2022, Vol. 43
2. 北京中科三清环境技术有限公司, 北京 101500;
3. 山西大学黄土高原研究所, 太原 030006;
4. 中国石油大学(华东)理学院, 青岛 266580
, LIU Shi-jie1
, HAN Mei-li2 , SU Chao3 , ZHANG Zhi-peng4 , MA Lin-lin1 , LI Yang1 , CHENG Miao-miao1
2. 3Clear Technology Co., Ltd., Beijing 101500, China;
3. Institute of Loess Plateau, Shanxi University, Taiyuan 030006, China;
4. College of Science, China University of Petroleum (East China), Qingdao 266580, China
当前我国大气环境污染形势仍然严峻, 大气颗粒物和臭氧(O3)等空气污染问题突出, 持久性有机污染物(persistent organic pollutants, POPs)和重金属等有毒有害污染物及其健康效应也越来越引起政府、公众和研究者的重视.其中多环芳烃(polycyclic aromatic hydrocarbons, PAHs)对生物体具有致癌、致畸和致突变的效应[1], 是环境中广泛存在的一类有毒有害污染物, 具有严重的生态风险和人体健康风险.有研究表明, 大气是PAHs排放的主要受体和传输扩散通道, 也是PAHs的重要储库, 是PAHs迁移转化中最重要的环境介质[2~4].对我国而言, 大气环境中PAHs的浓度水平在几十到几百ng·m-3之间, 总体上北方高于南方[5~9], 且季节变化明显, 冬季浓度显著高于夏季[10~13].在区域尺度上开展PAHs大气环境浓度监测成本高且难度大, 因此开发和改进模型方法, 模拟PAHs在大气环境中的迁移转化行为, 能够为控制和管理PAHs排放, 制定区域产业调整对策提供科学依据.
目前用于模拟大气环境中PAHs迁移转化的模型主要有两类, 即空间多介质逸度模型和大气化学输送模型.已有许多研究者分别利用这两类模型对PAHs的大气迁移转化过程开展了大量研究, 其中应用比较广泛的空间多介质逸度模型包括在北美、欧洲和中国都有广泛应用的BETR模型[14]和SimpleBox模型[15]、欧洲EMEP开发的MSCE-POP模型[16]、美国的SO-MUM模型[17]和针对中国开展模拟的SESAMe模型[18, 19]等.其中BETR模型是应用最为广泛的模型之一, 多个国内外研究者利用BETR模型在北美、欧洲和中国分别针对PAHs和有机氯农药(OCPs)、多氯联苯(PCBs)、多溴联苯醚(PBDEs)和全氟辛烷磺酸(PFOS)等多种POPs开展了大量模拟研究[3, 20~26].和空间多介质模型相比, 大气化学输送模型能够用复杂的数值方法和更为详实的参数分析预测不同条件下PAHs等污染物在大气环境中的分布和传输状况.在区域尺度上, 研究者将PAHs在大气中的分配和吸附过程加入CMAQ模型[27], 并将PAHs在大气环境中发生的气相和多相化学反应纳入CB04[28, 29]、SAPRC99[30~33]或SAPRC07[34, 35]等模型现有化学机制, 利用模型探讨PAHs在大气环境中的区域迁移转化特征[27~29]、人群暴露风险[30, 31]和对二次颗粒物(SOA)生成的贡献和影响[34, 35].
多介质迁移是PAHs等半挥发性有机污染物的重要特性之一, 只有同时模拟其在所有环境介质中的迁移转化行为, 才能够全面评估其环境风险.目前能够模拟PAHs多介质迁移转化的BETR等空间多介质模型对PAHs在大气环境中的物理化学过程描述过于简化, 模拟结果误差较大.借鉴大气化学输送模型中污染物介质分配、化学反应和沉降去除等过程的机制, 筛选对PAHs迁移转化具有显著影响的关键参数和过程, 有助于真正有效地完善空间多介质模型中的大气模块, 提升其对PAHs多介质迁移转化行为模拟的精度和准确性.然而, 目前两类模型对PAHs的模拟效果缺乏对比和评估, 对大气化学输送模型中哪些过程和参数会显著影响PAHs的迁移转化也尚不明确, 很大程度上阻碍了两类模型机制的相互补充和融合.
本研究在CMAQ化学输送模块中加入PAHs相关分配和反应过程, 以京津冀地区2014年为案例, 尽量采用相同的空间划分、环境参数和排放清单, 分别构建CMAQ和BETR模型系统并针对芘(Pyr)和苯并[a]芘(BaP)开展数值模拟.在此基础上与实测值进行对比评估验证模型结果可靠性, 系统比较分析CMAQ和BETR模型结果的可比性, 并基于XGBoost模型和解释性方法对CMAQ模型参数开展变量重要性分析, 识别影响PAHs环境行为的关键气象参数.
1 材料与方法 1.1 BETR模型构建与参数化本研究中BETR包含的环境介质包括大气、淡水、海水、土壤、陆生植物和淡水沉积物等多个介质, 每个介质中又包含若干子环境相和若干环境过程, 由于环境中PAHs主要来自于各种有机物的不完全燃烧, 故模型中假设PAHs全部排放至大气中.由于BETR模型需同时考虑多个环境介质间的迁移转化过程, 受模型计算能力所限, BETR模型模拟区域主要包含京津冀地区全域, 水平网格分辨率为27 km×27 km, 模型区域设置和网格划分如图 1(a)所示.
|
(a)BETR模型模拟区域, (b)CMAQ模型模拟区域 图 1 BETR模型模拟区域与CMAQ模型模拟区域对比 Fig. 1 Comparison of BETR model simulation area and CMAQ model simulation area |
BETR模型模拟的PAHs物种包括Pyr和BaP, 其物理化学性质包括热力学参数、分配参数、动力学参数和相变焓, 来自于经验手册和文献[36].源排放数据选用最新的全球空间分辨率为0.1°×0.1°的PKU-PAHs-2014排放清单[37], 并按照研究区提取数据后将数据进行栅格化.BETR模型中的环境特征参数来源为模型缺省值或文献[3, 18, 19, 21, 38], 其中气象数据尽可能采用与CMAQ模型一致的WRF气象模式.另外, 本研究共需考虑4种流动矩阵, 即空气流动矩阵、淡水流动矩阵、海水流动矩阵和从河口汇入海洋的入海流动矩阵, 流动矩阵的详细参数化过程参考文献[3, 21], 空气流动矩阵也基于WRF模式结果进行计算.
1.2 CMAQ模式发展与构建本研究基于CMAQv5.0.2版本, 化学机制选择SAPRC99_ae5_aq, 添加Pyr和BaP两种PAHs物种. CMAQ模式中添加了污染物的气相和颗粒相两种物质形态, 并考虑了气相-颗粒相间分配模式(KOA吸收模式), 大气中PAHs的输送、化学转化(主要考虑与·OH的化学反应[39])和干沉降、湿沉降等过程.由于PAHs以颗粒相吸附到直径约0.1~2 mm的细粒子中, 且大都以积聚模态的形式存在[40, 41], 因此本研究CMAQ模式中假设PAHs以积聚模态存在.
本研究CMAQ模式采用一重网格模拟, 在BETR模型的基础上, 将模拟区域扩展到东北、华北和华东大部分地区, 以充分考虑边界条件对模拟区域的影响.在水平网格分辨率设置方面, 本研究将BETR模型中27 km×27 km网格进一步细化为9 km×9 km, 模拟域采用Lambert地图投影, 投影中心坐标为(35°N, 110°E), 标准纬线为24°N和46°N[图 1(b)]. CMAQ模式从地面至对流层顶垂直分层为20层, 边界层内约分为10层, 模拟时间段为2014年全年.本研究选用WRF气象模式为CMAQ空气质量模式提供气象输入数据, WRF模拟区域覆盖全国, 水平网格分辨率为9 km×9 km.WRF模式垂直方向上设35层网格; 长波辐射方案为RRTM, 短波辐射方案为Dudhia, 边界层方案为Mellor-Yamada-Janjic(Eta), 积云参数化方案为Kain-Fritsch (new Eta).气象场的初始条件和边界条件均采用美国国家环境预报中心(NCEP)的时间间隔为6 h、空间分辨率为1°×1°的FNL再分析气象数据, 地形和下垫面数据来自USGS30s全球地形和MODIS下垫面资料.
本研究中2014年常规大气污染物(包括PM2.5、PM10、CO、SO2、NOx、BC、OC、NH3和VOCs)排放清单的国外源排放选用亚洲区域源排放清单(REASv3.2, 水平分辨率0.25°× 0.25°), 国内常规大气污染物源排放选用中国多尺度排放清单(MEIC, 水平分辨率0.25°×0.25°). PAHs源排放数据与BETR模型相同, 为PKU-PAHs-2014排放清单.
1.3 XGBoost模型与SHAP值与强力削源法(brute force method)和去耦合直接法(decoupled direct method)等基于空气质量模型的参数敏感性方法相比, 机器学习模型方法无需考虑大气污染变化的复杂机制, 计算效率和准确性提升明显, 同时结合解释性方法可以给出参数敏感性和影响规律.本研究采用极限梯度提升(XGBoost)模型结合SHAP (shapley additive explanations)方法探索PAHs大气迁移转化过程的关键影响因素及其变化规律, 以期未来完善空间多介质模型中的大气模块, 提升其对PAHs多介质迁移转化行为模拟的精度.XGBoost是一种大规模并行梯度提升决策树(GBDT)工具, 与传统的GBDT相比, XGBoost通过对损失函数进行二阶泰勒展开并加入正则项, 能够有效控制模型复杂度, 防止过拟合, 且模拟效率远高于GBDT[42]. SHAP是Lundberg等[43]基于博弈论提出的一类可解释机器学习方法, 它使用Shapley值来量化每个特征对模型结果的具体贡献, 图 2是SHAP方法的理论示意, 基线值是所有样本预测的平均, f(x)是某样本的预测值, 每个特征的Shapley值有正负大小之分, 反映了和平均预测相比该特征的取值对某样本预测值的贡献大小, 以及该贡献对预测起推动(正值)还是抑制(负值)作用, 从而从单个样本的角度给出特征的影响力和影响的正负性.进一步, 对每个特征的Shapley绝对值取平均, 能够从整个数据集的角度给出特征的重要性排序和特征的具体影响规律等[43].与以往研究中多采用线性相关的方法量化PAHs浓度和气象的关系且无法排除气象因素间的相互干扰相比, 采用XGBoost模型并结合SHAP方法不仅可以模拟PAHs浓度和气象因素的非线性关系, 还能够分离出每个气象因素对PAHs浓度的独立影响.
|
图 2 SHAP方法示意 Fig. 2 Schematic diagram of SHAP method |
本研究以CMAQ模型输出污染物浓度和气象变量小时值为输入数据, 以整个区域(包含所有城市, 并去掉城市信息)、北京市、石家庄市和邯郸市为案例城市, 分别对Pyr和BaP建立XGBoost模型.在变量选择方面, 选择在BETR模型中已有的参数或可能对污染物浓度有较大影响的参数, 并经过多次模拟比选, 最终确定污染物排放量(EPPYR、EPBAP)、10 m风速(WSPD10)、10 m风向(WDIR10)、边界层高度(PBLH)、气温(T2)、相对湿度(RH2)、累积降水量(RAINNC)和累积降雪量(SNOWNC)为模型的特征变量, 以2种PAHs模拟浓度为目标变量.在模型超参数方面, 使用GirdSearchCV网格搜索的方法进行参数遍历调参, 确定最佳参数.完成建模后, 借鉴SHAP方法中特征归因值的思想, 以具有较大的平均Shapley绝对值来评估SHAP特征重要性, 并将重要特征定义为影响PAHs迁移转化的关键参数.在此基础上, 结合SHAP方法针对排放、气象等参数对污染物浓度变化影响的特征重要性、浓度对各个气象参数的特征依赖性等开展分析, 研究CMAQ模型中关键过程和主要参数对PAHs大气迁移转化过程的影响程度与趋势.
2 结果与讨论 2.1 CMAQ和BETR模拟结果验证为更好地评估模式模拟的准确性和可靠性, 表 1提取了CMAQ和BETR模型输出结果的颗粒相Pyr和BaP模拟浓度, 与文献[44~52]模拟年份前后2 a内研究区域可获取的实测值进行对比验证.由于BETR模型为稳态模型, 无法得到污染物在模拟时段内的动态变化, 故BETR模拟浓度仅与实测年均浓度进行比较, 针对CMAQ模型则开展了年均和分季节模拟浓度与实测浓度的比较.
|
表 1 CMAQ和BETR模型Pyr和BaP模拟值与实测值对比1)/ng·m-3 Table 1 Comparison of simulated Pyr and BaP values of CMAQ and BETR models with observed values/ng·m-3 |
如表 1所示, 两种模型Pyr和BaP模拟浓度与实测浓度年均值的比值基本在1/2~2之间. CMAQ模拟值与实测值季节变化趋势相同, 即冬季浓度最高, 秋季次之, 春夏季浓度较低, 分季节的模拟浓度和实测浓度比值大都在1/5~5之间(图 3), 且Pyr和BaP的实测值与CMAQ模拟值的相关性分别为0.72和0.7, 均方根误差分别为9.69和5.84.从以往同类研究结果来看, 分季节的CMAQ模拟值和实测值的比值在1~2个数量级内[27, 28, 32, 33], 相较于本研究得出的比值波动范围偏大.表明本文改进的CMAQ模式和BETR模型对Pyr和BaP的模拟结果处于可接受范围, 模拟效果均较好.此外, 个别点位和季节的模拟浓度和实测浓度偏差较大, 这可能与排放清单的不确定性、观测点代表性和观测误差、观测与模拟的时间和空间分辨率不同等因素有关.
|
图 3 CMAQ模型分季节模拟值与实测值散点图 Fig. 3 Scatter plot of simulated and measured values of CMAQ model |
由于CMAQ模型模拟精度较高, 为保证两类模型结果的可比性, 将CMAQ模型9 km网格模拟浓度平均至27 km网格, 与BETR稳态模型的模拟浓度进行比对, 评估大气化学输送模型和空间多介质模型的模拟效果.将研究区域每个网格的CMAQ年均模拟值和BETR模拟值做线性回归, 如图 4所示.从回归拟合度来看, 两模型模拟的Pyr和BaP的拟合度R2分别为0.87和0.89, 表明BETR和CMAQ模型的模拟结果具有较好的线性相关性.从回归系数来看, BETR模型Pyr和BaP模拟浓度平均分别约为CMAQ年均模拟浓度的1.59和1.38倍, BETR模拟值较CMAQ模拟值略高.以上对比结果表明, 尽管两类模型在模拟机制、参数复杂度和空间分辨率等方面均有所不同, 但从模拟结果来看, BETR模型和CMAQ模型的年均浓度水平相似, 且在空间分布方面也较为一致.
|
图 4 CMAQ和BETR模型Pyr、BaP模拟结果对比 Fig. 4 Comparison of Pyr and BaP simulation results between CMAQ and BETR models |
与此同时, 从CMAQ模拟结果来看, 受排放和气象因素的影响, 不同季节和网格的CMAQ模拟浓度仍然差异显著(表 2), 而BETR模型则无法反映排放和气象导致的时空变化和差异.因此, 需要筛选对模拟结果具有显著影响的关键气象参数并进行动态化处理, 模拟污染物在不同季节的波动, 从而显著提升BETR模型的模拟精度.此外, 当前BETR模型中大气垂直方向仅分为1~2层, 且对污染物的垂直传输未做太多考虑, 也应在未来模式发展中开展相关研究.
|
|
表 2 CMAQ模型Pyr和BaP模拟值统计量/ng·m-3 Table 2 Simulation statistics of Pyr and BaP of CMAQ model/ng·m-3 |
2.3 PAHs大气迁移转化关键影响因素识别
基于1.3节方法, 分别对Pyr和BaP建立XGBoost回归模型, 图 5是模型测试集实际值和模拟值的散点图, 8个模型测试集的拟合度R2在58% ~65%, 考虑到模型所选取变量较少, 仅有8个特征, 总体而言拟合效果较好.从不同城市和污染物的拟合效果来看, 各个模型拟合效果差别不大.
|
(a)所有城市, (b)北京市, (c)石家庄市, (d)邯郸市 图 5 XGBoost模型预测值与实际值散点图 Fig. 5 Scatter plot of predicted and observed values of XGBoost model |
进一步, 由XGBoost模型计算每个参数的平均绝对SHAP值[mean(|SHAP value|)], 该值越大说明该参数对目标变量越重要, 以此反映参数对污染物浓度的敏感性, 探索PAHs大气迁移转化过程的关键影响因素, 结果如图 6所示.对全部4个区域范围和2种PAHs而言, 在所有特征中相对敏感的特征均为排放量、边界层高、风速和风向, 但对不同区域和不同污染物, 各个特征敏感性排序有所不同.对整个区域而言, 2种污染物的敏感性参数较为相似, 由于区域相对较大, 排放对污染物浓度的重要性明显高于其他特征, 其mean(|SHAP value|)大约是边界层高的1.7倍, 风速和气温在区域内的重要程度较为相似; 北京市BaP受排放的影响最大, 其次为边界层高度, 而排放和边界层高度对Pyr的重要程度相当; 石家庄市边界层高度对2种PAHs浓度的重要性明显高于其他因素, 其mean(|SHAP value|)是排放的1.7~2.2倍, 气象因素中风速和风向的重要性较为突出; 邯郸市Pyr受边界层高度的影响最大, 其次是排放, BaP则相反, 其他气象因素对2种PAHs的重要性一致且以风速最突出, 其对污染物浓度的重要性在除边界层高的6个气象要素中达30%.
|
图 6 SHAP特征重要性排序 Fig. 6 SHAP feature importance ranking |
总的来看, 各城市Pyr浓度受边界层高的影响高于排放量, BaP受排放的影响相对更为突出; 气象因素中, 边界层高是对Pyr和BaP迁移转化影响最大的因素, 在所有影响因素中其重要性占比高达22% ~35%, 在部分城市和污染物中甚至超过排放量; 风速是影响2种PAHs浓度水平的另一突出因素, 这与李军等[53]的研究结论一致.
近年来, 针对PAHs浓度和气象的相关性研究颇多, 现有研究结果表明风速和环境温度与PAHs浓度呈负相关, 因为这些参数与大气弥散能力有关[54~56].相对湿度与PAHs浓度的相关性研究结果则不尽相同, Chetwittayachan等[57]和Hien等[58]的研究发现PAHs与相对湿度呈负相关; Gu等[54]的研究表明二者呈正相关; He等[56]的研究则指示二者无明显的相关性.通常, 气象要素间存在不同强度的相关性, 这会干扰单一气象要素对PAHs浓度的影响分析, SHAP方法可以较好地排除其他变量的干扰, 剥离出PAHs浓度随单一气象要素的变化趋势.为此, 本文选取北京市、石家庄市和邯郸市, 基于Shapley值, 分析气象因素对Pyr和BaP模拟浓度的影响, 结果如图 7~9所示.
|
图 7 北京市主要气象参数对Pyr和BaP浓度SHAP值分布 Fig. 7 SHAP value distribution of main meteorological parameters to Pyr and BaP in Beijing |
|
图 8 石家庄市主要气象参数对Pyr和BaP浓度SHAP值分布 Fig. 8 SHAP value distribution of main meteorological parameters to Pyr and BaP in Shijiazhuang |
|
图 9 邯郸市主要气象参数对Pyr和BaP浓度SHAP值分布 Fig. 9 SHAP value distribution of main meteorological parameters to Pyr and BaP in Handan |
总体来看, 除风向以外, 3个城市PAHs浓度随每个气象要素的变化趋势基本一致. PAHs浓度与边界层高总体呈显著的负相关, 特别是边界层高度在150 m以内时, 边界层高的降低对PAHs浓度升高的贡献骤增; 边界层高大于150 m后, 其对排放始终为负贡献.风速也与PAHs浓度呈显著负相关, 风速在3 m·s-1以内时, 风速的减小对PAHs浓度升高的贡献明显增大.三城市PAHs浓度随风向的变化各不相同, 北京市偏南风向下更易导致PAHs浓度升高; 石家庄市除偏西风外, 其他风向都容易导致PAHs浓度升高; 邯郸市PAHs浓度总体随风向的变化趋势则不明显.由前述SHAP特征重要性可知, 相对湿度、气温对不同城市2种PAHs的总体影响均较小, 且由SHAP值分布可以看到, 不同城市的PAHs浓度与湿度呈弱正相关, 湿度大于40%后对浓度总体为较小的正贡献; 与气温的相关性则不显著, 这可能要进一步优化模式模拟的季节差异.
3 结论(1) CMAQ模式的年均模拟值和BETR稳态模型模拟值与实测值比值基本在1/2~2之间, 且CMAQ模拟值和实测值的相关性高达0.7, 季节变化趋势相同, 表明CMAQ和BETR模式模拟结果较为可靠.同时, 将CMAQ模型9 km网格模拟浓度平均至27 km网格与BETR模拟浓度进行对比, 结果表明两类模型的年均浓度水平相似, 且在空间分布方面也具有较好的可比性.
(2) 基于XGBoost模型的SHAP变量重要性分析可知, Pyr浓度受边界层高的影响高于排放量, 而BaP受排放的影响相对更为突出; 边界层高是对Pyr和BaP迁移转化影响最大的气象因素, 其重要性在所有因素中占比高达22% ~35%, 在部分城市和污染物中甚至超过排放量.
(3) 不同城市和污染物随气象条件的变化不尽相同, 边界层高度和风速对3个城市2种污染物浓度的影响较为相似, 而3个城市2种PAHs浓度随风向的变化各不相同. PAHs浓度与边界层高、风速总体呈负相关, 边界层高度在150 m以内时, 边界层高的降低对PAHs浓度升高的贡献骤增, 而风速在3 m·s-1以内时, 风速的减小对PAHs浓度升高的贡献明显增大.
| [1] | Kanaly R A, Harayama S. Biodegradation of high-molecular-weight polycyclic aromatic hydrocarbons by bacteria[J]. Journal of Bacteriology, 2000, 182(8): 2059-2067. DOI:10.1128/JB.182.8.2059-2067.2000 |
| [2] | Cao H Y, Tao S, Xu F L, et al. Multimedia fate model for hexachlorocyclohexane in Tianjin, China[J]. Environmental Science & Technology, 2004, 38(7): 2126-2132. |
| [3] | Liu S J, Lu Y L, Wang T Y, et al. Using gridded multimedia model to simulate spatial fate of Benzo[α]pyrene on regional scale[J]. Environment International, 2014, 63: 53-63. DOI:10.1016/j.envint.2013.10.015 |
| [4] | Xu F L, Qin N, Zhu Y, et al. Multimedia fate modeling of polycyclic aromatic hydrocarbons (PAHs) in Lake Small Baiyangdian, northern China[J]. Ecological Modelling, 2013, 252: 246-257. DOI:10.1016/j.ecolmodel.2012.04.010 |
| [5] | Jin G Z, Cong L L, Fang Y Y, et al. Polycyclic aromatic hydrocarbons in air particulates and its effect on the Tumen river area, Northeast China[J]. Atmospheric Environment, 2012, 60: 298-304. DOI:10.1016/j.atmosenv.2012.06.074 |
| [6] | Li W F, Peng Y, Shi J W, et al. Particulate polycyclic aromatic hydrocarbons in the urban northeast region of China: profiles, distributions and sources[J]. Atmospheric Environment, 2011, 45(40): 7664-7671. DOI:10.1016/j.atmosenv.2011.04.004 |
| [7] | Chen Y J, Feng Y L, Xiong S C, et al. Polycyclic aromatic hydrocarbons in the atmosphere of Shanghai, China[J]. Environmental Monitoring and Assessment, 2011, 172(1-4): 235-247. DOI:10.1007/s10661-010-1330-x |
| [8] | Gao B, Guo H, Wang X M, et al. Polycyclic aromatic hydrocarbons in PM2.5 in Guangzhou, southern China: spatiotemporal patterns and emission sources[J]. Journal of Hazardous Materials, 2012, 239-240: 78-87. DOI:10.1016/j.jhazmat.2012.07.068 |
| [9] | Wei Y L, Bao L J, Wu C C, et al. Association of soil polycyclic aromatic hydrocarbon levels and anthropogenic impacts in a rapidly urbanizing region: spatial distribution, soil-air exchange and ecological risk[J]. Science of the Total Environment, 2014, 473-474: 676-684. DOI:10.1016/j.scitotenv.2013.12.106 |
| [10] |
易志刚, 黄幸然, 毕峻奇, 等. 福州城市及郊区冬、夏两季大气中多环芳烃特征研究[J]. 环境科学, 2013, 34(4): 1252-1257. Yi Z G, Huang X R, Bi J Q, et al. Characteristics of PAHs in the atmosphere in winter and summer in the urban and suburban of Fuzhou[J]. Environmental Science, 2013, 34(4): 1252-1257. |
| [11] |
周变红, 张承中, 王格慧. 西安城区大气中多环芳烃的季节变化特征及健康风险评价[J]. 环境科学学报, 2012, 32(9): 2324-2331. Zhou B H, Zhang C Z, Wang G H. Seasonal variation and health risk assessment of atmospheric polycyclic aromatic hydrocarbons(PAHs) in the urban area of Xi'an[J]. Acta Scientiae Circumstantiae, 2012, 32(9): 2324-2331. |
| [12] | Hu J, Liu C Q, Zhang G P, et al. Seasonal variation and source apportionment of PAHs in TSP in the atmosphere of Guiyang, Southwest China[J]. Atmospheric Research, 2012, 118: 271-279. DOI:10.1016/j.atmosres.2012.07.015 |
| [13] | Chen P F, Li C L, Kang S C, et al. Characteristics of particulate-phase polycyclic aromatic hydrocarbons (PAHs) in the atmosphere over the central himalayas[J]. Aerosol and Air Quality Research, 2017, 17(12): 2942-2954. DOI:10.4209/aaqr.2016.09.0385 |
| [14] | Cao X H, Huo S L, Zhang H X, et al. Source emissions and climate change impacts on the multimedia transport and fate of persistent organic pollutants, Chaohu watershed, eastern China[J]. Journal of Environmental Sciences, 2021, 109: 15-25. DOI:10.1016/j.jes.2021.02.028 |
| [15] | Hollander A, Schoorl M, Van De Meent D. SimpleBox 4.0: improving the model while keeping it simple…[J]. Chemosphere, 2016, 148: 99-107. DOI:10.1016/j.chemosphere.2016.01.006 |
| [16] | Vizcaino P, Pistocchi A. Use of a simple GIS-based model in mapping the atmospheric concentration of γ-HCH in Europe[J]. Atmosphere, 2014, 5(4): 720-736. DOI:10.3390/atmos5040720 |
| [17] | Csiszar S A, Daggupaty S M, Verkoeyen S, et al. SO-MUM: a coupled atmospheric transport and multimedia model used to predict intraurban-scale PCB and PBDE emissions and fate[J]. Environmental Science & Technology, 2013, 47(1): 436-445. |
| [18] | Zhu Y, Price O R, Tao S, et al. A new multimedia contaminant fate model for China: how important are environmental parameters in influencing chemical persistence and long-range transport potential?[J]. Environment International, 2014, 69: 18-27. DOI:10.1016/j.envint.2014.03.020 |
| [19] | Zhu Y, Tao S, Price O R, et al. Environmental distributions of benzo[a]pyrene in China: current and future emission reduction scenarios explored using a spatially explicit multimedia fate model[J]. Environmental Science & Technology, 2015, 49(23): 13868-13877. |
| [20] | Lu Q, Johnson A C, Jürgens M D, et al. The distribution of polychlorinated biphenyls (PCBs) in the River Thames Catchment under the scenarios of climate change[J]. Science of the Total Environment, 2015, 533: 187-195. DOI:10.1016/j.scitotenv.2015.06.084 |
| [21] | Liu S J, Lu Y L, Xie S W, et al. Exploring the fate, transport and risk of perfluorooctane sulfonate (PFOS) in a coastal region of China using a multimedia model[J]. Environment International, 2015, 85: 15-26. DOI:10.1016/j.envint.2015.08.007 |
| [22] | Earnshaw M R, Jones K C, Sweetman A J. A first European scale multimedia fate modelling of BDE-209 from 1970 to 2020[J]. Environment International, 2015, 74: 71-81. DOI:10.1016/j.envint.2014.09.011 |
| [23] | Paul A G, Hammen V C, Hickler T, et al. Potential implications of future climate and land‐cover changes for the fate and distribution of persistent organic pollutants in Europe[J]. Global Ecology and Biogeography, 2012, 21(1): 64-74. DOI:10.1111/j.1466-8238.2010.00547.x |
| [24] | Breivik K, Armitage J M, Wania F, et al. Tracking the global distribution of persistent organic pollutants accounting for e-waste exports to developing regions[J]. Environmental Science & Technology, 2016, 50(2): 798-805. |
| [25] | Su C, Lu Y L, Wang T Y, et al. Dynamic multimedia fate simulation of perfluorooctane sulfonate (PFOS) from 1981 to 2050 in the urbanizing Bohai Rim of China[J]. Environmental Pollution, 2018, 235: 235-244. DOI:10.1016/j.envpol.2017.12.045 |
| [26] |
张毅, 马艳飞, 宋帅, 等. 环渤海地区2, 4, 4'-三氯联苯的多介质归趋模拟[J]. 环境科学, 2020, 41(6): 2625-2634. Zhang Y, Ma Y F, Song S, et al. Fate simulation of 2, 4, 4'-Trichlorobiphenyl in the Bohai rim using the multimedia model[J]. Environmental Science, 2020, 41(6): 2625-2634. |
| [27] | Aulinger A, Matthias V, Quante M. Introducing a partitioning mechanism for PAHs into the community multiscale air quality modeling system and its application to simulating the transport of benzo(a)pyrene over Europe[J]. Journal of Applied Meteorology and Climatology, 2007, 46(11): 1718-1730. DOI:10.1175/2007JAMC1395.1 |
| [28] | Matthias V, Aulinger A, Quante M. CMAQ simulations of the benzo(a)pyrene distribution over Europe for 2000 and 2001[J]. Atmospheric Environment, 2009, 43(26): 4078-4086. DOI:10.1016/j.atmosenv.2009.04.058 |
| [29] | Matthias V, Aulinger A, Quante M. Adapting CMAQ to investigate air pollution in North Sea coastal regions[J]. Environmental Modelling & Software, 2008, 23(3): 356-368. |
| [30] | Zhang J, Wang P, Li J Y, et al. Estimating population exposure to ambient polycyclic aromatic hydrocarbon in the United States - Part Ⅱ: source apportionment and cancer risk assessment[J]. Environment International, 2016, 97: 163-170. DOI:10.1016/j.envint.2016.08.024 |
| [31] | Zhang J, Li J Y, Wang P, et al. Estimating population exposure to ambient polycyclic aromatic hydrocarbon in the United States - Part I: model development and evaluation[J]. Environment International, 2017, 99: 263-274. DOI:10.1016/j.envint.2016.12.002 |
| [32] |
韩美丽, 刘世杰, 刘敏, 等. 京津冀民用燃煤减排对大气中BaP污染影响评估[J]. 中国环境科学, 2018, 38(9): 3262-3272. Han M L, Liu S J, Liu M, et al. Assessment of the effect of the reduction of the residential coal combustion on the atmospheric BaP pollution in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2018, 38(9): 3262-3272. |
| [33] |
闫文君, 刘敏, 刘世杰, 等. 基于CMAQ模式的中国大气BaP迁移转化模拟研究[J]. 中国环境科学, 2016, 36(6): 1681-1689. Yan W J, Liu M, Liu S J, et al. Simulations of the atmospheric benzo[a]pyrene in China using CMAQ model[J]. China Environmental Science, 2016, 36(6): 1681-1689. |
| [34] | Zhang H L, Ying Q. Secondary organic aerosol from polycyclic aromatic hydrocarbons in Southeast Texas[J]. Atmospheric Environment, 2012, 55: 279-287. DOI:10.1016/j.atmosenv.2012.03.043 |
| [35] | Pye H O T, Pouliot G A. Modeling the role of alkanes, polycyclic aromatic hydrocarbons, and their oligomers in secondary organic aerosol formation[J]. Environmental Science & Technology, 2012, 46(11): 6041-6047. |
| [36] | Halsall C J, Barrie L A, Fellin P, et al. Spatial and temporal variation of polycyclic aromatic hydrocarbons in the arctic atmosphere[J]. Environmental Science & Technology, 1997, 31(12): 3593-3599. |
| [37] | Shen H Z, Huang Y, Wang R, et al. Global atmospheric emissions of polycyclic aromatic hydrocarbons from 1960 to 2008 and future predictions[J]. Environmental Science & Technology, 2013, 47(12): 6415-6424. |
| [38] | Los S O, Pollack N H, Parris M T, et al. A global 9-yr biophysical land surface dataset from NOAA AVHRR data[J]. Journal of Hydrometeorology, 2000, 1(2): 183-199. DOI:10.1175/1525-7541(2000)001<0183:AGYBLS>2.0.CO;2 |
| [39] | Hu J L, Li X, Huang L, et al. Ensemble prediction of air quality using the WRF/CMAQ model system for health effect studies in China[J]. Atmospheric Chemistry and Physics, 2017, 17(21): 13103-13118. DOI:10.5194/acp-17-13103-2017 |
| [40] | Baek S O, Goldstone M E, Kirk P W W, et al. Phase distribution and particle size dependency of polycyclic aromatic hydrocarbons in the urban atmosphere[J]. Chemosphere, 1991, 22(5-6): 503-520. DOI:10.1016/0045-6535(91)90062-I |
| [41] | José R S, Pérez J L, Callén M S, et al. BaP (PAH) air quality modelling exercise over Zaragoza (Spain) using an adapted version of WRF-CMAQ model[J]. Environmental Pollution, 2013, 183: 151-158. DOI:10.1016/j.envpol.2013.02.025 |
| [42] | Chen T Q, Guestrin C. XGBoost: a scalable tree boosting system[A]. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. San Francisco, USA: ACM, 2016. 785-794. |
| [43] | Lundberg S M, Lee S I. A unified approach to interpreting model predictions[A]. In: Proceedings of the 31st International Conference on Neural Information Processing Systems[C]. Long Beach, USA: ACM, 2017. |
| [44] | Zhang Y P, Chen J, Yang H N, et al. Seasonal variation and potential source regions of PM2.5-bound PAHs in the megacity Beijing, China: impact of regional transport[J]. Environmental Pollution, 2017, 231: 329-338. DOI:10.1016/j.envpol.2017.08.025 |
| [45] | Li Y, Liu X R, Liu M, et al. Investigation into atmospheric PM2.5-borne PAHs in eastern cities of China: concentration, source diagnosis and health risk assessment[J]. Environmental Science: Processes & Impacts, 2016, 18(5): 529-537. |
| [46] | Yu Q Q, Yang W Q, Zhu M, et al. Ambient PM2.5-bound polycyclic aromatic hydrocarbons (PAHs) in rural Beijing: Unabated with enhanced temporary emission control during the 2014 APEC summit and largely aggravated after the start of wintertime heating[J]. Environmental Pollution, 2018, 238: 532-542. DOI:10.1016/j.envpol.2018.03.079 |
| [47] |
王焕新, 张续, 马琳, 等. 北京市昌平区大气颗粒物中多环芳烃暴露及人群健康风险评价[J]. 环境与健康杂志, 2016, 33(11): 999-1002. Wang H X, Zhang X, Ma L, et al. Health risk assessment of inhabitants exposed to polycyclic aromatic hydrocarbons and particulate matter in air in Changping district of Beijing[J]. Journal of Environment and Health, 2016, 33(11): 999-1002. |
| [48] | Niu X Y, Ho S S H, Ho K F, et al. Atmospheric levels and cytotoxicity of polycyclic aromatic hydrocarbons and oxygenated-PAHs in PM2.5 in the Beijing-Tianjin-Hebei region[J]. Environmental Pollution, 2017, 231: 1075-1084. DOI:10.1016/j.envpol.2017.08.099 |
| [49] | Gao Y, Ji H B. Characteristics of polycyclic aromatic hydrocarbons components in fine particle during heavy polluting phase of each season in urban Beijing[J]. Chemosphere, 2018, 212: 346-357. DOI:10.1016/j.chemosphere.2018.08.079 |
| [50] | Chao S H, Liu J W, Chen Y J, et al. Implications of seasonal control of PM2.5 -bound PAHs: an integrated approach for source apportionment, source region identification and health risk assessment[J]. Environmental Pollution, 2019, 247: 685-695. DOI:10.1016/j.envpol.2018.12.074 |
| [51] |
赵鑫. 石家庄冬春两季大气颗粒物中多环芳烃的变化特征[D]. 石家庄: 河北科技大学, 2014. Zhao X. Variation characteristics of PAHs which collected in atmospheric particulates of Shijiazhuang in winter and spring[D]. Shijiazhuang: Hebei University of Science & Technology, 2014. |
| [52] |
段二红, 张微微, 李璇, 等. 石家庄市采暖期大气细颗粒物中PAHs污染特征[J]. 环境科学研究, 2017, 30(2): 193-201. Duan E H, Zhang W W, Li X, et al. Characteristics of PAHs in fine atmospheric particulate matter in Shijiazhuang city in heating season[J]. Research of Environmental Sciences, 2017, 30(2): 193-201. |
| [53] |
李军, 张干, 祁士华. 广州市大气中多环芳烃分布特征、季节变化及其影响因素[J]. 环境科学, 2004, 25(3): 7-13. Li J, Zhang G, Qi S H. Characteristics and seasonal variations and influence factors on polycyclic aromatic hydrocarbons in Guangzhou city[J]. Environmental Science, 2004, 25(3): 7-13. |
| [54] | Gu Z P, Feng J L, Han W L, et al. Diurnal variations of polycyclic aromatic hydrocarbons associated with PM2.5 in Shanghai, China[J]. Journal of Environmental Sciences, 2010, 22(3): 389-396. DOI:10.1016/S1001-0742(09)60120-0 |
| [55] | Amodio M, Caselli M, de Gennaro G, et al. Particulate PAHs in two urban areas of Southern Italy: Impact of the sources, meteorological and background conditions on air quality[J]. Environmental Research, 2009, 109(7): 812-820. DOI:10.1016/j.envres.2009.07.011 |
| [56] | He J B, Fan S X, Meng Q Z, et al. Polycyclic aromatic hydrocarbons (PAHs) associated with fine particulate matters in Nanjing, China: distributions, sources and meteorological influences[J]. Atmospheric Environment, 2014, 89: 207-215. DOI:10.1016/j.atmosenv.2014.02.042 |
| [57] | Chetwittayachan T, Shimazaki D, Yamamoto K. A comparison of temporal variation of particle-bound polycyclic aromatic hydrocarbons (pPAHs) concentration in different urban environments: Tokyo, Japan, and Bangkok, Thailand[J]. Atmospheric Environment, 2002, 36(12): 2027-2037. DOI:10.1016/S1352-2310(02)00099-7 |
| [58] | Hien T T, Nam P P, Yasuhiro S, et al. Comparison of particle-phase polycyclic aromatic hydrocarbons and their variability causes in the ambient air in Ho Chi Minh City, Vietnam and in Osaka, Japan, during 2005-2006[J]. Science of the Total Environment, 2007, 382(1): 70-81. DOI:10.1016/j.scitotenv.2007.04.013 |