三维空气污染物系统的多元多重分形分析

运用最新提出的多元多重分形去趋势波动分析法(MV-MFDFA)研究北京和上海两地的三维空气污染物(PM_(2.5)、PM_(10)、NO_2)浓度指数系统的非线性波动特征及动态复杂性。实证结果表明,两地污染物系统及其分量序列均存在长程相关性和时变的多重分形特征,相比较而言,北京污染物系统序列的多重分形强度更大,而上海污染物系统的长程相关性更强。此外,两地污染物系统在不同时间标度下呈现出不同的多重分形特征。最后,研究了两地污染物系统序列具有多重分形性的原因,指出胖尾概率分布和长程相关性是导致序列多重分形性的共同原因,且胖尾概率分布的贡献更大。     

城市空气质量数值预报系统对PM2.5的数值模拟研究

发展了南京大学城市空气质量数值预报模式系统(NJU-CAQPS),在模式系统中引入了气溶胶模块.运用该系统对南京地区冬夏两季PM2.5浓度的时间变化规律和空间分布特征进行了数值模拟研究,通过与实际观测资料对比,检验发展后的模式系统对于细颗粒物的模拟性能.结果表明,南京市城近郊内冬夏两季PM2.5浓度具有明显的时空变化特征,一般在半夜和清晨会出现较高浓度,午后至傍晚浓度较低.冬季浓度高于夏季,冬夏两季算例的浓度日均值之比为1.51.空间分布受到排放源位置、地面流场等因素影响.二次气溶胶在PM2.5中占相当的份额,冬夏两季算例中二次气溶胶在PM2.5中所占比例分别为12%和15%,夏季二次气溶胶对PM2.5浓度贡献较冬季大.与实际观测资料的对比验证表明,经过发展的该模式系统对于城市PM2.5等颗粒物的模拟性能良好.     

COVID-19期间区域大气高污染发生的非线性动力机制

以长株潭城市群3个城市（长沙、株洲和湘潭）疫情期间（2020年1月24日~2020年5月31日）大气PM_2.5和O₃小时平均浓度时间序列数据为研究对象,对污染物日变化规律、长期持续性、多重分形性及自组织演化动力学特性进行研究.以期阐释疫情期间高污染事件发生及演化的内在动力机制.首先,对3个城市PM_2.5和O₃质量浓度的日变化规律进行分析,发现O₃呈现出昼高夜低的单峰型,而PM_2.5日变化规律表现出昼低夜高单峰型,与非疫情期间的特征有所差异.进一步,应用消除趋势波动分析法（DFA）、多重分形消除趋势波动分析法（MFDFA）和概率统计分析,研究了大气复合系统中PM_2.5和O₃质量浓度序列的长期持续性和多重分形结构.结果发现3个城市PM_2.5和O₃浓度序列均具有显著的长期持续性特征和较强的多重分形结构,同时,应用去趋势互相关分析法（DCCA）方法和多重分形去趋势互相关分析法（MFDCCA）对PM_2.5和O₃两者之间的互相关性进行了分析,发现PM_2.5-O₃之间的互相关也存在显著的长期持续性特征以及在不同时间尺度存在多重分形特征.进一步将疫情期间得到的非线性分析结果与2018年和2019年同期非疫情期间的结果进行了对比分析.最后,基于自组织临界理论（SOC）探讨了大气PM_2.5和O₃浓度时空演化的内在动力规律,并结合典型区域气象特征,阐明了SOC内禀动力机制可能是COVID-19疫情期间大气高污染形成的主导机制之一.疫情期间大气PM_2.5和O₃浓度并非分别独自演化,而是依然保持复杂的相互作用.静稳气象条件下,大气复合污染内部的非线性耦合作用可能达到动力学临界状态,将导致长株潭城市群在疫情期间仍有发生大气高污染的风险.     

成都市一次重度灰霾期间大气PM2.5的自组织临界特性

2013年1—2月期间,四川省成都市出现大范围、长时间、高浓度的严重霾污染.本文运用频度统计分析和消除趋势波动分析方法,研究了成都市2013年1月25日—2月7日一次典型重度灰霾期间8个监测站点(草堂寺、人民公园、梁家巷、金泉两河、十里店、沙河铺、三瓦窑、灵岩寺)大气PM2.5小时平均浓度序列的时空演化规律.结果表明,各站点大气PM2.5的浓度波动并非随机,而在统计上服从典型的负幂律分布,同时均表现出很强的长期持续性特征.这些特征刻画了灰霾期间大气PM2.5浓度波动的宏观特征.将PM2.5浓度演化与沙堆崩塌进行类比,发现大气PM2.5演化具有自组织临界性复杂系统的基本特征.进一步根据自组织临界(SOC)理论,建立了大气PM2.5数值沙堆模型,模型算法考虑了此次灰霾期间成都市的气象因素和PM2.5的迁移扩散机制.通过对该模型的数值模拟,能够定量阐明此次重度灰霾期间成都市各监测站点大气PM2.5浓度时空波动宏观统计规律的产生根源.同时,深入讨论了该模型的自组织临界特征.模拟结果和实际结果的高度一致表明该模型真正阐明了导致PM2.5浓度时空波动的重要动力机制.SOC内禀机制是控制此次成都市灰霾期间大气PM2.5浓度演化的主要机制之一.本研究可为灰霾期间PM2.5的演化动力学提供新的研究方法.     

灰霾消散前后PM_(10)浓度大幅波动的多重分形分析

该研究采用多重分形消除趋势波动分析法,对成都一次灰霾污染过程中,PM10浓度在灰霾消散前后的多重分形特征进行分析,研究表明灰霾消散前后PM10浓度均具有多重分形特征。进一步运用相位随机替代法与随机重构法,对导致PM10浓度多重分形特征的动力原因进行分析。结果表明重度灰霾期间,长期记忆机制在PM10演化中均占据了主导控制作用;灰霾消散期间,虽然降水过程使得PM10多重分形特征的动力来源有所变化,但长期持续机制仍是多重分形特征的主要动力来源。尽管从表观上来看,大气降水过程显著降低了大气PM10浓度,但由于其内在动力机制并未得到本质的破坏,长期记忆机制仍是PM10演化的内在动力机制,从而可能导致未来特定气象条件下出现高浓度PM10污染,形成灰霾,后续监测数据证实了该论断。研究结果对于PM10浓度演化动力特征的研究以及灰霾预测预警机制的建立具有实际的参考意义。     

贵阳市空气中PM2.5/PM10时空分布特征研究

利用2013年贵阳市10个国控监测站点PM2.5和PM10全年(2013年1月1日00时-2013年12月31日23时)实时同步质量浓度监测资料,取24小时滑动平均,研究PM2.5和PM10质量浓度比值(PM2.5/PM10)的时间、空间分布特征及二者质量浓度的相关性.结果表明:2013年贵阳市PM2.5/PM10的年均值为0.64,春、夏、秋和冬季的平均值分别为0.64、0.49、0.66和0.77.PM2.5/PM10四季有较大差异,冬季比值最高,夏季最低,春、秋两季相当;由于所代表的功能区及环境位置特点不同,各监测点同时刻的PM2.5和PM10浓度值有较大差异,但PM2.5/PM10的空间分布没有明显差异;对PM2.5和PM10浓度值进行回归分析,当PM10浓度增大时,PM2.5整体呈增大趋势.     

2014年泉州市区PM2.5浓度的时空变化特征分析研究

基于2014年泉州市区环境空气自动监测站的PM2.5、PM10等监测数据,讨论市区PM2.5的时空分布特征.结果表明,泉州市区PM2.5浓度存在较为明显的时空分布特征.(1)时间分布特征:PM2.5的年均值为34μg/m3,月均值最大值出现在1月,最小值出现在7月;PM2.5浓度冬季最高,夏季最低,春冬两季明显高于夏秋;PM2.5/PM10最高值出现在2月,最低值出现在7月;PM2.5/PM10冬季最高,夏季最低.(2)空间分布特征:3个监测点位中,PM2.5浓度涂山街最高,津头埔略低,万安最低;PM2.5/PM10万安最高,涂山街略低,津头埔最低.时间分布特征与气象条件有一定关系,而空间分布特征与建成区的建成时间先后、地理位置差异等有一定关系.     

遵义市PM10和PM2.5污染水平时间分布及其与气象条件的关系研究

对遵义市2014年1月1日-12月31日大气颗粒物在线监测数据分析结果表明,全年PM10和PM2.5质量浓度的变化幅度较大,但变化趋势相似,且具有较好的相关性,其中冬季>春季>秋季>夏季;日变化呈双峰特征分布,夜间峰值比中午峰值大,且夜间PM2.5浓度呈区域性变化特征.选取日平均气温、相对湿度及风速等气象因子,利用Spearman秩相关分析表明遵义市全年PM10和PM2.5质量浓度与气温、相对湿度及风速等气象条件均呈负相关.     

苏州初夏大气中可吸入颗粒物的时空分布特点

利用苏州市2014年4月18日—5月6日空气质量监测资料,分析了苏州市大气中PM10和PM2.5的小时变化规律、日变化规律及其与温度、风速的气象相关性,研究其在空间上的分布,探讨PM10和PM2.5之间的相关性。结果表明:苏州市大气中PM10每小时质量浓度呈双峰分布,上午8∶00左右和下午20∶00左右出现峰值特征,而PM2.5每小时质量浓度呈单峰分布,只在上午8∶00左右出现峰值。PM10和PM2.5的每日变化规律相似,有周期性且周期为3~4d。在空间分布上,PM10质量浓度从高到低的排列顺序是:商业混合区居民区工业区交通干线远郊区,PM2.5质量浓度为:工业区交通干线居民区商业混合区远郊区。PM10和PM2.5两者之间存在显著相关性。     

基于ARIMA模型对扬州市PM2.5的分析和预测

针对扬州市PM2.5浓度变化的时间序列分布特征,应用求和自回归移动平均(ARIMA)模型,分别预测扬州市1月、4月、7月和10月每月的1-5日的PM2.5日均浓度,结果表明,所预测天数中约60％的PM2.5日均浓度与实测值较接近,但仍有极个别天数的PM2.5日均浓度存在较大偏差,说明运用ARIMA模型对扬州市PM2.5...     

基于ARIMA模型的PM_(2.5)预测

PM2.5的精确预测是大气污染评价和治理的关键性工作。本文针对PM2.5浓度变化的时间序列分布特征,结合环境监测站提供的相关数据,应用自回归移动平均模型(ARIMA(p,d,q))预测短期PM2.5的日平均浓度。结果表明:由于PM2.5浓度变化受气象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的影响,不同时段内的变化模式存在巨大差异,因此采用分时段序列预测模型可以提高PM2.5的预测精度;通过将分时段序列模型与灰色GM(1,1)模型和全年时间序列模型的预测结果进行对比,发现该模型预测效果更好。     

典型灰霾期间城市大气PM_(2.5)演化的标度行为实证研究

针对成都市2014年1月22-31日的持续重度灰霾过程,运用频度统计分析、功率谱分析和去趋势波动分析方法,对成都市6个国控环境空气质量监测子站(草堂寺、金泉两河、梁家巷、人民公园、三瓦窑、灵岩寺)大气PM_(2.5)小时平均浓度时间序列的标度行为(标度律)进行实证研究。结果显示,此次灰霾期间高浓度PM_(2.5)的波动行为呈现明显的日周期循环规律,这与人类的生产生活具有密切关系。宏观上看,PM_(2.5)浓度波动在统计上服从典型的负幂律分布规律,具有标度不变分形特征。同时,利用功率谱及去趋势波动分析发现,各监测子站PM_(2.5)时间演化的DFA指数均在1左右,PM_(2.5)演化呈现1/f噪声性质,表明灰霾期间高浓度PM_(2.5)的动态演化过程表现出长程关联特性(或长期持续性),其波动关联特性在研究时段内呈现幂律分布的标度律。实证研究表明,此次灰霾期间成都市大气PM_(2.5)时间演化呈现出自组织临界性(SOC)基本特征,高浓度PM_(2.5)时间演化过程涌现出的长期持续性标度律很可能是由城市灰霾污染的SOC行为导致。该研究对深入认识灰霾天气大气PM_(2.5)非线性演化的内在动力学机制具有一定启示意义。     

沈阳地区大气颗粒物污染特征及区域传输研究

文章利用HYSPLIT后向轨迹模式,分析沈阳地区2020年4月-2021年3月的大气颗粒物来源的传输路径及潜在的污染源区。首先,结合PM2.5和PM10的质量浓度监测值,分析了日、月和季节时间变化特征,结果表明,研究时段内颗粒物浓度变化趋势呈“U”型分布,存在明显的季节特征,冬季>春季>秋季>夏季,这与污染物排放和气象状况密切相关。其次,对大气颗粒物进行逐日72 h后向轨迹溯源分析,运用轨迹聚类分析、潜在源区贡献分析和浓度权重轨迹分析3种分析方法。后向轨迹聚类分析表明,沈阳市气流来源轨迹四季变化明显,春夏两季轨迹呈散射状分布、秋冬两季轨迹来源路径主要为长距离西北路径和短距离西南路径,西北路径途径俄罗斯南部、蒙古国和内蒙古东北部,西南路径途径河北东北部、北京、天津、山东东部;各季节来自西南和西北方向的轨迹数量更多且输送的PM2.5、PM10浓度值更高。潜在源区及浓度贡献权重轨迹分析表明,冬季潜在源区分布范围及贡献程度远大于春夏秋三季,强贡献潜在源区主要集中在辽宁本地及环渤海湾一带。     

山西省PM2.5污染时空演变特征及其影响因素分析

由于PM2.5污染存在空间异质性与空间相关性的特点,因此探究PM2.5的时空演变规律并分析PM2.5污染程度的影响因素,对于山西省协同治理联防联控有着重要作用.基于2008-2018年山西省11个地级市PM2.5年度数据,该研究运用标准差椭圆法、普通克里金插值法、探索性空间数据分析法和建立空间杜宾模型,分别对山西省PM2.5污染重心转移、污染的空间分布、空间关联性和影响因素进行了研究.结果 表明:(1)山西省PM2.5污染重心随时间不断移动,但一直位于晋中市;PM2.5污染存在空间聚集特征,但特征变化不明显.(2)时间上,山西省PM2.5浓度在2011年达到峰值,之后逐年下降;空间上,大致呈现南高北低、东高西低的特点.(3)山西省PM2.5具有明显空间集聚现象和空间溢出效应.山西省大部分南部城市处在PM2.5高-高聚集区域.(4)人口密度、规模以上发电量对山西省PM2.5浓度具有显著正向作用,而城镇率对山西省PM2.5浓度具有显著的负向作用.     

2013年北京市细颗粒物时空分布特征研究

根据2013年北京市PM2.5监测数据,系统分析了北京市PM2.5污染的时空分布特征,并利用克里格插值统计了四季PM2.5不同浓度区间的国土面积。结果显示:2013年全市PM2.5年均浓度为89.5μg/m3,超过年均35μg/m3的国标1.56倍;PM2.5浓度由高到低的季节依次是冬季、春季、秋季和夏季;空间分布上PM2.5呈现明显的南北梯度分布特征;2013年PM2.5平均浓度达标对应的国土面积占比夏季最大为73%,冬季最小为22%。     

杭州市临平地区PM2.5和PM10污染特征分析研究

利用TEOM 1405-F和TEOM 1405颗粒物实时监测仪,研究了2013年12月至2014年5月临平地区PM2.5和PM10质量浓度实时变化特征,并结合气象五参数观测资料,对影响大气颗粒物分布特征的因素进行了分析,研究结果发现:冬季PM2.5和PM10的日均质量浓度明显大于春季,冬季PM2.5日均质量浓度范围为17.0 ～ 349.1 μg/m3,PM10日均质量浓度范围为18.8～516.9μg/m3,春季PM2.5日均质量浓度范围为20.4～167.6μg/m3,PM10日均质量浓度范围为38.2 ～243.3μg/m3;通过线性回归分析发现PM25和PM10存在较好的线性关系,说明PM10相对固定的受到PM2.5的影响,且污染物来源稳定;冬季PM2.5和PM10日均质量浓度存在三峰值波动状态,而春季PM2.5和PM10日均质量浓度存在双峰值波动状态;较大的风速、较高的气压和降水对于颗粒物的清除效果明显.     

2009年8~9月成都市颗粒物污染及其与气象条件的关系

对成都市3个不同点位PM2.5和PM10进行了为期30d的连续观测,研究了大气颗粒物浓度的时空分布特征,及其与气象条件的关系.研究表明,观测期间成都市大气颗粒物PM2.5和PM10质量浓度日均值分别为66,94μg/m3,两者浓度变化范围较大,但变化趋势相同.从空间分布来看,大气颗粒物浓度均是熊猫基地>草堂寺>丽都花园,即下风向污染状况最严重,商业繁华地段次之,生活居住区最好;从时间分布来看,大气颗粒物污染最严重出现在9月17~19日,9月5~9日2个时间段,不利的气象因素和污染物的累积是造成该时间段大气颗粒物污染加重的主要原因.PM2.5与PM10质量浓度的相关性为0.93,PM2.5对PM10的贡献较大,两者质量浓度的比值达0.69.气温对大气颗粒物浓度变化没有显著影响;降水以及风速对颗粒物浓度影响较大,主要是对颗粒物的湿清除和促进扩散作用;在一定相对湿度范围内,高湿度条件容易造成大气颗粒物的较重污染.能见度与大气颗粒物浓度呈明显负相关性,且与PM2.5的相关系数大于与PM10的相关系数.     

城市环境空气中PM2.5和NO2浓度的相关性研究

以湖南省长沙市为研究区域,对城市环境空气中的PM2.5和NO2浓度进行自动监测,并对数据进行相关性分析.结果表明,PM2.5和NO2浓度的季节性变化大,且两者的变化规律一致,均为冬季＞秋季＞春季＞夏季;在一天内,NO2浓度的最低值一般出现在午后,但PM2.5浓度的最低值、峰值出现时间不确定;就功能区分布而言,NO2浓度最高值出现在商业区,而PM2.5浓度分布的区域规律不明显.PM2.5与NO2浓度变化以正相关为主,PM2.5浓度高时,NO2浓度高,反之亦然,两者容易产生叠加污染.总体上,冬、秋季节为PM2.5和NO2主要控制季节.     

典型灰霾期间PM2.5演化的多重分形特征分析

为探索成都市PM_(2.5)污染物的空间来源及其演化机制,该文首先应用后向轨迹模型对灰霾期间抵达成都市的大气气团进行模拟,结果显示灰霾期间本地气团对成都市PM_(2.5)污染物的贡献远超过中远距离的外来气团,占比高达90%以上,局地空间内处于一种静稳状态。其次应用多重分形消除趋势波动分析法对灰霾期间PM_(2.5)的浓度序列进行多重分形分析,研究表明成都市灰霾期间PM_(2.5)浓度具有多重分形特征。最后运用相位随机替代法与随机重构法,对静稳条件下导致PM_(2.5)浓度多重分形特征的原因进行分析。结果表明灰霾期间,长期持续性在PM_(2.5)演化过程中占据主导地位,进而认为此次灰霾期间PM_(2.5)演化的长期持续性是其主要的内在动力机制,此时成都市大气空间内各局部空间PM_(2.5)浓度在多种要素的相互作用下逐步发展为一种相互同步的、均衡的平衡态。     

2014年京津冀地区PM2.5浓度时空分布及来源模拟

采用模式(CAMx)模拟与污染物、气象观测资料相结合的方式,分析了2014年京津冀地区PM2.5时空分布及来源特征.结果表明:PM2.5具有较为明显的时间变化规律,呈秋冬高、春夏低的规律和双峰型分布的日变化特征;重污染日PM2.5高浓度(PM2.5>150μg/m3)主要分布在太行山前的华北平原区,特别是北京、保定、石家庄一线,而太行山、燕山等西部及北部山区PM2.5浓度明显低于平原区;重污染日京津冀地区PM2.5平均浓度在150μg/m3以上的面积约占总面积的73%;重污染日北京、天津、石家庄市的PM2.5外来输送率分别为58%、54%、39%;2014年10月6~12日京津冀地区发生的一次重污染过程中污染物由南向北输送,区域输送对于各地区PM2.5浓度有着十分重要的影响.