成都市区夏季大气污染物浓度时空变化特征分析

为了解成都市区大气污染物浓度水平及其变化规律,统计分析了2013年6月1日—8月31日3个市区站点(十里店、梁家巷和草堂寺)SO2、NO2、O3、PM2.5、PM10和CO逐时观测资料.结果表明,观测期间O3污染严重,上述3个站点小时均值超标率分别达22%、37%和42%.大气颗粒物污染也较为严重,上述3个站点PM10日均浓度超标率分别为13%、8%和3%,而PM2.5日均值超标率分别高达34%、27%和26%.NO2和CO早晚的浓度高峰主要与机动车流量增加和混合层高度降低有关.由于紫外辐射影响,O3浓度在正午出现峰值.受机动车流量高峰和气象条件的影响,PM2.5和PM10最大值和最小值分别出现在上午和下午.通过对污染物"周末效应"的分析,发现周末O3、PM2.5和PM10的浓度显著高于工作日,SO2、NO2和CO反之.成都市区大气污染受局地排放和外源输送共同影响,其中PM10和NO2主要受局地源控制,而PM2.5、SO2和O3受外输送影响较大.     

哈尔滨市2014年1-2月PM_(2.5)与主要空气污染物相关分析

为了解哈尔滨市主要空气污染物对PM2.5浓度变化的影响,利用SPSS软件及哈尔滨市南岗区2014年1-2月环境空气质量日报数据,对空气污染物中SO2、NO2、CO、O3、PM10、PM2.5进行了相关分析。结果显示,SO2、NO2、CO、O3、PM10与PM2.5均呈显著的正相关关系。结合相关性分析结果,建立了PM2.5与SO2、NO2、CO、PM10之间的主成分回归模型,并对模型进行了通径分析。分析结果表明,CO对PM2.5的直接影响最大,SO2、NO2、PM10对PM2.5的直接作用相对较小,但它们通过CO对PM2.5的间接作用较大。因此,在哈尔滨市1-2月主要空气污染物中,CO对PM2.5浓度的变化具有重要的影响。     

2010年广州亚运期间空气质量与污染气象条件分析

利用2010年11月4日～12月10日广州地区NO2、O3、SO2、PM、能见度实测资料,区域空气污染指数RAQI及大气输送扩散特征参数,分析广州亚运期间空气质量与气象条件变化特征.结果表明,亚运期间空气质量比亚运前后好,能见度比亚运前后大,PM1和PM2.5浓度比亚运前后小,能见度与PM1和PM2.5有较好的反相关;亚运期间NO2和SO2日均值和小时均值均达到国家一级标准,PM10日均值和O3小时均值均满足国家二级标准,污染物得到较好的控制;广州地区SO2受本地源和外地源远距离输送叠加影响,NO2受本地源影响较大;广州周边城市NO2、SO2和PM10有向广州输送的潜势,而广州O3有向其周边城市扩散的潜势;亚运期间污染气象条件比亚运前后有利,亚运期间污染物浓度降低得益于政府实施的减排措施及良好的气象条件.     

大气污染物及AQI时空特征分析——以山西省2015年上半年为例

根据2015年上半年山西省11个地级市PM 2.5、PM 10、NO 2、SO2、CO、O 3的日污染浓度监测数据及AQI值,分析其污染特征。结果表明:全省11市PM 2.5、PM 10超标率较高;NO 2、SO 2、CO、O 3超标率则较低;全省PM2.5/PM1 0的比值范围在0.367 7~0.718 9,且PM 2.5和PM 10之间存在较显著的线性关系;PM 2.5、PM 10、NO 2、SO 2、CO以及AQI监测值在1~6月份逐渐递减,O3则呈总体上升趋势;AQI达标天数比例范围在61.88%~85.08%,平均比例为71.42%,平均超标天数比例为38.58%,其中重度及以上污染天数比例为1.50%。     

重庆市冬季PM_(2.5)及气态污染物的分布特征与来源

利用重庆市大气污染物监测站2013年冬季(2013年11月—2014年1月)的实测数据,分析PM2.5及相关气态污染物(SO2、NO2、O3)的时空特征,并采用轨迹聚类与PSCF(潜在源贡献因子)分析污染物来源.结果表明:除ρ(O3)以外,其他3种污染物质量浓度的月际变化趋势基本一致,均呈12月升高、1月降低的特征;污染物空间分布不均,其中ρ(PM2.5)和ρ(NO2)在工业区和人口密集区较高,ρ(SO2)南高北低,ρ(O3)城区低于郊区.ρ(SO2)、ρ(NO2)与ρ(PM2.5)均呈显著正相关,其中ρ(SO2)与ρ(PM2.5)的R(相关系数)在城、郊区分别为0.71、0.65,ρ(NO2)与ρ(PM2.5)在城、效区的R分别为0.73、0.56;而ρ(O3)与ρ(PM2.5)未表现出显著相关.ρ(SO2)、ρ(NO2)与ρ(PM2.5)的相关性高低可在一定程度上说明二次气溶胶的污染程度,ρ(O3)与ρ(PM2.5)的相关性受到PM2.5来源和污染程度的影响.轨迹分析结果显示,重庆市2013年冬季主要受东北方向气流影响;聚类分析表明,重庆市11月没有表现出明显的PM2.5外来输送特征,但12月和1月的PM2.5外来输送特征明显,并且不同方向的气流污染物浓度差异也较大.PSCF分析发现,重庆市冬季PM2.5、SO2、NO2、O3主要来源于本地和周围城市局地传输,同时还受南宁、贵阳、遵义、达州等地的影响.     

基于全国城市PM2.5达标约束的大气环境容量模拟

基于第3代空气质量模型WRF-CAMx 和全国大气污染物排放清单,开发了以环境质量为约束的大气环境容量迭代算法,并以我国333个地级城市PM2.5年均浓度达到环境空气质量标准(GB3095-2012)为目标,模拟计算了全国31个省市区SO2、NOx、一次PM2.5及NH3的最大允许排放量.分析结果表明,以城市PM2.5年均浓度达标为约束,全国SO2、NOx、一次PM2.5和NH3的环境容量分别为1363.26×104,1258.48×104,619.04×104,627.71×104t.2010年全国实际SO2、NOx、一次PM2.5和NH3排放量分别超过环境容量的66%、81%、96%、52%.空气污染较严重的河南、河北、天津、安徽、山东及北京6省市4项污染物排放量均超过环境容量1倍以上,环境容量严重超载区域与PM2.5高污染地区具有显著的空间一致性.     

复合型工业城市重空气污染过程大气污染特征

以湘潭市地区2013年10月29日一次重空气污染过程为例,利用湘潭市空气自动监测站24小时连续监测数据,研究此次重空气污染过程大气污染浓度变化特征。结果表明SO2、NO2、PM10、CO、O3和PM2.5的日均值分别为105 ug/m3、117 ug/m3、542 ug/m3、2.583mg/m3、146 ug/m3、419 ug/m3,PM2.5污染最为严重,其日均浓度超出国家二级标准(75 ug/m3)4.59倍。SO2、NO2、PM10、CO、O3和PM2.5日变化显著,SO2和O3的日变化均呈单峰型,PM10、PM2.5、CO和NO2日变化均呈早晚双峰型。通过调查研究,这次污染事件的主要原因有极端不利的气象条件,近郊区大量焚烧秸秆以及PM2.5的区域污染传输。     

2016-2020年成都市大气质量变化特征及健康风险评价

本文基于成都市2016—2020年PM2.5、PM10、SO2、NO2、CO和O3浓度监测数据,运用主成分分析(PCA)和复合污染特征分析污染物特征及来源,并采用美国环境保护署(USEPA)推荐的健康风险评价模型评估了PM2.5、PM10、SO2、NO2的健康风险,结果表明:2016-2020年成都市除O3外其余5种大气污染物浓度逐年降低,O3浓度总体呈上升趋势.相比2016年,2020年PM2.5、PM10、SO2、NO2、CO平均质量浓度降低幅度为26.79％,30.44％,50.00％,24.49％,41.18％;O3平均质量浓度上升9.03％.主成分分析和复合污染特征分析表明大气污染物来源具有同一性.2016—2020年成都市PM2.5非致癌风险指数均大于PM10非致癌风险指数.与其它年份相比,成都市2016年PM2.5和PM10的健康风险值均最高,分别为2020年的1.55倍和1.54倍.SO2和NO2的健康风险存在年龄差异,大气污染物的健康风险随年龄的增加而降低,对老人造成的健康风险最小,儿童最大.2016年男童和女童(<6岁)SO2/NO2健康风险值最高,是2020年的2.50/1.46倍.6～17岁和60岁以上人群,男性健康风险小于女性,其余年龄段男性健康风险均大于女性.成都市各人群PM2.5、PM10、SO2和NO2的健康风险均未超过USEPA推荐的1×10-6～1×10-4可接受风险范围.     

太原采暖季霾和良天气下大气污染物的污染特征分析

为了探讨太原市大气污染物在霾天气下的污染特征,2013年12月至2014年3月对太原市大气污染物(PM10、PM2.5、SO2、NO2、CO和O3)质量浓度进了收集研究。分析结果表明无论是霾还是良天气,PM2.5和PM10的相关性最好,PM2.5与NO2的相关性最差。O3与PM2.5的相关系数均大于0.7,表明O3与PM2.5的形成有着密切的关系。     

大气例行点位常规监测污染物的相关性分析及防控措施研究

根据济南市历下区5个大气例行监测点位2015年上半年PM2.5、PM10、SO2、CO、NO2、O3逐小时浓度的监测数据,通过SPSS软件对各项污染物的相关性进行分析得出:CO与PM2.5、PM10、SO2、NO2强相关性出现次数最多,表明CO排放源是引起颗粒物污染的主要原因之一.对监测点位周边2 km范围内机动车尾气和餐饮燃煤两项污染源进行排放量估算得出:机动车尾气CO、NOx、PM2.5和PM10年排放量分别为388.18吨、111.18吨、4.35吨和4.72吨;餐饮燃煤CO、SO2、NOx年排放量分别为36.0吨、24.0吨和9.6吨.因此,控制CO排放源对改善济南市大气环境质量至关重要.     

利用多元线性回归方法评估气象条件和控制措施对APEC期间北京空气质量的影响

气象条件对大气污染物的扩散和传输有重要影响,准确分离和定量气象因素对空气质量的影响是评估大气污染控制政策有效性的前提.本研究利用APEC会议期间及前后(2014-10-15～2014-11-30)北京城区朝阳观测站点SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)以及气象因素的观测数据,采用多元线性回归分析方法,定量评估了气象条件和空气污染控制措施对APEC期间北京空气质量的影响.在假定排放条件不变的情况下,基于气象因素参数建立的预测污染物浓度的多元线性回归模型模拟效果较为理想,决定系数R~2在0. 494～0. 783之间.控制措施使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低48. 3%、53. 5%、18. 7%、40. 6%、3. 6%、34. 8%、28. 8%和40. 6%,气象因素使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低1. 7%、-2. 8%、18. 7%、4. 5%、18. 6%、27. 5%、30. 6%和35. 6%.气象因素和控制措施共同作用使得APEC控制期北京空气质量得到了明显改善.控制措施对SO_2和氮氧化物浓度的下降起主导作用,气象因素对CO浓度的下降起主导作用,气象因素和控制措施对颗粒物浓度降低的贡献相当.本研究还利用相对权重方法研究了气象因素对污染物浓度影响的贡献,结果表明影响不同污染物浓度的决定性气象因素不同.     

北京城区PM_(2.5)及主要污染气体“周末效应”和“假日效应”研究

利用2009—2012年北京城区海淀宝联站6种污染物(PM2.5、NO、NO2、O3、CO和SO2)的连续监测数据,研究了污染物浓度的周循环变化规律,以及春节、国庆节假日期间和假日前后污染物浓度变化的差异.结果表明,北京城区O3浓度存在周末高于工作日的显著"周末效应"现象,其它污染物则表现出周末低于工作日的"周末效应"现象;国庆节较长假期存在与"周末效应"相类似的"假日效应",即假日期间污染物浓度明显低于非假日期间(O3相反).而春节期间PM2.5、CO、SO2出现"反常"浓度(污染物浓度在假日期间高于非假日期间),可能与春节期间烟花爆竹燃放有关.从污染物浓度日变化特征分析,污染物浓度高峰期与人类活动高峰期时间基本一致,而污染物在周末和工作日出现的浓度差异现象也与人类活动的周循环差异现象相吻合,NO、NO2和CO的小时平均浓度在周末和工作日的最大偏差出现在08:00,分别为-19.8%、-14.9%和-13.9%,说明北京城区出现污染物浓度的周循环变化特征和日变化特征与人类活动密切相关.     

基于快速聚类方法分析常州市区PM2.5的统计特性

运用统计方法研究常州市区2013~2014年6个国控点六项基本污染物(SO_2、NO_2、CO、O_3、PM_(2.5)和PM_(10))月平均浓度变化,结果表明,除O_3外,其它五项污染物月平均浓度夏季较低冬季较高.颗粒物与风速之间的关系为PM_(2.5)浓度随风速的升高一直降低,PM_(10)随风速的升高浓度先降低后升高.采用快速聚类分析(k-means)并运用SWV和DIV指数对六项基本污染物进行分类,得到4个样本分类.与依据颗粒物化学成分或粒径谱对PM进行源解析方法不同,本研究更多是从PM_(2.5)与其它污染物相关关系以及污染程度等角度按照欧式距离进行分类.不同类中PM_(2.5)来源明显不同,类1中PM_(2.5)与化石燃料燃烧排放密切相关,类2与O_3密切相关,类3与城市不完全燃烧排放、区域灰霾污染密切相关,类4可以归类于城市"背景"类.快速聚类分析结果也表明常州市区PM_(2.5)有着复杂的来源.     

北京、石家庄2017—2018年PM2.5与SNA组分特征及典型重污染分析

基于北京、石家庄2017、2018年的1月和7月PM_2.5样品采集,研究两地采暖期、非采暖期及典型重污染过程的PM_2.5、SNA污染特征及二次转化特征.应用TrajStat模型,结合浓度权重轨迹分析法（CWT）,分析两地PM_2.5气流输送路径以及潜在源区.利用WRF-CAMx模式定量分析两地重污染月份（2017年1月）PM_2.5、硫酸盐及硝酸盐的区域传输贡献.结果表明, 2017年1月北京和石家庄均存在重污染过程,两年1月石家庄市PM_2.5浓度均高于北京; SNA占PM_2.5所有组分的34.11%~51.68%,对PM_2.5浓度有重要贡献,其中北京NO₃^-浓度最高,石家庄SO₄^2-浓度最高, SO₄^2-/NO₃^-夏季高于冬季;北京SOR高于石家庄,石家庄NOR高于北京,重污染期间两城市硫酸盐、硝酸盐、铵盐质量浓度、SOR与NOR明显升高;两地冬季气流主要受俄罗斯、蒙古、内蒙戈壁等地区的西北方向远距离输送影响,另外北京两年冬季均存在西南传输通道,石家庄重污染期间受冀南和鲁西北重工业城市群潜在贡献较高,两市夏季受东南季风影响,污染轨迹多来自渤海湾和山东等地区; 2017年1月,北京、石家庄PM_2.5受周边区域传输贡献分别为33.80%、22.54%,其中河北南部分别贡献14.86%, 17.21%,二次离子中NO₃^-的传输作用比SO₄^2-更加突出.从PM_2.5本地源来看,北京主要来源为移动源和扬尘源,分别占比43.30%、20.10%,石家庄为工业、燃煤和扬尘,分别占比26.40%、24.82%、22.50%.     

基于遥感资料的北京大气污染治理投资对降低PM_(2.5)的效能分析

采用北京市环境监测中心35个站点的PM2.5监测数据及MODIS Terra的大气气溶胶光学厚度L3 C051产品数据,分季度建立北京市PM2.5历史浓度遥感估算模型.结合北京大气污染物(PM10、PM2.5、SO2、NO2)年均浓度数据,对北京市2001—2012年间用于工业废气污染治理投资累计额进行了效能分析.研究表明,北京市工业废气污染治理投资对于改善大气PM10、SO2、NO2均有显著贡献,但其对于大气PM2.5污染的治理效果并不明显.可能原因包括PM2.5排放源的复杂性、相关治理措施对PM2.5的针对性、经济增长导致的区域PM2.5源排放持续增长及区域外排放的持续影响等.因此,需要采取专门的有针对性的治理措施,建立健全大气污染治理技术和激励机制,控制工业燃煤及城市交通排放,削减本地及周边源排放,以有效改善北京地区大气PM2.5污染状况.     

关中盆地NO2和SO2对颗粒物污染的协同效应

基于WRF-Chem模式模拟了关中盆地2019年1月2—14日一次颗粒物污染事件,评估了NO_x和SO₂减排及其在颗粒物污染中的协同作用对PM_2.5污染的影响。敏感性实验结果表明：NO_x减排可使PM_2.5中硝酸盐含量下降,但大气中O₃浓度上升,大气氧化能力增强,其他二次组分上升,导致PM_2.5下降不明显;SO₂人为源减排可使硫酸盐质量浓度下降,但由于硫酸盐在PM_2.5中占比较低,当SO₂减排75%时,PM_2.5仅下降1.74%;当减排比例较高时,NO_x和SO₂同时减排更有利于颗粒物污染防治。PM_2.5质量浓度在NO_x和SO₂同时减排75%时比分开减排75%时多下降0.75%,主要是硫酸盐下降所致;对气溶胶含水量进行分析,发现NO_x对气溶胶含水量影响较大,当NO_x减排75%时,气溶胶含水量可下降15.51%;此外,NO_x和SO₂同时减排比分开减排时气溶胶含水量更低,更不利于二次颗粒物生成。     

天津市高校夏季道路扬尘PM2.5中水溶性离子污染特征及来源

为研究天津市高校道路扬尘PM_2.5中水溶性离子的污染特征、来源及校内外差异，于2018年7—8月采集天津市9所高校道路扬尘样品，用离子色谱法对其中8种水溶性离子（Ca²⁺、K⁺、Mg²⁺、Na⁺、Cl^-、NH₄⁺、NO₃^-、SO₄^2-）进行分析.结果显示：①水溶性离子占PM_2.5的11.65%，PM_2.5中占比大于1%的离子有Ca²⁺和SO₄^2-，其中Ca²⁺最多，占到总水溶性无机离子的65.75%；②入校道路离子含量（12.76%）稍高于校内道路（11.11%），其中8种离子含量的差异均无统计学意义；CE/AE（阴阳离子当量浓度比）值为9.59（远大于1），PM_2.5呈较强碱性；③NH₄⁺与SO₄^2-、NO₃^-主要以（NH₄）₂SO₄和NH₄NO₃的形态结合；④NO₃^-/SO₄^2-的比值为0.45，说明固定源的贡献更大；⑤天津市高校道路扬尘PM_2.5主要来源于海盐粒子、燃煤、机动车尾气、建筑水泥尘等.     

冬季PM2.5中无机水溶性离子与大气相对湿度的相关性

依托河北省灰霾污染防治重点实验室,对2019年11月26日—12月31日石家庄市大气PM_2.5中的NO₃^-和SO₄^2-进行连续在线观测,研究NO₃^-和SO₄^2-与环境空气相对湿度的相关性,解析冬季发生PM_2.5重污染天气的RH阈值.观测期间,RH为10%~60%时,NO₃^-的浓度与RH呈显著正相关,为PM_2.5中浓度最高的无机水溶性离子.RH超过70%后,NO₃^-与RH呈负相关,NO₃^-浓度和NOR开始下降.SO₄^2-浓度与RH在整个湿度区间均呈正相关.RH低于50%时,SO₂向SO₄^2-的转化以气相反应为主.RH高于50%以后,颗粒物达到潮解点,SO₂的主要反应转入液相,转化速率加快,SO₂液相反应贡献逐渐增加至64.6%.RH超过70%后,SO₄^2-成为PM_2.5中浓度最高的无机水溶性离子.RH超过PM_2.5潮解点以后,NO₃^-和SO₄^2-大量合成,推高PM_2.5环境浓度,易于形成重污染天气.     

重污染天气应对“绩效分级、差异化管控”措施首次实践效果后评估

为提高重污染天气应对的科学性和精准度,2019年7月生态环境部制定重污染天气应对“绩效分级、差异化管控”措施.为应对9月底至10月初的重污染过程,京津冀及周边共68个城市启动重污染预警,该措施得以首次实践.通过时间序列断点回归方法对该措施效果进行评估发现,空气质量改善存在滞后的现象,SO₂、 NO₂和CO这3个气态污染物改善速度较快,对涉及二次生成的O₃和PM_2.5两个污染物见效速度相对较慢. 10月1日恰逢在北京举办庆祝中华人民共和国成立70周年阅兵式,对10月1日当天进行评估,发现与假如不采取措施的情形相比,重污染应急措施使北京市PM_2.5、 NO₂和CO日均浓度显著下降,下降幅度分别为54.1%、 62.4%和25.8%.如果不采取重污染应急措施,北京10月1日上午可能出现中重度污染,但实际上空气质量保持在良的水平.区域启动预警的68城市PM_2.5、 PM₁₀、 NO₂、 SO