基于SHERPA的环境空气质量减排情景模拟评估

朱媛媛，高愈霄，刘 冰，王 威，鲁 宁，朱莉莉，宫正宇，李健军

1.中国环境监测总站，国家环境保护环境监测质量控制重点实验室，北京 100012 2.北京科技大学，能源与环境工程学院，北京 100083

近年来，中国中东部地区频繁出现长时间、大范围重污染过程，严重影响了社会经济发展和人民身心健康。为此，国家在2013年颁布并实施了《大气污染防治行动计划》，明确提出重点区域和重点省市需要建立重污染天气监测预警体系[1]，环境空气质量预报预警作用也逐步成为重污染预警应急和大气污染防控不可或缺的基础工作。经过几年来的建设和实施，环境空气质量预报预警工作稳步推进，为环境管理提供了强有力的技术支撑。

在大气污染治理过程中，科学制定污染减排规划和污染应急响应控制措施，评估控制方案的可操作性和有效性至关重要。而这些减排控制方案与措施的制定和效果评估，通常需要依靠污染控制情景模拟等手段进行分析。减排情景模拟可以较好地了解污染物排放削减带来的经济效益、环境效益和健康效益，为形成和评估控制措施的有效性，优化控制方案提供依据[2]。然而，中国在减排方案情景分析和决策支持等方面方法尚未成熟，多数研究仅对个别污染物[3-4]或重大活动期间[5-7]的污染物减排效果进行评估，缺少多个污染物及中长期减排效果评估的案例。相对而言，欧洲在减排情景模拟、空气质量达标规划等方面的研究成果较为丰富，IAM(Integrated Assessment Modeling)、GAINS(Greenhouse gas-Air Pollution Interactions and Synergies)以及SHERPA(Screening for High Emission Reduction Potential on Air)等集合评估模型常被应用于欧洲减排措施的制定[8-11]。在上述3种模型工具中，IAM模型可用于区域、城市或热点地区的情景模拟，但需要大量的计算和当地信息的输入。GAINS可应用于欧洲国家层面减排措施的制定，分析并推荐经济有效的方法达到环境治理的目标，但该模型基于国家尺度，且依赖于监测结果，不能随着研究范围的改变来评估最优减排措施，空间灵活性欠缺[12-13]。

因此，笔者介绍一种在欧盟国家和地区广泛使用的基于SHERPA的环境空气质量减排情景模拟评估模型，并以法国为研究案例，展示该模式方法在污染物来源分析、环境空气质量减排措施制定以及减排效果模拟评估等方面的作用和效果，以期对中国环境空气质量预报、减排措施制定和评估等环境服务和管理工作有所裨益。

1 模型方法

1.1 SHERPA模型

SHERPA是欧洲委员会联合研究中心(European Commission Joint Research Centre)在欧盟空气质量主题战略(COM 2005 446)和欧盟指令(2008/50/EC)框架下开发的基于污染物排放和浓度关系的情景模拟模型。其主要作用是通过筛选主要污染源及其相关信息，有针对性地制定和评估研究区域空气质量控制规划和减排措施，为科研人员和管理部门提供技术支持。

SHERPA模型主要由以下3个输出模块组成：

1)污染物来源分析：该模块可提供研究区域的污染源分类、前体物信息等，这些数据可用于分析空气污染本地治理的可管控程度。模型通过识别所选地区污染物来源(本地或外来传输)，初步判断减排方案的可行性。如果研究区域的大部分污染物源自外来传输，则通过本地减排措施改善空气质量的幅度就较小，反之则较大。因此，污染物来源分析模块可为环境管理部门初步分析其空气污染本地治理的可控程度。

2)决策支持：该模块用于识别研究区域主要污染源来源地，并通过测算相应国家或区域对研究地区空气污染的贡献水平，确定区域联防联控的优先次序，提高空气质量治理效率。

3)情景模拟：该模块在污染排放的主要行业和来源确定后，可根据特定污染排放行业的排放强度和空间覆盖情况制定不同的减排方案，进行情景模拟分析，评估不同减排方案对空气质量改善的作用效果。

与其他减排情景模拟评估工具相比，SHERPA模型主要具有3个特点：①空间灵活性较好，理论上通过提前输入相关参数和排放源清单，可为任意选定的研究区域提供减排措施评估；②运算速度快，对于欧洲的研究区域，模型运算通常仅需要几分钟，可快速提供计算结果和决策支持信息，与模型使用者具有较好的交互性；③操作简便，SHERPA基于空气质量模型(AQM)模拟，但简化了排放源与受体的关系(SRR)，将排放与浓度改变联系起来，因此减少计算过程和时间，使操作更为简便。总之，SHERPA在保障较高模拟准确度的同时，保留了上述3个特点，其运算结果与基于排放源与受体关系的空气质量模型模拟结果一致[14]。

1.2 排放源与受体关系(SRR)

空气质量数值模型在进行模拟时，为大气中复杂的传输、扩散和化学过程提供了污染物浓度场，每个网格单元中污染物的浓度都是遍布于整个模型的排放源的函数。每次减排模拟评估，都需要调整污染源初始排放，重新运行模式，计算浓度变化。这种方法非常准确，但需要大量的计算时间。因此，在进行减排模拟评估(特别是在处理大量排放源变化)时，为了较为快速的获得模拟结果，需要适当简化排放源与污染物浓度之间的关系。SHERPA模型利用了简化排放源和浓度关系的方法以提高模型运算速度，即假设排放源和污染物浓度之间是线性关系。THUNIS等[15-16]已经证实在处理年度或季度平均浓度时，这种线性关系是成立的。SHERPA中单个网格单元污染物浓度(ΔCi)随排放变化可用公式(1)[14]来表示。

(1)

式中：i为被估算的网格单元；j为污染前体物；k为排放源网格单元内排放源的聚合，它存在于研究区域所有网格单元中。ΔCi为被估算的网格单元i的浓度变化；ai,j,k为被估算的网格单元i因污染前体物j在聚合k中随排放变化所引起的浓度变化的系数；ΔEj,k表示排放源网格单元j中污染前体物聚合k的排放量变化。prec为污染前体物(precursor)；cell为网格单元。SHERPA模型在排放源和污染物浓度之间建立的线性关系，主要好处之一就是使运算具备较强的空间灵活性。一旦获得系数a，公式(1)就可以给出任何地理区域因污染物排放变化所引起的浓度变化，而不需要额外进行模拟计算。

然而逐个网格单元的计算，意味着需要计算大量的系数a，进而需要先行进行大量的空气质量模型模拟运算，延长计算时间。为了解决这个问题，SHERPA开发者在对整个建模领域的所有可用模拟(包括基本情况和场景)进行统计和分析后提出，ΔCi与ΔEj,k之间的关系随dik(被估算的网格单元i和排放源网格单元聚合k之间的距离)的增大而减小，而系数a同样遵循类似的关系，并可以近似表示为公式(2)[14]的距离函数。

ai,j,k=αi,j(1+dik)-ωi,j

(2)

式中：i和j的含义与公式(1)相同；dik表示被估算的网格单元i和排放源网格单元聚合k之间的距离。未知数α和ω是与每个污染前体物和网格相关的变量。参数α与函数的振幅有关，表示一个污染前体物相对于另一个污染前体物的重要性。参数ω则与函数的宽度有关，提供与距离相关的污染物降解速度的相关信息，它与气象影响因素(特别是风速)相关，同时由于一些污染排放前体物在大气中有较长的停留时间，该参数也与前体物的种类有关。公式(2)在每个网格单元中计算过程一样，但α和ω具有其独特性。因此，当系数a转变为2个未知数(α和ω)后，计算公式(1)每个网格中的方程数量为前体物数量的2倍即可(即2×Nprec)，一定程度上减少了空气质量模型模拟运算。为此，模型开发者使用了更多的模拟(15～20次)来提高对参数α和ω估算的准确率[14]。

理论上，SHERPA在输入适当数据后可应用于任何研究地区。所需的输入数据包括：①覆盖研究区域的详细网格化污染源排放清单，包括排放行业和污染前体物清单；②一系列经过15～20次空气质量模型模拟的预先定义的排放场景所生成的排放源与受体关系；③与用户选定研究区域排放源网格文件相一致的图形文件清单表格，这些文件将用于筛选可能采取减排措施的区域。

该研究SHERPA模型中污染传输模型采用CHIMERE[17]，其在整个欧洲区域的空间分辨率为7×7 km2。污染源排放清单以修订后的MACC-TNO排放清单[18-19]为基础。气象输入数据基于欧洲中期天气预报中心(ECMWF)2010年集成预报系统(IFS)的预报结果。减排区域的定义基于欧洲区域命名法(NUTS)，包括NUTS0(国家)、NUTS1(大区)、NUTS2(区域)和NUTS3(省级)共4层[20-21]。模型在欧洲地区研究的运算时间小于5 min。

1.3 评估

SHERPA在建模过程中通过AQM对污染物排放量减少所取得的减排效果进行一系列模拟，来推导SRR。建模的第一阶段，先减少每种污染前体物排放量的50%；第二阶段，将每种污染前体物同时降低，模拟减排幅度介于当前立法水平(CLE)和最大可行减少水平(MFR)之间[22]，通过一系列的模拟过程，来计算每个网格单元和污染前体物的SRR系数(α和ω)的值。在模型评估过程中，考虑了欧洲每年的PM2.5浓度及其污染物(PPM、SO2、NOx、VOC和NH3)的浓度，并通过比较SRR和AQM对空气质量实况和减排模拟所达到的污染物浓度改变进行评估。对法国等国家和地区的不同减排情景模拟评估结果表明：所有模拟减排情景相对于AQM的相对偏差均小于10%，处于可接受水平；模拟减排措施适用于所有研究的污染物，其排放量最大可减少60%[14]。同时，评估测试结果还表明，无论在多大程度上应用减排，无论评估对象在空间上如何复杂，对于简化后的SRR的假设都有效[14]。

2 模型应用

2.1 研究对象

法国位于欧洲西部，北临北海，与比利时、卢森堡、德国等接壤，陆地面积约为55万km2，人口约为6 699万[23]，包括9个NUTS2共计26个NUTS3区域。研究基于SHERPA模型，以PM10、PM2.5和NO2为研究对象，重点分析PPM、NOx、SO2、VOC、NH3等污染前体物的变化对法国环境空气中PM10、PM2.5和NO2年均浓度的影响，并对环境空气中主要污染物进行来源分析、决策管理支持分析和情景模拟分析，以展示SHERPA模型在规划和评估空气质量管理方面的作用。

2.2 污染物来源分析

SHERPA模型通过计算排放源及前体物对环境空气中PM2.5、PM10和NO2的贡献，得出法国本地管控措施对上述污染物的最大可减排量分别为45%、35%和80%。如图1所示，通过选择控制法国本地不同行业污染源〔图1(a)〕或控制本地PPM、SOx、NOx、VOC、NH3等前体物〔图1(b)〕等2种手段，都可以达到相同的最大减排控制效果。

图1 按污染源和前体物划分的最大累计可减排量Fig.1 The maximum reduction according to the pollution source (a) and precursor (b)

如图1(a)所示，针对不同污染源进行减排模拟分析时，按照SNAP(Standard Nomenclature for Air Pollution)排放源目录分类[24]，降低本地农业和道路交通源对消减PM2.5和PM10的影响最大。通过控制这两类排放源，最多可降低25%的PM2.5和19%的PM10排放。降低道路交通源和非道路交通源排放，对降低NO2浓度的影响最大，两类排放源累计最多可减少56%的NOx排放。

如图1(b)所示，以污染前体物为对象进行减排模拟分析时，降低PPM、NOx和NH3对消减PM2.5和PM10含量影响最大，降低所有行业PPM、NOx、NH3源排放最多可累计降低44%的PM2.5和35%的PM10浓度。而SOx和VOC可管控余地不大，其对颗粒物影响相对较小，累计颗粒物可减排量约为1%。此外，PM2.5、PM10和NO2无法通过本地减排措施降低的含量分别为55%、65%、20%，此部分污染主要源于区域间污染传输、自然界污染(如风沙)等因素。

2.3 决策管理

SHERPA模型在提供管理决策支持模拟运算时，会根据不同国家或地区不同污染源的排放对研究所选需管控地区影响程度的大小进行排序，从而制定应对策略。图2展示了欧洲所有NUTS0地区道路交通源排放对选定研究区域(巴黎盆地南部安德尔省附近点位)环境空气中PM2.5、PM10和NO2浓度的影响程度。如图所示，所选研究区域位于法国内陆中心地区，本地道路源排放对该地区空气中PM2.5、PM10和NO2浓度的影响分别占9.49%、6.92%、45.13%，贡献比例相对较高。德国、英国、意大利影响次之，其道路交通源贡献比例大约为0.5%～0.9%。模式运算表明，控制法国国内道路源排放，对安德尔省所选研究区域空气质量改善有较大作用。

图3为法国东北部边境地区摩泽尔省附近点位受其他地区道路交通源排放影响的程度。结果表明，法国本地道路源排放影响仍相对较大，对摩泽尔省附近点位环境空气中PM2.5、PM10和NO2污染贡献的比例分别为6.29%、5.25%和24.42%。与对法国中心地区安德尔省点位(内陆地区)的研究结果比较，相邻国家(区域)间排放传输的影响较为显著，如德国对其PM2.5、PM10和NO2污染贡献分别为4.76%、4.07%、10.71%，卢森堡和瑞士的贡献分别为0.92%、0.77%、1.82%和0.53%、0.45%、0.82%。上述结果表明该地区受本地和外来传输道路交通源的共同影响。因此，该研究目标区域在控制道路交通源对空气质量的影响时，除了减少本地道路源的排放，还需要国家(区域)之间的通力协作。

注：底图源自欧盟委员会欧洲统计局官方发布地图数据及NUTS数据网站(http://ec. europa.eu/eurostat/web/nts/nuts-map-.pdf)1∶2 000万欧洲矢量底图。下同。图2 道路交通源对安德尔省附近点位(内陆地区)PM2.5、PM10和NO2污染贡献示意图Fig.2 The traffic pollutant source contribution to PM2.5，PM10 and NO2 around Indre(inland area)

图3 道路交通源对摩泽尔省附近点位(边境点位)PM2.5、PM10和NO2污染贡献示意图Fig.3 The traffic pollutant source contribution to PM2.5,PM10 and NO2 around Moselle(border areas)

2.4 减排情景模拟

基于上述污染来源分析结果和管理需求，模型使用者可根据区域协调和排放源管理实际工作情况，选择减排方案，通过控制污染源或前体物的消减比例进行情景模拟分析，了解减排预期效果。

根据世界卫生组织2016年城市空气质量数据库中2014年法国PM2.5数据[25]，位于法国中北部的法兰西岛及其周边巴黎盆地地区污染相对较重，因此笔者选取该地区进行PM2.5减排模拟分析(表1)。模拟结果表明，在不采取措施时，法兰西岛及其临近地区PM2.5年平均浓度范围为12～25 μg/m3(图4)，与代表区域的典型城市年均PM2.5实况结果相比，相对误差范围为-36%～17%，准确趋势基本相符。

表1 法兰西岛及其周边地区PM2.5年均值模拟结果和代表城市实测结果Table 1 Comparison between simulated and observed annual average PM2.5 concentration in Ile-de-France area and typical cities

当选择对本地PM2.5生成前体物或排放源进行控制、降低本地50%排放量后，模拟结果表明法兰西岛PM2.5浓度最高可降低11 μg/m3，巴黎盆地周边PM2.5浓度可降低2.5～10 μg/m3(图5)。

图4 无减排措施下法兰西岛 PM2.5年均浓度模拟图Fig.4 The annual average concentration of PM2.5 without emission reduction measures in Ile-de-France

图5 50%减排措施时巴黎盆地中心及 周边地区降低的PM2.5平均浓度模拟图Fig.5 The reduced annual average concentration of PM2.5 with 50% emission reduction around Ile-de-France

此外，在进行减排效果模拟分析时，SHERPA模型还可根据所选NUTS层级的不同，进一步分析和展示不同空间尺度下各地区的减排效果。如对法兰西岛及其外围巴黎盆地地区实施50%减排措施时，可使法国NUTS0(国家)尺度整体年均PM2.5浓度降低0.86 μg/m3，巴黎盆地地区NUTS1(大区)尺度降低2.28 μg/m3，法兰西岛、勃艮第、庇卡底等地区NUTS2(区域)尺度降低1.93～3.08 μg/m3，安德尔、巴黎地区NUTS3(省级)尺度降低1.47～9.94 μg/m3(图6)。

图6 50%减排措施下法国不同空间尺度PM2.5消减量模拟图Fig.6 The reduced annual average concentration of PM2.5 with 50% emission reduction in NUTS0，NUTS1，NUTS2，NUTS3 areas

3 结论与建议

基于SHERPA模型以法国为研究对象开展了环境空气中主要污染物来源分析、环境管理决策分析和情景模拟分析，得出以下主要结论：①采取控制法国本地不同行业污染源排放或前体物排放情况下，最多可使空气中PM2.5、PM10和NO2年均质量浓度降低约45%、35%和80%；②法国本地道路交通源排放对内陆地区或边境地区PM2.5、PM10和NO2污染的影响最大，德国道路交通源排放传输对法国东部边境地区的影响较为显著；③对法国中部法兰西岛及其外围巴黎盆地地区PM2.5整体减排50%时，可使相应地区PM2.5年均浓度降低2.5～11 μg/m3。

SHERPA模型与其他集合评估模型相比，具有空间灵活性好、运算速度快等优点，尽管目前主要应用于欧洲地区，但在输入目标区域排放源清单、SRR并进行图形文件格式设置后，可应用于任何地区空气质量管理，可分析不同排放源及污染前体物对目标研究区域空气质量的影响，进而评估本地管控措施的减排效果，计算外来输送对本地区的影响程度，以较短的模型计算时间、较强的空间灵活性模拟不同地区的减排效果，为模型使用者或环境政策制定者提供参考建议，这对中国环境质量管理措施的制定和成效评估具有非常实用的借鉴意义。

由于SHERPA模型基于环境质量预报模型排放源与受体关系的基本原理开发，与目前中国常用的环境质量预测预报数值模型类似，其模型设置和运算需要输入研究区域精细化网格化污染物排放清单，因此，排放清单的准确程度对模型模拟结果影响显著。目前，SHERPA模型主要适用于季度或年度减排控制措施的效果评估，以月或日为时间单位的短期减排效果模拟评估有待进一步研究探索。