典型区域传输过程关键源区减排对天津无机气溶胶及PM2.5 的影响研究

卢苗苗 韩素芹 唐晓 吴倩 孔磊 丁净 刘可欣 王自发 ,

1 天津市环境气象中心，天津 300074

2 中国气象局－南开大学大气环境与健康研究联合实验室，天津 300074

3 中国科学院大气物理研究所大气边界层物理和大气化学国家重点实验室，北京 100029

4 湖北省生态环境科学研究院，武汉 430070

5 南开大学环境科学与工程学院国家环境保护城市空气颗粒物污染防治重点实验室，天津 300350

6 中国科学院大气物理研究所国际气候与环境科学中心，北京 100029

7 中国科学院大学地球与行星科学学院，北京 100049

1 引言

无机气溶胶（IA），包含硫酸盐、硝酸盐和铵盐，其质量浓度在重污染期间占PM2.5 的比例可超过50%（Tsimpidi et al., 2007）；且与清洁天相比，污染天IA 的占比呈显著增加趋势，是引起大气灰霾的关键成分（Chen et al., 2016）。控制IA的前体物排放可能是缓解污染水平的重要举措，因此，探究气态前体物减排对IA 及PM2.5 的影响具有重要研究意义。

IA 以二次生成为主，SO2和NOx分别是硫酸盐和硝酸盐的直接前体物，NH3中和H2SO4和HNO3等酸性气体生成硫酸铵和硝酸铵等二次无机盐。IA 及PM2.5 的二次生成极具复杂性，不同前体物排放变化对其影响也不同，甚至出现相反的效应。与2006 年相比，2015 年华北地区SO2排放减少引起硫酸盐浓度降低，但硝酸盐及总的IA 浓度增加（Wang et al., 2013）。冬季NOx减排造成硫酸盐浓度增加（Megaritis et al., 2013），而且因NOx排放减少增加了低对流层O3浓度，从而促进华北地区硝酸盐的生成（Liu et al., 2018）。Burr and Zhang（2011）和Han et al.（2016）也报道了冬季重污染期间，削减电厂源、交通源或煤炭源导致硝酸盐及PM2.5 浓度不降反升的现象。与此同时，IA 及PM2.5 对前体物的敏感性存在地区差异性。例如，Lu et al.（2021）在冬季月份的敏感性研究发现，NH3减排使得南方城市群IA 下降10%～15%，高于华北平原地区的6.7%。Wang et al.（2016）研究指出，中国北方地区PM2.5 浓度对NOx和SO2排放变化最敏感，而中国南方地区则是对NOx和NH3最敏感。

除了IA 二次生成与前体物排放变化之间的非线性关系，上游地区污染物的区域输送也会影响本地污染防控措施的效果，甚至可能导致减排措施“失效”。Wang et al.（2015）基于WRF-Chem 模式量化了河北省石家庄、邢台和邯郸二次无机盐的来源，外来源贡献分别为40.9%、62.0%和59.1%，成为重要来源。长三角地区2015～2016 年冬季重污染过程期间，区域输送对硝酸盐贡献可以达到60%～98%，成为高浓度硝酸盐的决定性因素（Shen et al., 2020）。这些研究时段，仅仅控制本地排放可能对缓解污染水平的意义不大。Wang et al.（2014）的源解析结果表明，控制相邻省份PM2.5及其二次粒子相关前体物排放将是缓解上海市PM2.5 总量和二次物种污染的有效措施。考虑到大气污染物区域输送的重要影响，政府为全面改善城市空气质量，在2008 年奥运会、2014 年中国亚太经合组织峰会、2010 年上海世博会、2015 年大阅兵、2016 年二十国集团峰会等重大国际盛会期间对举办城市及其周边省市均采取强制性控制措施（Xing et al., 2011; Liu et al., 2016; Wen et al., 2016;Li et al., 2017c）。但这种常规污染减排方案存在一定的局限，Wang et al.（2019）通过对比研究发现，将污染物关键源区作为减排区域，有针对性地采用控制措施更高效，控制成本也更低。综上所述，不同地区和城市IA 及PM2.5 对前体物排放变化之间存在复杂关系，仍需要大量的敏感性分析研究。

天津位于渤海西海岸，其石化、能源、装备等重工业以及轮船、石油开采等行业排放出大量的污染物，长期遭受较为严重的空气污染。2015 年，天津市PM2.5 污染天共计110 d；2020 年1 月天津就发生2 次重污染过程，PM2.5 日均和小时浓度最高值分别为229±52 µg m-3（李立伟等, 2021）和258 µg m-3（肖致美等, 2020），局地达到严重污染水平。同时，天津也是京津冀城市群核心城市之一，该地区秋冬季节多面临区域性污染天气（Chen et al., 2019）。我们基于嵌套网格空气质量数值预报模式NAQPMS（Wang et al., 2001; 王自发等, 2006;Li et al., 2011），模拟了2017 年4～11 日华北平原地区一次典型区域性灰霾过程。由于目前IA 二次生成化学机理认知的局限（Chen et al., 2016; Fu et al., 2016）、前体物种的排放不确定性（Tang et al.,2013; Kong et al., 2019）、模式其它误差来源，以及区域多站点组分观测数据难以获取等问题，导致大尺度空间范围IA 时空演变分析及减排措施的评估研究仍然有限。本研究通过与22 个观测站点IA日均值的对比，获得了华北平原地区高精度的IA模拟数据。以此为重要基础，描述了整个区域IA的时空演变特征；结合在线污染物来源追踪方法，识别天津IA 的关键区域来源，重点探究关键源区气态前体物减排对天津IA 及PM2.5 的影响。该研究不仅对完善联防联控措施具有一定的现实意义，也为空气质量管理的区域一体化提供一些启示。

2 方法和数据

2.1 数值模式和输入数

2.1.1 模式介绍和设置

中国科学院大气物理研究所自主研发的嵌套网格空气质量模式NAQPMS 是三维欧拉传输模式（王自发等, 2006），采用双向网格嵌套方法，模拟不同尺度大气污染物的排放、输送、扩散、干湿沉降及化学等过程。其中，干沉降的模拟采用Wesely 阻力模型（Walmsley and Wesely, 1996; 马琳等, 2017），湿沉降和液相化学采用RADM 方案（Chang et al., 1987），气相化学采用CBM-Z 碳键反应机制（Zaveri and Peters, 1999），包含134 个化学反应；NAQPMS 采用气溶胶热力学模块ISORROPIA 1.7 处理硫酸盐、硝酸盐和铵盐的气固分配和热力学平衡（Nenes et al., 1998）；NAQPMS的非均相模块考虑了14 种化合物和29 种非均相反应，包括硫酸盐、黑碳、粉尘和海盐（Wu et al.,2021）。

WRFv3.9（Weather Research and Forecasting）为NAQPMS 提供离线的逐小时气象场，它是新一代中尺度天气数值预报模式，由美国NCEP （National Center for Environmental Prediction） 和 NCAR（National Center for Atmospheric Research）等机构联合研发。WRF 模式中提供了一系列物理机制和参数化方案，主要包括长波/短波辐射模块、陆面过程、积云对流、边界层湍流和云微物理参数化方案等，具体方案见表1。

表1 WRF 模式采用的主要参数化方案Table 1 Main physical options in WRF (Weather Research and Forecasting) simulation

模拟区域如图1 所示，WRF 采用兰勃脱投影方式，中心经纬度设定为105°E 和34°N，双层嵌套网格的水平分辨率分别为45 km 和15 km，真实纬度设置为25°N 和40°N，标准经度设为105°E。NAQPMS 模拟范围为第二层区域，覆盖整个中国地区，网格数为432（经度）×339（纬度），垂直方向上分20 层，距离地面第一层高度大约为50 m，最高层为20000 m；NAQPMS 模拟的边界条件采用全球化学传输模式MOZART-v2（Hauglustaine et al.,1998）模拟的月均浓度。NAQPMS 模拟时段为2017 年10 月25 日到2017 年11 月11 日，前10天作为NAQPMS 的起转时间。WRF 模式模拟的初始和边界层条件采用NCEP/NCAR 1°（纬度）×1°（经度）的再分析资料（http://rda.ucar.edu/datasets/[2022-04-15]），气象场模拟方案是WRF 运行36 h，前12 h 作为spinup 时间，后24 h（1 d）为NAQPMS提供逐日的气象场数据。

图1 模式区域设置和标识源区Fig. 1 Model domain and the tagged source regions

2.1.2 排放清单

NAQPMS 模拟采用排放源数据包括人为排放源、挥发性有机物、生物质燃烧源、飞机、船只和火山排放等来源，涉及SO2、NOx、CO、NMVOC（非甲烷挥发性有机化合物）、NH3、PM10、PM2.5、BC、OC 和CO2等物种的排放。其中，人为排放源来自清华大学2016 年中国多分辨率排放清单MEIC（Li et al., 2017a; Zheng et al., 2018）（http://meicmodel.org[2022-05-02]），空间分辨率为0.25°，时间分辨率为月，基准年份为2016 年。北京大学更新了中国的氨气清单PKU-NH3（Huang et al., 2012a, 2012b;Kang et al., 2016; http://meicmodel.org/?page_id=1914[2022-00-00]），基准年为2016 年，更详细的信息参考Li et al.（2017b）。生物质燃烧逐小时的排放量由全球火灾排放数据库GFEDv4（Randerson et al.,2018，http://www.globalfiredata.org/index.html[2022-00-00]）提供。飞机、船只和火山排放来自空间分辨率为0.1°的HATP_v2（Janssens-Maenhout et al.,2015），生物源挥发性有机化合物来自MEGANv2.1（Model of Emissions of Gases and Aerosols from Nature）数据集（Sindelarova et al., 2014），这两类排放数据均以月为时间分辨率。考虑到人为排放源对区域及城市尺度大气污染发生的决定性影响，本研究对MEIC 人为排放源进行了周和日变化处理。该清单主要包含电力、工业、民用、交通和农业等5 类行业，参照已有研究（Zheng et al., 2012; 杨柳林等, 2015; 黄晓波, 2016 ），同月份农业源周/日变化小，不做逐日和逐时变化处理；其它4 类行业根据其排放特点，对其污染物排放周变化和日变化进行分配计算。工作日期间各行业排放变化不大，休息日除生活源外其它行业排放量有所减少，特别是工业源。其次，生活源排放在早、中、晚餐期间存在高峰时段，工业源排放量主要体现在白天时段，电力和交通源自白天到夜间09:00（北京时间，下同）排放较高。

2.2 观测数据

天津市气象局提供了研究时段天津市小时分辨率的气象要素观测数据，包括2 m 温度、2 m 相对湿度、10 m 风向和风速，用于分析污染过程的气象条件，以及验证WRF 模式对天津地区气象场的模拟效果。天津市PM2.5 小时观测数据来自天津市生态环境局，22 个站点IA 总浓度日均值来自华北平原地区成分观测网，站点信息见表2，用于验证NAQPMS 对华北平原地区无机气溶胶和天津PM2.5 的模拟效果，以及分析污染物时空演变特征。

表2 无机气溶胶观测站点信息Table 2 Information of observation stations of inorganic aerosol

2.3 在线污染物源解析追踪方法

NAQPMS 模式耦合的在线污染物源解析追踪方法（Li et al., 2008; Wu et al., 2011, 2017）可量化标记出的污染源区对目标城市大气污染物的贡献，用以分析区域传输对所研究地区的污染物浓度的影响。这一方法能够同时考虑排放、物理（包含平流、扩散和对流等）和化学等多种大气过程，计算得到不同区域对目标城市一次和二次气溶胶浓度的贡献。其优势在于无需改变模式中污染物的排放速率，可有效减少因排放源变化所引起的非线性问题。该方法已经多次被应用于探寻我国不同城市和地区大气污染的来源（陈焕盛等, 2010; Wang et al., 2014）。本研究中标记的源区（见图1），包括天津、北京、河北、山东、河南、山西、华中（包括湖北、湖南和江西）、华东（包括江苏、安徽、上海、浙江和福建）和其它等9 个地区。

3 结果

3.1 模式验证与评估

为综合评估WRF-NAQPMS 的模拟能力，图2展示了天津市2017 年11 月4～11 日主要气象要素，包括2 m 温度（T）、2 m 相对湿度（RH）、10 m风场和风速小时模拟和观测值时间序列，和观测均值、模拟均值及对应的评估参数，包括平均偏差（ δ）、相关系数（r）和均方根误差（RMSE），计算公式如下：

图2 2017 年11 月4～11 日天津市主要气象要素（包括温度、相对湿度、风场、风速、PM2.5 浓度）观测和模拟小时值时间序列（11 月5～7 日定义为控制日，11 月8～10 日定义为非控制日）Fig. 2 The hourly simulated and observed main meteorological elements, including temperature, relative humidity (RH), winds, wind speed, and PM2.5 concentration of Tianjin during 4-11 November 2017 (5-7 November 2017 is defined as the control day, and 8-10 November 2017 is defined as the non-control day)

其中，S代表模拟值，O代表观测值，i为小时数，n是有效数据对。

对比而言，WRF 模式对温度的模拟效果最好，模拟和观测的温度平均偏差为-1°C，均方根误差为2.1°C；相对湿度有所低估，平均偏差为-6.6%，这比Chen et al.（2019）利用WRF-Chem 模拟的2017 年11 月中国2+26 城市相对湿度平均偏差小3.4%。模式对风向的模拟效果良好，不仅体现在强风时段，在弱风和风向快速转换时刻也有较好的表现；但对风速存在高估现象，偏差为1.2 m/s，均方根误差为1.7 m/s，这是目前WRF 对城市风速模拟普遍存在的问题，可能是由于较粗的模式分辨率和复杂的下垫面影响导致的（Cheng and Steenburgh,2005; Yahya et al., 2015）。观测和模拟的温度、相对湿度和风速的相关系数分别为0.93，0.8 和0.77，时间演变趋势较为一致。整体而言，WRF 模式基本可以再现气象要素的时间演变规律。

为评估NAQPMS 对区域无机气溶胶的模拟能力，图3 展示了11 月4～11 日华北平原地区22 个站点IA 日均观测和模拟浓度空间分布，研究表明11 月5 日华北平原地区在山西、河北和北京部分地区已经出现较高浓度的IA，日均值超过45 µg m-3，模式对山西中部地区IA 存在低估；6 日，污染范围进一步扩大，几乎涵盖整个区域；7 日，IA 分布整体向东南方向偏移，但局地现象明显；8 日，污染气团向西南方向移动，高浓度IA 集中在河北、山西和河南交界处，其它地区IA 浓度低；9 日，污染物北上，增加了京津冀地区IA 浓度；10～11 日，IA 恢复低浓度状态。整体上，模式能再现IA 日均浓度量值和分布态势，这是本研究分析区域性污染过程IA 特征及开展敏感性试验的重要基础。

此外，进一步评估天津市PM2.5 的模拟情况（如图2），观测与模拟的PM2.5 小时浓度相关系数为0.78，基本能再现污染时段PM2.5 浓度上升和清洁时段PM2.5 快速下降的整体趋势；平均偏差为-2.3 µg m-3，均方根误差为28.4 µg m-3；MFB和MFE 分别为10.4%和47.4%，明显小于Boylan and Russell （2006）提出的颗粒物数值模拟标准（MFB≤ 60%和MFE ≤ 75%），偏差处于可接受的范围内。研究时段，天津市PM2.5 日均浓度逐渐增加，6 日和7 日达到污染水平，分别为94.9 µg m-3和109.1 µg m-3，小时峰值达到198.2 µg m-3，这一阶段PM2.5 持续超过75 µg m-3达30 h。伴随较强西北风，7 日PM2.5 浓度快速下降，8 日恢复清洁天；9 日，PM2.5 浓度再次升高，小时值持续超过75 µg m-3共16 h；10 日，受盛行西北风的清洁作用，污染过程结束。结果表明，天津观测与模拟的PM2.5 时间序列具有较好的一致性。同时，我们基于获取的天津及河南郑州两个站点无机气溶胶各组分的观测数据进行模式评估（图4），天津硫酸盐、硝酸盐和铵盐的绝对平均偏差分别为3.7 µg m-3、1.8 µg m-3和1.3 µg m-3，郑州3 种组分的绝对平均偏差分别为2.8 µg m-3、-3.3 µg m-3和-0.6 µg m-3，模式对两个站点硫酸盐存在一定程度的高估，这可能是由于各地“气代煤、电代煤”等整治措施的大力实施，清单中SO2排放量高于现实情景导致的（Kong et al., 2020）。两个站点3种气溶胶观测与模拟值随时间的演变基本保持一致，特别在污染天，模式也能较好地再现无机气溶胶浓度增加的趋势。因此，WRF-NAQPMS 对华北平原地区的无机气溶胶整体上具有较好的模拟能力。

图4 2017 年11 月4～11 日（a、b、c）天津和（d、e、f）河南郑州观测和模拟的（a、b）硫酸盐、（c、d）硝酸盐和（e、f）铵盐日均值对比Fig. 4 Comparison of daily and observed simulated sulfate, nitrate and ammonium concentrations at (a, b, c) Tianjin and (d, e, f) Zhengzhou sites during 4-11 November in 2017

3.2 研究时段IA 时空演变特征

图5 显示了利用在线污染物来源追踪方法量化了整个研究时段标识的潜在区域（图1）对天津市IA 的贡献，结合高精度IA 和风场模拟数据（图3），分析区域性污染过程IA 时空分布特征及其对天津IA 的影响。11 月5 日，华北平原地区IA 浓度增加，特别是河北北部—北京—河北中部—山西中部一线，天津仍处于清洁天，受较强南风影响，外来源贡献占主导，特别是华东地区，贡献41.7%；华北平原地区（NCP）区域内，主要是山东、河南和河北分别贡献22.5%、17.3%和8.9%。6 日，污染区域蔓延整个华北地区，天津出现污染天，南风持续，但风速减弱，华东影响减弱，贡献率为26.5%；NCP 区域内主要来源是山东、河南和天津本地，分别贡献21.4%、18.5%和14.5%。7 日，在系统性西北风的驱动下，华北地区污染气团向东南方向移动至山东及华东地区，天津近地面也由静风转变为强偏北风，河北贡献显著增加，贡献率为27.6%；其次，河南和华中地区贡献分别为23.8%和14.1%，山西贡献为4.5%，天津本地贡献仅为14.8%，上游地区污染水平加重导致天津IA 及PM2.5 浓度显著增加。8 日，随着污染气团南移，京津冀地区恢复清洁天，天津风向转为较弱偏东风，本地排放成为主导来源，贡献率为66.7%。至9 日，系统性东南风驱动高浓度污染物再次向华中及华北平原中部传输，天津地区由南风转为西风，IA 及PM2.5 浓度再次增加造成短时污染，关键源区为河北、华东和山东，分别贡献38.7%、22.6%和12.7%。10～11 日，随着新一轮西北风的到来，此次污染过程结束。

图5 2017 年11 月5～11 日不同源区对天津市IA 日均浓度贡献率Fig. 5 Daily contribution ratio of different source regions to IA of Tianjin during 5-11 November 2017

华北平原地区生成的污染气团曾多次发生向东或东南方向进行长距离传输，成为典型城市群之间的跨界传输过程（Zheng et al., 2019; Uno et al.,2020）。此次过程，传输到华东地区的污染气团再次以顺时针方向重新北上，受此影响，天津地区分别在6～7 日和9 日出现污染时段，延长了污染周期。外来源是天津在污染天IA 的主导来源，主要是华北平原地区，贡献范围为69%～80.7%，本地排放贡献不足15%。

3.3 NCP 地区前体物减排对天津IA 及PM2.5 的影响

为探究这一跨区域传输过程华北平原地区—关键源区的气体减排对天津本地IA 及PM2.5 生成的影响，利用敏感性分析法对三种气态前体物SO2、NH3和NOx减排30%分别输入模式进行模拟，减排比例参考Wang et al.（2016），具体试验设置见表3。天津地区在11 月6 日开始发生污染过程，考虑到华北平原部分城市5 日已出现污染天，因此，将减排时间设置在11 月5～7 日，并定义为控制日，11 月8～10 日定义为非控制日（时间划分见图2），下面将详细分析华北平原地区3 种前体物减排在控制日和非控制日IA 浓度时空变化，及其对天津地区IA 和PM2.5 的影响。

表3 基准模拟和敏感性试验设计Table 3 Design of base simulation and sensitivity experiments of emission reduction of gaseous pollutants

3.3.1 SO2减排对天津IA 及PM2.5 的影响

华北平原地区SO2减排对区域IA 日均浓度随时间的变化，如图6。整体上，SO2减排导致区域IA 总浓度降低（定义为正效应），在控制日影响范围逐渐扩大，并向东南方向移动。11 月5 日，SO2减排对IA 的影响不大；6～7 日，IA 总浓度降低区域主要分布在华北平原及辽宁地区中部，最大降低1～2 µg m-3，降低率在2%～5%。8 日非控制日，影响显著区域集中在华北平原南部，IA 降低1～2 µg m-3的区域几乎涵盖整个河南地区，范围最大；9 日，污染气团由海上重返内陆，IA 浓度降低不到1 µg m-3，但降低率仍为2%～5%，一直持续到10 日，影响范围迅速减小，主要集中在江西和湖北东部等地。这一结果表明，控制日IA 浓度下降首先体现在污染地区，影响范围在控制日逐渐扩大，与污染气团的分布范围基本保持一致；沿着IA 传输路径，SO2减排效应可叠加，加倍影响华北平原下游城市；华北平原地区SO2减排效应可延续非控制日3 天时间，对华东、华中乃至华南地区IA 起到同比（2%）的下降作用。

图6 2017 年控制日11 月（a）5 日、（b）6 日、（c）7 日，非控制日11 月（d）8 日、（e）9 日、（f）10 日与基准模拟相比SO2 减排对IA 日均浓度的影响（填色，单位：µg m-3）和对IA 的贡献（白色虚线，单位：%）Fig. 6 Changes (shaded areas, units: µg m-3) and contribution (white dashed lines, units: %) of daily IA concentration by SO2 emission reduction comparing to base simulation on (a, b, c) control day, and (d, e, f) non-control day in 2017

华北平原地区SO2减排对天津逐日IA 及PM2.5 日均浓度的影响，如图7。SO2减排降低了IA 和PM2.5 总浓度，在控制日IA 下降比例逐渐增加，5 日为0.5%，7 日增加至1.9%。由3.2 节得到的结论，SO2减排效应随着传输路径向下游传播，上游地区及本地SO2同时控制对天津IA 的降低产生叠加效应。8 日（非控制日），天津IA 由本地排放为主导来源，IA 浓度不变。但在9 日，IA 下降率为1.3%，这是由于天津IA 的主导来源华东地区、山东和河北等地IA 下降造成的；10 日，IA下降率可忽略。天津PM2.5 逐日的下降与IA 趋势基本一致，但PM2.5 降低率均不足1%，影响小。天津IA 及PM2.5 的下降是由于硫酸盐和铵盐的降低，SO2是硫酸盐的前体物，SO2排放减少造成H2SO4及硫酸盐化学生成减少，逐日下降率与IA一致，最大下降率发生在11 月8 日，为8.1%；气态H2SO4生成的减少同样会降低硫酸铵的生成，造成铵盐下降，其日均下降率的变化与硫酸盐保持一致。然而，SO2排放量降低导致硝酸盐浓度上升（定义为负效应），最大效应同样发生在7 日和9 日，上升幅度均为3.5%，这一负效应部分抵消了SO2减排对IA 的降低作用。Warner et al.（2017）和Liu et al.（2018）的研究结论给出了原因，SO2减排导致生成的硫酸铵减少，气体NH3增加，增加的NH3可以中和更多的HNO3，导致颗粒态的硝酸盐生成。

图7 2017 年11 月5～11 日与基准模拟相比SO2 减排对天津细颗粒物（PM2.5）、IA、硫酸盐（ASO4）、硝酸盐（ANO3）和铵盐（ANH4）日均浓度贡献率Fig. 7 Changes in fraction of daily PM2.5, the total secondary IA and its species (ASO4, ANO3, ANH4) by SO2 emission reduction scenario comparing to base simulation during 5-11 November 2017 over Tianjin

3.3.2 NH3减排对天津IA 及PM2.5 的影响

NH3减排对区域IA 及PM2.5 影响见图8，研究表明控制日11 月5 日，影响显著的范围已经涵盖整个华北平原地区，蔓延至辽宁地区，最大的IA 总浓度降低2 µg m-3，降低率为10%～15%；6～7 日，影响范围扩大，向东北和东南方向延伸，IA 下降率达到20%～30%及以上。非控制日8～9 日，污染物向内陆传输，NH3减排对IA 的影响减小，最大下降率分别为10%～15%和2%；10 日，NH3减排效应可忽略。与SO2减排相比，NH3减排对IA 总浓度的影响更为显著，影响时间开始更早，结束更早；但对IA 的影响范围同样沿区域传输路径演变。

图8 同图6，但为与基准模拟相比NH3 减排对IA 日均浓度的影响和贡献Fig. 8 Same as Fig. 6, but changes and contribution of daily IA concentration by NH3 emission reduction comparing to base simulation

如图9，华北平原地区NH3减排对天津PM2.5和IA 各组分均起下降的作用。控制日，PM2.5 和IA 浓度下降率先增加后减小，最大下降率出现在11 月6 日，分别为13.3%和30.8%。华北平原地区内山东、河南和河北是天津IA 的重要外来来源，源区SO2减排引起本地IA 浓度下降，因此，除天津本地IA 的降低，外来源传输的IA 也大幅减少。8 日非控制日，与SO2减排一致，NH3减排基本无影响；9 日开始，PM2.5 和IA 下降率快速减小，分别小于1%和2%。PM2.5 和IA 下降率的变化趋势与IA 各组分一致，硫酸盐下降较小，最大下降率为2.3%。PM2.5 和IA 浓度下降主要取决于NH3减排对硝酸盐和铵盐的下降作用，最大下降率分别为49.2%和28.5%，原因是NH3首先会中和各类化学反应产生的气态H2SO4，过剩的NH3再中和HNO3，造成NH3减排会优先控制硝酸盐的浓度。NH3减排引起PM2.5 的最大下降率为13.3%，是SO2减排引起PM2.5 最大下降率（0.5%）的27 倍；NH3减排引起IA 的最大下降率为30.8%，是SO2减排引起IA 最大下降率（1.9%）的16 倍，最大下降率出现早一天，因此，NH3减排更为高效。NH3减排导致IA 浓度的下降比例在控制日比非控制日高15～30 倍；但在非控制日，IA 各组分和PM2.5 的下降程度也比SO2减排更大。

图9 同图7，但为NH3 减排对天津各污染物日均浓度贡献率Fig. 9 Same as Fig, 7, but changes in fraction of daily PM2.5, the total secondary inorganic aerosol and its species by NH3 emission reduction scenario comparing to base simulation in Tianjin

3.3.3 NOx减排对天津IA 及PM2.5 的影响

如图10，华北平原地区NOx减排在不同地区IA 浓度增加和降低现象同时存在，且正、负效应同步沿着污染气团传输路径向下游传递。11 月5 日，主要是华北北部、陕西和山西交界以及山东南部地区IA 总浓度增加，影响小；华北平原其它地区IA 浓度减小，下降率2%左右。随后负效应增加，呈东北—西南向，于11 月6 日影响范围和程度达到最大；7 日，负效应向东南方向移动，仅影响河北北部和北京等局地地区；随后，负效应影响减小。7 日和8 日，正效应随顺时针方向传递返回内陆，影响范围和程度达到最大，IA 最大下降率5%，浓度下降超过2 µg m-3；9 日，IA 下降率恢复至2%；10 日，影响可忽略。与负效应相比，整个过程正效应对IA 的影响更为显著。NOx减排对IA 产生的正、负效应同步传输主要因为NOx减排对硝酸盐的作用（见图11）。NOx减排造成部分地区硝酸盐浓度增加，可能存在两方面原因：其一，NOx减排造成不同地区硫酸盐浓度不同程度的增加（Lu et al., 2021），在非均相反应过程中，硫酸盐可以作为氮氧化物的反应介质，增加硝酸盐的生成；其二，NOx减排导致大气氧化性增加，会促进更多的NOx被氧化生成硝酸盐。NOx减排在不同地区对硝酸盐产生的效应不同，可能与局地大气中气体含量及大气氧化性存在地区差异所致。

图10 2017 年控制日11 月（a）5 日、（b）6 日、（c）7 日，非控制日11 月（d）8 日、（e）9 日、（f）10 日与基准模拟相比NOx 减排对IA 日均浓度的影响（填色，单位：µg m-3）和对IA 的贡献（白色虚线，单位：%）Fig. 10 Changes (shaded areas, units: µg m-3) and contribution (white dashed lines, units: %) of daily IA concentration by NOx emission reduction comparing to base simulation on control day (a, b, c), and non-control day (d, e, f) in 2017

图11 同图10，但为NOx 减排对硝酸盐日均浓度的影响和贡献Fig. 11 Same as Fig, 10, but changes and contribution of daily nitrate concentration by NOx emission reduction comparing to base simulation

NOx减排对天津IA 及PM2.5 的影响见图12，11 月5～6 日，NOx减排降低了IA 及PM2.5 浓度，下降率分别为1.5%～4.8%和0.4%～1.9%，但在7 日IA 及PM2.5 浓度增加，增幅不大；8 日以后，IA 及PM2.5 浓度再次降低。控制日，NOx减排情景下天津IA 及PM2.5 最大下降率是SO2减排的3.8 倍和2.5 倍；但在非控制日，影响相当；但NH3减排情景下天津IA 及PM2.5 最大下降率是NOx减排的7 倍和6.4 倍，在非控制日，也略高。这表明关键源区NH3减排可以造成天津IA 和PM2.5 快速下降，是缓解大气污染水平的最有效前体物。

图12 同图7，但为与基准模拟相比NOx 减排对天津各污染物日均浓度贡献率Fig. 12 Same as Fig, 7, but changes in fraction of daily PM2.5, the total secondary inorganic aerosol and its species by NOx emission reduction scenario comparing to base simulation over Tianjin

天津IA 及PM2.5 日均值的变化主要取决于NOx减排对硝酸盐和铵盐的影响，硝酸盐最大下降率为7.9%，出现在6 日；负效应出现在7 日，硝酸盐和铵盐下降率分别为1.5%和0.9%。基于图11显示的NOx减排效应来看，11 月5 日，华北平原地区NOx减排导致天津本地、北京硝酸盐浓度降低，但在河北北部硝酸盐浓度上升，6 日，受盛行强西北风的控制，天津和北京的正效应叠加导致天津硝酸盐浓度下降最显著；但7 日，河北地区对天津IA 贡献增加，河北北部负效应的传输导致天津硝酸盐浓度增加。上游地区减排效应的传递直接影响了下游城市污染物浓度的改变，这种非线性的减排效应增加了联防联控的难度，可以部分解释城市发布污染预警时，机动车限行等措施对污染过程防控作用小这一现象。值得注意的是，NOx减排导致天津硫酸盐浓度略微增加，增长率小于1%。根据Lu et al.（2021）对整个中国中东部地区开展NOx减排20%的研究结果，整个大尺度区域硫酸盐同样出现小幅增加现象，增长率为2%～3.2%，是因为NOx减排造成白天O3和日间NO3自由基浓度增加，大气氧化性增强，促进了SO2的氧化过程；SO2可以通过O3在气相或液相化学或由O3和NO3转变的OH 自由基光化学氧化生成硫酸盐（Shah et al., 2018; Huang et al., 2020）。

4 结论

2017 年11 月4～11 日期间华北平原地区发生了一次典型区域性污染过程，基于WRF-NAQPMS建立了区域高精度无机气溶胶（IA）模拟系统，利用耦合在NAQPMS 中的在线污染物来源追踪方法，分析了天津IA 浓度的区域来源变化，识别关键来源；结合敏感性分析方法，揭示关键源区不同前体物减排对天津IA 及PM2.5 浓度的影响，得到的主要研究结论如下：

（1）整个研究时段，华北平原地区是天津IA的关键来源，日均贡献比范围为57.6%～100%。11 月5～7 日，华北平原地区总贡献逐渐增加，依次为57.6%，68.5%和81.3%；该时段较强南风逐渐减弱，后转变为西北风，华东和山东贡献减弱，分别由26.1%下降到1.5%，由21.6%下降到6.0%，河北贡献增加，增幅为14.2%；8 日，静风条件下，天津本地排放占主导；污染气团沿顺时针方向旋转重新北上，华东和河北地区成为主导来源，贡献分别为38.8%和23.8%。

（2）敏感性试验结果表明，3 种气体减排效应相比，SO2减排影响区域范围最广，影响时间最长，IA 浓度2%的下降率可发生在控制日后未来3 d。华北平原SO2排放量降低导致天津硝酸盐浓度上升，最大增长率3.5%。NOx减排在不同地区对硝酸盐及IA 总浓度产生的效应不同，这种正、负效应同步沿传输路径向下游地区传播，导致天津硝酸盐浓度先降低后增加。NH3减排对IA 及PM2.5 总浓度降低最多，成为3 种气体中缓解污染水平最关键的前体物。同时，NH3减排效应较为线性，控制日IA 总浓度的下降比例比非控制日高15～30 倍。本研究结果表明在发生大范围传输的污染过程，关键源区正效应的传播会加快降低气溶胶浓度，但负效应的传播会增加了大气污染联防联控的难度。