重庆市都市功能核心区秋季大气污染物时空分布特征

为研究重庆市都市功能核心区大气污染物浓度水平及变化规律,统计分析了2014年9月至2014年11月5个监测站(解放碑、高家花园、杨家坪、新山村和南坪)24 h连续监测PM_(2.5)、PM_(10)、SO_2、NO_2、CO和O_3浓度数据.结果表明,观测期间,大气颗粒物污染严重,5个站点PM2.5日均浓度超标率分别为30.8%、37.4%、38.5%、37.4%和31.9%,5个站点PM10日均浓度超标率分别为23.1%、22.0%、18.7%、19.8%和19.8%;重庆市都市功能核心区细颗粒物(PM_(2.5))污染严重,5个站点PM2.5占PM10比例分别为60.2%、64.6%、64.1%、75.4%和62.8%;PM_(2.5)、PM_(10)、NO_2和CO早晚出现高峰值;SO_2和O_3浓度日变化曲线呈现单峰型,峰值分别出现在中午和午后;降水量、气温和水汽压与PM_(2.5)、PM_(10)、SO_2和NO_2呈显著负相关;相对湿度与O_3呈显著负相关,气温、水汽压和风速与O_3呈显著正相关;CO与相对湿度呈显著正相关;风向也影响着大气污染物浓度的时空分布,南偏西、南偏东和东北偏北风利于PM_(2.5)、PM_(10)、SO_2、NO_2和CO浓度积累,西北风利于PM_(2.5)、PM_(10)、SO_2、NO_2和CO扩散;但西北风控制下利于O_3浓度积累.     

达州市城区大气污染物浓度变化特征及影响因素分析

利用达州市城区环境空气自动监测站2015—2017年数据,研究了大气污染物的浓度变化特征和影响因素。结果表明:达州市城区未受到SO_2污染,PM_(10)和PM_(2.5)同比大幅下降,NO_2、CO和O_3-8 h浓度有所上升。污染物在不同季节的差异显著性不同,SO_2、CO、O_3-8 h在不同季节之间均存在显著差异(P<0.05),NO_2浓度在除秋季和冬季外的其他季节之间均存在显著差异,PM_(10)和PM_(2.5)浓度在除春季和秋季外的其他季节之间均存在显著差异。不同污染物的月均浓度变化曲线和不同季节的小时浓度变化曲线,以及不同季节的相关性也具有明显的特征。同时,本研究还建立了PM_(10)和PM_(2.5),NO_2和CO分别在不同季节的预测线性模型,为进一步了解污染物之间的相互关系和预测污染物的浓度发展趋势提供了参考。     

北京市2014年APEC期间及前后城区大气污染物变化特征

该文选择北京城区12个空气质量监测点,研究APEC前后及期间污染物时空变化特征及相互关系,并从不同角度分析污染物时空变化的影响因素,探讨APEC期间采取的临时减排措施对污染物的影响。结果表明:除O_3外,APEC期间污染物浓度低于非APEC期间,各污染物浓度在会间逐日变化呈"M"型、日变化最为平稳(α=0.05,Sig0.05),基本呈从北至南、从西至东的递增趋势,O_3浓度空间变化和NO_2的相反耦合度最高(p=0.01,r-0.80);PM_(2.5)、SO_2、NO_2和CO相互间在不同时段呈不同水平的正相关关系,但O_3在和其他污染物呈负相关。大气污染物浓度主要受排放源、气象因素、区域传输及污染物相关性等综合因素的影响,通过回归分析发现SO_2、NO_2、CO浓度和温度负相关性显著(α=0.05,Sig0.05),NO_2、CO、PM_(2.5)和湿度负相关性极显著(α=0.05,Sig=0.000.05)。PM_(2.5)为APEC期间首要污染物,PM_(2.5)浓度在各因素综合影响下降低,使得会间空气质量达到优良水平,因此,APEC期间采取的减排措施取得成效,可为相关环保部门采取合理有效的环保手段提供指导。     

呼和浩特市大气污染物污染特征及污染物的相关性分析

为了探究呼和浩特市大气污染物污染特征,对2014年一年的AQI做出统计整理并对PM_(10)、PM_(2.5)、SO_2、CO、NO_2的相关性进行分析。研究结果发现:呼和浩特市2014年空气质量总体良好,空气质量为良所占比重为58%,中度污染和重度污染所占比重为35%。该市的主要污染物PM_(10)、PM_(2.5)、SO_2的超标率分别达到了88.81%、52.60%、36.20%。空气污染指数AQI与PM_(10)、PM_(2.5)、SO_2、CO、NO_2、呈显著相关,尤其是PM_(10)和PM_(2.5),相关性系数高达0.959和0.851,可见其污染主要以颗粒物物为主。PM_(10)、PM_(2.5)、SO_2、CO、NO_2浓度间两两正相关。O_3的浓度与PM_(2.5)、SO_2、CO、NO_2均呈现负相关,O_3与AQI和PM_(10)的相关性不显著。     

基于GAM模型分析影响因素交互作用对PM2.5浓度变化的影响

对南京市2013~2015年PM2.5及影响因素的时间变化序列,运用广义可加模型(GAM)分析影响因素交互作用对PM2.5浓度变化的影响.结果表明,PM2.5及影响因素都基本服从正态分布类型,影响因素间具较强相关性,其中气温、气压和水汽压间具有显著相关性.PM2.5浓度变化的单因素GAM模型中,所有影响因素均通过显著性检验,其中SO_2、CO、NO_2等影响因素的模型拟合度较优,方程解释度较高;PM2.5浓度变化的多因素GAM模型中SO_2、CO、NO_2、O_3、平均降雨量(PRE)、平均风速(WIND)和相对湿度(RHU)等影响因素对PM2.5浓度变化解释率为73.9%,对其变化具有显著性影响;通过多因素对PM2.5浓度变化影响效应的诊断分析,得到SO_2、NO_2和WIND与PM2.5浓度变化呈线性关系,CO、O_3、PRE和RHU与PM2.5浓度变化呈非线性关系;在影响因素交互作用对PM2.5浓度变化影响的GAM模型中,SO_2与CO、PRE、RHU间交互作用,CO与NO_2、O_3、PRE、WIND、RHU间交互作用,以及NO_2与WIND、PRE、RHU间交互作用,都在P0.01(或P0.05)水平下显著影响PM2.5浓度变化;大气污染物SO_2、CO及NO_2分别与气象等其它因素的交互作用对PM2.5浓度变化产生最主要影响作用;通过对影响因素交互作用GAM模型可视化三维图分析,定量研究了影响因素交互作用对PM2.5浓度变化的影响特征.结论表明,运用GAM模型,能够定量化分析影响因素交互作用对PM2.5浓度变化的影响,研究方法具有一定创新性,对PM2.5浓度污染与控制研究具有重要意义.     

大连市大气污染特征、影响因素及来源分析

基于2016—2017年大连市6种大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、O_3、CO)的监测数据,研究污染物浓度的时间变化、周末效应及气象影响因素。结果表明,大连市大气污染物以O_3、PM_(10)和PM_(2.5)为主;冬季主要污染物为颗粒物,夏季为O_3。受供暖燃煤等影响,PM_(10)、PM_(2.5)和SO_2浓度供暖季显著高于非供暖季。大气污染物浓度季节变化显著,且PM_(2.5)、PM_(10)、SO_2及NO_2呈现周末较高的"周末效应"。利用相关性分析考察温度、湿度、风速等气象因素对污染物的影响;利用后推气流轨迹等方法分析大连市大气PM_(2.5)可能的来源。     

挥发性污染物二硫化碳处理技术

2016年11月—2017年2月在西安市城郊连续观测了NO_2、SO_2、O_3和PM_(2.5)的浓度,利用观测数据分析大气污染物的日变化和周末效应特征,结合不同污染物间的相关性分析结果,初步探讨了污染物间的相互作用机理。结果表明:观测期间NO_2、SO_2、O_3和PM_(2.5)浓度的平均值分别为(39.9±21.0),(77.2±22.8),(37.7±23.5),(192±141)μg/m3。PM2.5污染最为严重,超过国家二级标准的2.56倍。NO_2、SO_2和O_3浓度日变化特征显著,其中NO_2和O_3日变化为单峰型,SO_2日变化为单峰单谷型,PM_(2.5)日变化幅度较小。NO_2和SO_2周末效应较为明显,O_3和PM_(2.5)周末与工作日相差较小。PM_(2.5)浓度与NO_2、SO_2和OX浓度均为显著正相关,表明前体物和大气氧化性对PM_(2.5)浓度有显著影响。     

西安城郊采暖季大气污染物浓度特征研究

2016年11月—2017年2月在西安市城郊连续观测了NO_2、SO_2、O_3和PM_(2.5)的浓度,利用观测数据分析大气污染物的日变化和周末效应特征,结合不同污染物间的相关性分析结果,初步探讨了污染物间的相互作用机理。结果表明:观测期间NO_2、SO_2、O_3和PM_(2.5)浓度的平均值分别为(39.9±21.0),(77.2±22.8),(37.7±23.5),(192±141)μg/m3。PM2.5污染最为严重,超过国家二级标准的2.56倍。NO_2、SO_2和O_3浓度日变化特征显著,其中NO_2和O_3日变化为单峰型,SO_2日变化为单峰单谷型,PM_(2.5)日变化幅度较小。NO_2和SO_2周末效应较为明显,O_3和PM_(2.5)周末与工作日相差较小。PM_(2.5)浓度与NO_2、SO_2和OX浓度均为显著正相关,表明前体物和大气氧化性对PM_(2.5)浓度有显著影响。     

餐厨垃圾与污泥厌氧发酵动力学特性分析

基于2016—2017年大连市6种大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、O_3、CO)的监测数据,研究污染物浓度的时间变化、周末效应及气象影响因素。结果表明,大连市大气污染物以O_3、PM_(10)和PM_(2.5)为主;冬季主要污染物为颗粒物,夏季为O_3。受供暖燃煤等影响,PM_(10)、PM_(2.5)和SO_2浓度供暖季显著高于非供暖季。大气污染物浓度季节变化显著,且PM_(2.5)、PM_(10)、SO_2及NO_2呈现周末较高的"周末效应"。利用相关性分析考察温度、湿度、风速等气象因素对污染物的影响;利用后推气流轨迹等方法分析大连市大气PM_(2.5)可能的来源。     

广州某区PM_(2.5)和气态污染物质量浓度的日变化特征及其相关性分析

本文分析了2015年3月至2016年2月广州某区细颗粒物(PM_(2.5))和气态污染物(SO_2、NO_2、CO、O_3)质量浓度的日变化特征,并对PM_(2.5)和气态污染物之间质量浓度的相关性进行分析,结果表明:PM_(2.5)、SO_2、NO_2、CO、O_3大气污染物存在一定规律的日变化特征。PM_(2.5)与SO_2、NO_2、CO、O_3全年质量浓度的相关系数范围分别为0.184～0.219,0.271～0.436,0.170～0.368和0.051~0.318,存在一定的线性正相关关系。     

重庆市大气主要污染物特征分析

基于环境空气质量监测数据,分析了各项污染物时间变化特征,并利用SPSS 19.0软件进行相关性分析和主成分分析。结果表明:SO_2和CO污染较轻,NO_2浓度水平较高,O_3和PM_(2.5)污染相对严重。SO_2和O_3呈现"单峰型",NO_2、CO、PM_(10)、PM_(2.5)呈现"双峰双谷型"的日变化特征。SO_2、NO_2、CO、PM_(10)和PM_(2.5)呈"U型",O_3呈现倒"U型"季节变化特征。PM_(10)、PM_(2.5)与SO_2、NO_2、CO,SO_2与NO_2、CO,NO_2与CO呈现正相关;NO_2、CO与O_3呈现负相关。主成分分析法结果显示第1个因子为PM_(10)、PM_(2.5)、NO_2,第2个因子为O_3。     

嘉兴市春节期间烟花爆竹燃放对大气污染物分布特征的影响

为研究春节期间烟花爆竹的燃放对嘉兴市空气质量的影响,利用2015年春节期间嘉兴市3个监测站点的常规污染物(PM10、PM2.5、SO_2、NO_2、CO)和南湖区残联站的有机碳(OC)和元素碳(EC)数据,分析了烟花爆竹对嘉兴市不同功能区和不同空气质量条件下大气污染物的污染特征的影响.结果表明:春节烟花爆竹燃放显著影响PM10和PM2.5的浓度,残联站、清河小学和北部站在23日00∶00达最高值,PM10浓度分别为190、263和147μg·m~(-3),是非春节期间的2.2、2.8和2.1倍,PM2.5浓度分别高达156、158和78μg·m~(-3),是非春节期间的2.6、2.2和2.2倍.烟花爆竹燃放对污染气体的影响存在差异,对CO和SO_2的浓度影响较大,对NO_2和O_3的浓度影响较小.烟花爆竹燃放对嘉兴市老城区大气污染物的影响最大,其次是新城区,对工业区影响最小.污染源减排对大气污染物的影响比较大,2013—2015年嘉兴市春节期间大气污染物浓度(PM10、PM2.5、SO_2、NO_2、CO)整体要低于非春节期间,平均降幅在6.8%~46.1%之间.二次生成物O_3在春节期间的浓度均要高于非春节期间,增幅为20.1%~22.1%.不同空气质量条件下烟花爆竹的燃放对大气污染物的影响不同.     

林芝冬季紫外辐射与空气污染因素相关性研究

通过对林芝市2018年10月～12月的紫外线辐射强度及环境空气质量进行观测,分析了冬季晴天8～19时紫外辐射强度变化规律并与同时间的AQI、PM1、PM2.5、PM10、NO_2、O_3、SO_2、CO的相关性。结果表明:林芝市冬季紫外辐射很强,14时前后,紫外辐射强度达到最高,日变化趋势呈现大致对称的单峰状态;紫外辐射强度与PM1、PM2.5、PM10浓度并未表现出显著的相关性,与NO_2存在较好的负相关性,其Spearman相关系数高达-0.736,而与O_3、SO_2、CO的相关性较差,未通过显著性检验。     

重庆九龙坡城区和城郊大气污染物浓度特征研究

为了解重庆市九龙坡区城区和城郊大气污染物浓度特征,分析了城区和城郊国控空气站点2014年3月~2015年2月典型污染物的浓度变化。结果表明,除O_3表现出夏高冬低的季节变化趋势外,其它污染物均表现出冬高夏低的季节变化趋势。PM_(2.5)污染最严重,城区和郊区日均值超标率分别为31.4%和33.4%。城区和城郊的PM_(2.5)浓度之间没有显著性差异(p0.05),城郊O_3浓度显著高于城区(p0.01),NO_2、SO_2、CO和PM_(10)则是城区显著高于城郊(p0.01)。     

气象因素对乌鲁木齐市城区空气质量的影响

基于乌鲁木齐市2015年大气污染物和气象观测数据,用相关性分析和主成分分析法探讨了气象因素对乌鲁木齐市城区空气质量的影响。研究结果表明:1)大气压与PM_(2.5)、CO正相关显著,与O_3负相关显著;气温、水汽压和风速与PM_(10)、O_3存在显著正相关,与其他污染物都存在负相关;湿度与PM_(2.5)、SO_2、NO_2、CO存在显著正相关,与PM_(10)、O_3存在负相关。2)对乌鲁木齐市首要污染物PM_(10)存在显著影响的空气污染物包括CO、PM_(2.5)、SO_2,气象影响因素包括水汽压和湿度。     

浏阳市城区环境空气污染特征及其与气象因素相关性分析

根据浏阳市城区空气自动监测站点、浏阳市气象站实测数据,得出城区首要污染物、污染因子及其气象因素的月、季均浓度变化图,并求出污染因子和气象因素的相关性。结果表明:PM_(2.5)和O_3对浏阳市城区环境空气污染的贡献较大,SO_2、NO_2、PM_(10)对环境空气质量影响相对较小;空气质量较好的时间段主要集中在第三个季度;NO_2浓度与气温具有极显著的负相关性,与气压具有极显著的正相关性;PM_(10)浓度与风速具有较显著的负相关性;PM_(2.5)浓度与气温具有极显著负相关性,与风速具有较显著负相关性,与气压具有极显著正相关性;O_3浓度与湿度具有较显著负相关性,与气压具有极显著负相关性,与气温具有极显著正相关性。     

秀山县城区大气环境质量特征研究

为详细了解秀山县城区大气质量状况,选择2016年9月—2017年1月大气观测数据进行分析研究,结果表明:研究时段内PM_(10)、PM_(2.5)、SO_2、NO_2和O_3大气污染物浓度均满足《GB3095-2012环境空气质量标准》中二级标准要求,随着月份变化,PM_(10)、PM_(2.5)和O_3呈先降低再升高的趋势,NO_2呈逐渐增加趋势,SO_2变化趋势相对平缓。大气污染物NO_2与PM_(10)和PM_(2.5)呈显著性相关,聚类分析结果表明PM_(10)、PM_(2.5)对大气环境质量影响较大。气象参数与大气污染物均呈明显相关性,表明气象条件对污染物的扩散起着重要作用。     

西安市主要大气污染物浓度变化特征及相关特性分析

分析西安市主要大气污染物浓度(PM_(2.5)、PM_(10)、SO_2、NO_2、CO、O_3)随时间、空间的变化特征及其与天气情况、车流量变化之间的相关特性。结果表明:大气污染物浓度会因地区特点随人流量呈规律性波动;PM_(2.5)、PM_(10)与对应的SO_2、NO_2、CO、大气相对湿度呈正相关,与臭氧、温度、风速呈负相关;受排放及气温辐射影响,NO_2浓度在午后出现峰值且滞后于交通峰值;连续型降水对PM_(10)的稀释作用随降雨天数的增加呈"驼峰"型变化。     

西安市主要大气污染物的相关性分析及时空分布特征

为深入了解西安市大气污染程度,对2015年西安市主要大气污染物(SO_2、NO_2、CO、PM_(2.5)、PM_(10)、O_3)的空气质量指数进行了逐日变化分析、相关性分析及空间插值分析。结果表明:SO_2、NO_2、CO、PM_(2.5)、PM_(10)空气质量指数春冬季高于夏秋季,而O_3空气质量指数则是春冬季低于夏秋季。11月和12月份污染较为严重。在4个季度中,PM_(2.5)和PM_(10)与气态污染物SO_2、CO、NO_2均呈正相关,说明PM_(2.5)、PM_(10)与这3种气态污染物具有同源性。SO_2与CO、NO_2均呈显著性正相关,三者均受化石燃料燃烧及机动车尾气影响。O_3与CO、SO_2相关性不大,与NO_2在二季度呈现正相关。SO_2、NO_2、PM_(2.5)、CO、PM_(10)多聚集在高新西区、莲湖区、碑林区、经开区、雁塔区、长安区,O_3多聚集在阎良区、未央区和灞桥区。     

典型西南工业城市柳州市核心区大气污染物时空分布与气象因素研究

为研究柳州市核心区大气污染物浓度时空变化规律与气象因素之间的关系,统计分析了2018年全年研究区内6个自动监测站点PM_(2.5)、PM_(10)、SO_2、NO_2、O_3和CO的浓度监测数据和气象站气象数据,并对28次超标日污染物来源进行了解析.结果显示:①核心区颗粒污染物污染较为严重,且以PM_(2.5)为主的细颗粒污染物仍为柳州市主要的大气污染物;各污染物月均浓度季节差异显著,除NO_2外柳州大气污染物浓度下降明显,指示柳州市多项节能减排综合整治措施成效显著;PM_(2.5)、PM_(10)、CO受早晚高峰期影响,浓度日变化均呈双峰型;NO_2在不同季节峰型不同,作为O_3前体物其浓度日变化与O_3相反,呈现"早峰午谷"的变化趋势.②通过对污染物浓度插值发现,由于核心区主要工商业区位于西部且处于主导风向下风向,故PM_(2.5)和SO_2浓度西北高、东南低,PM_(10)、NO_2和CO浓度西南高、东北低;核心区东部的山区为O_3生成带来大量前体物,使O_3浓度东南高、西北低.③由于气候特征,核心区春、夏季主要气象因素均为降水量;秋季的主要气象因素是风速,风速与污染物的负相关关系表明了风的扩散效应;冬季大部分污染物与气象因素的相关性不显著,表明人为因素对污染物的影响大于气象因素;核心区大气污染物主要来源于局地排放和区域传输,且南北主导风向对大气污染影响最大.④HYSPLIT模型结果指示柳州超标日大气污染物主要来自于珠三角地区,且陆源颗粒物浓度普遍比海洋源高,来自南部的远距离输送气流颗粒物含量最低,表明远距离输送为影响颗粒物传播的主要原因.