利用卫星遥感数据估算PM2.5浓度的应用研究进展

近年来,PM_(2.5)已成为中国大气污染的首要污染物,危害人体健康。为弥补地基监测站点在空间分布上的局限性,借助卫星遥感技术估算PM_(2.5)浓度已成为研究热点。文章总结了利用卫星估算PM_(2.5)浓度的各种研究方法,探讨了不同方法的优势和不足,指出不同方法对不同应用目的的选择性差异较大。提出,应针对不同应用目的选择相应的方法,从而取得满足各方面需求的研究成果,为未来PM_(2.5)浓度估算应用工作提供参考。     

兰州城市大气中PM_(1.0)污染特征研究

运用不同类型的PM_(1.0)自动监测仪,于2017年11月至2018年11月对兰州城市大气PM_(1.0)开展了为期一年的观测,分析了兰州PM_(1.0)污染特征及来源,以及气象条件和SO_2、NO_2等污染物对PM_(1.0)浓度特征的影响,重点分析了重污染天气过程PM_(1.0)的演变情况。结果表明:研究期内,兰州城市PM_(1.0)日均最大浓度为117.5μg/m~3,最小浓度为8.3μg/m~3,平均浓度为33.7μg/m~3;4个季节的PM_(1.0)平均浓度排序为冬季秋季春季夏季,冬季PM_(2.5)中PM_(1.0)的占比超过70%。从全年来看,PM_(1.0)主要来源于内蒙古西北部地区污染气团输入。PM_(2.5)与PM_(1.0)的来源区域具有一致性,但PM_(1.0)的来源范围更广泛,而PM_(2.5)的来源更集中。重污染阶段,PM_(1.0)与PM_(2.5)、PM_(10)污染演变趋势呈现负相关,PM_(2.5)与PM_(10)呈现正相关,且秋冬季PM_(1.0)和PM_(2.5)的潜在污染来源距离兰州较近,范围更集中。     

合肥市PM1.0污染特征及与PM2.5污染相关性

对合肥市2014—2019年秋冬季节PM_(1.0)、PM_(2.5)、气象和理化性质等进行分析研究发现,PM_(1.0)质量浓度呈现年度波动性下降趋势,其中2015—2016年度变化最为显著。同一年度内,月度浓度同样呈现波动性变化,总体表现为11、2月PM_(1.0)质量浓度相对较低,12、1月相对较高。无污染情形时(PM_(2.5)浓度不高于75μg/m~3),PM_(1.0)/PM_(2.5)逐小时值相对平稳且比有污染情形(PM_(2.5)浓度大于75μg/m~3)总体高约10%;有污染情形下,PM_(1.0)/PM_(2.5)小时值呈现较明显的日变化特征,09∶00呈现谷值,17∶00呈现峰值,日变化特征显著高于无污染情形。PM_(1.0)质量浓度随着PM_(2.5)级别的上升而逐渐增加,PM_(1.0)/PM_(2.5)值则呈减小的污染特征。严重污染时,PM_(1.0)/PM_(2.5)显著下降,PM_(1.0～2.5)占比增加。传输型污染过程中,PM_(1.0)与OC、PM_(2.5)、SO_4~(2-)等呈现出显著的正相关性,污染来源主要为工业源、燃煤源、道路尘等,共占载荷为83.90%。本地累积型污染过程中,PM_(1.0)与PM_(2.5)、SO_4~(2-)、Ba和Cu等呈现出较好相关性,污染来源主要为烟花爆竹与二次生成,共占载荷为87.94%。     

中国城市PM2.5空气质量改善分阶段目标研究

中国城市细颗粒物(PM_(2.5))空气质量达标率低,且城市间的污染程度差异较大。为了整体改善PM_(2.5)空气质量,需要针对不同污染程度的城市,制定分阶段改善目标加以考核和管理,研究探讨了城市PM_(2.5)空气质量改善目标体系及不同污染程度城市各阶段目标值。首先运用文献综述法、国内外对比分析法梳理评述了WHO、欧美等发达国家PM_(2.5)的空气质量标准和达标要求,提出中国城市PM_(2.5)空气质量改善的考核目标体系,包括PM_(2.5)浓度目标值或下降率、严重污染天数上限、达标天数下限等指标。通过历史数据分析法研究了2000—2013年美国、日本一些城市和2013—2016年中国74个环保城市PM_(2.5)年均浓度的变化趋势,推论出中国城市PM_(2.5)年均浓度年均下降5%~8%是可能实现的;结合环境保护部及各省市PM_(2.5)污染防治规划,提出PM_(2.5)空气质量改善目标的设定原则和达标天数的回归计算方法;以2014年114个城市PM_(2.5)年均浓度为基数,计算得出不同污染程度城市2020、2025、2030年PM_(2.5)年均浓度年下降率和达标天数的目标值。     

2015年中国PM2.5相关超额死亡数集成评估

环境空气细颗粒物(PM_(2.5))污染是我国目前较为突出的环境问题,也对人群健康造成严重威胁。基于国内外5套不同来源的2015年中国PM_(2.5)年均暴露浓度数据和5种暴露-反应关系(exposure-response,E-R)模型,设置了不同PM_(2.5)暴露浓度与E-R模型的25种组合情景,评估了2015年中国归因于环境PM_(2.5)导致的超额死亡数。结果表明,2015年全国(覆盖2 826个区县) PM_(2.5)相关超额死亡数为75.0万～256.5万例,其中应用国内E-R模型评估得到的超额死亡数(186.0万～256.5万例)大于国外模型评估得到的超额死亡数(75.0万～133.2万例);空间分布上,京津冀、河南、山东等重污染地区及人口密度较大地区的PM_(2.5)相关疾病负担较重,这些地区需制定更严格的政策来改善空气质量及保护公众健康。指出,我国地面监测站获得的暴露数据通常会高估全国PM_(2.5)的实际浓度均值,运用多套PM_(2.5)暴露浓度数据和多种E-R模型评估疾病负担,有利于减少评估的不确定性。提出,应加强我国PM_(2.5)与人群健康的队列研究及数据积累,以获取更准确的E-R关系,提升PM_(2.5)相关疾病负担评估结果的准确性。     

焦作市大气污染物特征和相关性分析

为研究焦作市大气污染特征及其相关性,对2015—2017年焦作市4个国控空气监测点位的监测数据进行统计分析。结果表明:2015—2017年城区环境空气污染SO_2、NO_2、CO、PM_(10)、PM_(2.5)浓度均呈逐年下降趋势;大气污染浓度季节变化特征明显,PM_(10)、PM_(2.5)、SO_2、NO_2、CO的浓度均为冬季最高、夏季最低,空气质量指数也在冬季达到最高值; O_3浓度则为夏季最高、冬季最低。2017年焦作市沙尘天气共计36 d,严重影响了环境空气中颗粒物的浓度。由PM_(2.5)与PM_(10)的比值说明大气颗粒物污染以PM_(2.5)为主。通过SPSS软件分析,SO_2、NO_2、CO、PM_(10)、PM_(2.5)浓度间呈两两正相关,O_3浓度与NO_2、CO呈负相关。     

基于WoS文献计量分析PM2.5研究现状

运用文献计量学的研究方法,以Web of Science(WoS)为数据源,利用Excel软件对1990—2015年发表的相关PM_(2.5)研究的文献进行数据统计与分析,从文献发表年代、主要发文国家/地区、研究机构、期刊分布、热点文献等方面采用定量、定性的方法揭示了目前世界PM_(2.5)的研究进展。结果表明,近10年关于PM_(2.5)研究发文量增长较快,PM_(2.5)研究全球关注度较高,美国无论发文量、总被引频次和H指数都远超过其他国家/地区,体现了美国在PM_(2.5)研究领域的主导地位;PM_(2.5)相关领域的研究机构主要集中在美国和中国(未包含港、澳、台地区数据);文献多发表在相关大气化学与物理学、环境、健康、气溶胶等领域的刊物上;当前研究热点由PM_(2.5)所引发全球关注的生态环境问题转入对人体健康的影响上,且国际合作研究成为发展趋势。中国自2006年以来PM_(2.5)的研究文献增速显著,发文量和累计被引频次位居世界第二,仅低于美国。     

河源市城区春季PM_(2.5)典型污染过程案例分析

以河源市区2016年3月27日—4月4日污染过程为研究对象,基于同期气象条件与空气质量监测数据,分析了PM_(2.5)与气象因子间的相关性,探究河源市区PM_(2.5)污染变化特征。结果表明,3月30日河源市ρ(PM_(2.5))/ρ(PM_(10))和ρ(PM_(2.5))/ρ(CO)分别为0.87和0.08,明显高于其他时段,说明当天细颗粒物污染老化和二次转化程度突出。在此次污染过程的2个不同阶段,河源市ρ(PM_(2.5))波动受到多项气象要素共同影响,其中与气压先后呈现较强负相关(R~2=0.646 2)和不明显正相关(R~2=0.006 5),与气温呈现不明显正相关(R~2=0.008 4,R~2=0.033 9),与风速先后呈现弱负相关(R~2=0.105 2)和不明显正相关(R~2=0.072 9),与相对湿度先后呈现弱正相关(R~2=0.391 3)和弱负相关(R~2=0.176 9)。通过比较该时段河源市与周边城市的ρ(PM_(2.5))变化趋势及后向轨迹分析,发现河源市与周边城市在相似的气象背景条件下,PM_(2.5)污染主要来源于本地源排放和珠三角区域传输。     

合肥市冬季PM_(2.5)中水溶性离子化学特征分析

基于2021年12月1日-2022年2月28日合肥市细颗粒物(PM_(2.5))及其水溶性离子连续观测数据,分析了合肥市冬季PM_(2.5)中水溶性离子化学特征以及不同污染程度下水溶性离子化学特征。结果表明:采样期间合肥市PM_(2.5)污染较重,不同污染程度下PM_(2.5)浓度差异较大,中度及以上污染天的ρ(PM_(2.5))平均值分别是清洁天和轻度污染天的2.8和1.3倍。二次水溶性无机离子[硝酸根离子(NO_(3)^(-))、铵根离子(NH+4)和硫酸根离子(SO_(2)-4),简称SNA]是合肥市PM_(2.5)的重要组成部分,随着污染程度的加重,PM_(2.5)二次生成比例随之下降。NH+4是合肥市水溶性离子中中和能力最强的离子,易与NO_(3)^(-)和SO_(2)-4结合分别形成NH_(4)NO_(3)和(NH_(4))_(2)SO_(4)。合肥市SO_(2)和NO_(2)均易发生二次转化,且SO_(2)较NO_(2)更容易发生二次转化。钙离子(Ca^(2+))和镁离子(Mg^(2+))相关性较高,说明合肥市PM_(2.5)可能受扬尘影响较大;钾离子(K^(+))是生物质燃烧的指示离子,氯离子(Cl^(-))与K^(+)相关性较好,说明合肥市PM_(2.5)组分中的Cl^(-)和K^(+)主要来自生物质燃烧。PM_(2.5)中水溶性离子受降水和温度影响较大。     

乌鲁木齐市冬季大气颗粒物PM_(10) 和PM_(2.5)污染水平及相关性研究

为研究乌鲁木齐市冬季采暖期间大气颗粒物污染特征,通过采样和在线监测二种手段分析了2015年1~2月大气颗粒物样品,采用重量法分析颗粒物质量浓度,并对其相关性进行分析。结果表明:依据《环境空气质量标准》(GB 3095-2012),采样期间乌鲁木齐市大气PM_(10) 和PM_(2.5)的日均质量浓度均超过了国家二级标准,颗粒物污染严重;PM_(10) 和PM_(2.5)存在显著相关性,PM_(2.5)和PM_(10) 浓度的比值均大于0.5,采暖期PM2.5对乌鲁木齐市大气颗粒物贡献显著。     

北京地区不同季节PM2.5和PM10浓度对地面气象因素的响应

利用2013年1月—2014年12月北京地区PM_(2.5)和PM_(10)监测数据和同期近地面气象观测数据,采用非参数分析法(Spearman秩相关系数)研究了北京地区PM_(2.5)和PM_(10)的浓度对不同季节地面气象因素的响应。结果表明:北京地区大气颗粒物浓度水平具有明显的季节特征,冬季大气颗粒物污染最严重,夏季最轻。不同季节影响颗粒物浓度水平的气象因素各不相同,其中风速和日照时数为主要影响因素。PM_(2.5)和PM_(10)质量浓度对气象因素变化的响应程度也有较大区别,PM_(2.5)/PM_(10)比值冬季最高,PM_(2.5)影响最大,春季最低,PM_(10)影响最大。这些结论可对制订科学有效的大气污染控制策略提供参考。     

石家庄市大气颗粒物元素组分特征分析

为研究石家庄市大气颗粒物的污染特征及其来源,于2013年4—5月在主城6区分别采集TSP、PM10和PM2.5颗粒物样品,利用ICP-MS分析其中的22种元素浓度。结果表明,石家庄市城区Ca、Fe元素在各粒径颗粒物中含量都较高,PM2.5中的S、K含量较高,PM10和TSP中Mg、Al的浓度相对较高。颗粒物的主要来源为燃煤尘、道路尘和建筑尘,TSP、PM10和PM2.5具有较好的统计相关性和同源性。     

中国中东部一次大范围重污染过程特征分析

采用嵌套网格空气质量预报模式(NAQPMS)模拟与气象、污染物观测资料相结合的方式,分析了2016年12月影响中国中东部地区的一次重污染过程中PM_(2.5)时空分布特征及来源成因。结果表明,重污染过程中PM_(2.5)具有较明显的时空变化规律,污染呈现一定程度的区域性分布特点,不同地理位置条件下,污染物浓度的累积和传输方式表现出不同的特征,细颗粒物快速二次生成及不利扩散条件下的持续积累可能是此次污染过程的主要原因,不利于污染物扩散的高低空天气形势的配合抑制了污染物的快速消散,为大气污染的形成及维持提供了稳定的大气环境背景,形成了此次污染过程污染浓度高、影响范围大的态势。     

Air Pollution Concentrations of PM2.5, PM10 and NO2 at Ambient and Kerbsite and Their Correlation in Metro City – Mumbai

Ambient concentrations of PM_2.5 and PM₁₀ are of concern with respect to effects on human health and environment. Increased levels of mortality and morbidity have been associated with respirable particulate air pollution. In India, it is not yet mandatory to monitor PM_2.5 levels therefore very limited information is available on PM_2.5 levels. To understand the fine particle pollution and also correlate with PM₁₀ which are monitored regularly in compliance with ambient air quality standards. This study was carried out to monitor PM_2.5, PM₁₀, and NO₂ for about one year in a residential cum commercial area of Mumbai city with a view to understand their correlation. The average PM_2.5 concentration at ambient and Kerbsite was 43 and 69 μg/m³. The correlation coefficients between PM_2.5 and PM₁₀ at ambient and Kerbsite were 0.83 and 0.85 respectively thus indicating that most of the PM_2.5 and PM₁₀ are from similar sources. TSP, PM₁₀ levels exceeded Central Pollution Control Board(CPCB) standard during winter season. PM_2.5 levels also exceeded 24 hourly average USEPA standard during winter season indicating unhealthy air quality.     

Characterisation of PM10, PM2.5 and Benzene Soluble Organic Fraction of Particulate Matter in an Urban Area of Kolkata, India

In this study, the relationship between inhalable particulate (PM₁₀), fine particulate (PM_2.5), coarse particles (PM_{2.5 – 10}) and meteorological parameters such as temperature, relative humidity, solar radiation, wind speed were statistically analyzed and modelled for urban area of Kolkata during winter months of 2003–2004. Ambient air quality was monitored with a sampling frequency of twenty-four hours at three monitoring sites located near traffic intersections and in an industrial area. The monitoring sites were located 3–5 m above ground near highly trafficked and congested areas. The 24 h average PM₁₀ and PM_2.5 samples were collected using Thermo-Andersen high volume samplers and exposed filter papers were extracted and analysed for benzene soluble organic fraction. The ratios between PM_2.5 and PM₁₀ were found to be in the range of 0.6 to 0.92 and the highest ratio was found in the most polluted urban site. Statistical analysis has shown a strong positive correlation between PM₁₀ and PM_2.5 and inverse correlation was observed between particulate matter (PM₁₀ and PM_2.5) and wind speed. Statistical analysis of air quality data shows that PM₁₀ and PM_2.5 are showing poor correlation with temperature, relative humidity and solar radiation. Regression equations for PM₁₀ and PM_2.5 and meteorological parameters were developed. The organic fraction of particulate matter soluble in benzene is an indication of poly aromatic hydrocarbon (PAH) concentration present in particulate matter. The relationship between the benzene soluble organic fraction (BSOF) of inhalable particulate (PM₁₀) and fine particulate (PM_2.5) were analysed for urban area of Kolkata. Significant positive correlation was observed between benzene soluble organic fraction of PM₁₀ (BSM10) and benzene soluble organic fraction of PM_2.5 (BSM2.5). Regression equations for BSM10 and BSM2.5 were developed.     

山西省大气污染特征及对公众健康的空间影响

利用山西省11个地级市大气环境监测站的PM_2.5、PM₁₀和O₃浓度数据,分析了2015—2020年山西省PM_2.5、PM₁₀和O₃浓度时空变化特征,采用空间计量模型和岭回归方法,分析了空气污染对公众健康的空间影响。结果表明:PM_2.5和PM₁₀年均质量浓度总体下降,两者在2017年最高,2020年最低;O₃年均浓度总体增加。在季节尺度上,PM_2.5和PM₁₀质量浓度在冬季的12月和1月最高,夏季的8月最低;O₃浓度在6月最高。空间上,相较2015年,2020年山西省各地级市PM_2.5污染程度均有改善,其中长治改善效果最好;2020年山西各地级市PM₁₀污染兼有加重和减轻的情形,所有地级市PM_2.5和PM₁₀污染水平均超过国家二级污染浓度限值;2020年山西多数地级市O₃浓度升高。山西公众健康水平具有明显的空间离散特征,PM_2.5和PM₁₀浓度的局部空间自相关特征高度一致,呈现"南高北低"的格局,O₃浓度分布呈"南部高,中北部低"的格局。大气环境质量和经济发展水平均对医疗机构诊疗人数和健康体检人数的变化有正向影响,每万人卫生技术人员数量和公共财政支出比例对公众健康均有负向影响,其中经济发展水平和大气环境质量的影响最显著。山西省PM_2.5治理取得一定成效,但大部分城市PM_2.5和PM₁₀达标率较低,O₃浓度有持续升高的趋势,PM₁₀和O₃污染改善缓慢,深度减排仍面临挑战。PM_2.5和PM₁₀是危害山西公众健康的主要大气污染物,未来需要加强PM_2.5、PM₁₀和O₃的精细化管理及协同治理。     

襄阳市秋冬季PM2.5污染特征及潜在源区分析

为了解襄阳市秋冬季PM_2.5的污染特征及来源，基于2020年11月至2021年1月在线监测数据，对PM_2.5质量浓度、气象因素、化学组分、来源及潜在源区进行了分析。结果表明，襄阳市秋冬季污染天首要污染物均为PM_2.5,且随污染程度加重，PM_2.5与PM₁₀质量浓度比呈上升趋势，二次颗粒物的形成对PM_2.5的贡献更高。在PM_2.5化学组分中，水溶性离子占比最大，随着污染程度加重，二次离子(SNA)快速增长，二次离子的生成转化是污染的重要成因。轻度、中度污染时，湿度高、风速小、气温低，有利于污染的积累，重度污染时湿度大、风速回升，有利于上游污染的输送与二次转化。PMF模型解析出襄阳市PM_2.5主要来源及贡献率为二次源58.0%、工业企业源22.6%、机动车源10.7%、扬尘源8.7%。襄阳市潜在源区主要分布在河南省中北部、河北省南部、山东省西部、安徽省北部、江汉平原东部及南部区域，极少量分布在襄阳区域，长距离区域传输...     

郑州市PM2.5浓度时空分布特征及预测模型研究

利用统计学原理和GIS技术,对郑州市2013年8月17—12月31日期间PM2.5浓度时空分布特征进行分析,同时结合气象资料与前一日污染数据,建立人工神经网络反向传播算法模型(BP-ANN)和多元线性回归模型用于该市细颗粒物污染的短期预测。结果表明,郑州市PM2.5浓度日变化呈单峰模式,随逆温现象的发生和交通的密集于上午11:00达到峰值,午后逐步下降。在工作日、周末与国庆节的对比中,国庆节期间颗粒物污染浓度高出平日32.8%,表明人为活动的加剧影响PM2.5的排放;周末与工作日期间无显著差异。在空间分布上,金水区、管城回族区污染最为严重,工业燃煤、地铁施工等源排放是造成污染的主要原因;位于远郊的岗里水库,受秸秆焚烧和市区污染输送等影响,PM2.5浓度亦维持较高水平。最后,研究将所构建的BP-ANN预测模型和多元线性回归模型对比,结果发现两模型在建模阶段预测值与真实值的拟合一致性指标分别为0.944、0.918,均方根误差分别为59.788、70.611;验证阶段拟合一致性指标分别为0.854、0.794,平均绝对误差分别为25.298、32.775,表明BP-ANN模型在预测郑州市PM2.5污染过程中更具优势。     

北京城区降水对PM2.5和PM10清除作用分析

基于北京市PM_2.5和PM₁₀质量浓度、组分浓度以及降水数据,利用数理统计、相关性分析等方法分别从降水总量、降水时长和降水前颗粒物浓度3个角度研究降水对PM_2.5、PM₁₀的清除作用,同时以一次典型降水过程为例,具体分析降水对颗粒物的影响。结果表明：降水总量的增加有助于促进PM_2.5、PM₁₀的清除,随着降水总量增加,PM_2.5、PM₁₀的平均清除率提高,有效清除的比例增加;连续降水可增强对大气颗粒物的湿清除作用,连续降水达3d可有效降低PM_2.5、PM₁₀浓度;降水对PM_2.5、PM₁₀浓度的清除率和大气颗粒物前一日的平均浓度有较好的正相关性。降水对大气颗粒物的清除可分为清除、回升和平稳3个阶段,各个阶段大气颗粒物的变化趋势不同。降水对于大气气溶胶化学组分和酸碱性的改变具有明显作用,对于大气颗粒物各种组分的清除效果不完全相同。对于大气中OC、NO₃^-、SO₄^2-和NH₄⁺去除率较高,且这4种组分主要以颗粒态形式被冲刷进入降水中,加剧了北京市降水酸化程度。     

渝东南典型城区冬季一次罕见的PM2.5污染过程及溯源分析

2020年12月底,以生态旅游业为主的重庆市渝东南地区出现了一次较为罕见的PM_2.5污染过程,持续时间长且污染程度重。以渝东南地区武隆区为例,应用污染特征雷达图、后向轨迹模型及潜在源污染贡献估算等方法分析了本次PM_2.5污染的特征及来源,结果表明：(1)在污染前期主要受扬尘、燃煤和机动车等污染排放影响,污染源直接排放贡献较大;中、后期污染受二次颗粒物影响显著,扬尘影响也较为明显。(2)污染期间的气流轨迹均为短距离输送,轨迹主要来自东北方向(65%)。(3)除自身污染排放贡献外,渝东北地区和主城都市区是武隆区PM_2.5污染的主要潜在源区,对武隆区传输贡献占比超50%。