北京采暖季PM2.5水溶性無機離子污染特征及其影響因素

李星，趙文吉，熊秋林，于雪，汪涵涵

首都師范大學資源環(huán)境與旅游學院，北京 100048

中國快速的城市化、工業(yè)化及機動化發(fā)展導致大氣環(huán)境質(zhì)量惡化，以細顆粒物（PM2.5）為主要成分的霾污染事件頻發(fā)，對人們的健康、安全出行以及氣候變化造成了嚴重威脅（Yang et al.，2012；Zhao et al.，2013）。在過去的 20多年里，日益增強的人類活動（燃煤、機動車排放等）致使北京面臨嚴重的PM2.5污染（吳兌，2012；Che et al.，2009），經(jīng)過近幾年的研究控制，北京 PM2.5的濃度整體呈下降趨勢，但是重污染嚴重的局面沒有根本性的改變，目前北京 PM2.5的年均濃度仍然高于環(huán)境標準（Wang et al.，2015；Zhang et al.，2015）。

無機水溶性離子是 PM2.5的主要成分，其質(zhì)量濃度占PM2.5的40%～50%，這些離子在大氣中的質(zhì)量濃度隨著 PM2.5質(zhì)量濃度的變化而變化（丁萌萌等，2017；楊孝文等，2016）。無機水溶性離子包括 NO3-、SO42-、NH4+、Cl-、Na+、K+、Ca2+、Mg2+等，少部分來自一次污染源的排放和區(qū)域傳輸，大部分來自大氣中的二次氣溶膠（Zhang et al.，2016；楊孝文等，2016）。SNA（包括 NO3-、SO42-、NH4+）是 PM2.5中主要的無機離子，占全部水溶性離子的80%甚至更多（李麗平等，2014；王曉琦等，2016）。采暖季重污染發(fā)生時相對濕度一般較高，風速較低，高質(zhì)量濃度的前體氣體（SO2、NOx）在顆粒物表面發(fā)生非均相反應，生成吸濕性很強的 NO3-、SO42-，顆粒物粒徑和表面積顯著增大同時吸水性增強，這些性狀的改變又進一步促進更多的 NO3-、SO42-和 NH4+生成，形成一個正反饋機制，加重霾污染（丁萌萌等，2017）。由此可見，研究采暖季PM2.5及其水溶性離子的污染特征和影響因素對研究霧霾的發(fā)生機理，改善北京市的大氣環(huán)境質(zhì)量具有重要意義。

前人大多是從日變化、月變化、季度變化的角度或針對一個污染過程研究北京采暖季 PM2.5水溶性無機離子的污染特征，然后單一地分析區(qū)域傳輸、氣象條件等因素對其所產(chǎn)生的影響，而本文主要從不同污染類型天氣的角度分析北京采暖季 PM2.5和10種水溶性離子的質(zhì)量濃度特征、二次離子生成情況、離子間存在形式以及 PM2.5的酸堿性等污染特征，并選取了2個典型污染事件和1個清潔時段為研究對象，從區(qū)域傳輸以及氣象條件等方面對比分析影響北京采暖季 PM2.5及其中水溶性無機離子的因素，為控制北京大氣污染提供一定的科學依據(jù)。

1 材料與方法

1.1 樣品的采集

PM2.5采樣點位于首都師范大學多功能廳樓頂（N39°55'41"，E116°17'54"），地處北京海淀區(qū)西三環(huán)北路，位于城市中心地區(qū)，周圍分布有交通干線、居民區(qū)及學校，屬于典型的城市環(huán)境。采樣時間為2016年11月15日—2016年12月31日，每次采樣從上午08:00開始，至第二天上午08:00結(jié)束，連續(xù)采集24 h。按PM2.5的日均質(zhì)量濃度值劃分天氣的污染程度：ρ(PM2.5)≤75 μg?m-3為清潔天，75 μg?m-3＜ρ(PM2.5)≤ 115 μg?m-3為輕度污染天，115 μg?m-3＜ρ(PM2.5)≤150 μg?m-3為中度污染天，150 μg?m-3＜ρ(PM2.5)≤250 μg?m-3為 重 度 污 染 天 ，ρ(PM2.5)＞250 μg?m-3為嚴重度污染天。采集了清潔天（5 d）、輕度污染天（4 d）、中度污染天（3天）、重度污染天（4 d）、嚴重污染天（3 d）總計19個PM2.5樣品。采樣儀器為 Anderson大流量 PM2.5采樣器（Thermo，USA），配用石英濾膜（QMA，203 mm×254 mm），采樣流量為 1.13 m3?min-1，采樣前將濾膜置于馬弗爐中500 ℃焙燒4 h，冷卻后于恒溫恒濕箱（t=25 ℃，U=50%）中平衡 24 h，用十萬分之一電子天平稱重，采樣后于恒溫恒濕箱（T=25 ℃，U=50%）中平衡24 h，稱重后在冰箱中低溫避光保存以待分析。風速、風向、溫度、相對濕度等氣象學參數(shù)來自中國氣象數(shù)據(jù)網(wǎng)（http://date.cma.cn），海淀區(qū)日均 PM2.5數(shù)據(jù)來自北京市環(huán)境保護監(jiān)測中心（http://www.china-jcw.cn/）。

1.2 水溶性離子的分析

準確切取3 cm×3 cm采樣膜置于塑料瓶中，加入45 mL超純水（18.2 MΩ?cm），經(jīng)超聲波振蕩30 min提取大氣PM2.5中的無機水溶性離子成分，靜置后用0.45 μm濾膜過濾，最后利用IC（Dionex，ICS-1100；Dionex，DX-80）分別對提取液中的陰離子（F-、NO2-、SO42-、NO3-、Cl-）和陽離子（NH4+、Ca2+、Na+、Mg2+、K+）的質(zhì)量濃度進行分析測定。另取3 cm×3 cm空白膜采用相同的超聲和分析方法進行處理，以其3倍空白膜的標準偏差作為檢出限，上述10種離子的檢測限分別為0.003、0.005、0.001、0.001、0.001、0.041、0.001、0.001、0.027、0.013 μg?m-3，且標準曲線的R2均達到0.99以上，線性良好。采用基質(zhì)加標法分析實驗回收率，結(jié)果顯示各水溶性離子回收率均達到94%以上。最后離子的溶液濃度通過水重、采樣流速和持續(xù)時間換算成大氣濃度（Li et al.，2013），具體色譜條件見表1。

1.3 PM2.5酸堿度計算

計算氣溶膠酸度通常采用的方法有離子平衡法、摩爾比值法、熱力學平衡模型法、氨的相分配法等。通常認為離子平衡法和摩爾比值法中H+的出現(xiàn)會導致無機陽離子、陰離子失衡，而高H+負荷和低的陽離子/陰離子意味著氣溶膠酸度的增加，結(jié)果并不能表征具體的氣溶膠酸堿度（pH）大小，且它們都忽視了氣溶膠中的水和離子的部分溶解性以及酸對氣溶膠酸堿度（pH）的影響，因此用其來表征氣溶膠酸度時還需進行修正（Hennigan et al.，2014；Behera et al.，2015）。熱力學平衡模型和氨的相分配法被認為是目前計算氣溶膠pH最準確的方法，本文采用熱力學平衡模型 ISORROPIA-II，此模型計算效率高，被廣泛應用，只需輸入NO3-、SO42-、NH4+、Cl-、Na+、K+、Ca2+、Mg2+在大氣中的質(zhì)量濃度和環(huán)境溫度、濕度就可以計算出大氣中PM2.5的pH。

1.4 后向軌跡

本文使用 TrajStat軟件，利用 NOAA的HYSPLIT模式的計算模塊（沈?qū)W勇等，2016），結(jié)合美國環(huán)境預報中心和國家大氣研究中心聯(lián)合執(zhí)行的全球再分析資料以及北京市海淀區(qū)環(huán)境質(zhì)量檢測站對應有效的日均 PM2.5質(zhì)量濃度數(shù)據(jù)，模擬了海淀區(qū)觀測點（N39°55'41"，E116°17'54"）72 h相對地面500 m高度（500 m高度的風場不僅能減少地面摩擦對于氣流軌跡的影響，而且可以較準確地反映近地層的氣團輸送特征）處的后向軌跡（李莉等，2015）。

表1 離子色譜分析條件Table 1 The conditions of Ion chromatography analysis

1.5 潛在源貢獻因子分析（WPSCF）

PSCF是基于條件概率函數(shù)發(fā)展而來的一種通過結(jié)合氣團軌跡和某要素值（本文指 PM2.5質(zhì)量濃度）來判斷潛在排放源位置的方法（Begum et al.，2005）。假設(shè)經(jīng)過網(wǎng)格（i, j）的污染軌跡端點數(shù)為（mij），落在某網(wǎng)格（i, j）內(nèi)的所有軌跡端點數(shù)為（nij），則PSCF可以定義為所選研究區(qū)域內(nèi)經(jīng)過網(wǎng)格（i, j）的污染軌跡上的點數(shù)（mij）與經(jīng)過該受點的所有軌跡上的點數(shù)（nij）的比值（Wang et al.，2009），如下式所示：

定義軌跡到達北京觀測點時對應 PM2.5質(zhì)量濃度超過 75 μg?m-3的軌跡為污染軌跡，格網(wǎng)設(shè)置越大，其中經(jīng)過的氣流波動性越大，使得離北京很遠的地方出現(xiàn)PSCF高值區(qū)，造成分析結(jié)果誤差大；格網(wǎng)設(shè)置太小，PSCF高值區(qū)又集中在本地。綜合考慮后，本文按 0.5°×0.5°格網(wǎng)對研究區(qū)（30°～125°E，30°～70°N）進行網(wǎng)格化處理，計算每個網(wǎng)格內(nèi)污染軌跡端點出現(xiàn)的概率，PSCF≥0.8所對應的區(qū)域就是北京 PM2.5的主要潛在污染區(qū)。因為PSCF值是一個條件概率，誤差會隨著網(wǎng)格與采樣點距離的增加而增加，且當網(wǎng)格內(nèi)氣流滯留時間較短時，nij值較小，PSCF值存在很大的不確定性，所以，本文選擇在各網(wǎng)格內(nèi)nij小于研究區(qū)內(nèi)全體網(wǎng)格平均軌跡端點數(shù)（nave）的 3倍時引入權(quán)重函數(shù)W(nij)，對PSCF值進行區(qū)域化賦權(quán)，以降低其誤差。權(quán)重函數(shù)W（nij）如下式所示（Polissar et al.，1999；Xu et al.，2009）：

1.6 濃度權(quán)重軌跡分析（WCWT）

PSCF只能反映經(jīng)過某網(wǎng)格的氣團到達北京觀測點時PM2.5質(zhì)量濃度超過75 μg?m-3的概率，不能區(qū)分經(jīng)過該網(wǎng)格的軌跡到達觀測點時PM2.5質(zhì)量濃度超過75 μg?m-3的多少，因此本文用CWT方法計算了軌跡的權(quán)重濃度，以反映不同軌跡的污染程度（Hsu et al.，2003）。在CWT分析法中，通過計算經(jīng)過該網(wǎng)格的軌跡對應的觀測點粒子濃度的平均值獲得每個網(wǎng)格點上的權(quán)重濃度，計算式如下：

式中，Cij是網(wǎng)格（i, j）上的平均權(quán)重濃度；l是軌跡；Cijl是軌跡 l經(jīng)過網(wǎng)格（i, j）時對應點的粒子的濃度（本文指PM2.5的質(zhì)量濃度）；τijl是軌跡l在網(wǎng)格（i, j）內(nèi)停留的時間，計算過程中，用落在網(wǎng)格內(nèi)的軌跡的端點數(shù)來代替停留時間，CWT分析法采用與PSCF分析法相同的權(quán)重函數(shù)W(nij)進行區(qū)域化賦權(quán)。

2 結(jié)果與討論

2.1 PM2.5和水溶性離子污染特征

2.1.1 PM2.5和水溶性離子的濃度

由表2可知，2016年11月15日—2016年12月 31日期間 PM2.5的日均質(zhì)量濃度變化范圍為7.0～383 μg?m-3，均值為 114 μg?m-3，污染天 PM2.5質(zhì)量濃度是清潔天的 4.4倍。水溶性無機離子（WSII）是 PM2.5重要的組成部分，采集的樣品中WSII質(zhì)量濃度的變化范圍為 8.29～97.49 μg?m-3，平均質(zhì)量濃度為44.61 μg?m-3，其中嚴重污染天的平均質(zhì)量濃度為76.92 μg?m-3，分別是清潔天、輕度污染天、中度污染天、重度污染天的4.7、2.3、1.3、1.4倍。采集的樣品中 SNA（NO3-，SO42-，NH4+）的平均質(zhì)量濃度為 36.30 μg?m-3，占總水溶性離子的81.37%（圖1），是最主要的3種離子，SNA質(zhì)量濃度隨著 PM2.5污染的加重呈明顯遞增趨勢，嚴重污染天SNA的日均質(zhì)量濃度高達66.37 μg?m-3，分別是清潔天、輕度污染天、中度污染天、重度污染天的5.8、2.5、1.5、1.4倍，嚴重污染天SNA在總水溶性離子中的占比高達88.17%，Cl-、Na+、K+、Ca2+、Mg2+在大氣中的質(zhì)量濃度相對較低，污染天Cl-、Na+、K+、Ca2+、Mg2+質(zhì)量濃度分別是清潔天的 1.9、1.5、3.5、1.4、1.8 倍。

表2 不同污染程度天氣下PM2.5及其水溶性離子的日均質(zhì)量濃度Table 2 The daily average concentration of PM2.5 and its water-soluble ions in different pollution levels ρ/(μg?m-3)

圖1 清潔天和污染天PM2.5樣品中各水溶性離子的質(zhì)量濃度占總水溶性離子質(zhì)量濃度的百分比Fig. 1 The percentage of the water-soluble ions mass concentration in total water soluble ions during clear and pollution days

大氣中 SNA質(zhì)量濃度在不同污染天氣下變化明顯，幾乎與PM2.5同步，在嚴重污染天達到峰值，它們之間存在顯著相關(guān)性，相關(guān)度可達0.75，表明它們可能具有相似的污染過程。清潔天最高，F(xiàn)-次之；污染天次之。大氣氣溶膠中的主要來源于化石燃料（石油和煤）燃燒，不同燃料燃燒產(chǎn)生的存在差異，因此大氣中質(zhì)量濃度之比常用來比較以煤炭為主的固定源和以機動車為主的移動源對大氣中SO2和NOx貢獻的相對大小。若比值大于1，說明機動車尾氣對SO2和NO2貢獻大于煤炭；反之，比值小于 1，則說明大氣中 SO2和 NOx主要來自煤炭燃燒（張程等，2017）。經(jīng)計算，采樣期間比值均值為1.21，清潔天為0.93，污染天為1.31，表明采樣期間SO2和NOx主要來自移動源的貢獻，且隨著污染的發(fā)生，機動車尾氣對大氣污染的影響更顯著，這與機動車保有量的持續(xù)增長密不可分；其次，北京市近幾年采取了一系列措施減少煤炭燃燒量，例如采暖方式“煤改電”改造、傳統(tǒng)燃煤鍋爐清潔能源改造，加強散煤燃燒監(jiān)管等，這些措施極大減少了硫的排放。

氨氣是大氣中重要的堿性氣體，經(jīng)過反應后可以轉(zhuǎn)化成 PM2.5中的氨根離子。氨根離子在 PM2.5中可以多種存在形式，其中(NH4)2SO4最穩(wěn)定，NH4NO3次之，NH4Cl最不穩(wěn)定，極易揮發(fā)，因此認為N結(jié)合，最后與Cl-結(jié)合（Zhang et al.，2016）。為了研究的存在形式，分別將其與Pearson相關(guān)性分析，結(jié)果顯示：污染天只與存在顯著相關(guān)性（P＜0.05，雙側(cè)），相關(guān)系數(shù)r為 0.608，說明污染天的主要存在形式是均存在顯著相關(guān)性（P＜0.05，雙側(cè)），相關(guān)系數(shù) r分別為0.945、0.880，說明清潔天的主要存在形式是(

2.1.2 SOR、NOR

硫氧化率（SOR）和氮氧化率（NOR）常用來衡量一次污染物（的程度，計算方法分別如下：

SO2向-的轉(zhuǎn)化主要包括SO2和HO·基的氣相氧化以及以金屬離子為催化劑的液相氧化或云內(nèi)過程；NO2向的轉(zhuǎn)化主要包括NO2和HO·基的氣相氧化以及在濕顆粒物或云霧液滴中的反應。經(jīng)計算得采樣期間輕度污染天、中度污染天、重度污染天、嚴重污染天SOR的均值分別為0.17、0.26、0.30、0.61，NOR 分別為 0.08、0.12、0.12、0.15，SOR普遍大于NOR說明同等天氣下SO2比NO2更易轉(zhuǎn)化為二次污染物（的氣相反應一般多發(fā)生在晴朗干燥的天氣，而液相反應主要發(fā)生在低溫高濕的情況下。由表3可知，北京采暖季SO2和NO2主要通過液相反應生成大量

從而加劇北京采暖季PM2.5的污染。

2.1.3 PM2.5酸度

氣溶膠酸度對大氣環(huán)境乃至整個生態(tài)系統(tǒng)而言都是一個很重要的參數(shù)，酸性顆粒物沉降不僅會對淡水和陸地生態(tài)系統(tǒng)造成破壞（Schindler，1988），而且長期置身于酸性顆粒物中人體也會受到毒害作用（Rengarajan et al.，2011）。此外，酸性顆粒物還可以促進大氣中的非均相反應進而促進二次氣溶膠的生成（Manktelow et al.，2009）。經(jīng)熱力學模型ISORROPIA II計算得到PM2.5的原位酸度值，結(jié)果見表 4。原位酸度是用自由態(tài) H+的濃度來表征顆粒物實際酸度的方法，該模型不僅了考慮陰陽離子的濃度，同時也考慮了相對濕度和溫度的影響，更能準確反映PM2.5的真實酸度。由表4可知，清潔天PM2.5的酸度均值為6.7，污染天為 5.9，即污染天 PM2.5的酸性比清潔天強，可以推測這種現(xiàn)象出現(xiàn)的原因是清潔天風速較高，污染物得以擴散稀釋，且相對濕度低，不利于 SO2和NO2通過非均相反應生成更多的N而污染天風速低，污染物容易積聚，加上相對濕度高，有利于SO2和NO2通過非均相反應生成大量污染天大氣中的不足的現(xiàn)象比清潔天更嚴重（Han et al.，2015）。

表3 不同污染程度下SOR和NOR的日均值Table 3 The daily average of SOR and NOR in different pollution levels

表4 采樣期間PM2.5的pH和天氣條件Table 4 The average pH of PM2.5 ang meteorological elements during the sampling period

2.2 影響因素分析

2.2.1 區(qū)域傳輸

為了解析 PM2.5潛在排放源的位置和潛在排放源對北京 PM2.5污染貢獻的大小，模擬了北京市海淀區(qū)11月15日—12月31日期間1128條72 h后向軌跡，對 PM2.5進行潛在源貢獻因子分析（WPSCF）和濃度權(quán)重軌跡分析（WCWT）。由圖2可知，WPSCF分析圖中經(jīng)過紅色網(wǎng)格的軌跡對應北京觀測點 PM2.5的質(zhì)量超過 75 μg?m-3的概率大（P≥0.9），即影響 PM2.5的潛在源區(qū)主要分布在河北中部和南部、河南北部、山東西北部、山西北部、內(nèi)蒙古中部和西部。WCWT分析圖中經(jīng)過紅色網(wǎng)格的軌跡對應北京觀測點PM2.5平均質(zhì)量濃度超過75 μg?m-3的程度大，即 ρ(PM2.5)≥180 μg?m-3，北京 PM2.5的強潛在污染源主要分布在河北中部和南部、山東西北部、河南北部、山西北部、蒙古中部。WCWT分析結(jié)果與WPSCF分析結(jié)果基本一致，且本研究結(jié)果與任傳斌等（2016）的研究結(jié)果基本一致。

2.2.2 氣象因素

冬季供暖相對增加了污染物的排放，加上大氣邊界層普遍偏低，污染物濃度受氣象因素影響更大（何沐全等，2017）。為了研究氣象因素對北京PM2.5水溶性離子污染的影響，本文采用統(tǒng)計軟件 SPSS對 PNOR、SOR 和氣象因素進行相關(guān)性分析，經(jīng)直方圖檢驗，PM2.5NOR、SOR 和氣象因素均符合正態(tài)分布，因此進行Pearson相關(guān)性分析，分析結(jié)果見表5。

圖2 北京采樣期間PM2.5的WPSCF和WCWT分布特征Fig. 2 The distribution characteristics of WPSCF and WCWT of Beijing PM2.5 during sampling period

由表5可知，相對濕度、日照時間、風速和PM2.5濃度在0.01水平上（雙側(cè)）顯著相關(guān)，北京PM2.5濃度與相對濕度的相關(guān)系數(shù)最大（r=0.690），與日照時間、風速的相關(guān)系數(shù)依次減小，r分別為-0.547、-0.452。相關(guān)研究表明，相對濕度較高時，由于吸濕增長的影響，顆粒物容易聚集（劉永林等，2016）；風速決定污染物水平擴散稀釋的程度，風速越小，越不利于污染物在水平方向上的擴散，污染物越容易積聚；濕度越高、日照時間越短、風速越小時，大氣邊界層就越低，相應地越不利于污染物在垂直方向上的擴散稀釋（李夢等，2015）。綜上可知，相對濕度、日照時間和風速是采暖季 PM2.5的主要氣象影響因子。

表5 NOR、SOR、SNA、PM2.5和氣象要素的相關(guān)性分析Table 5 Correlation analysis of NOR, SOR, SNA, PM2.5 and meteorological elements

2.3 污染事件

為了進一步解析氣象因素和區(qū)域傳輸對北京采暖季PM2.5水溶性離子的影響，本文選取了2016年11月25日—11月26日、12月16日—12月21日2個污染事件和2016年11月20日—11月24日清潔時段進行分析。根據(jù)表6可以推測，長時間高濕低風速的靜穩(wěn)天氣條件和北京三面環(huán)山的特殊地勢致使污染物在北京長時間積聚，最終導致長時間高污染事件 2 的發(fā)生；相反，較高的風速加劇大氣流動性使污染物得以擴散稀釋，且較低的相對濕度不利于SO2和NO2發(fā)生液相反應，因此出現(xiàn)了低質(zhì)量濃度

污染期間，一定風速范圍內(nèi)，某地污染物的質(zhì)量濃度隨風速的變大而升高，說明此地周邊地區(qū)較高濃度污染物經(jīng)氣流傳輸?shù)竭_此地，加劇了此地污染，即此地天氣污染狀況主要受區(qū)域傳輸?shù)挠绊?；反之，若某地污染物的質(zhì)量濃度隨風速的變大而降低，說明此地污染物被風擴散稀釋，即此地天氣污染狀況主要受本地污染源影響（Hu et al.，2014）。由圖3可知，大多數(shù)情況下北京大氣中PM2.5、NO3-、的質(zhì)量濃度隨風速的變大而降低，但也有個別天隨風速的變大而升高，比如污染事件 1中（11月26日）的PM2.5、污染事件2中（12月20日）的以及 12 月 21 日的濃度升高。綜上可知，北京采暖季 PM2.5水溶性離子以本地污染源為主，但周邊區(qū)域污染物的區(qū)域傳輸對北京大氣環(huán)境質(zhì)量也存在一定的影響。

3 結(jié)論

（1）北京采暖季大氣中總水溶性無機離子及其主要組分SNA質(zhì)量濃度均隨PM2.5污染程度的加重呈升高趨勢。

（3）采暖季大氣中的SO2比NO2更易轉(zhuǎn)化為二次污染物溫度對 NOR和 SOR的影響不大，NOR和SOR主要受相對濕度和風速的影響。在高濕低風速的靜穩(wěn)天氣下，SO2和NO2主要通過液相反生成大量的大量的不僅加劇北京PM2.5的污染，而且致使

污染天PM2.5的酸性比清潔天強。

表6 采樣期間2污染事件和1個清潔時段的大氣參數(shù)值Table 6 Atmospheric parameter value of two pollution events and one cleaning time

圖3 采暖季典型污染事件發(fā)生前中后PM2.5水溶性離子濃度和風速的日變化Fig. 3 Daily variation of heating-season PM2.5 Water soluble ions and wind speed in the typical pollution event

（4）北京采暖季 PM2.5水溶性離子主要受本地污染源影響，同時也受周邊河北省、山東省、河南省、山西省、陜西省、以及內(nèi)蒙古等地區(qū)區(qū)域傳輸?shù)挠绊憽?/p>

（5）在北京采暖季低大氣邊界層以及三面環(huán)山的特殊條件下，一方面，高風速可使本地污染物得以稀釋擴散，從而出現(xiàn)清潔天；另一方面，高濕天氣下，一定范圍內(nèi)的微風也可使周邊地區(qū)高濃度的污染物傳輸至北京，加重大氣污染。

BEGUM B A, KIM E, JEONG C H, et al. 2005. Evaluation of the potential source contribution function using the 2002 Quebec forest fire episode[J]. Atmospheric Environment, 39(20): 3719-3724.

BEHERA S N, CHENG J, BALASUBRAMANIAN R. 2015.In situ acidity and pH of size-fractionated aerosols during a recent smoke-haze episode in Southeast Asia [J]. Envir-onmental Geochemistry & Health,37(5): 843-859.

CHE H Z, ZHANG X Y, LI Y, et al. 2009. Haze trends over the capital cities of 31 provinces in China, 1981—2005 [J]. Theoretical and Applied Climatology, 97(3): 235-242.

HAN T T, LIU X G, ZHANG Y H, et al. 2015. Role of secondary aerosols in haze formation in summer in the Megacity Beijing [J].Environmental Science, 31(5): 51-60.

HENNIGAN C J, IZUMI J, SULLIVAN A P, et al. 2014. A critical evaluation of proxy methods used to estimate the acidity of atmospheric particles [J]. Atmospheric Chemistry & Physics Discussions, 14(20): 2775-2790.

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

HU G Y, ZHANG Y M, SUN J Y, et al. 2014. Variability, formation and acidity of water-soluble ions in PM2.5, in Beijing based on the semi-continuous observations [J]. Atmospheric Research, 145-146:1-11.

KONG S F, WEN B, CHEN K, et al. 2014. Ion chemistry for atmospheric size-segregated aerosol and depositions at an offshore site of Yangtze River Delta region, China [J]. Atmospheric Research, 147-148(1):205-226.

LI X R, WANG L L, JI D S, et al. 2013. Characterization of the size-segregated water-soluble inorganic ions in the Jing-Jin-Ji urban agglomeration: Spatial/temporal variability, size distribution and sources [J]. Atmospheric Environment, 77(7): 250-259.

MANKTELOW P T, CARSLAW K S, MANN G W, et al. 2009. The impact of dust on sulfate aerosol, CN and CCN during an East Asian dust storm [J]. Atmospheric Chemistry & Physics, 10(2): 365-382.

POLISSAR A V, HOPKE P K, PAATERO P, et al. 1999. The aerosol at Barrow, Alaska: long-term trends and source locations [J].Atmospheric Environment, 33(16): 2441-2458.

RENGARAJAN R, SUDHEER A K, SARIN M M. 2011. Aerosol acidity and secondary organic aerosol formation during wintertime over urban environment in western India [J]. Atmospheric Environment, 45(11):1940-1945.

SCHINDLER D W. 1988. Effects of Acid rain on freshwater ecosystems[J]. Science, 239(4836): 149-57.

SUN Y, ZHUANG G, TANG A A, et al. 2006. Chemical characteristics of PM2.5and PM10in haze-fog episodes in Beijing [J]. Environmental Science & Technology, 40(10): 3148-3155.

WANG G, CHENG S, LI J, et al. 2015. Source apportionment and seasonal variation of PM2.5carbonaceous aerosol in the Beijing-Tianjin-Hebei Region of China [J]. Environmental & Assessment, 187(3): 143.

WANG Y Q, ZHANG X Y, DRAXLER R R. 2009. TrajStat: GIS-based software that uses various trajectory statistical analysis methods to identify potential sources from long-term air pollution measurement data [J]. Environmental Modelling & Software, 24(8): 938-939.

XU X, AKHTAR U S. 2009. Identification of potential regional sources of atmospheric total gaseous mercury in Windsor, Ontario, Canada using hybrid receptor modeling [J]. Atmospheric Chemistry & Physics Discussions, 10(15): 7073-7083.

YANG L X, ZHOU X H, WANG Z, et al. 2012. Airborne fine particulate pollution in Jinan, China: Concentrations, chemical compositions and influence on visibility impairment [J]. Atmospheric Environment,55(3): 506-514.

ZHANG Y, HUANG W, CAI T, et al. 2016. Concentrations and chemical compositions of fine particles PM2.5during haze and non-haze days in Beijing [J]. Atmospheric Research, 174-175: 62-69.

ZHANG Z Y, ZHANG X L, GONG D Y, et al. 2015. Evolution of surface O3and PM2.5, concentrations and their relationships with meteorological conditions over the last decade in Beijing [J].Atmospheric Environment, 108: 67-75.

ZHAO X J, ZHAO P S, XU J, et al. 2013. Analysis of a winter regional haze event and its formation mechanism in the North China Plain [J].Atmospheric Chemistry & Physics, 13(11): 5685-5686.

丁萌萌, 周健楠, 劉保獻, 等. 2017. 2015年北京城區(qū)大氣PM2.5中NO3-、及前體氣體的污染特征[J]. 環(huán)境科學, 38(4): 1307-1316.

何沐全, 劉志紅, 張穎, 等. 2017. 川南城市群大氣灰霾時空分布特征及成因分析[J]. 中國環(huán)境科學, 37(2): 432-442.

李麗平, 石金輝, 李非非, 等. 2014. 青島大氣中HNO3、HNO2、NH3及PM2.5中氮組分的濃度特征和氣-粒平衡關(guān)系[J]. 環(huán)境科學學報,34(11): 2869-2877.

李莉, 蔡鋆琳, 周敏. 2015. 2013年12月中國中東部地區(qū)嚴重灰霾期間上海市顆粒物的輸送途徑及潛在源區(qū)貢獻分析[J]. 環(huán)境科學,36(7): 2327-2336.

李夢, 唐貴謙, 黃俊, 等. 2015. 京津冀冬季大氣混合層高度與大氣污染的關(guān)系[J]. 環(huán)境科學, 36(6): 1935-1943.

劉永林, 孫啟民, 鐘明洋, 等. 2016. 重慶市主城區(qū) PM2.5時空分布特征[J]. 環(huán)境科學, 37(4): 1219-1229.

任傳斌, 吳立新, 張媛媛, 等. 2016. 北京城區(qū) PM2.5輸送途徑與潛在源區(qū)貢獻的四季差異分析[J]. 中國環(huán)境科學, 36(9): 2591-2598.

沈?qū)W勇, 翟崇治, 許麗萍, 等. 2016. 利用軌跡模式研究重慶主城區(qū)冬季PM2.5污染特征[J]. 環(huán)境污染與防治, 38(3): 72-76.

王曉琦, 周穎, 程水源, 等. 2016. 典型城市冬季 PM2.5水溶性離子污染特征與傳輸規(guī)律研究[J]. 中國環(huán)境科學, 36(8): 2289-2296.

吳兌. 2012. 近十年中國灰霾天氣研究綜述[J]. 環(huán)境科學學報, 32(2):257-269.

楊孝文, 周穎, 程水源, 等. 2016. 北京冬季一次重污染過程的污染特征及成因分析[J]. 中國環(huán)境科學, 36(3): 679-686.

張程, 于興娜, 朱彬. 2017. 南京北郊不同大氣污染程度下氣溶膠化學組分特征[J/OL]. 環(huán)境科學, (2017-07-12) [2017-08-20].http://kns.cnki.net/kcms/detail/11.1895.X.20170712.1303.005.html.