-
大气细颗粒物 (PM2.5)是影响我国大多数城市空气质量的主要污染物[1-2]。碳质气溶胶是PM2.5的重要组成部分,主要组分包括有机碳(OC)和元素碳(EC),约占PM2.5质量的20%—70%[3-5]。OC来源复杂,除污染源(如机动车、化石燃料、生物质燃烧等)直接排放的一次有机碳(POC)外,还有来自光化学反应生成的二次有机碳(SOC)[6];EC主要来自化石燃料和生物质的不完全燃烧[7]。研究表明,碳质气溶胶对能见度、空气质量和区域气候都有很大影响[8-9]。因此,研究碳质气溶胶的污染特征及来源对有效控制碳质颗粒物至关重要。
近年来,研究学者对PM2.5中OC、EC进行了大量研究,探讨了含碳质组分的浓度水平、季节分布以及污染来源等特征。如张婷婷等[10]对北京市城区碳质组分分析发现,OC在PM2.5中所占比例(13%)大于EC(5%),二者季节变化特征均为冬季最高,夏季最低。程渊等[11]发现SOC为天津市夏季和冬季碳质组分中重要组成部分,在OC中占比分别为34%和27%。张懿华等[12]对上海城区碳质组分进行分析,发现燃煤源、机动车排放、扬尘源和生物质燃烧源是OC、EC的主要来源。董贵明等[13]使用潜在源贡献因子法分析发现,西南部的山西省和河南省部分地区是北京市大气PM2.5中OC的主要潜在源区,南部的山东省和河南省部分地区是EC的主要潜在源区。目前,对碳质气溶胶的研究主要集中在京津冀、长三角、珠三角及关中地区等城市[11,14-15],为颗粒物中碳质气溶胶污染防治提供了重要的研究基础。
阳泉市位于山西省东部,是京津冀大气污染传输通道“2+26”城市之一。电力、煤炭、水泥、有色金属冶炼及加工等是阳泉市主导产业,经济结构整体偏重,再加上近些年机动车保有量逐年上升,导致阳泉市大气颗粒物污染问题日益突出,阳泉市2018年全年污染天数120 d,占比达33.0%,PM2.5浓度为59 μg·m−3是国家Ⅱ类标准限值[16](35 μg·m−3) 的1.7倍.已有的研究包括利用空气质量模式对阳泉市重污染过程中PM2.5的来源进行分析,利用受体模型对阳泉市秋冬季PM2.5化学组分及来源分析等[17-18],但鲜有文献对阳泉市不同季节PM2.5中碳质气溶胶进行研究。
本研究以阳泉市城区为研究对象,对2018年7月—2019年4月PM2.5样品中OC和EC组分含量进行分析,使用最小相关系数法(MRS)估算了SOC的浓度,并利用比值分析、相关性分析及潜在源贡献因子分析(PSCF)研究了PM2.5中碳质气溶胶的来源,以期为阳泉市颗粒物污染防治提供方向。
-
阳泉市是典型的山地型城市(“两山夹一谷”),属暖温带半干旱大陆性季风气候。本研究采样点(113.61°E,37.85°N)位于阳泉市文化宫3层楼顶平台,距地面约11 m,为教育、住宅、商业混合区,附近无明显排放源(图1).
PM2.5样品采集时间为2018年7月2日至2018年7月31日、2018年10月15日至11月30日和2019年3月1日至2019年3月31日,分别代表夏季、秋冬季和春季,样本数分别为26、46和26。采样期间每天10:00至次日09:00使用多通道采样器(TH-16A,武汉天虹仪表有限公司)采集PM2.5样品,采样器流量为16.7 L·min−1。选择直径为47 mm的石英滤膜进行PM2.5的采集,并用于分析碳质组分。
气象参数(风速、湿度和温度)和气态污染物(SO2、NO2、CO和O3-8H)来自中国环境监测总站的“全国城市空气质量实时发布平台”[19]。
-
使用美国Sunset实验室研发的Model 5L OC/EC热光碳分析仪对样品中的OC、EC进行分析测定,主要分析原理是IMPROVE热光反射法[20],即使用程序升温,分2个阶段:第1阶段为纯氦环境下升温,分别在140、280、480、580 ℃条件下得到OC1、OC2、OC3、OC4这4种亚组分,第2阶段为在有氧环境(2%氧+98%氦)下升温,分别在580、740、840 ℃条件下得到EC1、EC2、EC3的3种亚组分。升温全程采用633 nm激光照射样品,测定有机碳碳化形成的裂解碳(OPC),最终定义:
-
石英滤膜在使用前先在450 ℃下燃烧4 h,除去滤膜中残留碳及其他杂质。采样前后滤膜置于恒温恒湿箱(温度22 ℃、相对湿度40%)内平衡24 h后,在电子天平室进行称重(检测限是1 μg),最后将滤膜用铝箔纸包好保存在−20 ℃的冰箱。采样期间,定期对相关配件和耗材进行更换,以及对采样器进行校准;每批次样品分析时,采用CH4/He 标准气体对仪器进行校正,相对标准偏差不超过5%,每次10%样品进行重复分析。
-
通过计算污染轨迹与所有轨迹在途径区域中的停留时间之比来解析每个网格对受点区域污染的贡献。将所选研究区域划分为i×j个网格,mij为经过这些网格的污染轨迹数,nij为所有轨迹数量,本研究设定的污染阈值为各季节各污染物70%分位数浓度水平,PSCF计算公式为:
由于PSCF是一种条件概率函数,当nij较小时,会增加结果的不确定性。为降低这种误差,引入权重函数Wij,即WPSCF=Wij×PSCF。当某个网格中的nij小于研究区域内每个网格平均轨迹数的3倍时,需要引入Wij来降低PSCF的不确定性。WPSCF值越大,表明此区域对受点的质量浓度贡献越大。
-
如表1所示,采样期间阳泉市ρ(PM2.5)为(69.4±26.6) μg·m−3 (19.5—252.5 μg·m−3),是GB3095—2012 Ⅱ类标准年均限值[16](35 μg·m−3)的2.0倍,是世界卫生组织(WHO)环境空气指导值[21](10 μg·m−3)的6.9倍,表明阳泉市细颗粒物污染较为严重。采样期间ρ(PM2.5)的季节变化明显,主要表现为春季((81.8±28.4)μg·m−3) >秋冬季((74.0±28.6)μg·m−3) >夏季((48.6±11.7)μg·m−3)。分析发现ρ(PM2.5)的季节变化主要是受到污染源和气象因素的双重影响。秋冬季与春季观测期间PM2.5浓度因受采暖期(2018年11月1至2019年3月31日)燃煤及生物质燃烧的影响而高于夏季PM2.5浓度。春季低湿度(47%,显著低于其他季节)和高风速(1.4 m·s−1,显著高于其他季节)使颗粒物再次悬浮,导致春季ρ(PM2.5)高于秋冬季(表1)。夏季ρ(PM2.5)最低是由于空气对流增强以及降雨较其他季节多。
总碳气溶胶(TCA)指气溶胶中的含碳组分,可反映区域碳质气溶胶的污染严重程度[22],通常计算方法为有机物(OM=1.6×OC)和EC的质量浓度之和[23],即TCA=OM+EC。采样期间TCA浓度为16.4 μg·m−3,在PM2.5中的占比为23.6%,高于太原[15](20%)和广州[14](22%),低于北京[13](25%)、天津[11](27%)、武汉[24](27%)、菏泽[25](25%)等城市(表2)。说明阳泉市碳质气溶胶污染处于中等水平。
采样期间OC、EC的平均浓度分别为(8.0±2.8) μg·m−3和(3.6±1.5) μg·m−3,均呈秋冬季((9.8±2.9)μg·m−3、(4.6±1.7) μg·m−3)>春季((7.9±1.9)μg·m−3、(3.5±1.1) μg·m−3)>夏季((5.1±1.0)μg·m−3、(2.0±0.4 μg·m−3),季节性变化趋势与ρ(PM2.5)不同。春季和夏季OC、EC在PM2.5中的占比均明显低于秋冬季(表1)。分析发现,虽然秋冬季与春季均受到燃煤源的影响,但春季碳含量相对较低的扬尘、矿物质等组分对ρ(PM2.5)的贡献高于冬季[17],最终导致出现春季ρ(PM2.5)高于秋冬季,而秋冬季OC、EC浓度及其在PM2.5中占比却高于春季的现象. EC在PM2.5中占比与其浓度的季节变化一致,即秋冬季(6.2%)>春季(4.3%)>夏季(4.1%)(表1),这一结果与纪尚平等[26]2015和2017年在邯郸市的研究结果一致。
-
目前技术还难以直接区分气溶胶中一次有机物(POC)和SOC[27]。最常用的SOC计算方法是EC示踪法,计算公式[23]为:
式中,SOC为估算的二次有机碳质量浓度,µg·m−3;(OC/EC)pri为一次排放到大气中的OC/EC比值.
EC示踪法的关键是确定(OC/EC)pri的值,本研究使用最小相关系数法(MRS,Minimum R Squired)来确定(OC/EC)pri比率[28]。MRS通过计算一组假设的(OC/EC)pri和SOC值得到(OC/EC)pri,产生最小R2 (SOC,EC)的(OC/EC)pri即为实际的(OC/EC)pri比率[29]。结果显示春季、夏季和秋冬季(OC/EC)pri的值分别为1.37,1.53和1.39 (图2)。
如表3所示,采样期间SOC的平均浓度为(3.0±1.4) µg·m−3,在OC中占比达到38%,说明SOC是阳泉市PM2.5中OC的重要组成部分. SOC浓度季节变化趋势为秋冬季((3.4±1.6) µg·m−3)>春季((3.2±1.4)µg·m−3)>夏季((2.0±0.7)µg·m−3),SOC浓度的季节变化趋势与OC、EC浓度季节变化特征一致,但与SOC/OC的季节变化不同,春季和夏季的SOC/OC值均为40%,均高于秋冬季(35%)。春季SOC/OC值较高,是由于阳泉春季的风速较大且湿度较低,同时城市周边存在大量裸露的山地,极容易发生扬尘天气,扬尘的碱性特征有利于酸性气体的吸附和异相反应,发生了扬尘和有机物耦合反应,促进了二次有机物的转化[30-32]。相比于其他季节,夏季气温较高 (26 ℃),湿度大 (88%),有利于挥发性、半挥发性有机物等前体物的光化学反应生成 SOC[33]。秋冬季SOC/OC值较低,与秋冬季温度低导致SOC前体物的转化率下降有关[9]。
-
不同污染源排放的碳质气溶胶中OC/EC比值不同,因此可以采用OC/EC来定性确定碳质气溶胶的来源。典型污染源包括燃煤(OC/EC=2.5—10.5)[34]、机动车尾气(OC/EC=1.0—4.2)[35]和生物质燃烧(OC/EC=16.8—40.0)[36]。阳泉市采样期间OC/EC在1.4—4.8之间,春季、夏季和秋冬季OC/EC分别为2.5、2.6和2.3,说明采样期间各季节PM2.5中碳质气溶胶的主要来源可能是燃煤源和机动车尾气。
有研究表明,通过OC和EC之间的相关性,可以初步判断二者是否都具有同源性[29]。若OC和EC的相关性较好,说明二者具有相似的来源,反之,说明二者可能来源差异较大或具有二次污染[23,37]. OC与EC在夏季、春季和秋冬季均呈弱相关(图3),R2分别为0.54,0.43和0.61,这表明阳泉市的碳质气溶胶来源较为复杂,受到多种排放源和大气化学转化过程的影响。
-
研究表明[38-39],城市环境大气中SO2主要来源于燃煤排放,而CO和NO2主要来源于机动车尾气排放,O3和SOC主要是由光化学反应产生。因此,通过分析碳质组分与气态污染物之间的相关性,可定性地判断碳质组分的形成和来源。从全年来看,OC和EC与气态污染物SO2、NO2和CO均呈显著正相关,说明阳泉市碳质气溶胶可能受到机动车尾气和燃煤源的影响(表4)。从季节变化来看,夏季、秋冬季和春季PM2.5中OC和EC与SO2、NO2和CO均呈显著正相关,表明燃煤源和机动车尾气对各季节碳质组分的影响都比较大。夏季和春季OC和SOC与O3均呈正相关,尤其是夏季(0.731和0.657,P<0.01),而秋冬季OC和SOC与O3呈负相关(表4)。夏季和春季的日均O3浓度(111 µg·m−3和62 µg·m−3)明显高于秋冬季(33 µg·m−3),说明夏季和春季大气氧化作用强,加快污染物光化学反应的进行,促进SOC和O3的形成,而秋冬季由于光照时间短,大气氧化能力弱,污染天气频发,能见度下降,不利于光化学反应的进行,这与前文对SOC的研究结果一致,即秋冬季OC中SOC的占比低于春季和夏季。
-
源谱研究[10,40-41]发现,不同污染源源排放的碳质亚组分组成都有一定的差异,可以分析碳质气溶胶的来源[15]。其中,OC1主要是生物质燃烧排放的碳质组分,OC2是燃煤排放的标识组分,OC3和OC4是道路扬尘中丰富的碳质组分,EC1在汽油车尾气中的含量较高,EC2和EC3在柴油车尾气中的含量较高.如图4为不同季节8种碳亚组分的浓度,与OC、EC的季节变化规律一致,均呈秋冬季>春季>夏季。同时,各季节碳质组分浓度排序基本一致,均呈现EC2、OPC、EC1和OC2浓度最高,OC3和OC4居中,OC1和EC1最小的趋势。各季节EC2、EC1和OC2等亚组分的浓度之和在总碳(TC)中的占比在春季、夏季和秋冬季分别达到76%、79%和77%,表明阳泉市各季节碳质气溶胶主要来源于机动车尾气和燃煤源,这与OC/EC比值法以及碳质气溶胶与气态污染物相关性分析的污染来源一致。此外,各季节OC3、OC4浓度在TC中占比均超过15%,说明扬尘源对阳泉市碳质气溶胶的贡献也不容忽视。春季和秋冬季OC3、OC4浓度之和在TC中占比分别为20%和18%,明显高于夏季(15%),说明春季和秋冬季扬尘源对碳质气溶胶的贡献高于夏季。
-
采样期间碳质组分PSCF分析结果如图5所示。整体来看,碳质组分除受到本地排放的影响之外,秋冬季和春季OC受到周边区域的影响较大,EC受到远距离传输的影响较大,而夏季OC、EC均受到近距离的影响。
夏季OC、EC的潜在源区分布在阳泉市南部和东部方向的区域范围内,WPSCF 值均处于较低水平,该区域传输影响较弱。春季OC、EC的潜在源区主要分布在阳泉市西部和南部方向的区域内,同时EC也受到阳泉市西北方向的内蒙古和蒙古国部分地区的远距离传输的影响。春季OC、EC的WPSCF高值(>0.6)[42-43]主要出现在阳泉市西部方向的山西省中部地区和南部方向的山西省东南部地区。山西省中部和东南部都是重要的煤炭生产和使用地区,其排放的污染物对于阳泉市碳质气溶胶的影响较大。秋冬季OC、EC的潜在源区在阳泉市各方向上均有分布,在西北和东南方向分别最远延伸至内蒙古西部和河南省的东部地区。相比于EC,秋冬季OC受到本地以及周边区域的影响明显增加,WPSCF高值(>0.6)分布较为集中,分布在山西省以及河南省和河北省的部分地区,形成了一个WPSCF高值带。
-
(1) 采样期间ρ(PM2.5)为(69.4±26.6) μg·m−3,其中春季ρ(PM2.5)为(81.8±28.4) μg·m−3,高于夏季和秋冬季(48.6±11.7)μg·m−3和(74.0±28.6) μg·m−3。OC、EC的浓度分别为(8.0±2.8)μg·m−3和(3.6±1.5) μg·m−3,季节性变化趋势均呈秋冬季>春季>夏季。
(2) PM2.5中SOC的平均浓度为(3.0±1.4) µg·m−3,在OC中为38%,在春季和夏季的占比(40%)高于秋冬季(35%)。OC、EC与气态污染物SO2、NO2和CO均显著相关,表明燃煤源和机动车尾气对碳质组分的影响较大。
(3) 各季节碳质亚组分分析显示PM2.5中碳质气溶胶主要来源于机动车尾气、燃煤源和扬尘源,其中扬尘对春季和秋冬季碳质气溶胶的贡献高于夏季。
(4) PSCF分析表明,碳质组分除受到本地排放的影响之外,秋冬季和春季的OC受到周边区域的影响较大,EC受到远距离传输的影响较大,而夏季OC、EC均受到近距离的影响。
阳泉市PM2.5中碳质气溶胶污染特征及来源分析
Pollution characteristics and sources analysis of carbonaceous aerosols in PM2.5 in Yangquan
-
摘要: 采集了阳泉市城区2018年7月—2019年3月PM2.5样品,分析了样品中有机碳(OC)和元素碳(EC)组分含量,使用最小相关系数法估算了二次有机碳(SOC)的浓度,并利用比值分析、相关性分析及潜在源贡献因子等方法研究了PM2.5中碳质气溶胶的来源。结果表明,采样期间ρ(PM2.5)为(69.4±26.6) μg·m−3,其中春季ρ(PM2.5)为(81.8±28.4) μg·m−3,高于夏季和秋冬季(48.6±11.7) μg·m−3和(74.0±28.6) μg·m−3。OC、EC的浓度分别为(8.0±2.8)、(3.6±1.5) μg·m−3,均呈秋冬季>春季>夏季的季节变化趋势. PM2.5中SOC的平均浓度为(3.0±1.4) µg·m−3,在OC中为38%,在春季和夏季的占比(40%)高于秋冬季(35%)。OC、EC与气态污染物SO2、NO2和CO均显著相关,表明燃煤源和机动车尾气对碳质组分的影响较大。各季节碳质亚组分分析显示PM2.5中碳质气溶胶主要来源于机动车尾气、燃煤源和扬尘源,其中扬尘对春季和秋冬季碳质气溶胶的贡献高于夏季。对潜在源区分析表明,碳质组分受到本地和近距离区域排放影响较大,秋冬季和春季的EC也受到远距离传输的较大影响。Abstract: PM2.5 samples were collected from July 2018 to March 2019 in the urban area of Yangquan, and the carbon component of organic carbon (OC) and elemental carbon (EC) in the PM2.5 samples were analyzed. The concentration of secondary organic carbon (SOC) was estimated by the minimum phase relation number method (MRS), and sources of carbonaceous aerosols in PM2.5 were conducted by ratio analysis, correlation analysis and potential source contribution factor analysis (PSCF). The results showed that the PM2.5 concentration during the sampling period was (69.4±26.6) μg·m−3, while the concentration of (81.8±28.4) μg·m−3 in the spring was higher than that in the summer ((48.6±11.7)μg·m−3) and autumn-winter ((74.0±28.6)μg·m−3). The concentrations of OC and EC were (8.0±2.8)μg·m−3 and (3.6±1.5) μg·m−3, respectively, with a seasonal trend of autumn-winter>spring>summer. The average SOC concentration was (3.0±1.4) μg·m−3, which accounted for 38% of OC. The proportions of SOC in OC were higher in the spring (40%) and summer (40%) than in the autumn-winter (35%). OC and EC were significantly correlated with gaseous pollutants of SO2, NO2, and CO, which indicated that coal combustion and vehicle emissions had a great influence on carbonaceous aerosols. The analysis of carbon subcomponents in each season showed that the main sources of carbonaceous aerosols in PM2.5 were vehicle emissions, coal combustion and dust, and the contribution of dust in the spring and autumn-winter was higher than that in the summer. Potential source contribution function (PSCF) analysis showed that the carbon components were strongly influenced by local and nearby area emissions, while the EC was also significantly affected by long-range transport in the spring and autumn-winter.
-
多环芳烃(polycyclic aromatic hydrocarbons, PAHs)是一类环境中广泛存在的有机污染物,主要来自于人为源,如石油泄漏、汽车排放、化石燃料和生物质燃烧、工业过程以及化学制造,也有部分来自火山活动、森林火灾和成岩作用等自然源[1-2]. 这类污染物因其分布广、生物累积性和对人类的潜在生态风险[3]而受到广泛关注. 16种PAHs被美国环境保护署(USEPA)列为优先控制的污染物[4]. 其中,含有2—3个苯环的低分子量PAHs被认为是非致癌物,而含有4—6个环的7个高分子量PAHs被列为致癌物[5]. PAHs一旦释放到环境中,能够通过水和空气进行长距离的迁移,扩散到全球范围的土壤[6-7]、沉积物[8-9]、水[10]和大气[11-12]中. PAHs不易降解,容易被土壤颗粒吸附[13-14],因此土壤埋藏了环境中90%以上的PAHs,是一个重要的汇[15].
尽管存在一些自然来源,造成全球范围内PAHs污染的主要原因仍是与城市化密切相关的人为排放[16]. 许多发展中国家,尤其是中国,正处于城市化兴起与快速发展的过渡时期. 由于大规模的城市化和工业化,我国城市地区大量人口密集,随之出现工业活动加剧、汽车使用激增等现象,从而导致大量PAHs通过大气沉降进入城市土壤[17-18]. 此外,PAHs在城市土壤中的分布主要归因于其释放源的类型和位置[19-20]. 因此,加剧的人类活动可能会改变城市土壤环境中PAHs的组成和分布. 基于不同PAH毒性的差异性,组成的改变也可能会引起暴露人群健康风险的变化. 然而,这个问题迄今为止较少引起关注[21].
研究表明,城市化可能是影响城市土壤中PAHs环境行为的关键因素. Wang等[22]通过分析土壤PAHs浓度、城市化指标以及土壤理化性质之间的相关性,提出人口密度是影响南京城市土壤PAHs含量的关键因素之一. Cao等[21]基于苏南一个快速发展的城镇土壤中2009年和2014年PAHs的浓度,将其含量、组成和来源的变化归因于城市化进程. Jensen等[23]发现挪威南部邻近奥斯陆的地区,因其人口较多和城市化程度较高,土壤中PAHs浓度高于位于挪威北部,人口较少的地区. 此外,也有一些学者[19, 24-26]利用湖泊和水库中的柱状沉积物,以及不同城市化阶段或不同深度的土壤样品,探讨PAHs的环境行为与城市化过程之间的关系. 然而,深入探讨某个特定时期城市化进程对城市土壤中PAHs浓度、来源和暴露风险影响的研究却很少.
2008年至2012年,天津市处在城市化最快的时期[27],且2012年以前,全市生产总值(GDP)增速均保持在16%以上,为近15年来最高水平[28]. 本研究基于天津市近郊地区(包括西青区、津南区、北辰区和东丽区)土壤中的16种优先控制PAHs的浓度数据,利用正定矩阵因子分解(positive matrix factorization, PMF)模型和终身累积癌症风险(incremental lifetime cancer risk, ILCR)模型定量解析出2008年和2012年天津市近郊地区土壤中PAHs的来源组成以及人体暴露风险,并将两个年份的解析结果进行对比分析. 旨在通过定点定期的监测结果,探讨在经济高速发展的背景下,快速城市化过程中区域土壤中PAHs排放源的变化及其引起的浓度、组成和生态风险的改变,进而揭示人类活动对城市环境的影响.
1. 材料和方法(Material and methods)
1.1 样品采集
2008年8月[29]和2012年10月[30]在天津市近郊地区(西青区、津南区、北辰区和东丽区)使用不锈钢勺分别采集获得83个和60个土壤样品(表层0—10 cm,各1 kg),并储存在聚乙烯密封袋中. 每1个样品由10—20个采自于站位点周边10×10 m2范围内的子样品混合而成. 每次采样之前使用丙酮冲洗不锈钢勺防止沾污. 所有土壤样品均放置在暗处,并尽快运送到实验室,经风干、研磨、过筛(50目)之后,于−20 ℃环境下保存.
1.2 PAHs的测定
采用加速溶剂萃取法(accelerated solvent extraction, ASE)对土壤样品进行萃取. 取16 g冻干土壤样品和5 g二氧化硅混匀后倒入34 mL ASE样品瓶,以丙酮与二氯甲烷(1:1体积比)混合溶液为萃取溶剂,将样品在温度和压力分别为120 °C和1500 psi的条件下萃取2次,每次5分钟,所得的提取液蒸发至近干,加入9 mL环己烷与丙酮(1:1体积比)的混合溶液. 替换溶剂之后的提取液依次使用凝胶色谱(LCTech Geremany)和弗罗里硅固相萃取柱进行纯化,所得洗脱液经氮吹浓缩至1 mL转入棕色安捷伦进样瓶中上机分析. 采用GC-MS方法对PAHs进行定量分析,仪器参数和分析方法的质量控制见文献[29]. 16种PAHs包括萘(NAP)、苊(ACE)、芴(FLO)、二氢苊(ACY)、菲(PHE)、蒽(ANT)、荧蒽(FLA)、芘(PYR)、䓛(CHR)、苯并(a)蒽(BaA)、苯并(b)荧蒽(BbF)、苯并(k)荧蒽(BkF)、苯并(a)芘(BaP)、二苯并(a,h)蒽(DahA)、苯并(g,h,i)苝(BghiP)和茚苯(1,2,3-cd)芘(IcdP). PAHs加标回收率和指示物回收率分别为62.2%—116.7%和70.6%—119.1%.
1.3 PMF源解析
PMF是由Paatero和Tapper[31]开发的,基于主成分分析的非负约束受体模型,常用于环境中PAHs的源解析[32]. 该模型的矩阵方程式为:
X=G×F+E 式中,X代表由n个样品的m种化合物的浓度组成的样品浓度数据矩阵;G代表主要源的贡献率矩阵(n×p,p为源的个数);F代表主要源的成分谱矩阵(p×m);E代表残差矩阵(n×m),定义为:
eij=xij−p∑k=1gikfkj 式中,eij、xij、gik和fkj分别为E、X、G和F中的对应元素. 在对F和G进行非负约束的同时,对每个数据点的不确定性进行加权. Q是模型的判据之一,当其收敛时才可进一步分析,且多次运行选Q较小的值来继续分析. Q的计算公式为:
Q=n∑i=1m∑j=1(eijσij)2 式中σij为第i个样品中第j种化合物的不确定性,其他项含义如前文所述.
本研究利用USEPA开发的PMF模型软件5.0,基于83(样品)×16(PAHs)数据集和60(样品)×16(PAHs)数据集,分别对2008年和2012年天津市近郊地区土壤中PAHs来源进行识别. 模型解析目标设置为计算出3到6个因子,且每次运行都用不同的起始点进行初始化. 对于每次运行,正定矩阵因子分解模型的样品数符合模型对最少样本量的需求,即样本数大于物种数的3倍[33].
1.4 风险评估
利用ILCR模型可定量评估城市居民通过摄入、皮肤接触和吸入3种方式暴露于土壤PAHs的潜在健康风险[34-35]. 基于USEPA标准模型计算潜在癌症风险的方程式[36-37]如下.
ILCRingestion=CS×(CSFingestion×3√BW/70)×IRingestion×EF×EDBW×AT×106ILCRdermal=CS×(CSFdermal×3√BW/70)×SA×AF×ABS×EF×EDBW×AT×106ILCRinhalation=CS×(CSFinhalation×3√BW/70)×IRinhalation×EF×EDBW×AT×106 其中,CS是土壤中PAHs基于BaP的毒性当量[1](toxic equivalency factor, TEF)计算的转换浓度之和(mg·kg−1);CSF是致癌物斜率因子(mg·kg−1·d−1)−1, 根据BaP的致癌能力进行测定;BW是体重;IRingestion和IRinhalation人体土壤摄入效率和吸入效率;EF代表暴露频率;ED是暴露时长;SA是皮肤表面积;AF是真皮粘附因子;ABS为真皮吸附因子;AT为平均寿命;PEF为颗粒释放因子(见表1). BaP的CSFingestion、CSFdermal和CSFinhalation分别为7.3、25、3.85(mg·kg−1·d−1)-1[38].
暴露参数Exposure parameter 单位Unit 儿童Child 青少年Adolescent 成人Adult BW kg 13.95 46.75 58.78 IRingestion mg·d−1 200 100 100 IRinhalation m3·d−1 10.9 17.7 17.5 EF d·a−1 350 350 350 ED a 6 14 30 SA cm2 2800 2800 5700 AF mg·cm−2 0.2 0.2 0.07 ABS — 0.13 0.13 0.13 AT d 25550 25550 25550 PEF m3·kg−1 1.36×109 1.36×109 1.36E×109 1991年USEPA发布的指南指出[37],百万分之一的癌症发病几率(ILCR = 10−6)是可接受的阈值. 因此,依据ILCR的判断标准如下:ILCR ≤ 10−6时代表可忽略风险;10−6 < ILCR < 10−4表示低风险;ILCR ≥ 10−4表示癌症高风险,需要特别关注. 在本研究中,依据年龄将居民分为儿童(0—10岁)、青少年(11—18岁)和成人(19—70岁)的3个群体进行癌症风险评估.
1.5 数据分析
利用Origin2019软件进行数据记录、数据处理以及表格制作;利用USEPA PMF 5.0软件进行PAHs来源识别及贡献计算. 天津市及其区县社会经济发展的数据分别引自2009年、2013年、2014年和2015年天津统计年鉴[28].
2. 结果与讨论( Results and discussion)
2.1 PAHs含量及组成的变化趋势
2008年至2012年,天津市近郊地区表层土壤中16种PAHs浓度呈倍数增长,7种致癌PAHs浓度也呈上升趋势. 如表2所示,五环化合物的浓度占比大幅度下降,而二环和四环化合物的占比均显著增加, 低分子量组分的比例由28.6%上升到34.8%. 优势化合物由苯并(b)荧蒽、荧蒽和苯并(g, h, i)苝转变为菲、萘和荧蒽. 萘、二氢苊、菲等低分子量PAHs的浓度明显增加. 虽然PAHs被认为是持久性有机污染物能长期存在于环境中,但其仍可通过光化学降解、生物降解和挥发作用从土壤中去除[40]. 以往的研究发现[21, 41],PAHs在土壤中长期埋藏后,浓度会显著下降. 另外,具有不同个数苯环的PAHs在土壤中表现出不同的环境行为[15]. 高分子量的PAHs通常能在土壤中埋藏较长时间,其降解速率随着分子量的增加而降低[42],而低分子量的更容易被光降解或生物降解. 因此,总浓度以及低分子量组分占比的增加,表明土壤环境中存在持续不断的PAHs输入,且污染状况趋于严重,这与该地区5年内经济高速发展,城市化进程加快有着密切的关系. 2008年西青区、津南区、北辰区和东丽区的常住人口总计228.59万,区县生产总值(GDP)共计1336.66亿元[28]. 2012年,4个区的常住人口增加到283.03万,区县生产总值(GDP)增加了近一倍,达到2552.27亿元[28]. 通常来说,人为源是环境中PAHs急剧增加的主要原因. 城市土壤中的PAHs主要来源于工业活动、机动车排放以及居民烹饪和取暖,因此,其受到区域经济发展水平、人口和工业化程度的影响[22, 43].
表 2 天津市近郊区土壤中PAHs毒性当量因子、含量及组成Table 2. Toxic equivalent factors, composition, and concentrations of PAHs in surface soils from suburban Tianjin in 2008 and 2012PAHs 环数Aromatic ring 毒性当量因子TEF 2008(n = 83) 2012(n = 60) 均值/(ng·g−1)Mean 范围/(ng·g−1)Range 组成占比/%Proportion 均值/(ng·g−1)Mean 范围/(ng·g−1)Range 组成占比/%Proportion 萘 2 0.001 18.7 2.72—133 6.0 68.2 ND—441 10.8 二氢苊 3 0.001 3.96 ND—42.6 1.0 35.2 ND—697 4.1 苊 3 0.001 3.10 ND—19.2 1.3 4.44 ND—31.0 0.5 芴 3 0.001 17.0 1.23—86.5 8.4 12.8 ND—78.0 2.0 菲 3 0.001 36.5 1.98—336 8.4 131 7.45—1091 16.4 蒽 3 0.01 16.6 0.502—306 3.6 11.6 0.450—107 1.0 荧蒽 4 0.001 63.4 2.39—792 9.4 255 ND—3278 15.6 芘 4 0.001 56.9 1.17—728 8.0 154 1.00—1977 9.0 苯并(a)蒽* 4 0.1 33.1 0.225—386 5.2 68.7 0.470—841 3.9 䓛* 4 0.01 46.1 0.717—506 6.4 97.9 0.850—1210 6.7 苯并(b)荧蒽* 5 0.1 103 ND—1010 13.6 118 1.38—1362 8.1 苯并(k)荧蒽* 5 0.1 43.6 ND—669 5.5 43.3 0.230—549 2.6 苯并(a)芘* 5 1 52.2 ND—728 6.8 86.6 0.370—1118 4.8 二苯并(a, h)蒽* 5 1 22.9 ND—252 4.0 33.4 ND—348 2.4 茚苯(1, 2, 3-cd)芘* 6 0.1 23.3 ND—244 3.1 106 2.37—1237 7.1 苯并(g, h, i)苝 6 0.01 66.3 ND—886 9.2 70.0 1.23—775 4.9 二环化合物 — — 18.7 2.72—133 6.0 68.2 ND—441 10.8 三环化合物 — — 77.2 6.34—701 22.6 195 7.90—1586 24.0 四环化合物 — — 199 8.53—2413 29.1 575 2.32—7306 35.2 五环化合物 — — 221 ND—2445 30.0 281 1.98—3377 17.9 六环化合物 — — 89.6 ND—1129 12.3 176 4.90—2012 12.0 Σ7-carPAHs — — 324 5.03—3582 44.7 554 7.98—6666 35.6 Σ16PAHs — — 606 29.7—6705 100 1296 22.9—14722 100 注:“*”代表7种具有致癌作用的PAHs;“ND”代表未检出;“Σ7-carPAHs”代表7种具有致癌作用PAHs总含量;“Σ16PAHs”代表16种PAHs总含量. * stands for 7 carcinogenic PAHs, ND stands for not detected, Σ7-carPAHs stands for total concentrations of 7 carcinogenic PAHs, Σ16PAHs stands for total concentrations of 16 PAHs. 2.2 PAHs的来源
2008年PAHs来源成分谱如图1所示,模型筛选出5个因子. 因子1中表征炼焦生产的芴[44]占比达到71.2%,推断该因子代表炼焦排放,其贡献为6.0%. 因子2中蒽和菲的占比较高,分别为61.6%和52.5%,符合生物质燃烧的排放特征[16, 45],推断因子2为生物质燃烧排放,其贡献为14.5%. 因子3中优势组分为萘、苊和二氢苊,占比分别为54.6%、63.9%和66.9%. 萘是原油和石油产品的重要组成部分[46-48],并且二环和三环PAHs多与石油类来源有关[49-51]. 因此,因子3表示石油源,其贡献为5.1%. 因子4中荧蒽(69.5%)、芘(70.8%)、䓛(56.2%)、苯并(a)蒽(72.9%)、苯并(b)荧蒽(67.1%)、苯并(k)荧蒽(55.6%)和苯并(a)芘(70.7%)占比较高,符合煤燃烧排放特征[16, 52-55]. 因此,因子4表示燃煤源,其贡献为51.3%. 因子5中表征汽车尾气[16, 56-57]的二苯并(a,h)蒽、茚苯(1,2,3-cd)芘和苯并(g,h,i)苝占比较高,分别为94.6%、51.2%和71.0%,推断该因子代表机动车排放,其贡献为23.1%.
2012年PAHs来源成分谱如图2所示,模型也筛选出5个因子. 因子1中荧蒽、芘、䓛、苯并(a)蒽、苯并(b)荧蒽、苯并(k)荧蒽和苯并(a)芘占比较高,分别为61.1%、56.8%、52.0%、57.5%、52.4%、55.0%和59.6%,符合煤燃烧排放特征[16, 52-55]. 因此,因子1表示燃煤源,其贡献为41.0%. 因子2中表征原油和石油产品的萘[46-48]占比达83.2%,推断该因子为石油源,其贡献为22.3%. 因子3中苊、芴和菲占比相对较高,其中芴和菲的占比分别为42.6%和26.8%,是炼焦生产的表征化合物[44, 55]. 因此,因子3应该与焦炭的生产密切相关,其贡献为4.7%. 因子4中生物质燃烧过程排放的优势化合物二氢苊[44-45]占比高达91.8%,推断该因子代表生物质燃烧排放,其贡献为3.6%. 因子5中的优势组分为二苯并(a,h)蒽、茚苯(1,2,3-cd)芘和苯并(g,h,i)苝,占比分别为78.7%、38.3%和33.2%,符合汽车尾气排放特征[16, 56-57]. 因此,推断该因子代表机动车排放,其贡献为28.4%.
基于上述PMF的解析结果发现,天津市近郊区域土壤中PAHs来源贡献率变化较大的是燃煤源、生物质燃烧排放和石油源. 其中,燃煤源和生物质燃烧排放的贡献率分别由2008年的51.3%和14.5%下降到2012年的41.0%和3.6%(图3). 虽然煤炭是天津市工业的主要能源,但是燃煤源的贡献率在5年内下降了10.3%. 此外,根据地理位置和居民的生活习惯,调查区域的生物质燃烧应与露天焚烧秸秆和居民烹饪有关. 2008年天津市启动生态城市建设行动计划,包括生态区县建设,改善水、空气、生态环境质量,提升固体废物综合利用水平,加强农村环境污染防治,发展循环经济等7个方面. 为了实现节能减排、改善城市环境质量,很多企业在生产过程中使用电力、天然气等清洁能源取代了煤炭,到2012年,天津市单位工业增加值能耗由2008年的1.16吨标准煤每万元下降到0.95吨标准煤每万元. 因此,燃煤源贡献率的下降可能与该区域工业化发展过程中能源结构的变化、装备和技术的不断发展有关. 另一方面,生物质燃烧排放贡献率的下降则可能与禁止露天生物质燃烧,以及电力和液化石油气取代了生物质作为烹饪燃料有关.
但是,5年内石油源的贡献率却由5.1%上升到22.3%. 天津作为我国北部重要的工业城市,石油化工是其优势产业之一. 2008年天津市石油化工联合其他五大优势产业完成工业总产值8323.89亿元,而到2012年仅石油化工这一项优势产业就完成产值3626.63亿元. 2017年发布的天津市石油和化学工业发展“十三五”规划纲要指出,2015年全市拥有石化企业711家,资产总额3756.57亿元,全年实现产值4024.32亿元,约占全市规模以上工业的15%. 到2020年,石油化工产业总产值将超过6000亿元. 同时,天津市也因天津港成为我国北部最重要的国际航运物流中心之一. 2020年天津港口货物吞吐量突破5亿吨,集装箱吞吐量突破1800万标准箱,均在全国港口中居第六位,“十三五”时期集装箱吞吐量年均增长5.4%,稳居全球集装箱港口十强. 因此,石油化工产业和航运物流产业的快速扩张与发展可能是石油源贡献率迅速增长的一个重要原因.
2.3 健康风险评估
ILCR模型解析结果表明,2008年和2012年天津市近郊地区居民土壤PAHs暴露风险值ILCRsinhalation的数量级在10-14—10-10之间,远低于10−6. 因此,居民通过吸入方式接触到土壤中PAHs而导致的健康风险可以忽略.
如表3所示,2008年近郊地区居民土壤PAHs暴露风险值ILCRsingestion和ILCRsdermal的范围分别为1.19 × 10−9—5.89 × 10−6和2.84 × 10−9—1.00 × 10−5,它们最大值分别出现在儿童和成人. 根据不同年龄段暴露人群的统计结果,分别有32.5%、24.1%和36.1%的土壤样品的儿童、青少年和成人暴露总风险值ILCRstotal处于低风险判定区间内. 2012年居民各暴露途径的风险值ILCRs均高于2008年,ILCRsingestion的范围为2.84 × 10−9—9.51 × 10−6,ILCRsdermal的范围为6.79 × 10−9—1.62 × 10−5,两者最大值出现的年龄段和2008年一致. 儿童、青少年和成人暴露总风险值ILCRstotal大于10−6的土壤样品比例分别为41.7%、36.7%和45.0%,较2008年均有不同程度的增长. 值得注意的是,2008年和2012年居民土壤PAHs暴露风险值ILCRsdermal均高于ILCRsingestion,并且2012年青少年和成人暴露风险值ILCRsdermal的均值较2008年增长了一个数量级. 上述结果表明,2008年到2012年,天津市近郊地区居民土壤PAHs暴露风险在不断增加,且皮肤接触是主要的暴露途径;儿童因其对致癌物的高敏感性应归为最敏感的亚群体. 人群暴露风险的增加可能与机动车排放源贡献率增加有关. 根据PMF解析结果,虽然2012年机动车排放贡献率较2008年仅增加了5.3%,但是其估算排放量是2008年的2.6倍. 机动车排放量大幅度的增加导致更多的具有强致癌效力的特征组分[1, 56-57],如苯并(a)芘、二苯并(a, h)蒽和茚苯(1, 2, 3-cd)芘进入到土壤中,增加暴露人群的健康风险. 另一方面,石油源的贡献率和估算排放量的增幅虽然最大,但其排放至环境中的组分主要是致癌效力较低的低分子量PAHs.
表 3 不同群体暴露于土壤PAHs的潜在癌症风险Table 3. Age-specific potential cancer risk via exposure to soil PAHs in 2008 and 20122008 2012 人群Population 均值Mean 最小值Min 最大值Max 均值Mean 最小值Min 最大值Max 儿童Child ILCRingestion 4.87 × 10−7 2.28 × 10−9 5.89 × 10−6 7.84 × 10−7 5.45 × 10−9 9.51 × 10−6 ILCRdermal 6.07 × 10−7 2.84 × 10−9 7.34 × 10−6 9.78 × 10−7 6.79 × 10−9 1.19 × 10−5 ILCRtotal 1.09 × 10−6 5.12 × 10−9 1.32 × 10−5 1.76 × 10−6 1.22 × 10−8 2.14 × 10−5 青少年Adolescent ILCRingestion 2.53 × 10−7 1.19 × 10−9 3.07 × 10−6 4.09 × 10−7 2.84 × 10−9 4.95 × 10−6 ILCRdermal 6.32 × 10−7 2.96 × 10−9 7.65 × 10−6 1.02 × 10−6 7.08 × 10−9 1.24 × 10−5 ILCRtotal 8.85 × 10−7 4.14 × 10−9 1.07 × 10−5 1.43 × 10−6 9.92 × 10−9 1.73 × 10−5 成人Adult ILCRingestion 4.66 × 10−7 2.18 × 10−9 5.65 × 10−6 7.52 × 10−7 5.22 × 10−9 9.11 × 10−6 ILCRdermal 8.28 × 10−7 3.88 × 10−9 1.00 × 10−5 1.34 × 10−6 9.28 × 10−9 1.62 × 10−5 ILCRtotal 1.29 × 10−6 6.06 × 10−9 1.57 × 10−5 2.09 × 10−6 1.45 × 10−8 2.53 × 10−5 注:ILCRtotal = ILCRingestion + ILCRdermal 3. 结论(Conclusions)
2008年至2012年,天津市近郊地区城市化发展在一定程度上改变了土壤中PAHs的来源、含量和组成.
(1) 土壤中16种PAHs的总含量均值增加了1倍,菲、萘和荧蒽取代苯并(b)荧蒽、荧蒽和苯并(g, h, i)苝成为优势组分,萘、二氢苊、菲等低分子量PAHs的浓度明显增加.
(2) 五环化合物占比大幅度下降,而二环和四环化合物占比均显著增加.
(3) PMF解析结果表明,燃煤源和生物质燃烧排放的贡献率均减少10%以上,石油源的贡献率增加17.2%.
(4) 当地居民土壤PAHs暴露风险在不断增加,儿童作为最敏感的亚群体应受到关注,皮肤接触是主要的暴露途径. 机动车排放源贡献率的增加可能的导致暴露风险上升的重要原因.
-
表 1 采样期间PM2.5、OC、EC浓度以及气象参数
Table 1. The concentration of PM2.5, OC, and EC, and meteorological parameters during the sampling period
季节Season 温度/℃ Temperature 相对湿度/%Relative humidity 风速/(m·s−1)Wind speed PM2.5/(µg·m−3) OC/(µg·m−3) EC/(µg·m−3) (OC/PM2.5)/% (EC/PM2.5)/% 春季 8±3 47±11 1.4±0.7 81.8±28.4 7.9±1.9 3.5±1.1 9.6 4.3 夏季 26±2 88±7 0.7±0.4 48.6±11.7 5.1±1.0 2.0±0.4 10.4 4.1 秋冬季 8±3 69±12 0.8±0.6 74.0±28.6 9.8±2.9 4.6±1.7 13.3 6.2 平均 13±7 69±17 0.9±0.6 69.4±26.6 8.0±2.8 3.6±1.5 11.5 5.2 表 2 阳泉市OC、EC、TCA浓度及TCA/PM2.5与国内其它城市比较
Table 2. Comparison of OC、EC and TCA concentrations, and TCA/PM2.5 values in Yangquan and other Chinese cities
城市City 采样时间Time OC/(μg·m−3) EC/(μg·m−3) TCA/(μg·m−3) (TCA/PM2.5)//% 分析方法Method 文献Reference 阳泉 2018.07—2019.3 8.0±2.8 3.6±1.5 16.4 23.6 IMPROVE TOR 本研究 太原 2014.03—2014.12 13.5±14.0 6.5±6.1 28.1 20 IMPROVE TOR [13] 广州 2015.06—2016.05 8.2±5.0 1.8±0.8 14.9 22 IMPROVE TOR [14] 北京 2017.12—2018.12 11.2±7.8 1.2±0.8 19.1 25 IMPROVE TOR [15] 天津 2016.02—2016.08 10.6 4.2 21.2 27 IMPROVE TOR [16] 武汉 2011.07—2012.02 19.4 2.9 34.4 27 IMPROVE TOR [17] 菏泽 2015.08—2016.04 13.2±9.6 5.2±3.6 26.3 25 IMPROVE TOR [18] 表 3 采样期间二次有机碳浓度特征
Table 3. Concentration characteristics of second organic carbon during the sampling period
季节Season OC/EC (OC/EC)pri SOC/(µg·m−3) POC/(µg·m−3) (SOC/OC)/% 春季 2.5±0.7 1.37 3.2±1.4 4.8±1.5 40 夏季 2.6±0.4 1.53 2.0±0.7 3.0±0.7 40 秋冬季 2.3±0.5 1.39 3.4±1.6 6.4±2.4 35 平均 2.4±0.6 1.43 3.0±1.4 5.1±2.1 38 表 4 采样期间PM2.5中碳质组分与气态污染物间相关性
Table 4. Correlation of carbon components in PM2.5 with gaseous pollutants during the sampling period
季节Season 碳质组分 SO2/(µg·m−3) NO2/(µg·m−3) CO/(mg·m−3) O3/(µg·m−3) 全年 OC 0.839** 0.744** 0.729** −0.470** EC 0.824** 0.772** 0.593** −0.514** SOC 0.421** 0.310** 0.494** −0.196 夏季 OC 0.417* 0.703** 0.405* 0.731** EC 0.445* 0.519** 0.642** 0.395* SOC 0.129 0.476* −0.112 0.657** 秋冬季 OC 0.820** 0.639** 0.916** −0.311* EC 0.866** 0.744** 0.775** −0.291 SOC 0.229 0.092 0.499** −0.136 春季 OC 0.695** 0.648** 0.834** 0.185 EC 0.488* 0.485* 0.492* −0.047 SOC 0.512** 0.448* 0.702** 0.303 注:**在0.01水平(双侧)上显著相关;*在0.05水平(双侧)上显著相关. Note: ** P≤0.01; represents significant correlation; * P≤0.05; represents significant correlation. -
[1] QI M, ZHU X, DU W, et al. Exposure and health impact evaluation based on simultaneous measurement of indoor and ambient PM2.5 in Haidian, Beijing [J]. Environmental Pollution, 2017, 220: 704-712. doi: 10.1016/j.envpol.2016.10.035 [2] 赵晴, 李岩岩, 贺克斌, 等. 2019年元宵节重污染期间济宁市PM2.5化学组分特征及污染成因分析 [J]. 环境化学, 2020, 39(4): 900-910. doi: 10.7524/j.issn.0254-6108.2019090902 ZHAO Q, LI Y Y, HE K B, et al. Analysis of PM2.5 chemical characteristics and causes during heavy pollution in Jining City around the Lantern Festival of 2019 [J]. Environmental Chemistry, 2020, 39(4): 900-910(in Chinese). doi: 10.7524/j.issn.0254-6108.2019090902
[3] JIMENEZ J, DONAHUE N, PREVOT A, et al. Evolution of organic aerosols in the atmosphere [J]. Science, 2009, 326: 1525-1529. doi: 10.1126/science.1180353 [4] PACHAURI T, SINGLA V, SATSANGI A, et al. Characterization of carbonaceous aerosols with special reference to episodic events at Agra, India [J]. Atmospheric Research, 2013, 128: 98-110. doi: 10.1016/j.atmosres.2013.03.010 [5] BALACHANDRAN S, PACHON J E, LEE S, et al. Particulate and gas sampling of prescribed fires in South Georgia, USA [J]. Atmospheric Environment, 2013, 81: 125-135. doi: 10.1016/j.atmosenv.2013.08.014 [6] WANG Q, JIANG N, YIN S, et al. Carbonaceous species in PM2.5 and PM10 in urban area of Zhengzhou in China: Seasonal variations and source apportionment [J]. Atmospheric Research, 2017, 191: 1-11. doi: 10.1016/j.atmosres.2017.02.003 [7] 尹寒梅, 陈军辉, 冯小琼, 等. 宜宾市PM2.5中碳组分的污染特性及来源分析 [J]. 环境化学, 2019, 38(4): 738-745. doi: 10.7524/j.issn.0254-6108.2018061504 YIN H M, CHEN J H, FENG X Q, et al. Pollution characteristics and source analysis of carbonaceous aerosol in PM2.5 in Yibin, China [J]. Environmental Chemistry, 2019, 38(4): 738-745(in Chinese). doi: 10.7524/j.issn.0254-6108.2018061504
[8] YU S Y, LIU W J, et al. Characteristics and oxidative potential of atmospheric PM2.5 in Beijing: Source apportionment and seasonal variation [J]. Science of the Total Environment, 2019, 650: 277-287. doi: 10.1016/j.scitotenv.2018.09.021 [9] CAO J J, LEE S C, CHOW J C, et al. Spatial and seasonal distributions of carbonaceous aerosols over China [J]. Journal of Geophysical Research Atmospheres, 2007, D112(D22): D22S11. [10] 张婷婷, 马文林, 亓学奎, 等. 北京城区PM2.5有机碳和元素碳的污染特征及来源分析 [J]. 环境化学, 2018, 37(12): 2758-2766. ZHANG T T, MA W L, QI X K, et al. Characteristics and sources of organic carbon and element carbon in PM2.5 in the urban areas of Beijing [J]. Environmental Chenistry, 2018, 37(12): 2758-2766(in Chinese).
[11] 程渊, 刘保双, 毕晓辉, 等. 天津市区夏冬季环境空气PM2.5中碳组分污染特征及来源研究 [J]. 环境科学学报, 2018, 38(9): 3394-3405. CHENG Y, LIU B S, BI X H, et al. Character and source analysis of carbonaceous aerosol in PM2.5 during summer-winter period, Tianjin urban area [J]. Acta Scientiae Circumstantiae, 2018, 38(9): 3394-3405(in Chinese).
[12] 张懿华, 王东方, 赵倩彪, 等. 上海城区PM2.5中有机碳和元素碳变化特征及来源分析 [J]. 环境科学, 2014, 35(9): 3263-3270. ZHANG Y H, WANG D F, ZHAO Q B, et al. Characteristics and sources of organic carbon and elemental carbon in PM2.5 in Shanghai urban area [J]. Environmental Science, 2014, 35(9): 3263-3270(in Chinese).
[13] 董贵明, 唐贵谦, 张军科, 等. 北京南部城区PM2.5中碳质组分特征 [J]. 环境科学, 2020, 41(10): 4374-4381. DONG G M, TANG G Q, ZHANG J K, et al. Characteristics of carbonaceous species in PM2.5 in Southern Beijing [J]. Environmental Science, 2020, 41(10): 4374-4381(in Chinese).
[14] 刘晶晶, 胡献舟, 黄凤莲, 等. 广州PM2.5中有机碳和元素碳的污染特征 [J]. 湖南科技大学学报, 2019, 34(4): 111-117. LIU J J, HU X Z, HUANG F L, et al. Characteristics of organic carbon (OC) and elemental carbon (EC) in PM2.5 in Guangzhou, China [J]. Journal of Hunan University of Science & Technology, 2019, 34(4): 111-117(in Chinese).
[15] 张大宇, 刘效峰, 彭林, 等. 太原市PM2.5中含碳气溶胶特征分析 [J]. 环境化学, 2019, 38(12): 2719-2727. doi: 10.7524/j.issn.0254-6108.2019010203 ZHANG D Y, LIU X F, PENG L, et al. Analysis of characteristics of carbonaceous aerosols in PM2.5 of Taiyuan [J]. Environmental Chemistry, 2019, 38(12): 2719-2727(in Chinese). doi: 10.7524/j.issn.0254-6108.2019010203
[16] GB 3095—2012环境空气质量标准[S]. 北京: 中国环境科学出版社, 2012. Ambient air quality standards (GB3095—2012)[S]. Beijing:China Environmental Science Press, 2012(in Chinese).
[17] 王成, 闫雨龙, 谢凯, 等. 阳泉市秋冬季PM2.5化学组分及来源分析 [J]. 环境科学, 2020, 41(3): 1036-1044. WANG C, YAN Y L, XIE K, et al. Analysis of chemical components and sources of PM2.5 during Autumn and Winter in Yangquan City [J]. Environmental Science, 2020, 41(3): 1036-1044(in Chinese).
[18] 曹云擎, 王体健, 韩军彩, 等. “2+26”城市一次污染过程PM2.5化学组分和来源解析研究 [J]. 环境科学学报, 2020, 40(2): 361-372. CAO Y Q, WANG T J, HAN J C, et al. Study on chemical composition and source apportionment of PM2.5 during a pollution episode in “2+26” cities [J]. Acta Scientiae Circumstantiae, 2020, 40(2): 361-372(in Chinese).
[19] 中国环境监测总站. 全国城市空气质量实时发布平台[EB/OL]. [2019-11-20]. http://113.108.142.147:20035/emcpublish/. China National Environmental Monitoring Centre. National urban air quality real-time release platform [EB/OL]. [2019-11-20]. http://113.108.142.147:20035/emcpublish/.
[20] SUN F, LUN X X, LIU X, et al. Analysis of organic and elemental carbon in heating and non-heating periods in four locations of Beijing [J]. Environmental technology, 2015, 37 (1): 121-128. [21] World Health Organization. Air quality guidelines. Global update 2005[M]. Copenhagen, Denmark: World Health Organization, 2006. [22] 郑晓伍, 陈家灯, 刘子龙, 等. 石河子市PM2.5中有机碳和元素碳的变化特征与来源解析 [J]. 环境化学, 2018, 37(1): 115-122. doi: 10.7524/j.issn.0254-6108.2017042401 ZHENG X W, CHEN J D, LIU Z L, et al. Characteristics and source apportionment of organic carbon and elemental carbon in PM2.5 in Shihezi, Xinjiang, China [J]. Environmental Chemistry, 2018, 37(1): 115-122(in Chinese). doi: 10.7524/j.issn.0254-6108.2017042401
[23] 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. doi: 10.7524/j.issn.0254-6108.2018011401 LI X 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(in Chinese). doi: 10.7524/j.issn.0254-6108.2018011401
[24] 成海容, 王祖武, 冯家良, 等. 武汉市城区大气PM2.5的碳组分与源解析 [J]. 生态环境学报, 2012, 21(9): 1574-1579. doi: 10.3969/j.issn.1674-5906.2012.09.011 CHENG H R, WANG Z W, FENG J L, et al. Carbonaceous species composition and source apportionment of PM2.5 in urban atmosphere of Wuhan [J]. Ecology and Environment, 2012, 21(9): 1574-1579(in Chinese). doi: 10.3969/j.issn.1674-5906.2012.09.011
[25] 刘泽珺, 吴建会, 张裕芬, 等. 菏泽市PM2.5碳组分季节变化特征 [J]. 环境科学, 2017, 38(12): 4943-4950. LIU Z J, WU J H, ZHANG Y F, et al. Seasonal variation of carbon fractions in PM2.5 in Heze [J]. Environmental Science, 2017, 38(12): 4943-4950(in Chinese).
[26] 纪尚平, 王丽涛, 赵乐, 等. 邯郸市PM2.5中碳组分的浓度, 来源及其变化 [J]. 环境科学学报, 2019, 39(9): 2873-2880. JI S P, WANG L T, ZHAO L, et al. Concentrations, sources, and changes of carbon fractions in PM2.5 in Handan [J]. Acta Scientiae Circumstantiae, 2019, 39(9): 2873-2880(in Chinese).
[27] JI D S, ZHANG J K, HE J, et al. Characteristics of atmospheric organic and elemental carbon aerosols in urban Beijing, China [J]. Atmospheric Environment, 2016, 125: 293-306. doi: 10.1016/j.atmosenv.2015.11.020 [28] WU C, YU J. Determination of Primary combustion source organic carbon-to-elemental carbon (OC/EC) ratio using ambient OC and EC measurements: Secondary OC-EC correlation minimization method [J]. Atmospheric Chemistry and Physics, 2016, 16: 5453-5465. doi: 10.5194/acp-16-5453-2016 [29] JI D S, GAO M, MAENHAUT W, et al. The carbonaceous aerosol levels still remain a challenge in the Beijing-Tianjin-Hebei region of China: Insights from continuous high temporal resolution measurements in multiple cities [J]. Environment International, 2019, 126: 171-183. doi: 10.1016/j.envint.2019.02.034 [30] 刘庆阳, 刘艳菊, 赵强, 等. 2012年春季京津冀地区一次沙尘暴天气过程中颗粒物的污染特征分析 [J]. 环境科学, 2014, 35(8): 2843-2850. LIU Q Y, LIU Y J, ZHAO Q, et al. Chemical characteristics in airborne particulate matter (PM10) during a high pollution spring dust storm episode in Beijing, Tianjin and Zhangjiakou, China [J]. Environmental Science, 2014, 35(8): 2843-2850(in Chinese).
[31] DAN M, ZHUANG G, LI X, Tao H, Zhuang Y. The characteristics of carbonaceous species and their sources in PM2.5 in Beijing [J]. Atmospheric Environment, 2004, 38: 3443-3452. doi: 10.1016/j.atmosenv.2004.02.052 [32] AYMOZ G, JAFFREZO L J, JACOB V, et al. Evolution of organic and inorganic components of aerosol during a Saharan dust episode observed in the French Alps [J]. Atmospheric Chemistry and Physics Discussions, 2004, 4: 2499-2512. [33] 杨健, 丁祥, 刘寅, 等. 高原城市昆明PM2.5中碳组分污染特征及来源分析 [J]. 环境化学, 2017, 36(02): 257-264. YANG J, DING X, LIU Y, et al. Characteristics and source analysis of carbonaceous components in PM2.5 at a plateau city, Kunming [J]. Environmental Chemistry, 2017, 36(02): 257-264(in Chinese).
[34] CHEN Y J, ZHI G R, FENG Y L, et al. Measurements of emission factors for primary carbonaceous particles from residential raw-coal combustion in China [J]. Geophysical Research Letters, 2006, 33: L20815. [35] SCHAUER J, KLEEMAN M, CASS G, et al. Measurement of emissions from air pollution sources. 5. C1−C32 organic compounds from gasoline-powered motor vehicles [J]. Environmental Science & Technology, 2002, 36: 1169-1180. [36] ZHANG Y X, SHAO M, ZHANG Y H, et al. Source profiles of particulate organic matters emitted from cereal straw burnings [J]. Journal of Environmental Sciences, 2007, 19: 167-175. doi: 10.1016/S1001-0742(7)60027-8 [37] YANG F, HE K, YE B, et al. One-year record of organic and elemental carbon in fine particles in downtown Beijing and Shanghai [J]. Atmospheric Chemistry and Physics, 2005, 5 (6): 1449-1457. [38] 殷丽娜. 南京市大气细颗粒物中碳组分的时空分布特征及来源研究 [D]. 南京: 南京大学, 2016. YIN L N. Seasonal and spatial variations and potential sources of carbon fractions in fine particle matters in Nanjing [D]. Nanjing: Nanjing University, 2016 (in Chinese).
[39] LIU H, WU B, LIU S, et al. A regional high-resolution emission inventory of primary air pollutants in 2012 for Beijing and the surrounding five provinces of North China [J]. Atmospheric Environment, 2018, 181: 20-33. doi: 10.1016/j.atmosenv.2018.03.013 [40] CAO J J, WU F, CHOW J C, et al. Characterization and source apportionment of atmospheric organic and elemental carbon during fall and winter of 2003 in Xi'an, China [J]. Atmospheric Chemistry and Physics, 2005, 5(11): 3127-3137. doi: 10.5194/acp-5-3127-2005 [41] ZHAO P S, DONG F, HE D, et al. Characteristics of concentrations and chemical compositions for PM2.5 in the region of Beijing, Tianjin, and Hebei, China [J]. Atmospheric Chemistry and Physics, 2013, 13(9): 4631-4644. doi: 10.5194/acp-13-4631-2013 [42] 高韩钰, 魏静, 王跃思. 北京南郊区PM2.5中水溶性无机盐季节变化及来源分析 [J]. 环境科学, 2018, 39(5): 1987-1993. GAO H Y, WEI J, WANG Y S. Seasonal variation and source analysis of water-soluble inorganic salts in PM2.5 in the southern suburbs of Beijing [J]. Environmental Science, 2018, 39(5): 1987-1993(in Chinese).
[43] 郭蒙蒙, 姜楠, 王申博, 等. 郑州市2014~2017年大气污染特征及气象条件影响分析 [J]. 环境科学, 2019, 40(9): 3856-3867. GAO M M, JIANG N, WANG S B, et al. Analysis of air pollution characteristics and meteorological conditions in Zhengzhou from 2014 to 2017 [J]. Environmental Science, 2019, 40(9): 3856-3867(in Chinese).
-