北京市秋季大气颗粒物的污染特征研究

大气颗粒物是造成城市空气污染的重要原因之一,并已经成为我国北京等大中城市空气污染中的首要污染。为了分析北京市大气细颗粒物的污染水平及其影响因素,以大气中的PM10和PM2.5为研究对象,于2005年秋季在北京市设立了9个采样点进行采样监测,通过对所采集到的PM10和PM2.5质量浓度的对比来分析大气颗粒物的空间分布和时间变化特征,并建立起PM10和PM2.5质量浓度与风力、温度、湿度等气象条件的对应关系来分析各种气象因素对大气细颗粒物污染水平的影响。结果表明:北京市不同区域的PM10和PM2.5的质量浓度差异较大,同时,值得注意的是通过对同一地点同一采样时间大气颗粒物质量浓度的对比发现PM2.5质量浓度的空间分布并不完全同于PM10,这主要是与采样点所处的环境中不同污染源影响的强弱有关;气象条件稳定时,PM10和PM2.5质量浓度的日变化表现出一定的规律性,这种时间变化的特征主要取决于所在环境中排放的污染物变化情况;气象条件是影响PM10和PM2.5污染程度的重要因素,在一定的范围内,颗粒物质量浓度随着温度的上升而下降,随着相对湿度的升高而增大,随着风力的增强而减小。     

天津城区大气气溶胶质量浓度分布特征与影响因素

根据中国气象局天津大气边界层观测站2009年的气溶胶观测资料和同期气象资料,对天津城区PM10和PM2.5质量浓度变化特征,及其与气象条件的相互关系进行研究,结果表明：PM10和PM2.5年均质量浓度为153.24和68.78μg·m-3,其日均值超标率近半,表明南部城区尤其是交通干道附近气溶胶污染较为严重;PM10和PM2.5质量浓度逐月变化呈现明显的冬季高、夏季低的特征,其日变化特征呈明显的双峰型,早晚污染高峰主要受交通源影响;气象条件对气溶胶质量浓度作用显著,气溶胶质量浓度与气温正相关,相对湿度的增高易导致细粒子吸湿性增长,但高湿状态下易引起降水有利于气溶胶的湿清除,西南气流和偏北风是PM10和PM2.5高浓度的主要影响风向,静小风易造成气溶胶堆积,高风速可引起PM10排放增多,但对PM2.5影响不大。     

城市道路尘的二重源解析方法与应用实例

采用"二重源解析"技术解析了太原市的各单一源类对城市道路尘(以下简称道路尘)的贡献值和分担率;各单一源类和道路尘对城市扬尘的贡献值和分担率;同时解析了各单一源类、道路尘和城市扬尘对环境空气颗粒物的贡献值和分担率。各源类对PM10的贡献率分别是:城市扬尘,27%;道路尘,20%;土壤风沙尘,10%;煤烟尘,13%;建筑水泥尘,10%;机动车尾气尘,11%;钢铁尘,1%;其他,8%。     

市政工程施工地周边颗粒污染物扩散特征

为了解市政施工对周边大气环境的影响,通过测定TSP、PM10、PM2.5、PM1等指标,研究了施工工地附近颗粒污染物随天气条件、气象要素、距施工点距离的变化规律,结果表明：（1）粒径较大的颗粒物质量浓度受气象要素的影响较明显,大风和晴天的ρ（TSP）、ρ（PM10）远高于阴雨天;随风速增大,ρ（TSP）、ρ（PM10）、ρ（PM2.5）显著升高。（2）小粒径颗粒物（PM1）受天气条件的影响不明显,湿度、风速变化对PM1影响较小。（3）距离施工工地越远,4种颗粒物质量浓度越低,其中ρ（TSP）、ρ（PM10）、ρ（PM2.5）随距离下降较快。（4）不同施工阶段颗粒物污质量浓度异较大,挖槽阶段颗粒物污染要高于结构装修阶段。     

北京PM2.5化学物种的质量平衡特征

以北京2个采样点连续采集的样品对PM2.5中的元素、水溶性离子和含碳组分进行分析．车公庄和清华园PM2.5中有机物的含量分别为27．8％和30．9％,是含量最丰富的物种,其次是二次无机粒子、土壤尘、元素碳和微量元素．PM2.5中约有24％的质量未能鉴别成分,相关性分析表明,含碳物种的估算所引起的偏差可能是主要的原因．采暖期重污染周和春季沙尘周PM2.5的化学物种构成悬殊,反映了季节性变化的源排放和特殊气象条件的综合作用．     

北京市2012-2013年秋冬季大气颗粒物污染特征分析

大气颗粒物一直是影响我国城市空气质量的重要污染物,2013年1月北京市的严重灰霾污染更是带来了重大的健康危害和经济损失。为了摸清北京市颗粒物污染的特征,本文利用北京市实时发布的颗粒物污染监测数据,选取污染最为严重的2012-2013年秋冬季时段,对颗粒物的达标情况、变化趋势及其与气象因子相关性等方面进行研究。研究结果表明：1）2012年,北京市年均ρ（PM10）为109.0μg.m-3,超过了新国标二级标准限值,日均ρ（PM10）的超标天数为84天,全年超标天数比例为23.0%。2）2012年10月至2013年2月,ρ（PM10）达标天数比例为77.9%,ρ（PM2.5）的达标天数比例为51.9%。各月ρ（PM2.5）的达标天数比例均低于ρ（PM10）,某些月份二者达标天数比例差异很大。3）ρ（PM2.5）与ρ（PM10）的逐小时连续变化趋势基本相同,变化特征为＂快速积累,迅速消散,持续时间不定＂。ρ（PM2.5）与ρ（PM10）平均值24 h的变化呈双峰双谷曲线,颗粒物质量浓度夜间高于白天。4）研究期日均ρ（PM10）和ρ（PM2.5）与日均相对湿度呈显著正相关关系,与平均风速和最大风速呈显著负相关关系,ρ（PM2.5）比ρ（PM10）更易受气象条件变化影响。5）ρ（PM10）和ρ（PM2.5）日均值有着非常显著的线性相关关系。本研究得出的ρ（PM2.5）/ρ（PM10）的均值高于之前北京市及我国其他城市研究得出的数值,严重污染现象是由特殊的气象背景条件与污染物高排放共同导致的。     

辽宁本溪大气颗粒物浓度特征

利用本溪大气成分监测站2008年3月至2009年2月大气颗粒物监测仪GRIMM180的连续监测资料,对该地区大气颗粒物的质量浓度变化、谱分布特征以及大气颗粒物与气象因素的关系进行分析研究.结果表明,本溪PM10和PM2.5平均质量浓度分别为0.086 mg.m-3和0.058 mg.m-3,其日平均质量浓度变化幅度较大;冬季和夏季质量浓度日变化均呈现明显的双峰双谷特征;数浓度谱分布较好地符合Junge分布;PM10日平均值超标率为8.7%,且大气颗粒物主要是以细粒子的形式存在;随风速的增大大气颗粒物质量浓度基本呈现逐渐减小的趋势,当风速〉0.6 m.s-1时,大气颗粒物质量浓度随风速增大下降明显,风速〉3.0 m.s-1时,下降的趋势减缓;降水过程对大气颗粒物有清除作用,其中对粗粒子的清除效果非常明显.     

城市生态气象监测评估初步研究与实践——以北京为例

气象条件作为影响生态系统最活跃、最直接的驱动因子,影响着生态系统的质量和人类生存的环境,关系着生态保护和建设的成果,而城市生态系统具有与其他系统不一样的气候特征,目前还未形成一套有关城市的生态气象监测评估方法。基于生态气象学理论,分别从城市气候环境、与气候相关的陆表环境、大气环境、人居环境以及城市高影响天气气候事件等5个方面选择不同的要素和指标开展了城市生态气象监测评估初步研究,并以北京为例,利用2018年国家和区域自动气象站资料、大气成分观测资料、2002—2018年MODIS卫星资料、Landsat及环境一号卫星资料,开展了2018年北京城市生态气象监测评估。监测评估显示,(1)2018年北京城市“热岛”和“干岛”气候特征明显,并在北京二环与五环之间存在一个“冂”形风速低值区。(2)2018年北京陆表生态环境、大气环境、人居环境进一步好转:其中植被覆盖度达61.6%,创2002年以来新高,气象条件贡献率达50%,生态涵养区植被生态质量处于正常偏好的面积比例达93.2%;中心城区陆表温度为2011年以来最低值;重要水源地密云水库、官厅水库水体面积均为2000年以来最大值;气溶胶光学厚度、霾日数、大气静稳指数分别较过去4年平均值下降14%、31%和8%,大气扩散条件偏好,对霾日减少贡献率达21%,外地污染传输对PM2.5贡献达到53%;城市生态冷源较2013年明显增加,城市“热岛”得到缓解。(3)历史罕见的夏季高温闷热、冬季阶段低温、极端强降水以及持续无降水等高影响天气气候事件给城市安全运行和生态环境带来不利影响。综合评估表明2018年北京气象条件总体利于陆表生态环境改善,有利的气候条件提高了生态环境的质量,但城市生态质量仍面临着极端天气气候事件、城市热岛、低风速以及外来大气污染输送等风险。     

降雨过程后北京城区PM2.5日时空变化研究

随着人类环境意识的增强,人们对城市雾霾天气的忧虑与日俱增,PM2.5的时空变化和对人体健康的影响已成为关注的焦点。以往的研究多集中在不同季节或年际的变化,本文通过统计环保局发布的位于北京城区13个逐时浓度监测点降雨前后PM2.5质量浓度,并在城区布设14个采样点昼夜连续监测一次降雨后72 h内PM2.5质量浓度变化情况,研究北京市城区降雨后PM2.5日变化规律及空间分布特征,由此分析降雨对PM2.5日变化规律的影响。同时对比PM2.5与同步气象数据（温度、相对湿度）和交通数据（车辆量、车速）最值频率分布情况,进而对PM2.5日变化特征进行成因分析。随后利用GIS空间分析方法,分析了PM2.5的日空间分布特征。结果表明,降雨对颗粒物的去除作用明显,一次降雨可使PM2.5质量浓度平均下降56.3%。雨后72 h内PM2.5质量浓度均小于60μg·m-3,降雨后1 h内PM2.5质量浓度处于稳定状态,在随后的12 h内PM2.5浓度值都处于下降状态。降雨过程只降低PM2.5的质量浓度值,并不影响其日变化规律。PM2.5的日变化规律以19时为界,表现出明显的昼夜差异。白天的变化规律呈现凹型,夜间的变化规律呈现拱型。PM2.5质量浓度峰值多出现在23时或0时,谷值多出现在下午15时,该特征受气象因素影响较大,受交通源的影响作用不明显。早高峰期间,PM2.5质量浓度变化主要受交通源的影响;晚高峰期间,交通源和气象因素共同影响PM2.5质量浓度。研究区PM2.5日空间分布特征同样存在明显的昼夜差异。白天PM2.5空间分布特征为南部高北部低;PM2.5在夜间的空间分布特征则多表现为四周高、中心低,三环外围区域多为高值区。     

郑州市道路网络结构特征对大气颗粒物污染的影响及尺度效应

交通排放是大气颗粒物(PM)污染主要来源之一,从道路网络空间结构探究大气颗粒物污染缓解途径,对治理城市空气污染具有重要意义。该研究数据来源于郑州市GF-2遥感影像及建成区8个空气质量监测点(AQMS)的日监测数据。以AQMS为中心建立1 km×1 km(Scale1)-6 km×6 km(Scale6)空间尺度的样方,运用主成分分析法和线性混合效应模型,探讨不同空间尺度下影响PM10、PM2.5质量浓度的关键性路网结构特征,为郑州市路网结构规划和空气污染治理提供科学依据。结果表明,(1)郑州市建成区各监测点的颗粒物质量浓度及变异性都有冬高夏低的特征。(2)郑州市路网结构对PM10质量浓度的影响程度高于PM2.5。(3)主干道面积占比与PM10在Scale1、Scale3-Scale5尺度正相关,与PM2.5仅在Scale5正相关;总道路及次干道面积占比与PM10在Scale2-Scale6均正相关,但与PM2.5仅在Scale5、Scale6尺度正相关。在Scale5的空间尺度下控制总道路及次干道面积占比、减少主干道面积占比,可以有效缓解PM10、PM2.5的污染。(4)路网连通复杂度在Scale2与PM10负相关,在Scale2尺度提升路网环通复杂度可以促进PM10污染的有效缓解。(5)节点与廊道数量水平在Scale1、Scale2与PM10负相关,在Scale1、Scale5与PM2.5负相关。通过在Scale1尺度提升节点与廊道数量水平可以同时有效缓解PM10、PM2.5污染。     

Estimating the effects of meteorology on PM2.5 reduction during the 2008 Summer Olympic Games in Beijing, China

Particulate pollution was a critical challenge to the promise of good air quality during the 2008 Beijing Olympic Games, which took place from August 8th to 24th. To ensure good air quality for the Games, several temporary emission control measures were implemented in Beijing and surrounding areas. Ambient particulate matter concentration decreased significantly during the Olympic period; however, it is difficult to distinguish the effectiveness of those control measures since meteorology also affects ambient PM_2.5 concentration. In this work, a multiple linear regression model based on continuous field monitoring at a roadside site was conducted to evaluate the effects of meteorology and emission control measures on the reduction of PM_2.5 during the 2008 Olympic Games. The hourly data set was divided into two time periods, the no control period, June 22nd to July 4th, and the control period, July 28th to August 21st. The response variable was PM_2.5 and the meteorology covariates used in the model were hourly temperature, dew point temperature, wind speed and precipitation. Wind direction was not a significant predictor of PM_2.5 levels in either the control or the no control period. Using the meteorologically-based regression coefficients from the two time periods, meteorology was found to contribute to at least a 16% reduction in PM_2.5 levels in the roadside microenvironment; while the pollution control measures contributed to at least a 43% reduction in PM_2.5 levels.     

河西走廊极端干旱区PM10质量浓度分布特征及其与气象要素关系研究

利用敦煌和酒泉2007—2011年的PM10质量浓度资料和风速、气温、相对湿度、气压、天气现象等相关气象要素资料,分析了河西走廊西部极端干旱区不同下垫面环境PM。0质量浓度的时空分布特征,结果表明,下垫面是沙地环境的敦煌PMl0质量浓度年平均值为128．9lμg·m-1,明显高于绿洲环境酒泉的76．1mg·m-1两站均是春季大于其他季节,尤以4月最为显著,敦煌和酒泉分别达到272．1lμg·m0和151lμg·m-2;PMl0质量浓度的不同分布特征与气象因素有密切的关系,尤其受沙尘天气的影响较大,其最大值可以反映沙尘天气的强度,非沙尘日PMl0质量浓度在不同下垫面条件下虽有一定相差,但空气质量状况均在“良”以上。两站PM10质量浓度日变化差异较大,敦煌四季的日变化特征均不特别显著,变化比较平稳,基本都呈单峰单谷型分布,最大值出现在17：00时左右,最小值出现在6：00左右;酒泉春、秋季日变化基本一致,呈单峰型,最大值出现在正午时段;夏季日变化规律性不明显,变化幅度比较平缓;冬季呈双峰双谷型,最大值和次大值分别出现在16：00和2：00左右,最小值和次小值分别出现在10：00和0：00左右。进一步分析发现,在沙尘日和非沙尘日PM10质量浓度明显不同,其对应的压、温、湿、风及能见度也有一定规律,沙尘日的日均风速和日最大风速大于非沙尘日,相对湿度、气压和能见度小于非沙尘日。两站的气温、气压、相对湿度、风速等气象要素与PM10质量浓度均有一定相关性,但PM10质量浓度的分布最终是受各要素综合影响的结果,敦煌和酒泉,PM值与PM10质量浓度日均值的相关性都很显著,相关系数分别为0．8961和0．9152,远高于其他各单气象要素与PM10质量浓度的相关性。两站沙尘日的昂M均值分别是非沙尘日2-3倍,因此气象影响指数能有效的区别沙尘日和非沙尘日。IPM的分布也能较好的反映PMl0质量浓度的分布,因此可用抽d来量化评价PM10质量浓度。     

北京市区域城市化程度与颗粒物污染的相关性分析

城市化程度的提升带来严重的资源环境问题,尤其是空气污染问题,严重影响了人类的健康。大气中的PM2.5等颗粒物已经成为影响我国城市空气质量的主要污染物。现有研究多数是对于多年来多地区的宏观研究,缺乏对于典型地区的具体数据报道。通过分析北京市PM2.5和PM10的质量浓度与不同城市化程度地区的相关关系,探索城市化程度对PM2.5等颗粒物浓度的影响。选取北京市7处具有代表性空气质量监测点,于2013年7月至10月对PM2.5和PM10的质量浓度进行连续4个月的实时监测,结合《北京市区域统计年鉴》中的城市化指标数据,包括常住人口密度、地区生产总值和林木覆盖率,对数据进行变化趋势分析、Pearson相关分析和回归分析。研究结论表明：由于北京市不同区域城市化程度不同导致颗粒物污染状况不同,每个区域的PM2.5与PM10的质量浓度虽有差异但均显著相关,PM2.5的质量浓度约占PM10的质量浓度的60%,PM2.5是PM10的主要组成成分。城市化程度与PM2.5等颗粒物浓度有明显的关系,PM2.5等颗粒物浓度与地区生产总值和林木覆盖率显著相关,与地区生产总值呈正相关,与林木覆盖率呈负相关;与常住人口密度呈正相关趋势但并不显著相关。其中,PM2.5的质量浓度与地区生产总值的相关系数为0.875,与林木覆盖率的相关系数为-0.838;PM10的质量浓度与地区生产总值相关系数为0.947,与林木覆盖率相关系数为-0.775。总体来看,PM2.5等颗粒物浓度随城市化程度的提高而增加,北京市区域城市化程度与颗粒物污染情况关系明显。我国在快速发展城市化的同时,应关注环境与经济相协调。调整产业结构,增加植被绿化,控制污染源将有助于减少北京市大气中颗粒物的污染程度,为我国的城市化进程提供相应的支持和保障。     

广州市区大气污染特征与影响因子分析

以2000—2004年广州市国控测点的空气环境质量自动监测结果为基础数据,以我国《大气环境质量标准》的日平均质量浓度二级标准为依据计算广州市2000—2004年的各大气污染物的指数及污染负荷率,阐明广州市区主要大气污染物SO2、NO2、PM10、CO的地域分布特征、季节变化特征、年际变化特征以及由于大气中的酸性物质而形成的酸雨的变化特征并提出研究对策。结果表明:各污染物质量浓度存在明显的季节变化规律,除SO2春夏秋季污染最严重,其余几项污染程度由高到低的顺序均为冬季,春季,秋季,夏季。近5年来空气中的一氧化碳呈显著下降趋势,但二氧化硫、二氧化氮和可吸入颗粒物则呈显著上升趋势,综合污染指数也呈明显上升趋势;酸雨频率呈不显著上升且夏秋季污染大于春冬两季。广州市大气污染分布规律与风向频率以北和东北偏北方向较大,东和东南方向次之的分布基本一致。     

Estimating the removal of atmospheric particulate pollution by the urban tree canopy in Beijing北大核心CSCD

Urban green space, particularly the tree canopy, plays an important role in potential mitigation against atmospheric particulate pollution and protecting human health. In this study, current and future air particulate matter [including total suspended particulate (TSP), particulate matter 10 (PM10), and particulate matter 2.5 (PM2.5)] removal by the urban tree canopy of Beijing was estimated. A modeling approach was used based on the distributed measurement evaluation and a modified version. The urban tree canopy of Beijing, including mostly Platycladus sp., Pinus sp., Quercus sp., Robinia pseudoacacia, and economic forests, currently removes about 8.33 million kg/a air particulates, in which TSP accounted for 4.51 million kg/a, PM10 accounted for 2.74 million kg/a, and PM2.5 accounted for 1.08 million kg/a. The study on the removal of air particulates by different aged tree canopies showed that in coniferous trees, the ability to capture air particulates changed in the order of mature and over-mature > near-mature forest > young forest; in broadleaf forest, the ability changed in the order of near-mature forest > mature and over-mature > young forest. For total particulate matter, the biggest contribution was coarse particulates (60.74%); the contribution rate of fine particulates was different owing to different tree species groups. The results suggested that the ability of different trees to capture particles and age of forests varied widely and that suitable trees should be chosen to enhance pollution mitigation for city greening. © 2018 Science Press. All rights reserved.     

北京市大气PM2.5中四种水溶性阴离子的水平变化比较

了解北京市城区和郊区大气细颗粒物中的四种水溶性阴离子F-、Cl-、SO42-、NO3-的浓度水平,并分析影响其水平高低的因素。使用聚四氟乙烯滤膜分别采集北京市城区和郊区大气中的PM2.5,用纯水提取后采用离子色谱法测定水溶性阴离子质量浓度。采样期间北京市大气PM2.5、F-、Cl-、SO42-和NO3-质量浓度几何均数分别为55.36、0.02、0.46、6.72和1.09μg·m-3,四种水溶性阴离子质量浓度总和占PM2.5质量浓度的19.14%;同一季节(春季)郊区监测点大气PM2.5、SO42-和NO3-质量浓度显著高于城区监测点;城区大气PM2.5与四种水溶性阴离子质量浓度秋季高于春季,但差异无统计学意义;大气PM2.5与Cl-、SO42-和NO3-质量浓度均高度相关。Cl-、SO42-、NO3-是北京市大气PM2.5的重要组成成分。     

大气细颗粒物对小鼠T淋巴细胞亚群的影响

大气颗粒物对肺免疫系统有潜在毒性作用,打破免疫系统平衡,大气颗粒物成分中危害首当其冲的是大气细颗粒物(PM_(2.5)),为研究大气细颗粒物引起的机体T淋巴细胞中Th1/Th2免疫失衡方向。本研究通过免疫组化实验方法检测暴露后小鼠肺组织中T淋巴细胞的表达,进一步采用流式细胞术检测大气细颗粒物气管滴注后小鼠肺脏淋巴细胞中Th1/Th2比例。暴露组小鼠肺组织免疫组化研究结果提示浸润细胞区有大量的CD4~+T细胞,中高剂量暴露组小鼠肺组织中淋巴细胞亚群Th1/Th2比例向Th1偏移。大气细颗粒物影响免疫失衡,使T淋巴细胞向Th1漂移。     

北京市大气PM_（2.5）中四种水溶性阴离子的水平变化比较

了解北京市城区和郊区大气细颗粒物中的四种水溶性阴离子F-、Cl-、SO42-、NO3-的浓度水平,并分析影响其水平高低的因素。使用聚四氟乙烯滤膜分别采集北京市城区和郊区大气中的PM2.5,用纯水提取后采用离子色谱法测定水溶性阴离子质量浓度。采样期间北京市大气PM2.5、F-、Cl-、SO42-和NO3-质量浓度几何均数分别为55.36、0.02、0.46、6.72和1.09μg·m-3,四种水溶性阴离子质量浓度总和占PM2.5质量浓度的19.14%;同一季节（春季）郊区监测点大气PM2.5、SO42-和NO3-质量浓度显著高于城区监测点;城区大气PM2.5与四种水溶性阴离子质量浓度秋季高于春季,但差异无统计学意义;大气PM2.5与Cl-、SO42-和NO3-质量浓度均高度相关。Cl-、SO42-、NO3-是北京市大气PM2.5的重要组成成分。     

中国典型城市主要大气污染物的浓度水平及分布的比较研究

应用柱状图和箱线图对污染物分布情况进行对比分析,明确了2013上半年北京、沈阳、广州、上海和海口5个城市4项污染物（SO2、NO2、PM10、PM2.5）的日均浓度的分布范围。该组数据涉及的站点总计有49个,其中包含的数据量北京有1863个、沈阳有1670个、上海有1452个、广州有1574个、海口有780个。柱状图显示了这段时间每个城市各个站点4种污染物不同浓度的分布范围,北京的ρ（SO2）和ρ（NO2）分布较为集中,主要的质量浓度区间分别是0~40和40~80μg·m-3,分别占北京SO2和NO2总数据量的51.0%和49.7%,ρ（PM10）和ρ（PM2.5）则分布较为分散;沈阳分布较为集中的是ρ（NO2）和ρ（PM2.5）,主要的质量浓度区间分别是0~30和30~60μg·m-3,分别占沈阳NO2和PM2.5总数据量的52.2%和42.8%,ρ（SO2）和ρ（PM10）则分布较为分散;上海和广州分布较为集中的是低浓度下的ρ（SO2）,其他三项污染物分布较为分散。箱线图是利用每个城市所有站点得到的最大值、最小值、上四分位数、下四分位数和中位数的平均值绘制得到的,通过不同城市间的比较可见,同期ρ（SO2）的比较结果是ρ（沈阳）〉ρ（北京）〉ρ（广州）〉ρ（上海）〉ρ（海口）;ρ（NO2）较大的3个城市是北京、上海和广州;对于ρ（PM10）则只有广州和海口2个城市浓度较低,而对于ρ（PM2.5）高值集中在北京、广州和沈阳3个城市。通过谱图间的比较,并结合各个城市的气象条件及经济发展状况,从中可推测除背景点海口外,北京和沈阳主要的污染物是PM2.5和PM10,广州和上海主要的污染物是NO2和PM2.5;北京主要的污染来源是燃煤烟尘和机动车尾气,广州和上海主要的污染来源是机动车尾气,沈阳主要的污染来源是燃煤烟尘。研究结果可为典型城市的环境监管与大气污染控制提供科学依据。     

黄、渤海滨海带大气颗粒物时空分布与来源特征

PM10作为大气污染物监测的主要指标之一,探究大气PM10浓度对大气环境质量和人体健康评价具有重要意义。黄、渤海滨海带包括京、津和辽、冀、鲁、苏等工、农业大省,区域大气PM10污染的时空分布和来源特征具有复杂性和典型性。在锦州、北京、天津、烟台、青岛、连云港和盐城7个城市布设10个采样点,含7个城市点和3个农村点,开展为期一年的大气颗粒物的采样;同时,于冬季1月和夏季7月在锦州、天津和烟台进行合计60 d的加密采样,藉以确定研究区域大气PM10的时空分布和来源特征。结果表明,黄、渤海滨海带大气年均PM10总浓度为(129’18)"g·m~(-3),单月最低值出现在2015年7月盐城农村样点15"g·m~(-3),最高值为2015年3月北京城市点307"g·m~(-3)。盐城大气PM10浓度(城市点(85’27)"g·m~(-3)和农村点(66’35)"g·m~(-3))显著低于其他样点大气PM10浓度。渤海滨海带中西部的京(140’68"g·m~(-3))、津(169’60"g·m~(-3))两市大气PM10年均浓度显著高于东部的锦州(125’41"g·m~(-3))和烟台(109’31"g·m~(-3));而且黄海滨海带大气PM10年均浓度(114"g·m~(-3))显著低于渤海滨海带年均浓度(136"g·m~(-3)),总体上表现出西高东低、北高南低的特征。黄、渤海滨海带城市点和农村点年均浓度分别为(129’18)"g·m~(-3)和(112’30)"g·m~(-3);农村点春冬季大气PM10浓度和城市点浓度相当,无显著差异,夏秋季大气PM10浓度略低于城市浓度,表明农村地区大气颗粒物污染情况也较为严重,需受到关注。区域内PM10浓度季节变化整体表现为春冬高、夏秋低。利用多元回归分析初步判断黄、渤海滨海带PM10属于复合来源,大气PM10浓度约30%的变化与降水、人均能耗和沙尘天气相关。黄、渤海滨海带大气PM10浓度的昼夜变化不大,大气PM10浓度与气温呈现正相关,与风速和降水呈现负相关,表现为受各种气象因素综合作用的影响。