西安冬季重污染过程PM2.5理化特征及来源解析

曹 宁,黄学敏*,祝 颖,刘焕武



西安冬季重污染过程PM2.5理化特征及来源解析

曹 宁1,黄学敏1*,祝 颖1,刘焕武2

(1.西安建筑科技大学环境与市政工程学院,西安 陕西 710054；2.西安市环境监测站,西安 陕西 710119)

基于单颗粒气溶胶质谱仪(SPAMS)观测数据、颗粒物质量浓度数据和气象要素数据,研究了2017年11月西安市一次重污染过程中细颗粒物的化学组分特征及其成因,并使用正矩阵因子分析法(PMF)对细颗粒进行了来源解析.结果表明,西安市冬季重污染过程中细颗粒物主要类型为有机碳(OC)、元素碳(EC)、混合碳(ECOC)、富钾(K)、钠-钾(Na-K)、有机胺(amine)、矿尘(dust)和重金属(HM),其主要来源为燃煤(24.9%),二次(29.3%),工业(19.3%),交通(13.3%),生物质燃烧(5.2%)和扬尘(1.9%).通过对比分析不同污染过程细颗粒物的理化特征,发现高湿度,低风速的不利气象条件和供暖及工业生产导致的燃煤污染、二次污染,是此次重污染过程的主因.

细颗粒物；重污染；化学组成；污染特征；来源解析

随着经济的高速发展,西安城市机动车保有量、施工工地扬尘排放量、工业燃煤消耗量和废气排放量等污染排放强度剧增.有限的环境容量外加西安市南北高、中间低不利于污染物扩散的地形条件,致使西安大气污染频发.以细颗粒物为主的复合型大气污染尤为突出,严重制约着社会经济的可持续发展,危害人民身心健康[1-2].为改善空气质量、摸清西安市污染成因和颗粒物来源情况,学者们进行了大量的研究工作[3].如2010年李文慧等[4]对西安采暖季大气中多环芳烃进行来源解析,发现煤的不完全燃烧和汽车尾气的排放是多环芳烃的主要来源. 2015年田鹏山等[5]运用PMF对关中地区冬季PM2.5中碳气溶胶进行了来源解析,表明燃煤是关中地区冬季碳气溶胶的主要来源. 2017年王堃等[6]探讨重霾日和清洁日两种污染条件下的大气组分特征及其成因,发现二次污染及不利气象条件是造成重霾日相关组分浓度升高的重要原因.Chen等[7]利用SPAMS研究了西安夏季颗粒物的化学成分、混合状态,发现半挥发性有机气体多富集在含有机碳的颗粒表面形成初级有机气溶胶,在气固相反应中生产二次有机气溶胶. Wang等[8]2013年利用CMAQ模型估算了西安一次冬季PM2.5污染事件中不同来源(能源生产,工业,交通,住宅活动及其他)对一次和二次无机颗粒物的贡献.

但利用单颗粒气溶胶质谱技术、受体模型并结合后向轨迹来分析西安冬季重污染过程还较少.本研究选取2017年西安市冬季重污染过程为研究对象,基于单颗粒气溶胶质谱技术(Single Particle Aerosol Mass Spectrometry,以下简称SPAMS),辅以PMF模型、后向轨迹模型等,对细颗粒物化学组分、污染特征和来源及混合状态进行分析.相比之下,该方法能完整地得到粒子化学组分的原始信息,并提供化学组成随时间变化特征.此方法具有部署监测快、实时分析、人力成本低、数据种类全的特点[9].

1 观测仪器与分析方法

1.1 观测条件及数据来源

运用在线单颗粒气溶胶质谱(广州禾信,型号SPAMS-0525)开展细颗粒物化学组分在线监测.观测点位于西安市城市运动公园内(34.35°N, 108.94°E).此区域处于行政中心,受周边人群活动的影响较小,无明显局地污染源.本次观测时间为2017年11月14日11:00~11月20日23:00,共155h.

观测期间,PM2.5的质量浓度由赛默飞世尔公司生产的5030-SHARP型β射线观测仪测量,气象参数由德国LUFFT公司生产的WS500-UMB型一体式气象站测得.其他相关气象数据由http://rp5.ru获得.

1.2 分析方法

1.2.1 SPAMS分析 利用SPAMS对单颗粒气溶胶进行实时动态监测,获得单个颗粒粒径、化学成分及其随时间和空间分布变化的信息.观测期间,环境气体通过空气动力学透镜实现单束粒子聚焦进样,经过测径区(两束532nm连续激光测径)、电离区(一束266nm的脉冲激光电离),最后通过质量分析器对电离得到的正负离子进行同时检测[10].采样前采用聚苯乙烯小球(PSLs)进行粒径校准,用金属标准溶液进行质谱校正.

图1 2017年11月气象参数时间变化序列

T、RH、WD、WS分别代表温度、相对湿度、风向、风速

T, RH, WD, and WS represent temperature, relative humidity, wind direction and wind speed, respectively

本研究采用SPAMS Data Analysis V3.0软件包进行分析,结合ART-2a[11]对实验数据进行了聚类分析.其中ART-2a参数为:警戒阈值ρ为0.75,学习率β为0.05,迭代次数设定为19.

1.2.2 PMF模型方法 PMF模型是基于环境受体颗粒物的化学成分谱,而不需要污染源的成分谱的情况下,结合源的特征示踪成分和运算结果,确定排放源类型及源贡献率.假设为´矩阵,为样品数,为化学成分数目,那么矩阵可以分解为=+,其中为´的颗粒物排放源源贡献矩阵,为´的污染源成分谱矩阵,为主要污染源的数目,为残差矩阵,表示与之间存在的差异; PMF分析目的是最小化,定义为:

式中:s为样品的第种组分的不确定度;x表示样品中组分的浓度;g是第个源对第个样品的相对贡献;f是第个排放源中组分的含量;e是残差[12-13].在g³0,f³0的约束条件下,通过迭代最小化算法对求解,可以同时获得污染源对个组分的贡献率(相对值)和污染源成分谱(化学成分的相对浓度值).PMF模型不能直接确定因子数目,综合考虑研究区域的实际情况,多次运行软件,最终根据分析结果和误差、值以及改变因子数目时值的相对变化等,确定合理的因子数目[14-16].

本研究利用美国EPA推荐的EPA PMF5.0软件对观测期间PM2.5的来源进行解析[17].根据数据质量及元素特性,对参与模拟的样本及化学组分进行筛选,共155个环境样本纳入分析,排除几种不具有显著的源示踪性的组分,参与分析的化学组分包括Al+、Ca+、Cl-、Fe+、NO3-、NH4+、SO4-、SiO3-、K+等离子及ART-2a分类后的59个化学组分[18].本研究中多次运行软件,试验不同的因子,进行多次优化计算,最终得到6类因子的源成分谱和贡献率,如图5.

1.2.3 后向轨迹分析 本研究利用HYSPLIT模式进行后推气流轨迹模拟.气象数据选用GDAS数据库(全球数据同化系统,Global Data Assimilation System)中的相关资料,每隔6h计算1次轨迹(0:00; 6:00;12:00;18:00),每次的后向延伸时间为48h(2d),轨迹模拟起始高度设定为500m.

2 结果与讨论

2.1 总体污染状况及时间节点选取

该观测期共采集到1373258个粒子,其中成功被激光打击并分析了483973个粒子,分析率为35.2%.PM2.5浓度与SPAMS采集并成功测径的颗粒物数浓度的相关性良好(2=0.628),说明SPAMS所采集到的数据可以反映当时大气中细颗粒物的污染状况.

结合PM2.5质量浓度数据与气象数据(图1)和HYSPLIT4模型(图4),将观测期分为3个阶段:阶段Ⅰ(11月14日11:00~15日22:00)为污染形成期,各类颗粒物逐渐累积,PM2.5平均浓度为105μg/m3,期间平均风速为0.7m/s,平均湿度为57%;阶段Ⅱ(11月15日23:00~18日03:00)为污染加重期,PM2.5平均浓度为228μg/m3,期间西安地区风向由东南转北,地面风速逐渐减弱,平均风速在0.4m/s以下,平均湿度超过60%,天气呈静稳状态,PM2.5/PM10集中在60%~90%之间,大气污染以细颗粒为主,能见度下降,呈严重的灰霾天气.阶段Ⅲ为污染消散期(11月18日04:00~20日23:00),PM2.5平均浓度为52μg/m3,西安地区风向转变,风速迅速加大,湿度降低,大气污染明显改善,空气质量转好.

图2 不同阶段各类颗粒物与二次气溶胶标志质谱峰的混合状态

2.2 细颗粒物化学成分分析

为更简明地反映颗粒物的主要类别,利用ART-2a法对采集到的颗粒物进行聚类分析,得到1194类颗粒物,再经过手工合并,最终确定细颗粒物的化学组分为有机碳(OC)、元素碳(EC)、混合碳(ECOC)、富钾(K)、钠-钾(Na-K)、有机胺(amine)、矿尘(dust)、重金属(HM),以上8种类型的颗粒占总颗粒数的95%.在所有类型颗粒物的负谱图中均存在硝酸及硫酸盐信号,说明在观测期间大气中颗粒物大多经历了二次反应过程或与二次组分进行了不同程度的混合[19].

表1 不同阶段各类型气溶胶粒子的占比

图3(a)所示为OC颗粒,在正谱图上除了含有C2H3+、C3H+、C5H3+等常见的有机碳信息外,还出现了光化学反应SOA的特征峰C2H3O+/C2H5N+(m/z= 43)[20].图3(b)为EC颗粒,在正谱图上有一系列元素碳峰(Cn),有研究表明,此类颗粒物主要来自机动车尾气排放,而负谱图中存在有机氮(CN-、CNO-)[21]以及丰富的硝酸盐、硫酸盐,说明此时一次排放的EC颗粒物进入大气后与二次成分混合迅速老化.图3(c)为ECOC颗粒,在正谱图上除了元素碳信息(Cn)外,还有有机碳碎片离子特征峰.ECOC来源比较复杂,既可能是由EC颗粒在大气中老化形成,也可以是由燃烧直接排放.图3(d)为K颗粒,正谱图上有很强的钾离子峰,且已有的研究普遍认为钾可以作为生物质燃烧的示踪物.负谱图中含有硝酸盐峰、硫酸盐峰,该类别颗粒的杂峰较少,负谱图中二次粒子的占比较大,这种粒子很可能来自生物质燃烧,进入大气后富集二次成分.图3(e)为Na-K颗粒.正谱图上有明显的Na+、K+信号.图3(f)为amine颗粒,正谱图中出现了NH4+、K+、CHNO+、HNO3+等离子峰,负谱图中出现了硫酸盐、硝酸盐信号,其中H(NO3)2-远高于其他类型颗粒.图3(g)为dust颗粒,正谱图上有Al+、Fe+/CaO+、Li+、Ca+和Mn+等信号.负谱图上有丰富的硅酸盐信号(SiO3-、SiO2-),与大部分研究中的矿尘谱图相似[22].图3(h)为HM颗粒.该类型粒子中含有信号较强的Na+、Fe+、Pb+等金属离子峰,负质谱图中含有Cl-.

表1为不同阶段各类型颗粒百分含量.图2为不同阶段颗粒物的混合状态.整个观测期SPAMS测得的颗粒主要类型是为OC、K、EC、ECOC,其分别占粒子总数的35.7%、19.9%、12.2%、11.9%.与阶段Ⅰ相比,阶段Ⅱ中SPAMS采集到的总颗粒数显著上升,K、ECOC颗粒的占比增加,与OC颗粒占比总和超过67%,说明这三种颗粒为阶段Ⅱ的特征组分.同时各类颗粒物中二次成分的含量均出现不同程度的增加,特别是硫酸盐、硝酸盐的百分含量增幅明显,表明污染期间各类颗粒物均与二次成分(铵盐、硫酸盐、硝酸盐、含氮有机物)结合能力强,大气二次合成的速度增加,气溶胶的混合凝并现象突出.阶段Ⅲ,随着大气扩散条件转好及重污染天气应急措施的施行,雾霾消散,EC、K、ECOC类颗粒占比随之下降,而OC、LEV、SiO3类颗粒占比重新上升,此时环境可能受到扬尘及生物质燃烧等污染.与此同时,污染消散期间EC、ECOC、K和NaK颗粒中铵盐的含量有所上升,但是总的混合状态还是以硫酸盐和硝酸盐为主.

2.3 细颗粒物污染来源解析

2.3.1 后向轨迹分析 由图4(a)可知,11月11~13日期间,西安地区边界层较低,48h反向轨迹线较短,风速较小,扩散条件差.气团主要包括来自西安北部偏西的长途气团(由内蒙古等地途经甘肃、宁夏回族自治区)和来自西安西南方向汉中等地的短途气团,短途迹线加和占比高于长途迹线,此次污染主要为本地累积.由图4(b)可知,11月16~17日期间西安地区48h后向轨迹变长,风速变大,风向改变,气团主要来自西安西北方向,由新疆、蒙古等地区经由甘肃、宁夏回族自治区、榆林等地到达西安地区.500m以上高空气流运动频繁,边界层升高,大气扩散条件变好.

图4 11月13日和11月17日48h后向轨迹

2.3.2 PMF来源解析 图5表示6类主要因子对不同化学组分的相对贡献率,根据每种因子的特征组分,对6类因子进行来源识别.因子a对OC含碳颗粒的贡献率达67.56%,结合西安市的能源及产业结构,冬季西安主要以燃煤为主要供热能源,煤炭不完全燃烧产生大量有机颗粒.同时对二次无机盐[NH4+、H(NO3)2-、NO2-、NO3-、SO4-、SO2-]、Pb+、Cl-、Fe+、Br的贡献也较高,尤其Cl-为燃煤的特征组分,对其贡献率达47.4%,因此确定为燃煤源;因子b对二次无机离子SO42-、NO3-、NO3-、NH4+的贡献分别为46.3%、30.9%、30.2%、20.2%,对ECOC也有一定贡献,代表了光化学反应生成的二次无机离子和二次有机物,确定为二次源;因子c对Pb、Zn、Ba、Mn、Fe和Cu等各类金属元素贡献明显,贡献率在20%~80%之间,考虑主要来自于与金属加工相关的工业源排放;因子d对EC类颗粒贡献率高达80.2%,同时对某些二次无机离子[NO2-、NO3-、SO4-]、扬尘类[Al+、Ca+、Fe+、Li+、Mg+、Si2O2-、SiO3-]和金属类[V+、Pb+、Mn+]等颗粒均有贡献,确定为交通源,这与王琴等人的研究相似[23];因子e为扬尘源,特征元素主要为Al、Si、Ti、Ca、Fe等地壳元素,同时对EC、OC也有一定的贡献,这与扬尘受人类活动影响大的原因有关,如大量腐烂的植物、垃圾和燃烧源、机动车等排放出的高浓度EC、OC可能进入扬尘,造成扬尘源具有多源混合的混合源特征[24].因子f对LEV类颗粒贡献最高,达47.2%,同时对生物质本身含有的Cl-、K2Cl+、CNO-、Qxalic等离子的贡献高于其他因子,因此可确定为生物质燃烧源.根据PMF解析,2017年11月14日至11月20日期间,得到的颗粒物污染来源及其占比分别为燃煤源(24.9%)、二次(29.3%)、工业(19.3%)、交通(13.3%)、生物质燃烧(5.2%)、扬尘(1.9%).

图6 各类污染源在不同阶段中的百分含量及数浓度时间序列

图6分析各类污染源在不同阶段源贡献占比以及数浓度随时间序列变化.由图可知,3个阶段中对细颗粒物的贡献最大均为燃煤源,这与西安冬季采暖期启动,气体前体物SO2排放量骤增密不可分.但是其他污染源也不容忽视.阶段Ⅰ,二次污染源与工业燃烧源为主要污染源,占比分别为24.4%与23.3%,与ART-2a分类后得到的OC、K类颗粒物占比较高的结果相一致.阶段Ⅱ,二次、交通源为主要污染源,占比增幅分别为8.7%、6.4%.结合气象条件分析,此时温度低,相对湿度上升,风速减小,出现逆温等不利扩散条件导致机动车排放、燃煤污染等一次污染局地积累,大气二次活动频繁.阶段Ⅲ,风向改变、风速增大,湿度下降,大气扩散条件转好,二次源、交通源贡献率降幅高达18.7%、12.3%,而扬尘、生物质燃烧源贡献率增加.

3 结论

3.1 观测期间中,细颗粒物主要分为8类,分别是OC(35.7%)、K-rich(19.9%)、EC(12.2%)、ECOC (11.9%)、Na-K(6.1%)、SiO3(4.8%)、HM(3.3%)、amine(1.9%),它们占总颗粒数的96%以上.污染期间,颗粒物的主要类型为OC(32.6%)、K(20.9%)、EC(13.8%)、ECOC(13.8%),占总颗粒数的80%以上,且每种颗粒质谱图中均含有铵盐、硫酸盐、硝酸盐和含氮有机物等特征离子峰,说明大部分颗粒都经历了一定程度的老化.

3.2 污染期间,K、EC、ECOC比例均有所上升,含碳颗粒可以通过吸收可见光降低能见度,同时与硫酸盐、硝酸盐的结合能力增强,进一步提高了颗粒物的消光能力,造成大气能见度下降.

3.3 污染期间气团主要来自西安附近西南方向的汉中等地区,不利于污染物扩散,属于本地污染累积.

3.4 燃煤污染和二次污染是造成西安市此次重污染的主要原因.一方面是因为冬季燃煤采暖,气态前体物SO2排放量大,另一方面与采样期间静稳、高湿天气频现、二次污染物积累有关.

[1] Wang Y, Zhang R Y, Saravanan R. Asian pollution climatically modulates mid-latitude cyclones following hierarchical modelling and observational analysis [J]. Nature Commun, 2014,5, http://dx.doi. org/10.1038/ncomms4098.

[2] Huang R J, Zhang Y L, Bozzetti C,et al. High secondary aerosol contribution to particulate pollution during haze events in China [J]. Nature, 2014,514(7521):218-222.

[3] 李 瑾,李建军,吴 灿,等.关中典型城市及农村夏季PM2.5的化学组成对比 [J]. 中国环境科学, 2018,38(12):4415-4425.LI Jin, LI Jian-jun, WU Can, et al. Comparison on the chemical composition of PM2.5in the urban and rural regions of Guanzhong plain, China [J]. China Environmental Science, 2018,38(12):4415-4425.

[4] 李慧文,张承中,马万里,等.西安采暖季大气中多环芳烃的污染特征及来源解析 [J]. 环境科学, 2010,7:1432-1437. Li H W, Zhang C Z, Ma W L, et al. Pollution Characterizations and Source Apportionment of Polycyclic Aromatic [J]. Environment Science, 2010,7:1432-1437.

[5] 田鹏山,曹军骥,韩永明,等.关中地区冬季PM2.5中碳气溶胶的污染特征及来源解析 [J]. 环境科学, 2016,37(2):427-433. TIAN P S, CAO J J, HAN Y M, et al. Pollution characteristics and sources of carbonaceous aerosol in PM2.5during winter in Guanzhong area [J]. Environment Science, 2016,37(2):427-433.

[6] 王 堃,韩永明,何世恒,等.西安市重污染与清洁天PM2.5组分及其活性氧物质对比 [J]. 环境科学, 2017,38(7):2679-2687. Wang K, Han Y M, He S H, et al. Comparison of Characteristics and reactive Oxidative Species of PM2.5in Xi'an, China During Haze and Clean Days [J]. Environment Science, 2017,38(7):2679-2687.

[7] Chen Y, Liu H, Yang F, et al. Single particle characterization of summertime particles in Xi'an (China) [J]. Science of the Total Environment, 2018,636:1279.

[8] Wang D, Hu J, Xu Y, et al. Source contributions to primary and secondary inorganic particulate matter during a severe wintertime PM2.5pollution episode in Xi'an, China [J]. Atmospheric Environment, 2014,97:182-194.

[9] Schauer C, Niessner R, Pã¶Schl U. Polycyclic aromatic hydrocarbons in Urban air particulate matter: Decadal and seasonal trends, chemical degradation, and sampling artifacts [J]. Environmental Science & Technology, 2003,37(13):2861-2868.

[10] 王 帆,刘焕武,牟国桃,等.基于单颗粒气溶胶质谱法的雾霾过程中细颗粒物组分分析及来源研究 [J]. 环境污染与防治, 2017,39(3): 263-267. WANG F, LIU H W, WANG Y X, et al. Compositions and sources of particles measured by SPAMS method during a haze process [J]. Environmental Pollution and Control, 2017,3(39):263-267.

[11] 李 磊.单颗粒气溶胶质谱仪的性能表征及应用研究[D]. 上海:上海大学, 2011. Li L. Performance Characterization and Application Study of a Single Particle Aerosol Mass Spectrometry [D]. Shanghai: Shanghai University, 2011.

[12] 张 莉.基于单颗粒气溶胶质谱信息的分类方法研究及其应用 [D]. 上海:上海大学, 2013. Zhang L. Aerosols cluster methods study and its application based on single particle aerosol mass spectra information [D]. Shanghai: Shanghai University, 2013.

[13] Paatero P, Tapper U. Analysis of different modes of factor analysis as least squares fit problem [J]. Chemometrics and Intelligent Laboratory Systems, 1993,18(2):183-194.

[14] Tan J H, Duan J C, Chai F H, et al. Source apportionment of size segregated fine/ultrafine particle by PMF in Beijing [J]. Atmospheric Research, 2014,139,90–100.

[15] Paatero P, Hopke P K. Rotational tools for factor analytic models [J]. Chemometrics, 2009,23,91–100.

[16] Paatero P, Hopke P K, Song X H, et al. Understanding and controlling rotations in factor analytic models [J]. Chemometrics Intelligent Laboratory Systems, 2002,60:253-264.

[17] Manousakas M, Papaefthymiou H, Papaefthymiou E, et al. Assessment of PM2.5sources and their corresponding level of uncertainty in a coastal urban area using EPA PMF 5.0enhanced diagnostics [J]. Science of the Total Environment, 2017,574:155-164.

[18] Healy R M, Hellebust S, Kourtchev I, et al. Source apportionment of PM2.5in Cork Harbour, Ireland using a combination of single particle mass spectrometry and quantitative semi-continuous measurements [J]. Atmospheric Chemistry and Physics, 2010,10(19):9593-9613.

[19] 郑 玫,张延君,闫才青,等.中国PM2.5来源解析方法综述 [J]. 北京大学学报(自然科学版), 2014,50(6):1141-1154. ZHENG M, ZHANG Y J, YAN C Q, et al. Review of PM2.5source apportionment methods in China [J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014,50(6):1141-1154.

[20] 牟莹莹,楼晟荣,陈长虹,等.利用SPAMS研究上海秋季气溶胶污染过程中颗粒物的老化与混合状态 [J]. 环境科学, 2013,34(6):2072. MOU Y Y, LOU S R, CHEN C H, et al. Aging and mixing state of particulate matter during aerosol pollution episode in autumn Shanghai using a Single Particle Aerosol Mass Spectrometer(SPAMS) [J]. Environmental Science, 2013,34(6):2072

[21] 王苏蓉,喻义勇,王勤耕,等.基于PMF模型的南京市大气细颗粒物源解析 [J]. 中国环境科学, 2015,35(12):3535-3542. WANG S R, YU Y Y, WANG Q G, et al. Source Apportionment of PM2.5in Nanjing by PMF. [J]. China Environmental Science, 2015, 35(12):3535-3542.

[22] Dall’Ostol M, Harrison R, Coe H, et al. Real-time secondary aerosol formation during a fog event in London [J]. Atmospheric Chemistry and Physics, 2009,9(7):2459-2469.

[23] 付怀于,闫才青,郑 玫,等.在线单颗粒气溶胶质谱SPAMS对细颗粒物中主要组分提取方法的研究[J]. 环境科学, 2014,35(11):4070-4077.FU H Y, YAN C Q, ZHENG M, et al. Application of on-line Single Particle Aerosol Mass Spectrometry (SPAMS) for studying major components in fine particulate matter [J]. Environmental Science, 2014,35(11):4070-4077.

[24] 王 琴,张大伟,刘保献,等.基于PMF模型的北京市PM2.5来源的时空分布特征[J]. 中国环境科学, 2015,35(10):2917-29.WANG Q, ZHANG D W, LIU B X, et al. Spatial and temporal variations of ambient PM2.5source contributions using positive matrix factorization [J]. China Environmental Science, 2015,35(10):2917-2924

Pollution characteristics and source apportionment of fine particles during a heavy pollution in winter in Xi’an City.

CAO Ning1, HUANG Xue-min1*, ZHU Ying2, LIU Huan-wu3

(1.School of Environmental and Municipal Engineering, Xi’an University of Architecture and Technology, Xi’an 710054, China；2.Xi’an Environmental Monitoring Station, Xi’an 710119, China)., 2019,39(1)：32~39

Single Particle Aerosol Mass Spectrometry (SPAMS), combining with particulate matter mass concentration and meteorological conditions, was used to study the chemical composition characteristics and genesis of fine particles in a heavy pollution process in November 2017, Xi'an. In addition, the source apportionment of fine particulate matter was analyzed by positive matrix factor analysis (PMF). The results showed that atmospheric particulate matter was mainly divided into eight kinds of particles: organic carbon (OC), elemental carbon (EC), ECOC, K, Na-K, amine, mineral dust, and heavy metal (HM). Their possible sources include coal (24.9%), secondary (29.3%), industry (19.3%), traffic (13.3%), biomass combustion (5.2%), and dust (1.9%). By comparing and analyzing the pollution characteristics of fine particulate matter in different pollution processes, it was found that the main reasons of this heavy pollution process were unfavorable meteorological conditions of high humidity and low wind speed, coal-burning pollution and secondary pollution caused by heating and industrial production.

fine particles；heavy pollution；chemical composition；pollution characteristics；source apportionment

X513

A

1000-6923(2019)01-0032-08

曹 宁(1994-),女,山西忻州人,硕士,主要从事单颗粒气溶胶研究.发表论文1篇.

2018-06-08

国家重点研发项目(2016YFC0207800);国家自然科学基金(51608422)

* 责任作者, 教授, huangxuemin@xauat.cn