“2+26”城市PM2.5与气象因子的尺度依存关系及影响因素分析

基于"2+26"城市的PM_2.5浓度和气象数据，通过连续小波变换（CWT）和离散小波变换（DWT）分析PM_2.5时间序列的变化，利用小波相干（WTC）和多小波相干（MWC）量化PM_2.5与单个、多个气象因子在时频域中的响应关系，并结合偏小波相干（PWC）定量评估大气遥相关因子对响应关系的影响.结果表明：①"2+26"城市的PM_2.5浓度具有中间高、外围低的空间分布特征.PM_2.5突变事件主要发生于气象条件稳定的冬季，并且集中在2018年以前.256~512 d的年尺度周期特征较稳定，同时也是PM_2.5时间序列的主导周期.②PM_2.5与气象因子的相干性取决于时频尺度和变量组合.在所有时频尺度上，PM_2.5与相对湿度、温度的相干性较强；在小、中时频尺度上，PM_2.5与风速相干性较强；在大时频尺度上，PM_2.5与温度的相干性较强.降水、温度和相对湿度的组合可作为解释PM_2.5在所有时频尺度上变化的最佳变量组合.③时频尺度不同，大气遥相关因子对响应关系的增强/削弱作用不尽相同.在所有时频尺度上，厄尔尼诺-南方涛动（ENSO）对PM_2.5与降水、温度之间响应关系的影响较大，太平洋年代际涛动（PDO）对PM_2.5与相对湿度、风速之间响应关系的影响较大.结果可为区域大气污染治理提供参考.     

中国三大城市群PM2.5浓度非线性变化分析

以三大城市群为研究区,基于PM_2.5浓度数据,利用ITA和Beast方法定量分析PM_2.5时间序列的非线性变化过程.结果表明：①三大城市群PM_2.5污染程度下降明显,高浓度区域明显缩小;PM_2.5浓度空间极化程度降低,空间差异缩小.大多数地区的PM_2.5浓度都具有下降的趋势,但变化程度并不相同.京津冀PM_2.5浓度相较于长三角和珠三角,仍处于较高水平.②三大城市群PM_2.5浓度具有冬春季高、夏秋季低的季节变化特征.冬季与夏季PM_2.5浓度差异明显, PM_2.5浓度在夏季的收敛性大于冬季.PM_2.5浓度高的区域下降趋势明显,但珠三角的PM_2.5浓度下降趋势相较于长三角和京津冀不明显.③三大城市群PM_2.5浓度时间序列均具有显著下降趋势,且京津冀>长三角>珠三角;PM_2.5浓度在冬季下降趋势最大.PM_2.5污染等级越高,下降趋势越明显.④京津冀PM_2.5浓度时间序列趋势分量具有两个突变点,季节分量中具有一个突变点;长三角PM_2.5浓度时间序列的趋势分量和季节分量均无突变点;珠三角PM_2.5浓度时间序列的季节分量无突变点,趋势分量具有一个突变点.结果可为区域空气污染治理相关工作的开展提供科学的参考.