邯郸地区2017—2021年PM2.5和O3污染特征

利用实时监测数据分析2017—2021年邯郸市及周边区县PM_2.5和O₃污染特征。研究发现:2017—2021年各地区PM_2.5年均质量浓度持续降低,轻度及轻度以上污染逐渐减少;2017—2019年O₃污染加剧,2020年起O₃年均质量浓度逐年下降,污染天不断减少。PM_2.5和O₃-8 h分别在1月(平均浓度为127.3 μg/m³,平均超标22d)和6月(平均浓度为233.4 μg/m³,平均超标22 d)污染最严重。结合气象参数分析来看,PM_2.5与温度、风速和降水量呈显著负相关,与相对湿度呈显著正相关;O₃-8h与温度呈显著正相关,而与风速、湿度和降水量的相关性较弱。后向轨迹和潜在源分析表明:邯郸地区PM_2.5典型污染月受山西省中部地区污染传输影响最大,O₃典型污染月受河南省东部污染传输影响最大。     

潍坊市灰霾天气特征及影响因素

根据潍坊市国家环境空气质量监测点位和国家气象台站监测数据,对潍坊市2019年灰霾发生情况进行统计,并分析了灰霾天气与气象要素、环境空气质量的关系。结果表明:潍坊市 2019年按小时计算的灰霾发生频率为22.4%。灰霾在冬季和秋季相对高发,发生次数占全年小时灰霾数的66.7%,发生比例为56.2%。从时间上看,灰霾发生频率呈正弦曲线分布,在早上06:00-07:00发生频率最高,17:00前后发生频率相对较低。灰霾发生时风速、温度与能见度呈正相关关系,相对湿度与能见度呈负相关关系。潍坊市灰霾现象主要发生在风速小于3 m/s、相对湿度大于30%时,当风速大于5 m/s、相对湿度小于10%时极少发生灰霾。PM_2.5是影响灰霾发生的主要污染因子,与能见度的相关系数最高。灰霾主要发生在48 μg/m³2.5质量浓度<239 μg/m³条件下,占灰霾总次数的84%;而当PM_2.5质量浓度>140 μg/m³时灰霾发生频率达到100%;灰霾天气统计期间潍坊市空气中PM_2.5与PM₁₀的质量浓度平均比值为0.52,其中,灰霾发生时比值为0.75,非灰霾时比值为0.43。随着灰霾程度的加重,PM_2.5/PM₁₀逐渐增大;当灰霾程度达到轻度及以上时,PM_2.5/PM₁₀大于全年平均值。     

基于特征指标的气象因子对PM2.5浓度的影响分析

以西安为研究区域,为探究气象因子对PM_2.5浓度的影响,采集2017-2019年空气质量与气象因子数据,改进k-Means聚类算法,形成严重污染、重度污染、中度污染、轻度污染共4个PM_2.5浓度与气象因子样本簇集。分析簇集数据分布,选择Spearman相关性分析方法,确定影响PM_2.5浓度的气象因子;定义PM_2.5凸显性条件,给出幅度特征FOA、浮动特征FOF和凸显特征FOH,构建三维空间,确定气象因子对PM_2.5影响的大小,进而建立气象因子对PM_2.5浓度的影响分析方法。比较多元线性回归和随机森林回归方法,结果表明:该方法提高了分析效率,且无需考虑因子选取和表达,能有效确定影响PM_2.5浓度的气象因子种类及影响程度。在低温、高湿、高压和相对静风的气象条件下,空气中颗粒物难以扩散和输送,使西安市PM_2.5浓度升高。严重污染、重度污染和中度污染中,PM_2.5浓度与相对湿度呈显著正相关,与风速、气温呈显著负相关,且影响大小依次为相对湿度>风速>气温;轻度污染中,PM_2.5浓度与相对湿度、气压呈显著正相关,与风速、气温呈显著负相关,且影响大小依次为气温>相对湿度>气压>风速。     

安徽省2017—2018年PM2.5浓度时空分异特征

以2017—2018年安徽省133个空气质量监测站（国控点66个,省控点67个）228万条PM_2.5质量浓度数据为基础,基于空间自相关和地统计方法对该区PM_2.5浓度的时空分异特征进行分析。结果显示：安徽省年平均PM_2.5质量浓度为49.63 μg/m³,88%的监测站点PM_2.5质量浓度超过国家环境空气质量标准二级限值;PM_2.5浓度呈现明显的冬季高、夏季低、春秋季适中的特征,日变化曲线呈双峰结构,峰值在09：00和22：00前后,低值在16：00—17：00;全省PM_2.5浓度全局Moran指数为0.673 6,月度指数为0.389 6~0.745 6,均表现为空间聚集性,且冬季PM_2.5浓度的空间聚集性更强;局部空间自相关指数表明全省PM_2.5浓度呈西北高-高集聚、东南低-低集聚的特点,低值集聚区稳定在黄山市及其周边;全省PM_2.5浓度总体表现为由北向南递减的趋势,但受局部地形的影响,PM_2.5浓度在西部大别山和皖南山区出现明显的下降趋势。研究结果综合了国控点和省控点监测数据,更加详细地表征区域PM_2.5浓度的时空分异特征,为该区实施有效的环境污染防控提供重要参考。     

不同区域城市空气O3和PM2.5累积速率时序模型

利用2017—2018年全国7个区域10个典型城市环境空气O₃和PM_2.5浓度数据,统计污染物累积速率,进而采用回归方法拟合污染物浓度及其累积速率的时间序列模型,分析不同区域污染物时序变化特征差异。结果表明：不同区域O₃浓度时序曲线拟合程度总体高于PM_2.5,石家庄O₃拟合程度最高,西安PM_2.5拟合程度最高。以07：00、14：00分别作为O₃、PM_2.5模拟起点是24 h中的最优模型。不同城市夏季O₃小时浓度时序变化曲线均为单峰形态,O₃浓度及累积速率峰值出现时间可能由城市所处经度决定,太原O₃累积最快,西安O₃消解最快。各城市间冬季PM_2.5小时浓度及其累积速率时序变化曲线形态差异较大,沈阳PM_2.5累积和消解均最快。与浓度相比,城市环境空气O₃和PM_2.5累积速率与光照、扩散条件等有更好的时间相关性。     

山西省大气污染特征及对公众健康的空间影响

利用山西省11个地级市大气环境监测站的PM_2.5、PM₁₀和O₃浓度数据,分析了2015—2020年山西省PM_2.5、PM₁₀和O₃浓度时空变化特征,采用空间计量模型和岭回归方法,分析了空气污染对公众健康的空间影响。结果表明:PM_2.5和PM₁₀年均质量浓度总体下降,两者在2017年最高,2020年最低;O₃年均浓度总体增加。在季节尺度上,PM_2.5和PM₁₀质量浓度在冬季的12月和1月最高,夏季的8月最低;O₃浓度在6月最高。空间上,相较2015年,2020年山西省各地级市PM_2.5污染程度均有改善,其中长治改善效果最好;2020年山西各地级市PM₁₀污染兼有加重和减轻的情形,所有地级市PM_2.5和PM₁₀污染水平均超过国家二级污染浓度限值;2020年山西多数地级市O₃浓度升高。山西公众健康水平具有明显的空间离散特征,PM_2.5和PM₁₀浓度的局部空间自相关特征高度一致,呈现"南高北低"的格局,O₃浓度分布呈"南部高,中北部低"的格局。大气环境质量和经济发展水平均对医疗机构诊疗人数和健康体检人数的变化有正向影响,每万人卫生技术人员数量和公共财政支出比例对公众健康均有负向影响,其中经济发展水平和大气环境质量的影响最显著。山西省PM_2.5治理取得一定成效,但大部分城市PM_2.5和PM₁₀达标率较低,O₃浓度有持续升高的趋势,PM₁₀和O₃污染改善缓慢,深度减排仍面临挑战。PM_2.5和PM₁₀是危害山西公众健康的主要大气污染物,未来需要加强PM_2.5、PM₁₀和O₃的精细化管理及协同治理。     

广州PM2.5污染特征及影响因素分析

对广州市2008—2010年PM_2.5质量浓度、影响因素数据资料进行整理统计,通过定性分析、定量计算以及对各物理量之间的相互作用过程研究,得出PM_2.5质量浓度变化特征和各影响因素之间的关系。结果表明,PM_2.5质量浓度变化呈现夏季和非夏季2种典型的季节性特征,夏季月平均值0.049 mg/m³,主要分布在0.03～0.05 mg/m³,非夏季月均值为0.063 mg/m³,分布于0.05～0.08 mg/m³之间;夏季、非夏季PM_2.5质量浓度超标率(采用美国EPA标准)分别为70.7%、77.8%,质量标准2倍、3倍以上出现的概率都表现出明显的季节性差异;PM_2.5与温度正相关,和其他因素负相关,其中与能见度相关性最大,其次是温度、风速,与降雨量相关性最差,与气压、相对湿度相关系数季节性特征显著。     

2013-2017年京津冀区域PM2.5浓度变化特征

利用2013-2017年京津冀区域13个城市PM_2.5监测数据,综合探讨了该区域PM_2.5浓度的时空变化特征。结果表明：京津冀区域PM_2.5污染整体较重,但治理成效显著,2013-2017年区域PM_2.5年均质量浓度分别为106、93、77、71、64 μg/m³,完成《大气污染防治行动计划》PM_2.5浓度下降25%左右的目标;13个城市PM_2.5浓度各百分位数总体呈现下降趋势,且随百分位数增大而下降速率加大,PM_2.5年均质量浓度平均每年下降10.6 μg/m³,污染严重的太行山沿线城市邢台、石家庄、邯郸3个城市平均每年分别下降20.3、16.1、13.9 μg/m³;京津冀区域PM_2.5重度污染天数比例分别为19.9%、16.6%、9.5%、9.0%、7.0%,呈下降趋势。2013-2017年京津冀区域PM_2.5平均质量浓度与非重度污染天相比升高19 μg/m³,PM_2.5重度污染天平均质量浓度较非重度污染天时高244.4%。     

宁波市区冬季大气颗粒物及其主要组分的污染特征分析

为了更好地研究影响宁波市区环境空气质量的污染物变化特征,于2010年1月20—30日进行了加强监测。研究结果表明,宁波市区大气中PM₁₀和PM_2.5质量浓度较高,其中PM_2.5/PM₁₀为0.5~0.85。对PM₁₀和PM_2.5采样膜分析,水溶性粒子和含碳组分分别占PM₁₀和PM_2.5质量浓度的56.7%和66.9%,其中二次污染的水溶性离子SO₄^2-、NO₃^-和NH₄⁺是PM₁₀和PM_2.5中浓度较高的离子组分;PM_2.5样品中OC与EC的相关性较好,表明OC与EC的来源相对一致,可能主要来自机动车尾气的贡献;但PM₁₀样品中OC与EC的相关性较差,表明其来源相对复杂;其中SOC的浓度占OC的13%~35%,说明宁波市区冬季导致二次污染的光化学反应不活跃。     

宜都市PM2.5与O3季节性分布特征及潜在源区分析

为了解宜都市PM_2.5与O₃的污染特征及潜在来源,利用宜都市2020年3月至2022年2月在线监测数据及气象数据,对宜都市PM_2.5与O₃质量浓度变化特征、气象影响因素及潜在源区进行了分析,结果表明:宜都市PM_2.5质量浓度冬高夏低,日变化呈双峰特征,O₃质量浓度夏高冬低,日变化呈单峰特征。高湿、静稳的气象条件以及较强偏北风作用下的区域污染传输对PM_2.5污染有重要影响,高温以及中湿度对O₃污染过程有重要作用。春、夏、秋季偏南方向气流轨迹占主导,且携带较高的污染物浓度,冬季来自湖北东北及西南方向的气流占比较高且携带的PM_2.5浓度较高;宜都市PM_2.5、O₃的潜在源区具有季节性差异,总体来看,主要分布在河南南部、湖北东部及湖南的北部区域。     

台州市区PM2.5和O3污染特征及相互作用关系

基于2016—2020年台州市区大气污染物监测数据及气象观测资料,分析了台州市区PM_2.5和O₃的污染特征及受气象因素影响情况,并探究了不同季节下的PM_2.5浓度和O₃浓度的相关性及相互作用关系。2016—2020年,台州市区PM_2.5年均浓度和超标天数呈显著下降趋势,O₃-8 h年均浓度和超标天数总体呈上升趋势。PM_2.5浓度在冬季最高,且易发生超标;O₃浓度在春、夏、秋季均较高,且均会发生超标。通过相关性分析可知：PM_2.5浓度与气温、相对湿度、风速、降水量呈负相关,与大气压呈正相关;O₃浓度与气温、风速呈正相关,与相对湿度、降水量呈负相关。不同季节下的PM_2.5浓度与O₃浓度均呈正相关,两者存在协同增长。在春、夏、秋季,二次PM_2.5在总PM_2.5中的占比随着O₃     

Characterisation of PM10, PM2.5 and Benzene Soluble Organic Fraction of Particulate Matter in an Urban Area of Kolkata, India

In this study, the relationship between inhalable particulate (PM₁₀), fine particulate (PM_2.5), coarse particles (PM_{2.5 – 10}) and meteorological parameters such as temperature, relative humidity, solar radiation, wind speed were statistically analyzed and modelled for urban area of Kolkata during winter months of 2003–2004. Ambient air quality was monitored with a sampling frequency of twenty-four hours at three monitoring sites located near traffic intersections and in an industrial area. The monitoring sites were located 3–5 m above ground near highly trafficked and congested areas. The 24 h average PM₁₀ and PM_2.5 samples were collected using Thermo-Andersen high volume samplers and exposed filter papers were extracted and analysed for benzene soluble organic fraction. The ratios between PM_2.5 and PM₁₀ were found to be in the range of 0.6 to 0.92 and the highest ratio was found in the most polluted urban site. Statistical analysis has shown a strong positive correlation between PM₁₀ and PM_2.5 and inverse correlation was observed between particulate matter (PM₁₀ and PM_2.5) and wind speed. Statistical analysis of air quality data shows that PM₁₀ and PM_2.5 are showing poor correlation with temperature, relative humidity and solar radiation. Regression equations for PM₁₀ and PM_2.5 and meteorological parameters were developed. The organic fraction of particulate matter soluble in benzene is an indication of poly aromatic hydrocarbon (PAH) concentration present in particulate matter. The relationship between the benzene soluble organic fraction (BSOF) of inhalable particulate (PM₁₀) and fine particulate (PM_2.5) were analysed for urban area of Kolkata. Significant positive correlation was observed between benzene soluble organic fraction of PM₁₀ (BSM10) and benzene soluble organic fraction of PM_2.5 (BSM2.5). Regression equations for BSM10 and BSM2.5 were developed.     

襄阳市秋冬季PM2.5污染特征及潜在源区分析

为了解襄阳市秋冬季PM_2.5的污染特征及来源,基于2020年11月至2021年1月在线监测数据,对PM_2.5质量浓度、气象因素、化学组分、来源及潜在源区进行了分析。结果表明,襄阳市秋冬季污染天首要污染物均为PM_2.5,且随污染程度加重,PM_2.5与PM₁₀质量浓度比呈上升趋势,二次颗粒物的形成对PM_2.5的贡献更高。在PM_2.5化学组分中,水溶性离子占比最大,随着污染程度加重,二次离子(SNA)快速增长,二次离子的生成转化是污染的重要成因。轻度、中度污染时,湿度高、风速小、气温低,有利于污染的积累,重度污染时湿度大、风速回升,有利于上游污染的输送与二次转化。PMF模型解析出襄阳市PM_2.5主要来源及贡献率为二次源58.0%、工业企业源22.6%、机动车源10.7%、扬尘源8.7%。襄阳市潜在源区主要分布在河南省中北部、河北省南部、山东省西部、安徽省北部、江汉平原东部及南部区域,极少量分布在襄阳区域,长距离区域传输...     

烟花爆竹禁燃对春节期间东北地区空气质量影响评估

利用2015—2017年春节期间东北地区主要大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、CO和O3)质量浓度监测资料及相应气象因子(温度、湿度、风速和气压)观测资料,分析了春节期间烟花爆竹禁燃对东北地区空气质量的影响。结果表明:随着东北地区主要城市禁燃力度的增强,空气质量逐年提升,PM_(2.5)和SO_2浓度逐年大幅度下降。禁燃可明显降低城区PM_(2.5)浓度,而由于春节期间污染源整体减少,城区和城郊监测点PM_(2.5)浓度值差异减小。烟花爆竹对PM_(10)和PM_(2.5)浓度影响高于对气体污染物SO_2、NO_2和CO的影响。此外,气象条件对东北地区春节期间禁燃改善空气质量的效果也有明显影响。因此,结合春节期间的气象条件,在东北地区实施禁燃政策动态调整非常必要。     

石家庄市空气颗粒物污染与气象条件的关系

利用2013—2014年石家庄市环境监测中心PM_(2.5)、PM_(10)逐时监测资料、同期的石家庄市地面气象观测站常规观测资料以及环境监测梯度站2013年1月各层PM_(2.5)和PM_(10)逐时观测资料,分析了PM_(2.5)、PM_(10)质量浓度的时空分布特征及与气象要素的相关关系。结果表明:石家庄市PM_(2.5)与PM_(10)的质量浓度及两者的比值均为冬季和秋季较高;在水平分布上,PM_(2.5)与PM_(10)的平均质量浓度为市区西部高于东部;在垂直分布上,随着高度的增加,PM_(2.5)和PM_(10)平均质量浓度先上升后下降;PM_(2.5)与PM_(10)的质量浓度与相对湿度呈正相关,其中PM_(2.5)的质量浓度与相对湿度相关性更高;PM_(2.5)与PM_(10)的质量浓度与风速呈负相关,随着风速的增大,PM_(2.5)与PM_(10)的平均质量浓度呈下降的趋势,但当风速大于5 m/s时,PM_(10)的质量浓度随着风速增大而上升,出现扬尘污染,总体来讲,刮西北风时PM_(2.5)与PM_(10)的质量浓度较高,刮东南风时PM_(2.5)与PM_(10)的质量浓度较低,这与风向和风速的日变化有关;PM_(2.5)与PM_(10)的质量浓度与降水呈负相关,随着降水的增加,PM_(2.5)与PM_(10)的平均质量浓度呈下降的趋势。     

2018年11—12月北京市重污染天气过程数值预报能力评估

2018年11—12月北京市发生了4次以PM_2.5为首要污染物的重污染天气过程,为了分析数值模型对4次重污染过程的预报能力,将CMAQ模式提前1~7 d对北京市PM_2.5的小时预报结果与观测结果对比,分别从离散统计和分类统计2个方面评估CMAQ模式对4次重污染天气过程的预报效果,并简要分析了偏差产生的气象方面原因。结果表明：CMAQ模式提前1~6 d对重污染天气过程的预报显示出良好的性能,为日常业务预报提供了可借鉴的参考信息,可较好地预报出PM_2.5小时浓度变化趋势和浓度水平,离散统计结果显示提前1~4 d的预报结果好于提前5~7 d,相关系数r基本大于0.8,但有一定程度的低估趋势;分类统计结果显示不同预报时效预报准确率大于70%,探测准确率高于55%,部分时段可以达到80%~90%,对人工预报起到了良好的参考作用;输入的气象场的变化及其偏差对于重污染的起始时间、持续时间及清除时间有一定的影响,对相对湿度预报偏小和风速预报偏大是造成CMAQ模式低估的一个重要原因。     

Influence of Meteorological Parameters on Particulates and Atmospheric Pollutants at Taichung Harbor Sampling Site

Atmospheric aerosol particles and metallic concentrations, ionic species were monitored at the Experimental harbor of Taichung sampling site in this study. This work attempted to characterize metallic elements and ionic species associated with meteorological conditions variation on atmospheric particulate matter in TSP, PM_2.5, PM_2.5–10. The concentration distribution trend between TSP, PM_2.5, PM_2.5–10 particle concentration at the TH (Taichung harbor) sampling site were also displayed in this study. Besides, the meteorological conditions variation of metallic elements (Fe, Mg, Cr, Cu, Zn, Mn and Pb) and ions species (Cl⁻, NO₃ ⁻, SO₄ ²⁻, NH₄ ⁺, Mg²⁺, Ca²⁺ and Na⁺) concentrations attached with those particulate were also analyzed in this study. On non-parametric (Spearman) correlation analysis, the results indicated that the meteorological conditions have high correlation at largest particulate concentrations for TSP at TH sampling site in this study. In addition, the temperature and relative humidity of meteorological conditions that played a key role to affect particulate matter (PM) and have higher correlations then other meteorological conditions such as wind speed and atmospheric pressure. The parameter temperature and relative humidity also have high correlations with atmospheric pollutants compared with those of the other meteorological variables (wind speed, atmospheric pressure and prevalent wind direction). In addition, relative statistical equations between pollutants and meteorological variables were also characterized in this study.     

Atmosphic pollutants study of particles ionic species during high wind speed (>7 m s-1) near Taiwan strait in central Taiwan from 2004 to 2005

This study monitored atmospheric pollutants during high wind speed (> 7 m s⁻¹) at two sampling sites: Taichung Harbor (TH) and Wuci traffic (WT) during March 2004 to January 2005 in central Taiwan. The correlation coefficient (R ²) between TSP, PM_2.5, PM_2.5−10 particle concentration vs. wind speed at the TH and WT sampling site during high wind speed (< 7 m s⁻¹) were also displayed in this study. In addition, the correlation coefficients between TSP, PM_2.5 and PM_2.5−10 of ionic species vs. high wind speed were also observed. The results indicated that the correlation coefficient order was TSP > PM_2.5−10 > PM_2.5 for particle at both sampling sites near Taiwan strait. In addition, the concentration of Cl⁻, NO₃ ⁻, SO₄ ²⁻, NH₄ ⁺, Mg²⁺, Ca²⁺ and Na⁺ were also analyzed in this study.     

合肥市冬季细颗粒物中碳组分特征分析

利用2020年12月1日至2021年2月28日合肥市细颗粒物(PM_2.5)、有机碳(OC)和元素碳(EC)等环境空气质量监测数据和气象观测数据,分析了合肥市大气PM_2.5中OC和EC的污染特征,并探讨了其来源以及气象因素影响。结果表明：合肥市冬季碳质气溶胶是PM_2.5中主要组分,随着污染程度的加重,碳质气溶胶的质量浓度逐步增加,但其在PM_2.5中的占比先减小后增加。在以PM_2.5为首要污染物的不同污染级别天气条件下,OC和EC的相关性说明不同程度下碳质气溶胶来源复杂。OC/EC表明机动车尾气和燃煤源排放是碳质气溶胶的主要来源。二次有机碳(SOC)会随着污染程度的加重而呈现升高趋势。OC和EC在冬季受温度影响较小;较大的相对湿度对OC和EC具有一定的清除作用,明显降水或连续降水的清除作用更加显著;而风速对含碳气溶胶的影响主要出现在污染天气背景下。