利用簡化空氣質(zhì)量模型快速構(gòu)建臭氧生成等濃度曲線及其應(yīng)用

杜云松 黃冉 王馨陸 秦墨梅 張雯嫻 張羽中 楊耀張巍 羅彬胡泳濤 Armistead G. Russell

利用簡化空氣質(zhì)量模型快速構(gòu)建臭氧生成等濃度曲線及其應(yīng)用

杜云松1黃冉2,?王馨陸2秦墨梅3張雯嫻2張羽中4,5楊耀6張巍1羅彬6胡泳濤7Armistead G. Russell7

1.四川省生態(tài)環(huán)境監(jiān)測總站, 成都 510081; 2.杭州矮馬科技有限公司, 杭州 311121; 3.南京信息工程大學(xué)環(huán)境科學(xué)與工程學(xué)院, 南京 210044; 4.西湖大學(xué)工學(xué)院, 杭州 310024; 5.浙江西湖高等研究院, 前沿技術(shù)研究所, 杭州 310024; 6.四川省環(huán)境政策研究與規(guī)劃院, 成都 510081; 7.School of Civil and Environmental Engineering,Georgia Institute of Technology, Atlanta, GA 30332; ? 通信作者, E-mail: ranhuang2019@163.com

提出一種快速構(gòu)建臭氧生成等濃度曲線的新方法。該方法利用區(qū)域空氣質(zhì)量模式進(jìn)行臭氧前體物的敏感性分析, 基于一階和二階敏感性系數(shù)構(gòu)建簡化模型, 快速計算前體物不同排放水平對應(yīng)的臭氧生成濃度。使用該方法, 結(jié)合調(diào)整的源排放清單, 對 2018 年 8 月成都平原地區(qū)進(jìn)行臭氧回溯模擬并繪制臭氧生成等濃度曲線圖。在此基礎(chǔ)上, 以成都市為例, 對城市臭氧污染控制提出對策建議。

臭氧前體物; CMAQ-DDM; 臭氧污染控制

近年來, 中國經(jīng)濟(jì)快速增長引發(fā)的空氣污染問題也越來越多地受到社會關(guān)注。自 2013 年國務(wù)院發(fā)布《大氣污染防治行動計劃》[1]以來, 全國各地都加強(qiáng)對空氣污染的治理, 將大氣污染防治作為改善民生的重要著力點。在近幾年的大力整治下, 全國大部分地區(qū)的空氣質(zhì)量明顯改善, 尤其對細(xì)顆粒物(空氣動力學(xué)直徑小于 2.5μm 的顆粒物, 即PM2.5)的治理普遍取得顯著成效, 細(xì)顆粒物濃度逐年降低, 空氣質(zhì)量優(yōu)良率不斷提升[2-4]。然而, 在顆粒物污染明顯改善的情況下, 臭氧污染問題日益凸顯, 多地臭氧濃度不斷上升[5-6], 相當(dāng)多的城市以臭氧為首要污染物的超標(biāo)日數(shù)逐年增加[7-8], 臭氧成為除PM2.5外影響我國城市空氣質(zhì)量的又一重要污染物。

近地面大氣中的臭氧主要來源于其前體物——氮氧化物(NOx)與揮發(fā)性有機(jī)物(VOCs)在光照條件下發(fā)生的一系列復(fù)雜的光化學(xué)反應(yīng)。臭氧濃度水平與前體物之間具有很強(qiáng)的非線性關(guān)系[9-12]。當(dāng)大氣中氮氧化物的濃度較高時, 臭氧生成主要與 VOCs濃度的變化密切相關(guān), 即“VOCs 控制”; 反之, 為“NOx控制”。由于 NOx與 VOCs 的排放差異以及氣象條件的變化, 臭氧的生成控制機(jī)制也會發(fā)生時空上的轉(zhuǎn)換。有研究表明, 我國不同地區(qū)的臭氧生成對 NOx或 VOCs 的敏感性不同, 如京津唐地區(qū)[13]、粵東北地區(qū)[14]、珠江三角洲地區(qū)[15-17]等主要受VOCs 控制, 因此限制 VOCs 的排放能夠有效地控制臭氧污染。羅恢泓等[18]利用 WRF/MODIFIED SMOKE/CMAQ 模式系統(tǒng), 對上海市 2017 年 8 月 1 —9 日的一次持續(xù)性臭氧污染時段進(jìn)行回溯模擬, 結(jié)果表明, 當(dāng)所受的大尺度環(huán)流影響發(fā)生變化時, 上海市整體的臭氧生成機(jī)制可由 NOx控制經(jīng)過渡轉(zhuǎn)變?yōu)?VOCs 控制。Li 等[19]利用 MM5-SMOKE-CAMx模式系統(tǒng), 對珠江三角洲區(qū)域 2006 年的臭氧污染狀況進(jìn)行模擬, 發(fā)現(xiàn)該區(qū)域大部分地區(qū)在清晨時受 VOCs 控制, 但在臭氧高值時段(12:00—16:00)轉(zhuǎn)變?yōu)槭?NOx控制。這種臭氧生成控制機(jī)制在時空上的動態(tài)變化使得對臭氧治理的難度大大增加, 直接劃分 VOCs 或 NOx敏感區(qū), 或制定單一的 NOx或VOCs 減排措施都無法有效地控制臭氧污染。因此, 及時并準(zhǔn)確地識別臭氧生成機(jī)制的變化特征, 包括獲取臭氧生成對前體物源排放變化的敏感性強(qiáng)弱等定量信息, 可以為制定臭氧控制策略提供重要科學(xué)依據(jù), 是臭氧污染防治的關(guān)鍵。

基于空氣質(zhì)量模式的敏感性分析方法是進(jìn)行源排放控制策略研究的重要工具[20]。敏感性系數(shù)定量地描述源排放改變與污染物濃度變化之間的關(guān)系, 可以很方便地用于追蹤和解析特定地點污染物濃度來源的貢獻(xiàn)情況。污染源敏感性分析的主要方法包括 BFM (brute-force method)[21]和“去耦合直接法”(decoupled direct 3D method, DDM-3D)[22-23]等。傳統(tǒng)的 BFM 通過改變各影響因子(如源排放速率),進(jìn)行大量空氣質(zhì)量模式的運算, 分析各污染源排放對污染物濃度的影響。但是, 多次重復(fù)運行空氣質(zhì)量模式導(dǎo)致 BFM 運算耗時較長, 尤其是臭氧和PM2.5等二次非線性污染物的濃度計算本身就非常耗費計算資源[24-25]。此外, 對于較小擾動的計算, BFM 也容易產(chǎn)生數(shù)值噪聲, 嚴(yán)重地影響最終結(jié)果的準(zhǔn)確性[25]。與 BFM 相比, DDM-3D 計算量減少, 且能夠快速、準(zhǔn)確地估算由非常小的源排放變化引起的污染物濃度變化。目前, 作為一種有效的敏感性分析工具, DDM-3D 已廣泛地應(yīng)用于各項研究中, 包括排放源對臭氧生成的敏感性分析[26-28]以及將臭氧敏感性分析與臭氧生成等濃度曲線相結(jié)合來提供臭氧控制建議等[14-15]。

臭氧生成等濃度(empirical kinetic modeling approach, EKMA)曲線能夠直觀地反映臭氧生成濃度與其前體物 NOx和 VOCs 排放量削減之間的非線性關(guān)系[29-31], 并且能夠評估不同減排比例降低臭氧濃度的有效程度, 廣泛用于設(shè)計臭氧污染控制的最佳減排途徑[15,18,27,32]。EKMA 曲線的繪制需要足夠多的情景計算, 以便得到足夠密集的、與 VOCs 和NOx減排情景相對應(yīng)的臭氧生成濃度數(shù)值, 除 BFM外, 還可以采用簡化模型(reduced form model, RFM)[22,24,33-34]來實現(xiàn)快速計算。RFM 是基于污染物敏感性系數(shù)的泰勒展開, 在避免重復(fù)運行完整的空氣質(zhì)量模式、節(jié)省大量計算資源的同時, 完整地保留污染物濃度與各影響因子之間的依賴關(guān)系, 能夠快速有效地對控制措施進(jìn)行定量評估。

本研究提出一種快速構(gòu)建臭氧生成等濃度曲線的新方法, 利用 CMAQ-DDM-3D 方法, 針對臭氧前體物進(jìn)行敏感性分析, 基于敏感性系數(shù)構(gòu)建簡化模型, 快速計算 NOx和 VOCs 不同控制情景的臭氧濃度, 構(gòu)建臭氧生成等濃度曲線。我們將該方法應(yīng)用于成都平原地區(qū), 對 2018 年 8 月的臭氧污染情況進(jìn)行回溯模擬和敏感性系數(shù)計算, 并繪制EKMA 曲線圖, 并在 EKMA 曲線指導(dǎo)下, 以成都市為例, 提出針對性減排建議, 為臭氧污染防治提供決策支持。

1 資料與方法

1.1 研究區(qū)域

成都平原地區(qū)位于四川盆地西部(圖 1), 屬亞熱帶季風(fēng)氣候區(qū), 總面積約為 1.881 萬 km2, 地勢自西北向東南傾斜, 平均海拔 542m 左右[35]。盆地四周環(huán)山, 封閉的地形導(dǎo)致該地區(qū)常年風(fēng)速偏低, 不利于污染物的擴(kuò)散, 尤其在夏季高溫季節(jié)臭氧污染頻發(fā)。

圖1 研究區(qū)域

1.2 觀測與模擬數(shù)據(jù)

1.2.1臭氧觀測數(shù)據(jù)

空氣質(zhì)量觀測數(shù)據(jù)來源于四川省空氣質(zhì)量監(jiān)測網(wǎng)絡(luò)管理平臺(http://www.scnewair.cn:3389/smartad min), 包括四川全省共 94 個國控監(jiān)測站的逐小時和逐日的臭氧以及 NO2濃度數(shù)據(jù)。利用成都平原區(qū)域內(nèi) 8 個城市(圖 1)以及緊鄰的內(nèi)江市相應(yīng)國控站點的臭氧觀測數(shù)據(jù), 剔除城市對照點, 計算分析各城市的臭氧平均濃度, 用于評估城市空氣質(zhì)量。以成都市為例, 2018 年 8 月以臭氧為首要污染物的超標(biāo)天數(shù)共 11 天, 其中 6 日和 15 日的臭氧日最大滑動 8小時平均濃度均超過 200μg/m3, 28 日和 29 日的臭氧日最大滑動 8 小時平均濃度均超過 190μg/m3(見附錄表 1。附錄請訪問 http://xbna.pku.edu.cn 查看, 下同)。這是一段典型的夏季連續(xù)高溫時期, 成都地面日最高氣溫持續(xù)保持在 30°C 左右, 云量偏少, 日照強(qiáng)烈, 基本上無降水, 屬于有利于臭氧光化學(xué)污染的典型氣象條件[7,36-37]。

1.2.2模型模擬數(shù)據(jù)

根據(jù)成都平原地區(qū)臭氧污染季節(jié)分布特征, 選擇回溯模擬的時段為 2018 年 7 月 21 日—9 月 2 日, 其中前 10 天為模擬啟動時段。采用三層嵌套網(wǎng)格, 水平分辨率分別為 36, 12 和 4km。最外層網(wǎng)格覆蓋包括青藏高原在內(nèi)的所有中國地區(qū)以及東南亞和印度次大陸部分地區(qū), 次外層網(wǎng)格覆蓋四川省全境以及周邊省市部分地區(qū), 有助于為最內(nèi)層網(wǎng)格提供較好的邊界條件。最內(nèi)層的 4km 網(wǎng)格以成都平原地區(qū)為主要區(qū)域, 同時覆蓋四川盆地所有主要城市(圖 1)。

氣象模擬數(shù)據(jù)來自中尺度天氣預(yù)報模式 WRF[38](weather research and forecast model) 3.6 版本的回溯模擬結(jié)果。采用 Lambert 投影坐標(biāo), 垂直方向從地面到 50hPa 共分為 35 個層。主要物理過程分別采用 Kain-Fritsch 積云方案、YSU 邊界層參數(shù)化方案、NOAH+MOSAIC 陸面模式以及 Lin微物理參數(shù)化方案。模擬結(jié)果和地面觀測數(shù)據(jù)的對比表明, 模擬氣象場的準(zhǔn)確性符合進(jìn)一步進(jìn)行空氣質(zhì)量模式模擬的要求(見附錄表 2)。

空氣質(zhì)量模擬數(shù)據(jù)來自多尺度化學(xué)傳輸模式CMAQ (community multiscale air quality model,5.0.2 版本)模型。該模型在源排放和氣象場等輸入數(shù)據(jù)的驅(qū)動下, 對空氣污染物(包括氣態(tài)污染物和氣溶膠)在大氣中的遷移、轉(zhuǎn)化等物理和化學(xué)過程進(jìn)行模擬, 計算得到污染物的時空分布場[39-40]。CMAQ 模擬選用 SAPRC07tc 氣相反應(yīng)機(jī)理[41]以及AERO6 氣溶膠模塊[42]。

CMAQ 輸入使用的源清單來自四川省空氣質(zhì)量數(shù)值預(yù)報系統(tǒng)的 2017 年基準(zhǔn)排放清單, 經(jīng)初始模擬并與實測數(shù)據(jù)比對后, 采用 1.2.3 節(jié)的源排放清單調(diào)整方法, 經(jīng)迭代調(diào)整后作為最終的輸入源清單。清單中 NOx和 VOCs 的人為源主要包括工業(yè)源、電廠源、民用源、移動源、生物質(zhì)燃燒源和溶劑使用源, 其中移動源和工業(yè)源在 NOx和 VOCs 排放中的占比都較高, 溶劑使用源在 VOCs 排放總量中也占有很高的比例。

利用 DDM-3D 計算敏感性系數(shù)。DDM-3D 是在 CMAQ 模型中內(nèi)置的污染物敏感性分析模塊, 可以在 CMAQ 模擬污染物濃度的同時, 計算三維空間每一個格點各污染物濃度隨時間變化的敏感性系數(shù)。污染物敏感性系數(shù)反映某一影響因子變化引起的某污染物濃度的時空變化, 從數(shù)學(xué)的角度看, 它是污染物濃度對某一影響因子的偏導(dǎo)數(shù), 具體方法詳見文獻(xiàn)[43]。DDM-3D 計算得到的一階敏感性系數(shù)結(jié)合二階敏感性系數(shù)描述臭氧生成的復(fù)雜的非線性變化。利用 DDM-3D 敏感性系數(shù), 結(jié)合反演算法, 可對源清單進(jìn)行優(yōu)化調(diào)整[44]。利用一階和二階敏感性系數(shù), 也可構(gòu)建簡化模型以便快速計算排放量改變條件下的臭氧生成濃度。本研究涉及的針對臭氧的一階和二階敏感性系數(shù)的定義見表 1 和 2, 包括細(xì)分的人為源及天然源的 NOx和 VOCs 排放的一階參數(shù)、總的 NOx和 VOCs排放的一階和二階參數(shù)以及兩者之間的交叉二階參數(shù)。表 1 中參數(shù)用于調(diào)整源排放清單(見 1.2.3 節(jié))及臭氧敏感性分析, 表2 中參數(shù)用于繪制 EKMA 曲線(見 1.2.4 節(jié))。

1.2.3源排放清單調(diào)整方法

使用基準(zhǔn)年清單作為 CMAQ 輸入, 模擬成都平原 2018 年 8 月的空氣質(zhì)量狀況, 并使用同期觀測數(shù)據(jù), 對成都、德陽、樂山、眉山、綿陽、遂寧、雅安、資陽及緊鄰的內(nèi)江等 9 個城市的 NO2和 O3模擬效果進(jìn)行評估。根據(jù)評估結(jié)果, 結(jié)合表 1 中一階敏感性系數(shù)對 9 個城市基準(zhǔn)年的人為源 NOx和VOCs 排放量, 采用優(yōu)化下述目標(biāo)函數(shù)的方法, 求取源排放調(diào)整系數(shù):

表1 CMAQ-DDM-3D臭氧敏感性計算的DDM參數(shù)設(shè)置

表2 繪制EKMA曲線的RFM模式的DDM參數(shù)

1.2.4臭氧生成等濃度曲線繪制方法

對表 2 中 5 個 DDM-3D 參數(shù)分別進(jìn)行 100%人為源排放(basecase)和 1%人為源排放(1pctcase)條件下的敏感性系數(shù)計算, 生成兩套 DDM-3D 模擬結(jié)果, 并基于這兩套結(jié)果分別構(gòu)建人為源 NOx和VOCs 排放的臭氧生成濃度的 RFM 模式, 計算公式如下:

2 結(jié)果與討論

2.1 對基準(zhǔn)源清單的調(diào)整結(jié)果和空氣質(zhì)量模擬評估

采用 1.2.3 節(jié)的方法, 在城市級別上對基準(zhǔn)年源清單進(jìn)行調(diào)整, 即對 9 個城市分別求取一組調(diào)整系數(shù), 用于調(diào)整該城市相關(guān)細(xì)分源的 NOx和 VOCs 排放。將調(diào)整后的清單重新輸入 CMAQ, 經(jīng)過 3 次迭代計算后, 總模擬誤差趨于收斂。利用區(qū)域內(nèi)所有國控站的逐時和逐日觀測數(shù)據(jù), 對 CMAQ 空氣質(zhì)量模擬最內(nèi)層網(wǎng)格(4km 網(wǎng)格)的模擬結(jié)果進(jìn)行評估。對比使用基準(zhǔn)清單及最后更新清單對成都平原各城市 O3及 NO2模擬的評估結(jié)果(表 3, 詳細(xì)結(jié)果見附錄中表 3 及圖 1 和 2)可知, 清單更新后的總體表現(xiàn)顯著優(yōu)于更新前。各城市更新清單后的模擬值與觀測值的逐日變化相關(guān)性普遍比更新之前提高, 臭氧的相關(guān)系數(shù)在 0.6~0.8 之間, 平均值約為 0.70, 比基準(zhǔn)清單的 0.61 提高 15%; NO2的相關(guān)系數(shù)在 0.17~ 0.61 之間, 平均值約為 0.50, 比基準(zhǔn)清單的 0.43 提高 16%。各城市臭氧模擬整體評估的平均標(biāo)準(zhǔn)化偏差(mean normalized bias, MNB)和平均標(biāo)準(zhǔn)化誤差(mean normalized error, MNE)分別為 3%和 20%, 與基準(zhǔn)清單相比, 分別降低約 50%和 5%; NO2模擬整體評估的 MNB 和 MNE 分別為?18%和 27%, 比基準(zhǔn)清單分別降低約 65%和 48%。

更新清單后的模擬效果總體上符合進(jìn)一步進(jìn)行控制決策方案制定的相關(guān)要求(臭氧模擬的推薦閾值: MNB 在±15%之間, MNE 小于30%)[49]。就成都市而言, 更新清單之后 O3和 NO2的模擬值與觀測值之間的相關(guān)性略有降低, 但在所有城市中仍保持最高值, 具有較好的模擬效果。另外, 模擬結(jié)果對成都市實測臭氧濃度高值存在一定程度的低估, 但從整個模擬時段來看, 其 MNB 和 MNE 分別為?9%和 20%, 都在推薦的參考值[50]范圍內(nèi)。成都周邊城市中, 除樂山和雅安的臭氧模擬誤差稍大外, 其他城市模擬結(jié)果都符合推薦標(biāo)準(zhǔn)。

2.2 敏感性系數(shù)時空分布特征

使用更新清單計算的臭氧對各主要貢獻(xiàn)源的敏感性系數(shù)的空間分布具有顯著的差異(見附錄中圖3)。以 8 月 29 日的臭氧日最大 8 小時平均濃度為例, 當(dāng)日臭氧高值區(qū)主要分布在成都市主城區(qū)及西部的郫都區(qū)、溫江區(qū)和雙流區(qū)西北部等地區(qū)。在各細(xì)分源類別中, 臭氧對天然源 NOx的敏感性系數(shù)可達(dá) 2~ 5μg/m3的水平, 對天然源 VOCs 的敏感性系數(shù)可達(dá)到更高的 5~10μg/m3的水平。工業(yè)源 NOx和 VOCs對成都臭氧高值區(qū)有重要影響, 是主要的人為貢獻(xiàn)源。其中, 臭氧對工業(yè)源 NOx的敏感性系數(shù)在成都主城區(qū)的中心地帶為?2~2μg/m3的較低水平, 在成都市其他大部分地區(qū)都在 5~20μg/m3的水平。在臭氧的高值區(qū), 工業(yè)源 VOCs 對臭氧濃度的影響都在5μg/m3以上, 最高可達(dá) 20μg/m3以上。移動源 NOx的敏感性系數(shù)在成都主城區(qū)的中心地帶為負(fù)值, 表明移動源 NOx排放量較大, 所體現(xiàn)的滴定作用能夠在局地抑制臭氧的生成[18,51]。臭氧濃度對移動源VOCs 的敏感性也很強(qiáng), 在臭氧高值區(qū)普遍大于 10μg/m3。溶劑使用 VOCs 排放對臭氧的影響在成都及周邊地區(qū)與移動源 VOCs 的影響水平接近。

表3 2018年8月成都平原城市日最大8小時臭氧、日均NO2濃度基準(zhǔn)清單和更新清單評估結(jié)果

臭氧對前體物排放的敏感性系數(shù)也會隨氣象條件(如濕度和風(fēng)速)的變化而變化。以成都市為例, 在污染天, 成都市臭氧日最大 8 小時平均濃度對區(qū)域內(nèi) NOx和 VOCs 排放都敏感, 特別是對工業(yè)源、電廠源和移動源的 NOx, 以及工業(yè)源、移動源、溶劑使用的 VOCs 和天然源 VOCs 排放更敏感(圖 2), 在制定減排方案時, 應(yīng)優(yōu)先考慮控制上述人為源的排放。例如, 8 月 29 日臭氧日最大 8 小時平均濃度(觀測值為 194μg/m3)對上述 3 個 NOx排放的敏感性系數(shù)都在 10μg/m3以上, 對上述 3 個人為源 VOCs排放的敏感性系數(shù)都在 15μg/m3以上, 顯著高于其他人為源排放 NOx和 VOCs 的敏感性系數(shù), 并且對所有 VOCs 和 NOx排放的敏感性均為正值。在相對清潔天, 由于氣象條件的變化, 成都市臭氧日最大8 小時平均濃度對移動源的 NOx表現(xiàn)出很高的負(fù)值敏感性。以 8 月 30 日為例, 成都市臭氧日最大 8 小時平均濃度對移動源的 NOx敏感性系數(shù)低于?15μg/m3。因此, 在控制移動源時, 需考慮 NOx的負(fù)敏感性作用, 根據(jù)實際情況對移動源的 NOx和 VOC進(jìn)行更精細(xì)化的控制。

臭氧對前體物排放的敏感性系數(shù)具有顯著的日變化特征(圖 3)。在一天當(dāng)中, 臭氧濃度對 VOCs 源的敏感性系數(shù)總是正值, 其數(shù)值從日出開始增加, 日落時處于較低水平, 在中午前后(即太陽輻射最強(qiáng)時)達(dá)到峰值。臭氧濃度對 NOx源的敏感性系數(shù)在一天中的大部分時間都是負(fù)值(即消耗臭氧), 隨著日出, 其對臭氧的滴定作用逐漸減弱[52], 且在中午前后敏感性系數(shù)變?yōu)檎? 并在臭氧 8 小時濃度峰值(一般在下午 4―5 點鐘)前后表現(xiàn)出顯著的正敏感性, 隨后又開始下降, 并在日落前后變?yōu)樨?fù)值(即重新開始消耗臭氧)。從逐時敏感性系數(shù)的時間序列(圖 3)看, 成都市臭氧對電廠源和工業(yè)源的 NOx敏感度相對更高, 高污染天時, 臭氧峰值對移動源NOx也表現(xiàn)出較強(qiáng)的敏感性(圖 3)。

2.3 臭氧生成等濃度曲線的應(yīng)用

通過繪制逐日的城市站點日最大8小時臭氧平均濃度 EKMA 曲線, 可以快速地研判不同時間、不同污染程度和不同減排目標(biāo)下城市臭氧控制的最佳減排途徑。在 EKMA 曲線圖中, 連接代表當(dāng)前濃度水平的點(100%NOx和 100%VOCs 排放對應(yīng)的點)到臭氧濃度標(biāo)準(zhǔn)的 160μg/m3等濃度線的最短直線(圖4 中帶箭頭黑線指示)即為最佳減排控制路徑。例如, 26 日成都市最大 8 小時臭氧濃度對 NOx更敏感, 可采用 NOx減排 50%, VOCs 減排 15%的最佳方案將臭氧濃度降低到 160μg/m3(圖 4(a)); 31 日成都臭氧對 VOCs 更敏感, 只需將 VOCs 減排 38%即可達(dá)標(biāo)(圖 4(d))。其他多數(shù)天, 成都臭氧對 NOx和 VOCs的敏感性較接近, 即對區(qū)域內(nèi) NOx和 VOCs 采取接近 1:1 的比例進(jìn)行減排的效果最佳。例如 28 和 29日, 成都臭氧的最佳減排路徑都在對角線附近, 28日對 NOx和 VOCs 分別減排 48%和 45%效果最佳(圖4(b)), 29 日對 NOx和 VOCs 分別減排 36%左右效果最佳(圖 4(c))。

在確定最佳控制路徑后, 結(jié)合細(xì)分源敏感性分析結(jié)果, 可制定減排控制情景方案。以成都市 8 月29 日的臭氧達(dá)標(biāo)控制為例, 可利用細(xì)分源敏感性系數(shù), 將最佳控制路徑揭示的 NOx和 VOCs 的減排總量細(xì)分到主要排放源上, 形成可執(zhí)行的控制方案(如表 4 所列的兩個細(xì)分方案)。8 月 29 日成都市最大 8 小時臭氧濃度為 194μg/m3, 需要減排至少 34μg/m3方可達(dá)標(biāo)(160μg/m3)。方案 Q1 和 Q2 采用的都是最佳減排路徑, 即 NOx和 VOCs 總量同時削減 36%。其中, Q1 將總量削減比例應(yīng)用于所有細(xì)分源, 預(yù)期臭氧濃度將剛好達(dá)標(biāo); Q2 則集中削減高敏感性的源(包括工業(yè)源的 NOx和 VOCs、電廠源的 NOx以及溶劑使用源的 VOCs), 其中部分高敏感性源的削減比例可達(dá) 57%以上, 控制難度加大。需要強(qiáng)調(diào)的是, 這里使用細(xì)分源的一階敏感性系數(shù)的相對比例來設(shè)計細(xì)分源減排執(zhí)行方案。由于沒有充分考慮不同細(xì)分源減排對臭氧生成濃度可能具有的不同的非線性影響, 因此在減排程度較大的情況下, 對各細(xì)分源相對減排效果的估算會存在一定程度的誤差。對總的減排效果, 是基于所構(gòu)建的臭氧生成等濃度曲線估算的, 估算誤差相對較小。這是因為, 簡化模型同時利用 DDM-3D 計算的一階和二階敏感性系數(shù)來計算臭氧生成濃度, 較充分地考慮了在減排程度較大的情況下臭氧生成濃度的非線性響應(yīng)特征。另外, 在構(gòu)建臭氧生成等濃度曲線時, 還同時用到基于 1%和 100%人為源排放的一階和二階敏感性系數(shù), 運用權(quán)重插值的方法計算得到不同減排比例對應(yīng)的臭氧生成濃度, 可進(jìn)一步減少在排放水平變化較大, 但不趨近于零的情形下對臭氧非線性響應(yīng)特征的預(yù)測誤差。

圖2 由 CMAQ-DDM-3D 計算的 2018 年 8 月 21—31 日成都市臭氧日最大 8 小時平均濃度對各個DDM源排放參數(shù)的敏感性系數(shù)與模擬和實測濃度的逐日累積柱狀圖

圖3 由 CMAQ-DDM-3D 計算的 8 月 21—31 日成都市平均臭氧滑動 8 小時平均濃度對各個 DDM 源排放參數(shù)的敏感性系數(shù)與模擬和實測濃度的時間序列對比

在大部分情況下, 成都市的大氣臭氧生成對NOx和 VOCs 排放都敏感, 特別是對工業(yè)源的 NOx和 VOCs、電廠源的 NOx以及移動源和溶劑使用的VOCs 排放最敏感, 削減這些源項的排放能夠有效地降低成都市臭氧污染水平。同時, 成都市大氣臭氧生成對前體物的敏感性隨氣象條件變化而改變, 在不利氣象條件下, 其對 NOx排放的敏感度增加, 對上風(fēng)向較遠(yuǎn)距離的 NOx輸送尤為敏感, 因此區(qū)域協(xié)同削減 NOx排放同樣關(guān)鍵。近期, 成都市大氣臭氧控制策略應(yīng)考慮聯(lián)合削減 NOx和 VOCs 的排放,

圖4 區(qū)域內(nèi)人為源 NOx 和 VOCs 減排對應(yīng)的 2018 年 8 月成都市典型臭氧污染日日最大 8 小時臭氧平均濃度EKMA曲線

表4 成都市 2018 年 8 月 29 日日最大 8 小時臭氧濃度達(dá)標(biāo)細(xì)分源減排情景方案

說明: 括號內(nèi)數(shù)字為百分比。表示敏感性系數(shù),表示減排比例。

并借助盆地內(nèi)其他地區(qū)以 NOx為重點的協(xié)同控制。若單獨對 NOx進(jìn)行削減, 在早期可能引起某些地區(qū)和時段的臭氧濃度升高。因此, 無論是本地源的前體物排放削減還是周邊地區(qū)的協(xié)同控制, 都要聯(lián)合削減NOx和 VOCs 排放。需要強(qiáng)調(diào)的是, 在達(dá)標(biāo)減排量占當(dāng)前排放水平比例較高的情況下, 應(yīng)該將減排任務(wù)分解為分階段達(dá)標(biāo), 通過工業(yè)企業(yè)挖潛改造、產(chǎn)業(yè)重新布局、調(diào)整升級產(chǎn)業(yè)結(jié)構(gòu)、優(yōu)化能源結(jié)構(gòu)以及提高交通運輸效率等綜合手段, 循序漸進(jìn)地達(dá)到逐年減排目標(biāo), 避免冒進(jìn)式的減排, 同時也可有效地防止排放和污染的短期反彈。

3 結(jié)論

本文提出一種快速構(gòu)建臭氧生成等濃度曲線的新方法, 結(jié)合區(qū)域空氣質(zhì)量模式敏感性分析和簡化模型, 可快速地計算人為源氮氧化物和可揮發(fā)性有機(jī)物在不同排放水平時對應(yīng)的臭氧生成濃度, 高效準(zhǔn)確地構(gòu)建臭氧生成等濃度曲線, 幫助決策部門快速地判斷最佳控制路徑, 同時結(jié)合細(xì)分源的臭氧敏感性分析, 可幫助選擇和評估最合適的可執(zhí)行減排控制方案。該方法可為城市和區(qū)域空氣污染治理的精細(xì)化管理提供有力的技術(shù)支撐。

本文利用多次迭代調(diào)整后的源排放清單, 對成都平原 2018 年 8 月臭氧污染進(jìn)行回溯模擬, 模擬結(jié)果的準(zhǔn)確度比清單調(diào)整前有顯著的提高, 模擬性能指標(biāo)符合進(jìn)行空氣污染控制決策分析的要求。進(jìn)一步地, 利用 DDM-3D 敏感性分析技術(shù)以及 RFM 簡化模型, 繪制成都平原地區(qū)各城市平均的逐日臭氧生成等濃度曲線圖(EKMA 曲線)。結(jié)合 EKMA曲線以及細(xì)分源敏感性分析結(jié)果, 以成都市 8 月 29 日臭氧達(dá)標(biāo)為例, 制定遵循最佳控制路徑的精細(xì)化減排方案。研究發(fā)現(xiàn), 重點削減區(qū)域內(nèi)工業(yè)源和電廠源的 NOx以及工業(yè)源、移動源和溶劑使用源的 VOCs排放, 可有效地降低成都市臭氧污染水平。成都市臭氧控制應(yīng)考慮本地聯(lián)合削減 NOx和 VOCs 排放, 同時借助周邊城市的協(xié)同控制。

[1] 中國國務(wù)院. 大氣污染防治行動計劃. 北京: 人民出版社, 2013

[2] 姜磊, 周海峰, 賴志柱, 等. 中國城市 PM2.5時空動態(tài)變化特征分析: 2015－2017 年. 環(huán)境科學(xué)學(xué)報, 2018, 38(10): 3816–3825

[3] 劉孟琴, 湯家法, 劉小青, 等. 四川省近 15 年以來PM2.5的時空分布特征及原因分析. 四川環(huán)境, 2017, 36(3): 74–81

[4] 楊興川, 趙文吉, 熊秋林, 等. 2016 年京津冀地區(qū)PM2.5時空分布特征及其與氣象因素的關(guān)系. 生態(tài)環(huán)境學(xué)報, 2017, 26(10): 1747–1754

[5] 孟曉艷, 宮正宇, 張霞, 等. 全國及重點區(qū)域臭氧污染現(xiàn)狀. 中國環(huán)境監(jiān)測, 2017, 44(4): 17–25

[6] 張倩倩, 張興贏. 基于衛(wèi)星和地面觀測的 2013 年以來我國臭氧時空分布及變化特征. 環(huán)境科學(xué), 2019, 40(3): 1132–1142

[7] 李波蘭, 羅彬, 張巍, 等. 四川省臭氧時空分布特征及污染特征分析. 環(huán)境科學(xué)與技術(shù), 2018, 41(增刊 1): 293–298

[8] 黃小剛, 趙景波. 2016年長三角城市群 O3濃度的時空變化規(guī)律. 中國環(huán)境科學(xué), 2018, 38(10): 3611–3620

[9] Sillman S. The relation between ozone, NOxand hy-drocarbons in urban and polluted rural environments. Atmospheric Environment, 1999, 33(12): 1821–1845

[10] Solomon P, Cowling E, Hidy G, et al. Comparison of scientific findings from major ozone field studies in North America and Europe. Atmospheric Environment, 2000, 34(12): 1885–1920

[11] Hidy G M. Ozone process insights from field experi-ments part I: overview. Atmospheric Environment, 2000, 34(12/13/14): 2001–2022

[12] Zhang Yuanhang, Su hang, Zhong Liuju, et al. Re-gional ozone pollution and observation-based app-roach for analyzing ozone-precursor relationship du-ring the PRIDE-PRD2004 campaign. Atmospheric En-vironment, 2008, 42(25): 6203–6218

[13] 漏嗣佳, 朱彬, 廖宏. 中國地區(qū)臭氧前體物對地面臭氧的影響. 大氣科學(xué)學(xué)報, 2010, 33(4): 451–459

[14] 沈勁, 陳多宏, 蔣斌, 等. 粵東北地區(qū)臭氧與前體物關(guān)系. 環(huán)境科學(xué)與技術(shù), 2018, 41(9): 90–95

[15] 梁永賢, 尹魁浩, 胡泳濤, 等. 深圳地區(qū)臭氧污染來源的敏感性分析. 中國環(huán)境科學(xué), 2014, 34(6): 1390–1396

[16] Cheng Hairong, Guo Hai, Wang Xinming, et al. On the relationship between ozone and its precursors in the Pearl River Delta: application of an observation-based model (OBM). Environmental Science and Pol-lution Research, 2010, 17(3): 547–560

[17] Shao Min, Zhang Yuanhang, Zeng Limin, et al. Ground-level ozone in the Pearl River Delta and the roles of VOC and NOxin its production. Journal of Environmental Management, 2009, 90(1): 512–518

[18] 羅恢泓, 袁自冰, 鄭君瑜, 等. 上海夏季臭氧生成機(jī)制時空變化特征及其影響因素研究. 環(huán)境科學(xué)學(xué)報, 2019, 39(1): 154–168

[19] Li Ying, Lau A K H, Fung J C H, et al. Importance of NOxcontrol for peak ozone reduction in the Pearl River Delta region. Journal of Geophysical Research: Atmospheres, 2013, 118(16): 9428–9443

[20] Refsgaard J C, van der Sluijs J P, Hojberg A L, et al. Uncertainty in the environmental modelling process-a framework and guidance. Environmental Modelling and Software, 2007, 22(11): 1543–1556

[21] Dunker A M, Morris R E, Pollack A K, et al. Photochemical modeling of the impact of fuels and vehicles on urban ozone using auto/oil program data. Environmental Science and Technology, 1996, 30(3): 787–801

[22] Yang Y J, Wilkinson J G, Russell A G. Fast, direct sensitivity analysis of multidimensional photochemi-cal models. Environmental Science and Technology, 1997, 31(10): 2859–2868

[23] Hakami A, Odman M T, Russell A G, et al. High-order, direct sensitivity analysis of multidimensional air quality models. Environmental Science and Tech-nology, 2003, 37(11): 2442–2452

[24] Zhang W X, Capps S L, Hu Y T, et al. Development of the high-order decoupled direct method in three dimensions for particulate matter: enabling advanced sensitivity analyssi in air quality models. Geoscien-tific Model Development, 2012, 5(2): 355–368

[25] Hakami A, Odman M T, Russell A G. Nonlinearity in atmospheric response: a direct sensitivity analysis approach. Journal of Geophysical Research, 2004, 109 (D15): D15303

[26] Napelenok S L, Cohan D S, Hu Y T, et al. Decoupled direct 3D sensitivity analysis for particulate matter (DDM-3D/PM). Atmospheric Environment, 2006, 40 (32): 6112–6121

[27] Wang Xuesong, Zhang Yuanhang, Hu Yongtao, et al. Decoupled direct sensitivity analysis of regional ozone pollution over the Pearl River Delta during the PRIDE-PRD2004 campaign. Atmospheric Environment, 2011, 45(28): 4941–4949

[28] 王麗濤, 張普, 楊晶, 等. CMAQ-DDM-3D 在細(xì)顆粒物(PM2.5)來源計算中的應(yīng)用. 環(huán)境科學(xué)學(xué)報, 2013, 33(5): 1355–1361

[29] US Environmental Protection Agency. Guideline for use of city-specific EKMA in preparing ozone SIPs. Research Triangle Park: EPA-450/4-80-027, 1981

[30] Kinoslan J R. Ozone precursor relationships from EKMA diagrams. Environmental Science and Tech-nology, 1982, 16(12): 880–883

[31] 李冰, 陳長和, 余金香. 利用 EKMA 曲線制定光化學(xué)煙霧污染區(qū)域總量控制方案. 高原氣象, 1998, 17(2): 111–119

[32] 郝偉華, 王文勇, 張迎春, 等. 成都市臭氧生成敏感性分析及控制策略的制定. 環(huán)境科學(xué)學(xué)報, 2018, 38(10): 3894–3899

[33] Pinder R W, Gilliam R C, Appel K W, et al. Efficient probabilistic estimates of surface ozone concentration using an ensemble of model configurations and direct sensitivity calculations. Environmental Science and Technology, 2009, 43(7): 2388–2393

[34] Zhang W X, Trail M A, Hu Y T, et al. Use of high-order sensitivity analysis and reduced-form modeling to quantify uncertainty in particulate matter simula-tions in the presence of uncertain emissions rates: a case study in Houston. Atmospheric Environment, 2015, 122: 103–113

[35] 四川省測繪地理信息局. 2012四川省地理省情公報[EB/OL]. (2012–12–04) [2020–01–06]. https://www.sc. gov.cn/10462/10464/10465/10574/2012/12/13/10239785.shtml

[36] 徐琨, 劉志紅, 何沐全, 等. 成都市夏季近地面臭氧污染氣象特征. 中國環(huán)境監(jiān)測, 2018, 34(5): 36–45

[37] 閆靜. 盆地氣候條件下成都市城區(qū)臭氧污染特性研究[D]. 成都: 西南交通大學(xué), 2013

[38] Skamarock W C, Klemp J B, Dudhia J, et al. A description of the advanced research WRF Version 3. NCAR Technology Note: NCAR/TN-475+STR, 2008

[39] Appel W, Napelenok S L, Foley K M, et al. Des-cription and evaluation of the Community Multiscale Air Quality (CAMQ) modeling system version 5.1. Geoscientific Model Development, 2017, 10(4): 1703–1732

[40] Byun D, Schere K L. Review of the governing equa-tions, computational algorithms, and other compo-nents of the Models-3 Community Multiscale AIR Quality (CMAQ) modeling system. Applied Mecha-nics Reviews, 2006, 59(2): 51–77

[41] Hutzell W T, Luecken D J, Appel K W, et al. Inter-preting predictions from the SAPRC07 mechanism based on regional and continential simulations. At-mospheric Environment, 2012: 46: 417–429

[42] Pye H O T, Pouliot G A. Modeling the role of alkanes, polycyclic aromatic hydrocarbons, and their oli-gomers in secondary organic aerosol formation. En-vironmental Science and Technology, 2012, 46(11): 6041–6047

[43] Cohan D S, Hakami A, Hu Y T, et al. Nonlinear re-sponse of ozone to emissions: source apportionment and sensitivity analysis. Environmental Science and Technology, 2005, 39(17): 6739–6748

[44] Streets D G, Canty T, Carmichael G R, et al. Emissions estimation from satellite retrievals: a review of current capability. Atmospheric Environ-ment, 2013, 77: 1011–1042

[45] Liu D C, Nocedal J. On the limited memory BFGS method for large scale optimization. Mathematical Programming, 1989, 45(1/2/3): 503–528

[46] Gilliland A B, Abbitt P J. A sensitivity study of the discrete Kalman filter (DKF) to initial condition dis-crepancies. Journal of Geophysics Research: Atmos-phere, 2001, 106(D16): 17939–17952

[47] Pison I, Menut L, Bergametti G. Inverse modeling of surface NOxanthropogenic emission fluxes in the Paris area during the Air Pollution Over Paris Region (ESQUIF) campaign. Journal of Geophysical Re-search, 2007, 112(D24): D24302

[48] Huang Zhijiong, Hu Yongtao, Zheng Junyu, et al. A new combined stepwise-based high-order decoupled direct and reduced-form method to improve uncer-tainty analyssi in PM2.5simulations. Environmental Science and Technology, 2017, 51(7): 3852–3859

[49] US Environmental Protection Agency. Guidance on the use of models and other analyasis for demons-trating attainment of air quality goals for ozone, PM2.5and regional haze. Research Triangle Park: EPA-454/B-07-0002, 1981

[50] Boylan J W, Russell A G. PM and light extinction model performance metrics, goals, and criteria for three-dimensional air quality models. Atmospheric Environment, 2006, 40(26): 4946–4959

[51] Wu Rongrong, Xie Shaodong. Spatial distribution of ozone formation in China derived from emissions of speciated volatile organic compounds. Environmental Science and Technology, 2017, 51(5): 2574–2583

[52] Wang T, Xue L K, Brimblecombe P, et al. Ozone pollution in China: a review of concentrations, me-teorological influences, chemical precursors, and effects. Science of Total Environment, 2016, 575: 1582–1596

Implementing Reduced Form Model to Construct Ozone Isopleths and Its Application

DU Yunsong1, HUANG Ran2,?, WANG Xinlu2, QIN Momei3, ZHANG Wenxian2, ZHANG Yuzhong4,5, YANG Yao6, ZHANG Wei1, LUO Bin6, HU Yongtao7, Armistead G. Russell7

1. Sichuan Bio-Environmental Monitoring Center, Chengdu 510081; 2. Hangzhou AiMa Technologies, Hangzhou 311121; 3. School of Environmental Science and Engineering, Nanjing University of Information Science and Technology, Nanjing 210044; 4. School of Engineering, Westlake University, Hangzhou 310024; 5. Institute of Advanced Technology, Westlake Institute for Advanced Study, Hangzhou 310024; 6. Sichuan Academy of Environmental Policy and Planning, Chengdu 510081; 7. School of Civil and Environmental Engineering, Georgia Institute of Technology, Atlanta, GA 30332; ? Corresponding author, E-mail: ranhuang2019@163.com

An efficient approach to construct ozone isopleths was established. It utilizes both first- and second-order sensitivity analysis from a regional air quality model to build a reduced form model (RFM) for calculating ozone concentrations that respond to the different levels of nitrogen oxides (NOx) and volatile organic compounds (VOCs) emissions. The approach was applied to the Chengdu Plain area by simulating the ozone concentration and its sensitivities to anthropogenic emissions for August 2018 with adjusted emissions inventory. Ozone isopleth diagrams were plotted for cities in the area. Under the guidance of ozone isopleths, effective ozone control strategies were further suggested for Chengdu city as an example.

ozone precursors; CMAQ-DDM; surface ozone pollution control

10.13209/j.0479-8023.2020.120

國家重點研發(fā)計劃(2018YFC0214004)和四川省科技廳重點研發(fā)項目(2018SZ0316)資助

2020–01–22;

2020–03–13