北京市PM2.5水分含量及其变化特征

利用卡尔费休法可直接测定PM_2.5水分含量,方法精密度及准确度均较好.将该方法应用于北京市城区站点2020年全年的PM_2.5分析,结果显示PM_2.5水分浓度年均值为(5.0±4.1)µg/m³,在PM_2.5占比为(12.5±4.8)%,与PM_2.5质量浓度呈显著相关.水分质量浓度与PM_2.5的质量浓度月度及季节变化趋势基本一致.研究发现,随着空气污染加重,水分质量浓度及其在PM_2.5占比均呈上升趋势,二者相关性明显增强.可见污染发生时,水分增加有利于颗粒物吸湿增长从而推高污染水平,对PM_2.5的贡献同步增强.当沙尘污染发生时湿度处于同期较低水平,不利于细颗粒物的吸湿增长,水分质量浓度及其占比均处于较低水平. PM_2.5水分与二次离子及有机物均有很好的相关性,说明水分为气态污染物提供非均相转化载体,促进硝酸盐、硫酸盐、有机物的进一步生成.PM_2.5水分与地壳物质无相关性,证实地壳元素为一次源,不受水分影响.     

长白山PM2.5中水溶性离子季节变化特征研究

为了解长白山大气PM2.5中水溶性离子的季节变化特征及其影响因素,于2005年6月~2008年12月,在长白山北坡海拔763 m处利用大流量滤膜采样器采集PM2.5样品,并用离子色谱分析其中的主要水溶性离子成分含量.结果表明,3种最主要的水溶性离子SO2-4、NH+4和NO-3季节变化趋势明显,SO2-4夏季浓度最高,秋季浓度最低;NO-3冬季浓度最高,夏季浓度最低;NH+4的季节变化趋势主要受到SO2-4和NO-3季节变化趋势的影响.不同方向后向轨迹所对应的总水溶性离子浓度存在明显差异,浓度排序依次是NE相似文献   

中国PM2.5管理策略研究

文章通过对PM2.5的基本组成、来源与影响因素的分析,构建中国PM2.5全过程管理体系,建立、完善PM2.5削减和控制长效机制,进而实现中国PM2.5管理。     

深圳大气PM2.5化学组成的长期变化特征

为分析深圳市大气细颗粒物（PM_2.5）浓度长期持续下降的原因,进而明确PM_2.5下一步减排潜力和精细化管理方向,本研究基于2019年在深圳市西乡点位采集的PM_2.5样品,分析了西乡PM_2.5的化学组成及季节分布特征.结果表明,2019年西乡点位PM_2.5年均浓度为29.4μg/m³,总体上呈现夏低冬高的季节特征,有机物（OM）和硫酸根（SO₄^2-）仍是主要的组分,分别占总质量的42.3%和17.6%.对2009、2014、2019年典型月份PM_2.5的组分进行对比,PM_2.5全年质量浓度从42.3μg/m³（2009年）下降至24.6μg/m^3.（2019年）,OM、SO₄^2-、硝酸根（NO₃^-）、铵根（NH₄⁺）和元素碳（EC）等都有明显的下降趋势.矿物质元素（Al、Ca）是地面扬尘和建筑尘的标识组分,近年来Al、Ca浓度的增加趋势表明宝安区西乡扬尘的影响在逐渐扩大.2009、2014、2019年OC/EC的值逐渐扩大,说明了一次燃烧源排放的影响逐渐减小,但二次有机物（SOC）的贡献逐渐凸显.通过分析2004、2009、2014、2019年夏、冬季PM_2.5中6种主要组分变化趋势,表明6种主要组分夏冬两季皆有下降趋势,但由于气象因素导致冬季污染物受到区域传输的影响较大,夏季各组分浓度的下降幅度普遍高于冬季.总体来说深圳市PM_2.5浓度持续下降的原因是深圳市对机动车、工业VOC （挥发性有机物）、远洋船舶以及一次燃烧源的管控和减排.     

北京市区春夏PM2.5和PM10浓度变化特征研究

通过对北京市2012年3月～6月PM2.5和PM10实时数据的整理和分析,结果表明,北京市区大气中细颗粒物PM2.5和可吸入颗粒物PM10浓度日变化趋势基本相同,PM2.5和PM10存在显著或极显著的正相关关系;3月～6月,PM2.5浓度随季节变化逐渐升高,PM10的浓度随季节变化先升高后减小;3月～6月PM2.5与PM10日平均浓度分别为62.77μg/m3和133.88μg/m3,分别为国家二级标准的83.69%和89.25%。     

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.     

基于DTT法测量广州市区PM2.5的氧化潜势

大气颗粒物氧化潜势（Oxidative potential）常用于表征颗粒物对人体健康的影响.二硫苏糖醇（DTT）法是近年发展的一种测定颗粒物氧化潜势的方法,本研究改进了该方法的颗粒物提取方式和反应流程,并开展了广州市区PM_2.5氧化潜势（DTT_m&DTT_v）的测量.结果表明,广州市区2018年1月和4月PM_2.5的DTT_m值分别为（13.47±3.86）,（14.66±4.49）pmol/（min·μg）,DTT_v值分别为（4.67±1.06）,（4.45±1.02）nmol/（min·m³）,与国内外研究结果相当.DTT_v与PM_2.5质量浓度、OC、EC、BC具有较强的相关性,但DTT_m与以上参数相关性低,说明含碳组分不是广州市PM_2.5氧化潜势的主要贡献者.     

长三角地区PM2.5区域性污染时空变化特征

为定量分析长三角地区PM_2.5区域性污染的变化特征,建立适用于长三角地区的PM_2.5区域污染划分标准,基于2015—2020年长三角地区41个城市日均ρ(PM_2.5)开展区域污染变化趋势研究,并针对长三角PM_2.5重度区域污染开展了时空变化以及网络特征分析. 结果表明:①2015—2020年长三角三省一市年均ρ(PM_2.5)降幅均在25%以上,城市ρ(PM_2.5)分布呈北高南低的特征,南北城市之间ρ(PM_2.5)差异较大,ρ(PM_2.5)最高值与最低值相差35~46 μg/m3. ②2015—2020年长三角PM_2.5区域污染天数比例为16.9%~35.9%,以轻度污染为主,不同年份中度和重度污染天数比例差异较大,且主要出现在秋冬季,轻度、中度和重度污染天数均呈波动下降趋势. ③与2015年相比,2019年和2020年PM_2.5区域污染天数分别减少了38和69 d,且PM_2.5重度区域污染持续天数和重度及以上污染城市数量均呈减少趋势. ④PM_2.5重度区域污染日,长三角城市之间表现出较强的污染关联性,并可划分为4个子群. 以连云港市为代表的子群1位于长三角地区北部,PM_2.5污染相对较重,受长三角区域内输送影响较小,但对区域内其他城市有一定的输送影响;以宁波市为代表的子群2和以南京市为代表的子群4受长三角区域内输送影响较大,并指示了东路沿海和中路两条污染传输通道;以安庆市为代表的子群3位于内陆地区,污染独立性相对较强,受长三角区域内输送影响较小,同时对长三角其他城市影响也较小. 研究显示,长三角地区PM_2.5污染改善显著,但重度区域污染尚未消除,中北部城市的联防联控将对改善PM_2.5区域污染起积极作用.      

2007—2014年北京地区PM2.5质量浓度变化特征

为更好地解析北京地区ρ(PM_2.5)的长期变化特征及气流轨迹聚类分析结果,对2007年8月—2014年7月在中国环境科学研究院实测的ρ(PM_2.5)数据进行了统计分析,分析其年际、季节和月际变化特征;通过计算PM_2.5的AQI分指数,分析了污染等级的时间变化特征;结合后向气流轨迹,对ρ(PM_2.5)年际、季节变化与气团来源的关系进行了分析.结果表明:北京地区2008—2013年ρ(PM_2.5)年均值分别为111.5、95.8、94.8、80.5、75.2、81.3 μg/m3,整体呈逐年下降趋势,但污染水平依然较高;ρ(PM_2.5)由高到低的季节次序为秋季、冬季、春季、夏季,平均值分别为111.6、94.8、77.2、70.5 μg/m3,PM_2.5重污染时段主要出现在秋冬季节,并且冬季ρ(PM_2.5)近年来逐渐呈上升趋势;ρ(PM_2.5)月均值呈单峰型变化,11月最高(为125.3 μg/m3),7月最低(为76.4 μg/m3);轨迹聚类分析发现,途经山西省北部和河北省南部的气流轨迹中ρ(PM_2.5)较高,而来自北方及西北方向的气团相对较清洁,ρ(PM_2.5)较低.北京地区近些年实施的大气污染减排措施对于控制PM_2.5污染取得了一定效果,但针对秋冬季节重污染过程的控制力度仍需要加强,同时也要注意区域污染传输对北京地区ρ(PM_2.5)的影响.      

2013—2015年中国PM2.5污染状况时空变化

自2013年我国首次开展全国范围PM_2.5近地面监测以来,少有研究从全国空间尺度分析近3年全国PM_2.5污染状况时空变化的总体特征,识别PM_2.5污染加剧或缓解的空间范围,更缺乏直接对比评估国家大气污染重点防控区内外PM_2.5污染特征变化的差异.基于2013—2015年PM_2.5监测数据,综合运用时空统计分析与空间插值制图手段,揭示近3年ρ(PM_2.5)及不同等级污染天数的时空变化格局,并着重对比分析“三区十群”区域内外ρ(PM_2.5)的变化差异.结果表明,2013—2015年,全国持续监测的413个站点中有335个监测站点ρ(PM_2.5)年均值下降,其中218个站点实现连续两年年均浓度降低,74个站点ρ(PM_2.5)年均值降至符合国家二级标准;全国大部分地区ρ(PM_2.5)年超标率由50%以上降至30%以下,重度污染站点占比由88.38%降至73.77%,严重污染站点占比由65.86%降至36.35%;长三角城市群、长株潭城市群、武汉及周边城市群、陕西关中城市群PM_2.5污染呈现明显好转趋势;西藏、云贵高原以及海峡西岸城市群、珠三角城市群等沿海地区ρ(PM_2.5)一直较低,空气质量相对优良;但与此同时,京津冀城市群、山东半岛城市群及河南中部和北部地区仍是中国PM_2.5重污染区域,新疆西南部、合肥、南昌等地区逐渐形成新的PM_2.5重污染格局.      

武汉光谷空气PM10和PM2.5中的水溶性阴离子分析

2009年1月-2011年12月在武汉光谷商业区选取G、H两点,采集颗粒物样品,分析了PM10和PM2.5浓度,采用离子色谱测定了灰霾期间PM2.5中4种水溶性阴离子。结果表明:G点PM10和PM2.5年平均浓度分别超过《环境空气质量标准》(GB 3095-2012)二级浓度限值的1.48~1.73倍和1.94~2.4倍,H点分别超标1.16~1.4倍和1.26~1.86倍。灰霾期间PM2.5中主要水溶性阴离子为NO3-、SO42-、NO2-和Cl-,G点4种水溶性阴离子占PM2.5中总水溶性离子的比例分别是为20.29%、10.16%、9.51%和4.62%,H点为14.41%、30.12%、6.64%和3.83%。G点NOx-浓度约为SO42-浓度的3倍,而H点SO42-浓度约为NOx-浓度的1.5倍。G与H点NOx-和SO42-离子浓度的差异暗示两监测点的主要污染源不同,交通量和植被覆盖率可能是导致两点浓度差异的原因。。     

中国PM2.5人口暴露风险时空格局

采用PM_2.5和人口格网数据,计算了2000~2016年中国PM_2.5人口暴露风险值,并利用Theil-Sen Median趋势分析、标准偏差和Hurst指数等,分析了17a间中国PM_2.5人口暴露风险的时空变化特征.结果表明：①17a间PM_2.5人口暴露风险在胡焕庸线两侧差异巨大,东部高、西部低,东部多年风险均值为2.787,西部为0.065;②17a间PM_2.5人口暴露风险在胡焕庸线两侧的变化幅度具有较显著差异,西部整体呈下降趋势,而在2011年和2015年有明显回升,东部自2001年迅速增加且保持平稳状态,直至2015年出现大幅度回落.③PM_2.5人口暴露风险的稳定性与持续性差异显著,东部以不稳定与弱反持续性为主,西部则以稳定与强反持续性为主要特征.④暴露等级为危险与极危险水平下的人口总量与人口密度在空间上呈现出东部高西部低的分布状态.     

焦作市PM2.5和PM10时空变化特征及其与气象因子的关系

为了研究焦作市大气中PM_2.5和PM₁₀污染状况,基于2018—2020年焦作市50个环境空气质量监测站点的PM_2.5和PM₁₀浓度逐时观测资料,结合气象资料,分析了焦作市PM_2.5和PM₁₀浓度的时空分布特征及气象因素影响。结果表明:1)焦作市PM_2.5和PM₁₀呈双峰型日变化,且具有显著的U形逐月变化规律及冬高夏低、春秋居中的季节性特征。2)2018—2020年PM_2.5和PM₁₀浓度年均值呈西南高东北低的空间差异性特征。与2018年相比,2020年修武县PM_2.5和PM₁₀浓度的下降幅度最大,分别为30.25%、22.72%。3) Spearman相关性分析表明,PM_2.5和PM₁₀浓度与气温、风速呈显著负相关;与气压呈显著正相关;相对湿度与PM_2.5浓度呈显著正相关,与PM₁₀浓度呈显著负相关。焦作市环保局监测站在东北风、西南风风向PM_2.5和PM₁₀浓度污染较重,博爱县清化镇、沁阳市西万镇和武陟县乔庙乡监测站在西南风风向易出现高浓度颗粒物。该研究结果可为日后工业地区大气污染防治,生产生活的合理规划与布局提供重要参考。     

全球PM2.5人口暴露风险时空格局

基于PM_2.5遥感数据和人口格网数据,利用污染物人口暴露风险模型、Theil-Sen Media和Mann-Kendall等方法,分析了2000~2016年全球PM_2.5人口暴露风险时空分布特征,并识别出暴露高风险区域.结果表明,PM_2.5遥感数据和人口格网数据可以客观地评价暴露风险程度.全球PM_2.5平均浓度在各大洲差异显著,PM_2.5污染的高值区域主要分布在东亚、南亚和东南亚.PM_2.5质量浓度的多年平均值从高到低分别是亚洲14.7μg/m³、非洲8.1μg/m³、欧洲8.03μg/m³、南美洲5.69μg/m³、北美洲4.41μg/m³和大洋洲1.27μg/m³.2000~2016年,全球PM_2.5人口暴露风险在宏观尺度上呈逐渐减少的趋势,而在区域内则呈现出差异性.空间上,全球PM_2.5人口暴露风险各大洲从高到低依次为亚洲5.94、非洲0.62、欧洲0.45、南美洲0.32、北美洲0.27和大洋洲0.01.时间上,2000~2016年,亚洲和非洲PM_2.5人口暴露风险呈增长趋势,欧洲和北美洲呈减少趋势,大洋洲和南美洲变化幅度较小.     

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.      

2020—2021年西安市大气PM2.5中水溶性离子变化特征

用离子色谱法对181份PM_2.5有效样品中NO^-₃、SO₄^2-、NH⁺₄、Cl^-和F^-等5种水溶性离子进行检测分析。结果表明,西安市PM_2.5的年均浓度为(71.04±51.80)μg·m^-3,季节变化特征表现为：冬季>春季>秋季>夏季。五种水溶性离子的年均浓度为(28.24±31.79)μg·m^-3,季节变化特征表现为：冬季>春季>秋季>夏季。各水溶性离子的年均浓度由大到小依次为：NO^-₃>SO₄^2->NH⁺₄>Cl^->F^-。NO^-₃在冬、春、秋三季...     

中国PM2.5序列惯性特征及政策含义

基于北京、成都、广州、上海、沈阳5大城市2009~2017年的小时PM_2.5质量浓度监测数据,利用AR模型、未知内生结构断点检验和TAR模型等方法实证分析了PM_2.5序列惯性特征、结构变化和放大效应.研究发现,5大城市PM_2.5序列惯性均较强,其中成都PM_2.5序列惯性最强,北京、上海和广州在2009~2017年之间发生了结构性变化.5大城市的PM_2.5序列存在明显的非线性,各大城市PM_2.5总体在低区制运行,而且惯性特征明显,但不存在明显的放大效应,这就意味着雾霾防治不需要考虑PM_2.5序列的放大效应,未来政策应当更加聚焦于低区制下PM_2.5序列惯性特征.     

基于Informer的PM2.5浓度预测

针对现有PM_2.5浓度时序预测模型预测精度不高的问题,基于Informer建立了1个Seq2Seq的单站点PM_2.5浓度多步时序预测模型,以历史污染物数据和气象数据为输入,实现对未来一段时间PM_2.5浓度的预测。所构建模型基于ProbSparse (概率稀疏)自注意力机制提取所输入的序列信息,能够广泛地捕获输入序列的长期依赖信息,并对影响因子之间复杂的非线性关系进行建模,从而提高预测准确度。采用北京市2015-2019年逐小时空气污染物数据与气象数据进行模型训练、验证和测试,建立与循环神经网络(RNN)、长短期记忆网络(LSTM)的对比实验并与其他现有研究方法进行比较,结果表明:对未来1~6 h的PM_2.5浓度时序预测,Informer的平均绝对误差(MAE)、均方根误差(RMSE)和可决系数(R2)指标均为最好,实现了较为准确的预测。     

临沂市PM2.5和PM10中元素分布特征及来源解析

为探究临沂市PM_2.5和PM₁₀中元素的污染特征及来源,于2016年12月至2017年10月对临沂市环境空气中PM_2.5和PM₁₀进行了同步采样.利用电感耦合等离子体质谱仪(ICP-MS)和电感耦合等离子体发射光谱仪(ICP-OES)测定了其中的23种元素,并采用富集因子法和PMF法分析其来源.结果表明,采样期间临沂市PM_2.5和PM₁₀中主要元素为Si、Ca、Al、Fe、K、Na和Mg,分别占所测元素的质量分数为92.93%和94.61%. 18种元素(除Ti、Ni、Mo、Cd和Mg)的浓度水平在冬春季最高,夏秋季最低.其中Si、Al、Ca、K和Na表现为春季浓度最高,主要分布在粗颗粒中;Cu、Zn、Pb和Sb表现为冬季浓度最高,主要分布在细颗粒中.富集因子结果表明Cd、Sb和Bi元素富集程度显著,主要受燃煤、工业生产、垃圾焚烧等人为源共同影响.PMF源解析结果表明,临沂市PM_2.5中元素来源主要有燃煤和铜冶炼的混合源、市政垃圾焚烧...     

浅述环境中PM2.5的分析研究及其展望

综述了环境中PM_2.5的研究现状,重点围绕其来源、化学组成及组分分析方法进行介绍,并对工业园区PM_2.5的监控进行展望。