降水和风对大气PM2.5、PM10的清除作用分析

对合肥2015—2017年的降水、风和PM_(2.5)、PM_(10)浓度观测数据统计研究发现,降水对PM_(2.5)、PM_(10)有一定的清除作用,尤其在秋冬季节.秋冬季节小雨、中雨分别导致PM_(2.5)和PM_(10)浓度降低23.1%、40.4%和32.0%、63.7%.雨日PM_(2.5)/PM_(10)比例上升8.4%,表明降水对PM_(10)清除作用更显著.降水前后PM_(2.5)浓度变化与降水前PM_(2.5)浓度、降水强度、降水时长密切相关.当降水强度大于4 mm·h~(-1)或PM_(2.5)初始浓度高于115μg·m~(-3)时,降水对PM_(2.5)产生明显清除作用;而降水强度小于1 mm·h~(-1)或PM_(2.5)初始浓度低于115μg·m~(-3)时由于吸湿增长作用极易造成PM_(2.5)浓度反弹升高;且持续3 h以上雨强介于1～4 mm·h~(-1)的降水也对PM_(2.5)产生清除作用.降水前后PM_(10)浓度变化与初始浓度密切相关,而与雨强相关性较弱.当PM_(10)初始浓度大于50μg·m~(-3),降水就对PM_(10)产生明显清除作用,且PM_(10)初始浓度越高,降水后PM_(10)浓度下降越多.风速大于2 m·s~(-1)可显著降低PM_(2.5)浓度,因此,当风速大于4 m·s~(-1)时合肥较少出现中度及以上污染,但易造成地面起尘,使PM_(10)浓度不降反升.合肥冬季严重污染主要出现在西北风向,夏季中度以上污染天气较少,主要出现在风速低于3 m·s~(-1)的东南风向.     

重庆市北碚大气中PM2.5、NOx、SO2和O3浓度变化特征研究

重庆是我国西南工业重镇,但长期受大气污染困扰.利用全自动在线环境监测仪器,于2012年1月—2014年2月,对重庆市北碚区大气中的典型污染物PM2.5、NO_x、SO_2和O_3进行了观测研究.结果表明:重庆北碚大气首要污染物为PM2.5,2012和2013年平均浓度分别为(67.5±31.9)和(66.6±37.5)μg·m~(-3),是国家环境空气质量一级标准35μg·m~(-3)的1.9倍,两年超过国家二级标准的天数分别为119和126 d,年超标率均大于1/3;两年NO_x,SO_2及O_3的年平均浓度分别为(57.1±24.6)和(55.1±36.6),(43.1±24.0)和(35.0±21.9)及(31.1±24.9)和(48.5±37.4)μg·m~(-3).大气污染物浓度具有明显的季节变化特征,PM2.5和NO_x冬季污染最为严重,两年冬季平均值分别比两年年平均值高33.6%、59.6%和43.2%、8.5%;O_3表现为夏高冬低;SO_2春季最高且污染最轻.大气污染物日变化显示PM2.5和NO_x浓度呈双峰日变化形式,有早晚两个峰值,与城市交通高峰相对应.SO_2和O_3浓度呈单峰日变化,前者峰值出现在午前10∶00—12∶00大气对流层被打破之后,而后者峰值出现在午后16∶00局地光化学最强之时.消减各种污染源的颗粒物直接排放,消减气态污染物SO_2和NO_x的工业排放,消减机动车NO_x和VOCs等的排放,才有可能使重庆北碚的大气污染状况得到改善.     

广西玉林市大气PM10和PM2.5中有机碳和元素碳污染特征分析

2015年7月~2016年3月期间在广西玉林市3个空气监测点位共采集环境大气颗粒物PM_(10)样品218份,PM_(2.5)样品202份,利用多波段热/光碳分析仪分析其颗粒物中有机碳和(OC)和元素碳(EC)浓度水平、时空变化、污染特征及可能来源.结果表明,玉林市PM_(10)中OC和EC质量浓度分别为10.99μg·m~(-3)和5.11μg·m~(-3);PM_(2.5)中OC和EC质量浓度分别为7.51μg·m~(-3)和4.70μg·m~(-3).3个监测点位大气中PM_(10)和PM_(2.5)冬季的OC和EC浓度水平均高于其他季节,PM_(10)、PM_(2.5)中OC和EC的相关性较好,R2分别为0.58和0.60(P均小于0.01).应用最小OC/EC比值法对二次有机碳(SOC)含量进行了估算,冬季大气PM_(10)和PM_(2.5)中SOC平均质量浓度分别为14.50μg·m~(-3)和6.74μg·m~(-3),高于其他季节.PM_(10)和PM_(2.5)中SOC/OC比值均0.5,玉林市大气中粗细颗粒物均以SOC为主.夏季PM_(10)和PM_(2.5)中SOC/OC分别为80.6%和77.7%,为四季最高值,与夏季温度较高、光照强烈、有利于光化学反应将OC转化为SOC有关.     

上海典型持续性PM2.5重度污染的数值模拟

本研究针对2013年1月23~24日的上海PM_(2.5)持续重污染过程,采用WRF-Chem大气化学模式以及PM_(2.5)质量浓度、能见度、气象要素等地面实测资料相结合的方式,揭示了造成上海冬季PM_(2.5)持续性重污染的一类"天气学必要成因",即一次弱冷空气活动过程导致了两种不利污染天气条件——"弱气压场(静稳形势)"和"弱冷空气扩散(输送形势)",两者先后影响上海造成PM_(2.5)浓度持续上升.主要过程如下:首先弱冷空气影响之前,上海处在不利的局地气象扩散条件下,受弱气压场控制10 h后本地PM_(2.5)质量浓度达到重度污染水平,之后夜间稳定边界层(地面静风和低层逆温)使得PM_(2.5)重度污染维持了7h,期间PM_(2.5)平均质量浓度为172.4μg·m~(-3).后期弱冷空气影响上海,虽然改善了局地扩散条件但是同时产生了明显的周边污染物输送,使得本地PM_(2.5)质量浓度升高并达到峰值(280μg·m~(-3)),继续加重污染水平,期间PM_(2.5)平均质量浓度为213.6μg·m~(-3).WRF-Chem模拟结果进一步表明,整个污染过程周边区域输送对上海PM_(2.5)平均贡献率为23%,其中两个阶段周边区域输送的平均贡献率分别为17.2%和32.2%,可见在不同的污染天气条件下周边污染源的贡献存在显著差异,因此可以根据对污染天气类型的预判制定应急减排方案.     

南昌市城市空气PM2.5和PM10时空变异特征及其与景观格局的关系

基于2013—2015年南昌市9个空气环境监测点的连续数据,分析了空气PM_(2.5)、PM_(10)质量浓度(以下简称浓度)的时空变异规律,并以景观格局指数为定量指标,研究了监测点的两种颗粒物浓度与其周边500 m半径、1000 m半径缓冲区的土地利用状况的关系.结果表明:(1)南昌市3年来PM_(2.5)和PM_(10)浓度逐年显著降低.(2)通过聚类分析,9个监测站依据颗粒物污染可分为4大类,表现出一致的城乡梯度差异.(3)在斑块类型水平上,PM_(2.5)和PM_(10)浓度与500、1000 m半径缓冲区的C-PLAND(建筑用地覆盖率)、C-SHDI(建筑用地多样性指数)显著正相关,与1000m缓冲区的F-ED(林地边界密度)显著正相关;与F-PLAND(林地覆盖率)、C-Fi(建筑用地分离度指数)、F-MPS(林地平均斑块面积)显著负相关.在景观水平上,PM_(2.5)和PM_(10)浓度在500 m缓冲区与LPI(最大斑块所占景观比例)显著负相关;与1000 m缓冲区的MPS(平均斑块面积)显著负相关.景观格局指数直接反映土地利用状况,它与PM_(2.5)和PM_(10)浓度的相关性,表现出生态学中典型的"源汇景观"关系.     

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.     

太原冬季PM2.5影响霾污染的关键尺度谱特征

PM_(2.5)普遍被认为是导致霾形成的主要污染物之一.利用2016年11~12月在太原市人工降雨防雹办公室观测获得的气溶胶数谱资料、小店区气象站提供的气象要素资料以及小店区环境监测站提供的PM质量浓度资料,探讨了PM_(2.5)影响霾污染的关键尺度谱特征.结果表明,观测期间霾污染频发,且程度严重,重度霾占25.35%.相对湿度高于80%、风速小于1.5 m·s~(-1)是霾频繁发生的有利条件,特别是重霾;中度霾和轻度霾在相对湿度40%~80%、风速小于1.5 m·s~(-1)时也会频繁发生;轻微霾主要发生在相对湿度20%~40%,风速为1.25~2.55 m·s~(-1)时.霾天PM_(2.5)平均质量浓度为209.45μg·m~(-3),是非霾天气的3倍,且随着霾等级增加,PM_(2.5)质量浓度和PM_(2.5)/PM_(10)比值不断增加.低湿环境下PM_1是影响霾的关键粒子;高湿环境下PM_(0.5)是影响轻微霾、轻度霾和中度霾的关键粒子,而影响重度霾的关键粒子则是PM_1.高湿环境下表面积浓度对能见度的贡献率下降,但是气溶胶吸湿增长增大了粒子尺度,导致消光效率因子增大,从而弥补了表面积浓度的不足;粒子尺度参数的增加是高湿时PM_(2.5)影响霾污染的重要因素.     

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.     

新乡市秋季大气细颗粒物PM2.5中水溶性离子特征及其来源解析

为探究新乡市秋季PM_(2.5)污染水平及水溶性离子特征,于2016年9—11月期间,利用TH-150C中流量大气采样器分别在新乡市城市和郊区设立的两个采样点采集了大气PM_(2.5)样品,并分别用重量法和离子色谱法测得PM_(2.5)的浓度值和水溶性离子的组分,分析了大气PM_(2.5)的组成特征、变化规律及污染来源.结果表明,采样期间,城市站PM_(2.5)浓度为122.65~223.56μg·m-3,平均值为164.17μg·m-3,郊区站PM_(2.5)浓度为92.99~217.40μg·m-3,平均值为144.75μg·m-3,均超过国家二级标准浓度限值(75μg·m-3).采样期间,城市站7种水溶性无机离子(NH+4、NO-3、SO2-4、K+、Mg2+、Ca2+、Cl-)的平均质量浓度分别为9.98、22.05、13.41、0.65、0.04、0.30、2.19μg·m-3,郊区站分别为7.49、17.95、10.34、0.38、0.03、0.57、1.35μg·m-3;其中,NO-3、SO2-4、NH+4是大气PM_(2.5)中水溶性离子最主要的二次污染成分,而硝酸盐则是新乡市大气灰霾污染的关键组分.对PM_(2.5)中阴、阳离子进行相关性分析,结果发现,新乡市大气颗粒物PM_(2.5)总体呈酸性.PM_(2.5)中水溶性离子来源主要有二次转化,以及工业源、燃烧源及土壤建筑尘等,移动源(汽车尾气)对新乡市秋季大气污染的贡献较大.     

南京春季北郊地区大气PM2.5中主要化学组分及碳同位素特征

PM_(2.5)是大气的重要污染物之一,其成分复杂,为研究PM_(2.5)的污染特征及来源,于2016年3月采集南京北郊地区大气中的PM_(2.5),利用Dinoex ICS-3000和ICS-2000型离子色谱和DRI Model 2001A热/光碳分析仪分别测定了PM_(2.5)中的阴阳离子和碳质组分,利用元素分析仪-同位素质谱仪测定大气PM_(2.5)中的总碳同位素(δ~(13)CTC)组成特征.结果表明,2016年3月期间南京北郊地区PM_(2.5)污染严重,平均浓度达(106.16±48.70)μg·m~(-3),且88%观测天中存在明显的二次有机污染,SOC平均浓度为(3.58±2.78)μg·m~(-3),且在晴天条件下高浓度的二次有机碳(SOC)与紫外线作用下的O_3具有较强的相关性.大气PM_(2.5)中δ~(13)CTC值范围是-26.56‰~-23.75‰,平均值为(-25.47‰±0.63‰),结合化学组分的三相聚类分析结果可知,大气PM_(2.5)主要来源于燃煤过程、机动车排放,此外还受地质源和生物质燃烧源的影响.     

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.     

上海秋冬季PM2.5污染天气形势的客观分型研究

通过分析2013—2015年上海地面PM_(2.5)质量浓度观测资料,发现11、12、1月3个月对PM_(2.5)年总浓度的贡献达到36.4%,对总污染日数的贡献达到50.4%,对PM_(2.5)环境质量的影响最显著.采用T-mode斜交旋转分解方法(PCT),对2012—2015每年11月、12月和次年1月的海平面气压场和10 m风场进行大样本客观分型研究,揭示了4种秋冬季上海PM_(2.5)易污染的天气环流类型,分别为冷锋(Cw)、高压后部弱气压场(WGh)、高压前部弱气压场(WGl和WGf).对上海而言,冷锋、高后弱气压、高前弱气压分别表现为有利于上游污染输送、本地静稳累积、以及本地积累和上游输送相叠加的天气学特征.对比2个典型污染月(2013年1月和12月)和清洁月(2014年11月和2015年11月)的逐日分型结果发现,Cw环流控制下污染输送对秋冬季上海PM_(2.5)环境质量影响显著,高前弱气压的维持是导致上海3次连续重度污染的重要原因.     

基于K-means聚类分析法的肇庆市干季PM2.5污染天气分型研究

通过分析肇庆市2013—2018年国控大气环境监测站的PM_(2.5)连续监测数据,发现肇庆市区PM_(2.5)浓度在干季(10月—次年4月)明显高于其余月份,轻度以上污染基本发生在干季,且PM_(2.5)浓度对年总浓度贡献达70.8%.基于Era-interim再分析资料采用K-means聚类分析法对2013—2018年干季逐日的海平面气压和10 m水平风进行分型,揭示了肇庆市易出现PM_(2.5)污染的6种大气环流形势,包括冷锋前部(CF)、变性高压脊(THR)、脊后槽前型(BRFT)、高压底后部(HSW)、弱冷高压脊(HR)和台风外围型(TP).2013—2016年易污染天气型影响天数呈明显减少趋势,2017—2018年呈增加趋势.不同天气型PM_(2.5)浓度与局地气象要素相关性不一致,其中CF、HR、HSW、TP天气型与湿度相关性最好,THR与风速、BRFT与气压相关性最好.PM_(2.5)污染除BRFT天气型主要以本地排放累积影响为主,其余易污染天气型存在不同尺度的外来输送影响,HSW、HR主要来自广州、清远、韶关, CF主要来自佛山、中山,THR来自广州、清远、佛山.同一污染天气型在不同月份的污染影响差异较大,其中HSW、THR污染型主要影响1月和10月,CF为1月和12月,HR为2月和12月,TP为10月,BRFT为1月和10—11月.不同年份的同一月份造成不同程度的PM_(2.5)污染除了排放影响,还与天气环流类型和同一天气型下的局地气象要素密切相关.     

PM2.5和O3污染协同防控区的遥感精细划定与分析

针对地面站点监测数据难以支撑大气PM_2.5与O₃污染防控区边界划定的问题,融合大气污染浓度遥感估算建模与GIS统计分析模型,提出了一种基于PM_2.5和O₃浓度遥感估算结果的协同防控区精细划定方法,开展了2015~2020年月和年尺度的全国PM_2.5与O₃污染协同防控成效定量分析与防控区精细划定研究.结果表明,2015~2020年,我国PM_2.5浓度总体下降显著但O₃浓度基本持平,PM_2.5污染在秋冬超标严重,O₃污染则在春夏;同时PM_2.5与O₃浓度变化在空间上的不一致性显著,其中PM_2.5下降且O₃上升、PM_2.5与O₃均下降、PM_2.5与O₃均上升和PM_2.5上升O₃下降的面积占比分别为38.34%、35.12%、15.24%和10.89%.遥感精细划定范围显示,PM_2.5和O₃协同防控区域的边界具有显著动态变化特征,在时间变化上呈现先扩大后缩小的趋势,主体范围集中在"2+26"城市、汾渭平原、长三角北部和山东半岛.以PM_2.5或O₃单一防控为主的区域范围较为稳定,辽吉、鄂湘赣、成渝和塔克拉玛干沙漠-河西走廊区域需以PM_2.5防控为主,珠三角、长三角和环渤海湾部分区域则应以O₃防控为主.基于卫星遥感手段的PM_2.5和O₃协同防控区域边界精细划定方法可更好辅助国家PM_2.5和O₃协同防控策略制定需求.     

海陆风对天津市PM2.5和O3质量浓度的影响

静稳天气下局地环流往往会对污染物的传输扩散起重要作用.根据天津市地处渤海西岸,常年受到海陆风影响的特点,综合气象、环境资料及HYSPLIT模型,针对沿海、市区、城郊、山区等代表性站点,研究了海陆风对天津市ρ（PM_2.5）和ρ（O₃）的影响.结果表明:①2015年天津市海陆风天数为78 d,占全年的22%;海陆风多集中于6-9月,其中,7月海陆风日最多、2月最少.②ρ（PM_2.5）和ρ（O₃）季节性变化和空间分布特征不同.春、夏两季ρ（PM_2.5）山区最高、城郊最低;秋、冬两季ρ（PM_2.5）市区最高、山区最低.春、秋两季ρ（O₃）沿海最高、市区最低;夏季ρ（O₃）山区最高、沿海最低.③海陆风对ρ（PM_2.5）有扩散作用,对ρ（O₃）有增加作用.海陆风对沿海ρ（PM_2.5）扩散作用最为明显,致使冬、秋两季ρ（PM_2.5）分别下降20.2%和7.9%;对城郊ρ（O₃）增加作用最为明显,致使秋、夏两季ρ（O₃）分别升高39.8%和16.2%.④个例研究表明,海风向内陆推进过程中垂直方向最高可达1 000 m,受海风影响天津市ρ（PM_2.5）下降,陆风使得ρ（PM_2.5）小幅上升,海陆风总体起扩散作用;海陆风使天津市ρ（O₃）日变化出现3个峰值,日均值明显增大,其中,城郊增幅（68.2%）最大.研究显示,海陆风对天津市ρ（PM_2.5）有扩散的作用,但会增高ρ（O₃）.      

长江中游地区PM2.5重污染过程的典型天气环流分型及区域传输影响

作为一个新的区域性霾污染中心,长江中游地区地理位置特殊,是我国中东部地区大气污染物区域传输的重要枢纽,天气环流对该区域不同传输和累积型PM_2.5重污染的形成机制还不甚了解.利用T-mode斜交旋转主成分分析法（PCT）,对2015~2019年采暖季长江中游地区74 d PM_2.5重污染事件进行天气环流分型,得到：PCT1高压底部传输型（天数：41 d,占比：55.4%）、PCT2低压辐合累积型（天数：12 d,占比：16.2%）、PCT3高压静稳累积型（天数：11 d,占比：14.9%）和PCT4高压后部传输型（天数：10 d,占比：13.5%）这4种主要的大气环流类型.区域传输型污染（PCT1和PCT4）占比高达69%,是长江中游地区PM_2.5重污染发生的主导因素,突显了地域特殊性.其中,PCT1是最主要的环流型,冷锋南侵伴随强偏北风驱动上游地区污染物快速传输,使得PM_2.5浓度暴发式增长.境内传输通道城市襄阳、荆门和荆州PM_2.5传输过程具有12 h滞后特征,其PM_2.5影响源区主要分布在上游的河南中北部、山东西部和华北大部分地区.PCT4传输型受低层偏东风输送影响,污染上升速率也相对较快.PCT2和PCT3为静稳天气环流型,地面风速较小,低层水平辐合和下沉运动有利本地PM_2.5重污染累积,污染上升速率和持续时间都相对传输型更长.     

基于污染气象条件分级的深圳PM2.5污染回顾评价

提出了一种基于地面自动气象站网观测数据的污染气象条件分级标准,基于这套标准对2012—2019年深圳的PM_2.5污染进行了回顾分析.结果表明,2012—2019年深圳PM_2.5年均浓度总体上呈下降趋势,但2013年相对于2012年,以及2017年相对于2016年出现了反弹.其中,2013年PM_2.5浓度相对于2012年反弹的主要原因是污染排放本身的反弹,而2017年相对于2016年的反弹则更主要是由于不利的污染气象条件天数增加造成的.在2012—2019年期间,深圳的地面污染气象条件总体上呈恶化趋势,出现不利于环境改善的污染气象条件天数总体上呈增加趋势,在这种不利情况下,深圳的PM_2.5浓度仍然保持明显的下降趋势,充分说明了深圳市环保工作的成效.     

北京市PM2.5时空分布特征及其与PM10关系的时空变异特征

PM_(2.5)时空分布特征及其与其它污染物的相关关系是PM_(2.5)时空统计分析的主要研究内容.然而,现有的方法直接从监测站点的角度对时空分布特征进行分析,难以有效地揭示PM_(2.5)浓度的聚集分布特征;同时,常用的地理加权回归在对PM_(2.5)与其它污染物间关系进行建模的过程中,缺乏同时考虑时间异质性与空间异质性,从而不能准确地描述依赖关系的时空变异特征.为此,首先借助于空间聚类分析技术,对北京市2014年PM_(2.5)浓度的聚集结构进行探测,在此基础上,通过聚集结构来分析PM_(2.5)季节性时空分布特征.然后,利用地理时空加权回归对北京市PM_(2.5)与PM_(10)季节平均浓度间关系进行建模,依据回归结果分析PM_(2.5)-PM_(10)间关系的时空变异特征.实验结果表明,春夏季节PM_(2.5)污染程度及空间变异程度均低于秋冬季节,各季节PM_(2.5)浓度均表现为北部浓度低、南部浓度高的空间分布特征;地理时空加权回归具有更好的拟合效果,由回归系数进一步可发现,春夏季PM_(2.5)-PM_(10)相关性低于秋冬季PM_(2.5)-PM_(10)相关性;各季节均表现为西北部PM_(2.5)-PM_(10)的相关性高于东南部PM_(2.5)-PM_(10)的相关性.     

重庆市冬季PM_(2.5)及气态污染物的分布特征与来源

利用重庆市大气污染物监测站2013年冬季(2013年11月—2014年1月)的实测数据,分析PM2.5及相关气态污染物(SO2、NO2、O3)的时空特征,并采用轨迹聚类与PSCF(潜在源贡献因子)分析污染物来源.结果表明:除ρ(O3)以外,其他3种污染物质量浓度的月际变化趋势基本一致,均呈12月升高、1月降低的特征;污染物空间分布不均,其中ρ(PM2.5)和ρ(NO2)在工业区和人口密集区较高,ρ(SO2)南高北低,ρ(O3)城区低于郊区.ρ(SO2)、ρ(NO2)与ρ(PM2.5)均呈显著正相关,其中ρ(SO2)与ρ(PM2.5)的R(相关系数)在城、郊区分别为0.71、0.65,ρ(NO2)与ρ(PM2.5)在城、效区的R分别为0.73、0.56;而ρ(O3)与ρ(PM2.5)未表现出显著相关.ρ(SO2)、ρ(NO2)与ρ(PM2.5)的相关性高低可在一定程度上说明二次气溶胶的污染程度,ρ(O3)与ρ(PM2.5)的相关性受到PM2.5来源和污染程度的影响.轨迹分析结果显示,重庆市2013年冬季主要受东北方向气流影响;聚类分析表明,重庆市11月没有表现出明显的PM2.5外来输送特征,但12月和1月的PM2.5外来输送特征明显,并且不同方向的气流污染物浓度差异也较大.PSCF分析发现,重庆市冬季PM2.5、SO2、NO2、O3主要来源于本地和周围城市局地传输,同时还受南宁、贵阳、遵义、达州等地的影响.     

关中盆地NO2和SO2对颗粒物污染的协同效应

基于WRF-Chem模式模拟了关中盆地2019年1月2—14日一次颗粒物污染事件,评估了NO_x和SO₂减排及其在颗粒物污染中的协同作用对PM_2.5污染的影响。敏感性实验结果表明：NO_x减排可使PM_2.5中硝酸盐含量下降,但大气中O₃浓度上升,大气氧化能力增强,其他二次组分上升,导致PM_2.5下降不明显;SO₂人为源减排可使硫酸盐质量浓度下降,但由于硫酸盐在PM_2.5中占比较低,当SO₂减排75%时,PM_2.5仅下降1.74%;当减排比例较高时,NO_x和SO₂同时减排更有利于颗粒物污染防治。PM_2.5质量浓度在NO_x和SO₂同时减排75%时比分开减排75%时多下降0.75%,主要是硫酸盐下降所致;对气溶胶含水量进行分析,发现NO_x对气溶胶含水量影响较大,当NO_x减排75%时,气溶胶含水量可下降15.51%;此外,NO_x和SO₂同时减排比分开减排时气溶胶含水量更低,更不利于二次颗粒物生成。