2024, Vol. 45
2. 中国环境科学研究院环境基准与风险评估国家重点实验室, 北京 100012;
3. 北京石油化工学院机械工程学院, 北京 102617;
4. 亳州市生态环境局, 亳州 236000
, WANG Xue-zhong2 , ZHANG Dan-dan2,3 , ZHU Hua-long4 , YAN Yong-xin2 , LI Fan-xiu1
, WU Zhen-hai2 , ZHENG Zhen-wei4 , GAO Qi-kai4
2. State Key Laboratory of Environmental Criteria and Risk Assessment, Chinese Research Academy of Environmental Sciences, Beijing 100012, China;
3. College of Mechanical Engineering, Beijing Institute of Petrochemical Technology, Beijing 102617, China;
4. Bozhou Municipal Ecology and Environment Bureau, Bozhou 236000, China
臭氧（O3）和细颗粒物（PM2.5）是大气中重要的空气污染物, 对公众健康、生态系统和农作物均有较大影响.自2013年《大气污染防治行动计划》和《打赢蓝天保卫战三年行动计划》相继实施以来[1, 2], 我国PM2.5污染防治取得显著成效, 但O3浓度上升趋势尚未得到有效遏制[3, 4].PM2.5中的二次组分与O3有共同的前体物（NOx和VOCs）, 且均受气象因素的影响.在大气转化过程中, PM2.5中二次组分的生成过程受大气氧化性的影响较大, 此外, 气溶胶复杂的理化特性, 也会对近地面O3的生成和损耗过程产生影响[5, 6].例如, PM2.5通过改变大气动力学和光分解速率直接影响O3的浓度, 也可通过影响云光学厚度和非均相反应过程而间接影响O3的浓度[7, 8]. O3则主要通过影响OH自由基、H2O2、RCHO（醛类化合物）等氧化剂的浓度, 从而影响NO3-、SO42-和SOA（secondary organic aerosol, 二次有机气溶胶）的生成[9, 10].这一系列复杂的相互作用使得PM2.5和O3在大气化学过程中相互影响, 二者的协同控制也呈现复杂性与艰巨性特征, 已成为制约我国空气质量持续改善的难点和打赢蓝天保卫战的关键.
苏皖鲁豫交界地区位于京津冀和长三角城市群之间, 易受到京津冀和长三角城市群气团输送的共同影响, 同时具备秋冬季节PM2.5污染和春夏季节O3污染的显著特征[11].总体来看, 该地区PM2.5浓度呈现中南部较差、沿海城市相对较好的空间分布格局；O3浓度分布与之相似, 中部城市污染情况更为突出[12].2022年, 苏皖鲁豫交界地区PM2.5和O3年评价值分别为40 μg·m-3和167 μg·m-3, 均超过我国环境空气质量二级标准限值.其中, PM2.5年评价值同比下降2.4%, O3年评价值同比上升7.7%, O3年评价值未达标城市数量也从2021年的4个增加到16个.近来越来越多的研究团队已开始关注苏皖鲁豫交界区的大气污染问题.程先富等[13]利用WRF-Chem模式模拟发现冬季的生物质燃烧和夏季的工业排放对大气污染贡献较大.Wei等[14]对O3污染形成机制的研究发现, 污染过程期间O3生成的主要途径是RO2+NO, 其中CH3O2+NO途径对总臭氧的贡献最为显著, 本地排放对此起到了重要作用.有研究表明[15 ~ 17], 气象条件对区域内大气污染的影响较为显著, 在春冬季, 由于温度较低, 混合层高度降低, 叠加高湿、静稳和逆温等气象条件有利于PM2.5浓度的升高；夏秋季区域内具有较强的大气氧化环境[18], 在白天强烈的太阳辐射下NOx和VOCs发生光化学反应, 导致本地O3生成速率加快[19], 夏秋季O3污染突出.以上研究有助于深入了解该地区大气污染的形成机制, 为进一步改善空气质量提供科技支撑.
亳州市位于安徽省西北部, 在苏皖鲁豫交界地区22个城市中, 处于连接京津冀和长三角城市群的走廊地带, 地势平坦, 是我国重要的中药、酿酒基地, 同时面临着PM2.5和O3污染防治的双重压力.因此, 研究亳州市的大气污染特征及成因, 对苏皖鲁豫交界地区大气污染防治具有重要价值, 同时对巩固全国大气污染防治和治理成果也具有重要意义.本文通过对2017~2022年间亳州市PM2.5与O3复合污染演变特征和2022年10月发生的PM2.5与O3复合污染过程分析, 探讨了亳州市大气污染复合污染成因及主要前体物来源, 以期为该地区大气污染防治提供科学支撑.
1 材料与方法 1.1 数据资料数据资料主要来自于中国环境监测总站、安徽省空气质量预报预警业务系统、亳州市大气组分监测数据综合分析平台和欧洲中期天气预报中心.其中, 亳州市空气质量监测及气象数据来自于中国环境监测总站实时数据平台（http://www.cnemc.cn/sssj/）及安徽省空气质量预报预警平台, 涵盖亳州市PM2.5、PM10、NO2、SO2、CO、O3这6项环境空气常规污染物浓度和风速风向、气温、湿度、气压等气象参数；PM2.5和VOCs组分数据主要来自于亳州市大气组分监测数据综合分析平台, 涵盖无机元素、水溶性离子、碳质组分等颗粒物组分数据和烷烃、烯烃、炔烃、芳香烃、卤代烃和含氧挥发性有机物（OVOCs）等六大类VOCs组分数据；天气分型数据来自于欧洲中期天气预报中心（ECMWF, https://www.ecmwf.int/）, 文中涉及地图是根据中华人民共和国民政部全国行政区划信息查询平台提供的标准地图制作而成, 其审图号为GS（2022）1873号, 该底图未经过任何修改.
1.2 分析方法 1.2.1 后向轨迹HYSPLIT4模式是由美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration, NOAA）和澳大利亚气象局联合研发的一种用于计算分析大气污染物输送、扩散轨迹的专业模型, 在研究污染物后向轨迹中应用较广.本研究通过HYSPLIT模式计算追踪气团后向轨迹, 对亳州市2022年10月18~27日气团来源进行轨迹分析.
1.2.2 源解析方法正定矩阵因子分解（positive matrix factorization, PMF）模型是一种多变量因子分析工具, 它可以将一个含有多个日期、不同组分采样数据矩阵分解为源谱分布矩阵和源贡献矩阵2个矩阵.本研究采用美国环保署（Environmental Protection Agency, EPA）正定矩阵因子分解（PMF）5.0受体模型, 选择数据完整且来源指示性强的物种对PM2.5及O3前体物VOCs进行来源解析；其中, 对PM2.5选取了21种指示性较强的组分, 对VOCs选取了51种指示性较强的组分进行迭代运算, 依据残值分布的变化和解析结果的可解释性, 选择最佳因子数目并确定相应贡献[20].
1.2.3 PCT客观分型方法采用基于倾斜旋转T模态主成分分析方法（obliquely rotated principal analysis in T mode, PCT方法）[21], 并使用了由欧盟开发的cost733class客观天气分型软件.用于客观天气分型的气象数据资料来源于欧洲中期天气预报中心（ECMWF）官网下载的2017年1月1日至2022年12月31日ERA5数据集, 时间间隔为6 h（00：00、06：00、12：00和18：00 UTC）, 包括空间分辨率0.25°×0.25°的海平面气压场（msl）和10 m水平风（U和V）.对该时段内的日平均10 m水平风场（U和V）进行多变量斜交旋转分解, 将多个物理量进行时空展开, 进而得出较为客观准确的3类9型, 3类分别为高压控制型、低压控制型和均压场控制型[22, 23], 分析不同天气形势分型下PM2.5和O3浓度特征.
2 结果与讨论 2.1 PM2.5和O3复合污染演变特征根据我国《环境空气质量标准》（GB 3095-2012）和《环境空气质量评价技术规范（试行）》（HJ 663-2013）有关规定, PM2.5日评价值采用24 h算术平均浓度, 年评价值采用日历时期内各日评价值的算术平均浓度；O3日评价值采用日最大8 h滑动浓度平均值（MDA8⁃O3）, 年评价值采用日历时期内各日评价值的第90百分位数.此外, 定义MDA8⁃O3 > 160 μg·m-3且PM2.5日评价值> 75 μg·m-3为PM2.5-O3复合污染日[24, 25].
2.1.1 PM2.5和O3污染变化特征从图 1中可以看出, 随着近年来我国大气污染防治措施的深入, 2017~2021年亳州市PM2.5年评价值呈现持续下降的趋势, O3年评价值有所波动.在此期间, PM2.5污染日天数呈现出波动减少趋势, O3污染日天数呈现出波动增长趋势. 2022年亳州市PM2.5和O3污染情况同比均有反弹, 二者的年评价值分别为41 μg·m-3和166 μg·m-3, 较2021年分别反弹7.1%和7.8%, 污染日数同比也分别增加8 d和17 d.从复合污染情况来看, 2017~2022年亳州市PM2.5-O3复合污染日天数变化与PM2.5和O3污染日天数变化相似, 2017~2021年整体呈逐年下降态势. 2020年和2021年PM2.5-O3复合污染情况得到明显改善, 未出现PM2.5-O3复合污染日；但2022年发生了3 d的复合污染, 且出现了连续2 d的PM2.5-O3复合污染情况.
|
图 1 2017~2022年亳州市PM2.5和O3年评价值和污染日天数年际变化 Fig. 1 Interannual variations in annual assessment values and polluted days of PM2.5 and O3 in Bozhou City from 2017 to 2022 |
亳州市地处华北平原南端, 夏季以高温、强辐射和少雨为主, O3的光化学反应生成速率较快, 易出现O3超标现象.冬季气温及边界层相对较低、降水偏少, 加之冬季取暖等额外排放, 污染物易于积累而难于扩散[26, 27], 导致PM2.5浓度相对较高.2017~2022年期间, 亳州市的O3污染主要集中在5~6月, 单月超标天数最多达到23 d（图 2）.2021年和2022年的7月和8月, O3污染整体呈现缓解趋势, 由2019年的最多14 d减少至2021年和2022年的2 d；2022年9月, 亳州市O3污染再次加重, O3超标天数达7 d, 仅次于2019年同期.PM2.5污染则主要集中在1~2月和11~12月, 3月和10月季节转换时段为亳州市PM2.5污染高发结束和起始月份, PM2.5-O3复合污染日也多发生于此.总体来看, 除2017年夏季（7月）发生一个复合污染日外, 其余主要集中在3月中下旬和10月中上旬, 且近4年数据显示, 秋季亳州市大气复合污染现象相对突出.
|
图 2 2017~2022年亳州市各月出现各类污染日天数情况 Fig. 2 Monthly distribution of different types of polluted days in Bozhou City from 2017 to 2022 |
2017~2022年O3污染期（5~7月）, PM2.5和O3日评价值相关性如图 3（a）所示, 除2017年和2022年二者相关性并不显著外, 其余年份的PM2.5和O3相关性均呈正相关, 相关系数分别是0.47、0.41、0.48和0.22（通过0.01或0.05显著性检验）.有研究表明, 在夏季高温强辐射条件下, 大气颗粒物通过气溶胶粒子的散射作用, 增强了太阳向下辐射通量, 进而有利于O3的生成[28].同时, 在高浓度的O3和光照较强的条件下, 大气氧化性增强, 有利于NOx和VOCs等前体物的氧化转化, 进而促进二次气溶胶的生成, 导致O3与PM2.5呈现正相关关系, 表现为二者浓度的共同上升[29 ~ 32].
|
*表示通过0.05显著性检验, **表示通过0.01显著性检验 图 3 O3污染期和PM2.5污染期间亳州市PM2.5和O3相关性 Fig. 3 Correlation between PM2.5 and O3 during O3 pollution periods and PM2.5 pollution periods in Bozhou City |
PM2.5污染期（11月至次年2月）, 不同年份之间PM2.5和O3的相关性存在差异.在2017年, 亳州市PM2.5和O3呈负相关, 随后逐渐转为正相关；2022年, 亳州市PM2.5和O3的相关性为0.23, 且通过0.05显著性检验, 呈现出正向相关性的变化趋势[33].京津冀、长三角地区等研究同样发现, 冬季PM2.5和O3的相关性出现由负变正的情况[34].随着我国大气污染防治的深入开展, 在一次污染物排放大幅削减的情况, O3及二次气溶胶表现出一定的协同现象, 成为我国大气污染防治下一步工作的重点[35 ~ 37].
2.2 PM2.5和O3复合污染成因及来源分析 2.2.1 气象因素影响为全面了解亳州市O3和PM2.5不同浓度范围内的天气系统特征, 分析天气形态对PM2.5和O3浓度的影响, 在MDA8⁃O3 > 160 μg·m-3基础上, 针对PM2.5浓度定义了不同情景.具体定义如下, PM2.5日评价值介于35~50 μg·m-3为A型复合污染日；PM2.5日评价值介于50~75 μg·m-3为B型复合污染日；PM2.5日评价值> 75 μg·m-3为C型复合污染日；非污染日PM2.5日评价值≤35 μg·m-3, MDA8⁃O3 ≤ 160 μg·m-3.
天气分型结果显示[38 ~ 41], 2017~2022年, 亳州市A型复合污染日中高压控制型占比为34.9%, 低压控制型和均压场控制型占比分别为41.3%和23.8%；B型复合污染日中高压控制型占比为46.7%, 低压控制型和均压场控制型占比分别为20.0%和33.3%；C型复合污染日中高压控制型占比为66.7%, 低压控制型和均压场控制型占比分别为8.3%和25.0%；非污染日中高压控制型占比为37.9%, 低压控制型和均压场控制型占比分别为38.4%和23.7%（图 4）.通过不同类型的复合污染日和非污染日的分析发现, 随着ρ（PM2.5）阈值由35 μg·m-3逐渐增加到75 μg·m-3, 高压控制型天气的占比逐渐增加.高压控制型天气下, 气团携带的水汽输送促使颗粒物生成及增长, 而弱水平风限制了污染物扩散, 容易导致亳州市PM2.5和O3浓度的升高.
|
图 4 2017~2022年各类复合污染日与非污染日分型的天数和占比 Fig. 4 Number and percentage of different types of compound pollution and non-pollution days from 2017 to 2022 |
高温低湿利于O3的生成, 而相对较高的湿度则有利于气溶胶的吸湿增长, 为气态前体物向二次颗粒物的转化提供适宜的天气条件[42], 进而促进PM2.5-O3复合污染的发生.A型复合污染日下温度平均值为25.9℃, 相对湿度平均值为60.9%；B型复合污染日下温度平均值为22.8℃, 相对湿度平均值为63.7%；C型复合污染日下温度平均值为19.1℃, 相对湿度平均值为66.3%.与A型和B型复合污染日相比, C型复合污染日温度平均值较低, 相对湿度平均值较高.如图 5所示, 当温度区间为20~35℃时, 相对湿度区间为40%~70%时, PM2.5-O3复合污染发生的频率更高.
|
（a1）和（a2）、（b1）和（b2）、（c1）和（c2）分别表示A型、B型和C型PM2.5-O3复合污染天小时温度和相对湿度分布 图 5 2017~2022年亳州市各类PM2.5-O3复合污染天小时温度和相对湿度分布 Fig. 5 Distribution of hourly temperature and relative humidity during different types of PM2.5-O3 complex pollution days in Bozhou City from 2017 to 2022 |
在亳州市2022年10月18~27日期间, 针对复合污染期间亳州市大气超级站PM2.5和VOCs组分监测数据进行分析, 同时利用PMF等手段对前体物来源进行解析, 为后续亳州市大气污染防治提供支撑.
根据污染类型和污染物浓度水平, 将10月18~27日划分为污染形成期（10月的18日00：00至21日23：00）、复合污染期（10月的22日00：00至23日23：00）、PM2.5污染期（10月的24日00：00至25日06：00）和污染消退期（10月的25日07：00至27日23：00）这4个天气阶段.通过对亳州市大气超级站颗粒物和VOCs组分数据分析, 得到PM2.5中OM、EC、铵盐、硫酸盐、硝酸盐、氯盐、Na+、K+、Mg2+和Ca2+等10种关键组分和VOCs中烷烃、烯烃、炔烃、芳香烃、卤代烃和含氧挥发性有机物这6大类关键组分.各个天气时段各物种组分的占比如表 1和表 2.
|
表 1 2022年10月18~27日亳州市各时段颗粒物组分占比/% Table 1 Composition percentage of particulate matter components at different time periods in Bozhou City from October 18th to 27th, 2022/% |
|
|
表 2 2022年10月18~27日亳州市各时段VOCs组分占比/% Table 2 Composition percentage of VOCs components at different time periods in Bozhou City from October 18th to 27th, 2022/% |
污染形成期（10月的18日00：00至21日23：00, 图 6）, 亳州市平均气温为14.9 ℃, 平均相对湿度为48.0%, 风向以东风和东南风为主, 平均风速为2.7 m·s-1, PM2.5组分以OM和硝酸盐为主, 占比分别为53.0%和22.8%；VOCs中烷烃和OVOCs占据主要成分的58.0%.污染形成期, 除了个别早间时段PM2.5超标外, 其余时间空气质量良好.在此期间, 伴随着白天最高温度、夜间最高相对湿度和NO2等前体物浓度的不断升高, 叠加10月21日起静稳天气（风速 < 2 m·s-1）的出现, 亳州市PM2.5浓度持续攀升.
|
图 6 2022年10月18~27日污染过程气象条件、污染物浓度、颗粒物和VOCs化学组分占比的演变规律 Fig. 6 Evolution of meteorological conditions, pollutant concentrations, and the composition of particulate matter and VOCs during the pollution episodes from October 18th to 27th, 2022 |
PM2.5-O3复合污染期间（10月的22日00：00至23日23：00）, 亳州市气温维持在10~25℃之间, 平均气温为17.2 ℃, 平均相对湿度为66.6%, 近地面风速相对较低（最高风速仅为0.9 m·s-1）.在复合污染期间, PM2.5小时评价值最高值出现在10月23日07：00（134 μg·m-3）.O3小时评价值最高值出现在10月23日16：00（202 μg·m-3）.PM2.5组分中无机组分浓度呈明显上升趋势, 硝酸盐、硫酸盐和铵盐的浓度相较于污染形成期上升了1.9、1.9和1.4倍.同时, 无机组分在颗粒物中的占比明显增加, 硝酸盐、硫酸盐和铵盐的占比相较于污染形成期上升了11.1%、2.5%和2.6%, 而有机物的占比下降了15.1%.此外, 挥发性有机化合物浓度也有所增加, 其中, 烷烃、烯烃、芳香烃、卤代烃和OVOCs的浓度较污染形成期分别上升了3.7、8.3、3.5、8.1和3.7倍, 卤代烃占比上升14.4%.在此期间, 日间较高的温度、较低的湿度和强烈的光照为光化学反应提供了良好的条件, 加速了O3与颗粒物中的二次组分生成；此外, 夜间相对较高的湿度促进了颗粒物的转化和吸湿增长, 造成PM2.5-O3复合污染现象.
PM2.5污染期（10月的24日00：00至25日06：00）, 亳州市风向以东风和东南风为主, 平均风速为2.2 m·s-1, 较复合污染期增大近1.5倍.颗粒物组分OC、氯盐和K+较复合污染期分别上升17.3%、0.7%和0.3%, 二次有机组分占比增加明显, 硝酸盐浓度下降较大.
污染消退期（10月的25日07：00至27日23：00）, 亳州市风向逐步转为东北风向, 且风速较大, 温度持续降低, 基本维持在15℃以下, NO2、SO2和VOCs等前体物同样有所降低, PM2.5和O3浓度逐步降低, 空气质量逐渐好转.
污染过程期间亳州市气团后推48h来源轨迹分析表明（图 7）, 10月20~21日以东南气团来源为主, 途经山东半岛经黄海由长三角浙苏交界地区登陆, 由东南方向输入, 气团沿途区域空气质量以优良为主；10月22~23日期间, 气团主要来向发生较大变化, 10月22日以南部风向为主, 10月23日以北部风向为主, 期间周边区域多地发生不同程度的PM2.5和O3污染现象, 特别是传输路径上的淮南市10月22日也出现了PM2.5和O3复合污染日.因此, 本地生成叠加周边地区污染气团传输可能是亳州市本次PM2.5和O3复合污染的主要原因.
|
（a）、（b）和（c）分别表示2022年10月20~25日亳州市气团来源轨迹及我国中东部地区PM2.5和O3浓度空间分布 图 7 2022年10月20~25日亳州市气团来源轨迹及我国中东部地区PM2.5和O3浓度空间分布 Fig. 7 Air mass source trajectory map for Bozhou City from October 20th to 25th, 2022 and spatial distribution maps of PM2.5 and O3 concentrations in Central and Eastern China |
利用PMF模型解析亳州市2022年10月18~27日期间PM2.5的潜在来源, 通过分析比较, 最终确定5种因子, 包括交通污染源、生物质燃烧源、二次生成、扬尘源和燃煤源（图 8）.
|
（a）和（b）分别表示PMF模型的各排放源对PM2.5的贡献率和PMF模型的各排放源对VOCs的贡献率；1.OC, 2.EC, 3.S, 4.K, 5.Ti, 6.Mn, 7.Fe, 8.Cu, 9.Zn, 10.As, 11.Br, 12.Pb, 13.Cl-, 14.F-, 15.NO3-, 16.SO42-, 17.NH4+, 18.Na+, 19.K+, 20.Mg2+, 21.Ca2+, 22.乙烷, 23.丙烷, 24.正己烷, 25. 2,3-二甲基戊烷, 26.环己烷, 27.正庚烷, 28.正壬烷, 29.正丁烷, 30.异戊烷, 31.正戊烷, 32.环戊烷, 33. 2,3-二甲基丁烷, 34. 2-甲基戊烷, 35. 3-甲基戊烷, 36.甲基环戊烷, 37. 2-甲基己烷, 38. 2,2,4-三甲基戊烷, 39.正辛烷, 40.正癸烷, 41.乙烯, 42.丙烯, 43. 1,3-丁二烯, 44. 1-丁烯, 45.1-戊烯, 46.异戊二烯, 47. 1-己烯, 48.乙炔, 49.苯, 50.甲苯, 51.乙苯, 52.氯乙烯, 53.氯乙烷, 54. 1,1-二氯乙烯, 55.二氯甲烷, 56.三氯甲烷, 57.1,2-二氯乙烷, 58. 1,1,1-三氯乙烷, 59.四氯化碳, 60.三氯乙烯, 61. 1,1,2-三氯乙烷, 62.四氯乙烯, 63.氯苯, 64. 1,2-二溴乙烷, 65.三溴甲烷, 66.异丙醇, 67.乙醛, 68.丙烯醛, 69.丙醛, 70.丙酮, 71.乙酸乙酯, 72.二硫化碳 图 8 PMF模型的各排放源对PM2.5和VOCs的贡献率 Fig. 8 Contribution rates of various emission sources to PM2.5 and VOCs as estimated by the PMF model |
因子1为交通污染源, 其特征是Cl-、SO42-和NO3-的相对含量较高, 同时含有一定量的Ca2+、K+、Na+, 符合机动车尾气排放的源谱特征[42, 43].因子2代表生物质燃烧来源, 其特征是K、K+和OC的相对含量较高, 根据对美国科罗拉多州植被燃烧和北京城市气溶胶的研究证明, 生物质燃烧过程产生的颗粒物中含有大量的OC、K和K+等物种[44, 45].因子3可以认为是二次生成影响, NO3-、SO42-和NH4+是该因子的主要组分, 该因子代表着亳州市污染源排放的气态污染物经过光化学反应所形成的二次污染[46].因子4代表扬尘源, 该源中含有大量的地壳成分, 如Ca2+、Mg2+、Fe、Ti和Mn等, 符合土壤尘及扬尘的源谱特征[44, 46].因子5可以认为燃煤来源, 以As、Pb的相对含量较高作为特征.从广州市灰霾期间的研究结果来看, As作为燃煤排放的标志性元素, 在大量燃煤的区域得到了体现[47], 同时在上海的研究发现PM2.5中富Pb颗粒中含有有机或元素碳, 归因于燃煤排放[48].
利用PMF模型解析亳州市2022年10月18~27日期间VOCs的潜在来源, 通过分析比较, 最终确定7种因子, 包括油气挥发源、溶剂使用源、生物质燃烧源、化石燃料燃烧源、居民生活排放源、交通污染源和工业排放源.
因子1被识别为油气挥发源, 在北京的研究发现, 异戊烷、正戊烷、2-甲基戊烷和3-甲基戊烷等物种在液体汽油及其蒸气中含量较大[49], 这与本因子类似.因子2代表溶剂使用源, 特征物种包括丙酮、丙烯醛等含氧化合物和四氯化碳、苯, 这些物种在溶剂使用中排放比较明显[50].因子3中, 乙炔、乙烯、丙烯和1,3-丁二烯的贡献率相对较高, 乙炔是燃烧源的典型特征产物[51, 52], 丙烯为燃煤、秸秆以及薪柴等生物质燃烧的产物[53], 考虑到亳州市当地普遍存在的秸秆焚烧和中药材烘烤等现象, 因此, 该因子被确定为生物质燃烧的来源.因子4作为化石燃料燃烧源, 含有苯系物、高碳链的正构烷烃, 部分卤代烃和含氧烃等, 如：甲苯、乙苯、正辛烷、正葵烷、1,2-二氯乙烷、二氯甲烷、异丙醇和二硫化碳等物种[54].因子5为居民生活排放源, 在泰国曼谷城市区域的研究发现居民生活的排放含有丰富的1,1-二氯乙烯、1,1,1-三氯乙烷和1,2-二溴乙烷[55], 这与本因子相似.因子6中正丁烷、异丁烷、异戊烷和苯系物在汽车尾气中含量最丰富[42]；PMF解析出汽车尾气排放的苯/甲苯比值为0.69, 这与Barletta等[56]在北京道路边采集汽车尾气测得的相关比值（B / T = 0.6）接近, 可以判断该因子为交通污染源.因子7代表工业排放源, 珠三角等研究发现乙酸乙酯和异丙醇是凹版印刷和家具制造过程中排放的主要污染物[57], 与本因子结果一致.
通过对亳州市2022年10月18~27日期间PM2.5和VOCs潜在来源进行分析, 可以发现PM2.5污染的主要来源是二次生成、交通污染源、生物质燃烧源、扬尘源和燃煤源（图 9）.二次生成是主要的贡献因子, 占比为42.8%, 主要是由亳州市各污染源排放的气态污染物经过光化学反应所形成的二次污染.VOCs污染的主要来源是生物质燃烧源、交通污染源、油气挥发源、溶剂使用源、化石燃料燃烧源、居民生活排放源和工业排放源.生物质燃烧源是主要的贡献因子, 占比为24.9%, 其次为交通污染源, 其贡献率为22.8%.PM2.5和VOCs共同来源是生物质燃烧源和交通污染源, 这可能是亳州市PM2.5与O3复合污染管控的重要突破口.
|
（a）和（b）分别表示PM2.5各因子贡献率和VOCs各因子贡献率 图 9 亳州市2022年10月18~27日典型PM2.5-O3复合污染过程中PM2.5和VOCs源解析结果 Fig. 9 Source apportionment results of PM2.5 and VOCs during a typical PM2.5-O3 complex pollution event in Bozhou City from October 18th to 27th, 2022 |
（1）2017~2021年间, 亳州市PM2.5污染明显改善, O3污染整体呈现波动态势, 污染形势相对可控.2022年PM2.5浓度同比有所回升, 仍是近一段时期内大气污染防治的重点.
（2）2017~2022年间, PM2.5与O3复合污染日多发生在春末秋初等季节转换时段高压控制型天气背景下.高温强辐射等气象条件利于O3污染物的生成, 适宜的湿度和较强的大气氧化性促进了气溶胶的生成和吸湿增长, 易导致PM2.5-O3复合污染情况的出现.
（3）PMF来源解析结果显示, 2022年10月18~27日亳州市PM2.5与O3复合污染过程中, PM2.5主要来自二次生成、交通污染源、生物质燃烧源、燃煤源和扬尘源.VOCs来自生物质燃烧源、交通污染源、油气挥发源、溶剂使用源、化石燃料燃烧源、居民生活排放源和工业排放源.生物质燃烧与交通污染的控制对于亳州市PM2.5和O3污染的共同改善可能具有双重效益.
| [1] | 国务院. 国务院关于印发大气污染防治行动计划的通知[R]. 北京: 国务院, 2013. |
| [2] | 国务院. 国务院关于印发打赢蓝天保卫战三年行动计划的通知[R]. 北京: 国务院, 2018. |
| [3] | Chen Z Y, Chen D L, Kwan M P, et al. The control of anthropogenic emissions contributed to 80% of the decrease in PM2.5 concentrations in Beijing from 2013 to 2017[J]. Atmospheric Chemistry and Physics, 2019, 19(21): 13519-13533. DOI:10.5194/acp-19-13519-2019 |
| [4] | Feng Y Y, Ning M, Lei Y, et al. Defending blue sky in China: effectiveness of the "Air Pollution Prevention and Control Action Plan" on air quality improvements from 2013 to 2017[J]. Journal of Environmental Management, 2019, 252. DOI:10.1016/j.jenvman.2019.109603 |
| [5] | Wang T, Xue L K, Brimblecombe P, et al. Ozone pollution in China: a review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2017, 575: 1582-1596. DOI:10.1016/j.scitotenv.2016.10.081 |
| [6] |
邵平, 辛金元, 安俊琳, 等. 长三角工业区夏季近地层臭氧和颗粒物污染相互关系研究[J]. 大气科学, 2017, 41(3): 618-628. Shao P, Xin J Y, An J L, et al. An analysis on the relationship between ground-level ozone and particulate matter in an industrial area in the Yangtze River delta during summer time[J]. Chinese Journal of Atmospheric Sciences, 2017, 41(3): 618-628. |
| [7] | Yuan Y Z, Zhu Y, Lin C J, et al. Impact of commercial cooking on urban PM2.5 and O3 with online data-assisted emission inventory[J]. Science of the Total Environment, 2023, 873. DOI:10.1016/j.scitotenv.2023.162256 |
| [8] | Xu J, Zhang Y H, Zheng S Q, et al. Aerosol effects on ozone concentrations in Beijing: a model sensitivity study[J]. Journal of Environmental Sciences, 2012, 24(4): 645-656. DOI:10.1016/S1001-0742(11)60811-5 |
| [9] | Saathoff H, Naumann K H, Möhler O, et al. Temperature dependence of yields of secondary organic aerosols from the ozonolysis of α-pinene and limonene[J]. Atmospheric Chemistry and Physics, 2009, 9(5): 1551-1577. DOI:10.5194/acp-9-1551-2009 |
| [10] |
姜华, 高健, 李红, 等. 我国大气污染协同防控理论框架初探[J]. 环境科学研究, 2022, 35(3): 601-610. Jiang H, Gao J, Li H, et al. Preliminary research on theoretical framework of cooperative control of air pollution in China[J]. Research of Environmental Sciences, 2022, 35(3): 601-610. |
| [11] |
汪旭颖, 严刚, 雷宇, 等. 苏皖鲁豫交界地区大气污染形势和问题分析[J]. 环境保护, 2020, 48(17): 45-48. Wang X Y, Yan G, Lei Y, et al. The status and problems of air pollution of the border area of Jiangsu, Anhui, Shandong and Henan[J]. Environmental Protection, 2020, 48(17): 45-48. |
| [12] | 周颖. 苏皖鲁豫交界区域空气质量状况及气象因子对其影响的研究[D]. 南京: 南京信息工程大学, 2023. |
| [13] |
程先富, 周志凌, 蔡菁菁. 基于模式模拟的苏皖鲁豫交界区典型月份PM2.5来源解析[J]. 环境科学学报, 2023, 43(2): 365-375. Cheng X F, Zhou Z L, Cai J J. Source analysis of PM2.5 in typical months in the border area of Jiangsu, Anhui, Shandong and Henan based on model simulation[J]. Acta Scientiae Circumstantiae, 2023, 43(2): 365-375. |
| [14] | Wei N N, Zhao W X, Yao Y C, et al. Peroxy radical chemistry during ozone photochemical pollution season at a suburban site in the boundary of Jiangsu⁃Anhui⁃Shandong⁃Henan region, China[J]. Science of the Total Environment, 2023, 904. DOI:10.1016/j.scitotenv.2023.166355 |
| [15] |
陈伟, 徐学哲, 刘文清. 2017~2021年苏皖鲁豫交界区域PM2.5和O3时空变化特征及影响因素[J]. 环境科学, 2024, 45(4): 1950-1962. Chen W, Xu X Z, Liu W Q. Spatial-temporal characteristics and influencing factors of PM2.5 and Ozone in the border area of Jiangsu, Anhui, Shangdong, and Henan for years from 2017 to 2021[J]. Environmental Science, 2024, 45(4): 1950-1962. |
| [16] |
张淼, 丁椿, 孟赫, 等. 山东省环境空气中PM2.5与O3的复合污染特征与时空变化趋势[J]. 环境科学研究, 2023, 36(2): 246-259. Zhang M, Ding C, Meng H, et al. Characteristics and spatiotemporal variation of PM2.5 and O3 in Shandong Province[J]. Research of Environmental Sciences, 2023, 36(2): 246-259. |
| [17] |
孙丹, 司尧迪, 韩周洋. 利用SPAMS对苏皖鲁豫交界城市秋冬季污染期间PM2.5来源的解析研究[J]. 当代化工研究, 2021(23): 86-88. Sun D, Si Y D, Han Z Y. Analysis of PM2.5 sources during autumn and winter pollution in Jiangsu, Anhui, Shandong and He'nan border cities by using SPAMS[J]. Modern Chemical Research, 2021(23): 86-88. DOI:10.3969/j.issn.1672-8114.2021.23.029 |
| [18] |
秦志勇, 张红, 汪水兵, 等. 苏皖鲁豫典型城市过氧乙酰硝酸酯(PAN)污染特征分析[J]. 环境化学, 2024, 43(5): 1-9. Qin Z Y, Zhang H, Wang S B, et al. Analysis of photochemical pollution potential characteristics based on PAN observation in the border area of Jiangsu, Anhui, Shandong and Henan[J]. Environmental Chemistry, 2024, 43(5): 1-9. |
| [19] |
秦人洁, 张洁琼, 王雅倩, 等. 基于KZ滤波法的河北省PM2.5和O3浓度不同时间尺度分析研究[J]. 环境科学学报, 2019, 39(3): 821-831. Qin R J, Zhang J Q, Wang Y Q, et al. Study on different time scales of PM2.5 and O3 concentrations in Hebei Province based on KZ filter[J]. Acta Scientiae Circumstantiae, 2019, 39(3): 821-831. |
| [20] |
贾智海, 顾瑶, 孔翠丽, 等. 青岛市臭氧污染与非污染期间VOCs化学特征及来源解析[J]. 环境科学, 2023, 44(4): 1962-1973. Jia Z H, Gu Y, Kong C L, et al. Chemical characteristics and source apportionment for VOCs during the ozone pollution episodes and non-ozone pollution periods in Qingdao[J]. Environmental Science, 2023, 44(4): 1962-1973. |
| [21] | Huth R. An intercomparison of computer-assisted circulation classification methods[J]. International Journal of Climatology, 1996, 16(8): 893-922. DOI:10.1002/(SICI)1097-0088(199608)16:8<893::AID-JOC51>3.0.CO;2-Q |
| [22] |
张晓勇, 张裕芬, 冯银厂, 等. 天气类型对天津大气PM10污染的影响分析[J]. 环境科学研究, 2010, 23(9): 1115-1121. Zhang X Y, Zhang Y F, Feng Y C, et al. Influence of synoptic patterns on the concentrations of PM10 in Tianjin[J]. Research of Environmental Sciences, 2010, 23(9): 1115-1121. |
| [23] | Liu P F, Zhao C S, Göbel T, et al. Hygroscopic properties of aerosol particles at high relative humidity and their diurnal variations in the north China plain[J]. Atmospheric Chemistry and Physics, 2011, 11(7): 3479-3494. DOI:10.5194/acp-11-3479-2011 |
| [24] | Dai H B, Liao H, Li K, et al. Composited analyses of the chemical and physical characteristics of co-polluted days by ozone and PM2.5 over 2013-2020 in the Beijing–Tianjin–Hebei region[J]. Atmospheric Chemistry and Physics, 2023, 23(1): 23-39. DOI:10.5194/acp-23-23-2023 |
| [25] | Luo Y H, Zhao T L, Yang Y J, et al. Seasonal changes in the recent decline of combined high PM2.5 and O3 pollution and associated chemical and meteorological drivers in the Beijing–Tianjin–Hebei region, China[J]. Science of the Total Environment, 2022, 838. DOI:10.1016/j.scitotenv.2022.156312 |
| [26] |
胡铮琪, 李春波, 单化理. 亳州市空气质量影响因素分析[J]. 中国资源综合利用, 2022, 40(1): 149-151. Hu Z Q, Li C B, Shan H L. Analysis on influencing factors of air quality in Bozhou City[J]. China Resources Comprehensive Utilization, 2022, 40(1): 149-151. DOI:10.3969/j.issn.1008-9500.2022.01.043 |
| [27] |
单化理. 近期亳州市大气污染现状及对策[J]. 环境与发展, 2016, 28(2): 72-75. Shan H L. Current situation and countermeasures of air pollution in Bozhou city in the near future[J]. Inner Mongolia Environmental Sciences, 2016, 28(2): 72-75. |
| [28] | Li J W, Han Z W, Zhang R J. Influence of aerosol hygroscopic growth parameterization on aerosol optical depth and direct radiative forcing over East Asia[J]. Atmospheric Research, 2014, 140-141: 14-27. DOI:10.1016/j.atmosres.2014.01.013 |
| [29] | Zhu J, Chen L, Liao H, et al. Correlations between PM2.5 and ozone over China and associated underlying reasons[J]. Atmosphere, 2019, 10(7). DOI:10.3390/atmos10070352 |
| [30] |
吴梦曦, 成春雷, 黄渤, 等. 不同浓度臭氧对单颗粒气溶胶化学组成的影响[J]. 环境科学, 2020, 41(5): 2006-2016. Wu M X, Cheng C L, Huang B, et al. Impact of differents in the concentrations of ozone on the chemical composition of single particles[J]. Environmental Science, 2020, 41(5): 2006-2016. |
| [31] |
朱彤, 尚静, 赵德峰. 大气复合污染及灰霾形成中非均相化学过程的作用[J]. 中国科学: 化学, 2011, 54(12): 1731-1740. Zhu T, Shang J, Zhao D F. The roles of heterogeneous chemical processes in the formation of an air pollution complex and gray haze[J]. Science China Chemistry, 2011, 54(1): 145-153. |
| [32] |
付卫康, 赵天良, 燕莹莹, 等. 近年山东德州PM2.5和O3相互作用的季节变化及其机理分析[J]. 环境科学学报, 2023, 43(8): 248-256. Fu W K, Zhao T L, Yan Y Y, et al. Analysis on seasonal changes with the mechanisms of interaction between PM2.5 and O3 in Dezhou, Shandong Province over recent years[J]. Acta Scientiae Circumstantiae, 2023, 43(8): 248-256. |
| [33] |
孙金金, 黄琳, 龚康佳, 等. 2014—2019年北京和南京地区PM2.5和臭氧质量浓度相关性研究[J]. 南京信息工程大学学报(自然科学版), 2020, 12(6): 656-664. Sun J J, Huang L, Gong K J, et al. Correlation between surface PM2.5 and ozone during 2014-2019 in Beijing and Nanjing[J]. Journal of Nanjing University of Information Science & Technology (Natural Science Edition), 2020, 12(6): 656-664. |
| [34] |
李红, 彭良, 毕方, 等. 我国PM2.5与臭氧污染协同控制策略研究[J]. 环境科学研究, 2019, 32(10): 1763-1778. Li H, Peng L, Bi F, et al. Strategy of coordinated control of PM2.5 and ozone in China[J]. Research of Environmental Sciences, 2019, 32(10): 1763-1778. |
| [35] |
周婕萍, 袁斌, 彭钰雯, 等. 珠三角冬季臭氧污染成因分析——以2020年1月一次污染过程为例[J]. 中国环境科学, 2023, 43(5): 2198-2209. Zhou J P, Yuan B, Peng Y W, et al. Causes of ozone pollution in the Pearl River Delta in Winter - a case study of pollution process in January 2020[J]. China Environmental Science, 2023, 43(5): 2198-2209. DOI:10.3969/j.issn.1000-6923.2023.05.011 |
| [36] | Clarke A D, Davis D, Kapustin V N, et al. Particle nucleation in the tropical boundary layer and its coupling to marine sulfur sources[J]. Science, 1998, 282(5386): 89-92. DOI:10.1126/science.282.5386.89 |
| [37] | Perry K D, Hobbs P V. Further evidence for particle nucleation in clear air adjacent to marine cumulus clouds[J]. Journal of Geophysical Research: Atmospheres, 1994, 99(D11): 22803-22818. DOI:10.1029/94JD01926 |
| [38] | Miao Y C, Guo J P, Liu S H, et al. Classification of summertime synoptic patterns in Beijing and their associations with boundary layer structure affecting aerosol pollution[J]. Atmospheric Chemistry and Physics, 2017, 17(4): 3097-3110. DOI:10.5194/acp-17-3097-2017 |
| [39] |
毛卓成, 许建明, 杨丹丹, 等. 上海地区PM2.5-O3复合污染特征及气象成因分析[J]. 中国环境科学, 2019, 39(7): 2730-2738. Mao Z C, Xu J M, Yang D D, et al. Analysis of characteristics and meteorological causes of PM2.5-O3 compound pollution in Shanghai[J]. China Environmental Science, 2019, 39(7): 2730-2738. DOI:10.3969/j.issn.1000-6923.2019.07.005 |
| [40] | Zhang Z, Zhang X, Gong D, et al. Possible influence of atmospheric circulations on winter haze pollution in the Beijing–Tianjin–Hebei region, northern China[J]. Atmospheric Chemistry and Physics, 2016, 16(2): 561-571. DOI:10.5194/acp-16-561-2016 |
| [41] |
肖致美, 李源, 孔君, 等. 天津市PM2.5-O3复合污染特征及气象影响分析[J]. 环境科学, 2022, 43(6): 2928-2936. Xiao Z M, Li Y, Kong J, et al. Characteristics and meteorological factors of PM2.5-O3 compound pollution in Tianjin[J]. Environmental Science, 2022, 43(6): 2928-2936. |
| [42] |
胡志远, 王卓, 谭丕强, 等. 公交车燃用生物柴油的颗粒物水溶性离子排放[J]. 中国环境科学, 2021, 41(2): 606-613. Hu Z Y, Wang Z, Tan P Q, et al. Emission characteristics of water soluble ions in particles from a diesel bus fueled with biodiesel blends[J]. China Environmental Science, 2021, 41(2): 606-613. DOI:10.3969/j.issn.1000-6923.2021.02.013 |
| [43] |
张胜华, 黄伊宁, 毛文文, 等. 上海大气颗粒物中无机离子的粒径分布及其季节变化[J]. 环境科学学报, 2019, 39(1): 72-79. Zhang S H, Huang Y N, Mao W W, et al. Seasonal variations of the size distributions of inorganic ions in the atmospheric particles in Shanghai[J]. Acta Scientiae Circumstantiae, 2019, 39(1): 72-79. |
| [44] | Watson J G, Chow J C, Houck J E. PM2.5 chemical source profiles for vehicle exhaust, vegetative burning, geological material, and coal burning in Northwestern Colorado during 1995[J]. Chemosphere, 2001, 43(8): 1141-1151. DOI:10.1016/S0045-6535(00)00171-5 |
| [45] | Duan F K, Liu X D, Yu T, et al. Identification and estimate of biomass burning contribution to the urban aerosol organic carbon concentrations in Beijing[J]. Atmospheric Environment, 2004, 38(9): 1275-1282. DOI:10.1016/j.atmosenv.2003.11.037 |
| [46] |
张智胜, 陶俊, 谢绍东, 等. 成都城区PM2.5季节污染特征及来源解析[J]. 环境科学学报, 2013, 33(11): 2947-2952. Zhang Z S, Tao J, Xie S D, et al. Seasonal variations and source apportionment of PM2.5 at urban area of Chengdu[J]. Acta Scientiae Circumstantiae, 2013, 33(11): 2947-2952. |
| [47] |
赵金平, 谭吉华, 毕新慧, 等. 广州市灰霾期间大气颗粒物中无机元素的质量浓度[J]. 环境化学, 2008, 27(3): 322-326. Zhao J P, Tan J H, Bi X H, et al. The mass concentrations of inorganic elements in atmospheric particles during haze period in Guangzhou[J]. Environmental Chemistry, 2008, 27(3): 322-326. DOI:10.3321/j.issn:0254-6108.2008.03.010 |
| [48] | Zhang Y P, Wang X F, Chen H, et al. Source apportionment of lead-containing aerosol particles in Shanghai using single particle mass spectrometry[J]. Chemosphere, 2009, 74(4): 501-507. DOI:10.1016/j.chemosphere.2008.10.004 |
| [49] |
张俊刚, 王跃思, 王珊, 等. 北京市大气中NMHC的来源特征研究[J]. 环境科学与技术, 2009, 32(5): 35-39. Zhang J G, Wang Y S, Wang S, et al. Source apportionment of non-methane hydrocarbon in Beijing using positive matrix factorization[J]. Environmental Science & Technology, 2009, 32(5): 35-39. DOI:10.3969/j.issn.1003-6504.2009.05.009 |
| [50] | Dumanoglu Y, Kara M, Altiok H, et al. Spatial and seasonal variation and source apportionment of volatile organic compounds (VOCs) in a heavily industrialized region[J]. Atmospheric Environment, 2014, 98: 168-178. DOI:10.1016/j.atmosenv.2014.08.048 |
| [51] |
熊振华, 钱枫, 苏荣荣. 大气中VOCs分布特征和来源的研究进展[J]. 环境科学与技术, 2013, 36(S2): 222-228. Xiong Z H, Qian F, Su R R. Progress on distribution characteristics and sources of volatile organic compounds in atmosphere[J]. Environmental Science & Technology, 2013, 36(S2): 222-228. |
| [52] | de Gouw J A, Cooper O R, Warneke C, et al. Chemical composition of air masses transported from Asia to the U.S. West Coast during ITCT 2K2: fossil fuel combustion versus biomass-burning signatures[J]. Journal of Geophysical Research: Atmospheres, 2004, 109(D23). DOI:10.1029/2003JD004202 |
| [53] |
刘泽常, 李娜, 侯鲁健, 等. 济南市环境空气VOCs污染特征及来源识别[J]. 中国环境监测, 2014, 30(6): 83-88. Liu Z C, Li N, Hou L J, et al. Pollution characteristics and source identification of VOCs in ambient air of Ji'nan[J]. Environmental Monitoring in China, 2014, 30(6): 83-88. DOI:10.3969/j.issn.1002-6002.2014.06.014 |
| [54] |
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. DOI:10.3969/j.issn.1003-6504.2011.10.017 |
| [55] | Saeaw N, Thepanondh S. Source apportionment analysis of airborne VOCs using positive matrix factorization in industrial and urban areas in Thailand[J]. Atmospheric Pollution Research, 2015, 6(4): 644-650. DOI:10.5094/APR.2015.073 |
| [56] | Barletta B, Meinardi S, Rowland F S, et al. Volatile organic compounds in 43 Chinese cities[J]. Atmospheric Environment, 2005, 39(32): 5979-5990. DOI:10.1016/j.atmosenv.2005.06.029 |
| [57] |
区家敏. 珠江三角洲VOCs排放来源识别、验证与基于反应活性的控制对策研究[D]. 广州: 华南理工大学, 2014. Ou J M. Characterization and validation of Volatile Organic Compounds (VOCs) emission sources and reactivity-based control strategy in the Pearl River Delta region[D]. Guangzhou: South China University of Technology, 2014. |