中国严寒地区细颗粒物细菌群落特征研究

通过对中国严寒地区典型城市大庆市供暖季3类建筑（办公室、教室、住宅）室内外共计110个测点长期监测,分析大庆市供暖季室内外细颗粒物关联性,并基于16S rDNA基因测序技术和BLAST源解析技术研究大庆市供暖季3类建筑室内外细颗粒物上细菌的组分及来源.研究结果表明：大庆市供暖季室内外PM_2.5平均质量浓度分别为（32±22）和（45±34）μg/m³.其中办公室的平均渗透系数处于较低的状态（0.2886）,教室的渗透系数处于较高的状态（0.5702）,农村住宅（0.6513）比城市住宅的渗透系数略大（0.6057）.不同类型建筑室内细颗粒物中的细菌组分存在一定差异,室外细颗粒物中的细菌组分根据采样地点也存在不同,但整体上厚壁菌门（Firmicuts）、变形菌门（Proteobacteria）、拟杆菌门（Bacteroidetes）和生氧光细菌（Oxyphotobacteria）是大庆市供暖季细颗粒物中的优势菌群.3类建筑室内外细颗粒物细菌来源主要为土壤、水体、人体、腐败有机物和粪便,但不同建筑类型及采样区域的细菌来源比例具有一定差异性.室内较室外人体来源所占比重大,而室外较室内土壤来源比重大.     

关于渗透通风条件建筑结构对室内PM2.5浓度水平影响评价模型探讨

我国京津冀地区近年频遭大气PM_2.5污染侵扰,相关研究表明,既使关闭建筑外窗,大气中PM_2.5仍可以通过渗透通风方式进入室内污染环境.为定量评价建筑渗透通风及无室内污染源条件下建筑结构（如外窗缝隙结构、房间建筑结构等）对室内ρ（PM_2.5）的影响规律,基于北京市东城区、朝阳区6个不同建筑结构的房间室内外ρ（PM_2.5）实时监测数据,重点比较分析了建筑结构对室内外ρ（PM_2.5）关联特性的影响规律.此外,根据颗粒物穿透特性及沉降特性机理,提出了反映建筑外窗缝隙结构（如缝高、缝深）的无量纲特征参数A_P与反映房间建筑结构（如层高、开间、进深）的无量纲特征参数A_k.在前期提出的室内ρ（PM_2.5）预测模型基础上,进一步构建了二者（A_P与A_k）对室内ρ（PM_2.5）影响的评价模型,并通过实测数据验证了模型的正确性.结果表明:当室外PM_2.5污染程度与气象条件一定时,建筑结构对I/O[室内外ρ（PM_2.5）之比]影响较大,其范围在0.4~0.7之间;随着建筑外窗气密性等级的提高,对应室内ρ（PM_2.5）呈显著的下降趋势.建筑外窗缝隙结构对室内ρ（PM_2.5）影响程度远大于房间建筑结构,敏感性分析结果表明,当建筑外窗缝高每降低50%或缝深每提高50%,对应室内ρ（PM_2.5）约可下降33.6%与31.9%.研究显示,气密性等级较高的建筑外窗缝隙缝高往往较小、缝深较长,渗透通风条件下对控制室内ρ（PM_2.5）水平作用更显著。      

城市住宅室内空气污染物时空特征分析

检索Web of Science、PubMed、ScienceDirect、中国知网、万方和维普数据库2000—2019年公开发表的国内外城市住宅室内空气污染的相关研究文献,获得15项研究,11723条数据,并系统分析了我国城市住宅室内空气污染物在采暖季和非采暖季的污染现状、变化及成因。Meta分析结果表明:室内空气污染物浓度在采暖季和非采暖季差异（季节性差异）显著（P<0.05）,标准化均数差（SMD）为0.43,95%置信区间（CI）:[0.19,0.66];其中PM_2.5、NO₂、苯的季节性差异在2013—2019年SMD （95% CI）:0.64[0.46,0.82],较2000—2012年的SMD （95% CI）:0.99[0.11,1.87]有所缓解;与国外相似地区室内污染物SMD （95% CI）:0.54[0.21,0.86]比较,我国严寒、寒冷地区室内污染物SMD （95% CI）:0.90[0.37,1.43],季节性差异更大。因此,我国城市住宅室内污染受采暖影响较大,严寒、寒冷地区更为明显;近年来,部分污染物季节性差异有缓解趋势。     

衡水市大气污染成因研究及治理经验

衡水市作为"2+26"城市中典型的低GDP、高污染城市,其空气质量排名常年处于74个重点城市的后10位.自大气重污染成因与治理攻关项目工作开展以来,衡水市开展了大量污染成因研究及污染治理工作,已取得了较为明显的大气污染治理成效.从空气质量变化、排放源、污染物来源解析及气象条件与排放贡献等方面,梳理了衡水市大气污染成因研究及治理经验.结果表明:①衡水市的空气质量得到较大改善,PM₁₀和PM_2.5治理成效明显.2018年衡水市ρ（PM₁₀）和ρ（PM_2.5）年均值比2017年分别下降了25.12%和19.73%,比2013年分别下降了54.84%和51.22%,但O₃污染形势逐渐严峻,以O₃为首要污染物的天数由55 d（2013年）增至125 d（2018年）.②相比于2016年,衡水市2017年SO₂、NO_x、CO、PM₁₀、PM_2.5、BC、OC、VOC的排放总量均大幅下降.③2013-2018年导致衡水市PM_2.5下降的因素中,气象因素占8.0%,排放源因素占92.0%,说明衡水市通过减排措施改善空气质量的效果较为显著.④硝酸盐已经取代硫酸盐成为秋冬季颗粒物二次转化中最重要、占比最高的成分.研究显示,衡水市高ρ（PM_2.5）主要以本地排放和临近地区输送为主,为有效控制衡水市PM_2.5污染的发生与发展,应采取本地排放控制与"2+26"城市联防联控相结合的方案.      

2014年冬季珠三角区域典型城市PM2.5污染时空关联特征

为探讨冬季珠江三角洲（下称珠三角）区域污染物的空间传输延迟性及其与气象、地理的关联性,利用2014年12月1日-2015年1月9日天气图、珠三角区域4个典型城市——韶关、广州、深圳、香港的地面气象数据及ρ（PM_2.5）,采用时间序列、相关性分析等方法,分析了2014年冬季各城市大气ρ（PM_2.5）变化关联特征以及受天气过程的影响.结果表明:在研究时段内,受11次冷空气南下和3次西南暖湿气流控制的典型天气过程影响,4个典型城市的ρ（PM_2.5）小时均值、日均值的时间序列变化趋势具有一致性,并且4个城市间的ρ（PM_2.5）相关性均呈现深圳与香港>广州与深圳>韶关与广州的现象.在冷空气南下的典型天气过程中,4个城市ρ（PM_2.5）小时均值存在显著相关,其中,韶关与广州的相关系数为0.84,广州与深圳的相关系数为0.80,深圳与香港的相关系数为0.92;4个城市间ρ（PM_2.5）变化存在一定的滞后现象,其中,广州较韶关延迟4 h,深圳较广州延迟3 h,香港较深圳延迟1 h;而在西南暖湿气流控制的典型天气过程中,4个城市间ρ（PM_2.5）变化的关联特征不明显.研究显示,冬季珠三角区域污染物在典型冷空气南下过程中存在较明显的空间传输延迟特征,并且各典型城市间浓度变化相关性较显著.      

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（PM₁₀）、ρ（SO₂）、ρ（NO₂）进行分析,并定量估算了除夕夜烟花燃放对ρ（PM_2.5）和ρ（SO₂）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（SO₂）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.      

成渝城市群PM2.5的时空分布及其影响因素研究

随着工业化与城镇化的深入推进,成渝城市群的PM_2.5污染不断加剧,呈明显的区域性与复合性特征.该研究以2015—2017年成渝城市群空气质量监测站的日均ρ（PM_2.5）数据为基础,结合区域气象、遥感与统计年鉴等多源数据,采用反距离插值法分析了ρ（PM_2.5）的时空分布差异,采用Moran's I指数与LISA指数探索了ρ（PM_2.5）的全局和局部空间自相关性,并利用空间回归模型研究了自然、经济社会等因素对ρ（PM_2.5）的影响.结果表明:①成渝城市群ρ（PM_2.5）分布存在明显的时空差异.时间上,2015年PM_2.5污染最严重,ρ（PM_2.5）年均值为54.38 μg/m3,2016年、2017年PM_2.5污染状况逐年减轻,ρ（PM_2.5）年均值分别为53.68与47.56 μg/m3;空间上,成渝城市群东北部ρ（PM_2.5）较低,而南部ρ（PM_2.5）较高.②空间自相关分析结果表明,PM_2.5污染在成渝城市群存在显著的空间聚集性,成渝城市群南部ρ（PM_2.5）呈高值-高值聚集,成渝城市群北部ρ（PM_2.5）则呈低值-低值聚集.③空间回归结果表明,成渝城市群范围内某一地区邻近区域的ρ（PM_2.5）平均值增加1%时,该地区ρ（PM_2.5）将上升至少0.38%.城镇化率对ρ（PM_2.5）的影响最大,其次是第一产业增加值,再次是工业增加值占比和降水量.城镇化率、降水量与ρ（PM_2.5）呈负相关,而第一产业增加值、工业增加值占比与ρ（PM_2.5）呈正相关.研究显示,加快城镇化进程、减少第一产业排放、降低工业增加值占比（尤其是重污染工业）是有效解决成渝城市群PM_2.5污染的重要手段.      

我国PM2.5与臭氧污染协同控制策略研究

近年来,我国大气污染格局发生了深刻变化,PM_2.5与臭氧（O₃）成为影响我国城市和区域空气质量的主要空气污染物,二者协同控制已成为我国空气质量改善的焦点和打赢蓝天保卫战的关键.PM_2.5与臭氧之间具有复杂的关联性,使得二者的协同控制具有复杂性与艰巨性.分析了PM_2.5与臭氧成因的关联性及其相互影响,阐明了PM_2.5与臭氧污染协同控制所涉及的重要科学问题,并在此基础上研究了目前我国PM_2.5与臭氧的污染形势及二者的关联性,梳理了我国自2013年以来在PM_2.5与臭氧污染控制中已采取的重要举措,论述了目前我国PM_2.5与臭氧协同控制在科学与管理上所面临的挑战.结合对国外成功经验的分析,提出推进我国PM_2.5与臭氧污染协同控制工作的相关建议:①加快监测能力建设,完善管理体系;②强化科技支撑,提高PM_2.5与臭氧污染控制精准性;③加快构建VOCs与NO_x治理技术体系;④加大VOCs与NO_x的协同减排力度,保障减排方案落实到位.      

昆明市不透水表面扩张与PM2.5质量浓度变化相关性分析

为分析城市化进程导致的城市生态环境问题，采用不透水表面覆盖率（impervious surface coverage，ISC）作为宏观地理指标表征昆明市城市化水平，以ρ（PM_2.5）反映城市化进程带来的大气环境问题，基于不同空间尺度和空间数理统计研究了ISC与ρ（PM_2.5）的对应关系.结果表明:2000-2015年，昆明ISC从9.36%增至16.37%，ρ（PM_2.5）年均值从17.12μg/m3增至28.63μg/m3，并且二者空间分布总体一致.从乡镇尺度分析，乡镇ρ（PM_2.5）和ISC具有显著空间自相关性，二者2015年Moran's I指数分别为0.58和0.29（P < 0.001），具有显著正相关性（R2=0.803，P < 0.001）.当乡镇ISC>5%时，有58.14%（25/43）的乡镇已污染[ρ（PM_2.5）>25μg/m3]；当乡镇ISC>10%时，有71.43%（25/35）的乡镇已污染；当乡镇ISC>25%时，有100%（26/26）的乡镇处于污染状态；但当乡镇ISC < 5%时，所有乡镇的ρ（PM_2.5）都低于25μg/m3.从站点尺度分析，所有站点旱季比雨季污染严重；主城区站点（ISC高）比城郊区站点（ISC低）污染严重，其中前者季节变化为冬天>春天>秋天>夏天，后者为春天>冬天>夏天>秋天；站点缓冲区ISC与ρ（PM_2.5）的相关性显著（R2=0.893，P < 0.001）.研究显示，未来中国新型城市化建设中应当考虑城市不透水表面比例和空间分布，保证新型城市拥有足够的绿色空间，建设生态城市.      

城市内部尺度PM2.5传输关联方法研究—以北京市为例

基于数据驱动思想,以城市内部环境空气质量监测站点为研究对象,建立了目标站点与周边站点间PM_2.5浓度、风向、风速、欧几里得距离等参数的多元线性关联回归模型,使用梯度下降算法学习得到各参数权重系数,计算得出周边站点对目标站点PM_2.5传输贡献,并评估了模型的可行性.以北京市丰台花园（FT）为目标站点的应用研究结果显示,2016年FT站点PM_2.5浓度为82μg/m³,周边站点大兴（DX）、房山（FS）、亦庄（YZ）、东四环（DS）、古城（GC）和万柳（WL）浓度分别为93,82,80,79,77,71μg/m³;FT站点PM_2.5浓度与上一时刻周边站点WL、GC、DX、YZ的相关性分别为0.634、0.631、0.608和0.601,显示其对FT站点PM_2.5污染传输显著;建立的4个季节关联回归模型RMSE值分别为13.22、11.74、12.51和13.22,PM_2.5模拟浓度与监测浓度变化趋势一致,验证了模型的可行性;WL、DX、YZ、GC分别是对应春、夏、秋、冬4个季节对FT站点PM_2.5污染传输贡献较大的站点,其贡献值分别为1.61%、1.71%、2.20%和8.57%.该模型解析的结果可为北京市未来城市规划、建设提供依据,提出的PM_2.5传输多元线性关联回归方法同样可用来解析其他城市内部尺度PM_2.5传输关联,为挖掘城市内部PM_2.5传输路径、精准溯源提供基础.     

中国沿海地区大气污染特征及其聚类分析

为识别我国沿海地区的大气污染分布特征,基于2015—2016年我国沿海12个省（自治区、直辖市）的115个地级以上城市ρ（PM_2.5）、ρ（PM₁₀）、ρ（NO₂）、ρ（O₃）、ρ（CO）和ρ（SO₂）监测数据,在分析其时空分布特征的基础上,结合主成分分析和AIC（改进赤池信息准则）开展我国沿海地区大气污染聚类分析研究.结果表明:我国沿海地区颗粒物污染严重,其中70%和54%的城市未达到GB 3095—2012《环境空气质量标准》中ρ（PM_2.5）和ρ（PM₁₀）二级标准,ρ（PM_2.5）在空间上以浙江省金华市为界呈“北高南低”、金华市以北地区“西高东低”的分布特征;环渤海带及长三角地区ρ（O₃）处于相对较高水平,山东省中部ρ（SO₂）突出,最高值达71.3 μg/m3.根据6种大气污染物监测值,可将115个地级以上城市聚为3类:类Ⅰ包括河北省南部和山东省西部在内的21个城市,空间分布连续且相对集中,受本地源和扩散条件的影响,各项大气污染物质量浓度均处于较高水平;类Ⅱ包括辽宁省、山东省东部和长三角等地区的42个城市,各项大气污染物质量浓度较类Ⅰ有所降低,ρ（PM_2.5）降低（比类Ⅰ低34.2%）明显,更多表现为受工业和散煤燃烧影响的SO₂污染,和受海运船舶和陆路交通源影响的NO₂污染;类Ⅲ包括福建省、广东省和广西壮族自治区沿海一带的52个城市,大气污染物质量浓度相对较低,空气质量较优,受季风和外来源影响的秋季O₃污染特征明显.3类城市ρ（O₃）平均值相近但季节性变化有所差异,类Ⅰ和类Ⅱ ρ（O₃）峰值均出现在6月,类Ⅰ ρ（O₃）季节性差异更为显著,类Ⅲ峰值出现在10月,全年变幅相对较小.研究显示,我国沿海地区山东省西部、江苏省北部与京津冀地区南部呈较为相似的污染特征,广西壮族自治区柳州市与周边城市呈不同聚类特征,ρ（PM）和ρ（SO₂）相对较高,为大气污染热点.      

2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征

乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ（PM_2.5）、ρ（PM₁₀）监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM_2.5、PM₁₀的时空分布特征.结果表明:ρ（PM_2.5）从2015年（66.60 μg/m3）到2016年（76.93 μg/m3）呈上升趋势,在2016—2018年呈单一下降趋势;ρ（PM₁₀）从2015年（132.74 μg/m3）到2016年（125.93 μg/m3）呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ（PM_2.5）、ρ（PM₁₀）平均值比城市中心（商业区、居民区）分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ（PM_2.5）、ρ（PM₁₀）均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ（PM_2.5）/ρ（PM₁₀）呈先增后降的趋势,冬季以PM_2.5污染为主,其他季节以PM₁₀污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系.      

京津冀及周边地区“2+26”城市空气质量特征及其影响因素

京津冀及周边地区“2+26”城市为京津冀大气污染传输通道城市,也是我国空气污染最严重的区域之一.针对京津冀及周边地区“2+26”城市,利用中国环境监测总站公布的PM_2.5、PM₁₀、SO₂、NO₂、O₃和CO数据,对2013—2019年京津冀及周边地区“2+26”城市大气污染特征进行分析,并探讨影响其空气质量变化的因素.研究表明:①2013—2019年京津冀及周边地区“2+26”城市空气质量总体向好,2019年ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（CO）和ρ（NO₂）比2013年分别下降了50%、41%、79%、49%和20%,ρ（O₃-8 h-90per）（臭氧日最大8 h平均值第90百分位数）比2013年升高了21%.②2013—2019年京津冀及周边地区“2+26”城市重污染天数持续减少,2019年比2013年下降67%,严重污染天数下降尤为明显,降幅达90%.优良天数比例虽然增加,但2016年以后基本稳定在50%左右,没有持续增加的趋势.③ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）和ρ（CO）的最大值均出现在1月,ρ（O₃-8 h）（臭氧日最大8 h平均值）的最大值出现在6月.ρ（PM_2.5）越高,PM_2.5/PM₁₀和SO₂/NO₂越大,表明二次污染源和燃煤源的贡献越大.④就空间分布而言,ρ（PM_2.5）和ρ（PM₁₀）高值区主要集中在区域中南部太行山脉山前的平原地区,低值区主要集中在区域北部.⑤地理位置、气象条件、产业结构、能耗消耗以及减排政策是影响2013—2019年京津冀及周边地区“2+26”城市空气质量变化的重要因素.研究显示,随着大气污染防治减排措施实施的力度逐渐加大,政策影响已成为京津冀及周边地区“2+26”城市空气质量持续改善的最重要手段.      

中国典型城市O3与前体物变化特征及相关性研究

为了解我国不同气候背景城市O₃污染及其与前体物的关系,选取北京市、沈阳市、银川市、成都市、南京市和广州市作为典型代表城市,基于这6个城市2014-2016年ρ（O₃）、ρ（NO₂）和ρ（CO）资料对O₃与其前体物质量浓度变化特征及二者相关性进行研究.结果表明:①2014-2016年6个城市ρ（O₃）年均值大小顺序依次为南京市>沈阳市>北京市>银川市>成都市>广州市,ρ（NO₂）年均值大小顺序依次为北京市>成都市>南京市>沈阳市>广州市>银川市,ρ（CO）年均值大小顺序依次为北京市>银川市>成都市>沈阳市>南京市>广州市.2014-2016年除广州市ρ（O₃）下降、沈阳市变化不明显外,其他城市ρ（O₃）总体呈上升趋势;各城市ρ（NO₂）和ρ（CO）普遍呈下降趋势.②广州市ρ（O₃）夏季最高、春季最低,其他城市四季ρ（O₃）大小顺序依次为夏季>春季>秋季>冬季;北京市、沈阳市和银川市四季ρ（NO₂）和ρ（CO）大小顺序依次为冬季>秋季>春季>夏季,成都市、广州市和南京市为冬季>春季>秋季>夏季.各城市ρ（O₃）和ρ（O_x）日变化呈单峰型,ρ（NO₂）和ρ（CO）日变化呈双峰型.③6个城市城区ρ（O₃）均低于清洁对照点,城区ρ（NO₂）和ρ（CO）均高于清洁对照点,并且城区与清洁对照点O₃及其前体物质量浓度差值随城市和月份变化存在一定的差异.④各城市ρ（O₃）与ρ（NO₂）和ρ（CO）均呈负相关,与ρ（O_x）呈显著正相关;城区ρ（O₃）与ρ（NO₂）和ρ（CO）的相关性均好于清洁对照点,清洁对照点ρ（O₃）与ρ（O_x）的相关性则好于城区.⑤各城市ρ（O₃）超标率随ρ（NO₂）和ρ（CO）的增加均呈先迅速上升再快速减小,之后缓慢变化的特征,但ρ（O₃）超标率峰值对应的ρ（NO₂）和ρ（CO）有所差异.研究显示,日照条件较好的银川市、北京市和沈阳市O₃与其前体物相关性较成都市、南京市和广州市强.      

NO2对高血压患者血压和脉压的短期影响

为了探讨气态污染物NO₂对高血压患者血压水平和脉压的短期影响,本文基于前瞻性队列研究,收集甘肃省金昌市2011年1月1日~2015年11月30日逐日NO₂监测数据及同期气象观测数据,运用混合效应模型,在控制随机效应及其他混杂因素的基础上,分析NO₂与高血压患者血压水平和脉压的关联性.结果表明：（1）NO₂在滞后1d（lag1）时平均浓度每升高1个IQR,收缩压升高0.457mmHg（0.131~0.784）,滞后7d（lag7）和4d（lag4）时,NO₂的平均浓度每升高1个IQR,舒张压上升0.276mmHg（0.025~0.527）,脉压上升0.402mmHg（0.047~0.758）,且结果均具有统计学意义.（2）性别、年龄、BMI、吸烟、饮酒、季节在NO₂对高血压患者血压水平和脉压的效应中可能具有修饰作用.多污染物模型及调整沙尘影响后,NO₂对高血压患者血压及脉压的影响保持一致.     

河套平原O3浓度时空分布、传输路径及潜在源贡献分析

基于2005—2020年OMI遥感卫星O₃柱浓度数据，结合河套平原23个国控点环境自动监测站大气污染物数据和全球资料同化系统（GDAS）气象资料，探讨河套平原O₃污染时空分布特征、气象因素、传输路径和潜在来源.结果表明：（1）2005—2020年河套平原O₃柱浓度年均值波动上升，年均增长率为2.95%，季节变化表现为春季>冬季>夏季>秋季；（2）空间分布方面：高值区主要分布在东北部地区，南部城市低于北部城市；（3）河套平原地区O₃浓度与气温、日照呈显著正相关，与气压呈显著负相关，而降水、相对湿度、风速对O₃浓度影响具有显著的区域性差异；（4）基于后向轨迹HYSPLIT模型对河套平原地区污染严重城市鄂尔多斯市进行分析，发现远距离气流传输主要来自西北方向，近距离气流传输主要来自西南方向；O₃主要潜在贡献源区存在一定的季节差异：春季主要来自陕西北部与包头市，夏季主要来自陕西北部与山西西部，秋季主要来自内蒙古西部与宁夏银川市、陕西北部，而冬季则主...     

“2+26”城市一次多因素叠加重污染过程的特征分析

2018年11月23日-12月4日,京津冀及周边地区"2+26"城市出现了一次长时间、大范围、高强度的复合型大气重污染过程,为揭示区域性重污染过程中多因素的综合作用,利用气象资料、空气质量监测等多源数据以及区域污染特征雷达图,对京津冀及周边地区"2+26"城市此次重污染特征和成因进行分析.结果表明:根据PM_2.5/PM₁₀[ρ（PM_2.5）/ρ（PM₁₀）,下同]可将此次重污染过程划分为4个阶段.第一阶段（2018年11月23-26日）PM_2.5/PM₁₀在0.5~1.0内波动,"2+26"城市大气扩散条件转差,一次污染物局地积累及SO₂、NO_x、NH₃等气态污染物在高湿条件下二次转化是污染形成并发展的主要原因;第二阶段（11月27日）PM_2.5/PM₁₀突降至0.2左右,"2+26"城市北部受形成于蒙古国的沙尘影响,短时ρ（PM₁₀）快速升高（峰值为818 μg/m3）,中南部受形成于内蒙古自治区阿拉善盟的沙尘及上风向PM_2.5污染的传输影响,ρ（PM_2.5）和ρ（PM₁₀）均较高,维持日均重度污染水平（参照GB 3095-2012《环境空气质量标准》和HJ 633-2012《环境空气质量指数（AQI）技术规定（试行）》）;第三阶段（11月28日-12月2日）PM_2.5/PM₁₀由0.3逐渐升至0.8,在静稳、高湿的不利气象条件下,一次污染物积累并二次转化,第二阶段残留沙尘中的矿物质对硫酸盐起到催化作用,导致ρ（PM_2.5）快速上升,"2+26"城市大部分达日均重度及以上污染;第四阶段（12月3-4日）与第二阶段类似,PM_2.5/PM₁₀突降至0.2,"2+26"城市再次受到沙尘天气和区域传输的共同影响,因冷空气持续时间较长,污染被有效清除.研究显示,此次污染过程是气象条件、污染物一次排放和二次转化、区域传输、沙尘天气等多因素综合作用的结果.当静稳、高湿等不利气象条件或沙尘天气出现时,区域应加强对各类污染物排放的管控力度,以降低污染物的一次排放、二次转化以及沙尘和区域传输的共同影响,进而削弱污染严重程度.      

基于WRF-CMAQ模型的辽宁中部城市群PM2.5化学组分特征

为了探究北方寒冷地区城市PM_2.5化学组分特征,采用WRF-CMAQ模型对辽宁中部城市群2019年1月、4月、7月、10月及一次重污染过程（2019年1月11—14日）的PM_2.5化学组分展开模拟分析.结果表明:WRF-CMAQ模型分析下SO₂、NO₂、PM₁₀、PM_2.5浓度模拟值与监测值的相关系数（R）在0.63~0.82之间,PM_2.5组分中SO₄2-、NO₃-、NH₄+、EC、OC浓度的相关系数（R）在0.59~0.88之间,WRF-CMAQ模型对大气污染物及PM_2.5主要化学组分的模拟效果较好,可以反映PM_2.5及其组分的时空变化特征.通过对模拟结果的进一步分析发现,辽宁中部城市群PM_2.5中SNA（SO₄2-、NO₃-、NH₄+三者的合称）的占比为37%,与成渝城市群、长三角地区、京津冀地区城市相比,PM_2.5二次污染程度较低,一次污染仍是PM_2.5的主要来源.1月、4月、7月、10月PM_2.5中[NO₃-]/[SO₄2-]（质量浓度比）分别为0.62、0.44、0.15、0.50,表明该区域的燃煤污染对PM_2.5的贡献大于机动车尾气的贡献,该现象在秋冬季尤为明显;硫氧化率（SOR）普遍处于较高水平,分别为0.34、0.54、0.61、0.58,表明该区域燃煤排放的SO₂更易对PM_2.5产生贡献.同时,全年OC/EC（质量浓度比）的平均值为3.6,说明碳气溶胶的贡献主要来自机动车尾气的排放与化石燃料燃烧.通过分析2019年1月11—14日重污染过程PM_2.5组分浓度的逐小时变化发现,该时段中SOR与NOR分别是1月平均值的1.2与2.0倍,NOR的提升导致PM_2.5中NO₃-浓度占比上升了8%,超过SO₄2-的占比,这表明该重污染过程中机动车尾气对PM_2.5的贡献超过平常时段.研究显示,辽宁中部城市群的大气污染呈燃煤与机动车尾气为主的复合型污染特征,尤其在重污染天气下,实施工业限产的同时,加强机动车限行尤为重要.      

北京市秋冬季大气环流型下的气象和污染特征

分析了北京市2013~2018年秋冬季（即当年11、12月和次年1、2月份）11种环流型的地面和垂直气象特征,归纳出5类大气环流条件,探讨了不同环流型下北京地区的大气传输规律以及环流型与北京PM_2.5污染之间的关系.在5类大气环流条件中,第I类（含北（N）、东北（NE）环流型,天数占比28%）和第Ⅱ类（含西北（NW）、反气旋（A）环流型,占33%）有利于传输扩散,以西北风为主,风向较稳定,风速大,边界层高度高;第Ⅲ类（含东（E）环流型,占7%）传输扩散条件居中,边界层内以东南风为主,风向变化大,风速中等;第IV类（含西南（SW）、西（W）、南（S）3种环流型,占12%）和第V类（含东南（SE）、均压（UM）、气旋（C）3种环流型,占20%）均不利于传输扩散,边界层内以偏南风为主,风速较小,边界层高度低,低层逆温较强,第IV类近地面风向较稳定,而第V类则风向变化大.不同环流型下气团传输至北京的路径存在差异,对北京空气质量产生潜在影响的周边地区随之发生变化.大气环流型与北京市秋冬季PM_2.5污染紧密关联,SW、UM、C、S和W是北京地区最易发生PM_2.5污染的环流型（平均污染发生频率>75%,平均重度以上污染发生频率>42%）,而在N、A、NE和NW环流型下污染发生频率最低.研究期间,PM_2.5污染极端严重的月份存在UM环流型占比显著增加的共同特点,而PM_2.5污染水平最低的月份N环流型占比增加近一倍.此外,PM_2.5污染变化相对于环流型变化存在一定的滞后性.     

南亚高压对四川盆地夏季区域持续性O3污染的影响

基于2015~2020年四川盆地臭氧（O₃）浓度监测数据,构建O₃区域性持续性污染过程个例库,并进一步时空匹配高低空气象资料,探究夏季南亚高压系统对四川盆地地面气象要素及O₃污染生成的影响机制.结果表明：（1）2015~2018年四川盆地O₃区域性持续性污染（ORPP）逐年加重,2018~2020年保持相对稳定的污染态势,且ORPP多集中于春、夏两季.盆地中南部成都、重庆、泸州等城市O₃污染形势最为严峻,且高值区逐渐向南北方向转移.（2）基于南亚高压（系统存在率、中心离散度与东西振荡量）对地面气象要素的影响阐释ORPP的生成机制：系统存在率均值偏低且位置偏东时,平均气温、气温日较差及日照时数偏高,相对湿度偏低,利于O₃生成;南亚高压东模态中心显著聚集时,气温日较差与日照时数激增,易造成O₃异常高值;西模态剧烈振荡时,气温日较差、日照时数及相对湿度改变,易使O₃浓度波动.（3）对比清洁期与污染期,南亚高压系统存在率、中心离散度与东西振荡量综合作用于清洁期,而污染期则主要受中心离散度与东西振荡量影响.当南亚高压西模态剧烈振荡与东模态显著聚集配合出现时,极易诱发四川盆地内ORPP二级过程.