基于多站混合受体模型的临汾市PM2.5潜在源分析

王 雁,高兴艾,裴坤宁,孙鸿娉,闫世明**,郭 伟,王小兰,蒋云盛

基于多站混合受体模型的临汾市PM2.5潜在源分析

王 雁1,高兴艾1,裴坤宁1,孙鸿娉2*,闫世明1**,郭 伟1,王小兰1,蒋云盛1

(1.山西省气象科学研究所,山西 太原 030002；2.山西省人工增雨防雷技术中心,山西 太原 030002)

利用重污染城市临汾多个站点2018～2019年的PM2.5浓度监测数据,分析了不同季节临汾市PM2.5污染特征及其空间自相关度和集聚模式,最后引入多站受体模型分析临汾市PM2.5潜在源区.研究发现,临汾市的PM2.5污染主要集中在临汾盆地内的8个区县,包括尧都、襄汾、洪洞、霍州、侯马、古县、曲沃和翼城,这8个区县的PM2.5年平均浓度均超过50μg/m3,冬季平均浓度均超过100μg/m3.PM2.5空间分布特征与地形关系密切,临汾盆地内的8个站点空间自相关度很高,PM2.5高浓度区(高-高聚类)主要集中在盆地内部,说明邻近区县污染是临汾市主城区PM2.5浓度居高不下的重要原因.结合多站混合受体模型(MS-PSCF和MS-CWT)分析临汾PM2.5潜在源区,发现临汾市春季的潜在源主要集中在东北、西南和东南部,大部分为中远距离传播;在夏季,潜在源影响明显低于其他3个季节,主要在东部;秋季的潜在源主要集中在西南方向的一些地区;冬季的潜在源主要集中在东南和西南方向以及临汾市北部近距离区域.除夏季外,其他3季共同的潜在源区是陕西中南部地区(位于西南方向),且PSCF值均超过了0.7,说明在西南风时, 临汾市发生污染的概率超过70%.

PM2.5；MS-PSCF；MS-CWT；空间自相关分析

颗粒物会对人体呼吸系统和心血管系统造成损害,其中又以细颗粒物(PM2.5)与人体不利健康影响的关系最为显著[1-2].中国是遭受PM2.5污染困扰最大的国家之一,已经引起了研究人员的高度关注[3-4].山西省临汾市环境空气质量综合指数评价综合排名长期处于较后的位置,特别是冬季的排名长期在倒数前5名.2018年,国家首次将汾渭平原11个城市(临汾市位列其中)列为大气污染防治重于临汾及周点区域,使得临汾市的大气环境有了一定改善,但由边地区大气污染物排放量大,加之盆地特殊地形和大气环境特点,大气污染问题依然严峻.

后向轨迹模型与在受体位置测量的大气污染物浓度结合使用,在识别站点污染潜在源区方面具有显著优势[5],通常称其为混合受体模型(HRM)或轨迹统计方法(TSMs)[6-8].常见的混合受体模型包括停留时间分析(RTA)[9-10]、定量迁移偏倚分析(QTBA)[11]、简化的定量迁移偏倚分析(SQTBA)[12]、停留时间加权浓度(RTWC)[13]、浓度加权轨迹(CWT)[14]、潜在源贡献函数(PSCF)[15-16].其中,PSCF和CWT方法是最常用且易于实现的方法,目前已有大量的研究基础[17-21].

但已有PSCF方法研究多是采用单个站点的监测资料,结果通常将源的上风和下风区域标识为源区域,尤其是在测量数量有限的情况下[22].与单站PSCF相比,采用多个站点的监测资料来进行PSCF分析,不但可以消除拖尾效应,并且可以确定最重要的潜在源区域[23].采用多个站点的PSCF和CWT分析方法为多站点PSCF分析法(MS-PSCF)和多站点CWT分析法(MS-CWT),目前国内采用MS-PSCF或MS-CWT的研究较少.此外,由于PSCF和CWT方法在潜在源的敏感性方面侧重点不同[24],因此2种受体模型的结合使用可以更好地解释潜在源.本文通过对临汾市四季PM2.5浓度做空间自相关分析,选取合适站点,利用MS-PSCF和MS-CWT分析方法,确定影响临汾市的PM2.5潜在源区,分析临汾地区污染传输路径,并总结 PM2.5区域来源的一般规律,以期为当地区域联防联控,协同制定防治污染对策提供参考.

1 数据与方法

1.1 研究区概况

临汾市位于山西省南部,全境可分山地、丘陵、盆地三大地形单元.临汾盆地纵贯临汾市中部,将整体隆起的高原分为东西两部分山地.东部为太岳山,西部是吕梁山脉,海拔多在1000m以上,气流流动受周围地形的阻挡,常年风速偏小,大气污染物不易向外输送,自净能力不强,更容易导致污染物的累积而出现长时间持续的重污染天气.临汾市17个区县的地理位置分布及周边地形示意如图1所示.

图1 临汾市17个区县分布及地形

1.2 数据

利用美国国家海洋和大气管理局开发的HYSPLIT(混合单粒子拉格朗日积分轨迹)轨迹模型[25]来计算和分析大气污染物的来源、输送、扩散轨迹,识别大气污染物随气团的移动方向.该模式模拟精度高,时间连续变化,被广泛应用于大气污染输送研究及污染过程分析中.用于后向轨迹模式计算的气象场资料(2018～2019年)为美国国家环境预报中心(NCEP)提供的全球资料同化系统(GDAS)数据库(ftp://arlftp.arlhq.noaa.gov/pub/archives/gdas1),每日4个时次,即00:00、06:00、12:00和18:00UTC,水平分辨率为1°´1°.PM2.5数据采用临汾生态环境监测中心提供的2018～2019年PM2.5日均数据,采样方法、设备及数据质量控制按照《环境空气颗粒物(PM10和PM2.5)连续自动监测系统运行和质控技术规范》(HJ 817-2018)进行[26].由于本次研究收集到的是临汾市17个区县的日均PM2.5数据,因此与之对应的后向轨迹数据采用当日02:00、08:00、14:00、20:00时的后向轨迹,用上述4个轨迹代表一个日均PM2.5数据[3,27].

1.3 潜在源贡献函数分析法及浓度加权轨迹分析法

PSCF分析定义为经过研究区域的气团到达观测点时对应的某要素值超过设定的阈值的条件概率[18-19].将研究区域划分为一定分辨率的若干个网格,每个网格记为网格(,),对研究的要素设定一个阈值,当轨迹所对应的要素值高于这个阈值时,认为该轨迹是污染轨迹,公式如下:

式中:是轨迹序号;是轨迹总数;为轨迹到达受体站点时测得的受体点上的示踪剂浓度;τ()是轨迹在网格单元(,)中停留的时间.值P可解释为单元(,)中的来源.

其中()是阶跃函数,当浓度低于某个阈值时等于0,而当浓度高于阈值时等于1.如果()=,则上述公式(1)表示浓度加权轨迹分析法(CWT)[17],CWT方法通过计算潜在源区气流轨迹权重浓度,反映不同轨迹的污染程度的方法,可以定量给出每个网格的平均权重浓度.

为了消除当网格单元的总端点数较少(统计学意义低)且PSCF值大时所引起的较大不确定性,当特定单元中的端点数小于网格的平均端点数(avg)的3倍时,将应用任意权重函数(n)[28].在PSCF分析法中所用的权重函数W也适用于CWT分析法.权重函数W如下:

PSCF和CWT通常用来计算分析影响受体点的大气污染物潜在源区,一般多采用单个受体站点进行分析[27,28-30],但基于增加样本数以消除拖尾效应或者引入多个不同站点数据进行相互交叉验证以更准确确定潜在源区的考虑,在许多研究中引入了多个站点的分析方法[6,18,31],本文将利用临汾市多个区县的PM2.5监测资料,采用MS-PSCF和MS-CWT分析方法来识别临汾市的潜在源区.

1.4 空间自相关方法

大气污染物的排放和扩散涉及复杂的时空和地理空间过程,PM2.5的空间分布不是独立的,而是表现出一定的空间相关性[32-34].为了定量测量相邻区域空气污染的空间依赖性,选择了经典的全局Moran指数(Moran's)来分析PM2.5浓度的全局空间自相关.全局Moran's的计算公式如下所示[35]:

全局空间自相关用于判断PM2.5的空间自相关度,局部空间自相关用于确定空间聚集的具体位置.局部Moran's的计算公式为[36]:

除PPT汇报外，对于另外的教学项目，各小组需要以现场台面设计的形式来展现。这就要求小组成员能够在实训现场进行宴会摆台、主题设计、口布折花等操作，方能展现所完成项目的主题设计。这就有效提高和锻炼了学生的动手操作能力，避免“眼高手低、能说不会做”的情况出现。

式中:x、x分别为城市和的空气质量观测值(= 1, 2, …,;= 1, 2, …,);W为空间权重;为城市个数;为与城市地理上相邻接的城市个数.

通常采用标准化统计量Z来检验Moran's指数是否存在空间自相关关系,其表达式如下:

在0.01 显著性水平下,当Z<2.58时,说明PM2.5浓度的空间自相关性不显著;当Z<-2.58时,说明PM2.5浓度在空间分布上具有负自相关关系,且其属性值呈现分散分布,包括“高-低”关联和“低-高”关联;Z>2.58时,说明PM2.5浓度在空间分布上具有正自相关性,即相近的高值或者低值呈现空间集聚,即热点和冷点分布区[30].

2 结果与讨论

2.1 临汾市PM2.5浓度的空间分布特征

由表1可见,临汾市下辖的17个区县中PM2.5的最大年平均浓度为洪洞的73μg/m3,最小年平均值为吉县的30.9μg/m3,四季的平均浓度冬季最高为86.4μg/m3,夏季最低为33.5μg/m3.尧都、襄汾、洪洞、霍州、侯马、古县、曲沃和翼城这8个区县的年平均浓度均超过50μg/m3,特别是冬季平均浓度均超过100μg/m3.

表1 临汾市17个区县的PM2.5季均浓度和年均浓度(μg/m3)

续表1

注:*标记用作每个季节中PSCF计算的阈值.

由图2可以看出,临汾市的PM2.5各季节平均浓度空间分布呈一定的规律性,其中临汾盆地内8个区县的平均浓度要远高于两侧山区地形的区县,西部区县的平均浓度低于临汾东部区县.黄小刚等[37]研究发现汾渭平原PM2.5浓度由汾河和渭河的冲积平原以及洛阳盆地向四周丘陵和山地逐渐递减.与之相类似,临汾PM2.5浓度空间分布特征亦与地形表现出较明显的关系.

图2 临汾市四季PM2.5平均浓度空间分布特征

2.2 空间自相关分析和集聚性分析

空间上接近的城市经济发展水平、PM2.5排放水平和地形条件一般也更加接近,因而导致邻近城市的PM2.5浓度可能有着较为接近的均值水平.此外,空间上接近的城市更容易受到类似气象条件的影响,这也会导致其空气质量有着相类似的短期波动规律,即存在着空间自相关[38-39].

为了说明临汾市各区县PM2.5浓度是否存在空间自相关性,采用GeoDa软件对临汾市17个区县2018～2019年PM2.5季均浓度进行空间自相关性分析.由表2可见,全局Moran's指数为正,每个季节的Moran's指数均大于0.67.在4个季节中都大于2.58,并且都通过了显著性检验(=0.01),表明近2a临汾市各区县PM2.5浓度存在正的全局空间自相关.还可以看出,值在春季达到峰值,而在夏季达到谷底.较高的指数反映了邻近区县对PM2.5浓度的同步响应程度,而夏季的同步响应程度最弱.

全局Moran's指数显著,可以认为PM2.5浓度存在空间自相关性,但无法确定哪些地方存在空间聚集现象,可以通过局部自相关分析来确定空间聚集现象.局部自相关分析通过图3的LISA聚类图来表示.

表2 2018～2019年临汾市PM2.5季平均浓度的全局Moran’s I指数

注:表示显著性检验.

图3 临汾市PM2.5季均浓度空间聚类

2.3 临汾市PM2.5潜在源分析

为了解临汾市PM2.5污染的潜在来源,结合空间自相关分析结果,选取空间聚集表现为高-高型集聚的尧都、襄汾、洪洞、霍州、侯马、古县、曲沃、翼城8个区县PM2.5浓度资料,采用MS-PSCF和MS-CWT对临汾市的PM2.5潜在来源进行分析计算,一方面可有效地增加研究样本数量,减少由于仅使用日均PM2.5浓度(因样本数量有限)带来的误差,同时通过多个站点监测资料和后向轨迹的交叉验证,可以更有效地识别出真实的潜在源区.

MS-PSCF和MS-CWT的计算网格均为0.2× 0.2个经纬度.PSCF是基于条件的概率函数,即超过所设定阈值的污染概率,因此计算阈值的设定尤为重要.本研究要分析各个季节临汾市PM2.5的潜在源区,如果PSCF计算阈值统一设置为国家二级浓度标准75μg/m3[40],由于四季的实际监测浓度差距很大,对于冬季来讲阈值甚至小于平均浓度,会造成PSCF值计算值偏大,识别不出主要污染源,而对于夏季来讲阈值远远超过平均浓度值,会造成PSCF值计算偏小,因此采用8个区县各季节平均浓度作为PSCF计算阈值.某个网格PSCF计算值越高说明气流经过该网格造成受体站点的超过设定阈值的概率越高;某个网格CWT计算值越高说明经过该网格的气流对受体站点影响程度越高.

图4 临汾市PM2.5浓度四季MS-PSCF计算结果

图5 临汾市PM2.5 四季MS-CWT结算结果

由图4可以看出,春季的PSCF中高值区(PSCF值大于0.5)主要为东北方向的山西阳泉市、河北石家庄市大部分区域和河北中南部,西南方向的陕西汉中、西安、咸阳一带和东南方向的河南中东部等部分区域,距离临汾市相对较远,多为中远距离输送;夏季由于风速较小,轨迹点多集中于受体点周围,PSCF覆盖范围明显低于其他3个季节,PSCF中高值区主要位于偏东方向,包括山西东部与河北河南交界处以及山东西部济南一带;秋季PSCF中高值区范围小且较集中,主要位于西南方向的陕西中西部宝鸡、汉中以及铜川、渭南等部分区域;冬季PSCF中高值区主要位于西南方向上的陕西中南部区域,东南方向上河南中北部郑州、新乡、开封一带,此外在临汾周边也有一些PSCF中值区存在,说明本地源和近距离源的影响在冬季相对更为明显.

除夏季外,其他3季共同的潜在源区是陕西中南部地区(位于西南方向),且PSCF值均超过了0.7,说明在西南风时,临汾市发生污染的概率超过70%;而冬季临汾市近距离的PSCF高值区则说明静小风时的静稳天气也是造成临汾冬季重污染的主要原因.

由图5可以看出,CWT计算得到的潜在源区位置基本与PSCF一致,但是源强弱略有不同.比较二者结果可以看出,春季由PSCF确定的主要潜在源区位于东北和西南方向,但是从CWT分析结果来看,东北方向的潜在源区贡献显著高于西南方向的潜在源区贡献,相差在30μg/m3左右.PSCF主要表达了超过阈值的发生概率,区分不出潜在源的影响贡献强弱,结合CWT分析,可以看出春季东北方向的源对临汾的影响贡献更大,西南方向的源贡献程度为中等;夏季PSCF和CWT计算结果差别不大;在秋季和冬季,陕西中部是PSCF的高影响潜在贡献源区域,但在CWT分析中相对而言是中等强度贡献源.特别需要关注的是冬季陕西汉中的PSCF值达到了0.9以上(气流经过这个区域到达临汾造成的污染概率超过90%),而其他的高值区均在0.7左右,CWT也表明陕西汉中的贡献最高(超过200μg/m3),但临汾市北偏西近距离浓度贡献值相比陕西中部较高,表明在冬季局部或短距离输送对临汾PM2.5污染的贡献更大.

3 结论

3.1 临汾市的PM2.5污染主要集中在临汾盆地内的8个区县,其平均浓度要远高于两侧山区地形的区县,西部区县的平均浓度低于临汾东部区县.临汾PM2.5浓度空间分布特征与地形表现出较明显的关系.

3.2 临汾盆地内的8个区县年平均浓度超过50μg/m3,且空间自相关度很高.PM2.5高浓度区(高-高)主要集中在临汾盆地,低浓度区(低-低)主要集中在吕梁山西麓.因此,若控制临汾主城区污染,不应仅控制尧都区的污染,同时应对高-高空间污染聚集区进行区域联合控制.

3.3 MS-PSCF和MS-CWT两种受体模型计算出的临汾市PM2.5潜在源区分析结果具有一致性.春季的潜在源区主要为东北、西南和东南方向,其中东北方向的潜在源区贡献显著高于西南方向的潜在源区贡献;夏季潜在源区主要位于偏东方向;秋季潜在源区主要位于西南方向;冬季的潜在源主要集中在西南方向的陕西中南部、东南方向的河南中北部以及临汾市北部近距离区域,本地源和近距离源的影响在冬季相对更为明显.

[1] Pope C A. Epidemiology of fine particulate air pollution and human health: biologic mechanisms and who's at risk? [J]. Environmental Health Perspectives, 2000,108:713-723.

[2] 阚海东,陈秉衡.我国大气颗粒物暴露与人群健康效应的关系 [J]. 环境与健康, 2002,19(6):422-424.

Kan H D, Chen B H. Analysis of exposure-response relationships of air particulate matter and adverse health outcomes in China [J]. Journal of Environment and Health, 2002,19(6):422-424.

[3] Hong C, Zhang Q, Zhang Y, et al. Impacts of climate change on future air quality and human health in China [J]. Proceedings of the National Academy of Sciences, 2019,116:17193-17200.

[4] Lang J L, Zhou Y, Chen D S, et al. Investigating the contribution of shipping emissions to atmospheric PM2.5using a combined source apportionment approach [J]. Environmental Pollution, 2017,229:557-566.

[5] Peng W, Cheng S, Li J, et al. Impact of boundary-layer anticyclonic weather system on regional air quality [J]. Atmospheric Environment, 2011,45(14):2453-2463.

[6] Han Y J, Holsen T M, Hopke P K. Estimation of source locations of total gaseous mercury measured in New York State using trajectory- based models [J]. Atmospheric Environment, 2007,41(28):6033-6047.

[7] Kabashnikov V P, Chaikovsky A P, Kucsera T L, et al. Estimated accuracy of three common trajectory statistical methods [J]. Atmospheric Environment, 2011,45:5425-5430.

[8] Cheng I, Zhang L, Blanchard P, et al. Concentration-weighted trajectory approach to identifying potential sources of speciated atmospheric mercury at an urban coastal site in Nova Scotia, Canada [J]. Atmospheric Chemistry and Physics Discussion, 2013,13(2):6031- 6048.

[9] Ashbaugh L L. A statistical trajectory technique for determining air pollution source regions [J]. Journal of the Air Pollution Control Association, 1983,33(11):1096-1098.

[10] Poirot R L, Wishinski P R. Visibility, sulfate and air mass history associated with the summertime aerosol in northern Vermont [J]. Atmospheric Environment, 1967,20(7):1457-1469.

[11] Keeler G J, Samson P J. Spatial representativeness of trace element ratios [J]. Environmental Science & Technology, 1989,23(11):1358-1364.

[12] Zhou L, Hopke P K, Liu W. Comparison of two trajectory based models for locating particle sources for two rural New York sites [J]. Atmospheric Environment, 2004,38(13):1955-1963.

[13] Stohl A. Trajectory statistics-A new method to establish source- receptor relationships of air pollutants and its application to the transport of particulate sulfate in Europe [J]. Atmospheric Environment, 1996,30(4):0-587.

[14] Hsu Y K, Holsen T M, Hopke P K. Comparison of hybrid receptor models to locate PCB sources in Chicago [J]. Atmospheric Environment, 2003,37(4):545-562.

[15] Ashbaugh L L, Malm W C, Sadeh W Z. A residence time probability analysis of sulfur concentrations at grand Canyon National Park [J]. Atmospheric Environment, 1985,19(8):1263-1270.

[16] Zeng Y, Hopke P K. A study of the sources of acid precipitation in Ontario, Canada [J]. Atmospheric Environment, 1989,23(7):1499-1509.

[17] 闫世明,王 雁,郭 伟,等.太原市秋冬季大气污染特征和输送路径及潜在源区分析 [J]. 环境科学, 2019,40(11):4801-4809.

Yan S M, Wang Y, Guo W, et al. Characteristics, transportation, pathways, and potential sources of air pollution during Autumn and Winter in Taiyuan [J]. Environmental Science, 2019,40(11):4801-4809.

[18] 闫世明,王 雁,张岳军,等.五台山春季气溶胶传输特征 [J]. 中国环境科学, 2020,40(2):497-505.

Yan S M, Wang Y, ZhangY J, et al. Influence of pollutant transport from both sides of Taihang Mountain on cross valley urban aerosol [J]. China Environmental Science, 2020,(2):497-505.

[19] Han Y J, Kim T S, Kim H. Ionic constituents and source analysis of PM2.5in three Korean cities [J]. Atmospheric Environment, 2008,42 (19):4735-4746.

[20] Jain C D, Singh V, Akhil R S T, et al. Local emission and long-range transport impacts on the CO, CO2, and CH4concentrations at a tropical rural site [J]. Atmospheric Environment, 254:118397.

[21] 王 雁,郭 伟,闫世明,等.太行山两侧污染物传输对横谷城市气溶胶的影响分析 [J]. 环境科学, 2021,42(9):4104-4115.

Wang Y, Guo W, Yan S M, et al. Influence of pollutant transport from both sides of Taihang Mountain on cross valley urban aerosol [J]. Environmental Science, 2021,42(9):4104-4115.

[22] Cheng M D, Lin C J. Receptor modeling for smoke of 1998biomass burning in Central America [J]. Journal of Geophysical Research, 2001,106:22871-22886.

[23] Hsu Y K. The use of receptor models to locate atmospheric pollutant sources: polychlorinated biphenyls in Chicago [Z]. Potsdam: Clarkson University, 2001.

[24] Watson J G, Chen L W A, Chow J C, et al. Source apportionment: findings from the U.S. supersites program [J]. Journal of the Air and Waste Management Association, 2008,58:265-288.

[25] Draxler R R, Hess G D．Description of the HYSPLIT 4modelling system [R]. Sliver Spring, Maryland: NOAA, Air Resources Laboratory, 1997.

[26] HJ 817-2018 环境空气颗粒物(PM10和PM2.5)连续自动监测系统运行和质控技术规范 [S].

HJ 817-2018 Technical specifications for operation and quality control of continuous automatic monitoring system for ambient air particulate matter (PM10and PM2.5) [S].

[27] Öztürk F, Zararsız A, Dutkiewicz V A, et al. Temporal variations and sources of Eastern Mediterranean aerosols based on a 9-year observation [J]. Atmospheric Environment, 2012,61:463-475.

[28] Polissar A, Hopke P. Source regions for atmospheric aerosol measured at Barrow, Alaska [J]. Environmental Science & Technology, 2001,35 (21):4214-4226.

[29] Choi H D, Holsen T M, Hopke P K. Atmospheric mercury (Hg) in the adirondacks: Concentrations and sources [J]. Environmental Science & Technology, 2008,42(15):5644-5653.

[30] Yu H, Feng J L, Su X F, et al. A seriously air pollution area affected by anthropogenic in the central China: temporal-spatial distribution and potential sources [J]. Environmental Geochemistry and Health, 2020,doi:10.1007/s10653-020-00558-7.

[31] Liu W, Hopke P K, Han Y J, et al. Application of receptor modeling to atmospheric constituents at Potsdam and Stockton, NY [J]. Atmospheric Environment, 2003,37(36):4997-5007.

[32] Fang C L, Wang Z B, Xu G. The spatial distribution of PM2.5in urban agglomerations in China [J]. Journal of Geographical Sciences, 2016, 26(11):1519-1532.

[33] Yan D, Lei Y, Shi Y, et al. Evolution of the spatiotemporal pattern of PM2.5concentrations in China-A case study from the Beijing-Tianjin- Hebei region [J]. Atmospheric Environment, 2018,183:225-233.

[34] Shen Y, Zhang L, Fang X, et al. Spatiotemporal patterns of recent PM2.5concentrations over typical urban agglomerations in China [J]. Science of the Total Environment, 2019,655:13-26.

[35] Moran P. The interpretation of statistical maps [J]. Journal of the Royal Statistical Society B, 1948,37:243-251.

[36] Anselin L. Local indicators of spatial association-LISA [J]. Geographical Analysis, 1995,27:93-115.

[37] 黄小刚,赵景波,孙从建,等.汾渭平原PM2.5空间分布的地形效应 [J]. 环境科学, 2021,42(10):4582-4592.

Huang X G, Zhao J B, Sun C J, et al. Orographic influences on the spatial distribution of pm on fenwei plain [J]. Environmental Science, 2021,42(10):4582-4592.

[38] Fang C L, Mao Q Z, Ni P F. Discussion on the scientific selection and development of China's urban agglomerations [J]. Acta Geographica Sinica, 2015,70:515-527.

[39] Fang C L, Yu D L. Urban agglomeration: an evolving concept of an emerging phenomenon [J]. Landscape and Urban Planning, 2017,162: 126-136.

[40] HJ633-2012 环境空气质量指数(AQI)技术规定(试行) [S].

HJ633-2012 Technical regulations on ambient air quality index (AQI) (trial) [S].

Analysis of potential sources of PM2.5in Linfen based on multi-site hybrid receptor model.

WANG Yan1, GAO Xing-ai1, PEI Kun-ning1, SUN Hong-pin2*, YAN Shi-ming1**, GUO Wei1, WANG Xiao-lan1, JIANG Yun-sheng1

(1.Shanxi Province Institute of Meteorological Sciences, Taiyuan 030002, China；2.Shanxi Weather Modification and Lightning Protection Technical Center, Taiyuan 030002, China)., 2022,42(3)：1032～1039

This paper used the PM2.5concentration data of multiple sites in the heavily polluted city Linfen from 2018 to 2019 to study the PM2.5concentration characteristics, spatial autocorrelation and agglomeration patterns in different seasons, and finally analyzed the potential source area of ​​PM2.5by introducing multi-site receptor model. The study found that the PM2.5pollution in Linfen mainly concentrated at 8 sites in the Linfen Basin, including Yaodu, Xiangfen, Hongtong, Huozhou, Houma, Guxian, Quwo and Yicheng. The annual average concentration of PM2.5exceeded 50μg/m3, and the average concentration in winter exceeded 100μg/m3. The spatial distribution characteristic of PM2.5closely related to the topography, and the eight sites in the Linfen Basin had a high degree of spatial autocorrelation. The high PM2.5concentration areas (high-high clustering) were mainly concentrated in the basin. Pollution in neighboring counties was an important reason for the high PM2.5concentration in the main urban area of Linfen. Combined with the multi-site mixed receptor model (MS-PSCF and MS-CWT), we analyzed the potential source areas of Linfen and found that the potential sources of Linfen in spring were mainly concentrated in the northeast, southwest and southeast, most of which were medium and long distance transmission; In summer, the potential sources were significantly lower than the other three seasons, mainly in the east; The potential sources in autumn were mainly concentrated in some areas in the southwest; The potential sources in winter were mainly concentrated in the southeast and southwest and the close area in the north of Linfen. Except for summer, the common potential source area for the other three seasons was central and southern Shaanxi (located in the southwest), and the PSCF values all exceed 0.7, indicating that the probability of pollution in Linfen exceeded 70% during the southwest wind.

PM2.5；multi-site PSCF；multi-site CWT；spatial autocorrelation analysis

X513

A

1000-6923(2022)03-1032-08

王 雁(1972-),女,重庆人,正研级高工,本科,主要研究方向为大气环境.发表论文10余篇.

2021-08-12

山西省自然科学基金项目(201601D011084,201901D111465);山西省气象局重点项目(SXKZDDQ20185105);山西省气象局青年基金项目(SXKQNDW20205241,SXKQNDW20217151)

*责任作者, 正研级高工, fengdichen@sohu.com; **正研级高工, qksysm@126.com