秦皇岛空气污染特征及其与气象因素的关系

利用国控站点空气监测数据和气象数据,对2016年秦皇岛市空气污染特征及其与气象因素的关系进行了分析。结果表明:2016年秦皇岛市NO_2、PM_(10)和PM_(2.5)浓度未达到国家二级标准限值,污染物浓度季节变化规律明显,SO_2峰值出现在1月,O_3峰值出现在5月,PM_(10)、PM_(2.5)、NO_2和CO浓度峰值均出现在12月。污染物在西南偏西风时污染程度较高。PM_(10)、PM_(2.5)、SO_2、CO浓度受风速影响较小,NO_2、O_3浓度受风速影响较大。颗粒物浓度受湿度影响较大,随湿度增加而增大。     

新疆“乌-昌-石”区域空气质量变化特征分析

《自治区打赢蓝天保卫战三年行动计划(2018-2020)》将"乌-昌-石"重点区域作为主战场,其空气质量受到广泛关注。通过收集2018～2020年"乌-昌-石"区域空气质量数据,分析区域及所辖城市主要大气污染物浓度的时空分布特征和变化趋势。结果显示:2018～2020年"乌-昌-石"区域空气污染具有明显的时间和空间分布特征。2018～2020年"乌-昌-石"区域污染物PM_(10)、PM_(2.5)、NO_2和SO_2的年均浓度呈波动下降的趋势,CO和O_3的年均浓度呈小幅度波动上升的趋势;优良天数比例呈波动上升趋势。6种污染物质量浓度年内分布特征为单峰型分布,PM_(2.5)、PM_(10)、SO_2、NO_2、CO峰值在1～2月,O_3峰值在7月;五个地区的优良天数比例年内变化规律基本一致,均呈现倒"U"型曲线,1～2月污染最重,优良天数比例为22.60%～21.40%,12月次之,为38.70%。PM_(2.5)质量浓度在空间分布上呈现阜康最高、乌鲁木齐市最低,NO_2质量浓度分布为乌鲁木齐市最高、昌吉市和石河子市较高、其余地区较低,O_3质量浓度最大的地区为石河子市、其余地区均较低。     

我国部分地区大气污染现状及其分布特征

收集2014—2016年我国部分地区环保部常规监测的6项大气污染物浓度,重点分析了我国东北、华北、华东、华中、西部地区经济快速发展城市空气污染的状况及分布特征。结果表明:除O_3外,其余污染物浓度均下降,SO_2二级达标率持续上升。各污染物区域性分布显著,北方比南方污染重。东部O_3污染严重;PM_(10)、CO浓度在华北地区最高;SO_2浓度在东北、华北最高;PM_(2.5)、NO_2浓度在华中、华北最高。华北地区大气污染严重,华东PM及SO_2污染最轻。     

典型城市空气污染特征对比分析

本文以聊城和宁波为典型城市案例,利用两市国家环境空气质量自动监测站监测数据以及环境质量公告数据,分析南北城市大气污染特征与影响因素差异,在此基础上,提出我国南北城市大气污染防治策略。结果表明:(1) 2016年宁波市仅ρ(PM_(2.5))超出二级标准11%,ρ(SO_2)和ρ(NO_2)均已达标;2016年聊城市ρ(SO_2)低于二级标准,ρ(NO_2)仍超出二级标准2.5%,ρ(PM_(2.5))超出二级标准限值1.46倍。(2)聊城市空气污染呈现出煤烟型污染与机动车尾气污染共存的复合型大气污染特征,而宁波市空气质量呈现出明显的二次污染特征。(3)较低的经济发展水平是造成聊城市较高的污染物浓度以及较多的重污染天数的主观原因;而产业结构的差异是两市首要污染物不同的主观原因,地理位置与扩散条件差异是两市空气质量差异的客观原因。(4)建议今后在城市空气质量防治过程中,构建有针对性的城市大气污染防治策略,形成精细化管理的理念,积极开展"一市一策"研究。     

乌鲁木齐空气质量指数特征及其与气象要素相关性分析

利用2018年3月至2019年2月乌鲁木齐市空气质量指数(AQI)和同期6种主要空气污染物(PM_(2.5)、PM_(10)、NO_2、SO_2、CO、O_3)以及气象要素数据,研究空气质量指数的变化特征,并分析其与6种主要空气污染物浓度及气象要素的相关性,为乌鲁木齐市大气污染与气象要素相关性研究提供一定的数据支撑。结果表明:乌鲁木齐市首要污染物最多的是PM_(2.5),其次是PM_(10)、NO_2和O_3,AQI指数与PM_(2.5)、PM_(10)、NO_2、SO_2、CO均呈高度相关,与O_3呈中度相关;空气质量指数与平均气温以及能见度具有显著的负相关性(p0.01),而与平均本站气压、平均相对湿度、平均风速、日照时数的相关性均不显著(p0.01)。     

济南市石化企业大气污染物周末效应研究

利用2016年6-9月石化企业周边大气污染物(PM_(2.5)、SO_2、O_3、NO、NO_2、CO)浓度的连续观测数据,研究了PM_(2.5)、SO_2、O_3的"周末效应"及出现的原因。结果显示,PM_(2.5)、SO_2存在工作日浓度明显高于周末浓度的"周末效应"现象。PM_(2.5)、SO_2的"周末效应"与人类活动强度在工作日较大有着密切关系。O_3的"周末效应"表现为:抑制阶段周末浓度较高,光化学生成和消耗阶段工作日浓度较高,可能的原因是在上述阶段周末NO浓度较低,而NO_2和CO浓度较高。     

秦皇岛市环境空气质量状况及污染防治对策

2015—2017年秦皇岛市环境空气质量有所好转,SO_2、CO、PM_(10)和PM_(2.5)污染程度呈现下降趋势,NO_2和O_3污染程度呈现上升趋势,主要污染物为PM_(10)和PM_(2.5)。秦皇岛市大气污染的主要因素有工业废气、机动车尾气、扬尘和燃煤等,是典型的复合型污染。建议通过加强工业污染源治理、强化机动车尾气治理、推进扬尘治理、加强燃煤锅炉治理、推广清洁能源、完善大气预警应急体系等污染防治对策来改善秦皇岛市环境空气质量。     

巴中市城区PM_(2.5)污染特征及时空变化规律分析

利用巴中市城区一个自然年(2016年3月1日~2017年2月28日)的空气质量数据,分析了巴中市城区PM_(2.5)的污染特征和时空变化规律。结果表明,PM_(2.5)日均浓度对数值接近正态分布特征,PM_(2.5)与其他主要大气污染物都具有显著的相关关系。CO、NO_2是主要的相关因素,与PM_(2.5)的相关系数都高达0.7以上。PM_(2.5)浓度表现为冬季秋季春季夏季,这与首要污染物是PM_(2.5)的天数占比以及PM_(2.5)与PM_(10)相关系数的季节变化一致,反映了PM_(2.5)呈现出以冬季污染最重,春、秋季污染中等,夏季污染最小的季节特征。PM_(2.5)与PM10的浓度比值表现为冬季秋季夏季春季。各个站点的PM_(2.5)变化趋势一致,相互之间浓度差异小且比较均衡,巴中中学站点的PM_(2.5)浓度无论在任何季节都高于其他站点,苏山坪站点在冬季的PM_(2.5)浓度明显低于其他站点,表明PM_(2.5)污染具有明显的区域性特征,与人类活动强度相关的局地污染对PM_(2.5)污染具有一定影响。     

香港地区不同类型站点大气污染变化特征对比研究

选取香港环境保护署设立的5个代表性站点(可归类为路边站、一般站及背景站)2016年的监测结果,对获取的各类污染物(PM_(2.5)、PM_(10)、NO_2、NO_X、SO_2、O_3)浓度变化特征进行对比研究,结果表明:(1)三类站点颗粒物及SO_2浓度年均值差异较小,体现了其区域性的污染特性,NO_2与NO_X年均值均为路边站一般站背景站,而O_3则相反,路边站最低而背景站最高;(2)各类站点PM_(2.5)与PM_(10)季节差异表现为夏季最低而冬季最高,O_3最低值也出现在夏季;(3)三类站点大气污染物日变化特征差异显著,路边和一般站NO_2与NO_X日变化表现为"早晚双峰"型,背景站变化幅度较小;路边站、一般站颗粒物日变化表现为单峰型,峰值出现在晚间22∶00,背景站变化幅度较小;O_3在路边站和一般站呈现双峰型变化,而在背景站为单峰型,峰值出现在下午15∶00左右;(4)所有站点PM_(2.5)、NO_X及O_3"假日效应"明显,具体表现为:PM_(2.5)和O_3浓度在假日全天浓度高于工作日;路边站和一般站的NO_X浓度在假日0∶00~8∶00时段高于工作日,其余时间均低于工作日。     

南充冬季大气PM2.5污染特征及来源分析

为探究南充市冬季大气PM_(2.5)污染特征,于2017年1月对南充市大气PM_(2.5)进行采样,分析水溶性离子、无机元素和碳质组分的组成、浓度水平和来源。结果表明,二次无机离子SO_4~(2-)、NO_3~-、NH_4~+是南充市冬季大气PM_(2.5)水溶性离子中的重要组成部分,占总离子的86.7%;NH_4~+与NO_3~-和SO_4~(2-)主要是以NH_4NO_3和(NH_4)_2SO_4形式存在,SOR和NOR平均值分别为0.51和0.23,SOR高于NOR,说明南充市冬季硫氧转化速度比氮氧转化速度快且二次离子污染较为严重;NO_3~-/SO_4~(2-)比值为1.11,表明移动源是南充冬季大气污染物的主要来源,并且南充市冬季大气PM_(2.5)偏酸性。OC、EC是大气PM_(2.5)重要组成部分,OC/EC比值大于2,SOC对OC的贡献率较大(65.3%),南充市冬季大气PM_(2.5)中OC主要来源于二次污染。OC、EC之间相关性较好(R=0.84),二者具有共同的来源。主成分分析(PCA)结果表明,南充市冬季PM_(2.5)的主要来源是汽车尾气、燃煤、二次污染、生物质燃烧、土壤及建筑扬尘。     

降水对西宁市大气污染物浓度的影响分析

文章利用西宁市区2013~2014年逐日空气污染日平均浓度资料和日平均降水资料,分析了西宁市区大气污染物浓度的分布和不同等级降水对SO_2、NO_2、PM_(10)、PM_(2.5)污染物浓度的清除能力。结果表明,西宁市空气质量以二级为主,二级天数占样本总数的57.8%;西宁市大气中的首要污染物是PM_(10)和PM_(2.5);降雨、降雪对污染物浓度具有稀释作用;不同等级的降雪量对4种污染物的稀释作用不同,降雪量在0.5mm以下时对污染物浓度的清除作用较弱甚至出现反弹现象,降雪量≥5.0mm时对4种污染物的清除能力最强;降雨量越大,对各项污染物的清除作用越明显,日降水量≥10.0mm对4种污染物的清除率达到了29.54%~57.57%;清除能力表现为SO_2PM_(10)PM_(2.5)NO_2的特征;连续降雪比连续降雨更有利于空气质量的改善;降雨等级不同时,AQI指数级别不变的天数居于首位的均为PM10;降雪量为0.6~1.0mm、1.1~1.9mm、≥5.0mm时,AQI指数级别不变的天数居于首位的是PM2.5;无论降雪还是降雨,PM_(10)和PM_(2.5)级别下降天数明显大于上升天数,尤其以PM2.5明显。     

天津市河东区空气质量状况分析及其污染防治对策

以相关空气质量数据为基础,对天津市河东区2016年空气质量状况进行了研究,分析大气环境中PM_(10)、PM_(2.5)、SO_2、NO_2、O_3等污染因子的污染时间和污染来源,分析结果表明,河东区空气质量受季节性影响较为严重,工业扬尘和机动车尾气等构成了大气污染物的主要来源。据此,从政府、企业以及民众等角度提出污染防治对策。     

湿地匍灯藓监测大气污染的初步研究

本研究监测了湖南省某市5个点位2个时段的大气SO_2、NO_2、CO、PM_(2.5)污染实况,同期检测了自然暴露的湿地匍灯藓的Chlo、MDA、Pro水平。监测和检测结果显示,PM_(2.5)是影响空气质量的主要因子,Pro是比Chlo、MDA更灵敏的监测指标;相关系数分析显示,PM_(2.5)与湿地匍灯藓之间的污染物浓度—生理指标水平关系具有更高的相关性。本研究认为,湿地匍灯藓Pro可应用于PM_(2.5)污染的短期追溯性监测和现状监测。     

南昌市冬季一次大气重污染过程的特征分析

对南昌市2016年1月一次以PM_(2.5)为首要污染物的大气重污染过程进行了综合分析,研究其污染特征及成因。重污染时段PM_(2.5)中SO_4~(2-)、NO_3~-和NH_4~+质量浓度之和占42.1%,重污染日OC/EC为4.73,均明显高于非污染期间,说明二次无机离子和有机物贡献较大;NO_3~-/SO_4~(2-)均值为0.85,高于非污染期间的0.56,表明南昌市固定源和移动源污染并重,且重污染期间移动源贡献比例增大。区域污染传输,加上低压、低风速和相对较高的湿度等不利于大气扩散的气象条件可能是此次重污染的成因。     

北京市区冬季PM_(2.5)污染特征及来源分析

选取北京市区为采样点,于2016年1月进行PM_(2.5)采集,并分析了PM_(2.5)和水溶性组分的污染特征和来源。结果表明,采样期间北京市PM_(2.5)质量浓度平均为67.7μg/m~3,水溶性离子是PM_(2.5)的主要组分,其中SO_4~(2-)、NO_3~-和NH_4~+之和占总离子的79.1%;Ca~(2+)和Mg~(2+)分别占PM_(2.5)质量浓度的2.5%和0.9%,海盐气溶胶和K~+分别占PM_(2.5)的3.6%和1.6%。采样期间NO_3~-/SO_4~(2-)为1.1,表明NO_2和SO_2主要来自移动源的贡献。北京市区冬季PM_(2.5)主要来自二次污染源、扬尘、生物质燃烧和海盐气溶胶,贡献率分别为42.351%、21.164%、16.314%和5.436%。     

南京市空气质量达标规划基本思路研究

基于南京市空气质量现状及达标差距分析,研究了达标规划总体思路、目标及策略。研究结果表明:2015年,南京市NO_2、PM_(2.5)、PM_(10)年均浓度及O_3最大8 h第90分位数距离国家二级标准限值分别为25%、63%、37%与6.9%;建议达标期限分三阶段,近期(2020年)NO_2达标,中期(2025年)PM_(10)达标,远期(2030)PM_(2.5)与O_3达标;建议采取产业结构调整,能源结构优化以及加强末端治理三方面策略实现空气质量达标。     

基于Matlab的神经网络在绵阳空气质量预测中的应用

以绵阳市2014～2016年空气污染指数(API)以及SO_2、NO_2、PM_(10)等污染物为研究对象,探讨了绵阳市空气污染的变化规律,并分析它们与常规观测的地面气象资料之间的关系。尝试采用多元线性回归方法及BP神经网络方法建立污染预报模型,并检验分析两种模型的可行性。结果表明基于BP神经网络的预报模型在污染预报中可行,并建立基于BP神经网络进行空气质量预测的预测模型,利用历史资料进行验证。     

NAQPMS模型预报合肥、蚌埠和芜湖空气质量的效果评估

评估了NAQPMS模式预报的合肥、蚌埠和芜湖2017年3月1日—2018年2月28日PM_(2.5)、PM_(10)和O_3地面浓度及预报准确率,发现模式对物种的预报能力依次为:O_3 PM_(2.5)PM10;对城市的预报能力依次为:合肥芜湖蚌埠。模式对PM_(2.5)和PM_(10)的预报能力在春季较弱,对O_3的预报全年均较强。整体而言,评估地区的空气质量以优良为主,等级准确率在秋季最高,冬季最低,年均值为69%;首要污染物以PM_(2.5)、O_3、PM_(10)和NO_2为主,其准确率在冬季最高,春季最低,年均值为62%。     

成都市城区大气污染特征及其假日效应研究

对成都市城区O_3、SO_2、NO_X、CO、PM_(2.5)、PM_(10)、苯和甲苯进行了为期一年的在线观测。结果表明:成都市超标最严重的为NO_X,年平均质量浓度为(100. 9±61. 5)μg/m3,超标天数为119 d。PM_(2.5)、PM_(10)、CO和NO_X的浓度均为冬季最高; O_3春夏季高而冬季低; SO_2浓度冬季相对较高但总体水平较低。春、夏、秋季成都市大气中苯系物的主要来源为机动车,冬季则是机动车源和燃烧源的综合贡献。O_3日变化呈"单峰型"; NO、苯和甲苯都在上午出现峰值; NO_2与PM_(10)、PM_(2.5)均呈现出"双峰双谷"型日变化; CO也为双峰型日变化。各大气污染物浓度没有明显"周末效应",但"长假效应"显著。     

万盛大气污染特征分析及污染预报模型的建立

利用2017年4月1日～2019年3月31日万盛经开区万东北路站点的空气质量日均值监测数据进行分析发现,万盛大气污染具有很强的季节变化特征,冬半年主要污染物为PM_(2.5),夏半年主要污染物为O_3,冬半年污染重于夏半年,颗粒物污染重于O_3污染。万盛污染以轻度污染为主,仅有冬季会出现中度以上污染天气,其首要污染物均为PM_(2.5)。利用多元回归模型和差分自回归移动平均模型(ARIMA)建立了万盛PM_(2.5)、PM_(10)与O_3的预报模型。通过对模型得出的预报值与实况值的比较来看,预报与实况的变化趋势基本一致,均可以较好的指示未来AQI的变化趋势。多元回归预报模型中,O_3的预报效果要远好于PM_(2.5)和PM_(10);而ARIMA预报模型三者预报效果接近。总体来说,ARIMA (p,d,q)预报模型对颗粒物污染的预报效果要远好于多元回归预报模型,而O_3则两种模型预报效果接近。