油气开采区域中气态污染物的来源分配：正矩阵分解方法与自组织映射方法的比较

《Science of The Total Environment》：Source apportionment of gaseous pollutants in oil and gas extraction areas: A comparison between positive matrix factorization and self-organizing maps approaches

The study analyzed hourly concentrations of twelve gaseous pollutants near Val d'Agri Oil Center (COVA) in Italy using PMF and SOM source apportionment methods. Results showed PMF effectively distinguished primary/secondary emissions and fugitive sources, while SOM captured episodic and seasonal patterns. Both methods highlighted traffic, gas flaring, and Claus process as key sources, with PMF better identifying fugitive emissions and SOM excel in spatial-temporal analysis.协同应用两者可全面解析复杂污染场景。

　　在欧洲南部意大利的一个半乡村地区，位于Val d'Agri Oil Center（COVA）附近，科学家们对大气污染物进行了为期八个月的定量分析。COVA是欧洲最大的陆上石油和天然气开采与初步加工设施，其排放可能对区域空气质量产生重要影响。研究团队在每小时的时间分辨率下对十二种大气污染物进行了监测，包括一氧化碳（CO）、氮氧化物（NO和NO?）、臭氧（O?）、苯系物（BTEX）、甲烷（CH?）、硫化氢（H?S）、二氧化硫（SO?）等。这些污染物的浓度数据表明，在研究期间，仅有少量的污染物超过了监管标准。为了更深入地了解这些污染物的来源，研究者采用了两种多元统计方法：Positive Matrix Factorization（PMF）和Self-Organizing Map（SOM）。两种方法均识别出六种主要污染源，但其结果在某些方面有所不同。

COVA的地理位置和环境条件对其周围空气质量有显著影响。该区域在冬季和夏季之间存在明显的气象差异，例如温度、湿度、风速和风向的变化。这些变化不仅影响了污染物的扩散和转化，还对污染物的浓度和分布产生了重要影响。例如，冬季由于边界层较浅和温度逆增，导致CO和NO的浓度增加，而夏季则由于强烈的光化学反应，臭氧的浓度较高。此外，COVA的高温度操作，如燃气轮机的运行，对空气污染也起到了重要作用。这些设施不仅排放直接污染物，还可能通过光化学反应产生二次污染物，如臭氧和硝酸盐。

研究中采用的PMF方法是一种经典的接收模型，它通过分析数据矩阵来识别潜在的污染源，并构建相应的源指纹。PMF能够区分主要污染源和次要污染源，尤其在识别由COVA引起的泄漏排放方面表现出色。然而，PMF在处理实时数据时可能存在一些挑战，如确定最佳因素数量和准确评估数据不确定性。相比之下，SOM方法利用无监督神经网络，将高维数据映射到低维空间，从而揭示不同观测之间的相似性。SOM在捕捉突发性污染事件和季节性变化方面表现更为突出，例如氯化工艺和燃气放空。尽管SOM无法提供定量的污染源贡献，但它能够更直观地展示污染源与气象参数之间的关系，从而更好地解释污染事件的时空特征。

研究结果表明，两种方法在识别COVA周边空气污染源方面各有优势。PMF在区分主要排放源和次级排放源方面具有更高的准确性，而SOM则在解释污染事件的突发性和季节性方面更为有效。例如，PMF能够将NO和NO?分别归因于不同的源，而SOM则通过气象数据的分析，揭示了这些污染物在不同风向和季节中的变化规律。这种结合两种方法的分析方式为环境研究提供了更全面的视角，有助于更好地理解复杂的污染源和其对空气质量的影响。

此外，研究还发现，COVA的高温度操作和燃气放空活动对局部空气质量有显著影响。例如，燃气放空活动在冬季尤为突出，导致CO和NO的浓度升高。而夏季的高温则促进了H?S向SO?的转化，增加了臭氧的生成。这些发现对于制定有效的污染控制措施具有重要意义。通过分析不同季节和气象条件下的污染物浓度变化，可以更好地评估COVA对周围环境的影响，并为改善空气质量提供科学依据。

研究还指出，COVA的开采活动与交通排放共同构成了主要的污染源。其中，交通排放主要来自东部的公路，而高温度操作则与COVA的燃气轮机和氯化工艺有关。这两种来源的污染物在冬季表现出更强的累积效应，而在夏季则可能通过光化学反应转化为其他污染物。这些结果表明，污染源的识别不仅需要考虑排放的化学特征，还需要结合气象条件的变化。

在环境科学领域，多元统计方法的应用日益广泛。PMF和SOM作为两种主要的源解析方法，各有其适用场景。PMF在处理大规模数据和构建详细的源指纹方面表现出色，而SOM则在捕捉突发性污染事件和季节性变化方面更具优势。因此，研究者建议在条件允许的情况下，采用这两种方法的结合分析，以获得更全面和准确的污染源信息。

总的来说，这项研究为理解COVA周边的空气质量提供了重要的数据支持，并展示了多元统计方法在污染源解析中的应用价值。通过对比PMF和SOM的结果，研究者不仅揭示了主要污染源的分布和特征，还探讨了不同气象条件对污染物浓度的影响。这些发现对于环境保护和政策制定具有重要意义，有助于减少对人类健康和环境的潜在危害。同时，研究还强调了综合运用多种分析方法的重要性，以更全面地揭示复杂的污染源和其对空气质量的影响。