浅述天津主要污染物总量控制的实践经验与未来思路

浅述天津"十一五"、"十二五"期间主要污染物总量控制的工作历程,总结实践经验并对现有问题进行反思,梳理未来几年减排工作方法和管理策略。在此基础,提出采用提升排放标准和差别化征收排污费等手段确保总量控制制度的有效实施。     

奥运前期与奥运期间北京市大气细颗粒物特征比较分析

利用城市生态系统研究站对北京市奥运前后(2008年6～9月)大气中细颗粒物(PM2.5)进行连续监测,获得不同阶段PM2.5日平均浓度的动态特征,分析气象因素、人为控制管理措施对颗粒物浓度的影响.结果表明,近北五环的生态中心站点(RCEES)颗粒物日均浓度平均值为0.067 mg.m-3,奥运期间的颗粒物浓度(0.060 mg.m-3)比奥运前期(0.081 mg.m-3)减少了约26%.而位于南二环市中心的教学植物园站点(JX)颗粒物浓度平均含量为0.078 mg.m-3.JX站点奥运期间的颗粒物浓度(0.069 mg.m-3)比奥运前期(0.095 mg.m-3)减少了约27%.各个阶段PM2.5的日变化都基本呈现双峰态势.第一个峰值出现在08:00～10:00左右,RCEES站点颗粒物浓度为0.068 mg.m-3,JX站点浓度值为0.089 mg.m-3;另一个峰值出现在晚20:00～22:00左右,RCEES和JX站点颗粒物浓度为0.079 mg.m-3和0.083 mg.m-3,这主要与上班交通高峰导致的尾气排放污染和道路扬尘污染等有关.研究气象参数发现奥运期间与奥运前期气象条件无显著差异,属于高温高湿风力不大的典型北京夏季天气条件.奥运期间颗粒物浓度与温度呈显著正相关(P<0.01),而与风速、相对湿度及降水相关性不显著(P>0.05).而连续多年大气污染综合治理措施和奥运空气质量保障措施的实施,产生了显著环境效益.在自然因素相差不大的条件下,人为控制因素对奥运期间颗粒物的下降起到主导作用.     

天津市2017年重污染过程二次无机化学污染特征分析

基于2017年天津市超级观测站数据,筛选出7次典型重污染过程,从污染物浓度、二次转化方面分析重污染过程二次无机化学污染特征.结果表明,重污染期间NO₃^-和SO₄^2-浓度较清洁天气增长幅度最高,显著高于PM_2.5的增长程度,说明二次无机转化是导致重污染期间PM_2.5污染加重的重要原因;下半年PM_2.5和SO₂污染程度较上半年减轻,与秋冬季采取燃煤治理等活动有关;重污染期间NO₂/SO₂比值为1.5~19.6,其中下半年NO₂/SO₂比值显著高于上半年,说明在各项污染源管控下移动源的影响比例相对增加;大部分重污染期间NO₃^-浓度大于SO₄^2-浓度,SOR值高于NOR值,说明重污染期间硫酸盐和硝酸盐转化均较重要;在SO₂浓度显著降低的情况下,重污染期间SO₄^2-浓度并未明显降低,说明除二次无机转化外,硫酸盐生成还受其他因素影响.     

2006~2015年北京市不同地区O3浓度变化

对2006~2015年北京市定陵、官园、琉璃河和前门这4个站点的O₃连续监测数据进行分析,探讨其浓度水平、变化趋势、时间变化规律以及和前体物、气象要素的关系.结果表明,定陵站十年平均浓度水平最高（65.2 μg·m^-3）,其次为琉璃河（53.4 μg·m^-3）、官园（49.6 μg·m^-3）和前门（40.4 μg·m^-3）.定陵O₃浓度呈下降趋势［0.5 μg·（m³·a）^-1］,而官园［0.9 μg·（m³·a）^-1］、琉璃河［0.3 μg·（m³·a）^-1］和前门［0.3 μg·（m³·a）^-1］均呈上升趋势.从月变化来看,各站点O₃浓度最高值均出现在6~8月,出现频次最高的为7月（17次）,平均月均浓度为99.8 μg·m^-3;最低值均出现在11、12月和1、2月,出现频次最高的为1月（14次）,平均月均浓度为16.6 μg·m^-3.从日变化来看,近年来O₃浓度峰值出现的时间明显提前,近3年峰值均在15：00~16：00出现,提前了1~2 h.2015年定陵站O₃重污染天数达到11 d,比2013年增加了10 d,表明近年来夏季北京下风向山区的O₃重污染状况愈发严重.与前体物的相关性分析表明,定陵站O₃浓度与NO₂浓度呈正相关,其余站点两者浓度均呈负相关,暗示定陵站O₃生成的前体物控制区可能为NO₂控制区,而其他站点为VOCs控制区.与气象要素的相关性分析表明,O₃浓度与温度呈正相关关系,与湿度和气压呈负相关关系,温度对O₃浓度的影响最大,其次是气压和湿度.当日最高温度超过30℃,相对湿度介于30%至70%之间时,北京市O₃日最大8 h滑动平均浓度超过200 μg·m^-3的概率较高,空气质量级别会达到轻度至中度污染的级别.     

2013年北京市不同方位PM2.5背景浓度研究

利用2013年北京市6个站点PM_(2.5)浓度及5个站点气象监测数据,综合采用数理统计、物理识别、数值模拟的方法分析了2013年北京市不同方位PM_(2.5)的背景值.结果表明,2013年北京市西北、东北、东、东南、南、西南这6个方向边界点位的背景浓度在40.3~85.3μg·m-3之间,按由低到高顺序依次为密云水库、八达岭、东高村、榆垡、永乐店和琉璃河;2013年北京市PM_(2.5)北风时段背景值最低,西风时段次之,南风、东风时段明显偏高,不同风向下背景浓度的平均值分别在6.5~27.9、22.4~73.4、67.2~91.7、40.7~116.1μg·m-3之间,表现出北京东、南方向PM_(2.5)背景浓度较高分布特点;模拟的2013年北京市PM_(2.5)背景浓度空间分布呈现出南高北低的特征,周边区域对北京市PM_(2.5)背景浓度空间分布影响显著.     

2015～2016年北京市3次空气重污染红色预警PM2.5成因分析及效果评估

北京市空气重污染应急指挥部分别于2015年12月7日18：00、12月18日07：00和2016年12月15日13：00发布了3次空气重污染红色预警.为了厘清3次红色预警的成因差异,评估应急措施在应对空气重污染的有效性,本文基于北京市环境和气象监测数据,分析了红色预警期间PM_2.5浓度、气象条件、天气形势及气团传输.3次预警期间均受污染物二次转化影响,但造成高浓度PM_2.5的原因主要为气象条件影响.第1、第2次预警期间,地面受均压场控制,区域传输分别受西南和南部气团影响,第3次预警地面受大范围低压场控制,受西南传输及局地气团叠加影响.第3次红色预警期间北京市PM_2.5污染最为严重,PM_2.5平均小时浓度最高为273.6 μg·m^-3,是前两次预警的1.2倍和1.3倍.此外,结合各污染源减排量,采用WRF-CMAQ模式对第3次红色预警应急措施效果进行评估,结果表明：应急措施实施后,污染物日平均减排量为678.4 t,PM_2.5质量浓度平均下降了79.1 μg·m^-3,平均下降比例为26.9%.应急措施中增加燃煤源及加大交通源和其他源控制、预警启动时间提前及区域间联防联控有效缓解了PM_2.5浓度加重趋势.     

A framework for investigating the air quality variation characteristics based on the monitoring data: Case study for Beijing during 2013–2016

In this study, an analysis framework based on the regular monitoring data was proposed for investigating the annual/inter-annual air quality variation and the contributions from different factors(i.e., seasons, pollution periods and airflow directions), through a case study in Beijing from 2013 to 2016. The results showed that the annual mean concentrations(MC) of PM_(2.5), SO_2, NO_2 and CO had decreased with annual mean ratios of 7.5%, 28.6%, 4.6%and 15.5% from 2013 to 2016, respectively. Among seasons, the MC in winter contributed the largest fractions(25.8%～46.4%) to the annual MC, and the change of MC in summer contributed most to the inter-annual MC variation(IMCV) of PM_(2.5) and NO2. For different pollution periods, gradually increase of frequency of S-1(PM_(2.5), 0～ 75 μg/m~3) made S-1 become the largest contributor(28.8%) to the MC of PM_(2.5) in 2016, it had a negative contribution(-13.1%) to the IMCV of PM_(2.5); obvious decreases of frequencies of heavily polluted and severely polluted dominated(44.7% and 39.5%) the IMCV of PM_(2.5). For different airflow directions, the MC of pollutants under the south airflow had the most significant decrease(22.5%～62.5%), and those decrease contributed most to the IMCV of PM_(2.5)(143.3%),SO2(72.0%), NO_2(55.5%) and CO(190.3%); the west airflow had negative influences to the IMCV of PM_(2.5), NO_2 and CO. The framework is helpful for further analysis and utilization of the large amounts of monitoring data; and the analysis results can provide scientific supports for the formulation or adjustment of further air pollution mitigation policy.     

基于LMDI分解方法的河北省PM2.5排放驱动因素分析

研究了河北省1990—2015年PM_(2.5)的排放总量及各个产业部门的排放量分布,并应用LMDI模型对五大部门PM_(2.5)排放变化的驱动因素进行了较全面的分解分析,以找出每个部门中PM_(2.5)排放变化的关键驱动因素.同时,通过对原始数据的整理分析和模型计算,结果发现:①工业、生活消费、农业部门是河北省PM_(2.5)排放的三大来源.其中,工业部门是PM_(2.5)排放的最主要贡献部门,占PM_(2.5)总排放量的70%;生活消费部门的贡献位居第二,占比约24%.②对于生产端,经济规模总量扩张是PM_(2.5)排放量增加的最主要原因;能源利用效率的提高和污染治理工艺水平的改进使得各部门的排放强度减弱,明显缓解了PM_(2.5)的排放增长,部门经济结构的优化也可带来明显的减排效应.③对于消费端,人均收入的提高促进了PM_(2.5)排放的增加,倡导绿色消费模式可以有效减缓PM_(2.5)排放.根据以上结论,本研究通过找到各部门存在的问题,为河北省大气污染治理提供参考和借鉴.     

气象条件对天津冬季低层大气中PAN浓度的影响

采用在线仪器监测分析2017年冬季天津气象铁塔220m观测平台大气中过氧乙酰硝酸酯（PAN）的体积浓度,并结合污染物资料、气象观测资料和后向轨迹分析造成PAN高值的影响因素.观测期间天津城区大气中PAN的体积浓度平均值为（0.57±0.54）×10^-9,PAN体积浓度存在2个峰值,大体上对应着2次重污染过程.PAN与O₃间不存在明显的相关性,但与PM_2.5质量浓度相关性较好,表明光化学反应并非影响冬季PAN浓度的唯一因素,后向轨迹的聚类分析以及改进的静稳指数显示远距离输送和本地积累对PAN浓度的时空分布发挥了较大作用.对观测期间一次重污染天气过程中温度、相对湿度和风的垂直廓线,以及混合层厚度等气象条件的分析表明,PAN浓度上升既受到区域输送影响,也与静稳天气下的污染物积累有关.     

北京APEC期间大气颗粒物中类腐殖酸的污染特征及来源

为分析北京市APEC期间强化减排措施对大气细颗粒物中类腐殖酸(humic-like substances,HULIS)浓度及污染特征的影响.对APEC前后样品进行了碳质组分(OC/EC)、水溶性有机碳(water-soluble organic carbon,WSOC)、HULIS和水溶性离子分析,研究发现APEC采样期间大气颗粒物中HULIS的浓度范围为1~15μg·m~(-3).HULIS浓度在会议减排前、中和后期分别为7.99、5.83和7.06μg·m~(-3).会议减排对降低HULIS浓度起到了一定作用.在会议期间HULIS的浓度下降程度明显快于EC与WSOC.会议之后HULIS的浓度上升程度明显慢于OC、EC、WSOC和PM_(2.5);HULIS占PM_(2.5)的值在采样期间变化不大,在采样期间、会议减排前、中和后期分别为13.60%、13.59%、14.02%和12.22%.HULIS-C/OC的值和HULIS-C/WSOC的值依次为28.95%、35.51%、28.37%、19.93%和52.75%、59.58%、51.54%、45.39%.HULIS与湿度呈显著正相关,与风速呈显著负相关;生物质燃烧和二次转化可能是北京大气颗粒物中HULIS重要来源.