2. 国家大气污染防治攻关联合中心, 北京 100012
2. National Joint Research Center for Tacking Key Problems in Air Pollution Control, Beijing 100012, China
PM2.5是影响我国秋冬季空气质量的首要污染物, 在重点地区PM2.5污染尤为突出[1].钢铁行业排放量大, 是影响空气质量的重要排放源之一, 在京津冀及周边地区, 钢铁行业对SO2、NOx和一次PM2.5的排放量贡献占比分别为8.8%、9.9%和4.1%[2].因此, 快速识别钢铁行业排放对空气质量的影响, 对开展精细化治理工作十分重要.
基于观测数据的污染源排放识别方法包括比值法、示踪物法和受体模式源解析法等[3].比值法可减少气象影响, 判断污染源排放的相对强弱.对于常规污染物, 通常根据PM2.5/PM10[4]和NO2/SO2[5]判断扬尘排放和机动车/燃煤排放的相对强度.对于颗粒物组分, 通常根据NO3-/SO42-[6]和OC/EC[7, 8]判断不同排放源的贡献强度.此外, PM2.5中某些组分具有特定的来源, 可作为某些排放源的示踪物, 如用Mg、Al和Ca等表征扬尘源排放[9, 10], As、W、OC和Cl-表征燃煤源排放[11, 12], V和Ni用来表征移动源排放[13], Fe、Zn、Pb和Ca来表征钢铁源排放[14, 15].然而, 仅根据示踪物浓度变化难以量化污染源的贡献强度, 因此, 基于多元数据的主因子分析、化学质量平衡模型和正定矩阵因子分析等来源解析方法相继发展并应用于大量研究中[16, 17].
空气污染通常具有区域性的特点, 而颗粒物组分站点有限, 基于颗粒物组分数据的分析方法仅能反映出有限的空间信息[18, 19].目前, 我国在重点地区已建成高时空分辨率的环境空气质量监测网, 环境空气质量监测数据能够全面和客观地阐述空气污染的时空变化特点[20, 21], 然而, 以上数据大多用于环境空气质量的评价与考核, 很少用来分析空气污染成因和来源, 这是由于常规污染物的来源复杂, 而比值法仅反映出有限的污染信息, 因此亟待开发出基于环境空气质量监测数据来分析空气污染来源的多元分析方法[22~24].
本研究基于京津冀及周边地区(“2+26”城市)2018~2019年秋冬季国控与非国控的环境空气质量监测数据, 使用特征雷达图中的双重归一化算法[25]来识别空气污染特征, 以偏SO2-CO特征为例, 从污染特征时空分布、重点污染源排放特征和PM2.5源解析方面综合研判该特征下对空气质量影响最突出的污染源, 并将该方法应用于典型污染过程的排放源识别.本研究通过拓展环境空气质量监测数据的应用, 以期为快速识别钢铁行业排放对空气质量的影响提供了一种新的方法.
1 材料与方法 1.1 研究区域和数据来源研究区域为“2+26”城市, 研究时段为2018~2019年秋冬季(2018年10月1日~2019年3月31日), 研究时段包括非采暖期(2018年10月1日~2018年11月14日和2019年3月16日~2019年3月31日)和采暖期(2018年11月15日~2019年3月15日).国控与非国控空气质量监测数据来自中国环境监测总站的全国空气质量监测数据应用平台(http://123.127.175.60/), PM2.5组分数据来自中国环境监测总站的京津冀及周边综合立体观测数据共享平台(http://123.127.175.60:8765), 地面气象数据来自中央气象局的国家气象科学数据中心(http://data.cma.cn/), 研究区域与各站点分布如图 1所示, Dao等[26]的研究对PM2.5组分监测站点的采样和分析方法进行了详细解释.
由于空气质量监测数据之间离散程度不同, 且受气象条件影响下, 不同污染物之间的浓度波动存在共线性现象, 为消除不同污染物浓度变异程度的差异和由气象条件变化带来的污染物浓度的共线性波动[27], 段菁春等[25]对监测数据进行了两次归一化处理, 建立了特征雷达图来分析时间序列上不同排放源对空气质量的影响.本研究借鉴其思路, 采用特征雷达图中双重归一化算法的数据处理方法, 对空气质量监测数据中的SO2、NO2、CO、PM2.5和粗颗粒物(PM10与PM2.5的浓度差值)这5项因子进行污染特征分析, 具体方法如下.
步骤一, 求特定城市、特定时间下污染物的归一化值:
(1) |
式中, Zijk为i城市在j时刻下第k种污染物归一化值, cijk为i城市在j时刻下第k种污染物原始浓度.
步骤二, 求一定空间和时间范围内污染物的特征值上下限和特定城市、特定时间下污染物的特征值:
(2) |
(3) |
(4) |
(5) |
式中, Zk为一定城市和一定时间范围内第k种污染物归一化值的平均值, σk为第k种污染物归一化值的标准差, MAXk为一定空间和时间范围内第k种污染物的特征值上下限, DNVijk为i城市在j时刻下第k种污染物的特征值, 当DNVijk不小于MAXk, 则认为i城市在j时刻下污染特征由污染物k主导, 若多个污染物的DNVijk均不小于各自的MAXk, 则认为此时污染特征由多种污染物共同主导.
在实际应用中, 该算法所识别的污染特征主要受两个因素影响, 一是基准时段的选取, 过短的基准时段易导致归一化值的标准偏差增大, 不利于污染特征的识别, 段菁春等[24]的研究中, 通常选取30 d以上的数据以保证分布的正态性; 二是MAXk的选取, 过大的MAXk不易于识别污染特征, 而MAXk过小时, 易导致大于MAXk的DNVijk与DNVijk总体无明显差异.本研究中, 各城市在不同特征下的DNVijk与DNVijk总体的大小比较均通过Mann-Whitney U检验, 因此, 在通过假设检验的前提下, 也可根据实际情况来调整MAXk的选取方式.
1.3 主成分分析主成分分析法(principal component analysis, PCA)是一种通过正交变化来对多维数据进行特征提取或降维的统计方法[28, 29], 在PM2.5的来源解析中, 通常根据主成分中因子负载的大小和污染源特征元素来推断可能的污染源类型[30, 31].本研究对偏SO2-CO特征影响时段和非偏SO2-CO特征影响时段的PM2.5组分开展主成分分析, 判断不同特征下污染来源的差异.
2 结果与讨论 2.1 污染特征的识别结果5个污染因子最多可组合出31种污染特征, 当某污染特征在任一城市内的占比超过5%时, 认为环境中存在该污染特征.基于这一识别方法, 本研究共识别出8种典型污染特征, 分别为偏SO2、偏NO2、偏CO、偏PM2.5、偏粗颗粒物、偏SO2-CO、偏NO2-CO和偏PM2.5-CO特征, 区域内各污染特征的平均占比为18.2%、6.5%、8.8%、13.4%、10.8%、7.6%、1.6%和3.3%(图 2).以往的研究通常以单一污染物的浓度变化或相关比值来分析污染特征或推断排放来源[1, 19, 20], 而就多污染物协同变化的研究相对较少.因此, 本研究选取多元指标中分布最广和占比最高的偏SO2-CO特征, 结合污染特征时空分布、重点污染源排放特征和PM2.5组分解析, 判断该特征下对空气质量影响最突出的污染源.
从污染特征的时间分布上看, “2+26”城市偏SO2-CO特征在非采暖期的占比较采暖期高出11.5个百分点(图 2), 而Zhang等[32]的研究表明, 民用散煤用量与环境温度体现出负相关性, 在采暖期的民用燃煤用量显著高于非采暖期, 偏SO2-CO特征在不同时段的占比与燃煤用量之间不存在正相关性.从空间分布上看, 图 3中偏SO2-CO特征主要出现在钢铁企业集中分布的地区, 在唐山、安阳、邯郸和长治, 偏SO2-CO特征在钢铁企业集中分布地区的占比较其他区县高出14.9、15.2、25.4和18.1个百分点.因此, 偏SO2-CO特征可能受到钢铁行业排放的影响.
从“2+26”城市主要排放源的相对排放强度上看, 图 4中钢铁行业的SO2和CO排放强度是各行业平均水平的1.3倍和4.0倍[33], 且其他污染物的排放强度均低于行业平均水平.因此, 钢铁企业排放是导致环境中SO2和CO浓度快速增加的重要原因, 典型钢铁厂排放时, 周边1 km的SO2浓度增加了15.3μg·m-3, CO浓度增加了2.7 mg·m-3[34].与之相比, 虽然民用燃煤SO2和CO排放强度是区域均值的3.0倍和1.8倍, 但民用燃煤排放的污染物更加复杂, PM2.5的排放强度是区域均值的1.7倍, 在多种污染物的共同影响下, 环境中不易出现偏SO2-CO特征[35].因此, 钢铁行业排放可能是导致环境中偏SO2-CO特征出现的主要原因.
为明确偏SO2-CO特征可指示的行业来源, 对唐山、安阳和长治这3个典型城市在偏SO2-CO特征和非偏SO2-CO特征时段内的颗粒物组分进行对比, 如图 5所示, 偏SO2-CO特征时段内3个典型城市Fe、Zn、Pb和Cl-等元素在PM2.5中的占比均高于非偏SO2-CO特征时段, Fe高出1.03、0.63和0.52个百分点, Zn高出0.20、0.11和0.03个百分点, Pb高出0.16、0.06和0.08个百分点, Cl-高出1.40、1.61和2.40个百分点.作为铁矿石的主要成分, Fe是钢铁行业排放的重要示踪元素[36]; 由于我国多产贫矿、铁矿杂质较多, 冶炼前需洗选, 而铅锌铁镶嵌体因其具有颗粒细小、含量多变的特点, 普通洗选过程无法筛出, 因此Pb和Zn是钢铁粉尘的示踪元素[36, 37]; Cl-主要来自煤炭燃烧和脱硫剂的使用, NaCl是脱硫剂[Ca(OH)2和NaCl]中的重要成分, 由于脱硫阶段水的循环使用, 脱硫液中Cl-持续累积, 导致烟气中Cl-含量较高[38, 39].从PM2.5组分上看, 偏SO2-CO特征时段内PM2.5中钢铁行业的示踪元素要高于非偏SO2-CO特征时段.
为进一步确定典型城市PM2.5的主要来源, 对偏SO2-CO特征和非偏SO2-CO特征时段内PM2.5组分开展主成分分析, 结果见表 1和表 2.从各组分的因子负载上看, 在偏SO2-CO特征时段内, 唐山市主成分1中Ca2+、Cl-、Fe和Zn因子负载在0.7~1之间, 可指示钢铁行业的排放[40, 41], 主成分2中As、Se、OC、EC、SO42-和S因子负载在0.4~0.7之间, 可指示燃煤排放[11, 42], 偏SO2-CO特征时段内唐山市钢铁源和燃煤源对PM2.5分别贡献了48.6%和24.5%; 安阳市主成分1中Ca2+、Fe、Zn和Pb因子负载在0.7~0.8之间, 可指示钢铁行业排放, 主成分2中As、OC和EC因子负载在0.5~0.9之间, 可指示燃煤排放, 主成分3中NO3-和SO42-因子负载均为0.8, 可视为二次源[29], 偏SO2-CO特征时段内安阳市钢铁源、燃煤源和二次源对PM2.5分别贡献了36.9%、23.4%和13.5%; 长治市主成分1中Ca2+、Cl-、Fe、Zn和Pb因子负载在0.7~0.9之间, 可指示钢铁排放, 主成分2中OC、EC和As因子负载在0.6~0.9之间, 可指示燃煤排放, 主成分3中NO3-和SO42-因子负载为0.5和0.7, 可视为二次源, 偏SO2-CO特征时段内长治市钢铁源、燃煤源和二次源对PM2.5分别贡献了40.2%、25.1%和12.0%.相比之下, 3个城市在非偏SO2-CO特征时段内主要污染源为燃煤或扬尘源[43~45].从行业来源解析结果上看, 钢铁行业排放是偏SO2-CO特征时段内典型城市最主要的排放源.
2.3 典型污染过程分析
特征雷达图中的双重归一化算法具有时空分辨率高的特点, 可以快速分析当前污染特征, 判断对空气质量影响最为突出的污染源.以2018年11月22~24日唐山市的一次PM2.5污染过程为例, 唐山市区PM2.5浓度从48μg·m-3增至135μg·m-3, SO2和CO同步增加, 两者相关系数达0.977, SO2和CO小时峰值浓度分别为186μg·m-3和8.2mg·m-3(图 6); 从污染特征上看, 23日凌晨, 市区东部的开平区和古冶区率先出现偏SO2-CO特征, 随后在偏东风影响下, 唐山市区和丰南区相继出现偏SO2-CO特征, 因此, 唐山市区的污染主要来自东部钢铁企业的排放.从PM2.5组分上看, 23日唐山市区的Cl-浓度较22日增加了123.3%, Fe和Zn浓度分别增加了138.8%和570.0%, 而EC浓度降低了7.7%, OC浓度增加了2.1%, 碳质组分浓度变化不明显(图 7), 这同样说明唐山市区在这一时段受到钢铁企业的传输影响[46].
典型案例分析可以看出, 该算法可快速识别大气污染特征.但由于本算法采用的变量在环境中来源复杂, 因此, 在实际应用中, 仍需结合当地和上游地区的产业结构、空间分布和风场变化, 从多角度共同判断主要污染源.相较于传统方法, 本算法进一步拓展了空气质量监测数据的应用, 为快速识别钢铁行业排放对空气质量的影响提供了一种新的方法.
3 结论(1) 基于“2+26”城市2018~2019年秋冬季环境空气质量监测数据, 采用特征雷达图中的双重归一化算法可识别8种典型污染特征, 分别为偏SO2、偏NO2、偏CO、偏PM2.5、偏粗颗粒物、偏PM2.5-CO、偏SO2-CO和偏NO2-CO特征.其中, 偏SO2-CO特征平均占比为7.6%, 在多元指标特征中占比最高, 分布最广.
(2) 时间分布上, 偏SO2-CO特征在非采暖期占比较采暖期高出11.5个百分点; 空间分布上, 偏SO2-CO特征主要分布在钢铁企业集中的地区, 唐山、安阳、邯郸和长治市的钢铁企业数量大的区县较当地其他区县偏SO2-CO特征占比高出14.9、15.2、25.4和18.1个百分点; 重点污染源排放上, 钢铁行业的SO2和CO排放强度是各行业平均水平的1.3倍和4.0倍.
(3) PM2.5组分分析表明, 在偏SO2-CO特征时段内, 唐山、安阳和长治的Fe、Zn、Pb和Cl-等钢铁行业示踪元素均高于其他时段, 钢铁行业对当地PM2.5的贡献为48.6%、36.9%和40.2%.而在其他时段内, PM2.5排放源主要为燃煤或扬尘源.因此, 钢铁行业的排放是导致偏SO2-CO特征出现的重要原因.
(4) 典型污染过程分析表明, 特征雷达图中的双重归一化算法拓展了环境空气质量监测数据的应用, 为快速识别钢铁行业排放对空气质量的影响提供了一种新的方法.
[1] | Yang Y R, Liu X G, Qu Y, et al. Characteristics and formation mechanism of continuous hazes in China: a case study during the autumn of 2014 in the North China Plain[J]. Atmospheric Chemistry and Physics, 2015, 15(14): 8165-8178. DOI:10.5194/acp-15-8165-2015 |
[2] |
汤铃, 薛晓达, 伯鑫, 等. 中国钢铁行业大气环境影响[J]. 环境科学, 2020, 41(7): 2981-2994. Tang L, Xue X D, Bo X, et al. Contribution of emissions from the iron and steel industry to air quality in China[J]. Environmental Science, 2020, 41(7): 2981-2994. |
[3] | 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 |
[4] |
殷丽娜, 褚旸晰, 段菁春, 等. "2+26"城市一次多因素叠加重污染过程的特征分析[J]. 环境科学研究, 2019, 32(12): 2022-2030. Yin L N, Chu Y X, Duan J C, et al. Characteristics of a multi-factor superimposing haze episode in '2+26' cities[J]. Research of Environmental Sciences, 2019, 32(12): 2022-2030. |
[5] | 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 |
[6] | Arimoto R, Duce R A, Savoie D L, et al. Relationships among aerosol constituents from Asia and the North Pacific during PEM-West A[J]. Journal of Geophysical Research, 1996, 101(D1): 2011-2023. DOI:10.1029/95JD01071 |
[7] | Turpin B J, Huntzicker J J, Larson S M, et al. Los Angeles summer midday particulate carbon: primary and secondary aerosol[J]. Environmental Science & Technology, 1991, 25(10): 1788-1793. |
[8] | Wu C, Yu J Z. Determination of primary combustion source organic carbon-to-elemental carbon (OC/EC) ratio using ambient OC and EC measurements: secondary OC-EC correlation minimization method[J]. Atmospheric Chemistry and Physics, 2016, 16(8): 5453-5465. DOI:10.5194/acp-16-5453-2016 |
[9] | Gao J J, Tian H Z, Cheng K, et al. The variation of chemical characteristics of PM2.5 and PM10 and formation causes during two haze pollution events in urban Beijing, China[J]. Atmospheric Environment, 2015, 107: 1-8. DOI:10.1016/j.atmosenv.2015.02.022 |
[10] | Fry K L, Gillings M M, Isley C F, et al. Trace element contamination of soil and dust by a new caledonian ferronickel smelter: dispersal, enrichment, and human health risk[J]. Environmental Pollution, 2021, 288. DOI:10.1016/j.envpol.2021.117593 |
[11] | Chen J, Liu G J, Kang Y, et al. Atmospheric emissions of F, As, Se, Hg, and Sb from coal-fired power and heat generation in China[J]. Chemosphere, 2013, 90(6): 1925-1932. DOI:10.1016/j.chemosphere.2012.10.032 |
[12] |
侯聪, 邵龙义, 王静, 等. 燃煤排放可吸入颗粒物中微量元素的分布特征[J]. 煤炭学报, 2016, 41(3): 760-768. Hou C, Shao L Y, Wang J, et al. Distribution of trace elements in inhalable particulate matter emitted from coal burning[J]. Journal of China Coal Society, 2016, 41(3): 760-768. |
[13] | Chow J C, Watson J G, Kuhns H, et al. Source profiles for industrial, mobile, and area sources in the big bend regional aerosol visibility and observational study[J]. Chemosphere, 2004, 54(2): 185-208. DOI:10.1016/j.chemosphere.2003.07.004 |
[14] | Dai Q L, Liu B S, Bi X H, et al. Dispersion normalized PMF provides insights into the significant changes in source contributions to PM2.5 after the COVID-19 outbreak[J]. Environmental Science & Technology, 2020, 54(16): 9917-9927. |
[15] |
温杰, 杨佳美, 李蒲, 等. 我国典型钢铁行业主要工艺环节排放颗粒物源成分谱特征[J]. 环境科学, 2018, 39(11): 4885-4891. Wen J, Yang J M, Li P, et al. Chemical source profiles of PM emitted from the main processes of the iron and steel industry in China[J]. Environmental Science, 2018, 39(11): 4885-4891. |
[16] | Liang C S, Duan F K, He K B, et al. Review on recent progress in observations, source identifications and countermeasures of PM2.5[J]. Environment International, 2016, 86: 150-170. |
[17] |
郑玫, 张延君, 闫才青, 等. 中国PM2.5来源解析方法综述[J]. 北京大学学报(自然科学版), 2014, 50(6): 1141-1154. Zheng M, Zhang Y J, Yan C Q, et al. Review of PM2.5 source apportionment methods in China[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(6): 1141-1154. |
[18] |
王跃思, 宫正宇, 刘子锐, 等. 京津冀及周边地区大气污染综合立体观测网的建设与应用[J]. 环境科学研究, 2019, 32(10): 1651-1663. Wang Y S, Gong Z Y, Liu Z R, et al. Construction and application of comprehensive observation network for air pollution in Beijing-Tianjin-Hebei and its surrounding areas[J]. Research of Environmental Sciences, 2019, 32(10): 1651-1663. |
[19] | Xin J Y, Wang Y S, Pan Y P, et al. The campaign on atmospheric aerosol research network of China: CARE-China[J]. Bulletin of the American Meteorological Society, 2015, 96(7): 1137-1155. DOI:10.1175/BAMS-D-14-00039.1 |
[20] | Sun Y L, Chen C, Zhang Y J, et al. Rapid formation and evolution of an extreme haze episode in Northern China during winter 2015[J]. Scientific Reports, 2016, 6. DOI:10.1038/srep27151 |
[21] | Wang Y G, Ying Q, Hu J L, et al. Spatial and temporal variations of six criteria air pollutants in 31 provincial capital cities in China during 2013-2014[J]. Environment International, 2014, 73: 413-422. DOI:10.1016/j.envint.2014.08.016 |
[22] | Lv B L, Cai J, Xu B, et al. Understanding the rising phase of the PM2.5 concentration evolution in large China cities[J]. Scientific Reports, 2017, 7. DOI:10.1038/srep46456 |
[23] | Liang X, Li S, Zhang S Y, et al. PM2.5 data reliability, consistency, and air quality assessment in five Chinese cities[J]. Journal of Geophysical Research, 2016, 121(17): 10220-10236. DOI:10.1002/2016JD024877 |
[24] | Qu L L, Liu S J, Ma L L, et al. Evaluating the meteorological normalized PM2.5 trend (2014-2019) in the "2+26" region of China using an ensemble learning technique[J]. Environmental Pollution, 2020, 266. DOI:10.1016/j.envpol.2020.115346 |
[25] |
段菁春, 胡京南, 谭吉华, 等. 特征雷达图的设计及其在大气污染成因分析中的应用[J]. 环境科学研究, 2018, 31(8): 1329-1336. Duan J C, Hu J N, Tan J H, et al. Design of characteristic radar chart and its application in air pollution analysis[J]. Research of Environmental Sciences, 2018, 31(8): 1329-1336. |
[26] | Dao X, Lin Y C, Cao F, et al. Introduction to the national aerosol chemical composition monitoring network of China: objectives, current status, and outlook[J]. Bulletin of the American Meteorological Society, 2019, 100(12): ES337-ES351. |
[27] | Liao H C, Wu X L. DNMA: a double normalization-based multiple aggregation method for multi-expert multi-criteria decision making[J]. Omega, 2020, 94. DOI:10.1016/j.omega.2019.04.001 |
[28] | Pearson K. LⅢ. On lines and planes of closest fit to systems of points in space[J]. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 2010, 2(11): 559-572. |
[29] | Hotelling H. Analysis of a complex of statistical variables into principal components[J]. Journal of Educational Psychology, 1933, 24(6): 417-441. DOI:10.1037/h0071325 |
[30] | Jain S, Sharma S K, Choudhary N, et al. Chemical characteristics and source apportionment of PM2.5 using PCA/APCS, UNMIX, and PMF at an urban site of Delhi, India[J]. Environmental Science and Pollution Research, 2017, 24(17): 14637-14656. DOI:10.1007/s11356-017-8925-5 |
[31] |
王新, 聂燕, 陈红, 等. 兰州城区大气PM2.5污染特征及来源解析[J]. 环境科学, 2016, 37(5): 1619-1628. Wang X, Nie Y, Chen H, et al. Pollution characteristics and source apportionment of PM2.5 in Lanzhou City[J]. Environmental Science, 2016, 37(5): 1619-1628. |
[32] | Zhang Y Z, Zhi G R, Guo S C, et al. Algorithm developed for dynamic quantification of coal consumption for and emission from rural winter heating[J]. Science of the Total Environment, 2020, 737. DOI:10.1016/j.scitotenv.2020.139762 |
[33] | Li M, Liu H, Geng G N, et al. Anthropogenic emission inventories in China: A review[J]. National Science Review, 2017, 4(6): 834-866. DOI:10.1093/nsr/nwx150 |
[34] | Abdul-Wahab S, Fadlallah S, Al-Rashdi M. Evaluation of the impact of ground-level concentrations of SO2, NOx, CO, and PM10 emitted from a steel melting plant on Muscat, Oman[J]. Sustainable Cities and Society, 2018, 38: 675-683. DOI:10.1016/j.scs.2018.01.048 |
[35] | Li C, Ye K, Mawusi S, et al. A 24-h real-time emissions assessment of 41 uncontrolled household raw coal combustion stoves in four provinces of Northern China[J]. Atmospheric Environment, 2020, 235. DOI:10.1016/j.atmosenv.2020.117588 |
[36] | Hleis D, Fernández-Olmo I, Ledoux F, et al. Chemical profile identification of fugitive and confined particle emissions from an integrated iron and steelmaking plant[J]. Journal of Hazardous Materials, 2013, 250-251: 246-255. DOI:10.1016/j.jhazmat.2013.01.080 |
[37] | Mustafa S, Luo L Q, Zheng B T, et al. Effect of lead and zinc impurities in ironmaking and the corresponding removal methods: A review[J]. Metals, 2021, 11(3). DOI:10.3390/met11030407 |
[38] |
孙英明, 吴建会, 马咸, 等. 烧结工艺颗粒物中水溶性离子排放特性分析[J]. 中国环境科学, 2016, 36(8): 2270-2274. Sun Y M, Wu J H, Ma X, et al. Emission characteristics of water-soluble ions in the particulate matters from sintering process[J]. China Environmental Science, 2016, 36(8): 2270-2274. DOI:10.3969/j.issn.1000-6923.2016.08.004 |
[39] | Tsai J H, Lin K H, Chen C Y, et al. Chemical constituents in particulate emissions from an integrated iron and steel facility[J]. Journal of Hazardous Materials, 2007, 147(1-2): 111-119. DOI:10.1016/j.jhazmat.2006.12.054 |
[40] | Sammut M L, Noack Y, Rose J. Zinc speciation in steel plant atmospheric emissions: a multi-technical approach[J]. Journal of Geochemical Exploration, 2006, 88(1-3): 239-242. DOI:10.1016/j.gexplo.2005.08.047 |
[41] | Sammut M L, Noack Y, Rose J, et al. Speciation of Cd and Pb in dust emitted from sinter plant[J]. Chemosphere, 2010, 78(4): 445-450. DOI:10.1016/j.chemosphere.2009.10.039 |
[42] | Liu Y F, Zhang Y, Li C, et al. Air pollutant emissions and mitigation potential through the adoption of semi-coke coals and improved heating stoves: field evaluation of a pilot intervention program in rural China[J]. Environmental Pollution, 2018, 240. DOI:10.1016/j.envpol.2018.04.110 |
[43] | Bano S, Pervez S, Chow J C, et al. Coarse particle (PM10-2.5) source profiles for emissions from domestic cooking and industrial process in Central India[J]. Science of the Total Environment, 2018, 627: 1137-1145. DOI:10.1016/j.scitotenv.2018.01.289 |
[44] |
李朋, 吴华成, 周卫青, 等. 民用燃煤不同燃烧阶段细颗粒物排放特征[J]. 中国环境科学, 2020, 40(11): 4652-4659. Li P, Wu H C, Zhou W Q, et al. Emission characteristics of fine particulate matter at different combustion phases of residential coal[J]. China Environmental Science, 2020, 40(11): 4652-4659. DOI:10.3969/j.issn.1000-6923.2020.11.002 |
[45] |
梁云平, 张大伟, 林安国, 等. 北京市民用燃煤烟气中气态污染物排放特征[J]. 环境科学, 2017, 38(5): 1775-1782. Liang Y P, Zhang D W, Lin A G, et al. Emission characteristics of residential coal combustion flue gas in Beijing[J]. Environmental Science, 2017, 38(5): 1775-1782. DOI:10.3969/j.issn.1000-6923.2017.05.021 |
[46] |
张宝军, 郎红梅, 毕晶秀, 等. 唐山新冠肺炎防疫期间空气质量变化特征及污染成因分析[J]. 环境污染与防治, 2020, 42(8): 1033-1038. Zhang B J, Lang H M, Bi J X, et al. Characteristics of air quality and causes of serious pollution during the COVID-19 epidemic prevention in Tangshan[J]. Environmental Pollution and Control, 2020, 42(8): 1033-1038. |