2022, Vol. 43
2. 山东省生态环境规划研究院, 济南 250101;
3. 成都信息工程大学大气科学学院, 成都平原城市气象与环境四川省野外科学观测研究站, 成都 610225
2. Shandong Academy for Environmental Planning, Ji'nan 250101, China;
3. Chengdu Plain Urban Meteorology and Environment Observation and Research Station of Sichuan Province, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China
为实现我国空气质量的全面改善, 国务院分别于2013年和2018年颁布了《大气污染防治行动计划》(“大气十条”)和《打赢蓝天保卫战三年行动计划》(“蓝天保卫战”), 其针对生产和生活的多个方面, 如污染治理、能源和产业结构优化、法律法规健全、区域协作和全民参与等, 提出了严格的污染控制和减排措施.有研究证实, 这些措施的实施实现了我国各地区空气质量不同程度地改善[1, 2].作为引发大气污染的主要物种, PM2.5是各类污染减排政策的重要目标, 其构成复杂, 其中, 碳质组分是PM2.5的重要组成, 通常可占整体PM2.5的10%~50%[3], 在部分地区该占比甚至可达90%[4], 被认为是引发大气污染的重要组分.除了对气候环境和城市能见度的影响[5~8], 碳质组分所富含的多种有毒有害物质还会对人体健康产生严重危害[9, 10].因此, 对碳质组分的深入研究及减排对空气质量改善和公众健康均具有重要作用.
四川盆地地处我国西南, 区内地势差异显著, 西北高、东南低, 盆地地形特征显著; 同时, 该区域四季静风频率高, 相对湿度较高, 雨雾天气频繁.这种不利的地形及气候条件加之当地高浓度污染物的大量排放使得该区域成为我国重点灰霾区域之一[11~13].截止目前, 已有诸多研究对我国部分地区“大气十条”或“蓝天保卫战”实施阶段或实施完成后大气污染特征进行了报道[14~16].然而, 对于四川盆地的相关研究却非常少见. 2017年和2020年分别是两大污染减排政策实施效果评估的关键年份, 因此, 为认识两大污染减排政策的实施对四川盆地大气PM2.5及其中碳质组分产生的影响, 本研究以四川省省会成都市为研究对象, 首先, 于2016~2017年在成都市中心进行了PM2.5的分季节连续采样, 并对其中碳质组分的季节演化进行了针对性分析; 其次, 在其他3个季节重污染天基本消除的背景下, 以污染最重的冬季为研究目标, 在2020年冬季进行了针对性的PM2.5采样和碳质组分分析, 并与2016年冬季观测结果进行了对比分析, 进一步评估了“蓝天保卫战”的实施对该污染最重季节碳质组分产生的影响.以上结果对于认识这两大污染减排政策实施效果和未来空气质量的进一步改善具有重要参考价值.
1 材料与方法 1.1 样品采集本研究采样站点设置于地处成都市中心的西南交通大学九里校区土木楼楼顶, 站点周围分布有学校、道路、居民区、商业区、餐饮和公园等典型城市功能区, 采样结果能够较好地反映成都市空气质量水平[17, 18].分别于2016年10月、2017年1月、2017年4月、2017年7月和2020年12月利用TH-150C(武汉天虹, 中国)采样器对该站点大气PM2.5进行了28、29、27、29和30 d的样品采集, 获取样品可分别代表成都市2016年秋季、2016年冬季、2017年春季、2017年夏季和2020年冬季大气PM2.5水平.本研究采样流量为100 L·min-1, 采样膜为石英滤膜(Pall: d=90 mm), 每天采集两个样品, 采样时间分别为每日08:30~20:00和20:30~次日08:00, 最后, 共获得286张膜样品.此外, 对采样时段的气态污染物(SO2、NOx、CO、O3)和气象要素(温度、湿度、风速、能见度等)进行同步观测[19, 20].
1.2 样品分析 1.2.1 质量分析采样开始之前, 将采样膜放置于马弗炉中, 在500℃下焙烧4 h, 从而降低温度、湿度和滤膜中的挥发组分以及其他杂质对称重和组分含量的影响, 然后将其在恒温[(20±1)℃]和恒湿[(45±5)%]环境下平衡48 h后进行称重.在采样完成后再次将样品在相同恒温恒湿条件下处理与称重.最后, 通过计算采样前后膜质量的净增加量与采样标况体积之比可获取大气PM2.5浓度信息.
1.2.2 化学分析本研究OC和EC浓度分析采用热/光碳气溶胶分析仪(Sunset Lab Inc.).首先, 在He载气环境下通过逐级升温, 对4种OC(即OC1、OC2、OC3和OC4)进行测定, 随后炉温降至550℃, 在He/O2混合载气环境下通过逐级升温, 对6种EC(即EC1、EC2、EC3、EC4、EC5和EC6)进行测定.在此过程中, 会产生一部分裂解碳(OPC), 它主要是在无氧加热时OC裂解形成的EC.本研究OC定义为OC1+OC2+OC3+OC4+OPC, EC定义为EC1+EC2+EC3+EC4+EC5+EC6-OPC.
1.3 数据分析 1.3.1 SOC计算本研究二次有机碳(secondary organic carbon, SOC)计算参考文献[21~23], 即SOC=OC-EC(OC/EC)min, 式中, (OC/EC)min为研究时段OC和EC的最小比值.考虑到气象条件及污染源排放的季节差异, 本研究的SOC进行分季节单独计算.同时, (OC/EC)min的选取排除降雨或大风天气所采集的样品.
1.3.2 HYSPLIT模型HYSPLIT模型是由美国国家海洋和大气管理局空气资源实验室(NOAA Air Resources Laboratory)联合开发的一种综合模式系统, 被广泛应用于分析气流的运动沉降特征和大气污染物的输送扩散轨迹[24, 25].本研究利用Hysplit 4.9软件对到达成都市的气流进行了48 h后向轨迹模拟, 以往研究指出, 500 m风场能够有效地反映成都市边界层的平均流场特征和携带污染物的气团的输送特征[26], 因此, 本研究模拟起始高度设置为500 m.
1.3.3 潜在源贡献因子(PSCF)及浓度权重轨迹(CWT)分析PSCF是基于条件概率函数发展而来的一种用于分析受体位点污染物的可能来源区域的方法[27].该方法利用污染轨迹与所有轨迹的比值来表示每个区域对受体点的污染贡献概率.分析时将整个研究区域分为i×j个小网格, 每个网格的PSCFij计算公式便可表述为：
|
(1) |
式中, nij为落在此网格的所有轨迹数, mij为污染轨迹数.本研究所涵盖的区域范围为28°~35°N和101°~110°E, 网格的分辨率为0.1°×0.1°. PM2.5污染阈值为75 μg·m-3, 碳质组分污染阈值为60%分位数浓度水平.
由于PSCF结果只能体现经过网格区域的轨迹中污染轨迹的比率, 无法衡量各个网格污染轨迹的污染浓度贡献.为弥补此不足, 本研究基于相同的输入数据和适用的网格分辨率, 进一步利用CWT分析法, 计算每条轨迹的平均权重浓度, 计算公式如下：
|
(2) |
式中, CWTij是网格ij上的平均权重浓度; M是轨迹总数; l是轨迹; Cl是轨迹l经过网格ij对应的污染物浓度; Tijl是轨迹l在网格ij的停留时间.
当nij较小时, 会导致PSCF和CWT的计算结果的不确定性增大, 为此, 本研究将权重函数(Wij)引入到PSCF和CWT式中, 即WPSCFij= Wij×mij/nij和WCWTij=Wij×CWTij, 本研究中Wij为：
|
(3) |
式中, nave为每个网格的平均轨迹端点数.
2 结果与讨论如上所述, 为对成都大气PM2.5及其中碳质组分季节特征及污染最重季节(冬季)污染物年际演化特征进行分析, 本研究分别在2016~2017年四季和2020年冬季进行了PM2.5的采样与分析.因此, 结果与讨论各部分主要聚焦于两方面分析：一是基于2016~2017年全年结果对PM2.5和碳质组分的季节演化特征进行分析; 二是通过比较2016年和2020年冬季结果, 评估“蓝天保卫战”的实施对该污染最重季节所产生的影响.
2.1 污染物季节变化及冬季年际演化特征 2.1.1 2016~2017年气象及污染物季节变化特征由表 1可以看出, 2016~2017年成都市最高和最低大气温度分别出现在夏季[(28.2±3.0)℃]和冬季[(10.0±1.2)℃], 而相对湿度的最高和最低值分别出现在秋季[(86.8±7.0)%]和夏季[(68.0±12.4)%].各季节大气条件相对稳定, 风速整体处于较低水平, 变化范围为1.5~1.9 m·s-1.与温度季节特征类似, 夏季边界层要明显高于其他季节, 是秋季和冬季的2倍以上.受气象和污染物季节变化影响, 能见度在春季达到最高[(4.4±2.2)km], 最低值则出现在冬季[(2.8±1.8)km].
|
表 1 各季节气象条件及污染物浓度 Table 1 Meteorological conditions and concentrations of pollutants in different seasons |
与气象条件类似, 气态污染物浓度也呈现出了明显的季节变化.其中, ρ(NOx)最高值出现在冬季, 达到了(192.9±122.7)μg·m-3, 分别是春、夏和秋季的1.8、2.7和1.8倍.虽然ρ(SO2)整体水平较低, 但季节差异明显, 在冬季达到了(29.6±17.2)μg·m-3, 分别是春、夏和秋季的2.0、2.0和2.6倍. ρ(CO)最高值出现在冬季[(2.1±3.7)mg·m-3], 在其他季节则较为稳定, 介于0.8~1.0 mg·m-3. ρ(O3)较高值出现在春季和夏季, 分别达到(83.4±64.9)μg·m-3和(88.6±66.1)μg·m-3, 该浓度水平远高于秋季[(14.8±14.2) μg·m-3]和冬季[(12.6±16.4)μg·m-3)], 春季的高值主要是受该季节平流层臭氧传输所引起, 而夏季的高值主要与该季节较强的光化学反应密切相关[28].
2016~2017年ρ(PM2.5)平均值为(114.0±76.4)μg·m-3, 日均值超标率高达65.1%.本研究中年均ρ(PM2.5)明显高于同处四川盆地的宜宾(75.2 μg·m-3)[29]和重庆(76.4 μg·m-3)[30], 以及华北的北京(109.9 μg·m-3)[31]、长三角的南京(51.2 μg·m-3)[32]和珠三角的珠海(31.0 μg·m-3)[33]等.因此, 在本研究观测时段成都市大气PM2.5污染处于较为严重的水平. ρ(PM2.5)随着春季向冬季演化呈现出了明显的升高趋势, 春季平均值最低为(73.8±32.3)μg·m-3, 而在冬季达到了(193.3±98.5)μg·m-3.
2.1.2 污染物冬季年际演化特征由表 1可知, 虽然2020年冬季大气温度、相对湿度、风速和边界层高度等气象条件与2016年冬季接近, 但污染物却呈现出了较大差异.就气态污染物而言, 2020年冬季除ρ(O3)升高了1.3 μg·m-3外, ρ(NOx)、ρ(SO2)和ρ(CO)分别降至(129.2±86.9)μg·m-3、(5.0±2.9)μg·m-3和(0.9±1.0)mg·m-3, 相比2016年冬季, 降幅分别达到33.0%、83.1%和57.1%.就ρ(PM2.5)而言, 2020年冬季平均值为(96.0±39.3)μg·m-3, 相比2016年冬季降幅达到50.3%, 相应的, 2020年冬季大气能见度几乎是2016年冬季的两倍, 达到(5.5±3.3)km.可见, 在气象条件相似的情况下, 各类污染要素(除O3)在2020年冬季均出现了大幅降低, 这凸显了“蓝天保卫战”减排的有效性.
2.2 碳质组分季节变化及冬季年际演化特征 2.2.1 2016~2017年碳质组分季节变化特征2016~2017年ρ(OC)和ρ(EC)变化范围分别为12.6~40.6 μg·m-3和1.3~2.4 μg·m-3, 对应的平均值分别为(21.1±16.4)μg·m-3和(1.9±1.3)μg·m-3, 该碳质组分浓度水平(OC+EC)虽低于天津(31.4 μg·m-3)和廊坊(64.8 μg·m-3)[34], 却高于成都市2013~2014年的观测结果(17.7 μg·m-3)[35], 这意味着成都大气PM2.5中碳质组分较以往有所增加, 在污染减排过程中尤其值得注意.如图 1所示, ρ(OC)和ρ(EC)呈现出了明显的季节变化, 其中, ρ(OC)季节变化特征与ρ(PM2.5)完全一致：冬季[(40.6±21.5)μg·m-3]>秋季[(17.0±7.0)μg·m-3]>夏季[(14.4±3.9)μg·m-3]>春季[(12.6±6.0)μg·m-3], 而ρ(EC)整体表现为秋冬季高于春夏季, 整体变化规律为：秋季[(2.4±1.3)μg·m-3]>冬季[(2.3±1.1)μg·m-3]>春季[(1.4±1.5)μg·m-3]>夏季[(1.3±0.6)μg·m-3].就对PM2.5贡献而言, 整个观测时段OC和EC的平均占比分别为18.5%和1.7%, 其中, OC在冬季占比略高于其他3个季节, 四季占比分别为17.1%(春)、17.4%(夏)、16.3%(秋)和21.0%(冬), 而EC对PM2.5贡献季节差异则较小, 变化范围为1.2%~2.3%.
|
图 1 碳质组分浓度及贡献季节变化 Fig. 1 Seasonal variations of the concentrations and contributions of carbonaceous species |
通过相关性分析可知：①成都市春、秋和冬季的OC和EC具有较强的相关性, 对应的R2分别为0.60、0.68和0.60, 两种碳质组分来源一致性较强, 而在夏季, 两者相关性则非常弱(R2=0.11), 这意味着在夏季两种组分的来源存在较大差异, 如SOC的大量产生.②成都市各季节OC与PM2.5均存在较强的相关性, 整体R2变化范围为0.64~0.92; EC与PM2.5相关性弱于OC, R2变化范围为0.35~0.57.可见, 碳质组分, 尤其是OC始终是PM2.5的重要构成, 对PM2.5季节变化具有重要贡献.
OC/EC比值通常被用于判断大气中是否生成了SOC以及两种碳质组分的来源[36, 37].有研究表明, OC/EC>2时, 即认为大气中有SOC生成[38]; 当OC/EC为1.0~4.2时, 主要排放源为机动车尾气[39]; 比值为2.5~10.5时, 主要排放源为燃煤源[40]; 比值为3.8~13.2或16.8~40.0时, 主要排放源为生物质燃烧[41, 42]; 比值为32.9~81.6时, 主要排放源为烹调排放[42].本研究中, 成都市春、夏、秋和冬季的OC/EC均值分别为9.0、11.1、7.1和17.7, 表明各季节均有SOC生成, 其中, 春季和秋季碳质组分主要来源于燃煤源和生物质燃烧, 夏季和冬季碳质组分主要来源于生物质燃烧.
2016~2017年ρ(SOC)平均值为(9.4±9.1)μg·m-3, 可占OC的质量分数为44.5%, 其季节变化特征为：冬季[(17.5±13.8)μg·m-3]＞夏季[(7.5±4.4)μg·m-3]＞秋季[(6.6±4.4)μg·m-3]＞春季[(6.1±4.3)μg·m-3], 与浓度季节变化特征不同, SOC在夏季(52.1%)的占比高于其他季节, 这主要与夏季更强的光化学反应有利于SOC的大量生成有关.
2.2.2 碳质组分冬季年际演化特征就浓度而言, 2020年冬季ρ(OC)和ρ(SOC)分别为(19.2±9.1)μg·m-3和(9.5±9.3)μg·m-3, 相比2016年冬季分别降低了52.7%和45.7%; 而2020年冬季ρ(EC)为(2.9±1.4)μg·m-3, 较2016年冬季上升了26.1%.就相对贡献而言, OC和EC各自对PM2.5的贡献在两个冬季较为接近(2016冬vs. 2020冬：21.0% vs. 20.0%和1.2% vs. 3.0%), 而SOC在OC中的占比在2020年冬季升高幅度较大(6.7%), 凸显了二次有机组分在碳质组分中更为重要的贡献. 2020年冬季OC/EC均值为6.6, 碳质组分来源由2016年的生物质燃烧转变为燃煤排放和生物质燃烧共同贡献.
2.3 碳质组分随污染演化特征在污染加重过程中, 随着气象要素、形成机制及源强的变化, 各类污染物所扮演的作用通常处于动态变化中.因此, 对这些污染物在不同污染时段的对比分析, 有利于全面认识其在污染形成中的作用, 从而为污染形成机制分析和提出针对性减排建议提供科学支持.按照我国《环境空气质量指数(AQI)技术规定(试行)》(HJ 633-2012)中PM2.5的分级标准, 本研究将研究时段环境空气质量分为未污染(< 75 μg·m-3)、轻度污染(75 μg·m-3~115 μg·m-3)、中度污染(115 μg·m-3~150 μg·m-3)、重度污染(150 μg·m-3~250 μg·m-3)和严重污染(>250 μg·m-3)这5个级别.
2.3.1 2016~2017年碳质组分随污染演化特征由图 2可以看出, 就2016~2017全年而言, 随着污染加重, ρ(OC)大幅升高, 空气质量为“非污染”时仅为(9.8±2.8)μg·m-3, 而在“严重污染”时段达到(69.7±12.6)μg·m-3.与ρ(OC)不同, ρ(EC)则呈现出了先升高后稳定的变化趋势, 当空气质量从“未污染”演变至“中度污染”, 其值从(1.1±0.6)μg·m-3升高至(3.1±2.2)μg·m-3, 随后, 则保持在相对稳定的水平.SOC浓度则呈现出了先升高后降低的趋势, 最高值出现在“重度污染”时段.就各组分贡献而言, OC在PM2.5中的占比随污染加重微弱上升, 最高值出现在“严重污染”时段, 为21.0%; EC在PM2.5中的占比则与其浓度变化趋势相反, 在“轻度污染”之前, 整体较为稳定, 而当污染更重时, 贡献快速降低, 最低值出现在“严重污染”时段, 仅为1.1%; SOC在OC中的占比随污染加重呈波动性变化, 且在污染最重时占比降到最低, 仅为18.3%.
|
图 2 碳质组分浓度及贡献随污染演变特征 Fig. 2 Evolution characteristics of carbonaceous species concentrations and their contributions at different pollution level |
2016年冬季三类碳质组分浓度随污染加重均呈升高趋势, ρ(OC)、ρ(EC)和ρ(SOC)分别从“非污染”时的(9.8±3.2)、(0.8±0.2)和(1.8±1.0)μg·m-3升高至“严重污染”时的(69.6±12.6)、(3.5±0.7)和(35.2±11.1)μg·m-3.占比方面, EC在PM2.5中的占比随污染加重没有明显的变化趋势, 而OC在PM2.5中以及SOC在OC中的占比均呈波动性升高, 最高占比分别出现在“重度污染”和“严重污染”时段, 为22.4%和49.9%.相比2016年冬季, 虽然2020年冬季OC和SOC浓度随污染加重也呈稳定升高趋势, 但涨幅明显降低; 同时, ρ(EC)随污染呈现出了先升高后降低的趋势, 最高值出现在“中度污染”时段, 为(3.5±1.6)μg·m-3.就占比而言, 相比2016年冬季, 2020年冬季OC在PM2.5中占比随污染加重更加趋于平缓, 整体变化范围为19.3%~21.2%; 而EC对PM2.5的贡献随污染加重不断下降, 从“未污染”时的4.3%, 降至“重度污染”时的1.4%; 值得注意的是, SOC在OC中的占比随污染加重呈上升趋势, 且上升幅度较2016年冬季更大.可见, 与2016年冬季相比, 虽然2020年冬季OC和EC对污染形成的影响有所减弱, 但二次碳质组分对污染的贡献却愈加突出.
2.4 后向轨迹分析 2.4.1 2016~2017年后向轨迹季节特征对成都市2016~2017年各季节气团轨迹进行聚类分析, 结果如图 3所示.可以看出, 各季节气团来向差异明显.春季2条聚类对应的气团分别源自成都的东北(C1)和西北方向(C2), 气团贡献比例分别为40.6%和59.4%, 其中源自西北方向的C2对应着更高的PM2.5、OC、EC和SOC浓度.夏季的3条聚类均源自成都东部, 其中, 占比最大的C1(65.6%)对应着最低的PM2.5、OC和EC浓度, 而占比最小的C3(9.4%)对应着最高的PM2.5、OC、SOC浓度.秋季源自成都东南方向的C2可占所有气团的50.0%, 对应着最高的污染物浓度, 而占比为36.7%的C1对应着最低的污染物浓度.在冬季, 西南地区气团传输贡献明显增强, 对应的C1占比达到46.9%, 且其污染物浓度也明显高于其他轨迹.就SOC在OC中的占比而言, 其最高值对应的轨迹随季节出现了“顺时旋转”的现象, 春、夏、秋和冬季的最高占比对应的聚类分别源于东北(C1)、东南(C1)、西南(C3)和西北(C3), 占比分别为54.2%、55.6%、41.6%和48.1%.
|
(a)2017年春季, (b)2017年夏季, (c)2016年秋季, (d)2016年冬季, (e)2020年冬季 图 3 后向轨迹聚类结果 Fig. 3 Backward trajectory clustering results |
虽然不同季节成都市气团来向差异明显, 但就冬季而言, 2016年和2020年成都市气团来向非常相似, 均可聚为三类, 分别来自成都东北、西南和西北方向.两冬季对应最高污染物浓度的气团均源自西南方向, 即2016年冬季的C1和2020年冬季的C2.相比2016年冬季, 2020年冬季各方向聚类对应的污染物浓度均出现了大幅降低, 这与该季节空气质量大幅改善一致.此外, 与2016年冬季一致, 2020年冬季SOC在OC中的最高占比同样出现在源自西南方向的聚类(C2), 达到61.2%, 比2016年冬季高了13.1%, 进一步突出了“蓝天保卫战”实施后二次碳质组分更为重要的贡献.
2.5 潜在源贡献 2.5.1 2016~2017年潜在源贡献季节特征2016~2017年PM2.5、OC和EC的WPSCF分析结果如图 4所示, 可以看出, PM2.5潜在源区呈现出了明显的季节变化, 其中春季的高值区主要集中在成都周边的南部和东南部区域; 而在夏季, 除了局地源的强烈贡献, 东南部高值区域进一步扩展, 一直延伸至川渝交界地区, 成为成都PM2.5的重要贡献源区; 进入秋季, 远距离传输明显减弱, 高值区主要集中在成都周边地区; 在冬季, 虽然PM2.5潜在源区有一定扩大, 但依然集中在四川省内, 且高值区主要分布在成都周边的东南部区域.就两种碳质组分而言, 在春、夏和冬季, OC和EC的潜在源区与PM2.5呈现出了较强的一致性, 而在秋季, 两种碳质组分的潜在源区要明显大于PM2.5潜在源区范围, 成都东部地区(包括东南和东北部)的贡献不容忽视.
|
a~e分别表示2017年春季、2017年夏季、2016年秋季、2016年冬季和2020年冬季, Ⅰ~Ⅲ分别表示PM2.5、OC和EC; 颜色越深, 即气流通过该处影响计算点污染物浓度超过阈值的概率越大 图 4 PM2.5及碳质组分WPSCF分析结果 Fig. 4 WPSCF analysis results of PM2.5 and carbonaceous species |
由图 5可以看出, 2016~2017年夏、秋季WCWT和WPSCF分析结果非常接近, 即成都近周边是PM2.5的主要潜在源区, 而在夏季, 成都东南部地区贡献不容忽视.在春季, 相比WPSCF分析结果, WCWT分析结果进一步突出了成都以西地区的潜在贡献.虽然潜在源区覆盖区域大小略有差异, 但OC和EC与PM2.5的WCWT分析结果整体较为相似.
|
a~e分别表示2017年春季、2017年夏季、2016年秋季、2016年冬季和2020年冬季, Ⅰ~Ⅲ分别表示PM2.5、OC和EC; 颜色越深, 即影响计算点污染物浓度的气流通过该处的平均浓度水平越高 图 5 PM2.5及碳质组分WCWT分析结果 Fig. 5 WCWT analysis results of PM2.5 and carbonaceous species |
对比2016年和2020年冬季WPSCF分析结果发现, 2020年冬季PM2.5和EC潜在源区进一步向成都东部地区扩展, 且该区域的高值区出现更为频繁, 而OC潜在源区面积和强度均大幅缩小.对比WCWT结果发现, 2016年冬季PM2.5和两种碳质组分的高值区主要集中在成都周边区域, 未见明显的远距离传输的潜在贡献, 而在2020年冬季, 三类污染物的潜在源区均出现了向东部区域扩展的趋势, 高值区主要集中在成都近周边的东南部地区.
3 结论(1) 2016~2017年成都市ρ(PM2.5)平均值为(114.0±76.4)μg·m-3, 整体季节变化特征表现为：冬季>秋季>夏季>春季.与2016年冬季相比, 除O3外, 其他污染物浓度在2020年冬季均出现了大幅降低, PM2.5、NOx、SO2和CO的降幅分别达50.3%、33.0%、83.1%和57.1%.
(2) 2016~2017年ρ(OC)和ρ(EC)的平均值分别为(21.1±16.4)μg·m-3和(1.9±1.3)μg·m-3, 分别占PM2.5的质量分数为18.5%和1.7%. ρ(SOC)平均值为(9.4±9.1)μg·m-3, 对OC的贡献率平均值为44.5%, 最高占比出现在夏季(52.1%).与2016年冬季相比, 2020年冬季ρ(OC)和ρ(SOC)分别降低了52.7%和45.7%, 而ρ(EC)上升了26.1%.
(3) 随污染加重, 无论是全年还是污染最重的冬季, OC和SOC浓度均整体呈升高趋势, EC浓度多呈波动性变化.相比2016年冬季, 2020年冬季OC贡献随污染加重变化更趋于平稳, 而SOC在重污染形成中的贡献愈加突出.
(4) 成都市气团来向和污染物潜在源区均呈现出了明显的季节特征, 但在同一季节, PM2.5与碳质组分潜在源区较为相似.与2016年冬季相比, 2020年冬季PM2.5与碳质组分在东部的潜在源区出现了不同程度的扩展.
| [1] | Zhao H, Chen K Y, Liu Z, et al. Coordinated control of PM2.5 and O3 is urgently needed in China after implementation of the "Air pollution prevention and control action plan"[J]. Chemosphere, 2021, 270. DOI:10.1016/j.chemosphere.2020.129441 |
| [2] | Maji K J, Li V O, Lam J C. Effects of China's current air pollution prevention and control action plan on air pollution patterns, health risks and mortalities in Beijing 2014-2018[J]. Chemosphere, 2020, 260. DOI:10.1016/j.chemosphere.2020.127572 |
| [3] | Schauer J J, Mader B T, Deminter J T, et al. ACE-Asia intercomparison of a thermal-optical method for the determination of particle-phase organic and elemental carbon[J]. Environmental Science & Technology, 2003, 37(5): 993-1001. |
| [4] | Kalberer M, Paulsen D, Sax M, et al. Identification of polymers as major components of atmospheric organic aerosols[J]. Science, 2004, 303(5664): 1659-1662. DOI:10.1126/science.1092185 |
| [5] | Jacobson M Z. Strong radiative heating due to the mixing state of black carbon in atmospheric aerosols[J]. Nature, 2001, 409(6821): 695-697. DOI:10.1038/35055518 |
| [6] | Yang D D, Zhang H, Li J N. Changes in anthropogenic PM2.5 and the resulting global climate effects under the RCP4.5 and RCP8.5 scenarios by 2050[J]. Earth's Future, 2020, 8(1). DOI:10.1029/2019EF001285 |
| [7] | Liu F, Tan Q W, Jiang X, et al. Effects of relative humidity and PM2.5 chemical compositions on visibility impairment in Chengdu, China[J]. Journal of Environmental Sciences, 2019, 86: 15-23. DOI:10.1016/j.jes.2019.05.004 |
| [8] | Shi Y, Chen J M, Hu D W, et al. Airborne submicron particulate (PM1) pollution in Shanghai, China: Chemical variability, formation/dissociation of associated semi-volatile components and the impacts on visibility[J]. Science of the Total Environment, 2014, 473-474: 199-206. DOI:10.1016/j.scitotenv.2013.12.024 |
| [9] | Jiang N, Yin S S, Guo Y, et al. Characteristics of mass concentration, chemical composition, source apportionment of PM2.5 and PM10 and health risk assessment in the emerging megacity in China[J]. Atmospheric Pollution Research, 2018, 9(2): 309-321. DOI:10.1016/j.apr.2017.07.005 |
| [10] | Wang Y H, Hu L F, Lu G H. Health risk analysis of atmospheric polycyclic aromatic hydrocarbons in big cities of China[J]. Ecotoxicology, 2014, 23(4): 584-588. DOI:10.1007/s10646-014-1179-9 |
| [11] |
张菊, 林瑜, 乔玉红, 等. 成都市西南郊区夏秋季PM2.5碳组分化学特征[J]. 环境工程, 2017, 35(10): 100-104. Zhang J, Lin Y, Qiao Y H, et al. Character of carbonaceous aerosol in PM2.5 during summer-autumn period in southwest suburb of Chengdu[J]. Environmental Engineering, 2017, 35(10): 100-104. |
| [12] |
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 |
| [13] | Huang X J, Zhang J K, Luo B, et al. Water-soluble ions in PM2.5during spring haze and dust periods in Chengdu, China: Variations, nitrate formation and potential source areas[J]. Environmental Pollution, 2018, 243: 1740-1749. DOI:10.1016/j.envpol.2018.09.126 |
| [14] |
彭妍君, 张鑫, 张强. "大气十条"实施对2013—2017年大气气溶胶-辐射相互作用的影响[J]. 环境科学学报, 2021, 41(2): 311-320. Peng Y J, Zhang X, Zhang Q. Impact of the implementation of the "Ten Statements of Atmosphere" on the atmospheric aerosol-radiation interaction during 2013-2017[J]. Acta Scientiae Circumstantiae, 2021, 41(2): 311-320. |
| [15] |
李莉莉, 王琨, 闫耀宗, 等. "大气十条"实施期间哈尔滨市大气污染特征研究[J]. 环境科学与管理, 2020, 45(2): 31-36. Li L L, Wang K, Yan Y Z, et al. Air pollution characteristics in Harbin during implementation of air pollution control action plan[J]. Environmental Science and Management, 2020, 45(2): 31-36. DOI:10.3969/j.issn.1673-1212.2020.02.007 |
| [16] | Cai S Y, Wang Y J, Zhao B, et al. The impact of the "Air Pollution Prevention and Control Action Plan" on PM2.5 concentrations in Jing-Jin-Ji region during 2012-2020[J]. Science of the Total Environment, 2017, 580: 197-209. DOI:10.1016/j.scitotenv.2016.11.188 |
| [17] | Wu P, Huang X J, Zhang J K, et al. Characteristics and formation mechanisms of autumn haze pollution in Chengdu based on high time-resolved water-soluble ion analysis[J]. Environmental Science and Pollution Research, 2019, 26(3): 2649-2661. DOI:10.1007/s11356-018-3630-6 |
| [18] |
李佳琪, 张军科, 董贵明, 等. 《大气污染防治行动计划》后期成都大气PM2.5中水溶性无机离子特征[J]. 环境科学, 2021, 42(12): 5616-5623. Li J Q, Zhang J K, Dong G M, et al. Characterization of water-soluble inorganic ions in atmospheric PM2.5 in Chengdu during the later stage of the air pollution prevention and control action plan[J]. Environmental Science, 2021, 42(12): 5616-5623. |
| [19] | Zhang J K, Huang X J, Chen Y, et al. Characterization of lead-containing atmospheric particles in a typical basin city of China: Seasonal variations, potential source areas, and responses to fireworks[J]. Science of the Total Environment, 2019, 661: 354-363. DOI:10.1016/j.scitotenv.2019.01.079 |
| [20] |
刘琴, 张军科, 黄小娟, 等. 成都春季气溶胶理化性质及不同时段污染特征[J]. 中国环境科学, 2019, 39(12): 5009-5017. Liu Q, Zhang J K, Huang X J, et al. The physicochemical properties of aerosol and its pollution characteristics in different periods in spring in Chengdu[J]. China Environmental Science, 2019, 39(12): 5009-5017. |
| [21] | Han T T, Liu X G, Zhang Y H, et al. Role of secondary aerosols in haze formation in summer in the megacity Beijing[J]. Journal of Environmental Sciences, 2015, 31: 51-60. DOI:10.1016/j.jes.2014.08.026 |
| [22] |
贺博文, 聂赛赛, 王帅, 等. 承德市PM2.5中碳质组分的季节分布特征及来源解析[J]. 环境科学, 2021, 42(11): 5152-5161. He B W, Nie S S, Wang S, et al. Seasonal variation and source apportionment of carbonaceous species in PM2.5 in Chengde[J]. Environmental Science, 2021, 42(11): 5152-5161. |
| [23] | Lim H J, Turpin B J. Origins of primary and secondary organic aerosol in Atlanta: Results of time-resolved measurements during the Atlanta supersite experiment[J]. Environmental Science & Technology, 2002, 36(21): 4489-4496. |
| [24] | Borge R, Lumbreras J, Vardoulakis S, et al. Analysis of long-range transport influences on urban PM10 using two-stage atmospheric trajectory clusters[J]. Atmospheric Environment, 2007, 41(21): 4434-4450. DOI:10.1016/j.atmosenv.2007.01.053 |
| [25] | Wang Y Q, Zhang X Y, Draxler R R. Trajstat: Gis-based software that uses various trajectory statistical analysis methods to identify potential sources from long-term air pollution measurement data[J]. Environmental Modelling & Software, 2009, 24(8): 938-939. |
| [26] |
陈雨婷, 向卫国, 钱骏, 等. 空气污染气象指数在成都地区的适用性分析[J]. 环境科学与技术, 2019, 42(S2): 207-214. Chen Y T, Xiang W G, Qian J, et al. Applicability analysis of air pollution weather index in Chengdu area[J]. Environmental Science & Technology, 2019, 42(S2): 207-214. |
| [27] | Polissar A V, Hopke P K, Paatero P, et al. The aerosol at Barrow, Alaska: Long-term trends and source locations[J]. Atmospheric Environment, 1999, 33(16): 2441-2458. |
| [28] |
赵伟, 高博, 卢清, 等. 2006~2019年珠三角地区臭氧污染趋势[J]. 环境科学, 2021, 42(1): 97-105. Zhao W, Gao B, Lu Q, et al. Ozone pollution trend in the Pearl River Delta region during 2006-2019[J]. Environmental Science, 2021, 42(1): 97-105. |
| [29] |
尹寒梅, 陈军辉, 冯小琼, 等. 宜宾市PM2.5中碳组分的污染特性及来源分析[J]. 环境化学, 2019, 38(4): 738-745. Yin H M, Chen J H, Feng X Q, et al. Pollution characteristics and source analysis of carbonaceous aerosol in PM2.5 in Yibin, China[J]. Environmental Chemistry, 2019, 38(4): 738-745. |
| [30] |
余家燕, 王军, 许丽萍, 等. 重庆城区PM2.5化学组分特征及季节变化[J]. 环境工程学报, 2017, 11(12): 6372-6378. Yu J Y, Wang J, Xu L P, et al. Characteristics of chemical components of PM2.5 and its seasonal variations in Chongqing urban area[J]. Chinese Journal of Environmental Engineering, 2017, 11(12): 6372-6378. |
| [31] |
张婷婷, 马文林, 亓学奎, 等. 北京城区PM2.5有机碳和元素碳的污染特征及来源分析[J]. 环境化学, 2018, 37(12): 2758-2766. Zhang T T, MA W L, Qi X K, et al. Characteristics and sources of organic carbon and element carbon in PM2.5 in the urban areas of Beijing[J]. Environmental Chemistry, 2018, 37(12): 2758-2766. |
| [32] |
卢文, 王红磊, 朱彬, 等. 南京江北2014-2016年PM2.5质量浓度分布特征及气象和传输影响因素分析[J]. 环境科学学报, 2019, 39(4): 1039-1048. Lu W, Wang H L, Zhu B, et al. Distribution characteristics of PM2.5 mass concentration and their impacting factors including meteorology and transmission in North Suburb of Nanjing during 2014 to 2016[J]. Acta Scientiae Circumstantiae, 2019, 39(4): 1039-1048. |
| [33] |
赵新锋, 钟欣, 胡嘉骢, 等. 珠海市PM2.5时空分布特征及其成因分析[J]. 环境监控与预警, 2017, 9(6): 53-58. Zhao X F, Zhong X, Hu J C, et al. Spatial temporal variation characteristics and reason analysis of PM2.5 concentration in Zhuhai[J]. Environmental Monitoring and Forewarning, 2017, 9(6): 53-58. |
| [34] | Qi M X, Jiang L, Liu Y X, et al. Analysis of the characteristics and sources of carbonaceous aerosols in PM2.5 in the Beijing, Tianjin, and Langfang region, China[J]. International Journal of Environmental Research and Public Health, 2018, 15(7). DOI:10.3390/ijerph15071483 |
| [35] |
史芳天, 罗彬, 张巍, 等. 成都平原PM2.5中碳质组分时空分布特征与来源[J]. 环境科学, 2020, 41(2): 520-528. Shi F T, Luo B, Zhang W, et al. Spatio-temporal variations and source apportionment of carbonaceous species in PM2.5 across multiple sampling locations in the Chengdu Plain[J]. Environmental Science, 2020, 41(2): 520-528. |
| [36] | Chen Y J, Sheng G Y, Bi X H, et al. Emission factors for carbonaceous particles and polycyclic aromatic hydrocarbons from residential coal combustion in China[J]. Environmental Science & Technology, 2005, 39(6): 1861-1867. |
| [37] | Castro L M, Pio C A, Harrison R M, et al. Carbonaceous aerosol in urban and rural European atmospheres: estimation of secondary organic carbon concentrations[J]. Atmospheric Environment, 1999, 33(17): 2771-2781. |
| [38] | 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. |
| [39] | Schauer J J, Kleeman M J, Cas G R, et al. Measurement of emissions from air pollution sources. 2. C1 through C30 organic compounds from medium duty diesel trucks[J]. Environmental Science & Technology, 1999, 33(10): 1578-1587. |
| [40] | Chen Y J, Zhi G R, Feng Y L, et al. Measurements of emission factors for primary carbonaceous particles from residential raw-coal combustion in China[J]. Geophysical Research Letters, 2006, 33(20). DOI:10.1029/2006GL026966 |
| [41] | Schauer J J, Kleeman M J, Cass G R, et al. Measurement of emissions from air pollution sources. 3. C1-C29 organic compounds from fireplace combustion of wood[J]. Environmental Science & Technology, 2001, 35(9): 1716-1728. |
| [42] | He L Y, Hu M, Huang X F, et al. Measurement of emissions of fine particulate organic matter from Chinese cooking[J]. Atmospheric Environment, 2004, 38(38): 6557-6564. |