代兴良,宋国君,姜晓群,余景娟,方丹阳 (中国人民大学环境学院,北京 100872)

2019年底新型冠状病毒肺炎(COVID-19,简称“新冠肺炎”)疫情突然爆发,引起社会广泛关注.为控制疫情的传播,咸阳市启动了公共卫生事件一级应急响应,应急响应期间,居民居家隔离,机动车行驶量大幅减少,移动源排放降到最低限度.同时,随着工厂停产、工地停工和餐馆歇业,工业源、扬尘源和生活源(餐饮服务等)的排放也大幅下降.疫情期间污染排放下降预期会对咸阳空气质量有一定改善作用,但目前缺乏具体的量化研究.相关研究表明环境空气质量受污染物排放水平、气象条件变化以及大气化学过程的共同影响[1-7],仅气象条件的变化就可能导致空气质量出现较大波动,因此在评估排放变化对环境空气质量的影响时需要控制气象因素的干扰.但部分学者在探究疫情期间排放减少对空气质量的影响时并未重视气象因素的影响,仅将疫情期间的空气质量与前几年同一时期进行比较就得出结论[8-9],结果存在不确定性.另外一些学者考虑到气象因素的重要性,尝试使用多元回归方法[10]和空气质量数值模型[11-12](CMAQ等)来控制气象因素的影响,但前者存在回归相关系数偏低(低至 0.2)问题,后者面临难以准确估计疫情期间排放量变化的挑战.近年来, 支持向量机(SVM),随机森林(RF)和神经网络等机器学习模型在空气质量的预测研究中越来越受到研究者青睐[13-18],因为其作为一种非参数统计方法,不需要遵守样本正态性、均方差和独立性等假设,可以较好解决变量间的交互效应,多重共线性以及非线性问题,同时比传统的统计方法(多元回归)和数值模型具有更好的预测性能[1,5-6,19].这为量化由于排放和气象因素造成的空气质量变化提供了一种可靠和替代的方法[5].

理想的机器学习模型需要输入排放变量和气象变量(风速、风向、气温等),分别用于控制污染物排放变化和气象因素对空气质量的影响.然而现实中难以准确估计每日的污染物排放量,受文献[5,20]启发,本文使用时间变量(年、月、星期和每年中第几日)作为排放量的替代变量,这些时间变量可以捕捉排放随年、月、日、星期的变化.鉴于随机森林模型(RF)在最近相关研究中的良好表现[19-20],本文的机器学习模型最终选择 RF,模型输入变量包括气象变量和时间变量.首先在疫情发生前的历史数据上训练RF模型,模型习得的“经验”是疫情发生前空气质量与气象因素和排放量的关系,然后用训练好的模型去预测疫情发生后的空气质量,由于模型保留了疫情发生前的“记忆”,其输出的预测值相当于未发生疫情情景下的真实值,这样疫情期间空气污染物浓度预测值会显著高于真实值,两者的差值即为疫情对咸阳空气质量的影响水平.

本文使用机器学习模型评估疫情对咸阳空气质量的影响,以量化短期污染源极限减排对咸阳空气质量的改善效果,旨在为咸阳以及类似城市的空气污染政策制定提供参考.

1 数据与方法

1.1 数据描述

本文收集了咸阳市空气质量数据和气象数据,空气质量数据来自中国环境监测总站(http://www.cnemc.cn),包含咸阳市 3个国控空气质量监测点(以下简称“国控点”) 6种污染物(PM2.5、PM10、SO2、NO2、O3和 CO)的小时浓度数据.3个国控点均位于咸阳市区内,分别为师范学院(108.7445°E,34.3673°N)、两寺渡(108.6616°E, 34.2982°N)和实验中学(108.7015°E, 34.3321°N).气象数据来自中国气象局中国地面气候资料日值数据集(V3.0),本文收集了咸阳秦都地面站(编号57048)的平均气温、最高气温、最低气温、平均相对湿度、最小相对湿度、平均风速、最大风速、最大风速风向、极大风速、极大风速风向、日照时数、降水量、小型蒸发量、大型蒸发量、平均气压、最高气压、最低气压、平均地表气温、最高地表气温、最低地表气温,共20项指标数据,时间尺度为1d.

咸阳是典型的中国北方供暖城市,每年有 5个月的供暖期(当年11月1日～次年3月31日),已有研究表明机器学习模型对采暖期和非采暖期的污染物浓度预测效果差异较大[18],而疫情对咸阳的空气质量影响主要发生于2020年采暖期,因此本文只使用采暖期的数据用于建模(2017年11月1日～2018年3月31日、2018年11月1日～2019年3月31日和2019年11月1日～2020年2月9日共3个采暖期).咸阳于2020年1月26日启动公共卫生事件一级应急响应,至2020年2月27日解除一级应急响应,一级应急响应期又可分为 2个阶段,第一阶段为2020年1月26日～2月9日,是国务院规定延长的春节假期;第二阶段为2月10日～2月27日,虽然仍处于一级应急响应期间,但企业陆续开始复工复产.为排除复工复产对本研究的影响,本文只选取第一阶段(2020年1月26日～2月9日)为研究对象,并将此阶段定义为“疫情期间”,下文提到的疫情期间专指这段时期.最终收集的6种空气污染物(小时尺度)和气象数据(日尺度)缺失率如表1所示(缺失率为零的指标未列出),除大型蒸发量外,各指标缺失率均小于5%.大型蒸发量由于数据缺失较多而被删除.

表1 空气质量和气象数据缺失率(%)Table 1 Missing rate of air quality and meteorological data(%)

1.2 数据处理

空气质量数据中污染物小时浓度缺失值用上一小时浓度值填充,全部填充完毕后再计算污染物日均浓度.部分气象数据存在异常值,处理方式为若某一指标存在异常值则删除该日数据.每年除夕和春节期间居民燃放烟花爆竹,会导致污染物排放量突然增加,使空气污染物浓度快速上升,为避免干扰每年除夕和春节的数据被删除.模型输入变量包括时间变量和气象变量,这些变量的描述统计如表 2所示.为避免不同量纲对机器学习模型的影响,建模前先对数据进行归一化处理,归一化公式如下:

表2 三个监测站点数据的描述统计Table 2 Description statistics of the data from three monitoring sites

式中:Y表示归一化后数据;x为原始数据;xmin表示数据最小值;xmax表示数据最大值.

1.3 机器学习方法

使用疫情发生前的历史数据训练RF模型,然后向训练好的 RF 模型输入排放替代变量(时间变量)和气象变量来预测疫情期间的污染物浓度,该预测浓度代表了历史上相似排放水平和气象条件下的污染物浓度,可视为未发生疫情情景下的污染物浓度观测值.疫情期间的空气污染物浓度(疫情发生情景)与模型预测浓度(疫情未发生情景)的差值即为疫情对咸阳空气质量的影响.但在本文中直接用两者的差值来评估疫情对空气质量的影响会存在一定误差.咸阳地处汾渭平原,是国家三大空气污染重点治理区之一,随着治理力度的加大,近几年咸阳空气污染物浓度一直呈下降趋势,如果用具有明显下降趋势的历史数据训练机器学习模型,然后对未来进行预测,预测结果通常会略高于真实值.为克服空气质量改善趋势的影响,本文用验证集上预测值均值与真实值均值的差值来对测试集的预测值进行去趋势调整,最终得到疫情对咸阳空气质量的改善水平P,计算方式如下:

式中:P为去趋势处理后疫情对咸阳空气质量的影响水平;ctrue为测试集的真实值均值;cpre为测试集的预测值均值;ytrue为验证集的真实值均值;ypre为验证集的预测值均值.

本文选取的训练集为2017年11月1日～2018年3月31日、2018年11月1日～2019年3月31日和2019年11月1日～2019年12月31日期间的数据,总计355日数据;验证集为2020年1月1日～1月23日期间的数据(2020年1月24日和25日为中国农历的除夕和春节,将其删除),共计 23日数据;测试集为2020年1月26日～ 2020年2月9日期间数据,共计15日数据.针对每个国控点的每种污染物分别建立机器学习模型,模型预测变量为 6种空气污染物日均浓度,输入变量为气象变量(包括当日和前一日气象变量)和时间变量(包括年、月、一年中第几天和星期),总计 50项自变量.使用 Python的Scikit-learn库进行模型训练,利用Grid Search(格网搜索)和十折交叉法在训练集上进行超参数寻优[13,21-22],选出 RMSE最小的超参数并保存,然后用训练好的模型对验证集和测试集进行预测,通过模型在验证集上的表现来评价模型的预测效果.模型评价指标选取 RMSE(Root Mean Squard Error)、MAPE(Mean Absolute Percentage Error)和MAE(Mean Absolute Error).

2 结果与讨论

2.1 模型预测效果评价

本文训练的RF模型预测效果如表3所示,3个空气质量监测点 PM2.5、PM10、SO2、NO2、CO 和O3在验证集上的 MAPE均值分别为 37%、42%、31%、23%、29%和101%.从MAPE指标看,NO2预测效果最好,O3预测效果最差.PM2.5在验证集上的MAPE和 RMSE均值分别为 37%和 43.5ug/m3,MAPE指标低于宋国君等[18]利用差分自回归滑动平均(ARIMA)与SVM组合方法对沈阳采暖期PM2.5日均浓度进行预测时的52.9%,RMSE低于孟宁等[23]利用WRF-Chem模型对关中地区PM2.5小时浓度进行预测时的53.78µg/m3.NO2预测的RMSE平均值为23%,与 Lovrić等[20]利用 RF模型对奥地利格拉茨NO2日均浓度进行预测时的 18%相近.总体来看,除两寺渡监测点的 O3预测效果较差外,其他污染物日均浓度的预测效果都较好.

表3 模型在验证集上的预测效果Table 3 The performance of the RF model on the validation set

2.2 疫情对空气质量的影响

疫情对咸阳3个监测点的空气质量改善水平如表 4所示,疫情期间3 个监测点的 PM2.5、PM10、SO2、NO2和CO污染物浓度都有不同程度下降,O3浓度不降反升,这与大多数学者对中国各地区(如武汉、华北平原、中国北方、珠三角、长三角等)的研究结果一致[24-28].疫情期间,全市污染物浓度下降幅度最大的为 NO2,与未发生疫情情景相比下降了 60.1%,该结果高于Lian等[24]对武汉的研究结果(与疫情发生前一个月相比下降53.3%),也高于Li等[28]对长三角地区的研究结果(与 2019年同期相比下降 45.1%);全市污染物浓度下降幅度第二大的为 PM10,与未发生疫情情景相比下降了 26.6%,低于 Lian等[24]对武汉的研究结果(下降 40.2%),与 Wang等[26]对京津冀地区的研究结果相近(运用固定效应模型控制气象因素后发现PM10下降33.6%);下降幅度第三大的为PM2.5,与未发生疫情相比下降了 19.3%,低于 Lian等[24]和Li等[28]对武汉和长三角地区的研究结果(分别下降36.9%和33.2%),远低于Wang等[25]对珠三角的研究结果(通过空气质量模型(CMAQ)评估发现PM2.5下降52%),与Wang等[26]对京津冀地区的研究结果相近(下降21.5%);与未发生疫情相比,SO2下降了 13.4%,略低于 Wang等[25]对珠三角的研究结果(下降25%),高于Lian等[24]对武汉的研究结果(下降3.9%),与 Li等[28]对长三角地区的研究结果相近(通过空气质量模型(WRF-CAMx)评估发现 SO2下降7.6%);与未发生疫情相比,CO 下降 9.1%,低于 Lian等[24]对武汉(下降 22.7%)和 Wang等[26]对京津冀地区(下降20.4%)的研究结果;全市O3浓度上升50.9%,低于 Lian等[24]对武汉的研究结果(上升 116.6%),也低于Li等[27]对华北平原的研究结果(运用卫星观测数据发现O3上升84.1%).可以看出,由于研究方法和研究地区不同,各研究结果中污染物浓度变化幅度差异较大,但基本规律一致:PM2.5、PM10、SO2、NO2和CO污染物浓度都有不同程度下降,其中NO2的下降幅度最大,SO2下降幅度较小,O3浓度不仅没有降低反而有较大幅度上升.

表4 疫情对咸阳空气质量的改善水平(%)Table 4 Improvement of air quality during the pandemic in Xianyang(%)

分监测点来看(如表 4),实验中学监测点的PM2.5下降幅度最大,两寺渡监测站点的下降幅度最小;PM10方面,两寺渡监测点的下降幅度最大,师范学院监测站点下降幅度最小,结合两寺渡监测点PM2.5下降幅度最小的结果,可以推测疫情对两寺渡监测点粗颗粒浓度(PM2.5-10)影响较大,可能由于平时该站点附近扬尘排放较大;SO2方面,两寺渡监测点下降幅度最大,师范学院下降幅度最小;NO2方面,两寺渡监测点下降幅度最大,实验中学下降幅度最小;CO 方面,师范学院监测点下降幅度最大,两寺渡下降幅度最小;O3方面,两寺渡监测点上升幅度最大,师范学院站点上升幅度最小.总结来看,两寺渡监测点的PM10、SO2和 NO2下降幅度最大,PM2.5和CO下降幅度最小,O3上升幅度最大,这反映出 PM2.5和O3治理的复杂性,较大幅度降低PM2.5二次生成前体物(SO2和 NO2)浓度对 PM2.5的下降贡献有限,同时NO2也是O3生成的前体物,较大幅度降低NO2,O3浓度反而出现较大幅度上升.

2.3 空气质量改善驱动分析

本文将全市的人为污染源分为工业源、移动源、扬尘源和生活源,工业源包括工业锅炉、窑炉、发电厂和工业过程等,与PM2.5、SO2、NO2和CO的排放都相关,已有研究发现工业排放是造成中国PM2.5污染的主要因素[29].正常情况下,工业源中的火力发电占全国SO2总排放量的20.1%,占NOx总排放量的32.6%[30],,故PM2.5和SO2通常被认为是工业源的代表性污染物;移动源包括道路机动车、非道路机械以及飞机、船舶等,主要与 NOx的排放相关,NOx也被看作机动车排放的特征污染物[31];扬尘源包括道路扬尘和建筑扬尘,主要与PM10中的粗颗粒(PM2.5-10)排放有关;生活源包括烹饪、散煤燃烧、生物质燃烧等,与SO2、CO和PM2.5的排放都相关.

疫情期间,绝大部分中小企业停产,只保留了必要的民生工业(主要是大型企业,如电力、供暖、生活垃圾焚烧等),工业源排放被期望有较大幅度下降,但评估结果显示疫情期间 SO2下降幅度较小,远低于 NO2下降幅度,同时其他污染源的 SO2排放也无明显增加(生活源排放变化较小,其他污染源排放都下降),可以推测疫情期间未停产工业源对本地排放的 SO2贡献巨大,而已停产的工业企业(主要是小企业)对本地排放影响有限;移动源方面,疫情期间机动车使用量显著下降,移动源排放降到历史最低限度,在工业源减排有限的情况下,空气中 NO2大幅降低最可能由移动源减排导致;扬尘源包括建筑扬尘和道路扬尘,建筑工地停工减少了建筑扬尘的排放,机动车行驶数量的减少降低了道路扬尘的排放,疫情期间扬尘源基本降到最低限度;生活源中餐饮服务业的排放基本降为零,剩下的居民住宅燃烧(如散煤取暖、生物质燃烧、烹饪等)排放有所上升,但上升幅度不大,根据 Li[28]等的研究估计,疫情防控期间长三角地区的住宅燃烧排放量上升了 10%,咸阳生活源的排放即使有增加,也增幅较小.总体来看,疫情期间各类污染源排放呈下降趋势,移动源和扬尘源降到最低限度.

2.3.1 NO2下降驱动分析 疫情期间,扬尘源排放与NO2无关,生活源排放变化不大, NO2的下降主要与工业源和移动源相关,而 SO2降幅远低于 NO2,说明疫情期间 NO2的大幅下降主要由移动源减排贡献.SO2/NO2比率常被用来评估固定源与移动源对空气污染的相对贡献,当固定源对空气污染物的影响更大时,该值会更高[32].未发生疫情情景下,SO2与NO2的比率为 0.20,疫情期间上升到 0.43,说明疫情发生后移动源对空气污染物的贡献显著下降,固定源排放贡献上升,这也证明了疫情期间移动源减排对NO2浓度的降低影响较大.

2.3.2 O3上升驱动分析 O3是二次污染物,其变化受多种因素的影响.在被污染的空气中,挥发性有机物(VOCs)在氮氧自由基(NOx≡NO+NO2)和氢氧自由基(HOx≡OH+HO2+有机过氧自由基(RO2))的催化下发生光化学氧化,迅速生成O3[19,33].VOCs和NOx主要来移动源和工业源,生活源也会产生 VOCs.基于O3的形成机理,对于疫情期间O3浓度升高的解释主要有3种,一是,疫情期间NO2和NO排放都出现下降,NO2的下降减少了空气中的氮氧自由基,抑制了O3的生成,而NO的下降削弱了其对O3的滴定作用(NO+O3→NO2+O2),减少了 O3的消耗,最终 NO2对O3的补偿效应超过的 NO的消耗效应, O3浓度升高[19,34];二是, O3的增加可能由PM2.5和PM10的减少有关,PM 浓度下降导致太阳辐射增加,从而促进 O3的光化学反应生成[9,35];三是,O3的上升可能受 VOC与NOx的O3生成敏感区(即O3的化学生成机制)控制,O3浓度受制于VOCs和NOx的减排比例[36],疫情期间NOx减排比例超过VOCs从而导致O3浓度升高.总气态氧化剂(Ox=NO2+O3)是一个不受NO和O3之间滴定反应影响,但代表 O3净光化学生成的参数[19].未发生疫情情景下,Ox浓度为 88.8ug/m3,疫情发生后 Ox浓度降为 75.9ug/m3,由于疫情期间O3净光化学生成下降, O3浓度被期望有所下降,但观测结果显示O3浓度上升,说明NO对O3的滴定反应并不是疫情期间 O3浓度上升的主要原因.至于咸阳 O3浓度升高是由第2种还是第3种解释导致还需进一步研究确定,但本文发现咸阳3个国控点中PM2.5浓度与O3浓度排名正好相反,PM2.5浓度高的监测点其O3浓度低,这一定程度支持了第2种解释.

2.3.3 PM2.5下降驱动分析 PM2.5下降的驱动因素更加复杂,因为一次排放物和二次形成都对空气中的PM2.5有贡献[37-43].一次排放的 PM2.5包括有机碳、碳黑、粉尘等,主要来源于人类直接排放;二次形成的 PM2.5包括硫酸铵(亚硫酸铵)、硝酸铵等,主要来源于人类活动排放或自然产生的 SO2和 NO2等在大气中经过光化学反应二次形成.疫情期间,工业源、移动源和扬尘源排放大幅下降,一次排放的PM2.5被期望有较大幅度下降,同时随着疫情期间PM2.5二次形成前体物(NO2、SO2等)浓度的下降(特别是 NO2),二次形成的 PM2.5也被期望有较大幅度下降.但评估结果显示,全市 PM2.5降幅有限(仅下降19.3%),疫情期间全市 PM2.5日均浓度仍高达98ug/m3,超过空气质量标准的二级浓度限值(日均75ug/m3)[44],这不禁让人反思先前的空气污染治理思路,一味强调减排恐怕难以保证咸阳的PM2.5达标,同时反映出前面分析认为疫情期间PM2.5的二次生成有较大幅度的下降的结论可能有误.已有研究发现,在疫情封锁的初期,北京一次排放的气溶胶减少了 30%～50%,而二次生成的无机气溶胶和有机气溶胶(SOA)分别增加了60%～110%和52%～175%[45].因此,咸阳 PM2.5的超标最可能由于 PM2.5二次生成量的增加抵消了一次排放的降低,一些学者推测,在PM2.5二次生成前体物都降低的情形下,二次生成的气溶胶反而增加可能与大气氧化能力的增强有关(O3升高)[46].Zhao等[47]认为,二次有机气溶胶(SOA)的形成与 VOCs/NOx的比例呈非线性关系.考虑到NOx和VOCs排放的不平衡,减少NOx排放可能会导致SOA产量的增加.Le等[48]指出,疫情期间,多相化学作用和大气氧化能力增强是中国雾霾事件发生的主要原因.Huang等[49]认为, COVID封锁期间的雾霾是由二次污染的增强驱动的,特别是运输过程中NOx排放的大量减少,增加了O3和夜间NO3自由基的形成,而这些大气氧化能力的增加反过来又促进了二次颗粒物的形成.

2.3.4 PM10下降驱动分析 PM10可分为细颗粒(PM2.5)和粗颗粒(PM2.5-10)两部分,疫情期间全市PM10浓度下降了 36.1µg/m3,其中 23.4µg/m3来自PM2.5的下降,12.7µg/m3来自 PM2.5-10下降,PM2.5对PM10的下降贡献了 64.8%,这主要得益于工业源的减排;PM2.5-10对PM10的下降贡献了35.1%,这主要由于扬尘源的减排.PM2.5/PM10比值从未发生疫情情景下的 0.87上升到疫情发生后的 0.95,说明疫情期间PM10中绝大部分为PM2.5(占95%), PM2.5-10仅占5%,未来若想进一步降低 PM10的浓度,重点是降低PM2.5的浓度.

2.4 对未来大气污染治理的启示

疫情发生后,咸阳经济几乎停滞,全市工业源、移动源和扬尘源都有较大幅度减排(移动源和扬尘源降到最低程度),生活源排放估计变化不大,这些污染源的大幅减排被期望对咸阳空气质量有较大幅度改善,分析发现,疫情期间 PM2.5日均浓度仍然超过空气质量标准的二级浓度限值[44],这凸显了PM2.5治理工作的艰巨性和复杂性,即使PM2.5的一次排放以及二次生成前体物(NO2和 SO2)都有较大幅度下降,PM2.5浓度降低仍然不明显.疫情期间的污染源减排已经是咸阳短期内所能达到的最大程度减排,未来难以复制,更难以在此基础上进一步减排,这不禁让人反思之前过分强调减排的空气污染思路,可能忽视了污染物之间的相互影响关系.疫情期间 O3浓度的上升可能促进了PM2.5的二次生成,从而削弱了PM2.5的治理效果,因此有必要进一步研究咸阳PM2.5和O3的相互影响以及生成机制,从而制定边际改善效益最佳的污染控制政策.

咸阳重污染天气应急响应期间常采取停产限产政策,该政策对污染源的影响与疫情类似,重污染天气应急响应期间许多中小企业停产限产而大型民生相关企业则被豁免.疫情对咸阳所做的污染源极限减排实验反映出停产限产政策对咸阳的空气质量改善有限,而继续排放(未停产)的污染源(以下简称“剩余源”)影响较大.咸阳的剩余源主要为工业源和生活源,剩余工业源主要为民生相关的大型企业以及工序不能停止的特殊企业(如玻璃生产企业),这些企业基本都安装了污染物连续在线监测设备,本文从咸阳市生态环境局获取了秦都区、渭城区、武功县、兴平市、礼泉县、泾阳县和三原县(这 7个区县临近 3个空气质量监测站点)的所有装有连续在线监测设备企业的排放数据,筛选出 2020年 1月26日～2月9日仍然保持排放的企业,发现这些企业主要分布于热力生产和供应、原油加工及石油制品制造、氮肥制造、玻璃生产、食用植物油加工行业和水泥制造行业(水泥企业由于协同处置污泥以及生活垃圾没有停产),未来应重视这些企业的污染治理.生活源中餐饮行业的排放基本降为零,剩余生活源主要是散煤和生物质燃烧,徐媛等[50]对散煤燃烧源排放特征进行了研究,发现天津市2017年散煤燃烧源中 PM10、PM2.5、SO2、NO2、CO、VOCs等大气污染物排放总量分别为 20.88,16.53,4.84,3.17,270.65,7.05kt,可见散煤燃烧排放的一次颗粒物、PM2.5二次生成前体物和 O3形成前体物(NO2和VOCs等)的量都较大,因此有序推进农村地区集中供暖和清洁取暖显得尤为重要.

2.5 不确定性分析

本文利用机器学习模型量化评估了疫情对咸阳空气质量的影响,总体而言模型的拟合效果较好,但仍可能存在一些误差,首先由于难以估计每日的排放量变化,本文使用时间变量作为排放量的替代变量难免会造成一定误差,同时气象因子仅采用地面要素,无三维立体气象资料,也带来一定误差.未来可加入三维立体气象数据,如混合层高度等数据,进一步提高模型的拟合效果.此外,受到数据可得性的限制,未能使用小时尺度数据对模型精度做进一步提升,导致难以在更细的时间尺度上观察疫情对空气质量的影响.

3 结论

3.1 与未发生疫情情景相比,疫情期间污染源减排导致咸阳PM2.5、PM10、SO2、NO2和CO浓度分别下降19.3%、26.0%、13.4%、60.1%和9.1%,NO2降幅最大,SO2和 CO降幅较小,O3浓度不降反而上升50.9%.

3.2 疫情期间,NO2的大幅下降主要来自移动源的贡献;在一次排放和二次生成前体物(NO2、SO2和VOCs等)都下降的情况下,PM2.5下降幅度有限,日均浓度仍然超标,反映出 PM2.5治理的复杂性,暗示了剩余源对咸阳空气质量影响较大,而停产限产政策(与疫情影响类似)对咸阳的空气质量改善有限;在O3生成前体物(NO2和 VOCs等)下降的情况下,O3浓度不降反升,有必要进一步研究 O3形成的影响机制,从而制定边际改善效果更佳的污染控制政策.

3.3 疫情期间对咸阳空气质量影响较大的剩余污染源主要为剩余工业源和剩余生活源,剩余工业源主要分布于热力生产和供应、原油加工及石油制品制造、氮肥制造、玻璃生产、水泥制造和食用植物油加工等行业,剩余生活源主要包括散煤和生物质燃烧,未来应重视这些剩余污染源的治理.