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.      

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.      

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。     

天山北坡经济带城市PM2.5质量浓度时空分布及模拟分析

PM_2.5扩散/积聚有着复杂的物理、化学过程,其时空变化与前体污染物及气象条件密切相关.为探究区域城市ρ（PM_2.5）的变化规律,以天山北坡经济带城市为研究区,采用2015年1月-2017年10月大气污染物监测数据和气象数据,结合数理统计和GIS空间分析技术,分析研究区ρ（PM_2.5）的时空变化特征;借助普通OLS（最小二乘法）分析影响因子的多重相关性,通过PLS（偏最小二乘）法构建ρ（PM_2.5）估算模型.结果表明:①研究区各城市小时ρ（PM_2.5）呈"W"型双峰变化;各月份ρ（PM_2.5）呈"U"型特征,月均值为59.5 μg/m3,2月和9月分别为ρ（PM_2.5）最高月和最低月;各季节ρ（PM_2.5）排序为冬季（146.6 μg/m3）＞秋季（35.2 μg/m3）＞春季（34.1 μg/m3）＞夏季（26.8 μg/m3）;空间上ρ（PM_2.5）由西北部克拉玛依市向东南部乌鲁木齐市逐渐增大.②PLS法构建模型能有效克服自变量多重相关性的问题,模型可解释自变量95.7%和因变量80.1%的变异信息,年均模拟值与实测值偏差为9.82%.③研究区各城市ρ（PM_2.5）与ρ（CO）的相关性极显著,与气象因子中的风速和气温的相关性较显著,而与相对湿度的相关性不显著.研究显示,基于前体污染物和气象因子的PLS法构建模型是模拟ρ（PM_2.5）的有效方法.      

漯河市PM10和PM2.5中水溶性离子浓度特征及其来源解析

为了研究漯河市PM_2.5和PM₁₀及其水溶性离子变化特征,于2017年5月—2018年2月在漯河市3个采样点同步采集PM_2.5和PM₁₀样品,分别获得PM_2.5和PM₁₀有效样品191和190个.用离子色谱法分析样品中F-、Cl-、NO₃-、SO₄2-、Na+、NH₄+、K+、Mg2+、Ca2+等9种水溶性无机离子.结果表明:在采样期间,漯河市ρ（PM_2.5）平均值为72.42 μg/m3,其中ρ（总无机水溶性离子）的年均值为34.76 μg/m3,占ρ（PM_2.5）的46.72%;ρ（PM₁₀）平均值为126.52 μg/m3,其中ρ（总无机水溶性离子）的年均值为46.40 μg/m3,占ρ（PM₁₀）的35.67%.2种颗粒物水溶性离子质量浓度的季节性变化均呈冬季高、夏季低的趋势.PM_2.5/PM₁₀〔ρ（PM_2.5）/ρ（PM₁₀）〕在四季分别为0.50、0.61、0.56、0.57.采样期间漯河市PM_2.5中NOR（氮氧化率）和SOR（硫氧化率）的年均值分别为0.17和0.30,PM₁₀中NOR和SOR的年均值分别为0.22和0.34,说明颗粒物中SO₄2-的二次转化效率高于NO₃-.PM_2.5和PM₁₀在采样期间均呈弱碱性,且碱性在夏季最强,秋季最弱.利用PMF模型分析PM_2.5和PM₁₀中水溶性离子的主要来源发现,PM_2.5中水溶性离子来源主要包括生物质燃烧源、燃煤源、建筑扬尘源、工业源和二次污染源,PM₁₀中水溶性离子来源主要包括燃煤源、建筑扬尘源、二次污染源、生物质燃烧源和工业源.研究显示,漯河市颗粒物污染中水溶性离子来源复杂,应采取多源控制的污染防治措施.      

西宁市PM2.5水溶性无机离子特征及其来源解析

为探讨西宁市PM_2.5水溶性无机离子的特征及其来源,于2017年1月-2018年4月在西宁市开展PM_2.5样品采集工作,使用离子色谱仪分析水溶性无机离子.结果表明:西宁市大气中ρ（PM_2.5）平均值为（42.7±36.6）μg/m3,4个采样点ρ（PM_2.5）大小顺序依次为市区（54.9 μg/m3）>工业区（44.1 μg/m3）>郊区（40.8 μg/m3）>农村（28.3 μg/m3）;ρ（PM_2.5）季节性分布特征明显,呈冬季最高、夏季最低的特征.SNA（为SO₄2-、NO₃-和NH₄+的统称）是最主要的水溶性离子,占总水溶性离子的66.3%,SNA季节性分布特征为冬季最高、夏季最低.4个采样点SOR（硫氧化率）和NOR（氮氧化率）平均值均大于0.10,说明SO₄2-和NO₃-主要来源于二次转化.采样期间PM_2.5中ρ（NO₃-）/ρ（SO₄2-）为0.72,表明燃煤源排放大于交通源排放.主成分分析显示,西宁市PM_2.5水溶性离子来源主要为二次粒子源、工业源、扬尘源和燃烧源.研究显示,西宁市城区、工业区、郊区大气中ρ（PM_2.5）平均值均超过GB 3095-2012《环境空气质量标准》一级标准限值,建议减少PM_2.5的产生应以控制二次粒子源、工业源、燃烧源和扬尘源为主.      

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.      

廊坊市开发区冬季颗粒物碳组分污染特征及来源分析

廊坊市是北京市及周边传输通道“2+26”城市之一.为研究廊坊市开发区冬季颗粒物中碳组分污染特征,于2018年1月5日—2月5日在廊坊市开发区国控点位同步开展PM_2.5及PM₁₀样品采集,使用DRI分析OC（有机碳）与EC（元素碳）的质量浓度.结果表明:廊坊开发区冬季ρ（PM_2.5）、ρ（PM₁₀）分别为（54.5±46.0）（91.0±58.2）μg/m3.PM_2.5中ρ（OC）、ρ（EC）分别为14.64、3.54 μg/m3,PM₁₀中分别为17.07、4.58 μg/m3;PM_2.5、PM₁₀中ρ（OC）与ρ（EC）相关性均较好,R2均为0.91（P < 0.01）,表明二者具有相似的来源;在PM_2.5和PM₁₀中OC/EC〔ρ（OC）/ρ（EC）,下同〕分别为4.46和4.16,ρ（SOC）（SOC为二次有机碳）分别为6.15和5.88 μg/m3,分别占ρ（OC）的42.1%和37.7%,表明二次污染较严重.碳组分丰度及主成分分析结果表明,PM_2.5与PM₁₀中碳组分来源基本一致,主要来源于汽车尾气、水溶性极性化合物、生物质燃烧及燃煤的混合源,柴油车排放,以及道路扬尘.后向气流轨迹聚类结果表明,颗粒物及碳组分质量浓度受途径内蒙古自治区及河北省中部、北京市南部气团的影响较大;对于碳组分来源,道路扬尘及汽车尾气受气团传输的影响较大,而生物质燃烧、燃煤等受气团传输的影响较小.研究显示,汽车尾气、燃烧源及道路扬尘为廊坊市开发区冬季碳组分的主要来源.      

济南市大气颗粒物背景值确定方法

城市大气颗粒物背景值的确定能够为制订城市大气颗粒物污染防治目标提供重要基础支撑,探索大气颗粒物背景值确定方法对于大气污染防治具有重要意义.以济南市清洁对照点跑马岭监测数据为基础,直接采用概率密度法计算得到的ρ（PM₁₀）和ρ（PM_2.5）背景值范围分别是100~110和40~50 μg/m3.综合应用空气质量模型模拟法和概率密度法,提出基于数值模拟的城市大气颗粒物环境背景值确定方法,并在此基础上确定了济南市大气颗粒物背景值.结果表明:济南市ρ（PM₁₀）和ρ（PM_2.5）背景值范围分别是30~35和15~20 μg/m3,其中ρ（PM₁₀）环境背景值秋季（40~45 μg/m3）最高、夏季（25~30 μg/m3）最低;ρ（PM_2.5）环境背景值秋季（25~30 μg/m3）最高、冬季（10~15 μg/m3）最低.研究显示,基于数值模拟计算得到的颗粒物背景值明显低于直接采用概率密度法得到的结果,表明跑马岭受人为因素影响明显,监测结果已不能完全代表济南市大气颗粒物背景值水平;而数值模拟法可以完全剔除了人为源的贡献,计算得到较为准确的ρ（PM₁₀）和ρ（PM_2.5）背景值.      

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.      

室内人体行走引起颗粒物再悬浮的试验研究

室内人员活动是室内颗粒物再悬浮的重要因素,研究室内颗粒物再悬浮对评估室内空气质量有重要意义.以南开大学津南校区某公共教室为研究区域,通过现场试验研究了室内地面不同积尘负荷下,人员行走引起的PM_2.5再悬浮浓度及其扩散速率.结果表明:①不同时间间隔内的室内地面总颗粒积尘负荷不同,时间间隔为3、7、15 d时,室内PM_2.5积尘负荷分别为0.11、0.18、0.30 g/m2.②室内地面不同总颗粒积尘负荷下,在室内中心过道处行走时引起的PM_2.5再悬浮浓度约1 min后达到最高值,PM_2.5再悬浮浓度达到最高值的时间与地面不同总颗粒积尘负荷的关系不明显.③随着室内地面总颗粒积尘负荷的增加,人体行走引起的PM_2.5再悬浮浓度也会增加.当室内PM_2.5积尘负荷为0.30 g/m2时,行走路径中游坐姿1.1 m处与站姿呼吸平面1.5 m处的PM_2.5再悬浮浓度平均值分别为3.03、2.68 μg/m3,约是室内PM_2.5积尘负荷为0.18与0.11 g/m2时引起的PM_2.5再悬浮浓度平均值的2~3倍.④利用颗粒物传输模型对PM_2.5再悬浮进行量化分析发现,室内地面不同总颗粒积尘负荷的大小与PM_2.5再悬浮分数无关,PM_2.5再悬浮分数为2.2×10-8;室内PM_2.5积尘负荷为0.11、0.18、0.30 g/m2时,行走引起的再悬浮PM_2.5扩散速率分别为7.62×10-11、1.25×10-10、2.08×10-10 kg/s.研究显示,地面积尘负荷的大小会影响人体行走时颗粒物的扩散速率与室内PM_2.5浓度.      

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.      

2007—2014年北京地区PM2.5质量浓度变化特征

为更好地解析北京地区ρ(PM_2.5)的长期变化特征及气流轨迹聚类分析结果,对2007年8月—2014年7月在中国环境科学研究院实测的ρ(PM_2.5)数据进行了统计分析,分析其年际、季节和月际变化特征;通过计算PM_2.5的AQI分指数,分析了污染等级的时间变化特征;结合后向气流轨迹,对ρ(PM_2.5)年际、季节变化与气团来源的关系进行了分析.结果表明:北京地区2008—2013年ρ(PM_2.5)年均值分别为111.5、95.8、94.8、80.5、75.2、81.3 μg/m3,整体呈逐年下降趋势,但污染水平依然较高;ρ(PM_2.5)由高到低的季节次序为秋季、冬季、春季、夏季,平均值分别为111.6、94.8、77.2、70.5 μg/m3,PM_2.5重污染时段主要出现在秋冬季节,并且冬季ρ(PM_2.5)近年来逐渐呈上升趋势;ρ(PM_2.5)月均值呈单峰型变化,11月最高(为125.3 μg/m3),7月最低(为76.4 μg/m3);轨迹聚类分析发现,途经山西省北部和河北省南部的气流轨迹中ρ(PM_2.5)较高,而来自北方及西北方向的气团相对较清洁,ρ(PM_2.5)较低.北京地区近些年实施的大气污染减排措施对于控制PM_2.5污染取得了一定效果,但针对秋冬季节重污染过程的控制力度仍需要加强,同时也要注意区域污染传输对北京地区ρ(PM_2.5)的影响.      

基于2012—2018年内江市PM2.5化学组分变化对《大气污染防治行动计划》实施效果的评估

2013年9月国务院发布了《大气污染防治行动计划》（简称"《气十条》"）.基于《气十条》实施前期（2012年5月-2013年5月）和实施后期（2015年9月-2016年9月）在四川省内江市采集的PM_2.5及其化学组分,以及2013-2018年空气自动监测站在线监测数据,通过比较分析PM_2.5中WSIIs（water-soluble inorganic ions,水溶性离子）和6项常规污染物质量浓度的变化来评估《气十条》实施效果,同时应用PMF（positive matrix factorization,正矩阵因子分析法）模型解析WSIIs源变化以探究空气污染源的改变.结果表明:①2018年内江市ρ（SO₂）、ρ（NO₂）、ρ（PM₁₀）、ρ（PM_2.5）、ρ（O₃）和ρ（CO）年均值分别为9.4 μg/m3、23.9 μg/m3、53.1 μg/m3、34.9 μg/m3、140.0 μg/m3和1.1 mg/m3,6项污染物首次全部达到GB 3095-2012《环境空气质量标准》二级标准.②《气十条》实施后期ρ（PM₁₀）和ρ（PM_2.5）分别为（74.5±55.1）（63.0±47.0）μg/m3,较实施前期分别下降了36%和20%,说明《气十条》的实施明显改善了空气质量.PM_2.5中ρ（SO₄2-）和ρ（NO₃-）分别下降了47%和25%,表明SO₂和NO_x的排放均得到有效控制;PM_2.5中ρ（K+）和ρ（Mg2+）分别增加了66%和92%,这与春节期间燃放烟花爆竹和生物质燃烧有关,因此应加强对重点时段特殊事件的管控.③相较《气十条》实施前期,实施后期ρ（PM_2.5）/ρ（PM₁₀）由0.69升至0.84,SOR（sulfate oxidation ratio,硫氧化率）由0.22增至0.25,说明PM_2.5和二次污染占比增加.④PMF模型解析结果发现,与《气十条》实施前期相比,实施后期的燃煤-工业源、二次硫酸盐、二次硝酸盐和扬尘源对ρ（PM_2.5）的贡献量下降,生物质燃烧源对ρ（PM_2.5）的贡献量增加;燃煤-工业源和二次硫酸盐对ρ（PM_2.5）的贡献率之和大幅下降,二次硝酸盐和生物质燃烧的贡献率均升高.研究显示,《气十条》的实施使内江市燃煤和工业排放得到显著控制,但机动车和生物质燃烧尚需严控.      

东南亚生物质燃烧对我国春季PM2.5质量浓度影响的数值模拟

为研究东南亚生物质燃烧对我国的影响,利用NAQPMS(嵌套网格空气质量预报模式系统)模拟分析了2013年3月我国及东南亚污染物质量浓度分布,以及东南亚国家生物质燃烧对我国ρ(PM_2.5)的贡献. 结果表明:NAQPMS模式可较好地再现ρ(PM_2.5)的时空演变规律. 在我国西南部分地区,东南亚生物质燃烧贡献与当地人为源相当,并且在ρ(PM_2.5)较高时尤为明显. 东南亚生物质燃烧对我国的影响主要有两个路径:第一个路径是缅甸向云南等地的输送,对云南ρ(PM_2.5)的月均贡献达到20 μg/m3(贡献率为30%),是云南本地生物质燃烧贡献的2倍左右,日均贡献甚至可达到34 μg/m3(贡献率为43%),高于我国人为源贡献(28 μg/m3)和贡献率(36%);第二个路径是老挝和越南向云南与广西交界的输送, 对南宁ρ(PM_2.5)的月均贡献为10 μg/m3,日均贡献高值区间为20～40 μg/m3. 我国人为源对东南亚的影响较小,对ρ(PM_2.5)月均贡献率在10%以内,主要集中在越南和东南亚南部沿海城市. 东南亚人为源对我国的影响也较小,ρ(PM_2.5)月均贡献在2 μg/m3以下. 研究显示,东南亚生物质燃烧对我国特别是西南地区产生的影响不可忽视.      

秋季嘉兴PM2.5质量浓度特征分析

利用膜采样、颗粒在线称重方法和维萨拉气象仪对2004和2006年秋季嘉兴大气中ρ(PM_2.5)及气象因子进行了分析.结果表明:2004和2006年秋季ρ(PM2.5)分别为(84.7±62.4)和(89.0±61.5) 　μg/m3;ρ(PM2.5)占ρ(PM₁₀) 比例为42%～69%;ρ(PM_2.5)日均值变化大(16.7～345.7 μg/m3),晴天ρ(PM_2.5)约为阴雨天的2倍.ρ(PM_2.5)日变化分析表明,晴天呈双峰双谷现象,晚高峰(16:00—20:00)ρ(PM_2.5)大于早高峰(06:00—10:00),阴雨天日变化不明显.PM_2.5与相对湿度无显著相关性,但在不同相对湿度下PM_2.5与能见度呈显著的负指数关系.东北风和西北风是观测期内当地的主导风向,ρ(PM2.5)高值出现在西南风方向,重污染天气过程形成原因复杂.      

2014年北京奥体中心空气质量演变特征

利用中国环境监测总站发布的实时大气环境监测资料,选择北京国家奥林匹克体育中心(下称北京奥体中心)为研究对象,分析了2014年全年北京奥体中心空气质量演变特征. 结果表明:①2014年全年北京奥体中心首要污染污染物为PM_2.5,其次是NO₂,而PM_2.5和PM₁₀出现中度污染以上的污染事件主要集中在冬季和春末秋初;②PM_2.5、PM₁₀、SO₂、NO₂、O₃和CO等主要污染物的年均质量浓度分别为89.75、141.12、21.83、64.26、48.60和1 210 μg/m3. 其中年均ρ(PM_2.5)是GB 3095—2012《环境空气质量标准》二级标准限值(35 μg/m3)的2.6倍,年均ρ(PM₁₀)也是其二级标准限值(70 μg/m3)的2.0倍,年均ρ(SO₂)略高于其一级标准限值(20 μg/m3),而年均ρ(NO₂)则高于其标准限值(40 μg/m3);③北京奥体中心全年逐月ρ(SO₂)/ρ(NO₂)都小于1.00,年均值为0.37,反映出北京目前硝酸型污染特征越来越明显;④针对不同污染等级下各类污染物质量浓度的分析结果显示,严重污染时ρ(PM_2.5)和ρ(PM₁₀)平均值分别高达324.75和494.98 μg/m3,分别是世界卫生组织(WHO)《空气质量准则》推荐24 h平均浓度准则值的13和10倍,其浓度如此之高会对人体健康造成严重危害;⑤ρ(PM_2.5)年均24 h变化趋势表明,ρ(PM_2.5)具有明显的日变化特征,出现2个峰值,高峰值出现在午夜时分(23:00—翌日01:00),次高峰值出现在上午(09:00—11:00),最低值出现在下午(15:00—17:00),次低谷值则出现在凌晨(05:00—07:00),说明ρ(PM_2.5)除与混合层高度日变化特征密切相关外,还与人们的日常生活有一定联系.