冬季PM2.5中无机水溶性离子与大气相对湿度的相关性

依托河北省灰霾污染防治重点实验室,对2019年11月26日—12月31日石家庄市大气PM_2.5中的NO₃^-和SO₄^2-进行连续在线观测,研究NO₃^-和SO₄^2-与环境空气相对湿度的相关性,解析冬季发生PM_2.5重污染天气的RH阈值.观测期间,RH为10%~60%时,NO₃^-的浓度与RH呈显著正相关,为PM_2.5中浓度最高的无机水溶性离子.RH超过70%后,NO₃^-与RH呈负相关,NO₃^-浓度和NOR开始下降.SO₄^2-浓度与RH在整个湿度区间均呈正相关.RH低于50%时,SO₂向SO₄^2-的转化以气相反应为主.RH高于50%以后,颗粒物达到潮解点,SO₂的主要反应转入液相,转化速率加快,SO₂液相反应贡献逐渐增加至64.6%.RH超过70%后,SO₄^2-成为PM_2.5中浓度最高的无机水溶性离子.RH超过PM_2.5潮解点以后,NO₃^-和SO₄^2-大量合成,推高PM_2.5环境浓度,易于形成重污染天气.     

兰溪市PM2.5中水溶性离子的组成特征及季节变化

为探索浙江省中部地区大气细颗粒物（PM_2.5）中水溶性离子的组成特征及其季节变化,采集了兰溪市市区和近郊两个站点2016年4个季节的PM_2.5样品,利用双通道离子色谱对水溶性无机离子（Cl^-、NO₃^-、SO₄^2-、Na⁺、NH₄⁺、K⁺、Ca²⁺、Mg²⁺）进行了定量分析.结果表明,兰溪PM_2.5中离子总浓度存在明显的冬季高、夏季低的季节变化趋势,年均值为21.19 μg·m^-3,约占PM_2.5质量的45%;SO₄^2-、NO₃^-和NH₄⁺是水溶性离子中最主要的组分,年均浓度分别为8.11、5.92、3.87 μg·m^-3.Cl^-和NO₃^-浓度的季节变化最为显著,冬/夏浓度比接近10,其半挥发特性是导致兰溪PM_2.5中离子组成呈现季节变化的重要原因.兰溪PM_2.5中NO₃^-/SO₄^2-比值的冬季平均值为1.18,说明流动源对兰溪PM_2.5有很大贡献;夏季（以及春、秋季）时NO₃^-/SO₄^2-比值较低,且与PM_2.5浓度呈负相关,与矿物尘结合的硝酸根离子的较大贡献可能是导致夏季PM_2.5浓度较低时NO₃^-/SO₄^2-比值较高的主要原因.阴阳离子平衡、相关性及主成分分析（PCA）结果表明,矿物尘对兰溪市PM_2.5的酸度及离子赋存状态有较大影响;冬季及春、秋季兰溪的PM_2.5具有一定的酸性;NO₃^-和SO₄^2-主要与NH₄⁺结合,但部分可能与钙等其他组分结合;Cl^-和K⁺主要来源于生物质燃烧,但K⁺的年均浓度仅为0.31 μg·m^-3,说明生物质燃烧对兰溪PM_2.5的贡献不大.     

典型沿海城市采暖期细颗粒物组分特征及来源解析

为明确威海市采暖期细颗粒物的组分及来源,于2018年1~3月在威海市3个空气质量例行监测点采集了环境空气PM_2.5样品,分析OC、EC、水溶性离子及元素组分特征,利用PMF模型解析PM_2.5的来源.结果表明,采样期间威海市PM_2.5日均质量浓度为（33.80±22.45）μg·m^-3,NO₃^-、NH₄⁺、SO₄^2-、OC和EC是其主要组分.作为沿海城市其Cl^-占比相对较高,同时PM_2.5组分特征体现出颗粒物成分受本地工业特征污染物排放的影响.NO₃^-/SO₄^2-和OC/EC比值均表明威海市采暖期移动源对PM_2.5贡献大;水溶性离子中酸碱离子比例分析表明,威海市采暖期PM_2.5呈弱碱性,NH₄⁺过量,主要以NH₄NO₃和（NH₄）₂SO₄等形式存在.污染时段威海市二次污染物浓度上升明显,主要组分NH₄⁺、NO₃^-、SO₄^2-、OC和EC质量浓度是清洁时段的4.21、5.27、3.23、2.02和1.81倍.源解析结果表明,二次气溶胶占PM_2.5的32.4%~36.0%,移动源（15.6%~18.9%）、燃煤源（12.1%~17.8%）、生物质燃烧源（9.0%~10.4%）和扬尘（8.6%~11.3%）是威海市环境空气PM_2.5的主要来源,而工艺过程源（2.1%~8.3%）、非道路移动源（2.4%~3.7%）和海盐（3.5%~5.6%）贡献比例较小.     

2014年APEC期间北京市空气质量改善分析

利用2014年11月1~12日(APEC会议期间)北京市大气污染物、PM_2.5组分及气象、遥感监测数据,结合CMB受体模型,综合分析了APEC会议期间北京市空气质量与气象条件变化并初步评估了减排措施对APEC会议期间PM_2.5浓度的贡献及影响. 结果表明,APEC会议期间北京市PM_2.5、PM₁₀、SO₂、NO₂的浓度分别为43、62、8和46 μg ·m^-3,比近5年平均浓度(PM_2.5为2012~2013年平均浓度)降低45%、43%、64%和31%; 空间分布上PM_2.5在城区及北部山区改善效果最明显,下降幅度在30%~45%之间,南部地区降幅在25%以下; 不同类别的站点降幅在27.4%~35.5%之间; APEC会议期间PM_2.5的主要组分SO₄^2-与同期(2013年11月1~12日)相比下降50%,地壳物质同比下降76%,NO₃^-同比下降35%; CMB模型源解析结果显示APEC会议期间燃煤锅炉贡献2%左右,扬尘贡献7%左右,机动车贡献30%左右; APEC会议期间北京市及周边地区针对可能发生的污染过程采取的减排保障措施对PM_2.5浓度具有明显的削峰降速作用.     

沈阳市冬季大气PM2.5中水溶性离子污染特征及来源解析

为研究沈阳市冬季PM_2.5和水溶性离子的污染特征,使用URG-9000D在线监测系统于2018年冬季对大气颗粒物和气体组分进行连续采样.结果表明,采样期间沈阳市PM_2.5的平均质量浓度为80.67 μg·m^-3,总水溶性离子质量浓度变化范围为2.68~132.79 μg·m^-3.与清洁天相比,污染天NO₃^-、SO₄^2-和NH₄⁺（SNA）占比明显增加,占到PM_2.5的43.7%.静稳天气时SO₂短时间内的迅速累积使得沈阳市冬季大气PM_2.5有暴发性增长现象.Pearson相关性分析可知,SNA、Cl^-与PM_2.5之间的相关系数均达0.78以上,表明沈阳市冬季PM_2.5的主要贡献组分为SNA和Cl^-.PMF源解析表明沈阳市冬季污染物来源主要包括二次反应源、燃煤和生物质燃烧源以及扬尘源.     

上海市秋季典型大气高污染过程中颗粒物的化学组成变化特征

于2010年10月1日至11月30日在上海市城区对大气中颗粒物质量浓度及细粒子化学组分进行了在线连续观测,获得了秋季大气灰霾和沙尘等典型污染过程中颗粒物质量浓度和化学组成的变化特性.观测结果显示,在大气灰霾污染过程中PM₁₀和PM_2.5的日均最高浓度分别达到216~293 μg·m^-3和130~204 μg·m^-3,PM_2.5/PM₁₀的比值在65%以上,总的可溶性无机离子(TWSII)占PM_2.5质量浓度的50%以上,有机碳(OC)和元素碳(EC)的总和占25%~30%.二次可溶性离子(SO₄^2-, NO₃^-, NH₄⁺)占TWSII的83.3%~87.5%,OC/EC的比值在5左右,表明在灰霾污染过程中二次组分对PM_2.5的贡献较大;沙尘天气以粗粒子污染为主,TWSII、OC和EC分别仅占PM_2.5质量浓度的27.2%、13.4%和2.0%,二次可溶性离子(SO₄^2-, NO₃^-, NH₄⁺)占TWSII的55.7%,Ca²⁺、Mg²⁺等地壳组分的比例较灰霾天气明显升高.研究结果还显示,SO₄^2-和NO₃^-等二次离子组分的生成与颗粒物中硫与氮的氧化速率有关,在大气灰霾过程中硫转化率(SOR)和氮转化率(NOR)值较高,分别为0.24±0.10和0.15±0.06,说明SO₂通过二次反应生成SO₄^2-的能力较强,在污染的环境下高浓度的NO₂更有利于向NO₃^-转化.     

新乡市大气PM2.5中水溶性离子的污染特征、来源解析及气象影响分析

为探究新乡市大气PM_2.5中水溶性无机离子（WSIIs）的污染演变、来源特征及其气象影响,利用URG-9000在线监测系统于2022年1月（冬季）、4月（春季）、7月（夏季）和10月（秋季）对PM_2.5组分进行在线观测.结果表明,TWSIIs（总水溶性无机离子）与PM_2.5的季节变化特征一致,季度ρ（TWSIIs）均值变化范围为19.62~72.15 μg·m^-3,在PM_2.5中的占比超过66%,WSIIs是大气PM_2.5的重要组分.年均NO₃^-/SO₄^2-（质量浓度比）为2.11,且呈现逐年增加的趋势,移动源对二次无机气溶胶（SNA）的影响不容忽视,年均[NH₄⁺]/[NO₃^-]（量比）为1.95,说明农业源是大气中氮的主要贡献者.后向轨迹分析表明,在盛行东北风且风速较大时,PM_2.5中Ca²⁺和Mg²⁺的浓度较高.低温高湿的气象条件下（T<8℃,RH>60%）,SOR和NOR值均较高,更多的气态前体物SO₂和NO₂转化为颗粒态的SO₄^2-和NO₃^-.与SOR不同,在高温条件下（T>24℃）,NOR并没有表现出高值特征,与高温条件下NH₄NO₃的分解有关.结合PMF和后向轨迹分析,来自西北方向的气团所对应的扬尘源对WSIIs的贡献较大,观测站点周边区域的低空低速气团所对应的二次硫酸盐以及二次硝酸盐和生物质源对WSIIs的贡献较大.     

2022年北京市城区PM2.5水溶性离子含量及其变化特征

为探究北京市大气细颗粒物（PM_2.5）水溶性离子含量及其变化特征,有针对性地提出污染防治方案,对2022年全年PM_2.5水溶性离子、气态前体物（SO₂、NO₂）和气象因素（温度、RH）进行分析测定.结果表明,北京市城区PM_2.5中占比最高的水溶性离子为NO₃^-、NH₄⁺和SO₄^2-,占PM_2.5的52.7%,ρ（PM_2.5）（33.2 μg·m^-3）和ρ（SNA）（18.9 μg·m^-3）低于历史研究结果,但SNA占比（52.7%）、SOR（0.45）和NOR（0.15）高于历史研究结果,体现出北京市细颗粒物污染得到明显改善,但仍具有较强的二次污染特征.NO₃^-/SO₄^2-为2.2,高于历史及附近省市研究结果,反映出移动源的影响不断扩大.从季节变化上看,PM_2.5呈现秋高夏低的变化特征,秋、春、冬这3个季节NO₃^-的占比最高,夏季SO₄^2-占比最高,而NH₄⁺在各季节占比变化不大.NOR与SOR的季节变化规律几乎相反,反映出二者的转化形成因素存在差异.北京城区SNA的主要存在形式为NH₄NO₃和（NH₄）₂SO₄,其中冬季阴阳离子中和度最高,夏季阳离子NH₄⁺稍显不足,而春秋两季NH₄⁺处于过量状态,北京城区为富氨环境.从污染级别看,水溶性离子质量浓度均随污染加重有不同程度的增长,增长最快的是SNA,其在PM_2.5中占比出现先上升后稳定的变化特征.从空间分布特征来看,中心城区和东南西北部郊区的SNA质量浓度大小均为：NO₃^->SO₄^2->NH₄⁺,体现了以NO₃^-为主导的污染特征;SNA对PM_2.5的贡献率最高的区域发生在东部、中心城区和传输点,表明在中心城区和东部地区二次反应相对活跃,同时区域传输也是二次离子的重要来源.     

遵义市PM2.5中水溶性离子的污染特征及来源解析

为探究遵义市PM_2.5中水溶性离子的污染特征及来源,于2018年6月~2019年5月采集了遵义市两个采样点共120个PM_2.5样品,并利用离子色谱法对样品中8种水溶性离子进行了分析。结果表明：采样期间,遵义市PM_2.5平均值为47.6±19.3 μg/m³,呈现冬春高、夏秋低的季节变化特征;8种水溶性离子平均质量浓度顺序为SO₄^2- > NO₃^- > NH₄⁺ > Ca²⁺ > K⁺ > Cl^- > Na⁺ > Mg²⁺,平均值为13.74 μg/m³,水溶性离子质量浓度的季节变化与PM_2.5变化趋势相似;SO₄^2-、NO₃^-、NH₄⁺（SNA）是PM_2.5中主要水溶性离子,占比为83.8%,说明遵义市大气PM_2.5二次污染较严重;相关性分析表明,PM_2.5中NH₄⁺主要以（NH₄）₂SO₄、NH₄HSO₄的形式存在,部分以NH₄NO₃的形式存在;[NO₃^-]/[SO₄^2-]小于1,表明固定源为主要污染源;主成分分析结果表明,PM_2.5中水溶性离子主要来源于燃煤、交通混合源、土壤、建筑扬尘及农业源。     

甘肃南部典型城镇PM2.5浓度及水溶性离子特征分析

为研究甘肃南部城镇PM_2.5及水溶性离子（WSIIs）浓度水平,于2019年4月—2020年2月在甘肃成县按季度进行PM_2.5样品采集,分析了其变化特征,并运用相关和主成分分析法进行来源解析.结果表明：采样期间甘肃成县PM_2.5年平均质量浓度为（57.2±26.9） μg·m^-3,表现为冬季>春季>秋季>夏季的季节变化特征,冬季质量浓度约为夏季的1.9倍,全年空气质量优良率为81%,其中夏季达100%.WSIIs质量浓度呈现SO₄^2->NO₃^->Na⁺>NH₄⁺>Ca²⁺> K⁺>Cl^->Mg²⁺的特征.SNA是浓度水平最高的3种水溶性离子,占8种主要水溶性离子浓度的70.1%.ρ（NO₃^-）/ρ（SO₄^2-）平均值为0.6,表明工农业生产及化石燃料燃烧排放等固定源是颗粒物污染的主要来源.新型冠状病毒疫情期间人员管控对PM_2.5和水溶性离子中SNA质量浓度影响显著,PM_2.5平均质量浓度降幅达44.2%.源解析表明,PM_2.5中WSIIs主要来自化石燃料燃烧、生物质燃烧及二次源和道路建筑扬尘等.     

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.     

唐山市2017年采暖期不同污染等级PM2.5化学组分特征对比与来源分析

为深入了解唐山市采暖期PM_2.5污染成因与来源,采用在线监测设备于2017年12月1日-2018年1月28日连续监测了唐山市PM_2.5及其水溶性离子和碳质组分（OC、EC）的质量浓度变化,并结合部分常规气体污染物及气象数据进行对比分析.结果表明:①相对湿度的增加和风速的降低促进了污染的发展.②清洁、轻中度污染和重污染时,SOR（硫氧化率）分别为0.05、0.08、0.20,NOR（氮氧化率）分别为0.05、0.12、0.26,随着污染的加重,SO₂、NO_x向PM_2.5中SO₄2-、NO₃-的二次转化现象更加明显.③清洁时,ρ（OC）、ρ（EC）、ρ（SO₄2-）和ρ（Cl-）占PM_2.5化学组分（水溶性离子、碳质组分）质量浓度总和的68%,主要污染源为燃煤;清洁、轻中度污染和重污染时,ρ（NO₂）/ρ（SO₂）分别为0.96、1.14、1.44,ρ（NO₃-）/ρ（SO₄2-）分别为0.94、1.57和1.75;重污染时,ρ（SO₄2-）、ρ（NO₃-）、ρ（NH₄+）三者之和占PM_2.5化学组分质量浓度总和的61%,二次污染物成为主要污染源.④观测期,唐山市轻中度污染和重污染时,受经北京市、天津市等唐山市西部地区方向气团影响频率分别为61%、63%,受该方向气团影响时,ρ（NO₂）/ρ（SO₂）、ρ（NO₃-）/ρ（SO₄2-）明显增大.研究显示,相较于燃煤排放物在大气污染物中的占比变化,随着污染的加重,工业工艺和机动车尾气排放产生的污染物占比明显增大,区域传输对大气污染影响不可忽略,政府有必要开展区域联防联控、停产限产和限行限号的措施.      

广州PM2.5化学组分特征及其与气象因子的关系

于2012年12月—2013年12月在广州城区(市站)和东部郊区(九龙)开展为期一年的PM2.5样品采集,并同步收集气象因子和气态污染物质量浓度等数据.结果表明,PM2.5中主要化学组分为有机质(OM)和硫酸盐(SO2-4),分别占市站和九龙PM2.5质量浓度的49.4%和15.2%及57.0%和17.3%.碳质气溶胶(OM和EC)贡献接近50%,二次无机气溶胶(SO2-4、NO-3和NH+4总和,SIA)贡献超过30%.由于以机动车尾气为代表的移动污染源在城市区域贡献较大,市站[NO-3]/[SO2-4]比值显著高于九龙.两个站点[NH+4]/[SO2-4]摩尔质量比均高于1.5,表明观测期间广州市干季大气处于富铵状态.市站和九龙站硫氧化率(SOR)和氮氧化率(NOR)的时空变化趋势与O3类似,表明大气光化学过程是影响广州市SOR和NOR的重要因素.相对湿度低于65%时,SOR和NOR均较高;温度对SOR和NOR的影响有显著的城郊差异.降雨对PM2.5及各化学组分浓度有显著去除作用.     

COVID-19管控前后不同污染阶段PM2.5中二次无机离子变化特征

为探讨新冠肺炎疫情(COVID-19)管控前后不同污染阶段PM_2.5中二次无机离子变化特征,使用高分辨率(1 h)在线仪器对2019年12月15日至2020年2月15日郑州冬季气象、污染气体浓度和PM_2.5中水溶性离子水平进行在线监测,分析此次COVID-19管控前后霾过程的成因、大气污染物的日变化特征和在霾不同阶段下大气污染物的分布特征.结果表明,郑州主要受到高压脊控制,天气形势稳定,有利于大气污染物累积,二次无机气溶胶(SNA,包括SO₄^2-、NO^-₃和NH⁺₄)是水溶性离子的主要组分,占比高达90%以上,COVID-19期间居家隔离措施对霾不同阶段下大气污染物的分布特征产生不同的影响,COVID-19期间PM_2.5在干净、发生和消散阶段的浓度比COVID-19前有所提高,但是发展阶段明显降低,居家隔离明显使PM_2.5高值降低了;NO₂、SO<...     

Multi-dimension apportionment of clean air “parade blue”phenomenon in Beijing

The mass concentration and major chemical components of fine particulate matter were measured before, during and after Beijing''s massive parade commemorating 70th anniversary of the Chinese Victory in World War II on September 3, 2015. Regional emission inventory, positive matrix factorization (PMF), observations from space and backward air mass trajectories were jointly applied to identify the major pollution sources and their temporal and spatial variations. The contributions of emissions, their variations and the meteorological conditions related to the “parade blue” phenomenon in Beijing and its surrounding areas were investigated in detail. The main cause of the decreased PM_2.5 mass concentration was attributed to the absolute reduction in emissions of primary air pollutants. The chemical composition of PM_2.5 varied significantly before, during and after the parade. Fugitive dust particles were well controlled, the secondary formation of PM_2.5 was reduced along with the controlled gaseous precursors'' emissions from vehicles and industrial sources during the temporary intensified control period. During the parade period, the SO₂ and NO₂ column concentrations in Beijing and the surrounding areas decreased sharply, indicating that the coordinated reduction in primary emissions from the surrounding areas of Beijing played an important role in lowering the ambient concentration of SO₂ and NO₂ and accordingly lowered PM_2.5 and improved the regional air quality. A comparison of the temperature, humidity, and wind speed and direction during the same periods in 2014 and 2015 showed that the meteorological conditions positively influenced the achievement of “parade blue”.     

中原城市冬季两次重污染形成机制及来源

为揭示郑州市冬季空气污染过程及形成原因,选取郑纺机国控站点为采样点,探讨2019年12月郑州大气污染物浓度和主要气象参数特征,对比不同污染阶段PM_2.5水溶性离子、元素和碳质组分浓度变化,并利用空气质量模型模拟结果,分析采样期间污染源排放与区域传输对采样点PM_2.5质量浓度的贡献.结果表明,采样期间第一次和第二次重污染形成和消散过程略有差异,分别呈现出"缓慢累积、缓慢清除"和"缓慢积累、快速清除"的特征.第一次和第二次重污染时段NO₃^-、SO₄^2-和NH₄⁺质量浓度占PM_2.5比值达到41.5%和46.2%,OC/EC比值分别为4.0和4.5,二次气溶胶颗粒的大量生成是两次重污染形成的主要原因.采样期间本地、东部、南部、西部和北部区域对采样点PM_2.5浓度贡献占比均值分别为58.0%、2.4%、6.7%、6.9%和12.7%,第一次重污染是本地污染物排放和外来源区域传输共同作用的结果,期间西部和南部区域及外来工业源贡献占比有所升高;而第二次重污染则主要受到本地大气污染物累积的影响,期间交通源、扬尘源和燃煤源污染贡献骤增,外部区域对采样点PM_2.5浓度的影响有所减弱.     

基于遥感资料的北京大气污染治理投资对降低PM_(2.5)的效能分析

采用北京市环境监测中心35个站点的PM2.5监测数据及MODIS Terra的大气气溶胶光学厚度L3 C051产品数据,分季度建立北京市PM2.5历史浓度遥感估算模型.结合北京大气污染物(PM10、PM2.5、SO2、NO2)年均浓度数据,对北京市2001—2012年间用于工业废气污染治理投资累计额进行了效能分析.研究表明,北京市工业废气污染治理投资对于改善大气PM10、SO2、NO2均有显著贡献,但其对于大气PM2.5污染的治理效果并不明显.可能原因包括PM2.5排放源的复杂性、相关治理措施对PM2.5的针对性、经济增长导致的区域PM2.5源排放持续增长及区域外排放的持续影响等.因此,需要采取专门的有针对性的治理措施,建立健全大气污染治理技术和激励机制,控制工业燃煤及城市交通排放,削减本地及周边源排放,以有效改善北京地区大气PM2.5污染状况.     

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.     

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.     

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.