城市微环境PM2.5浓度空间分异特征分析

以长沙市主城区为例,在203个地面点通过加密观测并获取PM_2.5浓度小时观测值,辅以同步常规稀疏国控点PM_2.5浓度观测数据,在点、面尺度对比分析加密、稀疏两种观测模式下城市微环境PM_2.5浓度空间分布的特征差异.结果表明：地面加密观测模式下PM_2.5浓度高值区主要集中在道路、地表扬尘、住宅小区、医院和工业园等人群、车辆活动的微环境场景;低值区主要出现在公园景区等高植被覆盖度区域.同一空间点位,地面加密观测PM_2.5浓度值均高于常规稀疏国控点PM_2.5浓度观测值,平均高出29.71μg/m³.反距离权重空间插值制图揭示地面加密观测模式下的PM_2.5浓度呈现明显的西北部高（>75μg/m³）、中部和南部居中（65~75μg/m³）、东部低（<55μg/m³）的三级阶梯式异质特征,剖面分析各向波动较大.相比,稀疏国控观测模式空间分布图仅能反映主城区PM_2.5浓度整体较低（<55μg/m³）、除北-南向之外各向剖面PM_2.5浓度相对无明显变化的格局.与此同时,稀疏国控观测模式在地面加密观测点估算的PM_2.5浓度同样显著低于实际观测值,所揭示的研究区高值PM_2.5浓度微环境为道路、地表扬尘、汽车站.研究结果证实,出于环境保护目标建立的空气质量国控监测点难以精确反映同点位近地面PM_2.5浓度,所识别的城市高低PM_2.5浓度值微环境与真实情景存在偏差,空气质量越优等级下偏差越大.     

基于遥感数据估算近地面PM2.5浓度的研究进展

卫星反演的气溶胶光学厚度(AOD)具有广泛的空间覆盖度和相对较高的时空分辨率. 基于AOD与PM_2.5的相关关系来估算PM_2.5浓度已成为监测近地面PM_2.5的有效途径,其估算结果较可靠,能够为治理PM_2.5污染提供数据基础和科学依据. 从反演AOD数据集和PM_2.5浓度估算模型2个方面进行梳理归纳,从卫星轨道运行类型角度分析各类传感器的产品特征,并对缺失AOD的插补方法进行分类评价;对PM_2.5浓度的估算模型进行比较分析,指出不同模型的优缺点和适应性. 结果表明:①各类卫星传感器均具有特定功能及优缺点,其中地球同步轨道(GEO)卫星的快速发展,使其在估算PM_2.5浓度的应用上越来越广泛. ②插补后的AOD比AOD初始产品具有更连续的时空分布和更高的准确性,基于模型的多变量估算不仅可以实现数据的全面覆盖,还可以获得更好的估算精度. ③组合模型成为估算PM_2.5浓度的重要方法,机器学习模型的加入能够有效提高PM_2.5浓度的估算精度. 研究显示,利用AOD估算近地面PM_2.5浓度不仅弥补了地面PM_2.5监测的空间不连续性,更有助于解析PM_2.5浓度的时空分布特征及污染来源.      

基于深度学习方法的PM2.5精细化时空估算模型

提出一种基于深度学习方法的地面PM_2.5浓度时空估算模型（PM_2.5-DNN）,该模型基于葵花-8卫星反演的AOD数据,结合PM_2.5监测站和气象站点观测数据对北京市地面PM_2.5浓度进行了逐时的高精度模拟,同时将PM_2.5-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_2.5-DNN模型估算的北京地区1km分辨率每小时地面PM_2.5浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R²=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_2.5浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_2.5浓度估算提供了一个简便而有效的方法模型.     

运用地理探测器研究京津冀城市群PM2.5浓度变化及影响因素

研究京津冀城市群PM_2.5浓度时空格局变化和影响因素,对区域大气环境保护和经济可持续发展具有十分重要的意义.基于PM_2.5遥感数据、地面站点气象数据、DEM数据、MODIS NDVI数据、夜间灯光数据、人口密度数据、土地利用类型数据和路网数据,利用Theil-Sen Median趋势分析、Mann-Kendall显著性检验和Getis-Ord G_i*分析,运用地理探测器分析京津冀城市群PM_2.5浓度时空变化和空间聚集特征,并探究影响其空间分异的影响因素.结果表明：(1)2000—2021年京津冀城市群PM_2.5污染严重,全年平均PM_2.5浓度为59.94μg/m³,冬季是京津冀城市群PM_2.5污染的高发季,但京津冀城市群PM_2.5浓度总体呈下降趋势,变化斜率为–0.85μg/(m³·a).(2)PM_2.5浓度在空间上呈东南高、西北低的分布格局,且P...     

城市空间结构对PM2.5浓度分布的影响

城市空间结构影响空气流通等微环境,必然对PM_2.5分布和扩散产生影响,研究两者关系对城市规划和建设具有积极意义。基于建筑构建城市空间结构指标体系,采用克里金插值等方法研究济南市中心城区PM_2.5浓度的空间格局,运用相关分析方法基于全域和不同高程视角探究城市空间结构对PM_2.5分布的影响。结果表明:1）DEM平均值、建筑绝对高度平均值、户外活动面积与PM_2.5浓度呈负相关,建筑绝对高度最大值、建筑基底面积总和、建筑密度、占空比、建筑体积总和与PM_2.5浓度呈正相关。这些指标是影响PM_2.5分布的重要因素,城市规划布局时应重点考虑。2）不同高程和时间范围,PM_2.5分布存在时空差异。PM_2.5浓度越高,城市空间结构指标对其浓度分布的影响越明显。PM_2.5浓度空间分布的变异系数越大,PM_2.5浓度与各城市结构指标相关性越弱。3）地形高程是影响PM_2.5分布的重要因素,随着平均高程增加,城市空间结构指标与PM_2.5浓度呈显著相关的月份数量增加,且规律性更强。     

甘肃省冬季颗粒物浓度的数值模拟

颗粒物浓度的数值模拟能够反映颗粒物的空间分布特征,对于防治大气颗粒物污染具有一定意义.利用MEIC清单和第二次全国污染源普查（简称“二污普”）数据统计的甘肃省工业源、电力源、农业源、民用源和交通源五类源的主要污染物排放量,分析了污染源排放的空间分布特征,利用WRF-Chem模式模拟了甘肃省2019年1月PM₁₀和PM_2.5浓度,将模拟结果与甘肃省33个环境空气质量国控监测点颗粒物日均监测数据进行对比,检验WRF-Chem模式模拟的性能,进一步分析了甘肃省颗粒物浓度的空间分布特征.结果表明:①甘肃省SO₂、NO_x、PM₁₀、PM_2.5、VOCs、NH₃和CO在1月的排放量分别为2.12×104、2.96×104、2.97×104、2.43×104、3.18×104、1.27×104和3.04×105 t,除NH₃外,其他污染物排放高值主要分布在兰州市、嘉峪关市等工业发达地区.②33个环境空气质量国控监测点模拟与监测的PM₁₀和PM_2.5浓度的相关系数分别为0.544和0.597,颗粒物的模拟值与监测值有较好的相关性;WRF-Chem模式模拟结果显示,PM₁₀和PM_2.5浓度高值分布在兰州市,次高值分布在天水市和庆阳市,甘南藏族自治州以及河西地区颗粒物浓度较低,这是甘肃省工业布局、扩散条件和地形条件综合作用的结果.研究显示,WRF-Chem模式可以较好地模拟甘肃省区域颗粒物浓度时空分布特征.      

基于时空混合效应模型的京津冀PM2.5浓度变化模拟

为揭示京津冀地区高精度PM_2.5的时空分布特征,以空间分辨率为1 km的MAIAC AOD数据为主要预测因子,以气象数据、植被指数、夜间灯光数、人口密度和海拔数据作为辅助因子,构建了一种新的时空混合效应模型（STLME）,在拟合最优次区域划分方案基础上对京津冀地区PM_2.5浓度进行预测分析.结果表明,基于STLME模型的ρ(PM_2.5)预测精度高于传统的线性混合效应模型（LME）,其十折交叉验证（CV）R²为0.91,明显高于LME模型的0.87,说明STLME模型在同时校正PM_2.5-AOD关系的时空异质性方面具有优势.最优次区域划分方案识别出PM_2.5-AOD关系的空间差异,并结合缓冲区平滑方法,提高了STLME模型预测精度.京津冀PM_2.5浓度时空变化差异显著,高值区主要分布在以石家庄、邢台和邯郸为中心的河北南部,低值区则位于燕山-太行山区;冬季PM_2.5污染最严重,其次是秋季和春季,夏季污染最轻.STLM...     

黄河流域城市PM2.5时空分异特征及污染物解析

分析揭示黄河流域城市PM_2.5时空分异特征,对打赢大气污染防治攻坚战,推动黄河流域空气污染跨区域协同治理机制的建立和完善,以及流域绿色高质量发展具有重要意义.本文以中国空气质量在线监测分析平台456个监测站点的PM_2.5浓度监测数据为基础,运用莫兰指数和标准差椭圆方法分析黄河流域70个城市2015—2021年PM_2.5的时空分异特征、演变格局,并基于皮尔逊相关系数分析法对其污染源进行解析.结果表明：(1)PM_2.5浓度的月度、季节变化特征明显.月均浓度呈底部宽缓的“U”型分布,12月或1月达到最大值;冬季平均浓度最高、春秋季次之、夏季最低,冬季浓度是夏季的1.9～2.6倍;年均PM_2.5浓度整体趋降,且表现为下游>中游>上游的空间分异性.(2)PM_2.5的空间聚集表现为上游“低—低”集聚、下游“高—高”集聚、中游城市的空间聚集特征不显著,空间正相关集聚的城市数量以先增后减的趋势变化,负相关集聚特征的城市较少.(3)PM_2.5     

2000～2021年成渝城市群PM2.5时空变化及驱动机制多维探测

研究成渝城市群PM_2.5浓度时空变化和驱动机制，对区域大气环境保护和国家经济可持续发展具有重要意义.基于PM_2.5遥感数据、 DEM数据、基于站点的气象数据、 MODIS NDVI数据、人口密度数据、夜间灯光数据、路网数据和土地利用类型数据，采用Theil-Sen Median趋势分析和Mann-Kendall显著性检验等方法，结合地理探测器，在多时空尺度上分析成渝城市群PM_2.5时空变化，并探测影响其变化的驱动机制.结果表明，2000～2021年成渝城市群PM_2.5浓度整体呈波动下降态势，冬季PM_2.5污染最为突出.PM_2.5浓度具有明显的空间异质性，呈现出“中间高，四周低”的空间分布特征，PM_2.5浓度高值区主要集中在自贡、内江、资阳和广安，PM_2.5浓度呈显著下降的区域主要集中在重庆西部等地.因子探测结果表明，成渝城市群PM_2.5浓度空间分异受气候、地形、植被和人文因子共同影响.高程、...     

唐山市基于GIS的PM2.5空间聚集性及分区管控

以ArcGIS软件为平台,采用唐山市206个在线监测点数据,分析了PM_2.5在采暖期、重污染期、非采暖期3个时期的全局和局部空间自相关性,研究其大气污染空间分布特征.结果表明,3个时期均具有一定的空间自相关性,且重污染期的全局空间自相关最强;采暖期和重污染期PM_2.5高值聚类主要发生在中部地区,低值聚类则主要分布在北部山区及沿海少部分区域;非采暖期高值聚类主要分布在丰润区和丰南区,低值聚类发生在遵化市北部地区.通过空间插值模拟全市的PM_2.5分布状况,结果显示唐山市在重污染期PM_2.5均值最高格点值达241μg/m³,而非采暖期最低值只有37μg/m³;基于PM_2.5浓度变化特征和空间分布,将唐山所辖18个区县划分为5个区域,针对各区域提出PM_2.5分区管控措施建议.     

2001~2015年中国城镇化与PM2.5浓度时空关联特征

综合运用时空统计、剪刀差、地理加权回归等手段分5个阶段从人口、土地、经济角度研究了2001~2015年中国大陆地区城镇化水平与PM_2.5浓度的时空分布以及相互关联特征.结果表明：2001~2015年,我国3a均人口、土地、经济城镇化水平平均值稳步提高,PM_2.5浓度波动上升（44.14~50.89 μg/m³）,不同经济区之间时序变化趋势相似但强度存在差异.不同阶段PM_2.5浓度空间分布趋势基本一致,京津冀、河南与山东北部、新疆西部等地区始终为高值区,3类城镇化水平高值区域逐步扩大.城镇化水平的时序变化趋势与PM_2.5浓度随时间变化的趋势存在差异（切线夹角：15.33°~62.92°）,难以解释PM_2.5浓度在时间上的突变.城镇化水平与PM_2.5浓度空间分布关联特征显著,土地城镇化水平与PM_2.5浓度在0.01水平上正相关,其相关系数依次为东北（0.609~0.723） > 中部（0.572~0.631） > 东部（0.218~0.323） > 西部（0.079~0.255）,除中、西部地区外,经济城镇化水平对PM_2.5浓度正效应明显,东北地区人口城镇化水平与PM_2.5浓度负相关,GWR模型调整R²在2001~2003年阶段最高（0.6~0.77）,2013~2015年阶段最低（0.08~0.64）.     

基于传感器技术的渭南市道路环境颗粒物污染特征及影响因素研究

为深入了解渭南市街区道路环境颗粒物污染时空分布特征,利用车载颗粒物传感器于2019年3月1日—5月31日对渭南市道路环境空气中PM_2.5和PM₁₀浓度开展在线走航测量,分析了影响渭南市道路环境颗粒物污染时空分布的主要因素.研究表明:①渭南市区内所有道路PM_2.5平均浓度范围为37.7~51.9 μg/m3,浓度较高路段位于高新区东部和主城区;PM_2.5~10（粗颗粒物）平均浓度范围为65.8~119.1 μg/m3,浓度较高路段位于各功能区城郊.②工作日早高峰时段（07:00—09:00）主城区道路环境PM_2.5、PM_2.5~10污染较非工作日严重,3种类型道路工作日07:00 PM_2.5~10平均浓度呈支路（103.5 μg/m3）>主干道（102.1 μg/m3）>次干道（96.9 μg/m3）的特征.③对于高新区和老城区路段,除早晚高峰时段出现PM_2.5和PM_2.5~10浓度峰值外,凌晨时段渣土车行驶路段、裸地或施工现场周边路段易出现PM_2.5~10浓度峰值,其PM_2.5~10平均浓度最高达230.9 μg/m3（乐天大街西段的路段Ⅳ）.研究显示,工作日早晚高峰时段,特别是早高峰,机动车排放导致渭南市高新区东部和主城区路段的PM_2.5污染加重,夜间渣土车行驶导致高新区和老城区靠近城郊路段的颗粒物（PM_2.5和PM_2.5~10）污染加重.      

2013—2018年山东省大气PM2.5和PM10污染时空变化及其影响因素

PM_2.5和PM₁₀污染已成为全球关注的重要环境问题,监测其污染状况对人类健康、动植物生长、大气环境评价等具有重要意义。基于2013—2018年山东省17个城市大气PM_2.5和PM₁₀监测数据,利用时空分析方法和Spearman相关分析方法,研究其污染时空变化特征,并分析气象、人为及政策因素对二者的影响。结果表明:与2013年相比,2018年山东省大气PM_2.5和PM₁₀污染程度明显减轻,年均浓度降幅分别为48.72%、37.72%;6年整体月均PM_2.5浓度呈近似"U "形变化规律,月均PM₁₀浓度呈近似" V"形变化规律;PM_2.5和PM₁₀污染整体呈由西北内陆向东部沿海地区逐渐减轻的空间趋势;PM_2.5和PM₁₀浓度受气温和降水量2个气象因素影响较显著,受道路密度、城市绿化覆盖面积、SO₂和NO_x排放量等人为因素影响较显著,且气象因素和人为因素对PM_2.5浓度的影响较PM₁₀更大。     

乌鲁木齐市区与南郊山区颗粒物污染特征对比分析

利用2017年10月~2018年8月的PM₁₀、PM_2.5、PM₁质量浓度数据以及NCEP全球再分析气象资料,分析乌鲁木齐市区和南郊山区颗粒物浓度变化特征,结合HYSPLIT后向轨迹模型、潜在源贡献因子分析(PSCF)以及浓度权重轨迹分析(CWT)分析市区颗粒物潜在源区.研究结果表明:①市区PM_2.5的超标天数为26d,南郊山区无PM_2.5超标,市区PM₁₀的超标天数是南郊山区的3.5倍,市区日均值及月均值质量浓度是南郊山区的2~7倍,市区呈现冬高夏低的季节特征,南郊山区春季最高;②乌鲁木齐市区PM₁₀日变化存在3个峰值,PM_2.5、PM₁为双峰型分布,南郊山区均呈双峰分布;并存在季节性周末效应;③长短两支聚类气流轨迹对乌鲁木齐市区颗粒物浓度影响较大,春夏气流来自中亚,秋冬来源于北疆周边地区;④颗粒物潜在源区分布季节特征显著,高值区主要为昌吉、巴州、吐鲁番等周边地区,西北部中亚地区也是颗粒物重要来源区域之一.     

典型“组群式”城市夏季大气颗粒物中水溶性离子化学特征及来源

为探究典型“组群式”城市——淄博市夏季大气颗粒物中水溶性离子化学特征及来源,于2016年8月对淄博市6个城市点（桓台、张店、临淄、淄川、博山、周村）、2个郊区点（沂源、高青）及1个清洁对照点（鲁山）同步进行PM_2.5和PM₁₀采样,分析了大气颗粒物质量浓度及9种水溶性离子的空间分布特征,并利用主成分分析方法探讨了PM_2.5和PM₁₀中水溶性离子的主要来源.结果表明:①淄博夏季各点位（清洁对照点除外）PM_2.5和PM₁₀质量浓度日均值范围分别为57.2~112和77.4~163 μg/m3,空间分布特征表现为城市点>郊区点>清洁对照点;各点位PM_2.5/PM₁₀（质量浓度之比）在0.61~0.80之间,表明淄博夏季大气颗粒物污染以PM_2.5为主.②水溶性离子在PM_2.5和PM₁₀中占比分别为53.3%和48.5%,其中二次无机离子分别占总离子浓度的91.4%和83.7%,表明大气颗粒物主要以二次离子为主,并且主要富集在PM_2.5中;PM_2.5中∑阴离子/∑阳离子（摩尔浓度之比）为1.07,PM₁₀中该比值为0.87,说明PM_2.5接近中性,而PM₁₀呈弱碱性.③淄博夏季各点位离子来源具有一定的空间差异性,城市点、郊区点与清洁对照点间的CD（分歧系数）均高于0.2,而城市点间CD值低于0.2,说明城市点位间的水溶性离子的化学性质较为相似.④主成分分析表明,淄博夏季大气PM_2.5中的水溶性离子可能主要来源于工业源、生物质锅炉、燃煤、二次源、道路尘及建筑尘,而PM₁₀中的离子主要来源于道路尘、建筑尘、海盐及二次源.研究显示,淄博市颗粒物污染严重,具有明显的空间分布特征,水溶性离子来源复杂,应采取分区、多源控制的污染防治对策.      

广州不同站点类型PM2.5与O3污染特征及相互作用

基于2015~2019年广州4个不同国控站点类型的大气污染物监测数据,研究了广州各站点类型颗粒物（PM_2.5）和臭氧（O₃）的污染特征,并分析了O₃污染季节和PM_2.5污染季节PM_2.5和O₃的相关性及相互作用.结果表明：2015~2019年广州各站点类型PM_2.5浓度总体呈下降趋势,O₃浓度呈上升趋势.不同污染季节PM_2.5与O₃浓度均呈正相关.O₃污染季节二次PM_2.5的生成对颗粒物的影响显著大于一次PM_2.5,随着光化学水平的升高,一次PM_2.5的贡献浓度基本不变（均在21.03~31.37μg/m³范围内）,贡献率逐渐下降;而二次PM_2.5的贡献浓度逐渐升高（3.51~7.72 μg/m³升高到16.04~18.45μg/m³）,贡献率也逐渐升高（11%~27%升高到34%~44%）,且呈倍数增加.不同站点类型贡献差异明显,背景站点二次PM_2.5的贡献最大,城区站点在中和高光化学水平下二次PM_2.5的贡献最小;PM_2.5污染季节各站点类型在不同PM_2.5污染水平下O₃浓度均具有差异性,总体上均呈现背景站点>郊区站点>城区站点的特点.气溶胶的消光作用和非均相反应均显著促进O₃生成,随着PM_2.5浓度升高,各站点类型的O₃浓度峰值逐渐升高,由62.12~83.82μg/m³升高到92.49~135.4μg/m³;O₃变化率峰值也逐渐升高,由8.42~10.02μg/（m³·h）升高到21.33~27.04μg/（m³·h）.进一步促进了广州PM_2.5和O₃浓度的协同增长.     

北京市PM2.5中类腐殖质的生物氧化应激效应初探

为研究细颗粒物(PM_2.5)中类腐殖质(humic-like substances, HULIS)的生物氧化应激效应,对北京市区和郊区不同季节大气PM_2.5及其中碳质组分和金属元素浓度进行测定,并以大鼠肺泡巨噬细胞(NR8383)作为细胞模型,分析PM_2.5及其重要组分诱导产生内源性ROS的能力,研究了PM_2.5中HULIS对诱导产生内源性ROS的贡献. 结果表明:①冬季PM_2.5中碳质组分浓度及内源性ROS浓度(单位为μg zymosan/m3,以酵母聚糖(zymosan)表征的单位体积空气中内源性ROS的浓度)明显高于夏季,但夏季PM_2.5具有更高的生物氧化潜力(单位为μg zymosan/mg PM,以酵母聚糖(zymosan)表征的单位质量颗粒物的生物氧化潜力). ②PM_2.5中碳质组分和一些金属元素浓度均与PM_2.5生成的内源性ROS浓度之间具有较高的相关性. ③HULIS单独诱导生成的内源性ROS浓度也呈冬季〔市区和郊区分别为(55.46±22.69) (43.27±23.89) μg zymosan/m3〕高于夏季〔市区和郊区分别为(18.73±11.94) (7.88±3.63) μg zymosan/m3〕的特征. 在北京市区和郊区两个采样点,由HULIS单独诱导生成的内源性ROS浓度与PM_2.5诱导生成的总内源性ROS浓度之间具有较好的相关性. 研究显示,HULIS是PM_2.5中诱导ROS生成的关键组分,在北京市区和郊区两个采样点HULIS对PM_2.5诱导的内源性ROS的贡献率分别为42%和37%.      

乌鲁木齐市PM_(2.5)和PM_(2.5~10)中碳组分季节性变化特征

2011年1月至12月在乌鲁木齐市区用膜采样法采集了大气PM_(2.5)和PM_(2.5~10)样品,并利用热光/碳分析仪测定了其中有机碳(OC)和元素碳(EC)的质量浓度.通过OC与EC的粒径分布特征、比值和相关性的分析,初步分析了乌鲁木齐市大气可吸入颗粒物中碳质气溶胶污染特征,并用OC/EC比值法估算了二次有机碳(SOC)的浓度.结果表明,PM_(2.5)和PM_(2.5~10)的年平均质量浓度分别为92.8μg/m~3和64.7μg/m~3.PM_(2.5)中OC和EC的年平均浓度分别为13.85μg/m~3和2.38μg/m~3,PM_(2.5~10)中OC和EC的年平均浓度分别为2.63μg/m~3和0.57μg/m~3.OC和EC四季变化趋势基本一致,季浓度最高.碳组分主要集中于PM_(2.5)中,OC/EC比值范围为3.62~11.21.夏季和秋季的PM_(2.5)和PM_(2.5~10)中OC和EC的相关性较好(R20.65).估算得出的PM_(2.5)和PM_(2.5~10)中SOC的估算浓度为2.31~11.98μg/m~3和0.38~1.49μg/m~3.