我国城市冬季PM2.5空间特征及其人为影响因子

以我国114个城市冬季(2013年12月-2014年2月)公布的PM25数据为基础,结合其他相关数据,运用空间自相关分析、克里格插值法和逐步回归分析法,研究我国冬季PM2.5浓度空间分布差异及其影响因素.结果显示,研究期间PM2.5在空间分布上具有高值集聚、低值集聚和高值邻域的低值集聚的变化特征,全局自相关系数Moran's I为0.27.PM2.5浓度分布由北到南、从内陆到沿海具有先升高后逐渐降低的变化趋势,高浓度区域主要集中在华北平原、长江中下游平原和陕西关中平原等地区,这些区域的冬季PM2.5平均质量浓度都达到150 μg·m-3以上,最高达250 μg·m-3.多因子逐步回归分析结果表明,人为活动对我国高浓度PM25(＞150μg·m-3)分布影响显著,对低浓度PM2.5(≤75μg·m-3)分布影响不显著.市辖区人口密度和第二产业GDP是显著影响我国高浓度PM2.5分布的主要人为影响因子.市辖区建成区面积、全市年末总人口和市辖区道路面积等是影响我国城市间PM2.5浓度分布差异的主要人为影响因子.     

北京10个常绿树种颗粒物吸附能力研究

大气中颗粒物PM(particulate matter)不仅造成环境污染,还对人体造成严重的危害.城市绿色植物作为大气过滤器,能够有效地提高城市空气质量,保护人体健康.因此了解不同树种对空气颗粒物的吸附滞纳作用是必要的.以北京植物园10种常绿植被为研究对象,应用空气气溶胶再发生器(QRJZFSQ-I)测定了北京市常见6种乔木和4种灌木叶片对空气总悬浮颗粒物(TSP)、PM10、PM2.5和PM1.0的吸附能力.结果表明:1不同树种叶片表面附着颗粒物的能力差异明显,最高的是雪松(Cedrus deodara)和油松(Pinus tabuliformis),吸附量分别是(18.95±0.71)μg·cm-2和(14.61±0.78)μg·cm-2,冷杉(Abies fabri)最小,为(8.02±0.4)μg·cm-2;2不同树种叶片单位面积对不同颗粒物的附着能力也存在差异,附着PM10能力最强的是油松和雪松,附着PM2.5能力最强的是雪松、铺地柏(Juniperus procumbens)、龙柏(Juniperus chinensis cv.kaizuka)和油松,附着PM1.0能力最强的是雪松、铺地柏、冷杉和油松;3不同月份叶片上附着的各粒级颗粒物(PM10、PM2.5)占TSP的比例不同.其中PM10在4~6月之间主要表现两种变化趋势,一是先上升后下降,主要为灌木树种;二是逐渐上升,主要的树种是乔木树种.而PM2.5则没有这种明显的变化趋势.     

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.     

可燃物化学性质对燃烧释放PM2.5元素成分的影响

通过自主设计的燃烧装置,对云南省6种典型乔木树种的不同器官(枝、叶、皮)室内模拟阴、明燃两种燃烧过程,收集燃烧排放颗粒物(PM_2.5)并测定K、Mg等8种元素排放因子,比较不同燃烧状态释放PM_2.5中元素含量的差异,同时分析各元素排放因子与可燃物自身元素含量之间的相关性.结果表明:可燃物中K、Mg和Ca元素含量较高,范围为(137.74~4670.70) mg/kg,微量元素Mn含量突出;阔叶可燃物元素含量普遍高于针叶,器官间元素含量差异显著;燃烧释放PM_2.5中K、Na元素排放因子较高,范围为(0.4269~4.9321)~(0.6311~3.0856) mg/kg,微量元素Zn较高、Cu最少,范围为(0.0409~0.3670)~(0.0029~0.0458) mg/kg,常量元素高于微量;树种间元素排放因子表现针叶高于阔叶,器官间较可燃物自身差异增大;燃烧状态对排放因子存在影响,常量元素普遍表现为明燃>阴燃,微量元素无明显规律;PM_2.5与可燃物各元素含量比值中,Na元素最高,其余元素占比普遍0~1%范围,微量元素含量比高于常量,针叶高于阔叶;可燃物的化学性质对其排放特性影响显著,可燃物与PM_2.5的元素间相关性较高,相关水平普遍达0.600以上,器官间不同元素相关水平表现为:常量元素普遍高于微量元素,针叶略高于阔叶,叶>皮>枝,明燃高于阴燃.     

城市内部尺度PM2.5传输关联方法研究—以北京市为例

基于数据驱动思想,以城市内部环境空气质量监测站点为研究对象,建立了目标站点与周边站点间PM_2.5浓度、风向、风速、欧几里得距离等参数的多元线性关联回归模型,使用梯度下降算法学习得到各参数权重系数,计算得出周边站点对目标站点PM_2.5传输贡献,并评估了模型的可行性.以北京市丰台花园（FT）为目标站点的应用研究结果显示,2016年FT站点PM_2.5浓度为82μg/m³,周边站点大兴（DX）、房山（FS）、亦庄（YZ）、东四环（DS）、古城（GC）和万柳（WL）浓度分别为93,82,80,79,77,71μg/m³;FT站点PM_2.5浓度与上一时刻周边站点WL、GC、DX、YZ的相关性分别为0.634、0.631、0.608和0.601,显示其对FT站点PM_2.5污染传输显著;建立的4个季节关联回归模型RMSE值分别为13.22、11.74、12.51和13.22,PM_2.5模拟浓度与监测浓度变化趋势一致,验证了模型的可行性;WL、DX、YZ、GC分别是对应春、夏、秋、冬4个季节对FT站点PM_2.5污染传输贡献较大的站点,其贡献值分别为1.61%、1.71%、2.20%和8.57%.该模型解析的结果可为北京市未来城市规划、建设提供依据,提出的PM_2.5传输多元线性关联回归方法同样可用来解析其他城市内部尺度PM_2.5传输关联,为挖掘城市内部PM_2.5传输路径、精准溯源提供基础.     

PM2.5与O3协同控制视角下深圳市工业VOCs源谱特征

选取深圳8类典型工业行业开展VOCs样品采集,检测分析了100种VOCs组分,从PM_2.5和O₃协同控制的角度分析了不同污染源的成分谱特征和对环境的影响.结果表明：加油站源谱组成以烷烃（48.4%）占主导,OVOCs （27.6%）占比突出,乙酸乙酯（14.1%）、异戊烷（13.0%）、正戊烷（12.0%）为其优势排放物种;涂料制造、胶黏剂生产、油墨制造、化工制品、纺织印染、医药制造行业排放组成均以OVOCs （42.3%~97.1%）占主导,丙酮为大多数行业的优势物种,且乙腈在部分行业中占比突出.垃圾发电行业以OVOCs （33.9%）和卤代烃（28.3%）占主导,乙醛（13.4%）、丙酮（11.0%）、一氯甲烷（6.1%）为该行业排放的优势物种.以PM_2.5和O₃协同控制为导向,芳香烃和烯烃是储存运输源需要控制的重点;OVOCs和芳香烃都应成为工艺过程源和废弃物处理源控制的关键.涂料制造行业的源反应活性SR_O3和SR_SOA值分别为6.0g/g和1.2g/g,削减单位质量排放的VOCs所减少的PM_2.5和O₃生成潜势最多,应成为深圳市PM_2.5和O₃协同控制下的优先控制行业.     

人为排放及气象因素对空气质量影响的定量分析——以疫情期间邢台市为例

选择河北省邢台市作为研究对象,将2020疫情作为一个极限管控措施下的极限减排实验情景,把2021疫情作为未来常态化疫情防控实验分析情景.与疫情前期对比,两次疫情期间臭氧浓度均有提升且2021疫情时期颗粒物浓度同样有提高,2020疫情时期其他污染物浓度均有不同程度的改善,而与2019历史同期相比,两次疫情期间臭氧浓度同样有升高现象,除此以外,2021疫情时期污染物改善较好.利用长短期记忆网络（LSTM）算法和空气质量预报模式系统（WRF-CMAQ）量化了两次疫情时期气象因素对于污染物浓度变化的影响,根据空气质量模拟法反推了不同污染物受人为影响的浓度变化.实验结果表明,LSTM算法在两次疫情期间的模拟均显示人为影响对污染物产生了负影响（降低了污染物浓度）且在总变化影响中占比较高,而CMAQ模式模拟结果中的气象因素影响占比远高于LSTM算法.CMAQ模式在两次疫情模拟中表现出了不同的结果,在2020疫情中人为影响占据了主导,而在2021疫情中,相比较2020疫情时期,除NO₂外,人类活动对其他污染物的影响均为正值（促进了污染物浓度升高）.     

2016~2020年上海市PM2.5化学组成特征和来源解析

2016~2020年在上海市区和郊区的6个点位开展了颗粒物系统性观测研究,分析了PM_2.5的质量浓度以及水溶性离子、有机碳/元素碳、无机元素等化学组分,并利用正矩阵因子分解模型对PM_2.5的来源进行了解析。结果表明,上海PM_2.5浓度水平呈现下降趋势,年均质量浓度依次为46,43,37,40,39μg/m³,表现为冬高夏低,西高东低的时空分布特征。有机物在PM_2.5中占比最高(30%~32%),不同年份和季节间的差异较小。二次无机离子(硫酸盐、硝酸盐和铵盐)的区域性特征明显,其中硝酸盐的占比在5a间升高最多,且在冬季污染过程中起到了关键作用。解析得到PM_2.5的来源有9类,分别为二次硝酸盐(30.6%)、二次硫酸盐(20.7%)、机动车(12.6%)、工业(8.0%)、生物质燃烧(7.7%)、扬尘(6.5%)、燃煤(5.8%)、海盐(4.8%)和船舶(3.2%)。机动车和船舶等移动源、秸秆焚烧和烟花爆竹燃放等生物质燃烧源的贡献浓度在研究期间呈现下降趋势,体现了相关治理措施的管控效果。     

Water-soluble matter in PM2.5 in a coastal city over China: Chemical components, optical properties, and source analysis

Although marine and terrestrial emissions simultaneously affect the formation of atmospheric fine particles in coastal areas, knowledge on the optical properties and sources of water-soluble matter in these areas is still scarce. In this work, taking Qingdao, China as a typical coastal location, the chemical composition of PM_2.5 during winter 2019 was analyzed. Excitation-emission matrix fluorescence spectroscopy was combined with parallel factor analysis model to explain the components of water-soluble atmospheric chromophores of PM_2.5. Our analysis indicated that NO₃⁻, NH₄⁺ and SO₄²⁻ ions accounted for 86.80% of the total ion mass, dominated by NO₃⁻. The ratio of [NO₃⁻]/[SO₄²⁻] was up to 2.42 ± 0.84, suggesting that mobile sources play an important role in local pollutants emission. The result of positive correlation between Abs₃₆₅ with K⁺ suggests that biomass burning is an important source of water-soluble organic compounds (WSOC). Six types of fluorophores (C1-C6), all humic-like substances, were identified in WSOC. Humification index, biological index and fluorescence index in winter were 1.66 ± 0.34, 0.51 ± 0.44 and 1.09 ± 0.78, respectively, indicating that WSOC in Qingdao were mainly terrestrial organic matters. Overall, although the study area is close to the ocean, the contribution of terrestrial sources to PM_2.5, especially vehicle exhaust and coal combustion, is still much higher than that of marine sources. Our study provides a more comprehensive understanding of chemical and optical properties of WSOC based on PM_2.5 in coastal areas, and may provide ground for improving local air quality.     

Distribution and transport characteristics of fine particulate matter in beijing with mobile lidar measurements from 2015 to 2018

Accurately quantifying the concentration and transport flux of atmospheric fine particulate matter (PM_2.5) is vital when attempting to thoroughly identify the pollution formation mechanism. In this study, the mobile lidar measurements in Beijing on heavily polluted days in December from 2015 to 2018 are presented. The lidar was mounted on a vehicle, which could perform measurements along designated routes. On the basis of mobile lidar measurements along closed circuits of the 6th Ring Road around Beijing, the spatial distribution and transport flux of PM_2.5 in Beijing were determined with information of wind field. In the spatial distribution, both the concentration and transport of PM_2.5 were revealed to be more significant in the southern section of Beijing. The regional transport layer at heights < 1.3 km plays an important role in pollution formation. The maximum transport flux reached 1600 μg/(m²*sec) on 11 December 2016. With the aerosol boundary layer height determined from the image edge detection (IED) method, the inter-annual variations of the aerosol boundary layer height (ABLH) were also analysed. The ABLH decreased from 0.73 to 0.46 km during the same heavy pollution period from 2015 to 2018. Increasingly adverse aerosol boundary layer (ABL) meteorological factors, including lower ABLH, light winds, temperature inversions, and accumulated moisture, have become necessary for pollution formation in Beijing.