天津市臭氧污染现状与污染特征分析

通过臭氧监测实验,系统研究了天津市城区的臭氧污染现状、污染特征和时空分布规律,并从空间上确定了城市城区易发生光化学污染的敏感区域、高发区域.     

青岛市环境空气臭氧污染特征分析

青岛市是国家环保部确定的臭氧试点监测城市之一。文章结合青岛市市南区东部和四方区空气子站2008—2011年的试点监测数据，从区域差异、时间变化等方面分析了青岛市的臭氧污染特征，结果表明：①二区域臭氧浓度的日分布均呈现“单峰型”，12：00～15：00是一天中臭氧污染最严重的时段；②每月监测累积值市南区东部呈现“双峰型”，四方区呈现“单峰型”；③二区域臭氧污染最突出的月份均为5月；④二区域臭氧平均浓度从高到低季节排序略有差异；⑤2009年二区域臭氧污染最严重，该年四季中春季臭氧污染最为突出。     

江西省臭氧污染特征及其与气象条件的关系

基于2017年1月至2020年6月的江西省国控点臭氧监测数据和同期气象观测数据,研究江西省臭氧污染特征及其与气象条件的关系。结果表明:2017—2019年,江西省臭氧超标时间和质量浓度呈现出逐年增加的趋势; 4—6月和8—10月是江西臭氧污染高发期,其中8—10月臭氧污染最严重;臭氧1 h浓度日变化呈现"单峰"分布特征,早晚浓度低,上午09:00浓度快速上升,15:00达到峰值。除景德镇外,2017—2019年江西省臭氧污染在空间上总体呈现出南高北低的特征,2019年臭氧污染在空间上呈现出总体平均分布的特征。大体上,江西省11个设区城市臭氧超标天数比例的峰值在(30,35]℃日最高气温区间。晴朗天气时的地面低压系统与臭氧污染关联性强,江西省11个设区城市在日均地面气压(990,1 013.25]hPa、日均地面湿度(50%,70%]和日均地面风速(1,2]m/s条件下臭氧容易超标,臭氧超标时地面主导风向主要为北风和东北风。     

广州市臭氧及其前体物监测系统研究与应用

通过利用近地面在线监测、塔基点式梯度在线监测、地基雷达遥感在线监测等技术方法构建臭氧浓度立体在线监测系统,并将其应用于对臭氧浓度分布、传输及变化的分析研究。结合臭氧前体物挥发性有机物（VOCs）监测现状,研究开展VOCs离线监测,完善VOCs在线监测体系,并将其应用于对广州市VOCs组分的分区分时段监测。上述监测系统业务化应用于广州市臭氧污染分布的长期监测,可为开展臭氧来源解析提供基础性的监测平台。     

南京市典型臭氧污染过程的激光雷达垂直观测解析

利用臭氧激光雷达对南京市一次典型臭氧污染过程连续观测,分析该典型臭氧污染过程中近地面和高空臭氧的变化规律、污染的发生过程与成因。结果表明:在夏季高温、风速低、冷空气影响锋前的静稳天气下,近地面臭氧的循环生成和夜间高空残留的臭氧在湍流作用下混合并积累造成该污染过程;近地面和低层臭氧浓度具有明显的日变化趋势,单峰型特征,而高空臭氧浓度无明显日变化特征,夜间维持高值;边界层高度上下始终存在臭氧高值带,厚度达数百米;正午至午后时段,各垂直高度上臭氧浓度混合均匀,随高度基本无梯度变化,达到近地面至高空1.5 km的臭氧高污染层覆盖。     

洛阳市老城区环境空气中臭氧污染特征及相关气象要素分析

本文利用洛阳市老城区豫西宾馆空气质量自动监测点的监测数据,对2012-01~12该区域大气中臭氧污染浓度的连续监测结果及同步气象资料进行了分析。结果表明,洛阳市老城区环境空气中臭氧污染主要表现为臭氧日最大8小时平均浓度污染,全年超过GB3095-2012《环境空气质量标准》中二级标准(0.160mg/m3)的频率为21%。臭氧浓度具有明显的日变化及季节变化特征;由于臭氧污染的季节特点,导致全年污染天数显著增加。通过分析发现气温、风速、降水、太阳紫外线辐射等气象因素对臭氧浓度变化均具有一定影响,臭氧污染气象特征表现为晴朗、高温、低风速的午后时段会出现臭氧的高浓度污染。     

成都市夏季近地面臭氧污染气象特征

利用2016年7月成都市8个环境监测站点的臭氧、NO_2的监测资料以及成都市国家基准气象站和基本气象站的观测资料,对成都市夏季臭氧、NO_2浓度和气象要素的日变化特征和臭氧污染过程进行了分析。研究结果表明:成都市臭氧污染受综合气象条件和NO_2浓度的影响,高温、低湿、强辐射有利于臭氧大量生成,NO_2浓度高低决定了臭氧浓度的峰值大小;在污染期间,大气边界层高度远高于本地平均水平,数值约为平均水平的2～3倍;成都市臭氧污染的主要影响因子存在地区差异,成都市区的臭氧主要来自于自身的光化学反应,而灵岩寺地区的臭氧来自于VOCs和大气水平输送。     

2008-2016年臭氧监测试点城市的臭氧污染特征

选取臭氧试点城市北京、沈阳、上海和重庆，通过对2008-2016年臭氧监测数据进行分析研究，可以看出4个试点城市中北京的臭氧污染最严重。4个城市的臭氧污染特征均为高浓度臭氧所占比例较大，高值比较高，低浓度臭氧所占比例较小。北京、沈阳和上海的年平均臭氧浓度总体呈上升趋势。北京、上海、重庆、沈阳4个城市9年的超标天数比例分别为15.9%、7.7%、3.9%、6.5%。上海的臭氧浓度在秋季非常高。2012年的臭氧变化趋势比较异常，可能是由于2012年发生的不寻常气候条件导致。4个城市的臭氧浓度变化和气象条件的变化显著相关。     

大连市臭氧污染特征及典型污染日成因

通过对大连市区10个空气监测子站的监测数据进行分析,探讨了大连市臭氧污染的时空分布、气象条件对臭氧污染的影响,对臭氧污染日进行了归类分析。结果表明,大连市臭氧污染主要出现在4—10月。在强紫外辐射、高温、低湿、低压和低风速的气象条件下,监测点位的臭氧浓度较高。臭氧污染日的日变化分为单峰型、双峰型和夜间持续升高型3种类型。通过对2015年的一次高浓度臭氧污染过程的气象条件、污染物浓度和污染气团轨迹进行分析,发现臭氧浓度在夜间持续升高现象与区域输送密切相关。     

平流层臭氧深度侵入对典型城区的影响过程分析

中纬度平流层臭氧深度侵入是造成对流层至近地面臭氧浓度突增的原因之一。筛选春夏季臭氧浓度升高时段的高分辨率大气再分析数据ERA5,以位涡值的下沉趋势分析了对流层顶折叠位置及变化过程;以AIRS数据反演了臭氧浓度、一氧化碳浓度和相对湿度的垂直廓线,并估计了其分布及相关性;以近地表污染物浓度变化、HYSPLIT模型后向轨迹分析结果证实了臭氧侵入气团的运移轨迹和局地效应;通过激光雷达监测结果观测臭氧垂直浓度分布,确定了臭氧浓度最大值所处高度,判定了受影响近地点的浓度升高时刻;以边界层高度变化、气象条件分析结果及当地与周边城市地面监测数据的逐小时变化情况等综合信息,进行了区域确认和近地面影响判定。通过以上数值综合分析,对城市地区受平流层臭氧深度侵入影响的过程和具体时间进行了详细再现,可为排除非人为排放因素导致的近地表臭氧浓度增加提供回溯分析,为臭氧污染防控决策提供依据。     

佛山市近地面臭氧污染特征及相关气象因子分析

利用2014年佛山市8个国控大气自动监测点位的O_3监测数据,分析了佛山市的O_3污染特征,结果表明,2014年O_3日最大8 h平均值的第90百分位数为167μg/m~3,O_3为首要污染物的超标天数为43d,占比46.7%;ρ(O_3)区域变化不大;ρ(O_3)月变化呈现"三峰型",全年高ρ(O_3)集中在6—10月份,其中7月份出现全年最高峰值;ρ(O_3)日变化呈单峰型分布,夜间浓度较低且变化平缓,14:00—16:00左右达到峰值,并存在一定的"周末效应",但并不明显;ρ(O_3)与气温呈显著正相关,与湿度、气压、雨量呈显著负相关,与风向、风速的相关性相对较弱;总体上看,高温、低湿、微风、偏南风、低压、无雨的天气条件下高ρ(O_3)更容易出现。     

海口市臭氧污染特征

基于2013—2015年海口市4个空气质量自动监测站点数据,结合气象资料,分析了海口市O_3的污染特征。结果表明:海口市O_3总体优良,优良天数比例为99.4%,污染天数均为轻度污染;在良和污染天数中,O_3作为首要污染物的天数占40%,超过其他5项污染物占比。海口市10月O_3浓度最高。O_3月均浓度与温度呈负相关关系,同时与风向有密切关系:5—8月气温较高,以南风为主,O_3浓度较低;1月北风频率较高,易受外来污染传输作用,O_3浓度相对较高。O_3超标日以东北风为主,日变化并未呈现单峰型特征,12:00—22:00时段O_3浓度在10%范围内小幅变化。台风外围型和北方冷高压底部型是造成海口市O_3超标的2类典型天气形势。     

大连市夏季近地面臭氧污染数值模拟和控制对策研究

通过区域空气质量模型CAMx对大连市2015年8月近地面臭氧(O_3)污染进行模拟,探讨了O_3及其生成前体物(NOx和VOCs)的来源,O_3生成控制区,并根据敏感性分析结果对前体物排放的控制效果进行了定量评估。结果表明:本地NOx排放对大连地区的NOx浓度贡献占90%以上,本地VOCs排放对大连地区的VOCs浓度贡献占80%以上,而本地NOx和VOCs排放对大连地区O_3浓度贡献仅占29%;大连市整体上为VOCs控制区,控制VOCs能有效降低O_3污染,还能有效削减O_3的峰值浓度;通过敏感性分析结果计算得出,削减大连本地工业源VOCs和民用源VOCs能够有效降低大连地区O_3浓度,削减10%的工业源VOCs能使市区O_3平均浓度降低2%左右,削减10%的民用源VOCs能使大连市区平均O_3浓度降低1%左右。建议NOx与VOCs削减比例为1∶2,对大连市O_3和PM2.5污染进行协同控制。     

内蒙古近地面臭氧污染时空分布特征及气象条件分析

使用2018—2020年内蒙古臭氧(O₃)、气象要素观测资料和NCEP FNL资料,统计分析内蒙古近地面O₃质量浓度的时空分布特征和变化趋势,并针对全区O₃污染典型个例分析其天气形势和气象要素的影响作用。结果表明:内蒙古2018—2020年O₃质量浓度年评价值呈逐年下降趋势,2020年较2018年下降10.3%,各盟市O₃超标率也显著降低,仅赤峰市和通辽市略微上升。内蒙古O₃质量浓度高值分布在中西部偏南地区,尤其是乌海市和鄂尔多斯市;O₃超标率峰值主要出现在5—7月,周末效应存在东西部差异。O₃浓度变化和天气形势关系密切,南部暖平流和暖高压控制有利于O₃生成,西北部冷平流和冷涡发展使得O₃浓度下降;高温、低湿、微风和较高的能见度均为诱发O₃污染的重要气象条件,而西北大风通过降低温度、能见度和易于扩散的风向使得内蒙古O₃浓度降低,但同时可能会导致PM₁₀污染。     

Urban Air Pollution Monitoring with DOAS Considering the Local Meteorological Situation

The concentrations of ozone, NO₂ and SO₂, measured with a DOAS system 70 m above ground level in the city of Graz were compared with data from conventional ground stations. The dependence of vertical trace-gas distributions on stability categories and time of the day or year was investigated. Concerning the maximum ozone concentrations in summer, the DOAS data are representative for the ground-level situation. In average, the concentrations 70 m above ground are more than twice the ground-level concentrations. It has been shown that beside the reaction with NO, dry deposition is an important sink for ozone near the surface. The DOAS NO₂-concentrations are representative for ground-level conditions in summer, except for the morning maximum of NO₂. In winter the DOAS NO₂-concentrations amount for 73% of the ground level values in average. Concerning the slow reacting trace gas SO₂, the DOAS data are always representative for the ground-level conditions.     

Minimax Statistical Models for Air Pollution Time Series. Application to Ozone Time Series Data Measured in Bordeaux

This paper deals with the application of l(infinity) (or minimax) optimization techniques to statistical modelling of high frequency air pollution data. The method was applied to ground-level ozone time-series data measured in Bordeaux over 4 years from 1998 to 2001. The aim of model building was to develop predictive models in order to provide forecasts of the maximal daily ground-level ozone concentration. Experimental results from this case study indicate that such techniques could be more appropriate than the commonly used l2 setting if only good estimation of high levels is of interest. When the free parameters are fitted by means of l(infinity) optimization techniques, the forecasting errors are more evenly distributed amongst the data points, resulting in a better estimation of high values. The paper compares the quality of forecasts produced by both a linear and a nonlinear model, using l2 and l(infinity) parameter optimization.     

杭州主城区大气臭氧对空气污染指数API的影响

利用2004年至2007年空气污染监测数据,比较现行API指数和修正后API指数的差异,分析修正后O3污染的变化状况,研究O3污染的季节变化。结果表明,O3作为一种新的空气污染指标,对修正后API指数的影响很大。与现行API指数相比,4年来修正后API指数的污染率大幅度增加,并且各季节的污染率越来越接近,2007年污染率在25%左右。2007年各季节修正后API指数污染天数中O3污染天数所占百分比分别是春季为52%、夏季91.6%、秋季20.8%、冬季O3,未出现污染。