长江三角洲冬季电厂排放对大气污染的影响

沙 桐,马晓燕,王健颖,贾海灵,胡亚男,田 蓉,管奇坤,李若琳



长江三角洲冬季电厂排放对大气污染的影响

沙 桐,马晓燕*,王健颖,贾海灵,胡亚男,田 蓉,管奇坤,李若琳

(南京信息工程大学气象灾害教育部重点实验室,气候与环境变化国际合作联合实验室,气象灾害预报预警与评估协同创新中心,中国气象局气溶胶与云降水重点开放实验室,江苏 南京 210044)

分析了长江三角洲地区电厂排放的基本特征并利用WRF-Chem模拟冬季大气污染状况,研究了冬季电厂排放主要污染物的特征及其对空气质量的影响,结果显示,长三角电厂排放的主要大气污染物为SO2、NO及PM2.5,2010年排放量可分别达到826.8、1475.6和137.3Gg,分别占长三角地区人为源总排放量的34%、38%和14%.冬季主要大气污染物(SO2、NO2、PM2.5)浓度高值区分布在南京-上海,杭州-宁波一带.电厂对SO2浓度贡献量(率)的空间分布与SO2排放的空间分布较为一致,而NO2、PM2.5,其贡献量(率)的高值区主要分布在安徽、浙江和江西的交界处以及浙江省的东海岸.相对SO2、NO2,电厂对PM2.5贡献量(率)较低,各地均在20μg/m3(15%)以下.污染时期电厂排放对模拟的PM2.5和SO2贡献率(6.9%、34.2%)较清洁时期(4.9%、20.7%)大,而对于NO2,清洁和污染时期的贡献量没有明显差别,均在10μg/m3左右.冬季气温低、风速小及边界层高度低的特征不利于低层污染物的扩散,易导致重污染事件的发生.

长江三角洲；电厂排放；大气污染物；PM2.5

火力发电所需的燃煤排放是我国大气污染的主要来源之一,目前我国每年火力发电需要的煤炭消耗总量超过8亿t,其中电厂产生的烟尘排放约占全国工业烟尘排放量的35%,而火电厂SO2排放约占全国工业SO2排放量的46.1%[1].长江三角洲地处我国经济最为活跃的东部沿海地区,快速的经济发展和人口增长,以及由此产生的大量能源消耗,使其环境污染呈现出新特点,即由传统的煤烟型污染转向以PM2.5和污染气体(O3、SO2、NO)形成的复合型污染,同时对颗粒物污染有重要贡献的源类也日趋增多[2-7].由于火力发电作为重要的大气污染排放源,对污染气体(SO2、NO)和颗粒物(PM2.5、PM10)的一次排放均有重要的贡献,而且污染气体作为前体物,又可以通过化学反应过程生成二次颗粒物,因此一直是大气环境研究的重点.伯鑫等[8]利用CALPUFF模型研究了不同减排情景下2011年京津冀地区火电企业排放对当地大气污染的影响.薛文博等[9]利用WRF-CAMx定量模拟了全国火电行业主要污染物排放对全国城市空气质量的影响,发现在空气污染越严重的地区(京津冀鲁豫、长三角、成渝地区),火电排放对污染贡献率越低,其中对PM2.5年均浓度的贡献率低于8%.胡亚男等[10]利用WRF-Chem研究了不同排放源对华东地区PM2.5的影响,结果表明火电源对PM2.5影响的季节差异不大,且贡献量约为10%.

但在冬季,由于居民采暖需要更多的能源消耗,会导致更强的污染物排放,加之稳定的大气层结以及边界层逆温的频繁出现,雾霾事件发生的频次远高于其他季节[11-13].据统计,仅2015年1月南京市就出现了18个污染天,其中重度污染5d,严重污染日1d[14],而目前针对火电排放对冬季大气污染影响的研究较少,本文将首先分析长三角地区冬季电厂排放主要污染物特征,并利用区域气象-化学耦合模式WRF-Chem模拟2015年冬季大气污染物的浓度以及电力排放对相对清洁时期和污染时期污染物贡献的差异,讨论影响该地区大气污染的主要因素.

1 电厂排放

1.1 排放源介绍

本研究使用的排放源清单来源于清华大学开发的中国多尺度排放清单模型(MEIC)[15],文中所用为2010年的排放源(MEIC10).清单中污染物主要来源于工业、民用、电力、交通和农业5个大类,提供10种主要大气污染物和温室气体(SO2、NO、CO、NMVOC、NH3、CO2、PM2.5、PM10、BC和OC)以及700多种人为排放源,有不同空间分辨率(0.25、0.5和1.0度)的逐月网格化排放清单可供选择.本文模拟使用了0.25°×0.25°分辨率的月排放资料,数据可从http://www.meicmodel. org/获得.

1.2 人为源排放总量

表1中,从排放总量来看,CO排放总量较其他污染物排放多,其主要来源为工业排放,达到8142.2Gg/a,占年CO总排放的54%,工业生产需要大量煤燃料,燃料不完全燃烧时会排放出大量CO,因此CO工业排放量较大.电厂排放CO为302Gg/a,仅占到CO年总排放的2%.其次是NO及VOC排放,其年总排放量分别达到了3856.6,3750.5Gg/a,工业排放NO与电厂排放NO总量相当,均占年总排放量的38%.交通排放NO达到了工业排放的一半,占总NO总排放量的22%,说明近年来汽车数量增加,其排放的污染物已经不可忽视.SO2及PM2.5的排放则主要为工业源,分别占总SO2和总PM2.5排放的62%和58%,电厂排放SO2及PM2.5分别占总排放量的34%和14%.

表1 MEIC10清单中长三角主要源排放的污染物年总量(Gg/a)

由图1可以看出,江苏省各种主要污染物排放量均为长三角两省三市之首.长三角作为全国最强的综合性工业基地,轻重工业都非常发达,工业排放在总排放中占比较大.上海市除NO以外,工业排放的污染物均超过总排放量的一半,而排放的NO占总排放量的37.8%.江苏和浙江工业排放SO2、CO、VOC和PM2.5超过总排放量的一半,而排放的NO2和BC都分别达到了总排放量的30%.另外,可以注意到电厂排放污染物在江苏和浙江占比较大,特别是SO2、NO的排放,均占总排放的30%以上.电厂排放的PM2.5也达到了总排放量的10%.而上海市电厂排放的SO2、NO2及PM2.5则相对较低,这是因为上海市电厂数量偏少,排放量较小,而江苏省和浙江省电厂分布密集,其排放的污染物占比也较高.

1.3 1月份电厂排放分布

从图2中可以看到,电厂排放污染物主要集中在苏南浙北一带,苏锡常镇江扬州一线电厂排放处于高值,SO2和NO最大排放量可达2.1Gg/月,PM2.5最大排放量可达450Tg/月,苏北地区电厂分布较少,因此其排放量也相对较小.另外,浙江省的宁波及杭州的电厂排放量与苏锡常一线相当,该区域工业发展水平高,人口密集,对于电力需求较大,相应的火电厂排放的污染物也较多.

图2 2010年1月份长三角电厂排放主要污染物分布

根据以上分析可知,电厂排放的主要污染物SO2、NO和PM2.5占人为源排放总量比例较高,由于雾霾的首要污染物为PM2.5,且霾发生时,二次无机气溶胶(硫酸盐,硝酸盐,铵盐)的占比会迅速上升[16-17],而SO2、NO2作为硫酸盐,硝酸盐的气态前体物,对其生成有重要贡献.

2 资料及方法

2.1 数值模拟

WRF-Chem[18]是由美国海洋和大气管理局、美国国家大气中心开发的耦合空气质量模式系统.由于该模式是气象和化学模式完全在线耦合,不仅可以在线模拟包括风速、温度、气压、以及云和降水等物理量的天气和气候,还可以模拟大气污染物在大气中经历的复杂物理过程和化学反应,因此该模式在区域空气污染研究方面有较多应用[19-22].气象模块和化学模块使用相同的垂直和水平坐标,次网格传输使用相同的物理参数化方案.

图3 模式区域设置

本研究采用2层嵌套模拟,第一、二层区域以长三角地区的南京为中心.如图3,第一层为中国东部地区,分辨率为27km,网格数为66´75,第二层覆盖长三角地区,分辨率为9km,网格数为109´124.模式垂直方向设置为30层,模拟时间为2015年1月1日~2015年1月30日.模拟采用美国国家环境预报中心(NCEP)1°´1°再分析资料FNL作为模式气象初始场,大气成分初始和边界场使用全球大气化学模式MOZART-4/GEOS5(the Model for Ozone and Related chemical Tracers, version 4)提供的1.9°´2.5°水平分辨率的实时预报结果[23].模式使用的主要参数化方案如表2所示.

表2 WRF-Chem参数化方案

2.2 观测资料

文中所用的大气污染物观测资料取自中国环境监测总站网站,时间分辨率为1h,选取南京、上海和杭州共3个站点的PM2.5数据.气象观测数据来源于气象信息综合分析处理系统(Meteorological Information Comprehensive Analysis and Process System),包括2m温度,10m风速风向,相对湿度时间分辨率为3h.站点分布如图4所示.

图4 模拟区域及站点分布

3 模式评估

3.1 气象场

气象要素是空气质量模式预报需要的关键输入场,其准确性将对预测结果有重要的影响,因此首先利用观测资料对气象场的模拟结果进行了评估和验证.由表3可以看出,该次模拟的温度与观测结果相关性较好,相关系数均超过了0.65,且都通过了99.9%的显著性检验.地面2m温度较观测值略偏高1℃,模拟的南京及杭州平均相对湿度略偏低,上海的相对湿度则偏高.相比于温度模拟效果,风速模拟结果相对较差,3个站点的平均风速模拟值较观测值明显偏高,其中南京风速模拟效果最好,相关系数达到0.64,而上海最差,相关系数仅有0.29.不过气象要素的模拟结果均在可接受范围.

表3 气象要素模拟结果

3.2 化学场

为了定量评估模拟结果的可靠性和准确性,文中使用标准化均方根误差(RMSE)、标准化平均偏差(NMB)、平均分数偏差(MFB)、平均分数误差(MFE)、一致性指数(IOA)以及相关系数()这6个统计指标对模拟结果进行验证.所用的计算公式表示为(其中相关系数的公式略去):

式中:为样本数;m、o分别为第个时次的模拟值和观测值.NMB反映的是模拟值与观测值的平均偏离程度.Boylan的研究发现[24],对于PM2.5的模拟,当MFB<±30%且MFE<50%时,模拟偏差很小;当MFB<±60%且MFE<75%时,模拟偏差在可接受范围.IOA为一致性指数,其范围在0~1之间,IOA等于1表示该次模拟与观测完全对应[25].表4给出了南京、杭州和上海模拟PM2.5站点月平均值及其相应的统计结果.从表中可以看出,长三角PM2.5月平均模拟值(89.9μg/m3)与观测值(92.2μg/m3)偏差较小,仅为-2.3μg/m3,相关系数R也较高,可达0.67并通过了99%的显著性检验,说明本次模拟能够比较好的抓住大气污染物的污染水平及变化趋势.根据Boylan的判断标准,该次模拟MFB为-9.4%,MFE为37.4%,因此模拟结果较为理想,可以用来分析污染物对于空气质量的影响.

从图5可以看出,长三角PM2.5浓度的变化趋势模拟较好,但是在污染时期(1月22号~1月26号),模拟值比观测偏低较多,这可能是由于有利的气象条件使得气态前体物迅速转化成二次气溶胶,而模式中二次气溶胶的形成机制不完善,导致低估PM2.5的浓度.很多研究均表明在重污染条件下,模式很难模拟出PM2.5浓度的峰值,且硫酸盐的模拟较观测偏低很多,SO2则高估很多[26-28],这主要是由于模式中缺失硫酸盐的非均相生成机制.同时由于目前使用的CBMZ/MOSAIC气溶胶化学方案无法模拟二次有机气溶胶(SOA),这也可能导致模拟的PM2.5浓度偏低.

由图6可以看出,模拟的PM2.5与观测值相关性较好,尤其对于清洁时期(即浓度低于75μg/m3)的PM2.5模拟较好,但是污染时期模拟的PM2.5与观测离散程度较大,这说明了模式对于重污染过程的模拟效果较差,可能与模式本身化学机制不完善以及排放清单的准确性有关.

表4 PM2.5质量浓度模拟结果统计

图5 长三角地区PM2.5浓度观测值与模拟值的时间序列对比

图6 模拟与观测PM2.5散点

4 结果与讨论

4.1 污染物月均浓度分布及电厂排放对污染物浓度的贡献

由图7可以看出,SO2及NO2浓度高值区主要分布在南京-上海、杭州-宁波一带,与电厂排放的SO2及NO空间分布较为一致.电厂对SO2浓度贡献量(率)的空间分布也与SO2排放的空间分布较为一致,高值区贡献量(率)超过100μg/m3(50%),但对南京、上海、杭州3个地区SO2的贡献量(率)较小,分别仅为22.5μg/m3(3.4%)、21.6μg/m3(8.4%)、5.4μg/ m3(0.5%),说明电厂排放虽对SO2的局地贡献有一定影响,但是这种贡献较小,主要是因为近年来电力行业脱硫设备的不断完善,大大减小了SO2的排放量,另一方面可能由于外源地区对本地污染物的输送,使得低估了本地电厂排放对SO2浓度的贡献.但依然需要注意电厂高架源排放的特点导致的近海岸SO2污染影响.而电厂对NO2贡献量(率)的空间分布与SO2不同,由于受高架排放的特点,即具有较强的输送和扩散能力,以及冬季北风的影响,高值区主要分布在安徽、浙江和江西的交界处以及浙江省的东海岸地区,且贡献量(率)超过40μg/m3(60%),说明对于化学性质较为活泼的污染物,电力行业排放对其下风向地区大气污染的影响更大.其中对南京、上海和杭州3个地区NO2的贡献量分别为3.8, 5.6, 11.4μg/m3,占总NO2浓度的9.2%, 7.6%, 22.3%.由于SO2及NO2为硫酸盐硝酸盐二次气溶胶的重要前体物,因此高浓度的SO2、NO2可促进局地的二次气溶胶转换[29],使得局地PM2.5浓度增加.可以看到PM2.5浓度高值区也主要分布在南京-上海一线,但是电厂对PM2.5贡献量(率)的高值区主要分布在浙江省南部以及东海岸地区,且贡献量(率)也相对较低,各地均在20μg/m3(15%)以下,其中对南京、上海和杭州贡献量(率)分别仅为6.5μg/m3(5.7%)、5.9μg/m3(6.7%)、3.4μg/m3(4.6%),该结论与杜晓惠等[30]对京津冀的研究结果相似,即电厂高架源的排放特征,对PM2.5的贡献量局地低于周边.

图7 模拟SO2、NO2、PM2.5月平均浓度,以及电厂排放对3种污染物月平均浓度的贡献量(μg/m3)和贡献率(%)

造成这一现象的原因,一方面由于通过关闭长三角地区电厂排放研究其对大气污染的影响,改变了气态前体物(SO2,NO2等)的浓度,而PM2.5与气态前体物浓度之间存在显著的非线性关系,因此这一变化可能对模拟的PM2.5影响不显著,并且其他人为源排放也可能会补偿这一贡献.另一方面,可能是由于忽略了长三角外源地区(例如:安徽省、山东省)电厂排放对本地PM2.5的影响,从而在一定程度上低估了长三角电厂排放对PM2.5的贡献量(率)[31].从电厂排放对SO2以及NO2、PM2.5贡献量(率)空间分布的不同,说明大气中以一次排放为主的污染物(例如:SO2)需要注意局地源对其的贡献,而对于生命期短(如:NO2)以及以二次生为主(如:PM2.5)的污染物来说,应注意远距离输送对其浓度的贡献.因此,电厂排放通过长距离输送造成的区域环境污染也同样不容忽视.

4.2 污染时期和清洁时期对比

选取模拟时段中一个相对清洁期(1月27日13:00~30日4:00)和相对污染期(1月8日18:00~11日23:00),具体分析这2个时间段里电厂排放对污染物浓度的影响以及气象要素对大气污染物的影响.由表5可以看出,这2个时段的平均气象要素和3种污染物浓度有很好的对比性.污染时期PM2.5, SO2,NO2平均浓度分别为184.5,168.5,82.9μg/m3,分别是清洁时期的10倍,14倍,2.6倍.且污染时期电厂排放对PM2.5和SO2的贡献率(6.9%,34.2%)均较清洁时期(4.9%,20.7%)大,说明污染时期不利的气象条件可能会抑制电厂高架源的排放,不利于污染物向下风向输送和扩散.而对于NO2,清洁和污染时期电厂排放的贡献量没有明显差别,均在10μg/m3左右.对于气象要素,清洁时期平均相对湿度、风速和边界层高度均高于污染时期,因此不利的气象条件和二次气溶胶的生成共同作用共同促进了此次重污染的形成.

表5 清洁与污染时期气象特征与污染物特征

图8对比了清洁时期和污染时期PM2.5浓度与地面风速、边界层高度之间的关系.由于风速的大小直接影响污染物的扩散,低风速不利于污染物的水平扩散和传输,从而易造成局地污染物的堆积,形成重污染过程[32].可以看到清洁时期的平均风速(5.9m/s)明显高于污染时期(2.0m/s),同时PM2.5浓度也相对较低,且这一时期PM2.5随风速有略微增大的趋势,这可能是因为该时期的主导风向为偏北风,风速的增大将北方的污染物远距离传输到长三角地区.而污染时期当风速小于2.0m/s时,PM2.5随风速没有明显变化且维持较高浓度水平,当风速大于2.0m/s时,PM2.5浓度随风速有略微减小的趋势,这也说明了污染向清洁转变的过程,风速的增大对污染物的扩散起到了一定作用,该结论与蒋伊蓉等人对京津冀地区重污染过程中大气扩散及气象条件的研究一致[33].

图8 污染和清洁时期PM2.5浓度与风速关系及风速与边界层高度关系

对比清洁和污染时期的边界层高度、风速及PM2.5浓度之间的关系(如图8(b)),可以看到,PM2.5高浓度水平一般出现在边界层高度低(216.5m),地面风速小(2.0m/s)的条件下,而PM2.5低浓度水平则出现在边界层高度高(552.0m),地面风速大(5.9m/s)的情况下,这是因为边界层严重影响大气污染物在垂直方向上的扩散,当边界层高度偏低时,在本地排放源一定的情况下,边界层内污染物将很难有效扩散,若此时地面风速也偏低,大气水平扩散能力弱,那么污染物将会持续堆积增加,最终形成重污染天气[34].当然,污染物浓度的持续增加,又会进一步抑制大气的扩散能力,使得空气污染进一步加重.另外,冬季平均气温较低,大气层结更稳定,低层大气更不容易通过垂直混合作用将污染物输送到上部,因此,冬季污染物浓度通常高于其他3个季节.尽管电厂排放对SO2,NO2,PM2.5贡献率相对较小,但由于冬季气象条件的特殊,电力行业高架源排放的特点,还应该重视电厂排放通过长距离输送造成的区域环境影响.

5 结论

5.1 长三角电厂排放污染物主要为SO2、NO2及PM2.5,年总排放量可分别达到826.8,1475.6和137.3Gg,分别占总排放量的34%、38%和14%.电厂排放的污染物主要集中在苏南浙北上海一带,该区域工业发展水平高,对于电力需求较大,相应火电厂排放的污染物也较多,其排放的SO2、NO2达到总排放量的30%以上,PM2.5也达到了总排放量的10%.

5.2 长三角冬季主要大气污染物(SO2、NO2、PM2.5)浓度高值区分布在南京-上海、杭州-宁波一带.电厂对SO2浓度贡献量(率)的空间分布与其排放的SO2空间分布较为一致,而对于NO2、PM2.5,其贡献量(率)的空间分布与SO2不同,受高架源排放的特点以及冬季北风的影响,高值区主要分布在下风向地区,即安徽,浙江和江西的交界处以及浙江省的东海岸.相对SO2、NO2,电厂排放对PM2.5贡献量(率)较低,各地均在20μg/m3(15%)以下.

5.3 污染时期电厂排放对PM2.5和SO2浓度的贡献率(6.9%、34.2%)均大于清洁时期(4.9%、20.7%),而对于NO2,清洁和污染时期电厂排放的贡献量没有明显差别,均在10μg/m3左右.冬季气温低、风速低及边界层高度低的特征不利于低层大气污染物的垂直扩散,使得污染物在近地面堆积,容易造成重污染.

[1] 鲁 兴.燃煤电厂排放颗粒物对大气污染的监测与危害研究 [D]. 郑州:郑州大学, 2005.

[2] 包 贞,冯银厂,焦 荔,等.杭州市大气PM2.5和PM10污染特征及来源解析 [J]. 中国环境监测, 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,李兴华,谭吉华,等.北京冬季大气颗粒物数浓度的粒径分布特征及来源 [J]. 环境科学研究, 2009,22(10):1134-1140.

[7] 李令军,李金香,辛连忠,等.北京市春节期间大气污染分析 [J]. 中国环境科学, 2006,26(5):537-541.

[8] 伯 鑫,王 刚,温 柔,等.京津冀地区火电企业的大气污染影响 [J]. 中国环境科学, 2015,35(2):364-373.

[9] 薛文博,许艳玲,王金南,等.全国火电行业大气污染物排放对空气质量的影响 [J]. 中国环境科学, 2016,36(5):1281-1288.

[10] 胡亚男,马晓燕,沙 桐,等.不同排放源对华东地区PM2.5影响的数值模拟 [J]. 中国环境科学, 2018,38(5):1616-1628.

[11] 马雁军,刘宁微,王扬锋.辽宁冬季城市空气质量分布状况综合研究 [J]. 气象与环境学报, 2007,23(3):15-18.

[12] 马雁军,王江山,王扬锋,等.辽宁中部城市群可吸入颗粒物PM10和PM2.5的污染特征研究 [J]. 气象与环境学报, 2008,24(5):11-15.

[13] 王扬锋,左洪超,马雁军,等.应用Models-3模式系统对沈阳市空气质量的数值模拟研究 [J]. 环境科学学报, 2007,27(3):487-493.

[14] 南京市气象局.南京市2014年1月气候影响评价[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] 黄怡民,刘子锐,陈 宏,等.北京夏冬季霾天气下气溶胶水溶性离子粒径分布特征 [J]. 环境科学, 2013,34(4):1236-1244.

[30] 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.

[31] 薛文博,王金南,韩宝平,等. PM2.5输送特征与环境容量模拟[M]. 北京:中国环境出版社, 2017:119-146.

[32] 陈 静,钤伟妙,韩军彩,等.石家庄市秋季典型天气背景下重污染特征分析 [J]. 气象与环境学报, 2015,31(4):42-50.

[33] 蒋伊蓉,朱 蓉,朱克云,等.京津冀地区重污染天气过程的污染气象条件数值模拟研究 [J]. 环境科学学报, 2015,35(9):2681-2692.

[34] 杜川利,唐 晓,李星敏,等.城市边界层高度变化特征与颗粒物浓度影响分析 [J]. 高原气象, 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,陕西西安人,南京信息工程大学硕士研究生,主要从事空气质量数值模拟.

2018-01-13

国家自然科学基金资助项目(41675004,41475005);江苏省六大人才高峰项目(2014JY019)

* 责任作者, 教授, xma@nuist.edu.cn