2020, Vol. 41
2. 四川省生态环境科学研究院, 成都 610041
, CHEN Jun-hui2
, YIN Han-mei1 , XU Xue-mei1 , XIONG Wen-peng1 , MEI Lin-de1 , QIAN Jun2 , LIU Zheng2
2. Sichuan Academy of Environmental Sciences, Chengdu 610041, China
近年来灰霾污染已成为环境领域研究热点, 研究方向主要为污染物浓度、组分特征、气象条件和化学机制等[1~5].各类研究结果均表明不利气象条件是外因[6~8], 污染物排放量大是内因[9~11].目前国内的研究多集中在采用手工采样获取PM2.5主要组分特征, 利用模型模拟获得污染来源.有研究表明[12, 13], 北京市的二次无机离子和有机物对污染过程中PM2.5贡献较大, 燃煤源、机动车和二次源是主要污染源; 有研究表明[1, 14], 天津市的二次无机转化是导致重污染期间PM2.5污染加重的重要原因, 硫酸盐和硝酸盐转化均较重要; 有研究表明[15], 广州市受相对湿度影响, 二次离子对湿季灰霾的贡献比干季要大; 有研究表明[16], 南京市的重大霾污染事件, 污染物主要来源于当地的工厂、交通和建筑等; 有研究结果表明[17], 重庆市大范围秸秆集中燃烧是2014年12月28日至2015年1月5日持续性重污染的主要原因.可见不同地区PM2.5污染特征和污染来源各有不同.
成都市位于中国西南地区, 是成渝经济区两个超大城市之一, 不利的大气污染物扩散条件, 使得成都市城区的颗粒物浓度水平常年处于较高的浓度水平, 尤其是冬季, 是我国能见度最低的城市之一[18~20].目前在PM2.5组分特征和污染来源等方面开展了少量研究.李友平等[21]于2009年4月至2010年1月在成都市城区采集PM2.5样品, 获得水溶性离子组分特征, 研究指出二次无机离子(NH4+、SO42-、NO3-, SNA)在PM2.5中的占比为35.9%, 主要以固定源污染为主, 但未对碳组分和污染来源等开展研究; Tao等[22]基于成都2011年1、4、7和10月的样品分析结果, 指出成都市年均PM2.5浓度达119 μg·m-3, 主要来源是周边的局地排放源, 包括钢铁生产、钼工业、土壤、燃煤和生物质燃烧, 但未识别机动车的贡献; 陈源等[20]于2012年5月至2013年5月在成都市城区开展了每6 d采集1次样品的长期颗粒物观测, 其研究指出SNA和有机物污染最为突出, 生物质燃烧、沙尘传输和静稳天气下PM2.5污染特征显著不同, 但并未开展源解析研究.本研究基于大气环境超级观测站在线监测数据, 针对2019年12月至2020年1月成都市发生的3次PM2.5污染过程, 从气象条件、组分特征和来源解析等方面系统分析了污染成因, 以期为管理部门应对PM2.5重污染天气提供科技支撑.
1 材料与方法 1.1 研究区域成都市位于四川省中部, 是四川省省会、副省级市, 国务院确定的国家重要高新技术产业基地、商贸物流中心和综合交通枢纽, 是西部地区重要的中心城市.2018年常住人口为1 633万人, GDP总产值为15 342.77亿元, 占全国的1.67%, 机动车保有量为546万辆, 占全国的1.67%, 居于全国第二位, 仅次于北京市.
1.2 数据来源本研究数据来自四川省生态环境科学研究院大气环境超级观测站(E104.07°, N30.63°), 位于成都市中心城区, 所有监测设备均放置于四川省生态环境科学研究院楼顶, 距离地面约30 m.环境气体(SO2、NOx和CO)监测仪器均采用澳大利亚Ecotech公司的气体分析仪, PM10和PM2.5采用美国Met One公司的BAM-1020型环境颗粒物监测仪; 水溶性离子采用气溶胶PM2.5成分监测系统(瑞士万通marga-1s), 有机碳和元素碳采用美国Sunset在线OCEC监测仪(model 4), 重金属在线监测设备为horiba PX-375.相对湿度、温度、能见度和风速等气象因素监测仪器为DAVIS Vantage Pro2 Plus(美国戴维斯公司), 边界层高度采用微波辐射计监测(中电22所, QFW-6000), 气象因素与污染物浓度同步进行数据采集.
为确保数据统计的准确和有效性, 严格按照《环境空气质量标准》(GB 3095-2012)[23]和《环境空气质量评价技术规范(试行)》(HJ 663-2013)[24]等标准进行质量控制, 每天24 h连续采样, 设备定期检查并及时维护保养.所有数据均为小时平均质量浓度, 日平均值由小时平均值计算得到.
1.3 研究方法源解析采用化学质量平衡(CMB)模型进行模拟计算, CMB模型是由一组线性方程构成, 表示每种化学元素的受体浓度等于源成分谱的元素含量和源贡献浓度值乘积的线性和.设受体颗粒物上元素i的浓度为ci, 则:
|
式中, ci为受体大气颗粒中元素i的质量浓度测量值, μg·m-3; Fij为第j类源的颗粒物中元素i的质量分数, %; Sj为第j类源贡献的质量浓度计算值, μg·m-3; J为类的数目; I为元素的数目.
当拟合元素数目(I)大于或等于拟合源数目(J)时, 根据测得的它们在大气中的浓度ci及排放源成分谱Fij, 可计算得到各个排放源对该受体的贡献值Sj和相应的贡献率βj.
|
扬尘源[25]、工艺过程源[26]、燃煤源[26]、机动车[27]、生物质燃烧源[27]和餐饮源[27]成分谱数据来自相关研究, 二次硫酸盐取72.7% SO42-和27.3% NH4+, 二次硝酸盐取77.5% NO3-和22.5% NH4+.所有样品模拟结果均满足残差平方和＜4, 回归系数为0~1质量分数为80% ~120%.
2 结果与讨论 2.1 空气质量本研究3次灰霾污染过程分别为2019年12月8~16日(过程Ⅰ)、2019年12月23~25日(过程Ⅱ)和2019年12月29日至2020年1月6日(过程Ⅲ), 具体如图 1所示.过程Ⅰ持续9 d, 污染程度最重, 12月9~15日期间均为中度污染, PM2.5日均浓度峰值为138μg·m-3, 出现在12月13日.过程Ⅱ持续3 d, 全部为轻度污染.过程Ⅲ持续9 d, 全部为轻度污染.
|
图 1 3次污染过程空气质量 Fig. 1 Air quality during the three pollution processes |
图 2显示了研究期间相对湿度(RH)、温度(T)、风速(WS)和边界层(BLH)等气象要素时间变化趋势.3次污染过程均发生在相对湿度和温度持续上升, 风速和边界层高度持续降低的不利气象条件下.过程Ⅰ中, 日均相对湿度均大于70%, 日均温度均大于11℃, 日均风速均低于0.8m·s-1, 日均边界层高度均低于600 m; 过程Ⅱ中, 日均相对湿度均大于75%, 日均温度均大于9℃, 日均风速均低于0.5m·s-1, 日均边界层高度均低于550 m; 过程Ⅲ中, 日均相对湿度均大于70%, 日均温度均大于8℃, 日均风速均低于0.8m·s-1, 日均边界层高度均低于650 m.
|
图 2 气象要素时间变化 Fig. 2 Temporal variation of meteorological factors |
3次污染过程气象要素对比结果如表 1所示, 其中以小时值为基准进行计算.相关研究表明, PM2.5浓度与风速和边界层高度呈正相关, 与相对湿度和静风频率呈负相关[7, 11]. 3次污染过程中, 平均相对湿度和静风频率过程Ⅱ最高, 过程Ⅲ最低, 平均风速和边界层高度过程Ⅱ最低, 过程Ⅲ最高, 表明过程Ⅱ气象条件最差, 过程Ⅲ气象条件最好.过程Ⅱ气象条件最差, 但污染仅持续3 d, PM2.5浓度最低, 主要原因在于过程Ⅱ处于“第八次中日韩首脑峰会”期间, 为保障会议期间的空气质量, 成都市及周边城市提前4 d启动了橙色预警, 表明提前启动高级别重污染应急预案能够有效降低污染程度和持续时间.
|
表 1 3次污染过程气象条件对比 Table 1 Comparison of meteorological conditions during the three pollution processes |
2.3 污染过程分析 2.3.1 主要组分特征
3次污染过程组分质量浓度变化特征如图 3所示.3次污染过程中主要组分均为NO3-、OC、NH4+和SO42-, 过程Ⅰ中各组分质量浓度绝对占比均值分别为28%、15%、13%和11%, 过程Ⅱ中占比均值分别为25%、19%、12%和9%, 过程Ⅲ中占比均值分别为26%、16%、13%和10%.相比清洁时段(参考文献[1, 24], 本研究界定在污染发生前5 d或者污染结束后5 d时段内, 当PM2.5小时浓度低于75 μg·m-3, 且连续低于75μg·m-3达24 h以上时, 为清洁天气时段), 3次过程污染时段NO3-质量浓度和占比增长倍数均高于其他组分(见表 2), 过程Ⅰ污染时段在清洁时段的基础上增长了2.04倍和0.22倍, 过程Ⅱ增长了1.47倍和0.26倍, 过程Ⅲ增长了2.09倍和0.34倍.无论是污染过程中质量浓度和占比, 还是质量浓度与占比在清洁时段基础上的增长倍数, 3次过程中NO3-均明显高于其他组分, 且质量浓度增长倍数均高于PM2.5, 表明NO3-已是目前成都市冬季PM2.5污染的关键组分.
|
图中地壳元素包括Si、Al和Ca; 微量元素包括V、Cr、Mn、Co、Ni、Cu、Zn、As、Se、Sr、Cd、Sn、Hg、Ti、Pb、Br和P 图 3 PM2.5组分时间变化 Fig. 3 Time variation of PM2.5 components |
|
|
表 2 污染时段与清洁天气时段组分对比1) Table 2 Comparison of components in polluted and clean weather periods |
李友平等[21]的研究结果表明, 成都市中心城区2010年冬季PM2.5中3种离子的质量浓度大小为SO42-＞NO3-＞NH4+, 而本研究的结果为NO3-＞NH4+＞SO42-, 表明近10年来, 成都市PM2.5中SNA由SO42-占主导转变为NO3-占主导.主要原因在于随着“煤改气/电”、“煤炭清洁利用”和“电厂深度治理”等煤炭燃烧大气污染物管控措施的推行, 成都市SO2浓度明显下降, 由2010年的31.0μg·m-3降低到2019年的6.4 μg·m-3[28], 使得SO2转化生成的SO42-浓度明显下降; 同时成都市机动车保有量逐年上升, 其排放的NOx近10年间上升了115%[28], “煤改气”的实施也导致NOx排放增加, 使得NOx转化生成的NO3-浓度明显增加.
NO3-与SO42-的比值通常被用来指示机动车污染与燃煤污染的相对重要性[29], 有研究得出燃煤排放的[NO3-]/[SO42-]值为1~2, 汽油和柴油燃烧排放的[NO3-]/[SO42-]值为8~13[30].本研究中3次污染过程中[NO3-]/[SO42-]均值为2.65(见表 3), 明显高于其他地区, 表明成都市机动车污染较为严重, 这主要与成都市机动车保有量较高有关.与成都市2010年[21]的研究结果相比, [NO3-]/[SO42-]上升了3.5倍, 表明近10年来, 成都市中心城区PM2.5由主要受燃煤源污染影响转变为主要受机动车污染影响, 与前述研究的结论一致.
|
|
表 3 3次污染过程SOR、NOR、[NO3-]/[SO42-]及与其他城市对比 Table 3 SOR, NOR, [NO3-]/[SO42-] during the three pollution processes, and comparison with other cities |
虽然3次污染过程均表明NO3-是PM2.5污染的关键组分, 但是污染过程组分变化特征不尽相同.过程Ⅰ在污染前的PM2.5浓度快速上升期和整个污染过程中, 均是NO3-占比最高.快速上升期(12月7日07:00至12月8日13:00)NO3-质量浓度以平均每小时6%的速度增加, 增速是其他组分的1~3倍, 占比由16%上升到33%, 至12月16日18:00小时占比均大于25%, 且均明显高于其他组分, 表明过程Ⅰ呈现出明显的二次硝酸盐主导特征.
过程Ⅱ PM2.5上升时段内(12月22日15:00~21:00)质量浓度平均每小时增长速度最快的组分是SO42-和Cl-, 分别为46%和89%, 是其他组分的2~6倍和4~11倍, 是PM2.5的1倍和3倍, 表明过程Ⅱ PM2.5浓度上升过程中主要受SO42-和Cl-影响, 这两个组分均主要来自燃煤[26], 同期SO2浓度也由4.9μg·m-3快速上升到18.2μg·m-3, 说明燃煤排放是主要原因.12月22日23:00后, SO42-和Cl-占比快速下降, 基本低于10%和3%, 而NO3-占比开始上升, 且高于其他组分, 峰值为34%, 表明过程Ⅱ PM2.5浓度高值时段主要受NO3-影响.
过程Ⅲ PM2.5上升时段内(12月29日01:00至12月30日10:00)NO3-和OC质量浓度增长最快, NO3-占比一直处于高位, 平均为30%, 峰值为40%, OC平均占比仅为14%, 峰值为17%;之后整个污染时段内, NO3-小时浓度占比基本均大于20%, 表明过程Ⅲ总体仍为硝酸盐主导的特征.过程Ⅲ部分时段PM2.5浓度上升时, OC、EC质量浓度和占比均明显增长, 如1月3日16:00~22:00, PM2.5浓度由49μg·m-3上升至85μg·m-3, OC和EC质量浓度均增长2倍以上, 是其他组分的1~2倍, OC/EC为3.0~4.8, 均值为3.7.相关研究表明, 化石燃料燃烧[31]、居民燃煤[32]、生物质燃烧[33]和餐饮[27]的OC/EC比值分别为4.0、8.5~12、10.0~16.3和8.5, 表明该时段内机动车等化石燃料燃烧是PM2.5浓度上升的主要原因.
2.3.2 SNA转化特征SNA主要由SO2、NOx和NH3等前体物在大气中经过一系列复杂反应生成[21], 一般来说结合硫酸根氧化率(SOR)和硝酸根氧化率(NOR)可以用来说明粒子二次转化程度的高低[34].计算方法如下：
|
(1) |
|
(2) |
式中, c(SO42-)、c(SO2)、c(NO3-)和c(NO2)分别表示SO42-、SO2、NO3-和NO2物质的量浓度, mol·m-3.
NOR和SOR值较高, 说明大气中存在明显的二次无机化学转化过程.已有研究表明若SOR和NOR大于0.1, 此时大气有可能发生SO2和NOx的二次转化[35, 36].本研究的3次污染过程中SOR和NOR如表 3所示, 均明显大于0.1, 表明存在明显的二次转化.SOR和NOR与PM2.5浓度表现为正相关性, 即PM2.5浓度越高, SO2和NOx的二次转化程度越高, 这与唐山市[37]的研究结果一致.本研究3次污染过程SOR均值为0.40, NOR均值为0.27, 基本均高于天津市、唐山市、北京市和广州市等的研究结果, 表明成都市二次转化严重.与李友平等[21]于2010年的研究结果相比, SOR和NOR均上升了0.2倍, 表明近10年成都市中心城区PM2.5受二次转化影响越来越明显.
SO2向SO42-转化主要包括气相氧化和非均相氧化反应两种路径, 气相氧化是SO2与大气中O3和·OH反应, 非均相氧化是SO2与HONO、H2 O2等氧化剂在催化剂作用下在水汽和气溶胶液滴表面发生反应[21, 38].图 4给出了3次污染过程中SO2、SO42-、SOR、相对湿度和温度的日变化.3次污染过程中SO2浓度均较低, 为6~12μg·m-3, 高值均出现在中午, 但SOR整体呈现夜间高、午后低的日变化趋势.这主要与相对湿度有关, 夜间相对湿度较高, 午后最低, 表明3次污染过程SO2向SO42-转化均主要以夜间非均相氧化反应为主.过程Ⅰ和过程Ⅲ中SOR均在16:00附近出现高值, 过程Ⅱ未在下午出现高值, 这可能与气温和臭氧浓度有关.较高温度和臭氧浓度会增强大气氧化性, 利于气相氧化反应发生[38], 过程Ⅰ和过程Ⅲ温度、臭氧浓度相对较高, 小时最高值分别为15℃、87μg·m-3和14℃、66μg·m-3, 而过程Ⅱ温度和臭氧浓度整体较低, 小时最高值仅为11℃、31μg·m-3.
|
图 4 3次污染过程SO2、SO42-、SOR、相对湿度和温度日变化 Fig. 4 Daily change of SO2, SO42-, NOR, relative humidity, and temperature during the three pollution processes |
NOx向NO3-转化路径主要有两种, 一是白天在紫外线作用下被·OH等氧化后, 发生气相或非均相反应; 二是夜晚被O3氧化后, 在气溶胶表面发生非均相水解反应[21, 38].图 5给出了3次污染过程中NO2、NO3-、NOR、相对湿度和温度的日变化.3次污染过程NO2浓度均较高, 峰值均出现在凌晨附近.过程Ⅱ和过程Ⅲ NOR值与相对湿度峰值均出现在早晨, 表明NOx向NO3-转化以非均相水解反应为主.过程Ⅰ略有不同, 虽夜间高湿度下NOR值也相对较高, 但最高值出现在午后15:00左右, 这可能是由于过程Ⅰ中多为晴天, 温度为3次过程中最高, 小时均值均大于10℃, 使得NOx在一定紫外线作用下发生气相反应生成NO3-.
|
图 5 3次污染过程NO2、NO3-、NOR、相对湿度和温度日变化 Fig. 5 Daily change of NO2, NO3-, NOR, relative humidity, and temperature during the three pollution processes |
碳组分除来自一次排放(POC)外, 还来自光化学反应生成的二次有机碳(SOC).本研究采用“OC/EC最小比值法”[1, 39]计算SOC含量, 计算公式如下：
|
式中, ρ(SOC)、ρ(OC)、ρ(EC)和ρ(POC)为SOC、OC、EC和POC的浓度, μg·m-3, (OC/EC)min为OC/EC最小值.为降低OC/EC最小值选择时的误差, 本研究参考文献[1], 每次过程选取由小到大排列的前3个“较小”OC/EC的平均值.
3次污染过程中, SOC在OC中的小时占比均值分别为17% ~44%、17% ~44%和25% ~48%, 表明OC均以一次排放为主, 但二次有机化学反应仍不容忽视.图 6显示了3次污染过程SOC、POC、相对湿度和温度的日变化, SOC高值均出现在中午(12:00~13:00)和傍晚(18:00~20:00), 此时相对湿度处于下降过程或较低值, 表明SOC的生成并不需要较大的相对湿度; 对温度而言, 3次污染过程温度变化范围和趋势均不尽相同, 表明冬季SOC的生成受温度影响较小.
|
图 6 3次污染过程SOC、POC、相对湿度和温度日变化 Fig. 6 Daily change of SOC, POC, relative humidity, and temperature during the three pollution processes |
采用CMB模型获得研究期间每日源解析结果, 如图 7所示.二次硝酸盐、二次硫酸盐、机动车和燃煤源为研究期间主要污染来源, 对PM2.5贡献率分别为18% ~44%、10% ~19%、11% ~25%和10% ~22%.二次硝酸盐贡献率由12月1日的18%逐渐上升至12月14日的41%, 随后逐渐降低; 12月19日后再次上升, 由21%上升至12月24日的37%, 12月26日降至18%后又再次上升, 2020年1月1日达到最大值, 为44%, 之后逐渐降低.其贡献率变化趋势与PM2.5浓度一致, 主要原因在于3次污染过程中PM2.5浓度上升主要受NO3-影响.二次硫酸盐和扬尘源贡献率变化趋势与二次硝酸盐相反, 在PM2.5浓度上升时, 其贡献率有所下降, 表明二次硫酸盐和扬尘源已不是推动成都市冬季PM2.5浓度上升的主要原因.燃煤源和机动车贡献率变化幅度较大且无明显规律, 与污染源排放变化有关.生物质燃烧源、餐饮源等污染源变化幅度较小, 表明污染排放较稳定.
|
图 7 研究期间PM2.5源解析 Fig. 7 Source apportionment of PM2.5 during the study |
图 8显示了3次过程污染时段和清洁时段各污染源贡献率对比结果.3次过程污染时段二次硝酸盐贡献率均明显高于清洁时段, 分别为清洁时段的1.4、1.5和1.7倍, 再次表明目前成都市PM2.5污染主要受二次硝酸盐影响.除二次硝酸盐外, 过程Ⅱ中燃煤源贡献率污染时段是清洁时段的1.05倍, 而过程Ⅰ和过程Ⅲ中污染时段贡献率均低于清洁时段, 这主要由过程Ⅱ中PM2.5浓度上升时段内主要由燃煤源排放导致; 过程Ⅲ中机动车污染时段贡献率是清洁时段的1.1倍, 而过程Ⅰ和过程Ⅱ中污染时段贡献率均低于清洁时段, 这主要是由过程Ⅲ中部分污染时段机动车等化石燃料燃烧源排放有所增加导致.
|
图 8 污染时段与清洁时段污染源贡献率对比 Fig. 8 Contribution of pollution sources during pollution period and cleaning period |
(1) 成都市2019~2020年冬季3次污染过程均发生在相对湿度和温度持续上升, 风速和边界层高度持续降低的不利气象条件下, 日均相对湿度均大于70%, 日均温度均大于8℃, 日均风速均低于0.8m·s-1, 日均边界层高度均低于650 m.
(2) 3次污染过程中主要组分均为NO3-、OC、NH4+和SO42-, 其中NO3-质量浓度和占比污染时段较清洁时段增长倍数均高于其他组分, 分别增加了1.47~2.09倍和0.22~0.35倍, 表明NO3-已是目前成都市冬季PM2.5污染的关键组分.
(3) 3次污染过程[NO3-]/[SO42-]均值为2.65, 成都市中心城区PM2.5由主要受机动车污染影响.
(4) 3次过程变化特征不尽相同：过程Ⅰ呈现出明显的二次硝酸盐主导的特征; 过程Ⅱ PM2.5浓度上升过程中主要受燃煤排放影响, PM2.5浓度高值时段主要受NO3-影响; 过程Ⅲ总体仍为硝酸盐主导的特征, 但部分污染时段化石燃料燃烧源排放有所增加.
(5) 3次污染过程SOR均值为0.40, NOR均值为0.27, SO2和NOx二次转化程度较高. SO2向SO42-转化以夜间非均相氧化反应为主, NOx向NO3-转化以非均相水解反应为主.
(6) 二次硝酸盐、二次硫酸盐、机动车和燃煤源为研究期间主要污染来源, PM2.5浓度与二次硝酸盐贡献率正相关, 与扬尘源贡献率负相关.3次过程污染时段二次硝酸盐贡献率均明显高于清洁时段, 是清洁时段的1.4~1.7倍.
| [1] |
徐虹, 肖致美, 陈魁, 等. 天津市2017年重污染过程二次无机化学污染特征分析[J]. 环境科学, 2019, 40(6): 2519-2525. Xu H, Xiao Z M, Chen K, et al. Secondary inorganic pollution characteristics during heavy pollution episodes of 2017 in Tianjin[J]. Environmental Science, 2019, 40(6): 2519-2525. |
| [2] | Xie Z S, Fan C L, Lu R, et al. Characteristics of ambient bioaerosols during haze episodes in China:a review[J]. Environmental Pollution, 2018, 243: 1930-1942. DOI:10.1016/j.envpol.2018.09.051 |
| [3] |
褚建功.气象因子对京津冀区域大气污染的影响[D].石家庄: 河北科技大学, 2018. 2-42. Chu J G. The influence of meteorological factors on air pollution in Beijing-Tianjin-Hebei regions[D]. Shijiazhuang: Hebei University of Science & Technology, 2018. 2-42. |
| [4] |
杨兴川, 赵文吉, 熊秋林, 等. 2016年京津冀地区PM2.5时空分布特征及其与气象因素的关系[J]. 生态环境学报, 2017, 26(10): 1747-1754. Yang X C, Zhao W J, Xiong Q L, et al. Spatio-temporal distribution of PM2.5 in Beijing-Tianjin-Hebei (BTH) area in 2016 and its relationship with meteorological factors[J]. Ecology and Environmental Sciences, 2017, 26(10): 1747-1754. |
| [5] |
张敏, 蔡子颖, 韩素芹, 等. 天津污染天气边界层温度层结变化特征及预报阈值确定[J]. 环境科学学报, 2018, 38(6): 2270-2278. Zhang M, Cai Z Y, Han S Q, et al. The research on threshold and regularity of temperature stratification in heavy pollution weather in Tianjin[J]. Acta Scientiae Circumstantiae, 2018, 38(6): 2270-2278. |
| [6] |
张建忠, 李坤玉, 王冠岚, 等. 京津冀4次重度污染过程的气象要素分析[J]. 气象与环境科学, 2016, 39(1): 19-25. Zhang J Z, Li K Y, Wang G L, et al. Meteorological element analysis of four severe pollution processes in Beijing-Tianjin-Hebei Region[J]. Meteorological and Environmental Sciences, 2016, 39(1): 19-25. |
| [7] |
冯小琼, 陈军辉, 朱雨蒙, 等. 气象因素对成都市主要大气污染物影响的非参数分析[J]. 四川环境, 2017, 36(1): 30-34. Feng X Q, Chen J H, Zhu Y M, et al. Non-parameter statistical analysis of impacts of meteorological conditions on air pollutants concentration in Chengdu[J]. Sichuan Environment, 2017, 36(1): 30-34. |
| [8] | Zhao P S, Zhang X L, Xu X F, et al. Long-term visibility trends and characteristics in the region of Beijing, Tianjin, and Hebei, China[J]. Atmospheric Research, 2011, 101(3): 711-718. DOI:10.1016/j.atmosres.2011.04.019 |
| [9] | Zhao X J, Zhao P S, Xu J, et al. Analysis of a winter regional haze event and its formation mechanism in the North China Plain[J]. Atmospheric Chemistry and Physics, 2013, 13(11): 5685-5696. DOI:10.5194/acp-13-5685-2013 |
| [10] | Song C B, Wu L, Xie Y C, et al. Air pollution in China:status and spatiotemporal variations[J]. Environmental Pollution, 2017, 227: 334-347. DOI:10.1016/j.envpol.2017.04.075 |
| [11] |
皮冬勤, 陈焕盛, 魏巍, 等. 京津冀一次重污染过程的成因和来源[J]. 中国环境科学, 2019, 39(5): 1899-1908. Pi D Q, Chen H S, Wei W, et al. The causes and sources of a heavy-polluted event in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2019, 39(5): 1899-1908. |
| [12] |
杨孝文, 周颖, 程水源, 等. 北京冬季一次重污染过程的污染特征及成因分析[J]. 中国环境科学, 2016, 36(3): 679-686. Yang X W, Zhou Y, Cheng S Y, et al. Characteristics and formation mechanism of a heavy winter air pollution event in Beijing[J]. China Environmental Science, 2016, 36(3): 679-686. |
| [13] |
刘庆阳, 刘艳菊, 杨峥, 等. 北京城郊冬季一次大气重污染过程颗粒物的污染特征[J]. 环境科学学报, 2014, 34(1): 12-18. Liu Q Y, Liu Y J, Yang Z, et al. Daily variations of chemical properties in airborne particulate matter during a high pollution winter episode in Beijing[J]. Acta Scientiae Circumstantiae, 2014, 34(1): 12-18. |
| [14] |
徐虹, 肖致美, 孔君, 等. 天津市冬季典型大气重污染过程特征[J]. 中国环境科学, 2017, 37(4): 1239-1246. Xu H, Xiao Z M, Kong J, et al. Characteristic of atmospheric heavy pollution episodes in winter of Tianjin[J]. China Environmental Science, 2017, 37(4): 1239-1246. |
| [15] |
马莹, 吴兑, 刘建, 等. 广州干湿季典型灰霾过程水溶性离子成分对比分析[J]. 环境科学学报, 2017, 37(1): 73-81. Ma Y, Wu D, Liu J, et al. Comparative analysis of water-soluble ions during typical haze processes in dry and wet seasons in Guangzhou[J]. Acta Scientiae Circumstantiae, 2017, 37(1): 73-81. |
| [16] |
胡康, 康娜, Kumar K R. 南京秋冬季2次霾污染天气过程分析[J]. 环境科学与技术, 2017, 40(5): 158-164. Hu K, Kang N, Kanike K R. Analysis of two haze weather process in Nanjing during autumn and winter[J]. Environmental Science & Technology, 2017, 40(5): 158-164. |
| [17] |
刘芮伶, 李礼, 余家燕, 等. 重庆市一次重霾污染过程的特征及成因分析[J]. 环境科学与技术, 2016, 39(S2): 8-13. Liu R L, Li L, Yu J Y, et al. Characteristics and formation mechanism of a serious haze episode in Chongqing[J]. Environmental Science & Technology, 2016, 39(S2): 8-13. |
| [18] | Wang Q Y, Cao J J, Shen Z X, et al. Chemical characteristics of PM2.5 during dust storms and air pollution events in Chengdu, China[J]. Particuology, 2013, 11(1): 70-77. DOI:10.1016/j.partic.2012.08.001 |
| [19] | Chen Y, Xie S D. Long-term trends and characteristics of visibility in two megacities in Southwest China:Chengdu and Chongqing[J]. Journal of the Air & Waste Management Association, 2013, 63(9): 1058-1069. |
| [20] |
陈源, 谢绍东, 罗彬. 成都市大气细颗粒物组成和污染特征分析(2012-2013年)[J]. 环境科学学报, 2016, 36(3): 1021-1031. Chen Y, Xie S D, Luo B. Composition and pollution characteristics of fine particles in Chengdu from 2012 to 2013[J]. Acta Scientiae Circumstantiae, 2016, 36(3): 1021-1031. |
| [21] |
李友平, 周洪, 张智胜, 等. 成都市城区PM2.5中二次水溶性无机离子污染特征[J]. 环境科学, 2014, 35(12): 4439-4445. Li Y P, Zhou H, Zhang Z S, et al. Pollution characteristics of secondary water-soluble inorganic ions of PM2.5 in urban Chengdu, China[J]. Environmental Science, 2014, 35(12): 4439-4445. |
| [22] | Tao J, Zhang L M, Ho K F, et al. Impact of PM2.5 chemical compositions on aerosol light scattering in Guangzhou-the largest megacity in South China[J]. Atmospheric Research, 2014, 135-136: 48-58. DOI:10.1016/j.atmosres.2013.08.015 |
| [23] |
GB 3095-2012, 环境空气质量标准[S]. GB 3095-2012, Ambient air quality standard[S]. |
| [24] |
HJ 663-2013, 环境空气质量评价技术规范(试行)[S]. HJ 663-2013, Technical regulation for ambient air quality assessment (on trial)[S]. |
| [25] | 赵普生.城市建筑施工及铺装道路扬尘污染评估与防治技术研究[D].天津: 南开大学, 2008. 58-89. http://d.wanfangdata.com.cn/Thesis/Y1380275 |
| [26] |
冯小琼, 陈军辉, 熊文朋, 等. 四川省典型工业行业PM2.5成分谱分析[J]. 环境科学, 2019, 40(3): 1043-1051. Feng X Q, Chen J H, Xiong W P, et al. Fine particulate matter source profile of typical industries in Sichuan province[J]. Environmental Science, 2019, 40(3): 1043-1051. |
| [27] |
张丹, 周志恩, 张灿, 等. 重庆市主城区PM2.5污染源源成份谱的建立[J]. 三峡环境与生态, 2011, 33(5): 14-18. Zhang D, Zhou Z E, Zhang C, et al. The PM2.5 source profile in the Chongqing urban areas[J]. Environment and Ecology in the Three Gorges, 2011, 33(5): 14-18. |
| [28] | 叶宏, 陈军辉, 孙蜀, 等. 四川省环境污染防治技术水平与绩效评估(2018)-大气污染防治卷[M]. 成都: 四川科学技术出版社, 2019: 1-41. |
| [29] | Yao X H, Chan C K, Fang M, et al. The water-soluble ionic composition of PM2.5 in Shanghai and Beijing, China[J]. Atmospheric Environment, 2002, 36(26): 4223-4234. DOI:10.1016/S1352-2310(02)00342-4 |
| [30] |
古金霞, 吴丽萍, 霍光耀, 等. 天津市PM2.5中水溶性无机离子污染特征及来源分析[J]. 中国环境监测, 2013, 29(3): 30-34. Gu J X, Wu L P, Huo G Y, et al. Pollution character and source of water-soluble inorganic ions in PM2.5 over Tianjin[J]. Environmental Monitoring in China, 2013, 29(3): 30-34. |
| [31] | Koch D. Transport and direct radiative forcing of carbonaceous and sulfate aerosols in the GISS GCM[J]. Journal of Geophysical Research:Atmospheres, 2001, 106(D17): 20311-20332. DOI:10.1029/2001JD900038 |
| [32] | Cao J J, Wu F, Chow J C, et al. Characterization and source apportionment of atmospheric organic and elemental carbon during fall and winter of 2003 in Xi'an, China[J]. Atmospheric Chemistry and Physics, 2005, 5(11): 3127-3137. DOI:10.5194/acp-5-3127-2005 |
| [33] | Tao J, Zhang L M, Engling G, et al. Chemical composition of PM2.5 in an urban environment in Chengdu, China:importance of springtime dust storms and biomass burning[J]. Atmospheric Research, 2013, 122: 270-283. DOI:10.1016/j.atmosres.2012.11.004 |
| [34] | Li L, Chen Z M, Zhang Y H, et al. Kinetics and mechanism of heterogeneous oxidation of sulfur dioxide by ozone on surface of calcium carbonate[J]. Atmospheric Chemistry and Physics Discussions, 2006, 6(1): 579-613. DOI:10.5194/acpd-6-579-2006 |
| [35] | Wang Y, Zhuang G S, Zhang X Y, et al. The ion chemistry, seasonal cycle, and sources of PM2.5 and TSP aerosol in Shanghai[J]. Atmospheric Environment, 2006, 40(16): 2935-2. DOI:10.1016/j.atmosenv.2005.12.051 |
| [36] | Wang Y, Zhuang G S, Tang A H, et al. The ion chemistry and the source of PM2.5 aerosol in Beijing[J]. Atmospheric Environment, 2005, 39(21): 3771-3784. DOI:10.1016/j.atmosenv.2005.03.013 |
| [37] |
梁晓宇, 单春艳, 孟瑶, 等. 唐山一次冬季重污染过程污染特征及成因分析[J]. 中国环境科学, 2019, 39(5): 1804-1812. Liang X Y, Shan C Y, Meng Y, et al. Characteristics and formation mechanism of a heavy winter air pollution event in Tangshan[J]. China Environmental Science, 2019, 39(5): 1804-1812. |
| [38] |
贾佳, 韩力慧, 程水源, 等. 京津冀区域PM2.5及二次无机组分污染特征研究[J]. 中国环境科学, 2018, 38(3): 801-811. Jia J, Han L H, Cheng S Y, et al. Pollution characteristic of PM2.5 and secondary inorganic ions in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2018, 38(3): 801-811. |
| [39] | Cao J J, Lee S C, Ho K F, et al. Spatial and seasonal variations of atmospheric organic carbon and elemental carbon in Pearl River Delta Region, China[J]. Atmospheric Environment, 2004, 38(27): 4447-4456. DOI:10.1016/j.atmosenv.2004.05.016 |