Abstrak
Dalam beberapa dekade terakhir, Dataran Tinggi Tibet (TP) telah mengalami peningkatan yang nyata dalam tingkat partikel halus (PM 2.5 ), yang berdampak pada iklim dan ekologinya. Namun, simulasi konsentrasi PM 2.5 yang akurat di TP tetap menjadi tantangan. Studi ini menyelidiki ketidakpastian dalam perkiraan yang terlalu rendah PM 2.5 , termasuk kondisi meteorologi, emisi debu, transportasi regional, dan inventaris emisi. Hasil penelitian menunjukkan bahwa perbedaan dalam berbagai inventaris emisi antropogenik secara signifikan menghambat reproduksi konsentrasi PM 2.5 yang akurat di TP, mengalahkan prediksi meteorologi, emisi debu, dan kontribusi transportasi regional. Dengan simulasi meteorologi yang menunjukkan perbedaan yang sama dengan yang ada di wilayah lain, peningkatan yang terbatas dari peningkatan debu, dan proporsi transportasi regional yang relatif tinggi, menjadi jelas bahwa emisi lokal diremehkan. Pemodelan dengan emisi antropogenik yang disesuaikan mengungkapkan perkiraan yang terlalu rendah musiman sebesar 82,6%–92,6% dari emisi antropogenik lokal di TP. Penelitian ini menekankan perlunya inventaris emisi antropogenik yang akurat dalam memahami perubahan iklim di TP.
Poin-poin Utama
- CMAQ dengan input default meremehkan konsentrasi PM 2.5 sebesar 72,9% di Dataran Tinggi Tibet (TP)
- Perbedaan dalam inventarisasi emisi antropogenik menyebabkan prediksi PM 2.5 tidak akurat
- Pemodelan dengan emisi yang disesuaikan menunjukkan adanya perkiraan yang lebih rendah secara musiman pada emisi antropogenik lokal di TP sebesar 82,6%–92,6%
Ringkasan Bahasa Sederhana
Dataran Tinggi Tibet (TP), yang sering disebut sebagai “Kutub Ketiga,” memainkan peran penting dalam cuaca dan iklim setempat. Karena lingkungannya yang berada di dataran tinggi, daerah ini sangat rentan terhadap dampak perubahan iklim global. Meskipun merupakan daerah terpencil, TP telah terdampak oleh meningkatnya tingkat polusi aerosol, yang telah berdampak besar pada iklim dan ekosistemnya dalam beberapa tahun terakhir. Studi ini mengkaji tantangan dalam memprediksi tingkat PM 2,5 di TP, dengan fokus pada faktor-faktor seperti kondisi cuaca, debu, transportasi regional, dan data emisi. Meskipun model WRF-CMAQ bekerja dengan baik di banyak daerah, model ini cenderung meremehkan tingkat PM 2,5 di TP. Temuan kami menunjukkan bahwa penyebab utama dari perkiraan yang terlalu rendah ini adalah data yang tidak akurat tentang emisi antropogenik. Setelah mengecualikan faktor-faktor lain, kami menemukan bahwa data emisi tidak sesuai dengan tingkat PM 2,5 aktual di TP. Ketika kami menyesuaikan data emisi, kami menemukan bahwa model tersebut meremehkan emisi sebesar 82,6%–92,6% setiap bulan. Hal ini menyoroti kebutuhan mendesak akan data emisi yang lebih akurat untuk meningkatkan model polusi udara dan meningkatkan pemahaman kita tentang kualitas udara di wilayah tersebut.
1 Pendahuluan
Dengan populasi dan konsumsi energi yang besar, Tiongkok telah menghadapi polusi partikulat halus (PM 2.5 ) yang serius, yang mengancam kesehatan manusia, mengurangi visibilitas, dan memiliki efek buruk pada iklim regional dan global (G. Li & Sun, 2017 ; D. Yang et al., 2018 ). Sementara kurangnya data pemantauan PM 2.5 skala besar telah menghambat pemahaman yang komprehensif tentang karakteristik spasial-temporal polusi PM 2.5 (van Donkelaar et al., 2010 ; Y.-L. Zhang & Cao, 2015 ). Sebagai suplemen dan perluasan data observasi, model transpor kimia (CTM), seperti model kualitas udara multiskala komunitas (CMAQ), telah digunakan secara luas di Tiongkok, dan telah menunjukkan kinerja yang baik dalam simulasi PM 2.5 (Cheng et al., 2019 ; Xue et al., 2017 ). Penelitian sebelumnya terutama berfokus pada wilayah atau kota maju di Tiongkok, seperti Beijing-Tianjin-Hebei, Delta Sungai Yangtze, dan Delta Sungai Pearl (Hou et al., 2019 ; Q. Liu et al., 2023 ; Sulaymon et al., 2021 ). Namun, hanya ada sedikit penelitian komprehensif tentang kota-kota yang terletak di Dataran Tinggi Tibet (TP).
Sebagai dataran tinggi tertinggi di dunia, TP memiliki dampak signifikan pada pola cuaca dan iklim lokal serta pada sirkulasi atmosfer di Belahan Bumi Utara (Ma et al., 2017 ; Wu et al., 2015 ). Interaksi antara kimia atmosfer dan meteorologi pada TP, seperti dampak aerosol pada pemaksaan radiatif, mikrofisika awan, dan transportasi polutan, semakin memperumit kerentanan ini (Y. Liu et al., 2022 ; Roychoudhury et al., 2022 ). Karena lingkungan dataran tinggi, ia menonjol sebagai salah satu daerah paling rentan terhadap perubahan iklim global (X. Liu & Chen, 2000 ; Yao et al., 2000 ). Meskipun terpencil, TP telah terdampak oleh meningkatnya polusi aerosol, yang telah memiliki implikasi signifikan bagi iklim dan lingkungan ekologisnya dalam beberapa dekade terakhir (S. Kang et al., 2019 ; Yang et al., 2021 ; Zhao et al., 2020 ). Kota-kota di TP yang terdampak oleh aktivitas antropogenik, seperti Lhasa dan Nagqu, dilaporkan menunjukkan tingkat polusi tinggi yang sebanding dengan kota-kota maju di Tiongkok timur (P. Chen et al., 2019 ). Namun, informasi tentang aerosol atmosfer di TP masih terbatas karena kurangnya pengamatan, dengan data yang tersedia terutama difokuskan pada wilayah perkotaan (Qu et al., 2009 ; Yang et al., 2019 ). Akibatnya, sangat penting untuk menyelidiki polusi PM 2.5 di wilayah ini, terutama melalui pendekatan pemodelan yang efektif.
Studi sebelumnya menunjukkan bahwa CTM meremehkan PM 2.5 di lokasi-lokasi di TP, seperti Lhasa, sebanyak 79% (S. Chen et al., 2022 ; Yang et al., 2020 ). Beberapa faktor dapat berkontribusi terhadap perkiraan yang terlalu rendah ini. Pertama, topografi pegunungan yang kompleks dan elevasi tinggi TP dapat menimbulkan bias dalam reproduksi meteorologi (Gu et al., 2020 ). Bias meteorologi ini dapat memengaruhi representasi proses kimia atmosfer, seperti pembentukan dan pengendapan aerosol, yang selanjutnya berkontribusi terhadap perkiraan yang terlalu rendah dari konsentrasi PM 2.5 . Selain itu, medan yang rumit dapat menyebabkan bias dalam pemodelan debu di TP (Gu et al., 2020 ; L. Kang et al., 2016 ; Mao et al., 2013 ). Lebih jauh lagi, transportasi jarak jauh dari daerah tercemar lainnya seperti India dan Cina timur dapat secara signifikan mempengaruhi konsentrasi polutan di TP (Y. Hu et al., 2022 ; S. Kang et al., 2019 ). Estimasi akurat transportasi jarak jauh oleh model saat ini tetap menantang di seluruh medan pegunungan dataran tinggi TP. Selain itu, emisi antropogenik lokal dianggap sebagai pendorong utama polusi udara PM 2.5 di TP (B. Zhang et al., 2023 ), dan ketidakcukupan inventaris emisi telah diidentifikasi sebagai sumber ketidakakuratan yang signifikan dalam simulasi model (S. Chen et al., 2022 ; C. Li et al., 2016 ; Yang et al., 2020 ). Meskipun mengakui ketidakpastian ini, diskusi dan investigasi lebih lanjut diperlukan untuk mengklarifikasi kontribusi relatif dari faktor-faktor ini terhadap perkiraan yang terlalu rendah dari PM 2.5 .
Dalam studi ini, kami menerapkan model CMAQ untuk mensimulasikan konsentrasi PM 2,5 pada tahun 2015 guna mengeksplorasi faktor-faktor utama yang berkontribusi terhadap rendahnya perkiraan PM 2,5 pada TP. Pembahasannya meliputi reproduksi meteorologi yang tidak akurat, bias dalam representasi aerosol debu, ketidakpastian yang terkait dengan emisi berorientasi sumber dan pemodelan transportasi, serta kekurangan dalam inventaris emisi antropogenik.
2 Bahan dan Metode
Dalam studi ini, model Kualitas Udara Multiskala Komunitas (CMAQ) versi 5.0.2 (Byun & Schere, 2006 ), yang menggabungkan mekanisme Pusat Penelitian Polusi Udara di seluruh negara bagian versi 11 (SAPRC-11) yang diperbarui (Carter, 2011 ; Hu et al., 2016 ) dan modul aerosol AERO6 (Binkowski & Roselle, 2003 ), diterapkan untuk mensimulasikan kualitas udara pada tahun 2015 dengan resolusi horizontal 36 km × 36 km (Gambar S1a dalam Informasi Pendukung S1 ). Lokasi dan batas-batas TP, yang ditetapkan untuk mencakup daerah pegunungan utamanya, dirinci dalam Gambar S1b dalam Informasi Pendukung S1 (Yili, 2019 ; Y. Zhang et al., 2021a , 2021b , 2014a , 2014b ).
Input meteorologi untuk CMAQ dihasilkan menggunakan model Weather Research & Forecasting (WRF) versi 4.1.2, yang digerakkan oleh data National Centers for Environmental Prediction (NCEP) Final (FNL) Operational Global Analysis pada resolusi 1° × 1° dan interval 6 jam. Kinerja model pada TP ditingkatkan dengan memperbarui data tata guna lahan default tahun 2001 dengan set data berbasis MODIS tahun 2015 (Yang & Duan, 2016 ) dan menggabungkan set data jenis tanah BNU untuk distribusi kategori tanah yang tepat di Tiongkok (Shangguan et al., 2013 ). Selain itu, skema parameterisasi fisik WRF dirinci dalam Tabel S1 di Informasi Pendukung S1 , dan konfigurasi lapisan vertikal CMAQ ditunjukkan dalam Tabel S2 di Informasi Pendukung S1 .
Emisi antropogenik untuk polutan termasuk nitrogen oksida (NO x ), sulfur dioksida (SO 2 ), karbon monoksida (CO), amonia (NH 3 ), karbon hitam (BC), karbon organik (OC), PM kasar (PM 10 ), dan PM 2,5 , dengan resolusi spasial 0,1° × 0,1°, bersumber dari inventaris emisi global Universitas Peking (PKU) terbaru ( http://inventory.pku.edu.cn/ ) (T. Huang et al., 2017 ; Y. Huang et al., 2014 , 2015 ; Meng et al., 2017 ; R. Wang et al., 2014 ; Zhong et al., 2017 ). Inventaris ini menggunakan data konsumsi bahan bakar terdisagregasi (PKU-FUEL-2007) dengan data energi perumahan pedesaan yang diperbarui, meningkatkan emisi BC dan distribusi emisi spasial dan musiman pada TP. Emisi senyawa organik volatil (VOC) non-metana berasal dari Emissions Database for Global Atmospheric Research (EDGAR) versi 5.0 ( https://edgar.jrc.ec.europa.eu/# ), dengan profil mingguan dan harian untuk konversi per jam. Profil US EPA SPECIATE 4.3 menspesialisasikan PM dan VOC ke dalam spesies model (D. Wang et al., 2014 ). Emisi biogenik diperoleh dengan menggunakan Model of Emissions of Gases and Aerosols from Nature (MEGAN) versi 2.1 (Guenther et al., 2012 ), dan emisi pembakaran biomassa dari inventaris kebakaran National Center for Atmospheric Research (NCAR) (Wiedinmyer et al., 2011 ). Konfigurasi ini selanjutnya disebut sebagai kasus dasar.
Validasi model untuk faktor meteorologi menggunakan data dari 134 stasiun Pusat Data Iklim Nasional (NCEI) Amerika Serikat di TP, seperti yang ditunjukkan pada Gambar S1b di Informasi Pendukung S1 . Kinerja CMAQ juga divalidasi menggunakan data PM 2,5 dari 35 lokasi Pusat Pemantauan Lingkungan Nasional Tiongkok (CNEMC). Selain itu, data analisis ulang Analisis Retrospektif Era Modern untuk Penelitian dan Aplikasi Versi 2 (MERRA-2) disertakan untuk perbandingan dengan hasil simulasi kami, dengan perincian di Informasi Pendukung S1 . Semua metrik kesalahan statistik yang dihitung dalam studi ini tercantum dalam Tabel S3 di Informasi Pendukung S1 .
Untuk pembagian sumber, kontribusi terhadap komponen primer (PPM) dan aerosol anorganik sekunder (SIA) dari delapan wilayah sumber (R1-R8) dilacak, seperti yang diilustrasikan pada Gambar S2 di Informasi Pendukung S1 . Metodologi terperinci dan berbagai skema simulasi, termasuk Dust-2X, Dust-3X, Dust-5X, CMAQ-EDGAR, CMAQ-MEIC, dan kasus Enhanced Anthropogenic Emission (sebagaimana diuraikan dalam Gambar S3 di Informasi Pendukung S1 ), didokumentasikan dalam SI. Skema ini menilai kontribusi debu dan emisi antropogenik terhadap ketidakpastian model dan melibatkan penyesuaian berulang terhadap emisi untuk menyelaraskan konsentrasi PM 2.5 yang disimulasikan dengan nilai yang diamati pada TP, dengan analisis ketidakpastian koefisien penyesuaian emisi juga disertakan.
3 Hasil
3.1 Kinerja Model pada TP
Model kasus dasar CMAQ dengan inventaris PKU secara signifikan meremehkan PM 2,5 di TP. Gambar 1a mengungkap variasi musiman dalam PM 2,5 di berbagai kota TP, dengan konsentrasi yang lebih rendah diamati selama musim hujan (Mei hingga September) dan konsentrasi yang lebih tinggi di musim non-hujan (Januari hingga April dan Oktober hingga Desember), sejalan dengan studi sebelumnya (C. Li et al., 2016 ). Gambar S4 dalam Informasi Pendukung S1 menunjukkan variasi spasial dari PM 2,5 yang disimulasikan di TP, yang mengilustrasikan pola yang kontras antara musim hujan dan non-hujan karena dinamika transportasi dan akumulasi polutan, dengan geographic-2 menunjukkan distribusi yang sama tetapi secara signifikan meremehkan PM 2,5 , seperti yang ditunjukkan dalam studi sebelumnya (Ali et al., 2022 ). Model tersebut secara seragam meremehkan nilai PM 2,5 aktual di semua musim di TP. Misalnya, tingkat PM 2,5 di Lhasa diremehkan sebesar 71,9% selama musim hujan dan 69,9% selama musim non-musim hujan, yang konsisten dengan temuan dari penelitian lain (S. Chen et al., 2022 ; Yang et al., 2020 ). Kota-kota di TP timur, seperti Xining, Haidong, dan Gannan, mengalami lebih sedikit perkiraan yang lebih rendah daripada kota-kota di barat, dengan Xining menunjukkan perkiraan yang paling rendah sebesar 58,7% dan Nagqu paling tinggi sebesar 90,5%. Variasi ini kemungkinan besar disebabkan oleh kondisi geografis dan iklim TP yang beragam.
Gambar 1b menunjukkan rata-rata perkiraan yang kurang dari 72,5% selama musim hujan dan 73,1% selama periode non-musim hujan. Sementara pola umum dalam fluktuasi PM 2,5 tertangkap, terdapat kesenjangan yang signifikan antara simulasi model dan pengamatan aktual. Selain itu, Gambar S5 dalam Informasi Pendukung S1 menunjukkan pola musiman tingkat PM 2,5 yang diamati dibandingkan dengan yang disimulasikan di kota-kota TP, yang mencatat perkiraan yang kurang dari yang signifikan di kota-kota seperti Nagqu.
Secara keseluruhan, Gambar 1c menunjukkan akurasi model yang terbatas di seluruh TP, meremehkan PM 2,5 di 72,9% wilayah tersebut. Temuan ini menggarisbawahi perlunya peningkatan model CMAQ agar lebih akurat mencerminkan tingkat polusi atmosfer TP.
3.2 Prediksi Meteorologi Berfungsi Sama Seperti Wilayah Lain
Untuk mengeksplorasi faktor-faktor potensial yang menyebabkan perkiraan yang terlalu rendah terhadap PM 2,5 pada TP, ketepatan simulasi meteorologi di wilayah tersebut diperiksa. Prediksi per jam dari variabel meteorologi utama dibandingkan dengan pengamatan dari 29882 stasiun NCEI, mengikuti tolok ukur yang disarankan oleh Emery et al. ( 2001 ) (Tabel S4 dalam Informasi Pendukung S1 ).
Secara keseluruhan, model menunjukkan kinerja yang dapat diterima. Suhu permukaan pada ketinggian 2 m (T2) sedikit diremehkan, terutama selama musim non-monsun, dengan deviasi bulanan sebagian besar dalam 1 K. Bias rata-rata (MB) untuk T2 tetap dalam ±0,5 K untuk sebagian besar tahun 2015, meskipun kesalahan kotor (GE) sedikit melebihi ambang batas 2,0%. Prediksi kecepatan angin (WS) selaras dengan standar, tetapi arah angin (WD) sering gagal memenuhi kriteria GE sebesar ±30%, meskipun MB mematuhi ±10°. Kelembaban relatif (RH) umumnya diremehkan, selaras dengan temuan sebelumnya di Asia (Guo et al., 2019 ; M. Zhang et al., 2021 ), kemungkinan karena resolusi domain dan ketidakpastian parameterisasi (Sahu et al., 2020 ). Pada TP, model menunjukkan keselarasan yang wajar dengan pengamatan dari 134 stasiun lokal (Tabel S5 dalam Informasi Pendukung S1 ). T2 yang disimulasikan menunjukkan bias yang sedikit lebih besar pada TP dibandingkan dengan wilayah non-TP, dengan rata-rata perkiraan yang lebih rendah sebesar 1,3 K, konsisten dengan S. Chen et al. ( 2022 ). Selain itu, Gambar 2 menggambarkan T2 yang diprediksi sangat cocok dengan nilai yang diamati, khususnya selama musim hujan. Sementara data RH yang diamati jarang terjadi pada periode non-hujan, model tersebut berhasil menangkap RH rata-rata selama musim hujan. Selain itu, WS dan WD direproduksi dengan baik, dengan hanya sedikit perkiraan yang lebih tinggi pada WS. Gambar S6 dalam Informasi Pendukung S1 memvalidasi presipitasi tahunan dengan membandingkan hasil simulasi WRF dengan set data grid dari Mingjun ( 2019 ), berdasarkan pengamatan berbasis darat. Pola spasial selaras dengan baik, tetapi WRF menunjukkan perkiraan yang lebih tinggi secara umum, konsisten dengan penelitian sebelumnya (Kumar et al., 2014 ; H. Liu et al., 2024 ). Namun, jaringan meteorologi yang jarang di TP menambah ketidakpastian pada validasi (D. Li et al., 2022 ; Q. Zhang et al., 2023 ). Pemutakhiran data tanah juga membantu mengurangi bias dalam simulasi curah hujan dan suhu (Yue et al., 2021 ).
Analisis komparatif (Tabel S5 dan S6 dalam Informasi Pendukung S1 ) tidak mengungkapkan perbedaan signifikan dalam bias prediksi meteorologi per jam antara wilayah TP dan non-TP. Ini menunjukkan bahwa model tersebut secara efektif mensimulasikan variabel-variabel utama seperti WS dan WD—yang penting untuk transportasi dan penyebaran polutan—meskipun perkiraan RH yang seragam kemungkinan berasal dari keterbatasan observasi. Sebagai kesimpulan, WRF menunjukkan kinerja yang dapat diterima dalam menangkap karakteristik meteorologi TP, memastikan masukan yang andal untuk simulasi PM 2.5 , konsisten dengan penelitian sebelumnya (Yang et al., 2017 ; Yang et al., 2020 ). Namun, sementara ketidakakuratan meteorologi mungkin bukan faktor dominan dalam perkiraan PM 2.5 yang terlalu rendah, interaksinya dengan proses aerosol masih dapat berkontribusi pada bias (S. Chen et al., 2022 ).
3.3 Debu Diremehkan namun Bukan Penyebab Utama
Untuk menyelidiki penyebab utama tingkat PM 2.5 yang diremehkan pada TP, kami meneliti peran pemodelan debu. Simulasi dilakukan menggunakan tiga skenario berbeda: “Debu-2X”, “Debu-3X”, dan “Debu-5X” (sebagaimana ditunjukkan pada Gambar S7 dalam Informasi Pendukung S1 ), yang bertujuan untuk mengatasi potensi perkiraan yang lebih rendah dari aerosol aerosol. Penelitian sebelumnya telah menunjukkan bahwa aerosol aerosol tidak dominan pada TP karena lapisan salju dan es yang semi-persisten (Dong et al., 2019 ). Temuan CMAQ sebelumnya di area yang tidak didominasi oleh debu telah melaporkan perkiraan yang lebih rendah dari kedalaman optik aerosol (AOD) kurang dari ±15% (Xing et al., 2015 ). Contoh penting selama badai debu enam hari tahun 2011 mengungkapkan bahwa skema debu default CMAQ meremehkan emisi sebesar 98% (Fu et al., 2014 ). Skenario-skenario ini dengan demikian dirumuskan untuk mengoreksi dan berpotensi melampaui perkiraan-perkiraan yang lebih rendah tersebut.
Namun, penyesuaian di seluruh skenario ini tidak meningkatkan akurasi prediksi PM 2.5 rata-rata CMAQ secara nyata . Hasil validasi (Tabel S7 dalam Informasi Pendukung S1 ) untuk skenario Dust-2X, Dust-3X, dan Dust-5X menunjukkan beberapa peningkatan dibandingkan dengan kasus dasar, tetapi mayoritas nilai simulasi masih gagal memenuhi kriteria yang direkomendasikan oleh EPA (EPA, 2007 ), dengan nilai mean fractional bias (MFB) dan mean fractional error (MFE) tidak dalam ±0.6 dan di bawah 0.75, masing-masing. Bahkan skenario Dust-5X, yang mengasumsikan 80% underestimasi aerosol debu pada TP, tidak dapat secara akurat mereproduksi total level PM 2.5 yang disimulasikan . Selain itu, Gambar S7 dalam Informasi Pendukung S1 menunjukkan contoh ketika debu menyumbang fraksi PM 2.5 yang sangat tinggi , yang mengarah pada hasil yang dilebih-lebihkan yang menggandakan atau lebih dari nilai yang diamati.
Kesimpulannya, meskipun mengakui potensi meremehkan kadar aerosol debu di TP oleh model CMAQ, temuan tersebut mengonfirmasi bahwa ketidakpastian ini bukanlah penyebab utama meremehkan kadar PM 2.5 .
3.4 Transportasi Regional Menyumbang Emisi Lebih Kecil Dibandingkan Transportasi Lokal
Dampak signifikan dari transportasi regional pada tingkat PM di TP, terutama dari Asia Selatan (India) dan Asia Timur (Tiongkok tengah-timur), telah ditekankan dalam studi sebelumnya (B. Zhang et al., 2023 ; N. Zhang et al., 2014 ). Namun, mengukur kontribusi pasti transportasi PM dari area ini ke TP masih belum pasti. Meskipun model tersebut meremehkan PM 2,5 di TP, model tersebut berhasil mensimulasikan polutan udara utama di India dan Tiongkok tengah-timur, seperti yang ditunjukkan pada Tabel S8 dalam Informasi Pendukung S1 . Simulasi di India selaras dengan pengamatan dari stasiun Badan Pengendalian Polusi Pusat (CPCB), dengan MFB -0,43% dan MFE 0,69% untuk PM 2,5 , keduanya memenuhi standar yang direkomendasikan EPA. Demikian pula, simulasi di Tiongkok tengah-timur menunjukkan kesesuaian yang lebih baik dengan pengamatan dari CNEMC, dengan MFB sebesar -0,03% dan MFE sebesar 0,67% untuk PM 2,5 . Hasil yang dapat diterima juga diamati untuk polutan lain, seperti MDA8 O 3 , NO 2 , dan CO. Selain itu, kesenjangan data dalam pengamatan CO untuk India pada tahun 2015 dapat memengaruhi hasil statistik. Secara keseluruhan, hasil simulasi yang andal di India dan Tiongkok tengah-timur, bersama dengan simulasi kondisi meteorologi yang terjamin, mendukung kemampuan model untuk secara akurat mensimulasikan PM 2,5 yang diangkut dari wilayah lain.
Gambar S8 menunjukkan distribusi spasial kontribusi PM 2,5 dari berbagai daerah sumber di area simulasi, yang memperlihatkan transportasi partikel yang signifikan dari daerah sekitar ke TP, yang memengaruhi tingkat polusi PM 2,5 setempat. Konsisten dengan penelitian sebelumnya, Gambar 3a menggambarkan kontribusi substansial transportasi regional terhadap tingkat PM 2,5 TP , dengan variasi musiman yang nyata. Selama musim hujan, kontribusi dari transportasi regional meningkat di bawah angin barat yang bertiup. Daerah R3 (Cina bagian tengah-timur) dan R4 (India) diidentifikasi sebagai kontributor utama. Gambar 3b menetapkan bahwa R3 memengaruhi bagian timur TP, sedangkan R4 lebih memengaruhi bagian barat.
Penelitian sebelumnya, seperti J. Yang et al. ( 2018 ), melaporkan bahwa Asia Selatan menyumbang sekitar 19,4% karbon hitam (BC) ke TP, dengan kontribusi dari Cina Timur di bawah 9%. Demikian pula, Chen et al. menemukan bahwa transportasi jarak jauh dari Cina Timur dan India merupakan kurang dari 10% dari tingkat PM 2,5 di Lhasa (S. Chen et al., 2022 ). Sebaliknya, simulasi kami menunjukkan kontribusi yang relatif tinggi dari transportasi regional, yang mencapai 39,28% selama musim non-monsun. Ini menunjukkan perkiraan yang sangat rendah dari emisi lokal dalam penelitian kami. Meskipun model CMAQ berorientasi sumber memperlakukan emisi lokal sebagai sumber dominan, dengan rata-rata 56,34%, ini tampaknya tidak memadai. Penelitian sebelumnya menunjukkan bahwa sumber lokal menyumbang lebih dari 70% ke PM 2,5 TP , terutama komponen utamanya (C. Li et al., 2019 ). Pembagian sumber kami untuk Lhasa menunjukkan emisi lokal menyumbang 78,39% dari PM 2,5 , dengan saldo 21,61% terutama dari transportasi regional, terutama dari Tiongkok dan India—dua kali lipat proporsi yang dilaporkan oleh S. Chen et al. ( 2022 ), yang menggarisbawahi perkiraan yang terlalu rendah dari emisi lokal. Singkatnya, sementara transportasi regional berkontribusi pada tingkat PM 2,5 di TP, analisis menunjukkan bahwa itu bukan faktor utama untuk perkiraan yang terlalu rendah. Sebaliknya, faktor utama tampaknya adalah representasi emisi lokal yang tidak memadai. Namun, transportasi trans-Himalaya masih belum pasti karena topografi dan meteorologi yang kompleks, yang memengaruhi dinamika transportasi dan keakuratan kontribusi dari kawasan seperti India dan Asia Timur (R. Zhang et al., 2017 ).
3.5 Inventarisasi Emisi Menyebabkan Ketidakpastian PM 2.5
3.5.1 Perbedaan Besar dalam Inventaris yang Tersedia untuk Publik
Saat ini, inventaris emisi yang banyak digunakan untuk simulasi TP dan wilayah terkait adalah EDGAR, MEIC, dan inventaris yang digunakan dalam studi kami (disebut PKU). Seperti yang digambarkan dalam Gambar S9 dalam Informasi Pendukung S1 , inventaris ini menunjukkan disparitas yang signifikan dalam mengukur emisi untuk spesies yang berbeda, konsisten dengan hasil sebelumnya (J. Hu et al., 2017 ). Mengenai emisi partikulat, termasuk PEC (karbon unsur primer), POC (karbon organik primer), dan PMFINE (PM halus primer yang tidak ditentukan) pada TP, EDGAR, MEIC, dan PKU memperkirakan kuantitas emisi masing-masing sebesar 6.123, 2.362, dan 7.202 g s −1 . MEIC memberikan perkiraan terendah, sementara PKU menghasilkan yang tertinggi. Dalam hal SO 2 , NO x , dan NH 3 , EDGAR mencatat emisi tertinggi, sementara MEIC menunjukkan yang terendah, dengan NH 3 menampilkan variasi paling substansial di antara inventaris. Lebih jauh, Gambar S10 dalam Informasi Pendukung S1 mengilustrasikan variasi spasial dari inventaris emisi yang berbeda pada TP. Ketiga inventaris menunjukkan pola karakteristik emisi tinggi di sepanjang pinggiran dan emisi lebih rendah di interior. Namun, ada perbedaan penting dalam tingkat emisi di seluruh TP di antara inventaris ini. Bahkan di wilayah TP dengan aktivitas manusia minimal, variasi signifikan dalam estimasi emisi tetap ada. Perbedaan seperti itu menggarisbawahi ketidakpastian substansial yang ada dalam inventaris emisi saat ini untuk TP. Inventaris ini juga menunjukkan perbedaan sektoral yang penting. Misalnya, inventaris PKU mengaitkan emisi PEC tertinggi dengan pembakaran perumahan (65%), sementara MEIC memperkirakan 67% dari sumber perumahan, dan EDGAR menetapkan 48% untuk transportasi. Perbedaan sektoral ini tidak hanya menggarisbawahi ketidakpastian yang melekat dalam inventaris emisi tetapi juga dampak potensialnya terhadap keakuratan simulasi konsentrasi PM 2.5 .
Selain itu, simulasi tambahan dilakukan untuk keseluruhan tahun 2015 menggunakan EDGAR dan MEIC, dan perbandingan dilakukan dengan kasus dasar kami (didorong oleh PKU). Tabel S9 dalam Informasi Pendukung S1 menunjukkan bahwa ketiga inventaris emisi secara konsisten meremehkan total konsentrasi PM 2,5 dalam model CMAQ dalam kondisi meteorologi yang identik, dengan cakupan terbatas lokasi pemantauan perkotaan yang berkontribusi terhadap perbedaan yang relatif kecil dalam kesalahan simulasi. Sebaliknya, kasus dasar menunjukkan kinerja yang relatif lebih unggul dalam simulasi PM 2,5 pada TP dibandingkan dengan kasus simulasi lainnya menggunakan EDGAR dan MEIC, yang menunjukkan hasil simulasi yang paling optimal. Inventaris emisi saat ini masih belum memadai untuk mensimulasikan wilayah TP secara akurat.
Beberapa studi sebelumnya juga telah menyoroti kekurangan dalam inventaris emisi lain yang ada. K. Liu et al. ( 2022 ) menemukan bahwa pembakaran kue tinja, bukan pembakaran arang, adalah sumber emisi utama pada TP, yang kontras dengan inventaris emisi bahan bakar padat perumahan saat ini untuk PM 2.5 , SO 2 , dan NO x . Yang et al. ( 2019 ) mengidentifikasi perkiraan yang jauh di bawah PM 2.5 dalam simulasi WRF-Chem, yang berasal dari ketidakpastian dalam Inventaris Emisi Multi-resolusi untuk Tiongkok (MIX), terutama dari emisi pembakaran tidak sempurna seperti BC (M. Li et al., 2017 ). ( 2017 ) lebih lanjut menyoroti perbedaan di antara berbagai inventaris, termasuk MEIC, EDGAR, Inventaris Emisi Regional di Asia versi 2 (REAS2), dan Inventaris Emisi untuk Tiongkok yang dikembangkan oleh Sekolah Lingkungan di Universitas Tsinghua (SOE), dalam mendorong model WRF-CMAQ, khususnya di Tiongkok bagian barat.
Temuan-temuan ini secara kolektif menyoroti kekurangan berbagai inventaris emisi yang ada pada TP. Mengatasi keterbatasan ini, seperti mengkarakterisasi sumber emisi secara akurat dan mengurangi ketidakpastian, sangat penting untuk meningkatkan pemahaman kita tentang dinamika polusi udara dan menerapkan strategi mitigasi yang efektif dalam konteks geografis dan ekologis yang unik ini.
3.5.2 Penyesuaian Emisi Antropogenik Reproduksi Pengamatan PM 2.5
Inventaris emisi antropogenik diidentifikasi sebagai sumber utama ketidakpastian dalam simulasi PM 2,5 pada TP menggunakan model CMAQ. Untuk mengukur tingkat underestimasi yang disebabkan oleh inventaris ini, kami melakukan kasus Emisi Antropogenik yang Disempurnakan. Melalui penyesuaian emisi regional harian yang disempurnakan, konsentrasi PM 2,5 yang disimulasikan berhasil mereplikasi data yang diamati, seperti yang digambarkan pada Gambar S11 di Informasi Pendukung S1 . Selain itu, pemodelan per jam menunjukkan MFB sebesar -0,07% dan MFE sebesar 0,68%, memenuhi tolok ukur yang disebutkan sebelumnya (Tabel S10 di Informasi Pendukung S1 ). Distribusi bulanan yang disajikan pada Gambar 4a menunjukkan variasi temporal dalam underestimasi emisi antropogenik pada TP. Persentase underestimasi yang lebih tinggi pada bulan Mei (92,6%) dan Juni (92,3%) menunjukkan tantangan musiman yang potensial dalam memperkirakan emisi secara akurat selama bulan-bulan ini, mungkin dipengaruhi oleh peningkatan aktivitas manusia. Sebaliknya, persentase underestimasi yang lebih rendah pada bulan Oktober (82,6%) menunjukkan estimasi emisi yang lebih akurat, kemungkinan karena pola emisi yang stabil. Perbedaan dalam persentase underestimasi di berbagai wilayah TP, yang disorot dalam Gambar 4b , mengungkapkan kesenjangan estimasi yang signifikan, terutama di Nagqu dan Guolog (masing-masing 99,1% dan 99,5%), dibandingkan dengan underestimasi yang lebih rendah di Xining (55,0%), yang dapat mencerminkan ketersediaan data yang lebih baik atau kontrol emisi yang efektif. Gambar 4c menyoroti korelasi non-linier antara koefisien emisi yang disesuaikan ( an ) dan rasio prediksi-ke-observasi awal ( 0 ) yang secara langsung berasal dari nilai yang diamati dan disimulasikan. Mengandalkan hanya rasio konsentrasi yang diremehkan mungkin tidak secara akurat menilai tingkat underestimasi dalam inventaris emisi, yang menunjukkan perlunya penyesuaian yang lebih komprehensif dalam upaya akurasi inventaris di masa mendatang. Pengujian Shapiro-Wilk mengonfirmasi bahwa 0 dan n menyimpang dari normalitas, sementara resampling Bootstrap (Gambar S12 dalam Informasi Pendukung S1 ) mengkuantifikasi statistiknya, mengungkap ketidakpastian yang lebih besar dalam n karena penyesuaian model dan kompleksitas emisi regional.
Analisis ini menggarisbawahi pentingnya memasukkan pertimbangan spasial dan temporal ke dalam penilaian inventaris emisi antropogenik pada TP. Kasus Peningkatan Emisi Antropogenik telah terbukti berperan penting dalam menjembatani kesenjangan antara konsentrasi PM 2,5 yang disimulasikan dan diamati , sehingga meningkatkan pemahaman kita tentang emisi antropogenik di wilayah ini. Penyempurnaan berkelanjutan dan pendekatan yang disesuaikan dalam pemodelan dan evaluasi inventaris emisi sangat penting untuk memajukan penelitian dalam domain ini.
4 Diskusi
Studi ini secara sistematis menyelidiki sumber ketidakpastian dalam simulasi PM 2,5 pada TP . Melalui evaluasi terperinci kondisi meteorologi, pemodelan debu, dan transportasi regional, inventaris emisi antropogenik diidentifikasi sebagai sumber ketidakpastian utama. Sementara faktor-faktor seperti resolusi grid telah dipertimbangkan dalam studi sebelumnya, dampaknya pada akurasi konsentrasi polutan pada TP sangat minimal (X.-H. Liu et al., 2010 ), yang menyoroti perlunya inventaris emisi yang lebih baik, terutama di daerah perkotaan.
Menangani variasi temporal dan spasial sangat penting untuk meningkatkan inventaris ini, namun tantangannya termasuk data observasi yang sedikit di area nonperkotaan dan kompleksitas estimasi emisi di wilayah berpenduduk jarang. Bahkan dengan metodologi canggih seperti pembelajaran mesin, simulasi polusi atmosfer secara akurat di TP tetap sulit karena keterbatasan data (Zhan et al., 2017 ). Meskipun ada tantangan ini, studi ini meletakkan kerangka dasar untuk mengukur emisi di TP. Meningkatkan presisi inventaris emisi antropogenik, khususnya melalui penyesuaian rasio untuk aplikasi inventaris PKU di masa mendatang, dapat meningkatkan akurasi simulasi PM 2 . 5 secara signifikan . Pekerjaan ini tidak hanya mengidentifikasi ketidakpastian simulasi kritis tetapi juga mendukung penelitian dan pembuatan kebijakan di masa mendatang, memberikan wawasan dan metode untuk memperkuat upaya mitigasi polusi udara di TP dan wilayah kompleks lainnya, yang pada akhirnya meningkatkan penilaian kualitas udara untuk kebijakan lingkungan yang ditargetkan.
