毕节市区大气污染特征及影响因素分析

根据毕节市2015年大气污染物浓度和气象因子的监测数据,分析了毕节市区大气污染物SO_2、NO_2、PM10、PM2.5、CO及O_3浓度的月、季和年平均变化特征及其影响因素,并对大气污染物浓度之间以及大气污染物浓度与气象因子之间的相关性进行了分析。结果表明:(1)毕节市区2015年空气质量总体良好,空气质量优良天数占95.1%,主要大气污染物为PM10和PM2.5;(2)大气污染物SO_2、PM10、NO_2、PM2.5、CO的月浓度都呈"V"型单谷变化趋势,而O_3的月浓度则为单峰变化趋势;大气污染物SO_2、PM10、NO_2、PM2.5、CO浓度的季节变化为冬季最高、夏季最低,O_3浓度的季节变化则为春季最高、冬季最低,且季节之间的差异性显著(p0.05);大气污染物PM10和PM2.5的年平均浓度分别超过我国《环境空气质量标准》(GB 3095—2012)中一级标准年平均浓度限值的18.2%和112.4%,SO_2和NO_2的年平均浓度均未超过国家一级标准的年平均浓度限值;(3)大气污染物SO_2、NO_2、CO浓度与颗粒物PM10、PM2.5浓度之间两两呈极显著正相关性(p0.01),其与O_3浓度之间呈极显著负相关性(p0.01);PM2.5浓度与PM10浓度之间呈极显著正相关性,而PM2.5浓度与O_3浓度之间呈显著负相关性,多元线性回归分析得出PM2.5浓度与其他大气污染物浓度之间的拟合方程为:PM2.5=2.718+0.130SO_2+0.747PM10+0.255NO_2-0.077O_3+0.678CO;(4)气压与大气污染物SO_2、NO_2、CO、PM10浓度之间呈显著正相关性,其与O_3浓度之间呈极显著负相关性;温度除与O_3浓度之间呈极显著正相关性外,与其他大气污染物浓度之间呈显著负相关性,且其与O_3浓度的相关性系数最大(r=0.501),说明温度对O_3浓度的影响较大;相对湿度除与CO浓度之间无显著相关性外,与其他大气污染物浓度之间均呈显著性负相关性;风速与O_3浓度之间呈极显著正相关性,其与其他大气污染物浓度之间均呈极显著负相关性。     

基于实际道路交通流信息的北京市机动车排放特征

通过模型模拟和调查统计方法获取了北京路网的车流量、车型构成和车速基础数据.基于具有时空分布特征的实际道路交通流信息和排放因子,以Arc GIS为平台构建了北京市机动车尾气排放清单,并分析实际道路排放特征及污染物排放的空间分布特征.结果表明,北京市城区各类型道路上小客车比例均在89%以上,郊区道路也为小客车比例最高,但小货车、中货车、大货车、大客车、拖拉机和摩托车均占一定比例.污染物排放强度与车流量呈正相关性,污染物排放强度总体上呈现白天高夜间底的趋势,但是郊区道路PM排放昼夜变化趋势不明显,高速路的PM排放强度夜间大于白天.污染物排放的空间分布为城区、南部、东南以及东北部接近城区的区域排放强度较高,西部山区及北部山区由于路网密度较小排放强度较低,城区环路和郊区高速公路附近由于车流量大,排放强度较高.     

西安市主要大气污染物浓度变化特征及相关特性分析

分析西安市主要大气污染物浓度(PM_(2.5)、PM_(10)、SO_2、NO_2、CO、O_3)随时间、空间的变化特征及其与天气情况、车流量变化之间的相关特性。结果表明:大气污染物浓度会因地区特点随人流量呈规律性波动;PM_(2.5)、PM_(10)与对应的SO_2、NO_2、CO、大气相对湿度呈正相关,与臭氧、温度、风速呈负相关;受排放及气温辐射影响,NO_2浓度在午后出现峰值且滞后于交通峰值;连续型降水对PM_(10)的稀释作用随降雨天数的增加呈"驼峰"型变化。     

南京城区上空大气一氧化碳的观测分析

利用南京大学城市大气环境观测站(32°03′20″N,118°46′32″E)2011年1~12月一氧化碳(CO)连续观测资料,分析南京市CO浓度变化特征;利用后向轨迹模式和聚类分析方法研究影响南京市的主要气团及其化学性质;基于MOPITT资料分析南京市CO的垂直分布.研究表明,南京市CO的年均浓度为(757.5±410.5)×10-9.CO浓度具有明显日变化特征,早上8:00浓度最高,下午16:00浓度最低.CO日变化具有季节差异性,春季最为明显,夏季幅度最小.一周之中CO在周五的浓度最高.CO存在明显季节变化,冬季1月浓度最高,夏季6月浓度最低.HYSPLIT4把影响该观测站的主要气团分为6类,其中来自江苏南部、浙江、上海的气团的污染物浓度最高,对南京市CO浓度贡献最大;源于西伯利亚高原,伴随强冷空气迅速向南移动的气团对南京市CO贡献最小.卫星数据分析结果表明,南京市夏季CO的垂直分布与其他3个季节有较大差异.与地面观测站相比,卫星反演的CO地面浓度要明显偏低.     

北京市交通微环境汽车尾气污染的浓度特征

对北京市典型交通微环境中(包括公交车站,公交车内以及小轿车内)的汽车尾气污染物CO、NO、NO2和PM2.5浓度进行了监测.结果表明,NO、CO 和PM2.5在交通微环境中的浓度分布相似,均为公交车内浓度最高,公交车站浓度最低.NO2为公交车内浓度最高,小轿车内浓度最低.公交车内CO的早高峰浓度要显著高于晚高峰浓度,普通公交车内的CO、NO和NO2浓度均低于空调车.良好的通风条件可以显著改善公交车车内空气质量.对小轿车车内浓度的影响因素分析表明,选择车流量平峰时段出行、恰当的保养维护车辆、在车辆拥堵区域使用内循环通风模式可以有效地降低车内污染水平.     

应用OSPM模型计算太原市交通大气污染时空分布

文章以太原市机动车排放的实际数据结合气象因素与街道构造,采用OSPM模型计算了2008年太原市夏季（7月）与冬季（12月）车流量高峰期街道内的一次NOx与CO的小时浓度,验证了适用性,并使用模型对太原市55条主干道进行了扩散模拟计算,结果表明：OSPM模型可以较好地模拟太原市NOx与CO的扩散;太原市冬季交通大气污染物浓度要明显高于夏季;从空间分布上来看,污染物浓度基本与车流量分布一致;对比国家大气二级环境质量标准来看,太原市主干道NOx超标较为严重,夏季达到了83.64%,冬季达到了98.18%;夏季CO浓度计算结果全部在二级标准限值内,冬季超标率为16.36%。     

湖北大气颗粒物污染水平及污染物相关性研究

基于2012-2014年湖北省环境空气质量监测统计数据,根据污染浓度水平,利用ArcGIS软件分析湖北省大气颗粒物污染空间分布特征,并利用SPSS软件对大气污染物SO_2、NO_2、O_3、CO、PM_(2.5)和PM_(10)的相关性进行分析。结果表明:2012-2014年期间,湖北省PM_(10)年均浓度总体呈上升趋势,超标城市几乎分布于湖北省各区域;武汉、荆州、宜昌3个城市PM_(2.5)与PM_(10)、SO_2、NO_2、CO均呈较高的正相关性,鄂州、恩施、黄冈、黄石、荆门、十堰、随州、咸宁、襄樊和孝感10个城市PM_(10)与NO_2、SO_2均呈正相关性。文章的分析结果可为湖北省改善环境空气质量,降低颗粒物浓度水平提供基础信息和建议。     

中国城市二氧化氮浓度的时空分布特征

文章利用2015-2018年中国367个城市NO_2浓度的实时数据,分析了中国城市NO_2浓度的时空分布特征。分析结果显示:城市NO_2小时均浓度日分布呈现双峰特征,早晚潮汐现象显著;城市NO_2月均浓度呈"U"型分布,即12月污染物浓度最高,8月浓度最低;NO_2污染表现出季节性分布特征,污染物浓度为冬季秋季春季夏季,即冬季高发,夏季低发趋势;2015-2018这4年中,污染物年均浓度呈现先上升后下降趋势,其中2017年NO_2污染程度尤为严重;全国不同地区污染情况差异显著,NO_2污染最严重的省份为河北省,其中保定、唐山、石家庄、邢台不达标天数分列前4位;华北、华东地区NO_2污染最为严重,西南、西北、华南地区污染状况程度较轻;三大城市群NO_2污染情况表现为京津冀长三角珠三角。     

重庆市主城区交通干道空气污染特征分析

2002年2月对重庆市主城区6条交通干道空气中PM10、CO、NOx、THC进行了监测,分析了这些污染物的时空变化特征及其与车流量的关系。结果表明:六条主干道PM10、CO、NOx、THC的日平均浓度分别为0.30、5.34、0.307、12.84 mg／m3,按空气质量二级标准,超标率分别为95％、60％、74％和100％,最大超标倍数分别为4.97、1.94、8.5和6.05。除THC外,按照污染因子分担率评价,在九龙坡区、渝中区和江北区,首要污染物是PM10,在南岸区、沙坪坝区和大渡口区首要污染物是NOx。沙坪坝区CO和NOx污染最严重,九龙坡区PM10污染最严重。CO、NOx的日变化趋势大致相同,而且与车流量关系较为明显,随着车流量的增加CO、NOx的浓度逐渐增加,但PM10与车流量相关性不大,说明PM10浓度还受其它源的影响。     

重庆市主城区交通干道空气污染特征分析

2002年2月对重庆市主城区6条交通干道空气中PM10、CO、NOx、THC进行了监测,分析了这些污染物的时空变化特征及其与车流量的关系.结果表明:六条主干道PM10、CO、NOx、THC的日平均浓度分别为0.30、5.34、0.307、12.84 mg/m3,按空气质量二级标准,超标率分别为95%、60%、74%和100%,最大超标倍数分别为4.97、1.94、8.5和6.05.除THC外,按照污染因子分担率评价,在九龙坡区、渝中区和江北区,首要污染物是PM10,在南岸区、沙坪坝区和大渡口区首要污染物是NOx.沙坪坝区CO和NOx污染最严重,九龙坡区PM10污染最严重.CO、NOx的日变化趋势大致相同,而且与车流量关系较为明显,随着车流量的增加CO、NOx的浓度逐渐增加,但PM10与车流量相关性不大,说明PM10浓度还受其它源的影响.     

Traffic source emission and street level air pollution in urban areas of Guangzhou,South China (P.R.C.)

Street level air pollution due to traffic emission is a cause of concern in Guangzhou City. During the winter and summer of 1988, the traffic-related air pollutant concentrations, wind field, traffic volume and vehicle speed were measured extensively in three types of street canyons in Guangzhou City. Various types of motor vehicle emission in idle condition were measured and the composite emission factors of vehicles were derived. The variation of traffic volume and vehicle speed in 223 mainstreets were also investigated. The annual air pollutant concentration levels of traffic source emission were calculated. Using CO as a traffic emission tracer for air pollution on the street, the contributions of traffic emission to street level air pollution were determined by the receptor method. Ground level air pollution in Guangzhou has changed from coal combustion emission type into traffic source emission type. The average contributions of traffic source emission to the concentration of CO and NO_x on the street in 1988 are about 87% and 67%. The most significant pollutant of ambient air quality that traffic source emission influences in NO_x.     

天津市2017年移动源高时空分辨率排放清单

移动源已成为城市地区大气污染的主要贡献源.已有研究多关注道路移动源(机动车)或非道路移动源(工程机械、农业机械、船舶、铁路内燃机车和民航飞机)中单一源类的排放,欠缺对移动源总体排放特征的把握.本研究提出了移动源高时空分辨率排放清单的构建方法,据此建立了天津市2017年移动源排放清单,并分析其排放构成与时空特征.结果表明,天津市移动源CO、 VOCs、 NO_x和PM₁₀的排放量分别为18.30、 6.42、 14.99和0.84万t.道路移动源是CO和VOCs的主要贡献源,占比分别为85.38%和86.60%.非道路移动源是NO_x和PM₁₀的主要贡献源,占比分别为57.32%和66.95%.从时间变化来看,移动源所有污染物排放在2月均为最低,CO和VOCs在10月排放最高,而NO_x和PM₁₀则在8月排放最高.节假日(如春节和国庆节等)对移动源排放的时间变化影响显著.从空间分布来看,CO和VOCs排放主要集中于城区和车流量大的公路(高速路和国道)上,NO     

南京北郊O3、NO2和SO2浓度变化及长/近距离输送的影响

利用2008年1月—2010年12月南京北郊O₃、NO₂和SO₂质量浓度连续观测资料结合后向轨迹模式,采用聚类分析对轨迹进行分类和KZ滤波器对数据组分进行分离的方法,讨论了南京北郊气体污染物(O₃、NO₂和SO₂)的质量浓度变化规律及长/近距离输送对该地区污染气体的影响.结果表明,南京北郊春末夏初(5、6月)O₃月均浓度出现最大值,12月出现最小值;NO₂在春季(3—5月)月平均浓度相对较高,8月份浓度全年最低,而SO₂浓度在6、7月出现最低值.不同季节气体污染物浓度日变化各有特点,O₃呈单峰分布,12:00—15:00出现浓度最大值;NO₂浓度高值则出现在夜间;SO₂在清晨出现最大值,另外,春秋冬季SO₂呈双峰型分布.长/近距离输送对南京北郊污染气体影响的分析表明,在西南方向的近距离输送影响下,该地区O₃浓度将会出现明显的高值;传输速度较慢的西北气流则会促使该地区形成高浓度的NO₂;长距离输送对O₃和NO₂的贡献与气团输送距离有关,说明该地区O₃和NO₂是区域性问题.另外,当在传输速度较慢的偏东气流的控制下,SO₂的浓度较高,说明SO₂的高浓度事件与偏东方向的近距离输送有关.     

京津冀国家干线公路污染空间特征分析

以国家干线公路交通量信息和单车排放因子为基础,基于GIS的路网线性参考系统,采用动态分段技术和核密度分析方法,从路段、污染物和车型这3个层次对2014年京津冀国家干线公路交通污染排放强度的空间差异进行分析.结果表明,车流量、车型构成和路网布局是引起排放强度空间分布差异的主要因素,排放强度高的路段集中在路网密度大且公路使用率高的京津地区,中小客车和特大货车对污染物排放强度影响显著.因使用燃料和车型的不同,NO_x、PM_(10)和PM_(2.5)排放强度分布大体一致,HC、CO空间分布更为相似.此外,经济发展水平、产业结构特征也是重要影响因素.北京除特大货车和集装箱以外的其他车型排放强度均很高,天津货车和客车排放强度均较高,河北货车排放强度高于客车.     

新冠肺炎疫情期间河北省国省道机动车交通量及大气污染物排放量变化分析

本研究分别利用2019年、2020年第一季度河北省国省道交通调查站监测数据,计算了两年国省道机动车逐日交通量及大气污染物排放量,分析了新冠肺炎疫情期间国省道机动车大气污染物排放的变化情况.与2019年相比,2020年第一季度河北省国省道交通量同比下降38.1%,单位公里CO、VOCs、NO_x、PM_2.5、PM₁₀排放强度分别同比下降31.3%、32.7%、19.1%、20.2%、20.0%.从不同公路类型来看,2020年第一季度,普通公路交通量持续下降,国家高速和省级高速交通量在3月出现回升,分别同比增长5.6%、37.2%,且货车增速高于客车.2020年春运期间,客车、货车总交通量分别为去年同期的44.2%、51.0%,国省道CO、VOCs、NO_x、PM_2.5、PM₁₀的排放强度分别是去年同期的51.4%、50.6%、52.6%、52.3%、52.3%.从2月14日开始,客车、货车交通量开始逐步回升,到3月底,国省道总交通量恢复到了去年同期的46.6%,其中,客车是去年同期的34.5%,货车是70.3%.     

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.      

COVID-19管控前后不同污染阶段PM2.5中二次无机离子变化特征

为探讨新冠肺炎疫情(COVID-19)管控前后不同污染阶段PM_2.5中二次无机离子变化特征,使用高分辨率(1 h)在线仪器对2019年12月15日至2020年2月15日郑州冬季气象、污染气体浓度和PM_2.5中水溶性离子水平进行在线监测,分析此次COVID-19管控前后霾过程的成因、大气污染物的日变化特征和在霾不同阶段下大气污染物的分布特征.结果表明,郑州主要受到高压脊控制,天气形势稳定,有利于大气污染物累积,二次无机气溶胶(SNA,包括SO₄^2-、NO^-₃和NH⁺₄)是水溶性离子的主要组分,占比高达90%以上,COVID-19期间居家隔离措施对霾不同阶段下大气污染物的分布特征产生不同的影响,COVID-19期间PM_2.5在干净、发生和消散阶段的浓度比COVID-19前有所提高,但是发展阶段明显降低,居家隔离明显使PM_2.5高值降低了;NO₂、SO<...     

Spatial and temporal patterns in nitrogen dioxide concentrations in a hot desert region

This paper reports seasonal and spatial variations in the ambient air concentration of nitrogen dioxide throughout the State of Bahrain, from February to December 1992. Monitoring sites were chosen to include urban areas with high traffic density, suburban areas with low traffic density, commercial and industrial areas. Correlations between meteorological parameters and mean NO₂ concentrations were analysed, and NO₂ levels were only significantly correlated with temperature (r = 0.63). Only February, a winter month, showed a significantly lower concentration of NO₂ with an overall mean value of 23 μgm⁻³, whereas in August, a summer month, it was 33 μgm⁻³. The results revealed that in a hot region like Bahrain, NO₂ concentrations do not show significant monthly variations. Also summer-averaged NO₂ values exceeded corresponding spring and winter values. In cold regions opposite patterns were observed. Moreover, the results revealed significant spatial variations in NO₂ concentrations. In suburban areas with low traffic density, the overall mean NO₂ level was 15, with a range of 12–17 μg m⁻³, while in urban areas with high traffic density, the overall mean value was 52 with a range of 44–60 μg m⁻³. The mean NO₂ value in industrial sites with low traffic density was 21 with a range of 14–27 μg m⁻³, whereas in the same areas near major roads, it was 32 with a range of 31–32 μg m⁻³. These results indicate that automobiles exhaust are the dominant source of NO₂ in Bahrain. The highest NO₂ levels were found in roads with high traffic density, which are narrow, with several traffic lights and roundabouts, suggesting the effect of road geometry on NO₂ levels.     

厦门湾空气质量对新冠疫情管控的响应

通过对厦门湾城市群在COVID-19封锁前后6周内（2020-01-11~2020-02-21）的空气污染物浓度变化进行分析,以确定影响本区域空气质量的主要人为污染源.在春节假期与封锁叠加期间,SO₂、NO₂、CO、PM₁₀和PM_2.5浓度相比于节前1周的下降幅度分别为6%~22%、53%~70%、34%~48%、47%~64%和53%~60%,而O₃浓度变化没有一致的规律性;与2018~2019年历史同期相比,PM_2.5、PM₁₀、CO和NO₂的下降幅度更大,但SO₂的下降幅度相当;在复工复产后,NO₂的反弹幅度最大（38%~138%）,远高于SO₂（2%~42%）,显示交通源相对于固定源更易受到疫情管控的影响;春节后风速增大和降水增多也为SO₂、NO₂和PM的下降提供了正向影响.利用反距离插值权重法,得到管控前后厦门湾城市群不同污染物的空间分布变化特征,显示NO₂浓度高值区的变化与交通源高度相关,CO和SO₂空间分布特征保持稳定,复工后PM_2.5和PM₁₀在人口与路网密集区变化不明显,而在工地相对集中区域有明显上升,O₃空间分布的低值区与NO₂的高值区具有较好的空间匹配性,显示NO₂对O₃滴定作用明显,可为进一步O₃污染减排措施的制定提供参考.     

河北省国道和省道机动车基于交通流量的尾气排放量估算

河北省各城市均已开展利用机动车保有量等宏观统计数据的城市移动源排放清单编制工作,但尚缺乏对跨省及全省各城市间国省道高时空分辨率的移动源排放清单研究.本研究利用2017年河北省国道、省道日均交通流量监测数据,计算了2017年河北省国道和省道机动车大气污染物排放量.结果表明：2017年河北省国道和省道机动车CO、HC、NO_x、PM_2.5和PM₁₀排放量,与利用宏观统计数据计算得到的全省机动车排放总量相比,分别占27.8%、15.7%、55.6%、58.3%和58.5%.重型货车是国道和省道机动车CO、NO_x、PM_2.5和PM₁₀排放的主要来源.河北省南部国省道的机动车排放量以南部各城市为中心呈网状辐射,东北部沿海地区的排放量主要在沧州-天津-唐山-秦皇岛-承德沿线分布,西北部则主要在保定-张家口-内蒙沿线分布.月均排放量分布情况为1月最高,9月最低;周日均分布情况为周一—周三逐日增加,周四开始回落,周日降至最低;每日小时平均分布呈现明显的双高峰现象,两次高峰分别出现在11：00和18：00左右;最低值出现在凌晨4：00.河北省内,各市国省道机动车污染物排放分担率前3位的依次为保定、沧州和张家口.跨省交通车辆排放的CO、HC、NO_x、PM_2.5、PM₁₀分别占河北省国省道机动车总排放量的48.1%、48.7%、42.9%、41.3%和41.3%,其中天津市出入河北省的车辆排放分担率最高,其次是北京.京津冀应在区域层面建立机动车污染联合防治协调机制,从调整区域货运交通运输结构、推动柴油车污染控制措施升级等方面改善区域环境空气质量.