杭州市大气污染物排放清单及特征

以杭州市区为研究区域,通过调查整合多套污染源数据库及其他统计资料,研究文献报道及模型计算的各种污染源排放因子,获得杭州市区各行业PM10、PM2.5、SO2、NOx、CO、VOCs、NH3等污染物的排放量,建立了杭州市区2010年1 km×1 km大气污染物排放清单。结果表明,2010年杭州市区PM10、PM2.5、SO2、NOx、CO、VOCs和NH3的排放总量分别为7.96×104、4.02×104、7.23×104、8.98×104、73.90×104、39.56×104、3.32×104t。从排放源的行业分布来看,机动车尾气排放是杭州市区大气污染物最重要排放源之一,对PM10、PM2.5、NOx、CO和VOCs的贡献分别达到14.4%、27.1%、40.3%、21.4%、31.1%。道路扬尘、电厂锅炉、工业炉窑、植被、畜禽养殖对不同污染物分别有着重要贡献,道路扬尘对PM10和PM2.5的贡献分别为44.6%和20.0%、电厂锅炉对SO2和NOx的贡献分别为37.0%和25.7%、工业炉窑对CO的贡献为41.5%、植被排放对VOCs的贡献为27.1%、畜禽养殖对NH3的贡献为76.5%。从空间分布来看,萧山区和余杭区对SO2、NH3和植被排放BVOC的贡献要显著高于主城区;而主城区机动车对PM2.5、NOx和VOCs的贡献分别达到36.3%、56.0%和47.4%,较市区范围内显著增加,表明机动车尾气排放已成为杭州主城区大气污染最重要的来源之一。     

2014—2018年洛阳市大气污染变化特征及影响因素研究

研究采用空气质量指数法对2014—2018年洛阳市大气污染变化特征进行了分析,构建了空气污染物浓度的影响指标体系,采用灰色关联法研究了空气污染物浓度与影响因子之间的关联度,得到了影响空气污染物浓度的主要指标因子,并提出了改善洛阳市空气质量的措施。结果表明:洛阳市空气质量指数类别主要为良和轻度污染。2014—2018年空气质量为优良的天数主要出现在春季、夏季和秋季,重度污染和严重污染主要出现在冬季。2018年PM₁₀、PM_2.5、NO₂、SO₂和CO这5项污染物浓度随时间变化呈"V"型,污染主要集中在1—5月和11—12月。O₃浓度随时间变化呈倒"V"型,污染主要集中在4—9月。研究期内PM_2.5、PM₁₀和O₃是主要污染物。市区总人口、工业(综合)能源消耗量、人均生产总值、城市机动车总数、城市房屋施工面积、人均公园绿地面积、建成区绿化覆盖率和一般工业固体废物产生量等8项指标因子与PM_2.5、PM₁₀和O₃的浓度表现出高关联度或较高关联度。     

西藏自治区“十二五”和“十三五”环境空气质量变化特征

"十二五"以来中国先后颁布了一系列大气污染防治政策并实施相应的大气污染治理措施以提高环境空气质量。为研究西藏自治区"十二五"(2011-2015年)和"十三五"(2016 -2020年)时期环境空气质量变化状况,评估大气污染防治措施实施效果,笔者对2011-2020年西藏自治区7个城市(地区)主要大气污染物浓度和优良天数比例变化进行分析。结果表明:随着一系列大气污染防治措施的实施,西藏自治区环境空气质量显著提升,与"十二五"时期相比,"十三五"时期西藏自治区年平均优良天数比例由97.5%±2.0%提升至99.3%±0.4%,SO₂、 NO₂、 PM₁₀、 PM_2.5浓度年均值和CO 浓度第95百分位数均呈下降趋势,其中CO、PM₁₀和PM_2.5浓度下降幅度较大,O₃日最大8h滑动平均值第90百分位数略有上升。西藏自治区环境空气质量与人口、经济发展程度呈负相关关系。受污染源排放、气象条件和区域传输等因素影响,西藏自治区O₃浓度春、夏季较高,而其余污染物浓度冬季较高。     

烟花爆竹禁燃对春节期间东北地区空气质量影响评估

利用2015—2017年春节期间东北地区主要大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、CO和O3)质量浓度监测资料及相应气象因子(温度、湿度、风速和气压)观测资料,分析了春节期间烟花爆竹禁燃对东北地区空气质量的影响。结果表明:随着东北地区主要城市禁燃力度的增强,空气质量逐年提升,PM_(2.5)和SO_2浓度逐年大幅度下降。禁燃可明显降低城区PM_(2.5)浓度,而由于春节期间污染源整体减少,城区和城郊监测点PM_(2.5)浓度值差异减小。烟花爆竹对PM_(10)和PM_(2.5)浓度影响高于对气体污染物SO_2、NO_2和CO的影响。此外,气象条件对东北地区春节期间禁燃改善空气质量的效果也有明显影响。因此,结合春节期间的气象条件,在东北地区实施禁燃政策动态调整非常必要。     

重庆市北碚区空气质量改善效果评估分析

基于2014—2020年重庆市中心城区北碚区环境监测数据及地面观测气象要素，分析了北碚区大气污染特征，利用KNN算法建立大气污染的评估模型，对空气质量改善效果进行评估。结果表明，重庆市中心城区北碚区的PM_2.5浓度逐年呈明显下降趋势，O₃浓度除夏季有一个弱的下降趋势外，其余3个季节和年平均值整体均呈上升趋势。全年以优良天气为主且呈增加趋势。O₃与气温、日照时间呈正相关，与相对湿度呈负相关性，PM_2.5与气温、降水及风速呈负相关。基于KNN算法对空气质量改善状况评估表明，减排对O₃污染平均贡献率在-4.7%左右，对PM_2.5污染平均贡献率为-52%,气象条件对O₃污染的平均贡献率在17%左右，对PM_2.5污染的平均贡献率在-7%左右。该大气污染评估模型能够有效地评估空气改善效果。     

基于区域环境空气质量和碳排放数据的减污降碳协同效果评估

化石燃料燃烧产生的温室气体与大气污染物具有同根同源性，但具体治理中减污降碳的协同效果尚不明确。以浙江省11个设区市为研究样本，对环境空气质量和二氧化碳(CO₂)排放数据进行分析研究，结果显示：2016—2020年浙江省环境空气质量持续改善，但CO₂排放总量仍处于增长阶段。11个设区城市PM_2.5年均浓度降幅在26%～41%之间，二氧化氮(NO₂)年均浓度下降趋势不明显，大部分城市呈现碳排放增加、NO₂浓度下降的特征，只有杭州和温州两市呈现碳排放总量和NO₂、PM_2.5浓度协同下降的趋势。因子相关性分析结果表明，各设区市呈现NO₂浓度与碳排放相关性较大、协同性强，PM_2.5浓度与碳排放相关性较小的特点。进一步通过减污降碳协同定量评价分析表明，浙江地区在环境空气质量改善和温室气体减排已表现出一定成效，但各设区市因产业结构、环境基础条件、协同程度等不同导致减污降碳综合绩效有明显差异。从源头减排实现...     

2001年～2008年及奥运会期间天津市大气污染特征分析

根据天津市大气质量监测数据,对2001年～2008年及奥运会期间天津市大气污染特征和主要大气污染物的变化规律进行了分析。结果表明,2001年～2008年天津市的PM10、SO2和NO2污染总体呈下降趋势,但质量浓度仍相对较高。2008年8月奥运会期间天津市PM10和SO2质量浓度达到国家空气质量二级标准,NO2质量浓度达到国家空气质量一级标准,空气质量良好。天津市PM10污染相对稳定,SO2和NO2的污染分布呈现明显的季节性,时间上表现为冬强夏弱。气象条件对污染物浓度影响明显,沙尘、大雾等天气可使污染物浓度急剧升高。     

临汾市大气污染物的时间分布特征与源区分析

多年来，临汾市多次名列我国生态环境部公布的空气质量最差的重点城市之列，对其大气污染的时间分布特征和潜在源区进行分析对其环境管理与污染防治具有重要意义。利用2015—2019年临汾市5个国控空气环境质量监测站点的6种空气污染物(SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀)浓度数据和气象观测数据，使用HYSPLIT模型研究了该市空气污染物的时间变化特征、轨迹输送特征和可能的来源。结果表明，PM_2.5和PM₁₀的年均浓度均超过了《环境空气质量标准》(GB 3095—2012)Ⅱ级标准，SO₂仅在2016—2017年超过该标准，其余3种污染物的年均浓度均低于该标准。6种污染物2015—2019年的月均浓度的变化特征表现为O₃浓度呈以6、7月为中心的近似正态分布，SO₂、NO₂和CO以及PM_2.5和PM₁₀浓...     

达州市城区环境空气质量变化趋势及CMAQ模型预报分析

利用Spearman秩相关系数法、污染日历图、浓度分析法和CMAQ预测模型研究了达州市城区2015—2019年空气质量状况。结果表明:2015—2019年,达州市城区O_3浓度变化趋势为显著上升(P0.05),季度变化明显,8月易发生因O_3超标导致的轻度污染状况;CO年均值变化趋势为显著降低(P0.05);NO_2年均值呈上升趋势,但尚未达到显著水平(P0.05);SO_2、PM_(10)和PM_(2.5)年均值呈下降趋势,但变化趋势不明显(P0.05)。2019年,1月和12月污染最重,PM_(2.5)超标是主因,PM_(10)和PM_(2.5)年均值达标形势严峻,全年一半以上天数的PM_(2.5)浓度超过年均值二级标准限值,PM_(10)也近半;NO_2年均值达标形势严峻,全年212 d超过年均值二级标准限值。CMAQ模型对不同污染指标的预测准确率不同,预测PM_(2.5)浓度、首要污染物和空气质量等级时的准确率不及人工预测,预测AQI时的准确率高于人工预测,更多污染指标的预测比较还有待进一步研究。     

灰霾期间武汉城市区域大气污染物的理化特征

利用湖北省大气复合污染自动监测站2013年的全年监测数据,分析了灰霾期间武汉城市区域大气污染物的理化特征。霾日主要出现在春季、秋季和冬季。霾日与非霾日大气污染物质量浓度和气象参数的对比分析结果显示:高湿度、静风是武汉城市区域霾日的重要气象特征;PM1、PM_(2.5)、PM_(10)、NO_2、CO、NH3的质量浓度,SOR、NOR值以及PM_(2.5)中的二次无机离子(SO2-4、NO-3、NH+4)和部分元素(Pb、Se、Cd、Zn、K)的质量浓度均在霾日明显高于非霾日,而霾日SO2质量浓度仅在冬季略高于非霾日。选取2013年1月的连续灰霾日进行相关性分析,结果表明:污染组分主要来自当地排放(包括直接排放和二次形成),并受当地气象条件影响。此次灰霾过程中PM_(2.5)中的硫酸盐和硝酸盐主要来自气相反应,气态NO_2主要生成了气态HNO_3,而不是HNO_2。     

基于空间计量模型的四川省大气污染特征及影响因素分析

四川省细颗粒物污染问题越来越受到重视,为有效识别四川省大气污染空间分布情况及影响因素,利用2015—2020年PM_2.5监测数据,综合分析了四川省大气污染时空分布特征,选取同期气象要素观测数据和社会经济数据,区分出全省及省内不同经济区大气污染的主要影响因素。结果表明:2015—2020年四川省的PM_2.5浓度逐年下降,日变化存在明显的双峰双谷趋势,且具有明显季节性特征,空间分布上具有明显的空间聚集现象;PM_2.5的排放与人口密度、经济水平和气温呈显著正相关,与城市绿化、风速呈显著负相关。该研究为经济增长方式优化、产业结构调整、绿化水平改善等提供了政策建议,可为污染防治、优化人居环境提供参考。     

济南市大气细颗粒物中二(口恶)英污染水平及季节变化

2021年对济南市大气PM_2.5中17种2,3,7,8氯取代二(口恶)英(PCDD/Fs)污染现状进行监测。对其异构体分布、指示性单体、季节变化规律等特征及其与常规污染物相关性进行了分析。结果表明:大气PM_2.5中PCDD/Fs浓度范围和年平均值分别为0.157~1.595 pg/m³和0.785 pg/m³,而毒性当量(以I-TEQ计)范围和年平均值分别为0.009~0.116 pg TEQ/m³和0.052 pg TEQ/m³。PCDD/Fs浓度与毒性当量季节变化特征显著,均呈现出冬季>春季>秋季>夏季的情况,可能由季节性排放源和气象条件不同导致。不同季节PCDD/Fs异构体分布模式一致,主要由高氯代(1,2,3,4,6,7,8-HpCDF、OCDD、OCDF和1,2,3,4,6,7,8-HpCDD)单体组成;而对毒性当量贡献最大的单体是2,3,4,7,8-PeCDF,其与总毒性当量具有较好的相关性。同时,PCDD/Fs浓度与SO₂、NO₂、PM_2.5等大气常规污染物呈显著正相关。这表明,大气PM_2.5中PCDD/Fs与常规污染物的生成和排放密切相关。     

基于不同时间尺度综合指数贡献率的攀枝花市大气污染特征分析

选取2016—2022年攀枝花市环境空气质量监测数据，基于年度、季度、月度、小时时间尺度评价环境空气质量综合指数贡献率。结果表明，攀枝花市污染类型已由传统的单一工业型污染转变为复合型污染，且污染物在不同时间尺度下的分布特征明显。从季度尺度来看，第一季度细颗粒物(PM_2.5)综合指数贡献率较大，第二和第三季度臭氧(O₃)综合指数贡献率较大，第四季度二氧化氮(NO₂)及PM_2.5综合指数贡献率较大。从月度尺度来看，O₃在3—8月的贡献较大，PM_2.5、NO₂、可吸入颗粒物(PM₁₀)、一氧化碳(CO)、二氧化硫(SO₂)在1—2月及11—12月的贡献较大。从小时尺度来看，O₃在13—19点贡献较大，PM₁₀、PM_2.5、CO在8—13点贡献较大，SO₂在9—13点贡献较大，NO₂在8—1...     

北京市建筑施工裸地的空间分布及扬尘效应

北京市作为中国典型的快速城市化大城市之一,大规模的城市建设使得城市内部存在大量的建筑施工裸地,工地扬尘效应造成了严重的大气颗粒物污染。以北京市平原区为研究区,首先利用高分辨率卫星数据反演了建筑施工裸地的空间分布格局,在此基础上,结合建筑施工裸地的扬尘排放因子,在空间上定量分析建筑施工裸地的扬尘效应。结果显示,2012年全市平原区建筑施工裸地总面积为140.77 km2,主要分布在城市核心区向外拓展的城乡过渡带。建筑施工裸地的扬尘效应分析中发现北京市平原区建筑施工裸地中TSP、PM10和PM2.5的排放量分别是31.53、16.66、9.16万吨,并且这些污染物的排放量在城市发展新区与功能拓展区中较高,生态涵养发展区较小。以北京市的建筑施工裸地为例,示范了以遥感为技术手段结合污染排放因子的城市内部典型面源污染的监测和污染排放定量化,为今后面源污染的快速准确监测开辟了新的研究思路。     

哈大绥城市“十三五”期间大气环境容量分析

根据2016—2020年哈尔滨市、大庆市、绥化市(以下称哈大绥)国控环境空气自动监测站的SO₂、NO₂、PM_2.5监测资料,统计年鉴中行政区划、污染物排放及气象等监测数据,分析哈大绥区域环境空气质量的变化趋势和测算因子,采用A值法核定了哈大绥区域SO₂、NO₂、PM_2.5的大气环境容量。结果表明:哈大绥SO₂、NO₂、PM_2.5 3项污染物采暖季的大气环境容量均呈逐年递增趋势。通过计算环境承载能力发现,哈大绥SO₂、NO₂、PM_2.5 3项污染物在非采暖季均具有高承载能力,哈大绥非采暖季环境容量高于采暖季。哈尔滨的个别污染物仍然处于临界超载状态,为减少重污染天气,应进一步削减采暖季污染物排放量。     

2016年长沙市环境空气质量的“周末效应”及“假日效应”

通过获取2016年长沙市连续在线观测得到的PM₁₀、PM_2.5、NO₂、O₃、CO和 SO₂逐时浓度资料，对工作日、周末、节假日（尤其是春节）的空气质量优良天数、污染物浓度变化特征进行对比分析，长沙市2016年6项污染物均表现出一定的"周末效应"现象，周末日平均浓度均低于工作日及全年的日平均浓度，其中PM_2.5最为明显；PM₁₀和PM_2.5浓度均星期一最高，星期六最低，CO和 SO₂浓度周末也均处于相对最低水平，NO₂和O₃在周末的平均浓度略低于工作日水平或与其持平。国庆假期，由于城区人口、车辆减少，长沙大气环境质量相对较好，而春节假期，由于受到烟花爆竹集中燃放的影响，PM₁₀、PM_2.5和SO₂浓度远超过全年平均水平，这在一定程度上说明人类活动对污染物浓度及大气环境质量变化具有一定的影响力。     

黑龙江省环境空气污染物和气象要素的典型相关分析

通过对黑龙江省4个自然年(2016年1月1日—2019年12月31日)环境空气污染物和气象要素的分析,揭示了黑龙江省气象条件对空气污染物浓度的影响规律与特征。对PM_(2.5)、PM_(10)、SO_2、NO_2、CO和O_3等6项污染物的描述性统计和简单的相关分析显示:黑龙江省环境空气质量呈现逐年变好的趋势,非采暖期环境空气质量好于采暖期,6项污染物中除O_3呈现夏季偏高以外,其余污染物采暖期浓度均高于非采暖期。运用典型相关分析法探究环境空气污染物与温度、降水量、相对湿度、风速和气压5项气象要素之间的关系,并进行统计学检验,结果表明:环境空气污染物与气象要素之间存在显著相关,温度、风速和相对湿度对污染物具有显著影响。非采暖期大气相对湿度对PM_(10)和O_3-8h的影响显著;而在采暖期,风速对PM_(10)和PM_(2.5)的影响显著。     

南通市区静态管理期间空气质量分析

对南通市区2022年4月初因疫情防控采取全区域静态管理期间的空气质量进行分析,以气象参数、臭氧前体物VOCs和NO_x作为分析对象。结果表明:此次污染过程的主导因素是高温、强辐射、低湿和偏南风的气象条件。南通市区处于VOCs控制区,高温、强辐射使得VOCs挥发性增强,浓度升高。偏南方向的苏通园区和能达公园VOCs浓度较高且升幅较大,源解析结果表明这2个点位涂料溶剂使用占比升幅更高,既容易受附近石化和储油库影响,也容易受偏南风向的污染输送影响。据初步统计,静态管理期间南通市区停工数量为80%左右,污染期间NO₂浓度高值区主要分布在沿江一带,长江南岸的张家港和常熟地区存在多家高排放企业,在偏南风下,张家港和常熟的污染物极易输送至南通市区。基于空气质量模型WRF-CAMx的O₃和PM_2.5来源解析结果显示,静态管理期间外来输送明显,占比为68.7%~84.7%。污染期间的船舶排放和二次转化贡献也不容忽视。建议南通市应重点加强工业、油气挥发和涂料溶剂源减排,同时加强区域联防联控,以便进一步改善空气质量。     

常州市工业大气污染物排放特征研究

通过调查企业生产情况,采用现场实测、模型、排放因子等方法,获得了常州市工业大气污染物的排放量,从行业、排放口高度、空间、时间及重点源所占比例等方面,分析了常州市工业大气污染物的分布特征。结果显示:常州市工业PM、PM_(10)、PM_(2.5)、SO_2、NO_x、CO、NH_3、VOCs排放量分别为3.089、1.348、0.695、5.380、7.077、14.459、0.030、0.848万t;钢铁、水泥、热电、金属制品、化工是常州市大气污染物产生的主要行业;高架源、中架源、低架源排放比例依次增加;11.5%的企业占据了全市排放量的86%以上;SO2等污染物各月排放量基本稳定,PM2.5等上半年排放量波动较大;市区企业的集中排放在不利气象条件下易造成大气污染。     

Preparation and Validation of Gridded Emission Inventory of Criteria Air Pollutants and Identification of Emission Hotspots for Megacity Delhi

Delhi is one of the many megacities struggling with punishing levels of pollution from industrial, residential, and transportation sources. Over the years, pollution abatement in Delhi has become an important constituent of state policies. In the past one decade a lot of policies and regulations have been implemented which have had a noticeable effect on pollution levels. In this context, air quality models provide a powerful tool to study the impact of development plans on the expected air pollution levels and thus aid the regulating and planning authorities in decision-making process. In air quality modeling, emissions in the modeling domain at regular interval are one of the most important inputs. From the annual emission data of over a decade (1990–2000), emission inventory is prepared for the megacity Delhi. Four criteria pollutants namely, CO, SO₂, PM, and NO _x are considered and a gridded emission inventory over Delhi has been prepared taking into account land use pattern, population density, traffic density, industrial areas, etc. A top down approach is used for this purpose. Emission isopleths are drawn and annual emission patterns are discussed mainly for the years 1990, 1996 and 2000. Primary and secondary areas of emission hotspots are identified and emission variations discussed during the study period. Validation of estimated values is desired from the available data. There is a direct relationship of pollution levels and emission strength in a given area. Hence, an attempt has been made to validate the emission inventory for all criteria pollutants by analyzing emissions in various sampling zones with the ambient pollution levels. For validation purpose, the geographical region encompassing the study area (Delhi) has been divided into seven emission zones as per the air quality monitoring stations using Voronoi polygon concept. Dispersion modeling is also used for continuous elevated sources to have the contributing emissions at the ground level to facilitate validation. A good correlation between emission estimates and concentration has been found. Correlation coefficient of 0.82, 0.77, 0.58 and 0.68 for CO, SO₂, PM and NO _x respectively shows a reasonably satisfactory performance of the present estimates.