甘肃省区域颗粒物时空分布特征及传输路径

基于甘肃省2018~2019年颗粒物质量浓度监测数据,分析了全省大气颗粒物浓度的时空变化及排放特征,并利用HYSPLIT后向轨迹模式研究了颗粒物传输路径.结果表明：颗粒物（PM₁₀和PM_2.5）空间分布呈现区域特征：PM₁₀浓度高值位于河西走廊地区,由北向南呈阶梯式递减;PM_2.5以陇中地区为高值中心,向南北两侧递减,陇南地区为全省颗粒物清洁区.不同地区PM₁₀与PM_2.5地面浓度季节变化特征存在差异,陇中、陇东和陇南地区PM₁₀和PM_2.5浓度变化特征一致,陇中和陇东地区颗粒物（PM₁₀与PM_2.5）浓度冬高夏低,陇南地区则为冬高秋低;河西走廊PM₁₀和PM_2.5浓度季节变化不同,PM_2.5冬高夏低,PM₁₀春高夏低.后向轨迹聚类结果表明全省春季、冬季均受到来自中亚及新疆的偏西气流影响,该路径输送下可吸入颗粒物（PM₁₀）浓度明显高于其他路径,是典型的沙尘输送路径,4大分区受沙尘传输影响程度依次为河西 > 陇中 > 陇东 > 陇南,来自陕西、川渝的偏东路径是陇南地区颗粒物的主要输送路径,该路径下PM_2.5/PM₁₀比值大于0.5,明显高于偏西路径,说明偏东路径人为源污染贡献显著.研究结果有助于全面认识全省颗粒物污染特点、为分区制定颗粒物污染防治政策、以及区域污染协同治理提供科学的参考依据.     

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。     

鞍山大气颗粒物浓度的变化特征

利用鞍山大气成分监测站Grimm180观测的2007年颗粒物数浓度,ρ(PM₁₀₎,ρ(PM_2.5)和ρ(PM_1.0)以及台站的常规气象观测资料,分析了该地区颗粒物数浓度的谱分布、质量浓度的变化特征及与气象条件的相关性. 结果表明:颗粒物数浓度谱分布符合Junge分布;参数υ与能见度呈负相关,υ值越大且PM0.45占PM₁₀的数浓度比例小于90%,能见度较差;颗粒物质量浓度日变化呈双峰特征,ρ(PM₁₀₎,ρ(PM_2.5)和ρ(PM_1.0)之间有很好的相关性,ρ(PM_2.5)/ρ(PM₁₀₎平均值为0.654,ρ(PM_1.0)/ρ(PM_2.5)的平均值为0.832,ρ(PM_1.0)/ρ(PM₁₀₎平均值为0.545;鞍山地区年主导风向为SE,颗粒物质量浓度变化受辽宁沙尘移动路径的影响较小,主要受排放累积型污染影响,其中大雾天气条件下颗粒物质量浓度较高,大雾期间的回归方程截距较年平均回归方程的大,这对研究颗粒物质量浓度的突变特性具有指示作用.      

乌鲁木齐市区与南郊山区颗粒物污染特征对比分析

利用2017年10月~2018年8月的PM₁₀、PM_2.5、PM₁质量浓度数据以及NCEP全球再分析气象资料,分析乌鲁木齐市区和南郊山区颗粒物浓度变化特征,结合HYSPLIT后向轨迹模型、潜在源贡献因子分析(PSCF)以及浓度权重轨迹分析(CWT)分析市区颗粒物潜在源区.研究结果表明:①市区PM_2.5的超标天数为26d,南郊山区无PM_2.5超标,市区PM₁₀的超标天数是南郊山区的3.5倍,市区日均值及月均值质量浓度是南郊山区的2~7倍,市区呈现冬高夏低的季节特征,南郊山区春季最高;②乌鲁木齐市区PM₁₀日变化存在3个峰值,PM_2.5、PM₁为双峰型分布,南郊山区均呈双峰分布;并存在季节性周末效应;③长短两支聚类气流轨迹对乌鲁木齐市区颗粒物浓度影响较大,春夏气流来自中亚,秋冬来源于北疆周边地区;④颗粒物潜在源区分布季节特征显著,高值区主要为昌吉、巴州、吐鲁番等周边地区,西北部中亚地区也是颗粒物重要来源区域之一.     

建筑室内外颗粒物污染特征研究

为了解高层公寓建筑室内外污染状况,对自然通风状态下的西安市某临近道路的学生公寓楼室内外颗粒物浓度进行了同步测试,结果表明：室内外颗粒物污染较严重,其中细颗粒物占可吸入颗粒物的主要部分,且室内外颗粒物浓度变化呈现较好的一致性,室外细颗粒物占可吸入颗粒物比例的波动程度大于室内;沿楼层高度方向颗粒物浓度基本呈双峰分布;在没有明显室内污染源的情况下,PM_2.5和PM₁₀的I/O通常小于1,在有明显室内污染源的情况下,PM_2.5和PM₁₀的I/O大于1;I/O比会随着粒子尺度减小而逐渐增加。自然通风建筑室内外颗粒物的质量浓度之间存在明显的线性相关性。对于临近道路的建筑,室内PM_2.5浓度受室外浓度影响大于PM_1.0和PM₁₀。     

青岛环境空气PM10和PM2.5污染特征与来源比较

年分别在青岛设6个和2个采样点采集PM₁₀和PM_2.5样品,分析二者质量浓度及颗粒物中多种无机元素、水溶性离子和碳等组分的质量浓度,以研究PM₁₀及PM_2.5的污染特征. 采用CMB-iteration模型估算法,确定一次源类及二次源类对PM₁₀和PM_2.5的贡献,利用统计学方法比较PM₁₀和PM_2.5的污染源. 结果表明:青岛大气颗粒物质量浓度季节变化显著,表现为春、冬季高,夏、秋季低;Na、Mg、Al、Si、Ca和Fe元素主要富集在PM₁₀中,SO₄2-、NO₃-、EC和OC主要富集在PM_2.5中;城市扬尘、煤烟尘、建筑水泥尘及海盐粒子等粗粒子在PM₁₀中的分担率较PM_2.5中的高,分担率分别为28.7%、17.2%、7.16%及4.47%;二次硫酸盐、二次硝酸盐、机动车尾气尘及SOC(二次有机碳)等在PM_2.5中的分担率较PM₁₀中的高,分担率分别为19.3%、8.97%、13.7%及6.07%;由PM₁₀与PM_2.5化学组分的分歧系数可见,春、秋季PM₁₀和PM_2.5化学构成存在一定差异,而冬、夏季二者的化学构成相似.      

我国主要粮产区PM2.5、PM10时空分布特征及影响因素——以河南省为例

利用2018年河南省PM_2.5、PM₁₀监测数据,结合统计学方法及克里格插值技术,分析河南省PM_2.5、PM₁₀的时空分布特征及影响因素,结果表明:（1）PM_2.5、PM₁₀日均、月均浓度均呈现出“U”型变化特征,PM_2.5/PM₁₀月均值呈现出“W”型变化特征,PM_2.5、PM₁₀季均浓度及其比值均呈现出冬季>秋季>春季>夏季的规律;（2）PM_2.5、PM₁₀月均浓度的空间分布差异较大,而年均浓度则呈现出相似的分布规律,PM_2.5/PM₁₀季均值呈现出不同的空间分布规律,总体上东部及东南部较高,中西部区域较低;（3）PM_2.5、PM₁₀与NDVI、年降水量呈显著负相关,与人口密度、第二产业占比呈显著正相关。研究结论可为粮产区大气污染防治及粮食安全生产提供重要的科学依据。     

2015年福州市大气颗粒物污染特征

为了解福州市大气颗粒物污染状况,利用中国环境监测总站发布的实时大气环境监测资料,结合气象资料和HYSPLIT4轨迹模式,分析了2015年福州市大气颗粒物污染特征和典型污染过程.结果表明:2015年福州市ρ（PM₁₀）、ρ（PM_2.5）年均值分别为55.8和29.2μg/m3,均低于GB 3095-2012《环境空气质量标准》二级标准限值.颗粒物浓度季节性变化特征明显,表现为冬春季高、夏秋季低的变化特征. ρ（PM_2.5）/ρ（PM₁₀）为52%,普遍低于我国东部其他大中城市;日际变化明显,受混合层高度日变化和机动车排放的影响,呈双峰形态. ρ（PM_2.5）/ρ（PM₁₀）日变化趋势与ρ（PM₁₀）日变化特征相反,即ρ（PM₁₀）高时ρ（PM_2.5）所占比例低,ρ（PM₁₀）低时ρ（PM_2.5）所占比例高,表明早晚高峰机动车排放所造成的颗粒物污染以粗颗粒物贡献为主.福州市颗粒物污染天气成因主要有"积累型"和"输送型"污染. 2015年1月5-6日发生的污染过程,是在一次静稳、高湿天气形势下,本地排放的污染物在不利于扩散的气象条件下聚集、二次转化,导致颗粒物浓度升高、能见度降低. 2015年1月17-19日的污染过程主要是北方污染物随冷空气输送南下,导致本地颗粒物浓度迅速升高、能见度迅速降低.研究显示,福州市PM₁₀和PM_2.5优良率较高,颗粒物污染主要发生于冬季,污染成因包括局地累积和区域输送.      

基于移动监测的城市道路PM2.5和PM10浓度分布研究

利用移动监测方法采集2016年7月14—16日上海市不同功能街区及道路环境的PM_2.5、PM₁₀、水膜高度等数据,研究城市不同街区及道路环境PM_2.5和PM₁₀浓度分布规律及影响因素。结果表明:降水对PM_2.5具有明显的去除效果,水膜高度与颗粒物浓度的变化存在负相关关系。生活区和虹桥商务区内的颗粒污染物以细颗粒为主,虹桥商务区和工业区的部分微环境分别由于工地和路面扬尘的影响会出现PM_2.5~10浓度严重升高的现象。小陆家嘴商务区的污染物扩散较好,不易堆积,该街区内没有污染十分严重的区域。实测证明,并不是所有的高架桥都会加重街道峡谷内的空气污染,合理的街道峡谷构造条件下,高架桥对街道峡谷内污染物扩散影响不大。     

云浮市2018—2020年颗粒物和臭氧污染特征及污染案例研究

为探究云浮市颗粒物和臭氧(O₃)污染特征,利用多元统计分析方法分析了云浮市2018—2020年6项环境空气污染物浓度、气象因子等监测数据,并对2020年12月25—29日冬季PM_2.5和O₃污染过程进行了研究. 结果表明:①PM_2.5、PM₁₀、NO₂、CO月均浓度呈夏季低、冬季高的变化特征;O₃-8 h第90百分位数呈夏秋季高、冬春季低的变化特征. ②PM₁₀、PM_2.5和CO小时浓度日变化呈波浪型变化特征,PM_2.5、CO小时浓度最大值均出现在09:00,PM₁₀小时浓度最大值出现在02:00. O₃、SO₂小时浓度日变化呈单峰型变化特征,O₃、SO₂小时浓度最大值分别出现在16:00、10:00. NO₂小时浓度日变化呈单谷型变化特征,最小值出现在14:00. ③PM_2.5-10、SO₂、NO₂、O₃小时浓度与PM_2.5小时浓度均呈正相关,说明PM_2.5-10、SO₂、NO₂、O₃与PM_2.5具有一定程度的同源性. O₃小时浓度与NO₂、CO小时浓度呈负相关,且O₃小时浓度与NO₂小时浓度相关性更强. 夏秋季NO₂、CO、O₃、PM_2.5小时浓度与气温的相关性比冬春季的更强. SO₂、PM₁₀、PM_2.5、O₃小时浓度均与湿度呈负相关,其中O₃小时浓度与湿度的相关性最强,相关系数为?0.586. ④2020年12月25—29日云浮市城区PM_2.5污染受到静稳天气影响,O₃污染与28日午后太阳高温辐射以及来自珠三角地区O₃污染气团的输入影响有关. 利用ART-2a对该时段采集的颗粒物进行成分分析,得到K、EC、OC、ECOC、HM、LEV、Na、SiO₃这8种单颗粒物. 整个时段EC、OC、ECOC谱图中都存在明显的硫酸盐峰和硝酸盐峰. PM_2.5小时浓度与硫酸盐离子、硝酸盐离子、硅酸盐离子、铵离子、氯离子的数量均呈显著正相关,二次反应和老化过程对PM_2.5污染有显著影响. 研究显示,云浮市PM_2.5和O₃复合污染防控需要关注本地污染物变化特征和排放源影响,也需关注外来污染气团特别是来自珠三角地区污染气团输入的影响.      

东北地区农业源一次颗粒物排放清单研究

采用自下而上的清单编制方法,搜集各农业环节(秸秆燃烧、整地、收割、谷物处理、化肥施用、农机排放、风蚀)排放因子、作物面积和耕作方式等信息,编制了2010年东北地区县级尺度的农业一次颗粒物(PM₁₀和PM_2.5)排放清单,并分析了农业源颗粒物排放的时空分布特征.结果表明:1)2010年东北地区农业源一次颗粒物PM₁₀总排放量54.6万t,PM_2.5总排放量35.6万t;2)东北地区农业源一次颗粒物PM₁₀排放量最大的农业活动环节是秸秆燃烧,占农业源总排放量的比例为60%,秸秆燃烧排放PM_2.5占PM_2.5农业源排放量的87%,整地环节是一次颗粒物排放的第2大农业排放源,对农业源排放PM₁₀和PM_2.5总量的贡献率分别是27%和6%; 3)PM₁₀和PM_2.5的排放强度空间分布表明,东北地区农业源颗粒物排放区域集中在黑龙江省东北部和中部地区,吉林省中部和辽宁省中部地区; 4)PM₁₀和PM_2.5排放的时间变化特征显示,PM₁₀农业源排放年变化曲线中,5月份和9、10月份是农业源排放一次颗粒物PM₁₀较多的月份,PM_2.5排放集中在9、10月份;5)本研究估算的污染物排放清单的不确定性为184.3%.未来的工作将侧重于典型农业区本土排放因子测定,从而有效减小排放清单的不确定性.     

天门市大气污染物特征及其与气象要素关系

文章利用2017年1月1日-2020年6月9日天门市6种主要大气污染物(PM_2.5、PM₁₀、O₃、SO₂、NO₂、CO)质量浓度逐时监测数据,分析了天门市主要大气污染物的月间、日内变化特征及影响。月间PM_2.5、PM₁₀、NO₂、SO₂、CO浓度均为单峰特征,夏季浓度最低,冬季浓度最高;而O₃的浓度月变化呈现出双峰型特征。PM_2.5、PM₁₀、NO₂、SO₂、CO日内呈现双峰型,2个峰值都分别出现在上午及晚上;O₃浓度的日变化表现为单峰型特点,峰值出现在下午。降水对PM_2.5、PM₁₀等颗粒物清除效果显著,但值得注意的是日降水量级在小雨以下,PM_2.5、PM₁₀污染物日浓度...     

典型“组群式”城市夏季大气颗粒物中水溶性离子化学特征及来源

为探究典型“组群式”城市——淄博市夏季大气颗粒物中水溶性离子化学特征及来源,于2016年8月对淄博市6个城市点（桓台、张店、临淄、淄川、博山、周村）、2个郊区点（沂源、高青）及1个清洁对照点（鲁山）同步进行PM_2.5和PM₁₀采样,分析了大气颗粒物质量浓度及9种水溶性离子的空间分布特征,并利用主成分分析方法探讨了PM_2.5和PM₁₀中水溶性离子的主要来源.结果表明:①淄博夏季各点位（清洁对照点除外）PM_2.5和PM₁₀质量浓度日均值范围分别为57.2~112和77.4~163 μg/m3,空间分布特征表现为城市点>郊区点>清洁对照点;各点位PM_2.5/PM₁₀（质量浓度之比）在0.61~0.80之间,表明淄博夏季大气颗粒物污染以PM_2.5为主.②水溶性离子在PM_2.5和PM₁₀中占比分别为53.3%和48.5%,其中二次无机离子分别占总离子浓度的91.4%和83.7%,表明大气颗粒物主要以二次离子为主,并且主要富集在PM_2.5中;PM_2.5中∑阴离子/∑阳离子（摩尔浓度之比）为1.07,PM₁₀中该比值为0.87,说明PM_2.5接近中性,而PM₁₀呈弱碱性.③淄博夏季各点位离子来源具有一定的空间差异性,城市点、郊区点与清洁对照点间的CD（分歧系数）均高于0.2,而城市点间CD值低于0.2,说明城市点位间的水溶性离子的化学性质较为相似.④主成分分析表明,淄博夏季大气PM_2.5中的水溶性离子可能主要来源于工业源、生物质锅炉、燃煤、二次源、道路尘及建筑尘,而PM₁₀中的离子主要来源于道路尘、建筑尘、海盐及二次源.研究显示,淄博市颗粒物污染严重,具有明显的空间分布特征,水溶性离子来源复杂,应采取分区、多源控制的污染防治对策.      

石家庄市采暖前后大气颗粒物及其碳组分特征

为研究石家庄市大气颗粒物、碳组分特征和污染来源,采集2016年11月1日—12月31日石家庄市大气颗粒物（PM₁₀、PM_2.5和PM₁）样品,分析采暖前后PM₁₀、PM_2.5和PM₁及其中OC（有机碳）、EC（元素碳）和WSOC（水溶性有机碳）浓度水平,计算颗粒物与碳组分间相关性,进行OC/EC（质量浓度之比,下同）特征比值法和8个碳组分（OC1、OC2、OC3、OC4、OPC、EC1、EC2和EC3）研究.结果表明:①采暖后ρ（PM₁₀）和ρ（PM_2.5）比采暖前分别增加了26.4%和32.1%,而采暖后ρ（PM₁）比采暖前降低了12.2%.采样期间ρ（PM₁₀）与ρ（PM_2.5）显著相关,而ρ（PM₁）分别与ρ（PM_2.5）和ρ（PM₁₀）相关性差.采暖后散煤燃烧造成ρ（PM₁₀）和ρ（PM_2.5）增加,区域机动车限行和工业限产/停产导致ρ（PM₁）降低.②Pearson相关系数计算可知,ρ（OC）与ρ（EC）强相关;ρ（PM₁₀）和ρ（PM_2.5）分别与ρ（OC）和ρ（WSOC）强相关,而ρ（PM₁）分别与ρ（OC）和ρ（WSOC）中等相关;ρ（PM₁₀）和ρ（PM_2.5）分别与ρ（EC）弱相关,ρ（PM₁）与ρ（EC）中等相关.③采暖后PM₁₀、PM_2.5和PM₁中ρ（OC）比采暖前分别增加了215.1%、97.2%和18.5%;采暖后PM₁₀和PM_2.5中ρ（EC）比采暖前分别增加了65.2%和5.3%,而采暖后PM₁中ρ（EC）比采暖前降低了10.9%.集中供热和散煤燃烧排放了大量OC;PM₁₀和PM_2.5中EC主要来源于散煤燃烧,PM₁中EC主要来源于工业排放和机动车尾气.④采暖前PM₁₀、PM_2.5和PM₁中OC/EC平均值分别为4.5、4.5和4.3;采暖后PM₁₀和PM_2.5中OC/EC平均值分别为9.8和9.7,而PM₁中OC/EC平均值为7.4.采暖前后SOC/OC（质量浓度之比,下同）平均值的范围为0.36~0.65,石家庄市冬季大气中SOC污染严重;⑤8个碳组分分析发现,石家庄市机动车限行导致PM₁中ρ（EC1）降低,而采暖后集中供暖和散煤燃烧的增加,导致ρ（OC2）明显增加.研究显示,大气颗粒物中碳组分采暖前主要来源于机动车尾气,而采暖后主要来源于燃煤燃烧,尤其是散煤燃烧.      

合肥冬半年降水及所处天气型对大气颗粒物浓度的影响

利用合肥市2015—2017年冬半年环境监测站和自动气象站数据,以及高空、地面天气图资料,运用常规统计和天气学方法分析了降水强度及不同降水天气系统对PM_2.5、PM₁₀浓度的影响.结果表明：冬半年降水日PM_2.5、PM₁₀平均浓度较无降水日分别下降18.1μg·m^-3（23.9%）、38.2μg·m^-3（37.8%）;小于5 mm的日降水量对颗粒物清除效果不明显,且有28%样本PM_2.5和PM₁₀浓度不降反升;当日降水量大于10 mm,位于“优”等级的PM_2.5和PM₁₀浓度比例分别为54%和80%,显著上升.连续降水期间PM_2.5、PM₁₀日均浓度中位值和均值逐日下降,降水第2日PM_2.5、PM₁₀日均浓度降幅最大.合肥冬半年降水天气系统可以分为切变线Ⅰ型、切变线Ⅱ型、低槽冷锋型和...     

焦作市PM2.5和PM10时空变化特征及其与气象因子的关系

为了研究焦作市大气中PM_2.5和PM₁₀污染状况,基于2018—2020年焦作市50个环境空气质量监测站点的PM_2.5和PM₁₀浓度逐时观测资料,结合气象资料,分析了焦作市PM_2.5和PM₁₀浓度的时空分布特征及气象因素影响。结果表明:1)焦作市PM_2.5和PM₁₀呈双峰型日变化,且具有显著的U形逐月变化规律及冬高夏低、春秋居中的季节性特征。2)2018—2020年PM_2.5和PM₁₀浓度年均值呈西南高东北低的空间差异性特征。与2018年相比,2020年修武县PM_2.5和PM₁₀浓度的下降幅度最大,分别为30.25%、22.72%。3) Spearman相关性分析表明,PM_2.5和PM₁₀浓度与气温、风速呈显著负相关;与气压呈显著正相关;相对湿度与PM_2.5浓度呈显著正相关,与PM₁₀浓度呈显著负相关。焦作市环保局监测站在东北风、西南风风向PM_2.5和PM₁₀浓度污染较重,博爱县清化镇、沁阳市西万镇和武陟县乔庙乡监测站在西南风风向易出现高浓度颗粒物。该研究结果可为日后工业地区大气污染防治,生产生活的合理规划与布局提供重要参考。     

城市公园不同植被结构绿地削减空气颗粒物浓度研究

随着城市化和工业化进程的加快,空气颗粒物污染成为城市最为严峻的环境问题之一.依据植被的横向结构、竖向结构及植被类型3个因子对宝鸡市公园绿地进行划分,并选取11种不同植被结构的绿地,在分析地点、时间、风速、温度、相对湿度、绿地面积等环境因子对绿地内空气中ρ（PM_2.5）和ρ（PM₁₀）"本底效应"影响的基础上,探究不同植被结构绿地对空气颗粒物质量浓度削减作用的差异.结果表明:①在不同监测地点和监测时段内,ρ（PM_2.5）和ρ（PM₁₀）有极显著差异,植物养护管理程度较高的城市公园绿地对空气颗粒物质量浓度削减作用较为明显,一天中空气颗粒物质量浓度呈现出早晚高、中午低的变化趋势;②风速、温度、相对湿度对ρ（PM_2.5）和ρ（PM₁₀）有极显著影响,在晴朗、无风或微风天气条件下,ρ（PM_2.5）和ρ（PM₁₀）随风速的增大、温度的减小、相对湿度的增大而增大,且ρ（PM₁₀）变化范围大于ρ（PM_2.5）;③1 hm2以下绿地面积的变化对ρ（PM_2.5）和ρ（PM₁₀）无显著影响;④不同植被结构绿地内ρ（PM_2.5）无显著差异,但ρ（PM₁₀）有极显著差异,其中开敞式以灌木为主的绿地中ρ（PM₁₀）最低,多层闭合式阔叶林中ρ（PM₁₀）最高,其余9种植被结构绿地削减作用居中且相近.研究显示,不同植被结构的城市公园绿地对ρ（PM_2.5）和ρ（PM₁₀）的削减作用存在一定的差异且受多种环境因素的共同制约,可为优化城市绿地植被结构进而有效改善空气质量提供依据.      

2015~2021年景洪市PM2.5的传输路径及潜在源区

分析2015~2021年景洪市大气污染特征,识别日均PM_2.5浓度超过国家空气质量二级标准所在月(超标月)。利用混合单粒子拉格朗日积分轨迹模型计算景洪市PM_2.5超标月的逐日72h后向轨迹,并结合景洪市PM_2.5浓度,通过聚类、潜在源区贡献因子和浓度权重轨迹因子等分析方法,识别景洪市日均PM_2.5超标月的主要传输路径和潜在源区。结果表明:景洪市2~5月为日均PM_2.5超标月;景洪市2~5月PM_2.5的传输主要来自其西向、西南和南向,且中短距离和低空传输对应高PM_2.5浓度;景洪市PM_2.5源区主要位于缅甸中部、老挝西北部和泰国北部;通过归一化处理浓度权重轨迹因子可知,景洪市2~5月PM_2.5传输的源区主要来自缅甸,贡献41%~50%,其次为泰国和老挝,分别为21%~27%和5%~12%。基于2015~2021年2~5月中南半岛火点数分布及与景洪市PM_2.5浓度相关性分析,进一步揭示影响景洪市PM_2.5的主要排放源为缅甸生物质开放燃烧。研究可为景洪市建立跨境区域联防联控措施以及未来气候变化研究提供指导。     

基于树模型的北京市PM2.5预测效果对比分析

在城市空气质量预测中,ρ（PM_2.5）会受到气象条件和时间周期的影响。选取北京市全市为实验区域,对多种污染物浓度特征、时间特征及天气特征等进行分析,采用2019年33个空气质量监测站逐小时数据开展PM_2.5预测实验,建立了基于特征的LightGBM （light gradient boosting machine） PM_2.5质量浓度预测模型,分别与随机森林模型（RF）、梯度提升树模型（GBDT）、 XGBoost模型3个PM_2.5浓度预测模型进行对比。结果表明:在PM_2.5浓度预测精度方面,LightGBM模型最高,XGBoost模型次之,RF模型最差。LightGBM模型的PM_2.5污染浓度预测准确率高于其他模型,R2为0.9614,且具有训练快、内存少等优点。LightGBM模型的5个评估指标均优于其他模型,说明其在PM_2.5逐时预测上具有很好的稳定性和应用前景。     

成都市冬季大气颗粒物组成特征及来源变化趋势

年冬季分别在成都市8个环境受体采样点采集PM₁₀、PM_2.5样品,同时采集颗粒物源类样品,分析上述样品质量浓度及多种无机元素、水溶性离子和碳组分的含量,以对这3 a冬季大气颗粒物浓度、特征组分、来源及变化趋势进行分析. 使用CMB-iteration模型对成都市中心城区的PM₁₀、PM_2.5进行来源解析. 结果表明: 成都市冬季ρ(PM₁₀)在工业区最高,PM_2.5污染呈现区域性特征;冬季PM₁₀的主要来源有扬尘、二次硫酸盐、煤烟尘、二次硝酸盐和机动车尾气尘,上述5类源在2010─2012年的分担率分别为24%～29%、17%～22%、13%～16%、6%～12%、6%～11%;对PM_2.5有重要贡献的源类有二次硫酸盐、扬尘、煤烟尘、二次硝酸盐和机动车尾气尘,这5类源在2010─2012年的分担率范围分别为25%～27%、19%～22%、12%～15%、11%～13%、8%～11%. 二次粒子、扬尘等是成都市大气颗粒物的主要污染源,其中扬尘、建筑水泥尘等以粗粒子为主的源类浓度贡献呈逐年下降趋势,而二次粒子等以细粒子为主的源类浓度贡献则逐年上升,成都市冬季大气细颗粒物污染加重.