2024, Vol. 45
2. 天津市津南区生态环境监测中心，天津 300350
, LUO Zhong-wei1 , HUA Kun1 , LI Ya-fei1 , GU Yao1 , SONG Li-lai1 , BI Shen-yu1 , YIN Si-han1 , KOU Ming-qi2 , BI Xiao-hui1 , ZHANG Yu-fen1
, FENG Yin-chang1
2. Tianjin Jinnan District Ecological Environment Monitoring Center, Tianjin 300350, China
挥发性有机物（volatile organic compounds, VOCs）是对流层臭氧（O3）和细颗粒物（PM2.5）二次生成过程的重要前体物[1 ~ 4]. 一方面, VOCs的氧化反应会破坏“氮氧化物（NOx）循环”的平衡, 促进臭氧的生成[5, 6]；另一方面, VOCs在大气中发生氧化反应生成低挥发性有机物, 再通过气-粒分配和非均相反应等过程形成二次有机气溶胶（SOA）[7 ~ 10]. 在重污染天气形成过程中, VOCs等气态污染物的二次转化是造成空气质量急剧下降的主要原因[11]. 近年来随着减排力度不断加大, 二次无机气溶胶浓度有所降低[12], SOA的贡献进一步凸显[13]. 如何通过应急减排措施有效降低VOCs等气态前体物排放, 是重污染天气应急工作能否取得成效的关键.
目前我国学者在重污染天气成因来源及应急措施环境效果评估等方面开展了大量研究[14 ~ 16], 主要集中在PM2.5污染特征及成因来源等方面[17 ~ 22], 而对重污染天气VOCs变化特征及来源解析的研究相对较少[23, 24], 相关研究结论具有明显的地域差异, 如北京重污染期间VOCs主要来源是液化石油气源和燃烧源[25], 郑州地区重污染期间溶剂使用源和工业排放对VOCs浓度贡献较大[26], 成都地区VOCs主要来源于机动车排放源和液化石油气燃烧排放源等[24], 上海地区重污染期间机动车排放源对VOCs浓度贡献最大[27].
天津市位于北纬38°24′~40°15′和东经116°43′~118°04′之间, 地处华北平原东北部, 北依燕山, 东临渤海, 属暖温带半湿润大陆性季风气候[28]. 在静稳天气下, 污染物扩散受到抑制, 同时受海陆风等局地环流的影响, 污染物易在局地环流的范围内循环积累[29], 形成重污染天气. 作为北方重要的工业城市, 天津市工业结构中重工业比重接近40%. 在工业生产中, 有机溶剂的使用非常普遍, 溶剂挥发和泄漏会导致VOCs排放. 石化产业是天津市经济发展重要支柱产业, 也是重要的VOCs排放源. 近年来天津市VOCs年排放量近20万t, 在京津冀及周边地区排在前几位. “大气十条”实施以来, 天津市重污染天数整体呈下降趋势, 从2013年的49 d下降至2020年的11 d. 2019~2020年天津市共发布12次重污染天气预警, 其中6次为橙色预警（Ⅱ级）, 且均发生在秋冬季. 目前天津市不同季节及不同污染源类VOCs排放特征已有一些研究[30 ~ 34], 但针对重污染天气预警及应急响应前后VOCs污染特征及来源的变化鲜有研究. 本文基于逐小时VOCs数据对2019~2020年天津市秋冬季重污染天气预警及应急响应前后VOCs化学组分的变化特征及来源解析展开研究, 以期为重污染天气预警及应急响应期间污染源管控提供一定的科学参考.
1 材料与方法 1.1 重污染天气预警等级及应急响应措施概述天津市人民政府发布的《天津市重污染天气应急预案》中规定, 空气质量指数（AQI）级别达到五级（重度污染）及以上污染程度（AQI > 200）为重污染天气, 根据污染程度及污染持续时间, 将重污染天气预警等级由轻到重依次分为黄色预警、橙色预警和红色预警这3个等级, 预警启动条件如表 1所示. 各级预警等级相应的主要应急管控措施如表 2所示.
|
表 1 重污染天气预警分级标准 Table 1 Classification standard of heavy pollution weather warning in Tianjin |
|
|
表 2 重污染天气不同预警等级强制性减排措施 Table 2 Mandatory emission reduction measures for different warning levels of heavy pollution weather |
1.2 观测点位与监测方法
天津市南开大学津南校区大气环境综合观测站（38.99°N, 117.34°E, 图 1）位于城郊结合区域. 观测点西北方向4 km处分布有工业园区, 南侧2 km范围内有津港高速和津晋高速等多条交通主干道, 东南方向8 km处分布有石化企业, 35~38 km处为石化企业聚集区, 东侧1.8 km处即是居民生活区. 观测点南部50 m是学生宿舍区及食堂, 北面约20 m处有一条主干道. 监测仪器安装在综合观测站内距离地面4~5 m处, 附近无明显遮挡物.
|
图 1 监测点位示意 Fig. 1 Schematic of monitoring sites |
采用荷兰Syntech公司生产的GC955系列在线气相色谱仪, 监测获得54种（27种烷烃、10种烯烃、16种芳香烃和乙炔）VOCs逐小时体积分数数据. 该设备包括GC955-611和GC955-811两个独立样品和色谱柱系统, 分别测量高碳（C6~C10）和低碳（C2~C5）挥发性有机化合物. GC955-611将空气样品在常温的Tenax GR上进行预浓缩, 引入汽提塔后进入分析柱进行分离, 利用PID进行检测. GC955-611在-5 ℃的条件下将空气样品预浓缩在Carbosieves SIII上, 并采用加热的方法（270℃）对富集的化合物进行热脱附, 吹入分离柱中, 再采用PID和FID检测目标化合物. 每天进行单点校准, 每周维护仪器并更换过滤器, 每两周对仪器进行五点校准验证. 使用标准气体对分析仪进行校准, 利用保留时间和峰面积分别进行定性分析和定量分析, 并通过固有基点的线性回归拟合校准曲线, 相关系数变化范围为0.900~1.000. 监测期间共获取1531条VOCs物种体积分数时间序列有效数据, 其中缺失值用该物种的中位数代替, 小于检测限（method detection limit, MDL）的数据用检出限的一半代替.
1.3 正定矩阵因子分解法VOCs来源解析方法目前主要有特征物种比值法、受体模型法、化学传输模型. 特征物种比值法利用两种特定VOCs物种之间的比值反映污染源信息[35]. 化学传输模型基于污染源排放清单和大气中的物理化学过程模拟来定量源贡献[36]. 受体模型基于环境VOCs监测数据及源排放化学成分谱等识别污染源及贡献, 该方法不依赖气象资料和污染物排放清单, 操作简便[37], 但也存在一定的局限性, 难以识别化学指纹不明确的污染源. 受体模型中正定矩阵因子分解法（PMF）对每个因子的载荷和得分均做非负约束, 使因子分析的结果明确、易于解释, 在国内外得到较广泛应用[38, 39].
EPA PMF v5.0模型基于最小二乘法对受体数据进行分解, 将样本数据矩阵（X）分解为源贡献矩阵（G）和源成分谱矩阵（F）[40], 如公式（1）所示
|
(1) |
式中, xij为i样品中j组分的体积分数；gik为第k个源对i样品的贡献率；fkj为第k个排放源中j组分的含量；eij为残差；p为污染源数目.
为降低因子旋转的自由度, PMF采用非负约束函数, 使目标函数Q最小, 如式（2）所示：
|
(2) |
式中, uij为i样品中j组分体积分数（xij）的不确定度；xij含义同上, 若为缺失值, 不确定度为4倍的中位数, 若小于检测限（MDL）, 不确定度计算见公式（3）, 若大于检测限（MDL）, 不确定度计算见公式（4）：
|
(3) |
|
(4) |
式中, Error Fraction为误差系数, Concentration为污染物体积分数.
本研究以重污染天气预警应急响应启动时间为准, 将前72 h定义为“应急响应前”阶段, 将启动应急响应后的72 h定义为“应急响应后”阶段. 用EPA PMF v5.0模型解析重污染天气预警及应急响应前后（共计144 h）的VOCs来源. 根据以下原则：①来源指示性较强的物种；②体积分数较高的物种；③大气光化学反应活性相对较弱, 共选取38种VOCs组分纳入PMF模型计算. 结合排放源的实地调研, 选定8个因子作为输入因子数. 模型运算的诊断指标中, 参数Qtrue表征所有样本拟合优度, 参数Qexp表征剔除部分高不确定性样本后的拟合优度, Qtrue/Qexp应小于1.5, 接近1被认为更合理[36], 本研究中Qtrue/Qexp为1.03. VOCs体积分数模型计算值与实测值的相关性（R2）越接近1, 表明拟合效果越好[24], 本研究中R2为0.93, 表明解析结果较可靠.
1.4 二元条件概率函数（CBPF）条件概率函数（conditional probability function, CPF）通常用于识别和量化影响受体的主要来向[41], 该方法表示在一定风速情况下, 不同风向上物种体积分数大于特定值的概率, 特定值常指全部观测结果的第75百分位数或第90百分位数, 如式（5）所示：
|
(5) |
式中, mΔθ为在一定风速情况下, 风向为θ的区域中, 体积分数C大于或等于阈值x的样本个数, nΔθ为在一定风速情况下, θ风向区域中的全部样本个数.
二元条件概率函数（conditional bivariate probability function, CBPF）是将CPF与二元极坐标图耦合, 将观测到的污染物体积分数分配至由风向和风速定义的各单元, 而不仅是风向区域. 该方法有助于通过风速相关性来识别更多的污染源, 以提供排放源的来向信息[42], 如式（6）所示：
|
(6) |
式中, mΔθ, Δu为风速区间Δu内, 风向为θ的区域中, 体积分数C大于或等于阈值x的样本个数, nΔθ, Δu为在风速区间Δu内, 风向为θ的区域中, 全部样本个数.
本研究利用PMF模型结合CBPF计算方法, 分析识别天津市重污染天气预警及应急响应前后VOCs污染源贡献及来向. 利用RStudio“openair 4.0”包生成CBPF图, 阈值设置为第75百分位数.
2 结果与讨论 2.1 重污染天气预警及应急响应期间VOCs化学组成特征天津市2019~2020年共发布12次重污染天气预警（见表 3）, 均发生在秋冬季. 2019年10月19日预警期间VOCs观测数据缺失较多, 不予分析. 本研究以重污染天气预警应急响应启动时间为准, 将前72 h定义为“应急响应前”阶段, 将启动应急响应后的72 h定义为“应急响应后”阶段. 对11次重污染天气预警及应急响应期间VOCs物种体积分数变化特征进行分析, 见图 2. 在11次重污染天气预警及应急响应期间, 观测点φ（VOCs）均值为35.7×10-9, 其中φ（烷烃）及其占比为23.4×10-9, 64%, 显著高于烯烃（6.2×10-9, 19%）、乙炔（3.2×10-9, 9%）和芳香烃（2.8×10-9, 8%）. 烷烃中的优势组分是丙烷（7.0×10-9）和乙烷（4.6×10-9）. 乙烷主要来源于天然气挥发, 同时燃烧源也会排放乙烷. 丙烷主要来源于天然气挥发及液化石油气的挥发泄漏[43]. 烯烃中乙烯（3.7×10-9）排放的占比最高, 乙烯主要来源于煤炭燃烧及机动车燃料燃烧[44]. 芳香烃中苯（1.0×10-9）和甲苯（0.9×10-9）占比较高, 苯系物主要来源于有机溶剂的使用及工业生产及机动车燃料燃烧[45]. 乙炔主要来源于燃烧源, 机动车行驶时内燃机也会排放乙炔[46].
|
|
表 3 2019~2020年天津市12次重污染预警及应急响应等级及起止时间 Table 3 Heavy pollution warnings, emergency response levels, and start times in Tianjin from 2019 to 2020 |
|
图 2 2019~2020年重污染天气预警及应急响应前后VOCs化学组成变化 Fig. 2 Changes in VOCs chemical composition in the emergency response period from 2019 to 2020 |
上述11次重污染天气预警及应急响应中, 秋季共发布3次（2次橙色预警, 1次黄色预警）, 冬季共发布8次（4次橙色预警, 4次黄色预警）. 一方面, 冬季采暖相关的燃烧源VOCs排放量大幅增加, 且扩散条件较为不利[47], 另一方面, 相对于其他季节, 冬季气温低、辐射弱, 光化学反应减弱, 烯烃等活性较强的VOCs组分消耗量减少[48]. 冬季8次重污染天气预警及应急响应期间, φ（VOCs）均值为36.0×10-9, 较秋季（34.7×10-9）有所增加, 其中烯烃体积分数增加48%, 烷烃体积分数增加4%, 乙炔及芳香烃体积分数分别下降27%和23%.
从不同预警等级来看, 重污染橙色预警及应急响应期间φ（VOCs）均值为35.2×10-9, 其中烷烃（23.1×10-9, 64%）高于烯烃（5.3×10-9, 16%）、乙炔（4.3×10-9, 13%）和芳香烃（2.5×10-9, 7%）. 本研究将“VOCs体积分数增长阶段时数占此阶段总时数80%以上的阶段”界定为污染累积阶段. 橙色预警期间VOCs污染累积阶段最长维持77 h, 最高值为132.3×10-9. 累积阶段VOCs中烷烃占比由39%增长至75%, 乙炔占比由40%降至8%, 烯烃及芳香烃占比未发生明显变化；黄色预警期间φ（VOCs）均值为36.2×10-9, 物种占比依次为烷烃（23.8×10-9, 64%）、烯烃（7.3×10-9, 22%）、芳香烃（3.2×10-9, 10%）和乙炔（1.9×10-9, 4%）. 黄色预警期间VOCs污染累积阶段最长维持59 h, 最高值为206.6×10-9. 累积阶段VOCs中烷烃占比由72%增长至86%, 乙炔占比由8%下降至3%. 烯烃及芳香烃占比未发生明显变化. 在污染累积阶段, VOCs各主要组分的变化幅度有明显差异, VOCs体积分数主要受不利气象条件造成的物理累积作用及光化学转化造成的化学消耗作用影响. VOCs各组分活性不同, 累积及消耗作用的相对重要性不同. 烷烃占比的增长趋势明显, 这与烷烃类组分大部分为惰性组分[49]、光化学反应消耗量少, 物理累积作用起主导作用有关；而乙炔占比呈降低趋势, 这与乙炔的化学性质较活泼[50], 化学消耗作用较明显有关.
2020年初, 新冠疫情暴发, 疫情管控期间一些排放源活动水平发生显著改变, 重污染天气的发生次数及VOCs体积分数均有所下降. 2019年发布8次重污染天气预警, 而2020年仅3次, 2020年重污染天气预警及应急响应期间φ（VOCs）均值为26.2×10-9, 与2019年相比下降33%, 其中烯烃占比下降最为明显, 由18%（7.1×10-9）降至14%（3.8×10-9）, 烯烃中乙烯下降幅度最大（2.3×10-9, 54%）, 乙炔由10%（3.8×10-9）降至6%（1.5×10-9）. 燃烧源是烯烃和乙炔的主要来源之一[44, 46]. 天津市2020年NO2及SO2年平均浓度较2019年有明显降低, 这也从侧面说明疫情管控期间机动车和燃煤源等排放有明显减少.
2.2 重污染天气预警及应急响应期间VOCs来源解析 2.2.1 因子识别及CBPF结果利用EPA PMF v5.0模型解析重污染天气预警及应急响应前后环境受体VOCs的来源. 结合CBPF确定不同风向、风速条件下各类排放源对受体VOCs贡献度较大的方位, 以提高因子识别的准确性. PMF模型计算得到的各组分贡献率及占比见图 3, 各类排放源的CPF值分布见图 4.
|
1.苯, 2.甲苯, 3.2-甲基戊烷, 4.3-甲基戊烷, 5.正己烷, 6.2,4-二甲基戊烷, 7.2,3-二甲基戊烷, 8.3-甲基己烷, 9.2,3,4-三甲基戊烷, 10.正庚烷, 11.2,2,4-三甲基戊烷, 12.甲基环己烷, 13.正辛烷, 14.乙苯, 15.邻-二甲苯, 16.正壬烷, 17.正癸烷, 18.环己烷, 19.2-甲基己烷, 20.1-己烯, 21.丙烷, 22.丙烯, 23.乙炔, 24.异丁烷, 25.正丁烷, 26.1-丁烯, 27.顺-2-丁烯, 28.环戊烷, 29.异戊烷, 30.正戊烷, 31.1-戊烯, 32.顺-2-戊烯, 33.2,2-二甲基丁烷, 34.2,3-二甲基丁烷, 35.甲基环戊烷, 36.异戊二烯, 37.乙烷, 38.乙烯 图 3 2019~2020年重污染天气预警及应急响应前后PMF源解析因子化学成分谱 Fig. 3 Source profiles of VOCs in the emergency response period from 2019 to 2020 |
|
中心圆圈内的数字表示不同风速情况, 单位m·s-1 图 4 2019~2020年重污染天气预警及应急响应前后各类污染源CBPF图 Fig. 4 CBPF plots of VOCs sources in the emergency response period from 2019 to 2020 |
图 3因子1中乙烯、顺-2-丁烯、2,3-二甲基丁烷和苯系物贡献较高. 苯系物和2,3-二甲基丁烷是典型机动车尾气排放示踪物质[51, 52], 而乙烯是机动车燃料燃烧和燃煤排放的示踪物质. 由CBPF图可知（图 4）, 该因子对环境受体VOCs体积分数贡献的高概率值集中在监测点位周围及南侧方向. 监测点周边交通线分布广泛, 南侧2.8 km处有津港高速和津晋高速, 东南侧1.8 km处为居民生活区, 据此判定因子1主要为机动车排放源；因子2中甲基环戊烷和甲基环己烷贡献较高, 甲基环戊烷是石化行业排放的特征物质, 环己烷是炼油厂排放示踪物质[44, 53]. 由图 4可知, 该因子在东侧和南侧方向对环境受体中VOCs体积分数贡献较大, 监测点位东南方向8 km处分布有石化企业, 35~38 km处为石化企业聚集区, 据此将因子2判定为石化行业排放源. 因子3中乙炔和乙烯贡献较高, 有研究表明乙炔、C2~C3烯烃等主要来源于煤炭燃烧[54, 55]. 该因子在观测点北侧和西侧地区源贡献较大, 监测点位西北方向3.7 km处为工业聚集区, 有燃煤锅炉, 据此因子3被识别为燃煤排放源；因子4中正己烷、正壬烷和正癸烷贡献较高, 其中正己烷是柴油挥发的主要标志物, 正壬烷和正癸烷等C8以上较重的正烷烃是柴油废气的特征组分[56]. 对环境受体中VOCs体积分数贡献的高概率值主要集中在西侧来向, 监测点位西侧3.5 km处有物流园区, 据此将因子4判定为柴油挥发源；因子5中正丁烷、异戊烷和异丁烷贡献较高, 这些物种是液化石油气的主要组分[57]. 周边地区乡镇居民多使用液化石油气做饭, 监测点位东南方向分布有石化行业生产液化石油气, 因子5被识别为液化石油气挥发源；因子6中2-甲基戊烷和3-甲基戊烷贡献较高, 其中C4~C7烷烃是汽油顶空蒸发的主要组分[58], 对环境受体中VOCs体积分数贡献的高概率值主要集中在西侧和北侧, 监测点西侧分布多条交通主干道, 据此将因子6识别为汽油挥发源；因子7中乙烷和丙烷贡献较高, 乙烷和丙烷是天然气挥发泄漏的主要排放物质[43], 在监测点附近的源贡献较高, 监测点位所在的校园做饭、取暖均使用天然气, 判定其主要为天然气挥发源；因子8中甲苯、正己烷、邻-二甲苯和乙苯贡献较高, 有机溶剂使用过程通常会排放乙苯和邻-二甲苯, 而正己烷是溶剂使用源的主要示踪物质[59, 60], 根据第二次全国污染源普查数据, 监测点位所在的津南区溶剂型企业有293家. 从图 4可以看出, 对环境受体中VOCs体积分数贡献的高概率值主要出现在东南方向, 这与监测点位东南方向小站镇分布有多家溶剂型企业有关, 将因子8定义为溶剂使用源.
2.2.2 VOCs来源解析结果2019~2020年重污染天气预警及应急响应期间各类污染源对环境受体中VOCs的贡献如图 5所示. 机动车排放源对监测点环境受体中VOCs的贡献率最大, 为17.5%. 其次是溶剂使用源及天然气挥发源, 分别贡献15.4%和15.2%. 燃煤排放源和液化石油气挥发源贡献率依次为14.7%和14%. 汽油挥发源、柴油挥发源及石化行业排放源贡献率较小, 依次为11.4%、6.6%和5.2%.
|
图 5 2019~2020年重污染天气预警及应急响应前后VOCs源解析结果 Fig. 5 VOCs sources in the emergency response period from 2019 to 2020 |
2019年重污染天气预警及应急响应期间机动车排放源、液化石油气挥发源、燃煤排放源、溶剂使用源、柴油挥发源、石化行业排放源、天然气挥发源及汽油挥发源对环境受体中VOCs贡献率分别为20.5%、16.2%、14.6%、12.2%、11.4%、9.1%、8.8%和7.2%. 2020年由于实施疫情管控, 一些人为源的活动水平有明显改变. 2020年重污染天气预警及应急响应期间VOCs来源解析结果比2019年发生较明显的变化：机动车排放源贡献率由20.5%降至10.8%. 疫情管控期间公众居家时间增多, 秋冬季取暖、做饭等活动对天然气的使用量大大增加, 天然气挥发源贡献率由8.8%升至13.3%.
污染物浓度变化趋势中隐含了源排放和气象因素两方面的信息, 评估污染减排的真实环境效果, 需要“屏蔽”气象因素的干扰. 重污染天气预警及应急响应期间, 气象条件变化所致的污染物体积分数变化的幅度往往大于由源排放变化引起的体积分数变化幅度, 减排措施的环境效果可能被“淹没”. 为了使应急响应前后的源解析结果可比, 以客观认识减排措施的效果, 本文采用了气象归一化技术, 技术方法见文献[61], 篇幅所限, 不再赘述. 为比较重污染天气预警及应急响应前后污染源减排效果, 分开解析重污染天气应急响应前后环境受体VOCs的来源. 不同等级重污染天气预警及应急响应前后各类污染源对环境受体中VOCs的贡献, 如图 6所示. 相比应急响应前, 5次重污染黄色预警及应急响应后, 机动车排放源和柴油挥发源对环境受体中VOCs体积分数的贡献率分别减少2.0%~5.5%和2.1%~6.6%, 体积分数的贡献分别减少1.0×10-9~3.0×10-9和0.2×10-9~3.9×10-9. 溶剂使用源的贡献率减少0.2%~2.4%, 体积分数的贡献减少0.2×10-9~2.2×10-9. 汽油挥发源及燃煤排放源贡献率及体积分数贡献在应急响应前后未出现明显差异.
|
饼状图为污染源贡献率, 柱形图为污染源体积分数随时间变化情况 图 6 2019~2020年不同等级重污染天气预警及应急响应前后VOCs源解析结果 Fig. 6 VOCs sources in different emergency response levels from 2019 to 2020 |
重污染橙色预警期间, Ⅱ级响应措施在Ⅲ级基础上进一步加严. 6次重污染橙色预警及应急响应后, 机动车排放源对环境受体中VOCs体积分数的贡献率较应急响应前减少了0.1%~8.3%, 体积分数贡献较应急响应前减少1.1×10-9~3.2×10-9. 应急响应措施的实施使溶剂使用源对环境受体VOCs的贡献率减少了0.5%~6.2%, 体积分数的贡献减少0.2×10-9~2.8×10-9, 减少幅度总体大于Ⅲ级响应. 汽油挥发源及燃煤排放源体积分数的贡献分别减少0.8×10-9~2.1×10-9和0.3×10-9~2.6×10-9.
3 结论（1）天津市2019~2020年重污染天气预警及应急响应均发生在秋冬季, 冬季发生次数大于秋季. 冬季重污染天气VOCs平均体积分数较秋季高, 其中烯烃增加最明显, 较秋季增加48%, 烷烃体积分数增加4%, 乙炔及芳香烃体积分数分别降低27%和23%. 这一方面与冬季采暖相关的燃烧源VOCs排放量大幅增加、扩散条件不利有关, 另一方面是由于光化学反应减弱, 活性较强的VOCs组分消耗量减少.
（2）重污染天气预警及应急响应期间污染累积阶段, 不同VOCs组分其变化幅度有明显差异. 橙色预警期间, 烷烃占比增加36%, 乙炔占比下降32%；黄色预警期间, 烷烃占比增长14%, 乙炔占比下降5%. 烷烃占比的增长趋势明显, 这与烷烃类组分大部分为惰性组分, 光化学反应消耗量少, 物理累积起主导作用有关；而乙炔占比呈降低趋势, 这与乙炔的化学性质较活泼, 化学消耗作用较明显有关.
（3）综合利用PMF模型和CBPF方法分析识别重污染天气预警及应急响应前后VOCs污染源贡献及来向, 机动车排放源、天然气挥发源及溶剂使用源是环境受体中VOCs体积分数的主要贡献源, 分别贡献17.5%、15.4%和15.2%. 受疫情管控影响, 相较于2019年, 2020年应急响应期间机动车排放源对VOCs来源贡献率减少9.7%.
（4）经气象归一化处理的源解析结果显示, 黄色预警期间机动车排放源和柴油挥发源对环境受体中VOCs体积分数的贡献分别减少1.0×10-9~3.0×10-9和0.2×10-9~3.9×10-9. 溶剂使用源的体积分数贡献减少0.2×10-9~2.2×10-9. 橙色预警期间Ⅱ级响应措施在Ⅲ级响应基础上加大了涉气工业企业主要污染物减排幅度, 相比应急响应前, 应急响应期间溶剂使用源的体积分数贡献减少0.2×10-9~2.8×10-9. 机动车排放源的体积分数贡献减少1.1×10-9~3.2×10-9.
| [1] | Zhang D, He B, Yuan M H, et al. Characteristics, sources and health risks assessment of VOCs in Zhengzhou, China during haze pollution season[J]. Journal of Environmental Sciences, 2021, 108: 44-57. DOI:10.1016/j.jes.2021.01.035 |
| [2] | Gu Y, Liu B S, Li Y F, et al. Multi-scale volatile organic compound (VOC) source apportionment in Tianjin, China, using a receptor model coupled with 1-hr resolution data[J]. Environmental Pollution, 2020, 265. DOI:10.1016/j.envpol.2020.115023 |
| [3] |
郝吉明, 李欢欢, 沈海滨. 中国大气污染防治进程与展望[J]. 世界环境, 2014(1): 58-61. Hao J M, Li H H, Shen H B. Process and prospects of China air pollution control[J]. World Environment, 2014(1): 58-61. |
| [4] | Zhang G X, Jia Y Q, Su B, et al. Environmental regulation, economic development and air pollution in the cities of China: Spatial econometric analysis based on policy scoring and satellite data[J]. Journal of Cleaner Production, 2021, 328. DOI:10.1016/j.jclepro.2021.129496 |
| [5] |
杨程硕. 臭氧污染防治需进一步完善区域大气污染联防联控机制[J]. 世界环境, 2020(5): 88. Yang C S. The ozone pollution prevention and control need further improvement of the mechanism for joint prevention and control of regional air pollution[J]. World Environment, 2020(5): 88. |
| [6] |
漏嗣佳, 朱彬, 廖宏. 中国地区臭氧前体物对地面臭氧的影响[J]. 大气科学学报, 2010, 33(4): 451-459. Lou S J, Zhu B, Liao H. Impacts of O3 precursor on surface O3 concentation over China[J]. Transactions of Atmospheric Sciences, 2010, 33(4): 451-459. |
| [7] | Zhang X, Li H, Wang X Z, et al. Heavy ozone pollution episodes in urban Beijing during the early summertime from 2014 to 2017: implications for control strategy[J]. Environmental Pollution, 2021, 285. DOI:10.1016/j.envpol.2021.117162 |
| [8] |
张蕊, 孙雪松, 王裕, 等. 北京市城区夏季大气VOCs变化特征及臭氧生成潜势[J]. 环境科学, 2023, 44(4): 1954-1961. Zhang R, Sun X S, Wang Y, et al. Variation characteristics and ozone formation potential of ambient VOCs in urban Beijing in summer[J]. Environmental Science, 2023, 44(4): 1954-1961. |
| [9] |
陈泽鑫, 古金霞, 霍光耀, 等. 天津市挥发性有机物污染特征与来源及其O3生成潜势[J]. 环境污染与防治, 2022, 44(2): 201-205. Chen Z X, Gu J X, Huo G Y, et al. Pollution characteristics and sources of volatile organic compounds and their O3 formation potential in Tianjin[J]. Environmental Pollution & Control, 2022, 44(2): 201-205. |
| [10] |
陈天增, 刘俊, 马庆鑫, 等. 复合污染条件下人为源VOCs的SOA生成研究进展[J]. 环境科学, 2023, 44(3): 1201-1213. Chen T Z, Liu J, Ma Q X, et al. Research progress of SOA formation from anthropogenic VOCs under complex pollution condition[J]. Environmental Science, 2023, 44(3): 1201-1213. |
| [11] |
陈楚, 王体健, 李源昊, 等. 濮阳市秋冬季大气细颗粒物污染特征及来源解析[J]. 环境科学, 2019, 40(8): 3421-3430. Chen C, Wang T J, Li Y H, et al. Pollution characteristics and source apportionment of fine particulate matter in autumn and winter in Puyang, China[J]. Environmental Science, 2019, 40(8): 3421-3430. |
| [12] | Zhang Q, Zheng Y X, Tong D, et al. Drivers of improved PM2.5 air quality in China from 2013 to 2017[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(49): 24463-24469. |
| [13] | Chen T Z, Liu J, Liu Y C, et al. Chemical characterization of submicron aerosol in summertime Beijing: a case study in southern suburbs in 2018[J]. Chemosphere, 2020, 247. DOI:10.1016/j.chemosphere.2020.125918 |
| [14] |
钟嶷盛, 周颖, 程水源, 等. 首都重大活动与空气重污染应急减排措施效果对比分析[J]. 环境科学, 2020, 41(8): 3449-3457. Zhong Y S, Zhou Y, Cheng S Y, et al. Comparison analysis of the effect of emission reduction measures for major events and heavy air pollution in the capital[J]. Environmental Science, 2020, 41(8): 3449-3457. |
| [15] |
贺亚楠, 康怡. 大气细颗粒物重污染天气过程应急措施效果评估研究[J]. 环境科学与管理, 2023, 48(4): 189-194. He Y N, Kang Y. Effectiveness of emergency control measures during heavy atmospheric fine particle pollution[J]. Environmental Science and Management, 2023, 48(4): 189-194. |
| [16] |
曾景海, 王灿. 重污染天气应对"绩效分级、差异化管控"措施首次实践效果后评估[J]. 环境科学, 2022, 43(5): 2436-2447. Zeng J H, Wang C. Assessment of "differentiated response requirement based on performance grading" plolicy during heavy air pollution alert[J]. Environmental Science, 2022, 43(5): 2436-2447. |
| [17] |
李杏茹, 白羽, 陈曦, 等. 北京冬季重污染过程大气细颗粒物化学组成特征及来源分析[J]. 环境化学, 2018, 37(11): 2397-2409. Li J R, Bai Y, Chen X, et al. Chemical composition and source apportionment of PM2.5 during winter in Beijing[J]. Environmental Chemistry, 2018, 37(11): 2397-2409. |
| [18] |
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. |
| [19] |
刘盈盈, 殷宝辉, 王静, 等. 济南冬季大气重污染过程颗粒物组分变化特征[J]. 环境化学, 2018, 37(12): 2749-2757. Liu Y Y, Yin B H, Wang J, et al. Characteristics of airborne particles compositions during winter heavy pollution days in Ji'nan[J]. Environmental Chemistry, 2018, 37(12): 2749-2757. |
| [20] |
周敏, 陈长虹, 乔利平, 等. 2013年1月中国中东部大气重污染期间上海颗粒物的污染特征[J]. 环境科学学报, 2013, 33(11): 3118-3126. Zhou M, Chen C H, Qiao L P, et al. The chemical characteristics of particulate matters in Shanghai during heavy air pollution episode in Central and Eastern China in January 2013[J]. Acta Scientiae Circumstantiae, 2013, 33(11): 3118-3126. |
| [21] |
熊鸿斌, 陈建, 张红, 等. 合肥市一次重污染过程细颗粒物化学组分特征及成因分析[J]. 环境化学, 2021, 40(10): 3258-3269. Xiong H B, Chen J, Zhang H, et al. Analysis of fine particles chemical characteristics and causes during a heavy pollution period in Hefei[J]. Environmental Chemistry, 2021, 40(10): 3258-3269. |
| [22] |
刘庆阳, 刘艳菊, 杨峥, 等. 北京城郊冬季一次大气重污染过程颗粒物的污染特征[J]. 环境科学学报, 2014, 34(1): 12-18. Liu Q Y, Liu Y J, Yang Z, et al. Daily variations of chemical properties in airborne particulate matter during a high pollution winter episode in Beijing[J]. Acta Scientiae Circumstantiae, 2014, 34(1): 12-18. |
| [23] |
徐虹, 唐邈, 肖致美, 等. 天津市冬季重污染二次有机化学污染特征及VOCs对SOA生成潜势[J]. 环境科学, 2020, 41(8): 3492-3499. Xu H, Tang M, Xiao Z M, et al. Characteristics of secondary organic particles and the potential formation of SOA from VOCs during wintertime heavy pollution episodes in Tianjin[J]. Environmental Science, 2020, 41(8): 3492-3499. |
| [24] |
熊超, 李建军, 杨复沫, 等. 成都市冬季重污染过程中挥发性有机物污染特征及来源解析[J]. 环境污染与防治, 2020, 42(5): 590-596, 603. Xiong C, Li J J, Yang F M, et al. Pollution characteristics and source apportionment of VOCs duringa heavy pollution process in winter in Chengdu[J]. Environmental Pollution & Control, 2020, 42(5): 590-596, 603. |
| [25] | Li Y Q, Li J, Wu R R, et al. Characterization and source identification of ambient volatile organic compounds (VOCs) in a heavy pollution episode in Beijing, China[A]. In: The 24th International Conference on Modelling, Monitoring and Management of Air Pollution[C]. London: WIT Press, 2016. 249-259. |
| [26] |
郭旺. 郑州市采暖季挥发性有机物污染特征分析[D]. 郑州: 郑州大学, 2020. Guo W. Characteristics and health risk assessment of volatile organic pollutants in Zhengzhou during heating period[D]. Zhengzhou: Zhengzhou University, 2020. |
| [27] | Han D M, Wang Z, Cheng J P, et al. Volatile organic compounds (VOCs) during non-haze and haze days in Shanghai: characterization and secondary organic aerosol (SOA) formation[J]. Environmental Science and Pollution Research, 2017, 24(22): 18619-18629. DOI:10.1007/s11356-017-9433-3 |
| [28] |
徐虹, 肖致美, 孔君, 等. 天津市冬季典型大气重污染过程特征[J]. 中国环境科学, 2017, 37(4): 1239-1246. Xu H, Xiao Z M, Kong J, et al. Characteristic of atmospheric heavy pollution episodes in winter of Tianjin[J]. China Environmental Science, 2017, 37(4): 1239-1246. DOI:10.3969/j.issn.1000-6923.2017.04.005 |
| [29] |
蔡子颖, 杨旭, 韩素芹, 等. 基于天气背景天津大气污染输送特征分析[J]. 环境科学, 2020, 41(11): 4855-4863. Cai Z Y, Yang X, Han S Q, et al. Transport characteristics of air pollution in Tianjin based on weather background[J]. Environmental Science, 2020, 41(11): 4855-4863. |
| [30] |
赵吉睿, 姚馨蕾, 孙猛, 等. 天津市典型溶剂使用行业挥发性有机物排放特征[J]. 环境污染与防治, 2021, 43(5): 539-545. Zhao J R, Yao X L, Sun M, et al. Emission characteristics of volatile organic compounds from typical solvent use industries in Tianjin[J]. Environmental Pollution & Control, 2021, 43(5): 539-545. |
| [31] |
王文美, 高璟赟, 肖致美, 等. 天津市夏季不同臭氧浓度级别VOCs特征及来源[J]. 环境科学, 2021, 42(8): 3585-3594. Wang W M, Gao J Z, Xiao Z M, et al. Characteristics and sources of VOCs at different ozone concentration levels in Tianjin[J]. Environmental Science, 2021, 42(8): 3585-3594. |
| [32] |
孙露娜, 仲崇智, 孙世达, 等. 2000~2020年天津市机动车全过程VOCs排放特征及演变[J]. 环境科学, 2023, 44(3): 1346-1356. Sun L N, Zhong C Z, Sun S D, et al. Evolution and characteristics of full-process vehicular VOCs emissions in Tianjin from 2000 to 2020[J]. Environmental Science, 2023, 44(3): 1346-1356. |
| [33] |
刘彬, 李丹, 刘振宇, 等. 天津市夏季挥发性有机物(VOCs)特征分析[J]. 环境与可持续发展, 2018, 43(2): 137-139. Liu B, Li D, Liu Z Y, et al. Characteristics of volatile organic compounds(VOCs) in summer of Tianjin[J]. Environment and Sustainable Development, 2018, 43(2): 137-139. |
| [34] |
韩萌, 卢学强, 冉靓, 等. 天津市城区夏季VOCs来源解析[J]. 环境科学与技术, 2011, 34(10): 76-80. Han M, Lu X Q, Ran L, et al. Source apportionment of volatile organic compounds in urban Tianjin in the summer[J]. Environmental Science & Technology, 2011, 34(10): 76-80. |
| [35] | Yang Y, Liu B S, Hua J, et al. Global review of source apportionment of volatile organic compounds based on highly time-resolved data from 2015 to 2021[J]. Environment International, 2022, 165. DOI:10.1016/j.envint.2022.107330 |
| [36] |
王怡然. 基于光化学损失校正的挥发性有机化合物(VOCs)来源解析方法优化及应用[D]. 广州: 华南理工大学, 2020. Wang Y R. Optimization and application of volatile organic compounds (VOCs) source apportionment based on correction of photochemical loss[D]. Guangzhou: South China University of Technology, 2020. |
| [37] |
冯银厂. 我国大气颗粒物来源解析研究工作的进展[J]. 环境保护, 2017, 45(21): 17-20. Feng Y C. Researh progress of source apportionment of amospheric particulates in China[J]. Environmental Protection, 2017, 45(21): 17-20. |
| [38] |
张浩然, 刘敏, 王小嫚, 等. 南昌市2021年春季大气VOCs污染特征和来源分析[J]. 中国环境科学, 2022, 42(3): 1040-1047. Zhang H R, Liu M, Wang X M, et al. Characteristics and sources of atmospheric VOCs during spring of 2021 in Nanchang[J]. China Environmental Science, 2022, 42(3): 1040-1047. |
| [39] | Mccarthy M C, Aklilu Y A, Brown S G, et al. Source apportionment of volatile organic compounds measured in Edmonton, Alberta[J]. Atmospheric Environment, 2013, 81: 504-516. DOI:10.1016/j.atmosenv.2013.09.016 |
| [40] | 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. DOI:10.1002/env.3170050203 |
| [41] |
闫磊, 黄银芝, 高松, 等. 杭州湾北岸36种挥发性有机物污染特征及来源解析[J]. 环境科学研究, 2020, 33(3): 536-546. Yan L, Huang Y Z, Huang S, et al. Pollution characteristics and source analysis of 36 volatile organic compounds on the North coast of Hangzhou bay[J]. Research of Environmental Sciences, 2020, 33(3): 536-546. |
| [42] | Uria-Tellaetxe I, Carslaw D C. Conditional bivariate probability function for source identification[J]. Environmental Modelling & Software, 2014, 59: 1-9. |
| [43] | Katzenstein A S, Doezema L A, Simpson I J. Extensive regional atmospheric hydrocarbon pollution in the southwestern United States[J]. Proceedings of the National Academy of Sciences of the United States of America, 2003, 100(21): 11975-11979. |
| [44] | Liu Y, Shao M, Fu L L, et al. Source profiles of volatile organic compounds (VOCs) measured in China: Part Ⅰ[J]. Atmospheric Environment, 2008, 42(25): 6247-6260. DOI:10.1016/j.atmosenv.2008.01.070 |
| [45] | Yuan B, Shao M, Lu S H, et al. Source profiles of volatile organic compounds associated with solvent use in Beijing, China[J]. Atmospheric Environment, 2010, 44(15): 1919-1926. DOI:10.1016/j.atmosenv.2010.02.014 |
| [46] |
谢文晶, 邢巧, 谢东海, 等. 海南省背景区域臭氧及其前体物污染特征[J]. 环境科学, 2022, 43(12): 5407-5420. Xie W J, Xing Q, Xie D H, et al. Pollution characteristics of ozone and its precursors in background region of Hainan province[J]. Environmental Science, 2022, 43(12): 5407-5420. |
| [47] |
郝囝, 蔡子颖, 韩素芹, 等. 基于模式过程分析技术天津地区PM2.5污染气象成因分析[J]. 环境科学, 2022, 43(5): 2373-2382. Hao J, Cai Z Y, Han S Q, et al. Research on causes of severely polluted weather in Tianjin based on process analytical technology[J]. Environmental Science, 2022, 43(5): 2373-2382. |
| [48] |
高璟赟, 肖致美, 徐虹, 等. 2019年天津市挥发性有机物污染特征及来源[J]. 环境科学, 2021, 42(1): 55-64. Gao J Z, Xiao Z M, Xu H, et al. Characterization and source apportionment of atmospheric VOCs in Tianjin in 2019[J]. Environmental Science, 2021, 42(1): 55-64. |
| [49] |
白宇婷. 区域大气挥发性有机物特征及来源解析——以内蒙古自治区呼、包、巴三市为例[D]. 呼和浩特: 内蒙古大学, 2022. Bai Y T. Characterization of atmospherization of atmospheric voltile organic compounds and source analysis in the Hothot-Baotou-Bayannur region[D]. Hothot: Inner Mongolia University, 2022. |
| [50] |
司利国, 赵涛, 杨丽蓉, 等. 银川市夏季VOCs污染特征及臭氧生成潜势分析[J]. 环境与发展, 2023, 35(2): 62-70. Si L G, Zhao T, Yang L R, et al. Characterization of atmospheric volatile organic compounds and ozone formation potentials in Yinchuan City during summer[J]. Environment and Development, 2023, 35(2): 62-70. |
| [51] |
王冰, 尹沙沙, 黄爱枝, 等. 郑州市多站点大气VOCs变化特征及源解析[J]. 环境科学, 2023, 44(2): 699-708. Wang B, Yin S S, Huang A Z, et al. Variation characteristics and source apportionment of atmospheric VOCs at multi-sites in Zhengzhou[J]. Environmental Science, 2023, 44(2): 699-708. |
| [52] | Wu F K, Yu Y, Sun J, et al. Characteristics, source apportionment and reactivity of ambient volatile organic compounds at Dinghu Mountain in Guangdong Province, China[J]. Science of the Total Environment, 2016, 548-549: 347-359. |
| [53] | Cui P F, Lin Y J, Li Z H, et al. Dihydrogen bond interaction induced separation of hexane isomers by self-assembled carborane metallacycles[J]. Journal of the American Chemical Society, 2020, 142(18): 8532-8538. |
| [54] | Guan Y N, Wang L, Wang S J, et al. Temporal variations and source apportionment of volatile organic compounds at an urban site in Shijiazhuang, China[J]. Journal of Environmental Sciences, 2020, 97: 25-34. |
| [55] | Song Y, Shao M, Liu Y. Source apportionment of ambient volatile organic compounds in Beijing[J]. Environmental Science & Technology, 2007, 41(12): 4348-4353. |
| [56] |
周炎, 岳玎利, 张涛. 春季广州城区空气中VOCs来源解析[J]. 环境监控与预警, 2017, 9(1): 42-47. Zhou Y, Yue D L, Zhang T. Source apportionment of spring ambient volatile organic compounds in Guangzhou[J]. Environmental Monitoring and Forewarning, 2017, 9(1): 42-47. |
| [57] | Blake D R, Rowland F S. Urban leakage of liquefied petroleum gas and its impact on mexico city air quality[J]. Science, 1995, 269(5226): 953-956. |
| [58] | Kountouriotis A, Aleiferis P G, Charalambides A G. Numerical investigation of VOC levels in the area of petrol stations[J]. Science of the Total Environment, 2014, 470-471: 1205-1224. |
| [59] | Li G H, Wei W, Shao X, et al. A comprehensive classification method for VOC emission sources to tackle air pollution based on VOC species reactivity and emission amounts[J]. Journal of Environmental Sciences, 2018, 67: 78-88. |
| [60] |
孔翠丽, 吴雨彤, 顾瑶, 等. 基于化学损耗矫正的青岛胶州市环境VOCs来源解析[J]. 环境科学, 2023, 44(12): 6551-6563. Kong C L, Wu Y T, Gu Y, et al. Source apportionment of ambient VOCs in Qingdao based on photochemical losses correction[J]. Environmental Science, 2023, 44(12): 6551-6563. |
| [61] | Dai Q L, Liu B S, Bi X H, et al. Dispersion normalized PMF provides insights into the significant changes in source contributions to PM2.5 after the COVID-19 outbreak[J]. Environmental Science & Technology, 2020, 54(16): 9917-9927. |