西北工业化城镇周边农用土壤PCBs污染来源与人群暴露

采用气相色谱质谱联用仪检测了我国西北干旱地区皋兰县城各区域土壤中18种多氯联苯（PCBs）,并利用主成分分析、多元线性回归分析以及暴露模型对研究区PCBs污染来源、人群暴露和健康风险进行了探究和评价.研究区土壤PCBs浓度为3.675～19.146 ng·g^-1,临近工业园区和城区的农田土壤平均污染程度较高,四氯联苯和五氯联苯在∑₁₈PCBs中占有较高的质量分数.PCBs污染源以含PCBs电器设备回收处置相关的IP-PCBs污染源、燃烧和工业热过程源以及与燃烧相关的污染源为主,燃烧和工业热过程源可能会对研究区PCBs污染具有更大的贡献.研究区各类人群由于PCBs暴露导致的致癌风险较低,非致癌风险也处于可接受水平,但燃烧及工业热过程作为研究区可能的主要PCBs来源,可能会对当地长期居住的人群带来不利影响,需给予重视.     

我国半干旱区工业化城镇PCBs干沉降及归趋

采用大气被动干沉降采样器,观测了我国半干旱区城市皋兰2018年非取暖季和取暖季18种多氯联苯（PCBs）的大气干沉降通量和污染特征,并利用主成分分析、环境多介质模型对其污染来源、环境归趋行为等进行了分析和研究.研究区∑₁₈PCBs干沉降通量为13.0~158.8ng/（m²·d）,呈现园区点较高、取暖季高于非取暖季的特征.干沉降中PCBs以四氯联苯和五氯联苯为主,并且四氯联苯干沉降通量在取暖季明显上升.研究区PCBs污染主要源于含PCBs的产品以及燃烧和工业热过程带来的排放,但燃烧和工业热过程无意产生的PCBs可能对研究区产生更大影响.土壤相是研究区PCB81主要的汇,相间迁移以大气相向土壤相的沉降为主;大气平流输出是研究区PCB81的主要清除途径;污染物排放速率、平流停留时间和平流输入污染物浓度是影响大气相、土壤相PCB81浓度的主要因素.     

北江中上游地表水和沉积物中PAHs和PCBs污染特征和风险评估

采用气相色谱-质谱法（GC-MS）测定了北江中上游流域地表水和沉积物样品中多环芳烃（PAHs）和多氯联苯（PCBs）类污染物的含量,分析了PAHs和PCBs的污染水平和空间分布,并评估了污染物的健康风险和生态风险.结果表明,16种PAHs单体在所有水样和沉积物样品中均被检出,检出范围分别为41.82~443.04 ng·L^-1和59.58~635.73 ng·g^-1,北江中上游PAHs的污染水平为中、轻度.水中PAHs以二环芳烃和三环芳烃为主,沉积物中以三环芳烃和四环芳烃为主.在水样中检出了17种PCBs,浓度范围0.81~287.50 ng·L^-1,以六氯联苯和七氯联苯为主;沉积物中检出了8种PCBs,含量范围0.13~3.96 ng·g^-1,以五氯联苯和七氯联苯为主.整个调查区域内地表水中PAHs和PCBs的终生致癌风险指数小于10^-4,处于中、低水平;非致癌风险指数均小于1,不存在非致癌风险.采用风险商值（RQ）法对地表水中污染物进行生态风险评价,研究区域内地表水中PAHs和PCBs生态风险总体处于中低风险水平,个别点位存在重度风险的污染物单体,值得引起重视.采用沉积物质量基准法（SQGs）对沉积物中污染物进行生态风险评估,沉积物中PAHs和PCBs均处于较低的生态风险水平.     

武汉市大气中多氯联苯的污染分布特征研究

文章对武汉市2015年4月-2016年11月间大气中的多氯联苯(PCBs)污染水平和分布特征进行了研究,并进行健康风险评价。结果表明,武汉市大气中∑PCBs的质量浓度范围为14.5～44.7 pg/m³,平均浓度为27.0 pg/m³。对于不同功能区,∑PCBs的浓度总体分布规律为：工业区>居民区>交通枢纽区>风景区>背景点。PCBs主要分布在气相中,在监测的18种PCBs中,6种指示性PCBs明显占主导地位,且低氯代(3-5氯代)PCBs的浓度远高于高氯代(6-7氯代)PCBs。与国内外其他研究相比,武汉市大气中PCBs质量浓度和毒性当量浓度均处于比较低的污染水平。健康风险评价显示,居民大气PCBs呼吸暴露的非致癌危害商和致癌风险均远低于风险参考值,致癌风险水平较低。     

典型生态脆弱区水库周边大气降尘重金属风险评价及APCS-MLR模型溯源

为评估生态脆弱区大气中重金属的健康风险状况及污染来源,以锡林郭勒盟大河口水库周边为研究区,2021~2022年对布设的12个大气降尘监测点进行为期1a的采集工作,共收集到样品144份,测定Cr、Ni、Pb、Cu、Zn、Mn、As和Cd共8种重金属的含量,运用潜在生态指数（E_rⁱ）和健康风险评价模型评估大气中重金属对生态安全和人体健康的风险水平,利用富集因子分析法,主成分分析法及绝对主成分-多元线性回归（APCS-MLR）受体模型定性与定量地解析研究区大气重金属污染来源.结果表明：①研究区全年大气降尘重金属综合潜在生态风险均值属于强生态风险,各重金属元素中仅Cd元素处于极高风险程度,其余均为轻微风险.②健康风险评价结果表明,手口途径和皮肤接触途径摄入是引起非致癌风险和致癌风险的主要暴露途径,儿童在个别月份存在非致癌风险与可接受的致癌风险,其中As元素是非致癌风险与致癌风险的主要贡献来源.③通过富集因子分析、主成分分析和APCS-MLR受体模型计算表明：风沙扬尘源占比最大,为37.82%,煤炭燃烧与交通源对Cu、Cd、Pb和Zn的贡献率分别为：73.01%、40.22%、70.31%和32.82%;采矿活动对As贡献率为42.59%;工业源对Cd元素的贡献率为22.01%;人类其他活动源对Cd、As、Pb和Zn的贡献分别为：21.12%、34.40%、23.04%和32.15%.     

长江表层土壤多氯联苯污染特征及风险评价

采用气质联用仪（GC-MS）对长江流域13个干流断面及18个支流断面处沿岸表层土壤样品中的多氯联苯（PCBs）进行测定,分析其残留特征、污染来源和健康风险.结果表明,长江流域表层土中ΣPCBs的含量范围为：1.05~50.11ng/g dw,平均值为5.71ng/g dw,含量处于较低污染水平.干流的PCBs含量从上游到下游呈现逐渐增大的趋势,且PCBs在宜昌、岳阳、武汉、重庆等二三线城市总含量较高.PCB 17,PCB 18,PCB 44,PCB 74,PCB 87的检出率较高,三氯联苯、四氯联苯是主要的同系物,表明长江流域表层土壤主要以低氯联苯污染为主.主成分分析表明研究区域PCBs主要来自于1号国产变压器油、Aorclor 1242、1248、大气沉降及地表径流的混合污染源;对长江流域表层土壤健康风险评价表明,PCBs存在较小健康风险,呼吸摄入潜在风险低于经口摄入及皮肤接触.     

电子废弃物拆解场多氯联苯含量及健康风险评价

选择我国典型的电子废弃物拆解场为研究对象,以拆解场各环境介质中PCBs浓度全面调查为基础,采用美国环境保护署(US EPA)人体健康评价模型,结合问卷调查和实际测量修正暴露参数,对浙江台州拆解区人群(成人)进行健康风险评价.结果表明:拆解场大气和土壤中PCBs各同系物的浓度显著高于其他介质,经调查表明可能与拆解场直接焚烧、湿法酸洗工艺有关.多种暴露途径所导致拆解场成人PCBs污染总致癌风险为2.80×10-3,总非致癌风险为1.64×10-3,均超过了US EPA、ICRP等推荐的可接受的风险水平,其中经口暴露的致癌、非致癌风险最大,其次是呼吸暴露.进行敏感性分析表明:无论何种暴露途径,体重(BW)、呼吸速率(IR)、实测参数食物摄食(IR)、皮肤接触表面积(SA)和污染物实测浓度的致癌风险、非致癌风险绝对敏感性都较大.在健康风险评价时,需要对研究区人群暴露参数进行实地调查实测,以降低评价结果的不确定性.     

三亚河沉积物PAHs和PCBs的分布、来源及风险评价

多环芳烃（PAHs）和多氯联苯（PCBs）具有"三致"特性和生物累积效应,作为两类典型持久性有机污染物,是环境领域的研究热点之一.本研究考察了三亚河底泥沉积物中PAHs和PCBs的含量分布和污染状况,在对其进行空间污染分布分析的基础上进行来源解析,并采用沉积物质量基准法和质量标准法进行生态风险评价.结果表明,沉积物中总PAHs和总PCBs含量范围分别为265.00~6735.00 μg·kg^-1和1.75~92.75 μg·kg^-1,含量相对较高河段分别为西河上游和东河上游,与研究区域的工业分布和河流走势有较强的相关性.组成及来源解析表明,PAHs以低环芳烃为主,主要来源于石油燃烧污染;PCBs以七氯联苯和六氯联苯为主,主要来源于电容器中PCBs的迁移.生态风险评价结果表明,整体上三亚河沉积物中PAHs生物毒副作用不明显,生态风险较低,但个别采样点PAHs单体超标严重,对生物体暴露会产生严重威胁,需引起重视;PCBs生物毒性效应概率为10%~50%,偶尔会产生负面生态效应.     

山西介休焦化区PM2.5重金属污染特征、关键毒性组分与来源

在对介休焦化区和方山对照区大气PM_2.5样品中11种重金属元素污染特征进行分析的基础上,结合正定矩阵因子(PMF)源解析,借助健康风险评价法和体外细胞毒性测试实验对可能会威胁人体健康的关键毒性组分及其来源进行了判识.结果表明,介休焦化区PM_2.5及其负载的重金属元素污染超标严重,且均是冬季>秋季>夏季>春季,所有元素的总非致癌和致癌风险分别是方山的2.80及2.10倍.介休焦化区除Cr的年均污染浓度低于方山对照区外,Pb、Cd、Zn、As、Mn、Sb的浓度分别是方山的15.9,9.80,9.00,7.40,7.00和4.20倍,其中Mn、As、Cd、Pb等元素具有较高的非致癌风险,Pb同时具有较高的致癌风险.介休焦化区重金属元素共有5大主要来源,燃煤及焦化源的贡献最大(37.7%),其次为其他工业源(29.6%)和钢铁冶炼源(20.4%).燃煤及焦化源对非致癌和致癌风险的贡献高达38.8%和44.9%,且是唯一1种与细胞氧化应激和炎性因子指标(ROS、TNF-α和IL-1β)均有显著正相关关系的污染源.方山对照区除As外所有...     

新乡市大气PM2.5载带金属元素季节分布、来源特征与健康风险

为探究典型工业城市大气PM_2.5载带重金属的季节分布、来源及健康风险,于2019~2020年分季节采集PM_2.5有效样品112个,利用电感耦合等离子体发射光谱法（ICP-AES）测定了19种元素含量.结果表明,PM_2.5及其载带重金属元素的年均浓度分别为（66.25±35.73）μg·m^-3和（1.32±0.84）μg·m^-3.PM_2.5及其元素组分夏季浓度最低,Al、Ca、Fe、Mg和Ti等元素春季浓度最高,其它元素则是冬季浓度最高.利用PMF-PSCF模型共解析出5类排放源,分别为Ni和Co相关排放源（5.8%）、机动车源（13.7%）、Cd相关排放源（5.1%）、燃烧源（18.2%）和扬尘源（57.3%）.风险评价结果表明,每一类排放源的危害指数（HI）值均小于1,不存在明显的非致癌风险;致癌风险均处于10^-6~10^-4范围内,具有一定的致癌风险.与其它排放源相比,燃烧源的致癌风险（8.74×10^-6,36.9%）和非致癌风险（0.60,25.6%）最大,建议优先对燃烧源进行治理以降低区域人群暴露风险.     

二级热脱附结合气相色谱-质谱联用分析大气细颗粒物中多环芳烃类污染物

化学组分是影响大气细颗粒物(即PM_(2.5))健康危害的重要因素,但目前流行病学研究对于颗粒物组分的暴露评价受到了传统分析方法的限制.为探索高效的颗粒物组分测定方法,本研究建立并优化了二级热脱附结合气相色谱-质谱联用(TD-GC-MS)方法,以多环芳烃(PAHs)为目标污染物开展研究.结果表明,该方法具有极高的灵敏度,当使用0.28 m~3PM_(2.5)样品时,该方法的检出限为0.018~0.26 ng·m~(-3).对于标准参考物质的测量显示,该方法具有较好的准确性和精密度.同时,分析了北京2012年3月—2013年3月PM_(2.5)样品并与索氏提取结果进行对比,发现两种方法测量3~5环PAHs的一致性较好;部分物种的差异较大,热脱附因减少前处理步骤,结果可能更为准确.北京PM_(2.5)中∑_(12)PAHs浓度为4.27~340 ng·m~(-3),采暖季比非采暖季高一个数量级.基于正矩阵因子分解法(PMF)的源解析显示,燃煤是采暖季的主要污染源,非采暖季则为交通排放.最后,估算了成年北京居民暴露于PAHs的终生致癌风险,结果表明,可重点控制交通源及煤炭源以降低其潜在危害.     

哈尔滨大气中PAHs的污染源解析

通过将比值法、主成分分析和正定矩阵分析法相结合对大气中PAHs的污染源进行了解析,结果表明,煤的燃烧和汽车尾气的排放是PAHs的主要污染源,冬季,煤的燃烧是主要污染源,其贡献率为60.6%,其次为汽车尾气排放(34.4%),其他季节,汽车尾气的排放和燃煤污染是主要的污染源,其贡献率分别为59.3%和17.1%。通过等效毒性当量因子计算得到,哈尔滨大气中BaP当量浓度冬季为7.751 9 ng/m3,其他季节为0.688 6 ng/m3,均符合中国规定的10 ng/m3。     

天津市大气颗粒物中有机标识物粒径分布的季节特征

为探讨采暖季和非采暖季大气颗粒物中有机标识组分的粒径分布特征,识别其来源,于2018年5月至2019年4月在天津采集分粒径颗粒物,利用GC-MS对9个粒径段颗粒物中17种多环芳烃(PAHs)、20种正构烷烃(n-Alkanes)和7种藿烷(hopanes)进行分析,并通过有机标识物及特征比值的方法探讨其主要来源.结果表明:非采暖季的四环多环芳烃Pyr、Ba A、Chr和五环多环芳烃BbF、Ba P呈3峰分布,其余PAHs呈双峰分布,采暖季的低环PAHs呈双峰分布,中高环PAHs近似单峰分布.根据PAHs特征比值发现,非采暖季的燃煤源和交通源是PAHs的主要贡献源,采暖季PAHs受燃煤源的影响更显著.非采暖季的正构烷烃中C29呈单峰分布,C27、C31、C32和C33近似单峰分布,其余正构烷烃呈双峰分布,采暖季的正构烷烃均呈双峰分布.根据正构烷烃碳优势指数(CPI)和主碳峰数(C_max)发现,人为源是正构烷烃的主要来源,非采暖季受自然源的影响大于采暖季,自然源排放的正构烷烃倾向于富集在粗颗粒物上,人为源排放的正构烷烃则更倾向于富集在细颗粒物上.藿烷在粗粒径段和细粒径...     

机器学习耦合受体模型揭示驱动因素对PM2.5的影响

PM_2.5主要受排放源、大气化学、气象条件等驱动因素的非线性影响,了解驱动因素对PM_2.5浓度的影响十分重要. 本研究基于南开大学大气环境综合观测超级站的逐时在线观测数据,耦合机器学习方法和受体模型,揭示了驱动因素的重要性以及对PM_2.5浓度的影响. 结果表明:① 2018年11月—2020年10月观测地点的PM_2.5浓度范围为3.21~291.80 μg/m3,采暖季PM_2.5浓度和化学组分均高于非采暖季. ②使用受体模型解析PM_2.5的来源及其贡献,发现观测期间二次源的贡献率(44.7%)最高,其他依次为燃煤源(23.6%)、机动车排放源(11.0%)、扬尘源(9.9%)、生物质燃烧源(7.2%),工业源的贡献率(3.6%)最小. ③利用随机森林-SHAP模型量化排放源、大气氧化能力、气象条件等驱动因素对PM_2.5浓度的影响,发现观测期间排放源对PM_2.5浓度的影响程度为54.3%,高于其他驱动因素;气象条件对PM_2.5浓度的影响程度次之,为32.4%;大气氧化能力对PM_2.5浓度的影响程度相对较低,为13.3%. 在采暖季和非采暖季,各驱动因素对PM_2.5浓度的重要性在排序上没有变化,然而驱动因素对PM_2.5浓度的影响程度有所不同. 采暖季排放源对PM_2.5浓度的影响程度高于非采暖季,采暖季大气压对PM_2.5浓度的影响程度低于非采暖季. 研究显示,排放源对PM_2.5的影响相对较大,气象条件和大气氧化能力对PM_2.5浓度的影响也不容忽视.      

A land use regression for predicting NO2 and PM10 concentrations in di erent seasons in Tianjin region, China

Land use regression (LUR) model was employed to predict the spatial concentration distribution of NO2 and PM10 in the Tianjin region based on the environmental air quality monitoring data. Four multiple linear regression (MLR) equations were established based on the most significant variables for NO2 in heating season (R2 = 0.74), and non-heating season (R2 = 0.61) in the whole study area; and PM10 in heating season (R2 = 0.72), and non-heating season (R2 = 0.49). Maps of spatial concentration distribution for NO2 and PM10 were obtained based on the MLR equations (resolution is 10 km). Intercepts of MLR equations were 0.050 (NO2, heating season), 0.035 (NO2, non-heating season), 0.068 (PM10, heating season), and 0.092 (PM10, non-heating season) in the whole study area. In the central area of Tianjin region, the intercepts were 0.042 (NO2, heating season), 0.043 (NO2, non-heating season), 0.087 (PM10, heating season), and 0.096 (PM10, non-heating season). These intercept values might imply an area’s background concentrations. Predicted result derived from LUR model in the central area was better than that in the whole study area. R2 values increased 0.09 (heating season) and 0.18 (non-heating season) for NO2, and 0.08 (heating season) and 0.04 (non-heating season) for PM10. In terms of R2, LUR model performed more e ectively in heating season than non-heating season in the study area and gave a better result for NO2 compared with PM10.     

A land use regression for predicting NO2 and PM10 concentrations in different seasons in Tianjin region,China

Land use regression (LUR) model was employed to predict the spatial concentration distribution of NO2 and PM10 in the Tianjin region based on the environmental air quality monitoring data. Four multiple linear regression (MLR) equations were established based on the most significant variables for NO2 in heating season (R2 = 0.74), and non-heating season (R2 = 0.61) in the whole study area; and PM10 in heating season (R2 = 0.72), and non-heating season (R2 = 0.49). Maps of spatial concentration distribution for NO2 and PM10 were obtained based on the MLR equations (resolution is 10 km). Intercepts of MLR equations were 0.050 (NO2, heating season), 0.035 (NO2, non-heating season), 0.068 (PM10, heating season), and 0.092 (PM10, non-heating season) in the whole study area. In the central area of Tianjin region, the intercepts were 0.042 (NO2, heating season), 0.043 (NO2, non-heating season), 0.087 (PM10, heating season), and 0.096 (PM10, non-heating season). These intercept values might imply an area’s background concentrations. Predicted result derived from LUR model in the central area was better than that in the whole study area. R2 values increased 0.09 (heating season) and 0.18 (non-heating season) for NO2, and 0.08 (heating season) and 0.04 (non-heating season) for PM10. In terms of R2, LUR model performed more effectively in heating season than non-heating season in the study area and gave a better result for NO2 compared with PM10.     

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.      

基于CALPUFF-CMB复合模型的燃煤源精细化来源解析

为了反映燃煤源对环境受体的影响情况,利用扩散模式（CALPUFF模式）对燃煤源多种子源类的排放、扩散过程进行模拟,得到燃煤源各子源类对环境受体中PM₁₀的影响权重,进而构建更具代表性的燃煤源成分谱.然后将受体颗粒物化学成分和两套源成分谱（基于环境影响构建的燃煤源成分谱和基于各子源类煤烟尘排放量加权平均的传统源成分谱）,分别纳入CMB模型进行乌鲁木齐市采暖季环境受体中PM₁₀的来源解析.结果表明：基于CALPUFF模拟结果,得到燃煤源的3类子源类­电厂、供热、工业燃煤源的影响权重分别为0.02、0.39和0.59.基于传统方法构建的源成分谱进行源解析的结果显示,各源类的贡献大小依次为：集中燃煤（27.2%） > 城市扬尘（19.1%） > 二次硫酸盐（15.7%） > 民用散煤（9.9%） > 二次硝酸盐（9.5%） > 机动车尾气尘（7.6%） > 钢铁尘（1.2%） > 建筑水泥尘（0.2%）;而基于环境影响构建的源成分谱获得的结果显示：二次硫酸盐（20.1%） > 城市扬尘（20%） > 集中燃煤（18.9%） > 民用散煤（11.5%）二次硝酸盐（10.5%） > 机动车尾气尘（9%） > 钢铁尘（1.7%） > 建筑水泥尘（1.4%）.基于不同燃煤源子源类对受体环境的影响权重,将乌鲁木齐市颗粒物来源解析结果进一步细分,得到相对精细化的来源解析结果.结果显示,民用散煤的贡献为11.5%,电厂燃煤源为0.4%,供热燃煤源为7.4%,工业燃煤源为11.1%.     

曹妃甸采暖期和非采暖期PM2.5中不同重金属元素污染特征及健康风险评价

为探讨曹妃甸采暖期和非采暖期PM_2.5中Cr、Pb、As和Cd元素的污染特征、来源及健康风险,以华北理工大学曹妃甸校区为研究地点,于2017年12月—2018年10月采集98份PM_2.5样品.利用重量法测定空气中PM_2.5浓度,使用电感耦合等离子体质谱仪分析PM_2.5中4种重金属元素(Cr、Pb、As和Cd)的浓度;采用Wilcoxon Mann-Whitney U检验比较采暖期与非采暖期,以及PM_2.5超标日与非超标日各元素含量的差异,利用Kruskal-Wallis H检验法比较不同PM_2.5浓度分级下4种金属元素浓度差异,用PMF(正定矩阵因子分解)模型对4种重金属元素的来源及贡献率进行解析,并用美国环境保护局推荐的人体暴露健康风险评价模型进行健康风险评估.结果表明:①曹妃甸采暖期PM_2.5及Pb、As和Cd浓度均高于非采暖期,而Cr浓度略低于非采暖期.②PM_2.5超标日Pb、As和Cd浓度均高于非超标日,不同PM_2.5浓度级别下Pb、As和Cd浓度有所差异,且Pb、As和Cd浓度随PM_2.5浓度的增加而增加.③PMF模型源解析表明,燃煤源及交通源是曹妃甸采暖期PM_2.5金属元素主要来源,二者贡献率分别为50.4%和31.7%;工业源及交通源是非采暖期PM_2.5金属元素的主要来源,二者贡献率分别为47.4%和37.0%.④健康风险评价结果表明,采暖期和非采暖期4种重金属元素的非致癌风险值均小于1.采暖期3种致癌性重金属(Cr、As和Cd)对成年男性、成年女性和儿童青少年的致癌风险均高于人类可接受风险水平(1×10-6);非采暖期Cr和As对成年男性、成年女性和儿童青少年的致癌风险均高于人类可接受风险水平;重金属非致癌风险(Cr、Pb、As和Cd)和致癌风险(Cr、As和Cd)指数高低均呈成年男性>成年女性>儿童青少年的特征.研究显示,在采暖期和非采暖期曹妃甸PM_2.5中Pb、As和Cd浓度随PM_2.5浓度的增加而增加,燃煤源和工业源是其主要来源,Cr、As和Cd对人群存在一定的致癌风险.