2024, Vol. 45
2. 长安大学旱区地下水文与生态效应教育部重点实验室, 西安 710054;
3. 自然资源部矿山地质灾害成灾机理与防控重点实验室, 西安 710054;
4. 陕西省西咸新区秦汉新城管理委员会, 西安 712000
, HUO Ai-di1,2,3
, LÜ Ji-qiang1,2 , ZHAO Zhi-xin1,2 , CHEN Jian1,2 , ZHONG Fang-qian1,2 , YANG Lu-ying1,2 , YANG Lei4
2. Key Laboratory of Subsurface Hydrology and Ecological Effects in Arid Region of the Ministry of Education, Chang'an University, Xi'an 710054, China;
3. Key Laboratory of Mine Geological Hazards Mechanism and Control, Ministry of Natural Resources, Xi'an 710054, China;
4. Shaanxi Xixian Qinhan Management Committee, Xi'an 712000, China
在地球大气中, 臭氧（O3）是一种至关重要的微量气体, 其存在于平流层中的比例约为90%, 可有效保护人类生态环境免受紫外线的侵害, 对流层中约有10%的O3, 其浓度水平对人类生产生活有着重要影响. 近地面O3主要来源是人为源排放的挥发性有机物（VOCs）、一氧化碳（CO）和氮氧化物（NOx）等前体物通过复杂光化学反应生成, 会对人体健康、生态环境和植被生长等产生不良影响[1, 2]. 近年来, 随着中国经济的高速发展和人为因素的影响, O3浓度呈逐年上升趋势, O3已经成为继细颗粒物污染后影响大气环境质量的另一主要污染因子[3].
目前O3污染治理面临严峻挑战, 科学认识O3浓度的变化特征、来源和影响因素, 对O3污染的科学防控具有重要意义. 研究O3浓度的时空变化特征, 采用统计学分析、空间自相关分析[4]和热点分析[5]等方法揭示O3浓度的时空演化规律. 由于城市间的气象条件、地形地势、产业分布和前体物排放特点有所差异, 导致近地面O3浓度空间分布受到气象因素、社会经济因素和人为源排放因素以及两两交互作用的影响. 研究者多直接基于相关分析[6, 7]和灰度关联分析[8]等方法识别影响O3浓度变化的关键因素, 而地理探测器增加了对人为源前体物和气象因子等多种影响因子交互作用的探究, 揭示了影响O3空间浓度变化的主要驱动力[9, 10]. 目前, 对于O3来源解析常见的方法包括：后向轨迹法[11, 12]、源模型法[13, 14]、受体模型法[15, 16]和源清单法[17], 其中后向轨迹法通过对到达目标区域的气团轨迹进行聚类, 结合污染物浓度数据来分析污染物的主要输送路径, 被广泛用于O3和前体物的直接输送路径研究.
关中城市群是中国贯通南北和衔接东西的重要枢纽, 其经济繁荣和城市化水平高. 但由于资源消耗大、人类活动强度高和能源结构以煤为主等原因[18, 19], O3污染已成为影响该区域空气质量及人体健康的重要因素[20, 21]. 近年来学者们针对关中地区O3污染问题进行了一系列研究[22, 23], 为关中地区O3污染防治工作提供了部分依据, 为关中地区大气O3污染变化特征分析奠定了基础. 依据特征分析基础找出污染源头对治理工作来说至关重要, 当前针对O3及主要前体物来源解析方面的研究仍较为薄弱, 且对臭氧影响因素的研究主要集中在O3浓度与气象因子的简单关联, 忽略了地理要素及社会经济要素等对O3浓度分布的影响, 对于因素之间的协同和制衡作用研究尚不够深入.
基于此, 本文选取2018~2021年关中地区近年来的环境监测数据, 通过数据预处理、地理探测器和后向轨迹模型等方法研究关中地区O3浓度时序变化特征, 定量分析自然因素及人为因素对关中地区O3所造成的影响, 并对关中地区O3污染的主要来源进行解析, 以期为今后关中地区O3污染预报及污染治理提供科学参考依据.
1 材料与方法 1.1 研究区概况关中地区位于陕西省中部（106°13′~110°40′E, 33°33′~35°52′N）, 地处黄河流域下游, 包括西安、宝鸡、咸阳、渭南、铜川和杨凌五市一区. 关中地区作为承东启西和连南接北的重要枢纽, 在西部地区连通北方及内陆地区中具有独特的战略地位. 总面积约5.55万km2, 东西长约360 km, 地势西高东低, 中部较为平坦宽阔, 海拔324~3 665 m（图 1）. 该地区气候类型属于暖温带半湿润半干旱季风气候, 夏季高温多雨, 冬季相反, 年平均气温9~13℃, 多年平均降水量500~800 mm, 主要集中在7~9月. 关中地区北邻陕北黄土高原, 南接秦岭山脉, 东部与汾河平原接壤, 形成三面环绕的“U”型盆地, 常年主导风向为东北风, 不利于污染物的向外传输和扩散.
|
图 1 关中地区地形示意 Fig. 1 Topographic of the Guanzhong Region |
本研究采用2018~2021年关中城市群（包括西安、宝鸡、铜川、咸阳和渭南）33个环境监测站点逐小时O3监测数据（数据统一转换为参比状态）. 依据《环境空气质量评价技术规范（试行）》（HJ 633-2013）, 选取O3日最大8 h滑动平均值（O3_8h）作为O3日评价指标. 根据《环境空气质量指数（AQI）技术规定（试行）》（HJ 633-2012）将O3_8h浓度划分为优（0~100 μg·m-3）、良（101~160 μg·m-3）、轻度污染（161~215 μg·m-3）、中度污染（216~265 μg·m-3）、重度污染（266~800 μg·m-3）和严重污染（> 800 μg·m-3）这6个级别. 本文中O3超标指O3二级超标, 即当天O3污染达到轻度污染或以上标准[ρ（O3_8h） > 160 μg·m-3]. 采用气象法划分四季为春季（3~5月）、夏季（6~8月）、秋季（9~11月）和冬季（12~次年2月）[24]. 气象数据来源于国家地球系统科学数据中心（http://www.geodata.cn/data/）；高程数据来源于地理空间数据云30 m GDEM数字高程数据（https://www.gscloud.cn/）；坡度数据由ArcGIS处理高程数据获得；土地利用数据和GDP数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/）；人口密度数据来源于WorldPop数据（https://www.worldpop.org/）.
1.3 研究方法 1.3.1 MeteoInfo模型本研究利用美国国家环境预报中心（National Centers for Environmental Prediction, NCEP）提供的全球资料同化系统数据（global data assimilation system, GDAS）及地面臭氧浓度监测数据驱动MeteoInfo软件和TrajStat插件模拟关中地区2021年臭氧后向轨迹数据. 将渭南（109.43°E, 34.50°N）作为模拟受体点, 轨迹计算模拟高度选为500 m, 计算2021年逐日4个时次[00：00、06：00、12：00和18：00（UTC）]的72 h后向气流轨迹, 通过TrajStat插件进行臭氧污染的后向轨迹聚类分析, 采用总空间方差（TSV）方法选取最佳聚类数目, 并在此基础上解析臭氧污染的潜在来源.
潜在源贡献分析法（potential source contribution function, PSCF）是一种以条件概率函数为基础的分析方法, 通过创建i × j个网格覆盖研究区域并标记污染物浓度高于设定阈值的轨迹为污染轨迹, 以识别污染物的可能来源. 本研究取O3_8h的二级标准值（160 μg·m-3）作为阈值, 利用经过第（i, j）网格处的污染轨迹数与总轨迹数的比来表征每网格对受体点的污染贡献, 每个网格PSCF计算见式（1）：
|
(1) |
式中, nij为落在网格（i, j）的所有气流轨迹数, mij为经过同一网格的的污染轨迹数. PSCF值越大表示该区域污染源越多, 对受体点污染的潜在贡献大. 为降低条件概率函数因样本总量nij较小可能产生的较大不确定性, 通过权重函数Wij计算修正后的潜在源贡献因子WPSCF减少不确定性, 计算见式（2）和式（3）：
|
(2) |
|
(3) |
式中, nave为每个网格的平均轨迹数.
1.3.2 地理探测器地理探测器是由王劲峰等[25]提出的通过分析地理对象的空间分异性来揭示其背后驱动力的统计模型, 由因子探测、交互探测、风险探测和生态探测这4个模块组成. 该方法被广泛应用于土地利用[26, 27]、公共卫生[28]、地质灾害[29]和环境污染[30, 31]等领域, 空气污染受人类活动、自然地理要素和气象因子的综合影响, 与疾病和灾害发生原因相似. 本研究选用因子探测器探测O3浓度的空间分异性以及各影响因素对该分异性的解释情况, 使用交互作用探测器识别两两影响因素交互作用时是否会增加或减弱对O3浓度的解释力.
为确保地理探测器输入数据的一致性, 除土地利用数据和因变量O3数据外, 其他数据采用自然断点法进行分类. 该方法根据数据的特性和分布进行数据重分类, 以最小化各级别的变异总和. 根据研究区规模对经过重分类的数据建立渔网, 并提取渔网中心点的像元值, 剔除无效值后, 共得到64 517个格点数据, 输入至地理探测器工具GeoDetector软件中进行计算.
2 结果与分析 2.1 O3浓度时序演变特征图 2为关中地区2018~2021年O3浓度在不同时间尺度的变化特征分析. 关中地区各城市监测站点O3小时浓度日变化特征比较一致, 均表现为午后12：00~18：00时段浓度高、夜间00：00~06：00时段浓度低的单峰型日变化特征, 如图 2（a）所示. 受太阳辐射和气温影响, 日间09：00~15：00时段O3浓度急剧上升并在15：00左右达到峰值, 傍晚随着气温的下降O3浓度快速下降, 一直到第二天早晨07：00都处于相对较低的水平. 部分站点（1924A和1930A）O3浓度较高, 以上站点可能受到区域传输的影响.
|
图 2 关中地区O3浓度变化特征 Fig. 2 Variation characteristics of ozone in the Guanzhong Region |
对关中地区不同大气监测站点2018~2021年O3浓度月变化特征进行分析, 如图 2（b）所示. 从季节变化来看, O3浓度由高到低依次是夏季、春季、秋季和冬季. 从浓度变化的月份来看, 关中地区月均O3浓度变化曲线多呈单峰型. 1~6月O3浓度逐渐升高, 并在6月达到最大值（分别为西安159 μg·m-3、咸阳164 μg·m-3、铜川154 μg·m-3、宝鸡128 μg·m-3和渭南157 μg·m-3）, 6~12月O3浓度逐渐下降, 12月达到最小值（分别为西安37 μg·m-3、咸阳39 μg·m-3、铜川55 μg·m-3、宝鸡50 μg·m-3和渭南44 μg·m-3）, O3的空间分异非常明显. 从O3超标情况来看, 4~8月为O3污染最严重的时期, O3超标日也全部集中在该时间段, 6月超标日最多, 7月次之. 1、11和12月O3浓度处于最低状态, 由于陕西省冬季气温较低, 大气较为稳定, 尤其是在采暖季污染物排放较多且不易扩散, 太阳辐射降低, NO2和CO等污染物易转换为二次颗粒污染, 因此O3浓度相对较低.
从关中地区各城市O3浓度超标情况来看（图 3）, 2018~2021年O3_8h平均值超过轻度污染的天数为646 d, 占总监测天数（即5个城市监测天数的总和, 共7 310 d）的8.84%. 其中轻度污染共593 d, 占91.8%, 中度污染占7.89%, 重度污染占0.31%, 无严重污染出现. 2020年以后, 一年之中50%以上的天数浓度等级表现为“优”, 其余多数时间为“良”, 污染天数仅占10%以内. 2018~2021年期间宝鸡O3污染始终较低, 无中度及中度以上污染, 空气质量为优的天数从202 d增长至241 d. 各城市O3污染天数明显降低, 以铜川最为明显, O3污染天数由2018年的43 d降至2021年的22 d. 整体来看, 各个城市在此期间臭氧超标率都有不同程度地降低, 但中度及重度污染天数后续又有所增加.
|
图 3 关中地区各城市2018~2021年臭氧超标天数 Fig. 3 Days of ozone exceeding the standard in the Guanzhong Region from 2018 to 2021 |
通过因子探测来衡量风险因子对O3浓度分布的影响强度, q值越大, 该风险因子对O3浓度的影响强度越大. 探测结果如表 1所示. 在9个风险因子中, 关中地区O3污染风险因子探测结果q值依次是：CO（0.49） > 相对湿度（0.48） > 气温（0.43） > 降水（0.42） > 风速（0.37）=NO2（0.37） > 高程（0.25） > 坡度（0.24） > 土地利用（0.21） > SO2（0.17） > GDP（0.14） > 人口密度（0.01）, 且p值< 0.01. 其中, 气象要素和前体物对关中地区O3浓度空间格局的形成具有显著影响. 气象要素中相对湿度的影响力最大, 大气中的水汽通过消光机制、湿清除以及自由基分解作用在O3的生成和清除过程中扮演着重要的角色. 其次是温度, 是关中地区O3年均浓度分布的主导因素, 气温的上升有助于光化学反应生成O3. 风场对于臭氧的形成和输送具有重要的影响, 风速的大小反映污染物输送或者清除效率. 一般来说, 虽然O3浓度在不同风速范围间的变化较大, 但多数高浓度O3仍集中出现于较为稳定小风的情况下. 前体物对O3空间分布的影响均为正向, 相较于NO2和SO2, CO对O3空间变化的解释力更强, 这可能归因于研究区内人为排放的CO含量远高于NO2和SO2, CO易与大气中的·OH和O2发生反应生成更多的HO2·, 从而提高了研究区内的光化学反应速率[10].
|
表 1 关中地区O3浓度驱动因子地理探测器分析结果 Table 1 Analysis of driving factors of ozone concentration in the Guanzhong Region by geographic detector |
交互探测结果表明（表 1）, 任意两个影响因子交互后比单一因子对O3影响的作用显著, O3空间分布是多种因素共同作用的结果, 前体物和气象因素的交互作用是关中地区O3空间变化的主要驱动力. 影响因子交互作用的增强效应呈双因子或非线性, 从而增强了对臭氧空间分布的解释力. 表明臭氧浓度受到多种影响因素的共同制约, 从而弥补了单因子探测的局限. 由表 1可以看出, 气温和SO2交互作用后对O3变化影响的q最大为0.68, CO与SO2（0.65）、降水与NO2（0.64）、降水与CO（0.64）以及风速与CO（0.64）对O3空间分异的影响也较为突出. 此外, 气温、相对湿度和CO与其他因子的交互作用的q值分别在0.43~0.68、0.48~0.62和0.49~0.65之间, 远高于其他影响因子间的交互作用, 说明研究区O3的空间分布同气温、相对湿度和CO存在密切关系, 气温、相对湿度和CO直接或间接加强了其他因子对O3的影响程度, 这与因子探测具有良好的一致性. 作用于关中地区O3空间分布的影响因子并不只是单一因子而是多种因子, 任何两个风险因子的交互作用都会不同程度地增加对研究区O3空间分异的解释力度. 各风险因子对于O3的影响具有多重且复杂的特征, 应重点关注各种因素之间相互作用对污染的加强作用, 单一模式的治理方法不可取, 协同控制可对O3污染防治起到有效作用.
2.3 O3污染来源解析本文以渭南为例对关中地区O3解析后向轨迹分析, 根据臭氧二级污染标准将日划分为超标日和清洁日, 利用MeteoInfo软件将2018~2021年春夏季臭氧超标日每6 h一次的气流轨迹分型分类, 并与清洁日的后向轨迹进行对比, 分析了渭南气团传输路径和聚类结果（图 4）以及轨迹的贡献率、相应的O3浓度及出现频率（表 2和表 3）. 由于秋冬季基本无超标日, 故直接进行气流轨迹解析, 未对日进行划分. 图 4春夏季中蓝色曲线代表清洁日气流, 红色曲线代表超标日气流轨迹.
|
红色曲线表示污染日气流轨迹, 蓝色曲线表示清洁日气流轨迹 图 4 2018~2021年关中地区大气污染物后向气流输送轨迹聚类 Fig. 4 Trajectory clustering of backward airflow transport of atmospheric pollutants in the Guanzhong Region from 2018 to 2021 |
|
|
表 2 2018~2021年春夏季各类气流轨迹信息统计结果 Table 2 Statistical results of various air flow trajectories in spring and summer from 2018 to 2021 |
|
|
表 3 2018~2021年秋冬季各类气流轨迹信息统计结果 Table 3 Statistical results of various air flow trajectories in autumn and winter from 2018 to 2021 |
春季O3超标日中来自四川省的西南向气流轨迹3对关中地区臭氧浓度影响最大, 对关中地区O3贡献率达到42%；其次是分别来自哈萨克斯坦、蒙古国和我国青海省的西北气流轨迹2、4和5, 贡献率累计为36%, 西北向气流对应臭氧浓度均低于春季超标日均值；途经山东省和河南省的偏东向气流轨迹1也对春季臭氧超标具有一定的贡献, 这一带人为源较多, 大气污染物浓度较高. 春季清洁日O3浓度主要受西北气流的影响, 各气流轨迹对应的O3浓度相差不大, 对O3的影响主要体现在其出现频率的差异上.
夏季超标日中来自湖北省的东南向气流轨迹3对应的O3浓度值较高, 其出现频率最高, 对夏季超标日O3的贡献率最大（39%）；西北向气流轨迹2和轨迹4分别来自我国内蒙古自治区和蒙古国, 对关中地区夏季超标日O3的贡献率累计达33%；途经山东省和河南省的偏东向气流轨迹1也对夏季臭氧超标具有一定的贡献（25%）. 夏季清洁日臭氧浓度主要受来自湖北省的东南气流影响, 贡献率达41%；来自山西省的东北气流轨迹3对夏季清洁日的臭氧浓度也具有一定的贡献.
秋冬季主要气流轨迹来自西北方向, 西北气流输送距离较长, 传输速度较快, 远距离输送成为影响关中地区秋冬季O3浓度的最主要输送路径, 主要途经内蒙古自治区、甘肃省和宁夏回族自治区等区域. 秋冬季分别来自山西省和河南省的偏东向气流轨迹1和轨迹4对应的O3浓度为5条轨迹中最高值, 对秋冬季臭氧具有一定的影响（22%~24%）.
综上, 关中地区春季影响臭氧浓度的主要气流为西南和西北气流；夏季西北气流对应的O3浓度大多低于均值或出现频率较低, 偏东向气流的夏季出现频率较高, 对关中地区的影响也较大, 主要途经湖北省、河南省和山东省, 这一带人类活动频繁, 工业较为发达, 人为污染源较多, 故偏东方向的气流输送是影响关中地区夏季O3浓度最主要的外来输送路径, 其次为西北方向. 秋冬季关中地区臭氧浓度主要受西北气流影响, 偏东向气流也具有一定的贡献.
为进一步了解关中地区O3污染源区, 对2018~2021年关中地区臭氧污染进行潜在源区分析（图 5）. 图中颜色表示潜在源区的贡献水平, 网格颜色越深, 表示贡献越大. 通过对图中不同地区的污染对比可以发现, 关中地区西北部对应的颜色多为蓝色（WPSCF < 0.2）, 途经受工业污染排放影响较大的内蒙古自治区和宁夏回族自治区等地. 关中地区偏东方向即河南省和湖北省污染较严重, 河南省对应的颜色相较于其他地区多为蓝绿色（0.1 < WPSCF < 0.3）, 湖北省西北部多为黄绿色（0.2 < WPSCF < 0.4）, 这一结果与关中地区2018~2021年轨迹聚类分析后的结果相对应. 因此关中地区的空气输送路径主要来自偏东方向湖北和河南省的中距离输送, 其次是西北方向的长距离输送.
|
图 5 2018~2021年关中地区臭氧污染潜在源区分析 Fig. 5 Analysis of potential sources of ozone pollution in the Guanzhong Region from 2018 to 2021 |
根据相关研究可知, 挥发性有机物（VOCs）和氮氧化物（NOx）是臭氧的主要前体物[32, 33], 因此参考《城市大气污染源排放清单编制技术手册》[34]及相关学者研究[35, 36], 以2021年为基准年, 采用排放因子法对VOCs和NOx分地区、排放源和行业等建立详细、系统且全面的大气污染源排放清单（表 4）. 为使排放清单编制更加精准, 将污染源分为工业生产燃烧源、民用生活燃烧源、秸秆燃烧源、移动源、工艺过程源和溶剂使用源等6类.
|
|
表 4 关中地区人为源大气污染物排放清单×103/ t1） Table 4 Anthropogenic air pollutant emission inventory in the Guanzhong Region×103/t |
关中地区2021年人为源NOx和VOCs的排放总量分别为163.752×103 t和228.644×103 t. 其中, 西安对VOCs排放的贡献值明显高于其他城市, 占关中地区排放总量的41.70%, 主要是由于西安人口密集, 交通发达, 城市化进程快, 汽车、涂料和油墨生产等制造业较发达. 西安对NOx的贡献值最大, 占比33.17%, 原因是西安机动车保有量多, 道路交通发达；其次是渭南（28.53%）, 这与渭南重工业集中和煤炭用量多有关. 关中地区NOx的主要排放源为移动源, 占排放总量的48.90%, 其次是煤炭为代表的工业生产燃烧源（33.33%）. VOCs的主要排放源为溶剂使用源, 贡献率为41.42%, 其次为工艺过程源（27.48%）和移动源（17.94%）. 其中, NOx主要排放车型为重型货车, VOCs主要排放车型为轻型客车.
为比较该排放清单结果与其他研究的差异, 选取了国内主要地区排放清单结果, 如表 5所示. 各地区VOCs的主要排放源大体相同, 溶剂使用源、工艺过程源和移动源作为主要排放源占比通常超过70%, 占比次序因地区而异. NOx的主要排放源始终是移动源和工业生产燃烧源. 相较于2011年, 2021年关中地区的NOx和VOCs的排放总量显著减少, 主要原因是工业污染控制技术的逐年提升, 特别是对NOx和VOCs的控制, 再加上使用清洁能源替代煤炭等燃料, 推动车辆全面达标排放, 持续淘汰高排放老旧柴油车, 运输结构清洁低碳程度明显提高, 燃油质量持续改善, 使得近年来NOx和VOCs的排放量大幅下降.
|
|
表 5 不同区域污染物人为排放源清单比较 Table 5 Comparison of anthropogenic emission sources of pollutants in different regions |
3 讨论
各种因素影响和控制着一个地区的大气污染物浓度, 但鉴于短期内城市下垫面环境空气质量总体变化较小, 因此其污染物浓度主要受污染物排放和气象要素的影响. 在污染物来源相对稳定时, 环境中污染物的稀释、扩散、迁移和转化等过程主要取决于气象要素. 有研究指出, 晴天少雨、较强的太阳辐射和高温低湿等气象特征有利于臭氧污染形成. 根据以往研究可知[41, 42], 关中地区臭氧浓度与气温和日照呈显著正相关, 与相对湿度显著负相关, 湿度和温度是引起臭氧超标的关键气象因子, 当日平均温度高于30℃且相对湿度低于60%时, 容易出现高浓度O3现象. 现阶段高温、低湿、小风和特定风向有利于O3污染的形成, 环境监测部门可以根据气象预报对O3进行级别趋势预测, 环境管理部门及时采取措施, 能够对臭氧污染进行“缩时削峰”.
监测环境污染源是一个持续存在的问题, 必须加以解决, 以减少对公共卫生、食品安全和环境的风险[43]. 关中地区臭氧浓度主要受本地排放和关中城市群周边省份气流输送的影响. 关中地区自西向东敞开呈喇叭口形状, 其特殊的地形使得大气污染物极易在关中集聚. 且关中地区臭氧潜在源区主要集中在偏东方向, 即工业污染较严重的河南省和湖北省. 受地形和风向的综合影响, 关中地区的臭氧无法有效向四周扩散, 这与刘松等[42]关于西安高浓度臭氧来源的研究结果一致. 关中地区NOx的主要人为排放源为移动源（48.91%）和工业生产燃烧源（33.33%）, VOCs的主要排放源为溶剂使用源（41.42%）、工艺过程源（27.48%）和移动源（17.94%）, 这与苏航等[35, 44]对关中地区臭氧前体物排放清单研究结果一致. 工业排放和机动车排放是造成关中地区O3浓度升高的主要本地排放源之一, 可以通过科学节能减排, 抑制臭氧浓度的增加. VOCs和NOx是臭氧生成的主要前体物, 两者的排放量和排放结构变化均会影响臭氧生成及其浓度[41]. 相关研究表明[45], 关中地区属于VOCs控制区, 即臭氧生成受VOCs浓度影响更大, 此时减少VOCs浓度能有效降低臭氧浓度. 因此, 关中地区臭氧污染防治需要加强区域联防联控, 在重点管控本地主要排放源的同时加强对周边地区重点排放源的有效管理, 做好VOCs和NOx的协同减排, 特别是VOCs减排力度, 提升臭氧污染防治的科学性、精准性和有效性. 近年来随着污染治理的不断推进, PM2.5浓度显著降低, 削弱了对O3前体物的非均相吸收, 导致O3浓度呈上升趋势[46 ~ 48]. PM2.5和O3在大气中的相互作用成为我国下一阶段空气质量改善面临的严峻挑战, 因此进一步研究PM2.5和O3的相互作用机制是未来研究的重点方向.
4 结论（1）关中地区2018~2021年O3浓度日变化呈单峰型特征, 最大值出现在15：00左右, 从夜间24：00到第二天早晨07：00左右O3浓度始终保持在较低水平. 关中地区月均O3浓度变化曲线多呈单峰型, 在6月达到最大值, 12月达到最小值. 从季节变化来看, 关中地区各城市O3浓度由高到低依次是夏季、春季、秋季和冬季.
（2）关中地区O3污染主要受本地排放和外来输送的影响. 本地移动源和工业生产燃烧源对NOx的贡献最大, 溶剂使用源、工艺过程源和移动源是VOCs的主要排放源. 途经污染较严重的河南省和湖北省的偏东气流是影响关中地区O3的最主要输送途经, 其次是途经内蒙古自治区和宁夏回族自治区等地的西北气流.
（3）地理探测器因子探测显示, 相较于社会经济因子和地理因子, 气象因子和前体物因子对O3浓度空间变化影响程度更高, CO解释力最大, 其次是相对湿度和气温. 交互探测分析表明, 任意两个因子交互作用对O3空间变化的影响程度均大于单一因子作用, 其中气温和SO2交互作用对臭氧影响最大.
| [1] |
阮芳芳, 刘纪新, 陈芷薇, 等. 不同臭氧度量指标对我国人群总死亡影响的Meta分析[J]. 环境科学, 2022, 43(1): 37-45. Ruan F F, Liu J X, Chen Z W, et al. Meta-analysis of the impact of different ozone metrics on total mortality in China[J]. Environmental Science, 2022, 43(1): 37-45. |
| [2] |
郑镇森, 窦建平, 张国涛, 等. 华北工业城市夏季大气臭氧生成机制及减排策略[J]. 环境科学, 2023, 44(4): 1821-1829. Zheng Z S, Dou J P, Zhang G T, et al. Photochemical mechanism and control strategy optimization for summertime ozone pollution in an industrial city in the North China Plain[J]. Environmental Science, 2023, 44(4): 1821-1829. |
| [3] |
赵伟, 王硕, 庞晓蝶, 等. 2015~2021年陕西关中城市群臭氧污染变化趋势[J]. 环境科学, 2022, 43(12): 5399-5406. Zhao W, Wang S, Pang X D, et al. Trends of ozone pollution in Guanzhong urban agglomeration from 2015 to 2021[J]. Environmental Science, 2022, 43(12): 5399-5406. |
| [4] |
何超, 慕航, 杨璐, 等. 中国暖季近地面臭氧浓度空间格局演变及主要气象驱动因素[J]. 环境科学, 2021, 42(9): 4168-4179. He C, Mu H, Yang L, et al. Spatial variation of surface ozone concentration during the warm season and its meteorological driving factors in China[J]. Environmental Science, 2021, 42(9): 4168-4179. |
| [5] |
程育恺, 戴海夏, 张蕴晖, 等. 长三角地区2017~2020年臭氧浓度时空分布与人群健康效益评估[J]. 环境科学, 2023, 44(2): 719-729. Cheng Y K, Dai H X, Zhang Y H, et al. Spatial and temporal distribution characteristics of ozone concentration and population health benefit assessment in the Yangtze River Delta Region from 2017 to 2020[J]. Environmental Science, 2023, 44(2): 719-729. |
| [6] | Wang Z S, Lv J G, Tan Y F, et al. Temporospatial variations and spearman correlation analysis of ozone concentrations to nitrogen dioxide, sulfur dioxide, particulate matters and carbon monoxide in ambient air, China[J]. Atmospheric Pollution Research, 2019, 10(4): 1203-1210. DOI:10.1016/j.apr.2019.02.003 |
| [7] | Plocoste T, Calif R, Jacoby-Koaly S. Multi-scale time dependent correlation between synchronous measurements of ground-level ozone and meteorological parameters in the Caribbean Basin[J]. Atmospheric Environment, 2019, 211: 234-246. DOI:10.1016/j.atmosenv.2019.05.001 |
| [8] | Liang Z H, Ju T Z, Dong H P, et al. Study on the variation characteristics of tropospheric ozone in Northeast China[J]. Environmental Monitoring and Assessment, 2021, 193(5). DOI:10.1007/s10661-021-09030-0 |
| [9] |
汪可可, 康平, 周明卫, 等. 四川盆地臭氧浓度空间分异及驱动因子研究[J]. 中国环境科学, 2020, 40(6): 2361-2370. Wang K K, Kang P, Zhou M W, et al. Spatial differentiation and driving factors of ozone concentration in Sichuan Basin[J]. China Environmental Science, 2020, 40(6): 2361-2370. DOI:10.3969/j.issn.1000-6923.2020.06.005 |
| [10] |
白杨, 王盼, 赵鹏飞, 等. 河南省夏季臭氧生成敏感性及其驱动因素分析[J]. 遥感学报, 2022, 26(5): 988-1001. Bai Y, Wang P, Zhao P F, et al. Summertime ozone formation sensitivity and driving factors in Henan Province[J]. National Remote Sensing Bulletin, 2022, 26(5): 988-1001. |
| [11] |
李乐, 刘旻霞, 肖仕锐, 等. 山东半岛近地面O3浓度时空变化及潜在源区解析[J]. 环境科学, 2022, 43(3): 1256-1267. Li L, Liu M X, Xiao S R, et al. Temporal and spatial variation in O3 concentration near the surface of Shandong Peninsula and analysis of potential source areas[J]. Environmental Science, 2022, 43(3): 1256-1267. |
| [12] |
钱悦, 许彬, 夏玲君, 等. 2016~2019年江西省臭氧污染特征与气象因子影响分析[J]. 环境科学, 2021, 42(5): 2190-2201. Qian Y, Xu B, Xia L J, et al. Characteristics of ozone pollution and relationships with meteorological factors in Jiangxi Province[J]. Environmental Science, 2021, 42(5): 2190-2201. |
| [13] |
严茹莎. 德州市夏季臭氧敏感性特征及减排方案[J]. 环境科学, 2020, 41(9): 3961-3968. Yan R S. Ozone sensitivity analysis and emission controls in Dezhou in summer[J]. Environmental Science, 2020, 41(9): 3961-3968. |
| [14] |
陈天雷, 吴敏, 潘成珂, 等. 基于前体物多情景排放的兰州市2030年夏季臭氧预测[J]. 环境科学, 2020, 41(5): 2403-2414. Chen T L, Wu M, Pan C K, et al. Ozone simulation of Lanzhou City based on multi-scenario emission forecast of ozone precursors in the summer of 2030[J]. Environmental Science, 2020, 41(9): 2403-2414. |
| [15] |
庞晓蝶, 高博, 陈来国, 等. 湛江市夏季大气挥发性有机物污染特征及来源解析[J]. 环境科学, 2023, 44(5): 2461-2471. Pang X D, Gao B, Chen L G, et al. Characteristics and source apportionment of volatile organic compounds in Zhanjiang in summer[J]. Environmental Science, 2023, 44(5): 2461-2471. |
| [16] |
陆晓波, 王鸣, 丁峰, 等. 2020年和2021年南京城区臭氧生成敏感性和VOCs来源变化分析[J]. 环境科学, 2023, 44(4): 1943-1953. Lu X B, Wang M, Ding F, et al. Changes in O3-VOCs-NOx sensitivity and VOCs sources at an urban site of Nanjing between 2020 and 2021[J]. Environmental Science, 2023, 44(4): 1943-1953. |
| [17] |
郭文凯, 李光耀, 陈冰, 等. 兰州市高分辨率人为源排放清单建立及在WRF-Chem中应用评估[J]. 环境科学, 2021, 42(2): 634-642. Guo W K, Li G Y, Chen B, et al. Establishment of a high-resolution anthropogenic emission inventory and its evaluation using the WRF-Chem model for Lanzhou[J]. Environmental Science, 2021, 42(2): 634-642. |
| [18] |
张军, 金梓函, 王玥, 等. 关中平原城市群PM2.5时空演变格局及其影响因素[J]. 环境科学, 2022, 43(12): 5333-5343. Zhang J, Jin Z H, Wang Y, et al. Temporal and spatial evolution pattern of PM2.5 and its influencing factors in Guanzhong Plain urban agglomeration[J]. Environmental Science, 2022, 43(12): 5333-5343. |
| [19] |
黄晓军, 祁明月, 李艳雨, 等. 关中地区PM2.5时空演化及人口暴露风险[J]. 环境科学, 2020, 41(12): 5245-5255. Huang X J, Qi M Y, Li Y Y, et al. Spatio-temporal evolution and population exposure risk to PM2.5 in the Guanzhong area[J]. Environmental Science, 2020, 41(12): 5245-5255. |
| [20] |
苏英, 郭玲霞, 刘宇峰. 关中5市环境空气质量特征与成因分析[J]. 南京信息工程大学学报(自然科学版), 2018, 10(5): 616-622. Su Y, Guo L X, Liu Y F. Analysis of characteristics and causes of air quality in the five cities of the Guanzhong area[J]. Journal of Nanjing University of Information Science & Technology (Natural Science Edition), 2018, 10(5): 616-622. |
| [21] |
张佳音, 郭云飞, 肖舜, 等. 陕西区域环境空气质量时空特征[J]. 中国沙漠, 2023, 43(3): 36-46. Zhang J Y, Guo Y F, Xiao S, et al. The temporal and spatial characteristics of ambient air quality in Shaanxi[J]. Journal of Desert Research, 2023, 43(3): 36-46. |
| [22] | Bei N F, Liang J Y, Li X, et al. Worsening summertime ozone pollution in the Guanzhong Basin, China from 2014 to 2018: impacts of synoptic conditions and anthropogenic emissions[J]. Atmospheric Environment, 2022, 274. DOI:10.1016/j.atmosenv.2022.118974 |
| [23] | Xue Y G, Wang L Q, Liu S X, et al. Upward trend and formation of surface ozone in the Guanzhong Basin, Northwest China[J]. Journal of Hazardous Materials, 2022, 427. DOI:10.1016/j.jhazmat.2021.128175 |
| [24] |
韦红, 霍艾迪, 管文轲, 等. 运用中分辨率成像光谱数据对塔里木河流域植被覆盖度动态变化分析[J]. 东北林业大学学报, 2019, 47(7): 62-67. Wei H, Huo A D, Guan W K, et al. Dynamic changes of vegetation coverage in Tarim River Basin with MODIS data[J]. Journal of Northeast Forestry University, 2019, 47(7): 62-67. DOI:10.3969/j.issn.1000-5382.2019.07.011 |
| [25] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [26] |
郭健斌, 张英, 张志伟, 等. 基于地理探测器的藏东南高山峡谷区土地利用变化及其驱动机制——以西藏林芝市为例[J]. 中国农业大学学报, 2023, 28(4): 210-226. Guo J B, Zhang Y, Zhang Z W, et al. Land use change and its driving mechanism in the alpine gorge of southeast Tibet based on geodetector: a case study of Nyingchi City[J]. Journal of China Agricultural University, 2023, 28(4): 210-226. |
| [27] |
王星, 霍艾迪, 吕继强, 等. 塔里木河干流植被覆盖度动态变化及驱动因素分析[J]. 农业工程学报, 2023, 39(8): 284-292. Wang X, Huo A D, Lyu J Q, et al. Dynamic changes and driving factors of vegetation coverage in the mainstream of Tarim River, China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(8): 284-292. |
| [28] |
王研, 马瑞瑞, 李娟, 等. 基于地理探测器的地表水质影响因素研究——以山西省吕梁市为例[J]. 环境科学学报, 2023, 43(2): 212-222. Wang Y, Ma R R, Li J, et al. Study on influential factors of surface water quality using geographic detector——A case of Lvliang City, Shanxi Province[J]. Acta Scientiae Circumstantiae, 2023, 43(2): 212-222. |
| [29] |
季建万, 姜琳琳, 刘文亮, 等. 基于多参数优选地理探测器的京津冀城市群地质灾害影响因子分析[J]. 地理与地理信息科学, 2023, 39(2): 39-45. Ji J W, Jiang L L, Liu W L, et al. Analysis on influence factors of geological hazards in Beijing-Tianjin-Hebei urban agglomeration based on multi-parameters optimized by geodetector[J]. Geography and Geo-Information Science, 2023, 39(2): 39-45. |
| [30] |
杨寅群, 李子琪, 康瑾, 等. 基于地理探测器的流域水污染影响因子分析[J]. 环境科学与技术, 2023, 46(S1): 176-183. Yang Y Q, Li Z Q, Kang J, et al. Influence factors analysis of water pollution in Fuyang River Basin based on the geographical detector[J]. Environmental Science & Technology, 2023, 46(S1): 176-183. |
| [31] |
龚仓, 王顺祥, 陆海川, 等. 基于地理探测器的土壤重金属空间分异及其影响因素分析研究进展[J]. 环境科学, 2023, 44(5): 2799-2816. Gong C, Wang S X, Lu H C, et al. Research progress on spatial differentiation and influencing factors of soil heavy metals based on geographical detector[J]. Environmental Science, 2023, 44(5): 2799-2816. |
| [32] |
黄志炯, 沙青娥, 朱曼妮, 等. 我国PM2.5和臭氧污染前体物排放源清单的现状与质量评估[J]. 科学通报, 2022, 67(18): 1978-1994. Huang Z J, Sha Q E, Zhu M N, et al. Status and quality evaluation of precursor emission inventories for PM2.5 and ozone in China[J]. Chinese Science Bulletin, 2022, 67(18): 1978-1994. |
| [33] |
蒋美青, 陆克定, 苏榕, 等. 我国典型城市群O3污染成因和关键VOCs活性解析[J]. 科学通报, 2018, 63(12): 1130-1141. Jiang M Q, Lu K D, Su R, et al. Ozone formation and key VOCs in typical Chinese city clusters[J]. Chinese Science Bulletin, 2018, 63(12): 1130-1141. |
| [34] | 贺克斌. 城市大气污染物排放清单编制技术手册[M]. 北京: 科学出版社, 2017. |
| [35] |
苏航. 西安市大气污染源排放清单的建立及研究[D]. 西安: 西安建筑科技大学, 2016. Su H. The study of air pollution emission inventory in Xi'an[D]. Xi'an: Xi'an University of Architecture and Technology, 2016. |
| [36] |
王静晞, 曹国良, 韩蕾, 等. 关中地区人为源大气污染物排放清单研究[J]. 安全与环境学报, 2015, 15(5): 282-287. Wang J X, Cao G L, Han L, et al. Probe to the anthropogenic air pollutant emission inventory in Guanzhong Region, Shaanxi[J]. Journal of Safety and Environment, 2015, 15(5): 282-287. |
| [37] |
陆秋琴, 李玮, 黄光球. 陕西省VOCs人为源高分辨率排放清单及时空分布[J]. 福建师范大学学报(自然科学版), 2018, 34(4): 32-43. Lu Q Q, Li W, Huang G Q. High resolution emission inventory and temporal spatial distribution of VOCs anthropogenic sources in Shaanxi Province[J]. Journal of Fujian Normal University (Natural Science Edition), 2018, 34(4): 32-43. |
| [38] |
王田. 陕西省大气污染物排放现状及减排潜力研究[D]. 西安: 西安建筑科技大学, 2020. Wang T. Study on the present situation of air pollutants emission and reduction potential in Shaanxi[D]. Xi'an: Xi'an University of Architecture and Technology, 2020. |
| [39] |
黄浩瑜, 高艳珊, 伦小秀, 等. 聊城市2020年大气污染物排放清单与空间分布特征研究[J]. 环境科学学报, 2023, 43(6): 164-175. Huang H Y, Gao Y S, Lun X X, et al. Anthropogenic emission inventory of multiple air pollutants and their spatial variations in 2020 for Liaocheng City[J]. Acta Scientiae Circumstantiae, 2023, 43(6): 164-175. |
| [40] |
周咪咪. 山东省人为源大气污染物排放清单的建立及污染特征研究[D]. 济南: 济南大学, 2021. Zhou M M. Emission inventories and pollution characteristics of anthropogenic air pollutants in Shandong Province[D]. Jinan: University of Jinan, 2021. |
| [41] |
胡琳, 程路, 王琦, 等. 西安近地面臭氧浓度特征及关键气象因子分析[J]. 干旱区资源与环境, 2021, 35(6): 102-109. Hu L, Cheng L, Wang Q, et al. Analysis of ozone concentration characteristics and key meteorological factors in Xi'an[J]. Journal of Arid Land Resources and Environment, 2021, 35(6): 102-109. |
| [42] |
刘松, 程燕, 李博伟, 等. 2013—2016年西安市臭氧时空变化特性与影响因素[J]. 地球环境学报, 2017, 8(6): 541-551. Liu S, Cheng Y, Li B W, et al. Characteristics of temporal and spatial variations of ozone and it's influencing factor over Xi'an during 2013 — 2016[J]. Journal of Earth Environment, 2017, 8(6): 541-551. |
| [43] | Yang Y, Cui Q F, Cheng R J, et al. Retrieval of soil heavy metal content for environment monitoring in mining area via transfer learning[J]. Sustainability, 2023, 15(15). DOI:10.3390/su151511765 |
| [44] |
桂丽. 西安市挥发性有机物排放量估算及其臭氧生成潜势研究[D]. 西安: 西北大学, 2019. Gui L. Estimation of volatile organic compounds emissions and ozone formation potential in Xi'an City[D]. Xi'an: Northwest University, 2019. |
| [45] |
张鸿宇, 王媛, 卢亚灵, 等. 我国臭氧污染控制分区及其控制类型识别[J]. 中国环境科学, 2021, 41(9): 4051-4059. Zhang H Y, Wang Y, Lu Y L, et al. Identification of ozone pollution control zones and types in China[J]. China Environmental Science, 2021, 41(9): 4051-4059. DOI:10.3969/j.issn.1000-6923.2021.09.010 |
| [46] | Li K, Jacob D J, Liao H, et al. A two-pollutant strategy for improving ozone and particulate air quality in China[J]. Nature Geoscience, 2019, 12(11): 906-910. DOI:10.1038/s41561-019-0464-x |
| [47] | Mo Y Q, Li Q, Karimian H, et al. A novel framework for daily forecasting of ozone mass concentrations based on cycle reservoir with regular jumps neural networks[J]. Atmospheric Environment, 2020, 220. DOI:10.1016/j.atmosenv.2019.117072 |
| [48] |
陈优良, 李亚倩. 长三角PM2.5和O3变化特征及与气象要素的关系[J]. 长江流域资源与环境, 2021, 30(2): 382-396. Chen Y L, Li Y Q. Characteristics of O3 and PM2.5 and its relationship with meteorological factors in Yangtze River delta[J]. Resources and Environment in the Yangtze Basin, 2021, 30(2): 382-396. |