合肥秋季气溶胶光学特性及来源分析
欧金萍1, 刘浩然1,*, 朱鹏程1, 徐恒1, 王状2, 田园1, 刘国华1, 李启华1
1.安徽大学物质科学与信息技术研究院, 安徽 合肥 230601
2.中国科学院合肥物质科学研究院安徽光学精密机械研究所环境光学与技术重点实验室, 安徽 合肥 230031
*通讯作者 e-mail: hrl@ahu.edu.cn

作者简介: 欧金萍, 1992年生, 安徽大学物质科学与信息技术研究院博士研究生 e-mail: jpingcc@163.com

摘要

气溶胶通过吸收和散射效应与太阳辐射相互作用, 对地球辐射收支和气候造成扰乱, 对云凝结核形成和云的光学性质造成间接影响。 利用黑碳仪和积分浊度计于2019年11月5日至12月10日在合肥市分别开展了气溶胶吸收系数( σap)、 散射系数( σsp)的外场观测, 结合气象数据, 分析了气溶胶吸收系数( σap)、 散射系数( σsp)的日变化特征及风依赖性。 结果表明, 合肥市秋季PM2.5, σsp σap均值分别为(43±25) μg·m-3, (238.70±161.52) Mm-1, (32.04±17.01) Mm-1。 研究期间 σsp, σap的时间变化趋势与PM2.5较为一致。 PM2.5, σsp σap均具有显著的双峰日变化特征, 分别在早8点至10点和晚20点至21点出现峰值, 主要与交通排放和气象条件有关。 合肥市气溶胶光学性质的风依赖性主要体现在PM2.5, σap σsp的高值大多处在弱风(风速<3 m·s-1)的区域, 低温高湿小风的天气条件有利于污染物的积累和形成, 但较高的风速也易输送周边的污染物, σsp σap部分高值主要受西北风向的污染气团影响。 同时, 基于HYSPLIT后向轨迹模型, 通过聚类分析不同输送途径的空间特征, 并利用潜在源贡献法(PSCF)和浓度权重轨迹法(CWT), 探讨了研究期内合肥 σsp的潜在源区分布及其贡献特性。 结果发现污染气团主要来源于合肥的西北方向, 占比最高的气团1和3来自于内蒙古自治区和新疆维吾尔自治区, 而对散射系数贡献较大的气团2来自于陕西省宝鸡市, 气团6源于内蒙古, 途径山西省、 山东省、 江苏省, 从安徽省的东南方向到达合肥, 携带较多的污染物。 PSCF较大值(>0.5)主要分布在合肥的西北方向和西南方向。 合肥冬季CWT高值主要分布在河南省东北部、 山东省西南部、 安徽省北部地区。 尤其是山东济宁市、 河南商丘市的污染物远距离传输是影响合肥地区秋季空气质量的重要源区。

关键词: 气溶胶; 风依赖; 散射系数; 合肥; 潜在源区
中图分类号:O433.1 文献标志码:A
Characteristics of Aerosol Optical Properties and Their Potential Source in Hefei in Autumn
OU Jin-ping1, LIU Hao-ran1,*, ZHU Peng-cheng1, XU Heng1, WANG Zhuang2, TIAN Yuan1, LIU Guo-hua1, LI Qi-hua1
1. Institute of Physical Science and Information Technology, Anhui University, Hefei 230601, China
2. Key Lab of Environmental Optics and Technology, Anhui Institute of Optics and Fine Mechanics, Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei 230031, China
*Corresponding author
Abstract

Aerosols directly disturbs the earth’s radiation budget and climate by absorbing and scattering solar radiation, indirectly affecting the formation of cloud condensation nuclei, and further changing the optical properties. A field study was carried out using an aethelometer and nephelometer from 5 November to 10 December 2019 in Hefei. Based on the meteorological data, diurnal variation and wind dependence of the optical properties of aerosols were analyzed. The average PM2.5, aerosol scattering coefficient ( σsp), absorption coefficient ( σap) in autumn in Hefei were (43±25) μg·m-3, (238.70±161.52) Mm-1, and (32.04±17.01) Mm-1, respectively, and the trend of time variation of σsp and σap was consistent with PM2.5. The contents of PM2.5, σsp, and σap have significant double-peak daily variation characteristics, peaking at 8:00—10:00 and 20:00—21:00, which was mainly related to traffic emissions and meteorological conditions.The wind dependence of aerosol optical properties in Hefei mainly reflects that the weather conditions of low temperature, high humidity and low wind are conducive to the accumulation and formation of pollutants, but the higher wind speed is also easy to transport pollutants around. The σap and σsp were mainly affected by the pollution air mass in the northwest wind direction. Based on the HYSPLIT backward trajectory model, the spatial characteristics of different transport pathways were analyzed by cluster analysis, and the potential source contribution method (PSCF) and concentration weight trajectory method (CWT) were used to investigate the potential source area distribution of Hefei. The results showed that the polluted air masses mainly originated from the northwest of Hefei. The highest proportion of air masses 1 and 3 were from Inner Mongolia Autonomous Region and Xinjiang Uygur Autonomous Region. Air mass 2, which contributes more to the scattering coefficient, comes from Baoji City, Shaanxi Province, and air mass 6, which originates from Inner Mongolia, passes through Shanxi, Shandong and Jiangsu Provinces, and arrives at Hefei from the southeast of Anhui Province, carrying more pollutants. PSCF larger value was mainly distributed in the northwest and southwest of Hefei. The high CWT values in autumn in Hefei were mainly distributed in northeast Henan Province, southwest Shandong Province and North Anhui Province. In particular, Jining city in Shandong Province and Shangqiu city in Henan Province are the potential sources of air quality in Hefei.

Keyword: Aerosol; Wind dependence; Scattering coefficient; Hefei; Potential source region
引言

气溶胶是指悬浮于大气中的各种固态和液态细颗粒物总称, 因其在大气能见度、 气候变化与人体健康等方面的重要影响而受到学者们的广泛关注[1]。 气溶胶的时空分布不均匀性、 气溶胶的理化性质与辐射强迫之间作用的复杂性, 是造成全球气候变化评估不确定性的重要因素之一[2, 3]。 其中散射和吸收作用作为影响地-气系统辐射平衡和大气能见度的两种主要方式[4], 因此气溶胶光学性质的研究对于评估气溶胶环境效应具有重要意义。

目前在我国京津冀、 长三角和珠三角等人口密集、 经济发达且污染严重的地区已展开很多气溶胶光学性质方面的研究[5, 6]。 Wang等[2]对北京市连续三年的观测发现吸收系数主要受当地排放的影响, 而散射系数受当地排放和区域交通的共同影响, 其潜在源区分布于北京的南部和西部。 Tan等[6]分析珠三角地区光学性质发现广州市2014年冬季气溶胶散射系数和单次散射反照率(SSA)均值是(149.33± 89.73) Mn-1和(0.80± 0.06)。 黄聪聪等[1]发现受边界层高度及颗粒物浓度的影响, 南京市冬季气溶胶吸收系数、 散射系数日变化特征显著。 周变红等[7]发现散射系数与相对湿度呈现出显著的正相关, 与大气能见度呈现出显著的负相关。 而且受到早晚高峰及机动车运行时间影响, 散射系数和吸收系数呈现双峰双谷型变化特征。

合肥市作为安徽省的省会城市, 随着经济的发展, 空气中污染物浓度剧增, 秋冬季灰霾现象时有发生[8]。 本工作基于对合肥市2019年11月—12月的气溶胶散射和吸收系数等数据的处理, 分析气溶胶光学性质的时间变化特征, 日变化规律, 同时借助HYSPLIT模型, 结合轨迹聚类、 PSCF和CWT分析方法, 研究了气溶胶散射系数的轨迹输送和来源分布特征, 这对于了解我国长三角地区气溶胶辐射强迫的不确定性具有参考意义, 同时也为合肥市大气污染防治对策提供技术的支持。

1 实验部分
1.1 观测地点和时间

研究的观测地点位于安徽大学磬苑校区物质科学与信息技术研究院(117.19° E, 31.77° N)的楼顶方舱, 观测高度约为30 m。 方舱所在位置处于该校园的北部区域, 周边是教学楼和学生的生活区, 周边没有大的污染源。 具体的观测时间为2019年11月5日至12月10日。

图1 观测点位置图Fig.1 Location map of observation points

1.2 所用仪器及数据来源

采用美国Magee公司生产的AE33型黑碳仪, 其工作原理为利用滤纸带收集通过其上一点气流中的气溶胶颗粒, 通过测量包含滤带的一部分样品来测量气溶胶颗粒, 参考区域是通过滤带的无载部分。 Aethalometer是通过颗粒物负载滤膜上透射光衰减率的变化率进而计算得到光学吸收气溶胶的瞬时浓度。 该仪器可以每1min自动获得一个数据。 采样时选用的气溶胶切割粒径为PM2.5

采用澳大利亚ECOTECH公司生产的Aurona-3000型浊度仪可以连续并实时的测量环境大气中的颗粒物的光学散射(即σsp)。 仪器内置温度和气压传感器, 测量结果可以自动、 实时地订正, 测量波长525 nm, 测量周期5 min, 浊度仪配有智能加热进气管, 以消除相对湿度对散射特性的影响。

其他气象数据(温度, 相对湿度, 风速, 风向)来源于1.8 km处的合肥市生态环境局的地面观测结果。 观测期间, 仪器均按照操作规章开展日常的内标、 外标、 零点标定、 跨度标定工作。

1.3 计算方法

气溶胶的吸收系数(σap)由式(1)计算得出[7]

σap=8.28ρBC+2.23(1)

式(1)中, ρ BC是指黑碳仪测量的黑碳(BC)质量浓度。

单次散射反照率(SSA)由式(2)计算得出

SSA=σsp/(σsp+σap)(2)

1.4 潜在来源分析方法

HYSPLIT (hybrid single particle lagrangian integrated)是一种能反映气团空间运行轨迹的模型, 该模型由美国国家海洋和大气管理局空气资源实验室研发, 在国内外分析污染物来源及传输路径等方面应用广泛[2, 9]。 本工作采用500 m作为轨迹起始高度, 对研究区域进行72 h后向轨迹模拟, 每天计算24个整点时次。 继而利用TrajStat软件进行PSCF和CWT分析, 分析过程中将气流轨迹覆盖的区域(38° E—128° E, 24° N—70° N)按0. 5° × 0. 5° 进行网格化处理。

后向轨迹聚类的原理是通过气流在传输速度及方向的空间相似度对众多轨迹进行分组, 利用Ward’ s方差法和Angle Distance算法将计算的后向轨迹进行聚类, 统计分析出主导气流方向[9]。 而PSCF和CWT则是通过气流轨迹识别大气污染物来源。 其中, PSCF通过结合污染轨迹(本研究以气溶胶散射系数的均值对应轨迹为污染轨迹)和某污染物浓度来给出可能的污染源区, 研究区域内经过某一网格(i, j)污染气流轨迹端点数(mij)除以经过该网格所有气流轨迹端点数(nij)即得到PSCF值, 具体的计算公式为

PSCFij=mijnij(3)

引入权重因子W(nij)降低PSCF随网格与采样点的距离增加而增加的误差[8, 9], 计算公式为

Wij=1.00nij> 3Avg0.70Avg< nij3Avg0.420.5Avg< nijAvg0.17nij0.5Avg(4)

进一步对PSCF进行加权计算

WPSCF=Wij×PSCFij(5)

PSCF法反映的是网格对受点污染程度的贡献大小, 无法区分出相同Pij的网格气溶胶散射系数的贡献。 所以我们选择使用CWT法计算各个轨迹的权重浓度, 确定各网格的平均权重浓度, 进而定量得到不同轨迹的污染程度[9]。 计算公式如式(6)

Cij=1i=1Mτijll=1MClτigl(6)

式(6)中: Cij为网格(i, j)的平均权重浓度气溶胶散射系数, 单位是Mm-1; l为轨迹; M为轨迹个数; Cl为轨迹l到达网格时对应的散射系数, 单位是Mm-1; τ ijl为轨迹l在网格(i, j)的停留时间, 单位是h。

同样地引用Wij以降低Cij的不确定性, WCWT(权重轨迹污染程度)的计算公式为

WCWT=Cij×Wij(7)

2 结果与讨论
2.1 气溶胶光学特性

图2展示的是2012年11月5日—12月10日PM2.5质量浓度、 气溶胶光学性质(σsp, σap)的小时变化序列。 研究期间合肥市气溶胶散射系数和吸收系数的含量范围分别是60.43~1 241.47和7.78~97.78 Mm-1, 平均含量分别为(238.70± 161.52)和(32.04± 17.01) Mm-1。 PM2.5质量浓度范围为6~189 μg· m-3, 平均值为(43± 25) μg· m-3。 整个研究期间σspσap的变化趋势与PM2.5较为一致, 11月17日和11月24日均出现较高值。 与国内其他城市的气溶胶光学性质相比(表1), 合肥市的散射系数、 吸收系数低于京津冀地区的北京市[10]和天津市[11], 长江三角洲的上海市[12]和南京市[1], 但珠三角地区广州市[6]的散射系数低于合肥的, 吸收系数高于合肥的。 SSA是反映气溶胶光学特性的重要参数, 观测期间合肥市SSA平均值为0.87, 该值高于北京、 广州, 低于天津, 与上海、 南京的相似, 表明在合肥秋季气溶胶中的散射性物质占主导地位。

图2 研究期间合肥市σsp, σap与PM2.5时间序列图Fig.2 The variation tendencies of σsp, σap and PM2.5in Hefei during the research period

表1 不同地区气溶胶散射系数(σsp)、 吸收系数(σap)和单次散射反照率(SSA)比较 Table 1 The comparison of scattering coefficient (σsp), absorption coefficient (σap) and single scattering albedo (SSA) of aerosol in different regions
2.2 消光系数的日变化特征

图3为合肥市2019年11月5日—12月10日PM2.5、 吸收系数σap、 散射系数σsp和SSA的日变化规律。 各变量具有明显的日变化特征, 均呈明显的双峰变化, 波峰到波谷的日变化规律与上海市冬季[12]观察到的是相似的。 其日变化特征主要与局地排放特征和气象条件有关[13]。 图4呈现的气象条件(温度, 相对湿度和风速)的日变化图可以看出, PM2.5, σapσsp的日变化相似, 第一个峰值发生在清晨8:00至10:00, 这与早高峰时段交通活动和人类活动的积累, 低温、 低风速、 低行星边界高度的气象条件下, 大量气溶胶的排放和次级气溶胶的形成相一致[2]

图3 PM2.5、 吸收系数(σap)、 散射系数(σsp)和SSA的日变化特征Fig.3 Average diurnal cycles of PM2.5 mass concentration, absorption coefficient (σap), scattering coefficient (σsp) and SSA

图4 平均温度(T)、 相对湿度(RH)和风速(WS)的日变化Fig.4 Diurnal variations of temperature (T), relative humidity (RH), and wind speed (WS)

值得说明的是, σapσsp第一个峰值有一个时间上的延迟, 这可能是由于气态前体物形成二次气溶胶需要一定的时间, 而吸收系数的主要来源是交通源排放的黑碳物质。 到达第一个峰值之后, 随着太阳辐射的增强, 大气边界层升高, 大气湍流运动开始活跃, 污染物易于扩散, 导致PM2.5含量降低, 同时σap逐渐下降, 15:00降至谷值, 而σsp在18:00降至谷值。 日落后随着交通排放量的增加, PM2.5, σapσsp再次呈现增加趋势, 第二个高峰出现在20:00—21:00, 这主要是由于夜晚交通源和烹饪源引起的[2]。 同时, 混合高度和风速的降低以及环境温度比下午相对较低, 导致污染物易于在近地面处积累[2, 13], 可能加剧了这些影响。 随着夜晚来临, 人类活动减少, σapσsp再次逐渐下降。 SSA的日变化特征刚好与σap, σsp的相反, 表现出早晚低, 白天高的规律, SSA最大值出现在14:00, 这与南京市的SSA规律是一致的[1], 午后光散射气溶胶增强, 反映了在强烈的太阳辐射和高温条件下的光化学过程中次生气溶胶的形成。

2.3 气溶胶光学特性的风依赖性

气象条件对光学性质有重要影响, 特别是风速风向对大气中颗粒物的扩散和输运有很大影响[2, 13]。 图5给出了PM2.5, σap, σap和SSA的风依赖关系, 其中r坐标代表风速、 角度坐标代表风向。 由于静稳的天气有利于污染物积累和形成, PM2.5、 吸收系数σap、 散射系数σsp的高值大多处在弱风(风速< 3 m· s-1)的区域。 浓度值超过100 μg· m-3的PM2.5除了在低风速下分布较多, 在风速> 3 m· s-1的情况下PM2.5浓度也会出现高值, 说明较高的风速也容易输送周边的污染物。 不同风向造成污染气团传输路径不同, 从图5可以看出, 合肥盛行风主要是东北风和西风, 这两个方向的气团主要来自于内陆污染较重的地区, 因此在此风向下PM2.5, σapσsp浓度容易出现高值。 在整个研究期间, PM2.5, σapσap的低值大多出现在东北风向, 1~5 m· s-1的风速区域内, 原因是北风通常伴随着冷锋系统和高风速出现[14], 清洁的气团可以清除空气污染物, 稀释效应导致各参数值较低。 SSA的风依赖性与西北风区出现高值的散射系数非常相似, 同时, 东北风在低速吹时, SSA值也较低, 表明周边污染羽流的影响显著。

图5 PM2.5质量浓度、 吸收系数(σap)、 散射系数(σsp)、 SSA的风向依赖图Fig.5 Wind speed and direction dependence maps of PM2.5 mass concentration, absorption coefficient (σap), scattering coefficient (σsp) and SSA

2.4 合肥气溶胶的潜在源区

利用PSCF法和CWT法识别对合肥秋季散射系数有贡献的潜在排放源。 图6为观测期间合肥72小时后向轨迹聚类分析、 PSCF法和CWT法的分析结果, 可以看出气团主要来源于合肥的西北方向, 结合表2可知, 占比最高的气团1和3分别来自于内蒙古自治区和新疆维吾尔自治区, 而2和6类气团占比不高, 但散射系数含量是较高的, 2类气团来自于陕西省宝鸡市, 工业污染严重, 6类气团源于内蒙古, 途径山西省、 山东省、 江苏省, 从安徽省的东南方向到达合肥, 携带较多的污染物。 4类气团源于新西伯利亚地区, 5类气团占比最低, 源于浙江省, 途径江西省, 从安徽省的东南方向到达合肥。

图6 合肥市后向轨迹聚类分析(a), PSCF(b)和CWT(c)分析Fig.6 Analysis of backward trajectory distributions (a), PSCF (b) and CWT (c) in Hefei

表2 合肥各气团在500 m处的轨迹数和平均散射系数含量 Table 2 Trace number and average scattering coefficient content of each air mass in Hefei at 500 m

从图6(b)可以看出研究期间PSCF较大值(> 0.5)主要分布在合肥的西北方向和西南方向, 西北方向包括山西省的中部、 山东省的西南部、 河南省的东部、 江苏省的西北部、 安徽省的北部地区, 西南方向包括武汉市、 湖南省的东北部, 还有部分PSCF高值分布在黄海水域。 总的来说, 散射系数具有长距离迁移的趋势, 其来源具有区域性, 远源的气溶胶可以在适宜条件下对合肥气溶胶散射系数产生深远的影响[15]。 从图6(c)分析出合肥秋季CWT高值主要分布在河南省东北部、 山东省西南部、 安徽省的北部地区。 尤其是山东省济宁市, 河南省商丘市的污染物通过远距离传输至合肥, 导致气溶胶散射系数值大于400 Mm-1。 总的来说, 本地排放对散射系数的贡献值不明显, 外源输入是造成合肥市大气气溶胶散射系数含量超标的重要原因。

3 结论

研究期间合肥市PM2.5浓度、 气溶胶散射系数和吸收系数平均值分别为(43± 25) μg· m-3, (238.70± 161.52) Mm-1, (32.04± 17.01) Mm-1, 气溶胶光学特性的时间变化趋势与PM2.5较为一致。 吸收系数和散射系数的日变化均呈现双峰特征, 第一个峰值出现在早上8点至10点, 与早高峰时段交通和人类活动的积累, 低温、 低风速、 低边界高度的有关, 第二个峰值出现在晚上20点至21点, 主要受夜晚交通源和烹饪源影响。 光学性质对风速和风向有明显的依赖性。 当从合肥东南方向吹来的强风时, 较清洁的气团显著清除了空气污染物, 导致PM2.5, σsp, σap值偏低。 当风向为西北风时, 携带二次气溶胶的气团被输送到合肥, 造成较高的PM2.5, σsp, σap。 PM2.5, σsp, σap的高值大多处在弱风(风速< 3 m· s-1)的部分, 但较高的风速也易输送周边的污染物。 结合2019年秋季气溶胶散射系数的数据, 使用聚类分析、 PSCF和CWT方法, 对运输途径、 区域排放源和量化的贡献进行了评估, 结果显示在影响合肥市的气流轨迹中, 污染轨迹多来自合肥市的西北方向。 山东省济宁市、 河南省商丘市等外源输入的污染物对合肥气溶胶散射系数值贡献较大, 本地排放对散射系数的贡献值相对不明显。

参考文献
[1] HUANG Cong-cong, MA Yan, ZHENG Jun(黄聪聪, 马嫣, 郑军). Environmental Science(环境科学), 2018, 39(7): 2057. [本文引用:4]
[2] Wang T T, Du Z F, Tan T Y, et al. Atmospheric Environment, 2019, 206: 293. [本文引用:7]
[3] Xing C Z, Liu C, Wang S S, et al. Atmospheric Chemistry and Physics, 2017, 17(23): 14275. [本文引用:1]
[4] XIANG Hong, YU Jia-yan, WANG Jun, et al(向洪, 余家燕, 王军, ). 2018, 41(7): 110. [本文引用:1]
[5] Xing C Z, Liu C, Wang S S, et al. Atmospheric Measurement Techniques, 2019, 12(6): 3289. [本文引用:1]
[6] Tan H B, Liu L, Fan S J, et al. Atmospheric Environment, 2016, 131: 196. [本文引用:3]
[7] ZHOU Bian-hong, CAO Xia, ZHANG Rong-rui, et al(周变红, 曹夏, 张容瑞, ). Journal of Atmospheric and Environmental Optics(大气与环境光学学报), 2020, 15(3): 196. [本文引用:2]
[8] Hong Q Q, Liu C, Hu Q H, et al. Atmospheric Research, 2019, 228(1): 206. [本文引用:2]
[9] GUO Qian, WANG Jia-yang, ZHOU Zi-hang, et al(郭倩, 汪嘉杨, 周子航, ). Acta Scientiae Circumstantiae(环境科学学报), 2018, 38(2): 629. [本文引用:4]
[10] Jing J S, Wu Y F, Tao J, et al. Particuology, 2015, 18: 144. [本文引用:1]
[11] YAO Qing, HAN Su-qin, CAI Zi-ying, et al(姚青, 韩素芹, 蔡子颖, ). China Environmental Science(中国环境科学), 2012, 32(5): 795. [本文引用:1]
[12] Xu J, Tao J, Zhang R, et al. Atmospheric Research, 2012, 109-110: 25. [本文引用:2]
[13] Zhang C X, Liu C, Hu Q, et al. Light: Science & Applications, 2019, 8(1): 100. [本文引用:3]
[14] Ma N, Zhao C S, Nowak A, et al. Atmospheric Chemistry and Physics, 2011, 11: 5959. [本文引用:1]
[15] ZHANG Xin, LI Zhong-qin, MING Jing, et al(张昕, 李忠勤, 明镜, ). Acta Scientiae Circumstantiae(环境科学学报), 2019, 39(1): 212. [本文引用:1]