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%)。     

2015年10月南宁市区典型大气污染过程成因分析

2015年10月15日—24日南宁市出现了一次典型的大气细颗粒物（PM2.5）污染过程，利用单颗粒气溶胶质谱仪和大气颗粒物激光雷达仪器进行监测，结合气象、后向轨迹及卫星遥感影像等资料分析大气污染成因及远距离传输对该次污染过程的影响。研究表明：此次南宁市大气污染以PM2.5超标为主，PM2.5日均质量浓度最高为85.2 μg/m3，超过标准值13.6%，其中PM1占PM2.5的66.3%。此次污染过程是由本地污染源与外来源影响互相叠加，在静稳、高温、强光等天气情况下发生协同作用引起的，污染物主要来源为燃煤源、机动车尾气源和生物质燃烧源，占全部来源的75.0%～80.0%。     

兰州市冬季冷锋前、后空气污染指数变化的个例分析

利用2002年12月4～13日兰州地区气象和大气污染物浓度资料，分析了此段时间内兰州市区大气污染现状和相应的大气环流形势，结果表明：当高空为暖高压脊控制、近地层逆温强度和厚度较大时，污染物浓度逐渐增高，并达到峰值；当有冷空气影响本地时，污染物浓度迅速降低．由于兰州城区冬季各大气污染源排放总量的日际变化是很小的，因此冷空气活动是造成污染浓度日际变化的重要因素，空气污染浓度的变化与气象条件有着显著的相关关系。     

长株潭区域一次重度污染过程气象成因

利用PM_2.5质量浓度、地面气象要素、NCEP、ERSST＿V3、GBL等资料，研究了2021年12月7—11日长株潭地区一次重度空气污染过程的特征及成因。结果表明，高空平直环流、无明显槽脊影响，地面弱冷空气活跃是本次重度空气污染过程的主要环流形势特征；地面均压场、小风和升温增湿是此次重度空气污染过程的主要气象要素特征。污染物浓度变化与主导风向和污染通道密切相关，本地风速对混合层的高度、污染物水平扩散影响较大，600～700 hPa逆温层有利于污染物在主导风作用下近距离传输及在低层交换积累。我国中东部污染物积聚是长株潭区域重要的污染来源，长株潭地区存在区域性同步污染现象。低层流入长株潭区域气流轨迹差异及地理条件是长株潭污染物空间分布差异的重要因素。     

基于Matlab小波分析的南京北郊大气O3浓度变化特征研究

以2008年南京北郊大气中O₃ 质量浓度观测资料和常规观测资料为基础，利用Matlab小波分析工具，对O₃浓度的年时间序列进行分析，得出该地区的O₃ 日均浓度的变化特征：春、夏季节O3浓度大于秋、冬季节，最高浓度出现在春末夏初，最低浓度出现在冬季；并且全年共有5个突变点；弱高压的天气系统、较高的温度、较低的湿度和晴朗少云的天气是造成南京北郊O₃浓度突变的主要气象因素。结合HYSPLIT气流后向轨迹模拟，对污染源来源进行追踪，结果表明：南京北郊O₃高浓度污染来源主要分为本地局地污染和外来污染物输送两类；垂直方向上，O₃的区域尺度或中尺度的输送主要稳定在混合层的底层。     

秸秆焚烧对哈尔滨市灰霾天气的影响

2015年11月1—4日,哈尔滨市及周边地区发生了连续的灰霾天气,颗粒物浓度急剧升高。污染发生时,监测仪器均布设在哈尔滨市区上风向30 km处(哈尔滨市双城区)并开展了连续96 h的监测分析。综合利用气象观测资料,3D可视激光雷达监测资料及地面空气污染监测资料分析了灰霾天气发生的气象条件和污染边界层特征,根据哈尔滨市双城区大气污染物排放源谱库对主要成分进行来源解析,结合颗粒物质量浓度和气象条件研究了秸秆焚烧对灰霾天气的影响。结果表明,灰霾天气持续期间,夜间生物质燃烧源成为该地区颗粒物的第二大源;秸秆焚烧产生的大气污染物,由于地面长时间静风,污染边界层降低等原因,致使本地污染物累积、不易扩散,加剧了本次污染。     

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。     

“十三五”期间伊宁市大气污染特征分析及对策建议

基于伊宁市“十三五”期间大气国控监测点位数据，分析伊宁市“十三五”期间环境空气质量变化特征并提出建议对策。结果表明：“十三五”期间，伊宁市空气优良率在78.9%～86.3%,重污染天气在3～17 d,重污染天气仍频发；PM_2.5年均浓度在38～47μg/m³,年均值均超标。影响空气质量的主要污染物为PM_2.5、PM₁₀和CO。与三大区域相比，伊宁市SO₂和CO污染程度相对较重，燃煤型的污染特征显著。此外伊宁市采暖季空气污染较重，PM_2.5、SO₂、CO等污染物浓度显著高于非采暖季，采暖季主要污染物呈现双峰变化特征。     

运城市区秋冬季大气PM2.5中重金属污染特征及健康风险评估

为了解山西省运城市大气细颗粒物（PM_2.5）中重金属的污染特征和来源及其健康风险，于2020年10月15日—2021年2月14日对运城市大气PM_2.5样品进行连续采集，使用微波消解-电感耦合等离子质谱法（ICP-MS）分析了样品中的铬（Cr）、锰（Mn）、镍（Ni）、铜（Cu）、锌（Zn）、砷（As）、镉（Cd）和铅（Pb）等8种重金属元素的质量浓度。结果表明，采样期间，ρ（PM_2.5）平均值为78.96μg/m³，采暖季ρ（PM_2.5）为（79.84±43.79）μg/m³，高于非采暖季（76.54±23.97）μg/m³，采暖季和非采暖季ρ（PM_2.5）均值均超过《环境空气质量标准》（GB 3095—2012）中的二级标准。富集因子法分析表明，Ni、Cu、Zn、As、Cd和Pb的富集因子均高于10，其中Cd元素的富集因子平均值达到1.089，表明受人为污染影响严重。主成分分析结果表明，运城市区秋冬季大气中重金属主要有3个来源，分别为混合燃烧源、机动车尾气源、工业排放源。健康风险评价结果显示，经手口摄入暴露强度最大，呼吸吸入暴露强度最小，皮肤接触暴露强度居中；儿童在3种暴露途径的总暴露剂量高于成人，儿童重金属暴露风险高于成人。各途径的非致癌风险强度叠加值＜1，表明非致癌风险较小；但As、Pb的非致癌风险相对较高。4种重金属的呼吸吸入途径致癌风险程度排序为：As＞Cr＞Cd＞Ni，单种重金属的致癌风险（TR）值以及重金属的总致癌风险（R）值均＜10^-6，表明本研究中重金属不具有致癌风险。     

基于机器学习的大气PM2.5中金属浓度预测模型的研究

基于2013—2018年哈尔滨市气象数据、大气污染物数据和细颗粒物（PM_2.5）中金属成分数据，采用机器学习方法探索大气PM_2.5中金属浓度预测模型，并选择最优模型进行污染物浓度预测。结果表明，多元线性回归（MLR）、人工神经网络（BP-ANN）、支持向量机（SVM）和随机森林（RF）4种模型中，RF对大气PM_2.5中5种金属［锑（Sb）、砷（As）、铅（Pb）、镉（Cd）、铊（Tl）］的浓度预测效果最佳，在训练集和测试集中表现均较稳定，其中相关系数（r）均＞0.7， 平均绝对误差（MAE）和均方根误差（RMSE）数值较小。RF在大气PM_2.5中金属浓度预测上具有较好的表现，可在缺乏监测和实验数据的情况下，实现对大气颗粒物中金属浓度的快速预测，为全面了解颗粒物中金属污染特征提供数据基础。     

基于后向轨迹模式的区域大气污染及传输特征分析

选取南京市2017年PM2.5逐时观测数据,分析其颗粒物污染特征,并利用聚类分析、潜在源贡献因子法和GDAS气象数据,分析不同高度、季节下南京市主要气流输送路径及PM2.5污染的主要潜在源区。结果表明：南京市PM2.5污染冬季最严重,夏季最轻,逐时PM2.5浓度变化范围夏季小于冬季;夏季气流轨迹主要来自东南方向,秋冬春等季节以偏西和西北路径为主,且随着高度的增加,气流输送速度逐渐加快;冬季对南京市PM2.5污染的贡献最为显著,低层PM2.5污染贡献源区主要集中在近地区域,且贡献率较高,随着高度的增加,贡献源区由研究区域向四周辐散,贡献范围广,贡献率降低。     

2018年11月上旬一次中韩PM2.5相互影响传输过程分析

2018年11月5—7日,韩国首尔出现了一次PM_(2.5)污染过程。利用拉格朗日轨迹分析(HYSPLIT)模型分析了首尔峰值浓度气团的来源,结合污染物监测和气象资料,定性分析了中国对韩国浓度高值可能的影响及其程度。利用嵌套网格空气质量预报模式(NAQPMS)及其耦合的在线污染来源追踪模块进行了污染来源解析和敏感性测试,分别计算了同一时期中韩两国相互间的PM_(2.5)传输贡献。结果显示:2018年11月5—7日,中国对韩国首尔污染过程的日均贡献不足10%;此次污染过程后期,首尔的污染气团对上海PM_(2.5)浓度峰值产生了影响。     

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。     

2009—2017年南充市城区酸雨特征分析

为了更为有效地治理酸雨污染,根据南充市环境监测中心站提供的2009—2017年降水监测数据,对南充市城区酸雨污染情况进行了分析及源解析。结果表明:2009—2017年,南充市降水pH从4.60波动上升至5.6以上,酸雨频率波动下降,酸雨污染情况有所改善;[SO4^2-]/[NO3^-]从4.92下降至0.86,酸雨污染类型从硫酸型转变为硝酸-硫酸型。同时,对比分析2014—2016年大气污染物排放源可知,NOx排放源中,工业污染源占比由14%降至11%,生活污染源由2%上升至5%;SO2排放源中,工业污染源占比由62%降至43%,生活污染源由38%上升至57%,表明南充市SO2污染已从以工业污染源为主转变为工业污染源与生活污染源并重。     

河源市2014-2017年空气污染特征及天气类型分析

利用2014—2017年河源城区环境空气自动监测站数据和气象数据，对期间出现的污染天气过程进行统计，对影响污染的天气类型进行分类。结果表明，2014—2017年，河源城区累计出现污染天气65 d，超标污染物主要为PM_2.5和O₃，O₃超标比例逐年上升成为达标率首要影响因子。PM_2.5易污染天气型中冷高压出海占比最多（38.2%），其次为冷锋前（17.7%）和均压场（14.8%）；O₃易污染天气型中副高控制占比最多（31.0%），其次为副高叠加台风外围（24.1%）和冷高压出海（13.8%）及均压场（13.8%）。河源城区低程度污染（AQI值101～110）占比较大。     

秸秆焚烧对空气质量影响特征及判别方法的研究

利用南京空气自动监测数据及PM_(2.5)组分监测结果,分析了2011年夏收秸秆焚烧期间大气污染特征,并探寻快速判别秸秆焚烧影响的指标及方法。结果表明:秸秆焚烧期间PM_(2.5)污染特征显著,其组分中K~+、EC、OC等浓度相对偏高。基于离子组分及碳元素在线监测数据,可选取K~+作为快速判别指标,并根据K~+与PM_(2.5)的相关性,计算秸秆焚烧对PM_(2.5)的贡献。同时结合OC、EC浓度变化,综合判别秸秆焚烧对空气质量的影响程度。     

Receptor model-based source apportionment of particulate pollution in Hyderabad, India

Air quality in Hyderabad, India, often exceeds the national ambient air quality standards, especially for particulate matter (PM), which, in 2010, averaged 82.2?±?24.6, 96.2?±?12.1, and 64.3?±?21.2 μg/m³ of PM₁₀, at commercial, industrial, and residential monitoring stations, respectively, exceeding the national ambient standard of 60 μg/m³. In 2005, following an ordinance passed by the Supreme Court of India, a source apportionment study was conducted to quantify source contributions to PM pollution in Hyderabad, using the chemical mass balance (version 8.2) receptor model for 180 ambient samples collected at three stations for PM₁₀ and PM_2.5 size fractions for three seasons. The receptor modeling results indicated that the PM₁₀ pollution is dominated by the direct vehicular exhaust and road dust (more than 60 %). PM_2.5 with higher propensity to enter the human respiratory tracks, has mixed sources of vehicle exhaust, industrial coal combustion, garbage burning, and secondary PM. In order to improve the air quality in the city, these findings demonstrate the need to control emissions from all known sources and particularly focus on the low-hanging fruits like road dust and waste burning, while the technological and institutional advancements in the transport and industrial sectors are bound to enhance efficiencies. Andhra Pradesh Pollution Control Board utilized these results to prepare an air pollution control action plan for the city.     

宜都市PM2.5与O3季节性分布特征及潜在源区分析

为了解宜都市PM_2.5与O₃的污染特征及潜在来源,利用宜都市2020年3月至2022年2月在线监测数据及气象数据,对宜都市PM_2.5与O₃质量浓度变化特征、气象影响因素及潜在源区进行了分析,结果表明:宜都市PM_2.5质量浓度冬高夏低,日变化呈双峰特征,O₃质量浓度夏高冬低,日变化呈单峰特征。高湿、静稳的气象条件以及较强偏北风作用下的区域污染传输对PM_2.5污染有重要影响,高温以及中湿度对O₃污染过程有重要作用。春、夏、秋季偏南方向气流轨迹占主导,且携带较高的污染物浓度,冬季来自湖北东北及西南方向的气流占比较高且携带的PM_2.5浓度较高;宜都市PM_2.5、O₃的潜在源区具有季节性差异,总体来看,主要分布在河南南部、湖北东部及湖南的北部区域。     

Seasonal variation in ambient PM mass and number concentrations (case study: Tehran, Iran)

Tehran, the capital city of Iran, is an important industrial and commercial center. This city is one of the worst cities in the world in terms of air pollution, which is mostly due to mobile sources rather than stationary sources. Particulate matter (PM), which is a complex mixture of extremely small particles and liquid droplets, is considered as an important source of air pollution in Tehran. In this study, our objective was to study PM₁₀, PM_2.5, and PM_1.0 mass and number concentrations and find the correlations of these two parameters in the west-central parts of Tehran during two consecutive warm and cold seasons. The particles collected from five stations were analyzed for their mass and number simultaneously by a laser-based Grimm dust monitor. In general, it was found that the accumulation of the PM in this region is more in the cold season. PM₁₀ mass concentration increases almost twofold and PM_2.5 and PM_1.0 almost three times in this season. The mean number concentration of the particles (0.3–20 μm) was found to be almost 4.8 times in the cold season. It was also noticed that the average dimensions of the particles decrease in that season.