2021, Vol. 42
2. 国家环境保护化工过程环境风险评价与控制重点实验室, 上海 200237;
3. 上海市环境监测中心, 上海 200235
2. State Environmental Protection Key Laboratory of Environmental Risk Assessment and Control on Chemical Process, Shanghai 200237, China;
3. Shanghai Environmental Monitoring Center, Shanghai 200235, China
臭氧是地球大气中重要的组成成分之一, 是由天然源和人为源排放的NOx和VOCs, 在光照条件下经过一系列复杂的光化学反应生成的[1, 2].作为大气中一种重要的氧化剂, 近地面O3对人体健康和农作物[3]等都会产生影响.臭氧的短期暴露会使人群总死亡率、心血管系统疾病和呼吸系统疾病死亡率增加[4, 5], 还会对人类生殖系统造成损害[6].不仅如此, O3还会影响二次气溶胶生成[7, 8], 引发复合污染效应.自2013年大气污染防治计划实施以来, PM2.5得到了有效的控制, 但O3浓度依旧呈上升趋势, 以O3为特征的大气光化学污染依然是我国城市地区面临的重大区域性环境问题.
本地观测到的O3主要来源于远距离水平输送(等同于本文的区域背景)和本地光化学生成.目前, 已开展的关于O3区域输送特征的研究, 贾海鹰等[9]对北京地区2015年8月进行背景O3来源特征研究时发现, 河北、山东和河南对O3外来输送贡献率分别为25%、12%和7%.有研究指出, 在O3污染峰值时刻, O3来源主要是本地光化学生成, 区域输送为次要因素, 而除了在光化学作用最大的时段, 周边区域对北京O3浓度的贡献更明显[10].天津的O3区域性污染同样明显, 本地臭氧来源贡献率仅占8%~20%[11].Shu等[12]使用CMAx模型研究发现, 上海O3污染以华东地区之外的超区域运输为主(30.3%~63%).除此之外, 在杭州[13]、青岛[14]和武夷山[15]等地都有类似的研究, 以上都说明了区域输送对O3浓度的贡献.而对于城市乃至工业区来说, 本地生成的贡献亦不可小觑.徐家洛等[16]对杭州湾北岸石化区的O3重污染时段研究发现, 工业区臭氧生成受VOCs控制, 芳香烃和烯/炔烃是O3生成的关键物种.对南京工业区研究表明, 交通排放和工业排放的VOCs对O3形成的贡献最大[17, 18].
以往关于区域输送的研究多是从模型入手, 这方便了人们探究O3来源的机制, 但不可避免也会存在模拟误差的缺陷, 而工业区的研究多局限于O3的本地生成特征.本文将基于在线观测数据, 以长三角某石化工业区为例, 了解区域背景与本地生成对于O3浓度的相对贡献, 有助于进一步制定前体物的减排措施, 以期为长三角地区区域联防联控提供有效建议.
1 材料与方法 1.1 观测点与时间观测点位于上海市西南部某石油化工园区内、边界和周边附近处, 共设置A、B和C等9个监测点位, 监测点分布如图 1所示.该工业园区是以石油化工为基础的国家级经济技术开发区, 具有每年千万吨的综合加工原油能力和近百万吨的乙烯生产能力, 主要产品包括石油、化工、合成树脂和合成纤维这4个大类.北部是精细化工园区, 南边为大型石油炼化基地.其中, B和C站点附近有多座聚烯烃联合装置, 是园区内乙烯和丙烯污染物的主要来源.园区西侧紧邻浙江嘉兴市, 南部为杭州湾, 东侧和北侧是居民住宅区, 东北方向相距15 km处为另一化工区.本研究在观测点对O3和VOCs等污染因子开展为期3个月(2020年6~8月)的连续观测.其中共测得36种VOCs, 包括12种烷烃、7种烯炔烃、11种芳香烃和6种卤代烃, 具体物种参见表 1.气象参数进行同步观测, 时间分辨率为1 h.
|
图 1 观测点位示意 Fig. 1 Observation sites in this measurement |
|
表 1 VOCs物种组分 Table 1 VOCs species components |
1.2 观测仪器
VOCs采用气相色谱-氢火焰离子检测器(GC-FID)进行测试, 采样时间为30 min.为确保数据准确性, 每天需检查网络连接情况和仪器设备完整性, 每两周开展一次通标检查, 以确定各组分浓度偏差, 并开展VOCs空白检查, 每个目标化合物空白响应小于0.3×10-9, 所有目标化合物空白总响应小于3×10-9. O3由ThermoFisher Model 49i O3分析仪测得.监测设备具体信息见表 2.
|
|
表 2 站点监测设备信息 Table 2 Monitoring equipment information at each monitoring station |
1.3 分析方法 1.3.1 臭氧生成潜势(OFP)
人们常用VOCs臭氧生成潜势(ozone formation potential, OFP)来表达VOCs各物种对O3生成的贡献[19].MIR取自Carter研究中心的修正值[20].计算公式为:
|
(1) |
式中, [VOCs]i表示实际观测中某VOCs物种的大气环境浓度, μg·m-3; [MIR]i(max incremental reactivities, 最大增量反应活性)表示某VOCs化合物在臭氧最大增量反应中的臭氧生成系数.
1.3.2 气流轨迹反演模式(HYSPLIT)混合单粒子拉格朗日综合轨迹模式(hybrid single particle Lagrangian integrated trajectory model, HYSPLIT)可用来追踪气团的运动轨迹.HYSPLIT-4模型由美国国家海洋和大气管理局(NOAA)的空气资源实验室和澳大利亚气象局联合研发, 用于计算和分析大气污染物的输送和扩散轨迹.该模型把全球1°×1°数据差值到正方形投影的地图数据上, 具有处理多种气象要素输入场、多种物理过程和不同类型污染物排放源功能的较为完整的输送、扩散和沉降模式, 在各个地区的多种污染物研究过程中有着广泛的应用[11, 21].本文使用HYSPLIT网页版(https://ready.arl.noaa.gov/HYSPLIT.php), 气象参数选择GDAS(1 degree), 模拟地点为A站点(北纬30.72°, 东经121.52°), 模拟形式选择后向轨迹, 模拟高度为100 m, 模拟时间为48 h, 每6 h开始新轨迹.此外, 需要注意的是, GDAS资料为UTC时间, 如果要模拟北京时间4月27日00:00, 模式使用的起始时间应为4月26日16:00.
1.3.3 TCEQ区域背景臭氧估算法TCEQ区域背景O3估算法是美国得克萨斯州环境质量委员会(Texas Commission on Environment Quality, TCEQ)基于大数据统计分析理念提出的区域O3估算方法, 并用这种方法计算了休斯顿-加尔维斯顿地区1998~2003年平均背景O3和本地O3[22, 23].休斯顿位于美国得克萨斯州中南部, 其临海位置与本研究化工区地理位置相似, 缩小研究尺度能避免大气环流的干扰.
该方法是计算区域中每个站点的日最大8 h滑动平均臭氧浓度(daily maximum 8-h average O3, DMA8-O3), 将所有站点的最低DMA8-O3视作区域背景O3, 最高DMA8-O3则额外包含了由本地光化学反应主导生成的O3浓度, 站点间最高值与最低值之差即为本地生成O3浓度, 如式(2)和式(3)所示, 并可以计算区域背景对O3浓度的贡献[式(4)].
|
(2) |
|
(3) |
|
(4) |
式中, ρL(O3)表示本地生成O3浓度, μg·m-3; ρR(O3)表示区域背景O3浓度, μg·m-3; ρmax(DMA8-O3)表示各站点中ρ(DMA8-O3)最大值, μg·m-3; ρmin(DMA8-O3)表示各站点中ρ(DMA8-O3)最小值, μg·m-3; ω(TCEQ)表示基于TCEQ法计算的背景贡献(%).
选择日滑动平均最大值进行计算, 一是为了消除动态观测过程中数据的随机起伏, 二是O3浓度日最大值一般出现在本地生成水平最高的午后.
1.3.4 主成分分析主成分分析(principal component analysis, PCA)是将原来多个相关性好信息重复的变量正交变换为少数线性无关的综合变量的一种多元统计方法.一般来说, 用于分析的原始数据变量之间的相关系数应大于0.3, 否则会使信息浓缩效果减弱[24]. 在本研究中, 任何一个站点都受到了区域性输入气团的影响, 区域背景O3是每个站点O3浓度中共同的“主成分”.用PCA对O3浓度矩阵进行分析时, 将该区域以站点形式表现的O3浓度水平变换为数量更少的综合指标, 这样可以将区域背景O3作为一个因子提取出来.
由于PCA是线性变化, 如果保留所有主成分, 那么原始数据资料x可以从PCA的分析结果中恢复[25].并且可以通过将主成分方差贡献fi与每日主成分振幅αi的乘积相加来还原每日园区O3浓度平均值[26], 如式(5)所示.由于推导过程繁琐, 在这里不再赘述.
|
(5) |
|
(6) |
式中, ρAVE(O3)表示参与PCA分析的每日园区O3浓度平均值, μg·m-3; ρ(O3)表示所有参与PCA分析的O3浓度平均值, μg·m-3; σ[ρ(O3)]表示所有参与分析的O3浓度数据标准差; fi表示主成分方差贡献; αi表示主成分振幅; si表示主成分得分; λi表示主成分特征值.
本研究使用Origin 2018版软件进行主成分分析计算, 分析对象为每日各站点O3最大8 h滑动平均浓度[ρ(DMA8-O3)], 分析矩阵为相关矩阵.
1.3.5 区域背景贡献每日O3水平可分为背景O3和本地生成两部分, 那么, 可以根据TCEQ法和PCA法的综合结果计算区域背景O3贡献ω, 如式(7)所示:
|
(7) |
式中, ρPCA-R(O3)表示由主成分分析法计算出的区域背景O3浓度, μg·m-3.
2 结果与讨论 2.1 气象与污染特征观测期间受亚热带季风气候控制, 如图 2所示, 园区主导风向为东风和东南风; 小时风速在0~5 m·s-1范围内, 平均风速为2.67 m·s-1.小时气温在16.9~38.6℃范围内, 其中8月平均温度最高, 平均日气温高达32.1℃, 平均相对湿度为88.69%, 略低于6月(96.33%)和7月(94.77%).
|
图 2 气象参数和污染物浓度时间序列 Fig. 2 Time series of meteorological parameters and pollutant concentrations |
在观测的81 d中, 有42 d存在至少一个站点O3浓度超标[环境空气质量标准(GB 3095-2012)日最大8 h滑动均值二级标准限值(160μg·m-3)], 该园区内O3浓度合格率仅为48.1%.园区ρ(MAD8-O3)最大值出现在A站点, 时间为8月5日, 为334.88μg·m-3, 超过国家二级标准限值109.3%.
观测期间ρ(VOCs-36)日均值范围为32.05~240.51μg·m-3, 6月3日ρ(VOCs-36)最高, 达240.51μg·m-3; 各组分中, 浓度最高的是烷烃, 占ρ(VOCs-36)的51.3%, 其次为烯/炔烃(22.4%)和芳香烃(16.7%), 卤代烃最少, 占比仅为9.7%. ρ(NOx)为10.15~47.51μg·m-3, ρ(O3)为31.81~144.43μg·m-3.区域输送贡献增大时会使ρ(O3)升高, 如6月6~8日, ρ(VOCs-36)和ρ(NOx)均处于较低水平, 但ρ(O3)较高, 在本地生成不利的情况下, 高浓度的O3可能来源于区域输送, 这与图 4中该时段ω(TCEQ)的变化一致.O3浓度还会受到温度和相对湿度的影响, 如7月12日ρ(O3)日均值较高, 而当日17:00温度达到34.48℃, 推测较高的温度可能加剧了光化学反应; 7月6日ρ(O3)日均值较低, 而当天平均相对湿度达99.67%, 不利于O3的生成.风速的变化可以形成不同的扩散条件, 如7月29日至8月5日, ρ(O3)、ρ(VOCs-36)和ρ(NOx)均处于较低水平, 而该时段风速明显高于其他时段, 约为3~5 m·s-1, 可能形成了有利的扩散条件, 使污染物浓度降低.
图 3显示了各个站点的ρ(O3)和ρ(NOx)分布.其中A点ρ(O3)最高, 为106.71μg·m-3, 其次为B和D站点, G站点最低, O3浓度分布呈现“东南高-西北低”的园区分布.与之相反的是, ρ(NOx)在G、H和I站点较高, 东南边界方向的B和F站点最低, 呈现“西北高-东南低”的分布特征, 原因可能为NOx的增加强化了NO的滴定效应, 这也与Li等[27]的研究显示O3与NOx呈负相关性一致.
|
图 3 ρ(O3)和ρ(NOx)的站位分布 Fig. 3 Site distribution of ρ(O3)and ρ(NOx) |
在使用TCEQ法进行计算时, 剔除6月15~17日和7月14~22日的某些站点时段明显异常的低值, 尽管其浓度最低, 但并不能视为区域背景, 因为有可能受到了当地排放(如NOx)的影响[28].计算得出每日的区域背景与本地生成及其占比情况, 如图 4所示.在整个观测期间, ρR(O3)为32.63~191.13μg·m-3, ρL(O3)为16.08~258.63μg·m-3, ω(TCEQ)为22.8%~87.7%.由图 4可见, ω(TCEQ)基本处于50%~90%范围内, 个别时段ω(TCEQ)较小, 本地生成O3浓度比重较大, 且均出现于8月, 这需要结合其他手段进一步分析原因.
|
图 4 ρR(O3)、ρL(O3)和ω(TCEQ)时间序列 Fig. 4 Time series of ρR(O3), ρL(O3), and ω(TCEQ) |
图 5为各站点ρ(O3)相关系数矩阵[各站点间均显著相关(P < 0.01)], 可以看出, 各站点浓度之间具有较好的相关性, 相关系数均大于0.45.其中.B、F、H和I这4个站之间相关性较强, 约为0.8~0.9, A和E两站与其他站的相关系数较弱, 说明这两站与其他站点O3浓度变化有所差异, O3来源异于其他站点.
|
图 5 各站点ρ(O3)相关系数矩阵 Fig. 5 Coefficient matrix of ρ(O3) at each station |
将观测期间每日各个站点的O3最大8 h滑动平均浓度[ρ(DMA8-O3), 共81组]进行PCA分析并进行进一步计算和汇总后发现, 第一主成分(PC1)解释了数据中近78%的方差, 第二主成分和第三主成分分别解释了7.4%和5.2%的方差.而本研究使用PCA的主要目的为分离背景O3浓度, 结合选取累计贡献率达85%的前m个主成分的一般规则, 故选取第一主成分和第二主成分进行分析.
图 6绘制了PC1和PC2的载荷系数, 这些系数范围从-1~1, 代表了每个站点所有81 d对收集到的观测值的平均贡献.如图 6(a)所示, 各站点对应于第一主成分(PC1)的载荷系数均在0.25~0.4之间, PC1解释了数据78%的方差.这种几乎均匀一致的空间格局表明, PC1与区域背景O3浓度相关[26].因此, 可以用式(5)的第一项计算出区域背景O3, 如式(8)所示, 计算出的ρPCA-R(O3)范围为66.38~219.83μg·m-3.
|
(8) |
|
图 6 PC1和PC2的载荷系数分布 Fig. 6 Coefficient distribution of PC1 and PC2 |
另外, 尽管各站点系数相近, 但园区外围站点比内部站点PC1系数略高, 说明外围站点浓度更多地反映了背景臭氧浓度变化的影响.
与PC1不同的是, PC2具有明显的空间差异, 这些系数代表了某些站点的O3增加和其他站点的O3减少.其中以A和C站的增减最明显.PC2的特征是园区中部为正系数, 南部和北部为负系数, 这种空间分布特征结合A和C站的系数数值特征, PC2可能与气象辐合有关.
为探究A站和C站浓度变化“特立独行”的原因, 将β定义为A站和C站O3浓度差异百分比[式(9)].由图 7可以看出, ρA(O3)和ρC(O3)在多数情况下差异较小, 具有较大差异的时段与PC2得分升高时段吻合较好, 而ρC(O3)与其他站点相关性良好, 说明PC2代表了ρA(O3)异常升高情况, 这也是A站与其他站点相关性较差的原因.
|
(9) |
|
图 7 A和C两站差异β与PC2得分时间序列 Fig. 7 Time series of the PC2 score and β between station A and C |
式中, ρA(O3)表示A站O3测量浓度, μg·m-3; ρC(O3)表示C站O3测量浓度, μg·m-3.
将β＞40%的时段定义为异常时段, 其余时刻为一致时段, 来探究ρA(O3)异常的原因.由图 8可以看出, 工业区受海陆风影响, 总体上以东南风和东风为主体, 但异常时段相比一致时段, 东南风频减少, 东北风和西南风风频增加, 说明ρA(O3)异常高值时刻受到了来自东北和西南气团的影响.
|
图 8 异常与一致时段风向玫瑰图 Fig. 8 Wind-rose diagram during abnormal and consistent periods |
为探究污染气团来源, 分别选取典型异常时段和一致时段, 结合后向轨迹做进一步分析, 如图 9所示. 6月5~9日ρA(O3)和ρC(O3)差异较小, 气团主要始于朝鲜海峡及日本南部大隅海峡, 经由东南及东部沿海, 到达观测位点.6月15~18日, ρA(O3)和ρC(O3)变化出现较大差异, 气团主要始于西南内陆, 经由广东、江西、福建和浙江到达上海, 或来自上海东北岸近海, 并伴有2 000 m高空气团向下输入, 这与图 8显示的污染气团来自西南和东北的对比结果一致.7月22日15:00, ρA(O3)达到723μg·m-3, C站及其他站点O3浓度均在200 μg·m-3左右, ρA(O3)比ρC(O3)高出2.67倍, 前后2 h之外浓度相差较小, 后向轨迹显示气团方向来源由东南沿海逐渐转为西南方向.综上, 西南内陆输送会使ρA(O3)大幅升高, 东南沿海方向的洁净气团使A站和C站有一致的O3浓度变化趋势.
|
图 9 典型时刻后向轨迹示意 Fig. 9 Backward trajectory during typical conditions |
上海是沿海城市, 海陆风发生频繁, 有研究发现, 海陆风发生时可抬高O3峰值浓度16μg·m-3, 对沿海污染物浓度的影响程度大于内陆[29]. ρA(O3)异常的高值可能源自西南-东北向的海陆风辐合.PC2代表受气象辐合影响下的个别站点O3浓度异常情况.
2.4 方法检验 2.4.1 可靠性分析为对方法可靠性进行检验, 筛选6月9~18日、7月4~14日和8月4~6日(对应浅灰背景部分: 时段Ⅰ、时段Ⅱ和时段Ⅲ)共计24 d的3个典型时段进行OFP、O3浓度和温度的分析比较, 如图 10所示.
|
红色和蓝色箭头分别表示ρL(O3)与园区OFP变化对应和不对应的情况, 粉色背景表示省略详细分析的时段 图 10 部分时段O3浓度和OFP时间序列 Fig. 10 Time series of O3 concentrations, temperature, and OFP for some periods |
由图 10可以看出, 时段Ⅰ期间, 6月9~13日化工区OFP逐渐增加, 6月14~18日OFP水平低于时段Ⅰ前期, ρL(O3)与OFP变化一致, 说明TCEQ法基本捕捉到了该时段内本地生成部分O3浓度的变化.时段Ⅱ期间, 7月3~5日区域OFP与ρL(O3)变化一致, 但7月6~11日区域OFP总体有所降低, ρL(O3)升高, TCEQ方法未完全捕捉到本地生成的变化, 原因可能是因为该时段内出现了较多次数的某个或某几个站点O3浓度异常升高, 导致用来评估区域输送与本地生成之和的最大值站点浓度被高估, 本地生成(差值)被高估, 时段Ⅲ同理.结合图 4、图 7和图 10, 8月O3本地生成高于6月和7月, 而8月ρA(O3)异常高值情况出现次数多于6月和7月, 因此, 8月存在一定程度的估计误差, 即ρL(O3)被高估.根据图 10(a)中的红色和蓝色箭头来看, ρL(O3)增加(或减少)基本都能找到与之对应的OFP增加(或减少)的迹象, TCEQ法具有一定的准确性.去除可能的估计误差(图 10中蓝色箭头指示部分), 该工业区ρL(O3)基本处于16.08~134.25μg·m-3范围内, ρR(O3)为32.63~191.13μg·m-3, ω(TCEQ)为32.63%~87.7%.
2.4.2 方法对比图 11绘制了TCEQ和PCA两种方法得到的区域背景O3浓度水平.两种方法得到的区域背景浓度变化趋势呈现很好地吻合, 两种方法均具有一定的可靠性, 其中6月和7月数值吻合较好, 8月稍差, 这与A站(或其他站点)浓度异常情况有关.值得注意的是, 由ρPCA-R(O3)全部大于ρR(O3), PC1除了代表分离出的区域背景O3的外, 还是所有站点O3浓度数据的压缩概括, 而将TCEQ区域背景O3定义为某天某最小值站点, 虽然在计算中将O3浓度明显异常低值时段的站点数据进行剔除, 但不可避免会受到某天某低值O3浓度影响, 导致区域背景浓度被低估.
|
图 11 ρR(O3)和ρPCA-R(O3)时间序列 Fig. 11 Time series of ρR(O3)and ρPCA-R(O3) |
将剔除和未剔除误差数据两种情况下的ω绘制成频数分布直方图, 如图 12所示.可以看出, 无论剔除与否, ω在75%~100%范围内的频数分布无明显区别, 剔除的数据主要处于30%~75%, 该部分数据所对应的O3浓度出现的异常升高情况会使ρL(O3)和ρmax(DMA8-O3)被高估, 造成比值ω结果偏小.这也是2.2节中提到的ω(TCEQ)值在8月偏小的原因.因此.剔除误差数据后, ω基本处于75%~95%范围内.
|
图 12 区域背景占比ω频数分布 Fig. 12 Frequency distribution of the regional background proportion ω |
(1) TCEQ区域背景臭氧估算法计算得出的本地生成O3浓度变化基本能够与该园区内OFP的变化对应, 具有较好的应用性; 该工业区O3区域背景浓度占O3浓度百分比为32.63%~87.7%.但在应用中需要考虑个别站点异常浓度可能带来的误差, 需要对数据误差进行分析.
(2) PCA计算结果显示, PC1和PC2分别解释了整体数据77.97%和7.38%的方差. PC1代表区域背景O3, PC2代表受气象辐合影响下的个别站点O3浓度异常情况.因此区域背景O3浓度为66.38~219.83μg·m-3.
(3) TCEQ区域背景臭氧估算法和PCA两种方法的计算结果具有一致性.区域背景O3占比处于75%~95%范围内; 因此区域输送对石化园区O3浓度的贡献不容忽视.
| [1] | Wang T, Xue L K, Brimblecombe P, et al. Ozone pollution in China: a review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2017, 575: 1582-1596. DOI:10.1016/j.scitotenv.2016.10.081 |
| [2] | 唐孝炎, 张远航, 邵敏. 大气环境化学[M]. (第二版). 北京: 高等教育出版社, 2006: 60-61. |
| [3] |
冯兆忠, 彭金龙. 中国粮食作物产量/木本植物生物量与地表臭氧污染的响应关系[J]. 环境科学, 2021, 42(6): 3084-3090. Feng Z Z, Peng J L. Relationship between relative crop yield/woody plant biomass and ground-level ozone pollution in China[J]. Environmental Science, 2021, 42(6): 3084-3090. |
| [4] |
林少凯, 林在生, 王恺. 福州市大气臭氧暴露对人群循环系统疾病死亡风险评估[J]. 中国公共卫生, 2020, 36(6): 929-932. Lin S K, Lin Z S, Wang K. Risk assessment on ambient ozone exposure-related circulation system mortality among residents in Fuzhou city[J]. Chinese Journal of Public Health, 2020, 36(6): 929-932. |
| [5] |
叶伟鹏, 刘苗苗, 毕军. 中国臭氧短期暴露与人群死亡之间关系的Meta分析研究[J]. 环境科学学报, 2020, 40(7): 2644-2651. Ye W P, Liu M M, Bi J. Meta-analysis of the associations between short-term ozone exposure and human mortality in China[J]. Acta Scientiae Circumstantiae, 2020, 40(7): 2644-2651. |
| [6] |
梁悦, 严鑫鑫, 张金哲, 等. 沈阳市大气污染与男性精液质量的关系研究[J]. 中国当代医药, 2020, 27(2): 178-182. Liang Y, Yan X X, Zhang J Z, et al. Study on the relationship between atmospheric pollutants and male sperm quality in Shenyang[J]. China Modern Medicine, 2020, 27(2): 178-182. DOI:10.3969/j.issn.1674-4721.2020.02.055 |
| [7] |
赵辰航, 耿福海, 马承愚, 等. 上海地区光化学污染中气溶胶特征研究[J]. 中国环境科学, 2015, 35(2): 356-363. Zhao C H, Geng F H, Ma C Y, et al. Aerosol characteristics during photochemical pollution in Shanghai area[J]. China Environmental Science, 2015, 35(2): 356-363. |
| [8] | Chen L, Xing J, Mathur R, et al. Quantification of the enhancement of PM2.5 concentration by the downward transport of ozone from the stratosphere[J]. Chemosphere, 2020, 255. DOI:10.1016/j.chemosphere.2020.126907 |
| [9] |
贾海鹰, 尹婷, 瞿霞, 等. 2015年北京及周边地区臭氧浓度特征及来源模拟[J]. 中国环境科学, 2017, 37(4): 1231-1238. Jia H Y, Yin T, Qu X, et al. Characteristics and source simulation of ozone in Beijing and its surrounding areas in 2015[J]. China Environmental Science, 2017, 37(4): 1231-1238. DOI:10.3969/j.issn.1000-6923.2017.04.004 |
| [10] |
赵芸程, 李杰, 杜惠云, 等. 北京夏季近地面臭氧及其来源的数值模拟研究[J]. 环境科学学报, 2019, 39(7): 2315-2328. Zhao Y C, Li J, Du H Y, et al. Numerical simulation of near-surface ozone and its sources in Beijing in summer[J]. Acta Scientiae Circumstantiae, 2019, 39(7): 2315-2328. |
| [11] |
李源, 孔君, 徐虹, 等. 天津市臭氧污染特征及来源解析研究[J]. 环境污染与防治, 2019, 41(6): 647-651. Li Y, Kong J, Xu H, et al. Analysis of ozone pollution characteristic in Tianjin and its source apportionment[J]. Environmental Pollution and Control, 2019, 41(6): 647-651. |
| [12] | Shu L, Wang T J, Xie M, et al. Episode study of fine particle and ozone during the CAPUM-YRD over Yangtze River Delta of China: characteristics and source attribution[J]. Atmospheric Environment, 2019, 203: 87-101. DOI:10.1016/j.atmosenv.2019.01.044 |
| [13] |
周德荣, 蔡哲, 田旭东, 等. G20峰会期间杭州市大气区域输送特征研究[J]. 中国环境监测, 2020, 36(5): 14-21. Zhou D R, Cai Z, Tian X D, et al. Study on the regional air transport characteristics of Hangzhou during the G20 summit[J]. Environmental Monitoring in China, 2020, 36(5): 14-21. |
| [14] |
刘超, 徐冉, 张天航, 等. 青岛"上合峰会"保障期间臭氧污染特征及其来源贡献分析[J]. 气象与环境科学, 2020, 43(3): 51-58. Liu C, Xu R, Zhang T H, et al. Analysis of ozone pollution characteristics and its sources during the Shanghai cooperation organization summit in Qingdao[J]. Meteorological and Environmental Sciences, 2020, 43(3): 51-58. |
| [15] |
苏彬彬. 华东森林及高山背景区域臭氧变化特征及影响因素[J]. 环境科学, 2013, 34(7): 2519-2525. Su B B. Characteristics and impact factors of O3 concentrations in mountain background region of East China[J]. Environmental Science, 2013, 34(7): 2519-2525. |
| [16] |
徐家洛, 段炼, 朱雨欣, 等. 杭州湾北岸上海段石化集中区臭氧重污染过程研究[J]. 环境科学研究, 2020, 33(10): 2246-2255. Xu J L, Duan L, Zhu Y X, et al. Heavy ozone pollution in Shanghai petrochemical concentration area of Hangzhou Bay north shore[J]. Research of Environmental Sciences, 2020, 33(10): 2246-2255. |
| [17] |
张玉欣, 安俊琳, 王俊秀, 等. 南京工业区挥发性有机物来源解析及其对臭氧贡献评估[J]. 环境科学, 2018, 39(2): 502-510. Zhang Y X, An J L, Wang J X, et al. Source analysis of volatile organic compounds in the Nanjing industrial area and evaluation of their contribution to ozone[J]. Environmental Science, 2018, 39(2): 502-510. |
| [18] |
曹梦瑶, 林煜棋, 章炎麟. 南京工业区秋季大气挥发性有机物污染特征及来源解析[J]. 环境科学, 2020, 41(6): 2565-2576. Cao M Y, Lin Y C, Zhang Y L. Characteristics and source apportionment of atmospheric VOCs in the Nanjing industrial area in autumn[J]. Environmental Science, 2020, 41(6): 2565-2576. DOI:10.3969/j.issn.1000-6923.2020.06.027 |
| [19] |
杨笑笑, 汤莉莉, 张运江, 等. 南京夏季市区VOCs特征及O3生成潜势的相关性分析[J]. 环境科学, 2016, 37(2): 443-451. Yang X X, Tang L L, Zhang Y J, et al. Correlation analysis between characteristics of VOCs and ozone formation potential in summer in Nanjing urban district[J]. Environmental Science, 2016, 37(2): 443-451. DOI:10.3969/j.issn.1000-6923.2016.02.021 |
| [20] | Carter W P L. Development of ozone reactivity scales for volatile organic compounds[J]. Air & Waste, 1994, 44(7): 881-899. |
| [21] | 奇奕轩. 北京北郊夏季臭氧及其前体物污染特征及影响因素研究[D]. 北京: 中国环境科学研究院, 2017. 43-45. |
| [22] | Nielsen-Gammon J W, Tobin J, McNeel A, et al. A conceptual model for eight-hour ozone exceedances in Houston, Texas part Ⅰ: background ozone levels in Eastern Texas[R]. Houston, Texas: Texas A&M University, 2005. 19-28. |
| [23] |
吴琳, 薛丽坤, 王文兴. 基于观测的臭氧污染研究方法[J]. 地球环境学报, 2017, 8(6): 479-491. Wu L, Xue L K, Wang W X. Review on the observation-based methods for ozone air pollution research[J]. Journal of Earth Environment, 2017, 8(6): 479-491. |
| [24] | 何晓群. 应用多元统计分析[M]. 北京: 中国统计出版社, 2015. |
| [25] | Wilks D. Statistical methods in the Atmospheric Sciences: an Introduction[M]. Pittsburgh: Academic Press, 1995. |
| [26] | Langford A O, Senff C J, Banta R M, et al. Regional and local background ozone in Houston during Texas air quality study 2006[J]. Journal of Geophysical Research: Atmospheres, 2009, 114(D7). DOI:10.1029/2008JD011687 |
| [27] | Li Q Q, Su G J, Li C Q, et al. An investigation into the role of VOCs in SOA and ozone production in Beijing, China[J]. Science of the Total Environment, 2020, 720. DOI:10.1016/j.scitotenv.2020.137536 |
| [28] | Nielsen-gammon J W, Tobin J, McNeel A. A conceptual model for eight-hour ozone exceedances in Houston, Texas part Ⅱ: eight-hour ozone exceedances in the Houston-Galveston metropolitan area[R]. Texas: Texas A&M University, 2005. 19-23. |
| [29] |
何礼, 束炯, 钟方潜, 等. 上海海陆风特征及其对臭氧浓度的影响[J]. 环境监测管理与技术, 2019, 31(3): 17-21. He L, Shu J, Zhong F Q, et al. Characteristics of sea-land breeze and its impact on ozone concentrations in Shanghai[J]. Administration and Technique of Environmental Monitoring, 2019, 31(3): 17-21. DOI:10.3969/j.issn.1006-2009.2019.03.005 |