AERMOD模型在大气二氧化硫空间分布格局研究中的应用

傅诗婕， 潘文斌， 郑 鹏， 刘桂芳

(1. 福州大学环境与资源学院， 福建 福州 350116； 2. 永安市住房和城乡规划建设局， 福建 永安 366000)

AERMOD模型在大气二氧化硫空间分布格局研究中的应用

傅诗婕1， 潘文斌1， 郑 鹏1， 刘桂芳2

(1. 福州大学环境与资源学院， 福建 福州 350116； 2. 永安市住房和城乡规划建设局， 福建 永安 366000)

整合闽清县的气象、 地形、 污染源等数据， 综合运用分数偏差与参数估计最优化方法研究反照率、 波文比及地表粗糙度3个地表参数设置对 AERMOD模式预测结果的影响程度及趋势， 并在地表参数率定的基础上建立县域尺度上的AERMOD模型. 此外利用AERMOD模型模拟闽清县的SO2污染现状并作出SO2空间分布图， 结合闽清县大气污染防治规划提出煤改天然气措施并进行情景模拟， 以期为模型运用、 大气环境评价及污染防控提供一定参考.

AERMOD； 二氧化硫； 地表参数； 空间分布; 闽清县

0 引言

在我国， 随着工业的快速发展， 大气环境十分严峻， 大气污染已成为社会关注的热点问题， 并严重影响着人类的生存与健康. 福建省闽清县拥有为数不少的建陶、 特陶行业， 这些行业一直以煤炭为主要的工业能源消耗， 给当地大气环境带来了一定的SO2污染.

研究主要探讨美国气象协会和环保署大气模拟预测法规模式(AERMOD)在特定研究区域的参数率定方法， 同时利用AERMOD模型模拟闽清县的SO2空间分布格局[1]， 分析其污染现状及执行煤改天然气措施的效果， 以期为模型运用、 大气环境评价及污染防控提供一定参考.

1 闽清县概况

闽清县位于福建省东部， 地处闽江下游， 山丘广布， 平原狭小， 全境总面积1 498.11 km2， 县辖11个镇、 5个乡， 总人口约31万. 闽清县地理坐标介于北纬25°55′ ～26°33′， 东经118°30′ ～119°01′之间， 属于亚热带季风气候， 年平均气温15～20 ℃， 年降水量1 700 mm左右； 年平均风速1.52 m·s-1， 静风(<0.5 m·s-1)频率为4.47%.

2 材料与方法

为使AERMOD模型更加适应闽清县的实际情况， 先进行闽清县的AERMOD模型建模工作， 建模所需的各项数据及适用于闽清县的AERMOD参数率定方法如下所述.

2.1 气象及地形数据

AERMOD所需输入的地面气象数据包括： 风向、 风速、 总云量、 低云量和干球温度. 研究采用闽清县气象站2012年全年每天每小时观测数据， 其中总云量和低云量的8时、 14时、 20时3个时间点数据为实测值， 其余数据通过AERMET气象数据预处理模块自动插值得出. AERMOD所需输入的探空气象数据包括： 气压、 离地高度、 干球温度、 露点温度、 风向、 风速. 研究采用从美国怀俄明州大学站点下载的福州地区探空数据， 其中0时、 12时的数据为实测值， 其余数据通过自动插值得出.

研究采用精度为30 m×30 m的DEM数字高程数据， AERMAP地形数据预处理模块将对导入的地形文件进行自动处理.

2.2 污染源数据

闽清县的工业污染源主要分布在县域中部， SO2排放量较大的行业主要有建筑陶瓷制品制造业、 卫生陶瓷制品制造业、 特种陶瓷制品制造业等行业. 研究共收集了闽清49家主要企业的污染源数据， 均设为点源， 各污染源包括烟囱高度、 烟囱内径、 烟气温度、 烟气流速及污染物排放速率等参数.

2.3 环境空气背景值

环境背景值是指在目前环境条件下， 研究区域内相对清洁区化学元素的含量及能量值. 该值已经包含了一定程度的人为影响， 在环境质量评价过程中它可以在一定程度上作为环境污染的起始值. 而一个大气背景值监测站则代表了一个区域尺度的空气质量， 武夷山大气背景值监测站作为中国华东区域背景站之一， 周边无显著大气污染排放源， 能够客观反映华东区域背景空气质量状况[2]. 由于闽清没有大气背景值监测站点， 所以本研究选择参照武夷山大气背景值监测站的背景值数据. 确定闽清县SO2环境空气背景年均值为0.003 9 mg·m-3， 日均值为0.010 0 mg·m-3， 小时均值为0.004 4 mg·m-3.

2.4 地表参数率定

在AERMOD所需参数中， 前述各项参数已随研究区域而确定， 能够进行人工调整并影响模拟结果的主要参数为地表参数， 包括反照率、 波文比及地表粗糙度3个因子. 模型在地表参数选项中设置了地表特征扇区划分功能， 同时针对不同土地利用类型配套预设了不同的地表参数， 这些参数随着下垫面及季节的变化而变化. 研究主要对适用于闽清县的地表参数进行率定， 从而完成建模工作. 模型的建立过程如图1所示.

图1 模型的建立过程[3]Fig.1 The process of establishing the model

首先以闽清台山监测点2012年逐月的SO2平均质量浓度监测数据作为观测数据组1， 将模型预测值与监测值进行比较， 通过不断调整地表参数使得预测值与监测值之间的误差控制在某一确定范围内， 从而建立模型； 之后以闽清榕院监测点数据作为观测数据组2对已建立的模型进行检验， 若其预测值与监测值之间误差仍能满足精度要求， 则参数率定完毕， 模型建立， 否则返回第一步重新调整.

率定所设定的参数适用性评估方法分为两部分. 第一部分： 使用常规的用FB值评价模型的方法[4-8]， 将模型预测结果的FB值控制在正负0.5范围内， 则认为其可以满足精度要求； 通过FB值及FB值平均值可分别在各月份和整体上评判预测值与监测值间的接近程度， 从而判断所设定的参数是否满足模型建立的要求. 第二部分： 根据参数估计最优化方法[3]， 模型最优化参数的定义为： 使得模型的预测值与实测值之差的平方和(记为Z值)最小的一组参数； 通过比较Z值的大小可辅助评判全年预测结果与监测结果间的接近程度. FB值及Z值计算公式如下：

2.4.1 根据土地利用分类设置地表参数

对Landset8的2013年7月遥感影像进行了土地利用分类(分类精度为87%)， 在此基础上先尝试根据闽清实际土地利用类型确定地表参数， 并根据预测结果判断其适用性. 在扇区设置时， 将闽清分为4个扇区， 根据各扇区实际土地利用分类结果(分为草地、 林地、 水体、 建筑用地、 耕地5类)， 以各土地利用类型占比乘以其对应地表参数值后相加的方式分别计算各扇区需要输入模型的地表参数值. 该组参数列于表1. 运行后得到闽清台山SO2各月平均质量浓度的预测值与监测值, 比较结果见表2.

由表2可知， 使用该组地表参数得到的预测结果误差较大， 有6个月的FB值超出正负0.5范围； 经计算， 本组参数的FB值平均值为0.440，Z值为0.000 621. 初步判断该组参数对于闽清县的适用性较差， 具体是否选择其作为本研究使用的参数， 将在与后续参数试验结果比较后做出结论.

表1 根据闽清县土地利用类型确定的地表参数

表2 台山SO2各月平均质量浓度的预测值与监测值及对应FB值

2.4.2 不分扇区调整地表参数

尝试不设置扇区分类， 仅设一个扇区进行模拟， 每次模拟自行对地表参数进行调整， 从而展开试验， 寻找合适参数组， 在此之前需先了解各地表参数对预测结果的影响趋势及程度.

2.4.2.1 各地表参数对预测结果影响趋势及程度

参照2011年丁飒等[9]关于地表参数的设置对AERMOD模型预测结果影响的研究， 以一组模型配套的地表参数为起始组(反照率春夏秋冬分别为： 0.12、 0.12、 0.12、 0.35； 波文比春夏秋冬分别为： 0.70、 0.30、 0.80、 1.50； 地表粗糙度全年为1.30)， 固定两个参数不变， 按照-60%、 -30%、 +30%、 +60%的比例分别单独改变反照率、 波文比、 地表粗糙度的值， 研究各组参数下的FB值平均值以及Z值并比较它们的大小及变化程度， 了解3个参数对预测值的影响趋势和程度. 具体结果见表3.

由表3可以直观地看出各个参数对预测结果的影响, 并得出以下结论： 在影响趋势上， 增大反照率或减小波文比及地表粗糙度将减小SO2预测偏差. 在影响程度上， 从高到低依次为地表粗糙度>反照率>波文比， 其中地表粗糙度的影响程度相较其余二者尤为显著.

表3 各参数变化对应的Z值及FB均值

2.4.2.2 确定下一步调整的起始参数组

结合2.4.2.1中结果， 初步认为反照率、 波文比、 地表粗糙度按分别+30%、 -30%、 -30%(反照率春夏秋冬分别为： 0.16、 0.16、 0.16、 0.46； 波文比春夏秋冬分别为： 0.49、 0.21、 0.56、 1.05； 地表粗糙度全年： 0.91)的比例调整后得到的参数组相较起始组所得到的预测误差更小， 记为A方案. 同时参考模型预设参数值的取值范围， 认为A方案的取值能够维持在参数值的合理范围之内. 故试运行A方案， 所得预测结果见表4.

由表4可知, 在A方案下， 共有9个月的FB值满足精度要求； 且1、 2、 12月的FB值在0.1左右， 误差值已在较小水平.A方案所得FB值平均值为0.373，Z值为0.000 504， 相比起始组误差减小较为客观. 综上， 认为可将A方案作为下一步调整的起始参数组， 后续针对误差较大的月份进行个别季节参数调整.

表4A/B方案下台山SO2各月平均质量浓度的预测值与监测值及对应FB值

Tab.4 Predicted/observed SO2monthly mean mass concentrations and FB values of Taishan under A/B scheme

A方案时间ρ监测值/mg·m-3ρ预测值/mg·m-3FB值B方案时间ρ监测值/mg·m-3ρ预测值/mg·m-3FB值1月0．0170．0170．0001月0．0170．0170．0002月0．0190．0160．1712月0．0190．0160．1713月0．0190．0100．6213月0．0190．0120．4524月0．0210．0120．5454月0．0210．0130．4715月0．0190．0120．4525月0．0190．0140．3036月0．0190．0100．6216月0．0190．0120．4527月0．0190．0120．4527月0．0190．0140．3038月0．0190．0120．4528月0．0190．0130．3759月0．0190．0130．3759月0．0190．0150．23510月0．0200．0130．42410月0．0200．0150．28611月0．0190．0150．23511月0．0190．0170．11112月0．0170．0150．12512月0．0170．0150．125

2.4.2.3 根据季节调整参数

在AERMOD模型中， 3-5月为春季， 6-8月为夏季， 9-11月为秋季， 12-2月为冬季. 由表4可知在A方案下春夏秋3季的预测误差较大， 故针对春夏秋3季单独调整地表参数. 根据节2.4.2.1中结论， 具体调整方法为： 以A方案春夏秋各季的地表参数为起始值， 按反照率每次增加5%、 波文比和地表粗糙度每次减小5%的比例设置参数并输入模型运行， 直至各个月份的FB值均能满足正负0.5的范围为止， 从而得出最终所使用的地表参数组(记为B方案).B方案的预测结果见表4.

由表4可知， 在B方案下各月预测值的FB值均满足要求， 其FB值的平均值为0.274，Z值为0.000 306. 对于B方案的适用性， 将在下节中统一讨论.

2.4.3 确定建模参数组

表5 B方案地表参数值

节2.4.1中根据土地利用分类设置的地表参数组， 能明显看出其模拟误差较大， 可判断其不适合作为本研究的模型参数. 节2.4.2中经多个步骤确定的B方案， 通过比较， 其FB值及Z值均为所有研究参数组误差值中的最小值. 故选择B方案作为待检验的建模参数组.B方案各参数值见表5.

运行B方案， 得到闽清榕院点位SO2月平均质量浓度的预测值与实际监测值, 比较结果见表6. 由表6可知， 使用B方案模拟出的闽清榕院SO2预测值与监测值之间的FB值均满足精度要求. 经计算， 其FB值平均值为0.237，Z值为0.000 260. 在前述研究过程中， 实际上同时也运行了榕院点位， 经过逐一计算比较后可知， 前述两个数值也均为所有研究参数组误差值中的最小值. 综上， 可认为B方案参数组能够满足AERMOD模型模拟精度要求， 对闽清的SO2实际情况具有较好的适用性， 确定作为本研究所使用的地表参数组. 至此， 完成闽清县AERMOD模型建模工作.

表6 榕院SO2各月平均质量浓度的预测值与监测值及对应FB值

3 结果与讨论

3.1 闽清县SO2污染现状及空间分布

根据AERMOD模型模拟结果， 闽清县SO2小时、 日、 年平均质量浓度的空间分布情况见图2. 同时做出SO2各平均质量浓度达标分布情况见图3， 图中红色部分为质量浓度超过环境空气质量二级标准的区域， 蓝色部分为质量浓度介于一、 二级标准的区域， 剩余部分为质量浓度达到一级标准的区域， 借助ArcGIS软件测算出各颜色区域面积， 结果列于表7， 区域SO2主要指标见表8.

图2 闽清县SO2小时、 日、 年平均质量浓度分布图Fig.2 Spatial distribution of SO2 1-hour/1-day/ annual average mass concentration in Minqing

图3 参照标准值的SO2小时、 日、 年平均质量浓度分布图Fig.3 Spatial distribution of SO2 1-hour/1-day/ annual average mass concentration in Minqing compared with standard values

表7 闽清县SO2小时、 日、 年均值各空气质量浓度面积分布情况

表8 区域SO2质量浓度主要指标

综上可知闽清县SO2污染现状及空间分布情况. 从区域上看， 闽清县SO2现状质量浓度未能达到环境空气质量二级标准的乡镇主要分布在闽清县中部工业企业较为集中的区域， 以白中镇、 白樟镇最为严重， 此外还包括周围金沙、 云龙、 梅城、 梅溪、 坂东等几个乡镇. 从季节分布上看， 参照目前AERMOD模型能够得到的预测结果， 认为初冬至初夏， 尤其冬季的SO2污染较为严重.

3.2 企业煤改天然气情景模拟结果分析

根据闽清县大气污染综合整治规划， 针对49家主要企业煤改天然气后的SO2空间分布情况进行了模拟分析， SO2源强计算采用排污系数法， AERMOD模型其余参数设置同现状模拟.

根据模型模拟结果， 列出煤改天然气前后SO2各平均质量浓度最大值及二级标准占标率比较,见表9.

表9企业煤改天然气前后SO2小时、日、年平均质量浓度最大值及占标率

Tab.9 Comparison of SO2mass concentration,before and after the implementation of teh project of changing fuel from coal to natural gas

模拟情景ρSO2小时平均最大值/mg·m-3二级标准占标率%ρSO2日平均最大值/mg·m-3二级标准占标率%ρSO2年平均最大值/mg·m-3二级标准占标率%改气前闽清县空气现状1．400280．00．232155．00．100167．0企业煤改天然气后0．08416．80．03020．00．01423．3减少比例/%94．087．186．0

由模拟结果可知， 煤改天然气后SO2质量浓度较高的区域为白中镇及白樟镇， 同时包括金沙、 云龙、 梅城、 池园等乡镇的部分区域， 与现状分析中得到的SO2空间分布情况一致. 由表9可知， 煤改天然气后SO2各平均质量浓度均有大幅度下降， 全境内SO2质量浓度均未出现超标情况， 并且能够达到环境空气质量一级标准. 综上， 对所有企业实行煤改天然气措施， 能够在很大程度上降低区域SO2质量浓度， 改善区域环境空气质量.

4 结语

反照率、 波文比、 地表粗糙度3个地表参数均会对模型预测结果产生影响. 在趋势上， 增大反照率、 减小波文比及地表粗糙度能够增大SO2的预测质量浓度； 在程度上， 从高到低依次为地表粗糙度>反照率>波文比， 其中地表粗糙度的影响程度相较其余二者尤为显著.

研究发现， 根据实际土地利用类型及模型配套地表参数得到的预测结果误差较大， 模拟精度不高， 建议后续展开类似研究时可以考虑结合区域实际情况自行调整地表参数. 并且在调整参数的过程中， 可以使用FB值及参数估计的最优化方法作为有效的参数适用性评价手段.

根据现状模拟可知， 闽清县SO2现状质量浓度未能达到环境空气质量二级标准的乡镇主要分布在闽清县中部， 以白中镇、 白樟镇最为严重， 此外还包括周围金沙、 云龙、 梅城、 梅溪、 坂东等几个乡镇. 这一块区域工业企业较为集中， 分布密集， 并且多以峡谷地形为主， 扩散条件较差， 大气污染物容易聚集. 根据这一结论， 闽清县后续的产业发展应遵循“统一规划， 合理布局”的思路， 按照产业发展规划， 加强区域土地利用的总体、 村镇规划， 以规划作为引导实现产业空间布局的优化， 同时对现有资源进行合理的配置与利用， 引导处在环境敏感区的工业企业转移至环境非敏感区域， 逐步实现合理布局.

根据模拟结果， 闽清县49家企业实施煤改天然气措施后， SO2小时、 日、 年平均值分别减少了94.0%、 87.1%、 86.0%， 全境内SO2质量浓度均未出现超标情况， 并且能够达到环境空气质量一级标准. 这一措施能够在较大程度上降低区域SO2质量浓度， 改善区域环境空气质量.

[1] 刘桂芳， 潘文斌． 大气扩散模型AERMOD与CALPUFF输入数据的对比研究[J]． 环境科学与管理， 2014， 39(9)： 93-96．

[2] 苏彬彬， 刘心东， 陶俊． 华东森林及高山背景区域SO2、 NOx、 CO本底特征[J]． 中国环境监测， 2013， 29(6)： 15-21．

[3] 程声通． 环境系统分析教程[M]． 北京： 化学工业出版社， 2006．

[4] ROOD A S． Performance evaluation of AERMOD， CALPUFF， and legacy air dispersion models using the winter validation tracer study dataset[J]． Atmospheric Environment， 2014， 89(2)： 707-720．

[5] MOHAN M， BHATI S， SREENIVAS A，etal． Performance evaluation of AERMOD and ADMS-Urban for total suspended particulate matter concentrations in megacity delhi[J]． Aerosol and Air Quality Research， 2011， 11(7)： 883-894．

[6] COX W M， TIKVART J A． A statistical procedure for determining the best performing air quality simulation model[J]． Atmospheric Environment， 1990， 24(9)： 2 387-2 395．

[7] 丁峰， 李时蓓， 赵晓宏， 等． 修订版大气导则与现行大气导则推荐模式实例对比验证分析[J]． 环境污染与防治， 2008， 30(8)： 101-104．

[8] HENDRICK E M， TINO V A， HANNA S R，etal． Evaluation of NO2predictions by the plume volume molar ratio method(PVMRM)and ozone limiting method(OLM) in AERMOD using new field observations[J]． Atmospheric Environment， 2013， 63(7)： 844-854．

[9] 丁飒， 丁业， 孔杉． 地表参数对AERMOD模型预测浓度精确度的影响[J]． 安徽农业科学， 2011， 39(34)： 21 221-21 223．

(责任编辑： 洪江星)

ApplicationofAERMODmodelinthestudyofsulfurdioxidespatialdistributionpatternatcountyscale

FU Shijie1， PAN Wenbin1， ZHENG Peng1, LIU Guifang2

(1. College of Environment and Resources， Fuzhou University， Fuzhou， Fujian 350116， China；2. Bureau of Housing and Urban-Rural Development of Yong’an City， Yong’an， Fujian 366000， China)

Based on the meteorological, topographical and pollution sources data and application of the fractional bias and optimization method for parameter estimation, this thesis had studied the influence and tendency of three land surface parameters (bowen ration, albedo and land surface roughness) setting on predicting results of AMS/EPA REGULATORY MODEL(AERMOD). On the basis of land surface parameters calibration, the AERMOD model was established at Minqing County scale. In addition, the SO2pollution situation and spatial distribution pattern in Minqing County were analyzed by AERMOD and the SO2spatial distribution maps were given. At the same time, according to the air pollution prevention and control planning of Minqing County, the project of changing fuel from coal to natural gas was put forward and the scenario simulation was conducted. The results of the thesis can provide a reference for the application of AERMOD, atmospheric environmental assessment and pollution prevention and control in local scale.

AERMOD； SO2； land surface parameter； spatial distribution pattern; Mingqing County

X511

A

10.7631/issn.1000-2243.2017.04.0598

1000-2243(2017)04-0598-07

2016-06-15

潘文斌(1973-)， 副教授， 主要从事流域与区域环境管理、 规划以及流域生态学方面的研究， WenbinPan@fzu.edu.cn

福建省自然科学基金资助项目(2012J011719); 福州大学科技发展基金资助项目(2013-XY-10); 福州大学科研启动基金资助项目(0060510028)