环境科学学报  2021, Vol. 41 Issue (11): 4366-4376
引用本文
钱骏, 冯小琼, 陈军辉, 等. 2021. 四川盆地典型城市PM2.5污染过程组分特征和来源解析[J]. 环境科学学报, 41(11): 4366-4376.
Qian J, Feng X Q, Chen J H, et al. 2021. Composition characteristics and source apportionment of PM2.5 pollution process in typical cities in the Sichuan Basin[J]. Acta Scientiae Circumstantiae, 41(11): 4366-4376.
四川盆地典型城市PM2.5污染过程组分特征和来源解析    [PDF全文]
钱骏1, 冯小琼1,2, 陈军辉1,3, 尹寒梅2, 徐雪梅2, 刘政1    
1. 四川省生态环境科学研究院, 成都 610041;
2. 四川省环保科技工程有限责任公司, 成都 610041;
3. 清华大学环境学院, 北京 100084
收稿日期: 2021-03-31; 修回日期: 2021-06-15; 录用日期: 2021-06-15
基金项目: 四川省重大科技专项课题（No.2019YFS0495）
作者简介: 钱骏(1968—), 男, 高工(教授), E-mail: 584987226@qq.com
通讯作者（责任作者）: 冯小琼, E-mail: 475269341@qq.com
摘要：为探究四川盆地典型城市PM2.5污染特征和来源，利用成都市、绵阳市、自贡市超站数据分析2020年冬季典型污染过程PM2.5组分特征，并采用CMB模型模拟获得研究期间PM2.5来源及演变特征.结果表明，不同城市PM2.5组分变化特征不尽相同，成都市污染过程整体呈现NO3-主导特征，但重度污染由OC主导.绵阳市污染期间呈现OC主导特征，是污染加重时增长最快的组分.EC是自贡市轻度污染增长最快的组分，NO3-、SO42-、NH4+是中度污染增长较快的组分，OC、EC是重度污染增长较快的组分.3个城市均是二次硝酸盐对PM2.5贡献率最高.比较而言，成都市机动车、扬尘源贡献率均最高；绵阳市二次有机碳贡献率最高，是成都市的2倍；自贡市燃煤源和二次硫酸盐贡献率分别比成都市和绵阳市高出4%~6%和7%~9%.成都市由优良天气到中度污染，二次硝酸盐贡献率随着污染程度的加重而增加，轻度污染较优良天气上升6%，中度污染较轻度污染天气上升3%.中度到重度污染，二次有机碳、机动车贡献率分别上升2%和1%.绵阳市由轻度到重度污染，二次有机碳对PM2.5的贡献率上升3%，机动车贡献率上升2%，是其污染加重的主要原因.自贡市由轻度到重度污染，各污染源贡献率变化幅度较小.
关键词：PM2.5    不同污染等级    组分特征    来源解析    四川盆地    
Composition characteristics and source apportionment of PM2.5 pollution process in typical cities in the Sichuan Basin
QIAN Jun1, FENG Xiaoqiong1,2, CHEN Junhui1,3, YIN Hanmei2, XU Xuemei2, LIU Zheng1    
1. Sichuan Academy of Environmental Sciences, Chengdu 610041;
2. Sichuan Province Environmental Protection Technology Engineering Co., Ltd., Chengdu 610041;
3. School of Environment, Tsinghua University, Beijing 100084
Received 31 March 2021; received in revised from 15 June 2021; accepted 15 June 2021
Abstract: To explore the characteristics and sources of ambient PM2.5 in typical cities in the Sichuan Basin, the characteristics of PM2.5 components during the winter of 2020 were analyzed by using the superstation data of Chengdu, Mianyang and Zigong, and their source and evolution were revealed by using the CMB model. Results showed that the characteristics of PM2.5 components varied with cities. Except for heavy pollution, which was dominated by OC, most pollution events in Chengdu were NO3- dominant. In Mianyang, OC was the dominant component during the pollution period, which was the fastest-growing component when pollutions aggravate. In Zigong, however, EC had the fastest growth rate during the light pollutions, while NO3-, SO42-, and NH4+ grew fastest during moderate pollutions, OC and EC grew fastest during heavy pollutions. Secondary nitrate was the largest contributor to PM2.5 in the three cities. In comparison, the contribution of motor vehicles and dust in Chengdu was the highest. The contribution of secondary organic carbon in Mianyang was the highest, which was twice that of Chengdu. The contributions of coal combustion and secondary sulfate in Zigong were 4%~6% and 7%~9% higher than those in Chengdu and Mianyang, respectively. The contribution of secondary nitrate in Chengdu increased with the aggravation of pollutions, which respectively increased by 6% and 9% in light pollutions and moderate pollutions compared with normal periods. From moderate to severe pollution, the contribution of secondary organic carbon and motor vehicles increased by 2% and 1% respectively. In Mianyang, the contribution of secondary organic carbon to PM2.5 increased by 3% from light pollution to heavy pollution, and the contribution of motor vehicles increased by 2%, which was the main reason for the pollution aggravation. In Zigong, the contribution of pollution sources changed slightly from light pollution to heavy pollution.
Keywords: PM2.5    different pollution levels    component characteristics    source apportionment    Sichuan Basin    
1 引言(Introduction)

当前细颗粒物(PM2.5)污染已经成为我国大多数城市的关注焦点(郭新彪等, 2013；蒋慧敏等, 2021), 其成分复杂, 对人体健康、能见度和气候变化有重要影响(Laden et al., 2000；Watson, 2002；蒋燕等, 2016；崔粲等, 2020；Zhang et al., 2021).研究污染过程中组分演变特征及来源解析对PM2.5污染防控具有重要意义(张溪, 2018；尹寒梅等, 2020), 但目前的研究多采用污染时段与清洁时段对比或季节对比揭示秋冬季污染的主导因子(Xie et al., 2018；陈楚等, 2019；徐虹等, 2019；冯小琼等, 2020；李欣悦等, 2021), 对不同污染等级PM2.5组分及来源解析的变化研究较少.

四川盆地因其复杂的地形和不利的气象条件, 成为中国五大空气重污染区域之一(Wang et al., 2013；Chen et al., 2013；An et al., 2019；崔粲等, 2020).成都平原(成都市、德阳市、绵阳市、眉山市、资阳市、乐山市、遂宁市、雅安市)和川南城市群(自贡市、泸州市、宜宾市和内江市)是四川第一、第二大经济区, 也是污染较重的两大区域(肖丹华等, 2018；崔粲等, 2020).目前针对这两大城市群的研究主要集中在成都市, 如李友平等(2014)于2009年4月—2010年1月在成都市城区对水溶性离子组分特征开展研究指出, 二次无机离子(NH4+、SO42-、NO3-, SNA)主要以固定源污染为主；吴明等(2019)对成都市冬季(2017年1月1—20日)PM2.5化学组分污染特征和来源解析指出, SO42-、NO3-、NH4+、OC是主要组分, 主要来源于燃烧源(燃煤、生物质燃烧等)、二次无机污染源及土壤和扬尘源；李欣悦(2021)、尹寒梅等(2020)分析了成都市城区不同季节PM2.5中水溶性离子污染特征, 揭示了SNA生成的主要化学反应；冯小琼等(2020)分析了2019—2020年冬季成都市3次灰霾污染过程气象要素、组分特征和来源解析, 指出二次硝酸盐、机动车和燃煤源等为主要污染来源.针对川南城市群, 科研人员对自贡市开展了少量研究.例如, 崔粲等(2020)分析了自贡市不同季节颗粒物中水溶性离子特征及来源；雷雨等(2020)采用拉格朗日混合单粒子轨迹模型(HYSPLIT)分析了自贡市传输路径, 利用潜在源贡献分析法(PSCF)和浓度权重轨迹分析法(CWT), 探讨不同季节影响自贡市PM2.5浓度的潜在源区以及不同源区的污染贡献.可见, 目前针对成都市PM2.5组分特征以及污染来源开展了较多研究, 鲜有研究针对盆地内不同城市、不同污染等级进行对比分析.

基于此, 本研究选取四川盆地成都市、绵阳市、自贡市等典型城市2020年冬季1次污染过程, 揭示PM2.5不同污染等级的组分、污染来源演变过程, 以期为四川盆地冬季重污染天气应对提供科技支撑.

2 材料与方法(Materials and methods) 2.1 研究区域

成都市位于四川省中部, 是四川省省会、副省级市, 国务院确定的国家重要高新技术产业基地、商贸物流中心和综合交通枢纽, 也是西部地区重要的中心城市.绵阳市位于四川盆地西北部, 四川省地级市, 是党中央、国务院批准建设的中国唯一的科技城, 重要的国防科研和电子工业生产基地.自贡市位于四川盆地南部, 四川省地级市, 是四川省唯一的全国首批老工业城市产业转型升级示范区.

2.2 数据来源

成都市组分数据来自四川省生态环境科学研究院大气环境超级观测站(104.07°E, 30.63°N), 位于成都市中心城区, 四面均为城市建筑群.绵阳市数据来自绵阳市组分站(104.74°E, 31.51°N), 位于绵阳市城区, 四周均为居民生活区.自贡市数据来自四川轻化工大学汇南校区组分站(104.77°E, 29.34°N), 位于自贡市城区, 东面为公园, 其他三面均为居民生活区.3个城市监测设备放置位置均距离地面约20 m, 站点周围无高大建筑物的遮挡, 视野开阔, 监测数据能较好地反映城市大气环境状况, 具体位置如图 1所示.

图 1 3个城市采样点位示意图 Fig. 1 Sampling site in three cities

3个城市设备均相同.PM2.5采用美国Met One公司的BAM-1020型环境颗粒物监测仪测定, 水溶性离子采用气溶胶PM2.5成分监测系统(瑞士万通marga-1s)测定, 有机碳和元素碳采用美国Sunset在线OCEC监测仪(model 4)测定, 重金属在线监测设备为horiba PX-375.风向和风速等气象因素监测仪器为DAVIS Vantage Pro2 Plus(美国戴维斯公司), 气象因素与污染物浓度同步进行数据采集.

为确保数据统计的准确和有效性, 严格按照《环境空气质量标准》(GB 3095—2012)和《环境空气质量评价技术规范(试行)》(HJ 663—2013)等标准进行质量控制, 每天24 h连续采样, 设备定期检查并及时维护保养.所有数据均为小时平均质量浓度, 日平均值由小时平均值计算得到.

2.3 研究方法

源解析采用化学质量平衡(CMB)模型进行模拟计算, 具体方法详见文献(冯小琼等, 2020), 扬尘源(赵普生, 2008)、工艺过程源(冯小琼等, 2019)、燃煤源(冯小琼等, 2019)、机动车(张丹等, 2011)、生物质燃烧源(张丹等, 2011)和餐饮源(张丹等, 2011)成分谱数据来自相关文献, 二次硫酸盐取72.7% SO42-和27.3% NH4+, 二次硝酸盐取77.5% NO3-和22.5% NH4+.所有样品模拟结果均满足残差平方和 < 4, 回归系数为0~1, 质量分数为80%~120%.

环境空气PM2.5中组分数据的不确定度计算公式见式(1)~(2).

(1)
(2)

式中, s为组分不确定度(μg·m-3), c为组分质量浓度(μg·m-3), MDL为方法检测限(μg·m-3).

二次有机碳(SOC)采用Turpin等(2001)提出的经验公式来估算, 计算方法见式(3).

(3)

式中, CSOC、COC和CEC分别为SOC、OC和EC浓度(μg·m-3), (OC/EC)min为OC/EC最小值.

3 结果与讨论(Results and discussion) 3.1 空气质量和近地面气象条件

本研究选取成都、绵阳、自贡3市2020年污染最重的一次过程进行分析, 时间为2020年12月21日—28日, 3个城市污染期间PM2.5浓度如图 2所示.依据环境空气质量标准(GB 3095—2012), 污染期间, 成都市共出现3 d轻度污染, 2 d中度污染, 2 d重度污染, PM2.5日均浓度峰值为187 μg·m-3, 出现在12月28日.绵阳市共出现5 d轻度污染, 3 d中度污染, PM2.5日均浓度峰值为140 μg·m-3, 出现在12月28日.自贡市共出现3 d轻度污染, 3 d中度污染, 1 d重度污染, PM2.5日均浓度峰值为153 μg·m-3, 出现在12月28日.

图 2 成都、绵阳、自贡3市污染过程空气质量 Fig. 2 Air quality in pollution processes of the three cities

污染期间3个城市近地面风速、气温、相对湿度如图 3所示, 整体均呈现低风速、高湿度的特征.成都市日均风速均低于1.25 m·s-1, 日均相对湿度均大于77.5%.绵阳市日均风速均低于1.58 m·s-1, 日均相对湿度均大于74.7%.自贡市日均风速均低于1.50 m·s-1, 日均相对湿度均大于74.0%.

图 3 污染期间成都、绵阳、自贡3市污染期间气象要素时间变化 Fig. 3 Temporal variation of meteorological factors in pollution processes of the three cities

3个城市污染期间气象要素对比结果如表 1所示, 表中以小时值为基准进行计算.相关研究表明, PM2.5浓度与风速呈正相关, 与相对湿度呈负相关(冯小琼等, 2017；皮冬勤等, 2019).3个城市中, 成都市平均风速最低, 平均相对湿度最高, 绵阳市平均风速最高, 平均相对湿度最低, 表明成都市气象条件最差, 绵阳市气象条件最好, 这是污染期间成都市PM2.5平均浓度最高, 绵阳市PM2.5平均浓度最低的原因之一.

表 1 成都、绵阳、自贡3市污染期间气象条件对比 Table 1 Comparison of meteorological conditions in pollution processes of the three cities
3.2 组分特征 3.2.1 污染过程组分总体变化情况

3个城市不同污染等级组分构成如图 4所示.优良时段本研究界定为污染发生前5 d时段内, 当PM2.5小时浓度低于75 μg·m-3, 且连续低于75 μg·m-3达24 h以上(徐虹等, 2019).整个污染期间, 成都市NO3-质量浓度和占比均为最高, 平均占比为26%, 其次为OC, 平均占比为22%.污染过程中呈现NO3-主导特征, 与吴明等(2019)、冯小琼等(2020)对成都冬季的研究结果一致, 与濮阳(陈楚, 2019)、北京(丁萌萌等, 2017)等地情况类似.绵阳市组分中OC质量浓度和占比均为最高, 平均占比为29%, 小时占比峰值达40%；其次是NO3-, 平均占比为22%, 小时占比峰值为32%.绵阳市污染期间OC质量浓度占比均明显大于NO3-, 呈现出OC主导特征.自贡市NO3-质量浓度均明显高于其他组分, 平均占比为23%, 其次为SO42-, 平均占比为15%.

图 4 成都、绵阳、自贡3个城市不同污染等级PM2.5组分变化 (图中地壳元素包括Si、Al和Ca；微量元素包括V、Cr、Mn、Co、Ni、Cu、Zn、As、Se、Sr、Cd、Sn、Hg、Ti、Pb、Br和P；其他为PM2.5浓度减去图中所列组分浓度之和) Fig. 4 Changes in PM2.5 components of different pollution levels in three cities

3个城市比较而言, 成都市NO3-质量浓度和在PM2.5中的占比均为最高, 质量浓度分别比绵阳市和自贡市高出25%和18%, 占比高出4%和3%.主要原因在于成都市NOx远高于四川省内其他城市, 分别是绵阳市和自贡市的3.7倍和7.4倍(徐晨曦等, 2020), 导致NOx二次转化生成的NO3-浓度较高.此外, 成都市相对湿度为3个城市中最高(表 1), 高湿度更有利于NOx向NO3-的转化(李友平等, 2014；贾佳等, 2018；冯小琼等, 2020).

绵阳市OC质量浓度和占比最高, 质量浓度是成都市和自贡市的1.24倍和3.57倍, 占比分别高出7%和21%.原因可能在于水泥和电厂是绵阳市NOx最主要的排放行业(叶宏等, 2019), 近年来均进行了深度治理(谭贞松, 2020), 导致NOx排放量有所下降, 减少了NO3-的前体物.而绵阳市VOCs排放量较高, 位于全省第4位(徐晨曦等, 2020), 导致其转化生成的SOC浓度较高.另一方面, 污染期间绵阳市SOC在OC中的占比均大于50%(表 2), 与郑州市区冬季水平相当(张剑飞等, 2020), 进一步说明了上述结论.

表 2 各城市不同污染等级PM2.5及碳组分浓度变化 Table 2 Changes of PM2.5 and carbon components of different pollution levels in each city

自贡市SO42-和EC质量浓度和占比均较高, 质量浓度分别比成都市和绵阳市高出16%~82%和10%~243%, 占比高出6%~14%和4%~5%, 表明燃煤、柴油货车等排放存在较大影响(张丹等, 2011；冯小琼等, 2019).此外, 自贡市平均温度分别比成都市和绵阳市高出2.4 ℃和1.2 ℃, 平均相对湿度也处于较高水平, 利于SO2向转化SO42-(李友平等, 2014；贾佳等, 2018；冯小琼等, 2020).与崔粲等(2020)对自贡市2015—2016年冬季的研究结果相比, SO42-冬季污染天在水溶性离子中的占比下降10%, NO3-占比上升13%, NH4+占比无明显变化, 与成都等城市趋势一致(冯小琼等, 2020).

3.2.2 不同污染等级组分变化特征

由优良天气转变为轻度污染时, 成都市和绵阳市质量浓度增速最大的组分均为NO3-, 分别为177%和204%, 占比分别增加6%和2%.此外, 绵阳市OC质量浓度增幅也较大, 为198%, 占比增加3%.自贡市EC质量浓度增幅最为明显, 为273%, 是PM2.5浓度增幅的1.7倍, 占比增加5%.因此, NO3-是成都市和绵阳市发生轻度污染的主导因子, EC是自贡市发生轻度污染的主导因子.

轻度到中度污染过程, 成都市质量浓度增速较大的组分为NO3-和NH4+, 分别为37%和28%, 占比分别增加2%和1%.绵阳市OC质量浓度增幅最大, 为44%.自贡市NO3-、SO42-、NH4+质量浓度和占比增加较为明显, 质量浓度增幅是PM2.5浓度的1.4~2.0倍, 占比增加1%~4%.因此, 成都市和自贡市中度污染主要受SNA影响, 绵阳市则主要受OC影响.

中度到重度污染过程, 成都市OC质量浓度增速最大, 为91%, 是PM2.5增速的1.4倍, 占比增加4%；EC和NH4+质量浓度增速与PM2.5浓度相当, 占比均增加1%, 其他组分占比均为下降或保持不变.绵阳市仍是OC质量浓度增幅最大, 为36%.自贡市OC和EC质量浓度增加较为明显, 从占比来看, 除NO3-占比下降3%以外, 其他组分占比变化幅度均在±1%以内.

由于OC在各城市PM2.5中占比均较高, 对其进行进一步分析.OC部分来自煤炭燃烧、生物质燃烧、机动车、餐饮等污染源直接排放, 部分来自气粒转化或一次组分老化(Pandis et al., 1992；Pio et al., 2011；吴明等, 2019).一般认为, OC/EC大于2时, 存在明显SOC的污染(吴明等, 2019).各城市不同污染等级OC/EC和SOC浓度如表 2所示.整个污染期间, 自贡市OC/EC均低于2, 表明主要受一次排放影响.成都市和绵阳市碳组分变化特征基本一致, 整体上随着污染加重, OC/EC及SOC在OC中的占比随之增大.尤其是绵阳市, 优良天气到轻度污染, OC/EC由4.34上升至7.88, SOC在OC的占比由35%上升至51%；轻度污染到重度污染, OC/EC由7.88上升至11.41, SOC在OC的占比由51%上升至68%.表明SOC对绵阳市碳质气溶胶污染有较大影响.

3.3 来源解析 3.3.1 污染期间总体来源解析

3个城市污染期间源解析结果如表 3所示.二次硝酸盐对3个城市PM2.5贡献率均为最高, 且无明显差异, 表明四川盆地整体均为二次硝酸盐贡献占主导.对比而言, 成都市机动车、扬尘源贡献率均为3个城市中最高, 原因在于成都市机动车保有量、施工工地数量和施工面积均显著高于绵阳市和自贡市, 详见表 4, 表中机动车保有量、生活用煤量及燃煤含硫率来自环境统计数据, 其余数据来自各城市统计年鉴.绵阳市二次有机碳贡献率最高, 是成都市的2倍, 主要原因在于污染期间SOC在PM2.5中的占比为15%~19%, 是成都市和自贡市的2~5倍, 这与污染排放密切相关.3个城市2019年营业收入排名前5的行业如表 5所示, 数据来源于各城市统计年鉴.绵阳市排名前5的行业中, 除非金属矿物制品业外, 其余行业基本均为VOCs排放行业, 导致其VOCs排放量较高(叶宏等, 2019；徐晨曦等, 2020), 同时随着水泥和电厂等行业深度治理、燃煤锅炉淘汰等政策的实施, 降低了燃煤源、二次硫酸盐、二次硝酸盐等污染源的贡献率(Wang et al., 2019；任娇等, 2020；谭贞松, 2020).自贡市燃煤源和二次硫酸盐贡献率分别比成都市和绵阳市高出4%~6%和7%~9%, 说明自贡市燃煤排放对PM2.5的影响较大, 这与崔粲等(2020)的研究结论一致.值得注意的是, 自贡市规上工业企业用煤量和生活用煤量均为3个城市中最低, 但燃煤对PM2.5的贡献率却为最高, 除与其燃煤含硫率高及机动车、施工工地较少有关外, 还与用煤强度有关.自贡市辖区面积为3个城市中最小, 使得其单位面积用煤强度明显高于成都市和绵阳市, 为303.5 t·km-2, 而成都市和绵阳市仅分别为257.1 t·km-2和169.1 t·km-2.

表 3 成都、绵阳、自贡3个城市污染期间PM2.5来源解析结果对比 Table 3 Comparison of PM2.5 source apportionment during the pollution period in three cities

表 4 成都、绵阳、自贡3个城市机动车、施工工地、用煤量对比 Table 4 Comparison of motor vehicles, construction sites, and coal consumption in three cities

表 5 成都、绵阳、自贡3个城市2019年营业收入排名前五的行业 Table 5 The top five industries in terms of operating revenue in 2019 in three cities

针对机动车、扬尘源和燃煤源等主要一次排放源, 结合风向和风速数据进一步分析.利用Origin软件(OriginPro 9.1)分析各污染源对PM2.5的贡献浓度随风向风速分布, 结果如图 5~7所示.污染期间, 成都市城区东北和西南方向上燃煤源对PM2.5小时浓度贡献较高, 贡献了40~70 μg·m-3.成都市电厂主要分布在金堂和大邑, 在城区的东北和西南方向, 说明污染期间电厂排放对PM2.5污染影响较大.各个方向上机动车、扬尘源贡献浓度均较高, 尤其是北边, 对PM2.5小时浓度贡献了20~50 μg·m-3, 可能与成都市道路为环线分布、大运会建设、地铁修建等有关.各污染源贡献浓度较高时对应风速均低于1 m·s-1, 表明主要为本地排放, 受传输影响较小.

图 5 成都市一次排放源对PM2.5贡献浓度随风向风速分布图 (a.燃煤源, b.机动车, c.扬尘源) Fig. 5 The contribution concentration distribution of primary emission source to PM2.5 along with wind direction and wind speed in Chengdu

图 6 绵阳市一次排放源对PM2.5贡献浓度随风向风速分布图 (a.燃煤源, b.机动车, c.扬尘源) Fig. 6 The contribution concentration distribution of primary emission source to PM2.5 along with wind direction and wind speed in Mianyang

图 7 自贡市一次排放源对PM2.5贡献浓度随风向风速分布图 (a.燃煤源, b.机动车, c.扬尘源) Fig. 7 The contribution concentration distribution of primary emission source to PM2.5 along with wind direction and wind speed in Zigong

绵阳市污染期间, 城区西北和东北方向的燃煤源、西北方向的机动车、西北和东南方向的扬尘源对PM2.5小时浓度贡献较高, 贡献了10~40 μg·m-3.自贡市污染期间, 风速低于1 m·s-1时, 各方向上各污染源贡献浓度均较高, 对PM2.5小时浓度贡献了10~30 μg·m-3, 应加强站点周边污染源管控.风速在1~2 m·s-1之间时, 西南和东南方向上燃煤源、机动车、扬尘源对PM2.5小时浓度贡献较高, 贡献了15~40 μg·m-3.

3.3.2 不同污染等级来源解析

污染期间各城市不同污染等级PM2.5来源解析如图 8所示.由优良天气转变为轻度污染过程中, 成都市二次硝酸盐和机动车贡献率分别上升了6%和2%, 其他污染源贡献率均为下降或保持不变.绵阳市二次硝酸盐、机动车、二次有机碳贡献率分别上升7%、5%和2%, 其他污染源贡献率均保持不变或为下降趋势, 表明机动车尾气排放、NOx和VOCs二次转化是绵阳市发生轻度污染的主要原因.自贡市仅燃煤源和机动车贡献率有所上升, 分别上升了3%和1%, 主要受一次排放影响.

图 8 成都、绵阳、自贡3市不同污染等级PM2.5源解析结果 Fig. 8 Source apportionment of different pollution levels of PM2.5 in three cities

轻度到中度污染, 成都市和自贡市均只有二次硝酸盐贡献率上升, 上升幅度均为3%, 绵阳市仅二次有机碳贡献率上升2%, 表明3个城市中度污染均主要由气态污染物二次转化导致.中度到重度污染, 成都市二次有机碳、机动车、燃煤源贡献率分别上升2%、1%和1%, 二次硝酸盐贡献率下降2%, 但仍大于30%.绵阳市仅二次有机碳贡献率上升2%, 但二次硝酸盐贡献率保持在30%以上.自贡市二次硝酸盐贡献率下降了2%, 但贡献率均在30%以上, 燃煤和机动车贡献率有所上升, 上升幅度均在1%以内.

整体来看, 随着污染程度的加重, 成都市二次硝酸盐、二次有机碳和机动车贡献率总体为上升趋势, 扬尘源和二次硫酸盐的贡献率呈下降趋势, 扬尘源贡献率由优良天气的16%降至重度污染的11%, 二次硫酸盐贡献率由优良天气的14%降至重度污染的8%.说明二次硝酸盐是成都市发生污染的主要原因, 二次有机碳及机动车等一次排放进一步加重污染, 导致了重度污染的出现.绵阳市二次有机碳贡献率增幅最为明显, 重度污染时的贡献率是优良天气的2倍, 二次硝酸盐和机动车贡献率均有不同程度上升, 其他污染源贡献率均呈下降趋势.说明二次有机碳是绵阳市污染加重的主要原因, 冬季也应加强VOCs排放管控.而自贡市由轻度到重度污染, 各污染源贡献率变化幅度均在±1%以内, 表明各污染源排放相对稳定.

4 结论(Conclusions)

1) 成都市和自贡市污染过程均呈现NO3-主导特征, 平均占比分别为26%和23%, 绵阳市则呈现出OC主导特征, 平均占比为29%.

2) 由优良天气转变为轻度污染时, NO3-是成都市和绵阳市PM2.5中质量浓度增长最快的组分, 自贡市则是OC增幅最为明显.轻度到中度污染, 成都市仍是NO3-增幅最快, 绵阳市OC增幅最为明显, 自贡市SNA增幅较快.中度到重度污染, 3个城市均是OC增幅较为明显.

3) 二次硝酸盐对3个城市PM2.5的贡献率均为最高, 且无明显差异.成都市机动车、扬尘源贡献率均为3个城市中最高；绵阳市二次有机碳贡献率最高, 是成都市的2倍；自贡市燃煤源和二次硫酸盐贡献率分别比成都市和绵阳市高4%~6%和7%~9%.城市间污染来源的差异主要与污染构成相关.

4) 随着污染程度的加重, 成都市二次硝酸盐、二次有机碳和机动车贡献率总体为上升趋势, 扬尘源和二次硫酸盐的贡献率为下降趋势.绵阳市二次有机碳贡献率增幅最为明显, 其次为二次硝酸盐和机动车.自贡市由轻度到重度污染, 各污染源贡献率变化幅度均在±1%以内.

5) 建议污染期间成都市重点加强NOx减排, 绵阳市重点加强VOCs和NOx协同减排, 自贡市以燃煤等为重点, 全面加强各污染源排放控制.

参考文献
An Z S, Huang R J, Zhang R Y, et al. 2019. Severe haze in northern China: A synergy of anthropogenic emissions and atmospheric processes[J]. Proceedings of the National Academy of Sciences of the United States of America, 116(18): 8657-8666. DOI:10.1073/pnas.1900125116
陈楚, 王体健, 李源昊, 等. 2019. 濮阳市秋冬季大气细颗粒物污染特征及来源解析[J]. 环境科学, 40(8): 3421-3430.
Chen Y, Xie S D. 2013. Long-term trends and characteristics of visibility in two megacities in Southwest China: Chengdu and Chongqing[J]. Journal of the Air & Waste Management Association, 63(9): 1058-1069.
崔粲, 黄小娟, 蒋燕, 等. 2020. 自贡市大气颗粒物中水溶性离子的特征及来源[J]. 环境科学与技术, 43(S1): 78-85.
丁萌萌, 周健楠, 刘保献, 等. 2017. 2015年北京城区大气PM2.5中NH4+、NO3-、SO42-及前体气体的污染特征[J]. 环境科学, 38(4): 1307-1316. DOI:10.3969/j.issn.1000-6923.2017.04.014
冯小琼, 陈军辉, 朱雨蒙, 等. 2017. 气象因素对成都市主要大气污染物影响的非参数分析[J]. 四川环境, 36(1): 30-34. DOI:10.3969/j.issn.1001-3644.2017.01.006
冯小琼, 陈军辉, 熊文朋, 等. 2019. 四川省典型工业行业PM2.5成分谱分析[J]. 环境科学, 40(3): 1043-1051. DOI:10.3969/j.issn.1000-6923.2019.03.018
冯小琼, 陈军辉, 尹寒梅, 等. 2020. 成都市冬季3次灰霾污染过程特征及成因分析[J]. 环境科学, 41(10): 4382-4391.
郭新彪, 魏红英. 2013. 大气PM2.5对健康影响的研究进展[J]. 科学通报, 58(13): 1171-1177.
贾佳, 韩力慧, 程水源, 等. 2018. 京津冀区域PM2.5及二次无机组分污染特征研究[J]. 中国环境科学, 38(3): 801-811. DOI:10.3969/j.issn.1000-6923.2018.03.001
蒋慧敏, 李忠勤, 张昕, 等. 2021. 兰州市冬夏季大气PM2.5化学组分特征及来源分析[J]. 环境科学学报, 41(5): 1690-1702.
蒋燕, 贺光艳, 罗彬, 等. 2016. 成都平原大气颗粒物中无机水溶性离子污染特征[J]. 环境科学, 37(8): 2864-2870.
Laden F, Neas L M, Dockery D W, et al. 2000. Association of fine particulate matter from different sources with daily mortality in six U.S.cities[J]. Environmental Health Perspectives, 108(10): 941-947. DOI:10.1289/ehp.00108941
李欣悦, 张凯山, 武文琪, 等. 2021. 成都市城区大气细颗粒物水溶性离子污染特征[J]. 中国环境科学, 41(1): 91-101. DOI:10.3969/j.issn.1000-6923.2021.01.011
李友平, 周洪, 张智胜, 等. 2014. 成都市城区PM2.5中二次水溶性无机离子污染特征[J]. 环境科学, 35(12): 4439-4445.
雷雨, 张小玲, 康平, 等. 2020. 川南自贡市大气颗粒物污染特征及传输路径与潜在源分析[J]. 环境科学, 41(7): 3021-3030.
Pandis S N, Harley R A, Cass G R, et al. 1992. Secondary organic aerosol formation and transport[J]. Atmospheric Environment, Part A.General Topics, 26(13): 2269-2282. DOI:10.1016/0960-1686(92)90358-R
皮冬勤, 陈焕盛, 魏巍, 等. 2019. 京津冀一次重污染过程的成因和来源[J]. 中国环境科学, 39(5): 1899-1908. DOI:10.3969/j.issn.1000-6923.2019.05.013
Pio C, Cerqueira M, Harrison R M, et al. 2011. OC/EC ratio observations in Europe: Re-thinking the approach for apportionment between primary and secondary organic carbon[J]. Atmospheric Environment, 45(34): 6121-6132. DOI:10.1016/j.atmosenv.2011.08.045
任娇, 尹诗杰, 郭淑芬. 2020. 太原市大气PM2.5中水溶性离子的季节污染特征及来源分析[J]. 环境科学学报, 40(9): 3120-3130.
谭贞松. 2020. 绵阳市PM2.5变化特征及控制措施[J]. 环境与发展, (11): 131-134.
Turpin B J, Lim H J. 2001. Species contributions to PM2.5 mass concentrations: revisiting common assumptions for estimating organic mass[J]. Aerosol Science and Technology, 35(1): 602-610. DOI:10.1080/02786820119445
Wang Q Y, Cao J J, Shen Z X, et al. 2013. Chemical characteristics of PM2.5 during dust storms and air pollution events in Chengdu, China[J]. Particuology, 11(1): 70-77. DOI:10.1016/j.partic.2012.08.001
Wang Y S, Li W J, Gao W K, et al. 2019. Trends in particulate matter and its chemical compositions in china from 2013-2017[J]. Science China Earth Sciences, 62(12): 1857-1871. DOI:10.1007/s11430-018-9373-1
Watson J G. 2002. Visibility: Science and regulation[J]. Journal of the Air & Waste Management Association, 52(6): 628-713.
吴明, 吴丹, 夏俊荣, 等. 2019. 成都冬季PM2.5化学组分污染特征及来源解析[J]. 环境科学, 40(1): 76-85. DOI:10.3969/j.issn.1673-2049.2019.01.009
肖丹华, 王式功, 张莹, 等. 2018. 四川盆地城市群6种大气污染物的时空分布[J]. 兰州大学学报(自然科学版), 54(5): 662-669.
Xie Z S, Fan C L, Lu R, et al. 2018. Characteristics of ambient bioaerosols during haze episodes in China: a review[J]. Environmental Pollution, 243: 1930-1942. DOI:10.1016/j.envpol.2018.09.051
徐晨曦, 陈军辉, 李媛, 等. 2020. 四川省基于第二次污染源普查数据的人为源大气污染源排放清单及特征[J]. 环境科学, 41(10): 4482-4494.
徐虹, 肖致美, 陈魁, 等. 2019. 天津市2017年重污染过程二次无机化学污染特征分析[J]. 环境科学, 40(6): 2519-2525.
叶宏, 陈军辉, 孙蜀, 等. 2019. 四川省环境污染防治技术水平与绩效评估(2018)-大气污染防治卷[M]. 成都: 四川科学技术出版社, 1-41.
尹寒梅, 陈军辉, 冯小琼, 等. 2020. 基于高分辨率MARGA分析成都市PM2.5中水溶性离子污染特征[J]. 环境科学, 41(9): 3889-3898.
Zhang X X, Ding X, Talifu D, et al. 2021. Humidity and PM2.5 composition determine atmospheric light extinction in the arid region of northwest China[J]. Journal of Environmental Sciences, 100: 279-286. DOI:10.1016/j.jes.2020.07.007
张丹, 周志恩, 张灿, 等. 2011. 重庆市主城区PM2.5污染源源成份谱的建立[J]. 三峡环境与生态, 33(5): 14-18. DOI:10.3969/j.issn.1674-2842.2011.05.004
张剑飞, 姜楠, 段时光, 等. 2020. 郑州市PM2.5化学组分的季节变化特征及来源解析[J]. 环境科学, 41(11): 4813-4824. DOI:10.3969/j.issn.1000-6923.2020.11.021
张溪. 2018. 北京市不同污染等级大气颗粒物及其水溶性离子的粒径分布特征及成因分析[D]. 济南: 山东建筑大学. 18-21
赵普生. 2008. 城市建筑施工及铺装道路扬尘污染评估与防治技术研究[D]. 天津: 南开大学. 58-89