2015—2020年中国PM2.5污染时空演化及其与ENSO的关系研究

根据2015—2020年中国近1500个监测站点PM_2.5小时浓度数据，利用空间自相关分析、回归分析及小波分析方法，探索了中国PM_2.5浓度与异常的时空演化及其与ENSO(El Ni?o-Southern Oscillation，厄尔尼诺-南方涛动)之间的关系.结果表明，PM_2.5污染具有显著空间自相关性，空间上存在明显集聚特征. PM_2.5浓度较高的站点通常位于华北地区，其次是华中、华东北部，而PM_2.5浓度较低的站点通常位于青藏、华南南部和西南南部地区，特别是华南沿海区域.两个ENSO期间，夏季，全国各区域厄尔尼诺年(2015年和2018年)PM_2.5平均浓度高于拉尼娜年(2017年和2020年)；冬季，北方大部分区域，除ENSO II内蒙古和青藏地区以外，厄尔尼诺年PM_2.5平均浓度也高于拉尼娜年，但华南和西南地区的结果相反，表明ENSO对我国冬季南北方PM_2.5污染的影响可能相反.回归分析表明，华北、华东...     

基于深度学习方法的PM2.5精细化时空估算模型

提出一种基于深度学习方法的地面PM_2.5浓度时空估算模型（PM_2.5-DNN）,该模型基于葵花-8卫星反演的AOD数据,结合PM_2.5监测站和气象站点观测数据对北京市地面PM_2.5浓度进行了逐时的高精度模拟,同时将PM_2.5-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_2.5-DNN模型估算的北京地区1km分辨率每小时地面PM_2.5浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R²=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_2.5浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_2.5浓度估算提供了一个简便而有效的方法模型.     

基于WRF模型与气溶胶光学厚度的PM2.5近地面浓度卫星反演

为了反演高分辨率的PM_2.5近地面浓度,利用WRF(中尺度气象模型)模拟的大气相对湿度、风速、边界层高度等气象因子对AOD(气溶胶光学厚度)分别进行订正,以逐步提高AOD与近地面ρ(PM_2.5)间的相关性;分析不同反演模型的统计学特征,优选反演模型,并利用最优模型反演中国中东部地区2014年年均ρ(PM_2.5)的空间分布特征.结果表明:AOD经相对湿度订正后,其与近地面ρ(PM_2.5)的相关性显著提高,相关系数达到0.77;同时引入相对湿度、风速2个气象因子,AOD与近地面ρ(PM_2.5)的相关系数升至0.79(n=145,P<0.01);同时引入相对湿度、风速和边界层高度3个气象因子,AOD与近地面ρ(PM_2.5)的相关系数进一步升至0.80(n=145,P<0.01).模型反演表明,研究区域内ρ(PM_2.5)年均值大于35 μg/m3的面积高达334.49×104 km2,占研究区域面积的83.2%,并且高污染地区与人口密度高度重合.分析表明,北京、天津、河北、山东及河南等典型重污染省、直辖市分别有96.30%、100%、78.16%、98.86%、100%面积的ρ(PM_2.5)超标,分别约有99.97%、100%、96.41%、98.88%、100%人口生活在空气质量超标地区.      

城市微环境PM2.5浓度空间分异特征分析

以长沙市主城区为例,在203个地面点通过加密观测并获取PM_2.5浓度小时观测值,辅以同步常规稀疏国控点PM_2.5浓度观测数据,在点、面尺度对比分析加密、稀疏两种观测模式下城市微环境PM_2.5浓度空间分布的特征差异.结果表明：地面加密观测模式下PM_2.5浓度高值区主要集中在道路、地表扬尘、住宅小区、医院和工业园等人群、车辆活动的微环境场景;低值区主要出现在公园景区等高植被覆盖度区域.同一空间点位,地面加密观测PM_2.5浓度值均高于常规稀疏国控点PM_2.5浓度观测值,平均高出29.71μg/m³.反距离权重空间插值制图揭示地面加密观测模式下的PM_2.5浓度呈现明显的西北部高（>75μg/m³）、中部和南部居中（65~75μg/m³）、东部低（<55μg/m³）的三级阶梯式异质特征,剖面分析各向波动较大.相比,稀疏国控观测模式空间分布图仅能反映主城区PM_2.5浓度整体较低（<55μg/m³）、除北-南向之外各向剖面PM_2.5浓度相对无明显变化的格局.与此同时,稀疏国控观测模式在地面加密观测点估算的PM_2.5浓度同样显著低于实际观测值,所揭示的研究区高值PM_2.5浓度微环境为道路、地表扬尘、汽车站.研究结果证实,出于环境保护目标建立的空气质量国控监测点难以精确反映同点位近地面PM_2.5浓度,所识别的城市高低PM_2.5浓度值微环境与真实情景存在偏差,空气质量越优等级下偏差越大.     

基于星地同步观测的华北平原中部背景地区冬季霾污染过程

利用地基观测结果和多源卫星遥感观测,结合气象数据及HYSPLIT4后向轨迹模式,对华北平原中部背景地区(河南省郑州市中牟县东南郊)冬季霾事件的污染物特征和形成过程进行分析.综合观测时间为2014年12月13日~2015年1月16日,共有5次霾过程,占观测总天数的82%.地面监测结果显示,不同的污染过程污染物浓度变化曲线相似,O₃浓度在清洁天浓度较高;NO_x、SO₂、PM₁₀、PM_2.5呈较强正相关性,NO_x、SO₂与 PM₁₀相关系数0.64、0.57,与PM_2.5相关系数0.56、0.45;近地面污染物以细粒子污染物为主,其中又以气态污染物二次生成的细粒子为主.AMPLE地基激光雷达和CALIPSO数据表明,华北平原霾层中上部受浮尘影响,以粗粒子污染物为主.气象探空数据表明该地区冬季大气对流层稳定利于霾的维持,假相当位温垂直差、K指数、露点差与能见度相关系数分别为0.52、0.56和 0.38.分析近地面风速风向对霾过程的影响表明,该地区冬季以南方向静小风为主,风速与能见度相关系数为0.32 ,PM₁受东北方向污染源影响,PM_1~2.5及PM_2.5~10受西北方向污染源影响;结合高空风场分析,霾过程1受西北浮尘影响,霾过程5受南来水汽影响.通过后向轨迹分析,该地区冬季的低空污染传输主要来自东北和西北方向,其中东北方向区域传输来自河北与山东,占来源比例的14%,近距离污染传输主要来自站点以西的郑州、洛阳,约占来源比例的33%.     

基于遥感数据估算近地面PM2.5浓度的研究进展

卫星反演的气溶胶光学厚度(AOD)具有广泛的空间覆盖度和相对较高的时空分辨率. 基于AOD与PM_2.5的相关关系来估算PM_2.5浓度已成为监测近地面PM_2.5的有效途径,其估算结果较可靠,能够为治理PM_2.5污染提供数据基础和科学依据. 从反演AOD数据集和PM_2.5浓度估算模型2个方面进行梳理归纳,从卫星轨道运行类型角度分析各类传感器的产品特征,并对缺失AOD的插补方法进行分类评价;对PM_2.5浓度的估算模型进行比较分析,指出不同模型的优缺点和适应性. 结果表明:①各类卫星传感器均具有特定功能及优缺点,其中地球同步轨道(GEO)卫星的快速发展,使其在估算PM_2.5浓度的应用上越来越广泛. ②插补后的AOD比AOD初始产品具有更连续的时空分布和更高的准确性,基于模型的多变量估算不仅可以实现数据的全面覆盖,还可以获得更好的估算精度. ③组合模型成为估算PM_2.5浓度的重要方法,机器学习模型的加入能够有效提高PM_2.5浓度的估算精度. 研究显示,利用AOD估算近地面PM_2.5浓度不仅弥补了地面PM_2.5监测的空间不连续性,更有助于解析PM_2.5浓度的时空分布特征及污染来源.      

安徽省PM2.5浓度反演方法对比及时空变化研究

为探讨安徽省PM_2.5时空分布特征,文章基于2015-2020年地基观测PM_2.5、AOD、植被覆盖产品以及气象要素数据等,对比了多尺度地理加权回归、随机森林、全连接神经网络3种模型的精确度,并采用全连接神经网络模型反演了PM_2.5浓度,分析了PM_2.5浓度的时空变化特征,以及各因子对PM_2.5浓度的影响力。结果表明：3种模型中,全连接神经网络模型的精确度最高;2015-2020年PM_2.5浓度从平均51.29μg/m³递减至36.71μg/m³,季节尺度上,PM_2.5浓度冬季>春、秋季>夏季,受政策及疫情影响,2018年的秋冬季、2020年的春夏季PM_2.5浓度下降同比最快;空间上表现为皖北>皖中>皖南。10个影响因子两两交互,均比单一因子对PM_2.5浓度的影响大,其中AOD对PM_2.5的影响力最大,...     

基于GF-4卫星的长三角城市群PM2.5遥感反演

基于静止卫星高分四号（GF-4）遥感数据,利用6SV辐射传输模型与暗目标算法进行高空间分辨率气溶胶光学厚度（AOD）遥感反演;在此基础上,结合地面监测站大气细颗粒物（PM_2.5）浓度、气象资料等数据,采用物理订正方法及线性混合效应模型,实现长三角城市群区域大尺度空间连续的PM_2.5浓度遥感反演;最后利用十折交叉验证法对反演精度进行验证.结果表明：GF-4反演的AOD结果分辨率较高,空间连续性好,与AERONET地基监测相关性R达到0.82;利用GF-4 AOD的PM_2.5估算模型精度较高,模型估算PM_2.5浓度与地面实测数据拟合度R²为0.74;在分春夏秋冬4个季节建模情景下,交叉验证R²依次为0.67,0.59,0.63和0.72,平均绝对误差MAE为10.40,7.42,10.10,13.34μg/m³,表明GF-4卫星适用于区域PM_2.5浓度监测.     

2015—2022年我国华北地区冬季PM2.5-O3复合污染及特征分析

以往关于大气PM_2.5-O₃复合污染的研究主要集中在夏季,尚较缺乏对严峻的冬季复合污染问题的关注,为了解冬季大气PM_2.5-O₃复合污染过程,该文基于2015—2022年冬季(1—2月)空气质量地面监测、气象数据等资料,结合统计方法分析了我国华北地区冬季大气PM_2.5-O₃复合污染的特征及驱动因素. 结果表明:2015—2022年冬季,我国南方主要城市复合污染天数呈显著下降趋势(?0.8~?0.2 d/a),这与我国采取一系列措施降低了PM_2.5浓度有关;但在我国北方地区,特别是华北地区冬季大气PM_2.5-O₃复合污染天数却呈现显著的上升趋势(0.2~0.7 d/a). 针对华北地区较为严峻的复合污染形势,挑选出19 d区域性的复合污染天进行重点分析. 在气象因素方面,复合污染发生时华北上空500 hPa高空存在反气旋环流异常、850 hPa高空存在偏南风异常,地面午后(10:00—18:00)平均温度(0.43~5.27 ℃)偏高、平均风速(?4.19~?0.22 m/s)偏小. 在化学过程方面,冬季华北地区发生复合污染的城市观测站点中PM_2.5与O₃浓度之间呈显著正相关(R=0.45,P<0.05),而在非复合污染的城市观测站点则表现为负相关(R=?0.68,P<0.05). 进一步对比华北地区复合污染城市观测站点与非复合污染城市观测站点O_x(O_x=NO₂+O₃)和NO₂浓度的拟合斜率(分别为0.62、0.55)、PM_2.5与CO浓度的比值(分别为0.07、0.06)以及O_x的浓度(平均值分别为124.40、113.47 μg/m3),定性地表明了华北地区冬季O₃浓度的升高与活跃的光化学反应有关,同时较高的O₃浓度也可能导致了更多的二次PM_2.5生成. 研究显示,我国华北地区复合污染呈现加剧的态势且往往伴随着活跃的光化学反应,亟需进一步深入研究厘清复合污染发生时的大气化学过程.      

广州不同站点类型PM2.5与O3污染特征及相互作用

基于2015~2019年广州4个不同国控站点类型的大气污染物监测数据,研究了广州各站点类型颗粒物（PM_2.5）和臭氧（O₃）的污染特征,并分析了O₃污染季节和PM_2.5污染季节PM_2.5和O₃的相关性及相互作用.结果表明：2015~2019年广州各站点类型PM_2.5浓度总体呈下降趋势,O₃浓度呈上升趋势.不同污染季节PM_2.5与O₃浓度均呈正相关.O₃污染季节二次PM_2.5的生成对颗粒物的影响显著大于一次PM_2.5,随着光化学水平的升高,一次PM_2.5的贡献浓度基本不变（均在21.03~31.37μg/m³范围内）,贡献率逐渐下降;而二次PM_2.5的贡献浓度逐渐升高（3.51~7.72 μg/m³升高到16.04~18.45μg/m³）,贡献率也逐渐升高（11%~27%升高到34%~44%）,且呈倍数增加.不同站点类型贡献差异明显,背景站点二次PM_2.5的贡献最大,城区站点在中和高光化学水平下二次PM_2.5的贡献最小;PM_2.5污染季节各站点类型在不同PM_2.5污染水平下O₃浓度均具有差异性,总体上均呈现背景站点>郊区站点>城区站点的特点.气溶胶的消光作用和非均相反应均显著促进O₃生成,随着PM_2.5浓度升高,各站点类型的O₃浓度峰值逐渐升高,由62.12~83.82μg/m³升高到92.49~135.4μg/m³;O₃变化率峰值也逐渐升高,由8.42~10.02μg/（m³·h）升高到21.33~27.04μg/（m³·h）.进一步促进了广州PM_2.5和O₃浓度的协同增长.     

2013—2015年中国PM2.5污染状况时空变化

自2013年我国首次开展全国范围PM_2.5近地面监测以来,少有研究从全国空间尺度分析近3年全国PM_2.5污染状况时空变化的总体特征,识别PM_2.5污染加剧或缓解的空间范围,更缺乏直接对比评估国家大气污染重点防控区内外PM_2.5污染特征变化的差异.基于2013—2015年PM_2.5监测数据,综合运用时空统计分析与空间插值制图手段,揭示近3年ρ(PM_2.5)及不同等级污染天数的时空变化格局,并着重对比分析“三区十群”区域内外ρ(PM_2.5)的变化差异.结果表明,2013—2015年,全国持续监测的413个站点中有335个监测站点ρ(PM_2.5)年均值下降,其中218个站点实现连续两年年均浓度降低,74个站点ρ(PM_2.5)年均值降至符合国家二级标准;全国大部分地区ρ(PM_2.5)年超标率由50%以上降至30%以下,重度污染站点占比由88.38%降至73.77%,严重污染站点占比由65.86%降至36.35%;长三角城市群、长株潭城市群、武汉及周边城市群、陕西关中城市群PM_2.5污染呈现明显好转趋势;西藏、云贵高原以及海峡西岸城市群、珠三角城市群等沿海地区ρ(PM_2.5)一直较低,空气质量相对优良;但与此同时,京津冀城市群、山东半岛城市群及河南中部和北部地区仍是中国PM_2.5重污染区域,新疆西南部、合肥、南昌等地区逐渐形成新的PM_2.5重污染格局.      

北京大气PM2.5遥感监测业务化方法探讨

为探索卫星遥感监测大气ρ(PM_2.5)业务化方法,以北京为例,利用2013年MODIS卫星资料和北京35个地面自动监测站(下称自动站)的实时观测数据,以目前国内外应用最广泛的3种卫星反演大气气溶胶的方法——AOD(气溶胶光学厚度)、K_drya,0(气溶胶干消光系数)和R_a(气溶胶表观反照率)反演地面ρ(PM_2.5)的方法(分别称为AOD法、K_drya,0法和R_a法)为基础,结合地面ρ(PM_2.5)实测数据,建立了气溶胶反演参数与ρ(PM_2.5)统计关系,进一步测算了全市区域ρ(PM_2.5)的分布情况.结果表明:3种方法都具有较高的反演精度,其获取的全年ρ(PM_2.5)与地面实测数据的相关系数分别达到0.80、0.81和0.85,其中R_a法结果精度最高.从季节来看,R_a法在除夏季外的其他季节与地面监测数据相关系数都在0.70以上,优于其他2种方法.建议在春、秋、冬三季以R_a法,夏季以AOD法或K_drya,0法为基础进行北京PM_2.5业务化遥感监测.基于R_a法探讨了在2013年11月20—23日区域性大气重污染过程中北京PM_2.5区域分布特征和变化过程,卫星反演结果相对误差低于20%,直观地反映了区域大气颗粒物污染的时空分布规律.研究显示,三者都可以用来反演北京地区ρ(PM_2.5),其中R_a法最简便易行,尤其适用于业务化遥感监测.      

不同季节肇庆市PM2.5和O3污染特征及潜在源区分析

为定量化评估不同地区对肇庆市污染物输送影响,分析了2014—2018年肇庆市ρ（PM_2.5）和ρ（O_{3-8 h}）（O_{3-8 h}为O₃日最大8 h滑动平均值）的变化特征,并基于HYSPLIT模式计算不同季节后向气流轨迹,通过聚类分析、潜在源贡献因子和浓度权重轨迹方法对肇庆市外来污染物的输送路径和潜在源区进行分析.结果表明:①2014—2018年肇庆市ρ（PM_2.5）年均下降3.3 μg/m3,2016年开始ρ（PM_2.5）最大值逐年增大.ρ（PM_2.5）日变化呈双峰型,峰值分别出现在上、下班高峰期后.2016年起ρ（O_{3-8 h}）年均增加4.4 μg/m3,成为肇庆市首要空气污染物.ρ（O₃）日变化呈单峰型,于15:00—16:00达到峰值.②PM_2.5和O₃污染分别在冬季和秋季较严重,超标日分别达20.6和15.0 d.ρ（PM_2.5）与风速相关性最高,ρ（O_{3-8 h}）与日照时数和相对湿度相关系数均较高.③春、夏两季影响肇庆市的气流近80%来自南部海面和东北方向,秋、冬两季85%以上气流源自偏东和偏北方向,肇庆市PM_2.5和O₃污染除受本地排放影响外,还有来自珠三角、广东省北部及其东部沿海、江西省等地区的输送贡献.研究表明,肇庆市PM_2.5和O₃污染均较严重,区域联防联控需重点关注广东省中东部城市的外来输送影响.      

长江三角洲初冬一次重污染天气成因分析

利用站点气象和PM_2.5资料以及NCEP的全球再分析数据集研究了2015年12月17~28日长江三角洲地区一次重污染天气过程.结果表明：地面弱气压场是此次污染事件发生发展的主要天气背景,而冷空气带来的大风使PM_2.5浓度迅速下降,有效清除了PM_2.5.区域热力因子和动力因子分析发现,此次过程中大气中低层层结稳定、近地面逆温强,有利于PM_2.5和水汽的累积,使其浓度水平升高;对于动力因子来说,较小的通风率和较低的边界层高度不利于污染物扩散,同样使PM_2.5浓度上升.两者相比,热力因子对PM_2.5浓度值的贡献比动力因子大.结合后向轨迹和排放源分布发现,此次污染过程中长江三角洲地区的PM_2.5主要受来自其西北方向的大陆气团（占46%左右）的影响,这些气团途经高污染排放源并把污染物远距离传输至长江三角洲地区.最后利用PSCF和CWT对长江三角洲地区污染物的潜在来源进行了分析,发现PM_2.5的来源主要集中在安徽、河南、山西、山东以及长江三角洲本地,说明此次过程中长江三角洲地区的污染物浓度受到远距离输送和局地过程的共同影响.     

2013—2014年《大气污染防治行动计划》实施效果及对策建议

2013年9月10日国务院颁布了《大气污染防治行动计划》(下称《行动计划》).为研究《行动计划》颁布前后我国不同地区大气污染状况变化及其防治措施效果,通过分析2013—2014年“中国大气气溶胶研究网络(CARE-China)” 36个监测站点ρ(PM_2.5),结合同期环境保护部公布的74个重点城市大气主要污染物浓度数据和OMI卫星数据,分析了我国不同地区ρ(PM_2.5)变化及其原因;同时,以北京为例,分析了不同粒径段中颗粒物质量浓度变化的原因.结果表明:①京津冀及其周边、长三角、珠三角、西南、成渝、西北、华中、关中和东北9个地区ρ(PM_2.5)年均值下降了1.1～16.3 μg/m3.其中,京津冀及其周边、长三角、珠三角、成渝和关中地区降幅均超过10.0%,分别为10.2%、10.7%、11.6%、16.9%和20.8%.②不同地区ρ(NO₂)和ρ(SO₂)年均值变化基本一致,近地面ρ(NO₂)年均值在京津冀及其周边、珠三角、西南、成渝和华中等地区降幅在3.0%～9.2%之间,但是华北平原地区NO₂柱浓度下降明显,降幅在10.0%～20.0%之间.③北京地区ρ(PM₁)和ρ(PM_2.5)年均值分别下降了5.7和0.2 μg/m3,并且ρ(NO₃-)和ρ(SO₄2-)年均值在PM₁和PM_2.5中均有所下降,但ρ(PM_1~2.5)与其ρ(NH₄+)年均值升幅分别为27.9%和16.2%.因此,京津冀及其周边地区在防治措施实施过程中,在控制高架点源与实施脱硝措施等情况下,应逐步加强近地面面源和线源的控制力度;在实施SO₂和NO_x减排措施的同时,还需要重视机动车三元催化过程和燃煤电厂脱硫脱硝过程中可能导致的NH₃排放问题.      

机器学习耦合受体模型揭示驱动因素对PM2.5的影响

PM_2.5主要受排放源、大气化学、气象条件等驱动因素的非线性影响,了解驱动因素对PM_2.5浓度的影响十分重要. 本研究基于南开大学大气环境综合观测超级站的逐时在线观测数据,耦合机器学习方法和受体模型,揭示了驱动因素的重要性以及对PM_2.5浓度的影响. 结果表明:① 2018年11月—2020年10月观测地点的PM_2.5浓度范围为3.21~291.80 μg/m3,采暖季PM_2.5浓度和化学组分均高于非采暖季. ②使用受体模型解析PM_2.5的来源及其贡献,发现观测期间二次源的贡献率(44.7%)最高,其他依次为燃煤源(23.6%)、机动车排放源(11.0%)、扬尘源(9.9%)、生物质燃烧源(7.2%),工业源的贡献率(3.6%)最小. ③利用随机森林-SHAP模型量化排放源、大气氧化能力、气象条件等驱动因素对PM_2.5浓度的影响,发现观测期间排放源对PM_2.5浓度的影响程度为54.3%,高于其他驱动因素;气象条件对PM_2.5浓度的影响程度次之,为32.4%;大气氧化能力对PM_2.5浓度的影响程度相对较低,为13.3%. 在采暖季和非采暖季,各驱动因素对PM_2.5浓度的重要性在排序上没有变化,然而驱动因素对PM_2.5浓度的影响程度有所不同. 采暖季排放源对PM_2.5浓度的影响程度高于非采暖季,采暖季大气压对PM_2.5浓度的影响程度低于非采暖季. 研究显示,排放源对PM_2.5的影响相对较大,气象条件和大气氧化能力对PM_2.5浓度的影响也不容忽视.      

基于走航观测的长江三角洲地区大气污染特征及来源追踪

为了加强对长江三角洲地区大气污染分布特征和输送规律的认识,利用移动车载设备开展了不定期的走航观测,重点研究了2016-2018年冬季灰霾污染和春季光化学污染条件下长江三角洲地区的大气污染特征.结果表明,走航观测期间长江三角洲地区PM_2.5日均浓度为60~122 μg/m³,东部的常州、无锡一带,西部的合肥、芜湖地区,北部蚌埠、滁州一带,南部湖州、杭州地区的PM_2.5浓度较高,比其他地区高出20%~40%.O₃日均浓度水平为9~52 μg/m³,苏州、盐城、宣城与湖州地区浓度相对较高.运用FLEXPART_WRF模式,结合PM_2.5排放清单,分析了走航观测期间长江三角洲地区及沿线城市PM_2.5的潜在来源.结果发现,东风条件下,南通及上海地区为PM_2.5的潜在源区,北风条件下,连云港、盐城等地区贡献较大.运用FLEXPART前向轨迹计算模块,对一次污染个例过程进行了模拟,并利用走航观测结果进行了验证,发现模拟结果与走航观测结果的相关系数达到0.9.可见,长江三角洲地区存在区域性的PM_2.5和O₃污染,走航观测结合轨迹分析是追踪污染气团输送的有效手段.     

石家庄市采暖期大气细颗粒物中PAHs污染特征

采集2015年12月-2016年2月采暖期石家庄市文教区、交通密集区、居民区和商业交通混合区大气细颗粒物样品,依据HJ 646-2013《环境空气和废气气相和颗粒物中多环芳烃的测定气相色谱-质谱法》分析石家庄市大气细颗粒物中PAHs污染水平及分布特征、气象参数与PAHs相关性,并解析PAHs污染来源.结果表明:石家庄市冬季采暖期大气细颗粒物PM₁₀、PM_2.5和PM_1.0中ρ（PAHs）的日均值分别为397.66、349.09和272.35 ng/m3,分别是采暖期前（11月1-15日）的6.16、4.62和4.82倍,并且呈交通密集区>居民区>文教区>商业交通混合区的空间分布特点.相对湿度与细颗粒物PM₁₀、PM_2.5和PM_1.0中ρ（PAHs）均呈显著正相关,R2分别为0.30、0.37和0.33,而风速与三者呈显著负相关,R2分别为-0.39、-0.53和-0.26;PM_1.0中具有显著相关的PAHs单体数量多于PM₁₀和PM_2.5.根据PAHs环数分布特征及特征化合物比值判断,石家庄市冬季采暖期PAHs污染为燃煤与机动车尾气复合型污染特征,同时餐饮油烟也有一定的贡献.      

气象和排放变化对PM2.5污染的定量影响

基于WRF-CMAQ模型系统定量分析了气象和排放因素对全国及重点区域PM_2.5污染影响程度.从年度特征来看,与2015年相比,2016年、2017年全国空气质量明显改善,PM_2.5年均浓度分别下降7%和14%;2016年气象条件总体转好,气象因素和排放因素变化导致全国PM_2.5年均浓度下降幅度分别为4%和3%;2017年全国气象条件与2015年相比基本持平,大气污染物排放量下降是PM_2.5污染减轻的决定因素.除汾渭平原外,京津冀及周边地区"2+26"城市、长三角、成渝地区空气中的PM_2.5年均浓度持续下降;珠三角气象条件变化对PM_2.5影响较大,2017年导致PM_2.5浓度上升了29%;除汾渭平原外,其他4个重点地区的污染物排放变化导致PM_2.5年均浓度下降且2017年的下降幅度进一步加大,说明污染管控措施的环境效益明显.从季节特征来看,气象影响值的区域性差异明显.本文分析方法可用于制定空气质量目标或者评估污染控制方案的环境效果.     

全国2018~2019年秋冬季气象条件变化对PM2.5影响研究

本文基于WRF-CMAQ模型定量分析了气象条件变化对PM_2.5的影响.全国337个城市2018~2019秋冬季气象条件转差导致PM_2.5平均浓度同比上升约5.55%.24个省市气象条件同比转差，北京气象转差致使PM_2.5同比上升约3.66%.从重点区域来看，京津冀及周边“2+26”城市气象条件转差最显著，汾渭平原次之，长江三角洲（以下称长三角）基本持平，分别导致PM_2.5浓度同比上升约9.4%、8.3%、1.1%.“2+26”城市和汾渭平原气象条件在11月、1月、2月转差，10月、3月气象条件转好.长三角则10月、11月、3月气象条件转差；12月、1月、2月转好.“2+26”城市2018~2019秋冬季PM_2.5浓度同比上升主要为气象条件转差所致；汾渭平原PM_2.5同比变化较小，人为减排有效抵消了气象条件转差带来的不利影响；长三角PM_2.5浓度同比下降，与气象条件变幅小且污染排放较去年同期降低有关.