低成本大气颗粒物传感器的室外环境性能评测研究

对目前大气环境颗粒物监测中采用的基于光散射法的3种型号传感器进行了评测研究,其中A和B是用于室内环境监测,C用于室外环境监测.对3种型号颗粒物传感器与基于β射线方法的标准仪器MATONE BAM-1020对比,对传感器的变异性、时间序列、传感器与标准仪器的线性相关性、其他因素影响、数据质量五个方面开展了分析.结果表明：各型号颗粒物传感器之间有较强相关性（R²达到了0.95以上）;3种颗粒物传感器与标准仪器测量结果吻合度较高,R²分别为0.58,0.80,0.61,且在整个测试时间段内,传感器相对于标准仪器来说高估了PM_2.5;高的相对湿度（RH>50%）和PM_2.5/PM₁₀（ratio）会对传感器产生影响.A、B、C三种型号传感器PM_2.5数据平均绝对误差（MAE）分别为23.31,10.14,28.17μg/m³;归一化均方根误差（RMSE）分别为25.80,14.01,32.98μg/m³,准确性（A%）分别为51.39%,72.97%,46.51%.     

低成本大气颗粒物传感器的室外环境性能评测研究

对目前大气环境颗粒物监测中采用的基于光散射法的3种型号传感器进行了评测研究,其中A和B是用于室内环境监测,C用于室外环境监测.对3种型号颗粒物传感器与基于β射线方法的标准仪器MATONE BAM-1020对比,对传感器的变异性、时间序列、传感器与标准仪器的线性相关性、其他因素影响、数据质量五个方面开展了分析.结果表明：各型号颗粒物传感器之间有较强相关性（R²达到了0.95以上）;3种颗粒物传感器与标准仪器测量结果吻合度较高,R²分别为0.58,0.80,0.61,且在整个测试时间段内,传感器相对于标准仪器来说高估了PM_2.5;高的相对湿度（RH>50%）和PM_2.5/PM₁₀（ratio）会对传感器产生影响.A、B、C三种型号传感器PM_2.5数据平均绝对误差（MAE）分别为23.31,10.14,28.17μg/m³;归一化均方根误差（RMSE）分别为25.80,14.01,32.98μg/m³,准确性（A%）分别为51.39%,72.97%,46.51%.     

北碚区气溶胶光学厚度特征及其与颗粒物浓度的相关性

为了解重庆市北碚区大气质量状况,利用其2014年气溶胶光学厚度和颗粒物质量浓度的同步观测结果进行分析.结果表明,北碚区AOD_{500 nm}的年均值为1.46±0.69,其随月份变化明显,其中11月最高为2.90±1.85, 9月最低为0.54±0.05.北碚区存在颗粒物污染的现象,PM_2.5和PM₁₀的年均值分别为(62±40)μg·m^-3和(94±51)μg·m^-3,均超出GB 3095-2012《环境空气质量标准》二级标准限值,PM_2.5与PM₁₀的日均值超标率分别为26%和15%.细粒子PM_2.5与可吸入颗粒物PM₁₀浓度之间呈现显著性相关,全年决定系数R²能够达到0.95(P<0.01),AOD与PM_2.5、 PM₁₀之间全年均呈正相关特性,全年决定系数R²分别为0.48和0.46,且不同季节...     

近20年来中国PM2.5污染演变的时空过程

本研究基于国控监测网络的PM_2.5实测数据、MODIS AOD数据以及气象参数(温度、风速、风向、边界层高度和相对湿度),综合考虑AOD与PM_2.5关系的季节性和区域性差异,构建了基于支持向量回归机(ε-SVR)与思维进化算法优化后的BP神经网络(MEC-BP)的二阶段PM_2.5浓度组合估算模型.在此基础上,分析了2000～2017年中国PM_2.5浓度的时空变化过程.结果表明,本研究提出的二阶段组合估算模型提供了中国2000～2017年内空间分辨率为1°×1°的月度近地面PM_2.5浓度的可靠估算,有效地弥补了中国地面监测网络在时间和空间上的空白(模型的决定系数R²为0. 838,均方根误差RMSE为11. 512μg·m^-3,平均绝对百分比误差MAPE为14. 905%,均方百分比误差MSPE为0. 243%,绝对误差MAE为6. 476μg·m^-3,均方误差MSE为132. 519μg·m^-3     

四川盆地PM2.5与PM10高分辨率时空分布及关联分析

为深入了解四川盆地PM_2.5与PM₁₀污染情况，通过机器学习的方法，基于卫星遥感气溶胶产品（MAIAC）与国家环境空气质量监测网数据以及气象、地理、社会经济变量等，构建2个随机森林机器学习模型（R²均为0.86），反演四川盆地2013~2017年间1km网格逐日PM_2.5与PM₁₀浓度时空分布，并分析两者的时空关联性.结果表明：2013~2017年四川盆地地面PM_2.5与PM₁₀平均浓度分别为47.8，75.2μg/m³.PM_2.5与PM₁₀浓度空间上均整体呈现"倒月牙"状分布，西部与南部区域浓度值较高.5a间，区域颗粒物浓度逐年递减，总降幅均达到27%，季节上则均具有"冬高夏低"的特点；PM_2.5与PM₁₀浓度空间相关性显著（相关系数0.96），呈现"内强外弱"的格局，春夏季相关系数（0.91、0.90）低于秋冬季（0.96、0.96）.盆地西南部PM_2.5与PM₁₀比值较高，比值高低的季节性排序为冬季 > 秋季 > 夏季 > 春季.     

基于深度学习的华东地区PM2.5浓度遥感反演

PM_2.5作为大气污染的主要来源,对人类身体健康有着极大的影响.本文提出基于深度学习模型的多要素联合PM_2.5反演方法,以PM_2.5浓度作为真值数据,引入Himawari气溶胶光学厚度(AOD)日数据产品与温度、相对湿度和气压等10个要素作为反演要素.为验证方法的有效性,采用华东地区2016～2018年的数据分季节开展实验,并与传统反演方法进行对比.结果表明,PM_2.5浓度与AOD、降水、风速、高植被覆盖指数呈正相关关系,与矮植被覆盖指数呈负相关关系,与温度、湿度、气压以及DEM的相关性随季节的变化而改变;基于深层神经网络(DNN)反演的PM_2.5精度高于传统的线性和非线性模型,各个季节R²均在0.5以上并且误差较小,其中秋季的反演效果最好R²为0.86,夏季为0.75,冬季为0.613,春季为0.566;模型的可视化结果显示,DNN模型的反演结果更接近地面监测站点插值的PM_2.5浓度分布,分辨率更高且更精确.     

基于NPP/VIIRS夜光遥感数据的淮安市夜间PM2.5浓度估算研究

PM_2.5是大气的重要污染物,掌握其空间分布对于大气污染防控具有重要意义．目前,PM_2.5遥感监测主要围绕卫星反演的日间AOD数据开展,无法反映夜间大气污染的空间格局．以2019年9—12月NPP/VIIRS夜间灯光影像和空气质量站点PM_2.5观测数据对江苏省淮安市夜间PM_2.5浓度进行估算研究．基于辐射传输方程分析夜间灯光辐射与PM_2.5浓度之间的关系,在此基础上综合考虑灯光辐射直接衰减和散射补偿确定了计算夜间PM_2.5浓度的空间自变量,运用多元线性回归模型（MLR）、随机森林（RF）、Cubist、极端梯度提升树（XGBoost）、神经网络（NNet）、支持向量机（SVM）及最近邻法（KNN）算法构建夜间PM_2.5浓度遥感估算模型．结果表明,多元线性归回模型精度明显低于各个机器学习模型,所有模型中SVM模型精度最高,决定系数R²为0.77,平均绝对误差MAE为20.83μg·m^-3,均方...     

基于混合效应模型的京津冀地区PM2.5日浓度估算

利用2016年182d的MODIS 3km AOD数据与地面监测数据,评估了混合效应模型不同参数组合的模拟性能,得出模型在解释AOD-PM_2.5关系时,对时间序列变异的解释能力要比空间差异更佳.在此基础上,利用混合效应模型建立京津冀地区每日的AOD-PM_2.5关系,模型拟合R²为0.92,交叉验证调整R²为0.85,均方根误差（RMSE）为12.30 μg/m³,平均绝对误差（MAE）为9.73 μg/m³,说明模型拟合精度较高.基于此模型估算的2016年京津冀地区年均PM_2.5浓度为42.98 μg/m³,暖季（4月1日~10月31日）为43.35 μg/m³,冷季（11月1日~3月31日）为38.52 μg/m³,与同时期的地面监测数据差值分别为0.59,0.7,5.29 μg/m³.空间上,京津冀地区的PM_2.5浓度呈现南高北低的特征,有一条明显的西南-东北走向的高值区.研究结果表明,基于每日混合效应模型可以准确评估京津冀地区的地面PM_2.5浓度,且模型估算的PM_2.5浓度分布状况为区域大气污染防治提供了基础的数据支撑.     

两种不同构型b射线颗粒物分析仪线性关系的有效性评价

为评价导流锥式同时采样-测量β射线颗粒物分析仪的测量准确度,以分步采样-测量β射线颗粒物分析仪采样分析作为参比方法,使用2类构型的仪器对环境空气中可吸入颗粒物PM₁₀和细颗粒物PM_2.5进行长期平行比对监测.本文依据EN 16450标准对比对数据线性关系进行有效性评价,建立了修正的线性方程,导出了方法间不确定度评价式,结果表明导流锥式同时采样-测量结构和分步采样-测量结构的β射线颗粒物分析仪之间存在有效的线性关系.通过仪器内置修正参数浓度斜率、浓度截距修正后,在较宽浓度跨度范围（0~250μg/m³）内和足够多的比对数据（n>100）条件下,两种不同结构的仪器监测PM₁₀和PM_2.5的比对斜率、截距和相关系数（参比方法作为X轴）均能满足EPA CFR 40part53的要求.     

基于GTWR-XGBoost模型的四川省PM2.5小时浓度估算

卫星气溶胶光学厚度(AOD)和气象数据已被广泛用于估算空气动力学直径≤2.5μm的地表颗粒物(PM_2.5)浓度.研究高时间分辨率、高精度的PM_2.5浓度估算方法,对及时准确的空气质量预报和大气污染的预防及缓解具有重要意义.使用Himawari-8 AOD小时产品和ERA5气象再分析资料作为估算变量,提出GTWR-XGBoost组合模型,对四川省PM_2.5小时浓度进行估算.结果表明：(1)提出的组合模型运用于全数据集的性能优于KNN、 RF、 AdaBoost、 GTWR、 GTWR-KNN、 GTWR-RF和GTWR-AdaBoost模型,拟合精度指标R²、 MAE和RMSE分别为0.96、 3.43μg·m^-3和5.52μg·m^-3,验证精度指标R²、 MAE和RMSE分别为0.9、 4.98μg·m^-3和7.92μg·m^-3.(2)该模型作用于PM_2.5浓度小时估算...     

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.      

新型冠状病毒肺炎疫情防控时期上海市空气质量特征及成因分析

为研究新型冠状病毒肺炎（COVID-19）疫情防控政策实施对上海市大气污染物质量浓度的影响,利用上海市内环某高层顶楼微环境平台观测了政策实施前10 d（2020-01-14—23）和实施后20 d（2020-01-24—02-12）的PM_2.5和PM₁₀质量浓度及气象要素（温度、相对湿度、风向、风速、大气压及降雨）,结合2019年同期观测数据和杨浦四漂空气质量监测点的气态污染物逐时数据,采用描述性统计、合成分析、拉格朗日粒子扩散模式和Spearman相关系数方法,分析了政策实施前、后大气污染物特征及其影响因素。结果表明:1）污染物浓度变化方面。政策实施后,ρ（PM_2.5）和ρ（PM₁₀）和ρ（NO₂）均明显降低,ρ（PM_2.5）和ρ（PM₁₀）分别由61.4,102.4 μg/m3降至38.1,63.5 μg/m3,降幅均为38.0%,ρ（NO₂）由57.3 μg/m3降至27.0 μg/m3,降幅达到52.9%,而ρ（O₃）由47.6 μg/m3增至69.5 μg/m3。ρ（PM_2.5）和ρ（PM₁₀）日变化特征由实施前的双峰双谷型变为单谷型。2）气象因素影响方面。上海地区南风异常减弱了冬季风强度,对流层中层正距平异常抑制了对流活动的发展,易导致大气污染物在近地面的汇聚。ρ（PM_2.5）和ρ（PM₁₀）与相对湿度呈负相关,风速对ρ（PM_2.5）和ρ（PM₁₀）的影响与风向有关。3）外源输入影响方面。长三角城市群及山东省、河南省等周边区域对上海市ρ（PM_2.5）和ρ（PM₁₀）贡献显著。     

2018—2021年京津冀及周边地区“2+26”城市PM2.5与O3污染特征及气象影响

为了解《打赢蓝天保卫战三年行动计划》期间(2018—2020年)以及之后(2021年)我国重点污染区域空气质量情况,并区分排放源控制与气象条件的贡献,本文利用逐小时监测的PM_2.5、O₃浓度以及气象要素数据,研究了2018—2021年京津冀及周边地区“2+26”城市PM_2.5与O₃污染特征,结合KZ (Kolmogorove Zurbenko)滤波方法定量分析了排放源与气象条件对PM_2.5与O₃浓度长期趋势的贡献. 结果表明:①2018—2021年“2+26”城市PM_2.5浓度年均值与O₃-8 h-90th浓度(O₃日最大8 h平均浓度的第90百分位数)均呈逐年下降趋势. 2018—2021年PM_2.5浓度年均值分别为60、57、51和45 μg/m3,河北省南部、河南省与山东省南部PM_2.5浓度年均值均较高;O₃-8 h-90th浓度分别为198、195、179和171 μg/m3,2018年保定市、石家庄市、聊城市与晋城市的O₃-8 h-90th浓度(>210 μg/m3)均较高,而2021年太原市O₃-8 h-90th浓度(192 μg/m3)较高. ②PM_2.5与O₃-8 h浓度(O₃日最大8 h平均浓度)的长期分量在大部分城市受气象条件影响较为明显. 受气象条件影响的PM_2.5浓度长期分量在2018—2020年无明显趋势,在2021年呈下降趋势;受排放源影响的PM_2.5浓度长期分量在2018—2020年呈下降趋势,在2021年无明显趋势. 受气象条件影响的O₃-8 h浓度长期分量在2018—2020年呈下降趋势,在2021年呈上升趋势;受排放源影响的O₃-8 h浓度长期分量在2018年呈下降趋势,在2019—2021年无明显趋势. ③11个气象因子中,温度和相对湿度对PM_2.5与O₃-8 h浓度变化的影响较大,当温度与相对湿度均比前一天升高时,更有利于PM_2.5与O₃-8 h浓度的同时升高. 研究显示,“2+26”城市PM_2.5与O₃污染受气象条件影响显著,温度与相对湿度的变化对判定PM_2.5与O₃-8 h浓度同时升高的现象有一定积极意义.      

2015—2020年湖北省PM2.5和臭氧复合污染特征演变分析

为揭示湖北省PM_2.5和臭氧(O₃)复合污染演变特征,基于湖北省17个地市的空气质量国控点和武汉市大气超级站组分监测数据,全面分析湖北省17个地市2015—2020年PM_2.5和O₃的时空变化特征及相关关系,探讨PM_2.5和O₃协同效应的成因机理. 结果表明:①2015—2020年,湖北省PM_2.5显著改善,平均降幅为4.7 μg/(m3·a),但冬季负荷仍较高,主要集中于中部地区;O₃污染凸显,平均增幅为3.8 μg/(m3·a),污染集中在4—10月的暖季,东部地区最严重,近两年超标天数已与PM_2.5相当. ②湖北省PM_2.5和O₃关联日趋密切,协同效应显著,日评价指标显示夏季二者呈显著正相关(相关系数为0.57),近两年当PM_2.5浓度≤50 μg/m3时,相关系数高达0.63;冬季PM_2.5浓度与O_x(O₃+NO₂)浓度呈正相关,尤其2020年东部城市二者相关性高达0.46,显示大气氧化性对PM_2.5二次污染的重要性. ③以武汉市为例,归纳PM_2.5和O₃复合污染的成因,暖季低PM_2.5背景下,高温、中等湿度和弱风速的气象条件以及VOCs和NO_x等前体物的高浓度排放,使得受VOCs主控的光化学反应加剧,易造成O₃污染,从而加强PM_2.5二次生成;冬季高的大气氧化性,叠加不利气象条件,促进颗粒物的二次生成,导致重污染时PM_2.5组分以硝酸盐等二次无机组分为主. 研究显示,湖北省PM_2.5和O₃协同控制重点为,在保持现有NO_x控制力度基础上强化VOCs控制,遏制暖季和东部区域O₃浓度上升,加强冬季和中部PM_2.5治理.      

基于线性混合效应模型的河北省PM2.5浓度时空变化模型研究

京津冀地区大气PM_2.5污染严重.为揭示区域PM_2.5时空分布规律,使用2013-2014年河北省地面站点PM_2.5监测数据、MODIS AOD（气溶胶光学厚度）遥感数据、地面气象站点数据和土地利用调查数据,基于线性混合效应模型（LME）,建立了ρ（PM_2.5）时空变化与AOD因子、气象因子、土地利用因子之间的关系模型.采用十折交叉验证法对模型精度进行检验,并利用计算得到的校正因子[全部实测的ρ（PM_2.5）年均值除以参与建模的所有实测ρ（PM_2.5）年均值]纠正因AOD非随机性缺值导致的抽样偏差.结果表明:①河北省区域模拟精度R2（决定系数）为0.85,经交叉验证后R2为0.77,RMSE（均方根误差）和RPE（相对预测误差）分别为18.28 μg/m3和28.68%.②ρ（PM_2.5）年均值模拟结果的校正因子范围为1.24~2.05,校正后的研究区ρ（PM_2.5）年均值为89.84 μg/m3,与实际监测数据相近.③ρ（PM_2.5）空间分布呈平原高、山区低,平原地区西南高、东北低的趋势.④ρ（PM_2.5）与AOD、温度、相对湿度呈正相关,与风速、大气能见度呈负相关.研究显示,线性混合效应模型能有效对ρ（PM_2.5）进行时空变化模拟,并实现对非地面监测地区ρ（PM_2.5）时空变化的预测,恰当的预测因子组合和模型校正有助于模型预测精度的提升.      

长三角背景点夏季大气PM2.5中水溶性无机离子污染特征及来源解析

为研究长三角背景点夏季PM_2.5污染特征,于2018年5月30日—8月15日在上海市崇明岛对PM_2.5样品进行昼夜采集,并对其中水溶性无机离子(Cl-、NO₃-、SO₄2-、Na+、NH₄+、K+、Mg2+、Ca2+)进行了分析.运用PSCF(潜在源贡献)方法判别污染物排放源区,并结合PCA(主成分分析)和PMF(正交矩阵因子)源解析探究PM_2.5来源.结果表明:①观测期间崇明岛ρ(PM_2.5)平均值为(33±21)μg/m3,低于GB 3095—2012《环境空气质量标准》一级标准限值(35 μg/m3),但在部分时段存在显著超标现象,ρ(PM_2.5)最高值在120 μg/m3以上.②水溶性无机离子质量浓度平均值为(14±9.3)μg/m3,占PM_2.5的42.4%,其中SNA(SO₄2-、NO₃-、NH₄+三者统称)为主要离子,占水溶性离子总质量浓度的85.7%.③n(NH₄+)/n(SO₄2-)(NH₄+与SO₄2-的摩尔浓度比)显示,清洁期〔ρ(PM_2.5) < 15 μg/m3〕呈贫铵状态,过渡期〔15≤ρ(PM_2.5)≤35 μg/m3〕和污染期〔ρ(PM_2.5)>35 μg/m3〕均呈富铵状态;过渡期SNA主要以NH₄HSO₄和NH₄NO₃形式存在,而污染期则主要以(NH₄)₂SO₄和NH₄NO₃形式存在.④通过对两次典型污染事件进行离子相关性分析和PSCF分析发现,E1污染事件(5月30日—6月8日)为局地生物质燃烧型污染事件,E2污染事件(7月23日—8月1日)为区域传输污染事件.源解析结果进一步表明,两次典型污染事件期间气态污染物的二次转化对PM_2.5的贡献最显著,贡献率分别为62.8%和59.8%;其次是生物质燃烧,其贡献率分别为32.5%和20.1%;E2污染事件期间海盐源对崇明岛PM_2.5贡献率较高(16.6%),远超过E1污染事件期间对PM_2.5的贡献率(2.7%).研究显示,区域输送对崇明岛PM_2.5有显著贡献,二次颗粒物累积是崇明岛PM_2.5超标的主要原因.      

HEPA空气净化器对学校室内颗粒物的净化效果研究

为了解HEPA（high efficiency particle air filter,高效空气过滤器）空气净化器在小学教室和寝室的净化效果,于2019年3—4月在北京市一所全寄宿小学开展了一项HEPA空气净化器的交叉干预研究.记录干预组、非干预组室内和室外PM_2.5、PM₁₀、PM₁的浓度,计算空气净化器的净化率;采用多元线性回归模型探索净化效果的影响因素.结果表明:①空气净化器对PM_2.5、PM₁₀、PM₁的净化率分别为41.3%〔Q_l~Q_u（下四分位数~上四分位数,下同）:0~53.1%〕、40.7%（10.5%~46.2%）和34.9%（9.6%~40.3%）,其中对PM_2.5的净化率最高;寝室的净化率高于教室的净化率.②当室外PM_2.5浓度为[115,150）μg/m3时对PM_2.5的净化率最高,为52.83%（50.26%~56.13%）,PM₁₀和PM₁亦有类似结果.③多元线性回归分析表明,室外PM_2.5浓度 < 35 μg/m3时,开门通风和室内人员活动分别使室内PM_2.5浓度下降3.73 μg/m3〔95%置信区间（95% CI）:（0.60 μg/m3,6.86 μg/m3）〕和升高3.4 μg/m3（0.22 μg/m3,6.58 μg/m3）;室外PM_2.5浓度为[35,150）μg/m3时,空气净化器使室内PM_2.5浓度下降33.36 μg/m3（16.47 μg/m3,50.25 μg/m3）;室外PM_2.5浓度≥150 μg/m3时,空气净化器和开门通风分别使室内PM_2.5浓度下降48.87 μg/m3（25.62 μg/m3,72.12 μg/m3）和升高37.65 μg/m3（5.60 μg/m3,69.69 μg/m3）.研究显示:空气净化器可同时降低室内PM_2.5、PM₁₀、PM₁的浓度;当室外PM_2.5浓度 < 35 μg/m3时,不需开启空气净化器;当室外PM_2.5浓度为[35,150）μg/m3时,空气净化器有较好的净化效果,偶尔开窗通风不影响空气净化器的净化效果;当室外PM_2.5浓度≥150 μg/m3时,开启空气净化器时应关闭门窗,以免影响其净化效果.      

嘉兴市冬季不同空气质量等级下大气污染物的分布特征

为研究浙江省嘉兴市冬季PM、污染气体和含碳气溶胶在不同空气质量等级下的分布特征,于2013年11月28日—12月28日使用SHARP测尘仪、热电EMS系统和Sunset在线OCEC分析仪观测了PM（PM₁₀和PM_2.5）、污染气体（SO₂、NO₂、CO和O₃）和含碳气溶胶〔OC（有机碳）、EC（元素碳）和TC（总碳）〕的质量浓度,结合气象数据和HYSPLIT模式,分析了霾污染过程中大气污染物浓度变化、日变化及其来源特征.结果表明:嘉兴市冬季霾天ρ（PM_2.5）、ρ（PM₁₀）、ρ（SO₂）、ρ（NO₂）、ρ（O₃）、ρ（OC）、ρ（EC）、ρ（POC）和ρ（SOC）分别为167.90、248.86、77.79、、97.16、28.50、27.09、7.72、7.50和19.59 μg/m3,ρ（CO）为1.47 mg/m3,分别是空气质量为良时的3.00、2.50、1.29、1.84、0.86、2.59、2.19、2.13、2.82和1.50倍.降雨对不同大气污染物的清除作用不同,对粗粒子的清除作用较大,而对二次产物O₃的影响较小.高ρ（PM）是造成能见度降低的主要原因,随着污染程度的加剧,PM中细粒子占比越来越高,在严重污染过程中ρ（PM_2.5）/ρ（PM₁₀）可达70.31%,比空气质量为良时高14.04%;不同污染气体的日变化不同,OC和EC的来源逐渐趋于一致,ρ（SOC）呈现出积累-爆发-积累-爆发的往复过程,边界层的日变化对污染物浓度的影响逐渐减弱.研究显示,随着霾污染的加剧,SOC气溶胶占比逐渐增加、EC和POC等一次碳气溶胶占比逐渐降低.