近年南京冬季首要大气污染物时空分布特征

近年来,随着气候变化以及工业化程度的加深,城市的大气污染问题日益突显。作者收集了2013-2018年南京地区首要大气污染物资料,对该地冬季大气污染物的时空分布特征及各污染物之间的相关性进行分析。结果表明:(1)从时间分布来看,除O_3外,南京冬季各污染物浓度均在2月达到最小值,AQI、PM_(10)、SO_2和NO_2浓度均在12月达最大,1月次之。PM_(2.5)、PM_(10)与AQI日变化趋势高度一致,在上午10∶00-11∶00出现峰值,在下午17∶00出现最低值。SO_2日变化呈单峰式变化特征,在上午11∶00出现峰值。NO_2浓度的日变化趋势与O_3正好相反,在下午14∶00-15∶00,NO_2出现低值,而O_3出现峰值。(2)从空间分布来看,南京冬季AQI与PM_(2.5)、SO_2的空间分布特征类似,呈东南高、西北低的分布特点,而PM_(10)呈西南-东北向递增的分布特点。(3)AQI与PM_(2.5)、PM_(10)的相关性最好,与SO_2、NO_2的相关性次之,而AQI与O_3没有明显的相关性,即影响南京冬季空气污染的主要是PM_(2.5)、PM_(10)、SO_2和NO_2。     

南宁市区环境空气质量分布特征

利用2013年1月—2015年12月南宁市区环境空气质量监测数据进行统计分析。结果表明,南宁市区空气质量指数(AQI)为17~245,平均值为74,超标率18.5%;AQI月平均变化呈双峰周期型。首要污染物项目出现频次由高到低的排序为:PM_(2.5)PM_(10)O_(3-8)NO_2,首要污染物为PM_(2.5)与PM_(10),两者占总数的91.3%;超标污染物有:PM_(2.5)、PM_(10)、O_(3-8)、NO_2,超标率分别为:17.8%、12.1%、1.4%、19.2%。PM_(2.5)、PM_(10)、NO_2、SO_2、CO、O_(3-8)质量浓度的日均值与AQI均存在显著的正相关关系,PM_(2.5)与AQI相关系数最大(r=0.988)。     

玉溪市大气中PM_(2.5)与气象参数的相关性研究

以玉溪师范学院校园的空气质量为研究对象,选择校园中具有代表性的6个监测点,于2016年2—4月采集PM_(2.5)样品进行测定和分析,同时与玉溪市2016年1—12月的PM_(2.5)含量做对比。结果表明,玉溪师范学院PM_(2.5)浓度在34~71μg/m3,AQI在49~95,与玉溪市2016年2—4月AQI相比略高,但总体环境空气质量为良好。PM_(2.5)浓度与气象参数的相关性分析结果说明,PM_(2.5)浓度随时间变化趋势平稳;PM_(2.5)浓度与气温呈正相关,与湿度呈负相关。     

气象因素对乌鲁木齐市PM_(2.5)浓度影响分析

基于乌鲁木齐市大气污染物数据,对乌鲁木齐市2016年空气质量变化做趋势分析。利用乌鲁木齐市2016年同期气象要素,通过相关分析和主成分分析方法探讨了气象要素对PM_(2.5)浓度的影响。结果表明:1)PM_(2.5)、PM_(10)、SO_2、NO_2、CO的浓度全年变化趋势与空气质量指数(AQI)的变化趋势基本一致,O_3的浓度变化趋势与AQI变化趋势完全相反;2)PM_(2.5)浓度与CO、气压和相对湿度呈显著正相关,降水量、风速、气温和水气压与PM_(2.5)浓度呈显著负相关。     

基于多尺度交叉趋势样本熵的城市空气质量指数分析

为了研究城市的空气质量指数（air quality index,AQI）与各污染物浓度序列之间的一致性,以及相邻城市间污染物的相似程度,提出一种新的多尺度交叉趋势样本熵（multiscale cross trend sample entropy,MCTSE）,用于刻画2个具有趋势的序列在不同尺度上的一致性。利用该方法对长沙、株洲和湘潭3个城市春、夏、秋、冬的AQI与PM_2.5、PM₁₀、SO₂、NO₂、CO和O₃ 6种污染物浓度序列展开研究,为寻找影响这些城市空气质量的污染源以及共同治理提供参考。最后为这些城市制定空气污染防治目标提出了可行的治理对策。     

呼和浩特市大气污染物污染特征及污染物的相关性分析

为了探究呼和浩特市大气污染物污染特征,对2014年一年的AQI做出统计整理并对PM_(10)、PM_(2.5)、SO_2、CO、NO_2的相关性进行分析。研究结果发现:呼和浩特市2014年空气质量总体良好,空气质量为良所占比重为58%,中度污染和重度污染所占比重为35%。该市的主要污染物PM_(10)、PM_(2.5)、SO_2的超标率分别达到了88.81%、52.60%、36.20%。空气污染指数AQI与PM_(10)、PM_(2.5)、SO_2、CO、NO_2、呈显著相关,尤其是PM_(10)和PM_(2.5),相关性系数高达0.959和0.851,可见其污染主要以颗粒物物为主。PM_(10)、PM_(2.5)、SO_2、CO、NO_2浓度间两两正相关。O_3的浓度与PM_(2.5)、SO_2、CO、NO_2均呈现负相关,O_3与AQI和PM_(10)的相关性不显著。     

典型灰霾期间城市大气PM_(2.5)演化的标度行为实证研究

针对成都市2014年1月22-31日的持续重度灰霾过程,运用频度统计分析、功率谱分析和去趋势波动分析方法,对成都市6个国控环境空气质量监测子站(草堂寺、金泉两河、梁家巷、人民公园、三瓦窑、灵岩寺)大气PM_(2.5)小时平均浓度时间序列的标度行为(标度律)进行实证研究。结果显示,此次灰霾期间高浓度PM_(2.5)的波动行为呈现明显的日周期循环规律,这与人类的生产生活具有密切关系。宏观上看,PM_(2.5)浓度波动在统计上服从典型的负幂律分布规律,具有标度不变分形特征。同时,利用功率谱及去趋势波动分析发现,各监测子站PM_(2.5)时间演化的DFA指数均在1左右,PM_(2.5)演化呈现1/f噪声性质,表明灰霾期间高浓度PM_(2.5)的动态演化过程表现出长程关联特性(或长期持续性),其波动关联特性在研究时段内呈现幂律分布的标度律。实证研究表明,此次灰霾期间成都市大气PM_(2.5)时间演化呈现出自组织临界性(SOC)基本特征,高浓度PM_(2.5)时间演化过程涌现出的长期持续性标度律很可能是由城市灰霾污染的SOC行为导致。该研究对深入认识灰霾天气大气PM_(2.5)非线性演化的内在动力学机制具有一定启示意义。     

甘肃东部城市群空气质量演变特征研究

基于庆阳、平凉、天水3市2015年度空气质量监测数据,分析甘肃东部城市群空气质量月度和季度变化特征并进行综合评价。结果表明,3市PM_(2.5)、PM_(10)、SO_2浓度从3月开始呈下降趋势并于9月降至最低值,O_3浓度变化呈倒"U"型。3市空气质量指数在3～9月呈平缓下降趋势,9～1月上升趋势较为明显。对于不同污染物之间的Spearman相关性,PM_(2.5)、PM_(10)、SO_2的相关系数介于0.589～0.979;对于不同城市同一污染物之间的Spearman相关性,除NO_2外,其他相关系数均较高。     

西安市大气污染物时空分布特征及其趋势评估

近年来空气质量受到了人们的日益关注,然而目前尚缺乏针对西安市空气质量的系统分析。通过西安市2014—2017年环境监测的实时数据以及环境空气质量指数(AQI),可分析西安市雾霾天气的时空分布特征以及污染变化趋势。从年度变化看,西安市AQI呈现明显的单峰特征,取暖季重度污染和严重污染约占总天数的40%,PM_(2.5)作为首要污染物的天数增加到72 d,非取暖季2016年重度污染天数比2014年提高了4.4%。从空气污染物成分看,PM_(2.5)和PM_(10)的正相关性最强,而与臭氧则呈负相关关系。研究结果可预测未来几年污染趋势,为政府部门采取有针对性的大气污染治理措施提供了参考。     

西安市的PM_(2.5)污染特征分析研究

分析和掌握大气中PM_(2.5)的污染特征,对控制PM_(2.5)的排放和改善空气质量具有十分重要意义。依据西安市连续2年多的空气质量监测数据,对AQI监测指标进行相关性分析,还从季节平均、月平均和日平均变化分析了PM_(2.5)随时间的分布特征,并应用MATLAB软件依据griddata插值算法绘制出了PM_(2.5)的空间分布图,直观地显示了PM_(2.5)污染在空间上的分布特征,突出了污染治理的重要季节和重点地区。研究结果表明:空气质量指数中的6项指标之间存在一定的相关性,PM_(2.5)与PM10的相关性最大,且PM_(2.5)污染呈季节性变化,春季污染最为严重,其次是冬季和秋季,夏季污染最轻;西安市的PM_(2.5)污染主要来源于燃烧、扬尘、尾气排放等过程,污染区域呈现北高南低的特征,污染源除人为源以外,周边污染扩散迁移也有较大影响。     

J市2016年PM2.5浓度不降反升原因探析

根据2015、2016年J市5个空气质量自动监测点位PM_(2.5)相关浓度数据,对J市2016年PM_(2.5)浓度升高原因进行了探析。结果表明,3、5、6、11、12月作为重点月份对2016年PM_(2.5)浓度升高影响最大,在重点月份中,佳纺、环保局、发电厂、四丰4个点位PM_(2.5)月均值浓度升高较为明显。     

北京城区PM_(2.5)不同时间尺度周期性研究

为研究北京城区PM_(2.5)浓度不同时间尺度的周期及其演变特征,利用2010~2015年PM_(2.5)浓度和常规气象资料,对其进行Morlet小波和交叉小波分析.结果表明,北京城区PM_(2.5)浓度存在显著的周期性变化,主要周期包括24h左右,8d左右和14d左右.14d左右的周期主要受大气准双周振荡的影响,8d左右周期不仅与天气尺度系统周期有关,此外可能还与人类活动引起"星期效应"有关,其中天气尺度系统的影响可能居于主要地位.通过交叉小波分析,PM_(2.5)与平均风速在8d和14d左右存在显著的共振现象,并且二者表征为负位相关系.气象要素日变化、城市居民行为习惯导致的污染物排放差异可能是造成24h左右振荡周期的重要因素.北京城区PM_(2.5)浓度的各周期在秋冬季较为显著,与北京地区秋冬季低层大气更多受强天气系统的影响有关;春夏季PM_(2.5)浓度较低和影响因素较多以及局地中尺度热力环流对于低层大气的影响更为显著是该时期周期性较弱的主要原因;季节内振荡(40~60d)在2014年后减弱可能与北京市开展的减排措施有关.尽管本研究利用小波分析方法得到一些关于北京城区PM_(2.5)浓度振荡周期及其演变特征的有效信息,但所用资料时长较短且站点相对单一,所得结论还需要大量的实测数据或其他分析方法的验证.     

高原省份城市空气质量状况统计分析及PM_(2.5)污染水平时空分布

收集了地处高原的云南省全省8个地级市、8个自治州政府所在地城市共40个监测点2015年全年(2015.01.01—2015.12.31)的大气PM_(2.5)、PM_(10)、SO_2、NO_2、O_3、CO、O_3-8 h日均浓度数据,计算出年均浓度值、空气质量指数AQI,并根据《HJ633-2012环境空气质量指数(AQI)技术规定(试行)》对云南省各州市政府所在地城市空气质量进行评价。PM_(2.5)年均浓度值最高的是文山,为37.89μg/m~3;最低的是丽江,为16.21μg/m~3。空气质量评价结果表明,云南省2015年整体空气质量状况优良,空气质量状况最好的是香格里拉,空气质量指数为35.76;空气质量指数最高的是昭通,为68.26。SO_2、NO_2与PM_(2.5)的关系呈现正相关,PM_(10)的变化趋势与PM_(2.5)的变化趋势较一致。     

基于GWR模型的天山北坡经济带PM2.5浓度反演及时空特征分析

构建PM_(2.5)浓度与相关因子的关系模型已成为获取干旱区经济带连续变化PM_(2.5)浓度数据的有效手段之一。本文以天山北坡经济带为研究对象,基于PM_(2.5)浓度监测数据、中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)的气溶胶光学厚度数据(aerosol optical depth,AOD)和气象数据,利用地理加权回归模型(geographically weighted regression,GWR)反演了研究区2018年3～11月PM_(2.5)浓度,进而分析其时空变化特征。结果表明:(1)相比多元回归模型(multiple linear regression,MLR),GWR模型在天山北坡经济带的PM_(2.5)浓度反演效果更优,决定系数R2、平均绝对误差MAE和均方根误差RMSE分别为0.897、4.569μg/m~3和5.627μg/m~3,明显优于MLR模型的0.819、5.825μg/m~3和7.731μg/m~3;(2)天山北坡经济带PM_(2.5)浓度在月尺度上呈"凹字型"变化特征,其中11月最高,达到59.50μg/m~3,3月和10月次之,9月最低,仅为17.92μg/m~3;在季节尺度上表现出秋季(9～11月)春季(3～5月)夏季(6～8月)的变化特征,其中春季呈波动下降趋势,夏季总体维持在较低水平,秋季呈急剧上升趋势;(3)在空间分布上,研究区PM_(2.5)浓度呈现出"东高西低"的特征,峰值出现在乌鲁木齐附近,说明经济带东部地区PM_(2.5)污染相对严重,尤其是乌鲁木齐。     

典型灰霾期间PM2.5演化的多重分形特征分析

为探索成都市PM_(2.5)污染物的空间来源及其演化机制,该文首先应用后向轨迹模型对灰霾期间抵达成都市的大气气团进行模拟,结果显示灰霾期间本地气团对成都市PM_(2.5)污染物的贡献远超过中远距离的外来气团,占比高达90%以上,局地空间内处于一种静稳状态。其次应用多重分形消除趋势波动分析法对灰霾期间PM_(2.5)的浓度序列进行多重分形分析,研究表明成都市灰霾期间PM_(2.5)浓度具有多重分形特征。最后运用相位随机替代法与随机重构法,对静稳条件下导致PM_(2.5)浓度多重分形特征的原因进行分析。结果表明灰霾期间,长期持续性在PM_(2.5)演化过程中占据主导地位,进而认为此次灰霾期间PM_(2.5)演化的长期持续性是其主要的内在动力机制,此时成都市大气空间内各局部空间PM_(2.5)浓度在多种要素的相互作用下逐步发展为一种相互同步的、均衡的平衡态。     

武汉城市圈PM_(2.5)的时空特征及其影响因素解析

文章基于2016～2017年武汉城市圈各城市站点PM_(2.5)逐时监测数据,主要利用空间自相关、核密度法和空间计量模型,从不同的时空尺度来分析武汉城市圈PM_(2.5)的空间分布格局和影响因素。结果表明:在年尺度上,2016～2017年武汉城市圈PM_(2.5)浓度整体上呈下降趋势,空间分布上呈中东部高、西南部低、局地略有突出的分布特征并表现出明显的空间集聚性,城市圈内部各城市PM_(2.5)污染浓度差异明显,且各城市之间存在一定的空间溢出效应;从年内尺度上看,武汉城市圈PM_(2.5)浓度总体上呈"U"字型分布,冬春季污染最为严重,秋季、夏季次之,且4个季节的PM_(2.5)浓度值存在较强的空间自相关性,表现出不同程度的空间集聚现象;从影响因素上看,无论是自然环境要素还是社会经济要素均对城市圈PM_(2.5)浓度变化起重要作用,按其贡献强度依次是温度民用汽车拥有量风速能源消费水平城镇化率第二产业占比湿度节能环保支出,而森林覆盖率和海拔高度对PM_(2.5)没有表现出明显的直接效应;从大气污染物本身关系上看,PM_(10)直接作用于PM_(2.5)的浓度变化,且起关键性的作用,CO和NO_2则主要是通过PM_(10)对PM_(2.5)浓度间接地产生影响,而O_3对PM_(2.5)浓度影响较小且呈负相关关系。     

能见度与PM2.5浓度关系及其分布特征

利用相对湿度、能见度和PM_(2.5)质量浓度观测数据,针对不同相对湿度下,建立了消光系数与PM_(2.5)质量浓度之间线性关系,并分析了相关关系的全国分布特征.结果表明,我国中东部大部分地区在一定相对湿度区间内均可建立线性相关关系,而且相关性较好,相对湿度40%～90%区间内的平均相关系数高于0. 75,其中北京相关系数高达0. 9.北京、长三角和四川等地的PM_(2.5)单位质量消光效率在同等相对湿度下明显大于其他地区.不同地区湿度对能见度影响程度不同,北京等地在相对湿度大于90%时相对湿度对能见度作用大于PM_(2.5),而广州在相对湿度大于80%时相对湿度的作用明显增强.利用能见度反算北京地区PM_(2.5)浓度可知,1980～1996年,PM_(2.5)浓度年际变化不大,受采暖方式影响冬季PM_(2.5)浓度显著较高; 1997～2009年呈现缓慢下降趋势; 2010～2012年呈现上升趋势. 1980年以来,全国的PM_(2.5)浓度整体呈上升的趋势,尤其是华北地区,PM_(2.5)浓度始终高于全国其他地区.     

山东省环境空气质量动力统计预报系统

以山东省17个城市2014年至2015年环境空气质量监测指标和同步的气象观测数据为基础,采用线性回归和神经网络方法建立统计预报模型,构建山东省环境空气质量动力统计预报系统。该系统实现了业务化自动运行,对山东省17城市的6项污染物指标(PM_(2.5)、PM_(10)、NO_2、SO_2、CO日均浓度和O_3日最大8小时滑动平均浓度)和AQI指数进行逐日预报。预报结果能较好的反应各市空气质量的变化趋势,为预报业务提供参考。     

家庭室内PM2.5中POPs污染状况及其与儿童哮喘的关系

为了探讨家庭室内PM_(2.5)中POPs的污染状况及其与儿童哮喘的关系.于2014年12月—2015年3月对上海市29个哮喘患儿童及31个健康儿童的家庭室内PM_(2.5)进行采样.采用GC-MS测定了样本中13种PBDEs、17种PAHs及27种PCBs的质量浓度,用GC-μECD测定了9种OCPs的质量浓度,并用SPSS19.0进行数据的统计学分析.家庭室内PM_(2.5)中持久性有机污染物污染状况的结果表明,所有样本∑PBDEs的浓度平均值为32.2 pg·m~(-3),其中,BDE-209占比最大(61.7%);∑PAHs浓度平均值为52.3 ng·m~(-3),7种致癌多环芳烃占比51.8%;∑OCPs浓度平均值为1016.4 pg·m~(-3),HCHs占比最大(43.7%),其次为DDTs,占比29.1%;∑PCBs浓度平均值为72.7 pg·m~(-3),以PCB-82、PCB-99、PCB-8及PCB-49为主.分析污染状况与哮喘的关系发现,病例组样本的∑PBDEs浓度和∑PAHs浓度高于对照组,两者间的差异具有统计学意义(p0.05);病例组样本的∑OCPs浓度和∑PCBs浓度低于对照组,仅∑OCPs浓度在两组间的差异具有统计学意义(p0.05).研究表明,家庭室内PM_(2.5)中POPs污染普遍存在,且哮喘儿童患者家庭室内PM_(2.5)中部分PBDEs、PAHs、OCPs浓度与对照组之间存在显著差异.     

基于移动观测的路边PM_(2.5)和CO浓度的时空分布

基于文献建立交通污染移动观测的预处理方法,并通过上海某区域7d 26次PM_(2.5)、CO浓度观测实验进行验证,进而揭示了路边PM_(2.5)、CO浓度的空间分布及其时间变化特征.结果表明,异常高值样本剔除,背景校正及时空尺度选择等方法的有效组合,能增强污染物时空表达的客观性和可比性.交通流量大、柴油车比例高、常发性拥堵、空气流通不畅等因素往往导致繁忙路口及其相连路段PM_(2.5)、CO高浓度集聚,比清洁校园增加1.7~2.8,12~20倍.居住或生产区域的PM_(2.5)浓度高出校园2倍左右,居住小区较校园的CO浓度增幅不明显.一天中PM_(2.5)空间平均浓度呈现清晨上午下午中午,CO则表现为清晨和上午相近,均大于中午和下午.湿度大和风速小不利于污染物扩散,从而造成清晨主干路附近形成污染物的高浓度集聚区.