2018年冬季南京重霾污染特征及气象因素分析

2018年11月底—12月初南京及周边地区发生一次大范围持续性霾污染,利用南京市空气质量监测资料、颗粒物成分逐时观测资料、南京站探空资料等,结合天气学诊断分析、后向轨迹模拟和聚类分析等方法,分析此次重霾事件的污染特征和气象因素.结果表明,此次重霾事件具有峰值浓度高、持续时间长、波动较明显等特点.污染时段PM_2.5浓度变化分为3个阶段,平均浓度为114.7 μg·m^-3,整体达到中度污染.重霾期间南京市大气环境处于富氨条件,颗粒物整体偏酸性,移动源排放比重高于固定源,PM_2.5主要成分的存在形式为硫酸铵、硝酸铵和其他硝酸盐.本次重霾事件中气象条件对污染物的输送和累积影响显著,在PM_2.5浓度极端事件发生期间,均有各气象要素与PM_2.5浓度同步变化.高PM_2.5浓度与对流层低层增暖增湿、弱的西南风相对应.重霾事件的主要天气成因是冬季东部地区出现大面积稳定且持久的均压场,南京及周边地区近地面中高层污染物主要由西北和华北地区输送而来,低层污染物主要来自于本地源排放累积.动力条件和热力条件的相互配合,近地面受高压影响形成暖平流逆温层,且易形成下沉气流,使重霾天气持续发展.     

基于垂直加密观测的北京地区霾和沙尘复合污染形成条件分析

为了弄清蒙古气旋外围出现的霾和沙尘复合污染特征及其形成的关键气象条件,本研究利用多种遥感设备（增强型云高仪、风廓线雷达和微波辐射计等）垂直加密观测数据,结合大气主要污染物（PM₁₀、PM_2.5、SO₂、NO₂）监测数据、加密自动气象站观测数据,以及常规地面和高空气象观测数据、NCEP再分析数据等,分析发生在北京春季的2次霾和沙尘重污染过程.结果表明,2017年5月4—5日为一次PM₁₀和PM_2.5混合污染过程,与上游地区强烈发展的蒙古气旋后部风沙区的输送有关.上游地区因受中-低空西来槽影响上升气流加强,使沙尘细颗粒物（粒径≤10 μm）悬浮于空中,由中-低空偏西风输送至下游地区,被北京及附近的弱下沉气流带至地面造成严重的PM₁₀、PM_2.5混合污染.其中,地面偏西风对上游地区的PM₁₀、PM_2.5的水平输送作用明显;2018年3月27—28日凌晨是受蒙古气旋底部低压区辐合作用和偏南气流输送作用形成的积累型霾（PM_2.5）污染.28日凌晨2：00开始蒙古气旋后部沙尘区随东-西向冷高压南压而向南扩散.随后冷高压不断东移形成回流偏东风,偏东风使北京及西北部地区的低层大气产生辐合上升运动,导致本地尘土扬起,造成PM_2.5重污染和PM₁₀极严重污染;浮尘天气引发的大气污染具有突发性特征,且持续时间较长.边界层高度低、低层大气存在逆温层（或等温层）并长时间维持是霾和沙尘复合污染形成和持续的重要条件.霾和沙尘复合重污染的形成是人为污染物、沙尘细颗粒物水平和垂直输送,以及大气层结稳定共同作用的结果.     

京津冀及周边地区秋冬季大气污染物排放变化因素解析

基于大气污染源排放清单技术方法,定量分析2016~2017年秋冬季"跨年霾"至2019~2020年秋冬季"疫情霾"期间京津冀及周边地区主要大气污染物排放量变化,解析大气污染防治政策实施带来的减排和疫情造成的活动水平下降对主要污染物排放的贡献,并利用空气质量模型模拟分析不利气象条件下措施减排和疫情影响对空气质量改善的贡献.结果表明,从"跨年霾"（2016-12-16~2017-01-14）至"疫情霾"（2020-01-22~2020-02-14）该区域主要大气污染物排放量大幅下降50%左右,不利气象条件下,区域PM_2.5平均浓度可削减40%以上.措施减排主要来自火电、钢铁等重点工业行业提标改造和工业锅炉、民用燃煤等燃煤源治理,对SO₂和PM_2.5排放量的削减贡献较大,贡献率分别为67.1%和53.4%;疫情主要影响移动源和轻工业活动水平,对NO_x和VOCs排放量的削减贡献较大,贡献率分别为71.9%和68.2%.措施减排对区域空气质量改善贡献突出,有效抑制了重污染过程的强度和范围.在"跨年霾"的不利气象条件下,措施减排使区域PM_2.5平均浓度下降26%,重度及以上污染天数减少44%.受疫情影响,区域PM_2.5平均浓度继续下降24%,重污染持续时间和范围进一步缩减.     

2020年春节期间天津市重污染天气污染特征分析

为了解春节期间重污染天气污染特征,基于城区点位2020年1月高时间分辨率的在线监测数据,开展天津市春节期间重污染分析.结果表明：区域污染物输送叠加本地污染物排放和不利气象条件导致春节重污染的发生,重污染期间天津市平均风速为0.97 m·s^-1,平均相对湿度为70%左右,边界层高度为210 m,水平和垂直扩散条件均较差.春节重污染期间,天津市PM_2.5、SO₂、NO₂和CO平均浓度分别为219、14、46 μg·m^-3和1.9 mg·m^-3,与春节前重污染相比,春节重污染期间污染程度有所降低,尤其是NO₂浓度下降明显.PM_2.5浓度空间分布表明,天津远郊区依然存在烟花爆竹燃放情况.春节重污染期间,城区PM_2.5中主要化学组分为二次无机离子（NO₃^-、SO₄^2-和NH₄⁺）、OC、K⁺和Cl^-,平均浓度分别为96.4、22.5、9.5和8.9 μg·m^-3,在PM_2.5中占比分别为41.3%、9.7%、4.1%和3.8%.与春节前重污染相比,受移动源减少、工业企业排放降低、工地停工影响,春节重污染期间NO₃^-、SO₄^2-、NH₄⁺、EC和Ca²⁺浓度及其在PM_2.5中占比明显下降;受烟花爆竹燃放影响,OC、K⁺、Cl^-和Mg²⁺浓度及其在PM_2.5中占比均上升.与清洁天气相比,春节重污染期间PM_2.5中二次无机化学转化明显增强.PMF解析结果表明,春节重污染期间,天津市城区PM_2.5的主要来源为二次无机盐、燃煤和工业、烟花爆竹及生物质燃烧、机动车和扬尘,贡献分担率分别为40.1%、30.6%、20.6%、6.9%和1.8%.与春节前重污染相比,春节重污染期间二次无机盐、机动车和扬尘贡献率分别下降25.5%、62.9%、71.4%,燃煤和工业贡献率上升51.5%,烟花爆竹及生物质燃烧源显著上升.无论是重污染还是非重污染,常态化还是特殊时期,二次无机盐、燃煤和工业排放始终是天津市PM_2.5最主要的来源,产业结构和能源结构的调整始终是天津大气污染防治的主要方向.     

2014—2018年冬季长三角强霾事件及天气形势影响分析

利用2014-2018年环保部空气污染监测资料以及同期NCEP/NCAR再分析资料,统计分析了冬季长三角地区强霾污染过程中大尺度环流背景场及气象要素对强霾污染的影响.结果表明：2014-2018年冬季长三角地区共发生5次强霾污染过程,每年冬季的12月和1月是强霾污染事件发生的高频时期.当大气中相对湿度维持在较高的水平并且维持较小的风速时,更有利于污染物的累积从而导致强霾污染事件的发生.雾霾天气的发生发展与大气环流有着密切联系,在强霾污染过程发生初期,污染物大多伴随冷空气由北向南输送至长三角地区,对流层中层500 hPa的大尺度环流形势多以纬向环流为主.严重污染发生时,长三角地区受平直西风气流影响,对流层低层850 hPa等压线较为稀疏,长三角地区受均压场或高压控制频繁,稳定的大气层结使污染物更易在近地层累积,随后大风伴随冷锋过境将污染物快速清洁导致PM_2.5浓度迅速降低.     

2015年1月下旬北京市大气污染过程成因分析

采用地面观测和数值模拟相结合的方式,对2015年1月下旬北京市两次PM_2.5污染过程进行分析。研究表明,在第1次过程中PM_2.5浓度经过3个抬升阶段达到峰值,过程前期区域传输的作用明显,随后区域传输和本地污染积累、化学反应共同加重了污染的程度;3个浓度抬升阶段中均出现过PM_2.5浓度“跃升式”增长,且污染水平越重,浓度跃升的幅度越大。第2次过程是一次典型的静风、高湿度下的PM_2.5持续性增长过程,主要是本地污染物积累和发生化学反应二次生成导致的。大气氧化性分析和SOR、NOR分析均验证了对两次污染过程特征和成因的推断。数值模拟结果表明,第1次污染过程中区域传输对不同站点PM_2.5的贡献率在15.2%~68.7%之间;第2次过程区域传输的贡献率在12.8%~46.3%之间。     

基于无人机探空和数值模拟天津一次重污染过程分析

污染发生在边界层中,边界层热力和动力垂直结构对重污染天气形成有显著影响.本文基于无人机探空、地基遥感观测和数值模式,开展天津地区2019年1月10~15日重污染过程期间边界层垂直结构及污染成因分析,以期加强北方沿海城市边界层过程对重污染影响规律认知,提升重污染天气预报预警准确率.结果表明：大气温度层结对重污染天气形成、持续和消散有显著影响,此次过程伴随逆温层的发展和消散,PM_2.5高浓度区白天向大气上层发展,高度可达300 m以上,夜间向近地面压缩,高度在100 m左右;雾天气出现并在白天维持,改变了边界层垂直结构特征,雾顶逆温的持续存在抑制了污染物向大气上层扩散,使得白天湍流垂直混合过程贡献明显下降,导致近地面重污染天气维持和发展;过程期间区域输送贡献率为66.6%,边界层垂直结构与重污染天气区域输送密切相关,区域污染物输送高度主要出现在边界层顶部以及雾顶逆温层以上的大风速层处,且随着边界层和雾顶抬升高度的变化,通过下沉运动影响地面,形成北部弱高压天气控制下静稳天气区域输送;边界层垂直结构影响冷空气对空气质量的改善效果,S3阶段雾顶的强逆温导致冷空气无法通过湍流切应力传导到地面,在高低空存在明显的风速差,冷空气影响地面时间延后,作用减弱,重污染天气无法彻底缓解.     

不同天气型下武汉城市圈PM2.5污染及大气层结特征分析

利用2015—2019年PM_2.5和气象要素观测资料、NCEP和ERA5再分析资料,分析不同天气型下武汉城市圈PM_2.5区域污染时空分布、天气尺度环流和大气层结特征.结果表明,城市圈污染以武汉为中心,多为轻度-中度污染,西部重于东部.造成武汉城市圈区域污染增长的天气形势包括4类,分别为冷高压底前部型、高压后部型、均压场型和低压倒槽型.4类污染天气型均有较低的混合层高度和地表通风系数,且边界层 存在弱下沉运动和逆温,抑制污染垂直扩散.但气象要素影响PM_2.5污染的机理各异：冷高压底前部型主要为大气压梯度引导偏北大风带来 污染物远程输送,边界层冷平流导致低温、锋面逆温和浅薄高湿层（65%~80%）,强输入性污染配合吸湿性累积增长造成严重污染,逆温厚度对PM_2.5增幅作用明显;低压倒槽型东南风输入污染弱,但高温、低压引起气流辐合导致本地污染汇积,边界层暖平流带来平流逆温和深厚湿层（1000~750 hPa）,逆温层底高偏低、厚度偏厚,促进污染物在近地面吸湿增长;高压后部和均压场型均为浅薄湿层（1000~975 hPa）、湿度中等（56%~75%）,污染物吸湿增长相对较弱,高压后部型主要为偏东风短程输入污染为主;均压场型则为小风静稳天气,多晴空辐射逆温,逆温 强度大,大气扩散能力差,污染主要为弱北风的输入和本地累积.     

2020年天津市两次重污染天气污染特征分析

为了解2020年天津市两次重污染天气污染特征,基于2020年1~2月高时间分辨率的在线监测数据,对天津市2020年1月16~18日（重污染过程Ⅰ）和2020年2月9~10日（重污染过程Ⅱ）进行分析,结果表明,两次重污染过程均呈现前期区域输送和后期本地不利气象条件叠加双重影响的特点,重污染过程期间平均风速均较低,平均相对湿度接近70%,部分时段接近饱和,边界层高度低于300 m,水平和垂直扩散条件均较差.与重污染过程Ⅰ相比,重污染过程Ⅱ主要污染物浓度和污染程度均降低,尤其是NO₂浓度下降明显,重污染过程Ⅱ北部地区PM_2.5和CO浓度较高.两次重污染过程PM_2.5中化学组分浓度和占比发生明显变化,重污染过程Ⅰ二次无机离子（SO₄^2-、NO₃^-和NH₄⁺）、EC和Ca²⁺平均浓度较高,OC和Cl^-平均浓度略低于重污染过程Ⅱ,K⁺平均浓度低于重污染过程Ⅱ.与重污染过程Ⅰ相比,受燃烧源增加和移动源大幅降低影响,重污染过程Ⅱ中SO₄^2-、OC和K⁺在PM_2.5中占比明显上升,NO₃^-和EC在PM_2.5中占比明显下降;工业持续生产使重污染Ⅱ中NH₄⁺和Cl^-在PM_2.5中占比相对较高;工地的停工使两次重污染过程中Ca²⁺占比均较低.PMF解析结果表明,重污染过程Ⅰ中PM_2.5来源为二次离子、燃煤和工业、机动车、扬尘、烟花爆竹及生物质燃烧,贡献率分别为53.8%、20.2%、18.6%、6.3%和1.1%;重污染过程Ⅱ中各源对PM_2.5的贡献率分别为48.3%、28.2%、8.7%、2.6%和12.2%.与重污染过程Ⅰ相比,重污染过程Ⅱ燃煤和工业、烟花爆竹及生物质燃烧对PM_2.5贡献率明显上升,二次离子、机动车和扬尘贡献率明显下降,尤其是机动车和扬尘,贡献率分别下降53.2%和58.7%.     

2013年12月上海市PM2.5重污染过程数值模拟研究

基于2013年11月30日-12月13日上海一次PM_2.5重污染过程,利用Model-3/CMAQ模式及过程分析技术,定量评估不同时段各大气过程对上海PM_2.5浓度变化的影响.结果表明:Model-3/CMAQ模式系统能较好的模拟出实况PM_2.5的浓度变化趋势与特点.研究期间,白天源排放的增强和大气传输的影响、加上较强的气溶胶和云过程生成贡献,是造成上海PM_2.5浓度上升至重污染的主要原因.不同污染时段对PM_2.5浓度上升贡献率最大的过程均为输送,其中,西北部点位(青浦淀山湖和虹口凉城输送)的贡献率最大,且重污染时段输送的贡献率明显高于非重污染时段.     

基于空间插值的西安市重空气污染期间主要污染物时空变化特征及相关性分析

西安市是我国承东启西、连接南北的战略性枢纽城市,但其长期受到重空气污染的影响.基于2018年11月24日-12月3日西安市及其周边7个地级市共38个环境质量监测站点的逐时数据,利用空间插值、趋势分析和相关性分析方法,研究了西安市一次重空气污染期间六大污染物（PM_2.5、PM₁₀、CO、NO₂、SO₂和O₃）的质量浓度时空变化及彼此间的相关关系.结果表明:①IDW（inverse distance weighting,反距加权插值法）和OKri（ordinary Kriging,普通克里格插值法）均能较好地获得西安市空气污染物的时空变化情况,但IDW的插值精度优于OKri,距离指数为7的IDW可以满足西安市空气污染物时空变化模拟的要求.②研究期间,西安市首要污染物为PM_2.5和PM₁₀,二者分别是中度-重度污染及严重-"爆表"污染天气的首要贡献因子.③ρ（PM_2.5）、ρ（PM₁₀）、ρ（CO）、ρ（NO₂）和ρ（SO₂）均呈中部高、两边低,北部高、南部低的空间分布特点,而ρ（O₃）则相反;PM_2.5、PM₁₀、O₃污染程度日趋严重,NO₂污染程度逐渐缓解.④ρ（PM_2.5）、ρ（NO₂）、ρ（CO）之间呈中等正相关,三者在时空变化上具有较高的一致性;ρ（SO₂）与ρ（PM_2.5）、ρ（NO₂）、ρ（CO）均呈弱正相关;ρ（O₃）与ρ（NO₂）、ρ（CO）均呈弱负相关.受扬尘天气和特殊风向及地形共同影响,西安市PM₁₀出现"爆表"现象,导致ρ（PM₁₀）与其他污染物质量浓度之间的相关性不明显.研究显示,距离指数为7的IDW适合西安市空气污染情况时空变化的模拟,重污染天气条件下,西安市ρ（PM_2.5）、ρ（NO₂）、ρ（CO）之间具有较高的同源性,但各污染物间时空变化和相关性关系较复杂.      

河南省冬季3次重污染过程的数值模拟及输送特征分析

利用WRF-Chem模式模拟2015年11月27日—12月1日、12月5—14日、12月19—25日河南3次重污染过程,结合空气污染资料和ERA-Interim再分析资料,对比分析了这3次重污染过程的开始、持续和结束及污染物的输送特征.结果表明,静稳天气有利于污染的发展持续,3次重污染过程的结束均是由西路冷空气入侵造成的.第1次重污染过程平均风场上的风速均为小风或静风,从湖北到河南南部风向为偏南风;而第2和第3次重污染过程平均风场分别以偏东和偏北风为主.第2和第3次重污染过程中均存在明显的由北向南的污染物输送过程.3次重污染过程中,河南省本地排放对本省PM_(2.5)浓度的平均贡献率最大,而河南省周边区域对河南PM_(2.5)浓度的平均贡献率在这3次过程中不一样,第1次重污染过程,河南南部主要受偏南风影响,湖北对河南PM_(2.5)浓度的平均贡献率最大,为20.7%;第2和第3次重污染过程主要受偏东风影响,安徽和江苏对河南PM_(2.5)浓度的平均贡献率最大,分别为17.7%和18.5%.3次重污染过程中,安阳的主要污染输送源均不相同,分别来自河北、江苏和安徽、本省.     

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.     

2016年12月江苏省两次连续污染过程气象条件对比分析

利用地面常规气象观测资料、NCEP（National Centers for Environmental Prediction）再分析资料、AQI（空气质量指数）、ρ（PM_2.5）、ρ（PM₁₀）等大气环境监测数据,对2016年12月江苏省连续出现的两次大范围大气污染过程进行了对比分析.结果表明:这两次连续污染天气过程可分为颗粒物积聚-清除-再积聚-彻底清除4个阶段,相应地,地面形势表现为均压场-低压倒槽-西路冷空气-东路冷空气.第1次污染天气形成和维持主要是长时间受均压场控制、近地层逆温和高相对湿度有利于颗粒物积聚;第2次污染天气形成和维持主要是因西路冷空气南下、上游重污染地区颗粒物随冷空气向江苏省输送.持续降水和持续2.0 m/s以上偏东风对大气中颗粒物有较明显的清除作用.淮北西部垂直、水平扩散条件差、降水清除时间短,导致该地区在全省污染等级最严重、持续时间最长.西路冷空气影响期间,各站颗粒物质量浓度转为快速上升,东部地区在偏西风持续49~58 h后空气质量改善为良,中西部地区无法得到有效改善;东路冷空气影响7~22 h后,中西部地区空气质量转为良,高压底部持续偏东风使全省颗粒物得到彻底清除,连续污染天气结束.研究显示,西路弱冷空气的输送会加剧江苏省的污染程度,持续较长时间的东路冷空气则可以改善江苏省的空气质量.      

南京冬季一次重霾污染事件PM2.5区域传输收支分析

利用WRF-Chem模式对2015年12月21—23日南京一次重霾污染过程进行模拟.基于合理的模拟评估,采用大气传输通量计算法,着重分析了此次霾污染过程中模拟的南京地区PM_(2.5)的传输收支特征,以及周边地区大气污染物传输对南京市PM_(2.5)变化的贡献.结果表明,此次霾污染过程中,本地源与外来源区域传输共同影响着南京市的空气质量.PM_(2.5)的跨区域传输是此次重霾污染发生和消亡的重要因素.在霾污染事件的形成维持阶段,南京地区是作为周边地区PM_(2.5)的接收区,大气污染物主要由南京的西边界输入,大气污染物的外源输入是南京PM_(2.5)污染的主要贡献来源,占南京PM_(2.5)污染的84%.在霾污染事件的消亡阶段,南京地区则是作为周边地区PM_(2.5)的源,大气污染物主要由南京的东边界持续向外输出.     

中山市旱季霾特征及数值模拟分析

利用观测数据、Hysplit后向轨迹模式以及WRF-CMAQ模式对中山市旱季霾特征进行模拟分析.中山市霾污染的天气形势以大陆高压型为主.当相对湿度在71%~90%时,气溶胶浓度和能见度的负相关性最显著,且当能见度减小到5 km以下时,PM_(2.5)浓度的大幅减小才能使能见度略有好转.最有可能引起中山发生霾天气的两条污染带,一条是沿中山至湖南南部,另一条是沿中山到粤东地区.WRF-CMAQ模式能较好地模拟出2014年1月份中山PM_(2.5)浓度、能见度的变化趋势以及广东省区域内灰霾的污染过程.在气溶胶质量权重及消光贡献中,硫酸盐的比重最高,在高相对湿度下,二次气溶胶的消光权重超过80%.通过中山PM_(2.5)过程分析发现,在霾过程,无冷空气时PM_(2.5)主要来自气溶胶反应、排放源和水平平流,贡献率分别为35%、15%和10%,有冷空气时水平平流的贡献最大,达37%;在清洁过程,无冷空气时气溶胶主要靠水平平流和干沉降清除,贡献率分别为-39%和-14%,有冷空气时清除以水平平流和垂直对流、扩散为主,贡献率分别为-29%和-25%,说明不同天气条件下霾的污染和清洁机制有着明显差别.     

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.     

Influence of urban spatial and socioeconomic parameters on PM2.5 at subdistrict level: A land use regression study in Shenzhen, China

The intraurban distribution of PM_2.5 concentration is influenced by various spatial, socioeconomic, and meteorological parameters. This study investigated the influence of 37 parameters on monthly average PM_2.5 concentration at the subdistrict level with Pearson correlation analysis and land-use regression (LUR) using data from a subdistrict-level air pollution monitoring network in Shenzhen, China. Performance of LUR models is evaluated with leave-one-out-cross-validation (LOOCV) and holdout cross-validation (holdout CV). Pearson correlation analysis revealed that Normalized Difference Built-up Index, artificial land fraction, land surface temperature, and point-of-interest (POI) numbers of factories and industrial parks are significantly positively correlated with monthly average PM_2.5 concentrations, while Normalized Difference Vegetation Index and Green View Factor show significant negative correlations. For the sparse national stations, robust LUR modelling may rely on a priori assumptions in direction of influence during the predictor selection process. The month-by-month spatial regression shows that RF models for both national stations and all stations show significantly inflated mean values of R² compared with cross-validation results. For MLR models, inflation of both R² and R²_CV was detected when using only national stations and may indicate the restricted ability to predict spatial distribution of PM_2.5 levels. Inflated within-sample R² also exist in the spatiotemporal LUR models developed with only national stations, although not as significant as spatial LUR models. Our results suggest that a denser subdistrict level air pollutant monitoring network may improve the accuracy and robustness in intraurban spatial/spatiotemporal prediction of PM_2.5 concentrations.     

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.     

基于多源数据的西安大气重污染过程案例分析

基于大气污染六要素（PM_2.5、PM₁₀、SO₂、NO₂、CO和O₃）、PM_2.5化学组分数据、地面气象观测数据、微波辐射计数据和大气再分析数据,采用物质平衡和硫/氮氧化速率（SOR/NOR）等方法对2019年1月西安市一次重污染事件过程和成因机制进行综合分析.将该次污染过程划分为累积阶段（P1）、维持阶段（P2）和消散阶段（P3）,本次重污染过程主要是由于不利天气形势叠加反馈效应造成的,P1和P2阶段西安在500hPa都受平直西风气流影响,海平面气压为均压场,等压线稀疏,天气形势稳定,且925hPa以偏东风为主,不利于大气污染扩散.地基微波辐射计可辅助反映气象条件与重污染间的反馈机制,其反演的水汽密度和逆温均与PM_2.5存在显著线性相关关系,相关系数分别为0.86和0.38.反馈机制主要表现为：当污染达到一定程度时产生辐射冷却效应使地面降温,进而导致或加强逆温,混合层高度降低,水汽积聚,高湿条件通过加速二次转化和促进气溶胶吸湿增长使污染进一步维持,因此P2阶段二次无机离子（SO₄^2-+NO₃^-+NH₄⁺,SNA）和"其他"组分对PM_2.5的贡献率较大,分别为43.2%和23.1%,且SOR、NOR和消光系数均在P2阶段达到峰值.NH₄NO₃、有机物（OM）、（NH₄）₂SO₄和元素碳（EC）对消光系数的总贡献率超过85%,但各组分占比排序在每个阶段略有不同.