襄阳市秋冬季PM2.5污染特征及潜在源区分析

为了解襄阳市秋冬季PM_2.5的污染特征及来源，基于2020年11月至2021年1月在线监测数据，对PM_2.5质量浓度、气象因素、化学组分、来源及潜在源区进行了分析。结果表明，襄阳市秋冬季污染天首要污染物均为PM_2.5,且随污染程度加重，PM_2.5与PM₁₀质量浓度比呈上升趋势，二次颗粒物的形成对PM_2.5的贡献更高。在PM_2.5化学组分中，水溶性离子占比最大，随着污染程度加重，二次离子(SNA)快速增长，二次离子的生成转化是污染的重要成因。轻度、中度污染时，湿度高、风速小、气温低，有利于污染的积累，重度污染时湿度大、风速回升，有利于上游污染的输送与二次转化。PMF模型解析出襄阳市PM_2.5主要来源及贡献率为二次源58.0%、工业企业源22.6%、机动车源10.7%、扬尘源8.7%。襄阳市潜在源区主要分布在河南省中北部、河北省南部、山东省西部、安徽省北部、江汉平原东部及南部区域，极少量分布在襄阳区域，长距离区域传输...     

中国中东部一次大范围重污染过程特征分析

采用嵌套网格空气质量预报模式(NAQPMS)模拟与气象、污染物观测资料相结合的方式,分析了2016年12月影响中国中东部地区的一次重污染过程中PM_(2.5)时空分布特征及来源成因。结果表明,重污染过程中PM_(2.5)具有较明显的时空变化规律,污染呈现一定程度的区域性分布特点,不同地理位置条件下,污染物浓度的累积和传输方式表现出不同的特征,细颗粒物快速二次生成及不利扩散条件下的持续积累可能是此次污染过程的主要原因,不利于污染物扩散的高低空天气形势的配合抑制了污染物的快速消散,为大气污染的形成及维持提供了稳定的大气环境背景,形成了此次污染过程污染浓度高、影响范围大的态势。     

南京2013年12月初持续重污染天气特征及成因分析

利用空气质量监测及气象观测数据,对2013年12月初南京市持续重污染天气特征及成因进行分析,结果表明:此次过程表现出污染程度重、持续时间长及细颗粒物占比大等特征,其中PM2.5日均质量浓度最高达327μg/m3,超标3.36倍;各化学组分中二次无机盐(SNA)占比高达53.8%,且随着污染加重呈增大趋势;有机碳(OC)/无机碳(EC)比值平均为3.7,二次污染特征显著。分析此次污染成因,一方面是冷空气强度弱及大气静稳等气象条件不利于污染扩散;另一方面本地污染排放叠加区域输送影响,造成细颗粒物积聚增多,形成持续重污染天气。     

京津冀区域大气重污染过程特征初步分析

基于为京津冀区域和城市环境空气质量预报和空气重污染预警业务提供必要基础参考资料和区域重污染发生发展规律认识的需求,应用现有空气监测网2013—2014年度京津冀区域13个城市空气质量监测数据,分析了该区域2013—2014年空气质量整体情况和污染过程的季节变化规律、污染范围,统计了两年间31次区域范围大气重污染过程,并根据污染过程的空气质量变化特点和大气环流形势,着重对31次重污染过程中均压场天气型污染开展分析。结果表明,2013—2014年京津冀区域空气污染形势严峻,全年约有六成日数受颗粒物污染影响;京津冀区域空气污染南北差异显著,有自北向南逐步加重的特点,南部污染严重城市对区域污染贡献巨大,石家庄、保定、邢台、邯郸4城市将PM_(10)、PM_(2.5)年均浓度分别拉升31、16μg/m~3;2013—2014年京津冀区域大范围重污染过程集中发生在秋冬季,两季的污染过程对区域两年PM_(10)、PM_(2.5)平均浓度分别拉升27、21μg/m~3;京津冀区域均压场天气型污染可细分为臭氧型均压场和颗粒物型均压场。当秋冬季出现较小气压梯度、西南小风、逆温层等均压场天气型时,容易造成区域颗粒物污染过程;而春末、夏季出现均压场天气型时,容易造成O_3污染。     

东莞市一次空气污染过程成因分析

基于东莞市大气复合污染超级监测站的监测数据,选取2017年12月一次典型空气污染过程,对污染期间气象要素、大气颗粒物组分特征和污染物来源进行综合研究。结果表明,在污染期间,首要污染物为PM_(2.5),日均值为86μg/m3,其主要化学组分依次是OC、NO_3~-和SO_4~(2-),分别占PM_(2.5)的19.7%,16.1%和14.9%;在不利的气象条件下,本地污染排放和外源输入的一次污染物快速生成二次有机物、硝酸盐和硫酸盐,是造成该次空气污染的主要原因; PM_(2.5)污染主要来源为机动车尾气(27.7%)及二次无机源(19.0%)。     

渝东南典型城区冬季一次罕见的PM2.5污染过程及溯源分析

2020年12月底，以生态旅游业为主的重庆市渝东南地区出现了一次较为罕见的PM_2.5污染过程，持续时间长且污染程度重。以渝东南地区武隆区为例，应用污染特征雷达图、后向轨迹模型及潜在源污染贡献估算等方法分析了本次PM_2.5污染的特征及来源，结果表明：(1)在污染前期主要受扬尘、燃煤和机动车等污染排放影响，污染源直接排放贡献较大；中、后期污染受二次颗粒物影响显著，扬尘影响也较为明显。(2)污染期间的气流轨迹均为短距离输送，轨迹主要来自东北方向(65%)。(3)除自身污染排放贡献外，渝东北地区和主城都市区是武隆区PM_2.5污染的主要潜在源区，对武隆区传输贡献占比超50%。     

石家庄市一次典型污染过程的PM_(2.5)污染特征

采集2013-10-09~18日的PM2.5环境受体滤膜样品,对PM2.5颗粒物的质量浓度、二次粒子、无机组分、碳组分进行了分析测试,并对污染过程的各组分的变化趋势进行了深入分析。结果表明,石家庄市PM2.5颗粒物污染严重,过程均值达到162μg/m3,受气象条件影响显著,当风向为北、东方向时有利于污染物的扩散;通过对污染过程的变化趋势研究表明:二次粒子随着污染程度的加剧所占比重有所上升,在严重污染时比重达到58%;无机元素Al、Ca的异常高值显示了人类活动的显著影响;随着污染程度的加剧OC、EC以及SOC浓度值明显上升,且SOC的比重也由10%上升至50%左右,表明在重污染的条件下有利于二次粒子与SOC的转化。     

沈阳市冬季重污染过程PM2.5浓度变化及成因分析

利用多种污染物浓度数据、气象观测数据,结合HYSPLIT后向轨迹模式,对2015年11月6—10日发生在沈阳的一次较长时间重污染天气过程,从大气浓度变化、天气形势特征及成因机制等方面进行综合分析。结果表明,重污染期间日空气质量指数均超过重度污染限值200,首要污染物PM_(2.5)最高小时质量浓度达到1 326μg/m3,为沈阳市监测PM_(2.5)以来的历史峰值。此次空气污染是气象及人为因素共同作用的结果,重污染过程时段内高空场不利于气流上升运动的发展,地面倒槽、稳定的大气层结不利于污染物的扩散。此次重污染过程与大范围秸秆集中燃烧、大量污染物排放有一定关系。通过后向轨迹计算分析,发现颗粒物长距离输送对区域污染产生一定影响。     

合肥市冬季PM_(2.5)中水溶性离子化学特征分析

基于2021年12月1日-2022年2月28日合肥市细颗粒物(PM_(2.5))及其水溶性离子连续观测数据,分析了合肥市冬季PM_(2.5)中水溶性离子化学特征以及不同污染程度下水溶性离子化学特征。结果表明:采样期间合肥市PM_(2.5)污染较重,不同污染程度下PM_(2.5)浓度差异较大,中度及以上污染天的ρ(PM_(2.5))平均值分别是清洁天和轻度污染天的2.8和1.3倍。二次水溶性无机离子[硝酸根离子(NO_(3)^(-))、铵根离子(NH+4)和硫酸根离子(SO_(2)-4),简称SNA]是合肥市PM_(2.5)的重要组成部分,随着污染程度的加重,PM_(2.5)二次生成比例随之下降。NH+4是合肥市水溶性离子中中和能力最强的离子,易与NO_(3)^(-)和SO_(2)-4结合分别形成NH_(4)NO_(3)和(NH_(4))_(2)SO_(4)。合肥市SO_(2)和NO_(2)均易发生二次转化,且SO_(2)较NO_(2)更容易发生二次转化。钙离子(Ca^(2+))和镁离子(Mg^(2+))相关性较高,说明合肥市PM_(2.5)可能受扬尘影响较大;钾离子(K^(+))是生物质燃烧的指示离子,氯离子(Cl^(-))与K^(+)相关性较好,说明合肥市PM_(2.5)组分中的Cl^(-)和K^(+)主要来自生物质燃烧。PM_(2.5)中水溶性离子受降水和温度影响较大。     

2018年春节期间京津冀及周边区域空气质量分析

分析了2018年春节期间京津冀及周边区域空气质量状况,结果表明,京津冀及周边区域2018年春节期间空气污染较重,以石家庄、邢台、邯郸、晋城、长治为中心的区域污染最重,此次重污染过程呈污染范围大、持续时间长的特点。受微风、高湿、逆温等不利气象条件影响,颗粒物污染不断积累和二次转化。除夕(2月15日)至初六(2月21日),北京首要污染源为机动车尾气源,张家口、保定、太原、郑州为燃煤源,太原和廊坊烟花源占比高于其他城市。自除夕(2月15日)下午开始,区域内各城市烟花爆竹燃放相关离子浓度有不同程度的增加,北京、保定烟花源贡献率与贡献浓度与2017年春节期间相比有所下降。2018年春节期间PM_2.5浓度明显高于2015—2017年,区域南部空气质量较差,重污染区域主要集中在以石家庄、邢台、邯郸、长治、晋城为中心的区域。     

石家庄市一次重污染过程气象条件分析

对石家庄市2016年12月14—23日一次重污染过程的逐时空气质量和气象资料进行了分析。结果表明，低压均压类天气控制下，较高的相对湿度和水汽压，<2.5 m/s的低风速以及<500 m的混合层高度是该次重污染形成和持续的重要原因。当风速<2.5 m/s，且相对湿度>45%或水汽压>3.6 hPa时，空气质量明显较差；当风速<2 m/s，且湿度>65%或水汽压>4 hPa时，污染级别达到严重污染；该次重污染形成与维持的地面气压临界值为1 017 hPa，当气压>1 017 hPa时，环境空气质量相对较好；当气压<1017 hPa时，更容易发生严重污染。     

洞庭湖区一次重度空气污染过程成因分析

利用AQI和PM_(2. 5)质量浓度、地面气象要素、NCEP、ERSST_V3、GBL等资料,对2016年12月29日至2017年1月5日洞庭湖区一次重度空气污染过程成因进行了分析。结果表明,静稳天气形势下的累积效应和本地持续升温、降压、增湿、小风导致污染物浓度不断增加。本地风速与雨量对污染物浓度产生显著影响。降温前风速明显加大,有利于污染物快速扩散。湿度增加有利于污染物吸湿性增长,但高湿易引起降水有利于污染物的湿清除。此次重度空气污染过程中大气稳定度为中性或稳定,14:00混合层高度逐渐降低且重度空气污染日降至100 m以下。污染物空间分布与主导风向和污染通道密切相关。气流后向轨迹分析表明,洞庭湖区各地气流来源和影响路径差异明显,且存在大范围区域性同步污染现象。北方外来污染源是洞庭湖区重要的污染面源,本地工业污染排放点源和地理条件也是洞庭湖区空气污染物空间分布差异的重要因素。     

空气质量预报在世界互联网大会中的应用

为支持世界互联网大会期间大气污染管控工作，利用人工结合数值模式预报的方式在第二届到第五届世界互联网大会期间开展空气质量预报工作。多模式系统中WRF-CMAQ对乌镇及浙北区域大气污染变化的趋势模拟最好，2016—2018年对AQI日均值模拟的平均分数偏差（MFB）和平均分数误差（MFE）分别为-1.3%~1.6%和24.3%~28.3%。会前48 h、72 h和96 h空气质量等级预报准确率分别为37.5%~83.3%、33.3%~90.0%和0~89.9%。会议期间乌镇的AQI日均值48 h预报准确率为33.3%~100%，等级预报准确率为66.7%~100%。与日常空气质量预报不同，会议期间预报还应重点关注大气污染过程，如有污染可能性，需要给出污染过程的起始时间、持续范围和浓度峰值等情况及其关键时间节点，有针对性地提出大气污染管控的措施建议，为会议期间空气质量保障提供技术支撑。     

基于激光雷达分析2020年冬季镇江地区一次大气污染过程

利用气溶胶激光雷达观测结果,结合环境监测站污染物浓度数据、气象观测资料及HYSPLIT后向轨迹模式结果,综合分析2020年1月17—22日镇江市一次大气污染过程。结果显示,此次污染过程前期天气形势稳定,不利于污染物的清除及扩散,后期受偏北风影响,北方污染物向镇江输送,使得本地污染物持续累积,污染不断加重。特征雷达图分析表明此次污染为以PM2.5为主的二次污染。激光雷达显示污染日消光系数为0.0~0.9 km-1,消光系数垂直廓线日变化特征明显,气溶胶粒子主要堆积在0.6 km高度以下,并且很好地揭示了污染气团从高空逐渐下沉最终与本地污染叠加的过程,与HYSPLIT模式解析的污染气团来源结果基本一致。     

京津冀地区一次污染过程的星载地基激光雷达联合观测分析

针对2018年3月9—15日京津冀地区的一次空气重污染过程,进行了基于地基颗粒物激光雷达组网的星载-地基联合观测分析。颗粒物激光雷达观测到污染前期为局地污染累积过程,中期有明显的污染物区域传输过程,北京受太行山沿线城市污染输送影响较大。风廓线激光雷达观测结果表明:此次污染过程近地面主要为偏南风且风力较弱,冷空气到来时风向转为较强东北风,导致污染消散。微波辐射计观测到保定在污染过程中出现持续6 d的逆温层,同时在污染过程中近地面相对湿度较高,逆温层被打破后污染开始消散。在污染过程的各个阶段中,污染团的空间分布与变化特征均被很好地反映出来,可见地天联合观测对污染物的累积与输送研究有较大的意义,能对京津冀及周边地区的大气污染联防联控提供有力支持。     

北京市2013年1月一次空气重污染过程分析

采用数值模式与观测资料相结合的方式，对北京市2013年1月9～15日一次空气重污染过程的大气环境背景、气象条件和形成原因进行了初步分析。结果表明，此次重污染过程北京市空气质量从9日的二级跳至10日五级重度污染，11日一13日空气质量维持连续3d严重污染，14日降为重度污染，15日转为轻度污染；重污染过程期间10—14日P（PM2.5）平均值为323μg／m。，平均风速为1．47m／s，平均相对湿度为73．6％，24h变温基本为一2．72～2．68℃，24h平均变压为一3．65～2．63hPa。指出，此次重污染过程与当地气象条件密切相关，稳定的大气环流形势为污染的持续提供了大气环流背景，风速较小、湿度较大、边界层较低、持续逆温是造成重污染的主要原因，地面风场辐合及边界层下沉运动是造成重污染的重要原因。     

利用大气超级站对乌鲁木齐市一次沙尘天气过程及组份的分析

本研究利用大气超级站对乌鲁木齐市4月9日至10日沙尘天气过程,粒径谱、离子和重金属组成及变化进行分析。研究结果表明激光雷达观测结果与环境空气质量监测基本一致;小粒径颗粒在沙尘和非沙尘时段含量最多,但在沙尘时段大粒径颗粒的增长幅度远大于小粒径;沙尘过程中的离子主要来源于土壤一次源;沙尘过程中地壳元素浓度及占比均显著升高,会稀释环境空气中人为污染元素。     

江淮地区秋季一次典型污染过程分析

结合2018年10月15—20日国控站点监测数据、气象资料及激光雷达走航观测结果,对江淮地区一次重度污染过程进行了分析。利用拉格朗日粒子扩散模型和拉格朗日混合单粒子轨迹模型定性分析了区域污染来源,分别基于激光雷达和空气站实测数据提出了外来源占比的估算方法,结合嵌套网格空气质量预报模式(NAQPMS)的源解析结果,对比分析了外来源占比。以淮北市为例,结合NAQPMS和单颗粒气溶胶质谱的PM2.5在线源解析结果,对比分析此次污染过程的行业来源。结果表明,本地污染累积时段,主要以燃煤和机动车尾气混合源为主(占比>70%);受北方污染输送时段,机动尾气占比显著升高,从19.4%(16日00:00)升至66.7%(17日11:00),淮北市、蚌埠市、合肥市3个城市污染物外来输送占比分别为52.2%~70.6%、48.8%~58.8%、41.5%~59.0%。     

2018年11—12月北京市重污染天气过程数值预报能力评估

2018年11—12月北京市发生了4次以PM_2.5为首要污染物的重污染天气过程，为了分析数值模型对4次重污染过程的预报能力，将CMAQ模式提前1~7 d对北京市PM_2.5的小时预报结果与观测结果对比，分别从离散统计和分类统计2个方面评估CMAQ模式对4次重污染天气过程的预报效果，并简要分析了偏差产生的气象方面原因。结果表明：CMAQ模式提前1~6 d对重污染天气过程的预报显示出良好的性能，为日常业务预报提供了可借鉴的参考信息，可较好地预报出PM_2.5小时浓度变化趋势和浓度水平，离散统计结果显示提前1~4 d的预报结果好于提前5~7 d，相关系数r基本大于0.8，但有一定程度的低估趋势；分类统计结果显示不同预报时效预报准确率大于70%，探测准确率高于55%，部分时段可以达到80%~90%，对人工预报起到了良好的参考作用；输入的气象场的变化及其偏差对于重污染的起始时间、持续时间及清除时间有一定的影响，对相对湿度预报偏小和风速预报偏大是造成CMAQ模式低估的一个重要原因。