沈阳市环境空气PM_(2.5)中有机碳、元素碳的污染特征研究

通过采集沈阳市环境空气不同时期PM_(2.5)样品,测定其中有机碳(OC)和元素碳(EC)含量,研究采暖期、非采暖期环境空气PM_(2.5)中OC,EC的污染特征。结果表明,沈阳市采暖期PM_(2.5)中OC,EC的含量高于非采暖期,而且采暖期OC,EC在PM_(2.5)中所占比重较高;采暖期PM_(2.5)中EC和OC的相关系数R是0.75,非采暖期为0.58;采暖期与非采暖期PM_(2.5)中SOC浓度分别为5.87μg/m3与3.92μg/m3,占OC含量的32.95%与50.05%。沈阳市采暖期OC和EC存在一致或者相似来源,采暖期OC和EC主要来源于柴油和汽油车尾气排放及燃煤排放,而非采暖期主要来自柴油和汽油车尾气排放,非采暖期大气光化学活性较高,二次污染源的贡献增强。     

采暖期和非采暖期PM_(2.5)污染特征分析——以烟台市为例

通过统计烟台市11个监测点位的大气污染成分数据,分析了PM_(2.5)在各阶段的浓度变化规律,并利用pearson相关性分析系统分析了各个监测站点之间污染变化规律的相关性。研究表明PM_(2.5)在一天内的时均浓度呈"M"型双峰的变化规律;烟台市年均浓度超过了国家规定的年均浓度限值35.0g/m~3,达到了47.0μg/m;另外采暖期PM_(2.5)的质量浓度是非采暖期的1.27倍;非采暖期PM_(2.5)占PM_(10)的比重为59%,在采暖期上升到63%,将采暖期与非采暖期做了系统的比对。     

克拉玛依市PM_(2.5)污染特征分析

对克拉玛依市2014-2015年PM_(2.5)质量浓度进行整理统计,通过Arc GIS空间插值和EXCEL数理统计分析得出PM_(2.5)的质量浓度变化特征。结果表明,PM_(2.5)各小时浓度均低于国家二级标准,整体空气质量为良;PM_(2.5)季节浓度呈现冬季高,春夏低的规律,其中2月份浓度最高,为63.7μg/m3,4月份最低为23.6μg/m3;各监测站PM_(2.5)浓度受盛行风影响自西北向东南方向递增,依次为南林小区、长征新村、白碱滩区、独山子区、乌尔禾区商贸区;PM_(2.5)与PM10全年平均比值为0.53,整体空气污染较重。此外,PM_(2.5)与NO_2和SO_2均呈正相关,与O_3呈负相关性,说明汽车尾气和化石燃料排放是PM_(2.5)的主要来源。     

多时间尺度的秦岭南北城市PM_(10)和PM_(2.5)变化特征分析

基于454d PM_(10)、PM_(2.5)质量浓度小时数据,分析不同时间尺度下西安市和安康市PM_(10)、PM_(2.5)变化规律。结果表明:(1)西安市和安康市PM_(10)、PM_(2.5)日均浓度均呈宽"U"字型变化趋势,秋冬季污染重于夏秋季,西安市污染重于同期安康市。(2)经小波分析发现,西安市在2017年供暖期内PM_(10)、PM_(2.5)浓度小波周期与同期安康市基本相同,经济结构差异和自然条件差异对PM_(10)、PM_(2.5)时间周期无显著影响。(3)城市自然、经济和供暖条件引起西安市和安康市PM_(10)、PM_(2.5)小时浓度变化趋势差异。     

2015-2020年昌吉市PM_(2.5)污染时空分布特征

以新疆"乌—昌—石"重点城市之一的昌吉市作为研究对象,收集2015～2020年昌吉市空气质量自动监测站点的PM_(2.5)浓度数据,分析昌吉市PM_(2.5)浓度的年变化、季节变化、月、日以及小时变化特征及其变化规律。结果表明:近6年来昌吉市PM_(2.5)浓度均超过二级标准限值浓度,且PM_(2.5)平均浓度整体呈上升趋势;不同季节PM_(2.5)浓度呈春夏季低、秋冬季高的特点;受冬季气象条件和采暖期影响,PM_(2.5)浓度在11月至次年3月相对较高,4～10月相对较低;PM_(2.5) 24小时浓度在不同月份呈现不同的日变化规律。PM_(2.5)浓度时空分布与气象条件、采暖季、汽车尾气、工业排放等因素有关,且是影响空气质量等级和优良天数的主要因素。研究结果可为昌吉市PM_(2.5)污染防治提供参考。     

巴中市城区PM_(2.5)污染特征及时空变化规律分析

利用巴中市城区一个自然年(2016年3月1日~2017年2月28日)的空气质量数据,分析了巴中市城区PM_(2.5)的污染特征和时空变化规律。结果表明,PM_(2.5)日均浓度对数值接近正态分布特征,PM_(2.5)与其他主要大气污染物都具有显著的相关关系。CO、NO_2是主要的相关因素,与PM_(2.5)的相关系数都高达0.7以上。PM_(2.5)浓度表现为冬季秋季春季夏季,这与首要污染物是PM_(2.5)的天数占比以及PM_(2.5)与PM_(10)相关系数的季节变化一致,反映了PM_(2.5)呈现出以冬季污染最重,春、秋季污染中等,夏季污染最小的季节特征。PM_(2.5)与PM10的浓度比值表现为冬季秋季夏季春季。各个站点的PM_(2.5)变化趋势一致,相互之间浓度差异小且比较均衡,巴中中学站点的PM_(2.5)浓度无论在任何季节都高于其他站点,苏山坪站点在冬季的PM_(2.5)浓度明显低于其他站点,表明PM_(2.5)污染具有明显的区域性特征,与人类活动强度相关的局地污染对PM_(2.5)污染具有一定影响。     

北京市区冬季PM_(2.5)污染特征及来源分析

选取北京市区为采样点,于2016年1月进行PM_(2.5)采集,并分析了PM_(2.5)和水溶性组分的污染特征和来源。结果表明,采样期间北京市PM_(2.5)质量浓度平均为67.7μg/m~3,水溶性离子是PM_(2.5)的主要组分,其中SO_4~(2-)、NO_3~-和NH_4~+之和占总离子的79.1%;Ca~(2+)和Mg~(2+)分别占PM_(2.5)质量浓度的2.5%和0.9%,海盐气溶胶和K~+分别占PM_(2.5)的3.6%和1.6%。采样期间NO_3~-/SO_4~(2-)为1.1,表明NO_2和SO_2主要来自移动源的贡献。北京市区冬季PM_(2.5)主要来自二次污染源、扬尘、生物质燃烧和海盐气溶胶,贡献率分别为42.351%、21.164%、16.314%和5.436%。     

潍坊城区典型区域PM_(10)和PM_(2.5)质量浓度变化特征

利用2016年1月至12月潍坊城区典型区域的PM_(10)、PM_(2.5)浓度的连续观测数据,研究了PM_(10)、PM_(2.5)浓度的变化特征及其与气象因素的关系。结果表明,潍坊城区颗粒物污染较为严重,PM_(10)超标率为7.59%、PM_(2.5)超标率为33.61%。PM_(10)和PM_(2.5)质量浓度均存在明显的季节变化和月变化规律,表现为夏季月份较低,而冬季月份较高。PM_(2.5)/PM_(10)比值的平均值为0.526,该比值也呈现一定季节变化,冬夏两季较高,春秋两季较低。PM_(10)和PM_(2.5)与气温均呈现一定的负相关性,PM_(10)还与湿度呈现负相关关系。     

南充交警大气PM_(2.5)个体暴露水平及健康风险评价

为探讨交警工作环境大气PM_(2.5)个体暴露水平,现场监测交警大气PM_(2.5)个体暴露浓度,同时采集个体暴露大气PM_(2.5)样品,分析样品的化学成分并对部分元素进行健康风险评价。结果表明,交警大气PM_(2.5)个体暴露浓度为74.4μg/m~3,明显高于大气环境浓度42.2μg/m~3;交警PM_(2.5)个体暴露浓度与风速、湿度负相关,与温度存在一定程度上的正相关,降雨能降低PM_(2.5)个体暴露浓度。应用健康风险评价模型发现Mn对交警存在非致癌风险,风险指数为2.48;Cr对交警存在致癌风险,风险指数为1.58×10~(-3),应予以重视。     

成都市春节期间PM_(2.5)中水溶性离子的污染特征分析

采用在线监测仪器对成都市春节期间大气中的PM_(2.5)及PM_(2.5)中的水溶性无机离子浓度进行了连续观测。结果表明:春节期间NO-3、SO2-4、NH+4是PM_(2.5)中水溶性离子的主要组成部分;烟花爆竹的集中燃放使PM_(2.5)的浓度短时间内迅速升高,同时PM_(2.5)中的SO2-4、K~+、Mg2+、Cl-的浓度亦显著升高,最大值分别为28.74μg/m3、33.40μg/m3、3.01μg/m3、23.53μg/m3,是基本无烟花爆竹燃放时段的2.90倍、303.6倍、376.2倍和13.8倍;相关性分析表明,春节期间PM_(2.5)中的K~+、Mg2+、Cl-可能有相同的来源,即烟花爆竹的燃放,部分SO2-4还可能以硫酸钾、硫酸镁的形式存在。     

四川省近15年以来PM_(2.5)的时空分布特征及原因分析

近年来,PM_(2.5)成为大家关注的重点,四川省是中国PM_(2.5)高浓度的分布地区之一。利用四川省2000~2014年近15年的PM_(2.5)年均浓度反演数据,按照2005年WHO对PM_(2.5)的划分标准,采用10μg/m3、15μg/m3、25μg/m3、35μg/m3四个断点将其分为5类。以此为基础分析了四川省PM_(2.5)的时空分布特征及影响因素。研究结果表明:(1)东部地区PM_(2.5)浓度明显大于西部,2010~2014年四川省PM_(2.5)年均浓度呈下降趋势;(2)PM_(2.5)类型以污染最严重的第五类为核心呈半环状向西递减,2010~2014年第五类所占比例波动降低;(3)成都市、眉山市等地区PM_(2.5)浓度较高,2014年PM_(2.5)年均浓度降低;(4)自然因子、不透水地表、产业结构变化、大气污染防治政策等是影响PM_(2.5)浓度变化的重要因素。     

南昌市环境空气PM_(2.5)化学组分的时空分布特征

2015年在南昌市6个国控点分四个季度采集了大气PM_(2.5)样品,分析了其主要化学组分,并对PM_(2.5)质量浓度进行了重构。结果表明:南昌市PM_(2.5)的主要化学组分为SO_4~(2-)、OC、NO_3~-、NH_4~+和EC,占比具有明显的时空变化特征,硫酸盐在第二、三季度最大,硝酸盐在第一、四季度最大,SO_4~(2-)和NH_4~+在石化点位最高,NO_3~-在京东镇政府点位最高,OC和EC在省外办点位最高;重构后,南昌市PM_(2.5)以硫酸盐、有机物、地壳类物质为主,说明2015年南昌市扬尘和二次硫酸盐源类对PM_(2.5)的贡献可能是主要的。     

水泥生产线污染源PM_(2.5)排放的监测

水泥工业是重要的PM_(2.5)排放源之一,因此有必要对水泥生产线污染源PM_(2.5)排放进行监测。介绍了水泥生产线污染源PM_(2.5)监测的主要仪器和方法,并对监测数据进行了分析。     

淮河流域PM_(2.5)和PM_(10)比率的时空变化

运用Theil-Sen斜率估计法和Mann-Kendall趋势检验法求出淮河流域23个监测点PM_(2.5)与PM_(10)的变化规律,结果表明,17个地区的空气质量有所改善。与不同气象指标的相关分析表明,空气中PM_(2.5)、PM_(10)的含量与降水量、湿度和温度呈负相关关系,与气压和风速呈正相关关系。夏季空气中悬浮物质含量较低,表明降雨在净化空气中起主导作用。与空气中次生气溶胶的相关分析结果表明,淮河流域空气中的悬浮物质主要来源于煤炭燃烧和交通运输。     

南京市PM_(2.5)中重金属污染特征分析及健康风险评价

自2013年12月至2014年11月,采集了南京市大气颗粒物PM_(2.5)样品共计56个,分析了As、Cd、Cr、Ni、Pb、Zn、Cu和Mn这8种重金属元素的含量及污染特征,并应用美国环保局推荐的健康风险评价模型,对其通过呼吸途径引起的人体健康风险进行了初步评价。结果表明,南京市大气PM_(2.5)质量浓度呈现明显季节特征,冬季秋季春季夏季,全年均值为86μg/m3,超我国年均二级标准的1.4倍。PM_(2.5)中8种元素浓度排序为:ZnPbMnCuCrAsNiCd,As均值超标77%,其他未超。4种致癌重金属(As、Cd、Cr、Ni)及4种非致癌重金属(Pb、Zn、Cu、Mn)中,Cr对人体健康具有很高的潜在性危害,其他7种重金属的风险可忽略,不会对暴露人群构成明显的危害。     

黄河流域城市PM_(2.5)时空异质及空间溢出效应研究北大核心

选择2000—2020年黄河流域69个地级市PM_(2.5)浓度相关监测数据,采用空间自相关模型和空间回归模型对流域PM_(2.5)污染时空特征和空间溢出效应进行分析。结果表明:①2000—2020年黄河流域城市年度PM_(2.5)浓度值呈“先升后降”的趋势,黄河流域PM_(2.5)污染呈“先恶化、后改善”的趋势。②黄河流域PM_(2.5)浓度年度均值为52.99μg/m^(3),其中,上游、中游和下游PM_(2.5)浓度年度均值分别为39.35μg/m^(3)、54.65μg/m^(3)、72.53μg/m^(3),表明黄河流域PM_(2.5)污染水平地理梯度分布呈“上游<中游<下游”的态势。③黄河流域PM_(2.5)污染具有显著的空间自相关性和空间聚集特征,下游已形成较为稳定的大气污染区,但流域PM_(2.5)污染水平空间极化程度不断降低,空气质量朝着空间均衡方向不断改善。④黄河流域城市PM_(2.5)污染空间溢出效应明显,年均气温、人口密度、工业化程度、人均GDP等因素与城市PM_(2.5)污染水平呈正向相关性,降水量、年均风速、植被覆盖度等因素与城市PM_(2.5)污染水平之间呈负向相关性。     

一种城市治理PM_(2.5)的新方法

概述了我国PM_(2.5)污染现状,简介了城市PM_(2.5)治理的主要技术,提出了一种治理PM_(2.5)的新工艺,该治理工艺适用于指定区域的PM_(2.5)治理,并能取得较好的治理效果。     

雾化除尘技术在治理城市PM_(2.5)中的应用

综述了雾化技术对PM_(2.5)的治理机理及特点,分析了PM_(2.5)治理领域主要雾化技术的应用现状,指出雾化技术治理PM_(2.5)颗粒物的有效性及对城市PM_(2.5)治理的意义。     

北京市城区PM_(2.5)浓度分布及影响因素研究

对2015年4月1日至2016年3月31日期间北京市城区PM_(2.5)的日均浓度变化及天气影响因素进行了研究。研究结果表明PM_(2.5)的日均浓度变化幅度较大,且在秋冬季节明显高于春夏季节;PM_(2.5)日均浓度统计结果的概率密度呈对数形式分布;由于北京市城区的地理位置原因,导致东南风向时城区PM_(2.5)浓度普遍偏高;而温度与PM_(2.5)浓度无明显相关性。     

基于支持向量机-小波神经网络的PM_(2.5)预测模型

近年来我国多地区雾霾天气频发,针对PM_(2.5)浓度变化的非线性、时变性等特点,建立了基于支持向量机-小波神经网络(SVM-WNN)的组合预测模型。采用网格搜索算法对SVM的参数进行优化,利用优化后的模型进行初始预测,并结合WNN强大的非线性拟合能力的特点对其预测残差进行修正。以石家庄市每小时监测的PM_(2.5)浓度数据为样本建立模型并进行预测,结果表明,组合模型预测的平均相对误差为7. 2%。对比单一模型,组合模型的预测的效果更好,这也为短时PM_(2.5)浓度预测提供一个新的方法。