PM2.5与土地利用类型关系的四季差异分析:以潍坊市为例

土地利用类型可显著影响PM_2.5的污染浓度,研究两者间的关系,对于大气污染治理具有重要意义。目前现有研究大多基于回归模型分析土地利用类型,在年尺度上对PM_2.5的固定影响,而土地利用类型与PM_2.5之间关系复杂,且在不同季节影响力度也不尽相同。基于此,利用增强回归树定量化探讨了不同季节土地利用类型对PM_2.5浓度影响的贡献率,结果表明:土地利用类型在不同季节中对PM_2.5浓度影响存在显著差异,春、夏、秋、冬四季的主导因素分别为支路（27.37%）、次干路（19.17%）、植被覆盖面（37.23%）、建设用地（86.37%）。此外,根据不同季节各土地利用类型对PM_2.5的影响力变化曲线,提供了在优化绿化建设布局和加强交通管控力度两方面的量化指标,可为潍坊市PM_2.5污染治理提供规划参考。     

基于AOD数据和GWR模型估算京津冀地区PM2.5浓度

利用MODIS气溶胶光学厚度（AOD）数据针对不同土地覆盖类型的适用性,提出了一种基于土地覆盖类型的AOD融合方法,生成了一种新的3km AOD数据集.在此基础上,通过地理加权回归（GWR）模型估算了京津冀地区2016年PM_2.5浓度,并用交叉验证的方法对模型性能进行评价.结果表明：利用融合后的AOD数据建立的模型可解释PM_2.594.85%的浓度变化,交叉验证R²为0.94,RMSE为9.27μg/m³,MPE为6.72μg/m³,明显优于多元线性回归（MLR）模型;基于GWR模型估算的京津冀地区2016年年均PM_2.5浓度为58.57μg/m³,其中冬季PM_2.5浓度最高,春秋季次之,夏季浓度最低,PM_2.5月均浓度变化范围32.78~140.83μg/m³,8月份浓度最低,12月份浓度最高;空间分布南北差异显著,衡水市PM_2.5污染最为严重,张家口市PM_2.5浓度较低.利用此方法成功弥补了PM_2.5空间缺失,为城市尺度的健康效应和环境流行病学研究提供数据支持.     

汾渭平原PM2.5浓度的影响因素及空间溢出效应

基于实时监测和遥感反演数据,利用空间自相关分析和空间回归分析等方法,探讨了汾渭平原2015~2017年PM_2.5浓度时空变化规律和影响因素,揭示了各因素的空间溢出效应.结果表明：（1）2015~2017年汾渭平原PM_2.5浓度逐年上升,主要由采暖期（11月~次年3月）的快速上升引起,非采暖期（4~10月）年际变化不大.（2）PM_2.5月均浓度变化曲线呈底部宽缓的U型,采暖期PM_2.5污染明显高于非采暖期,超标天数占全年总超标天数比例由2015年的75.0%上升到2017年的83.4%.（3）2015~2017年,除铜川和三门峡外,各城市PM_2.5浓度都有不同程度的上升.咸阳至运城间的平原地区和洛阳盆地污染最严重,已形成连片的高污染区域,且区域内城乡差异小.临汾及其上游平原地区其次,但主要分布在城镇,城乡差异较大.（4）空间回归分析表明,汾渭平原PM_2.5浓度有显著的空间溢出效应.年均气温、城镇化率、能源消费指数和年均人口不仅与本地PM_2.5浓度有显著的正相关,而且会加重邻近地区PM_2.5污染.年降水量和地形起伏度则不仅与本地PM_2.5浓度有显著的负相关,而且能降低邻近地区PM_2.5浓度.风的传输作用能加重本地PM_2.5污染,植被覆盖度能消减本地PM_2.5浓度,但其间接效应都不显著.     

面向场景的城市PM2.5浓度空间分布精细模拟

针对传统PM_2.5浓度空间分布模拟方法忽略了城市内部如道路、工厂、居民区、景区等不同微环境整体对PM_2.5浓度影响机制的缺陷,本研究提出一种微环境PM_2.5浓度场景分异的理论假设,并以湖南长沙主城区为例,结合基于污染先验知识划分的城市微环境场景空间分布与自主设计加密观测场获取的203个监测点小时PM_2.5浓度加密数据,分析城市微环境PM_2.5浓度场景时空分异特征.在此基础上,耦合地理加权回归（GWR）与人工神经网络（ANN）方法,构建微环境场景增强下的PM_2.5浓度空间分布精细模拟GWR-ANN模型,开展城市内部高空间分辨率PM_2.5污染制图.结果表明：不同微环境场景间PM_2.5浓度存在显著时空差异,地表覆盖类型相同但分别位于2个不同场景的监测点间PM_2.5浓度差会随时间发生变化;耦合微环境场景变量的GWR-ANN模型能够有效精细模拟PM_2.5浓度的空间分布,模型拟合效果与交叉检验精度指标整体优于无场景变量参与的GWR-ANN模型（除部分时相较为接近外,检验R²：0.76~0.84vs.0.57~0.81）;场景增强下的PM_2.5浓度空间分布100m级分辨率模拟估算结果可以较好揭示研究区PM_2.5浓度高低值局地变化特征.     

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.     

南昌市PM2.5中结合氨基酸的浓度组成及来源

采集了春季南昌市城市和森林地区的大气PM_2.5样品及潜在大气氨基酸排放源（植物和土壤）样品,测定并分析了样品中结合氨基酸（CAAs）的浓度、组成及甘氨酸（Gly）的氮同位素值.结果表明,城市和森林地区PM_2.5中总CAAs的浓度分别为0.507~3.912和0.497~2.647nmol/m³.通过对PM_2.5中CAAs组成占比分析发现,城市和森林地区CAAs组成成分相似,其中Pro、Gly、Ala、Leu和His是PM_2.5中丰富的CAAs物种.结合Gly的氮同位素值可知,城市地区（+0.62‰~+22.67‰）和森林地区（+1.99‰~+23‰） PM_2.5中δ¹⁵N_C-Gly值表现出较大的变化范围.根据大气CAAs潜在排放源δ¹⁵N值清单,本研究中生物质燃烧、土壤源和植物源是PM_2.5中CAAs的主要来源.贝叶斯稳定同位素模型计算源分配结果表明生物质燃烧、土壤源和植物源对城市地区PM_2.5中CAAs的平均贡献为42%、40%和18%,对森林地区PM_2.5中CAAs的平均贡献为38%、38%和24%.     

成都市气温与PM2.5和O3交互作用对疾病死亡人数的影响研究

利用成都市2014~2016年逐日呼吸系统疾病和心脑血管疾病死亡资料、同期气象资料和PM_2.5日均浓度和每日臭氧最大8h平均浓度（O₃）资料,采用分布滞后模型以及广义相加模型中的独立效应模型、非参数二元响应模型和温度分层模型探究了成都市气温、PM_2.5和O₃单效应,以及气温与PM_2.5（或O₃）交互作用对当地呼吸和心脑血管疾病死亡人数的影响.单效应分析结果表明,气温与两种疾病死亡人数的累计暴露-反应关系均呈反“J”型分布,最适温度在22.2℃,该温度对应的疾病死亡人数最少;累积滞后1d的PM_2.5（或O₃）对应的健康风险最大,此时,PM_2.5和O₃浓度每升高10μg/m³,呼吸系统疾病死亡风险分别增加0.58%和0.54%,心脑血管疾病死亡风险分别增加0.35%和0.66%.分季节研究结果表明,PM_2.5对两种疾病死亡影响的健康风险冬季最高,而O₃的健康风险在秋季最显著.交互作用的研究结果表明,高温与高浓度的PM_2.5（或O₃）对疾病死亡的影响存在协同放大效应,当气温高于22.2℃时,PM_2.5和O₃浓度每升高10μg/m³,对应的呼吸系统疾病死亡风险分别增加2.30%和1.14%,心脑血管疾病死亡风险分别增加1.09%和1.03%.研究结果提示O₃对人群健康的影响也不容忽视,应该引起足够的重视.     

多机器学习模型下逐小时PM2.5预测及对比分析

为了能及时、准确的估算出PM_2.5浓度及污染等级,分别构建了K最邻近模型（KNN）、BP神经网络模型（BPNN）、支持向量机回归模型（SVR）、高斯过程回归模型（GPR）、XGBoost模型和随机森林模型（RF）6个PM_2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM_2.5浓度数据和Merra-2再分析数据开展PM_2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM_2.5浓度.在PM_2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM_2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM_2.5浓度提供参考.     

四川盆地PM2.5与PM10高分辨率时空分布及关联分析

为深入了解四川盆地PM_2.5与PM₁₀污染情况，通过机器学习的方法，基于卫星遥感气溶胶产品（MAIAC）与国家环境空气质量监测网数据以及气象、地理、社会经济变量等，构建2个随机森林机器学习模型（R²均为0.86），反演四川盆地2013~2017年间1km网格逐日PM_2.5与PM₁₀浓度时空分布，并分析两者的时空关联性.结果表明：2013~2017年四川盆地地面PM_2.5与PM₁₀平均浓度分别为47.8，75.2μg/m³.PM_2.5与PM₁₀浓度空间上均整体呈现"倒月牙"状分布，西部与南部区域浓度值较高.5a间，区域颗粒物浓度逐年递减，总降幅均达到27%，季节上则均具有"冬高夏低"的特点；PM_2.5与PM₁₀浓度空间相关性显著（相关系数0.96），呈现"内强外弱"的格局，春夏季相关系数（0.91、0.90）低于秋冬季（0.96、0.96）.盆地西南部PM_2.5与PM₁₀比值较高，比值高低的季节性排序为冬季 > 秋季 > 夏季 > 春季.     

北京市气温与黑碳和PM2.5对疾病死亡影响的交互效应

通过收集北京市2010~2016年逐日呼吸和心脑血管疾病死亡数据、污染物（BC、PM_2.5、SO₂、O₃和NO₂）日均浓度资料以及同期的气象资料,采用广义相加模型（GAMs）中的主效应模型、非参数二元响应模型和温度分层模型探讨了北京市气温、PM_2.5和BC单效应,以及气温与PM_2.5和BC交互作用分别对呼吸和心脑血管疾病死亡人数的影响.单效应分析结果表明,气温与两种疾病死亡人数的累计暴露-反应关系均呈“J”型分布特征,最适温度为24℃;累计滞后一天情况下PM_2.5和BC的健康效应均最显著,此时PM_2.5和BC浓度每升高四分位间距（IQR）,呼吸系统疾病死亡人数超额增加百分比（ER）分别为2.21%和1.80%,心脑血管疾病死亡人数ER分别为2.02%和1.48%.交互作用的研究结果表明,高温与高浓度的PM_2.5（或BC）对疾病死亡的影响存在协同效应,且高温条件下BC对疾病死亡影响的健康风险大于PM_2.5,当气温大于24℃时,BC和PM_2.5浓度每升高IQR对应的呼吸系统疾病死亡人数ER分别为6.22%和6.17%,心脑血管疾病死亡人数ER分别为5.01%和3.97%.虽然BC只占PM_2.5的一部分,但BC对人群健康的影响不容忽视,应该引起足够的重视.     

长春市大气SO2、O3和NOx的变化特征及来源

为研究长春市采暖期大气污染物的污染水平及其随时间的变化特征,于2012年1—6月通过在线监测仪获取了大气中ρ(SO₂)、ρ(O₃)和ρ(NO_x),利用HYSPLIT(混合型单粒子拉格朗日综合轨迹模式)后向轨迹模型结合地面气象资料,初步分析了该市大气污染物的可能来源及传输过程. 结果表明:观测期间ρ(SO₂)和ρ(NO_x)的日均值分别为(25.0±21.6)和(54.4±34.0)μg/m3,ρ(O₃)最大8 h平均值为(85.0±26.2)μg/m3,ρ(SO₂)、ρ(NO_x)和ρ(O₃)的变化范围分别为2.3~131.0、17.6~183.7和31.0~173.3 μg/m3;其中ρ(O₃)日均值超过GB 3095—2012《环境空气质量标准》二级标准限值的时间为2 d,ρ(SO₂)和ρ(NO_x)均未超过二级标准限值,但ρ(SO₂)日均值在采暖期超过GB 3095—2012一级标准限值的时间为23 d,占采暖期的24%. 采暖期ρ(SO₂)日变化为双峰型,峰值出现在06:00和20:00左右,而在非采暖期表现为单峰型,峰值出现在08:00左右;ρ(O₃)表现为单峰型,峰值出现在13:00─15:00;ρ(NO_x)在采暖期表现为双峰型,而在非采暖期表现为单峰型. 对观测期间72 h内HYSPLIT后向轨迹模拟结果和气象数据的分析表明,长春市大气污染主要受本地源的影响,偏西气流易对污染物造成积累,而偏东气流有利于污染物扩散.      

广州市氮氧化物的数值模拟及暴露影响评价

主要介绍了大气暴露风险评价ADMER模式的模块组成及其主要功能,并利用该模式对广州地区常规的氮氧化物进行了暴露风险评价研究.利用中尺度气象模式模拟的5km气象场数据和收集整理的年平均污染排放源资料进行了大气污染扩散模拟计算.结果表明,无论是氮氧化物的浓度值还是其时空变化趋势,ADMER模式模拟的结果与实际观测均较一致,相关系数达0.76.氮氧化物的浓度高值出现在冬春季节,夏季的浓度相对较低,这主要是受气象场条件的影响.空间场上,氮氧化物的高值区位于广州地区的西南和中部,与工业大点源以及地面源排放的分布一致,而广州地区东北部氮氧化物的浓度值相对较低.在浓度评估的基础上,对暴露人口也进行了估算.由于广州是广东省的主要人口密集区,所以,定量化暴露人口对于进一步开展污染控制减排策略有一定的指示意义.     

利用多模式最优集成方法预报上海PM2.5

采用多模式最优集成方法(OCF),对PANDA项目中国和欧洲7个空气质量模式的PM_(2.5)预报结果进行集成释用.2016年6月—2017年5月对上海逐日预报试验结果表明:和最优单模式预报结果相比,OCF预报的PM_(2.5)日均质量浓度的均方根误差降低1.9μg·m-3,相关系数提高0.04,日均质量浓度的精度评分TI提高了2.4,污染TS评分提高了0.28,污染空报率降低了20%,显著提高了PM_(2.5)污染等级预报、趋势预报和精度预报的技巧.对长三角合肥、南京、苏州、杭州、宁波5个城市的预报试验也得到类似的结果,为城市空气质量预报提供了新的方法和思路.但OCF对客观预报的改进幅度在夏季不如冬季显著,在降雨日相对较低.     

台州市市区环境空气中PM2.5的多模型联用来源解析

为对台州市市区环境空气中PM_2.5的主要来源进行全面分析,运用CMAQ(空气质量模型)模型中的ISAM源追踪算法,计算了台州市本地各类污染源及外来源对PM_2.5的贡献,同时基于CMB模型的初步源解析结果,利用CMAQ模型解析二次前体物排放源的贡献,得到CMB-CMAQ联用模型的源解析结果,综合分析CMAQ模型和CMB-CMAQ联用模型解析结果最终获得台州市市区空气中PM_2.5的贡献源数据.结果表明:①CMAQ模型和CMB-CMAQ联用模型解析结果均表明,台州市市区PM_2.5本地源中首要贡献源为工业源,两个模型中工业源贡献率分别为20.13%和26.94%,其次为扬尘源(贡献率分别为16.98%、19.37%)和道路移动源(贡献率分别为16.44%、18.14%).②CMB-CMAQ联用模型解析结果中工业源、扬尘源和道路移动源的贡献率均高于CMAQ模型解析结果,而外来源和电力源的贡献率均低于CMAQ模型解析结果.③CMAQ模型和CMB-CMAQ联用模型综合分析分配结果表明,外来源、工业源、扬尘源、道路移动源是对区域中PM_2.5贡献较大的4个污染源,贡献率分别为26.10%、22.38%、16.09%、15.07%.研究显示,台州市市区环境空气中PM_2.5污染呈以工业源、扬尘源为主,道路移动源污染突出的复合型污染特征,加强这三类源的排放管理对于台州市市区PM_2.5污染防治具有重要意义.      

Ce-Mn/Al2O3-H2O2催化氧化皮革废水的研究

以浸渍法制备了Ce-Mn/Al_2O_3催化剂,研究该催化剂在H_2O_2非均相类Fenton体系中对皮革废水污染物的催化降解性能.在单因素试验的基础上,以COD去除率为响应值,采用Box-Behnken响应曲面法考察了催化剂投加量、H_2O_2投加量、初始pH、反应时间等4个因素之间的单独作用及交互作用,实验数据用Design-Expert 8.0.6软件进行处理,得到二次响应曲面模型.结果表明,4个独立变量对响应值的影响顺序如下:初始pHH_2O_2投加量催化剂投加量反应时间,数学模型拟合度高(R_(adj)~2=0.9349),利用该模型预测的最大COD去除率为78.86%,最佳反应条件为:催化剂投加量56.63 g·L~(-1),H_2O_2投加量315.15 mg·L~(-1),初始pH3.51,反应时间2 h,经实验验证COD去除率为80.94%,与模型预测值偏差2.08%.     

中国典型城市PM2.5浓度时空演绎规律及影响因素分析

为探讨空气中ρ（PM_2.5）的空间集聚特征和气候、大气成分变量对空气中ρ（PM_2.5）的影响,利用首批纳入PM_2.5监测的74个城市的ρ（PM_2.5）数据计算Moran's I指数,并选取其中38个典型城市进行计量分析.在基于引力模型的空间权重矩阵基础上,构建面板数据SDM（空间面板杜宾模型）.结果表明:ρ（PM₁₀）、ρ（SO₂）、ρ（CO）、ρ（O₃）、RH（relative humidity,相对湿度）与城市ρ（PM_2.5）呈正相关,而T（temperature,温度）和WS（wind speed,风速）与城市ρ（PM_2.5）呈负相关;ρ（PM₁₀）、ρ（CO）、RH是位于前3位影响城市ρ（PM_2.5）的关键性因素,其总效应分别为0.720 1、0.241 7、0.133 9.地理上邻近城市ρ（PM_2.5）具有明显的外部空间溢出效应,即邻近城市ρ（PM_2.5）每增加10百分点,将导致该地区ρ（PM_2.5）增长6.12百分点.300 km左右是保证PM_2.5区域"联防联控"最佳效果的最大门槛距离,超过该门槛距离,区域"联防联控"的力度和效果会随着距离的增加而逐渐减弱;当门槛距离大于500 km时,ρ（PM_2.5）的空间自相关性不显著.气候变量中,RH和ρ（PM_2.5）呈同方向变化,而T、WS与ρ（PM_2.5）呈反方向变化.研究显示,关注单一地区或单一因素（气候或大气成分）均不能有效控制PM_2.5污染,在保持经济稳定增长的前提下,各地治理PM_2.5应从调整产业结构、优化能源结构、完善防控机制等多个维度共同推进,促使经济增长方式早日从"粗放型"向"集约型"转变.      

基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟

在城市区域内,空气污染物的浓度在小范围内存在显著差异,而离散的地面监测点分布不均匀,且监测范围有限,无法满足污染物暴露评估等研究的需求.本研究基于GIS空间分析和多元逐步回归的模型构建的方法,建立了土地利用回归（LUR）模型,并模拟了北京市2019年PM_2.5和PM₁₀浓度的空间分布特征.选择土地覆盖数据、气象数据（风速、降水、温度）和植被覆盖度数据等预测变量,以研究区34个监测站点为中心建立0.1~5 km共7个系列缓冲区,表征不同尺度下各变量对PM_2.5和PM₁₀浓度的影响.研究结果表明：①进入PM_2.5回归模型中的变量有：年均风速、温度、降水量和周围中等植被覆盖、耕地和不透水面的面积;进入PM₁₀回归模型中的变量有：年均风速和周围中等植被覆盖的面积.两个模型的调整R²分别为0.829和0.677,模型精度较高.②抑制污染物浓度的变量,影响力随着空间范围扩大而增强;使污染物浓度增加的变量,影响力随着空间范围缩小而增强.③浓度模拟结果显示,PM_2.5和PM₁₀在西北部山区浓度较低,南偏东的城区浓度较高,并且向南有逐渐增加趋势.4植被覆盖度这一变量不仅进入了上述两个方程,且影响力都强于其他土地利用类型,故以后的模型改进应该考虑植被覆盖度这一因素.     

基于AOD数据与GWR模型的2016年新疆地区PM2.5和PM10时空分布特征

PM_2.5与PM₁₀的时空分布特征及其相关性是大气颗粒物研究的主要内容,传统方法是基于监测站点数据进行分析,难以揭示PM_2.5与PM₁₀时空分布的区域特征.为此,本文利用地理加权回归模型估算了2016年新疆地区PM_2.5与PM₁₀的月均浓度,在此基础上对区域尺度的PM_2.5与PM₁₀浓度特征进行分析.结果表明：地理加权回归相较最小二乘回归的拟合精度更高,PM_2.5和PM₁₀的决定系数分别为0.93和0.96,且误差较小;PM_2.5和PM₁₀年均浓度分别为70.88 μg·m^-3和194.53 μg·m^-3,说明大气颗粒物污染严重,且空间分布呈西南高、东北低的特征;PM_2.5和PM₁₀季节浓度均为春季最高,夏季最低;PM_2.5月均浓度2月最高,9月最低,PM₁₀月均浓度3月最高,8月最低;PM_2.5与PM₁₀年均浓度的相关系数r为0.95,相关性较高;PM_2.5/PM₁₀冬季最高为51%,其余季节小于50%,说明冬季PM_2.5对大气颗粒物污染贡献率较高,其余季节则以可吸入颗粒物中的粗颗粒贡献为主.     

2020年和2021年南京城区臭氧生成敏感性和VOCs来源变化分析

PM_2.5和臭氧(O₃)协同防控是“十四五”期间空气质量提升的重点.O₃生成与其前体物挥发性有机物(VOCs)和氮氧化物(NO_x)呈高度非线性关系.基于南京市城区站点2020年和2021年的4～9月O₃、 VOCs和NO_x的连续在线监测数据,比较了两年间O₃及其前体物浓度的变化,进一步利用基于观测的盒子模型(OBM)和正定矩阵因子分解(PMF)模型分析了O₃-VOCs-NO_x敏感性和VOCs来源.结果表明,2021年的4～9月O₃日最大浓度、 VOCs和NO_x浓度的平均值相较于2020年同期约下降7%(P=0.031)、 17.6%(P<0.001)和14.0%(P=0.004).2020年和2021年的O₃超标天NO_x和人为源VOCs的平均相对增量反应活性(RIR)分别为0.17和0.14, 0....     

重庆主城区大气PM10及PM2.5来源解析

为探讨重庆主城区4个季节大气PM₁₀和PM_2.5的主要来源,于2012年2—12月在重庆主城区的工业区、文教区和居住区5个环境监测点同步采集PM₁₀及PM_2.5样品,分析了无机元素、水溶性离子、有机碳和元素碳含量及其分布特征. 采集了重庆主城区土壤尘、建筑水泥尘、扬尘、移动源(包括机动车、施工机械及船舶)、工业源(包括固定燃烧源及工业工艺过程源)、生物质燃烧源及餐饮源等7类污染源,建立了重庆市本地化的污染源成分谱库. 利用CMB(化学质量平衡)受体模型及二重源解析技术分析了PM₁₀及PM_2.5的来源. 结果表明:重庆主城区大气中ρ(PM₁₀)及ρ(PM_2.5)的年均值分别为153.2和113.1 μg/m3,超过GB 3095—2012《环境空气质量标准》二级标准限值2倍以上. 大气PM₁₀的主要来源为扬尘、二次粒子和移动源(贡献率分别为23.9%、23.5%和23.4%),大气PM_2.5主要来源于二次粒子和移动源(贡献率分别为30.1%和27.9%).PM₁₀和PM_2.5的主要源类贡献率差别不大,表明研究区域内大气颗粒物污染控制应采取多源控制原则. 大气PM₁₀来源的季节性变化特征表现为春季和秋季主要以扬尘为主、夏季和冬季主要以二次粒子为主.