武汉市春季大气PM2.5中水溶性离子特征

运用大气PM_(2.5)水溶性组分及其气态前体物在线监测系统(GAC-IC)于2017年3月5—12日对武汉市大气PM_(2.5)中水溶性组分进行了在线监测,分析了PM_(2.5)中主要水溶性离子的化学特征和作用机制。结果表明:实验期间武汉市大气PM_(2.5)中水溶性组分与气态前体物间存在明显的二次转化过程,二次反应是PM_(2.5)的重要来源。监测期间,PM_(2.5)中NO_3~-、SO_4~(2-)和NH_4~+的平均质量浓度分别为24.3、16.9、15.0μg/m~3,是PM_(2.5)中重要的水溶性无机离子,占PM_(2.5)质量浓度的40%~70%。硫氧化率(SOR)和氮氧化率(NOR)平均值分别为0.52和0.27,表现出较为明显的二次污染特征。通过相关性分析发现:监测点位周边大气PM_(2.5)中NH_4~+与NO_3~-、SO_4~(2-)有良好的相关性,且表现为富氨状态,大气中铵能较好地中和SO_4~(2-)和NO_3~-。     

衡阳城区冬季PM2.5中水溶性离子污染特征

为探究衡阳冬季PM_(2.5)和水溶性离子污染特征及其来源,于2019年1月在衡阳市城区采集大气PM_(2.5)样品,使用重量法和离子色谱法测得PM_(2.5)和水溶性离子组分质量浓度,并分析其浓度特征、酸碱度和来源等问题。结果表明:采样期间衡阳大气PM_(2.5)平均质量浓度为94.25μg/m~3,总水溶性离子质量浓度为52.94μg/m~3,占PM_(2.5)总质量浓度的56.43%;阴阳离子当量之比为1.12,PM_(2.5)呈酸性,其中SNA(SO_4~(2-)、NO_3~-和NH_4~+)占总水溶性离子质量浓度的95.06%。污染期间二次转化明显,SNA主要以(NH_4)_2SO_4和NH_4NO_3形式存在。源解析发现大气PM_(2.5)受化石燃料和生物质燃烧、垃圾焚烧、建筑扬尘、气态前体物二次转化、外来输送等多重因素影响,其中机动车尾气排放的NO_x在大气中二次转化形成的硝酸盐是衡阳重污染的最主要原因。     

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。     

PM2.5全自动重量法监测仪测量准确度评估

BTPM-AS1PM_(2.5)全自动重量法监测仪是一种根据PM_(2.5)手工重量法原理设计的PM_(2.5)自动监测仪器,能够实现样品采集、滤膜平衡、滤膜称重等环节的自动化。采用线性回归分析法对PM_(2.5)全自动重量法监测仪器的监测结果与PM_(2.5)连续自动监测仪器、手工标准方法进行比对分析,讨论了该原理仪器的流量准确性、滤膜平衡效果、天平稳定性。结果显示:PM_(2.5)全自动重量法仪器监测结果与PM_(2.5)连续自动监测仪器、手工重量法监测结果的相关系数为0.927 2~0.994 1,监测结果之间具有较高的一致性,并且其样品采集、滤膜平衡、滤膜称重等关键环节的主要技术指标能够满足中国PM_(2.5)手工标准测定方法的相关要求。     

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...     

温湿度对PM2.5质量浓度监测的影响

探讨了在不同环境条件和污染状况下,带膜动态测量的微振荡天平法的自动监测方法能否准确监测空气中的PM_(2.5)质量浓度。通过自动方法与手工重量法的比对,针对2015年8月—2016年7月的监测结果进行讨论,尤其是不同温度和相对湿度对监测数据的影响,在平均相对湿度为60%~90%时夏季2种方法绝对偏差均值大于10μg/m3,并对该结果进行了原因分析,提出了自动监测的质量控制和比对溯源的建议,为PM_(2.5)的质量浓度监测工作提供了参考依据。     

传感技术在环境空气监测中的方法适用性研究

采用某品牌3台传感器,对环境空气中气态污染物(NO_2、SO_2、O_3、CO)和颗粒物(PM_(10)、PM_(2.5))进行为期1个月的连续监测,探讨传感技术在环境空气监测中的方法适用性。研究表明,3台传感器监测的各污染物质量浓度均显著相关,Pearson相关系数0.9(p0.01);监测的颗粒物与国控点数据显著相关且质量浓度水平接近,Pearson相关系数0.9(p0.01);PM_(2.5)传感器测定值相对于国控点数据的平均相对误差仅为-7.3%,均值绝对误差2μg/m~3;传感器在高湿度下的PM_(2.5)测定值与国控点数据相吻合,当相对湿度为80%～90%时,平均相对误差仅为-0.9%;传感器气态污染物测定值与国控点数据之间存在差异,电化学原理气态污染物传感器性能仍有待提升。     

荒漠草原无林地PM2.5、PM10时间变化特征及与气象因素的关系

选取荒漠草原无林地的PM_(2.5)、PM_(10)浓度以及气象因子数据,对颗粒物浓度的时间变化特征及其与气象因子的关系进行分析。结果表明:(1)1月的PM_(2.5)、PM_(10)月平均浓度最高,7月的PM_(2.5)与PM_(10)达到最低。季节尺度上PM_(2.5)、PM_(10)浓度变化为由大到小顺序依次为冬季秋季春季夏季。(2)风速≤4.0 m/s时,随着风速增加,PM_(2.5)、PM_(10)浓度不断降低;当风速4.0 m/s时,PM_(2.5)、PM_(10)浓度随风速增加而增加。PM_(2.5)、PM_(10)浓度与温度负相关。相对湿度≤50%时,随着相对湿度增加,PM_(2.5)、PM_(10)浓度呈增加趋势;相对湿度50%时,随着空气湿度增加,PM_(2.5)、PM_(10)浓度呈降低趋势。随着大气气压上升,PM_(2.5)与PM_(10)浓度随之增加。(3)不同季节的气象因子对PM_(2.5)、PM_(10)影响存在差异。     

齐齐哈尔市PM2.5与PM10污染趋势及相关性分析

对2014—2016年齐齐哈尔市PM_(2.5)与PM_(10)质量浓度的时间变化特征进行简要分析,并探究PM_(2.5)/PM_(10)以及PM_(2.5)与PM_(10)的相关性。结果表明:2014—2016年齐齐哈尔的PM_(2.5)与PM_(10)的年均质量浓度分别为36.7、62.9μg/m~3,且呈逐渐下降趋势;冬季的PM_(2.5)与PM_(10)浓度最高,秋季次之,春季与夏季相对较低;2014—2016年PM_(2.5)与PM_(10)质量浓度月变化趋势基本相同,整体呈现2—6月逐渐下降,9—11月逐渐上升的规律;PM_(2.5)与PM_(10)质量浓度的日变化均呈双峰现象;对PM_(2.5)与PM_(10)进行线性拟合,相关系数为0.896 3。同时,残差分析也说明两者拟合情况良好,四季相关系数为r_(秋季)(0.982 2)r_(冬季)(0.964 4)r_(夏季)(0.943 9)r_(春季)(0.829 6);2014—2016年PM_(2.5)/PM_(10)平均值为55.27%,大气颗粒物PM_(2.5)的贡献率高达一半以上。     

杭州城区PM2.5和PM10污染特征及其影响因子分析

利用2013年12月—2014年11月杭州城区空气质量监测站PM_(2.5)、PM_(10)浓度值结合气象、道路、人口数据以及站点周边绿地信息分析PM_(2.5)、PM_(10)浓度时空特征及其影响因子。结果表明,杭州城区各监测站PM_(2.5)和PM_(10)晴天日浓度变化趋势基本一致,PM_(2.5)比PM_(10)污染严重;晴天日PM_(2.5)、PM_(10)浓度值与对应的温度(-0.463,-0.281)、风速(-0.305,-0.332)呈负相关,与湿度(0.257,0.239)呈正相关;晴天有风时,杭州市区PM_(2.5)、PM_(10)污染北部重于南部,东部重于西部,浓度极高值集中在风速小于5 m/s时段,且风速越小浓度值越高;温度为12℃左右,湿度在60%~80%时,颗粒物污染最严重;交通高峰时各监测站PM_(2.5)、PM_(10)污染程度存在明显差异。相关性分析表明,PM_(2.5)、PM_(10)污染程度与道路密度成正比,与缓冲区内绿地覆盖面积成反比。PM_(2.5)污染程度与人口密度成正比,PM_(10)污染与人口密度成反比。     

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。     

空气自动监测中PM2.5与PM10 “倒挂”现象特征及原因

采用不同原理的自动监测仪器在不同季节同时测定PM2.5与PM10,对所得数据中的PM2.5与PM10"倒挂"现象进行分析。结果表明,当PM10采用振荡天平法时,PM2.5与PM10的"倒挂"率较高;冬季和夏季"倒挂"现象发生率明显高于其他季节;造成PM2.5与PM10"倒挂"的原因主要有监测过程中的随机误差,PM2.5与PM10的监测方法原理不同,监测方法之间存在显著差异等。     

2021年青岛市一次PM_(2.5)和沙尘混合空气污染过程分析

以2021年3月青岛市空气自动站监测数据为依据,借助环境气象激光雷达、气溶胶激光雷达、在线离子色谱仪等技术手段,并利用后向轨迹模式(HYSPLIT)对青岛市一次PM_(2.5)和沙尘混合空气污染过程、气象条件、颗粒物组成以及传输路径等进行了综合分析。结果表明:静小风、湿度大、垂直方向逆温以及高空多次向近地面的污染物输送是第1阶段PM_(2.5)污染的主要原因,NO^(-)_(3)、SO^(2-)_(4)、NH^(+)_(4)浓度分别占水溶性离子浓度总和的51.7%,24.8%,22.4%,三者之和占ρ(PM_(2.5))的52.3%,机动车源、工业源和燃烧源贡献较大,其中尤以机动车源影响最显著;第2阶段各子站颗粒物浓度变化呈现明显的传输特征,PM_(2.5)中Ca^(2+)浓度升至第1阶段的6倍,沙尘源影响显著,污染气团主要来自蒙古国和我国内蒙古,前期由西北地区直接到达青岛,后期是经渤海湾、烟台到达青岛东南海域,最后回流至青岛;冷高压强度较弱导致近地面水平扩散条件不利,ρ(PM_(10))长时间维持在较高水平。     

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     

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。     

t分布受控遗传算法优化BP神经网络的PM2.5质量浓度预测

根据齐齐哈尔大学监测点2014年3—5月PM2?5质量浓度及其对应的每小时的气象因素、气体污染物浓度，建立基于t分布受控遗传算法的BP神经网络模型（ BPM?TCG），对PM2?5质量浓度进行模拟预测。并将其与BP神经网络模型、遗传算法优化BP神经网络模型（ BP?GA）进行对比分析。3种模型预测结果表明：BPM?TCG模型预测精度最高，泛化能力最好。 BPM?TCG模型对PM2?5质量浓度的准确预测为预防和控制PM2?5提供依据。     

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KZ滤波法的江淮地区PM2.5浓度变化影响分析

基于2018—2020年合肥、芜湖和马鞍山3个城市国控站点的PM_2.5逐日监测数据和同期地面气象观测资料，利用Kolmogorov-Zurbenko(KZ)滤波对PM_2.5日浓度的原始时间序列进行分解，获取短期分量、季节分量和长期分量，并进行多元线性逐步回归构建各分量与气象因子的模型，最后依据短期分量和基线分量的回归模型和残差分析，对序列进行重建，获取消除气象条件影响的PM_2.5长期分量。KZ滤波分析结果表明：2018—2020年气象条件对江淮区域PM_2.5污染改善影响存在波动，在2018—2019年为负贡献，而在2020年秋冬季则变为正贡献；江淮地区3个城市2018年和2020年PM_2.5修正后的长期分量均值表明气象条件对各市PM_2.5改善影响存在差异较大，气象条件对合肥PM_2.5改善的贡献仅为1.0%,芜湖为7.8%,马鞍山为21.0%;NAQPMS数值模式情景分析结果显示，减排措施对江淮之间PM_2.5浓度改...