新冠期间河北省典型钢铁企业大气污染影响

陈 雷 ,王 鹏 ,伯 鑫 ,薛晓达 ,王成鑫 ,杨朝旭 ,贾 敏 ,刘健佑 ,尤 倩 ,桑敏捷 0,淡 默 (.陕西省环境科学研究院,陕西 西安 00；.北京化工大学数理学院,北京000；3.生态环境部环境工程评估中心,北京 000；.北京航空航天大学经济管理学院,北京 00；.四川大学建筑与环境学院,四川 成都 00；.中科三清科技有限公司,北京 0000；.北京化工大学经济管理学院,北京 000；.西安九派数据科技有限公司,陕西 西安 00；.首都经济贸易大学管理工程学院,北京 0000；0.河北科技大学环境科学与工程学院,河北 石家庄 000；.北京市劳动保护科学研究所,北京 000)

2020年我国新冠疫情爆发期间,各省市先后启动重大突发公共卫生事件一级响应.大气污染物排放方面,来自生活源、交通源以及中小企业工业源的排放降低显著[1],但新冠疫情期间中国钢铁行业生产未受较大影响.河北省是中国粗钢产量大省,国家统计局数据显示,2019年粗钢产量占全国总产量 24.25%,并且其大气污染物排放占比最大,2018年平均占比达 20.51%[2].在新冠疫情管控期间:2020年第1季度中国和河北省粗钢产量同比分别增长1.46%和0.16%.在全面复工复产后:2020年第2季度全国粗钢产量同比增长2.97%,河北省粗钢产量同比减少2.39%;第3季度全国和河北省粗钢产量保持稳定增长[3-4].相关研究[5]指出,新冠防疫期间唐山市交通流量减少、餐饮企业关停,但唐山市钢铁企业未受影响,钢铁大气排放特征突显,2020年2月9日～13日污染过程唐山市空气质量受钢铁工业排放影响显著,说明新冠疫情对中国钢铁企业生产影响较小.

在钢铁行业大气环境影响方面,现有研究无法精准反映单个钢铁企业大气排放对国控站点的贡献.已有研究主要采用 CAMx等区域大尺度模型和AERMOD、CALPUFF等小尺度模型模拟钢铁行业空气质量影响[6-9].例如,文献[10-13]采用 CAMx等模型模拟不同年份不同区域钢铁行业大气污染影响.然而,受生活源和交通源等污染源排放清单不确定性影响,现有模拟结果无法精准反映中国单个或者多个典型钢铁企业排放对大气环境影响水平.相关研究[14-15]采用小尺度空气质量模型,模拟钢铁行业单部门的空气质量贡献水平,未考虑生活源和交通源等其他排放源的贡献和影响,无法对数值模拟结果与空气质量监测数据进行验证,进一步增加模拟结果不确定性.

针对上述问题,本文以河北某典型长流程钢铁厂为例,利用国家气象局2020年2～10月气象预报数据,建立基于 AERMOD 钢铁企业污染预报模型,模拟新冠疫情管控期(2～3月)及解封后期(4～10月)钢铁企业对大气污染的影响,并结合当地 3个国控点的空气质量监测数据进行验证.由于河北省钢铁企业生产活动受疫情影响较小,且生活源和交通源等其他污染源排放大幅减少,在考虑不利风向下,模拟结果能更加精确地反映钢铁企业污染物排放对空气质量的影响,为典型钢铁企业污染预报研究提供新的思路.同时,可为钢铁企业排放管控和优化布局等提供数据支持.

1 研究方法

1.1 研究区域与对象

选取钢铁厂属于典型长流程钢铁企业,位于河北省某平原城市,周围地势平坦.2018年,该企业烧结机共 5台,高炉总容积达 14600m3,粗钢年产量达1122.84万t,占该市粗钢总产量的27.23%.2020年第1季度,该企业粗钢产量为 220.10万 t,环比下降0.45%,说明该企业钢铁生产受新冠疫情爆发影响程度较小.2020年2月,该市发布公共卫生事件一级响应[16],要求尽量减少公共交通和自驾出行及公众聚集活动,说明该市交通源、生活源排放减少.

空气质量监测数据来自企业周围3个空气质量监测站点(国控站),相对位置见图 1,1号监测点离企业最近,为2.82km,2号和3号分别离企业4.05km和6.83km.

图1 钢铁企业、空气质量监测点位关系Fig.1 The location relationship between the iron and steel plant and air quality monitoring stations

1.2 模拟模型参数

预报模型来自研究团队开发的企业大气污染预报系统[17],该系统采用 AERMOD 作为污染预报模型.AERMOD是美国环保署和中国生态环境部推荐的法规模型之一,广泛应用于工业排放源(包括火电、钢铁等)扩散模拟[18-23],适用于平坦地形条件下模拟.

获取了国家气象局2020年2月1日～10月31日预报数据,该预报资源融合了多种全球数值模式产品 GRAPES(中国气象局)/GFS、T639(中国气象局)/GMF等,使用数据为每天预测未来1d的连续数据,经处理后转换成AERMOD模型可读取的预报气象数据.预报期间风玫瑰图见图 2,主导风向为南风(S)和北风(N).

图2 2020年2月1日～10月31日预报风玫瑰Fig.2 Wind rose maps from February 1st to October 31 th in 2020

钢铁企业排放信息来自研究团队全国高分辨率钢铁排放清单(HSEC),污染物因子包括SO2、NOx和 PM10,模拟范围 15.2km×15.2km,水平分辨率200m,东西向76个格点,南北向76个格点,3个国控点作为敏感点,计算时间步长按 1h考虑,研究时间段为2020年2月1日～10月31日,地表参数(表1)来自研究团队开发的 AERSURFACE在线服务系统[19].

表1 地表参数Table 1 Surface parameters

由于模拟期间主导风向为南风(S)和北风(N)(图2),而三个国控站点基本位于钢铁企业的东北方向(图1),该情况下,钢铁企业对3个国控站点的影响较小,模拟结果的代表性不好,很难反映该企业真实的环境影响.因此,本文选取钢铁厂对国控点影响的不利风向下(200°～290°),分析 SO2、NOx和 PM10的模拟值和实测值的占比及相关性.且在该不利风向条件下,模拟区域范围内,没有其他钢铁厂对国控点造成影响.

1.3 模拟模型评估

参考国内外文献的评估方法[24-26],利用统计学方法计算钢铁企业大气污染物排放预报值(包括SO2、NOx和PM10)和国控点实际监测值的相关系数,验证模型的模拟效果.

2 结果与讨论

2.1 钢铁企业大气环境影响分析

不利风向条件下,在新冠疫情管控期(2020年2～3月),该钢铁厂排放对3个国控点SO2、NOx和PM10的浓度贡献占比分别为 20.19%～33.81%,17.49%～23.46%和 2.02%～2.69%(图 3).在解封后期(2020年 4～10月),该钢铁厂大气污染物排放对3个国控点SO2、NOx和PM10的浓度贡献占比分别为 13.43%～21.01%,11.09%～20.92%和 1.20%～2.22%.由于在新冠疫情管控期,居民封闭在家,道路源、生活源等污染源的干扰较小,导致该钢铁企业排放的3种污染物对国控站点的贡献占比均显著增加(P＜ 0.1).同时,钢铁厂排放对国控点1的贡献占比最大,对国控点3的占比最小(图 3).表明距离钢铁厂越近,其排放对环境的影响越大;因此优化和调整钢铁厂布局,要充分考虑风向、距敏感点距离等因素.

图3 不利条件下该钢厂排放SO2、NOx和PM10对国控点占比Fig.3 Contribution of SO2, NOx and PM10emission from the iron and steel plant to three state-controlled monitoring stations under adverse conditions

钢铁厂排放的 PM10对国控站点贡献占比最小,SO2贡献占比最大,这是由于钢铁企业除尘技术成熟,可实现较低的排放浓度.因此,下一步要着重加强钢铁企业 SO2和 NOx排放的管控,提升脱硫和脱硝设备的覆盖率和效率[10].

与现有文献模拟结果相比[11],钢铁企业排放的SO2、NOx和PM10对当地大气污染物贡献比例的趋势相同,其中PM10贡献比例最低, SO2和NOx的贡献比例较高(图 4).由于本文只考虑不利风向下典型钢铁企业对国控站点的影响,本次模拟中 SO2和 NOx贡献比例相对较高.

图4 研究企业大气环境影响文献对比Fig.4 Comparison of the average contribution of main air pollutants from the plant under study

2.2 模型模拟效果分析

为控制气象因素的影响,本文重点分析在不利风向下(200°～290°),SO2、NOx和 PM10的模拟值与实测值的相关性(图 5).结果表明:模拟值与实测值的整体相关性较好,但在不同时段的相关系数有明显差异.

图5 研究企业排放对国控点月贡献预测值和监测值相关系数Fig.5 Correlation coefficients between predicted and monitored value of monthly contribution of enterprise emission from the plant under study to three statecontrolled monitoring stations

在不利风向下,新冠疫情爆发以来(2020年2月～10月),该钢铁厂SO2、NOx和PM10模拟值与每个国控站点实测值进行对比,相关系数最高分别为0.43、0.40和0.11.

在不同时段中,模拟值与实测值的相关性在新冠疫情管控期(2020年 2～3月)高于解封后期(2020年4～10月);从各国控站点分析,距离钢铁厂越近,相关性越好;从不同污染物角度分析,NOx、SO2的相关系数好于PM10.在新冠疫情管控期,国控点1的SO2、NOx和PM10相关系数R最高,分别为0.43、0.48和0.29;在解封后期,同样是国控点 1的 SO2、NOx和PM10相关系数 R最高,分别为 0.42、0.39和 0.07.在新冠疫情管控期,生活源和交通源等污染源排放的大幅减少,导致该钢铁企业排放对国控站点的影响程度较大,模拟值和监测值的相关系数更高.因此,在新冠疫情管控期,能更加精确地反映钢铁企业排放对国控站点的影响.对照美国EPA传统的放示踪剂SF6的方法,本文提出了一个新的模型验证思路.

2.3 不确定性分析

本文存在几个不确定因素:(1)钢铁源强不确定性,钢铁企业各个工序生产存在一定波动,大气污染物排放核算存在不确定性[27].(2)预报气象不确定性,气象预报结果与实际气象观测结果有一定偏差,会导致模拟结果存在差异.(3)数值模型不确定性,AERMOD模拟未考虑SO2和NOx化学反应机制[28],使得PM10等模拟结果存在不确定性.

3 结论

3.1 在不利风向条件下,该钢铁厂大气污染物排放对三个国控站点SO2、NOx和PM10的浓度贡献占比和相关系数,在新冠疫情管控期(对单个站点最大贡献占比为 33.81%、23.46%和 2.69%;最大相关系数为0.43、0.48和0.29)高于解封后期(最大贡献占比为21.01%、20.92%和2.22%;最大相关系数为0.42、0.39和0.07).表明在新冠疫情管控期,受其他人为源干扰较少,开展钢铁企业污染贡献模拟,在不利风向条件下,可精确地反映钢铁企业排放对国控站点的影响.

3.2 钢铁厂排放的SO2和NOx贡献占比较高(2020年 2～10月,对单个站点最大贡献占比为 20.90%和20.73%),与现有研究结果一致,下一步要着重控制其排放.同时,在优化和调整钢铁厂布局,要充分考虑风向、距敏感点距离等因素.