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。     

2017年春节期间燃放烟花爆竹对湖南省城市环境空气质量的影响研究

2017年春节期间,根据湖南省城市环境空气自动监测系统数据资料,全面分析了燃放烟花爆竹对湖南省空气质量的影响.结果表明:烟花爆竹的集中燃放会在短时间内造成严重的大气污染,14个城市在集中燃放日(大年初一)全部出现空气质量超标现象;燃放烟花爆竹对PM10和PM2.5影响最为显著,其次是SO2和CO,NO2和O3受影响程度相对最小.集中燃放烟花爆竹所引起的PM2.5和PM10浓度增幅较大,尤其是PM2.5.气象条件也是影响春节期间空气质量的重要因素.     

一次大范围雾霾及雨雪对西安市空气质量的短期影响

随着城市极端天气的频繁发生,城市空气质量对人类健康和城市生态系统正常运转有着重要调节作用。在此背景下本实验通过长期数据的调查和整理利用环保部等部门公布相关数据为基础探究大范围雾霾及雨雪对西安市空气质量的影响。研究表明7、9到12月平均PM2.5、PM10及AQI呈稳定上升趋势,温度出现季节性下降,但三季节的整体平均值(代表全年)及大范围雾霾的加入表明西安空气质量为中度污染状态,但没有雾霾天气的全年平均温度为轻度污染状态,而短暂的降雪或日常雨雪可以迅速改善城市空气质量。     

2013-2015年十堰市环境空气质量变化趋势分析研究

利用十堰市空气自动监测站的监测数据,采用综合指数、空气质量指数(AQI)和Spearman秩相关系数法等评价方法,研究十堰市2013年-2015年环境空气质量变化情况及其影响因素,为城市的大气污染防治提供治理思路.结果表明:2013年-2015年十堰市城区空气质量逐年好转,除PM10和PM2.5外,其他因子均达标,污染物贡献比例中,PM10和PM2.5污染负荷占比超过50%,为主要污染物;十堰市城区空气质量整体呈夏季较好,冬季较差的趋势;全市中开发区铁二处空气质量较好,张湾区刘家沟空气质量较差;结合自然因素和人为因素,综合分析空气质量的变化情况,通过调整能源结构、减少污染源排放和使用清洁能源等多项措施,并注意季节特征和加强预警预报工作,进而改善空气质量.     

关中地区重污染期间PM_(2.5)输送与来源的模拟研究

本文应用WRF-CHEM模式模拟分析了关中地区2014年2月14日至16日的一次重污染过程。模式模拟了西安地区和宝鸡地区城市大气PM_(2.5)的时间变化和空间分布特征,较好地再现了污染过程。敏感性试验分析表明,关中盆地东部地区(西安市及其周边地区)形成的PM_(2.5)对盆地西部地区(宝鸡市及其周边地区)影响较大,贡献可以达到30%,其主要原因为盆地发生重污染时,盛行东风造成西安市及其周边地区形成的污染物向西输送,影响宝鸡市的空气质量。污染源分析表明,居民生活源是关中盆地在2月份最重要的PM_(2.5)源,贡献超过40%,交通运输源的贡献小于10%。因此在重霾情况下,限行机动车的作用很小。     

胶东半岛城市空气质量及其与气象要素的关系

以威海市为代表,利用其环境空气质量数据和气象资料,结合SURFER软件,对胶东半岛空气质量特征及其与气象要素的关系进行了分析。结果表明:胶东半岛空气质量总体优良,影响空气质量的主要污染物为细颗粒物(PM2.5),其次为可吸入颗粒物(PM10),PM2.5对PM10的贡献显著。秋冬季节空气质量相对较差,夏季则较好。在空间分布上,各类污染物的浓度高值主要集中在耗煤量较大的企业周边及人类活动较为集中的地区,如火车站、汽车站等,而其他地区的污染则相对较轻。在各类气象要素中,降水量﹑湿度﹑风速和气温与空气质量的相关性依次减小。气象要素对空气质量的影响不是单一的,而是多个因素协同作用的结果。     

基于主成分分析的呼和浩特市空气质量影响因素研究

空气质量指数是一种评价大气环境质量状况简单而直观的指标,可用于大气环境质量评价以及污染控制和管理。利用呼和浩特市城区PM2.5监测点数据和气象数据,以空气质量指数法为依据,采用主成分分析法对影响呼和浩特市城区空气质量的主要因素进行分析,并利用方差分析法分析了气象因素对空气质量的影响。结果表明:影响呼和浩特市城区空气质量的主要因素是PM10、CO和SO2;天气寒冷、空气相对干燥、风大以及季节变化对该市空气质量会产生显著性的影响。     

辽宁省典型城市空气质量现状与污染原因分析

根据中国环保部大气环境公报数据显示,截至2013年,中国城市环境空气质量仍然不容乐观。为全面了解辽宁省环境空气质量变化及其影响因素,以沈阳、大连、鞍山、抚顺、锦州5个典型城市的颗粒物监测数据为基础进行分析,主要探讨TSP、PM10、PM2.5及臭氧8小时对城市大气污染的影响。结果表明,5城市TSP、PM10、PM2.5均超过国家环境空气质量二级浓度限值,分别超过0.14~0.44倍、0.57~0.91倍及0.96~1.53倍,臭氧8小时未超过。从季节变化来看,5城市TSP、PM10、PM2.5浓度大体上呈现冬、春季较夏、秋季高的趋势,臭氧8小时浓度值春、夏两季比秋、冬两季高。5个城市大气颗粒物中的Pb、Zn元素含量最高,金属元素主要富集在PM2.5中。除TSP、PM10、PM2.5对城市空气质量造成严重污染外,臭氧8小时浓度对于城市空气质量的影响将逐渐超过细颗粒物,可能成为污染城市空气质量的主要污染物。     

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。     

武威市空气质量现状与人群健康分析

目的:依武威市环保局2003年-2010年大气监测数据,对武威市空气质量进行评价。确定空气中的主要污染物,分析其对人群健康的影响,提出改善空气质量的建议和措施。方法用空气污染指数评价法,选用API指数划分武威市空气质量等级。结果评价结果显示武威市空气中的首要污染物为PM10,2003年空气质量为优良的天数占到全年的24.38%,之后逐年好转,到2010年全年空气质量均处于优良。结论近年来武威市空气质量逐渐好转,但危害人群健康的因素依然存在,因此需进一步加大环境综合治理,控制污染物排放,提高空气质量,保护人群健康。     

北京市大气环境PM2.5和PM1及其碳质组分季节变化特征及来源分析

大气颗粒物是影响我国大多数城市环境空气质量的首要污染物,近年来随着监测技术的进步和采样设备的改进,相关研究对象逐渐从大粒径的PM_10、PM_(2.5)转移到更小粒径的PM_1上.碳质组分是大气颗粒物的重要组成部分.以北京市为研究区域,选取2016年7月、10月及2017年1月、4月作为4个季节的代表月,对大气环境中的PM_(2.5)和PM_1进行采集,分析了二者的质量浓度和季节变化特征.采用两层嵌套气象-空气质量模型系统(WRF-CMAQ)耦合模型对采样时段进行了模拟,分析观测期间PM_(2.5)和PM_1的来源贡献,并使用因子分析法解析了碳质组分的来源.结果表明,PM_(2.5)和PM_1的质量浓度均呈现春、夏、秋、冬这4个季节递增的趋势;PM_1是PM_(2.5)中的主要组成,而且秋冬季节随着灰霾发生频率的增加,PM_1质量浓度占PM_(2.5)的比值明显升高;北京市大气环境中存在明显的二次污染,且SOC更容易在粒径更小的PM_1中积聚.散煤燃烧、机动车尾气排放、居民面源及生物质燃烧排放是北京市大气颗粒物的重要贡献来源;汽油车尾气、柴油车尾气、生物质燃烧和燃煤排放是北京市大气颗粒物中碳质组分的主要来源.     

基于PM2.5监测点空间聚类的关中五市空气污染区域识别

区域大气污染联防联控是空气质量管理的重要举措,准确识别空气污染区域对联防联控措施有重大意义.本研究采用陕西省关中五市（西安、咸阳、宝鸡、渭南、铜川）国控和省控全部90个监测点的小时级PM_2.5浓度监测数据,运用邻接约束层次聚类方法对监测点进行空间聚类,并利用泰森多边形和曲线平滑等技术识别空气污染区域.结果表明：1关中五市空气污染存在跨行政区划的区域性特征,本研究识别出2个特征显著不同的空气污染区域（区域1和区域2）;2区域2的PM_2.5浓度在统计上显著高于区域1,且重度和严重污染天数也显著高于区域1;3空气污染区域与地形特征关系密切,区域1均为高海拔区县,而区域2均为低海拔区县.依据空气污染区域的不同特征,在区域污染程度存在显著差异时,应当采取不同等级的污染防控措施,以减少对关中五市43%的国土面积、23个区县、639万人及3355亿元国内生产总值的影响,使区域空气污染防控措施更加科学、合理与精准.同时,空气污染区域的划分对缺失数据和不同空气污染等级表现稳健.     

Relationship between types of urban forest and PM2.5 capture at three growth stages of leaves

Particulate matter diameter ≤ 2.5 μm (PM_2.5) causes direct harm to human health. Finding forms of urban forest systems that with the ability to reduce the amount of particulate matter in air effectively is the aim of this study. Five commonly cultivated kinds of urban forest types were studied in Beijing city at three stages of leaf growth. Results show that the urban forest system is capable of storing and capturing dust from the air. The types of shrubs and broadleaf trees that have the ability to capture PM_2.5 from the air are most effective when leaves have fully developed. In the leafless season, the conifer and mixed tree types are the most effective in removing dust from the air. For all kinds of forest types and stages of leaf growth, the PM_2.5 concentration is highest in the morning but lower in the afternoon and evening. Grassland cannot control particles suspended in the air, but can reduce dust pollution caused by dust from the ground blown by the wind back into the air.     

烟花爆竹集中燃放的大气细颗粒物(PM2.5)成分图谱

烟花爆竹燃放是大气细颗粒物（PM_2.5）来源的途径之一.以泉州城区春节期间为例,研究烟花爆竹燃放对大气细颗粒物的影响,服务大气污染的特殊污染源管理.结果表明,烟花爆竹集中燃放时段,SO₂、PM₁₀和PM_2.5浓度明显升高,尤以PM_2.5的升高最为显著,城区PM_2.5日均浓度峰值约为年均值的4倍,涂山街点位PM_2.5小时浓度峰值约为城区年均值的21倍;燃放高峰期Al、Mg、Ba、Cu、Sr等烟花爆竹的特征元素占比迅速上升,Al⁺、Mg⁺、Ba⁺、Cu⁺间的小时数浓度高度相关;监测期间泉州城区细颗粒物主要污染源是烟花爆竹燃放和生物质燃烧,贡献占总颗粒物的一半以上,燃煤和工业工艺源的比例相对较低,均低于10.0%;集中燃放时段大气细颗粒物浓度高达0.578 mg·m^-3,此时的烟花源的贡献比例也提升到58.2%;污染过程分析表明PM_2.5浓度与烟花源的占比、数浓度的变化趋势具有趋同性.以上结果说明烟花爆竹的集中燃放是春节期间泉州大气环境恶化的主要原因.     

深圳市城区大气颗粒物及主要水溶性无机离子的污染特征

基于2015年深圳市大气颗粒物和主要水溶性无机离子的观测数据,深入分析了大气颗粒物的浓度变化及二次污染特征.结果表明2015年深圳的大气颗粒物（PM₁₀、PM_2.5、PM₁）浓度虽然低,但其中细粒子占比高,PM_2.5/PM₁₀的比值高达0.744,甚至大于广州典型灰霾过程中的粗细粒子比.大气颗粒物浓度季节变化明显,秋冬高,春夏低.其日变化特征明显受到交通高峰的影响,汽车尾气可能是污染来源之一.SO₄^2-、NO₃^-和NH₄⁺（SNA）质量浓度在PM_2.5中的占比超过1/3（37.7%）,且全年硫转化率都大于0.1,这说明深圳市细颗粒物主要来自于二次转化.深圳大气颗粒物浓度受气象要素影响显著,与气压正相关,与气温、相对湿度、降水及风速负相关;若将风速、气温、气压、相对湿度和降水作为一个整体考虑,这些气象要素对深圳大气颗粒物浓度的影响大小是PM₁ > PM₁₀ > PM_2.5.本工作不仅对深圳的大气环境管理和经济可持续发展有着重要参考价值,还对空气相对清洁地区的大气颗粒物和霾治理具有指导意义.     

Impacts of pollution heterogeneity on population exposure in dense urban areas using ultra-fine resolution air quality data

Traditional air quality data have a spatial resolution of 1 km or above, making it challenging to resolve detailed air pollution exposure in complex urban areas. Combining urban morphology, dynamic traffic emission, regional and local meteorology, physicochemical transformations in air quality models using big data fusion technology, an ultra-fine resolution modeling system was developed to provide air quality data down to street level. Based on one-year ultra-fine resolution data, this study investigated the effects of pollution heterogeneity on the individual and population exposure to particulate matter (PM_2.5 and PM₁₀), nitrogen dioxide (NO₂), and ozone (O₃) in Hong Kong, one of the most densely populated and urbanized cities. Sharp fine-scale variabilities in air pollution were revealed within individual city blocks. Using traditional 1 km average to represent individual exposure resulted in a positively skewed deviation of up to 200% for high-end exposure individuals. Citizens were disproportionally affected by air pollution, with annual pollutant concentrations varied by factors of 2 to 5 among 452 District Council Constituency Areas (DCCAs) in Hong Kong, indicating great environmental inequities among the population. Unfavorable city planning resulted in a positive spatial coincidence between pollution and population, which increased public exposure to air pollutants by as large as 46% among districts in Hong Kong. Our results highlight the importance of ultra-fine pollutant data in quantifying the heterogeneity in pollution exposure in the dense urban area and the critical role of smart urban planning in reducing exposure inequities.     

京津冀PM2.5时空分布特征及其污染风险因素

为分析京津冀及其周边区域2013年典型污染事件中PM_2.5的时空分布特征及污染风险因素,根据国家城市环境空气质量实时发布数据和京津冀地区地理国情信息监测成果,采用空间数据挖掘方法对PM_2.5污染的热点区域进行了划分;并采用地理探测器定量分析了PM_2.5污染风险因子及其影响程度. 结果表明:在选取的京津冀6个城市中,在PM_2.5污染事件统计上存在保定—廊坊—北京—天津—承德—张家口的污染顺序. PM_2.5污染在空间上呈河南省(山东省)—河北省—北京市(天津市)一线的带状分布特征,在单次污染事件中,城市间的PM_2.5污染存在空间运移关系. 空间热点探测表明,京津冀及其周边区域主要分为5个热点聚集区,其中3个高值区分布在北京市、天津市、河北省和山东省的中部,面积分别为5.31×104、10.26×104、5.04×104 km2. 在8个污染风险因子中,污染企业总数(影响力为0.97,下同)、降水量(0.93)、地形坡度(0.89)对PM_2.5污染的影响显著高于其他风险因子;其他风险因子影响力排序依次为人口数量(0.60)、降水量大于0.1 mm的降水日数(0.57)、地表覆盖类型(0.52)、年均相对湿度(0.51)、年均风速(0.33),但风险因子间相比没有显著性差异. 研究显示,京津冀地区PM_2.5污染的主要因素是污染物排放,其次,气象要素中的年降水量和自然地理环境中的地形坡度也是影响PM_2.5污染特征的重要风险因子.      

山西省2015年细颗粒物的污染状况和空间分布

大气污染因其对人体健康、生态环境和气候变化的影响而成为全球关注的环境问题,细颗粒物（PM_2.5）是雾霾产生的主要原因之一。为全面掌握山西省细颗粒物的污染状况与空间分布格局,本文运用统计学方法和Arc GIS技术,根据环境空气质量评价技术规范,对2015年山西省57个空气质量指数监测站提供的PM_2.5实时数据进行处理分析。结果表明：山西省PM_2.5的浓度有明显的季节性变化特征,由高到低依次为冬、春、秋、夏;PM_2.5月平均浓度最高值分别出现在1月和12月,且高值中心都位于运城;在空间分布上则表现为南部高于北部。全省11个地市级城市有9个超过国家二级标准,超标指数达到72%。聚类分析结果表明：山西省城市可以分为两大类,一类为产业结构转型良好的城市,如阳泉、朔州、吕梁、大同;另一类为第二产业发展粗放,工业污染严重的区域。     

苏锡常地区PM2.5污染特征及其潜在源区分析

利用2014年12月—2015年11月苏锡常地区国控大气环境质量监测站发布的逐时数据,分析了研究区PM_(2.5)浓度的季节变化和空间分布特征,并利用HYSPLIT模型分析了大气污染物的输送路径及苏锡常地区PM_(2.5)的潜在源区.结果表明,苏锡常地区PM_(2.5)浓度日均值变化趋势基本一致,均呈现冬季高、夏季低的规律.PM_(2.5)浓度四季空间差异显著,不同监测站之间的差异较小.四季PM_(2.5)浓度与其它污染物之间相关性显著.单位面积污染物排放量与空气质量分布的空间错位,表明该地区PM_(2.5)污染与区域性污染物迁移有较大关系.苏锡常地区气流后向轨迹季节变化特征明显,冬、春、秋季的气流主要来自西北内陆地区,夏季气流以东南和西南方向输入居多.聚类分析表明,来自内陆的污染气流和来自海洋的清洁气流是苏锡常地区两种主要输送类型,外源污染气流不仅直接输送颗粒物,还贡献了大量的气态污染物.山东南部、江苏西部、安徽东部、浙江北部及江西西北地区对苏锡常冬季PM_(2.5)浓度贡献较大,春、夏、秋季的潜在源区主要分布在苏锡常本地和周边城市.