北京市气温与黑碳和PM2.5对疾病死亡影响的交互效应

通过收集北京市2010~2016年逐日呼吸和心脑血管疾病死亡数据、污染物（BC、PM_2.5、SO₂、O₃和NO₂）日均浓度资料以及同期的气象资料,采用广义相加模型（GAMs）中的主效应模型、非参数二元响应模型和温度分层模型探讨了北京市气温、PM_2.5和BC单效应,以及气温与PM_2.5和BC交互作用分别对呼吸和心脑血管疾病死亡人数的影响.单效应分析结果表明,气温与两种疾病死亡人数的累计暴露-反应关系均呈“J”型分布特征,最适温度为24℃;累计滞后一天情况下PM_2.5和BC的健康效应均最显著,此时PM_2.5和BC浓度每升高四分位间距（IQR）,呼吸系统疾病死亡人数超额增加百分比（ER）分别为2.21%和1.80%,心脑血管疾病死亡人数ER分别为2.02%和1.48%.交互作用的研究结果表明,高温与高浓度的PM_2.5（或BC）对疾病死亡的影响存在协同效应,且高温条件下BC对疾病死亡影响的健康风险大于PM_2.5,当气温大于24℃时,BC和PM_2.5浓度每升高IQR对应的呼吸系统疾病死亡人数ER分别为6.22%和6.17%,心脑血管疾病死亡人数ER分别为5.01%和3.97%.虽然BC只占PM_2.5的一部分,但BC对人群健康的影响不容忽视,应该引起足够的重视.     

西南涡对气溶胶光学厚度变化特征的影响研究

为研究西南涡对气溶胶光学厚度(AOD)的影响,本研究利用2008—2010年的西南涡个例数据与对应时间段的中分辨率成像光谱仪(MODIS)卫星遥感观测AOD数据,并结合降水量、风速、相对湿度、温度等气象资料进行了分析研究.结果发现,2008—2010年产生干涡31个,强降水涡29个,弱降水涡26个.总体而言,干涡过境后使AOD增加而降水涡过境后使AOD减少,且弱降水涡比强降水涡削减作用强.春季产生的西南涡对AOD的影响最大,夏季产生的干涡过境后会使AOD减少,夏季的弱降水涡过境后会使AOD增加.不同季节产生的不同类型西南涡过境后致使AOD变化的主导气象因子不同.总体而言,较大的风速对AOD具有显著的削减作用;干涡中较小的风速、温度和相对湿度是使AOD增加的主要因素;弱降水涡中较大的风速和产生的降水是使AOD减少的主要因素,但夏季产生的弱降水涡中影响AOD的主要因素是风速、温度和湿度;强降水涡中无明显的主导因素.     

四川盆地多层逆温特征及其对大气污染的影响

利用2015~2018年探空观测资料以及国家生态环境部发布的环境空气质量监测数据,对四川盆地多层逆温这一特殊的、尚未见详细报道的逆温结构进行了研究,并评估不同逆温类型及垂直结构对大气污染的影响.结果表明：四川盆地多层逆温实际上是一种并不少见的现象,年平均出现频率为20.1%.冬季最为频发,成都冬季高达51.6%.以边界层逆温叠加对流层低层逆温（LTI）的配置为主要特征.依据其垂直结构,划分为四种配置类型,即贴地逆温（SI）叠加脱地逆温（EI）、SI+LTI、EI+LTI、SI+EI+LTI,分别对应第I、Ⅱ、Ⅲ、IV类多层逆温.其中以第Ⅱ、Ⅲ类多层逆温为主.逆温的叠加作用对大气污染的影响更大,多层逆温（特别是第Ⅱ、IV类多层逆温）尤其加大了中度及重度污染出现的可能性.第I、IV类多层逆温对污染物扩散的抑制作用最为明显,其次是第Ⅱ类多层逆温和仅SI（即只出现SI）.第Ⅱ类多层逆温在污染最重的冬季出现频率高、强且厚,叠加抑制作用明显,应是重点关注对象.     

成都市气温与PM2.5和O3交互作用对疾病死亡人数的影响研究

利用成都市2014~2016年逐日呼吸系统疾病和心脑血管疾病死亡资料、同期气象资料和PM_2.5日均浓度和每日臭氧最大8h平均浓度（O₃）资料,采用分布滞后模型以及广义相加模型中的独立效应模型、非参数二元响应模型和温度分层模型探究了成都市气温、PM_2.5和O₃单效应,以及气温与PM_2.5（或O₃）交互作用对当地呼吸和心脑血管疾病死亡人数的影响.单效应分析结果表明,气温与两种疾病死亡人数的累计暴露-反应关系均呈反“J”型分布,最适温度在22.2℃,该温度对应的疾病死亡人数最少;累积滞后1d的PM_2.5（或O₃）对应的健康风险最大,此时,PM_2.5和O₃浓度每升高10μg/m³,呼吸系统疾病死亡风险分别增加0.58%和0.54%,心脑血管疾病死亡风险分别增加0.35%和0.66%.分季节研究结果表明,PM_2.5对两种疾病死亡影响的健康风险冬季最高,而O₃的健康风险在秋季最显著.交互作用的研究结果表明,高温与高浓度的PM_2.5（或O₃）对疾病死亡的影响存在协同放大效应,当气温高于22.2℃时,PM_2.5和O₃浓度每升高10μg/m³,对应的呼吸系统疾病死亡风险分别增加2.30%和1.14%,心脑血管疾病死亡风险分别增加1.09%和1.03%.研究结果提示O₃对人群健康的影响也不容忽视,应该引起足够的重视.     

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.