APEC期间北京市PM_(2.5)时空分布与过程分析

运用Models-3/CMAQ模式系统,模拟分析了2014年11月3~11日APEC会议期间北京市PM_(2.5)污染的时空分布特征,并利用过程分析工具IPR研究了会期两次短时间污染过程(4日13:00~5日12:00和10日13:00~11日12:00)中各种大气物理化学过程对城区官园和郊区定陵两个代表性站点近地面PM_(2.5)生成的贡献.结果表明,CMAQ模型合理地再现了北京市PM_(2.5)的浓度水平和时间变化.北京地区4日和10日发生不利于污染物扩散的气象条件,导致PM_(2.5)小时浓度出现高值(分别为188,124μg/m~3),但受减排措施和冷高压的作用,PM_(2.5)高值维持时间较短.4日13:00~5日12:00,水平传输是官园和定陵站点PM_(2.5)的主要贡献者,贡献率分别为49.6%和90.9%.此次污染过程北京地区受南部污染传输影响较强.10日13:00~11日12:00,官园站点PM_(2.5)主要来自源排放在本地的积累(78.8%),定陵站点PM_(2.5)主要来自较弱的水平传输(93.9%).此次过程体现出更加明显的局地性污染特征.两次过程中,PM_(2.5)的主要去除途径均为垂直传输.     

深圳市PM_(2.5)浓度特征及统计预报研究

根据2015年1—12月深圳市城区11站点PM_(2.5)小时浓度监测数据,探讨了深圳市PM_(2.5)浓度的时空分布特征。结果显示:监测期间深圳市城区PM_(2.5)平均浓度为29.8μg/m~3,PM_(2.5)平均浓度整体呈现出:冬季>秋季>春季>夏季的特征,PM_(2.5)质量浓度日变化整体呈现出双峰型分布,午后12:00—16:00浓度较低。空间分布上,年均浓度从东南至西北方向依次升高,梯度特征明显。PM_(2.5)浓度与PM_(10)呈高度相关,与SO_2、NO_2、CO呈显著正相关,与O_3呈实相关。相邻城市间空气污染物浓度呈现出一定的相关性,区域污染突出。建立的PM_(2.5)回归统计模型对深圳市2015年PM_(2.5)临近预报的级别准确率在70%以上,能较好地反映PM_(2.5)浓度变化趋势。     

阜新市MODIS AOD与大气PM_(2.5)浓度相关性研究

利用卫星遥感MODIS数据研究区域大气PM_(2.5)浓度分布是环境管理的有效方法。获取美国国家航空航天局MODIS L1B1KM数据,采用暗目标法反演阜新市大气气溶胶厚度AOD数据;提取阜新市5个大气监测站点位2014年3月至5月、2015年3月至4月期间PM_(2.5)浓度数据进行相关性分析,建立PM_(2.5)浓度-AOD之间的线性、一元二次、对数函数、幂函数及指数函数5种相关性模型;引用湿度影响因子建立大气PM_(2.5)浓度订正模型,采用PM_(2.5)浓度订正模型、Peterson模型分别订正PM_(2.5)浓度及AOD标高,应用阜新市环保局5个监测点位2014年6~12月、2015年5~12月期间PM_(2.5)的月平均浓度进行模型检验。对比分析订正后的5种相关性模型拟合优度,检验结果表明:订正方法提高了PM_(2.5)浓度-AOD相关性;线性相关性模型R2为0.633 6,相对误差为12.41%,相对其他4种模型相对误差较小。利用阜新市大气AOD预测PM_(2.5)浓度具有良好环境指示意义。     

2004~2015年北京市清洁点臭氧浓度变化特征

利用2004~2015年北京市自动监测网络O₃浓度数据,综合探讨了北京市清洁点定陵站O₃浓度的变化特征,结果表明,定陵站2004~2015年O₃1h浓度整体呈上升的趋势,年均浓度增长率为4.40 μg·m^-3,定陵站O₃8h浓度整体呈下降的趋势,年均浓度增长率为-1.0 μg·m^-3,5~9月O₃8h平均浓度增长率为-1.5 μg·m^-3. 近3年来定陵站O₃8h重度污染天数增加明显,O₃污染形势严峻. 定陵站每年6月左右O₃浓度达到一年中的峰值,日变化上15：00~18：00左右出现小时浓度峰值且O₃日峰值浓度是中心城区的1.01~1.56倍;不同年份5~9月定陵站O₃日峰值浓度与城区站明显存在1 h滞后的现象,定陵站峰值浓度与城区峰值浓度之差近年来明显缩小,这可能一方面与O₃区域污染输送有关,另一方面可能与北京市城镇化扩张有关.     

北京北郊清洁区PM_(2.5)和O_3变化特征对比分析

利用北京西北部野鸭湖湿地生态气象站(YYH)、东北部上甸子本底站(SDZ)2014年PM_(2.5)、O_3和同期气象观测资料,对比分析北京北郊清洁地区PM_(2.5)和O_3浓度的变化规律及主要的影响因素。研究结果表明:两站PM_(2.5)年均值,O_3小时均值较为接近。两站PM_(2.5)浓度在重污染月份(2、7、10月)较高,6和12月较低。野鸭湖站O_3浓度高值出现在4月,上甸子站为7月,1月均最低。两站各季PM_(2.5)浓度日变化大致为双峰型,O_3浓度日变化为单峰型,其中野鸭湖站PM_(2.5)双峰型更加显著,O_3浓度变化曲线也比上甸子站更具城市特征。风向对两站PM_(2.5)浓度变化的影响较O_3更明显,野鸭湖地区偏东北风容易造成污染物积累,上甸子污染物主要受来自西南部城区污染的输送。受局地环流影响时上甸子站PM_(2.5)浓度更高,而受明显的天气系统影响时,野鸭湖站由于其特殊的地形,污染物扩散能力较差,PM_(2.5)浓度会明显高于上甸子地区。     

深圳市局地PM2.5污染事件的时空特征及典型背景环流分析

利用深圳及周边地区22个环保监测站的PM_(2.5)小时数据、深圳市152个高密度(2.5 km×2.5 km)自动气象站及3部边界层风廓线仪的探测数据,分析了深圳市局地PM_(2.5)污染事件的时空变化特征及其背景环流特征.结果表明:深圳市西北角和东北角是局地PM_(2.5)污染最频繁的2个区域,局地污染事件发生次数约占总污染事件次数的40%,每日夜间至次日凌晨是局地污染高发期.各个季节局地PM_(2.5)污染发生的大尺度环流形势不同,春季为变性高压脊配合西南低槽发展型,夏季为热带气旋外围环流影响型,秋季为副高控制下的弱高压脊型,冬季主要为冷锋前、弱高压脊或均压场控制型.局地海-陆、丘陵-平原热力差异造成的局地环流易导致地面弱风和局地辐合的出现,成为诱发局地PM_(2.5)污染的直接原因.     

气象要素对气溶胶光学厚度估算PM2.5的影响

地面监测得到的近地面细颗粒物PM_(2.5)浓度较为精确,但数据覆盖范围相对较小,卫星遥感反演的气溶胶光学厚度(AOD)数据可以反映污染物浓度分布,具有范围大且速度快的特点,因此,大多数学者通过建立PM_(2.5)-AOD模型来实现卫星遥感监测PM_(2.5)浓度,并通过引入气象要素来优化模型.然而,气象要素的选择与引入往往对模型的精度有较大的影响,如何有效地选择对PM_(2.5)浓度影响较大的气象要素一直是PM_(2.5)-AOD模型中的关键问题.因此,本文基于华东地区2014—2015年的MODIS AOD和地面监测站的PM_(2.5)浓度数据,结合再分析气象资料,利用多元逐步线性回归方法建立PM_(2.5)-AOD模型,从由特定时刻、高度上的气象要素与随时间、高度变化的气象要素组成的气象要素集中,筛选出对因变量PM_(2.5)浓度有显著影响的关键气象要素.结果表明:在地域与季节双重尺度下的PM_(2.5)-AOD模型精度更高;相较于特定时刻高度的气象要素,随时间和高度变化的气象要素对PM_(2.5)-AOD模型的影响更为显著;在地域与季节双重尺度下,1000～850 hPa经向风速差、世界时0:00—6:00近地面温度差、850～600 hPa温度差、6:00边界层高度、12:00—18:00近地面压强差、1000～850 hPa温度差对模型影响较大,但应依据不同季节和不同地区的具体影响程度作为选择标准.     

基于长时间序列的北京PM2.5浓度日变化及气象条件影响分析

基于2005~2014年北京宝联(城区)和上甸子大气成分本底站(郊区)监测结果得到了PM_(2.5)质量浓度日变化特征,并且讨论了气象条件的影响.结果表明,北京城区PM_(2.5)质量浓度10年平均值的日变化呈双峰分布,对应早晚出行高峰.但是,该特征在2007年以后才比较明显.月际(季节)变化表现为单峰与双峰之间、日最大值在早高峰与晚高峰之间的转换.一年中早峰值浓度在5~8月最高,与地面风速小、相对湿度以及水汽压(空气绝对含水量)较高有关,该季节晚高峰期间浓度变化相对较小主要受混合层较厚、地面风速大、降雨天气发生频繁的影响.11~12月和1~2月的16:00以后浓度明显升高,混合层顶高度在14:00~17:00大幅度下降是重要的影响因素.此外,严重和重度污染日09:00以后污染加重,与年平均值和中度污染日不同.边界层偏南风对来自周边地区高架源的污染物输送是其重要的影响机制.PM_(2.5)质量浓度日变化幅度随污染加重而增大.日最大风速和相对湿度日变化对浓度日变化幅度有影响,而且午后地面出现4~6 m·s-1的偏南风也会加大日变化幅度.北京郊区PM_(2.5)质量浓度多年平均值日变化呈单峰分布,日最大值超前于城区.而且,昼间的浓度在5~7月高于冬季.本研究结果将有助于细化不利扩散条件下的污染减排方案.     

北京城区和郊区本底站大气污染物浓度的多时间尺度变化特征

利用北京城区海淀宝联站(HD)和上甸子本底站(SDZ)2005—2012连续8年的大气污染物(PM_(2.5)、O3、NO2、SO_2和CO)浓度观测数据进行统计分析,揭示北京城区和郊区主要污染物浓度变化特征、超标情况及其差异.主要结论如下:1连续8年北京城区、郊区PM_(2.5)浓度整体呈缓慢下降趋势,但污染水平仍较高.海淀宝联站和上甸子本底站的PM_(2.5)年均浓度从奥运前3年(2005—2007)的平均值87.1μg·m-3和53.4μg·m-3分别下降到奥运后5年(2008—2012)的平均值67.7μg·m-3和42.1μg·m-3.奥运后5年两站PM_(2.5)年均浓度变化不大,其中城区维持在66~70μg·m-3的高浓度水平.城区PM_(2.5)浓度为3级以上的超标日在四季的发生频率相当,4级和5级以上的超标日则多发生在秋、冬季;各季平均日变化趋势均为双峰双谷型,上下班交通高峰期对PM_(2.5)浓度日变化有重要影响.2城区站O3年均浓度前5年(2006—2010)逐年下降,之后浓度开始回升,而本底站O3年均浓度在此期间变化不大,近6年(2007—2012)维持在72.4~76.3μg·m-3.城、郊O3平均日变化均呈单峰型,其中上甸子站峰值出现时刻晚于城区海淀宝联站.32005—2012年北京城区其它气态污染物浓度(NO2、SO_2和CO)总体均呈缓慢下降趋势,但在2012年浓度有所反弹,城区站气态污染物在秋、冬季的平均浓度均显著高于春、夏季.     

2013年北京市不同方位PM2.5背景浓度研究

利用2013年北京市6个站点PM_(2.5)浓度及5个站点气象监测数据,综合采用数理统计、物理识别、数值模拟的方法分析了2013年北京市不同方位PM_(2.5)的背景值.结果表明,2013年北京市西北、东北、东、东南、南、西南这6个方向边界点位的背景浓度在40.3~85.3μg·m-3之间,按由低到高顺序依次为密云水库、八达岭、东高村、榆垡、永乐店和琉璃河;2013年北京市PM_(2.5)北风时段背景值最低,西风时段次之,南风、东风时段明显偏高,不同风向下背景浓度的平均值分别在6.5~27.9、22.4~73.4、67.2~91.7、40.7~116.1μg·m-3之间,表现出北京东、南方向PM_(2.5)背景浓度较高分布特点;模拟的2013年北京市PM_(2.5)背景浓度空间分布呈现出南高北低的特征,周边区域对北京市PM_(2.5)背景浓度空间分布影响显著.     

基于MODIS气溶胶光学厚度与气象要素的苏锡常地区PM2.5地面浓度分布研究

基于GIS技术和岭回归分析方法,采用苏锡常地区的MODIS高分辨率气溶胶光学厚度资料、PM_(2.5)浓度观测资料和苏锡常及周边地区的气象观测资料,构建了基于气溶胶光学厚度和气象要素的PM_(2.5)地面浓度分布估算模型,模拟了2013年春季苏锡常地区PM_(2.5)的空间分布状况,并将此模型与气象要素多元回归模型、气溶胶光学厚度直接回归模型进行比较.结果表明:该模型将遥感观测资料与地面气象观测资料相结合,能够有效地模拟PM_(2.5)的空间分布状况;2013年春季苏锡常地区PM_(2.5)的空间分布具有整体上西北高、东南低,中心城区高、城郊区低的趋势,局部高浓度区域可能与工业生产、交通等人为因素有关;该模型能够在保持较高精度的前提下,有效地突出局部地区的变化特征,体现出更强的空间分异性,对于研究PM_(2.5)的空间分布规律具有一定的实际应用价值.     

海陆风对天津市PM2.5和O3质量浓度的影响

静稳天气下局地环流往往会对污染物的传输扩散起重要作用.根据天津市地处渤海西岸,常年受到海陆风影响的特点,综合气象、环境资料及HYSPLIT模型,针对沿海、市区、城郊、山区等代表性站点,研究了海陆风对天津市ρ（PM_2.5）和ρ（O₃）的影响.结果表明:①2015年天津市海陆风天数为78 d,占全年的22%;海陆风多集中于6-9月,其中,7月海陆风日最多、2月最少.②ρ（PM_2.5）和ρ（O₃）季节性变化和空间分布特征不同.春、夏两季ρ（PM_2.5）山区最高、城郊最低;秋、冬两季ρ（PM_2.5）市区最高、山区最低.春、秋两季ρ（O₃）沿海最高、市区最低;夏季ρ（O₃）山区最高、沿海最低.③海陆风对ρ（PM_2.5）有扩散作用,对ρ（O₃）有增加作用.海陆风对沿海ρ（PM_2.5）扩散作用最为明显,致使冬、秋两季ρ（PM_2.5）分别下降20.2%和7.9%;对城郊ρ（O₃）增加作用最为明显,致使秋、夏两季ρ（O₃）分别升高39.8%和16.2%.④个例研究表明,海风向内陆推进过程中垂直方向最高可达1 000 m,受海风影响天津市ρ（PM_2.5）下降,陆风使得ρ（PM_2.5）小幅上升,海陆风总体起扩散作用;海陆风使天津市ρ（O₃）日变化出现3个峰值,日均值明显增大,其中,城郊增幅（68.2%）最大.研究显示,海陆风对天津市ρ（PM_2.5）有扩散的作用,但会增高ρ（O₃）.      

北疆地区MODIS 3km气溶胶光学厚度与PM10质量浓度的相关性分析

利用2016年MODIS 3 km分辨率的气溶胶光学厚度(AOD)日产品、PM_(10)质量浓度以及相关气象数据,开展了北疆地区AOD与PM_(10)质量浓度的相关性分析.结果表明,AOD与PM_(10)质量浓度的直接相关程度较低,相关系数仅为0.294.对比分析了利用能见度数据对AOD进行垂直订正,然后再用相对湿度数据对其进行二次订正(AOD垂直-湿度订正)和利用能见度数据对AOD进行垂直订正和相对湿度数据对PM_(10)质量浓度进行订正(AOD垂直订正-PM_(10)湿度订正)两种订正方法,结果指出"AOD垂直订正-PM_(10)湿度订正"可显著提高二者之间的相关性.订正之后,北疆地区AOD与PM_(10)质量浓度的相关系数达到0.755,呈显著正相关;阿勒泰的订正效果最好,相关系数为0.837.最后,基于垂直订正后的AOD和湿度订正后PM_(10)建立两者之间的最优拟合模型,并利用新建的模型反演了北疆地区PM_(10)质量浓度.反演得到的PM_(10)质量浓度与经过湿度订正后PM_(10)呈显著正相关,相关系数为0.688;昌吉和伊宁的反演效果最好,相关系数分别为0.910和0.829.本研究结果表明MODIS 3 km AOD产品经过垂直和湿度订正后,可作为北疆地区监测PM_(10)质量浓度的一个有效手段.     

徐州市气溶胶光学厚度与PM2.5相关性及年周期特征

基于徐州市2014～2017年气溶胶光学厚度(AOD)、地面监测站PM_(2.5)浓度及气象数据,构建经标高订正的AOD(AOD/H)与经湿度订正的PM_(2.5)(PM_(2.5)×f_((RH)))之间的5种不同类型的拟合模型,分析两者在不同季节的相关性;同时利用经验模态分解对AOD/H与PM_(2.5)×f_((RH))进行周期变化分析。结果表明:AOD与PM_(2.5)浓度直接相关程度较低,经过订正后两者的相关程度显著提高;选取乘幂模型为最优拟合模型,利用乘幂模型估计得到的PM_(2.5)浓度与地面监测的经湿度订正的PM_(2.5)浓度呈显著正相关,相关系数在四季分别达到0.752、0.650、0.808和0.942;利用经验模态分解分析得到AOD/H与PM_(2.5)×f_((RH))具有显著的年周期变化特征,均在冬季出现高值,后逐渐降低,在6月前后出现极小值,到秋季又逐渐增大;AOD/H与PM_(2.5)×f_((RH))年变化特征表现出很高的一致性(r=0.888),表明在徐州地区AOD/H对PM_(2.5)×f_((RH))在年周期尺度变化特征研究中能起到良好的指示作用。     

利用TM影像反演广州市气溶胶光学厚度空间分布

利用2005年7月18日摄录的广州市TM影像,在相关研究基础上建立了适合于复杂大气状况城市尺度的气溶胶光学厚度(Aerosol Optical Depth,AOD)反演模型,研究了广州市30m空间分辨率的AOD空同分布,并与同期的广州市地面9个空气质量监测站的PM10浓度进行比较.结果表明,利用TM影像较好地反演了广州市AOD空间分布.地形、植被、建成区分布是影响广州市AOD空间分布的主要因素,AOD按照高山植被区、靠近建成区的山地植被区、建成区与平原植被区的顺序逐渐增加.地面监测的PM10浓度与AOD的相关系数为0.717,基于TM影像反演的AOD可较好地反映当日地面污染物PM10的空间分布.     

哈尔滨市供暖期PM2.5组分特征及来源解析

在哈尔滨市2014年1—3月的供暖期间对城区、郊区及周边农村地区的室内外PM_2.5样品进行了同时采集,分析了样品中碳质组分、水溶性离子及无机元素后,通过颗粒物热力学模型计算了颗粒物原位酸度,并通过基于标记的正矩阵分解（PMF）模型对室内外颗粒物的来源进行了表征.计算结果表明,3个地点室外PM_2.5原位酸度均低于室内,且室内外颗粒物原位酸度均为市区最高.PMF结果表明,哈尔滨市区、郊区及农村地区二次源对室外PM_2.5的贡献均排第3位.交通源对市区及郊区的贡献在16%~20%,对于农村地区则是最弱的影响因素.生物质燃烧是农村地区室内外PM_2.5的首要来源;燃煤和工业排放则是市区室内外PM_2.5的主要来源;工业排放是郊区室外PM_2.5的首要来源,与郊区的石化及金属工业有密切联系.因此,为提升哈尔滨市供暖期的空气质量,在进行农村散煤与生物质燃烧治理,推进农村地区清洁能源利用的同时,应多措并举注重城市交通状况改善和促进燃煤锅炉与工业超低排放技术的升级改造,促进区域协同治理.     

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.      

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、...     

高分辨率气溶胶光学厚度在珠三角及香港地区区域颗粒物监测中的应用研究

利用最新的MODlS(中分辨率成像光谱仪)气溶胶光学厚度(AOD)反演算法,反演珠江三角洲及香港地区2008年高分辨率(1 km x1 km)AOD分布,并与AERONET观测数据进行了验证(r=0.917).分析了2008年珠江三角洲及香港地区5个站点地面监测PM10质量浓度与反演的AOD数据相关性.结果表明:两者直...     

太行山两侧污染物传输对横谷城市气溶胶的影响分析

利用2017~2019年太行山横谷城市阳泉PM₁₀和PM_2.5逐时浓度资料和对应时刻风速风向数据,结合HYSPLIT后向轨迹模型通过聚类分析、潜在源贡献因子和浓度权重轨迹方法分析了横谷城市气流输送特征及对阳泉市气溶胶的影响,并进一步探讨了太行山两侧大气污染物的交换特征.阳泉市气溶胶日变化为单峰单谷型,冬季最高值出现在10：00~11：00,其他季节多在09：00,最小值均在15：00~16：00;月际变化呈1月最高、8月最低.受横谷地形影响,地面风向以偏东风和偏西风频率最高;除小风天气外,春秋季偏西风引起的沙尘天气和冬季偏东风输送也会引起阳泉气溶胶浓度升高;后向轨迹结合污染特征显示,各季节污染轨迹占比为春季26.2%、秋季36.4%和冬季33.7%,主要分布在阳泉的西南和东南区域,冬季在东北区域也有分布;山脉两侧均存在显著的细颗粒物传输,而起源或途经太行山西侧的轨迹粗颗粒物输送亦相对较多;污染轨迹中偏西气流输送对PM₁₀超标率影响更大,偏东气流则主要影响PM_2.5的超标率.不同季节阳泉市气溶胶主要污染潜在源区存在差异,春季为西南和东南两区域;秋季为西南及偏南区域,冬季主要位于偏南和偏东方向区域,山西东南部及与河南北部交界区域是主要的污染贡献源区,太行山两侧通过井陉通道进行大气污染物的相互传输过程显著,其中东向西的PM_2.5传输影响更显著.