2022, Vol. 43
2. 中国科学院大学, 北京 100049;
3. 中国科学院宁波城市环境观测研究站, 浙江省城市环境过程与污染控制重点实验室, 宁波 315800;
4. 韩山师范学院化学与环境工程学院, 潮州 521041;
5. 滨海国际合作学校, 宁波 315800
, PAN Yong1,2,3 , HUANG Zhong-wen4 , ZHANG Jing-jing5 , HUANG Xian-jun5 , HE Meng-meng1,3
, XIAO Hang1,3
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. Zhejiang Key Laboratory of Urban Environment Processes and Pollution Control, Ningbo Observation and Research Station, Chinese Academy of Sciences, Ningbo 315800, China;
4. School of Chemistry and Environmental Engineering, Hanshan Normal University, Chaozhou 521041, China;
5. Ningbo Binhai International Cooperative School, Ningbo 315800, China
近年来, 全国范围内细颗粒物(PM2.5)污染频繁发生[1~4]. PM2.5可以直接进入肺泡, 导致细胞内DNA损伤, 对人体健康造成危害[5]. PM2.5主要含有水溶性组分、元素组分和碳质组分[6].水溶性组分主要包含硫酸盐、硝酸盐、铵盐和氯化钠等, 占到细颗粒物浓度的60%~70%[7].水溶性离子集中的主要粒径范围, 与可见光波长相近, 对大气消光系数具有影响[8, 9], 是造成能见度下降的主要原因.水溶性离子能直接影响大气降水酸度, 也是导致大气复合污染的重要物种[10].
春节是中国最重要的传统节日, 已有大量研究发现国内各个城市, 在此期间细颗粒物和水溶性离子浓度有明显上升[11~14].春节期间空气质量影响因素较多, 由于社会活动和经济活动在春节前后一个多月的时间强度与往常不同, 再叠加烟花燃烧等因素, 造成这期间环境污染成因复杂.研究春节期间空气质量污染特征和组分来源, 对量化相关管控措施有重要意义.马莹等[11]的研究对广州春节期间MARGA数据进行分析, 发现爆竹燃放时期, 主要是细颗粒物污染, K+、Cl-和SO42-浓度急剧升高.姚祎等[12]对北京春节期间空气质量因素进行分析, 发现外部传输是主要的污染来源, 而不利气象条件使烟花燃放和散煤燃烧在短时间加重春节期间的空气污染.Yao等[13]的研究发现上海春节期间Mg2+、K+、Cl-和SO42-离子浓度出现剧增, 烟花是节日期间PM2.5的重要来源.Yu等[14]的研究发现, 南京市区禁止燃放烟花后, 春节期间仍然能观测到Ba、K、Hg和Pb元素浓度的急剧增长, 可能来源于周边郊区和农村传输.但长三角相关污染研究主要集中在上海和南京等特大城市, 宁波作为长三角重要的制造业产地, 相关研究相对较少.
宁波因属于典型的亚热带季风气候, 冬季湿冷, 盛行偏北风.冬季夜晚静稳状态时, 不利于污染物扩散, 致使颗粒物污染发生.探究该地区春节期间的大气污染特征, 对了解该地区大气污染物形成具有重要意义.此前研究多针对宁波细颗粒物污染时离子特征进行分析[15~17], 针对春节期间和不同污染源下水溶性离子组成状态变化的研究较少.故本研究利用MARGA(monitoring instrument for AeRosols and GAses)对宁波市春节期间大气细颗粒物中水溶性离子进行实时监测, 结合气象数据等, 分析细颗粒物、水溶性离子和痕量气体污染特征.使用PMF源解析模型, 推测水溶性离子的污染来源, 针对不同污染来源下细颗粒水溶性组成成分进行分析, 以期为宁波污染减排工作提供理论依据.
1 材料与方法 1.1 观测地点和采集设备研究观测地点位于中国科学院宁波城市环境观测研究站(29.75°N, 121.9°E)楼顶, 高于地面约20 m.采样地点无明显排放源.该站点位于春晓湖边, 周边为工业园区, 有天然气厂、汽车制造厂和制衣厂等工厂.从2016年2月1~26日, 利用MARGA监测痕量气体和PM2.5中的水溶性化学离子成分.
研究用到的相关参数来源于同一幢大楼自动气象站监测数据, 包括该站点的常规大气污染物(PM2.5)及气象要素(温度、湿度、风速和风向等)的小时数据.PM2.5是用赛默飞世尔公司的FH62 C-14监测仪, 利用β射线吸收法对大气中的颗粒物进行测定.温度、湿度、风速和风向采用德国Lufft公司的WS500-UMB气象站监测数据.降雨数据采用武汉新普惠PH-1气象站监测数据.
1.2 MARGA的介绍MARGA是由荷兰能源所与Metrohm Applikon公司共同研制, 可以在线监测气溶胶中水溶性无机离子与其前体气体浓度.本文中研究站点的MARGA采用PM2.5旋风分离器采集大气中的PM2.5样品, 大气中的水溶性气体被旋转式溶蚀器定量吸收, 颗粒物则被后面与溶蚀器相连接的蒸汽喷射气溶胶收集器所收集, 气溶胶中无机离子被喷射出的饱和水蒸气凝聚溶解, 溶解了气溶胶的液体进入25 mL的注射器中, 经脱气加内标后注入离子色谱柱进行含量分析.该仪器可以得到8种水溶性离子(Na+、NH4+、K+、Mg2+、Ca2+、Cl-、SO42-和NO3-)和5个痕量气体组分(SO2、HCl、NH3、HNO3、HNO2).
1.3 正交矩阵因子分解法(PMF)正交矩阵因子分析(PMF)是一种有效源解析手段, 是在传统的主成分分析上发展起来的受体模型.VOCs数据集可被视为i×j的数据矩阵X, 其中i为样本数, j为观测的化学物种数, PMF的原理如式(1)：
|
(1) |
式中, Xij为i样品中j组分的浓度, Gki为k个源对i样品的贡献, Fkj是第k个排放源中j组分的含量, Eij是残差, p为污染源数目.
PMF最优化解是使目标函数Q(E)趋近于自由度, 进而求解G和F, 如式(2)所示：
|
(2) |
式中, uij为样品i中组分j的不确定度, 计算如式(3)和式(4)：
|
(3) |
|
(4) |
式中, MDLj为组分j的最低检测限.
1.4 Piper图Piper图是水环境化学常用于表示离子平衡状态的图形.阳离子和阴离子分别用单独三元相图表示, 两个三元图中的数据点通过延长线投射到菱形, 通过菱形区域可以直观展示样品中阴阳离子的主要化学组成[18, 19].该图已被用于大气中水溶性离子[20, 21], 所有离子均换算为摩尔当量浓度计算百分比进行做图展示.TWSI(total water-soluble inorganic ions)是样品中所有水溶性离子浓度总和.
1.5 NOR与SOR计算硫氧化率(SOR)和氮氧化率(NOR)可以反映SO2和NO2二次转化的程度, SOR和NOR的值越大, 则表示SO2和NO2气体在大气中通过气相或液相反应更多地转化为二次气溶胶粒子, 计算公式如下：
|
(5) |
|
(6) |
研究期间温度、湿度、风速、风向、PM2.5、水溶性离子和痕量气体的时间序列变化如图 1所示.观测期间为冬季, 气温平均值为6.7℃, 湿度平均值为74.4%, 风速平均值为2.9 m·s-1, 主导风向是西北和西北偏西. ρ(PM2.5)范围在1~100 μg·m-3, 平均值为33.1μg·m-3.依照《环境空气质量指数(AQI)技术规定》(HJ 633-2012), 从2月1~26日, 宁波空气质量优良天数24 d, 轻度污染天数为2 d, 首要污染物为PM2.5.在研究时段内, PM2.5出现5次峰值超出环境空气质量国家二级标准(75 μg·m-3, GB 3095-2012)的污染过程, 分别出现在2月的3、6、13、20和24日.第一次污染过程从2月2日03:00开始, PM2.5浓度出现明显上升, 在2月3日02:00风速为1.5 m·s-1时达到最大值86 μg·m-3, 之后PM2.5浓度开始逐渐下降, 整个过程持续2 d.第二次污染过程中PM2.5浓度从2月5日16:00到2月6日08:00都维持在75 μg·m-3以上, 最高值出现在2月6日03:00, 风速为0.6 m·s-1, 在2月6日08:00后浓度急速下降.第三次峰值出现于2月13日19:00, 风向为正南方向, 风速小于2 m·s-1, 2月14日的降水可能造成ρ(PM2.5)迅速下降.第四次和第五次污染峰值均出现在风速大于4 m·s-1, 风向为西北风时, 污染过程持续时间不超过1 d. 2月7~13日为春节公休假期. 2月7~9日PM2.5日小时最高浓度均大于50 μg·m-3, 2月9日后浓度下降, 到2月11日03:00都维持在25 μg·m-3. 2月11日出现降雨, 一直到2月13日00:00, 相对湿度维持在100%.降水有利于空气中颗粒物清除, 在2月11~13日期间PM2.5浓度小于12 μg·m-3.
|
图 1 Time series in meteorological variables, PM2.5, water-soluble ions, and trace gases in Ningbo from February 1 to 26, 2016 |
将MARGA监测的细颗粒物中水溶性离子(SO42-、NO3-、Cl-、Na+、NH4+、Mg2+、K+和Ca2+)的浓度总和与在线监测的PM2.5浓度相比(图 2), 相关系数r为0.84, 说明水溶性离子浓度总和与PM2.5浓度之间具有强相关.拟合的直线的斜率为0.97, 表明MARGA所测8种水溶性离子是细颗粒物的主要组分.整个观测期间(2月1~26日)、春节前(2月1~6日)、春节间(2月7~11日)和春节后(2月14~20日)的水溶性离子和痕量气体的浓度平均值见表 1.
|
总浓度表示Cl-+NO3-+SO42-+Na++NH4++K++Ca2++Mg2+ 图 2 MARGA阴阳离子总浓度与在线仪器监测PM2.5浓度的相关性 Fig. 2 Correlation between MARGA anions and online instrument monitoring of PM2.5 |
|
表 1 水溶性离子和痕量气体浓度 Table 1 Concentration of water-soluble ions and trace gases |
SO42-、NO3-和NH4+主要来自气粒转化, 大气中NOx和SO2在氧化剂作用下, 生成硝酸和硫酸, 再与氨气反应形成铵盐. 3个离子属于二次水溶性无机离子(SNA), 互相影响, 与H2O形成一个复杂的SO42--NO3--NH4+-H2O无机气溶胶体系[22].它们在观测时段的平均值如表 1所示, 分别为10.5、12.5和7.2 μg·m-3, 占TWSI的31.8%、37.9%和21.7%.春节期间3个离子浓度下降, 分别为9.6、8.4和4.3 μg·m-3, 占TWSI的35.0%、30.7%和15.7%.相较于整个观测阶段, SO42-、NO3-和NH4+在春节期间浓度均有所下降, 但SO42-占比增加.细颗粒物NO3-与SO42-浓度比可以反映固定源和移动源对大气中S和N的贡献率[23], 整个观测阶段, NO3-与SO42-比值为1.2, 介于机动车尾气污染严重地区的6.9和电力排放明显地区的0.9[24]之间, 表明该地区受到移动源和固定源的综合影响; 该比值比国内的上海(2013~2014年, 1.49)[25]和成都(2015年, 1.57)[26]等观测点低, 说明相对国内其他地区, 观测点受到移动源贡献较低.在春节期间, NO3-与SO42-浓度比为0.9, 说明固定源和移动源对颗粒物的相对贡献发生较大变化.K+占TWSI的3.4%, ρ(K+)平均值为1.1 μg·m-3, 略低于石家庄(1.2 μg·m-3)[27]和上海(1.5 μg·m-3)[28].春节期间, ρ(K+)平均值为3.4 μg·m-3, 分别是春节前的3.6倍和春节后的4.8倍, 表明春节期间存在相关污染来源.观测期间ρ(Cl-)平均值为1.1 μg·m-3, 在PM2.5出现峰值时, 与SNA等同时出现浓度增加, Cl-可能主要为HCl等与其他气体经由液相反应而形成.Na+和Ca2+浓度较低, 仅占TWSI的1.3%和0.7%.前期研究得知, Na+在该地区冬季浓度较低, Ca2+在冬季主要分布在大于2.5 μm的粗颗粒态[20]. Mg2+在研究区域不同时期浓度均较低, 说明该地区几乎不存在细颗粒态Mg2+污染来源.
痕量气体整体浓度较低, 可能与MARGA低估痕量气体浓度有关[29].SO2是观测期间浓度最高的气体.春节前ρ(SO2)平均值为6.7 μg·m-3, 约为春节期间和春节后的2倍, 表明节前相关污染来源排放量较大.SO2是SO42-主要的气体前体物, 整个观测期间, SOR为0.73, 说明硫酸盐主要通过SO2氧化的二次转化产生.如图 3(a)所示, SO2和SO42-在整个观测期间呈中等相关(r=0.59), 但春节前、春节期间和春节后的SO2和SO42-相关性(r为0.85、0.54和0.12)差别较大, 可能受到前体物浓度影响.当SO2浓度较高时, 促进(NH4)2SO4较快地生成. ρ(HNO3)在观测期间平均值为0.94 μg·m-3, 在春节期间浓度较低.春节前ρ(HNO3)平均值为1.25 μg·m-3, 约为春节期间和节后的1.5倍.春节前、期间和春节后HNO3和NO3-的相关性如图 4(b)~4(d)所示(r为0.95、0.88和0.76), 均呈现较强相关性, NOR在观测期间为0.93, 远高于南京(0.18)[9]和杭州(0.15)[30], 说明HNO3转化率较高, 该地区存在明显二次污染.HNO2和HNO3主要源于机动车尾气排放, 观测期间ρ(HNO2)比ρ(HNO3)低, 但趋势一致, 春节期间平均值均较低, 可能与春节期间交通排放量下降相关.NH3是大气中重要的碱性气体, 春节后浓度较高, 可能与污染来源和大气中和反应等多种因素相关.观测期间ρ(HCl)平均值较低, 为0.044 μg·m-3, 春节前浓度较高.
|
图 3 SO42-和SO2相关性 Fig. 3 Correlation between SO42- and SO2 |
|
图 4 NO3-和HNO3相关性 Fig. 4 Correlation between NO3- and HNO3 |
利用PMF源解析模型对水溶性离子和PM2.5数据进行分析, 共获得4个因子, 模型模拟值和观测值进行相关性分析, 如图 5所示, 相关系数r为0.88, 斜率为0.96, 解析结果可靠.
|
图 5 PM2.5观测值和PMF模拟值散点图 Fig. 5 Scatter plots of observed and PMF model simulated PM2.5 |
因子源成分如图 6所示, 分别为爆竹燃烧源、二次生成(背景、工业源)和扬尘源, 在观测时段内对区域PM2.5贡献率分别是21.9%、64.5%和13.6%.图 7展现了4个污染源贡献率的时间序列.污染源贡献率是通过EPA PMF模型分别对4个污染源浓度值进行平均值为1的标准化处理.因子1中K+贡献率超过80.0%, 从图 7可知在2月7日出现剧增. 2月8~10日, 即春节、初一和初二, 因子1贡献率仍处于较高水平.K+通常被认为主要来自生物质燃烧[31], 而此前的研究表明, K+在烟花气溶胶中含量丰富[11, 13], 可作为烟花的示踪剂, 该因子被定义为爆竹燃烧源.从污染源极坐标图可以看出(图 8), 该污染源浓度高值主要出现在风速小于4 m·s-1的各个方向, 主要为本地排放造成.因子2中NO3-、SO42-和NH4+这3种离子贡献率都在60.0%以上, 故因子定义为二次生成源(背景).该污染源占到PM2.5的55.0%, 与张晶晶[20]研究中离线采样因子的分析结果一致, 是观测区域冬季最主要的污染来源.从图 1和图 7看出PM2.5浓度出现峰值超过75 μg·m-3的5次污染过程, 二次生成来源都呈现峰值, 污染特征明显.因子3中Cl-贡献率最大, 该元素主要来源于海盐粒子、燃煤和废物焚烧等.海盐中Cl-/Na+的比值被认为是1.81[27], 本研究比值为2.79, 大于海盐比值, 则海盐对该因子贡献小, 因子主要源于工业燃煤和废物焚烧等工业排放的HCl等与NH3经由液相反应而形成.因子3被定义成二次生成(工业源), 占PM2.5的9.5%.二次生成(工业源)与PM2.5浓度变化趋势较为一致, 说明污染来源长期排放.二次生成的背景和工业源浓度高值主要出现在西北和西南方向(图 8), 风速大于2 m·s-1, 可能来源于站点周边西南和西北的工业园区.因子4中Ca2+贡献率最高, 并伴随着较高Na+贡献率. Ca2+主要来源于沙尘、土壤尘和建筑尘, Na+主要来源于海盐、土壤尘和燃煤飞灰.在2月20~22日期间, 因子4贡献明显增加, 表明有污染输入, 2月20日因子贡献率达到峰值时.该因子浓度高值出现在西北风向(图 8), 风速大于6 m·s-1, 该因子可能与西北的扬尘输送相关, 因子定义为扬尘源.
|
图 6 PMF源成分谱 Fig. 6 Source profiles derived from PMF |
|
平均值=1表示模型计算后浓度被归一化, 每个污染源浓度在观测期间的平均值为1, 贡献率表示模型软件对污染源浓度以平均值=1的标准化处理后的计算值 图 7 PMF模型污染源贡献率变化 Fig. 7 Contribution rate variation in pollution sources derived PMF model |
|
色块表示特定风速风向下污染源加权浓度平均值, 单位为μg·m-3, 圆圈线代表风速(ws), 单位为m·s-1 图 8 污染源极坐标 Fig. 8 Polar diagram for pollution sources |
为研究不同污染源对细颗粒物化学组成影响, 对二次生成(工业源)、爆竹燃烧源和扬尘源小时贡献率曲线进行变点检测(change point detection)的二元切分(binary segmentation), 如图 7所示, 得到3对切分点, 分别为2月1日15:00和2月7日11:00、2月7日19:00和2月10日03:00以及2月20日07:00和2月22日06:00.通过切分点进行时段划分, 分别对应t1时段、t2时段和t3时段.由图 9(a)知, 在t1时段, 二次生成(背景)对PM2.5贡献率达到70.4%.二次生成(工业源)贡献率为13.2%, 高于整个观测时段贡献率(9.5%). t2时段开始时间为除夕夜, 结束时间为初三凌晨.该时段爆竹燃烧源成为贡献率最高的污染源[图 9(b)], 为69.2%, 说明除夕到初三是爆竹燃烧最集中的时段.二次生成(工业源)在这段时间, 因春节假期部分工厂停产, 排放源减少, 贡献率仅为3.8%. t3时段[图 9(c)], 扬尘源贡献大幅增加, 对PM2.5贡献率为50.3%.而二次生成(工业源)贡献率由t2时段的3.8%增加到6.1%, 表明工厂开始逐步恢复生产.
|
(a)t1(02-01~02-07), (b)t2(02-07~02-10), (c)t3(02-20~02-22) 图 9 不同时段污染源占比 Fig. 9 Proportion of pollution sources in different periods |
将颗粒物中水溶性无机离子按不同污染时段做Piper图(图 10).样品点主要出现在NH4+为主导的阳离子区域和SO42-为主导的阴离子区域.在t1时段二次污染是主要的污染来源, 离子组成如图 10(a)所示.样品点分布较为集中, PM2.5浓度变化对离子占比影响较小. NH4+平均占阳离子的92.2%, 细颗粒主要以NH4NO3和(NH4)2SO4状态存在.在t2时段, 如图 10(b)所示, 爆竹燃烧源对PM2.5贡献最大, 细粒子的混合状态以(NH4)2SO4为主, 包含K2SO4、NH4NO3和KNO3等成分.阳离子三元图中, Na++Mg2+在整个污染过程中占到2.5%~4.9%, 变化幅度小; NH4+平均占比为64.5%, 较t1时段降低; K++Ca2+平均占比为32.0%, 较t1时段增加, 主要为K+浓度增加.随着污染过程推移, 阳离子散点逐渐向NH4+占比下降和K+占比增加方向移动.样品点在阴离子三元图中较集中, SO42-是占比最高的离子.在t3时段, 扬尘源为主要污染源, K++Ca2+和Na++Mg2+平均占比分别为16.4%和8.1%.在2月20日07:00到2月21日07:00, PM2.5浓度降低, 扬尘源贡献较高时, NH4+占比降低, K++Ca2+和Na++Mg2+占比增加; 当PM2.5浓度平稳后, NH4+占比逐渐增加.阴离子则由NO3-为主要成分, 向以SO42-为主要成分转变.
|
图 10 不同时段水溶性离子Piper图 Fig. 10 Piper diagram of water-soluble ions in different periods |
(1) 宁波冬季ρ(PM2.5)平均值为33.1 μg·m-3, 存在轻度污染.MARGA测定的水溶性离子总浓度与PM2.5浓度具有很好的相关性.水溶性离子浓度大小排序为：NO3->SO42->NH4+>K+>Cl->Na+>Ca2+>Mg2+.SO42-、NO3-和NH4+是PM2.5的主要组分, 占到所测定水溶性离子浓度的91.2%.
(2) 爆竹燃烧源、二次生成(背景、工业源)和扬尘源是宁波沿海地区冬季PM2.5中水溶性离子的主要来源, 且该地区二次污染特征明显.爆竹燃烧源浓度在春节到初二出现剧增, 扬尘源主要源于西北的大气输送.
(3) 不同污染来源对水溶性阳离子组分影响明显.二次污染较重时, NH4+占比高达到92.2%; 爆竹燃烧为主要污染来源时, K++Ca2+占比显著增加, 平均占比为32.0%; 扬尘源为主要污染时, K++Ca2+和Na++Mg2+占比增加, 分别为16.4%和8.1%.
| [1] |
蒋琳, 朱彬, 王红磊, 等. 霾与轻雾天气下水溶性离子的组分特征——冬季长江三角洲地区一次污染过程分析[J]. 中国环境科学, 2017, 37(10): 3601-3610. Jiang L, Zhu B, Wang H L, et al. Characteristics of water-soluble ions in the haze and mist days in winter in Yangtze River Delta[J]. China Environmental Science, 2017, 37(10): 3601-3610. DOI:10.3969/j.issn.1000-6923.2017.10.001 |
| [2] |
陈颢元, 王晓琦, 程水源, 等. 京津冀和长三角地区一次重霾过程气象成因及传输特征[J]. 中国环境科学, 2021, 41(6): 2481-2492. Chen H Y, Wang X Q, Cheng S Y, et al. Analysis of meteorological causes and transmission characteristics of a heavy haze process in Beijing Tianjin Hebei and Yangtze River Delta[J]. China Environmental Science, 2021, 41(6): 2481-2492. DOI:10.3969/j.issn.1000-6923.2021.06.001 |
| [3] |
姬艺珍, 郭伟, 胡正华, 等. 太原市PM2.5积累特征及重污染天气成因分析[J]. 环境科学学报, 2021, 41(3): 853-862. Ji Y Z, Guo W, Hu Z H, et al. Accumulation characteristics of PM2.5 and the causes of serious pollution weather in Taiyuan city, China[J]. Acta Scientiae Circumstantiae, 2021, 41(3): 853-862. |
| [4] |
张宸赫, 赵天良, 陆忠艳, 等. 沈阳地区一次颗粒物重污染天气过程的气象成因分析[J]. 环境保护科学, 2021, 47(1): 97-103. Zhang C H, Zhao T L, Lu Z Y, et al. Analysis of meteorological causes of a heavy particulate matter pollution weather in Shenyang[J]. Environmental Protection Science, 2021, 47(1): 97-103. |
| [5] | Schlesinger R B, Kunzli N, Hidy G M, et al. The health relevance of ambient particulate matter characteristics: coherence of toxicological and epidemiological inferences[J]. Inhalation Toxicology, 2006, 18(2): 95-125. DOI:10.1080/08958370500306016 |
| [6] | Tian M, Wang H B, Chen Y, et al. Characteristics of aerosol pollution during heavy haze events in Suzhou, China[J]. Atmospheric Chemistry and Physics, 2016, 16(11): 7357-7371. DOI:10.5194/acp-16-7357-2016 |
| [7] | Bougiatioti A, Zarmpas P, Koulouri E, et al. Organic, elemental and water-soluble organic carbon in size segregated aerosols, in the marine boundary layer of the Eastern Mediterranean[J]. Atmospheric Environment, 2013, 64: 251-262. DOI:10.1016/j.atmosenv.2012.09.071 |
| [8] |
朱李华, 陶俊, 陈忠明, 等. 2010年1月北京城区大气消光系数重建及其贡献因子[J]. 环境科学, 2012, 33(1): 13-19. Zhu L H, Tao J, Chen Z M, et al. Reconstructed ambient light extinction coefficient and its contribution factors in Beijing in January, 2010[J]. Environmental Science, 2012, 33(1): 13-19. |
| [9] |
周瑶瑶, 马嫣, 郑军, 等. 南京北郊冬季霾天PM2.5水溶性离子的污染特征与消光作用研究[J]. 环境科学, 2015, 36(6): 1926-1934. Zhou Y Y, Ma Y, Zheng J, et al. Pollution characteristics and light extinction effects of water-soluble ions in PM2.5 during winter hazy days at north suburban Nanjing[J]. Environmental Science, 2015, 36(6): 1926-1934. |
| [10] | Yao X H, Fang M, Chan C K. The size dependence of chloride depletion in fine and coarse sea-salt particles[J]. Atmospheric Environment, 2003, 37(6): 743-751. DOI:10.1016/S1352-2310(02)00955-X |
| [11] |
马莹, 吴兑, 刘建. 珠三角春节期间PM2.5及水溶性离子成分的变化——以2012年为例[J]. 中国环境科学, 2016, 36(10): 2890-2895. Ma Y, Wu D, Liu J. The characteristics of PM2.5 and its water soluble ions during Spring Festival in PRD in 2012[J]. China Environmental Science, 2016, 36(10): 2890-2895. DOI:10.3969/j.issn.1000-6923.2016.10.002 |
| [12] |
姚祎, 王宇, 俞海, 等. 北京市2020年春节期间空气质量影响因素分析[J]. 环境与可持续发展, 2021, 46(2): 107-114. Yao Y, Wang Y, Yu H, et al. Analysis on the influencing factors of air quality during the Spring Festival in Beijing in 2020[J]. Environment and Sustainable Development, 2021, 46(2): 107-114. |
| [13] | Yao L, Wang D F, Fu Q Y, et al. The effects of firework regulation on air quality and public health during the Chinese Spring Festival from 2013 to 2017 in a Chinese megacity[J]. Environment International, 2019, 126: 96-106. DOI:10.1016/j.envint.2019.01.037 |
| [14] | Yu Y Y, He S Y, Wu X L, et al. PM2.5 elements at an urban site in Yangtze River Delta, China: high time-resolved measurement and the application in source apportionment[J]. Environment Pollution, 2019, 253: 1089-1099. DOI:10.1016/j.envpol.2019.07.096 |
| [15] |
林佳梅, 易辉, 佟磊, 等. 气团来源对沿海城市PM2.5中二次水溶性无机离子形成特征的影响研究[J]. 生态环境学报, 2019, 28(4): 795-802. Lin J M, Yi H, Tong L, et al. Study on the influence of air masses on secondary water-soluble inorganic ions in PM2.5 in a coastal city[J]. Ecology and Environmental Sciences, 2019, 28(4): 795-802. |
| [16] | Yang M R, Zhou J, Dai X R, et al. Characteristics of single aerosol particles during pollution in winter in an urban area of Ningbo, China[J]. Aerosol and Air Quality Research, 2019, 19(8): 1697-1707. DOI:10.4209/aaqr.2019.01.0038 |
| [17] | Cai Q L, Dai X R, Li J R, et al. The characteristics and mixing states of PM2.5 during a winter dust storm in Ningbo of the Yangtze River Delta, China[J]. Science of the Total Environment, 2020, 709. DOI:10.1016/j.scitotenv.2019.136146 |
| [18] | Peeters L. A background color scheme for piper plots to spatially visualize hydrochemical patterns[J]. Groundwater, 2014, 52(1): 2-6. DOI:10.1111/gwat.12118 |
| [19] | Teng W C, Fong K L, Shenkar D, et al. Piper diagram - A novel visualisation tool for process design[J]. Chemical Engineering Research and Design, 2016, 112: 132-145. DOI:10.1016/j.cherd.2016.06.002 |
| [20] | 张晶晶. 沿海地区气溶胶的粒径分布及气粒分配研究[D]. 厦门: 中国科学院城市环境研究所, 2018. |
| [21] | 林佳梅. 基于在线监测的沿海地区PM2.5中水溶性无机离子污染特征的研究[D]. 厦门: 中国科学院城市环境研究所, 2019. |
| [22] | Seinfeld J H, Pandis S N. Atmospheric chemistry and physics: from air pollution to climate change[M]. New York: John Wiley and Sons, 1998: 1-1326. |
| [23] | 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 |
| [24] | Tolocka M P, Solomon P A, Mitchell W, et al. East versus West in the US: chemical characteristics of PM2.5 during the Winter of 1999[J]. Aerosol Science and Technology, 2001, 34(1): 88-96. DOI:10.1080/02786820118957 |
| [25] | Ming L L, Jin L, Li J, et al. PM2.5 in the Yangtze River Delta, China: chemical compositions, seasonal variations, and regional pollution events[J]. Environmental Pollution, 2017, 223: 200-212. DOI:10.1016/j.envpol.2017.01.013 |
| [26] |
吴明, 吴丹, 夏俊荣, 等. 成都冬季PM2.5化学组分污染特征及来源解析[J]. 环境科学, 2019, 40(1): 76-85. Wu M, Wu D, Xia J R, et al. Analysis of pollution characteristics and sources of PM2.5 chemical components in Chengdu in Winter[J]. Environmental Science, 2019, 40(1): 76-85. DOI:10.3969/j.issn.1673-2049.2019.01.009 |
| [27] |
陈静, 杨鹏, 韩军彩, 等. 基于高分辨率MARGA数据分析石家庄PM2.5成分谱特征[J]. 中国环境科学, 2015, 35(9): 2594-2604. Chen J, Yang P, Han J C, et al. Analysis of PM2.5 spectrum characteristics in Shijiazhuang based on high resolution MARGA data[J]. China Environmental Science, 2015, 35(9): 2594-2604. DOI:10.3969/j.issn.1000-6923.2015.09.005 |
| [28] |
王晓浩, 赵倩彪, 崔虎雄. 基于在线监测的上海郊区冬季PM2.5来源解析[J]. 南京大学学报(自然科学), 2015, 51(3): 517-523. Wang X H, Zhao Q B, Cui H X. PM2.5 source apportionment at suburb of Shanghai in winter based on real time monitoring[J]. Journal of Nanjing University (Natural Sciences), 2015, 51(3): 517-523. |
| [29] | Rumsey I C, Cowen K A, Walker J T, et al. An assessment of the performance of the Monitor for AeRosols and GAses in ambient air (MARGA): a semi-continuous method for soluble compounds[J]. Atmospheric Chemistry and Physics, 2014, 14(11): 5639-5658. DOI:10.5194/acp-14-5639-2014 |
| [30] |
吴丹, 蔺少龙, 杨焕强, 等. 杭州市PM2.5中水溶性离子的污染特征及其消光贡献[J]. 环境科学, 2017, 38(7): 2656-2666. Wu D, Lin S L, Yang H Q, et al. Pollution characteristics and light extinction contribution of water-soluble ions of PM2.5 in Hangzhou[J]. Environmental Science, 2017, 38(7): 2656-2666. DOI:10.3969/j.issn.1000-6923.2017.07.030 |
| [31] | Raveendran K, Ganesh A, Khilar K C. Influence of mineral matter on biomass pyrolysis characteristics[J]. Fuel, 1995, 74(12): 1812-1822. DOI:10.1016/0016-2361(95)80013-8 |