陕甘宁地区城市空气质量特征及影响因素分析

利用历史观测数据来探究短时间内AQI（空气质量指数）的起伏变化,有助于制定空气污染防治措施,对区域环境经济的协调发展具有重要意义.为研究陕西省、甘肃省和宁夏回族自治区（简称"陕甘宁地区"）2015-2017年空气质量特征,对3 a的AQI及评价体系中6项污染物（PM_2.5、PM₁₀、O₃、NO₂、SO₂、CO）质量浓度特征进行研究.通过数理统计对29个监测站点32 910个样本数据进行整理,采用克里金法分析AQI及6项污染物质量浓度的时空变化特征.结果表明:①空间上,陕甘宁地区西南部污染较轻,陕西省中部关中平原、宁夏回族自治区北部及甘肃省河西走廊西北部污染较严重.ρ（O₃）高值集中分布在研究区西北部地区,ρ（CO）、ρ（NO₂）高值集中分布在东部地区,ρ（PM_2.5）、ρ（PM₁₀）分布特征与AQI分布特征相似,ρ（SO₂）高值集中分布在北部地区.②时间上,3 a的AQI平均值为88,AQI季节性变化呈冬季（108）>春季（88）>秋季（78）>夏季（74）的规律.③通过数理统计对污染物质量浓度月变化特征分析发现,ρ（O₃）夏季最高,峰值为140.3 μg/m3,春秋次之,冬季最低;ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（CO）均为冬季最高,其最高值分别为83.7 μg/m3、155.9 μg/m3、72.6 μg/m3、52.1 μg/m3、2.04 mg/m3.④相关性分析表明,AQI与自然因素中的平均气温、平均降水量和气压的相关系数分别为-0.859、-0.903和0.620,平均气温、平均降水量与AQI均呈极显著负相关（P < 0.01）,气压与AQI呈显著正相关（P < 0.05）.DEM（数字高程模型）地形起伏度分析发现,地形起伏度级别越大,AQI越小.社会经济因素中,AQI受工业企业数的影响最大,相关系数为0.634.研究显示,自然因素对陕甘宁地区空气质量的影响大于社会经济因素的影响,气象条件对空气污染的扩散起重要作用.      

基于半级别的城市空气质量预报评估方法探讨

环境空气质量预报评估是提升预报能力的重要助力,为更好支撑空气质量精细化管理,将我国空气质量细化为12个半级别,参照英国预报评估方法,对2020年“2+26”城市AQI、 PM_2.5浓度和O₃-8h浓度预报开展探索性半级别预报效果评估,通过与AQI范围预报和AQI级别范围预报评估对比发现,半级别预报评估方法可将两者兼容合一,在城市业务预报评估中具有一定可行性和应用价值.具体的半级别预报评估结果表明,“2+26”城市AQI和O₃-8h浓度在低段级别和高段级别的预报效果明显差于中段级别,不同级别PM_2.5浓度预报效果相对稳定;AQI、 PM_2.5和O₃-8h浓度预报准确率月变化曲线分别呈双峰型、先升后降型和平缓型,PM_2.5浓度各月偏高预报显著;不同城市AQI和O₃-8h浓度预报准确率差距相对较小,PM_2.5浓度预报准确率波动较大;北京和天津AQI预报准确率高于周边省份,北京和河南PM_2...     

空气质量健康指数构建及与现有评价体系的比较:以丽水市为例

为了解大气污染物对人体健康的影响,采用时间序列广义可加模型分析2013-2018年丽水市大气污染物与健康效应的关系,构建丽水市不同人群空气质量健康指数（AQHI）及分级方法,比较AQHI、调整后的环境空气质量健康指数（AQHI_a）、空气质量指数（AQI）和环境空气质量综合指数对健康效应的预测能力.结果表明:①如以AQI和环境空气质量综合指数来评价,丽水市春夏季主要污染物为O₃,秋冬季为PM_2.5;如以AQHI来评价,则O₃为丽水市全年最主要的污染物,其次是NO₂.②在多种污染物同时存在的情况下,AQHI比AQI具有更高的敏感性,AQHI与环境空气质量综合指数的相关性比与AQI的相关性好.③4种指数在秋冬季对健康效应的预测准确度均高于春夏季,AQHI_a是4类指数中预测健康效应最好的,其次为环境空气质量综合指数.研究显示,需高度重视O₃污染问题,建议空气质量较好的地区构建AQHI或AQHI_a来反映空气质量.      

2016~2020年山东省空气质量时空分布特征及影响因素分析

基于2016～2020年山东省城市空气质量监测结果,结合人口密度和城镇化率等社会经济数据以及风速、气温和相对湿度等气象要素,综合应用地理加权回归模型（GWR）、多尺度地理加权回归模型（MGWR）和小波分析等方法,探究山东省空气污染物的时空分布特征及其与社会经济和气象要素的关系.结果表明：（1）近5年来山东省空气质量整体呈好转趋势,除O₃外,SO₂、 NO₂、 PM_2.5和PM₁₀等污染物浓度逐年降低.空气污染物分布存在明显的空间差异,沿海地区污染物浓度更低.（2）山东省PM_2.5与人口密度和第二产业占比具有极显著的正相关关系（P<0.01）,而与城镇化率呈极显著负相关关系（P<0.01）.同时,这种相关关系在空间上存在尺度差异,人口密度、民用汽车量和工业用电量与PM_2.5空间关系较平稳,而城镇化率和第二产业占比对PM_2.5的影响的空间异质性较高.（3）气象要素对菏泽和威海两市PM_2.5     

河北省边界层气象要素与PM2.5关系的统计特征

为了研究河北省边界层气象要素与PM_2.5的关系,综合利用常规气象探测资料、逐小时地面自动站气象观测资料、环境监测站逐小时AQI及ρ(PM_2.5)资料等进行了统计分析.结果表明:①冬季海平面气压低于1 030 hPa、24 h变压为-3.0~-2.0 hPa、地面相对湿度高于60%、露点温度高于-10 ℃时发生全省性重污染天气的可能性较大;而海平面气压高于1 040 hPa、24 h变压在4.0 hPa以上、地面相对湿度低于40%、露点温度低于-10 ℃时,有利于清洁天气的出现.清洁天气下边界层的盛行风向多与冷空气活动有关;污染天气下盛行风向有区域性差别,边界层小风(<3.0 m/s)的风速频率高于90%. ②过程雨量达到中雨及以上量级的降水对PM_2.5具有较明显的清除作用,中雨量级降水对PM_2.5清除速率约为2 h,但优良空气质量持续时间短,平均为15 h;大雨及以上量级的降水对PM_2.5清除率达67.8%,并且优良空气质量可以持续27 h. ③与降水相比,风对PM_2.5的清除作用更为显著.较强偏南风对空气质量有一定改善,但优良空气质量仅持续16 h;大于3.0 m/s的系统性偏北风对PM_2.5清除率高达85.1%,优良空气质量持续长达32 h,空气质量的改善最为彻底.研究显示,PM_2.5与边界层气象要素关系紧密,不同级别的风和降水对PM_2.5的清除程度存在显著差异.      

2019年上海市空气质量特征研究

为了解上海市主要大气污染物浓度水平及其变化规律,该研究依据上海市2019年1月1日-12月31日10个国控点SO₂、NO₂、PM₁₀、PM_2.5、CO和O₃逐时观测资料及对应空气质量指数(AQI),分析了上海地区大气污染的时间变化和空间分异特征。研究结果表明：(1)2019年上海市空气质量总体属Ⅱ级良,首要污染物为PM_2.5、O₃和NO₂。从时间上看,5月空气质量最差,9月空气质量最优。年均AQI呈现春季>冬季>夏季>秋季的特征;(2)从空间分布来看,位于市区的徐汇上师大和杨浦四漂监测站点受到传统工业的影响,空气质量较差,而浦东川沙、浦东张江监测站位于城市边缘,空气质量相对较优。作为清洁对照点的青浦淀山湖AQI值较高,大气质量相对较差,PM_2.5/PM₁₀值较高,表明青浦淀山湖大气环境主要受到细颗粒物的影响,其空气质量是其所属地理位置、湖泊性质和社会发...     

成渝城市群PM2.5的时空分布及其影响因素研究

随着工业化与城镇化的深入推进,成渝城市群的PM_2.5污染不断加剧,呈明显的区域性与复合性特征.该研究以2015—2017年成渝城市群空气质量监测站的日均ρ（PM_2.5）数据为基础,结合区域气象、遥感与统计年鉴等多源数据,采用反距离插值法分析了ρ（PM_2.5）的时空分布差异,采用Moran's I指数与LISA指数探索了ρ（PM_2.5）的全局和局部空间自相关性,并利用空间回归模型研究了自然、经济社会等因素对ρ（PM_2.5）的影响.结果表明:①成渝城市群ρ（PM_2.5）分布存在明显的时空差异.时间上,2015年PM_2.5污染最严重,ρ（PM_2.5）年均值为54.38 μg/m3,2016年、2017年PM_2.5污染状况逐年减轻,ρ（PM_2.5）年均值分别为53.68与47.56 μg/m3;空间上,成渝城市群东北部ρ（PM_2.5）较低,而南部ρ（PM_2.5）较高.②空间自相关分析结果表明,PM_2.5污染在成渝城市群存在显著的空间聚集性,成渝城市群南部ρ（PM_2.5）呈高值-高值聚集,成渝城市群北部ρ（PM_2.5）则呈低值-低值聚集.③空间回归结果表明,成渝城市群范围内某一地区邻近区域的ρ（PM_2.5）平均值增加1%时,该地区ρ（PM_2.5）将上升至少0.38%.城镇化率对ρ（PM_2.5）的影响最大,其次是第一产业增加值,再次是工业增加值占比和降水量.城镇化率、降水量与ρ（PM_2.5）呈负相关,而第一产业增加值、工业增加值占比与ρ（PM_2.5）呈正相关.研究显示,加快城镇化进程、减少第一产业排放、降低工业增加值占比（尤其是重污染工业）是有效解决成渝城市群PM_2.5污染的重要手段.      

2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征

乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ（PM_2.5）、ρ（PM₁₀）监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM_2.5、PM₁₀的时空分布特征.结果表明:ρ（PM_2.5）从2015年（66.60 μg/m3）到2016年（76.93 μg/m3）呈上升趋势,在2016—2018年呈单一下降趋势;ρ（PM₁₀）从2015年（132.74 μg/m3）到2016年（125.93 μg/m3）呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ（PM_2.5）、ρ（PM₁₀）平均值比城市中心（商业区、居民区）分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ（PM_2.5）、ρ（PM₁₀）均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ（PM_2.5）/ρ（PM₁₀）呈先增后降的趋势,冬季以PM_2.5污染为主,其他季节以PM₁₀污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系.      

青岛市不同空气质量下可培养生物气溶胶分布特征及影响因素

利用Andersen空气微生物采样器采集青岛市不同空气质量下的可培养生物气溶胶,分析了其浓度和粒径分布特征,并利用Spearman’s相关性分析了可培养生物气溶胶浓度和空气质量指数中的颗粒物质量浓度〔ρ(PM₁₀)、ρ(PM_2.5)〕、气体污染物质量浓度〔ρ(O₃)、ρ(SO₂)、ρ(NO₂)〕和气象参数(温度、相对湿度、风速)之间的关系.结果表明:可培养真菌和细菌气溶胶浓度范围分别为133～1 113和13～212 CFU/m3.真菌气溶胶浓度与ρ(SO₂)、ρ(PM₁₀)、ρ(PM_2.5)均呈正相关,而与相对湿度呈显著负相关(P<0.05).细菌气溶胶浓度与ρ(NO₂)、ρ(SO₂)呈负相关,而与ρ(O₃)、温度呈正相关.风速对可培养生物气溶胶浓度的影响较小.以AQI(空气质量指数)中ρ(PM₁₀)为依据,将研究时间段空气质量划分为4个空气污染等级.在不同污染等级下,真菌气溶胶均呈对数正态分布,粒径主要分布于2.1～4.7 μm.低污染时细菌气溶胶呈偏态分布(粒径>4.7 μm),高污染时粒径分布发生改变.初步推断,随着空气污染等级的升高,可培养生物(真菌+细菌)气溶胶总浓度增加,但单位颗粒物上的浓度变化较稳定.ρ(PM₁₀)是影响可培养生物气溶胶浓度及粒径分布的主要因素.      

对首要污染物所揭示的京津冀环境空气质量状况的认识启迪与对策建议

利用中国环境监测总站发布的实时大气环境监测资料,选择京津冀地区8个城市（北京市、天津市、石家庄市、保定市、唐山市、邢台市、邯郸市和秦皇岛市）57个站点为研究对象,对2015年该地区AQI（环境空气质量指数）及其首要污染物日报和实时报特征进行综合分析与评估.结果表明:①京津冀地区8个城市空气质量等级日报的首要污染物主要是PM_2.5,其中邯郸市以PM_2.5为首要污染物日数占比（即出现日数占全年总天数的比例）最高,为90%;北京市最小,为50%;其余城市在70%左右.以O₃为首要污染物日数占比较高的是北京市和保定市,超过20%;秦皇岛市最小,为2.8%.以NO₂为首要污染物日数占比较高的是秦皇岛市,为10.6%.②京津冀地区8个城市AQI实时报中以O₃为首要污染物的情况最多不超过10%,几乎没有以NO₂为首要污染物的情况;但在AQI日报中,以O₃为首要污染物的日数占比最高的可达26%,以NO₂为首要污染物的日数占比高达11%.③以2015年北京市奥体中心站点为例,当AQI日报仅以NO₂为首要污染物时（23 d）,空气质量等级日报均为良的情况主要发生在1-3月和10-12月;然而同期AQI实时报白天（08:00-16:00）空气质量等级均呈现优、良,而夜晚（16:00以后）ρ（PM_2.5）为中度和重度污染等级;当AQI日报仅以O₃为首要污染物时（55 d）,空气质量等级日报均为良的情况主要发生在4月和7-8月;同期,尽管AQI实时报中ρ（PM_2.5）日变化差异不明显,但ρ（PM_2.5）达到中度和重度污染等级的时段明显增多,且峰值多出现在10:00左右.④导致AQI日报和实时报结果差异的主要原因是在计算实时AQI时颗粒物质量浓度标准仅参考ρ（PM_2.5）和ρ（PM₁₀）24 h限值,这将会导致不确定性及滞后性.研究显示,在全国已有5 a长时间监测数据的基础上,有必要对AQI等内容开展深入研究,以加强对标准及其相关指南和规定的修改与完善工作.      

不同时间尺度气象要素与空气污染关系的KZ滤波研究

空气污染状况受气象要素和污染源排放的共同影响,为了评估大气污染控制措施的效果,需将由污染源排放的浓度数据分离出来.本文利用KZ滤波方法将天津市6个监测站点2015~2017年逐日的O₃、PM_2.5和PM₁₀浓度资料和6个同期气象数据分解为长期分量、短期分量和季节分量,计算各分量对原始时间序列方差的贡献.采用逐步回归法建立O₃及颗粒物3种分量与相应尺度气象要素的线性模型.结果表明,上述3种污染物浓度数据经分解后,季节分量对总方差贡献最大,其次为短期分量;气温和相对湿度是影响O₃季节和短期分量的主要气象因素,其中温度占主导地位,且呈现正相关,与相对湿度呈负相关;风速、气压、降水与颗粒物的短期及季节浓度变化呈负相关,相对湿度与之呈正相关,温度与短期分量呈正相关、与季节分量的变化呈负相关;经逐步回归消除气象影响的PM₁₀的长期分量有波动下降的趋势,PM_2.5浓度在2017年年初有所上升,其余部分有下降趋势,O₃长期分量浓度有所上升;这几年间颗粒物污染控制措施的效果较为显著,O₃污染有所加重.     

2017—2020年武汉市大气污染物时空分布特征研究

为进一步了解武汉市大气污染时空分布特征,对2017—2020年武汉市主要大气污染物(PM_2.5、PM₁₀、SO₂、CO、NO₂和O₃)进行了空间插值分析、时间变化分析以及与气象要素的相关性分析。结果表明：武汉市近4年环境空气质量达标率为72.98%。PM_2.5、PM₁₀、SO₂、CO和NO₂具有“冬高夏低”的“V”形特征,O₃呈“夏高冬低”的变化趋势。武汉市年均质量浓度超标的大气污染物主要有PM_2.5和PM₁₀,但其年均质量浓度均呈下降趋势,而O₃是年均质量浓度唯一处于上升状态的大气污染物,今后应重点关注颗粒物与臭氧污染。PM_2.5、PM₁₀、SO₂、CO和NO₂主要集中在武昌区、蔡甸区、青山区、江汉区、江岸区,而O<...     

山东省AQI、颗粒物和臭氧时空演化特征及关键影响因素识别分析

山东省空气质量存在明显的时空差异,并受气象和社会经济因子等的综合影响.为了解山东省空气质量指数(AQI)以及颗粒物和臭氧(O₃)浓度等时空演化特征,探究颗粒物与O₃浓度之间的协同关系,基于山东省16个地级市2013年12月—2021年12月的AQI和空气污染物(SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀)浓度数据与同期的气象数据、工业及生活污染物(氨氮、SO₂、氮氧化物和烟尘、粉尘等)排放量和社会经济数据,运用R语言和ArcGIS对各地区AQI与PM_2.5和O₃浓度等的时间和空间变化特征及关键影响因素识别分析.结果表明：(1)山东省AQI和空气污染物浓度具有明显的月际、季节和年际变化特征以及地区性差异.鲁东地区各季节空气质量明显优于鲁西地区,呈现由东向西空气污染愈加严重的趋势. PM_2.5浓度呈鲁西地区最高,鲁中、鲁南和鲁北地区次之,鲁东地区...     

北京市冬季气象要素对气溶胶浓度日变化的影响

对2004年1月1—15日北京气溶胶浓度与相对湿度、气压、风速、风向等气象要素的平均日变化进行分析,结果表明:北京冬季ρ(PM₁₀₎日变化明显,受气象要素的日变化影响. ρ(PM₁₀₎与相对湿度和气压呈正相关性;风速对ρ(PM₁₀)的日变化影响明显,09:00—18:00风速和ρ(PM₁₀₎变化趋势一致,呈正相关性,其他时间则呈负相关性; 风向对粗、细粒子的数浓度影响不同,细粒子数浓度在偏东风时大,西、西南风时小,而粗粒子则相反;粗、细粒子的数浓度日变化受气象要素的影响程度不同,相对于粗粒子,细粒子数浓度更易受气象要素日变化的影响.      

长江经济带空气质量的时空分布特征及影响因素

基于2015~2018年空气质量实时监测数据，研究了长江经济带AQI的时空变化特征，从大气污染物排放量和气象因素两方面选取评价指标，利用地理探测器揭示了长江经济带AQI分布的影响因素及其季节变化.结果表明：2015~2018年长江经济带空气质量总体趋于改善，平均超标率由19.8%降至16.2%，除O₃超标率上升外，其余常规监测指标均有不同程度的下降.2017年开始O₃的超标率超过PM₁₀，成为长江经济带仅次于PM_2.5的大气污染物.AQI月变化曲线大体呈U型，具有冬春高、夏秋低的特点.长江经济带空气质量改善主要体现在冬、秋两季，O₃浓度的上升使夏季空气超标率上升，春季变化不大.AQI和空气超标率总体呈东高西低、北高南低的分布特征，其中上海、江苏、安徽中北部和浙江北部污染最严重，湖北中部和成渝地区其次，云南、贵州和四川西部空气质量良好.春夏季AQI的差异主要表现为东西向，秋冬季则主要表现为南北向.污染物排放量因子对长江经济带AQI分布有显著的正向影响，气象因子的影响方向则随季节变化而变化.全年和春、秋、冬3季AQI的分布格局主要由大气污染物排放量决定，夏季气象因子的影响力则更大.     

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。