长三角地区大气污染物对新冠肺炎封城的时空响应特征

利用2020年1月1日—2月29日上海、南京、合肥和杭州4个城市常规污染物的逐时监测资料,结合卫星反演的NO₂垂直柱浓度信息,探讨了新冠肺炎封城的前、中、后期长三角地区城市大气污染物的污染水平及响应特征.结果显示：除O₃外,其余大气污染物的平均浓度在时间上的整体变化趋势均表现为封城前>封城中（1月24日—2月10日）>封城后,表明空气质量并非完全受封城导致的污染减排控制.封城期间的PM_2.5/PM₁₀比值高于封城前和封城后,表明气溶胶二次生成对封城期间仍出现的颗粒物污染可能有重要贡献.O_x浓度在封城期间也有显著上升（p<0.01）,表明大气氧化性可能在NO₂减少的背景下得到强化,从而促进二次气溶胶的生成.从空间看,O₃分布呈以城市为中心的包围式往内聚集分布,表明以局地生成为主.PM_2.5、PM₁₀、CO、SO₂和NO₂分布特征为北高南低,表明冬季自北向南的区域传输对封城期间的空气污染有重要贡献.卫星反演结果进一步证实华北平原是污染的主要源区,这也得到轨迹来源分析的佐证.     

厦门湾空气质量对新冠疫情管控的响应

通过对厦门湾城市群在COVID-19封锁前后6周内（2020-01-11~2020-02-21）的空气污染物浓度变化进行分析,以确定影响本区域空气质量的主要人为污染源.在春节假期与封锁叠加期间,SO₂、NO₂、CO、PM₁₀和PM_2.5浓度相比于节前1周的下降幅度分别为6%~22%、53%~70%、34%~48%、47%~64%和53%~60%,而O₃浓度变化没有一致的规律性;与2018~2019年历史同期相比,PM_2.5、PM₁₀、CO和NO₂的下降幅度更大,但SO₂的下降幅度相当;在复工复产后,NO₂的反弹幅度最大（38%~138%）,远高于SO₂（2%~42%）,显示交通源相对于固定源更易受到疫情管控的影响;春节后风速增大和降水增多也为SO₂、NO₂和PM的下降提供了正向影响.利用反距离插值权重法,得到管控前后厦门湾城市群不同污染物的空间分布变化特征,显示NO₂浓度高值区的变化与交通源高度相关,CO和SO₂空间分布特征保持稳定,复工后PM_2.5和PM₁₀在人口与路网密集区变化不明显,而在工地相对集中区域有明显上升,O₃空间分布的低值区与NO₂的高值区具有较好的空间匹配性,显示NO₂对O₃滴定作用明显,可为进一步O₃污染减排措施的制定提供参考.     

COVID-19管控前后不同污染阶段PM2.5中二次无机离子变化特征

为探讨新冠肺炎疫情(COVID-19)管控前后不同污染阶段PM_2.5中二次无机离子变化特征,使用高分辨率(1 h)在线仪器对2019年12月15日至2020年2月15日郑州冬季气象、污染气体浓度和PM_2.5中水溶性离子水平进行在线监测,分析此次COVID-19管控前后霾过程的成因、大气污染物的日变化特征和在霾不同阶段下大气污染物的分布特征.结果表明,郑州主要受到高压脊控制,天气形势稳定,有利于大气污染物累积,二次无机气溶胶(SNA,包括SO₄^2-、NO^-₃和NH⁺₄)是水溶性离子的主要组分,占比高达90%以上,COVID-19期间居家隔离措施对霾不同阶段下大气污染物的分布特征产生不同的影响,COVID-19期间PM_2.5在干净、发生和消散阶段的浓度比COVID-19前有所提高,但是发展阶段明显降低,居家隔离明显使PM_2.5高值降低了;NO₂、SO<...     

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.      

Evidence of aircraft activity impact on local air quality: A study in the context of uncommon airport operation

Wuhan Tianhe International Airport (WUH) was suspended to contain the spread of COVID-19, while Shanghai Hongqiao International Airport (SHA) saw a tremendous flight reduction. Closure of a major international airport is extremely rare and thus represents a unique opportunity to straightforwardly observe the impact of airport emissions on local air quality. In this study, a series of statistical tools were applied to analyze the variations in air pollutant levels in the vicinity of WUH and SHA. The results of bivariate polar plots show that airport SHA and WUH are a major source of nitrogen oxides. NO_x, NO₂ and NO diminished by 55.8%, 44.1%, 76.9%, and 40.4%, 33.3% and 59.4% during the COVID-19 lockdown compared to those in the same period of 2018 and 2019, under a reduction in aircraft activities by 58.6% and 61.4%. The concentration of NO₂, SO₂ and PM_2.5 decreased by 77.3%, 8.2%, 29.5%, right after the closure of airport WUH on 23 January 2020. The average concentrations of NO, NO₂ and NO_x scatter plots at downwind of SHA after the lockdown were 78.0%, 47.9%, 57.4% and 62.3%, 34.8%, 41.8% lower than those during the same period in 2018 and 2019. However, a significant increase in O₃ levels by 50.0% and 25.9% at WUH and SHA was observed, respectively. These results evidently show decreased nitrogen oxides concentrations in the airport vicinity due to reduced aircraft activities, while amplified O₃ pollution due to a lower titration by NO under strong reduction in NO_x emissions.     

Significant concurrent decrease in PM2.5 and NO2 concentrations in China during COVID-19 epidemic

The strict control measures and social lockdowns initiated to combat COVID-19 epidemic have had a notable impact on air pollutant concentrations. According to observation data obtained from the China National Environmental Monitoring Center, compared to levels in 2019, the average concentration of NO₂ in early 2020 during COVID-19 epidemic has decreased by 53%, 50%, and 30% in Wuhan city, Hubei Province (Wuhan excluded), and China (Hubei excluded), respectively. Simultaneously, PM_2.5 concentration has decreased by 35%, 29%, and 19% in Wuhan, Hubei (Wuhan excluded), and China (Hubei excluded), respectively. Less significant declines have also been found for SO₂ and CO concentrations. We also analyzed the temporal variation and spatial distribution of air pollutant concentrations in China during COVID-19 epidemic. The decreases in PM_2.5 and NO₂ concentrations showed relatively consistent temporal variation and spatial distribution. These results support control of NO_x to further reduce PM_2.5 pollution in China. The concurrent decrease in NO_x and PM_2.5 concentrations resulted in an increase of O₃ concentrations across China during COVID-19 epidemic, indicating that coordinated control of other pollutants is needed.     

深圳市2022年春季新冠疫情管控期间空气质量分析

短期减排是我国城市应对大气污染事件的重要应急管控手段,但短期减排的效益尚未得到完善分析.2022年3月14～20日,广东省深圳市为抑制新冠疫情传播实施了全市管控,为评估短期减排对华南城市春季空气质量的影响提供独特机会.结合深圳市高精度环境空气质量监测与气象观测等多源数据,分析了深圳市管控期间前后的空气质量变化.此次管控前和管控期中均有部分日期天气形势静稳,局地污染水平主要反映本地排放,有利于分析本地减排的影响.观测与WRF-GC区域化学模拟都表明,与珠三角周边城市相比,深圳市管控期间由于市内交通源排放显著减少,深圳市二氧化氮(NO₂)浓度降低(-26±9.5)%,可吸入颗粒物(PM₁₀)浓度降低(-28±6.4)%,细颗粒物(PM_2.5)浓度降低(-20±8.2)%,但臭氧(O₃)浓度无显著变化[(-1.0±6.5)%].TROPOMI卫星观测的甲醛和二氧化氮柱浓度数据对比表明,2022年春季珠三角臭氧光化学主要受挥发性有机物(VOCs)浓度控制,对氮氧化物浓度降低不敏感,反而可能因氮氧化物对臭氧滴...     

京津冀污染物跨界输送通量模拟

发展了关键影响因子加权人为源分配方法(WKIF),增添了依赖于气象条件和下垫面类型的生物源,动态更新了气象场和浓度场的边界条件.然后利用WRF-CAMx模式定量给出了四季北京、天津和河北大气边界层中PM2.5、O3、CO、SO2、NO2和NO跨界输送通量和北京净输入或输出通量.结果表明WKIF方法合理反映了中小城市人为源的空间分布特征,模式重要输入参量、初值与边界条件的改进显著改善了WRF-CAMx模式对京津冀地区6个观测站点近地面NOx、O3和PM2.5浓度的模拟.北京向天津冬、春季主要通过西北方向,夏、秋季主要经过偏西方向输入NO、NO2、SO2、CO、O3、PM2.5,输送通量夏季均最小,冬季均最大,且四季北京向天津输入的CO、O3、PM2.5通量显著高于NO、NO2、SO2通量.河北的污染物冬、春季主要通过西北方向,夏季主要经由偏南方向,秋季主要途径偏西方向进入北京;四季北京向河北输入NO和NO2,但跨界输送通量小于20t·d-1;四季河北向北京输入的CO、O3、PM2.5通量远高于北京向河北输送的NO、NO2通量,明显大于北京向河北输送的SO2通量,且河北向北京输入CO、O3、PM2.5通量夏季均最小,冬季均最大;四季北京大气边界层中NO、NO2、SO2最大净输出通量小于50t.d-1,CO、O3、PM2.5净输入或输出通量分别为111～2309、567～6244、715～1778t·d-1.这些定量结果为京津冀区域污染源调控对策的制定提供了科学依据.     

2014~2016年京津冀沿山城市空气质量首要污染物特征分析

对北京、保定、石家庄、邢台和邯郸这5个京津冀太行山沿山城市2014~2016年空气质量首要污染物进行分析,探讨其空间分布特征和时间变化趋势.结果表明,北京首要污染物由主到次为PM_2.5、O₃-8h、NO₂和PM₁₀,其他4个城市首要污染物排序为PM_2.5、PM₁₀、O₃-8h、NO₂、SO₂和CO.在空间分布上,各城市PM_2.5首要污染物天数比例3 a均值相当（53.3%~58.1%）,但从北向南,5个城市PM₁₀天数比例基本呈上升趋势,而O₃-8h反之.除邯郸PM_2.5首要污染物天数比例逐年明显下降外,其他4个城市的天数比例年际变化幅度较小;2016年石家庄、邢台和邯郸O₃-8h天数比例均显著上升.各城市PM_2.5和O₃-8h首要污染物天数月变化曲线分别呈"W"型和"倒U"型,PM₁₀首要污染物天数在3~5月出现明显高值区.从良至严重污染,各城市PM_2.5和PM₁₀首要污染物天数比例之和随空气质量级别逐级递增,其中PM₁₀天数比例逐级下降,而PM_2.5表现相反;O₃-8h首要污染物天基本出现在良至中度污染级别,且总体上逐级下降;NO₂仅在良级天有较高的天数比例贡献.     

Comprehensive and high-resolution emission inventory of atmospheric pollutants for the northernmost cities agglomeration of Harbin-Changchun, China: Implications for local atmospheric environment management

Using a bottom-up estimation method, a comprehensive, high-resolution emission inventory of gaseous and particulate atmospheric pollutants for multiple anthropogenic sectors with typical local sources has been developed for the Harbin-Changchun city agglomeration (HCA). The annual emissions for CO, NOx, SO₂, NH₃, VOC_S, PM_2.5, PM₁₀, BC and OC during 2017 in the HCA were estimated to be 5.82 Tg, 0.70 Tg, 0.34 Tg, 0.75 Tg, 0.81Tg, 0.67 Tg, 1.59 Tg, 0.12 Tg and 0.26 Tg, respectively. For PM₁₀ and SO₂, the emissions from industry processes were the dominant contributors representing 54.7% and 49.5%, respectively, of the total emissions, while 95.3% and 44.5% of the total NH₃ and NOx emissions, respectively, were from or associated with agricultural activities and transportation. Spatiotemporal distributions showed that most emissions (except NH₃) occurred in November to March and were concentrated in the central cities of Changchun and Harbin and the surrounding cities. Open burning of straw made an important contribution to PM_2.5 in the central regions of the northeastern plain during autumn and spring, while domestic coal combustion for heating purposes was significant with respect to SO₂ and PM_2.5 emissions during autumn and winter. Furthermore, based on Principal Component Analysis and Multivariable Linear Regression model, air temperature, relative humidity, electricity and energy consumption, and the urban and rural population were optimized to be representative indicators for rapidly assessing the magnitude of regional atmospheric pollutants in the HCA. Such indicators and equations were demonstrated to be useful for local atmospheric environment management.     

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.      

安徽省大气污染物时空分布特征及演化规律

在区域复合型大气污染逐渐常态化之下,联防联控治理的新模式已成为解决区域性大气污染的根本途径和有效措施.利用2015年冬季（2015年11月8日—2016年1月20日）、2016年冬季（2016年11月8日—2017年1月20日）安徽省16个城市大气污染物（NO₂、SO₂、CO、O₃、PM₁₀、PM_2.5）浓度数据,结合耦合协调度模型、探索性空间数据分析和障碍度模型,分析大气污染物的时空格局特征,描述其演变规律和总体走向,诊断区域大气污染物中的首要障碍因子.结果表明:①安徽省大气污染物浓度水平具有时间波动性和空间非均衡性,NO₂、O₃、PM₁₀和PM_2.5指数水平表现为递增态势,整体呈现“两高一低”,即皖北高（0.050 3）、中部地区高（0.050 1）和皖南低（0.040 5）的态势,年际变化呈增长趋势,空间分异度变化较大;②安徽省大气污染物耦合度较高,基本维持在拮抗阶段（2015年冬季和2016年冬季耦合度年均值分别为0.480、0.479）,皖北呈增加态势,而中、南部城市主要呈略微降低趋势;包括极度失调和严重失调两种类型（2015年冬季和2016年冬季协调度平均值分别为0.114、0.123）;③安徽省内各城市大气污染物在全省范围内热、冷点分布迥异,2015年冬季和2016年冬季主要经历了聚拢（NO₂、O₃向中部城市聚拢）和北迁（PM₁₀、PM_2.5往北迁）两个过程.研究显示,结合安徽省大气污染物障碍度测量分析,优化和量化区域大气污染物中的首要障碍因子,可为有效开展地区大气污染的防控治理及区域联动提供有利保障.      

基于BP神经网络的大气污染物浓度预测

利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似.     

重污染天气应对“绩效分级、差异化管控”措施首次实践效果后评估

为提高重污染天气应对的科学性和精准度,2019年7月生态环境部制定重污染天气应对“绩效分级、差异化管控”措施.为应对9月底至10月初的重污染过程,京津冀及周边共68个城市启动重污染预警,该措施得以首次实践.通过时间序列断点回归方法对该措施效果进行评估发现,空气质量改善存在滞后的现象,SO₂、 NO₂和CO这3个气态污染物改善速度较快,对涉及二次生成的O₃和PM_2.5两个污染物见效速度相对较慢. 10月1日恰逢在北京举办庆祝中华人民共和国成立70周年阅兵式,对10月1日当天进行评估,发现与假如不采取措施的情形相比,重污染应急措施使北京市PM_2.5、 NO₂和CO日均浓度显著下降,下降幅度分别为54.1%、 62.4%和25.8%.如果不采取重污染应急措施,北京10月1日上午可能出现中重度污染,但实际上空气质量保持在良的水平.区域启动预警的68城市PM_2.5、 PM₁₀、 NO₂、 SO     

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...     

G20峰会期间杭州地区空气质量特征及气象条件分析

利用空气质量和气象要素的监测资料与再分析资料,分析了2016年G20峰会期间(2016年8月10日—9月20日)杭州及周边地区空气质量演变及区域特征,探讨了气象条件对G20峰会期间杭州空气质量的影响.结果表明:G20峰会管控期间,由于机动车排放大幅度降低,杭州NO_2浓度较管控前有所下降,对比周边城市降幅居于首位;而由于不利气象条件的影响,PM_(2.5)、PM_(10)、SO_2、CO和O_3浓度比管控前有不同程度的增长,但增幅相比周边城市较小,说明管控措施对杭州空气质量有一定的改善效果.9月7日管控措施结束后污染反弹现象明显.气象条件对杭州的空气质量有重要影响:在管控前,杭州晴热高温天气有利于O3的生成,偏东风相对洁净,污染传输较少;在管控期,杭州虽受到静稳天气和外来污染传输的影响,但得益于减排应急管控措施的有效实施,NO_2浓度下降幅度最大,其他污染物的增幅也较周边城市偏小;在管控后,气象条件不利于污染物的垂直扩散,受静稳天气和污染源恢复常态的影响,PM_(2.5)、PM_(10)、NO_2、SO_2和CO出现了整个研究时段的最大值,而台风"莫兰蒂"使得杭州PM_(2.5)、PM_(10)和O_3浓度出现了整个研究时段的最低值.     

南昌市固定燃烧点源大气污染物排放清单及特征

大气污染物排放清单是了解区域污染物排放特征、准确模拟空气质量的重要资料,而工业点源是大气污染的重点排放源.通过收集相关活动水平信息和合理的排放因子,采用"自下而上"的方法建立了南昌市2014年点源大气污染物排放清单.结果表明,SO_2、NO_x、CO、PM_(10)、PM_(2.5)和VOC排放总量分别为29576.2、17115.1、25946.6、4689.4、922.9和1190.4 t,其中,金属炼制行业对SO_2、CO和VOC的贡献最高,分别占37.75%、30.59%和38.45%;火电行业是NO_x的主要来源,其贡献率为47%;水泥等建材制造行业对PM_(10)和PM_(2.5)排放贡献最高,分别为26%和25%.根据排放源污染物排放量及地理坐标信息,建立了0.4 km×0.4 km的污染物排放量空间分布特征图,结果表明,南昌市大气污染物排放较为集中,青山湖区北部和新建区北部是SO_2、NO_x、CO和VOC的主要排放区,而PM_(10)和PM_(2.5)的排放量相对分散,并在安义县出现排放高值区.通过将计算结果与统计数据结果进行对比,了解所估算清单的准确程度.对SO_2和NO_x的计算值和统计值进行统计分析,结果显示,NMB(标准化平均偏差)和NME(标准化平均误差)值均小于50%,清单计算精度较高.同时,为了解清单数据质量,对清单的不确定性进行定量分析,结果显示,SO_2和VOC不确定性较低而PM_(10)和PM_(2.5)的不确定性相对较高,清单整体不确定性与其他研究结果相差不大.建议后期研究可以从提升基础数据质量和建立具有区域代表性的排放因子数据库着手,从而减小排放量的不确定性,获得精准可靠的大气污染物清单并应用于空气质量模型预报等更深入的研究.     

河南省18个城市大气污染物分布特征、区域来源和传输路径

河南省大气污染严重且与周边区域污染传输及交互影响明显,以2017年1、4、7和10月为研究对象,将河南省内18个地市的排放源分别标记,并应用于WRF-CMAQ溯源模型进行模拟.污染物分布结果表明,由于排放和气象的共同影响,河南省PM_2.5、NO₂和SO₂浓度表现为冬季最高,夏季最低.O₃-8h浓度的季节变化则为夏季最高,春季次之,冬季最低.不同季节间污染物浓度差距较大,河南省PM_2.5、NO₂和SO₂冬季浓度平均值分别是夏季的4.17、4.12和6.24倍,而O₃-8h在夏季的浓度是冬季的2.24倍.由于PM_2.5、NO₂和SO₂与一次排放关系密切且具有一定的同源性,这3种污染物的高值分布为北高南低,季节趋势较为一致.而O₃-8h季节分布差异较大,夏季气象条件有助于O₃的生成,O₃-8h高值主要分布于河南省东北区域;冬春秋季由于气象条件的抑制和NO_x的消耗O₃-8h高值主要分布在河南省的南部.传输结果表明,冬季省外传输和天然源对河南省PM_2.5、O₃-8h、NO₂和SO₂浓度的贡献率都是最大的,分别为36.20%~72.32%、77.96%~96.08%、49.45%~78.80%和59.05%~88.85%.在仅考虑本地排放和省内传输时,夏季河南省内各市的排放对本地4种污染物浓度的贡献率均为最高;春季省内传输对各市PM_2.5和O₃-8h浓度的贡献率较大,分别为25.63%~74.69%和30.21%~80.01%,冬季省内传输对各市NO₂和SO₂浓度的贡献率较大,分别为26.02%~76.96%和20.30%~82.34%.河南省内PM_2.5、NO₂和SO₂的传输路径相似,冬季多由北向南传输,春季多由西向东,西南向东北传输,夏季多由西南向东北传输,秋季多由北向南传输,但PM_2.5的传输更加复杂.而O₃-8h传输路径与其他3种较为不同,特别是在秋季O₃-8h由西南向东北的传输路径明显.     

电动汽车普及对江苏冬季大气污染影响的数值模拟

为研究电动汽车普及对空气质量的影响,首先利用机动车排放计算模型MOBILE估算了在电动汽车替代50%小型载客车情景下江苏省的大气污染物排放量,并利用中尺度气象-化学模式(WRF-Chem)模拟和分析了电动车替代前后冬季污染物浓度的变化特征.结果表明,如果用电动汽车替代小型载客车,江苏省13个地级市的CO、NO_x、VOC排放量都有所降低,减排量从地区来看,苏南苏中苏北.电动汽车替代将会造成江苏地区由交通排放引起的CO浓度降低20%～35%,氮氧化物浓度降低10%～30%,减排效果总体上苏南地区好于苏中和苏北地区.交通排放对于SO_2、一次PM_(2.5)和PM_(10)的贡献小,也可能是因为清单低估了交通源对它们的贡献,因此,减排效果不明显.受NO_x影响,交通减排增加了O_3浓度.