68、大气污染建模与健康影响评估

大气污染建模与健康影响评估

1. 污染传输建模概述

污染传输建模目前主要用于估算短期污染物的排放。不过，中尺度建模也越来越多地应用于长期污染物的研究，例如评估生物源排放。《巴黎协定》要求证明大气中温室气体浓度的降低，中尺度建模似乎成为实现这一目标的主要工具。

2. 中尺度模型

大气污染模型的目标是阐释和解释传播过程的动态，并展示如何利用这些知识来支持决策和制定有效的空气质量控制方法。在确定性污染传输建模中，通常假设可以使用平流 - 扩散（传输）方程组来模拟这些过程。

基本传输方程的一般形式为：
[
\frac{\partial c}{\partial t} + \upsilon \nabla c - K_h \Delta c + \gamma c = Q
]
其中，$c$ 是所模拟物质的浓度，$\upsilon$ 是风场向量，$K_h$ 是水平扩散系数，$\gamma$ 是综合沉积率（干/湿/被地表水吸收），$Q$ 是总排放场。

由于模型可能非常复杂，尤其是当包含许多物理和化学过程的时变三维描述时，数值算法中常采用空间变量和各个过程的分解方法。垂直剖面通过引入分层结构进行近似，然后在每一层中，模型被划分为描述排放场、水平传输、水平扩散、沉积、降水冲刷以及化学转化的独立模块。相邻层之间的成分交换通常通过适当的参数化来描述。

模型的规模对模块的作用有显著影响：
- 局部尺度模型 ：空间过程的影响范围在 1 到 20 公里之间，适用于模拟城镇区域或污染源集中且多样化的城市。污染物从源到受体的扩散时间较短，可忽略一些缓慢的化学转化和二次污染物的形成，但大量反应化合物及其高浓度可能导致一些二次污染物（如臭氧）的形成，数学描述可能较为复杂。
- 区域尺度模型 ：范围在 20 到 100 公里以上，地形的发展和覆盖以及局部热条件对污染物扩散有显著影响，通常需要考虑污染物的垂直分布。
- 大陆尺度模型 ：范围远超过 100 公里，常考虑单个平均混合层，如 EMEP 和 RAINS 模型在分析欧洲污染物能源源扩散时就采用了这种方法。高尺度建模结果通常作为低尺度模型的边界条件。

从建模角度看，小空间尺度（局部和城市模型）和大空间尺度（大规模区域和全球模型）对现象的描述存在显著差异：
- 小尺度模型中，扩散均匀性和稳定性的假设通常是合理的。
- 大尺度模型中，这些假设不再成立，整个过程必须被视为非平稳的，需要考虑沉积和一些化学变化等因素，而污染物的水平扩散通常被忽略。

在数值求解方面：
- 高斯模型 ：常用于短期或中期局部尺度传播方程的数值解，基于气象和排放场稳定性的简化假设下对基本传输方程的解析解。
- 欧拉模型 ：使用原点固定在建模区域内某一点的自然坐标系，常用于从局部到全球尺度的复杂方程的数值求解，考虑气象场的时空变异性和排放场的复杂特征，但计算负担较重。
- 拉格朗日模型 ：使用沿风场中粒子轨迹移动的移动坐标系，将传输的污染物质量划分为计算单元，独立分析其沿风场线的运动，常用于确定单个排放源在污染受体中的贡献，计算总污染的计算负担较小，常用于空气质量管理决策项目中的减排情景分析。

在排放源描述中，不仅排放强度，技术特征和排放的时间波动也可能起重要作用。在大尺度模型中，准确确定污染物轨迹是基本问题，因为即使计算中的小误差也可能导致最终的大误差。

3. 中尺度模型的一些应用

3.1 城市空气污染浓度分布

以波兰华沙大都市区 2012 年的排放和气象数据为例，应用区域尺度的 CALMET/CALPUFF 建模系统进行污染预测。主要目标是获取污染物年平均浓度图，以确定超过允许污染水平的区域，并指出导致这些超标现象的主要排放源。

主要污染物包括硫和氮氧化物、PM10 和 PM2.5 粉尘、CO、C₆H₆、气溶胶、重金属和致癌性苯并(a)芘（BaP）。排放源分为高排放点源（主要是能源部门）、其他点源（工业）、线源（交通）和面源（住宅部门），同时考虑了来自周边地区的污染物流入，并将其作为边界条件。

在华沙，线源和面源在形成主要污染物浓度方面占主导地位。能源源虽然 PM、SO₂ 和 NOₓ 的产量高，但由于高效过滤器、脱硫系统和高烟囱（150 - 300 米），其影响相对较小。氮氧化物（典型的交通污染物）在市中心和主要街道沿线超过允许水平，住宅部门是 PM 污染的主要原因，西部区域 PM10 浓度较高与当年盛行的西南风以及来自该方向的显著跨境污染物流入有关。

污染物浓度和排放源的贡献很大程度上取决于受体位置。例如，在街道交叉口附近，与交通相关的污染物（如 PM10）占主导地位；在住宅区，面源的贡献更大。PM10/PM2.5 比值也因受体位置而异，且两种 PM 污染物的年平均浓度均超过限值。在主要街道附近，线源对典型交通污染物（如 NOₓ、CO 和 C₆H₆）的贡献明显，如在主要十字路口附近，NOₓ 浓度中线源排放的贡献可能超过 90%。华沙全市的年平均 BaP 浓度均高于 1 ng/m³ 的阈值，高浓度主要出现在周边聚集区，与住宅个体设施中的煤炭燃烧有关。

3.2 空气污染扩散模型的评估

由于排放和气象条件测量的高度不确定性，模型结果可能与测量值有很大差异，尤其是在所谓的“事件”期间（即空气中污染物浓度通常较高的短期时段）。因此，扩散模型的评估较为困难，主要适用于大数据集，以便进行统计平均。

在定性模型评估中，通常考虑以下几个重要方面：
- 分析过程的数学描述和所应用方程的正确性和充分性，以及所采用的简化和参数化方法。
- 敏感性分析用于评估输入数据或模型参数的不确定性对模拟浓度不确定性的影响。
- 统计推断用于定量评估模型结果和拟合优度，常用的统计指标包括分数偏差（FB）、几何均值（MG）、均方误差（MSE）、标准差（SD）、相关系数（r）、因子 2 指数（FAC2）等。

因子 2 指数定义为 $FAC2 = \frac{C_m}{C_p}$，其中 $C_m$ 是模型计算的浓度，$C_p$ 是实际测量值。一般来说，当所有或几乎所有考虑的点都满足 $0.5 \leq FAC2 \leq 2$ 时，认为测试的模型足够好。以华沙 2012 年主要污染物的年平均浓度模拟结果为例，使用 CALPUFF 模型以 0.5 公里的空间分辨率计算，PM10 和 NOₓ 浓度的 FAC2 值均在要求范围内。

关于模型预测的不确定性分析，假设每个排放类别输入数据服从正态分布，并应用蒙特卡罗算法评估浓度预测的不确定性。以华沙地区 563 个受体点计算的 NOₓ 浓度为例，展示了标准偏差和相对不确定性的分布。相对浓度离散度的计算公式为 $\frac{c_{97.5} - c_{2.5}}{c_M}$，其中 $c_{2.5}$ 和 $c_{97.5}$ 分别表示 2.5% 和 97.5% 分位数浓度，$c_M$ 是平均值。

4. 空气污染健康影响评估

短期污染浓度的有害影响中，空气污染对人类健康的影响最为重要。仅估算污染物浓度值并与允许水平进行比较，只能粗略了解城市/地区的整体大气空气质量。随着城市居民数量的快速增长以及工业化和交通运输的同步增加，空气质量问题日益严重，因此污染物对人类健康的最终影响至关重要。

评估空气污染对人口健康风险的指标有很多，以下介绍两个重要指标：
- 居民暴露量（E） ：通常针对特定污染物 $k$ 计算，可以分配给选定的排放源，也可以汇总到整个排放类别。对于单个排放源，暴露量 $E_{i,k}$（单位：μg/m³）的计算公式为：
[
E_{i,k} = \frac{1}{Pop} \sum_{j} C_{i,j,k} Pop_j
]
其中，$C_{i,j,k}$ 是来自源 $i$ 的化合物 $k$ 在网格单元 $j$ 中的浓度（单位：μg/m³），$Pop_j$ 是网格单元 $j$ 中的人口数量，$Pop$ 是研究区域的总人口。该指标反映了一个人暴露于源 $i$ 排放的化合物 $k$ 的平均暴露量，其值取决于人口空间分布和空气中的污染浓度分布。要计算汇总值，需要对所有给定类别源进行额外求和：
[
E_k = \frac{1}{Pop} \sum_{j} Pop_j \sum_{i} C_{i,j,k}
]
- 摄入分数（iF） ：用于表征源 - 暴露关系，可以针对单个源或整个排放类别。对于单个排放源，摄入分数 $(iF) {i,k}$ 的计算公式为：
[
(iF) {i,k} = \frac{BR}{Q_{i,k}} \sum_{j} C_{i,k,j} \cdot Pop_j = \frac{BR \cdot Pop}{Q_{i,k}}
]
其中，$Q_{i,k}$（单位：g/s）是源排放量，$BR$（单位：m³/s/人）是污染吸入因子（约为 0.00021）。选定排放源类别的汇总摄入分数 $(iF) k$ 的计算公式为：
[
(iF)_k = \frac{BR}{Q_k} \sum {j} Pop_j \sum_{i} C_{i,j,k} = \frac{Pop \cdot BR}{Q_k} E_k
]
其中，$Q_k$（单位：g/s）是所有给定类别源的总排放量。

摄入分数反映了源对其影响范围内居民的影响程度，取决于源的位置、排放烟囱有效高度、范围内的人口数量和气象条件等因素，同时也是衡量居民暴露量对源排放变化敏感性的指标，对于寻找城市/地区的最佳减排策略至关重要。

以华沙为例，计算了 2012 年主要污染物的年平均浓度分布下的摄入分数。除了华沙市内的排放源，还考虑了周边约 20 公里范围内的源。采用均匀空间分辨率网格，市内为 0.5 公里，周边为 1 公里。

以下是不同排放类别和污染物的汇总摄入分数：
| 污染物 | SO₂ | NOₓ | PM10 | PM2.5 | CO | C₆H₆ | BaP | Pb |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| 华沙 + 周边 - 高排放点源 | 0.7 | 0.6 | 1.2 | 1.9 | 0.8 | 0.6 | 1.4 | 1.3 |
| 华沙 + 周边 - 低排放点源 | 2.0 | 3.8 | 4.1 | 4.3 | 2.6 | 2.7 | 2.3 | 5.4 |
| 华沙 + 周边 - 面源 | 8.4 | 8.8 | 9.4 | 9.2 | 8.7 | 10.1 | 8.4 | 10.0 |
| 华沙 + 周边 - 线源 | 15.2 | 13.9 | 22.1 | 23.7 | 24.6 | 24.5 | 13.2 | 22.2 |
| 华沙（行政边界内） - 面源 | 23.5 | 23.6 | 24.7 | 24.5 | 23.7 | 26.0 | 23.1 | 25.9 |
| 华沙（行政边界内） - 线源 | 26.0 | 24.4 | 36.9 | 38.8 | 34.7 | 34.7 | 21.3 | 33.0 |

可以看出，点源的摄入分数相对较低，面源和线源的影响明显占主导地位。考虑华沙周边地区时，由于远程源对市区的影响相对较小，汇总摄入分数会进一步降低；仅考虑华沙市内排放时，摄入分数显著增加，与规模相当的城市的类似估计结果相符。

摄入分数的空间分布也反映了不同排放源的影响范围。例如，面源中周边地区和华沙紧邻区域的源影响较大，市中心由于集中供暖系统的运行影响较小；线源中，华沙市内的源占主导地位，因为密集的街道网络与高人口密度相吻合。

通过暴露 - 响应关系，可以利用上述指标估算健康影响。相对风险（RR）的计算公式为：
[
RR = \frac{P_1}{P_0}
]
其中，$P_1$ 是在给定暴露下健康影响发生的频率（经验概率），$P_0$ 是未暴露于所考虑污染物的参与者中相同影响发生的频率。由此可以估算因暴露导致的过早死亡率，计算公式为 $M = M_b \cdot RR$，通常将该指标与暴露变化相关联，表达式为：
[
\Delta M = M_b \exp(\beta \Delta E)
]
其中，$\beta = \ln(\frac{RR}{\Delta E})$。由于指数中的值较小，该表达式也可近似为 $\Delta M = M_b (1 + \beta \Delta E)$，这使得 $\beta$ 可以解释为每单位暴露增加的死亡率增加率。

另一个健康指标是预期寿命的减少，通过生命 expectancy 表评估。死亡风险的计算公式为 $H_b = \frac{m}{Pop}$，其中 $m$ 是在特定时间段（如一年）内死亡的人数，$Pop$ 是研究的人口数量。因暴露于污染物导致的死亡风险为 $H_b \cdot RR$。

根据华沙居民的污染物暴露值，可以估算不同污染类型对死亡率的影响，如下表所示：
| 污染物 | 高排放点源 | 低排放点源 | 线源 | 面源 | 流入 | 总和 | 百分比 |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| PM2.5 死亡率 | 7.9 | 24.6 | 823 | 1466 | 2566 | 4887 | 90.9 |
| NOₓ 死亡率 | 7.1 | 7.8 | 379.8 | 34.9 | 26.9 | 456.5 | 8.5 |
| SO₂ 肺癌 | 0.7 | 0.3 | 1.8 | 3.3 | 1.4 | 7.6 | 0.1 |
| BaP 肺癌 | 0.0 | 0.0 | 0.3 | 1.6 | 1.0 | 2.9 | 0.1 |
| Cd 癌症 | 0.0 | 0.0 | 0.0 | 0.7 | 0.0 | 0.8 | 0.0 |
| Ni 癌症 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| Pb 成人心脏病 | 0.0 | 0.1 | 6.8 | 4.1 | 0.5 | 11.4 | 0.2 |
| As 肺癌 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| CO 缺血性疾病 | 0.0 | 0.0 | 6.5 | 0.2 | 3.9 | 10.7 | 0.2 |
| C₆H₆ 白血病 | 0.0 | 0.0 | 0.1 | 0.1 | 0.0 | 0.3 | 0.0 |
| 总计 | 15.8 | 32.9 | 1218 | 1510 | 2600 | 5377 | 100 |
| 百分比 | 0 | 1 | 23 | 28 | 48 | 100 |

可以看出，细颗粒物（PM2.5）是导致死亡率的主要因素，面源和线源的影响最为显著，两者共同导致了超过一半的估计死亡病例，其次是来自华沙外部的污染物流入，其贡献接近一半。

综上所述，通过中尺度模型对空气污染进行建模和分析，以及评估其对健康的影响，有助于制定有效的空气质量控制策略，减少污染物排放，保护公众健康。

5. 综合分析与决策支持

为了更清晰地展示不同因素之间的关系，我们可以构建一个 mermaid 流程图，来呈现从排放源到健康影响的整个过程：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(排放源):::process --> B(污染物排放):::process
    B --> C(污染传输建模):::process
    C --> D(污染物浓度分布):::process
    D --> E(居民暴露评估):::process
    E --> F(摄入分数计算):::process
    F --> G(健康影响评估):::process
    G --> H(决策制定):::process
    H --> I(空气质量控制策略):::process
    I --> J(排放源管理):::process
    J --> A

这个流程图展示了一个循环的过程，从排放源开始，经过污染传输、浓度分布计算、暴露和摄入分数评估，最终到健康影响评估。基于这些评估结果，可以制定决策和空气质量控制策略，进而反馈到排放源管理，形成一个闭环的管理体系。

在决策制定过程中，需要综合考虑多个因素，以下是一个决策因素的列表：
1. 环境因素 ：包括污染物的种类、浓度、分布范围以及对生态系统的影响。
2. 健康因素 ：如居民的暴露程度、摄入分数、健康风险和死亡率等。
3. 经济因素 ：减排措施的成本、对相关产业的影响以及潜在的经济效益。
4. 社会因素 ：公众的接受程度、社会公平性以及对生活质量的影响。

通过对这些因素的综合分析，可以制定出更加科学、合理的空气质量控制策略。例如，根据不同排放源的摄入分数和健康影响，确定优先控制的排放源；根据经济和社会因素，选择合适的减排技术和管理措施。

6. 案例总结与启示

通过对华沙空气污染的案例分析，我们可以总结出以下几点启示：
1. 排放源的多样性和复杂性 ：城市中的排放源包括点源、线源和面源等多种类型，它们对污染物浓度和健康影响的贡献各不相同。因此，在制定空气质量控制策略时，需要对不同类型的排放源进行全面的分析和管理。
2. 受体位置的重要性 ：污染物浓度和排放源的贡献很大程度上取决于受体位置。在城市规划和环境管理中，需要考虑不同区域的功能和人口分布，合理布局排放源和监测点，以更好地评估和控制空气污染。
3. 模型评估和不确定性分析的必要性 ：由于排放和气象条件测量的不确定性，模型结果可能与实际测量值存在差异。因此，需要对模型进行定期评估和验证，并进行不确定性分析，以提高模型的准确性和可靠性。
4. 健康影响的量化评估 ：通过暴露 - 响应关系和相关指标的计算，可以量化空气污染对健康的影响。这有助于决策者更加直观地了解空气污染的危害，制定更加有效的健康保护措施。
5. 综合决策的重要性 ：空气质量控制是一个复杂的系统工程，需要综合考虑环境、健康、经济和社会等多个因素。在制定决策时，需要权衡各种因素的利弊，制定出最优的空气质量控制策略。

为了更直观地比较不同排放源和污染物对健康的影响，我们可以制作一个柱状图：

污染物	高排放点源	低排放点源	线源	面源	流入
PM2.5 死亡率	7.9	24.6	823	1466	2566
NOₓ 死亡率	7.1	7.8	379.8	34.9	26.9
SO₂ 肺癌	0.7	0.3	1.8	3.3	1.4
BaP 肺癌	0.0	0.0	0.3	1.6	1.0
Cd 癌症	0.0	0.0	0.0	0.7	0.0
Ni 癌症	0.0	0.0	0.0	0.0	0.0
Pb 成人心脏病	0.0	0.1	6.8	4.1	0.5
As 肺癌	0.0	0.0	0.0	0.0	0.0
CO 缺血性疾病	0.0	0.0	6.5	0.2	3.9
C₆H₆ 白血病	0.0	0.0	0.1	0.1	0.0

从这个表格中可以更加清晰地看到不同污染物和排放源对健康影响的差异，为决策制定提供了有力的支持。

7. 未来展望

随着城市化和工业化的不断发展，空气污染问题将继续成为全球关注的焦点。未来，我们需要进一步加强空气污染建模和健康影响评估的研究，提高模型的准确性和可靠性，更好地应对日益复杂的空气污染问题。

在技术方面，我们可以期待以下几个方面的发展：
1. 多尺度建模 ：结合不同尺度的模型，从局部到全球，更全面地描述污染传输和扩散过程。
2. 大数据和人工智能 ：利用大数据和人工智能技术，提高数据处理和分析的效率，挖掘更多的信息和规律。
3. 实时监测和预警系统 ：建立实时监测和预警系统，及时发现和应对空气污染事件，减少对公众健康的影响。

在政策和管理方面，我们需要加强国际合作，共同制定和实施空气质量控制策略。同时，需要提高公众的环保意识，鼓励公众参与环境保护，形成全社会共同应对空气污染的良好氛围。

总之，空气污染建模和健康影响评估是一项长期而艰巨的任务，需要我们不断努力和创新。通过科学的方法和有效的措施，我们可以改善空气质量，保护公众健康，实现可持续发展的目标。