环境科学研究  2017, Vol. 30 Issue (12): 1849-1858  DOI: 10.13198/j.issn.1001-6929.2017.03.14

引用本文  

王露, 毕晓辉, 刘保双, 等. 菏泽市PM2.5源方向解析研究[J]. 环境科学研究, 2017, 30(12): 1849-1858.
WANG Lu, BI Xiaohui, LIU Baoshuang, et al. Source Directional Apportionment of PM2.5 in Heze City[J]. Research of Environmental Sciences, 2017, 30(12): 1849-1858.

基金项目

国家重点研发计划项目(2016YFC0208500);国家自然科学基金项目(21407081);天津市应用基础与前沿技术研究计划项目(13JCQNJC08300)

责任作者

刘保双(1986-), 男, 山东鱼台人, 博士, 主要从事颗粒物来源解析及空气污染防治研究, lbsnankai@foxmail.com

作者简介

王露(1994-), 女, 山西长治人, 846153336@qq.com

文章历史

收稿日期:2017-04-30
修订日期:2017-08-16
菏泽市PM2.5源方向解析研究
王露1 , 毕晓辉1 , 刘保双1 , 吴建会1 , 张裕芬1 , 冯银厂1 , 张勤勋2     
1. 南开大学环境科学与工程学院, 国家环境保护城市空气颗粒物污染防治重点实验室, 天津 300350;
2. 菏泽市环境监测中心站, 山东 菏泽 274000
摘要:为了定量解析环境受体中不同方向PM2.5的源贡献水平,利用“源方向解析”(source directional apportionment,SDA)法〔综合PMF(positive matrix factorization,正定矩阵因子)方法和后向轨迹模型〕对京津冀大气污染传输通道上某典型城市——菏泽市环境受体中PM2.5进行来源解析,并分析不同方向的源贡献.结果表明,菏泽市环境受体中ρ(PM2.5)变化范围为42.73~191.72 μg/m3,平均值为92.54 μg/m3.SO42-、NO3-和NH4+是菏泽市环境受体中PM2.5的主要化学组分;ρ(SO42-)、ρ(NO3-)和ρ(NH4+)的平均值分别为29.78、22.11和7.91 μg/m3,三者之和占ρ(PM2.5)的63.54%.PMF的计算结果显示,二次无机盐、机动车排放、扬尘、煤烟尘和建筑水泥尘是菏泽市环境受体中PM2.5的贡献源类,分担率分别为32.61%、22.60%、19.54%、16.25%和9.00%.利用后向轨迹模型识别出PM2.5贡献源类的4个潜在方向,分别为东南、正西、西北和正东.二次无机盐在4个方向的贡献分别为8.49%、5.01%、6.65%和12.88%;机动车排放分别为1.39%、4.44%、7.47%和8.22%;扬尘分别为4.95%、3.65%、4.12%和6.92%;煤烟尘分别为4.56%、1.93%、2.16%和7.28%;建筑水泥尘分别为2.22%、1.88%、1.27%和3.56%.研究显示,菏泽市PM2.5污染较为严重,其中二次源、机动车和扬尘源是其主要贡献源类,并且来自菏泽市东部的各源类贡献均较高.
关键词PM2.5    PMF    轨迹聚类分析    源方向解析(SDA)    
Source Directional Apportionment of PM2.5 in Heze City
WANG Lu1 , BI Xiaohui1 , LIU Baoshuang1 , WU Jianhui1 , ZHANG Yufen1 , FENG Yinchang1 , ZHANG Qinxun2     
1. State Environmental Protection Key Laboratory of Urban Ambient Air Particulate Matter Pollution Prevention and Control, College of Environmental Science and Engineering, Nankai University, Tianjin 300350, China;
2. Heze Environmental Monitoring Center Station, Heze 274000, China
Abstract: To quantify contributions from each source-category derived from various directions, ambient PM2.5 data were collected from Heze City, which is a typical city in the Jing-Jin-Ji atmospheric pollution transport channel. The data were analyzed by a method called 'source directional apportionment' (SDA), combining the positive matrix factorization (PMF) model and backward trajectories cluster analysis. The results showed that the ρ(PM2.5) varied in the range of 42.73-191.72 μg/m3, with an average concentration of 92.54 μg/m3. SO42-, NO3- and NH4+ were major compositions of PM2.5 in Heze City. The average values of ρ(SO42-), ρ(NO3-) and ρ(NH4+) were 29.78, 22.11 and 7.91 μg/m3, respectively. The sum of three compositions accounted for 63.54% of the total ρ(PM2.5). The results of the PMF model indicated that secondary sources (32.61%), vehicle exhaust(22.60%), fugitive dust (19.54%), coal combustion (16.25%) and construction dust (9.00%) were the primary contributors to PM2.5 in Heze City. Four potential source-directions were identified by using backward trajectory analysis during the sampling period. The percentages of source directional contributions from the directions 1 to 4 (southeast, west, northwest and east) were estimated as follows:secondary sources (8.49%, 5.01%, 6.65% and 12.88%, respectively), vehicle exhaust (1.39%, 4.44%, 7.47% and 8.22%, respectively), fugitive dust (4.95%, 3.65%, 4.12% and 6.92%, respectively), coal combustion (4.56%, 1.93%, 2.16% and 7.28%, respectively) and construction dust (2.22%, 1.88%, 1.27% and 3.56%, respectively). The study suggested that PM2.5 pollution is serious in Heze City, and that secondary sources, vehicle exhaust and fugitive dust were the major contributors to the air pollution. In addition, all the sources from east of Heze City presented relatively high contributions.
Keywords: PM2.5    positive matrix factorization (PMF)    backward trajectories cluster analysis    source directional apportionment (SDA)    

大气中的PM2.5(空气动力学当量直径≤2.5 μm的颗粒物)会降低能见度[1],损害人体健康[2],直接或间接地影响天气和气候,已经成为一个主要的环境问题[3].为了有效地控制大气颗粒物污染,定量的识别颗粒物的来源是十分必要的[4].近年来,利用受体模型解析大气颗粒物的来源及贡献,已在国内外得到广泛应用[5-6].受体模型主要包括化学质量平衡模型(CMB)[7],Unmix模型[8],主成分因子分析-多元线性回归模型(PCA-MLR)[9]和正定矩阵因子模型(PMF)[10-11]等.

近年来,国内外运用受体模型对PM2.5进行来源解析已有不少研究工作[12-15]. ZHANG等[14]利用PMF(positive matrix factorization)模型,对北京的PM2.5进行了源解析,结果表明颗粒物的主要贡献源类是地壳尘、煤烟尘、生物质燃烧、机动车和工业源. MENG等[15]利用PCA/MLR模型研究了河北受体环境中PM2.5的来源及贡献,发现煤烟尘,二次源,扬尘和机动车尾气尘是主要贡献源类.尽管如此,随着颗粒物管理的精细化需求,需要对颗粒物的来源进行细化.因此,ZHANG等[16]利用源排放清单与CMAQ(Community Multiscale Air Quality)模型对中国PM2.5中二次硝酸盐和硫酸盐的来源进行了解析;结果表明,电厂源、工业源、交通源和生物质燃烧源是二次硝酸盐和硫酸盐的主要贡献源类. WANG等[17]利用源排放清单与空气质量模型CMAX(Comprehensive Air Quality Model with Extensions)结合对北京重污染时期的PM2.5进行了来源解析,结果表明,本地源的贡献(83.6%)远大于区域传输的贡献(16.4%).但对于我国大多数城市来说,由于排放源清单的缺乏,使得源的精细化源解析难以实施.

受体模型方法可以计算出颗粒物源和贡献,但不能识别出不同方向各类源的贡献;而轨迹聚类分析、潜在源贡献因子(PSCF)分析和浓度权重轨迹(CWT)分析等,已经被广泛运用于研究大气颗粒物的传输和区域源[18-19].因此,因子分析类模型和轨迹传输模型的结合可在一定程度上对污染源进行来向分配,这对精细化源解析提供了一种新的思路. TIAN等[20]基于PMF模型和后向轨迹模型构建了一种新的方法来分析成都市不同方向颗粒物的源贡献,结果表明,来自西南偏南方向的地壳尘和来自西方的二次硫酸盐是成都市PM2.5的主要颗粒物源. Hwang等[21]也指出不同源类的影响因方向而不同.因此,定性定量的识别典型污染源类及来自不同方向的贡献对于精细化源解析是很有必要的.尽管如此,目前环境受体PM2.5的源方向解析研究仍然是有限的.

菏泽市是京津冀大气污染传输通道上一座典型的中型城市(http://dqhj.mep.gov.cn/dtxx/201703/t20170323_408663.shtml),随着经济的快速发展,菏泽市环境空气质量明显下降,已成为我国大气污染治理的重点地区(http://dqhj.mep.gov.cn/dtxx/201703/t20170323_408663.shtml).2015年的监测数据表明,菏泽市全年的ρ(PM2.5)的平均值为94 μg/m3,超过GB 3095—2012《国家环境空气质量标准》Ⅱ类标准限值(35 μg/m3)的2.6倍,PM2.5污染形势严峻.因此,精细化的解析环境受体中PM2.5的来源及贡献,对于菏泽市PM2.5的有效管控十分必要. LIU等[22]运用PMF解析了菏泽市的颗粒物来源,研究表明二次无机盐、土壤尘、机动车和煤烟尘是主要的源类.尽管如此,其结果无法满足污染源精细化管理的需求.因此,该研究基于菏泽的ρ(PM2.5)监测数据,利用一种新的定量方法“源方向解析”(source directional apportionment, SDA)法[20],研究菏泽环境受体中PM2.5的主要源类及来自不同方向的贡献,以期为菏泽市环境受体中PM2.5的精细化管控提供一定的科学支撑,进而推动京津冀大气污染传输通道城市的大气环境质量持续改善.

1 材料与方法 1.1 采样点概况

菏泽市位于我国山东省西南部,是一个快速发展的中型城市,人口超过70×104人;气候属于温带大陆季风气候,季节性特征较明显.该研究的采样点位(115.48°E、35.24°N)坐落在菏泽的一个居住商业混合区,基本上位于菏泽市中心.采样期间,菏泽市平均风速和气温分别为1.8 m/s和14.9 ℃,平均相对湿度为56.1%.风速、风向、温度、湿度等气象参数和主要大气污染物(SO2、NO2和O3)浓度水平从菏泽市采样点附近的环境空气质量自动监测站获取.由表 1可知,研究期间菏泽市有较高的大气污染物前体物浓度水平,ρ(SO2)、ρ(NO2)、ρ(CO)和ρ(O3)分别为43.3、39.1、1.7和65.5 μg/m3.

表 1 采样期间菏泽市气象条件和气态前体物浓度水平 Table 1 The meteorological conditions and the concentrations of main gaseous precursors (SO2, NO2, CO and O3) during sampling period in Heze City
1.2 样品采集

采样期分别是2015年8月13—22日,10月21—30日,2016年1月14—23日,4月7—16日.采样时间为采样期每天10:00至翌日09:00. PM2.5样品通过武汉天虹仪表有限公司生产的TH-150C型智能中流量采样器获得,采样器流量为100 L/min,并选择直径为90 mm的石英滤膜(500 QAT-UP, 颇尔生命科学公司,中国)和聚丙烯纤维膜(北京合成纤维研究所)进行环境受体中PM2.5的采集.石英滤膜样品用于分析碳组分和水溶性离子,聚丙烯纤维膜样品用于分析元素组分.采样期间,除了10%的平行样和空白样,共获得40个有效PM2.5样本.

采样前将石英滤膜放置于马弗炉中,500 ℃下灼烧2 h去除可能的有机碳的影响[24].采样前后,将滤膜置于温度为22 ℃,相对湿度为45%的恒温恒湿箱中平衡24 h,再用精度为0.01 mg的Mettler AX025型微量天平对滤膜进行称量.然后,将所有的滤膜样品置于温度为-4 ℃的冰箱环境中保存以用于化学分析[25].

1.3 化学成分分析

采用电感耦合等离子体质谱仪(X Series 2, Thermo Fisher, 美国)分析聚丙烯纤维滤膜上的元素(Na、Mg、Al、Si、K、Cu、Cd、Zn、Ca、Ti、V、Cr、Mn、Fe、Ni、Hg和Pb).采用瑞士万通公司生产的Met-820型离子色谱仪检测石英膜上的离子组分(Cl-、NO3-、SO42-、NH4+、K+、Mg2+、Na+和Ca2+).采用DRI/OGC型热/光碳分析仪分析EC和OC[26].

2 研究方法 2.1 PMF模型

PMF模型是一种有效的多变量因子分析方法[27]. PMF模型的基本原理是将采样数据看作一个n×mX(i×j)矩阵,则第i个受体样本中第j个物种的实测质量浓度Xij(μg/m3)可表示为

${X_{ij}} = \sum\limits_{k = 1}^p {} {g_{ik}}{f_{kj}} + {e_{ij}}$ (1)

式中:fkj表示第k类源中第j个物种所占的百分数,并且在PMF中是非负值,μg/μg;gik是第i个样本中第k类源的浓度也为非负值,μg/m3p为源类的个数;eij为实测样本的质量浓度与其解析值的残差[28].矩阵X可分解为源成分谱矩阵F(k×j)、源贡献矩阵G(i×k)和残差矩阵E(i×j),表达式如下:

$\mathit{\boldsymbol{X = GF + E}}$ (2)

PMF模型的目标是寻求最小化目标函数Q的解,从而确定污染源成分谱F和污染源贡献谱G.目标函数Q定义为

$Q = \sum\limits_{i = 1}^m {} \sum\limits_{j = 1}^n {} {({e_{ij}}/{\sigma _{ij}})^2}$ (3)

式中,σij是第i个样本中第j个物种的不确定性,可以用来权重样本误差、检测限、缺失数据和异常值,详细过程见文献[28].

该研究采用美国发布的EPAPMF 5.0[28],对菏泽2015—2016年采样期间的PM2.5进行来源解析.通过试验不确定性参数和不同的因子参数,多次运行程序从而寻找最小目标函数值,同时使残差矩阵值尽可能小,以保证观测结果与PMF模拟结果有较好的相关性,再结合排放源清单和实地调查,最终确定5类主要排放源.另外,PMF计算得到的目标函数Q值(529) 接近理论Q值(535),PMF计算的PM2.5水平占实际测量水平的98%. ρ(PM2.5)实测值和拟合值相关性分析如图 1所示,回归的斜率和相关系数(R2)均为0.97. ρ(PM2.5)拟合值接近于实测值,因此,PMF解析结果是合理的.

图 1 ρ(PM2.5)实测值和拟合值的相关性 Fig.1 Correlation between measured and reconstructed PM2.5 mass concentration
2.2 后轨迹聚类分析法

后轨迹模型是一种评估气流轨迹传输的重要手段,用于研究气流轨迹的传输,从而识别源的潜在方向[29].该研究利用HYSPLIT传输扩散模式,对菏泽的颗粒物污染进行后向追踪,产生逐小时72 h后向轨迹,高度设置为10 m,计算了采样期间共得到931条有效后向轨迹,得出污染物输送的轨迹路线.然后,利用聚类分析来识别源类的潜在方向. HYSPLIT 4.9软件可以从NOAA获得,采用的气象资料从NCEP的全球资料同化系统GDAS(Global Data Assimilation System)获得.

2.3 源方向解析法

源方向解析法用来量化每个源类来自不同方向的贡献,其主要分为3步:① 利用PMF模型解析环境受体中PM2.5的排放源类,获取它们对每个颗粒物样本的贡献(源贡献的时间序列);② 通过后向轨迹模型识别采样期间气团的潜在来向;③ 计算出各源类的源方向贡献.源方向解析法的完整流程如图 2所示.该研究简要描述了源方向解析的基本原理,详细描述见TIAN等[20]的研究.

注:ga是来自源类a的贡献; ga1是指源类a来自方向1上的贡献,以此类推. 图 2 源方向解析法流程 Fig.2 Schematic diagram of source directional apportionment method

PMF模型的基本原理是假设源和受体之间的化学质量平衡.因此,受体的颗粒物浓度可以近似等于来自不同源类的贡献之和[28]

$\begin{array}{c} x = \sum\limits_{k = 1}^p {} {g_k}{f_k} = {g_1}{f_1} + {g_2}{f_2} + \ldots + \\ {g_k}{f_k} + \ldots + {g_p}{f_p} \end{array}$ (4)

式中,x是受体浓度值,fk是第k类源的源谱,gk是第k类源的贡献.

如上所述,对于每个源类来说,采样期间受体点的浓度来自于不同的方向[30].因此,另一个化学质量平衡式可做如下假设,即每个源类的贡献等于来自不同方向的贡献之和:

${g_k} = \sum\limits_{I = 1}^M {} {g_k}^I$ (5)

式中,gkI是指第k种源来自I方向的贡献(定义为源方向贡献),M是指方向的总数.

因此, 源方向解析法中假设了两个化学质量平衡等式——式(4) (5).这些等式基于传统的受体模型,用来量化源方向贡献(gkI).

3 结果与讨论 3.1 PM2.5及其化学组分特征

采样期间,菏泽市环境受体中ρ(PM2.5)变化范围为42.73~191.72 μg/m3,平均值为92.54 μg/m3,超过GB 3095—2012 Ⅱ类标准限值(35 μg/m3)2.64倍,超过世界卫生组织(WHO)规定的24 h浓度限值(25 μg/m3)3.70倍;可见,菏泽市大气PM2.5污染较为严重.与国内外其他城市相比,菏泽市的ρ(PM2.5)高于广州(81.7 μg/m3)[31]、上海(90.3~95.5 μg/m3)[32]、意大利Veneto(33 μg/m3)[33]和日本Yokohama(21 μg/m3)[34],低于济南(158.76 μg/m3)[35]、北京(121 μg/m3)[36]和南京(117.58 μg/m3)[37].

PM2.5ρ(SO42-)、ρ(NO3-)和ρ(NH4+)的平均值分别为29.78、22.11和7.91 μg/m3,三者之和占ρ(PM2.5)的63.54%,表明SO42-、NO3-和NH4+是菏泽市大气颗粒物PM2.5的主要化学组分.皮尔森(Pearson)相关性分析表明,ρ(NH4+)与ρ(NO3-)(R=0.66,P < 0.01)、ρ(SO42-)(R=0.73,P < 0.01) 的相关性明显高于ρ(NH4+)与ρ(Cl-)(R=0.32,P < 0.05),一定程度上表明菏泽市PM2.5中的NH4+可能主要以硫酸铵、硫酸氢铵和硝酸铵的形式存在[22]. ρ(NO3-)和ρ(SO42-)显著相关(R=0.74,P < 0.01),说明PM2.5中NO3-和SO42-可能具有较高的同源性[38].研究期间,PM2.5ρ(NO3-)/ρ(SO42-)在0.20~1.85之间,平均值为0.79,普遍高于我国长三角地区[39](0.17~0.40) 以及杭州[40](0.25)、合肥[41](0.64)、北京[42](0.67)、石家庄[42](0.59),说明菏泽市移动源对于PM2.5的影响可能较其他城市高. ρ(EC)、ρ(OC)平均值分别为5.73、15.24 μg/m3,分别占PM2.5的6.20%、16.47%;全年OC/EC范围为1.81~5.27,平均值为2.63,表明菏泽市环境受体中可能存在一定的二次有机气溶胶污染[43].其他元素的浓度占比相比于水溶性离子和OC、EC占比较低,其中地壳类元素中ρ(Mg)、ρ(Al)、ρ(K)、ρ(Si)、ρ(Na)、ρ(Ca)、ρ(Fe)之和占总检测元素的95.70%,这可能与菏泽市建筑施工活动及受沙尘天气影响有关[44].

3.2 PMF源解析结果

PMF模型的计算结果如图 34所示.可以看出,因子1中的主要组分为OC(50.37%)、EC(40.38%)、NO3-(37.98%)、Mn(12.36%)、Pb(46.98%),这些组分主要来自于机动车尾气[45];因此,因子1被识别为机动车排放源.因子2展现出高水平的SO42-(54.18%)、NO3-(39.49%)和NH4+(55.39%)含量,这些组分与二次源相关[46];因此,因子2被识别为二次无机盐类.因子3中Ca(39.21%)呈现出很高的权重,Ca通常作为建筑水泥尘的标识组分[47],故因子3被识别为建筑水泥尘.因子4中EC(21.06%)、OC(17.77%)、SO42-(28.32%)和部分土壤元素的含量〔Mg(50.97%)、Ca(25.27%)〕较高,这些组分与燃煤源排放关系密切[48],故因子4被识别为煤烟尘.因子5中含有相对高水平的地壳组分(Al、Si、Ca、Fe、Mg),并且Al(99.82%)和Si(53.39%)占有较高的权重,这些组分主要来自于扬尘排放[49],所以因子5被识别为扬尘.因此,菏泽市环境受体中PM2.5主要的5种排放源分别为:机动车排放、二次无机盐、建筑水泥尘、煤烟尘和扬尘. PMF解析出的各源类贡献与ρ(PM2.5)的实测值的时间序列如图 4所示,各源类贡献之和与ρ(PM2.5)的时间变化呈现较高的一致性,PMF计算的ρ(PM2.5)接近于实测值,因此PMF解析结果是合理的.

图 3 PMF解析的菏泽PM2.5的源类及源成分谱 Fig.3 Source categories and factor profiles of PM2.5 in Heze City estimated by PMF

图 4 实测ρ(PM2.5)及PMF解析的各源类的日均贡献浓度的时间序列 Fig.4 Time series of measured concentrations of PM2.5 and daily average source contributions for each source calculated by PMF

PMF计算出的菏泽市环境受体中PM2.5的5种源类的分担率如图 5所示.由图 5可以看出,二次无机盐源类是菏泽PM2.5的首要贡献源类,分担率为32.61%;其次为机动车排放(分担率为22.60%),扬尘(分担率为19.54%),煤烟尘(分担率为16.25%)和建筑水泥尘(分担率为9.00%).二次无机盐,机动车排放,扬尘和煤烟尘都是菏泽市环境受体PM2.5的重要排放源类,贡献值分别为29.67、20.56、17.77和14.78 μg/m3.其中,建筑水泥尘(8.19 μg/m3)对菏泽PM2.5的贡献相对较小.

图 5 PMF模型解析PM2.5各类源的分担率 Fig.5 Source contributions of PM2.5 calculated by PMF model

近年来,相关学者对京津冀大气污染传输通道上很多城市环境受体中的PM2.5进行了源解析研究.如LIU等[22]基于2015—2016年菏泽的PM2.5样品解析了颗粒物来源,结果表明二次源(26.5%)、煤烟尘(17.2%)、机动车排放(16.5%)和土壤尘(11.5%)为主要贡献源类;MENG等[15]研究表明,邯郸市环境受体中PM2.5的主要贡献源类分别是二次无机盐、煤烟尘与生物质燃烧混合源(46.1%)、扬尘(25.8%)和机动车排放(12.3%);FENG等[19]对新乡进行了源解析得到PM2.5主要来源分别是燃烧源(61%)、机动车排放(27.0%)、土壤尘(8.72%)和道路尘(3.28%);GU等[35]解析了各类源对济南环境受体中PM2.5的贡献,结果为生物质燃烧与煤燃烧(38.00~46.23%)、二次无机盐(34.98~36.86%)和土壤尘(10.17~16.91%).可以看出,二次源、燃煤和工业是京津冀大气污染传输通道城市环境受体中PM2.5的主要排放源.尽管如此,各城市的研究结果存在一定差异性,这可能与城市间不同的发展模式、能源和工业结构、地形地势以及人类活动水平有关[22].

3.3 菏泽市颗粒物源的潜在来向分析

为了量化每种源的方向贡献,运用后轨迹模型识别源的潜在方向.如表 2图 6所示,轨迹被聚成4类(在菏泽的采样期间共识别出4个方向):① 东南(方向1,后轨迹的数目为:n1=216);② 正西(方向2,n2=131);③ 西北(方向3,n3=204);④ 正东(方向4,n4=380).来自正东的轨迹数占比最大,为40.82%,其次是东南、西北和正西,占比分别为23.20%、21.91%和14.07%.

表 2 源方向解析得到的菏泽PM2.5各源类的源方向贡献和分担率 Table 2 Source directional contributions and percentages for eachsource category to PM2.5 in Heze City evaluated by source directional apportionment

图 6 菏泽市72 h后轨迹聚类及PM2.5中各源类在各聚类方向上的分担率 Fig.6 The clusters of the 72 h air mass backward trajectories and the percentages of PM2.5 sources at each cluster direction in Heze City
3.4 菏泽市环境受体中不同来向的颗粒物的源贡献

由PMF得到每种源类的源贡献的时间序列,与不同方向上聚类的后轨迹对应结合,得到每种源类的源方向贡献和分担率,源方向解析的结果如表 2图 6所示.

表 2图 6可知,各源类来自于4个方向(东南、正西、西北、正东)的分担率分别是机动车排放(1.39%、4.44%、7.47%和8.22%),二次无机盐(8.49%、5.01%、6.65%和12.88%),建筑水泥尘(2.22%、1.88%、1.27%和3.56%),煤烟尘(4.56%、1.93%、2.16%和7.28%)和扬尘(4.95%、3.65%、4.12%和6.92%).来自方向4(正东)的二次无机盐对菏泽的PM2.5贡献最大(11.92 μg/m3 和12.88%),其次是来自方向1(东南)的二次无机盐(7.86 μg/m3和8.49%)和来自方向4(正东)的机动车排放(7.61 μg/m3和8.22%).来自方向3(西北)的建筑水泥尘对PM2.5贡献最小(1.17 μg/m3和1.27%).可以看出,来自4个方向的扬尘、机动车排放和二次无机盐对菏泽的PM2.5均表现出较高的分担率.其中,来自东方的各源类的分担率均较高;而其他方向各源类的分担率表现出明显的差异性.源的方向贡献是受日排放模式和采样期的大气输送模式共同影响的[20].因此,该研究中各源类的方向贡献差异可能与来自菏泽市4个方向上的传输气团的轨迹数、源的日排放模式及采样期的大气输送模式密切相关.

因子1(机动车排放)在西北和东方的贡献值和分担率较高,这可能与菏泽西北部属于教育、交通商业混合区,车流量较高[22],并且来自东部的气团传输轨迹较多(占总轨迹数的40.82%)有关(见图 6).因子2(二次无机盐)在东方和东南方的贡献较高,可能与菏泽东部的燃煤电厂以及来自东部的较多的气团传输轨迹有关,因为电厂燃煤排放的SO2和NOx是二次无机盐的重要前体物[22].因子3(建筑水泥尘)和因子5(扬尘)在东方和东南方的贡献较高,这可能与菏泽东部和东南部较多的建筑施工活动以及来自东部较多的气团传输轨迹有关(见图 6);另外,菏泽的正东和东南方向存在大量的农田和未铺装路面.此外,来自正西的各因子的贡献相对较小(见图 6),这可能与菏泽正西是临近村庄的郊区,污染较轻有关.

目前,TIAN等[20]已经应用SDA法对成都的环境空气中PM2.5进行了源方向解析研究,研究发现,东北、西南偏南、西南和正西是影响成都环境空气中PM2.5的4个主要潜在源方向,地壳尘、机动车排放、燃煤和二次硫酸盐被识别为对颗粒物有重要贡献的源类.笔者与TIAN等[20]均对PM2.5的源贡献进行来向解析,所取得的研究结果均与当地实际的源分布情况相符,显示出源方向解析法在污染应用方面的可行性.同时,相关研究成果对于当地PM2.5排放源的防控具有实际的指导意义.

4 结论

a)作为京津冀大气污染传输通道上一座典型的中型城市,菏泽市PM2.5污染形势严峻. ρ(PM2.5)平均值为92.54 μg/m3. SO42-、NO3-和NH4+是菏泽市大气颗粒物PM2.5的主要化学组分,并且硫酸铵、硫酸氢铵和硝酸铵可能是NH4+的主要存在形式.菏泽市环境受体中可能存在一定的二次有机气溶胶污染.

b)根据PMF模拟时Q值的变化、排放源清单以及实地调查,最终确定菏泽环境受体中PM2.5的5类主要排放源,分别为二次无机盐、机动车排放、扬尘源、煤烟尘和建筑水泥尘,其分担率分别为32.61%、22.60%、19.54%、16.25%和9.00%.

c)基于源方向解析方法,菏泽市环境受体中PM2.5的主要贡献源类主要来自4个潜在方向,分别为东南、正西、西北和正东.源方向解析的结果显示,来自4个方向的二次无机盐、扬尘源、煤烟尘和机动车排放均对菏泽PM2.5贡献了较高的比例.其中,来自正东的各源类的分担率均较高;而其他方向各源类的分担率表现出明显的差异性.

参考文献
[1]
WANG Y, WAN Q, MENG W, et al. Long-term impacts of aerosols on precipitation and lightning over the Pearl River Delta megacity area in China[J]. Atmospheric Chemistry & Physics, 2011, 11(11): 12421-12436. (0)
[2]
LAWRENCE A, FATIMA N. Urban air pollution & its assessment in Lucknow City-the second largest city of North India[J]. Science of the Total Environment, 2013, 488: 447-455. (0)
[3]
WANG Yuan, WANG Minghuai, ZHANG Renyi, et al. Assessing the effects of anthropogenic aerosols on pacific storm track using a multiscale global climate model[J]. Proceedings of the National Academy of Sciences of the United States of America, 2014, 111(19): 6894-6899. DOI:10.1073/pnas.1403364111 (0)
[4]
TIAN Y Z, SHI G L, HAN S Q, et al. Vertical characteristics of levels and potential sources of water-soluble ions in PM10, in a Chinese megacity[J]. Science of the Total Environment, 2013, 447(49): 1-9. (0)
[5]
LIU Baoshuang, SONG Na, DAI Qili, et al. Chemical composition and source apportionment of ambient PM2.5 during the non-heating period in Taian, China[J]. Atmospheric Research, 2016, 170: 23-33. DOI:10.1016/j.atmosres.2015.11.002 (0)
[6]
WATSON J G, ZHU T, CHOW J C, et al. Receptor modeling application framework for particle source apportionment[J]. Chemosphere, 2002, 49(9): 1093-1136. DOI:10.1016/S0045-6535(02)00243-6 (0)
[7]
BI Xiaohui, FENG Yinchang, ZHU Tan, et al. Determination of buffering capacity of total suspended particle and its source apportionment using the chemical mass balance approach[J]. Journal of Air & Waste Management Association, 2011, 61(1): 7-13. (0)
[8]
KIM E, HOPKE P K, LARSON T V, et al. Analysis of ambient particle size distributions using Unmix and positive matrix factorization[J]. Environmental Science & Technology, 2004, 38(1): 202-209. (0)
[9]
THURSTON G D, SPENGLER J D. A quantitative assessment of source contributions to inhalable particulate matter pollution in metropolitan Boston[J]. Atmospheric Environment, 1985, 19(1): 9-25. DOI:10.1016/0004-6981(85)90132-5 (0)
[10]
ULBRICH I M, CANAGARATNA M R, ZHANG Q, et al. Interpretation of organic components from positive matrix factorization of aerosol mass spectrometric data[J]. Atmospheric Chemistry & Physics, 2008, 8(2): 2891-2918. (0)
[11]
JAGODA C, CHARNBERS S, DAVID D, et al. Receptor modelling using positive matrix factorisation, back trajectories and radon-222[J]. Atmospheric Environment, 2007, 41(32): 6823-6837. DOI:10.1016/j.atmosenv.2007.04.048 (0)
[12]
AMATO F, HOPKE P K. Source apportionment of the ambient PM2.5 across St. Louis using constrained positive matrix factorization[J]. Atmospheric Environment, 2012, 46: 329-337. DOI:10.1016/j.atmosenv.2011.09.062 (0)
[13]
FRIEND A J, AYOKO G A, STELCER E, et al. Source apportionment of PM2.5 at two receptor sites in Brisbane, Australia[J]. Environmental Chemistry, 2011, 8(6): 569-580. DOI:10.1071/EN11056 (0)
[14]
ZHANG R J, JING J S, TAO J, et al. Chemical characterization and source apportionment of PM2.5 in Beijing:seasonal perspective[J]. Atmospheric Chemistry and Physics, 2013, 13: 7053-7074. DOI:10.5194/acp-13-7053-2013 (0)
[15]
MENG C C, WANG L T, ZHANG F F, et al. Characteristics of concentrations and water-soluble inorganic ions in PM2.5, in Handan City, Hebei Province, China[J]. Atmospheric Research, 2016, 171: 133-146. DOI:10.1016/j.atmosres.2015.12.013 (0)
[16]
ZHANG Hongliang, LI Jingyi, YING Qi, et al. Source apportionment of PM2.5, nitrate and sulfate in China using a source-oriented chemical transport model[J]. Atmospheric Environment, 2012, 62(7): 228-242. (0)
[17]
WANG Y, BAO S, WANG S, et al. Local and regional contributions to fine particulate matter in Beijing during heavy haze episodes[J]. Science of the Total Environment, 2016. DOI:10.1016/j.scitotenv.2016.12.127 (0)
[18]
ZHANG Yufen, XU Hong, TIAN Yingze, et al. The study on vertical variability of PM10, and the possible sources on a 220 m tower, in Tianjin, China[J]. Atmospheric Environment, 2011, 45(34): 6133-6140. DOI:10.1016/j.atmosenv.2011.08.040 (0)
[19]
FENG Jinglan, YU Hao, SU Xianfa, et al. Chemical composition and source apportionment of PM2.5, during Chinese Spring Festival at Xinxiang, a heavily polluted city in North China:fireworks and health risks[J]. Atmospheric Research, 2016, 182: 176-188. DOI:10.1016/j.atmosres.2016.07.028 (0)
[20]
TIAN Y Z, SHI G L, HAN B, et al. Using an improved source directional apportionment method to quantify the PM2.5 source contributions from various directions in a megacity in China[J]. Chemosphere, 2015, 119: 750-756. DOI:10.1016/j.chemosphere.2014.08.015 (0)
[21]
HWANG I J, HOPKE P K. Estimation of source apportionment and potential source locations of PM2.5, at a west coastal IMPROVE site[J]. Atmospheric Environment, 2007, 41(3): 506-518. DOI:10.1016/j.atmosenv.2006.08.043 (0)
[22]
LIU Baoshuang, WU Jianhui, ZHANG Jiaying, et al. Characterization and source apportionment of PM2.5, based on error estimation from EPA PMF 5.0 model at a medium city in China[J]. Environmental Pollution, 2017, 222: 10-22. DOI:10.1016/j.envpol.2017.01.005 (0)
[23]
TIAN Y Z, WANG J, PENG X, et al. Estimation of the direct and indirect impacts of fireworks on the physicochemical characteristics of atmospheric PM10 and PM2.5[J]. Atmospheric Chemistry & Physics, 2014, 14(18): 9469-9479. (0)
[24]
耿彦红, 刘卫, 单健, 等. 上海市大气颗粒物中水溶性离子的粒径分布特征[J]. 中国环境科学, 2010, 30(12): 1585-1589.
GENG Yanhong, LIU Wei, SHAN Jian, et al. Characterization of major water-soluble ions in size-fractionated particulate matters in Shanghai[J]. China Enviromnental Science, 2010, 30(12): 1585-1589. (0)
[25]
HAN Bo, BI Xiaohui, XUE Yonghua, et al. Source apportionment of ambient PM10 in urban areas of Wuxi, China[J]. Frontiers of Environmental Science & Engineering in China, 2011, 5(4): 552-563. (0)
[26]
RASMUS B, SIDIROPOULOS N D, SMILDE A K. Maximum likelihood fitting using ordinary least squares algorithms[J]. Journal of Chemometrics, 2002, 16(8/9/10): 387-400. (0)
[27]
PAATERO P. Least squares formulation of robust non-negative factor analysis[J]. Chemometrics & Intelligent Laboratory Systems, 1997, 37(1): 23-35. (0)
[28]
LEE E, CHAN C K, PAATERO P. Application of positive matrix factorization in source apportionment of particulate pollutants in Hong Kong[J]. Atmospheric Environment, 1999, 33(19): 3201-3212. DOI:10.1016/S1352-2310(99)00113-2 (0)
[29]
BORGE R, LUMBRERAS J, VARDOULAKIS S, et al. Analysis of long-range transport influences on urban PM10 using two-stage atmospheric trajectory clusters[J]. Atmospheric Environment, 2007, 41(21): 4434-4450. DOI:10.1016/j.atmosenv.2007.01.053 (0)
[30]
FU Qingyan, ZHUANG Guoshun, LI Juan, et al. Source, long range transport, and characteristics of a heavy dust pollution event in Shanghai[J]. Journal of Geophysical Research Atmospheres, 2010, 115(D7): 6128-6128. (0)
[31]
YANG F, TAN J, ZHAO Q, et al. Characteristics of PM2.5 speciation in representative megacities and across China[J]. Atmospheric Chemistry & Physics, 2011, 11(11): 1025-1051. (0)
[32]
FENG Yanli, CHEN Yingjun, GUO Hui, et al. Characteristics of organic and elemental carbon in PM2.5, samples in Shanghai, China[J]. Atmospheric Research, 2009, 92(4): 434-442. DOI:10.1016/j.atmosres.2009.01.003 (0)
[33]
SQUIZZATO S, MASIOL M, INNOCENTE E, et al. A procedure to assess local and long-range transport contributions to PM2.5, and secondary inorganic aerosol[J]. Journal of Aerosol Science, 2012, 46(2): 64-76. (0)
[34]
KHAN M F, SHIRASUNA Y, HIRANO K, et al. Characterization of PM2.5, PM2.5-10, and PM>10, in ambient air, Yokohama, Japan[J]. Atmospheric Research, 2010, 96(1): 159-172. DOI:10.1016/j.atmosres.2009.12.009 (0)
[35]
GU Jinxia, DU Shiyong, HAN Daowen, et al. Major chemical compositions, possible sources, and mass closure analysis of PM2.5 in Jinan, China[J]. Air Quality, Atmosphere & Health, 2014, 7(3): 251-262. (0)
[36]
HE Kebin, YANG Fumo, MA Yongliang, et al. The characteristics of PM2.5, in Beijing, China[J]. Atmospheric Environment, 2001, 35(29): 4959-4970. DOI:10.1016/S1352-2310(01)00301-6 (0)
[37]
LI Bing, ZHANG Jie, ZHAO Yu, et al. Seasonal variation of urban carbonaceous aerosols in a typical city Nanjing in Yangtze River Delta, China[J]. Atmospheric Environment, 2015, 106: 223-231. DOI:10.1016/j.atmosenv.2015.01.064 (0)
[38]
TAO Jun, SHEN Zhenxing, ZHU Chongshu, et al. Seasonal variations and chemical characteristics of sub-micrometer particles (PM1) in Guangzhou, China[J]. Atmospheric Research, 2012, 118(3): 222-231. (0)
[39]
LAI S C, ZOU S C, CAO J J, et al. Characterizing ionic species in PM2.5 and PM10 in four Pearl River Delta cities, South China[J]. Acta Scientiae Circumstantiae, 2007, 19(8): 939-947. (0)
[40]
CHOW J C, WATSON J G. Seasonal variations and sources of mass and chemical composition for PM10 aerosol in Hangzhou, China[J]. Particuology, 2009, 7(3): 161-168. DOI:10.1016/j.partic.2009.01.009 (0)
[41]
DENG Xueliang, SHI Chun'e, WU Biwen, et al. Characteristics of the water-soluble components of aerosol particles in Hefei, China[J]. Acta Scientiae Circumstantiae, 2016, 42(4): 32-40. (0)
[42]
赵普生, 张小玲, 孟伟, 等. 京津冀区域气溶胶中无机水溶性离子污染特征分析[J]. 环境科学, 2011, 32(6): 1546-1549.
ZHAO Pusheng, ZHANG Xiaoling, MENG Wei, et al. Characteristics of inorganic water-soluble ions from aerosols in Beijing-Tianjin-Hebei area[J]. Environmental Science, 2011, 32(6): 1546-1549. (0)
[43]
CHOW J C, WATSON J G, LU Z, et al. Descriptive analysis of PM2.5, and PM10, at regionally representative locations during SJVAQS/AUSPEX[J]. Atmospheric Environment, 1996, 30(12): 2079-2112. DOI:10.1016/1352-2310(95)00402-5 (0)
[44]
QIU Xionghui, DUAN Lei, GAO Jian, et al. Chemical composition and source apportionment of PM10 and PM2.5 in different functional areas of Lanzhou, China[J]. Journal of Environment Science, 2016, 21: 1-10. (0)
[45]
LIN Y C, TSAI C J, WU Y C, et al. Characteristics of trace metals in traffic-derived particles in Hsuehshan Tunnel, Taiwan:size distribution, potential source, and fingerprinting metal ratio[J]. Atmospheric Chemistry & Physics, 2015, 15(8): 4117-4130. (0)
[46]
WANG Ying, ZHUANG Guoshun, ZHANG Xingying, et al. The ion chemistry, seasonal cycle, and sources of PM2.5, and TSP aerosol in Shanghai[J]. Atmospheric Environment, 2006, 40(16): 2935-2952. DOI:10.1016/j.atmosenv.2005.12.051 (0)
[47]
XUE Yonghua, WU Jianhui, FENG Yinchang, et al. Source characterization and apportionment of PM10 in Panzhihua, China[J]. Aerosol & Air Quality Research, 2010, 10(4): 367-377. (0)
[48]
CAO J J, CHOW J C, TAO J, et al. Stable carbon isotopes in aerosols from Chinese cities:influence of fossil fuels[J]. Atmospheric Environment, 2011, 45(6): 1359-1363. DOI:10.1016/j.atmosenv.2010.10.056 (0)
[49]
ZHANG R, JING J, TAO J, et al. Chemical characterization and source apportionment of PM2.5 in Beijing:seasonal perspective[J]. Atmospheric Chemistry & Physics, 2013, 13(4): 9953-10007. (0)