太原市城区重污染天特征及大气污染防治建议

对太原市2014年重污染天大气污染物浓度变化和时间、空间分布特征进行了分析,全年太原市城区有28个重度以上污染天,首要污染物为细颗粒物,集中出现于采暖期和10月。重污染期间,冬季PM_(2.5)、PM_(10)、SO_2、NO_2、CO浓度之间显著正相关,但均与O3显著负相关;主要超标因子PM_(2.5)、PM_(10)、SO_2浓度与风速(2.0 m/s以上时)显著负相关,与气压(P)总体负相关,与相对湿度(RH)总体正相关。重污染天城区大气污染物浓度空间分布南北差异明显、南部高于北部,聚类分析结果显示,城区北部远郊的南寨和上兰有类似污染特征,城区中部尖草坪、桃园、小店、金胜等点具有类似颗粒物污染特征,污染物分布主要与区域地形、风向、污染源分布特征有关。基于重污染天特征,该项研究提出了减缓太原市大气污染的建议。     

太原采暖季霾和良天气下大气污染物的污染特征分析

为了探讨太原市大气污染物在霾天气下的污染特征,2013年12月至2014年3月对太原市大气污染物(PM10、PM2.5、SO2、NO2、CO和O3)质量浓度进了收集研究。分析结果表明无论是霾还是良天气,PM2.5和PM10的相关性最好,PM2.5与NO2的相关性最差。O3与PM2.5的相关系数均大于0.7,表明O3与PM2.5的形成有着密切的关系。     

大气例行点位常规监测污染物的相关性分析及防控措施研究

根据济南市历下区5个大气例行监测点位2015年上半年PM2.5、PM10、SO2、CO、NO2、O3逐小时浓度的监测数据,通过SPSS软件对各项污染物的相关性进行分析得出:CO与PM2.5、PM10、SO2、NO2强相关性出现次数最多,表明CO排放源是引起颗粒物污染的主要原因之一.对监测点位周边2 km范围内机动车尾气和餐饮燃煤两项污染源进行排放量估算得出:机动车尾气CO、NOx、PM2.5和PM10年排放量分别为388.18吨、111.18吨、4.35吨和4.72吨;餐饮燃煤CO、SO2、NOx年排放量分别为36.0吨、24.0吨和9.6吨.因此,控制CO排放源对改善济南市大气环境质量至关重要.     

哈尔滨市2014年1-2月PM_(2.5)与主要空气污染物相关分析

为了解哈尔滨市主要空气污染物对PM2.5浓度变化的影响,利用SPSS软件及哈尔滨市南岗区2014年1-2月环境空气质量日报数据,对空气污染物中SO2、NO2、CO、O3、PM10、PM2.5进行了相关分析。结果显示,SO2、NO2、CO、O3、PM10与PM2.5均呈显著的正相关关系。结合相关性分析结果,建立了PM2.5与SO2、NO2、CO、PM10之间的主成分回归模型,并对模型进行了通径分析。分析结果表明,CO对PM2.5的直接影响最大,SO2、NO2、PM10对PM2.5的直接作用相对较小,但它们通过CO对PM2.5的间接作用较大。因此,在哈尔滨市1-2月主要空气污染物中,CO对PM2.5浓度的变化具有重要的影响。     

2016-2020年成都市大气质量变化特征及健康风险评价

本文基于成都市2016—2020年PM2.5、PM10、SO2、NO2、CO和O3浓度监测数据,运用主成分分析(PCA)和复合污染特征分析污染物特征及来源,并采用美国环境保护署(USEPA)推荐的健康风险评价模型评估了PM2.5、PM10、SO2、NO2的健康风险,结果表明:2016-2020年成都市除O3外其余5种大气污染物浓度逐年降低,O3浓度总体呈上升趋势.相比2016年,2020年PM2.5、PM10、SO2、NO2、CO平均质量浓度降低幅度为26.79％,30.44％,50.00％,24.49％,41.18％;O3平均质量浓度上升9.03％.主成分分析和复合污染特征分析表明大气污染物来源具有同一性.2016—2020年成都市PM2.5非致癌风险指数均大于PM10非致癌风险指数.与其它年份相比,成都市2016年PM2.5和PM10的健康风险值均最高,分别为2020年的1.55倍和1.54倍.SO2和NO2的健康风险存在年龄差异,大气污染物的健康风险随年龄的增加而降低,对老人造成的健康风险最小,儿童最大.2016年男童和女童(<6岁)SO2/NO2健康风险值最高,是2020年的2.50/1.46倍.6～17岁和60岁以上人群,男性健康风险小于女性,其余年龄段男性健康风险均大于女性.成都市各人群PM2.5、PM10、SO2和NO2的健康风险均未超过USEPA推荐的1×10-6～1×10-4可接受风险范围.     

北京市空气质量分析

整理2014—2018年北京市主要大气污染物排放数据,分别从年际间、交通流量较大的监测点间的污染物浓度指标变化分析空气质量.结果表明:2014—2017年,除O3外,PM2.5,PM10,SO2,NO2,CO浓度指标值均呈下降趋势,2018年各指标变化不明显;2014年、2015年奥体中心空气质量相对较差,2016年、...     

太原市采暖季PM2.5的污染特征分析

收集了采暖季太原市环境监测中心站公布的PM2.5和其它污染物（PM10、SO2、NO2、CO和O3）逐时监测数据,分析了PM2.5的月、日及小时浓度分布特征和变化规律,结果表明：太原市采暖季PM2.5的小时浓度范围为9～364μg/m^3,日浓度范围为19～ 208 μg/m^3,PM2.5最大日均值出现在2014年1月份,PM2.5小时浓度日变化规律呈单峰双谷趋势,PM2.5与PM10比值在0.30～0.77之间,二者相关性显著,相关系数为0.925.     

太原市采暖季PM_(2.5)的污染特征分析

收集了采暖季太原市环境监测中心站公布的PM2.5和其它污染物(PM10、SO2、NO2、CO和O3)逐时监测数据,分析了PM2.5的月、日及小时浓度分布特征和变化规律,结果表明:太原市采暖季PM2.5的小时浓度范围为9~364μg/m3,日浓度范围为19~208μg/m3,PM2.5最大日均值出现在2014年1月份,PM2.5小时浓度日变化规律呈单峰双谷趋势,PM2.5与PM10比值在0.30~0.77之间,二者相关性显著,相关系数为0.925。     

成都市区夏季大气污染物浓度时空变化特征分析

为了解成都市区大气污染物浓度水平及其变化规律,统计分析了2013年6月1日—8月31日3个市区站点(十里店、梁家巷和草堂寺)SO2、NO2、O3、PM2.5、PM10和CO逐时观测资料.结果表明,观测期间O3污染严重,上述3个站点小时均值超标率分别达22%、37%和42%.大气颗粒物污染也较为严重,上述3个站点PM10日均浓度超标率分别为13%、8%和3%,而PM2.5日均值超标率分别高达34%、27%和26%.NO2和CO早晚的浓度高峰主要与机动车流量增加和混合层高度降低有关.由于紫外辐射影响,O3浓度在正午出现峰值.受机动车流量高峰和气象条件的影响,PM2.5和PM10最大值和最小值分别出现在上午和下午.通过对污染物"周末效应"的分析,发现周末O3、PM2.5和PM10的浓度显著高于工作日,SO2、NO2和CO反之.成都市区大气污染受局地排放和外源输送共同影响,其中PM10和NO2主要受局地源控制,而PM2.5、SO2和O3受外输送影响较大.     

沈阳及周边城市大气细粒子的分布特征及其对空气质量的影响

利用沈阳、鞍山、抚顺和本溪4城市2007-2009年大气细粒子PM2.5及大气污染物PM10SO2、NO2的观测资料,分析了4城市大气细粒子的分布特征及其与空气质量的关系.结果表明:4城市大气细粒子PM2.5污染很重,年均浓度平均值超过美国大气细粒子PM2.5年均浓度标准4倍左右;4城市PM10、SO2的年均浓度呈下降...     

重庆市冬季PM_(2.5)及气态污染物的分布特征与来源

利用重庆市大气污染物监测站2013年冬季(2013年11月—2014年1月)的实测数据,分析PM2.5及相关气态污染物(SO2、NO2、O3)的时空特征,并采用轨迹聚类与PSCF(潜在源贡献因子)分析污染物来源.结果表明:除ρ(O3)以外,其他3种污染物质量浓度的月际变化趋势基本一致,均呈12月升高、1月降低的特征;污染物空间分布不均,其中ρ(PM2.5)和ρ(NO2)在工业区和人口密集区较高,ρ(SO2)南高北低,ρ(O3)城区低于郊区.ρ(SO2)、ρ(NO2)与ρ(PM2.5)均呈显著正相关,其中ρ(SO2)与ρ(PM2.5)的R(相关系数)在城、郊区分别为0.71、0.65,ρ(NO2)与ρ(PM2.5)在城、效区的R分别为0.73、0.56;而ρ(O3)与ρ(PM2.5)未表现出显著相关.ρ(SO2)、ρ(NO2)与ρ(PM2.5)的相关性高低可在一定程度上说明二次气溶胶的污染程度,ρ(O3)与ρ(PM2.5)的相关性受到PM2.5来源和污染程度的影响.轨迹分析结果显示,重庆市2013年冬季主要受东北方向气流影响;聚类分析表明,重庆市11月没有表现出明显的PM2.5外来输送特征,但12月和1月的PM2.5外来输送特征明显,并且不同方向的气流污染物浓度差异也较大.PSCF分析发现,重庆市冬季PM2.5、SO2、NO2、O3主要来源于本地和周围城市局地传输,同时还受南宁、贵阳、遵义、达州等地的影响.     

广州PM2.5化学组分特征及其与气象因子的关系

于2012年12月—2013年12月在广州城区(市站)和东部郊区(九龙)开展为期一年的PM2.5样品采集,并同步收集气象因子和气态污染物质量浓度等数据.结果表明,PM2.5中主要化学组分为有机质(OM)和硫酸盐(SO2-4),分别占市站和九龙PM2.5质量浓度的49.4%和15.2%及57.0%和17.3%.碳质气溶胶(OM和EC)贡献接近50%,二次无机气溶胶(SO2-4、NO-3和NH+4总和,SIA)贡献超过30%.由于以机动车尾气为代表的移动污染源在城市区域贡献较大,市站[NO-3]/[SO2-4]比值显著高于九龙.两个站点[NH+4]/[SO2-4]摩尔质量比均高于1.5,表明观测期间广州市干季大气处于富铵状态.市站和九龙站硫氧化率(SOR)和氮氧化率(NOR)的时空变化趋势与O3类似,表明大气光化学过程是影响广州市SOR和NOR的重要因素.相对湿度低于65%时,SOR和NOR均较高;温度对SOR和NOR的影响有显著的城郊差异.降雨对PM2.5及各化学组分浓度有显著去除作用.     

Spatial and temporal variation of particulate matter and gaseous pollutants in 26 cities in China

O3and PM2.5were introduced into the newly revised air quality standard system in February 2012, representing a milestone in the history of air pollution control, and China's urban air quality will be evaluated using six factors(SO2, NO2, O3, CO, PM2.5and PM10) from the beginning of 2013. To achieve the new air quality standard, it is extremely important to have a primary understanding of the current pollution status in various cities. The spatial and temporal variations of the air pollutants were investigated in 26 pilot cities in China from August 2011 to February 2012, just before the new standard was executed. Hourly averaged SO2, NO2and PM10were observed in 26 cities, and the pollutants O3, CO and PM2.5were measured in 15 of the 26 cities. The concentrations of SO2and CO were much higher in the cities in north China than those in the south. As for O3and NO2, however, there was no significant diference between northern and southern cities. Fine particles were found to account for a large proportion of airborne particles, with the ratio of PM2.5to PM10ranging from 55% to 77%. The concentrations of PM2.5(57.5 μg/m3) and PM10(91.2 μg/m3) were much higher than the values(PM2.5: 11.2 μg/m3; PM10 : 35.6 μg/m3) recommended by the World Health Organization. The attainment of the new urban air quality standard in the investigated cities is decreased by 20% in comparison with the older standard without considering O3, CO and PM2.5, suggesting a great challenge in urban air quality improvement, and more eforts will to be taken to control air pollution in China.     

成都市降水对大气污染物的清除效果分析

成都市受特殊地形和气候条件影响,地面风速小,静风比例高,空气湿度大,大气污染物扩散缓慢,主要靠降水的冲刷和清除作用去除大气污染物.利用2014年5月13日-2017年12月31日成都市逐小时ρ（PM_2.5）、ρ（PM₁₀）、ρ（NO₂）、ρ（O₃）、ρ（CO）、ρ（SO₂）监测数据和同期地面降水量观测数据,分析了降水前污染物质量浓度、小时最大降水量、降水持续时间及累积降水量对大气污染物清除效果的影响.结果表明:①降水对6种大气污染物的清除率随降水前污染物质量浓度的增加而增大,并且汛期降水对大气污染物的清除率大于非汛期降水.②降水对大气污染物起正清除作用,清除率随降水持续时间的增加而增大.③不同降水量对不同污染物的清除效果不同,对PM_2.5、PM₁₀、NO₂、CO和SO₂的清除率随降水量的增加而逐渐增大,对O₃的清除效果相差不大且清除率均较大;小时最大降水量对PM_2.5、PM₁₀、NO₂、O₃、CO、SO₂的清除率平均值分别为29.48%、26.95%、22.02%、26.87%、11.94%、28.75%,累积降水量的清除率平均值分别为31.64%、30.66%、24.38%、26.31%、13.89%、32.91%,其中CO不易溶于水,降水对其清除作用明显小于其他几种污染物.研究显示,降水对大气污染物的清除作用显著,对SO₂、PM_2.5和PM₁₀的清除效果较好,而对CO的清除效果较差.      

基于空间插值的西安市重空气污染期间主要污染物时空变化特征及相关性分析

西安市是我国承东启西、连接南北的战略性枢纽城市,但其长期受到重空气污染的影响.基于2018年11月24日-12月3日西安市及其周边7个地级市共38个环境质量监测站点的逐时数据,利用空间插值、趋势分析和相关性分析方法,研究了西安市一次重空气污染期间六大污染物（PM_2.5、PM₁₀、CO、NO₂、SO₂和O₃）的质量浓度时空变化及彼此间的相关关系.结果表明:①IDW（inverse distance weighting,反距加权插值法）和OKri（ordinary Kriging,普通克里格插值法）均能较好地获得西安市空气污染物的时空变化情况,但IDW的插值精度优于OKri,距离指数为7的IDW可以满足西安市空气污染物时空变化模拟的要求.②研究期间,西安市首要污染物为PM_2.5和PM₁₀,二者分别是中度-重度污染及严重-"爆表"污染天气的首要贡献因子.③ρ（PM_2.5）、ρ（PM₁₀）、ρ（CO）、ρ（NO₂）和ρ（SO₂）均呈中部高、两边低,北部高、南部低的空间分布特点,而ρ（O₃）则相反;PM_2.5、PM₁₀、O₃污染程度日趋严重,NO₂污染程度逐渐缓解.④ρ（PM_2.5）、ρ（NO₂）、ρ（CO）之间呈中等正相关,三者在时空变化上具有较高的一致性;ρ（SO₂）与ρ（PM_2.5）、ρ（NO₂）、ρ（CO）均呈弱正相关;ρ（O₃）与ρ（NO₂）、ρ（CO）均呈弱负相关.受扬尘天气和特殊风向及地形共同影响,西安市PM₁₀出现"爆表"现象,导致ρ（PM₁₀）与其他污染物质量浓度之间的相关性不明显.研究显示,距离指数为7的IDW适合西安市空气污染情况时空变化的模拟,重污染天气条件下,西安市ρ（PM_2.5）、ρ（NO₂）、ρ（CO）之间具有较高的同源性,但各污染物间时空变化和相关性关系较复杂.      

Short-term impacts of air pollution on the platelet-lymphocyte ratio and neutrophil-lymphocyte ratio among urban adults in China

The short-term impacts of urban air pollution on the platelet-lymphocyte ratio (PLR) and neutrophil-lymphocyte ratio (NLR) remain obscure.In this study,we included 3487 urban adults from the Wuhan-Zhuhai cohort.Individual inhalation exposure to air pollutants was estimated by combining participants’daily breath volume and ambient concentrations of six air pollutants (includingfine particulate matter (PM_2.5),inhalable particulate matter(PM₁₀),nitrogen dioxide (NO₂...     

利用多元线性回归方法评估气象条件和控制措施对APEC期间北京空气质量的影响

气象条件对大气污染物的扩散和传输有重要影响,准确分离和定量气象因素对空气质量的影响是评估大气污染控制政策有效性的前提.本研究利用APEC会议期间及前后(2014-10-15～2014-11-30)北京城区朝阳观测站点SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)以及气象因素的观测数据,采用多元线性回归分析方法,定量评估了气象条件和空气污染控制措施对APEC期间北京空气质量的影响.在假定排放条件不变的情况下,基于气象因素参数建立的预测污染物浓度的多元线性回归模型模拟效果较为理想,决定系数R~2在0. 494～0. 783之间.控制措施使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低48. 3%、53. 5%、18. 7%、40. 6%、3. 6%、34. 8%、28. 8%和40. 6%,气象因素使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低1. 7%、-2. 8%、18. 7%、4. 5%、18. 6%、27. 5%、30. 6%和35. 6%.气象因素和控制措施共同作用使得APEC控制期北京空气质量得到了明显改善.控制措施对SO_2和氮氧化物浓度的下降起主导作用,气象因素对CO浓度的下降起主导作用,气象因素和控制措施对颗粒物浓度降低的贡献相当.本研究还利用相对权重方法研究了气象因素对污染物浓度影响的贡献,结果表明影响不同污染物浓度的决定性气象因素不同.     

基于空间密集传感器解析城市本地排放和区域传输贡献方法初探

为了对城市污染物进行详细区域来源解析,基于长沙市低成本传感器监测网络,收集了2019年10月PM_2.5、PM₁₀、SO₂、NO₂的高空间分辨率监测数据,对污染特征进行分析.同时,根据本地排放和背景浓度变化的不同相对频率,基于小波分析提取了污染物背景浓度并结合空间密集监测量化了城市环境中监测点的近场、远场及区域传输贡献.结果显示,2019年10月长沙市4项常规污染物中,PM_2.5浓度较高,SO₂浓度较低.小波分析提取各监测点背景浓度结果表明,部署在乡村的监测点PM_2.5、PM₁₀和NO₂背景浓度平均水平较低,而城市总体数据分布更分散,存在明显的本地排放源.估计近场、远场及区域传输对城市监测点总污染水平贡献发现,研究期间,区域传输对监测点污染贡献最大.其中,PM_2.5的区域贡献、远场贡献和近场贡献占比分别为43%、24%和17%;PM₁₀的区域贡献占比较高为59%,远场贡献和近场贡献分别占比14%和16%;NO₂的区域贡献、远场贡献和近场贡献占比分别为45%、24%和19%;而SO₂主要以区域贡献为主,占比达78%.     

2015—2017年天水市大气污染物变化特征及来源分析

据天水市2015-2017年大气污染物（SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀）的监测数据及气象资料,分析了天水市大气污染物的浓度变化特征,并利用排放源清单和HYSPLIT模型对污染物来源进行了解析.结果表明：①天水市空气质量有所下降,总体优良率达84.9%.SO₂、NO₂、CO均达标,污染物以颗粒物和O₃为主.②一次污染物SO₂、NO₂、CO、PM_2.5和PM₁₀浓度具有相似的季节变化和日变化特征,冬季最高,夏季最低,日变化呈早晚双峰型.二次污染物O₃夏季浓度最高,冬季最低,日变化呈单峰型.③天水市空气质量主要受污染物的本地排放和外来输送的影响,本地民用和工业部门对SO₂、CO、PM_2.5和PM₁₀的贡献最大,交通和工业部门对NO_x的分担率最高,民用部门是CO的最大排放源;西北和东部气流是污染物外来的最主要输送路径.此外,污染物在城市大气中的稀释、扩散和转移也受当地气象因素（气温、降水、风向等）的影响.     

基于遥感资料的北京大气污染治理投资对降低PM_(2.5)的效能分析

采用北京市环境监测中心35个站点的PM2.5监测数据及MODIS Terra的大气气溶胶光学厚度L3 C051产品数据,分季度建立北京市PM2.5历史浓度遥感估算模型.结合北京大气污染物(PM10、PM2.5、SO2、NO2)年均浓度数据,对北京市2001—2012年间用于工业废气污染治理投资累计额进行了效能分析.研究表明,北京市工业废气污染治理投资对于改善大气PM10、SO2、NO2均有显著贡献,但其对于大气PM2.5污染的治理效果并不明显.可能原因包括PM2.5排放源的复杂性、相关治理措施对PM2.5的针对性、经济增长导致的区域PM2.5源排放持续增长及区域外排放的持续影响等.因此,需要采取专门的有针对性的治理措施,建立健全大气污染治理技术和激励机制,控制工业燃煤及城市交通排放,削减本地及周边源排放,以有效改善北京地区大气PM2.5污染状况.