2020, Vol. 41
2. 国家环境保护城市大气复合污染成因与防治重点实验室, 上海 200233
2. State Environmental Protection Key Laboratory of the Cause and Prevention of Urban Air Pollution Complex, Shanghai 200233, China
PM2.5在大气中起着重要作用, 因其对大气能见度、人体健康及气候系统的影响, 已成为我国严重的空气污染问题之一[1~3].
大气PM2.5的来源复杂, 除了污染源的一次排放外, 还包括由SO2、NOx和VOCs等气态前体物化学生成的二次颗粒物[4].掌握大气PM2.5的主要污染来源及其贡献是制定大气污染针对性控制策略的核心.颗粒物源解析便是定量测算污染源对环境大气污染贡献的关键方法, 且成为我国各地开展大气污染防治工作的重要手段.目前我国常用的颗粒物源解析方法主要包括源排放清单法、受体模型法和扩散模型法[5, 6].受体模型不依赖于排放估算和气象资料, 也不考虑污染源排放特定物种之后的化学和物理过程, 被广泛应用于国内外细颗粒物源解析的研究中[7~11].受体模型的种类很多, 如正定矩阵因子分析法(positive matrix factorization, PMF)、化学质量平衡法(chemical mass balance, CMB)、主成分分析法(principal component analysis, PCA)、多元线性模型(multilinear engine 2, ME2)、偏最小二乘法等, 其中使用最多的有PMF和CMB[12, 13].我国许多学者应用PMF和CMB模型开展了大量PM2.5来源解析研究[14~22].
目前, 基于颗粒物采样器及采样滤膜收集受体颗粒物后进行成分分析, 再通过受体模型建立源与受体之间的关系是我国城市大气PM2.5源解析的主流方法.然而, 随着区域大气重污染事件频发以及应急管控的实际管理诉求, 传统手工采样的源解析方法已无法满足快速准确获知大气污染来源的实际需求, 且低分辨率的滤膜结果对源解析结果存在一定影响, 迫切需要建立快速高精度的大气污染来源解析技术[23].近年来, 国内外发展了大量高时间分辨率观测技术, 可实现硫酸盐、硝酸盐、铵盐、OC、EC和重金属等关键示踪组分的多因子实时快速测量, 为快速来源解析提供了重要的技术基础[24~27].Gao等[28]基于北京1 h在线高分辨率数据, 分别采用PCA、PMF和ME2模型开展颗粒物来源解析工作, 结果发现北京PM2.5的主要来源包括二次源(38%~39%)、地壳尘(17%~22%)、机动车排放(25%~28%)和煤燃烧(15%~16%), 而3种模型中PMF和ME2模型更容易得到收敛解, 解析结果更接近.Pancras等[29]同样基于小时PM2.5组分数据采用PMF和Unmix模型开展迪尔伯恩市的PM2.5来源解析工作, 两种模型对二次硫酸盐、炼油和油燃烧源的解析结果较好.较好的源解析结果证明了基于在线观测数据的源解析方法的可行性, 且快速准确地获知污染来源能更好地为污染防控提供技术支撑, 而基于在线颗粒物的源解析研究在上海开展较少.
为此, 本研究对上海市冬季大气开展在线环境多因子综合观测(包括PM2.5水溶性离子、元素碳、有机碳和无机元素), 考虑到单一源解析方法的结果存在难以验证、较难判定其准确性等问题, 采用3种常用受体模型进行同步解析和相互验证, 通过获得更准确快速的源解析方法, 以期为我国城市和区域大气污染防治提供科学技术支撑.
1 材料与方法 1.1 采样地点观测地点位于上海市环境科学研究院(31°10′N, 121°25′E)培训楼5楼楼顶空气质量观测超级站, 测点离地高度约15 m.该测点地处上海市徐汇区商业和居民混合区.测点以东500 m是交通干道沪闵高架路, 以南150 m为漕宝路, 测点与西南方向的上海市空气质量监测国控点(上师大)相距1.5 km, 周围2 km范围内无明显工业大气污染源, 下垫面状况与上海市城区类似, 基本代表了上海市城区的空气质量状况.
1.2 采样仪器和方法观测时段为2014年12月2~24日.期间, PM2.5的质量浓度采用Thermo Fisher公司生产的FH 62 C14颗粒物监测仪测量, 采样流量为16.7L·min-1, 时间分辨率为5 min.PM2.5水溶性组分采用瑞士万通公司生产的MARGA ADI 2080测量, 采样流量为16.7 L·min-1, 时间分辨率为60 min, 检测组分包括Cl-、NO3-、SO42-、NH4+、Na+、K+、Ca2+和Mg2+, 最低检测限分别为0.1、0.1、0.1、0.1、0.1、0.16、0.21和0.12 μg·m-3, 详细介绍见文献[3].PM2.5中的有机碳(OC)和元素碳(EC)浓度采用Sunset laboratory Inc的碳分析仪测量(RT4), 该仪器采用热光吸收原理, 采样流量为8 L·min-1, 时间分辨率为60 min[30]；PM2.5中的无机元素K、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Ga、As、Se、Ag、Cd、Sn、Sb、Ba和Pb采用Cooper Environmental生产的基于X射线荧光光谱技术的环境空气多金属在线分析仪(CES Xact 625)进行测量, 时间分辨率为60 min[31].
1.3 源解析方法本研究采用3种受体模型开展PM2.5的在线来源解析, 包括PMF、CMB和ME2模型.
受体模型一般从受体出发, 对受体的物理和化学特征进行分析, 再结合污染源的特征进行比较分析, 定性识别对受体有贡献的污染源, 最后结合数学模式算法对各污染源的贡献值进行定量[32, 33].数学表达式如下.
|
(1) |
|
(2) |
式中, xij为第i个样本中第j个组分的实测质量浓度, gik为k个污染源在i个样本中的贡献, fkj为k个污染源j成分的浓度, eij为实测的第i个样本中第j组分的实测质量浓度与其解析值的残差, uij是不确定度.受体模型通过寻求目标函数Q最小化的解, 从而确定污染源贡献谱和污染源成分谱.
3种受体模型中, PMF是一种多变量受体模型, 无需源配置文件即可获得源的数量和源贡献[9], 模型的分解矩阵中组分分担率为非负限定, 解析结果更有实际意义.CMB模型的计算则基于示踪组分建立源和受体的平衡关系, 需要输入污染源的源谱分布和受体的各种化学组分浓度, 但不需要输入大量的样本信息[9].ME2是Paatero[34]在PMF模型的基础上搭建的Multilinear Engine计算平台.其基本原理和PMF一致, 模型包括“基础运行程序”和“再运行程序”[35], 其中“基础运行程序”类似于PMF, “再运行程序”通过专用的“脚本文件”以辅助方程的形式加入额外的信息, 如源谱和质量浓度等[9].为了评估3种模型的解析结果, 图 1给出了不同模型模拟的PM2.5浓度与实测浓度的相关性分析, 从中可知, ME2、PMF和CMB模拟值和实测值的相关系数R2分别为0.88、0.87和0.90, 可见模型对PM2.5的拟合性较好.
|
图 1 观测和拟合PM2.5浓度的相关性 Fig. 1 Correlation between observed and simulated PM2.5 mass concentrations |
图 2给出了观测期间大气PM2.5中水溶性无机离子(WSII: Cl-、NO3-、SO42-、K+、NH4+、Ca2+、Mg2+)、含碳组分[包括OM(OM=OC×1.4)[36]和EC]和无机元素(elements)的浓度水平和PM2.5的化学组成变化.
|
图 2 观测期间上海城区大气PM2.5及其化学组成的时间变化序列 Fig. 2 Time series of the concentrations of PM2.5 and its chemical composition in the Shanghai area |
由图 2可见, 观测期间PM2.5的浓度范围为12~181μg·m-3, 平均浓度为(64±33)μg·m-3.PM2.5组分中OM的贡献比例最高, 约占PM2.5的28.1%, 小时平均浓度为(18.0±9.0)μg·m-3.二次无机离子(SNA：NO3-、SO42-、NH4+)中SO42-的平均质量浓度为(24.8±11.2)μg·m-3, NO3-为(26.1±11.0)μg·m-3, NH4+为(18.5±8.3)μg·m-3, 分别占PM2.5的12.4%、17.4%和10.7%.一次组分EC、Cl-、无机元素对PM2.5的贡献相对较小, 占PM2.5的4.8%、5.5%和6.0%.
图 3给出了无机元素中各元素的浓度水平, 其中以K、Fe、Ca和Zn的浓度水平最高, 平均浓度分别为(1.199±0.601)、(1.188±0.826)、(0.700±0.676)和(0.417±0.279)μg·m-3, 分别占总元素的31.2%、30.9%、18.2%和10.9%.PM2.5中某些元素浓度水平较低, 但是却对人体健康有明显的毒害性[37, 38].As是一种致癌的元素, 对人体健康危害很大[39], 主要来自于煤燃烧[40].观测期间, PM2.5中As的浓度为(0.017±0.011)μg·m-3, 高于我国标准设定的0.006μg·m-3(GB 3095-2012), 表明上海市冬季大气As污染较严重.Pb的平均浓度为(0.101±0.066)μg·m-3, 低于我国的标准(0.5 μg·m-3)(GB 3095-2012), 表明上海市对大气PM2.5中Pb的控制较好.V、Mn和Ni的平均质量浓度分别为(0.006±0.005)、(0.085±0.042)和(0.007±0.006)μg·m-3, 目前我国的环境空气质量标准中还未列入V、Mn和Ni的限值.期间Cd的平均浓度为(0.004 5±0.002)μg·m-3, 接近于我国空气质量标准规定的0.005μg·m-3限值(GB 3095-2012), 说明目前上海大气PM2.5中Cd污染还不严重, 但仍需要重视.
|
图 3 观测期间上海城区大气PM2.5中元素浓度的平均水平 Fig. 3 Average concentrations of inorganic elements of PM2.5 in Shanghai |
本研究基于3种受体模型对观测期间上海城区获得的在线高分辨率PM2.5及其组分进行来源解析, 图 4和图 5分别给出了基于PMF和ME2获得的源成分谱及3种受体模型解析出的PM2.5源贡献.
|
图 4 基于PMF和ME2获得的源解析因子 Fig. 4 Factor profiles modeled by PMF and ME2 models |
|
图 5 基于PMF、CMB和ME2获得的PM2.5源贡献 Fig. 5 Contribution percentages of each source obtained by PMF, CMB, and ME2 models |
本研究对观测期间上海城区获得的在线高分辨率PM2.5及其组分进行来源解析, 解析出8类因子及其源成分谱如图 4(a)所示.因子1的SO42-和NH4+组分含量较高, 可能为二次硫酸盐, 对PM2.5分担率约20.7%, 见图 5.因子2高比重的NO3-和NH4+, 可能为二次硝酸盐, 对PM2.5分担率最高, 达到32.4%.因子3的Ni和V含量较高, V通常作为重油燃烧的示踪物[41, 42], 可能为重油燃烧源.因子4富含高浓度的Mn、Cu和Zn等金属元素, 可能为一种工业源[43, 44], 命名为工业源1.因子5含有较高的Cr和Ni等金属元素, 可能为另一类工业源[43], 命名为工业源2.为了能更好地和其他模型结果对比, 将工业源1和工业源2合并为工业源, 对PM2.5的分担率约为11.5%.因子6的EC、OC和Cl-组分含量较高, 可能为移动源[45], 对PM2.5的分担率较高约24.2%.因子7富含高浓度的Ca、Fe和Ba等元素, 可能为扬尘源[46, 47]；因子8的As、Se和Pb组分含量较高, 可能为燃煤源[48], 对PM2.5分担率约5.6%.
2.2.2 基于CMB模型的PM2.5来源解析将实测的移动源、燃煤源、工业源、重油燃烧源源谱和“纯”二次硫酸盐(含72.7%±7.27%的SO42-和27.3%±2.73%的NH4+)、“纯”二次硝酸盐(含77.5%±7.75%的NO3-和22.5%±2.25%的NH4+)、“纯”二次有机碳(含100%±10%的OC)的源谱[7]纳入CMB模型计算, 对观测期间上海城区PM2.5及其组分数据进行来源解析, 源贡献见图 5.二次硝酸盐、二次硫酸盐、二次有机碳对PM2.5的分担率最大, 总和贡献PM2.5的64%.移动源和燃煤源对上海冬季PM2.5的贡献也较大, 分别占16.7和14.9%.其他源类对大气PM2.5的贡献较小.
2.2.3 基于ME2模型的PM2.5来源解析将“纯”二次硫酸盐、“纯”二次硝酸盐、“纯”二次有机碳的源谱作为限制条件纳入ME2模型, 最终解析出9类因子, 因子的成分谱如图 4(b)所示.因子1含有高比重的OC, 为二次有机碳.因子2含有高比重的硫酸盐、铵盐, 为二次硫酸盐.因子3富含高比重的硝酸盐和铵盐, 为二次硝酸盐.因子4的Ni和V含量较高, 可能为重油燃烧源.因子5富含高浓度的Mn、Cu和Zn等金属元素, 可能为一种工业源, 命名为工业源1.因子6含有较高的Cr和Ni等金属元素, 可能为另一种工业源, 命名为工业源2.工业源1和工业源2同样合并为工业源.因子7的EC、OC和Cl-组分含量较高, 可能为移动源.因子8富含高浓度的Ca、Fe和Ba等元素, 可能为扬尘源.因子9的As、Se和Pb组分含量较高, 可能为燃煤源.ME2获得的源贡献结果与PMF的类似, 这和Gao[28]和杨佳美[49]的研究结论一致.二次硝酸盐、二次硫酸盐和二次有机碳等二次源对PM2.5的贡献最大, 共占52.1%.移动源、工业源和燃煤源的分担率也较高, 分别为24.8%、10.2%和7.3%.
2.3 3种受体模型获得的源成分谱对比为对比3种受体方法的准确性与差异性, 将CMB的源谱处理成单个源的各组分占比, 并与PMF和ME2获得的源类进行对比分析, 见图 6.
|
图 6 基于PMF、CMB和ME2获得的源特征组分谱对比 Fig. 6 Comparison of factor profiles of PMF, CMB, and ME2 models |
3种受体模型获得的相同源类包括二次硫酸盐、二次硝酸盐、移动源、燃煤源、工业源、重油燃烧和扬尘源, 其中ME2和PMF获得的工业源1和工业源2合并为工业源.而PMF较CMB和ME2缺少二次有机碳源, 说明该类源较易与其他源类混合, 通过设定虚拟的二次有机碳源谱才能将该类源分离出来.
3种模型获得的源谱特征有明显差异, 具体包括：①ME2对二次硫酸盐、二次硫酸盐和二次有机碳进行了先设定, 因此源谱特征和CMB一致；PMF获得的二次硫酸盐和二次硝酸盐的特征组分与其他两类模型结果也较一致, 说明这两类源的解析结果可接受.②重油燃烧中, CMB中源特征组分为Ni和V, PMF和ME2获得的特征组分基本符合, 但夹杂了少量的OC和EC等.③工业源中, CMB的源特征组分为Cr、Mn、Fe和Pb, PMF和ME2获得的源特征组分包括Cr、Mn、Cu、Zn、Ni和Fe, 较CMB获得的源成分更复杂.④移动源中, CMB的源特征组分为Cl-、OC、EC和K, 与ME2和PMF的源特征组分类似, 说明对移动源的解析结果基本可接受.⑤CMB的扬尘源特征组分为Ca, ME2和PMF的特征组分为Ca、Fe和Ba, 还夹杂了少量的金属元素.⑥燃煤源中, CMB的源特征组分为Zn、As、Pb和Cl-, 与ME2和PMF的源特征组分基本符合.
综上, 3种模型获得的二次硫酸盐、硝酸盐、二次有机碳、移动源和燃煤源的源谱特征较为一致, 而工业源、重油燃烧和扬尘源的特征组分存在差异, 表明受体模型对元素的拟合相对较差.
2.4 3种受体模型获得的PM2.5源解析结果比对图 7给出了基于3种受体模型获得的观测期间上海PM2.5的不同源浓度的时间序列.为了更好地验证解析结果的准确性, 本研究还对比了3种受体模型获得的PM2.5不同源浓度的日廓线, 见图 8.
|
图 7 基于PMF、CMB和ME2模型获得的不同源类的时间变化序列 Fig. 7 Time series of concentrations of each source obtained by PMF, CMB, and ME2 models |
|
图 8 基于PMF、CMB和ME2模型获得的不同源类的日变化 Fig. 8 Diurnal variations of concentrations of each source obtained by PMF, CMB, and ME2 models |
从中可知, 二次硫酸盐、二次硝酸盐和二次有机碳的日变化和源浓度水平一致性很好, 说明3种模型对二次污染源的解析结果较好, 结果稳定性好.
对于移动源的解析, 3种模型得到的结果趋势一致性较好, 但是CMB模型获得的浓度水平会略低于ME2和PMF模型.从日变化看, 移动源在08:00左右和21:00左右出现峰值, 和早晚高峰时间吻合, 解析结果可接受.
燃煤源的解析结果中, ME2和PMF解析的浓度水平比较接近, 略低于CMB得到的浓度.ME2和PMF得到的日变化主要受边界层高度的影响, 该源可以指示区域源的影响, 和Wang等[23]的结果较一致, 而CMB得到的源在早高峰出现明显高值, 可能还夹着其他源类.ME2和PMF对燃煤源的解析结果更合理.
工业源中, CMB获得的源没有明显日变化, 和工业源的排放较符合.而PMF和ME2获得的源浓度水平显著高于CMB, 且在09:00和17:00出现峰值, 源谱中也夹杂了OC和EC, 说明PMF和ME2解出的源类可能还夹杂着移动源的影响.
扬尘源中, ME2和PMF模型得到的源呈现单峰状, 在12:00左右出现最大值, 这主要与白天风速较大, 容易把扬尘卷起出现高浓度有关, 符合扬尘源的特征.而CMB的浓度水平低于ME2和PMF模型, 且只在早高峰出现一个较小的峰值, 说明CMB模型解出的扬尘源水平偏低.
重油燃烧源没有明显的日变化, PMF和ME2获得源的浓度水平高于CMB, 主要与其特征组分较CMB包含更多的OC和EC有关, 未来可以辅助其他方法对该源的解析结果进一步验证.
综上, 3种模型对二次硫酸盐、二次硝酸盐、二次有机碳和移动源的解析结果一致性较好, 拟合结果稳定, 不确定较小；而对金属源和地壳源的拟合一致性略差, 不确定较大.其中, ME2和PMF模型对燃煤源、扬尘源的拟合结果要好于CMB；工业源则是CMB的结果更好.
3 结论(1) 观测期间上海市大气PM2.5的浓度范围为12~181μg·m-3, 平均浓度为(64±33)μg·m-3.PM2.5组分中OM的贡献比例最高, 约占PM2.5的28.1%, SNA中SO42-、NO3-和NH4+分别占PM2.5的12.4%、17.4%和10.7%.无机元素中以K、Fe、Ca和Zn的浓度水平最高, 分别占总元素的31.2%、30.9%、18.2%和10.9%.
(2) 基于PMF、CMB和ME2模型分别开展PM2.5的来源解析, 共获得8类污染源, 包括二次硝酸盐、二次硫酸盐、二次有机碳、重油燃烧源、工业源、移动源、扬尘源和燃煤源.其中, PMF模型获得二次硝酸盐和二次硫酸盐对上海冬季大气PM2.5的分担率最大, 移动源和燃煤源对PM2.5的贡献也较大, 分别占24.2%和11.5%, 其他源类对PM2.5的贡献较小.CMB获得的二次硝酸盐、二次硫酸盐和二次有机碳对PM2.5的分担率总和为64%, 移动源和燃煤源对PM2.5的贡献分别占16.7和14.9%.ME2获得的源贡献结果与PMF的类似, 二次硝酸盐、二次硫酸盐和二次有机碳等二次源的贡献最大, 共占52.1%.移动源、工业源和燃煤源的分担率也较高, 分别为24.8%、10.2%和7.3%.
(3) 对比PMF、CMB和ME2模型获得的8类污染源的特征组分、浓度水平和日变化规律发现, 3种模型对二次硫酸盐、二次硝酸盐、二次有机碳和移动源的解析结果一致性较好, 拟合结果较稳定；ME2和PMF模型对燃煤源和扬尘源的拟合结果要好于CMB模型；工业源则是CMB模型的结果更好.
| [1] | Cao J J, Xu H M, Xu Q, et al. Fine particulate matter constituents and cardiopulmonary mortality in a heavily polluted Chinese City[J]. Environmental Health Perspectives, 2012, 120(3): 373-378. |
| [2] | 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. |
| [3] | Qiao L P, Cai J, Wang H L, et al. PM2.5 constituents and hospital emergency-room visits in Shanghai, China[J]. Environmental Science & Technology, 2014, 48(17): 10406-10414. |
| [4] | 唐孝炎, 张远航, 邵敏. 大气环境化学[M]. (第二版). 北京: 高等教育出版社, 2006: 305-317. |
| [5] | 朱坦, 冯银厂. 大气颗粒物来源解析:原理、技术及应用[M]. 北京: 科学出版社, 2012: 6-8. |
| [6] |
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. |
| [7] | Chow J C, Watson J G, Lowenthal D H, et al. PM10 source apportionment in California's San Joaquin valley[J]. Atmospheric Environment. Part A. General Topics, 1992, 26(18): 3335-3354. |
| [8] | Liu W, Wang Y H, Russell A, et al. Enhanced source identification of southeast aerosols using temperature-resolved carbon fractions and gas phase components[J]. Atmospheric Environment, 2006, 40(2): 445-466. |
| [9] | Watson J G, Chen L W A, Chow J C, et al. Source apportionment:findings from the U.S. Supersites program[J]. Journal of the Air & Waste Management Association, 2008, 58(2): 265-288. |
| [10] | Xie M J, Piedrahita R, Dutton S J, et al. Positive matrix factorization of a 32-month series of daily PM2.5 speciation data with incorporation of temperature stratification[J]. Atmospheric Environment, 2013, 65: 11-20. |
| [11] | Fang X Z, Bi X H, Xu H, et al. Source apportionment of ambient PM10 and PM2.5 in Haikou, China[J]. Atmospheric Research, 2017, 190: 1-9. |
| [12] | Watson J G. Overview of receptor model principles[J]. Journal of the Air Pollution Control Association, 1984, 34(6): 619-623. |
| [13] | Paatero P, Tapper U. Positive matrix factorization:a non-negative factor model with optimal utilization of error estimates of data values[J]. Environmetrics, 1994, 5(2): 111-126. |
| [14] | Wang X F, Zhang Y P, Chen H, et al. Particulate nitrate formation in a highly polluted urban area:a case study by single-particle mass spectrometry in Shanghai[J]. Environmental Science & Technology, 2009, 43(9): 3061-3066. |
| [15] | Bi X H, Feng Y C, Zhu T, et al. Determination of buffering capacity of total suspended particle and its source apportionment using the chemical mass balance approach[J]. Journal of the Air & Waste Management Association, 2011, 61(1): 7-13. |
| [16] | Shu J, Dearing J A, Morse A P, et al. Determining the sources of atmospheric particles in Shanghai, China, from magnetic and geochemical properties[J]. Atmospheric Environment, 2001, 35(15): 2615-2625. |
| [17] | Jorquera H. Source apportionment of PM10 and PM2.5 at Tocopilla, Chile (22o 05'S, 70o 12'W)[J]. Environmental Monitoring and Assessment, 2009, 153(1-4): 235-251. |
| [18] | Song Y, Tang X Y, Xie S D, et al. Source apportionment of PM2.5 in Beijing in 2004[J]. Journal of Hazardous Materials, 2007, 146(1-2): 124-130. |
| [19] | Li L, Tan Q W, Zhang Y H, et al. Characteristics and source apportionment of PM2.5 during persistent extreme haze events in Chengdu, southwest China[J]. Environmental Pollution, 2017, 230: 718-729. |
| [20] | Tan J H, Zhang L M, Zhou X M, et al. Chemical characteristics and source apportionment of PM2.5 in Lanzhou, China[J]. The Science of the Total Environment, 2017, 601-602: 1743-1752. |
| [21] | Song Y, Zhang Y H, Xie S D, et al. Source apportionment of PM2.5 in Beijing by positive matrix factorization[J]. Atmospheric Environment, 2006, 40(8): 1526-1537. |
| [22] | Li J F, Song Y, Mao Y, et al. Chemical characteristics and source apportionment of PM2.5 during the harvest season in eastern China's agricultural regions[J]. Atmospheric Environment, 2014, 92: 442-448. |
| [23] | Wang Q Q, Qiao L P, Zhou M., et al. Source apportionment of PM2.5 using hourly measurements of elemental tracers and major constituents in an urban environment:investigation of time-resolution influence[J]. Journal of Geophysical Research:Atmospheres, 2018, 123(10): 5284-5300. |
| [24] | Xue J, Yuan Z B, Lau A K H, et al. Insights into factors affecting nitrate in PM2.5in a polluted high NOx environment through hourly observations and size distribution measurements[J]. Journal of Geophysical Research:Atmospheres, 2014, 119(8): 4888-4902. DOI:10.1002/2013JD021108 |
| [25] | Griffith S M, Huang X H H, Louie P K K, et al. Characterizing the thermodynamic and chemical composition factors controlling PM2.5 nitrate:insights gained from two years of online measurements in Hong Kong[J]. Atmospheric Environment, 2015, 122: 864-875. |
| [26] | Sun P, Nie W, Chi X G, et al. Two years of online measurement of fine particulate nitrate in the western Yangtze River Delta:influences of thermodynamics and N2O5 hydrolysis[J]. Atmospheric Chemistry and Physics, 2018, 18(23): 17177-17190. |
| [27] | Ding A J, Huang X, Nie W, et al. Significant reduction of PM2.5 in eastern China due to regional-scale emission control:evidence from SORPES in 2011-2018[J]. Atmospheric Chemistry and Physics, 2019, 19(18): 11791-11801. |
| [28] | Gao J, Peng X, Chen G, et al. Insights into the chemical characterization and sources of PM2.5 in Beijing at a 1-h time resolution[J]. Science of the Total Environment, 2016, 542: 162-171. |
| [29] | Pancras J P, Landis M S, Norris G A, et al. Source apportionment of ambient fine particulate matter in Dearborn, Michigan, using hourly resolved PM chemical composition data[J]. Science of the Total Environment, 2013, 448: 2-13. |
| [30] |
周敏, 陈长虹, 王红丽, 等. 上海秋季典型大气高污染过程中有机碳和元素碳的变化特征[J]. 环境科学学报, 2013, 33(1): 181-188. Zhou M, Chen C H, Wang H L, et al. The variation characteristics of organic and element carbon during air pollution episodes in autumn in Shanghai, China[J]. Acta Scientiae Circumstantiae, 2013, 33(1): 181-188. |
| [31] | Furger M, Minguillion M C, Yadav V, et al. Elemental composition of ambient aerosols measured with high temporal resolution using an online XRF spectrometer[J]. Atmospheric Measurement Techniques, 2017, 10: 2061-2076. |
| [32] |
张延君, 郑玫, 蔡靖, 等. PM2.5源解析方法的比较与评述[J]. 科学通报, 2015, 60(2): 109-121. Zhang Y J, Zheng M, Cai J, et al. Comparison and overview of PM2.5 source apportionment methods[J]. Chinese Science Bulletin, 2015, 60(2): 109-121. |
| [33] |
高健, 李慧, 史国良, 等. 颗粒物动态源解析方法综述与应用展望[J]. 科学通报, 2016, 61(27): 3002-3021. Gao J, Li H, Shi G L, et al. Overview of the development and application of multi-time resolution source apportionment for particulate matters[J]. Chinese Science Bulletin, 2016, 61(27): 3002-3021. |
| [34] | Paatero P. The multilinear engine:a table-driven, least squares program for solving multilinear problems, including the n-way parallel factor analysis model[J]. Journal of Computational and Graphical Statistics, 1999, 8(4): 854-888. |
| [35] | Ramadan Z, Eickhout B, Song X H, et al. Comparison of positive matrix factorization and multilinear engine for the source apportionment of particulate pollutants[J]. Chemometrics and Intelligent Laboratory Systems, 2013, 66(1): 15-28. |
| [36] | Turpin B J, Lim H J. Species contributions to PM2.5 mass concentrations:revisiting common assumptions for estimating organic mass[J]. Aerosol Science and Technology, 2001, 35(1): 602-610. |
| [37] | Wang X L, Sato T, Xing B S. Size distribution and anthropogenic sources apportionment of airborne trace metals in Kanazawa, Japan[J]. Chemosphere, 2006, 65(11): 2440-2448. |
| [38] | Duan J C, Tan J H, Hao J M, et al. Size distribution, characteristics and sources of heavy metals in haze episod in Beijing[J]. Journal of Environmental Sciences, 2014, 26(1): 189-196. |
| [39] | Duan J C, Tan J H, Wang S L, et al. Size distributions and sources of elements in particulate matter at curbside, urban and rural sites in Beijing[J]. Journal of Environmental Sciences, 2012, 24(1): 87-94. |
| [40] | Tian H Z, Wang Y, Xue Z G, et al. Trend and characteristics of atmospheric emissions of Hg, As, and Se from coal combustion in China, 1980-2007[J]. Atmospheric Chemistry and Physics, 10(23): 11905-11919. |
| [41] | Lin C C, Chen S J, Huang K L, et al. Characteristics of metals in nano/ultrafine/fine/coarse particles collected beside a heavily trafficked road[J]. Environmental Science & Technology, 2005, 39(21): 8113-8122. |
| [42] | Zhao M J, Zhang Y, Ma W C, et al. Characteristics and ship traffic source identification of air pollutants in China's largest port[J]. Atmospheric Environment, 2013, 64: 277-286. |
| [43] | Karar K, Gupta A K, Kumar A, et al. Characterization and identification of the sources of chromium, zinc, lead, cadmium, nickel, manganese and iron in PM10 particulates at the two sites of Kolkata, India[J]. Environmental Monitoring and Assessment, 2006, 120(1-3): 347-360. |
| [44] | Querol X, Zhuang X G, Alastuey A, et al. Speciation and sources of atmospheric aerosols in a highly industrialised emerging mega-city in Central China[J]. Journal of Environmental Monitoring, 2006, 8(10): 1049-1059. |
| [45] | Kim E, Hopke P K. Source apportionment of fine particles in Washington, DC, utilizing temperature-resolved carbon fractions[J]. Journal of the Air & Waste Management Association, 2004, 54(7): 773-785. |
| [46] | Ho K F, Lee S C, Chow J C, et al. Characterization of PM10 and PM2.5 source profiles for fugitive dust in Hong Kong[J]. Atmospheric Environment, 2003, 37(8): 1023-1032. |
| [47] | Qiu X H, Duan L, Gao J, et al. Chemical composition and source apportionment of PM10 and PM2.5 in different functional areas of Lanzhou, China[J]. Journal of Environmental Sciences, 2016, 40: 75-83. |
| [48] | 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. |
| [49] |
杨佳美, 戴启立, 刘保双, 等. 关中地区背景点位环境空气PM2.5来源解析与多模型结果对比[J]. 环境科学研究, 2017, 30(2): 184-192. Yang J M, Dai Q L, Liu B S, et al. Source apportionment of ambient PM2.5 at background sites in Guanzhong area, China:comparison of results obtained by multiple models[J]. Research of Environmental Sciences, 2017, 30(2): 184-192. |