Processing math: 100%

邯郸市微米细气溶胶粒子来源解析及其对重污染的贡献

胡偲豪, 吴春苗, 高娜娜, 张崇崇, 胡伟, 王金喜, 樊景森, 岳亮, 牛红亚. 邯郸市微米细气溶胶粒子来源解析及其对重污染的贡献[J]. 环境化学, 2023, 42(6): 1876-1885. doi: 10.7524/j.issn.0254-6108.2021122004
引用本文: 胡偲豪, 吴春苗, 高娜娜, 张崇崇, 胡伟, 王金喜, 樊景森, 岳亮, 牛红亚. 邯郸市微米细气溶胶粒子来源解析及其对重污染的贡献[J]. 环境化学, 2023, 42(6): 1876-1885. doi: 10.7524/j.issn.0254-6108.2021122004
HU Sihao, WU Chunmiao, GAO Nana, ZHANG Chongchong, HU Wei, WANG Jinxi, FAN Jingsen, YUE Liang, NIU Hongya. Source analysis of micron fine aerosol particles and their contribution to heavy pollution in Handan City[J]. Environmental Chemistry, 2023, 42(6): 1876-1885. doi: 10.7524/j.issn.0254-6108.2021122004
Citation: HU Sihao, WU Chunmiao, GAO Nana, ZHANG Chongchong, HU Wei, WANG Jinxi, FAN Jingsen, YUE Liang, NIU Hongya. Source analysis of micron fine aerosol particles and their contribution to heavy pollution in Handan City[J]. Environmental Chemistry, 2023, 42(6): 1876-1885. doi: 10.7524/j.issn.0254-6108.2021122004

邯郸市微米细气溶胶粒子来源解析及其对重污染的贡献

    通讯作者: Tel:13663100796,E-mail:niuhongya@126.com
  • 基金项目:
    国家自然科学基金(41807305),河北省自然科学基金(D2021402004),河北省杰出青年科学基金(D2018402149),大气重污染成因与治理攻关项目(DQGG202110)和河北省化工行业挥发性有机物检测与治理技术创新中心开放课题(ZXJJ20210402)资助

Source analysis of micron fine aerosol particles and their contribution to heavy pollution in Handan City

    Corresponding author: NIU Hongya, niuhongya@126.com
  • Fund Project: National Natural Science Foundation of China (41807305), Natural Science Foundation of Hebei Province (D2021402004), Science Foundation for Distinguished Young Scholars of Hebei Province (D2018402149), the Causes and Treatment of Heavy Air Pollution Project (DQGG202110) and the Open Project of Hebei Chemical Industry Volatile Organic Compounds Detection and Treatment Technology Innovation Center (ZXJJ20210402).
  • 摘要: 灰霾污染在我国具有规模大、持续时间长、发生频率高的特点,其负面影响主要与不同粒径颗粒物的含量、组成和分布有关,因此受到越来越多的关注. 微米气溶胶粒子(PM1)因为具有更大的比表面积,所以在化学成分、大气寿命、生态气候和健康影响方面表现出与其他颗粒物相异的特征,因此受到了广大学者的关注. 邯郸作为典型的大气气溶胶重污染城市,研究其微米气溶胶粒子的来源、形成和贡献对加深认识理解大气污染及城市空气质量治理方针政策的制定都能提供科学依据. 本文基于 2019 年1月邯郸市PM2.5和PM1离子浓度数据,通过正定矩阵因子模型(PMF)源解析方法对其进行来源分析,并结合后向轨迹聚类分析法和潜在来源贡献函数法(PSCF)研究邯郸市大气颗粒物的输送路径及潜在源. 结果表明,研究期间PM1和PM2.5的平均质量浓度分别达到94.94 μg·m-3和164.50 μg·m−3,其中PM1/PM2.5的比值范围为45.20%—79.81%. 相较于PM2.5,二次无机气溶胶(SO42−、NO3和NH4+)在PM1中的占比(43.88%)更高;PM1中占比更高的二次无机气溶胶和典型无机元素表明人为因素所排放的污染物在较小粒径的颗粒物中更易积累. PMF分析确定了PM1和PM2.5的6个来源. 它们分别是二次污染物、交通源、工业源、生物质燃烧、扬尘源和燃煤源;其在PM1中的贡献率分别为36.1%、7.9%、20.8%、6.8%、4.7%和23.8%;其在PM2.5中的贡献率分别为32.7%、11.8%、16.0%、13.7%、5.0%和20.8%. 后向轨迹和化学组分分析结果表明冬季生物质燃烧和施肥对PM1的潜在贡献. 潜在源分析表明邯郸市冬季重污染过程的产生是由西北部长—短气流传输共同作用的结果.
  • 高氯酸盐(ClO4)作为一种新型环境污染物,主要来源于军工企业和火箭推进剂制造厂等[1]ClO4会抑制人体甲状腺对碘离子的吸收,干扰甲状腺正常功能、代谢和发育,严重时会对骨髓和肌肉组织产生病变影响,诱发甲状腺癌,危害人类的健康[1-2]。常见的ClO4的去除方法主要包括物化法[3-4]和生物法[5-6]。物化法的主要缺点是操作成本高,选择性低,处理后产生二次卤水废物。相反,微生物法可以使ClO4完全转化为Cl,具有对ClO4降解速率快、反应条件温和等优点,因而被认为是有前景的ClO4处理技术。

    在微生物处理技术中,厌氧颗粒污泥已逐步应用到ClO4废水处理中[7-8]。然而,由于ClO4具有强氧化性会抑制厌氧颗粒污泥中微生物的生长[9],延长了颗粒污泥的培养周期。因此,如何快速培养具有去除ClO4能力的高氯酸盐还原颗粒污泥,成为国内外研究的热点。在颗粒污泥驯化过程中,微生物作为颗粒污泥的主要组成部分,所选用的接种污泥对高氯酸盐还原颗粒污泥的形成起着至关重要的作用。有研究[10]表明,絮状活性污泥中含有少量高氯酸盐还原菌,具有降解ClO4的潜力。WAN等[11]在硫填充床反应器中接种活性污泥同时去除硝酸盐(NO3)和ClO4的过程中发现,部分反硝化细菌可以以ClO4为电子受体。同时,WANG等[12]的研究表明,以颗粒污泥为接种污泥会有利于加速颗粒污泥的形成。YIN等[8]使用反硝化颗粒污泥为接种污泥,通过直接逐步增加高氯酸盐负荷的方法,经过99 d培养出高氯酸盐还原颗粒污泥,并发现高氯酸盐还原颗粒污泥中高氯酸盐还原菌和反硝化细菌为优势菌群。然而,在逐步增加高氯酸盐负荷的过程中,同时逐步降低硝酸盐进水浓度,能否加快高氯酸盐还原颗粒污泥的培养,目前并未有相关报道。

    本研究以反硝化颗粒污泥为接种污泥,通过逐步降低进水NO3同时逐步升高进水ClO4浓度的方法,开展了高氯酸盐还原颗粒污泥快速培养的研究,考察了高氯酸盐还原颗粒污泥的培养过程中ClO4去除性能和颗粒污泥特性(混合液悬浮固体浓度,混合液挥发性固体浓度,粒径分布和胞外聚合物组分),并对反硝化颗粒污泥和高氯酸盐还原颗粒污泥的菌群结构进行了分析,为进一步研究高氯酸盐还原颗粒污泥在ClO4废水处理中的实际应用提供理论基础。

    UASB反应器材料为有机玻璃(图1),内径为80 mm,高为750 mm,有效容积为3.50 L。顶部内设三相分离器,沿反应器不同高度设4个取样口。反应器运行温度保持在(30±2) ℃,水力停留时间(HRT)为3.50 h。

    图 1  实验装置流程示意图
    Figure 1.  Schematic diagram of experimental equipment

    接种污泥取自实验室UASB反应器成功培养出的反硝化颗粒污泥。其颗粒污泥成熟时间为50 d,硝酸盐去除率稳定在85%以上,混合液悬浮固体浓度(MLSS)为42.33 g·L−1,混合液挥发性固体浓度(MLVSS)为25.84 g·L−1,MLVSS/MLSS为0.50,胞外聚合物(EPS)为24.62 mg·g−1,蛋白质(PN)为8.47 mg·g−1,多糖(PS)为11.29 mg·g−1

    实验废水为人工配置的硝酸盐和高氯酸盐混合进水,其中硝酸盐主要进水成分为硝酸钠和无水乙酸钠,碳氮比(C∶N)为4∶1。高氯酸盐主要进水成分为高氯酸钠和无水乙酸钠,CH3COOClO4(摩尔比)为1.5∶1.0。其他主要成分为0.13 g·L−1的磷酸二氢钾和0.52 g·L−1的硫酸铵,微量元素为2.00 mL·L−1。微量元素溶液组成为0.50 mg·L−1 MnSO4·H2O、0.10 mg·L−1 FeSO4·7H2O、0.01 mg·L−1 CuSO4·5H2O、0.01 mg·L−1 Na2MoO4·2H2O、0.01 mg·L−1 Na2WO4·2H2O、0.02 mg·L−1 NiCl2·6H2O、0.50 mg·L−1 EDTA。

    为实现高氯酸盐还原颗粒污泥的快速培养,本实验采用逐步降低NO3同时逐步增加ClO4浓度的方法,其间NO3浓度从200 mg·L−1降低至0,ClO4浓度从50 mg·L−1增加至250 mg·L−1,具体的运行参数调控见表1。水样每天取自UASB反应器出水口,每隔10 d,由UASB反应器的取样口取颗粒污泥样品。

    表 1  运行参数
    Table 1.  Operation parameters
    阶段时间/dHRT/h进水流速/(L·h−1)/(mg·L−1)/(mg·L−1)
    0~103.501.0050200
    11~203.501.00100150
    21~303.501.00150100
    31~403.501.0020050
    41~503.501.002500
     | Show Table
    DownLoad: CSV

    ClO4采用离子色谱仪(美国戴安ICS-1100)进行测定,保护柱为AG20(4 mm×50 mm),分析柱为AS20(4 mm×250 mm)。样品分析前均经8 000 r·min−1离心10 min,然后经过0.22 μm微孔滤膜过滤。采用梯度淋洗的方式进行,淋洗液为KOH溶液,流速为1.00 mL·min−1,柱温为30 ℃。NO3采用紫外分光光度法[13]测定,COD采用重铬酸钾消解法[13]测定,粒径分布采用湿式筛法[13]测定,MLSS和MLVSS采用重量法[13]测定。EPS采用加热法[14-15]提取。具体实验方法为:将颗粒污泥加入磷酸盐缓冲液(pH=7)中,进行超声处理,然后在80 ℃水浴中加热;加入0.30 mL甲醛,放入摇床,以300 r·min−1振荡0.50 h;再加入1.00 mL 2.00 mol·L−1的NaOH,以300 r·min−1振荡1 h;最后经6 000 g·min−1的转速离心10 min,再用0.22 μm的滤膜过滤。EPS用总有机碳测定仪测定提取液中的总有机碳含量,来表示EPS含量,其中PN采用考马斯亮蓝法进行测定,以牛血清白蛋白作为标准物质;PS采用蒽酮比色法[16]进行测定。

    为探究高氯酸盐还原颗粒污泥形成过程中微生物菌群结构的变化,分别对反硝化颗粒污泥和高氯酸盐还原颗粒污泥进行高通量测序分析。建库和测序工作委托上海美吉医药生物科技有限公司(上海,中国)完成,高通量测序是在Miseq(Illumina,美国)测序平台上完成的。

    通过不断降低进水NO3同时逐步升高进水ClO4浓度的方法,培养高氯酸盐还原颗粒污泥,高氯酸盐还原颗粒污泥形成过程中ClO4NO3浓度及去除率的变化如图2所示。由图2可知,第0~10天(第Ⅰ阶段),进水ClO4浓度为50 mg·L−1,进水NO3浓度为200 mg·L−1ClO4NO3的去除率都维持在90%以上。先前研究表明,反硝化细菌也具有代谢ClO4的能力[17],因此,反应器中反硝化颗粒污泥可以代谢ClO4。第10~30天(第Ⅱ~Ⅲ阶段),当进水ClO4NO3浓度为100 mg·L−1和150 mg·L−1时,ClO4的去除率在90%以上,而NO3的去除率虽有小幅波动,但基本维持在80%以上;当进水ClO4NO3浓度为150 mg·L−1和100 mg·L−1时,ClO4的去除率在90%以上,而NO3的去除率发生明显波动,经几天的运行恢复到90%以上。这可能是因为ClO4对微生物具有毒性,随着进水ClO4浓度的增加,导致大量反硝化细菌被杀死或抑制。另外,在ClO4还原过程中会产生氧气,氧气的产生会抑制反应体系中厌氧菌的生长。因此,NO3的去除率明显降低,但随着高氯酸盐还原菌的富集,NO3的去除率又逐渐恢复,这与先前的研究结果[18]一致,高氯酸盐还原菌可以去除NO3。第30~40天(第Ⅳ阶段),进水ClO4浓度为200 mg·L−1,进水NO3浓度为50 mg·L−1ClO4NO3的去除率均可达到90%以上。第40~50天(第Ⅴ阶段),进水ClO4浓度为250 mg·L−1,进水中无NO3浓度的加入,ClO4NO3的去除率可以维持在90%以上,这表明经过了50 d的培养,反应器中成功培养出了高氯酸盐还原颗粒污泥。与先前99 d培养出高氯酸盐还原颗粒污泥[8]相比,本研究通过逐步降低NO3浓度的同时逐步增加ClO4浓度的培养方法,较为显著地减少了高氯酸盐还原颗粒污泥的培养时间。这可能是由于NO3ClO4共同代谢过程中,反硝化细菌的NO3代谢过程中会产生一定量的胞外分泌物,可以在一定程度上减弱ClO4对颗粒污泥中各类菌体细胞的毒性,从而减少在高氯酸盐还原细菌不断富集的过程中其他微生物的大量死亡和颗粒污泥的瓦解,进而加快了反硝化颗粒污泥向高氯酸盐还原颗粒污泥的转化。谢宇轩等[19]的研究中也发现,在ClO4NO3的混合体系中,NO3的存在会促进所有参与ClO4降解的细菌(高氯酸盐还原菌和部分反硝化细菌)的生长和发育。

    图 2  反应器运行过程中NO3ClO4的浓度及去除率的变化
    Figure 2.  Changes in the concentration and removal efficiency of NO3 and ClO4 during operation of reactor

    颗粒污泥特性(MLSS、MLVSS、粒径分布和EPS组分)直接影响着反应器运行以及污染物的去除效果。因此,本研究对高氯酸盐还原颗粒污泥形成过程中的颗粒污泥特性进行了研究。

    MLSS和MLVSS可以代表反应器中颗粒污泥浓度,在高氯酸盐还原颗粒污泥培养的过程中,MLSS和MLVSS的变化如图3所示。由图3可知,第0~20天(第Ⅰ~Ⅱ阶段),MLSS的含量由42.33 g·L−1降低到30.64 g·L−1,MLVSS的含量由25.84 g·L−1降低到21.28 g·L−1,反应器内的生物量呈现下降的趋势。这可能是因为ClO4的加入对微生物产生毒害作用,并且随着ClO4浓度的增加,其毒害作用有所加强,从而抑制了反硝化细菌的生长,且与高氯酸盐还原代谢相关的菌种还未形成优势菌种。第20~50天(第Ⅲ~Ⅴ阶段),MLSS的含量由30.64 g·L−1增加到50.68 g·L−1,MLVSS的含量由21.28 g·L−1增加到40.58 g·L−1。反应器内生物量呈现上升的趋势,这可能是因为随着反应器的运行,反应器中逐渐富集了大量的高氯酸盐还原菌,因此,MLSS和MLVSS开始逐步升高。另外,在整个实验过程中,MLVSS/MLSS的变化趋势呈逐步上升的趋势,MLVSS/MLSS由0.61增加到0.80,本研究结果与先前的研究结果[20-21]相似。在颗粒污泥的驯化初期,反应体系内MLSS、MLVSS和MLVSS/MLSS均呈现下降的趋势,但随着运行时间的延长,污泥对污染物去除能力不断增强,MLSS、MLVSS和MLVSS/MLSS逐渐增加。TANG等[22]的研究发现,UASB反应器经过450 d培养出颗粒化较好的厌氧氨氧化颗粒污泥,其具有较高的脱氮能力,反应器内MLVSS为42.00~57.70 g·L−1。本研究经过50 d所得到的高氯酸盐还原颗粒污泥,其MLSS和MLVSS分别为50.68 g·L−1和40.58 g·L−1,MLVSS/MLSS为0.80,考虑到去除不同污染物的颗粒污泥性能上会稍有差异,且ClO4去除率维持在90%以上,因此,确认高氯酸盐颗粒污泥培养成功。

    图 3  反应器运行过程中MLSS和MLVSS的变化
    Figure 3.  Variations of MLSS and MLVSS during operation of reactor

    在高氯酸盐还原颗粒污泥培养过程中,污泥颗粒粒径分布的变化如图4所示。由图4可知,在整个反应器运行期间(第Ⅰ~Ⅴ阶段),颗粒污泥粒径呈先减小后增大的趋势。第0~20天(第Ⅰ~Ⅱ阶段),粒径范围在<0.60 mm和0.60~1.00 mm的颗粒有所增加,分别由40.00%和22.00%增加到45.00%和25.00%;粒径为1.00~2.00、2.00~4.75和>4.75 mm的颗粒有所减少,分别由26.00%、10.00%和2.00%降低到23.00%、6.50%和0.50%。这可能是因为随着ClO4浓度的增加,对微生物的毒害作用增强,容易造成颗粒解体,进而形成较小的颗粒。第21~50天(第Ⅲ~Ⅴ阶段),粒径范围在<0.60 mm和0.60~1.00 mm的颗粒逐步减少,所占百分比分别降低到36.49%和20.27%;粒径范围为1.00~2.00、2.00~4.75和>4.75 mm的颗粒增加,其对应的占比分别增加到28.46%、12.30%和2.48%。这可能是因为随培养时间的延长,微生物群落中能代谢ClO4的细菌大量富集,从而促进了反应器内颗粒污泥的颗粒化。有研究[23-24]表明,颗粒粒径也是表征颗粒污泥是否培养成功的重要指标。唐鹏等[23]的研究发现,UASB反应器连续运行127 d便可成功培养出厌氧氨氧化颗粒污泥,其脱氮能力高且颗粒粒径为1.00~3.00 mm。丛岩等[24]经过80 d培养出脱氮能力较高的厌氧氨氧化颗粒污泥,其平均直径为0.556 mm。本研究经过50 d的培养得到的高氯酸盐还原颗粒污泥,其主要粒径范围在<0.60 mm和1.00~2.00 mm,且ClO4去除率维持在90%以上,高氯酸盐颗粒污泥培养成功。

    图 4  反应器运行过程中粒径分布的变化
    Figure 4.  Variations of particle size distribution during operation of reactor

    EPS是由PN、PS和其他物质构成的高分子聚合物,其在颗粒污泥团聚和保护细菌在不利条件下生成中起着重要作用[25-26]。高氯酸盐还原颗粒污泥培养过程中EPS及其组分变化如图5所示。由图5可知,在整个反应器运行期间(第Ⅰ~Ⅴ阶段),EPS、PN和PS呈先下降后上升的趋势。第0~20天(第Ⅰ~Ⅱ阶段),EPS从开始时的24.62 mg·g−1下降到20.66 mg·g−1,PN从开始时的8.47 mg·g−1下降到6.85 mg·g−1,PS从开始时的11.29 mg·g−1下降到9.48 mg·g−1。这可能是因为ClO4的加入对细菌具有毒性,导致部分微生物死亡脱落,因此,EPS及其组分的含量有所下降。第20~50天(第Ⅲ~Ⅴ阶段),EPS从20.66 mg·g−1上升到26.40 mg·g−1,PN从6.85 mg·g−1上升到10.02 mg·g−1,PS从9.48 mg·g−1上升到13.48 mg·g−1。这可能是因为随着高氯酸盐还原菌的富集,促进了EPS及其组分的分泌。然而,在高氯酸盐还原颗粒污泥培养的过程中,虽然EPS,PN和PS均呈先下降后上升的趋势,但其数值变化幅度较小,且PN/PS基本维持在0.75左右。以上结果表明,在还原颗粒污泥培养过程中,当有NO3存在时,ClO4浓度的增加并不会导致EPS及其组分的明显改变,推测该现象是由于反硝化细菌代谢NO3过程中,其产生的EPS及其组分可减少在高氯酸盐还原细菌富集过程中其他细菌的大量死亡和颗粒污泥的瓦解,从而加快了反硝化颗粒污泥向高氯酸盐还原颗粒污泥的转化。

    图 5  反应器运行过程中EPS及其组分的变化
    Figure 5.  Variations of EPS and its components during operation of reactor

    微生物群落对颗粒污泥的形成及特性具有重要影响,不同微生物有不同的功能。有些细菌具有促进颗粒污泥形成的作用,有些细菌可以代谢污染物。因此,为了进一步解读高氯酸盐还原颗粒污泥的形成过程,对反硝化颗粒污泥和高氯酸盐还原颗粒污泥的菌群结构进行了研究。

    α多样性可以反映微生物群落中物种的数目,其中用Chao1和ACE指数评估群落的物种丰度,用Shannon和Simpson指数评估群落的物种多样性。反硝化颗粒污泥和高氯酸盐还原颗粒污泥的α多样性参数如表2所示。由表2可知,反硝化颗粒污泥和高氯酸盐还原颗粒污泥的覆盖率(coverage)均大于95%,表明样品中未被检测出来的序列的概率较低。在高氯酸盐还原颗粒污泥培养的过程中,Chao1和ACE指数从1 446.26和1 507.87降低到831.47和868.04,这表明颗粒污泥中的物种丰度降低。另外,在高氯酸盐还原颗粒污泥培养的过程中,Shannon指数从4.71降低到3.18,Simpson指数从0.04上升到0.12,这表明颗粒污泥中的物种多样性降低。以上结果表明,随着ClO4浓度的增加,ClO4对菌的抑制作用增强,导致菌群的丰度和多样性均有所降低。

    表 2  α多样性参数
    Table 2.  Alpha diversity parameters
    样品OTUShannonSimpsonACEChao1覆盖率
    反硝化颗粒污泥1 3064.710.041 507.871 446.260.99
    高氯酸盐还原颗粒污泥6563.180.12868.04831.470.99
     | Show Table
    DownLoad: CSV

    将微生物检测相对丰度>1%的菌门作为主要菌门,反硝化颗粒污泥和高氯酸盐还原颗粒污泥在门水平的群落结构分析如图6所示。由图6可知,反硝化颗粒污泥和高氯酸盐还原颗粒污泥中共发现4个主要菌门,分别为ProteobacteriaBacteroidetesChloroflexiFirmicutes。LIAN等[27]的研究表明,大部分高氯酸盐还原菌和反硝化细菌属于ProteobacteriaChloroflexi。在本实验中,ProteobacteriaChloroflexi在反硝化颗粒污泥中为主要的优势菌,所占的比例分别为82.66%和3.82%;ProteobacteriaChloroflexi在高氯酸盐还原颗粒污泥中也为主要的优势菌,所占的比例分别为45.47%和26.15%。

    图 6  不同颗粒污泥在门水平的分布
    Figure 6.  Distribution of bacteria in different granular sludge at level of phylum

    为了进一步分析群落结构的变化,反硝化颗粒污泥和高氯酸盐还原颗粒污泥在属水平的群落结构分析结果如图7所示。有研究表明:Methyloversatilis[17]Thauera[8]Hydrogenophaga[8]为反硝化细菌;Azospira[8]Longilinea[17]Ancalomicrobium[8]为高氯酸盐还原菌。在高氯酸盐还原颗粒污泥培养过程中,MethyloversatilisThaueraHydrogenophaga在颗粒污泥中所占的比例由46.07%、2.67%和1.33%下降到0.96%、1.11%和0.42%,这表明在培养过程中反硝化细菌数量有所减少;而AzospiraLongilineaAncalomicrobium在颗粒污泥中所占的比例由11.50%、1.62%和0.01%升高到15.15%、9.95%和3.95%,这表明在培养过程中高氯酸盐还原颗粒污泥数量有所增加。此外,Ornatilinea在高氯酸盐还原颗粒污泥培养过程中所占的比例由0.01%升高到1.43%,这表明Ornatilinea可能为高氯酸盐还原菌。

    图 7  不同颗粒污泥在属水平的分布情况
    Figure 7.  Distribution of bacteria in different granular sludge at level of genus

    1)以反硝化颗粒污泥为接种污泥,通过逐步降低NO3浓度的同时逐步增加ClO4浓度的方法,可在50 d快速培养出高氯酸盐还原颗粒污泥。NO3浓度的逐步降低,可缓解ClO4对颗粒污泥中各类微生物的毒性,是本研究利用反硝化颗粒污泥快速培养高氯酸盐还原颗粒污泥的技术关键之一。

    2)高氯酸盐还原颗粒污泥培养成功后,颗粒污泥特性良好,MLSS和MLVSS分别为50.68 g·L−1和40.58 g·L−1,主要粒径分布在<0.60 mm和1.00~2.00 mm。培养过程中EPS及其组分变化幅度较小,这说明逐步降低进水NO3浓度,对促进高氯酸盐颗粒污泥快速培养具有重要作用。

  • 图 1  重污染过程中颗粒物浓度及二者比值

    Figure 1.  Concentration and ratio of particulate matter in heavy pollution process

    图 2  各类来源对于PM1和PM2.5质量浓度的贡献

    Figure 2.  Contribution of various sources to PM1 and PM2.5 mass concentrations

    表 1  研究期间PM1和PM2.5化学组分平均质量浓度及占比

    Table 1.  The mean mass concentration and proportion of chemical components of PM1 and PM2.5 during the study period

    PM1PM2.5PM1中占比/%PM1 in proportionPM2.5中占比/%PM2.5 in proportion
    PM/(μg·m−394.94164.50100.00100.00
    NO3/(μg·m−319.9029.9220.9618.19
    SO42−/(μg·m−310.3620.4810.9112.45
    NH4+/(μg·m−311.4019.6112.0111.92
    Na+/(μg·m−30.140.500.150.30
    K+/(μg·m−31.481.861.561.13
    Cl/(μg·m−35.706.116.003.71
    Zn/(μg·m−30.260.430.270.26
    Mg/(μg·m−30.180.220.190.13
    Fe/(μg·m−30.300.890.320.54
    Pb/(μg·m−30.030.120.030.07
    Ba/(μg·m−30.040.060.040.04
    K/(μg·m−31.251.621.320.98
    Mn/(ng·m−374.5874.780.080.05
    Cr/(ng·m−327.5729.130.030.02
    Cu/(ng·m−316.0924.960.020.02
    Ni/(ng·m−312.9632.610.010.02
    PM1PM2.5PM1中占比/%PM1 in proportionPM2.5中占比/%PM2.5 in proportion
    PM/(μg·m−394.94164.50100.00100.00
    NO3/(μg·m−319.9029.9220.9618.19
    SO42−/(μg·m−310.3620.4810.9112.45
    NH4+/(μg·m−311.4019.6112.0111.92
    Na+/(μg·m−30.140.500.150.30
    K+/(μg·m−31.481.861.561.13
    Cl/(μg·m−35.706.116.003.71
    Zn/(μg·m−30.260.430.270.26
    Mg/(μg·m−30.180.220.190.13
    Fe/(μg·m−30.300.890.320.54
    Pb/(μg·m−30.030.120.030.07
    Ba/(μg·m−30.040.060.040.04
    K/(μg·m−31.251.621.320.98
    Mn/(ng·m−374.5874.780.080.05
    Cr/(ng·m−327.5729.130.030.02
    Cu/(ng·m−316.0924.960.020.02
    Ni/(ng·m−312.9632.610.010.02
    下载: 导出CSV

    表 2  两次重污染期间PM1化学组分质量浓度(μg·m−3

    Table 2.  PM1 and species concentrations during 2 heavy pollution events(μg·m−3

    PM1NO3SO42−NH4+K+MnZnCuMgBa
    S1103.1125.879.6913.441.820.120.110.020.900.05
    S2124.7728.3017.9216.401.750.070.350.020.180.06
    PM1NO3SO42−NH4+K+MnZnCuMgBa
    S1103.1125.879.6913.441.820.120.110.020.900.05
    S2124.7728.3017.9216.401.750.070.350.020.180.06
    下载: 导出CSV

    表 3  重污染过程PM2.5后向轨迹聚类分析

    Table 3.  Clustering analysis of PM2.5 backward trajectory in heavy pollution process

    S1中占比/%S1 in proportionS2中占比/%S2 in proportionS1路径S1 pathS2路径S2 path
    聚类137.5055.00河南北部—邯郸山西中部—邯郸
    聚类212.5015.83蒙古中部—内蒙古北部—河北北部—北京中部—天津中部—山东西部—邯郸内蒙古西南部—陕西北部—山西中部—邯郸
    聚类322.925.00蒙古中部—内蒙古中部—河北北部—北京中部—天津西部—邯郸俄罗斯西南部—蒙古中部—内蒙古中部—山西北部—邯郸
    聚类414.5813.33石家庄—衡水—邯郸内蒙古西北部—陕西北部—山西中部—邯郸
    聚类512.5010.83蒙古中部—内蒙古北部—河北北部—北京东部—天津中部—山东西部—邯郸蒙古中部—内蒙古中部—山西北部—邯郸
      注:1月7—8日(S1),1月10—14日(S2).
    S1中占比/%S1 in proportionS2中占比/%S2 in proportionS1路径S1 pathS2路径S2 path
    聚类137.5055.00河南北部—邯郸山西中部—邯郸
    聚类212.5015.83蒙古中部—内蒙古北部—河北北部—北京中部—天津中部—山东西部—邯郸内蒙古西南部—陕西北部—山西中部—邯郸
    聚类322.925.00蒙古中部—内蒙古中部—河北北部—北京中部—天津西部—邯郸俄罗斯西南部—蒙古中部—内蒙古中部—山西北部—邯郸
    聚类414.5813.33石家庄—衡水—邯郸内蒙古西北部—陕西北部—山西中部—邯郸
    聚类512.5010.83蒙古中部—内蒙古北部—河北北部—北京东部—天津中部—山东西部—邯郸蒙古中部—内蒙古中部—山西北部—邯郸
      注:1月7—8日(S1),1月10—14日(S2).
    下载: 导出CSV

    表 4  重污染过程PM2.5的加权潜在源贡献函数

    Table 4.  Weighted potential source contribution function of PM2.5 in heavy pollution process

    (WPSCF > 0.6)(0.3 < WPSCF < 0.6)
    S1河南北部,河北东南部,邯郸市北京,天津,河北东部,山东西北部
    S2河北中部,山西北部,邯郸市蒙古中部,内蒙古中部,山西北部,河南北部,山东西部
      注:1月7—8日(S1),1月10—14日(S2).
    (WPSCF > 0.6)(0.3 < WPSCF < 0.6)
    S1河南北部,河北东南部,邯郸市北京,天津,河北东部,山东西北部
    S2河北中部,山西北部,邯郸市蒙古中部,内蒙古中部,山西北部,河南北部,山东西部
      注:1月7—8日(S1),1月10—14日(S2).
    下载: 导出CSV
  • [1] LANG J L, ZHANG Y Y, ZHOU Y, et al. Trends of PM2.5 and chemical composition in Beijing, 2000–2015 [J]. Aerosol and Air Quality Research, 2017, 17(2): 412-425. doi: 10.4209/aaqr.2016.07.0307
    [2] HUANG H T, GAO L R, XIA D, et al. Characterization of short- and medium-chain chlorinated paraffins in outdoor/indoor PM10/PM2.5/PM1.0 in Beijing, China [J]. Environmental Pollution, 2017, 225: 674-680. doi: 10.1016/j.envpol.2017.03.054
    [3] ZHOU Y, CHENG S Y, CHEN D S, et al. Temporal and spatial characteristics of ambient air quality in Beijing, China [J]. Aerosol and Air Quality Research, 2015, 15(5): 1868-1880. doi: 10.4209/aaqr.2014.11.0306
    [4] 邵龙义, 王文华, 幸娇萍, 等. 大气颗粒物理化特征和影响效应的研究进展及展望 [J]. 地球科学, 2018, 43(5): 1691-1708.

    SHAO L Y, WANG W H, XING J P, et al. Physicochemical characteristics and effects of airborne particles: Research progress and prospects [J]. Earth Science, 2018, 43(5): 1691-1708(in Chinese).

    [5] SUN Y L, WANG Z F, DU W, et al. Long-term real-time measurements of aerosol particle composition in Beijing, China: Seasonal variations, meteorological effects, and source analysis [J]. Atmospheric Chemistry and Physics, 2015, 15(17): 10149-10165. doi: 10.5194/acp-15-10149-2015
    [6] WANG Q Q, SUN Y L, JIANG Q, et al. Chemical composition of aerosol particles and light extinction apportionment before and during the heating season in Beijing, China [J]. Journal of Geophysical Research:Atmospheres, 2015, 120(24): 12708-12722. doi: 10.1002/2015JD023871
    [7] 赵清, 李杏茹, 王国选, 等. 运城秋冬季大气细粒子化学组成特征及来源解析 [J]. 环境科学, 2021, 42(4): 1626-1635. doi: 10.13227/j.hjkx.202008304

    ZHAO Q, LI X R, WANG G X, et al. Chemical composition and source analysis of PM2.5 in Yuncheng, Shanxi Province in autumn and winter [J]. Environmental Science, 2021, 42(4): 1626-1635(in Chinese). doi: 10.13227/j.hjkx.202008304

    [8] 任秀龙, 胡伟, 吴春苗, 等. 华北南部重污染城市周边区域二次气溶胶的化学特征及来源解析[J]. 环境科学, 2022, 43(3):1159-1169.

    REN X L, HU W, WU C M, et al. Chemical characteristics and source analysis of secondary aerosols around heavily polluted cities in southern North China[J]. Environmental Science, 2022, 43(3):1159-1169(in Chinese).

    [9] SKILES M J, LAI A M, OLSON M R, et al. Source apportionment of PM2.5 organic carbon in the San Joaquin Valley using monthly and daily observations and meteorological clustering [J]. Environmental Pollution, 2018, 237: 366-376. doi: 10.1016/j.envpol.2018.02.055
    [10] 武振晓. 民用燃煤排放颗粒物的单颗粒演变特征及金属元素组成[D]. 邯郸: 河北工程大学, 2021.

    WU Z X. Single particle evolution characteristics and metal element composition of particulate matter emitted from civil coal combustion [D]. Handan: Hebei University of Engineering, 2021(in Chinese).

    [11] 薛凡利, 牛红亚, 武振晓, 等. 邯郸市PM2.5中碳组分的污染特征及来源分析 [J]. 中国环境科学, 2020, 40(5): 1885-1894. doi: 10.3969/j.issn.1000-6923.2020.05.004

    XUE F L, NIU H Y, WU Z X, et al. Pollution characteristics and sources of carbon components in PM2.5 in Handan City [J]. China Environmental Science, 2020, 40(5): 1885-1894(in Chinese). doi: 10.3969/j.issn.1000-6923.2020.05.004

    [12] 关攀博, 周颖, 程水源, 等. 典型重工业城市空气重污染过程特征与来源解析 [J]. 中国环境科学, 2020, 40(1): 31-40. doi: 10.3969/j.issn.1000-6923.2020.01.004

    GUAN P B, ZHOU Y, CHENG S Y, et al. Characteristics of heavy pollution process and source appointment in typical heavy industry cities [J]. China Environmental Science, 2020, 40(1): 31-40(in Chinese). doi: 10.3969/j.issn.1000-6923.2020.01.004

    [13] 刘召策, 袁琦, 胡伟, 等. 邯郸市冬季一次霾过程中细颗粒物化学组分的污染特征及消光贡献 [J]. 地球化学, 2020, 49(3): 298-305. doi: 10.19700/j.0379-1726.2019.05.012

    LIU Z C, YUAN Q, HU W, et al. Pollution characteristics and extinction contribution of chemical composition in fine particulate matter during a winter haze episode in Handan [J]. Geochimica, 2020, 49(3): 298-305(in Chinese). doi: 10.19700/j.0379-1726.2019.05.012

    [14] 邓靓, 韩新宇, 施择, 等. 云南低纬度高原城市大气PM2.5中水溶性离子特征及来源分析 [J]. 环境化学, 2020, 39(12): 3306-3317.

    DENG L, HAN X Y, SHI Z, et al. Characteristics and source analysis of water soluble ions in atmospheric PM2.5 in low latitude plateau cities of Yunnan Province [J]. Environmental Chemistry, 2020, 39(12): 3306-3317(in Chinese).

    [15] 周变红, 王锦, 曹夏, 等. 宝鸡市冬季碳质气溶胶污染特征及来源解析 [J]. 环境化学, 2020, 39(12): 3336-3345.

    ZHOU B H, WANG J, CAO X, et al. Characteristics and sources of carbon fractions during winter in Baoji City [J]. Environmental Chemistry, 2020, 39(12): 3336-3345(in Chinese).

    [16] 黄华斌, 林承奇, 胡恭任, 等. 基于PMF模型的九龙江流域农田土壤重金属来源解析 [J]. 环境科学, 2020, 41(1): 430-437. doi: 10.13227/j.hjkx.201907156

    HUANG H B, LIN C Q, HU G R, et al. Source appointment of heavy metals in agricultural soils of the Jiulong River Basin based on positive matrix factorization [J]. Environmental Science, 2020, 41(1): 430-437(in Chinese). doi: 10.13227/j.hjkx.201907156

    [17] 王芳龙, 李忠勤, 杨宏, 等. 天水市大气颗粒物输送通道及污染源区研究 [J]. 环境化学, 2020, 39(9): 2371-2383. doi: 10.7524/j.issn.0254-6108.2019061705

    WANG F L, LI Z Q, YANG H, et al. Study on atmospheric particulate matter transport channel and pollution source area in Tianshui City [J]. Environmental Chemistry, 2020, 39(9): 2371-2383(in Chinese). doi: 10.7524/j.issn.0254-6108.2019061705

    [18] 赵倩彪, 胡鸣, 张懿华. 利用后向轨迹模式研究上海市PM2.5来源分布及传输特征 [J]. 环境监测管理与技术, 2014, 26(4): 22-26. doi: 10.3969/j.issn.1006-2009.2014.04.006

    ZHAO Q B, HU M, ZHANG Y H. Study of source distribution and transportation characteristics of PM2.5in Shanghai using backward trajectory model [J]. The Administration and Technique of Environmental Monitoring, 2014, 26(4): 22-26(in Chinese). doi: 10.3969/j.issn.1006-2009.2014.04.006

    [19] 符传博, 丹利, 佟金鹤. 2017年秋季海口市一次持续空气污染过程特征及成因分析 [J]. 环境化学, 2021, 40(4): 1048-1058. doi: 10.7524/j.issn.0254-6108.2019112704

    FU C B, DAN L, TONG J H. Characteristics and source analysis of a multi-day air pollution episode in Haikou City in autumn 2017 [J]. Environmental Chemistry, 2021, 40(4): 1048-1058(in Chinese). doi: 10.7524/j.issn.0254-6108.2019112704

    [20] 杜艳伟, 程建光, 吴一钢, 等. 青岛市外源PM2.5传输路径及潜在污染源区 [J]. 城市环境与城市生态, 2015, 28(4): 11-14.

    DU Y W, CHENG J G, WU Y G, et al. Transportation pathways and potential sources of external PM2.5 in Qingdao City [J]. Urban Environment & Urban Ecology, 2015, 28(4): 11-14(in Chinese).

    [21] 张晗宇, 程水源, 姚森, 等. 2016年10~11月期间北京市大气颗粒物污染特征与传输规律 [J]. 环境科学, 2019, 40(5): 1999-2009. doi: 10.13227/j.hjkx.201810228

    ZHANG H Y, CHENG S Y, YAO S, et al. Pollution characteristics and regional transport of atmospheric particulate matter in Beijing from October to November, 2016 [J]. Environmental Science, 2019, 40(5): 1999-2009(in Chinese). doi: 10.13227/j.hjkx.201810228

    [22] 符传博, 丹利, 唐家翔, 等. 基于轨迹模式分析海口市大气污染的输送及潜在源区 [J]. 环境科学学报, 2020, 40(1): 36-42. doi: 10.13671/j.hjkxxb.2019.0244

    FU C B, DAN L, TANG J X, et al. Analysis of air polluted transportation and potential source in Haikou City based on trajectory model [J]. Acta Scientiae Circumstantiae, 2020, 40(1): 36-42(in Chinese). doi: 10.13671/j.hjkxxb.2019.0244

    [23] ZONG Z, WANG X P, TIAN C G, et al. Source apportionment of PM2.5 at a regional background site in North China using PMF linked with radiocarbon analysis: Insight into the contribution of biomass burning [J]. Atmospheric Chemistry and Physics, 2016, 16(17): 11249-11265. doi: 10.5194/acp-16-11249-2016
    [24] REN B, XIE P H, XU J, et al. Use of the PSCF method to analyze the variations of potential sources and transports of NO2, SO2, and HCHO observed by MAX-DOAS in Nanjing, China during 2019 [J]. Science of the Total Environment, 2021, 782: 146865. doi: 10.1016/j.scitotenv.2021.146865
    [25] 刘子杨, 彭倩倩, 王新雨, 等. 青岛市秋冬季PM1中含碳组分污染特征与来源分析//中国环境科学学会. 2020中国环境科学学会科学技术年会论文集(第一卷)[C]. 中国环境科学学会, 中国环境科学学会, 2020: 7.

    LIU Z Y, PENG Q Q, WANG X Y, et al. Pollution characteristics and source analysis of carbon components in PM1 in autumn and winter in Qingdao//Chinese society of Environmental Sciences. Proceedings of 2020 annual meeting of science and technology of Chinese society of Environmental Sciences (Volume Ⅰ)[C]. Chinese society of Environmental Sciences, Chinese society of Environmental Sciences, 2020: 7(in Chinese).

    [26] 常毅, 刘得守, 刘文君. 兰州城市大气中PM1.0污染特征研究 [J]. 中国环境监测, 2020, 36(4): 45-52.

    CHANG Y, LIU D S, LIU W J. Study on the pollution characteristics of PM1.0 in Lanzhou City [J]. Environmental Monitoring in China, 2020, 36(4): 45-52(in Chinese).

    [27] 黄伟, 熊桂洪, 王军, 等. 重庆地区环境空气中PM1监测对比分析 [J]. 环境科学与技术, 2020, 43(8): 90-94.

    HUANG W, XIONG G H, WANG J, et al. Comparative analysis of PM1 monitoring in the ambient air of Chongqing [J]. Environmental Science & Technology, 2020, 43(8): 90-94(in Chinese).

    [28] 洪达驰, 张金谱, 裴成磊, 等. 广州市环境空气PM1冬季比对研究 [J]. 环境科学导刊, 2019, 38(6): 51-57.

    HONG D C, ZHANG J P, PEI C L, et al. Comparative research on ambient air PM1 in winter in Guangzhou [J]. Environmental Science Survey, 2019, 38(6): 51-57(in Chinese).

    [29] 丁净, 唐颖潇, 郝天依, 等. 天津市冬季空气湿度对PM2.5和能见度的影响 [J]. 环境科学, 2021, 42(11): 5143-5151.

    DING J, TANG Y X, HAO T Y, et al. Impact of air humidity on PM2.5 mass concentration and visibility during winter in Tianjin [J]. Environmental Science, 2021, 42(11): 5143-5151(in Chinese).

    [30] 张毓秀, 任万辉, 王嘉禾, 等. 沈阳市冬季不同污染程度PM2.5中OC和EC污染特征 [J]. 中国环境科学, 2021, 41(7): 3066-3075. doi: 10.3969/j.issn.1000-6923.2021.07.008

    ZHANG Y X, REN W H, WANG J H, et al. Characteristics of organic carbon(OC) and elemental carbon(EC) under different pollution levels of PM2.5 during winter in Shenyang [J]. China Environmental Science, 2021, 41(7): 3066-3075(in Chinese). doi: 10.3969/j.issn.1000-6923.2021.07.008

    [31] 冯炎鹏, 张军科, 黄小娟, 等. 成都夏冬季PM2.5中水溶性无机离子污染特征 [J]. 环境科学, 2020, 41(7): 3012-3020.

    FENG Y P, ZHANG J K, HUANG X J, et al. Pollution characteristics of water-soluble inorganic ions in Chengdu in summer and winter [J]. Environmental Science, 2020, 41(7): 3012-3020(in Chinese).

    [32] 蒋惠梦, 肖寒, 宋河, 等. 武汉市冬季灰霾期PM2.5中水溶性无机离子的特征 [J]. 南京信息工程大学学报(自然科学版), 2018, 10(5): 590-598.

    JIANG H M, XIAO H, SONG H, et al. Characteristics of water-soluble inorganic ions in PM2.5 during a winter haze episode in Wuhan City [J]. Journal of Nanjing University of Information Science & Technology (Natural Science Edition), 2018, 10(5): 590-598(in Chinese).

    [33] WANG J, ZHANG J S, LIU Z J, et al. Characterization of chemical compositions in size-segregated atmospheric particles during severe haze episodes in three mega-cities of China [J]. Atmospheric Research, 2017, 187: 138-146. doi: 10.1016/j.atmosres.2016.12.004
    [34] ZHAO Q B, HUO J T, YANG X, et al. Chemical characterization and source identification of submicron aerosols from a year-long real-time observation at a rural site of Shanghai using an Aerosol Chemical Speciation Monitor [J]. Atmospheric Research, 2020, 246: 105154. doi: 10.1016/j.atmosres.2020.105154
    [35] 李越洋, 姬亚芹, 张军, 等. 盘锦市冬季大气PM2.5元素污染特征及来源解析 [J]. 环境化学, 2019, 38(8): 1891-1898. doi: 10.7524/j.issn.0254-6108.2018102802

    LI Y Y, JI Y Q, ZHANG J, et al. Pollution characteristics and source apportionment of elements in PM2.5 during winter in Panjin City [J]. Environmental Chemistry, 2019, 38(8): 1891-1898(in Chinese). doi: 10.7524/j.issn.0254-6108.2018102802

    [36] ZÍKOVÁ N, WANG Y G, YANG F M, et al. On the source contribution to Beijing PM2.5 concentrations [J]. Atmospheric Environment, 2016, 134: 84-95. doi: 10.1016/j.atmosenv.2016.03.047
    [37] YOU S M, YAO Z Y, DAI Y J, et al. A comparison of PM exposure related to emission hotspots in a hot and humid urban environment: Concentrations, compositions, respiratory deposition, and potential health risks [J]. Science of the Total Environment, 2017, 599/600: 464-473. doi: 10.1016/j.scitotenv.2017.04.217
    [38] HU W, HU M, HU W W, et al. Seasonal variations in high time-resolved chemical compositions, sources, and evolution of atmospheric submicron aerosols in the megacity Beijing [J]. Atmospheric Chemistry and Physics, 2017, 17(16): 9979-10000. doi: 10.5194/acp-17-9979-2017
    [39] LI Y Y, CHANG M, DING S S, et al. Monitoring and source apportionment of trace elements in PM2.5: Implications for local air quality management [J]. Journal of Environmental Management, 2017, 196: 16-25.
    [40] TOBLER A, BHATTU D, CANONACO F, et al. Chemical characterization of PM2.5 and source apportionment of organic aerosol in New Delhi, India [J]. Science of the Total Environment, 2020, 745: 140924. doi: 10.1016/j.scitotenv.2020.140924
    [41] 刘素, 马彤, 杨艳, 等. 太原市冬季PM2.5化学组分特征与来源解析 [J]. 环境科学, 2019, 40(4): 1537-1544.

    LIU S, MA T, YANG Y, et al. Chemical composition characteristics and source apportionment of PM2.5 during winter in Taiyuan [J]. Environmental Science, 2019, 40(4): 1537-1544(in Chinese).

    [42] 刘慧, 夏敦胜, 陈红, 等. 2017年兰州市大气污染物输送来源及传输特征模拟分析 [J]. 环境科学研究, 2019, 32(6): 993-1000. doi: 10.13198/j.issn.1001-6929.2019.01.08

    LIU H, XIA D S, CHEN H, et al. Simulation analysis of sources and transmission characteristics of air pollutants in Lanzhou City in 2017 [J]. Research of Environmental Sciences, 2019, 32(6): 993-1000(in Chinese). doi: 10.13198/j.issn.1001-6929.2019.01.08

    [43] ZHANG Y Y, LANG J L, CHENG S Y, et al. Chemical composition and sources of PM1 and PM2.5 in Beijing in autumn [J]. Science of the Total Environment, 2018, 630: 72-82. doi: 10.1016/j.scitotenv.2018.02.151
    [44] ZONG Z, WANG X P, TIAN C G, et al. PMF and PSCF based source apportionment of PM2.5 at a regional background site in North China [J]. Atmospheric Research, 2018, 203: 207-215. doi: 10.1016/j.atmosres.2017.12.013
  • 期刊类型引用(2)

    1. 马心怡,纪晓腾,马博健,田宇婷,朱浩,牛红亚. 2016~2021年秋冬季邯郸市PM_(2.5)污染特征与来源对比. 环境科学. 2025(01): 591-602 . 百度学术
    2. 纪晓腾,马心怡,马博健,鲍晓磊,马文娜,田宇婷,岳亮,牛红亚. 邯郸市大气PM_(2.5)时空分布及季节性潜在源分析. 环境科学学报. 2024(02): 298-309 . 百度学术

    其他类型引用(0)

  • 加载中
图( 2) 表( 4)
计量
  • 文章访问数:  2813
  • HTML全文浏览数:  2813
  • PDF下载数:  119
  • 施引文献:  2
出版历程
  • 收稿日期:  2021-12-20
  • 录用日期:  2022-03-08
  • 刊出日期:  2023-06-27
胡偲豪, 吴春苗, 高娜娜, 张崇崇, 胡伟, 王金喜, 樊景森, 岳亮, 牛红亚. 邯郸市微米细气溶胶粒子来源解析及其对重污染的贡献[J]. 环境化学, 2023, 42(6): 1876-1885. doi: 10.7524/j.issn.0254-6108.2021122004
引用本文: 胡偲豪, 吴春苗, 高娜娜, 张崇崇, 胡伟, 王金喜, 樊景森, 岳亮, 牛红亚. 邯郸市微米细气溶胶粒子来源解析及其对重污染的贡献[J]. 环境化学, 2023, 42(6): 1876-1885. doi: 10.7524/j.issn.0254-6108.2021122004
HU Sihao, WU Chunmiao, GAO Nana, ZHANG Chongchong, HU Wei, WANG Jinxi, FAN Jingsen, YUE Liang, NIU Hongya. Source analysis of micron fine aerosol particles and their contribution to heavy pollution in Handan City[J]. Environmental Chemistry, 2023, 42(6): 1876-1885. doi: 10.7524/j.issn.0254-6108.2021122004
Citation: HU Sihao, WU Chunmiao, GAO Nana, ZHANG Chongchong, HU Wei, WANG Jinxi, FAN Jingsen, YUE Liang, NIU Hongya. Source analysis of micron fine aerosol particles and their contribution to heavy pollution in Handan City[J]. Environmental Chemistry, 2023, 42(6): 1876-1885. doi: 10.7524/j.issn.0254-6108.2021122004

邯郸市微米细气溶胶粒子来源解析及其对重污染的贡献

    通讯作者: Tel:13663100796,E-mail:niuhongya@126.com
  • 1. 河北工程大学地球科学与工程学院,邯郸,056038
  • 2. 天津大学地球系统科学学院,天津,300072
  • 3. 河北省邯郸生态环境监测中心,邯郸,056001
基金项目:
国家自然科学基金(41807305),河北省自然科学基金(D2021402004),河北省杰出青年科学基金(D2018402149),大气重污染成因与治理攻关项目(DQGG202110)和河北省化工行业挥发性有机物检测与治理技术创新中心开放课题(ZXJJ20210402)资助

摘要: 灰霾污染在我国具有规模大、持续时间长、发生频率高的特点,其负面影响主要与不同粒径颗粒物的含量、组成和分布有关,因此受到越来越多的关注. 微米气溶胶粒子(PM1)因为具有更大的比表面积,所以在化学成分、大气寿命、生态气候和健康影响方面表现出与其他颗粒物相异的特征,因此受到了广大学者的关注. 邯郸作为典型的大气气溶胶重污染城市,研究其微米气溶胶粒子的来源、形成和贡献对加深认识理解大气污染及城市空气质量治理方针政策的制定都能提供科学依据. 本文基于 2019 年1月邯郸市PM2.5和PM1离子浓度数据,通过正定矩阵因子模型(PMF)源解析方法对其进行来源分析,并结合后向轨迹聚类分析法和潜在来源贡献函数法(PSCF)研究邯郸市大气颗粒物的输送路径及潜在源. 结果表明,研究期间PM1和PM2.5的平均质量浓度分别达到94.94 μg·m-3和164.50 μg·m−3,其中PM1/PM2.5的比值范围为45.20%—79.81%. 相较于PM2.5,二次无机气溶胶(SO42−、NO3和NH4+)在PM1中的占比(43.88%)更高;PM1中占比更高的二次无机气溶胶和典型无机元素表明人为因素所排放的污染物在较小粒径的颗粒物中更易积累. PMF分析确定了PM1和PM2.5的6个来源. 它们分别是二次污染物、交通源、工业源、生物质燃烧、扬尘源和燃煤源;其在PM1中的贡献率分别为36.1%、7.9%、20.8%、6.8%、4.7%和23.8%;其在PM2.5中的贡献率分别为32.7%、11.8%、16.0%、13.7%、5.0%和20.8%. 后向轨迹和化学组分分析结果表明冬季生物质燃烧和施肥对PM1的潜在贡献. 潜在源分析表明邯郸市冬季重污染过程的产生是由西北部长—短气流传输共同作用的结果.

English Abstract

  • 细颗粒物是一种重要的大气污染物,它对于空气质量,人体健康,大气能见度和气候变化有着极其重要的影响[1-4]. 中国正在遭受着严重的PM2.5(空气动力学中当量直径<2.5 μm)污染的影响,特别是我国北方一些典型的重工业城市. 因此,PM2.5在最近的研究中受到了学者们广泛的关注. PM1(空气动力学中当量直径<1 μm)作为一种比PM2.5还小的颗粒物,它在影响气候变化,能见度下降以及人类身体健康方面产生了更为显著的作用. 然而,与PM2.5相比,PM1受到的关注却少之又少. 因此,研究PM1的化学组分和来源,对于进一步总结其对环境、健康和气候的影响,有效缓解PM1和PM2.5污染是十分必要的. 目前,部分学者基于在线监测的手段,对北京市PM1的污染特征进行了研究. 例如,Sun等[5]通过测量北京市的NR-PM1(非难熔微米气溶胶),总结出NR-PM1的日变化规律. Wang等[6]通过采集北京市10—12月的NR-PM1样品,利用气溶胶化学组分监测进行实时监测,说明了铵盐对颗粒物消减做出极大的贡献. 但是国内外的学者们目前主要关注点仍然集中在PM2.5的相应的研究上,且该类研究多集中在各国首都,省会城市,对于中小型城市,尤其是在我国饱受大气污染的华北平原的重工业城市的关注力度不足.

    目前,绝大多数学者都选择受体模型判别细颗粒物的来源与贡献,主要包括PMF源解析法,主成分分析法(PCA)和化学质量平衡模型(CMB). 如赵清等[7]通过PMF源解析法,解析出运城市灰霾暴发主要是受到二次相关源、燃煤源、交通源与生物质燃烧及二次有机物共同作用的影响;任秀龙等[8]根据PCA模型源解析结果说明了邯郸市PM1和PM2.5主要的来源是二次源、工业源、机动车源和生物质燃烧源;Skiles等[9]利用CMB模型解析出美国加利福尼亚州圣华金河谷的PM2.5的有机碳主要来自移动源、生物质燃烧、二次有机碳、植物碎屑和油烟.

    邯郸市作为我国华北平原的典型重工业城市之一,位于京津冀“2+26”大气污染传输通道之中,复杂的地理条件和人为活动的影响使得该地区成为全国大气污染严重城市之一[10]. 目前,对于邯郸市大气颗粒物污染的研究主要集中在PM2.5上,例如,薛凡利等[11]研究了2017年邯郸市PM2.5中碳组分的污染特征并对其来源进行了分析. 关攀博等[12]分析了邯郸市PM2.5中组分浓度的变化特征. 刘召策等[13]对邯郸市PM2.5中主要的化学组分及其光学特性进行了分析. 但是对于邯郸市PM1相关方面的研究少之又少. 为了得到邯郸市微米细气溶胶粒子的来源、形成和贡献,为邯郸市大气污染治理方针政策的制定提供科学依据,本文在对邯郸市2018年冬季PM2.5和PM1同时观察的基础上,研究邯郸市重污染期间PM2.5和PM1的化学组分特征及其驱动因素.

    本文以华北平原典型重工业城市邯郸市为研究对象,利用后向轨迹聚类分析法、PMF以及PSCF 法,分析邯郸市细颗粒物质量浓度的变化规律,化学组分特征及来源,探究影响邯郸市细颗粒物的主要输送路径和潜在源区,为有效控制邯郸市大气污染和开展区域联防治理提供科学的理论指导.

    • 邯郸市采样点设置在(36.57°N,114.50°E)位于河北工程大学老校区,距地面高约16 m,该采样点接近城市中心地带,周围被居民区包围,附近无工业厂房与高大建筑物,是国家控制采样点,可代表邯郸城市大气环境.

    • 本研究采用多通道大气颗粒物采样器(Unray ZR-3930D型)采集大气PM2.5样品,PM1样品使用PM1颗粒物采样器(TE-Wilbur型,TISCH,USA)采集. PM2.5和PM1样品都使用47 mm的Teflon膜进行样品采集,采样时间为2019年1月5日—1月16日,每日早晚采集两次样品,分别为8:00—19:30,20:00—次日7:30. 采样后Teflon膜在冰箱中(−18 ℃)冷冻保存. 使用精度0.01 mg的电子天平(XS205dualrange)进行称重,称重前需将采样膜在恒温箱(温度(25±0.5)℃,湿度(30±5)%)中平衡24 h以上. 为保证采集样品数据的可靠性,分别在采样开始和结束时分别采集空白样.

      分析水溶性离子时,剪下Teflon膜的一半放入离心管中,取20 mL去离子水,超声振荡1 h,静置后过滤. 随后使用离子色谱分析仪(ICS-600,Dionex,Thermo)分析PM2.5和PM1样品中的8种水溶性离子:Cl、SO42-、NO3、Na+、NH4+、K+、Mg2+和Ca2+. 无机元素分析:使用ICP-MS(Agilent7500a)测定PM2.5和PM1中的金属元素. 为保证实验精度,每进行5组样品测量后,进行一次平行样检验. 具体实验方法见参考文献[14].

    • PMF是一种有效的源分配受体模型,将样本数据矩阵分解为2个矩阵:源贡献矩阵G和源廓线矩阵F,本研究采用EPA-PMF5.0版确定了PM1和PM2.5的来源类型[15]. 用矩阵形式表示如公式(1)[16]

      式中,Xij是第i个样品中第j个物种的浓度,gik是第i个样品中第k个因子的贡献,fkj是第j个物种在第k个因子中的因子分布,eij是第i个样品中测得的第j个物种的残差矩阵.

    • 聚类分析是根据指标样本的相似性、亲疏程度,用数学方法将它们进行分型划类,最后得到一个能反映群体之间亲疏程度的分类系统. 后向轨迹聚类则是根据气团轨迹的传输速度和方向等特征,对所有到达模式受点的气团轨迹进行分型聚类,以判断受点不同时间段主导气流方向和污染物潜在来源[17]. 本文利用MeteoInfo软件以及NCEP系统提供的全球同化数据模拟邯郸市2018年1月5日到2018年1月16日气团后向轨迹,轨迹计算起始高度为500 m. 将研究区域按0.5° × 0.5°划分网格,每日从00:00开始,计算逐小时到达邯郸市的气团后向轨迹,轨迹向后推延的时间为48 h.

    • 潜在源贡献(PSCF)分析法是一种基于气流轨迹分析来识别污染源区的方法[18],本文利用此方法来确定影响邯郸大气颗粒物的潜在污染源区. PSCF值为所选研究区域内经过网格ij的污染轨迹数Mij与经过该网格的所有轨迹数Nij的比值[19-20],PSCFij的计算公式如式(2):

      式中,Nij为落入ij单元内的端点数量,Mij为同一单元内源贡献值高于任意设置的阈值的端点数量.

      本文取PM2.5的日平均值二级标准值作为判断污染轨迹的标准,即经过某网格的气团轨迹到达邯郸时对应的颗粒物浓度超过日平均二级标准值时则认为该轨迹为污染轨迹,反之则为清洁轨迹. 由于PSCF是一个概率,那么分母越小,PSCFij就越具有不确定性,从而引入了权重函数Wij,对PSCFij进行加权计算[21-22],加权PSCFij记作WPSCF,计算见式(3),Wij的计算见式(4):

      其中本文参考文献[23-24],使用以下权重函数:

    • 本研究共分析邯郸市PM1和PM2.5的24份样品,如表1所示,PM1的质量浓度范围为16.95 μg·m−3至157.73 μg·m−3,平均(94.94±38.30) μg·m−3,PM2.5质量浓度范围为43.91 μg·m−3至309.43 μg·m−3,平均(164.50±79.39) μg·m−3. PM2.5浓度远大于《环境空气质量标准》(GB 3095—2012)二级标准(75 μg·m−3),说明邯郸市冬季大气颗粒物污染严重. 邯郸市城区冬季大气颗粒物质量浓度远高于中国其他城市,在PM1质量浓度方面,如:青岛(41.50 μg·m−3[25]、兰州(54.90 μg·m−3[26]、重庆(64.40 μg·m−3[27]、广州(48.70 μg·m−3[28]. PM2.5质量浓度方面,如:天津(62.85 μg·m−3[29]、沈阳(71.9 μg·m−3[30]、成都(100.20 μg·m−3[31]、武汉(137.60 μg·m−3[32]. PM1/PM2.5的比值范围为45.20%—79.81%,表明邯郸市冬季大气颗粒物污染主要受到微米气溶胶粒子的影响.

      表1可以看出,二次无机气溶胶(NO3、SO42-、NH4+)在PM1和PM2.5中占主导地位,并且在PM1中所占的平均百分率(43.88%)高于PM2.5中所占的平均百分率(42.56%). 其他水溶性离子,如:Na+、K+和Cl主要来源地壳和海盐[33],其在PM2.5中的所占比例高于PM1中. 元素中Mn和Fe对于PM1的贡献更大;其他元素则对于PM2.5的贡献更大. Fe主要来源于工业、金属加工、生物质燃烧以及燃煤排放[34]. 综上所述,人为排放和二次生成的组分在粒径较小的颗粒物中积累较多,而自然源对粒径较大的颗粒物的贡献较大.

    • 采样期间,共发现两个重污染期1月7—8日(S1)和1月10—14日(S2),分析重污染期间样品14个. 两个重污染期的质量浓度分别为如表2所示,其中污染最严重的时期为S2,PM1平均质量浓度为(124.77±25.56)μg·m−3. 从表2可以看出,S1阶段表现出质量浓度较高的元素主要来源于土壤,如:元素Mn、Mg和Ba. 而在S2阶段中,NO3、SO42-和NH4+富集程度高于S1,这可能与华北地区冬季农业活动(施肥和生物质燃烧)排放有关系.

      图1中可以看出,采样期间PM1/PM2.5的比值除少数几天外都大于0.5,说明邯郸市大气颗粒物污染主要受到PM1的影响作用;两个重污染期间,PM1/PM2.5的比值较其他时期有所下降,邯郸市可能在重污染期间受到河南、山东等地农业的大规模活动和工业排放的影响,造成颗粒物的大量排放,从而导致PM1在PM2.5中所占比例降低,与表2 S2阶段NO3、SO42-、NH4+和K+的大量富集结论一致.

    • 以邯郸市PM1和PM2.5的化学组分数据为基础,进行了PM1和PM2.5的PMF分析,从1月5日到1月16日,共24份样品. 5到7个因素试验结果表明,6因素实验结果是最佳的,产生最合理的资源分配结果. PMF分析结果如图2所示. 因子1解释了PM1(36.1%)和PM2.5的最大部分(32.7%),判定为二次污染物,因为它在SO42−、NO3和NH4+存在更高的载荷,其中二次污染物对于PM1的质量浓度贡献明显高于PM2.5图2). 因子2其特点是PM1(7.9%)中的Zn、Ni含量高,PM2.5(11.8%)中的Pb和Cu含量较高. Zn、Ni、Pb和Cu与地面交通有关,汽车尾气排放和金属制动器磨损都会向大气中排入四类元素[35]. 大量的车辆和邯郸市冬季干燥的空气都导致了一个大的交通移动源的产生. 因子3中PM1(20.8%)和PM2.5(16.0%)被发现高载荷Na、Fe、Cu和Zn,表明污染源为工业排放. Na主要来自工业排放[36]. 工业废渣、钢铁制造以及有色金属冶炼中含有丰富的Fe、Cu和Zn等排放物[37]. 邯郸市属典型的重工业城市,其自身又被京津冀钢铁产业链包围,因此受到工业园的影响较大. 工业排放明显增多颗粒物的数量,并且在粒径较小的气溶胶中富集. 因子4可被认为生物质燃烧,这类来源中包含了很大一部分作为生物质燃烧示踪剂的K+[38],占PM1的6.8%和PM2.5的13.7%. 因子5以Mg、Ca、Ba和Fe为特征. Mg和Ca是明显的地壳示踪元素[39],Ba和Fe主要是土壤或岩石风化的尘被刮入大气中造成的[40],该因子的特征是扬尘源,占PM1的4.7%,PM2.5的5.0%. 因子6被定性为燃煤源,其中载荷较高的是Cl、K+、Na+和Pb,此外SO42-和NO3也有一定的占比. Cl一般被认为是化石燃料燃烧的标识性元素[41],占PM1的23.7%和PM2.5的20.8%.

    • 利用MeteoInfo软件,结合2019年1月逐小时PM2.5质量浓度数据,对到达邯郸市两次重污染过程的后向气流轨迹进行聚类分析(表3),得到邯郸市气团输送路径特征. 轨迹的输送路径和方向表示气流到达邯郸市之前所经过的地区,通过轨迹长短可以判断气流的移动速度,长的轨迹对应快速移动的气流,短的轨迹对应移动缓慢的气流[42].

      对邯郸市2019年1月不同的重污染过程进行的后向轨迹聚类分析可以得出,S1阶段主要受到来自河南北部、内蒙古中部的气流影响(聚类1和聚类3),分别为37.50%和22.92%. 其次输送距离较远的气流(聚类2和聚类5)主要源自蒙古中部,途径内蒙古北部、河北北部、北京、天津、最后自山东西部抵达邯郸市、气流轨迹占比分别为12.50%和12.50%. 再次气流(轨迹4)从河北省内石家庄市传输至衡水市,最后抵达邯郸市,流轨迹占比为14.58%.

      S2阶段主要以我国西北部短距离输送为主,其中来自山西的气流轨迹(聚类1)占比55.00%,超过整体气流传输的一半. 源自内蒙古西北部和蒙古中部的气流轨迹(聚类4和聚类5)分别占比13.33%和10.83%. 其次最长的气流轨迹来自俄罗斯西南部(聚类3),占比5.00%. 同时相较于S1阶段,S2阶段多了来自内蒙古西南部的气流轨迹(聚类2),途径陕西北部,山西中部,最后抵达邯郸市,气流轨迹占比15.83%.

      总体来看,邯郸市冬季主要以西北气流为主;冬季重污染过程主要受到短距离气流传输影响较大;在持续时间较长的重污染过程如S2阶段,受到来自山西和邯郸市周边地区的气流传输影响超过50%,这可能与重污染期间邯郸市低温高湿的气候条件形成了一个相对稳定的大气环境有关,从而突出了短距离传输的影响力度,这与Zhang等[43]的研究结果一致.

    • 针对邯郸市PM2.5浓度污染情况,有必要进一步解析其潜在的污染来源区域,PSCF计算结果表明(表4),S1阶段,WPSCF高值区域(WPSCF > 0.6)主要分为3个部分,分别来自河南北部,河北东南部及邯郸市周边. 这些地区是华北主要的粮食产区,研究阶段正处于冬小麦的施肥期,化肥的使用导致了氨气的大规模排放,促进二次无机气溶胶的大量转化[43]. 河北东南部作为WPSCF高值区域之一,邯郸市的空气质量受到了其自身及其周边省市的极大影响,在很大程度上是由于重工业排放污染物[44]. 其他WPSCF较高值区域(0.3 < WPSCF < 0.6)如:北京、天津、河北东部以及山东西北部,不可忽视这些地区对于邯郸市PM2.5浓度的潜在贡献.

      S2阶段,WPSCF高值区域(WPSCF > 0.6)主要集中在河北中部,山西北部和邯郸市周边,说明此次重污染过程主要受到邯郸市周边地区气流短距离传输的影响,这是由于此阶段是邯郸市西北方向的本地排放和远距离输送. 冬季寒冷,华北地区大部分城市都以燃煤方式实现集中供暖,可能导致西北地区冬季大气颗粒物中煤烟尘含量较高. 此外,不同于S1阶段,从图中可以明显看出S2阶段有一个明显的远距离大气传输过程,从蒙古入境,经内蒙古中部,途径山西北部,最后进入邯郸市. 此气流轨迹(0.3 < WPSCF <0.6)说明了邯郸市此次重污染过程受到了较大的西北部远距离的气流输送影响. 这也说明了S2阶段是邯郸市周边地区的局部气流短距离传输和来自西北远距离的冷空气气流传输共同影响下形成的一次较长时间的PM2.5重污染过程.

    • (1) 研究期间邯郸市PM1和PM2.5平均质量浓度分别为(94.94±38.30) μg·m−3和(164.50±79.39) μg·m−3,其中PM1/PM2.5的比值范围为45.20%—79.81%. 二次无机组分(NO3、SO42-、NH4+)在PM1(43.88%)和PM2.5(42.56%)中占主导地位,且PM1中二次无机组分和典型无机元素占比较高,表明人为排放和次生形成的组分在粒径较小的颗粒物中更易积累.

      (2) PMF分析显示主要受二次污染物、交通源、工业源、生物质燃烧、扬尘和燃煤源的影响;其在PM1中的贡献率分别为36.1%、7.9%、20.8%、6.8%、4.7%和23.8%;其在PM2.5中的贡献率分别为32.7%、11.8%、16.0%、13.7%、5.0%和20.8%.

      (3) 后向轨迹和化学组分分析结果表明,冬季生物质燃烧和化肥氨排放对邯郸市PM1具有潜在影响,且化肥氨排放主要来自冬季典型的农业活动.

      (4) 后向轨迹和潜在源分析结果表明,重污染过程中邯郸市PM2.5主要为西北短距离输送气流,其中河南北部,河北东北部,山东西部以及京津地区对于邯郸市PM2.5浓度贡献较大. 同时,不可忽视来自西北部的长距离输送气流其对于邯郸市PM2.5浓度的贡献. 从两个重污染过程可以得出邯郸市冬季重污染过程的产生主要是受到西北部长—短气流传输共同作用的结果.

    参考文献 (44)

返回顶部

目录

/

返回文章
返回