京津冀及周邊民用散煤燃燒控制對北京市PM2.5的影響

徐雙喜, 張眾志, 杜曉惠, 李 洋, 張樹憲, 續 鵬, 張博雅, 孟 凡

中國環境科學研究院大氣環境研究所, 北京 100012

隨著我國經濟快速發展、城市化推進和工業規模的擴大，民用、交通、工業等部門消耗了大量化石燃料，同時也帶來了空氣質量的惡化. 大氣污染引發的霧霾對人體健康、氣候環境與城市可持續發展都有較大影響[1-2]，PM2.5作為京津冀地區大氣污染首要污染物[3]，是造成霧霾天氣最主要的原因[4]. 硫酸鹽是PM2.5中的重要組成部分，大氣成分檢測顯示，在以往我國嚴重霧霾事件期間硫酸鹽生成量均較高[5-6]. 近年來，隨著燃煤型空氣污染的控制，硫酸鹽濃度有所降低，但仍對PM2.5有重要貢獻. 硫化物的排放源有自然源和人為源兩種[7-9]. 研究[7-10]表明，PM2.5中硫酸鹽主要來源于人為排放的SO2在大氣中的化學轉換，主要包括氣相氧化過程、液相反應過程，硫酸鹽濃度時空分布取決于前體物排放和大氣氧化性水平[11]. 目前，國內外已開展大量研究以了解不同環境條件下硫酸鹽的濃度水平，但具體地區或特定污染情況下硫酸鹽的形成過程、貢獻及變化特征仍有待分析，特別是在霧霾高濕環境中硫酸鹽作為云霧凝結核具有強吸濕性，易吸收水分形成濕氣溶膠，并且因為吸收大氣中的水分導致霧滴無法達到濕沉降臨界直徑[12]，從而引起大氣顆粒物濃度進一步升高，該過程能顯著影響能見度. 研究[13]顯示，區域傳輸在京津冀目標城市大氣重污染硫酸鹽形成中起重要作用，因此定量識別影響目標城市硫酸鹽形成的區域來源貢獻也十分重要.

煤炭燃燒會產生較高的SO2排放量[14]，其對地面污染物濃度貢獻也較大. 京津冀及周邊地區大氣污染傳輸通道城市(“2+26”城市)中量大面廣、無任何環保措施的農村散煤燃燒產生的低矮面源污染嚴重. 張眾志等[15-16]研究表明，冬季京津冀地區農村散煤燃燒是該地區大氣污染的主要原因之一. 近年來，為解決以燃煤為主的冬季農村供暖問題，京津冀地區持續推進“煤改電”“煤改氣”等能源環境政策，民用散煤治理已取得顯著成效，目前已有許多學者評估了民用散煤的污染物減排效果，但對PM2.5組分硫酸鹽形成的具體過程、來源貢獻影響的研究相對較少. 因此，為了解北京市硫酸鹽形成原因，尤其是農村面源控制后北京市重污染硫酸鹽形成的物理、化學過程及其來源貢獻的變化，該研究基于CMAQ (Community Multiscale Air Quality Modeling System)數值模式污染物形成過程分析模塊[17]、來源解析模塊[18]進行了硫酸鹽定量分析，以期為北京市重污染防控提供參考.

1 方法與數據

1.1 空氣質量模型及參數設置

該文采用第三代空氣質量模型CMAQ (v5.0.2版本)，該模型是目前國際應用較為普遍、成熟的空氣質量模型，可以模擬計算各種尺度大氣污染物傳輸過程，包括水平方向平流及湍流擴散過程、垂直方向平流及湍流擴散過程，平流輸送過程算法為單調、正定的分段拋物線PPM算法[19]，湍流擴散過程算法為ACM算法[20]. 兩層嵌套模擬區域均采用Lambert投影坐標系，最外層粗網格水平模擬區域分辨率為36 km×36 km，網格數200×160，覆蓋我國全境以及日本、韓國等東亞區域，第二層細網格模擬區域分辨率為12 km×12 km，網格數120×102，覆蓋京津冀及周邊地區. 參數設置如表1所示. 該文采用中尺度氣象模型WRF (v3.9版本)為CMAQ提供氣象場輸入數據，WRF模式輸入數據來自NCEP全球再分析資料FNL，水平分辨率為1°×1°，時間分辨率為6 h.

表1 CMAQ參數設置

1.2 CMAQ過程分析和ISAM源解析

該文模擬時間為2018年11月1日—2019年1月31日，根據GB 3095—2012《環境空氣質量標準》，2018—2019年秋冬季北京市共發生5次PM2.5重污染過程，分別為2018年11月2—4日、11月12—15日、11月25—27日、12月1—3日以及2019年1月10—14日，按時間順序分別定義其為第Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ次重污染過程(見圖1).

注： Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ表示第Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ次重污染過程.圖1 2018—2019年秋冬季北京市重污染期間PM2.5濃度模擬值與觀測值時間序列Fig.1 Simulated and observed PM2.5 concentration time series of heavy pollution in Beijing during autumn and winter from 2018 to 2019

1.2.1過程分析原理

PA (process analysis)是CMAQ模型的重要診斷工具，其積分過程速率分析模塊IPR (integrated process rates)是一種分離多個獨立物理、化學過程后定量研究污染物濃度貢獻改變量的方法，其可較準確地分析目標城市污染物形成的原因. 核心原理采用基于求解污染物濃度的算子分裂算法，計算公式[21]：

(1)

式中，n代表某一大氣物理、化學過程算子，Ln為算子n的微分，t為積分時間，(Δc)n為算子n引起的濃度變化. 由式(1)可計算影響大氣污染物濃度變化的物理、化學過程的貢獻量，包括水平平流輸送、垂直平流輸送、水平擴散和垂直擴散物理過程，以及氣溶膠化學與熱動力、云霧水及液相化學過程.

1.2.2CMAQ-ISAM源解析設置

ISAM (Integrated Source Apportionment Method)技術本質為源示蹤顆粒物解析技術，是最新一代嵌入CMAQ模型中的示蹤模塊，ISAM核心功能是模擬污染源與環境受體之間的響應關系[22]. 為探究北京市重污染過程細顆粒物二次無機組分硫酸鹽及前體物SO2來源，該研究采用ISAM技術分別進行行業來源和區域來源的定量解析.

首先，將模擬研究京津冀及周邊區域內12 km×12 km分辨率細網格排放源，將北京市、天津市以及“2+26”城市所含山東省部分地區、山西省部分地區、河南省部分地區劃分為1類源區，共5個源區；將河北省內各地級市單獨設為一個源區，共8個源區(石家莊市、保定市、廊坊市、邢臺市、邯鄲市、衡水市、滄州市、唐山市). 將上述13個源區作為污染來源地區. 為建立污染源和環境受體之間的空間傳輸矩陣，將污染源進行分類后，再選取受體點，該文選取北京市城區西北方向的海淀萬柳站(116.32°E、39.99°N)、東北方向的東四站(116.43°E、39.95°N)、南邊的古城站(116.23°E、39.93°N)和天壇站(116.43°E、39.87°N)4個國控站點所在分辨率12 km×12 km模型網格為受體點位，選取覆蓋全部城區的網格行列數范圍為3×3，以此作為北京市城區污染物來源受體分析區域.

1.3 排放源情景和數據

京津冀及周邊平原地區農村居民面源分布較為廣泛，其中民用散煤燃燒源各類污染物(如SO2、PM2.5)排放量占比可達農村居民面源排放總量的85%以上[15]. 為較準確地模擬民用散煤燃燒控制前后的排放情景，該研究中京津冀及周邊地區民用源數據參考文獻[23]，其他部門污染物源排放采用MECI團隊2016年發布的中國多尺度排放清單MEIC (Multi-Resolution Emission Inventory for China)，水平分辨率0.25°×0.25°，為模擬提供國內源排放數據，所得排放清單包含生活民用、電力、工業、交通4個部門.

農村面源因排放高度低、瞬時排放強度大，對地面污染物濃度形成貢獻較大. “十三五”期間國家和地方出臺了一系列散煤治理政策，2020年秋冬季采暖期前，“2+26”城市平原地區基本完成生活和冬季取暖散煤替代任務，但據實地調查，2020年平原農村地區仍有零星煤炭散燒情況[24-25]. 為評估2020年及2020年后，京津冀及周邊地區民用散煤治理對該地區PM2.5及其組分硫酸鹽空間分布的影響，以及對北京市硫酸鹽形成主要物理、化學過程和來源貢獻的影響，以2018年為基準年設計2個平原地區民用散煤減排控制情景. 根據2020年零星煤炭散燒實際存在情況，以采取不完全削減，即民用散煤各項污染物排放量削減90%為控制情景1，以2020年之后100%削減為控制情景2. 采暖季“2+26”城市平原地區在控制情景1和控制情景2下各項污染物減排量及其在總源排放量占比的情況如表2所示. 由表2可見，SO2減排量為1.17×105t，在總源排放量中占比可達25.2%. 圖2為模擬區域地形高程值分布，按平原地形高度(≤200 m)劃分的一般標準，將紅線內灰色區域作為該研究“2+26”城市中平原識別區以模擬控制情景.

表2 采暖季模擬區域民用散煤各項污染物減排量 及其在總源排放量占比的情況

注： 紅色線條圈出區域為“2+26”城市.圖2 京津冀及周邊區域“2+26”城市地形高程值Fig.2 Terrain elevation value in ‘2+26’ cities in the Beijing-Tianjin-Hebei and surrounding region

1.4 空氣質量模型驗證

該研究觀測數據來自海淀萬柳、東四、天壇、古城4個國控站點監測資料，模型輸出數據為觀測站點所在分辨率12 km×12 km的網格平均濃度. 目標污染物SO2、PM2.5觀測數據源自全國城市空氣質量實時發布平臺(http://106.37.208.233:20035)，硫酸鹽觀測數據源自筆者所在課題組北京市手工采樣數據的日均值. 評價統計指標包含觀測平均值(A_O)、模擬平均值(A_M)、平均相對偏差(MFB)、平均相對誤差(MFE)、標準平均偏差(NMB)以及相關系數(R)，計算公式參考文獻[26].

由表3可見，北京市第Ⅰ～Ⅴ次重污染過程中各污染物MFB、MFE均滿足空氣質量模型評價導則中模擬標準的推薦值范圍(-60%

表3 北京市第Ⅰ～Ⅴ次重污染過程中硫酸鹽、SO2和PM2.5濃度模擬效果評價指標

2 結果與討論

2.1 基準情景下“2+26”城市PM2.5污染特征

模擬“2+26”城市秋冬季5次重污染過程中近地面PM2.5濃度高值區呈南北向帶狀或零散片狀分布格局，濃度高值中心位于河北省唐山市、保定市、石家莊市和邯鄲市，區域內PM2.5最高值為324 μg/m3，北京市重污染過程中PM2.5地面濃度為139 μg/m3. 硫酸鹽濃度整體分布呈南高北低的特征，最高值(56.1 μg/m3)出現在河北省唐山市. 北京市硫酸鹽濃度為19.5 μg/m3，在PM2.5濃度中占比為14%，最高占比可達22%. 而對比重污染過程發生前的清潔天(2018年11月10—11日、2019年1月8—9日)，其硫酸鹽濃度分別為3.1、4.3 μg/m3，在PM2.5中的占比均僅在7%左右，說明硫酸鹽濃度及占比的升高是PM2.5污染事件發生的典型特征.

2.2 民用散煤燃燒控制對北京市污染物濃度的影響

“2+26”城市民用散煤燃燒控制情景1下，PM2.5日均濃度模擬值空間分布如圖3(a)所示. 由圖3(a)可見，控制情景1下“2+26”城市中部和北部PM2.5日均濃度高值區明顯南退，范圍也顯著縮減，PM2.5日均濃度最大值降至251 μg/m3，下降了73 μg/m3，降幅為23%. 北京市PM2.5日均濃度降至124 μg/m3，下降了15 μg/m3，降幅為11%.

控制情景1下的模擬結果表明，SO2日均濃度呈顯著下降趨勢，北京市SO2日均濃度由基準情景的11.2 μg/m3降至6.2 μg/m3，下降了5.0 μg/m3，降幅(45%)較明顯，推測其對硫酸鹽濃度的貢獻強度下降.

由圖3(b)可見，控制情景1下“2+26”城市硫酸鹽日均濃度高值區仍主要呈南高北低的點狀分布特征，但較基準情景污染范圍已明顯收縮，硫酸鹽日均濃度最大值降至51.4 μg/m3，下降了4.7 μg/m3，降幅為9%，硫酸鹽污染較重城市(如天津市、保定市等)已明顯改善. 北京市大部分地區硫酸鹽濃度降至12.0 μg/m3以下，城區硫酸鹽日均濃度降至14.9 μg/m3，下降了4.6 μg/m3，降幅為24%. 硫酸鹽在PM2.5中占比降至12%，說明隨著民用散煤清潔化替代工作的持續推進，北京市硫酸鹽污染有較大改善，“2+26”城市區域內偏燃煤污染區(如山西省太原市、陽泉市[28]等地區)的區域水平傳輸可能是北京市硫酸鹽形成的重要原因.

注： 黑色線條圈出區域為“2+26”城市.圖3 控制情景1下秋冬季5次重污染期間“2+26”城市PM2.5、硫酸鹽的日均濃度的空間分布情況Fig.3 Spatial distribution of PM2.5, sulfate daily mean concentration in ‘2+26’ cities in autumn and winter under controlled scenario 1

與控制情景1相比，控制情景2中北京市PM2.5濃度降幅(4%)較小，日均濃度下降了4.96 μg/m3；SO2濃度與硫酸鹽濃度下降較明顯，其中SO2濃度下降了0.48 μg/m3，降幅為8%，硫酸鹽濃度下降了1.41 μg/m3，降幅為10%，說明少量的散煤燃燒對SO2和硫酸鹽仍有一定貢獻.

2.3 北京市硫酸鹽形成的物理、化學過程分析

為明確民用散煤燃燒控制前后重污染事件發生時影響北京市硫酸鹽形成的大氣物理、化學過程的變化特征，該文以基準情景與控制情景1為例，對北京市城區所在的CMAQ模型受體點位進行了硫酸鹽形成的物理、化學過程定量模擬分析，并結合高空過程分析，揭示了基準情景下北京市硫酸鹽高空物理、化學過程的輸送特征.

2.3.1地面過程分析

基準情景、控制情景1下模擬地面過程分析結果如圖4所示. 由圖4可見，第Ⅰ～Ⅴ次重污染過程中硫酸鹽小時濃度變化范圍為12.28～23.91 μg/m3. 水平平流輸送對硫酸鹽濃度為正貢獻，其對第Ⅰ～Ⅴ次重污染過程的貢獻量范圍為2.47～6.45 μg/(m3·h)，瞬時貢獻量最高達22.37 μg/(m3·h)，說明水平平流輸送過程主要體現上風向區域硫酸鹽向下風向受體區的移動，從而使得本地濃度升高，該過程是促進硫酸鹽濃度增長的主要原因，在第Ⅰ～Ⅴ次重污染過程中水平平流輸送過程在4個物理過程(水平平流輸送、垂直平流輸送、水平擴散、垂直擴散)總濃度貢獻絕對值中的占比分別為51%、51%、50%、50%、49%. 垂直平流輸送過程對硫酸鹽濃度基本為負貢獻，對第Ⅰ～Ⅴ次重污染過程的貢獻量范圍為-4.26～-0.23 μg/(m3·h). 水平擴散過程對硫酸鹽濃度的正貢獻較小，對第Ⅰ～Ⅴ次重污染過程的貢獻量范圍為0.02～0.08 μg/(m3·h). 垂直擴散過程是重污染過程中去除地面污染物的主要過程之一，是僅起到降低地面硫酸鹽濃度的過程，其對第Ⅰ～Ⅴ次重污染過程的貢獻量范圍為-2.44～-1.81 μg/(m3·h)，瞬時清除量最大值達-7.57 μg/(m3·h).

圖4 基準情景與控制情景1下秋冬季北京市各物理、化學過程對地面硫酸鹽濃度的貢獻情況Fig.4 Contribution of physical and chemical processes to sulfate concentration in Beijing during autumn and winter under basic scenario and controlled scenario 1

通過對比控制情景1與基準情景，明確了控制情景1下北京市5次重污染過程中各物理、化學過程相對基準情景的增長與消退趨勢. 就水平平流輸送過程而言，除在第Ⅴ次重污染過程中對硫酸鹽濃度貢獻強度呈略微增強趨勢外，在其他重污染過程中均呈減弱趨勢；另外，水平平流輸送過程在4個物理過程濃度貢獻絕對值之和中的占比略有上升，增幅為2%，說明此時北京市硫酸鹽的形成受外來輸送影響的比重上升. 相較其他物理過程，垂直擴散過程在5次重污染過程中對硫酸鹽濃度貢獻均呈明顯減弱趨勢，平均降低了0.95 μg/(m3·h)，降幅為33%，但其仍在硫酸鹽濃度的負貢獻作用中起主導地位. 在5次重污染過程中垂直平流過程對硫酸鹽濃度的貢獻整體呈減弱趨勢，降幅為30%.

由圖4(c)(d)可見：就化學過程而言，基準情景下氣溶膠過程平均貢獻量為0.24 μg/(m3·h)，瞬時貢獻量最大值為1.37 μg/(m3·h)；控制情景1下氣溶膠過程平均貢獻量為0.18 μg/(m3·h)，與基準情景相比硫酸鹽濃度貢獻有所下降(降幅為25%)，表明本地SO2二次轉化過程產生的硫酸鹽濃度降低. SO2轉化率計算方法如式(2)所示.

(2)

式中：E表示SO2轉化率，%；c[SO42-]表示小時硫酸鹽濃度，μg/(m3·h)；c[SO2]表示SO2濃度，μg/m3. 基準情景第Ⅰ～Ⅴ次重污染過程中SO2小時轉化率分別為2.46%、6.72%、2.50%、1.23%、2.85%，平均轉化率為3.16%. 控制情景1中SO2小時轉化率分別為4.58%、5.52%、3.36%、1.40%、8.14%，平均轉化率為4.6%，較基準情景上升了1.44%，說明SO2向硫酸鹽轉化速率加快.

注： Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ表示第Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ次重污染過程.圖5 北京市不同高度物理、化學過程對硫酸鹽濃度的貢獻量Fig.5 Contribution of physical and chemical processes to sulfate concentration at different heights in Beijing

綜上，活躍的水平平流輸送過程和垂直擴散過程是影響北京市硫酸鹽濃度變化的主要物理過程. 自2020年“十三五”規劃結束后，北京市平原地區基本實現“無煤化”，北京市硫酸鹽濃度已處于京津冀區域最低水平，因此北京市硫酸鹽的主要來源為區域排放的SO2轉化和輸送[29]. 盡管氣溶膠過程產生的硫酸鹽濃度貢獻可能由于該版本模型未完善氣溶膠表面非均相化學反應機制[30]而被低估，但該文結果顯示影響北京市硫酸鹽濃度變化的最重要因素仍是大氣輸送和擴散過程.

2.3.2基準情景高空中過程分析

為了解北京市高空中硫酸鹽形成受各物理、化學過程的影響及貢獻情況，特別是輸送特征與垂直方向擴散清除等特征，考慮到模型民用散煤面源配置于地面海拔10 m，而高空不受民用散煤源排放控制的影響，因此僅以基準情景為例進行討論. 高空750 hPa (海拔 2 500 m左右)以下各高度層北京市硫酸鹽的形成過程模擬結果如圖5所示，高空中13層高度范圍內5次重污染過程硫酸鹽濃度變化范圍為2.99～11.48 μg/m3. 由圖5可見，5個高空中均呈以水平平流輸送、垂直平流輸送和垂直擴散過程為主導，各高度層伴隨著氣溶膠過程的特征，其中，空中近地層(28～57 m)水平平流輸送過程對北京市硫酸鹽濃度貢獻范圍在0.4～2.8 μg/(m3·h)之間. 水平平流輸送、垂直平流輸送、水平擴散、垂直擴散過程對北京市硫酸鹽濃度貢獻均隨高度浮動范圍較大. 由于第7層(540～548 m)以上中各物理、化學過程表現均較微弱，因此設定討論高度最大值為548 m. 高空28～548 m處垂直擴散過程對硫酸鹽濃度的正貢獻量為0.10～0.59 μg/(m3·h)，平均貢獻量僅為0.18 μg/(m3·h)；垂直平流過程對硫酸鹽濃度的正貢獻量為0.19～0.69 μg/(m3·h)，平均貢獻量為0.35 μg/(m3·h). 隨著高度的增加，每層水汽通量逐漸降低，高空氣溶膠、云霧及液相化學過程硫酸鹽濃度貢獻強度相比近地面活躍度明顯減弱.

2.4 北京市SO2與硫酸鹽來源解析

為識別京津冀民用散煤燃燒控制前后北京市硫酸鹽及其前體物SO2來源的差異，該研究應用ISAM源解析技術探討了該地區污染物區域來源貢獻及行業來源貢獻.

2.4.1基準情景

作為硫酸鹽形成的重要前體物，SO2的區域傳輸直接影響北京市硫酸鹽的形成過程. 基準情景下，京津冀大氣污染傳輸通道范圍內主要城市對北京市污染物的貢獻率如圖6(a)(b)所示. 由圖6(a)(b)可見，北京市SO2、硫酸鹽的主要來源均為本地貢獻，占比分別為60%、54%. SO2、硫酸鹽行業貢獻均主要為模擬區域工業源，占比分別為57%、65%，而民用源占比分別為18%、15%.

圖6 基準情景與控制情景1下不同地區對北京市SO2、硫酸鹽的貢獻率Fig.6 Contribution ratio of different areas to SO2 and sulfate in Beijing under basic and controlled scenario 1

2.4.2控制情景

由圖6(c)可見，5次重污染過程中北京市SO2本地貢獻率平均值為45%，外地貢獻率平均值為55%，外地貢獻率略高于本地，說明北京市SO2主要來源為外地貢獻. 在第Ⅰ～Ⅴ次重污染過程中北京市SO2外地貢獻率分別為78%、63%、51%、43%、45%，在第Ⅰ、Ⅱ、Ⅲ次重污染過程中均超過50%，呈較明顯的時段差異. 北京市SO2外地貢獻區域中河北省貢獻較明顯，5次重污染過程對北京市SO2的貢獻率分別為56%、41%、47%、34%、34%，平均貢獻率為43%. 天津市、山東省、山西省、河南省對北京市SO2貢獻率分別為2%、3%、4%、3%. 此外，該文研究了河北省境內8個城市對北京市SO2的輸送貢獻情況，其中，保定市對北京市SO2的平均貢獻率最大，為19%，石家莊市、廊坊市的貢獻率分別為8%、4%.

由圖6(d)可見，5次重污染過程中北京市硫酸鹽本地貢獻率平均值為44%，外地貢獻率平均值為56%，外地貢獻率略高于本地，表明北京市硫酸鹽主要來源為外地貢獻. 在第Ⅰ～Ⅴ次重污染過程中北京市硫酸鹽外地貢獻率分別為81%、67%、45%、44%、42%，呈較明顯的時段差異. 北京市硫酸鹽外地貢獻區域中河北省貢獻最大，其在5次重污染過程中對北京市SO2的貢獻率分別為51%、37%、42%、36%、32%，平均貢獻率為40%. 天津市、山東省、山西省、河南省對北京市硫酸鹽貢獻率分別為2%、4%、5%、5%. 此外，該文研究了河北省8個城市對北京市硫酸鹽的貢獻情況，結果顯示，對北京市硫酸鹽貢獻率最大的為保定市(平均貢獻率達17%)，石家莊市、邯鄲市、廊坊市對北京市硫酸鹽貢獻率分別為8%、3%、3%.

北京市SO2的區域來源貢獻情況受地形、氣象因素影響而呈現一定的差異性特征. 11月3日，在偏南風的主導風向影響下，區域污染物SO2由南向北輸送，此時河北省中南部城市保定市、廊坊市、石家莊市和邯鄲市對北京市貢獻較大，分別為19%、9%、8%、6%. 11月4日，唐山市南部地區相對濕度在80%以上，較高的相對濕度有利于該區域SO2向硫酸鹽轉化，形成濃度(5.24 μg/m3)較高的硫酸鹽污染，在渤海灣東風環流形勢影響下，與11月3日相比，11月4日東部唐山市對北京市SO2、硫酸鹽濃度的貢獻率分別增加了8%、7%；同時，天津市對北京市SO2、硫酸鹽濃度的貢獻率分別增加了10%、7%. 南部城市對北京市硫酸鹽、SO2濃度貢獻率均呈下降趨勢，與11月3日相比，11月4日保定市和石家莊市對北京市SO2的貢獻率分別下降了-12%、-5%，對硫酸鹽的貢獻率分別下降了-12%、-6%.

SO2除了來自燃煤以外，也來自鋼鐵等工業過程[31]. 控制情景1下SO2行業來源解析如圖7(a)所示. 由圖7(a)可見，模擬區域工業源是影響北京市SO2濃度的最主要行業源，5次重污染過程中工業源貢獻率除12月3日為47%以外，其余均大于50%，平均貢獻率為65%. 值得注意的是，交通源貢獻率在第Ⅳ次重污染過程后期(12月3日)貢獻率最大，為41%，這與北京市和周邊城市(天津市、滄州市等)較高的機動車保有量以及較發達的物流運輸業有關. 研究[32]表明，標準汽油車含硫質量分數為0.015%，標準柴油車為0.05%，機動車尾氣硫化物是導致機動車尾氣排放超標的主要原因之一. 由圖7(a)可見：由于部分裝載火力發電機組電廠升級、改造后執行超低排放標準，電力源SO2排放量水平較低，其在5次重污染過程中的貢獻率分別為8%、10%、6%、9%、6%；而生活民用源貢獻率均較低，在第Ⅳ次重污染過程中(12月3日)最大貢獻率為7%.

控制情景1中北京市硫酸鹽行業來源解析如圖7(b)所示. 由圖7(b)可見，模擬區域工業源是影響北京市硫酸鹽濃度的最主要行業源，其在5次重污染過程中的貢獻率分別為78%、78%、86%、79%、87%，平均貢獻率為82%. 電廠對北京市硫酸鹽的貢獻率達10%，說明重污染過程中北京市硫酸鹽主要受區域工廠煙囪口、電廠排放影響；次要貢獻中交通源、民用源對北京市硫酸鹽貢獻率均較低，貢獻率分別為4%、3%.

綜上，基準情景下北京市SO2、硫酸鹽主要來源均為本地貢獻，而2個控制情景中外地貢獻是北京市SO2、硫酸鹽污染的主要來源，說明與基準情景相比，控制情景下京津冀及周邊區域對北京市SO2、硫酸鹽的傳輸貢獻增加，與2.3節分析結果一致. 控制情景1的來源解析也表明,重污染過程中北京市硫酸鹽、SO2的模擬結果呈較好的一致性，二者重點控制行業均為工業，重點控制源區均為外地源，特別是北京市周邊城市保定市、石家莊市.

注：Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ表示第Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ次重污染過程.圖7 控制情景1下不同行業對北京市SO2、硫酸鹽的貢獻率Fig.7 Contribution ratio of different trades to SO2 and sulfate in Beijing under controlled scenario 1

3 結論

a) 以2018年為基準年設計了平原地區民用散煤各項污染物排放量削減90%(控制情景1)和100%削減(控制情景2)2個控制情景，結果表明，2個控制情景下“2+26”城市污染物濃度均呈顯著下降趨勢. 控制情景1下，北京市PM2.5日均濃度由139 μg/m3降至124 μg/m3，降幅為11%；北京市SO2日均濃度降至6.2 μg/m3，降幅為45%；北京市硫酸鹽日均濃度降至14.9 μg/m3，降幅為24%，其在PM2.5中占比降至12%. 與控制情景1相比，控制情景2下北京市PM2.5日均濃度降幅(4%)較小，北京市SO2日均濃度降低了0.48 μg/m3，降幅為8%，北京市硫酸鹽日均濃度下降了1.41 μg/m3，降幅為10%.

b) 物理、化學過程分析結果表明，基準情景下5次重污染過程中北京市硫酸鹽濃度的正貢獻來源主要受水平平流傳輸過程影響，控制情景1下水平平流傳輸過程仍起主導作用，但該過程在水平平流輸送、垂直平流輸送、水平擴散、垂直擴散這4個物理過程中的絕對重要性上升了2%，說明北京市硫酸鹽的形成受外來輸送影響比重上升. 此外，控制情景1下垂直擴散清除過程對硫酸鹽濃度的貢獻下降了33%，氣溶膠二次轉化過程的貢獻下降了25%，但SO2向硫酸鹽轉化的小時轉化率上升了1.44%. 基準情景高空過程分析結果表明，空中近地層(28～57 m)水平平流輸送過程對北京市硫酸鹽濃度貢獻范圍在0.4～2.8 μg/(m3·h)之間.

c) SO2行業來源解析顯示，控制情景1下民用源對北京市SO2濃度貢獻率顯著下降，說明散煤控制取得成效，北京市SO2濃度主要受區域工業源影響(貢獻率為65%)，工業是北京市及周邊城市重點控制行業. SO2區域來源分析顯示，北京市SO2主要來源為外地貢獻，貢獻率達55%，其中河北省貢獻率(43%)較大，河北省8個城市對北京市SO2貢獻率最大的為保定市，貢獻率達19%. 而硫酸鹽行業來源解析表明，北京市硫酸鹽濃度主要受區域工業源(貢獻率為82%)影響，主要為外地貢獻，其中河北省貢獻率(56%)較大. 河北省8個城市中對北京市硫酸鹽貢獻率最大的為保定市，貢獻率達17%. 建議北京市污染防控應進一步關注對周邊城市污染源排放的控制.