基于BP神经网络的大气污染物浓度预测

利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似.     

佛山惠景城大气污染物浓度时序特征

基于佛山市惠景城区2013年1月1日-12月31日SO2、NO2、O3、PM2.54种大气污染物的时序监测数据,分析其时序特征,4种污染物质量浓度的平均水平和离散程度表现为NO2PM2.5O3SO2。不同时间际的浓度变化以及污染物之间的互相关、自相关分析结果表明:(1)细颗粒污染、臭氧污染分别集中于冬春季和秋季。周一、周二的SO2、NO2、PM2.5浓度高于一周内的其他时日,O3则相反。尤其是周二NO2浓度显著高于其他日该值,可能与周一车流高峰期机动车直接排放NO转化耗时导致NO2峰值延迟有关。在12:00-15:00时段,SO2、NO2、PM2.5浓度最低,O3浓度最高,可能原因为中午高气温可促使地表污染物向高空扩散,而O3作为NO2的光解反应产物,其浓度水平更大程度上受制于太阳辐射强度。(2)4种污染物的自相关系数各不相同,整体上间隔期为1、3(天或时)的历史污染物浓度能够有效影响当前时刻的污染物浓度。SO2、NO2、PM2.5三者之间存在明显的正相关关系,而O3与NO2呈现弱负相关关系,可能与站点地理位置有关,即该站点PM2.5受机动车直接排放影响为主。O3除受NO2的制约外,更大程度上受太阳辐射的影响。     

燃放烟花爆竹对云南省环境空气质量的影响

利用2016—2018年春节期间(除夕—初六)云南省环境空气中PM_(2.5)、PM_(10)、SO_2、NO_2、CO和O3的质量浓度监测数据,研究了春节期间燃放烟花爆竹对环境空气质量的影响,并采用spearman分析了除夕—初一PM_(2.5)、PM_(10)、SO_2、NO_2、CO小时浓度值变化相关性。结果表明:春节期间(除夕—正月初六)超标天数集中出现在大年初一,首要污染物均为细颗粒物(PM_(2.5));烟花爆竹集中燃放阶段,SO_2、PM_(2.5)、PM_(10)日均值显著升高,O3、NO_2和CO的日均浓度值变化则基本不受其直接影响;总体上PM_(2.5)、PM_(10)、SO_2、NO_2和CO的小时浓度值变化趋势呈正相关,其中SO_2与PM_(2.5)、PM_(10)相关系数均值在0.800左右,高度正相关,这与全省除夕—初一污染物浓度的逐时变化趋势相一致。     

北京市PM_(2.5)和反应性气体浓度的变化特征及其与气象条件的关系

利用2012年全年北京市SO_2、NO_y、O_3、CO和PM_(2.5)监测数据,讨论PM_(2.5)和反应性气体的变化特征及其与气象条件的相关关系.结果表明:北京地区2012年PM_(2.5)平均质量浓度为52.0μg/m~3,年波动范围较大,特别是秋冬两季,呈现出慢累积而快清除的变化特征;NO_y、NO、CO、SO_2与PM_(2.5)质量浓度增减呈相同的变化趋势,O_3变化趋势相反;PM_(2.5)质量浓度0~25μg/m~3之间出现的频率最高,为27%;NO_y、NO、CO、SO_2和PM_(2.5)在风速小于3m/s时,随风速增大均呈显著的下降趋势,其中PM_(2.5)的下降率约为25%/m/s,风速大于3m/s后,污染物下降到较低浓度后趋于平缓;清洁天,相对湿度增大对PM_(2.5)质量浓度的影响不显著,而污染天,在较高相对湿度下,PM_(2.5)的质量浓度迅速升高.     

中国南北方大气污染物的时空分布特征

利用中国环境监测总站2014年12月-2015年11月171个城市的逐小时大气污染资料,对比分析了南北方大气颗粒物和气体污染物的时空分布特征。结果表明:(1)全国出现PM_(2.5)和PM_(10)污染日的频率分别为17.23%和10.33%,PM_(2.5)、PM_(10)具有较好的线性相关性,PM_(2.5)浓度约占PM_(10)浓度的47%,颗粒物和气体污染物的重污染区主要分布在环渤海地区、长三角地区、西北地区、四川盆地和两湖地区。(2)南北方大气颗粒物和气体污染物浓度具有明显的月季变化,从12月到次年3月和6、11月差距大,其他月份小(O3除外),PM_(2.5)/PM_(10)比值在秋末冬初大,其他季节小。(3)北方PM_(2.5)年均浓度为62.28μg/m3,比南方高12.62μg/m3,北方PM_(10)年均浓度为115.98μg/m3,比南方高36.34μg/m~3,虽然北方颗粒物浓度比南方大,但除2015年11月外,PM_(2.5)/PM_(10)北方都小于南方;北方SO_2、NO_2、CO年均浓度分别为38.16、42.28、1 256.67μg/m~3,比南方高18.43、3.56、315.83μg/m3,南北O3年均浓度相当。(4)从日变化看,污染物平均浓度(O3和SO_2除外)白天低于夜间,下降速率白天大于夜间;南北PM_(2.5)、PM_(10)、CO、NO_2平均浓度日变化呈"双峰双谷"型,O3呈"单峰单谷"型;日变化曲线还表明,日间和夜间北方PM_(2.5)、PM_(10)、CO、NO_2平均浓度都高于南方,下降速率也是北方大于南方。     

北京城区和郊区本底站大气污染物浓度的多时间尺度变化特征

利用北京城区海淀宝联站(HD)和上甸子本底站(SDZ)2005—2012连续8年的大气污染物(PM_(2.5)、O3、NO2、SO_2和CO)浓度观测数据进行统计分析,揭示北京城区和郊区主要污染物浓度变化特征、超标情况及其差异.主要结论如下:1连续8年北京城区、郊区PM_(2.5)浓度整体呈缓慢下降趋势,但污染水平仍较高.海淀宝联站和上甸子本底站的PM_(2.5)年均浓度从奥运前3年(2005—2007)的平均值87.1μg·m-3和53.4μg·m-3分别下降到奥运后5年(2008—2012)的平均值67.7μg·m-3和42.1μg·m-3.奥运后5年两站PM_(2.5)年均浓度变化不大,其中城区维持在66~70μg·m-3的高浓度水平.城区PM_(2.5)浓度为3级以上的超标日在四季的发生频率相当,4级和5级以上的超标日则多发生在秋、冬季;各季平均日变化趋势均为双峰双谷型,上下班交通高峰期对PM_(2.5)浓度日变化有重要影响.2城区站O3年均浓度前5年(2006—2010)逐年下降,之后浓度开始回升,而本底站O3年均浓度在此期间变化不大,近6年(2007—2012)维持在72.4~76.3μg·m-3.城、郊O3平均日变化均呈单峰型,其中上甸子站峰值出现时刻晚于城区海淀宝联站.32005—2012年北京城区其它气态污染物浓度(NO2、SO_2和CO)总体均呈缓慢下降趋势,但在2012年浓度有所反弹,城区站气态污染物在秋、冬季的平均浓度均显著高于春、夏季.     

2015年春节期间天津烟花爆竹燃放对空气质量的影响

为了解2015年春节期间烟花爆竹燃放对天津市空气质量的影响,在天津市环境监测中心利用在线监测仪器对环境空气中的气态污染物浓度(SO_2、O_3、NO、NO_2等)、颗粒物浓度(PM_(1.0)、PM_(2.5)、PM_(10)等)、颗粒物水溶性离子、有机碳(OC)和元素碳(EC)进行连续观测.通过烟花爆竹燃放时段和正常时段的对比,分析并探讨烟花爆竹燃放对各污染物排放特征的影响.结果表明,烟花爆竹集中燃放对PM_(1.0)、PM_(2.5)、PM_(10)和SO_2的影响最为显著,燃放高峰期(初一0:00),其浓度分别为284.00,428.00,714.00,283.14μg/m~3,且燃放期间,其平均值分别比非燃放期增加了2.99、2.54、2.07和3.27倍;烟花爆竹燃放对PM_(2.5)中水溶性离子K~+、Mg~(2+)、Cl~-、SO_4~(2-)、Na~+和NO_2~-影响最大,燃放高峰期,6种离子在PM_(2.5)中比例达35.28%.另外,PM_(2.5)中OC、EC浓度也在燃放高峰期出现明显的峰值(分别为:15.68、2.96μg/m~3),分别为前一小时平均浓度的2.00和1.37倍.     

2015年春节期间天津烟花爆竹燃放对空气质量的影响

为了解2015年春节期间烟花爆竹燃放对天津市空气质量的影响,在天津市环境监测中心利用在线监测仪器对环境空气中的气态污染物浓度(SO_2、O_3、NO、NO_2等)、颗粒物浓度(PM_(1.0)、PM_(2.5)、PM_(10)等)、颗粒物水溶性离子、有机碳(OC)和元素碳(EC)进行连续观测.通过烟花爆竹燃放时段和正常时段的对比,分析并探讨烟花爆竹燃放对各污染物排放特征的影响.结果表明,烟花爆竹集中燃放对PM_(1.0)、PM_(2.5)、PM_(10)和SO_2的影响最为显著,燃放高峰期(初一0:00),其浓度分别为284.00,428.00,714.00,283.14μg/m~3,且燃放期间,其平均值分别比非燃放期增加了2.99、2.54、2.07和3.27倍;烟花爆竹燃放对PM_(2.5)中水溶性离子K~+、Mg~(2+)、Cl~-、SO_4~(2-)、Na~+和NO_2~-影响最大,燃放高峰期,6种离子在PM_(2.5)中比例达35.28%.另外,PM_(2.5)中OC、EC浓度也在燃放高峰期出现明显的峰值(分别为:15.68、2.96μg/m~3),分别为前一小时平均浓度的2.00和1.37倍.     

荆门市中心城区环境空气质量分析研判

以2015年以来荆门市中心城区空气监测数据为基础,从综合指数、分指数及环境空气6参数入手,分析空气质量总体状况及变化趋势。从分指数大小看,PM_(2.5)、PM_(10)分别排名第1和第2,说明荆门市空气主要污染物为PM_(2.5)和PM_(10);从综合指数及分指数变化趋势看,2016年和2015年综合指数差值为-0.62,反映荆门市中心城区空气质量总体改善,PM_(10)和PM_(2.5)分指数差值分别为-0.22、-0.37,其浓度下降是空气质量总体改善主要因素;2017年1-4月与2016年同期相比,气态污染物中的NO2和O3分指数差值分别为0.09、0.20,说明NO2和O3浓度有明显上升趋势。通过分析可知,荆门市中心城区近年来PM_(2.5)和PM_(10)浓度明显降低反映出颗粒物特别是扬尘防控取得明显成效,同时NO2和O3浓度明显上升则反映出城市机动车尾气及VOC治理已经到了需要引起足够重视的程度。     

广西北海涠洲岛春季大气颗粒物浓度特征及影响因素

为了解我国北部湾区域大气环境特征和可能的跨界输送,于2015年3~4月在涠洲岛开展了对大气颗粒物浓度水平和粒径分布特征的外场观测研究,并结合气象因子和后向轨迹探讨了颗粒物浓度变化原因和来源.结果表明涠洲岛大气PM_1、PM_(2.5)、PM_(10)质量浓度分别为(21±12)、(35±19)、(43±20)μg·m~(-3).PM1、PM_(1~2.5)和PM_(2.5~10)质量浓度分别占PM10的50%、32%、18%.0.5~1、1~2.5和2.5~20μm粒径段颗粒物数浓度分别占总数浓度的93.5%、6.1%和0.4%.颗粒物数浓度与能见度和气压呈弱负相关.后向轨迹模拟分析发现,来自涠洲岛西南方向东南亚一带的气团影响频率最高(45.9%),0.5~1μm、1~2.5μm数浓度和PM_(2.5)浓度最低但NO浓度最高;其次为来自正东方向气团(34.1%),SO2浓度最低但O3浓度最高;来自正南方向的气团(12.5%)NO2、NOx、O3和CO浓度最低;来自东北方向的大陆气团影响频率最低(7.4%),但颗粒物数浓度、质量浓度和气体污染物浓度(除O3和NO)最高.涠洲岛大气细颗粒物和气态污染物主要受大陆和东南亚地区输送影响,来自大陆方向的输送以工业污染为主,来自东南亚方向的输送以港口船舶及航运污染为主.     

基于快速聚类方法分析常州市区PM2.5的统计特性

运用统计方法研究常州市区2013~2014年6个国控点六项基本污染物(SO_2、NO_2、CO、O_3、PM_(2.5)和PM_(10))月平均浓度变化,结果表明,除O_3外,其它五项污染物月平均浓度夏季较低冬季较高.颗粒物与风速之间的关系为PM_(2.5)浓度随风速的升高一直降低,PM_(10)随风速的升高浓度先降低后升高.采用快速聚类分析(k-means)并运用SWV和DIV指数对六项基本污染物进行分类,得到4个样本分类.与依据颗粒物化学成分或粒径谱对PM进行源解析方法不同,本研究更多是从PM_(2.5)与其它污染物相关关系以及污染程度等角度按照欧式距离进行分类.不同类中PM_(2.5)来源明显不同,类1中PM_(2.5)与化石燃料燃烧排放密切相关,类2与O_3密切相关,类3与城市不完全燃烧排放、区域灰霾污染密切相关,类4可以归类于城市"背景"类.快速聚类分析结果也表明常州市区PM_(2.5)有着复杂的来源.     

基于空间插值的西安市重空气污染期间主要污染物时空变化特征及相关性分析

西安市是我国承东启西、连接南北的战略性枢纽城市,但其长期受到重空气污染的影响.基于2018年11月24日-12月3日西安市及其周边7个地级市共38个环境质量监测站点的逐时数据,利用空间插值、趋势分析和相关性分析方法,研究了西安市一次重空气污染期间六大污染物（PM_2.5、PM₁₀、CO、NO₂、SO₂和O₃）的质量浓度时空变化及彼此间的相关关系.结果表明:①IDW（inverse distance weighting,反距加权插值法）和OKri（ordinary Kriging,普通克里格插值法）均能较好地获得西安市空气污染物的时空变化情况,但IDW的插值精度优于OKri,距离指数为7的IDW可以满足西安市空气污染物时空变化模拟的要求.②研究期间,西安市首要污染物为PM_2.5和PM₁₀,二者分别是中度-重度污染及严重-"爆表"污染天气的首要贡献因子.③ρ（PM_2.5）、ρ（PM₁₀）、ρ（CO）、ρ（NO₂）和ρ（SO₂）均呈中部高、两边低,北部高、南部低的空间分布特点,而ρ（O₃）则相反;PM_2.5、PM₁₀、O₃污染程度日趋严重,NO₂污染程度逐渐缓解.④ρ（PM_2.5）、ρ（NO₂）、ρ（CO）之间呈中等正相关,三者在时空变化上具有较高的一致性;ρ（SO₂）与ρ（PM_2.5）、ρ（NO₂）、ρ（CO）均呈弱正相关;ρ（O₃）与ρ（NO₂）、ρ（CO）均呈弱负相关.受扬尘天气和特殊风向及地形共同影响,西安市PM₁₀出现"爆表"现象,导致ρ（PM₁₀）与其他污染物质量浓度之间的相关性不明显.研究显示,距离指数为7的IDW适合西安市空气污染情况时空变化的模拟,重污染天气条件下,西安市ρ（PM_2.5）、ρ（NO₂）、ρ（CO）之间具有较高的同源性,但各污染物间时空变化和相关性关系较复杂.      

Spatial and temporal variation of particulate matter and gaseous pollutants in 26 cities in China

O3and PM2.5were introduced into the newly revised air quality standard system in February 2012, representing a milestone in the history of air pollution control, and China's urban air quality will be evaluated using six factors(SO2, NO2, O3, CO, PM2.5and PM10) from the beginning of 2013. To achieve the new air quality standard, it is extremely important to have a primary understanding of the current pollution status in various cities. The spatial and temporal variations of the air pollutants were investigated in 26 pilot cities in China from August 2011 to February 2012, just before the new standard was executed. Hourly averaged SO2, NO2and PM10were observed in 26 cities, and the pollutants O3, CO and PM2.5were measured in 15 of the 26 cities. The concentrations of SO2and CO were much higher in the cities in north China than those in the south. As for O3and NO2, however, there was no significant diference between northern and southern cities. Fine particles were found to account for a large proportion of airborne particles, with the ratio of PM2.5to PM10ranging from 55% to 77%. The concentrations of PM2.5(57.5 μg/m3) and PM10(91.2 μg/m3) were much higher than the values(PM2.5: 11.2 μg/m3; PM10 : 35.6 μg/m3) recommended by the World Health Organization. The attainment of the new urban air quality standard in the investigated cities is decreased by 20% in comparison with the older standard without considering O3, CO and PM2.5, suggesting a great challenge in urban air quality improvement, and more eforts will to be taken to control air pollution in China.     

京津冀污染物跨界输送通量模拟

发展了关键影响因子加权人为源分配方法(WKIF),增添了依赖于气象条件和下垫面类型的生物源,动态更新了气象场和浓度场的边界条件.然后利用WRF-CAMx模式定量给出了四季北京、天津和河北大气边界层中PM2.5、O3、CO、SO2、NO2和NO跨界输送通量和北京净输入或输出通量.结果表明WKIF方法合理反映了中小城市人为源的空间分布特征,模式重要输入参量、初值与边界条件的改进显著改善了WRF-CAMx模式对京津冀地区6个观测站点近地面NOx、O3和PM2.5浓度的模拟.北京向天津冬、春季主要通过西北方向,夏、秋季主要经过偏西方向输入NO、NO2、SO2、CO、O3、PM2.5,输送通量夏季均最小,冬季均最大,且四季北京向天津输入的CO、O3、PM2.5通量显著高于NO、NO2、SO2通量.河北的污染物冬、春季主要通过西北方向,夏季主要经由偏南方向,秋季主要途径偏西方向进入北京;四季北京向河北输入NO和NO2,但跨界输送通量小于20t·d-1;四季河北向北京输入的CO、O3、PM2.5通量远高于北京向河北输送的NO、NO2通量,明显大于北京向河北输送的SO2通量,且河北向北京输入CO、O3、PM2.5通量夏季均最小,冬季均最大;四季北京大气边界层中NO、NO2、SO2最大净输出通量小于50t.d-1,CO、O3、PM2.5净输入或输出通量分别为111～2309、567～6244、715～1778t·d-1.这些定量结果为京津冀区域污染源调控对策的制定提供了科学依据.     

厦门湾空气质量对新冠疫情管控的响应

通过对厦门湾城市群在COVID-19封锁前后6周内（2020-01-11~2020-02-21）的空气污染物浓度变化进行分析,以确定影响本区域空气质量的主要人为污染源.在春节假期与封锁叠加期间,SO₂、NO₂、CO、PM₁₀和PM_2.5浓度相比于节前1周的下降幅度分别为6%~22%、53%~70%、34%~48%、47%~64%和53%~60%,而O₃浓度变化没有一致的规律性;与2018~2019年历史同期相比,PM_2.5、PM₁₀、CO和NO₂的下降幅度更大,但SO₂的下降幅度相当;在复工复产后,NO₂的反弹幅度最大（38%~138%）,远高于SO₂（2%~42%）,显示交通源相对于固定源更易受到疫情管控的影响;春节后风速增大和降水增多也为SO₂、NO₂和PM的下降提供了正向影响.利用反距离插值权重法,得到管控前后厦门湾城市群不同污染物的空间分布变化特征,显示NO₂浓度高值区的变化与交通源高度相关,CO和SO₂空间分布特征保持稳定,复工后PM_2.5和PM₁₀在人口与路网密集区变化不明显,而在工地相对集中区域有明显上升,O₃空间分布的低值区与NO₂的高值区具有较好的空间匹配性,显示NO₂对O₃滴定作用明显,可为进一步O₃污染减排措施的制定提供参考.     

上海市浦东城区二次气溶胶生成的估算

利用2010年5～10月不同日最高O3小时浓度(O3,max)下PM10浓度变化评估不同O3浓度水平下二次气溶胶生成量.CO作为一次颗粒物的标志物,O3作为光化学反应水平的指示物种.结果表明不同光化学水平条件下,PM10中一次与二次气溶胶浓度及比例存在较大差异.随着光化学水平的增加,PM10中一次气溶胶排放浓度增长不大(0.036～0.044 mg.m-3),二次气溶胶的生成量却呈数倍增长(0.018～0.055 mg.m-3);二次与一次气溶胶浓度的比例也从49.8%增加到124.5%.O3,max出现的时间也随着光化学水平的增强由13:00推迟到14:00,二次气溶胶生成的主要时段也从11:00～20:00增加到09:00～20:00;此外,PM2.5中主要组分SO24-、NO3-、OC等比例随着光化学水平(即O3,max浓度)的不同而存在一定差异,当O3,max<0.10 mg.m-3时,PM2.5主要由12.0%有机碳(OC)、18.7%硫酸盐、13.1%硝酸盐和4.5%元素碳(EC)组成,而O3,max>0.20mg.m-3时,PM2.5主要由20.0%有机碳(OC)、22.9%硫酸盐、23.1%硝酸盐和4.7%元素碳(EC)组成.说明SO24-、NO3-、OC受光化学水平影响较大.     

河北省国道和省道机动车基于交通流量的尾气排放量估算

河北省各城市均已开展利用机动车保有量等宏观统计数据的城市移动源排放清单编制工作,但尚缺乏对跨省及全省各城市间国省道高时空分辨率的移动源排放清单研究.本研究利用2017年河北省国道、省道日均交通流量监测数据,计算了2017年河北省国道和省道机动车大气污染物排放量.结果表明：2017年河北省国道和省道机动车CO、HC、NO_x、PM_2.5和PM₁₀排放量,与利用宏观统计数据计算得到的全省机动车排放总量相比,分别占27.8%、15.7%、55.6%、58.3%和58.5%.重型货车是国道和省道机动车CO、NO_x、PM_2.5和PM₁₀排放的主要来源.河北省南部国省道的机动车排放量以南部各城市为中心呈网状辐射,东北部沿海地区的排放量主要在沧州-天津-唐山-秦皇岛-承德沿线分布,西北部则主要在保定-张家口-内蒙沿线分布.月均排放量分布情况为1月最高,9月最低;周日均分布情况为周一—周三逐日增加,周四开始回落,周日降至最低;每日小时平均分布呈现明显的双高峰现象,两次高峰分别出现在11：00和18：00左右;最低值出现在凌晨4：00.河北省内,各市国省道机动车污染物排放分担率前3位的依次为保定、沧州和张家口.跨省交通车辆排放的CO、HC、NO_x、PM_2.5、PM₁₀分别占河北省国省道机动车总排放量的48.1%、48.7%、42.9%、41.3%和41.3%,其中天津市出入河北省的车辆排放分担率最高,其次是北京.京津冀应在区域层面建立机动车污染联合防治协调机制,从调整区域货运交通运输结构、推动柴油车污染控制措施升级等方面改善区域环境空气质量.     

Significant concurrent decrease in PM2.5 and NO2 concentrations in China during COVID-19 epidemic

The strict control measures and social lockdowns initiated to combat COVID-19 epidemic have had a notable impact on air pollutant concentrations. According to observation data obtained from the China National Environmental Monitoring Center, compared to levels in 2019, the average concentration of NO₂ in early 2020 during COVID-19 epidemic has decreased by 53%, 50%, and 30% in Wuhan city, Hubei Province (Wuhan excluded), and China (Hubei excluded), respectively. Simultaneously, PM_2.5 concentration has decreased by 35%, 29%, and 19% in Wuhan, Hubei (Wuhan excluded), and China (Hubei excluded), respectively. Less significant declines have also been found for SO₂ and CO concentrations. We also analyzed the temporal variation and spatial distribution of air pollutant concentrations in China during COVID-19 epidemic. The decreases in PM_2.5 and NO₂ concentrations showed relatively consistent temporal variation and spatial distribution. These results support control of NO_x to further reduce PM_2.5 pollution in China. The concurrent decrease in NO_x and PM_2.5 concentrations resulted in an increase of O₃ concentrations across China during COVID-19 epidemic, indicating that coordinated control of other pollutants is needed.     

关中盆地NO2和SO2对颗粒物污染的协同效应

基于WRF-Chem模式模拟了关中盆地2019年1月2—14日一次颗粒物污染事件,评估了NO_x和SO₂减排及其在颗粒物污染中的协同作用对PM_2.5污染的影响。敏感性实验结果表明：NO_x减排可使PM_2.5中硝酸盐含量下降,但大气中O₃浓度上升,大气氧化能力增强,其他二次组分上升,导致PM_2.5下降不明显;SO₂人为源减排可使硫酸盐质量浓度下降,但由于硫酸盐在PM_2.5中占比较低,当SO₂减排75%时,PM_2.5仅下降1.74%;当减排比例较高时,NO_x和SO₂同时减排更有利于颗粒物污染防治。PM_2.5质量浓度在NO_x和SO₂同时减排75%时比分开减排75%时多下降0.75%,主要是硫酸盐下降所致;对气溶胶含水量进行分析,发现NO_x对气溶胶含水量影响较大,当NO_x减排75%时,气溶胶含水量可下降15.51%;此外,NO_x和SO₂同时减排比分开减排时气溶胶含水量更低,更不利于二次颗粒物生成。