南宁市大气颗粒物TSP、PM10、PM2.5污染水平研究

2002年在南宁市的5个典型城市功能区内,共采集了125个大气样品(按季节分别采集),初步调查了大气中颗粒物TSP、PM10、PM2.5的污染状况。结果表明,南宁市TSP、PM10、PM2.5的污染很严重,超标率分别为67．5％、82．5％、92．5％,对人体健康危害更大的PM2．5占到了PM10的63．5％左右。重污染区PM2.5的浓度超过轻污染区近一倍。     

南京市大气气溶胶中颗粒物和正构烷烃特征及来源分析

于2002年夏季（7月）和冬季（12月）采集南京市5个功能区的大气气溶胶（PM2．5和PM10）样品，对两个季节不同功能区颗粒物及其颗粒物中正构烷烃的分布特征和污染来源进行了分析。结果表明，南京市大气颗粒物含量冬季高于夏季，细颗粒高于粗颗粒。正构烷烃的变化规律同颗粒物一致，且主要分布在细颗粒物上。根据各个功能区正构烷烃（C15-C32）的CPI（CPI1、CPI2和CPI3）结果，可知南京市大气气溶胶中正构烷烃由生物源和人为源共同排放产生。％waxCn的结果表明生物源对气溶胶中正构烷烃的贡献率为20％～43％，对南京市大气颗粒物的贡献率为1．66％～4．76％。     

山东省高分辨率大气颗粒物排放清单

为探讨山东省大气颗粒物(PM2.5和PM10)排放的时空分布特征,创建了包含生物质燃烧源、扬尘源、化石燃料燃烧源、工艺过程源、废弃物处理源和道路移动源6大类共281个子源的排放源分类系统,应用排放因子法和COPERT v5模型建立了山东省高分辨率(4 km×4 km)颗粒物排放清单.结果表明:(1)2017年,山东省P...     

贵阳市白云区大气PM10和PM2.5污染特征

使用β射线法在线监测仪连续监测了贵阳市白云区 PM10和 PM2.5浓度,分析了2014年6月1 日-12月31日7个月内PM10、PM2.5 的浓度水平、时变规律和PM2.5/PM10的变化情况。结果表明,监测时段内 PM10和 PM2.5的日均浓度平均值分别为76.8 μg/m3和40.0 μg/m3,均达到国家二级标准;浓度超标的天数占总观测天数的5.1% 和 9.3%,属污染轻微的地区。PM2.5/PM10在25.3%~78.8%之间周期性波动,平均值为52.1%。PM10 和 PM2.5的浓度变化具有很好的正相关性(r=0.919 8,p10和PM2.5浓度最高且变化最为剧烈,6月最为平缓。PM10和PM2.5浓度小时变化总体上呈双峰型分布,最高值出现在出现在09:00-10:00和19:00-21:00前后,最低值出现在14:00-17:00 之间。     

冬季关中城市及农村颗粒物的污染特征

为比较冬季城市和农村大气颗粒物浓度及化学组分等特征,本文分别采集分析了西安市区、安康农村冬季大气PM2.5颗粒物与PM0.1颗粒物。分析结果表明：两地大气中PM2.5日均浓度均超过国家二级标准（75 μg·m-3）,空气质量不容乐观;其中农村样品中PM0.1颗粒物约占PM2.5颗粒物浓度的36.8%左右;所有颗粒物中有机碳远高于无机碳组分,而市区大气颗粒物中多环芳烃浓度显著高于农村浓度,说明城市空气中来源于机动车尾气的污染较为严重;从颗粒物粒径分布特征来看,粒径为0.300~0.374 μm颗粒物具有最高数浓度和比表面积浓度,粒径为0.374~0.465 μm的颗粒物具有最高质量浓度;由于农村污染源较为单一,安康样品颗粒物浓度受燃煤和油烟的影响较大。此外,由于受燃煤机动车排放影响,西安大气中PM0.1颗粒物中水溶性离子主要为NO3-与SO42,而安康大气PM0.1颗粒物中水溶性离子主要以SO42-与Ca2+为主, PM2.5颗粒物中水溶性离子以NO3-、SO42-和NH4+为主,这与农村环境中使用燃煤、农田灌溉、家畜喂养以及有机质降解等有关。     

道路环境黑碳变化特征及影响因素

为了分析道路环境黑碳浓度变化规律及影响因素,在北京APEC会议期间及前后对道路环境黑碳（BC）、NOx及PM2.5浓度进行测量,同时调查道路车流信息及气象数据,应用相关性分析、多元线性回归模型和排放强度计算等方法分析了机动车限行和气象条件对路边BC浓度的影响。结果显示：监测期间北土城东路路边的BC平均浓度为7.44 μg·m-3,限行期间10 d的平均浓度为4.43 μg·m-3,非限行期间21天的平均浓度为8.87 μg·m-3,机动车限行期间BC浓度下降50%。道路环境BC浓度高峰值分别出现在06：00-09：00和18：00-21：00,路边BC浓度与NOx和PM2.5浓度具有正线性相关性。限行期间总车流量下降52%,重型车辆流量变化不大,由于车流量下降和车速升高机动车尾气BC排放强度降低约15%。多元线性回归模型和情景分析结果显示限行期间气象条件和限行措施对BC浓度下降的贡献率分别为56%和30%,非限行期间如果采取限行措施可以使路边BC浓度下降34%。     

某高密度街区大气颗粒物质量浓度分布特征实测研究

为研究城市高密度街区大气颗粒物浓度分布特征,2019年秋季对上海市某高密度街区道路大气颗粒物浓度、空气温度、相对湿度、地理位置、车辆与道路图像视频信息进行了同步移动在线监测,并结合街区内固定站数据和后向轨迹模拟结果,总结了影响街区大气颗粒物浓度变化的主要因素。结果表明:城市大气颗粒物背景拟合值处于较低水平时,街区内的大气颗粒物浓度变化和影响因素易被识别;机动车污染源对大气颗粒物浓度贡献大,其中大型机动车的影响明显;户外施工和道路清扫会引起大气颗粒物浓度上升,其中PM₁₀上升更明显;交通密度大的十字路口大气颗粒物浓度通常较高;城市高架的盖状结构会阻碍大气颗粒物在垂直方向上的扩散,引起局部大气颗粒物浓度上升;街区内高大浓密的乔木对近地面的大气颗粒物屏蔽效果不理想,甚至有助于颗粒物累积;早晚高峰时段大气颗粒物浓度较非高峰时段高。     

某高密度街区大气颗粒物质量浓度分布特征实测研究

为研究城市高密度街区大气颗粒物浓度分布特征,2019年秋季对上海市某高密度街区道路大气颗粒物浓度、空气温度、相对湿度、地理位置、车辆与道路图像视频信息进行了同步移动在线监测,并结合街区内固定站数据和后向轨迹模拟结果,总结了影响街区大气颗粒物浓度变化的主要因素。结果表明:城市大气颗粒物背景拟合值处于较低水平时,街区内的大气颗粒物浓度变化和影响因素易被识别;机动车污染源对大气颗粒物浓度贡献大,其中大型机动车的影响明显;户外施工和道路清扫会引起大气颗粒物浓度上升,其中PM₁₀上升更明显;交通密度大的十字路口大气颗粒物浓度通常较高;城市高架的盖状结构会阻碍大气颗粒物在垂直方向上的扩散,引起局部大气颗粒物浓度上升;街区内高大浓密的乔木对近地面的大气颗粒物屏蔽效果不理想,甚至有助于颗粒物累积;早晚高峰时段大气颗粒物浓度较非高峰时段高。     

2015年南京市PM2.5与PM10的污染特征

分析了2015年南京市PM2.5和PM10的浓度特征和大致来源类型。PM2.5和PM10的年均浓度分别为56.6 μg·m-3和96.5 μg·m-3,污染水平较高。颗粒物浓度的季节变化特征一致：冬 > 春 > 秋 > 夏;PM2.5的日变化呈\"单峰单谷\"型,而PM10的呈\"单峰双谷\"型。颗粒物浓度在城区高于郊区;植被茂盛区域的浓度较低。对PM2.5/PM10而言,比值在冬季和梅雨期较大,分别受取暖和降水的影响;比值在春季和夏末秋初较小,分别受沙尘和秸秆焚烧的影响。PM2.5多为二次颗粒物,PM10多为一次颗粒物;固定污染源对PM2.5的间接贡献和对PM10的直接贡献较移动污染源而言更大。     

区域大气环境中PM_(2.5)/PM_(10)空间分布研究

提出了一种利用移动监测技术研究区域大气环境中PM2.5/PM10空间分布的方法,并在2004年12月进行了宁波市全市域PM2.5/PM10空间分布的研究.数据显示:相同路径所代表的地区PM2.5和PM10具有很好的相关性,多数路径上PM2.5与PM10数据的相关系数平方在0.95以上,而不同路径上PM2.5与PM10的比值不同.文中给出了宁波市PM2.5/PM10污染的空间分布图,直观地显示出PM2.5/PM10污染的空间分布情况,突出了污染的重点点位和地区.     

天津冬季PM2.5与PM10中有机碳、元素碳的污染特征

研究了天津冬季PM2.5和PM10中碳成分的污染特征.结果表明,天津冬季PM2.5和PM10的平均质量浓度分别为(124.4±60.9)、(224.6±131.2)μg/m3;总碳(TC)、有机碳(OC)与元素碳(EC)在PM2.5中的平均质量分数比在PM10中分别高出5.0%、3.6%、1.2%;PM2.5中OC、EC的相关系数较高,为0.95,表明OC、EC的来源相对简单,可能主要反应了燃煤和机动车尾气的贡献.OC/EC的平均值在PM2.5和PM10中分别为3.9、4.9.次生有机碳(SOC)在PM2.55和PM10中的平均质量浓度分别为14.9、23.4/μg/m3,分别占OC的48.5%(质量分数,下同)、49.8%,OC/EC较高可能主要与直接排放源有关;PM2.5中的OC1与OC2的比例明显高于PM10,而聚合碳(OPC)的比例又低于PM10,同时PM2.5与PM10中的EC1含量均较高,表明天津冬季燃煤取暖和机动车尾气是重要的污染源.     

Identification of PM sources by principal component analysis (PCA) coupled with wind direction data

The effectiveness of combining principal component analysis (PCA) with multi-linear regression (MLRA) and wind direction data was demonstrated in this study. PM data from three grain-size fractions from a highly industrialised area in Northern Spain were analysed. Seven independent PM sources were identified by PCA: steel (Pb, Zn, Cd, Mn) and pigment (Cr, Mo, Ni) manufacture, road dust (Fe, Ba, Cd), traffic exhaust (P, OC + EC), regional-scale transport (, , V), crustal contributions (Al2O3, Sr, K) and sea spray (Na, Cl). The spatial distribution of the sources was obtained by coupling PCA with wind direction data, which helped identify regional drainage flows as the main source of crustal material. The same analysis showed that the contribution of motorway traffic to PM10 levels is 4-5 microg m-3 higher than that of local traffic. The coupling of PCA-MLRA with wind direction data proved thus to be useful in extracting further information on source contributions and locations. Correct identification and characterisation of PM sources is essential for the design and application of effective abatement strategies.     

重庆主城区近年一次典型空气重污染过程分析

对2013-2015年重庆主城区空气重污染情况进行统计,并结合地面和高空探测手段,分析了一次典型重污染过程的污染特征。结果表明：重庆主城区秋冬季节的空气污染,以受不利气象条件影响的本地细颗粒物（PM2.5）累积污染为主,PM2.5占PM10的平均比例为72%左右;大气能见度与颗粒物浓度、相对湿度均呈现明显的负相关性。典型污染期间的近地层颗粒物污染带主要在0~400 m的高度范围,AOD值高达2.0~2.4,α指数在1.0左右。二次粒子、机动车尾气、扬尘是污染期间重庆主城区PM2.5的主要来源。