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。     

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.     

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.     

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.     

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.     

长江三角洲PM2.5质量浓度遥感估算与时空分布特征

卫星遥感反演气溶胶光学厚度(AOT)已被广泛地应用于地面PM2.5遥感监测.为遥感监测长江三角洲地区PM2.5,利用2013年的MODIS/Terra AOT产品,考虑研究区36个空气质量监测站点的风速、温度、湿度和边界层高度等气象条件,构建了基于MODIS AOD产品估算PM2.5的模型.利用17个空气质量监测站点数据对模型进行散点拟合验证,结果表明模型估算精度较高,春夏秋冬4个季节PM2.5质量浓度的模型估算值与地面监测值的相关系数R2值分别为0.45、0.50、0.58和0.52.利用模型估算的长时间序列PM2.5时空分布数据进行时空变化特征分析,结果表明:1 2000~2013年研究区PM2.5质量浓度呈增长趋势,月均增长量为0.047μg·m-3,最大值出现在2月,为(66.2±19.3)μg·m-3,最小值出现在8月,为(22.6±5.9)μg·m-3.2研究区PM2.5质量浓度空间分布差异显著,南部低,北部高,高值主要出现在由上海、杭州和南京构成的三角形区域的城市群中,而低值主要出现在南部远离城市的森林区域.结果表明基于MODIS/Terra AOT产品和地面观测气象数据估算PM2.5的多元线性回归模型能较好地应用于区域PM2.5监测.     

2017~2021年苏皖鲁豫交界区域PM2.5和O3时空变化特征及影响因素

苏皖鲁豫交界区域是长三角和京津冀及周边两大大气污染治理重点区域的连接带,揭示该区域PM_2.5和O₃污染特征对推动区域大气污染联防联控有着重要意义.基于2017~2021年苏皖鲁豫交界区域22个地市的国家空气环境监测网络观测数据,探讨了该区域PM_2.5和O₃浓度的时空变化特征及气象影响.结果表明：①2017~2021年区域PM_2.5浓度呈现逐年下降趋势,PM_2.5浓度月均值呈现“U型”分布,冬季PM_2.5浓度仍维持高位.O₃-8h-90%浓度呈现波动下降趋势,O₃-8h-90%浓度月均值变化呈“M型”分布,夏秋季O₃污染程度未有好转.②与2017年相比,2021年PM_2.5-O₃复合污染天数减少了52 d,但PM_2.5污染仍占主导地位.③PM_2.5和O₃污染区域主要集中在区域中部和北部城市,且中部城市PM_2.5和O₃污染程度均改善显著.④采用Moran''s I指数和LISA指数分析了区域PM_2.5和O₃-8h-90%浓度的全局和局部空间自相关性,PM_2.5和O₃-8h-90%浓度均具有空间相关性,PM_2.5浓度主要表现为高值-高值聚集或低值-低值聚集现象,且高值-高值聚集有从中部向西部转移的现象,2020年和2021年O₃-8h-90%浓度表现为高值-高值聚集或低值-低值聚集现象.⑤结合气象要素数据,利用KZ滤波方法量化排放源与气象条件对区域PM_2.5和O₃-8h浓度的贡献,两者主要受到污染物排放影响,贡献率分别为101.0%和99.3%,表明污染物减排是驱动区域空气质量改善的主要因素.此外,气象条件对PM_2.5浓度的贡献在一、四季度为正值,二、三季度为负值,而对O₃-8h浓度的影响则反之,且气象条件对不同城市PM_2.5和O₃-8h浓度的影响程度存在较大差异.     

西安市2013—2017年大气PM2.5的时空变化特征及影响因素分析

为了解西安市近年大气颗粒物PM_2.5污染现状,为进一步研究、治理和控制区域PM_2.5污染以及空气质量情况预警预测提供可靠的科学依据,并服务于西安市将于2019年举办的第二届“一带一路”国际合作高峰论坛,本文基于西安市13个国控空气质量监测站2013年7月—2017年12月的PM_2.5质量浓度监测数据和同期气象资料,对不同时空尺度下PM_2.5的质量浓度变化特征及影响因素进行了分析。研究结果表明：近几年西安市PM_2.5一级浓度标准日达标率由15.71%逐渐升高到27.25%,但冬季依然存在高污染天气。PM_2.5浓度冬季高、夏季低;具有周末和节假日浓度高于工作日的“周末效应”;日变化呈现上午、凌晨高,下午低的日变化双峰模式。PM_2.5浓度在空间上具有城北高于城南,城区高于城郊区县的特征。人为活动和气象要素都在一定程度上影响区域PM_2.5质量浓度。     

“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.     

2000~2016年中国PM2.5时空格局

本文在检验PM_2.5遥感数据可靠性的基础上,使用标准偏差分析、Hurst指数、Theil-Sen median趋势分析与Mann-Kendall检验和局部空间自相关等方法,在像元尺度上研究了2000~2016年中国PM_2.5浓度的分布格局和演变过程.结果表明：①在空间分布上,PM_2.5的浓度东部高,多年平均值为30.21μg/m³,西部低,多年平均值为4.37μg/m³,东西两侧差异巨大.西部地区和东北地区PM_2.5的浓度整体呈现增长的态势,但西部地区变化较为平缓.PM_2.5污染严重的区域分布在人口多且密集,经济较为发达的区域,如华北平原,东北平原,长江中下游平原,四川盆地等地区.②在时间序列上,以2007年为界,PM_2.5的年变化趋势可分为两个阶段,从2000~2007期间我国的PM_2.5浓度总体呈现上升趋势,年均增长0.95μg/m³,2007~2016年PM_2.5浓度呈波动下降趋势,年均下降0.15 μg/m³;③稳定性：PM_2.5浓度的稳定性在空间上差异显著,整体呈现出西部较稳定、东部不稳定的分布状态.东部极不稳定区域主要分布在四川盆地,华北平原,东北平原中部,长江中下游平原;④持续性：中国PM_2.5持续性特征以弱反持续为主,主要分布在中国东部地区,预测未来PM_2.5的变化规律与目前相反.其次弱持续性分布的区域较广,主要分布在山地、高原及高寒地区,说明这一区域未来PM_2.5变化趋势与过去的变化趋势相同,但又具有复杂性和反复性.⑤人口暴露分析：分析不同PM_2.5浓度级别上的人口百分比,发现2016年中国有52%的人口生活在PM_2.5浓度年平均值为35 μg/m³以上的环境中,还有14.38%的人暴露在PM_2.5年均浓度值为60 μg/m³以上的环境中.     

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.     

陕西省PM2.5时空分布及影响因素区域差异研究

为了解陕西省PM_2.5分布特征及影响因素区域差异,基于陕西省2019年PM_2.5浓度数据,采用空间数据统计方法、空间自相关分析法和地理探测器法对PM_2.5时空分异特征及驱动因素进行探究,以期为陕西省PM_2.5研究与治理提供可靠的科学依据。结果表明：陕西省PM_2.5污染呈“冬高夏低”、“中部高、南北低”的特点。陕西省PM_2.5浓度空间分布表现为极显著的空间正相关性,陕南部分县域为低低聚集区,关中地区渭南、西安、咸阳部分县域为高高聚集区。对陕西省PM_2.5浓度影响最大的是社会经济因子(0.328—0.548),陕北地区为GDP(0.932),关中地区为人口密度(0.936),陕南地区为相对湿度(0.710)。交互探测结果表明：陕西省主导交互因子为人口密度∩GDP,各种复杂的自然因素和人为活动因素耦合会大大加强对PM_2.5浓度的解释力。     

1998~2016年中国地级以上城市PM2.5污染时空格局

利用1998~2016年全球PM_2.5浓度栅格数据集，以地级以上城市为基本单元提取出PM_2.5浓度数据，采用核密度估计法、全局空间自相关、局部空间自相关、热点分析等方法探讨我国地级以上城市PM_2.5污染的时空格局演化规律.结果显示：①研究期内我国PM_2.5浓度总体呈现上升趋势，年均增长0.55μg/m³；.变化趋势可以分为2个阶段：1998~2007年呈快速增长态势；2008~2016年呈现"下降~增长~下降"的变化趋势.按地区分析，东部和中部地区呈现相似的变化趋势.西部地区和东北地区均整体呈现增长的态势，但西部地区变化较为平缓，东北地区波动较为剧烈.②研究期内核密度曲线峰值逐步右移，这表明中国地级以上城市PM_2.5污染程度总体上在加剧，且东部和中部城市加剧程度远大于西部.③PM_2.5污染在空间分布上具有显著的空间正相关特征.高值聚集区集中分布在山东、河南、河北、江苏、安徽、湖南、湖北的大部分地区以及四川东部地区，1998~2007年间高值聚集城市数量呈现增加的态势，2007年达到峰值，空间上表现为向西部和南部扩张；此后高值集聚城市数量逐渐减少，聚集区南界逐渐北移.低值聚集区集中分布在内蒙古、黑龙江西北部、新疆、西藏、台湾、海南、福建等地区.研究期内低值聚集区城市数量整体呈现先增加后减少的波动状态.     

夏季广州城区细颗粒物PM_(2.5)和PM_(1.0)中水溶性无机离子特征

于2008年7月1～31日在广州城区每天采集PM2.5和PM1.0样品.利用离子色谱分析了样品中Na+、NH4+、K+、Mg2+、Ca2+、F-、Cl-、NO3-和SO24-等9种离子组分质量浓度,并同步收集气象因子、大气散射系数、大气能见度以及SO2、NO2、O3气体污染物质量浓度等数据.结果表明,PM2.5和PM1.0中水溶性无机离子总浓度分别为(25.5±10.9)μg·m-3和(22.7±10.5)μg·m-3,分别占PM2.5和PM1.0质量浓度的(47.9±4.3)%和(49.3±4.3)%.SO42-占PM2.5和PM1.0中质量浓度百分比最高,分别为(25.8±4.0)%和(27.5±4.5)%.较高的温度和O3浓度有利于SO24-的生成,较高相对湿度有利于NO3-的生成.PM2.5和PM1.0中亲水性较强的SO42-、NH4+和NO3-对散射系数和能见度影响较大.     

全球和中国地区PM_(2.5)时空变化特征的模拟

利用气溶胶-气候耦合模式BCC_AGCM2.0.1_CUACE/Aero,模拟了1850~1980和1980~2010年PM_(2.5)及其人为和自然气溶胶柱含量的时空变化,并分析了人为和自然气溶胶对这种变化的贡献.结果表明:1850~1980年,大部分陆地范围人为PM_(2.5)的柱含量有所增加,尤其是北美东部、欧洲和中国东部等地区,人为PM_(2.5)增加地更明显,且以夏季最为明显;自然PM_(2.5)的变化主要分布在几大沙漠地区,以春、夏季最为显著;人为气溶胶对总PM_(2.5)变化的贡献在秋季最大,达94%,夏、冬季次之,分别为46%和41%,春季最小,仅占28%.1980~2010年,人为PM_(2.5)在东亚、东南亚等地区均有所增加,春夏季较为显著,在欧洲中部和北美东部有所减少,且以夏季减少最为明显;自然PM_(2.5)在沙漠地带有显著的变化,以春季最为明显;人为PM_(2.5)的变化对总变化的贡献相比之前有所减少,四季均小于50%.     

北京市2014~2020年PM2.5和O3时空分布与健康效应评估

细颗粒物（PM_2.5）和臭氧（O₃）是我国的主要大气污染物,严重危害人群健康.北京市自2013年以来大力开展大气污染治理工作,现已取得显著成效.通过分析2014~2020年北京市34个大气环境监测站的PM_2.5和O₃浓度变化特征并评估大气污染防治的健康效应,对推进大气污染防治具有重要意义.结果表明,2014年北京市PM_2.5年均值和4~9月平均O₃日最大小时（O_{3_max}）值分别为92.0 μg·m^-3和81.9 nmol·mol^-1.2014~2020年PM_2.5平均每年降低7.5 μg·m^-3,但是O_{3_max}持续偏高.在季节尺度,冬季的12月和1月PM_2.5浓度最高,夏季的8月浓度最低.相反地,O_{3_max}在每年6月浓度最高.PM_2.5浓度日变化规律为,夜间22：00至次日00：00最高,14：00~16：00最低.而O₃浓度在07：00最低,随后逐步升高并在午后达到最高.在空间分布上,PM_2.5在2014和2019年都呈现南高北低的趋势,O_{3_max}在全市范围内均较高,仅在道路区域偏低.大气污染对人群健康影响的评估结果表明,2014年北京市与PM_2.5相关的心血管和呼吸道疾病超额死亡人数分别为1580人和821人,与O₃相关的呼吸道疾病超额死亡人数为2180人.2019年与PM_2.5相关的超额死亡人数仅为2014年的50%,而与O₃相关的超额死亡人数与2014年持平.北京市细颗粒物治理成效显著,但是O₃污染问题凸显,O₃已经成为危害北京市居民健康的首要大气污染物.未来需要加强PM_2.5和O₃协同治理.     

广州不同站点类型PM2.5与O3污染特征及相互作用

基于2015~2019年广州4个不同国控站点类型的大气污染物监测数据,研究了广州各站点类型颗粒物（PM_2.5）和臭氧（O₃）的污染特征,并分析了O₃污染季节和PM_2.5污染季节PM_2.5和O₃的相关性及相互作用.结果表明：2015~2019年广州各站点类型PM_2.5浓度总体呈下降趋势,O₃浓度呈上升趋势.不同污染季节PM_2.5与O₃浓度均呈正相关.O₃污染季节二次PM_2.5的生成对颗粒物的影响显著大于一次PM_2.5,随着光化学水平的升高,一次PM_2.5的贡献浓度基本不变（均在21.03~31.37μg/m³范围内）,贡献率逐渐下降;而二次PM_2.5的贡献浓度逐渐升高（3.51~7.72 μg/m³升高到16.04~18.45μg/m³）,贡献率也逐渐升高（11%~27%升高到34%~44%）,且呈倍数增加.不同站点类型贡献差异明显,背景站点二次PM_2.5的贡献最大,城区站点在中和高光化学水平下二次PM_2.5的贡献最小;PM_2.5污染季节各站点类型在不同PM_2.5污染水平下O₃浓度均具有差异性,总体上均呈现背景站点>郊区站点>城区站点的特点.气溶胶的消光作用和非均相反应均显著促进O₃生成,随着PM_2.5浓度升高,各站点类型的O₃浓度峰值逐渐升高,由62.12~83.82μg/m³升高到92.49~135.4μg/m³;O₃变化率峰值也逐渐升高,由8.42~10.02μg/（m³·h）升高到21.33~27.04μg/（m³·h）.进一步促进了广州PM_2.5和O₃浓度的协同增长.