2. 北京师范大学水科学研究院, 北京 100875;
3. 中国环境科学研究院, 北京 100012;
4. 北京清控人居环境研究院, 北京 100083;
5. 国家气象中心, 北京 100081
2. College of Water Sciences, Beijing Normal University, Beijing 100875;
3. Chinese Research Academy of Environmental Sciences, Beijing 100012;
4. Tsinghua Holdings Human Settlements Environment Institute, Beijing 100083;
5. National Meteorological Center, Beijing 100081
2015年秋冬季, 我国北方地区温度明显偏高, 冷空气活动明显偏弱(北京市环境保护监测中心, 2016);京津冀地区第四季度平均多个气象要素均表现为2000年以来明显偏差的情况, 如地面平均气压最低, 湿度明显偏高, 地面风速明显偏小, 与逆温状况联系紧密的大气中层温度也达到十多年来最高水平(BMBS, 2016);尤其是进入12月以来, 温度偏高的现象尤为明显;受不利气象条件影响, 北京及周边地区发生多次重污染过程.污染过程期间, 污染持续时间长, 影响范围大, 污染强度高, 有些局部地区出现爆表的情况;京津冀及周边地区多次发生空气重污染过程一方面对人民群众生产生活影响较大, 另外一方面造成多个城市PM2.5累积平均浓度反弹, 空气质量排名迅速下降, 引起了政府和公众的广泛关注(程念亮等, 2016).
为及时有效实施应急措施, 减缓污染程度、保护公众健康, 北京市发布并实施了空气重污染应急预案(北京市人民政府, 2015), 2015年12月北京市首次依据预案实施了两次空气重污染红色预警.“红色预警”成为北京市2015清洁空气十大关键词, 也被新浪网评为2015年中国环保十大事件之一(http://news.xinhuanet.com/local/2016-01/18/c_128640342.htm).分析认识空气重污染红色预警期间北京市各点位PM2.5浓度特征分析并开展减排措施分析及评估研究有着十分重要的意义.
目前我国空气重污染的研究主要集中在珠三角、长三角、京津渤等区域, 对于北京市重污染的分析研究主要集中在2013年1月、2014年2月、2014年10月重污染过程中, 针对2015年12月重污染过程特别是启动红色预警的重污染过程研究较少(Guo et al., 2014; Chan, 2008; Zhao et al., 2011; Huang et al., 2014; Zhang et al., 2013; Xue et al., 2016);由于2013年1月、2014年2月、2014年10月重污染过程中区域并没有启动强制性应急减排措施, 绝大部分研究主要集中在PM2.5浓度变化特征、离子构成变化、污染成因分析上(Tang et al., 2015; Wang et al., 2014; Yao et al., 2013; Yang et al., 2011; Zhao et al., 2010; Zhou et al., 2010), 针对重污染应急预警效果评估的研究更少.本研究利用污染物监测数据和空气质量数值模型, 采用数理统计、对比分析及情景模拟等方法综合研究了2015年12月第2次空气重污染红色预警期间北京市PM2.5的浓度特征, 并初步评估了减排措施的贡献及影响.
2 材料与方法(Materials and methods) 2.1 地面观测北京市全市共35个监测点位数据来自PM25IN网站(http://www.pm25.in/)、中国环境监测总站(http://106.37.208.233:20035/、http://datacenter.mep.gov.cn/index)和青悦数据中心(https://wat.epmap.org/), 35个监测点位监测常规6项大气污染物, 其中PM2.5、PM10均采用微量振荡天平法.35个监测点位平均值代表全市污染水平, 为了更好比较交通点位和背景点位污染物浓度变化趋势和应急措施的减排效果, 选取35个监测点位中的定陵监测点为城市背景点, 位于城市上风向40 km处, 周围无污染源排放;选取位于二环路边上的前门监测点位为交通环境监测点;同时在2站点附近采用荷兰WAISALA公司的WXT520气象观测仪观测地面风、温度、大气压、湿度的变化.将35个站点按照行政区域划分为南部站点(通州、房山、大兴)、城区站点(城六区及门头沟)和北部站点(延庆、昌平、顺义、平谷、密云、怀柔)分析南北空气质量差异.
采用综合空气质量模式CAMx(Comprehensive Air Quality Model with Extensions)模拟重污染期间区域各项大气污染物浓度变化(Dunker et al., 2002), 其中采用CAMx网格设置为单层网格, 网格间距为12 km, 模拟时间为2015年365 d, 模拟区域覆盖京津冀地区.气象模型选用WRF(The Weather Research & Forecasting Model)模式, 源处理模型为SMOKE(Sparse Matrix Operator Kernel Emissions), 排放清单采用2013年清华大学MEIC排放清单(http://www.meicmodel.org/).运用CAMx中的PAST源追踪模块分析不同地区对北京市PM2.5浓度小时贡献, 基于示踪物的计算方法, 可以得到每个标识来源的贡献情况, 同时保证污染物质量守恒.模型中按我国行政规划进行区域划分, 其中河北省划分为11个地级市.预警期间, 北京市及周边城市根据应急预案采取了不同程度的应急减排措施, 根据北京市、天津市、河北省空气重污染应急预案要求, 结合2014年APEC会议、2015年抗战胜利70周年阅兵减排效果评估经验的基础上, 结合区域空气重污染应急预案中减排措施, 计算了实施重污染预警应急措施后的减排量和减排比例(表 1), 其中机动车、扬尘、燃煤等排放源清单采用中国环境科学研究院核算的减排清单数据, 工业源采用的是环保部提供的污染源减排比例.采用R1与R2计算减排量, 具体来看, 对于点源, E1为污染物减排量, A1 为该排放源的活动水平, η1为统计的各污染源减排比例, EF1为各项污染物的产生系数;对于面源, A2为清单中最小行政区单元(一般为街道或区县)的活动水平;对于交通移动源, P为清单中最小行政区单元中对应车型的车辆保有量, EF2为污染物排放系数, VMT为该车型的年均行驶里程, η2为平均停驶率.由表 1可知, 北京市、天津市、河北省实施空气重污染预警应急措施后, 污染物减排比例分别为14%~32%、7%~24%、20%~29%.
(1) |
(2) |
为评估减排后的应急措施的改善效果, 针对北京市及周边地区红色预警应急方案, 设置两种情景进行比对分析, 情景1为基准情景, 即为未考虑北京市及周边地区减排措施, 情景2考虑了北京市及周边地区减排措施, 由于情景1与情景2采用了同样的气象背景场, 则情景2与情景1的结果对比可定量描述应急预案措施实施的减排效果.
(3) |
式中, Pcontrib、Cbase、C分别为浓度减排贡献率、基准情景下PM2.5模拟浓度值和采取减排措施下PM2.5模拟浓度值.运用CAMx中的源追踪(PSAT)技术对PM2.5各项污染物进行源-受体关系分析;PSAT技术的一个基本的假设是所有类型的颗粒物示踪都被分配给了对应的前体物.PSAT技术通过对CAMx模拟网格的分类来设定地理区域, 以此来代表按区县、州等来分类的地理区域.PSAT技术通过给每种类型的排放源提供单独的排放源文件来对排放类型进行分类.依据省级行政区划将区域网格划分为北京、天津、河北11地级市、山东、河南、山西16个分区, 共计17个分区, 以此计算不同省市及区域外来源贡献.
为验证CAMx的模拟效果, 使用2015年12月北京市、天津市、石家庄市12 km网格分辨率的数值模拟结果与实测值逐日进行比对, 图 2为北京市、天津市、石家庄市PM2.5模拟值与观测值的散点图, 可以看出PM2.5的模拟值与观测值的时间序列变化较为一致, 峰值有所低估.从统计的观测及模拟的平均值(mean OBS、mean SIM)、相关系数(r)、标准平均偏差(NMB)和均方根误差(RMSE)上来看, 相关系数在0.69~0.80之间, NMB在-25%~-13%之间, RMSE为18%~31%, 整体结果与EPA推荐的评价标准(MFB≤±60%和MFE≤75%)较一致.模拟误差的可能原因包括:① 模型不完善的物理化学反应机制;② 源排放估算的不确定, 特别是区域散煤调查较为困难(Gao et al., 2011; Liu, 2016).
2015年第2次红色预警前后, 北京市12月18日7时提前24 h发布空气重污染红色预警, 规定红色预警时段为12月19日07时—12月22日24时, 共计90 h.表 2为统计的2015年第2次红色预警前后北京市空气质量的变化, 从污染物浓度逐日变化特征上看, 12月19日空气质量整体为四级中度污染, 空气质量指数为168;12月20—21日维持五级重度污染, 空气质量指数均在200以上;12月22日上升为六级严重污染, 空气质量指数为349, 污染最重, 全市PM2.5最高小时均值出现在12月22日20时, 为421 μg·m-3;12月23日浓度缓慢下降, 早8时受北部冷空气影响, 局地空气质量改善, 城区及南部地区空气质量仍为重污染;午后, 污染有所回流, 高浓度污染物在偏南风作用下输送到城区, 全市的空气质量均陷入严重污染水平, 全天空气质量整体还是五级重度污染的水平.
本研究将此次空气重污染过程分为3个时间段, 重污染起始阶段(12月18—19日)、重污染持续积累阶段(12月20—22日)和重污染回流阶段(12月23—24日).区域污染分布上, 重污染起始阶段污染物在区域偏南风的作用下, 污染带在河南北部、河北中南部地区区聚集, 部分城市污染浓度积累上升;重污染城市个数较少.重污染持续积累阶段, 扩散条件转差, 河南省中北部及周边地区污染进一步累积;受持续偏南气流系统影响, 污染带影响范围继续向北扩大, 污染物除在河南省中北部及河北省沿太行山一线累积外, 开始随南风向北输送, 京津冀地区将由南向北经历一次重度污染过程;重污染城市个数明显增加.重污染持续累积过程中, 京津冀及周边地区污染面积均超过60万km2, 区域性污染特征明显.污染回流阶段, 受弱冷空气影响, 北京市局部地区空气质量改善, 但冷空气没有清除北京南部及周边地区高浓度污染物, 在偏南风作用下, 高浓度污染物回流, 城区及北部地区又陷入重污染.
3.2 南北差异特征分析从北京市35个站点浓度分布上看, 污染初期南部地区PM2.5浓度明显偏高, 且PM2.5极端高值往往出现在北京南部站点.污染输送阶段, 北京市PM2.5小时浓度在短时内呈爆发式增长, 浓度积累速率可达5~10 μg·m-3·h-1.污染缓解阶段, 偏北风作用, 空气质量转好.预警期间北京市空气质量南北差异较大.图 4为统计的红色预警前后(12月18—12月23日)北京市不同站点PM2.5极值及重污染累计小时数, 南部站点、城区站点、北部站点重污染持续小时数分别为117、98、59 h, PM2.5极值分别为671、524、394 μg·m-3, PM2.5极值和累积持续时间均呈现出南部站 > 城区站 > 北部站的特征, PM2.5浓度南北差异较大.这样的PM2.5分布特征主要与局地小尺度的气象条件作用有关, 较好的扩散条件只作用到北部地区;弱北风和南部的偏南风在城区汇聚, 容易形成切变线, 造成北京市空气质量南北两重天的现象, 给预报工作带来了较大的难度.
研究进一步用观测的气象数据分析了12月18—24日北京市南北两重天现象的成因, 观测期间北部地区地面气压明显高于南部地区1 hPa左右, 相对湿度低于南部地区10%左右, 偏北风风频明显较大, 如12月24日12时北京北部地区为偏北风, 而南部地区为静风, 北部地区PM2.5浓度明显低于城区和南部地区.查看不同高度韩国实测天气图(http://web.kma.go.kr/chn/weather/images/analysischart.jsp)可知, 污染过程中北京地区位于低压槽或高压脊前, 槽内部气压场分布上存在显著不均匀性, 西北一侧为等压线密集区, 而槽前北京南区为均压场.弱偏北风与弱南风构成的中-α切变线摆动于北京城区, 受切变线作用, 形成了“南北两重天”的“分水岭”, 这与王喜全等(2007)研究结论基本一致.
由于每次重污染过程天气形势均趋于静稳且局地气象条件差异较大, 每次重污染过程相似性较差.研究将红色预警期间各项污染物变化于2015年所有的重污染日平均变化做比较.从不同污染物实测浓度比值上看(表 3), PM2.5/SO2, PM2.5/CO和PM2.5/NO2在红色预警期间均出现不同程度的下降, 显示出大气二次污染物PM2.5下降的速率增大. NO2/SO2和NO2/CO预警期间也有一定程度的下降, 表明机动车限行措施起到一定的降低氮氧化物的效果.与重污染日平均(PM2.5累计速率5.1~5.7 μg·m-3·h-1)相比, 红色预警期间在更加不利的气象条件和较长时间的重污染持续过程下, PM2.5累计速率(3.5~4.0 μg·m-3·h-1)明显减小, 说明人努力的减排措施起到了效果.与实测数据相结合, 可以看出在本次污染过程的后期, 浓度变化较平缓, 未呈现进一步积累上升趋势, 随着红色预警各项措施的持续, 其产生的环境改善效果在后期更加明显.从不同监测点位上看, PM2.5累计速率呈现出交通站>城区站>背景站的特征且受减排措施的影响, 预警期间与重污染日平均值相比均下降, 交通站下降幅度(30%左右)最大, 表明减排措施在交通站更加显著.预警期间, 实施机动车单双号行驶、国一国二机动车禁行, 重点工业企业停限产、施工工地停工等最高级别响应措施.在机动车交通管理方案上, 公共交通倡导“绿色出行”, 同时要增加公交、地铁运力, 保障公众正常出行.城市运行方面确保公交、救护、消防、环卫、执法, 以及“绿色通道”等城市运行保障类车辆、纯电动小客车正常行驶.公务用车方面行政事业单位和国企带头停驶30%的公务用车.这是社会关注的敏感问题, 必须作为督查督办的重点.在外埠机动车进京管理方面, 要严查不遵守本市交通管理措施的外埠进京机动车, 严禁外埠过境机动车在市内穿行.通过这些措施极大降低了污染物排放量.值得注意的是, 减排措施并不能将空气质量改善至优良, 只能起到削峰降速的作用.由于本文采取的交通点和背景点都只有一个站点的值, 站点污染物浓度下降跟所处的地理位置(南北部)也有很大的关系;因此, 基于实测数据的减排措施效果评估结果具有一定的不确定性.
研究对比分析了不同级别空气质量预警期间北京市PM2.5浓度日变化和累积浓度(图 6), 可知在更加不利的气象条件下, 红色预警期间PM2.5日浓度变化反而低于橙色预警、重污染日平均约20%~30%;从累积浓度上上看, 36 h内PM2.5增长的速度较为缓慢, PM2.5累计速率也显著低于橙色预警、重污染日平均;由于黄色预警并没有采取强制性减排措施, 黄色预警平均PM2.5浓度日变化和累积速度高于红色预警情有可原.蓝色预警PM2.5日浓度大部分低于其他预警级别, 但PM2.5增长的速度整体较高, 这是由于空气质量预警在分级时不仅考虑污染的程度, 还考虑污染持续时间, 一些蓝色预警启动发生在区域传输和污染物浓度段时间爆发式增长的情况下.因此, 图 6直接说明了红色预警期间减排措施起到了明显的抑制PM2.5增长速度的效果.
图 7为2015年12月19—23日北京市PM2.5浓度监测值与模型模拟未削减情景、北京及周边地区削减情景浓度对比图.模拟结果显示, 在北京及周边地区应急控制措施的前提下, 应急预案措施实施后, 北京市PM2.5浓度平均降低比例为20%~32%, 平均为25%左右.2015年第2次红色预警, 启动时间早, 北京市从19日7时就开始启动, 在大气转入静稳状态初期就开始采取减排措施, 红色预警期间区域应急减排, 有效减缓了污染积累.从空间分布上看, PM2.5浓度降低主要集中在太行山山前的华北平原区, 浓度降低在50~100 μg·m-3左右.
从模拟的源受体分地区结果来看(图 8), 减排前北京市PM2.5主要是来自于本地排放(56%)及河北(12%)、天津(6%)等地区污染输送;减排后本地排放贡献下降了8%, 污染输送主要贡献区域集中在河北(14%)、天津(7%)、河南(7%)、山东(5%)等地区.从各地区采取的减排措施贡献上看, 北京市PM2.5浓度降低贡献本地减排占65%, 区域的减排占35%;由于第2次红色预警期间, 北京市北部地区弱偏北风较为频繁, 南北污染差异大, 北京以南地区的区域污染输送得到抑制, 因此在局部有利气象条件下, 北京本地的减排措施对改善空气质量贡献最大;但当小尺度风场发生变化的情况下, 如偏南风或静风, 北京周边各城市区域协同减排对下风向北京空气质量改善贡献最大.相比历年秋冬季以来的历次空气重污染过程, 从气象条件、影响范围、持续时间、区域传输影响等因素看, 此次过程本应污染程度更重、应对难度更大, 但由于提前预警、提前实施红色预警应急措施, 有效减少了污染物排放, 最大程度地发挥了对重污染的“削峰、降速”作用, 减缓了污染累积, 抑制了污染程度, 起到了明显的应急预警效果.同时可以看到, 应急措施的实施并不能使空气质量跌至达标水平, 应急措施的效果主要集中体现在“削峰、降速”上;因此, 治理大气污染除联防联控外, 还应进一步调整产业结构, 使用清洁能源, 大力节能减排(Tie et al., 2009; Zhang et al., 2012).
本研究的结果对指导指定应急措施具有一定的参考价值.目前针对应急措施评估的研究大多采用观测和模型结合的方法, 由于数值模型模拟的不确定性, 数值模型模拟和预报能力的急需提升, 需要相对准确的污染源基础排放清单;污染源协同减排措施和具体方案需提前掌握;污染传输与化学过程的改进;有限的计算机资源和同时间大量的系统运行影响计算效率和时效.同时, 减排调控应制定充分、科学的规划预案, 应以实际天气条件、气象预报信息、环境预报信息为主要依据, 采取必要但不过度的实施方案, 做到既能完成保障任务, 又可尽量降低减排调控的经济成本和社会成本.
4 结论(Conclusions)1) 污染初期南部地区PM2.5浓度明显偏高, 且PM2.5极端高值往往出现在北京南部站点.污染输送阶段, 北京市PM2.5小时浓度在短时内呈爆发式增长, 浓度积累速率可达5~10 μg·m-3·h-1.污染缓解阶段, 偏北风作用, 空气质量转好.预警期间北京市空气质量南北差异较大.
2) 红色预警应急措施实施后, 北京市PM2.5环境浓度下降约20%~25%. PM2.5累计速率呈现出交通站>城区站>背景站的特征且受减排措施的影响, 预警期间与重污染日平均值相比均下降, 交通站下降幅度最大, 表明减排措施在交通站更加显著.
3) 气象条件对重污染的形成和结束起着决定性作用, 为了更好的做好空气质量预警预报工作, 应加强对小尺度天气系统的研究, 同时关注不同方位PM2.5浓度峰值及重污染持续时间的变化, 形成北京市分区预报预警的经验, 同时区域也应加强预警及应急联动.
致谢: 感谢监测子站工程师辛勤劳动和审稿专家提出的建设性修改意见.
BMBS(Beijing Municipal Bureau of Statistics). 2016. Beijing Statistical Yearbook[EB/OL].http://www.bjstats.gov.cn/nj/main/2015-tjnj/CH/index.htm
|
北京市人民政府. 2015. 北京市空气重污染应急预案[M]. 北京: 北京市环境科学出版社.
|
北京市环境保护监测中心. 2016. 2015年冬季北京市PM2. 5重污染状况及来源分析[R]. 北京: 北京市环境保护监测中心
|
程念亮, 张大伟, 陈添, 等. 2016. 2015年北京市两次红色预警期间PM2.5浓度特征[J]. 环境科学, 2016, 37(7): 2409–2418.
|
Chan C, Yao X. 2008. Air pollution in mega cities in China[J]. Atmospheric Environment, 42: 1–42.
|
Dunker A M, Yarwood G, Ortmann J P, et al. 2002. Comparison of source apportionment and source sensitivity of ozone in a three-dimensional air quality model[J]. Environmental Science & Technology, 36(13): 2953–2964.
|
Gao Y, Liu X, Zhao C, et al. 2011. Emission controls versus meteorological conditions in determining aerosol concentrations in Beijing during the 2008 Olympic Games[J]. Atmospheric Chemistry Physics, 11: 12437–12451.
|
Guo S, Hu M, Li M, et al. 2014. Elucidating severe urban haze formation in China[J]. Proceedings of the National Academy of Sciences, 111(49): 17373–17378.
|
Huang R J, Zhang Y L, Bozzetti C, et al. 2014. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 514(7521): 1–5.
|
Liu J, Mauzerall D L, Chen Q. 2016. Air pollutant emissions from Chinese households:A major and underappreciated ambient pollution source[J]. Proceedings of the national Academy of Sciences, 113(28): 7756–7761.
|
Tang G, Zhu X, Hu B, et al. 2015. Impact of emission controls on air quality in Beijing during APEC 2014:lidar ceilometer observations[J]. Atmospheric Chemistry Physics, 15: 12667–12680.
|
Tie X, Cao J. 2009. Aerosol pollution in China:present and future impact on environment[J]. Particuology, 7: 426–431.
|
Wang Y, Zhang Y, Zhang Y, et al. 2014. Characterization of carbonaceous aerosols during and post-Shenzhen UNIVERSIADE period[J]. China Environmental Science, 34: 1972–1978.
|
王喜全, 齐彦斌, 王自发, 等. 2007. 造成北京地区PM10重污染的二类典型天气形势[J]. 气候与环境研究, 2007, 12(1): 81–86.
|
Xue Y F, Zhou Z, Nie T, et al. 2016. Exploring the severe haze in Beijing During December, 2015:Pollution Process and Emissions Variation[J]. Environmental Science, 37(5): 1593–1601.
|
Yao Z L, Zhang Y Z, Shen X B, et al. 2013. Impacts of temporary traffic control measures on vehicular emissions during the Asian Games in Guangzhou, China[J]. Journal of Air Waste Management Association, 63: 11–19.
|
Yang Q, Wang Y H, Zhao C, et al. 2011. NOx emission reduction and its effects on ozone during the 2008 Olympic Games[J]. Environmental Science and Technology, 45: 6404–6410.
|
Zhang Q, He K B, Huo H. 2012. Policy:Cleaning China's air[J]. Nature, 484(7393): 161–162.
|
Zhang R, Jing J, Tao J, et al. 2013. Chemical characterization and source apportionment of PM2.5 in Beijing:seasonal perspective[J]. Atmospheric Chemistry Physics, 13: 7053–7074.
|
Zhao M, Xing J, Wu Y, et al. 2010. Quantifying the Air Pollutants Emission Reduction during the 2008 Olympic Games in Beijing[J]. Environmental Science and Technology, 44(7): 2490–2496.
|
Zhao P S, Zhang X L, Xu X L, et al. 2011. Long-term visibility trends and characteristics in the region of Beijing, Tianjin, and Hebei, China[J]. Atmospheric Research, 101(3): 711–718.
|
Zhou Y, Wu Y, Yang L, et al. 2010. The impact of transportation control measures on emission reductions during the 2008 Olympic Games in Beijing, China[J]. Atmospheric Environment, 44(3): 285–293.
|