西安市的PM_(2.5)污染特征分析研究

分析和掌握大气中PM_(2.5)的污染特征,对控制PM_(2.5)的排放和改善空气质量具有十分重要意义。依据西安市连续2年多的空气质量监测数据,对AQI监测指标进行相关性分析,还从季节平均、月平均和日平均变化分析了PM_(2.5)随时间的分布特征,并应用MATLAB软件依据griddata插值算法绘制出了PM_(2.5)的空间分布图,直观地显示了PM_(2.5)污染在空间上的分布特征,突出了污染治理的重要季节和重点地区。研究结果表明:空气质量指数中的6项指标之间存在一定的相关性,PM_(2.5)与PM10的相关性最大,且PM_(2.5)污染呈季节性变化,春季污染最为严重,其次是冬季和秋季,夏季污染最轻;西安市的PM_(2.5)污染主要来源于燃烧、扬尘、尾气排放等过程,污染区域呈现北高南低的特征,污染源除人为源以外,周边污染扩散迁移也有较大影响。     

典型污染天气下PM_(2.5)和PM_(10)成因分析

选取秋冬季节典型污染天气作为研究背景,采集研究区2018年10月8日—10月19日的污染物数据及气象参数数据,分析PM_(2.5)和PM_(10)之间相关性、两者浓度值每日变化规律及其随风向风速变化的分布特征,并结合研究区地理位置及产业布局,全面探究PM_(2.5)和PM_(10)污染成因。结果表明研究区PM_(2.5)和PM_(10)具有良好的相关性,可能来自同类型污染源。     

郑州城区PM_(10)、PM_(2.5)质量浓度变化特征及其对气象因子的响应

利用郑州城区9个国控监测点位PM_(10)、PM_(2.5)的日监测数据,研究2013～2016年间郑州城区大气颗粒物质量浓度变化特征及其对气象因素的响应。结果表明,2013～2016年间郑州城区环境空气污染总体状况改善趋势较为显著,重度及以上的污染天数占全年有效天数的比例逐年降低,PM_(10)、PM_(2.5)浓度逐年下降;PM_(10)和PM_(2.5)浓度月均值变化基本一致,浓度变化均呈"U"型分布。PM_(10)和PM_(2.5)质量浓度变化具有明显的季节性特征,冬季其质量浓度最高,春季和秋季次之,夏季最低。选取气温、气压、风速、相对湿度和降水量等气象因子,利用Spearman秩相关分析研究各个气象因子对大气PM_(10)、PM_(2.5)浓度的影响。相关性分析结果表明,与PM_(10)、PM_(2.5)浓度显著相关的气象因素存在季节性差异,风速、相对湿度和降雨量是影响郑州城区大气颗粒物质量浓度的主要气象因子。     

2014年10月北京市一次空气重污染过程分析

采用轨迹模拟与观测资料相结合的方式,对北京市2014年10月6—12日1次典型空气重污染过程的大气环境背景、气象条件和形成原因进行分析。结果表明:京津冀区域稳定的气象条件是形成重污染的主要原因,重污染过程中大气层结稳定,平均逆温强度每100 m为3.42℃,平均风速为1.56 m/s,平均湿度为83.13%;重污染过程中10月8—11日污染最重,北京ρ(PM_(2.5))日均值平均为264μg/m~3,且京津冀约20×104km~2国土面积处于重度污染水平;模拟结果显示污染最重的8—11日区域输送对北京PM_(2.5)贡献率在61%~69%;区域输送对北京PM2.5浓度起着更为重要的作用。     

基于K-means聚类分析法的肇庆市干季PM2.5污染天气分型研究

通过分析肇庆市2013—2018年国控大气环境监测站的PM_(2.5)连续监测数据,发现肇庆市区PM_(2.5)浓度在干季(10月—次年4月)明显高于其余月份,轻度以上污染基本发生在干季,且PM_(2.5)浓度对年总浓度贡献达70.8%.基于Era-interim再分析资料采用K-means聚类分析法对2013—2018年干季逐日的海平面气压和10 m水平风进行分型,揭示了肇庆市易出现PM_(2.5)污染的6种大气环流形势,包括冷锋前部(CF)、变性高压脊(THR)、脊后槽前型(BRFT)、高压底后部(HSW)、弱冷高压脊(HR)和台风外围型(TP).2013—2016年易污染天气型影响天数呈明显减少趋势,2017—2018年呈增加趋势.不同天气型PM_(2.5)浓度与局地气象要素相关性不一致,其中CF、HR、HSW、TP天气型与湿度相关性最好,THR与风速、BRFT与气压相关性最好.PM_(2.5)污染除BRFT天气型主要以本地排放累积影响为主,其余易污染天气型存在不同尺度的外来输送影响,HSW、HR主要来自广州、清远、韶关, CF主要来自佛山、中山,THR来自广州、清远、佛山.同一污染天气型在不同月份的污染影响差异较大,其中HSW、THR污染型主要影响1月和10月,CF为1月和12月,HR为2月和12月,TP为10月,BRFT为1月和10—11月.不同年份的同一月份造成不同程度的PM_(2.5)污染除了排放影响,还与天气环流类型和同一天气型下的局地气象要素密切相关.     

2014年宝鸡市大气颗粒物时空分布特征分析

基于2013年12月和2014年全年宝鸡市8个自动空气质量监测子站的PM_(10)和PM_(2.5)的监测数据,探讨PM_(10)和PM_(2.5)的时间分布特征和空间分布特征。结果表明:PM_(10)的日平均浓度为118.23μg/m~3,全年中PM_(10)超过二级标准的天数为80 d,超标率为22%;PM_(2.5)的日平均浓度为68.93μg/m~3,全年中PM_(2.5)超过二级标准的天数为92 d,超标率为25%;PM_(10)和PM_(2.5)的浓度有明显的季节差异。PM_(2.5)和PM_(10)浓度由高到低的季节依次是冬季、春季、秋季和夏季;不同的监测点位中,解放军第三陆军医院监测点位的PM_(10)和PM_(2.5)浓度对于宝鸡市大气颗粒物的污染贡献率相对其他点位较高,主要是其地理位置导致的。     

南京市冬春PM_(2.5)和PM_(10)污染特征及影响因素分析

南京2013年冬季至2014年春季多次出现灰霾污染天气过程,防治颗粒物污染刻不容缓,其中细颗粒物(PM_(10))和超细颗粒物(PM_(2.5))所占比例较大。利用南京市环保局空气质量发布平台污染物监测数据和中国天气网站气象要素数据,对冬春季PM_(2.5)和PM_(10)质量浓度的变化特征以及它们与气象条件的关系进行分析。结果表明:南京冬季PM_(2.5)、PM10平均浓度分别为0.0982,0.1536 mg/m3,春季平均浓度分别为0.0673,0.1207 mg/m3。市区和郊区污染程度由高到低依次为:市区>江宁>六合>溧水。南京空气中颗粒物小时平均浓度日变化呈"双峰双谷型"特征。颗粒物与相对湿度、降雨量和风力呈一定的负相关性,与温度呈一定的正相关性,它们共同影响颗粒物质量浓度水平和大气污染状况。     

风向对北京市重污染日PM_(2.5)浓度分布影响研究

对2013年北京市58 d重污染日PM_(2.5)浓度水平进行了分析,并用克里格插值法统计了重污染期间不同风向PM_(2.5)不同浓度区间的国土面积。结果显示2013年北京市重污染日主要集中在冬季,占到全年天数的15.9%,且重污染日PM_(2.5)平均浓度为218μg/m3;重污染日PM_(2.5)空间分布较为均匀且统计的平均浓度在150μg/m3以上的国土面积约占总面积的82%;重污染期间重度污染(150μg/m3)以上面积占比分别为南风(87%)、东风(81%)、西风(70%)、北风(66%);重污染日不同风向下ρ(NO_3~-)、ρ(NH_4~+)、ρ(SO_4~(2-))之和约占ρ(PM~(2.5))的60%~65%,且各组分浓度相差不大。     

宁波市区秋冬季PM_(2.5)质量浓度特征及影响因素分析

该研究基于2013年11-12月的宁波市空气质量监测数据和气象资料数据,分析了PM_(2.5)质量浓度变化特征,探讨了PM_(2.5)与其它粒径颗粒物、气体污染物以及多个气象因子之间的相关性及影响规律,构建了包含气象和污染气体因子的逐步回归模型,综合分析了2类因子对宁波市PM_(2.5)浓度的影响。研究结果表明:(1)研究时间段内的宁波PM_(2.5)质量浓度范围为(100.66±72.98)μg/m~3,超过粗颗粒PM_(2.5-10)的质量浓度,是可吸入颗粒物的主要组成部分。(2)PM_(2.5)与3种污染气体均表现出显著的相关性,其中与CO的质量浓度相关性最高,R=0.85。风速与PM_(2.5)呈现负相关,受西北-北风向影响下的PM_(2.5)浓度要明显高出其它风向影响下的浓度。降水对PM_(2.5)影响显著,降水日的PM_(2.5)平均质量浓度随降水强度呈现幂函数递减,为非降水日的48.4%。非降水日的PM_(2.5)浓度与相对湿度显著正相关,与日照时数显著负相关。(3)逐步回归结果表明,气象和污染气体两类因子能够解释PM_(2.5)浓度82.4%的变异。其中,CO是影响宁波市秋冬季PM_(2.5)浓度的首要显著因子。本研究对明确城市PM_(2.5)污染特征和影响因素具有参考价值和意义。     

2018年春节期间京津冀及周边地区烟花禁放效果评估

为了评估2018年春节期间(2月15—16日)京津冀及周边地区"2+26"城市烟花禁限放措施的效果,采用浓度特征对比、ρ(PM_(2.5))/ρ(CO)等方法,对"2+26"城市的ρ(PM_(2.5))、ρ(PM_(10))、ρ(SO_2)、ρ(NO_2)进行分析,并定量估算了除夕夜烟花燃放对ρ(PM_(2.5))和ρ(SO_2)的贡献率.结果表明:"2+26"城市烟花的集中燃放会导致ρ(PM_(2.5))、ρ(SO_2)显著增长,出现以PM_(2.5)为首要污染物的重污染时段,2018年12月16日03:00区域内14个城市ρ(PM_(2.5))达到重度及以上污染水平,呈区域性污染特征;与2017年同期(1月27—28日)相比,2018年春节期间(2月15—16日)14个城市烟花燃放对ρ(PM_(2.5))平均贡献量呈下降趋势,其中,淄博市、济南市、北京市降幅最大,分别下降了85.2%、74.6%和65.2%,表明烟花禁限放措施起到了显著的污染削峰作用;与城区相比,周边郊县ρ(PM_(2.5))显著高于城区,呈"农村包围城市"的现象,说明城区监测点位受到郊县等周边地区烟花燃放的传输影响.研究显示,虽然城区烟花禁限放措施起到了显著的削峰作用,但城区监测点位空气质量仍受到郊县等周边地区烟花燃放的传输影响,导致大气重污染的发生.     

南昌市城市空气PM2.5和PM10时空变异特征及其与景观格局的关系

基于2013—2015年南昌市9个空气环境监测点的连续数据,分析了空气PM_(2.5)、PM_(10)质量浓度(以下简称浓度)的时空变异规律,并以景观格局指数为定量指标,研究了监测点的两种颗粒物浓度与其周边500 m半径、1000 m半径缓冲区的土地利用状况的关系.结果表明:(1)南昌市3年来PM_(2.5)和PM_(10)浓度逐年显著降低.(2)通过聚类分析,9个监测站依据颗粒物污染可分为4大类,表现出一致的城乡梯度差异.(3)在斑块类型水平上,PM_(2.5)和PM_(10)浓度与500、1000 m半径缓冲区的C-PLAND(建筑用地覆盖率)、C-SHDI(建筑用地多样性指数)显著正相关,与1000m缓冲区的F-ED(林地边界密度)显著正相关;与F-PLAND(林地覆盖率)、C-Fi(建筑用地分离度指数)、F-MPS(林地平均斑块面积)显著负相关.在景观水平上,PM_(2.5)和PM_(10)浓度在500 m缓冲区与LPI(最大斑块所占景观比例)显著负相关;与1000 m缓冲区的MPS(平均斑块面积)显著负相关.景观格局指数直接反映土地利用状况,它与PM_(2.5)和PM_(10)浓度的相关性,表现出生态学中典型的"源汇景观"关系.     

基于异常天气分析法探究四川盆地冬季大气污染的气象成因

以四川盆地冬季大气污染的气象成因为主要研究对象,采用异常天气分析方法,利用2014年3月—2019年2月四川盆地环境与气象观测站点的监测资料,探究2014—2018年冬季四川盆地细颗粒物(PM_(2.5))浓度的时空分布特征,并结合对气候平均状态下大气环境形势的分析,研究大尺度大气环流异常与四川盆地冬季PM_(2.5)污染之间的响应关系。结果表明:2014—2018年冬季四川盆地PM_(2.5)中度以上污染的天数呈波动式下降特征,高浓度的PM_(2.5)污染主要集中在盆地西南部及东北部城市群;2014年和2016年冬季四川盆地上空500 hPa暖高压偏暖偏强,近地面附近存在"距平逆温",低空盛行偏南风,天气形势静稳,大气污染物不易扩散,促发PM_(2.5)重污染的形成;近五年四川盆地冬季大气空气质量较好时主要对应两种大气环流形势,一种为500 hPa高空受冷低压的影响,盆地上空冷空气活跃,对流增强易产生降水,另一种为受500 hPa冷高压的控制,700 hPa高空盛行北风带来干冷空气南下,这两种环流形势均有利于大气污染物的扩散和清除。     

北京市PM_(2.5)和气态前体物相关关系分析

利用2012年全年北京市SO_2、NO_x、O_3、CO和PM_(2.5)监测数据,分析了其季节变化及日变化的差异,讨论PM_(2.5)与气态前体物的相关性及其来源。结果表明:PM_(2.5)质量浓度的频率分布在不同季节有显著差异,但总体趋势均为PM_(2.5)出现频率随着污染的加剧而逐渐降低;除春季CO与PM_(2.5)的相关性略低于夏季外,各气态前体物与PM_(2.5)的相关性均为冬季最为显著,其次为秋季,春季次之,夏季基本未表现出明显相关关系;冬季,PM_(2.5)和SO_2的相关性受相对湿度影响显著;北京本地的污染受局地源排放和污染远距离输送的共同作用,污染性的气团主要来自偏南方向,秋季污染远距离输送对北京本地污染的贡献最为显著,冬季本地排放是PM_(2.5)的主要来源;春、秋、冬季均表现出一定的周末效应。     

2014年10月太原市一次空气重污染过程分析

采用数值模拟(CAMx)与污染物、气象观测资料相结合的方式,对太原市及周边区域2014年10月6—12日一次典型空气重污染过程的大气环境背景、气象条件和形成原因进行了分析.结果表明:2014年10月8—10日太原ρ(PM_(2.5))日均值平均为175μg·m~(-3),太原城区约1460km~2的国土面积处于重度污染(ρ(PM_(2.5))150μg·m~(-3))之下,而京津冀约20×104km2的国土面积达到重度污染水平;区域稳定的气象条件是形成重污染的主要原因,重污染过程中大气层结稳定,逆温明显(2.14℃/100m)、风速小(1.91 m·s~(-1))、湿度大(68.13%)、负变压(-0.74 h Pa)、正变温(0.92℃).模拟结果显示,8—10日重污染期间区域输送对太原PM_(2.5)的贡献率在17%~24%之间,太原市PM_(2.5)浓度以本地贡献为主;估算的2014年太原城区PM_(2.5)排放量是其大气环境容量的1.4倍,重污染期间大气环境容量的大幅降低又加剧了空气污染的程度.     

深圳市PM_(2.5)浓度特征及统计预报研究

根据2015年1—12月深圳市城区11站点PM_(2.5)小时浓度监测数据,探讨了深圳市PM_(2.5)浓度的时空分布特征。结果显示:监测期间深圳市城区PM_(2.5)平均浓度为29.8μg/m~3,PM_(2.5)平均浓度整体呈现出:冬季>秋季>春季>夏季的特征,PM_(2.5)质量浓度日变化整体呈现出双峰型分布,午后12:00—16:00浓度较低。空间分布上,年均浓度从东南至西北方向依次升高,梯度特征明显。PM_(2.5)浓度与PM_(10)呈高度相关,与SO_2、NO_2、CO呈显著正相关,与O_3呈实相关。相邻城市间空气污染物浓度呈现出一定的相关性,区域污染突出。建立的PM_(2.5)回归统计模型对深圳市2015年PM_(2.5)临近预报的级别准确率在70%以上,能较好地反映PM_(2.5)浓度变化趋势。     

垫江县大气环境中PM_(10)和PM_(2.5)污染状况研究

为准确掌握垫江县城区大气环境中细颗粒的污染状况,选择2016年9月1日—2017年2月28日大气自动观测站的数据研究分析,结果表明:垫江县城区大气环境中PM_(10)和PM_(2.5)的平均质量浓度分别为79mg/m~3和68mg/m~3,PM_(10)的月平均质量浓度均大于PM_(2.5),PM_(2.5)占PM_(10)的比例在84.6%~90.0%。多元分析结果可以看出,大气环境中的PM_(10)和PM_(2.5)具有相类似来源,气象条件对垫江县城区大气颗粒物污染影响较大。HYSPLIT轨迹模型分析表明,秋冬季节大气重污染时段,垫江县城区大气环境中颗粒物来源受到西南和西北气团影响较大。     

呼和浩特市大气污染物污染特征及污染物的相关性分析

为了探究呼和浩特市大气污染物污染特征,对2014年一年的AQI做出统计整理并对PM_(10)、PM_(2.5)、SO_2、CO、NO_2的相关性进行分析。研究结果发现:呼和浩特市2014年空气质量总体良好,空气质量为良所占比重为58%,中度污染和重度污染所占比重为35%。该市的主要污染物PM_(10)、PM_(2.5)、SO_2的超标率分别达到了88.81%、52.60%、36.20%。空气污染指数AQI与PM_(10)、PM_(2.5)、SO_2、CO、NO_2、呈显著相关,尤其是PM_(10)和PM_(2.5),相关性系数高达0.959和0.851,可见其污染主要以颗粒物物为主。PM_(10)、PM_(2.5)、SO_2、CO、NO_2浓度间两两正相关。O_3的浓度与PM_(2.5)、SO_2、CO、NO_2均呈现负相关,O_3与AQI和PM_(10)的相关性不显著。     

广州市PM2.5污染特征及潜在贡献源区分析

基于NCEP/NCAR全球再分析气象资料和2015-2017年PM_(2.5)浓度,利用HYSPLIT模型研究不同气流轨迹对广州PM_(2.5)浓度的影响,以及污染输送路径和潜在源区空间分布特征。结果表明:(1)广州2015-2017年PM_(2.5)平均浓度为36.5μg/m~3,逐月平均PM_(2.5)浓度1月份最高,为49.3μg/m~3,轻度污染及以上时次比例达15.66%,6月份最低,为20.8μg/m~3,无轻度及以上污染时次。(2)PM_(2.5)平均浓度在不同情景类型下的浓度高低顺序依次为:污染日干季清洁日湿季,其中污染日的PM_(2.5)平均浓度是清洁日的近3倍,干季的PM_(2.5)平均浓度是湿季的1.4倍;不同情景类型下的PM_(2.5)浓度日变化特征基本都在白天时段低(16时最低),晚上时段高(21-22时最高),日变化幅度为污染日干季清洁日湿季。(3)在干季,影响广州的气流轨迹路径主要有5类:东北路径、东南路径、西北路径、西南路径及偏西路径,其中第2类东南路径对广州PM_(2.5)平均浓度的贡献最高;而在湿季,影响广州的气流轨迹路径主要有4类:偏南路径、东南路径、偏北路径及西南路径,其中第3类偏北路径对广州PM_(2.5)浓度的贡献最高。(4)基于潜在源贡献因子和浓度权重轨迹分析法分析表明,广州PM_(2.5)浓度潜在源贡献较大的区域主要集中在广州东部的东莞、惠州、深圳、肇庆、中山等周边地区,该研究可为确定广州污染潜在源贡献区以及区域联防联控提供参考。     

河南省冬季3次重污染过程的数值模拟及输送特征分析

利用WRF-Chem模式模拟2015年11月27日—12月1日、12月5—14日、12月19—25日河南3次重污染过程,结合空气污染资料和ERA-Interim再分析资料,对比分析了这3次重污染过程的开始、持续和结束及污染物的输送特征.结果表明,静稳天气有利于污染的发展持续,3次重污染过程的结束均是由西路冷空气入侵造成的.第1次重污染过程平均风场上的风速均为小风或静风,从湖北到河南南部风向为偏南风;而第2和第3次重污染过程平均风场分别以偏东和偏北风为主.第2和第3次重污染过程中均存在明显的由北向南的污染物输送过程.3次重污染过程中,河南省本地排放对本省PM_(2.5)浓度的平均贡献率最大,而河南省周边区域对河南PM_(2.5)浓度的平均贡献率在这3次过程中不一样,第1次重污染过程,河南南部主要受偏南风影响,湖北对河南PM_(2.5)浓度的平均贡献率最大,为20.7%;第2和第3次重污染过程主要受偏东风影响,安徽和江苏对河南PM_(2.5)浓度的平均贡献率最大,分别为17.7%和18.5%.3次重污染过程中,安阳的主要污染输送源均不相同,分别来自河北、江苏和安徽、本省.     

基于时空克里格的PM_(2.5)时空预测及分析

PM_(2.5)作为大气污染的一种,正受到社会越来越广泛的关注和研究,但大部分研究仅单独分析各样点PM_(2.5)浓度时间维度或空间维度特征,忽略了PM_(2.5)的时空维度变化。为综合考虑PM_(2.5)时空维度特征,该文以山东省2014年PM_(2.5)浓度监测数据为对象,建立PM_(2.5)时空变异模型,利用时空克里格法对山东省全年PM_(2.5)浓度进行时空预测,得到时空分布立方体数据,最后基于该数据,对山东省PM_(2.5)污染特征作出分析。结果表明,2014年山东省整体PM_(2.5)污染严重。在空间上,中西部地区PM_(2.5)浓度超过75μg/m~3的天数超过290 d,存在持续性高危污染,东部小于37.5μg/m~3的天数超过146 d,存在间歇性轻微污染,且从西至东,PM_(2.5)污染天数和程度逐渐降低,具有明显地域性污染特征;在时间上,PM_(2.5)浓度最高时间段为1、2、11和12月,最低为6-8月,各季节污染程度依次为:冬季秋季春季夏季。研究表明时空地统计方法能够有效地对空气质量进行时空预测,是挖掘更多的时空分布特征和信息,进行环境数据分析的有效手段。