2025, Vol. 17 
2. 新疆维吾尔自治区干旱区湖泊环境与资源重点实验室，新疆 乌鲁木齐 830054;
3. 新疆乌鲁木齐城市生态系统国家定位观测研究站，新疆 乌鲁木齐 830000
2. Xinjiang Key Laboratory of Lake Environment and Resources in Arid Zone, Urumqi, Xinjiang 830054, China;
3. Xinjiang Urumqi Urban Ecosystem National Research Station, Urumqi, Xinjiang 830000, China
随着我国取得的巨大经济成就和城市的快速发展，许多环境和社会问题也相继出现，如空气质量恶化，会对人体健康产生许多不利影响[1]。人体长期暴露在高浓度的颗粒物下，会加剧慢性呼吸道疾病及心血管疾病，降低身体的免疫力，同时也会损害肺部组织，甚至引起过早死亡和癌症[2]；而长期暴露在高浓度臭氧(O3)、一氧化碳(CO)、二氧化硫(SO2)和二氧化氮(NO2)的环境下可能会降低肺的防御系统工作能力，加重慢性心血管疾病、呼吸系统疾病的病发率和死亡率等[3]。近年来，中央和地方政府通过交通管制，烟气脱硫、脱硝等一系列治理措施来减轻大气污染，取得了很好的成效[4]。但是根据《2022中国生态环境状况公报》，2022年全国339个地级及以上城市中，有126个城市环境空气质量超标，占比37.2%[5]。可见我国大气污染问题仍然十分突出。
大气污染物的浓度不仅与本地污染物的排放有关，同时还受区域输送的影响。目前后向轨迹聚类分析、潜在源贡献因子(PSCF)分析法和浓度权重轨迹(CWT)分析法已被广泛应用于污染物的跨区域传输及潜在源区的辨识。它们以大气污染物的传输、扩散和沉降等综合考虑为基础，再结合污染数据，探讨来自不同方向的气团对大气污染物浓度的影响，并由此分析出对污染有重要影响的传输路径及贡献区[6]。运用以上方法，国内外学者开展了大量研究工作。Sun等[7]以江苏省为研究对象，对细颗粒物(PM2.5)污染特征进行了研究，发现冬季来自西北的长途输送对江苏省大气污染的影响显著；Ma等[8]通过对沈阳重污染事件进行后向轨迹分析发现，加剧沈阳城市中空气污染的主要原因是我国西南和西北等内陆地区带来的一些颗粒物和大气污染物。Zhu等[9]分析了长株潭地区大气污染物的主要来源；蒲茜等[10]计算了重庆市2015—2020年秋冬季PM2.5污染期间气流后向轨迹，并分析了不同年份的PM2.5输送特征；杨晓春等[11]对西安地区2012年12月11—15日的一次重污染天气过程进行分析；段时光等[12]分析了郑州市冬季PM2.5的潜在污染来源和不同潜在源区对郑州市大气PM2.5浓度的贡献；周敏等[13]探讨了上海市重度污染期间细颗粒物的化学特征与输送轨迹影响。
上述研究多关注经济发达城市以及京津冀、长三角等地区。乌鲁木齐市作为中国西部地区典型的发展中城市，空气质量虽在逐年改善，但改善幅度不大，尤其在每年集中供热系统运行时段的采暖期(每年10月至次年3月)。乌鲁木齐市冬季漫长、地面灰尘大、空气湿度低，外加工业污染、机动车污染等原因，导致乌鲁木齐市采暖期大气污染程度远高于非采暖期[14-15]，大气污染问题依然严峻。目前，已有学者对乌鲁木齐市大气污染的研究多集中在本地源的贡献，如时空分布和变化特征[16-17]、颗粒物中金属的浓度特征[18]等，对乌鲁木齐市长时间尺度的后向轨迹进行聚类分析和污染源区的探究较少，这不利于了解空气污染状况、识别与定位污染源，从而制定有效的治理策略。因此，本研究利用2018—2022年乌鲁木齐市各个监测站点采暖期的大气污染物浓度数据和美国环境预报中心(NCEP)提供的全球资料同化系统数据(GDAS)，分析了6种大气污染物的时空变化特征以及首要污染物的区域贡献，以期能为乌鲁木齐市大气环境污染协同治理提供更为精准的理论参考。
1 研究区域与数据来源 1.1 研究区域概况乌鲁木齐市地处亚欧大陆腹地，位于我国西北，北与准噶尔盆地接壤，南与天山山脉接壤，三面环山，北部为开阔平原，平均海拔约为800 m，属于中温带大陆性干旱气候，年均降水量为250 mm，年均气温为7 ℃[19]。截至2022年，全市辖7区1县，总面积1.38万km2，常住人口408万，是新疆的首府、中国西部桥头堡，也是丝绸之路经济带核心区的中心区(www.wlmq.gov.cn)。区域监测站点分布示意见图 1。
|
图 1 研究区域及监测站点分布示意 |
乌鲁木齐市2018—2022年采暖期的PM2.5、可吸入颗粒物(PM10)、NO2、SO2、O3和CO 6种大气污染物的逐小时监测数据(本研究的采暖期时间为当年的11—12月至次年的1—3月)来自中国环境专业知识服务系统(https://envi.craes.cn/)。本研究选取了时间序列较为完整的6个环境空气质量监测站(图 1)。并利用NCEP提供的GDAS气象数据(ftp://gus.arlhq.noaa.gov./pub/archives)，以1.0°×1.0°的空间分辨率对乌鲁木齐市首要污染物进行了后向轨迹聚类及潜在源分析。
2 研究方法 2.1 混合单粒子拉格朗日综合轨迹(HYSPLIT) 模型HYSPLIT模型是美国国家海洋及大气管理局(NOAA)开发的一个完整的扩散、输运和化学转化模型[20]，被广泛用于研究大气污染事件或使用网格化气象数据进行气候分析[21]。后向轨迹将乌鲁木齐市中心(87.61°E，43.78°N)作为模拟受点，模拟2018—2022年采暖期的后向轨迹，高度设置为500 m，模型顶高为10 000 m，后向轨迹追踪72 h，以每日00：00—18：00作为模拟起始时间，时间间隔为6 h，追踪频率为每天的00：00，06：00，12：00和18：00。
2.2 气团轨迹聚类分析聚类分析是研究多变量分类的多元统计分析方法[22]，它根据气团运动的空间相似性，包括运动的速度和方向，对从源到接收点的所有气团轨迹进行聚类和分组，得到不同类型的气流轨迹[23]。一般情况下，轨迹聚类分析有以轨迹角度为重点的角距离和以轨迹长度为重点的欧氏距离2种方法[24]。本研究使用TrajStat软件，采用欧氏距离算法，对乌鲁木齐市采暖期气团运动轨迹进行了聚类分组，然后根据总空间方差变化率(TSV)对气流运动的反向轨迹进行分类。
2.3 潜在源贡献因子(PSCF)分析PSCF模型通过分析气流轨迹和污染阈值计算潜在污染源。将研究区域划分为i个网格，根据公式(1)计算第(i，j)网格单元处的PSCF。
| $ \operatorname{PSCF}_{i j}=\frac{m_{i j}}{n_{i j}} $ | (1) |
式中：PSCFij——潜在源区贡献因子；mij——经过网格(i，j)的污染轨迹数；nij——经过网格(i，j)的所有轨迹数。
PSCFij值越大，表示污染轨迹通过该区域的比例越高，相应区域更有可能是污染物的潜在源区，高值轨迹是污染物运移的主要路径。它反映了一种条件概率，当各网格内气流滞留时间较短时，PSCF值的不确定性较大，为了降低nij值过小带来的不确定性，引入了权重因子Wij[25]，计算公式如下：
| $ W_{i j}=\left\{\begin{array}{l} 1.00, 80<n_{i j} \\ 0.70, 20<n_{i j} \leqslant 80 \\ 0.42, 10<n_{i j} \leqslant 20 \\ 0.05, n_{i j} \leqslant 10 \end{array}\right. $ | (2) |
| $ \mathrm{WPSCF}_{i j}=\mathrm{PSCF}_{i j} \times W_{i j} $ | (3) |
式中：Wij——权重因子；WPSCFij——权重潜在源贡献因子。
PM2.5日平均质量浓度阈值采用《环境空气质量标准》(GB 3095—2012)中二级标准限值75 μg/m3，其他空气污染物平均质量浓度标准限值见表 1[26]。
|
表 1 环境空气污染物平均质量浓度标准限值 |
PSCF仅反映污染轨迹的比例，不能反映不同源区污染贡献的差异。利用CWT计算轨迹的权重浓度，定量给出网格的平均浓度，其值越高表明穿过网格的单元气团对受体部位的污染物浓度有很高的潜在贡献[27]。计算公式如下：
| $ C_{i j}=\frac{1}{\sum\limits_{l=1}^M T_{i j l}} \sum\limits_{l=1}^M C_l T_{i j l} $ | (4) |
| $ \mathrm{WCWT}_{i j}=\mathrm{CWT}_{i j} \times W_{i j} $ | (5) |
式中：Cij——平均加权浓度；l——轨迹指数；M——轨迹总数；Tijl——轨迹l在网格单元(i，j)停留的时间；WCWTij——加权浓度权重轨迹值；CWTij——网格(i，j)的平均权重浓度；Wij——权重因子，用来减少CWTij的不确定性。
3 结果与分析 3.1 大气污染物浓度的时空变化特征本研究将2018—2022年采暖期分为5个阶段，分别为：2018年11月—2019年3月(S1阶段)，2019年11月—2020年3月(S2阶段)，2020年11月—2021年3月(S3阶段)，2021年11月—2022年3月(S4阶段)，2022年11月—2023年3月(S5阶段)。乌鲁木齐市S1—S5阶段大气污染物的质量浓度均值和月均质量浓度变化见图 2(a)—(I)。乌鲁木齐市S1—S5阶段各站点大气污染物的日均质量浓度变化见图 3(a)—(f)。
|
图 2 乌鲁木齐市S1—S5阶段大气污染物的质量浓度均值和月均质量浓度变化 |
|
图 3 乌鲁木齐市S1—S5阶段各站点大气污染物的日均质量浓度变化 |
由图 2(a)可见，S1—S5阶段ρ(PM2.5)平均值分别为117.93，97.13，108.34，95.18和98.89 μg/m3，变化呈波动状态，但整体浓度有所下降。S2阶段由于新型冠状病毒管控期间等原因，因此ρ(PM2.5)相对较低。随着2019年起《新疆维吾尔自治区大气污染防治条例》的施行，空气质量得到有效改善，使得后面几个阶段的大气污染情况相比S1阶段有所好转。但采暖期除了自然因素外，燃煤供暖过程中也会产生大量的颗粒物等污染物。此外由于冬季气温较低，许多工业企业需要增加燃料消耗以维持生产，也导致了更多的污染物排放。由图 2(b)可见，ρ(PM2.5)高值出现在1月(148.40 μg/m3)，低值出现在3月(52.97 μg/m3)。整体来看，米东区环保局的ρ(PM2.5)最高，且下降幅度最为缓慢，由于米东区是重工业聚集区，因此米东区环保局相对其他站点ρ(PM2.5)更高，其次是新疆农科院农场。由图 3(a)可见，新疆农科院农场ρ(PM2.5)日平均值＞75 μg/m3的天数有108 d，整体来看，6个站点的ρ(PM2.5)日均高值区主要集中在12月1日—3月5日。
由图 2(c)可见，S1—S5阶段ρ(PM10)平均值分别为187.15，109.49，115.70，136.80，133.38 μg/m3，其与PM2.5变化类似，整体呈下降趋势，都在S1阶段浓度最高，S2阶段相对较低，后面几个阶段污染情况都没有S1阶段严重。由图 2(d)可见，ρ(PM10)在12月出现最高值(168.72 μg/m3)，3月出现最低值(85.31 μg/m3)。ρ(PM10)和ρ(PM2.5)峰值都在米东区环保局。由图 3(b)可见，米东区环保局ρ(PM10)日均值＞150 μg/m3的天数有85 d，整体来看，6个站点的ρ(PM10)日均高值区主要集中在12月4日—2月8日。
由图 2(e)可见，S1阶段ρ(NO2)平均值最高，其余阶段波动不大；由图 2(f)可见，ρ(NO2)月均值在1月达到最高值(73.73 μg/m3)，3月达到最低值(42.90 μg/m3)。ρ(NO2)的高值主要集中在人口密集的监测站、收费所和铁路局，这与它们位于交通密集的沙依巴克区和新市区有很大关系。由图 3(c)可见，监测站ρ(NO2)日平均值＞80 μg/m3的天数有57 d，而其他站点超出标准限值的天数相对较少。
由图 2(g)可见，ρ(SO2)平均值在逐阶段降低，其中米东区环保局的ρ(SO2)下降幅度最明显。由图 2(h)可见，ρ(SO2)月均值在1月最低(7.95 μg/m3)，11月出现高峰值(10.25 μg/m3)，米东区环保局的ρ(SO2)月均值最高(12.27 μg/m3)，收费所最低(5.50 μg/m3)。总体来说，各站点污染物的月均质量浓度均有较大幅度的降低，且各站点之间的差距在逐步缩小。由图 3(d)可见，新疆农科院农场和米东区环保局ρ(SO2)日均值在12月5日—2月19日期间高于其他站点，但6个站点均未存在有超过24 h平均限值的情况。
由图 2(i)可见，ρ(CO)平均值在逐阶段降低，从S1—S5阶段降低了0.65 mg/m3，监测站的降幅最明显。由图 2(j)可见，各站点的ρ(CO)月均值的变化趋势类似，都呈倒“U”型，在1月出现峰值，3月出现谷值。由图 3(e)可见，6个站点均未存在有超过24 h平均浓度限值的情况，与月变化一致呈倒“U”型。可能由于冬季取暖需求的增加，造成污染物在近地面层积聚，导致ρ(CO)在12月10日—2月4日较高。由图 2(k)可见，ρ(O3)平均值在逐阶段升高，其中米东区环保局和新疆农科院农场的ρ(O3)相对于其他4个站点较高。由图 2(l)可见，2月和3月ρ(O3)平均值增加明显，最大值出现在3月(104.47 μg/m3)，最低值出现在12月(27.12 μg/m3)，其与图 3(f)的ρ(O3)日变化趋势一致，表明ρ(O3)与气温存在较大联系，温度越高，ρ(O3)越高，但6个站点也均未存在有超过最大8 h平均浓度限值的情况。
上述分析发现，ρ(PM2.5)月变化最明显，高值月与低值月浓度相差95.43 μg/m3，而ρ(PM2.5)日均值超过标准浓度限值的天数最多。因此，PM2.5仍是乌鲁木齐市的主要污染物[17]，未来还要继续加强治理。
3.2 后向轨迹聚类分析以主要污染物PM2.5为主，绘制S1—S5阶段乌鲁木齐市后向气流轨迹分布图，S1—S5阶段后向气流轨迹分布及3类聚类轨迹见图 4。由图 4可见，偏西方向是主要的输送方向。气流的运动速度用轨迹的长度表示，轨迹越长，气团运动得越快，反之，气团运动越慢。
|
图 4 乌鲁木齐S1—S5阶段后向气流轨迹分布及3类聚类轨迹 |
在S1—S5阶段乌鲁木齐市PM2.5日均浓度数据和GADS气象数据的基础上，使用TrajStat软件，将乌鲁木齐市的气团轨迹聚类为3类，并计算出每一类轨迹占总轨迹的比例以及与之相对应的ρ(PM2.5)，具体见表 2。
|
|
表 2 乌鲁木齐S1—S5阶段后向轨迹聚类统计分析结果 |
由图 4、表 2可见，轨迹1占比55.60%，主要来自昌吉回族自治州的玛纳斯县、呼图壁县、昌吉市，博尔塔拉蒙古自治州的精河县以及塔城地区的乌苏市、沙湾县，由于输送距离短，气团运动缓慢，导致污染物难扩散，因此造成ρ(PM2.5)平均值较高(87.2 μg/m3)且污染轨迹ρ(PM2.5)平均值也最高(132.8 μg/m3)；来自哈萨克斯坦中部，博尔塔拉蒙古自治州的温泉县、博乐市、精河县，最后与轨迹1路径重叠的轨迹2(24.23%)代表偏西方向的传输气团，ρ(PM2.5)平均值相对于其他2个轨迹都较低；轨迹3起源于哈萨克斯坦的南部与西部，途径伊犁哈萨克自治州，最后与轨迹1、2重合，沿天山山脉到达乌鲁木齐市，占比20.17%，ρ(PM2.5)平均值(83.8 μg/m3)仅次于轨迹1。
综上，乌鲁木齐市PM2.5污染主要受到偏西方向的传输影响。轨迹1作为短距离输送轨迹，占比最高，且污染轨迹ρ(PM2.5)平均值也最高。因此，短距离传输对乌鲁木齐市有较大影响。
3.3 潜在源区分析为了确定乌鲁木齐市采暖期PM2.5的潜在源区，本研究进行了PSCF分析。潜在污染源的贡献值代表了该地区污染轨迹的比例，值越大，表明该区域对ρ(PM2.5)的贡献越显著。计算结果见图 5(a)—(j)。
|
图 5 乌鲁木齐市S1—S5阶段PM2.5的潜在来源分析 注：WPSCF填充颜色表示该网格区域污染轨迹的占比；WCWT填充颜色代表该网格污染物的平均质量浓度(μg/m3)。 |
由图 5可见，S1—S5阶段对乌鲁木齐市PM2.5污染贡献较大的区域主要有乌鲁木齐市部分区域，吐鲁番地区的托克逊县和鄯善县，昌吉州的南部，伊犁州的尼勒克县、新源县、察布查尔县锡伯自治县，巴音郭楞蒙古自治州的和静县以及博州的博乐市这几大区域，它们的WPSCF值均＞0.7。
传输轨迹和潜在源贡献在各年、各地区间也有较大的差异。S1和S2阶段的WPSCF数值较高，且主要分布在吐鲁番地区、巴州和乌鲁木齐市的部分区域。S2阶段相比于S1阶段重度源区的面积减少了很多，究其原因可能是期间受新型冠状病毒管控期间影响，工厂停工，车辆流量减少，排放减少，路线区域内各种空气污染物明显减少。S3—S5阶段WPSCF数值明显降低。S3阶段的WPSCF高值区域主要分布在乌鲁木齐市南部、昌吉州南部、博州的博乐市、伊犁州的尼勒克县、新源县、霍城县。S4阶段的WPSCF高值区域明显缩小，呈点状分布，主要集中在昌吉州的昌吉市、呼图壁县及伊犁州察布查尔锡伯自治县，区域传输影响减弱。S5阶段的WPSCF高值区域逐渐朝西北和西南方向延伸。
PSCF方法能计算一定区域内污染轨迹占所有轨迹的比例，以反映该区域对目标区域的潜在污染影响，但它只是一个条件概率。在此基础上，采用CWT分析法计算各轨迹的权重浓度。与WPSCF结果类似，S1—S5阶段PM2.5的污染源范围也在逐年减小。WCWT的高值区主要集中在乌鲁木齐市的西部及其周边吐鲁番地区的托克逊县、鄯善县，巴州的和静县以及沿天山山脉北部的昌吉州的昌吉市、呼图壁县、玛纳斯县，塔城地区的乌苏市、沙湾县，博州的博乐市，WCWT值均＞90 μg/m3，表明这些区域对乌鲁木齐市PM2.5污染浓度贡献最大；从S1—S5阶段WCWT值在70~90 μg/m3的地区范围内逐年减小，到S5阶段，仅有伊犁州、昌吉州以及巴州的部分地区WCWT值较高。可以发现，乌鲁木齐市西部沿天山山脉北部的区域对乌鲁木齐市PM2.5污染传输的贡献最明显，这与该区域是新疆经济最发达地区，包含了全新疆80%以上的重工业和60%以上的轻工业有很大关系。因此，未来应在做好本地污染防治工作的同时，加强对乌鲁木齐外来源的摸排及确定，确保区域共治相协同。
4 结论与讨论(1) 乌鲁木齐市S1—S5阶段ρ(SO2)和ρ(CO)均未超出《环境空气质量标准》(GB 3095—2012)中二级标准限值(150 μg/m3和4 mg/m3)，ρ(O3)也未超过日最大8 h平均质量浓度限值(160 μg/m3)，而ρ(PM2.5)、ρ(PM10)、ρ(NO2)仍处于较高水平，其中米东区环保局和新疆农科院农场最值得注意，除了NO2，这2个站点的其他大气污染物的浓度都高于其他监测站点；而交通程度最密集的监测站和铁路局ρ(NO2)最高，这与已有研究结果大致相同[17]。以后要加强对这几个监测站附近区域大气污染的监测与预警，加强污染源的排查与治理，优化产业布局，避免将高污染产业集中在监测站附近区域。
(2) 利用HYSPLIT模型和后向轨迹聚类分析得到乌鲁木齐市S1—S5阶段的3类轨迹聚类，发现乌鲁木齐市的主要污染物PM2.5主要受到其西部方向的传输影响，仍以短距离传输为主导，这与已有研究结果基本一致[28]。
(3) WPSCF和WCWT分布特征类似。乌鲁木齐市PM2.5的WPSCF和WCWT较大值主要集中在乌鲁木齐市的南部及其周边吐鲁番地区的托克逊县、鄯善县，巴音郭楞蒙古自治州的和静县以及沿天山山脉北部的昌吉回族自治州的昌吉市、呼图壁县、玛纳斯县，塔城地区的沙湾县、乌苏市，克拉玛依市，博尔塔拉蒙古自治州的博乐市。未来应在继续加强本地污染源减排和控制的同时，建立与周边的昌吉、吐鲁番等地跨区域的污染防治协作机制，发展绿色、低碳、环保的新兴产业。
本研究仍存在一定的局限性，首先由于数据获取的难度和技术的限制，时间跨度不长，仅对一个主要污染物进行分析，今后可增加时间跨度，并拓展对其他主要污染物的分析；其次是大气污染源涉及多个行业和领域，包括工业排放、交通运输、生活排放等。不同污染源排放的污染物种类和浓度各异，且可能存在交叉污染和复合污染。因此，未来要准确识别污染源并确定其贡献率，更有针对性地防治大气污染。最后除了后向轨迹，还应加入对前向轨迹的研究分析，探究乌鲁木齐的大气污染物是否会随气团运动影响其周边或更远区域，从而深化对这方面的研究。
| [1] |
GHANAVATI N, NAZARPOUR A, WATTS M J. Status, source, ecological and health risk assessment of toxic metals and polycyclic aromatic hydrocarbons(PAHs) in street dust of Abadan, Iran[J]. Catena, 2019, 177: 246-259. |
| [2] |
TIE X, WU D, BRASSEUR G. Lung cancer mortality and exposure to atmospheric aerosol particles in Guangzhou, China[J]. Atmospheric Environment, 2019, 43(14): 2375-2377. |
| [3] |
CHEN C, ZHAO B, WESCHLER C J. Indoor exposure to "outdoor PM10": Assessing its influence on the relationship between PM10 and short-term mortality in US cities[J]. Epidemiology, 2012, 23(6): 870-878. DOI:10.1097/EDE.0b013e31826b800e |
| [4] |
ZHOU X, CAO Z, MA Y, et al. Concentrations, correlations and chemical species of PM2.5/PM10 based on published data in China: Potential implications for the revised particulate standard[J]. Chemosphere, 2016, 144: 518-526. |
| [5] |
2022年中国生态环境状况公报(摘录)[J]. 环境保护, 2023, 51(Z2): 64-81.
|
| [6] |
孙雪, 刘子贺, 李轲, 等. 基于后向轨迹模式的区域大气污染及传输特征分析[J]. 环境监测管理与技术, 2022, 34(3): 25-29. DOI:10.3969/j.issn.1006-2009.2022.03.006 |
| [7] |
SUN X, LUO X S, XU J B, et al. Spatio-temporal variations and factors of a provincial PM2.5 pollution in eastern China during 2013—2017 by geostatistics[J]. Scientific Reports, 2019, 3613: 1-9. |
| [8] |
MA Y F, WANG M B, WANG S, et al. Air pollutant emission characteristics and HYSPLIT model analysis during heating period in Shenyang, China[J]. Environmental Monitoring and Assessment, 2021, 193: 9. DOI:10.1007/s10661-020-08767-4 |
| [9] |
ZHU Y F, LIAO J Y, GONG W, et al. Air pollutants sources in winter in Chang-Zhu-Tan region of China[J]. Advances in Meteorology, 2022, 10(1): 1-9. |
| [10] |
蒲茜, 李振亮, 曹云擎, 等. 重庆市2015—2020年秋冬季PM2.5污染传输路径与潜在源贡献分析[J]. 环境科学学报, 2022, 5(42): 49-59. |
| [11] |
杨晓春, 杜萌萌, 吴其重, 等. 西安地区一次重污染过程的气象条件及轨迹分析[J]. 干旱气象, 2016, 34(3): 547-552. |
| [12] |
段时光, 姜楠, 杨留明, 等. 郑州市冬季大气PM2.5传输路径和潜在源分析[J]. 环境科学, 2019, 40(1): 86-93. |
| [13] |
周敏, 乔利平, 朱书慧, 等. 2013年12月上海市重度污染期间细颗粒物化学特征与输送轨迹影响[J]. 环境科学, 2016, 37(4): 1179-1187. |
| [14] |
刘文峰. 新疆城市供热发展研究——乌鲁木齐市供热典型分析[M]. 北京: 燕山出版社, 2017: 1-7.
|
| [15] |
宋佳, 徐长春, 杨媛媛, 等. 基于MODIS16的新疆干湿气候时空变化及影响因素[J]. 水土保持研究, 2019, 26(5): 210-214, 221. |
| [16] |
盛永财, 孜比布拉·司马义, 王英鹏, 等. 乌鲁木齐市空气污染时空分布特征及其与气象因素相关分析[J]. 地球环境学报, 2018, 4(9): 323-333. |
| [17] |
张娣, 陈学刚, 赵直. 乌鲁木齐市采暖期大气污染物浓度时空变化分析[J]. 环境科学与技术, 2021, 44(10): 187-195. |
| [18] |
帕丽达·牙合甫, 杨鹏月. 乌鲁木齐市近几年大气颗粒物中重金属的浓度特征[J]. 干旱区地理, 2019, 42(3): 492-498. |
| [19] |
木尼拉·阿不都木太力甫, 玉米提·哈力克, 塔依尔江·艾山, 等. 乌鲁木齐市主要大气污染物浓度变化特征研究[J]. 生态环境学报, 2018, 27(3): 533-541. |
| [20] |
DEKA J, BAUL N D, BHARALI P J, et al. Soil PAHs against varied land use of a small city(Tezpur) of middle Brahmaputra Valley: Seasonality, sources, and long-range transport[J]. Environmental Monitoring and Assessment, 2020(6): 357.1-357.14. |
| [21] |
DRAXLER R R, HESS G D. An overview of the HYSPLIT_4 modelling system for trajectories, dispersion and deposition[J]. Australian Meteorological Magazine, 1998, 47: 295-308. |
| [22] |
CHEN Y, XIE S, LUO B. Seasonal variations of transport pathways and potential sources of PM2.5 in Chengdu, China(2012—2013)[J]. Frontiers of Environmental Science & Engineering, 2018, 12(1): 1-11. |
| [23] |
李树岭, 赵玲, 花丛, 等. 哈尔滨市冬半年污染传输特征及潜在源区分析[J]. 气象与环境科学, 2021, 44(1): 81-88. |
| [24] |
SIROIS A, BOTTENHEIM J W. Use of backward trajectories to interpret the 5-year record of PAN and O3 ambient air concentrations at Kejimkujik National Park, Nova Scotia[J]. Journal of Geophysical Research: Atmospheres, 1995, 100(D2): 2867-2881. |
| [25] |
ALEXANDER V P, PHILIP K H, JOYCE M H. Source regions for atmospheric aerosol measured at Barrow, Alaska[J]. Environmental Science and Technology, 2001, 35(21): 4214-4226. |
| [26] |
中华人民共和国环境保护部. 环境空气质量标准: GB 3095—2012[S]. 北京: 中国环境科学出版社, 2012.
|
| [27] |
YAN R, YU S, ZHANG Q, et al. A heavy haze episode in Beijing in February of 2014: Characteristics, origins and implications[J]. Atmospheric Pollution Research, 2015, 6(5): 867-876. |
| [28] |
刘子龙, 代斌, 崔卓彦, 等. 大气污染物浓度变化特征及潜在源分析——以乌鲁木齐为例[J]. 干旱区研究, 2021, 38(2): 562-569. |