基于WRF-Chem和EMI指数的新冠肺炎疫情期间沈阳市大气污染物浓度变化原因分析

利用2015—2020年沈阳市空气质量监测数据、地面气象观测资料、环境气象评估指数（EMI）产品、NCEP再分析资料及WRF-Chem数值模式,分析新冠肺炎疫情防控期间沈阳市主要大气污染物和气象要素的变化情况,研究空气质量对污染物减排和气象要素变化的响应.结果表明：疫情防控导致沈阳市PM_2.5、PM₁₀和NO₂质量浓度下降,但O₃质量浓度小幅增加;PM_2.5和NO₂对人为减排的响应更敏感;防控期内沈阳市气象条件有利于污染物的清除,气象条件使PM_2.5质量浓度下降16.37%,防控减排措施导致PM_2.5质量浓度下降22.96%;在疫情防控的背景下,不利的气象条件和污染物排放的突然增加共同造成重污染天气发生,其中不利气象条件的贡献大于排放增加的贡献;减排措施对防控期间重污染天气过程污染物峰值浓度有明显的削弱作用.     

2020年初疫情管控对山东省空气质量影响的模拟

利用2020年初新冠疫情对人类生产、生活的一次自然冲击及由此导致的大气污染状况变化,研究了空气质量对污染物减排及气象因素的响应关系.通过对疫情管控前（1月15~23日）和疫情控制关键期（1月24日~2月7日）这2个阶段空气质量对比分析发现,疫情期间山东省除O₃浓度上升外,PM₁₀、PM_2.5、NO₂、SO₂及CO浓度分别降低72.6 μg·m^-3、47.4 μg·m^-3、25.6 μg·m^-3、3.0 μg·m^-3和0.5 mg·m^-3;降幅分别为45.86%、41.24%、58.00%、17.71%和31.40%;RAMS-CMAQ模拟显示,疫情期气象扩散条件改善导致的PM₁₀、PM_2.5、NO₂、SO₂和CO浓度改善幅度为26.04%、33.03%、28.35%、43.27%和23.29%,人为减排造成的各污染物浓度降低幅度为19.82%、8.21%、29.65%、-25.56%和8.12%.疫情期间O₃浓度上升20.51%,气象因素和人为活动的影响分别占10.47%和10.04%.结果表明一次污染物对减排响应更敏感,二次污染物对减排响应有一定时滞性且受气象因素影响更显著,臭氧浓度对污染物减排线性响应关系不明显,总体呈负相关,说明臭氧的控制需探索科学的污染物减排比例.     

2014年APEC会议期间北京市空气质量分析

为研究区域性大气污染物减排措施对北京市空气质量的影响,结合地面观测的气象数据、能见度、常规污染物浓度和PM_2.5化学组分,对APEC会议期间北京市的空气质量进行分析.结果表明,APEC期间的11月4日和8-10日两个过程,大气污染物扩散条件较不利,易出现污染过程.APEC期间,密云、榆垡、昌平、奥体中心和西直门北大街5个站点SO₂、NO₂、O₃、PM₁₀和PM_2.5平均浓度分别为(8.0±8.0)、(37.4±21.6)、(36.0±22.5)、(67.7±43.4)和(48.6±42.2) μg·m^-3.与近5年同期(PM_2.5为去年同期)相比,SO₂、NO₂、PM₁₀和PM_2.5日均浓度分别下降了61.5%、40.8%、36.4%和47.1%,O₃日均浓度上升了101.8%.从污染物日变化规律来看,减排措施的环境效果在大气污染物扩散条件较有利的时段体现的更明显.在APEC期间,PM_2.5浓度在前半夜保持平稳,未出现积累峰值.与秋季非APEC期间相比,PM_2.5中大部分组分浓度均有明显下降,二次离子组分降幅尤为明显.同时,本文测算了APEC期间减排措施的"净环境效益",发现减排措施使得SO₂、NO₂、PM₁₀和PM_2.5浓度分别降低了74.1%、48.0%、66.6%和64.7%,O₃浓度上升了189.2%.与10月份的大气污染过程相比,同样在不利气象条件下,实施减排措施后PM_2.5浓度峰值明显降低,积累速度明显减缓.     

成都市道路移动源减排对空气质量的短期影响

近年来随着经济社会的高速发展,我国的空气污染问题日渐突出.管控污染源以减少污染物排放是改善空气质量的主要手段,且其效率如何会极大地影响空气质量的改善效果.但通常情况下,单一减排手段的实施对空气质量的改善的实际贡献往往在短时间内较难做出客观评价.本研究借助新冠疫情期间以道路移动源为主的各类污染源排放短期内大量下降的机会,通过疫情管控措施实施前后交通条件和空气质量的对比,分析道路移动源减排对空气质量改善的短期影响.结果表明,实施管控措施后,城市范围内道路交通条件明显改善,拥堵路段基本消失.受此影响,各类主要污染物浓度出现不同程度的下降,其中,受道路移动源贡献较大的NO₂浓度下降比例达40%~60%,PM_2.5因受气象条件影响较大而下降幅度较小.结合实时的交通数据估算其相应的尾气排放结果表明,疫情期间道路移动源排放的NO_x、HC、CO分别下降59.7%、59.9%和58.8%.本研究对于分析短时间内急速减排等应急措施对环境改善的效果,以及削减污染物排放对空气质量改善的潜力有重要的实际参考价值.     

新冠肺炎疫情期间气象条件和排放变化对PM2.5的影响

本文基于WRF-CMAQ定量分析了2020年1~3月全国337城市气象条件和排放变化对PM_2.5浓度的影响.全国气象条件整体转好1.7%,1月转差1.6%,2~3月分别偏有利1.3%和7.9%;全国污染物排放下降使得PM_2.5浓度同比下降14.1%,1~3月分别下降4.0%、25.7%和15.0%.武汉第一季度实测PM_2.5浓度同比降幅高于全国水平,与其气象条件大幅转好且污染排放降幅较大有关.北京在疫情发生前和严控期PM_2.5浓度同比升高,主要为气象转差所致;复工复产期同比下降,主要为污染排放大幅下降所致."2+26"城市、汾渭平原和长三角在第一季度PM_2.5浓度同比均下降,长三角降幅最大,与其污染排放大幅下降有关;"2+26"城市和汾渭平原在疫情发生前气象条件大幅转差,严控期大幅转好,长三角在复工复产期气象条件最有利;重点区域均为疫情严控期污染排放降幅最高,复工复产期降幅趋缓.     

京津冀及周边地区秋冬季大气污染物排放变化因素解析

基于大气污染源排放清单技术方法,定量分析2016~2017年秋冬季"跨年霾"至2019~2020年秋冬季"疫情霾"期间京津冀及周边地区主要大气污染物排放量变化,解析大气污染防治政策实施带来的减排和疫情造成的活动水平下降对主要污染物排放的贡献,并利用空气质量模型模拟分析不利气象条件下措施减排和疫情影响对空气质量改善的贡献.结果表明,从"跨年霾"（2016-12-16~2017-01-14）至"疫情霾"（2020-01-22~2020-02-14）该区域主要大气污染物排放量大幅下降50%左右,不利气象条件下,区域PM_2.5平均浓度可削减40%以上.措施减排主要来自火电、钢铁等重点工业行业提标改造和工业锅炉、民用燃煤等燃煤源治理,对SO₂和PM_2.5排放量的削减贡献较大,贡献率分别为67.1%和53.4%;疫情主要影响移动源和轻工业活动水平,对NO_x和VOCs排放量的削减贡献较大,贡献率分别为71.9%和68.2%.措施减排对区域空气质量改善贡献突出,有效抑制了重污染过程的强度和范围.在"跨年霾"的不利气象条件下,措施减排使区域PM_2.5平均浓度下降26%,重度及以上污染天数减少44%.受疫情影响,区域PM_2.5平均浓度继续下降24%,重污染持续时间和范围进一步缩减.     

厦门湾空气质量对新冠疫情管控的响应

通过对厦门湾城市群在COVID-19封锁前后6周内（2020-01-11~2020-02-21）的空气污染物浓度变化进行分析,以确定影响本区域空气质量的主要人为污染源.在春节假期与封锁叠加期间,SO₂、NO₂、CO、PM₁₀和PM_2.5浓度相比于节前1周的下降幅度分别为6%~22%、53%~70%、34%~48%、47%~64%和53%~60%,而O₃浓度变化没有一致的规律性;与2018~2019年历史同期相比,PM_2.5、PM₁₀、CO和NO₂的下降幅度更大,但SO₂的下降幅度相当;在复工复产后,NO₂的反弹幅度最大（38%~138%）,远高于SO₂（2%~42%）,显示交通源相对于固定源更易受到疫情管控的影响;春节后风速增大和降水增多也为SO₂、NO₂和PM的下降提供了正向影响.利用反距离插值权重法,得到管控前后厦门湾城市群不同污染物的空间分布变化特征,显示NO₂浓度高值区的变化与交通源高度相关,CO和SO₂空间分布特征保持稳定,复工后PM_2.5和PM₁₀在人口与路网密集区变化不明显,而在工地相对集中区域有明显上升,O₃空间分布的低值区与NO₂的高值区具有较好的空间匹配性,显示NO₂对O₃滴定作用明显,可为进一步O₃污染减排措施的制定提供参考.     

河南省18个城市大气污染物分布特征、区域来源和传输路径

河南省大气污染严重且与周边区域污染传输及交互影响明显,以2017年1、4、7和10月为研究对象,将河南省内18个地市的排放源分别标记,并应用于WRF-CMAQ溯源模型进行模拟.污染物分布结果表明,由于排放和气象的共同影响,河南省PM_2.5、NO₂和SO₂浓度表现为冬季最高,夏季最低.O₃-8h浓度的季节变化则为夏季最高,春季次之,冬季最低.不同季节间污染物浓度差距较大,河南省PM_2.5、NO₂和SO₂冬季浓度平均值分别是夏季的4.17、4.12和6.24倍,而O₃-8h在夏季的浓度是冬季的2.24倍.由于PM_2.5、NO₂和SO₂与一次排放关系密切且具有一定的同源性,这3种污染物的高值分布为北高南低,季节趋势较为一致.而O₃-8h季节分布差异较大,夏季气象条件有助于O₃的生成,O₃-8h高值主要分布于河南省东北区域;冬春秋季由于气象条件的抑制和NO_x的消耗O₃-8h高值主要分布在河南省的南部.传输结果表明,冬季省外传输和天然源对河南省PM_2.5、O₃-8h、NO₂和SO₂浓度的贡献率都是最大的,分别为36.20%~72.32%、77.96%~96.08%、49.45%~78.80%和59.05%~88.85%.在仅考虑本地排放和省内传输时,夏季河南省内各市的排放对本地4种污染物浓度的贡献率均为最高;春季省内传输对各市PM_2.5和O₃-8h浓度的贡献率较大,分别为25.63%~74.69%和30.21%~80.01%,冬季省内传输对各市NO₂和SO₂浓度的贡献率较大,分别为26.02%~76.96%和20.30%~82.34%.河南省内PM_2.5、NO₂和SO₂的传输路径相似,冬季多由北向南传输,春季多由西向东,西南向东北传输,夏季多由西南向东北传输,秋季多由北向南传输,但PM_2.5的传输更加复杂.而O₃-8h传输路径与其他3种较为不同,特别是在秋季O₃-8h由西南向东北的传输路径明显.     

COVID-19疫情期间成都市地面臭氧污染特征及气象成因分析

受COVID-19疫情影响,我国各地采取了一系列封锁管控措施,由此导致大气污染物排放强度降低.本文以成都市为例,分析了2020年上半年的气象条件和大气污染浓度特征,并重点对臭氧浓度变化及同期对比结果进行了细致分析.结果表明：①与2019年同期相比,除O₃外的5种污染物（NO₂、CO、SO₂、PM₁₀、PM_2.5）浓度均降低,降幅分别为13.60%、8.96%、6.30%、4.56%、1.80%,而O₃浓度却异常升高,升幅最大值分别出现在2月（35.1%）和5月（36.1%）.②2020年上半年,O₃浓度高值出现时间较2015—2019年提前,气象条件较有利于臭氧的生成.100 hPa和500 hPa位势高度为正距平,气温、日照时数较往年升高,相对湿度和降水量下降,以静小风为主.③2020年4月25日—5月6日臭氧污染持续时间长,主要是由于复工复产导致臭氧前体物排放增加,以及稳定的天气形势,使成都长时间处于高温（>30℃）、低湿（40%~60%）、静小风（1.3 m·s^-1）等不利扩散的气象条件下.气团后向轨迹和污染潜在源区表明研究区受到来自成都偏东一带及川南地区高污染气团短距离输送的影响.     

2017~2021年苏皖鲁豫交界区域PM2.5和O3时空变化特征及影响因素

苏皖鲁豫交界区域是长三角和京津冀及周边两大大气污染治理重点区域的连接带,揭示该区域PM_2.5和O₃污染特征对推动区域大气污染联防联控有着重要意义.基于2017~2021年苏皖鲁豫交界区域22个地市的国家空气环境监测网络观测数据,探讨了该区域PM_2.5和O₃浓度的时空变化特征及气象影响.结果表明：①2017~2021年区域PM_2.5浓度呈现逐年下降趋势,PM_2.5浓度月均值呈现“U型”分布,冬季PM_2.5浓度仍维持高位.O₃-8h-90%浓度呈现波动下降趋势,O₃-8h-90%浓度月均值变化呈“M型”分布,夏秋季O₃污染程度未有好转.②与2017年相比,2021年PM_2.5-O₃复合污染天数减少了52 d,但PM_2.5污染仍占主导地位.③PM_2.5和O₃污染区域主要集中在区域中部和北部城市,且中部城市PM_2.5和O₃污染程度均改善显著.④采用Moran''s I指数和LISA指数分析了区域PM_2.5和O₃-8h-90%浓度的全局和局部空间自相关性,PM_2.5和O₃-8h-90%浓度均具有空间相关性,PM_2.5浓度主要表现为高值-高值聚集或低值-低值聚集现象,且高值-高值聚集有从中部向西部转移的现象,2020年和2021年O₃-8h-90%浓度表现为高值-高值聚集或低值-低值聚集现象.⑤结合气象要素数据,利用KZ滤波方法量化排放源与气象条件对区域PM_2.5和O₃-8h浓度的贡献,两者主要受到污染物排放影响,贡献率分别为101.0%和99.3%,表明污染物减排是驱动区域空气质量改善的主要因素.此外,气象条件对PM_2.5浓度的贡献在一、四季度为正值,二、三季度为负值,而对O₃-8h浓度的影响则反之,且气象条件对不同城市PM_2.5和O₃-8h浓度的影响程度存在较大差异.     

基于KZ滤波法的河北省PM2.5和O3浓度不同时间尺度分析研究

大气细粒子和臭氧是影响我国城市空气质量的主要污染物质,其浓度的大小不仅与污染源的排放量有关,气象条件也是影响其浓度分布特征的重要因素.要评估污染物减排措施的效果,有必要将气象条件的影响剥离出来,仅评估排放量的降低对污染物浓度长期变化趋势的影响.本文使用KZ(Kolmogorov-Zurbenko)滤波方法对河北省石家庄、保定、张家口三市2013—2017年PM_(2.5)和O_3逐日浓度时间序列进行分解,并使用同期地面气象观测数据对各时间序列进行逐步回归分析,将经过KZ滤波后的长期序列与经逐步回归后的结果的差值再次进行滤波处理,得到去除气象影响的污染物浓度长期变化趋势,该浓度仅与污染物的排放量有关.结果表明,因污染源排放的影响,河北省三市大气PM_(2.5)浓度在研究年内除在2017年初略有上升以外,其余季节均呈下降趋势.河北省三市大气O_3浓度在研究年内均有波动上升趋势.气象条件对PM_(2.5)浓度长期变化趋势的影响大于O_3.     

G20峰会期间杭州地区空气质量特征及气象条件分析

利用空气质量和气象要素的监测资料与再分析资料,分析了2016年G20峰会期间(2016年8月10日—9月20日)杭州及周边地区空气质量演变及区域特征,探讨了气象条件对G20峰会期间杭州空气质量的影响.结果表明:G20峰会管控期间,由于机动车排放大幅度降低,杭州NO_2浓度较管控前有所下降,对比周边城市降幅居于首位;而由于不利气象条件的影响,PM_(2.5)、PM_(10)、SO_2、CO和O_3浓度比管控前有不同程度的增长,但增幅相比周边城市较小,说明管控措施对杭州空气质量有一定的改善效果.9月7日管控措施结束后污染反弹现象明显.气象条件对杭州的空气质量有重要影响:在管控前,杭州晴热高温天气有利于O3的生成,偏东风相对洁净,污染传输较少;在管控期,杭州虽受到静稳天气和外来污染传输的影响,但得益于减排应急管控措施的有效实施,NO_2浓度下降幅度最大,其他污染物的增幅也较周边城市偏小;在管控后,气象条件不利于污染物的垂直扩散,受静稳天气和污染源恢复常态的影响,PM_(2.5)、PM_(10)、NO_2、SO_2和CO出现了整个研究时段的最大值,而台风"莫兰蒂"使得杭州PM_(2.5)、PM_(10)和O_3浓度出现了整个研究时段的最低值.     

基于机器学习方法研究气象及排放变化对长三角地区主要城市大气污染物的影响

选取2015～2021年长三角地区4个代表性城市污染物浓度,利用机器学习的气象归一化方法解耦气象因素对污染物的影响,量化气象和排放对污染物浓度变化的贡献.结果表明,长三角地区PM_2.5、 NO₂和SO₂排放下降影响贡献较大(57.2%～68.2%、 80.7%～94.6%和81.6%～96.1%),抵消了气象因素带来的不利影响,致使污染物浓度降低.而气象条件对于臭氧日最大8 h(MDA8＿O₃)的贡献强于其他污染物(23.5%～42.1%),其中气象因素促进污染物浓度上升(4.7%),排放变化促进污染物浓度下降(-3.2%). NO₂和MDA8＿O₃在2019～2021年降幅更快,主要原因是2019～2021年排放起到较2015～2018年更强的促进污染物浓度降低作用.PM_2.5和SO₂在2019～2021年的降幅较2015～2021年整体有所减弱.基于机器学习的气象归一化方法可以解耦气象对污染物的影响,量化排放...     

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.     

Variability of PM2.5 and O3 concentrations and their driving forces over Chinese megacities during 2018-2020

Recently,air pollution especially?ne particulate matters (PM_2.5) and ozone (O₃) has become a severe issue in China.In this study,we?rst characterized the temporal trends of PM_2.5and O₃for Beijing,Guangzhou,Shanghai,and Wuhan respectively during 2018-2020.The annual mean PM_2.5has decreased by 7.82%-33.92%,while O₃concentration showed insigni?cant variations by-6.77%-4.65%during 2018-2020.The generalized additive models (GAMs) were ...     

2015—2017年天水市大气污染物变化特征及来源分析

据天水市2015-2017年大气污染物（SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀）的监测数据及气象资料,分析了天水市大气污染物的浓度变化特征,并利用排放源清单和HYSPLIT模型对污染物来源进行了解析.结果表明：①天水市空气质量有所下降,总体优良率达84.9%.SO₂、NO₂、CO均达标,污染物以颗粒物和O₃为主.②一次污染物SO₂、NO₂、CO、PM_2.5和PM₁₀浓度具有相似的季节变化和日变化特征,冬季最高,夏季最低,日变化呈早晚双峰型.二次污染物O₃夏季浓度最高,冬季最低,日变化呈单峰型.③天水市空气质量主要受污染物的本地排放和外来输送的影响,本地民用和工业部门对SO₂、CO、PM_2.5和PM₁₀的贡献最大,交通和工业部门对NO_x的分担率最高,民用部门是CO的最大排放源;西北和东部气流是污染物外来的最主要输送路径.此外,污染物在城市大气中的稀释、扩散和转移也受当地气象因素（气温、降水、风向等）的影响.     

成都市降水对大气污染物的清除效果分析

成都市受特殊地形和气候条件影响,地面风速小,静风比例高,空气湿度大,大气污染物扩散缓慢,主要靠降水的冲刷和清除作用去除大气污染物.利用2014年5月13日-2017年12月31日成都市逐小时ρ（PM_2.5）、ρ（PM₁₀）、ρ（NO₂）、ρ（O₃）、ρ（CO）、ρ（SO₂）监测数据和同期地面降水量观测数据,分析了降水前污染物质量浓度、小时最大降水量、降水持续时间及累积降水量对大气污染物清除效果的影响.结果表明:①降水对6种大气污染物的清除率随降水前污染物质量浓度的增加而增大,并且汛期降水对大气污染物的清除率大于非汛期降水.②降水对大气污染物起正清除作用,清除率随降水持续时间的增加而增大.③不同降水量对不同污染物的清除效果不同,对PM_2.5、PM₁₀、NO₂、CO和SO₂的清除率随降水量的增加而逐渐增大,对O₃的清除效果相差不大且清除率均较大;小时最大降水量对PM_2.5、PM₁₀、NO₂、O₃、CO、SO₂的清除率平均值分别为29.48%、26.95%、22.02%、26.87%、11.94%、28.75%,累积降水量的清除率平均值分别为31.64%、30.66%、24.38%、26.31%、13.89%、32.91%,其中CO不易溶于水,降水对其清除作用明显小于其他几种污染物.研究显示,降水对大气污染物的清除作用显著,对SO₂、PM_2.5和PM₁₀的清除效果较好,而对CO的清除效果较差.