环境科学  2019, Vol. 40 Issue (7): 2967-2976   PDF    
引用本文
谢放尖, 史之浩, 李婧祎, 郑新梅, 胡建林, 刘春蕾, 杨峰. 基于达标约束的南京市环境空气质量情景模拟[J]. 环境科学, 2019, 40(7): 2967-2976.
XIE Fang-jian, SHI Zhi-hao, LI Jing-yi, ZHENG Xin-mei, HU Jian-lin, LIU Chun-lei, YANG Feng. Scenario Simulation Study Constrained by the Ambient Air Quality Standards in Nanjing[J]. Environmental Science, 2019, 40(7): 2967-2976.
基于达标约束的南京市环境空气质量情景模拟
谢放尖1, 史之浩2, 李婧祎2,3, 郑新梅1, 胡建林2,3, 刘春蕾1, 杨峰1     
1. 南京市生态环境保护科学研究院, 南京 210093;
2. 南京信息工程大学环境科学与工程学院, 南京 210044;
3. 江苏省大气环境监测与污染控制高技术研究重点实验室, 南京 210044
收稿日期: 2018-12-25; 修订日期: 2019-01-31
基金项目: 江苏省环保科研项目（2017003）；南京市环保科研项目（201612）
作者简介: 谢放尖(1982~), 男, 硕士, 高级工程师, 主要研究方向为城市大气污染防治, E-mail:strong886@126.com
通信作者: 胡建林, E-mail:jianlinhu@nuist.edu.cn
摘要: 以2030年南京市6项污染物达标为约束，在2015年大气污染物排放清单基础上，利用CMAQ模型分析了PM2.5对南京本地不同前体物排放的敏感性，通过情景分析预测排放清单，模拟了4种减排情景的空气质量变化，最终获得达标约束下大气污染物总量控制指标.模拟结果显示，减少一次颗粒物PPM（primary particulate matter）排放对降低大气中的PM2.5浓度最为有效；在周边地区减排的基础上，本地减少PPM排放对PM2.5年均浓度下降的相对贡献可达88%，其次为NH3、NOx、SO2与VOCs减排，其相对贡献分别为10.3%、5.5%、3.2%与0.5%；相比2015年，4种情景下南京市主要大气污染物减排比例在22%~53%，未来控制活动水平对减排SO2、NH3与CO较有效，而NOx和VOCs末端治理方面还有较大空间；将SO2、NOx、PM10、PM2.5、BC、OC、CO、VOCs及NH3的排放量分别控制在2.43×104、8.47×104、9.42×104、3.74×104、0.19×104、0.30×104、26.56×104、13.08×104及1.50×104 t以内时，预计南京市6项污染指标可以达到国家环境空气质量二级标准.
关键词: 达标情景      情景分析      排放清单      模拟      南京     
Scenario Simulation Study Constrained by the Ambient Air Quality Standards in Nanjing
XIE Fang-jian1 , SHI Zhi-hao2 , LI Jing-yi2,3 , ZHENG Xin-mei1 , HU Jian-lin2,3 , LIU Chun-lei1 , YANG Feng1     
1. Nanjing Municipal Academy of Ecology and Environment Protection Science, Nanjing 210093, China;
2. School of Environmental Science and Engineering, Nanjing University of Information Science and Technology, Nanjing 210044, China;
3. Jiangsu Key Laboratory of Atmospheric Environment Monitoring & Pollution Control, Nanjing 210044, China
Abstract: With the constraint that all six major pollutants in Nanjing must meet the air quality standards by 2030, on the basis of the 2015 emission inventory, the CMAQ air quality model was used to conduct PM2.5 sensitivity tests, and scenario analysis was used to predict the emission inventory and the air quality of four emission reduction scenarios were simulated. Finally, the total control index under the constraint of meeting the standards was obtained. The results show that primary particulate matter (PPM) reduction is the most effective at reducing the concentration of PM2.5 in the atmosphere, on the basis of emission reduction in surrounding areas, PPM emission reduction accounts for 88% of the total reduction of the annual average concentration of PM2.5, followed by NH3, NOx, SO2, and VOCs, which contribute to 10.3%, 5.5%, 3.2%, and 0.5%, respectively. Compared to 2015, the reduction ratios of the major pollutants are between 22% and 53%. Controlling the activity level is more effective for SO2, NH3 and CO emissions reduction, while there is still more opportunity for NOx and VOCs end treatment. When the emissions of SO2, NOx, PM10, PM2.5, BC, OC, CO, VOCs, and NH3 are controlled to 2.43×104, 8.47×104, 9.42×104, 3.74×104, 0.19×104, 0.30×104, 26.56×104, 13.08×104, and 1.50×104 t, respectively, it is expected that the levels of the six pollutants in Nanjing can meet the national ambient air quality level 2 standards.
Key words: target scenario      scenario analysis      emission inventory      simulation      Nanjing     

2012年新发布的《环境空气质量标准》(GB 3095-2012)增加了PM2.5、CO与O3指标, 并收严了PM10、SO2及NO2标准限值.按大气污染防治法要求, 未达标城市需在规定的期限内达到环境空气质量标准.国务院《长江三角洲城市群发展规划》要求长三角城市2030年空气质量全面达标.

南京市是长三角的核心城市, 也是复合型污染较突出的城市之一[1~4], 2015年仅SO2与CO两项指标年均浓度达到GB 3095-2012的二级标准.有研究显示, 空气质量状况与产业结构[5], 机动车保有量及自然地理条件密切相关[6].到2030年, 南京市如何才能达到空气质量标准, 是城市空气质量管理亟待回答的问题.

情景分析[7]是开展空气质量达标研究常用的技术手段之一, 人们通过设置不同的发展情景, 对未来的空气质量做出定性或定量的预判.鱼智霞等[8]通过设置多个发展情景, 预测了2020和2030年中国SO2和NOx排放量; 魏巍[9]基于2005年排放清单, 分别设置不同的活动水平与污染控制情景, 预测了中国2020年人为源VOCs排放量; 安文辉等[10]以经济、政策、能源为驱动力, 构建了3种发展情景, 预测了2020年西安市SO2与NOx排放量.然而, 上述研究主要集中在排放量预测, 未对空气质量做出模拟分析.尽管常嘉成等[11]和薛文博等[12]通过反复模拟计算获得了空气质量达标时的污染物允许排放总量, 但其主要采用等比例削减即“一刀切”的方法来调整排放清单, 由于现实中不同污染物减排空间差异较大, 因此, 该方法在计算上虽简便易行, 但在操作层面其不合理的部分是显而易见的.中国清洁空气联盟结合情景预测与空气质量模拟, 获得了京津冀与长三角区域PM2.5达标约束下排放情景[13, 14].但在城市尺度, 以6项污染物达标为约束的情景模拟分析与研究还比较鲜见.

本研究以2030年南京市空气质量全面达标为约束, 在2015年排放清单的基础上, 改变等比例削减的做法, 采用情景分析法, 对影响污染排放的关键因素设置梯度发展情景来调整排放清单, 并利用CMAQ模型评估不同情景清单下空气质量改善情况, 最终获得达标情景下的总量控制指标.

1 材料与方法 1.1 数据来源

南京市污染物排放数据采用文献[15]的研究成果.该清单以2015年为基准年, 将污染源分为10类, 即固定燃烧源、工艺过程源、移动源、溶剂使用源、扬尘源、生物质燃烧源、存储运输源、废弃物处理源与餐饮源; 每类源按行业/部门、能源消费/产品产量、工艺/设备以及污染治理设施分为4级; 污染物包括SO2、NOx、PM10、PM2.5、CO、VOCs、BC、OC与NH3等9种, 时间分辨率为1 h, 空间分辨率为1 km×1 km.空气质量数据采用南京市9个国控点数据, 表 1给出了基准年达标差距.

表 1 主要污染物达标差距分析 Table 1 Attainment gap analysis for major pollutants

1.2 排放清单预测方法 1.2.1 排放清单的算法

大气污染物排放量与经济发展、能源消费、末端治理和技术政策等因素密切相关[10]. 2015年南京市大气污染物排放清单采用排放系数法[16]进行估算, 具体公式如下：

式中, E为排放量, i代表不同的源类别; A为活动水平, 其定义为影响污染物排放的各种活动量, 如能源消耗量、产品产量、机动车行驶里程等; EF为污染物产生系数, 即单位活动水平的污染物产生量; η为治理技术的去除效率. 2030年排放清单的估算, 以2015年排放清单为基础来预测, 期间假定污染物产生系数不变, 通过情景设置获得2030年的活动水平与去除效率, 并根据上述公式算法来调整2015年清单, 即获得2030年排放清单.

1.2.2 情景设置

设置2种活动水平情景, 分别为基础情景BAU(business as usual)与战略情景SP(strategic planning).在此基础上, 分别设置2种末端控制情景, 两两组合获得4种综合情景, 情景名称和内涵见表 2.

表 2 情景设置 Table 2 Scenario settings

限于篇幅, 表 3仅列出部分活动水平的现状值与预测值; 表 4给出了部分行业污染物去除效率的现状值与预测值, 未给出的污染物则维持2015年现状.

表 3 主要活动水平预测 Table 3 Forecast of major activity levels

表 4 主要行业/部门污染物去除效率设定1) Table 4 Pollutants removal efficiency setting for major industries/departments

根据综合情景BAU1、BAU2、SP1与SP2对应的活动水平与去除效率, 调整2015年排放清单, 对应得到BAU1、BAU2、SP1与SP2共4套2030年排放清单.

1.3 模型设置

如图 1所示, 空气质量采用CMAQ模型进行3层区域嵌套模拟, 最外层覆盖东亚地区, 空间分辨率36 km, 网格数197×127;第二层覆盖长江中下游地区, 空间分辨率12 km, 网格数80×89;最内层覆盖南京及其周边地区, 空间分辨率4 km, 网格数83×55.垂直方向包括28层, 最顶层气压值为50 hPa.模式使用的气象场由气象模式WRF v3.7.1和美国环境预报中心气象再分析数据(NCEP)模拟得到.

图 1 CMAQ模式模拟区域设定 Fig. 1 CMAQ mode simulation area setting

模式验证以2015年为基准, 其中2015年本地排放清单取自文献[15], 周边地区的清单则将2012年清华大学MIX排放清单[17]降低30%使用, 空间分辨率为0.25°×0.25°.模拟2030年空气质量时, 本地排放采用情景预测得到的BAU1、BAU2、SP1与SP2这4套清单, 周边地区排放在2015年MIX清单基础上假设分别下降60%、70%、60%与70%.这一假设主要基于南京周边地区具有更大的减排潜力, 此数值仅作参考, 未来还需进行针对性研究.

2 结果与讨论 2.1 CMAQ模型验证

图 2给出了2015年1、4、7和10月期间6项污染物日均浓度模拟值与观测值的时间序列对比, 其中圆点为观测值, 曲线为模拟值.从中可见, 模式较好地再现了PM2.5的季节变化趋势, 即冬秋季浓度高、春夏季浓度低的基本规律.模式对观测站点PM2.5浓度有一定的高估, 特别是1月和10月浓度高估现象较明显.从全年看, CMAQ模拟的PM2.5年均浓度为66.5 μg·m-3, 比观测值61.5 μg·m-3高8%.

图 2 模拟-监测时间序列 Fig. 2 Simulation- monitoring time series

其它5项污染物中, PM10除个别站点峰值高估外, 整体吻合较好; O3在浓度较低的月吻合较好, 浓度高的月及峰值存在低估; SO2除7月上旬有高估外, 整体吻合较好; NO2在7月和10月模拟较好, 其他月存在低估; CO在各个站点均存在低估, 这可能是由于排放清单的不确定性以及模式分辨率等原因造成的.

为进一步评估模型的精度, 利用平均相对偏差(MFB)和平均相对误差(MFE)对模型结果进行了评估, 具体计算方法如下：

式中, N代表每个观测点的数据总数, Cp和Co分别是日平均模拟值和观测值.

图 3给出了PM2.5模拟值的统计分析结果.从中可见, 各观测点各月的MFB基本小于±30%, MFE基本上小于50%.参照Li等[18]提出的MFB和MFE的基准值和目标值(即模式模拟结果精确度的标准)对模型进行评价, 结果表明模式模拟的PM2.5能够反映实际观测情况.

图 3 各观测点PM2.5模拟值的统计分析 Fig. 3 Statistical analysis of PM2.5simulation values at each observation site

2.2 PM2.5敏感性试验

为了解南京本地何种污染物减排对控制PM2.5更为有效, 设计了一系列敏感性试验.在周边地区所有大气污染物减排70%的基础上, 分别考察：①本地源不减排；②所有大气污染物全部减排；③敏感物质单独减排. 3种情况下本地PM2.5浓度降低情况, 具体试验方案设置见表 5.用相对贡献率来定量表征敏感性, 计算公式如下：
表 5 敏感性试验方案设置 Table 5 Emission setting scheme of the sensitivity test

式中, S表示相对贡献率(%), 指敏感物质单独减排时, PM2.5浓度下降占所有污染物全部减排时PM2.5浓度下降的贡献比值, 比值越大说明减排该污染物对控制PM2.5越有效; co表示本地无减排时PM2.5浓度(μg·m-3), ci为本地仅敏感物质i减排时PM2.5浓度, cg为本地所有污染物减排时PM2.5浓度(μg·m-3).

图 4给出了敏感性试验结果.从中可见, PM2.5对方案五(各部门PPM减排70%)最为敏感, 减排PPM每个季度PM2.5下降的相对贡献率均在85%以上, 全年达到88%, 这与吴文景等[19]提出, 京津冀地区PM2.5浓度对一次PM2.5排放最敏感的结论基本一致; 其次是方案三(各部门NH3减排70%), 年均贡献率达10.3%;本地NOx和SO2单独减排70%, 分别在1月与7月最为有效, 贡献率分别为8.2%与9.1%, 但全年贡献率仅为5.5%和3.1%, 这可能与NOx和SO2主要源于高架源有关, 这与Itahashi等[20]发现北京、上海和重庆等地硫酸盐本地排放的贡献分别只占4.0%、10.8%和9.2%的结论基本一致; 减少VOCs本地排放对降低PM2.5浓度没有明显效果.

颜色表示本地无减排与单独减排敏感性物质时PM2.5浓度变化(μg·m-3), 百分数表示贡献度 图 4 南京市PM2.5对SO2、NOx、NH3、VOCs和PPM减排的敏感性 Fig. 4 Sensitivity of PM2.5 in Nanjing to SO2, NOx, NH3, VOCs, and PPM emissions reduction

值得注意的是, 近年来各地二次气溶胶在PM2.5中占有较高比例[21~23].南京颗粒物源解析结果显示, 二次气溶胶占比约36%[24].庞杨[25]发现, 京津冀地区PPM排放量削减50%时, PM2.5浓度下降32.5%~37.8%, 但二次气溶胶下降仅约10%, 而VOCs、NH3、SO2与NOx排放量同时削减50%时, PM2.5浓度下降9.5%~16.7%, 但二次气溶胶下降达48%~68.4%.由此可见, 减少气态前体物排放对降低二次气溶胶有较显著的效果.

因此, 现阶段南京PM2.5的污染控制策略应以减排PPM为主, 同时协同减排NH3、SO2、NOx与VOCs等.由敏感试验结果可以看出, 加强扬尘、钢铁等PPM排放大户的控制可有效降低环境空气中PM2.5浓度.由于污染排放与环境质量浓度之间存在复杂的非线性关系, 本研究试验方案只采用了一种减排比例, 未考虑多污染物协同减排等情景, 相关结果有待进一步深入研究.

2.3 清单结果分析

表 6给出了4种情景下排放量以及相比基准年的削减率, 污染物总的排放量为SP2＜SP1＜BAU2＜BAU1(仅VOCs与PM10的SP1＞BAU2), 各类污染物的减排比例在22%~53%.各情景清单不同污染物减排比例差异较大, 情景设置时, 充分考虑了各污染物减排空间的差异性, 相比“一刀切”调整的方法, 更贴近实际情况. 图 5给出了不同情景下各污染物排放量及其排放分担的情况.从中可见, 由于情景设计时较少考虑关停企业等极端措施, 因此不同情景下, 清单的污染源构成以及各类污染物的来源一致.由图 5还可以发现, 活动水平情景相同时, 不同末端控制情景下, SO2、NH3、CO排放量差异不大, 原因是SO2主要来源于燃煤电厂, “气十条”实施以来主要电厂已完成超低排放改造, 治理的空间有限; NH3主要来源于农业面源, CO属于惰性气体, 可选择末端治理技术不多且治理难度较大.未来这3种污染物减排需从削减电煤、减少畜禽养殖、减少能源消耗等方面考虑.而其余污染物末端治理技术减排空间较大, 如NOx已提出钢铁、水泥超低排放技术实践[26, 27], VOCs“十三五”才纳入强制减排, 通过LDAR、油气回收以及水性涂料替代等措施可有效实现减排, 而颗粒物减排可通过加强工地扬尘、道路扬尘等无组织排放管理入手.

表 6 不同情景下大气污染物排放量 Table 6 Atmospheric pollutant emissions under different scenarios

图 5 不同情景下各类源贡献率 Fig. 5 Contribution rates of various sources under different scenarios

2.4 模拟结果分析 2.4.1 代表月模拟分析

图 6给出了不同情景下6项污染物各代表月的浓度值.从中可见, 月度变化规律基本与2015年一致, PM2.5、PM10、NO2、SO2和CO均在1月最高, 其次是10月, 7月最低, 这主要与气象因素有关. 1月扩散条件相对不利, 且受污染输送影响较大.而O3则是1月最低, 4、7和10月均较高, 这主要与这3个月温度较高、太阳辐射较强、适宜O3生成相关.

图 6 不同情景下代表月月均浓度 Fig. 6 Monthly mean concentrations of various pollutants under different scenarios

从各情景的比较来看, 随着减排力度的加大, 各月的PM10、PM2.5、CO和SO2浓度均值均明显低于2015年; NO2浓度在BAU1情景下相比2015年略有上升, 这与移动源NOx排放增加有关. O3浓度总体呈现上升趋势, 但均低于2015年, 说明NOx与VOCs等前体物大幅减排后, O3浓度也相应下降.

2.4.2 年均值模拟结果

图 7给出了不同情景下2030年污染物年均值.从中可见, 4种情景下各污染物年均浓度相比基准年都有所下降, 仅BAU1情景中NO2年均浓度略有上升, 这主要与BAU情景设置时, 2030年机动车保有量直接采用城市总体规划的规划值, 未考虑限牌、限号等措施, 移动源NOx排放有所增加有关; 随着减排力度的增强, PM10、PM2.5、CO、SO2和NO2浓度呈现梯度下降趋势, 但O3浓度呈现梯度上升趋势, 这可能与其前体物VOCs及NOx的减排比例有关.本研究中4种情景下VOCs与NOx减排比例在1~1.28之间, 而严茹莎等[28]发现上海市在两者减排比例3:1时O3浓度下降最明显.

O3为90百分位数, CO为95百分位数, 红色虚线为二级标准值 图 7 不同情景下各污染物年均浓度 Fig. 7 Average annual concentrations of various pollutants under different scenarios

表 7列出了具体年均浓度模拟结果及达标情况.从中可见, 在BAU1情景下, 只有SO2、CO和O3这3项污染物可以达标; BAU2情景下, 增加了PM10共4项污染物可以达标; SP1情景下, 达标的污染物虽未增加, 但污染物浓度可进一步降低. 表 7所示进一步提示, 南京市若要实现6项污染物全面达标, 则需采取可持续发展战略, 优化产业结构和能源结构, 提高能源利用效率, 并不断出台新政策, 不断提升治理技术, 即SP2发展情景, 这是未来南京市空气质量达标的关键.值得说明的是, 本研究基于敏感性试验结果, 通过设置梯度情景, 多次模拟逐步逼近目标的做法对于获取达标情景具备一定的可行性, 但理论上达标情景可以有无数种, SP2方案是否是最佳方案还需要综合考虑经济、技术等因素的影响, 有待进一步论证.

表 7 各情景下2030年6项污染物达标情况/μg·m-3 Table 7 Compliance of six pollutants in 2030 under different scenarios/μg·m-3

3 结论

(1) 2015年, 南京市6项污染物中年评价值仅SO2和CO达标, NO2、PM10和PM2.5年均值分别超标25%、37%和63%, O38h第90百分位数超标7%.

(2) 根据情景分析法预测, 相比2015年, 2030年不同情景下排放清单主要污染物减排量在22%~53%;南京市下一步减排SO2、CO和NH3通过控制活动水平比较有效, 而NOx和VOCs等在末端治理方面有较大潜力.

(3) 在敏感试验减排条件下, 减排PPM对降低本地PM2.5浓度最有效(88%), 其次为NH3(10.3%)、NOx(5.5%)、SO2(3.2%)与VOCs(0.5%).现阶段在本地尺度上, 南京PM2.5控制宜采取PPM减排为主, 同时需实施气态污染物协同减排.需要注意的是, 区域尺度上, 控制气态前体物对二次气溶胶的降低作用不容忽视.

(4) CMAQ模拟结果显示, SO2、NOx、PM10、PM2.5、BC、OC、CO、VOCs及NH3的排放量控制在2.43、8.47、9.42、3.47、0.19、0.30、26.56、13.08与1.50万t以内时, 南京市6项污染物指标均可达到国家环境空气质量二级标准.

致谢: 衷心感谢上海市环境科学研究院原副总工程师、大气环境研究所所长陈长虹教授对论文的悉心指导.
参考文献
[1] 郑龙飞.南京地区细颗粒物污染特征及灰霾事件成因研究[D].济南: 山东大学, 2016.
Zheng L F. Atmospheric fine particles and haze pollutions in Nanjing[D]. Ji'nan: Shandong University, 2016. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y3033617
[2] 杨笑笑, 汤莉莉, 张运江, 等. 南京夏季市区VOCs特征及O3生成潜势的相关性分析[J]. 环境科学, 2016, 37(2): 443-451.
Yang X X, Tang L L, Zhang Y J, et al. Correlation analysis between characteristics of VOCs and ozone formation potential in summer in Nanjing urban district[J]. Environmental Science, 2016, 37(2): 443-451. DOI:10.3969/j.issn.1000-6923.2016.02.021
[3] 康晖, 朱彬, 王红磊, 等. 长三角典型站点冬季大气PM2.5中OC、EC污染特征[J]. 环境科学, 2018, 39(3): 961-971.
Kang H, Zhu B, Wang H L, et al. Characterization and variation of organic carbon (OC) and elemental carbon (EC) in PM2.5 during the winter in the Yangtze River Delta region, China[J]. Environmental Science, 2018, 39(3): 961-971.
[4] 王博妮, 濮梅娟, 陈鹏, 等. 南京城区冬季大气污染特征[J]. 环境科学研究, 2017, 30(9): 1335-1345.
Wang B N, Pu M J, Chen P, et al. Characteristic analysis of atmospheric pollutants in Nanjing urban area in winter[J]. Research of Environmental Sciences, 2017, 30(9): 1335-1345.
[5] 南京市统计局去产能与产业转型升级课题组. 去产能背景下南京市钢铁、化工等传统产业转型升级路径研究[J]. 统计科学与实践, 2017(3): 37-40. DOI:10.3969/j.issn.1674-8905.2017.03.006
[6] 张予燕, 芮冬梅, 周灵辉. 南京钟山风景区对主城环境空气质量的影响[J]. 环境监控与预警, 2012, 2(1): 47-50.
Zhang Y Y, Rui D M, Zhou L H. Nanjing Zhongshan Mountain Scenic's influence on the air quality in main urban area[J]. Environmental Monitoring and Forewarning, 2012, 2(1): 47-50.
[7] 娄伟. 情景分析方法研究[J]. 未来与发展, 2012, 35(9): 17-26.
Lou W. The study on scenario analysis method[J]. Future and Development, 2012, 35(9): 17-26. DOI:10.3969/j.issn.1003-0166.2012.09.005
[8] 鱼智霞, 曹国良, 安文辉, 等. 中国区域2020和2030年的SO2和NOx排放总量情景预测[J]. 环境工程学报, 2017, 11(4): 2355-2362.
Yu Z X, Cao G L, An W H, et al. Scenarios prediction for emissions of SO2, NOx in the year of 2020 and 2030 in China[J]. Journal of Environmental Engineering, 2017, 11(4): 2355-2362.
[9] 魏巍.中国人为源挥发性有机化合物的排放现状及未来趋势[D].北京: 清华大学, 2009.
Wei W. Study on current and future anthropogenic emissions of volatile organic compounds in China[D]. Beijing: Tsinghua University, 2009. http://cdmd.cnki.com.cn/Article/CDMD-10003-2010215072.htm
[10] 安文辉, 曹国良, 蒙小波, 等. 情景分析法预测西安市大气污染物排放总量[J]. 环境工程, 2016, 34(8): 99-103.
An W H, Cao G L, Meng X B, et al. Scenario analysis to predict the total emissions of air pollutants in Xi'an[J]. Environmental Engineering, 2016, 34(8): 99-103.
[11] 常嘉成, 赵天良, 谭成好, 等. 基于WRF-Chem模拟的玉溪市大气环境容量精细估算[J]. 环境科学学报, 2017, 37(10): 3876-3884.
Chang J C, Zhao T L, Tan C H, et al. An elaborative assessment of atmospheric environmental capacity in Yuxi based on WRF-Chem modeling[J]. Acta Scientiae Circumstantiae, 2017, 37(10): 3876-3884.
[12] 薛文博, 付飞, 王金南, 等. 基于全国城市PM2.5达标约束的大气环境容量模拟[J]. 中国环境科学, 2014, 34(10): 2490-2496.
Xue W B, Fu F, Wang J N, et al. Modeling study on atmospheric environmental capacity of major pollutants constrained by PM2.5 compliance of Chinese cities[J]. Chinese Environmental Science, 2014, 34(10): 2490-2496.
[13] 中国清洁空气联盟.京津冀如何实现空气质量达标[EB/OL]. http://www.cleanairchina.org/product/7532.html, 2016-02-23.
[14] 中国清洁空气联盟.长三角如何实现空气质量达标?[EB/OL]. http://www.cleanairchina.org/product/7751.html, 2016-06-17.
[15] 南京市环境保护局.南京市大气污染物排放清单更新(2015年)[R].南京: 南京市环境保护局, 2016.
[16] 环境保护部. 城市大气污染物排放清单编制工作手册[M]. 北京: 环境保护部, 2015.
[17] Boylan J W, Russell A G. PM and light extinction model performance metrics, goals, and criteria for three-dimensional air quality models[J]. Atmospheric Environment, 2006, 40(26): 4946-4959. DOI:10.1016/j.atmosenv.2005.09.087
[18] 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
[19] 吴文景, 常兴, 邢佳, 等. 京津冀地区主要排放源减排对PM2.5污染改善贡献评估[J]. 环境科学, 2017, 38(3): 867-875.
Wu W J, Chang X, Xin J, et al. Assessment of PM2.5 pollution mitigation due to emission reduction from main emission sources in the Bejing-Tianjin-Hebei region[J]. Environmental Science, 2017, 38(3): 867-875.
[20] Itahashi S, Hayami H, Yumimoto K, et al. Chinese province-scale source apportionments for sulfate aerosol in 2005 evaluated by the tagged tracer method[J]. Environmental Pollution, 2017, 220: 1366-1375. DOI:10.1016/j.envpol.2016.10.098
[21] 刘童, 王晓军, 陈倩, 等. 烟台市环境受体PM2.5四季污染特征与来源解析[J]. 环境科学, 2019, 40(3): 1082-1090.
Liu T, Wang X J, Chen Q, et al. Characteristic and source analysis of environmental receptor PM2.5 in four seasons in Yantai city[J]. Environmental Science, 2019, 40(3): 1082-1090.
[22] 刘素, 马彤, 杨艳, 等. 太原市冬季PM2.5化学组分特征与来源解析[J]. 环境科学, 2019, 40(4): 1537-1544.
Liu S, Ma T, Yang Y, et al. Characterization and source analysis of PM2.5 chemical components in winter in Taiyuan city[J]. Environmental Science, 2019, 40(4): 1537-1544.
[23] 吴明, 吴丹, 夏俊荣, 等. 成都冬季PM2.5化学组分污染特征及来源解析[J]. 环境科学, 2019, 40(1): 76-85.
Wu M, Wu D, Xia J R, et al. Analysis of pollution characteristics and sources of PM2.5 chemical components in Chengdu in Winter[J]. Environmental Science, 2019, 40(1): 76-85.
[24] 王苏蓉, 喻义勇, 王勤耕, 等. 基于PMF模式的南京市大气细颗粒物源解析[J]. 中国环境科学, 2015, 35(12): 3535-3542.
Wang S R, Yu Y Y, Wang Q G, et al. Source apportionment of PM2.5 in Nanjing by PMF[J]. China Environmental Science, 2015, 35(12): 3535-3542. DOI:10.3969/j.issn.1000-6923.2015.12.002
[25] 庞杨.京津冀地区大气污染物分布和演变特征的模拟研究[D].南京: 南京信息工程大学, 2012.
Pang Y. Distribution and evolution of atmospheric pollutants over Beijing-Tianjin-Hebei region[D]. Nanjing: Nanjing University of Information Science & Technology, 2012. http://cdmd.cnki.com.cn/article/cdmd-10300-1012369175.htm
[26] 王天义.钢铁企业烧结、焦化烟气超低排放治理技术的调研及建议[N].世界金属导报, 2018-10-16(B12).
[27] 彭长寿. 水泥行业烟气多种污染物"超低排放"整体解决方案[J]. 中国水泥, 2017(3): 88-97. DOI:10.3969/j.issn.1671-8321.2017.03.024
[28] 严茹莎, 李莉, 安静宇, 等. 上海市夏季臭氧生成与其前体物控制模拟研究[J]. 环境污染与防治, 2016, 38(1): 30-35, 40.
Yan R S, Li L, An J Y, et al. Simulation study of ozone generation and its precursors control in Shanghai during summer time[J]. Environmental Pollution & Control, 2016, 38(1): 30-35, 40.