不同区域城市空气O3和PM2.5累积速率时序模型

利用2017—2018年全国7个区域10个典型城市环境空气O₃和PM_2.5浓度数据，统计污染物累积速率，进而采用回归方法拟合污染物浓度及其累积速率的时间序列模型，分析不同区域污染物时序变化特征差异。结果表明：不同区域O₃浓度时序曲线拟合程度总体高于PM_2.5，石家庄O₃拟合程度最高，西安PM_2.5拟合程度最高。以07：00、14：00分别作为O₃、PM_2.5模拟起点是24 h中的最优模型。不同城市夏季O₃小时浓度时序变化曲线均为单峰形态，O₃浓度及累积速率峰值出现时间可能由城市所处经度决定，太原O₃累积最快，西安O₃消解最快。各城市间冬季PM_2.5小时浓度及其累积速率时序变化曲线形态差异较大，沈阳PM_2.5累积和消解均最快。与浓度相比，城市环境空气O₃和PM_2.5累积速率与光照、扩散条件等有更好的时间相关性。     

山东省2015年PM2.5和O3污染时空分布特征

利用中国环境监测总站的城市空气质量自动监测数据，分析了2015年山东省细颗粒物（PM_2.5）和臭氧（O₃）污染的时空分布特征，并初步探讨了其与气象要素的相互关系。研究发现：山东省PM_2.5年均质量浓度和年超标天数的空间分布均呈现由东部向西部递增的趋势，半岛地区的浓度最低，其他地区浓度均较高，年均质量浓度最大值出现在德州（101 μg/m³）。各城市PM_2.5的月均质量浓度均呈现出季节性变化，冬季最高，夏季最低。O₃-8h年均值和O₃年超标天数的空间分布与PM_2.5不同，半岛地区污染天数最少，其次为南部地区，中部地区和西北部地区污染最为严重并且各区域的城市之间O₃污染情况存在较大差异，具有明显的局地性特征。O₃质量浓度在春末夏初最高，超标现象主要出现在5—8月。分析各城市PM_2.5污染和O₃污染的协同性与差异性发现，虽然不同城市之间两者污染情况存在一定差异，但整体上看，山东省大气复合污染特征明显，全年有10个城市的PM_2.5和O₃同时超标天数都在20 d以上，并且该现象主要发生在夏季。夏季高温低湿的大陆气团控制更有利于O₃和PM_2.5叠加共存形成复合型污染。温度≥26℃时，O₃-8 h与PM_2.5日均质量浓度的相关系数为0.63，相对湿度≤60%时，两者相关系数为0.69。此外，当在大陆气团的控制下发生O₃污染时，相对湿度的提高更有利于PM_2.5浓度的增加。     

2018—2021年安徽省PM2.5和O3时空分布特征及其健康风险分析

利用2018—2021年安徽省空气质量监测数据分析了PM_2.5和O₃时空分布特征及其引发的健康风险。结果表明:从时间分布来看,2018—2021年安徽省PM_2.5年均值下降25.5%,而O₃-8 h年均值则保持持平;PM_2.5和O₃-8 h月均值具有明显的季节变化特征,PM_2.5月均质量浓度和超标天数均在冬季达到最大值,O₃-8 h月均值和超标天数则在夏季达到最大值。从空间分布来看,PM_2.5、O₃-8 h年均值和超标天数均为皖北最高,其次为皖中,最后为皖南。夏季O₃是主要的健康风险因子,冬季PM_2.5是主要的健康风险因子。当PM_2.5超标时,除2021年皖北地区外(PM₁₀是主要的健康风险因子),PM_2.5均是主要的健康风险因子;当O₃-8 h超标时,O₃是主要的健康风险因子。     

2013-2017年京津冀区域PM2.5浓度变化特征

利用2013-2017年京津冀区域13个城市PM_2.5监测数据，综合探讨了该区域PM_2.5浓度的时空变化特征。结果表明：京津冀区域PM_2.5污染整体较重，但治理成效显著，2013-2017年区域PM_2.5年均质量浓度分别为106、93、77、71、64 μg/m³，完成《大气污染防治行动计划》PM_2.5浓度下降25%左右的目标；13个城市PM_2.5浓度各百分位数总体呈现下降趋势，且随百分位数增大而下降速率加大，PM_2.5年均质量浓度平均每年下降10.6 μg/m³，污染严重的太行山沿线城市邢台、石家庄、邯郸3个城市平均每年分别下降20.3、16.1、13.9 μg/m³；京津冀区域PM_2.5重度污染天数比例分别为19.9%、16.6%、9.5%、9.0%、7.0%，呈下降趋势。2013-2017年京津冀区域PM_2.5平均质量浓度与非重度污染天相比升高19 μg/m³，PM_2.5重度污染天平均质量浓度较非重度污染天时高244.4%。     

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。     

基于特征指标的气象因子对PM2.5浓度的影响分析

以西安为研究区域,为探究气象因子对PM_2.5浓度的影响,采集2017-2019年空气质量与气象因子数据,改进k-Means聚类算法,形成严重污染、重度污染、中度污染、轻度污染共4个PM_2.5浓度与气象因子样本簇集。分析簇集数据分布,选择Spearman相关性分析方法,确定影响PM_2.5浓度的气象因子;定义PM_2.5凸显性条件,给出幅度特征FOA、浮动特征FOF和凸显特征FOH,构建三维空间,确定气象因子对PM_2.5影响的大小,进而建立气象因子对PM_2.5浓度的影响分析方法。比较多元线性回归和随机森林回归方法,结果表明:该方法提高了分析效率,且无需考虑因子选取和表达,能有效确定影响PM_2.5浓度的气象因子种类及影响程度。在低温、高湿、高压和相对静风的气象条件下,空气中颗粒物难以扩散和输送,使西安市PM_2.5浓度升高。严重污染、重度污染和中度污染中,PM_2.5浓度与相对湿度呈显著正相关,与风速、气温呈显著负相关,且影响大小依次为相对湿度>风速>气温;轻度污染中,PM_2.5浓度与相对湿度、气压呈显著正相关,与风速、气温呈显著负相关,且影响大小依次为气温>相对湿度>气压>风速。     

杭州市大气PM2.5和PM10污染特征及来源解析

2006年在杭州市两个环境受体点位采集不同季节大气中PM_2.5和PM₁₀样品,同时采集了多种颗粒物源类样品,分析了其质量浓度和多种化学成分,包括21种无机元素、5种无机水溶性离子以及有机碳和元素碳等,并据此构建了杭州市PM_2.5和PM₁₀的源与受体化学成分谱;用化学质量平衡(CMB)受体模型解析其来源。结果表明,杭州市PM_2.5和PM₁₀污染较严重,其年均浓度分别为77.5μg/m³和111.0μg/m³;各主要源类对PM_2.5的贡献率依次为机动车尾气尘21.6%、硫酸盐18.8%、煤烟尘16.7%、燃油尘10.2%、硝酸盐9.9%、土壤尘8.2%、建筑水泥尘4.0%、海盐粒子1.5%。各主要源类对PM₁₀贡献率依次为土壤尘17.0%、机动车尾气尘16.9%、硫酸盐14.3%、煤烟尘13.9%、硝酸盐粒8.2%、建筑水泥尘8.0%、燃油尘5.5%、海盐粒子3.4%、冶金尘3.2%。     

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。     

西安市环境空气PM2.5污染现状及对策初探

文章通过对西安市城市环境空气PM_2.5试点监测数据深入分析，初步摸清了区域PM_2.5污染水平及分布规律，提出了污染防治对策和建议，对现阶段的环境空气PM_2.5污染防治有着重要的参考价值。     

基于GIS的烟台市PM10时空分布与气象因素分析

以2006-2010年的烟台城区PM₁₀监测数据及同期烟台市气象数据为依据,采用ArcGIS分析其时间、空间分布,研究几种气象因素对PM₁₀分布的影响。发现PM₁₀浓度呈现出春、冬季较高,夏、秋季较低的变化趋势,但各区域PM₁₀的变化有一定的不同。在空间上,PM₁₀表现出了一定的污染集中性,且其污染的中心随季度不同会出现移动。烟台城区内PM₁₀浓度分布与风速、湿度具有一定的相关关系,而与气温的关系为非线性。     

台州市区PM2.5和O3污染特征及相互作用关系

基于2016—2020年台州市区大气污染物监测数据及气象观测资料,分析了台州市区PM_2.5和O₃的污染特征及受气象因素影响情况,并探究了不同季节下的PM_2.5浓度和O₃浓度的相关性及相互作用关系。2016—2020年,台州市区PM_2.5年均浓度和超标天数呈显著下降趋势,O₃-8 h年均浓度和超标天数总体呈上升趋势。PM_2.5浓度在冬季最高,且易发生超标;O₃浓度在春、夏、秋季均较高,且均会发生超标。通过相关性分析可知：PM_2.5浓度与气温、相对湿度、风速、降水量呈负相关,与大气压呈正相关;O₃浓度与气温、风速呈正相关,与相对湿度、降水量呈负相关。不同季节下的PM_2.5浓度与O₃浓度均呈正相关,两者存在协同增长。在春、夏、秋季,二次PM_2.5在总PM_2.5中的占比随着O₃     

襄阳市秋冬季PM2.5污染特征及潜在源区分析

为了解襄阳市秋冬季PM_2.5的污染特征及来源，基于2020年11月至2021年1月在线监测数据，对PM_2.5质量浓度、气象因素、化学组分、来源及潜在源区进行了分析。结果表明，襄阳市秋冬季污染天首要污染物均为PM_2.5,且随污染程度加重，PM_2.5与PM₁₀质量浓度比呈上升趋势，二次颗粒物的形成对PM_2.5的贡献更高。在PM_2.5化学组分中，水溶性离子占比最大，随着污染程度加重，二次离子(SNA)快速增长，二次离子的生成转化是污染的重要成因。轻度、中度污染时，湿度高、风速小、气温低，有利于污染的积累，重度污染时湿度大、风速回升，有利于上游污染的输送与二次转化。PMF模型解析出襄阳市PM_2.5主要来源及贡献率为二次源58.0%、工业企业源22.6%、机动车源10.7%、扬尘源8.7%。襄阳市潜在源区主要分布在河南省中北部、河北省南部、山东省西部、安徽省北部、江汉平原东部及南部区域，极少量分布在襄阳区域，长距离区域传输...     

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。     

2016—2017年武汉市城区大气PM2.5污染特征及来源解析

利用2016年1月至2017年9月湖北省环境监测中心站大气复合污染自动监测站的在线监测数据，对武汉市城区PM_2.5的污染特征及主要来源进行解析。结果表明，武汉市城区PM_2.5质量浓度呈现出明显的季节差异，季节变化规律为冬季>春季>秋季>夏季。水溶性离子的主要成分SO₄^2-、NO₃^-和NH₄⁺占总离子质量浓度的82.0%。PM_2.5中阴离子相对阳离子较为亏损，颗粒整体呈碱性。夏季气态污染物的氧化程度较高且SO₂较NO₂氧化程度高。后向轨迹分析结果表明，区域传输是武汉市PM_2.5的一个重要来源，在4个典型重污染阶段，武汉市分别受到局地、东北、西北及西南方向气团传输的影响。PMF模型解析出武汉市PM_2.5五大主要来源及平均贡献率：扬尘22.0%、机动车排放27.7%、二次气溶胶21.6%、重油燃烧14.9%和生物质燃烧13.8%。     

西宁市城区冬季PM2.5和PM10中有机碳、元素碳污染特征

2014年11月—2015年1月对西宁市冬季开展PM_(2.5)和PM_(10)的连续监测。利用DRI 2001A型热光碳分析仪(美国)对有机碳和元素碳进行分析,结果表明:西宁市冬季PM_(2.5)和PM_(10)中碳气溶胶所占比例分别为33.13%±6.83%、24.21%±6.27%,说明碳气溶胶主要集中在PM_(2.5)中;OC/EC值均大于2,说明西宁市大气中存在二次污染;SOC占PM_(2.5)和PM_(10)的质量浓度比例分别为46.50%和57.40%,PM_(2.5)中SOC浓度占PM_(10)中SOC浓度的61.88%,说明SOC主要存在于PM_(2.5)中,且SOC形成的二次污染和直接排放的一次污染都是西宁市碳气溶胶的主要来源;与其他城市比较发现,西宁市冬季PM_(2.5)中的碳气溶胶含量普遍高于其他城市,PM_(10)中OC质量浓度相对其他城市较高,EC质量浓度偏低;OC和EC的相关性不显著,说明来源不统一;进一步对OC和EC各组分质量浓度进行分析知,西宁市冬季碳气溶胶主要来源于机动车汽油排放、燃煤和生物质燃烧。     

苏州大气颗粒物PM2.5和PM10质量浓度异常“倒挂”现象的成因及影响分析

为深入研究PM_2.5和PM₁₀质量浓度异常“倒挂”现象的成因及影响,在苏州市相城区国控点开展比对监测分析,回顾性分析了2016—2020年苏州全部国控点颗粒物浓度数据。苏州市相城区国控点PM_2.5浓度的比对分析结果表明：该国控点频繁出现PM_2.5浓度高于其他国控点PM_2.5浓度和高于该站点PM₁₀浓度(“倒挂”率高达34%)的“双高”现象,PM_2.5平均浓度比其他9个国控点高12.5%～37.2%,比位于同一站点的备用监测仪器(“倒挂”率为0)高38.1%。2016—2020年,苏州全部国控点“倒挂”时间的总体趋势都是逐年递增,且集中发生在相对湿度较高的20:00至次日07:00。这5年间各国控点PM_2.5浓度异常偏高导致的异常“倒挂”现象对全市年均浓度产生的正误差分别为1.6%、2.8%、6.0%、6.2%和4.1%,基本呈现出逐年递增的趋势。上述结果表明：苏州PM_2.5浓度偏高是由动态加...     

辛集市"十三五"期间空气质量特征分析

重点对河北省辛集市"十三五"期间整体空气质量变化情况以及影响辛集市优良天数的2个重要参数O₃和PM_2.5的污染规律进行了分析。结果表明,辛集市"十三五"期间空气质量改善明显,优良天数整体增加,污染天数整体减少。O₃浓度及其作为首要污染物出现的天数整体呈现上升趋势,对综合指数的贡献率逐年增加;O₃污染高发期主要集中在4—9月,高值区域分布差距较大,但市区污染持续突出。PM_2.5浓度逐年下降,以PM_2.5为首要污染物的天数逐年减少;PM_2.5浓度季节变化特征整体呈现"秋冬高、春夏低"的分布特点,空间分布呈"南北高、中间低"的污染特征。     

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。