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     

“十三五”期间伊宁市大气污染特征分析及对策建议

基于伊宁市“十三五”期间大气国控监测点位数据，分析伊宁市“十三五”期间环境空气质量变化特征并提出建议对策。结果表明：“十三五”期间，伊宁市空气优良率在78.9%～86.3%,重污染天气在3～17 d,重污染天气仍频发；PM_2.5年均浓度在38～47μg/m³,年均值均超标。影响空气质量的主要污染物为PM_2.5、PM₁₀和CO。与三大区域相比，伊宁市SO₂和CO污染程度相对较重，燃煤型的污染特征显著。此外伊宁市采暖季空气污染较重，PM_2.5、SO₂、CO等污染物浓度显著高于非采暖季，采暖季主要污染物呈现双峰变化特征。     

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...     

成都气象要素等级对大气污染的改善作用研究

为找到对成都空气质量有改善作用的气象要素等级，量化成都气象条件对大气污染物的影响，对2015—2018年成都环境监测站空气质量监测数据和温江国家气候观象台同时段的气象观测资料进行了研究分析。结果表明：(1)成都中部地区的空气质量污染较为严重，全年主要以PM_2.5和O₃污染为主，占比达75%,2015—2018年成都的PM_2.5污染呈下降趋势，而O₃污染虽有所波动但没有显著改善。(2)PM_2.5持续重污染过程中，过去12 h降水量和过去24 h降水量均大于1 mm,均为有效降水，大于2.5 mm对PM_2.5污染的改善作用显著增强；相对湿度低于70%对中度及以上PM_2.5污染的改善作用同步增加，低于40%对轻度PM_2.5污染的改善作用较为明显，优良天气的发生概率显著增加；风速大于1 m/s时PM_2.5浓度随风速的增大而减小，大于2 m/s对PM_2.5浓度的改善作用显著加强。...     

合肥市冬季细颗粒物中碳组分特征分析

利用2020年12月1日至2021年2月28日合肥市细颗粒物(PM_2.5)、有机碳(OC)和元素碳(EC)等环境空气质量监测数据和气象观测数据，分析了合肥市大气PM_2.5中OC和EC的污染特征，并探讨了其来源以及气象因素影响。结果表明：合肥市冬季碳质气溶胶是PM_2.5中主要组分，随着污染程度的加重，碳质气溶胶的质量浓度逐步增加，但其在PM_2.5中的占比先减小后增加。在以PM_2.5为首要污染物的不同污染级别天气条件下，OC和EC的相关性说明不同程度下碳质气溶胶来源复杂。OC/EC表明机动车尾气和燃煤源排放是碳质气溶胶的主要来源。二次有机碳(SOC)会随着污染程度的加重而呈现升高趋势。OC和EC在冬季受温度影响较小；较大的相对湿度对OC和EC具有一定的清除作用，明显降水或连续降水的清除作用更加显著；而风速对含碳气溶胶的影响主要出现在污染天气背景下。     

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...     

河南省2014-2020年PM2.5浓度时空分布特征及气象成因分析

利用2014—2020年河南省18个地级城市空气质量监测资料和气象数据，运用空间自相关分析、ArcGIS制图及相关性分析等方法，从时空分布特征上揭示河南省PM_2.5污染特征，并分析其气象成因。结果表明：河南省2014—2020年PM_2.5年均浓度为40～100μg/m³,总体呈递减趋势。PM_2.5浓度季节分布特征为冬季>秋季=春季>夏季。河南省2019年和2020年PM_2.5污染空间分布存在显著自相关，污染程度严重的地区主要是中部和东北部地区。冷热点分析发现，热点城市为濮阳、安阳、济源、郑州、新乡、焦作、鹤壁，冷点城市为信阳、驻马店、周口。PM_2.5在年尺度上与气压、气温、相对湿度、风向、风速、能见度显著相关，其中，与气温相关性最高，相关系数为-0.424。当相对湿度处于90%以下时，PM_2.5浓度与相对湿度呈正相关；而在相对湿度超过90%之后，PM_2.5浓度下降至70μg/m³...     

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...     

基于传感器的大气PM2.5高密度网格化监测技术及应用研究

基于光散射原理的PM_2.5传感器在近几年快速发展，中国、美国以及欧盟均发布了关于大气PM_2.5传感器使用的指南。传感器类PM_2.5设备受湿度、温度、颗粒物组成等影响，国内外相关应用重点集中在空气质量监测、预报预测、健康暴露评估及污染源精准识别等领域，中国在基于传感器的PM_2.5高密度网格化监测的设备研发、建设规模及应用等均走在世界前列。研究从PM_2.5传感器设备相关的原理、影响因素、性能指标，以及基于传感器形成的高密度网格化监测体系相关的标准规范、质控校准以及业务应用等方面进行了国内外资料调研，为传感器技术应用于大气精细化环境管理提供支撑。     

四川省水泥工业大气污染物排放水平分析

通过调研2018年四川省37条水泥生产线活动水平数据,结合企业污染治理技术,分析该省水泥工业的主要大气污染物排放水平。结果表明:2018年四川省水泥行业SO₂、NO_x、PM_2.5和PM₁₀的排放量分别为1.2万t、5.5万t、3.9万t和6.5万t,其不确定性主要来自污染物的产生系数和去除效率。四川省水泥生产企业各工序排放的颗粒物、SO₂和NO_x浓度总体上均低于现行标准,部分工序颗粒物超标主要受布袋的去除效率影响。     

基于LSTM-GCN的PM2.5浓度预测模型

应用机器学习算法开展空气质量预测已成为当前研究热点之一,空气质量监测数据具有显著的时空特征,即具有时间维度时序特征和空间维度传输演化特征。面向空气质量监测数据,联合LSTM提取的时间特征和GCN提取的空间特征,提出预测PM_2.5浓度的LSTM-GCN组合模型。以北京市35个空气质量监测站2018—2020年监测数据进行仿真实验,并将LSTM-GCN模型与LSTM模型、GCN模型以及时空地理加权回归模型(GTWR)进行对比,结果显示:LSTM-GCN模型相较于LSTM模型均方根误差(RMSE)、平均绝对误差(MAE)分别降低了11.68%、7.34%;相较于GCN模型RMSE、MAE分别降低了40.22%、36.37%;相较于GTWR模型RMSE、MAE分别降低了17.52%、23.69%,表明所提出LSTM-GCN模型在准确率上有所提升。用LSTM-GCN模型预测2021年1—7月PM_2.5浓度,结果显示预测效果较好。     

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。     

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。     

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。     

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。     

沿海城市PM10和PM2.5自动监测过程中质量浓度“倒挂”现象分析与成因探讨

2020年2—3月,位于福建沿海地区中部的莆田市在环境空气质量自动监测过程中出现了严重的PM_(10)和PM_(2.5)质量浓度"倒挂"现象,小时值"倒挂"率为19.86%,日均值"倒挂"率为16.67%。在高相对湿度和低风速气象条件下,颗粒物会出现严重的"倒挂"现象,"倒挂"过程中常伴随着颗粒物和气态污染物(SO_2、NO_2和CO)质量浓度的增加。因此,于2020年2月16日—3月26日开展了颗粒物自动监测和手工监测比对,并结合气象参数、气态污染物质量浓度,以及PM_(10)和PM_(2.5)中水溶性离子和液态水的含量特征,进一步探讨了莆田市颗粒物质量浓度"倒挂"的主要成因。研究表明,PM_(10)和PM_(2.5)自动监测仪器检测原理的差异是导致颗粒物质量浓度"倒挂"的重要原因之一,而气象条件(相对湿度、气温和风速等)、颗粒物质量浓度、颗粒物中主要吸湿组分(NO_3~-、SO_4~(2-)和NH_4~+)和液态水的含量也是颗粒物质量浓度"倒挂"的主要影响因素。莆田市2020年2—3月出现高频率"倒挂"现象是多重因素共同作用的结果,解决该问题需要同时考虑监测仪器检测原理、气象参数、颗粒物质量浓度和吸湿组分等的影响。     

2018年11月上旬一次中韩PM2.5相互影响传输过程分析

2018年11月5—7日,韩国首尔出现了一次PM_(2.5)污染过程。利用拉格朗日轨迹分析(HYSPLIT)模型分析了首尔峰值浓度气团的来源,结合污染物监测和气象资料,定性分析了中国对韩国浓度高值可能的影响及其程度。利用嵌套网格空气质量预报模式(NAQPMS)及其耦合的在线污染来源追踪模块进行了污染来源解析和敏感性测试,分别计算了同一时期中韩两国相互间的PM_(2.5)传输贡献。结果显示:2018年11月5—7日,中国对韩国首尔污染过程的日均贡献不足10%;此次污染过程后期,首尔的污染气团对上海PM_(2.5)浓度峰值产生了影响。     

2018年11—12月北京市重污染天气过程数值预报能力评估

2018年11—12月北京市发生了4次以PM_2.5为首要污染物的重污染天气过程，为了分析数值模型对4次重污染过程的预报能力，将CMAQ模式提前1~7 d对北京市PM_2.5的小时预报结果与观测结果对比，分别从离散统计和分类统计2个方面评估CMAQ模式对4次重污染天气过程的预报效果，并简要分析了偏差产生的气象方面原因。结果表明：CMAQ模式提前1~6 d对重污染天气过程的预报显示出良好的性能，为日常业务预报提供了可借鉴的参考信息，可较好地预报出PM_2.5小时浓度变化趋势和浓度水平，离散统计结果显示提前1~4 d的预报结果好于提前5~7 d，相关系数r基本大于0.8，但有一定程度的低估趋势；分类统计结果显示不同预报时效预报准确率大于70%，探测准确率高于55%，部分时段可以达到80%~90%，对人工预报起到了良好的参考作用；输入的气象场的变化及其偏差对于重污染的起始时间、持续时间及清除时间有一定的影响，对相对湿度预报偏小和风速预报偏大是造成CMAQ模式低估的一个重要原因。     

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。     

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。