Escalonado
LarLar > Notícias > Escalonado

Escalonado

Feb 03, 2024

npj Climate and Atmospheric Science volume 5, Número do artigo: 99 (2022) Citar este artigo

885 acessos

5 Altmétrico

Detalhes das métricas

A produção de pico escalonado (SP) – uma medida para interromper a produção industrial na estação de aquecimento – foi implementada na Planície do Norte da China para aliviar a poluição atmosférica. Comparamos as variações da composição de PM1 em Pequim durante o período SP na estação de aquecimento de 2016 (SPhs) com aquelas nos períodos de produção normal (NP) durante a estação de aquecimento de 2015 (NPhs) e a estação sem aquecimento de 2016 (NPnhs) para investigar a eficácia do SP. A concentração de massa de PM1 diminuiu de 70,0 ± 54,4 μg m-3 em NPhs para 53,0 ± 56,4 μg m-3 em SPhs, com reduções proeminentes nas emissões primárias. No entanto, a fração de nitrato durante os SPhs (20,2%) foi aproximadamente o dobro daquela durante os NPhs (12,7%), apesar de uma grande diminuição de NOx, sugerindo uma transformação eficiente de NOx em nitrato durante o período de SP. Isso é consistente com o aumento do aerossol orgânico oxigenado (OOA), que quase dobrou de NPhs (22,5%) para SPhs (43,0%) na fração de aerossol orgânico total (OA), destacando a formação secundária eficiente durante o SP. A carga de PM1 foi semelhante entre SPhs (53,0 ± 56,4 μg m-3) e NPnhs (50,7 ± 49,4 μg m-3), indicando uma diferença menor na poluição por PM entre as estações de aquecimento e não aquecimento após a implementação da medida de SP. Além disso, foi utilizada uma técnica de aprendizagem automática para dissociar o impacto da meteorologia nos poluentes atmosféricos. Os resultados do detemperamento foram comparáveis ​​com os resultados observados, indicando que as condições meteorológicas não tiveram um grande impacto nos resultados de comparação. Nosso estudo indica que a política de SP é eficaz na redução das emissões primárias, mas promove a formação de espécies secundárias.

A poluição por material particulado (MP) exerce impactos profundos na saúde humana1,2,3,4,5, no clima6,7,8, na visibilidade9,10 e no ecossistema11. Devido à rápida industrialização e urbanização nas últimas décadas, a China tem sofrido com a poluição persistente e generalizada por neblina, especialmente durante o inverno12,13,14,15. Sendo uma das maiores megacidades da China, Pequim sofreu grave poluição atmosférica nas últimas décadas13,15,16. As cargas anuais de PM2,5 variaram de 89,5 a 73,0 μg m-3 durante 2013–2016 em Pequim (Escritório Municipal de Ecologia e Meio Ambiente de Pequim, http://sthjj.beijing.gov.cn/bjhrb/), excedendo a Taxa Ambiental Nacional Chinesa. Padrão de Qualidade do Ar (CNAAQS, 35 µg m−3). Nos últimos anos, foram implementadas em todo o país várias medidas rigorosas de prevenção e controlo da poluição, abrangendo os principais sectores de poluição, para aliviar a poluição atmosférica, por exemplo, a restrição do tráfego17, a mudança do carvão para o gás18 e o Plano de Acção para a Prevenção da Poluição Atmosférica19. Existem muitos estudos que investigam a eficácia destas intervenções na qualidade do ar. Por exemplo, Gao et al. encontraram uma diminuição de 21% na concentração média de PM2,5 em Pequim durante os invernos de 2011 a 2016, o que foi atribuído principalmente a medidas rigorosas de controle de emissões20. Gu et al. ilustrou que as concentrações médias de PM1 nas áreas urbanas de Pequim em 2014–2015 diminuíram 16-43% em comparação com aquelas em 2008–2013 após a implementação de medidas de controle de emissões desde 201321. A distribuição de tamanho, as propriedades de oxidação e a acidez dos aerossóis mudaram substancialmente após a implementação do plano de ação limpa22,23,24. Além disso, os controlos de emissões a curto prazo também são eficazes na melhoria da qualidade do ar. Grandes reduções de concentrações nos principais componentes do aerossol submícron foram relatadas durante a cimeira da Cooperação Económica Ásia-Pacífico (APEC) de 201425. A concentração em massa de PM (PM1) diminuiu 57% devido ao controlo rigoroso durante o desfile do Dia da Vitória na China em 201526. Estes resultados demonstram que a poluição atmosférica foi eficazmente mitigada após um controlo rigoroso. Especificamente, as condições meteorológicas também podem afetar a variação da concentração de poluentes, o que torna difícil comparar diretamente os níveis de emissão de poluentes. Zhang et al. estimou que as condições meteorológicas contribuíram para 9% da redução nacional de PM2,5 de 2013 a 2017 e contribuíram para 16% da redução de PM2,5 da região Pequim-Tianjin-Hebei (BTH) de 2013 a 201727. Em contraste, durante a crise da COVID Durante o período de confinamento, a grave poluição por neblina foi facilitada pela estagnação meteorológica e pela elevada UR, apesar da redução substancial das emissões primárias28,29,30. Assim, é essencial dissociar os impactos meteorológicos da qualidade do ar ambiente para avaliar a eficácia das medidas de controlo em Pequim. Modelos de regressão31,32, modelos de transporte químico20,33,34,35 e modelos de aprendizado de máquina são métodos comuns para dissociar os efeitos potenciais das variações relacionadas ao clima36,37,38,39,40. Comparações detalhadas desses métodos podem ser encontradas em outros lugares37,39,41. O algoritmo de floresta aleatória (RF) baseado em aprendizado de máquina apresentou alta precisão de predição ao reduzir a variância e o erro em conjuntos de dados de alta dimensão, e o processo de aprendizagem pode ser explicado e interpretado onde a importância das variáveis ​​de entrada e suas interações são visualizadas37,41. Grange et al. aplicou uma técnica de normalização meteorológica baseada no algoritmo RF para controlar mudanças na meteorologia ao conduzir análises de dados de qualidade do ar36. Shi et al. usaram um algoritmo de RF baseado em aprendizado de máquina para avaliar grandes reduções nas emissões de poluentes atmosféricos após as intervenções de emissões de curto prazo39.

 50% was chosen for better comparison16,50,51. As shown in Fig. 4, the concentrations of precursors in SPhs were 15.1 ± 8.2 ppb for SO2 and 41.5 ± 16.4 ppb for NO2, much lower than those in NPhs (29.1 ± 6.1 ppb for SO2 and 51.7 ± 8.4 ppb for NO2). On the contrary, the concentration of O3 in SPhs (3.1 ± 4.6 ppb) was higher than that in NPhs (2.2 ± 0.9 ppb), indicating stronger atmospheric oxidation capacity in SPhs. The mass concentration of nitrate in SPhs (20.9 ± 16.4 μg m−3) was 1.4 times that in NPhs (15.1 ± 5.0 μg m−3), which was consistent with a higher NOR in SPhs (0.13 ± 0.07) compared to that in NPhs (0.09 ± 0.02). In comparison, the mass concentration of sulfate in SPhs (10.7 ± 8.1 μg m−3) was lower than that in NPhs (18.4 ± 8.0 μg m−3), which may relate to the lower SO2 concentration in SPhs and similar SOR between SPhs (0.14 ± 0.09) and NPhs (0.13 ± 0.05). The concentrations of SO2 and NO2 decreased from 15.1 ± 8.2 ppb and 41.5 ± 16.4 ppb in SPhs to 6.2 ± 2.6 ppb and 38.8 ± 13.1 ppb in NPnhs, respectively, while O3 largely increased from 3.1 ± 4.6 ppb in SPhs to 7.0 ± 9.2 ppb in NPnhs (as shown in Fig. 4). Consistently, the SOR and NOR in NPnhs (SOR: 0.20 ± 0.13; NOR: 0.152 ± 0.10) were also higher than those in SPhs (SOR: 0.14 ± 0.09; NOR: 0.13 ± 0.07). This was consistent with the increase of nitrate from SPhs (20.9 ± 16.4 μg m−3) to NPnhs (22.7 ± 19.2 μg m−3) (As shown in Supplementary Table 1). Specifically, the mass concentration of sulfate decreased from SPhs (10.7 ± 8.1 μg m−3) to NPnhs (8.1 ± 7.5 μg m−3), probably due to the reduction of SO2 from central heating emissions. These results suggested that the SP, central heating and seasonal variations all contributed to changes in secondary species./p> 75 µg m−3), respectively. As shown in Fig. 5, in NPhs, the relative contributions of chloride were the lowest on clean days (6.7%) when compared with the other two pollution stages (8.3% on average pollution days; 8.2% on heavy-pollution days). What’s more, the mass fractions of chloride in NPhs were higher than those in SPhs and NPnhs in all pollution stages. The fractional contributions of POA to OA increased largely from 68.2% on clean days to 75.8% on average-pollution days and further to 79.2% on heavy-pollution days. As for secondary species, the fractional contribution of SIA in heavy-pollution days was the highest (33.4%) when compared with those on average-pollution days (28.0%) and clean days (29.8%), while the fractional contributions of OOA to OA decreased from 31.8% on clean days to 24.2% on average-pollution days and further to 20.8% on heavy-pollution days. These results indicated that primary emissions and secondary inorganic formations (e.g., nitrate and ammonium) contributed largely to heavy pollution events in NPhs. In SPhs, relative contributions of primary emissions were comparable in different pollution stages, while fractional contributions of secondary inorganic species increased from clean days (34.7%) to average-pollution days (36.4%) and further to heavy-pollution days (42.8%) and the increase ratios of SIA from clean days to average-pollution days and further to heavy-pollution days in SPhs were larger than those in NPhs. LSOA presented a similar increasing trend with secondary inorganic species from clean days to heavy-pollution days. Specifically, the relative contributions of RSOA to OA decreased largely from clean days (7.4%) to average-pollution days (5.2%) and further to heavy-pollution days (3.7%). These results suggested that both primary emissions and secondary formation (e.g., nitrate, ammonium, and LSOA) were important in the haze formation in SPhs and the secondary formation in SPhs was stronger than that in NPhs. Different from NPhs and SPhs, the mass fractions of chloride decreased from clean days (3.6%) to heavy-pollution days (2.4%) in NPnhs. The relative contributions of POA in NPnhs also decreased from 40.3% on clean days to 38.4% on heavy-pollution days. However, fractional contributions of SIA increased largely from 39.1% on clean days to 51.9% on average-pollution days and further to 54.8% on heavy-pollution days in NPnhs. The relative contributions of LSOA to OA were also increased from clean days (38.5%) to heavy-pollution days (50.3%) in NPnhs. Although RSOA presented a similar decreasing trend with that in SPhs, the relative contributions of RSOA increased prominently from SPhs and NPnhs in all pollution stages. These results illustrated that when compared with NPhs and SPhs, secondary formation, including local oxidation and regional transportation, was more prominent in aggravating atmospheric pollution in NPnhs./p>