Tác giả

Nguyễn Thị Ngọc Châu 1,2* , Đinh Thị Ái Liên 1,2 , Nguyễn Hoàng Phong 1,2 , Bùi Tá Long 1,2

Đơn vị công tác

1 Trường Đại học Bách Khoa Tp. HCM; chau.nguyen2610@hcmut.edu.vn; lien.dinh2520@hcmut.edu.vn; nhphong@dcselab.edu.vn; longbt62@hcmut.edu.vn

2 Đại học Quốc gia Tp. HCM; chau.nguyen2610@hcmut.edu.vn; lien.dinh2520@hcmut.edu.vn; nhphong@dcselab.edu.vn; longbt62@hcmut.edu.vn

*Tác giả liên hệ: longbt62@hcmut.edu.vn; Tel.: +84–918017376

Tóm tắt

Tứ Giác Long Xuyên (TGLX) với diện tích chỉ chiếm 12,5% nhưng đóng góp khoảng 50,0% sản lượng lúa, 90,0% sản lượng gạo xuất khẩu tại Đồng bằng sông Cửu Long (ĐBSCL). Trong bối cảnh ô nhiễm không khí hiện nay, đặc biệt là sự gia tăng ô nhiễm bụi mịn (PM2.5)  đã tạo mối nguy tiềm tàng cho canh tác nông nghiệp của vùng. Với mục tiêu đánh giá sự biến thiên theo không gian–thời gian ô nhiễm PM2.5 cho mùa khô (tháng 03/2018) và mùa mưa (tháng 05/2018), nghiên cứu sử dụng các nhóm dữ liệu phát thải kiểm kê và hệ thống các mô hình WRF (Weather Research and Forecast)/CMAQ (Community Multiscale Air Quality Modeling System) kết hợp để tính toán. Từ kết quả mô hình phản ánh, mức nồng độ PM2.5 hàng ngày trong mùa khô là cao hơn hẳn mùa mưa và hầu hết đều vượt ngưỡng quy định, trung bình từ 40,82–114,56 μg/m3 so sánh với chỉ 13,35–95,31 μg/m3. Mức nồng độ cực đại trong ngày thường diễn ra tại các huyện ven biển như Hòn Đất và Kiên Lương, tỉnh Kiên Giang. Nghiên cứu được xem là những kết quả sơ bộ bước đầu, đã chứng minh được sự ảnh hưởng của các điều kiện khí tượng khác nhau và ba loại phát thải tiền chất chính NOx, cacbon đen BC và NMVOCs đóng góp đáng kể đến sự hình thành PM2.5 ở vùng TGLX; đồng thời, khung phương pháp nghiên cứu cũng là cơ sở cho việc mở rộng thời gian và quy mô mô phỏng, hướng đến việc lượng hóa chi tiết thiệt hại nông nghiệp do phơi nhiễm PM2.5 gây ra.

Từ khóa

Ô nhiễm PM2.5; Phát thải tiền chất; TGLX; WRF/CMAQ.

Trích dẫn bài báo

Châu, N.T.N.; Liên, Đ.T.A.; Phong, N.H.; Long, B.T. Đánh giá hiện trạng phân bố và sự biến động theo mùa mức độ ô nhiễm PM2.5 tại vùng Tứ Giác Long Xuyên, Việt Nam. Tạp chí Khí tượng Thuỷ văn 2022, 736(1), 54-74.

Tài liệu tham khảo

1. Nguyen, T.N.T.; Le, H.A.; Mac, T.M.T.; Nguyen, T.T.N.; Pham, V.H.; Bui, Q.H. Current Status of PM2.5 Pollution and its Mitigation in Vietnam. Glob. Environ. Res. 2018, 22, 73–83.

2. Vu, H.N.K. et al. Poor air quality and its association with mortality in Ho Chi Minh city: Case study. Atmosphere 2020, 11(7), 1–20. doi:10.3390/atmos11070750.

3. Jin, J.Q. et al. Using Bayesian spatio-temporal model to determine the socio-economic and meteorological factors influencing ambient PM2.5 levels in 109 Chinese cities. Environ. Pollut. 2019, 254, 113023. https://doi.org/10.1016/j.envpol.2019.113023.

4. Xie, Y.; Zhao, B.; Zhang, L.; Luo, R. Spatiotemporal variations of PM2.5 and PM10 concentrations between 31 Chinese cities and their relationships with SO2, NO2, CO and O3. Particuology 2015, 20, 141–149. https://doi.org/10.1016/j.partic.2015.01.003.

5. Wang, P.; Guo, H.; Hu, J.; Kota, S.H.; Ying, Q.; Zhang, H. Responses of PM2.5 and O3 concentrations to changes of meteorology and emissions in China. Sci. Total Environ. 2019, 662, 297–306. doi:10.1016/j.scitotenv.2019.01.227.

6. Jacob, D.J.; Winner, D.A. Effect of climate change on air quality. Atmos. Environ. 2009, 43(1), 51–63. doi:10.1016/j.atmosenv.2008.09.051.

7. Otero, N.; Sillmann, J.; Schnell, J.L.; Rust, H.W.; Butler, T. Synoptic and meteorological drivers of extreme ozone concentrations over Europe. Environ. Res. Lett. 2016, 11(2), 24005. doi:10.1088/1748-9326/11/2/024005.

8. Jordan, L.S.; Michael, J.P. Co-occurrence of extremes in surface ozone, particulate matter, and temperature over eastern North America. Proc. Nat. Acad. Sci. 2017, 114(11), 2854–2859. doi:10.1073/pnas.1614453114.

9. Maji, K.J.; Sarkar, C. Spatio-temporal variations and trends of major air pollutants in China during 2015–2018. Environ. Sci. Pollut. Res. 2020, 27(27), 33792–33808. doi:10.1007/s11356-020-09646-8.

10. Wang, J.; Lu, X.; Yan, Y.; Zhou, L.; Ma, W. Spatio-temporal characteristics of PM2.5 concentration in the Yangtze River Delta urban agglomeration, China on the application of big data and wavelet analysis. Sci. Total Environ. 2020, 724, 138134.

11. Zhang, X.; Xu, H.; Liang, D. Spatio-temporal variations and connections of single and multiple meteorological factors on PM2.5 concentrations in Xi’an, China. Atmos. Environ. 2022, 275, 119015. doi:10.1016/j.atmosenv.2022.119015.

12. He, J. et al. Influences of meteorological conditions on interannual variations of particulate matter pollution during winter in the Beijing–Tianjin–Hebei area. J. Meteorol. Res. 2017, 31(6), 1062–1069. doi:10.1007/s13351-017-7039-9.

13. Hu, M.; Wang, Y.; Wang, S.; Jiao, M.; Huang, G.; Xia, B. Spatial-temporal heterogeneity of air pollution and its relationship with meteorological factors in the Pearl River Delta, China. Atmos. Environ. 2021, 254, 118415. doi:10.1016/j.atmosenv.2021.118415.

14. Li, R. et al. Spatial and temporal variation of particulate matter and gaseous pollutants in China during 2014–2016. Atmos. Environ. 2017, 161, 235–246. https://doi.org/10.1016/j.atmosenv.2017.05.008.

15. Lu, D.; Xu, J.; Yang, D.; Zhao, J. Spatio-temporal variation and influence factors of PM2.5 concentrations in China from 1998 to 2014. Atmos. Pollut. Res. 2017, 8(6), 1151–1159. https://doi.org/10.1016/j.apr.2017.05.005.

16. Thủy, L.B.; Anh, V.D. Hiện trạng, nguồn và các yếu tố ảnh hưởng đến nồng độ PM2.5 tại Hà Nội: Tổng quan các nghiên bụi. Tạp chí Môi trường 2021, 132.

17. Andreão, W.L.; Pinto, J.A.; Pedruzzi, R.; Kumar, P.; de Albuquerque, T.T.A. Quantifying the impact of particle matter on mortality and hospitalizations in four Brazilian metropolitan areas. J. Environ. Manage. 2020, 270. doi:10.1016/j.jenvman.2020.110840.

18. Byun, D.; Schere, K.L. Review of the governing equations, computational algorithms, and other components of the models-3 Community Multiscale Air Quality (CMAQ) modeling system. Appl. Mech. Rev. 2006, 59(1–6), 51–76. doi:10.1115/1.2128636.

19. Pepe, N. et al. Development and application of a high resolution hybrid modelling system for the evaluation of urban air quality. Atmos. Environ. 2016, 141, 297–311. https://doi.org/10.1016/j.atmosenv.2016.06.071.

20. Grell, G.A. et al. Fully coupled ‘online’ chemistry within the WRF model. Atmos. Environ. 2005, 39(37), 6957–6975. https://doi.org/10.1016/j.atmosenv.2005.04.027.

21. Phú, H.; Thảo, N.L.N.; Hân, H.T.N. Nghiên cứu đánh giá chất lượng nước vùng tứ giác Long Xuyên và đề xuất các giải pháp quản lý bảo vệ nguồn nước. VN J. Hydrometeorol. 2021, 723(3), 13–22. doi:10.36335/vnjhm.2021(723).13-22.

22. Định, T.T. Đánh giá cảnh quan phục vụ mục đích tổ chức lãnh thổ sản xuất nông nghiệp vùng Tứ Giác Long Xuyên trong bối cảnh biến đổi khí hậu. Đại học Sư phạm Hà Nội, 2021.

23. Chánh, Đ.T. Tứ giác Long Xuyên đánh thức Đồng bằng Sông Cửu Long. Viện Khoa học Kỹ thuật Nông nghiệp miền Nam, 2012.

24. Tổng cục Thống kê Tỉnh An Giang. Báo cáo Tình hình kinh tế - xã hội Tỉnh An Giang giai đoạn 2019 – 2021. Cổng thông tin điện tử Tỉnh An Giang, 2022.

25. Vũ, N.T.L.H. Túi nước khổng lồ ở Tứ giác Long Xuyên. Báo nông nghiệp Việt Nam, 2021.

26. Hải, L.H. Liên kết hợp tác sản xuất nông sản chủ lực tiểu vùng Tứ giác Long Xuyên. Báo điện tử Đảng Cộng Sản Việt Nam, 2016.

27. Viện vật lý địa cầu. Hệ thống mô hình nghiên cứu và dự báo thời tiết WRF. Trung tâm ứng dụng vật lý địa cầu (AGPC).

28. Hạnh, N.T. Dự báo mưa hạn mưa bằng mô hình WRF: độ nhạy cảm của tham số hóa đối lưu. Đại học Quốc gia Hà Nội - Trường Đại học Khoa học tự nhiên, 2016.

29. NCAR. WRF 3.9 User’s Guide. 2017, 443. doi:10.5065/D68S4MVH.

30. Tai, A.P.K.; Mickley, L.J.; Jacob, D.J. Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States: Implications for the sensitivity of PM2.5 to climate change. Atmos. Environ. 2010, 44(32), 3976–3984. doi:10.1016/j.atmosenv.2010.06.060.

31. Tai, A.P.K. et al. Meteorological modes of variability for fine particulate matter (PM2.5) air quality in the United States: Implications for PM2.5 sensitivity to climate change. Atmos. Chem. Phys. 2012, 12(6), 3131–3145. doi:10.5194/acp-12-3131-2012.

32. Adams, J.D. Reinterpreting evaluation classics in the modern age. J. Contin. High. Educ. 2001, 49(2), 14–22. doi:10.1080/07377366.2001.10400427.

33. Powers, J.G. et al. The weather research and forecasting model: Overview, system efforts, and future directions. Bull. Am. Meteorol. Soc. 2017, 98(8), 1717–1737. doi:10.1175/BAMS-D-15-00308.1.

34. Granier, C. et al. The Copernicus Atmosphere Monitoring Service global and regional emissions (April 2019 version). Data from ECCAD. 2019, doi: 10.24380/d0bn-kx16.

35. Janssens-Maenhout, G. et al. HTAP-v2.2: A mosaic of regional and global emission grid maps for 2008 and 2010 to study hemispheric transport of air pollution. Atmos. Chem. Phys. 2015, 15(19), 11411–11432. doi:10.5194/acp-15-11411-2015.

36. Sindelarova, K. et al. Global data set of biogenic VOC emissions calculated by the MEGAN model over the last 30 years. Atmos. Chem. Phys. 2014, 14(17), 9317–9341. doi:10.5194/acp-14-9317-2014.

37. Giglio, L.; Randerson, J.T.; Van Der Werf, G.R. Analysis of daily, monthly, and annual burned area using the fourth-generation global fire emissions database (GFED4). J. Geophys. Res. Biogeosciences 2013, 118(1), 317–328. doi:10.1002/jgrg.20042.

38. Atmosphere, C.; Service, M. Copernicus Atmosphere Monitoring Service CAMS_81–Global and Regional emissions D81.5.4.1: Report providing details on the standard, 2018.

39. Friedrich, R. et al. Temporal and Spatial Resolution of Greenhouse Gas Emissions in Europe. Work. ’Temporal Spat. Resolut. Greenh. Gas Emiss. Eur. 2006, 49, 6119.

40. Bui, L.T.; Nguyen, P.H.; My Nguyen, D.C. Linking air quality, health, and economic effect models for use in air pollution epidemiology studies with uncertain factors. Atmos. Pollut. Res. 2021, 12(7), 101118. doi:10.1016/j.apr.2021.101118.

41. Nguyen, D.C.M.; Nguyen, P.H.; Bui, L.T. Application of WRF/CMAQ for PM10 simulation from road traffic in Ho Chi Minh city. VN J. Hydrometeorol. 2021, 724(4), 30–45. doi:10.36335/vnjhm.2021(724).30-45.

42. Sarwar, G.; Luecken, D.; Yarwood, G.; Whitten, G.Z.; Carter, W.P.L. Impact of an updated carbon bond mechanism on predictions from the CMAQ modeling system: Preliminary assessment. J. Appl. Meteorol. Climatol. 2008, 47(1), 3–14. doi: 10.1175/2007JAMC1393.1.

43. HEPA. Kết quả quan trắc chất lượng môi trường không khí Tp. HCM năm 2018. Tp. HCM, 2019.

44. Emery, C.; Liu, Z.; Russell, A.G.; Odman, M.T.; Yarwood, G.; Kumar, N. Recommendations on statistics and benchmarks to assess photochemical model performance. J. Air Waste Manage. Assoc. 2017, 67(5), 582–598. doi: 10.1080/10962247.2016.1265027.

45. Morris, R.E.; Mc Nally, D.E.; Tesche, T.W.; Tonnesen, G.; Boylan, J.W.; Brewer, P. Preliminary Evaluation of the Community Multiscale Air Quality Model for 2002 over the Southeastern United States. J. Air Waste Manag. Assoc. 2005, 55(11), 1694–1708. doi:10.1080/10473289.2005.10464765.

46. Eder, B.; Yu, S. A performance evaluation of the 2004 release of Models-3 CMAQ.  Atmos. Environ. 2006, 40(26), 4811–4824. doi: 10.1016/j.atmosenv.2005.08.045.