2014-2018年南京PM2.5中碳组分污染特征分析

利用在线高分辨率仪器对2014-2018年南京市PM2.5中有机碳(OC)、元素碳(EC)进行了连续监测,结果表明:离线分析法与在线分析法对OC、EC的测定结果具有很好的线性相关性,离线分析的EC、OC浓度高于在线自动监测值;2014-2018年南京OC与EC的平均质量浓度分别为(6. 38±3. 91)μg/m^3和(3. 12±1. 76)μg/m^3,整体呈下降趋势,冬季OC与EC均较高,夏季两者质量浓度较低。OC和EC均呈现夜间高、白天低的日变化规律,OC与EC第一个峰值均出现在08:00左右,OC第二个峰值出现在20:00前后;夏季OC与EC相关性最低,冬季最高,NO2、CO与OC、EC的相关性总体高于SO2,表明燃料燃烧对碳气溶胶有一定贡献,但没有交通源的贡献显著,夏季O3与OC呈现一定程度的正相关性。利用最小相关系数法(MRS)计算大气OC中一次有机碳(POC)和二次有机碳(SOC),结果显示OC中以POC为主,但SOC呈逐年上升趋势,2018年SOC质量浓度达1. 96μg/m3,在OC中占比达31. 9%,后续颗粒物污染治理的重点可能应关注VOCs。     

碳组分不同监测分析技术的比较

采用在线监测和实验室分析方法，分别在热光透射法(TOT)NIOSH 5040、870升温协议和热光反射法(TOR)IMPROVE-A升温协议下测定PM_2.5中有机碳(OC)、元素碳(EC),并将各测定结果做比对分析。结果表明，在线监测(NIOSH 5040)与实验室分析(IMPROVE-A)结果的相关系数R>0.8,总体相关性较好，EC值差异略大；在线监测与实验室分析在NIOSH 870协议下TC测定值总体相近，OC与EC测定值略有差异；在线监测中NIOSH 5040协议下的OC测定值略低于870协议，EC测定值略高于870协议，日常监测中两种温度协议均可选择。     

北京清华园采暖前与采暖期PM10中含碳组分的理化特征

采用美国rp公司生产的Series5400大气颗粒物碳质组分监测仪对清华园PM10中的碳质组分进行了连续在线监测(2002年9月~11月)。结合PM2.5中碳质组分浓度、PM10的浓度和气象数据,分析了碳质组分的污染特征。结果表明,采样期间清华园大气PM10中有机碳(OC)、元素碳(EC)的日平均质量浓度分别在4.07~65.81μg/m3、0.96~26.14μg/m3之间变化,平均值分别为20.8±12.1和7.0±5.1μg/m3。OC在总碳(TC)中占有很大比例,OC/TC平均值为75.84%;TC在PM10中的含量平均为25.0%。本文对9~10月份(秋季)和11月份(初冬)OC、EC的相关性分别进行了分析,结果表明OC、EC之间具有良好的相关性,9月份和10月份相关性系数(R2)为0.83;11月份为0.90。二次生成的OC(OCsec)浓度估算结果表明,9、10月份OCsec在OC中的比例(60.7%)比11月份(38.5%)大。碳质组分主要集中在细颗粒物中,PM10中的OC有70.3%存在于细颗粒物PM2.5中,TC则有58.6%存在于PM2.5中。     

采暖期北京大气PM2.5中碳组分的分布特征及来源解析

在冬季采暖期采集北京大气中的PM_(2.5)样品,利用自动称重系统AWS-1和热/光碳分析仪测定样品中PM_(2.5)和OC/EC,研究碳组分的变化特征,并通过OC/EC的值和单颗粒气溶胶质谱仪(SPAMS 0515)分析大气颗粒物中碳气溶胶的可能来源。结果表明:PM_(2.5)污染天气的OC、EC在PM_(2.5)中的占比要比清洁天气时低,其中SOC在PM_(2.5)中的占比由清洁天气时的22.9%减少到了重污染天气的15.4%,这是因为大气中的PM_(2.5)有较强的消光作用,导致气溶胶的氧化能力降低,造成了SOC的生成量减少;通过分析OC/EC值表明,冬季采暖期北京大气碳气溶胶的主要来源为机动车尾气和燃煤,这与SPAMS 0515在线解析的结果一致。采用SPAMS 0515进行在线OC、EC分析,在PM_(2.5)质量浓度≤250μg/m3时同手工方法有较好的相关性。解析结果表明,燃煤和机动车尾气是北京冬季采暖期的首要污染物来源,占比分别为34.0%和26.4%。     

重庆市春季大气PM10中有机碳、元素碳浓度水平及污染特征分析

2006年4月于重庆市主城区9个采样点和1个城郊对照点同步采集了大气PM10样品,利用热分解示差热导法元素分析仪测定了PM10中的有机碳(OC)、元素碳(EC)的质量浓度,对OC和EC的污染水平、空间分布、OC和EC的浓度关系以及二次有机碳(SOC)等特征进行了较为详细的分析。结果显示,不同区域采样点的OC、EC浓度存在较明显差异,主城区大气环境中OC、EC平均浓度分别为52.5、8.6μg/m3,是对照点OC(16.8μg/m3)、EC(2.9μg/m3)浓度的3.1和3.0倍;主城区总碳气溶胶(TCA)占PM10总浓度的比例均值为33.3%;无论是高污染城区点还是一般城区点,OC和EC浓度间的相关性均不显著;各样点OC/EC值均超过2,表明存在二次有机碳的贡献;初步估算主城区PM10中的二次有机碳浓度均值为39.6μg/m3,占PM10总浓度的16.1%左右。     

东营春季PM10中有机碳和元素碳的污染特征及来源

2010年4月采集了东营市大气PM10样品,测定了PM10的浓度,并采用IMPROVE-TOR方法准确测量了样品中的8个碳组分.结果表明,采样期间,东营市大气PM10的平均浓度为(147.02±56.22) μg/m3；PM10中有机碳(0C)、元素碳(EC)浓度平均值分别为11.82、3.68 μg/m 3；PM10中OC和EC显著相关,表明OC、EC的来源相同；所有采样点PM10中OC/EC均大于2.15,表明存在二次有机碳(SOC)的贡献；PM10中SOC平均质量浓度是3.91 μg/m3,占OC质量浓度的33.08％；通过计算PM10中8个碳组分丰度,初步判断东营市颗粒物中碳的主要来源是汽车尾气、道路扬尘和燃煤.     

天津市区PM2.5中碳组分污染特征及来源分析

为研究天津市细颗粒中碳组分特征,于2006年8-12月连续采集PM25样品,分析其来源及浓度特征.结果表明,天津市区PM25、有机碳(OC)及元素碳(EC)浓度分别为165.90、23.90、5.50 μg/m3,3项浓度均为冬季最高.OC、EC、总碳在PM2.5中所占比例分别为14.31％、3.66％和18.14％,秋季在PM 2 5中所占比例最高,夏季最低.OC/EC平均值为4.21,按照秋、夏、冬呈递增的季节变化趋势.冬季二次有机碳污染较重,二次有机碳浓度(13.98 μg/m3)占OC比例为34.5％.因子分析表明,非采暖期汽油车对碳气溶胶作用显著,采暖期生物质燃烧、燃煤及汽油车排放贡献.     

南京市城区和郊区PM2.5中碳质组分特征差异及来源分析

为比较南京市城区和郊区细颗粒物（PM_2.5）中碳质组分特征及来源差异，利用碳组分在线监测仪器对2022年城区和郊区有机碳（OC）和元素碳（EC）进行连续监测。研究结果表明：（1）2022年南京市城区OC、EC质量浓度分别为（5.24±2.39），（1.27±0.62）μg/m³，郊区OC、EC质量浓度分别为（5.67±2.45），（1.32±0.70）μg/m³。2022年OC和EC质量浓度水平分别较2014—2018年均显著下降。城区和郊区的OC、EC质量浓度均呈现冬季高、夏季低的特点。从日变化特征看，城区和郊区OC和EC质量浓度均呈现白天低、夜间高的特点，并且具有明显的峰谷值。（2）城区和郊区OC、EC均在冬季呈现良好的相关性，显著高于春季和夏季。根据碳质组分与气态污染物的关系以及ρ（OC）/ρ（EC）分析结果，城区和郊区均存在二次污染，机动车和燃煤是城、郊区的主要污染源，机动车源对城区影响大于郊区，燃煤源对郊区影响大于城区。（3）污染源的直接排放对南京市OC的质量浓度水平影响较大，郊区二次有机碳（SOC）质量浓度高于城区。城区需要重点关注机动车排放，郊区需要与周边区域协同治理燃煤、生物质燃烧等方面的污染排放。     

安庆市PM2.5碳质组分污染特征及来源解析

2020年3月2日—2021年2月28日在安庆市政务服务中心楼顶设置监测点,手工采集PM_2.5样品,运用多波段碳分析仪(DRI Model 2015)分析样品中碳质组分有机碳(OC)和元素碳(EC)质量浓度;利用OC/EC法、相关分析法和主成分因子分析法对PM_2.5中碳质组分的污染特征和可能来源进行解析。结果显示:安庆市手工采样期间PM_2.5平均质量浓度为(45.9±28.1)μg/m³,OC和EC的平均浓度分别为(8.0±3.4)、(1.4±0.6)μg/m³,在PM_2.5中占比为17.4%、3.1%。四季OC平均浓度分布为冬季(9.7±4.2)μg/m³ >春季(9.0±2.5)μg/m³ >秋季(8.3±2.9)μg/m³ >夏季(5.1±1.6)μg/m³,EC平均浓度分布为冬季(1.7±0.5)μg/m³ >春季(1.7±0.6)μg/m³ >秋季(1.3±0.4)μg/m³ >夏季(0.8±0.3)μg/m³。OC/EC范围为3.11~12.14,平均值为5.83,表明安庆市存在二次有机碳(SOC),SOC均值为(2.89±1.94)μg/m³,分别占OC和PM_2.5浓度的36.1%、6.3%;四季OC、EC相关性不显著,r均小于0.85,说明安庆市的碳质组分较复杂;在不同空气质量等级条件下,OC质量浓度随着污染等级的升高而逐渐升高,EC质量浓度随着污染等级升高而先升高后降低。利用主成分分析法进行来源解析发现,道路扬尘、燃煤、柴油车尾气是碳质组分的主要来源。     

西宁市城区冬季PM2.5和PM10中有机碳、元素碳污染特征

2014年11月—2015年1月对西宁市冬季开展PM_(2.5)和PM_(10)的连续监测。利用DRI 2001A型热光碳分析仪(美国)对有机碳和元素碳进行分析,结果表明:西宁市冬季PM_(2.5)和PM_(10)中碳气溶胶所占比例分别为33.13%±6.83%、24.21%±6.27%,说明碳气溶胶主要集中在PM_(2.5)中;OC/EC值均大于2,说明西宁市大气中存在二次污染;SOC占PM_(2.5)和PM_(10)的质量浓度比例分别为46.50%和57.40%,PM_(2.5)中SOC浓度占PM_(10)中SOC浓度的61.88%,说明SOC主要存在于PM_(2.5)中,且SOC形成的二次污染和直接排放的一次污染都是西宁市碳气溶胶的主要来源;与其他城市比较发现,西宁市冬季PM_(2.5)中的碳气溶胶含量普遍高于其他城市,PM_(10)中OC质量浓度相对其他城市较高,EC质量浓度偏低;OC和EC的相关性不显著,说明来源不统一;进一步对OC和EC各组分质量浓度进行分析知,西宁市冬季碳气溶胶主要来源于机动车汽油排放、燃煤和生物质燃烧。     

合肥市冬季细颗粒物中碳组分特征分析

利用2020年12月1日至2021年2月28日合肥市细颗粒物(PM_2.5)、有机碳(OC)和元素碳(EC)等环境空气质量监测数据和气象观测数据，分析了合肥市大气PM_2.5中OC和EC的污染特征，并探讨了其来源以及气象因素影响。结果表明：合肥市冬季碳质气溶胶是PM_2.5中主要组分，随着污染程度的加重，碳质气溶胶的质量浓度逐步增加，但其在PM_2.5中的占比先减小后增加。在以PM_2.5为首要污染物的不同污染级别天气条件下，OC和EC的相关性说明不同程度下碳质气溶胶来源复杂。OC/EC表明机动车尾气和燃煤源排放是碳质气溶胶的主要来源。二次有机碳(SOC)会随着污染程度的加重而呈现升高趋势。OC和EC在冬季受温度影响较小；较大的相对湿度对OC和EC具有一定的清除作用，明显降水或连续降水的清除作用更加显著；而风速对含碳气溶胶的影响主要出现在污染天气背景下。     

宁波PM10中有机碳和元素碳的季节变化及来源分析

为了探讨宁波市大气颗粒物中浓度水平与季节变化,2010年1、5、8、11月分季节采集了宁波市大气中PM10样品,在宁波连续观测了PM10以及有机碳(OC)、元素碳(EC)的浓度变化,并探讨宁波全年各季碳气溶胶污染变化特征;PM10中OC和EC相关性较好,说明OC与EC的来源相同,各采样点PM10中OC/EC的各季均值大部分超过2.0,表明宁波空气中存在一定的二次污染。宁波秋季SOC占OC含量高于其他季节。从PM10中8个碳组分丰度初步判断宁波市颗粒物中碳的主要来源是汽车尾气、道路扬尘及燃煤。     

Effects of temperature parameters on thermal-optical analysis of organic and elemental carbon in aerosol

Thermal-optical analysis (TOA) is a popular method to determine aerosol elemental carbon (EC) and organic carbon (OC) collected on quartz fiber filter. However, temperature protocol adopted in TOA has great effects on OC and EC results. The purpose of this study is to investigate and quantify the effects of maximum temperature (T(max)) and residence time (RT) for each step in helium stage on ECOC measurements. Fourteen typical source samples and 20 ambient samples were collected and six temperature programs were designed for this study. It was found that EC value decreases regularly as T(max ) ascends, i.e., EC results from T(max) of 650 degrees C, 750 degrees C and 850 degrees C are 0.89 +/- 0.06, 0.76 +/- 0.10, 0.62 +/- 0.13 times EC value from T( max) of 550 degrees C, respectively, and the magnitude of EC drop (EC(d), percent) is significantly correlated with OC abundance in total carbon (R(OC/TC)), expressed as EC(d) = 66.8R(OC/TC)-14.4 (r = 0.87); pyrolized OC(POC) values are also sensitive to T(max), but there are various trends for samples with different OC constituents. On average of the samples studied here, prolonged RT reduces EC values by only 3%, almost negligible compared to the effect of T(max), and reduces POC by 9%, much less than that by previous report.     

南京大气细颗粒中有机碳与元素碳污染特征

为了解南京城区大气细颗粒物中有机碳与元素碳的污染特征,在国控点草场门进行了连续一年的PM2.5采样,分析了有机碳(OC)、元素碳(EC)、ρ(OC)/ρ(EC)污染特征和变化规律。结果表明,采样期间有些PM2.5的日均值超过了《环境空气质量标准》(GB 3095-2012)二级标准,ρ(OC)/ρ(EC)为0.77～4.98,平均值为1.92。PM2.5样品中OC约占18%、EC约占9%。     

Estimation of the contributions of long range transported aerosol in East Asia to carbonaceous aerosol and PM concentrations in Seoul, Korea using highly time resolved measurements: a PSCF model approach

The contributions of long range transported aerosol in East Asia to carbonaceous aerosol and particulate matter (PM) concentrations in Seoul, Korea were estimated with potential source contribution function (PSCF) calculations. Carbonaceous aerosol (organic carbon (OC) and elemental carbon (EC)), PM(2.5), and PM(10) concentrations were measured from April 2007 to March 2008 in Seoul, Korea. The PSCF and concentration weighted trajectory (CWT) receptor models were used to identify the spatial source distributions of OC, EC, PM(2.5), and coarse particles. Heavily industrialized areas in Northeast China such as Harbin and Changchun and East China including the Pearl River Delta region, the Yangtze River Delta region, and the Beijing-Tianjin region were identified as high OC, EC and PM(2.5) source areas. The conditional PSCF analysis was introduced so as to distinguish the influence of aerosol transported from heavily polluted source areas on a receptor site from that transported from relatively clean areas. The source contributions estimated using the conditional PSCF analysis account for not only the aerosol concentrations of long range transported aerosols but also the number of transport days effective on the measurement site. Based on the proposed algorithm, the condition of airmass pathways was classified into two types: one condition where airmass passed over the source region (PS) and another condition where airmass did not pass over the source region (NPS). For most of the seasons during the measurement period, 249.5-366.2% higher OC, EC, PM(2.5), and coarse particle concentrations were observed at the measurement site under PS conditions than under NPS conditions. Seasonal variations in the concentrations of OC, EC, PM(2.5), and coarse particles under PS, NPS, and background aerosol conditions were quantified. The contributions of long range transported aerosols on the OC, EC, PM(2.5), and coarse particle concentrations during several Asian dust events were also estimated. We also investigated the performance of the PSCF results obtained from combining highly time resolved measurement data and backward trajectory calculations via comparison with those from data in low resolutions. Reduced tailing effects and the larger coverage over the area of interest were observed in the PSCF results obtained from using the highly time resolved data and trajectories.     

广州市灰霾期PM10的化学组成对能见度的影响

采集广州市大气可吸入颗粒物(PM10)样品,并分别对冬、夏两季灰霾和非灰霾期PM10中有机碳(OC)、元素碳(EC)和水溶性离子进行分析。广州市灰霾期大气PM10中的主要化学成分按质量浓度大小排序为OC>NO3->SO24->NH4+>EC(非灰霾期则依次为OC>SO24->EC>NH4+>NO3-),其质量浓度分别为非灰霾期的4.7、12.5、3.7、3.2和2.3倍。相关性分析表明,灰霾期总碳[TC(OC+EC)]及NO3-的质量浓度对大气能见度的降低起主要作用,而非灰霾期则主要是TC和SO24-。     

新冠疫情管控期间西安细颗粒物中碳组分浓度变化特征

于2019年1月27日—3月18日及2020年1月27日—3月18日对西安市细颗粒物(PM_2.5)的碳组分浓度进行了在线观测，对比分析了非疫情与疫情期间各常规污染因子、气象要素、PM_2.5中有机碳(OC)和元素碳(EC)的污染特征。结果表明：非疫情与疫情期间西安市的气象条件总体水平较为相近。疫情期间的二氧化硫(SO₂)、臭氧(O₃)浓度相对升高。重污染天气下，除PM_2.5外，其他污染物浓度均降低，说明疫情管制对重污染天气污染物浓度的削弱作用明显。疫情期间，PM_2.5中的OC组分浓度及占比有显著升高，与疫情期间的各类交通管制导致的机动车尾气排放量显著降低有关。另外，OC与EC的相关性较强，说明污染来源与人类日常生活有关。疫情期间西安市颗粒物中碳组分主要来自各类生物质燃烧，并且存在SOC污染，SOC在OC中的占比达到37.8%。疫情期间重污染天气下，SOC在OC中的占比达到87.5%,说明SOC对重污染天气OC的贡献较大。     

Aerosol chemical characteristics of an island site in the Bay of Bengal (Bhola-Bangladesh)

Aerosol constituents (elemental carbon, organic carbon, soluble ions including organic acids, and selected trace metals) were investigated from samples of a field campaign taking place at Bhola Island in the Bay of Bengal (Bangladesh). The campaign took place in the pre-monsoon season (May 2001) using low volume samplers. Carbonaceous material comprised the majority of the analysed components. The average concentrations of EC and OC were 2.8 and 4.6 microg m(-3), respectively. Oxalic acid was the most abundant dicarboxylic acid (average 268 ng m(-3)) followed by malonic and malic acid. The contribution of carboxylic acids-carbon to organic carbon was 2.0%. Average concentrations observed for sulfate and nitrate were 3.7 microg m(-3) and 1.5 microg m(-3). Two different types of aerosol were identified at the rural background site on Bhola Island during southerly synoptic flow by means of trajectory analysis: air masses were transported from the Bay of Bengal to the sampling site in all cases. However, during "Period 1" they experienced longer residence times over the Indian Ocean, while the "Period 2" trajectories came along the Indian coast or passed over the Indian continent. During Period 1 the concentration levels of soluble ions were a factor of 4-6 lower than during Period 2. The concentrations of EC, OC and K differed less than a factor of 1.5 between the two periods. The Period 1 aerosol showed similarities to the haze layers observed during winter-monsoon conditions south of India during the INDOEX experiment. Based on EC/TC and K/EC ratios we find that around 80% of the carbonaceous aerosol from Period 1 in Bhola is from fossil fuel and only around 50% from Period 2. Absolute concentrations of carbonaceous species, soluble ions and trace metals indicate that the background site on Bhola Island is affected by emissions from urbanized regions of Southeast Asia.