-
近年来，由于我国城市化和工业化速度不断加快，伴随而来的空气污染问题日益严重[1]。PM2.5是悬浮在大气中空气动力学直径小于等于2.5 μm的颗粒物，对能见度[2]、人体健康[3]、空气质量[4]和全球气候变化[5]等方面均产生重要的影响，因而受到学者的广泛关注。为了缓解国内严重的空气污染问题，国务院在2013年出台了严格的《大气污染防治行动计划》（简称“国十条”）（
http://www.gov.cn/zwgk/2013-09/12/content_2486773.htm ），其明确规定，到2017年全国地级及以上城市PM2.5浓度比2012年下降10%以上，从结果来看，重点区域的PM2.5浓度明显降低，京津冀、长三角、珠三角等重点区域细颗粒物（PM2.5）平均浓度分别比2013年下降39.6%、34.3%、27.7%（http://www.mee.gov.cn/gkml/sthjbgw/stbgth/201806/t20180601_442262.htm ）。尽管环保部公布终期考核结果表示空气质量改善目标完满完成，但是我国大气污染形势仍然十分严峻，污染事件频发[6-8]。因此，针对典型污染城市进一步开展PM2.5的化学组成特征研究具有重要意义。深入了解PM2.5的化学成分及来源组成，是探索大气污染形成机理的有效途径[6, 9]。目前获得PM2.5化学组分和来源解析的研究大多数是基于离线采样[10-11]。但离线采样获取滤膜的分析周期长，分辨率较低，无法对短期、频发的污染事件进行快速响应[12]。为了弥补这一缺陷，可以实时监测气溶胶化学组分信息的高时间分辨率仪器近年来被广泛应用到PM2.5研究中。如美国Aerodyne公司生产的气溶胶质谱仪（AMS，Aerosol Mass Spectrometer）/颗粒物化学组分在线监测仪（ACSM，Aerosol Chemical Speciation Monitor）和我国广州禾信分析有限公司生产的单颗粒气溶胶质谱仪（SPAMS，Single Particle Aerosol Mass Spectrometer）等。AMS/ACSM可以提供亚微米级颗粒物非难熔性化学组成的质量浓度[13]，关注颗粒物的整体信息；而SPAMS可以获取单颗粒的质谱数据以及混合状态，可以提供元素碳，金属等信息[14]，对于深入探讨颗粒物的生成机制和氧化机制提供数据，从而实现对PM2.5污染事件成因的快速响应[15-16]。国内已有多地使用SPAMS开展的化学组成和来源解析的研究。如Zhang等[9]研究四川盆地夏季不同单颗粒的化学组成，结果表明生物质燃烧和工业排放对成都市PM2.5污染有重要贡献；Wang等[6]研究南京雾霾事件中含碳气溶胶的混合状态，发现在雾霾天碳气溶胶与二次组分的混合程度增强。马乾坤等[7]研究了北京秋季灰霾天气下颗粒物的化学组成和混和状态，结果表明二次气溶胶的生成对于灰霾形成具有重要贡献；张贺伟等[8]研究了郑州市灰霾天气颗粒物的混合态特征，发现灰霾期间颗粒物与二次组分的混合程度增强，颗粒物老化严重。
2018年国务院的“打赢蓝天保卫战三年行动计划”中，汾渭平原被指定为污染控制重点区域。西安作为汾渭平原的中心城市，地理位置上北有黄土高原，南有秦岭，污染物扩散条件差。伴随着经济快速发展，城市化进程不断加快，导致该地区一直饱受大气PM2.5污染，冬季存在严重的灰霾现象[17]。研究表明，西安冬季PM2.5日平均浓度分布在130—351 μg·m−3[18]，远高于大气环境质量标准（75 μg·m−3）（GB3095-82）。在西安地区，研究颗粒物多用于离线滤膜分析方法[18-19]，离线分析法揭示了西安市颗粒物的主要成分包括碳气溶胶，水溶性离子和矿物粉尘[20]。污染来源一般有燃煤排放，机动车排放及生物质排放[21]。但是，利用在线仪器探讨西安冬季颗粒物污染特征研究相对较少。
本文利用SPAMS对西安冬季气溶胶开展连续实时观测，测定单颗粒气溶胶的化学组分和粒径分布，结合单颗粒类型，揭示颗粒物主要来源贡献，进一步探讨和认识西安冬季PM2.5污染事件的成因，为西安大气污染防治工作提供科学依据。
-
本研究采样地点设置在陕西省西安市中国科学院地球环境研究所建立的野外观测站点（北纬N34°13′，东经E108°52′）。该采样点位于西安市的西南方向，附近主要是居民区和商业区，周围无明显的工业污染源排放[11, 21-22] 。观测时间为2018年12月6—12日。采样期间无明显沙尘影响。因此，可以更好的研究人为源对空气污染形成的影响。
-
SPAMS仪器的操作原理和性能参数已由多位研究者进行过详细阐述[6, 15, 23-24]。其原理简述如下，大气中颗粒物经过PM2.5切割头以后，由不锈钢管导入到仪器的0.1 mm进样微孔片，通过空气动力学透镜加速、准直后进入由两个连续的二极管Nd∶YAG激光束（532 nm）组成的测径区，根据两个测径激光之间信号的时间间隔得到该颗粒的飞行速度，从而计算出该颗粒的空气动力学粒径；同时触发266 nm（Nd∶YAG）强紫外脉冲激光将该颗粒电离成正负离子碎片，经双极飞行时间质量分析器检测后，最后由数据采集系统获得该颗粒物的不同组分的质荷比（m/z，范围是−250 —250）。在仪器观测期间，为了保证数据质量，采样前使用了不同粒径段（0.23、0.32、0.51、0.73、0.96、1.4、2.0 μm）的聚苯乙烯乳胶小球（PSL）对空气动力学粒径的采集进行校准，校准系数R2>0.99。
-
本研究基于MATLAB的软件工具包YAADA version 2.1分析SPAMS采集到的单颗粒气溶胶质谱数据。采用自适应共振神经网络算法（ART-2a），根据颗粒质谱图中m/z离子碎片强度和分布特征，将颗粒物分为7类，包括：有机碳颗粒（OC）、有机碳与元素碳混合颗粒（OCEC）、富钾颗粒（K-rich）、元素碳颗粒（EC）、扬尘颗粒（Dust）、重金属颗粒（Metal）、生物质颗粒（BB）。ART-2a主要运算参数学习效率、迭代次数和相似度分别设置为0.05、20和0.8。
-
观测期间， PM2.5质量浓度、PM10质量浓度、空气质量指数（AQI）、温度、湿度、臭氧（O3）、二氧化氮（NO2）、二氧化硫（SO2）和一氧化碳（CO）的浓度数据来自中国质量在线分析平台真气网（
https://www.aqistudy.cn ）；风速由MAWS201型自动气象观测站（Vaisala，芬兰）测定；钾（K）元素的数据采用AMMS-100型在线重金属仪（聚光科技，中国）观测得到。以上数据采用的时间分辨率都是1 h。 -
观测期间SPAMS共采集1609344个颗粒，其中264351个含有有效质谱信息。SPAMS的平均打击率为20.6% ± 9.1%，与其它研究类似[25-26]，较小的变异系数（44.2%）说明整个采样过程SPAMS相对稳定。图1为观测期间AQI六要素及气象要素的时间序列变化。从图1可以看到，PM2.5、PM10质量浓度和AQI的变化趋势基本一致。在12月10日至11日，PM2.5、PM10和AQI均在此期间具有较明显的上升趋势，AQI超过100，表明该时段为污染天。在此期间，NO2、SO2和CO也存在浓度的上升趋势。
图2显示了采样期间SPAMS测量的颗粒物数浓度和PM2.5质量浓度（小时分辨率）的相关性。从回归结果看，颗粒物数浓度和PM2.5质量浓度的相关性较好，线性拟合R2达到0.68，表明颗粒物数浓度在一定程度上可以反映大气污染的变化特征。
-
图3为获得的7种类型颗粒物的质谱信息。有机碳颗粒的正谱图中含有一些常见的有机碳的质谱峰，如：
$^{{\rm{27}}}{{\rm{C}}_{\rm{2}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $ 、37C3H+、$^{{\rm{39}}}{{\rm{C}}_{\rm{3}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $ 、$^{{\rm{41}}}{{\rm{C}}_{\rm{3}}}{\rm{H}}_{\rm{5}}^{\rm{ + }} $ 、43C2H5O+、$^{{\rm{50}}}{{\rm{C}}_{\rm{4}}}{\rm{H}}_{\rm{2}}^{\rm{ + }} $ 、61C5H+、$^{{\rm{64}}}{{\rm{C}}_{\rm{5}}}{\rm{H}}_{\rm{4}}^{\rm{ + }} $ 、$ ^{{\rm{75}}}{{\rm{C}}_{\rm{6}}}{\rm{H}}_{\rm{3}}^{\rm{ + }}$ 以及芳香烃类$^{{\rm{51}}}{{\rm{C}}_{\rm{4}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $ 、$^{{\rm{63}}}{{\rm{C}}_{\rm{5}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $ 、$^{{\rm{77}}}{{\rm{C}}_{\rm{6}}}{\rm{H}}_{\rm{5}}^{\rm{ + }} $ 和$^{{\rm{91}}}{{\rm{C}}_{\rm{7}}}{\rm{H}}_{\rm{7}}^{\rm{ + }} $ [27]。有机碳的来源复杂，既有包括燃煤、机动车、生物质燃烧等[28]在内的一次排放源，也含有二次形成的有机气溶胶[29]。元素碳颗粒是不完全燃烧过程中产生的一种含碳物质，其正负谱图上有明显的元素碳质谱峰（如m/z = ±12、±24、±36、±12n，n=4,5,6…）。当质谱图中同时出现有机碳和元素碳的特征峰时，将其命名为有机碳与元素碳混合颗粒[7, 9, 30]。研究表明，有机碳与元素碳混合颗粒既可以来自于一次排放，例如工业排放，垃圾焚烧、车辆尾气等[6, 27, 31]，也可由半挥发性有机物冷凝在元素碳上而形成的有机碳与元素碳混合颗粒[24]。富钾颗粒的正谱图上含有显著的39K+的质谱峰，负谱图上含有较高的硝酸盐（m/z=−46、−62）质谱峰[9]。研究表明，富钾颗粒与二次颗粒物的形成有关[23-24]。生物质颗粒负谱图含有$^{45}{\rm{CHO}}_2^ - $ 、$ ^{59}{{\rm{C}}_{\rm{2}}}{{\rm{H}}_{\rm{3}}}{\rm{O}}_{\rm{2}}^ - $ 、$ ^{71}{{\rm{C}}_{\rm{3}}}{{\rm{H}}_{\rm{3}}}{\rm{O}}_{\rm{2}}^ - $ 和$^{73}{{\rm{C}}_{\rm{3}}}{{\rm{H}}_{\rm{5}}}{\rm{O}}_{\rm{2}}^ - $ 质谱峰。研究表明m/z −45、−59、−71和−73可作为左旋葡聚糖的指示物[32]；与此同时，生物质颗粒与在线金属仪测量的K元素呈较好的相关性（R2 =0.47，图4a）， 进一步说明该分类的可靠性。重金属颗粒是指正谱图中含有较强的55Mn+、56Fe+、Pb+（m/z = 206、207、208）质谱峰，其主要来源可能是工业排放[33]。其中，Pb主要是来自化石燃料、工业和垃圾焚烧排放[34-35]；Fe主要来自于冶金工业源[36]；Mn的排放来自于钢铁工业[37]。扬尘颗粒正谱图中含有40Ca+和56CaO+，负质谱图中含有$^{76}{\rm{SiO}}_3^ - $ 、$ ^{79}{\rm{PO}}_3^ - $ 的质谱信号[38]，主要来自道路扬尘和建筑扬尘。值得注意的是，在不同颗粒物组分质谱特征中均出现了不同强度的硝酸盐（m/z = −46、−62）和硫酸盐（m/z = −97）的质谱峰信号，说明绝大部分颗粒都经历了不同程度的老化。表1汇总了本次采样期间不同类型颗粒物数浓度及相对占比。其中，含碳颗粒物（包括元素碳颗粒、有机碳颗粒和有机碳与元素碳混合颗粒）总计176922个，占颗粒总数的66.9%。本研究中碳气溶胶的占比稍高于Chen等[39]2013年利用SPAMS在西安冬季观测的结果（57%）。元素碳与NO2的相关性（图4b）说明元素碳与机动车排放有一定的关系[40]。观测到的生物质颗粒总计42176个，占总颗粒数的16.0%，说明生物质燃烧是西安市颗粒物的重要来源。在西安地区，生物质（如木材和农作物秸秆）是周边农村家庭的基本燃料[41]，仍占有较大比例。这一占比结果与Chen等[39]研究（19%）类似。富钾颗粒的数量总计35410个，占总颗粒数的13.4%。扬尘颗粒的个数是7809个，占总颗粒数的2.9%，与风速并无明显关系（R2=0.01，图4c），可能是由于观测期间风速较小。重金属颗粒的数量为2033个，仅占总颗粒数的1%。扬尘颗粒和重金属颗粒的占比与马等[7]研究结果一致。
-
获取颗粒物的粒径分布特征对于进一步理解其产生的环境效应至关重要，例如大气能见度的降低与颗粒物的粒径分布密切相关[42]。图5显示了SPAMS采集到的颗粒物数浓度及不同颗粒物随粒径变化的分布。从图5a中可以看到，颗粒物数量主要分布在0.2—0.5 μm之间，占总测径颗粒数的88.6%。颗粒物数量峰值出现在380 nm处，占总颗粒数的12.2%。图5b进一步显示了随粒径的变化不同颗粒物种类数量浓度的相对占比。有机碳与元素碳混合颗粒、元素碳颗粒、有机碳颗粒在整个测径范围内占比都较大，分别占到总颗粒数的34.2% ± 14.4%、16.8% ± 8.7%和10.7% ± 8.0%。
对于元素碳颗粒来说，在整个粒径段均有明显的贡献，主要分布在200 — 450 nm之间，平均占比为22.5%。有机碳主要集中在较小粒径段，分布在300 — 400 nm之间，与刘琴和刘慧琳等[43- 44]在成都和南宁研究的有机碳粒径分布较为一致。有机碳与元素碳混合颗粒的粒径主要在200—340 nm和800—1200 nm范围内较为丰富，贡献分别高达34.4%和40.2%。富钾颗粒主要在200—600 nm之间占比较大，平均为13.6%，该粒径分布与Bi等[24]在广州的研究一致。生物质颗粒在250—700 nm之间占比快速增长，峰值分布在560 —700 nm，大于元素碳、有机碳及富钾颗粒的粒径峰值。扬尘颗粒和重金属颗粒都分布在较大粒径段[43]，例如李思思等[45]在张家口市研究的沙尘期间Dust颗粒主要分布在800 nm处，本研究扬尘颗粒主要集中在600—1300 nm处，平均占比为4.6%。重金属颗粒主要集中大于600 nm处，平均占比是1.7%。
-
根据PM2.5浓度变化趋势可将采样期间的一个典型污染事件分为2个阶段，包括清洁期（阶段Ⅰ）：12月6日13:00至9日18:00；污染期（阶段Ⅱ）：12月9日19:00至11日8:00。划分标准参考环境空气质量标准（GB3095—82）。两个不同污染时期不同种类颗粒物的质谱图无明显差异性。图6显示不同颗粒物在不同污染水平下不同种类的数浓度及占比的变化趋势。
阶段Ⅰ期间，PM2.5平均质量浓度为32 μg·m−3，变化范围是15—73 μg·m−3。不同种类的颗粒物中占比较大的是含碳颗粒，包括：有机碳和元素碳混合颗粒（34.7%）、元素碳颗粒（22.8%）和有机碳颗粒（12.2%）。其它种类颗粒物依次为生物质颗粒（16.4%）、富钾颗粒（10.1%）、扬尘颗粒（2.5%）和重金属颗粒（1.3%）。含碳颗粒和生物质颗粒占比较大，说明人为燃烧源排放对于西安市PM2.5的贡献占据重要地位。生物质燃烧和燃煤排放是西安大气碳气溶胶的主要来源[11]。观测期间正处于西安市采暖阶段，所以燃煤和生物质燃烧排放对PM2.5的贡献不容忽视。
阶段Ⅱ期间，PM2.5的平均质量浓度为114 μg·m−3，范围是79—149 μg·m−3，不同种类颗粒物占比最大的是元素碳颗粒（30.5%），其次是有机碳和元素碳混合颗粒（20.7%）、富钾颗粒（17.5%）、生物质颗粒（13.7%）和有机碳颗粒（13.2%）；扬尘颗粒（3.6%）和重金属颗粒（0.8%）的占比较小。与阶段I相比，元素碳和富钾颗粒占比在阶段II明显升高。元素碳颗粒主要来自于生物质燃烧、燃煤排放以及机动车的一次排放[27]，因此元素碳颗粒的快速升高可能说明了此次污染与这些一次燃烧源排放有关。富钾颗粒来自于颗粒物的二次生成，说明二次化学反应对本次污染的形成也起到了重要作用。有机碳和元素碳混合颗粒和生物质颗粒的占比在阶段II均低于阶段I，说明本次污染不是由有机碳与元素碳混合颗粒和生物质颗粒主导的。有机碳颗粒、扬尘颗粒和重金属颗粒阶段I和阶段II的占比变化不大。
此外，在12月10日12点时，富钾颗粒物的占比达到最大（25.1%）；在16点时，元素碳的占比达到最大（42.2%）。在12:00—16:00期间，同样也是颗粒物数浓度快速上升时段，再次证明了本次污染的形成受到了燃烧源和颗粒物二次生成带来的影响。从阶段Ⅰ与阶段Ⅱ的气象条件来看（图1），阶段Ⅱ相对湿度（66%）明显高于阶段Ⅰ（43%）；阶段Ⅱ的风速（0.4 m·s−1）低于阶段Ⅰ（0.7 m·s−1）；阶段Ⅱ（−1.4℃）和阶段Ⅰ（−1.2℃）的温度相当。表明阶段Ⅱ 低风速不利于污染物的扩散，较高湿度有利于促进二次污染物的形成，从而加重污染。
-
硫酸盐、硝酸盐和铵盐是二次气溶胶的重要标志[46]。通常是由于气态污染物（SO2、NOx和NH3）转化而来[47]。研究各类颗粒物与硫酸盐和硝酸盐的混合状态，有利于了解颗粒物在不同阶段的老化特征。图7显示了不同种类颗粒物与硫酸盐、硝酸盐以及铵盐在一起的混合比例。
如图7所示，在阶段Ⅰ和阶段Ⅱ，7类颗粒物与硫酸盐和硝酸盐的混合程度均高于铵盐。硝酸盐和7种不同种类颗粒物混合的均较好；而硫酸盐与富钾颗粒、有机碳颗粒、有机碳与元素碳混合颗粒以及生物质颗粒混合的较好。在阶段Ⅱ中，除有机碳与元素碳混合颗粒外，硝酸盐和硫酸盐与其它类型颗粒的混合比例均高于阶段Ⅰ，混合比例大于0.8；尽管不同类型颗粒物与铵盐的混合比例均低于0.1，但是在阶段II中的混合程度都高于阶段Ⅰ。
整体来看，颗粒物与二次无机离子的混合状态在污染期间有所增加。在阶段Ⅱ期间，相对较高的湿度，有利于二次组分在颗粒物表面的形成，从而使颗粒物的老化程度加深。结合硫酸盐、硝酸盐颗粒物数浓度随相对湿度变化（图8）可以看到，在相对湿度70%以下时，硝酸盐和硫酸盐个数随湿度的增加而增，这表明相对湿度在一定范围内可以促进硫酸盐和硝酸盐的生成。当相对湿度超过70%时，硝酸盐和硫酸盐个数随湿度的增加反而呈下降趋势。这可能是由于受转化消耗导致较低的前体物浓度带来的影响。这可以从NO2和SO2在高湿度下也呈下降趋势来证明。
-
本文于2018年12月6—12日利用SPAMS对西安市颗粒物进行观测，根据ART-2a分类方法和人工分类方法对颗粒物进行分类，经分析得到如下结果：
（1）观测期间颗粒物主要分为七类，分别是有机碳和元素碳混合颗粒、元素碳颗粒和生物质颗粒、有机碳颗粒、富钾颗粒、扬尘颗粒和重金属颗粒。污染期间元素碳和富钾颗粒占比明显升高，说明此次污染事件形成与一次燃烧排放和二次颗粒物生成有关；气象条件分析，污染期间高湿度，低风速促进了此次污染事件形成。
（2）颗粒物主要分布在200—800 nm之间。不同种类的颗粒物在不同粒径下的占比具有明显的差异。元素碳颗粒主要分布在200—450 nm；有机碳主要集中在300—400 nm；有机碳与元素碳混合颗粒在200—340 nm和800—1200 nm处较为丰富；生物质颗粒主要分布在250—600 nm；富钾颗粒主要分布在200— 600 nm；扬尘颗粒和重金属颗粒主要分布在600—1300 nm之间。
（3）不同污染阶段颗粒物的化学组分特征差异显著，与清洁期相比，污染期元素碳颗粒和富钾颗粒占比上升最为明显，表明人为燃烧源以及二次颗粒物的生成是造成污染事件发生的主因。与此同时，污染期风速低，湿度较高，有利于污染物的积累和二次生成。
（4）不同类型颗粒物与硫酸盐和硝酸盐的混合程度高于铵盐。除有机碳与元素碳混合颗粒外，污染时期硝酸盐和硫酸盐与其它类型颗粒的混合比例均高于清洁期，表明颗粒物的老化程度加深。
西安城区冬季污染天单颗粒气溶胶的化学组分特征及混合状态
Chemical composition and Mixing states of single atmospheric particles in Xi'an during winter
-
摘要: 本研究利用单颗粒气溶胶质谱仪（SPAMS）于2018年12月6—12日在西安市开展高时间分辨率的实时在线观测。观测期间颗粒物数浓度和PM2.5质量浓度变化趋势一致，表明颗粒物数浓度可以反映大气污染状况。结合自适应共振神经网络算法和人工分类方法，将颗粒物共分为7类，分别是元素碳颗粒（EC）、有机碳与元素碳混合颗粒（OCEC）、有机碳颗粒（OC）、富钾颗粒（K-rich）、生物质颗粒（BB）、扬尘颗粒（Dust）、重金属颗粒（Metal），其中占比最大的是含碳颗粒（包括EC、OCEC和OC），总占比达到66.9%。颗粒物的粒径分布表明，88.6%的颗粒物粒径分布在200 —500 nm之间。OCEC、EC和OC颗粒在整个测径范围内占比较大。在污染期间，EC颗粒和K-rich颗粒的占比升高较为明显，表明此次污染事件在很大程度上受到了燃烧源以及颗粒物老化的影响。混合状态结果表示，污染期颗粒物与无机离子组分的混合程度高于清洁期，表明污染期颗粒物的老化程度更深。Abstract: To investigate the chemical composition and possible sources of particulate matter, an intensive campaign was performed in Xi' an from December 6 to 12, 2018 using a single particle aerosol mass spectrometer (SPAMS). A good correlation between the mass concentration of PM2.5 and SPAMS particle number indicated that the SPAMS particle numbers could reflect the trend of air pollution. The measured particles were clustered into seven groups based on the adaptive resonance theory-based neural network algorithm. They included particles of elemental carbon (EC), organic carbon mixed with elemental carbon (OCEC), organic carbon (OC), potassium-rich particles (K-rich), biomass-burning particles (BB), dust particles (Dust), and heavy metal particles (Metal). Carbon-containing particles accounted for the largest of the total particles (66.9%). Particles mixed with organic carbon and elemental carbon, elemental carbon particles, and organic carbon particles accounted for a large proportion in the measured diameter range. The proportion of elemental carbon particles and potassium-rich particles increased obviously in polluted period, which indicated that the pollution event was affected by the combustion sources and the aging of particulate matter. The results of mixing state showed that more particles mixed with secondary organic aerosols in polluted period than clean period, indicating stronger aging of particles in pollution event.
-
Key words:
- single particle aerosol /
- size distribution /
- chemical composition /
- mixing state /
- Xi’an /
- wintertime pollution days
-
-
图 1 西安2018年12月6日至12日温度、湿度和风速（a）、气体（CO、NO2、SO2和O3）浓度（b）、PM2.5、PM10质量浓度、AQI和颗粒物数浓度（c）的时间序列变化
Figure 1. Time series of temperature, relative humidity and wind speed （a）, gas concentrations （CO, NO2, SO2 and O3） （b）, PM2.5 and PM10 mass concentration, AQI and particle counts （c） in Xi’an from December 6 to 12, 2018
图 2 颗粒物数浓度和质量浓度的相关性
Figure 2. Relationship between PM2.5 mass concentration and particles counts
图 4 K元素和生物质颗粒数数浓度（a）、NO2和元素碳颗粒数数浓度（b）与风速和扬尘颗粒数数浓度（c）的相关性
Figure 4. Relationship between K and particles counts of BB（a）, between NO2 and particles counts of KEC（b）and between wind speed and particles counts of Dust（c）
图 5 采样期间西安不同类型颗粒物的数浓度（a）和相对占比随粒径变化的分布情况（b）
Figure 5. Size distribution of particle number concentration （a） and number fraction of each group of particles （b） during the whole observation period
图 6 阶段Ⅰ和阶段Ⅱ 大气颗粒物主要化学组分百分占比（a）、各类颗粒物的数浓度和PM2.5质量浓度（b）及其所占比例（c）的时间序列变化
Figure 6. Time series of the percentage of seven groups during phase Ⅰ and phase Ⅱ （a）, number concentration of each group and PM2.5 mass concentration （b） and number fraction of each particle group （c） during the campaign.
图 7 阶段Ⅰ和阶段Ⅱ不同种类颗粒物与二次无机组分的混合状态。
Figure 7. Mixing states of different groups of particles with secondary ions during phase Ⅰ and phase Ⅱ.
图 8 硝酸盐颗粒、硫酸盐颗、NO2和SO2随相对湿度的变化
Figure 8. Variations of nitrate, sulfate, NO2, and SO2 with relative humidity during the campaign
表 1 采样期间西安颗粒物不同类型的数量及占比
Table 1. Number counts and number fraction of each type of particles in Xi’an during the campaign
颗粒物类型
Particulate groups总颗粒个数
Count总占比/%
Proportion阶段Ⅰ占比/%
PhaseⅠ Proportion阶段Ⅱ占比/%
PhaseⅡ Proportion特征离子
Major ion fragments富钾颗粒 35410 13.4 10.1 17.5 39K+， $^{46}{\rm{NO}}_2^ - $ $^{62}{\rm{NO}}_3^ - $ $^{97}{\rm{HSO}}_4^ - $ 有机碳颗粒 38024 14.4 12.2 13.2 $^{{\rm{27}}}{{\rm{C}}_{\rm{2}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $ $^{{\rm{41}}}{{\rm{C}}_{\rm{3}}}{\rm{H}}_{\rm{5}}^{\rm{ + }} $ $^{43}{{\rm{C}}_{\rm{2}}}{{\rm{H}}_{\rm{5}}}{\rm{O}}^ + $ $ ^{{\rm{50}}}{{\rm{C}}_{\rm{2}}}{\rm{H}}_{\rm{4}}^{\rm{ + }}$ $^{{\rm{51}}}{{\rm{C}}_{\rm{4}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $
61C5H+，$^{{\rm{63}}}{{\rm{C}}_{\rm{5}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $ $^{{\rm{64}}}{{\rm{C}}_{\rm{5}}}{\rm{H}}_{\rm{4}}^{\rm{ + }} $ $^{{\rm{75}}}{{\rm{C}}_{\rm{6}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $ 元素碳颗粒 67960 25.7 22.8 30.5 ±12C，±24 C2，±36 ${\rm{C}}_3^+ $ ${\rm{C}}_{{n}}^+ $ 有机碳-元素碳混合颗粒 70939 26.8 34.7 20.7 $^{{\rm{27}}}{{\rm{C}}_{\rm{2}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $ $^{{\rm{41}}}{{\rm{C}}_{\rm{3}}}{\rm{H}}_{\rm{5}}^{\rm{ + }} $ $^{43}{{\rm{C}}_{\rm{2}}}{{\rm{H}}_{\rm{5}}}{\rm{O}}^ + $ $ ^{{\rm{50}}}{{\rm{C}}_{\rm{2}}}{\rm{H}}_{\rm{4}}^{\rm{ + }}$ $^{{\rm{51}}}{{\rm{C}}_{\rm{4}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $
61C5H+，$^{{\rm{63}}}{{\rm{C}}_{\rm{5}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $ $^{{\rm{64}}}{{\rm{C}}_{\rm{5}}}{\rm{H}}_{\rm{4}}^{\rm{ + }} $ $^{{\rm{75}}}{{\rm{C}}_{\rm{6}}}{\rm{H}}_{\rm{3}}^{\rm{ + }} $
±12C，±24 C2，±36${\rm{C}}_3^+ $ ${\rm{C}}_{{n}}^+ $ 生物质颗粒 42176 16.0 16.4 13.7 $^{45}{\rm{CHO}}_2^ - $ $ ^{59}{{\rm{C}}_{\rm{2}}}{{\rm{H}}_{\rm{3}}}{\rm{O}}_{\rm{2}}^ - $ $^{71}{{\rm{C}}_{\rm{3}}}{{\rm{H}}_{\rm{3}}}{\rm{O}}_{\rm{2}}^ - $ $^{73}{{\rm{C}}_{\rm{3}}}{{\rm{H}}_{\rm{5}}}{\rm{O}}_{\rm{2}}^ - $ 重金属颗粒物 2033 0.8 1.3 0.8 55Mn +，56Fe+，Pb+（m/z = 206、207、208） 扬尘颗粒物 7809 2.9 2.5 3.6 40Ca+，56CaO+， $^{76}{\rm{SiO}}_3^ - $ $^{79}{\rm{PO}}_3^ - $ 
下载: 导出CSV
-
[1] BI X H, DAI S H, ZHANG G H, et al. Real-time and single-particle volatility of elemental carbon-containing particles in the urban area of Pearl River Delta region, China [J]. Atmospheric Environment, 2015, 118: 194-202. [2] CAO J J, WANG Q Y, CHOW J C, et al. Impacts of aerosol compositions on visibility impairment in Xi'an, China [J]. Atmospheric Environment, 2012, 59: 559-566. [3] KIM K H, JAHAN S A, KABIR E, et al. A review of airborne polycyclic aromatic hydrocarbons (PAHs) and their human health effects [J]. Environment International, 2013, 60: 71-80. [4] SQUIZZATO S, CAZZARO M, INNOCENTE E, et al. Urban air quality in a mid-size city-PM2.5 composition, sources and identification of impact areas: From local to long range contributions [J]. Atmospheric Research, 2017, 186: 51-62. [5] HAYWOOD J M, RAMASWAMY V V, SODEN B J. Tropospheric aerosol climate forcing in clear-sky satellite observations over the oceans [J]. Science, 1999, 283(5406): 1299-1303. [6] WANG H L, ZHU B, ZHANG Z F, et al. Mixing state of individual carbonaceous particles during a severe haze episode in January 2013, Nanjing, China [J]. Particuology, 2015, 20: 16-23. [7] 马乾坤, 成春雷, 李梅, 等. 北京郊区秋季灰霾天气下细颗粒物化学成分及其混合特征研究 [J]. 地球化学, 2019, 48(2): 195-203. MA Q K, CHENG C L, LI M, et al. Chemical composition and mixing state of single particles during the haze period at a Beijing suburb site [J]. Geochimica, 2019, 48(2): 195-203(in Chinese).
[8] 张贺伟, 成春雷, 陶明辉, 等. 华北平原灰霾天气下大气气溶胶的单颗粒分析 [J]. 环境科学研究, 2017, 30(1): 1-9. ZHANG H W, CHENG C L, TAO M H, et al. Analysis of single particle aerosols in the North China plain during haze periods [J]. Research of Environmental Sciences, 2017, 30(1): 1-9(in Chinese).
[9] ZHANG J K, LUO B, ZHANG J Q, et al. Analysis of the characteristics of single atmospheric particles in Chengdu using single particle mass spectrometry [J]. Atmospheric Environment, 2017, 157: 91-100. [10] 王姚青, 赵普生, 韩素芹, 等. 天津城区PM2.5中碳组分污染特征分析 [J]. 环境化学, 2014, 33(3): 404-410. doi: 10.7524/j.issn.0254-6108.2014.03.004 WANG Y Q, ZHAO P S, HAN S Q, et al. Pollution character of carbonaceous aerosol in PM2.5 in Tianjin City [J]. Environmental Chemistry, 2014, 33(3): 404-410(in Chinese). doi: 10.7524/j.issn.0254-6108.2014.03.004
[11] 曹军骥, 李顺诚, 李杨, 等. 2003年秋冬季西安大气中有机碳和元素碳的理化特征及其来源解析 [J]. 自然科学进展, 2005, 15(12): 1460-1466. CAO J J, LI S C, LI Y, et al. Physical and chemical characteristics and source analysis of organic carbon and elemental carbon in Xi 'an atmosphere in autumn and winter of 2003 [J]. Progress in Natural Science, 2005, 15(12): 1460-1466(in Chinese).
[12] LIU L, WANG Y L, DU S Y, et al. Characteristics of atmospheric single particles during haze periods in a typical urban area of Beijing: A case study in October, 2014 [J]. Journal of Enviromental Sciences, 2016, 40: 145-153. [13] HU W W, HU M, HU W, et al. Chemical composition, sources, and aging process of submicron aerosols in Beijing: Contrast between summer and winter [J]. Journal of Geophysical Research: Atmospheres, 2016, 121(4): 1955-1977. [14] PRATT K A, PRATHER K A. Mass spectrometry of atmospheric aerosols - recent developments and applications. Part II: on-line mass spectrometry techniques [J]. Mass Spectrometry Reviews, 2012, 31: 17-48. [15] LI L, HUANG Z X, DONG J Q, et al. Real time bipolar time-of-flight mass spectrometer for analyzing single aerosol particles [J]. International Journal of Mass Spectrometry, 2011, 303(2/3): 118-124. [16] 牟莹莹, 楼晟荣, 陈长虹, 等. 利用SPAMS研究上海秋季气溶胶污染过程中颗粒物的老化与混合状态 [J]. 环境科学, 2013, 34(6): 2071-2080. MOU Y Y, LOU S R, CHEN C H, et al. Aging and mixing state of particulate matter during aerosol pollution episode in autumn shanghai using a single particle aerosol mass spectrometer(SPAMS) [J]. Enviromental Science, 2013, 34(6): 2071-2080(in Chinese).
[17] SHEN Z X, CAO J J, LIU S X, et al. Chemical composition of PM10 and PM2.5 collected at ground level and 100m during a strong winter-time pollution episode in Xi'an, China [J]. Air Waste Management Association, 2011, 61(11): 1150-1159. [18] SHEN Z X, CAO J J, ARIMOTO R, et al. Ionic composition of TSP and PM2.5 during dust storms and air pollution episodes at Xi'an, China [J]. Atmospheric Environment, 2009, 43(18): 2911-2918. [19] WANG G H, ZHOU B H, CHENG C L, et al. Impact of Gobi desert dust on aerosol chemistry of Xi'an, inland China during spring 2009: differences in composition and size distribution between the urban ground surface and the mountain atmosphere [J]. Atmospheric Chemistry and Physics, 2013, 13(2): 819-835. [20] CAO J J, LEE S C, ZHANG X Y, et al. Characterization of airborne carbonate over a site near Asian dust source regions during spring 2002 and its climatic and environmental significance [J]. Journal of Geophysical Research: Atmospheres, 2005, 110(3): 1-8. [21] 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): 11-22. [22] CAO J J, SHEN Z X, CHOW J C, et al. Winter and summer PM2.5 chemical compositions in fourteen Chinese cities [J]. Journal of the Air & Waste Management Association, 2012, 62(10): 1214-1226. [23] SHEN L J, WANG H L, LÜ S, et al. Influence of pollution control on air pollutants and the mixing state of aerosol particles during the 2nd World Internet Conference in Jiaxing, China [J]. Journal of Cleaner Production, 2017, 149: 436-447. [24] BI X H, ZHANG G H, LI L, et al. Mixing state of biomass burning particles by single particle aerosol mass spectrometer in the urban area of PRD, China [J]. Atmospheric Environment, 2011, 45(20): 3447-3453. [25] 黄正旭, 李梅, 李磊, 等. 单颗粒气溶胶质谱仪研究进展 [J]. 上海大学学报(自然科学版), 2011, 17(4): 562-566. HUANG Z X, LI M, LI L, et al. Progress in Research of Single Particle Aerosol Mass Spectrometer [J]. Journal of Shanghai University(Natural Science Edition), 2011, 17(4): 562-566(in Chinese).
[26] 张雷波, 尹立峰, 李敏姣, 等. 利用单颗粒气溶胶质谱技术研究天津市春节前后大气颗粒物粒径变化情况 [J]. 天津科技, 2020(4): 67-72. ZHANF L B, YIN L F, LI M J, et al. Study on particle size change of particulates during spring festival in tianjin by single particle aerosol mass spectrometry [J]. Tianjin Science & Technology, 2020(4): 67-72(in Chinese).
[27] ZHANG G H, BI X H, LI L, et al. Mixing state of individual submicron carbon-containing particles during spring and fall seasons in urban Guangzhou, China: a case study [J]. Atmospheric Chemistry and Physics, 2013, 13(9): 4723-4735. [28] WANG H B, TIAN M, CHEN Y, et al. Seasonal characteristics, formation mechanisms and source origins of PM2.5 in two megacities in Sichuan Basin, China [J]. Atmospheric Chemistry and Physics, 2018, 18(2): 865-881. doi: 10.5194/acp-18-865-2018 [29] 林秋菊, 徐娇, 李梅, 等. 基于SPAMS的天津市夏季环境受体中颗粒物的混合状态及来源[J]. 环境科学, 2020, 41(6): 2505-2518. LIN Q J, XU J, LI M, et al. Mixed state and source of the fine particulate matter in summer in Tianjin City base on a single particle aerosol mass spectrometer (SPAMS) [J]. Environmental Science, 2020, 41(6): 2505-2518 (in Chinese).
[30] 冯新宇. 利用单颗粒气溶胶质谱仪(SPAMS)研究太原市冬季一次雾霾天气的污染特征及成因 [J]. 环境化学, 2019, 38(1): 177-185. doi: 10.7524/j.issn.0254-6108.2018020302 FENG X Y. Characteristics and formation mechanism of a haze event in the winter of Taiyuan investigated by single particle aerosol mass spectrometry(SPAMS) [J]. Environmental Chemistry, 2019, 38(1): 177-185(in Chinese). doi: 10.7524/j.issn.0254-6108.2018020302
[31] MOFFET R C, DE Foy B, MOLINA L T, et al. Measurement of ambient aerosols in northern Mexico City by single particle mass spectrometry [J]. Atmospheric Chemistry and Physics, 2008, 8(16): 4499-4516. [32] SILVA P J, LIU D, NOBLE C A, et al. Size and chemical characterization of individual particles resulting from biomass burning of local southern california species [J]. Environmental Science & Technology, 1999, 33(18): 3068-3076. [33] GUO S, HU M, GUO Q F, et al. Primary sources and secondary formation of organic aerosols in Beijing, China [J]. Environmental Science & Technology, 2012, 46(18): 9846-9853. [34] MA L, LI M, HUANG Z X, et al. Real time analysis of lead-containing atmospheric particles in Beijing during springtime by single particle aerosol mass spectrometry[J]. Chemosphere, 2016, 154: 454-462. [35] 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. [36] ORAVISJÄRVI K, TIMONEN K L, WIIKINKOSKI T, et al. Source contributions to PM2.5 particles in the urban air of a town situated close to a steel works[J]. Atmospheric Environment, 2003, 37(8): 1013-1022. [37] MAZZEI F, D'ALESSANDRO A, LUCARELLI F, et al. Characterization of particulate matter sources in an urban environment[J]. Science of The Total Environment, 2008, 401(1-3): 81-89. [38] 邰珊珊, 仇伟光, 张青新, 等. 利用SPAMS初探盘锦市冬季PM2.5污染特征及来源[J]. 中国环境监测, 2017, 33(3)∶147-153. TAI S S, QOU W G, ZHANG X C, et al. Characteristics and sources of PM2.5 pullution in the winter of Panjin City using single particle aerosol mass spectrometer (SPAMS) [J]. Enviromental Monitoring in China, 2017, 33(3): 147-153 (in Chinese).
[39] CHEN Y, CAO J J, HUANG R J, et al. Characterization, mixing state, and evolution of urban single particles in Xi'an (China) during wintertime haze days[J]. Science of the Total Environment, 2016, 573: 937-945. [40] 林艺辉, 谢品华, 秦敏, 等. 北京冬季大气SO2、NO2与O3的监测与分析[J]. 大气与环境光学学报, 2007, 2(1): 55-59. LIN Y H, XIE P H, QIN M, et al. Monitoring and analysis of SO2, NO2 and O3 in Winter of Beijing [J]. Journal of Atmospheric and Environmental Optics, 2007, 2(1): 55-59(in Chinese).
[41] 朱建春, 李荣华, 张增强, 等. 陕西农村家庭能源消费结构分析[J]. 可再生能源, 2012, 30(2)∶125-130. ZHU J C, LI R H, ZHANG Z Q , et al. The rural household energy consumption structure analysis of Shanxi province[J]. Renewable Energy, 2012, 30(2): 125-130 (in Chinese).
[42] 黄巍, 王军. 成都市城区大气颗粒物对能见度影响研究[J]. 四川环境. 2015(2): 63-66. HUANG W, WANG J. Study on the impact of atmospheric particulate matter on the visibility in urban area of Chengdu[J]. Sichuan Enviroment, 2015(2): 63-66 (in Chinese).
[43] 刘琴, 张军科, 黄小娟, 等. 成都春季气溶胶理化性质及不同时段污染特征[J]. 中国环境科学, 2019, 39(12): 5009-5017. LIU Q, ZHANG J K, HUANG X J, et al. The physicochemical properties of aerosol and its pollution characteristics in different periods in spring in Chengdu[J]. China Environmental Science, 2019, 39(12): 5009-5017 (in Chinese).
[44] 刘慧琳, 宋红军, 陈志明, 等. 利用SPAMS研究南宁市冬季单颗粒气溶胶化学成分[J]. 环境科学, 2016, 37(2)∶434-442. LIU H L, SONG H J, CHEN Z M, et al. Chemical composition of the single particle aerosol in winter in Nanning Using SPAMS[J]. Enviromental Science. 2016, 37(2): 434-442 (in Chinese).
[45] 李思思, 黄正旭, 王存美, 等. 张家口市一次沙尘天气气溶胶单颗粒理化特征和来源研究[J]. 生态环境学报, 2017, 26(3): 437-444. LI S S, HUANG Z X, WANG C M, et al. Chemical and physical characteristics and sources of single particle aerosols during a dust event in Zhangjiakou[J]. Ecology and Environment Sciences, 2017, 26(3): 437-444 (in Chinese).
[46] HUANG X F, QIU R L, CHAN C K, et al. Evidence of high PM2.5 strong acidity in ammonia-rich atmosphere of Guangzhou, China: Transition in pathways of ambient ammonia to form aerosol ammonium at [${{\rm{NH}}_4^+ }$]/[${{\rm{SO}}_4^{2-} }$] = 1.5[J]. Atmospheric Research, 2011, 99(3-4): 488-495. [47] 王心培, 谢郁宁, 王格慧, 等. 长三角背景点夏季大气PM2.5中水溶性无机离子污染特征及来源解析 [J]. 环境科学研究, 2020, 33(6): 1366-1375. WANG X P, XIE Y N, WANG G H, et al. Chemical characterization and source apportionment of water-soluble inorganic ions of summertime atmospheric PM2.5 in background of Yangtze River delta region [J]. Research of Environmental Sciences, 2020, 33(6): 1366-1375(in Chinese).
-
点击查看大图
计量
- 文章访问数: 2754
- HTML全文浏览数: 2754
- PDF下载数: 52
- 施引文献: 0
