降低颗粒物(PM)浓度是全球环境政策制定者的核心议题。在过去几十年中,欧洲实施了多项措施来改善空气质量。最近,欧洲理事会更新了空气质量标准,以保护人类健康,特别是针对欧盟范围内的颗粒物(PM)。在空气质量管理中,源解析(Source Apportionment, SA)是一个关键工具,该过程用于识别和量化颗粒物来源(Hopke, 2016)。欧洲采用了不同的源解析方法,这些方法已被证明对颗粒物来源解析非常有用(Belis et al., 2013; Hopke, 2016; Viana et al., 2008):基于污染物排放率和气象数据的化学传输模型(Chemical Transport Models, CTMs),以及以受体为导向的模型(Receptor-Oriented Models, RMs),后者尤其适用于通过对采样点(receptors)测量的多种污染物浓度进行统计分析来推断来源类型并估算其对测量浓度的贡献(Belis et al., 2013)。
利用高时间分辨率的数据进行源解析可以更好地识别偶发污染源或短暂污染事件(Wang et al., 2024),但覆盖足够长的时间窗口以评估在不同气象条件下来源贡献的变化成本较高,尤其是在多个站点之间。因此,通常会结合使用高时间分辨率测量和离线技术的方法(Camman et al., 2024; Kuo et al., 2014)。
空气质量监测站的空间代表性是在解释颗粒物浓度及其来源分配时最重要的参数之一(例如,Kracht et al., 2017; Yatkin et al., 2020)。多站点方法和超级站点方法提供了不同的评估代表性方式。多站点方法能够捕捉空间变化,全面识别颗粒物来源,并提供更可靠的结果(Kara et al., 2015; Kim and Hopke, 2008; Mooibroek et al., 2011; Pandolfi et al., 2011)。超级站点方法可以在单个站点获得更详细的各种变量数据,从而实现更精确的颗粒物来源识别(例如,Aiken et al., 2009; Chow et al., 2007; Gani et al., 2019; Ogulei et al., 2005)。选择哪种方法取决于监测项目的目标。
本研究旨在考察一个褐煤盆地的颗粒物10浓度的空间和时间变化及其来源。研究进行了为期一年的多站点采样活动,同时在一个代表受地表煤炭开采影响的盆地区域的超级站点进行了半年的密集测量(多站点方法与超级站点方法对比)。莫斯特盆地(Most Basin)的研究区域具有高度特殊性,因为其排放源复杂,包括住宅和工业燃烧以及低排放高度的非燃烧源,再加上大型工业燃烧设施的高安装容量和当地道路交通。除了识别超级站点的空气污染来源外,比较不同方法学方法的源解析结果还为了解这些复杂条件下的污染源作用提供了宝贵见解。