2019, Vol. 39
[PDF全文]
2. 暨南大学环境与气候研究院, 广州 510632;
3. 上海市环境监测中心, 上海 200235;
4. 深圳市环境科学研究院, 深圳 518022
2. Institute of Environmental and Climate Research, Jinan University, Guangzhou 510632;
3. Shanghai Environmental Monitoring Center, Shanghai 200235;
4. Shenzhen Academy of Environmental Sciences, Shenzhen 518022
臭氧是氮氧化物(Nitrogen oxides, NOx)和挥发性有机物(Volatile organic compounds, VOCs)等前体物在日照条件下通过一系列光化学反应形成的二次污染物.基于现场观测与数值模拟等研究方法均表明, 臭氧浓度水平与其前体物VOCs和NOx呈典型的非线性响应关系(NRC, 1991).当NOx浓度较高时, 臭氧生成与大气当中的VOCs浓度变化密切相关, 将其称之为“VOCs控制”(VOCs-limited)或“VOCs敏感”(VOCs-sensitive)；反之则称为“NOx控制”(NOx-limited)或“NOx敏感”(NOx-sensitive)(Sillman et al., 1999).自20世纪50年代美国洛杉矶发生光化学烟雾事件(以高浓度臭氧为主要特征)以来, 欧美等发达国家对各自地区的臭氧生成机制进行了大量的研究, 并以此为基础制定了相应的前体物控制措施(Hidy, 2000; Jenkin et al., 2000;Kleinman, 2000;NARSTO, 2000; Solomon et al., 2000).经过半个世纪的不懈努力, 在2010年前后终于将臭氧浓度维持在一个相对较低的水平, 约为46 μg·m-3(Madronich et al., 2014).由此可见, 臭氧防控是一项长期且艰巨的任务, 不能一蹴而就, 而准确识别臭氧生成是臭氧防控的重要出发点.
改革开放40年以来, 上海经历了较快的城市化发展进程, 遭遇了与欧美国家类似的臭氧污染问题.2017年, 上海所在的长三角地区以臭氧为首要污染物的超标天数首次超过PM2.5, 占污染总天数的50.4%, 更创下臭氧日最大8 h平均浓度达181 μg·m-3的历史新高, 同比增幅高达10.4%(中国环境公报, 2017).可见, 上海臭氧污染事件的发生频率和峰值浓度均呈加速上升的趋势, 亟需对上海及长三角地区的臭氧生成机制和前体物排放特征进行深入研究, 并以此为基础制定科学有效的臭氧防控策略.
目前, 科研人员已在上海及长三角地区开展了一些臭氧生成机制方面的研究, 但较为零散, 研究成果对防控策略的支撑作用也较为有限.例如, Geng等(2007；2008)通过研究上海大气环境当中前体物浓度与臭氧浓度的相关关系, 对臭氧生成机制进行了判断.Cai等(2010)指出, 芳香烃、烷烃是上海大气环境中浓度较高的VOCs, 而工业源、溶剂使用源、机动车排放是主要的VOCs来源进而影响着臭氧的生成.Tie等(2013)通过对大气中前体物浓度的测量指出, 上海臭氧生成机制为VOCs控制, 控制VOCs能够有效降低臭氧浓度, 并且当NOx/VOCs降低至0.1~0.2时, VOCs控制将转化为NOx控制.Liao等(2017)则通过探究上海本地典型风向下的臭氧浓度, 给出了上海臭氧浓度空间分配图, 并建议应着重关注从江苏与浙江传输而来的前体物及臭氧.以上学者的研究都推动着对上海臭氧生成机制的认知, 但多数研究仅仅对特定时间段臭氧生成机制进行整体把握, 且缺乏对臭氧生成机制空间差异的关注.由于前体物排放的时空差异和气象条件的影响, 臭氧生成机制无时无刻不在变化(Li et al., 2013), 因此, 从臭氧防控的角度来讲, 掌握臭氧生成机制的变化特征和影响因素更为重要.
本研究以WRF/SMOKE/CMAQ数值模型系统为研究平台, 针对上海夏季典型臭氧污染爆发时段, 在对臭氧变化趋势进行较为准确模拟的基础上, 深入研究上海市9个国控监测站点臭氧生成机制的时空变化特征, 并从时间及空间两个维度讨论臭氧前体物削减情景与臭氧峰值浓度之间的非线性关系并建立EKMA曲线图, 以期为上海制定动态化的臭氧削峰防治措施提供更为详尽的科学支撑.
2 研究方法(Methods) 2.1 研究时间段2017年8月1—9日, 上海经历了一次持续性臭氧污染事件, 臭氧浓度变化见图 1.在此期间, 臭氧1 h浓度最高达到330 μg·m-3, 远超200 μg·m-3的臭氧1 h空气质量标准.本研究选取该时段作为研究时间段.
 |
| 图 1 本研究时段上海臭氧浓度变化时间序列图及4个臭氧爆发时段对应的长三角及周边区域风向和温度分布 Fig. 1 Time series of ozone concentration in Shanghai during the study period and wind direction and temperature distribution in the Yangtze River Delta and its surrounding areas during the four ozone outbreaks |
本研究以上海行政区域为研究对象, 采用美国环保署开发的Models-3/CMAQ空气质量模型, 并耦合新一代中尺度气象模型WRF和大气排放源清单处理模型SMOKE向其提供气象驱动和初始化污染物网格输入(Ou et al., 2016).
气象模型WRF和空气质量模型CMAQ均采用兰伯特投影方式, 投影中心经纬度分别为东经105°、北纬36°；第1、第2平行纬度分别以北纬20°和北纬50°为主要投影坐标.模拟区域采用3层嵌套模拟方式(图 2), 第1层模拟域覆盖整个中国地区、少量东南亚国家、东亚国家及俄罗斯部分区域(D1), 模拟分辨率为27 km×27 km；第2层模拟域覆盖我国中东部大部区域(D2), 模拟分辨率为9 km×9 km；第3层模拟域主要为包括上海在内的长三角地区(D3), 模拟分辨率为3 km×3 km.同时, 为了避免气象边界场对大气化学传输模型模拟的干扰, 气象模型的模拟区域(表 1)略大于空气质量模型模拟区域(表 2)；同理, 气象垂直层模拟采用50 hPa等压面下分为39层等气压层、上宽下密的结构, 化学传输模型垂直层模拟分层选取气象等气压层中的27层.
 |
| 图 2 空气质量模拟区域覆盖范围 Fig. 2 Nested domains used in the Modified SMOKE /CMAQ modeling system |
| 表 1 WRF模拟区域格点参数设置 Table 1 Grid references of simulation area in WRF |
 |
| 表 2 CMAQ模拟区域格点参数设置 Table 2 Grid references of simulation area in CMAQ |
|
本研究使用的WRFv3.9是美国国家大气研究中心(National Center for Atmospheric Research(NCAR))发布的最新版本, 其初始气象数据场采用美国国家环境预报中心(National Centers for Environmental Prediction(NCEP))所提供的精度为1°×1°的全球预报数据(Global Forecast System(GFS)), 下垫面资料则采用了美国地质勘探局所提供的USGS地形数据(United States Geological Survey(USGS)).其中, 具体WRF参数化方案如表 3所示.
| 表 3 WRF参数化方案 Table 3 Parameterized schemes of WRF. |
|
本研究使用上海市最新的污染源排放清单, 基准年为2014年.经由SMOKE时空分配、物种分配之后成为时间分辨率为小时的网格化排放数据.该排放清单涵盖工业源、面源、道路移动源、电厂、船舶及机场源共计七大类人为源的污染物年际排放总量, 其中, 污染物包含SO2、CO、NOx、VOCs、PM10、PM2.5、NH3、黑碳(BC)及有机碳(OC)共计九大类, 天然源VOCs排放由MEGAN(Model of Emissions of Gases and Aerosols from Nature)模型计算得出.上海以外地区(D1、D2全部区域及D3除上海以外区域)的源排放初始场则由清华大学的MEIC(Multiresolution Emission Inventory for China Model)清单(http://www.meicmodel.org/)及亚洲清单REAS(Regional Emission inventory in Asia)提供.然而, 由于SMOKE中基础输入数据都有具有很强的地域差异性, 需要进行本地化处理.
Wang等(2011)针对珠三角地区的污染源排放特征进行了本地化处理, 对于时间、空间、物种分配都进行了较大改良, 建立了SMOKE-PRD处理系统并广泛应用于珠三角地区的空气质量模拟当中.本研究基于SMOKE-PRD的理念和方法, 对上海SMOKE系统进行了工业源时间分配因子、工业源及面源VOCs物种分配因子的改良.主要依据为Zheng等(2017)建立的上海市工业源VOCs排放清单, 该研究指出, 家具制造、建筑装饰及机械设备制造企业所使用的生产原材料VOCs排放量较高, 分别占总排放量的36.0%、17.7%及16.9%；而涂料制造、塑料制造所生产出来的产品VOCs排放量较高, 分别占约40.0%、20.0%；同时, 考虑到上海市石化行业及其后续加工企业也较多(Wu et al., 2017).因此, 本研究将珠三角本地化后的石化工业、塑料制造、涂料制造物种谱分配因子取平均值作为上海市工业源物种分配依据；以家具制造、建筑装饰及机械设备制造作为上海地区典型面源物种分配的取值依据.工业源、面源时间分配因子则来源于珠三角地区本地化因子分配数据库.
2.5 CMAQ参数化设置CMAQ的气相反应机制使用通用的CB05(Carbon bond mechanism), 气溶胶机制则使用AE05(Aerosol mechanism).CMAQ模型系统主要包括用于计算晴空光解率的JPROC模块, 生成模拟区域污染物初始浓度场的ICON模块、生成模拟区域污染物边界场浓度的BCON模块和作为核心的光化学传输CCTM模块.JPROC模块采用与CMAQ v5.0.2同时发布的晴空光解率数据；ICON模块模拟过程中, 模拟第一天采用默认的PROFILE初始浓度场, 后续模拟则采用前一间隔时间段模拟结果作为初始浓度场；在BCON模块中, 模拟首层(D1)采用PROFILE生成的边界场, 内层(D2、D3)分别采用上一层模拟得到的边界场数据；而对于光化学传输CCTM模块、采用的水平及垂直参数等设置情况详见文献(王水胜, 2012).
2.6 模型模拟结果评价方法本文对气象模型WRF模拟得到的关键气象因素及空气质量模型CMAQ模拟得到的主要污染物进行定量统计分析.统计指标主要使用相对统计指标, 包括正态平均偏差(Normalized Mean Bias, NMB)和正态平均误差(Normalized Mean Error, NME).NMB与NME值是经标准化处理后得到的相对百分比率, 用于表征模拟值与观测值的相对偏离程度(李泽琨, 2015), 详细计算方法见公式(1)及式(2), 其中, M和O分别表示模拟值和观测值.
|
(1) |
|
(2) |
以空气质量模型模拟区域D3作为主要评价区域, 对于此区域的气象评价工作主要包括对臭氧污染影响较大的风速、温度、气压场(风向)3类气象因素.针对长三角地区16个观测站点(安徽合肥站(AHHF)、浙江金华站(ZJJH)、浙江杭州站(ZJHZ)、江苏苏州站(JSSZ)、江苏南京站(JSNJ)、上海闵行站(SHMH)、宝山站(SHBS)、嘉定站(SHJD)、崇明站(SHCM)、南汇站(SHNH)、浦东站(SHPD)、金山站(SHJS)、青浦站(SHQP)、松江站(SHSJ)、奉贤站(SHFX)、小洋山站(SHYS))的模拟值与各站点观测数据进行定量评价, 计算各气象站点各气象因素的相对统计指标.对于空气质量模型模拟结果, 主要针对上海市9个国控监测站点(青浦淀山湖站(QPDSH)、普陀站(SHPT)、杨浦站(SHYP)、虹口站(SHHK)、静安监测站(SHJA)、徐汇站(SHXH)、浦东监测站(PDJCZ)、浦东张江站(PDZJ)、浦东川沙站(SHCS))的NO2及臭氧进行定量评价分析.参考2012年新颁布的环境空气质量标准(GB 3095—2012), 主要统计分析指标为NO2及臭氧1 h平均值.图 3a和3b分别显示了本研究使用的气象和空气质量模拟效果评价站点分布.
 |
| 图 3 气象监测站点(a)和空气质量监测站点(b)位置分布图(虚线方框内为臭氧模拟评价分析点位, 实线方框为臭氧生成机制模拟点位) Fig. 3 Location map of meteorological monitoring stations(a) and air quality monitoring stations(b) |
臭氧等浓度曲线(EKMA曲线)是通过改变臭氧前体物VOCs和NOx排放量或排放浓度判断其对1 h臭氧平均峰值浓度的影响, 从而识别臭氧与其前体物的响应关系(Kinosian, 1982).由于天然源排放基本不可控, 本研究仅针对人为源排放的前体物进行减排控制研究, 而天然源排放的VOCs和NOx保持原有水平不变.
对于前体物排放控制的具体方法如下：①由于上海的空气质量受长三角周边省市影响显著, 本研究针对长三角地区进行前体物排放控制敏感性试验, VOCs和NOx削减比例组合如图 4所示, 共进行40次敏感性实验；②本研究仅关注人为源前体物排放对臭氧控制影响, 而保持天然源前体物VOCs排放量不变；③采取控制变量原则, 保持所有减排控制情景的气象条件不变, 即识别同一气象条件下, 前体物减排对臭氧浓度的响应关系；④由于臭氧污染控制主要关注污染事件, 因此, 敏感性分析主要针对臭氧峰值浓度发生时段.
 |
| 图 4 敏感性实验中臭氧前体物控制情景方案(基准情景VOCs和NOx排放均为100%(图中右上角), A代表人为源VOCs和NOx排放均削减10%的情景) Fig. 4 Emission reduction matrix of NOx and VOCs for O3 sensitivity study(VOCs and NOx emissions are both 100% in the basic scenario (top right corner of the figure), and A represents a scenario where the anthropogenic VOCs and NOx emissions are reduced by 10%) |
WRF得到的地面温度、风速及气压模拟值与观测值之间的相对统计指标如表 4所示.由表可知, 压强及温度都能够利用模型较好地重现, 所有站点的压强的NMB及NME分别为0.05%、0.19%, 温度的NMB及NME分别为-4.95%、6.99%；风速的模拟效果稍差, NMB及NME分别为3.93%、38.49%, 某些城市站点, 如上海浦东站(SHPD)、浙江杭州站(ZJHZ)、江苏南京站(JSNJ)的风速模拟值普遍被较大的高估.城市的下垫面粗糙程度不能够在模型模拟当中很好地体现可能是造成风速模拟结果偏差的主要原因(Zhang et al., 2011).
| 表 4 气象因素模拟评价结果 Table 4 Performance statistics of the WRF-simulated meteorological parameters |
|
风速模拟过高对臭氧模拟会造成一定的影响.臭氧模拟值普遍低于观测值, 上海地区所有国控观测站点臭氧的NMB及NME分别为-42.10%、50.61%, 模拟值及观测值的相关系数为0.6(表 5).除风速以外, 排放源清单和化学机制的不确定性也是导致臭氧模拟值偏低的主要原因(Yang et al., 2016).虽然臭氧模拟值普遍偏低, 但臭氧浓度的时间变化趋势能够被CMAQ较好地捕捉, 如图 5青浦淀山湖站模拟结果评价所示.与此同时, 相对于上海原始SMOKE的输出, 本研究改良后的SMOKE输出更加接近于实际情况, 证明此次SMOKE改进较为有效.
| 表 5 空气质量模拟评价结果 Table 5 CMAQ performance statistics for the study |
|
 |
| 图 5 QPDSH臭氧模拟时间序列图(a.上海原始SMOKE输出, NMB=-63.19% NME=71.15%; b.本研究SMOKE输出, NMB=-36.56% NME=47.63%)) Fig. 5 Time series of ozone simulation in QPDSH |
本研究以青浦淀山湖(120.9780°E、31.0935°N)、金山朱泾(121.1603°E、30.8912°N)、崇明南门(121.3970°E、31.6217°N)、浦东监测站(121.5330°E, 31.2284°N)、城中静安(121.4250°E、31.2261°N)5个位置代表上海西、南、北、东、中5块区域, 具体空间位置如图 3b实线方框所示.通过敏感性实验, 得出各个区域8月1—9日每天臭氧峰值浓度对应的EKMA曲线, 结果如图 6所示.结果显示, 在上海仅六千余平方公里的区域内, 同一站点不同日期及同一日期不同站点EKMA曲线形状均存在差异, 说明臭氧生成机制的时空差异显著.
 |
| 图 6 上海各区域臭氧生成机制时间变化图(图中等值线表示臭氧浓度, 单位μg·m-3) Fig. 6 Time variation of ozone formation mechanism in different regions of Shanghai |
本文进一步识别基准情景(VOCs与NOx皆为100%排放, V100N100)下各区域臭氧生成机制随时间变化情况.在本研究中臭氧生成机制区分方法如下：当NOx减少10%导致臭氧浓度下降是VOCs减少10%导致臭氧浓度下降的2倍以上时, 将此现象定义为NOx控制；当NOx与VOCs分别减少10%导致臭氧浓度下降比值小于2则称之为过渡区, 即图 6脊线附近；将NOx下降10%导致臭氧浓度上升而VOCs下降10%导致臭氧浓度下降超过0.5 μg·m-3的以上的位置称为VOCs控制；将NOx下降10%导致臭氧上升而VOCs下降10%导致臭氧浓度变化小于0.5 μg·m-3区域则叫作NOx滴定区(Li et al., 2018).根据此标准可以发现, 青浦地区8月1—4日没有脊线出现, 且臭氧浓度随着NOx的下降速率超过VOCs的2倍以上, 意味着该地区为NOx控制, 5—8日基准情景再过渡至脊线附近或上方, 臭氧生成机制转变为VOCs控制, 最终在8日及9日出现在远远高于脊线的NOx滴定区域.金山地区基准情景在8月1—7日多处于过渡区及VOCs控制区, 其中, 过渡区多发生于5日之前, 而VOCs控制发生于5日之后, 并在8日出现NOx控制, 最终在9日又转变成NOx滴定区.需要指出的是, 在该地区虽然NOx减少10%导致臭氧浓度下降没有达到VOCs减少10%导致臭氧浓度下降的2倍以上, 但非常接近于2, 因此, 该地区在此研究时间段控制NOx所带来的臭氧防控效果仍将好于VOCs.崇明地区8月1—2日基准情景符合NOx滴定区域标准, 3—6日基准情景位置开始靠近脊线, 此时臭氧生成机制为VOCs控制, 7—8日VOCs控制加强为NOx滴定, 9日基准情景位置又回复至脊线下方变成NOx控制.静安及浦东区域的基准情景所处EKMA曲线位置相似, 自8月1日开始首先处于NOx滴定区, 2—3日过渡至脊线下方处于NOx控制区, 4日开始基准情景位置往脊线方向移动, 到达略高于脊线的位置, 此时臭氧生成机制为VOCs控制, 7日之后持续远离脊线处于NOx滴定区域.整体来讲, 在研究时段内, 上海市臭氧生成机制由NOx控制转变为过渡区, 再转变为VOCs控制区, 并逐步加强最终变为NOx滴定区.
3.3 上海臭氧生成机制空间变化研究本文进一步研究了臭氧生成机制的空间变化情况.2017年8月1—9日每天各站点臭氧生成机制如图 7所示.以崇明为代表的上海北部区域多处于VOCs控制, 这是由于该区域拥有较多的深海港口, 而船舶排放的污染物中NOx占首位(Chen et al., 2017), 约占上海市NOx总排放量的30%；以青浦为代表的上海西部地区8月1—4日主要受NOx控制, 这是由于该地区地处上海郊区, 附近天然源VOCs排放较多, 而自8月5日开始此站点多受VOCs控制, 这可能是由于大量VOCs或者臭氧从外部传入影响所致；金山作为上海主要的石化工业聚集区, VOCs排放量较高(Mo et al., 2015), 因此, 该区域应受NOx控制, 但研究时间段内NOx控制仅在8月8日一天出现, 远小于过渡及VOCs控制出现的频率, 这也可能与NOx及臭氧长距离传输及该点相对于工业区的位置有关；而以静安及浦东为代表的城区, 除8月2日、3日及6日外, 臭氧的生成主要受VOCs控制, 这与中心城区机动车排放大量的NOx有关(Huang et al., 2011).
 |
| 图 7 2017年8月1—9日上海市各站点臭氧生成机制空间分布图(三角形代表NOx控制, 五边形代表过渡区, 圆形代表VOCs控制, 方形代表NOx滴定区) Fig. 7 Spatial distribution of ozone formation mechanism at various sites in Shanghai from August 1st to 9th, 2017, in which triangle represents NOx-limited, pentagon represents transition, round represents VOCs-limited and tetragonum red represents titration |
在2017年8月1—9日的分析时段中, 虽然存在一定的空间差异, 上海的臭氧生成机制可大致分为3个阶段, 即8月2—3日的NOx控制, 8月4—7日的VOCs控制, 8月8—9日的NOx滴定.然而, 基准情景下的臭氧生成机制只能表示控制措施开始实施时的情况, 并不能代表控制措施深入实施后臭氧峰值的变化情况.因此, 为了更加深入地探究这3个阶段臭氧生成机制的异同, 本研究选取了其它5个排放情景并识别其臭氧生成机制空间分布特征, 分别是VOCs排放50%NOx排放100%(V50N100, 即VOCs排放削减50%)、V100N50、V50N50、V75N25、V70N90.由图 8可知, 8月2—3日基准排放情景下臭氧生成机制为NOx控制, 此时上海地区大气环境当中VOCs含量较高, 但可以发现当VOCs排放量不断减少(V50N100)甚至大于NOx时(V70N90), 上海地区整体臭氧生成机制仍将受NOx影响, 因此, 该时间段内臭氧生成机制为强NOx控制.8月4—7日, 基准排放情景下臭氧生成机制为过渡区或VOCs控制, 此时上海地区大气环境中拥有较高的NOx浓度, 当NOx排放量削减(V100N50)或远大于VOCs的排放削减量时(V75N25), 8月4—6日上海的臭氧生成机制将由VOCs控制转换为NOx控制, 因此, 该时间段内臭氧生成机制为弱VOCs控制；而8月7日的上海仅有青浦及金山等本地VOCs排放较多的地方转换成为了NOx控制, 上海中心城区部分则仍维持着VOCs控制, 显然此时段的上海臭氧生成机制为强VOCs控制.8月8—9日由于大气环境当中的NOx含量过高, NOx与臭氧的滴定反应显著, 最终出现降低NOx使得臭氧不降反升的现象(Wang et al., 2017).
 |
| 图 8 上海不同排放情景下臭氧生成机制空间分布 Fig. 8 Spatial distribution of ozone formation mechanism under different emission scenarios in Shanghai |
需要指出的是, 本研究识别的臭氧与前体物之间的非线性关系当中包含了臭氧及前体物区域传输的影响, 因此, 与传统意义上封闭式烟雾箱所表现出的EKMA曲线形状有所差异.对应传统的EKMA曲线, 8月2—3日上海的臭氧生成机制大致集中在传统EKMA曲线的右下角, 即图 9中标记A处, 此时大气当中的VOCs浓度较高；8月4—6日臭氧生成机制大致位于脊线附近, 即图 9中标记B处, 即在一定的VOCs浓度之下, 存在一个特定的NOx浓度, 使得产生的臭氧浓度最高, NOx或VOCs排放特征发生变化都会导致臭氧生成机制发生偏移；8月7—9日臭氧生成机制大致集中在传统EKMA曲线的右上角, 即图 9中标记C处, 此时大气当中的NOx浓度较高.
 |
| 图 9 3个研究时段臭氧生成机制在传统EKMA曲线上的大致位置 (A.8月2—3日, B.8月4—6日, C.8月7—9日) Fig. 9 The approximate location of the ozone formation mechanism on the traditional EKMA for the study periods (A.August 2nd—3rd, B. August 4th—6th, C. August 7th—9th) |
臭氧与其前体物的非线性关系与气象条件、污染源排放特征密切相关, 然而在如此短时间段内排放特征不会有太大的变化, 气象条件变化可能是造成臭氧生成机制变化的主要原因.通过分析研究时间段上海及周边地区近地面气压场可知, 8月2—3日期间上海地区主要受大陆低压控制(图 10a), 近地面以偏南风为主(图 1), 此时上海臭氧生成机制整体处于强NOx控制, 因此, 可以推断此时大量的VOCs自杭州湾方向传入上海；8月4—6日期间上海受地面弱高压脊控制(图 10b), 背景风微弱且无固定风向, 因此, 外来臭氧及前体物传输较弱, 上海臭氧生成机制主要受本地排放(“本地”指上海地区及与其接壤的江浙两省部分区域)影响, 如城区及崇明地区由于机动车、船舶排放的NOx较多, 因此, 臭氧生成主要受VOCs控制, 而随着VOCs的减少, 臭氧生成敏感性前体物又发生转换；8月7—9日期间上海处于副高边缘控制(图 10c), 近地面以偏北风为主, 上海臭氧生成机制则处于NOx滴定, 推断北方存在大量的NOx传输, NOx与臭氧的滴定反应显著, VOCs的改变对臭氧的生成影响微乎其微.
 |
| 图 10 各研究时间段内近地面平均气压场 (a.8月2—3日, b.8月4—6日, c.8月7—9日) Fig. 10 Near-surface average pressure field for each study period (a.August 2nd—3rd, b.August 4th—6th, 3.August 7th—9th) |
1) 在短时间臭氧前体物排放相对稳定的情况下, 上海各区域臭氧生成机制呈明显的时空差异.时间方面, 2017年8月1—9日的研究时段内, 上海市臭氧生成机制由NOx控制转变为过渡区, 再转变为VOCs控制区, 并逐步加强最终变为NOx滴定区.空间方面, 上海北部及西部臭氧生成机制多处于NOx控制, 南部为过渡区, 中部及东部则以VOCs控制为主.
2) 上海地区的臭氧生成机制与大尺度环流密切相关.当上海受大陆低压控制主要吹偏南风时, 大量的VOCs将由浙江方向传入上海, 造成上海大气环境中VOCs浓度较高, 在此情况下本地臭氧的防控应聚焦于NOx；当上海受副高边缘控制盛行偏北风时, NOx大量传入上海, 此时, 臭氧的防控应落脚于VOCs的减排之上；当上海受弱高压脊控制背景风微弱时, 臭氧防控的重点应以VOCs和NOx协同控制为主.
3) 在目前的预报技术下, 大尺度环流特征通常可以提前48~72 h进行准确预报, 因此, 可以根据大尺度环流预报结果及时调整本地防控策略, 以达到在不同污染特征下臭氧削峰的最大化效果.
Cai C J, Geng F H, Tie X X, et al. 2010. Characteristics and source apportionment of VOCs measured in Shanghai, China[J]. Atmospheric Environment, 44(38): 5005–5014.
DOI:10.1016/j.atmosenv.2010.07.059
|
Chen D, Wang X, Li Y, et al. 2017. High-spatiotemporal-resolution ship emission inventory of China based on AIS data in 2014[J]. Science of the Total Environment, 609: 776–787.
DOI:10.1016/j.scitotenv.2017.07.051
|
Fujita E M, Campbell D E, Stockwell W R, et al. 2013. Past and future ozone trends in California's South Coast Air Basin:reconciliation of ambient measurements with past and projected emission inventories[J]. Journal of the Air & Waste Management Association, 63(1): 54–69.
|
Geng F H, Tie X X, Xu J M, et al. 2008. Characterizations of ozone, NOx, and VOCs measured in Shanghai, China[J]. Atmospheric Environment, 42(29): 6873–6883.
DOI:10.1016/j.atmosenv.2008.05.045
|
Geng F H, Zhao C S, Tang X, et al. 2007. Analysis of ozone and VOCs measured in Shanghai:A case study[J]. Atmospheric Environment, 41(5): 989–1001.
DOI:10.1016/j.atmosenv.2006.09.023
|
Hidy G M. 2000. Ozone process insights from field experiments-part I:overview[J]. Atmospheric Environment, 34(12/14): 2001–2022.
|
Huang C, Chen C H, Li L, et al. 2011. Emission inventory of anthropogenic air pollutants and VOC species in the Yangtze River Delta region, China[J]. Atmospheric Chemistry & Physics, 11(9): 4105–4120.
|
Jenkin M E, Clemitshaw K C. 2002. Chapter 11 ozone and other secondary photochemical pollutants:chemical processes governing their formation in the planetary boundary layer[J]. Atmospheric Environment, 1(16): 285–338.
|
Kinosian J R. 1982. Ozone-precursor relationships from EKMA diagrams[J]. Environmental Science & Technology, 16: 880–883.
|
Li K W, Chen L H, Ying F, et al. 2017. Meteorological and chemical impacts on ozone formation:A case study in Hangzhou, China[J]. Atmospheric Research, 196.
|
Li Q, Zhang L, Wang T, et al. 2018. "New" reactive nitrogen chemistry reshapes the relationship of ozone to its precursors[J]. Environmental Science & Technology, 52(5).
DOI:10.1021/acs.est.7b05771
|
Li Y, Lau K H, Fung J, et al. 2013. Importance of NOx control for peak ozone reduction in the Pearl River Delta region[J]. Journal of Geophysical Research Atmospheres, 118(16): 9428–9443.
DOI:10.1002/jgrd.50659
|
Liao Z, Gao M, Sun J, et al. 2017. The impact of synoptic circulation on air quality and pollution-related human health in the Yangtze River Delta region[J]. Science of the Total Environment, 607-608: 838–846.
DOI:10.1016/j.scitotenv.2017.07.031
|
李泽琨.2015.珠江三角洲地区臭氧及其前体物非线性响应特征及控制对策研究[D].广州: 华南理工大学
|
Madronich S. 2014. Ethanol and ozone[J]. Nature Geoscience, 7(6): 395–397.
DOI:10.1038/ngeo2168
|
Mo Z, Shao M, Lu S, et al. 2015. Process-specific emission characteristics of volatile organic compounds (VOCs) from petrochemical facilities in the Yangtze River Delta, China[J]. Science of the Total Environment, 533(2): 422–431.
|
NARSfTOS(North American Research Strategy for Tropospheric Ozone Synthesis Team).2000.Assessment of tropospheric ozone pollution: a North American perspective[OL].2000-07-01.http://www.cgenv.com/Narsto/home.html.
|
Ou J M, Yuan Z B, Zheng J Y, et al. 2016. Ambient ozone control in a photochemically active region:short-term despiking or long-term attainment?[J]. Environmental Science & Technology, 50(11): 5720.
|
Pan S, Choi Y, Roy A, et al. 2017. Allocating emissions to 4 km and 1 km horizontal spatial resolutions and its impact on simulated NOx and O3 in Houston, TX[J]. Atmospheric Environment, 164: 398–415.
DOI:10.1016/j.atmosenv.2017.06.026
|
Solomon P, Cowling E, Hidy G, et al. 2000. Comparison of scientific findings from major ozone field studies in North America and Europe[J]. Atmospheric Environment, 34(12/14): 1885–1920.
|
上海市统计局. 2017. 上海市统计年鉴2017[M]. 北京: 中国统计出版社.
|
Tie X, Geng F, Guenther A, et al. 2013. Megacity impacts on regional ozone formation:observations and WRF-Chem modeling for the MIRAGE-Shanghai field campaign[J]. Atmospheric Chemistry & Physics, 13(11): 5655–5669.
|
Wang S S, Zheng J Y, Fu F, et al. 2011. Development of an emission processing system for the Pearl River Delta Regional air quality modeling using the SMOKE model:Methodology and evaluation[J]. Atmospheric Environment, 45(29): 5079–5089.
DOI:10.1016/j.atmosenv.2011.06.037
|
王水胜.2012.基于数值模拟的珠江三角洲及周边城市氮沉降特征研究[D].广州: 华南理工大学
|
Wang T, Xue L K, Brimblecombe P, et al. 2016. Ozone pollution in China:A review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 575: 1582–1596.
|
Wang X S, Zhang Y H, Hu Y T, et al. 2011. Decoupled direct sensitivity analysis of regional ozone pollution over the Pearl River Delta during the PRIDE-PRD2004 campaign[J]. Atmospheric Environment, 45(28): 4941–4949.
DOI:10.1016/j.atmosenv.2011.06.006
|
Wu R, Xie S. 2017. Spatial distribution of ozone formation in China derived from emissions of speciated volatile organic compounds[J]. Environmental Science & Technology, 51(5): 2574.
|
Xu Z G, Huang X, Nie W, et al. 2017. Influence of synoptic condition and holiday effects on VOCs and ozone production in the Yangtze River Delta region, China[J]. Atmospheric Environment.
DOI:10.1016/j.atmosenv.2017.08.035
|
Yang Y D, Shao M, Wang X M, et al. 2016. Towards a quantitative understanding of total OH reactivity:A review[J]. Atmospheric Environment, 134: 147–161.
DOI:10.1016/j.atmosenv.2016.03.010
|
Zhang Y, Cheng S H, Chen Y S, et al. 2011. Application of MM5 in China:Model evaluation, seasonal variations, and sensitivity to horizontal grid resolutions[J]. Atmospheric Environment, 45(20): 3454–3465.
DOI:10.1016/j.atmosenv.2011.03.019
|
Zheng C H, Shen J L, Zhang Y X, et al. 2017. Atmospheric emission characteristics and control policies of anthropogenic VOCs from industrial sources in Yangtze River Delta Region, China[J]. Aerosol & Air Quality Research, 17.
|
中华人民共和国生态环境部.2017.中国环境年报2017[R].北京: 中华人民共和国生态环境部
|