基于PMF的武汉市大气细颗粒物消光来源解析

夏 瑞,谭 健,汪琼琼,吴 兑,孔少飞,陈 楠,邓 涛,陶丽萍,张 雪,吴柏禧,吴良斌 ,王 庆,吴 晟**

基于PMF的武汉市大气细颗粒物消光来源解析

夏 瑞1,2,谭 健1,2,汪琼琼3,吴 兑1,2,孔少飞4,5,陈 楠5,6*,邓 涛7,陶丽萍1,2,张 雪1,2,吴柏禧1,2,吴良斌1,2,王 庆1,2,吴 晟1,2**

(1.暨南大学质谱仪器与大气环境研究所,广东省大气污染在线源解析系统工程技术研究中心,广东 广州 510632；
2.粤港澳环境质量协同创新联合实验室,广东 广州 510632；
3.香港科技大学化学系,香港 999077；
4.中国地质大学(武汉)环境学院,湖北 武汉 430074；
5.湖北省大气复合污染研究中心,湖北 武汉 430074；
6.湖北省生态环境监测中心站,湖北 武汉 430074；
7.中国气象局 广州热带海洋气象研究所,广东 广州 510640)

利用武汉2020年7月(夏季)和10月(秋季)的在线观测数据,同时将颗粒物的光学参数和化学组分数据输入正定矩阵因子分解(PMF)源解析模型,对PM2.5消光系数的源贡献进行定量解析.研究发现,对吸收系数贡献较大的源为机动车(66.3%)和工业源(14.2%),对散射系数贡献较大的源为以硝酸盐为主的二次无机盐Ⅰ(38.4%)和机动车(27.0%),光散射的源贡献率呈现出明显的季节变化,二次无机盐Ⅰ在夏季(14.6%)的贡献较秋季(47.4%)显著降低.消光系数源贡献方面,夏季机动车(37.2%)和以硫酸盐为主的二次无机盐Ⅱ(21.2%)对消光的贡献较大,而秋季主要的消光源为二次无机盐Ⅰ(44.7%)和机动车(26.7%).最后,还获取了几个重要源的波长吸收指数(AAE)值:机动车(0.96)、工业源(1.04)、扬尘(1.39)、生物质燃烧(2.24).

武汉市；
消光系数；
正定矩阵因子分解(PMF)；
源解析；
气溶胶光学特性

大气气溶胶因其气候效应和环境效应而备受研究者的关注[1-2].气溶胶可以通过对光的散射和吸收直接影响地气辐射平衡[3],又可作为云凝结核间接影响气候系统[4].此外,气溶胶的消光能力还会使能见度降低[5-6].以往对颗粒物消光的研究大多是使用IMPROVE公式通过多元线性回归的方法量化气溶胶化学组分与消光系数的关系[7-10].从改善能见度的角度来看,仅仅知道化学物种对颗粒物消光的贡献较难转化为可供执行的空气质量管理措施. 如果能直接建立颗粒物消光和污染源之间的联系,则可以更好地为能见度改善政策制定提供科学支撑.

受体模型是一种相当重要的源解析方法,它通过直接对环境样品进行分析而反推获得污染源信息并量化其贡献[11],其中正定矩阵因子分解(PMF)方法是被使用得最广泛的受体模型方法之一[12-13],相比其它受体模型方法,PMF模型优势在于无需输入源谱,并且运算中对因子进行了非负约束[14].

传统PMF的应用主要只是基于化学物种的数据对PM2.5或挥发性有机物(VOCs)进行源解析[15],没有给出污染源对消光的贡献.若想了解污染源的光学贡献则要采取进一步的方法,如Sandradewi等[16]提出Aethalometer模型,该方法基于多波长吸收系数数据可以得到化石燃烧和生物质燃烧两个源的吸光情况,因其操作方便而得到了广泛应用[17-19].然而Aethalometer模型缺点在于只能获得污染源对吸光系数的贡献,且高度依赖吸光源的波长吸收指数(AAE),对于该值此前很多研究都是使用经验假设的固定值[20-21],考虑到AAE值受到燃烧条件、燃烧类型以及颗粒物在大气中复杂的物理化学过程多种因素共同影响[22-25],如果不能准确获取源的AAE值,该方法的使用将存在适用性的问题.此外,Aethalometer模型只能解析出两个源,而实际大气中则要复杂得多,除化石燃烧和生物质燃烧外,例如扬尘源对吸光的贡献也不容忽略[26-27],这也表明了该模型使用的局限性.作为更进一步,一些研究则将传统的基于化学物种数据的受体模型与多元线性回归结合起来[28-29],从而对光学参数进行源解析,但是由于多次线性回归和模型的操作使得结果可能产生额外的不确定性[30].已有研究使用耦合了化学物种和光学参数的特殊数据集进行PMF源解析,得到源的光学信息[31],此方法能解析出多个污染源,没有繁冗的计算从而避免了可能因此产生的不确定性,然而目前使用该方法的研究并不多[30,32-34].

武汉是华中地区最大的城市,作为我国重要的工业基地和交通枢纽,武汉面临着较为严重的PM2.5污染[35-37],近年来虽有所好转,但距离世界卫生组织2021年提出的5μg/m3年均值标准仍有很大的改善空间.我国对气溶胶光学性质的研究大多集中在华北地区[38-39]、珠三角地区[40-41]和长三角地区[42-43],在华中地区的研究相对较少[37, 44].

本研究在2020年7月和10月对武汉城区的PM2.5化学组分和光学参数进行了在线观测,在PMF受体模型中同时输入这两类数据进行解析,识别当地主要污染源,量化各污染源对吸收、散射和消光系数的贡献,获取重要吸光源的AAE信息.本研究也是耦合化学和光学数据的源解析方法首次在华中地区进行应用.

1.1 采样点及分析仪器

如图1所示,本研究的采样点位于湖北省武汉市的湖北省环境监测中心(114.28°E, 30.6°N),周边是住宅和商业混合区,无明显工业排放源,观测数据反映华中高密度人口城区的空气质量情况.本文研究时段为2020年7月和10月,分别代表夏季和秋季.

本研究使用的数据涵盖PM2.5的质量浓度,化学成分(包括碳质组分、无机元素和主要离子浓度)和光学特性(包括光散射系数(bscat)和光吸收系数(abs)).

气象参数(风速、风向、温度和湿度等)通过一台自动气象观测仪(Lufft, WS600, German)获取.采用紫外线辐射仪(Kipp&Zonen,UVS-AB-T, Netherlands)对当地的紫外线辐射进行监测.

图1 观测站点地理位置及观测时段PM2.5浓度和组成变化

有机碳(OC)和元素碳(EC)数据使用半连续的热光学透射碳分析仪(Sunset Laboratory Inc., Model RT-4, USA)测量.该仪器在每小时的前45min收集环境样品,流量为8L/min,后15min使用热光学分析法进行分析[45].有关该仪器的分析原理和更详细的信息见文献[46].

每小时的PM2.5浓度由颗粒物监测仪(Thermo, Fisher-1405D, USA)测量.PM2.5元素浓度采用X射线荧光仪(Skyray, EHM-X200, China)测得,水溶性离子浓度通过离子色谱仪(Metrohm, MARGA 1S, Switzerland)进行监测.上述气溶胶成分分析仪器时间分辨率均为1h,且都使用PM2.5切割头.

气溶胶的消光系数由光散射系数和光吸收系数加和获得.525nm光散射系数(scat525)使用Aurora- 1000积分式浊度计(Ecotech, Australia)观测获得.7个波长(λ=370, 470, 520, 590, 660, 880, 950nm)的气溶胶吸收系数使用AE31型黑碳仪(Magee Scientific, CA, USA)获取,采样流量为5L/min.由于黑碳仪的采样是基于滤膜透射光衰减原理,因此存在一定的系统误差,如负载效应、矩阵效应和散射效应[47].本研究使用Weingartner等[48]开发的算法来校正黑碳仪数据.关于黑碳仪数据校正和处理的更多信息可参考文献[49].525nm波长的消光系数(ext)可通过ext=scat525+abs525计算得到,其中525nm波长的吸收系数abs525可以通过相邻波长(520和590nm)的吸收系数得到,见公式(1)-(2):

525nm波长的单次散射反照率(SSA525)计算如公式(3):

本研究中由于黑碳仪和浊度计均开启了干燥,因此本研究探讨的消光(散射+吸收)均是不包含气溶胶液态水(LWC)的贡献,即干气溶胶的消光.

1.2 PMF受体模型

PMF受体模型是一种多变量的因子分析方法,已被广泛用于识别污染源并量化其对受体点环境污染物的贡献[50].PMF模型的原理详见文献[12,51]. PMF假设了排放源和受体之间存在质量浓度平衡,并将样本数据矩阵(,矩阵元素为x)分解为因子成分谱矩阵(,矩阵元素为f)和因子贡献矩阵(,矩阵元素为g),如公式(4)所示:

式中:x是在第个样品中第个物种的浓度,是因子的数量,g是第个因子对第个样品的因子贡献,f是第个物种在第个因子上的因子分布,e是在第个样品上测量的第个物种的残差,代表测量值和模型输出之间的差异.PMF模型根据输入浓度结合不确定度(u)寻求目标函数Q的最小解,以获得因子谱和因子贡献的信息:

Forello等[31]的研究表明,耦合化学物种和光学参数的数据集对PMF解析工作相当有帮助,可以获得污染源的额外光学信息.本文中,使用的PMF版本是EPA PMF v5.0.小时分辨率的PM2.5化学组分和光学参数(光散射和吸收)被输入到PMF模型中.尽管矩阵存在不同单位参量,可以认为矩阵得到的是纯数值,而矩阵某列中的元素与矩阵的原始数据单位相同,此前的研究同样证明了不同单位的矩阵对PMF结果不会有影响[31-32,52].

根据所测量物种的代表性和数据的质量,本文选择了以下24个变量输入模型,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波长的光吸收系数.所有的观测缺失值被排除在数据集外,参考Kim等[53]的研究进行了数据集的预处理和不确定度设置.

1.3 数据可视化和后向轨迹分析

本研究的时间序列图和箱式图是由本课题组基于Igor开发的工具包ScatterPlot[54]和HistBox[24]所绘制.

为探讨不同气团传输对武汉当地光学参数解析的影响,本研究基于全球数据同化系统(GDAS)的气象数据集,使用美国国家海洋和大气管理局空气资源实验室(NOAA ARL)开发的HYSPLIT模型进行72h气团后向轨迹计算,并将结果导入Meteoinfo软件[55]进行轨迹聚类和可视化.

2.1 污染物浓度和光学参数概述

本研究的观测时间为2020年7月(夏)和2020年10月(秋),两个时段的PM2.5质量浓度和气象参数时间序列如图2所示.观测期间整体的平均温度为22.7℃,相对湿度为84.7%,夏季的温度(27.1℃)、紫外线辐射UVA(8.7W/m2)和相对湿度(89.5%)的平均值均高于秋季(18.2℃, 5.9W/m2, 79.8 %).

图2 PM2.5浓度及气象数据时间序列

研究时段的PM2.5平均质量浓度为34.5μg/m3,在观测的两个季节中,其浓度和组成存在明显变化,秋季PM2.5质量浓度(42.8μg/m3)明显高于夏季(26.8μg/m3),两个季节的PM2.5组成情况如图1,其中有机物(OM)是根据Turpin等[56]的建议计算(OM=1.8OC)得到,FS代表细粒子矿尘,计算方法如下[9]:

在秋季,PM2.5的组成以NO3-为主,占总质量的33%而夏季PM2.5组成是以OM为主,占比达到了39%,NO3-只占了12.6%.武汉是我国四大火炉之一,硝酸盐占比的夏秋差异可能与温度影响的气-粒分配有关[57],夏季温度较高,导致颗粒态的NO3-挥发,因此夏季的颗粒态硝酸盐浓度相对较低,图3(a)给出了研究时段NO3-与温度依赖关系,发现温度区间在18～20℃之后,其浓度随温度升高呈显著的降低,而夏季平均温度为27.1℃,图3(b)给出了夏秋季气态硝酸(HNO3)与颗粒态硝酸盐(NO3-)的摩尔比值,该比值在夏季明显高于秋季,进一步验证了夏季较低的硝酸盐浓度与其挥发为气态硝酸有一定关联. SO42-在PM2.5的占比季节变化不大,均接近20%.表1总结了的PM2.5及其化学组成和光学参量的季节对比统计,大部分化学物种和光学参数都呈秋高夏低的特征.此外SSA525在整体观测时段为(0.92±0.04),且季节变化很小.

表1 PM2.5及其化学组成浓度、光学参数平均值统计

2.2 源解析结果

为了识别污染源对光散射和吸收的贡献,本次源解析工作使用耦合了光学参数及化学物种的PMF模型,尝试了4～11个因子数的迭代运算,每个因子数重复运行30次模型,确保得到的最小二乘解的代表性,最终确定了8个因子的最优结果,因为该情况下解析结果各污染源的污染物分类明确且Q/Qexp值变化较稳定.其源谱如图4所示.

图4 研究期间PMF解析出的源成分谱

因子1被确定为机动车排放源,对abs520的贡献率为66.3%,是当地吸光的主要贡献源,此外对光散射(scat525)贡献也达到了27.0%,该因子OC和EC的特征值很高(图4),这两个示踪物通常被认为代表着机动车排放[58],从图5可以看出因子1对光学参数贡献在6:00～9:00和17:00～20:00呈现峰值,表现出典型早晚双高峰特征,从侧面证明了机动车排放的影响.

因子2代表本次解析的第一类二次无机盐(SIA Ⅰ),其主要的富含物种包括NO3-,NH4+和SO42-(图4),这表明该源同时包含了硝酸盐和硫酸盐的生成过程.该因子是大气散射的重要来源,对scat525贡献率为38.4%.

因子3则是本次解析的第二类二次无机盐(SIA Ⅱ),SO42-和NH4+的贡献较高,NO3-的含量很低(图4),意味着因子3主要和硫酸盐的二次过程有关.因子3对散射的贡献为11.5%.硫酸盐的生成途径很多[59],本研究探讨了二次无机盐Ⅰ和二次无机盐Ⅱ中的SO42-(分别表示为SO42-_SIA Ⅰ和SO42-_SIA Ⅱ)对Fe的依赖性,如图6所示,在二次无机盐Ⅱ中的SO42-对Fe存在明显的依赖关系,但是二次无机盐Ⅰ中的SO42-对Fe没有依赖关系,考虑到城市中可溶性铁(FeS)在总铁(FeT)中的占比相对稳定[60],这一依赖关系也能代表SO42-_SIA Ⅰ和SO42-_SIA Ⅱ对FeS的依赖,这表明两种二次源的SO42-生成机制并不相同:液相反应中Fe、Mn等过渡金属离子的催化是硫酸盐生成的重要途径之一[61-62],因此因子3(SIA Ⅱ)中的硫酸盐生成与过渡金属的催化有一定关联,而因子2(SIA Ⅰ)中硫酸盐的生成与过渡金属无关.此外因子3中存在着一定量的Ca,含Ca的粉尘被认为是可以形成二次气溶胶的一种介质[63].从日变化特征来看,因子3散射贡献的日变化在夏季更为明显(图5a),在14:00达到最高值,说明硫酸盐的生成也有来自受太阳辐射驱动的生成路径的贡献(例如OH和H2O2)[59].

图5 污染源对光散射系数(bscat525)和光吸收系数(babs520)贡献百分比日变化

因子4的特征元素为Pb和Zn(图4),此前的一项排放清单研究指出湖北省的Pb排放主要来自于有色金属的冶炼[64],在北京和天津的一项PMF源解析工作同样利用Pb和Zn作为金属冶炼源的示踪物[65].故因子4被识别为铅冶炼.该因子对光吸收和散射的贡献较少.

因子5中Cr、Mn、Fe、Ni、Zn等重金属的特征值非常高(图4),这些重金属通常被认为和工业过程有关,如Cr、Fe、Ni、Zn、Mn一般都和钢铁行业有关[66-68],同时Cr还常用于电镀等过程[69],所以因子5被识别为工业源.因子5对光散射和吸收都存在着一定量的贡献,对scat525贡献为14.8%,对abs520贡献为14.2%.因子5对散射和吸收的日变化贡献表现出白天高夜间低的特征(图5),从侧面反映了因子5这个工业源的排放特征.

因子6的特点是地壳元素的特征值较高,包括Ca、Ti、Fe、Mn等(图4),Ni同样与土壤和道路的扬尘有关[70],所以该源被认为是扬尘源,它对光吸收和散射的贡献较少,并且日变化特征不显著(图5).

因子7主要由V和Ni组成(图4),这两个元素是重油燃烧的重要示踪物[71],因此该源被识别为重油燃烧,可能与武汉当地炼油厂和发达的航运业有关,其对光散射和吸收的贡献极小(<1%).

因子8为生物质燃烧源,因为它的K+和Cl-较高(图4),通常被认为是生物质燃烧所产生[72].值得一提的是,本文观察到因子8在短波附近有着更明显的吸光贡献,370nm波段吸光贡献为4.0%,而在950nm波段的贡献率只有1.5%,由于因子8吸光贡献存在典型的波长依赖性,这个光学特性也从侧面验证了因子8是来自于生物质燃烧,这与前人研究相符[73],在后文探讨源的AAE特征也作了进一步的研究和解释.因子8对光散射和吸收的贡献同样较小(<5%).

2.3 污染源的光学特性

夏秋两个季节各污染源对光散射(scat525)、光吸收(以abs520为例)以及消光(根据吸光散射加和计算)的贡献占比如图7所示. 需要说明的是, 受限于单波长浊度计的观测数据,本文仅探讨了单波长的气溶胶消光来源解析变化特征,然而考虑到气溶胶粒子消光中散射的重要性,后续的研究可以使用三波长浊度计开展多波长的消光源解析工作,通过更为丰富的光学信息获得更为合理源解析结果.

光散射源解析结果呈现了显著的季节性差异.在夏季,光散射主要由4个源贡献,分别为机动车(34.6%)、二次无机盐Ⅱ(22.8%)、工业(18.5%)和二次无机盐Ⅰ(14.6%),其它的4个源分配了10%左右的吸光贡献:扬尘(4.2%)、铅冶炼(3.5%)、重油燃烧(1.4%)、生物质燃烧(0.5%).而到了秋季,scat525大部分由二次无机盐Ⅰ贡献,达到了47.4%,机动车(24.1%)和工业(13.4%)的贡献同样不容忽视,另一方面二次无机盐Ⅱ对scat525的贡献从夏季的22.8%降到秋季的7.3%,从贡献值来看,夏季二次无机盐Ⅱ为25.2Mm-1,秋季则为17.3Mm-1,下降了约31%,二次无机盐Ⅰ的增量更引人关注,解析结果显示其夏季光散射贡献值为16.1Mm-1,而秋季该值上升到113.0Mm-1,变化率达到了602%.秋季另外4个源对scat525贡献占比较低,分别为扬尘(3.9%)、铅冶炼(2.5%)、生物质燃烧(1.1%)和重油燃烧(0.1%).

图7 夏秋季节污染源对光散射系数(bscat525)、光吸收系数(babs520)以及消光系数的平均百分比贡献

相较而言,光吸收源贡献的季节性差异不明显.在夏季,机动车(68.8%)和工业(14.4%)是最主要的吸光贡献源,而扬尘(6.6%)、铅冶炼(3.0%)、二次无机盐Ⅱ(2.7%)、重油燃烧(2.3%)、生物质燃烧(1.3%)和二次无机盐Ⅰ(0.9%)这剩余的6个源共分摊了约17%;类似的情况发生在同年秋季,机动车(65.0%)和工业(14.1%)同样占据了绝对的吸光贡献主导,其它6个源:扬尘(8.4%)、生物质燃烧(4.1%)、二次无机盐Ⅰ(3.9%)、铅冶炼(2.8%)、二次无机盐Ⅱ(1.2%)和重油燃烧(0.4%)共贡献了总吸光的约21%.最大的不同体现在二次无机盐Ⅰ和生物质燃烧,在夏季这两个污染源是520nm波段吸光贡献最低的两个源,共占总吸光2.2%,而在秋季这两个源的吸光贡献之和达到了8%.

根据得到的光散射与光吸收源解析结果,进一步研究了消光的解析情况(图7c-f).在夏季,机动车(37.2%)、二次无机盐Ⅱ(21.2%)、工业源(18.1%)和二次无机盐Ⅰ(13.5%)的消光贡献占比较大,其次分别是扬尘(4.4%)、铅冶炼(3.5%)、重油燃烧(1.5%)和生物质燃烧(0.5%).秋季的源消光贡献出现了较大变化,二次无机盐Ⅰ(44.7%)贡献占据主导,其次是机动车(26.7%),工业源占比为13.5%,而剩余的5个源贡献较小:二次无机盐Ⅱ(6.9%)、扬尘(4.2%)、铅冶炼(2.5%)、生物质燃烧(1.3%)、重油燃烧(0.2%).

综上,对光散射(或消光)贡献变化最明显的源为二次无机盐Ⅰ和二次无机盐Ⅱ,为进一步探讨两个二次无机盐的光学贡献情况,图8分别显示了二次无机盐Ⅰ(SIA Ⅰ)和二次无机盐Ⅱ(SIA Ⅱ)对scat525的贡献值(分别表示为scat525_SIA Ⅰ,scat525_SIA Ⅱ)日变化,该值与二次无机盐的活跃强度密切相关.对于SIA Ⅰ贡献其日变化模式在夏秋两个季节出现了较大的不同,夏季的特点是白天低夜间高,白天散射能力的降低可能归因于高温条件,影响了硝酸盐的气-粒分配,导致颗粒态硝酸盐挥发.夏季NO3-质量浓度远低于秋季,而NO3-是SIA Ⅰ最重要的物种,其浓度的降低直接导致SIA Ⅰ的散射能力降低,这也解释了秋季SIA Ⅰ的光散射贡献大幅高于夏季的原因.值得注意的是秋季scat525_SIA Ⅰ在日间出现了峰值,秋季正午的平均温度为19.8℃,根据图3的依赖关系,这个温度下NO3-浓度尚未因温度原因出现明显下降,所以秋季正午SIA Ⅰ光散射峰值的出现可能与该时段光化学反映促进硝酸盐生成以及较少的挥发性损失有关[74].相比而言, SIA Ⅱ的散射贡献日变化在夏秋季节性差异不大,都是从清晨到午后逐渐达到峰值,说明这段时间二次反应活跃程度逐渐增强,也意味着除了前面提到过渡金属催化作用,光化学反应也是SIA Ⅱ的重要生成途径.两个季节的区别在于夏季贡献值的峰值出现了滞后,并且夏季scat525_SIA Ⅱ日平均值在大部分时段都比秋季高,这与太阳辐射日变化的季节性差异有一定关联.

图8 二次无机盐Ⅰ和二次无机盐Ⅱ在夏秋季的bscat525值日变化

为了评估气团传输对光学参数源解析情况的影响,对研究时段的两个季节进行了72h后向轨迹聚类分析,结果如图9所示.在夏季得到了3个聚类的最优情况,C1和C3都来自于武汉周边省份的传输,C2则来自于华南地区的远距离输送,其中C3的scat525和abs520的PMF解析值(分别表示为scat525, PMF和abs520,PMF)最大.秋季同样得到3个气团聚类的最优解,C1代表山东半岛及海洋气团,C2来自于西北方向,C3气团与C1气团方向接近,区别在于C3风速较低,是源自华东地区由江苏经安徽传输,C3的scat525,PMF和abs520,PMF也最大.吸光由于主要受机动车排放的影响,其解析情况不同气团的变化并不显著,说明吸光主要受本地源排放的影响为主.值得注意的是,秋季C1气团的机动车abs520(59.8%)贡献明显小于同季另两个气团.散射解析方面,夏季C1和C3这两个相对局地传输的气团二次源的贡献均比华南远距离输送气团C2的大,表明局地源传送的二次源对光散射的强烈影响,其中C1气团二次无机盐Ⅱ(27.9%)的作用更为突出,而C3二次无机盐Ⅱ(24.0%)的散射贡献比起其它气团要高.在秋季则有所不同,二次无机盐Ⅰ作为该季节最重要的scat525贡献源,C1气团中其贡献最高,达到了56.6%,表明该季节东北方向区域传输的影响.最后本文也观察到秋季西北的C2气团带来的扬尘对光学参数的贡献显著高于其它气团,其abs520贡献为11.1%,scat525贡献为5.3%,均高于另两个气团,此前武汉的一项研究也报告了西北方向气团输送的沙尘对武汉空气质量的影响[36].

图9 夏秋季节气团后向轨迹聚类及各气团来向下吸收和散射系数的源贡献

吸收波长指数AAE是表征气溶胶光学特性的一个重要参量[75],由于本研究中PMF输入了7个波长的吸收系数,因此得以探究不同源的AAE特征.使用abs与-AAE(其中代表波长)进行了幂函数拟合,从而得到各个污染源的AAE值(图10),本文主要关注机动车、工业、扬尘和生物质燃烧4个污染源.机动车源的AAE为0.96,该值与以往用放射性碳的研究结果0.9[76]接近,和隧道直接进行交通源采样的结果(0.97±0.10)[77]也类似.生物质燃烧的AAE为2.24,生物质燃烧的高AAE值表明该源中棕碳对吸光的重要贡献,导致其吸光对波长有很大的依赖,这一结果同样与其它研究相近[30-31,78].工业源的AAE为1.04,接近于1的值说明工业源与化石燃烧的关系密切.而扬尘的AAE为1.39,这一值远低于之前在塔里木盆地的研究结果(3.1)[79],与前人在香河的研究(1.82)[80]相比也要略低,这可能是由于城市中的扬尘源混合了一定的燃烧产生的BC(这一点在源谱中也有体现),导致AAE的降低.传统的基于黑碳仪的AAE模型的吸光解析方法高度依赖源的AAE值[16],本方法可在没有任何先验信息的条件下获得特定源AAE值,这是将光学参数耦合到PMF中进行源解析的优势之一.

图10 机动车、工业源、扬尘和生物质燃烧源AAE拟合结果

综合上述解析结果发现,本研究解析出的两个二次源对消光都有着相当大的贡献,当地能见度的降低很大程度上归因于二次污染,这一发现强调了在武汉控制SO2和NO的排放以降低二次污染的重要意义.实际上近年来我国大力推进空气污染治理,空气质量已得到显著改善,然而对硝酸盐的控制依旧有待加强[37,81],这表明未来进一步的控制硝酸盐等污染物的形成对提高能见度以及降低空气污染会有很大帮助.武汉城区机动车的排放同样非常重要,其一方面是当地吸光的主导排放源,另一方面在夏季也对光散射有较高贡献,表明了机动车排放对当地大气能见度有很大影响.工业排放同样是不容忽视的,解析结果表明当地光吸收和散射一定程度上要归因于工业的排放.

3.1 武汉秋季的PM2.5浓度(42.8μg/m3)、吸光系数(abs520=15.5Mm-1)、散射系数(scat525=221.7Mm-1)和消光系数(ext=242.5Mm-1)均高于夏季(26.8μg/m3, 9.26Mm-1, 143.1Mm-1, 152.3Mm-1).观测期间的单次散射反照率(525)均值为0.92,夏秋季变化不大.

3.2 夏季主要的消光源是机动车(37.2%)和二次无机盐Ⅱ(21.2%),秋季则为二次无机盐Ⅰ(44.7%)和机动车(26.7%).消光可分为吸光和散射,当地最大的吸光贡献源来自于机动车(66.3%),光散射则主要由二次无机盐Ⅰ(38.4%)贡献.且源的吸光贡献在夏秋两个季节未表现出明显的季节变化,而光散射情况则出现了显著变化,体现在二次无机盐Ⅰ在秋季(47.4%)贡献较高,而在夏季(14.6%)由于受到高温影响其贡献大幅下降,此外工业源的光学特性值得关注,其对吸光(14.2%)和散射(14.8%)的贡献均不容忽视.后向轨迹研究还发现机动车和工业这两个源主要是来自局地的排放,秋季西北向的气团其扬尘源的吸光和散射贡献均源高于其它气团的扬尘贡献.

3.3 本研究通过PMF得到了不同污染源的AAE值,包括机动车(0.96)、工业源(1.04)、扬尘(1.39)、生物质燃烧(2.24),机动车和工业源的AAE值都接近于1说明这两个源的排放的吸光性物质主要是黑碳,而生物质的高AAE表明其可能更多受棕碳的影响.由于本研究的AAE值是在没有任何先验假设下获取的,该值对于使用Aethalometer模型等高度依赖源AAE的研究能提供一定参考.

[1] 吴 兑,毛节泰,邓雪娇,等.珠江三角洲黑碳气溶胶及其辐射特性的观测研究 [J]. 中国科学(D辑:地球科学), 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] 郑 玫,张延君,闫才青,等.中国PM2.5来源解析方法综述 [J]. 北京大学学报(自然科学版), 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 Ångström 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 Ångström 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] 谭 健,夏 瑞,吴 兑,等.地壳元素铁的吸光贡献对黑碳吸光增强估算的影响:以武汉为例 [J]. 中国环境科学, 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,冯家良,等.武汉市城区大气PM2.5的碳组分与源解析 [J]. 生态环境学报, 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,吴 晟,吴 兑,等.深圳市城区和郊区黑碳气溶胶对比研究 [J]. 中国环境科学, 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 Ångström 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 Ångström 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 Ångström 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,湖北武汉人,暨南大学硕士研究生,主要从事大气细颗粒物来源解析研究.发表论文5篇.

2022-06-05

科技部国家重点研发计划项目(2019YFB2102904);国家自然科学基金资助项目(41605002,41475004);广东省科技创新战略专项资金资助项目(2019B121205004)

* 责任作者, 正高级工程师, nanchen2020@126.com; ** 副研究员, wucheng.vip@foxmail.com

猜你喜欢 气团消光无机盐 低聚合度消光PVC树脂的研制中国氯碱(2023年1期)2023-02-22固化促进剂对聚酯/环氧粉末涂料消光性能的影响研究合成材料老化与应用(2022年3期)2022-06-272021年《无机盐工业》总索引无机盐工业(2021年12期)2021-12-15输水管线启动填充过程含滞留气团瞬变流数值模拟水利水电科技进展(2021年5期)2021-10-20基于后向轨迹模式的合肥市臭氧来源分析绿色环保建材(2020年10期)2020-09-28偏光镜法在宝石鉴别中的作用分析科技视界(2019年11期)2019-06-20气团来源对沿海城市PM2.5中二次水溶性无机离子形成特征的影响研究生态环境学报(2019年4期)2019-05-31HZ330CL横折缺陷原因分析与改进科学与技术(2019年21期)2019-04-27植物的根和物质吸收科教导刊(2017年28期)2017-11-22活动星系核中的尘埃消光性分析北极光(2016年4期)2016-06-06

相关热词搜索：武汉市 大气 解析