论文部分内容阅读
上海是全国科技、贸易、信息、金融和航运中心,随着经济社会不断发展,公众对上海地区的空气污染问题日益关注。人为排放和大气的扩散条件是PM2.5污染的两大重要影响因素。作为制定和细化有针对性的排放控制措施及应急响应策略的前提条件,各类不利天气条件下的人为来源贡献的确定以及减排政策实施后的效果评估至关重要。正是基于这一减排政策的后评估目的,本文对2013-2017年上海PM2.5的污染状况开展了研究。首先,本文利用2013-2017年地面天气图以及空气质量监测数据,对各类不利天气形势下的霾日进行分类统计,根据统计结果,对典型天气形势下的污染个例（2016年2月4日-6日、2016年2月19日-20日）,进行数值模拟研究,分析上海地区人为源排放对本地PM2.5污染的贡献影响。结果表明:（1）对导致上海地区霾污染的天气系统进行分类,其中高压和冷锋前侧是最具有典型性的天气形势,由此使用WRF-Chem模式成功地再现了两类典型天气形势的污染过程。WRF-Chem模式对于模拟期间的气象场和污染场的模拟效果较好。对于高压天气形势下的个例,四站温度和露点温度的平均MB（平均偏差,Mean Bias）分别为0.83°C、-0.57°C,平均RMSE（均方根误差,Root mean squared error）为1.48°C、1.44°C,平均IOA（一致性指数,Index of Agreement）达到0.91和0.92。对于风速的模拟,四站的风速皆被高估,MB达到1.47 m·s-1,RMSE达到2.14 m·s-1,IOA为0.6。对于冷锋前侧的个例,四站温度和露点温度的平均MB分别为0.69°C、-1.64°C,平均RMSE为1.05°C、2.14°C,平均IOA达到0.89和0.96。对于风速的模拟,四站的风速也被高估,MB达到1.82 m·s-1,RMSE达到2.14 m·s-1,IOA为0.6。对于污染物的模拟,上述两个个例的模拟值皆与观测值较为一致,PM2.5浓度的MB分别为58.09μg·m-3、1.07μg·m-3,IOA分别为0.69和0.91。（2）在敏感性实验中,上海地区的人为排放对本地霾日PM2.5浓度贡献在不同的天气系统下呈现了不同的特征。高压天气形势影响下,上海地区的人为排放对本地PM2.5质量浓度平均影响为58.6%;冷锋前侧的天气形势下,影响为22.3%。因此,在高压天气形势影响下的霾日,应急响应措施应注重局地排放的控制;针对冷锋前侧天气形势影响下霾日的应急响应措施则应启动区域的联合减排措施。其次,统计上海地区在5年内PM2.5质量浓度的变化规律。在此基础上,选取典型个例（2014年4月16日-18日）,对此污染过程进行数值模拟研究,重在定量考查减排的效果评估,得出以下结论:（1）上海PM2.5质量浓度在2013-2017年呈明显的下降趋势,2017年年均质量浓度较2013年减少23μg·m-3,早晚高峰期间平均浓度下降27μg·m-3。（2）模式对气象场的模拟效果较好,虽然PM2.5质量浓度的模拟结果与实测略有偏差(MB为-44.0μg·m-3,RMSE为58.7μg·m-3),但WRF-Chem模式基本上可以模拟出上海地区的PM2.5质量浓度的时空变化规律,一致性指数达到0.65。（3）对于此次PM2.5污染事件,交通排放量的减少使得上海地区的PM2.5质量浓度平均减少3.29μg·m-3。值得注意的是,上海北部的测站受交通减排的影响较大,例如虹口凉城监测站,受到交通排放量减少影响最大,单小时平均质量浓度减少超过26μg·m-3。该研究的结果可为决策者实施有效控制策略提供指导。