南京市大气PM2.5时空分布特征与潜在源区贡献分析

对2017年南京市区7个自动空气质量监测点的PM_(2.5)质量浓度ρ(PM_(2.5))数据进行分析,采用克里金(Kringing)空间插值法、气流运动轨迹聚类、潜在源贡献因子法(PSCF)和浓度权重轨迹分析法(CWT)探讨了四季大气中ρ(PM_(2.5))的时空分布特征和潜在来源。结果显示,四季大气中ρ(PM_(2.5))均值由高到低依次为冬季(65. 54μg/m~3)、春季(41. 70μg/m~3)、秋季(35. 18μg/m~3)和夏季(23. 56μg/m~3),秦淮区四季大气中ρ(PM_(2.5))均最高。春季南京大气中ρ(PM_(2.5))易受黄海海岸和北方大陆性输送气流的影响,来自黄海方向的气流轨迹2贡献比例达51. 65%,对应的ρ(PM_(2.5))为50. 91μg/m~3;夏季南京大气中ρ(PM_(2.5))主要受江苏、东部海洋和南部沿海城市输送气流的影响,其中源自江苏的气流轨迹1对南京大气PM_(2.5)贡献比例最大(33. 64%),气流轨迹对应的ρ(PM_(2.5))为35μg/m~3;秋季南京大气中ρ(PM_(2.5))易受短距离的偏北气流影响,来自山西南部,河南中部、安徽中部的气流轨迹5对应的ρ(PM_(2.5))最高,出现概率(21. 11%)和贡献比例(27. 81%)均较高;冬季南京大气中ρ(PM_(2.5))主要受北方大陆性输送气流影响,来自俄罗斯、蒙古国东部、河北北部、北京、天津、山东中部的长距离气流轨迹4对应的ρ(PM_(2.5))最高,达109. 8μg/m~3,其贡献比例为26. 86%。PSCF和CWT分析发现,安徽、山东、浙江与江苏交界和黄海海岸是影响南京市空气质量的主要潜在源区,此外,湖北、北京、天津以及渤海海岸也是南京大气PM_(2.5)的潜在源区。     

2013-2017年成都冬季空气质量状况改善评估

利用2013—2017年冬季成都市国家环境监测子站PM_(2.5)小时数据,结合MICAPS常规气象观测数据及ERA-interim再分析资料,对成都市2013—2017年冬季空气质量状况、气象条件及近10年大气扩散能力进行综合评估.结果发现,2013—2017年成都冬季12月末—1月初易发生持续性重污染事件,2015—2017年冬季持续性重污染事件总天数较2013—2014年有所减少,2013年冬季PM_(2.5)浓度值最高,达到(149.3±72.2)μg·m~(-3),2015年最低((80.7±44.1)μg·m~(-3)),5年内冬季PM_(2.5)浓度值呈波动下降趋势,下降率为9.65%,成都市冬季空气质量状况总体有所改善.2013—2017年成都冬季日降水量清除率表明,大于1 mm的降水对PM_(2.5)有明显清除作用,而弱风和低边界层(加权平均)对PM_(2.5)的累积效应显著,2013和2016年空气质量较差由于累积气象主控导致,2015年空气质量较优是由于清除气象主控.综合PM_(2.5)浓度、边界层高度、地面风速和降水等因子,使用2498个有效样本构建成都地区冬季空气停滞气象条件阈值经验公式,为地面风速小于2.2 m·s~(-1)、边界层高度小于520 m且无有效降水(日降水量1 mm).以2015年冬季大气扩散条件为基准,量化同等扩散条件下减排对PM_(2.5)的影响,结果显示减排有效,但近10年成都地区大气扩散能力有所下降,说明今后大气污染防控将面临更大的挑战.     

风向对北京市重污染日PM_(2.5)浓度分布影响研究

对2013年北京市58 d重污染日PM_(2.5)浓度水平进行了分析,并用克里格插值法统计了重污染期间不同风向PM_(2.5)不同浓度区间的国土面积。结果显示2013年北京市重污染日主要集中在冬季,占到全年天数的15.9%,且重污染日PM_(2.5)平均浓度为218μg/m3;重污染日PM_(2.5)空间分布较为均匀且统计的平均浓度在150μg/m3以上的国土面积约占总面积的82%;重污染期间重度污染(150μg/m3)以上面积占比分别为南风(87%)、东风(81%)、西风(70%)、北风(66%);重污染日不同风向下ρ(NO_3~-)、ρ(NH_4~+)、ρ(SO_4~(2-))之和约占ρ(PM~(2.5))的60%~65%,且各组分浓度相差不大。     

北京市PM_(2.5)和反应性气体浓度的变化特征及其与气象条件的关系

利用2012年全年北京市SO_2、NO_y、O_3、CO和PM_(2.5)监测数据,讨论PM_(2.5)和反应性气体的变化特征及其与气象条件的相关关系.结果表明:北京地区2012年PM_(2.5)平均质量浓度为52.0μg/m~3,年波动范围较大,特别是秋冬两季,呈现出慢累积而快清除的变化特征;NO_y、NO、CO、SO_2与PM_(2.5)质量浓度增减呈相同的变化趋势,O_3变化趋势相反;PM_(2.5)质量浓度0~25μg/m~3之间出现的频率最高,为27%;NO_y、NO、CO、SO_2和PM_(2.5)在风速小于3m/s时,随风速增大均呈显著的下降趋势,其中PM_(2.5)的下降率约为25%/m/s,风速大于3m/s后,污染物下降到较低浓度后趋于平缓;清洁天,相对湿度增大对PM_(2.5)质量浓度的影响不显著,而污染天,在较高相对湿度下,PM_(2.5)的质量浓度迅速升高.     

2014年10月太原市一次空气重污染过程分析

采用数值模拟(CAMx)与污染物、气象观测资料相结合的方式,对太原市及周边区域2014年10月6—12日一次典型空气重污染过程的大气环境背景、气象条件和形成原因进行了分析.结果表明:2014年10月8—10日太原ρ(PM_(2.5))日均值平均为175μg·m~(-3),太原城区约1460km~2的国土面积处于重度污染(ρ(PM_(2.5))150μg·m~(-3))之下,而京津冀约20×104km2的国土面积达到重度污染水平;区域稳定的气象条件是形成重污染的主要原因,重污染过程中大气层结稳定,逆温明显(2.14℃/100m)、风速小(1.91 m·s~(-1))、湿度大(68.13%)、负变压(-0.74 h Pa)、正变温(0.92℃).模拟结果显示,8—10日重污染期间区域输送对太原PM_(2.5)的贡献率在17%~24%之间,太原市PM_(2.5)浓度以本地贡献为主;估算的2014年太原城区PM_(2.5)排放量是其大气环境容量的1.4倍,重污染期间大气环境容量的大幅降低又加剧了空气污染的程度.     

APEC前后北京郊区大气颗粒物变化特征及其潜在源区分析

为分析2014年APE(Asia-Pacific Economic Cooperation)会议前后北京郊区大气颗粒物数浓度和质量浓度的变化特征及其主要影响因素,于当年11月在北京怀柔区中国科学院大学雁栖湖校区教学一楼楼顶利用微量振荡天平(TEOM)、扫描电迁移率颗粒物粒径谱仪(SMPS)和空气动力学粒径谱仪(APS)对大气颗粒物质量浓度和数浓度分布进行连续在线监测;同时结合地面气象参数和HYSPLIT轨迹模式,对颗粒物的来源和传输过程进行聚类、潜在源区贡献因子(PSCF)和浓度权重轨迹(CWT)分析.结果表明,APEC期间(11月5—11日)超细粒子(PM_(0.01～1))数浓度、细粒子(PM_(0.5～2.5))数浓度和粗粒子(PM_(2.5～10))数浓度分别为(17720.1±998.7)、(30.9±3.34)和(0.12±0.01) cm~(-3),比非APEC期间(即11月1—4日和11月12—30日)分别降低了28.8%、58.6%和64.7%;APEC期间ρ(PM_(2.5))为(36.1±2.4)μg·m~(-3),比非APEC期间降低55.5%.PM_(0.5～2.5)数浓度和PM_(2.5～10)数浓度降幅远大于PM_(0.01～1)数浓度,这表明APEC期间的减排措施对于PM_(0.5～2.5)和PM_(2.5～10)的控制效果优于PM_(0.01～1),说明APEC期间对PM_(0.5～2.5)、PM_(2.5～10)数浓度进行了更有效的控制.对北京气流后向轨迹聚类分析发现,来自蒙古国、内蒙古、河北西北部、河北南部方向的气流轨迹对应北京郊区的PM_(0.01～1)数浓度最高,为30593 cm~(-3),来自河北西北部、北京、天津、河北南部方向的气流轨迹对应北京郊区的PM_(0.5～2.5)、PM_(2.5～10)的数浓度及ρ(PM_(2.5))均为最高,分别为190 cm~(-3)、0.65 cm~(-3)、168μg·m~(-3).综合潜在源区贡献因子分析法(PSCF)和浓度权重轨迹分析(CWT)的结果分析发现,观测期间北京PM_(0.01～1)与PM_(0.5～2.5)、PM_(2.5～10)的潜在源区存在明显的区别,其中PM_(0.01～1)数浓度的潜在源区分布区域相对较广,主要分布在内蒙古中部、河北西北部、河北中南部和山西东北部等地区,而PM_(0.5～2.5)和PM_(2.5～10)数浓度的潜在源区分布基本一致,而且区域相对较集中,主要分布在河北北部、山西东北部和河北中南部等地区.APEC期间与非APEC期间ρ(PM_(2.5))的源区贡献因子分析和浓度权重轨迹分析表明,APEC期间ρ(PM_(2.5))的主要源区分布比非APEC期间相对较集中,主要位于北京当地、天津等附近地区,该地区对观测点ρ(PM_(2.5))的贡献值在24～40μg·m~(-3)之间.     

燃煤水泥窑尾颗粒物粒径分布及污染特征

选取某4000 t/d新型干法水泥生产线,采用低压撞击器进行颗粒物采样测试研究,分析颗粒物粒径分布及分级颗粒的化学成分。结果表明:悬浮预热器出口的ρ(PM_(10))为3. 53 g/m~3,其中PM_1和PM_(2.5)占PM_(10)比例分别为29. 4%和89. 4%,且PM_(10)为双峰分布,其峰值分别为0. 1～0. 2μm和1～1. 8μm。窑尾飞灰中PM_(10)成分地壳元素Ca、Fe、Si的含量较多,元素总和达到95. 7%,生料破碎及残渣聚合决定粗模态分布特征,燃煤飞灰中S、K等易挥发元素的气化凝结决定细模态分布特征。烟气颗粒物经增湿塔后,ρ(PM_(10))由3. 53 g/m~3降低至3. 39 g/m~3,且呈单峰分布,峰值为2～2. 5μm,表明增湿塔对烟气中细颗粒物具有凝聚和脱除效果。袋式除尘器对PM_(10)的脱除效率在99. 5%以上,且存在0. 1～0. 4μm的脱除逃逸窗口,增湿塔运行条件对布袋除尘的脱除效率无明显影响。     

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.      

清洁大气背景下贵阳空气质量变化及气象作用

利用贵阳市2013~2016年空气质量监测及气象观测资料进行分析,研究云贵高原城市空气变化及气象影响作用.结果表明:近4a贵阳区域SO_2、NO_2、O_(3_8h)、PM_(10)、PM_(2.5)和CO年平均浓度分别为(20.78±19.71),(28.32±9.59),(107.59±27.54),(67.56±34.32),(42.53±24.52)μg/m3和(0.74±0.22)mg/m~3,除SO_2浓度接近或超出我国中东部城市之外,其它污染物均表现为相对清洁水平;地面O_3浓度逐年明显上升,但其它大气污染物水平均呈逐年下降趋势,且呈现与我国中东部一致的空气质量年际、月际和日变化特征.各功能区污染物区域差异明显,颗粒物和SO_2、NO_2、CO浓度水平表现为工业区居民区郊区,O_3浓度呈现为郊区居民区工业区的特征,表明人为活动对空气质量的影响.近4a O_3与PM_(2.5)夏季白天呈显著正相关,冬季显著负相关,反映了云贵高原城市空气质量的复合污染特性.大气污染物浓度与温度、边界层高度、太阳直接辐射和气压的相关性显著,而与相对湿度和风速相关性较弱,这不同于中东部地区风速主导大气污染物水平变化的特征.云贵高原夏季作为主要雨季,小雨和中雨量级降水对PM_(2.5)吸湿增长较弱,中雨以上降水对PM_(2.5)具有清除作用;而在PM_(2.5)浓度较高和干冷的冬季,小雨的PM_(2.5)吸湿增长明显,中雨以上降水对PM_(2.5)清除显著.     

北京市霾天PM_(2.5)污染特征及其与气象因素的关系

2016年在北京市区春、夏、秋、冬四季分别进行1个月的PM_(2.5)样品采集,探讨了北京市霾与非霾期间PM_(2.5)质量浓度的季节变化、逐日变化特征,对影响其浓度的气象因素进行了分析,并使用MATLAB软件对数据进行可视化表达。结果表明,2016年北京市PM_(2.5)年均浓度为119.8μg/m~3,占采样天数37.6%的霾天PM_(2.5)质量浓度对其贡献率为72.5%;采样期间夏季与冬季的霾天数较多,呈明显的双峰特征。霾天与非霾天PM_(2.5)质量浓度存在显著差异,霾天PM_(2.5)平均浓度(138.3～263.8μg/m~3)是非霾天PM_(2.5)均值(65.4～86.4μg/m~3)的1.9～3.1倍。各季节温度对霾天的影响较小,春、冬季霾天的相对湿度(40%～70%,65%～95%)高于相应平均值(31.7%,55.0%),PM_(2.5)质量浓度与其显著正相关(R0.68),表明该季节相对湿度对霾天的形成有比较明显的影响。另外,南风和西南风且风速1.2 m/s,大气压较高时易形成霾天。     

近20年来中国PM2.5污染演变的时空过程

本研究基于国控监测网络的PM_(2.5)实测数据、MODIS AOD数据以及气象参数(温度、风速、风向、边界层高度和相对湿度),综合考虑AOD与PM_(2.5)关系的季节性和区域性差异,构建了基于支持向量回归机(ε-SVR)与思维进化算法优化后的BP神经网络(MEC-BP)的二阶段PM_(2.5)浓度组合估算模型.在此基础上,分析了2000～2017年中国PM_(2.5)浓度的时空变化过程.结果表明,本研究提出的二阶段组合估算模型提供了中国2000～2017年内空间分辨率为1°×1°的月度近地面PM_(2.5)浓度的可靠估算,有效地弥补了中国地面监测网络在时间和空间上的空白(模型的决定系数R~2为0. 838,均方根误差RMSE为11. 512μg·m~(-3),平均绝对百分比误差MAPE为14. 905%,均方百分比误差MSPE为0. 243%,绝对误差MAE为6. 476μg·m~(-3),均方误差MSE为132. 519μg·m~(-3)).时间变化过程分析结果表明:①2014年是2000～2017年内中国PM_(2.5)浓度从持续缓慢上升到快速下降的关键转折点,其中,从2014年开始,PM_(2.5)浓度较高的北部沿海、东部沿海和长江中游地区的PM_(2.5)污染情况改善较明显.②然而,在研究时间范围内,全国仍有超过65%的区域PM_(2.5)年均浓度超过了二级限值(35μg·m~(-3)),虽然全国PM_(2.5)污染情况有一定程度地改善,但是空气污染形势依然严峻.     

2014年10月北京市一次空气重污染过程分析

采用轨迹模拟与观测资料相结合的方式,对北京市2014年10月6—12日1次典型空气重污染过程的大气环境背景、气象条件和形成原因进行分析。结果表明:京津冀区域稳定的气象条件是形成重污染的主要原因,重污染过程中大气层结稳定,平均逆温强度每100 m为3.42℃,平均风速为1.56 m/s,平均湿度为83.13%;重污染过程中10月8—11日污染最重,北京ρ(PM_(2.5))日均值平均为264μg/m~3,且京津冀约20×104km~2国土面积处于重度污染水平;模拟结果显示污染最重的8—11日区域输送对北京PM_(2.5)贡献率在61%~69%;区域输送对北京PM2.5浓度起着更为重要的作用。     

成都平原大气颗粒物中无机水溶性离子污染特征

为探讨成都平原大气颗粒物中水溶性离子的污染特征,识别水溶性离子的组成、分布和时空变化,有针对性地控制重污染和灰霾天气,于2013年8月~2014年7月,在成都平原的5个监测点位共采集1 476个颗粒物样品,应用离子色谱法对PM10和PM_(2.5)中8种无机水溶性离子(SO_4~(2-)、NO_3~-、NH_4~+、K~+、Na~+、Ca~(2+)、Mg~(2+)、Cl~-)进行测量.结果表明在观测期间,PM_(2.5~10)和PM_(2.5)中无机水溶性离子总量分别为11.35μg·m-3和36.93μg·m-3,分别占ρ(PM_(2.5)~10)和ρ(PM_(2.5))的37.8%和46.6%;其中二次离子(SO_4~(2-)、NO_3~-和NH~+4,SNA)约占各自水溶性离子总量的81.1%和89.9%.水溶性离子质量浓度冬季最高,春秋季相当,夏季最低.ρ(SO2-4)/ρ(PM_(2.5))夏秋季较高,而ρ(NO_3~-)/ρ(PM_(2.5))冬季最高,夏季最低.SNA、Cl~-、K~+大多分布在PM_(2.5)中,Ca~(2+)和Mg~(2+)主要分布在PM_(2.5~10)中.PM_(2.5)基本呈中性,水溶性离子主要以(NH_4)_2SO_4、NH_4NO_3、KNO_3、NaCl、KCl等形式存在.ρ(NO_3~-)/ρ(SO_4~(2-))揭示固定源依然是PM_(2.5)的主要来源.硫氧化速率(SOR)和氮氧化速率(NOR)年均值分别为0.31和0.13,SOR夏季最高,NOR冬季最高,二者变化趋势相反.成都平原PM_(2.5)呈区域性复合污染特征,SNA是造成ρ(PM_(2.5))增加的主导因素.     

北京野鸭湖湿地观测站大气颗粒物变化特征

利用北京延庆野鸭湖湿地生态气象观测站2013年PM_(2.5)和PM_(10)连续观测资料,统计分析野鸭湖地区大气颗粒物的变化特征及气象影响因素。研究结果表明:野鸭湖观测站PM_(2.5)和PM_(10)年平均浓度分别为45.7μg/m3和80.2μg/m~3,超标率分别为17.8%和11.4%,以《环境空气质量标准》二级标准统计。PM_(2.5)和PM_(10)均在1月达到峰值,7月出现最低值。各季PM_(2.5)/PM_(10)值在37.8%～69.9%之间,春季以PM_(10)污染为主,冬季以PM_(2.5)为主。各季节PM_(2.5)和PM_(10)日变化中夏季出峰最早,冬季最晚,冬春季PM_(2.5)浓度为双峰型,夏秋季为单峰型;PM_(10)的日变化仅春季与PM_(2.5)略有不同,晚上峰值强度远大于早上。野鸭湖地区颗粒物污染受本地源和外来源的共同影响,东北气流易造成颗粒物积累,而西南气流有利于颗粒物稀释扩散。典型污染过程显示,持续的东北风控制、风速2.0 m/s左右、平均相对湿度在80.0%左右利于颗粒物浓度的增加;而偏西气流和较高温度、较低湿度能共同起到缓解污染的作用。     

相对湿度对室内PM_(2.5)浓度实时测量值的影响

为考察相对湿度对激光粉尘仪测量室内PM_(2.5)的影响,更客观真实地评价室内PM_(2.5)的污染状况。室温下在实验室环境舱内分别以去离子水、NaCl溶液、CaCl_2溶液、大肠杆菌溶液为水源在加湿器发生的过程中同时记录环境舱内相对湿度和PM_(2.5)的变化情况,考察激光粉尘仪PM_(2.5)实时测量值与相对湿度的关系。结果表明:加湿器加湿过程中相对湿度急剧变化对PM_(2.5)实时测量值有显著影响;初始PM_(2.5)浓度越大相对湿度对PM_(2.5)实时测量值干扰越敏感,当初始浓度为500μg/m~3时,PM_(2.5)实时测量值变动的敏感点相对湿度为60%;水中盐离子、微生物等物质大大增加了液滴对激光的散射作用,水中杂质浓度越高,PM_(2.5)实时测量值越大,NaCl溶液浓度为250mg/L时,PM_(2.5)实时测量值达到1 000μg/m~3以上对应的相对湿度值仅36%。     

基于GAM模型分析中国典型区域网格化PM2.5长期变化影响因素

为探究中国典型区域地表PM_(2.5)浓度长期时空变化及其影响因素,运用广义可加模型(GAM)对1998～2016年均0. 01°×0. 01°地表PM_(2.5)浓度网格化数据进行分析.典型区域多年平均PM_(2.5)浓度从高到低:华东华中地区(40. 5μg·m~(-3))华北地区(37. 4μg·m~(-3))华南地区(27. 8μg·m~(-3))东北地区(23. 7μg·m~(-3))四川盆地(22. 4μg·m~(-3)).东北地区PM_(2.5)年际变化呈现明显上升趋势;其他地区1998～2007年呈上升趋势,2008～2016年出现下降趋势.在典型区域PM_(2.5)浓度空间分布上,PM_(2.5)浓度分布呈现显著的空间差异,多年来各区域PM_(2.5)浓度高值分布相对稳定. PM_(2.5)浓度变化的单因素GAM模型中,所有影响因素均通过显著性检验,典型区域中对PM_(2.5)浓度变化影响解释率较高的各个影响因素顺序有所不同. PM_(2.5)浓度变化的多因素GAM模型中,均呈现非线性关系,典型区域方差解释率为87. 5%～92%(平均89. 0%),模型拟合度较高,对其变化有显著性影响.典型区域YEAR和LON-LAT均对PM_(2.5)浓度变化影响最为显著.除此之外,气象因子对PM_(2.5)的影响大小在各个区域存在不同.东北地区影响PM_(2.5)最重要的3个气象因子排序为:tp v_(10) ssr;华北地区为:temp tp msl;华东华中地区为:temp tp ssr;华南地区为:temp RH blh;四川盆地为:tp temp u_(10).结果表明,运用GAM模型,能够定量分析区域PM_(2.5)浓度长期变化的影响因素,对PM_(2.5)污染评估具有重要意义.     

中国氨排放对PM_(2.5)污染的影响

基于WRF-CMAQ空气质量模型,定量模拟了氨排放对全国城市PM_(2.5)浓度的影响.结果表明,氨排放对全国城市硫酸盐、硝酸盐、铵盐及PM_(2.5)年均浓度贡献率分别为4.2%、99.8%、99.7%和29.8%,氨排放对硫酸盐年均浓度的影响较小,而对硝酸盐和铵盐年均浓度的影响极为显著.氨排放对1、4、7、10月四个典型月PM_(2.5)月均浓度的贡献量分别为20.15μg/m3、12.39μg/m3、13.20μg/m3、14.20μg/m3,其中1月PM_(2.5)受氨排放的影响最大.氨对PM_(2.5)影响较大的地区主要集中在河南、山东、湖北、河北等农业、畜牧业发达、氨排放量集中的地区,对PM_(2.5)年均浓度贡献量均超过20μg/m3.因此,控制氨排放将有效降低PM_(2.5)浓度,特别是可以显著减少硝酸盐和铵盐污染.     

基于增强回归树的城市PM2.5日均值变化分析:以常州为例

利用2014年12月至2015年11月常州市区6个国控监测站空气污染物浓度逐时数据,分析了PM_(2.5)浓度季节变化特征,采用增强回归树模拟分析了PM10、4种气态污染物和7个气象因子对ρ(PM_(2.5))日变化的贡献.结果表明,常州市区PM_(2.5)污染季节差异明显,冬季污染严重且持续时间长,夏季污染较轻.四季ρ(PM_(2.5))空间分布特征存在一定差异,但各季内不同监测站差异较小.增强回归树对ρ(PM_(2.5))日均值进行模拟和验证得到,训练数据的相关性为0.981,交叉验证的相关性为0.957.此外,模拟值与实测值的标准化平均偏差为1.80%,标准化平均误差为10.41%,可见模型拟合效果较好.PM10、气态污染物、气象因子和区域输送及扩散这4种影响类型对全年ρ(PM_(2.5))日均值差异的贡献率分别为23.4%、28%、36.2%和12.6%,表明在对ρ(PM_(2.5))日均值差异的影响上,气象因子二次形成一次源区域输送及扩散.在对ρ(PM_(2.5))日均值差异贡献率大于5%的因子中,ρ(PM_(2.5))日均值与PM10、相对湿度、CO和O3正相关,与温度、SO2和混合层高度负相关,与大气压和NO2关系较复杂.区域输送及扩散方面,东南风向、偏西风向和偏北风向等上风向周边城市的污染物输送对常州市区PM_(2.5)污染存在较大的负面影响.     

2018年3月两会期间北京重污染过程边界层气象的演变分析

为研究北京冬季重污染过程的污染特征及成因,采用边界层风场、温/湿场和气溶胶垂直探测等雷达综合遥测手段,对2018年3月北京两会期间的一次典型重污染过程,从边界层气象要素演变进行综合研究.结果表明:①整个污染过程历时7 d,轻度以上污染时数达118 h (占污染过程总小时数的69. 8%),严重污染时数达16 h (占污染过程总小时数的9. 5%),ρ(PM_(2.5))最高达333. 5μg/m~3.②从气溶胶的垂直空间演变来看,重污染天气的形成,除受本地源排放积累的影响外,还存在北京南部和东部的外部污染传输.贴地或上部逆温的稳定温度层结基本上对应ρ(PM_(2.5))的累积过程,其中,重污染时段逆温维持达68 h,逆温层厚度为500～1 100 m,最大平均逆温强度为0. 6℃/(100 m).大气边界层高度偏低(积累过程白天在1 000 m以下,夜间只有300～500 m),导致污染物持续积累.整个污染过程中,高湿时段引起PM2. 5吸湿增长和转化加重了污染程度;近地层持续小风导致污染积累;西南、东或东南方向大风层(10 m/s左右)向低空下探,有利于污染的缓解;强西北风或北风作用,使污染得以清除.研究显示,污染过程与边界层气象要素的演变密切相关.     

能见度与PM2.5浓度关系及其分布特征

利用相对湿度、能见度和PM_(2.5)质量浓度观测数据,针对不同相对湿度下,建立了消光系数与PM_(2.5)质量浓度之间线性关系,并分析了相关关系的全国分布特征.结果表明,我国中东部大部分地区在一定相对湿度区间内均可建立线性相关关系,而且相关性较好,相对湿度40%～90%区间内的平均相关系数高于0. 75,其中北京相关系数高达0. 9.北京、长三角和四川等地的PM_(2.5)单位质量消光效率在同等相对湿度下明显大于其他地区.不同地区湿度对能见度影响程度不同,北京等地在相对湿度大于90%时相对湿度对能见度作用大于PM_(2.5),而广州在相对湿度大于80%时相对湿度的作用明显增强.利用能见度反算北京地区PM_(2.5)浓度可知,1980～1996年,PM_(2.5)浓度年际变化不大,受采暖方式影响冬季PM_(2.5)浓度显著较高; 1997～2009年呈现缓慢下降趋势; 2010～2012年呈现上升趋势. 1980年以来,全国的PM_(2.5)浓度整体呈上升的趋势,尤其是华北地区,PM_(2.5)浓度始终高于全国其他地区.