2023, Vol. 44
2. 河南省生态环境监测中心, 郑州 450046;
3. 河南省郑州生态环境监测中心, 郑州 450000
2. Ecological Environment Monitoring Center of Henan Province, Zhengzhou 450046, China;
3. Zhengzhou Ecological Environment Monitoring Center of Henan Province, Zhengzhou 450000, China
近年来, 伴随着经济的高速发展, 我国华北地区面临严峻的大气污染问题.以PM2.5(细颗粒物, 即空气动力学当量直径小于或等于2.5 μm的颗粒物)为首要污染物的秋冬季霾污染过程是影响我国空气质量的重要因素, 也对人体健康、生态系统和大气能见度等造成显著影响[1, 2].
PM2.5中主要化学组分包括水溶性离子、碳组分和金属元素等.Wang等[3]对我国27个城市PM2.5组分的综述结果表明, 硫酸根(SO42-)、硝酸根(NO3-)和铵根(NH4+)离子(SNA)在PM2.5中的占比最高, 约为6% ~50%, 其次是有机物(organic matter, OM)、地壳物质(crustal matter, CM)和元素碳(elemental carbon, EC).我国华北地区秋冬季霾污染过程中, 随着PM2.5浓度的增加, 各化学组分的浓度明显上升, 其中SNA浓度的增幅最大[4].相较于清洁时段, 天津市霾污染过程中SO42-和NO3-浓度分别上升4倍和2倍[5]; 在北京市霾污染过程中, SO42-、NO3-和NH4+在PM2.5中的占比分别从8.9%、13.2%和7.2%上升到19.2%、18.5%和12.6%, 而OM的占比从63.5%下降至37.7%, 相似的变化趋势也发生在淄博、邯郸等城市的典型霾污染过程中[6~8].此外, 农村点位霾污染过程PM2.5中SNA的占比也可达40%以上[9~11].在长三角和西安地区的研究发现, 农村点位PM2.5中SNA的占比低于城市点位, 而有机组分的占比更高, 主要排放源差异的影响[10, 11].其中, 生物质燃烧用于炊事和取暖是农村点位PM2.5的典型贡献源[11].此外, 西安霾污染过程中农村地区受传输影响大于城市, 而城市点位特征则相反[10].综上, 开展城市和农村点位霾污染过程中PM2.5化学组分的对比研究, 能够有效识别本地污染源特征.工业和农业发展并重的河南省北部城市如郑州、安阳、新乡和濮阳等是我国PM2.5污染的高值区, 也是京津冀传输通道上的重点城市[12].在高排放和不利气象条件影响下, 秋冬季重污染事件频发[13, 14].受观测仪器等因素的限制, 河南省北部的大气霾污染的研究起步较晚, 并且尚未有对该地区城市和农村地区的对比研究.
本文利用一系列在线高时间分辨率的观测仪器在河南省2个城市点位和3个农村点位对一次区域重污染过程进行连续观测, 分析PM2.5的组分特征, 深入探究不同时段、不同污染程度和不同污染阶段的组分变化规律.本研究能够帮助人们深入了解河南省北部地区城市和农村点位区域霾污染过程中PM2.5的组分特征, 通过识别重污染形成的主要诱发因素, 从而更好制定重污染应急管控措施.
1 材料与方法 1.1 采样时间和地点本文在该地区布设5个点位进行综合观测, 包含2个城市点位和3个农村点位, 采样点位坐标见图 1.观测时间为一次区域重污染过程, 时段为2018年1月12~25日.郑州市城市观测点(U-ZZ) 位于郑州大学新校区资源与材料协同创新中心6楼楼顶(34.82°N, 113.54°E), 观测高度距离地面约20 m, 周边以生活区为主.安阳市城市观测点(U-AY)位于河南安阳生态环境监测中心楼顶(36.09°N, 114.41°E), 距离地面约15 m, 周边以生活区为主, 安阳钢铁集团有限公司位于点位以西8 km左右.安阳市农村观测点(R-AY)位于安阳市柏庄镇辛店北街的大气综合观测站(36.22°N, 114.39°E); 新乡农村点位(R-XX)位于新乡市延津县班枣乡中学的大气综合观测站(35.38°N, 114.30°E); 濮阳市农村点位(R-PY)位于南乐县梁村乡的大气综合观测站(36.15°N, 115.10°E), 上述农村点位周边以乡镇和农田为主.
|
图 1 采样点位分布示意 Fig. 1 Location of sampling sites |
U-ZZ点位和其它4个点位分别使用Xact-625i和Xact-625型环境空气金属在线分析仪(Cooper Environment Services, 美国)检测PM2.5中元素浓度, 如Al、Si、K、Ca、V、Cr、Mn、Fe、Ni、Cu、Zn、Ga、As、Se、Cd、Sn、Ba和Pb等.在U-ZZ点位使用大气中气溶胶及气体组分在线离子色谱监测系统(URG-9000D, Thermo Fisher Scientific, 美国)以及在其他4个点位使用气溶胶和气体检测仪(MARGA, Metrohm, 瑞士)分析PM2.5中的水溶性离子, 如Na+、NH4+、K+、Mg2+、Ca2+、Cl-、NO3-和SO42-.PM2.5中EC和有机碳(organic carbon, OC)浓度采用美国沙漠研究所研制的碳分析仪(Model 4, Sunset Laboratory Inc, 美国).本研究中的PM10、PM2.5、NO2、SO2、CO和O3监测仪器采用美国Thermo Fisher Scientific公司系列仪器.利用智能气象站(LUFFT-WS500, Sutron Corporation, 德国)同步观测气象参数, 如气压、温度(temperature, T)、湿度(relative humidity, RH)、风向(wind direction, WD)和风速(wind speed, WS).具体仪器原理和质控措施见文献[12, 15, 16].
1.3 分析方法 1.3.1 分歧系数和相关系数分歧系数(coefficients of divergence, CD)被广泛应用于评估不同点位颗粒物中组分数据之间的相似和差异程度[17], 计算公式如下:
|
(1) |
式中, xij和xik分别表示j和k点位的i组分浓度; m表示组分数据的个数.当CD值接近0或者低于0.2时, 可以认为两个点位之间的数据高度相似, 当CD值接近1时, 表明点位之间数据差异性较大.
相关系数(r)是指变量之间的线性相关关系, 可以用来研究两组数据是否具有相同的变化趋势.本文中相关系数采用SPSS 21.0软件计算的Pearson相关系数.
1.3.2 组分重构方法PM2.5中CM和OM的重构方法主要利用以下公式[18]:
|
(2) |
|
(3) |
式中, [Al]、[Si]、[Ca]、[Fe]、[Ti]和[OC]分别表示这些组分在PM2.5中的浓度(μg ·m-3).本文重构的CM理论上表示地壳物质以Al2 O3、SiO2、CaO、Fe2 O3/FeO、TiO2和K2 O存在, 最后所有氧化物浓度之和再乘1.16用来表示加上其它物质的总和[18].为了计算未检测有机物中H、O、N和S等元素的浓度, 通常使用公式(3)重构OM浓度, 其中f是OC的折算系数.理论上在不同点位不同时段OM的氧化程度和二次有机气溶胶生成量不同, f的取值应有差异, 选择范围可能从1.2(新鲜的气溶胶)至2.6(老化的气溶胶)[18].我国14个城市的OM/OC比值的研究表明, 我国北部城市冬季平均f值为1.59±0.18, 因此本文中采用1.6作为5个点位的f值[19].
1.3.3 消光系数估算大气消光系数(bext)是可见光在大气中传播单位距离时的相对衰减率(10-6·m-1, Mm-1), 本文采用IMPROVE推荐的消光系数计算公式估算重污染过程中各组分对大气消光系数的贡献[20], 计算公式如下：
|
(4) |
式中, 3、4、10、1和0.6分别表示各自组分对应的干散射效率(m2·g-1). f(RH)指吸湿增长因子, 其与RH的对应关系见表 1.式中(NH4)2SO4=1.375[SO42-], NH4NO3=1.39[NO3-], OM为重构的有机物浓度, EC为观测的元素碳浓度, CM为重构的地壳元素浓度, 粗颗粒=PM10-PM2.5.
|
表 1 不同RH范围下的吸湿增长因子f(RH) Table 1 Hygroscopic growth factors f(RH) under different RH ranges |
2 结果与讨论 2.1 污染过程概述
2018年1月12~25日我国暴发了一次典型的以河南北部城市为污染中心、覆盖整个华北平原且持续时间较长的重污染过程.以PM2.5为分析对象计算了污染过程中5个点位之间的分歧系数(CD)和Pearson相关系数(r)见表 2, 可以看出5个点位PM2.5浓度的r值均高于0.5, 并且PM2.5的时间序列(图 2)也表明污染过程中5个点位PM2.5浓度变化趋势有明显相关性.点位之间PM2.5浓度的CD值在0.1~0.28范围内, 只有U-ZZ和R-PY点位与其他点位的CD值略大于0.2, 表明PM2.5浓度的空间分布差异较小.上述结果表明在此次区域污染过程中5个点位的PM2.5浓度变化趋势相似, 可能是由于区域受相似的气象条件影响(图 2). 但是, 从污染过程中PM2.5浓度平均值来看(表 3), 5个点位PM2.5浓度值存在差异, 其中R-AY点位ρ(PM2.5)最高[(227.3±130.3) μg ·m-3], U-ZZ点位ρ(PM2.5)最低[(175±110.7) μg ·m-3], 可能主要受点位周边排放源等因素的影响.
|
|
表 2 污染过程5个点位之间PM2.5的分歧系数(CD)和相关性(r) Table 2 Coefficients of divergence (CD) and correlation coefficient (r) of PM2.5 among the five sites during the haze episode |
|
图 2 污染过程中5个点位的PM2.5浓度和气象参数时间序列 Fig. 2 Temporal variations in PM2.5 concentration and meteorological parameters during the haze episode at the five sites |
|
|
表 3 污染过程中5个点位大气污染物和气象参数 Table 3 Summary of atmosphere pollutants and meteorological parameters during the haze periods at the five sites |
结合表 3中其它污染物浓度来看, U-AY和R-AY点位的一次气态污染物NO2、SO2和CO浓度平均值明显高于其它点位, 其中U-AY点位的ρ(NO2)和ρ(SO2)分别达到(77±29.4) μg ·m-3和(42.2±22.4) μg ·m-3, NO2是国家年均二级标准的1.9倍, SO2是国家年均一级标准的2.1倍; R-AY点位ρ(CO)达到(3.8±1.7) mg ·m-3, 接近日均二级标准.R-XX点位的气态污染物浓度最低, 但是ρ(NO2)、ρ(SO2)和ρ(CO)仍达到(54.7±24.5) μg ·m-3、(18.7±12.7) μg ·m-3和(1.9±1.1) mg ·m-3.综上可见, 除颗粒物外, 此次霾污染过程中还富含高浓度的气态污染物.
污染过程中的气象参数的变化趋势见图 2, 此次污染过程5个点位具有相似的气象条件, 可分为污染积累阶段(1月12~14日)、污染持续阶段(1月14~21日)和污染消散阶段(1月21~25日).在污染积累阶段5个点位的T和RH呈上升趋势, 风向均以南风为主, PM2.5浓度持续上升.在污染持续时段大气T和RH值较高, 同时风速降低到2 m ·s-1以下, 风向不定.在污染消散阶段区域风速增大, 风向转为北或东北风, RH和T呈下降趋势, PM2.5浓度在急剧下降后持续缓慢降低.可见, 此次区域霾污染形成的气象条件特征是高湿、低风速和风向不定.
2.2 污染过程PM2.5组分特征 2.2.1 组分浓度及与其它城市对比霾污染过程中城市和农村点位PM2.5主要组分的浓度见表 4.两个城市点位中NO3-的浓度最高, 其次是OM、SO42-和NH4+.U-ZZ和U-AY点位PM2.5中NO3-的占比分别为32%和25%, SO42-占比为17%和15%, 总SNA占比分别达到63%和55%.上述结果表明SNA是此次2个城市点位霾污染过程中PM2.5最主要的化学组分.相较于U-AY点位, U-ZZ点位NO3-和SO42-的浓度和占比更高, 而EC和OM的浓度较低, 可见U-ZZ点位PM2.5浓度受SNA生成的影响高于U-AY点位.对比分析郑州和安阳市污染源排放特征来看, 2018年郑州市机动车保有量347.8万辆, 显著高于安阳市的99万辆[21, 22].机动车排放是城市大气中NOx的主要贡献源, 因此高强度的NOx排放可能导致U-ZZ点位PM2.5中NO3-浓度增加[23].此外, 安阳市是典型的重工业城市, 其钢铁和焦化行业是颗粒物中OM的重要排放源, 可能导致U-AY点位PM2.5中OM的浓度升高[24].
|
|
表 4 城市和农村点位PM2.5主要化学组分浓度/μg ·m-3 Table 4 Summary of chemical components of PM2.5 in urban and rural sites/μg ·m-3 |
相较于2015年1月和12月U-ZZ点位PM2.5的组分数据, 此次污染过程PM2.5中NO3-和NH4+的占比明显增大, 其中NO3-的占比是2015年的2倍多; EC和OM的占比下降, 并且SO42-的占比也低于2015年12月[25, 26].这可能是由于近3年郑州市政府采取了燃煤替代、生物质禁燃、重污染预警等一系列管控措施, 有效降低了碳质气溶胶及SO2的排放[27].相较于我国其它重点城市, U-ZZ点位PM2.5中NO3-的占比均高于北京(10%和13%)[28, 29]、天津(14%)[30]、济南(16%)[31]和南京(27%)[32], 并且U-AY点位PM2.5中NO3-的占比也仅低于南京[32].上述结果表明相较于往年以及其它地区, 河南省北部城市点位霾污染过程中, PM2.5浓度受NO3-生成的影响更加显著, 尤其是U-ZZ点位.
从表 4中可以看出, R-XX点位霾污染过程PM2.5中NO3-的浓度仍是最高, 而R-AY和R-PY点位OM的浓度最高.相较于城市点位, 3个农村点位SNA的占比(53% ~57%)均低于U-ZZ点位(63%), 仅有R-PY点位SNA的占比(57%)略高于U-AY点位(56%).此外, 农村点位PM2.5中OM的占比(26% ~34%)均高于城市点位(19% ~22%).上述结果表明河南省北部农村点位霾污染过程中, PM2.5浓度受SNA生成的影响低于城市点位, 受OM的影响高于城市点位, 与长三角的观测结果一致[32].相较于其它农村点位, 本文3个农村点位PM2.5中NO3-的占比均高于济南跑马岭(22%)[31]、南京东山(26%)[32]和广州天湖(7%)[33]; NH4+的占比相近; SO42-的占比均低于其它地区.可见, 河南省北部农村点位霾污染过程中, PM2.5浓度受NO3-生成的影响高于其它地区.
2.2.2 组分日变化特征受污染源和气象条件等因素的影响, PM2.5组分具有显著的日变化特征.分析PM2.5重构组分占比的日变化特征见图 3, 可以看出5个点位全天所有时段SNA在PM2.5中的占比均最高.此外, SNA占比呈白天高夜间低的日变化特征, 峰值主要集中在13:00~17:00之间, 其中U-ZZ点位SNA的峰值占比最高达70%以上.另一方面, 2个城市点位全天所有时段中NO3-的占比均高于SO42-和NH4+, 进一步证明NO3-是城市霾污染过程中SNA的最主要组分.OM的日变化特征与SNA相反, 夜间占比高于白天, 与西安城市和农村点位观测的特征相似[11].此外, 农村点位夜间OM的占比可达25%以上, 并且个别时段OM的占比高于NO3-, 成为PM2.5中占比最高的组分.
|
(a)U-ZZ, (b)U-AY, (c)R-AY, (d)R-XX, (e)R-PY 图 3 污染过程期间5个点位化学组分的日变化特征 Fig. 3 Diurnal profiles of the chemical composition during the haze episode at the five sites |
为研究不同PM2.5浓度下组分变化特征, 本文根据PM2.5小时浓度值将污染过程分为ρ(PM2.5)≤75 μg ·m-3的清洁时段, ρ(PM2.5)在75~150 μg ·m-3范围内的污染时段和ρ(PM2.5)>150 μg ·m-3的重污染时段.不同污染程度下5个点位PM2.5组分占比见图 4(a), 随着污染的加重, U-ZZ点位SNA的占比均呈上升趋势, NO3-、SO42-和NH4+的占比从清洁时段的25.7%、14.1%和14.2%分别上升至重污染时段的33.8%、17.6%和14.6%, SNA占比达到66%.而OM和CM的占比均呈下降趋势, 表明二次无机气溶胶, 尤其是二次硝酸盐生成是此次重污染过程中U-ZZ点位PM2.5浓度上升的主要贡献源, 与我国其它城市的重污染过程相似, 比如北京、淄博和邯郸[6~8].在U-AY点位, 污染时段和重污染时段的NO3-和NH4+的占比略高于清洁时段, 但是重污染时段相比污染时段的占比反而轻微下降.此外, 随着污染的加重, SO42-的占比下降, 总的SNA占比在不同时段分别为57.6%、61%和58.3%.与之相反, EC和OM的占比逐渐上升, 重污染时段的占比分别达6.3%和25.4%, 明显高于U-ZZ点位的3.4%和15.4%.因此, 虽然此次污染过程中SNA在U-AY点位PM2.5中占比较高, 但碳质气溶胶对PM2.5浓度的上升贡献更显著, 与2017年天津冬季污染特征相似[30].
|
(a)不同污染程度, (b)不同污染阶段 图 4 不同污染程度和污染阶段下5个点位重构组分占比 Fig. 4 Fractions of the reconstructed chemical component at the five sites under different PM2.5 concentrations and cases |
污染演变过程中3个农村点位的PM2.5组分变化存在显著差异.随着污染的加重, R-AY点位NO3-占比从25.6%轻微下降至23.9%, SO42-和NH4+占比则从清洁时段的10.2%和12.4%分别上升至14.5%和14.7%.另一方面, EC和OM的占比明显上升, 其中OM从清洁时段的22.9%上升至重污染时段的28.3%, 并且重污染时段OM的占比高于NO3-, 成为PM2.5中最主要的组分.此外, R-AY点位重污染时段OM占比的增幅明显大于U-AY点位.可见, 霾污染过程中R-AY点位PM2.5浓度的上升受碳质气溶胶的影响更显著, 其原因可能是农村点位周边的民用散煤和生物质燃烧排放大量的含碳组分[32, 33].随着污染的加重, R-XX和R-PY点位SNA在PM2.5中的占比增大, 重污染时段分别达57.8%和53.4%, PM2.5浓度的上升主要受SNA生成的影响.相较于R-PY点位, R-XX点位SNA在PM2.5中的占比更高, 并且随着污染的加重, SNA的增幅大于R-PY点位, 表明R-XX点位PM2.5浓度的上升受SNA生成的影响高于R-PY点位.
2.2.4 不同污染阶段组分特征霾污染过程中不同污染阶段5个点位PM2.5浓度及其重构化学组分的占比如图 4(b)所示.除U-ZZ点位外, 污染积累阶段中其它4个点位PM2.5中NO3-的占比均高于污染持续阶段, 并且5个点位NO3-的占比均明显高于污染消散阶段.与之相反, 污染消散阶段5个点位PM2.5中SO42-和OM的占比均高于污染积累阶段.由此可见, 南部的传输气团可能导致PM2.5中NO3-的占比增大, 北和东北部的传输气团可导致SO42-和OM的占比增大.对比2014年郑州和平顶山市冬季的PM2.5组分特征发现, 河南省南部平顶山市的NO3-占比为15.8%, 明显高于郑州市的13.9%[25].此外, 当以东北风为主导风向时, 山东聊城市PM2.5中OM的占比高达38.8%, 显著高于本研究区域的结果[34].上述现象可能是由于观测期间我国处于供暖期, 供暖分界线位于北纬33°附近的秦岭和淮河一带, 郑州市以南大部分区域不采取集中供暖[35].因此, 研究区域以南地区受燃煤供暖等排放生成的SO42-和OM影响较小, NO3-在PM2.5中的占比相应增大; 研究区域的北方和东北方城市气温低, 供暖需求大, 燃煤供暖、民用散煤、生物质燃烧等污染源的排放, 导致PM2.5中SO42-和OM的占比增大[36].
在污染持续阶段中静稳、高湿的天气条件下, PM2.5主要来自本地积聚和二次生成, 从而更能反映点位周边污染源的贡献情况[37].从图 4(b)中可以看出, U-ZZ和U-AY点位SNA的占比分别为63.8%和58%, 均高于农村点位.与之相反, 城市点位OM的占比均低于农村点位, 并且R-AY和R-PY点位OM的占比分别达到28.7%和35.6%, 超过NO3-成为PM2.5中占比最高的组分.上述结果表明点位周边SNA生成对城市PM2.5的影响高于农村, 而农村点位受OM的影响更显著.
2.3 组分对消光系数的影响利用IMPORVE方法计算5个点位污染过程中的消光系数, 结果见图 5, 总消光系数位于730.7~871.1 Mm-1之间.从组分占比来看, NH4NO3的贡献率最大为35.3% ~46.4%, 并且显著高于2011~2013年郑州市[38]的23% ~25%和2014年北京市[39]的33%.此外, NH4NO3对城市点位消光系数的贡献率高于农村点位.城市点位(NH4)2SO4的贡献率为25.5% ~25.8%, 也高于农村点位的20.3% ~23.1%.上述结果表明SNA生成对霾污染过程中城市点位大气能见度的影响大于农村点位.OM对农村点位消光系数的贡献率达到25.4% ~29.1%, 仅次于NH4NO3, 并且高于城市点位的16.0% ~18.8%, 表明OM对农村点位能见度的下降影响突出.虽然EC在PM2.5中占比小, 但是由于其干散射效率高, EC的消光系数贡献也可达到6.9% ~13.3%.
|
图 5 污染过程中5个点位不同组分对PM2.5消光系数的贡献 Fig. 5 Extinction contributions of the individual components to PM2.5 during the haze episode at the five sites |
(1) PM2.5中SNA的占比最高, 位于52% ~63%之间.随着污染的加重, SNA的占比上升, 重污染时段可达66%, 其中NO3-是最主要组分.SNA占比呈白天高夜间低的日变化特征, 而OM则反之.
(2) 当区域受南部气团传输影响时, PM2.5中的NO3-的占比增大; 受北和东北部气团传输影响时, PM2.5中SO42-和OM的占比增大.
(3) 硝酸铵是导致大气能见度下降最主要组分.
(4) 农村点位PM2.5中OM的占比大于城市点位.
(5) 硝酸铵和硫酸铵对城市点位消光系数的贡献高于农村点位, 而OM则反之.
| [1] |
夏晓圣, 汪军红, 宋伟东, 等. 2000~2019年中国PM2.5时空演化特征[J]. 环境科学, 2020, 41(11): 4832-4843. Xia X S, Wang J H, Song W D, et al. Spatio-temporal evolution of PM2.5 concentration during 2000-2019 in China[J]. Environmental Science, 2020, 41(11): 4832-4843. |
| [2] |
张梦娇, 苏方成, 徐起翔, 等. 2013~2017年中国PM2.5污染防治的健康效益评估[J]. 环境科学, 2021, 42(2): 513-522. Zhang M J, Su F C, Xu Q X, et al. Health impact attributable to the control of PM2.5 pollution in China during 2013-2017[J]. Environmental Science, 2021, 42(2): 513-522. |
| [3] | Wang J D, Zhao B, Wang S X, et al. Particulate matter pollution over China and the effects of control policies[J]. Science of the Total Environment, 2017, 584-585: 426-447. DOI:10.1016/j.scitotenv.2017.01.027 |
| [4] | Huang R J, Zhang Y L, Bozzetti C, et al. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 2014, 514(7521): 218-222. DOI:10.1038/nature13774 |
| [5] | Han S Q, Wu J H, Zhang Y F, et al. Characteristics and formation mechanism of a winter haze-fog episode in Tianjin, China[J]. Atmospheric Environment, 2014, 98: 323-330. DOI:10.1016/j.atmosenv.2014.08.078 |
| [6] | Zheng G J, Duan F K, Ma Y L, et al. Exploring the severe winter haze in Beijing[J]. Atmospheric Chemistry and Physics Discussions, 2014, 14(12): 17907-17942. |
| [7] | Li H, Ma Y L, Duan F K, et al. Typical winter haze pollution in Zibo, an industrial city in China: characteristics, secondary formation, and regional contribution[J]. Environmental Pollution, 2017, 229: 339-349. DOI:10.1016/j.envpol.2017.05.081 |
| [8] | Meng C C, Wang L T, Zhang F F, et al. Characteristics of concentrations and water-soluble inorganic ions in PM2.5 in Handan City, Hebei province, China[J]. Atmospheric Research, 2016, 171: 133-146. DOI:10.1016/j.atmosres.2015.12.013 |
| [9] | Wu Y Y, Gu B J, Erisman J W, et al. PM2.5 pollution is substantially affected by ammonia emissions in China[J]. Environmental Pollution, 2016, 218: 86-94. DOI:10.1016/j.envpol.2016.08.027 |
| [10] | Yang X C, Xiao H, Wu Q Z, et al. Numerical study of air pollution over a typical basin topography: source appointment of fine particulate matter during one severe haze in the megacity Xi'an[J]. Science of the Total Environment, 2020, 708. DOI:10.1016/j.scitotenv.2019.135213 |
| [11] | Wei Y Q, Chen H, Sun H, et al. Nocturnal PM2.5 explosive growth dominates severe haze in the rural North China Plain[J]. Atmospheric Research, 2020, 242. DOI:10.1016/j.atmosres.2020.105020 |
| [12] |
王申博, 范相阁, 和兵, 等. 河南省春节和疫情影响情景下PM2.5组分特征[J]. 中国环境科学, 2020, 40(12): 5115-5123. Wang S B, Fan X G, He B, et al. Chemical composition characteristics of PM2.5 in Henan Province during the Spring Festival and COVID-19 outbreak[J]. China Environmental Science, 2020, 40(12): 5115-5123. DOI:10.3969/j.issn.1000-6923.2020.12.002 |
| [13] |
苗青青, 姜楠, 张瑞芹, 等. 中原城市群典型城市秋冬季大气PM2.5污染特征及溯源[J]. 环境科学, 2021, 42(1): 19-29. Miao Q Q, Jiang N, Zhang R Q, et al. Characteristics and sources of PM2.5 pollution in typical cities of the central plains urban agglomeration in autumn and winter[J]. Environmental Science, 2021, 42(1): 19-29. DOI:10.3969/j.issn.1006-4427.2021.01.005 |
| [14] |
翟诗婷, 王申博, 张栋, 等. 郑州市典型污染过程PM1中重金属浓度、来源及健康风险评估[J]. 环境科学, 2022, 43(3): 1180-1189. Zhai S T, Wang S B, Zhang D, et al. Concentration, source, and health risk assessment of PM1 heavy metals in typical pollution processes in Zhengzhou[J]. Environmental Science, 2022, 43(3): 1180-1189. |
| [15] |
王申博, 余雪, 赵庆炎, 等. 郑州市两次典型大气重污染过程成因分析[J]. 中国环境科学, 2018, 38(7): 2425-2431. Wang S B, Yu X, Zhao Q Y, et al. Analysis of the formation of two typical atmospheric heavy pollution episodes in Zhengzhou, China[J]. China Environmental Science, 2018, 38(7): 2425-2431. DOI:10.3969/j.issn.1000-6923.2018.07.004 |
| [16] |
杨留明, 王申博, 郝祺, 等. 郑州市PM2.5中水溶性离子特征及来源分析[J]. 环境科学, 2019, 40(7): 2977-2984. Yang L M, Wang S B, Hao Q, et al. Characteristics and source analysis of water-soluble ions in PM2.5 in Zhengzhou[J]. Environmental Science, 2019, 40(7): 2977-2984. |
| [17] | Wongphatarakul V, Friedlander S K, Pinto J P. A comparative study of PM2.5 ambient aerosol chemical databases[J]. Environmental Science & Technology, 1998, 32(24): 3926-3934. |
| [18] | Chow J C, Lowenthal D H, Chen L W A, et al. Mass reconstruction methods for PM2.5: a review[J]. Air Quality, Atmosphere & Health, 2015, 8(3): 243-263. |
| [19] | Xing L, Fu T M, Cao J J, et al. Seasonal and spatial variability of the OM/OC mass ratios and high regional correlation between oxalic acid and zinc in Chinese urban organic aerosols[J]. Atmospheric Chemistry and Physics, 2013, 13(8): 4307-4318. DOI:10.5194/acp-13-4307-2013 |
| [20] | Sisler J F, Malm W C. Interpretation of trends of PM2.5 and reconstructed visibility from the IMPROVE network[J]. Journal of the Air & Waste Management Associatio, 2000, 50(5): 775-789. |
| [21] | 郑州市统计局. 2020年郑州市国民经济和社会发展统计公报[EB/OL]. http://tjj.zhengzhou.gov.cn/tjgb/4866162.jhtml, 2022-04-01. |
| [22] | 安阳市统计局. 2020安阳统计年鉴[M]. 安阳: 安阳市统计局, 2020. |
| [23] |
路娜, 李治国, 周静博, 等. 2015年石家庄市采暖期一次重污染过程细颗粒物在线来源解析[J]. 环境科学, 2017, 38(3): 884-893. Lu N, Li Z G, Zhou J B, et al. Online source analysis of particulate matter (PM2.5) in a heavy pollution process of Shijiazhuang city during heating period in 2015[J]. Environmental Science, 2017, 38(3): 884-893. DOI:10.13227/j.hjkx.201605058 |
| [24] |
孙有昌, 姜楠, 王申博, 等. 安阳市大气PM2.5中水溶性离子季节特征及来源解析[J]. 环境科学, 2020, 41(1): 75-81. Sun Y C, Jiang N, Wang S B, et al. Seasonal characteristics and source analysis of water-soluble ions in PM2.5 of Anyang city[J]. Environmental Science, 2020, 41(1): 75-81. |
| [25] | Jiang N, Guo Y, Wang Q, et al. Chemical composition characteristics of PM2.5 in three cities in Henan, central China[J]. Aerosol and Air Quality Research, 2017, 17(10): 2367-2380. DOI:10.4209/aaqr.2016.10.0463 |
| [26] | Yu F, Wang Q, Yan Q S, et al. Particle size distribution, chemical composition and meteorological factor analysis: a case study during wintertime snow cover in Zhengzhou, China[J]. Atmospheric Research, 2017, 202: 140-147. |
| [27] | Gao J H, Woodward A, Vardoulakis S, et al. Haze, public health and mitigation measures in China: a review of the current evidence for further policy response[J]. Science of the Total Environment, 2017, 578: 148-157. DOI:10.1016/j.scitotenv.2016.10.231 |
| [28] | Shao P Y, Tian H Z, Sun Y J, et al. Characterizing remarkable changes of severe haze events and chemical compositions in multi-size airborne particles (PM1, PM2.5 and PM10) from January 2013 to 2016-2017 winter in Beijing, China[J]. Atmospheric Environment, 2018, 189: 133-144. DOI:10.1016/j.atmosenv.2018.06.038 |
| [29] |
杨孝文, 周颖, 程水源, 等. 北京冬季一次重污染过程的污染特征及成因分析[J]. 中国环境科学, 2016, 36(3): 679-686. Yang X W, Zhou Y, Cheng S Y, et al. Characteristics and formation mechanism of a heavy winter air pollution event in Beijing[J]. China Environmental Science, 2016, 36(3): 679-686. DOI:10.3969/j.issn.1000-6923.2016.03.007 |
| [30] |
元洁, 刘保双, 程渊, 等. 2017年1月天津市区PM2.5化学组分特征及高时间分辨率来源解析研究[J]. 环境科学学报, 2018, 38(3): 1090-1101. Yuan J, Liu B S, Cheng Y, et al. Study on characteristics of PM2.5 and chemical components and source apportionment of high temporal resolution in January 2017 in Tianjin urban area[J]. Acta Scientiae Circumstantiae, 2018, 38(3): 1090-1101. |
| [31] |
夏志勇, 付华轩, 吕晨, 等. 重污染天气期间济南市城区和清洁对照点PM2.5及其组分污染特征[J]. 生态环境学报, 2019, 28(5): 958-963. Xia Z Y, Fu H X, Lv C, et al. Pollution characteristics of PM2.5 and components during heavy air pollution period in Jinan urban area and clean air site[J]. Ecology and Environment Sciences, 2019, 28(5): 958-963. |
| [32] | Haque M, Fang C, Schnelle-Kreis J, et al. Regional haze formation enhanced the atmospheric pollution levels in the Yangtze River Delta region, China: implications for anthropogenic sources and secondary aerosol formation[J]. Science of the Total Environment, 2020, 728. DOI:10.1016/j.scitotenv.2020.138013 |
| [33] | Lai S C, Zhao Y, Ding A J, et al. Characterization of PM2.5 and the major chemical components during a 1-year campaign in rural Guangzhou, Southern China[J]. Atmospheric Research, 2016, 167: 208-215. DOI:10.1016/j.atmosres.2015.08.007 |
| [34] |
张敬巧, 王淑兰, 罗达通, 等. 聊城市冬季PM2.5及水溶性离子污染特征及来源分析[J]. 环境科学研究, 2018, 31(10): 1712-1718. Zhang J Q, Wang S L, Luo D T, et al. Characterization and source analysis of PM2.5 and water-soluble ions during winter in Liaocheng city[J]. Research of Environmental Sciences, 2018, 31(10): 1712-1718. |
| [35] | Chen J Y, Shan M, Xia J J, et al. Effects of space heating on the pollutant emission intensities in "2+26" cities[J]. Building and Environment, 2020, 175. DOI:10.1016/j.buildenv.2020.106817 |
| [36] |
张璐, 王格慧, 王佳媛, 等. 西安供暖前后细颗粒物化学特征及棕碳吸光特性[J]. 地球环境学报, 2017, 8(5): 451-458. Zhang L, Wang G H, Wang J Y, et al. Chemical composition of fine particulate matter and optical properties of brown carbon before and during heating season in Xi'an[J]. Journal of Earth Environment, 2017, 8(5): 451-458. |
| [37] |
潘晨, 康志明. 2001~2019年气象条件对江苏省PM2.5分布的影响[J]. 环境科学, 2022, 43(2): 649-662. Pan C, Kang Z M. Impact of meteorological conditions on PM2.5 in Jiangsu province from 2001 to 2019[J]. Environmental Science, 2022, 43(2): 649-662. |
| [38] | Wang J, Li X, Zhang W K, et al. Secondary PM2.5 in Zhengzhou, China: chemical species based on three years of observations[J]. Aerosol and Air Quality Research, 2016, 16(1): 91-104. DOI:10.4209/aaqr.2015.01.0007 |
| [39] | Ma Q X, Wu Y F, Fu S L, et al. Pollution severity-dependent aerosol light scattering enhanced by inorganic species formation in Beijing haze[J]. Science of the Total Environment, 2020, 719. DOI:10.1016/j.scitotenv.2020.137545 |