CMAQ模式及其修正技术在上海市PM_(2.5)预报中的应用检验

利用CMAQ空气质量数值预报模式对上海市PM2.5浓度进行预报,选取10个囯控站点监测数据对预报进行验证评估.结果表明,CMAQ模式开展能够较好地模拟出PM2.5的时间变化趋势及浓度水平,但总体处于低估的水平,偏低幅度约25%,尤其在高污染阶段,模式的低估更为突出,达32%,这与污染源清单的不确定性有关.为提高PM2.5预报准确度,采用学习型线性回归方法对PM2.5浓度的数值预报结果进行修正,统计检验结果显示修正预报准确率由原来的76.4%提高到了79.3%,污染预报成功指数由56.4%提高至72.1%,明显提高了PM2.5浓度的预报效果,反映了引入实际监测数据对空气质量数值预报模式进行修正的研究意义和可行性.     

中国PM2.5管理策略研究

文章通过对PM2.5的基本组成、来源与影响因素的分析,构建中国PM2.5全过程管理体系,建立、完善PM2.5削减和控制长效机制,进而实现中国PM2.5管理。     

国内外PM2.5源谱对比及其对空气质量模拟效果的影响

对比了国内外固定燃烧源、工业过程源、道路移动源和扬尘源等排放源PM_2.5成分谱之间的差异,并利用CMAQ（区域空气质量模型）模拟识别各PM_2.5成分谱之间的差异对空气质量模拟影响较大的排放源.结果表明:① 由于国内外发展水平、排放标准、采样分析条件以及排放源除尘设备等的差异,各排放源PM_2.5成分谱差异较大;② PM_2.5成分谱差异较大的源主要有燃煤电厂、水泥制造、重型柴油车和道路扬尘等,而差异较大的组分主要有SO₄2-、NO₃-和Ca等;③ 道路移动源源谱本地化对PM_2.5的模拟影响最大,其次为扬尘源和工业过程源,而固定燃烧源则相较最小,其中道路移动源源谱本地化模拟案例与基线的PM_2.5模拟质量浓度绝对差值为0.27μg/m3,各组分质量浓度差系数之和为52.60×10-3 μg/（m3·kg）,而固定燃烧源源谱本地化模拟案例PM_2.5模拟质量浓度绝对差值仅为0.10μg/m3,各组分之和为2.12×10-3 μg/（m3·kg）.研究显示,有必要采用统一的标准开展本地源成分谱测试工作,为源解析及模型模拟提供基础性数据,而从对空气质量模型模拟影响的角度出发,优先建立道路移动源本地化PM_2.5成分谱较为重要.      

2013年1月北京市PM2.5区域来源解析

2013年1月,北京地区经历了多次严重的灰霾天气,细颗粒物污染已成为北京地区所面临的重要问题.了解和掌握北京细颗粒物的污染来源,是解决细颗粒物污染的重要途径,也是制定防治政策的重要依据.通过建立三维空气质量模型系统,对2013年1月20~24日的污染过程进行模拟,并运用PSAT技术探究北京市细颗粒物污染的区域来源.结果表明,本地源排放是北京市PM2.5的主要来源,平均贡献率为34%;河北和天津的平均贡献率分别为26%和4%;京津冀周边地区及模拟边界外的贡献分别为12%和24%.在重污染日,区域传输对北京市PM2.5的影响显著增强,是北京PM2.5污染的主要来源.PM2.5中的硝酸盐主要来自北京市周边地区的贡献,而硫酸盐和二次有机气溶胶呈现远距离传输的特性,铵盐和其他组分则主要来自北京本地的贡献.     

北京城区不同组分PM2.5散射特性及来源分析

近年来北京城区PM_2.5浓度下降伴随其中二次离子占比升高,为探索不同组分PM_2.5散射特性及其来源,于2020年12月至2021年11月开展了小时分辨率的PM_2.5及其组分浓度和散射系数的连续在线监测,分析了PM_2.5组分及散射的特征和来源.结果表明,研究期间北京城区PM_2.5最主要组分为NO^-₃,PM_2.5中ω(NO^-₃)和ω(SNA)分别为24%和46%.根据浓度和组分占比将PM_2.5划分为6种类型：优型出现频率最高,为56%,四季分布均匀,PM_2.5中ω(SNA)、ω(OM)和ω(FS)相当,分别为32%、 32%和28%;沙尘(D)型和OM(O)型全年出现频率较低,分别以FS和OM为主要组分,PM_2.5中ω(FS)和ω(OM)分别为66%和46%,主要分布于春季和夏季;OM+SO₄     

武汉光谷空气PM10和PM2.5中的水溶性阴离子分析

2009年1月-2011年12月在武汉光谷商业区选取G、H两点,采集颗粒物样品,分析了PM10和PM2.5浓度,采用离子色谱测定了灰霾期间PM2.5中4种水溶性阴离子。结果表明:G点PM10和PM2.5年平均浓度分别超过《环境空气质量标准》(GB 3095-2012)二级浓度限值的1.48~1.73倍和1.94~2.4倍,H点分别超标1.16~1.4倍和1.26~1.86倍。灰霾期间PM2.5中主要水溶性阴离子为NO3-、SO42-、NO2-和Cl-,G点4种水溶性阴离子占PM2.5中总水溶性离子的比例分别是为20.29%、10.16%、9.51%和4.62%,H点为14.41%、30.12%、6.64%和3.83%。G点NOx-浓度约为SO42-浓度的3倍,而H点SO42-浓度约为NOx-浓度的1.5倍。G与H点NOx-和SO42-离子浓度的差异暗示两监测点的主要污染源不同,交通量和植被覆盖率可能是导致两点浓度差异的原因。。     

2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征

乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ（PM_2.5）、ρ（PM₁₀）监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM_2.5、PM₁₀的时空分布特征.结果表明:ρ（PM_2.5）从2015年（66.60 μg/m3）到2016年（76.93 μg/m3）呈上升趋势,在2016—2018年呈单一下降趋势;ρ（PM₁₀）从2015年（132.74 μg/m3）到2016年（125.93 μg/m3）呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ（PM_2.5）、ρ（PM₁₀）平均值比城市中心（商业区、居民区）分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ（PM_2.5）、ρ（PM₁₀）均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ（PM_2.5）/ρ（PM₁₀）呈先增后降的趋势,冬季以PM_2.5污染为主,其他季节以PM₁₀污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系.      

淮海经济区核心区污染排放对重点区域城市PM2.5贡献研究

基于WRF-CMAQ空气质量模型，采用开关污染源排放的敏感性试验方法，定量分析了淮海经济区核心区污染排放对京津冀区域、"2+26 "大气污染传输通道城市、汾渭平原地区和长三角区域PM_2.5的贡献.结果表明，对京津冀区域，污染贡献比例最大值出现在10月份，同时对不同城市的贡献值在10%以内变化；对" 2+26"大气传输通道城市，影响的时空差异变化明显，其中对聊城市、菏泽市和济南市的贡献值均超过了10%；对汾渭平原地区的贡献总体较弱，最大贡献值低于5%；对长三角区域，贡献值在不同城市间的时空差异变化明显.考虑到淮海经济区地处京津冀和长三角过渡地带，且对京津冀和长三角区域PM_2.5影响较大，建议尽快将淮海经济区核心地区纳入国家大气污染重点控制区.     

北京2009~2010年冬、春季PM2.5污染特征

针对北京地区冬季和春季PM_2.5污染特征进行研究.于2009年12月～2010年5月在城市点采集24h 大气颗粒物样品,进行颗粒物主要化学组分分析.冬季和春季颗粒物的平均质量浓度分别为（84.97±68.98）μg/m³和（65.25±45.76）μg/m³.冬季和春季颗粒物中二次组分（SNA+SOA）有重要贡献,二次组分分别占颗粒物质量浓度的49%和47%.冬春季重污染时期较强的源排放和低温、低风速、高相对湿度等不利的气象特征使得颗粒物中二次无机离子SNA（NH₄⁺、NO₃^-、SO₄^2-）的比重较干净天明显上升,其中硝酸盐贡献的增强最为显著.同时冬春季有机物中二次有机组分贡献显著.而受一次源的影响,冬春季重污染时期一次有机物的增强.     

北京市一次先PM2.5后沙尘污染过程特征及预报效果分析

该文利用韩国天气图、中国气象局气象要素、PM_2.5和PM₁₀质量浓度及NAQPMS模式模拟资料对2021年3月8-17日的一次先PM_2.5污染后沙尘传输作用的污染过程对空气质量影响、形成原因及数值模型预报效果进行了初步分析。结果表明：此次污染过程造成北京市空气质量持续10 d超标,污染过程主要经历2个不同的阶段,第一阶段为以PM_2.5为首污阶段(8-14日)：不利的大气扩散条件叠加区域传输影响,导致北京市持续68 h空气重污染,PM_2.5峰值浓度达到264μg/m³;第二阶段为沙尘影响阶段,前期受上游强沙尘影响而形成的PM₁₀峰值浓度超过7 000μg/m³的严重污染过程,后期在西南风作用下受沙尘回流影响。此次污染过程的成因PM_2.5污染时段为静稳、高湿度、偏南风的不利大气扩散条件影响,数值模式结果表明区域传输达到69%;沙尘污染时段随着蒙古气旋的发展引起冷空气南下造成华北地区、华中、华东等...     

Process analysis of PM2.5 pollution events in a coastal city of China using CMAQ

US EPA's Community Multiscale Air Quality modeling system(CMAQ) with Process Analysis tool was used to simulate and quantify the contribution of individual atmospheric processes to PM_(2.5) concentration in Qingdao during three representative PM_(2.5) pollution events in the winter of 2015 and 2016. Compared with the observed surface PM_(2.5) concentrations, CMAQ could reasonably reproduce the temporal and spatial variations of PM_(2.5) during these three events. Process analysis results show that primary emissions accounted for 72.7%–93.2% of the accumulation of surface PM_(2.5) before and after the events.When the events occurred, primary emissions were still the major contributor to the increase of PM_(2.5) in Qingdao, however the contribution percentage reduced significantly,which only account for 51.4%–71.8%. Net contribution from horizontal and vertical transport to the accumulation of PM_(2.5) was also positive and its percentage increased when events occurred. Only 1.1%–4.6% of aerosol accumulation was due to PM processes and aqueous chemical processes before and after events. When the events occurred,contribution from PM processes and aqueous chemistry increased to 6.0%–11.8%. Loss of PM_(2.5) was mainly through horizontal transport, vertical transport and dry deposition, no matter during or outside the events. Wet deposition would become the main removal pathway of PM_(2.5), when precipitation occurred.     

基于Model-3/CMAQ模式的本溪市大气细颗粒物数值模拟

为探究北方山区城市大气细颗粒物污染特征,应用气象模式WRF耦合空气质量模式CMAQ对本溪市2016年PM_2.5空间分布特征、化学组分特征及主要污染源贡献情况进行分析.本溪市SO₂、NO_x、TSP的工业排放量分别达到5.2×104、4.1×104、16.1×104 t.结果表明,模拟值与监测值变化趋势基本一致,模拟效果较好. 1月ρ（PM_2.5）明显高于7月,空间分布均呈现"西高东低"态势,高值区出现在人口稠密的市区附近. 1月ρ（PM_2.5）本地源贡献率表现为钢铁（35.7%）>供暖（12.5%）>居民（7.5%）>移动（5.2%）>秸秆（2.0%）>电力（0.4%）;7月为钢铁（48.6%）>移动（9.2%）>建材（3.5%）>居民（2.8%）>电力（1.5%）.受气候、地貌及大气污染物排放特征影响,1月区域传输特征明显,外来源贡献为24%,高于7月的14%.另外,1月和7月本溪市PM_2.5组分中二次粒子（SO₄2-、NO₃-、NH₄+）占比分别为29%和32%,碳组分（OC、EC）占比分别为43%和37%,碳气溶胶污染严重.研究显示,本溪市大气细颗粒物污染具有明显的季节性变化特征,1月部分区域浓度超标主要是由于以钢铁行业为主的工业排放造成,加之本溪市1月以西北风为主且风力较大,市区位于西部低海拔地区,来自中部城市群的污染物在向东南方向传输过程中受到高海拔山区阻隔,从而形成污染物积聚效应.      

利用多模式最优集成方法预报上海PM2.5

采用多模式最优集成方法(OCF),对PANDA项目中国和欧洲7个空气质量模式的PM_(2.5)预报结果进行集成释用.2016年6月—2017年5月对上海逐日预报试验结果表明:和最优单模式预报结果相比,OCF预报的PM_(2.5)日均质量浓度的均方根误差降低1.9μg·m-3,相关系数提高0.04,日均质量浓度的精度评分TI提高了2.4,污染TS评分提高了0.28,污染空报率降低了20%,显著提高了PM_(2.5)污染等级预报、趋势预报和精度预报的技巧.对长三角合肥、南京、苏州、杭州、宁波5个城市的预报试验也得到类似的结果,为城市空气质量预报提供了新的方法和思路.但OCF对客观预报的改进幅度在夏季不如冬季显著,在降雨日相对较低.     

北京市大气PM10和PM2.5中有机物的时空变化

2005年四季在北京市不同功能区9个采样点采集大气PM₁₀和PM_2.5样品,并对其中有机物污染水平、分布特征及不同功能区PM₁₀和PM_2.5中有机物的相关性进行了探讨.结果表明,市区PM₁₀和PM_2.5中有机物年均值分别为41.39 μg/m³和34.84 μg/m³,是对照区十三陵的1.44倍和1.26倍;冬季有机物污染最严重,分别为春季的1.15、 1.82倍,秋季的2.06、 2.26倍,夏季的4.53、 6.26倍.不同季节PM_2.5与PM₁₀中EOM的比值超过0.60, 并呈现一定季节差异.各功能区有机污染表现出工业区(商业区)＞居民区(交通区、对照区)的变化趋势,且不同功能区PM_2.5中EOM对PM₁₀中EOM的影响程度各异.有机组分的年均值有非烃＞沥青质＞芳烃＞饱和烃的变化规律,而污染源的季节性排放是造成有机物组分季节变化的主要原因.     

Identification of long-range transport pathways and potential sources of PM2.5 and PM10 in Beijing from 2014 to 2015

Trajectory clustering, potential source contribution function (PSCF) and concentration-weighted trajectory (CWT) methods were applied to investigate the transport pathways and identify potential sources of PM_2.5 and PM₁₀ in different seasons from June 2014 to May 2015 in Beijing. The cluster analyses showed that Beijing was affected by trajectories from the south and southeast in summer and autumn. In winter and spring, Beijing was not only affected by the trajectories from the south and southeast, but was also affected by trajectories from the north and northwest. In addition, the analyses of the pressure profile of backward trajectories showed that backward trajectories, which have important influence on Beijing, were mainly distributed above 970 hPa in summer and autumn and below 950 hPa in spring and winter. This indicates that PM_2.5 and PM₁₀ were strongly affected by the near surface air masses in summer and autumn and by high altitude air masses in winter and spring. Results of PSCF and CWT analyses showed that the largest potential source areas were identified in spring, followed by winter and autumn, then summer. In addition, potential source regions of PM₁₀ were similar to those of PM_2.5. There were a clear seasonal and spatial variation of the potential source areas of Beijing and the airflow in the horizontal and vertical directions. Therefore, more effective regional emission reduction measures in Beijing''s surrounding provinces should be implemented to reduce emissions of regional sources in different seasons.     

基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟

在城市区域内,空气污染物的浓度在小范围内存在显著差异,而离散的地面监测点分布不均匀,且监测范围有限,无法满足污染物暴露评估等研究的需求.本研究基于GIS空间分析和多元逐步回归的模型构建的方法,建立了土地利用回归（LUR）模型,并模拟了北京市2019年PM_2.5和PM₁₀浓度的空间分布特征.选择土地覆盖数据、气象数据（风速、降水、温度）和植被覆盖度数据等预测变量,以研究区34个监测站点为中心建立0.1~5 km共7个系列缓冲区,表征不同尺度下各变量对PM_2.5和PM₁₀浓度的影响.研究结果表明：①进入PM_2.5回归模型中的变量有：年均风速、温度、降水量和周围中等植被覆盖、耕地和不透水面的面积;进入PM₁₀回归模型中的变量有：年均风速和周围中等植被覆盖的面积.两个模型的调整R²分别为0.829和0.677,模型精度较高.②抑制污染物浓度的变量,影响力随着空间范围扩大而增强;使污染物浓度增加的变量,影响力随着空间范围缩小而增强.③浓度模拟结果显示,PM_2.5和PM₁₀在西北部山区浓度较低,南偏东的城区浓度较高,并且向南有逐渐增加趋势.4植被覆盖度这一变量不仅进入了上述两个方程,且影响力都强于其他土地利用类型,故以后的模型改进应该考虑植被覆盖度这一因素.     

北京市控制PM2.5污染的健康效益评估

实施PM_2.5污染控制后所带来的居民健康经济效益评估,对推进区域环境空气质量监管、健康预警以及防治等工作具有重要意义.本文采用泊松回归相对危险模型和环境价值评估方法,对2016~2019北京16个辖区年PM_2.5污染控制到二级标准限值35 μg·m^-3后所带来的健康风险及经济效益进行评估.结果显示,2016~2019年北京及其16个辖区PM_2.5浓度、各健康终端效应、经济效益以及人均经济健康效益等均呈现出下降趋势.其中,北京PM_2.5浓度值从2016年的73 μg·m^-3下降至2019年的42 μg·m^-3,年均下降率为16.75%,控制PM_2.5污染的健康总受益人数从2016年的439985例（95%置信区间：183987,653476）下降到2019年的77288例（95%置信区间：30483,120905）,年平均下降率约为42.67%.健康经济效益占GDP的比重从3.16%（95%置信区间：1.10%,4.73%）下降到0.55%（95%置信区间：0.18%,0.88%）,人均健康经济效益从3727.61元（95%置信区间：1303.24,5592.18）下降到906.58元（95%置信区间：295.14,1438.27）.此外,由于PM_2.5浓度、人口数量和密度以及单位健康终端经济价值的差异使得北京16个辖区的健康经济效益、占GDP比重以及人均效益估算结果各有差异,其中丰台、通州和大兴等远高于其他辖区,健康风险与经济效益问题相对突出.     

2014年APEC前后北京城区PM2.5中水溶性离子特征分析

2014年10月至11月间,在北京城区开展PM_(2.5)监测并对其中的水溶性离子进行离线及在线分析.其中NO_3~-、SO_4~(2-)和NH_4~+在不同观测阶段均是PM_(2.5)中的主要离子,APEC期间三者总浓度为(26.8±22.5)μg·m~(-3),占PM2.5质量浓度的(41.7±8.5)%,占所测水溶性离子组分的(84.7±5.0)%;APEC期间NO-3浓度水平较高,对PM_(2.5)贡献最大.对APEC期间水溶性离子的累积趋势研究发现,NO_3~-、SO_4~(2-)、NH_4~+和Cl~-均经历了3个不同的累积过程,除气象条件外,本地源排放及区域污染引起的累积效应仍不可忽视.对颗粒物酸性特征研究发现,不同观测期间,颗粒物中主要水溶性离子浓度虽有不同,但北京秋末冬初颗粒物无明显酸化特征.