京津冀地区细颗粒物污染来源实时预报系统的构建和初步应用

徐峻，何友江，党鸿雁，何耑士，杜晓惠，龚安保，戴学之，唐伟，刘世杰，孟凡

环境基准与风险评估国家重点实验室，中国环境科学研究院，北京 100012



京津冀地区细颗粒物污染来源实时预报系统的构建和初步应用

徐峻，何友江*，党鸿雁，何耑士，杜晓惠，龚安保，戴学之，唐伟，刘世杰，孟凡

环境基准与风险评估国家重点实验室，中国环境科学研究院，北京 100012

基于区域空气质量数值模型和源示踪技术，构建污染来源预报系统，实现了京津冀地区污染来源的实时预报。针对预报中最迫切的时效限制，在系统的源排放预处理、污染物来源贡献计算方案、业务化运行等方面进行特别的设计，主要包括：开发出快速源排放前处理技术；通过试算确定了分区域和行业的污染来源追踪方案；采用目前2种主流的并行计算方式混合编译区域空气质量模型并运行；设计了业务化运行中多任务的分布式计算方案，以充分利用计算资源。这些优化措施有效地缩短了预报时间。目前系统已处于业务化运行阶段，每天08：00之前，预报出未来3 d的区域空气质量，同时给出所关注区域主要污染物分区域和行业的来源贡献状况；系统已应用在庆祝抗战胜利70周年阅兵期间空气质量保障后评估，以及2015年11月底—12月初京津冀重污染预警等应急工作中。

京津冀地区；PM2.5；来源；预报系统

2013年1月京津冀地区连续发生的区域性重污染事件[1-2]引起全社会的广泛关注，同年，国务院颁布了《大气污染防治行动计划》[3]，对京津冀等地区、省会城市提出“建立监测预警应急体系，妥善应对重污染天气”的要求。正是在此种需求的驱动下，陆续开展了空气质量预报和预警、重污染应急措施、相应的环境政策和管理等方面的研究，及全国许多地区预警预报的系统建设。

预报未来，向社会通报未来污染覆盖的空间范围和生消时段，对于公众和管理部门都非常必要。气象部门根据天气和空气质量的实况，以及预报的环流形势和气象参数等，经人工综合分析和研判，发布全国范围的区域污染预报。一些城市和地区也尝试用统计[4]或数值方法[5]建立预报系统并开展预报工作。但对于环境管理部门，单纯提供未来几天的污染状况(程度和范围)显然距离实现重污染防控相差甚远。而能够预判污染的来源，或者为来源分析提供另一个研究角度的数据，乃至预判各类控制措施的效果，才是决策中最急需的技术支持和基础数据。

然而，污染物来源解析一直是研究的难点，目前的方法主要分为基于观测分析和空气质量模型模拟两大类：前者，进行气溶胶采样，通过样本分析得到化学组成和元素等信息，然后进行统计分析，回归出污染物来源或类别；较常用的方法有CMB(chemical mass balance)[6]和PMF(positive matrix factorization)[7]等，但其对二次污染物的来源较难确定。后者，从源排放出发，模拟污染物经历的各种物理和化学过程，最终形成浓度的区域分布；采用控制试验模拟、示踪技术、敏感性分析等方法，获得预先设定的区域和行业排放对关注地区的污染贡献状况，其来源分析结果将在一定程度上取决于采用的源排放清单，因而编制的清单是否反映实际排放状况比较重要。有学者将二者结合[8]，目前尚处于初创阶段，由于涉及的监测物种多，以及计算和分析方法复杂，推广应用有一定难度，但应是未来的发展方向。

尽管基于统计方法和污染潜势的预报在运行中的资源需求相对较少，但预报中并不涉及从源排放到环境浓度间发生的气象和大气化学过程，因而无法定量污染形成中各种过程的贡献以及不同源区和行业的贡献，对于污染控制，尤其在重污染应急时显然支持不够。数值模式通过求解大气中发生的几乎所有物理和化学过程，获得预报结果，因而具备了定量这些过程对污染贡献的能力，但数值模式对计算资源的要求较高。

针对上述京津冀重污染防控中的迫切需求，笔者设计了基于区域空气质量数值模式的京津冀污染来源实时预报系统，在预报未来几天空气质量的同时，还能输出重要污染物的来源状况，以期为重污染防控措施的形成提供技术支持和定量结果。

1 构建京津冀污染来源实时预报系统

京津冀污染来源实时预报系统的建设主要基于国际上在区域空气质量研究中广泛应用的综合空气质量模型CAMx(comprehensive air quality model with extensions)[9]，其配备的PSAT(particulate source apportioning technology)技术采用源标识的方法，在整个模拟过程中随时保留所有标识的源对关注污染物浓度的贡献，可以获得所标识的源对受点的瞬时乃至长期平均的污染来源贡献状况。京津冀地区污染来源实时预报系统中的污染来源计算主要依靠PSAT技术实现。

1.1 污染来源识别业务化运行的系统框架

京津冀地区PM2.5污染来源实时预报系统的框架和流程见图1。该系统由气象场预报、源排放预处理、区域空气质量预报、后处理4部分构成，整个系统由气象场预报开始。气象场预报首先进行全球气象预报(GFS，global forecast system)[10]数据的下载，通过中尺度气象模型(WRF，the weather research & forecasting model)[11]模拟逐时的区域气象场，作为源排放预处理模块和CAMx的输入条件。源排放预处理分人为源和天然源2部分进行。为实现污染物分行业的来源贡献计算，还需要预先准备好各行业的源排放，以及需识别的源区标识分布文件，作为输入条件。

区域空气质量和污染物来源预报由CAMx模型完成，预报过程中开启PSAT模块功能，实现对气溶胶组分按预先设定的源区和行业的追踪计算，获得受点(关注区域)PM2.5分行业和区域的来源贡献状况。预报完成后，后处理模块针对区域空气质量模型的预报结果，重点对PSAT结果中PM2.5逐时来源贡献按区域和行业进行统计，最终得到PM2.5按区域和行业的来源贡献状况，并通过一定的方式(如网页等)进行展示。

1.2 快速源排放预处理

对于预报而言，必须在3～4 h内完成所有步骤，因而，对预处理的用时提出更高要求。针对源排放输入的预处理进行了特殊的设计，将其中不变的部分完全固化，大幅压缩了预处理过程的计算时间。快速源排放预处理系统框架见图2。

图2 快速源排放预处理系统流程Fig.2 Flow chart of fast preprocessing system for emission

从图2可以看出，技术设计的主要考虑：1)快速源排放输入条件的预处理主要针对人为源中的面源部分。因为，人为源中点源预处理由CAMx模拟中在线完成，而天然源排放依赖预报的气象条件。2)考虑到在一定的预报时段内，人为源排放中的面源部分每天排放量是不变的，每天排放速率的逐时变化也是固定的，对于预报中每天的排放而言，变化的只是每天的时间。因此，在预先做好1 d源排放的前提下，设计专门的程序脚本，只对该文件头部分的日期和时间进行改动，只要给出预报的日期和起止时间，就能以最快的速度生成预报日的源文件。3)人为源排放中的面源部分，如民用源、交通源、工业源等都采用该方案进行预处理，这样，既完成了源排放输入条件的准备，同时也生成了用于追踪行业来源贡献计算的分行业的源排放输入条件。由于避开处理过程复杂繁琐的SMOKE(sparse matrix operator kernel emissions)[12]系统，有效节省了源排放预处理的时间。4)预先准备的1 d源排放考虑了月变化，即为每个行业的排放预先准备了12个文件，代表每月的排放状况，还依据现有的行业排放特征设定了各行业排放的日变化时间廓线。

注：▲为预报污染来源的受点。图3 京津冀区域空气质量预报的第二重模拟域Fig.3 Nested domain of air quality forecasting for Beijing-Tianjin-Hebei area

1.3 实时的污染来源贡献预报

PSAT技术的应用，使得在模拟中通过源区或行业的设定，计算得到每个源区对关心点的浓度贡献或每个行业对关心点的贡献。还可以在模拟中同时设定待追踪的源区和行业，将关注行业的贡献细分到设定的各源区中。在已有的两重嵌套的模拟域框架下进行实时的污染来源预报：第一重模拟域覆盖我国全境及部分周边国家和地区，水平分辨率为36 km，为内置模拟域提供边条件，该模拟域的模拟已在多个区域空气质量研究中得到应用[13-15]；内嵌套的第二重模拟域(图3)中心为京津冀地区，覆盖了京津冀周边整个山东和山西省，以及河南省、内蒙古自治区和东三省的部分地区，水平分辨率为12 km。

预报的重要考虑之一是计算时间，综合目前的区域来源贡献预报的需求、计算设备能力以及分别在两重模拟域中按源区和行业追踪的试算结果，确定污染来源贡献的实时追踪计算在第二重模拟域中进行。关于预报污染来源计算中受点的选取，也是决定计算量的重要方面，受点越多或受点区域覆盖的范围越大，计算量越大。目前，受点区域仅定在1个网格内，为日常空气质量监测点最密集的区域，这些区域均位于市区，人口密集，为保护人群健康最关注的区域。

考虑到模拟的PM2.5及其组分浓度存在的不确定性，预报结果中，除给出PM2.5来源以外，还分别给出其中一次和二次组分，以及常规气态污染物SO2和NOx的来源贡献，便于研究人员和决策者根据自身的知识和掌握的资料，综合判断污染来源，从而能为科学决策提供尽可能多的数据支持。

1.3.1 污染的区域来源贡献预报

追踪污染的区域来源贡献，计算量相对小，所以预报系统中，共设定了22个源区，其中京津冀13个地级市都被划定为源区，紧邻的山西、山东、内蒙古、河南等省及自治区也被设为源区(图3)。预报各源区排放对关注区域浓度的贡献，计算时间取决于预设源区的个数和受点个数。依当前的计算能力，在业务运行中，仅就北京市、天津市和石家庄市三地进行来源贡献的实时预报，给出未来3 d主要污染物分区域的来源贡献情况：每天PM2.5的平均值，其中一次组分、二次组分，以及SO2、NOx的区域来源贡献。

1.3.2 污染的分行业来源贡献预报

模式在进行分行业追踪时，实际执行中将至少涉及2个行业(总的和待追踪的行业)源排放的标识和所有PM2.5组分的追踪，占用的内存和计算量较正常模拟急剧增加，再加上分源区的追踪，计算量又将成倍增加。因此，在保证PM2.5来源追踪的前提下，如需降低计算量，只有将源区的个数尽量缩减。鉴于目前的计算能力，以及环境管理部门提供技术支撑方面的需求，再根据具体的试算结果，暂定就当地和外来2个源区进行分行业的来源贡献预报。未来随着计算能力的提升，并根据管理部门的反馈，对源区做出调整，可将外来源再细分为京津冀地区和京津冀以外区域或定义更多的源区。

目前的污染物分行业来源贡献预报中，仅就北京市城区进行分行业的来源进行预报，行业来源预报中的源区只分为北京本地和北京以外地区，行业类别参考了的RAES[16]和MEIC[17]分类，暂定为电力、工业、交通和民用源4个行业，预报结果给出未来3 d每天本地和外来输入的分行业贡献。实际应用上，结合1.3.1节预报出的污染物区域来源贡献状况，基本上能判断各行业分区域来源贡献状况的分布，这对于区域控制措施的方向性判断已经足够。因为，许多情况下，污染控制措施的目标主要针对自身所处行政区。

建立的业务化运行系统作为分行业来源追踪的示范，旨在行业来源贡献的计算方面建立起一套规范且实用的方案和方法，今后可在试算和业务化运行中逐渐积累经验。在系统构建中，预留了接口，便于今后分行业追踪方面计算方案的调整和完善。至于行业分类的合理性和确定具体追踪的行业类别等细节，可根据所涉及行业源清单的可用程度决定。

1.4 系统业务化运行

1.4.1 污染来源预报的计算量

决定污染来源贡献计算的主要因素为：模拟区域的网格数、追踪污染来源所划分的源区个数、追踪的行业排放类别的个数、受点个数和受点的区域范围。目前，PM2.5成为京津冀地区乃至全国各地污染来源分析中最重要的目标物，与追踪单一污染物来源不同，PM2.5来源贡献追踪尤为复杂，具体表现为其包含所有模拟的细颗粒物组分追踪结果的总和。PSAT计算时，需开启所有颗粒物追踪选项，包括硫酸盐、硝酸盐、二次有机气溶胶和一次颗粒物，因而模拟计算时间较单独追踪硫酸盐或硝酸盐的耗时增加许多。其中二次有机气溶胶的追踪涉及的物种包含了所有涉及有机气溶胶生成的VOCs(volatile organic compounds)物种，包括相关反应、气粒分配过程，以及输送、扩散和清除等物理过程，其需追踪的物种和过程最多，耗时远高于其他几个物种的追踪。

采用PSAT技术，根据所追踪的源区或行业排放进行的标识，还需在模拟过程中针对每一次物理和化学过程输入和输出的各物种浓度实施来源贡献的再分配，内存耗费巨大。所以，较常规的区域空气质量模拟或数值预报，一旦加上污染物来源的计算，对计算资源的需求大为增加。而且，一般来说，增加的计算量将是成倍甚至数十倍的。

1.4.2 并行计算

计算速度是预报系统业务化运行中首先考虑的因素，因为预报要求是在某一时间节点(如08:00)之前完成计算。目前的软硬件条件决定并行计算是唯一的提速解决方案。测试和比较了当前较为通行的MPI(message passing inerface)、OpenMP(open multiprocessing)以及二者混合(MPI+OpenMP)的并行计算方案。初步的选择性编译和试算发现，预报系统采用MPI+OpenMP混合方式的并行计算方案，完成1 d的来源贡献追踪耗时较纯MPI方式缩减近12。该混合方式的并行计算最适合刀片(式)结构集群框架下的高性能计算设备(当前最主流的并行架构)，且国际上著名的气候模式和区域空气质量模式都具备支持该并行技术的编译和运行选项。因此，本文预报系统目前在业务化运行中暂定采用该种混合方式的并行计算方案，相关的并行测试和性能比较仍在进行中，以获得最适合现有计算设备且最经济的并行计算方案。

图4 污染来源预报系统业务化运行的逻辑结构Fig.4 Logical structure of routine-running system for pollutant source apportionment

1.4.3 分布式运行

污染来源预报系统在Linux环境下采用特定的指令每天定时启动，完成1 d的气象数据下载，即开始模拟。由于WRF和CAMx的预报相对独立，可以分开运行，因此，将其分别分配到不同的节点上，可以同时运行，互不影响，节省了预报时间。预报系统中，针对GFS数据下载、气象场预处理、源输入条件预处理、中尺度气象场模拟、CAMx模拟和源追踪等不同的任务，将其分别设置在不同的服务器和节点上，实现分布式运行，充分利用了高性能集群服务器的性能和优势。从下载开始，直至预报完成，期间各任务执行的逻辑结构见图4。根据设计的系统逻辑结构，对系统中的各项任务的执行进行了分布式的设置，使各项任务尽可能同时运行。目前的试算结果表明，计算时间由原先串行的约10 h压缩至6 h以内。

2 实际应用

该系统构建完成，并形成业务化运行能力以来，已在多次重大活动或事件中得到应用。

2.1 快速空气质量影响要素评估

为在最短的时间内量化气象因素对2015年9月3日(阅兵期间)空气质量的影响，在保持源排放不变的前提下，对系统稍加修改，分别模拟了京津冀及周边地区的2014年8月和2015年8月各整月的区域空气质量状况，取各月最后10 d的模拟结果平均值，统计了几种典型空气污染物浓度在区域分布上的差异，计算方法如下：

污染物浓度变化率(下降比例)=

(2015年浓度-2014年浓度)2014年浓度

二者PM2.5浓度差异的区域分布显示(图5)，单由气象因素造成的污染物浓度下降在京津冀地区非常显著，且呈区域分布的形势。PM2.5浓度降幅较大的区域主要出现在北京市城区以北区域，可达50%以上，北京市城区PM2.5浓度约降低20%，北京市以南的京津冀大部分地区PM2.5浓度降低10%～20%。可见2015年8月下旬有利的气象因素可使华北大部分地区污染物浓度显著下降。

注：为2014和2015年8月最后10 d的平均值。图5 预报系统模拟的由气象场差异造成的PM2.5浓度变化Fig.5 Predicted PM2.5 change by meteorology discrenpency

虽然仅是一个较初步的评估，还有待通过更详细的天气过程和气象条件以及空气质量模型的模拟分析等，方能形成较科学的解释和评估，但在最短的时间内给出一个定量的信息，提供给管理部门，其具有重要的参考作用。

2.2 京津冀重污染预报和来源分析

2015年11月底—12月初京津冀地区连续发生重污染事件，刚刚构建完成尚处于试运行阶段的预报系统即进入准业务化运行状态，每日上午输出未来3 d京津冀地区常规6项污染物的预报结果，以及PM2.5分区域和行业的来源贡献信息，提交环境保护部环境应急与事故调查中心，为该阶段重污染应急应对措施形成提供了重要的支持材料。图6为系统预报的2015年11月30日北京地区PM2.5来源贡献状况，污染的区域来源贡献显示：北京地区PM2.5本地贡献约占23；来自河北省的贡献为23.3%；天津市贡献7.7%；来自京津冀以外地区的贡献很少。表明重污染期间外来输送虽占一定比例，但主要来自临近地区。

PM2.5分行业的来源贡献显示：来自民用源的贡献最高，达到53%；其次是工业排放，为36%；交通源占比较低，只有6.2%；而电力行业的贡献只有1.5%。可见低矮面源对于PM2.5高浓度的形成贡献最大，应被列为重污染期间控制措施的首选目标。

与已有的北京市PM2.5源解析结果相比，预报的外来源贡献与北京市公布的平均结果[19]一致，表明重污染期间北京市本地排放起主要作用。预报的交通源贡献则远低于公布的年平均结果，模式中交通源的一次排放和二次生成都对PM2.5有贡献，但在执行正在实行的机动车排放标准后一次排放应该很小，冬季弱的光化学导致二次气溶胶生成也很小，因而，模拟的交通源贡献偏小。基于采样分析的来源解析结果中交通源贡献也很小，分别为5.6%[20]和3%[21]，与本预报结果接近。实际的交通源贡献可能主要来自非达标的车辆排放，有待进一步的研究和统计证实。预报的民用源贡献占12以上，北京市随着产业限制和污染企业的迁出，工业排放急剧下降，最新研究表明，民用源中散煤燃烧排放占较高比重[22]，本系统所采用的源清单体现了该特征，这是预报民用源贡献较大的原因。在Huang等[20]的北京市冬季重污染时段PM2.5源解析结果中，燃煤和生物质燃烧二者之和接近32%，该比例只是一次排放的结果，如加上二次生成的贡献，比例还会升高。关于民用源的排放和对PM2.5的贡献目前还没有定论，但已成为京津冀区域源排放研究的热点。

图6 北京市区2015年11月30日污染来源预报结果的网页展示Fig.6 Web page displaying predicted source apportionment result at November 30, 2015 over Beijing urban area

3 结论和展望

以区域空气质量模型中的源示踪技术为核心，设计并建立了京津冀地区污染来源的实时预报系统。系统建设过程中，在源排放预处理、污染来源贡献预报、并行计算、系统业务化运行等方面进行了优化，主要包括开发出快速源排放前处理技术，通过试算确定了分区域和行业的污染来源贡献计算方案，设计了业务化运行中多任务的分布式计算方案以充分利用计算资源，以及应用MPI+OpenMP混合方式的编译和并行计算以提升计算速度等。

对于预报系统中分区域和行业的来源贡献计算是系统中的核心部分，其计算方案中追踪区域、行业的设定、结果输出的所用设置，都在大量试算的基础上确定，并留有余地和接口，便于所有设置都较易外延和推广。今后，随着计算机能力的提升，可针对京津冀其他地区的需要，在同一次模拟计算中，增加京津冀其他地区为受点，还可增加行业来源贡献预报的城市。

目前，该系统已实现业务化运行，在预报空气质量的同时，给出污染的来源，并多次在重大活动或污染事件的应急中得到应用。但是，本文建立的污染来源的预报系统目前还处于初创阶段，许多方面还有待进一步改进和完善，主要包括：

(1)为污染防控提供技术支持。构建的实时污染来源预报采用CAMx中的PSAT技术完成，虽然能得到所关注行业源排放的重污染期间的贡献，但是由于从排放到环境浓度并非线性关系，仅凭此来源贡献信息尚无法正确估算防控措施的效果。实际的污染减排工作，其削减幅度在大多数情况下最高只能达到40%，基于DDM(direct decoupled method)方法得到的源排放敏感性在当前排放状况直至削减30%排放量的情况下均具良好的适用性[23]，伴随方法[24]也能得到类似的敏感性。同时提供多种方法的结果为来源贡献加上敏感性：获得污染来源和防控效果的双重信息，能为决策提供更全面的污染防控所需要的数据。这应是基于空气质量数值模型的污染来源预报所输出产品的方向。

(2)污染来源的预报结果有待证实。而PM2.5的来源贡献问题恰恰是污染防控中最亟待解决的问题，困难在于很难获得实际的污染来源状况，已有的基于气溶胶组分监测数据源解析的结果有一定的局限性。因此，有必要在完成1 a以上污染来源预报后，统计不同污染等级下，污染来源贡献的分布规律；针对典型重污染事件开展个例研究，对比和分析模式模拟及其他基于监测的PM2.5组分的源解析结果；通过文献调研(包括研究报告)等获得京津冀地区不同季节和污染程度下的源解析结果；最后，基于上述统计、对比和资料分析结果提出污染来源贡献预报结果的调整方法和改进方向。

[1] 王自发,李杰,王哲,等.2013年1月我国中东部强霾污染的数值模拟和防控对策[J].中国科学:地球科学,2014,44(1):3-14.

WANG Z F,LI J,WANG Z,et al.Modeling study of regional severe hazes over Mid-Eastern China in January 2013 and its implications on pollution prevention and control[J].Science China:Earth Sciences,2014,44(1):3-14.

[2] 王跃思,姚利,王莉莉,等.2013年元月我国中东部地区强霾污染成因分析[J].中国科学:地球科学,2014,44(1):15-26.

WANG Y S,YAO L,WANG L L,et al.Mechanism for the formation of the January 2013 heavy haze pollution episode over central and eastern China[J].Science China:Earth Sciences,2014,44(1):15-26.

[3] 国务院关于印发大气污染防治行动计划的通知[AOL].(2013-09-12).http:www.gov.cnzwgk2013-0912content_2486773.htm.

[4] 孙峰.北京市空气质量动态统计预报系统[J].环境科学研究,2004,17(1):70-73.

SUN F.Beijing air quality dynamic statistic forecasting system[J].Research of Environmental Sciences,2004,17(1):70-73.

[5] 房小怡,蒋维楣,吴涧,等.城市空气质量数值预报模式系统及其应用[J].环境科学学报,2004,24(1):111-115.

FANG X Y,JIANG W M,WU J,et al.Study on the development of numerical model system to predict urban air quality[J].Acta Scientiae Circumstantiae,2004,24(1):111-115.

[6] WATSON J G,COOPER J A,HUNTZICKER J J.The effective variance weighting for least squares calculations applied to the mass balance receptor model[J].Atmospheric Environment,1984,18:1347-1355.

[7] PAATERO P,TAPPER U.Positive matrix factorization:a nonnegative factor model with optimal utilization of error-estimates of data values[J].Environmetrics,1994,5(2):111-126.

[8] MAIER M L,BALACHANDRAN S,SARNAT S E,et al.Application of an ensemble-trained source apportionment approach at a site impacted by multiple point sources[J].Environmental Science & Technology,2013,47:3743-3751.

[9] ENVIRON International Corporation.User′s guide for the comprehensive air quality model with extensions(CAMx) version 6.2[ROL].[2016-04-26].California:ENVIRON International Corporation.http:www.camx.comfilescamxusersguide_v6-20.pdf.

[10] National Centers for Environmental Information.Global forecast system[AOL].[2016-04-26].Asheville:National Centers for Environmental Information.https:www.ncdc.noaa.govdata-accessmodel-datamodel-datasetsglobal-forcast-system-gfs.

[11] SKAMAROCK W C,KLEMP J B,DUDHIA J,et al.NCAR technical note:a description of the advanced research WRF version 3[AOL].(2008-06)[2016-04-26].Colorado:National Center for Atmospheric Research Boulder.http:opensky.ucar.eduislandoraobjecttechnotes%3A500.

[12] Institute for the Environment,University of North Carolina.SMOKE v 3.7 user′s manual[M].Carolina:The University of North Carolina.https:www.cmascenter.orgsmokedocumentation3.7manual_smokev37.pdf.

[13] 程念亮,孟凡,徐峻,等.中国东部春季一次强冷锋活动空气污染输送过程分析[J].环境科学研究,2013,26(1):34-42.

CHENG N L,MENG F,XU J,et al.Process analysis about the impact of a strong cold front on air pollution transportation in eastern China in spring[J].Research of Environmental Sciences,2013,26(1):34-42.

[14] 王继康,徐峻,何友江,等.利用源示踪技术计算日本和韩国低层大气SO2和PSO4来源[J].环境科学研究,2014,27(6):582-588.

WANG J K,XU J,HE Y J,et al.Source apportionment of sulfur in the lower atmosphere of Japan and Korea using tag method[J].Research of Environmental Sciences,2014,27(6):582-588.

[15] 杜晓惠,徐峻,刘厚凤,等.重污染天气下电力行业排放对京津冀地区PM2.5的贡献[J].环境科学研究,2016,29(4):475-482.

DU X H,XU J，LIU H F,et al.Contribution of power plant emissions to PM2.5over Beijing-Tianjin-Hebei area during heavy pollution periods[J].Research of Environmental Sciences,2016,29(4):475-482.

[16] OHARA T,AKIMOTO H,KUROKAWA J,et al.An Asian emission inventory of anthropogenic emission sources for the period 1980-2020[J].Atmospheric Chemistry and Physics,2007,16(7):6843-6902.

[17] 中国多尺度排放清单模型[ROL].北京:清华大学，2015[2016-04-26].http:www.meicmodel.org.

[18] 伯鑫,赵春丽,吴铁,等.京津冀地区钢铁行业高时空分辨率排放清单方法研究[J].中国环境科学,2015,35(8):2554-2560.

BO X,ZHAO C L,WU T,et al.Emission inventory with high temporal and spatial resolution of steel industry in the Beijing-Tianjin-Hebei Region[J].China Environmental Science,2015,35(8):2554-2560.

[19] 北京市环境保护局.北京市正式发布PM2.5来源解析研究成果[AOL].(2014-04-16).http:www.bjepb.gov.cnbjepb323265340674396253index.html.

[20] HUANG R J,ZHANG Y L,BOZZETTI C,et al.High secondary aerosol contribution to particulate pollution during haze events in China[J].Nature,2014,514:218-222.

[21] ZHANG R,JING J,TAO J,et al.Chemical characterization and source apportionment of PM2.5in Beijing:seasonal perspective[J].Atmospheric Chemistry and Physics,2013,13:7053-7074.

[22] 赵文慧,徐谦,李令军,等.北京平原区城乡结合部燃煤散烧及污染物排放量估算[J].环境科学研究,2015,28(6):869-876.

ZHAO W H,XU Q,LI L J,et al.Estimation of air pollutant emissions from coal burning in the semi-rural areas of Beijing plain[J].Research of Environmental Sciences,2015,28(6):869-876.

[23] COHAN D S,NAPELENOK S L.Air quality response modeling for decision support[J].Atmosphere,2011,2(3):407-425.

[24] HAKAMI A,SEINFELD J H,CHAI T,et al.Adjoint sensitivity analysis of ozone nonattainment over the continental United States[J].Environmental Science & Technology,2006,40(12):3855-3864. ○

Development and Preliminary Application of Realtime Forecasting System of Fine Particulate Origins over Beijing-Tianjin-Hebei Area

XU Jun, HE Youjiang, DANG Hongyan, HE Duanshi, DU Xiaohui, GONG Anbao,DAI Xuezhi, TANG Wei, LIU Shijie, MENG Fan

State Key Laboratory of Environmental Criteria and Risk Assessment, Chinese Research Academy of Environmental Sciences, Beijing 100012, China

The forecasting system of pollutant origins was established based on numerical model of regional air quality and tagging technology of emission sources. It realized the realtime forecasting of pollutant origins over Beijing-Tianjin-Hebei area. To cope with the urgent time restriction in forecasting, a series of special designs were made in emission preprocessing, source apportionment prediction and automatic routine operation. These included developing the fast emission preprocessing technology, determining the solution of source apportionment according to regions and sectors by trial calculation, compiling and running the regional air quality model via a hybrid usage of two mainstream solutions of parallel computation, and designing a distributed solution to handle multiple tasks in routine forecasting running for sufficient use of computation resources. All of the optimization measures effectively reduced the time of forecast runs. At present, the forecasting system is in routine operation stage. It predicts the air quality for the 3 days ahead and the origins of major pollutants according to regions and sectors each day before 0800LCT. The system had been applied in some big events, such as for the air quality guarantee and post-assessment for the period of victory parade of war against Japan, the pre-warning of severe air pollution from the end of November to the early of December, 2015.

Beijing-Tianjin-Hebei area; PM2.5; source apportionment; forecasting system

2016-05-03

国家科技支撑计划项目(2014BAC06B05)；国家电网公司科技项目(SGHAJYOOGHJS1500029)

徐峻(1969—)，男，研究员，博士，研究方向为区域空气污染，xujun@craes.org.cn

*通讯作者：何友江(1979—)，男，副研究员，博士，主要从事区域空气质量和污染防控研究，heyj@craes.org.cn

X513

1674-991X(2016)06-0523-09

10.3969j.issn.1674-991X.2016.06.076

徐峻，何友江，党鸿雁,等.京津冀地区细颗粒物污染来源实时预报系统的构建和初步应用[J].环境工程技术学报,2016,6(6):523-531.

XU J，HE Y J, DANG H Y, et al.Development and preliminary application of realtime forecasting system of fine particulate origins over Beijing-Tianjin-Hebei area[J].Journal of Environmental Engineering Technology,2016,6(6):523-531.