北京夏季近地面臭氧及其来源的数值模拟研究

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-31

赵芸程^1,2, 李杰^1,3, 杜惠云^1,2, 王辉⁴, 王自发¹, 杨文夷¹, 吴其重⁴
1. 中国科学院大气物理研究所大气边界层物理与大气化学国家重点实验室, 北京 100029;
2. 中国科学院大学, 北京 100049;
3. 中国科学院城市环境研究所区域大气环境研究卓越创新中心, 厦门 361021;
4. 北京师范大学全球变化与地球系统科学研究院, 北京 100875
收稿日期: 2018-12-28; 修回日期: 2019-02-12; 录用日期: 2019-02-12
基金项目: 国家自然基金重大国际合作与交流项目（No.41571130034）；国家自然基金重大研究计划重点项目（No.91744203）
作者简介: 赵芸程(1992-), 女, E-mail:zhaoyuncheng@mail.iap.ac.cn
通讯作者（责任作者）: 李杰(1980—), 男, 研究员, 博士生导师, 研究方向为区域二次污染的形成机理和大气环境数值模式研制等.E-mail:lijie8074@mail.iap.ac.cn

摘要: 高浓度的近地面臭氧一直是北京夏季面临的主要污染问题，本文利用自主发展的空气质量数值模式WRF-NAQPMS（Weather Research and Forecasting Model-Nested Air Quality Prediction Modelling System）以及生物源排放模式MEGAN（Model of Emission of Gases and Aerosols from Nature），数值模拟了2017年6月华北区域臭氧的时空分布，评估了生物源排放可挥发有机物对臭氧的影响，并对北京臭氧的关键源区和形成时间进行量化解析.结果发现：NAQPMS（Nested Air Quality Prediction Modelling System）模式合理再现了北京及其周边臭氧的时空演变规律，特别是生物源的加入有效改善臭氧浓度的模拟效果.生物源对北京6月臭氧浓度月均值的贡献为4%~6%，对最大1小时浓度的贡献最高可达8%以上.源解析结果发现，本地当天排放的臭氧前体物对北京城区浓度影响最大，对最大1小时浓度和8小时移动平均浓度的贡献达到50.2%和45.4%，远高于1~2天前排放污染物的影响.河北对北京的影响主要集中在当天和1天前排放的污染物，对最大1小时浓度的贡献分别为7.9%和6.5%.河南和山东对北京城区最大1小时浓度的贡献较小，分别为2.4%和3.7%，且主要为1~2天前排放的污染物在区域输送过程中的化学反应所贡献.对于北京区域平均来讲，本地的贡献率较城区明显偏小，河北的贡献显著增加，这也说明北京市臭氧来源的空间不均匀性较大.北京地区生成的臭氧沿怀柔区向北输送，到达承德市西侧，对月均值的贡献达到20~30 μg·m^-3.
关键词:北京臭氧生物源源解析区域输送
Numerical simulation of near-surface ozone and its sources in Beijing in summer
ZHAO Yuncheng^1,2, LI Jie^1,3, DU Huiyun^1,2, WANG Hui⁴, WANG Zifa¹, YANG Wenyi¹, WU Qizhong⁴
1. State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry, Institute of Atmospheric Physics Chinese Academy of Sciences, Beijing 100029;
2. University of Chinese Academy of Sciences, Beijing 100049;
3. Center for Excellence in Urban Atmospheric Environment, Institute of Urban Environment, Chinese Academy of Sciences, Xiamen 361021;
4. College of Global Change and Earth System Science, Beijing Normal University, Beijing 100875
Received 28 December 2018; received in revised from 12 February 2019; accepted 12 February 2019
Abstract: High near-surface ozone has been the main pollution problem in Beijing during the summer. This study employed the self-developed Nested Air Quality Prediction Modeling System (NAQPMS) and the model of Emission of Gases and Aerosols from Nature (MEGAN) to numerically simulate the spatial and temporal distribution of ozone in North China for June 2017. The impact of volatile organic compounds emitted by biological sources on ozone was evaluated, and the key source areas and formation time of Beijing ozone were quantified. The results show that the NAQPMS model reasonably reproduces the temporal and spatial evolution of ozone in Beijing and its surrounding areas. Particularly the added biological sources effectively improved the model skill on ozone concentration. The contribution of biological sources to Beijing's monthly average ozone concentration in June was 4%~6%, and the contribution to the maximum 1-hour concentration is up to 8%. The source apportionment of ozone found that the ozone precursors emitted on current day had the greatest impact on the concentration of ozone in Beijing urban area, and contributed 50.2% and 45.4% to the maximum 1-hour concentration and 8 hour moving average concentration, which was much higher than the influence of emissions before 1~2 days. The impact of Hebei on Beijing mostly came from the chemical transformation of emissions on the current day and one day ago, contributing 7.9% and 6.5% to the maximum 1-hour concentration, respectively. Henan and Shandong contributed less to the maximum 1-hour concentration in the urban area of Beijing, 2.4% and 3.7%, respectively. For the Beijing area on average, the local contribution was significantly smaller than that of the urban area, while the contribution of Hebei significantly increased. This indicates the highly spatial heterogeneity of ozone sources in Beijing. The ozone generated in the Beijing area was able to be transported northward along the Huairou area to the west side of Chengde City, contributing 20~30 μg·m^-3 to the monthly mean.
Keywords: Beijingozonebiological sourcesource analysisregional transport
1 引言(Introduction)高浓度的臭氧一直是各国城市和工业区的主要空气质量问题.随着中国化石燃料消费在过去30年中的迅速增长, 形成臭氧的化学前体物排放在急剧增加, 超过了北美和欧洲的水平, 臭氧已经成为对空气质量影响很大的污染物种(Wang et al., 2016).已有的研究(Lu et al., 2010)认识到, 近地面高浓度的臭氧主要是通过前体物在光照条件下发生光化学反应产生的, 包括人为和生物排放的NO_x(NO+NO₂)和VOCs(volatile organic compounds), 但光化学臭氧的产生速率和前体物又是非线性的关系, 因此形成原因较为复杂.中国较早开始臭氧污染研究的三大区域为京津冀、珠三角和长三角地区, Xu等(2007)利用卫星资料分析了长三角地区的对流层臭氧, 发现对流层臭氧浓度持续上升, 珠三角地区, NO₂水平较高, VOCs的区域平均浓度夏季为290×10^-9, 同时Shao等(2009)认为当地的排放和污染物的长距离输送在VOCs的区域分布中起着重要作用, 大气环境中臭氧的产生在其城市地区和城市的下风向地区都有十分重要的影响, 王占山等(2014)研究发现北京市近年来随着人口的增长以及机动车保有量的增加, 臭氧污染的问题愈发严重.2013—2014年京津冀的O₃污染水平远高于全国平均水平, 成为全国O₃污染最严重的区域之一, 且有加重趋势(潘本锋等, 2016).北京市的臭氧污染是十几年来影响北京夏季空气质量的重要因素(http://www.bjpc.gov.cn/fzgh_1/guihua/12_5/12_5_zx/12_5_yb/125_yb_csjs/201108/P020111022163751886227.doc).Wang等(2006)在2005年6月和7月对北京市中心以北50 km的农村地区进行了6周的实地测量, 并经常观测到小时O₃接近200×10^-9, 最高值为286×10^-9, 是标准浓度的2.8倍左右.即使在北京奥运会排放控制的前两周内, 北京城区的小时臭氧混合比率也在160×10^-9~180×10^-9范围内(Wang et al., 2010).Zhang等(2014)表明在北京地区2005—2011年期间, 尽管NO_x和VOCs在同一时期呈下降趋势, 但在夏季期间臭氧仍以每年(2.6±0.9)×10^-9的速度增加.且大气臭氧柱增加集中在0~3 km高度上, 主要是光化学反应造成(Wang et al., 2012).王雪松等(2009)研究表明夏季北京一般受偏南风控制, 城近郊区的高浓度臭氧主要来自本地源排放前体物的贡献, 大约占了46%, 而位于下风向的定陵则受城市输送的影响, 城近郊区的贡献可达55%, 其次北京市南部区县、天津市、河北省的排放均对北京市城近郊区的高浓度臭氧有重要贡献.Streets等(2007)认为在重污染事件中区域外输送可达35%~65%.王雪松等(2003)研究发现北京市城近郊区的各类源排放中, 流动源对臭氧生成贡献最大.量化来看, 移动源占了31.6%, 工业源占了20%, 点源占了13%, 生物源占了12%(Wang et al., 2009).
尽管自然源的排放总占比不大, 但在夏季BVOCs(Biogenic volatile organic compounds)的排放量远高于其他季节, 对夏季臭氧的模拟有很重要的作用, 但关于生物源对臭氧浓度贡献的研究多是针对我国南方地区, 对北京地区的相关研究还较少.屈玉等(2009)模拟认为北方地区BVOCs与NO_x作用对臭氧的贡献峰值出现在夏季, Mo等(2018)研究表明在6月生物所排放的异戊二烯占总VOC排放的臭氧形成潜力的27.0%, 说明BVOCs对臭氧生成具有很重要的贡献.分析北京及周边地区BVOCs对臭氧生成的影响, 一方面能有效改善模式中对臭氧模拟低估的问题, 提升模拟效果, 另一方面有助于更加准确地分析该区域臭氧的来源, 为臭氧治理提供理论基础.
同时, 对2013—2017年的臭氧趋势进行简要分析后发现, 北京地区各个站点观测到臭氧浓度逐年增加, 夏季臭氧污染事件频发, 同时还发现臭氧峰值浓度出现的月份是逐年提前的, 2013年最大值出现在8月, 2014和2015年在7月, 2016和2017年出现在6月.因此, 本文主要利用MEGAN(Model of Emission of Gases and Aerosols from Nature)计算到的2017生物源排放结果结合清华的人为源清单, 利用自主研发的WRF-NAQPMS模式模拟2017年6月份京津冀地区地面臭氧的浓度变化, 分析生物源对臭氧生成的影响, 并解析北京地区臭氧来源贡献.
2 数据和方法(Data and methods)2.1 模式介绍利用WRF模拟了2017年6月京津冀地区的气象场作为NAQPMS的初始场驱动.针对北京夏季臭氧污染过程的模式数值模拟采用三层嵌套(图 1), 精度分别为27 km×27 km、9 km×9 km、3 km×3 km, 覆盖范围分别为中国地区、华北地区和京津冀地区.WRF模式的初边值条件由欧洲中心数据提供, 空间分辨率为0.75°×0.75°, 时间分辨率为6 h一次.WRF模式的行星边界层参数化采用QNSE方案, 一种TKE预测选项, 使用一个新的理论应用于稳定分层的区域, 白天部分使用具有浅对流的涡动扩散质量通量法.长波辐射采用RRTM方案, 考虑了多波段、痕量气体和微物理种类.短波辐射采用Goddard方案, 其是由Chou和Suarez发展的包含气候态臭氧和云效应的双束多波段方案.微物理过程采用Lin方案, 包含了云水、雨水、冰、雪、水汽.积云参数化采用Kain-Fritsch方案, 采用深、浅对流子网格方案的质量通量法和CAPE去除时间尺度法.陆面过程采用Noah方案, 考虑了植被和土壤类型以及月植被指数、地表辐射系数.
图 1(Fig. 1)

图 1 WRF模式模拟的三层嵌套区域 Fig. 1Three-layer nested area simulated by WRF mode

嵌套空气质量模式系统(NAQPMS)是由中国科学院大气物理研究所开发的一种完全模块化的三维区域欧拉化学传输模式(Li et al., 2013), 可用于臭氧、氮氧化物、一氧化碳等痕量气体以及沙尘、海盐、硫酸盐、硝酸盐、黑碳、有机碳等气溶胶成分的数值模拟, 研究尘埃、酸雨和二次污染物(臭氧和PM_2.5)的形成及其远距离迁移(Li et al., 2010；Wang et al., 2014).其水平空间分辨率可调, 主要取决于气象输入的空间分辨率, 而垂直方向采用球坐标下的地形追随高度坐标系, 分为20层, 模式顶为20 km.
NAQPMS模式中考虑的主要物理、化学过程均采用较为成熟且应用较广的参数化方案, 包括：平流输送与扩散过程、湍流扩散、干沉降过程、湿沉降过程、液相化学及云过程、气相化学过程、二次无机气溶胶及非均相反应、二次无机气溶胶及非均相反应(Wang et al., 2001；Wang et al., 2014).同时, NAQPMS耦合了污染源追踪和识别技术, 可以定量鉴定不同臭氧生成地区对北京的臭氧浓度的贡献(Li et al., 2009).O₃由其形成的地理位置进行标记, 顶部、侧部边界以及初始条件的O₃也被标记, 在排放处理过程中, 在线源标记模型将每个物种分类为不同的源(Li et al., 2008), 为了跟踪排放的空间来源, 模型中的每个单元具有特定的空间信息, 其中排放物被标记有空间ID, 对于时间源, 采用动态时间源标记方法, day0总是计入模型所模拟的“当前日”的排放贡献, 假设模拟在某天00:00时开始, 第一天00:00—24:00期间的排放被标记为day0, 当计算到第二天00:00, 在第二天00:00—24:00期间的排放被标记为day0, 而前一天则为day1, 以此类推, 模型能够在一次模拟运行中同时跟踪污染物空间源(Wu, 2012；Wu et al., 2017).目前, 它已广泛应用于北京、上海、广州等地环保局的日常运作中, 特别是, NAQPMS为北京奥运会、上海世博会和广州亚运会期间的空气质量保证做出了巨大贡献(Wu et al., 2010；Wang et al., 2014).
2.2 排放源设置本文模拟人为源采用的是以MEIC2016为基准的排放源, 空间分辨率为0.1°×0.1°, 排放类型分为5类, 包括25个物种.其中, 形成臭氧的重要前体物NO_x分布如图 2a所示, 高浓度区域主要集中在北京的城区, 以天坛和万寿西宫站点为中心, 沿东北和西南方向存在NO_x排放高值点.
图 2(Fig. 2)

图 2 排放源空间分布图 (a. NO_x, b. BVOCs, c. AVOCs) Fig. 2Spatial distribution map of emission sources

利用MEGAN模式在线计算出2017年6月份的生物源排放结果.根据BVOCs(生物挥发性有机化合物排放)浓度分布来看(图 2b), 北京三面环山, 植被覆盖率要高于南面, 主要排放区域集中在东北和西北方向, 6月排放总量约为20341 t.而AVOCs(人为挥发性有机化合物排放)排放主要分布在北京城区及其以南地区(图 2c), 排放总量约为1743 t, 多来自于移动源排放的碳氢化合物、油品储运与溶剂使用等(王雪松等, 2002).对比来看, BVOCs的排放量要高于AVOCs的排放量, 且差异达一个量级, 这对臭氧生成有很重要的影响.
同时, 华北地区5、6月份为小麦成熟的季节, 存在秸秆焚烧现象, 研究表明(Thompson et al., 1996；Langmann et al., 2009；钟方潜等, 2017)生物质燃烧所排放的CO、CH₄、有机碳氢化合物、NO_x对对流层臭氧的光化学形成有促进作用, 其对臭氧浓度有很大的影响, 因此排放清单中还加入了生物质燃烧的源.
3 结果和讨论(Results and discussion)3.1 气象要素模拟结果对比气象条件的模拟好坏对大气污染物的模拟起到十分重要的影响, 本文利用中尺度气象模式WRF对京津冀地区气象场进行模拟, 并将模拟结果输入空气质量模型NAQPMS作为驱动以模拟大气污染物的空间和时间变化.如图 3所示, 图中对比了6个站点的气象场模拟结果, 包括北京万寿西宫(a)、北京天坛(b)、北京古城(c)、北京怀柔(d)、天津继电器厂(e)、河北保定监测站(f), 其中模拟最优的为T, 其次为RH.表 1中所示, 6个站点T的观测和模拟的相关系数均达到了0.9以上, MB多数站点均在3 ℃左右, RMSE均在4 ℃左右, 其中天津继电器厂站模拟最好, MB值为1.4 ℃, RMSE为2.7 ℃.RH在各个站点的模拟结果除了河北保定监测站点以外, 其他站点相关系数均超过了0.8, 但RH的低估以及降水过程模拟的不准确会使得NAQPMS对污染物的模拟存在一定的偏差.各个站点风场的模拟能较好的反映实际的风速风向变化, 风速的相关系数均值为0.5左右, 相对观测, 模拟结果略为高估, 同时对比其他统计参数, 各项气象要素的模拟均在合理范围内.
表 1(Table 1)

表 1 2017年6月京津冀6个站点WRF模拟气象要素的模拟效果统计参数 Table 1 Statistical parameters of simulation effects of WRF simulated meteorological elements at 6 stations in Beijing, Tianjin and Hebei in June 2017

站点	气象要素	r	MO	MP	MB	RMSE	NMB
万寿西宫	T/℃	0.9	25.4	28.7	3.3	4.1	10.0%
	RH	0.9%	49.4%	29.2%	-20.2%	22.9%	40.0%
	W/ (m·s^-1)	0.5	2.3	3.0	0.7	1.6	30.0%
天坛	T/℃	0.9	25.4	29.0	3.6	4.2	10.0%
	RH	0.9%	49.4%	21.1%	-28.3%	28.3%	23.3%
	W/ (m·s^-1)	0.5	2.3	3.0	0.7	1.7	30.0%
古城	T/℃	0.9	24.8	28.9	4.1	4.7	30.0%
	RH	0.8%	49.2%	28.5%	-20.7%	24.5%	40.0%
	W/ (m·s^-1)	0.5	1.9	3.0	1.2	2.0	60.0%
怀柔	T/℃	0.9	24.6	27.7	3.1	4.2	10.0%
	RH	0.9%	51.7%	31.2%	-20.5%	23.8%	-40.0%
	W/ (m·s^-1)	0.5	1.9	2.5	0.5	1.7	30.0%
天津	T/℃	0.9	26.2	27.6	1.4	2.7	10.0%
	RH	0.9%	47.3%	36.0%	-11.3%	15.7%	-20.0%
	W/ (m·s^-1)	0.6	2.0	4.4	2.4	3.1	30.0%
	T/℃	0.9	24.8	28.3	3.4	4.7	10.0%
保定	RH	0.8%	56.2%	30.5%	-25.7%	29.5%	50.0%
保定	W/ (m·s^-1)	0.6	2.4	3.1	0.7	1.8	30.0%
注：r：相关系数；MO：观测平均值；MP：模拟平均值；MB：平均偏差；RMSE：均方根误差；NMB：归一化平均偏差.

图 3(Fig. 3)

图 3 6个站点气象场模拟观测对比图 (a.北京万寿西宫；b.北京天坛; c.北京古城；d.北京怀柔；e.天津继电器厂; f.河北保定监测站) Fig. 3Comparison of simulated observations of 6 stations meteorological fields

3.2 污染物模拟观测对比图 4分别为上述6个站点O₃在6月份的逐小时模拟浓度和观测浓度时间序列对比图, 包括北京怀柔(a)、天津继电器厂(b)、北京天坛(c)、河北保定(d)、北京万寿西宫(e)、北京古城(f), 黑色为模拟结果, 红色为实际观测值, 该模拟所用排放源包括生物源、人为源以及生物质燃烧源.可见, 生物源的加入对模拟结果有很大的提升, 尤其是在白天臭氧峰值的模拟上, 总体来看, 臭氧的模拟结果较好, 观测值和模拟值相关性较高, 达到了0.6以上, 但夜间低值模拟有所高估, 多数站点臭氧的模拟平均值相对观测略偏高, 个别站点为低估状态, 模拟结果能较好地反映臭氧的变化趋势.
图 4(Fig. 4)

图 4 6个站点的臭氧观测模拟对比 (a.北京怀柔；b.天津继电器厂；c.北京天坛; d.河北保定; e.北京万寿西宫; f.北京古城) Fig. 4Comparison of ozone observations at six sites

图 5中NO₂的模拟结果相对观测有所偏低, 尤其是在北京的郊区站模拟结果中低估较为明显, O_x(NO₂+O₃)的模拟结果在多数站点相关系数都达到了0.7以上, 城区站点较郊区站点模拟结果较好, 但在22日北京有一次臭氧浓度降低的过程发生, 而模式模拟的浓度变化有所滞后, 不能立刻表现出臭氧污染消散的过程, 主要原因是北京地区在22日有降水过程发生, 其对臭氧有一定的清除作用, 但WRF未能很好地模拟出降水过程, 因此NAQPMS对臭氧浓度迅速下降的过程没能模拟出来.与CMAx(Comprehensive Air Quality Model with Extensions)、WRF-Chem(Weather Research Forecast Model-chemistry)模式的模拟结果相比, 本文的模拟结果在O₃峰值上有所提高, 与观测值更加接近, 而NO₂的模拟与其他****的结果相比为偏低(庞杨, 2012；贾海鹰等, 2017；唐伟等, 2017), 其可能是由于排放源的分辨率较粗所造成的, NO₂的低估也是导致臭氧模拟夜间高估的原因之一.
图 5(Fig. 5)

图 5 6个站点的NO_x、O_x(NO₂+O₃)观测模拟对比 (a.北京怀柔；b.天津继电器厂；c.北京天坛; d.河北保定; e.北京万寿西宫; f.北京古城) Fig. 5Comparison of NO₂ and O_x(NO₂+O₃) observations at 6 stations

总体来看, NAQPMS模拟的O₃浓度变化、趋势变化和实际情况的误差在合理范围内, NAQPMS模式能够再现北京地区6月份的臭氧变化过程.
3.3 生物源贡献图 6展示了6个站点2017年6月份的观测值、含生物源和不含生物源的臭氧浓度模拟对比结果, 分别为天津继电器厂(a)、河北保定(b)、北京古城(c)、北京怀柔(d)、北京天坛(e)、北京万寿西宫(f), 均为小时的时间序列臭氧浓度变化.对比来看, 加入BVOCs源(红色折线)的臭氧浓度小时变化在多数时刻是高于不加BVOCs源(黑色折线)的臭氧浓度变化的, 尤其在臭氧低浓度天数中生物源的贡献较大一些, 最大1小时浓度贡献出现在天津继电器厂站, 最大时刻绝对浓度贡献达到33.64 μg·m^-3, 从最大1小时浓度月平均的计算结果上来看, 对6个站点的绝对浓度贡献都在15 μg·m^-3左右, 相对来说, BVOCs的加入可以有效地提高小时浓度的模拟结果, 改善臭氧模拟的低估现象.
图 6(Fig. 6)

图 6 加入生物源和不加生物源两种情境下6个站点的观测和模拟小时变化值对比 (obs：观测值；simbio：含生物源的模拟值；simnobio：不含生物源的模拟值) Fig. 6Comparison of observation and simulated hourly changes at six sites in both the biological and non-biological contexts (obs: observations; simbio: simulated values with biological sources; simnobio: simulated values without biological sources)

表 2分别统计了6个站点在6月份的臭氧最大1小时、最大8小时(10:00—18:00)以及月度平均值的观测和模拟结果.对比Sa+b和Sa的结果来看, 含生物源的模拟浓度与观测更加接近, 对比各个站点发现, 生物源的加入对臭氧浓度的贡献在郊区站的要大于城区站.总体来看, 最大1小时平均、最大8小时平均、月季平均的生物源浓度的贡献分别在5.87%~8.01%、4.76%~6.84%、4.64%~6.68%之间, 其中最大的贡献在古城站点, 臭氧最大1小时、最大8小时、月平均贡献分别达到了17.17、12.37、12.37 μg·m^-3, 与Liu等(2018)在长三角地区利用CMAQ(The Community Multiscale Air Quality Modeling System)模拟的结果(最大1小时、最大8小时、月平均浓度的贡献分别为6.6%、12%、11%左右)对比来看, 本文的生物源贡献占比略低一些, 主要是由于植被覆盖率差异造成的BVOCs排放量不同造成的, 与贝耐芳等(2017)对西安的模拟结果, 生物源平均贡献在16 μg·m^-3以上相近.
表 2(Table 2)

表 2 比较2017年6月在有生物源排放和无生物源排放两种情境下臭氧浓度的模拟观测差异 Table 2 Compares the simulated observations of ozone concentration in both the source and non-biological sources in June 2017

站点	MAX1/(μg·m^-3)				MAX8/(μg·m^-3)				MONTH/(μg·m^-3)
站点	Obs	Sa+b	Sa	C	Obs	Sa+b	Sa	C	Obs	Sa+b	Sa	C
万寿西宫	207.7	222.0	213.7	5.9%	147.6	194.5	185.5	4.8%	113.7	144.5	137.3	5.2%
天坛	209.9	218.4	209.9	6.1%	182.2	191.4	182.2	4.9%	140.0	147.4	140.0	5.2%
古城	227.3	226.9	215.3	7.6%	165.6	199.6	187.5	6.2%	123.5	153.9	143.9	6.7%
怀柔	219.8	206.0	197.4	6.9%	167.9	175.7	166.9	5.2%	131.4	159.2	152.0	4.6%
保定	187.6	198.8	185.9	8.0%	150.9	173.8	162.0	6.8%	123.5	153.9	143.9	6.7%
天津	218.6	200.8	190.9	7.3%	169.0	170.8	161.1	5.8%	131.4	126.6	118.8	6.4%
注：MAX1：最大1小时平均；MAX8：最大8小时平均；MONTH：月平均; Obs:观测值; Satb:含生物源; Sa:不含生物源; C: (Sa+b-Sa)/Sa+b.

最大1小时、最大8小时、月平均的臭氧变化分布如图 7所示, 最大值贡献分别为22、22、12.5 μg·m^-3.其中, 最大1小时和最大8小时平均的面图分布显示出生物源贡献最大的区域出现在北京的东南区域, 包括大兴区、通州区和主城区, 除此以外, 北京周边地区生物源贡献较大的地方出现在东北和西南区域, 包括承德、保定等地区, 其空间分布和生物源的排放分布并不完全一致, 这是由于前体物与臭氧的关系较为复杂.夏季期间, 郊区的BVOCs排放要高于城区, 而臭氧的生成与NO_x和VOCs为非线性关系, 以往研究中, 郊区多数为NO_x控制区, 城区为VOCs控制区, 但当VOCs的排放浓度增加, 有可能会存在控制区的转换, 近年来郊区臭氧的生成也在逐渐转变为VOCs控制, 城区郊区臭氧生成差异的控制因素也逐渐在发生变化.从月平均的分布来看, 生物源对臭氧浓度的贡献分布与最大1小时和最大8小时分布有所差异, 高值区出现在城区的西南面, 说明在不同的时间段内会存在控制因素的变化.
图 7(Fig. 7)

图 7 2017年6月在加入生物源和不加入生物源两种情境下臭氧模拟结果的差值浓度分布图 Fig. 7Distribution of the difference concentration of ozone simulation results in the two scenarios of joining the biological source and not adding the biological source in June 2017

3.4 北京地区臭氧来源图 8为源解析中区域ID的分区设置, 分为10个区域, 探讨各个区域对北京地区臭氧的贡献比例, 由于分区较粗糙, 解析的结果以北京为一个ID, 研究北京本地以及周边区域对于北京臭氧的输送贡献, 包括天津、河北、河南、从山东、山西、河南等区域, 并统计各个标识地源区对北京市臭氧浓度的平均贡献比例, 包括最大1小时平均、最大8小时平均以及月平均的结果.
图 8(Fig. 8)

图 8 模式源解析空间ID设置(共10个ID) Fig. 8Mode source resolution space ID setting (a total of 10 ID)

取北京325 m气象塔(39.967°N, 116.367°E)站点分析(表 3), 最大1小时平均臭氧来源北京本地贡献达到54.4%, 其次为河北地区占到16.7%, 其中石家庄、保定的贡献率为8.2%, 占河北区域贡献率的一半, 河南、山东、山西贡献率分别为3.7%、5.0%、2.0%.最大8小时平均的空间来源解析结果与最大1小时平均结果相近, 说明在臭氧峰值时间段内, 臭氧的来源主要是本地光化学生成, 其他区域的传输为次要因素, 而对比小时的月均值来看, 北京本地贡献率下降超过了25%, 河北贡献率为20.2%, 说明除了在光化学作用最大的时段, 周边区域对北京市臭氧浓度的贡献更为明显, 区域输送占主导.从时间解析结果来看, 表 5统计了北京城市站点3 d的臭氧贡献来源比例, D01表示当天源排放的贡献率, D02表示前一天源排放对当天的贡献, D03为前两天源排放对当天的贡献, 在当天的来源贡献中北京本地占主导, 最大1小时、最大8小时和月平均的贡献率分别为50.2%、45.4%、25.1%, 其次为天津和河北地区, 而较远地区则在前一天和前两天的源排放中对北京本地的贡献会逐渐增大.如图 9a所示, 在气象塔站点的时间来源贡献中, 最大1小时、最大8小时和月平均都显示出各个地区贡献之和在当天的贡献率是最大的, 占到50%以上.综合来看, 气象塔站点的臭氧主要来自于当天的源排放, 且以本地排放为主, 而相对较远的一些地区在前两天的贡献较大, 主要是由于其排放的污染物需要一定的时间才能输送到北京地区.
表 3(Table 3)

表 3 各地区源排放对北京城市(39.967°N, 116.367°E)站点臭氧浓度的平均贡献比例 Table 3 Average contribution ratio of source emissions to ozone concentrations in Beijing cities (39.967°N, 116.367°E)

来源区域	平均贡献比例
来源区域	MAX1	MAX8	MONTH
北京	54.4%	51.9%	27.8%
天津	1.5%	1.9%	2.8%
河北	16.3%	16.5%	20.2%
河南	2.4%	2.7%	4.3%
山东	3.7%	4.2%	6.4%
山西	0.6%	0.7%	1.1%
其他	21.1%	22.2%	37.3%

图 9(Fig. 9)

图 9 北京城市站点(a)和北京区域(b)最大1小时、最大8小时、月平均的时间来源解析结果 (当天贡献为所有区域白天贡献之和) Fig. 9Site (a) and area (b) maximum 1 hour, maximum 8 hours, monthly average time source analysis results (the contribution of all regions in the day contribution)

表 5(Table 5)

表 5 各时段源排放对北京城市站点臭氧浓度的平均贡献比例 Table 5 Proportion of the average contribution of source emissions to ozone concentrations in Beijing urban sites

来源区域	MAX1			MAX8			MONTH
来源区域	D01	D02	D03	D01	D02	D03	D01	D02	D03
北京	50.2%	4.0%	0.1%	45.4%	6.3%	0.1%	25.1%	2.6%	0.1%
天津	0.9%	0.5%	0.1%	1.2%	0.6%	0.1%	2.3%	0.4%	0.1%
河北	7.9%	6.5%	1.0%	9.0%	5.4%	1.1%	15.0%	4.2%	1.0%
河南	0.0	1.0%	1.4%	0.0	1.2%	1.5%	0.6%	2.1%	1.5%
山东	0.0	2.0%	1.7%	0.1%	2.3%	1.8%	2.0%	2.7%	1.8%
山西	0.0	0.1%	0.5%	0.0	0.2%	0.5%	0.2%	0.4%	0.6%
其他	0.4%	5.3%	15.2%	0.8%	5.7%	15.6%	7.1%	9.0%	21.2%
注：D01表示当天源排放的贡献率, D02表示前一天源排放对当天的贡献, D03为前两天源排放对当天的贡献.

从区域平均来看, 表 4、6统计了北京市整个区域的臭氧来源贡献, 空间贡献中相比站点的统计结果, 区域平均本地的贡献率占比减小, 时间来源的解析中3 d的贡献差异并不明显(图 9), 说明北京市不同站点的臭氧来源贡区别较大, 区域平均的结果会掩盖掉城区和郊区的区别, 因此有必要进一步对北京市的区域进行细分, 探讨城区和郊区站点臭氧的空间和时间来源贡献差异.
表 4(Table 4)

表 4 各地区源排放对北京地区臭氧浓度的平均贡献比例 Table 4 Proportion of the average contribution of source emissions to ozone concentrations in Beijing

来源区域	平均贡献比例
来源区域	MAX1	MAX8	MONTH
北京	20.6%	18.6%	12.5%
天津	3.1%	2.9%	2.8%
河北	34.1%	33.3%	30.1%
河南	3.7%	4.0%	4.9%
山东	5.0%	5.2%	6.0%
山西	2.0%	2.0%	2.0%
其他	31.6%	35.7%	41.6%

表 6(Table 6)

表 6 各时段源排放对北京区域臭氧浓度的平均贡献比例 Table 6 Proportion of the average contribution of source emissions to ozone concentrations in Beijing during each period

来源区域	MAX1			MAX8			MONTH
来源区域	D01	D02	D03	D01	D02	D03	D01	D02	D03
北京	16.3%	4.0%	0.3%	13.8%	4.5%	0.3%	10.2%	2.1%	0.1%
天津	2.0%	0.9%	0.1%	1.8%	1.0%	0.2%	2.2%	0.5%	0.3%
河北	20.7%	10.0%	2.1%	19.5%	10.3%	2.1%	21.9%	6.8%	3.1%
河南	0.0	1.5%	2.2%	0.0	1.7%	2.3%	0.7%	2.3%	1.9%
山东	0.0	2.6%	2.4%	0.2%	2.6%	2.5%	1.6%	2.4%	2.0%
山西	0.1%	0.8%	1.1%	0.8%	0.8%	1.1%	0.4%	0.7%	0.9%
其他	0.7%	7.0%	25.1%	0.8%	7.5%	27.3%	5.8%	9.4%	25.7%

3.5 北京地区排放对外地的贡献外地排放的污染物以及二次生成物输送到北京地区的同时, 北京地区的排放以及二次污染也会影响周边地区.图 10为北京地区污染源对下游地区的影响浓度分布图, 从最大1小时、最大8小时和月平均浓度结果来看, 北京地区NO_x排放的高值区主要集中在主城区内, 主要是移动源的排放造成的, 城区附近风向为东南风, 城区北部风速减小, 因此城区排放影响区域主要集中在北京市内, 扩散范围较小, 对周边地区影响较小, 主要对本地二次污染物生成起主要影响.对二次生成物臭氧来说, 贡献浓度较高的区域集中在主城区及顺义区、昌平区, 最高贡献达到64 μg·m^-3, 其次在较弱的偏北风影响下, 臭氧沿怀柔区向北输送, 到达承德市西侧, 贡献介于20~30 μg·m^-3, 但最大1小时和最大8小时相对月平均结果来看, NO_x对本地的输送影响要小一些, 而O₃对本地的浓度贡献更高, 随时间增加, 对本地贡献逐渐减小, 说明O₃存在长时间的远距离输送问题.
图 10(Fig. 10)

图 10 北京地区污染源对下游地区的影响 Fig. 10Impact of pollution sources in Beijing on downstream areas

4 结论(Conclusions)1) 利用WRF-NAQPMS模拟华北地区2017年6月地面臭氧分布, 模拟结果能较好的再现北京及周边地区站点的臭氧浓度变化, 各个站点相关性超过了0.6, 但模拟值略高于观测, 可能是由于排放源以及气象场模拟的偏差造成的.
2) 对比各个站点, BVOCs的加入可有效改善臭氧模拟低估的现象, 生物源的贡献在4%~10%, 贡献最大的站点在最大1小时平均、最大8小时平均、月平均绝对浓度的贡献分别达到了17.17、12.37、10.28 μg·m^-3.从区域分布上来看, 北京地区生物源贡献较大的区域主要分布在东南方向.
3) 源解析结果表明, 北京城区站点当天的臭氧主要来自于本地排放的贡献, 最大1小时和8小时的贡献分别达到了50.2%和45.4%, 远高于1~2 d前的贡献, 而较远地区的贡献较小, 如河南和山东仅为2.4%和3.7%, 且主要集中在1~2 d前, 主要是区域输送造成.另外, 北京区域平均结果当天的本地贡献下降, 仅为16.3%, 说明平均的结果忽略了城区和郊区站点的差异, 臭氧来源的空间不均匀性较大, 因此有待进一步分析站点之间的贡献差异.
4) 北京地区的污染物也会通过输送影响其他地区, 在较弱的偏北风的影响下, 向北输送, 对承德西侧区域的贡献可达20~30 μg·m^-3.

参考文献

北京市环境保护局, 北京市发展和改革委员会[OL].2011-06.北京市"十二五"时期环境保护和建设规划http://www.bjpc.gov.cn/fzgh_1/guihua/12_5/12_5_zx/12_5_yb/125_yb_csjs/201108/P020111022163751886227.doc.

贝耐芳, 冯添, 吴佳睿, 等. 2017. 西安地区夏季臭氧的模拟研究[J]. 地球环境学报, 2017, 8(6): 552–567.

贾海鹰, 尹婷, 瞿霞, 等. 2107. 2015年北京及周边地区臭氧浓度特征及来源模拟[J]. 中国环境科学, 2107, 37(4): 1231–1238.

Langmann B, Duncan B, Textor C, et al. 2009. Vegetation fire emissions and their impact on air pollution and climate[J]. Atmospheric Environment, 43(1): 107–116.

Li J, Wang Z, Akimoto H, et al. 2008. Near-ground ozone source attributions and outflow in central eastern China during MTX2006[J]. Atmospheric Chemistry and Physics, 8(24): 7335–7351.DOI:10.5194/acp-8-7335-2008

Li J, Wang Z F, Akimoto H, et al. 2009. Modeling of the impacts of China's anthropogenic pollutants on the surface ozone summer maximum on the northern Tibetan Plateau[J]. Geophysical Research Letters, 36(24): L24802.DOI:10.1029/2009GL041123

Li J, Wang Z F, Zhuang G, et al. 2012. Mixing of Asian mineral dust with anthropogenic pollutants over East Asia:A model cast study of a super-duststorm in March 2010[J]. Atmospheric Chemistry and Physics, 12: 7591–7607.DOI:10.5194/acp-12-7591-2012

Li J, Wang Z, Huang H, et al. 2013. Assessing the effects of trans-boundary aerosol transport between various city clusters on regional haze episodes in spring over East China[J]. Tellus, 65(1): 60–73.

Lu K, Zhang Y, Su H, et al. 2010. Oxidant (O₃+NO₂) production processes and formation regimes in Beijing[J]. Journal of Geophysical Research Atmospheres, 115(D7): 29–32.

Liu Y, Li L, An J, et al. 2018. Estimation of biogenic VOC emissions and its impact on ozone formation over the Yangtze River Delta region, China[J]. Atmospheric Environment, 186: 113–128.DOI:10.1016/j.atmosenv.2018.05.027

Mo Z, Shao M, Wang W, et al. 2018. Evaluation of biogenic isoprene emissions and their contribution to ozone formation by ground-based measurements in Beijing, China[J]. Science of the Total Environment, 627: 1485–1494.DOI:10.1016/j.scitotenv.2018.01.336

潘本锋, 程麟钧, 王建国, 等. 2016. 京津冀地区臭氧污染特征与来源分析[J]. 中国环境监测, 2016, 32(5): 17–23.

庞杨. 2012.京津冀地区大气污染物分布和演变特征的模拟研究[D].南京: 南京信息工程大学.1-51http://cdmd.cnki.com.cn/article/cdmd-10300-1012369175.htm

屈玉, 安俊岭. 2009. 人为源和生物源排放对臭氧的贡献-以春夏季东亚地区为例[J]. 中国环境科学, 2009, 29(4): 337–344.DOI:10.3321/j.issn:1000-6923.2009.04.001

Shao M, Zhang Y, Zeng L, et al. 2009. Ground-level ozone in the Pearl River Delta and the roles of VOC and NOx in its production[J]. Journal of Environmental Management, 90(1): 512–518.DOI:10.1016/j.jenvman.2007.12.008

Streets D G, Fu J S, Jang C J, et al. 2007. Air quality during the 2008 Beijing Olympic Games[J]. Atmospheric Environment, 41(3): 480–492.DOI:10.1016/j.atmosenv.2006.08.046

唐伟, 王帅, 何友江, 等. 2017. 京津冀地区一次臭氧污染过程的数值模拟分析[J]. 环境影响评价, 2017, 39(5): 7–12.

Thompson A M, Pickering K E, Mcnamara D P, et al. 1996. Where did tropospheric ozone over southern Africa and the tropical Atlantic come from in October 1992? Insights from TOMS, GTE TRACE A, and SAFARI 1992[J]. Journal of Geophysical Research Atmospheres, 101(D19): 24251–24278.DOI:10.1029/96JD01463

Wu J B. 2012. Development and applications of source apportionment technique in NAQPMS: Modeling study of sources of secondary pollutants in shanghai during summer time[D]. Beijing: Institute of Atmospheric Physics, Chinese Academy of Sciences, China. 1-129

Wu J B, Wang Z, Wang Q, et al. 2017. Development of an on-line source-tagged model for sulfate, nitrate and ammonium:A modeling study for highly polluted periods in Shanghai, China[J]. Environmental Pollution, 221: 168–179.DOI:10.1016/j.envpol.2016.11.061

Wu Q Z, Wang Z F, Xu W S, et al. 2010. Multi-model simulation of PM₁₀ during the 2008 Beijing Olympic Games:Effectiveness of emission restrictions (in Chinese)[J]. J Environ Sci, 30: 1739–1748.

Wang T, Ding A, Gao J, et al. 2006. Strong ozone production in urban plumes from Beijing, China[J]. Geophysical Research Letters, 33(21): 320–337.

Wang T, Nie W, Gao J, et al. 2010. Air quality during the 2008 Beijing Olympics:secondary pollutants and regional impact[J]. Atmos Chemistry & Physics, 10(16): 7603–7615.

Wang T, Xue L, Brimblecombe P, et al. 2016. Ozone pollution in China:A review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 575: 1582–1596.

王雪松, 李金龙. 2002. 人为源排放VOC对北京地区臭氧生成的贡献[J]. 中国环境科学, 2002, 22(6): 501–505.DOI:10.3321/j.issn:1000-6923.2002.06.005

王雪松, 李金龙. 2003. 北京地区臭氧源识别个例研究[J]. 北京大学学报(自然科学版), 2003, 39(2): 244–253.DOI:10.3321/j.issn:0479-8023.2003.02.015

王雪松, 李金龙, 张远航, 等. 2009. 北京地区臭氧污染的来源分析[J]. 中国科学, 2009, 39(6): 548–559.

Wang X S, Li J L, Zhang Y H, et al. 2009. Ozone source attribution during a severe photochemical smog episode in Beijing, China[J]. Science China Chemistry, 52(8): 1270–1280.DOI:10.1007/s11426-009-0137-5

Wang Y, Konopka P, Liu Y, et al. 2012. Tropospheric ozone trend over Beijing from 2002-2010:ozonesonde measurements and modeling analysis[J]. Atmospheric Chemistry & Physics Discussions, 12(5): 8389–8399.

Wang Z, Maeda T, Hayashi M, et al. 2001. A nested air quality prediction modeling system for urban and regional scales:Application for high ozone episode in Taiwan[J]. Water Air Soil Pollut, 130: 391–396.DOI:10.1023/A:1013833217916

Wang Z F, Li J, Wang Z, et al. 2014. 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, 57(1): 3–13.

王占山, 李云婷, 陈添, 等. 2014. 北京城区臭氧日变化特征及与前体物的相关性分析[J]. 中国环境科学, 2014, 34(12): 3001–3008.

Xu X B, Lin W L, Wang T, et al. 2007. Long-term trend of tropospheric ozone over the Yangtze Delta Region of China[J]. Advances in Climate Change Research, 3(Suppl.): 60–65.

钟方潜, 苏琪骅, 周任君, 等. 2017. 秸秆焚烧对区域城市空气质量影响的模拟分析[J]. 气候与环境研究, 2017, 22(2): 149–161.

Zhang Q, Yuan B, Shao M, et al. 2014. Variations of ground-level O₃ and its precursors in Beijing in summertime between 2005 and 2011[J]. Atmospheric Chemistry & Physics, 14(12): 6089–6101.