基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟

在城市区域内,空气污染物的浓度在小范围内存在显著差异,而离散的地面监测点分布不均匀,且监测范围有限,无法满足污染物暴露评估等研究的需求.本研究基于GIS空间分析和多元逐步回归的模型构建的方法,建立了土地利用回归（LUR）模型,并模拟了北京市2019年PM_2.5和PM₁₀浓度的空间分布特征.选择土地覆盖数据、气象数据（风速、降水、温度）和植被覆盖度数据等预测变量,以研究区34个监测站点为中心建立0.1~5 km共7个系列缓冲区,表征不同尺度下各变量对PM_2.5和PM₁₀浓度的影响.研究结果表明：①进入PM_2.5回归模型中的变量有：年均风速、温度、降水量和周围中等植被覆盖、耕地和不透水面的面积;进入PM₁₀回归模型中的变量有：年均风速和周围中等植被覆盖的面积.两个模型的调整R²分别为0.829和0.677,模型精度较高.②抑制污染物浓度的变量,影响力随着空间范围扩大而增强;使污染物浓度增加的变量,影响力随着空间范围缩小而增强.③浓度模拟结果显示,PM_2.5和PM₁₀在西北部山区浓度较低,南偏东的城区浓度较高,并且向南有逐渐增加趋势.4植被覆盖度这一变量不仅进入了上述两个方程,且影响力都强于其他土地利用类型,故以后的模型改进应该考虑植被覆盖度这一因素.     

石家庄市采暖季PM2.5碳组分昼夜污染特征及来源分析

为探究2017年石家庄市采暖季昼夜PM_2.5中碳组分的污染及来源特征,选取2017年11月30日-2018年1月22日时间段分别采集石家庄白天（8：00-20：00）、夜晚（20：00-翌日8：00）的PM_2.5样品,分析PM_2.5组分中OC和EC昼夜间的浓度变化特征、来源特性,SOC的估算及影响因素,并对石家庄市碳质气溶胶进行源解析和区域传输分析.结果表明,①采样期间白天PM_2.5、OC和EC的平均质量浓度分别为（110.6±71.6）、（39.9±20.4）和（9.3±3.6）μg·m^-3,夜间平均质量浓度分别为（128.5±75.3）、（64.7±36.5）和（13.6±6.0）μg·m^-3,PM_2.5、OC和EC质量浓度均呈现出夜间质量浓度高于白天的特征.②燃煤和机动车尾气排放在增加了一次有机碳（POC）和元素碳（EC）的本底质量浓度的同时,产生的CO、NO₂、SO₂等气体污染物又促进了光化学反应,两者协同作用下促进了SOC质量浓度的生成和积累.根据估算,SOC、SOC/OC值在夜间高于白天,白天较强的太阳辐射和光化学活性是SOC转化的主导因素,夜间气态有机前体物浓度是SOC转化的主导因素.③采样期间昼夜间OC、EC的相关性较好,其来源具有较好的同源性.大气PM_2.5碳质气溶胶主要来自燃煤、汽油车和柴油车尾气排放混合源,夜间柴油车污染源对碳质气溶胶的贡献率较白天更为明显.④后向轨迹结果表明,石家庄市严重污染期间颗粒污染物浓度变化主要受到低空东北方向气团的影响,PM_2.5以及OC、EC质量浓度的变化和周边地区的污染物输送有关.     

北京建筑垃圾堆放场春季降尘量与源距离关系探讨

以北京某建筑垃圾堆放场为研究对象,通过在建筑垃圾堆放场2.5 km范围内放射式布点,于2019年4月对降尘进行监测,探究了建筑垃圾堆放对环境空气中降尘的影响。结果表明:监测范围内降尘量普遍高于北京市同期降尘月平均水平。建筑垃圾堆≤150 m范围内降尘量最高,平均值为75.09 t/（km2·30 d）;随着与建筑垃圾堆距离的增大,150~500 m范围内降尘量数值仍偏高,但有明显的下降趋势,平均值为32.53 t/（km2·30 d）;在距离>500 m后,降尘量数值变化趋于平缓。建筑垃圾对降尘的主要影响范围在半径500 m内,受主导风向控制,建筑垃圾堆东北部受影响明显较大。     

基于确定性系数概率模型的降雨型滑坡孕灾环境因子敏感性分析——以四川省低山丘陵区为例

分析降雨型滑坡孕灾环境因子的敏感性,有利于提高对该类型滑坡的预测精度。以四川省低山丘陵区为例,通过高分辨率遥感影像解译和野外实地调查等方法,建立滑坡编目数据库,并在此基础上,选取高程、坡度、地形起伏度、岩土类型、道路、河流和断裂构造共7个因子作为降雨诱发滑坡的孕灾环境因子,基于GIS空间分析技术,应用确定性系数概率模型,对这7个因子的敏感性进行研究。研究结果表明:四川省低山丘陵区降雨型滑坡多发育在:①高程在400~1 000 m的范围内,特别是600~800 m的区域;②坡度为15°~30°的区域;③砂岩、砾岩和页岩等岩石类型中。应用滑坡敏感性指数分析发现,岩土类型、高程和坡度对研究区内降雨型滑坡的分布起到控制作用。     

京津冀地区大气NO2污染特征研究

京津冀都市圈作为全国主要的重化工业基地,区域性大气污染问题成为关注的焦点。NO2作为二次颗粒物及光化学污染物的重要前体物,了解其在时空尺度的污染特征对于保护公众康健及大气污染综合治理具有重要意义。本研究主要基于OMI遥感反演数据并结合部分地面监测数据,研究了2005—2013年京津冀NO2区域污染特征。结果表明：京津冀NO2柱浓度总体呈现逐年升高的趋势,年平均增长速率可达5.69%。在空间格局上呈东南平原区高、西北山区低的特征,平原的年均柱浓度是山区的3倍多;平原区存在两大NO2高值区域,分别为北京-天津-唐山区域和石家庄-邢台-邯郸区域;9年内, NO2高值范围不断扩大,且呈现明显的连片趋势。各城市大气 NO2在9年内的增长趋势也表现出明显的空间差异性。其中石家庄、唐山、邢台等 NO2重度污染区域的增长速率最大,衡水、沧州、秦皇岛、廊坊等中度污染区域的增长速率次之,承德、张家口等轻度污染区域的增长速率最小。京津冀NO2柱浓度具有显著的季节变化特征,总体表现为秋冬高、春夏低,但山区与平原区差异较大。人口密度、能源消耗、机动车排放等人为因素与京津冀 NO2污染密切相关,不同城市的首要影响因素却不同。北京 NO2柱浓度变化主要受机动车排放影响,天津、唐山、石家庄、邯郸、邢台地区主要受工业燃煤的影响,其次为机动车排放。人为因素对平原区NO2柱浓度的影响作用始终占据主导地位,对山区的主导作用从2006年开始突显。此外,京津冀平原区NO2重污染中心的形成还受到特殊地形和不利的气象条件影响。2008奥运年,京津冀空气质量得到迅速且有效的改善,说明北京及周边省市联合开展大气污染治理及监管工作的有效性及必要性。     

北京2019年国庆假日及随后一个星期PM2.5中金属元素来源分析

2019年10月1—14日,采集了北京五环内14份城区大气PM_2.5样品。用微波消解-电感耦合等离子体质谱法（ICP-MS）测试了样品中15种金属元素的质量浓度。结果表明：2019年国庆假日（10月1—7日）及随后一个星期（10月8—14日）,北京五环内城区PM_2.5中15种金属元素的质量浓度总和分别为7 206、8 025.4 ng/m³。2个时段Na、K、Ca、Al占比较高,4种元素的质量浓度之和分别占元素总质量浓度的88.9%、83.5%。富集因子分析表明：2个研究时段内,北京城区Se、Cd均呈高度富集状态,受人为污染影响最大。根据因子分析结果以及各类污染源的标识元素判断,2个时段内,PM_2.5中的金属元素均来自地壳（土壤尘和建筑尘）、生物质燃烧、机动车排放、燃煤和工业排放的混合源。潜在源因子分析结果表明：国庆假日北京城区Se、Cd、Pb、Cr主要来源于河北、山东两省中部地区的区域性输送,Zn和Cu主要来源于北京周边工业排放源和城区机动车排放源;国庆假日之后,北京城区Se、Zn、Cd、Pb、Cr、Cu除受廊坊-天津-唐山污染带的区域性传输影响外,还受北京周边燃煤源、工业排放源及本地机动车排放源的共同影响。     

北京城区大气颗粒物与地表土壤金属元素空间关联分析

为研究北京市区大气降尘金属来源及其与表层土壤的关系,在北京市区五环内的典型地段采集落尘与土壤样品。研究中使用电感耦合等离子体原子光谱仪(ICP-AES)测定了9种金属元素Cd、Cu、Zn、Fe、Pb、V、Ti、Mn、Al的质量分数。结果显示,降尘和土壤中Al、Fe两种元素所占比例最大,质量分数分别为16144.8、12881.9μg· g-1和21400.9、815712.2μg· g-1。其次降尘中Zn、Ti和土壤中Ti、Mn居第二位。随后基于灰度关联法对大气降尘与表层土壤的金属元素关系分析可知,大气降尘与表层土壤是高度关联的,关联值均介于0.92~0.95之间,二者间关联较为紧密。其中在空气降尘对表层土壤的影响研究中分析得出,空气降尘对表层土壤的影响与采样点的空间位置变化相关性不强,与风向、风速等自然环境因素的关联度较大。在表层土壤对空气降尘的影响研究中分析得出,表层土壤对空气降尘的影响度随采样点环境变化较大,尤其是北京南站。最后,通过对降尘金属元素进行因子分析得出,第一因子Z1同时与Pb、V、Ti、Mn、Al、Fe、Cu、Cd等元素有较大关系;第二个因子Z2与Cd、Cu等元素有较大的相关性;第三个因子Z3与Zn、Fe等元素有较大相关性,与其它7种元素的相关性不明显。前三因子 Z1、Z2、Z3方差累积贡献率可达97.2%,由此可知,降尘来源主要与风引起的地面扬尘,与塑料制品的焚烧,冶金、化工等工业影响及轮胎磨损有关。     

京津冀及周边MAIAC AOD和PM2.5质量浓度特征及相关性分析

基于2014~2018年京津冀及周边地区MAIAC AOD和PM_2.5质量浓度数据,探讨AOD和PM_2.5质量浓度的时空差异,并利用线性回归探讨两者之间的相关性.结果表明,PM_2.5日均浓度超标天数分别占33%和57%（执行世界卫生组织IT.1和IT.2日均标准值）,污染较为严重.Terra、Aqua MAIAC AOD和PM_2.5年均浓度均呈下降趋势,PM_2.5浓度呈现出冬春季高、夏秋季低的特点,而Terra、Aqua AOD则表现为春夏季高、秋冬季低.PM_2.5及AOD的季均和年均浓度均呈现"北低南高"的区域分布特征,高值区主要位于河北南部、山西南部、山东西部以及河南北部,低值区主要位于山西北部、河北北部以及山东东部.PM_2.5年均浓度介于27~99μg·m^-3,AOD年均值介于0.20~0.69.Aqua AOD与PM_2.5浓度的相关性更高,且不同季节Terra、Aqua AOD与PM_2.5相关性差异显著,总体均表现为春冬季良好,夏秋季相对较差.对卫星AOD进行垂直和湿度订正后,其与PM_2.5的相关性显著提高.     

长三角城市群PM2.5时空变化和影响因素分析

为协调经济发展与环境污染之间的矛盾,实现经济社会的可持续发展.以长三角城市群为研究区,基于PM_2.5浓度和气象数据,分析PM_2.5浓度的时空变化规律,并利用小波相干（WTC）、偏小波相干（PWC）和多小波相干（MWC）,评估PM_2.5与气象因子在时频域中的多尺度耦合振荡.结果表明：①②③④⑥⑤⑦⑧⑨⑩长三角城市群PM_2.5浓度年均值由西北向东南梯度递减,高值区域空间范围逐年缩小.PM_2.5浓度季节均值与年均值的空间分布特征相似,并且具有冬季最高,夏季最低,春秋过渡的特点.② PM_2.5浓度从2015~2021年逐年下降,达标率逐年上升.PM_2.5浓度差异逐年缩小,具有动态收敛性特征.PM_2.5浓度在夏季的收敛性大于冬季.PM_2.5浓度日均值具有U型振荡特征,整个研究期间PM_2.5浓度等级为优和良的天数占比分别为49.72%和41.45%.③ PM_2.5与气象因子的相干性在不同时频域上存在差异.时频尺度不同,影响PM_2.5的主控因子也不尽相同.在所有时频尺度上,WTC结果表明风速可作为解释PM_2.5变化的最佳变量,PWC结果表明温度可作为解释PM_2.5变化的最佳变量.④时频尺度越大,多变量组合解释PM_2.5变化的相互作用越强,而温度和风速的协同作用可以更好地解释PM_2.5变化.结果可为长三角城市群空气污染防治提供参考.     

2018~2020年北京市交通监测站点大气污染特征分析

基于北京市34个空气质量监测站点收集的5种主要污染物浓度（NO₂、CO、O₃、PM_2.5、PM₁₀）数据,对2018~2020年北京市5个交通站点污染物浓度进行分析,并与11个城市评价站点及2个背景点（密云水库、定陵）进行对比.结果表明：（1）3a间各污染物浓度年际变化总体呈下降趋势,除PM₁₀外,交通站点各污染物浓度降幅均大于城市评价站点.2020年交通站点NO₂降幅最大,比2018年下降了31.37%.除个别时期外,5种污染物浓度在交通站点比城市评价站点普遍高出3%~50%.且以NO₂最为突出.（2）2018~2020年各监测站点不同污染物浓度的季节变化特征表现不同.O₃夏季高、冬季低,最高值出现在2018年6月;其余4种污染物浓度基本表现为冬季高、夏季低;2018年3月受沙尘及不利气象条件影响,污染物浓度出现了极高值.（3）为研究新冠肺炎疫情对交通污染排放的影响,比较了5种污染物的浓度变化.与2019年同期相比,疫情后三个阶段的NO₂下降最为显著.交通站点NO₂、CO、PM_2.5平均降幅比城市评价站点高出了4.81%、10.21%、4.38%.