基于PLS1的哈尔滨市PM2.5与空气污染物相关性分析

以往对PM2.5的研究多集中在气象因子或单一空气污染物对PM2.5质量浓度变化的影响,未考虑多种空气污染物对PM2.5质量浓度的协同作用。通过哈尔滨市环保局发布的2014年1月份（共31 d）市区内主要空气污染物SO2、NO2、PM10、CO、O3、PM2.5的质量浓度数据,运用相关性分析、PLS1和通径分析方法,研究哈尔滨市区内主要空气污染物对PM2.5质量浓度变化的直接影响、通过其他空气污染物的间接影响及污染物之间的协同作用。结果表明,SO2、NO2、PM10、CO 与 PM2.5质量浓度显著性相关,O3与 PM2.5质量浓度相关性不显著,SO2、NO2、PM10、CO 之间存在严重的复相关性。依据相关性分析结果,建立了SO2、NO2、PM10、CO对PM2.5质量浓度的PSL1模型,模型的拟合优度r2为0.852,模型拟合良好。对所建立的模型进行通径分析,结果显示,SO2、NO2、PM10、CO对PM2.5质量浓度变化的直接作用分别为0.005、-0.142、-0.140、1.191,CO对PM2.5质量浓度变化的直接影响作用最大。SO2、NO2、PM10通过CO对PM2.5质量浓度变化的间接作用分别为0.706、1.011、1.118均大于它们对PM2.5质量浓度变化的直接作用。SO2、NO2、PM10、CO对PM2.5质量浓度变化的总决定系数为85.9%。CO是主要空气污染物中影响PM2.5质量浓度变化的主要因素,降低冬季煤炭供暖期CO的排放量,有利于提高空气环境质量,降低对人体的健康危害。     

基于PLS1的哈尔滨市PM_(2.5)与空气污染物相关性分析

以往对PM2.5的研究多集中在气象因子或单一空气污染物对PM2.5质量浓度变化的影响,未考虑多种空气污染物对PM2.5质量浓度的协同作用。通过哈尔滨市环保局发布的2014年1月份(共31 d)市区内主要空气污染物SO2、NO2、PM10、CO、O3、PM2.5的质量浓度数据,运用相关性分析、PLS1和通径分析方法,研究哈尔滨市区内主要空气污染物对PM2.5质量浓度变化的直接影响、通过其他空气污染物的间接影响及污染物之间的协同作用。结果表明,SO2、NO2、PM10、CO与PM2.5质量浓度显著性相关,O3与PM2.5质量浓度相关性不显著,SO2、NO2、PM10、CO之间存在严重的复相关性。依据相关性分析结果,建立了SO2、NO2、PM10、CO对PM2.5质量浓度的PSL1模型,模型的拟合优度r2为0.852,模型拟合良好。对所建立的模型进行通径分析,结果显示,SO2、NO2、PM10、CO对PM2.5质量浓度变化的直接作用分别为0.005、-0.142、-0.140、1.191,CO对PM2.5质量浓度变化的直接影响作用最大。SO2、NO2、PM10通过CO对PM2.5质量浓度变化的间接作用分别为0.706、1.011、1.118均大于它们对PM2.5质量浓度变化的直接作用。SO2、NO2、PM10、CO对PM2.5质量浓度变化的总决定系数为85.9%。CO是主要空气污染物中影响PM2.5质量浓度变化的主要因素,降低冬季煤炭供暖期CO的排放量,有利于提高空气环境质量,降低对人体的健康危害。     

乌鲁木齐市大气污染物浓度的变化特征

利用乌鲁木齐2014年3月1日至2015年2月28日PM2.5、PM10、SO2、CO、NO2、O3浓度的日平均数据,结合相应气象要素资料,分析了大气污染物浓度的逐日变化、季节变化特征.建立了基于气体污染物的PM2.5浓度预测模型,探讨了污染物浓度与气象要素的相关性.结果表明:(1)整个1年期间PM2.5、PM10、SO2、NO2、O3年平均浓度分别为67.9、159.3、24.9、56.1、31.5μg·m-3,CO为1.4 mg·m-3.(2)各污染物浓度频率分布不一.期间SO2的污染并未超标,NO2超标率为15.3%,说明"煤改气"能源结构的调整对SO2浓度的降低起到了积极作用,但是由于机动车保有量的增加,使得机动车排放的NO2浓度超过了燃煤.(3)PM2.5与PM10、SO2、CO、NO2、O3具有很强的相关性,尤其与SO2、CO、NO2更为明显,说明机动车尾气和化石燃料的燃烧是乌鲁木齐市PM2.5的重要来源,此外,建立了基于气体污染物的PM2.5浓度预测模型为:CPM2.5=0.21376CPM10+0.42422CSO2+41.66384CCO-0.24325CNO2+0.12466CO3-24.15316.(4)PM2.5、SO2和CO均与气温和水汽压存在较大的负线性相关关系,与O3呈显著的正相关关系.相对湿度与O3浓度的相关性最高为-0.62,与CO有一定的正相关关系,与其他污染物的相关性不大.风速对大气污染的影响较小.日照时数对污染物也有一定影响.     

青年奥林匹克运动会期间南京市主要大气污染物浓度变化与分析

为了解青年奥林匹克运动会期间南京市主要大气污染物浓度变化趋势,通过南京空气质量发布系统实时监测的数据,对青奥会举办前(2014年8月3日—16日)、举办期间(2014年8月17日—28日)以及举办之后(2014年8月29日—9月9日)南京市主要大气污染物浓度变化特征进行比较分析,结果表明,青奥会前的14 d南京市PM2.5、PM10、SO2、NO2、O3浓度均值为51.6、72.2、13.5、33.1、41.7μg·m-3,青奥会期间各浓度均值为37.9、49.1、12.4、36.5、38.8μg·m-3,大气污染物浓度下降显著;而在青奥会之后,随着减排措施的取消,南京市大气污染物浓度均呈现反弹上升的趋势,各浓度均值依次为56.1、79.6、15.3、38.5、58.6μg·m-3.不同时段,PM2.5、PM10、SO2和O3浓度变化特征相似,均为青奥会之后青奥会之前青奥会期间,而NO2为青奥会之后青奥会期间青奥会之前.PM2.5、PM10、SO2、NO2日变化呈现双峰型,O3呈现单峰型的特点.     

春运期间北京市PM_(2.5)污染特征

为研究春运期间北京市PM2.5和气态污染物的污染特征,根据35个空气监测子站周边环境类型的不同将北京市划分为城区、郊区、对照区和交通密集区.结合春运期间的人为活动,比较分析各类污染物在各区域的日均浓度变化特征;将PM2.5日均浓度与SO2、NO2、CO、O3日均浓度及北京市的日均温度、相对湿度、风级进行相关性分析.结果显示,春运期间北京市PM2.5污染最严重,超过《环境空气质量标准》二级标准的天数占45%;PM2.5日均浓度变化趋势与春运客流量变化具有较好的一致性;各区域PM2.5、SO2、NO2和CO的日均浓度均符合交通密集区城区郊区对照区的分布,而O3的情况为对照区郊区城区交通密集区;各区域PM2.5浓度分别与该区域SO2、NO2、CO浓度呈正相关,与O3浓度呈负相关;各区域PM2.5浓度与温度未见相关性,与相对湿度呈正相关,与风级呈负相关.本文的研究结果表明,交通运输、烟花燃放和气象因子对春运期间PM2.5的污染特征影响较大.     

邯郸市新冠疫情前后空气质量指数(AQI)对比与疫情防控期间大气污染特征分析

2020年初COVID-19疫情爆发,我国采取一系列管控措施使大气污染物排放量明显降低.为了解疫情期间减排活动下邯郸市大气污染特征,采用统计学变量分析方法与特征雷达图对疫情爆发前(12月、1月)、疫情防控期间(2-4月)、疫情防控后(5月、6月)以及2019年同期大气污染情况进行对比分析.并进一步估算防控期间大气污染物的减排量,通过后向轨迹聚类分析气团的迁移轨迹来探讨人为减排对空气质量的影响.结果 表明,2020年2月疫情管控开始后,环境空气质量与2019年同期相比明显好转,2月份AQI值降幅约为50％,3、4月份两年差距逐渐缩小;疫情防控期间较疫情爆发前空气质量也有较大幅度提升,防控结束后AQI值有小幅度回弹;防控期间PM2.5、PM10、 SO2、NO2、CO的日平均浓度值均有较大幅度下降,在2月份下降最为明显,降幅分别为51％、55％、62％、41％、33％;O38 h平均浓度与气温呈显著正相关(0.747),疫情期间浓度呈上升趋势,在4月底达到的峰值(238 μg·m-3).北京市空气污染相对较轻,邯郸市与石家庄市较为严重,整体上受颗粒物的污染较明显.邯郸市2、3、4月份特征雷达图属于偏综合型,2月燃煤、生物质燃烧排放的污染物偏高,4月份来自工厂的NO2和SO2浓度偏高.疫情防控前期各污染物排放量均有较大幅度降低,与2019年2月的气团移动轨迹来源特征相似,说明人为减排对环境空气质量提升效果显著.     

中国主要大气污染物的时空分布特征研究

应用统计学和GIS对2014年3月─2015年2月期间190个监测城市的NO2、PM10、PM2.5和SO2的监测数据进行时空特征分布分析,结果表明,中国大气污染主要来源于采暖排放、机动车排放、工业排放与风沙天气。各污染物呈明显的区域性分布。污染物浓度总体趋势是北方地区高于南方地区。河北南部以及山东东部等重工业密集且人口密度大的地区污染较为严重。而中西部及东南部等工业发展相对落后人口较为稀少的地区污染较轻。PM10污染呈明显的季节变化,采暖期PM10主要来源于燃煤排放和机动车尾气排放,非采暖期受风沙天气影响显著,且在春、秋的风沙时期保持较高的值。采暖期PM2.5、SO2和NO2的浓度上升明显,其中SO2受到采暖期的影响最为显著。NO2主要来源于工业排放以及汽车尾气排放,因而工业布局密集且交通发达的城市污染较为严重。采暖期与非采暖期NO2、PM10、PM2.5和SO2的浓度对比变化显著,采暖期燃煤对空气质量的影响巨大。     

稳定气象条件对天津市环境空气质量的影响

环境空气中污染物浓度不仅与污染源的排放有关,更与气象条件的变化密不可分。在不利气象条件下,空气中污染物浓度可能在极短时间内就出现峰值,造成城市空气质量迅速恶化。通过对天津市2005年11月上旬连续出现的空气污染实证,分析了主要气象因子(温度、相对湿度、能见度)与空气污染物(PM10、SO2、NO2)之间的关系,探讨了稳定天气条件对空气环境质量的影响。     

中国典型城市主要大气污染物的浓度水平及分布的比较研究

应用柱状图和箱线图对污染物分布情况进行对比分析,明确了2013上半年北京、沈阳、广州、上海和海口5个城市4项污染物（SO2、NO2、PM10、PM2.5）的日均浓度的分布范围。该组数据涉及的站点总计有49个,其中包含的数据量北京有1863个、沈阳有1670个、上海有1452个、广州有1574个、海口有780个。柱状图显示了这段时间每个城市各个站点4种污染物不同浓度的分布范围,北京的ρ（SO2）和ρ（NO2）分布较为集中,主要的质量浓度区间分别是0~40和40~80μg·m-3,分别占北京SO2和NO2总数据量的51.0%和49.7%,ρ（PM10）和ρ（PM2.5）则分布较为分散;沈阳分布较为集中的是ρ（NO2）和ρ（PM2.5）,主要的质量浓度区间分别是0~30和30~60μg·m-3,分别占沈阳NO2和PM2.5总数据量的52.2%和42.8%,ρ（SO2）和ρ（PM10）则分布较为分散;上海和广州分布较为集中的是低浓度下的ρ（SO2）,其他三项污染物分布较为分散。箱线图是利用每个城市所有站点得到的最大值、最小值、上四分位数、下四分位数和中位数的平均值绘制得到的,通过不同城市间的比较可见,同期ρ（SO2）的比较结果是ρ（沈阳）〉ρ（北京）〉ρ（广州）〉ρ（上海）〉ρ（海口）;ρ（NO2）较大的3个城市是北京、上海和广州;对于ρ（PM10）则只有广州和海口2个城市浓度较低,而对于ρ（PM2.5）高值集中在北京、广州和沈阳3个城市。通过谱图间的比较,并结合各个城市的气象条件及经济发展状况,从中可推测除背景点海口外,北京和沈阳主要的污染物是PM2.5和PM10,广州和上海主要的污染物是NO2和PM2.5;北京主要的污染来源是燃煤烟尘和机动车尾气,广州和上海主要的污染来源是机动车尾气,沈阳主要的污染来源是燃煤烟尘。研究结果可为典型城市的环境监管与大气污染控制提供科学依据。     

长春市大气中PM10污染特征分析

近年来,大气环境质量的不断恶化受到了人们广泛的关注。利用长春市的食品厂、客车厂、邮电学院、儿童公园、净月潭以及甩湾子等6个自动监测中心提供的2011年PM10、SO2与NO2小时质量浓度的连续监测数据,分析了长春市PM10质量浓度（MPM）的时空分布特征、不同污染物之间的相关性及其形成的原因。结果表明：从空间分布上看,6个采样点的MPM从高到低依次为食品厂〉儿童公园〉邮电学院〉客车厂〉净月潭〉甩湾子,其中除食品厂与儿童公园外均符合《环境空气质量标准》GB3095-1996的二级标准。从时间分布上看,绝大多数监测点位的冬季MPM是最高的,春季次之,主要是因为冬季采暖与春季沙尘天气,而夏季的MPM最低,主要是湿沉降作用所致。MPM逐日变化呈现出双峰双谷型分布,第一个峰值出现在早上7：00左右,其中最大值出现在5月份的早7：00左右,达到了0.223 mg·m-3,第1个峰值过后呈下降趋势,下午出现质量浓度低谷,其中最小值出现在11月份15：00左右,为0.036 mg·m-3,直到傍晚时缓慢回升,22：00左右达到第2个峰值。通过统计分析不同污染物之间的相关系数,得出PM10与NO2质量浓度的相关性显著,且较稳定,其原因可能是常年排放的机动车尾气尘影响较大,而PM10与SO2质量浓度的相关性不太稳定,这可能是冬季采暖排放的燃煤尘所致。     

北京市大气PM_（2.5）中四种水溶性阴离子的水平变化比较

了解北京市城区和郊区大气细颗粒物中的四种水溶性阴离子F-、Cl-、SO42-、NO3-的浓度水平,并分析影响其水平高低的因素。使用聚四氟乙烯滤膜分别采集北京市城区和郊区大气中的PM2.5,用纯水提取后采用离子色谱法测定水溶性阴离子质量浓度。采样期间北京市大气PM2.5、F-、Cl-、SO42-和NO3-质量浓度几何均数分别为55.36、0.02、0.46、6.72和1.09μg·m-3,四种水溶性阴离子质量浓度总和占PM2.5质量浓度的19.14%;同一季节（春季）郊区监测点大气PM2.5、SO42-和NO3-质量浓度显著高于城区监测点;城区大气PM2.5与四种水溶性阴离子质量浓度秋季高于春季,但差异无统计学意义;大气PM2.5与Cl-、SO42-和NO3-质量浓度均高度相关。Cl-、SO42-、NO3-是北京市大气PM2.5的重要组成成分。     

北京市大气PM2.5中四种水溶性阴离子的水平变化比较

了解北京市城区和郊区大气细颗粒物中的四种水溶性阴离子F-、Cl-、SO42-、NO3-的浓度水平,并分析影响其水平高低的因素。使用聚四氟乙烯滤膜分别采集北京市城区和郊区大气中的PM2.5,用纯水提取后采用离子色谱法测定水溶性阴离子质量浓度。采样期间北京市大气PM2.5、F-、Cl-、SO42-和NO3-质量浓度几何均数分别为55.36、0.02、0.46、6.72和1.09μg·m-3,四种水溶性阴离子质量浓度总和占PM2.5质量浓度的19.14%;同一季节(春季)郊区监测点大气PM2.5、SO42-和NO3-质量浓度显著高于城区监测点;城区大气PM2.5与四种水溶性阴离子质量浓度秋季高于春季,但差异无统计学意义;大气PM2.5与Cl-、SO42-和NO3-质量浓度均高度相关。Cl-、SO42-、NO3-是北京市大气PM2.5的重要组成成分。     

Impact of vehicular exhaust on ambient air quality of Rohtak city, India

In the present study, ambient air quality of Rohtak city (Haryana) was monitored by High Volume Sampler. The selected parameters to judge the quality of air were Sulphur dioxide (SO2), Nitrogen dioxide NO), Ozone (O3) and Suspended particulate matters (SPM) which give a fair idea of pollution load carried by the air. The monitoring data were collected from six sites randomly selected in Rohtak city. Sulphur dioxide was found below the permissible limits of National Ambient Avo Quality Standards (NAAQS) at all the sites. Higher concentration of SO2 was observed during winter in comparison to summer and monsoon seasons. Nitrogen dioxide concentration was found to be above the prescribed standards of NAAOS at four sites in winter season. Ozone concentration was found below the prescribed standards (NAAOS), but its concentration was higher in summer season as compared to winter. Suspended particulate matter concentration was observed above the safety limits at all the sites in all three seasons.     

天津市中心城区空气污染物时间变化规律的研究

根据空气质量标准，分析了SO2、NO2和PM103项污染物不同季节，不同时期，不同时段变化规律、达标状况以及为制定相应的防治措施提供参考依据。     

远距离输送作用对南京大气污染的影响

为了研究近地层大气污染物远程输送对于南京地区的影响,结合南京北郊观测点的观测资料,对2008—2009年南京地区气团的后向轨迹进行了聚类分析,结果表明：O3质量浓度分布呈双峰型,分别于5—6月和8—10月达到了高峰,两年共计有36 d质量浓度超过了国家环境空气质量标准二级标准,其中两次峰值期间占81%和83%。NO2和SO2在冬季较其他季节质量浓度高。到达南京气流轨迹以东部气团（占总数37%）为主。在东部气团影响下,南京周边地区近地层O3、NO2和SO2质量浓度分别为99.5、54.0和76.6μg.m-3,大气污染物质量浓度均较高。从后向轨迹分析认为,与气团途经并携带了重污染的长三角地区近地层排放的气体污染物有关。相对于其他来向的气团,东部气团对于南京地区近地层的影响更重要。     

Metals concentration associated with respirable particulate matter (PM10) in industrial area of Eastern U.P. India

The present study deals with the assessment of ambient air quality with respect to respirable suspended particulate matter (RSPM or PM10 < or = 10 microm) and trace metals (Fe, Zn, Cu, Cr Ni, Cd, Mn and Pb) concentrations in RSPM at five locations of Renukoot, an industrial area of Eastern Uttar Pradesh. The 24 hr mean concentrations of PM10 ranged between 69.3 to 118.9 microg m(-3), which is well within the permissible limit (150 microg m(-3)) of national ambient air quality standards (NAAQS) but found higher than the prescribed annual daily limit of US EPA (50 microg m(-3)). The ambient air was mostly dominated by the Fe and least by the Cd among the metal analysed. Murdhawa, a commercial place influenced by vehicular population, is found to be the most polluted area of Renukoot and Dongia nalla (forest area) the least. The ambient air of Murdhawa is rich in Cu and Ni, indicating contribution of mobile sources. The Rammandir a residential place near the industry, is rich in Cd and Cr suggesting contribution of point sources. The Ni concentration is found to be alarmingly high in the air at all the locations except Dongia nallah, when compared with the EC (European Commission) limit (20 ng m(-3)). The Cd concentration is found to be higher only at Rammandir as compared with the EC limit (5 ng m(-3)). Mean concentrations of Zn, Pb and Mn are found to be almost equal in the ambient air of all the locations, suggesting the significance of sources contributing to presence of these metals. Zn, Cu, Pb and Ni having a significant correlation with PM10 indicate the same source contributing these metals as well as PM10. The present study has focused on the quantitative variation in different metals in the PM10, which is extremely harmful due to their toxic and carcinogenic nature.     

广州市空气污染物和气象要素的主成分与典型相关分析

用主成分和典型相关分析方法分析广州市近4a(2001—2004年)的空气污染物与气象要素之间的关系,按夏半年、冬半年和全年3个时间尺度分别进行。结果表明:污染物数据所得到的主成分分别代表机动车污染源(汽油燃烧和扬尘)和工业污染源(工业燃煤和燃油),气象数据的主成分分析表明空气的温度、湿度及对流速度对空气污染作用明显,而污染物和气象要素的主成分分析表明气温高低和空气干湿程度对大气污染的影响较大。污染物与气象要素两组数据之间的典型相关分析表明污染物与气象要素之间存在显著的相关关系,其中温度和风速对气态污染物有显著影响。