2015—2021年广州地区近地面O3浓度污染特征及其与气象因素关系

利用2015—2021年广州地区近地面逐时臭氧（O₃）观测资料及同期地面气象站常规观测数据,分析了广州地区近地面O₃浓度污染特征及其与气象因素的关系.结果表明：2015—2021年广州地区O₃浓度呈缓慢上升趋势,增速为1.9 μg?m^-3?a^-1,2015和2019年O₃浓度超标天数 最多;O₃平均浓度季节变化明显：秋季＞冬季＞夏季＞春季;O₃浓度空间分布不均匀,城郊地区高于中心城区;峰值中心位于城郊地区白云区,低值中心位于中心城区荔湾区.O₃浓度高峰期是7—10月,9月浓度最高,3月浓度最低;四季O₃浓度日变化均呈“单峰型”结构,最低值出现在7：00—8：00,14：00—16：00达到峰值.近地面O₃平均浓度和O₃超标率均与气温呈正比,当气温＞15 ℃开始出现臭氧超标现象.相对湿度＜50%时,O₃超标率与相对湿度呈正比;相对湿度为40%~50%时,O₃超标率达峰值为16.3%.当风速＜2 m?s^-1时,O₃超标率与风速呈正比;当风速＞ 2 m?s^-1时,O₃超标率与风速呈反比.高温、低湿、风小是广州地区产生高浓度O₃的主要气象因子.     

气象条件和排放变化对江苏省2015—2019年臭氧浓度年际变化的影响研究

使用精细化江苏省大气污染物排放清单和化学传输模式（WRF-CMAQ）模拟2015—2019年全省臭氧（O₃）的时空分布和变化特征;基于不同模拟情景下O₃浓度年际变化指标（MAD、APDM和增长速率等）量化气象条件和排放变化对江苏省O₃浓度年际变化的贡献;采用空间相关性分析法初步确定影响O₃浓度变化的具体气象参数.结果表明：2015—2019年,江苏省O₃浓度逐年增高,呈春夏高、秋冬低,南部低、沿海高的时空分布特征.气象因素对江苏省O₃浓度变化的贡献为58%,排放贡献为36%;其中,苏南地区受排放的影响（35%）高于气象影响（30%）,而苏中、苏北地区主要受气象因素影响.江苏省在春季、夏季和秋季的O₃浓度年际变化主要受气象因素影响;冬季时,排放因素的影响略高于气象因素.温度和边界层高度是影响江苏省O₃浓度年际变化的重要气象参数.     

粤港澳大湾区近地层O3浓度的时空变化特征

基于遥感卫星（OMI）反演数据,对2005—2019年粤港澳大湾区近地层的O₃浓度数据进行提取及分析,探讨其时空变化特征和影响因素,同时利用后向轨迹（HYSPLIT）模型对O₃来源进行解析.结果表明：①在空间分布上,臭氧浓度自北向南逐渐降低,高值区集中分布在肇庆、广州、佛山等地;低值区集中在东莞、深圳、香港等地.②在时间变化上,15年来,该区域O₃浓度整体呈先上升后下降的趋势,2005—2010年O₃浓度持续升高,2010—2019年O₃浓度呈下降趋势,在2018年有小幅增长.季节变化表现为：春夏季O₃浓度高于秋冬季,高值区在春夏季交替出现,且秋季略高于冬季;每年11月—次年2月出现低值区,4—7月出现高值区.③自然因素中,风向和风速对O₃扩散和传输起重要作用;后向轨迹聚类分析表明：O₃长距离的输送受到来自西伯利亚的寒冷气流影响,短距离的输送则受到来自太平洋的暖湿气流的影响.气温与O₃浓度呈正相关;降水与O₃浓度基本呈负相关.④人为因素中,O₃浓度与GDP、人口密度的空间分布表现出显著相关性;NO_x的影响中,电力源、交通源和工业源是主导因素,居民源的影响较弱;而VOCs的影响中,工业源是主控因素,交通源和居民源次之,电力源的影响最弱.⑤O₃浓度与HCHO浓度的空间分布保持高度的一致性;NO_x等污染物参与光化学反应,对O₃浓度的变化起着一定作用;气溶胶对太阳辐射产生消光作用,使得O₃浓度降低.     

基于广州塔多层观测的城市臭氧污染垂直分布特征及成因分析

利用2019年11月1日—2020年4月30日广州主城区和广州塔121 m、454 m O₃浓度同步监测数据,分析了广州市O₃垂直污染分布特征及成因.结果表明：①近地面O₃浓度变化主要取决于人类活动如工业排放和机动车尾气排放等,而高空O₃浓度主要取决于天气过程,如辐射造成光学反应加剧和区域传输.②地面的O₃浓度高于垂直观测站点,其日变化均呈单峰型分布,表现为日出后太阳辐射增强O₃浓度升高,在午后14：00—15：00达到一日中的最高值.③广州塔454 m的O₃浓度日变化呈明显的双峰型特征,第1个峰值出现早上7：00后,O₃浓度随着日出后边界层混合抬升而升高,第2个峰值持续出现在午后,因高温、辐射导致的光化学反应剧烈生成.相对广州其他站点的第2峰值滞后的现象,可能是由于近地面臭氧生成后垂直传输到塔顶出现的垂直混合的时间差,受到边界层抬升强度不同的影响.④广州塔121 m站点,O₃浓度与风速的关系非常明显,广州南部地区臭氧贡献度达到了45%.在广州的冬季和春季,其中尤以冬季12—1月,广州臭氧污染贡献源广州塔中可能 来自于南部,广州塔顶454 m来自于东南部.     

2019年秋季海南省4次臭氧污染过程特征及潜在源区分析

基于2019年秋季海南省空气质量和气象监测数据,结合相关分析、HYSPLIT后向轨迹模型、PSCF （潜在源贡献因子）和CWT （浓度权重轨迹）等分析方法对海南省4次O₃污染过程特征及潜在源区进行深入分析.结果表明：①过程1和过程3分别发生在9月21~30日和11月3~11日,持续时间达到了10 d和9 d,ρ（O₃-8h）（最大8 h平均）分别为145.52 μg ·m^-3和143.55 μg ·m^-3.过程2和过程4出现在10月18~21日和11月20~25日,持续时间为4 d和6 d,ρ（O₃-8h）分别为130.79 μg ·m^-3和115.46 μg ·m^-3.②气压偏高,降水偏少,相对湿度偏低,日照时数偏长和太阳辐射偏强,是造成海南省出现O₃污染天气的有利气象条件.偏北风风场控制下有利于O₃-8h浓度上升,不同风速大小会影响海南省O₃-8h浓度高值区分布.③ O₃污染较为严重的过程1和过程3的影响气流发散度较大,有来自内陆地区和东南沿海地区两支气流,而O₃污染较轻的过程2和过程4的影响气流较为集中,多为东南沿海气流.④潜在贡献源区分析表明,浙江省、江西省、福建省和广东省等地是2019年秋季海南省O₃污染外源输送的主要源区,其中珠三角地区和广东省西部WPSCF值和WCWT值分别为大于0.36和大于90 μg ·m^-3.     

基于CAMx-OSAT方法的西宁臭氧来源解析

利用青海省西宁市2018—2019年O₃浓度高值时期监测数据,结合CAMx-OSAT方法从控制型、分类排放源、区域贡献3个方面定量剖析西宁的O₃污染来源.结果表明：西宁O₃浓度整体为VOCs控制,主城四区（城东区、城西区、城北区、城中区）尤其突出,且夏季较为显著;2018年和2019年VOCs的贡献占比分别为9.76%和8.91%;而周边区县由NO_x和VOCs共同控制.除背景场外,工业源对西宁O₃生成的贡献最高,其在2018年和2019年模拟期的贡献占比分别为52.22%和47.24%,其次为交通源.模拟期内,本地源和外地传输的贡献比值约为2：1,西宁的O₃以本地生成为主.本地源中,主城四区是O₃生成的主要区域来源,占比约为32.26%;外地传输中,海东是主要贡献区.因此,为降低西宁本地O₃污染浓度,应在夏季日间时段控制主城区工业源及交通源的VOCs排放,并加强与海东的联防联控.     

基于卫星和地面监测的河西走廊O3浓度时空分布及潜在源区分析

基于2005~2020年OMI遥感卫星O₃柱浓度数据,结合河西走廊地区10个国控点环境自动监测站大气污染物数据和全球资料同化系统（GDAS）气象资料,利用克里金插值法、相关性分析和后向轨迹（HYSPLIT）模型,探讨河西走廊近地面O₃时空分布特征、气象因素、传输路径和潜在来源.结果表明：①从时间变化来看,O₃柱浓度在2005~2010年和2014~2020年呈上升趋势,2010~2014年呈下降趋势,2010年和2014年分别达到最大值和最小值,分别为332.31 DU和301.00 DU,季节变化表现为春季和冬季明显大于夏季和秋季.②在空间分布上,O₃柱浓度大体呈现由西南向东北递增的纬向带状分布特征,高值区主要分布在地势低平的城市区域,中值区呈纬向带状与祁连山山麓走向基本一致.③气象条件分析发现,温度、风速和日照时数与O₃呈现正相关,相对湿度与O₃呈现负相关.④通过对武威市模拟受点气流输送轨迹发现,O₃输送路径方向较为单一,各季节的主导气流均以西部和西北部为主,所占比例分别为71.62%、66.85%、61.22%和77.78%;O₃潜在贡献源区存在一定的季节差异：春季、夏季和秋季的O₃潜在源高值区域均分布于白银市和兰州市等地,为东南风源,冬季高值区分布于巴丹吉林沙漠和腾格里沙漠之间,为北风源.     

基于GAMs模型分析成都市气象因子交互作用对O3浓度变化的影响

为探究成都市大气环境中气象因子交互作用对臭氧（8h浓度平均最大值,统一用O₃表示）浓度变化的影响特征,利用成都市2014~2019年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（generalized additive models,GAMs）分析气象因子对O₃浓度变化的影响效应.结果表明,单影响因素的GAMs模型中,O₃浓度与最高气温、日照时数、相对湿度、风速、降水量、最大混合层厚度（maximum mixed depth,MMD）和通风系数（ventilation coefficient,VC）间均呈非线性关系,无论全年还是夏季,最高气温、日照时数、MMD和相对湿度对O₃浓度影响均较大,值得注意的是,夏季相对湿度和降水量对O₃浓度变化的影响较全年更加显著.在构建O₃浓度变化的多气象因子GAMs模型中,除平均风速以外的其他气象因子共同作用对O₃浓度变化有显著影响,就全年而言,构建的GAMs模型判定系数（R²）为0.849,方差解释率为85.1%,最高气温是全年O₃浓度变化的主导影响因素;夏季GAMs模型的R²为0.811,方差解释率为81.3%,而夏季最高气温和MMD同为重要影响因素.GAMs交互效应模型中,就全年而言,最高气温与日照时数、相对湿度、降水量间交互作用,以及日照时数和MMD间交互作用对O₃浓度变化影响显著,结合三维可视化图形直观分析气象因子交互作用对O₃浓度变化的影响特征,发现强高温+强日照+MMD （2000 m左右）+无降水条件协同作用下有利于O₃的生成;就夏季而言,仅最高气温分别与日照时数和VC交互作用对O₃浓度的影响显著,夏季强高温+强日照+水平方向小风速有利于近地层O₃浓度的生成.运用GAMs模型能够对O₃污染的主导气象因子进行识别,并定量化分析气象因子单效应及其交互作用对O₃浓度变化的影响特征,对O₃浓度污染防控研究具有重要指示意义.     

佛山臭氧浓度预报方程的建立与应用

臭氧作为大气中的二次污染物,其形成和变化复杂,臭氧预报更是当下空气污染治理的难题之一.通过分析2014~2017年佛山地区近地面O₃浓度与高低层气象要素的关系,建立了佛山O₃浓度预报方程,并进行了检验和应用.结果表明,佛山近地面O₃的变化与高低层气象要素关系密切,气温和日照时数等气象要素与O₃浓度呈显著正相关,相对湿度、总（低）云量和风速等与其呈负相关;高浓度O₃污染发生的气象条件为小风速、晴间少云、低相对湿度、较长的日照时间和较高的温度,高浓度O₃潜势指数（HOPI）和风向指数（WDI）的定义可以较好地衡量O₃污染气象条件的好坏;综合考虑HOPI和不同高度WDI等13种气象要素,采用多指标叠套和多元逐步回归建立了佛山地区臭氧浓度预报方程;利用2018年资料检验发现,模拟值与实测值二者的相关系数R可达0.82,预报方程具有良好的拟合效果和可预报性.     

京津冀臭氧污染特征、气象影响及基于神经网络的预报效果评估

基于生态环境监测和气象观测数据,分析了2016~2020年京津冀13个城市臭氧（O₃）浓度特征,讨论了O₃污染高发月份日最高温度（T_max）、日均地面气压（p）、日均地面相对湿度（RH）和日均地面风速（v）等气象要素对O₃-8h浓度和O₃-8h超标情况的影响规律,并采用AQI级别预报准确率、O₃浓度范围预报准确率和O₃级别预报准确率等方法,评估了基于神经网络的O₃统计预报效果.结果表明,2016~2020年期间京津冀13城市ρ（O₃-8h-90per）分别为157.4、177.2、177.3、190.6和175.6μg·m^-3,区域臭氧浓度5a上升了11.6%,2016~2019年期间总体呈波动上升趋势,2020年环比下降;2020年与2016年相比,除北京、张家口和承德略有下降外,其他10个城市ρ（O₃-8h-90per）上升了6~45.5μg·m^-3.O₃-8h月均值呈现"两头低,中间高"现象,ρ（O₃-8h）在4~9月的月均值超过了100 μg·m^-3,在6月最高,为158.10 μg·m^-3.城市O₃-8h超标率范围为8.6%~19.2%,97.8%的O₃-8h超标情况发生在4~9月.区域尺度上O₃-8h浓度与日最高温度相关性最强,当T_max在25~28℃区间时,所有城市开始出现O₃-8h超标.O₃-8h浓度与日均地面气压呈负相关关系;当RH在60%以下时,大部分城市O₃-8h浓度随相对湿度上升缓慢增长;当RH在61%~70%以上时,大部分城市O₃-8h浓度随日均相对湿度上升而下降.O₃-8h超标时的地面主导风向主要为偏南风,大部城市O₃-8h浓度高值易集中出现在2~3m·s^-1及以下低风速区间.OPAQ统计模式提前1~9 d预报相关系数范围为0.72~0.86,AQI级别预报平均准确率为67%~86%,O₃-8h浓度范围预报平均准确率为63%~84%.在O₃-8h超标情况多发的4~9月,模式对O₃轻度污染和O₃-8h超标情况提前3 d预报准确率分别为69%和66%,可为O₃-8h超标管控提供参考依据.     

PM2.5和O3污染协同防控区的遥感精细划定与分析

针对地面站点监测数据难以支撑大气PM_2.5与O₃污染防控区边界划定的问题,融合大气污染浓度遥感估算建模与GIS统计分析模型,提出了一种基于PM_2.5和O₃浓度遥感估算结果的协同防控区精细划定方法,开展了2015~2020年月和年尺度的全国PM_2.5与O₃污染协同防控成效定量分析与防控区精细划定研究.结果表明,2015~2020年,我国PM_2.5浓度总体下降显著但O₃浓度基本持平,PM_2.5污染在秋冬超标严重,O₃污染则在春夏;同时PM_2.5与O₃浓度变化在空间上的不一致性显著,其中PM_2.5下降且O₃上升、PM_2.5与O₃均下降、PM_2.5与O₃均上升和PM_2.5上升O₃下降的面积占比分别为38.34%、35.12%、15.24%和10.89%.遥感精细划定范围显示,PM_2.5和O₃协同防控区域的边界具有显著动态变化特征,在时间变化上呈现先扩大后缩小的趋势,主体范围集中在"2+26"城市、汾渭平原、长三角北部和山东半岛.以PM_2.5或O₃单一防控为主的区域范围较为稳定,辽吉、鄂湘赣、成渝和塔克拉玛干沙漠-河西走廊区域需以PM_2.5防控为主,珠三角、长三角和环渤海湾部分区域则应以O₃防控为主.基于卫星遥感手段的PM_2.5和O₃协同防控区域边界精细划定方法可更好辅助国家PM_2.5和O₃协同防控策略制定需求.     

海南岛臭氧污染时空变化及敏感性特征

基于环境空气质量数据、气象观测数据和卫星遥感资料,研究了2015~2020年海南岛臭氧（O₃）污染的时空分布、变化趋势、O₃生成敏感性及其与气象因子的关系.结果表明,海南岛O₃-8h （日最大8 h滑动平均值）表现为西部和北部偏高,中部、东部和南部偏低的分布特征,2015年O₃-8h浓度最高,2019年O₃-8h浓度超标占比最大.O₃-8h浓度与平均气温（P<0.1）、日照时数（P<0.01）、太阳总辐射（P<0.01）、大气压和平均风速呈正相关关系,与降雨量（P<0.05）和相对湿度呈负相关关系.卫星遥感数据显示,2015~2020年海南岛对流层NO₂柱浓度（NO₂-OMI）和HCHO柱浓度（HCHO-OMI）呈相反的变化趋势,2020年NO₂-OMI较2015年上升了7.74%,HCHO-OMI下降了10.2%.海南岛属于NO_x控制区,近6年FNR值（O₃生成敏感性）呈波动式地下降趋势,其趋势系数和气候倾向率分别为-0.514和-0.123 a^-1.气象因子与海南岛FNR值有较好的相关关系.     

2017~2021年苏皖鲁豫交界区域PM2.5和O3时空变化特征及影响因素

苏皖鲁豫交界区域是长三角和京津冀及周边两大大气污染治理重点区域的连接带,揭示该区域PM_2.5和O₃污染特征对推动区域大气污染联防联控有着重要意义.基于2017~2021年苏皖鲁豫交界区域22个地市的国家空气环境监测网络观测数据,探讨了该区域PM_2.5和O₃浓度的时空变化特征及气象影响.结果表明：①2017~2021年区域PM_2.5浓度呈现逐年下降趋势,PM_2.5浓度月均值呈现“U型”分布,冬季PM_2.5浓度仍维持高位.O₃-8h-90%浓度呈现波动下降趋势,O₃-8h-90%浓度月均值变化呈“M型”分布,夏秋季O₃污染程度未有好转.②与2017年相比,2021年PM_2.5-O₃复合污染天数减少了52 d,但PM_2.5污染仍占主导地位.③PM_2.5和O₃污染区域主要集中在区域中部和北部城市,且中部城市PM_2.5和O₃污染程度均改善显著.④采用Moran''s I指数和LISA指数分析了区域PM_2.5和O₃-8h-90%浓度的全局和局部空间自相关性,PM_2.5和O₃-8h-90%浓度均具有空间相关性,PM_2.5浓度主要表现为高值-高值聚集或低值-低值聚集现象,且高值-高值聚集有从中部向西部转移的现象,2020年和2021年O₃-8h-90%浓度表现为高值-高值聚集或低值-低值聚集现象.⑤结合气象要素数据,利用KZ滤波方法量化排放源与气象条件对区域PM_2.5和O₃-8h浓度的贡献,两者主要受到污染物排放影响,贡献率分别为101.0%和99.3%,表明污染物减排是驱动区域空气质量改善的主要因素.此外,气象条件对PM_2.5浓度的贡献在一、四季度为正值,二、三季度为负值,而对O₃-8h浓度的影响则反之,且气象条件对不同城市PM_2.5和O₃-8h浓度的影响程度存在较大差异.     

七大区域不同温湿条件下臭氧浓度变化

近年来,我国臭氧（O₃）污染形势日趋严峻,在多地已超越PM_2.5成为大气环境的首要污染物.气象条件,尤其是温度和湿度对O₃生成的影响极大.因此,厘清并量化不同区域温度和湿度变化对O₃浓度的影响可为政府防治臭氧污染提供理论依据.通过分析2015年1月1日至2022年7月31日实测日最大温度（T_max）和相对湿度（RH）与臭氧日最大8 h滑动平均值（O₃-8h）的关系,发现臭氧污染严重的七大区域的O₃-8h与T_max呈线性正相关关系,温度惩罚因子范围为2.1~6.0 μg ·（m³ ·℃）^-1;O₃-8h与RH呈非线性关系,RH为55%时O₃-8h最高;不同区域对T_max和RH的敏感度稍有不同,总体上最适合O₃生成的气象条件为29℃≤T_max<38℃且40%≤RH<70%.长三角、苏皖鲁豫和长江中游地区在T_max≥35℃的极端高温条件下,O₃-8h停止随温度的上升而增长,反而出现下降现象,且往往伴随颗粒物浓度的小幅上升.这可能与部分前体物在水汽含量变高的情况下发生非均相反应及臭氧的非均相汇增加有关.     

2015—2016年中国城市臭氧浓度时空变化规律研究

为探究中国大陆城市O₃污染状况时空变化的总体特征,运用时空统计分析和GIS技术对2015—2016年全国开展O₃常规监测的336个城市进行分析,揭示近两年O₃浓度及不同等级污染天数的时空变化格局,并着重对比分析"三区十群"区域内外O₃浓度的变化差异.结果表明：2015—2016年期间,全国336个城市中,有258个城市2016年年均O₃浓度值较2015年升高,形成了新的O₃污染空间格局;京津冀及周边地区、长三角地区、中部的河南、武汉污染较重,东南沿海和西南地区的云南、西藏污染相对较轻;长三角地区和山东城市群是中国O₃核心污染区域,陕西、山西及安徽三省O₃浓度较2015年有大幅升高.O₃的空间分布与NO_x排放量、生成控制型等因素密切相关.已有的研究区域中除华北平原和四川盆地等地区的郊区点位以外,我国大多数地区的O₃生成控制型属于VOCs控制型.研究结果有利于从宏观上直接对比评估国家大气污染重点防控区内外O₃污染特征变化的差异,从而针对性地开展环境污染防控.     

基于GAM模型的西安市O3浓度影响因素解析

基于空气质量监测数据,研究了2014~2018年西安市O₃浓度和污染的变化特征,利用GAM模型揭示了气象因素对O₃浓度的影响.结果表明：①西安市O₃浓度逐年上升,2016年开始O₃年评价指标已连续3 a超标.但随着夏季O₃污染治理的加强,2017年后O₃浓度升幅趋缓.②O₃月均浓度变化曲线主要呈倒V型,1~7月随气温的升高而上升,8~12月随气温的下降而下降,7月月均浓度最大.但在降水量偏大的年份,O₃月均浓度常在降水量最大月出现谷值,曲线形态变为M型.③2014~2018年西安市O₃污染明显加重,O₃污染时段向前延长.O₃超标率由2014年的1.9%上升到2018年的14.0%.2016年起,O₃污染出现时间由7月提前至5月.④GAM模型拟合结果表明,气温、气压、日照时数和相对湿度与O₃浓度有显著的非线性关系,各因子平滑函数拟合曲线形态差异较大,其中气温和日照时数主要呈正向影响,气压和相对湿度主要呈负向影响.降水量的影响主要表现在夏季,风速的影响不明显.西安市在气温>24℃、气压<962 hPa、日照时数>9 h、相对湿度为36%~65%且无雨时,O₃污染较易发生.     

2016~2019年江西省臭氧污染特征与气象因子影响分析

利用2016~2019年生态环境部环境监测总站提供的江西省11个设区市的监测数据及同期的国家气象观测站常规观测资料,研究江西省臭氧污染特征与气象因子的关系.结果表明,江西省近几年臭氧污染日益严重,2016年全省臭氧（日最大8 h滑动平均值）平均浓度为80.1 μg·m^-3,到2019年上升至98.2 μg·m^-3,平均年增长率为6 μg·m^-3.2019年江西省11个设区市O₃超标总天数为475 d,占总超标天数的72.6%.2016~2018年O₃月平均浓度具有典型的季节变化特征：夏季 > 春季 > 秋季 > 冬季,2019年秋季由于降水量显著减少、日照时数增多和气温升高等气象条件导致秋季近地面臭氧浓度异常升高,其平均浓度高于其它季节.臭氧浓度总体与气温、日照时数呈正相关,与相对湿度呈负相关,当气温高于30℃、相对湿度在20%~40%区间、风速在2~3 m·s^-1区间时易出现高浓度臭氧污染.江西省臭氧浓度呈现一定的空间分布特征：赣东北地区低于其他地区,南部城市高于北部城市.其中,赣州市臭氧污染较为严重,其2019年平均浓度居全省最高,为104.2 μg·m^-3.基于后向轨迹HYSPLIT模型和潜在源解析PSCF对赣州市进行分析,研究结果表明赣州市臭氧污染的主要潜在贡献源区存在一定的季节差异：春季臭氧污染的外来输送源主要来自广东中部和江西北部地区,夏季主要来自江西北部地区,而秋季则主要来自广东北部和安徽中部地区.     

2019年8月世警会期间成都平原臭氧污染及其气象成因分析

利用2015-2019年夏季成都平原的空气质量监测数据、气象数据及再分析资料,研究了2019年8月世警会（第十八届世界警察和消防员运动会）期间成都平原持续性高浓度臭氧（O₃）污染特征及其气象成因.结果表明：12015-2019年夏季成都平原地表O₃-8h （O₃日最大8小时平均浓度）的90百分位呈上升趋势,7月臭氧超标减少,6月上旬和8月中下旬臭氧超标增多;2世警会期间成都平原O₃-8 h平均浓度为（156.26±41.35）μg·m^-3,是近几年8月臭氧污染最严重的一次,具有浓度高、影响范围大的特点;3世警会期间成都平原高浓度臭氧污染的形成主要受槽后西北气流控制,地面为均压场或弱高压,且存在逆温层,大气层结稳定,臭氧污染的空间移动特征与高空槽脊移动特征一致;4气温和相对湿度是影响O₃浓度的主导气象因子,当温度为33~37℃、相对湿度为30%~50%和偏北风或西北风风速为1~2.5 m·s^-1时,容易导致O₃积累,造成区域性污染.     

重庆臭氧时空分布特征及其污染成因的初步分析

近年,臭氧(O₃)正逐渐取代PM_2.5成为中国首要大气污染物.因此,研究O₃的时空分布特征及污染成因对于空气污染治理与管控具有重要价值.重庆复杂的地形造成该地区O₃的污染成因具有很大的不确定性.采用2013—2020年重庆市主城区环境监测站O₃、PM_2.5、NO₂逐小时监测数据和国家气象站观测资料,分析了O₃的时空分布特征,并探究其与复杂地形、前体物、气象要素及PM_2.5的关系.结果表明:①2013—2020年臭氧日最大8 h平均浓度的第90百分位值年际变化总体呈现先减后增的趋势.发生臭氧污染月份数量增加,臭氧污染开始月份从6月提前到4月.②2019年重庆臭氧中度和重度(中重度)污染天数最多,为6 d.2013—2015年中重度污染频率由1.09%减少至0.27%,到2019年增加至1.64%,2020年降至0.81%.③重庆中重度污染期间,O₃的空间分布受山谷风环流与城市热岛效应的共同影响.白天城区站点O₃浓度高于山区站点O₃浓度,夜间山区站点O₃浓度高于城区站点O₃浓度.④城区站点的O₃与NO₂浓度呈现显著负相关,山区站点O₃与NO₂浓度的相关系数为负值,但相关性不显著.⑤重庆大部分O₃中重度污染由局地污染主导,在非高温或者高湿的情况下同样可能发生臭氧中重度污染.臭氧中重度污染发生时,风向多为西-北风.O₃浓度与气温和风速呈显著正相关,与相对湿度呈负相关.⑥重庆O₃-PM_2.5相关性城区与山区表现不一致,城区南坪站O₃-PM_2.5在暖季呈正相关关系,冷季相关性有正有负,山区缙云山站O₃-PM_2.5在暖季和冷季都呈正相关关系.     

乌海市高分辨率大气污染源排放清单构建及其在臭氧污染成因探究中的应用

乌海市是我国典型的煤焦化工业基地,大气污染物排放总量较大且近年来夏季O₃污染问题逐渐突出,明确大气污染物排放特征,探究O₃污染形成机制是客观认识其O₃污染现状,科学制定污染控制措施的基础.基于"系数法"采用自下而上的方式构建了2018年乌海市高分辨率大气污染源排放清单（HEI-WH18）,利用WRF-Chem对HEI-WH18的适用性和准确性进行评估,并结合模式诊断模块探究了乌海市夏季O₃污染形成的原因.排放清单结果表明,2018年乌海市SO₂、NO_x、CO、PM₁₀、PM_2.5、VOCs、NH₃、BC和OC的排放总量分别为65943、40934、172867、159771、47469、69191、1407、1491和1648 t ·a^-1.与MEIC清单相比,利用HEI-WH18能更好地捕捉到O₃及其前体物的排放变化规律和量级,适用于乌海市夏季O₃的模拟及其来源分析研究.从O₃及前体物的空间分布来看,乌海市海勃湾城区白天为O₃高值区,3个工业园区无论白天和夜间均为O₃低值区和NO₂高值区,CO的空间分布特征与煤层及矸石堆自燃源一致.根据对O₃污染过程的诊断分析,边界层中高层O₃浓度的升高主要是平流输送和化学过程共同作用的结果,低层O₃浓度的升高是垂直混合和平流输送导致的,化学过程在低层的贡献较为复杂,其正贡献起到了维持高O₃浓度的作用,负贡献结合平流输送造成了O₃污染的最终消散.