环境科学研究  2017, Vol. 30 Issue (6): 854-863  DOI: 10.13198/j.issn.1001-6929.2017.02.19

引用本文  

赵阳, 胡恭任, 于瑞莲, 等. 2013年南昌市区PM2.5的浓度水平及时空分布特征与来源[J]. 环境科学研究, 2017, 30(6): 854-863.
ZHAO Yang, HU Gongren, YU Ruilian, et al. Concentrations and Spatial-Temporal Characteristics and Source Analysis of PM2.5 in Nanchang City in 2013[J]. Research of Environmental Sciences, 2017, 30(6): 854-863.

基金项目

国家自然科学基金项目(21477042,21377042)

责任作者

胡恭任(1966-), 男, 江西赣县人, 教授, 博士, 博导, 主要从事环境监测与评价, grhu@hqu.edu.cn

作者简介

赵阳(1987-), 男, 安徽蚌埠人, zhaoyang8763@163.com

文章历史

收稿日期:2016-04-21
修订日期:2016-12-04
2013年南昌市区PM2.5的浓度水平及时空分布特征与来源
赵阳1,2 , 胡恭任1 , 于瑞莲1 , 陆成伟3 , 樊孝俊4 , 黄灵光5 , 刘海婷5     
1. 华侨大学化工学院, 福建 厦门 361021;
2. 南昌市环境保护局, 江西 南昌 330038;
3. 成都市环境保护科学研究院, 四川 成都 610072;
4. 南昌市环境监测站, 江西 南昌 330002;
5. 江西省山江湖开发治理委员会办公室, 江西 南昌 330038
摘要:对2013年南昌市区9个自动空气质量监测点的ρ(PM2.5)数据进行分析,探讨了PM2.5浓度水平及时空分布特征,并采用轨迹聚类、PSCF(潜在源贡献因子)、CWT(浓度权重轨迹分析)进行了大气PM2.5的来源分析.结果显示:2013年南昌市区ρ(PM2.5)年均值为69.1μg/m3,超过GB 3095-2012《环境空气质量标准》二级标准限值(35μg/m3)的97%;ρ(PM2.5)昼夜变化呈双峰型分布,峰值位于09:00-11:00和20:00-22:00;月际变化呈两边高、中间低的"V"型趋势;ρ(PM2.5)有明显的季节性变化特征,由高到低依次为冬季、春季、秋季和夏季;ρ(PM2.5)空间分布呈由东南至西北递减的分布特征.气流轨迹聚类结果表明,南昌市气流输送季节性变化特征明显,夏季来自南方或东南方向的气流比例高达65.6%,而在另外三个季节,东北和偏北方向的气流分别占62.0%(冬)、59.6%(春)、54.7%(秋),对南昌市ρ(PM2.5)影响较大;夏季南方或东南方向的气流所占比例较高,为65.6%;PM2.5的PSCF和CWT的高值主要集中在南昌本地和邻近的浙江省及福建省北部地区,但周边的河南南部、江苏中部也是南昌市PM2.5的潜在来源地.
关键词PM2.5    时空特征    后向轨迹    潜在源贡献因子    浓度权重轨迹分析    
Concentrations and Spatial-Temporal Characteristics and Source Analysis of PM2.5 in Nanchang City in 2013
ZHAO Yang1,2 , HU Gongren1 , YU Ruilian1 , LU Chengwei3 , FAN Xiaojun4 , HUANG Lingguan5 , LIU Haiting5     
1. College of Chemical Technology, Huaqiao University, Xiamen 361021, China;
2. Nanchang Municipal Environmental Protection Bureau, Nanchang 330038, China;
3. Chengdu Academy of Environmental Science, Chengdu 610072, China;
4. Nanchang Municipal Environmental Monitoring Station, Nanchang 330002, China;
5. Office of Mountain-River-Lake Development Committee of Jiangxi Province, Nanchang 330038, China
Abstract: PM2.5 data from nine automatic air quality monitoring stations in Nanchang City in 2013 were analyzed to examine the spatial and temporal characteristics of PM2.5. The potential sources of PM2.5 were explored by trajectory cluster, potential source contribution function (PSCF) and concentration-weighted trajectory (CWT). The results showed that the annual average PM2.5 concentration was 69.1 μg/m3 in 2013, exceeding the secondary national standard (35 μg/m3) by 97%. The diurnal variation curve showed a bimodal distribution with peaks at 09:00-11:00 and 20:00-22:00. The monthly average concentration of PM2.5 at each station showed a 'V'-shaped trend, i.e., higher on both sides while lower in the middle. The seasonal variation of PM2.5 was significant with the sequence of winter > spring > autumn > summer. The temporal characteristics of PM2.5 showed a significant decreasing trend from the southeast to the northwest. There was an obvious difference in the potential source area distribution of PM2.5 owing to the airflow in different directions. The airflow trajectories were mainly from the south and the southeast in summer, with contribution of 65.6%. However, the inland airflow trajectories were mainly from the northeast and the north in winter, spring and autumn, with contributions of 62.0%, 59.6% and 54.7%, respectively, which greatly affected the PM2.5 level in Nanchang City. The higher PM2.5 values analyzed by PSCF and CWT were in Nanchang City, Zhejiang Province and northern Fujian Province, while southern Henan province and central Jiangsu province were also potential source areas of PM2.5 in Nanchang City.
Keywords: PM2.5    spatial-temporal characteristics    backward trajectory    PSCF    CWT    

随着社会经济的快速发展、城市化进程的加快以及能源消耗的不断攀升,颗粒物已成为我国城市大气的首要污染物.其中,PM2.5对人体健康危害极大,不仅影响视觉,还会引发肺癌等疾病,也严重影响大气能见度[1],对人体健康和大气环境质量均产生了严重影响,受到了国内外研究学者的广泛关注[2-6]. 2012年12月,世界卫生组织等300多家国际研究机构联合发布了《全球疾病负担2010》(简称GBD2010)[7],结果显示,PM2.5可导致全球320×104人过早死亡,其中中国的死亡人数高达123×104人.

大气污染具有区域性,一个地区或城市的大气污染不仅与本地排放有关,还在一定程度上受区域传输的影响[8-10].目前关于PM2.5和气态污染物污染特征及区域传输的研究主要集中在京津、沿海和珠江三角洲地区[11-13],而对南昌地区的研究鲜见报道.为此,该研究利用南昌市区9个自动监测点2013年ρ(PM2.5)监测数据,分析南昌市PM2.5污染水平、时空分布,基于反距离权重插值法(IDW)、轨迹聚类法和PSCF(潜在源贡献因子)法、浓度权重轨迹分析(CWT),分析南昌市PM2.5的浓度水平及时空变化特征与来源,以期为南昌市大气污染防治提供一定的科学依据.

1 材料与方法 1.1 研究区域概况与监测点分布

南昌市位于平原地带,东南相对平坦,西北丘陵起伏,水网密布,湖泊众多.南昌市区共设9个大气自动监测点(见表 1),分别是石化、省站、省外办、林业公司、省林科所、京东镇政府、建工学校、象湖子站、武术学校(对照点).所有观测数据均经过严格质量控制,主要通过限值检查、气候极值检查、内部和时间一致性检验手段.文中讨论的昼夜、月和季节变化均由观测的小时平均值计算所得.

表 1 南昌市环境空气质量监测布点 Table 1 Details of the state controlling sites for monitoring ambient air quality in Nanchang
1.2 仪器设备

PM2.5监测仪采用7201-PM2.5β射线法悬浮颗粒物分析仪,操作流程严格按照HJ/T 193—2005《环境空气质量自动监测技术规范》进行,每天24 h连续进行采样,设备由技术人员定期检查并及时维护保养,在1 a的监测时间内有效数据捕获率超过95%,数据样本量充足.

1.3 ρ(PM2.5)时空特征分析

由各监测点PM2.5逐日浓度计算南昌市污染水平、季节性变化特征、月际变化特征,利用省外办小时浓度研究南昌市城区昼夜变化特征.结合地理数据,利用GIS空间分析中的反距离权重(IDW)算法[14]对各监测点的小时浓度计算得出的PM2.5季度浓度进行插值,模拟出细颗粒物污染空间分布等级,并在GIS系统(ArcGIS 10.2) 中进行可视化表达. IDW插值是GIS中常用的精确插值方法,基本原理是假设未知值的点受近距离控制点的影响比远距离控制点的影响更大,其通用方程为式(1).

$z_p = \sum\limits_{i=1}^n Z_i \frac{1}{d_i^k} / \sum\limits_{i=1}^n \frac{1}{d_i^k}$ (1)

式中:zp为未知点p的估计值,μg/m3zi为控制点iz值,μg/m3,具体在该研究中为各监测点的ρ(PM2.5);di为控制点i与点p间的距离,km;n为在估算中用到的控制点数目;k为确定的幂.反距离插值法幂值要求在0.5~3.0之间,插值效果均可接受,该研究中幂值为2.0,可以满足要求.

1.4 后向轨迹分析

后向轨迹模型被广泛应用于跟踪气流所携带的粒子或气体的移动方向,分析污染物来源和传输路径等方面[15].利用美国海洋与大气管理局(NOAA)空气资源实验室(ARL)提供的混合型单粒子拉格朗日综合轨迹(HYSPLIT 4.2) 模式和NCEP ARL数据计算每日00:00到达南昌市气团的后向轨迹,每隔2 h计算1次,后推时间为72 h,受体高度为10 m,模拟起始高度选为500 m[16].

1.5 轨迹聚类分析

将计算得到的后向轨迹进行聚类分析,该方法是根据气团的移动速度和方向对大量轨迹进行分组,得到不同的轨迹输送组来估计污染物的潜在源区[17].轨迹聚类方法主要有Euclidean distance或angle distance两种[18].该研究注重的是抵达研究站点(省外办)的气流轨迹的方向,因此采用angle distance算法.轨迹聚类参照WANG等[17]的分析方法.

在聚类分析过程中,将组间差异临界值设为30%,即前后两个轨迹的差异在30%以内就归为同一类型气流,把聚类后的各条轨迹对应的气溶胶数浓度进行平均,得到南昌市主要的输送路径.

1.6 潜在源贡献因子分析法(PSCF)

PSCF是基于条件概率函数发展而来的一种判断污染源可能方位的方法[19],PSCF通过结合气团轨迹和某要素值〔该研究指ρ(PM2.5)〕来给出可能的排放源位置. PSCF函数定义为经过某一区域的气团到达观测点时对应的某要素值超过设定阈值的条件概率.

将某一研究区域划分为特定分辨率的网格,对研究的要素设定一个阈值,当轨迹所对应的要素值高于这个阈值时,认为该轨迹是污染轨迹,具体计算公式见WANG等[20-21]的分析方法.

1.7 浓度权重轨迹分析(CWT)

由于PSCF只能反映潜在源区贡献率的大小,即每个网格中污染轨迹所占比例的多少,不能反映潜在源区的污染程度,也就无法模拟数值的大小.用CWT[22]方法计算了轨迹的权重浓度,以反映不同轨迹的污染程度.在CWT分析法中,每个网格点都有一个权重浓度,它可以通过计算经过该网格的轨迹对应的ρ(PM2.5)平均值来实现,计算方法见王爱平等[20]的研究报道.

2 结果与分析 2.1 PM2.5浓度水平及时空分布特征 2.1.1 PM2.5浓度水平

2013年南昌市ρ(PM2.5)年均值为69.1 μg/m3,超过GB 3095—2012《环境空气质量标准》二级标准限值(35 μg/m3)的97%,ρ(PM2.5)日均值范围为10~286 μg/m3,日均值超标率为79.2%.污染程度低于京津冀区域中的北京等城市,但比长三角、珠三角等区域中的上海、广州等地的污染程度[23]重.

9个监测点ρ(PM2.5)年均值和标准差见图 1. 2013年全市9个监测点ρ(PM2.5)的年均值均超过GB 3095—2012二级标准限值(35 μg/m3).各监测点ρ(PM2.5)年均值大小依次为省外办>林业公司>京东镇政府>石化>省站>建工学校>象湖子站>省林科所>武术学校.除对照点(武术学校)外,省外办监测点ρ(PM2.5)高达83.1 μg/m3,超过GB 3095—2012二级标准限值1.38倍,可能是受到交通尾气和周边佑民寺烧香的影响;省林科所监测点ρ(PM2.5)最低为55.8 μg/m3,该监测点靠近梅岭风景区,植被覆盖率高,落叶植被的抽枝发芽,使得叶面积显著增加,湿润且具有一定粗糙度的叶片有利于颗粒物的吸收和滞留,导致其值较低[24];市中心区的省外办、省站、石化等监测点ρ(PM2.5)比市区周边监测点省林科所、象湖子站较高,说明人为活动对ρ(PM2.5)产生一定的影响;各监测点的ρ(PM2.5)标准差均处于较高浓度水平,甚至接近平均值,表明南昌市ρ(PM2.5)在时间序列上非均匀化分布,在短时间内出现较大的波动,这可能是受到南昌市特殊的地理位置和气象条件、较多的本地污染物排放量以及周边地区较高污染水平的影响.

图 1 南昌市区各监测点ρ(PM2.5)水平 Figure 1 Concentration levels of PM2.5 in monitoring stations in Nanchang
2.1.2 昼夜变化特征

由于人为活动、气象条件和大气物理化学特性的昼夜变化差异,ρ(PM2.5)也表现出昼夜变化特性.选取南昌市中心省外办监测点的2103年全年24 h ρ(PM2.5)为代表,研究其昼夜变化特征(见图 2).南昌市ρ(PM2.5)昼夜变化大体呈双峰趋势,一个波峰出现在09:00—11:00时段,另一波峰出现在20:00—22:00时段,与宁波市[25]、深圳市郊区[26]分布规律相同. ρ(PM2.5)在清晨05:00—07:00较低,随着太阳逐渐升起,太阳辐射逐渐增强、空气温度升高,人们开始外出活动,汽车尾气排放量迅速增长,大气光化学反应更加活跃,污染排放开始累积,因此ρ(PM2.5)也随之升高,并在上午上班高峰后、太阳辐射较大的09:00—11:00时段达到一个小高峰.午后,太阳辐射有所减弱,大气及地面的累积温度继续升高,局部温度差异增大,空气流动性增强,使得ρ(PM2.5)随之下降.然而,由于下午人类活动的增加、下班晚高峰的到来以及市区夜生活的各种能源消耗,市区夜晚地面温度下降,相对地面上空温度反而升高,产生逆温层,污染物由低温向高温发散受到阻力,不利于扩散,ρ(PM2.5)再次呈攀升趋势,直至晚间20:00—22:00达到一天中的峰值.夜间出现最高峰值与以下两方面的因素有关:① 南昌市夜间多小风静风和逆温的不利气象扩散条件;② 可能与夜间行驶的机动车多为排放大量颗粒物的柴油重型车有关.

图 2 南昌市区ρ(PM2.5)昼夜变化特征 Figure 2 Daily variation of PM2.5 mass concentration in measuring points in Nanchang
2.1.3 月际变化特征

从9个监测点ρ(PM2.5)月均值数据可以看出,其月际变化总体呈两边高、中间低的“V”型趋势,12月、1月较高,6—8月低,与文献[27]报道的颗粒物浓度夏季低、冬季高的情况相吻合,说明颗粒物浓度与气象条件有着紧密的联系.南昌市区ρ(PM2.5)月均值在24~150 μg/m3,最大值出现在1月的石化监测点,最小值出现在8月的武术学校监测点. 1月空气污染最严重,9个监测点均高于年均值,其次是12月.究其原因,主要是由于冬季空气污染较重会出现重度雾霾情况.如南昌市在2013年1月9—14日、12月4—8日分别连续出现6、5 d的重度污染天气.各监测点最低值均出现在6—8月,因为该时段大气扩散条件好、逆温层的情况较少,有利于污染物的扩散稀释.

图 3 南昌市各监测点ρ(PM2.5)月均值变化曲线 Figure 3 The variation curve of monthly average concentration value of PM2.5 in each point of Nanchang
2.1.4 ρ(PM2.5)季度性变化特征

南昌市属于亚热带季风气候,气候湿润温和,日照充足,一年中夏冬季长、春秋季短.按照气象学上季节划分,将一个完整年分为春季(3—5月)、夏季(6—8月)、秋季(9—11月)和冬季(12月、1—2月)[28]. 9个监测点的ρ(PM2.5)季节性变化如图 4所示.由图 4可以看出,ρ(PM2.5)具有较为明显的季节性变化规律,ρ(PM2.5)由高到低依次为冬季、春季、秋季和夏季,平均值分别为101、65.7、62.6、41.0 μg/m3,冬春季污染比较严重,夏秋季污染比较轻,与青岛市[29]、越南河内[30]颗粒物浓度夏季低、冬季高的情况比较吻合. ρ(PM2.5)冬季污染最严重,究其原因:① 冬季时北方进入采暖季,ρ(PM2.5)较高,由于南昌市冬季多偏北风,ρ(PM2.5)会受到北方外来输入性影响. ② 春节期间燃放烟花爆竹会产生大量的颗粒物. ③ 冬季天气的气流非常稳定,大气垂直扩散条件较差,容易形成逆温效应,不利于PM2.5扩散和降解.而夏季大气垂直扩散条件较好,并且多雨水、雨量大,风速快且大雨前后伴随着大风,使空气中的PM2.5容易得到稀释和冲刷,因此夏季ρ(PM2.5)低.

图 4 南昌市大气ρ(PM2.5)的季节变化 Figure 4 Seasonal variation of PM2.5 mass concentration in Nanchang
2.2 ρ(PM2.5)时空分布特征

采用IDW算法,通过ArcGIS软件中的空间分析模块对已知监测站进行插值,生成南昌市区ρ(PM2.5)连续曲面,进行符号化处理后得到南昌市PM2.5污染空间分布(见图 5).整体来看,南昌市ρ(PM2.5)呈西北部低、东南部高的分布特征,特别是秋冬季,ρ(PM2.5)由东南到西北递减的层次极为明显,这可能是由于南昌市的南部和东西部各靠近一个国家级开发区,污染物排放量相对较大,在不利的气象条件下容易对南昌市空气质量产生影响,体现了工业布局和区域传输对南昌市ρ(PM2.5)的影响.

图 5 南昌市四季ρ(PM2.5)空间插值分布 Figure 5 Distribution of spatial interpolation of PM2.5 in Nanchang in four seasons
2.3 后向轨迹聚类分析与研究

以南昌市省外办(28°40′N、115°53′E)为目标点,以2013年全年为模拟时段,以每日00:00(UTC)为后推起始时间,利用HYSPLIT模拟每日气流运动的72 h后向轨迹,并使用R语言以及Openair开源大气环境分析包开发相应的后向轨迹统计程序,结合南昌市省外办2013年全年ρ(PM2.5)监测数据,对各季节的气流资料进行处理,分别得到不同季节的气流轨迹图,用angle distance方法对轨迹进行分组,把气流轨迹分为五类,聚类结果如图 6所示.为了研究不同类型的气流轨迹对PM2.5的影响,将各类轨迹对应的ρ(PM2.5)进行算术平均,分析气流对污染物浓度的影响(见表 2). 表 2ρ(PM2.5)表示聚类前所有轨迹到达受体点位时的ρ(PM2.5)监测值的平均值.

注:底图于2013年11月下载自国家基础地理信息系统数据网站(http://nfgis.nsdi.gov.cn),审图号:gs[2008]1228号.图中数字为经纬度.下同. 图 6 南昌后向轨迹聚类的季节性分布 Figure 6 Seasonal distribution of back trajectories clusters in Nanchang

表 2 南昌各类轨迹区域特征的季节分析 Table 2 Seasonal analysis of regional characteristics of backward trajectories in Nanchang
2.3.1 气流轨迹方向和比例

轨迹的路线和方向表示气团在到达观测点以前所经过的地区,根据轨迹路线长短可以判断气团移动的速度,长的轨迹对应快速移动的气团,短的轨迹对应移动缓慢的气团.由图 6表 2可以看出,南昌市四季后向轨迹变化明显.冬季(1—2月、12月)来自东北方的气流轨迹(C1和C2) 在冬季气流轨迹总数中所占比例最大达到62%,来自于江苏中北部地区,移动速度比其他气流轨迹快,其次是来自于浙江西部的气流轨迹C3占总轨迹数的22.0%,来自于江西境内的气流轨迹C4占总轨迹数的4.24%;春季(3—5月)来自福建西南部的气流轨迹最多,占当季气流总数的28.4%,来自于江苏北部、东南部和浙江境内的气流轨迹数(C1、C2、C3) 大体相同,占当季气流总数的20.0%左右;夏季(6—8月)来自于南海方向的气流轨迹数最多,共占当季气流总数的65.6%,来自于东海、上海方向和台湾海峡方向的气流轨迹数相当,占当季气流总数的14.0%左右,来自南海方向的气流轨迹比其他方向长,表明来自南海方向的气团移动都比较快;秋季(9—11月)来自江苏境内的两个气流轨迹最多,占当季总数的54.7%.

2.3.2 气流轨迹对ρ(PM2.5)的影响

基于各季节气流后向轨迹聚类分析结果,对各类轨迹对应的ρ(PM2.5)算术平均值进行统计分析,以表征该类气流影响下的大气污染物浓度水平特征.由表 2可知,冬季途经河南南部、安徽西部、湖北东部和途径浙江西部、福建西北部的气流轨迹对应的ρ(PM2.5)平均值较高,分别为146、147 μg/m3,这可能是由于冬季北方地区处于采暖期,ρ(PM2.5)较高,而浙江西部等地工业企业较多,PM2.5排放量大;春季途经河南南部、湖北东部的气流轨迹对应的ρ(PM2.5)均值最高,为98.7 μg/m3,可能是由于春季北方地区的沙尘暴天气较多,来自于西北内陆地区的沙尘主要通过该气流输送至南昌;随着夏季风环流建立,南昌盛行偏南风,北方气流减弱,夏季各类轨迹对应的ρ(PM2.5)低于其他季节,来自各方向的气流轨迹对应物ρ(PM2.5)均值都普遍偏低,最低值为49.1 μg/m3,为来自于台湾海峡途经福建东南部、西北部的轨迹气流,这主要是因为南昌市夏季受东南季风暖湿气流的影响,夏季植被覆盖率高,自然源较少,同时夏季的降水较多对污染物也有一定的稀释作用,这就使得夏季到达南昌的气流携带的污染物较少;秋季南方气流逐渐减弱,北方气流逐渐加强,途经浙江西部、福建西北部的气流对应的ρ(PM2.5)均值最高,为113 μg/m3,出现该种现象的原因可能是当地工业发达、当地人为排放的污染物较多导致的.总体来看,南昌秋季较易受到来自北方地区大陆性气流的影响,受沙尘或人为排放因素的影响大.

2.4 PM2.5气流潜在源区分析

为了对南昌大气污染输送源进一步的研究,针对南昌市PM2.5开展污染潜在源区分析. 图 7为南昌市四季PM2.5的PSCF计算结果.由图 7可以看出,南昌市冬季PSCF的较大值主要集中在河南南部、福建西北部、浙江中部等地,表明这些地方是PM2.5的主要潜在源区,携带这些源区的污染物沿着聚类轨迹C3、C5输送抵达南昌.此外,江苏中部等地区污染源对南昌也有一定的影响;春季PSCF的较大值主要集中在浙江、江西福建交界处;夏季PSCF的数值较小且污染源分布在江西南部、广东北部;秋季PSCF的较大值主要集中在浙江南部、福建北部等地区,聚类轨迹C4对污染物的输送有一定作用.

图 7 南昌市PM2.5潜在源贡献的季节性分布 Figure 7 Seasonal distribution of potential source contribution function (PSCF) of PM2.5 in Nanchang
2.5 PM2.5浓度权重轨迹分析(CWT)

通过CWT对影响ρ(PM2.5)大小的潜在源区进行模拟,结果如图 8所示.由图 8可见,冬季PM2.5浓度权重轨迹的较大值主要集中在南昌市周边,其中湖北、安徽交界处和安徽、江西交界处及南昌东北部较高,这些地区对南昌日均ρ(PM2.5)贡献在120 μg/m3以上,此外江西与福建交界处贡献也比较高;春季南昌市周边地区对南昌市日均ρ(PM2.5)贡献相当,都在100 μg/m3左右,并且主要集中在南昌周边江西境内;夏季也主要是南昌市周边地区的贡献比较大,但是比其他季节贡献浓度小只有60 μg/m3以上,其中南昌南部部分地区贡献达到80 μg/m3,这可能是由于夏季南昌盛行南风,气象条件有利于污染物的扩散,因此ρ(PM2.5)较低且主要在南方;秋季时CWT的较大值主要分布在福建西北部、浙江安徽与江西交界处等地区,其中福建西北部贡献最大可达到100 μg/m3.总的来看,四季的PM2.5潜在源区都有南昌市周边地区,可见当地人为污染源对PM2.5的影响较大.

图 8 南昌PM2.5浓度权重轨迹的季节性分布 Figure 8 Seasonal distribution of concentration-weighted trajectory (CWT) of PM2.5 in Nanchang

虽然浓度权重轨迹(CWT)分析法在分析过程中有一定的变化和不确定性.但这种方法模拟的结果与表 2中各气流所经过的潜在地区以及这些地区的浓度贡献值基本一致.南昌市四季PM2.5的CWT最大值在地区分布上与表 2中轨迹贡献最高浓度在这些地区分布基本接近.这说明CWT分析法所模拟的结果是可信的,模拟的结果产生的不确定性较小[21].

2.6 潜在源区分析结果

分别用PSCF和CWT潜在源区的方法分析PM2.5的来源,对比发现,两种分析方法得到的主要污染源区分布结果大致相同,细节方面略有不同. PSCF仅从轨迹过点概率上给出不同格点的可能贡献值高低,但无法区分不同格点对污染物浓度的贡献大小,仅仅是贡献可能性的高低;而CWT方法则在过点概率的基础上增加了受体点浓度作为权重,加权后的过点概率可以较好地反映不同格点对受体点位的不同程度的贡献,能够区分高低贡献区域.

在PSCF方法中,每条轨迹对观测点的影响都是相等的,通过大量轨迹的叠加分析,得到不同区域的可能贡献程度.与PSCF方法的结果相比,CWT模拟的夏季潜在源区范围比PSCF大,增加了广东东部、福建西南部和南海小部分海域源区;在分析春秋季PM2.5的潜在源区时增加了安徽北部、河南南部、湖北东部源区,这些地方虽然距离南昌市更远,但由于其排放和污染物浓度的影响,对南昌市的影响可能更大.由于PSCF方法和CWT方法使用的相同后向轨迹模拟结果,区别仅仅在于计算方法上,故结果存在可比性.而与Intex-B排放清单[32]比较,CWT模拟结果和排放清单提供的PM2.5分布存在一定的一致性,以南昌市北部贡献为主.

3 结论

a) 2013年,南昌市环境空气中的ρ(PM2.5)年均值为69 μg/m3,超过GB 3095—2012《环境空气质量标准》二级标准限值(35 μg/m3)的97%;ρ(PM2.5)昼夜变化呈双峰型分布,峰值位于09:00—11:00和20:00—22:00;月际变化规律总体呈两边高、中间低的“V”型趋势;ρ(PM2.5)有明显的季节性分布特征,由高到低的季节依次为冬季、春季、秋季和夏季.

b)南昌市区ρ(PM2.5)空间分布呈由东南至西北递减的特征,这主要与南昌市工业区布局和区域传输的影响.

c)南昌气流输送季节性变化特征明显.在冬、春、秋三季,来自东北和偏北方向的气流占有较大比例,分别为62.0%、59.6%、54.7%,对南昌市ρ(PM2.5)影响较大;夏季南方或东南方向的气流所占比例较高,为65.6%.

d) ρ(PM2.5)的PSCF和CWT的高值主要集中在南昌本地和邻近的浙江省和福建省北部地区,但周边的河南南部、江苏中部也是南昌PM2.5的潜在源地,需在下一步研究工作中作进一步分析.

参考文献
[1]
HU David, JIANG Juyuan. PM2.5 pollution and risk for lung cancer:a rising issue in China[J]. Journal of Environmental Protection, 2014(5): 731-738. (0)
[2]
ARMIENTO G, MARCO I, SIMONA M T, et al. A comprehensive approach to the investigation of atmospheric particulate PM2.5:preliminary results[J]. Periodico Di Mineralogia, 2013, 82(1): 199-216. (0)
[3]
NICOLE A H J, GERARD H, MILENA S L, et al. Black carbon as an additional indicator of the adverse health effects of airborne particles compared with PM10 and PM2.5[J]. Environmental Health Perspectives, 2011, 119(12): 1691-1699. DOI:10.1289/ehp.1003369 (0)
[4]
ROGGE W, ONDOV J M, ANNA B B, et al. Baltimore PM2.5 Supersite:highly time-resolved organic compounds-sampling duration and phase distribution-implications for health effects studies[J]. Analytical and Bioanalytical Chemistry, 2011, 401(10): 3069-3082. DOI:10.1007/s00216-011-5454-9 (0)
[5]
RICH D Q, KIPEN H M, HUANG Wei, et al. Association between Changes in Air Pollution Levels during the Beijing Olympics and biomarkers of inflammation and thrombosis in healthy young adults[J]. Journal of the American Medical Association, 2012, 307(19): 2068-2078. (0)
[6]
WANG Hailin, ZHUANG Yahui, WANG Ying, et al. Long-term monitoring and source apportionment of PM2.5/PM10 in Beijing, China[J]. Journal of Environmental Sciences, 2008, 20(11): 1323-1327. DOI:10.1016/S1001-0742(08)62228-7 (0)
[7]
LIM S S, VOS T, FLAXMAN A D, et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions, 1990-2010:a systematic analysis for the Global Burden of Disease Study 2010[J]. Lancet, 2012, 380(9859): 2224-2260. DOI:10.1016/S0140-6736(12)61766-8 (0)
[8]
梁丹, 王彬, 王云琦, 等. 重庆市冬季PM2.5及气态污染物的分布特征与来源[J]. 环境科学研究, 2015, 28(7): 1039-1046.
LIANG Dan, WANG Bin, WANG Yunqi, et al. Distribution characteristics and sources of PM2.5 and gaseous pollutants in winter in Chongqing[J]. Research of Environmental Sciences, 2015, 28(7): 637-642. (0)
[9]
王芳, 陈东升, 程水源, 等. 基于气流轨迹聚类的大气污染输送影响[J]. 环境科学研究, 2009, 22(6): 637-642.
WANG Fang, CHEN Dongsheng, CHENG Shuiyuan, et al. Impacts of air pollutant transport based on air trajectory clustering[J]. Research of Environmental Sciences, 2009, 22(6): 1039-1046. (0)
[10]
POPE Ⅲ C A, DOCKRY D W. Health effects of fine particulate air pollution:lines that connect[J]. Journal of the Air and Waste Management Association, 2006, 56(6): 709-742. DOI:10.1080/10473289.2006.10464485 (0)
[11]
LIU Xiaohuan, ZHANG Yang, CHENG Shuhui, et al. Understanding of regional air pollution over China using CMAQ:part Ⅰ.performance evaluation and seasonal variation[J]. Atmospheric Environment, 2010, 44(20): 2415-2426. DOI:10.1016/j.atmosenv.2010.03.035 (0)
[12]
徐伟嘉, 何芳芳, 李红霞, 等. 珠三角区域PM2.5时空变异特征[J]. 环境科学研究, 2014, 27(9): 951-957.
XU Weijia, HE Fangfang, LI Hongxia, et al. Spatial and temporal variations of PM2.5 in the Pearl River Delta[J]. Research of Environmental Sciences, 2014, 27(9): 951-957. (0)
[13]
肖致美, 毕晓辉, 冯银厂, 等. 天津市大气颗粒物污染特征与来源构成变化[J]. 环境科学研究, 2014, 27(3): 246-252.
XIAO Zhimei, BI Xiaohui, FENG Yinchang, et al. Variations of characteristics and sources of ambient particulate matter pollution in Tianjin City[J]. Research of Environmental Sciences, 2014, 27(3): 246-252. (0)
[14]
WU Jun, WINER A M, DELFINO R. Exposure assessment of particulate matter air pollution before, during, and after the 2003 Southern California wildfires[J]. Atmospheric Environment, 2006, 40(18): 3333-3348. DOI:10.1016/j.atmosenv.2006.01.056 (0)
[15]
DRAXLER R R, ROLPH G D.HYSPLIT(HYbrid Single Particle Lagrangian Integrated Trajectory) Model access via NOAA ARL READY Website[EB/OL].Silver Spring, MD:NOAA Air Resources Laboratory, 2003.http://www.ready.noaa.gov/HYSPLIT.php (0)
[16]
周勤迁, 潘月鹏, 王剑, 等. 黑龙江海伦农业区冬春PM2.5和气态污染物污染特征[J]. 中国环境科学, 2014, 34(4): 844-851.
ZHOU Qinqian, PAN Yuepeng, WANG Jian, et al. Pollution characteristics of PM2.5 and gaseous pollutants in winter and spring at agricultural region of Hailun city, Heilongjiang Province[J]. China Environmental Science, 2014, 34(4): 844-851. (0)
[17]
WANG Yaqiang, ZHANG X.Y, XLER RR. TrajStat:GIS-based software that uses various trajectory statistical analysis methods to identify potential sources from long-term air pollution measurement data[J]. Environmental Modelling and Software, 2009, 24(8): 938-939. DOI:10.1016/j.envsoft.2009.01.004 (0)
[18]
SIROIS A, BOTTENHEIM J W. Use of backward trajectories to interpret the 5-year record of PAN and O3 ambient air concentrations at Keimkujik National Park, Nova Scotia[J]. Journal of Geophysical Research Atmospheres, 1995, 100: 2867-2881. DOI:10.1029/94JD02951 (0)
[19]
GAO Ning, CHENG Mengdawn, HOPKE P K. Potential source contribution function analysis and source apportionment of sulfur species measured at Rubidoux, CA during the Southern California Air Quality Study, 1987[J]. Analytica Chimica Acta, 1993, 277(2): 369-380. DOI:10.1016/0003-2670(93)80449-U (0)
[20]
王爱平, 朱彬, 银燕, 等. 黄山顶夏季气溶胶数浓度特征及其输送潜在源区[J]. 中国环境科学, 2014, 34(4): 852-861.
WANG Aiping, ZHU Bin, YIN Yan, et al. Aerosol number concentration properties and potential sources areas transporting to the top of mountain Huangshan in summer[J]. China Environmental Science, 2014, 34(4): 852-861. (0)
[21]
WANG Y Q, ZHANG X Y, ARIMOTO R. The contribution from distant dust sources to the atmospheric particulate matter loading at Xi'an, China during spring[J]. Science of the Total Environment, 2006, 368: 875-883. DOI:10.1016/j.scitotenv.2006.03.040 (0)
[22]
HSU Y K, HOLSEN T M, HOPKE P K. Comparison of hybrid receptor models to locate PCB sources in Chicago[J]. Atmospheric Environment, 2003, 37(4): 545-562. DOI:10.1016/S1352-2310(02)00886-5 (0)
[23]
中华人民共和国环境保护部. 中国环境状况公报-大气环境[EB/OL]. 北京: 中华人民共和国环境保护部, 2014[2014-06-05]. http://jcs.mep.gov.cn/hjzl/zkgb/2013zkgb/201406/t20140605_276521.htm. (0)
[24]
赵晨曦, 王云琦, 王玉杰, 等. 北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J]. 环境科学, 2014, 35(2): 418-427.
ZHAO Chenxi, WANG Yunqi, WANG Yujie, et al. Temporal and spatial distribution of PM2.5 and PM10 pollution status and the correlation of particulate matters and meteorological factors during winter and spring in Beijing[J]. Environmental Scienc, 2014, 35(2): 418-427. (0)
[25]
王占山, 李云婷, 陈添, 等. 2013年北京市PM2.5的时空分布[J]. 地理学报, 2015, 70(1): 110-120.
WANG Zhanshan, LI Yunting, CHEN Tian, et al. Spatial-temporal characteristics of PM2.5 in Beijing in 2013[J]. Acta Geographica Sinica, 2015, 70(1): 110-120. (0)
[26]
戴伟, 高佳琪, 曹罡, 等. 深圳市郊区大气中PM2.5的特征分析[J]. 环境科学, 2012, 33(6): 1952-1957.
DAI Wei, GAO Jiaqi, CAO Gang, et al. Characterization of atmospheric PM2.5 in the suburb of Shenzhen[J]. Environmental Science, 2012, 33(6): 1952-1957. (0)
[27]
盛涛. 昆明市大气PM10和PM2. 5比值特征及来源研究[D]. 昆明: 昆明理工大学, 2014: 41-43.
SHENG Tao.The ratio characteristics and source apportionment of PM10 and PM2.5 in the city of Kunming[D].Kunming:Kunming University of Science and Technology, 2014:41-43. http://cdmd.cnki.com.cn/Article/CDMD-10674-1014353177.htm (0)
[28]
程念亮, 李云婷, 张大伟, 等. 2013年北京市细颗粒物时空分布特征研究[J]. 环境工程, 2015, 33(10): 43-46.
CHENG Nianliang, LI Yunting, ZHANG Dawei, et al. Analysis on the spatial and temporal distribution of PM2.5 in Beijing in 2013[J]. Environmental Engineering, 2015, 33(10): 43-46. (0)
[29]
吴虹, 张彩艳, 王静, 等. 青岛环境空气PM10和PM2.5污染特征与来源比较[J]. 环境科学研究, 2013, 26(6): 583-589.
WU Hong, ZHANG Caiyan, WANG Jing, et al. Comparative study on pollution characteristics and source apportionment of PM10 and PM2.5 in Qingdao[J]. Research of Environmental Sciences, 2013, 26(6): 583-589. (0)
[30]
HIEN P D, BAC V T, THAM H C, et al. Influence of meteorological conditions on PM2.5 and PM2.5-10 concentrations during the monsoon season in Hanoi, Vietnam[J]. Atmospheric Environment, 2002, 36(21): 3473-3484. DOI:10.1016/S1352-2310(02)00295-9 (0)
[31]
王郭臣, 王珏, 信玉洁, 等. 天津PM10和NO2输送路径及潜在源区研究[J]. 中国环境科学, 2014, 34(12): 3009-3016.
WANG Guochen, WANG Jue, XIN Yujie, et al. Transportation pathways and potential source areas of PM10 and NO2 in Tianjin[J]. China Environmental Science, 2014, 34(12): 3009-3016. (0)
[32]
周广强, 谢英, 吴剑斌, 等. 基于WRF-Chem模式的华东区域PM2.5预报及偏差原因[J]. 中国环境科学, 2016, 36(8): 2251-2259.
ZHOU Guangqiang, XIE Ying, WU Jianbin, et al. WRF-Chem based PM2.5 forecast and bias analysis over the East China Region[J]. China Environmental Science, 2016, 36(8): 2251-2259. (0)