上海市四季PM2.5时间序列的多重分形特征

为了解PM2.5浓度随时间演变的动力学特征,采用多重消除趋势波动分析法(MFDFA),对上海市春夏秋冬四季的PM2.5日浓度数据时间序列进行了分析,结果表明:上海市四季的PM2.5日时间序列在整个时间尺度上均表现出正长程相关性,且存在多重分形特征,且夏季多重分性特征最强,冬季最弱;上海市四季的PM2.5时间序列的多重分形特征均是波动的胖尾分布和自身的长程相关性共同作用的结果:对于春夏两季,序列本身的长程相关性对多重分形特征的影响比较大;对于秋冬两季,波动的胖尾分布对多重分形特征的贡献比较大。MF-DFA可以有效地分析PM2.5时间序列的标度不变性和多重分形特征,对于描述时间序列的动力学演变特征具有非常重要的意义,是一种有效的大气污染物时间序列的非线性研究方法。     

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。     

港口NO_2、PM_(10)与天气因素的多重分形研究

对港口大气污染物NO_2、PM_(10)和天气因素进行MF-DCCA分析研究,系统地分析了NO_2、PM_(10)与3种天气因素之间复杂关系。从整体角度上,研究表明NO_2、PM_(10)与天气因素均具有长程相关性、多重分形特性;天气因素对PM_(10)的影响程度要强于对NO_2的影响程度。从四季的角度上,研究发现,NO_2、PM_(10)浓度在春季有下降趋势,在秋季有上扬趋势。     

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。     

华北平原城乡夏季PM_(2.5)组成特征及来源研究

为研究华北平原细颗粒物(PM_(2.5))的组成特征及来源,基于CAREBEIJING-NCP 2014大型观测项目,于2014年夏季在北京城区和河北郊区望都进行了同步观测,分析了两地PM_(2.5)中水溶性离子、元素、有机碳(OC)和元素碳(EC).结果表明,采样期间望都站点PM_(2.5)平均质量浓度为(71.47±38.04)μg/m~3,高于北京城区(51.44±30.94)μg/m~3,PM_(2.5)中各化学组分浓度也均表现为望都高于北京,二次无机离子(硫酸盐、硝酸盐及铵盐)在两地PM_(2.5)中占比最高,约为60%.PM_(2.5)中多种元素浓度也表现为望都均高于北京,但富集因子分析表明,北京市PM_(2.5)中元素富集因子更高.来源分析表明,两地PM_(2.5)中元素均受到工业源和尘源的影响;此外,观测期间两地均受到生物质燃烧影响.后向轨迹分析表明,当到达两地的气团来向相同时,北京与望都PM_(2.5)浓度水平和化学组成呈现相似性,但当气团来向不同时,两地污染特征差异较大.     

基于多重分形理论的近海污染物空间分布特性研究

针对我国近海污染物空间分布特征难于辩析的问题,通过对多重分形理论的研究,提出了一种新的近海污染物空间分布特征的分析方法。以天津市近岸海域20个水环境监测点为例,随机选择两个不同水期的COD监测数据进行分析,采用多重分形矩方法计算COD空间分布的多重分形维数谱函数f(α)。计算结果显示其α(q)-f(α)曲线均为连续不对称的上凸曲线,表明近海污染物在空间上的分布并不是简单的正态或对数正态分布,而是连续多重分形分布,近海污染物高浓度部分的奇异性较低浓度部分大,平水期的奇异性较丰水期大。应用表明,该分析结果与天津市近岸海域实际情况相一致,这些成果的取得为辩析近海污染物的空间分布特征,并进一步采用基于多重分形理论的算法模型计算近海水环境容量提供了理论依据。     

首都重大活动与空气重污染应急减排措施效果对比分析

以2015年"9·3"阅兵活动及同年冬季两次空气重污染红色预警为例,针对气象要素及污染物浓度变化特征进行对比分析,对不同减排措施下污染物减排比例估算,并利用WRF-CAMx模型,对减排带来的PM_(2.5)污染改善效果进行了定量评估与对比分析.结果表明,阅兵期间(8月20日至9月4日)PM_(2.5)日均浓度(19.0μg·m~(-3))分别比阅兵前(8月15～19日)和阅兵后(9月5～15日)日均浓度降低了60.0%和48.0%,第一次红色预警期间PM_(2.5)日均浓度(232.3μg·m~(-3))高于第二次红警(216.6μg·m~(-3)),第二次启动重污染红色预警之前的空气质量好于第一次红警.阅兵期间北京及周边省市污染物减排比例普遍大于红警期间,为保障"阅兵蓝"的实现提供了人为可控的有利条件."9·3"阅兵、北京首次及第二次红色预警期间采取污染物应急减排措施情况下,北京PM_(2.5)浓度分别平均降低了32.4%、 17.1%和22.0%.阅兵期间与红色预警相比,PM_(2.5)浓度降低比例较高,归因于更大力度的区域污染物协同减排以及阅兵期间易于污染物扩散的气象条件.污染减排力度、应急控制措施实施时机以及气象条件是可能影响应急污染控制措施污染改善效果的重要因素.     

达州市城区大气污染物浓度变化特征及影响因素分析

利用达州市城区环境空气自动监测站2015—2017年数据,研究了大气污染物的浓度变化特征和影响因素。结果表明:达州市城区未受到SO_2污染,PM_(10)和PM_(2.5)同比大幅下降,NO_2、CO和O_3-8 h浓度有所上升。污染物在不同季节的差异显著性不同,SO_2、CO、O_3-8 h在不同季节之间均存在显著差异(P<0.05),NO_2浓度在除秋季和冬季外的其他季节之间均存在显著差异,PM_(10)和PM_(2.5)浓度在除春季和秋季外的其他季节之间均存在显著差异。不同污染物的月均浓度变化曲线和不同季节的小时浓度变化曲线,以及不同季节的相关性也具有明显的特征。同时,本研究还建立了PM_(10)和PM_(2.5),NO_2和CO分别在不同季节的预测线性模型,为进一步了解污染物之间的相互关系和预测污染物的浓度发展趋势提供了参考。     

北京市PM2.5时空分布特征及其与PM10关系的时空变异特征

PM_(2.5)时空分布特征及其与其它污染物的相关关系是PM_(2.5)时空统计分析的主要研究内容.然而,现有的方法直接从监测站点的角度对时空分布特征进行分析,难以有效地揭示PM_(2.5)浓度的聚集分布特征;同时,常用的地理加权回归在对PM_(2.5)与其它污染物间关系进行建模的过程中,缺乏同时考虑时间异质性与空间异质性,从而不能准确地描述依赖关系的时空变异特征.为此,首先借助于空间聚类分析技术,对北京市2014年PM_(2.5)浓度的聚集结构进行探测,在此基础上,通过聚集结构来分析PM_(2.5)季节性时空分布特征.然后,利用地理时空加权回归对北京市PM_(2.5)与PM_(10)季节平均浓度间关系进行建模,依据回归结果分析PM_(2.5)-PM_(10)间关系的时空变异特征.实验结果表明,春夏季节PM_(2.5)污染程度及空间变异程度均低于秋冬季节,各季节PM_(2.5)浓度均表现为北部浓度低、南部浓度高的空间分布特征;地理时空加权回归具有更好的拟合效果,由回归系数进一步可发现,春夏季PM_(2.5)-PM_(10)相关性低于秋冬季PM_(2.5)-PM_(10)相关性;各季节均表现为西北部PM_(2.5)-PM_(10)的相关性高于东南部PM_(2.5)-PM_(10)的相关性.     

石家庄PM_(2.5)变化规律及与其他污染物的相关性分析

以河北省重点城市石家庄2014年环境空气质量监测数据为依据,分析了PM_(2.5)的变化规律及其原因,以及PM_(2.5)与其他污染物之间的相关性。结果表明,石家庄PM_(2.5)的最高值出现在1月份,主要原因是冬季雨雪少,且因受太行山阻挡,在高燃煤重污染的条件下,污染物易聚集而不易扩散。由于形成的逆温层不利于污染物扩散,造成夜间浓度高于白天。冬季颗粒物污染是典型的煤烟型污染,燃煤排放在PM_(2.5)中占49%;春季颗粒物污染是混合型污染,扬尘和煤烟尘的分担率在PM_(2.5)中达到了76%。PM_(2.5)浓度与SO_2的变化趋势呈现出显著正相关性、与NO_2具有一定的正相关性、与CO具有一定的正相关性、与O_3呈现负相关性、与VOCs呈现正相关性、和NH_3呈现负相关性。