, 王伟文1,2, 黄志炯1,2, 王雪梅1,2, 常鸣1,2
1. 暨南大学环境与气候研究院, 广州 510443;
2. 粤港澳环境质量协同创新联合实验室, 广州 510443
收稿日期: 2020-09-09; 修回日期: 2020-12-04; 录用日期: 2020-12-04
基金项目: 国家重点研发计划（No.2017YFC0210100）；国家自然科学基金项目（No.41705123，41875010，41905105）；2019广东省科技创新战略专项资金项目（No.2019B121205004）；深圳市环境监测中心站项目（No.GXZX-19042SZGK）
作者简介: 冯倍嘉(1996-), 女, E-mail: 929825977@qq.com
通讯作者（责任作者）: 常鸣, E-mail: changming@email.jnu.edu.cn
摘要：人类生产生活中产生的大量废热对城市环境中的温度、城市边界层结构、空气质量及人类健康都有着重要的影响.然而目前人为热排放清单的计算方法存在所需基础资料种类繁多、计算过程复杂，空间分布和排放量有较大偏差等不足.本研究采用统计回归法基于CO和NOx污染源清单计算了2007-2015年珠江三角洲地区的人为热排放清单，对其排放趋势、热排放来源类型变化以及空间格局的演变进行了梳理.结果表明：2007-2015年珠三角地区年平均人为热均大于9 W·m-2，人为热排放峰值出现在2010年，趋势为先增加后减少，这与燃料消耗总量的变化趋势基本一致，而工业源和道路移动源是影响人为热排放总量变化的最大因素：2007-2015年珠三角地区大部分区域人为热排放处于0~20 W·m-2，高值区（>20 W·m-2）主要分布于珠三角地区中心地带的城市群，高值区缩减的面积和速度在2010-2012年期间达到最大.进一步对2012年人为热清单的不确定性分析表明：总人为热的95%置信区间的不确定性为-16%~49%，其中电厂类别排放估算中的不确定性最小，为-13%~16%，而工业源的不确定性最高，为-46%~73%.
关键词：人为热人为污染物统计回归不确定性
An analysis of evolution trend and uncertainty of anthropogenic heat emissions in the Pearl River Delta Region
FENG Beijia1,2
, WANG Weiwen1,2, HUANG Zhijiong1,2, WANG Xuemei1,2, CHANG Ming1,21. Institute for Environmental and Climate Research, Jinan University, Guangzhou 510443;
2. Guangdong-Hongkong-Macau Joint Laboratory of Collaborative Innovation for Environmental Quality, Jinan University, Guangzhou 510443
Received 9 September 2020; received in revised from 4 December 2020; accepted 4 December 2020
Abstract: The large amount of waste heat generated in human production and life has a significant effect on the temperature of the urban environment, the structure of the urban boundary layer, air quality and human health. However, some shortcomings exist in the calculation methods of anthropogenic heat emission inventory, such as the complexity of needed basic resources and calculation procedures, large deviations between the spatial distribution and the emissions and so on. This research adopts the statistical regression method to calculate the anthropogenic heat emission inventory of the Pearl River Delta from 2007 to 2015 based on the CO and NOx pollution source inventory through which the emission trends, the change of heat emission varieties and the evolution of spatial patterns have been reviewed. The results show that the average annual anthropogenic heat in the Pearl River Delta region from 2007 to 2015 is greater than 9 W·m-2, with the peak appearing in 2010. It goes from an increase at an early stage and decreases later which is consistent with the changes in total fuel consumption. Industrial sources and road-mobile sources are the two dominant factors driving the changes in total anthropogenic heat emissions. The anthropogenic heat emissions in Pearl River Delta region were ranges from 0 to 20 W·m-2 from 2007 to 2015, and the high-value area (> 20 W·m-2) is mainly distributed in the urban agglomeration of the central area of the Pearl River Delta. The area and speed of the high-value area's reduction reached the largest during 2010-2012. The uncertainty analysis of the heat inventory shows that the 95% confidence interval of the total anthropogenic heat has an uncertainty range from -16% to 49%. The uncertainty in the power plant category emission estimation is the smallest, with a range from -13% to 16%, while the uncertainty in the industrial sources is the largest, ranging from -46% to 73%.
Keywords: anthropogenic heatanthropogenic pollutantsstatistical regressionuncertainty
1 引言(Introduction)人类在生产生活中消耗了大量的化石燃料, 产生了大量废热, 这就是人为热, 其直接或随水分排向了大气环境中, 对区域或局地气候甚至空气质量都产生了重要影响.人为热的排放会增加感热和潜热, 使得环境中存储更多的热能(Oke, 1988).人为热的排放可以使近地表空气温度在夏季升高约1~2 ℃, 在冬季升高约2~3 ℃ (Ichinose et al., 1999；Kondo et al., 2003；Fan et al., 2005；Ohashi et al., 2007), 有研究发现, 人为热会使大气湍流和大气边界层高度不稳定, 改变城市热岛环流, 加强垂直尺度上空气的运动(Ichinose et al., 1999；Block et al., 2004；Fan et al., 2005；Chen et al., 2009；Chen et al., 2011；Bohnenstengel et al., 2014).人为热增强了城市的水汽辐合, 改变了区域降水的格局(Feng et al., 2014).一些研究人员还考虑了人为热的排放对空气质量的影响, 尤其是对臭氧和气溶胶的分布和形成(Ryu et al., 2013；Yu et al., 2014；杨旺明等, 2014；Xie et al., 2016a；2016b).由于人为热排放具有以上重要作用, 快速而准确地估算人为热排放可以提高人类对城市气候环境影响的认识.
然而目前对人为热排放通量的估算存在较高的不确定性, 不同研究者所得的结果差异显著：在全球尺度上, 人为热排放通量的平均值为0.028~3.6 W · m-2 (Flanner, 2009；Allen et al., 2011；石广玉等, 2010), 在洲际尺度上, 中国、美国和西欧等区域的人为热排放量分别为0.38、0.39和0.68 W · m-2 (Flanner, 2009; 谢旻等, 2015).更多对人为热的研究集中在城市, 然而不同研究报道的城市平均人为热排放量, 受其研究尺度的影响存在数量级差异(表 1), 其均值差异处于10~50 W · m-2 (K?ysik, 1996; Offerle et al., 2005; Pigeon et al., 2007; Lee et al., 2009; Allen et al., 2011; 王志铭等, 2011; Quah et al., 2012; 王猛等, 2013; Lee et al., 2014; Lee et al., 2015), 而在城市中心区域人为热通量排放可达100~400 W · m-2 (Quah et al., 2012; Xie et al., 2015).在某些极端情况如超大城市、工业城市, 城市中人为热通量的数值相当于1~2倍的日平均太阳辐射(Ichinose et al., 1999; Hamilton et al., 2009; Iamarino et al., 2012; Sun et al., 2018).一般而言, 根据人类活动以及能源消费的规律, 冬季的人为热通量排放相比夏季更大, 白天的人为热通量大于夜晚(Offerle et al., 2005; Pigeon et al., 2007; Sun et al., 2018).尽管不同城市间人为热通量会因其经济发展水平、能源消费使用量、人口密度等条件而不同, 但是人为热的估算方法、分辨率(Ichinose et al., 1999)等因素也是其排放通量差异的重要来源.
以上人为热研究的计算方法多种多样, 主要包括：源清单法、能量平衡方程法和建筑模型模拟法.其中, 大部分研究采用源清单的方法(自上而下或者自下而上)基于能源消费总量, 车流量等基础数据进行不同热源的计算, 再利用网格化的空间信息(例如人口密度或GDP数据)应用于人为热的空间分配(Tong et al., 2004; Flanner et al., 2009; Allen et al., 2011; Lee et al., 2014; Sailor et al., 2015; Lu et al., 2017)；能量平衡方程法是通过测量或收集各类输入输出数据, 包括：净辐射量、感热、潜热、水平传导量等, 再利用能量守恒计算出人为热(Bueno et al., 2011)；建筑模型模拟法是根据室内外气温和其他气象条件, 收集气象要素、建筑结构、结构材料这些数据, 在动态的传热过程情形中计算能量的得失情况, 建筑冷热负载情况以及排热强度都得以表征(田喆等, 2005; Salamanca et al., 2010). 然而以上3种方法仍存在各自的不足：①源清单法由于分配因子的单一导致时空分辨率较为粗糙, 一些基础数据不公开导致其难获取；②能量平衡方程法可利用遥感数据计算大范围的人为热, 但各组分通量均有实验或计算误差；③建筑模型模拟法在小尺度上计算人为热是较精确的, 但在无数据库或其他辅助资料计算大区域范围时可能会产生较大误差且计算量大.因此, 在开展人为热估算工作中, 迫切需要一种既能准确估算又能快速执行的方法.
为此, 研究者逐步采用统计回归方法基于污染物源清单估算人为热排放量.Lee等(2014)利用两种常见空气污染物建立了人为热排放之间的统计回归方法, 使用该方法计算的人为热通量与自下而上的源清单法计算所得的人为热通量具有良好的时空一致性；Lee等(2015)应用统计回归方法对2010年韩国人为热进行了估算, 基于统计回归法计算的人为热估计值与基于源清单法的估计值相比较为吻合, 说明统计回归方法能够合理表征韩国地区人为热排放的时空变化；Koralegedara等(2016)将此方法应用于中国台湾省主要的城市时, 对方程的回归系数进行修正后, 研究结果与大规模的城市能源消耗模型(The large scale urban consumption of energy, LUCY)相比, 人为热通量排放合理地接近所产生的热量；施婕等(2020)使用统计回归法应用在人为热排放的空间分配上, 研究结果与已有人为热排放清单相比更能体现人类活动对人为热排放的贡献.以上表明, 统计回归方法不涉及传统的源清单法所需的大量工作, 可以准确且较快的应用于具有高分辨率污染物排放清单的研究区域.
表 1(Table 1)
| 表 1 不同方法计算人为热的结论汇总 Table 1 Conclusions of different methods for calculating anthropogenic heat | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 1 不同方法计算人为热的结论汇总 Table 1 Conclusions of different methods for calculating anthropogenic heat
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
 |
本文采用统计回归法来计算2007-2015年珠江三角洲(简称珠三角, PRD)的人为热排放清单, 对其排放趋势、源排放变化、空间格局的演变以及各城市的贡献进行分析和评估, 并对所得的人为热排放清单结果进行了不确定性分析.这项研究的结果将有助于进一步完善研究区域的排放清单, 同时也为存在较高人为热排放的城市群等地区提供参考.
2 资料与方法(Materials and methods)2.1 数据来源本研究采用的空气污染物排放数据来自郑君瑜等建立的珠江三角洲空气污染物排放清单(Zheng et al., 2009; Zhong et al., 2018; Bian et al., 2019), 此污染物清单在建立过程中利用国内排放因子和活动数据, 采用源头直接测量、物料平衡法和间接估计编制了高时空分辨率的珠江三角洲区域排放清单.清单涵盖了该区域的主要排放源, 分为点源、面源和线源.具体涵盖发电厂、工业燃烧、住宅燃烧、道路移动源、非道路移动源、粉尘源、工业过程源、工业溶剂用途、非工业溶剂用途、存储和运输、农业来源、生物质燃烧以及其他来源.虽然该清单数据在空间上有很高的分辨率, 但在时间上不具备连续年份的情况.因此, 提取2007年、2010年、2012年和2015年, 且空间网格分辨率为3 km×3 km的空气污染物排放数据作为人为热排放估算的基础资料.以上年份清单是各年份清单中拥有完整数据集的年份, 且2012年清单最为完整.
同时, 本研究采用的人均GDP、燃料消耗总量和车辆保有量的资料是来自Bian等(2019)的相关研究.研究使用ESRI ArcGIS 10.4地理信息系统软件对以上空气污染物排放数据和人为热通量的计算结果进行地理空间分析.
2.2 统计回归方法本研究基于珠三角空气污染物清单数据本地化了Lee等(2014)建立的计算网格化人为热排放的统计回归方法, 应用该方法基于一氧化碳(CO)和氮氧化物(NOx)污染物排放清单计算得到回归方程, 见式(1).
 | (1) |
 | (2) |
 | (3) |
 | (4) |
 | (5) |
2.3 标准差椭圆法为更好地研究区域中人为热的空间演变趋势, 本研究选用标准差椭圆法来定量表征人为热的空间排放分布.标准差椭圆法是分析空间分布方向性特征的经典方法之一, 通过这个方法可以查看要素的分布是否狭长, 是否具有方向性, 从而直观的感受数据的趋向.该方法的基本原理是：由平均中心作为起点对x坐标和y坐标的标准差进行计算, 从而定义椭圆的轴, 因此该椭圆被称为标准差椭圆.椭圆的长短、扁率反映着空间格局要素的集中程度, 偏角(长半轴)反映格局的主导方向(Ma et al., 2020).
2.4 人为热空间变化指数人为热空间变化方面主要包括变化的速度和强度, 本研究选择变化速度指数(ASI)和变化强度指数(AII)来定量表达人为热环境的空间高值区变化特征.ASI表示人为热环境变化的速度和趋势；而AII通过标准化处理单位空间上面积的扩张速度, 使单位面积上可承受的最大强度得到表达(王宏志等, 2011).ASI和AII的绝对值越大, 说明研究区域的人为热环境效应越强, 扩张趋势越明显, 相比于不同时期的高值区面积变化越大.ASI和AII的计算公式如下所示：
 | (6) |
 | (7) |
2.5 不确定性分析方法表征排放清单不确定性的方法有很多种, 包括定性分析方法、半定性分析方法和定量分析方法.在本研究中, 在已知污染物排放清单的基础上, 采用了定量分析的方法.根据数据的完整性和可用性, 明确了不确定性的来源, 包括：①输入数据中污染物源清单的不确定性；②统计回归法中参数的不确定性.第一步, 对模型输入不确定性进行量化分析, 统计各个污染物排放范围, 使用概率分布模型来描述.常用概率分布模型包括正态分布、对数正态分布、贝塔(Beta)分布、韦伯(Weibull)分布、伽马(Gamma)分布等.第二步, 使用蒙特卡罗模拟方法是从模型输入中随机抽取一个值, 计算相应的模型输出大小, 经过n次重复抽样, 由n个模型输出构成的概率分布来表征模型输出的不确定性.故本研究中使用统计回归法计算人为热时, 首先确定每个参数的分布模型, 随机抽取数组应用于蒙特卡罗模型来计算传递过程中的不确定性, 重复取值运行至模拟误差足够小或模型饱和, 使结果服从概率分布, 在蒙特卡罗实验中统计回归法参数的不确定性也得到了传递, 最后取95%的概率区间来量化排放源清单的不确定性.具体流程如下：
图 1(Fig. 1)
 |
| 图 1 不确定性分析流程图 Fig. 1Uncertainty analysis flowchart |
3 结果与讨论(Results and discussion)3.1 珠江三角洲地区人为热排放趋势及影响因素图 2显示了2007-2015年珠三角地区中的NOx、CO和人为热的总体排放趋势.从2007-2015年, 珠江三角洲地区的年平均人为热通量从2007年的11.6 W · m-2逐步增长到2010年的12.6 W · m-2, 相较于朱宽广等(2017)的研究中珠三角地区于1995-2010年一直呈快速增长的趋势与本研究的结果较为一致.2010年后珠三角地区人为热呈现下降趋势, 从2012年的9.9 W · m-2减少到2015年的9.4 W · m-2.在此期间, 如图 2所示, 珠三角地区的燃料消耗(煤炭、天然气、焦炭等)在2010年后出现逐步下降的趋势, 到2012和2015年分别下降了6.6%和0.8%, 燃料消耗需求的下降直接影响废热的排放, 这与施婕等(2020)的研究结论相一致；2008年开始实施了大规模的产业转移政策, 珠三角的劳动密集型高能耗产业从珠三角地区向东西两翼、粤北山区转移, 尤其是以广州、深圳、佛山、中山和肇庆这五座城市为核心, 工业园区的转移辐射全省.
图 2(Fig. 2)
 |
| 图 2 2007-2015年珠三角地区人均GDP、燃料消耗总量、车辆保有量、NOx、CO排放量和年平均人为热排放的趋势 Fig. 2Trends in GDP per capita, total fuel consumption, vehicle ownership, NOx, CO emissions, and annual average anthropogenic heat emissions in the Pearl River Delta from 2007 to 2015 |
图 3为基于2007年归一化后的珠三角地区人为热排放和来源的变化, 从中可以看出影响珠三角地区人为热排放量的最大因素是工业源和道路移动源.2007-2010年人为热排放总量呈现增长的主要原因是工业源、民用燃烧源和道路移动源排放的增加(需要说明的是2007年的清单中未分类工业燃烧源, 故工业部分均算作工业过程源).对于工业源而言, 珠三角工业的GDP从2007年到2010年增长了约80%, 能源消耗增长了约70% (广东省统计局, 2014)；对于道路移动源而言, 2010年珠三角的车辆保有量相比2007年增加了22%, 即使在2007年颁布实施了更严格的机动车国家排放三级标准, 道路移动源的人为热排放仍增长了6.3%；并且在当时来看, 工业余热未得到充分的利用, 减少废热排放的措施也未广泛实施, 这些都会使得余热的排放不受控制.2010年后珠三角的人为热排放呈下降趋势, 这种变化主要归因于道路移动源和民用燃烧的排放减少.广东省在2010年和2015年分别实施了国Ⅳ和国Ⅴ的机动车国家排放标准, 采用更好的催化转化器的活性层、二次空气喷射技术以及带有冷却装置的排气再循环系统等技术, 废热排放得到有效缓解；珠三角地区实施了清洁能源替代措施, 例如燃料种类由会造成较高热量排放的煤炭转换为天然气, 这些措施可有效降低能耗, 在降低空气污染物排放的同时减少废热的排放.由于人为热通量难以测量, 无法在空间上用实际测量值来评估各种计算方法所得的人为热排放通量, 本研究与已有的广东省区域内人为热结果对比发现, 在2010年量级处于相同水平(13.11 W · m-2本研究12.6 W · m-2)(朱宽广等, 2017).
图 3(Fig. 3)
 |
| 图 3 2007-2015年珠三角地区人为热排放源的排放变化 Fig. 3Emission changes of anthropogenic heat sources in the Pearl River Delta from 2007 to 2015 |
3.2 珠江三角洲地区人为热高值区演变2007年、2010年、2012年和2015年珠江三角洲地区人为热的空间分布格局(3 km×3 km)如图 4所示.整体来看, 珠三角郊区(肇庆和惠州)在产业相对较少的情况下, 未显示出过多的人为热排放值.而在中心地区(除肇庆和惠州以外), 聚集着珠三角地区的大量人口, 珠三角的人口密度平均值最高分布在深圳、佛山和广州, 分别为6633、2258和2152人· km-2, 甚至存在人口超过100000人· km-2的区域, 它们处于广州、佛山和深圳的市中心, 高人口密度和繁忙的交通导致城市中心及其周围地区发生剧烈的人为活动, 从而导致这些位置的人为热排放值较高. 表 2列出了每个人为热排放区间对总人为热的贡献百分比.值得注意的是, 2007-2015年对总人为热排放的最大贡献区间主要来自于0~10 W · m-2, 贡献值分别为64.70%、58.10%、70.30%和69.90%. 较低的人为热排放值主要分布在城镇化程度不高、植被覆盖相对较多的珠三角外侧区域, 而高值区位于中心地带.这种现象可以归因于珠三角地区中社会经济活动的空间分布情况, 这些活动高度集中在珠三角中、西地区的广佛交界区域.
图 4(Fig. 4)
 |
| 图 4 2007-2015年珠三角人为热排放空间分布格局 Fig. 4Spatial distribution pattern of anthropogenic heat emissions in the Pearl River Delta from 2007 to 2015 |
表 2(Table 2)
| 表 2 2007-2015年各人为热等级对珠三角区域的贡献 Table 2 Contribution of various anthropogenic heat levels to the Pearl River Delta region from 2007 to 2015 | ||||||||||||||||||||||||||||||||||||||||||||
表 2 2007-2015年各人为热等级对珠三角区域的贡献 Table 2 Contribution of various anthropogenic heat levels to the Pearl River Delta region from 2007 to 2015
| ||||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||
对图 4进行分级面积统计, 从高值区面积来看(因各年份中小于20 W · m-2的面积百分比均已大于80%, 分别为84.90%、82.50%、87.80%和91.10%, 故以>20 W · m-2为研究区的高值区), 基于ArcGIS统计, 2007年、2010年、2012年和2015年珠三角地区高值区面积分别为6201、7002、4977和3510 km2；分别占珠三角总面积的15.76%、17.83%、12.67%和8.90%；从变化速度来看, 2007-2010年珠三角的高值区的增长面积为801 km2, 年均增长量为267 km2, 2010-2015年珠三角高值区减少的面积为3492 km2, 年均减少量为698 km2, 呈现出快速减少的发展态势.
3.3 珠江三角洲地区高值区迁移方位分析为定量研究珠三角人为热高值区的空间格局演变特征, 以2007-2015年珠三角地区具有较高人为热排放值(>20 W · m-2)的区域为基础, 进行标准差椭圆分析, 其结果如图 5所示.首先由其椭圆大小变化可知, 2007-2015年人为热排放空间格局整体上呈现先扩散后缩小的态势, 其在2010年达到顶峰且2012年前人为热排放高值区连城现象明显.而将高值区分布的位置与珠三角各行业、人口密度、交通路网以及城市建设用地的分布综合在一起评估, 可见有着高度的重合, 进一步佐证了社会经济活动的剧烈程度对人为热排放值的高低有着重要的影响；其次, 如表 3所示, 2010年的短轴半径最短, 为47.75 km, 这说明人为热的排放在这一年的聚集程度最大；而2007-2015年的扁率分别为0.30、0.32、0.33和0.31, 变化差异不大, 同时方向角度从92.77°转向98.17°, 偏移5°以上.这说明珠三角人为热的排放主要偏向东南方向集中.
图 5(Fig. 5)
 |
| 图 5 珠三角人为热高值区及标准差椭圆趋向性空间特征 Fig. 5Spatial characteristics of the elliptic trend in the high-value artificial heat zone and standard deviation of the Pearl River Delta |
表 3(Table 3)
| 表 3 珠三角人为热高值区标准差椭圆长短轴标准差、扁率及方向角度 Table 3 Standard deviation of length axis in ellipse, oblateness and direction angle in the anthropogenic heat high value area | |||||||||||||||||||||||||
表 3 珠三角人为热高值区标准差椭圆长短轴标准差、扁率及方向角度 Table 3 Standard deviation of length axis in ellipse, oblateness and direction angle in the anthropogenic heat high value area
| |||||||||||||||||||||||||
|
对珠三角区域高值区椭圆标准差面积变化情况进行统计, 3个时间段的变化面积分别为89、225和163 km2, 2010-2012年缩小面积最大, 同时其ASI和AII也为各时间段最高值, 分别为14%和3%.这说明2010-2012年间高值区缩小的速度最快, 缩小的面积也最明显.同时结合图 4个年份高值区空间分布变化可知：2007-2010年, 珠三角高值区的增长区域主要集中在深圳和佛山；此后至2012年, 高值区的减少区域集中于佛山中部和深圳南部；2012-2015年, 随着节能减排政策的不断加强以及产业转移带来的效应, 珠三角中心地区的人为热排放逐年降低.
3.4 各城市对珠三角整体人为热排放贡献对珠江三角洲地区各个城市进行统计平均, 由图 6可知, 2007-2015年, 除惠州以外的所有城市人为热通量均大于5 W · m-2.尤其是人口总数占珠江三角洲地区很大比例、工商业繁荣且城镇化率较高的广州、佛山、深圳和东莞等城市人为热通量大于10 W · m-2, 2010年佛山和深圳的年平均人为热排放甚至超过了25 W · m-2.珠三角的各城市除广州和珠海之外的人为热排放基本呈现先增长后下降的趋势, 这也符合珠三角地区整体的排放趋势.而广州从2007年的15.81 W · m-2持续减少至2015年的10.46 W · m-2, 年平均减少量达0.67 W · m-2, 除能源结构的调整和余热回收利用技术的进步之外, 最主要的原因可能是在2008-2014年, 广州(梅州)产业转移园区以及广州(清远)产业转移园区分别搬迁至梅州和清远市区, 搬迁的产业多是高能耗产业, 这直接使得人为热的排放得到持续下降.而珠海的年平均人为热排放一直呈现增长趋势, 这一点也与其空间格局分布中大部分区域人为热排放逐年上升的增长态势相同.
图 6(Fig. 6)
 |
| 图 6 2007-2015年各城市对珠三角地区人为热通量贡献百分比及年平均人为热排放量 (图中数字，单位为W · m-2) Fig. 6Contribution ratio of cities to the anthropogenic heat flux and annual average anthropogenic heat emissions in the Pearl River Delta from 2007 to 2015 |
珠三角地区各个城市产生的人为热排放总量对珠三角整体的贡献而言, 如图 6所示, 2007-2015年, 各个城市的人为热排放贡献变化差异不大.其中, 贡献最大的城市当属广州, 各年份贡献比例均在19%以上, 在2012年更是达到了24%.其次是佛山, 均在16%以上, 在2010年贡献百分比达到20%.珠海和中山两市的贡献最小, 所有年份均不足7%.
3.5 珠三角人为热排放估算的不确定性由于人为热通量难以测量, 无法在空间上用实际测量值来评估各种计算方法所得的人为热排放通量.因此在本研究中, 采用多种方法同步计算评估本研究中基于统计回归方法所得的珠三角人为热排放不确定性.由于获取到的2012年的空气污染物清单数据集最为完整, 因此基于该年份对珠江三角洲地区及各城市的人为热排放清单进行初步的不确定性分析.
如表 4所示, 从不同排放源来说, 工业源的人为热排放存在着最高的不确定性, 其95%的置信区间约为-44%~73%, 其中, 佛山和东莞的估算值变化幅度较大, 工业源排放不确定性较高的主要原因是：在污染源清单的编制过程中尽管使用了自下而上的方法来估算排放量, 但工业类别涉及大量不同行业的制造商, 由于缺乏详细信息, 例如用于燃烧和排放控制的产品过程和设施参数, 以及在人为统计或收集活动数据时的误差, 这些误差输入污染物排放清单后, 经过统计回归计算也被传递到了人为热源清单中.
表 4(Table 4)
| 表 4 2012年珠江三角洲地区及各城市主要排放源的不确定性评估 Table 4 Uncertainty assessment of main emission sources in the Pearl River Delta region and cities in 2012 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 4 2012年珠江三角洲地区及各城市主要排放源的不确定性评估 Table 4 Uncertainty assessment of main emission sources in the Pearl River Delta region and cities in 2012
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
交通源的不确定性置信区间为-34%~46%, 其中, 由于深圳市的路网十分密集, 交通源产生的热量对此城市的人为热排放总量贡献最大, 深圳交通源的人为热排放不确定范围为10.3~21.6 W · m-2, 珠三角地区道路移动源排放清单的不确定性不仅是由于缺乏本地车辆排放测量, 还源于统计年鉴与模型使用之间的车辆分类差异.因此, 虽然污染源排放清单使用了最佳的可用数据和知识估算了来自道路移动源的排放, 并且考虑了非道路移动源的不确定性, 交通源的不确定性范围仍未降低太多；民用燃烧源不确定性置信区间为-29%~38%, 且此类别人为热排放相对其他排放源较低, 各城市排放未超过1 W · m-2；生物质燃烧的不确定性置信区间处于-40%~59%；电厂排放源的不确定性范围最小, 为-13%~16%, 对于电厂来说, 由于在污染物排放清单的编制中采用了自下而上的方法并且具有详细的燃料消耗活动数据, 经过了统计回归法的传递计算人为热后, 与其他排放源相比, 电厂具有最小的不确定性, 而深圳、珠海和东莞的电厂类别的人为热排放相对于其他城市较大, 均达到2 W · m-2以上, 故受不确定性影响波动较强；总的来说, 本次研究中珠三角地区及各城市的总体不确定性处于-16%~49%.对此在后续研究中, 力求掌握更加详细的信息, 包括①更准确的人为热排放源的空间分布；②各个排放源的燃料燃烧效率、各种除尘设置导致的热去除效率；③燃烧和排放控制的产品过程和设施参数等.将这些因素纳入考虑范围以求降低人为热排放清单的不确定性.
4 结论(Conclusions)1) 2007-2015年珠江三角洲地区的年平均人为热呈现先增加后减少的趋势, 这些变化主要与工业源、道路移动源和民用燃烧源等的变化相关.珠三角人为热排放由2007年的11.6 W · m-2增长到2010年的12.6 W · m-2后, 分别在2012年和2015年降至9.9 W · m-2和9.4 W · m-2, 下降的主要原因可能是：该时间段内燃料消耗的降低、更严格的节能减排措施以及产业转移等政策, 例如工商业等领域越来越重视余热回收综合利用, 积极寻求可替代的清洁能源, 地区执行愈加严格的机动车国家排放标准、工业烟气排放标准等政策, 废热和污染物的排放得到了有效的控制.
2) 珠三角地区大部分区域人为热排放处于0~20 W · m-2, 而高值区(>20 W · m-2)处于珠三角地区中心地带, 包括广州、佛山、中山、东莞和深圳.这种现象的形成与当地的产业位置、人口密度和交通网的分布以及地形地势因素密切相关.本研究利用标准差椭圆法识别出2010年珠三角地区人为热的排放最为聚集, 扩散方向从东北转向东南.基于ASI和AII定量表征人为热高值区域的变化, 结果表明：2010-2012年珠三角高值区缩小的面积最大, 变化的速度最快.
3) 2007-2015年除惠州以外的珠三角各个城市的人为热通量均大于5 W · m-2, 广州、佛山、深圳和东莞等城市人为热通量大于10 W · m-2, 除广州呈持续减少、珠海持续增加外, 其他城市基本呈现先增加后减少的趋势.并且不同城市在各年份对珠三角的人为热排放的贡献较为稳定.从整体来看, 广州的贡献最大, 各年份均在19%以上, 其次是佛山, 均在16%以上.
4) 对基于2012年的珠三角地区人为热排放清单进行不确定性评估表明：电厂类别排放估算中的不确定性相对较低, 珠三角及各城市其95%置信区间的不确定性范围处于-13%~16%, 深圳、珠海和东莞受其影响波动最大, 工业源的不确定性程度最高, 达到-44%~73%, 交通源次之, 为-34%~46%, 而珠三角地区及各城市总人为热不确定性范围是-16%~49%.
这项研究中获得的珠江三角洲地区人为热通量排放估算结果、高值区的迁移变化及清单中各城市人为热排放的不确定性范围, 有利于后续的研究人员更加全面和深入地了解此区域人为热污染的现状, 同时也证明了使用统计回归法计算人为热可以较快的应用于具有高分辨率污染物排放清单的研究区域.本研究的下一步目标, 是将高分辨率的网格化人为热清单添入中尺度模型中, 对珠江三角洲地区城市冠层内部进行更优的建模, 更好地探究人为热对城市热岛效应、空气质量和城市气候等其他功能的影响.
致谢:本研究工作得到暨南大学高性能计算公共服务平台的支持, 在此特别感谢郑君瑜教授团队提供的珠江三角洲地区空气污染物排放数据.
参考文献
| Allen L, Lindberg F, Grimmond C S B. 2011. Global to city scale urban anthropogenic heat flux: model and variability[J]. International Journal of Climatology, 31(13): 1990-2005. DOI:10.1002/joc.2210 |
| Block A, Keuler K, Schaller E. 2004. Impacts of anthropogenic heat on regional climate patterns[J]. Geophysical Research Letters, 31(12). |
| Bueno B, Norford L, Pigeon G, et al. 2011. Combining a detailed building energy model with a physically-based urban canopy model[J]. Boundary-Layer Meteorology, 140(3): 471-89. DOI:10.1007/s10546-011-9620-6 |
| Bohnenstengel S, Hamilton I, Davies M, et al. 2014. Impact of anthropogenic heat emissions on London's temperatures[J]. Quarterly Journal of the Royal Meteorological Society, 140(679): 687-698. DOI:10.1002/qj.2144 |
| Bian Y, Huang Z, Ou J, et al. 2019. Evolution of anthropogenic air pollutant emissions in Guangdong Province, China, from 2006 to 2015[J]. Atmospheric Chemistry and Physics, 19(18): 11701-11719. DOI:10.5194/acp-19-11701-2019 |
| Chen Y, Jiang W, Zhang N, et al. 2009. Numerical simulation of the anthropogenic heat effect on urban boundary layer structure[J]. Theoretical and Applied Climatology, 97(1/2): 123-134. |
| Chen F, Kusaka H, Bornstein R, et al. 2011. The integrated WRF/urban modelling system: development, evaluation, and applications to urban environmental problems[J]. International Journal of Climatology, 31(2): 273-288. DOI:10.1002/joc.2158 |
| 陈兵, 陈良富, 董理, 等. 2016. 人为热释放: 全球分布的估算及其气候效应的探索[J]. 大气科学, 40(2): 289-295. |
| Chen S, Hu D. 2017. Parameterizing anthropogenic heat flux with an energy-consumption inventory and multi-source remote sensing data[J]. Remote Sensing, 9(11): 1165. DOI:10.3390/rs9111165 |
| Chen D, Zhao Y, Zhang J, et al. 2020. Characterization and source apportionment of aerosol light scattering in a typical polluted city in the Yangtze River Delta, China[J]. Atmospheric Chemistry and Physics, 20(17): 10193-10210. DOI:10.5194/acp-20-10193-2020 |
| Fan H, Sailor D J. 2005. Modeling the impacts of anthropogenic heating on the urban climate of Philadelphia: a comparison of implementations in two PBL schemes[J]. Atmospheric Environment, 39(1): 73-84. DOI:10.1016/j.atmosenv.2004.09.031 |
| Flanner M G. 2009. Integrating anthropogenic heat flux with global climate models[J]. Geophysical Research Letters, 36(2): L02801. |
| Feng J, Wang J, Yan Z. 2014. Impact of anthropogenic heat release on regional climate in three vast urban agglomerations in China[J]. Advances in Atmospheric Sciences, 31(2): 363-373. DOI:10.1007/s00376-013-3041-z |
| 广东省统计局. 2014. 广东统计年鉴[M]. 北京: 中国统计出版社. |
| Heiple S, Sailor D J. 2008. Using building energy simulation and geospatial modeling techniques to determine high resolution building sector energy consumption profiles[J]. Energy and Buildings, 40(8): 1426-1436. DOI:10.1016/j.enbuild.2008.01.005 |
| Hamilton I G, Davies M, Steadman P, et al. 2009. The significance of the anthropogenic heat emissions of London's buildings: A comparison against captured shortwave solar radiation[J]. Building and Environment, 44(4): 807-817. DOI:10.1016/j.buildenv.2008.05.024 |
| Ichinose T, Shimodozono K, Hanaki K. 1999. Impact of anthropogenic heat on urban climate in Tokyo[J]. Atmospheric Environment, 33(24/25): 3897-3909. |
| Iamarino M, Beevers S, Grimmond C S B. 2012. High-resolution (space, time) anthropogenic heat emissions: London 1970-2025[J]. International Journal of Climatology, 32(11): 1754-1767. DOI:10.1002/joc.2390 |
| 蒋维楣, 陈燕. 2007. 人为热对城市边界层结构影响研究[J]. 大气科学, 31(1): 37-47. DOI:10.3878/j.issn.1006-9895.2007.01.04 |
| K?ysik K. 1996. Spatial and seasonal distribution of anthropogenic heat emissions in Lodz, Poland[J]. Atmospheric Environment, 30(20): 3397-3404. DOI:10.1016/1352-2310(96)00043-X |
| Kondo H, Kikegawa Y. 2003. Temperature variation in the urban canopy with anthropogenic energy use[M]. Springer: Air Quality, 317-324. |
| Koralegedara S B, Lin C Y, Sheng Y F, et al. 2016. Estimation of anthropogenic heat emissions in urban Taiwan and their spatial patterns[J]. Environmental Pollution, 215: 84-95. DOI:10.1016/j.envpol.2016.04.055 |
| Ma S, Pitman A, Hart M, et al. 2017. The impact of an urban canopy and anthropogenic heat fluxes on Sydney's climate[J]. International Journal of Climatology, 37: 255-270. DOI:10.1002/joc.5001 |
| Ma M, Chen W, Jia S, et al. 2020. A new method for quantification of regional nitrogen emission-Deposition transmission in China[J]. Atmospheric Environment, 117401. |
| Lee S H, Song C K, Baik J J, et al. 2009. Estimation of anthropogenic heat emission in the Gyeong-In region of Korea[J]. Theoretical and Applied Climatology, 96(3/4): 291-303. DOI:10.1007/s00704-008-0040-6 |
| 陆燕, 王勤耕, 翟一然, 等. 2014. 长江三角洲城市群人为热排放特征研究[J]. 中国环境科学, 34(2): 295-301. |
| Lee S H, Mckeen S A, Sailor D J. 2014. A regression approach for estimation of anthropogenic heat flux based on a bottom-up air pollutant emission database[J]. Atmospheric Environment, 95: 629-633. DOI:10.1016/j.atmosenv.2014.07.009 |
| Lee S H, Kim S T. 2015. Estimation of anthropogenic heat emission over South Korea using a statistical regression method[J]. Asia-Pacific Journal of Atmospheric Sciences, 51(2): 157-166. DOI:10.1007/s13143-015-0065-6 |
| Oke T R. 1988. The urban energy balance[J]. Progress in Physical Geography, 12(4): 471-508. DOI:10.1177/030913338801200401 |
| Offerle B, Grimmond C S B, Fortuniak K. 2005. Heat storage and anthropogenic heat flux in relation to the energy balance of a central European city centre[J]. International Journal of Climatology: A Journal of the Royal Meteorological Society, 25(10): 1405-1419. |
| Ohashi Y, Genchi Y, Kondo H, et al. 2007. Influence of air-conditioning waste heat on air temperature in Tokyo during summer: numerical experiments using an urban canopy model coupled with a building energy model[J]. Journal of Applied Meteorology and Climatology, 46(1): 66-81. DOI:10.1175/JAM2441.1 |
| Pigeon G, Legain D, Durand P, et al. 2007. Anthropogenic heat release in an old European agglomeration (Toulouse, France)[J]. International Journal of Climatology: A Journal of the Royal Meteorological Society, 27(14): 1969-1981. |
| Quah A K, Roth M. 2012. Diurnal and weekly variation of anthropogenic heat emissions in a tropical city, Singapore[J]. Atmospheric Environment, 46: 92-103. DOI:10.1016/j.atmosenv.2011.10.015 |
| Ryu Y H, Baik J J, Lee S H. 2013. Effects of anthropogenic heat on ozone air quality in a megacity[J]. Atmospheric Environment, 80: 20-30. DOI:10.1016/j.atmosenv.2013.07.053 |
| Sailor D J, Lu L. 2004. A top-down methodology for developing diurnal and seasonal anthropogenic heating profiles for urban areas[J]. Atmospheric Environment, 38(17): 2737-2748. DOI:10.1016/j.atmosenv.2004.01.034 |
| 石广玉, 戴铁, 檀赛春, 等. 2010. 全球年平均人为热释放气候强迫的估算[J]. 气候变化进展, 6(2): 119-122. |
| Salamanca F, Krpo A, Martilli A, et al. 2010. A new building energy model coupled with an urban canopy parameterization for urban climate simulations-part Ⅰ. formulation, verification, and sensitivity analysis of the model[J]. Theoretical and Applied Climatology, 99(3/4): 331. |
| Sun R, Wang Y, Chen L. 2018. A distributed model for quantifying temporal-spatial patterns of anthropogenic heat based on energy consumption[J]. Journal of Cleaner Production, 170: 601-609. DOI:10.1016/j.jclepro.2017.09.153 |
| 施婕, 谢旻, 朱宽广, 等. 2020. 中国城市人为热通量估计及时空分布[J]. 中国环境科学, 40(4): 1819-1824. DOI:10.3969/j.issn.1000-6923.2020.04.050 |
| 田喆, 朱能, 刘俊杰. 2005. 城市气温与其人为影响因素的关系[J]. 天津大学学报: 自然科学与工程技术版, (9): 830-833. DOI:10.3969/j.issn.0493-2137.2005.09.015 |
| 王宏志, 宋明洁, 李仁东, 等. 2011. 江汉平原建设用地扩张的时空特征与驱动力分析[J]. 长江流域资源与环境, 20(4): 416-421. |
| 王志铭, 王雪梅. 2011. 广州人为热初步估算及敏感性分析[J]. 气象科学, 31(4): 422-430. DOI:10.3969/j.issn.1009-0827.2011.04.009 |
| 王频, 孟庆林. 2013. 城市人为热及其影响城市热环境的研究综述[J]. 建筑科学, 29(8): 99-106. DOI:10.3969/j.issn.1002-8528.2013.08.021 |
| 王业宁, 陈婷婷, 孙然好. 2016. 北京主城区人为热排放的时空特征研究[J]. 中国环境科学, 36(7): 2178-2185. DOI:10.3969/j.issn.1000-6923.2016.07.040 |
| Tong H, Liu H Z, Sang J G, et al. 2004. The impact of urban anthropogenic heat on Beijing heat environment[J]. Climatic & Environmental Research, 9(3): 409-421. |
| 谢旻, 朱宽广, 王体健, 等. 2015. 中国地区人为热分布特征研究[J]. 中国环境科学, 35(3): 728-734. |
| Xie M, Liao J, Wang T, et al. 2016a. Modeling of the anthropogenic heat flux and its effect on regional meteorology and air quality over the Yangtze River Delta region, China[J]. Atmospheric Chemistry and Physics, 16(10): 6071-6089. DOI:10.5194/acp-16-6071-2016 |
| Xie M, Zhu K, Wang T, et al. 2016b. Changes in regional meteorology induced by anthropogenic heat and their impacts on air quality in South China[J]. Atmospheric Chemistry and Physics, 16(23): 15011. DOI:10.5194/acp-16-15011-2016 |
| Yu M, Carmichael G R, Zhu T, et al. 2014. Sensitivity of predicted pollutant levels to anthropogenic heat emissions in Beijing[J]. Atmospheric Environment, 89: 169-178. DOI:10.1016/j.atmosenv.2014.01.034 |
| 杨旺明, 蒋冲, 喻小勇, 等. 2014. 气候变化背景下人为热估算和效应研究[J]. 地理科学进展, 33(8): 1029-1038. |
| Zheng J, Zhang L, Che W, et al. 2009. A highly resolved temporal and spatial air pollutant emission inventory for the Pearl River Delta region, China and its uncertainty assessment[J]. Atmospheric Environment, 43(32): 5112-5122. DOI:10.1016/j.atmosenv.2009.04.060 |
| Zhong Z, Zheng J, Zhu M, et al. 2018. Recent developments of anthropogenic air pollutant emission inventories in Guangdong province, China[J]. Science of the Total Environment, 627: 1080-1092. DOI:10.1016/j.scitotenv.2018.01.268 |
| 朱宽广, 赵卫, 谢旻, 等. 2017. 华南地区人为热排放特征[J]. 生态与农村环境学报, 33(3): 201-206. |
