2013年1月北京市PM2.5区域来源解析

2013年1月,北京地区经历了多次严重的灰霾天气,细颗粒物污染已成为北京地区所面临的重要问题.了解和掌握北京细颗粒物的污染来源,是解决细颗粒物污染的重要途径,也是制定防治政策的重要依据.通过建立三维空气质量模型系统,对2013年1月20~24日的污染过程进行模拟,并运用PSAT技术探究北京市细颗粒物污染的区域来源.结果表明,本地源排放是北京市PM2.5的主要来源,平均贡献率为34%;河北和天津的平均贡献率分别为26%和4%;京津冀周边地区及模拟边界外的贡献分别为12%和24%.在重污染日,区域传输对北京市PM2.5的影响显著增强,是北京PM2.5污染的主要来源.PM2.5中的硝酸盐主要来自北京市周边地区的贡献,而硫酸盐和二次有机气溶胶呈现远距离传输的特性,铵盐和其他组分则主要来自北京本地的贡献.     

2018～2020年北京市大气PM2.5污染特征及改善原因

利用2018～2020年北京市33个环境评价站和5个区域评价站的空气质量数据,以及气象数据和北京市城区PM_2.5组分数据,研究了3年间北京PM_2.5的浓度演变、时空变化和重污染发生情况,并对PM_2.5组分和气象条件变化进行比较分析.结果发现,3年间北京市ρ(PM_2.5)分别为51、42和38μg·m^-3,2020年的PM_2.5相比2017年下降30.9%,但仍超过国际标准8.6%;北京市PM_2.5空间分布依旧维持南高北低的特征,但南北差异逐年减小,区域浓度趋于均一化;1～3月PM_2.5浓度相对较高,8～9月PM_2.5浓度相对较低,采暖季各污染物浓度均显著高于非采暖季,NO_x和CO分别偏高58.4%和52.9%,PM_2.5偏高27.5%;采暖季和非采暖季PM_2.5日变化出现反向特征,采暖季夜间PM_2.5明显...     

焦作市PM2.5和PM10时空变化特征及其与气象因子的关系

为了研究焦作市大气中PM_2.5和PM₁₀污染状况,基于2018—2020年焦作市50个环境空气质量监测站点的PM_2.5和PM₁₀浓度逐时观测资料,结合气象资料,分析了焦作市PM_2.5和PM₁₀浓度的时空分布特征及气象因素影响。结果表明:1)焦作市PM_2.5和PM₁₀呈双峰型日变化,且具有显著的U形逐月变化规律及冬高夏低、春秋居中的季节性特征。2)2018—2020年PM_2.5和PM₁₀浓度年均值呈西南高东北低的空间差异性特征。与2018年相比,2020年修武县PM_2.5和PM₁₀浓度的下降幅度最大,分别为30.25%、22.72%。3) Spearman相关性分析表明,PM_2.5和PM₁₀浓度与气温、风速呈显著负相关;与气压呈显著正相关;相对湿度与PM_2.5浓度呈显著正相关,与PM₁₀浓度呈显著负相关。焦作市环保局监测站在东北风、西南风风向PM_2.5和PM₁₀浓度污染较重,博爱县清化镇、沁阳市西万镇和武陟县乔庙乡监测站在西南风风向易出现高浓度颗粒物。该研究结果可为日后工业地区大气污染防治,生产生活的合理规划与布局提供重要参考。     

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.      

2017年京津冀地区PM2.5污染特征及潜在来源分析

京津冀及周边地区大气污染问题突出,秋、冬季重污染天气频发。为探讨该地区PM_2.5污染来源,分析其污染状况和气象因素的关系,利用2017年京津冀地区空气质量监测站的气象资料如气压、风速、相对湿度、温度、降水量等,结合Arc GIS软件空间插值法、SPSS 21. 0的Pearson相关性分析等方法,采用拉格朗日混合型的扩散模型HYSPLIT后向轨迹聚类分析方法,探讨北京地区主要气团传输轨迹,结合GDAS气象资料计算潜在源贡献因子。结果表明:1) 2017年京津冀地区ρ(PM_2.5)年均为64. 4μg/m³,比2016年下降11. 5%,全年达标天数占比为74. 2%。2)京津冀地区PM_2.5与气压、相对湿度呈正相关,其中气压与PM_2.5相关性最高;与风速、日照时长、温度、降水量呈负相关,其中日照时长与PM_2.5相关性最高。冬季比其他季节影响更为显著。3)从时间尺度看,冬季污染最严重,秋、春季稍好,夏季PM_2.5优、良级占92. 4%;...     

北京市PM2.5中砷污染特征

本研究于2011年7月至2012年5月期间采集了北京市春夏秋冬4个季节的PM_2.5样品,使用电感耦合等离子质谱仪(ICP-MS)分析了样品中的总砷,并使用高压液相色谱(HPLC)和氢化物发生-原子荧光光谱法(HG-AFS)分析了样品中的As(Ⅲ)和As(Ⅴ).结果表明,在采样期间,北京市PM_2.5中总As的平均浓度为(21. 82±17. 01) ng·m^-3,总As在春夏秋冬春4个季节的平均浓度分别为(16. 62±5. 80)、(18. 34±9. 00)、(21. 49±10. 22)和(29. 52±27. 97) ng·m^-3,呈现出冬季>秋季>夏季>春季的季节变化特征.PM_2.5中As(Ⅲ)和As(Ⅴ)的平均浓度为(3. 15±1. 94) ng·m^-3和(10. 78±5. 39) ng·m^-3.春夏秋冬四季As(Ⅲ)的平均浓度分别是(5. 42±2. 5)、(1. 61±0. 51)、(2. 88±1...     

APEC会议前后北京地区PM2.5污染特征及气象影响因素

为分析APEC会议前后北京地区PM_2.5变化特征,利用中国科学院大学雁栖湖校区超级站在2014年10—12月的连续观测数据,对APEC会议前后北京地区污染物分布及变化特征、气象影响因素和气团传输路径特征进行了分析. 结果表明:APEC会议期间北京地区减排效果显著,ρ(PM_2.5)平均值比会前下降了60.5%. 气象条件对污染物扩散起到积极作用,APEC期间平均风速为1.40 m/s,平均相对湿度为31.9 %,近地面气象条件优于APEC会前、会后. 北京地区受到外来污染物输送的影响,在2.00~3.00 m/s的南风下易发生来自南部地区的PM_2.5和SO₂输送. APEC会议期间北京地区主要受来自西北地区的高速、高海拔气团控制,其出现频率为39.6%,远低于APEC会前 (15.9%)和会后(20.8%),而来自南部地区的低速、低海拔污染气团的出现频率仅为2.1%,扩散条件总体良好. 研究显示,除了减排措施有效削减了污染物排放以外,有利的气象条件也是APEC会议期间北京地区保持良好空气质量的重要因素.      

2017~2018年北京大气PM2.5中水溶性无机离子特征

为探究近年来北京市空气质量持续改善过程中PM_2.5及其中水溶性无机离子（WSIIs）特征,于2017~2018年在北京城区进行了连续1 a的PM_2.5样品采集,对其中9种主要WSIIs进行了全面分析.结果表明,北京市PM_2.5年均浓度为（77.1±52.1）μg ·m^-3,最高和最低值分别出现在春季[（102.9±69.1）μg ·m^-3]和夏季[（54.7±19.9）μg ·m^-3].WSIIs年均浓度为（31.7±30.1）μg ·m^-3,对PM_2.5贡献比例为41.1%,季节贡献特征为：秋季（45.9%） > 夏季（41.9%） > 春季（39.9%） ≥ 冬季（39.2%）.SNA是WSIIs的重要组成,春、夏、秋和冬季在总WSIIs中的占比分别可达86.0%、89.5%、74.6%和73.0%.随温度升高,NO₃^-和SO₄^2-分别呈现出了先升高后降低以及波动性升高的趋势;而当相对湿度低于90%时,2种离子浓度均随相对湿度增加而升高,反映了光化学和液相过程对2种离子组分的贡献差异.随污染加重,WSIIs整体贡献比例大幅升高,且各类WSIIs演化特征各异,其中,NO₃^-浓度和贡献均持续升高,而SO₄^2-和各类源自扬尘的离子组分（Mg²⁺、Ca²⁺和Na⁺）贡献降低.观测期间WSIIs主要来源包括二次转化、燃烧源和扬尘源,对燃煤和机动车的管控是其减排的重要途径.后向轨迹分析表明,源自北京市南部和西部的气团对应着较高的PM_2.5浓度和WSIIs占比,且二次离子贡献显著;而源自西北和北部的气团对应的PM_2.5浓度和WSIIs占比则较低,但Ca²⁺贡献较高.     

2007—2014年北京地区PM2.5质量浓度变化特征

为更好地解析北京地区ρ(PM_2.5)的长期变化特征及气流轨迹聚类分析结果,对2007年8月—2014年7月在中国环境科学研究院实测的ρ(PM_2.5)数据进行了统计分析,分析其年际、季节和月际变化特征;通过计算PM_2.5的AQI分指数,分析了污染等级的时间变化特征;结合后向气流轨迹,对ρ(PM_2.5)年际、季节变化与气团来源的关系进行了分析.结果表明:北京地区2008—2013年ρ(PM_2.5)年均值分别为111.5、95.8、94.8、80.5、75.2、81.3 μg/m3,整体呈逐年下降趋势,但污染水平依然较高;ρ(PM_2.5)由高到低的季节次序为秋季、冬季、春季、夏季,平均值分别为111.6、94.8、77.2、70.5 μg/m3,PM_2.5重污染时段主要出现在秋冬季节,并且冬季ρ(PM_2.5)近年来逐渐呈上升趋势;ρ(PM_2.5)月均值呈单峰型变化,11月最高(为125.3 μg/m3),7月最低(为76.4 μg/m3);轨迹聚类分析发现,途经山西省北部和河北省南部的气流轨迹中ρ(PM_2.5)较高,而来自北方及西北方向的气团相对较清洁,ρ(PM_2.5)较低.北京地区近些年实施的大气污染减排措施对于控制PM_2.5污染取得了一定效果,但针对秋冬季节重污染过程的控制力度仍需要加强,同时也要注意区域污染传输对北京地区ρ(PM_2.5)的影响.      

北京市PM2.5水分含量及其变化特征

利用卡尔费休法可直接测定PM_2.5水分含量,方法精密度及准确度均较好.将该方法应用于北京市城区站点2020年全年的PM_2.5分析,结果显示PM_2.5水分浓度年均值为(5.0±4.1)µg/m³,在PM_2.5占比为(12.5±4.8)%,与PM_2.5质量浓度呈显著相关.水分质量浓度与PM_2.5的质量浓度月度及季节变化趋势基本一致.研究发现,随着空气污染加重,水分质量浓度及其在PM_2.5占比均呈上升趋势,二者相关性明显增强.可见污染发生时,水分增加有利于颗粒物吸湿增长从而推高污染水平,对PM_2.5的贡献同步增强.当沙尘污染发生时湿度处于同期较低水平,不利于细颗粒物的吸湿增长,水分质量浓度及其占比均处于较低水平. PM_2.5水分与二次离子及有机物均有很好的相关性,说明水分为气态污染物提供非均相转化载体,促进硝酸盐、硫酸盐、有机物的进一步生成.PM_2.5水分与地壳物质无相关性,证实地壳元素为一次源,不受水分影响.     

2008年奥运前后北京城、郊PM2.5及其水溶性离子变化特征

2008年6月至9月,在北京城区清华大学和郊区密云水库开展大气颗粒物观测,采集了PM2.5样品共180个,并获得了PM2.5及12种水溶性离子的质量浓度.观测期间城区和郊区PM2.5浓度接近,分别为68.9 μg·m-3和52.9μg·m-3;二次无机离子SO42-、NO3-和NH4+是PM2.5中含量最高的水溶性离子...     

贵阳市城区大气颗粒物PM_(2.5)的污染特征与季节变化规律

于2013年6月至2014年5月在贵阳市城区设置采样点,利用国产武汉天虹智能采样器连续一年采集大气颗粒物(PM2.5)样品共357个,采用HOBO U30气象仪同步记录气象数据。气象数据分析表明贵阳市春、秋和冬季均为东北风,夏季多南风且风速较大,全年以东北风为主。结合气象数据分析了贵阳市市区PM2.5污染特征并初步讨论其来源。结果表明:PM2.5日浓度范围为4~193μg/m3,平均值为70±33μg/m3,日超标率为46%。以季节来看,夏季PM2.5浓度最低,冬季最高,秋、春季次之。PM2.5主要来源于工业排放与燃煤污染。与国内其它城市研究相比,处于轻度污染水平。     

北京2009~2010年冬、春季PM2.5污染特征

针对北京地区冬季和春季PM_2.5污染特征进行研究.于2009年12月～2010年5月在城市点采集24h 大气颗粒物样品,进行颗粒物主要化学组分分析.冬季和春季颗粒物的平均质量浓度分别为（84.97±68.98）μg/m³和（65.25±45.76）μg/m³.冬季和春季颗粒物中二次组分（SNA+SOA）有重要贡献,二次组分分别占颗粒物质量浓度的49%和47%.冬春季重污染时期较强的源排放和低温、低风速、高相对湿度等不利的气象特征使得颗粒物中二次无机离子SNA（NH₄⁺、NO₃^-、SO₄^2-）的比重较干净天明显上升,其中硝酸盐贡献的增强最为显著.同时冬春季有机物中二次有机组分贡献显著.而受一次源的影响,冬春季重污染时期一次有机物的增强.     

北京混合功能区夏冬季细颗粒物组分特征及来源比较

于2014年8月和12月,选择北京某城市混合功能区,分别手工采集一个月的环境空气PM_2.5样品,实验室方法测定滤膜中的元素碳/有机碳、9种可溶性离子、16种无机元素等20余种化学组分,采用CMB模型对夏冬两季PM_2.5来源进行分析.结果表明,夏季PM_2.5日均质量浓度为73μg/m³,低于《环境空气质量标准》,而冬季平均值为111μg/m³,高于夏季和标准限值.冬季OC和EC浓度均高于夏季,且OC/EC比值升高,OC和EC呈线性相关,提示二者有相同来源.NO₃^-、SO₄^2-、NH₄⁺是北京混合功能区3种主要可溶性离子,且夏季生成量较高;冬季Cl^-显著升高与燃煤排放有关.Si、Ti、Fe、Zn、Al等元素质量浓度在0.1~10μg/m³浓度水平,Pb、Cu、Mn、Cr、Ba、Sb等在10~10²ng/m³浓度水平,V、Ni、Co、Mo、Cd等在0.1~10ng/m³浓度水平.且冬季各个元素浓度均高于夏季.CMB模型初步解析结果表明,夏季和冬季颗粒物的来源变化明显,夏季二次硫酸盐、机动车和二次硝酸盐贡献率居前三位,而冬季则为燃煤、机动车和扬尘.     

北京市PM_(2.5)的研究进展

PM2.5是指大气中动力学直径≤2.5μm的颗粒物,也称为可入肺颗粒物。北京的大气污染是我国在快速发展过程中出现的典型的城市大气环境问题的代表,具有明显的烟煤型污染与光化学污染相结合的复合型污染特征,北京市PM2.5的污染已经相当严重。为了进一步研究北京市PM2.5的特性,对北京市PM2.5的污染特征、化学组成、源解析方面进行探讨,并提出了相应的防治对策。     

北京市冬季重污染期间PM2.5及其组分演变特征

通过实时在线监测了2018年11月27日~2019年1月15日北京市城区PM_2.5、水溶性无机离子（Na⁺、NH₄⁺、K⁺、Mg²⁺、Ca²⁺、F^-、Cl^-、NO₂^-、NO₃^-、SO₄^2-、PO₄^3-）、碳质组分（有机碳OC、元素碳EC）的质量浓度以及气态污染物浓度和气象要素,收集整理了近20年北京市冬季PM_2.5、主要离子组分以及碳质组分浓度,分析研究了1999~2018年北京市冬季PM_2.5、离子、碳质组分的变化特征,重点探讨了监测期间清洁日与两个典型重污染事件PM_2.5及其组分的演变特征.结果表明：研究期间PM_2.5浓度为53.5μg/m³,达到近20年北京市冬季较低值,且大气主要污染源由煤烟型污染源转变为燃煤型与机动车尾气复合型污染源.监测期间,湿度高、微弱的西南风导致重污染产生,清洁日、污染事件I与污染事件II PM_2.5平均浓度分别为32.5,138.9,146.8μg/m³且不同时段PM_2.5日变化趋势存在差异.各离子浓度变化为：NO₃^- > NH₄⁺ > SO₄^2- > Cl^- > K⁺ > Ca²⁺ > Na⁺ > PO₄^3- > F^- > NO₂^-~Mg²⁺,总水溶性离子浓度为24.6μg/m³占PM_2.5总浓度的46.0%,其中SNA浓度占总离子浓度的83.7%,是离子中最主要的组分.碳质组分浓度达到近二十年北京市冬季最低值,变化为：一次有机碳POC > EC > 二次有机碳SOC,OC与EC相关系数达到0.99,一次燃烧源对污染过程有较大贡献.NH₄⁺在清洁日与污染II中富集,主要以（NH₄）₂SO₄、NH₄NO₃和NH₄Cl形式存在,在污染I中较少,仅以（NH₄）₂SO₄和NH₄NO₃存在.在污染I和II期间,SO₄^2-的形成昼夜均受相对湿度与NH₃影响;NO₃^-的形成白天受O₃与NH₃的影响,夜间受相对湿度和NH₃的影响.     

多机器学习模型下逐小时PM2.5预测及对比分析

为了能及时、准确的估算出PM_2.5浓度及污染等级,分别构建了K最邻近模型（KNN）、BP神经网络模型（BPNN）、支持向量机回归模型（SVR）、高斯过程回归模型（GPR）、XGBoost模型和随机森林模型（RF）6个PM_2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM_2.5浓度数据和Merra-2再分析数据开展PM_2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM_2.5浓度.在PM_2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM_2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM_2.5浓度提供参考.     

沈阳市PM2.5浓度ARIMA-SVM组合预测研究

首先利用回归树分类方法,对采暖期与非采暖期各日进行气象类型划分,识别出易造成重污染天气的气象类型.其次分别在各气象类型内,以污染源排放量为自变量,利用差分自回归滑动平均与支持向量机（ARIMA+SVM）组合方法建立起PM_2.5浓度日均值预测模型,并选取2013年01月~2017年06月间,沈阳市区内9个环境监测点PM_2.5浓度日均值进行实证分析.结果表明,使用气象分类下的ARIMA+SVM组合模型对PM_2.5浓度日均值进行预测,相比于不划分气象类型时的普通机器学习模型,其模型预测值与实测值趋势的吻合度更高,且对峰-谷值的识别能力更强.在采暖期与非采暖期,组合模型均具有平均绝对误差更低、预测正确率更高的优点.