珠三角秋冬季节长时间灰霾污染特性与成因

利用珠三角大气超级站2012年10月与2013年1月能见度、不同粒径颗粒物与BC质量浓度、气溶胶光散射系数、O3、相对湿度等在线监测数据,分析秋冬季节2次持续时间超过10 d的长时间灰霾过程污染特性与成因。结果表明,冬季灰霾过程中气溶胶吸光系数和光散射系数对大气总消光系数的贡献分别为13%和67%;PM2.5、PM1占PM10质量浓度分别为66%和39%;较高的PM2.5与BC日均浓度相关系数(R2=0.88)体现了一次排放对颗粒物质量浓度及能见度的显著影响。秋季灰霾过程中气溶胶吸光系数和光散射系数对大气总消光系数的贡献分别为11%和69%,由BC导致的吸光效应较冬季下降了约20%;PM2.5和PM1占PM10质量浓度比例分别为68%和45%,均高于冬季;O3浓度日最大小时值的平均值接近冬季的2倍;二次来源对PM2.5浓度升高和能见度下降起主导作用。来自不同方向的2种气团在珠三角僵持,大气扩散条件差是导致这2次灰霾过程的重要外在条件,应成为灰霾预报预警的重点关注对象。     

天津市PM10和PM2.5中水溶性离子化学特征及来源分析

2011年5月—2012年1月在天津市南开区设立采样点,采集大气中PM10和PM2.5样品。采用离子色谱法测定颗粒物中水溶性无机阴离子、阳离子成分,分析其主要组成、季节变化及污染来源。结果表明,天津市PM10中离子平均浓度为71.2μg/m3,占PM10质量浓度的33.7%。PM2.5中离子平均浓度为54.8μg/m3,占PM2.5质量浓度的39.6%。NH+4、SO2-4、NO-3等二次离子含量较大,且夏季含量均为最高。颗粒物总体呈酸性,PM10中∑阳离子/∑阴离子平均值为0.92,PM2.5中该比值为0.75。来源分析发现,PM10可能主要来源于海盐、工业源、二次反应及土壤和建筑尘等,PM2.5则主要来源于海盐污染源、二次反应及生物质燃烧。     

冬季大气中PM_(10)和PM_(2.5)污染特征及形貌分析

2008年冬季采集大气中PM10和PM2.5样品,利用SPSS软件进行分析。结果表明,PM10质量浓度在92.87～384.7μg/m3之间,平均值为201.09μg/m3,超标率71.43%。PM2.5浓度跨度为57.27～230.21μg/m3,平均值为133.82μg/m3,超标率89.47%。PM10和PM2.5空间分布略有差异。PM2.5/PM10在29.10%～94.76%之间,均值为66.55%。PM2.5与PM10质量浓度之间有显著相关性,相关方程:PM2.5=0.7993×PM10-55.984(R2=0.9524,置信度为95%)。通过颗粒物形貌分析,初步判定冬季大气主要污染源为燃煤和机动车尾气排放。     

广州市PM_(2.5)质量浓度垂直分布在线监测研究

广州塔空气质量自动监测站在地面至高空500 m高度内布设了4个站点。在自动站内利用PM_(2.5)质量浓度点式在线监测和激光雷达消光系数遥感监测技术,实现对PM_(2.5)质量浓度垂直分布的在线监测,监测方法具有很高的时间分辨率和空间分辨率。利用该方法开展阶段性监测表明:PM_(2.5)质量浓度与355 nm消光系数间具有很好的线性关系,R2达到0.853 7,利用线性关系式可反演PM_(2.5)质量浓度。对200 m~550 m间反演结果分析表明:反演结果与在线监测数据具有很好的相关性,相关系数达到0.868以上;PM_(2.5)质量浓度随着高度改变呈显著的对数相关关系,R2达到0.992 6。     

成都PM2.5与气象条件的关系及城市空间形态的影响

2013年2月1日至3月20日、2013年7月10日至8月10日对成都市大气中细颗粒物(PM2.5)进行连续监测,同步记录气象数据。将PM2.5质量浓度与城市气象条件进行相关性分析,研究气象条件对PM2.5质量浓度的影响。2月1日至3月20日PM2.5质量浓度平均为147.38μg/m3,7月10日至8月10日平均为50.19μg/m3,大气细颗粒物污染最严重的时间出现在2月1—6日。成都市各气象条件中,PM2.5质量浓度与能见度、风速呈现显著负相关,而与其他气象要素相关性较弱,降水对PM2.5质量浓度影响也很大。改善城市通风有利于成都市大气中PM2.5的稀释和消散。通过建立3D模型并运用计算流体力学(CFD)软件模拟成都市选定的一处密集的建成区域,分析城市空间形态对通风的影响。研究发现,在假设等温的情况下,多层密集的区域对城市通风影响小,而高层对城市通风影响很大,建筑高度相近的街道与风向平行的风速大于与风向成角度的,与风向平行的街道沿线为高层的风速高于沿线为多层的,较大的开敞空间及背景风速更有利于城市通风环境。     

环境空气质量综合指数计算方法比选研究

环境空气质量综合指数是进行逐月城市环境空气质量比较和排序的重要方法,提出了4种涵盖SO2、NO2、PM10、PM2.5、CO、O3等6项污染物的综合指数计算方法,基于2013年74个城市逐月污染物浓度数据使用主成分分析方法进行了对比分析。结果表明,综合指数计算方法中污染物统计指标和标准化方法不同对于主要污染物的判定有重要影响,各种计算方法中PM2.5、PM10、O3是出现频率最多的主要污染物;除O3外其他5项污染物逐月统计指标间均有极显著的正相关性,冬季O3统计指标与SO2、NO2、PM10、PM2.5呈显著负相关,夏季则呈显著正相关;主成分分析结果表明,在去除冗余信息后,PM2.5、PM10的权重被相对削弱,SO2、NO2、CO的权重得到相对强化,O3的权重夏季得到强化、冬季被削弱;综合考虑不同方案下主要污染物频率分布情况和PM2.5、PM10、O3权重变化特征,建议计算逐月环境空气质量综合指数时,SO2、NO2、PM10、PM2.5宜以月均值除以年均值标准进行标准化,CO、O3宜以特定百分位数浓度除以日均值标准(或8 h均值标准)进行标准化;该方法可延伸到季、半年和年度的环境空气质量综合指数计算。     

2013年北京市PM2.5重污染日时空分布特征研究

根据2013年北京市环境保护监测中心监测的PM2.5数据,系统分析了北京市重污染日PM2.5污染的时空分布特征,并利用克里格插值初步统计了全年和重污染日PM2.5不同浓度区间的国土面积。2013年全市PM2.5年均浓度为89.5μg/m3,重污染日平均浓度为218μg/m3,重污染日主要集中在冬季;PM2.5年均浓度呈现明显的南高北低梯度分布特征,而重污染日空间分布较均匀,南部及城六区存在明显的高污染区,平均浓度在180μg/m3以上;2013年北京市重污染日PM2.5平均浓度为150~250μg/m3,其对应的国土面积约为12 656 km2,PM2.5平均浓度在250μg/m3以上的国土面积约为883 km2,而全年无PM2.5平均浓度在150μg/m3以上所对应的国土面积。     

贵阳市夏季大气颗粒物及多环芳烃污染特征研究

采集贵阳市老城区夏季5个典型监测点(太慈桥、贵州师范大学、大西门、省政府及省植物园)的样品进行PM2.5、PM10质量浓度分析。同时对PM2.5中PAHs的质量浓度进行分析。结果表明:贵阳市夏季PM2.5和PM10浓度排序均为太慈桥省政府大西门贵州师范大学省植物园,且PM2.5和PM10之间有良好的相关性,PM10=0.931 3 PM2.5+0.019 4,R2=0.996 7,PM2.5污染较重。此外,5个监测点总PAHs和苯并(a)芘的分析结果均为太慈桥省政府大西门贵州师范大学省植物园,苯并(a)芘浓度均未超标。     

北京地区PM_(2.5)与空气污染物的关系模型

为了研究北京地区PM2.5与空气污染物的质量浓度关系。从PM2.5监测网收集2013-04-01~2014-05-15期间PM2.5、PM10、SO2、NO2、CO、O3等主要空气污染物数据,用多元线性回归模型建立PM2.5与空气污染物的质量浓度关系。结果表明:北京地区PM2.5与空气污染物PM10、SO2、NO2、CO、O3的质量浓度相关系数分别为0.9172、0.6332、0.7683、0.8166和-0.1797,优化的拟合方程为:[PM2.5]=-22.5925+0.569109×[PM10]+23.94913×[CO]+0.113025×[BPM2.5],模型的估算值与观测值相关系数为0.9426,此方程能较好地模拟北京地区的PM2.5质量浓度。     

内蒙古干草原冬、春季大气气溶胶的若干特征观测研究

内蒙古半干旱草原区大气气溶胶浓度以及散射等特性对生态环境、气候变化与预测研究有重要意义,文利用2009年1～4月在锡林浩特观象台草原站的观测资料,分析了冬、春季背景大气气溶胶质量浓度、黑碳质量浓度、散射系数的分布特征。研究发现,背景天气下,PM10、PM2.5、PM1.0浓度值都较低,平均值分别为22.7、9.5、6.1μg/m3,3种PM浓度值间的相关性不同;黑碳浓度平均值为0.59μg/m3,小粒子中的含量较高,其日分布规律受人类活动影响较大,与各PM浓度分布有较大不同;散射系数平均值为31.2Mm-1,与PM10、PM2.5、PM1.0、黑碳质量浓度都显著相关。三种PM中,PM2.5对散射和吸收的影响最大。风速、相对湿度对不同粒径的PM以及黑碳浓度、散射系数的影响有所不同。     

灰霾污染和清洁过程中污染物垂直结构特征

针对无锡地区2013年11月6—13日经历的灰霾污染和清洁过程,采用地基遥感激光雷达对空气中的气溶胶颗粒物垂直分布进行垂直探测,发现污染时段气溶胶颗粒物主要积聚在1.8 km以下,消光系数的日均值统计表明,从近地面至高空1.5 km,颗粒物产生的峰值消光系数稳定在0.2 km~(-1);而清洁时段,由于垂直扩散条件改善,颗粒物随高度增加明显减少,1.5 km处的消光系数不足0.05 km~(-1)。同时发现污染时段中,近地面PM_(10)、PM_(2.5)、碳黑(BC)的平均浓度分别是清洁时段的2.48、2.76、3.66倍;大气氧化剂(O3和NO_x的总和)平均值水平是清洁时段的1.73倍。气象条件分析发现,锋面的移动使大气水平、垂直对流运动加剧,污染物得以迅速扩散,空气质量转好,这也是此次污染清除的主要原因。     

大同市大气颗粒物浓度与水溶性离子季度分布特征

为研究大同市大气颗粒物质量浓度与水溶性离子组成特征,于2013年2、7、9、12月,分别对大同市及其对照点庞泉沟国家大气背景点进行了PM2.5及PM10的采样,通过超声萃取-IC法测定了样品中的9种水溶性离子,结果表明,大同市大气颗粒物污染1、4季度重于2、3季度,PM2.5季度均值全年均未超标,PM10仅第1季度超标1.4倍,污染状况总体良好,PM2.5与PM10相关系数R为0.75,说明大同市颗粒物污染有较为相近的来源,且不同季节均以粗颗粒物为主;大同市PM2.5中水溶性离子浓度分布为SO2-4、NO-3、NH+4Cl-、Ca2+K+、Na+F-、Mg2+,PM10中Ca2+浓度仅次于SO2-4、NO-3,控制扬尘将有效降低PM10的浓度;PM2.5及PM10中的9种水溶性离子在不同季度的浓度与颗粒物浓度分布规律类似,1、4季度较高,2、3季度较低;由阴阳离子平衡计算结果可知,相关性方程的斜率K为1.045,表明大同市大气颗粒物中阳离子相对亏损,大气细粒子组分偏酸性。NO-3与SO2-4浓度比值均小于1,大同市以硫酸型污染为主,大气中的SO2-4主要来源于人类活动排放。     

Simultaneous Measurements of Atmospheric Pollutants and Visibility with a Long-Path DOAS System in Urban Areas

In this paper, the applicability of a Long-Path Differential Optical Absorption Spectroscopy (LP-DOAS) system was checked for the feasibility of the simultaneous measurement of trace gases (such as O₃, NO₂, SO₂, and HCHO) and atmospheric visibility (light extinction by aerosols) in Asian urban areas. Field studies show that an LP-DOAS system can simultaneously measure the key pollutants (such as O₃, NO₂, SO₂, and HCHO) at detection limits in the ppb/sub-ppb range as well as the Mie extinction coefficient with an uncertainty of 0.1 km^–1 at time resolution of a few minutes. It is thus concluded that the use of LP-DOAS system is feasible for simultaneous measurement of gaseous pollutants as well as an atmospheric extinction coefficient which is tightly bound to fine particulate concentration.     

北京市典型重污染过程中PM2.5载带水溶性无机离子污染特征分析

为研究北京地区冬季PM_(2.5)载带的水溶性无机离子组分污染特征,2013年1月在中国环境科学研究院内采用在线离子色谱(URG-9000B,AIM-IC)对PM_(2.5)中水溶性无机离子(SO_4~(2-)、NO_3~-、Cl~-、NH_4~+、Na~+、K~+、Mg~(2+)、Ca~(2+))进行监测与分析。结果表明,采样期间总水溶性无机离子(TWSI)浓度为61.0μg/m~3,其中二次无机离子SO_4~(2-)、NO_3~-、NH_4~+(SNA)占比达72.3%,在PM_(2.5)中占比为40.29%,表明北京市PM_(2.5)二次污染严重。重污染天[NO_3~-]/[SO_4~(2-)]表明,固定源污染较移动源更为显著。三元相图表明,在空气质量为优的情况下,NH_4~+(在SNA中占比为30.3%~65.5%,下同)主要以NH_4NO_3的形式存在,较少比例以(NH_4)_2SO_4存在;严重污染时,NH_4~+(47.3%~77.9%)主要以(NH_4)_2SO_4形式存在,其次以NH_4NO_3的形式存在,其余的NH_4~+以NH_4Cl的形式存在。[NO_3~-]/[SO_4~(2-)]日变化表明,早、晚机动车高峰影响北京重污染发生。     

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。     

环境空气质量新标准对珠三角区域站空气质量评价的影响

利用粤港珠三角区域空气质量监控网中天湖、金果湾与万顷沙3个区域站2010年全年SO₂、NO₂、PM₁₀、O₃、PM_2.5与CO自动监测的数据,分析了实施环境空气质量新标准(GB 3095—2012)对这3个子站空气质量评价的影响。研究发现,若采用新标准,万顷沙的NO₂、PM₁₀和PM_2.5年均浓度将不同程度超标。这3个子站空气质量达标率下降7~28个百分点,空气污染指数从91%~99%下降至63%~91%;O₃的引入是导致空气质量达标率下降的最主要的原因;O₃将取代PM₁₀成为最主要的首要污染物,出现频率大于50%,且O₃(8 h)平均浓度的影响大于O₃ (1 h)浓度的影响。PM_2.5的纳入也是导致空气质量达标率下降的重要因素,其超标率为3%(金果湾)~16%(万顷沙)。NO₂标准的收严未对天湖与金果湾空气质量评价造成影响,但导致万顷沙NO₂的超标率从2%上升至10%,且NO₂作为首要污染物的比例达24%。     

杭州秋冬季PM2.5污染特征分析

为研究杭州PM_2.5污染来源特征,利用2013—2019年杭州市PM_2.5监测数据和气象观测数据,分析了杭州市2013—2019年PM_2.5浓度变化,选取本地积累型和输入型2种PM_2.5污染过程,结合单颗粒气溶胶飞行时间质谱仪（SPAMS）和在线离子色谱数据,探讨杭州市PM_2.5化学组分和污染来源。结果表明：每年秋冬季（11月至次年3月）杭州以东北风、西北风及偏南风为主,风速低于4 m/s时,大气扩散条件差,受本地污染物积累影响,PM_2.5浓度容易出现超标;风速较大且为东北风和西北风时,受上游污染输入影响,易出现PM_2.5重度污染。本地积累型和输入型案例中,PM_2.5化学组分中占比最大的为NO₃^-、SO₄^2-和NH₄⁺;PM_2.5浓度上升过程中,二次NO₃^-和SO₄^2-转换率明显上升,其中NO₃^-上升更为显著,二次气溶胶污染严重。2次案例中,PM_2.5来源贡献占比前3位均为机动车尾气源、燃煤源和工业工艺源,其中本地积累型PM_2.5浓度上升阶段,机动车尾气源占比会明显上升;输入型案例中,输入阶段机动车尾气源占比显著上升,燃煤源贡献也小幅上升。     

Atmosphic pollutants study of particles ionic species during high wind speed (>7 m s-1) near Taiwan strait in central Taiwan from 2004 to 2005

This study monitored atmospheric pollutants during high wind speed (> 7 m s⁻¹) at two sampling sites: Taichung Harbor (TH) and Wuci traffic (WT) during March 2004 to January 2005 in central Taiwan. The correlation coefficient (R ²) between TSP, PM_2.5, PM_2.5−10 particle concentration vs. wind speed at the TH and WT sampling site during high wind speed (< 7 m s⁻¹) were also displayed in this study. In addition, the correlation coefficients between TSP, PM_2.5 and PM_2.5−10 of ionic species vs. high wind speed were also observed. The results indicated that the correlation coefficient order was TSP > PM_2.5−10 > PM_2.5 for particle at both sampling sites near Taiwan strait. In addition, the concentration of Cl⁻, NO₃ ⁻, SO₄ ²⁻, NH₄ ⁺, Mg²⁺, Ca²⁺ and Na⁺ were also analyzed in this study.     

Characteristics of ambient 1-min PM2.5 variation in Beijing

One-minute PM_2.5 concentration was obtained with LD-5C pocket microcomputer laser dust instrument from Dec. 15th, 2005 to Jan. 16th, 2006 and Mar. 17th to Apr. 28th, 2006 in Beijing. The concentration of SO₂, NO₂, O₃, CO, and PM₁₀ from Jan. 1st, 2001 to Dec. 31st, 2004 were obtained from the conversion of air pollution index. Results showed that all the pollutants showed cyclic characteristics. The longer yearly cycles was shown from SO₂, NO₂, O₃, CO, and PM₁₀, as the sampling time was 4-year long and daily collected. The shorter hourly and daily cycle was shown from 1-min PM_2.5, as the sampling time was about 1-month long and one collected at 1 min. The spectral density analysis confirmed this from the periodogram graphs. The longer yearly cycle (365, 180 days), the seasonal cycle (120, 60–90 days), and monthly cycle (21, 23, 27 days) of SO₂, NO₂, CO, O₃, and PM₁₀ were obviously shown. In addition, the shorter weekly cycle of 5–7 days is obviously shown, too. The shorter hourly cycle (8–12, 4–6, 3, 1–2 h, 20 min) of 1-min PM_2.5 was also indicated from spectral density analysis. Two major factors contribute the 1-min PM_2.5 cycles, i.e., the meteorological factors and source effects. Both the relative humidity and dew point showed consistent variation with PM_2.5, but the wind speed showed inverse variations with PM_2.5. Furthermore, the spectral density analysis of the meteorological factors (4–5, 2–2.5, 1–1.5 days, 12, 6–8, 3 h) may partially explain the cycles of PM_2.5. As for the sources effects, it can be shown from the strong dust storm of April 16–18th, 2006. PM_2.5 constantly increased tens and even hundreds of times high concentration within a few minutes due to the intensity of the dust sources.