長江三角洲冬季電廠排放對大氣污染的影響

沙 桐,馬曉燕,王健穎,賈海靈,胡亞男,田 蓉,管奇坤,李若琳

?

長江三角洲冬季電廠排放對大氣污染的影響

沙 桐,馬曉燕*,王健穎,賈海靈,胡亞男,田 蓉,管奇坤,李若琳

(南京信息工程大學氣象災害教育部重點實驗室,氣候與環境變化國際合作聯合實驗室,氣象災害預報預警與評估協同創新中心,中國氣象局氣溶膠與云降水重點開放實驗室,江蘇 南京 210044)

分析了長江三角洲地區電廠排放的基本特征并利用WRF-Chem模擬冬季大氣污染狀況,研究了冬季電廠排放主要污染物的特征及其對空氣質量的影響,結果顯示,長三角電廠排放的主要大氣污染物為SO2、NO及PM2.5,2010年排放量可分別達到826.8、1475.6和137.3Gg,分別占長三角地區人為源總排放量的34%、38%和14%.冬季主要大氣污染物(SO2、NO2、PM2.5)濃度高值區分布在南京-上海,杭州-寧波一帶.電廠對SO2濃度貢獻量(率)的空間分布與SO2排放的空間分布較為一致,而NO2、PM2.5,其貢獻量(率)的高值區主要分布在安徽、浙江和江西的交界處以及浙江省的東海岸.相對SO2、NO2,電廠對PM2.5貢獻量(率)較低,各地均在20μg/m3(15%)以下.污染時期電廠排放對模擬的PM2.5和SO2貢獻率(6.9%、34.2%)較清潔時期(4.9%、20.7%)大,而對于NO2,清潔和污染時期的貢獻量沒有明顯差別,均在10μg/m3左右.冬季氣溫低、風速小及邊界層高度低的特征不利于低層污染物的擴散,易導致重污染事件的發生.

長江三角洲；電廠排放；大氣污染物；PM2.5

火力發電所需的燃煤排放是我國大氣污染的主要來源之一,目前我國每年火力發電需要的煤炭消耗總量超過8億t,其中電廠產生的煙塵排放約占全國工業煙塵排放量的35%,而火電廠SO2排放約占全國工業SO2排放量的46.1%[1].長江三角洲地處我國經濟最為活躍的東部沿海地區,快速的經濟發展和人口增長,以及由此產生的大量能源消耗,使其環境污染呈現出新特點,即由傳統的煤煙型污染轉向以PM2.5和污染氣體(O3、SO2、NO)形成的復合型污染,同時對顆粒物污染有重要貢獻的源類也日趨增多[2-7].由于火力發電作為重要的大氣污染排放源,對污染氣體(SO2、NO)和顆粒物(PM2.5、PM10)的一次排放均有重要的貢獻,而且污染氣體作為前體物,又可以通過化學反應過程生成二次顆粒物,因此一直是大氣環境研究的重點.伯鑫等[8]利用CALPUFF模型研究了不同減排情景下2011年京津冀地區火電企業排放對當地大氣污染的影響.薛文博等[9]利用WRF-CAMx定量模擬了全國火電行業主要污染物排放對全國城市空氣質量的影響,發現在空氣污染越嚴重的地區(京津冀魯豫、長三角、成渝地區),火電排放對污染貢獻率越低,其中對PM2.5年均濃度的貢獻率低于8%.胡亞男等[10]利用WRF-Chem研究了不同排放源對華東地區PM2.5的影響,結果表明火電源對PM2.5影響的季節差異不大,且貢獻量約為10%.

但在冬季,由于居民采暖需要更多的能源消耗,會導致更強的污染物排放,加之穩定的大氣層結以及邊界層逆溫的頻繁出現,霧霾事件發生的頻次遠高于其他季節[11-13].據統計,僅2015年1月南京市就出現了18個污染天,其中重度污染5d,嚴重污染日1d[14],而目前針對火電排放對冬季大氣污染影響的研究較少,本文將首先分析長三角地區冬季電廠排放主要污染物特征,并利用區域氣象-化學耦合模式WRF-Chem模擬2015年冬季大氣污染物的濃度以及電力排放對相對清潔時期和污染時期污染物貢獻的差異,討論影響該地區大氣污染的主要因素.

1 電廠排放

1.1 排放源介紹

本研究使用的排放源清單來源于清華大學開發的中國多尺度排放清單模型(MEIC)[15],文中所用為2010年的排放源(MEIC10).清單中污染物主要來源于工業、民用、電力、交通和農業5個大類,提供10種主要大氣污染物和溫室氣體(SO2、NO、CO、NMVOC、NH3、CO2、PM2.5、PM10、BC和OC)以及700多種人為排放源,有不同空間分辨率(0.25、0.5和1.0度)的逐月網格化排放清單可供選擇.本文模擬使用了0.25°×0.25°分辨率的月排放資料,數據可從http://www.meicmodel. org/獲得.

1.2 人為源排放總量

表1中,從排放總量來看,CO排放總量較其他污染物排放多,其主要來源為工業排放,達到8142.2Gg/a,占年CO總排放的54%,工業生產需要大量煤燃料,燃料不完全燃燒時會排放出大量CO,因此CO工業排放量較大.電廠排放CO為302Gg/a,僅占到CO年總排放的2%.其次是NO及VOC排放,其年總排放量分別達到了3856.6,3750.5Gg/a,工業排放NO與電廠排放NO總量相當,均占年總排放量的38%.交通排放NO達到了工業排放的一半,占總NO總排放量的22%,說明近年來汽車數量增加,其排放的污染物已經不可忽視.SO2及PM2.5的排放則主要為工業源,分別占總SO2和總PM2.5排放的62%和58%,電廠排放SO2及PM2.5分別占總排放量的34%和14%.

表1 MEIC10清單中長三角主要源排放的污染物年總量(Gg/a)

由圖1可以看出,江蘇省各種主要污染物排放量均為長三角兩省三市之首.長三角作為全國最強的綜合性工業基地,輕重工業都非常發達,工業排放在總排放中占比較大.上海市除NO以外,工業排放的污染物均超過總排放量的一半,而排放的NO占總排放量的37.8%.江蘇和浙江工業排放SO2、CO、VOC和PM2.5超過總排放量的一半,而排放的NO2和BC都分別達到了總排放量的30%.另外,可以注意到電廠排放污染物在江蘇和浙江占比較大,特別是SO2、NO的排放,均占總排放的30%以上.電廠排放的PM2.5也達到了總排放量的10%.而上海市電廠排放的SO2、NO2及PM2.5則相對較低,這是因為上海市電廠數量偏少,排放量較小,而江蘇省和浙江省電廠分布密集,其排放的污染物占比也較高.

1.3 1月份電廠排放分布

從圖2中可以看到,電廠排放污染物主要集中在蘇南浙北一帶,蘇錫常鎮江揚州一線電廠排放處于高值,SO2和NO最大排放量可達2.1Gg/月,PM2.5最大排放量可達450Tg/月,蘇北地區電廠分布較少,因此其排放量也相對較小.另外,浙江省的寧波及杭州的電廠排放量與蘇錫常一線相當,該區域工業發展水平高,人口密集,對于電力需求較大,相應的火電廠排放的污染物也較多.

圖2 2010年1月份長三角電廠排放主要污染物分布

根據以上分析可知,電廠排放的主要污染物SO2、NO和PM2.5占人為源排放總量比例較高,由于霧霾的首要污染物為PM2.5,且霾發生時,二次無機氣溶膠(硫酸鹽,硝酸鹽,銨鹽)的占比會迅速上升[16-17],而SO2、NO2作為硫酸鹽,硝酸鹽的氣態前體物,對其生成有重要貢獻.

2 資料及方法

2.1 數值模擬

WRF-Chem[18]是由美國海洋和大氣管理局、美國國家大氣中心開發的耦合空氣質量模式系統.由于該模式是氣象和化學模式完全在線耦合,不僅可以在線模擬包括風速、溫度、氣壓、以及云和降水等物理量的天氣和氣候,還可以模擬大氣污染物在大氣中經歷的復雜物理過程和化學反應,因此該模式在區域空氣污染研究方面有較多應用[19-22].氣象模塊和化學模塊使用相同的垂直和水平坐標,次網格傳輸使用相同的物理參數化方案.

圖3 模式區域設置

本研究采用2層嵌套模擬,第一、二層區域以長三角地區的南京為中心.如圖3,第一層為中國東部地區,分辨率為27km,網格數為66′75,第二層覆蓋長三角地區,分辨率為9km,網格數為109′124.模式垂直方向設置為30層,模擬時間為2015年1月1日~2015年1月30日.模擬采用美國國家環境預報中心(NCEP)1°′1°再分析資料FNL作為模式氣象初始場,大氣成分初始和邊界場使用全球大氣化學模式MOZART-4/GEOS5(the Model for Ozone and Related chemical Tracers, version 4)提供的1.9°′2.5°水平分辨率的實時預報結果[23].模式使用的主要參數化方案如表2所示.

表2 WRF-Chem參數化方案

2.2 觀測資料

文中所用的大氣污染物觀測資料取自中國環境監測總站網站,時間分辨率為1h,選取南京、上海和杭州共3個站點的PM2.5數據.氣象觀測數據來源于氣象信息綜合分析處理系統(Meteorological Information Comprehensive Analysis and Process System),包括2m溫度,10m風速風向,相對濕度時間分辨率為3h.站點分布如圖4所示.

圖4 模擬區域及站點分布

3 模式評估

3.1 氣象場

氣象要素是空氣質量模式預報需要的關鍵輸入場,其準確性將對預測結果有重要的影響,因此首先利用觀測資料對氣象場的模擬結果進行了評估和驗證.由表3可以看出,該次模擬的溫度與觀測結果相關性較好,相關系數均超過了0.65,且都通過了99.9%的顯著性檢驗.地面2m溫度較觀測值略偏高1℃,模擬的南京及杭州平均相對濕度略偏低,上海的相對濕度則偏高.相比于溫度模擬效果,風速模擬結果相對較差,3個站點的平均風速模擬值較觀測值明顯偏高,其中南京風速模擬效果最好,相關系數達到0.64,而上海最差,相關系數僅有0.29.不過氣象要素的模擬結果均在可接受范圍.

表3 氣象要素模擬結果

3.2 化學場

為了定量評估模擬結果的可靠性和準確性,文中使用標準化均方根誤差(RMSE)、標準化平均偏差(NMB)、平均分數偏差(MFB)、平均分數誤差(MFE)、一致性指數(IOA)以及相關系數()這6個統計指標對模擬結果進行驗證.所用的計算公式表示為(其中相關系數的公式略去):

式中:為樣本數;m、o分別為第個時次的模擬值和觀測值.NMB反映的是模擬值與觀測值的平均偏離程度.Boylan的研究發現[24],對于PM2.5的模擬,當MFB<±30%且MFE<50%時,模擬偏差很小;當MFB<±60%且MFE<75%時,模擬偏差在可接受范圍.IOA為一致性指數,其范圍在0~1之間,IOA等于1表示該次模擬與觀測完全對應[25].表4給出了南京、杭州和上海模擬PM2.5站點月平均值及其相應的統計結果.從表中可以看出,長三角PM2.5月平均模擬值(89.9μg/m3)與觀測值(92.2μg/m3)偏差較小,僅為-2.3μg/m3,相關系數R也較高,可達0.67并通過了99%的顯著性檢驗,說明本次模擬能夠比較好的抓住大氣污染物的污染水平及變化趨勢.根據Boylan的判斷標準,該次模擬MFB為-9.4%,MFE為37.4%,因此模擬結果較為理想,可以用來分析污染物對于空氣質量的影響.

從圖5可以看出,長三角PM2.5濃度的變化趨勢模擬較好,但是在污染時期(1月22號~1月26號),模擬值比觀測偏低較多,這可能是由于有利的氣象條件使得氣態前體物迅速轉化成二次氣溶膠,而模式中二次氣溶膠的形成機制不完善,導致低估PM2.5的濃度.很多研究均表明在重污染條件下,模式很難模擬出PM2.5濃度的峰值,且硫酸鹽的模擬較觀測偏低很多,SO2則高估很多[26-28],這主要是由于模式中缺失硫酸鹽的非均相生成機制.同時由于目前使用的CBMZ/MOSAIC氣溶膠化學方案無法模擬二次有機氣溶膠(SOA),這也可能導致模擬的PM2.5濃度偏低.

由圖6可以看出,模擬的PM2.5與觀測值相關性較好,尤其對于清潔時期(即濃度低于75μg/m3)的PM2.5模擬較好,但是污染時期模擬的PM2.5與觀測離散程度較大,這說明了模式對于重污染過程的模擬效果較差,可能與模式本身化學機制不完善以及排放清單的準確性有關.

表4 PM2.5質量濃度模擬結果統計

圖5 長三角地區PM2.5濃度觀測值與模擬值的時間序列對比

圖6 模擬與觀測PM2.5散點

4 結果與討論

4.1 污染物月均濃度分布及電廠排放對污染物濃度的貢獻

由圖7可以看出,SO2及NO2濃度高值區主要分布在南京-上海、杭州-寧波一帶,與電廠排放的SO2及NO空間分布較為一致.電廠對SO2濃度貢獻量(率)的空間分布也與SO2排放的空間分布較為一致,高值區貢獻量(率)超過100μg/m3(50%),但對南京、上海、杭州3個地區SO2的貢獻量(率)較小,分別僅為22.5μg/m3(3.4%)、21.6μg/m3(8.4%)、5.4μg/ m3(0.5%),說明電廠排放雖對SO2的局地貢獻有一定影響,但是這種貢獻較小,主要是因為近年來電力行業脫硫設備的不斷完善,大大減小了SO2的排放量,另一方面可能由于外源地區對本地污染物的輸送,使得低估了本地電廠排放對SO2濃度的貢獻.但依然需要注意電廠高架源排放的特點導致的近海岸SO2污染影響.而電廠對NO2貢獻量(率)的空間分布與SO2不同,由于受高架排放的特點,即具有較強的輸送和擴散能力,以及冬季北風的影響,高值區主要分布在安徽、浙江和江西的交界處以及浙江省的東海岸地區,且貢獻量(率)超過40μg/m3(60%),說明對于化學性質較為活潑的污染物,電力行業排放對其下風向地區大氣污染的影響更大.其中對南京、上海和杭州3個地區NO2的貢獻量分別為3.8, 5.6, 11.4μg/m3,占總NO2濃度的9.2%, 7.6%, 22.3%.由于SO2及NO2為硫酸鹽硝酸鹽二次氣溶膠的重要前體物,因此高濃度的SO2、NO2可促進局地的二次氣溶膠轉換[29],使得局地PM2.5濃度增加.可以看到PM2.5濃度高值區也主要分布在南京-上海一線,但是電廠對PM2.5貢獻量(率)的高值區主要分布在浙江省南部以及東海岸地區,且貢獻量(率)也相對較低,各地均在20μg/m3(15%)以下,其中對南京、上海和杭州貢獻量(率)分別僅為6.5μg/m3(5.7%)、5.9μg/m3(6.7%)、3.4μg/m3(4.6%),該結論與杜曉惠等[30]對京津冀的研究結果相似,即電廠高架源的排放特征,對PM2.5的貢獻量局地低于周邊.

圖7 模擬SO2、NO2、PM2.5月平均濃度,以及電廠排放對3種污染物月平均濃度的貢獻量(μg/m3)和貢獻率(%)

造成這一現象的原因,一方面由于通過關閉長三角地區電廠排放研究其對大氣污染的影響,改變了氣態前體物(SO2,NO2等)的濃度,而PM2.5與氣態前體物濃度之間存在顯著的非線性關系,因此這一變化可能對模擬的PM2.5影響不顯著,并且其他人為源排放也可能會補償這一貢獻.另一方面,可能是由于忽略了長三角外源地區(例如:安徽省、山東省)電廠排放對本地PM2.5的影響,從而在一定程度上低估了長三角電廠排放對PM2.5的貢獻量(率)[31].從電廠排放對SO2以及NO2、PM2.5貢獻量(率)空間分布的不同,說明大氣中以一次排放為主的污染物(例如:SO2)需要注意局地源對其的貢獻,而對于生命期短(如:NO2)以及以二次生為主(如:PM2.5)的污染物來說,應注意遠距離輸送對其濃度的貢獻.因此,電廠排放通過長距離輸送造成的區域環境污染也同樣不容忽視.

4.2 污染時期和清潔時期對比

選取模擬時段中一個相對清潔期(1月27日13:00~30日4:00)和相對污染期(1月8日18:00~11日23:00),具體分析這2個時間段里電廠排放對污染物濃度的影響以及氣象要素對大氣污染物的影響.由表5可以看出,這2個時段的平均氣象要素和3種污染物濃度有很好的對比性.污染時期PM2.5, SO2,NO2平均濃度分別為184.5,168.5,82.9μg/m3,分別是清潔時期的10倍,14倍,2.6倍.且污染時期電廠排放對PM2.5和SO2的貢獻率(6.9%,34.2%)均較清潔時期(4.9%,20.7%)大,說明污染時期不利的氣象條件可能會抑制電廠高架源的排放,不利于污染物向下風向輸送和擴散.而對于NO2,清潔和污染時期電廠排放的貢獻量沒有明顯差別,均在10μg/m3左右.對于氣象要素,清潔時期平均相對濕度、風速和邊界層高度均高于污染時期,因此不利的氣象條件和二次氣溶膠的生成共同作用共同促進了此次重污染的形成.

表5 清潔與污染時期氣象特征與污染物特征

圖8對比了清潔時期和污染時期PM2.5濃度與地面風速、邊界層高度之間的關系.由于風速的大小直接影響污染物的擴散,低風速不利于污染物的水平擴散和傳輸,從而易造成局地污染物的堆積,形成重污染過程[32].可以看到清潔時期的平均風速(5.9m/s)明顯高于污染時期(2.0m/s),同時PM2.5濃度也相對較低,且這一時期PM2.5隨風速有略微增大的趨勢,這可能是因為該時期的主導風向為偏北風,風速的增大將北方的污染物遠距離傳輸到長三角地區.而污染時期當風速小于2.0m/s時,PM2.5隨風速沒有明顯變化且維持較高濃度水平,當風速大于2.0m/s時,PM2.5濃度隨風速有略微減小的趨勢,這也說明了污染向清潔轉變的過程,風速的增大對污染物的擴散起到了一定作用,該結論與蔣伊蓉等人對京津冀地區重污染過程中大氣擴散及氣象條件的研究一致[33].

圖8 污染和清潔時期PM2.5濃度與風速關系及風速與邊界層高度關系

對比清潔和污染時期的邊界層高度、風速及PM2.5濃度之間的關系(如圖8(b)),可以看到,PM2.5高濃度水平一般出現在邊界層高度低(216.5m),地面風速小(2.0m/s)的條件下,而PM2.5低濃度水平則出現在邊界層高度高(552.0m),地面風速大(5.9m/s)的情況下,這是因為邊界層嚴重影響大氣污染物在垂直方向上的擴散,當邊界層高度偏低時,在本地排放源一定的情況下,邊界層內污染物將很難有效擴散,若此時地面風速也偏低,大氣水平擴散能力弱,那么污染物將會持續堆積增加,最終形成重污染天氣[34].當然,污染物濃度的持續增加,又會進一步抑制大氣的擴散能力,使得空氣污染進一步加重.另外,冬季平均氣溫較低,大氣層結更穩定,低層大氣更不容易通過垂直混合作用將污染物輸送到上部,因此,冬季污染物濃度通常高于其他3個季節.盡管電廠排放對SO2,NO2,PM2.5貢獻率相對較小,但由于冬季氣象條件的特殊,電力行業高架源排放的特點,還應該重視電廠排放通過長距離輸送造成的區域環境影響.

5 結論

5.1 長三角電廠排放污染物主要為SO2、NO2及PM2.5,年總排放量可分別達到826.8,1475.6和137.3Gg,分別占總排放量的34%、38%和14%.電廠排放的污染物主要集中在蘇南浙北上海一帶,該區域工業發展水平高,對于電力需求較大,相應火電廠排放的污染物也較多,其排放的SO2、NO2達到總排放量的30%以上,PM2.5也達到了總排放量的10%.

5.2 長三角冬季主要大氣污染物(SO2、NO2、PM2.5)濃度高值區分布在南京-上海、杭州-寧波一帶.電廠對SO2濃度貢獻量(率)的空間分布與其排放的SO2空間分布較為一致,而對于NO2、PM2.5,其貢獻量(率)的空間分布與SO2不同,受高架源排放的特點以及冬季北風的影響,高值區主要分布在下風向地區,即安徽,浙江和江西的交界處以及浙江省的東海岸.相對SO2、NO2,電廠排放對PM2.5貢獻量(率)較低,各地均在20μg/m3(15%)以下.

5.3 污染時期電廠排放對PM2.5和SO2濃度的貢獻率(6.9%、34.2%)均大于清潔時期(4.9%、20.7%),而對于NO2,清潔和污染時期電廠排放的貢獻量沒有明顯差別,均在10μg/m3左右.冬季氣溫低、風速低及邊界層高度低的特征不利于低層大氣污染物的垂直擴散,使得污染物在近地面堆積,容易造成重污染.

[1] 魯 興.燃煤電廠排放顆粒物對大氣污染的監測與危害研究 [D]. 鄭州:鄭州大學, 2005.

[2] 包 貞,馮銀廠,焦 荔,等.杭州市大氣PM2.5和PM10污染特征及來源解析 [J]. 中國環境監測, 2010,26(2):44-48.

[3] Wang H L, Zhuang Y H, Wang Y, et al. Long-term monitoring and source apportionment of PM2.5/PM10in Beijing, China [J]. Journal of environmental sciences (China), 2008,20(11):1323-1327.

[4] Wang X H, Bi X H, Sheng G Y, et al. Chemical Composition and Sources of PM10and PM2.5Aerosols in Guangzhou, China [J]. Environmental monitoring and assessment, 2006,119(1-3):425-439.

[5] Yue W S, Li X L, Liu J F, et al. Characterization of PM2.5in the ambient air of Shanghai city by analyzing individual particles [J]. Science of the Total Environment, 2006,368:916–925.

[6] 段菁春,李興華,譚吉華,等.北京冬季大氣顆粒物數濃度的粒徑分布特征及來源 [J]. 環境科學研究, 2009,22(10):1134-1140.

[7] 李令軍,李金香,辛連忠,等.北京市春節期間大氣污染分析 [J]. 中國環境科學, 2006,26(5):537-541.

[8] 伯 鑫,王 剛,溫 柔,等.京津冀地區火電企業的大氣污染影響 [J]. 中國環境科學, 2015,35(2):364-373.

[9] 薛文博,許艷玲,王金南,等.全國火電行業大氣污染物排放對空氣質量的影響 [J]. 中國環境科學, 2016,36(5):1281-1288.

[10] 胡亞男,馬曉燕,沙 桐,等.不同排放源對華東地區PM2.5影響的數值模擬 [J]. 中國環境科學, 2018,38(5):1616-1628.

[11] 馬雁軍,劉寧微,王揚鋒.遼寧冬季城市空氣質量分布狀況綜合研究 [J]. 氣象與環境學報, 2007,23(3):15-18.

[12] 馬雁軍,王江山,王揚鋒,等.遼寧中部城市群可吸入顆粒物PM10和PM2.5的污染特征研究 [J]. 氣象與環境學報, 2008,24(5):11-15.

[13] 王揚鋒,左洪超,馬雁軍,等.應用Models-3模式系統對沈陽市空氣質量的數值模擬研究 [J]. 環境科學學報, 2007,27(3):487-493.

[14] 南京市氣象局.南京市2014年1月氣候影響評價[2014-02-10]. [DB/OL]. http://www.nanjing.gov.cn/njszfnew/sydw/qxj/201402/ t20140226_2512064.html.

[15] Li M, Zhang Q, Kurokawa J, et al. MIX: a mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP [J]. Atmospheric Chemistry & Physics, 2017,17(23):34813-34869.

[16] Gao M, Carmichael G R, Wang Y S, et al. Improving simulations of sulfate aerosols during winter haze over Northern China: the impacts of heterogeneous oxidation by NO2[J]. Frontiers of Environmental Science & Engineering, 2016,10(5):16.

[17] Gao M, Carmichael G R, Wang Y S, et al. Modeling study of the 2010 regional haze event in the North China Plain [J]. Atmospheric Chemistry & Physics, 2016,15(16):22781-22822.

[18] Grell G A, Peckham E S E, Schmitz R, et al. Fully coupled “online” chemistry within the WRF model [J]. Atmospheric Environment, 2005, 39(37):6957–6975.

[19] Tie X X, Madronich S, Li G H, et al. Characterizations of chemical oxidants in Mexico City: A regional chemical dynamical model (WRF-Chem) study [J]. Atmospheric Environment, 2007,41(9):1989- 2008.

[20] Jiang F, Wang T T, Wang T T, et al. Numerical modeling of a continuous photochemical pollution episode in Hong Kong using WRF-chem [J]. Atmospheric Environment, 2008,42(38):8717-8727.

[21] Zhang Y, Wen X Y, Jang C J. Simulating chemistry-aerosol-cloud- radiation-climate feedbacks over the continental U.S. using the online-coupled Weather Research Forecasting Model with chemistry (WRF/Chem) [J]. Atmospheric Environment, 2010,44(29):3568-3582.

[22] Wang X M, Wu Z Y, Liang G X. WRF/CHEM modeling of impacts of weather conditions modified by urban expansion on secondary organic aerosol formation over Pearl River Delta [J]. Particuology, 2009,7(5): 384-391.

[23] Emmons L K, Walters S, Hess P G, et al. Description and evaluation of the Model for Ozone and Related chemical Tracers, version 4 (MOZART-4) [J]. Geoscientific Model Development, 2010,3(1):43- 67.

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

[25] An X Q, Sun Z B, Lin W L, et al. Emission inventory evaluation using observations of regional atmospheric background stations of China [J]. Journal of Environmental Sciences, 2013,25(3):537.

[26] Wang Y X, Zhang Q Q, Jiang J K, et al. Enhanced sulfate formation during China's severe winter haze episode in January 2013 missing from current models [J]. Journal of Geophysical Research Atmospheres, 2015,119(17):10425-10440.

[27] Chen D, Liu Z Q, Fast J, et al. Simulations of sulfate–nitrate– ammonium (SNA) aerosols during the extreme haze events over northern China in October 2014 [J]. Atmospheric Chemistry & Physics, 2016,16(16):10707-10724.

[28] Li G H, Bei N F, Cao J J, et al.. A possible pathway for rapid growth of sulfate during haze days in China [J]. Atmospheric Chemistry & Physics, 2017,17(5):1-43.

[29] 黃怡民,劉子銳,陳 宏,等.北京夏冬季霾天氣下氣溶膠水溶性離子粒徑分布特征 [J]. 環境科學, 2013,34(4):1236-1244.

[30] 杜曉惠,徐 峻,劉厚鳳,等.重污染天氣下電力行業排放對京津冀地區PM2.5的貢獻[J]. 環境科學研究, 2016,29(4):475-482.

[31] 薛文博,王金南,韓寶平,等. PM2.5輸送特征與環境容量模擬[M]. 北京:中國環境出版社, 2017:119-146.

[32] 陳 靜,鈐偉妙,韓軍彩,等.石家莊市秋季典型天氣背景下重污染特征分析 [J]. 氣象與環境學報, 2015,31(4):42-50.

[33] 蔣伊蓉,朱 蓉,朱克云,等.京津冀地區重污染天氣過程的污染氣象條件數值模擬研究 [J]. 環境科學學報, 2015,35(9):2681-2692.

[34] 杜川利,唐 曉,李星敏,等.城市邊界層高度變化特征與顆粒物濃度影響分析 [J]. 高原氣象, 2014,33(5):1383-1392.

The impact of power plant emission on air pollution during winter over Yangtze River Delta.

SHA Tong, MA Xiao-yan*, WANG Jian-ying, JIA Hai-ling, HU Ya-nan, TIAN Rong, GUAN Qi-kun, LI Ruo-lin

(Key Laboratory of Meteorological Disaster, Ministry of Education, Joint International Research Laboratory of Climate and Environment Change, Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Key Laboratory for Aerosol-Cloud-Precipitation of China Meteorological Administration, Nanjing University of Information Science & Technology, Nanjing 210044, China)., 2018,38(9)：3288~3297

The characteristics of emissions from power plant over Yangtze River Delta were analyzed, and major air pollutants in winter and their impact on air quality were then discussed based on WRF-Chem simulation. The results showed that the annual emissions of major air pollutants from power plant over Yangtze River delta were 826.8Gg, 1475.6Gg and 137.3Gg in 2010 for SO2, NOand PM2.5, respectively, accounting for 34%, 38% and 14% of total anthropogenic emissions. The high concentrations of major air pollutants (SO2, NO2, PM2.5) were distributed in the city cluster of Nanjing-Shanghai and Hangzhou-Ningbo. The spatial distribution of power plant contribution from SO2was consistent with the emissions of SO2, however, the high contributions of NO2and PM2.5, were mainly distributed on the border of Anhui-Zhejiang-Jiangxi and eastern coast of Zhejiang province. Compared with SO2and NO2, the contributions to PM2.5from power plant were relatively low, i.e. normally below 20μg/m3in most regions (15%). The contributions of power plant emissions to the simulated PM2.5and SO2during polluted period (6.9%, 34.2%)were higher than clean period(4.9%, 20.7%), while, there were no significant differences for NO2between polluted and clean period, with the magnitudes as 10μg/m3. The conditions of low temperature, weak wind speed, and low boundary layer height in winter were not favorable to pollutant diffusion, leading to heavy pollution events.

Yangtze River Delta；power plant emission；air pollutant；PM2.5

X511

A

1000-6923(2018)09-3288-10

沙 桐(1994-),女,陜西西安人,南京信息工程大學碩士研究生,主要從事空氣質量數值模擬.

2018-01-13

國家自然科學基金資助項目(41675004,41475005);江蘇省六大人才高峰項目(2014JY019)

* 責任作者, 教授, xma@nuist.edu.cn