CN109060617A - 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 - Google Patents
不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 Download PDFInfo
- Publication number
- CN109060617A CN109060617A CN201810735277.7A CN201810735277A CN109060617A CN 109060617 A CN109060617 A CN 109060617A CN 201810735277 A CN201810735277 A CN 201810735277A CN 109060617 A CN109060617 A CN 109060617A
- Authority
- CN
- China
- Prior art keywords
- simulation
- source
- emission
- ammonia
- concentration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
Abstract
不同农业氨排放情景对PM2.5浓度影响的模拟与分析方法,主要包括三个部分:基于EPIC模式对农田施肥排放氨进行改进,开发农业污染源排放信息处理系统,建立最新的农业源污染物排放清单;建立考虑农业氨影响的空气质量模拟及预报模式,不断提高PM2.5的模拟和预报水平;计算我国主要农业区农业排放源对PM2.5的贡献并提出相应的控制对策。本发明利用RSM/CMAQ技术,结合相关控制技术以及未来发展规划,对区域农业氨排放的未来控制策略以及相应控制力度进行假设,提出相应的解决办法,分析计算得到在各种控制方式下产生的农业源和人为氨排放清单,能够对当地的氨减排前景及其成效进行评价,提供有价值的参考。
Description
技术领域
本发明属于环境保护与资源综合利用领域,具体涉及不同农业氨排放情景对PM2.5浓度影响的模拟与分析方法。
背景技术
近年来,我国很多大中型城市逐步出现了大量重雾霾现象。现在几乎所有的民众都了解所谓的PM2.5来源,其主要为以下五个方面:1、工业污染;2、机动车辆尾气排放;3、燃煤污染;4、施工现场扬尘;5、外来因素的污染。其中还有一个重要的污染源,近年来被不少业内专家提出来的就是农业氨污染,这个污染源基本上很少被大家关注过,却也是造成我国城市空气PM2.5居高不下的重要因素之一。氨与酸进行化学反应可以生成铵盐,因此,科学家主要是利用这个化学反应原理通过铵盐浓度来实施对空气中的PM2.5进行氨检测。根据全国的一般水平,当空气污染处于轻度污染时,空气中的两种主要铵盐(即硝酸铵和硫酸铵)的质量之和在PM2.5中所占的比例小于20%;而当空气污染属于严重污染程度时,该比例将超过40%。
伴随我国农业现代化发展进程,农业生产排放的直接污染源对大气环境的影响日益严重。大量化肥的使用、粗放的畜牧业生产模式排放出大量的氨(NH3)、硫化氢(H2S)、甲烷(CH4)等污染物。含铵盐的化肥施用后,会使作物长势旺盛,最终收获后的秸秆量增多,而农田秸秆燃烧排放大量的以黑碳和有机气溶胶为主的大气颗粒物以及一氧化碳(CO)、氮氧化物(NOx)和挥发性有机物(VOC)等为主的气态污染物。这些气态污染物作为前体物参与大气化学过程,形成二次气溶胶,对大气中的PM2.5、氨(NH3)和臭氧(O3)浓度有重要影响。因此,开展农业活动排放氨源对大气环境影响的研究,对准确开展空气质量数值预报、完善重污染天气监测预警和应急体系建设、促进社会经济可持续发展具有重要的现实意义。
中国在研究氨排放源清单方面起步较晚,二十世纪九十年代,我国才开始研究开发本国的空气污染物排放源清单。研究对象主要为二氧化硫(SO2)、氮氧化物(NOx)、挥发性有机化合物(VOC)和气溶胶等污染物,但在这方面的研究水平相对较低,无法与国外的研究成果相提并论。前期,国内学者对清单的开发主要是针对农业源的氨排放,研究比较片面,对于有关排放源的活动数据等重要信息的分析也较为简略,大多数排放因子的选取引自国外,因此其研究成果不确定性较明显。
近年来,由于中国许多城市经常发生严重的雾霾和气溶胶污染事件,因此,国内学者也逐渐开始重视对本国氨排放源清单的开发。对于氨排放源的研究,已经逐渐从单一的农业源开始向非农业源与农业源相结合的综合研究方向发展。
在模型构建研究方面,先前的研究重点大都集中在化学传输模型上,Dentener etal引进了3-D传输模型对全球范围内的NH3以及NH4+空间布局进行了模拟,对氨排放与酸雨、氮的干湿沉降之间的关系进行了细致的分析,重点描述了开发氨排放源清单的重要意义;Asman et al采用的研究模型是大气化学传输模型以及大气干湿沉降模型,主要模拟氨浓度与干湿沉降的时空变化关系,用以对空气中氨排放与氨吸收之间平衡状态进行估算,进而对未来的氨排放进行预测,在此基础上,提出了一些氨减排的管控措施。
由于近年来计算机技术的飞速发展,在空气质量模拟上出现了大量的空气质量预报应用系统,用来对污染物排放趋势以及管控策略的效果进行评价,这也逐渐成为国外空气质量预报研究的主要技术以及重要的评估办法之一。目前,国外在相关研究上进展明显,主要是通过将各种气溶胶模块按照一定的方式嵌入到三维空气化学质量模型中来研究氨排放与大气环境之间的关系,讨论其对气溶胶微粒物产生过程的影响。
中国在研究氨排放对颗粒物的影响方面起步较晚,而且进展缓慢,其主要原因是氨排放源清单不够详细。我国主要的研究有:前期彭应登等从实际观测到的空气二次微粒浓度以及某些前体物浓度数据出发,进行数据的分析对比,总结出氨排放与二次微粒子之间的重要关系。由于近年来国内空气质量模型的建立与逐步完善,加之引进了国外的先进技术,国内有部分研究人员已开始对空气中气溶胶的模拟开展研究。张美根等在对东亚地区春季气溶胶活动以及化学变化方面开展的模拟研究中,采用的是CMAQ/RAMS耦合模型,主要分析了整个东亚地区范围内大气中气溶胶的时空分布。Quan et al在采用CMAQ模型进行相关的模拟研究时发现,大气中的氨能够影响到含硫化合物在两种不同状态下的空间分布,提出了如果SO2的排放量下降,氨排放就会对降水SO4 2-离子的浓度值产生较大的影响,但是他的研究成果主要是用来揭示对硫化物和硫酸根离子沉降方面的作用;伏晴艳在针对上海地区的空气气溶胶微粒子浓度值进行模拟研究时,采用Models-3/CMAQ模型,侧重分析了多种排放源与微粒物污染之间的相互作用,但并未分析氨对微粒物的具体作用。
总结上述研究,可以看出:虽然在气溶胶模式研究上我国有一定的进展,但并未分析氨排放对微粒物的具体作用。王雪松等在对北京地区夏季气溶胶浓度值及其变化特点进行模拟研究时,采用了CMAx模型,模拟结果表明:对PM2.5浓度影响最大的因素是硫酸盐和硝酸盐的浓度值,并强调了氨排放源清单对模拟结果优劣的重要性;刘煜等在利用CMAQ模式对夏季华北地区二次气溶胶的模拟研究中,分析了该地区NH3和铵盐浓度的空间分布特征,结果表明,氨是一种非常重要的气溶胶前体物,能够对该地区的硫酸盐以及硝酸盐的形成和分布产生关键的作用。
从上述研究中还可以看出,我国人为源氨排放清单开发尚在起步阶段,困难较多。说明对氨排放源类型的掌握不够全面,特别是缺乏交通源以及生物质源的信息,缺乏大量排放因子的实际监测数据等。另外,由于氨排放清单在空间尺度上较小,时空特征不明显,对特殊地区特殊个例的研究可能有帮助,但对大范围的模拟还无法实现。
发明内容
本发明针对现有技术中的不足,提供一种不同农业氨排放情景对PM2.5浓度影响的模拟与分析方法。
发明目的在于:
1、改进污染源排放清单中的农业氨源排放
利用对氨的主要排放源如农田化肥使用和大型畜禽养殖场等数据与EPIC模型相结合,定量计算畜禽饲养和化肥使用等农业活动排放氨的源强和时空分布,以改进污染源排放清单。
2、开发考虑农业氨影响的空气质量模式
利用华北地区、长三角地区、珠三角地区等地进行的各种气态(如NOx、SO2、NH3和VOC等)和PM2.5及其化学组分的观测数据,定量评估WRF/CMAQ模式对PM2.5及其组分的模拟效果,进一步改进污染源排放清单和空气质量模式。
3、NOx、SO2、NH3和VOC对PM2.5的影响模拟与分析
利用农业空气质量模式EPIC,通过数值模拟并结合RSM技术,确定PM2.5浓度随NOx、SO2、NH3和VOC排放源变化的关系。
4、探明农业氨源排放对PM2.5的贡献,并制定相关控制策略
根据三种主要农业源变化百分比的不同组合,设计不同的情景,利用敏感性试验评估各自对PM2.5的影响;结合贡献面模拟(RSM)技术预测不同农业排放源对未来空气质量特别是PM2.5浓度及其组分的影响。
在此基础上,评估农业氨源如化肥使用、秸秆燃烧和畜禽养殖对PM2.5及其化学组分的影响,评估农业氨源和汽车、工业等排放源对PM2.5及硫酸盐、硝酸盐、铵盐等的综合影响。
为实现上述目的,本发明采用以下技术方案:
一种不同农业氨排放情景对PM2.5浓度影响的模拟与分析方法,其特征在于,包括以下步骤:
步骤一、基于EPIC模式对农田施肥排放氨进行改进,建立最新的农业源污染物排放清单;
步骤二、建立考虑农业氨影响的空气质量模式,利用不同地区各种气态和PM2.5及其组分的观测数据,定量评估WRF/CMAQ模式对PM2.5及其组分的模拟效果,改进农业源污染物排放清单和空气质量模式;
步骤三、利用所建立的空气质量模式和农业源污染物排放清单,结合贡献面模型,计算不同污染源排放条件下,PM2.5与SO2、NOx、NH3、VOC变化的关系;
步骤四、根据农业化肥氨源与其他三种主要污染源SO2、NOx、VOC变化百分数的不同组合,评估各自对PM2.5的影响,并预测不同农业排放源对PM2.5浓度及其组分的影响;结合贡献面模型预测不同农业排放源对PM2.5浓度及其组分的影响。
为优化上述技术方案,采取的具体措施还包括:
所述步骤一中,利用氨的主要排放源与EPIC模型相结合,定量计算农业活动排放氨的源强和时空分布,产生能供CMAQ模式使用的农业化肥使用氨排放源清单。
所述步骤二中,利用不同地区各种气态和PM2.5及其化学组分的观测数据、卫星观测反演的数据来验证模拟所得结果的可靠性,具体如下:
首先,采用平均绝对误差MAE、均方根误差RMSE和相关系数r三个指标来分别评价模拟时段内各网格点上模拟值与地面大气污染物观测内插值的偏差、模拟稳定性和精确度;
其次,采用对比法,对MODIS和OMI卫星观测时次的模拟结果与同时次MODIS和OMI卫星反演结果进行比较,筛选出最大和最小误差时段、最大和最小误差区域,计算出模拟时空范围内的平均误差和均方根误差;
最后,对各观测站各实测时次的模拟内插值与实测值进行MAE、RMSE、r值计算,评价模拟值的偏差、模拟稳定性和精确度。
所述步骤三中,贡献面模型以三维空气质量模式的模拟结果为基础,采用统计方法,定量描述空气质量模式的输出场随模式输入场变化的定量关系。
所述步骤四中,根据EPIC模型提供的农业化肥氨源排放数据和CMAQ模式模拟所得的一年污染源SO2、NOx和VOC的数据,设计变化百分数的不同组合、不同情景方案,利用敏感性试验评估各自对PM2.5的影响。
所述步骤四中,情景设计包括:
固定人为排放源和工业排放源,改变化肥使用排放源变化的百分比,评估农业排放源的各自变化及整体变化对PM2.5浓度及其组分的影响;
减少人为排放源和工业排放源,改变农业排放源增加的百分比,评估各种情景变化对PM2.5浓度的影响。
本发明的有益效果是:利用RSM/CMAQ技术,结合当前相关控制技术以及未来发展规划,对区域农业氨排放的未来控制策略以及相应控制力度进行假设,提出相应的解决办法,分析计算得到在各种控制方式下产生的农业源和人为氨排放清单,以此来对当地的氨减排前景及其成效进行评价,进而提出一些建设性的意见和对策,能够给相应的管理部门提供有价值的参考。
附图说明
图1是考虑农业氨排放的空气质量模拟与分析系统。
图2是农业化肥使用氨排放的处理流程图。
图3a是长三角地区不同区域PM2.5工业污染源排放变化对选定区域PM2.5环境浓度的影响。
图3b是长三角地区不同区域PM2.5机动车辆尾气排放变化对选定区域PM2.5环境浓度的影响。
图3c是长三角地区不同区域PM2.5燃煤污染源排放变化对选定区域PM2.5环境浓度的影响。
图3d是长三角地区不同区域PM2.5施工现场返尘源排放变化对选定区域PM2.5环境浓度的影响。
图4是长三角地区的上海(SH)、江苏(JS)、浙江(ZJ)及其它地区(OTH)农业施肥氨源减排25%、50%、75%情景下PM2.5可削减量的分布图。
图5a是在农业施肥氨源减排25%、50%、75%情景下,长三角地区的上海(SH)、江苏(JS)、浙江(ZJ)及其它地区(OTH)PM2.5除NH3外各类源不变化对选定区域环境浓度的影响。
图5b是在农业施肥氨源减排25%、50%、75%情景下,长三角地区的上海(SH)、江苏(JS)、浙江(ZJ)及其它地区(OTH)PM2.5除NH3外所有排放源都变化对选定区域环境浓度的影响。
图6是当前源强50%情景下,长三角地区的上海(SH)、江苏(JS)、浙江(ZJ)及其它地区(OTH)PM2.5及各类组分环境浓度的变化。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
本发明最主要的工作包括三个部分:
1)基于EPIC模式对农田施肥排放氨进行改进,开发一套先进的具有中国特色的农业污染源排放信息处理系统,建立最新的农业源污染物排放清单;
2)建立考虑农业氨影响的空气质量模拟及预报模式,不断提高PM2.5的模拟和预报水平;
3)计算我国主要农业区农业排放源对PM2.5的贡献并提出相应的控制对策。
如图1所示的考虑农业氨排放的空气质量模拟与分析系统,其模拟与分析方法具体如下:
(1)利用氨的主要排放源如农田化肥使用、秸秆燃烧和大型畜禽养殖等数据与EPIC模型相结合,定量计算畜禽饲养、秸秆燃烧和化肥使用等农业活动排放氨的源强和时空分布。
EPIC是近年来发展的并已被美国国家环境护局(EPA)成功用于农业源估算的一种先进工具,其原理如图2所示。为了使之能用于我国农田氨源排放的估算,需要将下垫面数据替换为中国250m分辨率的Land cover数据,并利用我国不同地区土壤类型及特性分布相关数据、农作物种类分布及管理数据、化肥使用(如化肥种类、施肥频率和施肥量等)信息和站点气象观测数据,产生能供CMAQ模式使用的农业化肥使用氨排放源清单。
(2)为了定量评估WRF/CMAQ模式对PM2.5及其组分的模拟效果,本方法利用中国不同地区各种气态(如NOx、SO2、PM2.5、NH3等)和PM2.5及其化学组分的观测数据、几种卫星观测反演的数据来验证模拟所得结果的可靠性。
首先采用常用的MAE(平均绝对误差)、RMSE(均方根误差)和r(相关系数)三个指标来分别评价模拟时段内各网格点上模拟值与地面大气污染物观测内插值的偏差、模拟稳定性和精确度;其次用对比法,对MODIS和OMI卫星观测时次的模拟结果与同时次MODIS和OMI卫星反演结果进行比较,筛选出最大和最小误差时段、最大和最小误差区域,计算出模拟时空范围内的平均误差和均方根误差;最后,对各观测站各实测时次的模拟内插值与实测值进行MAE、RMSE、r值计算,评价模拟值的偏差、模拟稳定性和精确度。获得评估结果后,不断调试相关参数,改善模拟效果,以获得最理想的模拟效果,达到进一步改进污染源排放清单和空气质量模式的目的。
(3)利用所建立的空气质量模式和农业排放源的污染源清单,结合美国环保局开发的贡献面模型(RSM),计算不同污染源排放条件下,PM2.5与SO2、NOx、NH3和VOC变化的关系。RSM是以三维空气质量模式的模拟结果为基础,采用先进的统计方法,定量描述空气质量模式的输出场随模式输入场(如源)变化的定量关系。与三维模式的数值试验相比,可定量估计不同污染源排放条件下PM2.5与SO2、NOx、NH3和VOC变化的关系。
(4)根据(1)中EPIC模型提供的农业化肥氨源排放数据与图2中最后一步CMAQ模式模拟所得的一年污染源SO2、NOx和VOC的数据,设计变化百分数的不同组合、不同情景方案,利用敏感性试验(后述(五)中)评估各自对PM2.5的影响;结合贡献面模型(RSM)预测不同农业排放源对空气质量特别是PM2.5浓度及其组分的影响。
上述方法利用RSM/CMAQ技术,结合当前相关控制技术以及未来发展规划,对区域农业氨排放的未来控制策略以及相应控制力度进行假设,提出相应的解决办法,分析计算得到在各种控制方式下产生的农业源和人为氨排放清单,以此来对当地的氨减排前景及其成效进行评价,进而提出一些建设性的意见和对策,能给相应的管理部门提供有价值的参考。结果显示,对长三角地区而言,去除该地区二氧化硫、氮氧化物及VOC等排放源后农业氨减排对削减PM2.5浓度效果明显。
在上述典型污染源得到控制后,农业氨源在PM2.5控制中将起到关键作用。对有农业氨排放源的模拟分析后发现,氨排放源对区域PM2.5及其无机成分的贡献要明显超过无农业氨排放源的情形,并且其在空间上的影响也更广;硝酸盐的产生源中,以各种人为氨的排放作用最为明显,其在江浙等地区的贡献值也不一样,PM2.5及其无机成分在空间上的分布是存在明显差异的,详见图3a、图3b、图3c、图3d、图4、图5a、图5b、图6。
在具体实施例中,本方法具体使用步骤如下:
(一)资料输入与处理
收集中国统计年鉴中各县市农作物面积数据。气象数据由NASA再分析资料提取获得,NASA Modern Era Reanalysis for Research and Application(MERRA)提供从1979年至今的每6小时一次的气象再分析数据,分辨率是0.5°×0.667°,选取模拟所需要的时段(如2010年12月15日~2011年12月31日)的数据。土壤相关的数据取自世界土壤数据库(Harmonized World Soil Database,HWSD),该数据库由联合国粮农组织和维也纳国际应用系统研究所共同研制构建。中国国内土壤数据取自于第二次全国土地调查过程中中国科学院南京土壤研究所提供的土壤数据。农业数据主要从农业部信息中心和相关统计年鉴中获得。下垫面数据有MODIS数据(分辨率500m)、清华大学地球科学系统研究中心提供的FROM-GLC(Finer Resolution Observation and Monitoring of Global Land Cover)数据(分辨率250m),对这些数据进行检误剔错、插值补齐、时空一致性和客观规律性检查等质量控制,转换成规定的格式文件(包括格点分布资料),以吻合WRF模式、EPIC和RSM-CMAQ模式运行和计算的需求。
(二)后台模式运行
将气象再分析资料导入WRF模式,运行输出气象背景模拟场、诊断场、预报场,并将这些场作为运行EPIC模式和WRF-CMAQ模式的初始输入场。
上述(一)和(二)均在后台通过双击前处理文件(即运行资料处理批处理程序和模式前处理程序)来实现。
(三)功能选择
打开评估界面,修改数据库:点开“modify datasets”,并在“Available Setups”中选择“China”。点击“grid definition”下的“edit”按钮,这时候会显示“manage griddefinitions”窗口。
(四)参数配置
第一步:点击“add”,出现“grid definition”窗口。在“grid ID”一栏,输入你要分析的区域。第二步是下垫面的选择:点击“OK”,返回“Manage Grid Definition”窗口,在DefaultGrid Type中选择上一步中你所对应区域的类型,完成。第三步:在BENMAP主窗口的左侧,添加污染物项、模式输出数据。在save as中另存为窗口,给基线空气质量网格一个名称,点击“save”保存。这将把网格信息存储为“*.aqgx”空气质量网格类型文件。
(五)污染浓度与减少控制之间的模拟
RSM-VAT的功能性模型将会分成三部分:创建RSM模块、RSM vs. CMAQ校验模块和可视化与分析模块。创建RSM模块是RSM-VAT的一个重要模块。一个终端用户需要根据提示输入一套数据文件作为在此模块创建RSM的参数,并且与模型和政策文件相关的文件将会创建于RSM-VAT工具中。RSM vs. CMAQ校验模块用来确保RSM的准确性。一系列的技术在此模型的模块中得到校验,并显示与RSM的发展和使用相关的不确定性。在可视化与分析模块中,排放控制因子与环境浓度之间的关系在实时浓度地图中得到了呈现与分析,可视化过程展示了一系列图形与数据分析表。
(六)综合制图
将模拟或预测结果以常用分析图形式供使用者选择,并提供对地图图层的选择、地图漫游、地图缩放等功能的支持。同时支持对于鼠标定位的经纬度实时显示。
(七)数据输出
将预测或模拟的具体数据保存在out of sample validation菜单下,可供用户调试模式和进一步分析使用。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种不同农业氨排放情景对PM2.5浓度影响的模拟与分析方法,其特征在于,包括以下步骤:
步骤一、基于EPIC模式对农田施肥排放氨进行改进,建立最新的农业源污染物排放清单;
步骤二、建立考虑农业氨影响的空气质量模式,利用不同地区各种气态和PM2.5及其组分的观测数据,定量评估WRF/CMAQ模式对PM2.5及其组分的模拟效果,改进农业源污染物排放清单和空气质量模式;
步骤三、利用所建立的空气质量模式和农业源污染物排放清单,结合贡献面模型,计算不同污染源排放条件下,PM2.5与SO2、NOx、NH3、VOC变化的关系;
步骤四、根据农业化肥氨源与其他三种主要污染源SO2、NOx、VOC变化百分数的不同组合,评估各自对PM2.5的影响,并预测不同农业排放源对PM2.5浓度及其组分的影响;结合贡献面模型预测不同农业排放源对PM2.5浓度及其组分的影响。
2.如权利要求1所述的一种不同农业氨排放情景对PM2.5浓度影响的模拟与分析方法,其特征在于:所述步骤一中,利用氨的主要排放源与EPIC模型相结合,定量计算农业活动排放氨的源强和时空分布,产生能供CMAQ模式使用的农业化肥使用氨排放源清单。
3.如权利要求1所述的一种不同农业氨排放情景对PM2.5浓度影响的模拟与分析方法,其特征在于:所述步骤二中,利用不同地区各种气态和PM2.5及其化学组分的观测数据、卫星观测反演的数据来验证模拟所得结果的可靠性,具体如下:
首先,采用平均绝对误差MAE、均方根误差RMSE和相关系数r三个指标来分别评价模拟时段内各网格点上模拟值与地面大气污染物观测内插值的偏差、模拟稳定性和精确度;
其次,采用对比法,对MODIS和OMI卫星观测时次的模拟结果与同时次MODIS和OMI卫星反演结果进行比较,筛选出最大和最小误差时段、最大和最小误差区域,计算出模拟时空范围内的平均误差和均方根误差;
最后,对各观测站各实测时次的模拟内插值与实测值进行MAE、RMSE、r值计算,评价模拟值的偏差、模拟稳定性和精确度。
4.如权利要求1所述的一种不同农业氨排放情景对PM2.5浓度影响的模拟与分析方法,其特征在于:所述步骤三中,贡献面模型以三维空气质量模式的模拟结果为基础,采用统计方法,定量描述空气质量模式的输出场随模式输入场变化的定量关系。
5.如权利要求1所述的一种不同农业氨排放情景对PM2.5浓度影响的模拟与分析方法,其特征在于:所述步骤四中,根据EPIC模型提供的农业化肥氨源排放数据和CMAQ模式模拟所得的一年污染源SO2、NOx和VOC的数据,设计变化百分数的不同组合、不同情景方案,利用敏感性试验评估各自对PM2.5的影响。
6.如权利要求5所述的一种不同农业氨排放情景对PM2.5浓度影响的模拟与分析方法,其特征在于:所述步骤四中,情景设计包括:
固定人为排放源和工业排放源,改变化肥使用排放源变化的百分比,评估农业排放源的各自变化及整体变化对PM2.5浓度及其组分的影响;
减少人为排放源和工业排放源,改变农业排放源增加的百分比,评估各种情景变化对PM2.5浓度的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735277.7A CN109060617B (zh) | 2018-07-06 | 2018-07-06 | 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735277.7A CN109060617B (zh) | 2018-07-06 | 2018-07-06 | 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109060617A true CN109060617A (zh) | 2018-12-21 |
CN109060617B CN109060617B (zh) | 2021-06-01 |
Family
ID=64818822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810735277.7A Active CN109060617B (zh) | 2018-07-06 | 2018-07-06 | 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109060617B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858686A (zh) * | 2019-01-14 | 2019-06-07 | 南京大学 | 一种基于EnKF的地面排放清单反演优化方法 |
CN109916788A (zh) * | 2019-01-14 | 2019-06-21 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
CN110728063A (zh) * | 2019-10-17 | 2020-01-24 | 广东省环境监测中心 | 一种判断气象与源排放变化对空气质量影响的定量方法 |
CN110988269A (zh) * | 2019-12-18 | 2020-04-10 | 中科三清科技有限公司 | 大气污染源排放清单的偏差修正方法、装置及存储介质 |
CN113569403B (zh) * | 2021-07-23 | 2023-08-29 | 南开大学 | 一种基于大气扩散-辐射标准化的环境VOCs来源解析方法 |
CN117195585A (zh) * | 2023-09-27 | 2023-12-08 | 重庆市生态环境科学研究院 | 一种基于动态情景模拟的大气多污染物减排优化调控方法与系统 |
CN117236528A (zh) * | 2023-11-15 | 2023-12-15 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103109209A (zh) * | 2010-06-28 | 2013-05-15 | 绿色视觉系统有限公司 | 经由超光谱成像和分析实时监控、参数分析、和调节整个区域中的受污染室外空气颗粒物 |
CN105403664A (zh) * | 2015-10-19 | 2016-03-16 | 电力规划设计总院 | 一种基于wrf-chem的大型点污染源大气环境影响评价方法 |
CN106548438A (zh) * | 2016-10-21 | 2017-03-29 | 常州市环境监测中心 | 一种城市工业源排放清单的建立方法 |
CN107145668A (zh) * | 2017-05-05 | 2017-09-08 | 国网冀北电力有限公司电力科学研究院 | 发电厂烟气污染物排放对区域大气雾霾的评价方法及装置 |
US20170292938A1 (en) * | 2016-02-08 | 2017-10-12 | International Business Machines Corporation | Leveraging air/water current variability for sensor network verification and source localization |
-
2018
- 2018-07-06 CN CN201810735277.7A patent/CN109060617B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103109209A (zh) * | 2010-06-28 | 2013-05-15 | 绿色视觉系统有限公司 | 经由超光谱成像和分析实时监控、参数分析、和调节整个区域中的受污染室外空气颗粒物 |
CN105403664A (zh) * | 2015-10-19 | 2016-03-16 | 电力规划设计总院 | 一种基于wrf-chem的大型点污染源大气环境影响评价方法 |
US20170292938A1 (en) * | 2016-02-08 | 2017-10-12 | International Business Machines Corporation | Leveraging air/water current variability for sensor network verification and source localization |
CN106548438A (zh) * | 2016-10-21 | 2017-03-29 | 常州市环境监测中心 | 一种城市工业源排放清单的建立方法 |
CN107145668A (zh) * | 2017-05-05 | 2017-09-08 | 国网冀北电力有限公司电力科学研究院 | 发电厂烟气污染物排放对区域大气雾霾的评价方法及装置 |
Non-Patent Citations (2)
Title |
---|
SHUXIAO WANG ET AL: "Impact Assessment of Ammonia Emissions on Inorganic Aerosols in East China Using Response Surface Modeling Technique", 《ENVIRONMENTAL SCIENCE & TECHNOLOGY》 * |
薛文博: "中国氨排放对PM2.5污染的影响", 《中国环境科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858686A (zh) * | 2019-01-14 | 2019-06-07 | 南京大学 | 一种基于EnKF的地面排放清单反演优化方法 |
CN109916788A (zh) * | 2019-01-14 | 2019-06-21 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
CN109916788B (zh) * | 2019-01-14 | 2020-05-19 | 南京大学 | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 |
CN110728063A (zh) * | 2019-10-17 | 2020-01-24 | 广东省环境监测中心 | 一种判断气象与源排放变化对空气质量影响的定量方法 |
CN110988269A (zh) * | 2019-12-18 | 2020-04-10 | 中科三清科技有限公司 | 大气污染源排放清单的偏差修正方法、装置及存储介质 |
CN113569403B (zh) * | 2021-07-23 | 2023-08-29 | 南开大学 | 一种基于大气扩散-辐射标准化的环境VOCs来源解析方法 |
CN117195585A (zh) * | 2023-09-27 | 2023-12-08 | 重庆市生态环境科学研究院 | 一种基于动态情景模拟的大气多污染物减排优化调控方法与系统 |
CN117236528A (zh) * | 2023-11-15 | 2023-12-15 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
CN117236528B (zh) * | 2023-11-15 | 2024-01-23 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109060617B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109060617A (zh) | 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 | |
Zhang et al. | Agricultural ammonia emissions in China: reconciling bottom-up and top-down estimates | |
CN114443982B (zh) | 一种大区域土壤重金属检测与时空分布特征分析方法及系统 | |
CN111508569B (zh) | 一种基于土壤传递函数的目标土壤性质含量预测方法 | |
Henne et al. | Validation of the Swiss methane emission inventory by atmospheric observations and inverse modelling | |
Tang et al. | Improvement of ozone forecast over Beijing based on ensemble Kalman filter with simultaneous adjustment of initial conditions and emissions | |
Fu et al. | Estimating NH 3 emissions from agricultural fertilizer application in China using the bi-directional CMAQ model coupled to an agro-ecosystem model | |
Gourdji et al. | North American CO 2 exchange: inter-comparison of modeled estimates with results from a fine-scale atmospheric inversion | |
Wang et al. | High-resolution ammonia emission inventories with comprehensive analysis and evaluation in Henan, China, 2006–2016 | |
Zheng et al. | Development and uncertainty analysis of a high-resolution NH 3 emissions inventory and its implications with precipitation over the Pearl River Delta region, China | |
Sarmiento et al. | A US carbon cycle science plan | |
Hansen et al. | Regional analysis of groundwater nitrate concentrations and trends in Denmark in regard to agricultural influence | |
NL2027637B1 (en) | Cwt-based quantitative analysis method for external source of atmospheric primary pollutant | |
Huang et al. | Modeling inorganic nitrogen deposition in Guangdong province, China | |
Xu et al. | Interpreting the 13 C∕ 12 C ratio of carbon dioxide in an urban airshed in the Yangtze River Delta, China | |
Iversen | Modelled and measured transboundary acidifying pollution in Europe—verification and trends | |
CN114724647B (zh) | 一种高时空分辨率co2通量反演系统及方法 | |
Bouwman et al. | Towards reliable global bottom-up estimates of temporal and spatial patterns of emissions of trace gases and aerosols from land-use related and natural sources | |
Bourgeron et al. | Ecological theory in relation to landscape and ecosystem characterization | |
Chen et al. | Trends in anthropogenic ammonia emissions in China since 1980: A review of approaches and estimations | |
Wu et al. | Influencing factors of PM2. 5 concentration in the typical urban agglomerations in China based on wavelet perspective | |
Chen et al. | Variation of gross primary productivity dominated by leaf area index in significantly greening area | |
Chen et al. | Estimation and variation analysis of secondary inorganic aerosols across the Greater Bay Area in 2005 and 2015 | |
Van Der Gon et al. | Combining upscaling and downscaling of methane emissions from rice fields: methodologies and preliminary results | |
Zhao et al. | Regional application of the site-specific biochemical process-based crop model DNDC for rice in NE-China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |