环境科学研究  2018, Vol. 31 Issue (8): 1329-1336  DOI: 10.13198/j.issn.1001-6929.2018.06.12

引用本文  

段菁春, 胡京南, 谭吉华, 等. 特征雷达图的设计及其在大气污染成因分析中的应用[J]. 环境科学研究, 2018, 31(8): 1329-1336.
DUAN Jingchun, HU Jingnan, TAN Jihua, et al. Design of Characteristic Radar Chart and Its Application in Air Pollution Analysis[J]. Research of Environmental Sciences, 2018, 31(8): 1329-1336.

基金项目

国家重点研发计划重点专项(No.2016YFC0208900);大气重污染成因与治理攻关项目(No.DQGG0303)
Supported by National Key Research and Development Program of China ‘Formation Mechanism and Control Technology of Air Pollution’ (No.2016YFC0208900);National Research Program for Key Issues in Air Pollution Control, China(No.DQGG0303)

责任作者

胡京南(1978-), 男, 安徽安庆人, 研究员, 博士, 主要从事大气污染防治和机动车污染防治研究, hujn@craes.org.cn.

作者简介

段菁春(1974-), 男, 山西太原人, 研究员, 博士, 主要从事大气污染控制与空气质量管理研究, duanjc@craes.org.cn

文章历史

收稿日期:2018-04-13
修订日期:2018-06-12
特征雷达图的设计及其在大气污染成因分析中的应用
段菁春1,2 , 胡京南1,2 , 谭吉华3 , 陈红4     
1. 中国环境科学研究院, 北京 100012;
2. 国家大气污染防治攻关联合中心, 北京 100012;
3. 中国科学院大学资源与环境学院, 北京 100049;
4. 广州宏泰环保科技有限公司, 广东 广州 510623
摘要:为了更好地利用环境监测数据进行污染成因分析,提出数学算法,对多种污染物进行百分比成分谱化,并除以一定时期(或一定区域)的平均值,从而得到标准化特征谱,以消除污染物浓度变化的影响以及不同污染物间浓度值差异的影响;通过设计特征雷达图的方式,直观和快速地展现大气污染特征在时间序列和空间上发生的变化特征,为环境管理部门利用空气质量常规监测数据开展动态决策提供便利.该方法既可利用单点历史数据开展历史特征雷达图分析,也可基于区域多站点数据开展区域特征雷达图分析.该方法在时间序列上可以判断出偏沙尘污染型、偏燃煤污染型、偏二次颗粒物污染型、偏机动车污染型、偏烟花污染型等多个污染类型;在区域分布中可以判断出偏燃煤污染区、偏机动车污染区、偏钢铁污染区等多个区域类型.该方法除可应用于空气质量常规监测数据外,也可应用于其他组分数据如碳质组分、水溶性离子组分及元素组分等数据的分析.
关键词污染特征    时空变化    空气污染    来源解析    成因分析    
Design of Characteristic Radar Chart and Its Application in Air Pollution Analysis
DUAN Jingchun1,2 , HU Jingnan1,2 , TAN Jihua3 , CHEN Hong4     
1. Chinese Research Academy of Environmental Sciences, Beijing 100012, China;
2. National Joint Research Center for Tackling Key Problems in Air Pollution Control, Beijing 100012, China;
3. University of Chinese Academy of Sciences, College of Resources and Environment, Beijing 100049, China;
4. Guangzhou Hongtai Environmental Protection Technology Co., Ltd., Guangzhou 510623, China
Abstract: In order to make better use of environmental monitoring data for pollution cause analysis, a mathematical algorithm is proposed, which creates the percentage spectrum of multiple pollutants; this is then divided by the average percentage spectrum over a given period (or region) to obtain the standard characteristic spectrum, so as to eliminate the influence of concentration and concentration differences between pollutants. By the design of the characteristic radar chart, the temporal and spatial characteristics of air pollution are displayed intuitively and quickly. It provides convenience for environmental management departments to make dynamic decisions by using air quality routine monitoring data. This method can make use of single point historical data to construct historical characteristic radar chart, and can also carry out regional characteristic radar charts based on regional multi-site data. At present, the characteristic radar chart has successfully identified the types of sand dust, coal combustion, secondary aerosol, vehicle emissions and firework emissions by use of historical characteristic radar chart; and the zone types of coal combustion, vehicle emissions, iron and steel pollution etc. through regional characteristic radar chart. The characteristic radar chart can also be applied in the analysis of other component data, such as carbon components, water-soluble ions and elements.
Keywords: pollution characteristics    temporal and spatial variation    air pollution    source apportionment    pollution analysis    

自2013年以来,按照GB 3095—2012《环境空气质量标准》要求,我国环境空气质量常规监测指标从3项扩展到了6项[1].常规监测数据具有站点多、分布广、实时发布、数据质量高等优点,这为利用这些数据深入开展污染特征和成因分析提供了便利[2-4].现有的分析技术多是利用浓度变化或简单的比值法分析大气污染特征,由于污染物浓度变化和不同污染物的浓度值在数值上存在数量级的变化[5],导致直接利用这些数据进行分析时微小的特征变化被掩盖于巨大的浓度变化的背景之下,无法分辨污染特征在时间序列或空间上的差异性.在此背景下,该研究利用数学算法,全面而充分地利用现有常规环境监测站点产生的大数据,快速分离、挖掘和展示大气污染在时间序列和空间上发生的变化特征,为管理决策提供便利,具有非常重要的意义[6-9].

该研究总结多年来在环境空气质量监测数据分析过程中积累的经验,设计数学算法,通过对常规监测数据进行归一化处理,扣除污染物浓度变化和不同污染物的浓度值在数值上存在数量级的差异,并通过设计特征雷达图的方式直接表现大气污染在时间序列或空间上发生的变化特征,为利用空气质量常规监测数据实时动态指导环境管理部门进行决策提供便利.该方法既可利用单点历史数据开展历史特征雷达图分析,也可基于区域多点数据开展区域特征雷达图分析,目前该方法已成功在时间序列上明确判断出偏沙尘污染型、偏燃煤污染型、偏二次颗粒物污染型、偏机动车污染型、偏烟花污染型等多个污染类型;在区域空间分布中判断出偏燃煤污染区、偏机动车污染区、偏钢铁污染区等多个区域类型.该方法除可应用于空气质量常规监测数据外,在保证数据样本量的前提下,也可应用于其他组分数据如碳质组分、水溶性离子组分及元素组分等数据的分析.

1 特征雷达图的设计 1.1 设计思路

环境空气质量监测数据中污染物的浓度波动较大,常常跨若干个数量级[10],以PM2.5为例,空气质量较好时仅数μg/m3,但空气质量较差时可达几百μg/m3;不同污染物的质量浓度差异也较大,如SO2质量浓度仅数μg/m3时,CO质量浓度可达几千μg/m3.通常这些数据通过绘制浓度曲线图的方式来进行特征描述[11-12],这使低浓度污染物的变化被高浓度污染物的变化所掩盖,不利于对污染物的总体特征进行研究.为了扣除浓度差异对污染特征的影响,有些研究者利用比值法进行污染物特征研究[13],这种方法对于两两污染物种的对比较为方便有效,但对于更多的污染物种来说,则难以直观和快速地进行特征分析.为了更好地进行多种污染物的特征分析,可以通过以下数据前处理得以实现:①对多种污染物进行百分比成分谱化,这样可以扣除污染物浓度波动对污染特征表现形式的影响;②将百分比化的成分谱除以一定时期(或一定区域)的平均百分比化成分谱得到标准化特征谱,这样可以扣除不同污染物间成分谱占比差异对污染特征表现形式的影响;③将特定时间或站点的标准化特征谱与一定时期(或一定区域)的平均百分比化成分谱(包括标准偏差)共同绘制在雷达图上,这样可以直观快速地突显特定时间或站点多种污染物的特征与一定时期(或一定区域)平均污染物特征之间的差异,从而为污染特征分析和成因分析提供直观快速和便利的手段.

1.2 数据前处理算法

根据以上设计思路,数据前处理计算方法包括以下3个步骤:

步骤一:特定时间或站点的归一化成分谱.

$ {Z_{ij}} = {c_{ij}}/\sum\limits_{j = 1}^n {{c_{ij}}} $ (1)

式中:Ziji时间(或i站点)第j种污染物归一化成分谱;ciji时间(或i站点)第j种污染物原始质量浓度,μg/m3.

步骤二:特定时间或站点污染物特征值.

该特征值为该特定时间或特定站点的归一化成分谱与一定时期或一定区域归一化成分谱均值的比值,其计算公式为

$ {\rm{C}}{{\rm{V}}_{ij}} = {Z_{ij}}/{{\bar Z}_j} $ (2)

式中,CViji时间(或i站点)第j种污染物的特征值,Zj为一定时期或一定区域第j种污染物的均一化值的平均值,Ziji时间(或i站点)第j种污染物归一化值.

步骤三:一定时期(或一定区域)污染物特征标准值及上(下)限值.

标准值为一定时期或一定区域平均污染特征成分谱与该平均污染特征成分谱的比值,数值为1.

上限为一定时期或一定区域平均污染特征成分谱的均值加上其标准差与该污染特征成分谱的均值的比值,数值大于1,其计算公式为

$ {\rm{Ma}}{{\rm{x}}_j} = \left( {{{\bar Z}_j} + {S_j}} \right)/{{\bar Z}_j} $ (3)

下限为一定时期或一定区域平均污染特征成分谱的均值减去其标准差与该污染特征成分谱的均值的比值,数值小于1,其计算公式为

$ {\rm{Mi}}{{\rm{n}}_j} = \left( {{{\bar Z}_j} - {S_j}} \right)/{{\bar Z}_j} $ (4)

式中,Maxj为第j种污染物的上限,Minj为第j种污染物的下限,Sj为第j种污染物的标准偏差.

1.3 特征雷达图的绘制

根据实际研究案例,以SO2、NO2、CO、PM2.5、粗颗粒(PM2.5-10)为污染因子,将式(2)~(4)所获得的CVij、标准值、Maxj、Minj绘制在特征雷达图上(见图 1).利用一定历史时期的数据进行绘制的称为历史特征雷达图,利用一定区域的数据进行绘制的称为区域特征雷达图.特征雷达图包括4根呈五边形的线.线条1呈正五边形,为一定时期(或一定区域)污染物特征标准值,为无量纲数,数值为1;线条2呈不特定的五边形,为一定时期(或一定区域)污染物特征上限值,为无量纲数,数值大于1(Maxj);线条3呈不特定的五边形,为一定时期(或一定区域)污染物特征下限值,为无量纲数,数值小于1(Minj);线条4呈不特定的五边形,为特定时间或站点污染物特征值(CVij).

图 1 特征雷达图(示例) Fig.1 Characteristic radar chart (example)
1.4 特征雷达图的识别

图 1所示,当特定时间或站点污染物特征值(线条4)处于污染物特征值上下限之间时(线条2、线条3),可认为污染特征未发生明显变化;当特定时间或站点污染物特征值(线条4)中一个或多个污染因子超出污染物特征值上下限时(线条2、线条3),可认为污染特征与历史平均或区域平均相比发生了显著变化.

根据实际经验,5种污染因子(SO2、NO2、CO、PM2.5、粗颗粒)中SO2、NO2、CO和粗颗粒主要来自于一次来源[14-15],PM2.5既有一次来源也有二次来源[16].其中,SO2主要来自燃煤,也会来自于钢铁等工业过程[17];NO2主要来自燃煤、工业过程(焦化、玻璃等)、机动车[18-20];CO主要来自于燃煤、机动车、钢铁及生物质等的不完全燃烧[21-22];粗颗粒主要来自于扬尘[23-24].依据特定时间或站点污染物特征值(线条4)的不同组合,可以判断环境空气质量特征受哪些源或机制影响(见图 2),为大气污染成因分析提供技术支撑.

图 2 特征雷达图主要类型(示例) Fig.2 Types of characteristic radar chart (example)

各污染因子特征值均未超出污染物特征值上下限,表明污染特征与历史平均或区域平均未发生显著变化〔见图 2(a)〕;只有PM2.5特征值超出上限,表明污染特征受二次颗粒物生成影响显著〔见图 2(b)〕;只有粗颗粒特征值明显超出上限,表明污染特征受沙尘过程影响〔见图 2(c)〕;PM2.5和SO2特征值明显超出上限,根据具体情况(春节期间)表明污染特征受烟花燃放过程影响[25]〔见图 2(d)〕;SO2、NO2和CO特征值超出上限,表明污染特征受工业排放(钢铁)过程影响[25-26] 〔见图 2(e)〕;NO2和CO特征值超出上限,表明污染特征受机动车影响显著[27]〔见图 2(f)〕;粗颗粒特征值超出上限,表明污染特征受扬尘影响显著〔见图 2(g)〕;SO2特征值明显超出上限,表明污染特征受燃煤排放影响〔见图 2(h)〕. 图 2所示仅为示例,具体判断还应根据实际情况来综合判断.

2 特征雷达图的应用案例 2.1 历史特征雷达图应用案例 2.1.1 偏二次型重污染过程向偏沙尘型重污染过程转换案例

2018年3月31日—4月2日京津冀及周边地区经历了一次中度至重度污染过程后,历史特征雷达图显示明显的偏二次型特征(PM2.5特征值超出上限);4月3日00:00以后,污染特征发生了明显变化,历史特征雷达图显示出明显的偏沙尘型特征(粗颗粒特征值明显超出上限)(见图 3).

图 3 北京市2018年4月2日08:00—3日09:00的历史特征雷达图 Fig.3 Historical characteristic radar chart in Beijing City from 08:00 on 2nd to 09:00 on 3rd April, 2018
2.1.2 偏烟花型重污染向偏二次型重污染转换案例

衡水市在2018年2月16日(大年初一)历史特征雷达图呈现典型的偏烟花型污染特征(PM2.5和SO2特征值超出上限);随后(初二至初四),历史特征雷达图显示高PM2.5特征值的同时,SO2特征值逐渐下降,CO特征值则有所升高(见图 4),表明烟花污染影响在初二以后逐渐下降. 2月19日,衡水市历史特征雷达图已转为偏二次型(PM2.5特征值超出上限).

图 4 衡水市2018年2月16—20日期间PM2.5质量浓度和历史特征雷达图 Fig.4 Concentration of PM2.5 and historical characteristic radar chart in Hengshui City from 16th to 20th February, in 2018
2.1.3 从清洁期到重污染的转换案例

2017年9月6—11日北京市环境空气质量经历了一次从清洁期到重污染的转换,历史特征雷达图(见图 5)显示,2017年9月6日为偏扬尘型污染(粗颗粒特征值超出上限),随后随着污染程度的加重,2017年9月8日转变为偏二次型污染(PM2.5特征值超出上限).

图 5 北京市2017年9月6—11日一次重污染过程历史特征雷达图 Fig.5 Historical characteristic radar chart in Beijing City during a heavy pollution episode from 6th to 11th September, 2017
2.2 区域特征雷达图应用案例

2018年3月12日,京津冀及周边地区“2+26”城市发生重污染过程,为分析各城市间的污染特征差异和进一步研究污染来源及成因,利用“2+26”城市环境空气质量常规监测数据进行区域特征雷达图分析,并划分出以下6种类型(见图 67).

图 6 “2+26”城市重污染过程期间区域特征雷达图 Fig.6 Regional characteristic radar chart in'2+26'cities during a heavy pollution episode

图 7 重污染过程期间基于区域特征雷达图“2+26”城市不同污染类型分布 Fig.7 Pollution types based on regional characteristic radar chart in'2+26'cities during a heavy pollution episode

偏综合型:无明显超出上限的污染物.表明各污染物特征值变化趋势与区域平均特征相同,是区域污染物积累和混合的结果,偏综合型主要集中在区域中部污染物汇集地区,典型城市如石家庄市和新乡市.

偏二次型:PM2.5特征值偏高或超出上限. PM2.5既来自于一次排放,也会来自于二次生成. PM2.5一次排放的同时,一般也会伴随其他污染物的排放,因此PM2.5特征值单独偏高或超出上限表明该城市二次颗粒物生成相对偏高.

偏机动车型:NO2和CO特征值偏高或超出上限. NO2和CO的污染组合是机动车排放的主要特征,因此NO2和CO特征值同时偏高或超出上限表明该城市与区域平均特征相比机动车污染偏高;偏机动车型城市主要集中在区域北部北京市、天津市和沧州市等机动车保有量高,物流较发达的城市.

偏燃煤型:SO2特征值偏高或超出上限. SO2主要来源于燃煤排放,SO2特征值偏高或超出上限表明该城市燃煤污染明显高于区域平均值;偏燃煤型城市包括太原市、阳泉市、晋城市和淄博市,这些城市均为区域主要的产煤城市.

偏粗颗粒型:粗颗粒特征值偏高或超出上限.粗颗粒(PM2.5-10)是PM10中扣除PM2.5的部分,主要来自于沙尘、土壤和扬尘.粗颗粒特征值偏高或超出上限指示该城市扬尘等污染源的占比高于区域平均水平;偏粗颗粒型城市主要集中在区域东南部菏泽市、济宁市等城市.

其他类型:包括更复杂的组合.以该案例来说,唐山市是我国重要的钢铁生产基地,SO2、NO2和CO特征值偏高或超出上限可能指示该城市明显的钢铁污染排放特征[28];滨州市SO2、NO2和PM2.5特征值偏高或超出上限可能是特定工业排放的结果,需进一步根据当地实际产业状况进行研究.

以上研究表明,区域特征雷达图能够利用环境空气质量常规监测数据发现和定性不同城市间污染特征存在的差异性变化,从而为污染特征和成因分析提供直观、实时和便利的手段.

3 结论

a) 利用数学算法,消除污染物浓度变化的影响以及不同污染物间浓度值巨大差异的影响,通过设计特征雷达图的方式可以直观和快速地展现大气污染特征在时间序列和空间上发生的变化.

b) 特征雷达图可分为历史特征雷达图和区域特征雷达图:历史特征雷达图能够表现不同时间点污染特征与一定时期平均污染特征间的相对变化,区域特征雷达图能够表现不同站点与区域平均污染特征间的相对变化.

c) 案例研究表明,特征雷达图能够在过程中或区域不同站点间明确划分出标准型、偏二次型、偏沙尘型、偏烟花型、偏钢铁型、偏机动车型、偏扬尘型、偏燃煤型等多种污染特征类型.

d) 案例分析表明,特征雷达图能够直观和快速地展现多种污染类型间的转变过程,从而为污染特征和成因分析提供直观、实时和便利的手段.

致谢:

感谢广州宏泰环保科技有限公司和北京思路创新科技有限公司在批量化数据处理和程序化制图方面为该研究提供的帮助.

参考文献
[1]
史宇, 王宁, 杨丽阎. 环境空气质量新标准对"十二五"目标完成的影响[J]. 环境保护科学, 2017, 43(1): 26-29.
SHI Yu, WANG Ning, YANG Liyan. Analysis of the influences of the New Ambient Air Quality Standard on completion of the 12th-five-year Plan targets[J]. Environmental Protection Science, 2017, 43(1): 26-29. (0)
[2]
黄晓虎, 韩秀秀, 李帅东, 等. 城市主要大气污染物时空分布特征及其相关性[J]. 环境科学研究, 2017, 30(7): 1001-1011.
HUANG Xiaohu, HAN Xiuxiu, LI Shuaidong, et al. Spatial and temporal variations and relationships of major air pollutants in Chinese cities[J]. Research of Environmental Sciences, 2017, 30(7): 1001-1011. (0)
[3]
程念亮, 李云婷, 张大伟, 等. 2014年10月北京市4次典型空气重污染过程成因分析[J]. 环境科学研究, 2015, 28(2): 163-170.
CHENG Nianliang, LI Yunting, ZHANG Dawei, et al. Analysis about the characteristics and formation mechanisms of serious pollution events in October 2014 in Beijing[J]. Research of Environmental Sciences, 2015, 28(2): 163-170. (0)
[4]
刘建国, 谢品华, 王跃思, 等. APEC前后京津冀区域灰霾观测及控制措施评估[J]. 中国科学院院刊, 2015, 30(3): 368-377.
LIU Jianguo, XIE Pinhua, WANG Yuesi, et al. Haze observation and control measure evaluation in Jing-Jin-Ji(Beijing, Tianjin, Hebei) area during the period of the Asia-Pacific Economic Cooperation (APEC) meeting[J]. Bulletin of Chinese Academy of Science, 2015, 30(3): 368-377. (0)
[5]
段菁春, 谭吉华, 盛国英, 等. 广州灰霾期间颗粒态PAHs的污染特征及来源[J]. 环境科学, 2009, 30(6): 1574-1579.
DUAN Jingchun, TAN Jihua, SHENG Guoing, et al. Characteristics and sources of particulate polycyclic aromatic hydrocarbons(PAHs) during haze period in Guangzhou[J]. Environmental Science, 2009, 30(6): 1574-1579. (0)
[6]
李蔚, 胡昊, 徐富春, 等. 大数据解析技术在大气环境监测中的应用研究[J]. 中国环境监测, 2015, 31(3): 118-122.
LI Wei, HU Hao, XU Fuchun, et al. Studies on big data analysis technology used in environmental sciences[J]. Environmental Monitoring in China, 2015, 31(3): 118-122. (0)
[7]
SONG Malin, CEN Ling, ZHENG Zhixia, et al. How would big data support societal development and environmental sustainability? insights and practices[J]. Journal of Cleaner Production, 2017, 142: 489-500. DOI:10.1016/j.jclepro.2016.10.091 (0)
[8]
王博妮, 濮梅娟, 陈鹏, 等. 南京城区冬季大气污染特征[J]. 环境科学研究, 2017, 30(9): 1335-1345.
WANG Boni, PU Meijuan, CHEN Peng, et al. Characteristic analysis of atmospheric pollutants in Nanjing urban area in winter[J]. Research of Environmental Sciences, 2017, 30(9): 1335-1345. (0)
[9]
王春迎, 潘本峰, 吴修祥, 等. 基于大数据分析的大气网格化监测质控技术研究[J]. 中国环境监测, 2016, 32(6): 1-6.
WANG Chunying, PAN Benfeng, WU Xiuxiang, et al. Research on quality control of atmospheric grid monitoring based on large data analysis[J]. Environmental Monitoring in China, 2016, 32(6): 1-6. (0)
[10]
沈敏霞, 曹军骥, 张宁宁, 等. 西安市道路PM2.5 NO2 CO水平浓度分布特征[J]. 环境科学研究, 2017, 30(1): 130-136.
SHEN Minxia, CAO Junji, ZHANG Ningning, et al. Horizontal concentration distribution characteristics of PM2.5, NO2 and CO on Xi'an roads[J]. Research of Environmental Sciences, 2017, 30(1): 130-136. (0)
[11]
陈朝晖, 程水源, 苏福庆, 等. 华北区域大气污染过程中天气型和输送路径分析[J]. 环境科学研究, 2008, 21(1): 17-21.
CHEN Zhaohui, CHENG Shuiyuan, SU Fuqing, et al. Analysis of synoptic patterns and transports during regional atmospheric pollution process in North China[J]. Research of Environmental Sciences, 2008, 21(1): 17-21. (0)
[12]
高庆先, 李亮, 马占云, 等. 2013-2016年天气形势对北京秋季空气重污染过程的影响[J]. 环境科学研究, 2017, 30(2): 173-183.
GAO Qingxian, LI Liang, MA Zhanyun, et al. The impacts of synoptic situation on heavy pollution process in autumn in Beijing during 2013-2016[J]. Research of Environmental Sciences, 2017, 30(2): 173-183. (0)
[13]
李英红, 饶志国, 谭吉华, 等. 兰州大气细颗粒物中多环芳烃污染特征及来源分析[J]. 环境科学, 2016, 35(7): 2428-2435.
LI Yinghong, RAO Zhiguo, TAN Jihua, et al. Pollution characteristics of water soluble ions in atmospheric fine particles in Lanzhou[J]. Environmental Chemistry, 2016, 35(9): 1799-1807. (0)
[14]
何涛, 彭燕, 乔利平, 等. 常州市冬季大气污染特征及潜在源区分析[J]. 环境科学研究, 2018, 31(3): 487-495.
HE Tao, PENG Yan, QIAO Liping, et al. Characteristics of air pollution and potential source in winter of Changzhou City[J]. Research of Environmental Sciences, 2018, 31(3): 487-495. (0)
[15]
XIE Yangyang, ZHAO Bin, ZHANG Lin, et al. Spatiotemporal variations of PM2.5 and PM10 concentrations between 31 Chinese cities and their relationships with SO2, NO2, CO and O3[J]. Particuology, 2015, 20: 141-149. DOI:10.1016/j.partic.2015.01.003 (0)
[16]
XIANG Ping, ZHOU Xueming, DUAN Jinchun, et al. Chemical characteristics of water-soluble organic compounds (WSOC) in PM2.5 in Beijing, China:2011-2012[J]. Atmospheric Research, 2017, 183: 104-112. DOI:10.1016/j.atmosres.2016.08.020 (0)
[17]
MENG Ziheng, WANG Chenye, WANG Xingrui, et al. Simultaneous removal of SO2 and NOx from coal-fired flue gas using steel slag slurry[J]. Energy & Fuels, 2018, 32(2): 2028-2036. (0)
[18]
LIU Tingna, ZHUANG Guoshun, HUANG Kan, et al. A typical formation mechanism of heavy haze-fog induced by coal combustion in an inland city in northwestern China[J]. Aerosol & Air Quality Research, 2017, 17(1): 98-107. (0)
[19]
TAN Jihua, DUAN Jingchun, MA Yongliang, et al. Source of atmospheric heavy metals in winter in Foshan, China[J]. Science of the Total Environment, 2014, 493: 262-270. DOI:10.1016/j.scitotenv.2014.05.147 (0)
[20]
段菁春, 柴发合, 谭吉华, 等. 钢铁行业氮氧化物控制技术及对策[J]. 环境污染与防治, 2013, 35(3): 100-104.
DUAN Jingchun, CHAI Fahe, TAN JIhua, et al. Control technologies and policies of iron and steel industry[J]. Environmental Pollution & Control, 2013, 35(3): 100-104. (0)
[21]
李宇飞, 李振华, 胡京南, 等. 轻型汽油车尾气PM2.5的排放特征[J]. 环境科学研究, 2016, 29(4): 503-508.
LI Yufei, LI Zhenhua, HU Jingnan, et al. Emission profile of exhaust PM2.5 from light-duty gasoline vehicles[J]. Research of Environmental Sciences, 2016, 29(4): 503-508. (0)
[22]
栾孟孝, 姬亚芹, 王伟, 等. 鞍山市秋季大气PM2.5中元素污染特征和来源分析[J]. 环境化学, 2016, 35(10): 2197-2203.
LUAN Mengxiao, JI Yaqin, WANG Wei, et al. Characteristic and sources of the polluted elements in PM2.5 during autumn of Anshan[J]. Environmental Chemistry, 2016, 35(10): 2197-2203. DOI:10.7524/j.issn.0254-6108.2016.10.2016022902 (0)
[23]
TAN Jihua, ZHANG Leiming, ZHOU Xueming, et al. Chemical characteristics and source apportionment of PM2.5 in Lanzhou, China[J]. Science of the Total Environment, 2017, 601/602: 1743-1752. DOI:10.1016/j.scitotenv.2017.06.050 (0)
[24]
程萌田, 金鑫, 温天雪, 等. 天津市典型城区大气碳质颗粒物的粒径分布特征和来源[J]. 环境科学研究, 2013, 26(2): 115-121.
CHENG Mengtian, JIN Xin, WEN Tianxue, et al. Size distribution characteristics and sources of carbonaceous aerosols in typical Tianjin City, China[J]. Research of Environmental Sciences, 2013, 26(2): 115-121. (0)
[25]
唐乃超, CarolinaSahln, 李经纬. 烟花燃放气对环境和健康影响与管理对策研究[J]. 环境科学与管理, 2014, 39(2): 159-162.
KANG Naichao, Carolina Sahln, LI Jingwei. Study on environmental & health impacts and management countermeasure of firework smoke[J]. Environmental Science and Management, 2014, 39(2): 159-162. (0)
[26]
董娅玮, 李杨扬, 杜涛, 等. 2014-2015年关中地区环境空气质量状况对比分析[J]. 环境工程技术学报, 2016, 6(6): 532-538.
DONG Yawei, LI Yangyang, DU Tao, et al. Comparative analysis of air environmental quality during 2014-2015 in Guanzhong Area[J]. Journal of Environmental Engineering Technology, 2016, 6(6): 532-538. (0)
[27]
TAN Jihua, DUAN Jingchun, CHAI Fahe, et al. Source apportionment of size segregated fine/ultrafine particle by PMF in Beijing[J]. Atmospheric Research, 2014, 139(6): 90-100. (0)
[28]
杨晓东, 张玲, 姜德旺, 等. 钢铁工业废气及PM2.5排放特性与污染控制对策[J]. 工程研究-跨学科视野中的工程, 2013, 5(3): 240-251.
YANG Xiaodong, ZHANG Ling, JIANG Dewang, et al. Exhaust gas of iron & steel industry and emission characteristics of PM2.5 and pollution control measures[J]. Journal of Engineering Studies, 2013, 5(3): 240-251. (0)