基于WRF模型与气溶胶光学厚度的PM2.5近地面浓度卫星反演

为了反演高分辨率的PM_2.5近地面浓度,利用WRF(中尺度气象模型)模拟的大气相对湿度、风速、边界层高度等气象因子对AOD(气溶胶光学厚度)分别进行订正,以逐步提高AOD与近地面ρ(PM_2.5)间的相关性;分析不同反演模型的统计学特征,优选反演模型,并利用最优模型反演中国中东部地区2014年年均ρ(PM_2.5)的空间分布特征.结果表明:AOD经相对湿度订正后,其与近地面ρ(PM_2.5)的相关性显著提高,相关系数达到0.77;同时引入相对湿度、风速2个气象因子,AOD与近地面ρ(PM_2.5)的相关系数升至0.79(n=145,P<0.01);同时引入相对湿度、风速和边界层高度3个气象因子,AOD与近地面ρ(PM_2.5)的相关系数进一步升至0.80(n=145,P<0.01).模型反演表明,研究区域内ρ(PM_2.5)年均值大于35 μg/m3的面积高达334.49×104 km2,占研究区域面积的83.2%,并且高污染地区与人口密度高度重合.分析表明,北京、天津、河北、山东及河南等典型重污染省、直辖市分别有96.30%、100%、78.16%、98.86%、100%面积的ρ(PM_2.5)超标,分别约有99.97%、100%、96.41%、98.88%、100%人口生活在空气质量超标地区.      

基于时空混合效应模型的京津冀PM2.5浓度变化模拟

为揭示京津冀地区高精度PM_2.5的时空分布特征,以空间分辨率为1 km的MAIAC AOD数据为主要预测因子,以气象数据、植被指数、夜间灯光数、人口密度和海拔数据作为辅助因子,构建了一种新的时空混合效应模型（STLME）,在拟合最优次区域划分方案基础上对京津冀地区PM_2.5浓度进行预测分析.结果表明,基于STLME模型的ρ(PM_2.5)预测精度高于传统的线性混合效应模型（LME）,其十折交叉验证（CV）R²为0.91,明显高于LME模型的0.87,说明STLME模型在同时校正PM_2.5-AOD关系的时空异质性方面具有优势.最优次区域划分方案识别出PM_2.5-AOD关系的空间差异,并结合缓冲区平滑方法,提高了STLME模型预测精度.京津冀PM_2.5浓度时空变化差异显著,高值区主要分布在以石家庄、邢台和邯郸为中心的河北南部,低值区则位于燕山-太行山区;冬季PM_2.5污染最严重,其次是秋季和春季,夏季污染最轻.STLM...     

天山北坡经济带城市PM2.5质量浓度时空分布及模拟分析

PM_2.5扩散/积聚有着复杂的物理、化学过程,其时空变化与前体污染物及气象条件密切相关.为探究区域城市ρ（PM_2.5）的变化规律,以天山北坡经济带城市为研究区,采用2015年1月-2017年10月大气污染物监测数据和气象数据,结合数理统计和GIS空间分析技术,分析研究区ρ（PM_2.5）的时空变化特征;借助普通OLS（最小二乘法）分析影响因子的多重相关性,通过PLS（偏最小二乘）法构建ρ（PM_2.5）估算模型.结果表明:①研究区各城市小时ρ（PM_2.5）呈"W"型双峰变化;各月份ρ（PM_2.5）呈"U"型特征,月均值为59.5 μg/m3,2月和9月分别为ρ（PM_2.5）最高月和最低月;各季节ρ（PM_2.5）排序为冬季（146.6 μg/m3）＞秋季（35.2 μg/m3）＞春季（34.1 μg/m3）＞夏季（26.8 μg/m3）;空间上ρ（PM_2.5）由西北部克拉玛依市向东南部乌鲁木齐市逐渐增大.②PLS法构建模型能有效克服自变量多重相关性的问题,模型可解释自变量95.7%和因变量80.1%的变异信息,年均模拟值与实测值偏差为9.82%.③研究区各城市ρ（PM_2.5）与ρ（CO）的相关性极显著,与气象因子中的风速和气温的相关性较显著,而与相对湿度的相关性不显著.研究显示,基于前体污染物和气象因子的PLS法构建模型是模拟ρ（PM_2.5）的有效方法.      

成渝城市群PM2.5的时空分布及其影响因素研究

随着工业化与城镇化的深入推进,成渝城市群的PM_2.5污染不断加剧,呈明显的区域性与复合性特征.该研究以2015—2017年成渝城市群空气质量监测站的日均ρ（PM_2.5）数据为基础,结合区域气象、遥感与统计年鉴等多源数据,采用反距离插值法分析了ρ（PM_2.5）的时空分布差异,采用Moran's I指数与LISA指数探索了ρ（PM_2.5）的全局和局部空间自相关性,并利用空间回归模型研究了自然、经济社会等因素对ρ（PM_2.5）的影响.结果表明:①成渝城市群ρ（PM_2.5）分布存在明显的时空差异.时间上,2015年PM_2.5污染最严重,ρ（PM_2.5）年均值为54.38 μg/m3,2016年、2017年PM_2.5污染状况逐年减轻,ρ（PM_2.5）年均值分别为53.68与47.56 μg/m3;空间上,成渝城市群东北部ρ（PM_2.5）较低,而南部ρ（PM_2.5）较高.②空间自相关分析结果表明,PM_2.5污染在成渝城市群存在显著的空间聚集性,成渝城市群南部ρ（PM_2.5）呈高值-高值聚集,成渝城市群北部ρ（PM_2.5）则呈低值-低值聚集.③空间回归结果表明,成渝城市群范围内某一地区邻近区域的ρ（PM_2.5）平均值增加1%时,该地区ρ（PM_2.5）将上升至少0.38%.城镇化率对ρ（PM_2.5）的影响最大,其次是第一产业增加值,再次是工业增加值占比和降水量.城镇化率、降水量与ρ（PM_2.5）呈负相关,而第一产业增加值、工业增加值占比与ρ（PM_2.5）呈正相关.研究显示,加快城镇化进程、减少第一产业排放、降低工业增加值占比（尤其是重污染工业）是有效解决成渝城市群PM_2.5污染的重要手段.      

基于深度学习方法的PM2.5精细化时空估算模型

提出一种基于深度学习方法的地面PM_2.5浓度时空估算模型（PM_2.5-DNN）,该模型基于葵花-8卫星反演的AOD数据,结合PM_2.5监测站和气象站点观测数据对北京市地面PM_2.5浓度进行了逐时的高精度模拟,同时将PM_2.5-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_2.5-DNN模型估算的北京地区1km分辨率每小时地面PM_2.5浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R²=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_2.5浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_2.5浓度估算提供了一个简便而有效的方法模型.     

基于遥感数据估算近地面PM2.5浓度的研究进展

卫星反演的气溶胶光学厚度(AOD)具有广泛的空间覆盖度和相对较高的时空分辨率. 基于AOD与PM_2.5的相关关系来估算PM_2.5浓度已成为监测近地面PM_2.5的有效途径,其估算结果较可靠,能够为治理PM_2.5污染提供数据基础和科学依据. 从反演AOD数据集和PM_2.5浓度估算模型2个方面进行梳理归纳,从卫星轨道运行类型角度分析各类传感器的产品特征,并对缺失AOD的插补方法进行分类评价;对PM_2.5浓度的估算模型进行比较分析,指出不同模型的优缺点和适应性. 结果表明:①各类卫星传感器均具有特定功能及优缺点,其中地球同步轨道(GEO)卫星的快速发展,使其在估算PM_2.5浓度的应用上越来越广泛. ②插补后的AOD比AOD初始产品具有更连续的时空分布和更高的准确性,基于模型的多变量估算不仅可以实现数据的全面覆盖,还可以获得更好的估算精度. ③组合模型成为估算PM_2.5浓度的重要方法,机器学习模型的加入能够有效提高PM_2.5浓度的估算精度. 研究显示,利用AOD估算近地面PM_2.5浓度不仅弥补了地面PM_2.5监测的空间不连续性,更有助于解析PM_2.5浓度的时空分布特征及污染来源.      

北京大气PM2.5遥感监测业务化方法探讨

为探索卫星遥感监测大气ρ(PM_2.5)业务化方法,以北京为例,利用2013年MODIS卫星资料和北京35个地面自动监测站(下称自动站)的实时观测数据,以目前国内外应用最广泛的3种卫星反演大气气溶胶的方法——AOD(气溶胶光学厚度)、K_drya,0(气溶胶干消光系数)和R_a(气溶胶表观反照率)反演地面ρ(PM_2.5)的方法(分别称为AOD法、K_drya,0法和R_a法)为基础,结合地面ρ(PM_2.5)实测数据,建立了气溶胶反演参数与ρ(PM_2.5)统计关系,进一步测算了全市区域ρ(PM_2.5)的分布情况.结果表明:3种方法都具有较高的反演精度,其获取的全年ρ(PM_2.5)与地面实测数据的相关系数分别达到0.80、0.81和0.85,其中R_a法结果精度最高.从季节来看,R_a法在除夏季外的其他季节与地面监测数据相关系数都在0.70以上,优于其他2种方法.建议在春、秋、冬三季以R_a法,夏季以AOD法或K_drya,0法为基础进行北京PM_2.5业务化遥感监测.基于R_a法探讨了在2013年11月20—23日区域性大气重污染过程中北京PM_2.5区域分布特征和变化过程,卫星反演结果相对误差低于20%,直观地反映了区域大气颗粒物污染的时空分布规律.研究显示,三者都可以用来反演北京地区ρ(PM_2.5),其中R_a法最简便易行,尤其适用于业务化遥感监测.      

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.      

2017年汾渭平原东部大气颗粒物污染特征分析

高度集中的煤炭产业和繁忙的交通运输使得汾渭平原成为全国污染最严重的地区之一.利用中国环境监测总站发布的大气环境监测资料,以统计的方法分析了2017年汾渭平原东部三门峡市、运城市、渭南市、洛阳市的颗粒物质量浓度演变特征,并与北京市开展对比分析.结果表明:①2017年汾渭平原东部颗粒物污染形势较为严峻,ρ（PM_2.5）年均值范围为61~75 μg/m3,高于北京市（58 μg/m3）,ρ（PM_2.5）/ρ（PM₁₀）范围为0.47~0.57,远低于北京市的0.66,说明汾渭平原东部一次颗粒物的贡献更为显著.②与北京市相比,汾渭平原东部重污染有效时数较长,在三门峡市、运城市、渭南市和洛阳市出现PM_2.5重度及以上污染过程的时数分别占全年总时数的6.56%、8.91%、9.23%和9.10%.但由于汾渭平原东部重污染期间颗粒物质量浓度较北京市低,因此造成汾渭平原东部和北京市重度及以上污染过程中颗粒物质量浓度平均值在颗粒物质量浓度年均值中占比基本相同.③汾渭平原东部颗粒物质量浓度的周变化特征与北京市有显著区别.④重污染期间,汾渭平原东部ρ（PM_2.5）和ρ（PM₁₀）的日变化特征与ρ（SO₂）相同,均呈白天高、夜间低的特征,而北京市ρ（PM_2.5）和ρ（PM₁₀）的日变化特征与ρ（SO₂）相反,呈白天低、夜间高的特征,说明汾渭平原东部特殊的能源结构、边界层动力演变和局地环流造成高架点源对重污染期间污染物质量浓度的影响较显著.研究显示,汾渭平原东部应该加强重污染期间高架点源的管控.      

基于随机森林模型的武汉市城区大气PM2.5来源解析

基于2019年12月～2020年11月期间武汉市城区大气PM_2.5及其主要化学组分（碳质组分、水溶性离子和元素组分）的在线监测数据,分析武汉城区大气PM_2.5的污染特征,并利用主成分分析方法和随机森林模型,对PM_2.5进行来源解析．结果表明,武汉市大气ρ(PM_2.5)冬季最高,为（61.33±35.32）μg·m^-3,而夏季最低,为（17.87±10.06）μg·m^-3．其中碳质组分以有机碳为主,年均值为（7.27±3.51）μg·m^-3,离子组分中ρ（NO₃^-）、ρ(SO₄^2-)和ρ（NH₄⁺）最高,年均值分别为（11.55±3.86）、（7.55±1.53）和（7.34±1.99）μg·m^-3,元素组分中ρ（K）、ρ（Fe）和ρ（Ca）最高,年均值分别为（752.80±183.9...     

基于GF-4卫星的长三角城市群PM2.5遥感反演

基于静止卫星高分四号（GF-4）遥感数据,利用6SV辐射传输模型与暗目标算法进行高空间分辨率气溶胶光学厚度（AOD）遥感反演;在此基础上,结合地面监测站大气细颗粒物（PM_2.5）浓度、气象资料等数据,采用物理订正方法及线性混合效应模型,实现长三角城市群区域大尺度空间连续的PM_2.5浓度遥感反演;最后利用十折交叉验证法对反演精度进行验证.结果表明：GF-4反演的AOD结果分辨率较高,空间连续性好,与AERONET地基监测相关性R达到0.82;利用GF-4 AOD的PM_2.5估算模型精度较高,模型估算PM_2.5浓度与地面实测数据拟合度R²为0.74;在分春夏秋冬4个季节建模情景下,交叉验证R²依次为0.67,0.59,0.63和0.72,平均绝对误差MAE为10.40,7.42,10.10,13.34μg/m³,表明GF-4卫星适用于区域PM_2.5浓度监测.     

不同季节天津市PM2.5与O3潜在源区及传输路径分析

为探究天津市各季节PM_2.5与O₃污染的非本地源贡献情况,本文以2017—2019年为研究时段,应用HYSPLIT模型,基于MeteoInfo软件对不同季节气流后向轨迹进行聚类分析,通过计算潜在源贡献因子(potential source contribution function, PSCF)、浓度权重轨迹(concentration-weighted trajectory, CWT)对天津市PM_2.5与O₃污染的外来潜在源区以及可能的污染传输途径进行研究. 结果表明:①天津市PM_2.5和O₃污染均较为严重,且具有明显季节性特征. 天津市各季节的气流变化明显,春、秋两季以西南方向气流为主,夏季以来自渤海的气流为主,冬季则以西北方向气流为主. ②天津市西南方向气流在各季节对应的污染物浓度均较高,春、秋两季西南方向气流携带的ρ(PM_2.5)和O₃浓度8 h滑动平均值〔简称“ρ(O₃-8 h)”〕均最高;夏季,西南方向气流携带的ρ(O₃-8 h)最高;冬季,西南方向轨迹携带的ρ(PM_2.5)最高. ③西南方向上河北省南部的邯郸市,山东省西部的菏泽市、聊城市,以及河南省北部的开封市、濮阳市、新乡市均为天津市PM_2.5与O₃污染的主要潜在源区. 此外,冬季张家口市和唐山市对天津市PM_2.5污染的潜在影响也较大. 冬季影响天津市PM_2.5污染的外来潜在源区情况较为复杂,除西南气流外,其还受西北部与东部气流的影响. 研究显示,天津市大气污染区域联防联控需重点关注河北省南部、河南省北部以及山东省西部城市的潜在输送影响.      

基于Stacking的地面PM2.5浓度估算

为了解决地面PM_2.5监测网络在空间和时间覆盖受限的问题,提出了基于宽时空覆盖的卫星气溶胶光学厚度AOD,利用Stacking方法建立地面PM_2.5浓度估算模型,将AOD、PM_2.5和各气象参数以及与PM_2.5排放有关的数据进行训练,使用改进网格搜索对模型超参数进行优化,通过对多重共线性分析,建立基于Stacking的最优PM_2.5浓度估算模型。选取2016-01-01-2016-12-31的数据作为实验对象,结果表明:相比于随机森林、GBRT和XGBoost 3种模型,使用岭回归作为元学习器的Stacking模型性能更优,可见Stacking适用于大范围地理区域的大气污染监测。     

基于后向轨迹模式的豫南地区冬季PM2.5来源分布及传输分析

为研究2017年12月—2018年2月冬季不同来源区域对豫南地区ρ（PM_2.5）的贡献影响及污染特征,利用HYSPLIT-4后向轨迹模式模拟了豫南地区冬季24 h的气团后向轨迹,结合ρ（PM_2.5）在线监测数据进行了聚类分析,研究了以豫南地区为受点的各月份PM_2.5不同轨迹的输送特征,并使用潜在源贡献（PSCF）分析法和浓度权重轨迹（CWT）分析法识别了豫南地区冬季PM_2.5的潜在贡献源区及贡献大小.结果表明:①信阳市空气质量最好,其次为驻马店市,南阳市空气质量最差;南阳市、信阳市和驻马店市ρ（PM_2.5）分别超过GB 3095—2012《环境空气质量标准》二级标准限值（75 μg/m3）的1.5、1.2和1.2倍,ρ（PM_2.5）日变化均呈双峰特征.②后向轨迹聚类分析表明,豫南地区主要受到来自西北和东北方向长距离传输和正南方向较短距离输送的影响.③潜在源区分析表明,除豫南地区及周边市县本地污染贡献外,冀鲁豫交界区域、陕鄂交界区域、陕西省中西部、湖北省东北部和西部、河南省中北部、山东省南部是影响豫南地区ρ（PM_2.5）的主要潜在源区.研究显示,豫南地区PM_2.5污染过程除了与地形条件、本地污染源排放有关外,来自东北、西北传输通道城市的远距离输送和南部的近距离传输也不容忽视.      

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。     

泰山顶PM2.5及其二次组分的输送路径与潜在源

为了明确泰山顶PM_2.5及其二次组分的输送路径与潜在来源,基于后向轨迹聚类方法对2015年冬季和春季抵达泰山顶的气团传输轨迹进行聚类分析,并利用PSCF（潜在源贡献因子）和CWT（浓度权重轨迹）方法分析泰山顶冬季和春季PM_2.5、SO₄2-、NO₃-和NH₄+的潜在源域.结果表明,冬季和春季来自不同方向的气团轨迹对泰山顶PM_2.5及其组分的潜在源分布的影响具有明显差异.冬季泰山顶ρ（PM_2.5）和ρ（NO₃-）平均值的最高值对应的气团轨迹来自湖北、河南、山东济宁等地区,而来自西北方向的轨迹1和轨迹2分别对应的ρ（SO₄2-）和ρ（NH₄+）平均值最高;春季影响ρ（PM_2.5）和ρ（NO₃-）的气团轨迹主要来自西南方向的河南、安徽北部、山东聊城等地区,而源自蒙古国途经内蒙古、山西、河南北部和山东聊城的气团轨迹对ρ（SO₄2-）和ρ（NH₄+）的贡献最大.泰山顶ρ（PM_2.5）、ρ（SO₄2-）、ρ（NO₃-）和ρ（NH₄+）的PSCF分布特征与CWT分布特征类似,WPSCF（源区分布概率）和CWT的最高计算值主要集中山东济宁、聊城以及邻近的山西省、河北省和河南省,是泰山顶大气污染物的主要潜在源域.      

广州市交通干线附近细颗粒污染特征

利用中山大学大气环境监测平台数据,对广州市交通干线附近的ρ(PM_2.5)和ρ(PM₁)进行了统计学分析,以研究交通干线附近细颗粒污染特征及变化规律. 结果表明:2008—2012年广州市PM_2.5超标严重,但ρ(PM_2.5)有所下降. 受季节性污染源及气象因素影响,广州市夏季ρ(PM_2.5)平均值为42μg/m3,明显低于春、秋、冬三季. ρ(PM_2.5)在工作日与周末差异明显,周末明显高于工作日,而ρ(PM₁)在工作日与周末差异不明显. ρ(PM_2.5)与ρ(PM₁)日变化趋势基本一致,整体上呈白天低、夜晚高,上午低、下午高的特征. ρ(PM_2.5)日变化呈单峰,19:00左右达到最大值(53μg/m3);而ρ(PM₁)呈双峰变化,在20:00左右达到高峰值(43μg/m3),上午09:00左右也有一小峰值(37μg/m3). ρ(PM_2.5)和ρ(PM₁)的相关性较好,R(相关系数)为0.94,PM₁是PM_2.5的主要构成颗粒,所占比重平均值为0.65. ρ(PM_2.5)和ρ(PM₁)均与交通流量存在相关性,在白天和夜晚变化趋势相一致,但交通流量白天与ρ(PM_2.5)更为密切,夜晚则与ρ(PM₁)更为密切.      

廊坊市开发区冬季颗粒物碳组分污染特征及来源分析

廊坊市是北京市及周边传输通道“2+26”城市之一.为研究廊坊市开发区冬季颗粒物中碳组分污染特征,于2018年1月5日—2月5日在廊坊市开发区国控点位同步开展PM_2.5及PM₁₀样品采集,使用DRI分析OC（有机碳）与EC（元素碳）的质量浓度.结果表明:廊坊开发区冬季ρ（PM_2.5）、ρ（PM₁₀）分别为（54.5±46.0）（91.0±58.2）μg/m3.PM_2.5中ρ（OC）、ρ（EC）分别为14.64、3.54 μg/m3,PM₁₀中分别为17.07、4.58 μg/m3;PM_2.5、PM₁₀中ρ（OC）与ρ（EC）相关性均较好,R2均为0.91（P < 0.01）,表明二者具有相似的来源;在PM_2.5和PM₁₀中OC/EC〔ρ（OC）/ρ（EC）,下同〕分别为4.46和4.16,ρ（SOC）（SOC为二次有机碳）分别为6.15和5.88 μg/m3,分别占ρ（OC）的42.1%和37.7%,表明二次污染较严重.碳组分丰度及主成分分析结果表明,PM_2.5与PM₁₀中碳组分来源基本一致,主要来源于汽车尾气、水溶性极性化合物、生物质燃烧及燃煤的混合源,柴油车排放,以及道路扬尘.后向气流轨迹聚类结果表明,颗粒物及碳组分质量浓度受途径内蒙古自治区及河北省中部、北京市南部气团的影响较大;对于碳组分来源,道路扬尘及汽车尾气受气团传输的影响较大,而生物质燃烧、燃煤等受气团传输的影响较小.研究显示,汽车尾气、燃烧源及道路扬尘为廊坊市开发区冬季碳组分的主要来源.      

关于渗透通风条件建筑结构对室内PM2.5浓度水平影响评价模型探讨

我国京津冀地区近年频遭大气PM_2.5污染侵扰,相关研究表明,既使关闭建筑外窗,大气中PM_2.5仍可以通过渗透通风方式进入室内污染环境.为定量评价建筑渗透通风及无室内污染源条件下建筑结构（如外窗缝隙结构、房间建筑结构等）对室内ρ（PM_2.5）的影响规律,基于北京市东城区、朝阳区6个不同建筑结构的房间室内外ρ（PM_2.5）实时监测数据,重点比较分析了建筑结构对室内外ρ（PM_2.5）关联特性的影响规律.此外,根据颗粒物穿透特性及沉降特性机理,提出了反映建筑外窗缝隙结构（如缝高、缝深）的无量纲特征参数A_P与反映房间建筑结构（如层高、开间、进深）的无量纲特征参数A_k.在前期提出的室内ρ（PM_2.5）预测模型基础上,进一步构建了二者（A_P与A_k）对室内ρ（PM_2.5）影响的评价模型,并通过实测数据验证了模型的正确性.结果表明:当室外PM_2.5污染程度与气象条件一定时,建筑结构对I/O[室内外ρ（PM_2.5）之比]影响较大,其范围在0.4~0.7之间;随着建筑外窗气密性等级的提高,对应室内ρ（PM_2.5）呈显著的下降趋势.建筑外窗缝隙结构对室内ρ（PM_2.5）影响程度远大于房间建筑结构,敏感性分析结果表明,当建筑外窗缝高每降低50%或缝深每提高50%,对应室内ρ（PM_2.5）约可下降33.6%与31.9%.研究显示,气密性等级较高的建筑外窗缝隙缝高往往较小、缝深较长,渗透通风条件下对控制室内ρ（PM_2.5）水平作用更显著。