2016—2019年汾渭平原城市空气质量状况分析

基于2016—2019年全国城市环境空气质量国控监测点位自动监测数据,分析了汾渭平原城市空气质量状况。结果表明：2019年,汾渭平原优良天数比例为61.7%,略高于\"2+26\"城市,明显低于全国及其他区域,空气污染较重。2016—2019年,汾渭平原超标天数中PM_2.5、PM₁₀、O₃作为首要污染物的占比较高,PM_2.5、PM₁₀仍是影响汾渭平原空气质量的最主要污染物,O₃和NO₂的影响逐年升高。汾渭平原PM_2.5浓度呈夏季低、秋冬季高的特点,2019年与2016—2018年PM_2.5均值比较,1、2、4月分别偏高7.5%、36.7%、6.8%,其他月份均偏低,表明1、2、4月空气质量总体恶化,其他月份有所改善。汾渭平原O₃浓度呈夏季高、秋冬季低的特点,O₃浓度总体呈升高趋势,年平均升高10.3 μg/m³,临汾市年平均升幅最显著（26.7 μg/m³）,不同百分位O₃浓度均呈升高趋势,且高百分位浓度升幅明显高于低百分位浓度,年平均升幅最高出现在第90百分位浓度。2016—2019年,O₃单项污染物超标导致优良天数比例损失分别为5.4个百分点、13.0个百分点、11.1个百分点和14.4个百分点,总体呈上升趋势,表明O₃超标对空气质量影响越来越显著。煤炭消耗量、生铁产量、粗钢产量的大幅升高对空气质量有一定影响,建议加大对相关企业污染物的排放量检查,确保超低排放或采取可行的清洁能源替代。温度与O₃浓度呈正相关,2017—2019年,温度大于25 ℃的天数中94.2%出现在6—8月,O₃-8h超标天数占全部超标天数的81.4%,因此应加强温度较高月份的O₃管控。     

基于SHERPA的环境空气质量减排情景模拟评估

分析了SHERPA综合评价模型的基本原理和主要建模理念,重点介绍了其在环境空气质量减排情景模拟评估方面的作用,以及在排放源与受体关系(SRR)方面的处理方法,比较了其与欧盟常用的其他情景模拟模型的优缺点。SHERPA模型的特点是空间灵活性较好,对于任何给定地点,可以快速评估不同地区对该研究地点空气质量的影响。SHERPA模型的3个主要功能为污染物来源分析、决策支持和情景模拟。基于SHERPA模型对法国环境空气中PM_(2.5)、PM_(10)和NO_2年均浓度进行污染来源分析、决策支持分析和减排情景模拟评估,展示了模型在环境治理措施优先级筛选和政府间联合治理措施协调建议方面的功能和作用,以期为中国环境空气质量预测预报、环境质量管理措施的制定和成效评估等环境服务与管理工作提供借鉴。     

环境空气质量新标准对晋城市城区空气质量评价影响

分别采用新旧环境空气质量评价体系对2014年山西省晋城市环境空气监测数据进行评价,并分析了新旧标准对于评价结果的影响。采用新标准评价对空气质量评价产生较大影响,达标率下降,空气质量变差。新标准更加科学客观,与公众感受更加接近。     

西安市环境空气PM2.5污染现状及对策初探

文章通过对西安市城市环境空气PM_2.5试点监测数据深入分析,初步摸清了区域PM_2.5污染水平及分布规律,提出了污染防治对策和建议,对现阶段的环境空气PM_2.5污染防治有着重要的参考价值。     

烟花爆竹燃放对北京市空气质量的影响研究

结合常规污染物浓度和PM_(2.5)化学组分浓度,分析了2015年春节期间烟花爆竹燃放对北京市空气质量的影响。结果表明:烟花爆竹燃放会在短时间内造成严重的大气污染,其中对SO2、PM_(2.5)和PM10的影响最为显著。除夕夜间良乡、官园和怀柔3个监测站点的PM_(2.5)质量浓度峰值分别达730.5、343.4、762.2μg/m~3,为2月17—25日和3月4—8日(观测期间)平均值的5.2、3.1、7.1倍。烟花爆竹燃放对PM_(2.5)组分中的SO_4~(2-)、K+和Cl-的影响最为显著,除夕夜间监测中心点位的SO_4~(2-)、K~+和Cl~-质量浓度峰值分别达92.2、95.6、57.4μg/m~3,为观测期间平均值的4.5、10.5、6.8倍。烟花爆竹燃放产生的气态前体物和NO_3~-、SO_4~(2-)、NH+4、OC等PM_(2.5)二次化学组分在不利的气象条件下会发生化学反应和物理积累,造成PM_(2.5)浓度升高,产生持续性的大气污染。根据各污染物与NH+4的质量浓度比推算得出,除夕、\"破五\"和元宵节3个时段烟花爆竹燃放对K~+、Cl~-、SO_4~(2-)、SO_2和PM_(2.5)浓度的平均贡献率分别为78.4%、61.1%、37.4%、38.7%和30.1%。     

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。     

环境空气质量新标准对郑州和开封空气质量评价的影响

利用河南省环境空气质量新标准实施一期城市(郑州、开封)2013年的环境空气自动监测数据,分析了实施《环境空气质量标准》(GB 3095—2012)对这2个城市空气质量评价的影响。研究发现,若采用新标准,郑州、开封污染物年均浓度超标情况加重;城市空气质量达标率从51%、71%下降到35%和31%,下降了16和40个百分点;PM2.5的纳入是空气质量达标率下降的最主要原因,大于NO2标准的收严和CO、O3纳入评价指标的影响,其超标率分别为58%(郑州)和63%(开封);且PM2.5取代PM10成为郑州、开封的首要污染物,其作为首要污染物的比例均大于70%。     

北方沙尘对四川盆地环境空气质量影响和特征分析

利用沙尘天气资料和颗粒物浓度、激光雷达监测数据以及后向轨迹,分析浮尘天气的气象特征及传输路径,构建了浮尘天气对四川盆地各城市大气环境质量影响的量化指标,并利用该量化指标分析了浮尘天气对四川盆地各城市大气环境的影响,得出2013—2015年浮尘对四川盆地PM_(10)年均质量浓度的贡献,2013—2015年约为4.82、1.00、0.56μg/m~3;浮尘对PM_(10)年均质量浓度的贡献川西区域最大,川东北区域次之,川中区域最小,其贡献量分别为3.5、2.2、1.4μg/m~3。同时还进一步分析浮尘对区域PM_(10)影响差异的原因。     

不同区域城市空气O3和PM2.5累积速率时序模型

利用2017—2018年全国7个区域10个典型城市环境空气O₃和PM_2.5浓度数据,统计污染物累积速率,进而采用回归方法拟合污染物浓度及其累积速率的时间序列模型,分析不同区域污染物时序变化特征差异。结果表明：不同区域O₃浓度时序曲线拟合程度总体高于PM_2.5,石家庄O₃拟合程度最高,西安PM_2.5拟合程度最高。以07：00、14：00分别作为O₃、PM_2.5模拟起点是24 h中的最优模型。不同城市夏季O₃小时浓度时序变化曲线均为单峰形态,O₃浓度及累积速率峰值出现时间可能由城市所处经度决定,太原O₃累积最快,西安O₃消解最快。各城市间冬季PM_2.5小时浓度及其累积速率时序变化曲线形态差异较大,沈阳PM_2.5累积和消解均最快。与浓度相比,城市环境空气O₃和PM_2.5累积速率与光照、扩散条件等有更好的时间相关性。     

南京青奥会空气质量保障管控措施效果评估

2014年青奥会期间,长三角地区低温高湿静稳的不利气象条件增加了空气质量保障难度。在环境保护部统一协调和江苏省委省政府的有力指挥下,南京市及周边城市通过控电、控煤、控车、控尘及部分重点企业限产停产等措施,实现了赛事期间南京市空气质量100%达标。联合观测结果显示,南京市空气中SO_2、NO_2,硫酸盐、钙离子、EC等浓度明显下降,说明管控措施得力有效。评估分析表明,燃煤和工业排放是PM2.5的主要来源,控制扬尘是降低PM_(2.5)最直接有效的方式,机动车污染不容忽视,强力管控措施可以有效改善空气质量。     

空气自动监测中PM2.5与PM10 “倒挂”现象特征及原因

采用不同原理的自动监测仪器在不同季节同时测定PM2.5与PM10,对所得数据中的PM2.5与PM10\"倒挂\"现象进行分析。结果表明,当PM10采用振荡天平法时,PM2.5与PM10的\"倒挂\"率较高;冬季和夏季\"倒挂\"现象发生率明显高于其他季节;造成PM2.5与PM10\"倒挂\"的原因主要有监测过程中的随机误差,PM2.5与PM10的监测方法原理不同,监测方法之间存在显著差异等。     

台州市区PM2.5和O3污染特征及相互作用关系

基于2016—2020年台州市区大气污染物监测数据及气象观测资料,分析了台州市区PM_2.5和O₃的污染特征及受气象因素影响情况,并探究了不同季节下的PM_2.5浓度和O₃浓度的相关性及相互作用关系。2016—2020年,台州市区PM_2.5年均浓度和超标天数呈显著下降趋势,O₃-8 h年均浓度和超标天数总体呈上升趋势。PM_2.5浓度在冬季最高,且易发生超标;O₃浓度在春、夏、秋季均较高,且均会发生超标。通过相关性分析可知：PM_2.5浓度与气温、相对湿度、风速、降水量呈负相关,与大气压呈正相关;O₃浓度与气温、风速呈正相关,与相对湿度、降水量呈负相关。不同季节下的PM_2.5浓度与O₃浓度均呈正相关,两者存在协同增长。在春、夏、秋季,二次PM_2.5在总PM_2.5中的占比随着O₃     

邯郸地区2017—2021年PM2.5和O3污染特征

利用实时监测数据分析2017—2021年邯郸市及周边区县PM_2.5和O₃污染特征。研究发现:2017—2021年各地区PM_2.5年均质量浓度持续降低,轻度及轻度以上污染逐渐减少;2017—2019年O₃污染加剧,2020年起O₃年均质量浓度逐年下降,污染天不断减少。PM_2.5和O₃-8 h分别在1月(平均浓度为127.3 μg/m³,平均超标22d)和6月(平均浓度为233.4 μg/m³,平均超标22 d)污染最严重。结合气象参数分析来看,PM_2.5与温度、风速和降水量呈显著负相关,与相对湿度呈显著正相关;O₃-8h与温度呈显著正相关,而与风速、湿度和降水量的相关性较弱。后向轨迹和潜在源分析表明:邯郸地区PM_2.5典型污染月受山西省中部地区污染传输影响最大,O₃典型污染月受河南省东部污染传输影响最大。     

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。     

2021年沙尘天气影响下江苏省空气质量特征分析

对2021年影响江苏省的沙尘天气过程开展研究,分析受影响的时间、区域特征及环境空气质量特征。结果表明,影响江苏省的沙尘天气过程共计13次,全省累计受影响229 d。从时间分布看,沙尘天气过程多发生在1月、3—5月,2月、11月较少,6—10月和12月无沙尘天气过程。从区域分布看,苏北地区受沙尘天气过程影响较显著,受影响天数>20 d的城市均分布于此。受沙尘天气过程影响,且东北偏北风或东北风输送时,可吸入颗粒物(PM₁₀)和细颗粒物(PM_2.5)较易出现小时高值。沙尘过程造成PM₁₀日均质量浓度超标的天数占比为38.0%,造成PM_2.5日均质量浓度超标的天数占比仅为12.7%;扣除沙尘天气过程影响后,PM_2.5和PM₁₀年均质量浓度分别较扣除前下降1和6μg/m³,沙尘天气过程对PM₁₀质量浓度的影响大于对PM_2.5质量浓度的影响。受沙尘天气过程影响时,环境空气质量为轻度污染及以上级别占...     

辛集市\"十三五\"期间空气质量特征分析

重点对河北省辛集市\"十三五\"期间整体空气质量变化情况以及影响辛集市优良天数的2个重要参数O₃和PM_2.5的污染规律进行了分析。结果表明,辛集市\"十三五\"期间空气质量改善明显,优良天数整体增加,污染天数整体减少。O₃浓度及其作为首要污染物出现的天数整体呈现上升趋势,对综合指数的贡献率逐年增加;O₃污染高发期主要集中在4—9月,高值区域分布差距较大,但市区污染持续突出。PM_2.5浓度逐年下降,以PM_2.5为首要污染物的天数逐年减少;PM_2.5浓度季节变化特征整体呈现\"秋冬高、春夏低\"的分布特点,空间分布呈\"南北高、中间低\"的污染特征。     

江苏省级区域空气质量数值预报模式效果评估

采用中国科学院大气物理研究所开发的嵌套网格空气质量模式系统(NAQPMS),搭建江苏省级区域空气质量数值预报模式系统,并测试了该系统对2013年夏季江苏省PM2.5质量浓度未来24 h预报以及7 d潜势预测的效果。结果表明,该系统成功应用于江苏省的空气质量预报;所有地市的24 h预报效果均在合理范围内(平均分数偏差小于±60%且平均分数误差小于75%);7 d潜势预测效果比24 h预报效果略差,整体能准确把握PM2.5质量浓度的变化趋势。     

基于聚类分析的颗粒物监测网络优化研究

为了优化香港环境监测网络,收集香港14个监测站2011年1月1日至2015年11月30日的颗粒物PM_(2.5)、PM_(10)的小时数据进行统计分析。对PM_(2.5)进行聚类,并利用日均浓度变化图进行验证,结果表明,可将监测站分为4类(A、B、C、D类),A类位于城市郊区,B类则位于港口附近,且A、B类的PM_(2.5)日变化特征均呈现双峰型分布,峰值分别出现在09:00和21:00。对PM_(10)进行类似分析结果表明,监测站同样可以分为4类,A类位于九龙区,B类则位于港口附近,而且A、B类的PM_(10)日变化双峰分别出现在11:00和20:00左右。说明污染源头及地形的相似致使某些监测站颗粒物浓度的变化出现相同的趋势,导致监测设备的浪费和管理的冗余。建议建立更高效的空气管理系统,将冗余设备转移到其他地区,扩大空气监控区域。对PM_(2.5)/PM_(10)聚类结果表明,将监测站分为4类,B类均属于路边站,C类则位于居民区。同时还发现同类监测站PM_(2.5)/PM_(10)数值变化相同,并且可以用其中一个站的PM_(2.5)和PM_(10)浓度及另一个站的PM_(2.5)或PM_(10)浓度预测PM_(2.5)或PM_(10)浓度,为优化监测资源提供了一种新的思路。