2010年春季沙尘天气对北京市空气质量的影响及其天气类型分析

利用2010年3-5月北京市市区以及北京西北部、西部和东部3个不同方位边界的空气质量自动监测站监测数据,结合气象资料和激光雷达观测数据,分析了春季外来沙尘对北京市空气质量的影响。研究结果表明:2010年春季北京市出现15次外来沙尘天气,外来沙尘输送对北京市空气质量的影响天数为21 d,直接造成15 d空气质量超标,最严重的一次API指数达到最大值500。沙尘的天气形势特征以及输送路径的不同,对北京市空气质量的影响有明显差异。当低压中心过境时,沙尘天气影响最重,颗粒物浓度显著上升,气态污染物迅速下降,沙尘呈现自西北向东南输送的特征;低压底部过境与低压中心过境类似,但是沙尘强度略弱;除此之外,沙尘回流也可以直接造成北京市空气质量超标,颗粒物浓度和气态污染物浓度均表现出上升的变化趋势。     

空气污染指数API的集对分析

利用集对分析理论，对北京市近4年的空气污染指数API，进行了系统分析，通过分析可知最近4年来北京市空气质量是以优良趋势为主，依集对势大小可得知各年际闻空气质量的优劣排序为：2003年：〉2004年：〉2002年：〉2001年，不同季节的空气质量存在显著差异，四季的空气质量优劣顺序为：夏季〉秋季〉冬季〉春季。     

长三角与珠三角城市环境空气质量变化对比分析

利用重点城市环境空气质量日报数据中的空气污染指数(简称API),选择上海市和广州市作为代表性城市,研究了长三角和珠三角自2001年至2008年环境空气质量的变化趋势及其影响因素。结果表明,从年际变化看,上海市2002年前空气质量恶化,2002年后空气质量优化;广州市2004年前空气质量恶化,2004年后空气质量优化,较之上海变化趋势转折点存在2年的滞后。从季度变化看,上海市冬季春季秋季夏季,广州市冬季秋季春季夏季。与社会经济发展关系的分析表明,上海市随着社会经济的发展环境空气质量总体呈现好转趋势,广州市随着社会经济的发展环境空气质量总体呈现先恶化再好转的趋势,且经济发展对环境空气质量的影响大于社会发展。     

外来沙尘输送对北京市空气质量影响的预报预警技术初步研究

利用多方位监测数据和气象资料,分析了2010—2011年春季外来沙尘输送对北京市空气质量指数的影响,提出外来沙尘对北京市空气质量级别影响的预报判据。此外,基于NAQPMS模型的沙尘模块,开展数值预报研究,并对北京市2010年3月一次沙尘天气污染过程进行数值模拟试验,结果表明,模拟的PM10浓度值与实测值有较好的一致性。通过判别预报和数值模拟两种预报技术的开展,可以预报沙尘输送影响的空气质量级别、沙尘分布和演变规律,为进一步开展空气质量预报预警和防控沙尘工作打下了很好的科学基础。     

郑州市近地面臭氧污染特征及气象因素分析

利用国控站点空气质量在线监测数据,识别郑州市2015年近地面臭氧(O_3)污染状况、特征及与颗粒物和氮氧化物水平关系,并以烟厂站为例分析郑州市O_3污染与气象要素的相关性。结果表明:郑州市O_3日最大8 h平均值具有明显季节变化,呈现出夏季春季秋季冬季的特征,夏季岗李水库站O_3月均质量浓度为155.5μg/m3,其余站点月均质量浓度为110~150μg/m3;夏季O_3每日最大8 h浓度具有显著"周末效应",其他季节较不明显;O_3小时浓度日变化呈单峰型分布,在15:00—16:00达到峰值,早晨07:00达到谷值;前体物NOx小时浓度日变化呈双峰型分布,与O_3具有显著负相关性;气象因素相关性分析结果表明,郑州市O_3污染日多出现于高温、低湿和微风等条件,这些气象因素有利于O_3生成和累积。     

基于环境库兹涅茨曲线的中国城市环境空气质量主要影响因素

当前,中国城市环境空气污染形势十分严峻,空气质量呈现出典型的区域性特征。研究对2006—2012年各地区环境空气质量数据和经济社会发展指标统计资料面板数据进行分析,结果表明:研究选取时段内多数空气质量指标与人均国内生产总值之间的关系并不符合典型的环境库兹涅茨曲线(倒U型曲线),无显著相关性,但NO2质量浓度与人均国内生产总值之间呈现出倒N型曲线,空气质量综合指数与人口密度之间也呈现出倒N型曲线。空气质量综合指数与国民经济中第二产业占比和第三产业占比之间没有显著的相关关系,但与第一产业占比呈显著的负相关关系。空气质量综合指数与主要污染物单位面积排放量呈显著的正相关关系,与单位面积能源消费总量、单位面积煤炭消费量均呈显著的正相关关系,表明以煤炭为主要能源类型的能源消费带来的污染物排放是影响空气质量的主要因素。空气质量综合指数与降水量呈显著的负相关关系,降水量等气象条件对空气质量有一定影响,在开展大气污染防治时,应综合考虑各地的自然因素特征,合理确定工作目标和防治对策。     

呼和浩特市空气颗粒物影响因素研究

选择呼和浩特市城东腾飞路中段为研究地,在内蒙古环境监测中心站实验大楼楼顶设置空气质量自动监测点,于2009年11月至2012年12月连续3年对该区域空气质量进行研究性监测。采用数理统计方法,对实测数据进行分析和研究,利用AQI评价的结果显示,颗粒物已经成为影响当地空气质量的主要污染物;PM2.5/PM10年平均值为0.47,随季节变化明显,春夏季比值偏小(春季为0.361,夏季为0.398),秋冬季比值偏大(秋季为0.499,冬季为0.635);受风速和湿度影响明显,比值与风速在0.01水平上呈现显著负相关,与湿度呈现显著正相关;利用3年污染物数据建立回归方程,经检验所建立的方程有效,说明其他污染物对PM2.5浓度变化有较显著影响。     

乌鲁木齐市冬季AQI与气象要素的相关性分析

选取污染事件较为严重的冬季为研究对象，分析该季节空气质量指数(Air Quality Index,以下简称AQI)变化及其与气象要素之间的相关特性，为乌鲁木齐市在大气污染治理方面提供相关的理论依据。利用乌鲁木齐市2019—2021年的逐日AQI和地面气象要素数据，分析了该市冬季空气质量特征及其与气象要素的关系，结果表明：乌鲁木齐市1月空气质量最差，污染主要出现在冬季12月至翌年2月；冬季空气质量呈现明显的南优北劣的空间特征；冬季AQI与相对湿度呈显著的正相关，与降水量、气温、风速呈显著的负相关；降水量低于0.5 mm、相对湿度在60%～75%、平均气温在-20～-10℃、平均风速低于2 m/s时，容易出现重污染天气。     

2013-2018年北京市PM2.5污染波动特征研究

利用2013—2018年北京市大气污染物监测数据及气象条件等资料,分析了北京市PM_(2.5)污染波动变化趋势及其影响因素。结果表明,2013—2018年北京市空气质量呈现整体改善趋势,优良天数由2013年的176 d增加至2018年的227d;重污染天数显著减少,由2013年的58 d逐年递减至2018年的14 d。受污染源排放、特殊气候现象、气象条件等多因素影响,近6年北京市ρ(PM_(2.5))月均值呈现波动下降趋势,其中秋、冬季波动性更加突显。2014—2016年北京市秋冬季PM_(2.5)污染突出,其中2014年10月、2015年11—12月、2016年12月ρ(PM_(2.5))月均值均达到中度污染级别;而2017—2018年北京市秋、冬季ρ(PM_(2.5))月均值均处于优良水平。相关性分析结果显示,地面相对湿度、中层温度与大气污染物呈现较强的正相关性,中层北风频率、地面风速则呈现负相关性。基于上述气象条件及CO、SO_2和NO_2等气态污染物共同构建的拟合方程对ρ(PM_(2.5))估算结果较好,多站点的拟合值与实际值的相关系数为0.900～0.947,进一步说明气象条件及相关污染源排放对PM_(2.5)污染具有显著影响。     

西安市黑碳气溶胶浓度特征及与气象因素和常规污染物相关性

利用西安市环境监测站超级站2013年9月1日—2015年5月31日黑碳气溶胶(BC)的监测数据,研究空气中BC浓度特征及其与气象因素和常规污染物相关性。结果表明:BC小时平均浓度均值在春季、夏季和冬季的变化趋势呈"W"型,秋季呈"V"型,且冬季的第一个最低值和峰值比春季和夏季的分别延迟1 h和2~3 h,且20:00~次日6:00秋季BC小时平均浓度均值高于当年冬季。BC浓度在秋季和冬季较高,夏季较低。冬季BC/PM_(2.5)基本最低,秋季BC/PM_(2.5)相对最高。BC日平均浓度与气温、降水和风速的日平均值为极负显著相关,且风速小于1.0 m/s时,其与风速呈最显著的负相关。除O_3外,BC日平均浓度与其他常规空气污染物浓度呈显著相关,表明其同源性很强,且受机动车尾气排放的影响更大。     

济南市空气质量状况与气象条件关系分析

利用济南市空气污染指数资料和气象资料,分析空气质量状况与气象条件的关系规律,建立起空气污染指数与气象要素间的季节性回归方程,并筛选济南市近年来的空气质量重污染过程,分析污染过程时对应的天气形势特征,为济南市的空气污染指数预报和环境保护工作中的污染潜势预报提供参考。     

美国加州南岸地区空气质量监测系统运行管理与借鉴

借鉴加州南岸空气质量监测管理经验（特别是运行管理模式）对于现阶段我国城市环境空气质量监测管理具有极高的参考价值。简要介绍了加州南岸空气质量管理局（ SCAQMD）的空气质量监测现状、监测网络布局、颗粒物采样方法和相关质量管理体系。对现行的环境空气质量指数、管理架构和PM2?5考核方法进行了综合比较，建议从4个方面借鉴SCAQMD经验：试行“空气质量管理区”模式；开展专项研究网络建设；逐步开展手工监测采样和颗粒物化学组分分析；提升数据挖掘水平，服务管理决策。     

能源结构变化对兰州市大气质量的影响

将2001—2010年的主要能源材料消耗、主要污染物变化及主要行业分布进行了相关性分析,结果表明:兰州市大气4种主要污染物中除烟尘呈下降趋势外,废气总量、SO2、NOx仍呈上升趋势;主要污染源为燃煤,主要污染行业为电力、蒸汽热水产供业;废气和SO2排放总量与燃煤和燃气呈强正相关,而NOx排放只与燃气呈强正相关。建议发挥兰州地域优势,加大以水电供应为主的能源结构调整,对改善当地空气质量有重要价值。     

Atmospheric influences on water quality: a simulation of nutrient loading for the Pearl River Basin, USA

Knowledge of water quality conditions is essential in assessing the health of riverine ecosystems. The goal of this study is to determine the degree to which water quality variables are related to precipitation and air temperature conditions for a segment of the Pearl River Basin near Bogalusa, LA, USA. The AQUATOX ecological fate simulation model is used to estimate daily total nitrogen, total phosphorus, and dissolved oxygen concentrations over a 2-year period. Daily modeled output for each variable was calibrated against reliably measured data to assess the accuracy. Observed data were plotted against simulated data for controlled and perturbed models for validation, and stepwise multiple regression analysis was used to quantify the relationships between the water quality and meteorological variables. Results suggest that daily dissolved oxygen is significantly negatively correlated to concurrent daily mean air temperature with a total explained variance of 0.679 (p?<?0.01), and monthly dissolved oxygen is significantly negatively correlated to monthly mean air temperature with a total explained variance of 0.567 (p?<?0.01). Total mean monthly phosphorus concentration is significantly positively related to the previous month's precipitation with a total explained variance of 0.302 (p?<?0.01). These relationships suggest that atmospheric conditions have a strong influence on water quality in the Pearl Basin. Therefore, environmental planners should expect that future climatic changes are likely to alter water quality.     

2016年秋季新乡市空气质量模式预报效果评估

基于新乡市空气质量数值预报平台，采用相关系数（r）、标准化平均偏差（NMB）等统计指标，系统评估2016年秋季新乡市嵌套网格空气质量预报模式（NAQPMS）和通用多尺度空气质量模式（CMAQ）的预报效果，对比分析2套模式不同预报时效和不同水平分辨率的空气质量等级预报准确率。结果显示：2套模式均较好地表征了各主要污染物的浓度变化特征，2套模式的等级预报准确率高于60%，其中CMAQ对中度及重度的预报等级准确率达到70%。对比模式24、48、72 h 3种预报时效效果，24 h预报时效的统计数据最优，说明24 h预报时效模拟结果可作为业务预报重要的支撑。     

Emissions of SO2, NO x and particulates from a pipe manufacturing plant and prediction of impact on air quality

Integrated pipe manufacturing industry is operation intensive and has significant air pollution potential especially when it is equipped with a captive power production facility. Emissions of SO₂, NO _x , and particulate matter (PM) were estimated from the stationary sources in a state-of-the-art pipe manufacturing plant in India. Major air polluting units like blast furnace, ductile iron spun pipe facility, and captive power production facility were selected for stack gas monitoring. Subsequently, ambient air quality modeling was undertaken to predict ground-level concentrations of the selected air pollutants using Industrial Source Complex (ISC 3) model. Emissions of SO₂, NO _x , and particulate matter from the stationary sources in selected facilities ranged from 0.02 to 16.5, 0.03 to 93.3, and 0.09 to 48.3 kg h^???1, respectively. Concentration of SO₂ and NO _x in stack gas of 1,180-kVA (1 KW = 1.25 kVA) diesel generator exceeded the upper safe limits prescribed by the State Pollution Control Board, while concentrations of the same from all other units were within the prescribed limits. Particulate emission was highest from the barrel grinding operation, where grinding of the manufactured pipes is undertaken for giving the final shape. Particulate emission was also high from dedusting operation where coal dust is handled. Air quality modeling indicated that maximum possible ground-level concentration of PM, SO₂, and NO _x were to the tune of 13, 3, and 18 μg/m³, respectively, which are within the prescribed limits for ambient air given by the Central Pollution Control Board.     

黑龙江省环境空气污染物和气象要素的典型相关分析

通过对黑龙江省4个自然年(2016年1月1日—2019年12月31日)环境空气污染物和气象要素的分析,揭示了黑龙江省气象条件对空气污染物浓度的影响规律与特征。对PM_(2.5)、PM_(10)、SO_2、NO_2、CO和O_3等6项污染物的描述性统计和简单的相关分析显示:黑龙江省环境空气质量呈现逐年变好的趋势,非采暖期环境空气质量好于采暖期,6项污染物中除O_3呈现夏季偏高以外,其余污染物采暖期浓度均高于非采暖期。运用典型相关分析法探究环境空气污染物与温度、降水量、相对湿度、风速和气压5项气象要素之间的关系,并进行统计学检验,结果表明:环境空气污染物与气象要素之间存在显著相关,温度、风速和相对湿度对污染物具有显著影响。非采暖期大气相对湿度对PM_(10)和O_3-8h的影响显著;而在采暖期,风速对PM_(10)和PM_(2.5)的影响显著。     

川东北中心城市南充大气污染态势及其主要成因

基于南充市主城区6项大气污染物浓度数据,研究了2014-2020年南充市的空气质量指数、空气质量指数等级和首要污染物的时序分布。结果表明:随着大气污染防治的开展,南充市大气污染物浓度逐渐下降,出现首要污染物的天数逐年减少,空气质量逐步提高。受污染物节律性影响,空气质量呈现明显的季节差异,冬季空气质量最差,春季次之,夏季污染相对较轻,秋季最轻。首要污染物类型的季节分布特征表现为冬季出现首要污染物天数最多,春季和夏季次之,秋季最少。春、秋、冬季以PM_2.5污染为主,夏季以O₃污染为主。从全年来看,与O₃相比,PM_2.5对空气质量的影响更为突出。在持续控制大气污染物排放总量的同时,精细化协同管控细颗粒物、氮氧化物、挥发性有机物和二氧化硫排放将有助于现阶段的大气污染防治。     

Microbial contamination of dental unit waterlines and effect on quality of indoor air

The microbiological quality in dental unit waterlines (DUWLs) is considered to be important because patients and dental staff with suppressed immune systems are regularly exposed to water and aerosols generated from dental units (DUs). Opportunistic pathogens like Pseudomonas, Legionella, Candida, and Aspergillus can be present in DUWLs, while during consultations, bioaerosols can be dispersed in the air, thus resulting in effects on microbiological quality of indoor air. This present study represents microbiological air and water quality in dental offices (DOs) and also concerns the relationship between the quality of DO air and dental unit water. This study aimed to assess both the microbial quality of dental unit water and the indoor air in 20 DOs and to survey the effect on the quality of the indoor air with the existing microorganisms in dental unit water. Fourteen out of 20 (70 %) DUWLs were found to be contaminated with a high number of aerobic mesophilic heterotrophic bacteria. In terms of bacterial air contamination levels, in 90 % of DOs, a medium level (<500 colony-forming units (CFU)/m³) of contamination was determined, while in terms of microfungal air contamination, in all DOs, a low level (<100 CFU/m³) of contamination was determined. Potential infection or allergen agents, such as Pseudomonas, Micrococcus, Staphylococcus, Alternaria, Cladosporium, Penicillium, Aspergillus, and Paecilomyces were isolated from water and air samples. This study’s determination of contamination sources and evaluation of microbial load in DOs could contribute to the development of quality control methods in the future.