黄山顶夏季气溶胶数浓度特征及其输送潜在源区

利用轨迹聚类方法对2011年6~8月黄山光明顶的气团轨迹进行聚类分组,得到2011年夏季到达黄山顶的主要气团输送轨迹,结合黄山顶的气溶胶数浓度观测资料,分析不同类型输送轨迹与黄山顶积聚模态颗粒物数浓度的关系.利用潜在源贡献因子分析法PSCF(potential source contribution function analysis)定性分析了不同气团背景下黄山顶积聚模态颗粒物数浓度的潜在源区,最后结合浓度权重轨迹分析法CWT(concentration weighted field)定量分析不同潜在源区对黄山顶积聚模态颗粒物数浓度的贡献.结果表明,积聚模态颗粒物(0.5~1μm)数浓度约占0.5~20μm颗粒物数浓度的94.9%;黄山顶6~8月大陆气团的发生频率最高,约43.4%;影响黄山光明顶积聚模态颗粒物数浓度的潜在源区主要来自一些工业发达人口密集的城市群:湖北东部、安徽中部、河南、江西境内、两广交界处、湖南南部以及浙江北部地区.而垂直方向上,来自西北和西南方向高度约2~5km的自由对流层气团对黄山顶积聚模态粒子数浓度贡献较大.     

石家庄大气污染物输送通道及污染源区研究

为探索石家庄的区域输送规律,确定主要污染源区,利用HYSPLIT(Hybrid Single Particle Lagrangian Integrater Trajectory)后向轨迹模式和NCEP的GDAS全球气象要素数据,对2013—2016年从不同高度上抵达石家庄地区的逐日72 h气流后向轨迹进行聚类分析,并结合石家庄逐小时颗粒物污染物浓度数据,分析石家庄PM2.5的潜在源贡献因子(WPSCF)和浓度权重轨迹(WCWT).结果表明,(1)石家庄PM2.5浓度具有明显单峰谷日变化,秋冬季与春夏季峰谷值出现时间不同;(2)近地层大气污染输送路径以近距离,移速慢的轨迹为主,轨迹较短的路径所占比例在40%以上.除夏季外,近距离输送路径均存在螺旋转向,在后向48~36 h内轨迹端点到达河北省内,转为东向和南向输送.(3)大气污染输送通道的垂直分布特征表明,输送轨迹中低于500 m高度的轨迹点占28.7%,高于1000 m低于3000 m高度的轨迹点占36.1%,高于3000 m高度的轨迹点占25.3%.低层多以近距离输送为主,高度越高,近距离输送轨迹的频率越低.500 m高度输送通道仍以近距离输送为主,并存在螺旋转向,1500 m高度以上多远距离输送.(4)石家庄PM2.5的主要污染源区范围较小.途径河北中南部、河南北部、山东西部和山西中北部地区的轨迹对石家庄PM2.5的污染贡献最大.     

基于后向轨迹模式的豫南地区冬季PM2.5来源分布及传输分析

为研究2017年12月—2018年2月冬季不同来源区域对豫南地区ρ（PM_2.5）的贡献影响及污染特征,利用HYSPLIT-4后向轨迹模式模拟了豫南地区冬季24 h的气团后向轨迹,结合ρ（PM_2.5）在线监测数据进行了聚类分析,研究了以豫南地区为受点的各月份PM_2.5不同轨迹的输送特征,并使用潜在源贡献（PSCF）分析法和浓度权重轨迹（CWT）分析法识别了豫南地区冬季PM_2.5的潜在贡献源区及贡献大小.结果表明:①信阳市空气质量最好,其次为驻马店市,南阳市空气质量最差;南阳市、信阳市和驻马店市ρ（PM_2.5）分别超过GB 3095—2012《环境空气质量标准》二级标准限值（75 μg/m3）的1.5、1.2和1.2倍,ρ（PM_2.5）日变化均呈双峰特征.②后向轨迹聚类分析表明,豫南地区主要受到来自西北和东北方向长距离传输和正南方向较短距离输送的影响.③潜在源区分析表明,除豫南地区及周边市县本地污染贡献外,冀鲁豫交界区域、陕鄂交界区域、陕西省中西部、湖北省东北部和西部、河南省中北部、山东省南部是影响豫南地区ρ（PM_2.5）的主要潜在源区.研究显示,豫南地区PM_2.5污染过程除了与地形条件、本地污染源排放有关外,来自东北、西北传输通道城市的远距离输送和南部的近距离传输也不容忽视.      

太原市大气PM2.5季节传输路径和潜在源分析

为了研究太原市大气PM_2.5不同季节的传输路径和污染源区,利用HYSPLIT后向轨迹模型和NCEP的GDAS全球气象要素数据,对2017~2018年不同季节太原市逐日48h气流后向轨迹进行聚类分析,同时结合小时污染物质量浓度数据,分析不同季节太原市PM_2.5的潜在源贡献因子（WPSCF）和浓度权重轨迹（WCWT）.结果表明,太原市PM_2.5的质量浓度在季节上呈现冬季（77.56μg/m³） > 秋季（69.89μg/m³） > 春季（63.78μg/m³） > 夏季（45.51μg/m³）的变化趋势.PM_2.5与SO₂、NO₂和CO之间存在明显的同源性和二次转化过程.春、秋和冬季大气传输路径主要以西和西北方向近距离、慢移速的轨迹为主,夏季以南和东方向轨迹为主.PM_2.5潜在源区季节变化明显：夏季主要受太原本地和晋中地区的影响;春、秋和冬季主要受陕西中北部、吕梁、临汾和晋中等地的影响.     

基于多站混合受体模型的临汾市PM2.5潜在源分析

利用重污染城市临汾多个站点2018~2019年的PM_2.5浓度监测数据,分析了不同季节临汾市PM_2.5污染特征及其空间自相关度和集聚模式,最后引入多站受体模型分析临汾市PM_2.5潜在源区.研究发现,临汾市的PM_2.5污染主要集中在临汾盆地内的8个区县,包括尧都、襄汾、洪洞、霍州、侯马、古县、曲沃和翼城,这8个区县的PM_2.5年平均浓度均超过50μg/m³,冬季平均浓度均超过100μg/m³.PM_2.5空间分布特征与地形关系密切,临汾盆地内的8个站点空间自相关度很高,PM_2.5高浓度区（高-高聚类）主要集中在盆地内部,说明邻近区县污染是临汾市主城区PM_2.5浓度居高不下的重要原因.结合多站混合受体模型（MS-PSCF和MS-CWT）分析临汾PM_2.5潜在源区,发现临汾市春季的潜在源主要集中在东北、西南和东南部,大部分为中远距离传播;在夏季,潜在源影响明显低于其他3个季节,主要在东部;秋季的潜在源主要集中在西南方向的一些地区;冬季的潜在源主要集中在东南和西南方向以及临汾市北部近距离区域.除夏季外,其他3季共同的潜在源区是陕西中南部地区（位于西南方向）,且PSCF值均超过了0.7,说明在西南风时,临汾市发生污染的概率超过70%.     

2019年秋冬季京津冀与周边地区污染传输特征分析

本研究结合大气环境观测数据,应用潜在源分析法(PSCF)和浓度权重轨迹分析法(CWT),以及基于WRF-CMAQ模式的传输矩阵和传输通量计算方法,研究分析了2019年秋冬季京津冀典型城市的大气污染特征与成因,量化评估了京津冀地区与周边省份之间的PM_2.5传输贡献.结果表明,京津冀地区冬季较秋季污染严重,且重污染时段PM_2.5浓度均与相对湿度呈显著的正相关,和风速呈显著的负相关;京津冀典型城市北京、天津和石家庄的潜在源区主要分布在京津冀本地、山西、内蒙古中部地区和山东地区,这与CWT结果基本吻合.京津冀各省域的PM_2.5以本地排放贡献为主,北京、天津和河北的本地贡献率范围为54.33%~66.01%,京津冀受区域外传输的贡献率范围为0.11%~26.54%.传输通量结果表明,冬季PM_2.5的传输主要受高空西北气流的作用,尤其清洁天气,高风速驱动清洁气团流入;秋季则主要受低空东南气流作用;传输通量呈现出显著的垂直分布特征,高空区域传输作用更为活跃,传输通量的流入/流出以及垂直分布与污染级别和RH呈现非线性响应关系,主导风向变化导致重污染前的传输效应明显大于重污染期间,高湿环境的传输效应明显小于低湿环境.     

南京市大气PM2.5时空分布特征与潜在源区贡献分析

对2017年南京市区7个自动空气质量监测点的PM_(2.5)质量浓度ρ(PM_(2.5))数据进行分析,采用克里金(Kringing)空间插值法、气流运动轨迹聚类、潜在源贡献因子法(PSCF)和浓度权重轨迹分析法(CWT)探讨了四季大气中ρ(PM_(2.5))的时空分布特征和潜在来源。结果显示,四季大气中ρ(PM_(2.5))均值由高到低依次为冬季(65. 54μg/m~3)、春季(41. 70μg/m~3)、秋季(35. 18μg/m~3)和夏季(23. 56μg/m~3),秦淮区四季大气中ρ(PM_(2.5))均最高。春季南京大气中ρ(PM_(2.5))易受黄海海岸和北方大陆性输送气流的影响,来自黄海方向的气流轨迹2贡献比例达51. 65%,对应的ρ(PM_(2.5))为50. 91μg/m~3;夏季南京大气中ρ(PM_(2.5))主要受江苏、东部海洋和南部沿海城市输送气流的影响,其中源自江苏的气流轨迹1对南京大气PM_(2.5)贡献比例最大(33. 64%),气流轨迹对应的ρ(PM_(2.5))为35μg/m~3;秋季南京大气中ρ(PM_(2.5))易受短距离的偏北气流影响,来自山西南部,河南中部、安徽中部的气流轨迹5对应的ρ(PM_(2.5))最高,出现概率(21. 11%)和贡献比例(27. 81%)均较高;冬季南京大气中ρ(PM_(2.5))主要受北方大陆性输送气流影响,来自俄罗斯、蒙古国东部、河北北部、北京、天津、山东中部的长距离气流轨迹4对应的ρ(PM_(2.5))最高,达109. 8μg/m~3,其贡献比例为26. 86%。PSCF和CWT分析发现,安徽、山东、浙江与江苏交界和黄海海岸是影响南京市空气质量的主要潜在源区,此外,湖北、北京、天津以及渤海海岸也是南京大气PM_(2.5)的潜在源区。     

A forest pathogen drives change in plant functional trait composition in the Southwest Australian Floristic Region

Plant functional traits weighted by cover-abundance have been used to measure change across a wide range of temperature, moisture and grazing gradients. We use this approach along a chronosequence of disease infestation (Phytophthora cinnamomi) in the species-diverse Banksia woodlands of the Southwest Australian Floristic Region (SWAFR). We compare the use of absolute (community-weighted totals-CWT) and relative cover data (community-weighted means-CWM) to demonstrate the importance of total cover change in reference to the Mass Ratio Hypothesis.Plant species cover-abundance was recorded along a space-for-time disease chronosequence, and functional trait data collected for the 48 dominant species from healthy vegetation. Six traits with deduced links to key ecosystem functions were measured for each species and values for two indices (CWT and CWM) compared along the disease chronosequence. Trait data was collected on plant height, growth form, specific leaf area, leaf dry matter content, root pattern and carbohydrate storage.Despite substantial shifts in individual species cover and a reduction in total species cover, the majority of CWM values did not change significantly following disease infestation. The use of relative cover-abundance data disregards important changes in total species cover, apparent from our comparative analysis. In contrast to CWMs, all CWT values were reduced following disease infestation, suggesting a potential reduction in productivity, reduced capacity as a carbon sink and altered site water balance. Verification of these potential changes in ecosystem functions is required using fine-scale quantitative techniques. The CWT index is complementary to traditional CWMs and useful when analysing changes in plant trait data where total species cover changes have been detected. In relation to P. cinnamomi infestation, shifts in CWT trait values indicate the ability of an introduced plant pathogen to have substantial indirect impacts beyond substantial floristic change.     

Identification of long-range transport pathways and potential sources of PM2.5 and PM10 in Beijing from 2014 to 2015

Trajectory clustering, potential source contribution function (PSCF) and concentration-weighted trajectory (CWT) methods were applied to investigate the transport pathways and identify potential sources of PM_2.5 and PM₁₀ in different seasons from June 2014 to May 2015 in Beijing. The cluster analyses showed that Beijing was affected by trajectories from the south and southeast in summer and autumn. In winter and spring, Beijing was not only affected by the trajectories from the south and southeast, but was also affected by trajectories from the north and northwest. In addition, the analyses of the pressure profile of backward trajectories showed that backward trajectories, which have important influence on Beijing, were mainly distributed above 970 hPa in summer and autumn and below 950 hPa in spring and winter. This indicates that PM_2.5 and PM₁₀ were strongly affected by the near surface air masses in summer and autumn and by high altitude air masses in winter and spring. Results of PSCF and CWT analyses showed that the largest potential source areas were identified in spring, followed by winter and autumn, then summer. In addition, potential source regions of PM₁₀ were similar to those of PM_2.5. There were a clear seasonal and spatial variation of the potential source areas of Beijing and the airflow in the horizontal and vertical directions. Therefore, more effective regional emission reduction measures in Beijing''s surrounding provinces should be implemented to reduce emissions of regional sources in different seasons.     

川南自贡市大气颗粒物污染特征及传输路径与潜在源分析

川南自贡市大气颗粒物污染比较严重, 2015～2018年PM_(10)和PM_(2.5)平均浓度分别为(95.42±9.53)μg·m~(-3)和(65.95±6.98)μg·m~(-3),并有明显的下降趋势,冬季PM_(10)和PM_(2.5)浓度远高于其它季节, 1月平均浓度最高,分别为(138.08±52.29)μg·m~(-3)和(108.50±18.05)μg·m~(-3),夏季平均浓度最低.PM_(2.5)与PM_(10)的平均比值为69.12%,冬季比值约为夏季的1.17倍,空气污染以PM_(2.5)为主.采用拉格朗日混合单粒子轨迹模型(HYSPLIT)和全球资料同化系统的GDAS气象数据,对自贡市细颗粒物(PM_(2.5))浓度和逐日72 h后向轨迹进行计算和聚类研究,利用潜在源贡献分析法(PSCF)和浓度权重轨迹分析法(CWT),探讨不同季节影响自贡市PM_(2.5)浓度的潜在源区以及不同源区的污染贡献.结果表明,自贡市近地面四季多受东南风、偏西风和西北风控制,高浓度PM_(2.5)多出现在0～2 m·s~(-1)的低风速区;不同季节、不同输送路径对自贡PM_(2.5)污染影响的差异显著,春季主要受到来自偏西和偏北方向短距离输送气流的影响,夏季污染轨迹主要来自短距离输送的东南气流,秋季主要受来自资阳,经遂宁、重庆和内江的短距离输送气流的影响,冬季除受到资阳、遂宁和内江等周边城市的影响外,还受到来自西藏中部的远距离输送气流影响;除夏季外,自贡市潜在源区主要位于重庆西部与川南交界区域,冬季的主要贡献区范围最广、贡献程度最大,夏季潜在源区范围最小且贡献程度最弱.