2024, Vol. 45
2. 信阳师范大学河南省水土环境污染协同防治重点实验室, 信阳 464000;
3. 中国科学院大气物理研究所大气边界层物理和大气化学国家重点实验室, 北京 100029;
4. 郑州大学化学学院, 郑州 450001;
5. 河南师范大学环境学院, 新乡 453007
, YAN Jun1 , LIU Hang3 , SU Fang-cheng4 , YAO Dan5 , NIU Ji-qiang1,2 , YAN Jun-hui1,2
2. Henan Key Laboratory for Synergistic Prevention of Water and Soil Environmental Pollution, Xinyang Normal University, Xinyang 464000, China;
3. State Key Laboratory of Atmospheric Boundary Layer Physics and Atmospheric Chemistry, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China;
4. College of Chemistry, Zhengzhou University, Zhengzhou 450001, China;
5. School of Environment, Henan Normal University, Xinxiang 453007, China
近年来得益于严格的大气污染控制措施, 我国细颗粒物（PM2.5）浓度显著降低[1, 2]. 然而臭氧（O3）污染问题日渐凸出, O3成为一些城市夏季的首要污染物[3, 4], 对人类健康和生态系统造成巨大威胁[5, 6]. 地表O3作为二次污染物, 少量来自平流层的输送, 大部分来自其前体物如氮氧化物（NOx）和挥发性有机物（VOCs）的光化学反应[7]. 在任何地点O3的观测浓度是区域背景O3浓度和本地生成的O3浓度之和[8~10]. 区域背景O3浓度包括全球背景O3浓度和区域传输O3浓度, 主要来自自然排放的光化学生成、远距离O3排放源的长途输送和平流层-对流层气体交换等过程[7]. 区域背景O3浓度也被定义为没有人为排放情况下的O3浓度[7, 11].
量化O3的背景浓度对区域O3污染控有重要意义, 有助于确定人为排放源控制所起的最大效果[12]. 区域背景O3浓度的估算已成为国内外学者关注的重要科学问题. 计算区域背景O3浓度的方法有空气质量模式法和观测数据分析法. 在空气质量模式中关闭目标区域的O3前体物, 进行情景模拟得到背景O3浓度[13]. 基于对观测数据分析的方法有：背景点测量法、TCEQ区域背景臭氧估算法和主成分分析（PCA）区域背景臭氧估算法[14]. 其中, PCA法使用最为广泛. 例如：Langford等[15]使用PCA法对德克萨斯州30个环境监测站测得的O3浓度进行降维, 认为第一主成分归因于区域背景的变化；Suciu等[9]利用PCA法估算了德克萨斯州近20年的区域背景O3和NOx浓度；梁昱等[12]对长三角地区55个城市国控站点和上海市54个城市监测站点的O3浓度进行PCA分析, 量化出区域背景O3浓度. TCEQ法由美国德克萨斯州环境质量委员会在背景点测量法的基础上提出[14], 也得到较多应用. 例如：Xue等[16]基于我国香港2002~2013年11个空气质量监测站的数据, 估算了区域背景O3的相对贡献；闫慧等[17]利用TCEQ方法计算出我国338个城市的O3本地生成量和区域传输量, 并据此划分出不同的O3控制区；姚青等[18]首先使用PCA法将京津冀区域O3分为3个次区域, 然后对次区域分别采用TCEQ法估算O3背景浓度；黄晴等[19]利用TCEQ和PCA法估算了长三角某工业区区域背景和本地生成O3浓度贡献. 不同方法估算的区域背景O3浓度存在较大差异和不确定性, 对不同方法估算结果进行比较分析具有重要的科学意义.
河南省地处黄河中下游, 总面积16.7万km2, 常住人口9872万, 下辖17个地级市和1个省直辖县级市. 前体物的大量排放导致河南省省会郑州市O3污染超标严重[20], 省内其他城市O3污染也不容乐观[21~23]. 本研究以河南省为案例, 基于2019~2021年观测数据, 采用PCA、PCA-MLR（主成分-多元线性回归）和TCEQ等多种方法, 估算河南省区域背景O3浓度的变化趋势, 评估O3的区域贡献, 以期为O3浓度控制提供科技支撑.
1 材料与方法 1.1 站点与数据来源本研究区域为河南省17个地级市, 所使用的O3和NO2小时浓度数据来自中国环境监测总站, 数据时段为2019年1月1日至2021年12月31日. 首先对原始数据进行处理, 删除缺失值和零值. 然后计算数据有效性, 完整度低于90%的站点被排除. 最终选择了59个监测站点（图 1）, 覆盖了17个地级市. 59个站点数据完整度为98.1%, 使用R语言中的zoo包对异常值进行线性插值, 计算O3日最大8 h滑动平均值[ρ（O3-8h）]. 17个城市同期气象数据来自国家气象科学数据中心, 时间分辨率为d.
|
图 1 选取的河南省空气质量监测站点示意 Fig. 1 Selected air quality monitoring stations in Henan Province |
主成分分析（principal component analysis, PCA）是一种常用的数据降维方法, 在信息损失很小的前提下将多个指标转换为几个不相关的综合因子（主成分）, 从而达到降维目的. PCA已被广泛地应用到气象学和大气污染来源解析等研究中[24~26]. PCA法估算区域背景O3浓度的核心思想在于, 假设研究区域中的任一站点都受到区域性输入气团的影响, 因此可以将区域背景O3作为一个因子提取出来[14]. 通常使用旋转算法（如最大方差旋转）来获得旋转的因子载荷, 这些载荷代表了每个变量对特定主成分的贡献[27]. 将多个站点的O3浓度数据进行PCA分析, 通常第一主成分表示区域背景O3, 然后根据因子载荷和因子得分反算区域背景O3, 计算公式如下[7]：
|
(1) |
|
(2) |
式中, 
除了进行单变量（O3）-多站点的PCA分析, Wang等[7]建议可将NO2、风速（WD）、风速（WS）和温度（T）纳入数据集进行5变量-单站点的PCA分析. 本研究选取郑州、洛阳、南阳、安阳、商丘和驻马店这6个市, 进行O3、NO2、WD、WS和T的PCA分析.
PCA也可以与多元线性回归（MLR）方法联用. 将PCA解析的主成分视为O3源, 以因子得分为自变量, 归一化后的污染物浓度为因变量, 进行多元线性回归, 进一步确定各源对O3的贡献.
1.3 TCEQ法原始的TCEQ法选择上风向的农村站点, 并将该站点的O3浓度作为背景浓度. Nielsen-Gammon等[28]对原始的TCEQ法进行了改进, 即将区域内所有站点测得的最低O3-8h浓度作为区域背景值, 所有站点中最高和最低O3-8h浓度之差为本地光化学生成. 每日O3-8h区域背景浓度和本地生成浓度可由式（3）和式（4）计算：
|
(3) |
|
(4) |
式中, ρL（O3）为本地生成的O3浓度, ρR（O3）为区域背景O3浓度, ρmax（O3）和ρmin（O3）分别为所有站点监测的O3最大和最小浓度.
1.4 实验设计使用4种方法估算河南省2019~2021年区域背景O3浓度, 各方法描述如表 1所列. 方法1为传统方法, 仅使用2019~2021年河南省59个监测站测得的O3-8h浓度进行PCA计算. 与方法1相比, 方法2考虑了气象因子（WD、WS和T）和前体物（NO2）, 但选择的站点较少. 选取了郑州、洛阳、南阳、安阳、商丘和驻马店这6个城市的站点, 然后计算各城市O3和NO2的平均值, 对6个城市分别进行多变量的PCA计算, 以提取区域背景O3浓度. 选取的6个城市中, 郑州位于河南中北部, 洛阳位于河南西部, 南阳位于河南西南部, 驻马店位于河南南部, 商丘位于河南东部, 安阳位于河南北部. 选取的6个城市均匀地分布在河南省, 有区域内部城市, 也有区域边界城市, 包括了综合性城市、工业城市和旅游城市等多个类型. 因此, 选取的6个城市能代表区域特征. 方法3将PCA和MLR法联合, 首先使用PCA提取59个站点O3-8 h的主成分, 然后以因子得分为自变量, 所有站点O3-8 h平均值的标准化结果为因变量, 进行MLR, 确定不同主成分（源）的贡献. 最后根据贡献率和因子得分估算区域背景O3浓度. 方法4为TCEQ法, 更多关于该法的介绍可参考先前研究[17, 18].
|
表 1 河南省区域背景O3浓度估算方法参数总结 Table 1 Summary of parameters for estimating regional background O3 concentration in Henan Province |
2 结果与讨论 2.1 区域和本地对臭氧浓度贡献（方法1）
分别对2019、2020和2021年河南省59个监测站点的O3-8h进行PCA分析, 特征根大于1的分量被判定为主成分, 如表 2所示. 2019~2021年河南省O3有3个主成分, 第一主成分（PC1）可解释49.51%~51.87%的O3观测结果, 3个主成分的累积方差高于90%. 河南省每个站点前3个主成分2019~2021年载荷系数的平均值如图 2所示. 载荷系数在-1~1间变化, 代表2019~2021年间各主分对各站点的平均贡献. 载荷系数为正表示贡献为正, 为负则表示贡献为负. PC1上载荷系数的范围为0.76~0.96, 显著高于PC2和PC3, 这表明PC1所解释的O3浓度有显著的区域特征, PC1主要受区域背景O3的控制. 图 3中PC1振幅与风速的散点图也印证了这一点, 绝大多数情况下在O3超标日PC1振幅也为正, 表明PC1对O3浓度有正贡献.
|
|
表 2 PCA分析结果（方法1） Table 2 Results of PCA analysis (method 1) |
|
图 2 方法1得到的2019~2021年河南省PC1、PC2和PC3载荷系数的平均值 Fig. 2 Average values of component loads for PC1, PC2, and PC3 obtained from method 1 in Henan Province from 2019 to 2021 |
|
污染日指ρ（O3-8h） > 160 μg·m-3 图 3 2019~2021年PC1振幅与平均风速的散点图 Fig. 3 Scatterplots of relations between PC1 amplitudes and mean wind speed from 2019 to 2021 |
使用式（1）和式（2）估算年河南省区域背景O3浓度. 如图 4所示, 2019~2021年河南省区域背景O3浓度的季节变化呈现夏季 > 春季 > 秋季 > 冬季的特征, 与Wang等[7]在山东发现的类似, 与Lee等[29]发现的韩国背景O3浓度为春季 > 秋季 > 冬季 > 夏季不同. 可能在夏季VOCs的生物排放剧烈[7, 30], 导致河南省背景O3浓度在夏季最高. 2019~2021年河南省季节区域背景ρ（O3-8h）范围为74.1~142.3 μg·m-3. 从年际变化看, 区域背景O3在春季和冬季略微上升, 在夏季和秋季略有下降. 2019~2021年, 四季区域背景ρ（O3-8h）分别变化了10.4、0.9、-9.2和3.3 μg·m-3. 河南省O3浓度超标（> 160 μg·m-3）主要出现在夏季, 经计算在O3超标日区域背景贡献率平均为74.9%. 刘光瑾等[31]使用WRF-CMAQ定量出省外传输和天然源对河南省2017夏季O3的贡献率为58.51%~85.53%.
|
图 4 2019~2021年不同季节河南省区域背景O3-8h浓度（方法1） Fig. 4 Regional background O3-8h in Henan Province in different seasons from 2019 to 2021 (method 1) |
与方法1不同, 方法2不仅考虑了O3, 也考虑了O3的前体物NO2和气象条件（WD、WS和T）. 但方法2选择的站点较少, 考虑到所选站点需均匀分布在河南省, 研究中选取了郑州、洛阳、南阳、安阳、商丘和驻马店这6个城市. 对6个城市2019~2021年O3、NO2、WD、WS和T进行5个参数的PCA分析. 结果如表 3所示, 每个城市提取了两个特征根大于1的主分. 可以看出, 各城市主成分的特征根相近, PC1和PC2特征根的平均值分别为2.2和1.2. PC1解释了原始变量中40.3%~47.1%的方差, PC2解释了20.8%~25.8%, 表明两个主成分都重要.
|
|
表 3 PCA分析结果（方法2） Table 3 Results of PCA analysis (method 2) |
通过考虑各主分载荷（绝对值接近或大于0.5）与变量之间的关系来推断各成分的含义. 从各城市主成分载荷可以看出（表 4）明显规律, 各站点PC1在O3、NO2和T因子上的载荷较高, 展现出O3-NO2-T特征, 因此PC1反映了光化学反应. 各城市PC2在WS因子上的载荷较大, 反映了本地气象影响下的物理传输过程.
|
|
表 4 方法2中各城市变量的成分载荷 Table 4 Loading of components with variables at each site from method 2 |
参照Wang等[7]和Suciu等[9]的方法, 将6个城市PC2因子得分进行平均得到区域背景贡献的因子得分, 6个城市PC1的均值表示本地贡献的PC得分, 并将PC的累计贡献替换为各分量的标准化结果. 根据上述方法对河南省区域背景O3进行了反算, 如图 5所示. 与方法1估算结果相比, 方法2估算的区域背景O3浓度也呈现夏季 > 春季 > 秋季 > 冬季的特征, 但是从年际看区域背景O3在春季下降. 2019~2021年, 四季区域背景ρ（O3-8h）分别变化了-22.2、-29.1、-12.5和9.9 μg·m-3. 2019~2021年区域背景平均ρ（O3-8h）在春、夏、秋和冬分别为（119.3 ± 34.0）、（137.2 ± 41.5）、（98.6 ± 42.3）和（63.3 ± 21.0）μg·m-3.
|
图 5 2019~2021年不同季节河南省区域背景O3-8h浓度（方法2） Fig. 5 Regional background O3-8h in Henan Province in different seasons from 2019 to 2021 (method 2) |
方法3（PCA-MLR）借鉴源解析思想, 在方法1（PC1代表区域背景）结果的基础上, 进一步用MLR估算区域背景O3. 以方法1的因子得分为自变量, 河南省59个监测站ρ（O3-8h）平均值标准化后的结果为因变量, 进行MLR处理. 经计算2019~2021年河南省区域背景O3的贡献率分别为34.1%、37.1%和46.7%. 利用边璐等[32]研究中的式（10）计算区域背景O3, 如图 6所示. 区域背景O3的季节变化规律与前两种方法中的一致, 但不同季节的年变化有差异. 在夏季本方法估算的区域背景O3浓度有明显的逐年上升趋势, 在冬季呈略微上升趋势. 2019~2021年, 四季区域背景ρ（O3-8h）分别变化了10.2、25.1、-13.0和3.1 μg·m-3.
|
图 6 2019~2021年不同季节河南省区域背景O3-8h浓度（方法3） Fig. 6 Regional background O3-8h in Henan Province in different seasons from 2019 to 2021 (method 3) |
使用TCEQ法估算河南省区域背景O3, 结果如图 7所示. 区域背景ρ（O3-8h）为27.9~102.5 μg·m-3, 呈现出夏季 > 春季 > 秋季 > 冬季的变化趋势. 春季和夏季区域背景O3逐年下降, 秋季和冬季逐年升高. 与其它3种方法相比, TCEQ估算的冬季区域背景O3明显增加, 2019~2021年ρ（O3-8h）分别为27.9、37.1和41.2 μg·m-3. 2019~2021年, 四季区域背景ρ（O3-8h）分别变化了-11.3、-13.1、-3.2和13.3 μg·m-3. 为进一步说明不同年份、不同季节区域背景O3的贡献, 计算了河南省59个站点O3-8h的平均值, 区域背景O3与O3-8h平均值的比值即为区域背景的贡献. 如表 5所示, 区域背景的贡献率为46.9%~70.0%. 从年际看, 2019~2021年区域背景的贡献率分别为59.8%、61.4%和63.3%. 从季节上看, 区域背景贡献大小为：春季 > 冬季 > 秋季 > 夏季. 在夏季, 区域背景贡献率由2019年的46.7%上升到2021年的59.1%.
|
图 7 2019~2021年不同季节河南省区域背景O3-8h浓度（方法4） Fig. 7 Regional background O3-8h in Henan Province in different seasons from 2019 to 2021 (method 4) |
|
|
表 5 2019~2021年四季区域背景O3-8h的贡献 Table 5 Contribution of regional background O3-8h in the seasons from 2019 to 2021 |
2.5 多种方法的比较
由于区域背景O3估算方法的不同, 其结果也存在差异. 总体上看, 方法1估算的河南省区域背景O3浓度比方法2略低, 方法4和方法3估算的结果分别比方法1低约37 μg·m-3和60 μg·m-3. 4种方法中, 方法3的结果最低. 因为该法经过了MLR处理, 区域贡献率有所下降, 只有34.1%~46.7%, 所以估算的区域背景O3浓度较低. 方法4使用的TCEQ法选择最低的O3浓度作为区域背景, 所选的站点可能受到城市站点的影响, 不能很好地捕捉区域背景, 估算的结果低于方法1和方法2.
表 6对4种方法估算的河南省四季区域背景O3进行了总结. 4种方法估算的区域背景O3浓度都呈夏季 > 春季 > 秋季 > 冬季的特征. 在春季, 方法2估算的区域背景ρ（O3-8h）最高（119.3 μg·m-3）, 其次为方法1（108.5 μg·m-3）. 在夏季, 方法1和方法2的结果基本相等, 方法3的结果最低（61.8 μg·m-3）. 在秋季, 方法2比方法1的结果高2.5 μg·m-3. 在冬季, 方法1的结果最高. 从季节上看, 方法4结果与方法1结果的比值逐渐下降, 春、夏、秋、冬季分别为75.2%、68.3%、61.2%和46.3%. 方法3结果与方法1结果的比值较为稳定, 春、夏、秋、冬季分别为42.9%、45.3%、42.6%和32.9%. 对4种方法的结果取平均, 河南省春、夏、秋和冬季的区域背景ρ（O3-8h）分别为89.0、107.1、73.6和50.1 μg·m-3.
|
|
表 6 各方法估算的河南省各季节区域背景O3-8h/μg·m-3 Table 6 Regional background O3-8h estimated by various methods in Henan Province in each season/μg·m-3 |
表 7对4种方法估算的结果进行了总结. 方法1估算的区域背景ρ（O3-8h）在2020年增加了1.8 μg·m-3, 在2021年降低了0.2 μg·m-3. 方法2估算的区域背景ρ（O3-8h）呈年际降低的趋势, 在2020年和2021年分别下降了9.5 μg·m-3和3.9 μg·m-3. 方法4估算的结果也呈年际降低的趋势, 降幅分别为2.3 μg·m-3和1.2 μg·m-3. 方法3估算的结果呈先降低后升高的趋势, 变幅分别为2.2 μg·m-3和-8.1 μg·m-3. 为了减小单一方法的误差, 对4种方法的结果取平均以表示区域背景O3. 2019~2021年河南省区域背景ρ（O3-8h）分别为（82.0 ± 49.1）、（79.0 ± 46.7）和（79.7 ± 42.1）μg·m-3, 3 a平均值为80.2 μg·m-3. Wang等[7]建议方法1更适用于估算山东省区域背景O3, 因为该法估算的区域背景O3的变化趋势和数值更接近于国家背景站点的观测结果. 从本研究的结果看, 方法3估算的河南省区域背景O3浓度偏低, 方法4的稳定性偏弱. 因此推荐方法1和方法2估算河南省区域背景O3.
|
|
表 7 各方法估算的河南省区域背景O3-8h的比较/μg·m-3 Table 7 Comparisons of regional background O3-8h estimated by various methods in Henan Province/μg·m-3 |
3 结论
（1）使用了3种不同参数的PCA法和TCEQ法估算了河南省区域背景O3浓度. 方法1是传统方法, 进行O3单变量-多站点的PCA分析. 方法2使用前体物（NO2）和气象参数作为约束条件, 进行多变量-单站点的PCA分析. 方法3将PCA和MLR结合, 借鉴源解析思想, 确定区域背景贡献. 方法4为常用的TCEQ法.
（2）方法2估算的河南省区域背景O3-8h浓度最高, 方法1估算的结果比方法2略低, 方法4和方法3估算的结果分别比方法1低约37 μg·m-3和60 μg·m-3. 4种方法估算的区域背景O3-8h浓度都有明显的季节变化趋势, 呈夏季 > 春季 > 秋季 > 冬季的特征. 方法1、2、3和4估算的2019~2021年区域背景平均ρ（O3-8h）分别为104.4、104.8、44.2和67.4 μg·m-3.
（3）区域背景O3的估算存在不确定性, 对4种方法的结果取平均值, 得到河南省2019~2021区域背景ρ（O3-8h）, 分别为82.0、79.0和79.7 μg·m-3, 分别占区域O3-8h总量的75.9%、76.4%和78.7%. 2019~2021年, 4种方法估算的河南省春、夏、秋和冬季的平均区域背景ρ（O3-8h）分别为89.0、107.1、73.6和50.1 μg·m-3, 分别占区域O3-8h总量的76.3%、75.7%、76.3%和81.5%. 未来有必要开展空气质量模式的比对研究, 以减少这些不确定性.
| [1] |
张运江, 雷若媛, 崔世杰, 等. 2015~2020年我国主要城市PM2.5和O3污染时空变化趋势和影响因素[J]. 科学通报, 2022, 67(18): 2029-2042. Zhang Y J, Lei R Y, Cui S J, et al. Spatiotemporal trends and impact factors of PM2.5 and O3 pollution in major cities in China during 2015-2020[J]. Chinese Science Bulletin, 2022, 67(18): 2029-2042. |
| [2] |
戴启立, 戴天骄, 侯林璐, 等. 污染减排与气象因素对我国主要城市2015~2021年环境空气质量变化的贡献评估[J]. 中国科学: 地球科学, 2023, 66(8): 1741-1753. Dai Q L, Dai T J, Hou L L, et al. Quantifying the impacts of emissions and meteorology on the interannual variations of air pollutants in major Chinese cities from 2015 to 2021[J]. Science China Earth Sciences, 2023, 66(8): 1725-1737. |
| [3] |
林文鹏, 郭欣瞳. 中国城市群臭氧时空分布特征分析[J]. 中国环境科学, 2022, 42(6): 2481-2494. Lin W P, Guo X T. Spatial and temporal distribution characteristics of ozone in Urban agglomerations in China[J]. China Environmental Science, 2022, 42(6): 2481-2494. DOI:10.3969/j.issn.1000-6923.2022.06.001 |
| [4] | Wang R N, Bei N F, Hu B, et al. The relationship between the intensified heat waves and deteriorated summertime ozone pollution in the Beijing-Tianjin-Hebei region, China, during 2013-2017[J]. Environmental Pollution, 2022, 314. DOI:10.1016/j.envpol.2022.120256 |
| [5] |
方笑堃, 罗小三, 张丹, 等. 臭氧污染对水稻生长、产量及矿质金属元素含量的影响[J]. 环境科学, 2020, 41(8): 3797-3803. Fang X K, Luo X S, Zhang D, et al. Effects of ozone pollution on growth, yields, and mineral metallic element contents of paddy rice[J]. Environmental Science, 2020, 41(8): 3797-3803. |
| [6] | Xie Y, Dai H C, Zhang Y X, et al. Comparison of health and economic impacts of PM2.5 and ozone pollution in China[J]. Environment International, 2019, 130. DOI:10.1016/j.envint.2019.05.075 |
| [7] | Wang F T, Zhang K, Xue J, et al. Understanding regional background ozone by multiple methods: a case study in the Shandong region, China, 2018-2020[J]. Journal of Geophysical Research: Atmospheres, 2022, 127(22). DOI:10.1029/2022JD036809 |
| [8] | Berlin S R, Langford A O, Estes M, et al. Magnitude, decadal changes, and impact of regional background ozone transported into the Greater Houston, Texas, Area[J]. Environmental Science & Technology, 2013, 47(24): 13985-13992. |
| [9] | Suciu L G, Griffin R J, Masiello C A. Regional background O3 and NOx in the Houston-Galveston-Brazoria (TX) region: a decadal-scale perspective[J]. Atmospheric Chemistry and Physics, 2017, 17(11): 6565-6581. DOI:10.5194/acp-17-6565-2017 |
| [10] | Cooper O R, Gao R S, Tarasick D, et al. Long-term ozone trends at rural ozone monitoring sites across the United States, 1990-2010[J]. Journal of Geophysical Research: Atmospheres, 2012, 117(D22). DOI:10.1029/2012JD018261 |
| [11] | Skipper T N, Hu Y T, Odman M T, et al. Estimating US background ozone using data fusion[J]. Environmental Science & Technology, 2021, 55(8): 4504-4512. |
| [12] |
梁昱, 刘禹含, 王红丽, 等. 基于主成分分析的上海春季近地面臭氧污染区域性特征研究[J]. 环境科学学报, 2018, 38(10): 3807-3815. Liang Y, Liu Y H, Wang H L, et al. Regional characteristics of ground-level ozone in Shanghai based on PCA analysis[J]. Acta Scientiae Circumstantiae, 2018, 38(10): 3807-3815. |
| [13] | Ni R J, Lin J T, Yan Y Y, et al. Foreign and domestic contributions to springtime ozone over China[J]. Atmospheric Chemistry and Physics, 2018, 18(15): 11447-11469. DOI:10.5194/acp-18-11447-2018 |
| [14] |
吴琳, 薛丽坤, 王文兴. 基于观测的臭氧污染研究方法[J]. 地球环境学报, 2017, 8(6): 479-491. Wu L, Xue L K, Wang W X. Review on the observation-based methods for ozone air pollution research[J]. Journal of Earth Environment, 2017, 8(6): 479-491. |
| [15] | Langford A O, Senff C J, Banta R M, et al. Regional and local background ozone in Houston during Texas Air Quality Study 2006[J]. Journal of Geophysical Research: Atmospheres, 2009, 114(D7). DOI:10.1029/2008JD011687 |
| [16] | Xue L K, Wang T, Louie P K K, et al. Increasing external effects negate local efforts to control ozone air pollution: a case study of Hong Kong and implications for other Chinese cities[J]. Environmental Science & Technology, 2014, 48(18): 10769-10775. |
| [17] |
闫慧, 张维, 侯墨, 等. 我国地级及以上城市臭氧污染来源及控制区划分[J]. 环境科学, 2020, 41(12): 5215-5224. Yan H, Zhang W, Hou M, et al. Sources and control area division of ozone pollution in cities at prefecture level and above in China[J]. Environmental Science, 2020, 41(12): 5215-5224. |
| [18] |
姚青, 马志强, 郝天依, 等. 京津冀区域臭氧时空分布特征及其背景浓度估算[J]. 中国环境科学, 2021, 41(11): 4999-5008. Yao Q, Ma Z Q, Hao T Y, et al. Temporal and spatial distribution characteristics and background concentration estimation of ozone in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2021, 41(11): 4999-5008. DOI:10.3969/j.issn.1000-6923.2021.11.005 |
| [19] |
黄晴, 黄银芝, 张珊, 等. 基于边界观测的长三角某工业区O3来源特征[J]. 环境科学, 2021, 42(10): 4621-4631. Huang Q, Huang Y Z, Zhang S, et al. O3 source characteristics of an industrial area in the Yangtze River Delta based on boundary observations[J]. Environmental Science, 2021, 42(10): 4621-4631. |
| [20] |
王旭东, 尹沙沙, 杨健, 等. 郑州市臭氧污染变化特征、气象影响及输送源分析[J]. 环境科学, 2021, 42(2): 604-615. Wang X D, Yin S S, Yang J, et al. Characteristics, meteorological influences, and transport source of ozone pollution in Zhengzhou city[J]. Environmental Science, 2021, 42(2): 604-615. |
| [21] |
赵龙一, 郭佳华, 张宇航, 等. 2015-2019年南阳市臭氧污染特征及气象因素影响[J]. 环境工程技术学报, 2022, 12(3): 718-725. Zhao L Y, Guo J H, Zhang Y H, et al. Analysis of ozone pollution characteristics and meteorological parameters in Nanyang City from 2015 to 2019[J]. Journal of Environmental Engineering Technology, 2022, 12(3): 718-725. |
| [22] |
庞丹丹, 李洁冰, 贾琪琪, 等. 2014—2018年洛阳市大气污染变化特征及影响因素研究[J]. 中国环境监测, 2022, 38(5): 116-122. Pang D D, Li J B, Jia Q Q, et al. Analysis of the temporal variation and driving factors of air pollution in Luoyang City from 2014 to 2018[J]. Environmental Monitoring in China, 2022, 38(5): 116-122. |
| [23] |
白杨, 王盼, 赵鹏飞, 等. 河南省夏季臭氧生成敏感性及其驱动因素分析[J]. 遥感学报, 2022, 26(5): 988-1001. Bai Y, Wang P, Zhao P F, et al. Summertime ozone formation sensitivity and driving factors in Henan Province[J]. National Remote Sensing Bulletin, 2022, 26(5): 988-1001. |
| [24] | Han J K, Yang Y, Yang X Y, et al. Exploring air pollution characteristics from spatio-temporal perspective: a case study of the top 10 urban agglomerations in China[J]. Environmental Research, 2023, 224. DOI:10.1016/j.envres.2023.115512 |
| [25] | Feng J S, Song N N, Li Y X. An in-depth investigation of the influence of sample size on PCA-MLR, PMF, and FA-NNC source apportionment results[J]. Environmental Geochemistry and Health, 2023, 45(8): 5841-5855. DOI:10.1007/s10653-023-01598-5 |
| [26] | Deng J J, Zhang Y R, Qiu Y Q, et al. Source apportionment of PM2.5 at the Lin'an regional background site in China with three receptor models[J]. Atmospheric Research, 2018, 202: 23-32. DOI:10.1016/j.atmosres.2017.11.017 |
| [27] | Pires J C M, Sousa S I V, Pereira M C, et al. Management of air quality monitoring using principal component and cluster analysis - Part Ⅱ: CO, NO2 and O3 [J]. Atmospheric Environment, 2008, 42(6): 1261-1274. DOI:10.1016/j.atmosenv.2007.10.041 |
| [28] | Nielsen-Gammon J W, Tobin J, McNeel A, et al. A conceptual model for eight-hour ozone exceedances in Houston, Texas part Ⅰ: background ozone levels in Eastern Texas[R]. College Station: Center for Atmospheric Chemistry and the Environment, Texas A & M University, 2005. 1-52. |
| [29] | Lee H M, Park R J. Factors determining the seasonal variation of ozone air quality in South Korea: Regional background versus domestic emission contributions[J]. Environmental Pollution, 2022, 308. DOI:10.1016/j.envpol.2022.119645 |
| [30] | Lappalainen H K, Sevanto S, Bäck J, et al. Day-time concentrations of biogenic volatile organic compounds in a boreal forest canopy and their relation to environmental and biological factors[J]. Atmospheric Chemistry and Physics, 2009, 9(15): 5447-5459. DOI:10.5194/acp-9-5447-2009 |
| [31] |
刘光瑾, 苏方成, 徐起翔, 等. 河南省18个城市大气污染物分布特征、区域来源和传输路径[J]. 环境科学, 2022, 43(8): 3953-3965. Liu G J, Su F C, Xu Q X, et al. One-year simulation of air pollution in central China, characteristics, distribution, inner region cross-transmission, and pathway research in 18 cities[J]. Environmental Science, 2022, 43(8): 3953-3965. |
| [32] |
边璐, 李田, 侯娟. PMF和PCA/MLR法解析上海市高架道路地表径流中多环芳烃的来源[J]. 环境科学, 2013, 34(10): 3840-3846. Bian L, Li T, Hou J. Source apportionment of polycyclic aromatic hydrocarbons using two mathematical models for runoff of the Shanghai elevated inner highway, China[J]. Environmental Science, 2013, 34(10): 3840-3846. |