长江中游城市群PM2.5时空特征及影响因素研究

近年来，伴随着工业化和城市化进程的加快，长江中游城市群灰霾天气持续增多，空气污染问题日益突出。基于2015年1月至2016年2月长江中游城市群189个空气质量监测站点的PM2.5逐时监测数据，采用普通克里金插值、探索性空间数据分析法和相关系数法，从年、季、月尺度上分析了PM2.5的空间分布格局及其影响因素。结果表明：（1）在年尺度上，长江中游城市群PM2.5浓度空间分布总体呈现出明显的北部高南部低，局部地区略有突出的特征，该区PM2.5浓度年均值为55.28 μg/m3，其中湖北省PM2.5的年均值为三省市最高，为68.17 μg/m3；其次为湖南省，年均值为53.66 μg/m3；江西省PM2.5的年均值较小，为44.01 μg/m3。（2）在季节尺度上，长江中游城市群PM2.5浓度表现出冬春季高，夏秋季低的现势性，这与区域内夏季高温多雨、冬季低温少雨的气候条件密切相关。（3）长江中游城市群PM2.5月浓度变化大致呈U形分布，1月份PM2.5浓度最高， 1~6月份，PM2.5浓度呈逐步下降趋势， 6~8月份，区域PM2.5浓度处于“U”字的谷底。（4）NO2、CO是影响PM2.5浓度的两项主控大气污染物，而降水量和相对湿度则是影响PM2.5浓度的两个重要气象因素。 关键词： PM2.5浓度；时空特征；气象因素；长江中游城市群     

基于遥感数据的PM2.5与城市化的时空关系研究——以成渝城市群为例

采用1998~2013年卫星遥感影像反演的PM2.5全球高精度产品数据集，结合GIS空间分析、地理加权回归（GWR）以及地理探测器等方法，系统地分析了成渝城市群城市化与PM2.5分布之间的关系。结果表明：（1）1998~2013年成渝城市群城市化速度较快，城市区域的PM2.5均值明显高于非城市区域，说明城市化对PM2.5具有一定的影响；（2）近16 a PM2.5重心与城市重心整体上都向东南方向移动，且两者每年在经度上的波动方向基本相反；（3）夜间灯光数据与PM2.5在空间分布上具有较好的一致性，且1998~2013年两者的GWR全局R2在0.86~0.95之间，相关性显著，研究区内城市化和人类活动对PM2.5的分布具有明显影响；（4）地理探测分析表明不同城市化因子对PM2.5影响差异显著，从2006到2013年城区人口密度和建成区绿化覆盖率逐渐成为成渝城市群PM2.5分布的主要影响因子。     

北京三次产业演变与PM2.5排放的动态关系研究

基于三次产业经济增长与PM2.5排放关系视角回答PM2.5排放源争议以及减排措施的有效性问题,文章基于2008-2014年季度数据,利用X-12-ARIMA方法分析PM2.5排放数据的季节性波动,并构建向量自回归模型,实证结果显示,PM2.5排放数据不存在稳定季节性和移动季节性特征;第二、三产业经济增长是PM2.5排放的格兰杰原因;第二产业是PM2.5排放的长期主要来源,累计效应稳定在15,短期波动对PM2.5排放产生较强促排效应,但在滞后3期出现抑排效应,表明减排措施存在滞后效应;第三产业长期为抑排效应,累计效应稳定在-3,但在滞后3期出现促排效应,表明存在PM2.5排放部门;方差分解结果显示,三次产业经济增长对PM2.5排放的贡献比例为45.2%,其中第二产业第三产业第一产业,贡献率分别为33.82%,11.04%,0.36%;其余为区域传输和生活排放,区域传输贡献为28%-36%,生活排放包括私家车、生活消耗燃煤,以及居民烹饪的油烟,比例可达到20%左右。研究结果支持了PM2.5排放源中存在31.1%的机动车和14.1%的餐饮业排放,而不存在高比例的生物质燃烧排放。据此明确了当前第二产业减排措施的有效性和滞后性,以及加强第三产业减排、顶层设计京津冀区域协同减排和控制生活排放的相应措施。     

1998~2016年中国大气PM2.5污染浓度空间格局演化 ——基于339个城市的实证研究

摘要： 近年来,与PM2.5相关的大气环境质量状况和改善问题一直是社会和公众关注的热点话题。通过选取中国339个地级市为研究对象，采用重心模型和局部空间自相关的研究方法，对中国339个城市大气PM2.5污染浓度空间格局演化进行实证分析。结果显示：（1）从重心分析来看，1998~2016年内的中国大气PM2.5污染浓度几何重心位于渭河平原附近以及中国东部和北方的大气PM2.5污染程度分别相对高于西部和南方地区。（2）从局部空间自相关分析来看，1998~2016年期间“高-高”类型的空间正相关的地区主要集中在华北地区、华中地区、华东地区、长江中下游沿岸城市及四川盆地；“低-低”类型的空间正相关的地区主要集中在西南和西北地区，也零星出现在东北和福建的部分城市中。最后对中国大气PM2.5污染空间格局进行初步成因探析。     

北京、上海两地2004和2005年大气污染特征对比分析

为了解北京、上海两市大气污染的变化及其影响因素之间的关系，根据2004、2005年大气质量监测数据，分析了北京、上海两地大气污染特征和两地主要大气污染物的变化规律。结果表明，2004、2005年北京市的PM10最大值是最小值的637倍，北京市的变化幅度较上海市的变化幅度大；2004、2005年北京市的SO2最大值是最小值的467倍，上海市的SO2最大值是最小值的131倍，上海市的SO2污染的因素变化幅度较小；两市的NO2浓度都较高，且季节变化不太明显；两市NO2浓度年平均值满足国家空气质量二级标准，但质量浓度都较高，这与两市的机动车尾气污染有关；两市SO2浓度年平均值除上海市2005年外均满足国家空气质量二级标准，上海市SO2污染严重与上海市消耗大量煤炭有关，北京市SO2污染物浓度年度变化剧烈与冬季取暖烧煤有关；两市可吸入颗粒物污染比较严重，北京市PM10浓度年平均值超过国家空气质量二级标准，上海市PM10浓度年平均值达到国家空气质量二级标准。总体上上海市的大气质量要好于北京市。两地大气主要污染物随时间的变化规律与两地的污染物来源、地理、气候等条件有关。     

嘉兴双桥农场大气颗粒物的物理化学特征

为了对长三角地区大气污染进行防治和控制,了解长三角地区大气环境质量变化规律,有必要对其颗粒物的组成及特征进行分析,以揭示其形成机制。采用Partisal plus2025 型连续空气采样机在嘉兴双桥农场（长三角中心）进行采样,利用对采样样品化学分析的结果,分析了PM10、PM25的化学组成、质量浓度的分布特征及其相对关系。 PM25和PM10中19种无机元素质量浓度的总和约占其质量浓度的23%和25%,其中Al、Si、Ca是主要贡献元素;8种水溶性离子质量浓度总和约占PM25和PM10质量浓度的51%和43%,其中NO-3和SO2-4是主要贡献成分;有机碳的质量浓度约占PM25和PM10质量浓度的1612%和1743%,元素碳的质量浓度约占PM25和PM10质量浓度的1697%和1584%,可见该地区存在较严重的二次有机碳污染和元素碳污染。研究结果为揭示大气颗粒物的形成机制和对其污染进行防治和控制提供了基础性的研究数据。     

淮海经济区PM2.5时空特征及影响因素

PM2.5对区域环境和人体健康有着重要影响,淮海经济区作为东部沿海经济发展带的重要支撑部分,剖析其PM2.5时空特征及其影响因素对于京津冀和长三角城市群开展区域空气污染的联防有着重要意义.首先采用时间序列分析对研究区PM2.5浓度特征进行分析,其次利用空间分析方法分析了淮海经济区PM2.5时空特征,最后基于淮海经济区PM2.5空间自相关特征,进一步采用地理加权回归模型探究了PM2.5浓度的影响因素及其空间异质性.结果 表明:(1)淮海经济区逐日PM2.5浓度值呈现出周期性的脉冲型起伏变化规律,整体呈现出冬秋季高、春夏低的"U"型趋势.逐日PM2.5浓度振荡周期短周期为2～3d,长周期为6～7d.(2)淮海经济区PM2.5浓度的空间局部相关性呈现出周期性的变化规律.全年热点区域主要集中在研究区西北的菏泽市和西南的徐州市,冷点区则主要集中在沿海区域.(3)淮海经济区PM2.5浓度影响因素主要包括平均气温、平均降水、平均风速、林地比例和路网密度等因素,不同因素对PM2.5浓度影响存在显著的空间异质性.     

基于LUR模型探究城市景观格局对PM2.5浓度的影响——以长株潭城市群为例

随着城市化进程的加快，空气污染问题已成为中国最主要城市问题之一，严重影响公众健康。当前微观尺度下空气监测点周围景观格局对PM25浓度影响的研究较少，以长株潭城市群为例，选取地形、污染源、人口、道路交通、土地利用与城市景观格局6大类预测变量，其中城市景观格局选取边缘密度、连续度、形状指数、斑块平均面积、蔓延度、均匀度指数7个景观指数，运用逐步线性回归模型，探究城市景观格局对PM25浓度的影响。研究结果显示：（1）所选取的土地景观格局指数可以解释研究区PM25浓度的732%的变异，模型拟合较好；（2）影响PM25浓度的土地利用类型包括建设用地、林地、草地与水体。微观尺度下城市各类型景观格局中连续度和形状指数对PM25影响显著，建设用地连续度越高，分布越集聚，PM25浓度越高；水体形状指数越小，形状越简单规则，越易降低PM25浓度；（3）城市整体景观格局中，景观聚集程度与景观多样性等因素对PM25浓度产生重要影响。减少景观内各类型斑块的离散分布，使各景观类型均匀分布于整体景观内，有助于降低PM25浓度。研究结果可为未来大气防治与城市规划提供参考依据。〖HJ1〗〖HJ〗〖JP+1〗     

“2+26”城市治霾方案效果评估:以山东省为案例的研究

以京津冀大气污染传输通道“2+26”城市为对象的区域性雾霾专项治理已经开展两年有余。要判断“2+26”城市治霾方案的实施是否取得了显著成效需要通过科学的实证分析加以验证。采集山东省13个内陆城市2016—2018年每日空气质量指数(AQI)、六种单项污染物(PM 2.5、PM 10、SO 2、NO 2、CO、O 3)浓度以及气象条件等数据,以其中属于“2+26”城市的7城市作为实验组,其余6城市作为对照组,基于双重差分法,对“2+26”城市治霾方案在山东省相关城市的实施效果进行评估,试图分离方案实施所带来的环境效应。结果表明:①“2+26”城市治霾方案的实施总体上有效,对污染传输通道7城市空气质量指数(AQI)指标的降低发挥了显著作用。②“2+26”城市治霾方案对污染传输通道城市的PM 2.5、PM 10、CO浓度的降低有显著贡献,但对SO 2、NO 2和O 3指标的改善贡献并不明显。③对方案进行分时段动态效应分析发现,《京津冀及周边地区2017年大气污染防治工作方案》的发布并未对污染传输通道城市空气质量改善产生立竿见影的效果,而《京津冀及周边地区2017—2018年秋冬季大气污染综合治理攻坚行动方案》《京津冀及周边地区2018—2019年秋冬季大气污染综合治理攻坚行动方案》的落实和执行才是“2+26”城市治霾方案显著见效的保障。该研究在严格遵守双重差分法前提条件的同时,还通过了一系列稳健性检验确保评估结果的可靠性。     

安庆大气颗粒物污染外来输送轨迹及源区研究

在对安庆2015~2016年大气颗粒物变化特征分析的基础上,利用HYSPLIT-4后向轨迹模式,采用气团轨迹聚类分析、潜在源贡献因子法(PSFC)和浓度权重轨迹法(CWT),研究了不同季节安庆地区外源污染物传输的路径及潜在源区。结果表明:(1)安庆市大气颗粒物质量浓度存在显著的季节变化,表现为冬季春季秋季夏季,12月份污染最重,7月份污染最轻。(2)影响安庆地区气流轨迹具有显著性季节性变化特征,夏季主要受来自南方和东南方向海洋气流影响,PM10和PM2.5的平均值较低;冬、春和秋季安庆地区受到海洋性气团和大陆性气团共同影响,且以偏西和西北路径的大陆性气团影响最为明显,受沙尘或人为排放因素的影响,对应PM10和PM2.5的平均值相对较高,颗粒物高污染时段与该2类大陆性气流轨迹输送关系密切。(3)安庆颗粒物冬季PSFC值和CWT值最大,夏季最小。PSFC和CWT值2处高值区主要分布在湖北东部、江西北部和湖南南部等带状地区,以及山西、河南中部、山东南部及安徽北部等带状区域。     

外商直接投资对中国城市雾霾(PM_(2.5))污染的时空效应检验

本文利用了1998—2012年中国241个城市的空间面板数据对中国雾霾污染和FDI的区域分布特征及空间溢出效应进行经验考察,结合系统广义矩估计(SGMM)方法构建了动态空间面板模型,采用了Moran’s I和Geary’s C指数对中国FDI与雾霾(PM_(2.5))污染空间自相关性进行了全域和局域分析。结果发现:(1)雾霾(PM_(2.5))污染与FDI存在显著的空间正相关性,证明了雾霾(PM_(2.5))污染空间的溢出效应以及FDI的辐射效应的存在。同时FDI高值集聚区域一般是雾霾(PM_(2.5))高值集聚区,FDI低值集聚区域一般是雾霾(PM_(2.5))低值集聚区,表明一个地区的引资效果和雾霾(PM_(2.5))污染在地理上的集聚密切相关。雾霾(PM_(2.5))污染表现出显著的"叠加效应"和"溢出效应",说明中国雾霾(PM_(2.5))污染在空间维度、时间维度以及时空维度上分别表现出交叉、累积、持续的演变特征。(2)全样本下,FDI对雾霾(PM_(2.5))浓度的影响表现出增促效应。FDI存量每升高1%,雾霾(PM_(2.5))浓度升高0.011%。(3)分地区样本下,东部城市FDI存量每升高1%,雾霾(PM_(2.5))浓度升高0.001 9%;中部城市FDI存量每升高1%,雾霾(PM_(2.5))浓度升高0.018 3%;而西部城市FDI存量对雾霾(PM_(2.5))浓度影响不显著。上述实证结果说明中国雾霾污染存在着显著的空间依赖性和区域异质性,FDI对中国大部分城市的雾霾污染存在显著的增促效应。     

长江经济带PM_(2.5)时空特征及影响因素研究

大气细颗粒物(PM_(2.5))因其对空气环境质量乃至人类健康的巨大危害而逐渐引起学者们的关注。本文以我国综合实力最强、战略支撑作用最为突出的区域之一——长江经济带为研究对象,基于城市级空气质量监测数据,运用地理学时空分析与GIS可视化方法探索并呈现了2015年长江经济带PM_(2.5)的时空分布特征及其演变规律;在此基础上,结合空间回归模型考察了PM_(2.5)浓度与区域城市发展之间的内在关系。结果表明,就空间特征而言,长江中下游地区PM_(2.5)污染较长江上游地区更为严重,长江北岸地区比长江南岸地区更为严重;PM_(2.5)高浓度集聚地带主要位于鄂皖苏大部分地区,与空气质量较佳的云南及其周边地区呈"对角"分布状态。长江经济带内城市间PM_(2.5)浓度存在着显著的正向空间自相关,且自相关性随距离增大而不断减弱,其门槛尺度约为900 km;在这一范围内,PM_(2.5)空间集聚效应较为明显。就时间特征而言,冬季PM_(2.5)浓度相对较高,春秋两季次之,夏季空气质量最好;各地区浓度分布在年初相对离散,后有所趋同。此外,PM_(2.5)与其他类型的大气污染物(如SO2、NO2、O3)浓度两两之间均存在着显著的正相关性,暗示大气污染物从原发污染演变为二次污染,形成恶性循环。空间回归分析结果表明,PM_(2.5)污染随经济发展水平的提高呈现先上升后下降的趋势,在一定程度上支持了"环境库兹涅兹曲线"假说;且人口密度、公共交通运输强度均在不同程度上导致长江经济带PM_(2.5)浓度的升高。最后,从区域性联防联控、不同类型大气污染物协同治理、促进经济发展方式转型等方面为长江经济带的大气环境治理提出切实可行的政策建议。     

京津冀PM_(2.5)的主要影响因素及内在关系研究

大气污染物的源排放是形成灰霾天气的内因,气象条件是形成灰霾天气的外因。本研究通过构建PM_(2.5)浓度的两段式分布滞后模型,结合自然环境因素及经济因素对PM_(2.5)的影响因素进行了综合分析。在第一段模型中构建了PM_(2.5)和大气污染物排放量的分布滞后模型,第二段模型中构建了不同的大气污染源对大气污染物排放量的影响因素模型。大气污染物排放源主要包括工业源、生活源、机动车源、集中式污染治理设施源。在工业源中,工业废气重度污染行业是大气污染物排放主要的贡献者;在生活源中,燃煤消费量对大气污染物排放影响很大,这也是冬季供暖期间PM_(2.5)剧增的原因;在机动车源中,尽管黄标车的保有量仅占汽车保有量的10%左右,但却占据了颗粒物排放量的绝大部分。利用京津冀代表性城市PM_(2.5)日度数据研究得出平均气温、平均风速、日照时数、平均气压、降雨量、平均相对湿度、沙尘暴等因素对PM_(2.5)浓度的负向与正向作用。研究发现,大气污染物排放量对PM_(2.5)浓度具有聚集的滞后效应,当期大气污染物排放量、滞后一期、滞后两期、滞后三期大气污染物对PM_(2.5)浓度具有显著的正向作用,且影响依次递减。构建的大气污染物排放量的污染源影响因素模型揭示一个地区煤炭消费量、工业废气重度污染行业工业增加值、黄标车保有量对该地区大气污染物排放量具有显著影响。本研究对优化能源消费结构和产业结构,减少空气污染物排放提出了对策建议。     

长江三角洲城市群PM_(2.5)时空演变及影响因素

科学识别PM_(2.5)的空间分异及其驱动因素,是实现区域空气污染治理的关键。以国测点日均PM_(2.5)浓度为数据来源,基于多种空间分析方法,研究长江三角洲城市群PM_(2.5)浓度的时空演变及影响因素。结果发现:(1)2013～2017年,长江三角洲城市群的PM_(2.5)年平均浓度,处于不断下降的趋势;城市间的差异,呈现逐渐减少的趋势。(2)一年中,12月份的PM_(2.5)浓度最高,8月份的PM_(2.5)浓度最低。1～12月,PM_(2.5)浓度先减后增。(3)2013年,PM_(2.5)高浓度区域主要分布在江苏省;2017年,PM_(2.5)高浓度区域主要分布在安徽省。5年间,PM_(2.5)浓度的空间重心,向安徽省转移72 km。(4)长江三角洲城市群PM_(2.5)浓度存在明显的空间自相关。存在PM_(2.5)浓度高-高值区、低-低值区"扎堆"现象,且集聚程度趋于增大。(5)影响PM_(2.5)浓度的因素包括了自然因素和社会因素。自然因素中,降雨与PM_(2.5)浓度显著相关。社会因素主要来自工业排放、交通排放和能源消耗。其中,能源消耗的影响程度最大,工业排放次之,交通排放最后。     

Fine Particulate Pollution Characteristics in Jinan City

The characteristics of fine particulate pollution(PM10and PM25)were measured at urban and suburban sites in Jinan during the 2008-2009 heating and non-heating seasons.The results showed that PM10 and PM2.5 pollution was quite serious,and PM mass concentration was higher during the heating season than the non-heating season.PM was the highest in the chemical factory and lowest in the development zone.The mass concentrations of PM10 and PM2.5 were linearly related,and the mass concentration ratio of PM2.5/PM10 was up to 0.59 in urban areas.PM pollution in Jinan was related to local meteorological factors: PM2.5 mass concentration and humidity were positively correlated,and PM2.5mass concentration was negatively correlated with both click on the temperature and wind speed,although wind speed varied more.     

基于环境承载力的京津冀雾霾治理政策效果评估

雾霾污染治理是京津冀协同发展需要解决的重大问题。2013年9月颁布的"大气污染防治行动计划(大气国十条)"明确提出了京津冀地区雾霾治理目标,各地区也制定了雾霾污染治理的政策措施。本文旨在环境承载力分析的基础上评估雾霾治理的政策效果。首先,分析了京津冀地区大气环境污染特征,并结合相关文献确定京津冀地区雾霾治理的主要影响因素为污染物排放、风力以及相邻地区的传输效应等;其次,将影响PM_(2.5)浓度主要因素进行统计建模,并采用分位数回归模型进行矫正,大大提高模型的拟合精度;再次,基于大气国十条规定的京津冀各地区的PM_(2.5)年均浓度目标计算各地区的大气环境承载力;最后,在假定风力等气象条件不变的情况下,根据大气国十条规定的京津冀地区的污染物排放量利用统计模型模拟2017年的雾霾污染水平,模拟除张家口、承德和秦皇岛以外其余10个地区年均浓度60μg/m~3和70μg/m~3目标下PM_(2.5)日均浓度发生频率的变化情况,评估和讨论大气国十条提出的京津冀雾霾治理目标。结果表明:按照大气国十条减排计划的京津冀地区污染物排放量普遍高于其PM_(2.5)浓度目标下的大气环境容量(邯郸市除外),即大气国十条所规定的减排措施难以实现既定的PM_(2.5)浓度目标;PM_(2.5)年均浓度目标从60μg/m~3上升到70μg/m~3,重污染天气发生频率上升有限,大气污染物的减排量却显著下降。因此,要实现既定的雾霾浓度控制目标,天津和河北需要进一步加大污染物减排力度;雾霾治理应注重减少重污染天气的发生频率,治理重点应转向重度雾霾发生频率较高的冬季污染物排放控制;在科学确定环境承载力的基础上,确定切实可行的PM_(2.5)浓度控制目标,制定具有可操作性的污染物减排计划。     

长三角城市群臭氧浓度的时空分异及驱动因素

运用克里金插值、空间自相关分析、冷热点分析和地理探测等定量分析方法，对长三角城市群2015~2017年O3浓度的时空分异特征及驱动因素进行了探讨。结果表明：（1）2015~2017年长三角城市群O3浓度呈上升趋势，O3日最大8 h滑动平均值第90百分位数平均浓度由149 μg/m3上升到166 μg/m3，平均超标率由9.3%上升到12.1%，以O3为首要污染物的天数占超标总天数的比例由32.3%上升到46.4%。（2）受气温和降水量年际波动的影响，各年份O3月均浓度变化曲线形状不同。但O3超标都主要发生在4~9月，超标天数分别占2015、2016、2017年的88.3%、98.2%和97.0%。（3）由于安徽O3浓度快速上升，长三角城市群O3浓度空间分布格局由东高西低演变为北高南低，且同质化增强、异质性减弱。（4）随着O3浓度的上升，O3浓度热点区由环太湖地区向南京都市圈扩展，冷点区在安徽有明显收缩。（5）地理探测表明，长三角城市群O3浓度空间分异主要受经济规模、城市化和排放源等社会经济因素驱动，且均呈正向影响。自然因素中的降水量和风速呈负向影响，分别对O3有显著的清除和扩散作用。     

Characteristics and health implications of fine and coarse particulates at roadside, urban background and rural sites in UK

Recent studies have pointed to evidence that fine particles in the air could be significant contributors to respiratory and cardiovascular diseases and mortality. Epidemiologists looking at the health effects of particulate pollution need more information from various receptor locations to improve the understanding of this problem. Detailed information on temporal, spatial and size distributions of particulate pollution in urban areas is also important for air quality modellers as well as being an aid to decision and policy makers of local authorities. This paper presents a detailed analysis of temporal and seasonal variation of PM(10) and PM(2.5) levels at one urban roadside, one urban background and one rural monitoring location. Levels of PM(10), PM(2.5) and coarse fraction of particulates are compared. In addition, particulate levels are compared with NO(2) and CO concentrations. The study concludes that PM(10) and PM(2.5) are closely related at urban locations. Diurnal variation in PM(2.5)/PM(10) ratio shows the influence of vehicular emission and movement on size distribution. This ratio is higher in winter than in summer, indicating a build-up or longer residence time of finer particulates or washout due to wet weather in winter. In the second part of this study, a disease burden analysis is carried out based on the dose-response relationships recommended by the UK Committee on the Medical Effects of Air Pollution. The disease burden analysis indicates that if Marylebone Road (MR) levels of PM(10) were prevalent all over London, it will result in around 2.5% increase in death rates due to all causes. Whereas, if Bloomsbury (BB) levels were prevalent in London, which is more likely to occur as this is more representative of the urban background environment to which people in London are likely to be exposed, the corresponding increase would be around 1.7%. Considering this, in London, at Bloomsbury levels, 973 deaths and 1515 respiratory hospital admissions (RHA) are attributable to PM(10) while 2140 RHA are attributable to NO(2). After deducting the disease burden due to background levels at Rochester (RC), PM(10) emission caused by anthropogenic activities in London equates to 273 additional deaths and 410 additional RHA, while NO(2) account for additional 1205 incidences of RHA.     

南昌市环境空气污染时空变化特征及影响因素研究

选取2014~2017年南昌市不同时间尺度AQI及主要空气污染物数据，利用GIS技术、神经网络分析、后向轨迹模型及地统计分析方法，分析了南昌市环境空气污染时空变化特征及影响因素。结果表明，南昌市近年来空气质量总体变化不大，空气质量等级以良为主，占全年比例为57%~61%。但首要污染物变化较大，即PM2.5比例显著下降，NO2和O3比例显著上升，PM10变化不大。南昌市空气污染季节变化显著，冬春季空气质量较差，以PM10、PM2.5污染为主，夏季空气质量最好，以O3污染为主。空气污染周变化以周末及周一污染较重、周四污染最轻，说明南昌市空气污染除了与群众出行习惯有关，还存在其他影响因素。南昌市空气质量日变化呈双峰型（9:00~11:00和20:00~22:00），主要受上、下班高峰期带来的交通尾气影响。南昌市空气污染空间变化呈典型的“郊区-市区”分布，其中AQI、PM10、PM2.5、SO2、NO2、CO值均以市区较高、郊区较低，而O3的空间分布规律正好相反，这主要与城区NOx排放较多，O3易与其迅速反应而消耗有关。后向轨迹聚类分析结果表明，来自本地的短轨迹气团占比高，对PM2.5、PM10、NO2、O3的影响大。气象因素上，PM2.5、PM10、NO2受相对湿度影响较大，O3受温度影响较大。