室内外PM2.5中金属元素的污染特征及来源

在南京市仙林地区住宅楼内和室外采集PM_2.5样品,分析PM_2.5中金属的污染特征及主要来源.结果显示,室内外PM_2.5平均浓度分别为80.56μg/m³和96.77μg/m³,室内外PM_2.5浓度比（I/O）平均值为0.87.除Mg外,室外其他金属平均值均高于室内.元素Pb室内外浓度相关性最高,R值为0.807.室内外PM_2.5中金属元素Cd、Cu、Pb、Zn、As、Co、Cr和Ni富集程度较高.主成分分析结果显示,室外PM_2.5中金属的主要来源为土壤尘、交通排放、金属冶炼、垃圾焚烧等;室内PM_2.5中金属可能的来源为室外颗粒物的渗透及室内烹饪和家具材料等.     

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.      

城市公园不同植被结构绿地削减空气颗粒物浓度研究

随着城市化和工业化进程的加快,空气颗粒物污染成为城市最为严峻的环境问题之一.依据植被的横向结构、竖向结构及植被类型3个因子对宝鸡市公园绿地进行划分,并选取11种不同植被结构的绿地,在分析地点、时间、风速、温度、相对湿度、绿地面积等环境因子对绿地内空气中ρ（PM_2.5）和ρ（PM₁₀）"本底效应"影响的基础上,探究不同植被结构绿地对空气颗粒物质量浓度削减作用的差异.结果表明:①在不同监测地点和监测时段内,ρ（PM_2.5）和ρ（PM₁₀）有极显著差异,植物养护管理程度较高的城市公园绿地对空气颗粒物质量浓度削减作用较为明显,一天中空气颗粒物质量浓度呈现出早晚高、中午低的变化趋势;②风速、温度、相对湿度对ρ（PM_2.5）和ρ（PM₁₀）有极显著影响,在晴朗、无风或微风天气条件下,ρ（PM_2.5）和ρ（PM₁₀）随风速的增大、温度的减小、相对湿度的增大而增大,且ρ（PM₁₀）变化范围大于ρ（PM_2.5）;③1 hm2以下绿地面积的变化对ρ（PM_2.5）和ρ（PM₁₀）无显著影响;④不同植被结构绿地内ρ（PM_2.5）无显著差异,但ρ（PM₁₀）有极显著差异,其中开敞式以灌木为主的绿地中ρ（PM₁₀）最低,多层闭合式阔叶林中ρ（PM₁₀）最高,其余9种植被结构绿地削减作用居中且相近.研究显示,不同植被结构的城市公园绿地对ρ（PM_2.5）和ρ（PM₁₀）的削减作用存在一定的差异且受多种环境因素的共同制约,可为优化城市绿地植被结构进而有效改善空气质量提供依据.      

京津冀地区典型城市大气细颗粒物碳质组分污染特征及来源

为研究京津冀地区典型城市大气细颗粒物及其碳质组分的时空变化特征及来源,于2016年12月28日—2017年1月22日及2017年7月1—26日,对北京市与石家庄市PM_2.5（细颗粒物）及PM₁（亚微米颗粒物）进行采集,使用DRI（热光碳分析仪）检测PM_2.5与PM₁中ρ（OC）与ρ（EC）,并对其碳质组分来源进行分析.结果表明:①采样期间,冬、夏两季PM_2.5与PM₁中ρ（OC）均为石家庄市采样点远高于北京市采样点;冬季PM_2.5与PM₁中ρ（EC）均为石家庄市采样点高于北京市采样点,夏季则略有不同.②冬季污染日,北京市采样点ρ（PM_2.5）与ρ（PM₁）均为石家庄市采样点的1.08倍,PM_2.5与PM₁中的ρ（OC）分别为石家庄市采样点的1.14和1.12倍,石家庄市采样点PM_2.5与PM₁中ρ（EC）分别为北京市采样点的1.15和1.28倍;冬季重污染日,北京市采样点的ρ（PM_2.5）与ρ（PM₁）分别为石家庄市采样点的1.03和1.04倍,PM_2.5和PM₁中的ρ（OC）分别为石家庄市采样点的1.23和1.22倍,石家庄市采样点PM_2.5和PM₁中的ρ（EC）分别为北京市采样点的1.03和1.16倍.夏季污染日,石家庄市采样点ρ（PM_2.5）与ρ（PM₁）分别为北京市采样点的1.16和1.30倍,PM_2.5与PM₁中ρ（OC）分别为北京市采样点的1.64和2.71倍,两个采样点ρ（EC）相近.③冬、夏两季PM_2.5与PM₁中ρ（SOC）/ρ（OC）均较高,冬季北京市采样点分别为48.09%和54.29%,石家庄市采样点分别为44.98%和48.09%,夏季北京市采样点分别为48.47%和61.50%,石家庄市采样点分别为61.52%和63.55%,表明SOC更易富集于亚微米粒子中.④冬季北京市和石家庄市两个采样点PM_2.5与PM₁中碳质组分均主要来源于生物质燃烧、燃煤和机动车尾气;夏季北京市采样点PM_2.5与PM₁中碳质组分主要来源于机动车尾气,石家庄市采样点PM_2.5与PM₁中碳质组分主要来源于燃煤和机动车尾气.研究显示,北京市和石家庄市两个采样点大气细颗粒物及其碳质组分浓度存在时空分布和污染来源差异.      

天津市PM2.5浓度时空分布特征及重污染过程来源模拟分析

天津市多发生以PM_2.5为首要污染物的重污染事件,明确ρ（PM_2.5）时空分布特征及重污染过程来源对PM_2.5的综合治理意义深远.利用天津市2014-2017年环境资料和2016年气象资料,结合WRF-Chem模式研究了天津市ρ（PM_2.5）时空分布特征及重污染过程来源.结果表明:①自2014年以来,天津市ρ（PM_2.5）呈逐年下降趋势.②ρ（PM_2.5）月变化曲线呈"U"型分布,呈冬春季高、夏秋季低的季节性特征;ρ（PM_2.5）日变化呈双峰型分布,主峰值出现在08:00-09:00,次峰值出现在21:00-翌日00:00.③各季节天津市ρ（PM_2.5）空间分布不同,春季、夏季、秋季和冬季高值中心分别位于天津市西南部的静海区、中心城区北部的北辰区、西部的武清区及北部的蓟州区.④WRF-Chem模式模拟的天津市秋冬季污染物来源结果表明,本地源贡献率为56%,外来源输送贡献率为44%,其中以河北省和山东省的输送为主.2016年12月16-22日天津市一次重污染过程的模拟结果表明,天津市本地源贡献率为49.6%,河北省、北京市和山东省的外来源输送贡献率分别为32.2%、7.0%和2.2%.污染前期,不利气象条件和外来源输送造成天津市ρ（PM_2.5）聚集并形成重度污染;污染持续过程中,本地源贡献率逐渐增大并占主导地位.研究显示,近年来天津市ρ（PM_2.5）呈下降趋势,并有明显的空间分布特征.      

常州市冬季大气污染特征及潜在源区分析

为了解常州市冬季大气污染特征,对2013—2015年常州市冬季PM_2.5、PM₁₀、SO₂、NO₂、CO数据进行分析,并结合HYSPLIT 4.9模式研究不同气团来源对常州市各污染物浓度的影响及潜在污染源区分布特征.结果表明,常州市冬季以PM_2.5污染为主,其占冬季首要污染物的90%以上,冬季PM_2.5小时浓度对应的空气质量级别以良和轻度污染出现频次最多,冬季的ρ（PM_2.5）对ρ（PM_2.5）年均值的贡献率高达37.4%,不完全燃烧是颗粒物的一个重要来源.冬季ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（CO）的日变化均呈双峰分布,两个峰值分别出现在交通的早高峰和晚高峰附近.ρ（NO₂）在晚高峰明显大于早高峰,而ρ（SO₂）和ρ（CO）表现为早高峰大于晚高峰.常州市CO/NO_x和SO₂/NO_x的分析结果表明,常州市交通源的贡献明显,点源对常州市的空气质量的影响也较大.1和6 h的ρ（PM_2.5）梯度变化可判识细颗粒物的爆发性增长.冬季常州市受到西北、西和西南等地区的大陆性气流影响较大,其对应的ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（CO）平均值相对较高,且对应的污染轨迹出现概率较大.偏东方向的气流由于移动速度慢,不利于污染物扩散易造成污染累积,导致ρ（PM_2.5）、ρ（SO₂）和ρ（NO₂）相对较高.WPSCF（源区分布概率）高值区（>0.5）集中于从芜湖至上海的长江中下游区域和杭州湾区域.PM_2.5、PM₁₀、SO₂、NO₂和CO潜在源区存在较大差异性,NO₂、SO₂和CO本地化的潜在贡献较PM_2.5和PM₁₀更明显.此外,受船舶等影响海洋源区对NO₂、SO₂和CO的潜在贡献较大.研究显示,长三角区域的大气污染物以本地污染为主,但远距离污染输送贡献也不容忽视.      

偏东风输送导致的关中地区冬季PM2.5重污染个例研究

关中地区是我国大气污染的重点监测区域,为探究偏东风输送对关中地区冬季PM_2.5重污染的影响,重点分析了2018年1月12-18日在偏东风输送影响下关中地区ρ（PM_2.5）日均值的变化过程;利用WRF和CAMx模式对PM_2.5重污染过程进行模拟并讨论其消长原因.结果表明:①冬季关中地区在高压脊和西南槽的控制下,偏东风将污染物输送至关中地区,加之关中地区地形阻滞,致使关中地区的ρ（PM_2.5）上升.②研究期间,关中地区ρ（PM_2.5）日均值范围为103~240 μg/m3,偏东风输送是导致此次重污染过程的重要原因.重污染的发生还与气象要素的变化有关,其中ρ（PM_2.5）日均值与气温、相对湿度均呈滞后相关性.在ρ（PM_2.5）日均值相等的情况下,相对湿度越大,能见度越低;随着ρ（PM_2.5）日均值和相对湿度的升高,能见度下降的速率逐渐变慢.③根据WRF-CAMx的模拟结果,此次重污染过程中关中地区PM_2.5污染输送关系不均衡,宝鸡市和咸阳市均以本地贡献为主,其本地贡献率超过45.00%,而渭南市接收关中地区其他城市及关中地区以外区域污染输送占比为69.82%;位于盆地中东部的咸阳市、西安市和渭南市的ρ（PM_2.5）月均值均大于关中地区ρ（PM_2.5）平均值;渭南市、西安市、运城市以及关中地区以外城市是此次关中地区跨市PM_2.5污染输送的主要来源.研究显示,偏东风输送是关中地区此次大气重污染过程的重要原因.      

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.      

2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征

乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ（PM_2.5）、ρ（PM₁₀）监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM_2.5、PM₁₀的时空分布特征.结果表明:ρ（PM_2.5）从2015年（66.60 μg/m3）到2016年（76.93 μg/m3）呈上升趋势,在2016—2018年呈单一下降趋势;ρ（PM₁₀）从2015年（132.74 μg/m3）到2016年（125.93 μg/m3）呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ（PM_2.5）、ρ（PM₁₀）平均值比城市中心（商业区、居民区）分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ（PM_2.5）、ρ（PM₁₀）均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ（PM_2.5）/ρ（PM₁₀）呈先增后降的趋势,冬季以PM_2.5污染为主,其他季节以PM₁₀污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系.      

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.      

HEPA空气净化器对学校室内颗粒物的净化效果研究

为了解HEPA（high efficiency particle air filter,高效空气过滤器）空气净化器在小学教室和寝室的净化效果,于2019年3—4月在北京市一所全寄宿小学开展了一项HEPA空气净化器的交叉干预研究.记录干预组、非干预组室内和室外PM_2.5、PM₁₀、PM₁的浓度,计算空气净化器的净化率;采用多元线性回归模型探索净化效果的影响因素.结果表明:①空气净化器对PM_2.5、PM₁₀、PM₁的净化率分别为41.3%〔Q_l~Q_u（下四分位数~上四分位数,下同）:0~53.1%〕、40.7%（10.5%~46.2%）和34.9%（9.6%~40.3%）,其中对PM_2.5的净化率最高;寝室的净化率高于教室的净化率.②当室外PM_2.5浓度为[115,150）μg/m3时对PM_2.5的净化率最高,为52.83%（50.26%~56.13%）,PM₁₀和PM₁亦有类似结果.③多元线性回归分析表明,室外PM_2.5浓度 < 35 μg/m3时,开门通风和室内人员活动分别使室内PM_2.5浓度下降3.73 μg/m3〔95%置信区间（95% CI）:（0.60 μg/m3,6.86 μg/m3）〕和升高3.4 μg/m3（0.22 μg/m3,6.58 μg/m3）;室外PM_2.5浓度为[35,150）μg/m3时,空气净化器使室内PM_2.5浓度下降33.36 μg/m3（16.47 μg/m3,50.25 μg/m3）;室外PM_2.5浓度≥150 μg/m3时,空气净化器和开门通风分别使室内PM_2.5浓度下降48.87 μg/m3（25.62 μg/m3,72.12 μg/m3）和升高37.65 μg/m3（5.60 μg/m3,69.69 μg/m3）.研究显示:空气净化器可同时降低室内PM_2.5、PM₁₀、PM₁的浓度;当室外PM_2.5浓度 < 35 μg/m3时,不需开启空气净化器;当室外PM_2.5浓度为[35,150）μg/m3时,空气净化器有较好的净化效果,偶尔开窗通风不影响空气净化器的净化效果;当室外PM_2.5浓度≥150 μg/m3时,开启空气净化器时应关闭门窗,以免影响其净化效果.      

中国典型城市PM2.5浓度时空演绎规律及影响因素分析

为探讨空气中ρ（PM_2.5）的空间集聚特征和气候、大气成分变量对空气中ρ（PM_2.5）的影响,利用首批纳入PM_2.5监测的74个城市的ρ（PM_2.5）数据计算Moran's I指数,并选取其中38个典型城市进行计量分析.在基于引力模型的空间权重矩阵基础上,构建面板数据SDM（空间面板杜宾模型）.结果表明:ρ（PM₁₀）、ρ（SO₂）、ρ（CO）、ρ（O₃）、RH（relative humidity,相对湿度）与城市ρ（PM_2.5）呈正相关,而T（temperature,温度）和WS（wind speed,风速）与城市ρ（PM_2.5）呈负相关;ρ（PM₁₀）、ρ（CO）、RH是位于前3位影响城市ρ（PM_2.5）的关键性因素,其总效应分别为0.720 1、0.241 7、0.133 9.地理上邻近城市ρ（PM_2.5）具有明显的外部空间溢出效应,即邻近城市ρ（PM_2.5）每增加10百分点,将导致该地区ρ（PM_2.5）增长6.12百分点.300 km左右是保证PM_2.5区域"联防联控"最佳效果的最大门槛距离,超过该门槛距离,区域"联防联控"的力度和效果会随着距离的增加而逐渐减弱;当门槛距离大于500 km时,ρ（PM_2.5）的空间自相关性不显著.气候变量中,RH和ρ（PM_2.5）呈同方向变化,而T、WS与ρ（PM_2.5）呈反方向变化.研究显示,关注单一地区或单一因素（气候或大气成分）均不能有效控制PM_2.5污染,在保持经济稳定增长的前提下,各地治理PM_2.5应从调整产业结构、优化能源结构、完善防控机制等多个维度共同推进,促使经济增长方式早日从"粗放型"向"集约型"转变.      

石家庄市采暖前后大气颗粒物及其碳组分特征

为研究石家庄市大气颗粒物、碳组分特征和污染来源,采集2016年11月1日—12月31日石家庄市大气颗粒物（PM₁₀、PM_2.5和PM₁）样品,分析采暖前后PM₁₀、PM_2.5和PM₁及其中OC（有机碳）、EC（元素碳）和WSOC（水溶性有机碳）浓度水平,计算颗粒物与碳组分间相关性,进行OC/EC（质量浓度之比,下同）特征比值法和8个碳组分（OC1、OC2、OC3、OC4、OPC、EC1、EC2和EC3）研究.结果表明:①采暖后ρ（PM₁₀）和ρ（PM_2.5）比采暖前分别增加了26.4%和32.1%,而采暖后ρ（PM₁）比采暖前降低了12.2%.采样期间ρ（PM₁₀）与ρ（PM_2.5）显著相关,而ρ（PM₁）分别与ρ（PM_2.5）和ρ（PM₁₀）相关性差.采暖后散煤燃烧造成ρ（PM₁₀）和ρ（PM_2.5）增加,区域机动车限行和工业限产/停产导致ρ（PM₁）降低.②Pearson相关系数计算可知,ρ（OC）与ρ（EC）强相关;ρ（PM₁₀）和ρ（PM_2.5）分别与ρ（OC）和ρ（WSOC）强相关,而ρ（PM₁）分别与ρ（OC）和ρ（WSOC）中等相关;ρ（PM₁₀）和ρ（PM_2.5）分别与ρ（EC）弱相关,ρ（PM₁）与ρ（EC）中等相关.③采暖后PM₁₀、PM_2.5和PM₁中ρ（OC）比采暖前分别增加了215.1%、97.2%和18.5%;采暖后PM₁₀和PM_2.5中ρ（EC）比采暖前分别增加了65.2%和5.3%,而采暖后PM₁中ρ（EC）比采暖前降低了10.9%.集中供热和散煤燃烧排放了大量OC;PM₁₀和PM_2.5中EC主要来源于散煤燃烧,PM₁中EC主要来源于工业排放和机动车尾气.④采暖前PM₁₀、PM_2.5和PM₁中OC/EC平均值分别为4.5、4.5和4.3;采暖后PM₁₀和PM_2.5中OC/EC平均值分别为9.8和9.7,而PM₁中OC/EC平均值为7.4.采暖前后SOC/OC（质量浓度之比,下同）平均值的范围为0.36~0.65,石家庄市冬季大气中SOC污染严重;⑤8个碳组分分析发现,石家庄市机动车限行导致PM₁中ρ（EC1）降低,而采暖后集中供暖和散煤燃烧的增加,导致ρ（OC2）明显增加.研究显示,大气颗粒物中碳组分采暖前主要来源于机动车尾气,而采暖后主要来源于燃煤燃烧,尤其是散煤燃烧.      

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.      

新型冠状病毒肺炎疫情防控时期上海市空气质量特征及成因分析

为研究新型冠状病毒肺炎（COVID-19）疫情防控政策实施对上海市大气污染物质量浓度的影响,利用上海市内环某高层顶楼微环境平台观测了政策实施前10 d（2020-01-14—23）和实施后20 d（2020-01-24—02-12）的PM_2.5和PM₁₀质量浓度及气象要素（温度、相对湿度、风向、风速、大气压及降雨）,结合2019年同期观测数据和杨浦四漂空气质量监测点的气态污染物逐时数据,采用描述性统计、合成分析、拉格朗日粒子扩散模式和Spearman相关系数方法,分析了政策实施前、后大气污染物特征及其影响因素。结果表明:1）污染物浓度变化方面。政策实施后,ρ（PM_2.5）和ρ（PM₁₀）和ρ（NO₂）均明显降低,ρ（PM_2.5）和ρ（PM₁₀）分别由61.4,102.4 μg/m3降至38.1,63.5 μg/m3,降幅均为38.0%,ρ（NO₂）由57.3 μg/m3降至27.0 μg/m3,降幅达到52.9%,而ρ（O₃）由47.6 μg/m3增至69.5 μg/m3。ρ（PM_2.5）和ρ（PM₁₀）日变化特征由实施前的双峰双谷型变为单谷型。2）气象因素影响方面。上海地区南风异常减弱了冬季风强度,对流层中层正距平异常抑制了对流活动的发展,易导致大气污染物在近地面的汇聚。ρ（PM_2.5）和ρ（PM₁₀）与相对湿度呈负相关,风速对ρ（PM_2.5）和ρ（PM₁₀）的影响与风向有关。3）外源输入影响方面。长三角城市群及山东省、河南省等周边区域对上海市ρ（PM_2.5）和ρ（PM₁₀）贡献显著。     

石家庄市冬季一次重污染过程分析与反馈效应研究

为深入探究高ρ（PM_2.5）地区重污染过程的发展变化规律,以石家庄市一次重污染过程（2017年1月13-20日）为例,结合空气质量监测数据、PM_2.5组分测试数据、气象观测资料,从重污染发展阶段（简称"P1阶段"）、维持阶段（简称"P2阶段"）和清除阶段（简称"P3阶段"）分析PM_2.5及其化学组分的变化特征、气象条件和高低空天气形势演变特征,并利用WRF-Chem模型定量研究重污染过程气溶胶反馈效应对典型气象要素的影响.结果表明:①此次重污染过程属于逐步累积增长、快速清除型,在P2阶段ρ（PM_2.5）平均值为241.0 μg/m3,最大值为367.5 μg/m3.②P1和P2阶段高低空大气环流配置稳定,大气边界层高度范围为620.6~712.2 m,风速范围为1.3~2.5 m/s,相对湿度范围为60%~80%.③P2阶段SOR（硫氧化率）和NOR（氮氧化率）均为0.3,ρ（SNA）（SNA为SO₄2-、NO₃-和NH₄+的统称）为128.8 μg/m3,占ρ（PM_2.5）的56.2%;OM[有机质,ρ（OM）=ρ（POA）+ρ（SOA）,其中,POA为一次有机气溶胶,SOA为二次有机气溶胶]是除SNA以外的第二大组分,在P1和P3阶段ρ（POA）大于ρ（SOA）,而在P2阶段ρ（SOA）与ρ（POA）相等,均为28.0 μg/m3,表明在重污染过程中二次污染严重;整个污染过程ρ（NO₃-）/ρ（SO₄2-）为1.0,表明石家庄市移动源和固定源对ρ（PM_2.5）贡献相当.④WRF-Chem模型模拟结果表明,太阳辐射量、温度和大气边界层高度受气溶胶反馈效应的影响在P2阶段的下降量分别为75.1 W/m2、2.7℃和109.9 m,比P1阶段分别高33.6%、91.4%和18.6%,比P3阶段分别高147.0%、305.3%和24.1%.研究显示,此次静稳天气下的重污染过程二次污染严重,气溶胶反馈效应整体使得太阳辐射量、温度和大气边界层高度均向不利于污染扩散的趋势发展,造成石家庄市的ρ（PM_2.5）进一步增加.      

京津冀典型城市一次重污染过程特征及边界层结构变化对其影响

为探究典型重污染过程的污染特征与大气边界层结构演变规律,基于PM_2.5采样数据、气象观测数据及WRF-Chem模式,以北京市和石家庄市2016年12月27日—2017年1月10日一次重污染过程为研究对象,对气象要素、PM_2.5化学组分、天气背景场、边界层结构演变特征,以及大气边界层结构变化对ρ(PM_2.5)及其主要化学组分的影响进行分析.结果表明:①研究期间,北京市和石家庄市ρ(PM_2.5)分别为(165.63±110.89)(247.67±95.22)μg/m3,石家庄市污染程度高于北京市;高空纬向环流和地面弱高压控制的天气背景场,低于1.75 m/s的风速以及超过75%的相对湿度是造成北京市与石家庄市重污染的不利气象条件.②重污染时段北京市与石家庄市SNA(SO₄2-、NO₃-、NH₄+三者的统称)与碳质组分(OC、EC)占比之和超过76%,是PM_2.5中的两大主要组分;重污染时段ρ(SNA)占比明显上升,北京市与石家庄市ρ(SNA)占比由非重污染时段的42.23%、45.93%分别升至重污染时段的58.87%、59.62%;北京市与石家庄市ρ(OC)/ρ(EC)分别为5.13、3.51,表明在重污染时段两城市存在明显的二次有机气溶胶污染.③WRF-Chem模式模拟结果表明,PM_2.5污染严重时北京市与石家庄市在300~500 m处均出现明显的逆温,垂直风场主要表现为低层偏南风顺时针向上切变为偏西风,切变高度在400~1 000 m,逆温层结与明显垂直风切变的边界层特征共同抑制了污染物的湍流与扩散.④北京市与石家庄市重污染时段的PBLH(Planetary Boundary Layer Height,大气边界层高度)日均值与非重污染时段相比分别下降了202、128 m,PBLH每下降100 m,北京市与石家庄市ρ(PM_2.5)分别上升18.81、29.85 μg/m3,PBLH下降是导致两城市ρ(PM_2.5)快速上升的重要因素.北京市与石家庄市的PBLH与PM_2.5组分质量浓度之间的相关性不同,北京市PBLH与ρ(SNA)的相关性高于与碳质组分质量浓度的相关性,石家庄市PBLH与ρ(EC)相关性最高,表明此次重污染过程中北京市PM_2.5污染特征以二次形成为主,而石家庄市以一次排放为主.研究显示,北京市与石家庄市此次重污染过程与大气边界层结构变化密切相关.      

广州市交通干线附近细颗粒污染特征

利用中山大学大气环境监测平台数据,对广州市交通干线附近的ρ(PM_2.5)和ρ(PM₁)进行了统计学分析,以研究交通干线附近细颗粒污染特征及变化规律. 结果表明:2008—2012年广州市PM_2.5超标严重,但ρ(PM_2.5)有所下降. 受季节性污染源及气象因素影响,广州市夏季ρ(PM_2.5)平均值为42μg/m3,明显低于春、秋、冬三季. ρ(PM_2.5)在工作日与周末差异明显,周末明显高于工作日,而ρ(PM₁)在工作日与周末差异不明显. ρ(PM_2.5)与ρ(PM₁)日变化趋势基本一致,整体上呈白天低、夜晚高,上午低、下午高的特征. ρ(PM_2.5)日变化呈单峰,19:00左右达到最大值(53μg/m3);而ρ(PM₁)呈双峰变化,在20:00左右达到高峰值(43μg/m3),上午09:00左右也有一小峰值(37μg/m3). ρ(PM_2.5)和ρ(PM₁)的相关性较好,R(相关系数)为0.94,PM₁是PM_2.5的主要构成颗粒,所占比重平均值为0.65. ρ(PM_2.5)和ρ(PM₁)均与交通流量存在相关性,在白天和夜晚变化趋势相一致,但交通流量白天与ρ(PM_2.5)更为密切,夜晚则与ρ(PM₁)更为密切.