重庆市都市功能核心区秋季大气污染物时空分布特征

为研究重庆市都市功能核心区大气污染物浓度水平及变化规律,统计分析了2014年9月至2014年11月5个监测站(解放碑、高家花园、杨家坪、新山村和南坪)24 h连续监测PM_(2.5)、PM_(10)、SO_2、NO_2、CO和O_3浓度数据.结果表明,观测期间,大气颗粒物污染严重,5个站点PM2.5日均浓度超标率分别为30.8%、37.4%、38.5%、37.4%和31.9%,5个站点PM10日均浓度超标率分别为23.1%、22.0%、18.7%、19.8%和19.8%;重庆市都市功能核心区细颗粒物(PM_(2.5))污染严重,5个站点PM2.5占PM10比例分别为60.2%、64.6%、64.1%、75.4%和62.8%;PM_(2.5)、PM_(10)、NO_2和CO早晚出现高峰值;SO_2和O_3浓度日变化曲线呈现单峰型,峰值分别出现在中午和午后;降水量、气温和水汽压与PM_(2.5)、PM_(10)、SO_2和NO_2呈显著负相关;相对湿度与O_3呈显著负相关,气温、水汽压和风速与O_3呈显著正相关;CO与相对湿度呈显著正相关;风向也影响着大气污染物浓度的时空分布,南偏西、南偏东和东北偏北风利于PM_(2.5)、PM_(10)、SO_2、NO_2和CO浓度积累,西北风利于PM_(2.5)、PM_(10)、SO_2、NO_2和CO扩散;但西北风控制下利于O_3浓度积累.     

广州某区PM_(2.5)和气态污染物质量浓度的日变化特征及其相关性分析

本文分析了2015年3月至2016年2月广州某区细颗粒物(PM_(2.5))和气态污染物(SO_2、NO_2、CO、O_3)质量浓度的日变化特征,并对PM_(2.5)和气态污染物之间质量浓度的相关性进行分析,结果表明:PM_(2.5)、SO_2、NO_2、CO、O_3大气污染物存在一定规律的日变化特征。PM_(2.5)与SO_2、NO_2、CO、O_3全年质量浓度的相关系数范围分别为0.184～0.219,0.271～0.436,0.170～0.368和0.051~0.318,存在一定的线性正相关关系。     

呼和浩特市大气污染物污染特征及污染物的相关性分析

为了探究呼和浩特市大气污染物污染特征,对2014年一年的AQI做出统计整理并对PM_(10)、PM_(2.5)、SO_2、CO、NO_2的相关性进行分析。研究结果发现:呼和浩特市2014年空气质量总体良好,空气质量为良所占比重为58%,中度污染和重度污染所占比重为35%。该市的主要污染物PM_(10)、PM_(2.5)、SO_2的超标率分别达到了88.81%、52.60%、36.20%。空气污染指数AQI与PM_(10)、PM_(2.5)、SO_2、CO、NO_2、呈显著相关,尤其是PM_(10)和PM_(2.5),相关性系数高达0.959和0.851,可见其污染主要以颗粒物物为主。PM_(10)、PM_(2.5)、SO_2、CO、NO_2浓度间两两正相关。O_3的浓度与PM_(2.5)、SO_2、CO、NO_2均呈现负相关,O_3与AQI和PM_(10)的相关性不显著。     

南宁市区环境空气质量分布特征

利用2013年1月—2015年12月南宁市区环境空气质量监测数据进行统计分析。结果表明,南宁市区空气质量指数(AQI)为17~245,平均值为74,超标率18.5%;AQI月平均变化呈双峰周期型。首要污染物项目出现频次由高到低的排序为:PM_(2.5)PM_(10)O_(3-8)NO_2,首要污染物为PM_(2.5)与PM_(10),两者占总数的91.3%;超标污染物有:PM_(2.5)、PM_(10)、O_(3-8)、NO_2,超标率分别为:17.8%、12.1%、1.4%、19.2%。PM_(2.5)、PM_(10)、NO_2、SO_2、CO、O_(3-8)质量浓度的日均值与AQI均存在显著的正相关关系,PM_(2.5)与AQI相关系数最大(r=0.988)。     

福州市区大气污染物质量浓度时空分布特征分析

利用2014年2月1日—2015年1月31日福州市区6个国控空气质量监测站点CO、SO_2、NO_2、O_3、PM_(2.5)、PM_(10)逐时监测数据,综合分析了福州市区大气污染物污染水平及其时空分布特征。结果表明:福州市区首要污染物为PM_(10),且SO_2、CO污染程度极低,6个站点质量浓度超标率均未超过10%,其中鼓山站的空气质量最优,达到国家一级标准的概率超过了50%。在污染物质量浓度日变化曲线中发现,只有O_3呈单峰形态,峰值出现在14:00左右,通过对污染物的"周末效应"分析,发现CO、PM_(2.5)工作日质量浓度显著高于周末。     

西安市主要大气污染物的相关性分析及时空分布特征

为深入了解西安市大气污染程度,对2015年西安市主要大气污染物(SO_2、NO_2、CO、PM_(2.5)、PM_(10)、O_3)的空气质量指数进行了逐日变化分析、相关性分析及空间插值分析。结果表明:SO_2、NO_2、CO、PM_(2.5)、PM_(10)空气质量指数春冬季高于夏秋季,而O_3空气质量指数则是春冬季低于夏秋季。11月和12月份污染较为严重。在4个季度中,PM_(2.5)和PM_(10)与气态污染物SO_2、CO、NO_2均呈正相关,说明PM_(2.5)、PM_(10)与这3种气态污染物具有同源性。SO_2与CO、NO_2均呈显著性正相关,三者均受化石燃料燃烧及机动车尾气影响。O_3与CO、SO_2相关性不大,与NO_2在二季度呈现正相关。SO_2、NO_2、PM_(2.5)、CO、PM_(10)多聚集在高新西区、莲湖区、碑林区、经开区、雁塔区、长安区,O_3多聚集在阎良区、未央区和灞桥区。     

甘肃东部城市群空气质量演变特征研究

基于庆阳、平凉、天水3市2015年度空气质量监测数据,分析甘肃东部城市群空气质量月度和季度变化特征并进行综合评价。结果表明,3市PM_(2.5)、PM_(10)、SO_2浓度从3月开始呈下降趋势并于9月降至最低值,O_3浓度变化呈倒"U"型。3市空气质量指数在3～9月呈平缓下降趋势,9～1月上升趋势较为明显。对于不同污染物之间的Spearman相关性,PM_(2.5)、PM_(10)、SO_2的相关系数介于0.589～0.979;对于不同城市同一污染物之间的Spearman相关性,除NO_2外,其他相关系数均较高。     

挥发性污染物二硫化碳处理技术

2016年11月—2017年2月在西安市城郊连续观测了NO_2、SO_2、O_3和PM_(2.5)的浓度,利用观测数据分析大气污染物的日变化和周末效应特征,结合不同污染物间的相关性分析结果,初步探讨了污染物间的相互作用机理。结果表明:观测期间NO_2、SO_2、O_3和PM_(2.5)浓度的平均值分别为(39.9±21.0),(77.2±22.8),(37.7±23.5),(192±141)μg/m3。PM2.5污染最为严重,超过国家二级标准的2.56倍。NO_2、SO_2和O_3浓度日变化特征显著,其中NO_2和O_3日变化为单峰型,SO_2日变化为单峰单谷型,PM_(2.5)日变化幅度较小。NO_2和SO_2周末效应较为明显,O_3和PM_(2.5)周末与工作日相差较小。PM_(2.5)浓度与NO_2、SO_2和OX浓度均为显著正相关,表明前体物和大气氧化性对PM_(2.5)浓度有显著影响。     

西安城郊采暖季大气污染物浓度特征研究

2016年11月—2017年2月在西安市城郊连续观测了NO_2、SO_2、O_3和PM_(2.5)的浓度,利用观测数据分析大气污染物的日变化和周末效应特征,结合不同污染物间的相关性分析结果,初步探讨了污染物间的相互作用机理。结果表明:观测期间NO_2、SO_2、O_3和PM_(2.5)浓度的平均值分别为(39.9±21.0),(77.2±22.8),(37.7±23.5),(192±141)μg/m3。PM2.5污染最为严重,超过国家二级标准的2.56倍。NO_2、SO_2和O_3浓度日变化特征显著,其中NO_2和O_3日变化为单峰型,SO_2日变化为单峰单谷型,PM_(2.5)日变化幅度较小。NO_2和SO_2周末效应较为明显,O_3和PM_(2.5)周末与工作日相差较小。PM_(2.5)浓度与NO_2、SO_2和OX浓度均为显著正相关,表明前体物和大气氧化性对PM_(2.5)浓度有显著影响。     

重庆九龙坡城区和城郊大气污染物浓度特征研究

为了解重庆市九龙坡区城区和城郊大气污染物浓度特征,分析了城区和城郊国控空气站点2014年3月~2015年2月典型污染物的浓度变化。结果表明,除O_3表现出夏高冬低的季节变化趋势外,其它污染物均表现出冬高夏低的季节变化趋势。PM_(2.5)污染最严重,城区和郊区日均值超标率分别为31.4%和33.4%。城区和城郊的PM_(2.5)浓度之间没有显著性差异(p0.05),城郊O_3浓度显著高于城区(p0.01),NO_2、SO_2、CO和PM_(10)则是城区显著高于城郊(p0.01)。     

基于WRF-CMAQ模式的非线性预报模型研究

文章基于WRF-CMAQ空气质量数值预报系统,对石家庄地区未来3 d逐小时SO_2、NO_2、CO、O_3、PM_(10)和PM_(2.5)6种污染物浓度进行预报,选取2014年5-11月市区7个国控点的监测数据对模式预报能力进行评估检验。结果表明,CMAQ模式预报系统对CO的日均浓度预报准确率较高,而对其他污染物浓度的预报均有不同程度高估,其中PM10的预报效果相对较好,对SO_2、NO_2和PM_(2.5)这3种污染物浓度的预报值均明显大于观测值,O_3的预报效果最差。这与石家庄市排放源清单的不确定性及污染物日浓度变化幅度较大有关。为提高模式预报的准确性,采用非线性自适应偏最小二乘回归滚动法建立订正模型对逐小时污染物浓度预报值进行订正,结果明显改善了CMAQ模式预报值,对县市级的精细化预报有一定指导意义。订正结果对首要污染物PM_(10)和PM_(2.5)浓度的日变化特征表征较好,日变化曲线及波峰波谷值与观测结果基本一致,订正后的污染物浓度能反映出其在石家庄的区域分布特征,有利于预报分析不同天气背景下污染物的空间分布特征及输送变化过程。     

珠海市近期空气污染形势与对策建议

根据对珠海市2014、2015及2016年1月的环境空气质量监测数据,对主要的大气污染物(SO_2、NO_2、PM_(10)、PM_(2.5)、CO、O_3-8h)来源,在空气质量综合指数的贡献,污染物浓度与上年同期的比较分析的基础上提出对策建议。     

夏季空气污染物指数与气象参数相关性分析

以西安市为例,选取2017-06-01至2017-08-31的气象数据,研究空气污染物与气象参数之间的相关性,利用SPSS软件对与空气质量指数(AQI)相关的各项监测指标(PM_(2.5)、PM_(10)、CO、NO_2、O_3、SO_2)与温度、湿度和风级等气象条件进行分析,从相关性分析、线性模型分析等方面来探索西安市夏季空气污染物与气象参数之间的关系。得出结论如下:统计发现西安市夏季首要污染物以PM_(2.5)、PM_(10)和O_3为主;湿度对各项污染物均显著相关,O_3的相关系数最大为0.709;温度对PM_(2.5)、PM_(10)、O_3和CO显著相关,对SO_2和NO_2的影响不显著;风级只与CO显著相关。     

潍坊市环境空气质量现状及变化特征研究

文章分析了潍坊市区大气环境空气质量时空分布特征,监测的污染物为PM_(10)、SO_2、NO_2、PM_(2.5)、O_3、CO共6项。2015～2017年SO_2和NO_2年均浓度基本呈下降趋势,均低于国家二级标准,SO_2/NO_2值呈逐年下降趋势;PM_(10)、PM_(2.5)浓度时间变化规律基本相同,呈现夏季浓度较低、冬季浓度较高;CO年均浓度呈小幅下降趋势;O_3-8 h年均浓度在109～119μg/m~3之间,臭氧的污染不容忽视。从空间分布来看,8个自动监测点位周边情况不同,均能反映其区域环境空气质量状况。     

暴露-反应关系的Meta分析与健康效应评价

为了进一步认识西安大气污染暴露对人群健康的影响,利用Meta分析获取了中国人群大气污染物暴露与以死亡为健康终点影响的暴露—反应关系,结合西安2013、2014年的SO_2、NO_2、PM_(10)、PM_(2.5)、O_3监测数据,利用泊松回归模型评价了人群健康影响。Meta分析结果表明,SO_2、NO_2、PM_(10)、PM_(2.5)、O_3浓度每升高10μg/m~3居民非意外死亡率会增加1.17%、1.32%、0.40%、0.47%、0.56%;心血管疾病死亡率会增加1.27%、1.15%、0.54%、0.75%、0.84%;呼吸系统疾病死亡率会增加0.83%、1.83%、0.43%、0.56%、0.89%。以WHO空气质量指导值和国家《环境空气质量标准》(GB 3095-2012)一、二级标准限值为参考浓度、可避免非意外死亡为健康端点,2013、2014年PM_(10)、PM_(2.5)、O_3达到相应指标的健康效应远远高于SO_2、NO_2健康效应。主要原因是这些污染物超过相应标准的程度高。PM_(10)、PM_(2.5)和O_3浓度导致的健康效应巨大,因此在目前应该把PM_(10)、PM_(2.5)和O_3作为优先污染物进行控制。在符合我国目前经济发展阶段和环境管理要求的基础上,应适当降低现有国家标准浓度限值较高的PM_(10)、PM_(2.5)颗粒物和O_3的环境空气质量标准限值。     

全运会期间天津市大气污染物时空变化特征

为了解全运会期间天津市空气污染时空特征以及减排措施对空气质量的改善效果,分别利用时间序列分析法与最优空间插值法对大气污染物进行时空分析。结果表明:(1)全运会期间天津市出现一次明显的污染过程,首要污染物为PM_(2.5);(2)不同功能区污染物浓度差异明显,市区污染物浓度均大于2016年同期平均浓度,汽车尾气特征污染物NO_2浓度增幅明显,区域抑煤控硫等措施效果明显;(3)全运会前与全运会期间,市郊SO_2排放源浓度显著降低,NO_2、PM_(2.5)与PM_(10)的净土区呈现从2016年同期、全运会前期、全运会期间到后期逐渐减小的现象,污染高密度逐渐向市郊及西南等热点地区聚集。     

基于贝叶斯网络的大连市空气质量预测与诊断

贝叶斯网络具有双向推理能力,可有效解决空气质量研究中的不确定问题。将贝叶斯网络引入到空气质量研究中,基于大连市2014—2016年空气质量指数(AQI)以及SO_2、NO_2、O_3、CO、PM_(10)、PM_(2.5)6种污染物浓度数据,通过构建贝叶斯网络模型对大连市空气质量进行了预测与诊断研究。结果表明:(1)利用贝叶斯网络因果推理功能验证了贝叶斯网络预测模型的有效性:大连市春、夏、秋、冬四季和全年的空气质量预测精度分别为89.29%、92.86%、88.89%、85.19%、89.09%;(2)利用贝叶斯网络模型和模糊综合评价法分别对大连市2017年5月1日至15日的空气质量进行预测,并比较官方的监测值,结果显示贝叶斯网络模型用于空气质量的预测更为准确;(3)利用贝叶斯网络诊断推理得出O_3和PM_(2.5)是大连市空气污染的主要贡献者。贝叶斯网络技术用于空气质量的预测和诊断具有可行性和可靠性。     

气象因素对乌鲁木齐市PM_(2.5)浓度影响分析

基于乌鲁木齐市大气污染物数据,对乌鲁木齐市2016年空气质量变化做趋势分析。利用乌鲁木齐市2016年同期气象要素,通过相关分析和主成分分析方法探讨了气象要素对PM_(2.5)浓度的影响。结果表明:1)PM_(2.5)、PM_(10)、SO_2、NO_2、CO的浓度全年变化趋势与空气质量指数(AQI)的变化趋势基本一致,O_3的浓度变化趋势与AQI变化趋势完全相反;2)PM_(2.5)浓度与CO、气压和相对湿度呈显著正相关,降水量、风速、气温和水气压与PM_(2.5)浓度呈显著负相关。     

清洁大气背景下贵阳空气质量变化及气象作用

利用贵阳市2013~2016年空气质量监测及气象观测资料进行分析,研究云贵高原城市空气变化及气象影响作用.结果表明:近4a贵阳区域SO_2、NO_2、O_(3_8h)、PM_(10)、PM_(2.5)和CO年平均浓度分别为(20.78±19.71),(28.32±9.59),(107.59±27.54),(67.56±34.32),(42.53±24.52)μg/m3和(0.74±0.22)mg/m~3,除SO_2浓度接近或超出我国中东部城市之外,其它污染物均表现为相对清洁水平;地面O_3浓度逐年明显上升,但其它大气污染物水平均呈逐年下降趋势,且呈现与我国中东部一致的空气质量年际、月际和日变化特征.各功能区污染物区域差异明显,颗粒物和SO_2、NO_2、CO浓度水平表现为工业区居民区郊区,O_3浓度呈现为郊区居民区工业区的特征,表明人为活动对空气质量的影响.近4a O_3与PM_(2.5)夏季白天呈显著正相关,冬季显著负相关,反映了云贵高原城市空气质量的复合污染特性.大气污染物浓度与温度、边界层高度、太阳直接辐射和气压的相关性显著,而与相对湿度和风速相关性较弱,这不同于中东部地区风速主导大气污染物水平变化的特征.云贵高原夏季作为主要雨季,小雨和中雨量级降水对PM_(2.5)吸湿增长较弱,中雨以上降水对PM_(2.5)具有清除作用;而在PM_(2.5)浓度较高和干冷的冬季,小雨的PM_(2.5)吸湿增长明显,中雨以上降水对PM_(2.5)清除显著.     

重庆市大气主要污染物特征分析

基于环境空气质量监测数据,分析了各项污染物时间变化特征,并利用SPSS 19.0软件进行相关性分析和主成分分析。结果表明:SO_2和CO污染较轻,NO_2浓度水平较高,O_3和PM_(2.5)污染相对严重。SO_2和O_3呈现"单峰型",NO_2、CO、PM_(10)、PM_(2.5)呈现"双峰双谷型"的日变化特征。SO_2、NO_2、CO、PM_(10)和PM_(2.5)呈"U型",O_3呈现倒"U型"季节变化特征。PM_(10)、PM_(2.5)与SO_2、NO_2、CO,SO_2与NO_2、CO,NO_2与CO呈现正相关;NO_2、CO与O_3呈现负相关。主成分分析法结果显示第1个因子为PM_(10)、PM_(2.5)、NO_2,第2个因子为O_3。