-
随着我国经济的快速增长,城市化、工业化进程的不断推进,空气污染问题日益严重[1]。区域性空气颗粒物污染形势严峻,引起公众前所未有的关注[2]。颗粒物按照粒径大小可分为超细粒子(粒径小于0.1μm)、细颗粒物(粒径为0.1~2.5μm)、粗颗粒物(粒径大于2.5μm),其中细颗粒物(fine particulate matter以下简称PM2.5)因在大气中滞留时间长、传输距离远、比表面积大富集有害物质多等特点,对区域气候、空气质量和人体健康造成严重干扰和危害[3-5]。PM2.5的一次排放源主要来自于燃烧过程,包括化石燃料燃烧、生物质燃烧和垃圾焚烧等[6-7]。通过污染物排放清单研究发现,生物质燃烧释放的污染物在地区间极不平衡且各类生物质燃烧排放不同污染物的量存在显著差异[8]。而作为来源之一,森林可燃物燃烧为PM2.5的释放起到重要作用[9-10]。尤其是森林火灾发生时,生物质消耗总量大,产生的烟气被抬升且长距离输送,使得烟气影响区域更加广泛[11-12]。
目前,越来越多的国家将PM2.5指标纳入空气质量监测标准。2011年以来,全国范围内掀起了PM2.5讨论高潮,多次重污染事件(霾天气)引起了民众和政府的高度关注。2012年初国务院颁布了新的环境空气质量标准,使我国成为第一个出台PM2.5标准的发展中国家,修订后的《环境空气质量标准》(GB 3095—2012)于2016年起在全国正式实施[13]。现全国可覆盖近400个城市的PM2.5监测网络,进行PM2.5数值的实时发布(每小时更新1次)和短期预报(未来3 d)。然而对于森林火灾这种一次污染事件对大气环境PM2.5的贡献量,由于缺乏实时动态的小尺度监测研究,不同森林火灾的种类以及火灾发生发展过程产生的烟气对大气环境的污染,特别是森林火灾中释放最为显著的细颗粒物,其潜在的影响机制尚不清晰。国外研究多以排放因子估算法、野外火灾和计划烧除现场实际测量及室内模拟点烧实验定量监测多种方法相结合的方式研究森林火灾释放PM2.5对大气环境及人体健康的影响[14-18],特别关注森林火灾排放PM2.5的影响因子分析,包括气象条件、地形条件、植被类型、燃烧设备、燃烧温度、监测点位与火场距离、燃烧持续时长、火场大小、点燃方式等[19-21]。目前我国关于森林燃烧排放物的研究有限,多围绕着对全球碳循环的影响开展,主要针对SO2、CH4、NH3、NO等气体进行定性和定量分析[22-25]。关于森林火灾排放颗粒物的研究报道较少,PM2.5总量的估算依据国外森林火灾研究的排放因子进行估算[26]。
本文基于可控条件下进行点烧实验,采用滤膜称质量法,以黑龙江省重点火险区为研究区域,选取帽儿山地区典型红松(Pinus koraiensis)人工林地表针叶可燃物为研究对象,结合森林火灾内部发生发展规律及外部条件综合作用特征,以可燃物绝对含水率(以下简称可燃物含水率)、可燃物载量和风速为影响因子,对红松人工林地表针叶可燃物燃烧排放PM2.5质量浓度影响因子进行分析。依据数据的支撑进一步诠释森林可燃物燃烧对空气质量的影响,为今后森林火灾排放烟气中PM2.5含量的预估奠定研究基础,对减少国家和人民生命财产损失、保障经济社会全面可持续发展具有十分重要的理论意义和实际应用价值。
-
研究区位于黑龙江省尚志市境内的东北林业大学帽儿山实验林场(127°30′~127°34′E、45°20′~45°25′N)。该林场地处东北东部山地张广才岭北部余脉,主要为低山丘陵地区。属温带季风气候,全年平均温度2.8℃,年日照时数2471h,年降水量723.8mm,主要集中在6—8月,年蒸发量1093.9mm,冬季最长连续积雪日数152d。该区土壤多发育在花岗岩上,地带性土壤类型为暗棕壤。现有植被是原地带性顶级植被阔叶红松林经干扰后形成的天然次生林和人工林,代表东北东部山区典型森林生态系统类型且为重要的森林火灾活跃地带[27]。乔木树种主要有红松、蒙古栎(Quercus mongolica)、山杨(Populus davidiana)、白桦(Betula platyphylla)、榆树(Ulmus spp.)、色木(Acer mono)、水曲柳(Fraxinus mandshurica)、胡桃楸(Juglans mandshurica)等[28]。
本研究选取立地条件近似的红松人工林,设置5个样地(P1、P2、P3、P4、P5),在样地内收集地表可燃物以供实验所需,样地基本情况见表 1。
表 1 样地概况
Table 1. Summary of sample plot
参数Parameter 样地编号Sample plot No. P1 P2 P3 P4 P5 平均胸径Mean DBH/cm 22.73 24.52 20.18 23.39 26.93 平均树高Mean tree height/m 13.7 17.2 13.0 14.4 20.3 郁闭度Canopy density 0.6 0.8 0.8 0.7 0.7 样地可燃物绝对含水率Absolute moisture content of sample plot combustibles/% 14.1 21.0 14.6 12.8 17.0 样地可燃物载量/(t·hm-2)Forest fuel load in sample plot/(t·ha-1) 3.42 5.16 4.34 4.46 6.37 -
本实验在红松人工林样地内收集地表可燃物,在收集过程中将除枯落物针叶以外的少量杂草、灌木小枝、球果等可燃物剔除,仅将红松枯落物针叶作为实验研究对象,在收集的过程中尽量保证针叶的完整。
-
在选取样地的4个顶点以及对角线交点位置分别设置1m×1m小样方,收集样方内的红松地表针叶可燃物,称取鲜质量并记录为WH。取100~200g可燃物称质量记录为Wa并带回实验室,放入烘箱,温度105℃条件下烘干至恒质量,取出称质量记录为Wb。计算样地可燃物绝对含水率(式1、2)及样地可燃物载量(式3、4)。
$$ M_{i}=\frac{W_{\mathrm{a}_{i}}-W_{\mathrm{b}_{i}}}{W_{\mathrm{b}_{i}}} \times 100 \% \quad i=1, 2, \cdots, n $$ (1) $$ \overline{M}=\frac{1}{n} \sum\limits_{i=1}^{n} M_{i} $$ (2) $$ W_{\mathrm{D}_{i}}=W_{\mathrm{H}} \cdot M_{i} $$ (3) $$ \overline{W}_{\mathrm{D}}=\frac{1}{n} \sum\limits_{i=1}^{n} W_{\mathrm{D}_{i}} $$ (4) 式中:Mi为样地小样方可燃物绝对含水率(%);Wai为样地小样方可燃物取样鲜质量(g);Wbi为样地小样方可燃物取样干质量(g);M为样地可燃物平均绝对含水率(%);n为样地小样方个数;WDi为样地小样方可燃物载量(t/hm2);WH为样地小样方可燃物总鲜质量(t/hm2);WD为样地可燃物平均载量(t/hm2)。
-
通过前期预实验,当可燃物含水率高于15%时,床层难燃且蔓延缓慢,故本实验红松针叶床层点燃并蔓延的最大可燃物含水率确定为15%。同时为了研究PM2.5质量浓度是否会随着可燃物含水率变化呈现良好的梯度规律,因此将可燃物含水率的梯度设置为5%,设置4个水平:0、5%、10%、15%。样地可燃物载量实测值区间为3.42~6.37t/hm2,个体差异很小,根据野外测定的实际情况,本实验将可燃物载量梯度设置为2t/hm2,设置4个水平:4、6、8、10t/hm2。考虑到林地内较林地外的风速相对小,风速梯度设置为1m/s,设置4个水平:0、1、2、3m/s。
-
将收集的红松针叶放置在烘箱内,105℃高温烘干至恒质量,根据实验需求制备相应可燃物含水率,即称取相应质量的绝干可燃物, 根据已知实验所需的可燃物含水率,求得相应可燃物含水率鲜质量,可燃物鲜质量与可燃物干质量之差则为加水质量。用喷雾器迅速将水喷洒在可燃物表面,并用封口袋将其密封放置24h使凋落物能够完全吸收水分,此时即为实验中要求的可燃物含水率。
依据《环境空气PM10和PM2.5的测定重量法》(HJ/T618—2011)[29],在采集颗粒物前,需对滤膜的外观进行检查,符合条件的滤膜将被分别装在编号的滤膜盒,之后转移到温度25℃、湿度50%恒温恒湿箱中平衡24h,取出称质量并记录为W1,放在滤膜盒中备用。
-
点烧实验在东北林业大学帽儿山森林燃烧风洞实验室内进行。以实验设置的可燃物含水率、可燃物载量和风速梯度水平为依据,在室内铺设不同风速、可燃物含水率和可燃物载量组合的均匀红松针叶床层,每个影响因子设4个水平,共构建64种可燃物燃烧床层,每种床层进行3次重复实验,共进行192次点烧实验。
为保证实验的统一性,实验中所使用的火源统一为打火机,在床层中心位置点燃。在距离燃烧床中心水平2.5m、高度1.5m处架设崂应2050型智能空气/TSP综合采样器(以下简称空气采样器),空气采样器采样头中安装90 mm的玻璃纤维滤膜,对空气动力学直径小于或等于2.5μm的颗粒物进行收集并计算PM2.5质量浓度。
实验中统一以电风扇为风源,利用手持风速仪测量燃烧床中心表面风速,通过调整风扇与燃烧床中心的水平距离,以调整燃烧床中心表面风速,直到满足实验所需风速。
将编号后的滤膜安装在空气采样器采样头中,该仪器为中流量采样器(100L/min),现场采样1h,取出采样后的滤膜并放置在恒温恒湿箱中平衡24h(与采样前滤膜平衡条件相同),称质量记录为W2。将采样前后滤膜质量做差得到净质量,除以采样体积,得到PM2.5质量浓度,公式如下:
$$ \rho=\frac{W_{1}-W_{2}}{V} \times 10^{6} $$ (5) 式中:ρ为PM2.5质量浓度(μg/m3);W1为采样前滤膜质量(g);W2为采样后滤膜质量(g);V为标准状态下的采样体积(m3)。
-
采用Excel 2007和SPSS 20.0统计软件进行数据处理与统计分析,由Statistical 10.0绘图软件作图,采用方差分析(ANOVA)分析可燃物含水率、可燃物载量和风速对PM2.5的影响并利用逐步线性回归分析他们间的关系。
-
表 2是64组点烧实验的基本情况。其中PM2.5质量浓度变化范围为166.7~7516μg/m3,平均值为2219μg/m3。从75%区间值看,大部分红松针叶点烧烟气中PM2.5质量浓度小于3250μg/m3。在25%区间内,48次点烧中有33次可燃物载量是4t/hm2,剩余15次中有11次可燃物载量为6t/hm2,4次可燃物载量为8t/hm2,PM2.5质量浓度值随可燃物载量变化相对明显。
表 2 红松针叶点烧排放PM2.5质量浓度统计数据
Table 2. Statistics of PM2.5 mass concentration when burning Korean pine needles
项目
Item最大值
Max.最小值
Min.25%区间值
25% interval value75%区间值
75% interval valuePM2.5质量浓度PM2.5 mass concentration/(μg·m-3) 7516.0 166.7 966.7 3250.0 可燃物含水率Fuel moisture content/% 10 0 5 5 可燃物载量/(t·hm-2) Fuel load/(t·ha-1) 10 4 4 8 风速Wind speed/(m·s-1) 2 0 2 2 -
由表 3方差分析结果所示,可燃物载量和风速对可燃物燃烧烟气中PM2.5质量浓度有显著影响,可燃物含水率无显著作用。可燃物载量与风速有交互作用,而可燃物载量和风速分别与可燃物含水率没有明显的交互作用。
表 3 可燃物含水率、可燃物载量、风速及交互作用对PM2.5质量浓度影响方差分析
Table 3. ANOVA of fuel moisture content, fuel load, wind speed and interaction effect on PM2.5 mass concentration
项目Item df PM2.5质量浓度PM2.5 mass concentration(ρ) MS F Sig. 可燃物含水率Fuel moisture content (A) 3 4346695.080 0.585 0.625 可燃物载量Fuel load (B) 3 296233702.200 107.093** 0.000 风速Wind speed (C) 3 6720483.300 10.467** 0.000 A×B Fuel moisture content×fuel load 9 2968816.003 0.350 0.957 A×C Fuel moisture content×wind speed 9 11717538.220 0.593 0.802 B×C Fuel load×wind speed 9 18528443.200 4.136** 0.000 误差Error 128 1074512397.000 总变异Total variation 192 1415028075.000 注:**表示差异显著(P<0.05)。 Note:** indicates very significant difference (P<0.05). -
图 1为可燃物含水率与红松针叶床层燃烧烟气中PM2.5质量浓度之间的关系。从图中可见,可燃物含水率对PM2.5质量浓度的影响非常弱,未达到P < 0.05的统计显著水平,即可燃物含水率变化对PM2.5质量浓度不存在明显的作用。从图 2得到不同可燃物载量与风速条件时,红松针叶床层燃烧烟气中PM2.5质量浓度与可燃物含水率的关系。从局部分析,当可燃物载量低于6t/hm2时,各个小图的斜率比较相似,表明了PM2.5质量浓度与可燃物含水率之间的关系在不同可燃物载量和风速条件时是比较统一的,可燃物含水率与可燃物载量和风速无明显关系。随着可燃物载量的增加,即当可燃物载量为8、10t/hm2时,可燃物含水率对PM2.5质量浓度影响随风速的加大而稍有体现。通过图 1、2的比较发现,对于红松针叶床层点烧实验,可燃物含水率对PM2.5质量浓度没有显著的影响。
-
如图 3所示,可燃物载量对红松针叶床层燃烧烟气中PM2.5质量浓度具有较强的影响,随着可燃物载量增加,PM2.5质量浓度增加。图 4给出了不同可燃物含水率与风速条件时,红松针叶床层燃烧烟气中PM2.5质量浓度与可燃物载量的关系。对比16组小图可知在不同可燃物含水率水平以风速水平分类各小图的斜率存在细小的差别,说明可燃物载量对PM2.5质量浓度影响与风速存在交互作用。可燃物载量对PM2.5质量浓度的影响表现出较强的线性关系。图 5是忽略了可燃物含水率因子对PM2.5质量浓度影响,将数据重新整理后给出的不同风速条件下,可燃物载量对PM2.5质量浓度的影响,随着风速的增加,可燃物载量与PM2.5质量浓度关系图的斜率也不断加大,说明可燃物载量对PM2.5质量浓度的影响在风速较大的条件下更加明显。
-
如图 6所示,风速对红松针叶燃烧烟气中PM2.5质量浓度具有显著影响。图 7为不同可燃物含水率水平与可燃物载量水平条件下,红松针叶床层燃烧烟气中PM2.5质量浓度与风速的关系。从每个小图可以看出,当可燃物含水率和可燃物载量不变时,PM2.5质量浓度与风速大体上呈线性关系,PM2.5质量浓度随风速的增加而增加,可燃物载量在较小范围时,直线的斜率较低,可燃物含水率的变化对PM2.5质量浓度基本无影响。当可燃物载量>6t/hm2时,每个小图的直线斜率差别相对加大,说明可燃物载量较大时,风速对PM2.5质量浓度影响与可燃物含水率和风速有一定的关系。图 8是忽略了可燃物含水率因子对PM2.5质量浓度影响,将数据重新整理后给出的不同可燃物载量条件下,风速对PM2.5质量浓度的影响,随着可燃物载量的增加,风速与PM2.5质量浓度关系图的斜率也不断加大,说明风速对PM2.5质量浓度的影响在可燃物载量较大的条件下更加明显。
-
实验中包含可燃物载量、可燃物含水率和风速3个影响因子,通过多元线性模型进行变量筛选。模型T检验中可燃物含水率的显著性P值=0.128>0.01,方程引入可燃物含水率变量是不显著的,因此将可燃物含水率因子剔除。
通过上述分析,首先选择线性模型中的加式模型,即PM2.5质量浓度c=b0+b1W+b2v,式中:b0、b1、b2为常数,W为可燃物载量(t/hm2),v为风速(m/s)。其自变量为可燃物载量(W)、风速(v):
$$ c=-2236.739+518.916 W+483.393 v $$ 模型调整后的R2为0.731。该模型在统计学意义上是合理的,但是当可燃物载量和风速2个自变量分别赋予最低水平值时,得到的函数值是负值,因此不符合客观现实意义。在使用该模型时不包含无风且载量为4t/hm2的组合。
当选择乘式模型时,即PM2.5质量浓度c=(b0+b1W)(b2+b3v),自变量同样是可燃物载量和风速:
$$ c=(26.2785+9.1784 W)(-378681+12.9725 v) $$ 模型调整后的R2为0.776。从2种模型的决定系数上看,乘式模型比加式模型好。图 9给出了乘式模型对PM2.5质量浓度实测值和预测值的折线图。从中可见预测偏低的幅度比预测偏高的幅度大。
-
(1) 红松地表针叶可燃物燃烧对大气颗粒物污染有明显的贡献作用。研究结果表明,PM2.5小时质量浓度值大部分达到严重污染等级(>250.5μg/m3)。在实验条件下,测量PM2.5小时质量浓度最大值为7516μg/m3,是我国PM2.5质量浓度限值一级标准的215倍,主要有两方面的原因,首先我国PM2.5质量浓度限值是对大气进行监测,本实验是对可燃物燃烧烟气进行监测;我国PM2.5质量浓度限值是日均浓度值,本实验所测的PM2.5质量浓度是小时浓度值。结果充分体现了可燃物燃烧烟气污染的短暂性和爆发性增长的特点。这将对人体呼吸道系统及眼部产生严重的刺激。
(2) PM2.5质量浓度对可燃物含水率、可燃物载量与风速影响因子的响应程度存在明显差异。其中可燃物含水率对PM2.5质量浓度的影响不明显,与王国庆等[30]研究结果一致。原因有可能是本实验设置的可燃物含水率的梯度值过小,不同水平间的差异不明显,也可能是由于可燃物含水率与其他影响因素间存在相互作用关系,有待进一步研究讨论。
(3) 可燃物载量对PM2.5质量浓度的影响显著,表现为明显的正相关,即可燃物载量越大,燃烧消耗的生物量越多,则PM2.5的质量浓度会随之增加。
(4) 由于风速和可燃物载量存在明显的交互作用,因此风速对PM2.5质量浓度的影响存在阶段性特征。从整体上看,风速与PM2.5质量浓度呈现正相关关系,这与梅波等[31]的研究结果不同,原因有可能是风速不仅仅将PM2.5吹散,更重要的是风速与可燃物载量之间的交互作用以及对火行为的影响是不能忽视的。当可燃物载量较小时,风可以加快空气流动,有助于烟气的扩散,所以,可燃物载量增加上升的PM2.5质量浓度可与风速加大降低的PM2.5质量浓度相互抵消,导致排放PM2.5质量浓度总体差异较小。随着可燃物载量的增加,风速与PM2.5质量浓度的正相关趋势明显,风速大,加速空气的流动,充分供给氧气,燃烧更充分即燃烧效率更高,实际消耗的可燃物量更大,因此PM2.5质量浓度会相应增加。同时风速加大时,火强度相应增强,燃烧区域的温度会增加,颗粒内温度梯度越大,导致颗粒物容易破碎,PM2.5的量就会越多。目前,众多研究表明,大气颗粒物污染水平与风速之间存在明显的负相关关系[32-33]。然而,风速对可燃物燃烧排放颗粒物污染水平的影响较复杂,其内在影响机制仍处于探索阶段。
(5) 本文以可燃物载量和风速为预报因子构建的多元线性PM2.5质量浓度预测模型能够解释77%的PM2.5质量浓度变差。通过真实值与预测值的对比,整体上反映了PM2.5质量浓度的变化趋势,但预测偏低幅度高于偏高幅度。今后应开展更多的模型研究并进行比较研究,以便更好地理解森林地表可燃物燃烧与PM2.5质量浓度之间的关系。
Influencing factors of PM2.5 emissions under the surface needle combustible combustion of Korean pine plantations
-
摘要:
目的为研究森林火灾对大气环境中PM2.5的贡献量, 分析不同火环境下地表可燃物排放PM2.5的变化特征, 以期为森林火灾排放颗粒物污染提供依据。 方法本实验以帽儿山地区红松人工林地表针叶可燃物为研究对象, 铺设不同可燃物载量和可燃物含水率组合方式的可燃物床层, 基于燃烧风洞实验室进行点烧实验192次, 并利用崂应2050型智能空气/TSP综合采样器定量测量不同风速条件下可燃物燃烧释放烟气中细颗粒污染物(PM2.5)浓度。 结果在可燃物载量、可燃物含水率和风速的共同作用下, PM2.5质量浓度值有很大的变化区间, 最小值为166.7μg/m3, 最大值为7516μg/m3。各因子对PM2.5质量浓度的影响差异较明显, 从大到小的顺序为:可燃物载量>风速>可燃物含水率。通过多因素方差分析表明, 可燃物含水率与PM2.5质量浓度没有明显的相关性(P>0.05), 可燃物载量和风速与PM2.5质量浓度相关关系显著(P<0.05), 且可燃物载量与风速存在显著的交互作用(P<0.05)。以双因素模型拟合PM2.5质量浓度预测模型, 可燃物载量和风速共同解释77%的PM2.5质量浓度变差。 结论红松针叶燃烧对大气颗粒物污染有明显的贡献作用。PM2.5质量浓度对可燃物含水率、可燃物载量和风速的响应程度存在明显差异, 与可燃物载量和风速呈显著正相关, 与可燃物含水率关系不明显。本研究以可燃物载量和风速为预报因子构建的PM2.5质量浓度预测模型具有较高的精准度, 可以为估算森林火灾排放PM2.5质量浓度提供理论基础。 Abstract:ObjectiveThis paper aims to study the contribution of forest fire to PM2.5 in atmospheric environment, and to analyze the changing characteristics of PM2.5 under different fire environment, so as to provide a basis for forest fire particle matter emission pollution. MethodFuel beds composed of pine needles collected from Korean pine plantations were constructed with varied loading and fuel moisture contents. The mass concentration of PM2.5 was monitored using the tape of 2050 intelligent integrated sampler for air/TSP in the course of 192 burning experiments under varied wind speeds. ResultThe mass concentration of PM2.5 varied from 166.7 to 7516μg/m3. And the influence of various factors on PM2.5 was in the order of forest fuel load > wind speed > moisture content. ANOVA showed that in addition to the moisture content, forest fuel load as well as wind speed were correlated significantly (P < 0.05) with PM2.5 mass concentration, and there was a significant interaction between forest fuel load and wind speed (P < 0.05). Using forest fuel load and wind speed to match the prediction model of PM2.5 mass concentration, it could accounted for 77% of the variance in PM2.5 mass concentration. ConclusionBurning pine needles have significant effects on particulate pollution in the atmosphere. The response degree of PM2.5 mass concentration to fuel moisture content, fuel load and wind speed exist significant differences. PM2.5 mass concentration with fuel load and wind speed have significant positive correlations. However, there is no manifest relation between PM2.5 mass concentration and fuel moisture content. The prediction model about PM2.5 mass concentration has high precision, which uses fuel load and wind speed as forecast factors. It can be the basic theory for estimating PM2.5 mass concentration emitted in forest fire. -
Key words:
- Pinus koraiensis /
- PM2.5 /
- fuel load /
- fuel moisture content /
- wind speed
-
图 2 不同可燃物载量和风速条件下PM2.5质量浓度与可燃物含水率的关系
a、b、c、d为风速0m/s, 可燃物载量4、6、8、10t/hm2; e、f、g、h为风速1m/s, 可燃物载量4、6、8、10t/hm2; i、j、k、l为风速2m/s, 可燃物载量4、6、8、10t/hm2; m、n、o、p为风速3m/s, 可燃物载量4、6、8、10t/hm2。
Figure 2. Relationship between PM2.5 mass concentration and fuel moisture content under different fuel load and wind speed
a, b, c, d represent wind speed 0m/s, fuel load 4, 6, 8, 10t/ha, respectively; e, f, g, h represent wind speed 1m/s, fuel load 4, 6, 8, 10t/ha, respectively; i, j, k, l, represent wind speed 2m/s, fuel load 4, 6, 8, 10t/ha, respectively; m, n, o, p represent wind speed 3 m/s, fuel load 4, 6, 8, 10t/ha, respectively.
图 4 不同可燃物含水率和风速条件下PM2.5质量浓度与可燃物载量的关系
a、b、c、d为风速0m/s, 可燃物含水率0、5%、10%、15%; e、f、g、h为风速1m/s, 可燃物含水率0、5%、10%、15%; i、j、k、l为风速2m/s, 可燃物含水率0、5%、10%、15%; m、n、o、p为风速3m/s, 可燃物含水率0、5%、10%、15%。
Figure 4. Relationship between PM2.5 mass concentration and fuel load under different fuel moisture content and wind speed
a, b, c, d represent wind speed 0m/s, fuel moisture content 0, 5%, 10%, 15%, respectively; e, f, g, h represent wind speed 1m/s, fuel moisture content 0, 5%, 10%, 15%, respectively; i, j, k, l represent wind speed 2m/s, fuel moisture content 0, 5%, 10%, 15%, respectively; m, n, o, p represent wind speed 3 m/s, fuel moisture content 0, 5%, 10%, 15%, respectively.
图 7 不同可燃物载量和可燃物含水率条件下PM2.5质量浓度与风速的关系
a、b、c、d为可燃物载量4t/hm2, 可燃物含水率0、5%、10%、15%; e、f、g、h为可燃物载量6t/hm2, 可燃物含水率0、5%、10%、15%; i、j、k、l为可燃物载量8t/hm2, 可燃物含水率0、5%、10%、15%; m、n、o、p为可燃物载量10t/hm2, 可燃含水率0、5%、10%、15%。
Figure 7. Relationship between PM2.5 mass concentration and wind speed under different fuel load and fuel moisture content
a, b, c, d, represent fuel load 4 t/ha, fuel moisture content 0, 5%, 10%, 15%, respectively; e, f, g, h, represent forest fuel load 6 t/ha, fuel moisture content 0, 5%, 10%, 15%, respectively; i, j, k, l, represent fuel load 8 t/ha, fuel moisture content 0, 5%, 10%, 15%, respectively; m, n, o, p, represent fuel load 10t/ha, fuel moisture content 0, 5%, 10%, 15%, respectively.
表 1 样地概况
Table 1. Summary of sample plot
参数Parameter 样地编号Sample plot No. P1 P2 P3 P4 P5 平均胸径Mean DBH/cm 22.73 24.52 20.18 23.39 26.93 平均树高Mean tree height/m 13.7 17.2 13.0 14.4 20.3 郁闭度Canopy density 0.6 0.8 0.8 0.7 0.7 样地可燃物绝对含水率Absolute moisture content of sample plot combustibles/% 14.1 21.0 14.6 12.8 17.0 样地可燃物载量/(t·hm-2)Forest fuel load in sample plot/(t·ha-1) 3.42 5.16 4.34 4.46 6.37 表 2 红松针叶点烧排放PM2.5质量浓度统计数据
Table 2. Statistics of PM2.5 mass concentration when burning Korean pine needles
项目
Item最大值
Max.最小值
Min.25%区间值
25% interval value75%区间值
75% interval valuePM2.5质量浓度PM2.5 mass concentration/(μg·m-3) 7516.0 166.7 966.7 3250.0 可燃物含水率Fuel moisture content/% 10 0 5 5 可燃物载量/(t·hm-2) Fuel load/(t·ha-1) 10 4 4 8 风速Wind speed/(m·s-1) 2 0 2 2 表 3 可燃物含水率、可燃物载量、风速及交互作用对PM2.5质量浓度影响方差分析
Table 3. ANOVA of fuel moisture content, fuel load, wind speed and interaction effect on PM2.5 mass concentration
项目Item df PM2.5质量浓度PM2.5 mass concentration(ρ) MS F Sig. 可燃物含水率Fuel moisture content (A) 3 4346695.080 0.585 0.625 可燃物载量Fuel load (B) 3 296233702.200 107.093** 0.000 风速Wind speed (C) 3 6720483.300 10.467** 0.000 A×B Fuel moisture content×fuel load 9 2968816.003 0.350 0.957 A×C Fuel moisture content×wind speed 9 11717538.220 0.593 0.802 B×C Fuel load×wind speed 9 18528443.200 4.136** 0.000 误差Error 128 1074512397.000 总变异Total variation 192 1415028075.000 注:**表示差异显著(P<0.05)。 Note:** indicates very significant difference (P<0.05). -
[1] 程念亮, 李云婷, 孟凡, 等.我国PM2.5污染现状及来源解析研究[J].安徽农业科学, 2014(15):4721-4724. doi: 10.3969/j.issn.0517-6611.2014.15.064 Cheng N L, Li Y T, Meng F, et al. Analytical studies of PM2.5 pollution and source identification in China[J]. Anhui Agricultural Sciences, 2014(15):4721-4724. doi: 10.3969/j.issn.0517-6611.2014.15.064 [2] 曹军骥.PM2.5与环境[M].北京:科学出版社, 2014. Cao J J. PM2.5 and the environment[M]. Beijing: Science Press, 2014. [3] 齐爱, 张亚娟, 杨慧芳.大气PM2.5对心血管系统影响及作用机制研究[J].环境与健康杂志, 2016, 33(5):465-469. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=hjyjkzz201605023 Qi A, Zhang Y J, Yang H F. Adverse effects of atmospheric PM2.5 on cardiovascular system and mechanism: a review of recent studies[J]. Journal of Environment and Health, 2016, 33(5):465-469. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=hjyjkzz201605023 [4] 张永, 李心意, 姜丽娟, 等.室内空气中PM2.5初步研究[J].环境与健康杂志, 2010, 27(10):906-907. http://d.old.wanfangdata.com.cn/Periodical/hjyjkzz201010023 Zhang Y, Li X Y, Jiang L J, et al.Preliminary study on PM2.5 in indoor air[J]. Journal Environ Health, 2010, 27(10):906-907. http://d.old.wanfangdata.com.cn/Periodical/hjyjkzz201010023 [5] 何宗健, 袁胜林, 肖美.夏季南昌市大气颗粒物PM10·PM2.5污染水平研究[J].安徽农业科学, 2010, 38(3):1336-1338. doi: 10.3969/j.issn.0517-6611.2010.03.089 He Z J, Yuan S L, Xiao M. Pollution levels of airborne particulate matter PM10 and PM2.5 in summer in Nanchang City[J]. Anhui Agricultural Sciences, 2010, 38(3):1336-1338. doi: 10.3969/j.issn.0517-6611.2010.03.089 [6] 王庚辰, 王普才.中国PM2.5污染现状及其对人体健康的危害[J].科技导报, 2014, 32(26):72-78. doi: 10.3981/j.issn.1000-7857.2014.26.010 Wang G C, Wang P C. PM2.5 pollution in China and its harmfulness to human health[J]. Science & Technology Review, 2014, 32(26):72-78. doi: 10.3981/j.issn.1000-7857.2014.26.010 [7] 王丽萍.关于细颗粒物(PM 2.5)有效控制措施的探索[C]. 2014中国环境科学学会学术年会论文集.成都: 中国环境科学学会, 2014. Wang L P. Exploration of effective control measures for fine particulate matter (PM2.5)[C]. 2014 Annual meeting of the Chinese Society for Environmental Science. Chengdu: Chinese Society for Environmental Sciences, 2014. [8] 陆晓波, 喻义勇, 傅寅, 等.秸秆焚烧对空气质量影响特征及判别方法的研究[J].环境监测管理与技术, 2014, 26(4):17-21. doi: 10.3969/j.issn.1006-2009.2014.04.005 Lu X B, Yu Y Y, Fu Y, et al. Characterization and identification method of ambient air quality influenced by straw buring[J]. The Administration and Technique of Environmental Monitoring, 2014, 26(4):17-21. doi: 10.3969/j.issn.1006-2009.2014.04.005 [9] Gonalves C, Alves C, Evtyugina M, et al. Characterization of PM10 emissions from woodstove combustion of common woods grown in Portugal[J]. Atmospheric Environment, 2010, 44 (35): 4474-4480. doi: 10.1016/j.atmosenv.2010.07.026 [10] Balachandran S, Baumann K, Pachon J E, et al. Evaluation of fire weather forecasts using PM2.5 sensitivity analysis[J]. Atmospheric Environment, 2017, 148:128-138. doi: 10.1016/j.atmosenv.2016.09.010 [11] 刘强, 王明星, 李晶, 等.大气气溶胶研究现状和发展趋势[J].中国粉体技术, 1999, 5(3):17-23. doi: 10.3969/j.issn.1008-5548.1999.03.004 Liu Q, Wang M X, Li J, et al. Research status and development trend of atmospheric aerosol[J]. China Powder Science and Technology, 1999, 5(3):17-23. doi: 10.3969/j.issn.1008-5548.1999.03.004 [12] Kaulfus A S, Nair U, Jaffe D, et al. Biomass burning smoke climatology of the United States: implications for particulate matter air quality[J]. Environmental Science & Technology, 2017, 51(20):11731-11741. http://cn.bing.com/academic/profile?id=2a1bb3d780ffd878febfc9b05e71504e&encoded=0&v=paper_preview&mkt=zh-cn [13] 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. Environmental Protection Department. Ambient air quality standards: GB 3095—2012[S]. Beijing: China Environmental Science Press, 2012. [14] Urbanski S P. Combustion efficiency and emission factors for wildfire-season fires in mixed conifer forests of the northern rocky mountains, US[J]. Atmospheric Chemistry Physics, 2013, 13(14):7241-7262. doi: 10.5194/acp-13-7241-2013 [15] Fine P M, Cass G R, Simoneit B R. Chemical characterization of fine particle emissions from fireplace combustion of woods grown in the northeastern United States[J]. Environmental Science and Technology, 2002, 36(7):1442-1451. doi: 10.1021/es0108988 [16] Alves C, Gon Alves C, Fernandes A P. Fireplace and woodstove fine particle emissions from combustion of western Mediterranean wood types[J]. Atmospheric Research, 2011, 101(3):692-700. doi: 10.1016/j.atmosres.2011.04.015 [17] Shen G F, Wei S Y, Wen W, et al. Emission factors, size distributions and emission inventories of carbonaceous particulate matter from residential wood combustion in rural China[J]. Environmental Science and Technology, 2012, 46(7):4207. doi: 10.1021/es203957u [18] Urbanski S P. Combustion efficiency and emission factors for US wildfires[J]. Atmospheric Chemistry and Physics, 2013, 13(13):33-78. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=7e300e5aeed0a745feb51b9d2db0ed78 [19] Price O F, Williamson G J, Henderson S B, et al. The relationship between particulate pollution levels in Australian cities, meteorology, and landscape fire activity detected from MODIS hotspots[J/OL]. Plos One, 2012, 7(10): e47327[2017-01-20].https://doi.org/10.1371/journal.pone.0047327. [20] Gonçalves C, Alves C, Fernandes A P, et al. Organic compounds in PM2.5 emitted from fireplace and woodstove combustion of typical Portuguese wood species[J]. Atmospheric Environment, 2011, 45(27):4533-4545. doi: 10.1016/j.atmosenv.2011.05.071 [21] Pearce J L, Rathbun S, Achtemeier G, et al. Effect of distance, meteorology, and burn attributes on ground-level particulate matter emissions from prescribed fires[J]. Atmospheric Environment, 2012, 56(5):203-211. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=3e5b222b7f7348c578e19dd6f3ea5604 [22] 曹国良, 张小曳, 王丹, 等.中国大陆生物质燃烧排放的污染物清单[J].中国环境科学, 2005, 25(4):389-393. doi: 10.3321/j.issn:1000-6923.2005.04.002 Cao G L, Zhang X Y, Wang D, et al. Inventory of atmospheric pollutants discharged from biomass burning in China continent[J]. China Environmental Science, 2005, 25(4):389-393. doi: 10.3321/j.issn:1000-6923.2005.04.002 [23] 郭福涛, 胡海清, 彭徐剑. 1980—2005年大兴安岭森林火灾灌木、草本和地被物烟气释放量的估算[J].林业科学, 2010, 46(1):78-83. http://www.cnki.com.cn/Article/CJFDTOTAL-LYKE201001013.htm Guo F T, Hu H Q, Peng X J. Estimation of gases released from shrubs, herbs and litters layer of different forest types in Daxing'an Mountains by forest fires from 1980 to 2005[J]. Scientia Silvae Sinicae, 2010, 46 (1) :78-83. http://www.cnki.com.cn/Article/CJFDTOTAL-LYKE201001013.htm [24] 陈戈萍, 张思玉, 王红干.马尾松凋落物燃烧烟气成分比较分析[J].消防科学与技术, 2014, 33(9):999-1002. doi: 10.3969/j.issn.1009-0029.2014.09.006 Chen G P, Zhang S Y, Wang H G. Comparative analysis of smoke composition when Pinus massoniana Lamb. litter burning[J]. Fire Science and Technology, 2014, 33(9):999-1002. doi: 10.3969/j.issn.1009-0029.2014.09.006 [25] 林繁云.细水雾作用下原木燃烧烟气变化规律的实验研究[D].哈尔滨: 东北林业大学, 2016. Lin F Y. Experimental study on the change of log combustion flue gas with water mist applying[D]. Harbin: Northeast Forestry University, 2016. [26] 靳全锋, 马祥庆, 王文辉, 等.中国亚热带地区2000—2014年林火排放颗粒物时空动态变化[J].环境科学学报, 2017, 37(6):2238-2247. http://www.cnki.com.cn/Article/CJFDTOTAL-HJXX201706028.htm Jin Q F, Ma X Q, Wang W H, et al. Temporal and spatial characteristics of particulate matter emission from forest fires in subtropical China during 2000-2014[J]. Acta Scientiae Circumstantiae, 2017, 37(6):2238-2247. http://www.cnki.com.cn/Article/CJFDTOTAL-HJXX201706028.htm [27] 张泰东, 王传宽, 张全智.帽儿山5种林型土壤碳氮磷化学计量关系垂直变化[J].应用生态学报, 2017, 28(10):3135-3143. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=yystxb201710004 Zhang T D, Wang C K, Zhang Q Z. Vertical variation in soil carbon, nitrogen and phosphorus and its stoichiometric relationships in five forest types in the Maoershan Region, northeast China[J]. Chinese Journal of Applied Ecology, 2017, 28(10):3135-3143. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=yystxb201710004 [28] 朱纪元, 李景科, 高梅香, 等.帽儿山红松人工林鞘翅目成虫群落小尺度空间异质性变化特征[J].生态学报, 2017, 37(6):1975-1986. http://d.old.wanfangdata.com.cn/Periodical/stxb201706024 Zhu J Y, Li J K, Gao M X, et al. Spatially heterogeneous dynamics of adult Coleoptera communities at a small scale in a Pinus koraiensis plantation on Maoer Mountain[J]. Acta Ecologica Sinica, 2017, 37(6):1975-1986. http://d.old.wanfangdata.com.cn/Periodical/stxb201706024 [29] 环境保护部.环境空气PM10和PM2.5的测定重量法: HJ 618—2011[S].北京: 中国环境科学出版社, 2011. Environmental Protection Department. Determination of atmospheric articles PM10 and PM2.5 in ambient air by gravimetric method: HJ 618-2011[S]. Beijing: China Environmental Science Press, 2011. [30] 王庆国, 胡威, 韩颖, 等.垃圾焚烧发电厂厂区PM2.5的影响因素研究[J].环境科学, 2014, 27(4):27-30. doi: 10.3969/j.issn.1673-9655.2016.04.008 Wang Q G, Hu W, Han Y, et al. Research of impact factors of PM2.5 in incineration power plant[J]. Environmental Science and Technology, 2016, 27(4):27-30. doi: 10.3969/j.issn.1673-9655.2016.04.008 [31] 梅波, 田茂再.基于时空模型北京市PM2.5浓度影响因素研究[J/OL].数理统计与管理: 1-19. (2017-10-11)[2017-11-20].http://kns.cnki.net/kcms/detail/11.2242.01.20171011.1724.004.html. Mei B, Tian M Z. Analysis of Beijing PM2.5 concentration effect factors based on space-time model[J/OL]. Journal of Applied Statistics and Management: 1-19. (2017-10-11)[2017-11-20]. http://kns.cnki.net/kcms/detail/11.2242.01.20171011.1724.004.html. [32] 孙俊玲, 刘大锰, 杨雪.北京市海淀区大气颗粒物污染水平及其影响因素[J].资源与产业, 2009, 11(1):96-100. doi: 10.3969/j.issn.1673-2464.2009.01.024 Sun J L, Liu D M, Yang X. Atmospheric particle pollution and its factors in Beijing[J]. Resources & Industries, 2009, 11(1):96-100. doi: 10.3969/j.issn.1673-2464.2009.01.024 [33] 张佟佟. PM_(2.5)污染特征研究综述[C]// 2014中国环境科学学会学术年会论文集.成都: 中国环境科学学会, 2014. Zhang D D. Review on the characterization of PM2.5 pollution[C]. 2014 Annual meeting of the Chinese Society for Environmental Science (chapter 6). Chengdu: Chinese Society for Environmental Sciences, 2014. -