基于共同来源区域和WRF‒CMAQ/ISAM模型的长三角O₃ 污染精细化管控策略

Refined Control Strategies for Ozone Pollution in the Yangtze River Delta Based on Common Source Areas and the WRF‒CMAQ/ISAM Model

摘要

区域性臭氧（O₃）的污染形成机理复杂、空间来源多变，因而管控难度较大。为了满足区域性大气污染日渐精细化的需求，本文联合混合受体模型（HYSPLIT‒CWT）、三维气象‒化学传输模型（WRF‒CMAQ/ISAM）和地面监测网络，构建了大气污染共同来源区域计算方法，精准识别了区域性大气污染的共同来源区域，提出了精细到网格的差异化管控方法。首先，基于共同来源区域计算方法确定了长三角O₃污染的共同来源区域。然后，应用WRF‒CMAQ/ISAM模型对不同管控情景下的O₃污染改善效果进行了分析。行业贡献解析结果表明，工业源和移动源是合肥、杭州、南京、上海、绍兴和嘉兴6城市O₃的主要行业来源，贡献率分别达到50.9%～68.2%和21.5%～31.9%。最后，对不同情景下的O₃污染改善效果进行分析。结果表明：基于长三角O₃共同来源区域进行精确到网格的应急管控能在管控面积减少30%的前提下使日最大8 h平均（MDA8）O₃浓度显著下降（5.8%～31.3%），比传统的长三角全面管控的方式O₃浓度下降（5.2%～15.9%）更明显；而在共同来源区域内，仅对主要行业贡献源（工业源和移动源）进行管控也能使MDA8 O₃浓度明显下降（4.5%～22.0%）。本文不仅厘清了区域性O₃污染的共同来源区域和行业贡献，而且在管控范围和管控力度层面提出了相对精细的O₃污染应急管控策略。

Abstract

Objective Regional ozone (O₃) pollution is a critical environmental issue in the Yangtze River Delta (YRD), China, because of its complex formation mechanisms, evident regional transport characteristics, and nonlinear relationship with precursors, which hinder effective control. From 2013 to 2019, the annual evaluation value of O₃ (MDA8-90) in 74 key Chinese cities increased by 28.8%, while the YRD showed a 25.7% increase, which is significantly higher than the levels in Europe, the United States, and Japan. Traditional emergency control measures, such as large-scale factory closures and vehicle restrictions, are often costly and lack scientific precision because the control areas are usually determined by administrative experience rather than targeted source identification. With the shift toward refined air pollution management, from "one city, one policy" to "one factory, one policy," there is an urgent need for precise grid-based control strategies. Existing studies rarely integrate hybrid receptor models with three-dimensional meteorological-chemical transport models for strategy development. This study hypothesizes that adjacent cities in the YRD share similar potential O₃ source areas during regional pollution events. The objectives are to develop a method for identifying common source areas, quantify contributions from different regions and industries, evaluate the effectiveness of refined control scenarios, and propose cost-effective emergency strategies for the YRD. Methods This study focused on a severe regional O₃ pollution event in the YRD region from September 17 to October 5, 2021, covering six key cities: Hefei, Hangzhou, Nanjing, Shanghai, Shaoxing, and Jiaxing. A comprehensive methodological framework was adopted as follows: 1) Backward Trajectory and CWT Analysis: The HYSPLIT model was utilized to conduct 48-hour backward trajectory analysis at 3-hour intervals (UTC) for four provincial capitals, with the atmospheric boundary layer height set at 100 m. CWT analysis with a 0.25°×0.25° grid quantified the potential contribution of each grid to the receptor cities. 2) Common Source Area Identification: Based on spatial intersection principles, overlapping areas of CWT results from multiple cities were defined as common source areas, and grid CWT values were set as the maximum values among the participating cities. 3) Model Simulation: The WRF‒CMAQ model with the ISAM tool was utilized to simulate O₃ concentrations and quantify source contributions. Anthropogenic emission data were obtained from the EDGAR‒HTAP global database for areas outside mainland China and the MEICv1.2 high-resolution database for the mainland of China. 4) Control Scenarios: Six scenarios were designed, including a baseline scenario with no control and five control scenarios: traditional full-region control with a 50% emission reduction in all industries, grid-based differentiated control in common source areas for all industries, and targeted control of industrial sources, mobile sources, or both in common source areas. Model performance was evaluated using mean bias, normalized mean bias, normalized mean error, and correlation coefficient. Results and Discussions During the pollution event, the six cities showed synchronized diurnal O₃ variations. Maximum hourly concentrations reached 184 to 299 μg/m³, and Hangzhou's MDA8 O₃ exceeded the national standard of 160 μg/m³ by 63% at the peak. Nighttime O₃ concentrations remained high, ranging from 124 to 189 μg/m³, which was attributed to weak NO titration effects that were insufficient to consume photochemically produced O₃. Backward trajectory analysis indicated that the YRD was mainly affected by air masses from the northwest, northeast, and east. Common source areas covered northern Hebei, central Shandong, southern and central Henan, central Anhui, eastern and southern Jiangsu, and northern Zhejiang. High C_WT values, with C_WT>120, were concentrated at the junctions of Anhui, Jiangsu, and Zhejiang province, reflecting significant local emission contributions. ISAM source apportionment results showed that industrial and mobile sources were the primary contributors to O₃. Industrial sources accounted for 50.9% to 68.2% of O₃ concentrations across the six cities, while mobile sources contributed 21.5% to 31.9%. Regional transport varied among the cities: Hefei was dominated by intra-provincial transport at 27.3%, Hangzhou and Shanghai were dominated by local emissions at 41.2% and 48.3%, respectively, and Shaoxing and Jiaxing were dominated by intra-Zhejiang transport at 60.4% and 56.2%, respectively.Model evaluation confirmed that the WRF‒CMAQ model effectively captured O₃ concentration trends, with mean bias, normalized mean bias, normalized mean error, and correlation coefficient falling within reasonable ranges. Compared to the baseline scenario, all control scenarios reduced MDA8 O₃ concentrations: 1) Grid-based control in common source areas (Case 3) achieved the most significant reduction, ranging from 5.8% to 31.3%, with a control area 30% smaller than that of traditional full-region control (Case 2), which achieved a reduction of 5.2% to 15.9%. 2) Targeted control of industrial and mobile sources in common source areas (Case 4) reduced concentrations by 4.5% to 22.0%, outperforming traditional control. 3) Single-sector control of industrial sources (Case 6) produced effects similar to those of traditional full-region control, whereas mobile-source-only control (Case 5) showed minimal improvement, with a reduction of 1.9% to 7.7%. Conclusions This study developed a method for identifying common source areas of regional O₃ pollution and validated refined control strategies using the WRF‒CMAQ/ISAM model. The key conclusions are as follows: 1) The O₃ common source areas of the YRD region cover northern Hebei, central Shandong, southern and central Henan, central Anhui, eastern and southern Jiangsu, and northern Zhejiang, with high-contribution zones located at the junctions of Anhui, Jiangsu, and Zhejiang province. 2) Industrial and mobile sources are the dominant contributors to O₃ in the YRD, with combined contributions of 72.4% to 89.7% across key cities. 3) Grid-based differentiated control in common source areas is more effective, achieving reductions of 5.8% to 31.3%, than traditional full-region control and reducing the control area by 30%. Targeted control of industrial and mobile sources in these areas also achieves significant reductions of 4.5% to 22.0%, providing cost-effective options. The proposed grid-based differentiated emission reduction method provides scientific support for precise regional air pollution control. Future research can integrate air quality forecasting models to enable proactive pre-pollution control strategies.

Graphical abstract

关键词

长三角 / 臭氧 / 共同来源区域 / WRF‒CMAQ模型 / ISAM

Key words

the Yangtze River Delta / ozone / common source areas / WRF‒CMAQ model / ISAM

本刊网刊

在经济快速发展和城市化进程不断推进的过程中，区域性大气污染问题日渐凸显，给人体健康带来了巨大威胁。其中，区域性O₃污染事件引起了国内外学者的广泛关注。2013—2019年，中国74个重点城市O₃年评价值（日最大8 h滑动平均90百分位浓度，MDA8‒90）上升了28.8%。其中，京津冀、长三角、珠三角和成渝地区分别上升了34.4%、25.7%、20.3%和14.1%^[1]。Lu等^[2]结合中国O₃监测数据与TOAR全球观测库对比分析发现：2013—2017年暖季（4—9月），中国O₃极端污染超标天数多于欧洲、美国、日本与韩国，且污染范围更广；1980—2014年，欧美国家大气O₃浓度呈持续下降趋势，但中国74个重点城市在2013—2017年大气O₃浓度一直居高不下。

基于已有文献研究，O₃污染防控的难点主要体现在以下3个方面：1）O₃的大气寿命长，区域传输特征明显^[3‒5]，厘清不同区域间的相互作用非常困难；2）O₃与其前体物之间存在典型的非线性关系，削减其前体物排放，O₃浓度不一定会显著下降^[6]；3）O₃前体物来源复杂、种类繁多且不同前体物的活性差异较大，精准控制难度高^[7‒8]。

在区域性大气污染的应急管控方面，中国已经进行了诸多探索。例如，为了保证重大国际活动期间的空气质量，地方政府对企业和人为源排放采取了严格的临时性排放控制措施^[9‒11]，包括临时关闭工厂、限制机动车出行，甚至减少人为活动^[10‒11]等。这些措施在短期内取得了显著成效，但也存在管控成本较高等局限性。例如，管控区域和排放削减比例通常由行政部门或地方政府基于有限经验确定^[9‒11]，通常存在管控面积过大和经济成本过高等不足。如何在保证管控效果的前提下，尽可能缩减管控区域面积成为当下区域大气污染防治的一大难题。

随着监测手段的精细化和大气污染来源解析方式的多样化，大气污染管控正朝着精细化方向发展。2017年以来，“一市一策”的管控方法在京津冀及周边地区“2+26”城市群率先尝试，并取得了较好的成效。2021年以来，大气污染管控的精细化要求进一步提高，“一厂一策”或“一企一策”的管控方式逐渐成为主流。日渐精细的大气污染管控需求对管控方案的科学性和精准性提出了更高要求，探索精细到网格的差异化管控方法十分必要。

现有研究大多基于特定的来源解析模型进行大气污染的传输来源分析^[12‒15]，将基于观测的混合受体模型和三维气象‒化学传输模型进行有机结合用于制定大气污染管控策略的研究还较少。而基于已有的文献研究结果^[16‒19]推测，在区域性O₃污染事件发生时，区域内邻近城市的O₃污染潜在来源区域是相似的。基于城市群的大气污染共同来源区域进行排放削减，可能是有效提升区域性大气污染管控方法精准性的切入点。因此，为了证实该假设，本文针对2021年秋季长三角地区一次区域O₃污染事件开展研究，联合HYSPLIT（hybrid single‑particle Lagrangian integrated trajectory）模型、ISAM（integrated source apportionment method）源解析工具和三维气象‒化学传输模型WRF（weather research and forecast model）‒CMAQ（community multi-scale air quality modeling system）对多城市的污染共同来源区域进行定位，并对比不同应急管控情景下的管控面积和O₃浓度削减效果，以验证基于共同来源区域对O₃污染进行精细化管控的有效性。

1 研究区域及研究方法

1.1 研究区域

以长三角城市群为研究区域，该区域为中国最重要的经济中心之一，包含安徽省、浙江省、江苏省和上海市。《2020年第七次全国人口普查主要数据》显示，该区域总人口约为2.35亿。

1.2 研究方法

1.2.1 后向轨迹分析

使用HYSPLIT模型进行后向轨迹分析。以长三角4个城市（上海、南京、杭州和合肥）的大气污染物国控观测点为受体点进行48 h的后向轨迹分析。受体点的大气边界层平均流场高度设置为100 m^[20‒22]。后向轨迹分析所使用的气象数据来自WRF模型运行所得结果，其空间分辨率为12 km×12 km。研究时段内，每3 h进行一次后向轨迹计算，即在每天的00：00、03：00、06：00、09：00、12：00、15：00、18：00和21：00（UTC时间）进行计算^[20‒22]。基于计算所得的后向轨迹，通过聚类分析法对其进行分类^[21]，并分析不同聚类方向上轨迹的污染特征。

1.2.2 浓度权重轨迹分析

浓度权重轨迹（concentration weighted trajectory，CWT）分析可基于污染轨迹的浓度进行权重计算，得到不同网格对受体点污染的贡献值，从而反映不同污染轨迹对受体点的贡献。该方法被广泛用于计算潜在污染源对受体城市的贡献^[20]。网格单元(i,j)对受体点污染的贡献值（C_WT,ij ）计算^[20,23]如下：

C_{\mathrm{W}\mathrm{T},ij}=\frac{\mathrm{1}}{{\displaystyle \sum _{l=\mathrm{1}}^M}{\tau }_{ijl}}{\displaystyle \sum _{l=\mathrm{1}}^M}{C}_l{\tau }_{ijl}（1）

式中，l和M分别表示网格单元中的轨迹索引和轨迹总数，C_l 为轨迹l到达时在受体点监测到的污染物浓度，τ_ijl 为轨迹l在网格单元(i,j)中停留的时间。C_WT,ij 较大则表明经过网格单元(i,j)的气团对受体位置的污染物浓度具有较大的潜在贡献^[20]。

1.2.3 共同来源区域计算方法

由CWT分析结果可以确定单一城市大气污染的潜在来源区域。在此基础上，基于空间相交原理构建了共同来源区域计算方法。空间相交计算原理示意图如图1所示。

该方法所用的输入要素为浓度权重轨迹分析所得的多个城市CWT分析结果的面文件，通过空间相交，可以得到多个城市CWT图层的交集，所得重合区域即视为多个城市大气污染的共同来源区域。

共同来源区域内各网格对受体点污染的贡献值C_{\mathrm{c}\mathrm{o}\mathrm{m},ij}赋值方法如下：

C_{\mathrm{c}\mathrm{o}\mathrm{m},ij}=\mathrm{m}\mathrm{a}\mathrm{x}(C_{\mathrm{c}\mathrm{o}\mathrm{m}n,i,j})（2）

式中，C_{\mathrm{c}\mathrm{o}\mathrm{m}n,i,j}为共同来源区域网格单元(i,j)对第n个城市的污染贡献值。

1.2.4 三维气象‒化学传输模型WRF‒CMAQ

使用三维气象‒化学传输模型（WRF‒CMAQ）进行O₃浓度模拟。采用ISAM源解析工具量化不同区域和行业排放源对O₃浓度的贡献。ISAM源解析工具的使用方法见文献[24‒25]。在中国大陆以外的地区，排放清单来自联合国半球大气污染传输计划开发的全球排放数据库EDGAR‒HTAP（基准年为2010年），水平分辨率为0.1°×0.1°；在中国大陆地区，排放清单来自清华大学主持开发的中国高分辨率排放数据库MEICv1.2（http://meicmodel.org）。

2 污染期间长三角O₃ 浓度变化趋势

2021年9月17日—10月5日，长三角地区发生了一次较为严重的区域性O₃污染事件。为了对此次事件的O₃浓度变化趋势进行深入分析，在合肥、杭州、南京、上海4城市的基础上加入了绍兴和嘉兴两个在此次事件中污染较重的城市，以更好地反映区域O₃污染情况。图2为2021年合肥、杭州、南京、上海、绍兴和嘉兴6城市的O₃小时浓度数据时间序列。从整体上看，上述6个城市的O₃小时浓度均呈现出明显的昼夜变化规律，并且浓度上升和下降的变化趋势较为同步，合肥、杭州、南京、上海、绍兴和嘉兴O₃小时浓度的最大值为184、299、213、243、292和273 μg/m³。在污染最为严重的时刻，杭州MDA8 O₃浓度达到260 μg/m³以上，比国家标准^[26]限值（160 μg/m³）高出63%。除峰值浓度较高以外，此次O₃污染事件中，夜间（每日20：00至次日05：00）O₃浓度也较高，合肥、杭州、南京、上海、绍兴和嘉兴夜间O₃小时浓度最大值分别为139、161、189、166、124和149 μg/m³。夜间O₃浓度居高不下，可能是因为大气中NO浓度较低，滴定作用较弱，不足以消耗日间光化学反应产生的O₃^[27‒28]。

3 长三角O₃ 污染共同来源区域

研究期间合肥、杭州、南京和上海的48 h后向轨迹分别如图3～6所示。图3～6中，红色圆点表示受体城市所在位置。

从图3～6可以看出，此次O₃污染事件中，合肥、杭州、南京和上海主要受来自西北、东北和正东方向的气流传输影响。

为了与气象数据的水平分辨率（12 km）保持一致，在对合肥、杭州、南京和上海进行O₃浓度权重轨迹分析时，CWT网格大小设置为0.12°×0.12°^[20‒22]。研究期间合肥、杭州、南京和上海的CWT分析结果分别如图7～10所示。图7～10中，浅蓝色圆点表示受体城市所在位置。

由图7～10可知：山东省东北部、浙江省北部和安徽省中部地区对合肥的O₃生成贡献较大；河北省南部、山东省中部、江苏省、浙江北部和经由东海海上传输的O₃对杭州的O₃生成贡献较大；南京除了受山东省和江苏省的传输影响外，还受到河南省南部、湖北省中部、安徽省、江西省东北部和浙江省北部的传输影响；上海受到河南省南部、安徽省中部、江苏省东部和南部以及浙江北部等地的内陆传输影响，并且受海上传输的影响明显大于其余3个城市，主要与其所处的地理位置有关。

基于第1.2.3节构建的共同来源区域计算方法，得到了此次长三角地区O₃污染事件中合肥、杭州、南京和上海4城市O₃共同来源区域，如图11所示。

从整体空间分布来看，长三角O₃共同来源区域涵盖范围包括河北省北部、山东省中部、河南省南部和中南部、安徽省中部、江苏省东部和南部以及浙江省北部等区域。而从C_WT值的相对大小来看，C_WT高值区（C_WT>120）主要分布在安徽省、江苏省和浙江省交界的区域，即安徽省东南部、江苏省南部和浙江省北部。由此可知，此次污染事件长三角地区的本地排放贡献较大。

4 O₃ 区域传输来源和行业来源解析

4.1 传输来源解析模拟区域

模拟区域覆盖中国中部和东部地区以及东亚、东南亚部分地区，水平分辨率为36 km×36 km。ISAM源解析的标记源区包括：合肥、杭州、南京、上海，以及安徽省除合肥以外的地区、浙江省除杭州以外的地区、江苏省除南京以外的地区和其他，共计8个标记区域。

4.2 区域传输来源

基于ISAM源解析工具，获得了此次污染事件O₃传输来源，如图12所示。图12中，传输来源分类如下：边界场（BCON）、合肥（HF）、杭州（HZ）、南京（NJ）、上海（SH）、安徽省除合肥以外的区域（AH）、浙江省除杭州以外的区域（ZJ）、江苏省除南京以外的区域（JS）和模拟区域内的其他区域（OTH）。由图12可知，不同城市的O₃传输来源存在明显差异。合肥主要受到AH的传输影响（贡献占比为27.3%），其次是OTH和BCON的贡献较大，占比分别为20.5%和16.1%，而合肥本市的贡献仅为10.7%。杭州主要受到来自杭州本市和ZJ的传输影响，贡献占比分别为41.2%和40.9%，其次是OTH和BCON的贡献，占比分别为6.2%和7.6%。南京市主要受到ZJ、BCON和OTH的传输贡献，占比分别为20.5%、17.3%和15.5%，南京本市的贡献为14.4%。上海主要受到上海本市的影响，贡献占比达48.3%，其次是ZJ、OTH和JS的传输影响，贡献占比分别为16.4%、10.4%和9.0%。绍兴和嘉兴的传输来源较为相似，均受ZJ的传输影响最大，贡献分别占60.4%和56.2%；绍兴还受到BCON、OTH和杭州的影响较大，贡献占比分别为14.3%、10.7%和7.8%；嘉兴也受到BCON、OTH和杭州的影响，贡献占比分别为9.9%、10.0%和14.9%。

4.3 行业来源

在使用ISAM进行行业来源解析时，共标记了电力源、工业源、居民源和移动源4个行业。合肥、杭州、南京、上海、绍兴和嘉兴6个城市O₃行业来源解析结果见表1。

从表1可以看出，工业源对上述6个城市的O₃贡献最高，其次是移动源、电力源和居民源。Cao^[29]和Li^[30]等分别对华北平原和南京市的O₃行业贡献进行了解析，结果均显示，工业源和移动源为主要贡献源。本文所得结果与已有研究较为一致。

5 不同管控情景下O₃ 污染改善效果分析

5.1 管控情景模拟区域

采用双层嵌套模拟区域对不同管控情景下长三角地区的O₃浓度进行模拟：外层模拟区域（d01）水平分辨率为36 km×36 km，网格行列数为119×83，覆盖中国中部和东部区域，以及东亚和东南亚部分地区；内层模拟区域（d02）的水平分辨率为12 km×12 km，网格行列数为155×128，覆盖中国东部主要省份。CMAQ模型外层模拟区域d01的化学初始场和边界场使用默认值。d01输出的化学浓度场数据作为d02的化学初始场和边界场的动态输入。

5. 2 模型评估

用平均偏差（MB，记为B_{\mathrm{M}}）、归一化平均偏差（NMB，记为B_{\mathrm{N}\mathrm{M}}）、标准化平均误差（NME，记为E_{\mathrm{N}\mathrm{M}}）和相关系数R这4个统计指标^[31]对模拟结果进行评估。MB、NMB、NME与R的计算式分别表示如下：

B_{\mathrm{M}}=\frac{\mathrm{1}}{N}{\displaystyle \sum _{k=\mathrm{1}}^N}(M_k-O_k)（3）

B_{\mathrm{N}\mathrm{M}}={\displaystyle \sum _{k=\mathrm{1}}^N}(M_k-O_k)/{\displaystyle \sum _{k=\mathrm{1}}^N}{O}_k\times \mathrm{100}\mathrm{\%}（4）

E_{\mathrm{N}\mathrm{M}}=\frac{{\displaystyle \sum _{k=\mathrm{1}}^N}\left|M_k-O_k\right|}{{\displaystyle \sum _{k=\mathrm{1}}^N}{O}_k}\times \mathrm{100}\mathrm{\%}（5）

R=\sqrt[]{\frac{{\displaystyle \sum _{k=\mathrm{1}}^N}(M_k-M)(O_k-O)}{\sqrt[]{{\displaystyle \sum _{k=\mathrm{1}}^N}(M_k{-M)}^{\mathrm{2}}{\displaystyle \sum _{k=\mathrm{1}}^N}(O_k{-O)}^{\mathrm{2}}}}}（6）

式（3）～（6）中，O_k 和M_k 分别为k时刻污染物浓度观测值和模拟值，O和M分别为污染物浓度观测和模拟的平均值，N为观测值或模拟值的数量。

O₃小时浓度观测值和模拟值对比如附录A图A1所示。由附录A图A1可知，WRF‒CMAQ模型较好地捕捉了大气O₃浓度的变化趋势。模型模拟效果评估结果见附录A表A1。附录A表A1表明，MB、NMB、NME和R值均在合理范围内，WRF‒CMAQ模型很好地再现了合肥、杭州、南京、上海、绍兴和嘉兴在此次污染事件中O₃浓度的变化特征。

5. 3 管控情景

为了量化不同管控情景下的O₃污染管控效果，基于此次污染事件，设计了1个基准情景和5个区域应急管控情景，区域应急管控情景详见表2。表2中，不同管控情景的排放削减时间均为2021年9月17日—10月5日。

不同区域应急管控情景的管控区域面积和污染物排放削减量如表3所示。

表2的Case 3～Case 6中，针对已确定的长三角O₃共同来源区域，每个网格的排放削减量计算如下：

E_{i,j}=\frac{C_{\mathrm{c}\mathrm{o}\mathrm{m},ij}-\mathrm{80}}{\mathrm{160}-\mathrm{80}}\times \mathrm{100}\mathrm{\%}（7）

式中，E_{i,j}为共同来源区域第i行、第j列的网格内的污染物排放削减比例。当C_{\mathrm{c}\mathrm{o}\mathrm{m},ij}<80时，E_{i,j}为0；当C_{\mathrm{c}\mathrm{o}\mathrm{m},ij}>160时，E_{i,j}为100%。

由表3可知，在针对共同来源区域进行管控的情景（Case 3～Case 6）中，管控区域面积显著小于传统管控方案（Case 2），前者管控区域的面积仅为后者的70%。从污染物排放削减量来看，Case 3的削减量是Case 2的1.3～2.0倍。Case 4除OC和NH₃排放削减量显著低于Case 2，其余物种的排放削减量是Case 2的0.9～1.5倍，其中，NO _x 和VOCs的排放削减量分别比Case 2高20.0%和33.3%。Case 5的所有物种排放削减量均显著低于Case 2，降低幅度在40%～99%之间，其中，NO _x 和VOCs分别比Case 2排放削减量少45.7%和73.9%。Case 6的NO _x 削减量比Case 2低34.3%，而VOCs排放削减量轻微高于Case 2（6.7%）。本文提出的Case3～Case6采用差异化网格减排，核心高贡献网格（C_WT>160）执行100%减排，低贡献网格（C_WT<80）不减排，平均减排强度高于Case2，通过聚焦污染核心区域和关键行业，避免了全域无差别管控，实际应用中可通过在特定区域实施应急停产、限产、错峰运输等措施（如重大活动空气质量保障常用的差异化管控方案），使管控具有现实操作性。

5.4 不同管控情景下O₃ 污染改善效果

用MDA8 O₃和MDA1 O₃的平均值来评估应急管控前后的O₃污染改善效果。表4为不同模拟情景下MDA8 O₃和MDA1 O₃的平均值对比结果。由表4可知，与Case 1（基准情景）相比，Case 2～Case 6的MDA8 O₃和MDA1 O₃均呈现出不同程度的下降趋势。其中，在Case 3的管控情景下，O₃的MDA8 O₃和MDA1 O₃平均值最低，管控效果最为显著，其次是Case 4、Case 2和Case 6。在所有管控情景中，Case 5的MDA8 O₃和MDA1 O₃平均值最高。

不同管控情景下MDA8 O₃平均值相对于基准情景下降比例如图13所示。

从图13可以看出，Case 3的MDA8 O₃平均值下降幅度最为显著。与基准情景相比，在Case 3管控情景下，合肥、杭州、南京、上海、绍兴、嘉兴的MDA8 O₃平均值下降比例分别为5.8%、25.9%、15.7%、20.6%、31.3%和25.4%；在Case 2的管控情景下，合肥、杭州、南京、上海、绍兴、嘉兴的MDA8 O₃平均值下降比例分别为5.2%、13.1%、10.1%、9.6%、15.9%和12.4%；在O₃共同来源区域内，仅对工业源和移动源进行管控（Case 4）时，合肥、杭州、南京、上海、绍兴、嘉兴的MDA8 O₃平均值下降比例分别为4.5%、17.8%、12.0%、15.0%、22.0%和18.0%，O₃污染改善效果整体优于Case 2。

不同管控情景下MDA1 O₃平均值相对基准情景的下降比例如图14所示。从图14可以看出，Case 3的MDA1 O₃平均值下降幅度最为显著。与基准情景相比，Case 3管控情景下，合肥、杭州、南京、上海、绍兴、嘉兴的MDA1 O₃平均值下降比例分别为8.4%、30.5%、15.6%、28.3%、35.5%和29.8%；在Case 2的管控情景下，合肥、杭州、南京、上海、绍兴、嘉兴的MDA1 O₃平均值分别下降了7.8%、15.9%、12.2%、13.1%、18.5%和15.2%；在O₃共同来源区域内仅针对工业源和移动源进行管控时（Case 4），合肥、杭州、南京、上海、绍兴、嘉兴的MDA1 O₃平均值下降比例分别为6.7%、22.7%、11.7%、21.3%、26.2%和22.1%，合肥和南京的O₃污染改善效果与Case 2相近，杭州、上海、绍兴和嘉兴的O₃污染改善效果比Case 2更为显著。分别针对移动源（Case 5）和工业源（Case 6）进行管控时，MDA1 O₃平均值的下降幅度较小，分别为1.9%～7.7%和4.3%～18.0%。与其他城市相比，合肥O₃浓度下降幅度相对较小，可能与合肥的O₃区域传输贡献占比较高有关。

以上分析结果表明，基于长三角O₃共同来源区域进行削减的方式能使O₃浓度得到显著下降，比传统的长三角地区全面管控的方式更为有效。而在共同来源区域内，仅对工业源和移动源进行管控也能取得不错的改善效果。单独对共同来源区域的工业源排放进行削减和对长三角全域的所有行业削减相比，O₃污染的改善效果相差不大。仅针对O₃共同来源区域的移动源进行削减时，O₃污染的改善效果不显著。

综上所述：在长三角O₃的共同来源区域内，对所有排放行业以C_WT为权重进行精确到网格的差异化排放削减，能够使杭州、南京、上海、绍兴和嘉兴5城市的O₃峰值浓度显著下降，合肥O₃峰值浓度也能实现一定程度下降，但下降幅度小于其余5个城市；与传统的管控方式相比，需要管控的区域更小并且O₃改善效果更为显著；仅针对移动源和工业源进行削减，也能取得明显的削峰效果，且管控成本相对较低。

6 结 论

本文提出了区域大气污染的共同来源区域计算方法，利用WRF‒CMAQ/ISAM模型量化了多种区域应急管控方案对O₃浓度削减效果，提出了应对区域性O₃污染的精细化管控策略。主要结论如下：

1）研究期间长三角O₃共同来源区域覆盖的范围包括河北省北部、山东省中部、河南省南部和中南部、安徽省中部、江苏省东部和南部以及浙江省北部等。污染贡献高值区（C_WT>120）主要分布在安徽省、江苏省和浙江省交界的区域，即安徽省东南部、江苏省南部和浙江省北部。

2）ISAM行业源解析结果表明，工业源和移动源对长三角的O₃贡献最大。工业源对合肥、杭州、南京、上海、绍兴和嘉兴6城市的O₃贡献分别为50.9%、60.3%、55.4%、68.2%、61.0%和57.6%；移动源对O₃的贡献分别为31.9%、29.9%、29.4%、21.5%、28.0%和30.5%。

3）基于O₃共同来源区域进行精确到网格的差异化削减管控方法能使MDA8 O₃浓度得到显著下降（5.8%～31.3%），比传统的全面管控方式（5.2%～15.9%）更为有效；而在共同来源区域内，对主要行业贡献源（工业源和移动源）进行管控也能取得不错的改善效果（4.5%～22.0%）。仅对共同来源区域的工业源排放进行削减所带来的O₃污染改善效果与对全域所有行业削减较为接近。

本文提出的基于区域性大气污染共同来源区域进行精确到网格的差异化减排方法，可用于支撑区域性大气污染的精准控制。今后可进一步结合空气质量预报模型对污染事件进行预判，提前制定有针对性的精准管控策略。

附录见本刊网络版，扫描标题旁的二维码可阅读网络全文。

参考文献

[1] 中国环境科学学会臭氧污染控制专业委员会. 中国大气臭氧污染防治蓝皮书[M].北京:科学出版社 2022.

[2] Lu Xiao, Hong Jiayun, Zhang Lin,et al.Severe surface ozone pollution in China:A global perspective[J].Environmental Science & Technology Letters,2018,5(8):487‒494. doi:10.1021/acs.estlett.8b00366

[3] Glavas S D, Sazakli E.Ozone long-range transport in the Balkans[J].Atmospheric Environment,2011,45(8):1615‒1626. doi:10.1016/j.atmosenv.2010.11.030

[4] Zhang Y, Yu S, Chen X,et al.Local production,downward and regional transport aggravated surface ozone pollution during the historical orange-alert large-scale ozone episode in eastern China[J].Environmental Chemistry Letters,2022,20:1577‒1588. doi:10.1007/s10311-022-01421-0

[5] Cheng Nianliang, Chen Ziyue, Sun Feng,et al.Ground ozone concentrations over Beijing from 2004 to 2015:Variation patterns,indicative precursors and effects of emission-reduction[J].Environmental Pollution,2018,237:262‒274. doi:10.1016/j.envpol.2018.02.051

[6] Wang Nan, Xiaopu Lyu, Deng Xuejiao,et al.Aggravating O₃ pollution due to NO _x emission control in Eastern China[J].Science of the Total Environment,2019,677:732‒744. doi:10.1016/j.scitotenv.2019.04.388

[7] Monks P S, Archibald A T, Colette A,et al.Tropospheric ozone and its precursors from the urban to the global scale from air quality to short-lived climate forcer[J].Atmospheric Chemistry and Physics,2015,15(15):8889‒8973. doi:10.5194/acp-15-8889-2015

[8] Wang Tao, Xue Likun, Brimblecombe P,et al.Ozone pollution in China:A review of concentrations,meteorological influences,chemical precursors,and effects[J].Science of the Total Environment,2017,575:1582‒1596. doi:10.1016/j.scitotenv.2016.10.081

[9] Xing Jia, Zhang Yang, Wang Shuxiao,et al.Modeling study on the air quality impacts from emission reductions and atypical meteorological conditions during the 2008 Beijing Olympics[J].Atmospheric Environment,2011,45(10):1786‒1798. doi:10.1016/j.atmosenv.2011.01.025

[10] Liu Haoran, Liu Cheng, Xie Zhouqing,et al.A paradox for air pollution controlling in China revealed by “APEC Blue” and “Parade Blue”[J].Scientific Reports,2016,6:34408. doi:10.1038/srep34408

[11] Li Pengfei, Wang Liqiang, Guo Ping,et al.High reduction of ozone and particulate matter during the 2016 G-20 summit in Hangzhou by forced emission controls of industry and traffic[J].Environmental Chemistry Letters,2017,15(4):709‒715. doi:10.1007/s10311-017-0642-2

[12] Gao Jiajia, Tian Hezhong, Cheng Ke,et al.The variation of chemical characteristics of PM_2.5 and PM₁₀ and formation causes during two haze pollution events in urban Beijing,China[J].Atmospheric Environment,2015,107:1‒8. doi:10.1016/j.atmosenv.2015.02.022

[13] Qiao Ting, Zhao Mengfei, Xiu Guangli,et al.Simultaneous monitoring and compositions analysis of PM₁ and PM_2.5 in Shanghai:Implications for characterization of haze pollution and source apportionment[J].Science of the Total Environment,2016,557:386‒394. doi:10.1016/j.scitotenv.2016.03.095

[14] Li Deping, Liu Jianguo, Zhang Jiaoshi,et al.Identification of long-range transport pathways and potential sources of PM_2.5 and PM₁₀ in Beijing from 2014 to 2015[J].Journal of Environmental Sciences,2017,56:214‒229. doi:10.1016/j.jes.2016.06.035

[15] Tao Jun, Zhang Leiming, Cao Junji,et al.Source apportionment of PM_2.5 at urban and suburban areas of the Pearl River Delta region,South China—With emphasis on ship emissions[J].Science of the Total Environment,2017,574:1559‒1570. doi:10.1016/j.scitotenv.2016.08.175

[16] Zhang Yibo, Chen Xue, Yu Shaocai,et al.City-level air quality improvement in the Beijing‒Tianjin‒Hebei region from 2016/17 to 2017/18 heating seasons:Attributions and process analysis[J].Environmental Pollution,2021,274:116523. doi:10.1016/j.envpol.2021.116523

[17] Chen Xue, Yu Shaocai, Wang Liqiang,et al.Common source areas of air pollution vary with haze intensity in the Yangtze River Delta,China[J].Environmental Chemistry Letters,2020,18(3):957‒965. doi:10.1007/s10311-020-00976-0

[18] An Jingyu.Source apportionment of fine particles in the Yang river delta region in winter season based on air quality simulation[D].Shanghai:Donghua University,2015.

[19] 安静宇.长三角地区冬季大气细颗粒物来源追踪模拟研究[D].上海:东华大学,2015.

[20] Li Li, An Jingyu, Huang Ling,et al.Ozone source apportionment over the Yangtze River Delta region,China:Investigation of regional transport,sectoral contributions and seasonal differences[J].Atmospheric Environment,2019,202:269‒280. doi:10.1016/j.atmosenv.2019.01.028

[21] Yan Renchang, Yu Shaocai, Zhang Qingyu,et al.A heavy haze episode in Beijing in February of 2014:Characteristics,origins and implications[J].Atmospheric Pollution Research,2015,6(5):867‒876. doi:10.5094/apr.2015.096

[22] Wang Si, Yu Shaocai, Li Pengfei,et al.A study of characteristics and origins of haze pollution in Zhengzhou,China,based on observations and hybrid receptor models[J].Aerosol and Air Quality Research,2017,17(2):513‒528. doi:10.4209/aaqr.2016.06.0238

[23] Wang Si, Yu Shaocai, Yan Renchang,et al.Characteristics and origins of air pollutants in Wuhan,China,based on observations and hybrid receptor models[J].Journal of the Air & Waste Management Association,2017,67(7):739‒753. doi:10.1080/10962247.2016.1240724

[24] Hsu Y K, Holsen T M, Hopke P K.Comparison of hybrid receptor models to locate PCB sources in Chicago[J].Atmospheric Environment,2003,37(4):545‒562. doi:10.1016/s1352-2310(02)00886-5

[25] Wu Yujie.Source apportionment of PM_2.5 over the Beijing‒Tianjin‒Hebei and surrounding areas based on the WRF‒CMAQ/ISAM model[D].Hangzhou:Zhejiang University,2019.

[26] 吴育杰.基于WRF‒CMAQ/ISAM模型的京津冀及周边地区PM_2.5来源解析研究[D].杭州:浙江大学,2019.

[27] Kwok R H F, Napelenok S L, Baker K R.Implementation and evaluation of PM_2.5 source contribution analysis in a photochemical model[J].Atmospheric Environment,2013,80:398‒407. doi:10.1016/j.atmosenv.2013.08.017

[28] 中华人民共和国生态环境部. 环境空气质量标准:GB 3095—2012 [S].北京:中国环境科学出版社,2012.

[29] Li L, Chen C H, Huang C,et al.Process analysis of regional ozone formation over the Yangtze River Delta,China using the Community Multi-scale Air Quality modeling system[J].Atmospheric Chemistry and Physics,2012,12(22):10971‒10987. doi:10.5194/acp-12-10971-2012

[30] Wang Liqiang, Li Mengying, Yu Shaocai,et al.Unexpected rise of ozone in urban and rural areas,and sulfur dioxide in rural areas during the coronavirus city lockdown in Hangzhou,China:Implications for air quality[J].Environmental Chemistry Letters,2020,18(5):1713‒1723. doi:10.1007/s10311-020-01028-3

[31] Cao Jingyuan, Qiu Xionghui, Liu Yang,et al.Identifying the dominant driver of elevated surface ozone concentration in North China plain during summertime 2012—2017[J].Environmental Pollution,2022,300:118912. doi:10.1016/j.envpol.2022.118912

[32] Li Lin, Xie Fangjian, Li Jingyi,et al.Diagnostic analysis of regional ozone pollution in Yangtze River Delta,China:A case study in summer 2020[J].Science of the Total Environment,2022,812:151511. doi:10.1016/j.scitotenv.2021.151511

[33] Eder B, Yu Shaocai.A performance evaluation of the 2004 release of Models-3 CMAQ[J].Atmospheric Environment,2006,40(26):4811‒4824. doi:10.1016/j.atmosenv.2005.08.045

基金资助

浙江省“领雁”研发攻关计划项目(2025C02231)

国家自然科学基金项目(72361137007)

国家自然科学基金项目(42175084)

国家自然科学基金项目(21577126)

国家自然科学基金项目(41561144004)

中国博士后科学基金项目(2025M771205)

中国博士后科学基金项目(GZC20250816)