北京城区降水对PM2.5和PM10清除作用分析

基于北京市PM_2.5和PM₁₀质量浓度、组分浓度以及降水数据，利用数理统计、相关性分析等方法分别从降水总量、降水时长和降水前颗粒物浓度3个角度研究降水对PM_2.5、PM₁₀的清除作用，同时以一次典型降水过程为例，具体分析降水对颗粒物的影响。结果表明：降水总量的增加有助于促进PM_2.5、PM₁₀的清除，随着降水总量增加，PM_2.5、PM₁₀的平均清除率提高，有效清除的比例增加；连续降水可增强对大气颗粒物的湿清除作用，连续降水达3d可有效降低PM_2.5、PM₁₀浓度；降水对PM_2.5、PM₁₀浓度的清除率和大气颗粒物前一日的平均浓度有较好的正相关性。降水对大气颗粒物的清除可分为清除、回升和平稳3个阶段，各个阶段大气颗粒物的变化趋势不同。降水对于大气气溶胶化学组分和酸碱性的改变具有明显作用，对于大气颗粒物各种组分的清除效果不完全相同。对于大气中OC、NO₃^-、SO₄^2-和NH₄⁺去除率较高，且这4种组分主要以颗粒态形式被冲刷进入降水中，加剧了北京市降水酸化程度。     

交通限行对大气颗粒物及PM2.5中二NFDA1英的影响

为了研究北京大气颗粒物和二NFDA1英(PCDD/Fs)的污染状况以及评估交通限行对大气颗粒物和PCDD/Fs的影响。利用同位素稀释高分辨率气相色谱/高分辨率质谱(HRGC/HRMS)联用法和USEPA 1613B 标准方法,以中国地质大学(北京)东门为采样点,采集大气PM_2.5、PM₁₀、TSP样品,对北京市交通限行期间以及交通限行前后等不同交通状况下颗粒物浓度及大气PM_2.5中17种2,3,7,8-PCDD/Fs污染特征进行了监测。结果表明,PM_2.5、PM₁₀、TSP的日均质量浓度在交通限行前分别为126、202、304 μg/m³,限行期间分别为39、78、93 μg/m³,限行结束后分别为79、126 μg/m³。PM_2.5中17种PCDD/Fs的质量浓度(毒性浓度)3个时段分别为1 804 fg/m³(70 fg I-TEQ/m³)、252 fg/m³ (9 fg I-TEQ/m³)和1 196 fg/m³ (48 fg I-TEQ/m³)。北京市交通限行期间颗粒物浓度和二 NFDA1 英浓度显著低于交通限行前后,交通源减排措施的实施是大气颗粒物和二 NFDA1英污染水平降低的主要原因,从减排效果看,交通源减排措施对大气细颗粒物(PM_2.5)的控制效果明显好于大气粗颗粒物。     

西安市大气颗粒物PM2.5与降水关系的探讨

对西安市2011年的降水及PM_2.5进行采样，并对其进行了pH及无机水溶性离子测定。结果表明，西安市酸雨的污染类型以硫酸型污染为主，连续性降水对大气颗粒物的去除效果明显，pH随降水量的增加而减小。对采样日降水前和降水后3 h的PM_2.5监测结果表明降水对PM_2.5质量浓度与其中的离子有一定去除作用。西安市的PM_2.5呈酸性，并且与降水的pH有着很好的相关性；另外降水前PM_2.5的质量浓度、SO₄^2-浓度与降水pH呈负相关，NO₃^-与降水pH的相关性不明显。近几年PM_2.5和降水中的SO₄^2-/NO₃^-当量值变化趋势表明西安市大气污染已步入煤烟和机动车尾气混合型污染类型，且机动车污染对大气污染和酸雨的贡献比例有所增加。     

江苏省颗粒物激光雷达组网在一次复合过程中的应用分析

基于2022年9月5—11日江苏省发生臭氧连续超标，细颗粒物（PM_2.5）浓度同步上升的一次典型复合污染过程，利用颗粒物激光雷达组网对江苏省6个城市的大气垂直剖面进行了连续监测，并结合近地面污染物浓度和气象要素观测数据分析了此次污染过程的成因。结果表明，污染过程期间各城市呈现高温、小风、强太阳辐射的特征，造成日间二次生成的颗粒物在本地积聚。各城市颗粒物浓度的小时变化趋势大致相同，颗粒物浓度大幅升高期间，ρ（PM_2.5）/ρ（PM₁₀）值也同步上升，以PM_2.5生成为主导。激光雷达探测结果显示，1 km以内的355 nm消光系数显著增强，表明此次污染过程是由于强大气氧化性导致以极细颗粒物为主导的PM_2.5大量二次生成，无明显的区域传输，同时夜间伴随边界层高度降低，白天生成的高浓度PM_2.5沉降至地面，期间淮安市、扬州市和镇江市受浮尘、扬尘等粗粒子影响，边界层内粗颗粒物浓度也较高。     

2020年泰州市细颗粒物质量浓度高值区污染来源解析

2020年在位于泰州市主城区大气细颗粒物（PM_2.5）质量浓度高值区的莲花国控空气站点进行手工采样,分析了大气PM_2.5的质量浓度和元素组成，以及离子、有机碳和元素碳的质量浓度。根据监测结果，采用正定矩阵因子分解（PMF）受体模型对其来源进行解析。结果显示，莲花站点大气PM_2.5中主要组分包括有机物、硝酸盐、硫酸盐、铵盐、地壳物质、氯盐、钾盐、黑炭、微量元素和钠盐，占比分别为35.7%，25.6%，13.9%，11.9%，6.1%，2.3%，1.5%，1.5%，0.8%和0.7%，有机物、硝酸盐、硫酸盐、铵盐为首要污染组分，这4类物质对PM_2.5的累计贡献为87.1%。根据解析结果与实际污染特征，提出应优化城市路网结构，强化工地扬尘管控，全面取缔燃煤炉和严抓秸秆禁烧工作等控制对策。     

北方某市环境空气颗粒物中重金属污染状况研究

对我国北方某市大气颗粒物的污染状况进行了研究。在主导风向上设置采样点,于冬季、夏季分别采集TSP、PM₁₀、PM_2.5 3种不同动力学直径的大气颗粒物。采用ICP-MS对TSP、PM₁₀、PM_2.5中的元素浓度进行分析,并对3种不同粒径颗粒物中的10种重金属采用富集因子法进行评价。结果表明,北方某市环境空气颗粒物中富集程度最严重的为Cd、Pb;在采暖期,随着颗粒物粒径变小,Pb、Cd的富集指数呈现逐渐增大的趋势;非采暖期则无此趋势。     

“十三五”期间赣州市环境空气质量特征及变化趋势

为科学谋划赣州市“十四五”期间大气污染防治工作,重点对赣州市“十三五”期间整体空气质量变化情况,以及影响赣州市优良天数的两个重要参数——臭氧(O₃)和细颗粒物(PM_2.5)的污染规律进行了分析。结果表明,赣州市“十三五”期间空气质量改善明显,优良天数整体增加。O₃浓度和O₃超标天数占总污染天数的比例整体均呈现波动上升趋势,对空气质量综合指数的贡献率逐年增加;高浓度O₃污染通常发生在干燥、高温条件下,高发期主要集中在4—5月和7—11月,空间分布呈西高东低的特点,与2018年大气污染源排放清单中挥发性有机物(VOCs)的排放量分布情况较为一致。PM_2.5浓度呈逐年下降趋势,在2019年和2020年达到国家空气质量二级标准;PM_2.5污染天数在2016年同比增加26 d,而后逐年减少,其中2020年较2015年减少了12 d;PM_2.5浓度的季节变化特征整体呈现为冬季高、春秋次之、夏季低,空间分布特征与O₃类似。建议赣州市在“十四五”期间以PM_2.5和O₃协同治理为主要思路,继续深入打好蓝天保卫战。     

某典型交通路口大气颗粒物(PM10和PM2.5)中多氯联苯季节变化特征

应用同位素稀释高分辨率气相色谱-高分辨质谱 (HRGC-HRMS) 联用技术对北京市北四环典型交通路口大气颗粒物PM₁₀和PM_2.5中多氯联苯(PCBs)进行了监测,分析了PCBs浓度水平、单体组成特征、粒径分布规律和季节变化趋势。结果表明:大气颗粒物PM₁₀和PM_2.5样品中19种PCBs浓度和毒性浓度(TEQ,以世界卫生组织毒性当量因子WHO-TEF计)分别为1.05～13.83 pg/m³(平均值为6.66 pg/m³)和1.24～15.18 fg/m³ (平均值为6.84 fg/m³)、0.80～8.51 pg/m³(平均值为4.32 pg/m³)和0.88～13.40 fg/m³ (平均值为5.90 fg/m³),PM₁₀和PM_2.5中PCBs的单体分布模式相似,浓度丰度最大的是PCB-28和PCB-209,而对毒性当量贡献最大的是PCB-126。PCBs浓度季节变化明显,冬、春季明显高于夏、秋季。 PCBs浓度季节变化特征表明,不同季节采样点PCBs来源不同,除历史使用外,采暖季节可能主要来自机动车排放和化石燃料的燃烧,而非采暖季节主要来自机动车排放。粒径分布表现为PCBs倾向于富集在PM_2.5中,占PM₁₀总浓度的61%～87%(平均值为72%)。     

宁波市区冬季大气颗粒物及其主要组分的污染特征分析

为了更好地研究影响宁波市区环境空气质量的污染物变化特征,于2010年1月20—30日进行了加强监测。研究结果表明,宁波市区大气中PM₁₀和PM_2.5质量浓度较高,其中PM_2.5/PM₁₀为0.5~0.85。对PM₁₀和PM_2.5采样膜分析,水溶性粒子和含碳组分分别占PM₁₀和PM_2.5质量浓度的56.7%和66.9%,其中二次污染的水溶性离子SO₄^2-、NO₃^-和NH₄⁺是PM₁₀和PM_2.5中浓度较高的离子组分;PM_2.5样品中OC与EC的相关性较好,表明OC与EC的来源相对一致,可能主要来自机动车尾气的贡献;但PM₁₀样品中OC与EC的相关性较差,表明其来源相对复杂;其中SOC的浓度占OC的13%~35%,说明宁波市区冬季导致二次污染的光化学反应不活跃。     

2019年江苏省PM2.5和O3多模式集合预报算法效果评估

基于江苏省重污染天气监测预报预警系统多模式预报结果,分析了不同数值模式对江苏省13个城市细颗粒物(PM_2.5)和臭氧(O₃)的预报偏差特征,发展了多模式集合预报算法,并对其进行了评估。结果表明,相较于单一数值模式,集合预报算法显著改善了PM_2.5和O₃预报的准确率,其对江苏省PM_2.5和O₃空气质量分指数等级的预报准确率超过了80%。就江苏省整体而言,PM_2.5集合预报的准确率相比最优单一数值模式提升了6%。O₃浓度较低时,集合预报能有效改善各模式存在的高估现象。但受限于目前的校正策略,出现高浓度O₃污染时,集合预报对预报效果的提升相对有限。     

大气网格化监测运行维护管理现状与展望

"十三五"期间,大气网格化监测快速发展,为环境精细化管理提供了技术支撑。由于其相对于国家环境空气质量自动监测标准站具有设备小型化、无站房、点站数量大、运维人员技术水平偏低、管理人员少等特点,难以应用已有标准站运行维护管理机制。该文以北京市大气PM_(2.5)网格化监测工作为例,回顾了我国在大气网格化监测领域开展的工作与现状,重点介绍运用质量管理思维建立的运行维护管理体系。根据目前我国大气污染防治形势,"十四五"期间大气网格化监测可以从提升设备性能、加强检定与质量控制等方面提升数据质量,通过多指标联合质控与审核等完善运维体系,运用大数据技术唤醒海量数据价值等方面持续开展研究,支撑O_3和PM_(2.5)协同控制。     

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。     

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。     

北京地区不同季节PM2.5和PM10浓度对地面气象因素的响应

利用2013年1月—2014年12月北京地区PM_(2.5)和PM_(10)监测数据和同期近地面气象观测数据,采用非参数分析法(Spearman秩相关系数)研究了北京地区PM_(2.5)和PM_(10)的浓度对不同季节地面气象因素的响应。结果表明:北京地区大气颗粒物浓度水平具有明显的季节特征,冬季大气颗粒物污染最严重,夏季最轻。不同季节影响颗粒物浓度水平的气象因素各不相同,其中风速和日照时数为主要影响因素。PM_(2.5)和PM_(10)质量浓度对气象因素变化的响应程度也有较大区别,PM_(2.5)/PM_(10)比值冬季最高,PM_(2.5)影响最大,春季最低,PM_(10)影响最大。这些结论可对制订科学有效的大气污染控制策略提供参考。     

Atmospheric aerosols at a regional background Himalayan site—Mukteshwar, India

Continuous aerosol measurements were made at a regional background station (Mukteshwar) located in a rural Himalayan mountain terrain from December 2005 to December 2008 for a period of 3 years. The average concentrations of particulate matter less than or equal to 10 μm (PM₁₀), particulate matter less than or equal to 2.5 μm (PM_2.5) and black carbon (BC) are 46.0, 26.6 and 0.85 μg/m³ during the study period. Majority of the PM₁₀ values lie below 100 μg/m³ while majority of the PM_2.5 values lie below 30 μg/m³. It is further seen that during the monsoon months, especially July and August, the average values are comparatively low. It is also noted that the PM_2.5/PM₁₀ ratios between 0.50 and 0.75 have the maximum frequency distribution in the data set. Furthermore, the monthly mean ratio of BC to PM_2.5 mass lies between 3.0 and 7.5 % during the study period. Though the average PM₁₀ and PM_2.5 concentrations during the study period are less than the respective Indian ambient air quality standards, however, they are still above the WHO guidelines and would have adverse health impacts. This shows that even in rural/background regions that are far away from major pollution sources or urban areas, the aerosol concentrations are significant and require long-term monitoring, source quantification and aerosol model simulations.     

基于系统聚类方法划分中国PM2.5防治区域

中国各城市细颗粒物(PM_(2.5))环境空气质量差异较大,呈现明显的区域污染特征。合理划分PM_(2.5)污染防治区域、开展区域性大气环境管理,是改善区域空气质量的重要途径。根据2015年全国108个重点城市大气PM_(2.5)的日均浓度数据,使用系统聚类方法对各城市的PM_(2.5)全年污染变化特征进行分析,从而划分出不同防治区域。依据聚类分析的3项原则,综合比较4种不同聚类方法及结果,最后提出可以划分出8个PM_(2.5)污染防治区域:a赣鄂湘接壤地区(长株潭及周边城市),b成渝及周边地区,c粤桂地区,d闽浙沿海城市群,e东三省地区,f长三角地区,g山东及周边地区,h京津冀、山西中北部、陕西关中城市群。     

哈大绥城市“十三五”期间大气环境容量分析

根据2016—2020年哈尔滨市、大庆市、绥化市(以下称哈大绥)国控环境空气自动监测站的SO₂、NO₂、PM_2.5监测资料,统计年鉴中行政区划、污染物排放及气象等监测数据,分析哈大绥区域环境空气质量的变化趋势和测算因子,采用A值法核定了哈大绥区域SO₂、NO₂、PM_2.5的大气环境容量。结果表明:哈大绥SO₂、NO₂、PM_2.5 3项污染物采暖季的大气环境容量均呈逐年递增趋势。通过计算环境承载能力发现,哈大绥SO₂、NO₂、PM_2.5 3项污染物在非采暖季均具有高承载能力,哈大绥非采暖季环境容量高于采暖季。哈尔滨的个别污染物仍然处于临界超载状态,为减少重污染天气,应进一步削减采暖季污染物排放量。     

基于聚类分析的颗粒物监测网络优化研究

为了优化香港环境监测网络,收集香港14个监测站2011年1月1日至2015年11月30日的颗粒物PM_(2.5)、PM_(10)的小时数据进行统计分析。对PM_(2.5)进行聚类,并利用日均浓度变化图进行验证,结果表明,可将监测站分为4类(A、B、C、D类),A类位于城市郊区,B类则位于港口附近,且A、B类的PM_(2.5)日变化特征均呈现双峰型分布,峰值分别出现在09:00和21:00。对PM_(10)进行类似分析结果表明,监测站同样可以分为4类,A类位于九龙区,B类则位于港口附近,而且A、B类的PM_(10)日变化双峰分别出现在11:00和20:00左右。说明污染源头及地形的相似致使某些监测站颗粒物浓度的变化出现相同的趋势,导致监测设备的浪费和管理的冗余。建议建立更高效的空气管理系统,将冗余设备转移到其他地区,扩大空气监控区域。对PM_(2.5)/PM_(10)聚类结果表明,将监测站分为4类,B类均属于路边站,C类则位于居民区。同时还发现同类监测站PM_(2.5)/PM_(10)数值变化相同,并且可以用其中一个站的PM_(2.5)和PM_(10)浓度及另一个站的PM_(2.5)或PM_(10)浓度预测PM_(2.5)或PM_(10)浓度,为优化监测资源提供了一种新的思路。     

石家庄市大气颗粒物元素组分特征分析

为研究石家庄市大气颗粒物的污染特征及其来源,于2013年4—5月在主城6区分别采集TSP、PM10和PM2.5颗粒物样品,利用ICP-MS分析其中的22种元素浓度。结果表明,石家庄市城区Ca、Fe元素在各粒径颗粒物中含量都较高,PM2.5中的S、K含量较高,PM10和TSP中Mg、Al的浓度相对较高。颗粒物的主要来源为燃煤尘、道路尘和建筑尘,TSP、PM10和PM2.5具有较好的统计相关性和同源性。     

Delineating the spatial-temporal variation of air pollution with urbanization in the Belt and Road Initiative area

The rapid urbanization in the Belt and Road Initiative (BRI) area has aggravated the cross-regional pollution of PM_2.5 and aroused concern about the conflicts between urban development and air quality. This study aims to examine the spatial-temporal PM_2.5 variations in the BRI region, in which area many countries are undergoing rapid urbanization and the main field of future urbanization, to delineate the driving mechanism of PM_2.5 accumulation or dissipation. Previous studies have analyzed the PM_2.5 distribution at the national level, providing limited information regarding regional heterogeneity in urbanization and PM_2.5 concentrations within each country. Additionally, the regional differences in the driving mechanisms of urbanization factors on PM_2.5 concentrations have not been thoroughly investigated within the BRI areas. In this study, remote sensing raster data was combined with geographic grid units to examine variations in urbanization and PM_2.5 within the BRI region, identifying “typical regions” where urbanization could enhance PM_2.5 accumulation. The main results are as follows: i) The spatial autocorrelation of urbanization and PM_2.5 concentrations has gradually strengthened, showing consistent high-value distributions in the North China Plain, Ganges Plain and indicating a synergistic growth among emerging developing regions such as China, India, and the Persian Gulf Coast. ii) The correlation between urbanization and PM_2.5 concentrations exhibited a distinct trend of differentiation within the BRI regions. The influence of urbanization on PM_2.5 changed from agglomeration to dispersion, forming a “typical region” category composed of ten countries, including China, India, and Morocco. iii) The three main urbanization-related factors for PM_2.5 accumulation in the “typical regions” for 2005–2016 were energy pollution emission, economic activities, and human activities. By 2023, the effects of energy pollution and economic activities are expected to converge in some “typical region” countries. Targeted urban strategies and governance actions based on the different driving-types of “typical regions” in BRI have been proposed to coordinate relationship between urban construction and atmospheric environmental protection.