在排放、建模和源分配方面的进展

《Environmental Science & Technology》：Advances in Emissions, Modeling, and Source Apportionment

空气污染治理需精准溯源与多源数据融合，60年来环境科学和技术（ES&T）推动了源解析方法（如CMB模型、PMF模型）、高分辨率排放清单（涵盖PM2.5、O3等污染物及铁-硝酸盐光化学反应新机制）、数据融合技术（卫星观测+地面监测+机器学习）及空气质量模型（敏感性分析/混合系统）的突破，为健康影响评估和政策制定提供科学支撑。

　　

特刊

作为《环境科学与技术》（Environmental Science & Technology）“环境科学与技术60周年”特刊的一部分发布。

空气污染是一个重大的环境问题，对人类和生态系统健康造成影响。为了有效管理这一问题，必须识别和量化污染物的来源，以便针对它们采取政策措施。现在，针对主要空气污染物的时间分辨、空间完整、高分辨率的浓度和排放数据集对于有意义的健康影响评估、气候变化分析和环境政策评估至关重要。本文探讨了过去60年中排放、建模和源分配方面的进展，《环境科学与技术》（ES&T）发表了其中一些开创性的论文。

源分配

---

最早的空气污染数据分配工作始于20世纪60年代，即ES&T首次出版的前后几年。(1?3)使用特定的元素示踪剂来获得源贡献的定量估计。(4,5)然而，随着多种分析方法的出现，如仪器中子活化、X射线荧光、离子束分析和电感耦合等离子体质谱法，Friedlander (6)认识到任何一种元素都可能由多种来源排放，因此需要使用最小二乘法进行拟合。这种方法在多篇论文中得到应用，直到Kowalczyk等人(7,8)指出需要进行加权最小二乘拟合。随后，Watson等人(9)通过考虑颗粒物排放剖面中物种浓度的测量不确定性，扩展了这一分析方法。这种有效的方差最小二乘法已被纳入美国环境保护署的化学质量平衡软件（USEPA CMB Model版本8.2）中。(10)

然而，CMB模型需要了解特定来源排放物中的化学物种分布情况，并且在处理由气体排放物在大气中形成的二次物种时存在问题。因此，从20世纪70年代末开始，人们开发了基于因子分析的另一类模型。(11,12)这些方法最初用于分配方差而非物种变化，因此开发了一种称为目标转换因子分析的改进方法(13)并在多项研究中应用。后来人们认识到，鉴于环境数据的误差特性，这些基于特征向量的方法并不适用，从而提出了显式最小二乘法——正矩阵分解（PMF）(14,15)。这种方法在美国环境保护署发布的PMF版本（USEPA PMF版本5.14）之后得到了更广泛的应用(16)，该软件现已成为空气、(17?19)水、(20?22)和土壤(23,24)等多种问题中源分配的最常用工具。因此，多种物种分析方法与先进的数据分析工具的结合促进了源分配的发展和应用，从而支持环境改善和人类及生态健康的提升，ES&T也发表了多篇支持这些发展的开创性论文，例如为PMF分析预处理大气数据时添加扩散归一化(25,26)以及对特定来源浓度进行不确定性分析(27,28)

排放清单

---

除了基于受体的源分配方法外，全面的空气质量评估还需要详细的自下而上的排放清单来驱动大气模型。在过去60年中，ES&T记录了排放清单方面的重大进展，空间和时间分辨率从粗略的年度国家总量提升到了亚公里级和每小时级别的精细网格化、接近实时的地图。这种更高的粒度通过更准确的模型输入支持了更精确的空气质量模拟。

行业细节也得到了深化。专门的排放清单现在针对以前被归入总体统计中的特定来源，例如针对道路灰尘、(29)航空(30,31)以及钢铁工业(32)的专门排放评估。关键污染物（如全球NO_x、SO₂和PM）的长期序列重建提供了实证依据，有助于将观察到的空气质量变化归因于不同地区和时期的技术变革和政策干预。(30,33?35)排放清单的化学范围已从传统的污染物（SO₂、NO_x和PM）扩展到包括多环芳烃和痕量金属等有害物质，以及所有有机化合物的挥发性谱系。(27,36?43)总体而言，分辨率、时间细节、物种分类、行业覆盖范围以及与地理空间大数据的整合的进步，使排放清单成为动态的高精度工具，为更有效的空气质量管理和大气化学研究提供了基础。

一个典型的例子是活性卤素。早期的研究主要集中在极地或海洋地区的卤素来源和化学过程。然而，随着测量技术（如化学电离质谱法（CIMS）的发展，在大陆地区也进行了密集的实地考察(44?52)，检测到了ClNO₂、Cl₂、Br₂、BrCl等物质。出乎意料的高浓度和不同的昼夜变化无法用海洋或极地地区已建立的传统卤素来源和化学机制来解释。此外，基于实地证据和实验室实验，提出了新的潜在机制(49,52,53)，例如通过气溶胶铁或硝酸盐光化学作用产生Cl₂和Br₂。然而，还需要进一步测量人为来源的卤素排放特性并进行更多实验室实验，以确定动力学参数，尤其是在接近环境条件下的情况。

互补数据源的融合

---

排放清单驱动化学传输模型来模拟污染物浓度，但模型的不确定性促使人们采用融合方法，将模拟结果与基于空间和地面的观测数据结合起来。过去几十年中，ES&T认识到整合互补数据源以生成高精度、高分辨率浓度场的方法的重要性，最初主要集中在PM_2.5 (54,55)，随后扩展到O₃、(56,57)、NO₂，以及最近的PM_2.5组成(59?61)

这种互补数据源的融合释放了巨大潜力。利用卫星获取的气溶胶光学深度和痕量气体柱数据，先前的研究建立了统计模型和混合统计-物理模型，将卫星观测结果与地面测量数据和辅助预测因子（如气象和土地利用）联系起来，以推导出网格化的地表浓度。(54,62,63)最近，机器学习和深度学习方法被应用于这一问题(64?67)，显著提高了基于卫星的估计的空间和时间分辨率及准确性，空间网格精度达到1公里甚至数百米(68)，时间分辨率达到每小时级别(69)。同时，关于气溶胶尺寸分布和吸收特性的卫星信息以及基于模型的物种分类方法，为从太空推断PM_2.5的化学组成提供了途径。(59?61,70)

空气质量建模

---

在过去60年中，空气质量建模从传统的正向化学传输模拟不断发展，发展成为一套能够诊断、归因和优化的灵敏度系统。正向灵敏度方法的进步，例如在三维模型中实施解耦直接法（DDM），使得能够高效地、基于第一性原理量化浓度指标对排放和参数扰动的响应。(71,72)对更高阶正向灵敏度的方法扩展以及对非线性响应（尤其是臭氧）的表征，明确了线性近似失效的情况以及为何需要考虑控制策略的影响。(73,74)伴随框架的发展，例如CMAQ伴随模型，进一步将研究领域从“如果...会怎样”的实验转向基于梯度的归因和优化，为政策相关的效益-吨量和控制设计应用奠定了基础。(75,76)

随着我们对大气过程和化学知识的增长以及计算能力的提升，模型可以不断改进。例如，大气模型（包括箱模型和化学传输模型）已被用于研究活性卤素在大陆地区的影响(77?84)。最近的研究强调了羟甲基磺酸盐在寒冷潮湿条件下的作用，并提供了有效模拟其大气行为所需的信息(85?87)

将空气污染暴露与健康结果联系起来

---

空气质量研究的一个重大里程碑是将空气污染与暴露和健康结果进行定量关联，这得益于时空暴露场和影响评估的快速进展。卫星技术和数据融合方法稳步提高了空气污染物浓度场的分辨率和覆盖范围——从区域性的卫星估计到全球性的长期重建和接近实时的产品——为流行病学、不平等分析和责任研究提供了坚实的基础(54,61,63,65,88,89)。这些数据融合的进步反过来又促进了全球评估的更全面负担估算框架(57,62,89,90)，而集成建模使得将边缘前体排放与全球及快速变化地区的人口健康结果联系起来变得越来越可行(91?95)。总的来说，这些发展似乎使ES&T的大气化学研究体系形成了一个完整的证据链：排放 → 化学/传输 → 暴露 → 健康影响。

未来研究

---

展望未来，一个关键的研究需求是开发统一的多污染物、多组分框架，能够在精细的空间和时间尺度上同时估计PM_2.5、O₃、NO₂、SO₂和特定类型的PM_2.5，同时提供稳健和透明的不确定性表征。新型卫星平台（包括静止轨道任务、多角度成像仪和高光谱传感器）的迅速出现，为将异构数据流整合到在变化排放模式和气候条件下仍保持稳定的长期记录中创造了机会和挑战。捕捉极端事件（96)（如野火、沙尘暴和热浪）尤为重要，因为这些事件已成为短期健康风险的主要驱动因素，但使用现有数据集和方法很难量化它们的影响。最后，需要将这些高分辨率污染数据更深入地融入健康、气候和社会经济分析中，使基于卫星的产品不仅能绘制暴露分布图，还能支持来源归因、政策评估和公平、基于证据的缓解策略设计，ES&T将在这一领域继续发挥主导作用。

另一个突破可能是使这一链条中的每个环节都具有动态性、多源性和不确定性意识。对于排放数据，一个核心需求是新一代的清单，它将自下而上的活动和技术数据与卫星检索和地面观测相结合，同时保持物理和化学的一致性。ES&T最近利用机器学习从卫星NO₂反推NO_{x排放的示范，展示了近实时更新和可扩展部署的可行性(97)，而基于观测约束的、基于物理的融合方法对于操作产品的应用至关重要(98,99)。在建模层面，一个关键的研究重点不是取代传统模型（CTM），而是构建混合系统：用于因果关系的CTM、用于归因和优化的灵敏度增强方法（DDM/伴随模型），以及用于速度优化、集合不确定性量化和情景探索的模拟器/替代方法(75,76,100,101)}

最后，如果空气化学要在快速脱碳背景下保持相关性，就需要在综合评估中更紧密地结合气候-空气污染-社会经济动态，明确评估健康协同效益和分布结果(102?106)。这些前沿进展表明，该领域正变得越来越具有预测性、可操作性和公平性，同时保持了ES&T六十年来一直秉承的机制严谨性。