沈阳一次雾霾天气颗粒物浓度及光学特征变化

利用2011年10月17～22日连续在线观测沈阳地区大气能见度、颗粒物质量浓度ρ(PM10)、ρ(PM2.5)、ρ(PM1.0)、以及通过太阳光度计测量数据反演得到的气溶胶光学厚度、Angstrom波长指数、气溶胶粒子谱分布数据,结合相对湿度、风速、温度等气象资料,分析了2011 年秋季沈阳一次雾霾天气过程中能见度与颗粒物质量浓度及气溶胶光学特征变化.结果表明:相对温度偏高、小风天气以及颗粒物质量浓度累积是造成沈阳能见度下降、引发雾霾天气的主要因素;雾霾期间细粒子所占比例较高,ρ(PM10)、ρ(PM2.5)、ρ(PM1.0)平均值分别为138.8、103.3、94.9μg/m3,比雾霾过程前均增加约2倍左右,PM2.5/PM10和PM1.0/PM10分别为74.7%和68.6%;当RH0.90),RH >80%时, 能见度与颗粒物浓度间的相关性减弱;雾霾期间气溶胶光学厚度明显增加,雾霾前气溶胶光学厚度和Angstrom波长指数平均值分别为0.82和0.94,雾霾期间气溶胶光学厚度和Angstrom波长指数平均值分别为1.42和1.25;雾霾天气过程中,细模态粒子的峰值浓度约是雾霾前细粒子浓度的2倍,说明沈阳地区大气污染物以细粒子为主,进而影响气溶胶光学特征发生变化.     

南京一次典型雾霾天气气溶胶光学特性

利用太阳光度计测得的直射太阳辐射和天空扫描数据,对南京北郊2010年冬季一次雾霾天气过程中气溶胶的光学特性进行了反演研究.研究表明,雾霾影响期间气溶胶光学厚度(AOD)明显增加,在1020,870,675,440nm四个波段上,雾霾前AOD为0.16~0.43,雾霾影响期间为0.31~0.84,雾霾后为0.19~0.48;本次雾霾天气的局地气溶胶散射能力增强,单次散射反照率(SSA)由发生前的0.8~0.86增大到发生时的0.89~0.91,而复折射指数的虚部降低,气溶胶的吸收能力明显减弱;雾霾过程伴随了大尺度气溶胶的导入,同时也有人为排放的贡献.其中雾霾影响期间粗粒子模态的体积浓度是发生前的2.5倍,细粒子浓度也比发生前增长了90%.     

北京一次严重雾霾过程气溶胶光学特性与气象条件

对北京地区2013年10月2~7日一次严重雾霾过程中的气溶胶光学特性开展研究,分析了气象条件对雾霾过程的影响,并结合HYSPLIT模型分析污染物的来源.结果表明,在污染天气中气溶胶光学厚度、?ngström波长指数、细模态体积尺度谱峰值浓度远高于清洁天.10月5日雾霾最为严重,440nm波长处气溶胶光学厚度高达3.89.在雾霾发生前后,单次散射反照率日均值随波长增大而增大,而在10月5日,单次散射反照率值随波长增加先增大后减小,在675nm波长处达到最大值0.965.雾霾过程中大气气溶胶以强散射型细粒子为主,人为因素贡献较大,且受气象条件影响明显.     

北京雾霾天气期间气溶胶光学特性

为了解北京地区雾霾天气条件下大气气溶胶的光学特性,利用2002～2008年AERONET资料分析了雾霾天气期间气溶胶光学厚度、Angstrom波长指数、粒子尺度谱分布和单次散射反照率等气溶胶光学特性参数.结果表明,北京地区雾霾天气期间气溶胶光学厚度表现出较高值,且随波长增大而减小,440 nm时平均气溶胶光学厚度达到1.34.Angstrom波长指数在雾霾天气时也表现出较高值,平均值达到1.11;其中高于0.9的波长指数出现频率达到94%,说明北京雾霾天气期间气溶胶粒子主要以细粒子为主.气溶胶体积尺度谱分布表现出双峰型结构,细模态的平均峰值半径随光学厚度增大而增大,而粗模态的平均峰值半径却随光学厚度增大表现出减小趋势;气溶胶粒子尺度谱中的主模态峰与光学厚度有关.雾霾天气期间平均单次散射反照率达到0.89,且随光学厚度增大表现出依次增大趋势,但对波长变化表现不敏感.     

北京冬季雾霾天气下颗粒物及其化学组分的粒径分布特征研究

为认识雾霾天气下颗粒物及其化学组分的粒径分布特征,利用13级低压撞击采样器采集北京城区冬季一次典型雾霾天气下的大气颗粒物,采用离子色谱和元素碳/有机碳分析仪分析了PM10中不同粒径的水溶性离子、元素碳和有机碳组分,获得了颗粒物及其化学成分的粒径分布特征.结果表明,不同天气下颗粒物质量浓度大小为:雾霾多云雪天晴天,4种天气下PM2.5/PM10均大于74%,说明冬季污染主要是由细颗粒物污染引起.SO2-4、NO-3、NH+4、Cl-、Ca2+是最主要的水溶性离子.SO2-4、NO-3、NH+4在0.76μm出现单峰;Ca2+和Mg2+在0.31和5.13~8.09μm出现双峰,主要分布在粗模态;Cl-和K+在0.76和5.13μm出现双峰,主要分布在细粒径段.OC、EC也富集于细粒子,显单峰结构.随污染程度增加,二次无机离子及碳组分浓度均显著增加,SO2、NO2的表观转化率(SOR、NOR)以及OC/EC在灰霾期间都远远高于二级良,可见二次无机源及有机源是污染的主要来源.在空气流动性差的灰霾持续期,机动车尾气排放的EC等一次污染物贡献增加.分析NO-3/SO2-4的粒径分布发现,机动车尾气对爱根核模态及凝结模态的亚微米模态(1μm)贡献大于固定源,机动车尾气排放对大气污染的贡献已十分凸显.此外,燃煤污染的区域输送对污染的形成也有重要贡献,重污染期间土壤扬尘的贡献较小.     

上海一次典型雾霾过程中不同天气现象的气溶胶光学特性及转化机制

以上海市2013年冬季一次持续雾霾过程为例,根据能见度和相对湿度的地面观测资料将雾霾过程划分为干霾、湿霾、雾3种不同天气现象,对不同天气现象的气溶胶光学特性垂直分布特征进行了研究,并初步分析不同天气现象的转化机制.结果表明,3种不同天气现象的发生顺序为湿霾→干霾→湿霾及湿霾→雾→干霾→湿霾,相对湿度对能见度的影响最大,温度次之,再次是风速,而PM_(2.5)对能见度的影响最小.CALIPSO(Cloud Aerosol Lidar and Infrared Pathfinder Satellite Observation)探测期间,存在2~3 km明显气溶胶层,且不同天气现象的气溶胶层厚度不同(雾湿霾干霾);雾霾发生期间,1.0 km以下高度气溶胶消光能力最大;在干霾、湿霾到雾的转化过程中,球形、大粒径气溶胶增多,非球形、小粒径气溶胶减少.     

北京雾霾天大气颗粒物中微生物气溶胶的浓度及粒谱特征

于2013年1月8日~2013年2月4日雾霾频繁暴发期间,使用定量空气微生物采样器和气溶胶粒谱测试仪测试并比较了雾霾天和之后的清朗天气下细菌、真菌气溶胶浓度变化、粒谱分布及不同粒径大小颗粒物的数量浓度差异和粒谱分布特征.结果表明,采样周期内真菌气溶胶小于5μm的粒子(可吸入肺粒子)所占百分比显著高于细菌气溶胶小于5μm的粒子百分比.雾霾过后的晴朗天气下细菌、真菌气溶胶浓度高于雾霾天气时的浓度,而颗粒物浓度则相反.无论雾霾天或晴朗天微生物气溶胶的粒谱分布无显著差别,空气中的颗粒物以PM1.0占绝大多数.     

北京雾霾天气生物气溶胶浓度和粒径特征

近年来北京雾霾天气频发,空气颗粒物聚集是导致雾霾天气发生的主要原因之一.作为一种重要的空气颗粒物,生物气溶胶对人体健康存在危害.本研究调查了雾霾天气时,生物气溶胶浓度和粒径分布规律;对其同空气质量指数PM2.5(AQI),环境温度和湿度间的Spearman’s相关性进行了研究;分析了冬夏两季重度雾霾天气时,生物气溶胶粒径分布规律.结果表明,生物气溶胶浓度与PM2.5(AQI)呈负相关,与环境温度呈正相关.环境湿度与细菌气溶胶浓度呈负相关而与真菌气溶胶浓度呈正相关.在冬季,最大浓度细菌和真菌气溶胶分别在4.5~7.0μm和2.1~3.3μm粒径范围内检测到,而夏季最高浓度细菌和真菌气溶胶均分布在3.3~4.5μm范围内.本研究结果将为不同雾霾天气下,评价生物气溶胶对人类健康造成的危害提供基础数据.     

雾霾天气成因及防治措施探讨

改革开放以来,随着社会经济的快速发展,人们生活质量也在不断提升,一些重工业的发展对大气环境造成一定的影响。近些年,秋冬季节在我国中东北地区常常遭遇雾霾天气的影响,这给人们的日常生活和出行带来不便。目前,造成雾霾天气的主要原因是汽车尾气排放以及生活取暖烧煤、工业废气的排放等。因此我们要加大整治空气污染力度,给人们的日常生活提供基本的保障。本文根据我国近些年雾霾天气现状,分析了造成雾霾天气的主要原因以及防治雾霾天气的主要措施。     

雾霾天气颗粒污染物的特性及吸收气态污染物过程的分析

随着雾霾天气空气污染问题的日益突出,消除气候灾害,净化空气,引起了人们的关注.文章讨论了雾霾天气形成的条件、颗粒污染物的物化及运动特性,建立了气态污染物SO2在气溶胶颗粒内外流场扩散传质的数学物理模型;基于有限体积法数值分析了在雾霾天气由气溶胶颗粒物及气态污染物组成的大气系统中,气溶胶颗粒吸收气态污染物的过程.计算结果给出了气态污染物在气溶胶颗粒内部的富集度和传质饱和时间;讨论了随时间发展气溶胶颗粒内部SO2污染物浓度沿径向的分布情况,为发展有效的大气污染控制措施提供理论依据.     

德州、北京重污染过程PM2.5中PAHs污染特征及来源分析

为探讨华北地区秋冬季重污染过程PM_2.5（细颗粒物）中PAHs（多环芳烃）的污染水平、分布特征及来源,分别采集2018年11月17日—2019年1月19日德州市和北京市PM_2.5样品,利用气相色谱-质谱法测量两个站点6次重污染过程中26种PAHs浓度水平,分析PAHs污染特征、分子组成分布及其来源,并利用毒性当量因子估算了PAHs毒性.结果表明:①6次重污染过程中,德州站点∑₂₆PAHs浓度为62~191 ng/m3,北京站点为61~129 ng/m3.②单位质量PM_2.5中PAHs的浓度北京站点更高.③两个站点PAHs分子组成分布较为一致,萘、蒽、芴等低分子量的PAHs浓度较低,高分子量PAHs浓度较高,浓度最高的分别为苯并[b]荧蒽、苯并[a]芘、苯并[a]蒽和甲基荧蒽等.④特征比值结果显示,PAHs来源包括柴油车尾气、燃煤和生物质燃烧,德州站点受生物质燃烧影响更为显著.⑤毒性当量计算结果表明,德州站点毒性当量浓度（TEQ）高于北京站点,6次重污染过程中两个站点PAHs的TEQ平均值在6.5~17.2 ng/m3之间,低于国内其他一些地区,但苯并[a]芘的浓度在5.2~13.1 ng/m3之间,超过了GB 3095—2012《环境空气质量标准》日均值的标准限值（2.5 ng/m3）,对人体健康存在潜在危害.研究显示:秋冬季重污染过程中,北京站点单位质量PM_2.5中PAHs的浓度较高,两个点位PAHs分子组成分布特征及来源较为相似,且均对人体健康存在潜在危害;应进一步加强对PAHs浓度水平的控制,这不仅有利于持续改善PM_2.5污染,也有助于减轻人体潜在的健康风险.      

广西PM2.5时空分布特征及污染天气类型

研究区域ρ（PM_2.5）的时空分布特征和污染天气类型的关系是开展大气污染防治和空气质量预报预警的关键支撑技术之一.基于2015—2016年广西14个城市环境空气质量日监测数据和相关气象资料,分析了2015—2016年广西空气质量概况和污染的基本特征,采用EOF（经验正交函数）分析和后向轨迹聚类分析方法表征了广西ρ（PM_2.5）时空分布模态,统计了广西两年间24次区域范围（3个及以上连片城市）大气轻度及以上污染过程,分析了不同污染过程的天气类型和空气质量变化特点.结果表明:PM_2.5是广西大气污染首要污染物,ρ（PM_2.5）年均值呈北高南低的区域特征,月际变化基本呈正V字型分布;EOF分析和后向轨迹聚类分析显示,广西ρ（PM_2.5）的时空结构主要有3种模态,其方差贡献率分别为78.9%、5.7%和3.7%,基本反映了广西ρ（PM_2.5）变化的时空模态的主要特征,桂林和玉林两年间的后向轨迹聚类很好地解释了第二和第三模态的南北浓度和东西浓度异常反相位分布特征;广西14个城市两年间PM_2.5区域性污染天气类型主要有10种,其中污染天气类型中占比较大的是弱冷高压脊型（24.4%）、均压场型（20.2%）、高压后部型（16.1%）和高压后部配合西南暖低压型（8.5%）,是引发广西大范围大气污染的典型天气类型.研究显示,广西大气污染具有地域性、季节性和南北输送特征,污染过程的天气形势变化具有一定规律性.      

天津市PM2.5-O3复合污染特征及气象影响分析

为了解天津市PM_2.5-O₃复合污染特征及气象成因,基于2013～2019年高时间分辨率的PM_2.5、 O₃和气象观测数据,对天津市PM_2.5-O₃复合污染特征、污染物浓度分布以及关键气象因子进行分析.结果表明,2013～2019年,天津市复合污染日94 d,总体呈现下降趋势,前期（2013～2015年）下降明显,由2013年的23 d降至2015年的11 d,下降52.2%;后期（2016～2019年）波动式上升,由2016年的12 d升至2019年的14 d,上升16.7%.复合污染日主要出现在每年的3～9月,年际变化较大,2013～2016年在6～8月出现较多,2017～2019年在4月和9月出现较多.小时ρ(PM_2.5)在75～85μg·m^-3时,小时ρ（O₃）存在峰值区(301～326μg·m^-3).在所有O₃污染中,PM_2.5...     

天津市PM2.5-O3复合污染特征及来源分析

为了解天津市PM_2.5-O₃复合污染特征及来源,基于2017～2019年高时间分辨率PM_2.5、 O₃和挥发性有机物（VOCs）在线监测数据,对复合污染下天津市VOCs浓度水平、化学组成及O₃和二次有机气溶胶（SOA）生成潜势来源进行分析.结果表明,2017～2019年,天津市复合污染日为34 d,分布在每年的3～9月,年度变化呈现稳中略升趋势;小时ρ(PM_2.5)在75～85μg·m^-3时,小时ρ（O₃）存在峰值区(301～326μg·m^-3).复合污染下ρ（VOCs）为72.59μg·m^-3,烷烃、芳香烃、烯烃和炔烃质量分数分别为61.51%、 20.38%、 11.54%和6.57%; VOCs中浓度较高的前20种物种的浓度均上升,其中乙烷、正丁烷、异丁烷和异戊烷等烷烃类物种质量分数上升,烯烃和炔烃类质量分数略下降,芳香烃类中的苯和1,2,3-三甲苯质量分数略升....     

北京不同污染事件期间气溶胶光学特性

利用2005~2011年的AERONET观测数据,对北京不同污染事件期间(秸秆焚烧、烟花燃放以及沙尘天气)气溶胶光学特性进行了分析.气溶胶光学厚度受污染有显著上升,沙尘、秸秆、烟花气溶胶的AOD440 nm分别是干净背景的4.91、4.07、2.65倍.AOD与ngstrm波长指数的匹配能够较好地识别污染类型,沙尘对应高AOD和低α,烟花气溶胶α(1.09)稍低于秸秆(1.21)以及背景(1.27),表明烟花气溶胶的粗粒子更占优,秸秆对应更高的AOD则与其中黑碳颗粒较强的消光能力有关.单次散射反照率对波长敏感性不高,沙尘气溶胶的ω值(0.934)高于背景值(0.878)、秸秆气溶胶(0.921)以及烟花气溶胶(0.905),秸秆气溶胶受烟羽老化、吸湿性增长等影响表现出偏大现象.气溶胶粒子谱分布在背景与污染期间均为双峰模态,细模态和粗模态的峰值浓度半径分别为0.1~0.2μm以及2.24~3.85μm,粗细粒子浓度比值由小到大依次为背景(1.04)、秸秆焚烧(1.10)、烟花燃放(1.91)以及沙尘气溶胶(4.96).     

徐州市气溶胶光学厚度与PM2.5相关性及年周期特征

基于徐州市2014～2017年气溶胶光学厚度(AOD)、地面监测站PM_(2.5)浓度及气象数据,构建经标高订正的AOD(AOD/H)与经湿度订正的PM_(2.5)(PM_(2.5)×f_((RH)))之间的5种不同类型的拟合模型,分析两者在不同季节的相关性;同时利用经验模态分解对AOD/H与PM_(2.5)×f_((RH))进行周期变化分析。结果表明:AOD与PM_(2.5)浓度直接相关程度较低,经过订正后两者的相关程度显著提高;选取乘幂模型为最优拟合模型,利用乘幂模型估计得到的PM_(2.5)浓度与地面监测的经湿度订正的PM_(2.5)浓度呈显著正相关,相关系数在四季分别达到0.752、0.650、0.808和0.942;利用经验模态分解分析得到AOD/H与PM_(2.5)×f_((RH))具有显著的年周期变化特征,均在冬季出现高值,后逐渐降低,在6月前后出现极小值,到秋季又逐渐增大;AOD/H与PM_(2.5)×f_((RH))年变化特征表现出很高的一致性(r=0.888),表明在徐州地区AOD/H对PM_(2.5)×f_((RH))在年周期尺度变化特征研究中能起到良好的指示作用。     

西安市PM2.5中碳质气溶胶污染特征

利用热光分析法探究了西安市2017年353个PM_2.5样品中的元素碳（EC）、有机碳（OC）、甲醇可萃取有机碳（MSOC）以及热-光分析法得到的7个碳组分（OC1~4、EC1~3）的质量浓度、季节变化趋势以及来源.结果表明,西安市2017年OC、EC以及MSOC的平均质量浓度分别为（17.56±11.83）、（4.08±2.95）和（11.10±6.77）μg·m^-3.OC质量浓度的季节性趋势为冬季 > 春季 > 夏季 > 秋季;EC为冬季 > 春季≈秋季 > 夏季.MSOC/OC比值年平均值为0.64±0.20,冬季最高,夏季最低.春季OC和EC相关性较好（r²=0.76）,而在冬季的相关性较差（r²=0.43）,说明碳气溶胶的来源不同.采用EC示踪法对二次气溶胶的含量进行估算,SOC的平均含量分别占到了春、夏、秋、冬四季OC质量浓度的51.9%、38.4%、37.3%、44.0%.采用主成分分析法得出西安市的碳质气溶胶主要来源于燃煤和机动车排放.     

天津市PM2.5浓度时空分布特征及重污染过程来源模拟分析

天津市多发生以PM_2.5为首要污染物的重污染事件,明确ρ（PM_2.5）时空分布特征及重污染过程来源对PM_2.5的综合治理意义深远.利用天津市2014-2017年环境资料和2016年气象资料,结合WRF-Chem模式研究了天津市ρ（PM_2.5）时空分布特征及重污染过程来源.结果表明:①自2014年以来,天津市ρ（PM_2.5）呈逐年下降趋势.②ρ（PM_2.5）月变化曲线呈"U"型分布,呈冬春季高、夏秋季低的季节性特征;ρ（PM_2.5）日变化呈双峰型分布,主峰值出现在08:00-09:00,次峰值出现在21:00-翌日00:00.③各季节天津市ρ（PM_2.5）空间分布不同,春季、夏季、秋季和冬季高值中心分别位于天津市西南部的静海区、中心城区北部的北辰区、西部的武清区及北部的蓟州区.④WRF-Chem模式模拟的天津市秋冬季污染物来源结果表明,本地源贡献率为56%,外来源输送贡献率为44%,其中以河北省和山东省的输送为主.2016年12月16-22日天津市一次重污染过程的模拟结果表明,天津市本地源贡献率为49.6%,河北省、北京市和山东省的外来源输送贡献率分别为32.2%、7.0%和2.2%.污染前期,不利气象条件和外来源输送造成天津市ρ（PM_2.5）聚集并形成重度污染;污染持续过程中,本地源贡献率逐渐增大并占主导地位.研究显示,近年来天津市ρ（PM_2.5）呈下降趋势,并有明显的空间分布特征.