2017～2020年珠海市金湾区环境空气质量变化特征分析

基于2017～2020年珠海市金湾区环境空气自动站6项空气污染物(SO_2、NO_2、PM_(2.5)、PM_(10)、O_3和CO)监测数据,分析了金湾区空气质量时间变化趋势及特点。结果表明:SO_2和CO 95%分位浓度差异性不大,PM2.5年均值无明显变化趋势,其余3项污染物浓度总体呈下降趋势,环境空气优良率均保持在80%以上; 4个年度中,按照环境空气质量综合指数由高到低排序依次为2020年、2018年、2019年、2017年; O_3是影响金湾区环境空气质量的主要污染物,其次是PM_(10)和PM_(2.5); 6项污染物浓度最大值均出现在秋冬季节,最低值出现在春夏季节,表现出明显的季节性。     

达州市城区大气污染物浓度变化特征及影响因素分析

利用达州市城区环境空气自动监测站2015—2017年数据,研究了大气污染物的浓度变化特征和影响因素。结果表明:达州市城区未受到SO_2污染,PM_(10)和PM_(2.5)同比大幅下降,NO_2、CO和O_3-8 h浓度有所上升。污染物在不同季节的差异显著性不同,SO_2、CO、O_3-8 h在不同季节之间均存在显著差异(P<0.05),NO_2浓度在除秋季和冬季外的其他季节之间均存在显著差异,PM_(10)和PM_(2.5)浓度在除春季和秋季外的其他季节之间均存在显著差异。不同污染物的月均浓度变化曲线和不同季节的小时浓度变化曲线,以及不同季节的相关性也具有明显的特征。同时,本研究还建立了PM_(10)和PM_(2.5),NO_2和CO分别在不同季节的预测线性模型,为进一步了解污染物之间的相互关系和预测污染物的浓度发展趋势提供了参考。     

毕节市区大气污染特征及影响因素分析

根据毕节市2015年大气污染物浓度和气象因子的监测数据,分析了毕节市区大气污染物SO_2、NO_2、PM10、PM2.5、CO及O_3浓度的月、季和年平均变化特征及其影响因素,并对大气污染物浓度之间以及大气污染物浓度与气象因子之间的相关性进行了分析。结果表明:(1)毕节市区2015年空气质量总体良好,空气质量优良天数占95.1%,主要大气污染物为PM10和PM2.5;(2)大气污染物SO_2、PM10、NO_2、PM2.5、CO的月浓度都呈"V"型单谷变化趋势,而O_3的月浓度则为单峰变化趋势;大气污染物SO_2、PM10、NO_2、PM2.5、CO浓度的季节变化为冬季最高、夏季最低,O_3浓度的季节变化则为春季最高、冬季最低,且季节之间的差异性显著(p0.05);大气污染物PM10和PM2.5的年平均浓度分别超过我国《环境空气质量标准》(GB 3095—2012)中一级标准年平均浓度限值的18.2%和112.4%,SO_2和NO_2的年平均浓度均未超过国家一级标准的年平均浓度限值;(3)大气污染物SO_2、NO_2、CO浓度与颗粒物PM10、PM2.5浓度之间两两呈极显著正相关性(p0.01),其与O_3浓度之间呈极显著负相关性(p0.01);PM2.5浓度与PM10浓度之间呈极显著正相关性,而PM2.5浓度与O_3浓度之间呈显著负相关性,多元线性回归分析得出PM2.5浓度与其他大气污染物浓度之间的拟合方程为:PM2.5=2.718+0.130SO_2+0.747PM10+0.255NO_2-0.077O_3+0.678CO;(4)气压与大气污染物SO_2、NO_2、CO、PM10浓度之间呈显著正相关性,其与O_3浓度之间呈极显著负相关性;温度除与O_3浓度之间呈极显著正相关性外,与其他大气污染物浓度之间呈显著负相关性,且其与O_3浓度的相关性系数最大(r=0.501),说明温度对O_3浓度的影响较大;相对湿度除与CO浓度之间无显著相关性外,与其他大气污染物浓度之间均呈显著性负相关性;风速与O_3浓度之间呈极显著正相关性,其与其他大气污染物浓度之间均呈极显著负相关性。     

餐厨垃圾与污泥厌氧发酵动力学特性分析

基于2016—2017年大连市6种大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、O_3、CO)的监测数据,研究污染物浓度的时间变化、周末效应及气象影响因素。结果表明,大连市大气污染物以O_3、PM_(10)和PM_(2.5)为主;冬季主要污染物为颗粒物,夏季为O_3。受供暖燃煤等影响,PM_(10)、PM_(2.5)和SO_2浓度供暖季显著高于非供暖季。大气污染物浓度季节变化显著,且PM_(2.5)、PM_(10)、SO_2及NO_2呈现周末较高的"周末效应"。利用相关性分析考察温度、湿度、风速等气象因素对污染物的影响;利用后推气流轨迹等方法分析大连市大气PM_(2.5)可能的来源。     

大连市大气污染特征、影响因素及来源分析

基于2016—2017年大连市6种大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、O_3、CO)的监测数据,研究污染物浓度的时间变化、周末效应及气象影响因素。结果表明,大连市大气污染物以O_3、PM_(10)和PM_(2.5)为主;冬季主要污染物为颗粒物,夏季为O_3。受供暖燃煤等影响,PM_(10)、PM_(2.5)和SO_2浓度供暖季显著高于非供暖季。大气污染物浓度季节变化显著,且PM_(2.5)、PM_(10)、SO_2及NO_2呈现周末较高的"周末效应"。利用相关性分析考察温度、湿度、风速等气象因素对污染物的影响;利用后推气流轨迹等方法分析大连市大气PM_(2.5)可能的来源。     

绍兴市大气环境容量与污染控制研究

利用2014—2016年绍兴市16个监测点位监测数据和代表年份2015年环统数据,分析了绍兴市大气环境现状、大气污染物变化特征和空间分布特征,重点对中心城区主要空气污染物浓度年、季和月变化特征进行分析,结果表明:绍兴市中心城区环境空气中SO_2、NO_2、CO、PM_(10)和PM_(2.5)质量浓度呈现"秋冬较高,春季次之,夏季较低"的季节变化特征,O_3质量浓度则正好相反。利用CAMX模型,对绍兴市主要大气污染物浓度进行模拟和结果校验,结果表明:绍兴市通过减排SO_2、NO_X和VOCS,全市SO_2、NO_2、PM_(2.5)、PM_(10)、O_3等污染物浓度将得到一定改善,PM_(2.5)则需协同削减至少18%的烟粉尘才能满足达标要求。推荐以烟粉尘为主其他污染物为辅的PM_(2.5)协同削减方案。建议从环境准入、强化减排、行业整治、协同削减、联防联控监管等方面进行污染控制。     

深圳市PM_(2.5)浓度特征及统计预报研究

根据2015年1—12月深圳市城区11站点PM_(2.5)小时浓度监测数据,探讨了深圳市PM_(2.5)浓度的时空分布特征。结果显示:监测期间深圳市城区PM_(2.5)平均浓度为29.8μg/m~3,PM_(2.5)平均浓度整体呈现出:冬季>秋季>春季>夏季的特征,PM_(2.5)质量浓度日变化整体呈现出双峰型分布,午后12:00—16:00浓度较低。空间分布上,年均浓度从东南至西北方向依次升高,梯度特征明显。PM_(2.5)浓度与PM_(10)呈高度相关,与SO_2、NO_2、CO呈显著正相关,与O_3呈实相关。相邻城市间空气污染物浓度呈现出一定的相关性,区域污染突出。建立的PM_(2.5)回归统计模型对深圳市2015年PM_(2.5)临近预报的级别准确率在70%以上,能较好地反映PM_(2.5)浓度变化趋势。     

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。     

北京北郊清洁区PM_(2.5)和O_3变化特征对比分析

利用北京西北部野鸭湖湿地生态气象站(YYH)、东北部上甸子本底站(SDZ)2014年PM_(2.5)、O_3和同期气象观测资料,对比分析北京北郊清洁地区PM_(2.5)和O_3浓度的变化规律及主要的影响因素。研究结果表明:两站PM_(2.5)年均值,O_3小时均值较为接近。两站PM_(2.5)浓度在重污染月份(2、7、10月)较高,6和12月较低。野鸭湖站O_3浓度高值出现在4月,上甸子站为7月,1月均最低。两站各季PM_(2.5)浓度日变化大致为双峰型,O_3浓度日变化为单峰型,其中野鸭湖站PM_(2.5)双峰型更加显著,O_3浓度变化曲线也比上甸子站更具城市特征。风向对两站PM_(2.5)浓度变化的影响较O_3更明显,野鸭湖地区偏东北风容易造成污染物积累,上甸子污染物主要受来自西南部城区污染的输送。受局地环流影响时上甸子站PM_(2.5)浓度更高,而受明显的天气系统影响时,野鸭湖站由于其特殊的地形,污染物扩散能力较差,PM_(2.5)浓度会明显高于上甸子地区。     

后奥运时期京津冀区域大气本底夏季污染变化

为探索后奥运时期京津冀区域大气本底污染状况及变化趋势,在中国科学院华北兴隆大气本底观测站,对夏季大气主要污染物(NO_x、SO₂、O₃和PM_2.5)进行了连续3年的在线观测,结合气流轨迹模式对大气污染物的传输路径及贡献率进行了分析. 结果表明:兴隆站大气本底夏季ρ(NO_x)、 ρ(SO₂)、 ρ(O₃)和ρ(PM_2.5)的平均值分别为(11.5±5.9)、(8.3±7.0)、(137.6±38.4)和(50.9±33.0)μg/m3;首要污染物为O₃和PM_2.5,ρ(O₃)和ρ(PM_2.5)日均值超过GB 3095─2012《环境空气质量标准》二级标准〔ρ(O₃)为200 μg/m3,ρ(PM_2.5)为75 μg/m3〕的天数分别为102和60 d,占观测期间有效天数的39%和23%,表现为大气氧化性增强、二次污染逐年上升;受偏南气流影响,太行山沿线区域和山东半岛—渤海湾地区是兴隆夏季大气本底污染的主要贡献区域,特别是京津冀城市区域夏季高浓度O₃和PM_2.5,对华北区域大气本底污染物浓度的整体上升具有重要影响.      

夏末秋初北京市区与背景区大气污染物的对比分析

在北京市区和背景区——河北兴隆县选点,对比两地大气污染物浓度变化及污染状况.结果表明:除O₃外,北京市区主要大气污染物浓度均高于背景区,其ρ(PM_10),φ(NO_x)和φ(SO₂)的平均值分别是背景区的1.6,3.1和4.0倍,而背景区φ(O₃)平均值则是北京市区的2.2倍;与国家二级标准限值比较,夏末秋初基本上不存在SO₂和NO_x污染,大气污染物中超标最严重的是O₃,北京市区与背景区的超标天数分别是46.9%和65.5%,其次是PM₁₀,北京市区超标天数达到25%,背景区则全部达标;北京市区与背景区的大气污染物日变化特征明显不同,其中北京市区的日变化主要受人为活动影响,表现出典型的城市特征,而背景区日变化受人为活动影响小.      

湖南省长株潭城市群环境空气质量易超标指标变化规律研究

根据长株潭24个环境空气质量监测国控点数据,分析了CO、SO2、NO2、O3、PM10和PM2.5常规六项污染物不同月份的变化规律,并对首要污染物O3和PM2.5不同时期、不同时段的变化规律以及达标状况进行了分析。研究结果表明:PM2.5和O3浓度的季节性变化大,O3浓度夏季高、冬季低,PM2.5则正好相反;在一天当中,昼间的PM2.5浓度低于夜间;在城市之间,长沙市PM2.5的日均浓度和O3浓度明显高于株洲和湘潭市。上述结论将为制定相应的防治措施提供参考依据。     

上海市嘉定区大气颗粒物网格化监测

目的深入研究大气网格化监测的实际应用。方法利用2017—2018年上海市嘉定区大气网格化监测数据,对嘉定区颗粒物浓度变化趋势进行分析,同时结合颗粒物激光雷达扫描数据,对颗粒物污染过程进行解析。结果颗粒物污染浓度水平较高的区域主要集中在嘉定北部地区。2017年PM10和PM2.5浓度均表现出冬季>春季>夏季>秋季的趋势。在东北偏北风向条件下,发生区域传输污染时,污染较重区域集中在嘉定的东部和中部;在风速较小的静稳条件下,企业夜间排放的大量废气极易对周边区域空气质量产生影响,夜间到次日凌晨浓度值不断升高,次日凌晨5时45分的PM2.5的浓度值为前一日20时浓度值的3.1倍。结论大气网格化监测的实施及配套大气减排监管工作开展,使嘉定区环境质量改善明显。     

苏南城市空气质量污染特征及趋势分析研究

利用2013年-2015年苏南5市空气自动站监测数据,分析了该地区空气质量的污染特征和变化趋势.研究发现:2013年-2015年,苏南5市空气优良率为56.9%～68.9%,PM2.5是主要污染物;沿长江向东,空气污染逐步偏向光化学污染类型.从时间上可知,呈现冬季以PM2.5污染为主、春夏季以O3污染为主的特征;PM2.5等4项污染物24小时呈现双峰.从趋势上可知,PM2.5等5种污染物浓度呈下降趋势,O3污染有所加重.同时,各市也表现了不同的情况,管理上需要区别对待.     

南京市PM2.1中有机碳和元素碳污染特征及影响因素

采用DRI Model 2001A热/光碳分析仪测定了2011年南京市区(南师)和郊区工业区(南化)大气气溶胶细粒子(PM2.1)中有机碳(OC)和元素碳(EC)的含量,并对两地的OC、EC污染特征进行了评价,分析了细粒子中含碳物质的来源.结果显示,在PM2.1中,南京市市区OC、EC的年平均浓度分别为12.79,3.18μg/m3,郊区工业区分别为13.44,3.74μg/m3,工业区污染更加严重.市区和工业区冬春季OC、EC含量较高且冬季OC、EC相关性较高,这与冬季燃煤量增加,并且受内陆西风及逆温的影响,污染物集中在南京市上空不易扩散有关;夏季两地OC、EC含量及相关性均达到最低,可能由于夏季降雨频繁,加上台风作用,稀释和清除了部分污染物.应用OC/EC比值法对市区和郊区工业区二次有机碳(SOC)含量进行了估算,两地均是夏季SOC占TOC比例最高,分别为46.63%、45.65%,SOC主要来自于光化学反应,可见在光照充裕、辐射强烈的夏季更加有助于SOC的生成.     

上海市市区、郊区NO2、SO2和PM10的时空变化规律及相关性分析

在对上海市嘉定区大气污染物SO2、NOx和PM10连续1年的观测基础上，结合上海环境状况公报的数据，探讨了市区、郊区大气污染物的空间和时间变化规律。结果表明，2005年中NO2、SO2和PM10的质量浓度在市区和郊区均是冬春两季高，夏秋两季低；NO2、SO2和PM10浓度在市区要高于郊区；郊区大气污染物的月变化幅度要比市区大，市区PM10污染有增加趋势。根据气象条件分析，嘉定区周边工业污染对NO2、SO2和PM10的浓度有贡献，市区NO2、SO2和PM10的质量浓度则与机动车尾气、工业燃煤，建筑扬尘和道路扬尘等诸多因素有关。相关性分析表明，上海市NO2、SO2和PM10相互之间存在比较强的相关性。     

2013年西安市大气污染物变化特征及成因分析研究

大气污染日益严重.对2013年西安市13个国控环境空气质量自动监测站的6种污染物项目进行分析,西安市首要大气污染物为细颗粒物（PM2.5）和可吸入颗粒物（PM1o）.二氧化硫、氮氧化物、细颗粒物和可吸入颗粒物污染物呈现出春冬高,夏秋低的趋势,为上抛物线型,相关系数为99％,且表现出污染源高度同源性;而臭氧污染趋势为夏秋高,冬春低,与气温的线性相关系数为96％.燃煤、机动车尾气、建筑扬尘是西安市大气污染三大污染源,大气污染防治必须多主要污染源共抓,不断减少污染物排放.     

奥运时段北京及近周边区域空气污染观测与比对分析

为研究奥运时段北京与近周边区域空气质量的相互影响,评价区域污染源协同减排对奥运时段北京空气质量的作用,寻求北京空气污染预警的有效途径,2008-06-01～2008-10-03在北京奥运村以及近周边的河北涿州、廊坊、香河、燕郊进行了空气污染联网观测.结果表明,夏秋季节北京和近周边首要污染物均为颗粒物,北京和周边可吸入颗粒物(PM10)平均质量浓度分别为(114±66)μg/m3和(128±59)μg/m3;细粒子(PM2.5)质量浓度则分别为(77±47)μg/m3和(81±51)μg/m3;臭氧质量浓度小时最大值的平均分别为(164±52)μg/m3和(165±55)μg/m3;NOx分别为(58±23)μg/m3和(25±14)μg/m3.相对于6月,奥运会时段(8月8日～8月24日)北京地区PM10、PM2.5、O3、NOx的浓度分别下降69%、62%、18%和41%,残奥会时段(9月6日～9月17日)PM10、PM2.5、O3、NOx的浓度分别下降56%、49%、17%和16%.北京大气中细粒子浓度受周边影响严重,而NOx有向周边扩散的潜势,夏季臭氧则表现出区域污染的特征.结合气象要素分析表明,近周边区域联网观测,有助于北京空气质量预警研究,并可为区域协同防控空气污染提供科学支撑.     

基于精细观测资料的深圳不同季节霾及其污染特征分析

利用2010~2013年逐时霾、能见度和空气质量监测数据,分析了深圳霾天气的变化特征、霾与空气质量和气象条件的关系.结果表明:深圳市霾日数总体呈现增多增强趋势,2009年开始明显下降;霾日数呈“V”型月变化:即秋冬季多、春夏季少,秋冬季多发持续时间长、影响严重的霾过程,春夏季多发持续时间短的霾过程; 霾常伴有污染发生(35%),污染以轻度污染为主;霾时首要污染物PM2.5最多、其次O3,这说明PM2.5是造成深圳霾的主因,且深圳光化学污染严重. 霾时PM2.5、PM10 和O3季节变化明显,冬春季首要污染物以PM2.5为主(75%以上),夏秋季O3和PM2.5为主;分析还发现,风、相对湿度与霾密切相关,风速越弱,湿度越大, 越利于霾出现和发展.约80%的中重度霾出现在风速<2m/s,相对湿度70%~90%的情况下.