北京山前典型细粒子污染过程的气象条件分析

可吸入颗粒物(PM₁₀)是近年来北京地区冬季首要污染物,其中细粒子(PM_2.5)污染受到广泛关注,由于该地区具有山前地区的地形和气象条件,使其细粒子污染更具区域代表性.对2007年12月北京出现的4次细粒子污染过程及气象条件进行了分析,结果表明:细粒子山前累积/清除时间,ρ(PM_2.5)峰值均与气象条件相关;12月23─26日的3 d连续累积,使26日的ρ(PM_2.5)日均值达到313.4 μg/m3,是国家ρ(PM₁₀₎二级标准〔环境空气质量标准(GB3095─1996)〕(150 μg/m3)的2.1倍,超过世界卫生组织ρ(PM_2.5)日均指导值(25 μg/m3)的11倍;持续的偏南风和边界层底层局地性环流,使得京津冀南部区域细粒子以日均96.7 μg/m3的高值累积在北京山前地区,造成了12月23—31日具有代表性的北京冬季严重细粒子污染.      

长三角背景点夏季大气PM2.5中水溶性无机离子污染特征及来源解析

为研究长三角背景点夏季PM_2.5污染特征,于2018年5月30日—8月15日在上海市崇明岛对PM_2.5样品进行昼夜采集,并对其中水溶性无机离子(Cl-、NO₃-、SO₄2-、Na+、NH₄+、K+、Mg2+、Ca2+)进行了分析.运用PSCF(潜在源贡献)方法判别污染物排放源区,并结合PCA(主成分分析)和PMF(正交矩阵因子)源解析探究PM_2.5来源.结果表明:①观测期间崇明岛ρ(PM_2.5)平均值为(33±21)μg/m3,低于GB 3095—2012《环境空气质量标准》一级标准限值(35 μg/m3),但在部分时段存在显著超标现象,ρ(PM_2.5)最高值在120 μg/m3以上.②水溶性无机离子质量浓度平均值为(14±9.3)μg/m3,占PM_2.5的42.4%,其中SNA(SO₄2-、NO₃-、NH₄+三者统称)为主要离子,占水溶性离子总质量浓度的85.7%.③n(NH₄+)/n(SO₄2-)(NH₄+与SO₄2-的摩尔浓度比)显示,清洁期〔ρ(PM_2.5) < 15 μg/m3〕呈贫铵状态,过渡期〔15≤ρ(PM_2.5)≤35 μg/m3〕和污染期〔ρ(PM_2.5)>35 μg/m3〕均呈富铵状态;过渡期SNA主要以NH₄HSO₄和NH₄NO₃形式存在,而污染期则主要以(NH₄)₂SO₄和NH₄NO₃形式存在.④通过对两次典型污染事件进行离子相关性分析和PSCF分析发现,E1污染事件(5月30日—6月8日)为局地生物质燃烧型污染事件,E2污染事件(7月23日—8月1日)为区域传输污染事件.源解析结果进一步表明,两次典型污染事件期间气态污染物的二次转化对PM_2.5的贡献最显著,贡献率分别为62.8%和59.8%;其次是生物质燃烧,其贡献率分别为32.5%和20.1%;E2污染事件期间海盐源对崇明岛PM_2.5贡献率较高(16.6%),远超过E1污染事件期间对PM_2.5的贡献率(2.7%).研究显示,区域输送对崇明岛PM_2.5有显著贡献,二次颗粒物累积是崇明岛PM_2.5超标的主要原因.      

基于多源异构数据的沧州市大气环境管理APP平台的构建与应用

大气环境管理平台是目前我国城市大气环境管理的重要手段.利用气象、空气质量、污染源等多源异构数据资料,以模型集成分析的方法,针对沧州市的消峰和污染减排问题,开发了大气环境管理平台（APP）,并对沧州市大气污染过程进行综合分析和验证.以沧州市2019年1月27-30日两次大气污染过程为例进行分析,结果表明:①污染过程1（2019年1月27日14:00-1月28日02:00）中ρ（PM_2.5）/ρ（PM₁₀）平均值为0.59,ρ（SO₂）、ρ（NO₂）和ρ（CO）平均值分别为37.0 μg/m3、66.7 μg/m3和1.5 mg/m3;污染过程2（1月29日10:00-1月30日09:00）中ρ（PM_2.5）/ρ（PM₁₀）平均值为0.61,ρ（SO₂）、ρ（NO₂）和ρ（CO）平均值分别为38.5 μg/m3、67.7 μg/m3和1.8 mg/m3,说明加强对前体物的控制是削弱重污染时段ρ（PM_2.5）的重要途径.②污染过程1的相对湿度在重度污染时段增长显著,污染过程2中相对湿度有10 h在70%以上;同时,在此期间风速较小,近地面逆温层较厚,从而加速了颗粒物吸湿增长和二次转化,说明高湿、低风速等气象条件是形成重污染天气的主要原因之一.③源解析结果表明,外来源的平均贡献率为44.73%,本地源的平均贡献率为55.27%,本地工业源、民用源、交通源和电力源贡献率分别为42.20%、11.97%、1.00%和0.10%,说明重污染期间沧州市受到周边区域传输具有一定的可能性,本地源的贡献主要来自工业源和民用源.      

北京市冬季典型重污染时段PM2.5污染来源模式解析

为了探究近年来北京市PM_2.5污染区域来源规律和重污染累积过程中PM_2.5的生成途径,利用第三代三维空气质量模型CAMx的颗粒物源示踪(PSAT)和过程分析(PA)技术,模拟计算了北京市2013年和2014两次冬季典型重污染时段PM_2.5的源-受体关系和物理、化学过程对PM_2.5的生成贡献. 结果表明:在区域来源贡献中,随着空气污染等级由优升至严重污染,外地PM_2.5贡献率从42.9%升至67.4%,本地贡献率由57.1%降至32.6%,其中外地二次PM_2.5贡献率从20.2%升至39.8%,为北京市重污染时段的主要贡献因子;在外地贡献中,廊坊市、山东省、天津市、唐山市的贡献率较大,分别为3.2%~4.7%、3.8%~7.5%、3.6%~5.8%、2.2%~3.2%. PA分析结果表明:在不利气象条件(持续性的逆温层结)下,南边界的输送在重污染过程中起到了重要作用,对ρ(PM_2.5)增长的贡献速率可达10 μg/(m3·h). 此外,本地化学转化在重污染时段对ρ(PM_2.5)爆发性增长的贡献率也可以达到40.0%,其中特殊天气条件下二次PM_2.5生成贡献的显著增加是造成ρ(PM_2.5)出现峰值的主要原因. 研究显示,随着污染程度的加重,北京市受区域性污染的影响逐渐加大;在重污染过程中,不利气象条件下的本地化学转化与水平输送对近地层ρ(PM_2.5)峰值的出现与维持发挥了重要作用.      

2007—2014年北京地区PM2.5质量浓度变化特征

为更好地解析北京地区ρ(PM_2.5)的长期变化特征及气流轨迹聚类分析结果,对2007年8月—2014年7月在中国环境科学研究院实测的ρ(PM_2.5)数据进行了统计分析,分析其年际、季节和月际变化特征;通过计算PM_2.5的AQI分指数,分析了污染等级的时间变化特征;结合后向气流轨迹,对ρ(PM_2.5)年际、季节变化与气团来源的关系进行了分析.结果表明:北京地区2008—2013年ρ(PM_2.5)年均值分别为111.5、95.8、94.8、80.5、75.2、81.3 μg/m3,整体呈逐年下降趋势,但污染水平依然较高;ρ(PM_2.5)由高到低的季节次序为秋季、冬季、春季、夏季,平均值分别为111.6、94.8、77.2、70.5 μg/m3,PM_2.5重污染时段主要出现在秋冬季节,并且冬季ρ(PM_2.5)近年来逐渐呈上升趋势;ρ(PM_2.5)月均值呈单峰型变化,11月最高(为125.3 μg/m3),7月最低(为76.4 μg/m3);轨迹聚类分析发现,途经山西省北部和河北省南部的气流轨迹中ρ(PM_2.5)较高,而来自北方及西北方向的气团相对较清洁,ρ(PM_2.5)较低.北京地区近些年实施的大气污染减排措施对于控制PM_2.5污染取得了一定效果,但针对秋冬季节重污染过程的控制力度仍需要加强,同时也要注意区域污染传输对北京地区ρ(PM_2.5)的影响.      

2014年北京奥体中心空气质量演变特征

利用中国环境监测总站发布的实时大气环境监测资料,选择北京国家奥林匹克体育中心(下称北京奥体中心)为研究对象,分析了2014年全年北京奥体中心空气质量演变特征. 结果表明:①2014年全年北京奥体中心首要污染污染物为PM_2.5,其次是NO₂,而PM_2.5和PM₁₀出现中度污染以上的污染事件主要集中在冬季和春末秋初;②PM_2.5、PM₁₀、SO₂、NO₂、O₃和CO等主要污染物的年均质量浓度分别为89.75、141.12、21.83、64.26、48.60和1 210 μg/m3. 其中年均ρ(PM_2.5)是GB 3095—2012《环境空气质量标准》二级标准限值(35 μg/m3)的2.6倍,年均ρ(PM₁₀)也是其二级标准限值(70 μg/m3)的2.0倍,年均ρ(SO₂)略高于其一级标准限值(20 μg/m3),而年均ρ(NO₂)则高于其标准限值(40 μg/m3);③北京奥体中心全年逐月ρ(SO₂)/ρ(NO₂)都小于1.00,年均值为0.37,反映出北京目前硝酸型污染特征越来越明显;④针对不同污染等级下各类污染物质量浓度的分析结果显示,严重污染时ρ(PM_2.5)和ρ(PM₁₀)平均值分别高达324.75和494.98 μg/m3,分别是世界卫生组织(WHO)《空气质量准则》推荐24 h平均浓度准则值的13和10倍,其浓度如此之高会对人体健康造成严重危害;⑤ρ(PM_2.5)年均24 h变化趋势表明,ρ(PM_2.5)具有明显的日变化特征,出现2个峰值,高峰值出现在午夜时分(23:00—翌日01:00),次高峰值出现在上午(09:00—11:00),最低值出现在下午(15:00—17:00),次低谷值则出现在凌晨(05:00—07:00),说明ρ(PM_2.5)除与混合层高度日变化特征密切相关外,还与人们的日常生活有一定联系.      

京津冀典型城市一次重污染过程特征及边界层结构变化对其影响

为探究典型重污染过程的污染特征与大气边界层结构演变规律,基于PM_2.5采样数据、气象观测数据及WRF-Chem模式,以北京市和石家庄市2016年12月27日—2017年1月10日一次重污染过程为研究对象,对气象要素、PM_2.5化学组分、天气背景场、边界层结构演变特征,以及大气边界层结构变化对ρ(PM_2.5)及其主要化学组分的影响进行分析.结果表明:①研究期间,北京市和石家庄市ρ(PM_2.5)分别为(165.63±110.89)(247.67±95.22)μg/m3,石家庄市污染程度高于北京市;高空纬向环流和地面弱高压控制的天气背景场,低于1.75 m/s的风速以及超过75%的相对湿度是造成北京市与石家庄市重污染的不利气象条件.②重污染时段北京市与石家庄市SNA(SO₄2-、NO₃-、NH₄+三者的统称)与碳质组分(OC、EC)占比之和超过76%,是PM_2.5中的两大主要组分;重污染时段ρ(SNA)占比明显上升,北京市与石家庄市ρ(SNA)占比由非重污染时段的42.23%、45.93%分别升至重污染时段的58.87%、59.62%;北京市与石家庄市ρ(OC)/ρ(EC)分别为5.13、3.51,表明在重污染时段两城市存在明显的二次有机气溶胶污染.③WRF-Chem模式模拟结果表明,PM_2.5污染严重时北京市与石家庄市在300~500 m处均出现明显的逆温,垂直风场主要表现为低层偏南风顺时针向上切变为偏西风,切变高度在400~1 000 m,逆温层结与明显垂直风切变的边界层特征共同抑制了污染物的湍流与扩散.④北京市与石家庄市重污染时段的PBLH(Planetary Boundary Layer Height,大气边界层高度)日均值与非重污染时段相比分别下降了202、128 m,PBLH每下降100 m,北京市与石家庄市ρ(PM_2.5)分别上升18.81、29.85 μg/m3,PBLH下降是导致两城市ρ(PM_2.5)快速上升的重要因素.北京市与石家庄市的PBLH与PM_2.5组分质量浓度之间的相关性不同,北京市PBLH与ρ(SNA)的相关性高于与碳质组分质量浓度的相关性,石家庄市PBLH与ρ(EC)相关性最高,表明此次重污染过程中北京市PM_2.5污染特征以二次形成为主,而石家庄市以一次排放为主.研究显示,北京市与石家庄市此次重污染过程与大气边界层结构变化密切相关.      

驻马店市区采暖季PM2.5时间和空间来源解析研究

为了明确驻马店市区PM_2.5污染特征及贡献源类,2019年1—3月在驻马店市区2个采样点采集PM_2.5样品,分析了其化学组分特征;结合PMF和后向轨迹模型构建了PM_2.5的时间和空间来源解析方法,并对该解析方法进行应用.结果表明:①采暖季,驻马店市区环境空气中ρ(PM_2.5)平均值为117 μg/m3,NO₃-和OC是其主导组分;ρ(OC)和ρ(EC)分别达18.2和5.2 μg/m3,且ρ(OC)/ρ(EC)平均值为3.5,说明机动车源和燃煤源的影响较明显.②ρ(SO₄2-)与ρ(NO₃-)相关性显著(R=0.80,P < 0.01),表明SO₄2-和NO₃-具有较高的同源性.③重污染过程中ρ(SNA)(SNA为SO₄2-、NO₃-和NH₄+三者统称)平均值为61.5 μg/m3,显著高于清洁期;重污染过程中硫氧化率(SOR)和氮氧化率(NOR)分别达0.42和0.39,说明存在明显的二次离子生成过程.④重污染过程中Si、Al、Mg等地壳类元素的浓度和占比均高于清洁期,说明重污染过程中扬尘源的贡献可能较高.⑤来源解析结果表明,二次源是采暖季PM_2.5的最大贡献源,贡献率为32.6%,其次为扬尘和生物质燃烧混合源(26.4%)、机动车源(21.4%)、燃煤源(13.2%)和工业源(6.3%);两次重污染过程中的最大贡献源分别为二次源(54.5%)和机动车源(46.2%),清洁期的主要贡献源主要为二次源(45.2%)和燃煤源(29.8%).从空间变化来看,扬尘和生物质燃烧混合源对天方二分厂的贡献率(29.3%)明显高于对彩印厂的贡献率(23.3%),而燃煤源对彩印厂的贡献率(16.5%)高于对天方二分厂的贡献率(10.1%),其他源类的贡献率相差不大.正东、东南以及西北方向是彩印厂和天方二分厂各类源的主要贡献方向.研究显示:二次源是采暖季、重污染期间和清洁期最大的贡献源;相比于清洁期,重污染期间扬尘和生物质燃烧混合源贡献增加.源类贡献存在空间差异,正东、东南及西北方向是采样点各类源主要贡献方向.      

2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征

乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ（PM_2.5）、ρ（PM₁₀）监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM_2.5、PM₁₀的时空分布特征.结果表明:ρ（PM_2.5）从2015年（66.60 μg/m3）到2016年（76.93 μg/m3）呈上升趋势,在2016—2018年呈单一下降趋势;ρ（PM₁₀）从2015年（132.74 μg/m3）到2016年（125.93 μg/m3）呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ（PM_2.5）、ρ（PM₁₀）平均值比城市中心（商业区、居民区）分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ（PM_2.5）、ρ（PM₁₀）均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ（PM_2.5）/ρ（PM₁₀）呈先增后降的趋势,冬季以PM_2.5污染为主,其他季节以PM₁₀污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系.      

2018年冬季淄博市一次沙尘天气颗粒物污染特征研究

2018年11月底淄博市经历了一次沙尘影响下的大气重污染过程,为研究此次重污染过程形成机制,分析了淄博市ρ(PM₁₀)和ρ(PM_2.5)及PM_2.5化学组分特征,并利用PMF模型和后向轨迹模型对颗粒物的来源进行研究.结果表明:①污染期间,ρ(PM₁₀)和ρ(PM_2.5)小时平均值分别为(259±111)和(133±51)μg/m3,分别是污染后ρ(PM₁₀)〔(88±38)μg/m3〕和ρ(PM_2.5)〔(36±14)μg/m3〕的2.9和3.7倍.②受沙尘的影响,Ca2+、Mg2+、Al、Mg、Ca、Si等代表沙尘源的离子和元素组分的质量浓度在PM_2.5中占比均高于污染后.③ 72 h后向轨迹结果表明,除受西北方向沙尘传输气流影响外,局地盘旋的当地气流也增加了污染物的累积,此次大气污染过程是本地污染物累积及西北沙尘传输共同作用形成的.④ PMF模型解析表明,污染期间扬尘源是PM_2.5的首要贡献源类,贡献率达33.61%,说明沙尘过境对此次污染过程有较大贡献;污染后工业源贡献显著增高,成为主要污染源,贡献率为22.71%,体现了淄博市是重工业城市的特点.研究显示,淄博市此次重污染过程颗粒物来源复杂,除受本地区域污染影响外,外来沙尘过境贡献也较大.      

北京冬季一次重污染过程的污染特征及成因分析

为了研究北京冬季重污染过程的污染特征及形成原因,选取2013年1月9~15日一次典型重污染过程,对污染期间气象要素、大气颗粒物组分特征和天气背景场进行综合研究.结果表明,此次大气重污染过程中PM₁₀和PM_2.5平均质量浓度分别为347.7μg/m³和222.4μg/m³,均超过环境空气质量标准(GB3095-2012)中规定的日均二级浓度限值.重污染时段PM_2.5中NH₄⁺、NO₃^-和SO₄^2-质量浓度之和占PM_2.5质量浓度的44.0%,OC/EC的平均比值为5.44,说明二次无机离子和有机物对此次污染过程中PM_2.5贡献较大.稳定的大气环流背景场、高湿度低风速的地面气象条件和低而厚的逆温层导致北京地区大气层结稳定,加上北京三面环山的特殊地形结构,是造成此次大气重污染过程的主要原因.     

济南市冬季一次典型重污染过程分析

为掌握济南市重污染天气发生规律,从而更好地为重污染天气预报预警和大气污染防治提供参考,采用空气质量监测数据、气象观测资料、雷达探测资料及轨迹模式模拟相结合的方法,对济南市2016年12月31日-2017年1月7日的持续性重污染过程,从污染演变过程、环流背景分析、气象要素特征和区域污染传输等多方面分析其形成原因及主要影响因素.结果表明:此次重污染过程期间首要污染物为颗粒物,ρ（PM₁₀）平均值为318 μg/m3,ρ（PM_2.5）平均值为200 μg/m3;地面风速在0.6~1.8 m/s范围内,风力均为1~2级,相对湿度为68%~95%,平均相对湿度为81%.在重污染过程中,从地面至800 m左右高度始终维持较强逆温层,逆温频次高达91.1%,污染边界层高度较低,大部分时间都在500 m以下.采用情景模拟分析方法计算得到,区域输送对济南市PM_2.5的贡献率为20%~35%.研究显示:此次重污染过程是在区域性污染背景下由本地不利的扩散条件造成的,静稳大气形势提供有利的环流背景,平流雾、辐射雾交替产生,持续性的高湿加重了污染程度;近地面的静风、高湿,垂直方向的双逆温层甚至多逆温层的结构是影响此次重污染过程的重要气象要素;区域性污染传输对此次重污染天气的发展有显著贡献,污染初期主要来自河北省中南部的输送,随着污染加重,有来自偏南、偏东方向的局地气团输送.      

2015年“十一”期间北京市大气重污染过程分析

采用垂直观测、地面观测、PM_2.5化学组分观测和气团轨迹分析等手段,对2015年10月份北京市一次大气重污染过程进行了分析.结果表明,重污染时近地面层气溶胶消光系数升高,污染物主要积聚在600m以下.重污染期间气象要素特征为：风场弱,湿度大,地面受弱气压场控制,边界层高度极低.重污染期间不同站点PM_2.5浓度变化趋势和峰值出现时间较为一致;大部分时段PM_2.5中NO₃^-浓度明显高于其他组分;周边区域受重污染的影响面积相对较小,高浓度区主要集中在北京市及近周边地区.多手段的观测结果以及PM_2.5浓度与气象要素和各化学组分的相关性分析的结果均表明：区域传输,包括秸秆焚烧,对本次北京市重污染天气过程具有一定的影响,但本地机动车排放在不利气象条件下的积累、二次转化以及垂直方向空间的极端压缩是导致重污染的主要原因.     

2013~2014年北京大气重污染特征研究

从污染物浓度的时间变化、空间分布以及大气污染类型等方面,对2013~2014年北京大气重污染过程进行了分析,并初步探讨其影响因素.结果表明:2013~2014年北京共出现大气重污染105d,重污染频率为14.4%.其中,首要污染物为PM_2.5的天数为103d,首要污染物为PM₁₀和O₃各有1d;冬半年重污染天数占全年的76.2%.重污染气象要素特征主要表现为风速小、湿度高、能见度低.重污染日PM_2.5/PM₁₀浓度比值为91.3%,明显高于全年平均水平,表明重污染时颗粒物以细颗粒物为主.北京大气重污染区域分布表现为南高北低,平原高、山区低的总体特征,交通站重污染天数普遍高于市区其它站点.北京大气重污染主要表现为积累型、光化学型、沙尘型以及复合型等类别;其中积累型大气重污染往往伴有区域污染水平的整体升高,PM_2.5组分中NO₃^-、SO₄^2-、NH₄⁺等水溶性二次离子的浓度增幅最为明显;O₃污染在近两年有加重的趋势.     

2013—2018年北京市大气PM2.5持续高暴露对居民因病入院的急性影响

为探讨以细颗粒物（PM_2.5）持续高浓度暴露为特征的大气污染事件对于人群因病入院的急性影响,收集2013—2018年北京市大气PM_2.5浓度、气象因素数据和人群因病入院数据,以PM_2.5浓度〔75.0 μg/m3、150.0 μg/m3、第95百分位数（205.8 μg/m3）〕和持续时间（≥2 d、≥3 d）联合定义6种持续高暴露情景,采用基于quasi-Poisson回归的广义相加模型开展时间序列分析,获得不同情景下PM_2.5对人群因病入院的急性影响.结果表明:①对于全人群研究发现,相较于非持续高暴露情景,持续2 d及以上的重污染（PM_2.5浓度>150.0 μg/m3）情景引起非意外总疾病和心脑血管系统疾病的发病风险均显著增加,增幅分别为5.0%（95% CI,1.2%~9.0%）和5.6%（95% CI,1.8%~9.5%）.②亚组人群分层分析发现,持续2 d及以上的重污染情景下,男性、女性、0~64岁、65~74岁、75岁及以上等亚组人群的非意外总疾病和心脑血管系统疾病的发病风险均显著增加;当出现极端PM_2.5暴露浓度（>205.8 μg/m3）且持续3 d以及上时,女性和0~64岁、65~74岁人群的非意外总疾病和心脑血管系统疾病的发病风险均显著增加.③因呼吸系统疾病入院分析发现,仅在PM_2.5浓度>150 μg/m3且持续时间≥2 d的情景下,观察到0~64岁人群的发病风险显著增加,增幅为3.4%（95% CI,0.2%~6.6%）.研究显示,以PM_2.5持续高暴露为特征的大气污染事件对人群因病入院有显著影响.      

京津冀及周边地区秋冬季PM2.5爆发式增长成因与应急管控对策

京津冀及周边地区秋冬季大气重污染过程频发,而在一些污染过程中PM_2.5会呈现爆发式增长特征,受到社会、公众的广泛关注,但现阶段针对PM_2.5爆发式增长的成因仍缺乏系统性的认知.对京津冀及周边地区在2015-2019年秋冬季（10月-翌年3月）大气重污染过程进行整理分析,并以2016年12月16-22日和2019年1月10-14日两次典型重污染过程中的PM_2.5爆发式增长为典型案例进行成因解析,归纳得出PM_2.5爆发式增长的主要原因为本地积累、区域传输和二次转化.对于北京市,PM_2.5爆发式增长通常不是上述某一原因独立导致,而是三者综合作用的结果.对于主要由本地积累引起的PM_2.5爆发式增长,应提前采取预警应急措施,降低ρ（PM_2.5）峰值;对于主要由区域传输引起的PM_2.5爆发式增长,应开展区域应急联动,降低传输通道沿线城市对ρ（PM_2.5）累积的贡献;对于主要由二次转化引起的PM_2.5爆发式增长,应通过一次颗粒物和SO₂、NO_x、VOCs等气态污染物的协同减排,降低高湿条件下污染物二次转化的影响.在2016年12月16-22日的大气重污染过程期间,京津冀及周边地区通过采取上述应急管控对策,减少了主要污染物排放量,有效降低了ρ（PM_2.5）峰值.建议可根据各地PM_2.5爆发式增长的具体成因,通过提前采取重污染天气预警应急措施、区域应急联动和多污染物（一次颗粒物、SO₂、NO_x、挥发性有机物等）协同减排等应急管控对策,有效减少PM_2.5爆发式增长的次数、降低PM_2.5爆发式增长的速率,减缓大气重污染的发生和发展.      

持续鞍型场导致的西安市PM2.5重污染过程分析

为了解鞍型场对西安市PM_2.5重污染过程的影响.以西安市2016年2月6—14日重污染过程ρ（PM_2.5）及气象要素的小时变化为研究对象,综合分析了此次重污染过程特征、天气型以及气象要素变化.结果表明:①西安市此次重污染过程可分为污染上升阶段（6—7日）、污染维持阶段（8—11日）及污染减轻阶段（12—14日）,3个阶段分别处于均压场、鞍型场、高压前部等天气型的影响下.②此次鞍型场发生时,天气持续静稳,气压梯度力小,且西安市处于气流的辐合地带,导致污染物的形成和积累,ρ（PM_2.5）最高值达198 μg/m3.③在鞍型场的控制下,西安市日均气温维持在偏高的水平（最高达7.2℃）,相对湿度呈上升的趋势,最高达86.5%;而风速和能见度则波动下降,平均风速和能见度最低值分别为0.8 m/s和0.5 km.高温、高湿、小风的气象条件有利于污染物的吸湿增长从而导致PM_2.5重污染.④受鞍型场的影响,西安市边界层高度较低,最低时只有55 m,且逆温层较厚,强度较大,最大值达3.8℃/（100 m）,极低的边界层高度和较厚的逆温层削弱了污染物的垂直扩散能力,污染物被抑制在近地面,形成较严重的污染.研究显示,鞍型场天气型导致的均压场、暖湿、静风、低边界层及强逆温层是此次西安市PM_2.5重污染过程的重要原因.      

京津冀区域典型重污染过程与反馈效应研究

以京津冀地区2014年10月5~12日一次重污染过程为例,采用飞机AMDAR数据和WRF-Chem模式,分析了大气边界层垂直结构与PM_2.5的时空演变规律,定量研究了气溶胶直接反馈效应对多种气象要素的影响.结果表明：此次重污染过程地域范围广、持续时间长、影响强度大,PM_2.5污染呈带状分布,主要受地面均压场和高空纬向环流形成稳定的大气环流背景场、垂直层风场及逆温共同影响.气溶胶直接反馈效应导致京津冀地区整个时段太阳辐射量降低39.80W/m²,气温下降0.34℃,边界层高度降低36.64m,相对湿度升高0.90%.反馈效应南部地区较北部更显著,污染日强于平均时段和清洁天,气溶胶的辐射反馈作用使得各气象要素均呈现不利于污染物扩散的趋势,造成气溶胶聚集区PM_2.5浓度进一步增加.