郑州城区PM_(10)、PM_(2.5)质量浓度变化特征及其对气象因子的响应

利用郑州城区9个国控监测点位PM_(10)、PM_(2.5)的日监测数据,研究2013～2016年间郑州城区大气颗粒物质量浓度变化特征及其对气象因素的响应。结果表明,2013～2016年间郑州城区环境空气污染总体状况改善趋势较为显著,重度及以上的污染天数占全年有效天数的比例逐年降低,PM_(10)、PM_(2.5)浓度逐年下降;PM_(10)和PM_(2.5)浓度月均值变化基本一致,浓度变化均呈"U"型分布。PM_(10)和PM_(2.5)质量浓度变化具有明显的季节性特征,冬季其质量浓度最高,春季和秋季次之,夏季最低。选取气温、气压、风速、相对湿度和降水量等气象因子,利用Spearman秩相关分析研究各个气象因子对大气PM_(10)、PM_(2.5)浓度的影响。相关性分析结果表明,与PM_(10)、PM_(2.5)浓度显著相关的气象因素存在季节性差异,风速、相对湿度和降雨量是影响郑州城区大气颗粒物质量浓度的主要气象因子。     

宁波市区秋冬季PM_(2.5)质量浓度特征及影响因素分析

该研究基于2013年11-12月的宁波市空气质量监测数据和气象资料数据,分析了PM_(2.5)质量浓度变化特征,探讨了PM_(2.5)与其它粒径颗粒物、气体污染物以及多个气象因子之间的相关性及影响规律,构建了包含气象和污染气体因子的逐步回归模型,综合分析了2类因子对宁波市PM_(2.5)浓度的影响。研究结果表明:(1)研究时间段内的宁波PM_(2.5)质量浓度范围为(100.66±72.98)μg/m~3,超过粗颗粒PM_(2.5-10)的质量浓度,是可吸入颗粒物的主要组成部分。(2)PM_(2.5)与3种污染气体均表现出显著的相关性,其中与CO的质量浓度相关性最高,R=0.85。风速与PM_(2.5)呈现负相关,受西北-北风向影响下的PM_(2.5)浓度要明显高出其它风向影响下的浓度。降水对PM_(2.5)影响显著,降水日的PM_(2.5)平均质量浓度随降水强度呈现幂函数递减,为非降水日的48.4%。非降水日的PM_(2.5)浓度与相对湿度显著正相关,与日照时数显著负相关。(3)逐步回归结果表明,气象和污染气体两类因子能够解释PM_(2.5)浓度82.4%的变异。其中,CO是影响宁波市秋冬季PM_(2.5)浓度的首要显著因子。本研究对明确城市PM_(2.5)污染特征和影响因素具有参考价值和意义。     

哈尔滨市PM_(2.5)质量浓度变化特征及影响因素分析

针对哈尔滨市的PM_(2.5)空气污染问题,收集整理了哈尔滨市2014年全年的空气污染物数据和气象数据,分析研究了当地PM_(2.5)质量浓度变化特征,找出其影响因素。结果表明,哈尔滨市PM_(2.5)日均质量浓度为72.64μg/m~3,初步达到国家标准。PM_(2.5)月均质量浓度11月最高,约为148.27μg/m~3,9月最低,约为21.07μg/m~3。秋冬两季PM_(2.5)平均质量浓度较高。PM_(2.5)/PM10比例春季最低,约为0.5,PM_(2.5)已成为哈尔滨市可吸入颗粒物中的首要污染物。从PM_(2.5)与SO~2、NO~2、CO的相关性来看,哈尔滨市PM_(2.5)与CO的相关性最高,四季均在0.9左右。各类空气污染物的平均浓度降水日低于非降水日。PM_(2.5)与气象因子的相关性较小,与风速呈负相关。     

GAM的区域PM_(2.5)浓度影响因子识别及关联关系分析

区域PM_(2.5)浓度影响因子及显著程度对区域PM_(2.5)浓度模拟和污染控制具有重要意义。该研究应用广义加性模型(GAM)建立模型分析2013年京津冀区域PM_(2.5)浓度与AOD、气象因子(相对湿度、温度、降雨量、大气压、风速)和土地利用类型(水体、林地、耕地、建设用地、裸地)之间的相关关系。结果表明,温度、大气压、AOD、林地、建设用地和裸地显著的影响PM_(2.5)浓度;且温度、AOD、裸地、林地与PM_(2.5)存在复杂相关关系,大气压、建设用地与PM_(2.5)浓度存在线性相关关系。GAM模型R~2为0.952,拟合结果与实测结果的线性回归方程系数为0.959,模型交叉验证后得到R2为0.792。结果表明,利用GAM能有效的识别区域PM_(2.5)浓度的影响因子,根据影响因子进行PM_(2.5)浓度拟合并得到可靠的拟合结果。     

大连市大气污染特征、影响因素及来源分析

基于2016—2017年大连市6种大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、O_3、CO)的监测数据,研究污染物浓度的时间变化、周末效应及气象影响因素。结果表明,大连市大气污染物以O_3、PM_(10)和PM_(2.5)为主;冬季主要污染物为颗粒物,夏季为O_3。受供暖燃煤等影响,PM_(10)、PM_(2.5)和SO_2浓度供暖季显著高于非供暖季。大气污染物浓度季节变化显著,且PM_(2.5)、PM_(10)、SO_2及NO_2呈现周末较高的"周末效应"。利用相关性分析考察温度、湿度、风速等气象因素对污染物的影响;利用后推气流轨迹等方法分析大连市大气PM_(2.5)可能的来源。     

基于GAM模型分析中国典型区域网格化PM2.5长期变化影响因素

为探究中国典型区域地表PM_(2.5)浓度长期时空变化及其影响因素,运用广义可加模型(GAM)对1998～2016年均0. 01°×0. 01°地表PM_(2.5)浓度网格化数据进行分析.典型区域多年平均PM_(2.5)浓度从高到低:华东华中地区(40. 5μg·m~(-3))华北地区(37. 4μg·m~(-3))华南地区(27. 8μg·m~(-3))东北地区(23. 7μg·m~(-3))四川盆地(22. 4μg·m~(-3)).东北地区PM_(2.5)年际变化呈现明显上升趋势;其他地区1998～2007年呈上升趋势,2008～2016年出现下降趋势.在典型区域PM_(2.5)浓度空间分布上,PM_(2.5)浓度分布呈现显著的空间差异,多年来各区域PM_(2.5)浓度高值分布相对稳定. PM_(2.5)浓度变化的单因素GAM模型中,所有影响因素均通过显著性检验,典型区域中对PM_(2.5)浓度变化影响解释率较高的各个影响因素顺序有所不同. PM_(2.5)浓度变化的多因素GAM模型中,均呈现非线性关系,典型区域方差解释率为87. 5%～92%(平均89. 0%),模型拟合度较高,对其变化有显著性影响.典型区域YEAR和LON-LAT均对PM_(2.5)浓度变化影响最为显著.除此之外,气象因子对PM_(2.5)的影响大小在各个区域存在不同.东北地区影响PM_(2.5)最重要的3个气象因子排序为:tp v_(10) ssr;华北地区为:temp tp msl;华东华中地区为:temp tp ssr;华南地区为:temp RH blh;四川盆地为:tp temp u_(10).结果表明,运用GAM模型,能够定量分析区域PM_(2.5)浓度长期变化的影响因素,对PM_(2.5)污染评估具有重要意义.     

餐厨垃圾与污泥厌氧发酵动力学特性分析

基于2016—2017年大连市6种大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、O_3、CO)的监测数据,研究污染物浓度的时间变化、周末效应及气象影响因素。结果表明,大连市大气污染物以O_3、PM_(10)和PM_(2.5)为主;冬季主要污染物为颗粒物,夏季为O_3。受供暖燃煤等影响,PM_(10)、PM_(2.5)和SO_2浓度供暖季显著高于非供暖季。大气污染物浓度季节变化显著,且PM_(2.5)、PM_(10)、SO_2及NO_2呈现周末较高的"周末效应"。利用相关性分析考察温度、湿度、风速等气象因素对污染物的影响;利用后推气流轨迹等方法分析大连市大气PM_(2.5)可能的来源。     

北京市冬季雾霾天人体呼吸高度PM2.5变化特征对气象因素的响应

依据实测北京冬季人体呼吸高度PM_(2.5)质量浓度、湿度、风速、风向、温度数据,利用相关性分析、非线性回归分析、统计分析,分别探讨轻中度空气污染天、一次重污染过程,气象因子对PM_(2.5)质量浓度生成、变化的影响.结果表明:1轻中度污染天,若温度较低、日平均风速较小,湿度大时,湿度是影响PM_(2.5)质量浓度变化的决定性因素;而温度、风速、湿度均较大时,PM_(2.5)质量浓度变化受三者共同作用;当风速、湿度、温度均较小时,PM_(2.5)质量浓度变化主要受前两者影响.这反映出,人体呼吸高度的PM_(2.5)质量浓度变化对气象因子微小变化响应极为敏感.2一次空气质量从良到重度污染的过程中,PM_(2.5)质量浓度积累主要是由于空气湍流较弱、加之湿度大导致的,此外白天西北风、东北风较大,但持续时间短,而夜间东南风、西南风风速较小,持续时间长,也有利于污染物的累积.3短时微小量降雪使温度降低、空气湿度增加,不仅不能降低PM_(2.5)质量浓度,反而使其上升了72%,造成颗粒物浓度的跃升现象.4短时风速较大,风速达到2.0 m·s~(-1),持续2 h,虽然在一定程度上降低局地PM_(2.5)质量浓度,但并不能彻底改变空气质量状况.只有当风速大于3.5 m·s~(-1),且持续4 h以上,才能够迅速地扩散空气中的细颗粒物,空气质量由重度污染转变为优.     

广东省气象与源排放因素对PM_(2.5)浓度影响的数值模拟研究

为更好地区分大气污染物浓度变化中气象与源排放因素的影响,使用中尺度气象模型WRF和三维空气质量模型CAMx,通过固定源清单的方法模拟研究了广东省各地区不同时期气象因素对PM_(2.5)浓度变化的影响,并结合实测的PM_(2.5)浓度变化,计算出源排放因素对PM_(2.5)浓度的贡献。结果表明:相对于2014年,2015年广东省夏季的气象条件不利于PM_(2.5)浓度的下降,春季和秋季的气象条件有利于PM_(2.5)浓度的下降,就全年各季度平均而言,珠江口附近地区气象条件较有利于PM_(2.5)浓度的下降;源排放变化对肇庆市、韶关市和揭阳市等城市PM_(2.5)浓度变化有较强的削减作用,可使其浓度下降30%以上,显示这些城市的减排工作较为有效,深圳市、珠海市、东莞市、中山市与顺德区等市(区)PM_(2.5)污染改善主要是由于有利的气象条件的影响,源排放变化对珠海市和湛江市等城市污染起加剧的作用,表明不利的源排放变化抵消了部分有利气象条件对PM_(2.5)污染的改善作用,应加强对这些地区源排放的控制。     

中国中东部PM2.5时空分布变化及气象影响分析

为探究气象条件变化对PM_(2.5)的分布影响,该研究利用CAMx及WRF模型,分别模拟了中国中东部地区2017-2019年第4季度PM_(2.5)浓度(ρ(PM_(2.5)))分布及气象条件变化,并对"2+26"城市、长江三角洲地区的ρ(PM_(2.5))及气象因子进行时空变化分析。结果表明:2017-2019年,太行山东麓沿线污染最为严重,季度平均ρ(PM_(2.5))达150～250μg/m3,长江三角洲地区季度平均ρ(PM_(2.5))为35～115μg/m3;2019年太行山东麓及燕山南麓地区气象条件优势明显,西北气流频次增加,同时相对湿度下降,大气边界层升高,降水量增加,地区ρ(PM_(2.5))下降6～18μg/m3;长江三角洲沿海地区降水量增加,风速增大,ρ(PM_(2.5))下降8～16μg/m3。数值模拟结果显示,2017-2019年,受降水、相对湿度、边界层、风速以及主导风向的影响,2019年中国中东部地区冬季ρ(PM_(2.5))降低6～18μg/m3,不同区域影响ρ(PM_(2.5))变化的气象因子不同。     

重庆市大气颗粒物污染特征及影响因素分析

利用重庆市17个大气自动站实时发布的数据,对PM_(2.5)与PM_(10)污染特征、变化规律与气象因子的相关性进行了分析。结果表明:2013年PM_(2.5)和PM_(10)的年均值分别为70,106μg/m3,均超过国家Ⅱ级标准。月均值、季均值变化明显,总体均呈两头高中间低的"U"型分布。2013年PM_(2.5)占PM_(10)的比例较大,均值为65.8%,PM_(2.5)和PM_(10)的Pearson相关系数为0.974,在0.01的置信水平上(双侧)显著相关。PM_(2.5)、PM_(10)的浓度与气温、大气压极显著相关;PM_(2.5)、PM_(10)的浓度与降雨量、日照时数(时)显著相关。     

基于增强回归树的城市PM2.5日均值变化分析:以常州为例

利用2014年12月至2015年11月常州市区6个国控监测站空气污染物浓度逐时数据,分析了PM_(2.5)浓度季节变化特征,采用增强回归树模拟分析了PM10、4种气态污染物和7个气象因子对ρ(PM_(2.5))日变化的贡献.结果表明,常州市区PM_(2.5)污染季节差异明显,冬季污染严重且持续时间长,夏季污染较轻.四季ρ(PM_(2.5))空间分布特征存在一定差异,但各季内不同监测站差异较小.增强回归树对ρ(PM_(2.5))日均值进行模拟和验证得到,训练数据的相关性为0.981,交叉验证的相关性为0.957.此外,模拟值与实测值的标准化平均偏差为1.80%,标准化平均误差为10.41%,可见模型拟合效果较好.PM10、气态污染物、气象因子和区域输送及扩散这4种影响类型对全年ρ(PM_(2.5))日均值差异的贡献率分别为23.4%、28%、36.2%和12.6%,表明在对ρ(PM_(2.5))日均值差异的影响上,气象因子二次形成一次源区域输送及扩散.在对ρ(PM_(2.5))日均值差异贡献率大于5%的因子中,ρ(PM_(2.5))日均值与PM10、相对湿度、CO和O3正相关,与温度、SO2和混合层高度负相关,与大气压和NO2关系较复杂.区域输送及扩散方面,东南风向、偏西风向和偏北风向等上风向周边城市的污染物输送对常州市区PM_(2.5)污染存在较大的负面影响.     

利用LUR模型模拟杭州市PM2.5质量浓度空间分布

模拟城市大气污染物浓度空间分布对研究城市空气质量及人体健康至关重要.本研究利用土地利用回归模型(Land Use Regression,LUR),提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子,基于地理加权算法(GWR)建立春、夏、秋、冬四个季节的模型,实现对杭州地区近地表PM_(2.5)质量浓度空间分布的预测.结果表明:基于地理加权回归算法时,检验模型的R2值分别达到0.76(春季)、0.70(夏季)、0.73(秋季)、0.76(冬季),模型能够解释PM_(2.5)浓度值80%以上的变异.每个季度杭州地区PM_(2.5)浓度变化不尽相同,但总体以杭州中部最高,西南部偏低.研究说明基于LUR模型模拟大尺度地区PM_(2.5)质量浓度空间分布是可行的.     

安徽省PM2.5时空分布特征及关键影响因素识别研究

基于2015年安徽省67个空气质量监测子站的PM_(2.5)浓度数据,分析PM_(2.5)的时空分布特征;运用BP神经网络改进DEMATEL模型,探讨影响PM_(2.5)浓度的关键因素及因子间的关联性.结果表明:(1)2015年安徽省PM_(2.5)平均浓度为52.03μg·m~(-3),总体呈现秋冬高、春夏低的季节性规律;PM_(2.5)浓度日变化总体呈双峰分布,冬季PM_(2.5)浓度昼夜变化剧烈,全年、春季和秋季变化趋势大致相同,夏季相对平缓;(2)安徽省PM_(2.5)浓度整体上由东向西、由中部向南北两侧呈递减趋势,浓度值由高到低依次为:江淮丘陵、长江中下游平原、淮北平原和皖南山区;(3)指标体系中,人口城镇化率、年平均气温、单位GDP电耗、工业废气治理设施数等4个指标因子属于强驱动因素,对PM_(2.5)浓度降低起着根本性推动作用;(4)年降水总量、房屋施工面积、O_3浓度等3个指标因子属于强特征因素,是降低PM_(2.5)浓度最直接的因素.结论表明,运用BP-DEMATEL模型能有效识别关键影响因素,有助于为PM_(2.5)综合治理提供参考.     

北京野鸭湖湿地观测站大气颗粒物变化特征

利用北京延庆野鸭湖湿地生态气象观测站2013年PM_(2.5)和PM_(10)连续观测资料,统计分析野鸭湖地区大气颗粒物的变化特征及气象影响因素。研究结果表明:野鸭湖观测站PM_(2.5)和PM_(10)年平均浓度分别为45.7μg/m3和80.2μg/m~3,超标率分别为17.8%和11.4%,以《环境空气质量标准》二级标准统计。PM_(2.5)和PM_(10)均在1月达到峰值,7月出现最低值。各季PM_(2.5)/PM_(10)值在37.8%～69.9%之间,春季以PM_(10)污染为主,冬季以PM_(2.5)为主。各季节PM_(2.5)和PM_(10)日变化中夏季出峰最早,冬季最晚,冬春季PM_(2.5)浓度为双峰型,夏秋季为单峰型;PM_(10)的日变化仅春季与PM_(2.5)略有不同,晚上峰值强度远大于早上。野鸭湖地区颗粒物污染受本地源和外来源的共同影响,东北气流易造成颗粒物积累,而西南气流有利于颗粒物稀释扩散。典型污染过程显示,持续的东北风控制、风速2.0 m/s左右、平均相对湿度在80.0%左右利于颗粒物浓度的增加;而偏西气流和较高温度、较低湿度能共同起到缓解污染的作用。     

包头城区大气PM_(2.5)污染特征及来源解析

为探讨包头城区大气PM_(2.5)污染特征及主要来源,在包头城区设立4个采样点,于2015年12月-2016年9月采集大气PM_(2.5)样品,共获得160个有效样品,分析了PM_(2.5)及其无机元素、水溶性离子、元素碳(EC)和有机碳(OC)的质量浓度和污染特征。同时采集了包头城区土壤风沙尘、建筑施工尘、道路扬尘、煤炭燃烧尘、装备制造尘和金属冶炼尘等6类污染源,建立了包头市大气PM_(2.5)排放源成分谱。应用非负主成分回归化学质量平衡(NCPCRCMB)模型分析了PM_(2.5)来源。结果表明:观测期间包头市PM_(2.5)的年均浓度为80.58μg/m3,是中国《环境空气质量标准》(GB 3095-2012)年均PM_(2.5)二级标准限值的2.3倍;大气PM_(2.5)的季节变化特征为春、夏、秋三季低冬季高,且冬季显著高于其他三季;大气PM_(2.5)主要来源于二次离子和道路扬尘(贡献率分别为34.37%和15.98%),其他污染源贡献率相对较小。     

青岛地区PM_(2.5)与气象要素相关性分析研究

根据青岛国家基本气象站2014年-2016年的气温资料,青岛大气成分站的2014年-2016年能见度、PM_(2.5)资料,针对PM_(2.5)与能见度、温度进行相关性分析,以及PM_(2.5)随季节分布规律及成因分析。结果表明,PM_(2.5)与能见度成强负相关性关系;温度与PM_(2.5)成强正相关性,并呈现出一定跟随性,这为以后定量计算PM_(2.5)的温度影响因子及预测PM_(2.5)浓度提供了依据;PM_(2.5)浓度分布与季节成规律性分布,冬春季节PM_(2.5)浓度高,能见度低;夏季高温多雨,PM_(2.5)浓度低,能见度高。     

广州市PM2.5污染特征及潜在贡献源区分析

基于NCEP/NCAR全球再分析气象资料和2015-2017年PM_(2.5)浓度,利用HYSPLIT模型研究不同气流轨迹对广州PM_(2.5)浓度的影响,以及污染输送路径和潜在源区空间分布特征。结果表明:(1)广州2015-2017年PM_(2.5)平均浓度为36.5μg/m~3,逐月平均PM_(2.5)浓度1月份最高,为49.3μg/m~3,轻度污染及以上时次比例达15.66%,6月份最低,为20.8μg/m~3,无轻度及以上污染时次。(2)PM_(2.5)平均浓度在不同情景类型下的浓度高低顺序依次为:污染日干季清洁日湿季,其中污染日的PM_(2.5)平均浓度是清洁日的近3倍,干季的PM_(2.5)平均浓度是湿季的1.4倍;不同情景类型下的PM_(2.5)浓度日变化特征基本都在白天时段低(16时最低),晚上时段高(21-22时最高),日变化幅度为污染日干季清洁日湿季。(3)在干季,影响广州的气流轨迹路径主要有5类:东北路径、东南路径、西北路径、西南路径及偏西路径,其中第2类东南路径对广州PM_(2.5)平均浓度的贡献最高;而在湿季,影响广州的气流轨迹路径主要有4类:偏南路径、东南路径、偏北路径及西南路径,其中第3类偏北路径对广州PM_(2.5)浓度的贡献最高。(4)基于潜在源贡献因子和浓度权重轨迹分析法分析表明,广州PM_(2.5)浓度潜在源贡献较大的区域主要集中在广州东部的东莞、惠州、深圳、肇庆、中山等周边地区,该研究可为确定广州污染潜在源贡献区以及区域联防联控提供参考。     

徐州市气溶胶光学厚度与PM2.5相关性及年周期特征

基于徐州市2014～2017年气溶胶光学厚度(AOD)、地面监测站PM_(2.5)浓度及气象数据,构建经标高订正的AOD(AOD/H)与经湿度订正的PM_(2.5)(PM_(2.5)×f_((RH)))之间的5种不同类型的拟合模型,分析两者在不同季节的相关性;同时利用经验模态分解对AOD/H与PM_(2.5)×f_((RH))进行周期变化分析。结果表明:AOD与PM_(2.5)浓度直接相关程度较低,经过订正后两者的相关程度显著提高;选取乘幂模型为最优拟合模型,利用乘幂模型估计得到的PM_(2.5)浓度与地面监测的经湿度订正的PM_(2.5)浓度呈显著正相关,相关系数在四季分别达到0.752、0.650、0.808和0.942;利用经验模态分解分析得到AOD/H与PM_(2.5)×f_((RH))具有显著的年周期变化特征,均在冬季出现高值,后逐渐降低,在6月前后出现极小值,到秋季又逐渐增大;AOD/H与PM_(2.5)×f_((RH))年变化特征表现出很高的一致性(r=0.888),表明在徐州地区AOD/H对PM_(2.5)×f_((RH))在年周期尺度变化特征研究中能起到良好的指示作用。     

浏阳市城区环境空气污染特征及其与气象因素相关性分析

根据浏阳市城区空气自动监测站点、浏阳市气象站实测数据,得出城区首要污染物、污染因子及其气象因素的月、季均浓度变化图,并求出污染因子和气象因素的相关性。结果表明:PM_(2.5)和O_3对浏阳市城区环境空气污染的贡献较大,SO_2、NO_2、PM_(10)对环境空气质量影响相对较小;空气质量较好的时间段主要集中在第三个季度;NO_2浓度与气温具有极显著的负相关性,与气压具有极显著的正相关性;PM_(10)浓度与风速具有较显著的负相关性;PM_(2.5)浓度与气温具有极显著负相关性,与风速具有较显著负相关性,与气压具有极显著正相关性;O_3浓度与湿度具有较显著负相关性,与气压具有极显著负相关性,与气温具有极显著正相关性。