成渝城市群PM2.5的时空分布及其影响因素研究

随着工业化与城镇化的深入推进,成渝城市群的PM_2.5污染不断加剧,呈明显的区域性与复合性特征.该研究以2015—2017年成渝城市群空气质量监测站的日均ρ（PM_2.5）数据为基础,结合区域气象、遥感与统计年鉴等多源数据,采用反距离插值法分析了ρ（PM_2.5）的时空分布差异,采用Moran's I指数与LISA指数探索了ρ（PM_2.5）的全局和局部空间自相关性,并利用空间回归模型研究了自然、经济社会等因素对ρ（PM_2.5）的影响.结果表明:①成渝城市群ρ（PM_2.5）分布存在明显的时空差异.时间上,2015年PM_2.5污染最严重,ρ（PM_2.5）年均值为54.38 μg/m3,2016年、2017年PM_2.5污染状况逐年减轻,ρ（PM_2.5）年均值分别为53.68与47.56 μg/m3;空间上,成渝城市群东北部ρ（PM_2.5）较低,而南部ρ（PM_2.5）较高.②空间自相关分析结果表明,PM_2.5污染在成渝城市群存在显著的空间聚集性,成渝城市群南部ρ（PM_2.5）呈高值-高值聚集,成渝城市群北部ρ（PM_2.5）则呈低值-低值聚集.③空间回归结果表明,成渝城市群范围内某一地区邻近区域的ρ（PM_2.5）平均值增加1%时,该地区ρ（PM_2.5）将上升至少0.38%.城镇化率对ρ（PM_2.5）的影响最大,其次是第一产业增加值,再次是工业增加值占比和降水量.城镇化率、降水量与ρ（PM_2.5）呈负相关,而第一产业增加值、工业增加值占比与ρ（PM_2.5）呈正相关.研究显示,加快城镇化进程、减少第一产业排放、降低工业增加值占比（尤其是重污染工业）是有效解决成渝城市群PM_2.5污染的重要手段.      

基于线性混合效应模型的河北省PM2.5浓度时空变化模型研究

京津冀地区大气PM_2.5污染严重.为揭示区域PM_2.5时空分布规律,使用2013-2014年河北省地面站点PM_2.5监测数据、MODIS AOD（气溶胶光学厚度）遥感数据、地面气象站点数据和土地利用调查数据,基于线性混合效应模型（LME）,建立了ρ（PM_2.5）时空变化与AOD因子、气象因子、土地利用因子之间的关系模型.采用十折交叉验证法对模型精度进行检验,并利用计算得到的校正因子[全部实测的ρ（PM_2.5）年均值除以参与建模的所有实测ρ（PM_2.5）年均值]纠正因AOD非随机性缺值导致的抽样偏差.结果表明:①河北省区域模拟精度R2（决定系数）为0.85,经交叉验证后R2为0.77,RMSE（均方根误差）和RPE（相对预测误差）分别为18.28 μg/m3和28.68%.②ρ（PM_2.5）年均值模拟结果的校正因子范围为1.24~2.05,校正后的研究区ρ（PM_2.5）年均值为89.84 μg/m3,与实际监测数据相近.③ρ（PM_2.5）空间分布呈平原高、山区低,平原地区西南高、东北低的趋势.④ρ（PM_2.5）与AOD、温度、相对湿度呈正相关,与风速、大气能见度呈负相关.研究显示,线性混合效应模型能有效对ρ（PM_2.5）进行时空变化模拟,并实现对非地面监测地区ρ（PM_2.5）时空变化的预测,恰当的预测因子组合和模型校正有助于模型预测精度的提升.      

2013—2014年《大气污染防治行动计划》实施效果及对策建议

2013年9月10日国务院颁布了《大气污染防治行动计划》(下称《行动计划》).为研究《行动计划》颁布前后我国不同地区大气污染状况变化及其防治措施效果,通过分析2013—2014年“中国大气气溶胶研究网络(CARE-China)” 36个监测站点ρ(PM_2.5),结合同期环境保护部公布的74个重点城市大气主要污染物浓度数据和OMI卫星数据,分析了我国不同地区ρ(PM_2.5)变化及其原因;同时,以北京为例,分析了不同粒径段中颗粒物质量浓度变化的原因.结果表明:①京津冀及其周边、长三角、珠三角、西南、成渝、西北、华中、关中和东北9个地区ρ(PM_2.5)年均值下降了1.1～16.3 μg/m3.其中,京津冀及其周边、长三角、珠三角、成渝和关中地区降幅均超过10.0%,分别为10.2%、10.7%、11.6%、16.9%和20.8%.②不同地区ρ(NO₂)和ρ(SO₂)年均值变化基本一致,近地面ρ(NO₂)年均值在京津冀及其周边、珠三角、西南、成渝和华中等地区降幅在3.0%～9.2%之间,但是华北平原地区NO₂柱浓度下降明显,降幅在10.0%～20.0%之间.③北京地区ρ(PM₁)和ρ(PM_2.5)年均值分别下降了5.7和0.2 μg/m3,并且ρ(NO₃-)和ρ(SO₄2-)年均值在PM₁和PM_2.5中均有所下降,但ρ(PM_1~2.5)与其ρ(NH₄+)年均值升幅分别为27.9%和16.2%.因此,京津冀及其周边地区在防治措施实施过程中,在控制高架点源与实施脱硝措施等情况下,应逐步加强近地面面源和线源的控制力度;在实施SO₂和NO_x减排措施的同时,还需要重视机动车三元催化过程和燃煤电厂脱硫脱硝过程中可能导致的NH₃排放问题.      

2015—2020年中国PM2.5污染时空演化及其与ENSO的关系研究

根据2015—2020年中国近1500个监测站点PM_2.5小时浓度数据，利用空间自相关分析、回归分析及小波分析方法，探索了中国PM_2.5浓度与异常的时空演化及其与ENSO(El Ni?o-Southern Oscillation，厄尔尼诺-南方涛动)之间的关系.结果表明，PM_2.5污染具有显著空间自相关性，空间上存在明显集聚特征. PM_2.5浓度较高的站点通常位于华北地区，其次是华中、华东北部，而PM_2.5浓度较低的站点通常位于青藏、华南南部和西南南部地区，特别是华南沿海区域.两个ENSO期间，夏季，全国各区域厄尔尼诺年(2015年和2018年)PM_2.5平均浓度高于拉尼娜年(2017年和2020年)；冬季，北方大部分区域，除ENSO II内蒙古和青藏地区以外，厄尔尼诺年PM_2.5平均浓度也高于拉尼娜年，但华南和西南地区的结果相反，表明ENSO对我国冬季南北方PM_2.5污染的影响可能相反.回归分析表明，华北、华东...     

保定市大气污染来源与燃煤治理成效

为支撑保定市空气污染控制目标实现,于2014年起开展了保定市大气污染研究工作,明确了保定市大气污染的主要来源与成因,并提出了有针对性的治理对策.结果表明:①保定市大气重污染主要发生在冬季,民用燃煤排放是大气重污染发生的根本原因.2013年12月1日-2014年2月28日冬季ρ（SO₂）、ρ（NO₂）、ρ（PM₁₀）和ρ（PM_2.5）分别为2014年年均值的1.93、1.64、1.46和1.61倍.民用燃煤源占2014年PM_2.5全年来源的19.8%,占冬季PM_2.5来源的30.9%.②集中供热和清洁取暖措施对空气质量改善效果明显.2015-2018年民用散煤综合整治后,ρ（PM_2.5）年均值由2013年的135 μg/m3降至2018年的67 μg/m3,降幅达50.4%,全年重度污染和严重污染天数占比从30.0%降至9.0%.清洁取暖率较高区县的冬季空气综合指数和ρ（PM_2.5）明显低于清洁取暖率低的区县.③民用散煤综合整治降低了冬季PM_2.5中民用燃煤源占比,优化了能源结构.民用燃煤在PM_2.5中占比由2014年冬季的30.9%分别降至2017-2018年冬季的25.0%和2018-2019年冬季的22.0%,煤炭消费量占比由2014年的49.6%降至2017年的38.4%,电力消费量占比由2014年的33.8%升至2017年的39.5%,天然气消费量占比由2014年的2.6%升至2017年的6.8%.总体而言,尽管保定市空气质量得到了一定改善,但总燃煤量占比仍高于北京市（9.8%）和天津市（36.1%）,其主城区南部区县仍可进一步提高清洁取暖率,以促进空气质量不断改善.      

南昌市大气颗粒物污染特征及PM2.5来源解析

为探讨2013年南昌市大气颗粒物的污染特征及分布状况,收集南昌市9个大气监测站点实时发布的PM₁₀和PM_2.5数据,分析了ρ（PM₁₀）、ρ（PM_2.5）和ρ（PM_2.5）/ρ（PM₁₀）的变化规律及其与气态污染物的相关性,并结合污染严重的秋季时段,采用PCA-MLR（主成分分析-多元线性回归）模型对大气PM_2.5中化学组分来源进行解析.结果表明:①ρ（PM₁₀）和ρ（PM_2.5）的年均值分别为（115.4±39.1）（69.1±26.8）μg/m3,均超过GB 3095-2012《环境空气质量标准》二级标准限值,ρ（PM₁₀）和ρ（PM_2.5）的最高值分别出现在石化、省外办监测站点,最低值出现在林科所监测站点.ρ（PM₁₀）和ρ（PM_2.5）季节性变化特征明显,呈冬季>春、秋两季>夏季的趋势,全年ρ（PM₁₀）超标天数占比为25.48%,ρ（PM_2.5）超标天数占比为36.71%,各季度ρ（PM_2.5）超标天数占比均高于ρ（PM₁₀）.②受人为活动和边界层高度的影响,ρ（PM_2.5）和ρ（PM₁₀）日变化呈双峰双谷形态,一个波峰出现在08:00-10:00,另一个波峰出现在20:00-22:00,并且晚间小时峰值高于早间,最低值出现在15:00.③ρ（PM_2.5）/ρ（PM₁₀）年均值为60.3%,在冬季最高达65.1%,相关性分析发现ρ（PM₁₀）与ρ（PM_2.5）存在较显著的线性关系,表明二者具有同源性.④ρ（PM₁₀）、ρ（PM_2.5）均与ρ（SO₂）、ρ（NO₂）、ρ（CO）呈显著正相关,并且冬季相关性高于夏、秋两季;而ρ（PM₁₀）、ρ（PM_2.5）均与ρ（O₃）全年呈显著负相关,并且夏、秋两季相关性高于冬季,说明气态污染物的二次转化对ρ（PM_2.5）和ρ（PM₁₀）有较大影响.⑤南昌市秋季PM_2.5的最大污染源为道路扬尘/机动车尾气混合污染源,其次分别为施工扬尘源、燃煤源、冶炼尘/生物质燃烧混合污染源,各污染源对PM_2.5的贡献率分别为40.9%、35.8%、12.4%、10.9%.研究显示,南昌市PM_2.5的污染程度较PM₁₀严重,PM_2.5已成为南昌市大气颗粒物污染的主要组分,PM_2.5主要来源为城市扬尘和机动车尾气.      

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.      

昆明市不透水表面扩张与PM2.5质量浓度变化相关性分析

为分析城市化进程导致的城市生态环境问题，采用不透水表面覆盖率（impervious surface coverage，ISC）作为宏观地理指标表征昆明市城市化水平，以ρ（PM_2.5）反映城市化进程带来的大气环境问题，基于不同空间尺度和空间数理统计研究了ISC与ρ（PM_2.5）的对应关系.结果表明:2000-2015年，昆明ISC从9.36%增至16.37%，ρ（PM_2.5）年均值从17.12μg/m3增至28.63μg/m3，并且二者空间分布总体一致.从乡镇尺度分析，乡镇ρ（PM_2.5）和ISC具有显著空间自相关性，二者2015年Moran's I指数分别为0.58和0.29（P < 0.001），具有显著正相关性（R2=0.803，P < 0.001）.当乡镇ISC>5%时，有58.14%（25/43）的乡镇已污染[ρ（PM_2.5）>25μg/m3]；当乡镇ISC>10%时，有71.43%（25/35）的乡镇已污染；当乡镇ISC>25%时，有100%（26/26）的乡镇处于污染状态；但当乡镇ISC < 5%时，所有乡镇的ρ（PM_2.5）都低于25μg/m3.从站点尺度分析，所有站点旱季比雨季污染严重；主城区站点（ISC高）比城郊区站点（ISC低）污染严重，其中前者季节变化为冬天>春天>秋天>夏天，后者为春天>冬天>夏天>秋天；站点缓冲区ISC与ρ（PM_2.5）的相关性显著（R2=0.893，P < 0.001）.研究显示，未来中国新型城市化建设中应当考虑城市不透水表面比例和空间分布，保证新型城市拥有足够的绿色空间，建设生态城市.      

运用地理探测器研究京津冀城市群PM2.5浓度变化及影响因素

研究京津冀城市群PM_2.5浓度时空格局变化和影响因素,对区域大气环境保护和经济可持续发展具有十分重要的意义.基于PM_2.5遥感数据、地面站点气象数据、DEM数据、MODIS NDVI数据、夜间灯光数据、人口密度数据、土地利用类型数据和路网数据,利用Theil-Sen Median趋势分析、Mann-Kendall显著性检验和Getis-Ord G_i*分析,运用地理探测器分析京津冀城市群PM_2.5浓度时空变化和空间聚集特征,并探究影响其空间分异的影响因素.结果表明：(1)2000—2021年京津冀城市群PM_2.5污染严重,全年平均PM_2.5浓度为59.94μg/m³,冬季是京津冀城市群PM_2.5污染的高发季,但京津冀城市群PM_2.5浓度总体呈下降趋势,变化斜率为–0.85μg/(m³·a).(2)PM_2.5浓度在空间上呈东南高、西北低的分布格局,且P...     

基于空间插值的西安市重空气污染期间主要污染物时空变化特征及相关性分析

西安市是我国承东启西、连接南北的战略性枢纽城市,但其长期受到重空气污染的影响.基于2018年11月24日-12月3日西安市及其周边7个地级市共38个环境质量监测站点的逐时数据,利用空间插值、趋势分析和相关性分析方法,研究了西安市一次重空气污染期间六大污染物（PM_2.5、PM₁₀、CO、NO₂、SO₂和O₃）的质量浓度时空变化及彼此间的相关关系.结果表明:①IDW（inverse distance weighting,反距加权插值法）和OKri（ordinary Kriging,普通克里格插值法）均能较好地获得西安市空气污染物的时空变化情况,但IDW的插值精度优于OKri,距离指数为7的IDW可以满足西安市空气污染物时空变化模拟的要求.②研究期间,西安市首要污染物为PM_2.5和PM₁₀,二者分别是中度-重度污染及严重-"爆表"污染天气的首要贡献因子.③ρ（PM_2.5）、ρ（PM₁₀）、ρ（CO）、ρ（NO₂）和ρ（SO₂）均呈中部高、两边低,北部高、南部低的空间分布特点,而ρ（O₃）则相反;PM_2.5、PM₁₀、O₃污染程度日趋严重,NO₂污染程度逐渐缓解.④ρ（PM_2.5）、ρ（NO₂）、ρ（CO）之间呈中等正相关,三者在时空变化上具有较高的一致性;ρ（SO₂）与ρ（PM_2.5）、ρ（NO₂）、ρ（CO）均呈弱正相关;ρ（O₃）与ρ（NO₂）、ρ（CO）均呈弱负相关.受扬尘天气和特殊风向及地形共同影响,西安市PM₁₀出现"爆表"现象,导致ρ（PM₁₀）与其他污染物质量浓度之间的相关性不明显.研究显示,距离指数为7的IDW适合西安市空气污染情况时空变化的模拟,重污染天气条件下,西安市ρ（PM_2.5）、ρ（NO₂）、ρ（CO）之间具有较高的同源性,但各污染物间时空变化和相关性关系较复杂.      

典型“组群式”城市夏季大气颗粒物中水溶性离子化学特征及来源

为探究典型“组群式”城市——淄博市夏季大气颗粒物中水溶性离子化学特征及来源,于2016年8月对淄博市6个城市点（桓台、张店、临淄、淄川、博山、周村）、2个郊区点（沂源、高青）及1个清洁对照点（鲁山）同步进行PM_2.5和PM₁₀采样,分析了大气颗粒物质量浓度及9种水溶性离子的空间分布特征,并利用主成分分析方法探讨了PM_2.5和PM₁₀中水溶性离子的主要来源.结果表明:①淄博夏季各点位（清洁对照点除外）PM_2.5和PM₁₀质量浓度日均值范围分别为57.2~112和77.4~163 μg/m3,空间分布特征表现为城市点>郊区点>清洁对照点;各点位PM_2.5/PM₁₀（质量浓度之比）在0.61~0.80之间,表明淄博夏季大气颗粒物污染以PM_2.5为主.②水溶性离子在PM_2.5和PM₁₀中占比分别为53.3%和48.5%,其中二次无机离子分别占总离子浓度的91.4%和83.7%,表明大气颗粒物主要以二次离子为主,并且主要富集在PM_2.5中;PM_2.5中∑阴离子/∑阳离子（摩尔浓度之比）为1.07,PM₁₀中该比值为0.87,说明PM_2.5接近中性,而PM₁₀呈弱碱性.③淄博夏季各点位离子来源具有一定的空间差异性,城市点、郊区点与清洁对照点间的CD（分歧系数）均高于0.2,而城市点间CD值低于0.2,说明城市点位间的水溶性离子的化学性质较为相似.④主成分分析表明,淄博夏季大气PM_2.5中的水溶性离子可能主要来源于工业源、生物质锅炉、燃煤、二次源、道路尘及建筑尘,而PM₁₀中的离子主要来源于道路尘、建筑尘、海盐及二次源.研究显示,淄博市颗粒物污染严重,具有明显的空间分布特征,水溶性离子来源复杂,应采取分区、多源控制的污染防治对策.      

十堰市城区冬季PM2.5污染特征与来源解析

为探讨内陆山区城市湖北省十堰市冬季PM_2.5污染特征及来源构成,于2016年1月12日—2月4日在4个采样点位同步采集PM_2.5样品,分析了无机元素、水溶性离子、有机碳和元素碳的质量浓度.并采集了十堰市主城区城市扬尘、裸露山体尘、建筑水泥尘、燃煤源、机动车尾气、工业源及餐饮油烟源等7类污染源,初步建立十堰市本地的污染源成分谱库,利用统计学方法研究冬季PM_2.5的污染特征,并采用CMB受体模型及“二重源解析技术”分析其来源构成.结果表明:冬季采样期间,十堰市ρ（PM_2.5）平均值达到110.65 μg/m3,超过GB 3095—2012《环境空气质量标准》二级标准24 h浓度限值,并且随空气RH（相对湿度）增加污染加重.城区3个采样点PM_2.5化学组成及特征的空间差异不明显.PM_2.5中ρ（TC）最高,其次是ρ（NO₃-）和ρ（SO₄2-）,与二次反应、机动车尾气、煤燃烧等密切相关.ρ（NO₃-）/ρ（SO₄2-）为1.22,说明机动车尾气的影响较大.二次粒子、燃煤源和机动车尾气是十堰市城区冬季大气PM_2.5的主要来源,贡献率分别为51.2%、10.9%和10.1%.研究显示,十堰市城区冬季ρ（PM_2.5）超过GB 3095—2012二级标准,PM_2.5的污染控制应以二次粒子、燃煤和机动车为主,采取多源控制原则.      

面向场景的城市PM2.5浓度空间分布精细模拟

针对传统PM_2.5浓度空间分布模拟方法忽略了城市内部如道路、工厂、居民区、景区等不同微环境整体对PM_2.5浓度影响机制的缺陷,本研究提出一种微环境PM_2.5浓度场景分异的理论假设,并以湖南长沙主城区为例,结合基于污染先验知识划分的城市微环境场景空间分布与自主设计加密观测场获取的203个监测点小时PM_2.5浓度加密数据,分析城市微环境PM_2.5浓度场景时空分异特征.在此基础上,耦合地理加权回归（GWR）与人工神经网络（ANN）方法,构建微环境场景增强下的PM_2.5浓度空间分布精细模拟GWR-ANN模型,开展城市内部高空间分辨率PM_2.5污染制图.结果表明：不同微环境场景间PM_2.5浓度存在显著时空差异,地表覆盖类型相同但分别位于2个不同场景的监测点间PM_2.5浓度差会随时间发生变化;耦合微环境场景变量的GWR-ANN模型能够有效精细模拟PM_2.5浓度的空间分布,模型拟合效果与交叉检验精度指标整体优于无场景变量参与的GWR-ANN模型（除部分时相较为接近外,检验R²：0.76~0.84vs.0.57~0.81）;场景增强下的PM_2.5浓度空间分布100m级分辨率模拟估算结果可以较好揭示研究区PM_2.5浓度高低值局地变化特征.     

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.     

乌鲁木齐市重污染期间PM2.5污染特征与来源解析

目前有关我国城市大气重污染期间PM_2.5污染特征及其来源的研究较少,为深入了解典型城市大气重污染期间PM_2.5的污染特征与来源构成,于2013年1月19—30日在乌鲁木齐市采集PM_2.5样品,并依据相关划分标准,确定1月19—28日为重污染天气. 分析了重污染天气下ρ(PM_2.5)及主要化学组成(包括水溶性离子、无机元素和碳组分),运用统计学方法研究了重污染期间PM_2.5的污染特征,并且采用富集因子法和CMB受体模型解析了PM_2.5的来源构成.结果表明:大气重污染期间ρ(PM_2.5)严重超标,其中米东区环境保护局采样点的ρ(PM_2.5)最高,其次是铁路局、市监测站;PM_2.5化学组分以SO₄2-、TC、Si和NO₃-为主,其中二次离子占ρ(PM_2.5)的43.1%;城市扬尘、煤烟尘和二次粒子是环境空气中PM_2.5的主要污染源类,三者在乌鲁木齐市以及米东区的分担率分别为24.7%、15.6%、38.0%和20.8%、28.0%、36.2%,其中二次硫酸盐的分担率在两地更分别达到28.6%和27.0%.      

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.      

2013—2018年山东省大气PM2.5和PM10污染时空变化及其影响因素

PM_2.5和PM₁₀污染已成为全球关注的重要环境问题,监测其污染状况对人类健康、动植物生长、大气环境评价等具有重要意义。基于2013—2018年山东省17个城市大气PM_2.5和PM₁₀监测数据,利用时空分析方法和Spearman相关分析方法,研究其污染时空变化特征,并分析气象、人为及政策因素对二者的影响。结果表明:与2013年相比,2018年山东省大气PM_2.5和PM₁₀污染程度明显减轻,年均浓度降幅分别为48.72%、37.72%;6年整体月均PM_2.5浓度呈近似"U "形变化规律,月均PM₁₀浓度呈近似" V"形变化规律;PM_2.5和PM₁₀污染整体呈由西北内陆向东部沿海地区逐渐减轻的空间趋势;PM_2.5和PM₁₀浓度受气温和降水量2个气象因素影响较显著,受道路密度、城市绿化覆盖面积、SO₂和NO_x排放量等人为因素影响较显著,且气象因素和人为因素对PM_2.5浓度的影响较PM₁₀更大。     

2015—2021年南京市大气污染特征及污染个例研究

探究细颗粒物(PM_2.5)和臭氧(O₃)污染的时间变化特征,阐明PM_2.5和O₃复合污染过程中不同阶段环境空气污染物及气溶胶粒径分布的详细演变过程,对南京及长三角地区的大气污染防治具有重要指导意义.本文使用2015—2021年南京市环境空气污染物小时浓度数据,分析了该地区多年大气污染演变过程,并选取2015年10月12—17日时间段作为复合污染典型个例,对其生消过程和内在机理进行了详细分析.结果表明：(1)2015—2021年南京市各种大气污染物的变化特征具有明显差异. PM_2.5、PM₁₀和SO₂浓度的年下降率分别为8.9%、6.2%和15.4%,O₃浓度变化较小. CO浓度在2016年达峰后以每年7.6%的速率下降.NO₂浓度在2015—2019年呈增加趋势.(2)2015—2021年污染特征发生较大变化,由PM_2.5为主导变为由O₃为主导的大...