北京市PM_(2.5)分布的不均匀现象

对北京若干居住区进行了持续监测,并收集了北京环境监测中心、北京市气象台的相关数据并进行了分析,指出北京这一特大城市在PM2.5分布中存在着多维度上的不均匀现象。这一不均匀现象表现为:(1)在多种尺度下其质量浓度分布不均匀;(2)全年时段内PM2.5已成为首要污染物;(3)霾主要发生在微静风天气中;(4)不同风向条件下,均存在着明显的最高值、最低值的监测点。据此得出,北京这一特大城市的PM2.5分布具有以下特征:(1)PM2.5主要来源于城市内部;(2)风环境等对PM2.5分布具有重要作用;(3)城市格局对PM2.5分布具有重要影响。     

北京几种景观在2次灰霾过程中的PM_(2.5)监测分析

对北京几种景观格局在2013年2月18日-2月28日间发生的2次完整的灰霾过程进行了监测,收集了北京环境监测中心、北京市气象台的相关数据并进行了分析,从灰霾的形成、持续与消散阶段进行了数据的整理与分析。提出PM2.5浓度分布的不均匀现象,以及城市景观格局对PM2.5分布与扩散的影响规律,包括:(1)不同城市景观在相同风速、风向等天气条件下其PM2.5浓度值之间存在明显差异;(2)同一城市景观在不同风速、风向等天气条件下其PM2.5浓度值也存在明显差异;(3)城市景观中PM2.5浓度值不均匀现象普遍存在于多种尺度中,包括较小的km及以下级尺度。     

我国典型城市PM_(2.5)空间分布均匀性分析

随着空气质量新标准的实施,从2013年开始我国部分城市先期开展了PM2.5的例行监测,从中选取不同区域的典型城市,分析了PM2.5在环境中的分布情况。分析结果表明:典型城市PM2.5日均值相对标准偏差(RSD)范围为13%~26%,平均值为18%;我国南方城市PM2.5空间分布均匀性优于北方城市,北方城市冬、春季节PM2.5分布的均匀性较差,南方城市夏季PM2.5分布的均匀性较差;PM2.5的空间分布均匀程度与PM10接近,但明显优于其他气态污染物。综合分析认为,目前我国国家监测网内PM2.5监测点位的代表性能够满足城市空气质量监测与评价工作需要。     

合肥市秋冬季PM2.5污染特征及防控对策

本文主要利用合肥市10个自动监测站2014年11月的PM2.5监测数据以及世界空气质量组织网站提供的12月份空气监测数据,初步分析合肥市PM2.5分布规律;同时检测了不同楼层高度的PM2.5浓度以及进行了PM2.5与日常生活密切相关的几个实验。结果表明:(1)合肥市10个站点PM2.5浓度存在空间差异,气象条件特别是风向、风速和持续时间及其与中国主要污染源的相对位置,以及合肥市自身不合理的重污染企业布局是造成这种空间差异的主要原因;(2)不同楼层高度PM2.5浓度测试结果显示:低层略高,5层以上差异不大,高层污染改善不明显;(3)汽车内使用有效的空调过滤器可极显著地改善车内空气质量、室内使用空气净化器及新风系统均可极显著地改善室内空气质量;(4)使用不同来源的食用油产生的PM2.5差异显著;(5)吸烟极显著地提高了室内的PM2.5浓度。研究结果为民众提出了防控PM2.5的对策建议,并为地方和国家制定相关调控政策提供实验依据。     

黄河流域空气质量时空分布及影响因素分析

本文基于2015—2018年空气质量监测数据,研究了黄河流域空气质量的时空变化特征,量化分析了影响黄河流域空气质量空间分布的主要因素。结果表明:(1)2015—2018年,黄河流域空气质量总体趋于改善,除O3-8h外,PM2.5、PM10等污染物浓度均不同程度下降;(2)空气质量不达标天数未有明显减少,以O3-8h为首要污染物的持续时间明显延长,并且污染天数与PM2.5的差距逐渐缩小;(3)PM2.5、PM10浓度呈现东高西低的分布格局,O3-8h污染区域逐渐扩大并呈持续连片分布,热点城市主要分布在流域下游,冷点城市主要分布在流域上游;(4)平均气温、平均风速、人口密度和城镇居民人均可支配收入是影响PM2.5空间分布的主要因素;地形起伏度、降水量、平均气压和人口密度是影响PM10空间分布的主要因素,累积解释率为65.9%;平均气压、地形起伏度、日照时间和平均风速是影响O3-8h空间分布的主要因素。     

多尺度PM_(2.5)分布特征的空间插值与遥感反演对比

精确识别污染物浓度的空间分布是进行区域大气污染防治的重要基础。利用MODIS卫星数据,采用基于地面气象和环境空气质量监测站点观测数据为基础的反演模型,反演获取2013年12月珠三角地区典型大气污染过程1 km分辨率的PM_(2.5)浓度数据,对比分析遥感反演及基于环境空气质量监测站点观测数据的空间插值方法对区域、城市和乡镇尺度PM_(2.5)浓度空间分布特征的再现效果差异。结果表明,珠三角地区PM_(2.5)遥感反演结果与地面观测数据的相关性达到0.74,相关性水平较好,遥感反演结果可描述区域、城市和乡镇尺度上PM_(2.5)污染浓度的空间分布特征,识别不同空间位置的污染程度差异;基于站点观测数据的空间插值方法对PM_(2.5)浓度空间分布特征的再现能力有限,在区域尺度PM_(2.5)浓度空间分布特征分析时效果尚可,在站点有限的城市和乡镇尺度分析中效果不佳,容易产生对高浓度污染地区的误判;在需要利用站点观测数据分析区域尺度PM_(2.5)浓度空间分布特征时,析取克里金、反距离权重或径向基函数插值方法的效果相对较好。     

浙江省PM_(2.5)质量浓度分布特征研究

本文选取金华、衢州、温州、丽水、宁波、杭州六个城市开展PM2.5手工重量法监测,通过比较不同城市不同季节PM2.5质量浓度,研究浙江省PM2.5浓度的分布特征,以期为其空气质量预报、大气污染治理防治等工作提供技术支持。     

鞍山市大气细颗粒物PM2.5中PAHs污染的季节变化特征

PM2.5作为可吸入人体的细颗粒物在大气中停留时间长、输送距离远,对人体健康和大气环境质量影响非常大.选取鞍山市城区7个点位分别采集了4个季节的大气细颗粒物PM2.5样品,通过对其中多环芳烃PAHs的监测,采用BaP当量致毒系数TEF,分析了鞍山市大气PM2.5中PAHs毒性当量随季节的分布特征.研究表明,鞍山大气PM25中PAHs含量的季节分布趋势为:冬季＞秋季＞春季＞夏季.工业区及工业区周边BaP毒性当量浓度要远高于居住区和对照点.     

2013年我国典型城市大气污染物浓度分布特征

利用中国环境监测总站对全国各个省市的空气质量浓度的实时发布平台,收集了5个城市(北京、沈阳、广州、上海和海口)2013年SO2、NO2、PM10和PM2.5这4类污染物的日均浓度值。应用箱线图和散点图进行数据对比分析,其中箱线图可通过箱体长短及与标准限值的比较得到全年各个城市污染物的浓度范围,散点图从时间尺度表示了每个城市4种污染物浓度的月份分布状况,从而明确了5个城市污染物浓度的季节变化特征和污染水平。沈阳的SO2浓度随季节变化显著,冬季最高,春秋次之,夏季最低。沈阳、上海和广州的PM10和PM2.52种颗粒物的浓度也随季节的变化较为明显,同样是冬季较高,春秋次之,夏季低。北京的颗粒物浓度随季节变化的规律性不明显,但全年PM2.5浓度超标现象明显。5个城市NO2浓度随季节变化不大。     

武汉城市圈PM_(2.5)的时空特征及其影响因素解析

文章基于2016～2017年武汉城市圈各城市站点PM_(2.5)逐时监测数据,主要利用空间自相关、核密度法和空间计量模型,从不同的时空尺度来分析武汉城市圈PM_(2.5)的空间分布格局和影响因素。结果表明:在年尺度上,2016～2017年武汉城市圈PM_(2.5)浓度整体上呈下降趋势,空间分布上呈中东部高、西南部低、局地略有突出的分布特征并表现出明显的空间集聚性,城市圈内部各城市PM_(2.5)污染浓度差异明显,且各城市之间存在一定的空间溢出效应;从年内尺度上看,武汉城市圈PM_(2.5)浓度总体上呈"U"字型分布,冬春季污染最为严重,秋季、夏季次之,且4个季节的PM_(2.5)浓度值存在较强的空间自相关性,表现出不同程度的空间集聚现象;从影响因素上看,无论是自然环境要素还是社会经济要素均对城市圈PM_(2.5)浓度变化起重要作用,按其贡献强度依次是温度民用汽车拥有量风速能源消费水平城镇化率第二产业占比湿度节能环保支出,而森林覆盖率和海拔高度对PM_(2.5)没有表现出明显的直接效应;从大气污染物本身关系上看,PM_(10)直接作用于PM_(2.5)的浓度变化,且起关键性的作用,CO和NO_2则主要是通过PM_(10)对PM_(2.5)浓度间接地产生影响,而O_3对PM_(2.5)浓度影响较小且呈负相关关系。     

基于iLME+Geoi-RF模型的四川省PM2.5浓度估算

高分辨率PM2.5空间分布数据对动态监测和控制PM2.5污染具有重要意义.选取Himawari-8气溶胶光学厚度(AOD)、ERA5气象再分析资料、DEM、土地利用数据、夜光遥感数据、增强型植被指数和人口数据等作为估算变量,使用改进的重采样法进行数据匹配,并提出改进的线性混合模型(iLME)结合地理智能随机森林(Geoi-RF)构建组合模型估算PM2.5浓度.结果表明:①在选取的估算变量中,气溶胶光学厚度、气压、温度、相对湿度和边界层高度是影响2016年四川省PM2.5浓度的重要因素,其相关系数分别为0.65、0.58、0.55、0.54和0.35.②iLME+Geoi-RF模型精度相较其他模型有较大提升,模型拟合Rl2、RMSR 和 MAE 分别为0.98、3.25 μg·m-3和 1.98 μg·m-3,交叉验证 R2、RMSR 和 MAE 分别为0.89、7.95 μg·m-3和4.81μg·m-3.该模型可获取更高精度的四川省PM2.5时空分布特征,为区域空气质量评估、人体暴露风险评价和环境污染治理提供更加合理地科学参考.③2016年四川省PM2.5浓度存在显著的季节性差异,各季节PM2.5浓度大小关系为:冬季＞秋季＞春季＞夏季.2016年四川省月均PM2.5浓度总体上呈先降后升的"V"型趋势,最小值在6月,最大值在12月,8月和11月有微小起伏.在空间分布上四川省PM2.5浓度总体上呈东高西低和局部污染程度较高的特点,高值区主要分布在城市快速发展和人口密集的东部地区,低值区主要分布在经济发展落后和人口稀疏的西部地区.④虽然不同模型估算出的PM2.5浓度整体分布基本一致,但iLME+Geoi-RF模型能更准确有效地估算本研究区污染的空间分布.     

渝北区环境空气质量现状及污染原因分析

本文采用综合污染指数法和空气质量指数法对2014年重庆市渝北区的主要空气污染物(SO2、PM10、NO2、O3、CO、PM2.5)的现状监测值进行了评价。结果表明:对照环境空气质量标准,2014年城区内SO2、NO2均符合国家空气质量二级标准,PM10、PM2.5测定值均超标。污染物浓度时空分布不均匀,冬春季浓度较夏秋季高,出现明显的季节特征;空间分布上,两路空气质量优于空港。2014年渝北区环境空气中大部分污染物浓度均低于2013年和主城平均浓度,环境空气质量综合污染指数呈现下降趋势。2014年渝北区空气质量优良天数255天,高于2013年和主城优良天数,影响渝北区空气质量的首要污染物为PM2.5,其次为PM10、O3-8h、NO2。渝北区的环境空气污染主要受城市建设、产业结构、气象条件、交通尾气的影响。     

中国PM2.5跨区域传输特征数值模拟研究

基于CAMx空气质量模型的颗粒物来源追踪技术(PSAT)定量模拟了全国PM2.5及其化学组分的跨区域输送规律,建立了全国31个省市(源)向333个地级城市(受体)的PM2.5及其化学组分传输矩阵.基于此传输矩阵,从区域、省、城市3个空间尺度解析了PM2.5及其主要组分,包括一次PM2.5、硫酸盐、硝酸盐和铵盐的空间来源.结果表明,跨区域传输对重点区域、省及京津冀典型城市的PM2.5污染均有显著贡献,其中京津冀、长江三角洲、珠江三角洲区域及成渝城市群PM2.5年均浓度受区域外省市的贡献分别达到22%、37%、28%、14%;海南、上海、江苏、浙江、吉林、江西等省PM2.5年均浓度受省外源贡献超过45%;北京、天津、石家庄PM2.5年均浓度受省外源影响分别达到37%、42%、33%.     

富集因子法分析贵阳市PM_(2.5)主要排放源污染元素

应用富集因子分析法对贵阳市7种PM2.5主要排放源(土壤风沙尘、城市扬尘、道路尘、建筑水泥尘、钢铁尘、燃煤尘、机动车尾气尘)中的污染元素进行了分析。分析结果表明,贵阳市各PM2.5排放源中的污染元素均存在着不同程度的富集污染现象,这些元素的富集污染程度易受人类活动的影响,并经过长时间的积累在城区内富集,使得城区内PM2.5的污染现象突出。     

厦门市PM_(2.5)与分布特征及能见度关系的研究

利用2011-2012年厦门市PM2.5监测资料和气象要素资料,分析PM2.5分布规律,及与海陆风、低能见度天气的关系;尝试分不同季节,在不同主导气象要素场背景下,建立PM2.5与能见度的关系式,试图用能见度推算PM2.5浓度,探索AQI预报中PM2.5浓度预报的技术方法。结果表明:厦门市低能见度天气与PM2.5浓度关系密切,通过相对湿度、降水概率、风向风速以及对应典型的天气形势等差异可清晰表现出来;区分季节性气象要素,计算PM2.5浓度与能见度的相关系数,并建立7个关系式,发现夏季PM2.5浓度与能见度显著负相关,夏季是用能见度推算PM2.5浓度相对最容易、最准确的季节;秋冬春三季PM2.5与能见度关系分别可建立两种关系式,主要为负相关关系,且春季预报PM2.5的难度最大。     

珠江三角洲秋季典型气溶胶污染的过程分析

为了解大气中各物理和化学过程对气溶胶浓度的贡献情况,利用Models-3/CMAQ模式系统对珠江三角洲(以下简称珠三角)秋季典型气溶胶污染进行研究.模拟时间是2012年10月,期间珠三角主要受高压系统的控制,在17日冷锋过境前后高压天气形势发生转变,风向从东北风转为偏东风.结果表明,珠三角秋季PM2.5浓度呈现西高东低的水平分布特征,随着高度的上升浓度高值中心也向西南方向偏移;受大气边界层高度的影响,陆地上PM2.5输送高度呈现白天高夜晚低的变化特征;过程分析结果表明源排放,水平输送和垂直输送是影响近地面PM2.5浓度变化的主要过程;本地污染物排放是城市中心(广州站)PM2.5浓度升高的主要原因,而在下风向位置(江门站)外来污染物的水平输送过程是PM2.5的最主要来源.     

城市环境空气中PM2.5和NO2浓度的相关性研究

以湖南省长沙市为研究区域,对城市环境空气中的PM2.5和NO2浓度进行自动监测,并对数据进行相关性分析.结果表明,PM2.5和NO2浓度的季节性变化大,且两者的变化规律一致,均为冬季＞秋季＞春季＞夏季;在一天内,NO2浓度的最低值一般出现在午后,但PM2.5浓度的最低值、峰值出现时间不确定;就功能区分布而言,NO2浓度最高值出现在商业区,而PM2.5浓度分布的区域规律不明显.PM2.5与NO2浓度变化以正相关为主,PM2.5浓度高时,NO2浓度高,反之亦然,两者容易产生叠加污染.总体上,冬、秋季节为PM2.5和NO2主要控制季节.     

基于观测数据空间化的北京市PM_(2.5)时空分异

PM2.5在地球表面上的变化是连续的,但由于地面海拔起伏和站点分布的相对稀疏,直接内插法很难顾及这种情况。文章运用反距离权重(IDW)、Kriging、经验贝叶斯克里金法(EBK)、多元回归+残差内插的综合空间化手段,对北京市2015年1月的PM2.5数据进行分析。结果表明:利用多元回归+残差内插方法空间化更优,且PM2.5存在显著的正局部空间自相关,中度以上污染主要分布在北京市东南部和房山区。时间上,PM2.5质量浓度逐时均值呈"W"型。3 h尺度上,PM2.5质量浓度与相对湿度和露点温度正相关,与能见度、大气压和风速负相关,与温度不相关。     

北京市大气PM_(10)和PM_(2.5)中有机物的时空变化

2005年四季在北京市不同功能区9个采样点采集大气PM10和PM2.5样品,并对其中有机物污染水平、分布特征及不同功能区PM10和PM2.5中有机物的相关性进行了探讨.结果表明,市区PM10和PM2.5中有机物年均值分别为41.39 μg/m3和34.84 μg/m3,是对照区十三陵的1.44倍和1.26倍;冬季有机物污染最严重,分别为春季的1.15、 1.82倍,秋季的2.06、 2.26倍,夏季的4.53、 6.26倍.不同季节PM2.5与PM10中EOM的比值超过0.60, 并呈现一定季节差异.各功能区有机污染表现出工业区(商业区)＞居民区(交通区、对照区)的变化趋势,且不同功能区PM2.5中EOM对PM10中EOM的影响程度各异.有机组分的年均值有非烃＞沥青质＞芳烃＞饱和烃的变化规律,而污染源的季节性排放是造成有机物组分季节变化的主要原因.     

山西省PM2.5污染时空演变特征及其影响因素分析

由于PM2.5污染存在空间异质性与空间相关性的特点,因此探究PM2.5的时空演变规律并分析PM2.5污染程度的影响因素,对于山西省协同治理联防联控有着重要作用.基于2008-2018年山西省11个地级市PM2.5年度数据,该研究运用标准差椭圆法、普通克里金插值法、探索性空间数据分析法和建立空间杜宾模型,分别对山西省PM2.5污染重心转移、污染的空间分布、空间关联性和影响因素进行了研究.结果 表明:(1)山西省PM2.5污染重心随时间不断移动,但一直位于晋中市;PM2.5污染存在空间聚集特征,但特征变化不明显.(2)时间上,山西省PM2.5浓度在2011年达到峰值,之后逐年下降;空间上,大致呈现南高北低、东高西低的特点.(3)山西省PM2.5具有明显空间集聚现象和空间溢出效应.山西省大部分南部城市处在PM2.5高-高聚集区域.(4)人口密度、规模以上发电量对山西省PM2.5浓度具有显著正向作用,而城镇率对山西省PM2.5浓度具有显著的负向作用.