保定市冬季PM2.5的氧化潜势特征及其影响来源分析

为了探究保定市郊区2018年冬季PM_2.5氧化潜势的特征及其影响来源,利用二硫苏糖醇（DTT）测定法对PM_2.5中活性氧进行测定,采用皮尔逊相关分析PM_2.5中各化学成分与氧化潜势的关系,并且利用PMF对DTT_v进行污染源解析.结果表明,冬季保定市ρ(PM_2.5)平均值为（140.96±70.67）μg·m^-3,高于同时期北京PM_2.5浓度.氧化潜势的DTT_v和DTT_m值均表现出白天高于夜间的情况[DTT_v白天为（2.37±0.76） nmol·（min·m³）^-1,夜间为（2.14±1.17） nmol·（min·m³）^-1; DTT_m白天为（0.96±0.60） pmol·（min·μg）^-1,夜间为（0.76±0.41） pmol·（...     

京津冀地区典型城市大气细颗粒物碳质组分污染特征及来源

为研究京津冀地区典型城市大气细颗粒物及其碳质组分的时空变化特征及来源,于2016年12月28日—2017年1月22日及2017年7月1—26日,对北京市与石家庄市PM_2.5（细颗粒物）及PM₁（亚微米颗粒物）进行采集,使用DRI（热光碳分析仪）检测PM_2.5与PM₁中ρ（OC）与ρ（EC）,并对其碳质组分来源进行分析.结果表明:①采样期间,冬、夏两季PM_2.5与PM₁中ρ（OC）均为石家庄市采样点远高于北京市采样点;冬季PM_2.5与PM₁中ρ（EC）均为石家庄市采样点高于北京市采样点,夏季则略有不同.②冬季污染日,北京市采样点ρ（PM_2.5）与ρ（PM₁）均为石家庄市采样点的1.08倍,PM_2.5与PM₁中的ρ（OC）分别为石家庄市采样点的1.14和1.12倍,石家庄市采样点PM_2.5与PM₁中ρ（EC）分别为北京市采样点的1.15和1.28倍;冬季重污染日,北京市采样点的ρ（PM_2.5）与ρ（PM₁）分别为石家庄市采样点的1.03和1.04倍,PM_2.5和PM₁中的ρ（OC）分别为石家庄市采样点的1.23和1.22倍,石家庄市采样点PM_2.5和PM₁中的ρ（EC）分别为北京市采样点的1.03和1.16倍.夏季污染日,石家庄市采样点ρ（PM_2.5）与ρ（PM₁）分别为北京市采样点的1.16和1.30倍,PM_2.5与PM₁中ρ（OC）分别为北京市采样点的1.64和2.71倍,两个采样点ρ（EC）相近.③冬、夏两季PM_2.5与PM₁中ρ（SOC）/ρ（OC）均较高,冬季北京市采样点分别为48.09%和54.29%,石家庄市采样点分别为44.98%和48.09%,夏季北京市采样点分别为48.47%和61.50%,石家庄市采样点分别为61.52%和63.55%,表明SOC更易富集于亚微米粒子中.④冬季北京市和石家庄市两个采样点PM_2.5与PM₁中碳质组分均主要来源于生物质燃烧、燃煤和机动车尾气;夏季北京市采样点PM_2.5与PM₁中碳质组分主要来源于机动车尾气,石家庄市采样点PM_2.5与PM₁中碳质组分主要来源于燃煤和机动车尾气.研究显示,北京市和石家庄市两个采样点大气细颗粒物及其碳质组分浓度存在时空分布和污染来源差异.      

低成本大气颗粒物传感器的室外环境性能评测研究

对目前大气环境颗粒物监测中采用的基于光散射法的3种型号传感器进行了评测研究,其中A和B是用于室内环境监测,C用于室外环境监测.对3种型号颗粒物传感器与基于β射线方法的标准仪器MATONE BAM-1020对比,对传感器的变异性、时间序列、传感器与标准仪器的线性相关性、其他因素影响、数据质量五个方面开展了分析.结果表明：各型号颗粒物传感器之间有较强相关性（R²达到了0.95以上）;3种颗粒物传感器与标准仪器测量结果吻合度较高,R²分别为0.58,0.80,0.61,且在整个测试时间段内,传感器相对于标准仪器来说高估了PM_2.5;高的相对湿度（RH>50%）和PM_2.5/PM₁₀（ratio）会对传感器产生影响.A、B、C三种型号传感器PM_2.5数据平均绝对误差（MAE）分别为23.31,10.14,28.17μg/m³;归一化均方根误差（RMSE）分别为25.80,14.01,32.98μg/m³,准确性（A%）分别为51.39%,72.97%,46.51%.     

干气溶胶复折射率的参数化方案

基于成都市2017年10~12月WS600一体式气象站、AURORA-3000积分浊度计、AE-31黑碳仪以及GRIMM180环境颗粒物监测仪的地面逐时观测数据,结合Mie散射理论数值改进算法与免疫进化算法反演了550nm波长处干气溶胶复折射率（DACRI）的实部（n_re）和虚部（n_i）.通过分析DACRI反演结果与颗粒物质量浓度之比（BC/PM₁,BC/PM_2.5,BC/PM₁₀,PM₁/PM_2.5,PM₁/PM₁₀和PM_2.5/PM₁₀）之间的相关性,利用逐步线性回归方法分别构建了n_re和n_i的参数化方案. n_re和n_i的参数化方案拟合值与实测值之间的相关系数（R）分别为0.54和0.85（P<0.0001）,平均相对误差（MRE）分别为2.31%和15.18%.此外,利用该参数化方案计算的DACRI模拟了一次灰霾演化过程中干气溶胶的散射系数b_sp和吸收系数b_ap,其模拟值与实测值之间的相关系数分别为0.98和0.91（P<0.0001）,平均相对误差分别为7.43%和14.97%.     

2018年吉林市大气污染物浓度变化及其与气象因素的相关性分析

采用统计学方法、Pearson相关系数法和线性回归法研究分析了2018年吉林市大气污染物SO₂、NO₂、PM₁₀、PM_2.5、CO和O₃浓度的变化特征、污染物浓度之间的相关性以及污染物与气象因素的相关性。结果表明:1）吉林市大气环境中O₃、PM₁₀和PM_2.5日均值超标率分别为1.06%、3.27%和7.14%,颗粒物、O₃及其前体物质为治理重点;CO、SO₂、NO₂、PM₁₀和PM_2.5春、冬季污染较重,夏季污染最轻;大气环境中的污染物浓度随季节、时刻及人类活动发生周期性变化;2）PM₁₀和PM_2.5、PM_2.5和CO、NO₂和CO浓度之间高度相关（相关系数r均>0.8）,并建立了其预测线性模型;3）污染物（O₃除外）浓度与温度、风速和混合层高度呈负相关,与气压呈正相关;降水对SO₂、PM₁₀和PM_2.5浓度具有一定的削减作用,降水后其浓度减少的次数占总降水次数的68.75%、84.38%和78.13%;吉林市污染最严重的颗粒物受气象因素中混合层高度、风速和降水影响较大。该研究成果可为日后吉林市开展大气污染治理、区域大气环境容量测算、空气污染潜势预报等研究提供参考。     

南昌市大气颗粒物污染特征及PM2.5来源解析

为探讨2013年南昌市大气颗粒物的污染特征及分布状况,收集南昌市9个大气监测站点实时发布的PM₁₀和PM_2.5数据,分析了ρ（PM₁₀）、ρ（PM_2.5）和ρ（PM_2.5）/ρ（PM₁₀）的变化规律及其与气态污染物的相关性,并结合污染严重的秋季时段,采用PCA-MLR（主成分分析-多元线性回归）模型对大气PM_2.5中化学组分来源进行解析.结果表明:①ρ（PM₁₀）和ρ（PM_2.5）的年均值分别为（115.4±39.1）（69.1±26.8）μg/m3,均超过GB 3095-2012《环境空气质量标准》二级标准限值,ρ（PM₁₀）和ρ（PM_2.5）的最高值分别出现在石化、省外办监测站点,最低值出现在林科所监测站点.ρ（PM₁₀）和ρ（PM_2.5）季节性变化特征明显,呈冬季>春、秋两季>夏季的趋势,全年ρ（PM₁₀）超标天数占比为25.48%,ρ（PM_2.5）超标天数占比为36.71%,各季度ρ（PM_2.5）超标天数占比均高于ρ（PM₁₀）.②受人为活动和边界层高度的影响,ρ（PM_2.5）和ρ（PM₁₀）日变化呈双峰双谷形态,一个波峰出现在08:00-10:00,另一个波峰出现在20:00-22:00,并且晚间小时峰值高于早间,最低值出现在15:00.③ρ（PM_2.5）/ρ（PM₁₀）年均值为60.3%,在冬季最高达65.1%,相关性分析发现ρ（PM₁₀）与ρ（PM_2.5）存在较显著的线性关系,表明二者具有同源性.④ρ（PM₁₀）、ρ（PM_2.5）均与ρ（SO₂）、ρ（NO₂）、ρ（CO）呈显著正相关,并且冬季相关性高于夏、秋两季;而ρ（PM₁₀）、ρ（PM_2.5）均与ρ（O₃）全年呈显著负相关,并且夏、秋两季相关性高于冬季,说明气态污染物的二次转化对ρ（PM_2.5）和ρ（PM₁₀）有较大影响.⑤南昌市秋季PM_2.5的最大污染源为道路扬尘/机动车尾气混合污染源,其次分别为施工扬尘源、燃煤源、冶炼尘/生物质燃烧混合污染源,各污染源对PM_2.5的贡献率分别为40.9%、35.8%、12.4%、10.9%.研究显示,南昌市PM_2.5的污染程度较PM₁₀严重,PM_2.5已成为南昌市大气颗粒物污染的主要组分,PM_2.5主要来源为城市扬尘和机动车尾气.      

甘肃省冬季颗粒物浓度的数值模拟

颗粒物浓度的数值模拟能够反映颗粒物的空间分布特征,对于防治大气颗粒物污染具有一定意义.利用MEIC清单和第二次全国污染源普查（简称“二污普”）数据统计的甘肃省工业源、电力源、农业源、民用源和交通源五类源的主要污染物排放量,分析了污染源排放的空间分布特征,利用WRF-Chem模式模拟了甘肃省2019年1月PM₁₀和PM_2.5浓度,将模拟结果与甘肃省33个环境空气质量国控监测点颗粒物日均监测数据进行对比,检验WRF-Chem模式模拟的性能,进一步分析了甘肃省颗粒物浓度的空间分布特征.结果表明:①甘肃省SO₂、NO_x、PM₁₀、PM_2.5、VOCs、NH₃和CO在1月的排放量分别为2.12×104、2.96×104、2.97×104、2.43×104、3.18×104、1.27×104和3.04×105 t,除NH₃外,其他污染物排放高值主要分布在兰州市、嘉峪关市等工业发达地区.②33个环境空气质量国控监测点模拟与监测的PM₁₀和PM_2.5浓度的相关系数分别为0.544和0.597,颗粒物的模拟值与监测值有较好的相关性;WRF-Chem模式模拟结果显示,PM₁₀和PM_2.5浓度高值分布在兰州市,次高值分布在天水市和庆阳市,甘南藏族自治州以及河西地区颗粒物浓度较低,这是甘肃省工业布局、扩散条件和地形条件综合作用的结果.研究显示,WRF-Chem模式可以较好地模拟甘肃省区域颗粒物浓度时空分布特征.      

石家庄市采暖前后大气颗粒物及其碳组分特征

为研究石家庄市大气颗粒物、碳组分特征和污染来源,采集2016年11月1日—12月31日石家庄市大气颗粒物（PM₁₀、PM_2.5和PM₁）样品,分析采暖前后PM₁₀、PM_2.5和PM₁及其中OC（有机碳）、EC（元素碳）和WSOC（水溶性有机碳）浓度水平,计算颗粒物与碳组分间相关性,进行OC/EC（质量浓度之比,下同）特征比值法和8个碳组分（OC1、OC2、OC3、OC4、OPC、EC1、EC2和EC3）研究.结果表明:①采暖后ρ（PM₁₀）和ρ（PM_2.5）比采暖前分别增加了26.4%和32.1%,而采暖后ρ（PM₁）比采暖前降低了12.2%.采样期间ρ（PM₁₀）与ρ（PM_2.5）显著相关,而ρ（PM₁）分别与ρ（PM_2.5）和ρ（PM₁₀）相关性差.采暖后散煤燃烧造成ρ（PM₁₀）和ρ（PM_2.5）增加,区域机动车限行和工业限产/停产导致ρ（PM₁）降低.②Pearson相关系数计算可知,ρ（OC）与ρ（EC）强相关;ρ（PM₁₀）和ρ（PM_2.5）分别与ρ（OC）和ρ（WSOC）强相关,而ρ（PM₁）分别与ρ（OC）和ρ（WSOC）中等相关;ρ（PM₁₀）和ρ（PM_2.5）分别与ρ（EC）弱相关,ρ（PM₁）与ρ（EC）中等相关.③采暖后PM₁₀、PM_2.5和PM₁中ρ（OC）比采暖前分别增加了215.1%、97.2%和18.5%;采暖后PM₁₀和PM_2.5中ρ（EC）比采暖前分别增加了65.2%和5.3%,而采暖后PM₁中ρ（EC）比采暖前降低了10.9%.集中供热和散煤燃烧排放了大量OC;PM₁₀和PM_2.5中EC主要来源于散煤燃烧,PM₁中EC主要来源于工业排放和机动车尾气.④采暖前PM₁₀、PM_2.5和PM₁中OC/EC平均值分别为4.5、4.5和4.3;采暖后PM₁₀和PM_2.5中OC/EC平均值分别为9.8和9.7,而PM₁中OC/EC平均值为7.4.采暖前后SOC/OC（质量浓度之比,下同）平均值的范围为0.36~0.65,石家庄市冬季大气中SOC污染严重;⑤8个碳组分分析发现,石家庄市机动车限行导致PM₁中ρ（EC1）降低,而采暖后集中供暖和散煤燃烧的增加,导致ρ（OC2）明显增加.研究显示,大气颗粒物中碳组分采暖前主要来源于机动车尾气,而采暖后主要来源于燃煤燃烧,尤其是散煤燃烧.      

济南市大气颗粒物背景值确定方法

城市大气颗粒物背景值的确定能够为制订城市大气颗粒物污染防治目标提供重要基础支撑,探索大气颗粒物背景值确定方法对于大气污染防治具有重要意义.以济南市清洁对照点跑马岭监测数据为基础,直接采用概率密度法计算得到的ρ（PM₁₀）和ρ（PM_2.5）背景值范围分别是100~110和40~50 μg/m3.综合应用空气质量模型模拟法和概率密度法,提出基于数值模拟的城市大气颗粒物环境背景值确定方法,并在此基础上确定了济南市大气颗粒物背景值.结果表明:济南市ρ（PM₁₀）和ρ（PM_2.5）背景值范围分别是30~35和15~20 μg/m3,其中ρ（PM₁₀）环境背景值秋季（40~45 μg/m3）最高、夏季（25~30 μg/m3）最低;ρ（PM_2.5）环境背景值秋季（25~30 μg/m3）最高、冬季（10~15 μg/m3）最低.研究显示,基于数值模拟计算得到的颗粒物背景值明显低于直接采用概率密度法得到的结果,表明跑马岭受人为因素影响明显,监测结果已不能完全代表济南市大气颗粒物背景值水平;而数值模拟法可以完全剔除了人为源的贡献,计算得到较为准确的ρ（PM₁₀）和ρ（PM_2.5）背景值.      

甘肃省区域颗粒物时空分布特征及传输路径

基于甘肃省2018~2019年颗粒物质量浓度监测数据,分析了全省大气颗粒物浓度的时空变化及排放特征,并利用HYSPLIT后向轨迹模式研究了颗粒物传输路径.结果表明：颗粒物（PM₁₀和PM_2.5）空间分布呈现区域特征：PM₁₀浓度高值位于河西走廊地区,由北向南呈阶梯式递减;PM_2.5以陇中地区为高值中心,向南北两侧递减,陇南地区为全省颗粒物清洁区.不同地区PM₁₀与PM_2.5地面浓度季节变化特征存在差异,陇中、陇东和陇南地区PM₁₀和PM_2.5浓度变化特征一致,陇中和陇东地区颗粒物（PM₁₀与PM_2.5）浓度冬高夏低,陇南地区则为冬高秋低;河西走廊PM₁₀和PM_2.5浓度季节变化不同,PM_2.5冬高夏低,PM₁₀春高夏低.后向轨迹聚类结果表明全省春季、冬季均受到来自中亚及新疆的偏西气流影响,该路径输送下可吸入颗粒物（PM₁₀）浓度明显高于其他路径,是典型的沙尘输送路径,4大分区受沙尘传输影响程度依次为河西 > 陇中 > 陇东 > 陇南,来自陕西、川渝的偏东路径是陇南地区颗粒物的主要输送路径,该路径下PM_2.5/PM₁₀比值大于0.5,明显高于偏西路径,说明偏东路径人为源污染贡献显著.研究结果有助于全面认识全省颗粒物污染特点、为分区制定颗粒物污染防治政策、以及区域污染协同治理提供科学的参考依据.     

国Ⅴ公交车燃用生物柴油的颗粒物碳质组分排放特性

以一辆国Ⅴ柴油公交车为研究对象,在重型底盘测功机上运行中国典型城市公交循环,研究了纯柴油（D100）,体积混合比例分别为5%,10%和20%餐厨废弃油脂制生物柴油-柴油混合燃料（即B5,B10,B20）的颗粒物（PM）碳质组分排放特性.结果表明：国Ⅴ柴油公交车尾气颗粒物碳质组分包括有机碳（OC）和元素碳（EC）,OC占73%~82%,OC的主要组分是OC2和OC3,生物柴油对车辆尾气颗粒物OC组成比例没有影响;随着生物柴油混合比例的增加,公交车尾气颗粒物OC和OC+EC排放呈降低的趋势,EC排放增加,且B10的OC排放较高;PM_0.05~0.1,PM_0.1~0.5,PM_0.5~2.5,PM_2.5~18 4个粒径段颗粒物中,PM_0.1~0.5的OC和EC排放最高,PM_2.5~18的EC排放几乎为零,生物柴油可改善公交车尾气超细颗粒（PM_0.05~0.1）的OC排放,对公交尾气颗粒物EC排放基本没有影响;公交使用生物柴油混合燃料尾气颗粒物OC/EC减小,且PM_0.05~0.1和PM_0.5~2.5OC/EC降低幅度明显,对大气二次气溶胶的影响减弱.     

广州不同站点类型PM2.5与O3污染特征及相互作用

基于2015~2019年广州4个不同国控站点类型的大气污染物监测数据,研究了广州各站点类型颗粒物（PM_2.5）和臭氧（O₃）的污染特征,并分析了O₃污染季节和PM_2.5污染季节PM_2.5和O₃的相关性及相互作用.结果表明：2015~2019年广州各站点类型PM_2.5浓度总体呈下降趋势,O₃浓度呈上升趋势.不同污染季节PM_2.5与O₃浓度均呈正相关.O₃污染季节二次PM_2.5的生成对颗粒物的影响显著大于一次PM_2.5,随着光化学水平的升高,一次PM_2.5的贡献浓度基本不变（均在21.03~31.37μg/m³范围内）,贡献率逐渐下降;而二次PM_2.5的贡献浓度逐渐升高（3.51~7.72 μg/m³升高到16.04~18.45μg/m³）,贡献率也逐渐升高（11%~27%升高到34%~44%）,且呈倍数增加.不同站点类型贡献差异明显,背景站点二次PM_2.5的贡献最大,城区站点在中和高光化学水平下二次PM_2.5的贡献最小;PM_2.5污染季节各站点类型在不同PM_2.5污染水平下O₃浓度均具有差异性,总体上均呈现背景站点>郊区站点>城区站点的特点.气溶胶的消光作用和非均相反应均显著促进O₃生成,随着PM_2.5浓度升高,各站点类型的O₃浓度峰值逐渐升高,由62.12~83.82μg/m³升高到92.49~135.4μg/m³;O₃变化率峰值也逐渐升高,由8.42~10.02μg/（m³·h）升高到21.33~27.04μg/（m³·h）.进一步促进了广州PM_2.5和O₃浓度的协同增长.     

北京市PM2.5中类腐殖质的生物氧化应激效应初探

为研究细颗粒物(PM_2.5)中类腐殖质(humic-like substances, HULIS)的生物氧化应激效应,对北京市区和郊区不同季节大气PM_2.5及其中碳质组分和金属元素浓度进行测定,并以大鼠肺泡巨噬细胞(NR8383)作为细胞模型,分析PM_2.5及其重要组分诱导产生内源性ROS的能力,研究了PM_2.5中HULIS对诱导产生内源性ROS的贡献. 结果表明:①冬季PM_2.5中碳质组分浓度及内源性ROS浓度(单位为μg zymosan/m3,以酵母聚糖(zymosan)表征的单位体积空气中内源性ROS的浓度)明显高于夏季,但夏季PM_2.5具有更高的生物氧化潜力(单位为μg zymosan/mg PM,以酵母聚糖(zymosan)表征的单位质量颗粒物的生物氧化潜力). ②PM_2.5中碳质组分和一些金属元素浓度均与PM_2.5生成的内源性ROS浓度之间具有较高的相关性. ③HULIS单独诱导生成的内源性ROS浓度也呈冬季〔市区和郊区分别为(55.46±22.69) (43.27±23.89) μg zymosan/m3〕高于夏季〔市区和郊区分别为(18.73±11.94) (7.88±3.63) μg zymosan/m3〕的特征. 在北京市区和郊区两个采样点,由HULIS单独诱导生成的内源性ROS浓度与PM_2.5诱导生成的总内源性ROS浓度之间具有较好的相关性. 研究显示,HULIS是PM_2.5中诱导ROS生成的关键组分,在北京市区和郊区两个采样点HULIS对PM_2.5诱导的内源性ROS的贡献率分别为42%和37%.      

昆明市大气总悬浮颗粒物和PM2.5上多溴联苯醚的分布特征和潜在风险

为探究PBDEs（多溴联苯醚）在昆明大气中的环境行为,于2014年3月对昆明8个采样点大气TSP（总悬浮颗粒物）和PM_2.5样本进行了收集并利用GC-MS技术对其上附着的PBDEs的13种同系物进行了测定,进而对TSP和PM_2.5上PBDEs的分布特征和潜在风险进行了分析.结果表明:附着在TSP上的∑PBDE浓度（多溴联苯醚的总质量浓度）的范围为21.10~175.00 pg/m3.而附着在PM_2.5上的∑PBDE浓度范围为17.50~149.00 pg/m3,约占TSP中∑PBDE浓度的35.31%~85.14%,并且高溴化的同系物（BDE-138~BDE-209）比低溴化的同系物（BDE-17~BDE-99）更容易附着在PM_2.5上,约占∑PBDE浓度的8.50%~61.60%.对大气颗粒物中PBDEs的潜在影响和空气吸入暴露剂量评估结果表明,成人和儿童对PBDEs的DED_air（呼吸日暴露量）分别在5.28~43.75和6.90~57.23 pg/（kg·d）之间,TDI（每日总摄入量）分别在114.78~951.09和150.00~1 244.13 pg/（kg·d）之间,远低于最低无害水平[1 mg/（kg·d）].BDE-99的TDI分别为11.09~72.39和14.35~94.57 pg/（kg·d）,均低于最低摄入水平[260 pg/（kg·d）].研究显示,昆明市大气TSP和PM_2.5上的PBDEs对人体不存在健康风险.      

菏泽市冬季大气PM2.5和PM10中碳组分来源解析

为研究菏泽市冬季大气颗粒物中碳组分的污染特征和来源,于2016年1月采集菏泽市冬季大气PM_2.5和PM₁₀样品,基于热光反射法分析样品中OC（有机碳）、EC（元素碳）及8个碳组分[OC1、OC2、OC3、OC4、EC1、EC2、EC3和OP（裂解碳）]的含量,并计算得到ρ（Char-EC）（Char-EC为燃料燃烧后固体残渣中的EC）和ρ（Soot-EC）（Soot-EC为燃烧后气相挥发物质再凝结形成的EC）,以定性识别大气颗粒物中碳组分的来源.结果表明,菏泽市冬季大气颗粒物样品中碳组分浓度处于较高水平,PM_2.5中的ρ（OC）、ρ（EC）分别为26.34、9.22 μg/m3,PM₁₀中ρ（OC）、ρ（EC）分别为31.82、10.71 μg/m3.采样期间大气PM_2.5中碳组分（OC、EC、OC1、OC2、OC3、OC4、EC1、EC2、EC3、Char-EC、Soot-EC）浓度与PM₁₀中相应各组分浓度的比值均大于0.5（0.60~0.90）,表明碳组分多集中于细粒子（PM_2.5）.大气颗粒物样品中各碳组分浓度具有明显空间差异,各点位大气PM_2.5和PM₁₀中ρ（OC）均显著高于ρ（EC）（T检验,P < 0.05）.菏泽市冬季大气PM_2.5和PM₁₀中Char-EC/Soot-EC（二者质量浓度之比）分别为10.04、8.00,并且存在显著的空间差异性（T检验,P < 0.05）.PMF（正定矩阵因子分解法）解析结果表明,菏泽市冬季大气PM_2.5和PM₁₀中碳组分来源主要有4类,包括两类柴油车（1类排放的碳组分中以EC2为主,定义为柴油车-1;1类排放的碳组分中以EC3为主,定义为柴油车-2）、汽油车、生物质燃烧和燃煤混合源,对大气PM_2.5中碳组分的分担率分别为13.98%、5.13%、24.47%、41.97%,对大气PM₁₀中碳组分的分担率分别为16.08%、8.21%、18.34%、47.35%.可见,菏泽市冬季大气PM_2.5和PM₁₀中碳的主要来源是柴油车、汽油车、生物质燃烧和燃煤.      

不同城市PM2.5对易感小鼠线粒体损伤的影响

采集太原市冬季大气细颗粒物（PM_2.5）,选取4周、4月、10月龄C57BL/6雌性小鼠,采用咽后壁滴注的方法用3mg/kg（体重）PM_2.5暴露4周.此外,分别采集太原市、北京市、杭州市和广州市4个城市的冬季PM_2.5,将10月龄小鼠暴露其中.采用荧光定量PCR技术检测心脏组织中细胞色素C氧化酶亚基I（co1）、IV（co4）和ATP合酶（ATP6）以及核转录因子pgc-1α、nrf1和tfam的mRNA转录水平.结果发现,太原市PM_2.5暴露后,10月龄小鼠心脏组织中co1、co4和ATP6以及核转录因子pgc-1α、nrf1和tfam的mRNA水平与对照组相比均显著升高.但4周和4月龄小鼠中上述基因表达则未见明显差异.10月龄小鼠暴露于不同城市PM_2.5后,杭州PM_2.5暴露可引起小鼠心脏组织中co1、co4、ATP6、pgc-1α、tfam的mRNA表达上升.北京PM_2.5暴露可引起小鼠心脏组织中co1、ATP6和tfam的mRNA表达显著上升;广州PM_2.5暴露则未见上述任何基因表达的显著改变.研究表明,太原市PM_2.5对易感小鼠心脏线粒体氧化磷酸化的影响最大,其次是杭州市和北京市,而广州市的影响最小.     

广州市中心城区公交车站颗粒物污染暴露特征及影响因素分析

为探究超大城市居民在中心城区公交车站候车的颗粒物暴露情况,使用Grimm Aerosol 11-A型便携式气溶胶光学粒径谱仪对广州市越秀区和天河区共7个典型公交车站的颗粒物污染暴露进行平行监测.结果表明:①各公交车站的平均PM₁、PM_2.5和PM₁₀暴露浓度分别为（33.35±15.96）（46.97±22.94）和（89.70±67.07）μg/m3,休息日公交车站的暴露浓度约为工作日的2倍,高峰期颗粒物暴露浓度略高于平峰期.②候车乘客数、道路车流量和相对湿度是影响PM₁、PM_2.5暴露浓度的主要因素,纯电动公交车停靠次数虽对细颗粒物暴露浓度无明显贡献,但其制动、轮胎与路面摩擦以及扬尘产生的粗粒径排放成为PM₁₀污染的主要因素之一.③粗粒径模态（1~10 μm）颗粒物是颗粒物浓度的主要贡献源,其浓度占比高达63%,但数浓度占比不足1%;而积聚模态（0.25~1 μm）颗粒物数浓度占比在99%以上,部分车站积聚模态颗粒物质量浓度占比超过40%,说明细颗粒污染严重.④单位时间内公交车站候车乘客PM₁、PM_2.5和PM₁₀总暴露剂量分别为（241.80±82.85）（342.59±112.11）和（681.17±226.89）μg/h,表现出工作日高于休息日、工作日高峰期高于平峰期、休息日高峰期低于平峰期的特征,部分车站（如DF和LS站）老人总暴露剂量占比超过40%,成为公交车站主要暴露对象之一.研究显示,广州市中心城区公交车站颗粒物暴露特征时空差异明显,道路车流量、相对湿度、候车乘客数和公交车停靠次数是影响颗粒物暴露浓度的主要因素.      

唐山一次冬季重污染过程污染特征及成因分析

选取河北省唐山市2017年12月27~31日一次典型重污染过程,开展其污染特征及成因分析,对污染期间气象要素、大气颗粒物组分特征进行综合研究.结果表明,此次大气重污染过程中PM_2.5平均质量浓度为154μg/m³,重度污染及以上时PM_2.5/PM₁₀为0.7;PM_2.5中SNA质量浓度占比达58.0%,OC/EC的比值为4.1,说明颗粒物二次反应和有机物在此次污染过程有较大贡献;长期均压场以及近地面高湿、小风、逆温的出现导致唐山地区大气层结稳定,加之周边地区区域传输的贡献,是导致此次大气重污染过程的重要影响因素.     

嘉兴市冬季不同空气质量等级下大气污染物的分布特征

为研究浙江省嘉兴市冬季PM、污染气体和含碳气溶胶在不同空气质量等级下的分布特征,于2013年11月28日—12月28日使用SHARP测尘仪、热电EMS系统和Sunset在线OCEC分析仪观测了PM（PM₁₀和PM_2.5）、污染气体（SO₂、NO₂、CO和O₃）和含碳气溶胶〔OC（有机碳）、EC（元素碳）和TC（总碳）〕的质量浓度,结合气象数据和HYSPLIT模式,分析了霾污染过程中大气污染物浓度变化、日变化及其来源特征.结果表明:嘉兴市冬季霾天ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）、ρ（O₃）、ρ（OC）、ρ（EC）、ρ（POC）和ρ（SOC）分别为167.90、248.86、77.79、、97.16、28.50、27.09、7.72、7.50和19.59 μg/m3,ρ（CO）为1.47 mg/m3,分别是空气质量为良时的3.00、2.50、1.29、1.84、0.86、2.59、2.19、2.13、2.82和1.50倍.降雨对不同大气污染物的清除作用不同,对粗粒子的清除作用较大,而对二次产物O₃的影响较小.高ρ（PM）是造成能见度降低的主要原因,随着污染程度的加剧,PM中细粒子占比越来越高,在严重污染过程中ρ（PM_2.5）/ρ（PM₁₀）可达70.31%,比空气质量为良时高14.04%;不同污染气体的日变化不同,OC和EC的来源逐渐趋于一致,ρ（SOC）呈现出积累-爆发-积累-爆发的往复过程,边界层的日变化对污染物浓度的影响逐渐减弱.研究显示,随着霾污染的加剧,SOC气溶胶占比逐渐增加、EC和POC等一次碳气溶胶占比逐渐降低.