長(zhǎng)江三角洲冬季電廠排放對(duì)大氣污染的影響

沙 桐,馬曉燕,王健穎,賈海靈,胡亞男,田 蓉,管奇坤,李若琳

?

長(zhǎng)江三角洲冬季電廠排放對(duì)大氣污染的影響

沙 桐,馬曉燕*,王健穎,賈海靈,胡亞男,田 蓉,管奇坤,李若琳

(南京信息工程大學(xué)氣象災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室,氣候與環(huán)境變化國(guó)際合作聯(lián)合實(shí)驗(yàn)室,氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心,中國(guó)氣象局氣溶膠與云降水重點(diǎn)開(kāi)放實(shí)驗(yàn)室,江蘇 南京 210044)

分析了長(zhǎng)江三角洲地區(qū)電廠排放的基本特征并利用WRF-Chem模擬冬季大氣污染狀況,研究了冬季電廠排放主要污染物的特征及其對(duì)空氣質(zhì)量的影響,結(jié)果顯示,長(zhǎng)三角電廠排放的主要大氣污染物為SO2、NO及PM2.5,2010年排放量可分別達(dá)到826.8、1475.6和137.3Gg,分別占長(zhǎng)三角地區(qū)人為源總排放量的34%、38%和14%.冬季主要大氣污染物(SO2、NO2、PM2.5)濃度高值區(qū)分布在南京-上海,杭州-寧波一帶.電廠對(duì)SO2濃度貢獻(xiàn)量(率)的空間分布與SO2排放的空間分布較為一致,而NO2、PM2.5,其貢獻(xiàn)量(率)的高值區(qū)主要分布在安徽、浙江和江西的交界處以及浙江省的東海岸.相對(duì)SO2、NO2,電廠對(duì)PM2.5貢獻(xiàn)量(率)較低,各地均在20μg/m3(15%)以下.污染時(shí)期電廠排放對(duì)模擬的PM2.5和SO2貢獻(xiàn)率(6.9%、34.2%)較清潔時(shí)期(4.9%、20.7%)大,而對(duì)于NO2,清潔和污染時(shí)期的貢獻(xiàn)量沒(méi)有明顯差別,均在10μg/m3左右.冬季氣溫低、風(fēng)速小及邊界層高度低的特征不利于低層污染物的擴(kuò)散,易導(dǎo)致重污染事件的發(fā)生.

長(zhǎng)江三角洲；電廠排放；大氣污染物；PM2.5

火力發(fā)電所需的燃煤排放是我國(guó)大氣污染的主要來(lái)源之一,目前我國(guó)每年火力發(fā)電需要的煤炭消耗總量超過(guò)8億t,其中電廠產(chǎn)生的煙塵排放約占全國(guó)工業(yè)煙塵排放量的35%,而火電廠SO2排放約占全國(guó)工業(yè)SO2排放量的46.1%[1].長(zhǎng)江三角洲地處我國(guó)經(jīng)濟(jì)最為活躍的東部沿海地區(qū),快速的經(jīng)濟(jì)發(fā)展和人口增長(zhǎng),以及由此產(chǎn)生的大量能源消耗,使其環(huán)境污染呈現(xiàn)出新特點(diǎn),即由傳統(tǒng)的煤煙型污染轉(zhuǎn)向以PM2.5和污染氣體(O3、SO2、NO)形成的復(fù)合型污染,同時(shí)對(duì)顆粒物污染有重要貢獻(xiàn)的源類也日趨增多[2-7].由于火力發(fā)電作為重要的大氣污染排放源,對(duì)污染氣體(SO2、NO)和顆粒物(PM2.5、PM10)的一次排放均有重要的貢獻(xiàn),而且污染氣體作為前體物,又可以通過(guò)化學(xué)反應(yīng)過(guò)程生成二次顆粒物,因此一直是大氣環(huán)境研究的重點(diǎn).伯鑫等[8]利用CALPUFF模型研究了不同減排情景下2011年京津冀地區(qū)火電企業(yè)排放對(duì)當(dāng)?shù)卮髿馕廴镜挠绊?薛文博等[9]利用WRF-CAMx定量模擬了全國(guó)火電行業(yè)主要污染物排放對(duì)全國(guó)城市空氣質(zhì)量的影響,發(fā)現(xiàn)在空氣污染越嚴(yán)重的地區(qū)(京津冀魯豫、長(zhǎng)三角、成渝地區(qū)),火電排放對(duì)污染貢獻(xiàn)率越低,其中對(duì)PM2.5年均濃度的貢獻(xiàn)率低于8%.胡亞男等[10]利用WRF-Chem研究了不同排放源對(duì)華東地區(qū)PM2.5的影響,結(jié)果表明火電源對(duì)PM2.5影響的季節(jié)差異不大,且貢獻(xiàn)量約為10%.

但在冬季,由于居民采暖需要更多的能源消耗,會(huì)導(dǎo)致更強(qiáng)的污染物排放,加之穩(wěn)定的大氣層結(jié)以及邊界層逆溫的頻繁出現(xiàn),霧霾事件發(fā)生的頻次遠(yuǎn)高于其他季節(jié)[11-13].據(jù)統(tǒng)計(jì),僅2015年1月南京市就出現(xiàn)了18個(gè)污染天,其中重度污染5d,嚴(yán)重污染日1d[14],而目前針對(duì)火電排放對(duì)冬季大氣污染影響的研究較少,本文將首先分析長(zhǎng)三角地區(qū)冬季電廠排放主要污染物特征,并利用區(qū)域氣象-化學(xué)耦合模式WRF-Chem模擬2015年冬季大氣污染物的濃度以及電力排放對(duì)相對(duì)清潔時(shí)期和污染時(shí)期污染物貢獻(xiàn)的差異,討論影響該地區(qū)大氣污染的主要因素.

1 電廠排放

1.1 排放源介紹

本研究使用的排放源清單來(lái)源于清華大學(xué)開(kāi)發(fā)的中國(guó)多尺度排放清單模型(MEIC)[15],文中所用為2010年的排放源(MEIC10).清單中污染物主要來(lái)源于工業(yè)、民用、電力、交通和農(nóng)業(yè)5個(gè)大類,提供10種主要大氣污染物和溫室氣體(SO2、NO、CO、NMVOC、NH3、CO2、PM2.5、PM10、BC和OC)以及700多種人為排放源,有不同空間分辨率(0.25、0.5和1.0度)的逐月網(wǎng)格化排放清單可供選擇.本文模擬使用了0.25°×0.25°分辨率的月排放資料,數(shù)據(jù)可從http://www.meicmodel. org/獲得.

1.2 人為源排放總量

表1中,從排放總量來(lái)看,CO排放總量較其他污染物排放多,其主要來(lái)源為工業(yè)排放,達(dá)到8142.2Gg/a,占年CO總排放的54%,工業(yè)生產(chǎn)需要大量煤燃料,燃料不完全燃燒時(shí)會(huì)排放出大量CO,因此CO工業(yè)排放量較大.電廠排放CO為302Gg/a,僅占到CO年總排放的2%.其次是NO及VOC排放,其年總排放量分別達(dá)到了3856.6,3750.5Gg/a,工業(yè)排放NO與電廠排放NO總量相當(dāng),均占年總排放量的38%.交通排放NO達(dá)到了工業(yè)排放的一半,占總NO總排放量的22%,說(shuō)明近年來(lái)汽車數(shù)量增加,其排放的污染物已經(jīng)不可忽視.SO2及PM2.5的排放則主要為工業(yè)源,分別占總SO2和總PM2.5排放的62%和58%,電廠排放SO2及PM2.5分別占總排放量的34%和14%.

表1 MEIC10清單中長(zhǎng)三角主要源排放的污染物年總量(Gg/a)

由圖1可以看出,江蘇省各種主要污染物排放量均為長(zhǎng)三角兩省三市之首.長(zhǎng)三角作為全國(guó)最強(qiáng)的綜合性工業(yè)基地,輕重工業(yè)都非常發(fā)達(dá),工業(yè)排放在總排放中占比較大.上海市除NO以外,工業(yè)排放的污染物均超過(guò)總排放量的一半,而排放的NO占總排放量的37.8%.江蘇和浙江工業(yè)排放SO2、CO、VOC和PM2.5超過(guò)總排放量的一半,而排放的NO2和BC都分別達(dá)到了總排放量的30%.另外,可以注意到電廠排放污染物在江蘇和浙江占比較大,特別是SO2、NO的排放,均占總排放的30%以上.電廠排放的PM2.5也達(dá)到了總排放量的10%.而上海市電廠排放的SO2、NO2及PM2.5則相對(duì)較低,這是因?yàn)樯虾Ｊ须姀S數(shù)量偏少,排放量較小,而江蘇省和浙江省電廠分布密集,其排放的污染物占比也較高.

1.3 1月份電廠排放分布

從圖2中可以看到,電廠排放污染物主要集中在蘇南浙北一帶,蘇錫常鎮(zhèn)江揚(yáng)州一線電廠排放處于高值,SO2和NO最大排放量可達(dá)2.1Gg/月,PM2.5最大排放量可達(dá)450Tg/月,蘇北地區(qū)電廠分布較少,因此其排放量也相對(duì)較小.另外,浙江省的寧波及杭州的電廠排放量與蘇錫常一線相當(dāng),該區(qū)域工業(yè)發(fā)展水平高,人口密集,對(duì)于電力需求較大,相應(yīng)的火電廠排放的污染物也較多.

圖2 2010年1月份長(zhǎng)三角電廠排放主要污染物分布

根據(jù)以上分析可知,電廠排放的主要污染物SO2、NO和PM2.5占人為源排放總量比例較高,由于霧霾的首要污染物為PM2.5,且霾發(fā)生時(shí),二次無(wú)機(jī)氣溶膠(硫酸鹽,硝酸鹽,銨鹽)的占比會(huì)迅速上升[16-17],而SO2、NO2作為硫酸鹽,硝酸鹽的氣態(tài)前體物,對(duì)其生成有重要貢獻(xiàn).

2 資料及方法

2.1 數(shù)值模擬

WRF-Chem[18]是由美國(guó)海洋和大氣管理局、美國(guó)國(guó)家大氣中心開(kāi)發(fā)的耦合空氣質(zhì)量模式系統(tǒng).由于該模式是氣象和化學(xué)模式完全在線耦合,不僅可以在線模擬包括風(fēng)速、溫度、氣壓、以及云和降水等物理量的天氣和氣候,還可以模擬大氣污染物在大氣中經(jīng)歷的復(fù)雜物理過(guò)程和化學(xué)反應(yīng),因此該模式在區(qū)域空氣污染研究方面有較多應(yīng)用[19-22].氣象模塊和化學(xué)模塊使用相同的垂直和水平坐標(biāo),次網(wǎng)格傳輸使用相同的物理參數(shù)化方案.

圖3 模式區(qū)域設(shè)置

本研究采用2層嵌套模擬,第一、二層區(qū)域以長(zhǎng)三角地區(qū)的南京為中心.如圖3,第一層為中國(guó)東部地區(qū),分辨率為27km,網(wǎng)格數(shù)為66′75,第二層覆蓋長(zhǎng)三角地區(qū),分辨率為9km,網(wǎng)格數(shù)為109′124.模式垂直方向設(shè)置為30層,模擬時(shí)間為2015年1月1日~2015年1月30日.模擬采用美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心(NCEP)1°′1°再分析資料FNL作為模式氣象初始場(chǎng),大氣成分初始和邊界場(chǎng)使用全球大氣化學(xué)模式MOZART-4/GEOS5(the Model for Ozone and Related chemical Tracers, version 4)提供的1.9°′2.5°水平分辨率的實(shí)時(shí)預(yù)報(bào)結(jié)果[23].模式使用的主要參數(shù)化方案如表2所示.

表2 WRF-Chem參數(shù)化方案

2.2 觀測(cè)資料

文中所用的大氣污染物觀測(cè)資料取自中國(guó)環(huán)境監(jiān)測(cè)總站網(wǎng)站,時(shí)間分辨率為1h,選取南京、上海和杭州共3個(gè)站點(diǎn)的PM2.5數(shù)據(jù).氣象觀測(cè)數(shù)據(jù)來(lái)源于氣象信息綜合分析處理系統(tǒng)(Meteorological Information Comprehensive Analysis and Process System),包括2m溫度,10m風(fēng)速風(fēng)向,相對(duì)濕度時(shí)間分辨率為3h.站點(diǎn)分布如圖4所示.

圖4 模擬區(qū)域及站點(diǎn)分布

3 模式評(píng)估

3.1 氣象場(chǎng)

氣象要素是空氣質(zhì)量模式預(yù)報(bào)需要的關(guān)鍵輸入場(chǎng),其準(zhǔn)確性將對(duì)預(yù)測(cè)結(jié)果有重要的影響,因此首先利用觀測(cè)資料對(duì)氣象場(chǎng)的模擬結(jié)果進(jìn)行了評(píng)估和驗(yàn)證.由表3可以看出,該次模擬的溫度與觀測(cè)結(jié)果相關(guān)性較好,相關(guān)系數(shù)均超過(guò)了0.65,且都通過(guò)了99.9%的顯著性檢驗(yàn).地面2m溫度較觀測(cè)值略偏高1℃,模擬的南京及杭州平均相對(duì)濕度略偏低,上海的相對(duì)濕度則偏高.相比于溫度模擬效果,風(fēng)速模擬結(jié)果相對(duì)較差,3個(gè)站點(diǎn)的平均風(fēng)速模擬值較觀測(cè)值明顯偏高,其中南京風(fēng)速模擬效果最好,相關(guān)系數(shù)達(dá)到0.64,而上海最差,相關(guān)系數(shù)僅有0.29.不過(guò)氣象要素的模擬結(jié)果均在可接受范圍.

表3 氣象要素模擬結(jié)果

3.2 化學(xué)場(chǎng)

為了定量評(píng)估模擬結(jié)果的可靠性和準(zhǔn)確性,文中使用標(biāo)準(zhǔn)化均方根誤差(RMSE)、標(biāo)準(zhǔn)化平均偏差(NMB)、平均分?jǐn)?shù)偏差(MFB)、平均分?jǐn)?shù)誤差(MFE)、一致性指數(shù)(IOA)以及相關(guān)系數(shù)()這6個(gè)統(tǒng)計(jì)指標(biāo)對(duì)模擬結(jié)果進(jìn)行驗(yàn)證.所用的計(jì)算公式表示為(其中相關(guān)系數(shù)的公式略去):

式中:為樣本數(shù);m、o分別為第個(gè)時(shí)次的模擬值和觀測(cè)值.NMB反映的是模擬值與觀測(cè)值的平均偏離程度.Boylan的研究發(fā)現(xiàn)[24],對(duì)于PM2.5的模擬,當(dāng)MFB<±30%且MFE<50%時(shí),模擬偏差很小;當(dāng)MFB<±60%且MFE<75%時(shí),模擬偏差在可接受范圍.IOA為一致性指數(shù),其范圍在0~1之間,IOA等于1表示該次模擬與觀測(cè)完全對(duì)應(yīng)[25].表4給出了南京、杭州和上海模擬PM2.5站點(diǎn)月平均值及其相應(yīng)的統(tǒng)計(jì)結(jié)果.從表中可以看出,長(zhǎng)三角PM2.5月平均模擬值(89.9μg/m3)與觀測(cè)值(92.2μg/m3)偏差較小,僅為-2.3μg/m3,相關(guān)系數(shù)R也較高,可達(dá)0.67并通過(guò)了99%的顯著性檢驗(yàn),說(shuō)明本次模擬能夠比較好的抓住大氣污染物的污染水平及變化趨勢(shì).根據(jù)Boylan的判斷標(biāo)準(zhǔn),該次模擬MFB為-9.4%,MFE為37.4%,因此模擬結(jié)果較為理想,可以用來(lái)分析污染物對(duì)于空氣質(zhì)量的影響.

從圖5可以看出,長(zhǎng)三角PM2.5濃度的變化趨勢(shì)模擬較好,但是在污染時(shí)期(1月22號(hào)~1月26號(hào)),模擬值比觀測(cè)偏低較多,這可能是由于有利的氣象條件使得氣態(tài)前體物迅速轉(zhuǎn)化成二次氣溶膠,而模式中二次氣溶膠的形成機(jī)制不完善,導(dǎo)致低估PM2.5的濃度.很多研究均表明在重污染條件下,模式很難模擬出PM2.5濃度的峰值,且硫酸鹽的模擬較觀測(cè)偏低很多,SO2則高估很多[26-28],這主要是由于模式中缺失硫酸鹽的非均相生成機(jī)制.同時(shí)由于目前使用的CBMZ/MOSAIC氣溶膠化學(xué)方案無(wú)法模擬二次有機(jī)氣溶膠(SOA),這也可能導(dǎo)致模擬的PM2.5濃度偏低.

由圖6可以看出,模擬的PM2.5與觀測(cè)值相關(guān)性較好,尤其對(duì)于清潔時(shí)期(即濃度低于75μg/m3)的PM2.5模擬較好,但是污染時(shí)期模擬的PM2.5與觀測(cè)離散程度較大,這說(shuō)明了模式對(duì)于重污染過(guò)程的模擬效果較差,可能與模式本身化學(xué)機(jī)制不完善以及排放清單的準(zhǔn)確性有關(guān).

表4 PM2.5質(zhì)量濃度模擬結(jié)果統(tǒng)計(jì)

圖5 長(zhǎng)三角地區(qū)PM2.5濃度觀測(cè)值與模擬值的時(shí)間序列對(duì)比

圖6 模擬與觀測(cè)PM2.5散點(diǎn)

4 結(jié)果與討論

4.1 污染物月均濃度分布及電廠排放對(duì)污染物濃度的貢獻(xiàn)

由圖7可以看出,SO2及NO2濃度高值區(qū)主要分布在南京-上海、杭州-寧波一帶,與電廠排放的SO2及NO空間分布較為一致.電廠對(duì)SO2濃度貢獻(xiàn)量(率)的空間分布也與SO2排放的空間分布較為一致,高值區(qū)貢獻(xiàn)量(率)超過(guò)100μg/m3(50%),但對(duì)南京、上海、杭州3個(gè)地區(qū)SO2的貢獻(xiàn)量(率)較小,分別僅為22.5μg/m3(3.4%)、21.6μg/m3(8.4%)、5.4μg/ m3(0.5%),說(shuō)明電廠排放雖對(duì)SO2的局地貢獻(xiàn)有一定影響,但是這種貢獻(xiàn)較小,主要是因?yàn)榻陙?lái)電力行業(yè)脫硫設(shè)備的不斷完善,大大減小了SO2的排放量,另一方面可能由于外源地區(qū)對(duì)本地污染物的輸送,使得低估了本地電廠排放對(duì)SO2濃度的貢獻(xiàn).但依然需要注意電廠高架源排放的特點(diǎn)導(dǎo)致的近海岸SO2污染影響.而電廠對(duì)NO2貢獻(xiàn)量(率)的空間分布與SO2不同,由于受高架排放的特點(diǎn),即具有較強(qiáng)的輸送和擴(kuò)散能力,以及冬季北風(fēng)的影響,高值區(qū)主要分布在安徽、浙江和江西的交界處以及浙江省的東海岸地區(qū),且貢獻(xiàn)量(率)超過(guò)40μg/m3(60%),說(shuō)明對(duì)于化學(xué)性質(zhì)較為活潑的污染物,電力行業(yè)排放對(duì)其下風(fēng)向地區(qū)大氣污染的影響更大.其中對(duì)南京、上海和杭州3個(gè)地區(qū)NO2的貢獻(xiàn)量分別為3.8, 5.6, 11.4μg/m3,占總NO2濃度的9.2%, 7.6%, 22.3%.由于SO2及NO2為硫酸鹽硝酸鹽二次氣溶膠的重要前體物,因此高濃度的SO2、NO2可促進(jìn)局地的二次氣溶膠轉(zhuǎn)換[29],使得局地PM2.5濃度增加.可以看到PM2.5濃度高值區(qū)也主要分布在南京-上海一線,但是電廠對(duì)PM2.5貢獻(xiàn)量(率)的高值區(qū)主要分布在浙江省南部以及東海岸地區(qū),且貢獻(xiàn)量(率)也相對(duì)較低,各地均在20μg/m3(15%)以下,其中對(duì)南京、上海和杭州貢獻(xiàn)量(率)分別僅為6.5μg/m3(5.7%)、5.9μg/m3(6.7%)、3.4μg/m3(4.6%),該結(jié)論與杜曉惠等[30]對(duì)京津冀的研究結(jié)果相似,即電廠高架源的排放特征,對(duì)PM2.5的貢獻(xiàn)量局地低于周邊.

圖7 模擬SO2、NO2、PM2.5月平均濃度,以及電廠排放對(duì)3種污染物月平均濃度的貢獻(xiàn)量(μg/m3)和貢獻(xiàn)率(%)

造成這一現(xiàn)象的原因,一方面由于通過(guò)關(guān)閉長(zhǎng)三角地區(qū)電廠排放研究其對(duì)大氣污染的影響,改變了氣態(tài)前體物(SO2,NO2等)的濃度,而PM2.5與氣態(tài)前體物濃度之間存在顯著的非線性關(guān)系,因此這一變化可能對(duì)模擬的PM2.5影響不顯著,并且其他人為源排放也可能會(huì)補(bǔ)償這一貢獻(xiàn).另一方面,可能是由于忽略了長(zhǎng)三角外源地區(qū)(例如:安徽省、山東省)電廠排放對(duì)本地PM2.5的影響,從而在一定程度上低估了長(zhǎng)三角電廠排放對(duì)PM2.5的貢獻(xiàn)量(率)[31].從電廠排放對(duì)SO2以及NO2、PM2.5貢獻(xiàn)量(率)空間分布的不同,說(shuō)明大氣中以一次排放為主的污染物(例如:SO2)需要注意局地源對(duì)其的貢獻(xiàn),而對(duì)于生命期短(如:NO2)以及以二次生為主(如:PM2.5)的污染物來(lái)說(shuō),應(yīng)注意遠(yuǎn)距離輸送對(duì)其濃度的貢獻(xiàn).因此,電廠排放通過(guò)長(zhǎng)距離輸送造成的區(qū)域環(huán)境污染也同樣不容忽視.

4.2 污染時(shí)期和清潔時(shí)期對(duì)比

選取模擬時(shí)段中一個(gè)相對(duì)清潔期(1月27日13:00~30日4:00)和相對(duì)污染期(1月8日18:00~11日23:00),具體分析這2個(gè)時(shí)間段里電廠排放對(duì)污染物濃度的影響以及氣象要素對(duì)大氣污染物的影響.由表5可以看出,這2個(gè)時(shí)段的平均氣象要素和3種污染物濃度有很好的對(duì)比性.污染時(shí)期PM2.5, SO2,NO2平均濃度分別為184.5,168.5,82.9μg/m3,分別是清潔時(shí)期的10倍,14倍,2.6倍.且污染時(shí)期電廠排放對(duì)PM2.5和SO2的貢獻(xiàn)率(6.9%,34.2%)均較清潔時(shí)期(4.9%,20.7%)大,說(shuō)明污染時(shí)期不利的氣象條件可能會(huì)抑制電廠高架源的排放,不利于污染物向下風(fēng)向輸送和擴(kuò)散.而對(duì)于NO2,清潔和污染時(shí)期電廠排放的貢獻(xiàn)量沒(méi)有明顯差別,均在10μg/m3左右.對(duì)于氣象要素,清潔時(shí)期平均相對(duì)濕度、風(fēng)速和邊界層高度均高于污染時(shí)期,因此不利的氣象條件和二次氣溶膠的生成共同作用共同促進(jìn)了此次重污染的形成.

表5 清潔與污染時(shí)期氣象特征與污染物特征

圖8對(duì)比了清潔時(shí)期和污染時(shí)期PM2.5濃度與地面風(fēng)速、邊界層高度之間的關(guān)系.由于風(fēng)速的大小直接影響污染物的擴(kuò)散,低風(fēng)速不利于污染物的水平擴(kuò)散和傳輸,從而易造成局地污染物的堆積,形成重污染過(guò)程[32].可以看到清潔時(shí)期的平均風(fēng)速(5.9m/s)明顯高于污染時(shí)期(2.0m/s),同時(shí)PM2.5濃度也相對(duì)較低,且這一時(shí)期PM2.5隨風(fēng)速有略微增大的趨勢(shì),這可能是因?yàn)樵摃r(shí)期的主導(dǎo)風(fēng)向?yàn)槠憋L(fēng),風(fēng)速的增大將北方的污染物遠(yuǎn)距離傳輸?shù)介L(zhǎng)三角地區(qū).而污染時(shí)期當(dāng)風(fēng)速小于2.0m/s時(shí),PM2.5隨風(fēng)速?zèng)]有明顯變化且維持較高濃度水平,當(dāng)風(fēng)速大于2.0m/s時(shí),PM2.5濃度隨風(fēng)速有略微減小的趨勢(shì),這也說(shuō)明了污染向清潔轉(zhuǎn)變的過(guò)程,風(fēng)速的增大對(duì)污染物的擴(kuò)散起到了一定作用,該結(jié)論與蔣伊蓉等人對(duì)京津冀地區(qū)重污染過(guò)程中大氣擴(kuò)散及氣象條件的研究一致[33].

圖8 污染和清潔時(shí)期PM2.5濃度與風(fēng)速關(guān)系及風(fēng)速與邊界層高度關(guān)系

對(duì)比清潔和污染時(shí)期的邊界層高度、風(fēng)速及PM2.5濃度之間的關(guān)系(如圖8(b)),可以看到,PM2.5高濃度水平一般出現(xiàn)在邊界層高度低(216.5m),地面風(fēng)速小(2.0m/s)的條件下,而PM2.5低濃度水平則出現(xiàn)在邊界層高度高(552.0m),地面風(fēng)速大(5.9m/s)的情況下,這是因?yàn)檫吔鐚訃?yán)重影響大氣污染物在垂直方向上的擴(kuò)散,當(dāng)邊界層高度偏低時(shí),在本地排放源一定的情況下,邊界層內(nèi)污染物將很難有效擴(kuò)散,若此時(shí)地面風(fēng)速也偏低,大氣水平擴(kuò)散能力弱,那么污染物將會(huì)持續(xù)堆積增加,最終形成重污染天氣[34].當(dāng)然,污染物濃度的持續(xù)增加,又會(huì)進(jìn)一步抑制大氣的擴(kuò)散能力,使得空氣污染進(jìn)一步加重.另外,冬季平均氣溫較低,大氣層結(jié)更穩(wěn)定,低層大氣更不容易通過(guò)垂直混合作用將污染物輸送到上部,因此,冬季污染物濃度通常高于其他3個(gè)季節(jié).盡管電廠排放對(duì)SO2,NO2,PM2.5貢獻(xiàn)率相對(duì)較小,但由于冬季氣象條件的特殊,電力行業(yè)高架源排放的特點(diǎn),還應(yīng)該重視電廠排放通過(guò)長(zhǎng)距離輸送造成的區(qū)域環(huán)境影響.

5 結(jié)論

5.1 長(zhǎng)三角電廠排放污染物主要為SO2、NO2及PM2.5,年總排放量可分別達(dá)到826.8,1475.6和137.3Gg,分別占總排放量的34%、38%和14%.電廠排放的污染物主要集中在蘇南浙北上海一帶,該區(qū)域工業(yè)發(fā)展水平高,對(duì)于電力需求較大,相應(yīng)火電廠排放的污染物也較多,其排放的SO2、NO2達(dá)到總排放量的30%以上,PM2.5也達(dá)到了總排放量的10%.

5.2 長(zhǎng)三角冬季主要大氣污染物(SO2、NO2、PM2.5)濃度高值區(qū)分布在南京-上海、杭州-寧波一帶.電廠對(duì)SO2濃度貢獻(xiàn)量(率)的空間分布與其排放的SO2空間分布較為一致,而對(duì)于NO2、PM2.5,其貢獻(xiàn)量(率)的空間分布與SO2不同,受高架源排放的特點(diǎn)以及冬季北風(fēng)的影響,高值區(qū)主要分布在下風(fēng)向地區(qū),即安徽,浙江和江西的交界處以及浙江省的東海岸.相對(duì)SO2、NO2,電廠排放對(duì)PM2.5貢獻(xiàn)量(率)較低,各地均在20μg/m3(15%)以下.

5.3 污染時(shí)期電廠排放對(duì)PM2.5和SO2濃度的貢獻(xiàn)率(6.9%、34.2%)均大于清潔時(shí)期(4.9%、20.7%),而對(duì)于NO2,清潔和污染時(shí)期電廠排放的貢獻(xiàn)量沒(méi)有明顯差別,均在10μg/m3左右.冬季氣溫低、風(fēng)速低及邊界層高度低的特征不利于低層大氣污染物的垂直擴(kuò)散,使得污染物在近地面堆積,容易造成重污染.

[1] 魯 興.燃煤電廠排放顆粒物對(duì)大氣污染的監(jiān)測(cè)與危害研究 [D]. 鄭州:鄭州大學(xué), 2005.

[2] 包 貞,馮銀廠,焦 荔,等.杭州市大氣PM2.5和PM10污染特征及來(lái)源解析 [J]. 中國(guó)環(huán)境監(jiān)測(cè), 2010,26(2):44-48.

[3] Wang H L, Zhuang Y H, Wang Y, et al. Long-term monitoring and source apportionment of PM2.5/PM10in Beijing, China [J]. Journal of environmental sciences (China), 2008,20(11):1323-1327.

[4] Wang X H, Bi X H, Sheng G Y, et al. Chemical Composition and Sources of PM10and PM2.5Aerosols in Guangzhou, China [J]. Environmental monitoring and assessment, 2006,119(1-3):425-439.

[5] Yue W S, Li X L, Liu J F, et al. Characterization of PM2.5in the ambient air of Shanghai city by analyzing individual particles [J]. Science of the Total Environment, 2006,368:916–925.

[6] 段菁春,李興華,譚吉華,等.北京冬季大氣顆粒物數(shù)濃度的粒徑分布特征及來(lái)源 [J]. 環(huán)境科學(xué)研究, 2009,22(10):1134-1140.

[7] 李令軍,李金香,辛連忠,等.北京市春節(jié)期間大氣污染分析 [J]. 中國(guó)環(huán)境科學(xué), 2006,26(5):537-541.

[8] 伯 鑫,王 剛,溫 柔,等.京津冀地區(qū)火電企業(yè)的大氣污染影響 [J]. 中國(guó)環(huán)境科學(xué), 2015,35(2):364-373.

[9] 薛文博,許艷玲,王金南,等.全國(guó)火電行業(yè)大氣污染物排放對(duì)空氣質(zhì)量的影響 [J]. 中國(guó)環(huán)境科學(xué), 2016,36(5):1281-1288.

[10] 胡亞男,馬曉燕,沙 桐,等.不同排放源對(duì)華東地區(qū)PM2.5影響的數(shù)值模擬 [J]. 中國(guó)環(huán)境科學(xué), 2018,38(5):1616-1628.

[11] 馬雁軍,劉寧微,王揚(yáng)鋒.遼寧冬季城市空氣質(zhì)量分布狀況綜合研究 [J]. 氣象與環(huán)境學(xué)報(bào), 2007,23(3):15-18.

[12] 馬雁軍,王江山,王揚(yáng)鋒,等.遼寧中部城市群可吸入顆粒物PM10和PM2.5的污染特征研究 [J]. 氣象與環(huán)境學(xué)報(bào), 2008,24(5):11-15.

[13] 王揚(yáng)鋒,左洪超,馬雁軍,等.應(yīng)用Models-3模式系統(tǒng)對(duì)沈陽(yáng)市空氣質(zhì)量的數(shù)值模擬研究 [J]. 環(huán)境科學(xué)學(xué)報(bào), 2007,27(3):487-493.

[14] 南京市氣象局.南京市2014年1月氣候影響評(píng)價(jià)[2014-02-10]. [DB/OL]. http://www.nanjing.gov.cn/njszfnew/sydw/qxj/201402/ t20140226_2512064.html.

[15] Li M, Zhang Q, Kurokawa J, et al. MIX: a mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP [J]. Atmospheric Chemistry & Physics, 2017,17(23):34813-34869.

[16] Gao M, Carmichael G R, Wang Y S, et al. Improving simulations of sulfate aerosols during winter haze over Northern China: the impacts of heterogeneous oxidation by NO2[J]. Frontiers of Environmental Science & Engineering, 2016,10(5):16.

[17] Gao M, Carmichael G R, Wang Y S, et al. Modeling study of the 2010 regional haze event in the North China Plain [J]. Atmospheric Chemistry & Physics, 2016,15(16):22781-22822.

[18] Grell G A, Peckham E S E, Schmitz R, et al. Fully coupled “online” chemistry within the WRF model [J]. Atmospheric Environment, 2005, 39(37):6957–6975.

[19] Tie X X, Madronich S, Li G H, et al. Characterizations of chemical oxidants in Mexico City: A regional chemical dynamical model (WRF-Chem) study [J]. Atmospheric Environment, 2007,41(9):1989- 2008.

[20] Jiang F, Wang T T, Wang T T, et al. Numerical modeling of a continuous photochemical pollution episode in Hong Kong using WRF-chem [J]. Atmospheric Environment, 2008,42(38):8717-8727.

[21] Zhang Y, Wen X Y, Jang C J. Simulating chemistry-aerosol-cloud- radiation-climate feedbacks over the continental U.S. using the online-coupled Weather Research Forecasting Model with chemistry (WRF/Chem) [J]. Atmospheric Environment, 2010,44(29):3568-3582.

[22] Wang X M, Wu Z Y, Liang G X. WRF/CHEM modeling of impacts of weather conditions modified by urban expansion on secondary organic aerosol formation over Pearl River Delta [J]. Particuology, 2009,7(5): 384-391.

[23] Emmons L K, Walters S, Hess P G, et al. Description and evaluation of the Model for Ozone and Related chemical Tracers, version 4 (MOZART-4) [J]. Geoscientific Model Development, 2010,3(1):43- 67.

[24] 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.

[25] An X Q, Sun Z B, Lin W L, et al. Emission inventory evaluation using observations of regional atmospheric background stations of China [J]. Journal of Environmental Sciences, 2013,25(3):537.

[26] Wang Y X, Zhang Q Q, Jiang J K, et al. Enhanced sulfate formation during China's severe winter haze episode in January 2013 missing from current models [J]. Journal of Geophysical Research Atmospheres, 2015,119(17):10425-10440.

[27] Chen D, Liu Z Q, Fast J, et al. Simulations of sulfate–nitrate– ammonium (SNA) aerosols during the extreme haze events over northern China in October 2014 [J]. Atmospheric Chemistry & Physics, 2016,16(16):10707-10724.

[28] Li G H, Bei N F, Cao J J, et al.. A possible pathway for rapid growth of sulfate during haze days in China [J]. Atmospheric Chemistry & Physics, 2017,17(5):1-43.

[29] 黃怡民,劉子銳,陳 宏,等.北京夏冬季霾天氣下氣溶膠水溶性離子粒徑分布特征 [J]. 環(huán)境科學(xué), 2013,34(4):1236-1244.

[30] 杜曉惠,徐 峻,劉厚鳳,等.重污染天氣下電力行業(yè)排放對(duì)京津冀地區(qū)PM2.5的貢獻(xiàn)[J]. 環(huán)境科學(xué)研究, 2016,29(4):475-482.

[31] 薛文博,王金南,韓寶平,等. PM2.5輸送特征與環(huán)境容量模擬[M]. 北京:中國(guó)環(huán)境出版社, 2017:119-146.

[32] 陳 靜,鈐偉妙,韓軍彩,等.石家莊市秋季典型天氣背景下重污染特征分析 [J]. 氣象與環(huán)境學(xué)報(bào), 2015,31(4):42-50.

[33] 蔣伊蓉,朱 蓉,朱克云,等.京津冀地區(qū)重污染天氣過(guò)程的污染氣象條件數(shù)值模擬研究 [J]. 環(huán)境科學(xué)學(xué)報(bào), 2015,35(9):2681-2692.

[34] 杜川利,唐 曉,李星敏,等.城市邊界層高度變化特征與顆粒物濃度影響分析 [J]. 高原氣象, 2014,33(5):1383-1392.

The impact of power plant emission on air pollution during winter over Yangtze River Delta.

SHA Tong, MA Xiao-yan*, WANG Jian-ying, JIA Hai-ling, HU Ya-nan, TIAN Rong, GUAN Qi-kun, LI Ruo-lin

(Key Laboratory of Meteorological Disaster, Ministry of Education, Joint International Research Laboratory of Climate and Environment Change, Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration, Nanjing University of Information Science & Technology, Nanjing 210044, China)., 2018,38(9)：3288~3297

The characteristics of emissions from power plant over Yangtze River Delta were analyzed, and major air pollutants in winter and their impact on air quality were then discussed based on WRF-Chem simulation. The results showed that the annual emissions of major air pollutants from power plant over Yangtze River delta were 826.8Gg, 1475.6Gg and 137.3Gg in 2010 for SO2, NOand PM2.5, respectively, accounting for 34%, 38% and 14% of total anthropogenic emissions. The high concentrations of major air pollutants (SO2, NO2, PM2.5) were distributed in the city cluster of Nanjing-Shanghai and Hangzhou-Ningbo. The spatial distribution of power plant contribution from SO2was consistent with the emissions of SO2, however, the high contributions of NO2and PM2.5, were mainly distributed on the border of Anhui-Zhejiang-Jiangxi and eastern coast of Zhejiang province. Compared with SO2and NO2, the contributions to PM2.5from power plant were relatively low, i.e. normally below 20μg/m3in most regions (15%). The contributions of power plant emissions to the simulated PM2.5and SO2during polluted period (6.9%, 34.2%)were higher than clean period(4.9%, 20.7%), while, there were no significant differences for NO2between polluted and clean period, with the magnitudes as 10μg/m3. The conditions of low temperature, weak wind speed, and low boundary layer height in winter were not favorable to pollutant diffusion, leading to heavy pollution events.

Yangtze River Delta；power plant emission；air pollutant；PM2.5

X511

A

1000-6923(2018)09-3288-10

沙 桐(1994-),女,陜西西安人,南京信息工程大學(xué)碩士研究生,主要從事空氣質(zhì)量數(shù)值模擬.

2018-01-13

國(guó)家自然科學(xué)基金資助項(xiàng)目(41675004,41475005);江蘇省六大人才高峰項(xiàng)目(2014JY019)

* 責(zé)任作者, 教授, xma@nuist.edu.cn