大连市臭氧污染特征及典型污染日成因

通过对大连市区10个空气监测子站的监测数据进行分析,探讨了大连市臭氧污染的时空分布、气象条件对臭氧污染的影响,对臭氧污染日进行了归类分析。结果表明,大连市臭氧污染主要出现在4—10月。在强紫外辐射、高温、低湿、低压和低风速的气象条件下,监测点位的臭氧浓度较高。臭氧污染日的日变化分为单峰型、双峰型和夜间持续升高型3种类型。通过对2015年的一次高浓度臭氧污染过程的气象条件、污染物浓度和污染气团轨迹进行分析,发现臭氧浓度在夜间持续升高现象与区域输送密切相关。     

洛阳市老城区环境空气中臭氧污染特征及相关气象要素分析

本文利用洛阳市老城区豫西宾馆空气质量自动监测点的监测数据,对2012-01~12该区域大气中臭氧污染浓度的连续监测结果及同步气象资料进行了分析。结果表明,洛阳市老城区环境空气中臭氧污染主要表现为臭氧日最大8小时平均浓度污染,全年超过GB3095-2012《环境空气质量标准》中二级标准(0.160mg/m3)的频率为21%。臭氧浓度具有明显的日变化及季节变化特征;由于臭氧污染的季节特点,导致全年污染天数显著增加。通过分析发现气温、风速、降水、太阳紫外线辐射等气象因素对臭氧浓度变化均具有一定影响,臭氧污染气象特征表现为晴朗、高温、低风速的午后时段会出现臭氧的高浓度污染。     

臭氧综合指数与臭氧潜势指数的构建与应用

随着社会经济的快速发展,我国臭氧污染日益严重,因此,研发出能定量评估气象条件对臭氧污染影响程度的诊断指数,成为提高和改善气象服务质量的重要任务之一。利用中国大陆地区2018年温度、总云量、风速、风向、相对湿度等气象场数据与臭氧浓度数据,研究臭氧污染敏感气象条件,统计各气象因子分布在不同数值区间时发生臭氧污染事件的相对频率(即分指数),按照分指数最大值和最小值的差值大小进行排序,筛选出10个与臭氧污染密切相关的气象因子,将10个气象因子的分指数进行累加,即得出臭氧综合指数。随后,对各地构建臭氧综合指数时采用的气象要素进行统计,得到出现频率最高的3个气象要素,并参考这些气象要素构建了臭氧潜势指数。分别以臭氧潜势指数和臭氧综合指数对北京市2019年臭氧日最大浓度建立拟合预报模型,结果表明:两类指数的拟合预报值与实测值有着相似的变化趋势;利用臭氧综合指数计算得到的预报值与实测值的相关系数为0.76,优于利用臭氧潜势指数计算得到的预报值与实测值的相关系数(0.64)。     

青藏高原典型城市拉萨市近地面臭氧污染特征

拉萨市作为青藏高原典型城市,环境空气质量相对较好,但臭氧污染近年来有所凸显。对拉萨市臭氧的现状与污染特征进行分析基础上,探讨臭氧污染的影响因素。结果表明:拉萨市臭氧污染表现出"来得早,去得快"的特征,与内地城市相比,拉萨市臭氧质量浓度在3月即可达到全年平均值(2015年为105μg/m~3),而9月以后将低于全年平均值,并在春末夏初达到峰值;由于青藏高原海拔高,紫外线强,相对内陆地区臭氧均值偏高,2015年拉萨市臭氧年均值比北京市和成都市分别高出7.7%、29.0%,其小时浓度变化呈中午高、早晚低的特征;拉萨市臭氧的浓度变化受空气湿度、日照时间和日均气温的影响;生物质燃料的跨界传输可能也对青藏高原地区臭氧的来源产生一定影响。     

成都市夏季近地面臭氧污染气象特征

利用2016年7月成都市8个环境监测站点的臭氧、NO_2的监测资料以及成都市国家基准气象站和基本气象站的观测资料,对成都市夏季臭氧、NO_2浓度和气象要素的日变化特征和臭氧污染过程进行了分析。研究结果表明:成都市臭氧污染受综合气象条件和NO_2浓度的影响,高温、低湿、强辐射有利于臭氧大量生成,NO_2浓度高低决定了臭氧浓度的峰值大小;在污染期间,大气边界层高度远高于本地平均水平,数值约为平均水平的2～3倍;成都市臭氧污染的主要影响因子存在地区差异,成都市区的臭氧主要来自于自身的光化学反应,而灵岩寺地区的臭氧来自于VOCs和大气水平输送。     

欧盟臭氧污染监测现状及我国开展臭氧污染监测的建议

综述了欧盟臭氧前体物排放及地面臭氧污染监测的现状,分析了欧盟重视地面臭氧污染监测的原因及存在的主要问题.根据欧盟在地面臭氧污染监测方面的经验和做法,提出了加强我国地面臭氧污染监测的必要性和具体建议.     

南京市典型臭氧污染过程的激光雷达垂直观测解析

利用臭氧激光雷达对南京市一次典型臭氧污染过程连续观测,分析该典型臭氧污染过程中近地面和高空臭氧的变化规律、污染的发生过程与成因。结果表明:在夏季高温、风速低、冷空气影响锋前的静稳天气下,近地面臭氧的循环生成和夜间高空残留的臭氧在湍流作用下混合并积累造成该污染过程;近地面和低层臭氧浓度具有明显的日变化趋势,单峰型特征,而高空臭氧浓度无明显日变化特征,夜间维持高值;边界层高度上下始终存在臭氧高值带,厚度达数百米;正午至午后时段,各垂直高度上臭氧浓度混合均匀,随高度基本无梯度变化,达到近地面至高空1.5 km的臭氧高污染层覆盖。     

基于天津臭氧污染特点的气象条件与天气分型研究

使用天津市2013—2019年连续污染物监测数据和气象观测数据探讨臭氧污染现状,分析气象条件对臭氧浓度的影响,对不同臭氧污染过程案例进行天气分型,统计出现臭氧污染时的污染气象特征。结果表明:天津市臭氧浓度不降反升,2017—2019年连续3年超过国家二级浓度限值,2019年以臭氧为首要污染物的重污染天约占全年的1/2。春季和秋季臭氧污染日益突出,4月臭氧浓度已明显升高。天津市臭氧日最大8 h滑动平均质量浓度(O₃-8 h)在日最高气温超过30℃、相对湿度20%~70%、西南风或东南风风速1~2.5 m/s、白天边界层高度1 400 m以下时较高。将臭氧污染天气形势分为春夏之交、盛夏高温和夏秋静稳3种类型。其中春夏之交天气型易出现臭氧与PM_2.5协同污染;盛夏高温天气型平均风速较大,日最高气温大于35℃;夏秋静稳天气型平均风速小、边界层低。     

昌吉州环境空气中臭氧污染现状分析及对策研究

文章分析了昌吉州环境空气中臭氧的污染现状,并对成因进行了分析,在基础上提出防治臭氧污染的对策。     

夏季环境空气中臭氧污染特征及防治对策

本文利用豫西某市2015年夏季环境空气质量监测数据,对环境空气中臭氧的污染特征进行了分析,得出了该市夏季环境空气臭氧污染突出的因素,从而提出了控制臭氧前体物氮氧化物排放的对策。     

海口市臭氧污染特征

基于2013—2015年海口市4个空气质量自动监测站点数据,结合气象资料,分析了海口市O_3的污染特征。结果表明:海口市O_3总体优良,优良天数比例为99.4%,污染天数均为轻度污染;在良和污染天数中,O_3作为首要污染物的天数占40%,超过其他5项污染物占比。海口市10月O_3浓度最高。O_3月均浓度与温度呈负相关关系,同时与风向有密切关系:5—8月气温较高,以南风为主,O_3浓度较低;1月北风频率较高,易受外来污染传输作用,O_3浓度相对较高。O_3超标日以东北风为主,日变化并未呈现单峰型特征,12:00—22:00时段O_3浓度在10%范围内小幅变化。台风外围型和北方冷高压底部型是造成海口市O_3超标的2类典型天气形势。     

佛山市近地面臭氧污染特征及相关气象因子分析

利用2014年佛山市8个国控大气自动监测点位的O_3监测数据,分析了佛山市的O_3污染特征,结果表明,2014年O_3日最大8 h平均值的第90百分位数为167μg/m~3,O_3为首要污染物的超标天数为43d,占比46.7%;ρ(O_3)区域变化不大;ρ(O_3)月变化呈现"三峰型",全年高ρ(O_3)集中在6—10月份,其中7月份出现全年最高峰值;ρ(O_3)日变化呈单峰型分布,夜间浓度较低且变化平缓,14:00—16:00左右达到峰值,并存在一定的"周末效应",但并不明显;ρ(O_3)与气温呈显著正相关,与湿度、气压、雨量呈显著负相关,与风向、风速的相关性相对较弱;总体上看,高温、低湿、微风、偏南风、低压、无雨的天气条件下高ρ(O_3)更容易出现。     

Forecasting of daily total atmospheric ozone in Isfahan

A neural network combined to an artificial neural network model is used to forecast daily total atmospheric ozone over Isfahan city in Iran. In this work, in order to forecast the total column ozone over Isfahan, we have examined several neural networks algorithms with different meteorological predictors based on the ozone-meteorological relationships with previous day's ozone value. The meteorological predictors consist of temperatures (dry and dew point) and geopotential heights at standard levels of 100, 50, 30, 20 and 10 hPa with their wind speed and direction. These data together with previous day total ozone forms the input matrix of the neural model that is based on the back propagation algorithm (BPA) structure. The output matrix is the daily total atmospheric ozone. The model was build based on daily data from 1997 to 2004 obtained from Isfahan ozonometric station data. After modeling these data we used 3 year (from 2001 to 2003) of daily total ozone for testing the accuracy of model. In this experiment, with the final neural network, the total ozone are fairly well predicted, with an Agreement Index 76%.     

西太平洋台风“苏迪罗”对我国珠三角地区臭氧污染影响研究

通过资料分析和数值模拟开展了2015年8月1日—10日台风“苏迪罗”对珠三角地区臭氧（O₃）污染影响的机理研究。结果表明，2015年8月5—8日，在台风接近登陆点的过程中，台风外围天气导致了高温、高辐射和静小风等气象条件，促进了光化学反应的进行和污染物的局地积累。同时，高温、高辐射等气象条件加剧了植被源区生物源挥发性有机物（BVOCs）的排放。采用化学传输模式模拟发现，植被BVOCs对O₃污染的贡献最高可达24×10^-9。结合拉格朗日粒子扩散模式（LPDM）探索了影响珠三角地区的主导气团，发现珠三角城市地区和高BVOCs源区存在交互传输的现象。污染期间，高BVOCs源区的一次排放产物（BVOCs）和二次产物(O₃)经区域输送加剧了珠三角地区O₃的污染。此外，研究发现台风外围条件下珠三角内陆盛行的偏北风与海陆热力差异引起的海风在沿海地区辐合，造成污染物局地积累，加剧并延长了O₃污染。研究有利于加强对O₃污染机理的认识，进而更好地采取针对性措施，有助于减小O₃污染带来的危害。     

A Simple Model for Urban Background Pollution

A simple urban background pollution model is presented. Contributions from the individual area sources, subdivided into a grid net of a resolution of 2km × 2km, are integrated along the wind direction path assuming linear dispersion with the distance to the receptor point. Horizontal dispersion is accounted for by averaging the calculated concentrations over a certain, wind speed dependent wind direction sector, centred on the average wind direction. Formation of the nitrogen dioxide due to oxidation of nitrogen monoxide by ozone is calculated using a simple chemical model based on assumption of a photochemical equilibrium on the time scale of the pollution transport across the city area. The rate of entrainment of fresh rural ozone is governed by this time scale. The model is suitable for calculations of urban background when the dominating source is the road traffic. For this source the emissions take place at ground level, and a good approximation is to treat the emissions as area sources, but with an initial vertical dispersion determined by the height of the buildings.     

上海市臭氧污染时空分布及影响因素

分析2006—2016年上海市的监测数据发现,臭氧(O_3)浓度存在逐年上升趋势,污染持续时间有所增加,但除水平风速有下降趋势外,其他相关气象因素的年际变化趋势并不显著。空间分析结果表明,上海市O_3超标主要集中在西南部郊区,但市区O_3超标潜势不容忽视。O_3污染高发季节的污染玫瑰图分析发现,上海市南部地区是影响上海市O_3污染的关键区域;对于NO_2减排的影响分析发现,尽管上海市O_3平均浓度总体处于上升趋势,但在NO_2下降幅度最为明显的内环市区和北部郊区,O_3上升幅度低于NO_2下降幅度较小的内外环区域和西部郊区,表明上海市的O_3污染控制仍需持续推进NOx的减排,并同步推进VOCs的减排。     

Surface ozone and meteorological condition in a single year at an urban site in central–eastern China

Surface ozone and some meteorological parameters were continuously measured from June 2003 to May 2004 at urban Jinan, China. The levels and variations of surface ozone were studied and the influences of meteorological parameters on ozone were analyzed. Annual and diurnal ozone variation patterns in Jinan both show a typical pattern for polluted urban areas. Daytime ozone concentrations in summer were the highest in the four seasons. However, during nighttime from 2100 to 0600 hours ozone concentrations in spring was higher than that in summer. Daily averaged ozone showed negative correlation with pressure and relative humidity and positive correlation with temperature, total solar radiation, sunshine duration and wind speed during the study period. Further studies show that, solar radiation is a primary influence factor for the daytime variations of ozone concentrations at this site; transport of pollutants by wind could enhance the pollution at this site; precipitation has a significant influence on decreasing surface ozone. A multi-day ozone episode from 16 to 21 June 2003 was observed at this site. Surface meteorological data analysis and backward trajectory computation show that the episode is associated with the influence of typhoon Soudelor, attributing to both local photochemical processes and transport of air pollutants from southeastern coastal region, especially Yangtze River Delta region.     

安徽省臭氧污染特征及气象影响因素分析

基于2016—2018年安徽省68个国控环境空气质量自动监测站点的臭氧(O_3)监测数据,研究分析了安徽省O_3污染特征及其与气象因子的相关性。结果表明:安徽省O_3污染程度呈现逐年加重趋势,并有显著的季节和月度变化特征。2016—2018年,各年度单月O_3日最大8小时滑动平均质量浓度第90百分位数的最大值分别出现在9月、5月、6月。O_3日变化趋势为典型的单峰形,各年度最低值出现在晨间07:00左右,最高值则是在15:00—16:00。全省O_3浓度总体上呈现出北高南低的空间特征。温度、相对湿度与O_3浓度分别呈现显著正相关、负相关,但在不同季节存在一定差异,其中,春秋季温度与O_3浓度的相关性好于夏冬季,夏季相对湿度与O_3浓度的相关性最为显著。O_3浓度在平均风速为2.1～2.2 m/s时更易出现超标。中部和北部城市在东南风的作用下易出现O_3超标并达到O_3浓度高值,而南部地区在风向为西风时更容易出现O_3超标。