See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/268212004

Chemical compositions and source identification of particulate matter (PM2.5

and PM2.5–10) from a scrap iron and steel smelting industry along the Ife–
Ibadan highway, Nigeria

Article  in  Atmospheric Pollution Research · January 2015

CITATIONS READS

27 439

9 authors, including:

Oyediran K Owoade Philip K Hopke

Obafemi Awolowo University Clarkson University
45 PUBLICATIONS   686 CITATIONS    1,266 PUBLICATIONS   50,570 CITATIONS   

SEE PROFILE SEE PROFILE

Felix Olise Ogundele Lasun Tunde

Obafemi Awolowo University UNIVERSITY OF MEDICAL SCIENCES, ONDO
52 PUBLICATIONS   744 CITATIONS    30 PUBLICATIONS   508 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Great Lakes Fish Monitoring and Surveillance Program View project

Standardisation of Receptor Modelling View project

All content following this page was uploaded by Olusegun Gabriel Fawole on 13 December 2014.

The user has requested enhancement of the downloaded file.

  Atmospheric Pollution Research 6 (2015) xx–xx   

Atm spheric Pollution Research

www.atmospolres.com

Chemical compositions and source identification of particulate matter

(PM2.5 and PM2.5–10) from a scrap iron and steel smelting industry along
the Ife–Ibadan highway, Nigeria
Kayode O. Owoade 1,2, Philip K. Hopke 2, Felix S. Olise 1, Lasun T. Ogundele 1, Olusegun G. Fawole 1, 
Bamidele H. Olaniyi 1, Olugbemiga O. Jegede 1, Muritala A. Ayoola 1, Muniru I. Bashiru 1 
1
 Department of Physics, Obafemi Awolowo University, Ile–Ife, 220005, Nigeria
2
 Department of Chemical and Bimolecular Engineering and Center for Air Resources Engineering and Science, Clarkson University, Potsdam, NY 13699–
5708, USA  

ABSTRACT   
To determine the chemical compositions and source identification of PM2.5 and PM2.5–10 fractions, airborne particulate 
matter (PM) samples were collected from May, 2011 through April, 2012 at three sites: up and downwind and within a 
scrap iron and steel smelting industry, Ife–Ibadan highway, south western Nigeria. Samples of PM2.5 (fine) and PM2.5–10 
(coarse) were collected on Nuclepore polycarbonate filters using a low volume GENT sampler equipped with a stacked 
filter unit (SFU). A total of 200 samples were collected (100 of each fraction). The mass concentration of the sampled 
3 3
fine  and  coarse  PM  fraction  ranged  between  14.4–986.5 μg/m   and  11.2–3  250 μg/m ,  respectively.  These  values 
3 3
exceed the permissible daily limit (NAAQS) of 35 μg/m  for PM2.5 and 150 μg/m  for PM10. The samples were analyzed 
for  black  carbon  (BC)  using  an  optical  transmissometer  and  for  elemental  concentrations  using  X–Ray  Fluorescence   
(XRF). The size–resolved data sets were analyzed using Positive Matrix Factorization (PMF) to identify possible sources  Corresponding Author: 
and estimate the contribution of these sources to the fine and coarse PM mass concentrations. Four source categories, 
providing  stable  profiles,  were  identified  for  both  fine  and  coarse  fractions.  The  identified  sources  and  their 
Philip K. Hopke
 : +1‐315‐268‐3861 
contributions for the fine fraction are coking coal (83%), soil (10%), metallurgical industry (6%), and electronic waste 
 : +1‐315‐268‐6610 
processing  (1%).  For  the  coarse  fraction,  the  identified  sources  are  metallurgical  production  plus  electronic  waste 
 : phopke@clarkson.edu 
(53%),  suspended  input  materials  (28%),  soil  (18%),  and  galvanized  steel  scrap  with  cadmium  (1%).  Conditional 
probability function (CPF) identified the local sources for both the fine and coarse PM samples. This work presents the   
first known major use of PMF in Nigeria for source identification in particulate matter (PM) studies.  Article History: 
  Received: 31 May 2014 
Keywords: Iron–smelter, Nigeria, black carbon, XRF, PMF, CPF, source apportionment  Revised: 31 July 2014 
Accepted: 31 July 2014 

doi: 10.5094/APR.2015.013 
 
1. Introduction  except in the last ten years when iron smelting industries began to 
  spring  up.  Iron  and  steel  scrap  recycling  has  been  of  double 
There has been remarkable industrial development in Nigeria  advantage to Nigeria in terms of its contribution to secondary steel 
over the past two decades resulting in the establishment of many  smelting.  The  scrap  is  both  a  raw  material  source  and  a  waste 
cottage industries. This rapid rate of industrialization has not been  management method by handling materials that would otherwise 
matched  with  proper  planning  for  the  control  of  environmental  have  constituted  various  forms  of  environmental  hazards.  The 
pollution  that  is  usually  associated  with  such  industrial  develop‐ production process is a recycling process. It involves melting of the 
ment (Adejumo et al., 1994). Previous studies in Nigeria focused on  scrap  metals  at  very  high  temperatures,  in  the  range  of  1 200–
the  pollutant  concentrations  in  the  ambient  air  (Akeredolu,  1989;  1 700 °C.  A  prominent  source  of  PM  in  the  production  process  is 
Ogunsola  et  al.,  1995;  Obiajunwa  et  al.,  2002)  with  a  knowledge  the  introduction  of  additives.  A  major  additive  is  coke  while 
gap  on  the  variations  in  the  emission  of  pollutants  from  various  limestone, soda ash, fluorspar, calcium carbide are also included to 
production processes.   separate impurities from the molten iron and enhance its strength 
  (U.S. EPA, 1995).  
To design effective reduction strategies for particulate matter   
(PM), major sources and their contributions need to be understood  The  high  demand  for  iron  rods  and  the  availability  of  scrap 
(Gu  et  al.,  2011).  Source  apportionment  methods  have  been  metals  have  been  the  major  drivers  for  the  growth  of  secondary 
developed  for  this  purpose.  Positive  Matrix  Factorization  (PMF)  iron and steel smelters in Nigeria. This rapid growth has not been 
(Paatero, 1997; Kim et al., 2006; Oh et al., 2011) is a powerful and  matched with the required strict regulations for environmental and 
widely  used  multivariate  method  that  can  resolve  the  dominant  personnel protection. Most of these industries are yet to invest in 
source types without a priori knowledge of the sources (Begum et  facilities necessary for improving their production processes. These 
al.,  2010;  Cohen  et  al.,  2010;  Mooibroek  et  al.,  2011).  PMF  can  industries  also  lack  installed  control  devices  on  their  production 
provide  not  only  the  source  profiles  but  also  the  time  series  of  processes as should be required.  
source contributions.    
  Emissions,  which  include  a  range  of  air  pollutants  associated 
Nigeria has a large capacity for industrial and other economic  with  the  iron  smelter  production  processes  has  remained  a  great 
activities.  Nigerian  economy  has  been  majorly  dependent  on  oil  concern (Brook et al., 2004; Pope and Dockery, 2006; Zhang et al., 

© Author(s) 2015. This work is distributed under the Creative Commons Attribution 3.0 License. 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
2009;  Tai  et  al.,  2010).  Each  stage  of  production  in  steelmaking,  As,  Cd  and  Cr,  even  at  trace  amounts,  are  toxic.  This  has  been 
using  Electric–Arc  Furnace  (EAF),  contributes  to  the  emission  of  reported  to  be  constituents  of  particulate  matter  associated  with 
pollutants (ACMA, 1999). The pollutants of primary concern are the  iron  and  steel  production  (Cohen  et  al.,  2004).  This  study  focuses 
PM2.5  and  PM2.5–10  fractions  of  the  particulate  matter  (Rickun,  on the nature of emissions from a production facility that converts 
1993)  that  is  generated  at  virtually  every  stage  of  the  production  scrap materials into steel products.  
process.  Given  the  wide  range  of  pollutants  associated  with  the   
production process, there is need to quantify the emission sources  2. Sampling and Data Pretreatment 
and  their  potential  impacts  on  the  ambient  air  concentrations  of   
the pollutants and human health (Dockery et al., 1993; Brunekreef  2.1. Particulate sampling 
and Forsberg, 2005; Katsouyanni, 2005).    
  After  a  preliminary  assessment  of  the  diurnal  and  seasonal 
Among the PM species emitted from iron and steel production  variation  of  wind  direction  and  speed  in  the  study  site,  a  PM 
processes  are  organic  carbon  (OC),  black  carbon  (BC),  heavy  and  monitoring  sampling  point  was  established  near  the  steel 
trace  metals,  which  constitute  a  major,  sometimes  dominant,  production process within the steel industry (Figure 1). After three 
fraction  of  atmospheric  particulate  matter.  Black  carbon  is  the  months of sampling at the point, the sampler was moved to 300 m 
principal  light–absorbing  species  in  the  atmosphere,  playing  an  from  the  vicinity  of  the  factory  to  assess  the  spatial  variation  of 
important  role  in  the  aerosol  climatic  forcing  and  visibility  mass  and  elemental  concentration.  A  second  sampler  was 
degradation (Tegen et al., 1997; Malm et al., 2000; Jacobson, 2001;  deployed  in  the  up  and  downwind  direction,  i.e.  westerly  and 
Bond  et  al.,  2013).  BC  has  also  been  found  to  contribute  large  northerly, respectively (Outside – M1 and Outside – M2) based on 
fractions  to  the  fine  particulate  mass  (Chow  et  al.,  1996;  8 months  of  wind  direction  measurements.  Figure 1  shows  the 
Kirchstetter et al., 1999; Begum et al., 2011). Heavy metals such as  map of Nigeria indicating the sampling location.  
 

 
Figure 1. Maps of study region (upper panel) Nigeria with sampling locations (lower panel). 

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
 
Samples  of  fine  (PM2.5)  and  coarse  (PM2.5–10)  airborne  partic‐ where,   is the number of occurrences of fractional contribution 
ulate  matter  were  collected  on  nuclepore  polycarbonate  filters  exceeding a threshold (e.g., those ranking top up in the total time 
using  the  low–volume  GENT  Stacked  Filter  Unit  (SFU)  samplers  series)  in  direction  sector,  i and    is  the  total  number  of  wind 
with the average flow rate of 15–16 L/min (Maenhaut et al., 1994; 
direction  occurrences  in  this  sector.  The  fractional  source  contri‐
Hopke  et  al.,  1997).  The  filter  holder  was  placed  at  the  height  of 
about  1.6 m  above  the  ground.  A  total  of  100 samples  were  bution is used instead of the original source contribution to avoid 
obtained for each of the particulate fractions over the two dry and  the influence of atmospheric dilution. In order to ensure statistical 
wet  seasons.  A  micrometeorological  station  at  the  sampling  site  reliability,  a  threshold  for  the  minimal  number  of  wind  direction 
was  operated  by  the  Nigeria  Micrometeorological  Experiment  occurrences  in  each  sector,  nt  is  needed.  If  <nt,  the  correspon‐
(NIMEX),  Atmospheric  Physics  unit,  Department  of  Physics  and  ding  CPFi  was  set  to  zero.  Winds  with  the  speeds  below  a 
Engineering  Physics,  Obafemi  Awolowo  University,  Ile–Ife.  The  threshold,  wt,  were  excluded  from  analysis.  The  sources  are 
iron–smelting plant is situated along the Ife–Ibadan busy highway,  thought to be located in the direction sectors with high CPF values. 
south–western  Nigeria.  The  steel  plant  occupies  a  total  of  15  It should be noted that CPF is not suitable for distant sources since 
hectares  of  land  and  is  about  5 km  away  from  the  University 
air particles may travel through circuitous pathways. In this study, 
campus in the northeast direction.  
  the key parameters k, up, nt, and wt, were set to 32, 25%, 15 and 
The filters were equilibrated at a relative humidity of between  1.0 m/s, respectively. 
32 and 45% and at a temperature of between 20 and 25 °C for at   
least  24 hours.  They  were  then  weighed  using  electric  micro– 4. Results and Discussion 
weighing  balance  (Sartorius  model  CP2P–F)  with  a  minimum   
resolution of 0.001 mg. After the sampling period, the filters were  4.1. Particulate matter and elemental concentrations 
re–equilibrated  and  reweighed  to  provide  measured  mass   
concentrations.   The summary statistics for the PM, elemental and BC concen‐
  trations are listed in Table 1, for the three sampling sites, M1 and 
2.2. Chemical analysis  M2  and  at  the  production  process  section  of  the  iron  and  steel 
  smelting  industry.  The  annual  average  (±  standard  deviation)  of 
Before  elemental  concentrations  in  all  the  sampled  filters  particle loadings at the production processes, M1 and M2 for PM2.5 
were measured using XRF, black carbon measurements were made  are 300, 223, and 243 μg/m3, respectively. These are 20, 15 and 16 
using  a  Magee  Scientific  Optical  Transmissometer  (OT21).  The  times  higher  than  the  annual  US  National  Ambient  Air  Quality 
transmitted  light  intensities  at  wavelengths  of  880  and  370 nm  Standard  (NAAQS)  of  15 μg/m3.  The  PM10  fractions  are  681,  606, 
were  used  to  determine  absorption.  The  manufacturer’s  recom‐ and  320 μg/m3,  respectively  and  they  are  11,  10,  and  5  times 
mended absorption coefficients, 16.6 and 39.5 m2/g, were used for  higher than NAAQS of 60 μg/m3, respectively. During the sampling 
880–nm  and  370–nm  channels,  respectively.  Black  carbon  was  period,  the  daily  PM2.5  and  PM10  also  exceeded  the  NAAQS  24 h 
then estimated for each filter in μg/m .  
3 standard  of  35  and  150 μg/m3,  respectively,  for  some  sampling 
  days.  
Samples  were  analyzed  for  elemental  concentrations  using   
energy dispersive x–ray fluorescence (Spectro–X–Lab2000) (Raman  Also,  PM10  and  PM2.5  mass  concentrations  in  both  rainy  and 
et al., 2008). The following elements were detected, quantified and  dry seasons for the three sampling sites are shown in Table 3. The 
average  values  reported:  Na,  Mg,  Al,  Si,  S,  Cl,  K,  Ca,  Sc,  Ti,  V,  Cr,  concentrations  of  PM10  at  the  three  sites  exceed  the  National 
Mn, Fe, Co, Ni, Cu, Zn, Ga, As, Br, Rb, Sr, Cd, Sn, Sm, Pb and Bi.  Ambient  Air  Quality  Standard  of  150 µg/m3.  The  average  concen‐
  trations  of  PM10  in  the  rainy  season  (M1  and  M2  sites)  were  363 
3
3. Data Analysis  and  393 µg/m .  The  values  were  lower  than  those  of  765  and 
3
  446 µg/m   respectively  for  the  dry  season.  Sampling  was  not 
3.1. PMF Model  carried  out  at  the  production  site  during  the  dry  season  because 
  one  of  the  samplers  was  not  available.  A  p–value  of  0.56  (signifi‐
Source apportionment analysis was performed using EPA PMF  cant at the 0.05 level) was obtained for a t–test (2–tailed) carried 
v 5.0.5.  The  model  provides  a  flexible  modeling  approach  that  out on the mass concentrations of the PM2.5 in both seasons. The 
effectively  uses  the  information  in  the  data.  In  PMF,  the  data  average concentrations of PM2.5 in the rainy season at the M1 and 
matrix X of dimension n rows and m columns, where n and m are  M2  sites  were  214  and  254 µg/m3.  These  were  not  significantly 
the number of samples and species, respectively, can be factorized  different  from  that  of  dry  season  of  227  and  238 µg/m3,  respect‐
into  matrices,  namely  G(n X p)  and  F(p X m),  where  p  represents  ively.  The  concentrations  of  PM2.5  in  the  rainy  season  exceed  the 
the number of factors extracted (Paatero et al., 2014).  US  EPA,  (2014)  limit  of  35 µg/m3  by  6–7  times.  These  results 
  indicate high level of airborne particulate pollution contribution by 
The  solution  to  the  PMF  problem  depends  on  estimating  the smelter. The ratio of PM2.5/PM10 from the three sampling sites 
uncertainties for each of the data values used in the PMF analysis.  of  0.44,  0.59  and  0.65  for  the  rainy  season  and  0.30  and  0.53  for 
The  approach  of  Polissar  et  al.  (1998)  has  been  used  to  estimate  the  dry  season  indicated  that  fine  particles,  PM2.5  accounted  for 
the concentration values and their associated error estimates.  above half of the inhalable particles. 
   
3.2. Conditional Probability Function (CPF)  Mean  elemental  concentrations  of  PM2.5  and  PM2.5–10  in  the 
  three sampling sites in Table 1 shows 28 elemental species and BC 
The  conditional  probability  function  model  (Ashbaugh  et  al.,  were detected and quantified and that most species concentration 
1985; Zhou et al., 2004) is a method used to locate the sources and  at production site was higher than at M1 and M2, this might be as 
investigate  the  wind  direction  effects  on  each  source.  The  wind  a  result  of  high  level  of  contribution  by  the  smelter.  The  mean 
direction range was divided into 32 sectors of 11.25° each. The CPF  concentrations range of heavy metals: V, Cr, Mn, Ni, As, Cd and Pb 
for each sector is defined as:  were shown in Table 2. Using US Environmental Protection Agency 
  (U.S. EPA, 2014), European Commission Air Quality Standards (EC, 
2014) and WHO (2000) guidelines as shown in Table 2, for most of 
  (1)  the sampling periods, there is an index of heavy metals emission by 
the industry. 
 

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
3
Table 1. Mean concentrations and standard deviations for the collected samples (µg/m ) 
PM2.5  PM2.5–10 
  %  % 
Mean±SD  Mean±SD  Mean±SD  Mean±SD  Mean±SD  Mean±SD 
Samples  Samples 
Production Site  Outside M1 Site  Outside M2 Site  Production Site  Outside M1 Site  Outside M2 Site 
>MDL  >MDL
Mass  100  300±308  222.7±224.9  242.8±230.5  100  381±456  383±588  177±137 
Na  100  45±52  23±20  29±33  100  31±42  33±53  13±12 
Mg  80  0.17±0.24  0.29±0.68  0.25±0.38  92.3  0.22±0.20  0.48±0.89  0.18±0.17 
Al  98  0.51±0.71  2.6±7.8  2±3  100  2.8±5.8  8±16  3.6±3.8 
Si  92  1.29±2.39  5.6±18.1  5±8  97.8  5.8±6.4  15±33  5±7 
S  100  2.57±2.14  1.3±1.1  1.3±1.4  100  2.7±2.1  1.40±1.17  1.10±0.63 
Cl  100  17±18  7.2±6.0  9±10  100  15±14  10±13  5±4 
K  100  1.4±1.3  1.6±3.2  1.7±1.8  100  2.3±2.9  3.80±6.49  1.5±1.1 
Ca  100  0.24±0.27  0.72±2.12  0.64±1.23  100  2.5±4.5  2.91±5.79  0.97±0.95 
Sc  70  0.004±0.003  0.0022±0.0016  0.0024±0.0033  57.2  0.0037±0.0048  0.0031±0.0054  0.0015±0.0008 
Ti  100  0.056±0.082  0.23±0.65  0.19±0.29  100  0.45±0.70  0.86±1.67  0.34±0.41 
V  72.2  0.003±0.003  0.0018±0.0026  0.0020±0.0026  69.3  0.0077±0.011  0.008±0.012  0.0028±0.0018 
Cr  95.6  0.011±0.014  0.0078±0.0138  0.0081±0.0094  100  0.071±0.106  0.038±0.046  0.025±0.035 
Mn  100  0.31±0.39  0.16±0.21  0.20±0.23  100  0.61±0.67  0.71±0.89  0.38±0.43 
Fe  100  3±4  3.3±7.8  3.3±4.6  100  11±11  15.7±27.2  6±5 
Co  72.2  0.021±0.023  0.018±0.020  0.025±0.038  80.2  0.10±0.16  0.09±0.17  0.029±0.019 
Ni  98.9  0.078±0.089  0.045±0.040  0.057±0.069  98.9  0.16±0.21  0.13±0.21  0.051±0.039 
Cu  91.1  0.088±0.091  0.036±0.032  0.050±0.054  96.7  0.15±0.19  0.10±0.16  0.041±0.035 
Zn  100  58±63  31.1±29.6  42±50  100  119±170  94±164  35±30 
Ga  81.1  0.065±0.063  0.030±0.027  0.031±0.028  85.7  0.06±0.074  0.03±0.04  0.016±0.015 
As  98.9  0.47±0.45  0.20±0.17  0.24±0.25  100  0.63±0.83  0.36±0.53  0.17±0.12 
Br  98.9  0.47±0.50  0.18±0.21  0.26±0.31  100  0.64±1.16  0.40±0.75  0.17±0.13 
Rb  94.4  0.018±0.021  0.012±0.019  0.015±0.016  96.7  0.032±0.036  0.04±0.06  0.014±0.010 
Sr  92.2  0.009±0.009  0.012±0.026  0.012±0.018  96.7  0.028±0.046  0.037±0.069  0.013±0.012 
Cd  66.7  0.20±0.24  0.093±0.072  0.12±0.14  50  0.24±0.65  0.14±0.26  0.070±0.074 
Sn  74.5  0.47±0.43  0.29±0.19  0.29±0.32  78.1  0.67±1.42  0.62±1.28  0.20±0.22 
Sm  90  0.0089±0.0075  0.0052±0.0046  0.0067±0.0057  90  0.050±0.057  0.017±0.019  0.0091±0.0096 
Pb  98.9  6±6  2.4±2.4  3.3±3.7  100  8.7±12.0  5.3±8.9  2.05±1.64 
Bi  71.1  0.029±0.032  0.016±0.017  0.019±0.019  57.1  0.025±0.039  0.017±0.030  0.007±0.006 
BC  100  1.02±0.91  0.56±0.49  0.61±0.60  100  0.59±0.57  0.48±0.61  0.20±0.12 
Delta–C  100  0.036±0.012  0.054±0.028  0.058±0.030  100  0.050±0.041  0.15±0.14  0.10±0.08 
 
Table  2. Comparison of levels of some species concentrations with USEPA,  and  interpretation  of  each  model  run,  the  optimum  number  of 
3
EU, and WHO guidelines (µg/m ) for PM2.5  factors was chosen based on the most physically reasonable result 
and adequate fit of the model to original data for both PM2.5 and 
Toxic Elements  This Study  USEPA  EU  WHO 
PM2.5–10.  The  optimal  factor  number  chosen  was  four  for  both 
V  0.001–0.003      1.0  PM2.5  and  PM2.5–10  samples.  The  relatively  limited  number  of 
Cr  0.008–0.011      0.000025   
b identifiable factors is the result of the very high impact of the scrap 
Mn  0.16–0.30      0.15 
iron  and  steel  production  facility,  given  its  level  of  emissions  and 
the  proximity  of  the  samplers  to  the  source.  A video  showing  the 
Ni  0.045–0.078    0.02  0.0025  dispersion  of  the  plume  in  the  vicinity  of  the  plant  is  provided  in 
b
As  0.20–0.47    0.006  0.00066    the  Supporting  Material  (SM).  The  FPEAK  parameter  was  varied 
Cd  0.09–0.20  0.005  0.005  from –0.2 to 1 to refine the source profiles (Santoso et al., 2011). 
a The  optimum  solution  was  chosen  to  be  that  with  FPEAK=–0.2 
Pb  2.4–6.0  0.15    0.5  0.5 
based  on  G–space  edges  showing  no  correlations  among  the 
BC  0.56–1.02      resolved sources. 
a
 U.S. National Ambient Air Quality Standard (NAAQS) value as a quarterly   
average not to be exceeded.  Four  resolved  factors  were  assigned  to  each  data  set.  The 
b
 For a risk of 1:1 000 000  sources  were  identified  as  coking  coal,  crustal/soil,  metallurgical 
  production,  and  electronic  waste  processing  for  PM2.5,  while  for 
4.2. Source apportionment  PM2.5–10, the factors were assigned as metallurgical production plus 
  electronic  waste,  suspended  input  materials  (coal  plus  other 
PMF  was  run  multiple  times  for  the  combined  data  from  the  process materials), crustal/soil, and galvanized steel with cadmium 
three  sampling  sites.  To  obtain  optimal  number  of  sources,  4–10  emissions respectively. The profiles are displayed in Figures 2 and 3 
factors  were  tested.  The  Q  values,  the  resulting  source  profiles,  for  the  fine  and  coarse  fractions,  respectively.  The  mean  contri‐
and the scaled residuals were studied. After a thorough evaluation  butions  for  each  of  the  sources  presented  in  Table  4  shows  that 

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
83%  of  the  overall  mass  concentration  of  PM2.5  was  attributed  to  galvanized  steel  with  cadmium  emission  of  the  entire  mass 
coking coal, 10% to soil, 6% to metallurgical production and 1% to  concentration. Figures 4 and 5 present the time series plots of the 
electronic  waste  processing.  Also  for  PM2.5–10,  53%  of  mass  estimated  daily  contribution  for  each  factor  to  both  PM2.5  and 
concentration  was  attributed  to  metallurgical  production  plus  PM2.5–10 mass, while Figures 6 and 7 present the CPF plots for the 
electronic  waste  processing,  28%  to  suspended  input  materials  factors resolved by PMF for both PM2.5 and PM2.5–10, respectively. 
(coal,  plus  other  process  input  materials),  18%  to  soil  and  1%  to 
 
3
Table 3. Average mass concentrations (µg/m ) of PM10 and PM2.5 with ratios of PM2.5/PM10 at different sites 

Rainy Season  Dry Season 
Site  Species 
Mean±SD  Min  Max  N  Mean±SD  Min  Max  N 
PM10  684.1±613.6  28.1  2 224  18 
Production  PM2.5  299.7±308.2  14.4  986.5  18 
PM2.5/PM10  0.44±0.50  0.51  0.44  18 
PM10  363.4±200.1  87.8  753  11  765.4±808.0  167.2  3 449.8  22 
Outside M1  PM2.5  214.4±192.7  41.2  632  11  226.9±243.6  23.5  975  22 
PM2.5/PM10  0.59±0.96  0.47  0.83  11  0.30±0.30  0.14  0.28  22 
PM10  393.0±329.7  124.1  1 016.2  11  446.2±348.9  95.1  1 183  23 
Outside M2  PM2.5  253.7±247.7  34.1  712.4  11  237.9±228.1  43.9  765.5  23 
PM2.5/PM10  0.65±0.75  0.27  0.7  11  0.53±0.65  0.46  0.64  23 
 

Figure 2. PMF–derived source profiles for the PM2.5 data characterizing the iron and steel smelting industry. The bars represent the 
concentrations of the various chemical species in the source profiles while the points represent the amount of explained variation 
for each species.
 

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 

Figure 3. PMF–derived source profiles for the PM2.5–10 data characterizing the iron and steel smelting industry. The bars represent 
the concentrations of the various chemical species in the source profiles while the points represent the amount of explained 
variation for each species.
 
Table 4. Mean source contribution derived from the PMF modeling for PM2.5 and PM2.5–10 
PM2.5  PM2.5–10 
Source  3 3
%  Mass (µg/m )  %  Mass (µg/m ) 
Soil  10.0  9.94  18.0  24.63 
Suspended input materials  28.0  40.01 
Galvanized scrap   1.0  1.45 
Metallurgical production and electronic waste  53.0  73.97 
Coking coal   83.0  87.12 
Electronic waste   1.0  0.98 
Metallurgy  6.0  6.40 
 
Crustal/soil  dust.  Crustal  elements  used  as  tracers  for  soil  dust  except  within  the  production  facility.  The  emissions  are  deter‐
include Na, Al, Si, Ca, Ti, Mg, Fe, and Sr (Lough et al., 2005; Jaeckels  mined  by  the  rate  of  production  as  observed  in  the  variations 
et  al.,  2007;  Begum  et  al.,  2010;  Gu  et  al.,  2011).  The  crustal/soil  shown in Figures 4 and 5. Similar contributions from both fine and 
dust factors are dominated by high concentrations of Mg, Al, Si, K,  coarse fractions of the PM are observed, particularly between the 
Ca,  Ti  Mn,  Fe,  and  Sr  that  are  the  major  constituents  of  soil  as  months  of  January  to  March.  The  CPF  plot  in  Figures  6  and  7 
shown in Figures 2 and 3. Table 4 shows the factor contribution of  indicate  that  this  factor  originates  from  within  the  factory.  High 
respective 10 and 18% of the fine and coarse PM to the total mass.  contributions  of  coarse  PM  fraction  to  the  area  outside  of  the 
The industrial area is unpaved and dust re–suspension rate is high,  smelter  can  be  attributed  to  road  dust  from  within  the  unpaved 
especially during the peak of the dry season (November to March).  industrial  site  (Balachandran  et  al.,  2000;  Srivastava  et  al.,  2009; 
The  contributions  are  low  in  the  rainy  season  (May  to  October)  Chelani et al., 2010).  
 

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
 

Figure 4. PMF–derived source contributions plotted as a function of sampling date for the PM2.5 data characterizing the iron and 
steel smelting industry.
 
Coking coal. This factor was found only in fine samples. The profile  (Vincent  and  Passant,  2006;  NAEI,  2011)  and  steel  metallurgy 
has high concentration of Na, Cl, Mn, Ni, Zn, As, Br, Rb, Pb and BC  (Tauler  et  al.,  2009).  Cu,  Mo,  Fe,  Se,  Sb  are  makers  for  ferrous 
as  shown  in  Figure  2.  The  major  elements  used  to  identify  coal  metals  industry  (Kar  et  al.,  2010)  while  Zn,  Cu,  and  Mn  for  non–
combustion  are  As,  Cd,  Cr,  Cu,  Pb,  Mn,  Ni,  K  and  Se  (Vincent  and  ferrous industry (Negi et al., 1987).  
Passant, 2006; NAEI, 2011). As, Zn, Cl and Se have been reported to   
be good markers for coal combustion (Hien et al., 2001; Almeida et  For the fine fractions, major elements identified for electronic 
al., 2006; Song et al., 2006; Lee et al., 2008; Alleman et al., 2010).  waste processing are Cu, Cd and Sn with high loadings of Cu while 
Anthropogenically derived metals (As, Cd, and Cr; Pb and Zn) were  that  of  only  metallurgical  production  are  S,  Ca,  Fe,  Zn,  As,  Pb,  BC 
used  as  the  marker  elements  for  industrial  activities.  Among  the  and  Delta–C  (Figure  2).  The  source  contributions  of  the  metallur‐
anthropogenically–derived  metals,  Cd  and  Pb  are  known  to  be  gical  production  and  electronic  waste  processing  sources  were 
emitted  by  high  temperature  coal  and  oil  combustion  process  respectively  6  and  1%  of  the  total  fine  PM  mass  (Table  4).  For 
(Uberol and Shadman, 1991). Most of the coal used in the coking in  electronic  waste  processing,  a  major  determinant  of  the  environ‐
this  industry  is  imported  from  India  and  has  low  sulfur  content  mental contaminants found in the e–waste depend on the type of 
compared  to  most  other  coals  (Bhanarkar  et  al.,  2008;  Chikkatur,  items being processed and the time of manufacture (Gullett et al., 
2008).  Also,  from  Figure  4,  there  is  a  high  contribution  of  fine  2007; Morf et al., 2007). The major portion of the e–waste is wire 
particles  from  the  production  processes.  The  coking  coal  factor  that is typically copper (Bertram et al., 2002). Also, from Figure 2, 
contributed 83% of the total mass of fine PM as shown in Table 5.  the  electronic  waste  processing  factor  has  a  high  percentage 
The CPF plot (Figures 6), confirmed that the coking coal came from  contribution  of  Ga  in  addition  to  Cu,  an  indication  of  emissions 
the production process within the smelter.  from  the  used  Si  chips  and  LCD  monitors  (Ladou  and  Lovegrove, 
  2008).  This  mixture  might  occur  because  most  of  the  scrap  is  not 
Metallurgical  production  and  electronic  waste  processing.  The  sorted. So there is varying degree of the mixture of metals such as 
major  elements  associated  with  these  factors  are  Na,  Mg,  K,  Cu,  copper,  aluminum,  tin,  etc.  Also,  metallurgical  production  and 
Mn, Fe, Zn, Ni, As, Br, Ga, Cd, Sn Pb and BC. The marker elements  electronic  waste  processing  contributions  to  the  fine  fraction 
related  to  anthropogenic  activities  such  as  non–ferrous  metal  (Figure 4) observed at the Production site is expected, as a result of 
industries.  Cd  is  a  tracer  element  for  copper  alloy  manufacture  proximity to the emissions. 
 

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
 

Figure 5. PMF–derived source contributions plotted as a function of sampling date for the PM2.5–10 data characterizing the iron 
and steel smelting industry.
 
For the coarse samples, the elements found for the combined  (Song  et  al.,  2006).  This  factor  was  found  only  in  coarse  fractions 
metallurgical  production  and  electronic  waste  processing  sources  (Figure 3) and has high factor loadings of Na, K, Si, S, Cl, Fe, Zn, As, 
are K, Mn, Fe, Zn, Br, and Pb (Figure 3), while source contributions  Br,  Pb  and  BC,  indicating  coal,  plus  other  process  input  materials 
averaged 53% of total coarse sample PM mass. From Figure 5, the  origin. Because of the injection into the slag of input materials such 
contributions  from  metallurgical  production/electronic  waste  as limestone, de–oxidants and alloying elements emissions in high 
processing  were  relative  high  at  the  production  site  and  M1  S,  Si,  Mn  and  other  elements  contained  in  the  scrap  might  result 
location because of the melting process in the electric arc furnaces.  (Watson  et  al.,  1998;  SRI,  2002).  The  BC  might  be  as  a  result  of 
There  are  indications  that  the  contribution  of  metallurgical  aerosolization of coal dust that contributed to the coarse particles. 
production/electronic  wastes  processing  was  higher  in  the  dry  Figure  5  indicates  a  sharp  increase  in  time  series  contribution  in 
season  especially  at  the  M1  site.  The  pattern  may  be  due  to  May  to  June,  2011  at  the  production  site  and  in  January  to 
seasonal  variation  and  meteorological  factors  resulting  in  lower  February,  2012.  This  might  be  connected  with  the  contribution 
emissions  in  the  rainy  season,  although  sampling  was  not  done  from  the  combination  of  typical  piles  of  input  materials,  like  coal 
simultaneously  at  the  production  and  M1  sites.  Similar  seasonal  and  the  kind  of  grinding/shredding  process,  which  crushes  the 
trends in contributions have been reported in other studies (Liu et  scrap to smaller pieces before melting. Also, Table 4 shows that the 
al., 2005; Ogulei et al., 2005).  factor contributed 28% of the coarse fraction to the total PM. The 
  presence  of  Na  and  Cl  indicates  the  use  of  salt  in  the  process  to 
Figures  6  and  7  indicated  that  this  factor  originated  from  remove impurities in the molten steel before casting as well as in 
production  processes  of  the  smelting  industry  and  contributed  to  hardening the steel after casting (Jones et al., 1998; Wayman and 
both fine and coarse fractions (Begum et al., 2004; Kim et al., 2004;  Juleff,  1999).  The  lower  Cl/Na  ratio  of  0.32  and  0.36  respectively 
Lim et al., 2010).  for  fine  and  coarse  fractions  are  much  lower  than  the  1.8  value 
  reported  for  sea  water  factors  (Goldberg,  1963).  This  can  be  as  a 
Suspended input materials. The major elemental makers include S,  result  of  either  unusual  lower  concentrations  of  Cl  or  higher 
Zn, As, Cu, Pb, Ni, Mn and BC (Almeida et al., 2006; Lee et al, 2008;  concentrations  of  Na.  Figure  7,  shows  CPF  plot  showing  that  the 
Yin  et  al.,  2010;  Begum  et  al.,  2010;  Fujiwara  et  al.,  2011).  Other  emissions are coming from the scrap metal smelting source. 
makers include Al and Si (Bi et al., 2007; Zeng et al., 2010) and Cl 
 

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
 
(a) (b)

(c) (d)

Figure 6. CPF plots for source contributions resolved by PMF for PM2.5 samples. (a) Crustal/soil, (b) metallurgical production, (c) coking coal,  
(d) electronic waste processing.
 
Galvanized steel scrap with cadmium. This factor occurred only in  et al., 2008). There was high contribution to the PM loadings from 
coarse samples with the contribution of 1% of the total mass of PM  the  production  area  in  July,  2011  and  between  the  month  of 
(Table  4).  Metal  elements,  such  as  Mg,  S,  Co,  Cd,  Sn  and  BC  with  February  and  April,  2012  at  M1  (Figure  5),  which  might  be  an 
high  loading  of  Cd  (Figure  3),  identified  as  cadmium  source  is  indication  of  increased  production  at  that  time.  Figure  7  shows 
attributed  to  industrial  sources – metal  manufacturing  plants  that the north – and easterly emissions from this industry has the 
(Chandra Mouli et al., 2006). A range of tracers have been used for  largest contribution to cadmium load.  
the identification of this type of industrial emissions. These tracers   
include  Cd–copper  alloy  manufacture,  Al  and  Zn  production,  5. Conclusions 
galvanizing,  lead  acid  battery  industry;  Cr – production  of  Cr –   
based  chemicals;  Cu  and  Pb – industrial  metal,  lead–acid  battery;  In  this  study,  two  size  fractions  of  the  airborne  particulate 
Mn  and  Ni–Al  production,  refineries,  copper  alloy  manufacture  matter  was  sampled  from  May,  2011  to  April,  2012  at  three 
(Vincent  and  Passant,  2006).  Also,  there  are  other  studies  that  sampling  sites  within  and  outside  an  iron  and  steel  smelting 
have reported other makers for industrial emissions. Begum et al.  industry. The sources of both fractions have been identified using 
(2004)  used  Ni,  Pb  and  S,  Song  et  al.  (2006) – Ni,  Cr,  Fe  and  Mn,  the USEPA’s PMF v5.0.5. The elemental and black carbon concen‐
Yatkin  and  Bayram  (2008) – Fe,  Mn,  Zn,  and  Pb,  Lestari  and  trations  were  obtained  using  XRF  and  optical  transmissometer, 
Mauliadi  (2009) – Zn  and  Fe,  for  the  steel  industry,  Tauler  et  al.  respectively. The factors affecting their distributions at the industry 
(2009) – Zn,  Fe,  Mn  and  Cd  as  tracers  for  steel  metallurgy.  These  were determined from the PMF analysis. High levels of Mn, Ni, As, 
elements might be emitted as a result of different unsorted scrap  Cd  and  Pb  indicated  that  the  area  within  the  industry  is  polluted 
used,  especially  copper  alloy  metals,  in  metallic  industries  (Kothai  and should not be neglected.  
 

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
 
(a)  (b)

(c)  (d)

Figure 7. CPF plots for source contributions resolved by PMF for PM2.5–10 samples. (a) Soil, (b) suspended input materials, (c) metallurgical 
production and electronic waste, (d) galvanized scrap.
 
Four sources, each, from the ambient PM2.5 and PM2.5–10 mass  Acknowledgment 
were  identified  and  average  contribution  of  each  source  was   
estimated.  For  the  fine  fractions  of  the  PM,  these  are  83%  from  The  authors  want  to  thank  the  Centre  for  Air  Resources 
coking coal, 10% for soil, 6% from metallurgical production and 1%  Engineering  and  Science,  Clarkson  University,  Potsdam,  NY  for 
from  electronic  waste  processing.  For  the  coarse  fraction,  the  providing all the facilities used in this work. 
sources  53%  from  metallurgical  production  plus  electronic  waste   
processing,  28%  from  suspended  input  materials  emission,  18%  Supporting Material Available 
from  soil  and  1%  from  galvanized  steel  scrap  with  cadmium–  
containing source. We conclude that coking is the major source of  A video showing the dispersion of the plume in the vicinity of 
fine  particles  while  materials  input  handling  related  to  the  plant  the iron–steel plant. This information is available free of charge via 
produces the majority of the coarse particles.  the internet at http://www.atmospolres.com 
   
While  the  contributions  were  related  to  the  prevailing  wind  References 
directions  as  expected,  calm  winds  were  found  to  produce  the   
highest  measured  mass  concentrations  given  the  proximity  of  the  ACMA  (American  Cast  Metals  Association),  1999.  1999  Metal  Casting 
sampler to the source. The normalized factor loadings of the wind  Forecast and Trends. 
sectors  were  also  used  to  assess  the  directional  dependences  of  Adejumo,  J.A.,  Obioh,  I.B.,  Ogunsola,  O.J.,  Akeredolu,  F.A.,  Olaniyi,  H.B., 
the source factors. The results were similar to those obtained from  Asubiojo,  O.I.,  Oluwole,  A.F.,  Akanle,  O.A.,  Spyrou,  N.M.,  1994.  The 
the use of the CPF plots. The data from this study can be used for  atmospheric  deposition  of  major,  minor  and  trace–elements  within 
the  source  apportionment  studies  of similar  industries  and  health  and around 3 cement factories. Journal of Radioanalytical and Nuclear 
risk  assessment.  This  would  be  of  help  in  formulation  of  policies  Chemistry–Articles 179, 195–204. 
and strategies for a regional air quality management.  

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
Akeredolu,  F.,  1989.  Atmospheric–environment  problems  in  Nigeria  –  An  Cohen, D.D., Crawford, J., Stelcer, E., Bac, V.T., 2010. Characterisation and 
overview. Atmospheric Environment 23, 783–792.  source  apportionment  of  fine  particulate  sources  at  Hanoi  from  2001 
Alleman, L.Y., Lamaison, L., Perdrix, E., Robache, A., Galloo, J.C., 2010. PM10  to 2008. Atmospheric Environment 44, 320–328. 
metal  concentrations  and  source  identification  using  positive  matrix  Cohen,  A.J.,  Anderson,  H.R.,  Ostro,  B.,  Pandey,  K.D.,  Krzyzanowski,  M., 
factorization  and  wind  sectoring  in  a  French  industrial  zone.  Kuenzli, N., Gutschmidt, K., Pope, C.A., Romieu, I., Samet, J.M., Smith, 
Atmospheric Research 96, 612–625.  K.R.,  2004.  Mortality  Impacts  of  Urban  Air  Pollution.  In  Comparative 
Almeida,  S.M.,  Pio,  C.A.,  Freitas,  M.C.,  Reis,  M.A.,  Trancoso,  M.A.,  2006.  Quantification of Health Risks: Global and Regional Burden of Disease 
Source  apportionment  of  atmospheric  urban  aerosol  based  on  due  to  Selected  Major  Risk  Factors,  edited  by  Ezzati,  M.,  Lopez,  A.D., 
weekdays/weekend  variability:  Evaluation  of  road  re–suspended  dust  Rodgers,  A.,  Murray,  C.U.J.L.,  Vol.  2,  World  Health  Organization, 
contribution. Atmospheric Environment 40, 2058–2067.  Geneva. 

Ashbaugh, L.L., Malm, W.C., Sadeh, W.Z., 1985. A residence time probability  Dockery,  D.W.,  Pope,  C.A.,  Xu,  X.,  Spengler,  J.D.,  Ware,  J.H.,  Fay,  M.E., 
analysis  of  sulfur  concentrations  at  Grand–Canyon–National–Park.  Ferris,  B.G.,  Speizer,  F.E.,  1993.  An  association  between  air  pollution 
Atmospheric Environment 19, 1263–1270.  and  mortality  in  six  U.S.  cities.  New England  Journal  of  Medicine  329, 
1753–1759. 
Balachandran, S., Meena, B.R., Khillare, P.S., 2000. Particle size distribution 
and its elemental composition in the ambient air of Delhi. Environment  EC  (European  Commission),  2014.  Air  Quality  Standards,  http://ec.europa. 
International 26, 49–54.  eu/environment/air/quality/standards.htm, accessed in August 2014. 

Begum,  B.A.,  Biswas,  S.K.,  Hopke,  P.K.,  2011a.  Key  issues  in  controlling  air  Fujiwara,  F.G.,  Gomez,  D.R.,  Dawidowski,  L.,  Perelman,  P.,  Faggi,  A.,  2011. 
pollutants  in  Dhaka,  Bangladesh.  Atmospheric  Environment  45,  7705– Metals  associated  with  airborne  particulate  matter  in  road  dust  and 
7713.  tree bark collected in a megacity (Buenos Aires, Argentina). Ecological 
Indicators 11, 240–247. 
Begum, B.A., Biswas, S.K., Pandit, G.G., Saradhi, I.V., Waheed, S., Siddique, 
N., Seneviratne, M.C.S., Cohen, D.D., Markwitz, A., Hopke, P.K., 2011b.  Goldberg,  E.D.,  1963.  Chemistry–  the  oceans  as  chemical  systems,  in  The 
Long–range  transport  of  soil  dust  and  smoke  pollution  in  the  South  Sea:  Composition  of  Sea  Water,  Comparative  and  Descriptive 
Asian region. Atmospheric Pollution Research 2, 151–157.  Oceanography, Vol. 2, edited by Hill, H., Wiley–Interscience, New York, 
pp. 3–25. 
Begum,  B.A.,  Kim,  E.,  Biswas,  S.K.,  Hopke,  P.K.,  2004.  Investigation  of 
sources  of  atmospheric  aerosol  at  urban  and  semi–urban  areas  in  Gu, J.W., Pitz, M., Schnelle–Kreis, J., Diemer, J., Reller, A., Zimmermann, R., 
Bangladesh. Atmospheric Environment 38, 3025–3038.  Soentgen,  J.,  Stoelzel,  M.,  Wichmann,  H.E.,  Peters,  A.,  Cyrys,  J.,  2011. 
Source  apportionment  of  ambient  particles:  Comparison  of  positive 
Bertram,  M.,  Graedel,  T.E.,  Rechberger,  H.,  Spatari,  S.,  2002.  The  matrix  factorization  analysis  applied  to  particle  size  distribution  and 
contemporary European copper cycle: Waste management subsystem. 
chemical composition data. Atmospheric Environment 45, 1849–1857. 
Ecological Economics 42, 43–57. 
Gullett, B.K., Linak, W.P., Touati, A., Wasson, S.J., Gatica, S., King, C.J., 2007. 
Bhanarkar, A.D., Gavane, A.G., Tajne, D.S., Tamhane, S.M., Nema, P., 2008.  Characterization of air emissions and residual ash from open burning of 
Composition and size distribution of particules emissions from a coal–
electronic  wastes  during  simulated  rudimentary  recycling  operations. 
fired power plant in India. Fuel 87, 2095–2101. 
Journal of Material Cycles and Waste Management 9, 69–79. 
Bi,  X.H.,  Feng,  Y.C.,  Wu,  J.H.,  Wang,  Y.Q.,  Zhu,  T.,  2007.  Source  Hien,  P.D.,  Binh,  N.T.,  Truong,  Y.,  Ngo,  N.T.,  Sieu,  L.N.,  2001.  Comparative 
apportionment  of  PM10  in  six  cities  of  northern  China.  Atmospheric 
receptor modelling study of TSP, PM2 and PM2–10 in Ho Chi Minh City. 
Environment 41, 903–912. 
Atmospheric Environment 35, 2669–2678. 
Bond, T.C., Doherty, S.J., Fahey, D.W., Forster, P.M., Berntsen, T., DeAngelo,  Hopke, P.K., Xie, Y., Raunemaa, T., Biegalski, S., Landsberger, S., Maenhaut, 
B.J., Flanner, M.G., Ghan, S., Karcher, B., Koch, D., Kinne, S., Kondo, Y., 
W.,  Artaxo,  P.,  Cohen,  D.,  1997.  Characterization  of  the  Gent  stacked 
Quinn, P.K., Sarofim, M.C., Schultz, M.G., Schulz, M., Venkataraman, C., 
filter unit PM10 sampler. Aerosol Science and Technology 27, 726–735. 
Zhang,  H.,  Zhang,  S.,  Bellouin,  N.,  Guttikunda,  S.K.,  Hopke,  P.K., 
Jacobson,  M.Z.,  Kaiser,  J.W.,  Klimont,  Z.,  Lohmann,  U.,  Schwarz,  J.P.,  Jacobson,  M.Z.,  2001.  Strong  radiative  heating  due  to  the  mixing  state  of 
Shindell, D., Storelvmo, T., Warren, S.G., Zender, C.S., 2013. Bounding  black carbon in atmospheric aerosols. Nature 409, 695–697. 
the role of black carbon in the climate system: A scientific assessment.  Jaeckels,  J.M.,  Bae,  M.S.,  Schauer,  J.J.,  2007.  Positive  matrix  factorization 
Journal of Geophysical Research–Atmospheres 118, 5380–5552.  (PMF)  analysis  of  molecular  marker  measurements  to  quantify  the 
Brook,  R.D.,  Franklin,  B.,  Cascio,  W.,  Hong,  Y.L.,  Howard,  G.,  Lipsett,  M.,  sources  of  organic  aerosols.  Environmental  Science  &  Technology  41, 
Luepker,  R.,  Mittleman,  M.,  Samet,  J.,  Smith,  S.C.,  Tager,  I.,  2004.  Air  5763–5769. 
pollution  and  cardiovascular  disease  –  A  statement  for  healthcare  Jones, J.A.T., Bowman, B., Lefrank, P.A., 1998. Electric Furnace Steelmaking, 
professionals  from  the  Expert  Panel  on  Population  and  Prevention  in  the  Making,  Shaping  and  Treating  of  Steel,  The  AISE  Steel 
Science of the American Heart Association. Circulation 109, 2655–2671.  Foundation. 
Brunekreef,  B.,  Forsberg,  B.,  2005.  Epidemiological  evidence  of  effects  of  Kar, S., Maity, J.P., Samal, A.C., Santra, S.C., 2010. Metallic components of 
coarse  airborne  particles  on  health.  European  Respiratory  Journal  26,  traffic–induced  urban  aerosol,  their  spatial  variation,  and  source 
309–318.  apportionment.  Environmental  Monitoring  and  Assessment  168,  561–
Chandra  Mouli,  P.,  Venkata  Mohan,  S.,  Balaram,  V.,  Praveen  Kumar,  M.,  574. 
Jayarama  Reddy,  S.,  2006.  A  study  on  trace  elemental  composition  of  Katsouyanni,  K.,  2005.  Long  term  effect  of  air  pollution  in  Europe. 
atmospheric  aerosols  at  a  semi–arid  urban  site  using  ICP–MS  Occupational & Environmental Medicine 62, 432–433. 
technique. Atmospheric Environment 40, 136–146.  Kim, K.H., Mishra, V.K., Kang, C.H., Choi, K.C., Kim, Y.J., Kim, D.S., Youn, Y.H., 
Chelani, A.B., Gajghate, D.G., ChalapatiRao, C.V., Devotta, S., 2010. Particle  Lee,  J.H.,  2006.  The  metallic  composition  of  aerosols  at  three 
size  distribution  in  ambient  air  of  Delhi  and  its  statistical  analysis.  monitoring  sites  in  Korea  during  winter  2002.  Environmental 
Bulletin of Environmental Contamination and Toxicology 85, 22–27.  Monitoring and Assessment 121, 381–399. 
Chikkatur,  A.P.,  2008.  Coal  Initiative  Reports,  A  Resource  and  Technology  Kim, E., Hopke, P.K., Edgerton, E.S., 2004. Improving source identification of 
Assessment  of  Coal  in  India,  http://www.pewclimate.org/docUploads  Atlanta aerosol using temperature resolved carbon fractions in positive 
/india–coal–technology.pdf, accessed in March 2011.  matrix factorization. Atmospheric Environment 38, 3349–3362. 
Chow,  J.C.,  Watson,  J.G.,  Lu,  Z.,  Lowenthal,  D.H.,  Frazier,  C.A.,  Solomon,  Kirchstetter, T.W., Harley, R.A., Kreisberg, N.M., Stolzenburg. M.R., Hering. 
P.A.,  Thuillier,  R.H.,  Magliano,  K.,  1996.  Descriptive  analysis  of  PM2.5  S.V., 1999. On–road measurements of fine particles and nitrogen oxide 
and  PM10  at  regionally  representative  locations  during  emissions  from  light–  and  heavy–duty  motor  vehicles.  Atmospheric 
SJVAQS/AUSPEX. Atmospheric Environment 30, 2079–2112.  Environment 33, 2955–2968. 

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
Kothai,  P.,  Saradhi,  I.V.,  Prathibha,  P.,  Hopke,  P.K.,  Pandit,  G.G.,  Puranik,  Polissar,  A.V.,  Hopke,  P.K.,  Paatero,  P.,  1998.  Atmospheric  aerosol  over 
V.D., 2008. Source apportionment of coarse and fine particulate matter  Alaska – 2. Elemental composition and sources. Journal of Geophysical 
at Navi Mumbai, India. Aerosol and Air Quality Research 8, 423–436.  Research–Atmospheres 103, 19045–19057. 
Ladou,  J.,  Lovegrove,  S.,  2008.  Export  of  electronics  equipment  waste.  Pope,  C.A.,  Dockery,  D.W.,  2006.  Health  effects  of  fine  particulate  air 
International Journal of Occupational and Environmental Health 14, 1– pollution: Lines that connect. Journal of the Air & Waste Management 
10.  Association 56, 709–742. 
Lee,  S.,  Liu,  W.,  Wang,  Y.,  Russell,  A.G.,  Edgerton,  E.S.,  2008.  Source  Raman, R.S., Hopke, P.K., Holsen, T.M., 2008. Carbonaceous aerosol at two 
apportionment  of  PM2.5:  Comparing  PMF  and  CMB  results  for  four  rural  locations  in  New  York  State:  Characterization  and  behavior. 
ambient  monitoring  sites  in  the  Southeastern  United  States.  Journal of Geophysical Research–Atmospheres 113, art. no. D12202. 
Atmospheric Environment 42, 4126–4137.  Rickun,  J.,  1993.  Air  permits,  Title  III,  VOCs  and  foundries.  Proceedings  of 
Lestari,  P.,  Mauliadi,  Y.D.,  2009.  Source  apportionment  of  particulate  the Environmental Affairs Conference. August 22–24, 1993, Milwaukee, 
matter  at  urban  mixed  site  in  Indonesia  using  PMF.  Atmospheric  WI. 
Environment 43, 1760–1770.  Santoso,  M.,  Lestiani,  D.D.,  Mukhtar,  R.,  Hamonangan,  E.,  Syafrul,  H., 
Lim,  J.M.,  Lee,  J.H.,  Moon,  J.H.,  Chung,  Y.S.,  Kim,  K.H.,  2010.  Source  Markwitz,  A.,  Hopke,  P.K.,  2011.  Preliminary  study  of  the  sources  of 
apportionment of PM10 at a small industrial area using positive matrix  ambient  air  pollution  in  Serpong,  Indonesia.  Atmospheric  Pollution 
factorization. Atmospheric Research 95, 88–100.  Research 2, 190–196. 
Liu, J.P., Curry, J.A., Rossow, W.B., Key, J.R., Wang, X.J., 2005. Comparison  Song,  Y.,  Zhang,  Y.H.,  Xie,  S.D.,  Zeng,  L.M.,  Zheng,  M.,  Salmon,  L.G.,  Shao, 
of  surface  radiative  flux  data  sets  over  the  Arctic  Ocean.  Journal  of  M.,  Slanina,  S.,  2006.  Source  apportionment  of  PM2.5  in  Beijing  by 
Geophysical Research–Oceans 110, art. no. C02015.  positive matrix factorization. Atmospheric Environment 40, 1526–1537. 
Lough, G.C., Schauer, J.J., Park, J.S., Shafer, M.M., Deminter, J.T., Weinstein,  SRI  (Steel  Recycling  Institute),  2002.  Steel  Recycling  Rates,  Steel  Recycling 
J.P.,  2005.  Emissions  of  metals  associated  with  motor  vehicle  Institute News Release, Pittsburgh, PA. 
roadways. Environmental Science & Technology 39, 826–836.  Srivastava, A., Jain, V.K., Srivastava, A., 2009. SEM–EDX analysis of various 
Maenhaut,  W.,  Francois,  F.,  Cafmeyer,  J.,  1994.  The  “Gent”  Stacked  Filter  sizes aerosols in Delhi India. Environmental Monitoring and Assessment 
Unit (SFU) Sampler for the Collection of Aerosols in Two Size Fractions:  150, 405–416. 
Description  and  Instruction  for  Installation  and  Use,  Tai,  A.P.K.,  Mickley,  L.J.,  Jacob,  D.J.,  2010.  Correlations  between  fine 
http://www.iaea.org/inis/collection/NCLCollectionStore/_Public/25/05 particulate  matter  (PM2.5)  and  meteorological  variables  in  the  United 
4/25054927.pdf, accessed in August 2014.  States:  Implications  for  the  sensitivity  of  PM2.5  to  climate  change. 
Malm,  W.C.,  Day,  D.E.,  Kreidenweis,  S.M.,  2000.  Light  scattering  Atmospheric Environment 44, 3976–3984. 
characteristics  of  aerosols  at  ambient  and  as  a  function  of  relative  Tauler,  R.,  Viana,  M.,  Querol,  X.,  Alastuey,  A.,  Flight,  R.M.,  Wentzell,  P.D., 
humidity:  Part  II  –  A  comparison  of  measured  scattering  and  aerosol  Hopke, P.K., 2009. Comparison of the results obtained by four receptor 
concentrations  using  statistical  models.  Journal  of  the  Air  &  Waste  modelling  methods  in  aerosol  source  apportionment  studies. 
Management Association 50, 701–709.  Atmospheric Environment 43, 3989–3997. 
Mooibroek,  D.,  Schaap,  M.,  Weijers,  E.P.,  Hoogerbrugge,  R.,  2011.  Source  Tegen,  I.,  Hollrig,  P.,  Chin,  M.,  Fung,  I.,  Jacob,  D.,  Penner,  J.,  1997. 
apportionment  and  spatial  variability  of  PM2.5  using  measurements  at  Contribution  of  different  aerosol  species  to  the  global  aerosol 
five sites in the Netherlands. Atmospheric Environment 45, 4180–4191.  extinction  optical  thickness:  Estimates  from  model  results.  Journal  of 
Morf,  L.S.,  Tremp,  J.,  Gloor,  R.,  Schuppisser,  F.,  Stengele,  M.,  Taverna,  R.,  Geophysical Research–Atmospheres 102, 23895–23915. 
2007.  Metals,  non–metals  and  PCB  in  electrical  and  electronic  waste  Uberol,  M.,  Shadman,  F.,  1991.  High–temperature  removal  of  cadmium 
actual levels in Switzerland. Waste Management 27, 1306–1316.  compounds using solid sorbents. Environmental Science & Technology 
NAEI  (National  Atmospheric  Emissions  Inventory),  2011.  Emission  of  Air  25, 1285–1289. 
Pollutants  in  the  UK,  http://naei.defra.gov.uk/,  accessed  in  March  U.S.  EPA  (U.S.  Environmental  Protection  Agency),  2014.  National  Ambient 
2011.  Air  Quality  Standards  (NAAQS),  http://epa.gov/air/criteria.html, 
Negi,  B.S.,  Sadasivan,  S.,  Mishra,  U.C.,  1987.  Aerosol  composition  and  accessed in August 2014. 
sources  in  urban  areas  in  India.  Atmospheric  Environment  21,  1259– U.S. EPA (U.S. Environmental Protection Agency), 1995. AP 42–Compilation 
1266.  of  Air  Pollutant  Emission  Factors,  U.S.  Environmental  Protection 
Obiajunwa,  E.I.,  Johnson–Fatokun,  F.O.,  Olaniyi,  H.B.,  Olowole,  A.F.,  2002.  Agency, Office of Air Quality planning and standards, Research Triangle 
Determination of the elemental composition of aerosol samples in the  Park, NC. 
working environment of a secondary lead smelting company in Nigeria  Vincent, K., Passant, N., 2006. Assessment of Heavy  Metal Concentrations 
using  EDXRF  technique.  Nuclear  Instruments  &  Methods  in  Physics  in  the  United  Kingdom,  AEA  Technology,  http://uk–air.defra.gov.uk/ 
Research  Section  B–Beam  Interactions  with  Materials  and  Atoms  194,  assets/documents/reports/cat16/0604041205_heavy_metal_issue1_fi
65–68.  nal.pdf, accessed in August 2014. 
Ogulei, D., Hopke, P.K., Zhou, L.M., Paatero, P., Park, S.S., Ondov, J., 2005.  Watson,  N.J.,  Andersen,  R,  W.,  Holt,  G.,  1998.  Battery  recycling  in  the 
Receptor  modeling  for  multiple  time  resolved  species:  The  Baltimore,  metals  industry  from  Europe  to  the  USA.Proceedings  of  the  10  
th

supersite. Atmospheric Environment 39, 3751–3762.  International Seminar on Battery Waste Management, October 26–28, 
Ogunsola,  O.J.,  Obioh,  I.O.,  Akeredolu,  F.A.,  Olaniyi,  H.B.,  Asubiojo,  O.I.,  1998, Deerfield Beach, FL. 
Oluwole,  A.F.,  Baumbach,  G.,  1995.  Continuous  monitoring  of  air  Wayman, M.L., Juleff, G., 1999. Crucible steel making in Sri Lanka. Historical 
th
quality in large tropical metropolis – Lagos City. Proceedings of the 10   Metallurgy 33, 26–42. 
World Clean Air Congress, Volume 2: Air Pollution, edited by Antilla, P., 
Kamari, J., Tolvanien, M., May 28 – June 2, 1995, Espoo, Finland.  WHO  (World  Health  Organization),  2000.  Air  Quality  Guidelines,  WHO 
Regional Office for Europe, http://www.euro.who.int/en/publications/ 
Oh,  M.S.,  Lee,  T.J.,  Kim,  D.S.,  2011.  Quantitative  source  apportionment  of  abstracts/air–quality–guidelines–for–europe, accessed in August 2014. 
size–segregated  particulate  matter  at  urbanized  local  site  in  Korea. 
Aerosol and Air Quality Research 11, 247–264.  Yatkin, S., Bayram, A., 2008. Source apportionment of PM10 and PM2.5 using 
positive  matrix  factorization  and  chemical  mass  balance  in  Izmir, 
Paatero, P., 1997. Least squares formulation of robust non–negative factor  Turkey. Science of the Total Environment 390, 109–123. 
analysis. Chemometrics and Intelligent Laboratory Systems 37, 23–35. 
Yin,  J.X.,  Harrison,  R.M.,  Chen,  Q.,  Rutter,  A.,  Schauer,  J.J.,  2010.  Source 
Paatero,  P.,  Eberly,  S.,  Brown,  S.G.,  Norris,  G.A.,  2014.  Methods  for  apportionment of fine particles at urban background and rural sites in 
estimating  uncertainty  in  factor  analytic  solutions.  Atmospheric  the UK atmosphere. Atmospheric Environment 44, 841–851. 
Measurement Techniques 7, 781–797. 

 
 Owoade et al. – Atmospheric Pollution Research (APR) x 
 
Zeng,  F.,  Shi,  G.L.,  Li,  X.,  Feng,  Y.C.,  Bi,  X.H.,  Wu,  J.H.,  Xue,  Y.H.,  2010.  Zhou, L.M., Hopke, P.K., Paatero, P., Ondov, J.M., Pancras, J.P., Pekney, N.J., 
Application of a combined model to study the source apportionment of  Davidson,  C.I.,  2004.  Advanced  factor  analysis  for  multiple  time 
PM10 in Taiyuan, China. Aerosol and Air Quality Research 10, 177–184.  resolution  aerosol  composition  data.  Atmospheric  Environment  38, 
Zhang,  Y.,  Wen,  X.–Y.,  Wang,  K.,  Vijayaraghavan,  K.,  Jacobson,  M.Z.,  2009.  4909–4920. 
Probing into regional O3 and particulate matter pollution in the United   
States: 2. An examination of formation mechanisms through a process   
analysis  technique  and  sensitivity  study.  Journal  of  Geophysical 
Research: Atmospheres 114, art. no. D22305. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

View publication stats