北京市PM2.5污染特征 、来源分析及其重金属健康风险评价

分析了2016年北京市的PM_(2.5)及其中的Zn、Pb、Mn、Cu、Cr、As、Ni、Cd、Sb、Co、V、Ba、Al、Fe、Mg、Ti、Ca、S 18种元素含量,并对重金属As、Cr、Pb、Cd、Ni、Mn、Cu和Zn进行了相应的健康风险评价。结果表明:PM_(2.5)质量浓度为14.63～206.35μg/m~3,年平均值为74.00μg/m~3,超过《环境空气质量标准》(GB 3095—2012)二级标准(35μg/m~3)1倍多;PM_(2.5)中S、Zn、Sb、Pb和Cd的富集程度较高,主要来源于机动车尾气排放、燃煤和工业活动;Mn、Pb、Cr、Zn、Cu、As、Cd、Ni 8种重金属对儿童、成人女性、成人男性的非致癌总风险均小于1,不存在非致癌风险;As、Cd、Cr和Ni 4种重金属的致癌风险为1.94×10~(-7)～6.04×10~(-5),均小于10~(-4),部分重金属可能存在潜在致癌风险,主要是As和Cr存在潜在致癌风险。     

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〗     

2016—2017年武汉市城区大气PM2.5污染特征及来源解析

利用2016年1月至2017年9月湖北省环境监测中心站大气复合污染自动监测站的在线监测数据，对武汉市城区PM_2.5的污染特征及主要来源进行解析。结果表明，武汉市城区PM_2.5质量浓度呈现出明显的季节差异，季节变化规律为冬季>春季>秋季>夏季。水溶性离子的主要成分SO₄^2-、NO₃^-和NH₄⁺占总离子质量浓度的82.0%。PM_2.5中阴离子相对阳离子较为亏损，颗粒整体呈碱性。夏季气态污染物的氧化程度较高且SO₂较NO₂氧化程度高。后向轨迹分析结果表明，区域传输是武汉市PM_2.5的一个重要来源，在4个典型重污染阶段，武汉市分别受到局地、东北、西北及西南方向气团传输的影响。PMF模型解析出武汉市PM_2.5五大主要来源及平均贡献率：扬尘22.0%、机动车排放27.7%、二次气溶胶21.6%、重油燃烧14.9%和生物质燃烧13.8%。     

基于SHERPA的环境空气质量减排情景模拟评估

分析了SHERPA综合评价模型的基本原理和主要建模理念,重点介绍了其在环境空气质量减排情景模拟评估方面的作用,以及在排放源与受体关系(SRR)方面的处理方法,比较了其与欧盟常用的其他情景模拟模型的优缺点。SHERPA模型的特点是空间灵活性较好,对于任何给定地点,可以快速评估不同地区对该研究地点空气质量的影响。SHERPA模型的3个主要功能为污染物来源分析、决策支持和情景模拟。基于SHERPA模型对法国环境空气中PM_(2.5)、PM_(10)和NO_2年均浓度进行污染来源分析、决策支持分析和减排情景模拟评估,展示了模型在环境治理措施优先级筛选和政府间联合治理措施协调建议方面的功能和作用,以期为中国环境空气质量预测预报、环境质量管理措施的制定和成效评估等环境服务与管理工作提供借鉴。     

高山风景区居民区碳质气溶胶污染特征及来源

碳质气溶胶是大气颗粒物的重要组成部分，具有很强的环境和气候效应，是气溶胶科学研究领域的热点.为探究庐山风景区居民区PM_2.5中碳质组分的污染特征及来源，于2019年12月2日—2020年10月31日在庐山风景区居民区进行PM_2.5样品采集，并对其碳质组分有机碳(OC)和元素碳(EC)进行分析.结果表明，观测期间庐山风景区居民区PM_2.5的平均质量浓度为(46.45±18.64)μg·m^-3，其中OC和EC平均质量浓度分别是(4.08±1.61)μg·m^-3和(0.23±0.10)μg·m^-3，占PM_2.5总质量的8.78%和0.50%.且碳质颗粒的污染水平普遍低于城市地区，介于国内其他典型高山背景点之间.采用EC示踪法对PM_2.5中的二次有机碳(SOC)进行估算，发现采样期间SOC的平均浓度为(1.51±1.22)μg·m^-3，占OC的33.2%，表明SOC是PM_2.5...     

深圳市城区冬季大气PM2.5在线来源解析

利用颗粒物同步混合实时监测仪、气溶胶化学组分监测仪(ACSM)、大气多金属元素在线监测仪、黑碳仪等在线仪器于2020年12月27日～2021年1月31日在深圳观测了PM_2.5及其化学组分.结果显示,深圳市PM_2.5在观测期间平均浓度为(32.2±17.0)μg/m³.其中,有机物在PM_2.5中浓度最高,均值为(15.4±9.5)μg/m³,其次是NO₃^-、SO₄^2-、BC、NH₄⁺和元素,浓度分别为(4.3±3.9),(3.8±2.1),(2.7±1.6),(2.5±1.7)和(1.9±1.2)μg/m³.本研究将ACSM获取的有机质谱信息(m/z 44)作为二次有机气溶胶(SOA)的示踪物纳入PMF(正交矩阵因子分解)模型,成功地识别了SOA.源解析结果显示,SOA对深圳市冬季PM_2.5贡献了23.8%...     

2013-2017年京津冀区域PM2.5浓度变化特征

利用2013-2017年京津冀区域13个城市PM_2.5监测数据，综合探讨了该区域PM_2.5浓度的时空变化特征。结果表明：京津冀区域PM_2.5污染整体较重，但治理成效显著，2013-2017年区域PM_2.5年均质量浓度分别为106、93、77、71、64 μg/m³，完成《大气污染防治行动计划》PM_2.5浓度下降25%左右的目标；13个城市PM_2.5浓度各百分位数总体呈现下降趋势，且随百分位数增大而下降速率加大，PM_2.5年均质量浓度平均每年下降10.6 μg/m³，污染严重的太行山沿线城市邢台、石家庄、邯郸3个城市平均每年分别下降20.3、16.1、13.9 μg/m³；京津冀区域PM_2.5重度污染天数比例分别为19.9%、16.6%、9.5%、9.0%、7.0%，呈下降趋势。2013-2017年京津冀区域PM_2.5平均质量浓度与非重度污染天相比升高19 μg/m³，PM_2.5重度污染天平均质量浓度较非重度污染天时高244.4%。     

2002—2012年京津唐PM10变化规律及差异

对2002年6月—2012年5月京津唐城市群大气可吸入颗粒物(PM10)质量浓度的长期监测数据进行分析,结合3市的地理、气候气象条件,分析了京津唐城市群大气颗粒物质量浓度的变化特征;根据3市PM10相互之间的发散系数,定量分析了3市PM10变化的差异。结果表明,2002—2012年北京市的PM10质量浓度变化范围为0.012~0.600 mg/m3,天津、唐山2市的PM10质量浓度变化范围分别为0.014~0.600、0.019~0.452 mg/m3。2008、2011年天津市PM10质量浓度年平均值达到二级标准,唐山市从2008年后PM10质量浓度年平均值达到二级标准;北京市PM10质量浓度总体变化趋势为春季秋季冬季夏季,天津、唐山市均为冬季春季秋季夏季,但不同年份的变化趋势略不同;北京-唐山、北京-天津、天津-唐山之间PM10的月度发散系数范围分别为0.402 7~0.159 2、0.406 8~0.142 9、0.323 1~0.107 8,说明空间距离最近的天津-唐山之间大气污染的相互影响较北京-天津、北京-唐山之间大。     

2013年北京市PM2.5重污染日时空分布特征研究

根据2013年北京市环境保护监测中心监测的PM2.5数据,系统分析了北京市重污染日PM2.5污染的时空分布特征,并利用克里格插值初步统计了全年和重污染日PM2.5不同浓度区间的国土面积。2013年全市PM2.5年均浓度为89.5μg/m3,重污染日平均浓度为218μg/m3,重污染日主要集中在冬季;PM2.5年均浓度呈现明显的南高北低梯度分布特征,而重污染日空间分布较均匀,南部及城六区存在明显的高污染区,平均浓度在180μg/m3以上;2013年北京市重污染日PM2.5平均浓度为150~250μg/m3,其对应的国土面积约为12 656 km2,PM2.5平均浓度在250μg/m3以上的国土面积约为883 km2,而全年无PM2.5平均浓度在150μg/m3以上所对应的国土面积。     

大数据解析技术在大气环境监测中的应用研究

针对近年来新兴的大数据及挖掘、分析技术,对大数据解析技术在环境科学研究中的应用进行了分析和探析。以城市局部地区大气细颗粒污染物PM2.5浓度计算为例,筛选了PM2.5浓度历史数据、气象条件、交通状况、人群活动情况、网格道路状况等数据为影响特征量,分析了用神经网络法进行大数据解析和推演的原理和数学过程,是用数学、计算机、统计等方法研究解决多元、非线性复杂环境问题的一种新的探索。