基于PMF的武漢市大氣細顆粒物消光來源解析

夏 瑞,譚 健,汪瓊瓊,吳 兌,孔少飛,陳 楠,鄧 濤,陶麗萍,張 雪,吳柏禧,吳良斌 ,王 慶,吳 晟**

基于PMF的武漢市大氣細顆粒物消光來源解析

夏 瑞1,2,譚 健1,2,汪瓊瓊3,吳 兌1,2,孔少飛4,5,陳 楠5,6*,鄧 濤7,陶麗萍1,2,張 雪1,2,吳柏禧1,2,吳良斌1,2,王 慶1,2,吳 晟1,2**

(1.暨南大學質譜儀器與大氣環境研究所,廣東省大氣污染在線源解析系統工程技術研究中心,廣東 廣州 510632；2.粵港澳環境質量協同創新聯合實驗室,廣東 廣州 510632；3.香港科技大學化學系,香港 999077；4.中國地質大學(武漢)環境學院,湖北 武漢 430074；5.湖北省大氣復合污染研究中心,湖北 武漢 430074；6.湖北省生態環境監測中心站,湖北 武漢 430074；7.中國氣象局 廣州熱帶海洋氣象研究所,廣東 廣州 510640)

利用武漢2020年7月(夏季)和10月(秋季)的在線觀測數據,同時將顆粒物的光學參數和化學組分數據輸入正定矩陣因子分解(PMF)源解析模型,對PM2.5消光系數的源貢獻進行定量解析.研究發現,對吸收系數貢獻較大的源為機動車(66.3%)和工業源(14.2%),對散射系數貢獻較大的源為以硝酸鹽為主的二次無機鹽Ⅰ(38.4%)和機動車(27.0%),光散射的源貢獻率呈現出明顯的季節變化,二次無機鹽Ⅰ在夏季(14.6%)的貢獻較秋季(47.4%)顯著降低.消光系數源貢獻方面,夏季機動車(37.2%)和以硫酸鹽為主的二次無機鹽Ⅱ(21.2%)對消光的貢獻較大,而秋季主要的消光源為二次無機鹽Ⅰ(44.7%)和機動車(26.7%).最后,還獲取了幾個重要源的波長吸收指數(AAE)值:機動車(0.96)、工業源(1.04)、揚塵(1.39)、生物質燃燒(2.24).

武漢市；消光系數；正定矩陣因子分解(PMF)；源解析；氣溶膠光學特性

大氣氣溶膠因其氣候效應和環境效應而備受研究者的關注[1-2].氣溶膠可以通過對光的散射和吸收直接影響地氣輻射平衡[3],又可作為云凝結核間接影響氣候系統[4].此外,氣溶膠的消光能力還會使能見度降低[5-6].以往對顆粒物消光的研究大多是使用IMPROVE公式通過多元線性回歸的方法量化氣溶膠化學組分與消光系數的關系[7-10].從改善能見度的角度來看,僅僅知道化學物種對顆粒物消光的貢獻較難轉化為可供執行的空氣質量管理措施. 如果能直接建立顆粒物消光和污染源之間的聯系,則可以更好地為能見度改善政策制定提供科學支撐.

受體模型是一種相當重要的源解析方法,它通過直接對環境樣品進行分析而反推獲得污染源信息并量化其貢獻[11],其中正定矩陣因子分解(PMF)方法是被使用得最廣泛的受體模型方法之一[12-13],相比其它受體模型方法,PMF模型優勢在于無需輸入源譜,并且運算中對因子進行了非負約束[14].

傳統PMF的應用主要只是基于化學物種的數據對PM2.5或揮發性有機物(VOCs)進行源解析[15],沒有給出污染源對消光的貢獻.若想了解污染源的光學貢獻則要采取進一步的方法,如Sandradewi等[16]提出Aethalometer模型,該方法基于多波長吸收系數數據可以得到化石燃燒和生物質燃燒兩個源的吸光情況,因其操作方便而得到了廣泛應用[17-19].然而Aethalometer模型缺點在于只能獲得污染源對吸光系數的貢獻,且高度依賴吸光源的波長吸收指數(AAE),對于該值此前很多研究都是使用經驗假設的固定值[20-21],考慮到AAE值受到燃燒條件、燃燒類型以及顆粒物在大氣中復雜的物理化學過程多種因素共同影響[22-25],如果不能準確獲取源的AAE值,該方法的使用將存在適用性的問題.此外,Aethalometer模型只能解析出兩個源,而實際大氣中則要復雜得多,除化石燃燒和生物質燃燒外,例如揚塵源對吸光的貢獻也不容忽略[26-27],這也表明了該模型使用的局限性.作為更進一步,一些研究則將傳統的基于化學物種數據的受體模型與多元線性回歸結合起來[28-29],從而對光學參數進行源解析,但是由于多次線性回歸和模型的操作使得結果可能產生額外的不確定性[30].已有研究使用耦合了化學物種和光學參數的特殊數據集進行PMF源解析,得到源的光學信息[31],此方法能解析出多個污染源,沒有繁冗的計算從而避免了可能因此產生的不確定性,然而目前使用該方法的研究并不多[30,32-34].

武漢是華中地區最大的城市,作為我國重要的工業基地和交通樞紐,武漢面臨著較為嚴重的PM2.5污染[35-37],近年來雖有所好轉,但距離世界衛生組織2021年提出的5μg/m3年均值標準仍有很大的改善空間.我國對氣溶膠光學性質的研究大多集中在華北地區[38-39]、珠三角地區[40-41]和長三角地區[42-43],在華中地區的研究相對較少[37, 44].

本研究在2020年7月和10月對武漢城區的PM2.5化學組分和光學參數進行了在線觀測,在PMF受體模型中同時輸入這兩類數據進行解析,識別當地主要污染源,量化各污染源對吸收、散射和消光系數的貢獻,獲取重要吸光源的AAE信息.本研究也是耦合化學和光學數據的源解析方法首次在華中地區進行應用.

1 觀測數據和分析方法

1.1 采樣點及分析儀器

如圖1所示,本研究的采樣點位于湖北省武漢市的湖北省環境監測中心(114.28°E, 30.6°N),周邊是住宅和商業混合區,無明顯工業排放源,觀測數據反映華中高密度人口城區的空氣質量情況.本文研究時段為2020年7月和10月,分別代表夏季和秋季.

本研究使用的數據涵蓋PM2.5的質量濃度,化學成分(包括碳質組分、無機元素和主要離子濃度)和光學特性(包括光散射系數(bscat)和光吸收系數(abs)).

氣象參數(風速、風向、溫度和濕度等)通過一臺自動氣象觀測儀(Lufft, WS600, German)獲取.采用紫外線輻射儀(Kipp&Zonen,UVS-AB-T, Netherlands)對當地的紫外線輻射進行監測.

圖1 觀測站點地理位置及觀測時段PM2.5濃度和組成變化

有機碳(OC)和元素碳(EC)數據使用半連續的熱光學透射碳分析儀(Sunset Laboratory Inc., Model RT-4, USA)測量.該儀器在每小時的前45min收集環境樣品,流量為8L/min,后15min使用熱光學分析法進行分析[45].有關該儀器的分析原理和更詳細的信息見文獻[46].

每小時的PM2.5濃度由顆粒物監測儀(Thermo, Fisher-1405D, USA)測量.PM2.5元素濃度采用X射線熒光儀(Skyray, EHM-X200, China)測得,水溶性離子濃度通過離子色譜儀(Metrohm, MARGA 1S, Switzerland)進行監測.上述氣溶膠成分分析儀器時間分辨率均為1h,且都使用PM2.5切割頭.

氣溶膠的消光系數由光散射系數和光吸收系數加和獲得.525nm光散射系數(scat525)使用Aurora- 1000積分式濁度計(Ecotech, Australia)觀測獲得.7個波長(λ=370, 470, 520, 590, 660, 880, 950nm)的氣溶膠吸收系數使用AE31型黑碳儀(Magee Scientific, CA, USA)獲取,采樣流量為5L/min.由于黑碳儀的采樣是基于濾膜透射光衰減原理,因此存在一定的系統誤差,如負載效應、矩陣效應和散射效應[47].本研究使用Weingartner等[48]開發的算法來校正黑碳儀數據.關于黑碳儀數據校正和處理的更多信息可參考文獻[49].525nm波長的消光系數(ext)可通過ext=scat525+abs525計算得到,其中525nm波長的吸收系數abs525可以通過相鄰波長(520和590nm)的吸收系數得到,見公式(1)-(2):

525nm波長的單次散射反照率(SSA525)計算如公式(3):

本研究中由于黑碳儀和濁度計均開啟了干燥,因此本研究探討的消光(散射+吸收)均是不包含氣溶膠液態水(LWC)的貢獻,即干氣溶膠的消光.

1.2 PMF受體模型

PMF受體模型是一種多變量的因子分析方法,已被廣泛用于識別污染源并量化其對受體點環境污染物的貢獻[50].PMF模型的原理詳見文獻[12,51]. PMF假設了排放源和受體之間存在質量濃度平衡,并將樣本數據矩陣(,矩陣元素為x)分解為因子成分譜矩陣(,矩陣元素為f)和因子貢獻矩陣(,矩陣元素為g),如公式(4)所示:

式中:x是在第個樣品中第個物種的濃度,是因子的數量,g是第個因子對第個樣品的因子貢獻,f是第個物種在第個因子上的因子分布,e是在第個樣品上測量的第個物種的殘差,代表測量值和模型輸出之間的差異.PMF模型根據輸入濃度結合不確定度(u)尋求目標函數Q的最小解,以獲得因子譜和因子貢獻的信息:

Forello等[31]的研究表明,耦合化學物種和光學參數的數據集對PMF解析工作相當有幫助,可以獲得污染源的額外光學信息.本文中,使用的PMF版本是EPA PMF v5.0.小時分辨率的PM2.5化學組分和光學參數(光散射和吸收)被輸入到PMF模型中.盡管矩陣存在不同單位參量,可以認為矩陣得到的是純數值,而矩陣某列中的元素與矩陣的原始數據單位相同,此前的研究同樣證明了不同單位的矩陣對PMF結果不會有影響[31-32,52].

根據所測量物種的代表性和數據的質量,本文選擇了以下24個變量輸入模型,包括OC、EC、Ca、Ti、V、Cr、Mn、Fe、Ni、Zn、Pb、Cl-、NO3-、SO42-、NH4+、K+、以及scat525和 370、470、520、590、660、880、950nm波長的光吸收系數.所有的觀測缺失值被排除在數據集外,參考Kim等[53]的研究進行了數據集的預處理和不確定度設置.

1.3 數據可視化和后向軌跡分析

本研究的時間序列圖和箱式圖是由本課題組基于Igor開發的工具包ScatterPlot[54]和HistBox[24]所繪制.

為探討不同氣團傳輸對武漢當地光學參數解析的影響,本研究基于全球數據同化系統(GDAS)的氣象數據集,使用美國國家海洋和大氣管理局空氣資源實驗室(NOAA ARL)開發的HYSPLIT模型進行72h氣團后向軌跡計算,并將結果導入Meteoinfo軟件[55]進行軌跡聚類和可視化.

2 結果和分析

2.1 污染物濃度和光學參數概述

本研究的觀測時間為2020年7月(夏)和2020年10月(秋),兩個時段的PM2.5質量濃度和氣象參數時間序列如圖2所示.觀測期間整體的平均溫度為22.7℃,相對濕度為84.7%,夏季的溫度(27.1℃)、紫外線輻射UVA(8.7W/m2)和相對濕度(89.5%)的平均值均高于秋季(18.2℃, 5.9W/m2, 79.8 %).

圖2 PM2.5濃度及氣象數據時間序列

研究時段的PM2.5平均質量濃度為34.5μg/m3,在觀測的兩個季節中,其濃度和組成存在明顯變化,秋季PM2.5質量濃度(42.8μg/m3)明顯高于夏季(26.8μg/m3),兩個季節的PM2.5組成情況如圖1,其中有機物(OM)是根據Turpin等[56]的建議計算(OM=1.8OC)得到,FS代表細粒子礦塵,計算方法如下[9]:

在秋季,PM2.5的組成以NO3-為主,占總質量的33%而夏季PM2.5組成是以OM為主,占比達到了39%,NO3-只占了12.6%.武漢是我國四大火爐之一,硝酸鹽占比的夏秋差異可能與溫度影響的氣-粒分配有關[57],夏季溫度較高,導致顆粒態的NO3-揮發,因此夏季的顆粒態硝酸鹽濃度相對較低,圖3(a)給出了研究時段NO3-與溫度依賴關系,發現溫度區間在18～20℃之后,其濃度隨溫度升高呈顯著的降低,而夏季平均溫度為27.1℃,圖3(b)給出了夏秋季氣態硝酸(HNO3)與顆粒態硝酸鹽(NO3-)的摩爾比值,該比值在夏季明顯高于秋季,進一步驗證了夏季較低的硝酸鹽濃度與其揮發為氣態硝酸有一定關聯. SO42-在PM2.5的占比季節變化不大,均接近20%.表1總結了的PM2.5及其化學組成和光學參量的季節對比統計,大部分化學物種和光學參數都呈秋高夏低的特征.此外SSA525在整體觀測時段為(0.92±0.04),且季節變化很小.

表1 PM2.5及其化學組成濃度、光學參數平均值統計

2.2 源解析結果

為了識別污染源對光散射和吸收的貢獻,本次源解析工作使用耦合了光學參數及化學物種的PMF模型,嘗試了4～11個因子數的迭代運算,每個因子數重復運行30次模型,確保得到的最小二乘解的代表性,最終確定了8個因子的最優結果,因為該情況下解析結果各污染源的污染物分類明確且Q/Qexp值變化較穩定.其源譜如圖4所示.

圖4 研究期間PMF解析出的源成分譜

因子1被確定為機動車排放源,對abs520的貢獻率為66.3%,是當地吸光的主要貢獻源,此外對光散射(scat525)貢獻也達到了27.0%,該因子OC和EC的特征值很高(圖4),這兩個示蹤物通常被認為代表著機動車排放[58],從圖5可以看出因子1對光學參數貢獻在6:00～9:00和17:00～20:00呈現峰值,表現出典型早晚雙高峰特征,從側面證明了機動車排放的影響.

因子2代表本次解析的第一類二次無機鹽(SIA Ⅰ),其主要的富含物種包括NO3-,NH4+和SO42-(圖4),這表明該源同時包含了硝酸鹽和硫酸鹽的生成過程.該因子是大氣散射的重要來源,對scat525貢獻率為38.4%.

因子3則是本次解析的第二類二次無機鹽(SIA Ⅱ),SO42-和NH4+的貢獻較高,NO3-的含量很低(圖4),意味著因子3主要和硫酸鹽的二次過程有關.因子3對散射的貢獻為11.5%.硫酸鹽的生成途徑很多[59],本研究探討了二次無機鹽Ⅰ和二次無機鹽Ⅱ中的SO42-(分別表示為SO42-_SIA Ⅰ和SO42-_SIA Ⅱ)對Fe的依賴性,如圖6所示,在二次無機鹽Ⅱ中的SO42-對Fe存在明顯的依賴關系,但是二次無機鹽Ⅰ中的SO42-對Fe沒有依賴關系,考慮到城市中可溶性鐵(FeS)在總鐵(FeT)中的占比相對穩定[60],這一依賴關系也能代表SO42-_SIA Ⅰ和SO42-_SIA Ⅱ對FeS的依賴,這表明兩種二次源的SO42-生成機制并不相同:液相反應中Fe、Mn等過渡金屬離子的催化是硫酸鹽生成的重要途徑之一[61-62],因此因子3(SIA Ⅱ)中的硫酸鹽生成與過渡金屬的催化有一定關聯,而因子2(SIA Ⅰ)中硫酸鹽的生成與過渡金屬無關.此外因子3中存在著一定量的Ca,含Ca的粉塵被認為是可以形成二次氣溶膠的一種介質[63].從日變化特征來看,因子3散射貢獻的日變化在夏季更為明顯(圖5a),在14:00達到最高值,說明硫酸鹽的生成也有來自受太陽輻射驅動的生成路徑的貢獻(例如OH和H2O2)[59].

圖5 污染源對光散射系數(bscat525)和光吸收系數(babs520)貢獻百分比日變化

因子4的特征元素為Pb和Zn(圖4),此前的一項排放清單研究指出湖北省的Pb排放主要來自于有色金屬的冶煉[64],在北京和天津的一項PMF源解析工作同樣利用Pb和Zn作為金屬冶煉源的示蹤物[65].故因子4被識別為鉛冶煉.該因子對光吸收和散射的貢獻較少.

因子5中Cr、Mn、Fe、Ni、Zn等重金屬的特征值非常高(圖4),這些重金屬通常被認為和工業過程有關,如Cr、Fe、Ni、Zn、Mn一般都和鋼鐵行業有關[66-68],同時Cr還常用于電鍍等過程[69],所以因子5被識別為工業源.因子5對光散射和吸收都存在著一定量的貢獻,對scat525貢獻為14.8%,對abs520貢獻為14.2%.因子5對散射和吸收的日變化貢獻表現出白天高夜間低的特征(圖5),從側面反映了因子5這個工業源的排放特征.

因子6的特點是地殼元素的特征值較高,包括Ca、Ti、Fe、Mn等(圖4),Ni同樣與土壤和道路的揚塵有關[70],所以該源被認為是揚塵源,它對光吸收和散射的貢獻較少,并且日變化特征不顯著(圖5).

因子7主要由V和Ni組成(圖4),這兩個元素是重油燃燒的重要示蹤物[71],因此該源被識別為重油燃燒,可能與武漢當地煉油廠和發達的航運業有關,其對光散射和吸收的貢獻極小(<1%).

因子8為生物質燃燒源,因為它的K+和Cl-較高(圖4),通常被認為是生物質燃燒所產生[72].值得一提的是,本文觀察到因子8在短波附近有著更明顯的吸光貢獻,370nm波段吸光貢獻為4.0%,而在950nm波段的貢獻率只有1.5%,由于因子8吸光貢獻存在典型的波長依賴性,這個光學特性也從側面驗證了因子8是來自于生物質燃燒,這與前人研究相符[73],在后文探討源的AAE特征也作了進一步的研究和解釋.因子8對光散射和吸收的貢獻同樣較小(<5%).

2.3 污染源的光學特性

夏秋兩個季節各污染源對光散射(scat525)、光吸收(以abs520為例)以及消光(根據吸光散射加和計算)的貢獻占比如圖7所示. 需要說明的是, 受限于單波長濁度計的觀測數據,本文僅探討了單波長的氣溶膠消光來源解析變化特征,然而考慮到氣溶膠粒子消光中散射的重要性,后續的研究可以使用三波長濁度計開展多波長的消光源解析工作,通過更為豐富的光學信息獲得更為合理源解析結果.

光散射源解析結果呈現了顯著的季節性差異.在夏季,光散射主要由4個源貢獻,分別為機動車(34.6%)、二次無機鹽Ⅱ(22.8%)、工業(18.5%)和二次無機鹽Ⅰ(14.6%),其它的4個源分配了10%左右的吸光貢獻:揚塵(4.2%)、鉛冶煉(3.5%)、重油燃燒(1.4%)、生物質燃燒(0.5%).而到了秋季,scat525大部分由二次無機鹽Ⅰ貢獻,達到了47.4%,機動車(24.1%)和工業(13.4%)的貢獻同樣不容忽視,另一方面二次無機鹽Ⅱ對scat525的貢獻從夏季的22.8%降到秋季的7.3%,從貢獻值來看,夏季二次無機鹽Ⅱ為25.2Mm-1,秋季則為17.3Mm-1,下降了約31%,二次無機鹽Ⅰ的增量更引人關注,解析結果顯示其夏季光散射貢獻值為16.1Mm-1,而秋季該值上升到113.0Mm-1,變化率達到了602%.秋季另外4個源對scat525貢獻占比較低,分別為揚塵(3.9%)、鉛冶煉(2.5%)、生物質燃燒(1.1%)和重油燃燒(0.1%).

圖7 夏秋季節污染源對光散射系數(bscat525)、光吸收系數(babs520)以及消光系數的平均百分比貢獻

相較而言,光吸收源貢獻的季節性差異不明顯.在夏季,機動車(68.8%)和工業(14.4%)是最主要的吸光貢獻源,而揚塵(6.6%)、鉛冶煉(3.0%)、二次無機鹽Ⅱ(2.7%)、重油燃燒(2.3%)、生物質燃燒(1.3%)和二次無機鹽Ⅰ(0.9%)這剩余的6個源共分攤了約17%;類似的情況發生在同年秋季,機動車(65.0%)和工業(14.1%)同樣占據了絕對的吸光貢獻主導,其它6個源:揚塵(8.4%)、生物質燃燒(4.1%)、二次無機鹽Ⅰ(3.9%)、鉛冶煉(2.8%)、二次無機鹽Ⅱ(1.2%)和重油燃燒(0.4%)共貢獻了總吸光的約21%.最大的不同體現在二次無機鹽Ⅰ和生物質燃燒,在夏季這兩個污染源是520nm波段吸光貢獻最低的兩個源,共占總吸光2.2%,而在秋季這兩個源的吸光貢獻之和達到了8%.

根據得到的光散射與光吸收源解析結果,進一步研究了消光的解析情況(圖7c-f).在夏季,機動車(37.2%)、二次無機鹽Ⅱ(21.2%)、工業源(18.1%)和二次無機鹽Ⅰ(13.5%)的消光貢獻占比較大,其次分別是揚塵(4.4%)、鉛冶煉(3.5%)、重油燃燒(1.5%)和生物質燃燒(0.5%).秋季的源消光貢獻出現了較大變化,二次無機鹽Ⅰ(44.7%)貢獻占據主導,其次是機動車(26.7%),工業源占比為13.5%,而剩余的5個源貢獻較小:二次無機鹽Ⅱ(6.9%)、揚塵(4.2%)、鉛冶煉(2.5%)、生物質燃燒(1.3%)、重油燃燒(0.2%).

綜上,對光散射(或消光)貢獻變化最明顯的源為二次無機鹽Ⅰ和二次無機鹽Ⅱ,為進一步探討兩個二次無機鹽的光學貢獻情況,圖8分別顯示了二次無機鹽Ⅰ(SIA Ⅰ)和二次無機鹽Ⅱ(SIA Ⅱ)對scat525的貢獻值(分別表示為scat525_SIA Ⅰ,scat525_SIA Ⅱ)日變化,該值與二次無機鹽的活躍強度密切相關.對于SIA Ⅰ貢獻其日變化模式在夏秋兩個季節出現了較大的不同,夏季的特點是白天低夜間高,白天散射能力的降低可能歸因于高溫條件,影響了硝酸鹽的氣-粒分配,導致顆粒態硝酸鹽揮發.夏季NO3-質量濃度遠低于秋季,而NO3-是SIA Ⅰ最重要的物種,其濃度的降低直接導致SIA Ⅰ的散射能力降低,這也解釋了秋季SIA Ⅰ的光散射貢獻大幅高于夏季的原因.值得注意的是秋季scat525_SIA Ⅰ在日間出現了峰值,秋季正午的平均溫度為19.8℃,根據圖3的依賴關系,這個溫度下NO3-濃度尚未因溫度原因出現明顯下降,所以秋季正午SIA Ⅰ光散射峰值的出現可能與該時段光化學反映促進硝酸鹽生成以及較少的揮發性損失有關[74].相比而言, SIA Ⅱ的散射貢獻日變化在夏秋季節性差異不大,都是從清晨到午后逐漸達到峰值,說明這段時間二次反應活躍程度逐漸增強,也意味著除了前面提到過渡金屬催化作用,光化學反應也是SIA Ⅱ的重要生成途徑.兩個季節的區別在于夏季貢獻值的峰值出現了滯后,并且夏季scat525_SIA Ⅱ日平均值在大部分時段都比秋季高,這與太陽輻射日變化的季節性差異有一定關聯.

圖8 二次無機鹽Ⅰ和二次無機鹽Ⅱ在夏秋季的bscat525值日變化

為了評估氣團傳輸對光學參數源解析情況的影響,對研究時段的兩個季節進行了72h后向軌跡聚類分析,結果如圖9所示.在夏季得到了3個聚類的最優情況,C1和C3都來自于武漢周邊省份的傳輸,C2則來自于華南地區的遠距離輸送,其中C3的scat525和abs520的PMF解析值(分別表示為scat525, PMF和abs520,PMF)最大.秋季同樣得到3個氣團聚類的最優解,C1代表山東半島及海洋氣團,C2來自于西北方向,C3氣團與C1氣團方向接近,區別在于C3風速較低,是源自華東地區由江蘇經安徽傳輸,C3的scat525,PMF和abs520,PMF也最大.吸光由于主要受機動車排放的影響,其解析情況不同氣團的變化并不顯著,說明吸光主要受本地源排放的影響為主.值得注意的是,秋季C1氣團的機動車abs520(59.8%)貢獻明顯小于同季另兩個氣團.散射解析方面,夏季C1和C3這兩個相對局地傳輸的氣團二次源的貢獻均比華南遠距離輸送氣團C2的大,表明局地源傳送的二次源對光散射的強烈影響,其中C1氣團二次無機鹽Ⅱ(27.9%)的作用更為突出,而C3二次無機鹽Ⅱ(24.0%)的散射貢獻比起其它氣團要高.在秋季則有所不同,二次無機鹽Ⅰ作為該季節最重要的scat525貢獻源,C1氣團中其貢獻最高,達到了56.6%,表明該季節東北方向區域傳輸的影響.最后本文也觀察到秋季西北的C2氣團帶來的揚塵對光學參數的貢獻顯著高于其它氣團,其abs520貢獻為11.1%,scat525貢獻為5.3%,均高于另兩個氣團,此前武漢的一項研究也報告了西北方向氣團輸送的沙塵對武漢空氣質量的影響[36].

圖9 夏秋季節氣團后向軌跡聚類及各氣團來向下吸收和散射系數的源貢獻

吸收波長指數AAE是表征氣溶膠光學特性的一個重要參量[75],由于本研究中PMF輸入了7個波長的吸收系數,因此得以探究不同源的AAE特征.使用abs與-AAE(其中代表波長)進行了冪函數擬合,從而得到各個污染源的AAE值(圖10),本文主要關注機動車、工業、揚塵和生物質燃燒4個污染源.機動車源的AAE為0.96,該值與以往用放射性碳的研究結果0.9[76]接近,和隧道直接進行交通源采樣的結果(0.97±0.10)[77]也類似.生物質燃燒的AAE為2.24,生物質燃燒的高AAE值表明該源中棕碳對吸光的重要貢獻,導致其吸光對波長有很大的依賴,這一結果同樣與其它研究相近[30-31,78].工業源的AAE為1.04,接近于1的值說明工業源與化石燃燒的關系密切.而揚塵的AAE為1.39,這一值遠低于之前在塔里木盆地的研究結果(3.1)[79],與前人在香河的研究(1.82)[80]相比也要略低,這可能是由于城市中的揚塵源混合了一定的燃燒產生的BC(這一點在源譜中也有體現),導致AAE的降低.傳統的基于黑碳儀的AAE模型的吸光解析方法高度依賴源的AAE值[16],本方法可在沒有任何先驗信息的條件下獲得特定源AAE值,這是將光學參數耦合到PMF中進行源解析的優勢之一.

圖10 機動車、工業源、揚塵和生物質燃燒源AAE擬合結果

綜合上述解析結果發現,本研究解析出的兩個二次源對消光都有著相當大的貢獻,當地能見度的降低很大程度上歸因于二次污染,這一發現強調了在武漢控制SO2和NO的排放以降低二次污染的重要意義.實際上近年來我國大力推進空氣污染治理,空氣質量已得到顯著改善,然而對硝酸鹽的控制依舊有待加強[37,81],這表明未來進一步的控制硝酸鹽等污染物的形成對提高能見度以及降低空氣污染會有很大幫助.武漢城區機動車的排放同樣非常重要,其一方面是當地吸光的主導排放源,另一方面在夏季也對光散射有較高貢獻,表明了機動車排放對當地大氣能見度有很大影響.工業排放同樣是不容忽視的,解析結果表明當地光吸收和散射一定程度上要歸因于工業的排放.

3 結論

3.1 武漢秋季的PM2.5濃度(42.8μg/m3)、吸光系數(abs520=15.5Mm-1)、散射系數(scat525=221.7Mm-1)和消光系數(ext=242.5Mm-1)均高于夏季(26.8μg/m3, 9.26Mm-1, 143.1Mm-1, 152.3Mm-1).觀測期間的單次散射反照率(525)均值為0.92,夏秋季變化不大.

3.2 夏季主要的消光源是機動車(37.2%)和二次無機鹽Ⅱ(21.2%),秋季則為二次無機鹽Ⅰ(44.7%)和機動車(26.7%).消光可分為吸光和散射,當地最大的吸光貢獻源來自于機動車(66.3%),光散射則主要由二次無機鹽Ⅰ(38.4%)貢獻.且源的吸光貢獻在夏秋兩個季節未表現出明顯的季節變化,而光散射情況則出現了顯著變化,體現在二次無機鹽Ⅰ在秋季(47.4%)貢獻較高,而在夏季(14.6%)由于受到高溫影響其貢獻大幅下降,此外工業源的光學特性值得關注,其對吸光(14.2%)和散射(14.8%)的貢獻均不容忽視.后向軌跡研究還發現機動車和工業這兩個源主要是來自局地的排放,秋季西北向的氣團其揚塵源的吸光和散射貢獻均源高于其它氣團的揚塵貢獻.

3.3 本研究通過PMF得到了不同污染源的AAE值,包括機動車(0.96)、工業源(1.04)、揚塵(1.39)、生物質燃燒(2.24),機動車和工業源的AAE值都接近于1說明這兩個源的排放的吸光性物質主要是黑碳,而生物質的高AAE表明其可能更多受棕碳的影響.由于本研究的AAE值是在沒有任何先驗假設下獲取的,該值對于使用Aethalometer模型等高度依賴源AAE的研究能提供一定參考.

[1] 吳 兌,毛節泰,鄧雪嬌,等.珠江三角洲黑碳氣溶膠及其輻射特性的觀測研究 [J]. 中國科學(D輯:地球科學), 2009,39(11):1542-1553.

Wu D, Mao J T, Deng X J, et al. Black carbon aerosols and their radiative properties in the Pearl River Delta region [J]. Sci. China Ser. D-Earth Sci., 2009,52(8):1152-1163.

[2] Lohmann U, Lesins G. Stronger constraints on the anthropogenic indirect aerosol effect [J].Science, 2002,298(5595):1012-1015.

[3] Yu H, Kaufman Y J, Chin M, et al. A review of measurement-based assessments of the aerosol direct radiative effect and forcing [J]. Atmos. Chem. Phys., 2006,6(3):613-666.

[4] Rosenfeld D. Suppression of Rain and Snow by Urban and Industrial Air Pollution [J]. Science, 2000,287(5459):1793-1796.

[5] Chow J C, Bachmann J D, Wierman S S G, et al. Visibility: Science and regulation [J]. J. Air Waste Manage. Assoc., 2002,52(9):973-999.

[6] Chan Y C, Simpson R W, McTainsh G H, et al. Source apportionment of visibility degradation problems in Brisbane (Australia) using the multiple linear regression techniques [J]. Atmos. Environ., 1999, 33(19):3237-3250.

[7] Tao J, Cao J J, Zhang R J, et al. Reconstructed light extinction coefficients using chemical compositions of PM2.5in winter in Urban Guangzhou, China [J]. Adv. Atmos. Sci., 2012,29(2):359-368.

[8] Liao W, Zhou J, Zhu S, et al. Characterization of aerosol chemical composition and the reconstruction of light extinction coefficients during winter in Wuhan, China [J]. Chemosphere, 2020,241:125033.

[9] Hand J, Copeland S, Day D, et al. IMPROVE (Interagency monitoring of protected visual environments): Spatial and seasonal patterns and temporal variability of haze and its constituents in the United States, IMPROVE Report V [R]. (2011).

[10] Shen G, Xue M, Yuan S, et al. Chemical compositions and reconstructed light extinction coefficients of particulate matter in a mega-city in the western Yangtze River Delta, China [J]. Atmos. Environ., 2014,83:14-20.

[11] 鄭 玫,張延君,閆才青,等.中國PM2.5來源解析方法綜述 [J]. 北京大學學報(自然科學版), 2014,50(6):1141-1154.

Zheng M, Zhang Y J, Yan C Q, et al. Review of PM2.5source apportionment methods in China [J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014,50(6):1141-1154.

[12] Hopke P K. Review of receptor modeling methods for source apportionment [J]. J. Air Waste Manage, 2016,66(3):237-259.

[13] Wang Q, Qiao L, Zhou M, et al. Source Apportionment of PM2.5using hourly measurements of elemental tracers and major constituents in an Urban Environment: Investigation of Time-Resolution Influence [J]. J. Geophys, Res., 2018,123(10):5284-5300.

[14] Paatero P. Least squares formulation of robust non-negative factor analysis [J]. Chemometrics and Intelligent Laboratory Systems, 1997, 37(1):23-35.

[15] Belis C A, Larsen B R, Amato F, et al. European guide on air pollution source apportionment with receptor models [R]. (2014).

[16] Sandradewi J, Prevot A S H, Szidat S, et al. Using aerosol light absorption measurements for the quantitative determination of wood burning and traffic emission contributions to particulate matter [J]. Environ Sci Technol, 2008,42(9):3316-3323.

[17] Herich H, Hueglin C, Buchmann B A. 2.5year's source apportionment study of black carbon from wood burning and fossil fuel combustion at urban and rural sites in Switzerland [J]. Atmos. Meas. Tech., 2011,4(7): 1409-1420.

[18] Favez O, Cachier H, Sciare J, et al. Evidence for a significant contribution of wood burning aerosols to PM2.5during the winter season in Paris, France [J]. Atmos. Environ., 2009,43(22):3640-3644.

[19] Favez O, E l Haddad I, Piot C, et al. Inter-comparison of source apportionment models for the estimation of wood burning aerosols during wintertime in an Alpine city (Grenoble, France) [J].Atmos. Chem. Phys., 2010,10(12):5295-5314.

[20] Zheng H, Kong S, Wu F, et al. Intra-regional transport of black carbon between the south edge of the North China Plain and central China during winter haze episodes [J]. Atmos. Chem. Phys., 2019,19(7): 4499-4516.

[21] Küpper M, Quass U, John A C, et al. Contributions of carbonaceous particles from fossil emissions and biomass burning to PM10in the Ruhr area, Germany [J]. Atmos. Environ., 2018,189:174-186.

[22] Pokhrel R P, Wagner N L, Langridge J M, et al. Parameterization of single-scattering albedo (SSA) and absorption ?ngstr?m exponent (AAE) with EC/OC for aerosol emissions from biomass burning [J]. Atmos. Chem. Phys., 2016,16(15):9549-9561.

[23] Helin A, Virkkula A, Backman J, et al. Variation of absorption ?ngstr?m exponent in aerosols from different emission sources [J]. J. Geophys. Res., 2021,126(10):e2020JD034094.

[24] Wu C, Wu D, Yu J Z. Quantifying black carbon light absorption enhancement with a novel statistical approach [J]. Atmos Chem Phys, 2018,18(1):289-309.

[25] Martinsson J, Eriksson A C, Nielsen I E, et al. Impacts of combustion conditions and photochemical processing on the light absorption of biomass combustion aerosol [J]. Environ. Sci. Technol., 2015,49(24): 14663-14671.

[26] 譚 健,夏 瑞,吳 兌,等.地殼元素鐵的吸光貢獻對黑碳吸光增強估算的影響:以武漢為例 [J]. 中國環境科學, 2022,42(7):3033-3045.

Tan J, Xia R, Wu D, et al. Determination of crustal element iron light absorption contribution and effects on black carbon light absorption enhancement estimation: a case study in Wuhan [J]. China Environmental Science, 2022,42(7):3033-3045.

[27] Mian C, Diehl T, Dubovik O, et al. Light absorption by pollution, dust, and biomass burning aerosols: a global model study and evaluation with AERONET measurements [J]. Ann. Geophys., 2009,27(9):3439- 3464.

[28] Tao J, Zhang L, Cao J, et al. Characterization and source apportionment of aerosol light extinction in Chengdu, southwest China [J]. Atmos. Environ., 2014,95:552-562.

[29] Tian J, Wang Q, Han Y, et al. Contributions of aerosol composition and sources to particulate optical properties in a southern coastal city of China [J]. Atmos. Res., 2020,235:104744.

[30] Wang Q, Liu H, Wang P, et al. Optical source apportionment and radiative effect of light-absorbing carbonaceous aerosols in a tropical marine monsoon climate zone: the importance of ship emissions [J]. Atmos. Chem. Phys., 2020,20(24):15537-15549.

[31] Forello A C, Bernardoni V, Calzolai G, et al. Exploiting multi- wavelength aerosol absorption coefficients in a multi-time resolution source apportionment study to retrieve source-dependent absorption parameters [J]. Atmos. Chem. Phys., 2019,19(17):11235-11252.

[32] Forello A C, Amato F, Bernardoni V, et al. Gaining knowledge on source contribution to aerosol optical absorption properties and organics by receptor modelling [J]. Atmos Environ, 2020,243:117873.

[33] Romano S, Vecchi R, Perrone M R. Intensive optical parameters of pollution sources identified by the positive matrix factorization technique [J]. Atmos. Res., 2020,244:105029.

[34] Liu H, Wang Q, Xing L, et al. Measurement report: quantifying source contribution of fossil fuels and biomass-burning black carbon aerosol in the southeastern margin of the Tibetan Plateau [J]. Atmos. Chem. Phys., 2021,21(2):973-987.

[35] 成海容,王祖武,馮家良,等.武漢市城區大氣PM2.5的碳組分與源解析 [J]. 生態環境學報, 2012,21(9):1574-1579.

Cheng H R, Wang Z W, Feng J L, et al. Carbonaceous species composition and source apportionment of PM2.5in urban atmosphere of Wuhan [J]. Ecology and Environmental Sciences, 2012,21(9):1574- 1579.

[36] Xiong Y, Zhou J, Schauer JJ, et al. Seasonal and spatial differences in source contributions to PM2.5in Wuhan, China [J]. Sci. Total Environ., 2017,577:155-165.

[37] Yao L, Kong S, Zheng H, et al. Co-benefits of reducing PM2.5and improving visibility by COVID-19lockdown in Wuhan [J]. NPJ Clim. Atmos. Sci., 2021,4(1):40.

[38] Wang T, Du Z, Tan T, et al. Measurement of aerosol optical properties and their potential source origin in urban Beijing from 2013～2017 [J].Atmos. Environ., 2019,206:293-302.

[39] Ma N, Zhao C S, Nowak A, et al. Aerosol optical properties in the North China Plain during HaChi campaign: an in-situ optical closure study [J]. Atmos. Chem. Phys., 2011,11(12):5959-5973.

[40] Deng X J, Tie XX, Wu D, et al. Long-term trend of visibility and its characterizations in the Pearl River Delta (PRD) region, China [J]. Atmos. Environ., 2008,42(7):1424-1435.

[41] Wang X, Ding X, Fu X, et al. Aerosol scattering coefficients and major chemical compositions of fine particles observed at a rural site in the central Pearl River Delta, South China [J]. Journal of Environmental Sciences, 2012,24(1):72-77.

[42] Xu J, Tao J, Zhang R, et al. Measurements of surface aerosol optical properties in winter of Shanghai [J]. Atmos Res, 2012,109-110:25-35.

[43] Shen Y, Virkkula A, Ding A, et al. Aerosol optical properties at SORPES in Nanjing, east China [J]. Atmos. Chem. Phys., 2018,18(8): 5265-5292.

[44] Gong W, Zhang M, Han G, et al. An investigation of aerosol scattering and absorption properties in Wuhan, Central China [J]. Atmosphere, 2015,6(4):503-520.

[45] Huntzicker J J, Johnson R L, Shah J J, et al.Analysis of organic and elemental carbon in ambient aerosols by a thermal-optical method [M]. Springer, Boston, MA: Particulate Carbon, 1982:79-88.

[46] Wu C, Wu D, Yu J Z. Estimation and uncertainty analysis of secondary organic carbon using one-year of hourly organic and elemental carbon data [J]. J. Geophys. Res., 2019,124(5):2774-2795.

[47] Coen M C, Weingartner E, Apituley A, et al. Minimizing light absorption measurement artifacts of the Aethalometer: evaluation of five correction algorithms [J]. Atmos Meas Tech, 2010,3(2):457-474.

[48] Weingartner E, Saathoff H, Schnaiter M, et al. Absorption of light by soot particles: determination of the absorption coefficient by means of aethalometers [J]. J. Aerosol Sci., 2003,34(10):1445-1463.

[49] 程 丁,吳 晟,吳 兌,等.深圳市城區和郊區黑碳氣溶膠對比研究 [J]. 中國環境科學, 2018,38(5):1653-1662.

Cheng D, Wu C, Wu D, et al. Comparative study on the characteristics of black carbon aerosol in urban and suburban areas of Shenzhen. [J]. China Environmental Science, 2018,38(5):1653-1662.

[50] Paatero P, Tapper U. Positive matrix factorization: A non‐negative factor model with optimal utilization of error estimates of data values [J]. Environmetrics, 1994,5(2):111-126.

[51] Reff A, Eberly S I, Bhave P V. Receptor modeling of ambient particulate matter data using positive matrix factorization: Review of existing methods [J]. J. Air Waste Manage. Assoc., 2007,57(2):146- 154.

[52] Beddows D C S, Harrison RM. Receptor modelling of both particle composition and size distribution from a background site in London, UK – a two-step approach [J]. Atmos. Chem. Phys., 2019,19(7):4863- 4876.

[53] Kim E, Hopke P K, Edgerton E S. Improving source identification of Atlanta aerosol using temperature resolved carbon fractions in positive matrix factorization [J]. Atmos. Environ., 2004,38(20):3349-3362.

[54] Wu C, Yu J Z. Evaluation of linear regression techniques for atmospheric applications: the importance of appropriate weighting [J]. Atmos. Meas. Tech., 2018,11(2):1233-1250.

[55] Wang Y Q. MeteoInfo: GIS software for meteorological data visualization and analysis [J]. Meteorol Appl, 2014,21(2):360-368.

[56] Turpin B J, Lim H J. Species contributions to PM2.5mass concentrations: Revisiting common assumptions for estimating organic mass [J]. Aerosol Sci. Technol., 2001,35(1):602-610.

[57] Tao Y, Ye X, Ma Z, et al. Insights into different nitrate formation mechanisms from seasonal variations of secondary inorganic aerosols in Shanghai [J]. Atmos. Environ., 2016,145:1-9.

[58] Cao J J, Zhu C S, Tie XX, et al. Characteristics and sources of carbonaceous aerosols from Shanghai, China [J]. Atmos. Chem. Phys., 2013,13(2):803-817.

[59] Xue J, Yu X, Yuan Z, et al. Efficient control of atmospheric sulfate production based on three formation regimes [J]. Nat Geosci, 2019, 12(12):977-982.

[60] Zhu Y, Li W, Lin Q, et al. Iron solubility in fine particles associated with secondary acidic aerosols in east China [J]. Environ Pollut, 2020, 264:114769.

[61] Fan M Y, Zhang Y L, Lin Y C, et al. Roles of sulfur oxidation pathways in the variability in stable sulfur isotopic composition of sulfate aerosols at an urban site in Beijing, China [J]. Environmental Science & Technology Letters, 2020,7(12):883-888.

[62] Li J, Zhang Y L, Cao F, et al. Stable sulfur isotopes revealed a major role of transition-metal ion-catalyzed SO2oxidation in haze episodes [J]. Environ Sci Technol, 2020,54(5):2626-2634.

[63] Xu W, Kuang Y, Liang L, et al. Dust-dominated coarse particles as a medium for rapid secondary organic and inorganic aerosol formation in highly polluted air [J]. Environ Sci Technol, 2020,54(24):15710- 15721.

[64] Li Q, Cheng H, Zhou T, et al. The estimated atmospheric lead emissions in China, 1990～2009 [J]. Atmos. Environ., 2012,60:1-8.

[65] Cui Y, Ji D, Maenhaut W, et al. Levels and sources of hourly PM2.5- related elements during the control period of the COVID-19 pandemic at a rural site between Beijing and Tianjin [J]. Sci. Total Environ., 2020,744:140840.

[66] Pekney N J, Davidson C I, Zhou L, et al. Application of PSCF and CPF to PMF-Modeled Sources of PM2.5in Pittsburgh [J]. Aerosol Sci. Technol., 2006,40(10):952-961.

[67] Querol X, Viana M, Alastuey A, et al. Source origin of trace elements in PM from regional background, urban and industrial sites of Spain [J]. Atmos. Environ., 2007,41(34):7219-7231.

[68] Zheng H, Kong S, Chen N, et al. Significant changes in the chemical compositions and sources of PM2.5in Wuhan since the city lockdown as COVID-19 [J]. Sci. Total Environ., 2020,739:140000.

[69] Liu J, Chen Y, Chao S, et al. Emission control priority of PM2.5-bound heavy metals in different seasons: A comprehensive analysis from health risk perspective [J]. Sci. Total Environ., 2018,644:20-30.

[70] Park D, Oh M, Yoon Y, et al. Source identification of PM10pollution in subway passenger cabins using positive matrix factorization [J]. Atmos. Environ., 2012,49:180-185.

[71] Chow J C, Watson J G. Review of PM2.5and PM10apportionment for fossil fuel combustion and other sources by the chemical mass balance receptor model [J]. Energy & Fuels, 2002,16(2):222-260.

[72] Chen J, Li C, Ristovski Z, et al. A review of biomass burning: Emissions and impacts on air quality, health and climate in China [J]. Sci. Total Environ., 2017,579:1000-1034.

[73] Saleh R, Hennigan C J, McMeeking G R, et al. Absorptivity of brown carbon in fresh and photo-chemically aged biomass-burning emissions [J]. Atmos. Chem. Phys., 2013,13(15):7683-7693.

[74] Sun Y, Wang Z, Fu P, et al. The impact of relative humidity on aerosol composition and evolution processes during wintertime in Beijing, China [J]. Atmos. Environ., 2013,77:927-934.

[75] Wang Q, Liu H, Ye J, et al. Estimating absorption ?ngstr?m exponent of black carbon aerosol by coupling multiwavelength absorption with chemical composition [J]. Environmental Science & Technology Letters, 2021,8(2):121-127.

[76] Zotter P, Herich H, Gysel M, et al. Evaluation of the absorption ?ngstr?m exponents for traffic and wood burning in the Aethalometer-based source apportionment using radiocarbon measurements of ambient aerosol [J]. Atmos. Chem. Phys., 2017,17(6):4229-4249.

[77] Blanco Alegre C, Calvo A I, Alves C, et al. Aethalometer measurements in a road tunnel: A step forward in the characterization of black carbon emissions from traffic [J]. Sci. Total. Environ., 2020,703:135483.

[78] Lewis K, Arnott W P, Moosmüller H, et al. Strong spectral variation of biomass smoke light absorption and single scattering albedo observed with a novel dual-wavelength photoacoustic instrument [J]. J. Geophys. Res., 2008,113(D16):D16203.

[79] Zhang X, Jiang H, Mao M. Absorption angstrom exponent of dust aerosols over the Tarim Basin [J]. Pure and Applied Geophysics, 2021,178:4549–4560.

[80] Yang M, Howell S G, Zhuang J, et al. Attribution of aerosol light absorption to black carbon, brown carbon, and dust in China - interpretations of atmospheric measurements during EAST-AIRE [J]. Atmos. Chem. Phys., 2009,9(6):2035-2050.

[81] Zhai S, Jacob D J, Wang X, et al. Control of particulate nitrate air pollution in China [J]. Nat. Geosci., 2021,14(6):389-395.

PMF model based atmospheric aerosol light extinction budget source apportionment study in Wuhan.

XIA Rui1,2, TAN Jian1,2, WANG Qiong-qiong3, WU Dui1,2, KONG Shao-fei4,5, CHEN Nan5,6*, DENG Tao7, TAO Li-ping1,2, ZHANG Xue1,2, WU Bo-xi1,2, WU Liang-bin1,2, WANG Qing1,2, WU Cheng1,2**

(1.Institute of Mass Spectrometry and Atmospheric Environment, Guangdong Provincial Engineering Research Center for On-Line Source Apportionment System of Air Pollution, Jinan University, Guangzhou 510632, China；2.Guangdong-Hongkong-Macau Joint Laboratory of Collaborative Innovation for Environmental Quality, Guangzhou 510632, China；3.Department of Chemistry, The Hong Kong University of Science and Technology, Hong Kong 999077, China；4.Department of Atmospheric Sciences, School of Environmental Studies, China University of Geosciences (Wuhan), Wuhan, 430078, China；5.Research Centre for Complex Air Pollution of Hubei Province, Wuhan 430074, China；6.Eco-Environmental Monitoring Centre of Hubei Province, Wuhan 430074, China；7.Institute of Tropical and Marine Meteorology, China Meteorological Administration, Guangzhou 510080, China)., 2023,43(1)：7～19

Online observation data from Wuhan in July (summer) and October (autumn) in 2020 was used to quantify the source contribution of PM2.5on light extinction coefficients by inputting the optical parameters and chemical components of PM2.5into the positive matrix factorization (PMF) model. This study found that the dominating contributing sources of light absorption coefficient were vehicles (66.3%) and industry (14.2%). For light scattering coefficient, the major contributors were secondary inorganic aerosol Ⅰ (38.4%) and vehicle (27.0%). The source contribution on light scattering showed clear seasonal variations, as the contribution from secondary inorganic aerosol Ⅰ was notably lower in summer (14.6%) than in autumn (47.4%). As for the light extinction coefficient, vehicles (37.2%) and secondary inorganic aerosol Ⅱ (21.2%) were the major contributors in summer, while secondary inorganic aerosol Ⅰ (44.7%) and vehicles (26.7%) were the dominating sources in autumn. The absorption ?ngstr?m exponent (AAE) values for several important sources were also obtained in this study, including vehicles (0.96), industry (1.04), dust (1.39), and biomass burning (2.24).

Wuhan；extinction coefficient；positive matrix factorization (PMF)；source apportionment；aerosol optical properties

X513

A

1000-6923(2023)01-0007-13

夏 瑞(1998-),男,湖北武漢人,暨南大學碩士研究生,主要從事大氣細顆粒物來源解析研究.發表論文5篇.

2022-06-05

科技部國家重點研發計劃項目(2019YFB2102904);國家自然科學基金資助項目(41605002,41475004);廣東省科技創新戰略專項資金資助項目(2019B121205004)

* 責任作者, 正高級工程師, nanchen2020@126.com; ** 副研究員, wucheng.vip@foxmail.com