宿迁市PM2.5中水溶性无机离子的季节特征和来源分析

为了研究宿迁市PM_2.5中水溶性无机离子的季节特征和来源,于2017年5月至2018年1月在宿迁市水汽通道上的3个监测点位采集了171份PM_2.5样品,分析了PM_2.5质量浓度以及9种水溶性无机离子含量.结果表明,宿迁市PM_2.5中水溶性无机离子的年均浓度为（44.08±34.61）μg ·m^-3,占PM_2.5质量的41.8%,9种水溶性离子浓度大小排序为ρ（NO₃^-） > ρ（SO₄^2-） > ρ（NH₄⁺） > ρ（Cl^-） > ρ（Na⁺） > ρ（Ca²⁺） > ρ（K⁺） > ρ（F^-） > ρ（Mg²⁺）,其中NO₃^-、SO₄^2-和NH₄⁺是主要的离子组分,占总水溶性无机离子浓度的75.6%.ρ（NO₃^-）/ρ（SO₄^2-）年均值为1.53±0.88,表明移动污染源对PM_2.5的贡献高于固定污染源.水溶性无机离子相关性分析表明,NH₄⁺与NO₃^-、SO₄^2-可能以（NH₄）₂ SO₄、NH₄HSO₄和NH₄NO₃的形式存在.结合主成分分析,水溶性无机离子主要来源于二次转化、工业源、生物质燃烧和扬尘.PM_2.5浓度与相对湿度在冬季呈显著正相关,水汽传输在冬季更容易对PM_2.5浓度增长有促进作用.     

新乡市大气PM2.5中水溶性离子的污染特征、来源解析及气象影响分析

为探究新乡市大气PM_2.5中水溶性无机离子（WSIIs）的污染演变、来源特征及其气象影响,利用URG-9000在线监测系统于2022年1月（冬季）、4月（春季）、7月（夏季）和10月（秋季）对PM_2.5组分进行在线观测.结果表明,TWSIIs（总水溶性无机离子）与PM_2.5的季节变化特征一致,季度ρ（TWSIIs）均值变化范围为19.62~72.15 μg·m^-3,在PM_2.5中的占比超过66%,WSIIs是大气PM_2.5的重要组分.年均NO₃^-/SO₄^2-（质量浓度比）为2.11,且呈现逐年增加的趋势,移动源对二次无机气溶胶（SNA）的影响不容忽视,年均[NH₄⁺]/[NO₃^-]（量比）为1.95,说明农业源是大气中氮的主要贡献者.后向轨迹分析表明,在盛行东北风且风速较大时,PM_2.5中Ca²⁺和Mg²⁺的浓度较高.低温高湿的气象条件下（T<8℃,RH>60%）,SOR和NOR值均较高,更多的气态前体物SO₂和NO₂转化为颗粒态的SO₄^2-和NO₃^-.与SOR不同,在高温条件下（T>24℃）,NOR并没有表现出高值特征,与高温条件下NH₄NO₃的分解有关.结合PMF和后向轨迹分析,来自西北方向的气团所对应的扬尘源对WSIIs的贡献较大,观测站点周边区域的低空低速气团所对应的二次硫酸盐以及二次硝酸盐和生物质源对WSIIs的贡献较大.     

遵义市PM2.5中水溶性离子的污染特征及来源解析

为探究遵义市PM_2.5中水溶性离子的污染特征及来源,于2018年6月~2019年5月采集了遵义市两个采样点共120个PM_2.5样品,并利用离子色谱法对样品中8种水溶性离子进行了分析。结果表明：采样期间,遵义市PM_2.5平均值为47.6±19.3 μg/m³,呈现冬春高、夏秋低的季节变化特征;8种水溶性离子平均质量浓度顺序为SO₄^2- > NO₃^- > NH₄⁺ > Ca²⁺ > K⁺ > Cl^- > Na⁺ > Mg²⁺,平均值为13.74 μg/m³,水溶性离子质量浓度的季节变化与PM_2.5变化趋势相似;SO₄^2-、NO₃^-、NH₄⁺（SNA）是PM_2.5中主要水溶性离子,占比为83.8%,说明遵义市大气PM_2.5二次污染较严重;相关性分析表明,PM_2.5中NH₄⁺主要以（NH₄）₂SO₄、NH₄HSO₄的形式存在,部分以NH₄NO₃的形式存在;[NO₃^-]/[SO₄^2-]小于1,表明固定源为主要污染源;主成分分析结果表明,PM_2.5中水溶性离子主要来源于燃煤、交通混合源、土壤、建筑扬尘及农业源。     

甘肃南部典型城镇PM2.5浓度及水溶性离子特征分析

为研究甘肃南部城镇PM_2.5及水溶性离子（WSIIs）浓度水平,于2019年4月—2020年2月在甘肃成县按季度进行PM_2.5样品采集,分析了其变化特征,并运用相关和主成分分析法进行来源解析.结果表明：采样期间甘肃成县PM_2.5年平均质量浓度为（57.2±26.9） μg·m^-3,表现为冬季>春季>秋季>夏季的季节变化特征,冬季质量浓度约为夏季的1.9倍,全年空气质量优良率为81%,其中夏季达100%.WSIIs质量浓度呈现SO₄^2->NO₃^->Na⁺>NH₄⁺>Ca²⁺> K⁺>Cl^->Mg²⁺的特征.SNA是浓度水平最高的3种水溶性离子,占8种主要水溶性离子浓度的70.1%.ρ（NO₃^-）/ρ（SO₄^2-）平均值为0.6,表明工农业生产及化石燃料燃烧排放等固定源是颗粒物污染的主要来源.新型冠状病毒疫情期间人员管控对PM_2.5和水溶性离子中SNA质量浓度影响显著,PM_2.5平均质量浓度降幅达44.2%.源解析表明,PM_2.5中WSIIs主要来自化石燃料燃烧、生物质燃烧及二次源和道路建筑扬尘等.     

三亚城区PM2.5中水溶性离子特征与来源分析

基于2019年三亚城区站点PM_2.5中水溶性离子在线观测数据,分析了水溶性离子的质量浓度水平、不同时间尺度和不同PM_2.5浓度下的特征,探讨了气象因子对离子组分的影响,通过主成分分析（PCA）解析来源.结果表明：2019年三亚城区总水溶性离子（TWSI）质量浓度为8.173 μg·m^-3,占ρ（PM_2.5）的58.4%,各离子质量浓度大小依次为：ρ（SO₄^2-） > ρ（NO₃^-） > ρ（K⁺） > ρ（NH₄⁺） > ρ（Na⁺） > ρ（Cl^-） > ρ（Ca²⁺） > ρ（F^-） > ρ（Mg²⁺） > ρ（NO₂^-）,其中二次离子SO₄^2-、NO₃^-、NH₄⁺（SNA）和K⁺为主要离子组分,占总水溶性离子的80.0%,海盐粒子Na⁺及Cl^-之和占比为14.7%,且与风速呈显著正相关;TWSI季节浓度变化特征明显,秋季最高,春冬季次之,夏季最低,主要与秋冬季风速较大、主导风向转为东北风,易受外来传输有关;SO₄^2-在各个季节均是浓度及占比最高的离子,硫氧化率（SOR）的日均值均大于0.1,存在显著的SO₂向SO₄^2-转化的过程;PCA分析结果表明三亚城区水溶性离子主要受海洋源、二次源及生物质燃烧源的影响.     

2022年北京市城区PM2.5水溶性离子含量及其变化特征

为探究北京市大气细颗粒物（PM_2.5）水溶性离子含量及其变化特征,有针对性地提出污染防治方案,对2022年全年PM_2.5水溶性离子、气态前体物（SO₂、NO₂）和气象因素（温度、RH）进行分析测定.结果表明,北京市城区PM_2.5中占比最高的水溶性离子为NO₃^-、NH₄⁺和SO₄^2-,占PM_2.5的52.7%,ρ（PM_2.5）（33.2 μg·m^-3）和ρ（SNA）（18.9 μg·m^-3）低于历史研究结果,但SNA占比（52.7%）、SOR（0.45）和NOR（0.15）高于历史研究结果,体现出北京市细颗粒物污染得到明显改善,但仍具有较强的二次污染特征.NO₃^-/SO₄^2-为2.2,高于历史及附近省市研究结果,反映出移动源的影响不断扩大.从季节变化上看,PM_2.5呈现秋高夏低的变化特征,秋、春、冬这3个季节NO₃^-的占比最高,夏季SO₄^2-占比最高,而NH₄⁺在各季节占比变化不大.NOR与SOR的季节变化规律几乎相反,反映出二者的转化形成因素存在差异.北京城区SNA的主要存在形式为NH₄NO₃和（NH₄）₂SO₄,其中冬季阴阳离子中和度最高,夏季阳离子NH₄⁺稍显不足,而春秋两季NH₄⁺处于过量状态,北京城区为富氨环境.从污染级别看,水溶性离子质量浓度均随污染加重有不同程度的增长,增长最快的是SNA,其在PM_2.5中占比出现先上升后稳定的变化特征.从空间分布特征来看,中心城区和东南西北部郊区的SNA质量浓度大小均为：NO₃^->SO₄^2->NH₄⁺,体现了以NO₃^-为主导的污染特征;SNA对PM_2.5的贡献率最高的区域发生在东部、中心城区和传输点,表明在中心城区和东部地区二次反应相对活跃,同时区域传输也是二次离子的重要来源.     

天津市高校夏季道路扬尘PM2.5中水溶性离子污染特征及来源

为研究天津市高校道路扬尘PM_2.5中水溶性离子的污染特征、来源及校内外差异，于2018年7—8月采集天津市9所高校道路扬尘样品，用离子色谱法对其中8种水溶性离子（Ca²⁺、K⁺、Mg²⁺、Na⁺、Cl^-、NH₄⁺、NO₃^-、SO₄^2-）进行分析.结果显示：①水溶性离子占PM_2.5的11.65%，PM_2.5中占比大于1%的离子有Ca²⁺和SO₄^2-，其中Ca²⁺最多，占到总水溶性无机离子的65.75%；②入校道路离子含量（12.76%）稍高于校内道路（11.11%），其中8种离子含量的差异均无统计学意义；CE/AE（阴阳离子当量浓度比）值为9.59（远大于1），PM_2.5呈较强碱性；③NH₄⁺与SO₄^2-、NO₃^-主要以（NH₄）₂SO₄和NH₄NO₃的形态结合；④NO₃^-/SO₄^2-的比值为0.45，说明固定源的贡献更大；⑤天津市高校道路扬尘PM_2.5主要来源于海盐粒子、燃煤、机动车尾气、建筑水泥尘等.     

昆山市不同污染条件下PM2.5水溶性离子时间变化特征及其源解析

为了探明昆山市不同污染条件下PM_2.5中水溶性无机离子的污染特征以及本地源排放占主导时对污染过程的贡献,本研究使用昆山市2017年3月—2018年2月期间PM_2.5、水溶性无机离子及其气态前体物数据,分别探讨了水溶性无机离子及其气态前体物在污染天气和清洁天气情况下的变化特征,揭示了它们在污染天气和清洁天气下的变化机制.同时结合周围城市PM_2.5浓度筛选出昆山市秋、冬季局地污染事件,利用主成分分析（principle component analysis,PCA）方法对筛选出的局地污染事件中的水溶性无机离子数据进行了来源解析,定量评估了本地源排放占主导时不同水溶性无机离子对灰霾污染事件过程中PM_2.5浓度的贡献.结果表明：①SO₄^2-、NO₃^-、NH₄⁺（合称SNA）是PM_2.5的重要组分,且其相对贡献随着大气污染加重而变化.3种离子在清洁和污染条件下对PM_2.5的相对贡献分别是49.4%~62.3%和52.7%~65.9%.在3种主要的水溶性无机离子中,NO₃^-浓度最高,其次是SO₄^2-和NH₄⁺.随着污染加重,SO₄^2-的贡献率下降,而NO₃^-的贡献率上升.②污染天气下3种离子日变化规律不同,且存在明显季节差异.其中秋冬季SO₄^2-和NH₄⁺与各自气态前体物变化趋势一致且为单峰型;NO₃^-为单峰型而其前体物则为双峰型.另外,NO₃^-与NH₄⁺日变化趋势较为一致,表明昆山地区SNA多以NH₄NO₃形式存在.③2017—2018年秋冬季由本地源排放占主导的污染天气下,PM_2.5的主要来源是二次气粒转化、建筑扬尘、生物质燃烧和燃煤;除了Mg²⁺和Ca²⁺,其他水溶性离子浓度均低于非本地源排放占主导的污染天气下的浓度.     

华山地区PM2.5中无机离子垂直分布特征

2016年夏季在华山山腰及山脚设两个采样点（垂直高程相差约700 m）,运用大流量采样器进行每4 h 1次PM_2.5样品采集,对其无机离子进行分析,探讨其浓度、组成、垂直变化、日变化及酸度的特征.结果表明：采样期间,华山山腰及山脚的PM_2.5分别为：（46.9±38.2）μg·m^-3和（76.0±44.3）μg·m^-3,PM_2.5中无机离子分别为：（16.6±15.7）μg·m^-3和（24.0±15.0）μg·m^-3.两个点位无机离子浓度依次为：SO₄^2- > NO₃^- > NH₄⁺ > Ca²⁺.SO₄^2-、NO₃^-、NH₄⁺为主要组分,占华山山腰及山脚大气PM_2.5总离子质量浓度的89%和85%.线性回归分析显示：PM_2.5中的NH₄⁺在华山山腰主要以（NH₄）₂SO₄和NH₄NO₃的形式存在,而在华山山脚主要以NH₄HSO₄和NH₄NO₃的形式存在.华山山腰和山脚PM_2.5及其离子呈现出不同的日变化特征：山腰在12：00~16：00出现峰值,主要是因为边界层抬升和山谷风输送地表污染物的缘故;山脚则分别在白天08：00~12：00和夜晚00：00~04：00出现双峰值,这主要是由于早高峰交通排放增加和夜间大型载货卡车流量增大所致.利用阴阳离子当量平衡法及ISORROPIA Ⅱ模型进一步探讨了PM_2.5酸度特征,结果表明：华山山脚PM_2.5的酸度（pH=2.9±2.0）强于山腰（pH=3.2±2.3）.     

2017~2018年北京大气PM2.5中水溶性无机离子特征

为探究近年来北京市空气质量持续改善过程中PM_2.5及其中水溶性无机离子（WSIIs）特征,于2017~2018年在北京城区进行了连续1 a的PM_2.5样品采集,对其中9种主要WSIIs进行了全面分析.结果表明,北京市PM_2.5年均浓度为（77.1±52.1）μg ·m^-3,最高和最低值分别出现在春季[（102.9±69.1）μg ·m^-3]和夏季[（54.7±19.9）μg ·m^-3].WSIIs年均浓度为（31.7±30.1）μg ·m^-3,对PM_2.5贡献比例为41.1%,季节贡献特征为：秋季（45.9%） > 夏季（41.9%） > 春季（39.9%） ≥ 冬季（39.2%）.SNA是WSIIs的重要组成,春、夏、秋和冬季在总WSIIs中的占比分别可达86.0%、89.5%、74.6%和73.0%.随温度升高,NO₃^-和SO₄^2-分别呈现出了先升高后降低以及波动性升高的趋势;而当相对湿度低于90%时,2种离子浓度均随相对湿度增加而升高,反映了光化学和液相过程对2种离子组分的贡献差异.随污染加重,WSIIs整体贡献比例大幅升高,且各类WSIIs演化特征各异,其中,NO₃^-浓度和贡献均持续升高,而SO₄^2-和各类源自扬尘的离子组分（Mg²⁺、Ca²⁺和Na⁺）贡献降低.观测期间WSIIs主要来源包括二次转化、燃烧源和扬尘源,对燃煤和机动车的管控是其减排的重要途径.后向轨迹分析表明,源自北京市南部和西部的气团对应着较高的PM_2.5浓度和WSIIs占比,且二次离子贡献显著;而源自西北和北部的气团对应的PM_2.5浓度和WSIIs占比则较低,但Ca²⁺贡献较高.     

海口市PM_(2.5)和PM_(10)来源解析

以海口市为例,研究了我国典型热带沿海城市——海口市环境空气颗粒物的污染特征和主要来源.2012年春季和冬季在海口市区4个采样点同步采集了环境空气中PM10和PM2.5样品,同时采集了多种颗粒物源样品,并使用多种仪器分析方法分析了源与受体样品的化学组成,建立了源化学成分谱.使用CMB(化学质量平衡)模型对海口市大气颗粒物进行源解析.结果表明:污染源贡献具有明显的季节特点,并存在一定的空间变化.冬季城市扬尘、机动车尾气尘、二次硫酸盐和煤烟尘是海口市PM10和PM2.5中贡献较大的源,在PM10和PM2.5中贡献率分别为23.6%、16.7%,17.5%、29.8%,13.3%、15.7%和13.0%、15.3%;春季机动车尾气尘、城市扬尘、建筑水泥尘和二次硫酸盐是海口市PM10和PM2.5中贡献较大的源,在PM10和PM2.5中贡献率分别为27.5%、35.0%,20.2%、14.9%,12.8%、6.0%和9.5%、10.5%.冬季较重的颗粒物污染可能来自于华南内陆地区的区域输送,特别是,本地排放极少的煤烟尘和二次硫酸盐受区域输送的影响更为显著.     

夏季广州城区细颗粒物PM_(2.5)和PM_(1.0)中水溶性无机离子特征

于2008年7月1～31日在广州城区每天采集PM2.5和PM1.0样品.利用离子色谱分析了样品中Na+、NH4+、K+、Mg2+、Ca2+、F-、Cl-、NO3-和SO24-等9种离子组分质量浓度,并同步收集气象因子、大气散射系数、大气能见度以及SO2、NO2、O3气体污染物质量浓度等数据.结果表明,PM2.5和PM1.0中水溶性无机离子总浓度分别为(25.5±10.9)μg·m-3和(22.7±10.5)μg·m-3,分别占PM2.5和PM1.0质量浓度的(47.9±4.3)%和(49.3±4.3)%.SO42-占PM2.5和PM1.0中质量浓度百分比最高,分别为(25.8±4.0)%和(27.5±4.5)%.较高的温度和O3浓度有利于SO24-的生成,较高相对湿度有利于NO3-的生成.PM2.5和PM1.0中亲水性较强的SO42-、NH4+和NO3-对散射系数和能见度影响较大.     

广西玉林市大气PM10和PM2.5中有机碳和元素碳污染特征分析

2015年7月~2016年3月期间在广西玉林市3个空气监测点位共采集环境大气颗粒物PM_(10)样品218份,PM_(2.5)样品202份,利用多波段热/光碳分析仪分析其颗粒物中有机碳和(OC)和元素碳(EC)浓度水平、时空变化、污染特征及可能来源.结果表明,玉林市PM_(10)中OC和EC质量浓度分别为10.99μg·m~(-3)和5.11μg·m~(-3);PM_(2.5)中OC和EC质量浓度分别为7.51μg·m~(-3)和4.70μg·m~(-3).3个监测点位大气中PM_(10)和PM_(2.5)冬季的OC和EC浓度水平均高于其他季节,PM_(10)、PM_(2.5)中OC和EC的相关性较好,R2分别为0.58和0.60(P均小于0.01).应用最小OC/EC比值法对二次有机碳(SOC)含量进行了估算,冬季大气PM_(10)和PM_(2.5)中SOC平均质量浓度分别为14.50μg·m~(-3)和6.74μg·m~(-3),高于其他季节.PM_(10)和PM_(2.5)中SOC/OC比值均0.5,玉林市大气中粗细颗粒物均以SOC为主.夏季PM_(10)和PM_(2.5)中SOC/OC分别为80.6%和77.7%,为四季最高值,与夏季温度较高、光照强烈、有利于光化学反应将OC转化为SOC有关.     

深圳市城区VOCs对PM2.5和O3耦合生成影响研究

为了探究珠江三角洲城市大气PM_2.5和O₃的协同污染特征,在深圳市大学城开展了秋季光化学反应活跃季大气污染加强观测.发现O₃日最大8h平均值(O₃_8h)和PM_2.5在日间具有较强的正相关关系,且O₃_8h与典型挥发性有机物(VOCs)甲醛的相关性显著高于NO₂.利用气溶胶质谱仪在线测量了亚微米气溶胶化学组成,并利用正交矩阵因子模型(PMF)对其中有机气溶胶进行来源解析,解析出5类因子,其中二次有机气溶胶(SOA)占总有机物浓度的50%.通过对污染物之间的相关性分析发现,O₃_8h和SOA具有良好的相关性,但与硝酸盐(NO₃^-)未表现出相关性,说明VOCs在深圳城区大气PM_2.5和O₃耦合生成过程中的作用比NOx明显,VOCs减排是深圳市协同控制PM_2.5和O₃污染的关键.     

机动车源和民用燃料源颗粒物中有机碳和元素碳的排放特征

为了获取机动车源尾气和主要民用燃料源燃烧过程排放的颗粒物中含碳气溶胶的排放特征,使用多功能便携式稀释通道采样器和Model 5L-NDIR型OC/EC分析仪,采集分析了典型机动车源(汽油车、轻柴油车、重柴油车)、民用煤(块煤和型煤)和生物质燃料(麦秆、木板、葡萄树树枝)的PM₁₀和PM_2.5样品中的有机碳(OC)和元素碳(EC).结果表明,不同排放源释放的PM₁₀和PM_2.5中含碳气溶胶的质量分数存在显著差异.总碳(TC)在不同源PM₁₀和PM_2.5中的质量分数范围分别为40.8%～68.5%和30.5%～70.9%,OC/EC范围分别为1.49～31.56和1.90～87.57.不同源产生的含碳气溶胶均以OC为主,OC在PM₁₀和PM_2.5中的质量分数范围分别为56.3%～97.0%和65.0%～98.7%.在PM₁₀和PM_2.5的含碳气溶胶中OC质量分数按照从高到低...     

深圳市大气PM2.5来源解析

为识别和量化深圳市大气PM_2.5的污染来源,2014年3,6,9,12月分别在5个站点采集PM_2.5的膜样品并进行质量浓度及组分分析,利用正向矩阵因子解析（PMF）模型对其主要来源和时空变化规律进行了解析.结果表明,2014年深圳市PM_2.5年均浓度为35.7 μg/m³,其中机动车源、二次硫酸盐生成、二次有机物生成和二次硝酸盐生成是最主要的来源,质量浓度贡献比例分别为27%、21%、12%和10%;地面扬尘、生物质燃烧源、远洋船舶源、工业源、海洋源、建筑尘和燃煤源贡献比例达2%~6%.各个源贡献的时空变化特征表明,二次硫酸盐生成、生物质燃烧源、二次有机物生成、工业源、远洋船舶源和海洋源显示出明显的区域源特征,机动车源、二次硝酸盐生成、燃煤源、地面扬尘和建筑尘具有显著的本地源特征.     

周口市2022年冬季重污染过程中细颗粒物污染特征及成因分析

为研究周口市冬季大气细颗粒物污染特征及导致其暴发增长的主要影响因素,利用城区环境空气在线高时间分辨仪器对2022年1月周口市大气常规污染因子、细颗粒物中水溶性离子等进行观测分析.结果表明,二次无机气溶胶(SNA)、碳质气溶胶(CA,包括有机碳OC和无机碳EC)以及重构后的地壳物质(CM,如Al₂O₃、 SiO₂、 CaO和Fe₂O₃等)是PM_2.5中含量前三的组成,占比分别为61.3%、 24.3%和9.72%,SNA、 CA、 CM和二次有机气溶胶(SOA)浓度均随AQI升高而升高. 1月硫氧化率(SOR)和氮氧化率(NOR)分别为0.53和0.46, SO₄^2-和NO^-₃增长速率[μg·(m³·h)^-1]分别为0.027(-5.89～9.47,下同)和0.051(-23.1～12.4).重污染时段SO₄     

北京市PM2.5时空分布特征及其与PM10关系的时空变异特征

PM_(2.5)时空分布特征及其与其它污染物的相关关系是PM_(2.5)时空统计分析的主要研究内容.然而,现有的方法直接从监测站点的角度对时空分布特征进行分析,难以有效地揭示PM_(2.5)浓度的聚集分布特征;同时,常用的地理加权回归在对PM_(2.5)与其它污染物间关系进行建模的过程中,缺乏同时考虑时间异质性与空间异质性,从而不能准确地描述依赖关系的时空变异特征.为此,首先借助于空间聚类分析技术,对北京市2014年PM_(2.5)浓度的聚集结构进行探测,在此基础上,通过聚集结构来分析PM_(2.5)季节性时空分布特征.然后,利用地理时空加权回归对北京市PM_(2.5)与PM_(10)季节平均浓度间关系进行建模,依据回归结果分析PM_(2.5)-PM_(10)间关系的时空变异特征.实验结果表明,春夏季节PM_(2.5)污染程度及空间变异程度均低于秋冬季节,各季节PM_(2.5)浓度均表现为北部浓度低、南部浓度高的空间分布特征;地理时空加权回归具有更好的拟合效果,由回归系数进一步可发现,春夏季PM_(2.5)-PM_(10)相关性低于秋冬季PM_(2.5)-PM_(10)相关性;各季节均表现为西北部PM_(2.5)-PM_(10)的相关性高于东南部PM_(2.5)-PM_(10)的相关性.     

太原市PM2.5中有机碳和元素碳的污染特征

采集了太原市4个点位冬季和夏季PM2.5样品,利用元素分析仪测定了PM2.5中有机碳(OC)和元素碳(EC)的质量浓度,并对碳气溶胶污染水平、时空分布、二次有机碳(SOC)以及OC和EC相关性等特征进行了分析.结果表明,太原市冬季有机碳(OC)、元素碳(EC)平均质量浓度为22.3μg·m-3和18.3μg·m-3,夏季OC、EC平均质量浓度为13.1μg·m-3和9.8μg·m-3,冬季和夏季总碳气溶胶(TCA)占PM2.5的比例分别为56.6%和36.5%;各点位OC和EC质量浓度均呈现冬季夏季的季节特征,冬季OC、EC浓度呈现出较好的均一性,夏季OC、EC质量浓度存在较明显的空间分布差异;太原市SOC污染较轻;冬季OC、EC相关性较强,夏季OC、EC相关性差.     

北京冬季PM2.5中元素碳、有机碳的污染特征

通过2003年1月对北京市区PM_2.5中元素碳(EC)、有机碳(OC)连续测量,分析了其污染特征。监测资料表明,北京市区PM_2.5中ρ(OC)高于ρ(EC),它们多在夜间高、白天低,且变化趋势大致相同。北京市区冬季ρ(OC) ρ(EC)的值较低。