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%.     

珠三角冬季PM2.5重污染区域输送特征数值模拟研究

利用嵌套网格空气质量模式系统(NAQPMS)及其耦合的污染来源追踪模块,针对2013年1月珠三角区域的PM_(2.5)重污染过程输送特征进行了数值模拟研究.结果表明,污染气团首先形成于广州、佛山地区,并在弱偏北风的作用下南移加强,影响整个珠三角区域.重污染期间,广州(64.9%)、佛山(58.9%)的PM_(2.5)主要来自本地贡献,是区域输送最主要的来源地区;中山(51.9%)、珠海(66.2%)的PM_(2.5)主要来自外来贡献,是区域输送主要的受体地区.重污染期间,广州和佛山对中山的PM_(2.5)日均贡献率之和总体保持在25%以上,污染最重时达到40%.交通(26%)、工业(24%)、扬尘(16%)、火力发电(15%)和生物质燃烧(8%)是对中山贡献最大的5类源:工业源中山本地与外来输送贡献率基本相当;交通和扬尘源以中山本地贡献为主,贡献率分别为55%和67%;火力发电和生物质燃烧源以外来输送为主,贡献率分别为56%和62%.各类排放源的外来输送中,以广州、佛山所占的比例最大.     

模拟研究咸阳市2016年秋冬季雾霾期间PM2.5来源

基于WRF-CHEM模式模拟研究2016年11月、12月关中地区两次大气重污染事件期间咸阳市本地排放对当地PM_2.5污染水平的贡献以及关中地区主要污染源排放对咸阳市PM_2.5质量浓度的贡献。模式合理地模拟了研究时段内关中地区PM_2.5质量浓度的时空变化特征,较好地再现了大气污染过程。敏感性试验结果表明：秋冬季重污染期间咸阳市本地排放对当地PM_2.5的贡献约为30%,外源输送的贡献高达50%—60%。在关中地区的主要污染源中,居民源是秋冬季咸阳市PM_2.5最主要的来源,在秋冬季的贡献分别为37.4%和60.6%;工业源和交通源对咸阳市秋季PM_2.5的贡献分别为22.1%和11.2%,冬季的贡献分别为15.6%和9.8%;电厂源对秋冬季咸阳市PM2.5的贡献约为2.0%。因此,在秋冬季大气重污染期间,应该主要通过控制居民源排放来减轻咸阳市PM_2.5污染。     

北京市大气PM10和PM2.5中有机物的时空变化

2005年四季在北京市不同功能区9个采样点采集大气PM₁₀和PM_2.5样品,并对其中有机物污染水平、分布特征及不同功能区PM₁₀和PM_2.5中有机物的相关性进行了探讨.结果表明,市区PM₁₀和PM_2.5中有机物年均值分别为41.39 μg/m³和34.84 μg/m³,是对照区十三陵的1.44倍和1.26倍;冬季有机物污染最严重,分别为春季的1.15、 1.82倍,秋季的2.06、 2.26倍,夏季的4.53、 6.26倍.不同季节PM_2.5与PM₁₀中EOM的比值超过0.60, 并呈现一定季节差异.各功能区有机污染表现出工业区(商业区)＞居民区(交通区、对照区)的变化趋势,且不同功能区PM_2.5中EOM对PM₁₀中EOM的影响程度各异.有机组分的年均值有非烃＞沥青质＞芳烃＞饱和烃的变化规律,而污染源的季节性排放是造成有机物组分季节变化的主要原因.     

2016年宁夏回族自治区PM2.5浓度时空分布特征

对2016年宁夏回族自治区大气中PM_2.5浓度的时空分布特征及其与其它空气质量指标和气象参数之间的相关性进行探讨。结果表明,宁夏回族自治区2016年PM_2.5日平均浓度为2.0~217.5 μg/m³;11月、12月、1月、2月PM_2.5月浓度均值（45.97~87.22 μg/m³）相对较高,6~9月的（19.01~38.03 μg/m³）相对较低;春、夏、秋、冬PM_2.5浓度分别为2.00~211.00 μg/m³、6.67~106.67 μg/m³、10.67~166.00 μg/m³和10.50~217.50 μg/m³;0：00~23：00,各城市PM_2.5小时浓度基本上表现出先下降、后上升、再下降、再上升的变化规律,通常上午9：00~10：00浓度值较高,下午15：00~16：00浓度值较低。银川市、石嘴山市、吴忠市、中卫市和固原市2016年PM_2.5日平均浓度 ≤ 75 μg/m³的天数分别为304 d、307 d、313 d、323 d和340 d,年达标率分别为83%、84%、86%、88%和93%。宁夏北部的石嘴山市、银川市的PM_2.5月浓度均值超过了南部的中卫市和固原市,表现出"北高南低"的趋势,其中固原市每月PM_2.5浓度均值均低于其他城市,表现出显著差异。PM_2.5浓度与CO、NO₂、SO₂、PM₁₀浓度、风速、气压、日照和相对湿度均呈显著或极显著正相关关系,与地表温度、气温和降水量呈极显著或显著负相关关系。可见,宁夏回族自治区大气PM_2.5浓度具有明显的时空变化特征,其浓度受气象因子的影响。     

武汉冬季典型月份PM2.5浓度变化的观测分析与模拟追因

1月是武汉市发生重霾污染最为频繁的月份之一.本文利用地面观测数据对比分析了2014年1月与2018年1月武汉PM_2.5污染的变化与差异,进而利用嵌套网格空气质量预报模式系统（NAQPMS）对其差异进行了模拟追因分析.分析结果表明,2018年1月武汉PM_2.5污染依旧严峻,出现了17个污染天,月均浓度达到了91.6 μg·m^-3,但污染程度与2014年1月相比有了大幅改善.其污染天比2014年1月减少了13 d,月均浓度下降了90.8 μg·m^-3,浓度峰值下降了154.6 μg·m^-3.通过设计基于气象场敏感性分析的数值模拟试验,发现在区域污染物排放强度保持不变的情形下,2014年1月和2018年1月气象场的变化对武汉月均PM_2.5浓度的影响较小,差异小于3 μg·m^-3.基于2018年1月的排放情景模拟2014年1月的武汉PM_2.5浓度会导致显著的低估现象.这表明气象条件变化不是武汉2018年1月相比2014年1月PM_2.5浓度显著下降、重污染天数显著减少的关键原因,而武汉本地、周边以及京津冀等重点城市群的排放量显著下降应是最为关键的主导因子.     

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。     

上海典型持续性PM2.5重度污染的数值模拟

本研究针对2013年1月23~24日的上海PM_(2.5)持续重污染过程,采用WRF-Chem大气化学模式以及PM_(2.5)质量浓度、能见度、气象要素等地面实测资料相结合的方式,揭示了造成上海冬季PM_(2.5)持续性重污染的一类"天气学必要成因",即一次弱冷空气活动过程导致了两种不利污染天气条件——"弱气压场(静稳形势)"和"弱冷空气扩散(输送形势)",两者先后影响上海造成PM_(2.5)浓度持续上升.主要过程如下:首先弱冷空气影响之前,上海处在不利的局地气象扩散条件下,受弱气压场控制10 h后本地PM_(2.5)质量浓度达到重度污染水平,之后夜间稳定边界层(地面静风和低层逆温)使得PM_(2.5)重度污染维持了7h,期间PM_(2.5)平均质量浓度为172.4μg·m~(-3).后期弱冷空气影响上海,虽然改善了局地扩散条件但是同时产生了明显的周边污染物输送,使得本地PM_(2.5)质量浓度升高并达到峰值(280μg·m~(-3)),继续加重污染水平,期间PM_(2.5)平均质量浓度为213.6μg·m~(-3).WRF-Chem模拟结果进一步表明,整个污染过程周边区域输送对上海PM_(2.5)平均贡献率为23%,其中两个阶段周边区域输送的平均贡献率分别为17.2%和32.2%,可见在不同的污染天气条件下周边污染源的贡献存在显著差异,因此可以根据对污染天气类型的预判制定应急减排方案.     

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.     

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.     

武汉市大气PM2.5中水溶性离子污染特征及来源

于2016年8月—2017年4月采集了武汉市PM2.5样品,使用离子色谱法分析了PM2.5中的水溶性离子(F-、Cl-、SO2-4、NO-3、Na+、NH+4、K+、Mg2+、Ca2+),并研究其污染特征及来源.结果表明,武汉市PM2.5质量浓度变化范围为24.8～215.7μg·m-3,均值为(81.3±38.1)μg·m-3.9种水溶性离子的年均质量浓度占PM2.5质量浓度的29.3%,其中,SO2-4、NO-3、NH+4(三者合称SNA)为主要的水溶性离子,SNA占PM2.5质量浓度的23.3%～32.0%.硫氧化率(SOR)和氮氧化率(NOR)年均值分别为0.4、0.1,说明武汉市大气存在较强的SO2向SO2-4、NO2向NO-3转化的二次过程.观测期间,武汉市的细颗粒物整体呈弱碱性.Ca2+与Mg2+,以及NH+4与NO-3、SO2-4等均有显著相关性,NH+4、NO-3、SO2-4主要以(NH4)2SO4和NH4NO3的形式存在.武汉市全年NO-3/SO2-4比值为0.9,表明固定源贡献相对较大.主成分分析结果表明,武汉市大气PM2.5中水溶性离子主要来自于燃煤及机动车排放、工业生产、扬尘等.     

Identification of long-range transport pathways and potential sources of PM2.5 and PM10 in Beijing from 2014 to 2015

Trajectory clustering, potential source contribution function (PSCF) and concentration-weighted trajectory (CWT) methods were applied to investigate the transport pathways and identify potential sources of PM_2.5 and PM₁₀ in different seasons from June 2014 to May 2015 in Beijing. The cluster analyses showed that Beijing was affected by trajectories from the south and southeast in summer and autumn. In winter and spring, Beijing was not only affected by the trajectories from the south and southeast, but was also affected by trajectories from the north and northwest. In addition, the analyses of the pressure profile of backward trajectories showed that backward trajectories, which have important influence on Beijing, were mainly distributed above 970 hPa in summer and autumn and below 950 hPa in spring and winter. This indicates that PM_2.5 and PM₁₀ were strongly affected by the near surface air masses in summer and autumn and by high altitude air masses in winter and spring. Results of PSCF and CWT analyses showed that the largest potential source areas were identified in spring, followed by winter and autumn, then summer. In addition, potential source regions of PM₁₀ were similar to those of PM_2.5. There were a clear seasonal and spatial variation of the potential source areas of Beijing and the airflow in the horizontal and vertical directions. Therefore, more effective regional emission reduction measures in Beijing''s surrounding provinces should be implemented to reduce emissions of regional sources in different seasons.     

上海不同功能区夏季PM2.5中生物质燃烧贡献的解析

为了解生物质燃烧对上海夏季PM_(2.5)的贡献及评估大气光化学氧化对左旋葡聚糖浓度的影响,在上海的4个不同站点同步采集了PM_(2.5)样品,应用气相色谱-质谱联用仪和离子色谱仪分析了典型生物质燃烧示踪物脱水糖和水溶性钾离子的浓度,采用示踪物产率法估算了生物质燃烧对PM_(2.5)质量及其中有机物的贡献,分析了左旋葡聚糖浓度与大气臭氧浓度的相互关系.结果表明,上海夏季PM_(2.5)中左旋葡聚糖的浓度在不同站点间差别较小,平均浓度为44.2 ng·m~(-3);水溶性钾离子浓度与左旋葡聚糖之间存在显著相关性(r=0.88),平均浓度为0.45μg·m~(-3),85%以上的钾离子为非海盐、非矿物质来源,即主要来源于生物质燃烧;基于左旋葡聚糖和钾离子的示踪物产率法估算的生物质燃烧对夏季上海PM_(2.5)中有机碳的贡献有显著差别,分别为6.0%和19.2%,左旋葡聚糖的光化学降解是导致这一差别的主要原因;左旋葡聚糖与生物质燃烧源钾离子的浓度比(LG/K■)与大气臭氧浓度之间存在显著的负相关关系,说明大部分的左旋葡聚糖会随着大气氧化性的增强而被降解.     

北京秋冬季一次重污染过程PM2.5来源数值模拟研究

利用WRF模式(The Weather Research and Forecasting Model)和嵌套网格空气质量模式(NAQPMS)对2016年11月发生在京津冀地区一次PM_(2.5)污染事件进行模拟研究并分析污染过程中的天气形势变化.结果表明,均压场、低空逆温层和偏南暖湿气流输送的存在为北京地区PM_(2.5)形成提供了有利条件,NAQPMS模式能够合理的再现北京大气污染物时空变化,细颗粒物PM_(2.5)和可吸入颗粒物PM_(10)模拟与观测数据相关系数达0.71,模拟数据在观测数据两倍范围内占比(FAC2)达65%.源解析结果表明,在不考虑临时实施减控措施下,11月18日区域外输送对北京PM_(2.5)浓度贡献为55.25%,区域内输送贡献为44.75%,北京东北区域PM_(2.5)外地源主要为河北中部、河北南部、天津和山东,所占贡献为9.67%、9.01%、7.90%和7.99%.污染物主要来源为生活源、交通源和工业源,分别占比39.6%、34.6%和20.0%.而实际上北京在唐山、保定采取一系列控制措施后仍在研究时段内出现高PM_(2.5)浓度,意味着在同样天气形势下需要对河北中部、河北南部、天津和山东等浓度贡献占比大的城市加强减排管控才能有效减缓高PM_(2.5)浓度的出现.     

海口市PM_(2.5)和PM_(10)来源解析

以海口市为例,研究了我国典型热带沿海城市——海口市环境空气颗粒物的污染特征和主要来源.2012年春季和冬季在海口市区4个采样点同步采集了环境空气中PM10和PM2.5样品,同时采集了多种颗粒物源样品,并使用多种仪器分析方法分析了源与受体样品的化学组成,建立了源化学成分谱.使用CMB(化学质量平衡)模型对海口市大气颗粒物进行源解析.结果表明:污染源贡献具有明显的季节特点,并存在一定的空间变化.冬季城市扬尘、机动车尾气尘、二次硫酸盐和煤烟尘是海口市PM10和PM2.5中贡献较大的源,在PM10和PM2.5中贡献率分别为23.6%、16.7%,17.5%、29.8%,13.3%、15.7%和13.0%、15.3%;春季机动车尾气尘、城市扬尘、建筑水泥尘和二次硫酸盐是海口市PM10和PM2.5中贡献较大的源,在PM10和PM2.5中贡献率分别为27.5%、35.0%,20.2%、14.9%,12.8%、6.0%和9.5%、10.5%.冬季较重的颗粒物污染可能来自于华南内陆地区的区域输送,特别是,本地排放极少的煤烟尘和二次硫酸盐受区域输送的影响更为显著.     

临沂市PM2.5和PM10中元素分布特征及来源解析

为探究临沂市PM_2.5和PM₁₀中元素的污染特征及来源,于2016年12月至2017年10月对临沂市环境空气中PM_2.5和PM₁₀进行了同步采样.利用电感耦合等离子体质谱仪(ICP-MS)和电感耦合等离子体发射光谱仪(ICP-OES)测定了其中的23种元素,并采用富集因子法和PMF法分析其来源.结果表明,采样期间临沂市PM_2.5和PM₁₀中主要元素为Si、Ca、Al、Fe、K、Na和Mg,分别占所测元素的质量分数为92.93%和94.61%. 18种元素(除Ti、Ni、Mo、Cd和Mg)的浓度水平在冬春季最高,夏秋季最低.其中Si、Al、Ca、K和Na表现为春季浓度最高,主要分布在粗颗粒中;Cu、Zn、Pb和Sb表现为冬季浓度最高,主要分布在细颗粒中.富集因子结果表明Cd、Sb和Bi元素富集程度显著,主要受燃煤、工业生产、垃圾焚烧等人为源共同影响.PMF源解析结果表明,临沂市PM_2.5中元素来源主要有燃煤和铜冶炼的混合源、市政垃圾焚烧...     

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.      

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.