新冠肺炎疫情时期四川盆地大气污染成因分析

黄鉴涛 刘婧懿 徐家炜 周德荣 黄昕

(南京大学 大气科学学院，南京 210023)

引 言

受新型冠状肺炎病毒疫情影响，疫情爆发地武汉于2020年1月23日起宣布封城，随后全国各省市均陆续启动重大公共卫生事件一级响应，采取了包括限制居民出行、严格交通管制、停止群体性活动、管制公共场所、停工停学停产等一系列措施最大限度地遏制疫情传播扩散[1]。在此期间，经济活动与人为排放大幅减少，大气污染物质量浓度也相应降低[2]。研究表明，2013—2017年中国实施的严格减排政策是中国PM2.5污染质量浓度下降的一个重要原因[3-5]，但在疫情期间大幅减排的背景下[6]，全国各地依然有细颗粒物(PM2.5)污染事件发生[7-12]。已有研究表明疫情期间华东地区的几次重污染过程中，NOX(NO、NO2及其混合物)等一次排放物的降低导致O3质量浓度上升，大气氧化性增加，从而导致二次生成颗粒物增加，污染加重[7-8]。

本文使用2020年1—2月四川盆地13个城市的环境监测站点的大气污染物质量浓度数据、5个城市的气象监测数据以及欧洲中期天气预报中心的再分析资料，通过统计分析和模式数据的对比分析，研究了新冠肺炎疫情封城前后四川盆地主要污染物的质量浓度变化及时空分布差异，并从气象条件变化和人为活动减少两个角度探讨四川盆地疫情期间的污染成因，对四川盆地复合型大气污染问题的研究具有重要意义。

1 数据和模式

1.1 数据来源

本文使用了中国环保部公布的2020年1月4日—2月14日四川盆地13个城市(成都、眉山、德阳、资阳、重庆、内江、自贡、泸州、宜宾、南充、遂宁、广安、达州)的空气监测数据；北京大学陶澍及其团队编制的空间分辨率为0.1°×0.1°、时间分辨率为1个月的全球污染物高分辨排放清单(PKU-PM2.5-2014[24]、PKU-NOX-2014[25])；美国地球物理中心(NGDC)发布的全球高精度地形高程数据ETOPO1； 美国国家海洋和大气管理局(NOAA)的国家气候数据中心(NCDC)提供的全球地面自动气象站数据；欧洲中期天气预报中心(ECMWF)提供的水平分辨率为0.25°×0.25°、时间分辨率为1 h的再分析资料ERA5；百度迁徙提供的四川省与重庆市的迁徙指数，用来反映区域人口迁徙和交通活动情况。

1.2 模式及方法

WRF-Chem模式是由NCAR、NCEP、FSL等在WRF的基础上共同开发完成的一个区域大气动力—化学耦合模式，其化学和气象过程使用相同的水平和垂直坐标系，相同的物理参数化方案，不存在时间上的差值，实现了化学模式和WRF气象模式的在线耦合。WRF-Chem的化学模块考虑了包括污染物排放、沉积、平流、对流、扩散、辐射、光化学反应、气相化学反应等各种物理和化学过程，并且高度模块化，提供了不同的参数化方案，能较好的反映气象场和化学场的相互反馈作用。模式采用单层网格模拟，网格分辨率为20 km×20 km，覆盖中国东部及周边地区，东西方向设置的网格数为160，南北方向设置的网格数为190，垂直方向上从地表到对流层顶50 hPa分为30层。投影方式为Lambert投影，两条标准纬度为30°N、60°N。模式运行时间为2020年1—2月，积分步长为60 s。模式采用由美国国家环境预报中心(NCEP)提供的FNL全球再分析资料为初始边界气象条件，采用清华大学开发的自下而上的中国多分辨率排放清单模型(MEIC)并根据疫情期间动态的经济和工业活动水平将中国的排放数据更新至2020年1、2月[7]。为了区分疫情期间气象和减排的作用，本研究在疫情前阶段(1月4—24日)使用不考虑减排的排放数据进行模拟实验(实验PRE)，在疫情期间阶段(1月25日—2月14日)分别使用考虑疫情减排(实验LOCK)及不考虑减排(实验UNLOCK)排放数据进行模拟实验，并根据UNLOCK-PRE的结果分析气象作用，根据UNLOCK-LOCK的结果分析疫情减排的影响。

2 结果分析

2.1 四川盆地地形、气象条件与排放背景

四川盆地是中国四大盆地之一，周围高山环绕，东部有巫山山脉，西侧紧靠青藏高原，以北一线有着秦岭山脉和大巴山，南方是云贵高原。盆地内部为平原丘陵，海拔约500 m左右，盆地内外高度差大部分超过2 km，最高达到5 km，属于深盆地形(图1a)。图1b为2020年1—2月平均相对湿度和风场的空间分布。风速中心高边缘低，大部分区域以静风和弱风为主，平均风速不超过2 m·s-1，流场辐合区主要位于重庆、成都区域；盆地内相对湿度高，大部分区域超过60%，靠近盆地边缘的区域甚至能达到80%，然而冬季降水量较低，今年1—2月平均总降水量约为35 mm。

图1 四川盆地(a)地形与(b)区域2020年1—2月平均风、相对湿度的空间分布

在青藏高原大地形影响下，四川盆地区域大气环流形势冬季表现为低空为弱风区，受上升气流控制，高空为强风区，受下沉气流控制，冬季下沉气流最强而上升气流最弱，在盆地上空形成“穹窿”，抑制了污染物的垂直输送，近地面层水平风速和垂直风切变较小，区域传输扩散及湍流混合作用弱，导致污染物积聚，污染不断加强[21，26]；背风坡气流整体下沉增温使得盆地上空极易形成脱地逆温，一般在冬季强度最大，盆地地形风环流使得盆地内容易形成贴地逆温，昼夜温差小，夜间温度降温幅度小[27]，在逆温层控制下大气层结稳定，空气对流能力弱，垂直输送少，污染物在盆地内积聚。

四川盆地区域冬季空气湿度大，降水量低，有利于气溶胶吸湿增长；相对湿度高的情况下，气溶胶吸湿增长增强大气消光效率，导致地面辐射减弱，逆温增强[28-29]。整体而言，在高排放量，复杂盆地地形以及特殊的气象条件共同作用下，四川盆地是中国PM2.5重污染区域之一。

根据2016年国家发展改革委、住房和城乡建设部联合印发的《成渝城市群发展规划》和中央财经委员会于2020年年初提出的建设成渝双城经济圈规划以及四川盆地人为排放特征，本文将四川盆地内主要城市划分为5个城市群，分别是：成都都市圈(ChengDu circle，CDc)，包括成都(CD)、眉山(MS)、绵阳(MY)、资阳(ZY)；重庆都市圈(ChongQing circle，CQc)，包括重庆(CQ)；南遂广城镇密集区(NanSuiGuang circle，NSGc)，包括南充(NC)、遂宁(SN)、广安(GA)；川南城镇密集区(ChuanNan circle，CNc)，包括内江(NJ)、泸州(LZ)、宜宾(YB)、自贡(ZG)；达万城镇密集区(DaWan circle，DWc)，包括达州(DZ)、万州(WZ)。

图2a、b是北京大学的全球高分辨率排放源清单数据，能反映四川盆地区域的排放情况。四川盆地区域PM2.5的排放源高值区集中在成都和重庆城市群，月均排放最高值超过6 t·km-2。根据2019年四川统计年鉴和重庆统计年鉴[30-31]，成都市和重庆市贡献四川盆地25.13%与33.36%的生产总值，其中成都的人口密度是川渝平均水平566%以上，而重庆人口密度为川渝平均水平的187%，两市工业产业占比都接近40%左右，能源消耗更高，两市的PM2.5高排放量与两市的经济结构、发达程度和城市化程度密切相关。NOX的排放高值区位于成都都市圈和重庆都市圈，次高值位于川南城市群，交通源对NOX的贡献很大，大气中的NO2质量浓度和当地的汽车保有量高度相关。成都与重庆的汽车保有量达487.72万和419.69万，占川渝总量的32.1%与27.6%，这导致两个都市圈具有高NOX排放与高NO2质量浓度。根据图2c、d中排放源行业占比可知，川渝区域的PM2.5主要来自工业源排放，成都城市圈工业源贡献接近60%，川南区域也超过50%。NOX在成都、川南和南遂广城市群以工业和生活源排放为主，而在重庆和达万区域以交通排放为主。

图2 2014年PKU排放清单:(a) PM2.5、(b)NOX；五大城市群(c) PM2.5、(d)NOX排放分行业占比

四川盆地作为中国PM2.5重污染区域之一，在疫情期间排放大幅度减少的背景下，探讨区域污染的响应对四川盆地复合型大气污染问题的研究具有重要意义，下节将对疫情期间四川盆地的污染情况进行说明。

2.2 疫情前后四川盆地空气污染水平及时空分布

1月23日起武汉宣布封城，随后全国各城市采取停工停业、限制出行、交通管制等措施，人为排放大幅下降。通过迁徙指数可以看到，随着逐渐接近春节，春运流量不断加大，迁徙指数不断增加，并于1月21日达到最高。1月23日起的封城措施和限制出行，使出行需求大幅度下降，迁徙指数从1月22日开始持续下降，并在春节后很长一段时间内都稳定保持着低水平，直至2月下旬开始逐渐放开限制，有序复工复产，迁徙指数才开始回升。

为了观察疫情前与疫情期间的大气污染物变化趋势，本研究将2020年1—2月各城市国控检测点污染物质量浓度数据按城市群进行平均，并进行日平均以更好的观察变化趋势，如图3所示，与疫情前相比，PM2.5、NO2都发生了不同程度的下降，而O3质量浓度不降反升，这与武汉、上海等城市情况相一致[8-10]。1月23日前后各城市群的NO2质量浓度都较大幅度降低，从最高40 μg·m-3下降至15 μg·m-3左右。疫情期间，NO2质量浓度保持稳定的低质量浓度水平，直至2月下旬才开始回升。由于NO2主要源于交通排放[32](图2a、b)，其质量浓度变化与迁徙指数的变化高度一致，对封控减排的响应最明显。一般来说，O3污染夏季相对严重，冬季质量浓度较低，但在疫情减排期间，O3大幅度增长，与NO2呈现反相关趋势[32]。对流层O3主要是通过人为排放的挥发性有机物(Volatile Organic Compounds，VOCs)和NOX等污染物的光化学反应生成，通过NO滴定效应消耗[33-34]。在NOX和VOCs总体减排的情况下，NO的滴定减弱导致O3得以积累。PM2.5质量浓度因封城限制在1月23、24日急剧下降，疫情期间限制出行、交通封控等措施减少了人为排放，并有效降低了PM2.5质量浓度。疫情期间，PM2.5总体上缓慢回升，但盆地内各城市群仍有轻微污染事件发生，一方面是由于盆地区域冬季不利的气象条件下污染物更容易积累，另一方面在北京和上海的研究也发现，尽管一次污染物减少，但是疫情期间由大气氧化性增强引起的污染物的二次污染物生成增加，这也导致PM2.5与一次排放污染物如NO2、CO等下降幅度不同[8，12]。

图3 新冠肺炎疫情前及疫情期间大气污染物变化(灰色阴影为迁徙指数)：(a)PM2.5；(b)O3；(c) NO2

川渝区域站点疫情前后质量浓度分布如图4所示。疫情前，成渝地区PM2.5排放高值主要分布在成都、川南城市群，质量浓度最大值达到90 μg·m-3以上，两个城市群的部分站点平均质量浓度达到轻度污染水平。疫情期间绝大部分站点质量浓度PM2.5水平下降至45 μg·m-3左右，只有自贡、泸州以及达州PM2.5质量浓度较高。NO2排放高值区位于成都、重庆、川南城市群，质量浓度最大值超过60 μg·m-3。总体来看川渝区域在疫情期间随着交通流量大幅度下降，各城市群的NO2排放量较低，各站点平均质量浓度下降至20 μg·m-3左右。疫情前，成渝地区主要城市群O3质量浓度都较低，疫情期间随着前体物NOX、CO、VOCs的排放相应减少，O3的消耗减少得以累积，在成都及重庆，站点平均质量浓度最大值达到60 μg·m-3。

图4 新冠肺炎疫情前及疫情期间四川盆地区域空气监测站测得的空气污染物平均质量浓度：(a—c)PM2.5疫情前、疫情期间以及疫情期间与疫情前的差值；(d—f)O3疫情前、疫情期间以及疫情期间与疫情前的差值；(g—i)NO2疫情前、疫情期间以及疫情期间与疫情前的差值

图5是五大城市群空气污染物的平均质量浓度。5个城市群的NO2与O3对封控减排都表现出NO2下降、O3上升的反相关趋势，其中响应最大的是成都和重庆两个城市群，由于这两个城市群在四川盆地区域汽车保有量较大，受交通出行限制影响最为明显。而成都与川南PM2.5对减排的响应最大，重庆与南遂广次之，达万区域最小。减排响应的区域差异可以归因于人为排放和气象条件的影响，一方面，人口稠密的大城市群区域交通尾气排放量大[35]；城市下垫面的高密度建筑能降低风速，抑制污染物的扩散[36]；疫情期间封控减排的情况下，人口密度高，城镇化水平高的区域，减排对污染的改善率更高。另一方面，达万城市群位处四川盆地川东平行铃谷，地形起伏大，强烈的地面摩擦阻滞作用和山谷地形引起的地形逆温导致区域近地面扩散能力差，污染物易积聚于此。而盆地外清洁东风气流经平行铃谷进入盆地，对区域的污染物起稀释清除作用，处于川东的达万、重庆以及盆地中心的南遂广区域受影响更大。

图5 新冠肺炎疫情前及疫情期间四川盆地区域五大城市群空气污染物平均质量浓度：(a)成都都市圈；(b)重庆都市圈；(c)南遂广城镇密集区；(d)川南城镇密集区；(e)达万城镇密集区

总之，新冠肺炎疫情期间封控减排使四川盆地区域PM2.5、NO2不同程度降低，O3一定幅度的增加。封控之前污染物的区域差异明显，而封控之后区域差异大幅度下降。对减排响应的区域差异可能由疫情前后的人为排放和气象条件差异引起。下面将结合模式围绕这两个方向进行说明。

实验组是在常规治疗的基础上加用还原型谷胧甘肽(上海复旦复华药业有限公司,国药准字H20031265),1.2g还原型谷胧甘肽溶于250 ml浓度为5%的葡萄糖溶液中,静脉滴注,1次/d[3]。以上用药均持续2w。

2.3 结合WRF-Chem模式模拟分析空气污染对减排的响应

2.3.1 WRF-Chem气象和污染模拟结果检验

为了更好地分析气象场和封控减排对封控期间对大气污染物的影响，借助WRF-Chem模式对疫情期间四川盆地的气象场和污染场进行数值模拟，并分别使用考虑及不考虑减排的源排放数据进行实验。本节将对模拟数据和观测数据进行对比，对模拟效果进行简单评估。

气象要素模拟值与观测值的对比如图6a—i所示。考虑到气象观测站点的局限性以及站点分布情况，选取了成都、泸州、达州3个城市站点进行对比。模式在2 m气温、2 m相对湿度上的模拟基本准确，变化趋势基本一致。2 m气温模拟与观测基本一致，偏差较小。2 m相对湿度的模拟中，模式存在最高值和最低值的偏差。10 m风速的模拟存在一定差距，模式结果基本偏大，这可能是低估了城市下垫面对风场的摩擦阻滞作用，或者是模式本身的系统性误差引起的[37]。 整体而言，模式的气象要素模拟效果较好，可信度高。

污染物质量浓度模拟值与观测值的对比如图6j—r所示，同样选取成都、泸州、达州3个城市站点进行对比。模拟值与观测值的趋势大体一致，模式对O3的质量浓度存在高估，而对PM2.5与NO2稍微低估。模式对O3以及达州的模拟值偏差相对较大，可能的原因有：模式的排放源数据与实际排放量数据存在滞后误差；风速模拟偏大，对污染物的输送和扩散都有一定影响；模式对网格点上污染物质量浓度进行模拟，站点受局地源影响可能较大。总体而言，污染物质量浓度模拟效果较好，模拟结果基本可靠。

图6 四川盆地主要城市气象要素和大气污染物质量浓度观测值与模拟值的对比：(a—c)2 m温度； (d—f) 2 m相对湿度; (g—i)10 m风速；(j—l) NO2；(m—o) O3；(p—r) PM2.5

2.3.2 疫情前后四川盆地气象条件对比

空气质量受大气污染物排放和气象场的共同作用影响，气象场的影响中风速和降水发挥了重要作用。为了分析疫情期间减排对大气环境的影响，本文结合ERA5再分析数据，站点气象数据，WRF模式模拟以及后向轨迹聚类数据，对疫情期间的气象要素数据进行比较，并模拟了无减排情况下气象场变化对大气污染物的影响，以分析气象场变化在封控期间对大气污染物变化的贡献。

图7为ERA5再分析场的气象要素空间分布。相比疫情前，疫情期间四川盆地内温度差异不明显，升温幅度在2 ℃以内；盆地区域相对湿度有一定程度的上升，且保持在60%～80%的高水平，高的相对湿度有利于气溶胶粒子的吸湿增长和硫酸根、硝酸根粒子的生成[38-39]，容易引起气态污染物向颗粒物转化，并导致盆地区域的颗粒物质量浓度增加；盆地内风速基本处于2 m·s-1以下，风场是大气污染物扩散的最重要的动力条件，盆地内总体受弱风、静风控制，污染物水平扩散能力低，导致大气污染物积聚；风场差异主要体现为进入盆地的东风、北方气流减弱，从而影响盆地的大气污染物输送形式；而2020年1、2月四川盆地区域的降水很少，两个月的平均总降水量在30 mm左右，低降水量说明盆地内的污染物湿清除能力弱，且在高湿度弱风的情况下盆地内容易形成雾霾天气；疫情期间的盆地内太阳辐射量较疫情前增加，有利于O3的光化学生成。

图7 四川盆地区域ERA5再分析资料部分气象要素平均空间分布：(a—c)疫情前的地面风和温度、相对湿度、地表太阳辐射；(d—f)疫情期间的地面风和温度、相对湿度、地表太阳辐射

本研究选取5个城市圈的代表城市站点，结合ERA5再分析资料插值到站点以及站点自身的风速资料，结果如图8和表1所示，和疫情前相比，疫情期间各城市站点的垂直运动强度降低，盆地西南侧的泸州、成都的地面风速小幅度增加，而盆地中部的重庆、南充以及盆地东北口的达州风速基本不变或减少。从水平风速的角度可以一定程度解释五个城市群区域的污染物质量浓度变化差异，即盆地西侧与南侧地面风速增加，水平扩散能力增加，而盆地中部和西北侧的水平扩散能力不变或降低，尤其是达州本身地处盆地川东平行铃谷，在地表摩擦阻滞作用和进入盆地的东风气流减弱的共同作用下，达州相较盆地内其他区域其污染物扩散能力更加差，这也导致了封控期间达万城市群相较其他区域污染物质量浓度更高。

图8 ERA5再分析资料空间插值后的城市平均垂直风速廓线：(a)疫情前；(b)疫情期间

表1 新冠肺炎疫情前和疫情期间地面站点测得的城市地面平均水平风速

使用不考虑减排的排放源清单进行模拟，对疫情前和疫情期间的污染物质量浓度作差，尝试从模拟的角度说明气象场对3种污染物的影响，如图9所示。流场上看，四川盆地内存在以成都、重庆为中心的辐合流场(图7a、d)，且封控期间盆地中心风速降低、边缘风速增加，导致盆地内输送的污染物在成都、重庆区域发生积聚。NOX-O3-VOCs的反应受光化学过程、污染源和输送的影响很大[40]，由于疫情期间温度增加，太阳辐射量增加，在NOX-O3的光化学循环中将促进NO2的光解，O3质量浓度上升明显[41]。但由于风场辐合，重庆、成都NOX的增加导致O3更多被消耗，一定程度上抵消了O3的增加。PM2.5表现为盆地东北侧增加，其他区域减少，从风场上来看，从盆地东侧与北侧进入盆地的气流减弱，东北侧区域受盆地内输送的影响增大，例如达州；而盆地中心和西、南侧受盆地外围气流影响不明显，同时水平扩散能力的提升导致无减排情况下污染物质量浓度仍旧存在一定程度的下降，而风场辐合作用在重庆和成都区域抵消了水平扩散能力的提升。总而言之，气象条件造成的区域差异主要是风场改变导致区域扩散能力以及污染物输送的变化，同时盆地边缘的扩散能力增加，而中心区域减弱，导致不同区域污染物质量浓度响应不同。

图9 疫情期间气象因素对(a)PM2.5； (b)O3； (c)NO2的影响作用模拟

2.3.3 四川盆地封控减排对空气污染的影响

图10使用对疫情期间人类活动水平进行估算及动态调整的排放清单进行模拟，对比不考虑减排的模拟结果，尝试通过模拟来反映封控导致的减排对污染物的影响。NO2几乎完全来自人为排放，其化学不稳定性使其极易转化为硝酸盐并形成二次气溶胶，因此NO2的质量浓度可以直接反映人类活动的强度及分布[32]。封控期间，NO2水平急剧下降(>50%)，与卫星观测的NO2质量浓度下降[6]以及运输指数(图3)反映的人类活动减少一致。由于交通出行的控制，NOX的排放大幅度降低，NO2质量浓度差的负值中心为成都和重庆区域。在之前的研究中，疫情封控期间NOX的减少量约60%～70%，其中70%～80%与交通有关，20%～25%与工业和发电厂有关[7]，而成都和重庆两个都市圈占川渝区域60%的汽车保有量，NOX的排放量非常高，封控导致的交通运输的控制对这两个都市圈的影响最大，从而导致了两个区域NO2质量浓度集中下降。

图10 疫情期间减排对(a)PM2.5、(b)O3、(c))NO2的影响作用模拟，以及疫情前(d)与疫情期间(e)HCHO与NO2比值

VOCs-O3-NOX之间存在着较强的非线性关系，我国主要城市通常处于VOC控制区，O3在城市大气中的一个主要消耗方式即NO的滴定反应[33-34]。NOX的大幅的减排易导致NO的滴定效应减弱，相应会减少O3的消耗引起其质量浓度的积累；而VOCs的减排会使得O3的质量浓度下降或者变化不显著[39]，故而在臭氧污染防治时需注意VOCs与NOX等前体物的协同控制。根据之前的研究，NOX大幅度减排的前提下，在中国东部O3增加而中国南方西南O3减少[7]。可能由于区域排放的不均匀性，四川盆地内不同区域在模拟减排下存在不同的表现，通过HCHO/NO2的比值来表征四川区域O3与VOCs、NOX的控制关系。疫情期间虽然四川盆地内大部分仍是VOCs控制区，但比值较疫情前上升，盆地边缘以及中心区域存在VOCs和NOX协同控制区域。成都、重庆NOX和VOCs排放量高，属于VOCs控制区，NOX减排引起O3质量浓度上升，这两个区域的VOCs-O3-NOX光化学反应和NO滴定反应对NOX的减排更为敏感，表现为O3消耗减少，是O3质量浓度差的正值区。而盆地的其他区域虽然处于VOCs控制区或是协同控制区，可能由于本身NOX排放量较低和 VOCs的减排幅度可能较NOX要小，相对成都重庆两个区域对NOX的减排不敏感[5]，NOX的减排影响为O3更多地被VOCs消耗，以及限制了HO2、RO2消耗NO再生成NO2的反应，转而生成有机硝酸盐，使得循环中臭氧不断被消耗[40-41]，表现为O3质量浓度差的负值区。

在封控减排的影响下，一次污染物排放减少幅度大。但根据之前的研究，NOX和VOCs同时减排，二次污染物的生成会加剧，并一定程度抵消一次污染物的减排作用[7]。在四川盆地内，区域整体封控减排表现为PM2.5质量浓度的下降，但下降幅度并不如O3、NO2明显。在川渝区域最大的两个城市群成都和重庆，区域发达的工业与交通、密集的城市人口，使得这两个区域的减排幅度较四川盆地其他区域更大。但同时NOX减排导致成都重庆的O3质量浓度上升，即便前体物NOX减排，夜间NO2自由基仍会增加，这导致这两个区域的大气氧化性增强，生成更多的二次污染物[7]，例如夜间充足的O3与较低的NO2会使N2O5水解生成硝酸盐[42]；在NOX减排的情况下SO2会更多的参与光化学反应生成硫酸盐；同时VOCs更多的消耗O3与OH自由基转化为二次有机气溶胶 (Secondary Organic Aerosol，SOA)[7，12]。这些二次污染物的生成一定程度抵消了一次污染物减排。而在其他区域，NOX减排表现为O3的质量浓度下降，大气氧化性降低，表现为一次污染物和二次污染物都降低。这导致减排的空间差异缩小，城市群之间的差异不明显。这里我们使用硝酸根质量浓度与元素碳质量浓度比来表征二次污染物与一次污染物的比例。在成都和重庆，这个比值分别由2.90和1.80变为2.65和2.13，对应两个城市圈内变化幅度在-10%～20%以内，变化幅度较小；而在泸州、达州和南充，比值分别由3.04、3.61、2.50变为2.06、1.95、1.23，3个对应城市圈区域降幅在30%～60%，说明在成都、重庆两个城市圈的二次生成有一定幅度增加，而其他区域的二次生成大幅降低。

通过对比气象和减排的影响，本研究认为四川盆地区域的PM2.5和NO2在减排封控期间的污染物下降，绝大部分是由封控减排主导的，而臭氧在温度、辐射条件有利情况下质量浓度上升，在成都重庆两大城市圈的高NOX、VOCs排放量情况下减排引起了O3的大幅度的上升，而在其他区域低排放量情况下减排导致O3的小幅度下降，这导致O3的质量浓度变化在成都重庆区域受减排主导，而其他区域则是受气象条件影响为主。总而言之，疫情封控减排是疫情期间污染物质量浓度变化的主要原因。

3 结论

(1)在我国因新冠肺炎疫情实施封控措施期间人为活动大幅受限，NOX与其他一次污染物的大量减排，直接导致了四川盆地NO2质量浓度大幅度下降，成都重庆区域下降幅度最大；

(2)由于O3与NOX、VOCs的非线性关系以及四川盆地区域NOX、VOCs排放与减排的不均衡，疫情封控减排导致O3在成都重庆区域增加，而在其他城市群下降；O3的变化影响了大气氧化能力，从而影响了四川盆地区域二次污染物的生成，在成都重庆区域氧化性的增加导致更多的二次污染物生成从而抵消了一次污染物的减排，在其他区域氧化性下降使得二次生成减少，从而导致PM2.5受疫情减排影响的区域差异较小；

(3)封控期间的气象条件有利于污染物的积聚，气象条件差异主要体现为中心风速降低、盆地边缘风速增加，进入盆地的东北方向气流减弱；O3受背景场增温增辐射的影响增加，在背景输送和风场差异下，NO2和PM2.5受气象条件的影响存在区域差异；

(4)总体而言气象背景场对污染物的影响较小，疫情封控减排基本主导了封控期间四川盆地NO2、PM2.5以及成都重庆区域的O3变化。在国内因新冠肺炎疫情实施的大规模封控措施的结果表明，直接减排确实能改善空气质量，但由于O3与NOX、VOCs的非线性关系会导致O3和PM2.5等二次污染的加剧，我国大气复合污染的防治应针对不同区域的产业结构特点，重视多污染物的协同减排。