郑州市PM2.5浓度时空分布特征及预测模型研究

利用统计学原理和GIS技术,对郑州市2013年8月17—12月31日期间PM2.5浓度时空分布特征进行分析,同时结合气象资料与前一日污染数据,建立人工神经网络反向传播算法模型(BP-ANN)和多元线性回归模型用于该市细颗粒物污染的短期预测。结果表明,郑州市PM2.5浓度日变化呈单峰模式,随逆温现象的发生和交通的密集于上午11:00达到峰值,午后逐步下降。在工作日、周末与国庆节的对比中,国庆节期间颗粒物污染浓度高出平日32.8%,表明人为活动的加剧影响PM2.5的排放;周末与工作日期间无显著差异。在空间分布上,金水区、管城回族区污染最为严重,工业燃煤、地铁施工等源排放是造成污染的主要原因;位于远郊的岗里水库,受秸秆焚烧和市区污染输送等影响,PM2.5浓度亦维持较高水平。最后,研究将所构建的BP-ANN预测模型和多元线性回归模型对比,结果发现两模型在建模阶段预测值与真实值的拟合一致性指标分别为0.944、0.918,均方根误差分别为59.788、70.611;验证阶段拟合一致性指标分别为0.854、0.794,平均绝对误差分别为25.298、32.775,表明BP-ANN模型在预测郑州市PM2.5污染过程中更具优势。     

基于时空回归克里格和AOD数据的PM2.5时空插值

基于京津冀地区2016年PM_(2.5)浓度监测数据和MOD04的10 km分辨率气溶胶数据,结合时空位置,建立PM_(2.5)回归模型,使用时空回归克里格方法对京津冀地区进行PM_(2.5)时空插值,对比研究时空回归克里格与只使用监测站数据的普通时空克里格方法的时空插值结果。结果表明,两种方法的插值结果时空趋势相同,京津冀地区东南部PM_(2.5)浓度较高,夏秋两季浓度低于春冬两季;时空回归克里格插值结果的均方根误差为26.1,时空克里格插值结果均方根误差为28.3,即兼顾时空趋势并结合气溶胶数据的时空回归克里格插值精度提高了约8%。     

基于GIS的石家庄市PM10和PM2.5时空分布研究

利用2018年261个乡镇环境空气自动监测站监测数据,结合GIS空间分析技术,对石家庄市PM10和PM2.5的时空污染特征进行了研究。结果表明,石家庄地区PM10和PM2.5污染的空间分布整体表现为西北部山区好于东南部的平原地区,主城区好于周边县(市、区)的特征。采暖期PM10和PM2.5的污染程度明显重于非采暖期。PM2.5稳定性差于PM10,PM10和PM2.5的稳定性与污染程度具有一定的负相关性,表现出污染越轻的区域稳定性越差。两者的日均值浓度变化在时间序列上呈极强正相关,且污染越重的区域时间相关性越强。与日均值相关性不同,污染程度越轻的区域PM10和PM2.5年均值的线性相关性越强。     

江苏省PM_(2.5)质量浓度的时空变化格局模拟

基于遥感数据,利用多元线性回归模型研究地面监测的PM_(2.5)质量浓度数据与AOD、气象数据及地面植被覆盖等数据的关系,空间精细化反演江苏省PM_(2.5)质量浓度分布。结果表明,AOD、气象数据及地面植被覆盖数据能较好地反演出PM_(2.5)质量浓度时空分布特征;江苏全省PM_(2.5)质量浓度呈现出冬高秋低、春夏居中的季节变化规律;春、冬季PM_(2.5)质量浓度的高值区集中在苏锡常、宁镇扬及泰州、南通等东南沿海的城市,而在靠近西北内陆的盐城、连云港、徐州、淮安、宿迁PM_(2.5)质量浓度较低,夏、秋季呈现出相反的态势。     

北京地区PM_(2.5)与空气污染物的关系模型

为了研究北京地区PM2.5与空气污染物的质量浓度关系。从PM2.5监测网收集2013-04-01~2014-05-15期间PM2.5、PM10、SO2、NO2、CO、O3等主要空气污染物数据,用多元线性回归模型建立PM2.5与空气污染物的质量浓度关系。结果表明:北京地区PM2.5与空气污染物PM10、SO2、NO2、CO、O3的质量浓度相关系数分别为0.9172、0.6332、0.7683、0.8166和-0.1797,优化的拟合方程为:[PM2.5]=-22.5925+0.569109×[PM10]+23.94913×[CO]+0.113025×[BPM2.5],模型的估算值与观测值相关系数为0.9426,此方程能较好地模拟北京地区的PM2.5质量浓度。     

京津冀典型城市采暖季颗粒物浓度与元素分布特征

选择京津冀地区3个典型城市和从南至北的4个国家大气背景站作为研究对象,收集采暖季空气颗粒物PM2.5、PM10样品,微波消解-ICP-MS法分析了样品中的68种元素。结果表明,北京、天津、石家庄PM2.5和PM10日均质量浓度均高于国家二级标准限值和背景点,一元线性回归分析结果表明,PM10与PM2.5质量浓度呈线性相关,Na、Mg、Al、S、K、Ca、Fe质量浓度为0.1~10μg/m3,Si、P、Ti、Mn、Ni、Cu、Zn、Ba、Pb质量浓度为10~100 ng/m3,其他元素质量浓度为0.01~10 ng/m3或未检出。在元素构成上,S、Na、Al、K、Fe、Mg、Ca、P、Si等是主要元素,元素含量均大于1%。其他微量元素每种元素含量为0.1%~1%。14种重点防控重金属在PM2.5中的吸附显著高于PM10,主要来源于燃煤、燃油、工业排放、机动车尾气等。     

库尔勒市大气颗粒物污染特征与影响因素分析

针对库尔勒市PM 10、PM 2.5年均浓度超标现象,基于市区3个环境监测站2013—2017年的逐时观测数据,分析PM 10、PM 2.5污染特征、成因及其主要影响因素。结果表明:①2013—2017年库尔勒市PM 10年均浓度变化较大且无明显趋势,PM 2.5年均浓度整体呈下降趋势;②季节尺度上,库尔勒市PM 10在每年2—5月呈现高浓度,PM 2.5高浓度期则为10月至翌年5月;③城郊的开发区站PM 10浓度最高,老城区的州政府站PM 2.5浓度最高,在PM 10和PM 2.5的高浓度期空间差异尤其显著;④PM 10与风速显著正相关,来自塔克拉玛干沙漠的风蚀沙尘颗粒物是库尔勒地区颗粒污染物的主要来源;⑤库尔勒市PM 10主要为外源输入,PM 2.5则以城市内源为主,相对湿度、风速、风向、温度等气象条件是影响大气颗粒物浓度及分布的重要因素。     

中国北方地区采暖期颗粒物污染现状

分析了2013—2016年冬季采暖期与非采暖期中国北方地区颗粒物污染现状及时空变化特征。结果表明:中国北方地区空气污染比较严重,采暖期尤为突出。2016年,中国北方地区重度及以上污染天数比例超过10%,采暖期优良天数比例较非采暖期下降22.8%,重度及以上污染天数比例升高10.1个百分点。颗粒物浓度呈现明显的冬季高、夏季低的特点,最高值一般出现在12月至次年1月,最低值一般出现在7—9月。2013—2016年,北方地区空气质量呈较为明显的改善趋势,PM_(10)和PM_(2.5)浓度总体呈下降趋势,但2014年以来采暖期同期比较显示,PM2.5浓度呈缓慢升高趋势,采暖期空气污染形势十分严峻。颗粒物浓度呈现明显的空间分布规律,采暖期石家庄、保定、衡水、邢台、邯郸、安阳等城市为京津冀区域污染最严重的城市。     

城市环境空气中PM_(10)和PM_(2.5)质量浓度分布的均匀性研究

对长沙市环境空气中PM10、PM2.5质量浓度进行自动监测,并统计分析其分布的均匀性。结果表明,在1 d的4个典型时刻以及日内,PM2.5的质量浓度分布总体上较PM10均匀;从月内日均值及2013年1月—10月的月均值变化情况看,PM2.5质量浓度的相对标准偏差(RSD)总体高于PM10,表明PM2.5在长时间尺度上的分布较PM10更不均匀;就功能区分布而言,PM10、PM2.5质量浓度分布的均匀性没有明显的区域差异,两者的变化幅度与功能区类别没有必然联系。     

2013年北京市PM2.5重污染日时空分布特征研究

根据2013年北京市环境保护监测中心监测的PM2.5数据,系统分析了北京市重污染日PM2.5污染的时空分布特征,并利用克里格插值初步统计了全年和重污染日PM2.5不同浓度区间的国土面积。2013年全市PM2.5年均浓度为89.5μg/m3,重污染日平均浓度为218μg/m3,重污染日主要集中在冬季;PM2.5年均浓度呈现明显的南高北低梯度分布特征,而重污染日空间分布较均匀,南部及城六区存在明显的高污染区,平均浓度在180μg/m3以上;2013年北京市重污染日PM2.5平均浓度为150~250μg/m3,其对应的国土面积约为12 656 km2,PM2.5平均浓度在250μg/m3以上的国土面积约为883 km2,而全年无PM2.5平均浓度在150μg/m3以上所对应的国土面积。     

百色市冬季PM2.5传输路径及来源分析

通过采用后向轨迹结合聚类分析方法计算2015—2016年百色市PM2.5潜在源贡献因子(PSCF)和浓度权重轨迹(CWT),分析影响该市冬季PM2.5质量浓度的潜在源区,并探讨不同源区对PM2.5的贡献率。同时,使用CAMx模式模拟百色市各县区及周边区域对该市大气传输的影响。结果表明,影响百色市PM2.5浓度潜在源主要集中在该市和临近的河池、南宁、崇左,以及北部的贵州省;CAMx模式模拟对百色市冬季大气污染物传输的地区来源与该市大气污染物的PSCF分析和CWT分析权重较大的区域较为一致,这些区域对百色市PM2.5的贡献率达73%。     

京津冀区域臭氧污染趋势及时空分布特征

为研究京津冀区域的臭氧(O_3)污染情况及其时空分布特征,对2013—2015年京津冀区域13个城市80个国家环境空气监测点位的监测数据进行了统计分析。结果表明:2013—2015年,京津冀区域O_3污染状况整体呈加重趋势,其中2014年污染状况最为严重。13个城市中O_3污染最严重的城市为北京和衡水,连续3年均超标,且处于上升态势中。区域内不同城市O_3污染趋势并不相同。京津冀区域O_3浓度变化呈明显的季节变化特征,春末和夏季的O_3污染最严重。O_3-8 h(臭氧日最大8 h均值)年均值的高值区主要分布在北京中北部、承德和衡水等,2013—2015年第90百分位O_3-8 h的高值区均集中分布在北京。O_3的浓度峰值时间要晚于NOx2~5 h。O_3在春、夏季呈单峰分布,白天15:00左右出现最大值,在秋、冬季浓度较低,全天波动不大。     

乌鲁木齐市2011年冬季PM2.5/PM10浓度特征分析

利用乌鲁木齐市PM2.5//PM10自动监测数据,分析PM2.5与PM10的浓度分布特征和时间变化规律。结果表明,按照《环境空气质量标准》(二次征求意见稿)的标准限值,乌鲁木齐市冬季PM2.5污染重于PM10。PM2.5浓度为0.164mg/m3,超过二级年标准限值的3.7倍,超标率为73.9%。PM2.5浓度日变化曲线昼高夜低,呈单峰型,峰值出现在13:00~14:00(北京时间)。PM10中PM2.5所占比例较高,PM2.5/PM10为0.79,相关分析和检验显示PM2.5与PM10的线性相关显著,相关系数为0.92。     

Evaluation and optimization of an urban PM2.5 monitoring network

The objective of this study was to evaluate the PM(2.5) monitoring network established in the Greater Cincinnati and Northern Kentucky metropolitan area for measuring the 24 h integrated PM(2.5) concentration, as well as-at selected sites-hourly PM(2.5) concentration and 24 h integrated PM(2.5) speciation. The data collected during three years at 13 measurement sites were analyzed for spatial and temporal variations. It was found that both daily and hourly concentrations of PM(2.5) have low spatial variation due to a regional influence of secondary ammonium sulfate. In contrast, the trace element concentrations had high spatial variation. Seasonal variation accounted for most of the total temporal variation (60%), while yearly, monthly, weekly and daily variations were lower. The variance components and cluster analyses were applied to optimize the number of sites for measuring the 24 h PM(2.5) concentration. It was found that the 13-site network may be optimized by reducing the number of sites to 8, which would result in a relative precision reduction of 9% and a relative cost reduction of 36%. At the same time, the data suggest that the spatial resolution of speciation monitors and real-time PM(2.5) mass monitors should be increased to better represent spatial and temporal variations of the markers of local air pollution sources.     

降雨对长三角区域PM2.5浓度的影响

利用WRF-CAMx模式分析首届中国国际进口博览会(简称进博会)期间一次降雨过程对长三角地区PM2.5浓度影响,结果表明,降雨量分布区域与因降雨造成的PM2.5浓度减少量分布区域并不完全一致,湿沉降量受降雨量、PM2.5浓度和风速等多个因素共同影响。数值模拟结果表明,降雨导致浓度下降幅度排前5位的组分分别是有机气溶胶、硫酸盐、硝酸盐、铵盐和细颗粒原生气溶胶,下降幅度分别为44. 28%、16. 55%、11. 55%、9. 53%和5. 23%。结合观测资料和数值模式模拟结果可知,首届进博会期间上海本地减排和周边区域协同控制作用使PM2.5日均质量浓度降低33. 23μg/m3,因降雨引起的湿沉降作用使上海市PM2.5质量浓度降低15. 88μg/m^3。     

山西省大气污染特征及对公众健康的空间影响

利用山西省11个地级市大气环境监测站的PM_2.5、PM₁₀和O₃浓度数据,分析了2015—2020年山西省PM_2.5、PM₁₀和O₃浓度时空变化特征,采用空间计量模型和岭回归方法,分析了空气污染对公众健康的空间影响。结果表明:PM_2.5和PM₁₀年均质量浓度总体下降,两者在2017年最高,2020年最低;O₃年均浓度总体增加。在季节尺度上,PM_2.5和PM₁₀质量浓度在冬季的12月和1月最高,夏季的8月最低;O₃浓度在6月最高。空间上,相较2015年,2020年山西省各地级市PM_2.5污染程度均有改善,其中长治改善效果最好;2020年山西各地级市PM₁₀污染兼有加重和减轻的情形,所有地级市PM_2.5和PM₁₀污染水平均超过国家二级污染浓度限值;2020年山西多数地级市O₃浓度升高。山西公众健康水平具有明显的空间离散特征,PM_2.5和PM₁₀浓度的局部空间自相关特征高度一致,呈现"南高北低"的格局,O₃浓度分布呈"南部高,中北部低"的格局。大气环境质量和经济发展水平均对医疗机构诊疗人数和健康体检人数的变化有正向影响,每万人卫生技术人员数量和公共财政支出比例对公众健康均有负向影响,其中经济发展水平和大气环境质量的影响最显著。山西省PM_2.5治理取得一定成效,但大部分城市PM_2.5和PM₁₀达标率较低,O₃浓度有持续升高的趋势,PM₁₀和O₃污染改善缓慢,深度减排仍面临挑战。PM_2.5和PM₁₀是危害山西公众健康的主要大气污染物,未来需要加强PM_2.5、PM₁₀和O₃的精细化管理及协同治理。     

睢宁地区大气PM_(2.5)及气态污染物季节性变化特征

根据2014年全年实时在线观测数据,分析了徐州睢宁地区大气细颗粒物(PM_(2.5))和气态污染物(包括SO_2、CO、NO_x、O_3)质量浓度的季节性变化特征。结合后向轨迹模型,分析不同气团对该地区大气污染浓度的影响。PM_(2.5)与O_3值在夏季最低,呈显著相关,表明夏季PM_(2.5)主要受控于本地大气光化学活性。在冬季,除O_3外,PM_(2.5)、SO_2、CO、NO_x值最高,且大气颗粒物主要以细粒子为主。O_3在春季最高,并与远程传输的气团且经过我国东部污染源密集地区相对应。高浓度的PM_(2.5)主要与冬季缓慢移动的气团相对应,这可能将PM_(2.5)及其气态前体物传输至该地区进而加重大气污染程度。     

污染源减排对长三角区域冬季细颗粒物污染的敏感性研究

为了进一步精准有效地降低细颗粒物浓度,针对长三角区域细颗粒物PM2.5浓度,选取8个省级区域的5种污染物为减排目标,设定5个基准排放情景,采用CMAQ-DDM敏感性技术分别进行敏感性分析。结果表明,冬季长三角区域PM2.5污染受区域内的4个省级区域一次PM2.5排放影响最大,区域外的排放影响主要来自河南省和山东省的氨气和一次PM2.5。分别削减本地60%一次PM2.5的排放,安徽省PM2.5平均质量浓度下降了23. 24μg/m^3,江苏省下降了18. 32μg/m^3,上海市下降了15. 17μg/m^3,浙江省下降了9. 07μg/m3。综合各省(市)浓度响应曲线,最大排放因子均为本地一次PM2.5,削减20%左右存在敏感性最大值,削减60%之后浓度曲线趋于平缓,其他因子削减40%以后PM2.5浓度下降逐渐明显,对最后一位排放因子的响应则比较平缓。     

Characteristics of aerosol types during large-scale transport of air pollution over the Yellow Sea region and at Cheongwon,Korea, in 2008

Episodes of large-scale transport of airborne dust and anthropogenic pollutant particles from different sources in the East Asian continent in 2008 were identified by National Oceanic and Atmospheric Administration satellite RGB (red, green, and blue)-composite images and the mass concentrations of ground level particulate matter. These particles were divided into dust, sea salt, smoke plume, and sulfate by an aerosol classification algorithm. To analyze the aerosol size distribution during large-scale transport of atmospheric aerosols, aerosol optical depth (AOD) and fine aerosol weighting (FW) of moderate imaging spectroradiometer aerosol products were used over the East Asian region. Six episodes of massive airborne dust particles, originating from sandstorms in northern China, Mongolia, and the Loess Plateau of China, were observed at Cheongwon. Classified dust aerosol types were distributed on a large-scale over the Yellow Sea region. The average PM10 and PM2.5 ratio to the total mass concentration TSP were 70% and 15%, respectively. However, the mass concentration of PM2.5 among TSP increased to as high as 23% in an episode where dust traveled in by way of an industrial area in eastern China. In the other five episodes of anthropogenic pollutant particles that flowed into the Korean Peninsula from eastern China, the anthropogenic pollutant particles were largely detected in the form of smoke over the Yellow Sea region. The average PM10 and PM2.5 ratios to TSP were 82% and 65%, respectively. The ratio of PM2.5 mass concentrations among TSP varied significantly depending on the origin and pathway of the airborne dust particles. The average AOD for the large-scale transport of anthropogenic pollutant particles in the East Asian region was measured to be 0.42 ± 0.17, which is higher in terms of the rate against atmospheric aerosols as compared with the AOD (0.36 ± 0.13) for airborne dust particles with sandstorms. In particular, the region ranging from eastern China, the Yellow Sea, and the Korean Peninsula to the Korea East Sea was characterized by high AOD distributions. In the episode of anthropogenic polluted aerosols, FW averaged 0.63 ± 0.16, a value higher than that in the episode of airborne dust particles (0.52 ± 0.13) with sandstorms, showing that fine anthropogenic pollutant particles contribute greatly to atmospheric aerosols in East Asia.