天水市大气SO2浓度时空变化特征的卫星遥感监测与影响分析

大气卫星遥感监测作为一种新型监测手段,具有范围广、速度快、成本低等优势,对环境应急保护及其预警都具有非常重要的意义。选取天水市2006—2013年各年12月每日OMI level-2数据产品,利用Aura卫星技术和Arc GIS等技术平台,对天水市大气中SO_2的时空分布规律和污染原因进行了分析研究。结果表明:2006—2013年天水市SO_2柱浓度及其总量呈现出明显增加的趋势,但在2008年有小幅降低;在2008年以前,天水市SO_2浓度呈现出由东南向西北逐渐减少的趋势,但自2009年后污染重心发生迁移并且出现了数个集中化的SO_2高值区;研究区SO_2垂直柱浓度有自然因素、人类活动等多方面的复合影响,其中能源消耗及机动车尾气排放是主要影响因素。研究进一步讨论了遥感数据产品的应用前景。     

达州市城区环境空气质量变化趋势及CMAQ模型预报分析

利用Spearman秩相关系数法、污染日历图、浓度分析法和CMAQ预测模型研究了达州市城区2015—2019年空气质量状况。结果表明:2015—2019年,达州市城区O_3浓度变化趋势为显著上升(P0.05),季度变化明显,8月易发生因O_3超标导致的轻度污染状况;CO年均值变化趋势为显著降低(P0.05);NO_2年均值呈上升趋势,但尚未达到显著水平(P0.05);SO_2、PM_(10)和PM_(2.5)年均值呈下降趋势,但变化趋势不明显(P0.05)。2019年,1月和12月污染最重,PM_(2.5)超标是主因,PM_(10)和PM_(2.5)年均值达标形势严峻,全年一半以上天数的PM_(2.5)浓度超过年均值二级标准限值,PM_(10)也近半;NO_2年均值达标形势严峻,全年212 d超过年均值二级标准限值。CMAQ模型对不同污染指标的预测准确率不同,预测PM_(2.5)浓度、首要污染物和空气质量等级时的准确率不及人工预测,预测AQI时的准确率高于人工预测,更多污染指标的预测比较还有待进一步研究。     

基于卫星遥感的中国东部地区NO2减排成效验证

基于Aura卫星臭氧监测仪（OMI）数据，分析了2011—2018年中国东部地区对流层NO₂柱浓度的时空分布规律，以广泛而客观地验证NO₂减排成效。结果表明：进入"十二五"以来，中国东部地区对流层NO₂柱浓度快速下降，高值区域范围快速收缩甚至消失；华北平原、长江中下游平原污染相对严重，同时这些地区污染程度正在得到较快速的缓解；京津冀、长三角、珠三角是中国东部地区对流层NO₂柱浓度相对最高、下降速度最快的典型区域；中国东部地区NO₂减排取得的成效与产业转型升级、能源结构调整及严控移动源排放等政策措施密不可分。     

基于TROPOMI的扬州市对流层甲醛和二氧化氮时空分布特征分析

以2020年1月—2021年9月对流层观测仪（TROPOMI）卫星观测资料反演获取的对流层甲醛（HCHO）、二氧化氮（NO₂）柱浓度数据为依据,采用统计方法分析了扬州市HCHO和NO₂柱浓度的时空分布特征。结果表明,扬州市对流层HCHO、NO₂平均柱浓度分别为903.01×10¹³, 633.77×10¹³mole/cm²;受太阳紫外辐射影响,HCHO柱浓度变化特征表现为6月最高、1月最低;受气象条件和人为排放强度影响,NO₂则表现为1月最高、8月最低。2021年1—9月扬州市对流层HCHO、NO₂柱浓度月均值同比2020年分别增长4.0%,40.6%。空间分布特征显示,扬州市对流层HCHO和NO₂浓度高值区主要分布在扬州市南部,且浓度高值区域与重点排污企业分布情况较为一致,多为电力供热、工业锅炉、冶金、石化与化工、表面涂层等行业。相关性分析显示,对流层HCHO与气温、臭氧浓度呈显著正相关,而NO₂与气温、臭氧浓度呈显著负相关。     

天山北坡经济带城市NO2污染的时空分布特征

基于2015—2020年近地面NO₂质量浓度数据和2019年哨兵-5P TROPOMI卫星探测的对流层NO₂柱浓度数据，采用相关性分析、趋势分析等方法探究新疆天山北坡经济带6个城市NO₂污染的时空分布特征。结果表明：（1）从年均值来看，天山北坡经济带NO₂质量浓度总体呈下降趋势，尤其2018—2020年下降明显。其中乌鲁木齐NO₂质量浓度值最高、博乐最低。（2）从季度均值和月均值来看，各城市NO₂质量浓度季节变化明显，其中夏季最低、冬季最高；月均值呈“中间低、两头高”的变化特征。（3）从日均值来看，各城市NO₂质量浓度大多呈现双峰型分布,分别出现在早上10:00和晚上23:00。（4）从空间分布来看，NO₂柱浓度高值区多分布在人口密集和工业发达的城市地区，尤其是乌鲁木齐、昌吉、五家渠、石河子污染最为严重。     

天水市紫外吸收性气溶胶时空动态的遥感监测

采用OMI传感器的气溶胶产品,分析了2006—2015年中国西部城市天水市对流层紫外吸收性气溶胶的时空分布特征。结果表明:空间上,十年间天水市的吸收性气溶胶表现出从中部向周围依次减弱的南北向带状分布规律;季节变化呈现出秋冬季高于春夏季的规律;时间上,吸收性气溶胶指数(AI)从2006年的0.075增至2015年的0.506,年均值为0.28,年均增长率为57.5%;十年间出现2次阶段性增长和2次阶段性减小;AI年际变化与天水市地方总产值相关性为0.902,第一产业对其影响最大,第三产业影响最小。     

宁波市“十二五”与“十一五”期间酸雨污染特征变化趋势分析

基于地面观测数据,分析了"十一五"和"十二五"期间宁波市酸雨污染特征变化趋势。结果表明,2015年降水pH从2010年的4.37上升到4.89;2010—2015年酸雨发生频率降低了17.4百分点;重酸雨区范围不断缩小,轻酸雨区范围不断扩大,酸雨污染程度有所改善。降水中化学组成变化显示,与"十一五"末相比,2015年除NO_3~-、Cl~-外其他离子浓度均有所下降;2015年SO_3~(2-)与NO_3~-的当量浓度之比从2010年的3.10下降到1.73,表明酸雨污染从硫酸型向硫酸与硝酸混合型转变。     

重庆市主城区大气水溶性离子在线观测分析

2015年12月—2016年3月期间,利用在线气体与气溶胶成分监测仪(IGAC)在重庆市大气超级站开展连续观测分析,并捕捉到2次持续时间较长的空气重污染过程。对PM_(2.5)中9种水溶性离子及5种气态前体物的观测结果分析表明:NO_3~-、NH_4~+和SO_4~(2-)是重庆市主城区PM_(2.5)中主要的水溶性离子成分,其浓度均表现出明显的日变化特征,主要以(NH4)_2SO_4和NH_4NO_3的形式存在。NH_3和SO_2是最主要的气态污染物。2次重污染过程的水溶性离子组分有明显差异,细颗粒物累积型污染的NH_4~+、SO_4~(2-)、NO_3~-浓度高,二次转化十分明显;春节期间烟花爆竹集中燃放,Cl~-、K~+浓度高,主要属于一次排放;污染期间主要离子组分的同源性特征显著。     

无锡市区大气污染物状况及变化趋势分析

使用2012—2015年无锡市区的6种大气污染物监测数据,对无锡市区各污染物的年度变化、空间分布、影响因素进行了分析。结果表明:(1)2012—2015年无锡市区SO_2、O_3质量浓度呈下降趋势,且趋势显著;NO_2质量浓度呈下降趋势,但不明显;CO、PM_(10)、PM_(2.5)的质量浓度年际变化比较平稳。(2)无锡市区SO_2、NO_2、PM_(10)、PM_(2.5)、CO的空气质量分指数(IAQI)均为冬季最高、夏季最低;O_3的IAQI则为夏季最高、冬季最低。(3)SO_2、NO_2、PM_(10)、PM_(2.5)、CO浓度间呈两两正相关,且相关性极显著;O_3浓度与NO_2、CO呈显著负相关,与SO_2、PM_(10)、PM_(2.5)浓度之间没有明显的关联。(4)分析了无锡市区各项大气污染物浓度的空间分布特征。(5)SO_2、NO_2、PM_(10)浓度周内变化具有"周末效应"的特征,而O_3、CO和PM_(2.5)浓度周内变化出现"反周末效应"。     

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。     

中国高分辨率近地面NO2浓度反演

通过分析2010年全国333个县级以上城市卫星遥感的NO2对流层年均柱浓度与地面实际观测浓度之间的相关性,发现两者具有一定的线性相关性(r=0.54,n=333),并建立了NO2"遥感柱浓度"与"地面观测浓度"之间的关联方程,通过该方程反演了中国0.125°分辨率近地面NO2污染分布特征。结果表明,全国近地面NO2浓度超过《环境空气质量标准》(GB 3095—2012)要求的年均浓度二级标准(0.04 mg/m3)的区域约为5.95万平方千米,超标地区主要集中在华北平原、长三角地区、四川盆地和珠三角地区,这些地区NO2污染水平远高于333个城市的年平均值(0.028 mg/m3)。NO2污染极不平衡,以大中型城市为中心的区域污染特征显著。NO2人口加权浓度分析结果表明,NO2人口加权浓度高值区主要集中在能源消费量大、机动车保有量大及人口密集的地区,全国约5.7%的人口暴露在NO2超标区域。     

Influence of coal-based thermal power plants on the spatial–temporal variability of tropospheric NO<Subscript><Emphasis Type="Bold">2</Emphasis></Subscript> column over India

The oxides of nitrogen—NO _x (NO and NO₂)—are an important constituent of the troposphere. The availability of relatively higher spatial (0.25° grid) and temporal (daily) resolution data from ozone monitoring instrument (OMI) onboard Aura helps us to better differentiate between the point sources such as thermal power plants from large cities and rural areas compared to previous sensors. The annual and seasonal (summer and winter) distributions shows very high mean tropospheric NO₂ in specific pockets over India especially over the Indo-Gangetic plains (up to 14.2 × 10¹⁵ molecules/cm²). These pockets correspond with the known locations of major thermal power plants. The tropospheric NO₂ over India show a large seasonal variability that is also observed in the ground NO₂ data. The multiple regression analysis show that the influence of a unit of power plant (in gigawatts) over tropospheric NO₂ (×10¹⁵ molecules/cm²) is around ten times compared to a unit of population (in millions) over India. The OMI data show that the NO₂ increases by 0.794 ± 0.12 (×10¹⁵ molecules/cm²; annual) per GW compared to a previous estimate of 0.014 (×10¹⁵ molecules/cm²) over India. The increase of tropospheric NO₂ per gigawatt is found to be 1.088 ± 0.18, 0.898 ± 0.14, and 0.395 ± 0.13 (×10¹⁵ molecules/cm²) during winter, summer, and monsoon seasons, respectively. The strong seasonal variation is attributed to the enhancement or suppression of NO₂ due to various controlling factors which is discussed here. The recent increasing trend (2005–2007) over rural thermal power plants pockets like Agori and Korba is due to recent large capacity additions in these regions.     

2001年～2008年及奥运会期间天津市大气污染特征分析

根据天津市大气质量监测数据,对2001年～2008年及奥运会期间天津市大气污染特征和主要大气污染物的变化规律进行了分析。结果表明,2001年～2008年天津市的PM10、SO2和NO2污染总体呈下降趋势,但质量浓度仍相对较高。2008年8月奥运会期间天津市PM10和SO2质量浓度达到国家空气质量二级标准,NO2质量浓度达到国家空气质量一级标准,空气质量良好。天津市PM10污染相对稳定,SO2和NO2的污染分布呈现明显的季节性,时间上表现为冬强夏弱。气象条件对污染物浓度影响明显,沙尘、大雾等天气可使污染物浓度急剧升高。     

灰霾期间武汉城市区域大气污染物的理化特征

利用湖北省大气复合污染自动监测站2013年的全年监测数据,分析了灰霾期间武汉城市区域大气污染物的理化特征。霾日主要出现在春季、秋季和冬季。霾日与非霾日大气污染物质量浓度和气象参数的对比分析结果显示:高湿度、静风是武汉城市区域霾日的重要气象特征;PM1、PM_(2.5)、PM_(10)、NO_2、CO、NH3的质量浓度,SOR、NOR值以及PM_(2.5)中的二次无机离子(SO2-4、NO-3、NH+4)和部分元素(Pb、Se、Cd、Zn、K)的质量浓度均在霾日明显高于非霾日,而霾日SO2质量浓度仅在冬季略高于非霾日。选取2013年1月的连续灰霾日进行相关性分析,结果表明:污染组分主要来自当地排放(包括直接排放和二次形成),并受当地气象条件影响。此次灰霾过程中PM_(2.5)中的硫酸盐和硝酸盐主要来自气相反应,气态NO_2主要生成了气态HNO_3,而不是HNO_2。     

COVID-19疫情对河南省空气质量及社会经济活动短期影响

分析了COVID-19疫情初期河南省空气质量指数（AQI），并探讨了2项重要污染物（PM_2.5和NO₂）分布状况和变化趋势，发现疫情管控后AQI总体趋势向好，MODIS载荷反演PM_2.5浓度下降了22.7%，TropOMI卫星反演NO₂柱浓度同比下降61.95%，环比下降70.25%。另外，对NO₂日遥感监测结果按照"前-中-后"3个时段进行周尺度归一化社会经济活动指数SSEI计算，结果显示疫情管控措施对社会经济活动有明显的抑制作用，在疫情得到基本控制后，大部分地区的工业热源企业虽已逐步有序恢复生产，但经历了缓慢的恢复过程。河南省的经济活动恢复水平在春节后第1周至第5周处于渐进式增长状态，第6周有所回落，第7周继续攀升。     

基于区域环境空气质量和碳排放数据的减污降碳协同效果评估

化石燃料燃烧产生的温室气体与大气污染物具有同根同源性，但具体治理中减污降碳的协同效果尚不明确。以浙江省11个设区市为研究样本，对环境空气质量和二氧化碳(CO₂)排放数据进行分析研究，结果显示：2016—2020年浙江省环境空气质量持续改善，但CO₂排放总量仍处于增长阶段。11个设区城市PM_2.5年均浓度降幅在26%～41%之间，二氧化氮(NO₂)年均浓度下降趋势不明显，大部分城市呈现碳排放增加、NO₂浓度下降的特征，只有杭州和温州两市呈现碳排放总量和NO₂、PM_2.5浓度协同下降的趋势。因子相关性分析结果表明，各设区市呈现NO₂浓度与碳排放相关性较大、协同性强，PM_2.5浓度与碳排放相关性较小的特点。进一步通过减污降碳协同定量评价分析表明，浙江地区在环境空气质量改善和温室气体减排已表现出一定成效，但各设区市因产业结构、环境基础条件、协同程度等不同导致减污降碳综合绩效有明显差异。从源头减排实现...     

Meteorological influence on predicting surface SO2 concentration from satellite remote sensing in Shanghai,China

In this study, we explored the potential applications of the Ozone Monitoring Instrument (OMI) satellite sensor in air pollution research. The OMI planetary boundary layer sulfur dioxide (SO₂_PBL) column density and daily average surface SO₂ concentration of Shanghai from 2004 to 2012 were analyzed. After several consecutive years of increase, the surface SO₂ concentration finally declined in 2007. It was higher in winter than in other seasons. The coefficient between daily average surface SO₂ concentration and SO₂_PBL was only 0.316. But SO₂_PBL was found to be a highly significant predictor of the surface SO₂ concentration using the simple regression model. Five meteorological factors were considered in this study, among them, temperature, dew point, relative humidity, and wind speed were negatively correlated with surface SO₂ concentration, while pressure was positively correlated. Furthermore, it was found that dew point was a more effective predictor than temperature. When these meteorological factors were used in multiple regression, the determination coefficient reached 0.379. The relationship of the surface SO₂ concentration and meteorological factors was seasonally dependent. In summer and autumn, the regression model performed better than in spring and winter. The surface SO₂ concentration predicting method proposed in this study can be easily adapted for other regions, especially most useful for those having no operational air pollution forecasting services or having sparse ground monitoring networks.