西安市的PM_(2.5)污染特征分析研究

分析和掌握大气中PM_(2.5)的污染特征,对控制PM_(2.5)的排放和改善空气质量具有十分重要意义。依据西安市连续2年多的空气质量监测数据,对AQI监测指标进行相关性分析,还从季节平均、月平均和日平均变化分析了PM_(2.5)随时间的分布特征,并应用MATLAB软件依据griddata插值算法绘制出了PM_(2.5)的空间分布图,直观地显示了PM_(2.5)污染在空间上的分布特征,突出了污染治理的重要季节和重点地区。研究结果表明:空气质量指数中的6项指标之间存在一定的相关性,PM_(2.5)与PM10的相关性最大,且PM_(2.5)污染呈季节性变化,春季污染最为严重,其次是冬季和秋季,夏季污染最轻;西安市的PM_(2.5)污染主要来源于燃烧、扬尘、尾气排放等过程,污染区域呈现北高南低的特征,污染源除人为源以外,周边污染扩散迁移也有较大影响。     

毕节市区大气污染特征及影响因素分析

根据毕节市2015年大气污染物浓度和气象因子的监测数据,分析了毕节市区大气污染物SO_2、NO_2、PM10、PM2.5、CO及O_3浓度的月、季和年平均变化特征及其影响因素,并对大气污染物浓度之间以及大气污染物浓度与气象因子之间的相关性进行了分析。结果表明:(1)毕节市区2015年空气质量总体良好,空气质量优良天数占95.1%,主要大气污染物为PM10和PM2.5;(2)大气污染物SO_2、PM10、NO_2、PM2.5、CO的月浓度都呈"V"型单谷变化趋势,而O_3的月浓度则为单峰变化趋势;大气污染物SO_2、PM10、NO_2、PM2.5、CO浓度的季节变化为冬季最高、夏季最低,O_3浓度的季节变化则为春季最高、冬季最低,且季节之间的差异性显著(p0.05);大气污染物PM10和PM2.5的年平均浓度分别超过我国《环境空气质量标准》(GB 3095—2012)中一级标准年平均浓度限值的18.2%和112.4%,SO_2和NO_2的年平均浓度均未超过国家一级标准的年平均浓度限值;(3)大气污染物SO_2、NO_2、CO浓度与颗粒物PM10、PM2.5浓度之间两两呈极显著正相关性(p0.01),其与O_3浓度之间呈极显著负相关性(p0.01);PM2.5浓度与PM10浓度之间呈极显著正相关性,而PM2.5浓度与O_3浓度之间呈显著负相关性,多元线性回归分析得出PM2.5浓度与其他大气污染物浓度之间的拟合方程为:PM2.5=2.718+0.130SO_2+0.747PM10+0.255NO_2-0.077O_3+0.678CO;(4)气压与大气污染物SO_2、NO_2、CO、PM10浓度之间呈显著正相关性,其与O_3浓度之间呈极显著负相关性;温度除与O_3浓度之间呈极显著正相关性外,与其他大气污染物浓度之间呈显著负相关性,且其与O_3浓度的相关性系数最大(r=0.501),说明温度对O_3浓度的影响较大;相对湿度除与CO浓度之间无显著相关性外,与其他大气污染物浓度之间均呈显著性负相关性;风速与O_3浓度之间呈极显著正相关性,其与其他大气污染物浓度之间均呈极显著负相关性。     

浙江省空气质量及主要气象因子的影响分析

利用浙江省环保厅发布的2004年9月以来的空气质量监测数据(API/AQI)和浙江省气象局2005年以来的逐时气象要素数据,分析浙江省近年的空气质量及其空间分布特征、与主要气象因子的相关性。结果表明:浙江省近年空气质量总体稳定,年际变化不大,但偶有区域性空气污染事件发生;春节效应明显,而星期效应较弱;区域上,浙北空气质量最差,浙中次之,沿海较好,浙西南山区更好,最佳为海岛舟山地区。主要污染物在监测API时期为PM10,2012年10月起改为监测AQI后,首要污染物为PM2.5取代,且臭氧(O3)作为首要污染物的比率凸显,AQI指数值比同期API高近15~30。进一步分析空气质量与(雾)霾、降水、连晴天数、风向风速等气象因子的相关性,发现适量降水和中等风速有利空气净化,连晴使空气污染加重;各地除舟山海岛地区外,空气质量与(雾)霾天气的出现比率较为一致。     

PM2.5浓度空间分异模拟模型对比:以京津冀地区为例

在我国快速的城市化进程中,快速的经济发展和日益增加的能源消耗带来的大气污染不断增加,特别是细颗粒物污染如PM2.5污染越来越严重,PM2.5污染相关研究成为一个热点议题.高浓度的PM2.5是形成我国京津冀、珠三角和长三角地区大气灰霾的主要原因,大气污染已成为制约京津冀地区乃至全国可持续发展的关键问题,长期暴露在PM2.5大气污染中,会对人类健康造成诸多不良影响.土地利用回归模型可以实现大气污染物浓度的时空模拟,明晰PM2.5浓度的空间分布特征对于大气污染的防治和流行病学的研究具有重要意义.本研究利用2014年1月1日至2014年12月31日京津冀地区104个监测站点的大气污染物浓度数据,结合VIIRS(visible infrared imaging radiometer)AOD(aerosol optical depth)、土地覆被、气象因子、道路分布、人口密度、污染源分布等信息,分别利用最小二乘和地理加权回归构建土地利用回归模型,对PM2.5浓度时空分布情况进行模拟,其中包括含VIIRS AOD数据的最小二乘土地利用模型和地理加权土地利用模型,以及不包含VIIRS AOD数据的最小二乘土地利用模型和地理加权土地利用模型,这4个模型的修正R2值分别为82.13%、84.87%、80.45%和81.99%.研究表明,相比最小二乘回归,使用地理加权回归的方法能一定程度上提升土地利用回归模型的结果.     

西安市2013年空气质量状况分析

本文收集西安市2013年环境监测站发布的空气质量指数（AQI）及环境空气状况与监测月报资料,对空气质量等级、AQI变化情况、主要污染物浓度变化趋势及采暖期和非采暖期浓度比较进行分析.研究结果表明：西安市2013空气质量二级以上的达标率为37.8％,年均AQI值为151,SO2、NO2、PM10和PM2.5的月监测浓度变化趋势无显著意义,采暖期平均浓度均显著高于非采暖期平均浓度,PM2.5采暖期均值是非采暖期均值的3.09倍.由此可见控制SO2、NO2、PM10和PM2.5的排放是改善西安市空气质量的重点工作.     

合肥紫外线辐射强度与空气质量的关系研究

利用合肥地面紫外辐射及环境空气质量观测资料,分析了晴天状况下9-15时逐时紫外线辐射强度与对应时段的PM10、PM2.5、SO2、NO2、O3、CO这6种污染物浓度及空气质量指数(AQI)之间的关系。结果表明:在PM2.5为首要污染物的情况下,紫外线辐射强度与PM2.5、PM10、AQI存在较好的负相关,与PM2.5的相关系统可达-0.72,而与SO2、NO2、O3、CO的相关性较差;与PM2.5的相关性存在明显的日变化,PM2.5/PM10越大,相关性越好;以PM2.5为首要污染物的重度污染可使紫外辐射衰减32%以上。     

厦门市PM_(2.5)与分布特征及能见度关系的研究

利用2011-2012年厦门市PM2.5监测资料和气象要素资料,分析PM2.5分布规律,及与海陆风、低能见度天气的关系;尝试分不同季节,在不同主导气象要素场背景下,建立PM2.5与能见度的关系式,试图用能见度推算PM2.5浓度,探索AQI预报中PM2.5浓度预报的技术方法。结果表明:厦门市低能见度天气与PM2.5浓度关系密切,通过相对湿度、降水概率、风向风速以及对应典型的天气形势等差异可清晰表现出来;区分季节性气象要素,计算PM2.5浓度与能见度的相关系数,并建立7个关系式,发现夏季PM2.5浓度与能见度显著负相关,夏季是用能见度推算PM2.5浓度相对最容易、最准确的季节;秋冬春三季PM2.5与能见度关系分别可建立两种关系式,主要为负相关关系,且春季预报PM2.5的难度最大。     

利用LUR模型模拟杭州市PM2.5质量浓度空间分布

模拟城市大气污染物浓度空间分布对研究城市空气质量及人体健康至关重要.本研究利用土地利用回归模型(Land Use Regression,LUR),提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子,基于地理加权算法(GWR)建立春、夏、秋、冬四个季节的模型,实现对杭州地区近地表PM_(2.5)质量浓度空间分布的预测.结果表明:基于地理加权回归算法时,检验模型的R2值分别达到0.76(春季)、0.70(夏季)、0.73(秋季)、0.76(冬季),模型能够解释PM_(2.5)浓度值80%以上的变异.每个季度杭州地区PM_(2.5)浓度变化不尽相同,但总体以杭州中部最高,西南部偏低.研究说明基于LUR模型模拟大尺度地区PM_(2.5)质量浓度空间分布是可行的.     

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。     

关中地区城市空气质量特征及影响因素分析

本文对陕西省关中地区33个城市环境空气质量自动监测站点2015年全年的监测数据进行统计和研究,讨论了关中城市空气质量特征和主要影响因素。结果表明,关中地区城市间空气质量具有密切的相关性和整体性,影响关中城市群全年空气质量最主要的污染因子是可吸入颗粒物(PM10)和细颗粒物(PM2.5),首要污染物呈现出显著的季节变化规律。人类活动、气象因素以及地形特征是造成关中地区空气质量现状的主要原因。     

2017年厦门金砖会晤期间气象因素与管控措施对空气质量的影响

2017年厦门金砖会晤期间采取了大气污染临时管控措施,使AQI小时值和日均值均达到了双优的预期目标.本文根据管控措施实施的前、中、后阶段,厦门及周边城市大气污染物浓度的变化,对气象因素和人为因素的影响分别进行分析.结果发现,气态污染物对临时管控措施的敏感性最强,SO₂和NO₂的降幅（39.9%和25.6%）明显高于PM_2.5和PM₁₀的降幅（5.5%和4.8%）,台风外围带来的大风和降水可显著改变大气污染物的周期性变化规律.大气PM_2.5组成及SO₂/NO₂、SO₄^2-/NO₃^-、OC/EC和WSOC/OC等比值变化显示机动车（尤其是柴油货车）是本地区大气污染物的重要来源.控制变量分析显示,厦门金砖会晤期间气象因素对颗粒物和NO₂削减的贡献更大（20.3%）,而临时管控措施对SO₂的削减效果更明显（23.2%）,且有一半以上（51%~64%）的大气污染物来自外来源输送.     

2014—2016年海口市空气质量概况及预报效果检验

本文主要基于CUACE模式在海口市的预报产品,结合2014年3月—2017年2月海口市AQI、PM_2.5、PM₁₀和O₃的实况资料进行预报效果检验.结果表明,①近3年海口市空气质量等级主要以优和良为主,但仍有少部分天数以PM₁₀、PM_2.5和O₃为首要污染物,分别占所有首要污染物天数的27.6%、29.5%和42.9%,其中O₃上升幅度较快.②CUACE模式能较好的模拟出AQI和3类污染物浓度的变化特征,其中PM_2.5的预报值与实测值最为接近,而PM₁₀和O₃普遍偏低.③日平均浓度的预报效果检验表明,PM_2.5的标准误差（RMSE）最小,AQI和PM₁₀次之,O₃最大.3个时次预报平均偏差（MB）和归一化偏差（MNB）均为负值,表明CUACE模式预报的污染要素浓度均偏低于实测值.④海口市空气质量为优等级时,TS评分最高;无首要污染物时,首要污染物预报的TS评分最高,但首要污染物为PM_2.5、PM₁₀或O₃时,TS评分均偏低.     

乌鲁木齐市空气污染时空分布特征及其与气象因素相关分析

基于乌鲁木齐市7个检测站点实测数据(参照《环境空气质量标准》规定的6项常规监测污染物(PM_2.5、PM_10、SO_2、NO_2、CO、O_3)的24小时/8小时国家二级标准和AQI分级标准),对乌鲁木齐市2016年空气质量做变化趋势分析。结合乌鲁木齐市气象要素和城市发展数据对乌鲁木齐市空气质量影响因素做相关分析,然后利用层次分析法(AHP)对乌鲁木齐市环境空气污染时空分布特征的影响因素做评价分析。研究结果有:(1)乌鲁木齐市2016年1月,轻度污染天气占整月的3%、中度污染天气占26%、严重污染天气占32%、重度污染天气占39%;工业园区集中的米东区是乌鲁木齐市空气污染最严重的城区。(2)乌鲁木齐市的城区空气污染物因子和同期气象因素相关性显著;(3)重要污染物企业的空间分布对乌鲁木齐市空气污染空间分布起到绝对的影响作用。     

成都市一次典型空气重污染过程特征及成因分析

为了研究成都市冬季空气重污染过程的成因,以2015年12月26日—2016年1月6日成都市一次典型重污染天气过程为例,基于HYSPLIT后向轨迹模式结合全球资料同化系统(Global Data Assimilation System,GDAS)气象数据和成都市7个监测站的AQI、PM_(2.5)、PM10、NO2质量浓度数据,使用气象分析、轨迹聚类(Cluster Analysis)、潜在源贡献因子法(Potential Source Contribution Function,PSCF)和浓度权重轨迹法(Concentration Weighted Trajectory,CWT),分析了此次过程的气象特征、轨迹输送特征和污染物潜在来源分布.结果表明,此次污染天气过程是以PM_(2.5)为主要污染物,其次为PM10、NO2.2015年12月30日14:00左右是此次污染天气过程各站点PM_(2.5)、PM10浓度到达峰值的时刻.缺少北方冷空气南下,四川盆地内空气水平运动弱,以及扩散条件差的静稳天气形势是导致此次大气污染过程成都市污染物累积的原因,而冷空气活动是改善这种天气形势的关键.污染过程辐射逆温层的形成对当时污染物浓度增长有促进作用,但随着每日生消、加强减弱,其并不是最终导致重污染天气形成的关键因素.川东北的广元、绵阳、德阳等地区和成都本地及其南向的眉山、雅安等地区是此次过程主要的潜在源区,这些地区人口较密集,工业较发达,且沿地形走向而分布.     

长三角地区大气污染物对新冠肺炎封城的时空响应特征

利用2020年1月1日—2月29日上海、南京、合肥和杭州4个城市常规污染物的逐时监测资料,结合卫星反演的NO₂垂直柱浓度信息,探讨了新冠肺炎封城的前、中、后期长三角地区城市大气污染物的污染水平及响应特征.结果显示：除O₃外,其余大气污染物的平均浓度在时间上的整体变化趋势均表现为封城前>封城中（1月24日—2月10日）>封城后,表明空气质量并非完全受封城导致的污染减排控制.封城期间的PM_2.5/PM₁₀比值高于封城前和封城后,表明气溶胶二次生成对封城期间仍出现的颗粒物污染可能有重要贡献.O_x浓度在封城期间也有显著上升（p<0.01）,表明大气氧化性可能在NO₂减少的背景下得到强化,从而促进二次气溶胶的生成.从空间看,O₃分布呈以城市为中心的包围式往内聚集分布,表明以局地生成为主.PM_2.5、PM₁₀、CO、SO₂和NO₂分布特征为北高南低,表明冬季自北向南的区域传输对封城期间的空气污染有重要贡献.卫星反演结果进一步证实华北平原是污染的主要源区,这也得到轨迹来源分析的佐证.     

厦门海沧区PM2.5中金属元素污染评价及来源分析

为了了解金属元素的污染特征和潜在来源,以及重金属元素的风险水平,本研究于2015年4月至2016年1月采集了厦门海沧区不同类型站点四季大气PM_(2.5)样品348份,用X射线荧光分析仪(XRF)测定了其中K、Ca、Na、Mg、Al、Zn、Cu、Fe、Ti、As、V、Mn、Ba、Co等14种金属元素的质量浓度.本研究分析了码头、生活区、工业区和背景区这4个类型站点PM_(2.5)中金属元素的时空分布特征,综合利用富集因子法和健康风险评价模型进行了金属元素的污染评价,并采用相关性分析、主成分分析和后向气团轨迹初步探讨了金属元素的来源.结果表明,采样期间厦门海沧区PM_(2.5)中14种金属元素总质量浓度在PM_(2.5)中的占比为5.4%~10.6%.金属元素总质量浓度的时空变化特征与PM_(2.5)的较为一致,均表现为春冬季浓度高于夏秋季,海润码头和新阳工业区高于海沧分局和市委党校.而夏季海润码头和海沧分局PM_(2.5)日均值超标率较高的现象,与海润码头作业以及风向有关.新阳工业区Zn的质量浓度最高,市委党校次之;海润码头V的质量浓度最高,夏季海沧分局易出现V的浓度高值;均说明污染源站点(新阳工业区和海润码头)排放的污染物对其附近站点的金属元素质量浓度产生了影响.K质量浓度冬季最高,As超标现象出现在冬季和春季,说明冬季生物质燃烧以及燃煤等燃烧排放对大气污染的影响较为严重.Cu、Zn、As、Co、Na和Mn在各站点的富集因子范围为67~8449,富集均较严重.非致癌重金属Zn、Cu、Mn风险值之和低于一般可接受的风险水平(1×10~(-6)a~(-1)),其中Mn对总风险值的贡献范围为74%~88%.综合相关性分析和主成分分析结果表明,厦门海沧区PM_(2.5)中金属元素主要来源于地面扬尘、机动车排放、燃煤和工业排放以及船舶排放,各来源分别可以解释变量的34.5%、12.5%、10.6%、7.8%.后向气团轨迹表明春、秋和冬季均受到局地气团的影响,而夏季气团运动相对较强;春冬季途经长三角内陆的气团可能导致PM_(2.5)浓度偏高.     

上海市夏季颗粒物污染过程数值模拟研究

利用观测资料和嵌套网格空气质量模式(Nested Air Quality Prediction Model System,NAQPMS)模拟研究了2010年7月26日—8月26日上海市及周边城市PM10、PM2.5及其无机盐组分的浓度变化趋势及时空分布特点.结果表明,NAQPMS模式较为合理的重现了上海各方位站点及其周边城市PM10、PM2.5及其硫酸盐、硝酸盐等无机化学组分的浓度水平与变化趋势,相关系数在0.7以上.研究期间造成上海颗粒物污染的主要原因是:弱气旋低压系统控制下,西南或西北气流将内陆污染物输送至上海市,当低压中心移至上海附近时带来的辐合气流使得污染进一步累积上升.长三角地区PM2.5主要无机盐组分分布特征表明,上海市及周边城市的硫酸盐、硝酸盐和铵盐的总和占PM2.5浓度的40%~60%,二次气-粒转化过程贡献明显,且以SO2向SO2-4的氧化转换为主;污染上升过程中NO-3/SO2-4比率增大,说明流动源的贡献有所增加.     

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.     

基于半级别的城市空气质量预报评估方法探讨

环境空气质量预报评估是提升预报能力的重要助力,为更好支撑空气质量精细化管理,将我国空气质量细化为12个半级别,参照英国预报评估方法,对2020年“2+26”城市AQI、 PM_2.5浓度和O₃-8h浓度预报开展探索性半级别预报效果评估,通过与AQI范围预报和AQI级别范围预报评估对比发现,半级别预报评估方法可将两者兼容合一,在城市业务预报评估中具有一定可行性和应用价值.具体的半级别预报评估结果表明,“2+26”城市AQI和O₃-8h浓度在低段级别和高段级别的预报效果明显差于中段级别,不同级别PM_2.5浓度预报效果相对稳定;AQI、 PM_2.5和O₃-8h浓度预报准确率月变化曲线分别呈双峰型、先升后降型和平缓型,PM_2.5浓度各月偏高预报显著;不同城市AQI和O₃-8h浓度预报准确率差距相对较小,PM_2.5浓度预报准确率波动较大;北京和天津AQI预报准确率高于周边省份,北京和河南PM_2...     

廊坊市大气污染特征与污染物排放源研究

通过廊坊市2014年12个监测站点的大气污染物监测数据,分析了廊坊市大气污染的主要特征,包括空气质量水平、大气污染的季节与空间分布.结果发现,虽然与2013年相比2014年空气质量有所改善,但12个站点空气质量超标均十分严重.秋季、冬季与春季PM_(2.5)为主要的空气污染物,夏季O3日最大8 h平均浓度频繁超标,需要引起重视.为实现廊坊市空气质量模拟,制定最优空气质量改善政策,基于污染源普查、环境统计数据,编制了廊坊市主要大气污染物排放清单.工业部门中,电力、热力生产和供应业、黑色金属冶炼及压延加工业是SO_2、NO_x和PM_(2.5)的重要来源.VOCs则主要来自于化学原料和化学制品制造业、黑色金属冶炼及压延加工业、食品制造业.另外,廊坊全市道路扬尘和建筑施工扬尘污染贡献了PM2.5的38.6%,但扬尘的管理十分薄弱.同时结果表明,廊坊市黄标车排放在交通源排放中比重较高.因此,需要对上述重点排放源进行有效控制,从而改善廊坊市空气质量.