-
颗粒物可直接或间接地影响空气质量及气候，能够吸收、散射太阳辐射且在环境空气中停留时间长，对全球气候、区域环境污染及人民群众的身体健康和生态安全具有很大影响[1-3]其中细颗粒物(PM2.5)是指空气中直径2.5 µm的颗粒物，其尺寸极小，成分复杂，包括有机化合物、无机盐、重金属、土壤或尘土颗粒以及生物质燃烧产生的颗粒物等，来源包括自然源和人为源，由于其较小的质量和尺寸，PM2.5可在空气中悬浮数周且随风远距离传播，长期或高浓度暴露在PM2.5污染环境下可能导致心血管疾病、呼吸系统疾病等严重健康问题，同时，PM2.5的沉降可能对植物、土壤和水体产生影响，还能影响大气平衡和能见度，因此对细颗粒物的研究愈发重要。
SPAMS能够在线研究环境受体化学组成特征，从单颗粒尺度获取组分信息，如粒子的粒径、数浓度、组分等特征，具有时间分辨率高、信息量大等特点[4-8]。已有研究者利用SPAMS研究了颗粒物的组分特征、混合状态和污染特征[9]，并将SPAMS测得的PM2.5数浓度与PM2.5质量浓度进行相关性分析，发现在一定程度上颗粒物数浓度可反映大气污染状况[10]。此外，近年来我国空气质量的区域性特征明显，一个区域大气环境质量的因素须考虑外来污染物输送对该区域空气质量的影响[11-12]。
位于我国汾渭平原的西安市已被纳入空气污染防治重点治理区域，大气污染治理形势严峻[13-15]，污染物排放总量居高难下，地形条件不利于污染物扩散[16]。目前，针对夏季西安市大气中PM2.5颗粒化学组成分类、二次颗粒的变化特征及结合输入性污染贡献的相关研究不够全面，我国气象局常以气温来定义气象季节，其中夏季是根据连续5 d的平均气温稳定升至22 ℃上来划分，就西安而言，夏季通常开始于五月中上旬到六月初，并持续到八月下旬，在此期间气温较高，光化学反应加速从而产生高水平的臭氧，一些臭氧的成分（如活性氧和臭氧自由基）可以提供促进细颗粒物生成的反应条件，促使PM2.5二次转化，加剧PM2.5形成。因此，本研究利用SPAMS得到西安市2022年5—8月的单颗粒化学组分数据，分析单颗粒的化学组分特征和二次颗粒的变化特征等特点，结合后向轨迹模型分析不同气团轨迹影响下西安南郊夏季颗粒物理化特征及潜在源区贡献，以期为进一步利用SPAMS对西安市细颗粒物污染成因提供科学信息[17]
-
监测点设在西安市环境监测站内(34.17°N、108.93°E)。位于西安市长安区，周边有高校、医院、居民住宅区及商业混合区，此点位可代表西安市南郊地区居民商业交通混合监测区域，具有代表性。采样样品能代表区域PM2.5样本基本情况。监测时段为2022年5月1日—2022年8月31日，共连续采样123 d。
-
利用锥形元件振荡微天平(TH-2000Z1，武汉天虹)采集PM2.5，利用5014iβ射线连续环境颗粒物监测仪(Thermo Scientific公司)分析PM2.5质量浓度。相对湿度(RH)、温度(T)、气压(P)、风速(WS)和风向数据来源于西安自动气象站(Metone Inc.)，边界层高度数据来源于世界天气网站(http://rp5.ru)。
-
利用SPAMS采集空气中颗粒物样品。SPAMS Data Analysis V3.0软件中嵌入了ART-2a自适应神经网格分类法，研究各类颗粒物的数浓度、粒径分布、时间变化与极坐标等特征。SPAMS参数为：颗粒粒径0~2.5 μm、颗粒粒径检测速度20 个·s−1、击打率>20%。采用266 nm激光电离，电离激光器能量为0.5~0.6 mJ。利用聚苯乙烯(PSL)小球校正粒径，金属标准液（碘化钠）校准仪器质谱漂移。ART-2a参数设置为：警戒因子0.95、学习效率0.05、迭代次数20次。利用ART-2a神经网络聚类分析获得2 261个类别，再按化学组成的相似性将颗粒物合并为6大类18个小类别，见表1。颗粒物分为富钾类颗粒(K-Rich，包括K-EC、K-EC-SEC、K-NO3-PO3、K-NO3-SiO3、K-SEC)、碳质颗粒(C-Rich，包括EC、EC-SEC、HEC、HEC-SEC、OC-SEC、ECOC-SEC、PAH-SEC)、扬尘颗粒(Dust，包括Dust-HEC、Dust-SEC)、富钠类颗粒(Na-Rich，包括Na-Cl-NO3、Na-SEC)、重金属(HM)及生物质颗粒(LEV)。
-
利用混合型单粒子拉格朗日综合轨迹(HYSPLIT)模式，对监测时段逐时到达受点的72 h后向气团轨迹进行聚类分析，采用总空间方差法(TSV)选取最佳聚类数目。数据来自GDAS数据库的气象数据，以西安市环境监测站的经纬度坐标为目标区域，轨迹计算模拟高度为500 m，时间分辨率为1 h。通过 TrajStat 软件，把各条轨迹所对应的颗粒数浓度数据添加到轨迹上，得到影响采样点的气团输送路径。
-
1)颗粒物数浓度变化趋势及其与气象参数关系。监测期间颗粒物日平均浓度及其与气象参数的相关性分别见图1和图2。由图1可知，监测期间出现重度污染2 d、中度污染17 d，共打击并分析2 486 494 个颗粒物，颗粒数(MASS)日平均浓度为20 208 个·d−1， PM2.5日平均浓度为(23.9±9.36) μg·m−3。
由图2可知，MASS日平均浓度与PM2.5日平均浓度具有一定相关性(r=0.41，P<0.05)，说明利用SPAMS观测到的颗粒物数浓度在一定程度上反映当时当地PM2.5质量浓度及污染状况，监测期间以东北偏北风为主导，次主导风向为西风，风速0.6~1.2 m·s−1，说明西安夏季空气污染传送方向既受陇西平原的风沙尘影响，也受东北偏北风来源传输影响。监测期间相对湿度为16.3%~99.3%，气温在12.8~36.3 ℃，其中六月平均气温最高，为29.6 ℃。
2)PM2.5日平均浓度与边界层高度的关系。西安市夏季PM2.5日平均质量浓度与RH及边界层高度的关系见图3。当RH≤40%条件下，边界层高度<2 000 m时，PM2.5日平均浓度变化不大；边界层高度在2 000~3 600 m时，PM2.5日平均浓度随边界层高度升高而降低。当40%<RH≤60%时，随边界层高度增加，PM2.5日平均浓度升高，其与边界层高度呈较强正相关(r=0.86，P<0.05)，此条件有利于加速硫酸盐、硝酸盐等颗粒物二次转化[20]；60%<RH≤80%时，PM2.5日平均浓度随边界层高度变化不明显；当RH>80%时，PM2.5日平均浓度与边界层高度呈显著负相关(r=0.92，P<0.05)，且边界层高度较低(<700 m)，主要是由于颗粒物中亲水性气溶胶的存在，RH增加，会加强颗粒物凝结和碰并的效率，颗粒物通过吸湿作用，导致粒径增大，加速颗粒物沉降速率。以上说明，当边界层高度和RH较低时，不利于PM2.5的扩散与清除，造成颗粒物堆积，且RH还会影响硫酸盐和硝酸盐转化率，进而影响大气中SO2、NOx的浓度。
-
1)富钾类颗粒。富钾类颗粒一般作为生物质燃烧的示踪物，总占比为37.41%，其质谱图和极坐标分别见图4和图5。由图4可知，K-EC颗粒的正离子质谱图中有较强的钾信号、元素碳EC(12C+、24C2+、36C3+、12n Cn+，n =4, 5, 6…)信号，负离子质谱图中存在比较明显的碳簇峰；K-EC-SEC颗粒的正离子质谱图中有明显的钾信号与元素碳，负离子质谱图中存在比较强的硝酸盐(46,62NO3－)和硫酸盐(97HSO4－)信号峰；K-NO3-PO3颗粒负离子质谱图存在较强的磷酸盐(79PO3－)信号峰，而K-NO3-SiO3颗粒具有较强的硅酸盐(76SiO3－)信号峰；K-SEC颗粒质谱图中出现较强的K信号峰和硝酸盐、硫酸盐信号峰。富钾类颗粒质谱图中也存在其他生物质燃烧的示踪物(如左旋葡聚糖和26CN－)，但信号峰较弱，可能是由于SPAMS对铵根的相对灵敏度比对碱金属的低很多。以上说明，富钾类颗粒可能是二次转化形成的铵盐、硫酸盐和硝酸盐气溶胶[21-22]，也可能是来源于生物质燃烧。
各类颗粒物的粒径和颗粒数日平均浓度变化分别见图6和图7。K-SEC颗粒粒径集中在0.3~0.7 μm(图6(b))，在风速较大时来自监测点位东北方向集中居住区的贡献源较高，推测K-SEC颗粒是从东北方向经过远距离传输发生老化的生物质颗粒。K-EC和K-EC-SEC颗粒粒径分别集中在0.3~0.5 μm和0.4~0.8 μm，且由图5(b)、图5(e)极坐标信息可见，K-EC-SEC颗粒在大气中可能经历了复杂的二次反应过程，导致粒径增大。此外，K-SEC和K-EC-SEC颗粒含量在早晚交通高峰期间(8:00—9:00和18:00—19:00)出现峰值(图7(b))，呈现出局部排放特点，推测机动车尾气排放对这2类颗粒有贡献。K-NO3-PO3与K-NO3-SiO3粒径集中在0.6~0.8 μm，已有研究[23]表明，土壤尘颗粒中24Mg+、27Al+、40Ca+、60SiO2－、76SiO3－信号较强，表明硅酸盐和磷酸盐颗粒是土壤尘和城市扬尘的主导颗粒。由图5(c)和图5(d)可见，位于东北和西北方向的排放源对K-NO3-PO3与K-NO3-SiO3的贡献较大，结合西安夏季风向，推测K-NO3-PO3与K-NO3-SiO3颗粒来自于生物质源和扬尘源长距离传输贡献。
2)碳质类颗粒。碳质类颗粒主要分为EC类和OC类颗粒，其质谱图和极坐标图分别见图8和图9。EC类总占比为21.43%，其各小类颗粒质谱图中均有较明显的元素碳信号峰，且HEC和HEC-SEC颗粒正离子质谱图中于较大质荷比处出现了明显的高分子EC信号(96C8+、108C9+、120C10+、132C11+)，EC-SEC和HEC-SEC颗粒的负离子质谱图中存在比较明显的硝酸盐和硫酸盐信号峰。OC类颗粒总占比为12.19%，其正离子质谱图中存在一些常见有机峰(27C2H3+、29C2H5+、37C3H+、43C2H3O+/C2H5N+、51C4H3+、63C5H3+)信号，其中ECOC-SEC颗粒质谱图中出现了OC标识粒子及EC碎片峰，且36C3+和37C3H+峰信号强度接近，即该类颗粒为OC与EC的内混颗粒；PAH-SEC颗粒属于多环芳烃颗粒，存在较明显的PAH信号峰。大多数碳质类二次颗粒负离子质谱图中硫酸盐信号强于硝酸盐，归因于硫酸盐与硝酸盐形成机制不同[21]，碳质类组分相对更易与HSO4－形成包裹形态。此外，在OC-SEC、ECOC-SEC、PAH-SEC的正离子质谱图m/z=39处有一个较大峰，这可能是由于OC与39K+之间凝结或有机物凝结在生物质上所导致。
EC类颗粒多存在一次颗粒物中，是汽车尾气颗粒的主要示踪物，主要来源于交通污染与生物质燃烧污染贡献，及部分工业生产[24]。由于EC类颗粒参与了二次污染的成核过程，因此夏季的二次污染对EC类颗粒的贡献也相当明显。EC和HEC粒径分布集中在0.3~0.6 μm，由图9(a)、图9(c)可知监测点周边有明显的局部排放特点，相关研究表明汽油车排放的颗粒中以EC类颗粒为主[25]，推测西安市夏季EC和HEC颗粒主要来自于交通源排放。HEC-SEC和EC-SEC颗粒数量在午间(11:00—15:00)出现峰值(图7(c))，分别为25 481 个·d−1和741 个·d−1，EC与EC-SEC粒径分别集中在0.4~0.6 μm和0.5~0.8 μm，HEC与HEC-SEC粒径分别集中在0.3~0.5 μm和0.4~0.8 μm，主要是因为随午间温度上升和太阳辐射增强，在EC、HEC颗粒表面发生了气态前体物SO2、NOx的非均相光化学氧化反应，产生的羟基自由基及臭氧等成为SO2氧化反应的催化剂，加速二次颗粒(EC-SEC、HEC-SEC)的形成[26]。HEC-SEC颗粒表现出明显的区域传输特点(图9(d))，推测HEC-SEC是监测点北部工业园区与汽油车排放源排放的污染物在传输过程中经历二次反应和老化过程形成的产物。
OC类颗粒粒径主要集中于0.4~0.6 μm，处于积聚模态中，来源复杂。由图9(e)可知，OC-SEC颗粒具有受风速影响的远距离传输特点，推测OC-SEC颗粒是挥发性有机物(VOCs)在传输到监测点过程中发生了老化过程而形成的二次有机碳颗粒。ECOC-SEC颗粒中K+信号较强，表明其可能来源于生物质燃烧，还可能来源于EC颗粒的老化，即VOCs通过光化学氧化反应转化为半挥发性含氧有机物后[27]，在EC颗粒上冷凝形成ECOC颗粒。此外，由图7(d)和图9(f)可知，ECOC-SEC数浓度在早晚交通高峰期间出现峰值，具有本地排放特征，可推测此颗粒是由机动车排放一次颗粒物后经过氮氧化物和硫化物的附着转换成的二次组分。由图6(d)和图7(d)可知，PAH-SEC粒径集中在0.4~0.6 μm，且早高峰期间(8:00—9:00)达到数浓度峰值，且煤的燃烧和柴油车排放是PAH的主要排放源[28]，因此，推测PAH-SEC与柴油车尾气排放有关。
3)扬尘类颗粒。扬尘类颗粒总占比为13.23%，其质谱图和极坐标分别见图10和图11。由图10可知，Dust-HEC正离子质谱图中存在质荷比较大的EC(96C8+、120C11+)信号峰，Dust-SEC质谱图中主要含有27Al+、40Ca+、56Fe+/56CaO+、76SiO3－和其他表征扬尘类组分的特征峰，这些特征离子主要来源于地壳源。扬尘类颗粒负质谱图中，硝酸盐峰强度相对较高，说明西安夏季空气中扬尘颗粒硝酸盐含量较高。
风速较大时，Dust-SEC颗粒主要来自北部方向远距离传输源的贡献(图11(b))，结合监测期间的主导风向，及质谱图中硝酸盐信号较强，推测说明在扬尘类颗粒物长距离传输过程中，以形成硝酸盐为主的NOx在颗粒表面发生了非常强烈的非均相反应。Dust-HEC质谱图中的EC信号峰相比于Dust-SEC更加显著，并与曹宁[29]研究中的矿尘质谱图相似，主要是因为西安位处关中盆地，邻近黄土高原，逃逸土非常丰富，另也受到建筑活动和道路尘再悬浮混合的影响。结合极坐标(图11(a))信息，推测监测点Dust-HEC颗粒来自土壤尘、建筑尘和机动车尾气源的一次排放传输。
4)富钠类颗粒。富钠类颗粒质谱图和极坐标分别见图12和图13。与其他颗粒相比，Na-Cl-NO3质谱图中35Cl－、26CN－信号峰比较明显。Na-SEC负离子质谱图上存在明显表征二次组分的硝酸盐和硫酸盐信号峰。由图7(e)、图7(f)可知，Na-Cl-NO3和Na-SEC颗粒的日平均浓度均在午间出现峰值，夏季光照时间延长且强度高，11:00—17:00 时段为光化学反应集中的时间段。
Na-SEC与Na-Cl-NO3粒径分别集中在0.4~0.8 μm与0.5~0.8 μm(图6(e))，与LEV数浓度日均值呈显著相关(r=0.73)。有研究[30]表明，富钠类颗粒可能来自于机动车尾气、生物质燃烧和工业排放等排放源。由图13可知，Na-SEC与Na-Cl-NO3颗粒可能为监测点东北部生物质不完全燃烧产生的产物在传输过程中与二次组分发生反应后形成的。
5)重金属颗粒。重金属和生物质颗粒质谱图和极坐标图分别见图14和图15。重金属颗粒总占比为1.36%，正离子质谱图中出现比较明显的63Cu+、56Fe+、52Cr+、64Zn+、66Zn+、206Pb+、207Pb+、208 Pb+等重金属信号峰(图14(a))。质谱图中硝酸盐相对峰面积均超过0.3，而硫酸盐相对峰面积小于0.1。这是因为SO2需要水合化和氧化才具有酸性，而大气中的NOx更加容易与难溶的碱性物质发生反应[31]。HM颗粒粒径集中在0.5~0.9 μm。在质谱分析中，铁能够作为冶金工业源及燃煤源的标识，铅可视作钢铁工业、水泥工业及汽油车尾气排放源的标识信息，锰、钒等金属常在钢铁工业中用作冶金添加剂，也有研究表明，机动车排放源中含有较强的55Mn+、206Pb+、207Pb+、208 Pb+和磷酸盐[13,32]，且由图15(a)可见，HM颗粒主要由东北风传输贡献，由此推测，夏季监测点重金属类颗粒可能主要由工业工艺排放源、机动车排放源和扬尘源通过大气传输贡献。
6)生物质颗粒。生物质颗粒总占比为4.30%，其正离子质谱图中出现了K+及钾簇离子化合物(39K235Cl+、39K237Cl+)，负离子质谱图上出现了26CN－、42CNO－和左旋葡聚糖的典型代表离子(45C2H5O－、59C2H3O2－、73C3H5O2－)及二次离子(46,62NO3－和97HSO4－)信号峰。LEV颗粒一般来自于生物质燃烧产生的污染中，在陕西地区生物质是周边农村家庭的基本燃料，有研究模拟玉米秸杆和水稻秸秆的燃烧实验，发现生物质燃烧产生颗粒物的示踪粒子为左旋葡聚糖代表离子和钾簇离子[33]。LEV颗粒数日平均浓度在夜间(22:00—次日1:00)达到峰值(图7(e))，推测可能是由监测点东北和东南方向夜间生物质燃烧源和燃煤源贡献。
-
监测期间主要气团各类型颗粒物占比如图16所示。西安市夏季气团轨迹主要分为7类，轨迹1为来自重庆北部和陕西南部的短距离传输气团，占比为22.80%，平均颗粒数为970 个·h−1；轨迹2为来自北部蒙古国一带的远距离传输气团，经内蒙古、宁夏等地到达监测点；轨迹3主要气团来自东南偏东方向，属于回流气团，占比为20.42%；轨迹4起源于新疆北部，传输速度最快，通过河西走廊长距离输送至西安，占比为4.79%，平均颗粒数为600 个·h−1；轨迹5来自我国南部的海风气团，起源于南海，经广东、湖南、湖北、重庆等地到达西安，传输距离较长，出现频率为7.20%；轨迹6起源于陕西北部，短距离传输到达西安，占比为18.01%；轨迹7来自内蒙古巴丹吉林沙漠及毛乌素沙地，占比达到20.35%。
比较气团轨迹中各类颗粒的平均粒子数可以更好地认识他们的潜在来源，K-Rich平均颗粒数占比最大为40.49%±2.43%，HM平均颗粒数占比最低，为1.72%±0.61%。其中K-Rich颗粒由轨迹1与3传输来的平均颗粒数(389 个·h−1和369 个·h−1)较高，可能与夏季重庆北部、陕西南部及河南等地生物质燃烧有关，导致颗粒物中钾离子浓度上升。轨迹3传输来的EC类颗粒平均颗粒数最高，为277 个·h−1，推测河南地区对西安夏季南郊EC的贡献较大，受机动车的汽油和柴油尾气排放影响较重；OC颗粒由北方向的轨迹2传输来的平均颗粒数(155 个·h−1)较高，这与蒙古国以燃煤和生物质燃烧为主要能源供应方式有关，燃煤和生物质在燃烧过程中未完全燃烧和不充分燃烧是OC含量较高的主要原因，此外，由于蒙古国位于干旱且多风的草原地区，降水较少，导致大气中的尘土被扬尘风吹动，同时也带动了OC颗粒的传播。Dust类颗粒主要来自轨迹3和轨迹6的传输，平均颗粒数达到141 个·h−1，占比16.41%，说明河南西部和受黄土高原条件影响的陕西北部地区对监测点扬尘类颗粒贡献较大。LEV与Na-Rich颗粒在7个气团传输平均占比相对较低，分别为5.31%±1.68%和4.06%±0.83%，相比而言轨迹1传输来的数浓度最高，为监测点南部方向生物质燃烧源贡献。受南部海风气团长距离传输影响，经过发达城市及工业园区携带颗粒，且二次颗粒含量较高，此过程中受一次污染源（工业工艺源）和二次光化学反应的复合影响。
-
1)监测期间通过SPAMS观测的颗粒数日平均浓度与PM2.5质量浓度具有一定相关性，西安市夏季颗粒数日平均浓度为20 208 个·d−1、PM2.5平均质量浓度为(23.9±9.36) μg·(m3·d)−1，整体污染水平较低。利用SPAMS监测的颗粒数浓度数据在一定程度上可以反映当时当地的细颗粒物污染状况。
2)西安市南郊夏季大气环境中细颗粒物主要包括富钾类颗粒(37.41%)、碳质类颗粒(33.62%)、扬尘颗粒(13.23%)、富钠类颗粒(3.47%)、重金属颗粒(1.36%)及生物质颗粒(4.3%)6大类。EC-SEC与Dust-SEC在大粒径段(0.4~1.0 μm)分布较多，OC-SEC和ECOC-SEC在小粒径段占比较高；细颗粒物日变化特征明显，K-SEC、K-EC-SEC和ECOC-SEC颗粒含量在早晚交通高峰期间出现峰值，与夏季光化学反应促进PM2.5二次转化有关。
3)西安市夏季颗粒物污染主要受重庆北部、陕西南部和河南西部内陆短距离气团输送和内蒙古巴丹吉林沙漠、毛乌素沙地以及湖南一带远距离气团传输影响。源自重庆北部和陕西南部及河南等地气团中K-Rich和EC颗粒含量较高，与生物质燃烧源及机动车排放源有关；受黄土高原条件影响，起源于河南西部与陕西北部的气团中Dust颗粒贡献较大(16.41%)；来自西北方向内陆长距离气团中的OC颗粒数较高，与当地能源供方式有关。
西安南郊夏季颗粒物组成分类、理化特征及潜在来源
Composition classification, physicochemical characteristics and potential sources of particulate matter in the southern suburbs of Xi 'an in summer
-
摘要: 利用单颗粒气溶胶质谱仪(single particle aerosol mass spectrometer，SPAMS)，采用ART-2a自适应神经网格分类法和后向轨迹模型，探究西安市夏季颗粒物的组分特征、粒径分布和潜在来源。结果表明：监测期间SPAMS采样得到的颗粒数和PM2.5日平均浓度具有一定相关性(r=0.41，P<0.05)。根据颗粒物质谱特征相似度，将颗粒物分为6大类18小类：富钾类颗粒(K-EC、K-EC-SEC、K-NO3-PO3、K-NO3-SiO3、K-SEC，37.41%)、碳质颗粒(EC、EC-SEC、HEC、HEC-SEC、OC-SEC、ECOC-SEC、PAH-SEC，33.62%)、扬尘颗粒(Dust-HEC、Dust-SEC，13.23%)、富钠类颗粒(Na-Cl-NO3、Na-SEC，3.47%)、重金属(HM，1.36%)及生物质(LEV，4.30%)。K-SEC、K-EC-SEC、ECOC-SEC颗粒数浓度在早晚交通高峰期出现峰值，主要由机动车尾气排放贡献；HEC-SEC、EC-SEC、Na-Cl-NO3和Na-SEC颗粒数在午间出现峰值，发生非均相光化学反应加速其生成，HEC-SEC、EC-SEC粒径比HEC、EC较大；LEV颗粒数在夜间达到峰值，与生物质燃烧源和燃煤源有关。各气团轨迹中K-Rich和HM平均颗粒数占比分别最大(40.49%±2.43%)和最低(1.72%±0.61%)。来自重庆北部和河南西部的气团会带来高浓度的颗粒物污染，其中K-Rich和EC类颗粒含量较高，分别主要来自与生物质燃烧有关过程和一次污染源；来自蒙古国的气团轨迹颗粒数浓度较低，含有较多的OC颗粒，与其以燃煤和生物质燃烧为主要能源供应方式有关。SPAMS测定的颗粒数浓度可以反映当地细颗粒物污染状况，6类颗粒中绝大部分包含NO2−、NO3−、SO4−等二次离子组分，NO2−、NO3−由氮氧化物在大气中经过光化学反应和氧化反应与其他气态物质结合生成，SO4−由二氧化硫在大气中与氧气反应，并在气溶胶水滴中转化成硫酸盐，表明采集到的颗粒物大都经历了不同的老化，或与二次组分进行了不同程度的混合。西安市夏季颗粒物受本地排放和河南、内蒙古、新疆、重庆及湖南等地外来传输影响。Abstract: The composition characteristics, particle size distributions, and potential sources of particulate matter of Xi'an city in summer were investigated using a single particle aerosol mass spectrometer (SPAMS), the ART-2a adaptive neural network classification method and backward trajectory model. Results showed that there was a certain correlation (r=0.41, P<0.05) between the number of particles and the daily average concentration of PM2.5 during the monitoring period. According to the similarity of particle mass spectrometry characteristics, particles were divided into 6 major categories and 18 subcategories, namely 37.41% of potassium rich particles (K-EC, K-EC-SEC, K-NO3-PO3, K-NO3-SiO3, K-SEC), 33.62% of carbonaceous particles (EC, EC-SEC, HEC, HEC-SEC, OC-SEC, ECOC-SEC, PAH-SEC), 13.23% of dust particles (Dust-HEC, Dust-SEC), 3.47% of sodium rich particles (Na-Cl-NO3, Na-SEC), 1.36% of heavy metals (HM), and 4.30% of biomass (LEV). The particles including K-SEC, K-EC-SEC and ECOC-SEC were mainly contributed by motor vehicle exhaust emissions, and their concentrations achieved peak during morning and evening traffic rush periods; The HEC-SEC, EC-SEC, Na-Cl-NO3, and Na-SEC particles were accelerated by heterogeneous photochemical reactions, which number achieved peak at noon, and the particle sizes of HEC-SEC and EC-SEC were larger than those of HEC and EC; the LEV particle was related to biomass combustion and coal-fired sources, which number reached its peak at night. The average particle proportion of the K-Rich was the highest (40.49%±2.43%) and that of the HM was the lowest (1.72%±0.61%) in each air mass trajectory, respectively. High concentrations of particulate matter pollution referring to K-Rich and EC type particles were produced by the air masses from northern Chongqing and western Henan, which mainly derived from biomass combustion and primary pollution sources. The particle concentrations in the trajectory of air masses from Outer Mongolia were relatively low, which contained more OC particles due to their energy supply of mainly coal and biomass combustion. This study indicated that the particles measured by SPAMS reflected the pollution situation of fine particulate matter in Xi’an. Six types of particles contained secondary ion components such as NO2−, NO3−, SO4−, NO2− and NO3− formed by the combination of nitrogen oxides with other gaseous substances through photochemical reaction and oxidation reaction in the atmosphere, while SO4− formed by the reaction of sulfur dioxide with oxygen in the atmosphere and was converted into sulfate in aerosol droplets. The results indicated that most of the particles have undergone different degrees of aging or which have been mixed with secondary components to some degrees. The summer particulate matter in Xi'an is influenced by both local emission and external transport from Henan, Inner Mongolia, Xinjiang, Chongqing, and Hunan.
-
-
图 1 颗粒物日平均浓度与PM2.5日平均浓度关系
Figure 1. Relationship between the daily mean concentration of particulate
图 2 颗粒物浓度与气象条件相关性
Figure 2. Correlation between particulate matter concentration matter and the daily mean concentration of PM2.5 and meteorological conditions
图 3 相对湿度对PM2.5浓度与边界层高度的影响
Figure 3. Effect of relative humidity on PM2.5 concentration and boundary layer height
图 15 重金属和生物质颗粒极坐标信息
Figure 15. Polar coordinate information of heavy metals and biomass particles
图 16 夏季主要气团颗粒物占比特征
Figure 16. Characteristics of the proportion of particulate matter in major air masses in summer
表 1 ART-2a聚类后各颗粒类型信息
Table 1. Information of particle types after ART-2a clustering
颗粒物
类型单颗粒
类别颗粒数
/个颗粒数
占比/%可能来源 颗粒物
类型单颗粒
类别颗粒数
/个颗粒数
占比/%可能来源 K-Rich K-EC 643 0.02 机动车排放源[18] C-Rich EC 8 861 0.36 机动车排放源 K-EC-SEC 27 0846 10.89 机动车排放源、二次源 EC-SEC 497 388 20.01 机动车排放源、燃煤源 K-NO3-PO3 12 976 0.52 扬尘源 HEC 12 734 0.51 机动车排放源 K-NO3-SiO3 9 831 0.39 扬尘源 HEC-SEC 13 774 0.55 机动车排放源、二次源 K-SEC 636 328 25.59% 生物质燃烧源、二次源 OC-SEC 148 965 5.99 工业源[19]、二次源 Dust Dust-HEC 2 157 0.08 机动车排放源 ECOC-SEC 114 454 4.60 机动车排放源、二次源 Dust-SEC 326 930 13.15 扬尘源 PAH-SEC 39 803 1.60 机动车排放源 Na-Rich Na-Cl-NO3 7 317 0.29 生物质燃烧源 重金属 HM 33 951 1.36 工业排放源 Na-SEC 79 010 3.18 生物质燃烧源、二次源 生物质 LEV 107 013 4.30 生物质燃烧源 
下载: 导出CSV
-
[1] ZHANG R Y, WANG G H, GUO S, et al. Formation of urban fine particulate matter[J]. Chemical Reviews, 2015, 115(10): 3803-3855. doi: 10.1021/acs.chemrev.5b00067 [2] KATRE H K , BERTIL F , JOHAN S N . Increase in sick leave episodes from short-term fine particulate matter exposure: A case-crossover study in stockholm, sweden[J]. Environmental Research, 2024, 244117950-. [3] 李琪琪, 邓瑾璇, 李光华, 等. 关中城市群二次PM2.5与O3协同影响特征分析[J]. 环境科学学报, 2024, 44(01): 62-73. [4] XU H F, CHEN L H, CHEN J S, et al. Unexpected rise of atmospheric secondary aerosols from biomass burning during the COVID-19 lockdown period in Hangzhou, China[J]. Atmospheric Environment, 2022, 278: 119076-119076. doi: 10.1016/j.atmosenv.2022.119076 [5] CHEN Y. Characterization, mixing state, and evolution of urban single particles in Xi'an (China) during wintertime haze days[J]. Science of the Total Environment, 2016, 573: 937-945. doi: 10.1016/j.scitotenv.2016.08.151 [6] 周静博, 任毅斌, 洪纲, 等. 利用SPAMS研究石家庄市冬季连续灰霾天气的污染特征及成因[J]. 环境科学, 2015, 36(11): 3972-3980. [7] ZHANG G, BI X, LI L, et al. Mixing state of individual submicron carbon-containing particles during spring and fall seasons in urban Guangzhou, China: A case study[J]. Atmospheric Chemistry and Physics, 2013, 13(9): 4723-4735. doi: 10.5194/acp-13-4723-2013 [8] SU B J, ZHANG G H, ZHUO Z M, et al. Different characteristics of individual particles from light-duty diesel vehicle at the launching and idling state by AAC-SPAMS[J]. Journal of Hazardous Materials, 2021, 418(15): 126304.1-126304.9. [9] LI K N. Source apportionment of ambient aerosols during a winter pollution episode in yinchuan by using single-particle mass spectrometry[J]. Atmosphere, 2022, 13(8): 1174-1174. doi: 10.3390/atmos13081174 [10] SONG Y, ZHANG Y H, XIE S D, et al. Source apportionment of PM2.5 in Beijing by positive matrix factorization[J]. Atmospheric Environment, 2006, 40: 1526-1537. doi: 10.1016/j.atmosenv.2005.10.039 [11] CHEN W W, ZHANG M D, LIU W, et al. Real-Time source apportionment of PM2.5 highlights the importance of joint controls on atmospheric pollution in cold region of China[J]. Remote Sensing, 2022, 14(15): 3770-3770. doi: 10.3390/rs14153770 [12] 闫世明, 王雁, 郭伟, 等. 太原市秋冬季大气污染特征和输送路径及潜在源区分析[J]. 环境科学, 2019, 40(11): 4801-4809. [13] 杨燕萍, 陈强, 王莉娜, 等. 西北工业城市冬季PM2.5污染特征及理化性质[J]. 环境科学, 2020, 41(12): 5267-75. [14] WANG Z Q, LIU J J. Spring-time PM2.5 elemental analysis and polycyclic aromatic hydrocarbons measurement in high-rise residential buildings in Chongqing and Xian, China[J]. Energy and Buildings, 2018, 173: 623-633. doi: 10.1016/j.enbuild.2018.06.003 [15] 闫璐璐, 刘焕武, 黄学敏, 等. 利用SPAMS研究西安市重污染天气细颗粒物污染特征及来源[J]. 环境科学研究, 2018, 31(11): 1841-1848. [16] YANG F, TAN J, ZHAO Q, et al. Characteristics of PM2.5 speciation in representative megacities and across China[J]. Atmospheric Chemistry and Physics, 2011, 11(11): 5207-5219. doi: 10.5194/acp-11-5207-2011 [17] KE L, LIU W, WANG Y, et al. Comparison of PM2.5 source apportionment using positive matrix factorization and molecular marker-based chemical mass balance[J]. Science of the total environment, 2008, 394: 290-302. doi: 10.1016/j.scitotenv.2008.01.030 [18] HEALY R M, SCIARE J, POULAIN L, et al. Sources and mixing state of size-resolved elemental carbon particles in a European megacity: Paris[J]. Atmospheric Chemistry and Physics, 2012, 12(4): 1681-1700. doi: 10.5194/acp-12-1681-2012 [19] CHEN L Y, ZHANG J K, HUANG X J, et al. Characteristics and pollution formation mechanism of atmospheric fine particles in the megacity of Chengdu, China[J]. Atmospheric Research, 2022, 273: 106172. doi: 10.1016/j.atmosres.2022.106172 [20] 马乾坤, 成春雷, 李梅, 等. 鹤山气溶胶光学性质和单颗粒化学组分的研究[J]. 中国环境科学, 2019, 39(7): 2710-2720. [21] ZHANG G, BI X, CHAN L Y, et al. Size-segregated chemical characteristics of aerosol during haze in an urban area of the Pearl River Delta region, China[J]. Urban Climate, 2013, 4: 74-84. doi: 10.1016/j.uclim.2013.05.002 [22] SPENCER M T, PRATHER K A. Using ATOFMS to Determine OC/EC Mass Fractions in Particles[J]. Aerosol Science and Technology, 2006, 40(8): 585-594. doi: 10.1080/02786820600729138 [23] 曹力媛. 基于SPAMS的太原市典型生活区停暖前后PM2.5来源及组成[J]. 环境科学研究, 2017, 30(10): 1524-1532. [24] 蒋斌, 陈多宏, 王伯光, 等. 鹤山大气超级站旱季单颗粒气溶胶化学特征研究[J]. 中国环境科学, 2016, 36(3): 670-678. [25] LUO J Q, HUANG X J, ZHANG J K, et al. Characterization of aerosol particles during the most polluted season (winter) in urban Chengdu (China) by single-particle analysis[J]. Environmental science and pollution research international, 2019, 26(17): 17685-17695. doi: 10.1007/s11356-019-05156-4 [26] 温杰, 史旭荣, 田瑛泽, 等. 利用SPAMS研究天津市夏季环境空气中细颗粒物化学组成特征[J]. 环境科学, 2018, 39(8): 3492-3501. [27] 卞逸舒, 银燕, 王红磊, 等. 黄山秋季大气颗粒物理化特性[J]. 环境科学, 2020, 41(3): 1056-1066. [28] DENG W, FANG Z, WANG Z Y, et al. Primary emissions and secondary organic aerosol formation from in-use diesel vehicle exhaust: Comparison between idling and cruise mode[J]. Science of the Total Environment, 2020, 699: 134357. doi: 10.1016/j.scitotenv.2019.134357 [29] 曹宁, 黄学敏, 祝颖, 等. 西安冬季重污染过程PM2.5理化特征及来源解析[J]. 中国环境科学, 2019, 39(1): 32-39. doi: 10.3969/j.issn.1000-6923.2019.01.004 [30] LI L, LI M, HUANG Z, et al. Ambient particle characterization by single particle aerosol mass spectrometry in an urban area of Beijing[J]. Atmospheric Environment, 2014, 94: 323-331. doi: 10.1016/j.atmosenv.2014.03.048 [31] LIU L, WANG Y, DU S, et al. Characteristics of atmospheric single particles during haze periods in a typical urban area of Beijing: A case study in october, 2014[J]. Journal of Environmental Sciences, 2016, 40: 145-153. doi: 10.1016/j.jes.2015.10.027 [32] 谢瑞加, 侯红霞, 陈永山. 烟花爆竹集中燃放的大气细颗粒物(PM2.5)成分图谱[J]. 环境科学, 2018, 39(4): 1484-1492. -
点击查看大图
图( 16) 表( 1)
计量
- 文章访问数: 297
- HTML全文浏览数: 297
- PDF下载数: 11
- 施引文献: 0
