申航印,何凌燕,林理量,江家豪,高茂尚,黄晓锋

利用ME-2模型提升PM2.5源解析效果

申航印,何凌燕,林理量,江家豪,高茂尚,黄晓锋*

(北京大学深圳研究生院环境与能源学院,城市人居环境科学与技术重点实验,广东 深圳 518055)

为探讨ME-2模型控制旋转对传统PMF模型源解析效果的提升作用,于2017年9月10日~2018年8月29日在深圳北部某工业区开展PM2.5采样,共获得153套样品.对PM2.5中31种化学组分进行了分析,筛选出17个物种输入模型运算.2018年深圳北部工业区大气PM2.5年均浓度为32.3 μg/m3,利用PMF模型初步识别出9个因子,分别为二次硫酸盐、二次硝酸盐、老化海盐、土壤扬尘、工业排放、燃煤、生物质燃烧、船舶排放和机动车,PMF输出结果中“混合因子”问题显著.基于PMF解析结果及获得的先验信息,在ME-2模型中建立4个限制源谱进一步解析,结果表明,与PMF模型相比,ME-2结果的示踪物在源中分配更集中,对示踪物浓度与相应源贡献的时间序列也提供了更好的拟合效果.二次硝酸盐、老化海盐、工业排放源在PMF模型中被高估了9%~51%,而二次硫酸盐、燃煤和生物质燃烧源被低估了19%~40%.本研究中ME-2解析结果比PMF更具有环境和统计学意义,为污染防治提供了更精确的控制指向.

PM2.5；正定矩阵因子分解法(PMF)；多元线性模型(ME-2)；源解析；混合因子

PM2.5作为大气环境中的重要污染物,其来源复杂,主要包括一次源与二次源.目前,PM2.5的源解析方法包括受体模型法、源清单法和扩散模式模拟法等[1],其中受体模型法由于无需追踪颗粒物传输过程、评估排放源的排放因子和活动水平,而在国内外相关研究中最为常用[2-3].受体模型中,美国EPA推荐使用的有CMB、PMF和UNMIX模型[4],其中CMB需要依赖本土源成分谱信息,而PMF不受此限制,同时它可将二次组分与源联系起来,并提供了非负限制,已广泛应用于国内外大气环境源解析研究[5],但PMF其对输入的样本数量有一定要求,且存在“混合因子”问题[6-7].而ME-2模型基于PMF模型开发,可用已知信息增强对矩阵旋转的控制,为解决PMF模型存在的问题提供了可能性,近年来已成为源解析技术研究的前沿[8-11].目前国内ME-2模型的源解析应用多与AMS/ACSM结合[10,12-13],也有部分学者进行了PAHs、黑碳气溶胶、在线PM2.5组分和手工离线PM2.5的ME-2源解析尝试[14-17],然而与PMF模型相比其应用案例仍很少.

深圳作为我国珠三角核心城市之一,经过多年大气污染防治措施的推行,PM2.5浓度已逐步下降至较低水平[18],其进一步下降面临挑战,这对PM2.5源解析的准确性提出了更高要求.同时,近年来由于城市中心区居住成本的增加,人口居住出现郊区化趋势[19],城市郊区细颗粒物来源复杂,针对城郊工业区展开有效的PM2.5源解析研究具有重要价值.目前,多数针对PM2.5的源解析研究只针对部分月份或时间段[20],普遍使用CMB或PMF等模型,存在“混合因子”问题.本研究基于ME-2模型,对深圳北部某工业区大气PM2.5开展系统的化学分析和来源解析,并对因子廓线进行探索和限制,借此探讨利用ME-2模型加强旋转控制后对PMF模型PM2.5源解析效果的提升作用.

1 仪器与方法

1.1 PM2.5采样与分析

本研究的采样点在深圳北郊工业区的某学校内,周围200m内无明显局地污染源,可代表典型的城郊工业区环境.该点位颗粒物污染相对较重,PM2.5源的成分较为复杂,“混合因子”问题可能会相对显著,便于分析ME-2模型对因子限制的效果.研究使用美国Thermo Partisol 2300四通道采样器进行PM2.5样品采集,设备架设在学校内某四层教学楼楼顶,4个通道中2个通道配备特氟龙膜,采样流量为16.7L/min,另外2个为石英膜,流量为10L/min.于2017年9月10日~2018年8月29日期间,对深圳工业区大气PM2.5开展全年隔日采样,每次采样时长为24h,全年共获得有效样品153套.

采样前后分别在超净室内(温度20℃,相对湿度50%保持24h以上)用百万分之一精度天平对特氟龙膜进行称重,做差得到PM2.5的日均质量浓度.一个通道的特氟龙膜样品用超纯水在超声波水浴中提取后,用离子色谱仪(美国戴安ICS-2500)分析其中的水溶性无机离子(SO42-、NO3-、NH4+和Cl-等),另一个通道的特氟龙膜样品用于24种金属元素的ICP-MS仪(德国耶拿aurora M90)分析.石英膜样品进行有机碳(OC)和元素碳(EC)的热/光碳分析仪(美国DRI 2001A)分析,其中将分析出的有机碳质量乘以经验常数1.8获得有机物(OM)质量[21-22].

1.2 源解析技术方法及输入矩阵

PMF(正定矩阵因子分解法)模型作为一种多元因子分解工具,可将分析得到的样品物种浓度矩阵分解为2个非负常数矩阵(因子贡献矩阵)和(因子廓线矩阵),并得到一个残差矩阵,为测量值与模型拟合值之间的差值,见式1.基于样品浓度的不确定度值,PMF模型的原理是通过最小二乘法进行拟合,使目标函数最小(式2),从而得到模型的最优解[23-24],其中e代表残差矩阵中第个样品第个物种浓度的拟合残差,u是对应测量物种的不确定度.

<