基于多模式的北京PM2.5組分特征及氧化潛勢分析

滑彤昕,劉 蕾,溫 維*,劉曉宇,姜 博,馬 欣,劉育松,鄧子凡(.北京科技大學能源與環境工程學院,北京 0008；.中國氣象科學研究院,北京 0008；.北京市生態環境保護研究院,北京 0007；.中國氣象局地球系統數值預報中心,北京 0008)

隨著“大氣十條”和“污染防治攻堅戰”等政策的實施,當前北京市大氣環境質量得到明顯改善,空氣質量持續向好.在2021年首次達標的基礎上,2022年北京市PM2.5年均濃度再創新低,下降至30μg/m3,連續兩年達到國家二級標準.當前北京市狠抓污染防治不放松,不斷強化PM2.5污染控制,并持續深化“一微克”行動,也更加關注PM2.5健康風險的識別、評估.據研究表明,PM2.5污染在成為空氣污染問題的同時,也已經被確定為多種疾病的重要風險因素[1].PM2.5誘導活性氧(ROS)引發氧化應激[2],威脅到人體抗氧化系統進而引發炎癥[3],是PM2.5影響人類健康的重要潛在機制[4-5].PM2.5誘導ROS 的能力被稱為氧化潛勢(OP),OP 是PM2.5氧化性的一種重要的表征指標,但其機制卻較為復雜[6-7].通過流行病學和毒理學研究發現,PM2.5的OP 與人體代謝系統紊亂[8]、胎兒生長發育[9]以及心肺系統疾病[10](如心臟不適、哮喘和肺癌)密切相關.當前PM2.5氧化潛勢的研究在北京也已展開,發現過渡金屬對于OP 值的貢獻較大[11-12],尤其是Cu 對于OP 值有很大貢獻[13].然而,北京市污染來源眾多[14],且不同區縣,PM2.5來源也存在差異,化學組分濃度不同對于OP 值的貢獻同樣造成差異;季節不同也會對OP 值的貢獻產生不同的影響,即使在夏季PM2.5濃度水平較低也會產生較高的OP 值[15].因此,亟需開展PM2.5不同來源組分特征對OP 值的貢獻以及其空間分布特征的研究,以期對污染治理提供更精細的支撐.

數值模擬技術是基于大氣動力學、大氣物理、大氣化學以及陸面過程等數學物理方程組的數值求解,分析污染濃度與排放源、氣象條件、大氣化學成分、干濕沉降及其他要素之間的定量關系,目前已成為區域復合型大氣污染控制理論科學研究和環境質量管理的重要手段[16].本研究在PM2.5中化學組分、OP 值的實驗測試基礎上,采用正交矩陣因子分析法(PMF)與數值模式相結合的方法,研究分析北京市典型區域PM2.5的污染特征、組分來源、以及通過多元線性回歸方法耦合WRF-Chem 模式,模擬OP 值的時空分布差異.研究結果可有助于進一步了解北京市PM2.5污染特征以及不同組分的來源對健康效應的影響,可為當地大氣污染管控提供科學依據.

1 研究方法與數據來源

1.1 樣品采集

本研究采樣站點為中國氣象科學研究院站,位于北京市海淀區中關村南大街(39.93°N,116.32°E,53m),如圖1.該站點地處城市中心,周圍環繞居民區及交通道路,具有典型城市特征.PM2.5對健康的影響與其化學成分和來源相關,春季和夏季的排放特征、氣象條件及污染物形成和擴散過程有明顯的差異.因此,本研究選取春季代表月3月和夏季代表月7月進行連續觀測收集 PM2.5樣品,每日采樣23h(09:00～次日08:00).采用TH1000 大流量顆粒物采樣器,采樣流量1.05m3/min.采樣濾膜為PALL 公司生產,采樣前石英濾膜在600℃下烘烤5h;取樣后用鋁箔包裹,在-18℃下儲存.采樣前后收集現場空白進行質量控制.

圖1 采樣站點和WRF-Chem 模型覆蓋區域Fig.1 Sampling site and WRF-Chem model simulation domain

1.2 化學組分分析

截取0.495cm2的濾膜,采用多波段熱/光分析儀(DRI Model 2015,Magee,美國)分析有機碳(OC)和元素碳(EC),方法為IMPROVE-A[17].

截取2.01cm2的濾膜,室溫下用10mL 的超純水超聲處理1h,然后用0.45μm 的聚醚砜注射器過濾器過濾.取上清液通過離子色譜儀(ICS3000,Thermo Fisher)測定Cl-、NO3-、SO42-、NH4+、K+、Mg2+、Na+和Ca2+的濃度,檢出限分別為0.016,0.024,0.067,0.022,0.016,0.015,0.021 和 0.039μg/m3.使用ICP-MS(7900,Agilent Technologies)測定Ti、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、As、Sr、Cd、Sn、Sb、Ba、Pb 的濃度,檢出限分別為0.074,0.004,0.021,0.009,0.265,0.001,0.004,0.052,0.154,0.018,0.003,0.005,0.018,0.005,0.048 和0.003ng/m3.

1.3 氧化潛勢分析

使用抗壞血酸法確定PM2.5的OP 值.PM2.5中存在氧化還原活性物質,可以將抗壞血酸氧化為脫氫抗壞血酸,并通過電子轉移促進ROS 的形成[18].取2.01cm2的濾膜,37℃下在2mL 的超純水中超聲處理1h.用超純水制備1mmol/L 的抗壞血酸儲備液,建立抗壞血酸標準濃度為50,100,150,200 和250μmol/L的標準曲線.采用0.45μm 的聚醚砜注射器過濾器過濾,提取每個樣品總計160μL 放入96 孔板,并向其中加入40μL 1mmol/L 的抗壞血酸超純水溶液.在37℃下,每20min 通過265nm 的微孔板讀數器(Varioskan LUX,Thermo scientific,USA)評估剩余抗壞血酸濃度,每次測量前振蕩3min.每個樣品和空白組測量3次,保證相對標準偏差小于5%.抗壞血酸的消耗率遵循抗壞血酸與時間的線性關系,相關系數大于0.985.OP 以每立方米大氣體積的抗壞血酸的消耗速率OPv 來表示[4](式1).

式中:Ds與Db分別代表樣品和空白濾膜的抗壞血酸消耗速率,pmol/min;Vt代表總的采樣標況體積,m3;Ap與At代表截取的和總的濾膜面積,cm2;Vr與Ve分別代表參與反應的和總的提取溶液體積,mL.

1.4 模型選取

PMF 用于源解析分析,PMF 模型廣泛應用于環境空氣質量數據的分析[19].其基于最小二乘法迭代運算的原理,計算各化學組分的誤差,估算污染源的貢獻[20-21].采用美國環保署的PMF5.0 進行PM2.5的來源解析.PMF 方程的不確定性(Unc)與方法檢測限(MDL)和誤差分數有關,誤差分數取10%[22].當檢測元素濃度小于等于MDL 時,Unc 計算如下[23]:

當濃度大于MDL 時,Unc 計算如下:

本研究選用的空氣質量數值模型為 WRFChem3.4.1 版本,WRF-Chem 模型廣泛應用氣溶膠輻射反饋效應對污染物濃度的影響.氣相化學選擇CBMZ 機制,其中包括67 個預測物種和164 個反應[24];氣溶膠化學選擇MOSAIC 模塊,包括硫酸鹽、甲烷、硝酸鹽、磺酸鹽、氯化物、碳酸鹽、銨、鈉、鈣、黑碳(BC)、有機碳(OC)、水和其它無機物(微量金屬等).已有研究表明,本模式所選取的機制可以較好的模擬北京及周邊區域PM2.5的污染濃度[25].模型所采用的具體物理方案如表1.

表1 WRF-Chem 大氣物理參數方案Table 1 WRF-Chem physics options

2 結果與分析

2.1 WRF-Chem 模型的建立與驗證

研究建立了北京及周邊區域空氣質量數值模型,模型提供了較為準確的邊界場,模擬區域覆蓋了中國華北大部分,包含223×202 個水平網格單元(圖1),水平分辨率為9km,垂直分辨率劃分36 層,采用Lambert 投影,選用國家環境預測中心(NECP)最終再分析數據用于生成氣象初始和邊界條件.以2017年中國多分辨率排放清單(MEIC)為人為排放輸入.參考美國EPA 模型檢驗評估方法[26],應用標準平均偏差(NMB)、標準平均誤差(NME)、相關系數(R)對模擬輸出結果和觀測結果進行統計分析,主要分析變量包括PM2.5濃度、2m 溫度(T2)?10m 風速(WS10)?2m 相對濕度(RH2);其中PM2.5污染物濃度數據來源于生態環境部空氣質量監測平臺數據;氣象數據來自中國氣象局氣象信息綜合分析與處理系統(MICAPS).相關性統計方法如公式(4-6)所示,對比結果如表2.

表2 氣象變量和污染物模擬及監測數據統計結果Table 2 Meteorological variables and pollutant simulation and monitoring data statistics results

統計結果顯示,在模擬時段內T2 的相關系數分別為0.92 和0.78,且NMB 和NME 比較小,表明模型對于溫度的模擬具有良好的性能.WS10 的相關系數分別為0.60 和0.54,NMB 和NME 在50%左右,從圖2 時間序列圖可看出模型模擬結果略高于觀測數據.RH2 的相關系數為0.71 和0.77,兩個月份的NMB和NME 分別為5.13%、21.86%和-5.42%、14.39%,結合圖2 中RH2 的時間序列圖,模型能夠較好的表現RH 的特點.總的來說,模型模擬的結果能夠較好的反應氣象條件的變化.對于污染物PM2.5的模擬,觀測數據和模擬數據間相關系數3月為0.7,7月為0.57,7月的模擬結果與監測結果間的偏差較大,主要是由于夏季光化學反應比較強烈,但是現有的模式中還不能對真實的大氣化學反應進行完全準確的描述[27].但兩個月PM2.5空氣污染物模擬結果與觀測值相關性均大于0.5,參考美國EPA 模型評估方法手冊并和已有研究結果對比[26],模式模擬結果可靠,能夠較準確的反映出污染物的濃度分布水平.總的來說,所選用模型能夠充分反映氣象條件和污染物的變化,可以用于本研究的進一步分析.

圖2 溫度?風速?相對濕度及PM2.5 觀測和模擬對比時間序列Fig.2 Time series plots of observation and simulation for comparison of Temperature,wind speed,relative humidity and PM2.5

2.2 PM2.5 污染特征及化學組分濃度

觀測期間的PM2.5濃度變化特征如圖3所示,可以發現在觀測期間 3月的 PM2.5濃度(53.3±49.8)μg/m3要高于7月(34.0±16.8)μg/m3,表明PM2.5污染春季大于夏季.其中,3月的PM2.5濃度日均波動范圍比較大,并且3月1、2、3、18日出現污染濃度較高的情況發生,分別為180,154,145,130μg/m3.如圖4,對氣象要素進行分析發現:在這幾日內的風速相較于同月內其他時間較低?相對濕度相較于同月內其他時間較高,此氣象條件不利于污染物的擴散.且重污染發生的時段,正處于采暖季節,北京及周邊區域污染排放量較大,北京及周邊地區出明顯的區域重污染過程.相比較來說,7月PM2.5的濃度較低,夏季采樣期間濃度波動范圍較小.根據歷史天氣數據,在7月出現多次降雨現象,雨水的沖刷有利于污染物的濃度稀釋.且夏季污染物排放量相對較低,較低的污染物排放,結合有利于污染擴散的氣象條件,是整個7月濃度較低的原因.本研究與先前的研究結論也較為一致[28-29].近年來,隨著打贏藍天保衛戰三年行動計劃的成功實施,北京市的PM2.5的濃度得到顯著的下降,但是從分析結果可以看出,仍存在濃度高于PM2.5二級濃度限值(75μg/m3)的情況出現,圍繞重污染過程的防控,PM2.5的精細化管理依然重要.

圖3 3月和7月每日PM2.5 濃度Fig.3 Daily PM2.5concentrations in March and July

圖4 3月和7月風速?相對濕度Fig.4 Wind speed and relative humidity in March and July

觀測期間PM2.5中碳質組分及水溶性離子的平均濃度如圖5a所示,其中OC?EC 及SO42-、NO3-、NH4+的濃度水平較高,分別占到了總濃度的19.18%、4.25%、11.07%、32.87%、14.5%(3月)和18.67%、5.76%、23.02%、23.23%、16.34%(7月),3月和7月SNA(SO42-、NO3-、NH4+)占PM2.5質量濃度的58.44%和62.59%.其中,SO42-、NO3-、NH4+的主要來源是前體物SO2、NOx、NH3轉化,SO2、NOx主要源自汽車尾氣排放及工業活動,NH3主要來自農業和畜牧業生產過程中氮肥的使用及土壤微生物氨化過程等[30].OC 主要來自包括直接排放的初級有機碳,和來自光化學反應產生二次有機碳[31],EC 主要源于燃料的不充分燃燒[32].先前的研究表明,2014年北京市PM2.5中OC、EC 含量為(16.7±14.6)和(2.7±2.5)μg/m3[33],在本研究期間兩者為(8.35±5.18)和(2.11±1.44)μg/m3,OC 含量顯著下降,EC 略有下降;劉保獻等人[34]對2012年8月～2013年7月北京PM2.5中主要化學組分研究分析發現SO42-、NO3-、NH4+分別占PM2.5質量濃度的15.52%、16.24%、10.88%,相比下2019年北京市PM2.5中三者的占比均有所提高.近年二次組分和碳質組分所占比例仍較高,因此需加強對PM2.5中二次組分和碳質組分污染來源精細化控制.

圖5 3月和7月PM2.5 中碳質組分、水溶性離子和水溶性金屬元素平均濃度Fig.5 Average concentrations of carbonaceous fraction,water-soluble ions and water-soluble metal elements of PM2.5in March and July

水溶性金屬元素也是PM2.5中重要的化學組分,如圖5b 為觀測期間PM2.5中水溶性金屬元素平均濃度水平.3月和7月水溶性金屬元素占到PM2.5總濃度的4.0%和2.0%.觀測期間3月和7月各化學組分的濃度分布情況類似,Zn、Fe、Mn、Ba、Pb、Cu的平均濃度水平比較高,在兩個月份分別為75.72,88.13,15.37,10.43,7.78,4.67ng/m3和186.26,66.97,12.55,5.11,13.06,5.52ng/m3.在這些元素中,Cu、Pb、Fe 等元素會對人體健康產生負面的影響,應重點關注此類元素的濃度特征和來源,以支撐污染治理.根據已有研究[14],2014年夏季北京的PM2.5中Zn、Fe、Mn、Ba、Pb、Cu 的平均濃度分別為195.8,654.4,36.9,34.0,74.0,32.0ng/m3.相較于2014年的研究結果,本研究對應元素的濃度水平均有所下降.這與前文中其他組分對比結果相一致,由于污染防治攻堅戰等政策的實施,污染減排效果顯著.

2.3 來源解析

基于觀測期間PM2.5樣品分析測定的化學組分濃度數據,研究應用PMF 模型對北京市的PM2.5來源進行分析.根據模型的輸出結果和數據分析,確定采樣期間北京市的PM2.5主要來源貢獻(圖6).

圖6 PMF 解析結果Fig.6 The PMF analysis results

因子1 中以Sn?Sb?Cu?Zn?Pb 為主,貢獻占比19.10%,其中Zn 是發動機潤滑油的重要添加劑[35],Sn?Sb?Cu 等可以從制動器的磨損當中釋放出來[36].隨著我國含鉛汽油的禁止使用,以及無鉛汽油中鉛的濃度限制,機動車汽油的Pb 排放量顯著下降,但由于機動車整體保有量較大,Pb 仍然是機動車尾氣的重要排放源[37].因此,本文認定因子1 為交通排放源.

因子2 中SO42-、NO3-、NH4+含量較高,因此視此來源為二次組分貢獻,占比19.17%.SO42-、NO3-、NH4+受前體物SO2、NOx和NH3的影響,北京的SO2主要來自于北京及周邊區域工業和供暖燃煤排放;NOx的主要來源是機動車排放[38],同時隨著“煤改氣”的實施,燃氣鍋爐的排放也是北京市NOx重要來源之一[39].NH3則主要來自于北京及周邊區域的農業、畜牧業等過程的排放.二次組分是北京市PM2.5的一個重要來源,并且受季節變化的影響較為顯著,由圖6b 因子2 的每日貢獻曲線可發現,3月初二次組分貢獻較高,隨后呈現下降的趨勢,主要是因為3月15日之前采暖期SO2、NOx排放量大,采暖期結束后排放量減少;進入7月二次組分的貢獻也逐漸增加,主要是由于夏季溫度高,光照強使得大氣氧化能力提升,并且在2.2 的分析中,也發現夏季SNA(SO42-、NO3-、NH4+)的濃度占比要遠遠高于春季,分別是58.44%和62.59%.

因子3 當中含有較高水平的Cr、Ni、Fe、Ti、Cr、Ni,其中Fe 來源于金屬冶煉等工業生產過程的排放[40];Ti 廣泛應用于航天、化工、醫療等行業,因子3 中的元素主要與工業活動相關,因此認定因子3為工業來源,貢獻13.4%.

因子4 貢獻18.02%,其中含有較高含量的為Ca2+、Mg2+、Sr.其中Ca2+、Mg2+是典型的地殼元素,主要來源于建筑活動產生的灰塵當中;Sr 是一種堿土金屬,通常存在于巖石或者礦物當中,巖石風化腐蝕導致其進入到大氣環境當中[41].因此,確定因子4為揚塵源.因子4 的逐日貢獻曲線如圖6b所示,可以發現揚塵源的貢獻具有明顯的季節變化特征,春季貢獻明顯高于夏季.

在因子5 中,V 的含量最高,V 是燃料中的添加劑,被看作是一種燃油示蹤劑,與石油燃燒相關[42],因子5 與交通運輸過程和石化行業工藝過程相關,這一因子可能來源于交通和石化行業的排放,認定為石油燃燒源,總體貢獻12.53%.

因子6 貢獻為17.78%,其中Cl-、K+的含量水平高,且Cl-和K+被看作是生物質燃燒的示蹤劑[43-44],將因子6 視作燃煤和生物質燃燒貢獻.圖6b 因子6的逐日貢獻曲線也表明,煤炭和生物質燃燒的貢獻也同樣具有明顯的季節變化,在3月的貢獻最大,并且貢獻較高的時段集中3月15日之前,這主要與區域居民供暖相關.

綜上,北京市PM2.5主要來自交通源、二次組分、工業源、揚塵源、石油燃燒和煤炭及生物質燃燒等多個污染源,其主要來源為交通源(19.10%)、二次組分(19.17%)和揚塵源(18.02%).并且來源具有明顯的季節變化特征,春季地表裸露且大風天氣頻繁,使得揚塵源的貢獻大于夏季;并且由于3月15 前仍為采暖季,使得燃煤和生物質燃燒源在春季的貢獻率高于夏季.而夏季較強的光照和較高的溫度,有助于前體物SO2向SO42-的轉化[45],使得夏季SNA 占PM2.5比例有所增加.

2.4 氧化潛勢分析

2.4.1 PM2.5中化學組分與OP 的相關性 本文采用抗壞血酸法表征PM2.5的OP 值,以體積歸一化OPv 來表示.2019年3月北京的OPv 值為(210.49±169.00)[pmol/(min·m3)],7月的OPv 值則為(313.34±131.84)[pmol/(min·m3)].實驗數據表明,3月的PM2.5濃度要高于7月,可見OP 值的大小不僅與PM2.5濃度相關,還受到其他因素的影響,因此本文研究分析PM2.5中具體化學組分對于OP 值的貢獻.

為進一步分析PM2.5中的化學組分對OP 值的貢獻,研究采用SPSS 對化學組分的濃度和OPv 值進行相關性分析,以斯皮爾曼相關系數(r)來表示,結果如表3所示.多數化學組分與OPv 值呈現極顯著(P<0.01).

表3 OPv 和PM2.5 化學組分的相關系數Table 3 Spearman correlation coefficients between the OPv and chemical components of PM2.5

表3 展示出PM2.5中各化學組分和OPv 值間的相關性,發現碳質組分及水溶性離子組分的貢獻尤為重要,PM 誘導的ROS 活性主要受到可溶性成分的影響.結果顯示 PM2.5中水溶性離子 SO42-與OPv(r=0.701)具有很強的相關性,OPv 與 EC(r=0.661)、NH4+(r=0.659)呈現強相關性.OC、NO3-與OPv 呈中度相關,相關系數分別為0.594 和0.489.以上與OPv 相關性較高的組分來源主要為機動車排放及二次組分貢獻.

和上述組分相比,水溶性元素Cu、As 等與OPv間的相關性更強一些,OPv 與Cu(r=0.801)、As(r=0.742)呈現出很強的相關性.Pb、Ni、Mn、Sn 和Cd與OPv 間的相關系數均大于0.6,呈現強相關性.Al、Sb、Ba、Ca、K、Zn 與OPv 間的相關系數介于0.4～0.6之間,呈現出中度相關性.這一結果與先前的研究一致[11],在眾多組分中過渡金屬是OP 值的重要貢獻者.這些對北京PM2.5的OP 值具有重要貢獻的元素主要產生于交通?工業以及燃燒排放等.上述結果表明,ROS 的產生受到PM2.5不同組分的影響,其主要組分的貢獻與北京市PM2.5的主要來源相關.

2.4.2 多元回歸分析 基于PM2.5中化學組分與OP 間的相關性結果,利用多元回歸模型定量判斷分析PM2.5中化學組分對OP 的變化關系.多元線性回歸模型用來表示因變量和對各自變量間的線性關系,經驗公式:

式中:x1,…,xk為方程的k 個自變量;βi為方程的回歸系數.

在本研究中,我們將與OP 相關系數r>0.4 的組分(中度相關及以上)輸入回歸模型中,采用逐步回歸法(F-進入:P≤0.05;P≥0.10)進行擬合得到回歸方程.逐步法在變量輸入時,新變量如果偏回歸平方和變化顯著則引入,否則不引入[46].此種方法克服了向前引入法和向后剔除法的缺點,集兩者的優點得到的模型更優.

考慮與WRF-chem 變量統一,在多元回歸變量輸入時,將OC、EC、SO42-、NO3-、NH4+、Cl-及其它水溶性元素的總和輸入模型當中進行擬合.輸出模型如表4所示,總共輸出兩個模型.選取模型2 作為最終多元擬合結果.其中,OC 中包含水溶性的有機物和非水溶性的有機物,非水溶性有機物占據更大比例對于OPv 的貢獻不明顯,因此輸入時變得不顯著被剔除[47].Cl-、NO3-和NH4+由于在輸入時的顯著性低于之后輸入的變量而變得不顯著被剔除.其他水溶性元素的總和濃度水平遠低于其他所測如碳質組分、SO42-、NO3-、NH4+,因此在模型的輸入時變得不顯著而被剔除.因此最終擬合結果如下,方程調整后的R2為0.848:

表4 OPv 和化學組分間的多元線性回歸結果Table 4 Multiple linear regression between OPv and PM2.5 chemical components

在所有輸入物種中EC 對于OPv 的貢獻程度最高,各個物種與OPv 的相關性比較高但可能實際對于OPv 的貢獻較小.

2.4.3 WRF-Chem 分析 將回歸分析方程耦合到WRF-Chem 模式中,模擬并分析北京市OPv 的時空分布特征.采樣期間的PM2.5濃度分布和OPv 空間分布特征對比模擬結果如圖7a～d.

圖7 3月、7月PM2.5、OPv、EC 和SO42-濃度空間分布Fig.7 Spatial distribution of PM2.5,OPv,EC and SO42- concentrations in March and July

從圖中可看出,兩個月的PM2.5和OPv 濃度空間分布具有明顯的差異,也具有明顯的季節特征.和監測結果一致,3月北京市PM2.5平均濃度明顯高于7月的PM2.5平均濃度,兩個月份的EC 濃度相差不大,7月的SO42-濃度高于3月的模擬結果;但3月的OPv 的濃度卻遠低于7月的平均濃度結果.如圖7a所示,北京市3月的PM2.5濃度分布呈現出由西北向東南增加的趨勢,濃度最高值出現在東南部地區.而圖7c,3月北京市的OPv 的濃度空間分布中,OPv 濃度峰值主要在城市中心區域匯集,且東部和南部與河北、天津交匯處濃度氧化潛勢也較高.在空間分布上,7月具有同樣的分布特征,PM2.5在空間上分布的更加均勻,而氧化潛勢高的區域主要集中在北京市中心區域,以及東南部的通州?大興一帶.由于模擬OPv 是基于EC 和SO42-計算,在空間分布上后兩者的分布與OPv 分布一致,濃度水平較高集中在北京市的中心區域.造成OPv 的這種時空間分布特點與影響氧化潛勢交通?工業以及燃燒等排放源的空間分布位置密切相關.因此建議在污染防控時,重點考慮城市的機動車污染防治,以及東南部大興通州一帶的工業園區排放,以降低對氧化潛勢的影響.

本研究建立的多元回歸與WRF-Chem 耦合的OPv 預測模型,可以為探究氧化潛勢的時空特征空間提供支撐.未來需進一步優化耦合模式,為制定精細化污染防控政策提供依據.

3 結論

3.1 3月PM2.5的月均濃度(53.3±49.8)μg/m3要高于7月(34.0±16.8)μg/m3,且PM2.5中二次組分和碳質組分所占比例仍較高.

3.2 采用PMF 模型對PM2.5進行來源解析發現,交通源(19.10%)、二次組分(19.17%)和揚塵源(18.02%)為主要的PM2.5來源.

3.3 北京PM2.5的OPv 與Cu、As、SO42-具有非常強的相關性,相關系數均大于0.7;與Pb、Ni、EC、NH4+、Mn、Sn 和Cd 呈現強相關性,相關系數均大于0.6.

3.4 基于多元線性回歸和WRF-Chem 模型耦合模擬,發現北京的東南部是OPv 較高的區域,應該關注此區域交通、工業園區污染排放對PM2.5健康的影響防控.