春节期间黔江区污染物浓度变化特征及相关影响因素研究

利用2015年春节期间黔江城区主要污染物(PM_(10)、SO_2、NO_2、PM_(2.5))自动监测数据,分析了燃放烟花爆竹对空气质量的影响。结果表明:黔江区城区春节期间集中燃放烟花爆竹造成了环境空气短时间严重污染;对空气中不同污染物浓度的影响存在差异,PM10污染最为严重;气象条件是影响春节期间空气质量的关键因素。     

西安市大气污染物时空分布特征及其趋势评估

近年来空气质量受到了人们的日益关注,然而目前尚缺乏针对西安市空气质量的系统分析。通过西安市2014—2017年环境监测的实时数据以及环境空气质量指数(AQI),可分析西安市雾霾天气的时空分布特征以及污染变化趋势。从年度变化看,西安市AQI呈现明显的单峰特征,取暖季重度污染和严重污染约占总天数的40%,PM_(2.5)作为首要污染物的天数增加到72 d,非取暖季2016年重度污染天数比2014年提高了4.4%。从空气污染物成分看,PM_(2.5)和PM_(10)的正相关性最强,而与臭氧则呈负相关关系。研究结果可预测未来几年污染趋势,为政府部门采取有针对性的大气污染治理措施提供了参考。     

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。     

恩施州城区空气污染特征及成因分析

该文利用2018-2020年恩施市环境监测站同时段PM_(2.5)、PM_(10)、SO_2、NO_2、O_3、CO每日质量浓度监测资料,以及每日空气质量指数(AQI)资料,分析了近3年来恩施市的环境空气污染现状与成因。恩施州的主要污染物有PM_(2.5)、PM_(10)、O_3,最高浓度可达到65.03、96.87、109.13μg/m~3;恩施州空气质量指数为优、良、轻度污染、中度污染、重度污染的出现概率分别为50.69%、43.82%、4.57%、0.64%、0.27%,无严重以上污染日出现;气象条件对恩施州的空气质量有较大影响,PM_(2.5)浓度与月降水和月平均气温呈典型负相关,温度和降水量升值最高在7月时,PM_(2.5)的质量浓度降至最低11.61μg/m~3。研究发现,恩施州的空气质量变化程季节性变化,冬季空气质量最差,夏季最好;空气质量变化具有春节效应。结果可为恩施州的空气污染防治提供有效依据。     

2013年-2017年江苏省环境空气中首要污染物变化分析研究

选择2013年-2017年环境空气质量监测数据进行统计分析,结果表明:成为影响江苏省环境空气质量的首要污染物有PM10、PM2.5、O3和NO2等;2016年,这些污染物成为首要污染物的天数占比大小依次为PM2.5 (36.8%)、O3(34.9%)、PM10(20.5%)和NO2(7.8%).秋冬季颗粒物对空气质量的影响大,春夏季则是O3污染的影响占优势.地区差异方面,苏北、苏中地区PM10作为首要污染物的天数占比总体高于苏南地区.苏南、苏中沿江部分地区NO2作为首要污染物的天数占比明显高于苏北地区.2013年-2016年,O3污染对空气质量的影响日益上升,将成为公众对于空气质量改善的另一个关注点.     

气象因素对乌鲁木齐市PM_(2.5)浓度影响分析

基于乌鲁木齐市大气污染物数据,对乌鲁木齐市2016年空气质量变化做趋势分析。利用乌鲁木齐市2016年同期气象要素,通过相关分析和主成分分析方法探讨了气象要素对PM_(2.5)浓度的影响。结果表明:1)PM_(2.5)、PM_(10)、SO_2、NO_2、CO的浓度全年变化趋势与空气质量指数(AQI)的变化趋势基本一致,O_3的浓度变化趋势与AQI变化趋势完全相反;2)PM_(2.5)浓度与CO、气压和相对湿度呈显著正相关,降水量、风速、气温和水气压与PM_(2.5)浓度呈显著负相关。     

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。     

秸秆焚烧对黄石市空气质量的影响分析

以黄石市2019年秸秆露天焚烧火点数据、对应时段该市环境空气监测数据和气象数据为研究对象,文章综合运用相关分析和气团后向轨迹模式等方法,探讨秸秆焚烧对黄石市空气质量的影响及空气污染成因。研究发现,稻收期的火点数显著高于麦收期。各城区空气质量指数、秸秆焚烧排放的特征污染物（如PM_(10)、PM_(2.5)和CO）浓度、O_3浓度、特征指标（如PM_(2.5)/PM_(10)和PM_(10)/SO_2值）等均在秸秆露天焚烧后的2～7 d内迅速增加,并导致空气污染。秸秆焚烧后,各城区空气中PM_(2.5)与PM_(10)相关系数较焚烧前增加;CO质量浓度总体上与PM_(10)和PM_(2.5)呈显著的正相关关系（P<0.01）,与能见度呈显著的负相关关系（P<0.05）。结果表明黄石市空气污染与本地秸秆露天焚烧有关。基于后向轨迹模式的空气污染成因分析结果表明,秸秆露天焚烧、不利气象条件和污染物跨区域输送是导致黄石市2019年空气污染加重的主要因素。该研究结果为黄石市打赢蓝天保卫战、有针对性地协同治理大气污染提供科学依据。     

哈尔滨市2016年春节期间空气质量时空变化特征

利用2016年2月7-13日春节期间哈尔滨市11个监测站点空气质量监测数据,分析春节期间6种主要污染物时空特征,并与非燃放期间进行对比,进一步分析污染物的时空变化,同时结合气象降雪数据,探讨降雪天气对空气污染物造成的影响。结果表明:哈尔滨市春节期间空气污染物7 d平均浓度,PM_(2.5)、PM_(10)污染最严重的区域为香坊区,NO_2污染最严重的区域为阿城区,SO_2污染最严重的区域为道外区,CO和O_3污染严重的区域为平房区;在除夕夜期间,烟花爆竹燃放对PM_(2.5)、PM_(10)和SO_2浓度的短期影响极大,空气质量在短时间内迅速恶化,甚至成倍增长,在初一凌晨时浓度达到最大值,但对NO_2、CO和O_3的影响较小;烟花爆竹的燃放对空气中不同污染物的影响程度有所区别,对气态污染物SO_2的贡献程度最大,其次,对大气粗颗粒物的贡献程度大于细颗粒物;降雪天气对空气污染物具有去除效应,其中,对大气粗颗粒物去除效应高于大气细颗粒物,而对气态污染物有较小影响。从空间上看,降雪天气对于城市边缘、城郊等区域的大气颗粒物的去除效应高于城市中心区域。     

哈尔滨市2016年春节期间空气质量时空变化特征

利用2016年2月7-13日春节期间哈尔滨市11个监测站点空气质量监测数据,分析春节期间6种主要污染物时空特征,并与非燃放期间进行对比,进一步分析污染物的时空变化,同时结合气象降雪数据,探讨降雪天气对空气污染物造成的影响。结果表明:哈尔滨市春节期间空气污染物7 d平均浓度,PM_(2.5)、PM_(10)污染最严重的区域为香坊区,NO_2污染最严重的区域为阿城区,SO_2污染最严重的区域为道外区,CO和O_3污染严重的区域为平房区;在除夕夜期间,烟花爆竹燃放对PM_(2.5)、PM_(10)和SO_2浓度的短期影响极大,空气质量在短时间内迅速恶化,甚至成倍增长,在初一凌晨时浓度达到最大值,但对NO_2、CO和O_3的影响较小;烟花爆竹的燃放对空气中不同污染物的影响程度有所区别,对气态污染物SO_2的贡献程度最大,其次,对大气粗颗粒物的贡献程度大于细颗粒物;降雪天气对空气污染物具有去除效应,其中,对大气粗颗粒物去除效应高于大气细颗粒物,而对气态污染物有较小影响。从空间上看,降雪天气对于城市边缘、城郊等区域的大气颗粒物的去除效应高于城市中心区域。     

利用多元线性回归方法评估气象条件和控制措施对APEC期间北京空气质量的影响

气象条件对大气污染物的扩散和传输有重要影响,准确分离和定量气象因素对空气质量的影响是评估大气污染控制政策有效性的前提.本研究利用APEC会议期间及前后(2014-10-15～2014-11-30)北京城区朝阳观测站点SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)以及气象因素的观测数据,采用多元线性回归分析方法,定量评估了气象条件和空气污染控制措施对APEC期间北京空气质量的影响.在假定排放条件不变的情况下,基于气象因素参数建立的预测污染物浓度的多元线性回归模型模拟效果较为理想,决定系数R~2在0. 494～0. 783之间.控制措施使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低48. 3%、53. 5%、18. 7%、40. 6%、3. 6%、34. 8%、28. 8%和40. 6%,气象因素使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低1. 7%、-2. 8%、18. 7%、4. 5%、18. 6%、27. 5%、30. 6%和35. 6%.气象因素和控制措施共同作用使得APEC控制期北京空气质量得到了明显改善.控制措施对SO_2和氮氧化物浓度的下降起主导作用,气象因素对CO浓度的下降起主导作用,气象因素和控制措施对颗粒物浓度降低的贡献相当.本研究还利用相对权重方法研究了气象因素对污染物浓度影响的贡献,结果表明影响不同污染物浓度的决定性气象因素不同.     

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.     

基于WRF-Chem和EMI指数的新冠肺炎疫情期间沈阳市大气污染物浓度变化原因分析

利用2015—2020年沈阳市空气质量监测数据、地面气象观测资料、环境气象评估指数（EMI）产品、NCEP再分析资料及WRF-Chem数值模式,分析新冠肺炎疫情防控期间沈阳市主要大气污染物和气象要素的变化情况,研究空气质量对污染物减排和气象要素变化的响应.结果表明：疫情防控导致沈阳市PM_2.5、PM₁₀和NO₂质量浓度下降,但O₃质量浓度小幅增加;PM_2.5和NO₂对人为减排的响应更敏感;防控期内沈阳市气象条件有利于污染物的清除,气象条件使PM_2.5质量浓度下降16.37%,防控减排措施导致PM_2.5质量浓度下降22.96%;在疫情防控的背景下,不利的气象条件和污染物排放的突然增加共同造成重污染天气发生,其中不利气象条件的贡献大于排放增加的贡献;减排措施对防控期间重污染天气过程污染物峰值浓度有明显的削弱作用.     

珠三角秋季典型气象条件对空气污染过程的影响分析

利用空气质量指数(AQI)、主要大气污染物浓度和气象要素、天气图等数据资料,结合中尺度数值天气预报模式WRF,对2014年10月珠三角地区污染期间的天气形势及气象特征进行了分析.结果表明,WRF模式可以较好地反映珠三角地区主要城市地面和高空气象要素的时空变化,9个城市平均地表的温度、相对湿度和风速的模拟值与观测值的相关系数分别为0.90、0.87和0.78.对2014年10月3次污染过程的分析表明,造成该时段珠三角地区空气污染的天气形势主要是高压底部型和均压场型.静风或小风(2 m·s~(-1))及稳定的大气层结均不利于污染物的扩散,同时由于偏北气流输送周边污染物到珠三角地区,导致污染物浓度不断增加.相对湿度低于65%时,珠三角地区首要污染物以O_3为主;相对湿度高于70%时,PM_(2.5)浓度逐渐增加,成为主要污染物.高温等气象条件会影响光化学反应,加重珠江三角洲的空气污染,表现了该地区大气复合污染的特性.     

G20峰会期间杭州地区空气质量特征及气象条件分析

利用空气质量和气象要素的监测资料与再分析资料,分析了2016年G20峰会期间(2016年8月10日—9月20日)杭州及周边地区空气质量演变及区域特征,探讨了气象条件对G20峰会期间杭州空气质量的影响.结果表明:G20峰会管控期间,由于机动车排放大幅度降低,杭州NO_2浓度较管控前有所下降,对比周边城市降幅居于首位;而由于不利气象条件的影响,PM_(2.5)、PM_(10)、SO_2、CO和O_3浓度比管控前有不同程度的增长,但增幅相比周边城市较小,说明管控措施对杭州空气质量有一定的改善效果.9月7日管控措施结束后污染反弹现象明显.气象条件对杭州的空气质量有重要影响:在管控前,杭州晴热高温天气有利于O3的生成,偏东风相对洁净,污染传输较少;在管控期,杭州虽受到静稳天气和外来污染传输的影响,但得益于减排应急管控措施的有效实施,NO_2浓度下降幅度最大,其他污染物的增幅也较周边城市偏小;在管控后,气象条件不利于污染物的垂直扩散,受静稳天气和污染源恢复常态的影响,PM_(2.5)、PM_(10)、NO_2、SO_2和CO出现了整个研究时段的最大值,而台风"莫兰蒂"使得杭州PM_(2.5)、PM_(10)和O_3浓度出现了整个研究时段的最低值.     

2011年10月珠江三角洲一次区域性空气污染过程特征分析

2011年10月18—25日珠江三角洲地区出现了一次区域性空气污染过程,重污染区域集中在西部,后期向中部转移,PM₁₀为首要污染物.针对本次空气污染过程的研究发现,此次珠江三角洲地区空气污染过程主要受大尺度冷高压活动的影响,一直为下沉气流所控制,500 m以下近地层风速很小,边界层高度较低,存在贴地逆温层,非常不利于污染物的输送和扩散.PM₁₀浓度与风速、能见度呈显著的负相关关系,与温度相关性不显著;且与风速和温度的相关性存在滞后性.稳定天气形势、大范围下沉气流、近地层静小风和贴地逆温是导致这次区域性空气污染过程的气象原因,PM₁₀浓度增加导致珠江三角洲能见度下降.     

北京地区一次大气环境持续严重污染过程中SO2的垂直分布分析

在2004-09-27～2004-10-12期间,以325m气象与环境观测塔为平台,使用43CTL型高精度脉冲荧光SO₂分析仪,分别布置在观测塔8m、47m、120m和280m 4层观测平台,对大气中的SO₂气体浓度、PM₁₀和PM_2.5粒子质量浓度及同步气象因素进行了垂直梯度、连续观测.结合气象数据分析了观测期间大气中SO₂气体浓度的垂直梯度分布及变化形势,进行了SO₂浓度与混合层高度变化、海平面气压变化,风速、风向变化等要素的相关分析,观测到在实验期间大气边界层中SO₂浓度由上向下递减分布的现象.由于地形与污染源分布的影响,北风最有利于污染扩散等状况.观测期间捕捉到一次主要由气象因素造成的大气环境严重持续污染及污染清除的全过程.     

2014~2017北京市气象条件和人为排放变化对空气质量改善的贡献评估

2014～2017年北京地区霾日数和污染日数逐年减少,PM_(2.5)、PM_(10)、SO_2和NO_2年平均质量浓度下降,污染程度缓解,采暖期中的11～12月尤为明显.针对空气质量的显著改善,从气象条件的改善和减排措施两方面进行探讨分析,并结合数值模式和大数据挖掘技术实现气象和排放对大气污染贡献率的定量化研究.结果表明,2017年与过去3 a相比,平均风速增加7. 9%,≥3. 4 m·s~(-1)的风速频次最高(10. 6%),≥70%湿度日占比最小(25. 1%);其中,采暖期与过去3 a同期相比,小风日数减少8. 6%、大气环境容量指数和通风指数平均增加约11%,边界层高度以3. 2%·a~(-1)的速率升高,尤其11～12月各要素改善更显著,且该时段内2014年各因子变化与2017年相似.非采暖期(4～10月)累积降水量558. 3 mm,仅次于2016年,有利于污染物的清除和湿沉降.利用WRF-CHEM对霾和污染频发的12月进行模拟发现,气象要素的改变导致2017年12月北京PM_(2.5)质量浓度较2014～2016年同期分别降低5%、38%和25%.因缺少政府实际施行的减排方案,无法利用WRF-CHEM量化气象和减排的具体贡献率,因此借助大数据挖掘算法,基于K近邻算法(KNN)和支持向量机(SVM)模型对气象和减排对空气质量改善的贡献进行评估,结果显示2017年减少的霾日和重污染日,65. 0%归因于减排的贡献,35. 0%归因为气象条件的改善.可见,气象与生态环境部门应继续加强数据开放共享,科学开展气象条件预报与减排评估.     

天津市PM2.5浓度时空分布特征及重污染过程来源模拟分析

天津市多发生以PM_2.5为首要污染物的重污染事件,明确ρ（PM_2.5）时空分布特征及重污染过程来源对PM_2.5的综合治理意义深远.利用天津市2014-2017年环境资料和2016年气象资料,结合WRF-Chem模式研究了天津市ρ（PM_2.5）时空分布特征及重污染过程来源.结果表明:①自2014年以来,天津市ρ（PM_2.5）呈逐年下降趋势.②ρ（PM_2.5）月变化曲线呈"U"型分布,呈冬春季高、夏秋季低的季节性特征;ρ（PM_2.5）日变化呈双峰型分布,主峰值出现在08:00-09:00,次峰值出现在21:00-翌日00:00.③各季节天津市ρ（PM_2.5）空间分布不同,春季、夏季、秋季和冬季高值中心分别位于天津市西南部的静海区、中心城区北部的北辰区、西部的武清区及北部的蓟州区.④WRF-Chem模式模拟的天津市秋冬季污染物来源结果表明,本地源贡献率为56%,外来源输送贡献率为44%,其中以河北省和山东省的输送为主.2016年12月16-22日天津市一次重污染过程的模拟结果表明,天津市本地源贡献率为49.6%,河北省、北京市和山东省的外来源输送贡献率分别为32.2%、7.0%和2.2%.污染前期,不利气象条件和外来源输送造成天津市ρ（PM_2.5）聚集并形成重度污染;污染持续过程中,本地源贡献率逐渐增大并占主导地位.研究显示,近年来天津市ρ（PM_2.5）呈下降趋势,并有明显的空间分布特征.      

基于机器学习算法的新冠疫情管控对河南省空气质量影响的模拟分析

全国各地为了减少新冠疫情对社会和人民生活的影响,采取了必要的防疫防控措施,这些措施对空气质量的变化产生了重要的影响,此外空气质量的变化与气象条件也存在很大的关系.通过对河南省疫情前（1月1~26日）和疫情管控期（1月27日~2月29日）这两阶段的空气质量分析对比发现,整个河南省除了O₃浓度上升了69.64%外,PM_2.5、PM₁₀、SO₂、CO和NO₂分别降低了36.89%、34.18%、19.43%、29.85%和58.51%;通过机器学习算法中的长短期记忆型网络（LSTM）模拟显示,气象条件引起污染物浓度的降幅大部分在15%~30%之间;人为排放减少引起的污染物浓度的降幅大部分在6%~40%之间.O₃在疫情期间上升过程中,气象条件和人为排放两种因素分别占了34.84%和34.81%.结果表明,疫情管控期间,河南省空气质量总体上有所改善,但是也有重污染发生,其中O₃的浓度对于疫情管控减排的影响不明显,呈负相关,需要进一步探索引起臭氧浓度上升的原因,以此帮助政府合理控制臭氧等前体污染物的减排比例.