常州市冬季大气污染特征及潜在源区分析

为了解常州市冬季大气污染特征,对2013—2015年常州市冬季PM_2.5、PM₁₀、SO₂、NO₂、CO数据进行分析,并结合HYSPLIT 4.9模式研究不同气团来源对常州市各污染物浓度的影响及潜在污染源区分布特征.结果表明,常州市冬季以PM_2.5污染为主,其占冬季首要污染物的90%以上,冬季PM_2.5小时浓度对应的空气质量级别以良和轻度污染出现频次最多,冬季的ρ（PM_2.5）对ρ（PM_2.5）年均值的贡献率高达37.4%,不完全燃烧是颗粒物的一个重要来源.冬季ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（CO）的日变化均呈双峰分布,两个峰值分别出现在交通的早高峰和晚高峰附近.ρ（NO₂）在晚高峰明显大于早高峰,而ρ（SO₂）和ρ（CO）表现为早高峰大于晚高峰.常州市CO/NO_x和SO₂/NO_x的分析结果表明,常州市交通源的贡献明显,点源对常州市的空气质量的影响也较大.1和6 h的ρ（PM_2.5）梯度变化可判识细颗粒物的爆发性增长.冬季常州市受到西北、西和西南等地区的大陆性气流影响较大,其对应的ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（CO）平均值相对较高,且对应的污染轨迹出现概率较大.偏东方向的气流由于移动速度慢,不利于污染物扩散易造成污染累积,导致ρ（PM_2.5）、ρ（SO₂）和ρ（NO₂）相对较高.WPSCF（源区分布概率）高值区（>0.5）集中于从芜湖至上海的长江中下游区域和杭州湾区域.PM_2.5、PM₁₀、SO₂、NO₂和CO潜在源区存在较大差异性,NO₂、SO₂和CO本地化的潜在贡献较PM_2.5和PM₁₀更明显.此外,受船舶等影响海洋源区对NO₂、SO₂和CO的潜在贡献较大.研究显示,长三角区域的大气污染物以本地污染为主,但远距离污染输送贡献也不容忽视.      

沙尘天气对兰州市大气污染物置换和叠加作用

本文分析了2014~2015年兰州市春季沙尘天气期间颗粒污染物PM₁₀、PM_2.5及气态污染物SO₂、NO₂、CO和O₃质量浓度的演变规律.结果表明,沙尘天气造成PM₁₀和PM_2.5浓度上升,而SO₂、NO₂和CO浓度表现为降低（置换型）或升高（叠加型）,O₃浓度受沙尘天气影响不明显.置换型的PM₁₀和PM_2.5平均质量浓度分别为1086.9和286μg/m³,SO₂、NO₂和CO平均质量浓度分别为16.7、41.0和1.02×103μg/m³.叠加型的PM₁₀和PM_2.5平均质量浓度分别为383.2和116.2μg/m³,SO₂、NO₂和CO平均质量浓度分别为24.5、49.1和1.19×103μg/m³.置换型的PM₁₀和PM_2.5平均质量浓度分别为叠加型的2.8和2.4倍,叠加型的SO₂、NO₂和CO平均质量浓度分别为置换型的1.47、1.2和1.17倍.置换型对应的气象条件为近地面东北方向大风、显著降温和高压,即强冷空气活动时,PM₁₀和PM_2.5浓度上升,而SO₂、NO₂和CO浓度显著减小,沙尘源地主要为塔克拉玛干沙漠和青藏高原北部地区,影响气流多为1500~6000m高空西北气流.叠加型则为近地面东北风向弱风,气温和气压无明显波动,即弱冷空气活动时,初期PM₁₀和PM_2.5浓度上升,同时SO₂、NO₂和CO浓度略下降,而后PM₁₀和PM_2.5维持高值时SO₂、NO₂和CO浓度亦上升,沙尘源地主要为巴丹吉林沙漠,影响气流多为1500m以下低空西北气流.     

基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用

建立空气质量预报模型，预测污染物浓度对人类健康和社会经济发展具有重要意义。然而，传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想。对此，本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正模型，并使用哈里斯鹰算法(HHO)对模型的超参数进行优化；用CMAQ模型对上海市2022年12月六种大气污染物(SO₂、NO₂、PM₁₀、PM_2.5、O₃、CO)浓度的预报数据以及监测站的气象数据和污染物浓度实测数据作为HHO-CNN-LSTM模型的输入，对CMAQ模型预报结果进行修正。使用均方根误差(RMSE)、平均绝对误差(MAE)和一致性指数(IOA)作为评价指标。结果显示，修正模型显著提高了六项污染物浓度的预测精度，RMSE减少了73.11%～91.31%,MAE减少了67.19%～89.25%,IOA提升了35.34%～108.29%。同时针对HHO算法陷入局部最优而导致修正模型对CO浓度预测效果不佳的问题，使用高斯随机游走策略对HHO算...     

2018年吉林市大气污染物浓度变化及其与气象因素的相关性分析

采用统计学方法、Pearson相关系数法和线性回归法研究分析了2018年吉林市大气污染物SO₂、NO₂、PM₁₀、PM_2.5、CO和O₃浓度的变化特征、污染物浓度之间的相关性以及污染物与气象因素的相关性。结果表明:1）吉林市大气环境中O₃、PM₁₀和PM_2.5日均值超标率分别为1.06%、3.27%和7.14%,颗粒物、O₃及其前体物质为治理重点;CO、SO₂、NO₂、PM₁₀和PM_2.5春、冬季污染较重,夏季污染最轻;大气环境中的污染物浓度随季节、时刻及人类活动发生周期性变化;2）PM₁₀和PM_2.5、PM_2.5和CO、NO₂和CO浓度之间高度相关（相关系数r均>0.8）,并建立了其预测线性模型;3）污染物（O₃除外）浓度与温度、风速和混合层高度呈负相关,与气压呈正相关;降水对SO₂、PM₁₀和PM_2.5浓度具有一定的削减作用,降水后其浓度减少的次数占总降水次数的68.75%、84.38%和78.13%;吉林市污染最严重的颗粒物受气象因素中混合层高度、风速和降水影响较大。该研究成果可为日后吉林市开展大气污染治理、区域大气环境容量测算、空气污染潜势预报等研究提供参考。     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.      

基于XGBoost算法的WRF-Chem模式优化模拟

采用人工智能算法XGBoost结合大气化学模式WRF-Chem,利用北京地区大气污染物的模拟结果及站点监测数据,构建XGBoost统计预报算法模型,并对两种大气污染物（PM_2.5和O₃）进行优化模拟,同时分析其特征贡献要素.结果表明,该统计预报模型能够很好地优化大气化学模式模拟的大气污染物浓度,降低模拟误差,对于北京地区站点模拟浓度优化呈现出城区>近郊>远郊的优化特点,且算法模型对O₃浓度优化程度更高,优化后相关系数提高达128%.此外,通过特征要素的贡献量分析表明,CO是影响O₃优化的重要特征变量,城郊区特征贡献得分均高达1000以上,Q2（近地面2m比湿）是影响PM_2.5优化的重要气象特征变量,城郊区特征贡献得分分别为950和824.     

基于空气质量监测数据的钢铁行业污染源识别方法

京津冀及周边地区等重点区域已经建立具有高时空分辨率特点的空气质量监测网,但监测数据主要用于环境空气质量评价,在大气污染来源识别中应用较少.采用特征雷达图中的双重归一化算法对区域上2018～2019年秋冬季空气质量监测数据中的SO₂、 NO₂、 CO、 PM_2.5和粗颗粒物(PM₁₀与PM_2.5的浓度差值)这5种因子进行分析,识别出偏SO₂、偏NO₂、偏CO、偏PM_2.5、偏粗颗粒物、偏SO₂-CO、偏NO₂-CO和偏PM_2.5-CO这8种典型污染特征.以偏SO₂-CO特征为例,结合污染特征时空分布、主要污染源排放特征和PM_2.5源解析,判断该特征下对空气质量影响最突出的污染源,并将该方法用于一次典型污染过程的分析.结果表明,研究时段内偏SO₂-CO特征的平均占比为7.6%.（1）偏S...     

兰州市空气污染对儿童呼吸疾病的影响

探讨兰州市空气污染对不同性别和年龄的儿童呼吸疾病就诊人数的影响以及季节性变化.通过收集2013~2017年兰州市空气污染物PM_2.5、PM₁₀、SO₂、NO₂、CO和O₃8h浓度数据、气象数据及3家三甲医院儿童呼吸疾病门诊资料,采用广义相加模型（GAM）控制星期几效应、气象因素、假期效应等混杂因素,分析空气污染物浓度与儿童呼吸系统疾病日门诊量的关系及滞后效应.研究期间,兰州市3家三甲医院儿童呼吸系统疾病日门诊量平均为387人次,范围1~1413人次.单污染物模型结果显示,PM_2.5、NO₂、SO₂、CO均在累积滞后一天（lag01）时效应量达到最大值,其浓度每增加10μg/m³（CO单位为1mg/m³）,儿童呼吸系统疾病就诊人次的超额危险度（ER）及95%可信区间（95% CI）分别为0.245%（95% CI：0.127%~0.363%）,0.568%（95% CI：0.327%~0.808%）,1.661%（95% CI：1.022%~2.302%）,2.245%（95% CI：1.610%~2.883%）;PM₁₀和O₃8h在各滞后天数均无统计学意义.对不同性别、年龄、季节分析发现,性别分层中PM_2.5对女童的影响略高于男童,NO₂、SO₂和CO的影响男童略高于女童;年龄分层发现PM_2.5、NO₂和CO的影响6~14岁组大于0~5岁组,SO₂的影响0~5岁组大于6~14岁组;季节分层中PM_2.5、NO₂、SO₂和CO对门诊量的影响只在冬季有意义,PM₁₀和O₃8h在各个季节均无意义.双污染物模型结果显示,分别调整其他5种污染物后,PM₁₀和O₃8h对儿童呼吸系统疾病门诊量的增加均无统计学意义;调整PM₁₀和O₃8h后,其他污染物呼吸系统疾病门诊量的增加均有统计学意义.兰州空气污染物（PM_2.5、NO₂、SO₂、CO）与呼吸系统疾病门诊量密切相关,并且SO₂和CO浓度增加更易增加儿童呼吸系统疾病的发病风险.性别、年龄和季节对空气污染物和呼吸系统疾病门诊就诊人次的关系有影响.     

排放和气象对疫情前后武汉不同类型点位大气污染物的影响

采用随机森林算法剥离了排放和气象对6种大气污染物(SO₂、 NO₂、 CO、 PM₁₀、 PM_2.5和O₃)浓度的贡献,识别了疫情前后武汉市中心城区、郊区、工业区、三环线交通点和城市背景点这5种类型点位的大气污染物浓度变化.结果表明,与管控前相比,管控期间PM_2.5/CO、 PM₁₀/CO和NO₂/CO分别减小了10.8～21.7、 9.34～24.7和14.4～22.1倍,表明排放对PM_2.5、 PM₁₀和NO₂贡献减小;O₃/CO增加了50.1～61.5倍,表明二次生成增加明显.解除管控后排放对各类污染物的贡献均增加.管控期间,受一些不可间断工序的运行影响,工业区PM_2.5降幅最小(20.5%).与管控期间相比,解除管控后居民生活、交通出行和工业生产等基本恢复,使5种类型站点PM_2.5     

2017—2020年武汉市大气污染物时空分布特征研究

为进一步了解武汉市大气污染时空分布特征,对2017—2020年武汉市主要大气污染物(PM_2.5、PM₁₀、SO₂、CO、NO₂和O₃)进行了空间插值分析、时间变化分析以及与气象要素的相关性分析。结果表明：武汉市近4年环境空气质量达标率为72.98%。PM_2.5、PM₁₀、SO₂、CO和NO₂具有“冬高夏低”的“V”形特征,O₃呈“夏高冬低”的变化趋势。武汉市年均质量浓度超标的大气污染物主要有PM_2.5和PM₁₀,但其年均质量浓度均呈下降趋势,而O₃是年均质量浓度唯一处于上升状态的大气污染物,今后应重点关注颗粒物与臭氧污染。PM_2.5、PM₁₀、SO₂、CO和NO₂主要集中在武昌区、蔡甸区、青山区、江汉区、江岸区,而O<...     

广州市多污染物联合暴露的健康效应评估

本研究应用贝叶斯核机器回归(BKMR)分析了广州市2015~2018年大气主要污染物(SO₂、NO₂、PM₁₀、PM_2.5、CO和O₃)与非意外死亡之间的联合健康效应。结果表明,6种污染物对健康结局均存在较大影响。随着其它污染物固定百分位数浓度的增加,SO₂、O₃或NO₂的浓度从第25百分位数变化到第75百分位数导致的效应值的绝对值逐渐升高;相反,PM_2.5、CO或PM₁₀的浓度从第25百分位数变化到第75百分位数导致的效应值的绝对值逐渐减少。在累积滞后0~1d时,多种空气污染物的混合暴露对非意外死亡人数的影响效应值为正,与最低浓度相较,当所有污染物的浓度增至第90百分位数时,人数非意外死亡人数将增加21.98%(95%CI:3.04%,44.41%)。通过应用BKMR模型,本研究证实多种污染物的暴露可对广州市人群公共健康造成联合的综合影响。在污染物的防控治理上,不仅需要针对当地主要空气污染物,还需加强对多污染物暴露的防控。     

云浮市2018—2020年颗粒物和臭氧污染特征及污染案例研究

为探究云浮市颗粒物和臭氧(O₃)污染特征,利用多元统计分析方法分析了云浮市2018—2020年6项环境空气污染物浓度、气象因子等监测数据,并对2020年12月25—29日冬季PM_2.5和O₃污染过程进行了研究. 结果表明:①PM_2.5、PM₁₀、NO₂、CO月均浓度呈夏季低、冬季高的变化特征;O₃-8 h第90百分位数呈夏秋季高、冬春季低的变化特征. ②PM₁₀、PM_2.5和CO小时浓度日变化呈波浪型变化特征,PM_2.5、CO小时浓度最大值均出现在09:00,PM₁₀小时浓度最大值出现在02:00. O₃、SO₂小时浓度日变化呈单峰型变化特征,O₃、SO₂小时浓度最大值分别出现在16:00、10:00. NO₂小时浓度日变化呈单谷型变化特征,最小值出现在14:00. ③PM_2.5-10、SO₂、NO₂、O₃小时浓度与PM_2.5小时浓度均呈正相关,说明PM_2.5-10、SO₂、NO₂、O₃与PM_2.5具有一定程度的同源性. O₃小时浓度与NO₂、CO小时浓度呈负相关,且O₃小时浓度与NO₂小时浓度相关性更强. 夏秋季NO₂、CO、O₃、PM_2.5小时浓度与气温的相关性比冬春季的更强. SO₂、PM₁₀、PM_2.5、O₃小时浓度均与湿度呈负相关,其中O₃小时浓度与湿度的相关性最强,相关系数为?0.586. ④2020年12月25—29日云浮市城区PM_2.5污染受到静稳天气影响,O₃污染与28日午后太阳高温辐射以及来自珠三角地区O₃污染气团的输入影响有关. 利用ART-2a对该时段采集的颗粒物进行成分分析,得到K、EC、OC、ECOC、HM、LEV、Na、SiO₃这8种单颗粒物. 整个时段EC、OC、ECOC谱图中都存在明显的硫酸盐峰和硝酸盐峰. PM_2.5小时浓度与硫酸盐离子、硝酸盐离子、硅酸盐离子、铵离子、氯离子的数量均呈显著正相关,二次反应和老化过程对PM_2.5污染有显著影响. 研究显示,云浮市PM_2.5和O₃复合污染防控需要关注本地污染物变化特征和排放源影响,也需关注外来污染气团特别是来自珠三角地区污染气团输入的影响.      

南京城区冬季大气污染特征

为探究南京城区冬季主要大气污染物浓度变化规律,运用南京市空气自动监测站的φ(CO)、φ(O₃)、φ(NO₂)、φ(SO₂)、ρ(PM_2.5)和ρ(PM₁₀)逐时资料,结合同期气象数据,分析了2014年冬季(2014年12月—2015年2月)南京城区大气污染浓度水平和变化特征,探讨2015年春节期间在实施减排措施下气象条件对空气质量的影响.结果表明:① 观测期φ(CO)日均值和φ(O₃)小时均值未超过GB 3095—2012《环境空气质量标准》二级标准限值;ρ(PM_2.5)、ρ(PM₁₀)、φ(NO₂)、φ(SO₂)日均值分别超标44%、38%、34%、2%;ρ(PM_2.5)、ρ(PM₁₀)最大日均值分别为231和283 μg/m3,分别是GB 3095—2012二级标准限值的3.1、1.9倍. ② 日变化分析显示,φ(CO)与φ(NO₂)呈早晚双峰型变化,与早晚交通高峰源排放有关;φ(O₃)呈明显的单峰型,在午后出现峰值;φ(SO₂)呈单峰型且夜间浓度低于白天;ρ(PM_2.5)和ρ(PM₁₀)为双峰型变化,峰值出现在10:00和22:00左右. ③ 南京地区污染物周末浓度整体高于工作日,其中周末φ(CO)、φ(NO₂)和ρ(PM_2.5)显著高于工作日,“周末效应”显著. ④ 2015年春节期间,南京实施减排措施后,即使在不利的气象条件下,污染物浓度也未出现明显升高,说明减排措施有效削弱了污染源的排放,是保持南京地区良好空气质量的重要因素.      

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.     

广州城区近地面层大气污染物垂直分布特征

为更好地了解广州城区近地面层大气污染物的扩散与输送过程,利用广州塔4层大气污染物垂直梯度观测平台(高度分别为地面、118、168和488 m)于2014年1月—2015年12月对多种大气污染物进行连续观测,分析了广州城区近地面层大气污染物的垂直分布特征.结果表明:①ρ(PM₁₀)、ρ(PM_2.5)、ρ(PM₁)、ρ(NO₂)和ρ(NO)随高度的上升而降低,其中ρ(PM₁₀)、ρ(PM_2.5)和ρ(PM₁)在低层(地面点位)—高层(488 m点位)的递减率分别为35%、30%和26%,ρ(NO₂)和ρ(NO)分别为75%和84%;ρ(O₃)随高度上升而增加,其低层—高层的增长率为135%;ρ(SO₂)和ρ(CO)则随高度上升先增后减.②除ρ(O₃)外,其余污染物浓度均符合“冬强夏弱”的季节特征,ρ(O₃)则在夏秋季较高,春冬季较低.冬季ρ(PM₁₀)、ρ(PM_2.5)、ρ(NO₂)和ρ(NO)高、低层间差异为全年各季最大,分别为38.6、18.5、49.4和31.9 μg/m3.③各污染物小时浓度日变化特征均不同程度地受混合层发展过程的影响,各高度污染物浓度在一天中混合层高度最高的时段(12:00—17:00)最接近,而在其余时段分层较明显.除O₃外,其余污染物质量浓度在中、低层大致呈早晚双峰分布,而在高层大致呈单峰分布.ρ(O₃)则在各层均保持单峰分布,峰值一致出现在14:00.④对一次典型污染过程分析发现,不同高度的ρ(PM_2.5)和ρ(NO₂)最大差值分别可达183.0和148.0 μg/m3,ρ(PM_2.5)显著地受到本地近地面污染源的影响,污染物高浓度区域主要集中在488 m以下.      

基于WRF-Chem模拟验证的天水市主城区大气污染源排放清单

通过部门调研、现场调查和遥感解译等方法获取天水市主城区大气污染源活动水平数据,采用排放因子法估算了天水市主城区 10类污染源的9种污染物排放量,构建了2019年天水市主城区高分辨率排放清单,并采用横向比较法和模式验证法评估了排放清单的合理性.结果表明:(1)2019年天水市主城区 SO2、NOx、CO、VOCs、NH3...