2014年1月北京市大气重污染过程单颗粒物特征分析

利用在线单颗粒物气溶胶质谱仪(SPAMS)对2014年1月北京市典型大气重污染过程进行了连续监测,分析了具有正负离子质谱信息的颗粒物共2248225个.同时,利用ART-2a神经网络分类方法并结合Matlab统计分析,将具有质谱信息的颗粒物归为10类,分别为:矿尘类颗粒物(Dust)、元素碳颗粒物(EC)、有机碳颗粒物(OC)、元素碳和有机碳混合颗粒物(ECOC)、钠钾颗粒物(NaK)、富钾颗粒物(K)、含氮有机物(KCN)、高分子有机物(MOC,Macromolecular OC)、多环芳烃类颗粒物(PAHs)和重金属类颗粒物(Metal).结合PM_2.5质量浓度数据和HYSPLIT 4.0后向轨迹模型结果,将观测时间段划分为3个典型污染过程和1个清洁过程.结果显示,重污染期间OC、MOC和PAHs为最主要的颗粒物类型.最后,本文还比对分析了污染过程和清洁期间颗粒物的混合状态,结果表明,污染过程中硫酸盐和硝酸盐较清洁期间更容易与碳质颗粒物结合.     

华北平原灰霾天气下大气气溶胶的单颗粒分析

为分析灰霾期间单颗粒气溶胶化学组成和混合状态,于2014年12月9日—2015年1月10日,使用单颗粒气溶胶质谱仪（SPAMS）表征华北平原郑州市中牟县的气溶胶颗粒.结果表明:灰霾期（H1:20141213T19:00—20141215T10:00;H2:20150102T10:00—20150106T03:00）和清洁期（C1:20141215T18:00—20141217T18:00;C2:20141231T16:00—20150101T20:00）大气颗粒物种类相同,主要分为有机碳（OC）、元素碳（EC）、生物质燃烧颗粒（BB）、元素碳有机碳（ECOC）、钾二次颗粒（K-Secondary）、矿尘（Dust）以及重金属颗粒（HM）7类.C1时间段,ECOC颗粒占比最高,占总颗粒数的49.8%;其次是OC和EC颗粒物,二者分别占总颗粒数的16.5%和10.8%.H1时间段,K-Secondary颗粒的占比（31.3%）最高;其次是OC和EC颗粒,二者分别占总颗粒数的23.1%和20.2%.清洁期与灰霾期质谱差分结果表明,清洁期颗粒物中含有C₃H+、C₄H₃+、C₅H₃+等有机碳碎片峰,而灰霾期颗粒物中NO₃-、HSO₄-、NO₂-等组分的信号强度显著大于清洁期.混合状态分析表明,从清洁期到灰霾期的过程中,主要颗粒物与NO₃-和HSO₄-的混合程度显著增强.清洁期与灰霾期单颗粒化学组成与混合状态的对比分析表明,清洁期新鲜排放的含碳气溶胶在灰霾期不断老化,单颗粒中二次无机组分增加,气溶胶整体老化严重.此外,灰霾期（H2）EC颗粒占总颗粒数的比例增至18.1%,并且与NO₃-、HSO₄-二次组分的混合状态增强,使平均能见度降低为4.0 km.研究显示,郑州大气能见度主要受化学组分、颗粒物混合状态和污染物质量浓度的影响.      

利用SPAMS研究西安市重污染天气细颗粒物污染特征及来源

为了对西安市冬季重污染过程中的细颗粒物进行动态源解析,于2016年12月5-22日,利用SPAMS（单颗粒气溶胶质谱仪）在西安市城市运动公园开展连续观测.将观测期分为4个阶段,结合气象条件对不同阶段细颗粒物的污染特征进行分析比较.依据质谱特征,将所采集到的颗粒分为EC（元素碳）、OC（有机碳）、ECOC（混合碳）、HM（重金属）、LEV（左旋葡聚糖）、SiO₃（矿尘）、K（钾）、Na（钠）、HOC（有机大分子）及Other（其他）类.结果表明:观测期间所采集到的OC类颗粒物数量最多,在重污染阶段OC、K和EC类颗粒物占颗粒总数的70%以上,是重污染天气的主要组成颗粒.在雾霾消散期,OC、LEV和SiO₃类颗粒是主要类型颗粒物.根据颗粒物的化学类型及离子特征,利用PMF（正交矩阵因子分解）模型法得到6种污染源贡献率分别为27.7%（燃煤源）、22.3%（二次污染源）、20.4%（交通源）、10.4%（生物质燃烧源）、9.7%（工艺过程源）、6.5%（扬尘源）及3.0%（其他未知源）.研究显示:在重污染阶段,燃煤源与交通源占比大幅上升,与二次污染源共同造成了此次重污染天气;在雾霾消散期,扬尘源及生物质燃烧源成为大气细颗粒物的主要污染源.      

Highly time-resolved aerosol characteristics during springtime in Weizhou Island

A single particle aerosol mass spectrometer was deployed to measure the changes of single particle species and sizes during March 2015 in Weizhou Island of the Beibu Gulf, Guangxi province, South China. In this campaign, a total of 3,100,597 particles were sized, and 25.8%particles with both positive and negative mass spectrum were collected and 24.8%characterized in combination with the ART-2 a neural network algorithm. The distribution of sized particles was mainly in from 520 to 600 nm, and the diameters ranging from 340 to1000 nm accounted for above 90%. Eight types of particles were classified: Elemental Carbon containing(EC), Organic Carbon containing(OC), EC and OC combined containing particles,Na containing particles, K containing particles(K), Levoglucosan containing particles,mineral containing particles, and Heavy Metal containing particles(HM). EC, OC and K were the major containing particles, which accounted for 84.3% in the eight types particles. The relative ratio and size distribution of the three types were EC(48.1%, 620 nm), OC(12.7%,440 nm), and K(23.5%, 600 nm), respectively. The three types of particles were a bit increasing ratios compared with those in clean periods during haze pollution periods.Combined with the back-trajectory results from the Hysplit-4 model and local pollution sources revealed that the ambient air quality on the Weizhou Island may be influenced by biomass burning in the Indochina Peninsula(biomass burning in the Indochina Peninsula)from the transportation on higher level atmospheric layer and by mainland of south China located northeast of Weizhou Island on the ground.     

基于SPAMS的太原市典型生活区停暖前后PM2.5来源及组成

为分析太原市采暖期和非采暖期PM_2.5的特征,利用单颗粒气溶胶质谱仪（SPAMS）分析太原市典型生活区采暖期（2016年3月11-18日）和非采暖期（2016年4月1-7日）PM_2.5的来源及组成.结果表明:① 采暖期（停暖前）颗粒物有机碳、硫酸盐和多环芳烃等信号强度大于非采暖期（停暖后）,而元素碳、硝酸盐、铵盐等反之.② 为了尽可能排除气象因素的影响,选取风向（东南风）、风级（二级）相同时段的颗粒物进行分析,停暖前后颗粒物主要化学组分为有机碳、混合碳和元素碳,采暖前有机碳占比（达51.9%）最高,非采暖期元素碳占比（32.6%）最高.采暖期有机碳、高分子有机物和左旋葡聚糖占比明显高于非采暖期,元素碳、矿物质和重金属反之.③ 停暖前后首要的两类污染源为燃煤和机动车尾气,二者贡献率之和分别高达70.1%和67.4%,可见本地主要受这两类源的影响.燃煤在采暖期为首要污染源,并且贡献比例高于非采暖期,而机动车尾气在非采暖期为首要污染源,且比例明显高于采暖期.研究显示,采暖和非采暖期虽然首要污染源有所差异,但在污染过程中,机动车尾气源的贡献比例均高于优良时段,说明无论是采暖期还是非采暖期,除燃煤排放的影响外,机动车尾气的影响也需得到重视,建议加强机动车燃油品质的升级,使用清洁煤,并在重污染时段采取相应的管控措施.      

两种典型污染时段鹤山市大气细颗粒污染特征及来源

PM_2.5和O₃浓度超标是我国大气污染的主要特征,研究两种典型污染时段的细颗粒化学组成、混合状态和来源对治理大气污染具有重要意义.2016年11月10—20日广东省鹤山市先后出现了PM_2.5和O₃超标的污染事件.污染期间,采用SPAMS（单颗粒气溶胶质谱仪）对细颗粒进行实时采样分析,共采集到有正负化学组成信息的颗粒422 944个,占总颗粒数的19.2%.基于单颗粒质谱数据特征,使用自适应共振神经元网络算法（ART-2a）,对单颗粒数据进行自适应分类.颗粒物划分为OC（有机碳）、EC（元素碳）、ECOC（元素-有机碳混合）、HOC（高分子有机碳）、Pb-rich（富铅）、Si-rich（富硅）、LEV（左旋葡聚糖）、K-Secondary（钾二次）、Na-rich（海盐）和HM（重金属）颗粒共10类.结果表明:两个PM_2.5污染时段EC颗粒和K-Secondary颗粒的占比高,EC颗粒分别占46.5%和61.1%,K-Secondary颗粒分别占14.3%和10.3%;O₃污染时段EC颗粒占比（39.4%）最高,其次是OC颗粒占比17.0%;两种污染时段OC组分与HSO₄-和NO₃-的混合程度都有明显的上升,说明污染有利于有机气溶胶的老化.由源解析结果可知,PM_2.5污染时段,细颗粒主要来源于燃煤、机动车尾气和扬尘,而O₃污染时段细颗粒主要来源于燃煤、生物质燃烧和扬尘;此外,两种污染时段燃煤源对细颗粒的贡献都有较大提升.研究显示,控制燃煤源的排放对污染物的降低有着重要影响.      

Chemical characteristics of PM2:5 during a typical haze episode in Guangzhou

The chemical characteristics (water-soluble ions and carbonaceous species) of PM2:5 in Guangzhou were measured during a typical haze episode. Most of the chemical species in PM2:5 showed significant di erence between normal and haze days. The highest contributors to PM2:5 were organic carbon (OC), nitrate, and sulfate in haze days and were OC, sulfate, and elemental carbon (EC) in normal days. The concentrations of secondary species such as, NO3??, SO4 2??, and NH4 + in haze days were 6.5, 3.9, and 5.3 times higher than those in normal days, respectively, while primary species (EC, Ca2+, K+) show similar increase from normal to haze days by a factor about 2.2–2.4. OC/EC ratio ranged from 2.8 to 6.2 with an average of 4.7 and the estimation on a minimum OC/EC ratio showed that SOC (secondary organic carbon) accounted more than 36.6% for the total organic carbon in haze days. The significantly increase in the secondary species (SOC, NO3??, SO4 2??, and NH4 +), especially in NO3??, caused the worst air quality in this region. Simultaneously, the result illustrated that the serious air pollution in haze episodes was strongly correlated with the meteorological conditions. During the sampling periods, air pollution and visibility had a good relationship with the air mass transport distance; the shorter air masses transport distance, the worse air quality and visibility in Guangzhou, indicating the strong domination of local sources contributing to haze formation. High concentration of the secondary aerosol in haze episodes was likely due to the higher oxidation rates of sulfur and nitrogen species.     

Single particle analysis of ambient aerosols in Shanghai during the World Exposition, 2010: two case studies

ATSI Model 3800 aerosol time-of-flight mass spectrometer (ATOFMS) was deployed for single-particle analysis in Shanghai during the World Exposition (EXPO), 2010. Measurements on two extreme cases: polluted day (1st May) and clean day (25th September) were compared to show how meteorological conditions affected the concentration and composition of ambient aerosols. Mass spectra of 90496 and 50407 particles were analyzed respectively during the two sampling periods. The ART-2a neural network algorithm was applied to sort the collected particles. Seven major classes of particles were obtained: dust, sea salt, industrial, biomass burning, organic carbon (OC), elementary carbon (EC), and NH₄-rich particles. Number concentration of ambient aerosols showed a strong anti-correlation with the boundary layer height variation. The external mixing states of aerosols were quite different during two sampling periods because of different air parcel trajectories. Number fraction of biomass burning particles (43.3%) during polluted episode was much higher than that (21.6%) of clean time. Air parcels from the East China Sea on clean day diluted local pollutant concentration and increased the portion of sea salt particle dramatically (13.3%). The large contribution of biomass burning particles in both cases might be an indication of a constant regional background of biomass burning emission. Mass spectrum analysis showed that chemical compositions and internal mixing states of almost all the particle types were more complicate during polluted episode compared with those observed in clean time. Strong nitrate signals in the mass spectra suggested that most of the particles collected on polluted day had gone through some aging processes before reaching the sampling site.     

沈阳市冬季不同污染程度PM2.5中OC和EC污染特征

于2018年12月~2019年1月对沈阳市PM_2.5进行持续在线浓度监测,使用有机碳/元素碳分析仪对PM_2.5中有机碳（OC）和元素碳（EC）的质量浓度进行分析,研究了不同污染程度下PM_2.5及其碳组分的污染特征和来源.结果表明,沈阳地区冬季碳组分污染较为严重,不同污染程度下的总碳气溶胶（TCA）约占PM_2.5的36.3%~42.8%.中/重度污染天气下PM_2.5、OC和EC的平均质量浓度达到148.6,29.6,6.6μg/m³,是清洁天的3.1~3.3倍.PM_2.5、OC和EC的日变化均表现为早晚高、午后低,任一时刻其浓度均为中/重度污染>轻度污染>清洁天.不同污染程度下的OC/EC值均大于2,其中污染天比值分布在2.1~25.3区间内,表明燃煤和机动车尾气排放是污染天碳质气溶胶的主要来源.二次有机碳（SOC）随污染程度增加表现出升高趋势,清洁天、轻度污染和中/重度污染下其平均浓度依次为2.9,6.5,10.6μg/m³.后向轨迹聚类结果表明,沈阳地区冬季污染天主要受偏北和西北方向气团影响.     

城区与县区不同空气质量下碳组分污染特征对比分析

为对比城区与相邻县区不同空气质量下的碳组分污染特征,分别在成都市和仁寿县采集霾期及非霾期PM_(2.5)有效样品共计88个,确定其相应质量和各碳组分浓度[有机碳(OC)、元素碳(EC)和二次有机碳(SOC)等],并进行各碳组分之间的相关性及主成分分析.结果表明,不同空气质量下的城区污染物浓度均高于县区.OC和EC密切相关,非霾期的相关性系数较霾期大.与城区相比,霾期县区的SOC/PM_(2.5)较大,说明其受二次有机物污染更为明显;但城区非霾期二次气溶胶占比明显高于霾期,表明霾期的一次排放是城区大气污染的主要原因.燃煤、机动车排放和生物质燃烧均是两个区域PM_(2.5)的主要来源.     

郴州市大气PM2.5碳组分污染特征及其来源分析

为研究郴州市PM_2.5中碳组分的污染特征及来源,于2016年7月-2017年4月分4个季度典型时段采集郴州市环境大气中的PM_2.5,测定了样品中OC（有机碳）和EC（元素碳）的质量浓度,对碳气溶胶污染水平、时空分布、SOC（二次有机碳）以及OC和EC相关性等特征进行了分析,并分析了碳组分的来源.结果表明:郴州市ρ（PM_2.5）年均值为（40.2±19.0）μg/m3,ρ（OC）、ρ（EC）占比分别为15.7%和7.2%;ρ（OC）与ρ（EC）相关性分析显示二者来源较为一致,但春季、夏季差异相对较大;ρ（SOC）全年估算值为1.84 μg/m3,占ρ（OC）的29.11%,夏季较高的温度和较低的相对湿度导致夏季ρ（SOC）的估算偏低.结合碳组分丰度分析、PCA（主成分分析）和PMF（正矩阵因子分解分析）结果发现,燃煤/道路尘、机动车排放和生物质燃烧对PM_2.5中TC（总碳）的影响最为明显,贡献率分别为49.25%~56.71%、19.79%~25.36%和9.35%~13.69%.反向轨迹聚类结果显示,广东珠三角区域的汽油车排放、道路尘和生物质燃烧对郴州市PM_2.5中碳组分有较大的影响,而燃煤和柴油车的贡献主要来源于本地.研究显示,郴州市PM_2.5中碳组分污染较为严重,应重点加强本地燃煤和柴油车的控制.      

驻马店市区采暖季PM2.5时间和空间来源解析研究

为了明确驻马店市区PM_2.5污染特征及贡献源类,2019年1—3月在驻马店市区2个采样点采集PM_2.5样品,分析了其化学组分特征;结合PMF和后向轨迹模型构建了PM_2.5的时间和空间来源解析方法,并对该解析方法进行应用.结果表明:①采暖季,驻马店市区环境空气中ρ(PM_2.5)平均值为117 μg/m3,NO₃-和OC是其主导组分;ρ(OC)和ρ(EC)分别达18.2和5.2 μg/m3,且ρ(OC)/ρ(EC)平均值为3.5,说明机动车源和燃煤源的影响较明显.②ρ(SO₄2-)与ρ(NO₃-)相关性显著(R=0.80,P < 0.01),表明SO₄2-和NO₃-具有较高的同源性.③重污染过程中ρ(SNA)(SNA为SO₄2-、NO₃-和NH₄+三者统称)平均值为61.5 μg/m3,显著高于清洁期;重污染过程中硫氧化率(SOR)和氮氧化率(NOR)分别达0.42和0.39,说明存在明显的二次离子生成过程.④重污染过程中Si、Al、Mg等地壳类元素的浓度和占比均高于清洁期,说明重污染过程中扬尘源的贡献可能较高.⑤来源解析结果表明,二次源是采暖季PM_2.5的最大贡献源,贡献率为32.6%,其次为扬尘和生物质燃烧混合源(26.4%)、机动车源(21.4%)、燃煤源(13.2%)和工业源(6.3%);两次重污染过程中的最大贡献源分别为二次源(54.5%)和机动车源(46.2%),清洁期的主要贡献源主要为二次源(45.2%)和燃煤源(29.8%).从空间变化来看,扬尘和生物质燃烧混合源对天方二分厂的贡献率(29.3%)明显高于对彩印厂的贡献率(23.3%),而燃煤源对彩印厂的贡献率(16.5%)高于对天方二分厂的贡献率(10.1%),其他源类的贡献率相差不大.正东、东南以及西北方向是彩印厂和天方二分厂各类源的主要贡献方向.研究显示:二次源是采暖季、重污染期间和清洁期最大的贡献源;相比于清洁期,重污染期间扬尘和生物质燃烧混合源贡献增加.源类贡献存在空间差异,正东、东南及西北方向是采样点各类源主要贡献方向.      

南京大气PM2.5中碳组分观测分析

为了解南京地区大气细颗粒物及化学成分在灰霾期间的污染水平及可能来源,于2007年6月至2008年5月,采集PM2.5样品,并测定了其中有机碳(OC)和元素碳(EC)的含量.并考察了有机碳和元素碳的季节变化特征,比较分析了南京地区灰霾与非灰霾期间含碳气溶胶的污染特征.结果显示,南京大气中PM2.5、OC和EC浓度变化范围分别是12.1~287.1,2.6~47.0和1.0~33.6mg/m3,其中夏季PM2.5(109.6mg/m3)和OC(20.8mg/m3)的值在四个季度中最高,呈现出夏季>秋季>冬季>春季的季节变化特征;EC则具有秋季>春季>冬季>夏季的季节变化特征. 霾日的OC、EC、总碳含量(TC)浓度及OC与EC比值分别是非霾日的2.0、1.8、1.9和1.7倍.后向轨迹分析表明,在有利的天气背景下,具有丰富水汽和污染物的混合气团最易使南京产生霾天气.     

北京市2014年10月重霾污染特征及有机碳来源解析

2014年10月北京市出现了多次重霾天气,与此同时,通过全国秸秆燃烧卫星遥感监测发现,北京周边河南、河北等地区恰存在一定规模的秸秆燃烧活动. 对2014年10月4—27日北京市大气PM_2.5中的水溶性离子、金属、OC(有机碳)、EC(元素碳)和有机物示踪物等化学成分进行了分析,对霾天和非霾天PM_2.5中化学成分进行了比较,并使用CMB(化学质量平衡)模型对PM_2.5中有机物的来源进行了解析,采用后向轨迹模拟和卫星遥感图像定量评估生物质燃烧(秸秆燃烧等)对重霾污染的影响. 结果表明:霾天ρ(PM_2.5)〔(229.0±96.3)μg/m3〕是非霾天的5.0倍,水溶性离子总质量浓度〔(125.3±59.3)μg/m3〕是非霾天的6.5倍,ρ(SO₄2-)、ρ(NO₃-)和ρ(NH₄+)分别是非霾天的6.1、8.6和7.1倍,ρ(OC)〔(81.8±39.5)μg/m3〕是非霾天的7.8倍,ρ(EC)〔(6.7±3.4)μg/m3〕是非霾天的4.2倍;霾天生物质燃烧的示踪物——左旋葡聚糖和K+的质量浓度平均值分别是非霾天的9.1和3.3倍. 生物质燃烧、机动车排放以及二次污染物对有机细颗粒物的贡献率分别为18.9%、36.9%和41.9%;二次细颗粒物质量浓度增加了1倍左右;气象条件同样在很大程度上促进了霾的形成. 常规的源解析方法仅可对生物质燃烧的一次污染贡献进行定量,但对重霾污染贡献的全面评价尚需进一步探讨.      

西安冬季重污染过程PM2.5理化特征及来源解析

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.     

南京北郊霾天气溶胶化学组分粒径分布特征

为研究南京霾天气中大气气溶胶化学成分及其粒径分布的特征,使用β射线测尘仪、安德森9级撞击式采样器、离子色谱分析仪和热光碳分析仪对南京冬、春季节的颗粒物进行了采样分析.结果表明,霾日中3种主要二次离子SO₄^2-、NO₃^-和NH₄⁺在细粒径段中占比最高（77.4%）,霾日中除F^-和Cl^-外其余离子均呈三峰型分布,工业排放、生物质燃烧与二次反应是粗、细粒径段中水溶性离子最重要来源.OC、EC均主要富集于细粒子中,PM_2.1~10中OC与EC相关性较好（R²=0.76）,说明存在共同来源.通过OC/EC特征物比值的方法得到霾日期间碳质颗粒物的来源为机动车尾气排放、燃煤和生物质燃烧.     

天津市大气中PM10、PM2.5及其碳组分污染特征分析

2007年12月~2008年10月期间,分3个时段,设置2个点位,采集了天津市大气环境中PM10和PM2.5样品.用热光反射分析仪测定样品中的碳组分含量,并用OC/EC最小比值法估算二次有机碳(SOC)的浓度.结果表明,市区采样点颗粒物浓度高于郊区,2个采样点的颗粒物浓度变化趋势一致.5月份 PM2.5/PM10比值最小,主要由于土壤风沙尘对PM10的贡献较大.PM10和PM2.5中的有机碳(OC)、元素碳(EC)浓度12月份最高,且变化趋势相同.OC占总碳(TC)比例较高,PM10中OC/TC为0.60~0.83,PM2.5中OC/TC为0.55~0.81.碳组分主要集中在PM2.5中,PM10中约有76%的OC存在于PM2.5中.12月份的SOC浓度最高,与12月份的气象条件和污染源排放等因素有关.     

上海市街道尘埃中碳组分污染特征

通过测定上海市街道尘埃碳组分含量,探讨有机碳（OC）和元素碳（EC）的相关性,并使用特征比值法讨论街道尘埃的主要污染来源;同时,对比分析了街道尘埃磁学参数与碳组分含量的关系.结果表明,OC、EC具有较好的相关性,相关系数为0.84,表明颗粒物存在相同的污染源;OC/EC为1.82,表明上海市街道尘埃存在二次污染,结合SEM形貌分析判别上海市颗粒物污染的主要来源;同时碳组分与磁学参数存在一定的相关关系,磁学参数（χ_LF、SIRM、χ_ARM）在一定程度上可以指示上海市街道尘埃的碳组分含量及其二次污染水平.     

2015世界互联网大会期间嘉兴市大气细颗粒物污染特征及来源研究——以单颗粒气溶胶质谱技术为例

基于单颗粒气溶胶质谱技术,于2015年12月12—23日互联网大会期间开展了嘉兴市细颗粒物污染特征和来源研究.结果显示,观测期间共捕捉到5次不同的污染过程,分别为:管控期的区域输送(P1)-清洁天(P2)-本地排放(P3)过程,以及管控后的污染反弹(P4)-重污染程(P5)过程.污染期间(P1、P5),硝酸盐含量及比例均有显著增加,并且增加的主要是老化的硝酸盐颗粒,表明硝酸盐的二次转化对长三角地区高浓度细颗粒物形成具有重要影响.受管控措施和南下的强冷空气影响,会议期间,除有机碳和生物质燃烧组分外,PM_(2.5)质量浓度及其它各组分浓度均有不同程度的下降.管控措施解除后(P5),受区域输送和本地污染物积累共同作用,颗粒物浓度开始反弹并持续升高,硝酸盐和EC组分均有明显增加,并且呈现出早、晚高峰值.源解析结果显示,P5期间颗粒物浓度反弹与机动车尾气排放密切相关.研究表明,实施管控措施对降低机动车尾气排放和PM_(2.5)质量浓度、改善环境空气质量等效果显著.     

北京市海坨山冬季不同污染过程下气溶胶化学组分及其潜在来源分析

为了探讨京津冀地区冬季背景大气中气溶胶化学组分特征及其来源分布,使用GRIMM 180、单颗粒黑碳光度计（SP2）和高分辨率飞行时间气溶胶质谱仪（HR-TOF-AMS）观测了海坨山2020年12月28日至2021年2月3日PM和化学组分,结合气象数据和HYSPLIT模式,计算了潜在源贡献因子（PSCF）和浓度权重轨迹（CWT）,分析了不同污染过程下PM和气溶胶化学组分的时间演变特征及其潜在来源.结果表明,海坨山冬季沙尘过程主要影响PM₁₀和PM_2.5,对PM₁的影响较小;而霾污染正好相反,主要影响PM₁.化学组分在干净天和霾污染中占PM₁的比例分别为85.0%和73.4%,而在沙尘天仅占PM₁的47.4%.霾污染过程中NO^-₃的质量浓度最大,占PM₁的25.2%;在干净天和沙尘天黑碳（BC）的质量浓度最大,占PM₁的24.1%和12.8%. BC气溶胶的中值直径在干净天...