] | Yu H, Kaufman Y J, Chin M, et al. A review of measurement-based assessments of the aerosol direct radiative effect and forcing[J]. Atmospheric Chemistry and Physics, 2006, 6(3): 613-666. DOI:10.5194/acp-6-613-2006 |
| [12] | Kaufman Y J, Tanré D, Boucher O. A satellite view of aerosols in the climate system[J]. Nature, 2002, 419(6903): 215-223. DOI:10.1038/nature01091 |
| [13] | Ramaswamy V, Collins W, Haywood J, et al. Radiative forcing of climate: the historical evolution of the radiative forcing concept, the forcing agents and their quantification, and applications[J]. Meteorological Monographs, 2019, 59(1): 14. |
| [14] | Zhou M, Zhang L, Chen D, et al. The impact of aerosol-radiation interactions on the effectiveness of emission control measures[J]. Environmental Research Letters, 2019, 14(2). DOI:10.1088/1748-9326/aaf27d |
| [15] | Wen W, Guo C W, Ma X, et al. Impact of emission reduction on aerosol-radiation interaction during heavy pollution periods over Beijing-Tianjin-Hebei region in China[J]. Journal of Environmental Sciences, 2020, 95: 2-13. DOI:10.1016/j.jes.2020.03.025 |
| [16] | Wang Z Y, Zhang M, Wang L C, et al. Investigating the all-sky surface solar radiation and its influencing factors in the Yangtze River Basin in recent four decades[J]. Atmospheric Environment, 2021, 244. DOI:10.1016/j.atmosenv.2020.117888 |
| [17] | Che H Z, Xia X G, Zhao H J, et al. Spatial distribution of aerosol microphysical and optical properties and direct radiative effect from the China aerosol remote sensing network[J]. Atmospheric Chemistry and Physics, 2019, 19(18): 11843-11864. DOI:10.5194/acp-19-11843-2019 |
| [18] |
李立伟, 肖致美, 杨宁, 等. 天津市2020年冬季重污染过程气溶胶消光特性及其来源[J]. 环境科学, 2021, 42(9): 4158-4167. Li L W, Xiao Z M, Yang N, et al. Extinction characteristics of aerosols and the contribution of pollution sources to light extinction during three heavy pollution episodes in the winter of 2020 in Tianjin[J]. Environmental Science, 2021, 42(9): 4158-4167. |
| [19] | Wang J D, Xing J, Wang S X, et al. The pathway of impacts of aerosol direct effects on secondary inorganic aerosol formation[J]. Atmospheric Chemistry and Physics, 2022, 22(8): 5147-5156. DOI:10.5194/acp-22-5147-2022 |
| [20] | Liu J M, Shen W X, Yuan Y, et al. Optical characteristics and radiative properties of aerosols in Harbin, Heilongjiang province during 2017[J]. Atmosphere, 2021, 12(4). DOI:10.3390/atmos12040463 |
| [21] | Li J, Carlson B E, Yung Y L, et al. Scattering and absorbing aerosols in the climate system[J]. Nature Reviews Earth & Environment, 2022, 3(6): 363-379. |
| [22] | Suzuki K, Takemura T. Perturbations to global energy budget due to absorbing and scattering aerosols[J]. Journal of Geophysical Research: Atmospheres, 2019, 124(4): 2194-2209. DOI:10.1029/2018JD029808 |
| [23] | Liu M X, Matsui H. Aerosol radiative forcings induced by substantial changes in anthropogenic emissions in China from 2008 to 2016[J]. Atmospheric Chemistry and Physics, 2021, 21(8): 5965-5982. DOI:10.5194/acp-21-5965-2021 |
| [24] | McDuffie E E, Martin R V, Spadaro J V, et al. Source sector and fuel contributions to ambient PM2.5 and attributable mortality across multiple spatial scales[J]. Nature Communications, 2021, 12(1). DOI:10.1038/S41467-021-23853-Y |
| [25] | Liu J, Zheng Y X, Geng G N, et al. Decadal changes in anthropogenic source contribution of PM2.5 pollution and related health impacts in China, 1990-2015[J]. Atmospheric Chemistry and Physics, 2020, 20(13): 7783-7799. DOI:10.5194/acp-20-7783-2020 |
| [26] |
彭超, 李振亮, 曹云擎, 等. 基于受体和化学传输的综合模型解析重庆PM2.5来源[J]. 环境科学, 2022, 43(6): 2867-2877. Peng C, Li Z L, Cao Y Q, et al. Source Apportionment of PM2.5 based on hybrid chemical transport and receptor model in Chongqing[J]. Environmental Science, 2022, 43(6): 2867-2877. |
| [27] |
孙友敏, 范晶, 徐标, 等. 省会城市不同功能区大气PM2.5化学组分季节变化及来源分析[J]. 环境科学, 2022, 43(5): 2304-2316. Sun Y M, Fan J, Xu B, et al. Source apportionment and seasonal changes in PM2.5 chemical components from different functional areas of a provincial capital city[J]. Environmental Science, 2022, 43(5): 2304-2316. |
| [28] | Zhang Q, Zheng Y X, Tong D, et al. Drivers of improved PM2.5 air quality in China from 2013 to 2017[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(49): 24463-24469. |
| [29] | Conibear L, Reddington C L, Silver B J, et al. Statistical emulation of winter ambient fine particulate matter concentrations from emission changes in China[J]. GeoHealth, 2021, 5(5). DOI:10.1029/2021GH000391 |
| [30] | Shi Z H, Li J Y, Huang L, et al. Source apportionment of fine particulate matter in China in 2013 using a source-oriented chemical transport model[J]. Science of the Total Environment, 2017, 601-602: 1476-1487. DOI:10.1016/j.scitotenv.2017.06.019 |
| [31] | Zhang N, Huang H, Duan X L, et al. Quantitative association analysis between PM2.5 concentration and factors on industry, energy, agriculture, and transportation[J]. Scientific Reports, 2018, 8(1). DOI:10.1038/s41598-018-27771-w |
| [32] | Gao J Y, Yang Y, Wang H L, et al. Fast climate responses to emission reductions in aerosol and ozone precursors in China during 2013-2017[J]. Atmospheric Chemistry and Physics, 2022, 22(11): 7131-7142. DOI:10.5194/acp-22-7131-2022 |
| [33] | Gao M, Ji D S, Liang F C, et al. Attribution of aerosol direct radiative forcing in China and India to emitting sectors[J]. Atmospheric Environment, 2018, 190: 35-42. DOI:10.1016/j.atmosenv.2018.07.011 |
| [34] | Qiao X, Ying Q, Li X H, et al. Source apportionment of PM2.5 for 25 Chinese provincial capitals and municipalities using a source-oriented community multiscale air quality model[J]. Science of the Total Environment, 2018, 612: 462-471. DOI:10.1016/j.scitotenv.2017.08.272 |
| [35] | Yang J, Liu P F, Song H Q, et al. Effects of anthropogenic emissions from different Sectors on PM2.5 concentrations in Chinese cities[J]. International Journal of Environmental Research and Public Health, 2021, 18(20). DOI:10.3390/ijerph182010869 |
| [36] | Li B G, Gasser T, Ciais P, et al. The contribution of China's emissions to global climate forcing[J]. Nature, 2016, 531(7594): 357-361. DOI:10.1038/nature17165 |
| [37] | Takemura T, Suzuki K. Weak global warming mitigation by reducing black carbon emissions[J]. Scientific Reports, 2019, 9(1). DOI:10.1038/s41598-019-41181-6 |
| [38] |
郝囝, 蔡子颖, 韩素芹, 等. 基于模式过程分析技术天津地区PM2.5污染气象成因分析[J]. 环境科学, 2022, 43(5): 2373-2382. Hao J, Cai Z Y, Han S Q, et al. Research on causes of severely polluted weather in Tianjin based on process analytical technology[J]. Environmental Science, 2022, 43(5): 2373-2382. |
| [39] |
许艳玲, 易爱华, 薛文博. 基于模型模拟的成都市PM2.5污染来源解析[J]. 环境科学, 2020, 41(1): 50-56. Xu Y L, Yi A H, Xue W B. Modeling studies of source contributions to PM2.5 in Chengdu, China[J]. Environmental Science, 2020, 41(1): 50-56. |
| [40] | 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 |
| [41] |
于燕, 王泽华, 崔雪东, 等. 长三角地区重点源减排对PM2.5浓度的影响[J]. 环境科学, 2019, 40(1): 11-23. Yu Y, Wang Z H, Cui X D, et al. Effects of emission reductions of key sources on the PM2.5 concentrations in the Yangtze River Delta[J]. Environmental Science, 2019, 40(1): 11-23. |
| [42] |
孟宁, 贝耐芳, 李国辉, 等. 关中地区冬季人为源减排对PM2.5浓度的影响[J]. 中国环境科学, 2017, 37(5): 1646-1656. Meng N, Bei N F, Li G H, et al. Response of the wintertime PM2.5 level to anthropogenic emission mitigations in the Guanzhong basin[J]. China Environmental Science, 2017, 37(5): 1646-1656. DOI:10.3969/j.issn.1000-6923.2017.05.006 |
| [43] | He H, Tie X X, Zhang Q, et al. Analysis of the causes of heavy aerosol pollution in Beijing, China: a case study with the WRF-Chem model[J]. Particuology, 2015, 20: 32-40. DOI:10.1016/j.partic.2014.06.004 |
| [44] | Zhang Q R, Tong P F, Liu M D, et al. A WRF-Chem model-based future vehicle emission control policy simulation and assessment for the Beijing-Tianjin-Hebei region, China[J]. Journal of Environmental Management, 2020, 253. DOI:10.1016/j.jenvman.2019.109751 |
| [45] | Hersbach H, Bell B, Berrisford P, et al. ERA5 hourly data on single levels from 1940 to present[EB/OL]. https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-single-levels?tab=overview, 2023-01-09. |
| [46] | NCAR. CAM-Chem[EB/OL]. https://www2.acom.ucar.edu/gcm/cam-chem, 2023-01-09. |
| [47] | Wiedinmyer C, Akagi S K, Yokelson R J, et al. The Fire INventory from NCAR(FINN): a high resolution global model to estimate the emissions from open burning[J]. Geoscientific Model Development, 2011, 4(3): 625-641. DOI:10.5194/gmd-4-625-2011 |
| [48] | Shao Y P. Simplification of a dust emission scheme and comparison with data[J]. Journal of Geophysical Research: Atmospheres, 2004, 109(D10). DOI:10.1029/2003JD004372 |
| [49] | Gong S L, Barrie L A, Blanchet J P. Modeling sea-salt aerosols in the atmosphere: 1. Model development[J]. Journal of Geophysical Research: Atmospheres, 1997, 102(D3): 3805-3818. DOI:10.1029/96JD02953 |
| [50] | 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 |
| [51] | Zaveri R A, Peters L K. A new lumped structure photochemical mechanism for large-scale applications[J]. Journal of Geophysical Research: Atmospheres, 1999, 104(D23): 30387-30415. DOI:10.1029/1999JD900876 |
| [52] | Real E, Sartelet K. Modeling of photolysis rates over Europe: impact on chemical gaseous species and aerosols[J]. Atmospheric Chemistry and Physics, 2011, 11(4): 1711-1727. DOI:10.5194/acp-11-1711-2011 |
| [53] | Zhao C, Leung L R, Easter R, et al. Characterization of speciated aerosol direct radiative forcing over California[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(5): 2372-2388. DOI:10.1029/2012JD018364 |
| [54] | Grell G A, Dévényi D. A generalized approach to parameterizing convection combining ensemble and data assimilation techniques[J]. Geophysical Research Letters, 2002, 29(14). DOI:10.1029/2002GL015311 |
| [55] |
王成刚, 沈滢洁, 罗峰, 等. 晴天及阴天条件下WRF模式中几种边界层参数化方案的对比分析研究[J]. 地球物理学报, 2017, 60(3): 924-934. Wang C G, Shen Y J, Luo F, et al. Comparison and analysis of several planetary boundary layer schemes in WRF model between clear and overcast days[J]. Chinese Journal of Geophysics, 2017, 60(3): 924-934. |
| [56] | Storer R L, van den Heever S C. Microphysical processes evident in aerosol forcing of tropical deep convective clouds[J]. Journal of the Atmospheric Sciences, 2013, 70(2): 430-446. DOI:10.1175/JAS-D-12-076.1 |
| [57] | Arbizu‐Barrena C, Pozo‐Vá;zquez D, Ruiz‐Arias J A, et al. Macroscopic cloud properties in the WRF NWP model: an assessment using sky camera and ceilometer data[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(19): 10297-10312. |
| [58] | Zhao C, Liu X, Leung L R, et al. Radiative impact of mineral dust on monsoon precipitation variability over West Africa[J]. Atmospheric Chemistry and Physics, 2011, 11(5): 1879-1893. DOI:10.5194/acp-11-1879-2011 |
| [59] | Gao Y, Zhao C, Liu X H, et al. WRF-Chem simulations of aerosols and anthropogenic aerosol radiative forcing in East Asia[J]. Atmospheric Environment, 2014, 92: 250-266. DOI:10.1016/j.atmosenv.2014.04.038 |
| [60] | Gao M, Carmichael G R, Wang Y, et al. Modeling study of the 2010 regional haze event in the North China Plain[J]. Atmospheric Chemistry and Physics, 2016, 16(3): 1673-1691. DOI:10.5194/acp-16-1673-2016 |
| [61] | Yan D D, Liu T Y, Dong W J, et al. Integrating remote sensing data with WRF model for improved 2-m temperature and humidity simulations in China[J]. Dynamics of Atmospheres and Oceans, 2020, 89. DOI:10.1016/j.dynatmoce.2019.101127 |
| [62] | Sha T, Ma X Y, Jia H L, et al. Aerosol chemical component: simulations with WRF-Chem and comparison with observations in Nanjing[J]. Atmospheric Environment, 2019, 218. DOI:10.1016/j.atmosenv.2019.116982 |
| [63] | Gómez-Navarro J J, Raible C C, Dierer S. Sensitivity of the WRF model to PBL parametrisations and nesting techniques: evaluation of wind storms over complex terrain[J]. Geoscientific Model Development, 2015, 8(10): 3349-3363. DOI:10.5194/gmd-8-3349-2015 |
| [64] | Solbakken K, Birkelund Y. Evaluation of the Weather Research and Forecasting(WRF) model with respect to wind in complex terrain[J]. Journal of Physics: Conference Series, 2018, 1102(1). DOI:10.1088/1742-6596/1102/1/012011 |
| [65] | Wang C H, Jin S L. Error features and their possible causes in simulated low-level winds by WRF at a wind farm[J]. Wind Energy, 2014, 17(9): 1315-1325. DOI:10.1002/we.1635 |
| [66] | Wang P F, Qiao X, Zhang H L. Modeling PM2.5 and O3 with aerosol feedbacks using WRF/Chem over the Sichuan Basin, southwestern China[J]. Chemosphere, 2020, 254. DOI:10.1016/j.chemosphere.2020.126735 |
| [67] | Cao G L, Zhang X Y, Gong S L, et al. Emission inventories of primary particles and pollutant gases for China[J]. Chinese Science Bulletin, 2011, 56(8): 781-788. |
| [68] |
张玲, 孔少飞, 郑煌, 等. 华北平原南部农村地区黑碳气溶胶浓度及来源[J]. 环境科学, 2022, 43(5): 2363-2372. Zhang L, Kong S F, Zheng H, et al. Concentrations and sources of black carbon aerosols in rural areas of southern North China Plain[J]. Environmental Science, 2022, 43(5): 2363-2372. |
| [69] | Allan R P, Liu C L, Loeb N G, et al. Changes in global net radiative imbalance 1985-2012[J]. Geophysical Research Letters, 2014, 41(15): 5588-5597. |
| [70] |
许艳玲, 薛文博, 雷宇, 等. 中国氨减排对控制PM2.5污染的敏感性研究[J]. 中国环境科学, 2017, 37(7): 2482-2491. Xu Y L, Xue W B, Lei Y, et al. Sensitivity analysis of PM2.5 pollution to ammonia emission control in China[J]. China Environmental Science, 2017, 37(7): 2482-2491. |
| [71] | Zhao Z Q, Bai Z H, Winiwarter W, et al. Mitigating ammonia emission from agriculture reduces PM2.5 pollution in the Hai River Basin in China[J]. Science of the Total Environment, 2017, 609: 1152-1160. |
| [72] | Gu B J, Song Y, Yu C Q, et al. Overcoming socioeconomic barriers to reduce agricultural ammonia emission in China[J]. Environmental Science and Pollution Research, 2020, 27(20): 25813-25817. |
| [73] | Guo Y X, Chen Y F, Searchinger T D, et al. Air quality, nitrogen use efficiency and food security in China are improved by cost-effective agricultural nitrogen management[J]. Nature Food, 2020, 1(10): 648-658. |
| [74] | Chen S Y, Zhang X R, Lin J T, et al. Fugitive road dust PM2.5 emissions and their potential health impacts[J]. Environmental Science & Technology, 2019, 53(14): 8455-8465. |
| [75] | Xia W W, Wang Y, Chen S Y, et al. Double trouble of air pollution by anthropogenic dust[J]. Environmental Science & Technology, 2022, 56(2): 761-769. |