許艷玲,薛文博,雷 宇

氣象和排放變化對(duì)PM2.5污染的定量影響

許艷玲1,2,薛文博2*,雷 宇2

(1.北京工業(yè)大學(xué),區(qū)域大氣復(fù)合污染防治北京市重點(diǎn)實(shí)驗(yàn)室,北京 100124；2.生態(tài)環(huán)境部環(huán)境規(guī)劃院,區(qū)域空氣質(zhì)量模擬與管控研究中心,北京 100012)

基于WRF-CMAQ模型系統(tǒng)定量分析了氣象和排放因素對(duì)全國(guó)及重點(diǎn)區(qū)域PM2.5污染影響程度.從年度特征來(lái)看,與2015年相比,2016年、2017年全國(guó)空氣質(zhì)量明顯改善,PM2.5年均濃度分別下降7%和14%; 2016年氣象條件總體轉(zhuǎn)好,氣象因素和排放因素變化導(dǎo)致全國(guó)PM2.5年均濃度下降幅度分別為4%和3%; 2017年全國(guó)氣象條件與2015年相比基本持平,大氣污染物排放量下降是PM2.5污染減輕的決定因素.除汾渭平原外,京津冀及周邊地區(qū)“2+26”城市、長(zhǎng)三角、成渝地區(qū)空氣中的PM2.5年均濃度持續(xù)下降; 珠三角氣象條件變化對(duì)PM2.5影響較大,2017年導(dǎo)致PM2.5濃度上升了29%; 除汾渭平原外,其他4個(gè)重點(diǎn)地區(qū)的污染物排放變化導(dǎo)致PM2.5年均濃度下降且2017年的下降幅度進(jìn)一步加大,說(shuō)明污染管控措施的環(huán)境效益明顯.從季節(jié)特征來(lái)看,氣象影響值的區(qū)域性差異明顯.本文分析方法可用于制定空氣質(zhì)量目標(biāo)或者評(píng)估污染控制方案的環(huán)境效果.

WRF-CMAQ模型；PM2.5；氣象；排放；定量影響

PM2.5濃度升高導(dǎo)致中國(guó)中東部地區(qū)霧霾問(wèn)題比較嚴(yán)重,特別是在采暖季節(jié)北方地區(qū)重污染天氣頻發(fā)[1-3],限制了經(jīng)濟(jì)可持續(xù)發(fā)展,并對(duì)人體健康產(chǎn)生嚴(yán)重危害,已經(jīng)引起廣大關(guān)注[4-6].空氣中PM2.5濃度的高低主要受污染源排放和氣象條件共同決定[7].在中國(guó)北方地區(qū),大氣污染物排放總量大且集中,是空氣中PM2.5濃度高的重要原因,而不利氣象條件使得PM2.5污染更加嚴(yán)重[8-9].氣象因子可以影響大氣污染物的稀釋擴(kuò)散、積聚清除,在大氣流場(chǎng)作用下導(dǎo)致區(qū)域間污染物的傳輸,在高濕、靜穩(wěn)天氣形勢(shì)下快速形成以高濃度PM2.5為特征的大氣污染過(guò)程.一些學(xué)者針對(duì)短時(shí)間段的PM2.5重污染事件,開(kāi)展了關(guān)于氣象要素、大氣環(huán)流等對(duì)大氣中PM2.5作用研究,集中在污染過(guò)程的發(fā)生、發(fā)展機(jī)制及化學(xué)過(guò)程分析[10-12].此外一些學(xué)者基于統(tǒng)計(jì)學(xué)方法分析了PM2.5濃度變化特征及其與氣象因子之間的關(guān)系[13-14].以上方法可以用于分析PM2.5污染成因,但是均僅限于定性分析.氣象條件變化對(duì)PM2.5污染定量影響研究可以借助空氣質(zhì)量模型模擬法來(lái)實(shí)現(xiàn).由于影響PM2.5污染程度的是排放和氣象兩個(gè)因素,因此根據(jù)PM2.5監(jiān)測(cè)濃度和氣象對(duì)PM2.5污染定量影響值這兩個(gè)參數(shù),可以分析大氣污染物排放量變化對(duì)PM2.5影響.Liu等[15]將2014年12月和2015年12月作為研究時(shí)段,采用模型模擬法定量分析了氣象因素對(duì)京津冀地區(qū)PM2.5污染的影響.目前,該類研究主要集中在重污染時(shí)段的單個(gè)城市或者經(jīng)濟(jì)比較發(fā)達(dá)的城市群,但針對(duì)多年的全國(guó)大尺度研究相對(duì)不足.因此,按照國(guó)務(wù)院發(fā)布的《打贏藍(lán)天保衛(wèi)戰(zhàn)三年行動(dòng)計(jì)劃》中關(guān)于PM2.5和空氣質(zhì)量的考核指標(biāo)要求,本文以2015年為基準(zhǔn)年,基于WRF-CMAQ模型系統(tǒng),采用情景分析法,定量分析了2016、2017年氣象和排放變化對(duì)全國(guó)及重點(diǎn)區(qū)域PM2.5污染影響程度.

1 數(shù)據(jù)和方法

1.1 研究范圍

研究范圍涵蓋整個(gè)中國(guó)大陸(暫時(shí)不包括香港、澳門、臺(tái)灣),共包括31個(gè)省份(直轄市、自治區(qū)),共計(jì)338個(gè)主要城市.重點(diǎn)區(qū)域包括京津冀及周邊地區(qū)“2+26”城市、長(zhǎng)三角、珠三角、成渝、汾渭平原等5個(gè)地區(qū).

1.2 數(shù)據(jù)來(lái)源

1.2.1 排放清單 CMAQ模型所需排放清單的化學(xué)物種主要包括SO2、NO、顆粒物(PM10、PM2.5及其組分)、NH3和VOCs(含多種化學(xué)組分)等多種污染物.SO2、NO、PM10、PM2.5、BC、OC、NH3、VOCs(含主要組分)等人為源排放數(shù)據(jù)均采用2013年MEIC排放清單[16](中國(guó)多尺度排放清單,http: //www.meicmodel.org).MEIC是一套基于云計(jì)算平臺(tái)開(kāi)發(fā)的中國(guó)大氣污染物和溫室氣體人為源排放清單模型,可提供規(guī)范、準(zhǔn)確、更新及時(shí)的高分辨率的自下而上的排放清單數(shù)據(jù)產(chǎn)品.生物源VOCs排放清單利用MEGAN天然源排放清單模型計(jì)算[17].以上排放清單已經(jīng)在科學(xué)研究、政策評(píng)估和空氣質(zhì)量管理等方面得到廣泛應(yīng)用.

1.2.2 空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù) 空氣質(zhì)量監(jiān)測(cè)數(shù)據(jù)來(lái)自中華人民共和國(guó)生態(tài)環(huán)境部數(shù)據(jù)中心,包括全國(guó)338個(gè)重點(diǎn)城市2013年、2015年、2016年、2017年實(shí)際觀測(cè)PM2.5日均濃度.

1.3 模型設(shè)置

1.3.1 模擬時(shí)段 模擬時(shí)段為2013年、2015年、2016、2017年,共計(jì)48個(gè)月,結(jié)果輸出時(shí)間間隔為1h.

1.3.2 模擬區(qū)域 CMAQ模型采用Lambert投影坐標(biāo)系,中心點(diǎn)經(jīng)度為102°E,中心緯度為36°N,兩條平行緯度分別為24°N、46°N.水平模擬范圍為方向(-2524.5~2524.5km)、方向(-2119.5~2119.5km),網(wǎng)格間距27km,共將全國(guó)劃分為187×157個(gè)網(wǎng)格.垂直方向共設(shè)置14個(gè)氣壓層,層間距自下而上逐漸增大.

1.3.3 氣象模擬 CMAQ模型所需要的氣象場(chǎng)由中尺度氣象模型WRF提供,WRF模型與CMAQ模型采用相同的模擬時(shí)段和空間投影坐標(biāo)系,垂直方向共設(shè)置35個(gè)氣壓層,層間距自下而上逐漸增大.WRF模型的初始場(chǎng)與邊界場(chǎng)數(shù)據(jù)采用美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心(NCEP)提供的6h 1次、1°分辨率的FNL全球分析資料[18],每日對(duì)初始場(chǎng)進(jìn)行初始化,每次模擬時(shí)長(zhǎng)為30h,Spin-up時(shí)間設(shè)置為6h,并利用NCEP ADP觀測(cè)資料[19]進(jìn)行客觀分析與資料同化.

1.3.4 模型參數(shù) 參數(shù)設(shè)置見(jiàn)以前研究成果[20-21].

1.4 模型驗(yàn)證

圖1 PM2.5模擬濃度與監(jiān)測(cè)濃度相關(guān)性

本文輸入空氣質(zhì)量模型的排放數(shù)據(jù)是2013年MEIC排放清單,因此選取中國(guó)首批開(kāi)展PM2.5監(jiān)測(cè)的74個(gè)城市2013年實(shí)際觀測(cè)數(shù)據(jù)與模擬結(jié)果進(jìn)行比對(duì),來(lái)驗(yàn)證模型模擬結(jié)果的合理性,結(jié)果表明:模擬值與觀測(cè)值具有較好的相關(guān)性,NMB和NME等參數(shù)符合美國(guó)環(huán)保署推薦的模型性能標(biāo)準(zhǔn)要求.相關(guān)系數(shù)、標(biāo)準(zhǔn)化平均偏差NMB、標(biāo)準(zhǔn)化平均誤差NME等參數(shù)的計(jì)算結(jié)果如表1所示.由于新疆沙塵天氣較多,而現(xiàn)有CMAQ模型對(duì)沙塵過(guò)程模擬效果較差,因此該地區(qū)監(jiān)測(cè)值和模擬值的吻合度較低.總體上,本文選取的模型系統(tǒng)可較好模擬我國(guó)PM2.5濃度特征.

表1 PM2.5模擬數(shù)據(jù)驗(yàn)證結(jié)果

1.5 分析方法

1.5.1 氣象條件變化對(duì)PM2.5污染影響 基于2015~2017年模型模擬結(jié)果,以2015年為基準(zhǔn)年,建立氣象條件變化對(duì)PM2.5污染定量影響的評(píng)估方法,具體方法如下:

式中:2015jk為2015年第月(季節(jié))第個(gè)地區(qū)的PM2.5模擬濃度,μg/m3;C為第年月(季節(jié))第個(gè)地區(qū)的PM2.5模擬濃度,μg/m3;M為第年月(季節(jié))第個(gè)地區(qū)的氣象條件變化對(duì)PM2.5污染的影響,μg/m3;Me為第年月(季節(jié))第個(gè)地區(qū)的氣象條件變化對(duì)PM2.5污染的影響程度,%.對(duì)于M或者Me,正值代表氣象條件轉(zhuǎn)差,負(fù)值代表氣象條件轉(zhuǎn)好.

1.5.2 排放因素對(duì)PM2.5污染影響 根據(jù)PM2.5監(jiān)測(cè)濃度和基于模型模擬的氣象對(duì)PM2.5污染影響這兩個(gè)參數(shù),可以計(jì)算扣除氣象影響后污染物排放量變化對(duì)PM2.5的影響.

式中:2015jk為2015年第月(季節(jié))第個(gè)地區(qū)的PM2.5監(jiān)測(cè)濃度,μg/m3;Cm為第年月(季節(jié))第個(gè)地區(qū)的PM2.5監(jiān)測(cè)濃度,μg/m3;Pm為第年月(季節(jié))第個(gè)地區(qū)的PM2.5監(jiān)測(cè)濃度的變化率,%;Em為第年第月(季節(jié))第個(gè)地區(qū)的排放變化對(duì)PM2.5污染的影響程度,%.

2 結(jié)果與討論

2.1 PM2.5濃度分布特征

PM2.5包括直接排放的一次顆粒物以及由SO2、NO、VOCs、NH3等間接轉(zhuǎn)化生成的二次顆粒物.我國(guó)PM2.5污染呈現(xiàn)顯著的空間差異性,高值區(qū)主要集中在胡煥庸線以東地區(qū),特別是人口、工業(yè)、農(nóng)畜業(yè)等相對(duì)集中的河北、河南、山西、山東等地區(qū),這些地區(qū)大都地處中國(guó)的北方,冬季的氣溫較低,采暖導(dǎo)致鍋爐耗煤和散煤的消費(fèi)量大,此外還容易受到小風(fēng)、逆溫等不利氣象條件影響,PM2.5濃度高于其他季節(jié),高污染給居民的身體健康帶來(lái)威脅.近年來(lái),我國(guó)加大了污染控制力度,污染治理設(shè)施安裝率和污染物去除效率顯著提升,空氣中PM2.5濃度呈現(xiàn)下降趨勢(shì).與2015年相比,2016年、2017年全國(guó)PM2.5年均濃度分別下降了7%和14%.2017年,全國(guó)PM2.5年均濃度達(dá)到43μg/m3,PM2.5年均濃度下降幅度高于40%的城市數(shù)量超過(guò)40個(gè).相比2015年,PM2.5年均監(jiān)測(cè)濃度變化情況如圖2和表2.

圖2 PM2.5年均監(jiān)測(cè)濃度變化

表2 氣象和排放變化對(duì)重點(diǎn)地區(qū)PM2.5濃度影響(%)

從重點(diǎn)地區(qū)來(lái)看,與2015年相比,2017年汾渭平原PM2.5年均濃度上升,珠三角地區(qū)基本持平,京津冀及周邊地區(qū)“2+26”城市、長(zhǎng)三角、成渝3個(gè)地區(qū)的下降比例均超過(guò)10%.PM2.5污染最嚴(yán)重的是京津冀及周邊地區(qū)“2+26”城市,也是PM2.5污染改善明顯的地區(qū)之一,2017年P(guān)M2.5年均濃度達(dá)到68μg/m3,3a內(nèi)的下降比例高達(dá)19%.

2.2 氣象條件變化對(duì)PM2.5濃度影響

圖3 單純氣象條件變化對(duì)PM2.5年均濃度影響

圖3為單純氣象條件變化對(duì)PM2.5年均濃度影響的空間分布圖.結(jié)果表明:與2015年相比,2016年我國(guó)氣象條件總體好轉(zhuǎn),氣象因素變化導(dǎo)致全國(guó)PM2.5年均濃度下降幅度約為4%; 2017年全國(guó)氣象條件與2015年基本持平.胡煥庸線以東的大部分地區(qū)PM2.5年均濃度均上升2μg/m3以上.污染較重的京津冀、東北地區(qū)(遼寧、吉林)、兩湖平原地區(qū)(湖北、湖南)、山西、河南等地區(qū)的氣象條件均明顯轉(zhuǎn)好,有助于減輕PM2.5污染.但是2017年北京、天津以及江蘇東部沿海城市氣象條件明顯轉(zhuǎn)差.從重點(diǎn)區(qū)域來(lái)看,2016年珠三角的氣象條件轉(zhuǎn)差5%,成渝地區(qū)氣象條件基本持平,京津冀及周邊“2+26”城市、長(zhǎng)三角、汾渭平原等地區(qū)氣象條件略有利,轉(zhuǎn)好幅度約3%~5%.2017年珠三角的氣象條件明顯不利,轉(zhuǎn)差幅度高達(dá)29%,不利氣象條件一定程度上抵消了污染減排的環(huán)境效果;其他4個(gè)地區(qū)氣象條件基本持平,氣象場(chǎng)變化對(duì)PM2.5污染的影響很小,但是“2+26”城市、長(zhǎng)三角這2個(gè)地區(qū)的東、西部分布的差異較大.

從4個(gè)季節(jié)來(lái)看,2016年夏季、冬季全國(guó)氣象條件總體轉(zhuǎn)好,而春季、秋季與2015年基本持平; 2017年春季略有轉(zhuǎn)差,而夏季、秋季、冬季氣象條件與2015年基本持平.相比2015年,氣象條件變化對(duì)全國(guó)及重點(diǎn)地區(qū)PM2.5影響程度分布規(guī)律如圖3和表2.

2.3 排放量變化對(duì)PM2.5濃度影響

根據(jù)PM2.5監(jiān)測(cè)濃度和氣象條件變化對(duì)PM2.5污染影響2個(gè)參數(shù),基于式4進(jìn)行演算,可以得到大氣污染物排放量變化對(duì)PM2.5污染的定量影響.與2015年相比,2016年、2017年因大氣污染物排放量變化而導(dǎo)致PM2.5年均下降的城市數(shù)量增加了40多個(gè).排放變化導(dǎo)致全國(guó)PM2.5年均濃度的下降幅度由2016年的3%上升到2017年的14%,特別是京津冀、珠三角、兩湖平原、河南、山東等地區(qū),2016年、2017年下降比例均達(dá)到20%左右.從重點(diǎn)地區(qū)來(lái)看,除汾渭平原的排放變化導(dǎo)致PM2.5年均濃度上升外,其他4個(gè)重點(diǎn)地區(qū)均出現(xiàn)不同程度的下降并且2017的下降幅度高于2016年.從季節(jié)規(guī)律來(lái)看,總體上呈現(xiàn)出冬季變化幅度較小、夏季變化幅度較大的趨勢(shì),其中2017年夏季、冬季因污染減排導(dǎo)致全國(guó)PM2.5濃度下降比例分別為23%和6%.相比2015年,排放變化對(duì)全國(guó)及重點(diǎn)地區(qū)PM2.5濃度的影響程度分布規(guī)律如圖4和表2.

圖4 大氣污染物排放量變化對(duì)PM2.5年均濃度影響

2.4 不確定性分析

本文的不確定性主要來(lái)源于排放清單和空氣質(zhì)量模型等.第一,活動(dòng)水平調(diào)研、排放因子本地化等存在難度,MEIC排放清單中一些部門的排放量不確定性較大.特別是揚(yáng)塵排放難以被直接測(cè)量和無(wú)法獲得準(zhǔn)確的地理信息,導(dǎo)致排放及其時(shí)空分布特征存在較大誤差.第二,CMAQ模型對(duì)沙塵過(guò)程模擬效果較差,因此沙塵天氣PM2.5濃度存在較大誤差.第三,由于PSO4、PNO3和PNH4在重污染過(guò)程具有爆發(fā)式增長(zhǎng)效應(yīng),但相關(guān)化學(xué)反應(yīng)機(jī)制還處于研究階段,因此CMAQ模擬結(jié)果會(huì)對(duì)重污染季節(jié)PM2.5濃度有所低估,特別是PM2.5中PSO4、PNO3和PNH4等均明顯低估[22-23].

根據(jù)式(1)~(4)可知,WRF-CMAQ模型模擬結(jié)果誤差會(huì)向下傳導(dǎo),PM2.5模擬濃度傳遞至排放對(duì)PM2.5濃度影響值.為此,本文在結(jié)果分析時(shí)多采用“相對(duì)變化量”的方式,一定程度上可以減少模型模擬不確定性帶來(lái)的影響,但仍然不能完全消除誤差.總體來(lái)說(shuō),本文結(jié)果可較好反映氣象和排放變化對(duì)全國(guó)及重點(diǎn)區(qū)域PM2.5影響的趨勢(shì)特征,但是尚不能應(yīng)用于對(duì)數(shù)據(jù)準(zhǔn)確度要求較高的環(huán)保考核.

3 結(jié)論

3.1 近幾年我國(guó)PM2.5污染明顯減輕.與2015年相比,2017年全國(guó)空氣質(zhì)量明顯改善,PM2.5年均濃度下降14%; 從重點(diǎn)地區(qū)來(lái)看,汾渭平原PM2.5年均濃度上升5%,珠三角地區(qū)基本持平,京津冀及周邊地區(qū)“2+26”城市、長(zhǎng)三角、成渝3個(gè)地區(qū)的下降比例均超過(guò)10%.

3.2 與2015年相比,2016氣象條件總體轉(zhuǎn)好,氣象因素和排放因素變化導(dǎo)致全國(guó)PM2.5年均濃度下降幅度分別為4%和3%; 2017年全國(guó)氣象條件與2015年相比基本持平,大氣污染物排放量下降是PM2.5污染減輕的決定因素.位于東南沿海的珠三角地區(qū),大氣運(yùn)動(dòng)比較活躍,氣象條件變化導(dǎo)致PM2.5濃度的波動(dòng)較大.除汾渭平原外,其他4個(gè)重點(diǎn)地區(qū)的污染物排放變化導(dǎo)致PM2.5年均濃度下降,污染減排成效顯著.總體來(lái)看,2016年、2017年空氣中PM2.5年均濃度的降低主要得益于污染控制.

[1] Qiu Y L, Liao H, Zhang R J, et al. Simulated impacts of direct radiative effects of scattering and absorbing aerosols on surfacelayer aerosol concentrations in China during a heavily polluted event in February 2014 [J]. Journal of Geophysical Research, 2017,122(11): 5955-5975.

[2] Han X, Liu Y Q, Gao H, et al. Forecasting PM2.5induced male lung cancer morbidity in China using satellite retrieved PM2.5and spatial analysis [J]. Science of The Total Environment, 2017,607–608:1009-1017.

[3] Liao Z, Gao M, Sun J, et al. The impact of synoptic circulation on air quality and pollution-related human health in the Yangtze River Delta region [J]. Science of the Total Environment, 2017,607-608:838-846.

[4] Tie X X, Wu D, Brasseur G. Lung cancer mortality and exposure to atmospheric aerosol particles in Guangzhou, China [J]. Atmospheric Environment, 2009,43(14):2375-2377.

[5] Cao J J, Xu H M, Xu Q, et al. Fine participate matter constituents and cardiopulmonary mortality in a heavily polluted Chinese city [J]. Environmental Health Perspectives, 2012,120(3):373-378.

[6] Guo J P, He J, Liu H L, et al. Impact of various emission control schemes on air quality using WRF-Chem during APEC China [J]. Atmospheric Environment, 2014,140:311-319.

[7] Zhang J P, Zhu T, Zhang Q H, et al. The impact of circulation patterns on regional transport pathways and air quality over Beijing and its surroundings [J]. Atmospheric Chemistry and Physics, 2012,11(12): 33465-33509.

[8] 呂夢(mèng)瑤,張恒德,王繼康,等.2015年冬季京津冀兩次重污染天氣過(guò)程氣象成因[J]. 中國(guó)環(huán)境科學(xué), 2019,39(7):2748-2757. Lü M Y, Zhang H D, Wang J K, et al. Analysis of meteorological causes of two heavily polluted weather processes in Beijing-Tianjin- Hebei Region in winter of 2015 [J]. China Environmental Science, 2019,39(7):2748-2757.

[9] 林廷坤,洪禮楠,黃爭(zhēng)超,等.北京市秋冬季大氣環(huán)流型下的氣象和污染特征[J]. 中國(guó)環(huán)境科學(xué), 2019,39(5):1813-1822.Lin T K, Hong L N, Huang Z C, et al. Meteorological and pollution characteristics under atmospheric circulation types in autumn and winter in Beijing [J]. China Environmental Science, 2019,39(5):1813-1822.

[10] Gao Y, Zhang M G. Numerical simulation of a heavy fog-haze episode over the North China Plain in January 2013 [J]. Climatic and Environmental Research, 2014,19(2):140-152.

[11] 孫兆彬,李梓銘,廖曉農(nóng),等.北京大氣熱力和動(dòng)力結(jié)構(gòu)對(duì)污染物輸送和擴(kuò)散條件的影響[J]. 中國(guó)環(huán)境科學(xué), 2017,37(5):1693-1705. Sun Z B, Li Z M, Liao X N, et al. Influence of Beijing atmospheric thermal and dynamics structure on pollutants transport and diffusion conditions [J]. China Environmental Science, 2017,37(5):1693-1705.

[12] Wang H , Xu J Y, Zhang M, et al. A study of the meteorological causes of a prolonged and severe haze episode in January 2013 over central- eastern China [J]. Atmospheric Environment, 2014,98(98):146-157.

[13] Chen Z, Cai J, Gao B, et al. Detecting the causality influence of individual meteorological factors on local PM2.5concentration in the Jing-Jin-Ji region [J]. Scientific Reports, 2017,doi:10.1038/srep40735.

[14] Liang P F, Zhu T, Fang Y H, et al. The role of meteorological conditions and pollution control strategies in reducing air pollution in Beijing during APEC 2014 and Parade 2015 [J]. Atmospheric Chemistry and Physics, 2017,doi:10.5194/acp-2017-456.

[15] Liu T, Gong S, He J, et al. Attributions of meteorological and emission factors to the 2015 winter severe haze pollution episodes in China's Jing-Jin-Ji area [J]. Atmospheric Chemistry and Physics, 2017,17: 2971-2980.

[16] Multi-resolution emission inventory for China [Z/OL]. http://www. meicmodel.org/.

[17] Guenther A, Karl T, Harley P, et al. Estimates of global terrestrial isoprene emissions using MEGAN (Model of Emissions of Gases and Aerosols from Nature) [J]. Atmospheric Chemistry and Physics, 2006, 6(11):3181-3210.

[18] National Center for Atmospheric Research. CISL Research Data Archive [EB/OL]. http://rda.ucar.edu/datasets/ds083.2.

[19] National Center for Atmospheric Research. CISL Research Data Archive [EB/OL]. http://rda.ucar.edu/datasets/ds461.0.

[20] 薛文博,付 飛,王金南,等.基于全國(guó)城市PM2.5達(dá)標(biāo)約束的大氣環(huán)境容量模擬[J]. 中國(guó)環(huán)境科學(xué), 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 PM2.5compliance of Chinese cities [J]. China Environmental Science, 2014, 34(10):2490-2496.

[21] 許艷玲,薛文博,雷 宇,等.中國(guó)氨減排對(duì)控制PM2.5污染的敏感性研究[J]. 中國(guó)環(huán)境科學(xué), 2017,37(7):2482-2491.Xu Y L, Xue W B, Lei Y, et al. Sensitivity analysis of PM2.5pollution to ammonia emission control in China [J]. China Environmental Science, 2017,37(7):2482-2491.

[22] Zheng B, Zhang Q, Zhang Y, et al. Heterogeneous chemistry: a mechanism missing in current models to explain secondary inorganic aerosol formation during the January 2013 haze episode in North China [J]. Atmospheric Chemistry and Physics, 2015,15:2031-2049.

[23] Cheng Y F, Zheng G J, Wei C, et al. Reactive nitrogen chemistry in aerosol water as a source of sulfate during haze events in China [J]. Science Advances, 2016,doi:10.1126/sciadv.1601530.

Impact of meteorological conditions and emission change on PM2.5pollution in China.

XU Yan-ling1,2, XUE Wen-bo2*, LEI Yu2

(1.Key Laboratory of Beijing on Regional Air Pollution Control, Beijing University of Technology, Beijing 100124, China；2.Center for Regional Air Quality Simulation and Control, Chinese Academy for Environmental Planning, Beijing 100012, China)., 2019,39(11)：4546~4551

TheWRF-CMAQ modeling system was employed to investigate the impact of meteorological conditions and emission reduction on PM2.5pollution in China. The results indicate that the PM2.5concentrationobserved in 2016 and 2017 decreased by 7% and 14%, respectively compared with that in 2015, indicating an evident improvement in air quality. In 2016, the decrease in PM2.5concentration owning to meteorological factor and emission reduction were estimated to be 4% and 3%, respectively. The impact of meteorological factors in 2017 showed little difference compared with that in 2015, which implied that the decrease of emissions was the decisive factor to PM2.5decline. In the key regions except for the Fenwei Plain, such as Beijing-Tianjin-Hebei and surrounding region (‘2+26’ region), the Yangtze River Delta (YRD), the Pearl River Delta (PRD) region and the Chengdu-Chongqing (CYB) region, the observational concentration decreased steadily.In the PRD region, an increase of 29% in PM2.5concentration in 2017 could be attributed to the variations of meteorological conditions. Except for the FenWei plain, the decrease of emissions contributed to a larger drop in PM2.5concentration in 2017 in the other key regions. The results indicated that the emission cuts generally improved the air quality. The analytical methods presented in this paper could be referred when setting air quality goals or estimating environmental benefit of pollution control plans.

WRF-CMAQ model；PM2.5pollution；meteorological；emission；quantitative impact

X513

A

1000-6923(2019)11-4546-06

許艷玲(1980-),女,河北玉田人,副研究員,北京工業(yè)大學(xué)博士研究生,主要從事空氣質(zhì)量模型、大氣污染控制對(duì)策等方面研究.發(fā)表論文10余篇.

2019-04-29

國(guó)家重點(diǎn)研發(fā)計(jì)劃(2016YFC0207502,2016YFC0208805)

* 責(zé)任作者, 副研究員, xuewb@caep.org.cn