人为排放对印度西部颗粒物浓度的分部门影响：基于区域模式模拟的推断

《Environmental Pollution》：Sectoral impacts of anthropogenic emissions on particulate matter over western India: Inferences based on regional modelling

　　

# 摘要

印度西部的大气质量受自然矿物粉尘排放的驱动，这些粉尘来源于塔尔沙漠和中东地区，同时还受到多种本地人为排放以及来自印度-恒河平原（IGP）的污染物输送的影响。调控人为排放是管理区域大气质量的有效战略手段。然而，这需要详细了解主要人为部门的分割影响，并识别不同季节的主导来源。在这方面，本研究进行了数值模拟，以量化主要部门（电力、住宅、交通和工业）人为排放对印度西部细颗粒物（PM2.5）、粗颗粒物（PM2.5-10）和气溶胶光学深度（AOD）的影响。采用WRF-Chem v3.9.1模型进行了高分辨率（12 km × 12 km）模拟，模拟对象为冬季和季风后条件（2019年1月和11月），使用EDGAR v5.0清单中的人为排放数据。模型结果表明，在冬季，住宅部门对PM2.5浓度的影响最强（45%），其次是电力部门（17%）。相比之下，在季风后期间，电力部门的影响更为显著（29%），工业部门也有较大影响（22%）。对于PM2.5-10，住宅部门在冬季（39%）和季风后（25%）均被确定为主要来源，其次是发电和工业部门。部门主导性的转变是由人为排放的季节性变化和大气光化学过程驱动的。模型模拟进一步揭示了PM浓度在地方尺度上部门主导性的空间异质性，这与直接排放的情况形成了对比。这表明二次生成和动力过程在区域大气质量控制中发挥着关键作用。本研究基于模型提供了洞察，以协助制定印度西部更有效的减缓策略。

# 引言

空气污染对人类健康、生态系统、环境和气候构成重大风险（Vallero 2008; Orru et al. 2017; Manisalidis et al. 2020）。2021年，空气污染占全球所有死亡人数的8%（Brauer et al. 2024）。颗粒物（PM）是一种主要的空气污染物，既来源于人为过程，也来源于自然过程，通过直接排放或通过前体物（如二氧化硫、氮氧化物和挥发性有机化合物）的二次生成而产生（USEPA 1996）。颗粒物在不同区域以及大气层的各个层次中分布不均，其浓度在城市、工业、农村甚至偏远地区都有显著增加（Akimoto 2003; Anenberg et al. 2010）。2009年至2019年期间，环境PM2.5（空气动力学直径小于或等于2.5 μm的颗粒物）暴露量占印度总死亡人数的约25%（Jaganathan et al. 2024）。

有效减少空气污染取决于准确识别和量化具有更大作用的来源（Karagulian et al. 2015）。化学传输模型（CTMs）或空气质量模型被广泛用于分析来源贡献和制定有效的空气污染减缓策略（Kumar et al. 2017; Jat and Gurjar 2021; Pozzer et al. 2024）。多项全球研究已量化了不同部门对PM浓度的来源贡献。Weagle等（2018）报告称，住宅、工业和发电（以下简称电力）排放部门是全球PM2.5的主要来源。同样，McDuffie等（2021）也发现住宅活动是PM2.5浓度最大的来源，其次是工业、电力和交通部门。然而，一些研究表明，主导来源在不同地区可能差异显著。Pozzer等（2017）确定了农业排放的关键作用，如果完全消除农业排放，可使欧洲年均PM2.5浓度降低最多34%。Karagulian等（2017）也发现，在西欧，农业是年均PM2.5的最大主导来源，其次是交通部门。然而，在中欧，冬季期间住宅部门的排放是PM2.5浓度的主要贡献者（Bartík et al. 2024）。在美国，Caiazzo等（2013）报告称道路交通对年均PM2.5浓度的贡献最大，其次是发电。

快速的工业化和城市化，加上环境法规和清洁家庭燃料采用缓慢，严重影响了亚洲各地的大气质量（Wang et al. 2019）。在印度，PM2.5污染的上升与城市化的增加、工业增长和人口密度的提高密切相关（Gurjar et al. 2016; Guo et al. 2017; Purohit et al. 2019）。与最新证据一致，2000年至2019年期间，印度环境PM2.5的长期年均暴露量为57.3 μg/m3，远超国家环境空气质量标准（NAAQS）限值40 μg/m3（Dey et al. 2020）。事实上，印度现在记录着全球最高的年均PM2.5浓度之一，邻国包括巴基斯坦、尼泊尔、孟加拉国、缅甸、不丹和斯里兰卡也观察到了较高的水平（Chatterjee et al. 2023）。在印度多个邻国中，住宅部门主导PM2.5贡献，住宅排放占尼泊尔和不丹年均PM2.5的67-68%、缅甸的38%、越南的52%和柬埔寨的45%（Reddington et al. 2019）。这一区域趋势与印度的研究结果一致，多项研究已确定住宅部门是PM2.5污染的主要驱动因素。Conibear等（2018）发现，住宅部门是印度年均PM2.5浓度的主导贡献者（约52%），其次是发电（约21%）、工业（约14%）和陆地交通（约10%）。Karagulian等（2017）报告称，在印度等新兴经济体国家，住宅部门占PM2.5总浓度的42%。同样，Reddington等（2019）显示，在所有印度邦中，住宅排放主导（29-64%）年均PM2.5浓度，其次是电力部门（13-31%）和工业部门（11-26%），其中印度西部的古吉拉特邦工业份额最高（26%）。Guo等（2018）发现，住宅部门对印度年均PM2.5浓度的贡献最大（约40 μg/m3），其次是工业部门（约20 μg/m3），而能源和农业部门的贡献分别约为5 μg/m3和8 μg/m3。在印度-恒河平原（IGP）地区，Jat和Gurjar（2021）报告称，住宅和交通部门在冬季均为主要贡献者，两者合计占PM2.5浓度的40–50%。

印度部分地区，包括IGP，PM2.5水平在冬季和季风后季节急剧上升（Ramanathan et al. 2001; Dey and Di Girolamo 2010; Bran and Srivastava 2017; Ojha et al. 2020; Upadhyay et al. 2020）。这一季节性峰值是由于滞稳气象条件所致，包括低风速和浅行星边界层高度（PBLH），这些条件限制了污染物的扩散，将PM2.5困在靠近地表的区域，从而增加其浓度（Nair et al. 2007; Bharali et al. 2024）。除气象条件外，颗粒物负荷还因排放的季节性激增而加剧，据报道南亚地区冬季人为排放增加（Kumar et al. 2012b）。认识到空气污染的严重威胁，印度政府启动了国家清洁空气计划（NCAP），作为一项全面的战略来应对多个未达标城市（连续五年未达到国家环境空气质量标准（NAAQS）的城市）的问题，这些城市分布在包括印度西部在内的不同地区（Ganguly et al. 2020）。印度西部的大气质量受自然和人为排放的共同影响，因为该地区除了区域人为来源外，还受到来自中东、中亚、IGP和塔尔沙漠的空气团输送的显著影响（Verma et al. 2013; Yadav et al. 2014; Sahu et al. 2016）。尽管NCAP下的政策干预重点集中在IGP邦，可能降低了气溶胶污染，但Dutta和Chatterjee（2022）观察到2013年至2019年期间拉贾斯坦邦和古吉拉特邦（印度西部）的污染趋势在上升。Jaganathan等（2025）的分析进一步显示，拉贾斯坦邦和古吉拉特邦的某些地区是持续存在的热点区域。Rumana等（2014）报告称，拉贾斯坦邦主要城市（斋浦尔、焦特布尔、科塔、乌代布尔）PM2.5和PM10浓度的年均值超过了NAAQS。据报道，冬季浓度高于夏季和季风季节，表明存在持续的关键污染水平。Dhaka等（2024）通过数值模拟证明，在冬季和季风后季节，区域性和跨区域人为来源均主导PM2.5浓度。

关于印度PM浓度的部门贡献，已有几项建模研究（Conibear et al. 2018; Guo et al. 2018; Jat and Gurjar 2021; Reddington et al. 2019），但对印度西部的关注尤其有限。据我们所知，尚无全面的建模研究量化该区域及跨区域部门排放对PM水平的影响。本研究使用区域在线耦合气象-化学模型——耦合化学的天气研究和预报模型（WRF-Chem）（Grell et al. 2005; Fast et al. 2006）弥补了这一空白。WRF-Chem已在印度多项建模研究中成功应用（Kumar et al. 2012a, 2012b; Sharma et al. 2017; Ojha et al. 2020; Agarwal et al. 2024; Dhaka et al. 2024, 2025）。Dhaka等（2025）证明该模型能可靠地捕捉印度西部区域的关键气象特征。这些结果证明了WRF-Chem在研究该区域大气质量驱动过程和量化不同排放源影响方面的适用性。

本研究使用WRF-Chem在印度西部及周边地区进行高分辨率（时间和空间）模拟，以分割并量化冬季和季风后季节（2019年）主要区域及跨区域人为部门（电力、住宅、交通和工业）对PM2.5和PM2.5-10浓度以及AOD的影响。第2节描述了模型区域、物理和化学配置、排放清单、模拟设置以及用于模型评估的观测数据集。第3节介绍了模型评估，随后是对模拟结果的分析。第4节讨论了氧化剂在硫酸盐颗粒物二次生成中的作用。第5节总结了主要发现和结论。

## 模型设置

采用版本3.9.1的耦合化学的天气研究和预报模型（Fast et al. 2006; Grell et al. 2005）来模拟气象和大气化学物质。模型区域覆盖印度西部、大部分IGP和印度中部（图S1）。在印度西部，拉贾斯坦邦和古吉拉特邦被包含在内，在图S1中分别标记为区域A和B。模型配置、物理和化学选项以及排放的更多细节见……

## 模型评估

对模拟气象场的详细评估在补充材料（S3）中提供。总之，WRF-Chem与多个地面、再分析、卫星和探空观测进行比较评估时，能够较好地重现关键气象变量的时间变率和空间变率。这一全面评估为后续PM2.5、PM2.5-10和气溶胶光学深度（AOD）的分析提供了信心。

## 氧化剂在硫酸盐生产中的作用

为了探究季风后期间电力和工业部门影响更大的原因（尽管这些来源在冬季的排放更高），本研究考察了冬季和季风后期间氧化剂（OH、H2O2和O3）浓度在这些来源硫酸盐生产中的作用。这是考虑到发电厂和工业部门是二氧化硫（SO2）的最大排放源之一（Guttikunda和Jawahar 2014; Kuttippurath et al. 2022; Mittal等……

## 总结与结论

本研究使用WRF-Chem模型调查了主要人为部门（包括区域性和跨区域）对印度西部PM2.5、PM2.5-10浓度和AOD的分割影响。影响是针对四个主要人为排放部门（工业、发电、交通和住宅）在2019年两个代表性月份——冬季（1月）和季风后（11月）推导得出的。模型在C上模拟的空间平均AOD值……

## CRediT作者贡献声明

Aditya Vaishya：撰写——审稿与编辑。Shubham Dhaka：撰写——审稿与编辑。Shashank Shekhar：撰写——审稿与编辑，撰写——初稿，可视化，验证，软件，形式分析。Amit Sharma：撰写——审稿与编辑，监督，资源，方法论，资金获取，概念化。Andrea Pozzer：撰写——审稿与编辑，资源。

Narendra Ojha：写作——审阅与编辑、概念构思

未引用的参考文献：Brauer, 2024; Caiazzo等, 2013; Dey和Girolamo, 2010; Govardhan等, 2015; Guttikunda和Puja, 2014; Kumar等, 2014; Nair, 2007; 全国空气质量与排放趋势报告, 1996; Powers等, 2017; Sharma等, 2023; Soni等, 2018; Zhang等, 2010。

数据可用性：本研究中生成和/或分析的数据集可向通讯作者索取。

利益冲突声明：? 作者声明他们没有已知的竞争性经济利益或个人关系，这些因素可能影响本文所报告的工作。

致谢：人为排放数据来自EDGAR-HTAP v5.0清单（https://edgar.jrc.ec.europa.eu/dataset_ap50）。ERA-5和CAM-CHEM输出数据分别用于提供气象和化学场的初始/边界条件。作者感谢使用美国国家大气研究中心（NCAR）大气化学与建模实验室（ACOM）提供的WRF-Chem预处理工具（mozbc、bio_emiss、fire_emiss和anthro_emiss）。作者还感谢来自再分析数据集MERRA-2的数据。

Shashank Shekhar | Shubham Dhaka | Aditya Vaishya | Narendra Ojha | Andrea Pozzer | Amit Sharma

印度理工学院焦特布尔分校，土木与基础设施工程系，印度焦特布尔卡瓦尔