2025, Vol. 46
2. 河南省气象台, 郑州 450003;
3. 鹤壁市气象局, 鹤壁 458000;
4. 河北省气象科学研究所, 石家庄 050021;
5. 河北省气象与生态环境重点实验室, 石家庄 050021
, CAO Le1
, XU Li-qiang1 , WANG Yu-xi1 , KONG Hai-jiang2 , GAO Meng-meng3 , QIN Yang2 , MENG Kai4,5 , ZHAO Tian-liang1
2. Henan Meteorological Observatory, Zhengzhou 450003, China;
3. Hebi Meteorological Bureau, Hebi 458000, China;
4. Hebei Meteorological Science Research Institute, Shijiazhuang 050021, China;
5. Key Laboratory of Meteorology and Ecological Environment in Hebei Province, Shijiazhuang 050021, China
根据国际标准化组织(ISO)定义, 由于人类活动或自然变化, 导致某些物质进入大气, 达到足够的浓度及时间, 并危害人类舒适、健康和福利或环境的现象, 称为大气污染[1]. 目前, 我国参与污染评价的大气污染物主要有6种: PM2.5、PM10、O3、SO2、NO2和CO. 其中PM2.5是空气动力学直径小于2.5 μm的可吸入颗粒物, 当PM2.5污染发生时, 大气中大量的细颗粒物不仅会影响能见度, 还可以直接进入肺部, 穿透血管进入血液, 导致人体出现肺炎等疾病, 甚至引发肺癌[2]. 据报道, 2016年, 全球范围内因PM2.5污染而死亡的人数高达842万人[3]. 除PM2.5以外, 对流层臭氧(O3)也是一种主要大气污染物. 对流层高浓度的O3会损害人体中枢神经系统, 阻碍血液输氧功能, 降低视力等. 对流层O3与心血管疾病、呼吸系统等疾病也有一定的关联性[4 ~ 7]. 据统计, 2012~2017年, 我国东部地区因O3污染而造成的呼吸系统疾病死亡人数增加约1.5万人[8]. 除此之外, 由于O3的氧化性, O3污染还会使植物的细胞遭到破坏, 导致植物叶片坏死, 影响植物生长[9, 10], 从而降低作物产量. 2014年我国因O3污染造成农作物损失约7 840万t[11 ~ 14].
在过去的10a, 为降低人们受空气污染影响而造成的健康风险, 我国在治理大气污染方面做出了巨大努力. 自《大气污染防治行动计划》(“大气十条”)[15]和《打赢蓝天保卫战三年行动计划》(“蓝天战役”)[16]实施以来, 我国环境空气质量有了明显的改善, 特别是PM2.5污染的情况有所好转. 然而PM2.5污染问题仍然存在, PM2.5年均浓度和24 h浓度与世界卫生组织(World Health Organization, WHO)第二阶段目标仍有较大差距[17], 因此对于PM2.5污染的治理仍需继续. 另外, 自2013年我国将O3纳入常态化监测后, 全国整体O3年评价浓度连续多年呈现升高趋势, 尤其是重点区域O3污染更为严重. 重点区域中京津冀及周边地区整体O3浓度处于高位, 连续七年超过二级标准限值[18]. 因此, O3污染已经成为我国的又一个重要环境问题[19, 20]. 由于PM2.5污染并未完全得到控制, 而O3污染愈发严重, 我国部分地区的空气污染从单一污染类型向PM2.5-O3双高复合污染发生转变[21, 22].
双高复合污染比单一类型污染具有更加复杂的特性, 例如, 复合污染期间, 大气中的前体物NOx和VOCs在光照条件下会引发OH自由基化学反应并生成O3, 而在此过程中, 大气中的NOx、SO2和VOCs也会被氧化, 从而形成二次颗粒物, 加重颗粒物的污染. Li等[23]发现, 华北平原夏季有机气溶胶的氧化程度较高, 这可能是由于参与了强烈的光化学过程的O3对其进行了氧化. 因此, 高浓度O3和PM2.5污染相互耦合并存, 形成了该地区的大气复合污染[20, 24]. 有研究发现, 京津冀、长三角和珠三角地区近年来都时常出现PM2.5和O3污染的协同叠加现象, 但这种叠加污染现象出现的月份和污染天数有所不同[25 ~ 27].
河南省位于我国中东部, 与安徽、山东、河北、山西、陕西和湖北等省份接壤, 是全国农产品主产区和重要的矿产资源大省, 也是我国的重要交通枢纽. 过境车辆尤其是大型柴油货车数目多, 汽车尾气污染问题突出. 此外, 河南省工业集中, 北部煤炭资源丰富, 容易造成河南尤其是河南北部污染物本地排放的增加, 且河南北部的安阳又以钢铁产业为主, 加剧了该地区的污染[28]. 另外河南整体地形呈“簸箕”状, 西部的太行山和伏牛山, 南部的大别山在污染过程发生时容易导致污染物在山前累积难以扩散, 加重了河南地区的污染. 2022年1~12月, 全国168个重点城市的空气质量中, 鹤壁、安阳、驻马店和新乡分别位于倒数第5~8, 焦作位于倒数第13, 开封位于倒数第20位. 2023年1~12月, 安阳、鹤壁、新乡和焦作也排名后20位. 污染物的输送、本地污染物的大量排放以及不利于扩散的气象条件, 严重影响了以上城市空气质量的提升. 2023年《空气质量持续改善行动计划》将“2+26”城市调整为“2+36”城市[29], 河南省中南部的洛阳、平顶山、许昌、漯河、三门峡、商丘和周口也被纳入京津冀及周边地区, 现河南省除信阳、南阳及驻马店外, 其余城市均在大气污染防治的重点区域范围内. 因此, 对于河南地区的大气污染研究十分必要.
目前我国已有许多关于PM2.5和O3污染特征及成因的研究, 花丛等[30]研究了我国中东部地区2015~2020年下半年的双高污染, 发现我国中东部地区O3和PM2.5超标日期间的“跷跷板”效应明显. 宋小涵等[31]对2015~2021年的“2+26”城市进行研究, 发现京津冀及其周边地区PM2.5污染天数逐年降低, O3污染天数波动上升, 双高污染天数逐年降低. 张淼等[32]研究发现2016~2020年山东省的PM2.5浓度波动下降, O3浓度波动上升. 然而目前针对河南地区大气污染的研究大多关注于单一污染的特征及其对排放前体物的依赖性, 关于河南地区PM2.5和O3复合污染的特征研究仍较为有限. 刘淼晗等[33]分析了2014~2020年河南省复合污染特征及气象成因, 但近年来河南地区的双高复合污染又呈现出了一些新的特征, 因此本文研究了2014~2023年河南17个地级市PM2.5和O3复合污染的特征, 并结合气象要素、边界层高度、排放源清单及污染后向轨迹等因素综合分析了该地区双高复合污染的成因及影响因素, 以期为河南省的大气复合污染协同防控提供依据, 并为相关部门提供参考信息和理论指导.
1 材料与方法 1.1 观测数据和再分析资料本研究基于河南省内17个地级市(郑州、洛阳、安阳、开封、焦作、平顶山、三门峡、信阳、周口、鹤壁、新乡、濮阳、许昌、漯河、南阳、商丘和驻马店)2014年5月至2023年12月的地面O3和PM2.5的逐小时浓度数据, 气象数据(温度、比湿和风向风速)、其他污染物(CO)浓度数据以及边界层高度等数据, 分析了2014年5月至2023年12月期间河南省内发生PM2.5单污染、O3单污染及两种污染物双高复合污染的年际变化、月际变化及空间分布特征.
本研究所使用的污染物数据来源于中国环境监测总站的全国城市空气质量实时发布平台(https://air.cnemc.cn:18007/), 该网站提供了2014年5月13日至今中国境内逐小时的空气质量历史数据, 数据类型包括AQI及6项污染物浓度(PM2.5、PM10、O3、SO2、NO2和CO), 共有367个城市污染数据, 本研究针对其中17个河南城市进行相应研究.
本研究使用的气象数据来自于ERA5再分析资料(cds.climate.copernicus.eu). ERA5是欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)发布的针对全球气候的第五代大气再分析数据集, 该数据提供了1979年至今逐小时、逐天及逐月的全球范围格点气象数据, 包括了大气、陆地和海洋气候的2m气温、气压、风速和相对湿度等多种变量. ERA5水平覆盖范围为90°N~ 90°S, 分辨率为0.25°×0.25°. 垂直方向上则包含从地表到80km高度处的37层气压高度层. 本文使用地面气温、比湿、水平风速风向及边界层高度等数据进行河南地区双高复合污染的成因分析.
1.2 排放源清单本文采用的人为源排放清单是由清华大学自2010年起开发并维护的中国多尺度排放清单模型MEIC(multi-resolution emission inventory for China, http://meicmodel.org.cn)[34, 35]. MEIC排放源清单整合了云计算和大数据技术, 构建了统一的源分类分级体系和排放因子数据库, 并可与主流大气化学模型无缝衔接. MEIC提供了1990~2020年长时间序列中国人为源大气污染物和CO2排放清单, 包括5大类部门(电力、工业、民用、交通和农业)和22个子部门的10种大气污染物(SO2、NOx、CO、NMVOC、NH3、PM2.5、PM10、BC、OC和CO2)的0.25°分辨率网格排放数据. 本文使用MEIC提供的2020年中国分部门大气污染物(NOx、NMVOC和PM2.5)的逐月排放数据, 空间分辨率为0.25°×0.25°.
1.3 PSCF及CWT本文使用HYSPLIT(hybrid single-particle Lagrangian integrated trajectory model)模型进行气团后向轨迹模拟, 以追踪污染物来源. HYSPLIT模型是美国国家环境预报中心(NCEP)开发的拉格朗日和欧拉混合型扩散模型, 多用于污染物的输送、扩散的计算和分析, 此前的众多研究都将其应用于大气污染物的传输路径和来源分析[36 ~ 39].
本文还基于HYSPLIT的后向轨迹模拟, 利用MeteoInfo模型对结果进行轨迹聚类及计算潜在源贡献分析(potential source contribution function, PSCF):
|
(1) |
由于PSCF仅能反映污染轨迹经过网格的概率, 因此本研究进一步使用浓度权重轨迹分析法(concentration weighted trajectory, CWT), 首先估算每个网格的污染物的加权浓度cij [36, 37] :
|
(2) |
并引入权重因子Wij :
|
(3) |
以降低计算的不确定性[40, 41], 进而计算得出每个网格的加权潜在源贡献因子WPSCFij和加权平均浓度值WCWTij, 以辨别污染物的潜在源区.
|
(4) |
|
(5) |
式中, mij为经过某网格ij的污染轨迹个数；；nij为总轨迹个数；；WPSCFij为权重潜在源贡献因子；Wij为权重因子. cij为某网格ij的平均权重浓度, ，τijl为轨迹l在某网格停留的时间；M为轨迹个数；cl为轨迹l经过某网格ij时对应的污染物质量浓度；WCWTij为加权后平均浓度值.
在HYSPLIT轨迹模拟中使用的气象数据为美国国家环境预报中心(NCEP)提供的同期全球资料同化系统(GDAS)气象数据(ftp://arlftp.arlhq.noaa.gov/pub/archives/gdas1/). 该数据包括气压、温度、相对湿度和风速等气象要素, 空间分辨率为0.5°×0.5°, 每日于00:00、06:00、12:00和18:00记录数据.
在后文研究中发现, 河南省2022年3~4月发生双高污染时, 郑州是双高污染的典型代表性城市之一, 且前体物本地排放量较大. 而2022年秋季(主要为10月)河南省发生双高污染时, 开封双高污染发生天数则最多. 因此, 本文分别将郑州(34.77°N, 113.70°E)及开封(34.81°N, 114.32°E)设为污染轨迹的起始点. 并参照现有研究[36 ~ 38], 设置轨迹起始高度为10、100和500 m, 以每天的00:00、06:00、12:00和18:00为后向轨迹模拟起始时间, 聚类类型选择为Angle算法. 由于O3多为短距离传输, 因此O3选取36 h后向轨迹模拟[42], PSCF和CWT网格设置为105~120°E, 28~40°N, 网格大小为0.5°×0.5°. PM2.5选取48 h后向轨迹模拟[37], PSCF和CWT网格设置为95~125°E, 28~48°N, 网格大小为0.5°×0.5°. 并根据《中国国家环境空气质量标准》(GB 3095-2012)[43]二级标准限值设置PM2.5及O3的PSCF限值[ρ(PM2.5) > 75 μg·m-3, ρ(O3) > 160 μg·m-3].
1.4 污染标准本研究依据《中国国家环境空气质量标准》(GB 3095-2012), 将O3浓度8 h滑动平均最大值(MDA8)浓度大于二级标准限值(160 μg·m-3), 且污染城市不少于3个时定义为O3污染日；PM2.5浓度24 h均值大于二级标准限值(75 μg·m-3), 且污染城市不少于3个时定义为PM2.5污染日；当PM2.5和O3浓度均大于二级标准限值[O3浓度8 h滑动平均最大值(MDA8)浓度大于160 μg·m-3且PM2.5日均浓度大于75 μg·m-3], 且污染城市不少于3个时定义为双高复合污染日[44].
按照《环境空气质量评价技术规范(试行)》(HJ 663-2013), PM2.5年均浓度计算方法为: 全年各日PM2.5浓度平均值的算术平均值. O3的第90百分位数年均浓度值计算方法为: 将MDA8从小至大排序, 取第90%位置的值作为O3的第90百分位数浓度值[31].
2 结果与讨论 2.1 PM2.5和O3复合污染特征 2.1.1 PM2.5和O3复合污染年际变化2014年5月至2023年12月河南省内每月发生双高污染天数如图 1所示. 可见, 河南省双高污染天数以“M”型呈现波动变化, 在每年春、秋两季易出现峰值, 春季峰值多出现在4月和5月, 秋季峰值则多出现在9月和10月, 每年11月至次年1月河南省均未出现双高污染. 2015年5月河南省的双高污染最重, 出现天数约占该月天数的1/3. 除2016年, 2018年前河南省在夏季均存在双高污染, 甚至存在夏季双高污染天数大于秋季污染峰值的情况, 如2015年6月双高污染天数(9 d)大于该年秋季峰值天数(10月的5 d), 2017年污染峰值出现在6月(3 d), 这表明2018年以前河南省夏季双高污染情况较为严重. 而在2018年及之后年份, 夏季均未出现双高污染. 2019~2021年无秋季峰值, 2020年则全年都未出现双高污染.
|
图 1 河南省2014年5月至2023年12月每月发生双高污染天数 Fig. 1 Number of PM2.5-O3 composite pollution days per month in Henan Province from May 2014 to December 2023 |
整体而言, 河南省双高污染天数呈现减少趋势, 这可能是由于《大气污染防治行动计划》《河南省2016年度蓝天工程实施方案》的深入贯彻, 使河南省内污染得到有效治理, 大气污染发生频率降低. 而2020年新冠肺炎疫情期间河南响应管制措施, 使PM2.5和O3前体物污染排放显著减少, 未出现双高污染.
然而, 比较2020年及2021年, 2022年双高污染天数增加明显, 2023年污染天数也较2021年有所增长, 部分原因是疫情得到有效防治后, 各单位、工厂陆续复工复产, 居民逐渐恢复正常生活状态, 污染物排放量增加, 使河南省双高污染天数重新出现增长. 但我国持续的污染治理仍使2023年双高污染天数低于疫情前2019年的双高污染天数.
图 2展示了2014~2023年河南省不同污染(PM2.5污染、O3污染和双高复合污染)天数的年际变化. 从中可见, 研究范围内河南省PM2.5污染天数整体呈下降趋势, O3污染天数呈现波动变化, 这与其他研究中的变化趋势一致[30 ~ 33], 可能的原因是我国前期大气污染的治理重点以PM2.5污染为主, 实行了一系列城市PM2.5污染治理措施, 使我国PM2.5污染天数出现明显下降. 而近年来, 我国夏季地面O3浓度逐渐在影响空气质量中占重要位置, O3污染天数逐渐增加, 因此我国污染治理重点逐渐转向夏季O3污染. 2020~2021年, 受新冠肺炎疫情影响, 机动车行驶减少、O3前体物(VOCs和NOx)排放量减少, 使得O3污染天数出现降低. 但在近两年来O3污染又出现增长趋势(图 2), 这可能是由于随着居民生活的恢复, O3污染又开始加重. 而双高污染天数整体则呈现下降趋势, 但在2022年出现抬头趋势.
|
图 2 河南省2014年5月至2023年12月PM2.5污染、O3污染和双高污染天数年际变化 Fig. 2 Annual variations in PM2.5 pollution, O3 pollution, and PM2.5-O3 composite pollution days in Henan Province from May 2014 to December 2023 |
分别计算双高污染天数在PM2.5和O3污染天数中的占比, 以评估PM2.5污染和O3污染对双高污染的重要性(图 3). 从图 3中可见, 双高污染天数在PM2.5污染和O3污染天数中占比均先减少后增加, 2021年复合污染在O3污染日中占比(1.47%)仅为2015年占比(52.24%)的1/35. 复合污染在PM2.5污染日中占比也从2015年的15.22%降低到2021年的1.14%, 下降约92%. 表明2014~2021年河南省大气污染单类型污染过程增加、双高污染类型减少, 这与花丛等[30]对我国东部地区夏季双高污染研究结果一致. 而2021~2022年, 双高污染天数在PM2.5污染和O3污染天数中占比均有所升高, 分别从1.14%和1.47%上升到7.29%和7.37%, 分别增加约6.3倍和5.0倍. 表明此期间河南省双高复合污染又出现了新的增长趋势.
|
图 3 河南省2014年5月至2023年12月双高污染天数与PM2.5污染天数和O3污染天数之比 Fig. 3 Ratio of PM2.5-O3 composite pollution days to PM2.5 pollution days and the ratio of PM2.5-O3 composite pollution days to O3 pollution days in Henan Province during the period from May 2014 to December 2023 |
另外, 图 3还表示出2015~2017年双高污染天数在O3污染天数中占比是PM2.5污染天数占比的1.3~3倍, 表明在2015~2017年, O3污染更大程度上决定了河南省双高污染的发生. 这是由于2015~2017年中PM2.5污染较重, 此时一旦出现O3污染, 则极易发生双高污染. 而2017年后, 双高污染天数在PM2.5和O3中则占比相当, 即两种污染物(PM2.5和O3)在双高污染中具有同等重要性.
从河南省污染物的年均浓度变化趋势来看(图 4), 与图 2类似, 河南省O3第90百分位数浓度变化趋势先升后降, 2022年开始又出现新的增加趋势. 2017~2019年河南省ρ(O3)较其他几年高, 分别为183.7、184.2和182.5 μg·m-3. 2017~2019年, 在所研究的河南省17市中, 96%的城市O3第90百分位数浓度均超过空气质量二级标准, 其中2017年17个城市中有5个城市(洛阳、安阳、焦作、鹤壁和新乡)ρ(O3)超过200 μg·m-3, 分别为203.6、203.6、207.8、201.0和204.0 μg·m-3, 郑州ρ(O3)也高达195.2 μg·m-3. 2020~2021年O3浓度则较2017~2019年有所降低, 该结果与前文的结果一致, 可能的原因是近年来污染物的有效治理及疫情期间的管控. 但2022年和2023年O3浓度又有抬升趋势, 2023年各城市O3浓度与2022年总体相差较小, 其中部分北部城市(郑州、商丘、焦作、新乡、鹤壁和濮阳)2023年O3年均浓度高于2022年. 相比而言, 河南省PM2.5年均浓度与O3第90百分位数浓度的变化则有所差异, 整体呈现递减的趋势, 这表明河南省PM2.5的治理取得明显成效. 但与O3类似的是部分城市2022~2023年PM2.5浓度较2021年也有小幅上升.
|
(a) O3第90百分位数浓度, (b) PM2.5年均浓度；城市顺序从南至北 图 4 河南省各城市O3浓度和PM2.5浓度的年际变化 Fig. 4 Annual variations in concentrations of O3 and PM2.5 in each city of Henan Province |
从总体看, 河南省O3污染情况较PM2.5污染情况更为严重. 河南O3污染中焦作、安阳、新乡、鹤壁、郑州和洛阳较为严重, 2014~2023年总平均ρ(O3)分别为183.59、180.44、179.6、178.23、175.12和171.51 μg·m-3, 均高于二级限制标准160 μg·m-3, 这几个城市地理位置均在河南省北部. 而PM2.5污染中, 河南北部的安阳、焦作、郑州和濮阳2014~2023年平均ρ(PM2.5)分别为69.96、64.92、64.00和62.63 μg·m-3, 明显高于河南省平均PM2.5浓度. 而分布在河南省南部的信阳、驻马店和南阳等城市10 a来PM2.5浓度均较低, 2014~2023年平均ρ(PM2.5)分别为49.49、53.95和55.95 μg·m-3. 另外, 虽然河南省PM2.5污染情况有所好转, 但2023年河南省所有城市的浓度年均值均大于国家标准的35 μg·m-3, 因此河南省关于PM2.5的治理仍需继续.
2.1.2 PM2.5和O3复合污染月际变化图 5展示了2014~2023年河南地区发生单类型污染和双高污染天数的月际变化. 本研究发现该时期河南省O3污染呈现倒“U”型变化趋势, O3污染整体呈现: 夏季 > 春季 > 秋季 > 冬季, 这是由于夏季较高的温度、充足的太阳辐射等条件均有利于O3的光化学反应生成. 河南地区的O3污染天数在6月达到峰值, 这也与花丛等[30]和宋小涵等[31]研究的结果一致, 7月和8月O3污染频率逐渐下降, 可能原因是副热带高压北跳, 河南进入雨季, 大量降水及辐射量减少使O3浓度降低[31, 45, 46]. 而冬季则由于辐射弱和温度低, 不利于O3的光化学反应生成[47], 因此O3浓度较低, 不易发生O3污染.
|
图 5 河南省2014年5月至2023年12月PM2.5污染、O3污染和双高污染天数的月际变化 Fig. 5 Monthly variations in PM2.5 pollution, O3 pollution, and PM2.5-O3 composite pollution days in Henan Province from May 2014 to December 2023 |
相比O3, 本研究期间PM2.5单污染的天数则呈“V”型变化趋势, 其中1~8月PM2.5污染天数逐渐减少, 8月达到最低, 这是由于夏季边界层高度高, 且7~8月为雨季, 有利于PM2.5等颗粒物的扩散和沉降. 1月河南省PM2.5污染天数最高, 这可能是由于冬季采暖季燃煤污染物的排放, 叠加低的大气边界层高度、稳定的大气层结和不利扩散的天气条件, 使PM2.5难以扩散而出现积累, 因此易出现PM2.5污染.
对于双高复合污染, 河南省双高污染天数年内变化趋势则呈“M”型(图 5), 在4月和10月达到两个峰值, 在7月和8月双高污染天数下降, 这与图 1中每年双高污染春秋两季的峰值是一致的. 8月双高污染天数下降可能是由于此时PM2.5污染最少, 且O3污染因降水有所减少, 而8月结束后, PM2.5污染开始增加, 双高污染次数因此再次出现增长. 值得注意的是, 双高污染天数的两次峰值均出现在O3和PM2.5污染天数线交点的一个月内(图 5), 此时分别对应于: ①O3污染上升期+PM2.5污染下降区期和②PM2.5污染上升期和O3污染下降期, 因此容易发生双高污染.
分年份O3污染天数的月际变化[图 6(a)]则与年平均的特征有所不同, 各年份O3污染天数的月分布均呈现“M”型变化趋势, 且各年份6~8月(夏季)出现O3低值的时间有所不同. 该区别是由于每年副高北跳时间的差异, 导致河南雨季时间的变化[48, 49], 进而使夏季出现的O3污染天数低值出现在不同月份. 图 6(b)中不同年份PM2.5天数的月际变化与前文大致相同, 均为“V”型分布, 但值得注意的是, 图 6(b)中2018~2023年(实线)5~9月污染天数明显低于2014~2017年(虚线), 这表明近年来河南省PM2.5污染治理的成效在春末至秋初十分显著, 其余月份PM2.5污染治理效果则较5~9月不明显. 前文的分析中, 2017年后双高污染天数有所下降, 这可能是由于河南地区5~9月PM2.5污染的有效治理, 降低了O3与PM2.5同时污染的概率, 因此双高污染事件显著减少, 这也与Ma等[50]对京津冀地区双高污染的研究结果相一致. 因此, 针对图 5中O3、PM2.5污染天数曲线交点和双高污染天数的峰值位置, 把握住春末、秋初的PM2.5污染, 对于控制河南省双高污染具有十分重要的意义.
|
图 6 2014~2023年河南省每年O3和PM2.5污染天数的月际变化 Fig. 6 Monthly variations in the number of days of O3 and PM2.5 pollution in Henan Province from 2014 to 2023 |
从河南省每月发生O3污染的年际变化中可以发现[图 7(a)], 与前文结论相同, 夏季6月是O3污染高发月份, 而冬季O3污染明显较少. 图 7(b)中河南省每月发生PM2.5污染的年际变化也与图 6中的结果相同, 每月PM2.5污染年际分布呈“C”型, “C”的开口逐渐增大, 表明5~9月PM2.5污染天数的减少. 图 7(c)则展示了河南省双高污染变化趋势, 这与Luo等[44]对京津冀地区双高污染的研究相似, 2018年后由于5~9月的PM2.5污染大幅减少, 双高污染的峰值由夏季向早春(3~4月)转移, 且污染天数逐渐减少. 这说明河南省夏季双高污染得到了有效控制, 而春季双高污染也逐步得到控制. 秋季双高污染的峰值则主要集中在9~10月, 且污染天数的年际变化没有明显规律. 2017年后, 秋季污染峰值均出现在10月, 2022年71%的双高污染都在10月发生, 因此, 河南省10月的双高污染需要加大关注.
|
图 7 河南省每月发生O3污染、PM2.5污染和双高复合污染的年际变化 Fig. 7 Annual variations in days when O3 pollution, PM2.5 pollution, and PM2.5-O3 composite pollution occurred in Henan Province every month |
从2014~2023年河南省双高污染的平均空间分布看[图 8(a)], 河南省双高污染主要出现在河南省北部, 总体趋势为: 河南北部污染(安阳、濮阳、焦作、新乡和郑州等) > 河南中部(漯河、许昌和平顶山等) > 河南南部(信阳、驻马店和南阳等), 该结论与刘淼晗等[33]的研究结果相符. 河南省污染主要出现在北部的可能原因, 包括: ①京津冀地区的污染物及前体物的水平输送, ②豫北地区工业集中, 本地排放量大, ③山脉阻挡污染物扩散, 使污染物在太行山东麓累积. 而处于河南北部的鹤壁污染天数则低于周围污染较严重的安阳、新乡和濮阳等城市, 该发现也与刘淼晗等[33]的研究结果相符. 造成这种现象的可能原因是, 河南省北部的污染在传输过程中污染物受到了山体的阻拦, 不易扩散至鹤壁[33, 51].
|
(a)2014~2023年双高污染年均天数, (b)2022年双高污染天数, (c)2022年O3污染天数, (d)2022年PM2.5污染天数 图 8 河南省2014~2023年双高污染的年平均天数分布和2022年双高污染、O3污染、PM2.5污染年平均天数分布 Fig. 8 Annual average distribution of PM2.5-O3 composite pollution days in Henan Province from 2014 to 2023 and annual average distribution of PM2.5-O3 composite pollution, O3 pollution, and PM2.5 pollution days in Henan Province in 2022 |
基于此前的研究结果, 2022年河南省的双高污染又出现了抬头趋势, 且秋季再次出现明显峰值, 因此下文研究中将以2022年为例, 研究河南省复合污染的分布特点与影响因素.
2022年河南O3污染北部较南部严重[图 8(c)], 这与已有的研究结论一致[52, 53], 这主要由于河南北部人口集中、工业生产导致该地区污染排放量大, 叠加河南南部处于亚热带季风气候, 夏季降雨量大于北部, 导致O3污染的南北分布差异. 此外, 全澍等[53]的研究中还指出, 河南西部海拔较高, 不利于O3生成, 因此西部的O3浓度相较东部为低, 这也与本研究中河南西部O3污染天数低于东部的结果一致. 2022年河南省PM2.5污染的空间分布中[图 8(d)], 北部城市污染同样大于南部城市, 这也与刘光瑾等[54]的研究结果一致.
河南省2022年双高污染除了呈现北部城市污染天数大于南部的特点外, 还具有东部城市污染天数大于西部城市的特点[图 8(b)], 这可能是由于特殊气象条件、污染物的本地排放和输送所形成. 因此以下基于气象条件、人为排放源清单及污染物的传输路径和源区等分析3种污染(O3污染、PM2.5污染和双高复合污染)的主要影响因素.
2.2 影响因素分析 2.2.1 气象及边界层高度分析一次污染过程通常受到多种因素影响, 此前研究均指明了气象条件对污染过程的影响和重要性[30 ~ 33]. 而在上文的研究中发现, 河南省双高污染有向春季(3~4月)前移的趋势, 而秋季峰值在2017年后均出现在10月, 且污染天数较多, 如2022年10月发生的双高污染天数占全年的71%. 因此本研究以2022年3~4月及10月为例, 分析气象条件(气温、比湿和风向风速)、其他污染物(CO浓度)及边界层高度对河南省双高污染的影响.
2022年3~4月及10月气温与地面O3和PM2.5浓度具有明显相关关系[图 9(a)]. 3~4月PM2.5污染发生时温度偏低(280~290 K), 而O3污染则集中在高温区(> 290 K). 这是由于低温时通常边界层高度偏低, 抑制了地面排放的PM2.5的垂直扩散, 因此在近地面易发生PM2.5污染；而温度较高时通常辐射较强, O3的光化学反应生成增多, 因此O3在较高温时浓度偏高. 而双高污染发生的温度则介于PM2.5污染与O3污染的温度之间(285~295 K). 对比两个季节[3~4月和10月, 图 9(a)和9(b)], 秋季10月3类污染的特征与春季3~4月污染大体类似, 但较3~4月污染发生时温度高2~10K(10月PM2.5污染时温度约为290~297 K；O3污染时温度大于295 K；双高污染时温度约为290~300 K), 这主要体现了仲秋温度大于初春温度的季节性特点. 值得注意的是10月温度较高时存在PM2.5及O3均未发生污染的情况[图 9(b)], 这可能是由于O3的高温抑制现象, 叠加高的边界层高度, 使O3和PM2.5浓度都发生下降所导致[55].
|
红色竖线为O3污染二级限制标准(160 μg·m-3), 黑色横线为PM2.5污染二级限制标准(75 μg·m-3) 图 9 河南省3~4月及10月PM2.5、O3、双高污染与气温、比湿和风速的关系 Fig. 9 Relationship between PM2.5, O3, PM2.5-O3 composite pollution, temperature, specific humidity, and wind speed in Henan Province in March to April and October |
图 9(c)和9(d)体现了河南省污染与比湿间的联系, 比湿是常用的湿度参量之一, 体现了水汽质量与湿空气质量之比, 本研究选择比湿进行分析, 以去除温度的影响, 从而更好地体现空气中的实际水汽含量. 图 9(c)和9(d)中可见, 比湿较高时(4~8 g·kg-1)较易发生PM2.5污染, 这可能是由于大气中水汽较多时, 颗粒物的吸湿增长促进了大气中PM2.5的生成. 且在水汽较多时, 形成的酸性气溶胶可与气态前体物反应生成新的固态颗粒物, 促使气态前体物向固态污染物的转化, 抬升PM2.5浓度. 此外, 未降水时地面的高湿度叠加700hPa的低湿度有利于形成静稳天气, 易加强大气污染. 但10月比湿为12 g·kg-1时PM2.5浓度降低[图 9(d)], 这可能是由于降水导致的颗粒物湿沉降, 对大气污染物起清除作用. O3浓度与比湿呈非线性关系, O3污染时通常比湿适中或偏高(6~12 g·kg-1), 这是由于大气中的水汽含量对O3有两面性的作用. 一方面, 大气中的水汽会与O3光解产生的O(1D)反应生成·OH, 在污染背景下, 由于大量O3前体物(VOC和NOx)的存在, ·OH会进一步与前体物进行反应循环生成O3. 另一方面, 大气中水汽接近饱和时, 水汽则会通过生成·OH或湿清除消耗O3, 从而成为O3的一种汇. 因此, 大气中水汽含量过高或过低都会抑制O3浓度的上升. 而双高污染发生时的比湿则介于PM2.5污染和O3污染之间(约6~8 g·kg-1), 过高或过低的大气水汽含量均不利于双高污染的发生.
图 9(e)和9(f)展示了风速与3种污染间的关系, 3~4月和10月的污染物在风速较大时浓度均较低, 这是由于强风对污染物的清除作用. 单污染发生时, 风速低于6 m·s-1, 双高污染发生时风速则低于4 m·s-1. 图 10则展示了2022年河南省17个城市发生双高污染时的风向和风速. 与图 9(e)和9(f)所展示的结论相似, 发生双高污染时河南省各城市风速均小于4 m·s-1, 这是由于在低风速的静稳条件下, 污染物不易扩散, 易在边界层内堆积形成污染天气, 而较高的风速往往有助于清除污染物. 受季风影响, 3~4月河南省发生双高污染时多为偏南风或东南风, 且3~4月双高污染为偏北城市. 而10月出现双高污染时除偏东风, 河南南部城市出现风速相对较强的偏北风或东北风, 风速达4 m·s-1.
|
红色扇形柱长短表示风速大小, 由内向外一圈代表 2 m·s-1, 其指向表示风的来向 图 10 河南省2022年3~4月和10月发生双高复合污染城市的风向风速图 Fig. 10 Diagrams of wind speed and direction for cities where PM2.5⁃O3 composite pollution occurs in March to April and October of 2022 in Henan Province |
图 11(a)和11(b)展示了研究时间段的边界层高度与大气污染间的依赖性. 整体来看, 大气污染发生时边界层高度均较低, 这是由于边界层较低时污染物垂直扩散能力弱, 且风速较小, 层结稳定, 不利于污染物的扩散. 而O3污染时的高度(3~4月低于800 m, 10月低于700 m)较PM2.5污染发生时的边界层高度(3~4月低于600 m, 10月低于500 m)更高, 通过上文的分析, 当O3污染发生时, 温度较PM2.5污染发生时高, 由于热力作用导致湍流相对旺盛, 因此O3污染发生时的边界层高度通常较PM2.5污染发生时高.
|
红色竖线为O3污染二级限制标准(160 μg·m-3), 黑色横线为PM2.5污染二级限制标准(75 μg·m-3) 图 11 河南省3~4月及10月PM2.5、O3和双高污染与边界层高度和CO浓度的关系 Fig. 11 Relationship between PM2.5, O3, PM2.5-O3 composite pollution, boundary layer height, and CO concentration in Henan Province in March to April and October |
图 11(c)和11(d)体现了PM2.5和CO浓度间具有正相关关系, 当ρ(CO) > 0.9 mg·m-3时, 更易发生PM2.5污染, 这表明PM2.5和CO具有类似的排放来源. 3~4月CO浓度偏低时发生了O3污染[图 11(c)], 此前, 刘光瑾等[54]和孙银川等[56]在研究中也发现了CO和O3间具有负相关关系. 但本研究中还发现10月O3和CO则呈正相关[图 11(d)], CO浓度较高(> 0.9 mg·m-3)时O3浓度也较高. O3对于CO在3~4月和10月具有不同的依赖关系可能是由于: 一方面, 具有还原性的CO会与强氧化性的O3发生氧化还原反应(O3+CO→CO2+O2), 消耗O3. 另一方面, 在光的催化下CO会与·OH反应, 生成O3 [57]:
|
因此, CO与O3间存在复杂的非线性关系. 孙银川等[56]的研究同样表明不同浓度的CO对O3浓度具有不同的影响. 此外, 春末夏初频繁的平流层入侵也可能将平流层清洁的高O3空气混合至对流层, 使地面的O3浓度升高, CO浓度降低, 从而使O3和CO呈现负相关[58, 59]. 而双高污染发生时的CO浓度则介于O3污染和PM2.5污染之间.
2.2.2 本地排放源分析由于MEIC排放源清单更新至2020年, 且排放源清单的年际差异较小, 因此本文选取MEIC提供的2020年3月、4月和10月的大气污染物(NOx、VOC和PM2.5)的月平均排放量, 进行河南省污染物本地排放的分析.
图 12展示出河南省NOx、VOCs及PM2.5人为排放的3、4和10月的平均空间分布. 总体而言河南省VOCs的排放强度分布[图 12(b)]与图 8(c)显示的O3污染天数空间分布相符, 表明本地前体物的大量排放对河南省O3浓度有较大影响. 而NOx、VOCs和PM2.5排放的高值区主要集中在郑州及周边, 且河南北部的污染排放大于南部, 这也是河南北部污染大于南部的主要原因之一.
|
(a)NOx, (b)VOCs, (c)PM2.5 图 12 2020年河南省人为排放源强度的空间分布 Fig. 12 Spatial distribution of anthropogenic emission intensity in Henan Province in 2020 |
在上文的分析中, 2022年河南省双高污染出现增长, 且主要在3~4月和10月发生双高污染. 郑州是2022年3~4月发生双高污染的典型代表性城市之一, 且前体物本地排放量大, 因此本研究选取郑州进行3~4月双高污染的分析. 而2022年10月则开封双高污染发生天数最多, 且与郑州相邻, 因此选取开封进行10月的分析. 本研究对3~4月郑州和10月开封发生O3及PM2.5单一类型污染时期进行污染物后向轨迹模拟和聚类, 并分别计算潜在源贡献PSCF和浓度权重轨迹CWT, 进而对3~4月郑州和10月开封发生双高污染时的污染物进行同样计算, 以分析河南省不同季节发生O3、PM2.5单一污染和双高污染时O3、PM2.5的主要来源. 分析中选取二级标准限值ρ(O3) > 160 μg·m-3和ρ(PM2.5) > 75 μg·m-3作为PSCF的判据.
郑州3~4月发生O3污染时(3月11日、4月8日、4月10~11日和4月24日)的O3(36 h)后向轨迹共聚类出6条污染物传输通道[图 13(a)], 该时期郑州的O3污染主要来源于南部(轨迹1、3和5, 占比共79.17%)和东部(轨迹2, 占比为12.50%), 而北部的轨迹4和西南部的轨迹6则占比较少. 在O3的源区分析中[图 13(a)和13(b)], 郑州3~4月O3的污染源区贡献主要为东部的安徽北部以及南部的河南南部和湖北, 其中南部(河南南部和湖北)的O3污染贡献最大(WCWT > 20 μg·m-3).
|
(a)O3污染时O3 WPSCF, (b)O3污染时O3 WCWT, (c)PM2.5污染时PM2.5 WPSCF, (d)PM2.5污染时PM2.5 WCWT, (e)双高污染O3 WPSCF, (f)双高污染时O3 WCWT, (g)双高污染时PM2.5 WPSCF, (h)双高污染时PM2.5 WCWT；彩色线为不同时间及月份的轨迹聚类结果, O3为36 h后向轨迹聚类, PM2.5为48 h后向轨迹聚类 图 13 郑州2022年3~4月单污染及双高污染时O3和PM2.5的PSCF、CWT空间分布 Fig. 13 Spatial distribution of PSCF and CWT of O3 and PM2.5 during single pollution and PM2.5-O3 composite pollution in Zhengzhou in March to April 2022 |
郑州3~4月发生PM2.5污染时(3月11~16日和3月20~22日)的PM2.5(48 h)后向轨迹则聚类出5类传输通道[图 13(c)]. 总体而言, 东部(轨迹1, 占比为29.63%)、南部(轨迹4, 占比为17.59%)和东北部(轨迹3, 占比为25.93%)的污染物传输占比较大. 但与O3的主要贡献源区方位稍有不同, 郑州PM2.5污染发生时的污染物主要贡献源区为郑州本市及周边、河南东北部、山东西南部、安徽北部和江苏北部[图 13(c)和13(d)]. 其中, 污染物沿轨迹5方向形成了一条明显的来自东北部的污染传输通道(WPSCF > 0.7), 对郑州PM2.5污染的贡献大于80 μg·m-3[图 13(d)]. 而处于东部污染传输通道上的河南省东部城市、安徽北部和江苏北部对郑州PM2.5污染的贡献也大于50 μg·m-3.
图 13(e)~13(h)则展示了2022年3~4月郑州发生双高污染时O3和PM2.5的输送情况. 可见, 郑州发生双高污染时(4月11日)两种污染物的轨迹均聚类成偏向东南方向的轨迹1和偏东向的轨迹2. 由于PM2.5采用48 h模拟, 因此聚类轨迹较O3(36 h)长. 与单一污染发生时相似, 河南本省污染物的传输是郑州污染的重要来源之一[WCWT(O3) > 40 μg·m-3, WCWT(PM2.5) > 30 μg·m-3]. 此外, 郑州发生双高污染时沿轨迹2从安徽西北部传输而来的O3, 对郑州双高污染期间的O3产生较大贡献[WPSCF > 0.36, WCWT > 60 μg·m-3, 图 13(e)和图 13(f)], 而沿轨迹2自安徽西北部传输的PM2.5对郑州双高污染期间的PM2.5也有一定贡献[WPSCF > 0.5, WCWT > 40 μg·m-3, 图 13(g)和13(h)].
图 14(a)和14(b)则展示了区域传输对开封10月发生O3污染时(10月15日和10月22~23日)的贡献. 图 14(a)显示, 开封10月O3的36 h轨迹可聚类成6类传输通道, 其中主要来源为东部(轨迹1和6, 占比分别为18.33%和23.33%)和东北方向(轨迹4, 占比为20.00%). 西部方向的轨迹占比则较小(轨迹3和5, 占比分别为18.33%和8.33%). 通过WPSCF分析[图 14(a)], 东北部的山东省西南地区和河南东北部是开封10月O3的主要源区(WPSCF > 0.3), 沿轨迹4形成了一条明显的东北向的污染传输路径. 在WCWT分析中[图 14(b)], 山东省西南地区和河南东北部对于开封的O3污染贡献大于60 μg·m-3. 省内郑州对开封O3的贡献也大于60 μg·m-3.
|
(a)O3污染时臭氧WPSCF, (b)O3污染时O3 WCWT, (c)PM2.5污染时PM2.5 WPSCF, (d)PM2.5污染时PM2.5 WCWT, (e)双高污染O3 WPSCF, (f)双高污染时O3 WCWT, (g)双高污染时PM2.5 WPSCF, (h)双高污染时PM2.5 WCWT；彩色线为不同时间及月份的轨迹聚类结果, O3为36 h后向轨迹聚类, PM2.5为48 h后向轨迹聚类 图 14 开封2022年10月单污染及双高污染时O3和PM2.5的PSCF、CWT空间分布 Fig. 14 Spatial distribution of PSCF and CWT of O3 and PM2.5 during single pollution and PM2.5-O3 composite pollution in Kaifeng in October 2022 |
开封10月发生PM2.5污染时(10月14~16日、10月21~24日和10月30、31日)的PM2.5(48 h)后向轨迹则可以聚类出5条输送通道[图 14(c)和14(d)], 与O3聚类相似, 东北向的输送依旧占较大比例(轨迹3, 占比为36.81%), 东南向的轨迹1和轨迹5共占比39.59%, 西向占比仍较少(轨迹4, 占比为9.72%). 开封PM2.5主要源于本省北部城市排放和输送, WPSCF大于0.7, WCWT大于80 μg·m-3[图 14(c)和图 14(d)]. 同时, 江苏、安徽和山东交界处对于开封10月的PM2.5污染也起了重要作用(WPSCF > 0.7), PM2.5贡献值大于70 μg·m-3.
2022年10月开封发生双高污染时(10月15日和10月22~23日)后向轨迹聚类可分为5类[图 14(e)~14(h)], 但相较2022年春季则源区方位略有不同. 本省传输较多的区域在河南省偏东部及东北部[WPSCF(O3) > 0.45, WPSCF(PM2.5) > 0.8, 图 14(e)和14(g)], 河南东北部对开封的O3浓度贡献超100 μg·m-3[图 14(f)], 对开封PM2.5浓度贡献也超90 μg·m-3[图 14(h)]. 除本省污染物传输外, 河南东北部的山东西南部和安徽北部也是影响开封污染物的重要来源. 山东西南部对开封O3贡献大于30 μg·m-3[图 14(f)], 对开封PM2.5浓度贡献大于50 μg·m-3[图 14(h)]. 安徽北部对开封O3浓度贡献[图 14(f)]和PM2.5浓度贡献分别大于30 μg·m-3和60 μg·m-3.
综上所述, 2022年河南省郑州和开封发生双高污染时, 省内污染物的大量排放及输送是造成两地双高污染的主要原因. 此外, 偏东向的污染物省外输送对两地双高污染也有一定贡献, 其中3~4月污染源潜在源区位置偏南, 10月偏北. 结合河南省人为排放源强度的空间分布(图 12), 河南省本省特别是东部城市和北部城市的O3前体物和颗粒物的排放是导致河南省2022年双高污染的主要原因. 而春季偏东向与秋季偏东和偏东北的污染物输送也是影响河南省双高污染产生的重要因素之一.
3 结论(1) 2014~2023年河南省双高复合污染事件总体呈现下降趋势, 主要原因是政府管控措施使PM2.5污染逐年减少以及疫情影响. 但2022年因疫情结束后复工复产, 双高复合污染天数有所反弹. 2014~2018年期间, 由于PM2.5的持续高频污染, O3浓度超标与否决定了该时期双高复合污染的发生. 2018年后, 针对PM2.5的污染治理特别是5~9月的PM2.5浓度下降, 是复合污染发生频次降低的重要原因.
(2) 双高复合污染的月际变化呈“M”双峰型, 在4月和10月达到峰值. 与之相比, 河南省O3污染和PM2.5污染呈现出“M”型和“V”型的变化趋势. 而7~8月河南的雨季对3类污染均有减轻作用.
(3) 河南省双高污染的严重程度为: 北部(如安阳、濮阳、焦作、新乡和郑州等) > 河南中部(如漯河、许昌和平顶山等) > 河南南部(如信阳、驻马店和南阳等).
(4) 气象要素对双高复合污染过程存在一定影响. 发生复合污染时温度、比湿和CO浓度都介于PM2.5污染和O3污染之间, 而低风速和低边界层高度则不利于污染物的扩散, 从而可促进复合污染的发生.
(5) 河南省2022年双高复合污染期间, 省内特别是东部和北部城市前体物排放和颗粒物的排放, 是造成该时期双高污染的主要原因. 而河南省东部(安徽)和东北部(山东)的污染物输送, 也是造成2022年河南双高污染发生的重要因素之一.
致谢: 感谢国家超级计算天津中心的“天河新一代”超算和南京信息工程大学高性能计算中心的计算支持和帮助.
| [1] | 蒋维楣, 刘红年, 张宁, 等. 空气污染气象学[M]. 南京: 南京大学出版社, 2021. |
| [2] | Liu K K, Shang Q M, Wan C Y. Sources and health risks of heavy metals in PM2.5 in a campus in a typical suburb area of Taiyuan, North China[J]. Atmosphere, 2018, 9(2). DOI:10.3390/atmos9020046 |
| [3] | Liu H M, Liu J, Li M C, et al. Assessing the evolution of PM2.5 and related health impacts resulting from air quality policies in China[J]. Environmental Impact Assessment Review, 2022, 93. DOI:10.1016/j.eiar.2021.106727 |
| [4] | Ghude S D, Chate D M, Jena C, et al. Premature mortality in India due to PM2.5 and ozone exposure[J]. Geophysical Research Letters, 2016, 43(9): 4650-4658. DOI:10.1002/2016GL068949 |
| [5] | Li H Y, Wu S W, Pan L, et al. Short-term effects of various ozone metrics on cardiopulmonary function in chronic obstructive pulmonary disease patients: results from a panel study in Beijing, China[J]. Environmental Pollution, 2018, 232: 358-366. DOI:10.1016/j.envpol.2017.09.030 |
| [6] | Liu H, Liu S, Xue B R, et al. Ground-level ozone pollution and its health impacts in China[J]. Atmospheric Environment, 2018, 173: 223-230. DOI:10.1016/j.atmosenv.2017.11.014 |
| [7] | Maji K J, Ye W F, Arora M, et al. Ozone pollution in Chinese cities: assessment of seasonal variation, health effects and economic burden[J]. Environmental Pollution, 2019, 247: 792-801. DOI:10.1016/j.envpol.2019.01.049 |
| [8] | Dang R J, Liao H. Radiative forcing and health impact of aerosols and ozone in China as the consequence of clean air actions over 2012-2017[J]. Geophysical Research Letters, 2019, 46(21): 12511-12519. DOI:10.1029/2019GL084605 |
| [9] | Li P, De Marco A, Feng Z Z, et al. Nationwide ground-level ozone measurements in China suggest serious risks to forests[J]. Environmental Pollution, 2018, 237: 803-813. DOI:10.1016/j.envpol.2017.11.002 |
| [10] | Feng Z Z, Sun J S, Wan W X, et al. Evidence of widespread ozone-induced visible injury on plants in Beijing, China[J]. Environmental Pollution, 2014, 193: 296-301. DOI:10.1016/j.envpol.2014.06.004 |
| [11] | Lin Y Y, Jiang F, Zhao J, et al. Impacts of O3 on premature mortality and crop yield loss across China[J]. Atmospheric Environment, 2018, 194: 41-47. DOI:10.1016/j.atmosenv.2018.09.024 |
| [12] | Feng Z Z, Hu E Z, Wang X K, et al. Ground-level O3 pollution and its impacts on food crops in China: a review[J]. Environmental Pollution, 2015, 199: 42-48. DOI:10.1016/j.envpol.2015.01.016 |
| [13] | Tang H Y, Takigawa M, Liu G, et al. A projection of ozone-induced wheat production loss in China and India for the years 2000 and 2020 with exposure-based and flux-based approaches[J]. Global Change Biology, 2013, 19(9): 2739-2752. DOI:10.1111/gcb.12252 |
| [14] | Musselman R C, Lefohn A S, Massman W J, et al. A critical review and analysis of the use of exposure- and flux-based ozone indices for predicting vegetation effects[J]. Atmospheric Environment, 2006, 40(10): 1869-1888. DOI:10.1016/j.atmosenv.2005.10.064 |
| [15] | 国务院. 国务院关于印发大气污染防治行动计划的通知[EB/OL]. https://www.gov.cn/zwgk/2013-09/12/content_2486773.htm, 2023-11-12. |
| [16] | 国务院. 国务院关于印发打赢蓝天保卫战三年行动计划的通知[EB/OL]. https://www.gov.cn/zhengce/content/2018-07/03/content_5303158.htm, 2023-11-12. |
| [17] | WHO. WHO global air quality guidelines: particulate matter (PM2.5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide[M]. Geneva: World Health Organization, 2021. |
| [18] | 亚洲清洁空气中心. 大气中国2023: 中国大气污染防治进程[EB/OL]. http://www.allaboutair.cn/a/reports/2023/1027/684.html, 2024-01-28. |
| [19] | Li R M, Yan Y L, Peng L, et al. Enhancement of ozone formation by increased vehicles emission and reduced coal combustion emission in Taiyuan, a traditional industrial city in northern China[J]. Atmospheric Environment, 2021, 267. DOI:10.1016/j.atmosenv.2021.118759 |
| [20] | Ma X D, Huang J P, Zhao T L, et al. Rapid increase in summer surface ozone over the North China Plain during 2013-2019: a side effect of particulate matter reduction control?[J]. Atmospheric Chemistry and Physics, 2021, 21(1): 1-16. DOI:10.5194/acp-21-1-2021 |
| [21] |
刘楚薇, 连鑫博, 黄建平. 我国臭氧污染时空分布及其成因研究进展[J]. 干旱气象, 2020, 38(3): 355-361. Liu C W, Lian X B, Huang J P. Research review on the spatio-temporal distribution of ozone pollution and its causes in China[J]. Journal of Arid Meteorology, 2020, 38(3): 355-361. |
| [22] | 刘炳江. 系列解读(3)|加强PM2.5和臭氧协同控制深入打好蓝天保卫战[EB/OL]. https://www.mee.gov.cn/zcwj/zcjd/202111/t20211110_959857.shtml, 2023-12-30. |
| [23] | Li J Y, Cao L M, Gao W K, et al. Seasonal variations in the highly time-resolved aerosol composition, sources and chemical processes of background submicron particles in the North China Plain[J]. Atmospheric Chemistry and Physics, 2021, 21(6): 4521-4539. DOI:10.5194/acp-21-4521-2021 |
| [24] | Shiraiwa M, Pöschl U. Mass accommodation and gas–particle partitioning in secondary organic aerosols: dependence on diffusivity, volatility, particle-phase reactions, and penetration depth[J]. Atmospheric Chemistry and Physics, 2021, 21(3): 1565-1580. DOI:10.5194/acp-21-1565-2021 |
| [25] |
李红丽. 中国东部地区PM2.5和臭氧污染的协同规律及驱动因素研究[D]. 上海: 上海大学, 2021. Li H L. Study on the synergistic patterns and drivers of PM2.5 and ozone pollution in eastern China[D]. Shanghai: Shanghai University, 2021. |
| [26] |
刘长焕, 邓雪娇, 朱彬, 等. 近10年中国三大经济区太阳总辐射特征及其与O3、PM2.5的关系[J]. 中国环境科学, 2018, 38(8): 2820-2829. Liu C H, Deng X J, Zhu B, et al. Characteristics of GSR of China's three major economic regions in the past 10 years and its relationship with O3 and PM2.5 [J]. China Environmental Science, 2018, 38(8): 2820-2829. DOI:10.3969/j.issn.1000-6923.2018.08.004 |
| [27] |
赖安琪, 陈晓阳, 刘一鸣, 等. 珠江三角洲高质量浓度PM2.5和O3复合污染特征[J]. 中山大学学报(自然科学版), 2018, 57(4): 30-36. Lai A Q, Chen X Y, Liu Y M, et al. Characteristics of complex pollution with high concentrations of PM2.5 and O3 over the Pearl River Delta, China[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2018, 57(4): 30-36. |
| [28] | 河南省人民政府. 省情[EB/OL]. https://www.henan.gov.cn/2023/06-07/2757295.html, 2023-12-30. |
| [29] | 国务院. 国务院关于印发《空气质量持续改善行动计划》的通知[EB/OL]. https://www.gov.cn/zhengce/content/202312/content_6919000.htm, 2023-12-30. |
| [30] |
花丛, 江琪, 迟茜元, 等. 我国中东部地区2015—2020年夏半年PM2.5和臭氧复合污染气象特征分析[J]. 环境科学研究, 2022, 35(3): 650-658. Hua C, Jiang Q, Chi X Y, et al. Meteorological characteristics of PM2.5-O3 air combined pollution in central and eastern China in the summer half years of 2015-2020[J]. Research of Environmental Sciences, 2022, 35(3): 650-658. |
| [31] |
宋小涵, 燕丽, 刘伟, 等. 2015~2021年京津冀及周边地区PM2.5和臭氧复合污染时空特征分析[J]. 环境科学, 2023, 44(4): 1841-1851. Song X H, Yan L, Liu W, et al. Spatiotemporal distribution characteristics of co-pollution of PM2.5 and ozone over BTH with surrounding area from 2015 to 2021[J]. Environmental Science, 2023, 44(4): 1841-1851. DOI:10.13227/j.hjkx.202205089 |
| [32] |
张淼, 丁椿, 孟赫, 等. 山东省环境空气中PM2.5与O3的复合污染特征与时空变化趋势[J]. 环境科学研究, 2023, 36(2): 246-259. Zhang M, Ding C, Meng H, et al. Characteristics and spatiotemporal variation of PM2.5 and O3 in Shandong province[J]. Research of Environmental Sciences, 2023, 36(2): 246-259. |
| [33] |
刘淼晗, 于宸涛, 房祥玉, 等. 2014—2020年河南省PM2.5-O3复合污染特征及气象成因分析[J]. 环境科学研究, 2023, 36(2): 285-293. Liu M H, Yu C T, Fang X Y, et al. Analysis of PM2.5-O3 compound pollution characteristics and meteorological causes in Henan Province from 2014 to 2020[J]. Research of Environmental Sciences, 2023, 36(2): 285-293. |
| [34] | 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 |
| [35] | 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 |
| [36] |
李细生, 张华, 喻雨知, 等. 长株潭城市群大气污染潜在源区分析及传输通道研究——以株洲市为例[J]. 环境监控与预警, 2022, 14(1): 19-27. Li X S, Zhang H, Yu Y Z, et al. Analysis of potential source area of air pollution and study on transmission channel in Changsha-Zhuzhou-Xiangtan City group during intensive care period: take Zhuzhou as an example[J]. Environmental Monitoring and Forewarning, 2022, 14(1): 19-27. DOI:10.3969/j.issn.1674-6732.2022.01.004 |
| [37] |
段时光, 姜楠, 杨留明, 等. 郑州市冬季大气PM2.5传输路径和潜在源分析[J]. 环境科学, 2019, 40(1): 86-93. Duan S G, Jiang N, Yang L M, et al. Transport pathways and potential sources of PM2.5 during the winter in Zhengzhou[J]. Environmental Science, 2019, 40(1): 86-93. DOI:10.13227/j.hjkx.201805187 |
| [38] |
聂赛赛, 王帅, 崔建升, 等. 石家庄市大气污染物的季节性时空特征及潜在源区[J]. 环境科学, 2021, 42(11): 5131-5142. Nie S S, Wang S, Cui J S, et al. Spatio-temporal characteristics and potential source areas of seasonal atmospheric pollution in Shijiazhuang[J]. Environmental Science, 2021, 42(11): 5131-5142. DOI:10.13227/j.hjkx.202102120 |
| [39] |
王郭臣, 王东启, 陈振楼. 北京冬季严重污染过程的PM2.5污染特征和输送路径及潜在源区[J]. 中国环境科学, 2016, 36(7): 1931-1937. Wang G C, Wang D Q, Chen Z L. Characteristics and transportation pathways and potential sources of a severe PM2.5 episodes during winter in Beijing[J]. China Environmental Science, 2016, 36(7): 1931-1937. DOI:10.3969/j.issn.1000-6923.2016.07.002 |
| [40] | Polissar A V, Hopke P K, Paatero P, et al. The aerosol at Barrow, Alaska: long-term trends and source locations[J]. Atmospheric Environment, 1999, 33(16): 2441-2458. DOI:10.1016/S1352-2310(98)00423-3 |
| [41] | Seibert P, Kromp-Kolb H, Baltensperger U, et al. Trajectory analysis of high-alpine air pollution data[A]. In: Gryning S E, Millán M M (Eds. ). Air Pollution Modeling and Its Application X[M]. New York: Springer, 1994. 595-596. |
| [42] | Xiong Y, Du K. Source-resolved attribution of ground-level ozone formation potential from VOC emissions in Metropolitan Vancouver, BC[J]. Science of the Total Environment, 2020, 721. DOI:10.1016/j.scitotenv.2020.137698 |
| [43] | GB 3095-2012, 环境空气质量标准[S]. |
| [44] | Luo Y H, Zhao T L, Yang Y J, et al. Seasonal changes in the recent decline of combined high PM2.5 and O3 pollution and associated chemical and meteorological drivers in the Beijing-Tianjin-Hebei region, China[J]. Science of the Total Environment, 2022, 838. DOI:10.1016/j.scitotenv.2022.156312 |
| [45] |
张淼, 丁椿, 李彦, 等. 山东省O3时空分布及影响因素分析[J]. 环境科学, 2021, 42(12): 5723-5735. Zhang M, Ding C, Li Y, et al. Spatial and temporal distribution of ozone and influencing factors in Shandong Province[J]. Environmental Science, 2021, 42(12): 5723-5735. DOI:10.13227/j.hjkx.202102034 |
| [46] |
栗泽苑, 杨雷峰, 华道柱, 等. 2013-2018年中国近地面臭氧浓度空间分布特征及其与气象因子的关系[J]. 环境科学研究, 2021, 34(9): 2094-2104. Li Z Y, Yang L F, Hua D Z, et al. Spatial pattern of surface ozone and its relationship with meteorological variables in China during 2013-2018[J]. Research of Environmental Sciences, 2021, 34(9): 2094-2104. |
| [47] |
黄小刚, 邵天杰, 赵景波, 等. 气象因素和前体物对中国东部O3浓度分布的影响[J]. 中国环境科学, 2019, 39(6): 2273-2282. Huang X G, Shao T J, Zhao J B, et al. Impact of meteorological factors and precursors on spatial distribution of ozone concentration in eastern China[J]. China Environmental Science, 2019, 39(6): 2273-2282. DOI:10.3969/j.issn.1000-6923.2019.06.005 |
| [48] | 河南省水利厅. 气候[EB/OL]. https://slt.henan.gov.cn/2019/12-28/1175078.html, 2023-12-28. |
| [49] | 朱乾根, 林锦瑞, 寿绍文, 等. 天气学原理和方法[M]. (第四版). 北京: 气象出版社, 2007. |
| [50] | Ma X Q, Yin Z C, Cao B F, et al. Meteorological influences on co-occurrence of O3 and PM2.5 pollution and implication for emission reductions in Beijing-Tianjin-Hebei[J]. Science China Earth Sciences, 2023, 66(6): 1258-1267. DOI:10.1007/s11430-022-1070-y |
| [51] |
臧振峰, 张凤英, 李永华, 等. 我国主要粮产区PM2.5、PM10时空分布特征及影响因素——以河南省为例[J]. 自然资源学报, 2021, 36(5): 1163-1175. Zang Z F, Zhang F Y, Li Y H, et al. Spatio-temporal distribution and affecting factors of PM2.5 and PM10 in major grain producing areas in China: a case study of Henan Province[J]. Journal of Natural Resources, 2021, 36(5): 1163-1175. |
| [52] |
齐艳杰, 于世杰, 杨健, 等. 河南省臭氧污染特征与气象因子影响分析[J]. 环境科学, 2020, 41(2): 587-599. Qi Y J, Yu S J, Yang J, et al. Analysis of characteristics and meteorological influence factors of ozone pollution in Henan province[J]. Environmental Science, 2020, 41(2): 587-599. DOI:10.13227/j.hjkx.201908122 |
| [53] |
全澍, 刘淼晗, 陈博轩, 等. 河南省近地表O3污染特征及其与气象因素之间的关系[J]. 环境科学研究, 2022, 35(12): 2666-2676. Quan S, Liu M H, Chen B X, et al. Characteristics of near-surface O3 pollution and its relationship with meteorological factors in Henan province[J]. Research of Environmental Sciences, 2022, 35(12): 2666-2676. |
| [54] |
刘光瑾, 苏方成, 徐起翔, 等. 河南省18个城市大气污染物分布特征、区域来源和传输路径[J]. 环境科学, 2022, 43(8): 3953-3965. Liu G J, Su F C, Xu Q X, et al. One-year simulation of air pollution in central China, characteristics, distribution, inner region cross-transmission, and pathway research in 18 cities[J]. Environmental Science, 2022, 43(8): 3953-3965. DOI:10.13227/j.hjkx.202111126 |
| [55] |
欧林冲, 陈伟华, 伍永康, 等. 中国高温下臭氧抑制事件的时空特征及其影响因素[J]. 环境科学, 2023, 44(12): 6586-6597. Ou L C, Chen W H, Wu Y K, et al. Spatio-temporal characteristics and influencing factors of ozone suppression events under high temperature in China[J]. Environmental Science, 2023, 44(12): 6586-6597. DOI:10.13227/j.hjkx.202211200 |
| [56] |
孙银川, 严晓瑜, 缑晓辉, 等. 中国典型城市O3与前体物变化特征及相关性研究[J]. 环境科学研究, 2020, 33(1): 44-53. Sun Y C, Yan X Y, Gou X H, et al. Characteristics and correlation of ozone and its precursors in typical cities in China[J]. Research of Environmental Sciences, 2020, 33(1): 44-53. |
| [57] | 唐孝炎, 张远航, 邵敏. 大气环境化学[M]. (第二版). 北京: 高等教育出版社, 2006. |
| [58] |
赵恺辉, 包云轩, 黄建平, 等. 华南地区春季平流层入侵对对流层低层臭氧影响的模拟研究[J]. 大气科学, 2019, 43(1): 75-86. Zhao K H, Bao Y X, Huang J P, et al. A modeling study of the impact of stratospheric intrusion on ozone enhancement in the lower troposphere in South China[J]. Chinese Journal of Atmospheric Sciences, 2019, 43(1): 75-86. |
| [59] | Zhao K H, Hu C, Yuan Z B, et al. A modeling study of the impact of stratospheric intrusion on ozone enhancement in the lower troposphere over the Hong Kong regions, China[J]. Atmospheric Research, 2021, 247. DOI:10.1016/j.atmosres.2020.105158 |