, 袁自冰1
, 赵恺辉1, 张舒1, 张夏夏1, 李文石1, 谢岩1, 杨雷峰1, 刘启汉2, 郁建珍2, 岳玎利3, 谭振威41. 华南理工大学环境与能源学院, 广州 510006;
2. 香港科技大学环境学部, 香港 999077;
3. 广东省环境监测中心, 广州 510308;
4. 澳门地球物理暨气象局, 澳门 999078
收稿日期: 2019-11-28; 修回日期: 2020-01-09; 录用日期: 2020-01-09
基金项目: 国家自然科学基金重大研究计划重点支持项目（No.91644221）；香港环境保护署项目（No.CE28/2014（EP），CE15/2016（EP））
作者简介: 王怡然(1995-), 女, E-mail:499627682@qq.com
通讯作者（责任作者）: 袁自冰, E-mail:zibing@scut.edu.cn
摘要：粤港澳大湾区（简称"大湾区"）建设是我国新时代重大国家战略之一.虽然大湾区空气质量在我国处于领先地位，但与世界先进湾区相比还有较大差距.制定大湾区PM2.5精细化防控策略，需要在识别大湾区各城市PM2.5污染来源的基础上，量化PM2.5本地和非本地贡献及时空变化规律.基于此，本研究首次在大湾区15个站点同步开展持续一年的PM2.5采样和组分分析，并将正定矩阵因子分析模型与后向轨迹结合，建立一种定量识别PM2.5本地与非本地贡献的新方法.通过对大湾区不同季节所属空气域进行划分，厘清大湾区各城市PM2.5本地与非本地贡献的动态化特征.结果发现，在2015年，大湾区15个站点共解析出9种PM2.5污染源，分别为机动车、重油、老化海盐、扬尘源、二次硫酸盐、二次硝酸盐、金属冶炼、生物质燃烧和新鲜海盐.其中，二次硫酸盐和机动车是大湾区最主要的两个PM2.5污染源.不同站点非本地贡献占比为51%~72%，表明外来传输是大湾区PM2.5污染的主要来源.内陆和沿海站点污染源的本地与非本地贡献差异较为显著，主要原因是气象条件和排放特征的差异.值得注意的是，2015年大湾区超过一半的时间处于同一个空气域，而有43%的时间处于两个不同空气域.进一步在每个季节划分空气域，发现大湾区处于两个空气域时，秋、冬季节沿海站点易形成单独的空气域，此时非本地贡献较强（68%~72%）；春季内陆站点易形成单独的空气域，此时本地贡献较强（94%）.基于对PM2.5本地和非本地贡献变化情况的定量识别，能够为大湾区各城市制定动态的PM2.5排放控制策略提供科学支撑.
关键词：PM2.5正定矩阵因子分析本地和非本地贡献空气域粤港澳大湾区(GBA)
Quantitative apportionment of local and non-local contributions to PM2.5 in the Guangdong-Hong Kong-Macao Greater Bay Area
WANG Yiran1
, YUAN Zibing1, ZHAO Kaihui1, ZHANG Shu1, ZHANG Xiaxia1, LI Wenshi1, XIE Yan1, YANG Leifeng1, Alexis K. H. LAU2, YU Jianzhen2, YUE Dingli3, TAM Frankie C. V.41. School of Environment and Energy, South China University of Technology, Guangzhou 510006;
2. Division of Environment, Hong Kong University of Science and Technology, Hong Kong 999077;
3. Guangdong Environmental Monitoring Center, Guangzhou 510308;
4. Macao Meteorological and Geophysical Bureau, Macao 999078
Received 28 November 2019; received in revised from 9 January 2020; accepted 9 January 2020
Abstract: Development of Guangdong-Hong Kong-Macao Greater Bay Area (GBA) is one of the national strategies in China. Although at the leading position of China, air quality in the GBA is still far worse than those in other renowned bay areas in the world, e.g. San Francisco, New York and Tokyo. To formulate refined PM2.5 prevention and control strategies in GBA, it is essential to identify PM2.5 emission sources in different cities of GBA, and to quantitatively characterize local and non-local contributions and their spatio-temporal variations. In this study, based on the first-ever regionally integrated PM2.5 speciation dataset simultaneously collected at fifteen stations across the GBA in the entire year of 2015, we developed a novel approach by combining Positive Matrix Factorization source apportionment with an optimized backward trajectory analysis, in an aim to quantify local and non-local contributions to PM2.5. Local and non-local contributions were further quantified in different air-sheds during different seasons, which provides important implications for city-level dynamic control of PM2.5 over the GBA. In 2015, nine source factors were identified, including vehicle exhaust, residual oil, aged sea salt, crustal soil, secondary sulfate, secondary nitrate, trace metals, biomass burning and fresh sea salt. Secondary sulfate was the largest contributor to PM2.5, followed by vehicle exhaust. Non-local contributions accounted for 51%~72% at different sites, suggesting PM2.5 over the GBA were mainly transported from outside. Significant differences in local and non-local relative contributions existed between inland and coastal areas, which was largely driven by emission and meteorological conditions. We also highlighted that GBA was in a single air-shed for more than half of time in 2015 and split into two air-sheds for 43% of time. Seasonal analysis revealed that in the two-air-shed pattern, non-local sources contributed 68%~72% over coastal stations which formed a separated air-shed in autumn and winter. In comparison, for the inland stations which formed a separated air-shed in spring, local contribution was predominant (94%). Based on the quantitative identification of local and non-local contributions and their seasonal and spatial variations, this study provides scientific guidance in formulating dynamic and region-specific PM2.5 control measures over the GBA.
Keywords: PM2.5positive matrix factorizationlocal and non-local separationair-shedGreater Bay Area(GBA)
1 引言(Introduction)粤港澳大湾区(Guangdong-Hong Kong-Macao Greater Bay Area, 以下简称“大湾区”)包括广东省珠江三角洲九市、香港和澳门, 粤港澳大湾区建设是我国新时代重大国家战略之一.近年来, 随着一系列污染防控措施的推行, 大湾区空气质量有明显改善, 2018年香港、澳门和广东九市的PM2.5平均浓度已分别降至20、23和32 μg · m-3(http://gdee.gd.gov.cn/kqjc/index.html), 但距离世界卫生组织规定的年均10 μg · m-3的PM2.5空气质量指导值仍有较大差距(WHO, 2005).与纽约、旧金山、东京等世界三大主要湾区相比, 生态环境尤其是空气质量是大湾区可持续发展的最大短板之一, 需要着力加以应对.
大湾区的PM2.5污染特征与我国其它主要城市群均有较大差异.与京津冀地区相比, 大湾区没有冬季采暖期, 且以出口外向型经济为主, 能源消费结构存在显著差异(杨兴川等, 2017)；与同样位于沿海的长三角地区相比, 大湾区的工业PM2.5污染情况较轻(刘艳萍等, 2018), 移动源对大湾区PM2.5浓度的影响更大(刘艳萍等, 2018)；与四川盆地复杂的地形条件相比, 大湾区的风速较强, 但常出现海陆风、城市热岛等局地环流导致扩散条件不佳, 引致空气污染事件(刘艳萍等, 2018).总体而言, 大湾区的PM2.5污染水平优于我国其他主要城市群, 但这也为持续改善空气质量带来挑战.目前, 大湾区的PM2.5污染防治已经进入深水区, 为了更有针对性地削减PM2.5污染浓度, 需要准确掌握PM2.5污染来源状况及其变化规律.
PM2.5来源解析的方法主要有排放源清单法、源模型法和受体模型法.由于能够同空气质量变化建立直接关系(张延君等, 2015), 且不依赖于高分辨率的气象和污染物排放清单数据, 以正定矩阵因子分析(PMF, Positive Matrix Factorization)为代表的受体模型在大湾区主要城市得到了成功应用(Guo et al., 2009；Li et al., 2012；Tao et al., 2017；Zou et al., 2017；Wang et al., 2019).然而, 以往多数研究仅关注个别城市(如广州、佛山、深圳、香港), 采样分析时间和方法有较大差异, 所得结论代表性有限, 无法反映大湾区PM2.5污染来源的整体情况, 亟需在全区域尺度开展大湾区整体性的PM2.5来源解析, 以回答本地和非本地贡献等基本科学问题.
PM2.5本地和非本地贡献的定量区分是一个地区制定空气质量管理对策需要掌握的关键科学问题之一.这是由于本地贡献可由当地政府通过污染源防控逐步下降, 而非本地贡献的下降则需要区域和超区域的联防联控.传统的区分本地和非本地贡献的方法多为利用空气质量模型模拟(Wu et al., 2013；Wang et al., 2014；Yin et al., 2017；Liu et al., 2017), 以及将后向轨迹模拟模式与颗粒物实测数据结合来分析污染物本地排放和外来传输贡献(Bari et al., 2003；Wang et al., 2015)等.空气质量模型需要高时空分辨率的清单数据和气象数据的支持, 后向轨迹结合实测数据的方法仅能定量区分一个站点污染物总的本地和非本地贡献浓度, 无法精细化到本地和非本地排放对不同污染源的贡献情况.针对这一局限性, 本研究提出基于PMF模型和后向轨迹聚类分析的源解析新方法, 并以此为基础对大湾区本地和非本地相对贡献的时空变化进行定量描述.
本研究首次在广东、香港和澳门三地15个站点同时开展PM2.5组分数据监测和分析, 使用区域统一的数据采集和分析标准, 历时一年(2015全年).为了识别各污染源对区域内各城市PM2.5的相对贡献, 厘清区域内部各城市和跨区域传输的作用机制, 本研究建立了一种新的基于PMF模型和后向轨迹聚类分析的系统性源解析方法.该方法可以在识别污染来源的基础上, 通过结合轨迹聚类与PMF源解析结果, 精细量化本地与非本地贡献对大湾区PM2.5不同污染源影响情况的空间差异.而本地与非本地贡献的时间差异主要通过不同季节不同“空气域(Air-shed)”的污染情况反映.传统的“空气域”一般指具有类似大气条件和气象特征的地区(蒋家文, 2004).以往对大湾区臭氧生成路径和机制的研究表明, 大湾区可以被分为许多不同的空气域(Wang et al., 2017；卞雅慧, 2018；Lin et al., 2019).在此基础上, 根据不同的研究时段里各站点轨迹聚类结果的异同, 将大湾区划分为不同的PM2.5空气域, 识别本地与非本地污染对不同空气域的PM2.5贡献.本研究可为大湾区制定区域和城市层面PM2.5的防控策略提供科学支撑, 并为中国其他城市群厘清PM2.5污染变化规律提供科学借鉴.
2 研究方法(Methodology)2.1 数据来源本研究于2015年在大湾区的15个站点开展了PM2.5样品采集工作, 分析了PM2.5质量、水溶性离子、元素和有机碳/元素碳(OC/EC)浓度.15个站点包括广东的5个站点, 即广州磨碟沙(MDS)、广州南沙(NS)、广州从化(CH)、江门(JM)和肇庆(ZQ), 香港的8个站点, 即元朗(YL)、鹤咀(HT)、荃湾(TW)、东涌(TC)、旺角(MK)、清水湾(WB)、葵涌(KC)和中西区(CW), 以及澳门的氹仔(TG)和外港(PE)2个站点.站点位置如图 1所示.
图 1(Fig. 1)
 |
| 图 1 大湾区15个PM2.5监测站点位置 Fig. 1Location of PM2.5 monitoring sites in the GBA |
本研究在所有站点都进行PM2.5大流量采样.此外, 在HT和YL站点同时进行Super SASS采样.PM2.5大流量采样器采用石英纤维滤膜采集样品, 而Super SASS采样器的4个通道同时使用特氟龙滤膜和石英纤维滤膜采集样品.研究分析了所有滤膜样品的PM2.5质量、化学元素、主要离子、OC/EC和非极性有机化合物的浓度.样品每6 d收集1次, 每次采样24 h.为保证数据质量, 现场采样与实验室分析的质量保证和质量控制遵循美国环保署(US Environmental Protection Agency, https://www.epa.gov/)的要求.不同站点的PM2.5组分的分析方法及仪器见表 1.化学元素在广东和香港的分析分别使用了ICP-MS和XRF两种方法, 经过实验室比对研究, 所有元素在两地实验室分析的结果相关性均大于0.78, 各元素的回归线斜率在0.8~1.2之间, 保证了PMF模型输入数据的可靠性.
表 1(Table 1)
| 表 1 大湾区15个站点PM2.5组分的分析方法和仪器 Table 1 Analytical methods and instrument of PM2.5 component at 15 sites over the GBA | ||||||||||||||||||||
表 1 大湾区15个站点PM2.5组分的分析方法和仪器 Table 1 Analytical methods and instrument of PM2.5 component at 15 sites over the GBA
| ||||||||||||||||||||
 |
2.2 PMF模型本研究使用美国环保署的PMF 5.0模型进行PM2.5来源解析.对于PMF分析的具体计算过程, 可以参见美国环保署的PMF使用手册(Gary Norris, 2014)和其他相关研究(Gary Norris, 2014；Paatero et al., 2014；Brown et al., 2015).这里仅对PMF分析中的关键输入数据—不确定度的计算方法进行介绍.
数据的不确定度反映了监测数据的准确性(Reff et al., 2007).本研究中, 经过多次试算发现, 当使用公式(1)计算不确定度时能够获得最优解.
 | (1) |
本研究保留了样品浓度低于MDL的比例不超过50%的物种, 并用MDL值的1/2替代低于MDL的数据, 相应的不确定度设定为MDL的5/6.2015年全年, 15个站点共保留866个样品, 包括17种化学组分, 分别是：Al、Ca、Fe、K、Mg、Mn、Ni、Pb、V、Zn、Cl-、Na+、NH4+、NO3-、SO42-、OC和EC.考虑到PMF模型在输入数据量过少时, 容易产生较大的不确定性(Gary Norris, 2014), 并且由于15个站点同处于大湾区, 本研究假设影响各站点的排放源谱基本一致, 差异仅体现在排放源的定量上.因此, 本研究将15个站点的所有PM2.5组分数据合并输入PMF模型.PMF模型可以基于样品组分的变化规律, 将不同因子的贡献量分配到不同站点所有采样日期中, 以研究因子的时空变化情况.经过文献调研, dj值一般为0.05~1(Anttila et al., 1995; 段菁春等，2009; Yao et al., 2016).考虑到某些具有挥发性和二次生成或损耗的组分在传输过程中可能存在显著变化, 应给予较大不确定度.经过多次模型计算, 发现当Mg、Al、Fe、Mn、V、Ni和Pb的dj值设为0.5, 而其余11种组分的dj值设为0.2时PMF模型可以获得最佳结果.
2.3 后向轨迹聚类分析本研究使用美国大气海洋局(National Oceanic and Atmospheric Administration, NOAA)开发的HYSPLIT(Hybrid Single Particle Lagrangian Integrated Trajectory)模型, 在2015年每天UTC 04：00(即北京时间中午12：00)计算气团移动120 h的后向轨迹.选取了大湾区5个代表性站点进行轨迹分析, 分别为：3个内陆站点肇庆、从化和南沙, 以及2个沿海站点荃湾和氹仔.考虑到500 m高度的风场能够减少地面摩擦的影响、较为准确地反映边界层的平均流场特征, 故轨迹计算的起始高度设定为500 m(赵恒等, 2009; 周沙等, 2017).采用水平分辨率为1°(111 km×111 km), 压力坐标为23个垂直水平, 时间分辨率为3 h的GDAS气象数据集(全球资料同化系统, ftp://arlftp.arlhq.noaa.gov/pub/archives/gdas1)来驱动HYSPLIT模型.每个监测站点均有365条轨迹.
聚类分析通过计算轨迹的空间相似度, 将大量轨迹进行分组, 具体的原理在以往的文献中已有报道(Sirois et al., 1995；朱书慧等, 2016), 本研究不再赘述.在选定的5个站点分别确定了每个聚类的平均轨迹后, 进一步估算各站点PMF因子在不同气团聚类影响下的贡献量.
2.4 PM2.5本地和非本地贡献识别本研究建立了一种新的识别PM2.5本地和非本地污染源贡献的方法.基于2.2节和2.3节介绍的方法, 在得到PMF因子识别和每个站点的后向轨迹聚类分析结果后, 每个采样日均有相应的PMF因子贡献和聚类气团.统计所有采样日每个因子在不同气团聚类影响下的平均贡献量.每个因子的贡献量大小是不同气象条件下本地排放与外来传输共同作用的结果.由于本地污染源一般分布在监测站点周围, 其贡献对气团传输模式的改变不敏感.并且本地排放具有实时效应, 当某种污染源不受或者受外来传输影响较小时, 总有某种聚类轨迹对应的贡献量是最小的.因此, 以TG站点的机动车污染源为例(图 2), 本研究对比不同聚类气团作用下每个因子的平均浓度, 取最小值作为该因子的本地贡献值, 超出该值的部分为非本地贡献值.尽管此方法对本地贡献量的估计可能有误差, 但仍能反映不同的外来传输源对一个地区的相对贡献情况.本文将在3.3节讨论该假设引起的不确定性.
图 2(Fig. 2)
 |
| 图 2 氹仔(TG)站点各因子本地/非本地贡献区分示意图 Fig. 2Illustration of separation of local and non-local contributions to every factors at TG site |
3 结果与讨论(Results and discussion)3.1 大湾区PM2.5源解析PMF识别出9个因子, 分别代表机动车、重油、老化海盐、扬尘源、二次硫酸盐、二次硝酸盐、金属冶炼、生物质燃烧和新鲜海盐(图 3).因子1中OC和EC的比例较大, 其为机动车排放的标志物(Zhang et al., 2018).因子2主要是Ni和V, 是重油的标志物种, 并且V/Ni的质量比值为3.1, 接近集装箱码头所使用的燃料油, 表明附近的船舶对大湾区影响较大(Zhao et al., 2013；Wang et al., 2019).因子3中Na+和Mg的贡献较大, 代表老化海盐污染源.而Cl-对因子9的贡献较大, Na+浓度在该因子中贡献也较大, 代表新鲜海盐排放(Hasheminassab et al., 2014).新鲜海盐与老化海盐的差异在于：老化海盐中, Cl-的贡献比例并不显著, 大部分在长距离传输过程中被转化成了酸类气体或硫酸盐、硝酸盐(Song et al., 1999).因子4中, 由于Al、Ca和Mg的比例较高, 代表扬尘源.而因子5和因子6中, SO42-和NO3-贡献较大, 分别代表二次硫酸盐和二次硝酸盐.Zn、Pb、Mn和Fe对因子7贡献较大, 代表了金属冶炼源.K是生物质燃烧的标志物种(Yamasoe et al., 2000), 因此, 因子8代表生物质燃烧源.
图 3(Fig. 3)
 |
| 图 3 各组分对PMF的9个因子贡献占比 Fig. 3Source contribution of species in the nine PMF-resolved source factors |
基于PMF源识别结果, 图 4分区域展示了大湾区总体、广东(GD)、香港(HK)和澳门(MC)的9个因子对PM2.5浓度的相对贡献比例.可以看出, 二次硫酸盐是大湾区最大的PM2.5贡献源(33%), 其次为机动车, 两者所占比例超过50%.二次硝酸盐的占比也不容忽视, 在粤、港、澳或大湾区总体, 二次硝酸盐与二次硫酸盐占比之和为42%~46%, 表明大湾区的二次污染问题较为严重.总体而言, 大部分因子在3个区域的贡献占比接近.然而个别污染源也存在空间差异, 如香港和澳门的重油贡献均为12%, 显著高于广东省(4%).扬尘源则在广东的比例较高, 这主要与广东地区密集的建筑活动有关.
图 4(Fig. 4)
 |
| 图 4 大湾区(a)、广东(b)、香港(c)、澳门(d) PM2.5各因子贡献率 Fig. 4PM2.5 contributions of 9 factors in GBA(a), Guangdong(b), Hong Kong(c) and Macao(d) |
图 5展示了粤、港、澳三地9个因子对当地PM2.5浓度贡献的月变化情况.由图可知, 3个地区的变化模式大致相似.除重油和老化海盐外, 所有因子都呈冬季升高、夏季降低的趋势.香港的重油贡献从8月开始有降低的趋势, 主要因为香港从2015年7月开始实施远洋船舶在香港停泊时必须使用含硫量低于0.5%的船用燃料(较之前的2.6%含硫量低约80%)的规定(Secretary for the Environment et al., 2015), 这也说明该政策在船舶污染控制方面取得了明显成效.二次硝酸盐在5—9月之间几乎为0, 主要由于夏季大湾区温度较高, 此时硝酸盐化合物多以气态形式存在(Yuan et al., 2006；He et al., 2011；Huang et al., 2014；Huang et al., 2018).生物质燃烧贡献秋、冬季呈现高值, 因为此期间为农作物收获期, 存在农作物秸秆焚烧的现象(Xu et al., 2019).二次硫酸盐在3个地区变化趋势一致, 表明大湾区的二次硫酸盐受超区域污染传输影响.二次硝酸盐则存在明显的区域变化, 在广东和澳门地区二次硝酸盐的贡献量大小和变化较为一致, 而在香港的贡献量则相对较低, 这也表明二次硝酸盐受区域内的传输影响较大(Huang, et al., 2018).
图 5(Fig. 5)
 |
| 图 5 2015年广东、香港、澳门PM2.5污染来源月变化 Fig. 5Monthly variations of source contributions from the nine factors at Guangdong, Hong Kong and Macao sites |
3.2 后向轨迹聚类分析根据2.4节所述, 区分本地和非本地贡献的方法是基于后向轨迹聚类分析.图 6显示了2015年大湾区5个代表性站点的平均后向轨迹.可以看出, 5个站点的平均轨迹大致相似, 主要为北部、东部和南部的气团.为了便于比较, 本文将肇庆站点同一来向的第2个和第3个聚类气团(见图 6轨迹标签)合并为一类气团进行分析.按照轨迹经过的地区, 为5类气团轨迹命名, 从西北方向的聚类气团开始, 按顺时针方向分别命名为：“远境内”、“近境内”、“巴士海峡”、“南海”和“东南亚”.其中, “远境内”和“近境内”代表来自内陆的气团, “巴士海峡”、“南海”和“东南亚”代表来自海洋的气团.可以看出, “近境内”气团在各站点出现频率最高, 在内陆站点(肇庆和从化)占50%以上, 在沿海站点(南沙、荃湾和氹仔)占30%以上.相反, 海洋气团在各站点出现频率普遍较小, 均不超过22%.说明大部分时间里, 大湾区受我国东部沿海地区输送气团的影响, 且气团对大湾区的影响存在空间差异.
图 6(Fig. 6)
 |
| 图 6 2015年5个站点后向轨迹聚类分析 Fig. 6Backward trajectory clusters identified at the five stations (stars) in 2015 |
为了具体研究不同气团作用下各站点污染源的变化特征, 本研究将PMF因子识别和后向轨迹结果相结合.从图 7中可以看出, 内陆气团(近境内和远境内)对各站点的贡献最大, 其顺序为肇庆>南沙>氹仔>从化>荃湾.机动车、二次硫酸盐和生物质燃烧是与内陆气团相关的3个主要贡献源.表明东北方向传输而来的气团对大湾区的PM2.5污染贡献较大.对于机动车源, 远境内和近境内气团在各站点对应的源贡献范围分别为3.4(荃湾)~11.4 μg · m-3(肇庆)和3.1(荃湾)~9.9 μg · m-3(肇庆), 二次硫酸盐源对应的贡献分别为7.4(肇庆)~10.4 μg · m-3(南沙)和9.8(荃湾)~17.2 μg · m-3(肇庆).并且, 除了肇庆站点, 其他站点的近境内气团对应的二次硫酸盐贡献量基本一致.这也再次证明了图 5的推论, 即二次硫酸盐污染源主要受外来传输的影响.远、近境内气团对应生物质燃烧的源贡献范围分别为2.6(荃湾)~8.7 μg · m-3(肇庆)和2.0(荃湾)~6.1 μg · m-3(南沙).南沙站点生物质燃烧受近境内气团影响较大可能与秋、冬季节的农作物残留燃烧有关(Wang et al., 2007；Kuang et al., 2015).
图 7(Fig. 7)
 |
| 图 7 2015年大湾区5个站点5类轨迹对应污染源贡献 Fig. 7Contributions from each PMF factor in each trajectory cluster at five stations in 2015 |
总体而言, 相比内陆气团, 来自海洋的巴士海峡、南海和东南亚气团较为清洁, 对应的源贡献较低.由于每个站点全年最多只有60 d的采样, 轨迹聚类的是全年每天共365条的后向轨迹, 而巴士海峡气团在荃湾站点的聚类轨迹没有对应的采样日期, 因此, 图 7的荃湾站点缺失巴士海峡气团对应的源贡献值.尽管这3类海洋气团对应的二次硫酸盐的贡献量有所降低, 但二次硫酸盐依然是巴士海峡和南海气团对应的最大贡献因子, 因此, 可以将大湾区的二次硫酸盐看作一个整体.然而, 在东南亚气团主导下, 二次硫酸盐也产生了一些空间差异.例如, 分别位于客运码头和货柜码头附近的荃湾和氹仔站点对应的二次硫酸盐的贡献较低, 而重油贡献较高.
3.3 基于后向轨迹的本地和非本地贡献识别不同气团对应的污染源贡献差异较大, 主要原因是在盛行季风等因素的影响下, 大湾区污染物存在区域和超区域传输.因此, 准确量化各站点PM2.5的本地和非本地贡献是进行大气污染防控的重要前提.根据本地污染来源的特征, 本研究以5个聚类气团对应的污染源最低均值作为该污染源本地排放的背景值, 并分析外来传输的影响.
图 8比较了每个站点PMF因子的本地和非本地贡献.机动车在肇庆、南沙和氹仔站点具有较高的非本地贡献, 原因与站点位置和污染气团的老化程度有关.经过调研发现, 道路和非道路移动源是广东地区SO2和NOx的重要来源(Zhong et al., 2018；Bian et al., 2019), 而SO2和NOx经过老化能够产生二次硫酸盐和二次硝酸盐, 部分本地排放和外来输送的机动车源标志性物种可能转化为了二次污染物, 从而对最终的本地贡献占比产生影响.此外, 南沙和氹仔站点受较明显的船舶排放影响, 由于船舶排放集中在某一个方向, 与机动车路网相对均匀地分布在站点周围不同, 在现有方法中会被归于非本地源.重油在肇庆、荃湾和氹仔的本地贡献较高, 其中, 非沿海站点肇庆的本地贡献较高的原因主要是肇庆站点南邻西江, 北邻七星湖, 受本地江面和湖面的船舶排放的影响较外来传输大.老化海盐在所有5个站点中都具有较高的本地贡献, 这主要是由当地排放的SO2和NOx形成的老化海盐引起的.在肇庆和南沙站点, 扬尘源的本地贡献较高, 这可能是由站点附近频繁的工业和建筑活动所致.除肇庆以外, 其他站点的二次硫酸盐和生物质燃烧非本地贡献都较高.而所有站点的二次硝酸盐的非本地贡献都较高, 与前文中的假设, 即二次硝酸盐受区域传输影响较大的结论基本一致.
图 8(Fig. 8)
 |
| 图 8 2015年大湾区PM2.5各污染源本地与非本地贡献率 Fig. 8Percentages of contribution from each PMF factor at each station in 2015 |
为了更好地理解PM2.5本地和非本地来源的总贡献, 本研究将所有污染源的本地和非本地贡献值相加以获得一个站点PM2.5绝对和相对的贡献值, 结果如图 9所示.由图 9左y轴可知, 肇庆和南沙的本地贡献值较高, 而从化、荃湾和氹仔的本地贡献值较低, 与珠三角排放清单中PM2.5排放的分布一致(Zheng et al., 2009；Wang et al., 2016；Bian et al., 2019).靠近大湾区中心的南沙、肇庆和氹仔的非本地贡献较高, 而位于大湾区外围的从化和荃湾的非本地贡献较低.需要注意的是, 非本地贡献包括区域贡献(大湾区内的排放)和超区域贡献(大湾区以外的排放).从右y轴可以看出, 肇庆、从化、南沙、荃湾和氹仔的本地贡献率分别为49%、42%、35%、30%和28%, 均低于其非本地贡献, 表明外来传输是大湾区污染源的主要贡献因素.除此之外, 本地的贡献在广东站点的占比高于香港和澳门站点.该结果表明, 本地污染控制和区域协同防控对于制定广东地区PM2.5污染对策尤为重要, 而在香港和澳门则应加强区域和超区域污染协同控制.
图 9(Fig. 9)
 |
| 图 9 5个站点本地和非本地PM2.5贡献 Fig. 9Local and non-local source contributions and local percentages at the five stations |
尽管本研究的方法可以合理地区分本地和非本地贡献, 但它仍不可避免地存在一些不确定性.实际上, 环境空气中非本地贡献总是伴随本地贡献共同存在, 尤其在内陆站点.因此, 把表征外来传输影响的后向轨迹聚类气团对应的最低源贡献作为该污染源本地贡献值, 将高估本地贡献及低估非本地贡献, 也有可能低估本地贡献.例如, 南沙和香港的货柜码头分别位于南沙和荃湾站的南部, 将北面的远、近境内气团的贡献用作本地背景贡献很可能会低估本地贡献, 尤其是重油污染源的本地贡献.但总体而言, 本课题组认为这种高估和低估不会对区分本地和非本地贡献造成严重影响.
3.4 基于空气域分区的本地和非本地贡献识别同一个空气域可以理解为大气中具有相同的污染物扩散方式的气团.本研究在此基础上将空气域定义为：同一时间内, 受到相同轨迹聚类气团影响的站点所在的区域属于同一空气域.以2015年8月30日为例(图略), 该日肇庆和从化站点受近境内聚类气团影响, 而南沙、荃湾和氹仔站点受南海气团影响, 因此, 肇庆和从化站点属于同一空气域, 另外3个站点属于另一空气域.对不同季节大湾区的空气域的划分是识别大湾区PM2.5本地和非本地贡献时间变化的基础, 也是制定污染控制措施的关键.
通过统计5个站点在2015年每天的后向轨迹对应的聚类类别, 发现5个站点处于同一空气域的时间共有198 d(54%), 处于2个和3个不同空气域的时间分别有156 d(43%)和11 d(3%).由表 2中的模式1可知, 每个季节均有超过1/2的时间大湾区处于同一个空气域模式.而模式2和模式3代表 5个站点处于2个不同空气域时, 所占天数最多的前两个模式.其中, 肇庆和南沙在春季, 从化和肇庆在夏季, 荃湾和氹仔在秋、冬季较易形成单独的空气域.
表 2(Table 2)
| 表 2 各季节对应天数最多的3种空气域模式 Table 2 Top three spatial patterns of clusters in different seasons | |||||||||||||||||||||||||||||||||||||||||||||
表 2 各季节对应天数最多的3种空气域模式 Table 2 Top three spatial patterns of clusters in different seasons
| |||||||||||||||||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||||||||||||||
由于模式1在所有季节都处于同一空气域, 而模式3对应的天数较少, 因此, 本研究针对模式2进一步分析, 研究处于不同空气域时本地和非本地贡献的差异.如图 10所示, 在模式2中, 肇庆在春季、从化在夏季、荃湾在秋季、荃湾和氹仔在冬季形成单独的空气域.
图 10(Fig. 10)
 |
| 图 10 模式2各季节空气域分区及PM2.5本地和非本地贡献特征(黑色实线划分不同空气域) Fig. 10Broad stroke separation of air-shed in different seasons (dotted lines), local/non-local contributions to PM2.5 and their fractions in different air-sheds of Pattern 2 (different air-sheds are separated by the black solid lines) |
春季, 除肇庆以外的站点的本地和非本地贡献基本一致, 而肇庆则主要受本地贡献的影响.这可能是由于某些气象和地形条件有利于肇庆站周围的污染物积累, 且抑制污染物扩散.如在季风过渡季节, 大气扩散能力从沿海到内陆逐渐降低(Huang et al., 2017), 并且由于肇庆站点三面环山的地理位置进一步降低.夏季, 形成单独空气域的从化站点的本地贡献为8.7 μg · m-3, 与另一个空气域的8.0 μg · m-3基本一致.而从化的非本地贡献为7.8 μg · m-3, 远高于另一空气域(2.5 μg · m-3).这是因为从化是夏季唯一位于大湾区中心下风向的站点, 受到大湾区排放的大量污染物的影响.由盛行的西南风的影响, 来自大湾区中心的污染源很难扩散到其他4个站点.秋季, 荃湾的非本地贡献为11.0 μg · m-3, 与另一个空气域的12.0 μg · m-3近似, 但荃湾的本地贡献较小.这可能是因为荃湾站点靠近海洋, 污染物排放较少, 气象条件利于扩散.冬季, 荃湾和氹仔的本地贡献较低, 为5.7 μg · m-3, 非本地贡献上升为14.8 μg · m-3, 远高于另一空气域.这可能是由中国北部和东部沿海地区的远距离传输造成的, 而这种远距离传输对内陆站点影响较小(Fang et al., 2018).
总体而言, 整个大湾区全年有超过1/2的时间处于同一空气域, 因此, 对大湾区采取区域协同的PM2.5控制措施至关重要.当大湾区处于不同空气域时, 不同空气域内的本地和非本地贡献有显著差异, 需要在制定污染控制对策的时候考虑这一因素.同时, 大湾区的PM2.5污染很大程度上受到气象条件的影响.在某些不利气象条件下, 需要针对不同地区制定严格的排放控制措施, 以有效降低污染水平.
4 结论(Conclusions)1) 利用PMF模型解析出9个因子, 分别是机动车、重油、老化海盐、扬尘源、二次硫酸盐、二次硝酸盐、金属冶炼、生物质燃烧和新鲜海盐.二次硫酸盐和机动车是对大湾区贡献最大的两个污染源.除重油、扬尘源和二次污染因子外, 其他因子在3个地区的贡献占比差异不大.除了重油和老化海盐, 粤、港、澳3个地区的所有因子都呈冬季高、夏季低的趋势.3个区域之间的时空变化表明, 除本地排放外, 大湾区还受到区域和超区域传输的影响.
2) 按照平均轨迹和经过的地区将大湾区后向轨迹分为5类：远境内、近境内、巴士海峡、南海和东南亚.在所有站点中, 远境内、近境内这两个内陆气团聚类对应的污染源贡献最大.
3) 将大湾区5个代表性站点的聚类气团对应因子贡献的最小值作为该因子的本地贡献, 超出该值的部分作为非本地贡献, 发现非本地贡献是造成大湾区PM2.5污染的主要因素, 占51%~72%.为了掌握污染源的本地与非本地贡献动态变化情况, 对大湾区2015年不同季节所属空气域进行划分.结果表明, 2015年超过1/2的时间里大湾区处于同一空气域, 此时可以将大湾区视为一个整体.此外, 大湾区有43%的时间处于两个不同空气域, 此时本地排放对一个空气域的贡献占28%~94%, 非本地排放占6%~72%.不同空气域的本地非本地贡献差异表明, 需要根据大湾区不同空气域的污染物特征制定区域协同的PM2.5控制措施.
4) 大湾区PM2.5污染源贡献的时空变化较为复杂, 精细化的污染防控措施不仅需要对大湾区污染源整体变化情况的认识, 更需要做到针对具体地区的动态更新.下一步需要对大湾区各城市PM2.5污染来源进行空间变化分析, 探索二次颗粒物的生成机制及对污染源识别的影响.并结合更新的大湾区高时空分辨率污染源清单数据, 评估本地和非本地PM2.5区分方法的误差, 厘清污染防控措施对大湾区各城市本地和非本地贡献的影响.
参考文献
| Anttila P, Paatero P, Tapper U, et al. 1995. Source identification of bulk wet deposition in Finland by positive matrix factorization[J]. Atmospheric Environment, 29(14): 1705-1718. |
| Bari A, Dutkiewicz V A, Judd C D, et al. 2003. Regional sources of particulate sulfate, SO2, PM2.5, HCl, and HNO3, in New York, NY[J]. Atmospheric Environment, 37(20): 2837-2844. |
| 卞雅慧.2018.广东省大气污染源排放演变特征及其对空气质量影响研究[D].广州: 华南理工大学.103 |
| Bian Y, Huang Z, Ou J, et al. 2019. Evolution of anthropogenic air pollutant emissions in Guangdong Province, China, from 2006 to 2015[J]. Atmospheric Chemistry and Physics, 19(18): 11701-11719. |
| Brown S G, Eberly S, Paatero P, et al. 2015. Methods for estimating uncertainty in PMF solutions:Examples with ambient air and water quality data and guidance on reporting PMF results[J]. Science of the Total Environment, 518-519: 626-635. |
| 段菁春, 李兴华, 谭吉华, 等. 2009. 北京冬季大气颗粒物数浓度的粒径分布特征及来源[J]. 环境科学研究, 22(10): 1134-1140. |
| Fang X, Fan Q, Li H, et al. 2018. Multi-scale correlations between air quality and meteorology in the Guangdong-Hong Kong-Macau Greater Bay Area of China during 2015-2017[J]. Atmospheric Environment, 191: 463-477. |
| Gary Norris R D S B.2014.EPA Positive Matrix Factorization 5.0 Fundamentals and User Guide|Air Research|US EPA[EB/OL].https: //www.epa.gov/air-research/epa-positive-matrix-factorization-50-fundamentals-and-user-guide |
| Guo H, Ding A J, So K L, et al. 2009. Receptor modeling of source apportionment of Hong Kong aerosols and the implication of urban and regional contribution[J]. Atmospheric Environment, 43(6): 1159-1169. |
| Hasheminassab S, Daher N, Ostro B D, et al. 2014. Long-term source apportionment of ambient fine particulate matter (PM2.5) in the Los Angeles Basin:A focus on emissions reduction from vehicular sources[J]. Environmental Pollution, 193: 54-64. |
| He L, Huang X, Xue L, et al. 2011. Submicron aerosol analysis and organic source apportionment in an urban atmosphere in Pearl River Delta of China using high-resolution aerosol mass spectrometry[J]. Journal of Geophysical Research, 116(D12). DOI:10.1029/2010JD014566 |
| Huang Q, Cai X, Song Y, et al. 2017. Air stagnation in China (1985-2014):climatological mean features and trends[J]. Atmospheric Chemistry and Physics, 17(12): 7793-7805. |
| Huang X, Yun H, Gong Z, et al. 2014. Source apportionment and secondary organic aerosol estimation of PM2.5 in an urban atmosphere in China[J]. Science China Earth Sciences, 57(6): 1352-1362. |
| Huang X, Zou B, He L, et al. 2018. Exploration of PM2.5 sources on the regional scale in the Pearl River Delta based on ME-2 modeling[J]. Atmospheric Chemistry and Physics, 18(16): 11563-11580. |
| Ito K, Xue N, Thurston G. 2004. Spatial variation of PM2.5 chemical species and source-apportioned mass concentrations in New York City[J]. Atmospheric Environment, 38(31SI): 5269-5282. |
| 蒋家文. 2004. 空气流域管理-城市空气质量达标战略的新视角[J]. 中国环境监测, 20(6): 11-15. |
| 蒋婉婷, 谢汶静, 王碧菡, 等. 2019. 2014-2016年四川盆地重污染大气环流形势特征分析[J]. 环境科学学报, 39(1): 180-188. |
| Kozáková J, Pokorná P, Vodi?ka P, et al. 2018. The influence of local emissions and regional air pollution transport on a European air pollution hot spot[J]. Environmental Science and Pollution Research, 26(2): 1675-1692. |
| Kuang B Y, Lin P, Huang X H H, et al. 2015. Sources of humic-like substances in the Pearl River Delta, China:positive matrix factorization analysis of PM2.5 major components and source markers[J]. Atmospheric Chemistry and Physics, 15(4): 1995-2008. |
| Lee J H, Gigliotti C L, Offenberg J H, et al. 2004. Sources of polycyclic aromatic hydrocarbons to the Hudson River Airshed[J]. Atmospheric Environment, 38(35): 5971-5981. |
| Li L, Tan Q, Zhang Y, et al. 2017. Characteristics and source apportionment of PM2.5 during persistent extreme haze events in Chengdu, southwest China[J]. Environmental Pollution, 230: 718-729. |
| Li Y, Yu J Z, Ho S S H, et al. 2012. Chemical characteristics of PM2.5 and organic aerosol source analysis during cold front episodes in Hong Kong, China[J]. Atmospheric Research, 118: 41-51. |
| Lin X, Yuan Z, Yang L, et al. 2019. Impact of Extreme Meteorological Events on Ozone in the Pearl River Delta, China[J]. Aerosol and Air Quality Research, 19(6): 1307-1324. |
| Liu B, Li T, Yang J, et al. 2017. Source apportionment and a novel approach of estimating regional contributions to ambient PM2.5 in Haikou, China[J]. Environmental Pollution, 223: 334-345. |
| Liu Y, Hong Y, Fan Q, et al. 2017. Source-receptor relationships for PM2.5 during typical pollution episodes in the Pearl River Delta city cluster, China[J]. Science of the Total Environment, 596-597: 194-206. |
| 刘艳萍, 王明仕, 桂晨露, 等. 2018. 中国工业基地城市群PM2.5时空分布特征及相关性分析[J]. 科学技术与工程, 18(15): 184-189. |
| Paatero P, Eberly S, Brown S G, et al. 2014. Methods for estimating uncertainty in factor analytic solutions[J]. Atmospheric Measurement Techniques, 7(3): 781-797. |
| Rai P, Chakraborty A, Mandariya A K, et al. 2016. Composition and source apportionment of PM1 at urban site Kanpur in India using PMF coupled with CBPF[J]. Atmospheric Research, 178: 506-520. |
| Reff A, Eberly S I, Bhave P V. 2007. Receptor modeling of ambient particulate matter data using positive matrix factorization:Review of existing methods[J]. Journal of the Air & Waste Management Association, 57(2): 146-154. |
| Secretary for the Environment, Advisory Council on the Environment.2015.Cap.311AA Air Pollution Control (Ocean Going Vessels) (Fuel at Berth) Regulation (Past Version), Hong Kong[S].E-Legislation, Hong Kong |
| Sirois A, Bottenheim J W. 1995. Use of backward trajectories to interpret the 5-year record of PAN and O3 ambient air concentrations at Kejimkujik National Park, Nova Scotia[J]. Journal of Geophysical Research, 100(D2): 2867-2881. |
| Song C H, Carmichael G R. 1999. The aging process of naturally emitted aerosol (sea-salt and mineral aerosol) during long range transport[J]. Atmospheric Environment, 33(14): 2203-2218. |
| Tao J, Zhang L, Cao J, et al. 2017. Source apportionment of PM2.5 at urban and suburban areas of the Pearl River Delta region, south China-With emphasis on ship emissions[J]. Science of the Total Environment, 574: 1559-1570. |
| Wang L, Liu Z, Sun Y, et al. 2015. Long-range transport and regional sources of PM2.5 in Beijing based on long-term observations from 2005 to 2010[J]. Atmospheric Research, 157: 37-48. |
| Wang N, Lyu X P, Deng X J, et al. 2016. Assessment of regional air quality resulting from emission control in the Pearl River Delta region, southern China[J]. Science of the Total Environment, 573: 1554-1565. |
| Wang Q, Shao M, Liu Y, et al. 2007. Impact of biomass burning on urban air quality estimated by organic tracers:Guangzhou and Beijing as cases[J]. Atmospheric Environment, 41(37): 8380-8390. |
| Wang Q, Huang X H H, Tam F C V, et al. 2019. Source apportionment of fine particulate matter in Macao, China with and without organic tracers:A comparative study using positive matrix factorization[J]. Atmospheric Environment, 198: 183-193. |
| Wang T, Xue L, Brimblecombe P, et al. 2017. Ozone pollution in China:A review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 575: 1582-1596. |
| Wang Y, Li L, Chen C, et al. 2014. Source apportionment of fine particulate matter during autumn haze episodes in Shanghai, China[J]. Journal of Geophysical Research-Atmospheres, 119(4): 1903-1914. |
| Westgate J N, Shunthirasingham C, Oyiliagu C E, et al. 2010. Three methods for quantifying proximity of air sampling sites to spatially resolved emissions of semi-volatile organic contaminants[J]. Atmospheric Environment, 44(35): 4380-4387. |
| World Health Organization (WHO).2005.WHO|Air quality guidelines-global update 2005[S].Geneva: WHO |
| Wu D, Fung J C H, Yao T, et al. 2013. A study of control policy in the Pearl River Delta region by using the particulate matter source apportionment method[J]. Atmospheric Environment, 76(SI): 147-161. |
| 吴蒙, 罗云, 吴晓绚, 等.2018.珠三角垂直风场输送能力对空气质量影响的观测研究[Z]. |
| Xu Y, Huang Z, Jia G, et al. 2019. Regional discrepancies in spatiotemporal variations and driving forces of open crop residue burning emissions in China[J]. Science of the total Environment, 671: 536-547. |
| Yamasoe M A, Artaxo P, Miguel A H, et al. 2000. Chemical composition of aerosol particles from direct emissions of vegetation fires in the Amazon Basin:water-soluble species and trace elements[J]. Atmospheric Environment, 34(10): 1641-1653. |
| 杨兴川, 赵文吉, 熊秋林, 等. 2017. 2016年京津冀地区PM2.5时空分布特征及其与气象因素的关系[J]. 生态环境学报, 26(10): 1747-1754. |
| Yao L, Yang L, Yuan Q, et al. 2016. Sources apportionment of PM2.5 in a background site in the North China Plain[J]. Science of the Total Environment, 541: 590-598. |
| Yin X, Huang Z, Zheng J, et al. 2017. Source contributions to PM2.5 in Guangdong province, China by numerical modeling:Results and implications[J]. Atmospheric Research, 186: 63-71. |
| Yuan Z, Lau A, Zhang H, et al. 2006. Identification and spatiotemporal variations of dominant PM10 sources over Hong Kong[J]. Atmospheric Environment, 40(10): 1803-1815. |
| Yuan Z, Yadav V, Turner J R, et al. 2013. Long-term trends of ambient particulate matter emission source contributions and the accountability of control strategies in Hong Kong over 1998-2008[J]. Atmospheric Environment, 76: 21-31. |
| Zhang X, Yuan Z, Li W, et al. 2018. Eighteen-year trends of local and non-local impacts to ambient PM10 in Hong Kong based on chemical speciation and source apportionment[J]. Atmospheric Research, 214: 1-9. |
| 张夏夏, 袁自冰, 郑君瑜, 等. 2019. 大气污染物监测数据不确定度评估方法体系建立及其对PMF源解析的影响分析[J]. 环境科学学报, 39(1): 95-104. |
| 张延君, 郑玫, 蔡靖, 等. 2015. PM2.5源解析方法的比较与评述[J]. 科学通报, 60(2): 109-121. |
| 赵恒, 王体健, 江飞, 等. 2009. 利用后向轨迹模式研究TRACE-P期间香港大气污染物的来源[J]. 热带气象学报, 25(2): 181-186. |
| Zhao M, Huang Z, Qiao T, et al. 2015. Chemical characterization, the transport pathways and potential sources of PM2.5 in Shanghai:Seasonal variations[J]. Atmospheric Research, 158: 66-78. |
| Zhao M, Zhang Y, Ma W, et al. 2013. Characteristics and ship traffic source identification of air pollutants in China's largest port[J]. Atmospheric Environment, 64: 277-286. |
| Zheng J, Zhang L, Che W, et al. 2009. A highly resolved temporal and spatial air pollutant emission inventory for the Pearl River Delta region, China and its uncertainty assessment[J]. Atmospheric Environment, 43(32): 5112-5122. |
| Zhong Z, Zheng J, Zhu M, et al. 2018. Recent developments of anthropogenic air pollutant emission inventories in Guangdong province, China[J]. Science of the Total Environment, 627: 1080-1092. |
| 周沙, 刘宁, 刘朝顺. 2017. 2013-2015年上海市霾污染事件潜在源区贡献分析[J]. 环境科学学报, 37(5): 1835-1842. |
| 朱书慧, 周敏, 乔利平, 等. 2016. 2015年12月气流轨迹对长三角区域细颗粒物浓度和分布的影响[J]. 环境科学学报, (12): 4285-4294. |
| Zhu Y, Huang L, Li J, et al. 2018. Sources of particulate matter in China:Insights from source apportionment studies published in 1987-2017[J]. Environment International, 115: 343-357. |
| Zou B, Huang X, Zhang B, et al. 2017. Source apportionment of PM2.5 pollution in an industrial city in southern China[J]. Atmospheric Pollution Research, 8(6): 1193-1202. |
