北京市区春夏PM2.5和PM10浓度变化特征研究

通过对北京市2012年3月～6月PM2.5和PM10实时数据的整理和分析,结果表明,北京市区大气中细颗粒物PM2.5和可吸入颗粒物PM10浓度日变化趋势基本相同,PM2.5和PM10存在显著或极显著的正相关关系;3月～6月,PM2.5浓度随季节变化逐渐升高,PM10的浓度随季节变化先升高后减小;3月～6月PM2.5与PM10日平均浓度分别为62.77μg/m3和133.88μg/m3,分别为国家二级标准的83.69%和89.25%。     

鼎湖山PM2.5 中水溶性离子浓度特征分析

为研究珠江三角洲背景区域大气气溶胶中水溶性离子的特征及其来源,于2007年1月～2008年12月,在鼎湖山利用大流量滤膜采样器采集PM2.5样品,并用离子色谱(IC)分析其中的水溶性离子成分含量.结果表明,PM2.5中总水溶性离子年平均浓度为(36.3±16.4)μg.m-3.其中,3种主要离子SO24-、NH4+和NO3-占总离子浓度的89%;夏季受到来自海洋气团的影响,Na+和Cl-相关性明显增强,相关系数R2为0.91;NO3-/SO24-的平均值为0.32,表明固定源对鼎湖山地区污染的贡献更大;PM2.5中Σ阳离子电荷/Σ阴离子电荷的变化范围为0.44～2.59,平均值是1.03,水溶性离子电荷基本平衡.     

灰霾试点城市PM2.5浓度特征及其影响因素分析

利用2011年PM2.5监测数据分析了灰霾试点城市PM2.5浓度特征,结果表明:灰霾试点城市PM2.5日超标比例范围为3.3%～42.9%,年均浓度超标严重;灰霾日PM2.5浓度和PM2.5/PM10较非灰霾日分别升高80.0%和4.1%。分析了北京总站点位在12月3-13日污染过程中颗粒物浓度变化特征,结果表明:颗粒物浓度升高和气象条件差是导致能见度降低的两大重要因素,OC/EC变化范围是3.6～11.4,存在严重的二次污染;粒子数浓度与能见度呈现负相关,污染日不同粒径段的粒子数浓度均高于清洁日,91.8%的粒子在1μm以下;地面气象条件和天气形势明显影响PM2.5浓度。     

沈阳市PM2.5浓度ARIMA-SVM组合预测研究

首先利用回归树分类方法,对采暖期与非采暖期各日进行气象类型划分,识别出易造成重污染天气的气象类型.其次分别在各气象类型内,以污染源排放量为自变量,利用差分自回归滑动平均与支持向量机（ARIMA+SVM）组合方法建立起PM_2.5浓度日均值预测模型,并选取2013年01月~2017年06月间,沈阳市区内9个环境监测点PM_2.5浓度日均值进行实证分析.结果表明,使用气象分类下的ARIMA+SVM组合模型对PM_2.5浓度日均值进行预测,相比于不划分气象类型时的普通机器学习模型,其模型预测值与实测值趋势的吻合度更高,且对峰-谷值的识别能力更强.在采暖期与非采暖期,组合模型均具有平均绝对误差更低、预测正确率更高的优点.     

基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

中国典型城市群PM2.5污染特征研究进展

为进一步梳理近年来我国城市区域大气PM_2.5污染防治方面的研究成果,基于我国31个城市PM_2.5污染现状,以城市群为视角,总结了京津冀城市群、长三角城市群与川渝城市群PM_2.5组成与污染特征,分析了PM_2.5及其含碳气溶胶、水溶性无机离子、地壳元素等的整体特征,并在城市群间进行对比分析.结果表明:①3个城市群的ρ(PM_2.5)高低顺序依次为京津冀城市群>川渝城市群>长三角城市群,长距离传输使PM_2.5污染成为京津冀城市群、长三角城市群与川渝城市群面临的共同问题.②3个城市群的PM_2.5中均以SNA和OC为主,尽管ρ(PM_2.5)水平有下降趋势,但个别污染物(如SNA)略呈上升趋势.③京津冀城市群与川渝城市群的ρ(OC)接近,并且均高于长三角城市群的80%,较高的ρ(OC)/ρ(EC)反映我国城市群普遍存在SOC污染.④各城市群PM_2.5监测网(如监测时间和采样方法)发展水平迥异,...     

北京地区秋季雾霾天PM2.5污染与气溶胶光学特征分析

利用北京城区和郊区2011年9月1日～12月7日PM2.5质量浓度、气溶胶散射系数(σsca)和黑碳浓度观测资料,研究了雾霾天气条件下北京地区PM2.5污染与气溶胶光学参数的变化特征,并讨论了气象条件的作用.结果表明,北京地区PM2.5污染和气溶胶光学特性受雾霾天气的影响非常明显.PM2.5浓度、σsca和气溶胶吸收系数(σabs)在雾霾期均明显高于非雾霾期,雾霾期日均PM2.5浓度在城区和郊区分别达到97.6μg·m-3和64.4μg·m-3,为非雾霾期日均浓度的3.3和4.8倍.城区高PM2.5浓度造成雾霾类天气出现频率明显高于郊区.轻雾天城区PM2.5浓度、σsca和σabs明显高于郊区,区域输送的影响相对较弱,轻雾和霾天城郊差异较小,区域性特征明显,而雾天σsca城郊非常接近且在各雾霾类天气中相对最高,气溶胶散射能力最强,区域性特征较为明显.气象条件的不同造成各雾霾过程PM2.5浓度、σsca和σabs的空间分布、PM2.5污染及气溶胶消光强度上呈现不同的特点.边界层以上偏南风将南部地区污染物向北京输送,在整层下沉气流作用下使得边界层内污染物浓度增加,加之边界层高度持续稳定在600 m左右,边界层内风速很低,污染物水平、垂直扩散均很弱,造成局地污染物的累积,形成了PM2.5污染和气溶胶消光强度最强的一次雾霾过程.     

气象条件对2009-2018年天津地区PM2.5质量浓度的影响

采用PM_2.5质量浓度长期连续观测资料,结合地面气象资料和后向轨迹方法,分析2009-2018年天津地区PM_2.5质量浓度的长期变化趋势,并探讨气象条件对其浓度变化的影响.结果表明,2013年受不利天气影响,PM_2.5质量浓度达到近10 a来的峰值,其后逐年下降,2018年年均值降至52 μg·m^-3,与优良天气和重污染及以上天气发生频率的年际变化趋势一致.相关性分析和主成分分析都表明相对湿度、风速和混合层厚度是影响天津地区,尤其是冬季PM_2.5浓度的主要气象影响因素.不同季节下随着相对湿度增高,地面风速减小,混合层厚度降低,均有PM_2.5污染加重的趋势,其中冬季差异最大,与该季节气象因素剧烈多变、静稳天气和寒潮交替发生有关.后向轨迹的聚类分析结果表明,途经天津偏南区域的短距离近地气流下PM_2.5质量浓度较高,与该气流下易形成静稳天气有关,春季西北方向的长距离轨迹对应较高浓度的PM_2.5则与沙尘天气有关.     

北京秋冬季近地层PM2.5质量浓度垂直分布特征

选取秋冬两季各14 d对北京地区近地层ρ(PM_2.5)垂直分布进行监测,获得ρ(PM_2.5)垂直廓线;结合同步测得的气象数据,就气象因素对垂直分布的影响进行了分析;最终拟合了ρ(PM_2.5)垂直廓线方程.研究表明:秋冬两季ρ(PM_2.5)的垂直分布随高度增加而呈对数递减的规律;风速随高度的变化遵循对数规律;发生逆温时,大气层结稳定,垂直方向上的湍流受到抑制,风速与PM_2.5逐时质量浓度在垂直方向的分布呈较好的线性关系,ρ(PM_2.5)随高度改变呈显著的对数相关关系;而在非逆温的情况下,PM_2.5逐时质量浓度垂直分布与风速线性相关的概率较小,质量浓度的垂直分布与高度的对数关系不显著.      

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020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（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.     

2007—2014年北京地区PM2.5质量浓度变化特征

为更好地解析北京地区ρ(PM_2.5)的长期变化特征及气流轨迹聚类分析结果,对2007年8月—2014年7月在中国环境科学研究院实测的ρ(PM_2.5)数据进行了统计分析,分析其年际、季节和月际变化特征;通过计算PM_2.5的AQI分指数,分析了污染等级的时间变化特征;结合后向气流轨迹,对ρ(PM_2.5)年际、季节变化与气团来源的关系进行了分析.结果表明:北京地区2008—2013年ρ(PM_2.5)年均值分别为111.5、95.8、94.8、80.5、75.2、81.3 μg/m3,整体呈逐年下降趋势,但污染水平依然较高;ρ(PM_2.5)由高到低的季节次序为秋季、冬季、春季、夏季,平均值分别为111.6、94.8、77.2、70.5 μg/m3,PM_2.5重污染时段主要出现在秋冬季节,并且冬季ρ(PM_2.5)近年来逐渐呈上升趋势;ρ(PM_2.5)月均值呈单峰型变化,11月最高(为125.3 μg/m3),7月最低(为76.4 μg/m3);轨迹聚类分析发现,途经山西省北部和河北省南部的气流轨迹中ρ(PM_2.5)较高,而来自北方及西北方向的气团相对较清洁,ρ(PM_2.5)较低.北京地区近些年实施的大气污染减排措施对于控制PM_2.5污染取得了一定效果,但针对秋冬季节重污染过程的控制力度仍需要加强,同时也要注意区域污染传输对北京地区ρ(PM_2.5)的影响.      

南昌市城市空气PM2.5和PM10时空变异特征及其与景观格局的关系

基于2013—2015年南昌市9个空气环境监测点的连续数据,分析了空气PM_(2.5)、PM_(10)质量浓度(以下简称浓度)的时空变异规律,并以景观格局指数为定量指标,研究了监测点的两种颗粒物浓度与其周边500 m半径、1000 m半径缓冲区的土地利用状况的关系.结果表明:(1)南昌市3年来PM_(2.5)和PM_(10)浓度逐年显著降低.(2)通过聚类分析,9个监测站依据颗粒物污染可分为4大类,表现出一致的城乡梯度差异.(3)在斑块类型水平上,PM_(2.5)和PM_(10)浓度与500、1000 m半径缓冲区的C-PLAND(建筑用地覆盖率)、C-SHDI(建筑用地多样性指数)显著正相关,与1000m缓冲区的F-ED(林地边界密度)显著正相关;与F-PLAND(林地覆盖率)、C-Fi(建筑用地分离度指数)、F-MPS(林地平均斑块面积)显著负相关.在景观水平上,PM_(2.5)和PM_(10)浓度在500 m缓冲区与LPI(最大斑块所占景观比例)显著负相关;与1000 m缓冲区的MPS(平均斑块面积)显著负相关.景观格局指数直接反映土地利用状况,它与PM_(2.5)和PM_(10)浓度的相关性,表现出生态学中典型的"源汇景观"关系.     

海口市PM_(2.5)和PM_(10)来源解析

以海口市为例,研究了我国典型热带沿海城市——海口市环境空气颗粒物的污染特征和主要来源.2012年春季和冬季在海口市区4个采样点同步采集了环境空气中PM10和PM2.5样品,同时采集了多种颗粒物源样品,并使用多种仪器分析方法分析了源与受体样品的化学组成,建立了源化学成分谱.使用CMB(化学质量平衡)模型对海口市大气颗粒物进行源解析.结果表明:污染源贡献具有明显的季节特点,并存在一定的空间变化.冬季城市扬尘、机动车尾气尘、二次硫酸盐和煤烟尘是海口市PM10和PM2.5中贡献较大的源,在PM10和PM2.5中贡献率分别为23.6%、16.7%,17.5%、29.8%,13.3%、15.7%和13.0%、15.3%;春季机动车尾气尘、城市扬尘、建筑水泥尘和二次硫酸盐是海口市PM10和PM2.5中贡献较大的源,在PM10和PM2.5中贡献率分别为27.5%、35.0%,20.2%、14.9%,12.8%、6.0%和9.5%、10.5%.冬季较重的颗粒物污染可能来自于华南内陆地区的区域输送,特别是,本地排放极少的煤烟尘和二次硫酸盐受区域输送的影响更为显著.     

我国PM2.5浓度分阶段改善目标情景分析

分析了部分发达国家、地区PM_(2. 5)改善经验和我国74个重点城市2013～2016年PM_(2. 5)年均浓度的改善情况,得出不同浓度区间城市所能达到的PM_(2. 5)年均浓度降幅,并据此设计了我国城市PM_(2. 5)浓度改善情景,通过自下而上的计算方法,测算了全国城市、31个省(区、市)及重点区域的PM_(2. 5)浓度分阶段改善目标.结果表明,在2种情景下我国PM_(2. 5)年均浓度均将在2025年前实现达标,在2030年下降到30μg·m~(-3)以下;京津冀及周边地区在2030年实现达标;长三角地区在2025年达标,2030年区域内城市实现全面达标.北京、天津、河北、河南等省(市)基准年PM_(2. 5)年均浓度高,在2030年实现达标的压力较大;在重点区域强化情景下,京津冀及周边地区2030年仍有接近40%的城市PM_(2. 5)浓度超标,应持续加大重污染地区PM_(2. 5)污染防治工作的力度,以推进PM_(2. 5)浓度目标的实现.     

2000~2019年中国PM2.5时空演化特征

本研究利用PM_2.5实测数据、MERRA-2 AOD与PM_2.5再分析数据、气象因子和夜间灯光等数据,基于极限梯度提升、梯度提升、随机森林模型和Stacking模型融合技术提出了PM_2.5浓度组合估算模型.在此基础上,从年、季、月尺度综合分析了2000~2019年中国PM_2.5时空变化特征.结果表明：①组合模型实现了中国2000年以来PM_2.5逐月浓度的可靠估算.②2000~2019年中国PM_2.5年均浓度呈快速增加保持稳定显著下降的趋势,2007年和2014年分别为增加到稳定和稳定到下降的转折点.PM_2.5月均浓度呈先降后升的"U"型趋势,最小值在7月,最大值在12月.③自然地理条件和人类活动奠定了中国PM_2.5浓度年度空间格局变化的基础,气象条件的逐月变化决定了PM_2.5浓度月度空间格局变化的主基调.④2000~2014年中国PM_2.5浓度的标准差椭圆中心向东移动,2014~2018年椭圆中心向西移动.1~3月椭圆中心向西移动,4~9月椭圆中心先北移后南移,9~12月椭圆中心向东移动.     

漯河市PM10和PM2.5中水溶性离子浓度特征及其来源解析

为了研究漯河市PM_2.5和PM₁₀及其水溶性离子变化特征,于2017年5月—2018年2月在漯河市3个采样点同步采集PM_2.5和PM₁₀样品,分别获得PM_2.5和PM₁₀有效样品191和190个.用离子色谱法分析样品中F-、Cl-、NO₃-、SO₄2-、Na+、NH₄+、K+、Mg2+、Ca2+等9种水溶性无机离子.结果表明:在采样期间,漯河市ρ（PM_2.5）平均值为72.42 μg/m3,其中ρ（总无机水溶性离子）的年均值为34.76 μg/m3,占ρ（PM_2.5）的46.72%;ρ（PM₁₀）平均值为126.52 μg/m3,其中ρ（总无机水溶性离子）的年均值为46.40 μg/m3,占ρ（PM₁₀）的35.67%.2种颗粒物水溶性离子质量浓度的季节性变化均呈冬季高、夏季低的趋势.PM_2.5/PM₁₀〔ρ（PM_2.5）/ρ（PM₁₀）〕在四季分别为0.50、0.61、0.56、0.57.采样期间漯河市PM_2.5中NOR（氮氧化率）和SOR（硫氧化率）的年均值分别为0.17和0.30,PM₁₀中NOR和SOR的年均值分别为0.22和0.34,说明颗粒物中SO₄2-的二次转化效率高于NO₃-.PM_2.5和PM₁₀在采样期间均呈弱碱性,且碱性在夏季最强,秋季最弱.利用PMF模型分析PM_2.5和PM₁₀中水溶性离子的主要来源发现,PM_2.5中水溶性离子来源主要包括生物质燃烧源、燃煤源、建筑扬尘源、工业源和二次污染源,PM₁₀中水溶性离子来源主要包括燃煤源、建筑扬尘源、二次污染源、生物质燃烧源和工业源.研究显示,漯河市颗粒物污染中水溶性离子来源复杂,应采取多源控制的污染防治措施.      

2015年北京市两次红色预警期间PM2.5浓度特征

利用北京市及周边地区大气污染物监测数据,综合分析了2015年北京市两次空气重污染红色预警期间PM_2.5浓度变化特征并初步评估了减排措施对PM_2.5浓度的影响.结果表明:第1次红色预警期间,北京市PM_2.5平均最高小时浓度出现在12月9日19:00,为282μg·m^-3,单站最高小时值出现在京东南市界永乐店站,浓度达496μg·m^-3.第2次红色预警期间,PM_2.5全市平均最高小时浓度出现在12月22日20:00,为421μg·m^-3;单站最高小时值出现在京西南市界琉璃河站,浓度达831μg·m^-3.两次红色预警累积持续时间均呈现出南部站 > 城区站 > 北部站的特征,且第2次红色预警期间PM_2.5浓度南北差异明显大于第1次,PM_2.5平均浓度在150μg·m^-3以上的面积明显大于第1次,第2次红色预警期间重污染面积可达总面积的93%.两次预警期间气象条件均不利于污染物的扩散,均存在不同程度的二次转化和区域输送现象,极端气象条件是重污染形成的外因,区域污染物排放量大才是导致重污染形成的内因.初步评估结果显示红色预警应急措施实施后,北京市PM_2.5环境浓度下降约20%~25%,减排效果显著.     

2013年北京市不同方位PM2.5背景浓度研究

利用2013年北京市6个站点PM_(2.5)浓度及5个站点气象监测数据,综合采用数理统计、物理识别、数值模拟的方法分析了2013年北京市不同方位PM_(2.5)的背景值.结果表明,2013年北京市西北、东北、东、东南、南、西南这6个方向边界点位的背景浓度在40.3~85.3μg·m-3之间,按由低到高顺序依次为密云水库、八达岭、东高村、榆垡、永乐店和琉璃河;2013年北京市PM_(2.5)北风时段背景值最低,西风时段次之,南风、东风时段明显偏高,不同风向下背景浓度的平均值分别在6.5~27.9、22.4~73.4、67.2~91.7、40.7~116.1μg·m-3之间,表现出北京东、南方向PM_(2.5)背景浓度较高分布特点;模拟的2013年北京市PM_(2.5)背景浓度空间分布呈现出南高北低的特征,周边区域对北京市PM_(2.5)背景浓度空间分布影响显著.     

降水和风对大气PM2.5、PM10的清除作用分析

对合肥2015—2017年的降水、风和PM_(2.5)、PM_(10)浓度观测数据统计研究发现,降水对PM_(2.5)、PM_(10)有一定的清除作用,尤其在秋冬季节.秋冬季节小雨、中雨分别导致PM_(2.5)和PM_(10)浓度降低23.1%、40.4%和32.0%、63.7%.雨日PM_(2.5)/PM_(10)比例上升8.4%,表明降水对PM_(10)清除作用更显著.降水前后PM_(2.5)浓度变化与降水前PM_(2.5)浓度、降水强度、降水时长密切相关.当降水强度大于4 mm·h~(-1)或PM_(2.5)初始浓度高于115μg·m~(-3)时,降水对PM_(2.5)产生明显清除作用;而降水强度小于1 mm·h~(-1)或PM_(2.5)初始浓度低于115μg·m~(-3)时由于吸湿增长作用极易造成PM_(2.5)浓度反弹升高;且持续3 h以上雨强介于1～4 mm·h~(-1)的降水也对PM_(2.5)产生清除作用.降水前后PM_(10)浓度变化与初始浓度密切相关,而与雨强相关性较弱.当PM_(10)初始浓度大于50μg·m~(-3),降水就对PM_(10)产生明显清除作用,且PM_(10)初始浓度越高,降水后PM_(10)浓度下降越多.风速大于2 m·s~(-1)可显著降低PM_(2.5)浓度,因此,当风速大于4 m·s~(-1)时合肥较少出现中度及以上污染,但易造成地面起尘,使PM_(10)浓度不降反升.合肥冬季严重污染主要出现在西北风向,夏季中度以上污染天气较少,主要出现在风速低于3 m·s~(-1)的东南风向.