全国2018～2019年秋冬季气象条件变化对PM2.5影

作者:网站采编
关键词:
摘要：PM2.5污染会对人体健康、大气能见度、全球气候变化、可持续经济发展等产生不利影响[1-6].PM2.5浓度变化由气象条件和污染源排放共同决定[7-12],气象条件通过影响污染物质的稀释、扩散

PM2.5污染会对人体健康、大气能见度、全球气候变化、可持续经济发展等产生不利影响[1-6].PM2.5浓度变化由气象条件和污染源排放共同决定[7-12],气象条件通过影响污染物质的稀释、扩散、积聚和清除过程从而对污染物的浓度产生影响,在湿度较高、风速较低时,PM2.5浓度一般较高[10].目前已经开展了很多关于气象条件对PM2.5浓度影响的研究工作[13-23].Chuang等[15]研究了气象参数和大气环流对PM2.5的影响；Chen等[17]研究发现京津冀地区气象参数和PM2.5浓度有较强的相关性；姚青等[23]研究了天津大气稳定度和逆温特征对PM2.5污染的影响,以上研究均是定性分析气象的影响.气象对PM2.5影响的定量分析可借助空气质量模式来实现.Xu等[24]利用WRF-CMAQ模型定量分析了中国冬季气象条件变化对PM2.5浓度的影响.关于污染减排对PM2.5浓度的影响已有很多研究工作[25-28],孟宁等[25]基于WRF-Chem模式探讨了人为源减排对PM2.5浓度的影响；吴文景等[26]基于CMAQ探讨了京津冀地区主要排放源减排对区域PM2.5污染的改善效果；Dong等[27]基于CMAQ探讨了交通、工业NOx和VOCs以及电厂NOx减排对硝酸盐浓度的影响.但目前关于定量气象和排放影响的研究主要集中在经济发达的个别城市或城市群,从全国尺度定量分析气象条件和排放影响的研究相对较少；且关于所有污染源排放导致PM2.5浓度变化的研究较少.

2018年10月～2019年3月,京津冀及周边地区“2+26”城市(“2+26”城市)PM2.5平均浓度为82μg/m3,同比上升6.5%,重污染天数为624d,同比增加36.8%；汾渭平原重污染天数为250d,同比增加42.9%.量化“气象变化-污染排放变化”贡献对于研究2018～ 2019秋冬季PM2.5浓度上升的原因和评价污染减排效果具有重要的意义,但是目前相关的研究较为缺乏.

因此基于以上不足,本研究利用WRF-CMAQ模型系统,从全国、省份和重点区域尺度定量分析了31个省337个城市2018～2019年秋冬季气象条件变化对PM2.5浓度的影响,并结合观测PM2.5浓度值推测人为减排的定量贡献.WRF模型和CMAQ模型被广泛应用于气象场模拟和PM2.5浓度模拟[29].本研究对于探索《打赢蓝天保卫战三年行动计划》实施后,部分城市2018～2019年秋冬季PM2.5浓度反弹的原因具有非常重要的意义.

1 数据和方法

本研究模型模拟范围涵盖中国大陆(暂不包括香港、澳门、台湾) 31个省份(直辖市、自治区),共计337个主要城市.重点区域包括京津冀及周边“2+26”城市(“2+26”城市)、长江三角洲(长三角)、汾渭平原等3个地区.

1.1 数据来源

1.1.1 排放清单 CMAQ模型所需排放清单的化学物种主要包括SO2、NOx、颗粒物(PM10、PM2.5及其组分)、NH3和VOCs(含多种化学组分)等多种污染物.SO2、NOx、PM10、PM2.5、BC、OC、NH3、VOCs(含主要组分)等人为源排放数据均采用2013年MEIC排放清单[30](中国多尺度排放清单,http：//).生物源VOCs排放清单利用MEGAN天然源排放清单模型计算[31].

1.1.2 空气质量监测数据 空气质量监测数据来自中华人民共和国生态环境部数据中心,包括京津冀及周边“2+26”城市、汾渭平原、长三角重点区域城市的2018～2019年秋冬季实际观测PM2.5日均浓度.

1.2 模型设置

1.2.1 模拟时段 模拟时段为2017～2018秋冬季、2018～2019秋冬季,结果输出时间间隔为1h.

1.2.2 模拟区域 CMAQ模型采用Lambert投影坐标系,中心点经度为102°E,中心纬度为36°N,两条平行纬度分别为24°N、46°N.水平模拟范围为X方向(-2524.5～2524.5km)、Y方向(-2119.5～2119.5km),网格间距27km,共将全国划分为187×157个网格.垂直方向共设置14个气压层,层间距自下而上逐渐增大.

1.2.3 气象模拟 CMAQ模型所需要的气象场由中尺度气象模型WRF提供,WRF模型与CMAQ模型采用相同的模拟时段和空间投影坐标系,垂直方向共设置35个气压层,层间距自下而上逐渐增大.WRF模型的初始场与边界场数据采用美国国家环境预报中心(NCEP)提供的6h 1次、1°分辨率的FNL全球分析资料[32],每日对初始场进行初始化,每次模拟时长为30h,Spin-up时间设置为6h,并利用NCEP ADP观测资料[33]进行客观分析与资料同化.

1.2.4 模型参数 参数设置参考以前研究[34-35].

图1 PM2.5模拟浓度与监测浓度相关性Fig.1 Correlation between modeled and observed

1.2.5 模型验证 本研究使用的清单数据为2013年MEIC排放清单,为验证清单和空气质量模型的准确性,本研究结合2013年MEIC清单和2013年气象条件另外进行模拟,之后选取2013年1～12月PM2.5实际观测数据与模拟结果进行比对.参照《环境空气质量模型遴选工作指南(试行)》,对于欧拉网格模型,以NMB、NME以及相关系数来判断结果准确性,PM2.5模拟准确性的评价标准为：-50%＜NMB＜80%,NME＜150%,R2＞0.3.本次模拟中模拟值与观测值的相关性分别为0.76(图1)；标准化平均偏差NMB分别为-21%；标准化平均误差NME分别为33%.结果表明清单较为可靠,模型模拟较为合理[36].

文章来源：《全国流通经济》 网址: http://www.qgltjj.cn/qikandaodu/2021/0113/716.html

上一篇：凤仙花的传说
下一篇：秸秆还田对我国主要粮食作物产量效应的整合（