灰霾消散前后PM_(10)浓度大幅波动的多重分形分析

该研究采用多重分形消除趋势波动分析法,对成都一次灰霾污染过程中,PM10浓度在灰霾消散前后的多重分形特征进行分析,研究表明灰霾消散前后PM10浓度均具有多重分形特征。进一步运用相位随机替代法与随机重构法,对导致PM10浓度多重分形特征的动力原因进行分析。结果表明重度灰霾期间,长期记忆机制在PM10演化中均占据了主导控制作用;灰霾消散期间,虽然降水过程使得PM10多重分形特征的动力来源有所变化,但长期持续机制仍是多重分形特征的主要动力来源。尽管从表观上来看,大气降水过程显著降低了大气PM10浓度,但由于其内在动力机制并未得到本质的破坏,长期记忆机制仍是PM10演化的内在动力机制,从而可能导致未来特定气象条件下出现高浓度PM10污染,形成灰霾,后续监测数据证实了该论断。研究结果对于PM10浓度演化动力特征的研究以及灰霾预测预警机制的建立具有实际的参考意义。     

基于TSI天气分型方法的长沙PM_(10)浓度特征研究

根据2008-2012年长沙市的逐日的高空、地面气象资料,采用TSI天气分型法将长沙市的天气按季节进行分型,并利用2011-2012年逐日PM10浓度资料讨论了四季不同天气类型下PM10浓度特征和污染等级特征,结果发现:长沙四季的天气均可分为6种天气型,且各季各天气型的天气特征差异明显。长沙市PM10污染不是很严重,最高能达到4级即中度污染程度,且出现频率很低。各季均以PM10污染等级为良的情况最多,发生频率在66.1%~75.4%。春季在1型和3型天气下容易出现PM10轻度污染;夏季在1型和6型天气下容易出现PM10轻度污染;秋季在1型和3型天气下容易出现PM10轻度污染;冬季在1型和6型天气下容易出现PM10轻度污染。     

武汉市与西安市颗粒物PM_(10)、PM_(2.5)的污染水平分析

利用武汉、西安两市2013年PM10与PM2.5的监测数据,统计分析了武汉市和西安市PM10与PM2.5的污染水平,并比较了两城市的污染水平。根据GB 3095—2012《中华人民共和国环境空气质量标准》规定的二级浓度限值,可知武汉市和西安市PM2.5的污染都非常严重,PM10的污染相对较轻。从整体上说,西安市的污染水平要比武汉市严重,其中西安市PM10中PM2.5约占79%。武汉市和西安市的相关部门都应重视PM10和PM2.5的污染问题。     

唐山市大气环境中PM_(10)和PM_(2.5)污染特征分析

利用2013年唐山市全年六个监测点的PM10和PM2.5的24小时连续监测数据,分析了唐山市大气中PM10和PM2.5的浓度时间变化特征,讨论了两者之间的相关性。     

西安地铁环境中PM_(10)、PM_(2.5)、CO_2污染水平分析

针对地铁环境空气污染状况,于2013年6月对西安地铁2号线各监测车站的站厅、站台、车厢及室外的PM10、PM2.5、CO2的污染水平进行了监测分析。结果表明:站厅、站台和车厢的PM10浓度均未超标;PM2.5浓度最大值分别为97.97,131.56,97.1μg/m3,超标率分别为30.6%、75.4%、29.5%,各监测站点细颗粒物污染较严重。车厢内部CO2最高浓度超过2 357 mg/m3,缺乏足够的新鲜空气来满足乘客的呼吸需求。对PM10和PM2.5源的相关性分析表明,站台和车厢环境中的颗粒物有强烈的相关性,二者有共同的来源。对站台和车厢环境中的PM10、PM2.5与室外环境的相关性分析表明,PM10有强烈的相关性(R2=0.83,0.78);PM2.5有较弱的相关性(R2=0.43,0.11)。各监测车站站台PM2.5/PM10为0.64~0.83,平均值为0.72;车厢PM2.5/PM10为0.68~0.85,平均值为0.78。     

大连市“十五”期间大气环境中SO2、NO2、PM10污染状况分析

根据大连市大气污染特点，通过对SO2、NO2、PM10年均值、月均值以及各功能区年均值和采暖期与非采暖期的污染状况进行玢析。得出大连市大气环境中SO2、NO2、PM10的主要来源及污染程度。结果表明，3项污染指标的年均值均符合国家环境空气质量二级标准：SO2呈缓慢增长趋势，NO2、PM10无明显变化趋势。     

基于GIS的乌鲁木齐PM_(10)时空分布与气象因素分析

基于GIS空间分析与插值技术,以乌鲁木齐市2008~2012年PM 10监测数据及同期气象数据为依据,分析其时空分布特征,研究气象因素对PM1 0分布的影响。结果表明,乌鲁木齐市可吸入颗粒物(PM1 0)不同季节浓度变化明显:冬季>春季>夏季、秋季。PM1 0在不同季节的空间分布也不相同,这与冬季供暖与工业分布、地理位置有关。PM1 0浓度分布与风速密切相关,而与湿度、气温存在一定的非线性相关性。     

绵阳市城区空气PM_(10)、PM_(2.5)污染特征及相关性研究

采用连续自动监测方法于2013年9月至2014年4月对处于四川盆地内的中等城市绵阳市主城区富乐山、市人大、三水厂、高新区4个点进行空气质量监测。监测结果表明:空间分布上PM10和PM2.5污染程度城西工业区最高,市中心其次,森林公园最低。季节变化PM10和PM2.5污染程度为:春季<秋季<冬季。1天内PM10和PM2.5小时均值呈双峰分布。PM10和PM2.5一元线性回归方程为:y=0.7273x-2.9869,回归分析相关性系数为0.94。ρ(PM2.5)/ρ(PM10)平均值为0.7,变化范围为0.27~0.93。     

阜康市PM_(2.5)和PM_(10)的质量浓度变化特征分析

通过对阜康市2015年1个区控点的PM_(2.5)和PM_(10)的连续自动监测数据分析得出:2015年阜康市大气颗粒物中PM_(2.5)、PM_(10)浓度日均值和小时值的最大值均出现在4月,日均值均超过了环境空气质量标准的二级标准限值;月均值最大值均出现在12月;PM_(2.5)的年均值超过了环境空气质量标准的二级标准限值;PM_(2.5)和PM_(10)冬季的日变化浓度高于其他三季,夏季最低。超标天数高值出现在1、2、11、12月,PM_(2.5)的污染程度比PM10严重;PM_(2.5)和PM_(10)的比值1、11、12月较大。     

哈密市环境空气中PM_(10)与PM_(2.5)变化特征

为了解哈密市环境空气中PM_(10)与PM_(2.5)的污染水平,对2016年哈密市环境空气数据进行统计分析,结果表明哈密市PM_(10)与PM_(2.5)存在一定的线性关系;哈密市2016年PM_(10)的年均值为99ug/m3,PM_(2.5)的年均值为36ug/m3。     

乌鲁木齐PM_(10)和PM_(2.5)的形貌特征与来源解析

PM_(10)和PM_(2.5)是近年来乌鲁木齐市空气质量的首要污染物,其成分复杂,来源不清。采用扫描电镜和离子色谱研究了乌鲁木齐市2015年采暖期和非采暖期大气颗粒物PM_(10)和PM_(2.5)的显微形貌,元素组成及其水溶性离子特征,并采用主成分分析法(PCA)对其来源进行解析。结果表明:PM_(10)和PM_(2.5)的颗粒形态各异,以球状、团絮状形状居多。主要物质有硅铝酸盐颗粒、铁氧化物颗粒,硫酸/碳酸盐晶体,碳质气溶胶以及不明物质等。采暖期和非采暖期主要的无机水溶性离子分别是SO_4~(2-)、NH_4~+、NO_3~-、Cl~-和SO_4~(2-)、NH_4~+、NO_3~-、Ca~(2+)。推测乌鲁木齐市颗粒物污染主要来源于固定污染源。     

利用LUR模型模拟天津市大气污染物浓度的空间分布

针对传统监测方法无法满足对大气污染物空间分布高分辨率的要求,以Arcgis为平台,利用LUR模型模拟天津市PM10和NO2年均浓度的空间分布.选取的回归变量为1~4km半径缓冲区内的道路总长度、不同土地利用类型的面积、人口密度、风向指数及距海距离,选取3个监测点的监测数据对方程进行了验证.结果表明,对PM10年均浓度影响最大的因素是缓冲区为1km的道路总长度(R2为0.560),而对NO2年均浓度影响最大的因素是人口密度(R2为0.414).多元线性回归方程计算结果显示,PM10和NO2的R2分别达到0.946和0.691;如果考虑风向的影响,R2可分别提高到0.980和0.849.对天津市中心城区建立5km′5km网格嵌套,根据多元线性回归方程计算每个网格交点的污染物浓度模拟值.通过kriging插值得到2种污染物在天津市中心城区的空间模拟分布图.PM10年均浓度分布以研究区中心最高,向四周逐渐降低;NO2的年均浓度以研究区中心最低,向四周逐渐升高.模拟结果与实际情况相符.     

邯郸市PM_(10)、PM_(2.5)和PM_(1.0)在线监测研究

对2015年3月—2016年2月邯郸市大气中的PM_(10)、PM_(2.5)和PM_(1.0)进行了在线监测,探讨了其质量浓度的变化特征,并分析了其质量浓度与风速、风向的关系。结果表明:邯郸市颗粒物质量浓度水平较高,β射线吸收法所监测的PM_(10_WET)、PM_(2.5_WET)和PM_(1.0_WET)年均浓度值分别为202.5,114.8,81.1μg/m~3,PM_(2.5_DRY)/PM_(10_WET)和PM_(2.5_WET)/PM_(10_WET)分别为0.58、0.70,PM_(1_DRY)/PM_(2.5_WET)和PM_(1_WET)/PM_(2.5_WET)分别为0.58、0.71,PM_(2.5)为PM_(10)中的主要组成,PM_(1.0)为PM_(2.5)中的主要组成。邯郸市PM_(10)、PM_(2.5)和PM_(1.0)质量浓度冬季最高;PM_(10)、PM_(2.5)和PM_(1.0)日变化峰值为上午09:00左右,谷值为下午16:00左右,扬沙、降雨,霾和春节不同条件下PM_(10)、PM_(2.5)和PM_(1.0)差异明显。邯郸市PM_(10)、PM_(2.5)和PM_(1.0)的浓度高值主要分布在风向0°~100°和175°~225°、风速小于1 m/s的情况下。     

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。     

小波分析在PM10浓度时间序列分析中的应用

以西安市PM10日平均浓度时间序列为例,根据小波分析的基本原理,应用小波分解和重构对PM10浓度时间序列的变化进行了分析,得到PM10的年变化趋势和突变特征。研究结果表明,用小波分析应用于大气污染物浓度时间序列的分析是可行的。     

邯郸市PM_(1.0)、PM_(2.5)污染特征及在线水溶性离子分析

对2014年12月—2015年2月邯郸市大气中PM_(1.0)、PM_(2.5)以及PM_(2.5)中的硝酸根(NO-3)、水溶性有机碳(WSOC)和硫酸根(SO2-4)进行在线监测。结果表明,PM_(1.0)中干性成分(PM_(1.0)_DRY)和包含水分的PM_(1.0)(PM_(1.0)_WET)分别占PM_(2.5)的74.0%和81.4%,PM_(1.0)为PM_(2.5)中的主要组成。利用锯齿型方法估算本地源和区域源对PM_(1.0)、PM_(1.0)~2.5、PM_(2.5)的贡献,得出区域源对PM_(1.0)的贡献为40.6%,明显高于对PM_(1.0)~2.5与PM_(2.5)贡献的32.3%和37.7%,因为PM_(1.0)直径小,在大气中存在时间较长、传输距离远。根据NO-3、WSOC、SO2-4与PM_(1.0)、PM_(1.0)~2.5的相关系数,推断NO-3、WSOC可能在PM_(1.0)生成,而SO2-4可能在PM_(1.0)~2.5中生成。     

石家庄夏季大气PM_(10)和水溶性离子污染特征

于2014年7月在石家庄市区对大气环境PM_(10)进行样品采集,并对PM_(10)浓度和水溶性离子的污染特征进行了分析。结果表明:采样期间PM_(10)质量浓度为(145.2±58.7)μg/m3,重污染天气主要是由于气象条件和地理位置共同造成的。水溶性离子是PM_(10)中含量较高的组分,其中SO2-4、NO-3和NH+4之和占总水溶性离子质量浓度的80.7%,Ca2+和Mg2+相关系数高达0.88,表明两者来源一致,Na+和Cl-浓度受人为活动的影响较大,K+主要来自生物质燃烧。PM_(10)中硫氧化率和氮氧化率分别为0.37和0.28,表明大气中存在SO2和NO2二次转化过程。     

天津PM10和NO2输送路径及潜在源区研究

利用HYSPLIT模型和全球资料同化系统(GDAS)气象数据,用聚类方法对2012年12月~2013年11月期间抵达天津的逐日72h气流后向轨迹按不同的季节进行归类.并利用相应的PM10和NO2浓度日监测数据,分析了不同季节气流轨迹对天津污染物浓度的影响.运用潜在源贡献(PSCF)因子分析法和浓度权重轨迹(CWT)分析法分别模拟了不同季节PM10和NO2潜在PSCF和CWT.结果表明,不同方向气流轨迹对天津PM10和NO2潜在源区分布的影响存在显著差异.天津PM10和NO2日均浓度最高值对应的气流轨迹均集中在冬、春和秋季等来自内陆的西北气流;夏季影响天津的气流轨迹主要来自西北和东南方向,对天津PM10和NO2的日均浓度贡献较小.天津PM10和NO2的PSCF与CWT分布特征类似,最高值主要集中在天津本地以及邻近的河北省和山东省,是天津这两种污染物主要潜在源区.