Décalé

npj Climate and Atmospheric Science volume 5, Numéro d'article : 99 (2022) Citer cet article

885 accès

5 Altmétrique

Détails des métriques

La production de pointe échelonnée (SP) – une mesure visant à arrêter la production industrielle pendant la saison de chauffage – a été mise en œuvre dans la plaine de Chine du Nord pour réduire la pollution de l'air. Nous avons comparé les variations de la composition des PM1 à Pékin au cours de la période SP de la saison de chauffage (SPhs) 2016 avec celles des périodes de production normale (NP) au cours de la saison de chauffage (NPhs) 2015 et de la saison hors chauffage 2016 (NPnhs) pour étudier l'efficacité du SP. La concentration massique de PM1 a diminué de 70,0 ± 54,4 μg m−3 dans les NPhs à 53,0 ± 56,4 μg m−3 dans les SPhs, avec des réductions importantes des émissions primaires. Cependant, la fraction de nitrate pendant les SPhs (20,2 %) était environ deux fois supérieure à celle des NPhs (12,7 %) malgré une forte diminution des NOx, ce qui suggère une transformation efficace des NOx en nitrates pendant la période SP. Ceci est cohérent avec l'augmentation des aérosols organiques oxygénés (OOA), qui ont presque doublé, passant de NPhs (22,5 %) à SPhs (43,0 %) dans la fraction totale d'aérosols organiques (OA), mettant en évidence une formation secondaire efficace au cours de la SP. La charge de PM1 était similaire entre les SPhs (53,0 ± 56,4 μg m−3) et les NPnhs (50,7 ± 49,4 μg m−3), indiquant une différence plus faible de pollution par les PM entre les saisons de chauffage et les saisons sans chauffage après la mise en œuvre de la mesure SP. De plus, une technique d’apprentissage automatique a été utilisée pour découpler l’impact de la météorologie sur les polluants atmosphériques. Les résultats des intempéries étaient comparables aux résultats observés, ce qui indique que les conditions météorologiques n'ont pas eu un impact important sur les résultats de comparaison. Notre étude indique que la politique SP est efficace pour réduire les émissions primaires mais favorise la formation d'espèces secondaires.

La pollution par les particules (PM) a de profondes répercussions sur la santé humaine1,2,3,4,5, le climat6,7,8, la visibilité9,10 et l’écosystème11. En raison d’une industrialisation et d’une urbanisation rapides au cours des dernières décennies, la Chine a souffert d’une pollution par la brume persistante et omniprésente, en particulier en hiver12,13,14,15. En tant que l’une des plus grandes mégalopoles de Chine, Pékin a été confrontée à une grave pollution atmosphérique au cours des dernières décennies13,15,16. Les charges annuelles de PM2,5 variaient entre 89,5 et 73,0 μg m−3 entre 2013 et 2016 à Pékin (Bureau municipal de l'écologie et de l'environnement de Pékin, http://sthjj.beijing.gov.cn/bjhrb/), dépassant la norme nationale chinoise pour l'environnement. Norme de qualité de l'air (CNAAQS, 35 µg m−3). Ces dernières années, diverses mesures strictes de prévention et de contrôle de la pollution couvrant les principaux secteurs de pollution ont été mises en œuvre à l'échelle nationale pour réduire la pollution de l'air, par exemple la restriction de la circulation17, le passage du charbon au gaz18 et le Plan d'action pour la prévention de la pollution atmosphérique19. Il existe de nombreuses études portant sur l’efficacité de ces interventions en matière de qualité de l’air. Par exemple, Gao et al. ont constaté une diminution de 21 % de la concentration moyenne de PM2,5 à Pékin au cours des hivers de 2011 à 2016, principalement attribuée à des mesures strictes de contrôle des émissions20. Gu et coll. ont illustré que les concentrations moyennes de PM1 dans la zone urbaine de Pékin en 2014-2015 ont diminué de 16 à 43 % par rapport à celles de 2008-2013 après la mise en œuvre de mesures de contrôle des émissions depuis 201321. La distribution granulométrique, les propriétés d'oxydation et l'acidité des aérosols ont considérablement changé après la mise en œuvre du plan d’action propre22,23,24. En outre, les contrôles des émissions à court terme sont également efficaces pour améliorer la qualité de l’air. Des réductions importantes des concentrations des principaux composants des aérosols submicroniques ont été signalées lors du sommet de la Coopération économique Asie-Pacifique (APEC) de 201425. La concentration massique de PM (PM1) a diminué de 57 % en raison d'un contrôle strict lors du défilé du Jour de la Victoire en Chine en 201526. Ces résultats démontrent que la pollution de l'air a été efficacement atténuée après un contrôle strict. Plus précisément, les conditions météorologiques peuvent également affecter la variation de la concentration des polluants, ce qui rend difficile la comparaison directe des niveaux d'émission de polluants. Zhang et coll. On estime que les conditions météorologiques ont contribué à 9 % de la réduction nationale des PM2,5 entre 2013 et 2017 et à 16 % de la réduction des PM2,5 dans la région de Pékin-Tianjin-Hebei (BTH) entre 2013 et 201727. En revanche, pendant la crise du COVID -19, une grave pollution par brume a été facilitée par une météorologie stagnante et une humidité relative élevée malgré la réduction substantielle des émissions primaires28,29,30. Il est donc essentiel de découpler les impacts météorologiques de la qualité de l’air ambiant pour évaluer l’efficacité des mesures de contrôle à Pékin. Les modèles de régression31,32, les modèles de transport chimique20,33,34,35 et les modèles d'apprentissage automatique sont des méthodes courantes pour découpler les effets potentiels des variations liées aux conditions météorologiques36,37,38,39,40. Des comparaisons détaillées de ces méthodes peuvent être trouvées ailleurs37,39,41. L'algorithme de forêt aléatoire (RF) basé sur l'apprentissage automatique a montré une précision de prédiction élevée en réduisant la variance et les erreurs dans les ensembles de données de grande dimension, et le processus d'apprentissage peut être expliqué et interprété lorsque l'importance des variables d'entrée et leurs interactions sont visualisées37,41. Grange et coll. appliqué une technique de normalisation météorologique basée sur l’algorithme RF pour contrôler les changements météorologiques lors de l’analyse des données sur la qualité de l’air36. Shi et coll. a utilisé un algorithme RF basé sur l'apprentissage automatique pour évaluer les réductions importantes des émissions de polluants atmosphériques après les interventions d'émission à court terme39.