2013年12月上海市PM2.5重污染过程数值模拟研究

基于2013年11月30日-12月13日上海一次PM_2.5重污染过程,利用Model-3/CMAQ模式及过程分析技术,定量评估不同时段各大气过程对上海PM_2.5浓度变化的影响.结果表明:Model-3/CMAQ模式系统能较好的模拟出实况PM_2.5的浓度变化趋势与特点.研究期间,白天源排放的增强和大气传输的影响、加上较强的气溶胶和云过程生成贡献,是造成上海PM_2.5浓度上升至重污染的主要原因.不同污染时段对PM_2.5浓度上升贡献率最大的过程均为输送,其中,西北部点位(青浦淀山湖和虹口凉城输送)的贡献率最大,且重污染时段输送的贡献率明显高于非重污染时段.     

2019年10~12月京津冀及周边“2+26”城市重污染减排效果评估

为评估京津冀及周边区域重污染过程期间应急减排措施的效果,基于情景模拟的方法,采用NAQPMS模式和多种观测资料,分析了2019年10~12月期间京津冀及周边区域环境空气质量、重污染过程和气象条件概况,评估了模式24、72和144 h的PM_2.5预报效果,并对应急减排措施的效果和不确定性进行了讨论.结果表明,2019年10~12月京津冀及周边"2+26"城市PM_2.5平均浓度64 μg ·m^-3,同比降低了10 μg ·m^-3;区域性重污染过程4次,受影响城市重污染过程期间PM_2.5平均浓度156 μg ·m^-3."2+26"城市PM_2.5气象条件评估指数（EMI）变化值范围为-15.6%~16.8%,EMI显示北京、天津和石家庄等12个城市气象条件与同期相比变差,变差程度范围为3.2%~16.8%.减排情景模拟分析显示应急减排措施有效减少了区域性重污染过程的发生,污染物峰值浓度降幅明显,未出现区域性严重污染过程.典型重污染期间,北京、石家庄、保定和唐山等城市PM_2.5日均浓度削减2%~9%.区域应急减排措施促使"2+26"城市PM_2.5季度均值分别降低1~3 μg ·m^-3左右,区域性减排效果明显.     

“一带一路”沿线国家PM2.5污染与人口暴露风险的时空分布特征

使用1999—2016年0.01°×0.01°高空间分辨率的卫星反演PM_2.5浓度数据集，结合精度为1 km×1 km的人口栅格数据，分析了"一带一路"沿线65个国家PM_2.5污染与暴露风险的时空变化特征.结果表明：①PM_2.5浓度存在着明显的区域分布差异，PM_2.5浓度高值区（>35 μg·m^-3）主要分布在地形平坦、人口密集的恒河平原、华北平原和中南半岛等区域，中值区（10~35 μg·m^-3）主要集中在俄罗斯西部、中东欧、沙特东部和缅甸等区域，而低值区（<10 μg·m^-3）主要分布在高海拔、高纬度与荒漠化地区，如青藏高原、西伯利亚、西亚卢特沙漠等区域；②65国年均PM_2.5浓度从1999年的12.0 μg·m^-3上升到2016年的14.1 μg·m^-3，年均增长超过0.1 μg·m^-3，累计有22.5%的区域有显著的增加趋势，仅有5.2%的区域呈显著下降趋势；③2000—2016年，PM_2.5浓度在35 μg·m^-3以上的区域面积比重从2.2%上升到7.2%，暴露人口占比从18.9%增加至41.9%；④人口暴露风险平均值从2000年的665.2增加至2016年的1140.4，Hurst总体均值为0.59，其中大于0.5的持续性区域占82.3%，持续性特征以弱持续性为主.     

2014—2016年海口市空气质量概况及预报效果检验

本文主要基于CUACE模式在海口市的预报产品,结合2014年3月—2017年2月海口市AQI、PM_2.5、PM₁₀和O₃的实况资料进行预报效果检验.结果表明,①近3年海口市空气质量等级主要以优和良为主,但仍有少部分天数以PM₁₀、PM_2.5和O₃为首要污染物,分别占所有首要污染物天数的27.6%、29.5%和42.9%,其中O₃上升幅度较快.②CUACE模式能较好的模拟出AQI和3类污染物浓度的变化特征,其中PM_2.5的预报值与实测值最为接近,而PM₁₀和O₃普遍偏低.③日平均浓度的预报效果检验表明,PM_2.5的标准误差（RMSE）最小,AQI和PM₁₀次之,O₃最大.3个时次预报平均偏差（MB）和归一化偏差（MNB）均为负值,表明CUACE模式预报的污染要素浓度均偏低于实测值.④海口市空气质量为优等级时,TS评分最高;无首要污染物时,首要污染物预报的TS评分最高,但首要污染物为PM_2.5、PM₁₀或O₃时,TS评分均偏低.     

基于机器学习的成渝地区空气质量数值预报PM2.5订正方法研究

空气质量预报对于大气污染防治、打赢蓝天保卫战意义重大.本研究基于重庆市气象局的中尺度天气模式（WRF）和空气质量数值预报模式（CMAQ）的预报产品,采用2018年4个代表月份（1、4、7、10月,分别代表冬、春、夏和秋季）成渝地区22个观测站点的PM_2.5浓度和气象要素观测数据,建立基础特征变量数据集（包括训练数据集和测试数据集）,通过调整模型参数,并利用训练数据集采用机器学习方法（Lasso回归、随机森林回归、深度学习RNN-LSTM）进行模型训练,订正了成渝地区PM_2.5数值预报.其中,通过Lasso回归算法对成渝地区4个区域分别进行变量优选,优化模型,利用测试数据集对模型进行测试并检验评估.结果表明,基于3种机器学习方法订正后的PM_2.5小时浓度相比CMAQ模式模拟预报结果,偏差显著降低,相关系数显著提高.其中,随机森林回归和RNN-LSTM的订正效果优于Lasso回归,区域统计与站点统计结果较为一致;Lasso回归订正后的均方根误差减小50%左右,相关系数达70%,随机森林回归和RNN-LSTM订正后的均方根误差减小70%左右,相关系数达90%,随机森林回归与RNN-LSTM订正后的偏差范围相比Lasso回归集中范围更窄,最大概率分布更集中;3种方法对不同季节的订正效果与全年一致,其中,冬季订正效果更为显著.研究结果可为提高我国重点城市群区域—成渝地区PM_2.5浓度的大气污染预报能力提供有益参考.     

2013-2014年河南省PM2.5浓度及其来源模拟研究

随着城市化和工业化水平的逐渐提高,河南省的空气污染问题也日益严重.利用嵌套网格空气质量模式（NAQPMS）,数值模拟了2013年7月-2014年6月年河南省大气细颗粒物及其前体物（NO₂、SO₂、PM₁₀、PM_2.5）的地面浓度,并量化了其主要来源.结果表明：模式能够较好地再现污染物的时空演化特征.整体来讲,河南省PM_2.5的高值区集中在中部和北部地区,呈现冬季高、夏季低的特点.在线源解析模拟发现,河南省不同地区PM_2.5的来源有所不同,中西部地区主要来自于本地,而在东部和北部地市,来自周边省份的区域输送更为显著,其贡献达到40%～50%,且在PM_2.5浓度的高值区更为明显.就行业贡献而言,居民源、工业源和机动车排放是河南省PM_2.5浓度的主要来源,其浓度贡献分别为23.7 μg·m^-3（贡献比例24%,下同）、20.6 μg·m^-3（21%）和21.3 μg·m^-3（22%）,电厂、农牧业和地面扬尘的浓度贡献分别为7.0 μg·m^-3（7%）、8.7 μg·m^-3（9%）和17.8 μg·m^-3（18%）.受居民源影响最大的地区是河南中东部和北部地市,其贡献达到PM_2.5浓度的27%、27%和25%.工业源影响最大的地区集中在太行山南部地市,其浓度贡献为26.4 μg·m^-3（24%）,在其他地市的贡献为17%～23%.机动车对河南东部影响最为显著,其浓度贡献为22.9 μg·m^-3（24%）.电厂和农畜牧业对全省PM_2.5的贡献分布比较均匀,分别为6%～9%和8%～10%.分析不同浓度下的PM_2.5来源,发现工业源和扬尘贡献随PM_2.5浓度增加逐渐降低,而居民源和机动车排放的贡献则有所增加,在PM_2.5浓度高于100 μg·m^-3期间,达到22%和20%.     

两湖盆地冬季区域大气颗粒物污染特征及独特的风场和下垫面影响

为认识近年来长江流域中游两湖（湖南-湖北）盆地大气环境变化特征,本文利用两湖盆地2015~2019年冬季近地面PM_2.5和PM₁₀观测数据,结合风速、地形和植被指数等资料,探讨两湖盆地冬季大气颗粒物PM_2.5和PM₁₀的变化特征及其与风速、地形和下垫面的关联.结果表明：①两湖盆地2015~2019年冬季PM_2.5污染频发,其中两湖盆地西北部的襄阳和荆门的冬季平均分别多达62 d和61 d出现PM_2.5污染（PM_2.5>75 μg·m^-3）,襄阳重污染（PM_2.5>150 μg·m^-3）多达19 d,表明两湖盆地是长江流域中游地区一个区域性PM_2.5污染中心.②在空间上,两湖盆地污染呈现出西北重东南轻、城市群污染较重的特征,这主要与冬季风驱动的大气污染物的区域传输和两湖盆地城市地区的强排放有关.③近地面风速与PM_2.5和PM₁₀地面浓度变化呈现特殊的"U"型非线性关系,PM_2.5和PM₁₀浓度拐点值分别为153 μg·m^-3和210 μg·m^-3,揭示了两湖盆地局地大气颗粒物累积主导了轻/中度污染,大气污染物区域传输决定了重度污染的独特区域特征.④两湖盆地冬季PM_2.5和PM₁₀地面浓度与地形高度和植被指数均呈显著负相关,反映了两湖盆地地形和城市化下垫面变化的大气环境效应.     

2016—2020年广州市PM2.5时空分布特征

对大气污染物进行时空分布特征研究是开展大气污染防治的关键技术支撑.本研究基于广州市52个城市环境空气质量监测站点数据,采用系统聚类法、经验正交函数 （EOF）等方法分析了2016—2020年广州市PM_2.5浓度的时空分布特征.结果表明：①2016—2020年广州市PM_2.5污染改善显著,PM_2.5年均浓度从35.9 μg·m^-3下降至23.0 μg·m^-3,达标比例由96.2%上升至100%;PM_2.5干季平均浓度为湿季的1.54倍, 国控点超标天数为湿季的10.5倍;PM_2.5浓度日变化曲线峰谷值浓度差由7.5 μg·m^-3下降至3.9 μg·m^-3,日变化幅度趋于平缓.②广州市PM_2.5浓度最高值区主要分布在东西两侧,高值区域范围逐年减小,全市PM_2.5浓度分布趋于均匀;采用系统聚类法可将广州市PM_2.5分成北部、中北部、 南部、中南部4个污染区,其中,北部区PM_2.5浓度下降率仅为其他污染区的1/2,推测其PM_2.5浓度下降可能更多地由区域背景浓度的下降贡献;EOF分解前3模态累积方差贡献率达93%,分别可表征PM_2.5总体污染程度、在南北方向上的区域输送特征及由外围区域向中心城区聚集的 污染特征.     

基于在线观测的天津市PM2.5污染特征及来源解析

为了解天津市PM_2.5的污染特征及来源,基于2017~2019年高时间分辨率的在线监测数据,对PM_2.5浓度、化学组分和来源进行了分析.结果表明,2017~2019年,天津PM_2.5平均浓度为61 μg ·m^-3,PM_2.5中主要化学组分为NO₃^-、OC、NH₄⁺、SO₄^2-、EC和Cl^-,在PM_2.5中占比分别为17.7%、12.6%、11.5%、10.7%、3.4%和3.1%.从年分布上看,PM_2.5及主要化学组分浓度均呈现下降趋势,NO₃^-和NH₄⁺在PM_2.5中占比上升,SO₄^2-、OC和EC在PM_2.5中占比下降,Cl^-在PM_2.5中占比略上升,其他组分K⁺、Ca²⁺和Na⁺浓度及在PM_2.5中占比均上升.PM_2.5及主要组分浓度在采暖季相对较高,非采暖季相对较低,夏秋季SOR和NOR较高,二次转化强,PM_2.5中二次无机离子（NO₃^-、NH₄⁺和SO₄^2-）占比相对较高.当PM_2.5浓度为优良级别时,PM_2.5中二次无机离子占比较低,OC占比较高,SOC生成较高,Ca²⁺和Na⁺占比相对较高;PM_2.5浓度为轻度及以上污染级别时,随着污染程度加重,PM_2.5中二次无机离子占比明显上升,OC占比基本稳定,EC和Cl^-占比略升,K⁺、Ca²⁺和Na⁺等离子占比下降.PM_2.5浓度处于中度及以上污染级别时,机动车影响明显增加.PMF解析结果表明,2017~2019年,天津市PM_2.5的主要来源为二次源、机动车排放、工业和燃煤排放以及扬尘.其中机动车排放的贡献分担率上升,二次源、扬尘的贡献分担率略升,工业和燃煤源的贡献分担率略降.对天津来说,机动车、燃煤和工业排放始终是PM_2.5最主要的一次污染来源,产业结构和能源结构的调整以及机动车的管控是大气污染防治的主要方向.     

“大气十条”实施对2013—2017年大气气溶胶-辐射相互作用的影响

为应对严重的大气污染问题，我国于2013年颁布并实施了严格的《大气污染防治行动计划》（"大气十条"）.本研究利用在线耦合的区域大气化学传输模型WRF-Chem进行数值模拟，研究了2013—2017年"大气十条"实施期间大气气溶胶-辐射相互作用（Aerosol-Radiation Interaction，ARI）强度的变化及其对空气质量的影响，并量化分析了排放和气象条件变化对气溶胶-辐射相互作用强度变化和空气质量改善的相对贡献.研究发现，"大气十条"实施后ARI对PM_2.5质量浓度的增强效应明显减弱，ARI效应的减弱导致2017年全国平均PM_2.5浓度相较2013年下降了2.7 μg·m^-3，占PM_2.5浓度总降幅的9.1%.在这一过程中污染减排起了主导作用，约占ARI效应减弱导致全国平均PM_2.5浓度下降的88%，气象条件变化的贡献约占12%.在季节尺度上，冬季ARI效应减弱最为明显，使得2017年冬季全国月平均PM_2.5浓度同比2013年下降了12.1%.在区域尺度上，ARI效应的减弱对京津冀区域PM_2.5浓度的影响最为显著，使得2017年该区域平均PM_2.5浓度相较2013年下降了2.8 μg·m^-3，占该区域PM_2.5浓度总降幅的9.9%.2013—2017年，ARI效应对京津冀区域冬季重污染天气的影响程度也明显降低.以2013年1月和2017年1月为例，ARI效应使得这两个月内强霾事件期间区域日平均PM_2.5浓度峰值分别增加了47.6 μg·m^-3和33.7 μg·m^-3.研究表明"大气十条"实施后ARI对PM_2.5质量浓度的增强效应明显减弱，从而进一步推动了全国及重点区域PM_2.5浓度的下降，带来了额外的空气质量改善效益.     

利用多模式最优集成方法预报上海PM2.5

采用多模式最优集成方法(OCF),对PANDA项目中国和欧洲7个空气质量模式的PM_(2.5)预报结果进行集成释用.2016年6月—2017年5月对上海逐日预报试验结果表明:和最优单模式预报结果相比,OCF预报的PM_(2.5)日均质量浓度的均方根误差降低1.9μg·m-3,相关系数提高0.04,日均质量浓度的精度评分TI提高了2.4,污染TS评分提高了0.28,污染空报率降低了20%,显著提高了PM_(2.5)污染等级预报、趋势预报和精度预报的技巧.对长三角合肥、南京、苏州、杭州、宁波5个城市的预报试验也得到类似的结果,为城市空气质量预报提供了新的方法和思路.但OCF对客观预报的改进幅度在夏季不如冬季显著,在降雨日相对较低.     

上海市夏季颗粒物污染过程数值模拟研究

利用观测资料和嵌套网格空气质量模式(Nested Air Quality Prediction Model System,NAQPMS)模拟研究了2010年7月26日—8月26日上海市及周边城市PM10、PM2.5及其无机盐组分的浓度变化趋势及时空分布特点.结果表明,NAQPMS模式较为合理的重现了上海各方位站点及其周边城市PM10、PM2.5及其硫酸盐、硝酸盐等无机化学组分的浓度水平与变化趋势,相关系数在0.7以上.研究期间造成上海颗粒物污染的主要原因是:弱气旋低压系统控制下,西南或西北气流将内陆污染物输送至上海市,当低压中心移至上海附近时带来的辐合气流使得污染进一步累积上升.长三角地区PM2.5主要无机盐组分分布特征表明,上海市及周边城市的硫酸盐、硝酸盐和铵盐的总和占PM2.5浓度的40%~60%,二次气-粒转化过程贡献明显,且以SO2向SO2-4的氧化转换为主;污染上升过程中NO-3/SO2-4比率增大,说明流动源的贡献有所增加.     

杭州市机动车NO_x排放清单的建立及其对空气质量的影响

以杭州市主城区为例,对车辆信息(包括车流量和车辆构成、车辆控制技术水平、车辆行驶工况、车辆启动分布等)进行了调研和测试,并根据IVE模型计算了机动车NOx的排放清单.结果表明,2004年杭州市主城区机动车NOx排放总量为25 100 t,其中,轻型客车、出租车、公交车、重型货车和轻型货车的年排放量分别为5 800,1 100,7 300,9 200和1 700 t.在此基础上,通过AERMOD模型模拟了城市机动车源NOx年均质量浓度以及城市空气中总的NOx年均质量浓度空间分布,得出机动车排放的NOx对总的NOx年均质量浓度的贡献率为40.91%,并对贡献率的空间分布进行了分析.     

草甘膦在高指{201}二氧化钛表面的吸附去除

有机磷农药草甘膦(PMG)的广泛使用和环境残留严重威胁人体健康,其去除治理是环境领域面临的一大挑战.本文研究了草甘膦在高指{201}晶面二氧化钛(TiO_2)上的吸附行为,探讨了吸附时间、溶液pH和草甘膦浓度对吸附效率的影响,并通过Zeta电位表征和电荷分布多位点络合(CD-MUSIC)模型考察了草甘膦在二氧化钛上的络合结构.结果表明,{201}TiO_2对草甘膦的吸附在40 min内即可达到吸附平衡,吸附动力学符合准二级动力学方程.吸附等温线符合Langmuir方程,说明其吸附过程主要是近似单分子层的化学吸附.pH对吸附效率影响较大,酸性条件有利于草甘膦的吸附去除.Zeta电位的表征结果表明,草甘膦吸附后TiO_2表面等电点从5.6向左偏移至4.2,说明形成带负电的内层配合物,进一步的红外光谱结果表明草甘膦以P—O—Ti的络合形式与TiO_2表面结合.CD-MUSIC模型拟合结果表明草甘膦与TiO_2表面可能形成单齿单核或双齿双核的内层络合结构.本研究结果对深入理解草甘膦的微观界面行为及去除具有重要意义.     

北京市道路空气中NO_x现状监测及控制对策

通过对北京城市3种典型交通道路空气中NOx的时空变化监测发现,城市道路空气NOx中NO分担率主要集中在31.6%～81.1%,明显高于非交通道路中NO的分担率(3.0%～34.0%).其原因是NO主要来源于机动车尾气的排放.利用MOBILE软件计算了各类机动车排放的ρ(NOx),并相应地确定了影响交通道路中ρ(NOx)的敏感因素.据此提出了北京市交通道路空气中NOx若干控制措施,如控制车速、车型、油料等.     

Adsorption of carbon dioxide on amine-modified TiO2 nanotubes

TiO2 nanotubes (TiNT) were prepared by a hydrothermal treatment and modified by three kinds of amines,namely ethylenediamine,polyetherimide and tetraethylenepentamine (TEPA),to study their CO2 adsorption properties from gas streams.The resultant samples were characterized by X-ray diffraction,transmission electron microscopy,and infrared spectroscopy,as well as low temperature N 2 adsorption.CO2 capture was investigated in a dynamic packed column at 30℃.TEPA-modified TiO2 nanotubes showed the highest adsorption capacity of 167.64 mg/g because it had the highest amino-group content among the three amines.CO2 fixation on TiNT impregnated by TEPA was investigated at 30,50,and 70℃,and the adsorption capacity increased slightly with temperature.Following the adsorption step,the sorbents were regenerated by temperature programmed desorption,and the TiNT-TEPA sample,as CO2 sorbent,was found to be readily regenerated and energy-efficient.The cycle test also revealed that the TiNT-TEPA adsorbent is fairly stable,with only a 5% drop in the adsorption capacity after 10 adsorption/desorption cycles.In addition,the CO2 adsorption behavior was investigated with the deactivation model,and which showed an excellent prediction for the TiNT-TEPA breakthrough curves.     

基于WEPS模型的天津郊区土壤风蚀起尘及对中心城区迁移量估算

为了预测地表风蚀起尘,针对我国当前地表风蚀预测模型欠缺,相关开发滞后问题,借鉴美国风蚀预报系统(WEPS),研究典型地区地表风蚀预测模型的结构、参数体系以及各参数体系之间的关系,结合卫星遥感技术和实验数据,建立适合天津市的地表风蚀尘预测模型参数体系,开发适合天津市的地表风蚀尘预测模型系统.将天津市域划分为11080个分辨率为1×1 km²的地块,并从中筛选7778个起尘地块; 本地化各地块参数,包括地块经纬度、高程、方向等; 本地化各地块数据库文件,包括风文件、气象文件、土壤文件及管理文件; 编制weps.run文件.以Microsoft Visualstudio 2008为平台,利用C++语言完成WEPS的二次开发,循环计算7778块起尘地块的起尘量,包括蠕移质+跃移质平均损失量、悬移质平均损失量及PM₁₀平均损失量. 2009年,天津郊区各区县总(蠕移质+跃移质)损失量为2.54×10⁶ t,其中指向中心城区的为5.61×10⁵ t; 总悬移质损失量为1.25×10⁷ t,其中指向中心城区的为2.89×10⁶ t; 总PM₁₀损失量为9.04×10⁵ t,其中指向中心城区的为2.03×10⁵ t.     

基于GAM模型分析中国典型区域网格化PM2.5长期变化影响因素

为探究中国典型区域地表PM_(2.5)浓度长期时空变化及其影响因素,运用广义可加模型(GAM)对1998～2016年均0. 01°×0. 01°地表PM_(2.5)浓度网格化数据进行分析.典型区域多年平均PM_(2.5)浓度从高到低:华东华中地区(40. 5μg·m~(-3))华北地区(37. 4μg·m~(-3))华南地区(27. 8μg·m~(-3))东北地区(23. 7μg·m~(-3))四川盆地(22. 4μg·m~(-3)).东北地区PM_(2.5)年际变化呈现明显上升趋势;其他地区1998～2007年呈上升趋势,2008～2016年出现下降趋势.在典型区域PM_(2.5)浓度空间分布上,PM_(2.5)浓度分布呈现显著的空间差异,多年来各区域PM_(2.5)浓度高值分布相对稳定. PM_(2.5)浓度变化的单因素GAM模型中,所有影响因素均通过显著性检验,典型区域中对PM_(2.5)浓度变化影响解释率较高的各个影响因素顺序有所不同. PM_(2.5)浓度变化的多因素GAM模型中,均呈现非线性关系,典型区域方差解释率为87. 5%～92%(平均89. 0%),模型拟合度较高,对其变化有显著性影响.典型区域YEAR和LON-LAT均对PM_(2.5)浓度变化影响最为显著.除此之外,气象因子对PM_(2.5)的影响大小在各个区域存在不同.东北地区影响PM_(2.5)最重要的3个气象因子排序为:tp v_(10) ssr;华北地区为:temp tp msl;华东华中地区为:temp tp ssr;华南地区为:temp RH blh;四川盆地为:tp temp u_(10).结果表明,运用GAM模型,能够定量分析区域PM_(2.5)浓度长期变化的影响因素,对PM_(2.5)污染评估具有重要意义.     

基于AOD数据与GWR模型的2016年新疆地区PM2.5和PM10时空分布特征

PM_2.5与PM₁₀的时空分布特征及其相关性是大气颗粒物研究的主要内容,传统方法是基于监测站点数据进行分析,难以揭示PM_2.5与PM₁₀时空分布的区域特征.为此,本文利用地理加权回归模型估算了2016年新疆地区PM_2.5与PM₁₀的月均浓度,在此基础上对区域尺度的PM_2.5与PM₁₀浓度特征进行分析.结果表明：地理加权回归相较最小二乘回归的拟合精度更高,PM_2.5和PM₁₀的决定系数分别为0.93和0.96,且误差较小;PM_2.5和PM₁₀年均浓度分别为70.88 μg·m^-3和194.53 μg·m^-3,说明大气颗粒物污染严重,且空间分布呈西南高、东北低的特征;PM_2.5和PM₁₀季节浓度均为春季最高,夏季最低;PM_2.5月均浓度2月最高,9月最低,PM₁₀月均浓度3月最高,8月最低;PM_2.5与PM₁₀年均浓度的相关系数r为0.95,相关性较高;PM_2.5/PM₁₀冬季最高为51%,其余季节小于50%,说明冬季PM_2.5对大气颗粒物污染贡献率较高,其余季节则以可吸入颗粒物中的粗颗粒贡献为主.     

基于LMDI分解方法的河北省PM2.5排放驱动因素分析

研究了河北省1990—2015年PM_(2.5)的排放总量及各个产业部门的排放量分布,并应用LMDI模型对五大部门PM_(2.5)排放变化的驱动因素进行了较全面的分解分析,以找出每个部门中PM_(2.5)排放变化的关键驱动因素.同时,通过对原始数据的整理分析和模型计算,结果发现:①工业、生活消费、农业部门是河北省PM_(2.5)排放的三大来源.其中,工业部门是PM_(2.5)排放的最主要贡献部门,占PM_(2.5)总排放量的70%;生活消费部门的贡献位居第二,占比约24%.②对于生产端,经济规模总量扩张是PM_(2.5)排放量增加的最主要原因;能源利用效率的提高和污染治理工艺水平的改进使得各部门的排放强度减弱,明显缓解了PM_(2.5)的排放增长,部门经济结构的优化也可带来明显的减排效应.③对于消费端,人均收入的提高促进了PM_(2.5)排放的增加,倡导绿色消费模式可以有效减缓PM_(2.5)排放.根据以上结论,本研究通过找到各部门存在的问题,为河北省大气污染治理提供参考和借鉴.