2017—2018年宿遷市大氣污染物主要來源分析

許純領(lǐng) 王輝 孫 丹 劉昌威

摘 要：針對宿遷市2017—2018年P(guān)M2.5、PM10、臭氧濃度超標的情況，采用LPDM模型對其大氣污染來源進行追蹤和軌跡來源解析，結(jié)果表明：宿遷地區(qū)省內(nèi)外貢獻占比基本在50%左右，2017年江蘇本地貢獻占比49.6%，2018年占比47.1%，省內(nèi)貢獻同比下降2.5個百分點;2017年宿遷本地貢獻占比30.2%，2018年占比26.3%，宿遷本地貢獻同比下降3.9個百分點。在江蘇省內(nèi)的各個城市中，對宿遷PM2.5影響較大的是徐州、淮安及南京;對宿遷PM2.5影響最大的外省是山東省和安徽省，通過對比2017和2018年年均PM2.5潛在源區(qū)貢獻來源比例，2018年的氣象條件使得宿遷PM2.5有了更多來自山東的傳輸影響，其中臨沂、青島、濰坊在冬季對宿遷顆粒物濃度的貢獻相對突出。

關(guān)鍵詞：大氣污染物;省內(nèi)外;來源貢獻;宿遷市

中圖分類號 X51文獻標識碼 A文章編號 1007-7731（2020）07-0134-05

Abstract：In 2017-2018 PM2.5、PM10 and ozone in Suqian City are still above the standard. Throμgh LPDM traceability simulation， it is concluded that the contribution of the province and outside the province is basically about 50%， Jiangsu′s local contribution accounted for 49.6% in 2017 and 47.1% in 2018， with a year-on-year drop of 2.5 percentage points;In 2017， the local contribution of Suqian accounted for 30.2%， and in 2018， it accounted for 26.3%. The local contribution of Suqian decreased by 3.9 percentage points year on year. Among the cities in Jiangsu Province， Xuzhou， Huai′an and Nanjing have great influence on the PM2.5 of Suqian;Shandong Province and Anhui Province have the greatest impact on Suqian PM2.5， By comparing the contribution proportion of potential sources of PM2.5 in 2017 and 2018， the meteorological conditions in 2018 make Suqian PM2.5 have more transmission impact from Shandong， among which Linyi， Qingdao and Weifang have relatively prominent contribution to the concentration of particles in Suqian in winter.

Key words： Air pollutants; Inside and outside the province; Source contribution;Suqian City

隨著我國社會、經(jīng)濟的快速發(fā)展，城市化和工業(yè)化進程不斷加快，工業(yè)、燃煤、機動車、生物質(zhì)以及揚塵排放量也快速增加，城市大氣污染問題日益嚴重。近幾年來，宿遷市經(jīng)過大力開展大氣污染防治攻堅行動，空氣質(zhì)量得到了明顯的改善，但以細顆粒物為代表的二次轉(zhuǎn)化生成和以臭氧為代表的光化學污染問題仍然十分突出，并且已成為了中國眾多城市面臨的主要空氣污染問題之一。

空氣污染物對環(huán)境、氣候以及人體的健康有著重要的影響，暴露于空氣中的污染物會加重呼吸道等疾病，改變機體的防御能力，并進一步損害肺組織[1]。因此，大氣污染物的研究已受到了社會公眾和政府部門的高度重視。國內(nèi)外專家學者采用多種大氣擴散模式，利用軌跡模式描述污染氣團傳輸影響的路徑，建立了不同尺度情形下空氣污染物源與受納體的關(guān)系，其中大氣污染物擴散傳輸易受地形、地貌、氣象條件、大氣污染物物理化學屬性、區(qū)域和本地污染源排放特征等多種因素的影響。通過多項驗證，LPDM用來評價大氣擴散的平均濃度效果最好，并且適用于復雜地形或熱對流產(chǎn)生的復雜流動擴散情況[2]。因此，開展宿遷市大氣污染生成的研究，摸清大氣污染物本地和外來傳輸貢獻占比是開展PM2.5、O3污染防治與管理的迫切現(xiàn)實需求。

1 數(shù)據(jù)來源和分析方法

本研究使用的宿遷市2017—2018年各項污染物（PM2.5、PM10、SO2、NO2、CO、O3）濃度數(shù)據(jù)均來源于大氣自動監(jiān)測國控站點。采用LPDM（Lagrangian Particle Distribution Model）模型對宿遷所有大氣污染來源進行追蹤和軌跡來源解析，關(guān)注本地外來源占比及傳輸通道，分別計算宿遷地區(qū)PM2.5區(qū)域來源分布以及內(nèi)外源傳輸貢獻。該模型模擬方法是基于丁愛軍[3-4]的研究發(fā)展而來，已經(jīng)應用于多個地區(qū)的污染溯源工作中。模擬2017—2018年期間17520h后推72h的氣團足跡。

LPDM模式是一種基于拉格朗日觀點的中小尺度粒子擴散模式。假設在受體點釋放一定量的粒子，隨著粒子的后向擴散計算，可推出粒子可能的來源，以及粒子在每一個三維網(wǎng)格駐留的時間?；诟叻直媛实臍庀髷?shù)據(jù)，可以詳細（網(wǎng)格尺度）計算污染來源地區(qū)，結(jié)合排放清單可以進一步給出各個網(wǎng)格各種污染源排放對所關(guān)注地區(qū)的貢獻。該排放清單采用清華大學研制[5]的2016年多尺度排放清單模型MEIC。該排放清單包含了工業(yè)、農(nóng)業(yè)、電廠、交通和居民生活五大類源排放，其空間分辨率為0.25°×0.25°（經(jīng)度×緯度），時間分辨率為每月。

夜間燈光數(shù)據(jù)在一定程度上反映了人類的生產(chǎn)和生活，因此，大氣污染物排放的空間分布和燈光分布具有較高的一致性。本次利用美國國防氣象衛(wèi)星2016年的全球燈光數(shù)據(jù)，對現(xiàn)有的0.25°分辨率的東亞地區(qū)排放清單進行0.1°×0.1°（經(jīng)度×緯度）和0.025°×0.025°（經(jīng)度×緯度）精細化處理，2016年P(guān)M2.5工業(yè)源排放清單0.1°和0.025°處理結(jié)果詳見圖1和圖2。

2 結(jié)果與分析

2.1 宿遷市空氣污染總體現(xiàn)狀 由圖3可知，除NO2監(jiān)測指標外，宿遷市2017—2018年各項污染物年均濃度值均呈下降趨勢。相較于2017年，2018年P(guān)M2.5顆粒物濃度下降2μg/m3，SO2濃度下降7μg/m3。與國家2級標準相比，2018年宿遷市區(qū)的SO2、NO2、CO-95%則在2017—2018年達到了國家2級標準，而PM2.5、PM10年均濃度和O3日最大8h平均濃度的第90百分位數(shù)仍分別超標61.9%、15.7%、16.3%。總體來看，當前宿遷市以PM10、PM2.5和O3超標最為嚴重。

圖4是宿遷市2017年和2018年各主要污染物的日均濃度變化序列。圖中利用三次曲線擬合了污染物的變化趨勢，可以看到，SO2濃度全年的趨勢基本一致，基本無較大的變化，臭氧和氮氧化物的濃度呈反相關(guān)關(guān)系。PM2.5和PM10在夏秋季節(jié)有所下降，冬季濃度達到最大，整體變化呈現(xiàn)“U”型趨勢。2018年P(guān)M10擬合曲線曲率偏大，表明濃度變化更劇烈。PM2.5的擬合曲線在2018年底增幅明顯較2017年小，說明2018年冬季PM2.5濃度得到了有效控制。

2.2 PM2.5污染來源 通過模擬宿遷市2017—2018年每1h氣團后向足跡和PM2.5潛在源區(qū)貢獻分布，研究污染氣團經(jīng)由大氣傳輸達到宿遷市每個網(wǎng)格的停留時間，結(jié)合排放清單，計算得到污染物一次排放對宿遷市的影響和貢獻。圖5為宿遷市2017—2018年P(guān)M2.5潛在源區(qū)貢獻（Potential Source Contribution，PSC）分布。與2017年相比，2018年宿遷市PM2.5濃度有所下降，且江蘇和宿遷本地貢獻有所減少，外來貢獻稍有增加。2017年江蘇本地貢獻占比為49.6%，2018年占比為47.1%，省內(nèi)貢獻同比下降2.5個百分點;2017年宿遷本地貢獻占比為30.2%，2018年占比為26.3%，宿遷本地貢獻同比下降3.9個百分點。2017—2018年，對宿遷貢獻最大的是宿遷本地，其次分別是徐州、淮安、南京、鹽城（表1）。通過對比2017、2018年年均PM2.5潛在源區(qū)貢獻來源比例，結(jié)合氣象條件分析，表明2018年宿遷市PM2.5受山東傳輸影響明顯增加。

2.3 PM2.5季節(jié)來源 從上述可以發(fā)現(xiàn)，宿遷市顆粒物濃度變化存在明顯的季節(jié)性變化，除排放因素外，主要受天氣形勢、擴散條件等的影響。春季時，外來省份中，安徽省對宿遷市的貢獻最大，2018年宿遷受到更多的來自安徽省的貢獻，與2017年相比，安徽省貢獻增加4.8%;而在冬季時，除本地以外，山東省對宿遷市的顆粒物濃度的影響最大，其次是安徽。山東和安徽在省外貢獻里面占主導地位，四季的貢獻整體偏高（表2）。在江蘇省內(nèi)，各個城市對宿遷市顆粒物的貢獻也存在著明顯的差異。春季貢獻較高的地區(qū)是南京、淮安和徐州，夏季為蘇州、南通和淮安，秋冬季都是淮安、連云港和徐州。宿遷本地貢獻在2017年和2018年四季也存在著較大的差異，2017年本地貢獻最大的季節(jié)是秋季的32.7%，最小是夏季的24.9%。2018年本地貢獻最大的季節(jié)是夏季的30.8%，最小的是冬季的22.7%（表3）?？偟膩碚f，省外對宿遷地區(qū)影響最大的是安徽和山東省，省內(nèi)各市中，除宿遷外，淮安、徐州、南京和連云港對宿遷的影響較大。

2.4 污染和清潔時段 基于2017和2018年P(guān)M2.5逐小時濃度的時間序列，分別提取最高5%濃度出現(xiàn)的時間和最低5%濃度出現(xiàn)的時間，針對PM2.5潛在源區(qū)貢獻進行分析，可以得到，2017和2018年最高5%濃度和最低5%濃度的PM2.5的潛在源區(qū)貢獻。針對污染和清潔時段對比（圖6）;在發(fā)現(xiàn)在污染時段，2017和2018年都有明顯的省外傳輸貢獻，而清潔時段，大多是江蘇省內(nèi)的局地貢獻。在省外貢獻中，山東在污染時段和清潔時段對宿遷PM2.5貢獻的差距最大，表明山東地區(qū)對宿遷的輸送影響可能是導致宿遷地區(qū)PM2.5濃度出現(xiàn)峰值的關(guān)鍵因素。同時，在省內(nèi)貢獻中，雖然江蘇省的貢獻在清潔時段是比污染時段少，但徐州對宿遷的貢獻卻反而呈現(xiàn)相反的態(tài)勢。徐州在2017年和2018年的污染時段對宿遷的PM2.5貢獻比例明顯高于清潔時段，說明在江蘇省內(nèi)，徐州對宿遷的PM2.5濃度的峰值具有很大的影響。同時，宿遷局地的影響來看，在清潔時段，宿遷有更多的本地影響，其高濃度的峰值污染，主要來自外部輸送，本地的貢獻相對較小（圖7）。

3 結(jié)論

（1）宿遷市2018年較2017年空氣污染有了一定的改善，但PM2.5、PM10、臭氧仍然超標。

（2）通過LPDM溯源模擬分析得出：宿遷地區(qū)省外貢獻和省內(nèi)貢獻占比基本在50%左右，2017年江蘇本地貢獻占比49.6%，2018年占比47.1%，省內(nèi)貢獻同比下降2.5個百分點;2017年宿遷本地貢獻占比30.2%，2018年占比26.3%，宿遷本地貢獻同比下降3.9個百分點;對宿遷PM2.5影響最大的外來省份是山東和安徽，江蘇省內(nèi)的地級市中，對宿遷PM2.5影響較大的是徐州、淮安和南京。外源中山東省的臨沂、青島、濰坊和安徽省的宿州、蚌埠市和毫州對宿遷的貢獻相對突出。

（3）通過季節(jié)性分析，春季外來省份中安徽省對宿遷市的貢獻最大，冬季山東省對宿遷市顆粒物濃度的影響最大。在江蘇省內(nèi)，各個城市對宿遷市顆粒物的貢獻也有著明顯的差異，春季貢獻較高的地區(qū)是南京、淮安和徐州，夏季為蘇州、南通和淮安，秋冬季都是淮安、連云港和徐州。

（4）通過污染和清潔時段的分析可知，對宿遷地區(qū)PM2.5濃度峰值的出現(xiàn)起著關(guān)鍵作用的是來自山東和徐州的污染輸送過程。

參考文獻

[1]王芳龍，李忠勤，尤曉妮，等.2015—2017年天水市大氣污染物變化特征及來源分析[J].環(huán)境科學學報，2018，38（12）：4592-4604.

[2]姚仁太，徐向軍，郝宏偉，等.遠東地區(qū)核風險廠址釋放的氣載放射性污染物長距離遷移的模擬[J].輻射防護，2005，25（4）：193-205.

[3]DING A J，WANG T，F(xiàn)U C B. Transport characteristics and origins of carbon monoxide and ozone in Hong Kong，South China[J]. Journal of Geophysical Research-Atmospheres，2013，118（16）：9475-9488.

[4]WANG T，WEI X L，DING A J，et al. Increasing surface ozone concentrations in the background atmosphere of Southern China，1994-2007[J]. Atmospheric Chemistry and Physics，2009，9（16）：6217-6227.

[5]Zhang Q.，Streets D.G.，Carmichael G.R.，et al. Asian emissions in 2006 for the NASA INTEX-B mission[J]. Atmospheric Chemistry And Physics，2009，9（14）：5131-5153.

（責編：張宏民）