PM_(10)浓度时间序列多时间尺度分析的小波方法

文章利用Morlet小波函数进行小波变换,以乌鲁木齐市的大气污染物时间序列为例,分析了当地PM10的多时间尺度的演变特性。研究结果显示,其年际变化和季节性变化的时间尺度在尺度空间中分布不均匀,受气象和污染源因素影响,具有较明显的局部化特征。     

上海金山石化区常规大气污染物随时间变化分析研究

利用上海金山石化点位2014年大气监测资料,分析石化地区SO2、NO2、O3、PM10和PM2.5随时间的变化趋势,为未来工业园区的合理规划布局提供理论基础和决策依据.结果表明:(1)常规大气污染物浓度具有明显的季节性特征,SO2 、NO2、PM10 、PM2.5冬季高浓度,夏季低浓度,O3变化趋势相反;(2)O3呈现明显单峰日变化,NO2 、PM10、PM2.5则出现双峰现象,这是由于太阳辐射增强造成光化学反应加剧、地面温度上升以及人类活动的影响.SO2受太阳辐射影响较小,日变化趋势不明显.(3)污染物浓度风向分析表明,测点常规污染物主要来源于金山新城排放,但化工区废气排放对O3浓度具有明显影响.     

小波分析在PM10浓度时间序列分析中的应用

以西安市PM10日平均浓度时间序列为例,根据小波分析的基本原理,应用小波分解和重构对PM10浓度时间序列的变化进行了分析,得到PM10的年变化趋势和突变特征。研究结果表明,用小波分析应用于大气污染物浓度时间序列的分析是可行的。     

小波支持向量机在大气污染物浓度预测中的应用

用小波分解重构和支持向量机相结合的方法,建立大气污染物浓度预测模型。通过小波分解,将大气污染物浓度序列分解为不同频段的小波系数序列,再对各层的小波系数序列重构到原尺度上。利用相关分析的方法构建出低频小波系数a3和中频小波系数d3的支持向量机模型输入因子为前一天小波系数a3和7个气象因子;高频小波系数d2和d1以前三日的小波系数为输入因子,然后对各小波系数序列采用相应的支持向量机模型进行预测,各小波系数均使用ν-支持向量回归机(ν-SVR)算法和径向基函数,最后通过小波重构合成大气污染物浓度序列的最终预测结果。通过对大气SO2浓度预测实例证明,该大气污染物浓度预测模型具有推广能力较强、预测精度较高、训练速度快、便于建模等优点,具有良好的应用前景。     

基于KZ滤波法的河北省PM2.5和O3浓度不同时间尺度分析研究

大气细粒子和臭氧是影响我国城市空气质量的主要污染物质,其浓度的大小不仅与污染源的排放量有关,气象条件也是影响其浓度分布特征的重要因素.要评估污染物减排措施的效果,有必要将气象条件的影响剥离出来,仅评估排放量的降低对污染物浓度长期变化趋势的影响.本文使用KZ(Kolmogorov-Zurbenko)滤波方法对河北省石家庄、保定、张家口三市2013—2017年PM_(2.5)和O_3逐日浓度时间序列进行分解,并使用同期地面气象观测数据对各时间序列进行逐步回归分析,将经过KZ滤波后的长期序列与经逐步回归后的结果的差值再次进行滤波处理,得到去除气象影响的污染物浓度长期变化趋势,该浓度仅与污染物的排放量有关.结果表明,因污染源排放的影响,河北省三市大气PM_(2.5)浓度在研究年内除在2017年初略有上升以外,其余季节均呈下降趋势.河北省三市大气O_3浓度在研究年内均有波动上升趋势.气象条件对PM_(2.5)浓度长期变化趋势的影响大于O_3.     

南海区空气中的O3和NO2浓度变化特征分析

利用2010年9月至2012年8月期间佛山市南海区大气连续自动监测的数据,比较分析O3、NO2浓度的变化规律及相关性。结果显示,O3和NO2污染物的浓度变化存在明显的季节性特征,并且两者的变化趋势呈现较强的负相关性。O3浓度在夏秋季之间达到最大值,NO2在冬季达到最大值。O3浓度在15:00前后出现峰值,NO2浓度则在8:00和20:00前后出现双峰态高值。     

基于小波变换的上海市近10年SO2污染指数的变化

对上海市近10年逐日SO2污染指数时间序列进行一维连续Mexican Hat小波变换分析,研究了SO2污染物的多尺度演化特征、主周期、突变点和变化因素.结果表明,上海市SO2污染指数在不同时间尺度上具有不同的"高-低"交替变化规律,且以100 d左右的变化为主周期;SO2污染受气象条件的影响,呈现出"冬重夏轻"的格局,春、秋分日前后是一年中SO2污染轻重状况转换的突变点;经济高速发展对能源需求的增长,使上海市为改善SO2的努力"事倍功半":污染总体仍呈上升趋势.小波变换方法用于SO2污染时间序列的分析是有效的,也适用于其他污染物的时间演变规律研究.     

近10年海南岛大气NO2的时空变化及污染物来源解析

利用OMI卫星反演的NO2柱浓度数据,分析了近10年海南岛对流层NO2柱浓度(Tro NO2)和总NO2柱浓度(Tot NO2)的时空变化,同时结合地面风向、SO2排放资料,以及HYSPLIT模式等探究其大气污染物来源.结果表明,海南岛地区大气NO2呈北半部高于南半部、中部山区低于四周沿海的分布特征,其季节变化表现为冬季高、夏季低的特点,其中夏季浓度偏低和雨水的冲刷作用有关,而冬季浓度偏高与珠江三角洲地区的外源输送作用有密切联系.近10年海南岛大气NO2冬夏季有相反的变化趋势,冬季逐年下降,夏季则有弱的上升趋势.其原因可能是夏季大气污染物以本地排放为主,冬季外源输送起主要贡献作用.海口市Tro NO2与珠江三角洲地区的有利风向日数相关系数为0.84,通过了99%的信度检验.后向轨迹分析表明,2013年12月影响海口市的3条气流移动路径,均不同程度的经过珠江三角洲地区,进一步表明海南岛冬季大气污染物主要以珠江三角洲地区的外源输送为主.     

应用Models-3模式系统对沈阳市空气质量的数值模拟研究

利用美国环保局开发的新一代空气质量模式系统Models-3,对2002年冬季采暖期间沈阳市大气污染物的输送与化学转化进行了数值模拟研究,并对SO2、NO2和PM10等大气污染物浓度的模拟结果与监测结果进行了对比分析.结果表明,Models-3模式系统能较好地模拟出沈阳市的大气污染物输送与化学转化情况,SO2、NO2和PM10的模拟值与观测值的变化趋势具有较好的一致性,说明该模式能较好地反映这些大气污染物的分布特征和变化规律,可为今后深入开展沈阳市大气污染数值预报与传输扩散研究提供有效的手段.     

北京市东北城区冬季大气细粒子与相关气体污染特征

利用VAPS通用型大气污染物采样仪与DX-600型离子色谱仪于2008年11月及2009年1月进行了北京市东北城区大气细粒子(PM2.5) 可溶性离子组分和相关气体组分的同时监测与分析.结果表明,在采样期间,北京PM2.5质量浓度随时间呈“3峰”的变化,在“3个峰段”期,随采样时间的推进,PM2.5质量浓度增高;与北京市以往监测结果相比,北京市PM2.5中几种主要水溶性无机离子的污染水平呈现下降的趋势;PM2.5呈弱酸性,对大气环境酸化和酸性湿沉降的形成具有一定的促进作用;PM2.5中NH4+主要以硫酸盐、硝酸盐及氯盐的形式存在;PM2.5中SO42-、NO3-的质量浓度变化趋势分别与环境空气中SO2、NO2的质量浓度变化趋势相似,PM2.5中SO42-和NO3-分别主要由SO2、NO2转化而来,且NO2二次转化率低于SO2的二次转化率.     

新疆农用拖拉机排放清单及特征研究

分别应用参数本土化的NON-ROAD模型和生态环境部发布的《非道路移动源大气污染物排放清单编制技术指南》估算了新疆1993—2018年农业生产用拖拉机PM₁₀、PM_2.5、HC、NO_x和CO等污染物排放清单.同时,结合NON-ROAD模型特性、排放清单和区域现状,从定量和定性2个维度剖析了2种排放清单编制方法的适应性和污染物排放演变态势.最后,基于3种不同方法对污染物排放的潜在影响因素进行分析.结果表明：①基于参数本土化的NON-ROAD模型在建立特定区域排放清单方面具有一定参考价值.②1993—2018年新疆农用拖拉机污染物排放呈现出平稳上升、波动、快速增长、平稳、下降等不同态势,总体上,1993—2017年污染物排放增加25156.69 t,但在2018年出现较大幅度下降,同时单位功率排放也明显下降,表明近年来采取的强有力排放控制措施在抑制大气污染物排放方面的成效明显.③2006年之后大中型拖拉机年均排放总量占比为70.9%,小型拖拉机年均排放占比为29.1%,短期内随着时间的推移两者的差距将越来越大,揭示大中型拖拉机是污染物排放控制的关键.④对污染物排放影响因素的定量分析结果发现,农业经济发展水平对区域污染物排放总量变化起决定性作用.本研究在建立污染物排放清单、污染物排放影响因素定量分析及区域污染物排放治理政策制定方面有一定参考价值.     

基于空间密集传感器解析城市本地排放和区域传输贡献方法初探

为了对城市污染物进行详细区域来源解析,基于长沙市低成本传感器监测网络,收集了2019年10月PM_2.5、PM₁₀、SO₂、NO₂的高空间分辨率监测数据,对污染特征进行分析.同时,根据本地排放和背景浓度变化的不同相对频率,基于小波分析提取了污染物背景浓度并结合空间密集监测量化了城市环境中监测点的近场、远场及区域传输贡献.结果显示,2019年10月长沙市4项常规污染物中,PM_2.5浓度较高,SO₂浓度较低.小波分析提取各监测点背景浓度结果表明,部署在乡村的监测点PM_2.5、PM₁₀和NO₂背景浓度平均水平较低,而城市总体数据分布更分散,存在明显的本地排放源.估计近场、远场及区域传输对城市监测点总污染水平贡献发现,研究期间,区域传输对监测点污染贡献最大.其中,PM_2.5的区域贡献、远场贡献和近场贡献占比分别为43%、24%和17%;PM₁₀的区域贡献占比较高为59%,远场贡献和近场贡献分别占比14%和16%;NO₂的区域贡献、远场贡献和近场贡献占比分别为45%、24%和19%;而SO₂主要以区域贡献为主,占比达78%.     

2014~2016年京津冀沿山城市空气质量首要污染物特征分析

对北京、保定、石家庄、邢台和邯郸这5个京津冀太行山沿山城市2014~2016年空气质量首要污染物进行分析,探讨其空间分布特征和时间变化趋势.结果表明,北京首要污染物由主到次为PM_2.5、O₃-8h、NO₂和PM₁₀,其他4个城市首要污染物排序为PM_2.5、PM₁₀、O₃-8h、NO₂、SO₂和CO.在空间分布上,各城市PM_2.5首要污染物天数比例3 a均值相当（53.3%~58.1%）,但从北向南,5个城市PM₁₀天数比例基本呈上升趋势,而O₃-8h反之.除邯郸PM_2.5首要污染物天数比例逐年明显下降外,其他4个城市的天数比例年际变化幅度较小;2016年石家庄、邢台和邯郸O₃-8h天数比例均显著上升.各城市PM_2.5和O₃-8h首要污染物天数月变化曲线分别呈"W"型和"倒U"型,PM₁₀首要污染物天数在3~5月出现明显高值区.从良至严重污染,各城市PM_2.5和PM₁₀首要污染物天数比例之和随空气质量级别逐级递增,其中PM₁₀天数比例逐级下降,而PM_2.5表现相反;O₃-8h首要污染物天基本出现在良至中度污染级别,且总体上逐级下降;NO₂仅在良级天有较高的天数比例贡献.     

成都市一次典型空气重污染过程特征及成因分析

为了研究成都市冬季空气重污染过程的成因,以2015年12月26日—2016年1月6日成都市一次典型重污染天气过程为例,基于HYSPLIT后向轨迹模式结合全球资料同化系统(Global Data Assimilation System,GDAS)气象数据和成都市7个监测站的AQI、PM_(2.5)、PM10、NO2质量浓度数据,使用气象分析、轨迹聚类(Cluster Analysis)、潜在源贡献因子法(Potential Source Contribution Function,PSCF)和浓度权重轨迹法(Concentration Weighted Trajectory,CWT),分析了此次过程的气象特征、轨迹输送特征和污染物潜在来源分布.结果表明,此次污染天气过程是以PM_(2.5)为主要污染物,其次为PM10、NO2.2015年12月30日14:00左右是此次污染天气过程各站点PM_(2.5)、PM10浓度到达峰值的时刻.缺少北方冷空气南下,四川盆地内空气水平运动弱,以及扩散条件差的静稳天气形势是导致此次大气污染过程成都市污染物累积的原因,而冷空气活动是改善这种天气形势的关键.污染过程辐射逆温层的形成对当时污染物浓度增长有促进作用,但随着每日生消、加强减弱,其并不是最终导致重污染天气形成的关键因素.川东北的广元、绵阳、德阳等地区和成都本地及其南向的眉山、雅安等地区是此次过程主要的潜在源区,这些地区人口较密集,工业较发达,且沿地形走向而分布.     

中国国道和省道机动车尾气排放特征

近年来,随着我国机动车保有量的持续增长,机动车排放已成为我国重要的大气污染物来源之一.现有的机动车排放研究多关注城市内的机动车大气污染物排放,针对城市间的大气污染物排放研究较少.我国城市间交通道路主要包括国道和省道,截止至2015年我国国道里程18.53万km、省道里程32.97万km,约占全国等级公路总里程的13%,因此开展我国国道和省道机动车大气污染物排放研究十分重要.本研究基于全国国道和省道交通监测站的年均监测数据,采用环境保护部发布的《道路机动车大气污染物排放清单编制技术指南(试行)》中的指导方法,计算了2015年我国国道和省道机动车的大气污染物排放清单,分析了污染物排放的时空分布特征.结果表明,我国国道和省道公路机动车排放的一氧化碳(CO)、氮氧化物(NO_x)、颗粒物(PM)和碳氢化合物(HC)排放量分别占全国机动车污染物总排放量的4.5%、27.9%、14.4%和7.7%;不同车型对国道和省道机动车大气污染物排放的分担率不同,其中大货车是NO_x、PM_(10)、PM_(2.5)的主要来源,摩托车是CO和HC的主要来源;不同道路类型中各车型的大气污染物排放分担率也不同,如高速路上大货车是NO_x、PM_(10)和PM_(2.5)的主要来源,普通道路上大客车和大货车是NO_x、PM_(10)和PM_(2.5)的主要来源.     

兰州市大气重污染气象成因分析

兰州市曾经是全国乃至全世界空气污染最严重的城市之一,重度空气污染特征明显.根据兰州市环境保护局公布的大气污染数据及气象局的气象观测数据,采用时间序列法和相关统计方法对兰州市2002—2011年空气污染指数(Air Pollution Index,API)大于200的大气重污染特征进行研究,并探析了其气象学成因.结果表明,静稳型重污染发生天数约占重污染发生总天数的77%,而沙尘型重污染只占23%.静稳型重污染是兰州市最主要的大气重污染类型,它往往存在PM10、SO2和NO2三种污染物同步累积的过程,持续时间长,主要发生在冬季;而沙尘型重污染持续时间短,由于外来高浓度沙尘输送的影响,PM10浓度会急剧升高,而SO2和NO2浓度则会明显下降(SO2、NO2浓度明显低于静稳型重污染),几乎都发生在春季.对它们的成因分析表明:静稳型重污染的气象学成因主要是风速小,稳定能量大,大气环境稳定度大,不利于湍流扩散,本地源污染物持续积累造成;沙尘型重污染气象学成因主要是春季气候干燥,相对湿度低,造成大风沙尘天气,给兰州市输送大量沙尘颗粒形成大气重污染.此研究结果可为兰州市大气重污染的防治提供科学依据.     

大气污染物垂直梯度自动监测系统的研制

设计的大气污染物垂直梯度自动监测系统是用 2个电磁阀实现 3个高度的气体采样 ,依靠分析仪器自身的抽气泵将气体样品通过聚四氟乙烯管抽入各分析仪器进行测量 ,并用一台微机和一块 AD/DA转换板实施对电磁阀的控制和数据采集 .现场观测实验表明 ,对于 25m长的采样管清洗时间可设置 1 min,而采样管长度间的差异不会导致测量 O₃、SO₂、NO和 NO₂ 小时平均浓度存在显著性差异 .     

2015—2017年天水市大气污染物变化特征及来源分析

据天水市2015-2017年大气污染物（SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀）的监测数据及气象资料,分析了天水市大气污染物的浓度变化特征,并利用排放源清单和HYSPLIT模型对污染物来源进行了解析.结果表明：①天水市空气质量有所下降,总体优良率达84.9%.SO₂、NO₂、CO均达标,污染物以颗粒物和O₃为主.②一次污染物SO₂、NO₂、CO、PM_2.5和PM₁₀浓度具有相似的季节变化和日变化特征,冬季最高,夏季最低,日变化呈早晚双峰型.二次污染物O₃夏季浓度最高,冬季最低,日变化呈单峰型.③天水市空气质量主要受污染物的本地排放和外来输送的影响,本地民用和工业部门对SO₂、CO、PM_2.5和PM₁₀的贡献最大,交通和工业部门对NO_x的分担率最高,民用部门是CO的最大排放源;西北和东部气流是污染物外来的最主要输送路径.此外,污染物在城市大气中的稀释、扩散和转移也受当地气象因素（气温、降水、风向等）的影响.     

乌鲁木齐市空气污染时空分布特征及其与气象因素相关分析

基于乌鲁木齐市7个检测站点实测数据(参照《环境空气质量标准》规定的6项常规监测污染物(PM_2.5、PM_10、SO_2、NO_2、CO、O_3)的24小时/8小时国家二级标准和AQI分级标准),对乌鲁木齐市2016年空气质量做变化趋势分析。结合乌鲁木齐市气象要素和城市发展数据对乌鲁木齐市空气质量影响因素做相关分析,然后利用层次分析法(AHP)对乌鲁木齐市环境空气污染时空分布特征的影响因素做评价分析。研究结果有:(1)乌鲁木齐市2016年1月,轻度污染天气占整月的3%、中度污染天气占26%、严重污染天气占32%、重度污染天气占39%;工业园区集中的米东区是乌鲁木齐市空气污染最严重的城区。(2)乌鲁木齐市的城区空气污染物因子和同期气象因素相关性显著;(3)重要污染物企业的空间分布对乌鲁木齐市空气污染空间分布起到绝对的影响作用。     

Impacts of pollution heterogeneity on population exposure in dense urban areas using ultra-fine resolution air quality data

Traditional air quality data have a spatial resolution of 1 km or above, making it challenging to resolve detailed air pollution exposure in complex urban areas. Combining urban morphology, dynamic traffic emission, regional and local meteorology, physicochemical transformations in air quality models using big data fusion technology, an ultra-fine resolution modeling system was developed to provide air quality data down to street level. Based on one-year ultra-fine resolution data, this study investigated the effects of pollution heterogeneity on the individual and population exposure to particulate matter (PM_2.5 and PM₁₀), nitrogen dioxide (NO₂), and ozone (O₃) in Hong Kong, one of the most densely populated and urbanized cities. Sharp fine-scale variabilities in air pollution were revealed within individual city blocks. Using traditional 1 km average to represent individual exposure resulted in a positively skewed deviation of up to 200% for high-end exposure individuals. Citizens were disproportionally affected by air pollution, with annual pollutant concentrations varied by factors of 2 to 5 among 452 District Council Constituency Areas (DCCAs) in Hong Kong, indicating great environmental inequities among the population. Unfavorable city planning resulted in a positive spatial coincidence between pollution and population, which increased public exposure to air pollutants by as large as 46% among districts in Hong Kong. Our results highlight the importance of ultra-fine pollutant data in quantifying the heterogeneity in pollution exposure in the dense urban area and the critical role of smart urban planning in reducing exposure inequities.