Page 123 - 空气污染控制与微粉捕集技术
P. 123
第五章 大气颗粒物
将源类和受体信息同时纳入模型建立平衡关系，从而计算受体中源类的贡献值。
常用受体模型有多元线性模型、化学质量平衡模型法（Chemical Mass Balance，
CMB）、因子分析法（Factor Analysis，FA）等，而 FA 又包括正矩阵因子分解
法（Positive Matrix Factorization，PMF）、主成分分析法（Principal Component
Analysis，PCA）、UNMIX3 种。源已知受体模型和源未知受体模型中最常用的
是 CMB、PMF 和 PCA。PCA 是最先提出的源未知受体模型，其采用降维的方法，
把多指标转化成少数几个综合指标，最后推测出颗粒物的主成分类别、贡献量及
贡献率。
PCA 法不需要事先输入源谱，可以辨识一些被遗漏掉的重要的源且其操作
简单方便，是近几年使用较多的源解析方法。PCA 既可单独用于大气颗粒物的源
解析，又可与多元线性回归（Multiple Linear Regression，MLr）模型结合成 PCA/
MLr 模型使用。近 10a 来，PCA/MLr 模型得到了长足的发展和应用。KHAN 等对
PCA 模型进行改良，将其与绝对因子得分（Absolute Principal Component Scores，
APCS）和 MLr 模型结合成了 PCAAPCS-MLr 复合受体模型，并用该模型对吉隆
坡城市环境中的 PM 10 进行了源解析，发现汽车尾气排放、臭氧和气象学因素、
随风迁移的贡献率分别为 28%、20% 和 1%，其余 51% 的 PM 10 来源不明。
尽管 PCA/MLr 模型的发展已经相对成熟，但该模型在应用过程中也有诸多
问题，比如在解决共线性问题时，PCA/MLr 模型无法将具有共线性的源类分离
开来，从而导致估算结果出现负值。为了解决该类问题，PMF 模型应运而生。
PMF 于 1994 年由 PAATErO 等在传统因子分析法的基础上建立。PMF 的基本原
理是加权最小二乘法，可利用数据标准偏差来进行优化，还可处理丢失数据、噪
声数据、线性外的数据以及低于检测线的数据，因此，被认为是源解析方法中最
可靠的方法，且方便易行，在大气颗粒物源解析中应用最多。近些年 PMF 模型
改良和发展主要是与 CMB 和 UNMIX 模型进行结合形成复合受体模型。
CMB 作为源已知受体模型的代表，其基本原理是质量守恒（即污染源和接
收点测得的相应化学成分的浓度分比相同），通过构建关于污染源和大气颗粒物
化学组成的线性方程组并对其进行求解来定量分析污染源贡献值和贡献率，因此，
该模型非常适用于识别主要气象学条件和当地发生的意外事件（如火灾、沙尘暴
等）对于结果的影响。CMB 的缺点是使用中需要输入本土源和受体，故其对于
本土源建立不完全的区域并非首选，且该模型对于共线性问题比较敏感，计算结
113
