近20年来中国典型区域PM2.5时空演变过程

近20年来PM_(2.5)污染严重制约了中国可持续发展.长时间序列历史监测数据的缺失阻碍了相关研究.为此,本文以四大典型区域2013~2016年的PM_(2.5)浓度监测值和2000~2016年MODIS AOD数据、边界层高度、温度等气象数据作为基础数据,将反向人工神经网络和支持向量回归机两种算法相结合,构建组合模拟模型,并利用地理空间分析技术实现近20年来PM_(2.5)浓度历史变化过程的情景再现.研究结果表明,组合模型具有较低的误差和更高的泛化能力;时空分析结果表明,2000~2010年京津冀和东三省PM_(2.5)浓度持续增长,珠三角PM_(2.5)浓度缓慢下降,3个研究区PM_(2.5)污染范围呈扩大趋势,长三角PM_(2.5)浓度值及污染范围基本保持稳定.2012年4个研究区PM_(2.5)浓度值降低且污染范围缩小,但2013~2016年PM_(2.5)浓度略微上升后又下降,高污染范围缩小,这与国家采取PM_(2.5)区域联防等治理措施有关.     

GAM的区域PM_(2.5)浓度影响因子识别及关联关系分析

区域PM_(2.5)浓度影响因子及显著程度对区域PM_(2.5)浓度模拟和污染控制具有重要意义。该研究应用广义加性模型(GAM)建立模型分析2013年京津冀区域PM_(2.5)浓度与AOD、气象因子(相对湿度、温度、降雨量、大气压、风速)和土地利用类型(水体、林地、耕地、建设用地、裸地)之间的相关关系。结果表明,温度、大气压、AOD、林地、建设用地和裸地显著的影响PM_(2.5)浓度;且温度、AOD、裸地、林地与PM_(2.5)存在复杂相关关系,大气压、建设用地与PM_(2.5)浓度存在线性相关关系。GAM模型R~2为0.952,拟合结果与实测结果的线性回归方程系数为0.959,模型交叉验证后得到R2为0.792。结果表明,利用GAM能有效的识别区域PM_(2.5)浓度的影响因子,根据影响因子进行PM_(2.5)浓度拟合并得到可靠的拟合结果。     

京津冀大气污染传输通道城市PM2.5污染的死亡效应评估

基于Web of science数据库搜集的1442篇文献资料,采用Meta分析方法确定PM_(2.5)污染与居民不同健康终点之间的暴露反应系数.在此基础上,本文选取2015年PM_(2.5)浓度遥感数据、公里格网人口数据及人口死亡统计数据,借助Poisson回归模型评估京津冀大气污染传输通道城市1 km×1 km尺度上PM_(2.5)污染的死亡效应.结果表明:①PM_(2.5)污染与人口总死亡率、循环系统疾病死亡率、呼吸系统疾病死亡率和肺癌死亡率等存在显著的暴露反应关系,其中,PM_(2.5)浓度每增加10μg·m~(-3),对应健康终点死亡率分别上升5.67%(95%Confidence Interval(CI):3.87%～8.29%)、6.93%(95%CI:3.92%～12.25%)、4.78%(95%CI:1.31%～17.51%)和9.55%(95%CI:3.67%～24.86%).②PM_(2.5)污染成为诱致人口死亡的重要因素,2015年京津冀大气污染传输通道城市PM_(2.5)污染造成的死亡人数为307599人,占据总死亡人数的28.64%.其中,死于循环系统疾病、呼吸系统疾病和肺癌的人数分别为183084、21096和32203人.③实施严格的PM_(2.5)浓度控制目标将给居民带来极大的健康收益,如果能够达成世界卫生组织4个阶段的PM_(2.5)浓度控制目标,京津冀大气污染传输通道城市可避免的死亡人数分别为144236、197167、253180和282401人,与基准年相比分别下降46.89%、64.10%、82.31%和91.81%.     

中国PM2.5污染空间分布的社会经济影响因素分析

中国的细颗粒物(PM_(2.5))污染具有危害性强、覆盖范围大、空间分布不均匀的特点.本研究以2015年中国PM_(2.5)监测站点数据为基础,尝试结合空间分析的方法,对PM_(2.5)污染空间分布的社会经济影响因素进行分析.首先以省级行政区划为基本单元,选取Moran's I指数和局部自相关指数(LISA)分析PM_(2.5)在国家尺度上的分布特征.然后利用普通最小二乘回归模型(OLS)和地理加权回归模型(GWR)分析PM_(2.5)浓度的空间分布和各项社会经济指标的相关性.结果表明,GWR模型比OLS模型更好地揭示出PM_(2.5)浓度分布和各项因素之间的关系.PM_(2.5)浓度在空间分布上存在以京津冀为中心的高浓度聚集区向四周逐渐递减,在广西、四川等南部省份形成低浓度聚集区的空间分布结构.另外,森林覆盖率和人均电力消费量与PM_(2.5)浓度显著负相关,人均私家车保有量和PM_(2.5)浓度显著正相关,其中人均私家车保有量是对PM_(2.5)浓度影响最大的因素.     

基于CMAQ模式和自适应偏最小二乘回归法的中国地区PM2.5浓度动力-统计预报方法研究

采用CMAQ模式和自适应偏最小二乘回归法相结合的动力-统计预报方法,对2014年1—12月全国252个环境监测站的PM_(2.5)浓度逐时预报值进行了滚动订正,分析了订正前后PM_(2.5)浓度的时空变化特征,重点研究该方法在中国不同地区不同季节的适用性.结果表明:CMAQ模式预报的PM_(2.5)浓度年平均和秋冬季季节平均偏差表现为非均匀空间分布特征,即辽宁、山东部分地区、川渝地区及华中、华东、华南大部分地区预报偏高,京津冀和西部大部分地区预报偏低;订正后PM_(2.5)浓度与实测值的空间分布较一致,上述偏高和偏低地区的PM_(2.5)浓度预报误差显著减小;秋冬季PM_(2.5)浓度预报和订正偏差均大于年平均值.全国区域平均PM_(2.5)浓度实测值存在明显的季节变化特征,1—3月和11—12月较大,其他月份较小;PM_(2.5)浓度预报误差较大,多数时刻预报偏低,尤其是1—3月和11—12月偏低较明显;订正后PM_(2.5)浓度与实测值较接近,而且时间变化趋势较一致,秋冬季PM_(2.5)浓度预报和订正偏差亦明显大于春夏季.秋冬季4个重点污染区域中,京津冀地区PM_(2.5)实测浓度的区域平均值较大,川渝地区次之,长三角和珠三角地区较小;珠三角地区PM_(2.5)浓度预报和订正效果较好,川渝和长三角地区次之,京津冀地区相对较差;经滚动订正后,全年和秋冬季时段PM_(2.5)浓度订正值与实测值的相关系数均显著增加,误差显著减小,尤其是秋冬季订正效果较好.川渝地区的订正改进幅度最大,长三角和京津冀地区次之,珠三角地区较小.本文方法均适用于非污染日和污染日全国范围的PM_(2.5)预报浓度订正,两种天气过程PM_(2.5)浓度的订正效果均较好;该方法对于改进京津冀地区污染日的PM_(2.5)浓度预报更有效,其他3个地区非污染日的订正改进效果优于污染日.本文研究结果可为改进空气质量预报、重霾污染天气预警和防治提供新技术途径和科学依据.     

京津冀及周边地区PM2.5时空变化特征遥感监测分析

为分析京津冀及周边地区的PM_(2.5)时空变化特征,先利用MODIS数据反演1 km分辨率的AOT产品,采用地理加权回归模型实现京津冀及周边地区2016~2017年逐日PM_(2.5)浓度的遥感反演,并在此基础上对多种时间尺度PM_(2.5)浓度合成结果进行验证分析,最后从不同时间尺度对2016年和2017年PM_(2.5)时空变化特征进行了对比分析.结果表明本研究反演的日均、月均和年均这3种时间尺度的PM_(2.5)浓度结果总体上效果较为理想,时间尺度越大,遥感估算的PM_(2.5)效果越好,年均PM_(2.5)结果相对精度达80%以上,并且2016年和2017年同一时间尺度的PM_(2.5)遥感结果精度较为接近.京津冀及周边地区PM_(2.5)分布总体均呈现"冬季秋季≈春季夏季"和"南高北低"的季节变化和空间分布趋势.与2016年相比,2017年京津冀及周边地区PM_(2.5)浓度平均下降约9.2%,且高值区范围明显减小,PM_(2.5)浓度高值一般发生在11月和12月,而低值则一般发生在8月.2017年与2016年PM_(2.5)浓度时空变化与2017年的大气污染综合治理攻坚行动巡查和空气质量专项督查活动密切相关,这也能间接说明大气污染减排的成效.     

京津冀及周边地区PM_(2.5)传输规律研究

本研究采用WRF-CAMx模型对京津冀及周边7省市PM_(2.5)与SIA组分传输规律进行了研究,定量估算了京津冀地区PM_(2.5)与SIA的空间来源贡献,并得到了各省市之间的传输矩阵.结果表明,PM_(2.5)与SIA组分跨区域传输作用较为显著.京津冀区域PM_(2.5)与SIA组分外来源年均贡献分别为23.4%和45.5%.京津冀及周边各省市年均PM_(2.5)与SIA组分受本地排放影响分别为51.2%~68.8%与36.7%~56.4%.结合后向轨迹模型对北京市2013年1月4次重污染过程的空间来源进行了分析,发现各过程污染气团来向有明显差异,分别由西北方向长距离传输、南部短距离传输以及西南、东南方向局地气团输入.4次重污染过程PM_(2.5)区域传输作用显著,北京PM_(2.5)及SIA本地源贡献分别为35.1%~37.3%与17.1%~28.4%;其中偏南方向气团输入时,北京污染程度更高,且受京津冀排放源贡献较大,PM_(2.5)和SIA贡献率最高可达82.3%和76.4%.     

基于AOD数据反演地面PM_(2.5)浓度研究进展

随着中国城市发展,城镇化进程的不断推进,能源消耗持续增加,空气中的污染物含量越来越高,空气污染事件频发,城市空气质量研究成为一个热点议题。PM_(2.5)作为表征空气质量的重要指标之一,越来越受到人们的关注,目前获取PM_(2.5)数据主要有地面监测和卫星遥感监测2种方式。传统的地面监测手段可以得到高精度的局部PM_(2.5)污染数据,但是由于其覆盖范围的局限性,并没有办法反映出整个区域的PM_(2.5)污染情况。遥感卫星监测恰到好处地弥补了这一缺陷,其中应用最为广泛的是使用卫星遥感数据产品大气气溶胶光学厚度AOD来反演地面的PM_(2.5)浓度。文章从AOD数据的多样性及其应用、反演地面PM_(2.5)浓度模型的选择以及反演模型的优化这3个方面对目前国内外利用遥感卫星AOD数据反演地面PM_(2.5)浓度的研究进行了归纳梳理。其中AOD数据分辨率的不同产生了不同精度的反演结果;而线性回归模型和非线性回归模型的反演精度也存在较为明显的差异;通过在模型中加入气象参数、气溶胶垂直分布特性以及地表信息等因素会显著地改善反演结果。上述研究为流行病学中PM_(2.5)人口暴露研究及健康影响提供方法论基础。     

2015年12月北京市一次重污染过程中PM_(2.5)特征分析

2015年入冬以来京津冀区域重污染频发,综合分析了2015年12月19—26日京津冀及周边地区发生的一次重污染过程中PM_(2.5)分布特征及成因。监测数据显示,2015年12月北京市重污染日共计13 d,累计月均值为151.8μg/m3。在12月19—26日一次重污染过程中,区域污染面积均超过40万km2,北京市单站PM_(2.5)小时均值超过800μg/m3。污染初期北京市南部地区PM_(2.5)浓度明显偏高,且PM_(2.5)极端高值出现在南部站点。污染输送阶段,北京市PM_(2.5)小时浓度在短时内呈爆发式增长,浓度增值是年均值的2~5倍。污染缓解阶段,偏北风作用,浓度明显下降。除了极端不利的天气形势外,区域散煤排放是造成重污染的重要原因;河北省唐山、保定、廊坊、石家庄等城市区域输送加重了污染程度。     

基于GWR降尺度的京津冀地区PM2.5质量浓度空间分布估算

卫星遥感估算PM_(2.5)质量浓度研究已较为成熟,但精度还未取得突破性进展.本文利用2017年京津冀地区气溶胶光学厚度(AOD)遥感数据、戈尔德地球观测系统的GEOF气象格网数据以及地面环境监测站PM_(2.5)数据,采用地理加权回归空间降尺度方法,估算京津冀地区的逐月PM_(2.5)质量浓度.基于3种不同的残差插值修正,修正后的PM_(2.5)估算结果均很理想,其中,基于自然邻近残差插值修正后的模型估算结果最优.经验证,在95%的置信水平下,其相关系数r达到0.951,决定系数R~2为0.904,调整后的R~2为0.903,平均预测误差MPE为7.307μg·m~(-3),均方根误差RMSE为11.62μg·m~(-3),相对预测误差RPE为18.35%,说明该模型能客观估算京津冀地区2017年PM_(2.5)质量浓度.2017年PM_(2.5)呈现出南高北低的空间分布特征,南北高低值区域界线与保定市和沧州市的市级行政界线具有较高的一致性.经变异系数分析发现PM_(2.5)在2017年内的稳定性程度与PM_(2.5)质量浓度空间分布呈反向性,即PM_(2.5)质量浓度高的区域稳定性低,年内的变化程度剧烈,而PM_(2.5)质量浓度低的区域稳定性强,年内变化程度弱.     

2018年春节期间京津冀地区污染过程分析

为了解2018年春节期间京津冀地区空气污染情况,利用近地面污染物浓度数据、激光雷达组网观测数据,结合WRF气象要素、颗粒物输送通量和HYSPLIT气团轨迹综合分析污染过程.结果表明,春节期间出现3次污染过程.春节前一次污染过程,各站点PM_(2.5)浓度均未超过200μg/m~3;除夕夜,廊坊站点PM_(2.5)峰值浓度达到504μg/m~3,是清洁天气的26倍;年初二~初五,各站点PM_(2.5)始终高于120μg/m~3,且污染主要聚集在500m高度以下,北京地区存在高空传输,800m处最大输送通量达939μg/(m~3?s),此次重污染过程为一次典型的区域累积和传输过程.京津冀地区处于严格管控状态时,燃放烟花爆竹期间PM_(2.5)峰值浓度可达无燃放时PM_(2.5)峰值的3.2倍.为防止春节期间重污染现象的发生,需对静稳天气下燃放烟花炮竹采取预防对策.     

北京秋冬季一次重污染过程PM2.5来源数值模拟研究

利用WRF模式(The Weather Research and Forecasting Model)和嵌套网格空气质量模式(NAQPMS)对2016年11月发生在京津冀地区一次PM_(2.5)污染事件进行模拟研究并分析污染过程中的天气形势变化.结果表明,均压场、低空逆温层和偏南暖湿气流输送的存在为北京地区PM_(2.5)形成提供了有利条件,NAQPMS模式能够合理的再现北京大气污染物时空变化,细颗粒物PM_(2.5)和可吸入颗粒物PM_(10)模拟与观测数据相关系数达0.71,模拟数据在观测数据两倍范围内占比(FAC2)达65%.源解析结果表明,在不考虑临时实施减控措施下,11月18日区域外输送对北京PM_(2.5)浓度贡献为55.25%,区域内输送贡献为44.75%,北京东北区域PM_(2.5)外地源主要为河北中部、河北南部、天津和山东,所占贡献为9.67%、9.01%、7.90%和7.99%.污染物主要来源为生活源、交通源和工业源,分别占比39.6%、34.6%和20.0%.而实际上北京在唐山、保定采取一系列控制措施后仍在研究时段内出现高PM_(2.5)浓度,意味着在同样天气形势下需要对河北中部、河北南部、天津和山东等浓度贡献占比大的城市加强减排管控才能有效减缓高PM_(2.5)浓度的出现.     

多尺度PM_(2.5)分布特征的空间插值与遥感反演对比

精确识别污染物浓度的空间分布是进行区域大气污染防治的重要基础。利用MODIS卫星数据,采用基于地面气象和环境空气质量监测站点观测数据为基础的反演模型,反演获取2013年12月珠三角地区典型大气污染过程1 km分辨率的PM_(2.5)浓度数据,对比分析遥感反演及基于环境空气质量监测站点观测数据的空间插值方法对区域、城市和乡镇尺度PM_(2.5)浓度空间分布特征的再现效果差异。结果表明,珠三角地区PM_(2.5)遥感反演结果与地面观测数据的相关性达到0.74,相关性水平较好,遥感反演结果可描述区域、城市和乡镇尺度上PM_(2.5)污染浓度的空间分布特征,识别不同空间位置的污染程度差异;基于站点观测数据的空间插值方法对PM_(2.5)浓度空间分布特征的再现能力有限,在区域尺度PM_(2.5)浓度空间分布特征分析时效果尚可,在站点有限的城市和乡镇尺度分析中效果不佳,容易产生对高浓度污染地区的误判;在需要利用站点观测数据分析区域尺度PM_(2.5)浓度空间分布特征时,析取克里金、反距离权重或径向基函数插值方法的效果相对较好。     

基于地理加权模型的我国冬季PM2.5遥感估算方法研究

为了分析冬季我国区域范围内近地面PM_(2.5)质量浓度时空分布特征,根据卫星遥感反演PM_(2.5)质量浓度的基本原理,综合考虑我国不同地区的PM_(2.5)污染特征的空间差异性,基于卫星遥感、气象模式资料及同期地面观测的PM_(2.5)质量浓度数据采用地理加权模型进行回归分析,研究构建了我国区域范围内近地面PM_(2.5)遥感反演模型.结果表明:在冬季暗像元反演AOD算法受限制的情况下,深蓝算法产品可以一定程度上弥补暗像元算法的不足,将二者有效融合能同时提高AOD产品的精度和空间覆盖度;利用地理加权回归模型进行全国区域PM_(2.5)遥感估算,既能体现全国PM_(2.5)时空分布的全局变化特性,又能从局部体现全国PM_(2.5)组分、污染程度及垂直分布结构特征的空间差异特性,基于地理加权回归模型的PM_(2.5)遥感反演结果(R2=0.7)明显优于多元线性回归模型(R2=0.56);2013年12月—2014年2月份全国PM_(2.5)空间分布呈现明显的区域特征,PM_(2.5)浓度较高的地方主要分布在华北南部、长三角中部和北部、华中东部及四川东部等地,西部和北部地区PM_(2.5)污染相对较轻;从时间变化来看,全国冬季12月份PM_(2.5)污染最重,1月份次之,2月份相对最低.这可为全国PM_(2.5)区域联防联控提供有力的信息支撑.     

阜新市MODIS AOD与大气PM_(2.5)浓度相关性研究

利用卫星遥感MODIS数据研究区域大气PM_(2.5)浓度分布是环境管理的有效方法。获取美国国家航空航天局MODIS L1B1KM数据,采用暗目标法反演阜新市大气气溶胶厚度AOD数据;提取阜新市5个大气监测站点位2014年3月至5月、2015年3月至4月期间PM_(2.5)浓度数据进行相关性分析,建立PM_(2.5)浓度-AOD之间的线性、一元二次、对数函数、幂函数及指数函数5种相关性模型;引用湿度影响因子建立大气PM_(2.5)浓度订正模型,采用PM_(2.5)浓度订正模型、Peterson模型分别订正PM_(2.5)浓度及AOD标高,应用阜新市环保局5个监测点位2014年6~12月、2015年5~12月期间PM_(2.5)的月平均浓度进行模型检验。对比分析订正后的5种相关性模型拟合优度,检验结果表明:订正方法提高了PM_(2.5)浓度-AOD相关性;线性相关性模型R2为0.633 6,相对误差为12.41%,相对其他4种模型相对误差较小。利用阜新市大气AOD预测PM_(2.5)浓度具有良好环境指示意义。     

广州市PM2.5污染特征及潜在贡献源区分析

基于NCEP/NCAR全球再分析气象资料和2015-2017年PM_(2.5)浓度,利用HYSPLIT模型研究不同气流轨迹对广州PM_(2.5)浓度的影响,以及污染输送路径和潜在源区空间分布特征。结果表明:(1)广州2015-2017年PM_(2.5)平均浓度为36.5μg/m~3,逐月平均PM_(2.5)浓度1月份最高,为49.3μg/m~3,轻度污染及以上时次比例达15.66%,6月份最低,为20.8μg/m~3,无轻度及以上污染时次。(2)PM_(2.5)平均浓度在不同情景类型下的浓度高低顺序依次为:污染日干季清洁日湿季,其中污染日的PM_(2.5)平均浓度是清洁日的近3倍,干季的PM_(2.5)平均浓度是湿季的1.4倍;不同情景类型下的PM_(2.5)浓度日变化特征基本都在白天时段低(16时最低),晚上时段高(21-22时最高),日变化幅度为污染日干季清洁日湿季。(3)在干季,影响广州的气流轨迹路径主要有5类:东北路径、东南路径、西北路径、西南路径及偏西路径,其中第2类东南路径对广州PM_(2.5)平均浓度的贡献最高;而在湿季,影响广州的气流轨迹路径主要有4类:偏南路径、东南路径、偏北路径及西南路径,其中第3类偏北路径对广州PM_(2.5)浓度的贡献最高。(4)基于潜在源贡献因子和浓度权重轨迹分析法分析表明,广州PM_(2.5)浓度潜在源贡献较大的区域主要集中在广州东部的东莞、惠州、深圳、肇庆、中山等周边地区,该研究可为确定广州污染潜在源贡献区以及区域联防联控提供参考。     

宁波市区秋冬季PM_(2.5)质量浓度特征及影响因素分析

该研究基于2013年11-12月的宁波市空气质量监测数据和气象资料数据,分析了PM_(2.5)质量浓度变化特征,探讨了PM_(2.5)与其它粒径颗粒物、气体污染物以及多个气象因子之间的相关性及影响规律,构建了包含气象和污染气体因子的逐步回归模型,综合分析了2类因子对宁波市PM_(2.5)浓度的影响。研究结果表明:(1)研究时间段内的宁波PM_(2.5)质量浓度范围为(100.66±72.98)μg/m~3,超过粗颗粒PM_(2.5-10)的质量浓度,是可吸入颗粒物的主要组成部分。(2)PM_(2.5)与3种污染气体均表现出显著的相关性,其中与CO的质量浓度相关性最高,R=0.85。风速与PM_(2.5)呈现负相关,受西北-北风向影响下的PM_(2.5)浓度要明显高出其它风向影响下的浓度。降水对PM_(2.5)影响显著,降水日的PM_(2.5)平均质量浓度随降水强度呈现幂函数递减,为非降水日的48.4%。非降水日的PM_(2.5)浓度与相对湿度显著正相关,与日照时数显著负相关。(3)逐步回归结果表明,气象和污染气体两类因子能够解释PM_(2.5)浓度82.4%的变异。其中,CO是影响宁波市秋冬季PM_(2.5)浓度的首要显著因子。本研究对明确城市PM_(2.5)污染特征和影响因素具有参考价值和意义。     

基于时空克里格的PM_(2.5)时空预测及分析

PM_(2.5)作为大气污染的一种,正受到社会越来越广泛的关注和研究,但大部分研究仅单独分析各样点PM_(2.5)浓度时间维度或空间维度特征,忽略了PM_(2.5)的时空维度变化。为综合考虑PM_(2.5)时空维度特征,该文以山东省2014年PM_(2.5)浓度监测数据为对象,建立PM_(2.5)时空变异模型,利用时空克里格法对山东省全年PM_(2.5)浓度进行时空预测,得到时空分布立方体数据,最后基于该数据,对山东省PM_(2.5)污染特征作出分析。结果表明,2014年山东省整体PM_(2.5)污染严重。在空间上,中西部地区PM_(2.5)浓度超过75μg/m~3的天数超过290 d,存在持续性高危污染,东部小于37.5μg/m~3的天数超过146 d,存在间歇性轻微污染,且从西至东,PM_(2.5)污染天数和程度逐渐降低,具有明显地域性污染特征;在时间上,PM_(2.5)浓度最高时间段为1、2、11和12月,最低为6-8月,各季节污染程度依次为:冬季秋季春季夏季。研究表明时空地统计方法能够有效地对空气质量进行时空预测,是挖掘更多的时空分布特征和信息,进行环境数据分析的有效手段。     

基于NPP/VIIRS夜间灯光遥感数据估算上海地区PM2.5浓度

随着工业化和城市化的迅速发展,中国面临着越来越严重的大气污染危机,以细颗粒物(PM_(2.5))为标志的区域性大气复合污染问题已经成为我国大气环境污染治理的核心工作.目前,传统的地面监测站监测PM_(2.5)浓度的方法空间分辨率较差且耗费人力物力,而卫星遥感数据监测PM_(2.5)浓度的方法大部分只能应用于白天.由于PM_(2.5)浓度在时间上存在周期性变化,因此利用卫星遥感数据监测的夜间PM_(2.5)浓度可以作为表征PM_(2.5)日变化规律的重要补充.本研究采用Suomi National Polar-orbiting Partnership(Suomi NPP)卫星搭载的可见红外成像辐射计套件(Visible Infrared Imaging Radiometer Suite, VIIRS)中Day/Night波段(DNB)夜间灯光影像数据,依据大气气溶胶消光原理和站点气象数据,建立PM_(2.5)浓度的预测模型,基于多元线性回归分析对上海地区9个空气质量监测站在2014—2018年冬季无月无云的晴朗夜间的PM_(2.5)浓度值进行估计,并对PM_(2.5)浓度的空间分布进行模拟.结果表明,在研究时段上海地区PM_(2.5)实际浓度与模型估算PM_(2.5)浓度之间R~2=0.767,均方根误差(RMSE)为19.210μg·m~(-3),验证了VIIRS/DNB夜间灯光影像数据在估算PM_(2.5)浓度方面有巨大潜力.     

厦门PM_(2.5)污染类型及其成因分析

PM_(2.5)污染已成为目前我国空气污染领域关注的焦点问题。为研究厦门地区PM_(2.5)污染的不同类型,于2013年1月、4月、7月和10月选择厦门市五个代表性环境监测站进行了同步的PM_(2.5)离线滤膜和在线数据采集,并收集了同期的AQI、SO_2、NO_2、CO、O_3及气象数据。对滤膜中的水溶性无机离子、元素和碳组分进行了实验分析。基于实验分析数据,利用IMPROVE方程定量计算了厦门空气污染期间PM_(2.5)中不同组分的颗粒物消光系数。根据不同组分消光系数的大小,将厦门市的PM_(2.5)污染分为三种类型:硫酸盐主导污染类型、有机物主导污染类型以及各区域不同污染物主导污染类型。对不同污染类型的成因进行了深入分析,发现其主要与本地污染物排放、外来污染物输送以及气象要素有关。