高浓度的细颗粒物(PM_2.5)不仅降低能见度, 而且严重危害人群身体健康(Kunii et al., 2002).细颗粒物污染是我国城市大气环境质量改善中所面临的主要问题(中国环境保护部, 2016), 在北京、上海、广州等地已先后开展了多项研究(Huang et al., 2012; Zhang et al., 2008; Zhang et al., 2013).细颗粒物的污染机理存在时空差异, 需开展多地区、多季节和多维度研究(Chan et al., 2008), 特别是对研究较少、地理气象特殊的地区, 如以盆地地形为主的西南成渝地区.

重庆地处四川盆地东南部, 全市面积达8.24×10⁴ km², 常住人口达3000万(张富民等, 2015), 是典型的特大城市.重庆市西北部和中部以丘陵、低山为主, 东北和东南部靠大巴山和武陵山两座大山脉, 地势起伏较大.重庆南部靠近云贵高原、北面和西面亦有高山屏障, 因此全年气温较高, 夏季极端高温可达38 ℃；群山环抱导致气流不畅, 加之近地面空气潮湿, 形成了多云雾、多夜雨的特殊气候.重庆受到高相对湿度、低风速和弱太阳辐射的影响, 大气扩散条件极为不利.1973—2010年其平均能见度仅为(6.2±4.3) km(Chen et al., 2013), 低能见度日(＜10 km)出现频率>50%.2000年以后, 重庆市城市建设飞速发展, 机动车保有量从2000年的约50万辆剧增至2014年的440万辆(马宁, 2008；张富民等, 2015), 能源消费量从2000年的4023万吨标煤增加至2013年的9278万吨标煤(中国能源统计年鉴, 2001—2014), 城区污染物排放量大幅增加, 细颗粒物污染突出.

以往研究对重庆市大气TSP和PM₁₀报道较多, 而对PM_2.5关注较少(Yang et al., 2011; Zhao et al., 2010).本文根据重庆市的历史观测数据, 总结了PM_2.5污染变化趋势, 并利用2012—2013年的观测数据, 探讨了PM_2.5化学组成特征, 采用主因子分析/绝对主因子得分法对其来源进行了初步解析, 以期为细颗粒物污染防治对策的建立提供基础数据和科学依据.

采样点位于重庆市渝北区青枫北路18号凤凰C座楼顶(CQ, 106°30′E, 29°37′N)(图 1), 距地面高度35 m, 为重庆市大气超级监测站所在地.该站点周边已建成集中式大型住宅区、高新工业区、宜居公园等, 污染物浓度主要受交通源和居民排放源混合影响, 属典型的城市区域, 对城区环境空气质量有较好代表性.

图 1(Fig. 1)

图 1 重庆市采样点及其周边高度示意图(CQ表示重庆) Fig. 1 The elevation around sampling site in Chongqing (CQ)

于2012年5月—2013年5月在该采样点采集了颗粒物样品, 采样频率为每6 d 1次, 采样时间为每日上午10:00至次日早上10:00, 其中2012年12月7日—2013年1月5日为加密采样期(每天一次).使用的采样器为天虹TH-16A四通道大气颗粒物采样仪(16.7 L·min^-1/通道), 每次采集一通道的PM₁₀样品(Teflon膜, Whatman公司)和三通道的PM_2.5样品(两张Teflon膜, Whatman公司；一张石英膜, Millipore公司),

样品采样膜的平衡和称重均在恒温恒湿(T=(20±1) ℃, RH=40%±3%)的超净实验室中完成.Teflon膜称重前在超净室内平衡24 h, 石英膜使用前经马弗炉在550 ℃下灼烧5.5 h.

水溶性离子分析：取采样称重后的Teflon膜, 置于小烧杯中, 加10 mL超纯水后超声仪提取30 min.提取液经0.45 μm水系微孔滤头过滤后, 采用Dionex ICS-2000离子色谱分别测定阴(Cl^-、SO₄^2-、NO₃^-)、阳(K⁺、Ca²⁺、Na⁺、Mg²⁺、NH₄⁺)离子.无机元素分析：采样称重后的Teflon采样膜置于消解罐中, 加适量HNO₃、HCl和HF进行微波消解.消解液冷却定容后, 采用Agilent 7500c电感耦合等离子体质谱仪(ICP-MS)分析无机元素浓度.碳质组分分析：石英膜铳下1.45 cm²大小的面积, 采用Sunset实验室光热透热法(TOT)碳分析仪分析其中的有机碳(OC)和元素碳(EC)含量.颗粒物组分的具体分析方法可参考Chen等(2014).样品组分的分析过程严格遵守实验操作规程, 并设置了对照和空白样品.

主因子分析法(PCA)是常用的多元统计分析法, 其基本思想是把许多相关的因子进行处理和简化, 由少数几个独立的因子尽可能多地反映出原来因子所反映出的信息.PCA法计算简单、容易实现, 但不能直接得出有关颗粒物污染源贡献的定量解析结果, 需要进一步引入绝对主因子得分(APCS)估算各因子的贡献率.Thurston等(1985)最早应用因子分析法对波士顿的颗粒物污染来源进行了解析, Song等(2006a)、房春生等(2013)、张学敏(2007)、邹本东等(2007)将其应用在北京、长春、厦门等地的颗粒物源解析工作中.

进行主因子分析的主要步骤参考Thurston等(1985)、Song等(2006a)的文献进行.首先将原始颗粒物浓度和组分数据标准化(原始数据为x_ij, 其标准差为s_i, i为化学组分, j为样品数), 标准化的数据矩阵为Z, 采用SPSS软件(Version 16.0) 对标准化后的数据进行主因子分析, 得到相关系数矩阵(R)的特征值和特征向量, 确定主因子的个数, 并计算初始因子载荷矩阵(A)、旋转载荷矩阵(A^*)、因子得分系数矩阵(B)以及主因子得分(F).

以上矩阵满足关系式：F′=A^*′RZ′=B′Z′(上标′代表其转置矩阵).通过PCA法解析出的最终因子载荷矩阵(A^*)的公因子在几个变量上负荷较高, 其余负荷较小, 可结合有关特征元素的知识, 对污染源类型进行定性判断.

为定量计算各污染源对颗粒物的贡献率, 需要进一步计算绝对因子载荷矩阵(C)和绝对主因子得分矩阵(F^*).绝对因子载荷矩阵满足：C=S·A^*, S为由s_i构成的对角线矩阵；绝对主因子得分APCS：F^*′=A^*′RY′=B′Y′, Y矩阵由下式构成：y_ij=x_ij/s_i.以测得的PM_2.5质量浓度为因变量, 绝对主因子得分作为自变量进行回归, 即可得到各主因子的定量贡献率.以上计算过程由Excel软件完成, 回归分析由SPSS软件完成.

表 1总结了国内外文献中重庆市细颗粒物的浓度数据, 以了解其历史变化趋势.我国颗粒物的监测方法规范出台较晚, 以往研究中采样点位和采样方法缺乏统一.本文选出了监测时间较长的代表性点位数据, 对于重复发表、不具代表性的报道值进行了合并和剔除.

表 1(Table 1)

表 1 重庆市大气颗粒物历史观测浓度 Table 1 Historical observation of atmospheric particle concentrations in Chongqing

表 1 重庆市大气颗粒物历史观测浓度 Table 1 Historical observation of atmospheric particle concentrations in Chongqing

1990s和2000s仅有少数研究报道了重庆市PM_2.5的污染状况, Venners等(2003)1995年观测的浓度为147 μg·m^-3, Chow等(2006)报道重庆铜梁县2002—2003年PM_2.5平均浓度为115.4 μg·m^-3, Cao等(2012)和Wang等(2006)在2003年的观测值偏高, 冬季和夏季PM_2.5浓度分别达316.6和106.9 μg·m^-3.2005—2010年间, 对重庆PM_2.5污染的研究较少, 仅Yang等(2011)和Zhao等(2010)报道市区2005—2006年的PM_2.5浓度为129.0 μg·m^-3.2010年以后, 针对重庆PM_2.5的研究明显增多, 仅在2012年就有多项报道(表 1).2012年, 重庆市的PM_2.5离线监测浓度为84.2~113.1 μg·m^-3(陈敏, 2013；黄翠, 2014；任丽红等, 2014), 略高于本文观测值(75.3 μg·m^-3, 见3.2节), PM_2.5在线监测浓度为67.5(2012年)和66.6 μg·m^-3(2013年)(祁心, 2015；徐鹏等, 2016).2013年, 重庆市环境保护局发布主城区PM_2.5浓度为70 μg·m^-3, 2014年和2015年分别为65和57 μg·m^-3.整体来看, 重庆市当前PM_2.5浓度水平相较1990s和2000s有所下降, 但仍远高于环境标准限值.

图 2给出了重庆市PM₁₀和PM_2.5浓度的时间变化趋势.采样期间, 重庆市PM₁₀和PM_2.5的波动范围分别是26.1~293.6和18.8~276.8 μg·m^-3, 年日均浓度分别为103.9和75.3 μg·m^-3, 超过《环境空气质量标准》(GB3095—2012) 二级标准限值(PM₁₀ 70 μg·m^-3, PM_2.5 35 μg·m^-3).重庆市PM_2.5日均浓度的超标率达36%, 有5 d的PM_2.5的浓度在150 μg·m^-3以上(占观测样品的5.8%), 达到了重污染水平, 日均浓度的最高值出现在2013年1月2日, 达276.8 μg·m^-3.

图 2(Fig. 2)

图 2 2012年5月—2013年5月重庆主城区大气颗粒物浓度变化 Fig. 2 Temporal variations of PM concentrations during May 2012 to May 2013 in urban Chongqing

重庆市颗粒物浓度的季节和月际变化分别见图 3和图 4.重庆市主城区春、夏、秋、冬的PM₁₀浓度分别为88.2、87.5、91.7和121.8 μg·m^-3, PM_2.5的浓度分别为57.3、64.9、68.0和90.1 μg·m^-3(图 3).重庆市春、夏、秋3季的颗粒物污染水平较为接近.夏季多雨水, 大气扩散条件较好, 颗粒物去除效率高, 但气温偏高, 颗粒物二次转化增强, 因此, 夏季细颗粒物浓度相较春、秋季并没有明显降低.如6月份PM_2.5浓度高达90 μg·m^-3(图 4), 且PM_2.5/PM₁₀比值为各月份最高(0.79).春、秋季气温相对较低, 大气光化学反应减弱, 大气扩散条件相对较好, 但春季的3月份PM_2.5浓度也较高(82.2 μg·m^-3), 而PM_2.5/PM₁₀比值仅为0.60, 为各月份最低, 可能受到沙尘输入的影响(Zhao et al., 2010).冬季则多静风天气, 是重庆污染较重的季节, 特别是1月和2月, 其PM_2.5浓度分别高达123.7和99.1 μg·m^-3.

图 3(Fig. 3)

图 3 重庆市主城区PM10(a)和PM2.5(b)浓度的季节变化 Fig. 3 Seasonal variations of PM10 (a) and PM2.5 (b) in urban Chongqing

图 4(Fig. 4)

图 4 重庆市主城区PM10和PM2.5浓度的月际变化 Fig. 4 Monthly variations of PM10 and PM2.5 in urban Chongqing

对重庆市PM_2.5的质量浓度进行重建, 采用的组分包括有机物(OM)、EC、NH₄⁺、SO₄^2-、NO₃^-、Cl^-、K⁺、地壳物质(Soil)、微量元素(Trace)及其他组分(other, 未检出或损失组分).其中OM由1.6倍的OC浓度计算, EC、NH₄⁺、SO₄^2-、NO₃^-、Cl^-、K⁺由测量直接测得, 地壳物质(Soil)浓度由Malm等(1994)的公式计算, 微量元素(Trace)由Zhang等(2013)推荐公式计算.具体计算过程可参考陈源等(2016).

重庆市PM_2.5组成的年均和季节变化见图 5和表 2.总体来看, 所选取的组分对细颗粒质量浓度重建较好, 仅有7.4%的质量浓度未检出(图 5a).重庆主城区PM_2.5中有机物(OM)含量最高, 平均贡献了其质量浓度的30.8%.OM的来源主要为两类, 一是燃料燃烧排放(包括化石燃料和生物质燃烧), 重庆主城区能源结构以煤炭为主, 导致了大量有机碳物质的排放；二是VOCs等前体物转化生成的二次有机气溶胶(SOC), 特别是在静稳天气下, 气体前体物在大气中停留时间增加, 在细粒子表面发生非均相转化反应, 生成大量SOC.同时, 重庆地区的高相对湿度提供大量水分子被极性键吸附, 增大SOC的体积, 或水分子直接参与反应, 促进SOC生成(Healy et al., 2009; 贾龙等, 2010).季节变化上, OM浓度在春季最低, 秋、冬季较高(表 2), 而作为一次碳排放示踪物的EC在春、夏、秋3季浓度大致相当, 冬季浓度偏高, 表明重庆市冬季有机碳排放量较多, 同时冬季频发的静稳天气、合适的温度和较高的相对湿度极大促进了二次有机气溶胶的生成.

图 5(Fig. 5)

图 5 重庆市PM2.5化学组成的年均(a)和季节(b)变化 Fig. 5 Annual average (a) and seasonal (b) variations of PM2.5 composition in Chongqing

表 2(Table 2)

表 2 重庆市PM2.5中各组分质量浓度 Table 2 Concentrations of PM2.5 components in Chongqing

表 2 重庆市PM2.5中各组分质量浓度 Table 2 Concentrations of PM2.5 components in Chongqing

二次无机离子(SNA, SO₄^2-+NO₃^-+ NH₄⁺)贡献了重庆市PM_2.5质量浓度的45.6%, 其中硫酸盐(SO₄^2-)含量最高, 贡献率为23.0%, 其次为硝酸盐(NO₃^-)和铵盐(NH₄⁺), 其贡献率分别是11.7%和10.9%；SO₄^2-的年均浓度约是NO₃^-和NH₄⁺浓度的两倍.SO₄^2-主要来自SO₂的二次转化, 高浓度的SO₄^2-反映了重庆市存在大量使用煤炭的问题.重庆市能源消费结构中, 燃气、水电等优质能源的消费比例偏低, 高硫高灰分煤炭比例依然过高, 缺乏优质、清洁煤(中国能源统计年鉴, 2014).

重庆[NO₃^-/SO₄^2-]比值为0.51, 该值相比Yang等(2011)2005—2006年的观测值0.21明显升高, 与主城区近年来逐步上升的NO₂浓度相对应, 表明重庆主城区机动车污染逐步加重.相比成都、北京等地(陈源等, 2016；Zhang et al., 2013), 重庆[NO₃^-/SO₄^2-]比值仍偏低, 其燃煤污染相较机动车污染仍占主导地位.季节变化上, SO₄^2-浓度在夏季和冬季出现双峰, NO₃^-则在秋季和冬季浓度较高, NH₄⁺各季节浓度较为接近(表 2).二次无机离子的季节变化与其生成机制和气象条件密切相关, 如夏季高温和冬季高温相对湿度均利于SO₄^2-的生成, 而NO₃^-在夏季高温下易挥发.

地壳物质在春季和冬季的浓度较高, 春季重庆PM_2.5浓度为57.3 μg·m^-3, 地壳物质的贡献达10.1%(图 5b), 远高于其他季节, 表明重庆春季可能受到沙尘传输影响, Zhao等(2010)曾在2005年观测到来自西部戈壁沙漠的沙尘对重庆细颗粒物的严重影响.

重庆PM_2.5中微量元素(Trace)的年均浓度仅为0.42 μg·m^-3, 占PM_2.5质量浓度的0.6%.为初步了解各元素的来源情况, 选取化学性质稳定、受人类源影响小、使用广泛的Al作为参比元素, 计算了各元素的富集因子(Enrichment factor, EF)(图 6), 将元素的污染程度分为4级, 污染级别越高表明受到人类活动的影响越大.① EF＜5, 无富集元素：包括Mg、Ca、Ti、Fe, 这些元素主要来自地壳源；② 5≤EF＜10, 部分富集元素：包括Na、K、Ba, 这些元素部分来自人为源；③ 10≤EF＜20, 中度富集元素：包括Mn, 受到人为源显著影响；④ EF≥20, 强烈富集元素：包括V、Cr、Co、Ni、Cu、Zn、As、Se、Mo、Cd、Pb, 这些元素受人为源影响较大, 其中Cr、Cu、Zn、As、Mo、Cd、Pb的富集因子均大于100, Cd的富集因子最高为3896.各元素所指示的细颗粒物的污染来源信息, 将在文中3.4节部分做进一步讨论.

图 6(Fig. 6)

图 6 重庆市PM2.5中各元素的富集因子 Fig. 6 Enrichment factors (EF) of elements in PM2.5 of Chongqing

采取主因子分析/绝对主因子得分法对重庆市PM_2.5进行来源解析, 所选取的变量包括SO₄^2-、NO₃^-、NH₄⁺、OC、EC、Na⁺、K、Mg、Ca、Cl、Al、Ti、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Se、Mo、Cd、Ba和Pb, 共计26种.对于重复测量的离子和元素, 优先选取了测量准确度较高的元素浓度, 由于Na元素的结果精度较差, 选取了Na⁺的浓度作为替代.主因子分析结果见表 3, 共提取了特征值＞1的5个因子作为有效主因子个数, 前五种主因子因子载荷的累积方差贡献率为82.8%, 能够反映主要的污染源信息.所解析出的五种因子对重庆市PM_2.5的贡献率见表 4.

表 3(Table 3)

表 3 重庆市主城区大气PM2.5样品方差最大旋转因子载荷 Table 3 Factor analysis by varimax rotation for PM2.5 in Chongqing

表 3 重庆市主城区大气PM2.5样品方差最大旋转因子载荷 Table 3 Factor analysis by varimax rotation for PM2.5 in Chongqing

表 4(Table 4)

表 4 PCA法解析重庆市PM2.5来源 Table 4 Source apportionment of PM2.5 in Chongqing using PCA

表 4 PCA法解析重庆市PM2.5来源 Table 4 Source apportionment of PM2.5 in Chongqing using PCA

因子1的方差贡献率为52.6%, 是所有主因子中方差贡献率最高的因子, 其中载荷较高的组分包括SO₄^2-、NO₃^-、NH₄⁺、OC、EC、Na⁺、Cl、Mn、Fe、Zn、Se、Mo、Cd和Pb, 特别是SO₄^2-、NO₃^-、NH₄⁺等二次粒子的载荷较高, 因此认为该因子代表细颗粒物中的二次粒子.二次粒子主要来源于燃煤和机动车排放的前体物SO₂和NO_x的二次转化.Se和Mo主要来自燃煤, 燃煤污染源排放同时具有较高的OC、EC、Cl和Pb, 机动车尾气中含有较高的Zn、EC(Song et al., 2006b).同时, 从季节变化上看, 因子1对PM_2.5的贡献率在夏季显著高于其他季节(表 4), 符合二次粒子的季节变化特征(图 5).

因子2中载荷高的组分包括K、Mg、Ti、Ni、Se、Ba, 其中K、Mg、Ti、Ba的富集因子都小于10, 受人为源影响较小.Ni主要来源于燃煤尘(焦姣等, 2013), Se也可作为燃煤的标识物(Hsu et al., 2009), 因此认为该因子代表城市燃煤尘, 其方差贡献率为11.8%.

因子3的方差贡献率为7.0%, 其中载荷较高的组分为Ca、V、Pb, V的富集因子为37, 其可能来源包括石油等燃料的燃烧和钒钛磁铁矿等含钒矿物的开采、冶炼(王晴晴, 2013).Ca是建筑水泥尘的标识元素, Pb可能来自于道路机动车尾气尘的再悬浮, 因此认为因子3代表建筑/道路尘的混合源, 该因子可能还包含了一定的机动车燃油排放的贡献.

因子4中载荷高的组分包括Mg、Al、Mn、Fe、Cu, Mg、Al、Mn、Fe的富集因子都较低, 多作为地壳物质的示踪物, Cu可能来自机动车金属刹车片的磨损(Lee et al., 1999).同时, 因子4具有较为明显的季节变化特征, 在春季对PM_2.5的贡献高于其他季节(表 4), 符合土壤组分在PM_2.5中比例的变化特征(图 5), 综合以上可判断, 因子4可代表土壤尘.

因子5中载荷较高的组分是Cr、Co和As, As主要来自冶炼厂和二次有色金属厂或燃煤尘(焦姣等, 2013), 赵晴(2010)指出As还可能来源于四川盆地大规模的砖瓦生产厂, Cr来自炼钢过程中Cr蒸气挥发和水泥工业, 同时该因子也含有一定比例的SO₄^2-, 可能来自工业燃煤排放SO₂的二次转化, 因此可认为因子5反映的是城市工业尘对细颗粒物的贡献.

对于采用主因子分析法解析出的各污染源浓度重建了PM_2.5的质量浓度, 该重建值与PM_2.5的观测浓度间有较好的相关性, 相关系数达0.89(图 7), 但在重污染天气下, 重建PM_2.5浓度和实测PM_2.5浓度偏差值较大.表 4为重庆主城区PM_2.5样品的污染源分担率, 其中燃二次粒子是重庆市大气中PM_2.5的最主要污染源, 贡献了PM_2.5总质量浓度的41.7%, 其次是燃煤尘, 贡献率为15.6%.建筑/道路尘和土壤尘分别贡献了PM_2.5浓度的12.0%和11.0%.作为典型工业城市, 工业尘对重庆城区PM_2.5的贡献率也较高, 达10.4%.

图 7(Fig. 7)

图 7 重庆市源解析重建PM2.5与实测PM2.5质量浓度相关性分析 Fig. 7 Correlation analysis between source apportionment reconstructed PM2.5 and observed PM2.5 in Chongqing

表 5对比了本研究源解析结果与国内其他城市PM_2.5的源解析结果.重庆PM_2.5的源解析结果较少, 王同桂(2007)利用因子分析法解析出2004—2005年重庆主城区PM_2.5的主要来源为土壤尘、煤烟尘、金属冶炼尘和汽车尾气, 但未给出定量结果.焦姣等(2013)通过分析重庆市细颗粒物中元素特征, 识别了其中的道路/建筑尘、燃煤尘和土壤尘.任丽红等(2014)采用CMB法对重庆市PM_2.5进行了较全面解析, 相比本研究结果, 二次粒子和土壤尘贡献率偏低(30.1% vs. 41.7%, 1.4% vs. 11.0%, 表 5), 建筑/道路尘和本研究结果相近(14.4% vs. 12.4%).受解析出的主因子限制, 本研究未能识别机动车尾气、生物质燃烧、餐饮业油烟的贡献, 是本研究与任丽红等(2014)研究结果的主要差异.机动车尾气尘可能特征排放不明显, 与因子1(二次粒子)和因子3(建筑/道路尘)相混合而未能解出.

表 5(Table 5)

表 5 国内部分城市PM2.5源解析结果比较 Table 5 Comparison of source apportionment results among cities in China

表 5 国内部分城市PM2.5源解析结果比较 Table 5 Comparison of source apportionment results among cities in China

由于缺乏可靠的源谱信息, 目前国内城市的细颗粒物源解析大多采用PMF法, 其所解析出的源的类别与贡献率在城市间也有较大差异(表 5), 如在南京市PM_2.5解析出的二次粒子的贡献达60%以上, 还识别了海盐和船舶的贡献(Li et al., 2016)；在北京、成都、西安、兰州等地, 解析出PM_2.5的主要来源为二次粒子、燃煤、土壤、工业, 而解析出的机动车、生物质燃烧的贡献率波动较大, 其他源如餐饮源、海盐等识别较少.与其他城市源解析结果相比, 本研究采用PCA/APCS法解析出的PM_2.5污染源类型有限, 但解析出了对PM_2.5起主要贡献作用的二次粒子、燃煤尘和土壤尘, 且上述各污染源对PM_2.5的贡献率和季节波动合理, 可认为源解析结果较为可靠.

1)1995年至2015年, 重庆市主城区的PM_2.5浓度由>100 μg·m^-3下降至约70 μg·m^-3, 城区面临严重细颗粒物污染问题.2010年后, 有关重庆PM_2.5的报道明显增多, 但缺乏对于其组成和来源的研究.

2)2012年5月—2013年5月, 重庆市主城区大气PM₁₀和PM_2.5的年日均浓度分别为103.9和75.3 μg·m^-3, 超过GB3095-2012二级标准限值2倍以上.重庆市春、夏、秋季细颗粒物浓度水平较为接近(分别为57.3、64.9和68.0 μg·m^-3)、冬季细颗粒物浓度最高为90.1 μg·m^-3.静稳天气频发的1月和2月, 沙尘传输的3月及二次转化较强的6月是重庆PM_2.5污染较重的月份.

3) 重庆市主城区PM_2.5组成以有机物(OM, 30.8%)为主, 其次为硫酸盐(SO₄^2-, 23.0%)、硝酸盐(NO₃^-, 11.7%)和铵盐(NH₄⁺, 10.9%).冬季较多的一次碳排放和有利的二次转化条件导致OM浓度增加.EC仅贡献了PM_2.5质量浓度的5.2%, 且季节变化不明显.较高的SO₄^2-浓度和不断增加的[NO₃^-]/[SO₄^2-]比值反映了重庆市细颗粒物污染逐步向燃煤和机动车排放并重的混合型污染转变.地壳物质(Soil)占PM_2.5质量浓度的8.2%, 春季Soil对PM_2.5质量浓度的贡献比例明显增加至10.1%.微量元素贡献PM_2.5质量浓度的0.6%, 其中Cr、Cu、Zn、As、Mo、Cd和Pb的富集程度较高, 其富集因子均大于100.

4) 采用主因子分析/绝对主因子得分法, 并结合各元素的富集因子和各主因子的季节变化特征, 解析出重庆PM_2.5中5种污染源的贡献.二次粒子贡献PM_2.5总质量浓度的41.7%, 是最主要污染源, 其次是燃煤尘(贡献率为15.6%)、建筑/道路尘(贡献率为12.4%)、土壤尘(11.0%)和工业尘(10.4%).