山东省环境空气中PM2.5与O3的复合污染特征与时空变化趋势

山东省PM_2.5-O₃复合污染特征突出,空间差异性明显,本文基于2016—2020年国控和省控环境空气自动监测站监测数据以及同期各气象代表站气象监测数据,分析PM_2.5和O₃时空分布的变化特征,初步探究其与气象因子及前体物的关系. 结果表明:①2016—2020年山东省空气质量逐步改善,优良天数比例上升了7.1%,重污染天数比例下降了3.5%. 除O₃年评价值上升9.6%以外,SO₂、PM₁₀、PM_2.5、CO和NO₂的浓度均下降,降幅依次为61.3%、29.8%、28.6%、26.3%和11.4%. 各市PM_2.5年评价值均下降(范围为18.4%~34.9%);除德州市外,其他15市O₃年评价值均上升,滨州市的升幅(30.8%)最大. 1月PM_2.5平均浓度最高,呈现先下降后上升的年变化趋势,6月O₃平均浓度最高,且逐年上升. ②山东省PM_2.5和O₃均呈现内陆地区高于沿海地区的分布特征,PM_2.5浓度在西部内陆地区较高,O₃浓度在中北部内陆地区较高,PM_2.5-O₃复合污染特征在中西部地区较明显. 统计期间共计出现PM_2.5-O₃复合污染日224 d,分布在2—11月,出现天数逐年减少. ③为探究PM_2.5-O₃复合污染的影响因素及气象特征,进行相关性分析及气象因子阈值筛查,结果表明,PM_2.5日均浓度和O₃_8 h (臭氧日最大8小时滑动平均值)与其主要前体物和气象因子均呈现相反的相关关系,且对不同因子的响应有一定区域性差异. 当气温为14.9~24.1 ℃、相对湿度为55.5%~75.1%、风速为0.6~2.9 m/s、气压为992.8~1 018.8 hPa时PM_2.5-O₃复合污染易于发生,该条件下大部分城市的气温、相对湿度和气压平均值介于PM_2.5和O₃污染单独发生时的对应因子平均值,但平均风速小于PM_2.5和O₃污染单独发生的平均风速. 研究显示,“十三五”期间山东省PM_2.5浓度波动下降,O₃浓度波动上升,二者的协同关系日趋明显,气象因素对PM_2.5和O₃的生成和累积有一定影响.      

2016-2020年辽西四城市PM2.5和O3污染特征对比分析

文章利用2016-2020年辽宁西部沿海的锦州、葫芦岛和内陆的阜新、朝阳空气质量监测数据,对比分析4个城市PM_2.5污染、O₃污染以及二者复合污染演变特征和异同性。结果表明：(1)4个城市PM_2.5年均浓度均呈下降趋势,沿海两市PM_2.5污染重于内陆两市;(2)沿海两市O3污染减轻,内陆两市O₃加重且2018年后年评价浓度高于沿海;(3)4个城市易出现同步污染过程,沿海两市的污染过程同步性更高且持续时间更长;(4)沿海城市“PM_2.5-O₃”复合污染天多于内陆城市,城市间同步复合污染范围逐年扩大;(5)4个城市PM_2.5与NO₂、CO和SO₂等污染物均呈正相关,沿海城市与CO的相关性好,内陆城市与NO₂相关性好,O₃与前体物NO₂和CO均呈负相关,与NO₂的相关性好于CO。研究表明,...     

广西PM2.5时空分布特征及污染天气类型

研究区域ρ（PM_2.5）的时空分布特征和污染天气类型的关系是开展大气污染防治和空气质量预报预警的关键支撑技术之一.基于2015—2016年广西14个城市环境空气质量日监测数据和相关气象资料,分析了2015—2016年广西空气质量概况和污染的基本特征,采用EOF（经验正交函数）分析和后向轨迹聚类分析方法表征了广西ρ（PM_2.5）时空分布模态,统计了广西两年间24次区域范围（3个及以上连片城市）大气轻度及以上污染过程,分析了不同污染过程的天气类型和空气质量变化特点.结果表明:PM_2.5是广西大气污染首要污染物,ρ（PM_2.5）年均值呈北高南低的区域特征,月际变化基本呈正V字型分布;EOF分析和后向轨迹聚类分析显示,广西ρ（PM_2.5）的时空结构主要有3种模态,其方差贡献率分别为78.9%、5.7%和3.7%,基本反映了广西ρ（PM_2.5）变化的时空模态的主要特征,桂林和玉林两年间的后向轨迹聚类很好地解释了第二和第三模态的南北浓度和东西浓度异常反相位分布特征;广西14个城市两年间PM_2.5区域性污染天气类型主要有10种,其中污染天气类型中占比较大的是弱冷高压脊型（24.4%）、均压场型（20.2%）、高压后部型（16.1%）和高压后部配合西南暖低压型（8.5%）,是引发广西大范围大气污染的典型天气类型.研究显示,广西大气污染具有地域性、季节性和南北输送特征,污染过程的天气形势变化具有一定规律性.      

长株潭城市群PM2.5和O3浓度时空分布特征及影响因素分析

基于2015~2019年长株潭城市群PM_2.5和O₃遥感浓度数据,利用空间自相关指数和地理加权回归（GWR）等方法探究PM_2.5和O₃浓度的时空分布特征及相关因素对其影响强度.结果表明：① PM_2.5浓度整体呈现出冬季和春季高,夏季和秋季低的"U"型特征,而O₃浓度则表现为夏季和秋季高,冬季和春季低的"M"型特征,PM_2.5与O₃年均浓度高低排序为：长沙市>湘潭市>株洲市.② PM_2.5与O₃浓度在夏季呈现正相关,秋冬季为负相关,且具有显著的空间集聚特征,O₃浓度高-高集聚区的面积呈现逐年增加的趋势.③GWR结果显示：夜间灯光强度和人口密度都对PM_2.5与O₃具有正相关效应,其中,植被指数（NDVI）、风速和温度对PM_2.5浓度的影响最为显著,而风速和温度对O₃影响强度更为突出,不同因素对PM_2.5和O₃浓度影响具有显著的空间异质性.     

北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系

北京2012~2013年的冬春多次出现雾霾天气,可吸入颗粒物(PM10)污染严重.而PM2.5作为PM10中粒径较小的部分,在PM10中所占比重越高,污染越严重.因此,本研究选取了能够覆盖北京所有区县的30个PM2.5和PM10的质量浓度监测点,对该地区的PM2.5和PM10污染特征进行分析,确定其空间差异特征和时间性变化特征.普通克里格插值(Original Kriging)法得到的北京地区冬、春季颗粒物浓度分布图显示,颗粒物浓度从北部山区到南部地区逐渐递增,在中心城区处,西部高于东部,且局部地区存在一定的城乡差异.颗粒物浓度月变化曲线呈单峰单谷型,1月最高,4月最低;逐日变化反映了PM2.5和PM10浓度具有较好的相关性,且受气象条件影响显著;日变化呈双峰趋势.本文选取日平均气温(℃)、相对湿度(%)、风速(风级)、降水量(mm)等气象因子,利用Spearman秩相关分析研究各个气象因子对大气PM2.5和PM10浓度的影响.北京冬季PM2.5和PM10的质量浓度分别与气温、相对湿度正相关,与风速负相关,风速和相对湿度是影响污染物质量浓度分布的主要因素.     

黄河流域城市PM2.5时空分异特征及污染物解析

分析揭示黄河流域城市PM_2.5时空分异特征,对打赢大气污染防治攻坚战,推动黄河流域空气污染跨区域协同治理机制的建立和完善,以及流域绿色高质量发展具有重要意义.本文以中国空气质量在线监测分析平台456个监测站点的PM_2.5浓度监测数据为基础,运用莫兰指数和标准差椭圆方法分析黄河流域70个城市2015—2021年PM_2.5的时空分异特征、演变格局,并基于皮尔逊相关系数分析法对其污染源进行解析.结果表明：(1)PM_2.5浓度的月度、季节变化特征明显.月均浓度呈底部宽缓的“U”型分布,12月或1月达到最大值;冬季平均浓度最高、春秋季次之、夏季最低,冬季浓度是夏季的1.9～2.6倍;年均PM_2.5浓度整体趋降,且表现为下游>中游>上游的空间分异性.(2)PM_2.5的空间聚集表现为上游“低—低”集聚、下游“高—高”集聚、中游城市的空间聚集特征不显著,空间正相关集聚的城市数量以先增后减的趋势变化,负相关集聚特征的城市较少.(3)PM_2.5     

中国城市PM2.5和PM10时空分布特征和影响因素分析

PM_2.5和PM₁₀浓度超标引发的空气质量问题严重影响公众健康,研究PM_2.5和PM₁₀浓度对制定有效的污染防控和治理措施具有重要意义.运用时空分析法,分析2018年季度PM_2.5和PM₁₀浓度时空分布,并用GWR探究浓度差异的原因.结果表明：(1)PM_2.5和PM₁₀的浓度均呈冬春高、夏秋低的季节性规律;四季污染物浓度在胡焕庸线两侧存在显著差异,该线以东地区高浓度聚集在京津冀地区,该线以西地区高浓度聚集在新疆中南部.(2)PM_2.5和PM₁₀浓度的Moran’s I在四季均为正,且均在冬季增至最大值;PM_2.5和PM₁₀的分布格局基本一致,“高-高”类和“低-低”类集中分布现象明显.(3)各因素对PM_2.5和PM₁₀浓度的影响存在较大空间异质性.温度和坡度对PM_2.5     

京津冀PM2.5时空分布特征及其污染风险因素

为分析京津冀及其周边区域2013年典型污染事件中PM_2.5的时空分布特征及污染风险因素,根据国家城市环境空气质量实时发布数据和京津冀地区地理国情信息监测成果,采用空间数据挖掘方法对PM_2.5污染的热点区域进行了划分;并采用地理探测器定量分析了PM_2.5污染风险因子及其影响程度. 结果表明:在选取的京津冀6个城市中,在PM_2.5污染事件统计上存在保定—廊坊—北京—天津—承德—张家口的污染顺序. PM_2.5污染在空间上呈河南省(山东省)—河北省—北京市(天津市)一线的带状分布特征,在单次污染事件中,城市间的PM_2.5污染存在空间运移关系. 空间热点探测表明,京津冀及其周边区域主要分为5个热点聚集区,其中3个高值区分布在北京市、天津市、河北省和山东省的中部,面积分别为5.31×104、10.26×104、5.04×104 km2. 在8个污染风险因子中,污染企业总数(影响力为0.97,下同)、降水量(0.93)、地形坡度(0.89)对PM_2.5污染的影响显著高于其他风险因子;其他风险因子影响力排序依次为人口数量(0.60)、降水量大于0.1 mm的降水日数(0.57)、地表覆盖类型(0.52)、年均相对湿度(0.51)、年均风速(0.33),但风险因子间相比没有显著性差异. 研究显示,京津冀地区PM_2.5污染的主要因素是污染物排放,其次,气象要素中的年降水量和自然地理环境中的地形坡度也是影响PM_2.5污染特征的重要风险因子.      

山东省O3时空分布及影响因素分析

为认识山东省环境空气中O3的污染现状,基于2015～2019年国省控环境空气自动监测站的O3监测数据、2019～2020年4～9月气象代表站的气象数据及邻近环境空气站的O3监测数据,探究了山东省O3时空分布特征及与气象因素的关系.结果表明,山东省O3污染日益突出,年均ρ(O3-8h)(90百分位)和ρ(Ox)(O3 与NO2之和)升高速率分别为7.6μg·(m3·a)-1和7.0μg·(m3·a)-1,年均ρ(PM2.5)、ρ(CO)(95百分位数)和ρ(NO2)均逐步下降,下降速率均小于ρ(O3)上升速率.03污染呈现夏季高冬季低的"M型"或"倒V型"月变化特征,在6月或9月达到峰值,且污染月呈提前出现趋势.山东省年均ρ(O3-8h)(90百分位)呈现"内陆高,沿海低"的特点,并有区域均匀性发展趋势.相关性分析表明,山东省ρ(O3-8h)总体与日最高温度呈正相关,与相对湿度、气压和风速呈负相关,其中日 最高温度和相对湿度是O3-8h主控气象因子,气象因素对不同城市O3-8h超标率的影响具有显著差异.     

成都市PM2.5和O3复合污染特征及相互作用研究

基于2015—2020年成都市国控环境监测站点逐时大气污染物监测数据,将其分为3类站点（城区、交通、背景站点）,研究不同季节、不同污染水平下,各类站点细颗粒物（PM_2.5）和臭氧（O₃）复合污染特征及相互作用.结果表明：①成都各类站点的PM_2.5超标天数和PM_2.5年平均浓度总体呈下降趋势,背景站点浓度明显小于城区站点和交通站点;O₃年际变化趋势呈波动性,且交通站点和背景站点的变化波动强于城区站点.②各类站点PM_2.5与O₃相关性在O₃污染期（4—8月）和PM_2.5污染期（11—次年1月）均存在显著差异,且二者在不同季节甚至呈现相反的相关性,总体趋势为夏季PM_2.5-O₃的相关性趋于正相关,冬季趋于负相关.③O₃污染期,各类站点二次PM_2.5的浓度和贡献率随光化学水平的升高而增加,而一次PM_2.5日变化幅度差异不大,表现出明显的O₃和PM_2.5协同增长现象.④PM_2.5污染期,PM_2.5与O₃之间并不是简单的线性关系,不同PM_2.5污染程度下,各类站点O₃浓度变化率昼夜波动趋势基本相同,均在12：00—13：00达到峰值,在18：00达到谷值;且随着PM_2.5浓度的增加,O₃浓度变化率峰值/谷值波动范围亦随之增加.     

黄河金三角地区城市O3污染的时空格局演变特征

黄河金三角地区空气质量的改善是践行黄河流域生态保护和高质量发展的体现,科学认识O₃浓度时空演变和污染特征对于该地区大气污染联防联控具有重要意义.本研究融合地面观测和卫星遥感反演O₃浓度数据,采用统计分析、趋势分析及热点分析的方法揭示黄河金三角地区O₃浓度的年、季节和月尺度以及空间变化特征,探究O₃污染等级的变化特征.结果表明：(1)黄河金三角地区2015-2022年4个地级市大气中O₃浓度呈升高趋势,O₃年均浓度表现为运城市(105μg/m³)>临汾市(103μg/m³)>三门峡市(97μg/m³)>渭南市(95μg/m³).(2)O₃季均浓度总体表现为夏季(146μg/m³)>春季(113μg/m³)>秋季(83μg/m³)>冬季(59μg/m<...     

典型大气环流对天津市大气PM2.5与O3复合污染的影响特征

为探究海陆风环流对沿海城市PM_2.5和O₃污染的影响特征,基于2016～2020年中国环境监测总站的污染物观测数据和同期气象资料以及ERA5气象再分析数据,分析了海陆风环流特征对天津市区域大气污染物PM_2.5和O₃浓度变化的影响.结果表明:2016～2020年天津共有海陆风日411d,6～9月出现最为频繁,12月频率最低.海陆风环流的季节特征差异造成了对PM_2.5和O₃的影响不同,冬季陆风环流会使PM_2.5在沿海区域积累,海风环流对沿海地区PM_2.5污染有稀释作用.夏季海陆风环流会改变沿海地区O₃分布情况,使O₃谷值更低且峰值更高,市区点、郊区点和沿海点O₃峰值浓度分别高于平均峰值4.1,8.9,16.0μg/m³,海陆风对峰值的影响程度随着站点与海岸线距离的增长逐渐减弱.2016～2020年间共有PM_2.5     

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.      

长三角地区PM2.5区域性污染时空变化特征

为定量分析长三角地区PM_2.5区域性污染的变化特征,建立适用于长三角地区的PM_2.5区域污染划分标准,基于2015—2020年长三角地区41个城市日均ρ(PM_2.5)开展区域污染变化趋势研究,并针对长三角PM_2.5重度区域污染开展了时空变化以及网络特征分析. 结果表明:①2015—2020年长三角三省一市年均ρ(PM_2.5)降幅均在25%以上,城市ρ(PM_2.5)分布呈北高南低的特征,南北城市之间ρ(PM_2.5)差异较大,ρ(PM_2.5)最高值与最低值相差35~46 μg/m3. ②2015—2020年长三角PM_2.5区域污染天数比例为16.9%~35.9%,以轻度污染为主,不同年份中度和重度污染天数比例差异较大,且主要出现在秋冬季,轻度、中度和重度污染天数均呈波动下降趋势. ③与2015年相比,2019年和2020年PM_2.5区域污染天数分别减少了38和69 d,且PM_2.5重度区域污染持续天数和重度及以上污染城市数量均呈减少趋势. ④PM_2.5重度区域污染日,长三角城市之间表现出较强的污染关联性,并可划分为4个子群. 以连云港市为代表的子群1位于长三角地区北部,PM_2.5污染相对较重,受长三角区域内输送影响较小,但对区域内其他城市有一定的输送影响;以宁波市为代表的子群2和以南京市为代表的子群4受长三角区域内输送影响较大,并指示了东路沿海和中路两条污染传输通道;以安庆市为代表的子群3位于内陆地区,污染独立性相对较强,受长三角区域内输送影响较小,同时对长三角其他城市影响也较小. 研究显示,长三角地区PM_2.5污染改善显著,但重度区域污染尚未消除,中北部城市的联防联控将对改善PM_2.5区域污染起积极作用.      

北京市PM2.5时空分布特征及其与PM10关系的时空变异特征

PM_(2.5)时空分布特征及其与其它污染物的相关关系是PM_(2.5)时空统计分析的主要研究内容.然而,现有的方法直接从监测站点的角度对时空分布特征进行分析,难以有效地揭示PM_(2.5)浓度的聚集分布特征;同时,常用的地理加权回归在对PM_(2.5)与其它污染物间关系进行建模的过程中,缺乏同时考虑时间异质性与空间异质性,从而不能准确地描述依赖关系的时空变异特征.为此,首先借助于空间聚类分析技术,对北京市2014年PM_(2.5)浓度的聚集结构进行探测,在此基础上,通过聚集结构来分析PM_(2.5)季节性时空分布特征.然后,利用地理时空加权回归对北京市PM_(2.5)与PM_(10)季节平均浓度间关系进行建模,依据回归结果分析PM_(2.5)-PM_(10)间关系的时空变异特征.实验结果表明,春夏季节PM_(2.5)污染程度及空间变异程度均低于秋冬季节,各季节PM_(2.5)浓度均表现为北部浓度低、南部浓度高的空间分布特征;地理时空加权回归具有更好的拟合效果,由回归系数进一步可发现,春夏季PM_(2.5)-PM_(10)相关性低于秋冬季PM_(2.5)-PM_(10)相关性;各季节均表现为西北部PM_(2.5)-PM_(10)的相关性高于东南部PM_(2.5)-PM_(10)的相关性.     

我国中西部典型城市PM2.5中痕量金属的时空分布特征和健康影响

为研究我国中西部地区大气细颗粒物中的痕量金属区域分布、季节分布特征以及健康风险,在西安、乌鲁木齐、洛阳以及兰州四城市布点采样,利用ICP-AES（电感耦合等离子体原子发射光谱仪）测定了PM_2.5中9种痕量金属（V、Cr、Cd、Mn、Ni、Cu、Zn、As、Pb）的质量分数.结果表明：在痕量金属的时空分布特征方面,各城市主导痕量金属存在差异,西安、乌鲁木齐、洛阳以及兰州的主导痕量金属为Mn、Zn、Pb、Pb,除了主导痕量金属,对于单个金属,其空间分布及季节分布都存在差异;利用分歧系数法分析了城市间颗粒物中痕量金属的组成,洛阳与其他城市颗粒物中痕量金属的CD值在0.4左右,表明洛阳与各城市颗粒物中痕量金属的组成有很大差异,而西安与乌鲁木齐、兰州两个城市的CD值几乎都小于0.2,则他们组成相似;健康风险评结果显示,颗粒物PM_2.5中的痕量金属Cr对成年人有着显著的致癌和非致癌风险,而且Cd、As对4个城市居民的致癌风险是显著的,Ni对其致癌风险不显著.长期处于该研究环境,对人体健康存在一定健康威胁.此外痕量金属对人体的健康风险也具有季节性,所有痕量金属ILCR值都高于10^-6,尤其是As、Cd、Cr的致癌风险超过了安全水平（10^-4）,尤其是Cr和As春冬季的致癌风险最高.     

邯郸市PM2.5和O3污染特征及潜在源分析

通过对2013—2020年邯郸市的大气污染物浓度及气象参数进行统计分析,探究了大气污染物的浓度变化特征,运用轨迹聚类分析和潜在源贡献因子法(PSCF)研究了邯郸市复合污染日PM_2.5和O₃的传输路径及潜在源区.结果表明：邯郸市PM_2.5-O₃复合污染出现在3—10月,与单O₃污染相比,PM_2.5-O₃复合污染时的O₃峰值浓度和平均浓度较高,当温度为19.1～25.7℃,湿度为32%～63%,风速较低时,最有利于PM_2.5-O₃复合污染发生;单O₃污染和复合污染期间的O₃主要来自邯郸周围的短距离传输,单PM_2.5污染主要来自西北气流的长距离运输和邯郸周围的短距离传输,而复合污染日期间的PM_2.5主要来自西北气流的长距离运输;相较于单O₃污染,2013、2014、2...     

2015～2020年中国城市PM2.5-O3复合污染时空演变特征

基于2015～2020年中国333个城市PM_2.5和O₃浓度监测数据,利用空间聚类、趋势分析和地理重力模型等方法,定量分析我国主要城市的PM_2.5-O₃复合污染特征和时空演变格局.结果表明：(1) PM_2.5和O₃浓度存在协同变化规律,当ρ(PM_2.5＿mean)≤85μg·m^-3时,ρ(PM_2.5＿mean)和ρ(O₃＿perc90)存在同步增长的现象;当ρ(PM_2.5＿mean)处于国家Ⅱ级限值(35±10)μg·m^-3时,ρ(O₃＿perc90)平均值的峰值增速最快;当ρ(PM_2.5＿mean)>85μg·m^-3时,ρ(O₃＿perc90)平均值出现显著下降趋势.(2)我国城市PM_2.5和O₃     

陕西省冬春季PM2.5时空分布特征研究

根据陕西省2016年12月至2017年5月PM_2.5质量浓度逐小时数据，利用ArcGIS分析陕西省PM_2.5污染时空变化格局，并分析造成南北差异的原因，再利用小波分析手段探讨各市PM_2.5污染时间序列周期和突变特性。结果表明：（1）陕西省冬季PM_2.5污染重，春季污染轻，并表现出"关中高，南北低"的特征，秦岭南北经济发展差异和供暖差异是控制陕西省PM_2.5污染空间格局的主要原因；（2）冬季和春季单日PM_2.5浓度变化趋势基本一致，为"双峰双谷型"，日最低值出现在16∶00~18∶00；（3）Morlet小波分析结果显示，陕西省PM_2.5日均变化序列存在多时间尺度特征。陕北城市PM_2.5污染第1主周期为40 d，关中城市和陕南商洛市有40 d和65 d两个共同周期，安康市和汉中市共同周期为20 d和80 d；（4）陕西省PM_2.5突变事件冬季频繁而春季较少，多发生在1月和2月，春季1次大范围的沙尘天气，造成了陕西省5月5日8个城市PM_2.5污染浓度剧增。     

重庆市主城区PM2.5时空分布特征

利用2014年6月1日至2015年5月31日重庆市主城区17个国控空气质量监测站24 h自动连续采样的PM_(2.5)浓度数据,探讨了重庆市主城区PM_(2.5)时空分布特征.结果表明:1重庆市主城区PM_(2.5)季节浓度由高到低依次为冬季(100.2μg·m~(-3))、秋季(66.1μg·m~(-3))、春季(45.9μg·m~(-3))和夏季(33.4μg·m~(-3))(P0.05).2重庆市主城区PM_(2.5)月均浓度变化呈单峰单谷型,1月PM_(2.5)月均浓度最高(P0.05),达到120.8μg·m-3.3逐日变化,国控17个空气质量监测站PM_(2.5)日均浓度曲线都呈现出尖峰和深谷交替变化的锯齿状.4重庆市主城区16个国控监测点(除缙云山对照点)PM_(2.5)浓度日变化在全年、春季、秋季和冬季都呈现明显的双峰双谷型.5PM_(2.5)与SO_2、NO_2和CO都呈显著正相关(P0.01),表明SO_2、NO_2和CO的二次转化对PM_(2.5)浓度具有显著影响.