《Atmospheric Environment》:Improving PM
2.5 simulations in the Metropolitan Area of S?o Paulo through PMF-based emission inventory adjustments and local road transport emissions
根据源解析受体模型,道路运输部门是圣保罗市细颗粒物(PM2.5)浓度的主要来源。然而,使用本地或全球排放清单运行的大气质量模型低估了PM2.5浓度。本研究结合实验数据和受体模型结果,开发了一份详细的道路运输部门本地排放清单,该清单考虑了道路扬尘再悬浮和圣保罗的生物燃料组成。其他人为来源的排放使用全球数据集进行估算,并基于先前在圣保罗市进行的正矩阵因子分解(PMF)建模的源解析研究进行调整。随后,这份更新的排放清单被用于社区多尺度空气质量(CMAQ)模型,模拟期为两个月(2018年4月至5月)。使用客观分析的气象模型在两个地面站表现良好。尽管CMAQ模型对新清单的PM2.5预测表现更好,但臭氧预测的建模性能低于使用全球清单。预测的二次气溶胶和PM2.5化学组分与观测结果一致,特别是元素碳和硫酸盐,而其他组分存在差异。增强的排放清单通过不仅考虑道路运输部门,还考虑其他相关部门,提高了PM2.5、二氧化硫和一氧化碳的模型精度。该清单将作为未来分析生物燃料使用增加情景的基线。
**论文解读:基于PMF的排放清单调整与本地道路运输排放改进圣保罗大都会区PM
2.5模拟**
**一、研究背景与问题**
圣保罗大都会区(MASP)是拉丁美洲最大的城市区域,拥有约2200万人口和约700万辆机动车,这些车辆使用乙醇、汽油醇、天然气和柴油等多种燃料。尽管自1986年实施机动车空气污染控制计划(PROCONVE)以来,一次污染物如CO、PM
10、SO
2和NO
x浓度有所下降,但PM
2.5和臭氧(O
3)浓度仍居高不下,因其二次形成过程复杂。源解析研究表明,道路运输是MASP地区PM
2.5的主要贡献源,但本地排放清单(如CETESB编制的清单)仅考虑尾气、蒸发和加油排放,未包含道路扬尘再悬浮(RD),而RD贡献了PM
2.5总浓度的12%-26%。此外,全球排放清单(如EDGAR-HTAP_v3)在MASP的应用存在显著偏差,例如高估了工业部门对PM
2.5的贡献。因此,现有排放清单与实际观测之间存在较大差距,导致大气质量模型(如CMAQ)对PM
2.5浓度的模拟普遍低估。本研究旨在通过整合本地源解析结果和道路运输排放的详细估算,构建更新的排放清单,以提高PM
2.5模拟的准确性。
**二、研究内容与意义**
研究人员开发了一种结合自下而上道路运输排放估算和基于正矩阵因子分解(PMF)的工业排放调整的方法,构建了更新排放清单(Tunnel情景),并利用CMAQ模型(版本5.5)进行为期两个月(2018年4-5月)的模拟,与全球EDGAR-HTAP_v3清单(HTAP情景)对比。研究发现,更新后的Tunnel清单显著改善了PM
2.5、SO
2和CO的模拟性能,但O
3模拟性能有所下降。该研究首次将PMF源解析结果用于校准全球清单中的工业排放,并系统纳入道路扬尘再悬浮排放,为城市尺度空气质量建模提供了可推广的方法。论文发表在《Atmospheric Environment》。
**三、主要关键技术方法**
1. **道路运输排放自下而上估算**:基于车辆分类(轻型车LDV、重型车HDV、摩托车)的行驶里程(km day
-1)和排放因子(g km
-1),分别计算尾气、刹车磨损(BW)、轮胎磨损(TW)和道路扬尘再悬浮(RD)排放。RD排放因子采用AP-42指南(US EPA, 2011)方法,基于葡萄牙的 silt-loading(sL)值和月降水量调整。
2. **基于PMF的工业排放校准**:利用本地PMF源解析结果(Pereira et al., 2017, 2025),将MASP地区工业部门对PM
10和PM
2.5的贡献分别调整为9.5%和10%,以此缩放EDGAR-HTAP_v3清单中的工业排放。
3. **气象与空气质量模拟**:使用WRF模型(版本4.5)进行气象模拟,并采用客观分析(观测和格点分析松弛)改进性能;CMAQ模型(版本5.5)采用CB6r5气相化学机制和AERO7气溶胶-水相机制,模拟区域为嵌套网格(父域9 km分辨率,内域3 km分辨率),模拟时段为2018年4-5月,观测数据来自CETESB空气质量监测站(39个站点)和两个气象站(INMET Mirante站和IAG站)。
**四、研究结果**
**3.1 排放清单结果**
**3.1.1 道路运输**:自下而上估算显示,重型车(HDV)占车队总数的6.8%,但其PM
10和PM
2.5排放因子分别是轻型车(LDV)的7.54倍和6.87倍。道路扬尘再悬浮(RD)对PM
10贡献显著(LDV 65.9%,HDV 72.9%),但对PM
2.5贡献较低(LDV 37.5%,HDV 45.6%)。总PM
2.5道路运输排放为58.06 kt y
-1(内域),其中车辆源(尾气、BW、TW)占61%,RD占39%。化学组分分析表明,车辆尾气中元素碳(EC, 37.7%)和有机碳(OC, 24.4%)占比较高,而RD中地壳元素(Si, Al, Fe, Ca等)为特征示踪物。
**3.1.2 内域模拟域排放清单**:与全球HTAP清单相比,Tunnel情景下总域CO、NO
x和NMVOC排放分别增加2.07、1.35和1.21倍,而PM
10、PM
2.5和SO
2分别减少0.77、0.76和0.14倍。PM
2.5主要贡献来自农业部门(46.7%),其次为道路运输(32.0%)和工业(10.0%)。
**3.1.3 圣保罗州排放清单**:与CETESB、SEEG和EDGAR-HTAP_v3清单对比,Tunnel情景的PM
2.5排放中农业部门占70%,道路运输占18%,工业占6%。SO
2排放大幅降低(-87%),主要源于航空部门(58%)和工业(27%),反映本地严格的燃料硫含量法规。
**3.2 模拟结果与验证**
**3.2.1 气象模拟**:WRF模型整合观测和格点分析松弛后,在Mirante和IAG两个气象站的表现良好,满足统计基准(Monk et al., 2019; Reboredo et al., 2015)。
**3.2.2 PM
2.5模拟评估**:Tunnel情景轻微低估城市站点PM
2.5浓度(平均偏差MB = -1.47 μg m
-3),但整体统计指标(NMB: -7.58%至-1.19%,NME: 30.27%至35.79%,r: 0.56至0.66)达到或优于Emery et al. (2017)的“标准”甚至“目标”水平。相比之下,HTAP情景显著高估(MB = 17.27 μg m
-3, NMB = 89.33%),尤其在MASP城市站点。在区域城市站点(MASP外)HTAP表现可接受(NMB = 14.20%, r = 0.63)。Tunnel情景下二次气溶胶贡献约49%(二次无机气溶胶SIA ~30%,二次有机气溶胶SOA ~19%),与观测一致,但硝酸盐(15.6%)和铵盐(6.0%)被高估。
**3.2.3 其他污染物性能**:O
3模拟中,Tunnel情景表现不如HTAP情景,但r值仍处于0.54-0.77,达到“标准”水平(r > 0.5)。其他污染物(PM
10、CO、NO
x、SO
2、甲苯)的模拟显示Tunnel情景整体优于HTAP情景,相关系数r在0.09至0.79之间。
**五、讨论与结论总结**
**讨论部分**:本研究建立了评估生物燃料使用增加对空气质量影响的基准情景。方法创新在于整合RD排放和基于PMF校准工业排放。局限性包括:排放因子来自两个隧道实验,代表性有限;RD排放因子使用的sL值来自葡萄牙而非MASP;干季条件(2018年4-5月)可能影响代表性。工业排放调整基于PMF合理,但受限于CMAQ模型对粗网格分辨率源的处理。与先前MASP模拟研究相比,Tunnel情景的PM
2.5模拟性能显著提升(NMB从-65%至-39%改善至-7%至-1%),但O
3模拟仍需改进。未来工作需基于本地sL测量、高分辨率空间数据,并考虑生物质燃烧季节。该方法论可推广至其他南美城市。
**结论部分**(翻译):
本研究突出了圣保罗市空气质量管理的复杂性,特别是准确表征车队生物燃料使用的排放以及使用CMAQ模型捕捉由此产生的空气质量动态所面临的挑战。研究人员建立了一个建模工作流程,通过估算代表性排放作为空气质量建模的关键输入,并将模拟的气象和空气质量条件与地面观测进行对比。为期两个月的模拟期(2018年4-5月)有效评估了排除生物质燃烧并考虑异常干燥天气条件的排放情景。此外,经过优化的WRF气象配置结合客观分析减少了先前研究中报告的风速不准确性,从而降低了误差向化学传输模型的传播。根据3.1节的结果,对开发的排放清单(Tunnel情景)的分析显示,虽然农业部门主导圣保罗州的一次PM
2.5排放,但道路运输部门是MASP城市核心的主要贡献者,工业来源约占PM
2.5总排放的10%。这种空间分布表明需要考虑建模域内可能不重叠的不同排放部门,例如农业部门。基于PM
2.5模拟结果,需要将道路扬尘排放纳入清单,因为根据本地源解析研究,它们对PM
2.5总浓度有显著贡献。相比之下,EDGAR-HTAP_v3清单需要调整MASP内部而非整个圣保罗州的工业排放。然而,NO
x和NMVOC的工业及道路运输排放仍需改进,因为这些前体物会影响臭氧和二次气溶胶形成。如3.2节详述,WRF模型成功模拟了气象条件,统计基准与观测一致,从而改善了空气质量模拟。因此,新开发的排放清单用于CMAQ模型后,对PM
10、PM
2.5、CO和SO
2的预测比HTAP情景更准确,尤其是在MASP的城市站点。此外,使用PMF结果对PM
10和PM
2.5的EDGAR-HTAP_v3清单排放进行调整的方法产生了良好的统计性能,支持其在未来与气溶胶形成相关研究中的应用。此外,使用CMAQ结合AERO7化学机制有助于预测二次有机气溶胶形成,这在该区域至关重要——MASP地区PM
2.5质量的20-51%归因于二次有机和无机气溶胶。未来研究应扩展该方法以评估PM
2.5和超细颗粒物形成,并在数据可用时将工业烟囱排放显式表示为CMAQ模型中的点源。此外,本研究依赖确定性部门调整,探索结合机器学习技术的混合工作流程可为捕捉排放时空分解中的空间变异性提供可行方法。同时,Tunnel情景下开发的基准排放清单可支持评估未来道路运输部门扩大生物燃料使用的情景。然而,鉴于CMAQ模型在O
3模拟中的性能限制,需进一步评估NO
x和NMVOC排放及其化学物种分配。目前,研究人员建议使用EDGAR-HTAP_v3清单作为NO
x和NMVOC总排放的参考,特别是VOC化学物种分配,因为HTAP情景下O
3模拟有所改善。