下载:
-
在过去的数十年里，由于社会经济的迅速发展，我国对能源的需求日益增长，使得许多地区的霾事件频繁发生，这与高浓度的细颗粒物PM2.5密切相关[1-3]. 因为PM2.5质量和粒径较小，可以在大气中长期滞留和远距离输送，而且其比表面积大，容易吸附重金属、微生物等有毒有害物质，因此PM2.5对气候效应、大气环境和人体健康都有重要影响[4-6]. 水溶性无机离子是PM2.5的主要成分，其对大气气溶胶的酸碱度和成核、云滴增长起到了重要的作用[7-11]，而二次无机气溶胶
${\rm{SO}}_4^{2-} $ 、${\rm{NO}}_3^{-} $ 和NH4+（SNA）在水溶性无机离子中占比较高. SNA一般来自二次转化，SO2、NO2转化为${\rm{SO}}_4^{2-} $ 、${\rm{NO}}_3^{-} $ 的过程会受温度、湿度等气象因素变化的影响[12-14].长三角地区是中国经济带的核心区域，其城市密度大、工业发达但却人为污染严重且PM2.5超标频发[15-16]. 南京作为长三角地区的中心城市，相对湿度非常高，为70.43% ± 21.40%，全年平均温度达到（17.33 ± 9.50） ℃[17]，其独特的地理环境和湿润温暖的气象条件，使得南京的大气污染问题不可忽视. 根据江苏省生态环境状况公报的数据显示（http://sthjt.jiangsu.gov.cn/col/col83740/index.html），2015年至2016年南京市的PM2.5年均浓度均未达到环境空气质量二级标准，且冬春季重霾天频发，为了对南京地区大气细颗粒物污染进行有效的治理，需要了解大气细颗粒物的化学组分、污染物的来源和各个污染源对PM2.5的贡献，以便对长三角地区的空气质量和环境变化进行分析.
已有的研究主要探讨了PM2.5的浓度变化、化学组分以及来源解析，但在南京地区同时用正定矩阵因子分析模型（PMF）和潜在源贡献因子法（PSCF）分析PM2.5中不同化学成分以及其污染贡献的研究比较少. 本文以南京的PM2.5和水溶性无机离子（
${\rm{NO}}_3^{-} $ 、${\rm{SO}}_4^{2-} $ 、${\rm{NH}}_4^{+} $ 、Cl－、K+、Mg2+、Ca2+、Na+）为研究对象，探讨了不同PM2.5浓度水平下水溶性无机离子的污染特征及形成机制，对大气污染物二次转化的机理进行了深入的研究，运用正交矩阵因子（PMF）源解析模型，得出主要污染源及其贡献率，并基于气团传输特征，采用潜在源贡献因子法（PSCF）和浓度权重轨迹法（CWT），定性和定量地识别了二次无机气溶胶的潜在源区以及污染贡献，为南京大气污染防治提供了科学的参考. -
观测点位于南京信息工程大学图书馆楼顶（NUIST，32.1 °N，118.5 °E），其东面为宁六公路, 紧靠扬子石化、南铁集团等大型化工企业，西北两侧为居民区和农田. 观测结果一定程度上可代表南京的大气污染水平. 观测时间为 2015年12月—2016年4月.
-
大气颗粒物采样用大流量采样器（TH - 1000H，武汉天虹）,采样流量为1.05 m3·min−1. 每天使用石英滤膜（203 mm × 254 mm，Munktell，瑞典）收集样品，连续24 h采集，排除无效数据后，共获得PM2.5样品75个. 石英滤膜在采样前需置于马弗炉中450 ℃烘烤2 h，采样后对其称量并置于密封袋中保存，通过采样前后的石英膜质量差得出PM2.5的质量浓度.
PM2.5中的8种水溶性无机离子（
${\rm{NO}}_3^{-} $ 、${\rm{SO}}_4^{2-} $ 、${\rm{NH}}_4^{+} $ 、Cl－、K+、Mg2+、Ca2+、Na+）使用ICS-3000和ICS-2000型离子色谱仪（Dinoex，美国）进行测定,各离子的检出限均低于0.015 μg·m−3.碳质组分（OC、EC）使用Model 2001A热/光碳分析仪进行测定，首先在纯氦气条件下加热升温，测得OC1、OC2、OC3和OC4，然后在氦气和氧气体积比为49:1的条件下继续升温，测得EC1、EC2和EC3. 使用633 nm的氦-氖激光对样品进行全程照射，准确界定出裂解碳（OPC），最终把OC定义为OC1 + OC2 + OC3 + OC4 + OPC，EC定义EC1 + EC2 + EC3－OPC.
气象数据（风速、风向、温度和相对湿度）来自南京信息工程大学观测基地自动气象站. 污染物（NO2、SO2和O3）的浓度从南京浦口区的环境监测站获得，该地距离采样点约15 km.
-
正定矩阵因子分析模型（PMF）是一种比较成熟的大气污染物受体模型源解析方法，该模型的原理是将大气污染物组分的数据矩阵X（n × m）分解为源贡献矩阵G（n × p）和源成分谱矩阵F（p × m）以及一个残差矩阵E（n × m），n为样品数，m为污染物组分，p为主要污染源的个数，这些矩阵的表达式如公式 （1）:
其中：
$ {X}_{ij} $ 表示i样品中j组分的浓度；$ {G}_{ik} $ 是第k个源对第i个样品的相对贡献；$ {F}_{kj} $ 是第k个排放源中ｊ组分的含量；通过构造目标函数（Q）最小化的解，并使用最小二乘法对F和G进行迭代求解，最终得到了大气污染物中的主要污染源及其贡献率[18-19]，计算公式如式（2）：
式中，
$ {U}_{ij} $ 为第i个大气污染物样品中第j个大气污染物组分数据的标准偏差或不确定性值（Uncertainty）. -
HYSPLIT模型由美国国家海洋与大气管理局（NOAA）开发，用于模拟和分析气流的运动、沉积和扩散，现已广泛用于研究大气污染物的传输和来源分析[9, 20-22]. 在本研究的后向轨迹计算中，将NUIST（32.1 °N，118.5 °E）设定为起点，利用 HYSPLIT模型计算了观测期间距离地面100 m高度的72 h后向轨迹，对气流轨迹进行聚类分析，并统计分析了每种轨迹对应的污染物浓度特征，设置水平分辨率为0.5°×0.5°.
-
PSCF分析法用于确定研究区域污染物的来源[23]，该方法将研究区域网格化，为研究对象设定阈值，把超出阈值的轨迹作为污染轨迹，PSCF值定义为通过网格ij的污染轨迹数（mij）与轨迹总数（nij）的比值，即：
为了对污染贡献进行定量计算，本研究进一步采用CWT分析法来确定不同地区的相对贡献[24]，在计算 CWT 值时，本研究采用了与PSCF分析法相同的权重函数.
-
图1展示了观测期间大气PM2.5及其离子组分浓度，在此期间大气PM2.5的质量浓度在27.97—297.05 μg·m−3之间，平均值为（94.26 ± 49.98） μg·m−3，和最近的南京浦口区环境监测站观测结果的日平均浓度变化特征基本一致[25]. 我们根据《环境空气质量指数（AQI）技术规定（试行）》（HJ633-2012）（
https://www.mee.gov.cn/ywgz/fgbz/bz/bzwb/jcffbz/201203/t20120302_224166.shtml ），将气溶胶样品分为3类，即清洁大气时期（clean, PM2.5 ≤ 75 μg·m−3）、轻度污染时期（slightly polluted, 75 < PM2.5 ≤ 115 μg·m−3）和中-重度污染时期（polluted, PM2.5 > 115 μg·m−3）. 其中，3个时期依次有34、 19 、22 d，PM2.5的平均质量浓度分别为53.57、94.94、156.57 μg·m−3. 整个观测期内，水溶性无机离子的平均浓度为（69.96 ± 42.04） μg·m−3，占PM2.5质量浓度的73%.${\rm{SO}}_4^{2-} $ 、${\rm{NO}}_3^{-} $ 和${\rm{NH}}_4^{+} $ （SNA）是PM2.5的主要离子组分，占其质量浓度的25%、21%和17%，其次是 Cl－（8%）和K+（2%），Mg2+、Ca2+和 Na+等离子对PM2.5的贡献不到1%.在观测期间，清洁大气时期和中-重度污染时期水溶性无机离子的平均质量浓度分别为37.81 μg·m−3和118.05 μg·m−3，与PM2.5的比值从清洁天的70%上升到严重灰霾天的75%. 图2（a）展示了不同污染水平下水溶性无机离子的绝对浓度，结果表明随着PM2.5浓度的增加，大多数离子的绝对浓度都有明显的增加.
${\rm{SO}}_4^{2-} $ 、${\rm{NO}}_3^{-} $ 和${\rm{NH}}_4^{+} $ 在中-重度污染时期的浓度与清洁时期的浓度质量比分别为3.25、3.29和3.03，远高于Cl－（1.93）、Mg2+（1.35）、K+（1.23）、Na+（1.03）和Ca2+（0.93），图2（b）为不同PM2.5水平下各离子对水溶性无机离子质量浓度的相对贡献，在PM2.5浓度水平较高时，SNA（${\rm{SO}}_4^{2-} $ +${\rm{NO}}_3^{-} $ +${\rm{NH}}_4^{+} $ ）的浓度显著增加，其相对丰度在不同时期都有增加，而其余离子（如Cl－、K+、Ca2+、Mg2+和Na+）对水溶性无机离子的贡献在污染加重过程中降低. 这个结果表明，SNA是灰霾污染发生时大气PM2.5浓度的主要贡献组分. -
为了研究在不同污染水平下二次无机气溶胶的生成，本文采用
${\rm{SO}}_4^{2-} $ /EC和${\rm{NO}}_3^{-} $ /EC的比率来讨论PM2.5中的${\rm{SO}}_4^{2-} $ 和${\rm{NO}}_3^{-} $ 的二次生成，目的是避免大气物理过程中（稀释/混合作用）对所观测到的污染物浓度变化的影响[26].用硫氧化率（SOR）和氮氧化率（NOR）来表示SO2和NO2向
${\rm{SO}}_4^{2-} $ 和NO3－的转化程度，作为二次转化的指标，其计算公式如（4、5）：图3表明，在清洁大气时期，PM2.5中
${\rm{SO}}_4^{2-} $ /EC和${\rm{NO}}_3^{-} $ /EC分别为4.86和5.22，轻度污染时期分别为5.23和6.13，中-重度污染时期分别为7.32和7.96，随着污染程度加深，PM2.5中${\rm{SO}}_4^{2-} $ /EC和${\rm{NO}}_3^{-} $ /EC均呈现出上升趋势，虽然两者变化趋势相同，但${\rm{NO}}_3^{-} $ /EC均高于${\rm{SO}}_4^{2-} $ /EC 的值，说明在中-重度污染时化学生成作用有所增强，${\rm{NO}}_3^{-} $ 的生成量更多. 从清洁大气时期到中-重度污染时期，PM2.5中 SOR、NOR 均呈上升趋势，SOR和NOR在中-重度污染时期为0.55和0.38，与清洁大气时期相比，SOR和NOR增加了152%和160%，说明在污染天SO2和NO2的转化速率高. 图3（d）是在不同污染水平下${\rm{SO}}_4^{2-} $ 、SO2、${\rm{NO}}_3^{-} $ 、NO2的平均质量浓度比（不同污染水平下各化学成分的平均质量浓度与其在清洁大气时期平均质量浓度的比值）. 从图3可以看到，${\rm{SO}}_4^{2-} $ 和${\rm{NO}}_3^{-} $ 浓度的增加比其气体前体物更显著，随着污染程度的加深，中-重度污染时期的${\rm{SO}}_4^{2-} $ 和${\rm{NO}}_3^{-} $ 浓度是清洁大气时期的3.13倍和3.32倍，而SO2和NO2浓度仅为1.45倍和1.58倍. 这些结果进一步表明，在严重霾天气期间，SO2和NO2的二次转化增强，尤其是${\rm{NO}}_3^{-} $ 大量生成. 大气中氮排放高于硫排放，与近年来机动车保有量增加有关.此外，气象条件对严重灰霾期间硫和氮的氧化率升高具有重要的影响，因为之前的研究表明，随着灰霾的演变和积累，SOR和NOR的增加意味着SO2和NO2向相应颗粒相的转化增强[27]. 这种气相和颗粒相之间的平衡受到环境温度和相对湿度的强烈影响. 因此，需要更详细地研究气象参数，尤其是相对湿度（RH）和温度（T）对南京二次无机气溶胶的影响.
观测期间SOR和NOR 随RH和T的变化情况如图4所示，SOR和NOR的值在相对干燥（RH < 50%）、高温（T > 8 ℃）的情况下基本维持不变，但是在RH > 50%且T < 8 ℃时，SOR和NOR随RH的升高和T的降低而增大，表明在较高湿度和较低环境温度时有利于气态前体物SO2和NO2转化为
${\rm{SO}}_4^{2-} $ 和${\rm{NO}}_3^{-} $ .出现这一结果的原因可能是在高湿低温的环境中，较高的水汽含量使得SO2在颗粒物表面溶解，有利于通过液相氧化形成
${\rm{SO}}_4^{2-} $ ，同时，在低温条件下前体物SO2浓度较高，有利于二次转化的进行[28]. 对于NOR，当在高相对湿度和低温的条件下时，大部分NO2通过非均相反应转化为硝酸盐颗粒. 潮湿条件有利于非均相反应发生形成HNO3，进而与NH3中和形成硝酸盐，这表明高湿度条件对非均相反应存在重要贡献，温度会影响硝酸铵颗粒形成过程中气-粒分配的平衡，温度较低时会使得平衡向正反应方向进行，有利于硝酸铵颗粒的生成，而在较高温度下则有利于颗粒态转化为气态[25]. 因此低温和高湿条件是硝酸盐颗粒生成的有利条件. -
PMF 运行结果中不同因子的源成分谱在图5中展示，图中各因子的占比及成分谱为模型运行20次后的最优结果，通过分析各因子中不同组分占比判断该因子的组分特征，进而判定该因子的污染源类型，同时可获得该因子的贡献率.
如图5（a）中，Na+贡献占比最高，为75.1%，Na+的来源广泛，但海盐是其重要来源. 水溶性无机离子不仅会来自本地源，也会受外来气团输送的影响[29]，从图6可观察到在对南京做后向轨迹分析时有50%以上的气团轨迹途径海洋，故Na+应该来自海盐、远距离输送的海洋气溶胶，因此该因子为海洋源；图5（b）中K+、Cl－、OC和EC贡献显著，分别占79.6%、57.1%、41.1%和48.6%，其中K+和Cl－是生物质燃烧的标志，OC和EC与生物质燃烧相关，该因子可代表生物质燃烧源；图5（c）中Mg2+和Ca2+贡献较高，为54.8%和62.9%，由于通常把两者看成是扬尘的示踪物，因此该因子为扬尘源；图5（d）中
${\rm{NO}}_3^{-} $ 、${\rm{SO}}_4^{2-} $ 和${\rm{NH}}_4^{+} $ 的贡献最高，分别为67.5%、66.3%和71.9%，这3种离子是典型的二次污染物，且二次离子转化是南京PM2.5污染的主要成因，所以认为该因子为二次源.图7为水溶性无机离子的来源贡献占比，其中二次源对PM2.5中水溶性无机离子贡献最主要，占56.6%，其次是扬尘源（17%），生物质燃烧源（16.3%）和海洋源（10.1%）. PMF的研究结果进一步证实，二次无机气溶胶是PM2.5最重要的组成部分.
-
为了研究观测期间南京的后向轨迹中离子浓度的变化特征，本研究模拟了经过南京上空气团的72 h后向轨迹，并进行聚类分析得到4组主要轨迹，结果如图6所示. 轨迹1途经黄海、渤海海域，占总气团的 51.89%，气团中污染物平均质量浓度仅高于轨迹2，其相应的污染物浓度也较低，这与该气团从海洋上空经过，海洋对污染物的稀释作用有关. 轨迹2主要来源于西伯利亚地区，因受冷空气影响，同时由于气流轨迹较长且风速较大，其相对应的污染物浓度是最低的；轨迹3途径西南地区，其所占的比例最少，仅为1.89%；轨迹4来自西北内陆地区，途径湖北北部和安徽中部，携带了最高的PM2.5浓度，占总气团的18.87%. 虽然轨迹来源的方向各有不同，但在所有聚类的轨迹中SNA占比均为最高.
接下来进一步确定这一时期南京二次组分的潜在污染源区域及贡献，本文对
${\rm{NO}}_3^{-} $ 、${\rm{SO}}_4^{2-} $ 和${\rm{NH}}_4^{+} $ 这3种成分进行了PSCF及CWT分析（图8）.在观测期间，SNA的潜在源区的分布类似，CWT分布略有不同. 南京
${\rm{NO}}_3^{-} $ 的CWT高值主要出现在江苏东南部和安徽中部一带，还有少量来自山东区域传输，而${\rm{NO}}_3^{-} $ 主要来自车辆尾气的排放和燃料燃烧[30]，说明了这些地区的交通和人类活动对南京的污染积累有一定的影响.${\rm{SO}}_4^{2-} $ 的PSCF分布与${\rm{NO}}_3^{-} $ 相似，但CWT高值区较${\rm{NO}}_3^{-} $ 小. PM2.5和${\rm{SO}}_4^{2-} $ 在冬季较高，这主要是由于江苏省是长三角地区SO2排放的主要省份，冬季气温低使得电力和室内供暖的燃煤量增加[31]. 因此，在南京的${\rm{SO}}_4^{2-} $ 主要来自附近工业区的燃煤或通过长途输送从北方来的.${\rm{NH}}_4^{+} $ 不仅会来自农业活动，例如使用含氮肥料[32]，还会来源于工业活动和生物质燃烧[33]，其PSCF分布主要集中在江苏省，部分在山东北部和安徽东部.${\rm{NH}}_4^{+} $ 的CWT权重浓度较低，集中在 4—20 μg·m−3，而${\rm{NO}}_3^{-} $ 和${\rm{SO}}_4^{2-} $ 的CWT峰值超过24 μg·m−3. 此外值得注意的是，在江苏与安徽交界地区${\rm{NO}}_3^{-} $ 的CWT高值区范围较${\rm{SO}}_4^{2-} $ 大. 表明${\rm{NO}}_3^{-}{\boldsymbol{}} $ 分布比例在二次组分中最高，机动车尾气排放和燃料燃烧是污染期间的主要潜在来源. -
（1）南京观测期间的PM2.5的平均质量浓度为（94.26 ± 49.98） μg·m−3，超出国家空气质量日均值二级标准，其中，水溶性无机离子占比为73%，随着大气污染程度的增加，SNA的占比也随之升高，相反在高浓度 PM2.5中其余离子所占比例呈现下降的趋势.
（2）在观测期间，高相对湿度（RH > 50%）和低温（T < 8 ℃）的条件有利于提高二次无机气溶胶的生成速率，进一步加深 PM2.5污染的程度，并显著增加了SNA在中-重度污染时期中的比重. 即SNA的快速增加是造成严重污染的主要因素，并且对PM2.5的贡献也会随着污染程度的加深而增加. 其中，在中-重度污染时期，
${\rm{NO}}_3^{-} $ 大量生成，且所占比重明显高于${\rm{SO}}_4^{2-} $ .（3）基于南京PM2.5中水溶性无机离子的源解析表明，二次转化、生物质燃烧、海洋源和扬尘源是主要的排放源，其中二次转化源对南京水溶性无机离子的贡献最大. 因此，为了降低南京PM2.5的污染程度，需要对NO2、SO2及NH3等气态前体物进行有效的控制.
（4）后向轨迹结果显示，在所有聚类的轨迹中SNA占比均为最高，故对其进行了PSCF和CWT分析. 在观测期间，潜在源贡献分析表明
${\rm{NO}}_3^{-} $ 主要集中在江苏省；${\rm{SO}}_4^{2-} $ 主要来自附近工业区燃煤产生的硫的直接排放和来自北方的远距离输送；${\rm{NH}}_4^{+} $ 主要来源于江苏和山东北部等地的农业活动、工业活动及生物质燃烧.${\rm{NH}}_4^{+} $ 的权重浓度低，${\rm{NO}}_3^{-} $ 和${\rm{SO}}_4^{2-} $ 的CWT峰值超过24 μg·m−3，且${\rm{NO}}_3^{-} $ 的CWT高值区范围较${\rm{SO}}_4^{2-} $ 大，表明${\rm{NO}}_3^{-} $ 的分布比例在二次组分中最高，机动车尾气排放和燃料燃烧是观测期间的主要潜在来源.
基于二次无机气溶胶研究南京冬春季霾污染过程的形成特征和来源解析
Formation characteristics and source analysis of haze pollution process during winter and spring in Nanjing based on secondary inorganic aerosol
-
摘要: 为研究南京细颗粒物PM2.5中水溶性无机离子的污染特征、来源及其潜在源区贡献，本文于2015年12月—2016年4月采集PM2.5样品，并测定了8种水溶性无机离子(
${\rm{NO}}_3^{-} $ 、${\rm{SO}}_4^{2-} $ 、${\rm{NH}}_4^{+} $ 、Cl－、K+、Mg2+、Ca2+、Na+)的浓度，运用正定矩阵因子(PMF)源解析探究PM2.5来源，结合后向轨迹模型(HYSPLIT)、潜在源区分析法(PSCF)和浓度权重轨迹分析法(CWT)，确定了相应组分的潜在污染源区域，并对污染贡献进行定量计算. 结果显示，在不同污染水平下，${\rm{SO}}_4^{2-} $ 、${\rm{NO}}_3^{-} $ 和${\rm{NH}}_4^{+} $ (SNA)均为 PM2.5的主要成分，在高相对湿度(RH >50%)和低温(T <8 ℃)的条件有利于提高二次无机气溶胶的生成速率. PMF源解析发现二次转化源的贡献最显著，其次是扬尘源、生物质燃烧源和海洋源. SNA的潜在源区分布类似，但${\rm{NO}}_3^{-} $ 的CWT峰值超过24 μg·m−3，且CWT高值区范围较大，这进一步表明在观测期间汽车尾气排放和燃料燃烧是主要的潜在来源.Abstract: In order to analyze the pollution characteristics, sources and potential contribution of water-soluble inorganic ions in fine particulate matter PM2.5 in Nanjing, PM2.5 samples were collected from December 2015 to April 2016, and the concentrations of eight water-soluble inorganic ions (${\rm{NO}}_3^{-} $ 、${\rm{SO}}_4^{2-} $ 、${\rm{NH}}_4^{+} $ 、Cl－、K+、Mg2+、Ca2+、Na+) were measured. Positive matrix factorization (PMF) method was used to explore the source of PM2.5, combined with Backward trajectory model (HYSPLIT), the potential source contribution function (PSCF) analysis and the concentration weighted trajectory (CWT) analysis, the potential source area of each component was determined, and the pollution contribution was calculated quantitatively. The results showed that under different pollution levels,${\rm{SO}}_4^{2-} $ ,${\rm{NO}}_3^{-} $ and${\rm{NH}}_4^{+} $ (SNA) were the main components of PM2.5, and high relative humidity (RH > 50%) and low temperature (T < 8 ℃) were conducive to improving the generation rate of secondary inorganic aerosols. PMF source analysis found that secondary conversion sources contributed the most significantly, followed by dust sources, biomass burning sources and Marine sources. The distribution of potential source regions of SNA is similar, but the peak values of CWT of${\rm{NO}}_3^{-} $ was over 24 μg·m−3, and the range of high value of CWT was large, which further indicated that vehicle exhaust emissions and fuel combustion were the main potential sources during the observation period. -
-
图 1 观测期间南京大气PM2.5及其离子变化特征
Figure 1. Variation characteristics of atmospheric PM2.5 and its ions in Nanjing during the observation period
图 2 不同PM2.5水平下水溶性无机离子组分浓度（a）和相对丰度（b）
Figure 2. Concentration （a） and Fraction （b） of water-soluble inorganic ions in different PM2.5 levels
图 3 不同污染水平下（a）
${\rm{SO}}_4^{2-} $ /EC，${\rm{NO}}_3^{-} $ /EC, （b）SO2，NO2, （c）SOR和NOR的变化特征，以及（d）与清洁大气时期的平均质量浓度对比Figure 3. Characteristics of （a）
${\rm{SO}}_4^{2-} $ /EC，${\rm{NO}}_3^{-} $ /EC, （b）SO2, NO2, （c）SOR and NOR at different pollution levels and （d） average mass concentration comparison of${\rm{SO}}_4^{2-} $ , SO2, NO3－ and NO2 with the clean days
图 4 SOR和NOR与相对湿度（RH）和温度（T）的关系
Figure 4. Relationship of SOR and NOR with relative humidity （RH） and temperature （T）
图 5 PM2.5中水溶性无机离子的PMF源解析成分谱
Figure 5. Source apportionment of water-soluble ions of PM2.5
图 6 观测期间南京后向轨迹聚类图
Figure 6. Backward trajectory clusters in Nanjing during the observation period
图 7 PM2.5中水溶性无机离子的PMF源贡献占比
Figure 7. PMF source contribution ratio of water-soluble inorganic ions in PM2.5
-
[1] XIE M, LIAO J B, WANG T J, et al. Modeling of the anthropogenic heat flux and its effect on regional meteorology and air quality over the Yangtze River Delta region, China [J]. Atmospheric Chemistry and Physics, 2016, 16(10): 6071-6089. doi: 10.5194/acp-16-6071-2016 [2] FAN H, ZHAO C F, YANG Y K. A comprehensive analysis of the spatio-temporal variation of urban air pollution in China during 2014-2018 [J]. Atmospheric Environment, 2020, 220: 117066. doi: 10.1016/j.atmosenv.2019.117066 [3] ZHANG Y, SHUAI C Y, BIAN J, et al. Socioeconomic factors of PM2.5 concentrations in 152 Chinese cities: Decomposition analysis using LMDI [J]. Journal of Cleaner Production, 2019, 218: 96-107. doi: 10.1016/j.jclepro.2019.01.322 [4] AN J L, CAO Q M, ZOU J N, et al. Seasonal variation in water-soluble ions in airborne particulate deposition in the suburban Nanjing area, Yangtze River Delta, China, during haze days and normal days [J]. Archives of Environmental Contamination and Toxicology, 2018, 74(1): 1-15. doi: 10.1007/s00244-017-0447-0 [5] HAYES R B, LIM C, ZHANG Y L, et al. PM2.5 air pollution and cause-specific cardiovascular disease mortality [J]. International Journal of Epidemiology, 2019, 49(1): 25-35. [6] ZHANG Y Q, DING Z, XIANG Q Q, et al. Short-term effects of ambient PM1 and PM2.5 air pollution on hospital admission for respiratory diseases: Case-crossover evidence from Shenzhen, China [J]. International Journal of Hygiene and Environmental Health, 2020, 224: 113418. doi: 10.1016/j.ijheh.2019.11.001 [7] 王心培, 王格慧, 谢郁宁, 等. 长三角背景点夏季大气PM2.5中水溶性无机离子污染特征及来源解析 [J]. 环境科学研究, 2020, 33(6): 1366-1375. WANG X P, WANG G H, XIE Y N, et al. Chemical characterization and source apportionment of water-soluble inorganic ions of summertime atmospheric PM2.5 in background of Yangtze River Delta region [J]. Research of Environmental Sciences, 2020, 33(6): 1366-1375(in Chinese).
[8] HE K, ZHAO Q, MA Y, et al. Spatial and seasonal variability of PM2.5 acidity at two Chinese megacities: Insights into the formation of secondary inorganic aerosols [J]. Atmospheric Chemistry and Physics, 2012, 12(3): 1377-1395. doi: 10.5194/acp-12-1377-2012 [9] ZHANG Y R, ZHANG H L, DENG J J, et al. Source regions and transport pathways of PM2.5 at a regional background site in East China [J]. Atmospheric Environment, 2017, 167: 202-211. doi: 10.1016/j.atmosenv.2017.08.031 [10] 尹寒梅, 陈军辉, 冯小琼, 等. 基于高分辨率MARGA分析成都市PM2.5中水溶性离子污染特征 [J]. 环境科学, 2020, 41(9): 3889-3898. YIN H M, CHEN J H, FENG X Q, et al. Analysis of characteristics of water-soluble ions in PM2.5 in Chengdu based on the MARGA [J]. Environmental Science, 2020, 41(9): 3889-3898(in Chinese).
[11] CAO J J, SHEN Z X, CHOW J C, et al. Winter and summer PM2.5 chemical compositions in fourteen Chinese cities [J]. Journal of the Air & Waste Management Association, 2012, 62(10): 1214-1226. [12] MA P K, QUAN J N, JIA X C, et al. Effects of ozone and relative humidity in secondary inorganic aerosol formation during haze events in Beijing, China [J]. Atmospheric Research, 2021, 264: 105855. doi: 10.1016/j.atmosres.2021.105855 [13] GAO J, WEI Y T, SHI G L, et al. Roles of RH, aerosol pH and sources in concentrations of secondary inorganic aerosols, during different pollution periods [J]. Atmospheric Environment, 2020, 241: 117770. doi: 10.1016/j.atmosenv.2020.117770 [14] WANG H T, DING J, XU J, et al. Aerosols in an arid environment: The role of aerosol water content, particulate acidity, precursors, and relative humidity on secondary inorganic aerosols [J]. Science of the Total Environment, 2019, 646: 564-572. doi: 10.1016/j.scitotenv.2018.07.321 [15] 郭安可, 郭照冰, 张海潇, 等. 南京北郊冬季PM2.5中水溶性离子以及碳质组分特征分析 [J]. 环境化学, 2017, 36(2): 248-256. doi: http://dx.doi.org/10.7524/j.issn.0254-6108.2017.02.2016061703 GUO A K, GUO Z B, ZHANG H X, et al. Analysis of water soluble ions and carbon component in PM2.5 in the northern suburb of Nanjing in winter [J]. Environmental Chemistry, 2017, 36(2): 248-256(in Chinese). doi: http://dx.doi.org/10.7524/j.issn.0254-6108.2017.02.2016061703
[16] WANG H L, AN J L, CHENG M T, et al. One year online measurements of water-soluble ions at the industrially polluted town of Nanjing, China: Sources, seasonal and diurnal variations [J]. Chemosphere, 2016, 148: 526-536. doi: 10.1016/j.chemosphere.2016.01.066 [17] 龚宇麟, 银燕, 陈魁, 等. 南京北郊秋季气溶胶理化特征及潜在源区分布 [J]. 中国环境科学, 2017, 37(11): 4032-4043. GONG Y L, YIN Y, CHEN K, et al. Physical and chemical characteristics and potential source region distribution of aerosols over the northern suburb of Nanjing, during autumn [J]. China Environmental Science, 2017, 37(11): 4032-4043(in Chinese).
[18] PAATERO P, EBERLY S, BROWN S G, et al. Methods for estimating uncertainty in factor analytic solutions [J]. Atmospheric Measurement Techniques, 2014, 7(3): 781-797. doi: 10.5194/amt-7-781-2014 [19] PAATERO P, HOPKE P K, HOPPENSTOCK J, et al. Advanced factor analysis of spatial distributions of PM2.5 in the eastern United States [J]. Environmental Science & Technology, 2003, 37(11): 2460-2476. [20] WANG Y Q, ZHANG X Y, DRAXLER R R. TrajStat: GIS-based software that uses various trajectory statistical analysis methods to identify potential sources from long-term air pollution measurement data [J]. Environmental Modelling & Software, 2009, 24(8): 938-939. [21] TAO J, GAO J, ZHANG L, et al. PM2.5 pollution in a megacity of southwest China: Source apportionment and implication [J]. Atmospheric Chemistry and Physics, 2014, 14(16): 8679-8699. doi: 10.5194/acp-14-8679-2014 [22] SU J, HUANG G Q, CAO L X, et al. Evaluation and analysis of cascading spread caused by multisource dust migration in a pollution-related ecosystem [J]. Science of the Total Environment, 2019, 686: 10-25. doi: 10.1016/j.scitotenv.2019.05.252 [23] ZHANG K, XU J L, HUANG Q, et al. Precursors and potential sources of ground-level ozone in suburban Shanghai [J]. Frontiers of Environmental Science & Engineering, 2020, 14(6): 1-12. [24] TU X P, LU Y, YAO R S, et al. Air quality in Ningbo and transport trajectory characteristics of primary pollutants in autumn and winter [J]. Atmosphere, 2019, 10(3): 120. doi: 10.3390/atmos10030120 [25] 刘寿东, 张莉, 张园园, 等. 温湿度对南京北郊PM2.5中二次无机离子生成演化的影响 [J]. 生态环境学报, 2018, 27(4): 714-721. LIU S D, ZHANG L, ZHANG Y Y, et al. Influences of temperature and humidity on formation and evolution of secondary aerosol inorganic ions of PM2.5 at northern suburban Nanjing [J]. Ecology and Environmental Sciences, 2018, 27(4): 714-721(in Chinese).
[26] ZHENG G J, DUAN F K, SU H, et al. Exploring the severe winter haze in Beijing: The impact of synoptic weather, regional transport and heterogeneous reactions [J]. Atmospheric Chemistry and Physics, 2015, 15(6): 2969-2983. doi: 10.5194/acp-15-2969-2015 [27] YUE D L, ZHONG L J, ZHANG T, et al. Pollution properties of water-soluble secondary inorganic ions in atmospheric PM2.5 in the Pearl River Delta region [J]. Aerosol and Air Quality Research, 2015, 15(5): 1737-1747. doi: 10.4209/aaqr.2014.12.0333 [28] ZANG L, ZHANG Y, ZHU B, et al. Characteristics of water-soluble inorganic aerosol pollution and its meteorological response in Wuhan, Central China [J]. Atmospheric Pollution Research, 2021, 12(3): 362-369. doi: 10.1016/j.apr.2021.01.003 [29] 李皓, 樊曙先, 张悦, 等. 南京市区郊区大气PM10、PM2.1中PAHs的分布特征及影响因素 [J]. 中国环境科学, 2017, 37(1): 60-68. LI H, FAN S X, ZHANG Y, et al. Characteristics and influence factors of PAHs in PM10 and PM2.1 in urban and suburban Nanjing, China [J]. China Environmental Science, 2017, 37(1): 60-68(in Chinese).
[30] 郭文帝, 王开扬, 郭晓方, 等. 太原市气溶胶中硫、氮转化特征 [J]. 环境化学, 2016, 35(1): 11-17. doi: 10.7524/j.issn.0254-6108.2016.01.2015060305 GUO W D, WANG K Y, GUO X F, et al. Characteristics of sulfur and nitrogen conversion in the aerosol, Taiyuan [J]. Environmental Chemistry, 2016, 35(1): 11-17(in Chinese). doi: 10.7524/j.issn.0254-6108.2016.01.2015060305
[31] MANKTELOW P T, CARSLAW K S, MANN G W, et al. The impact of dust on sulfate aerosol, CN and CCN during an East Asian dust storm [J]. Atmospheric Chemistry and Physics, 2010, 10(2): 365-382. doi: 10.5194/acp-10-365-2010 [32] HE Q S, YAN Y L, GUO L L, et al. Characterization and source analysis of water-soluble inorganic ionic species in PM2.5 in Taiyuan city, China [J]. Atmospheric Research, 2017, 184: 48-55. doi: 10.1016/j.atmosres.2016.10.008 [33] LI H M, WANG Q G, YANG M, et al. Chemical characterization and source apportionment of PM2.5 aerosols in a megacity of southeast China [J]. Atmospheric Research, 2016, 181: 288-299. doi: 10.1016/j.atmosres.2016.07.005 -
点击查看大图
计量
- 文章访问数: 1205
- HTML全文浏览数: 1205
- PDF下载数: 40
- 施引文献: 0
