COVID-19管控期间气象条件变化对京津冀PM2.5浓度影响

2020年初新冠肺炎疫情（COVID-19）暴发后,中国多地实施了严格的管控措施,导致污染物排放量明显下降.但在减排实施的情况下,京津冀PM_2.5等污染物浓度较过去5 a同期却明显增长,出现了两次PM_2.5重度污染事件.利用欧洲中心ERA5再分析资料分析发现,相对于过去5 a, COVID-19管控期间京津冀地区的气象场表现为偏高的相对湿度、偏低的边界层高度和边界层内异常的辐合上升运动,有利于颗粒物的吸湿增长和二次转化,不利于污染物垂直方向上的扩散.此外,利用WRF-Chem模式开展敏感性试验发现,在京津冀中部地区气象场的变化导致2020年管控期间ρ(PM_2.5)升高了20～55μg·m^-3,升高比例高达60%～170%.进一步利用过程诊断分析法得出,增强的气溶胶化学过程和不利的湍流扩散条件是2020年COVID-19管控期间PM_2.5浓度升高的主要原因.在当今减排的大背景下,边界层高度和相对湿度的变化可能成为预报预测京津冀地区PM_2.5污染事件的重要指标...     

深圳市工业区大气PAN污染特征与影响因素

于2018、2020和2021年秋季(9月25日～10月31日)在深圳市典型工业区开展了大气过氧乙酰硝酸酯(PAN)及其前体物VOCs在线观测以分析该地大气光化学污染状况,并使用广义相加模型(GAM)探究气象因素和前体物等对PAN生成影响.观测期间,PAN平均浓度呈现出2018年(1.01×10^-9)>2021年(0.90×10^-9)>2020年(0.63×10^-9),日变化特征表明不同年份的PAN夜间背景浓度相当,年际间浓度差异取决于日间光化学反应生成.PAN和O₃之间相关性良好,R²为0.64～0.75.GAM模型结果表明,多因子分析能很好的表征PAN与气象、关键前体物之间的非线性关系,模型的调整判定系数R²达到了0.85～0.95,显著优于单因子分析.Ox、NO₂光解速率(JNO₂)、气温、相对湿度、乙醛和NO等因子与PAN浓度有显著的非线性关系.其中,Ox、JNO₂以及乙...     

山东省环境空气中PM2.5与O3的复合污染特征与时空变化趋势

山东省PM_2.5-O₃复合污染特征突出,空间差异性明显,本文基于2016—2020年国控和省控环境空气自动监测站监测数据以及同期各气象代表站气象监测数据,分析PM_2.5和O₃时空分布的变化特征,初步探究其与气象因子及前体物的关系. 结果表明:①2016—2020年山东省空气质量逐步改善,优良天数比例上升了7.1%,重污染天数比例下降了3.5%. 除O₃年评价值上升9.6%以外,SO₂、PM₁₀、PM_2.5、CO和NO₂的浓度均下降,降幅依次为61.3%、29.8%、28.6%、26.3%和11.4%. 各市PM_2.5年评价值均下降(范围为18.4%~34.9%);除德州市外,其他15市O₃年评价值均上升,滨州市的升幅(30.8%)最大. 1月PM_2.5平均浓度最高,呈现先下降后上升的年变化趋势,6月O₃平均浓度最高,且逐年上升. ②山东省PM_2.5和O₃均呈现内陆地区高于沿海地区的分布特征,PM_2.5浓度在西部内陆地区较高,O₃浓度在中北部内陆地区较高,PM_2.5-O₃复合污染特征在中西部地区较明显. 统计期间共计出现PM_2.5-O₃复合污染日224 d,分布在2—11月,出现天数逐年减少. ③为探究PM_2.5-O₃复合污染的影响因素及气象特征,进行相关性分析及气象因子阈值筛查,结果表明,PM_2.5日均浓度和O₃_8 h (臭氧日最大8小时滑动平均值)与其主要前体物和气象因子均呈现相反的相关关系,且对不同因子的响应有一定区域性差异. 当气温为14.9~24.1 ℃、相对湿度为55.5%~75.1%、风速为0.6~2.9 m/s、气压为992.8~1 018.8 hPa时PM_2.5-O₃复合污染易于发生,该条件下大部分城市的气温、相对湿度和气压平均值介于PM_2.5和O₃污染单独发生时的对应因子平均值,但平均风速小于PM_2.5和O₃污染单独发生的平均风速. 研究显示,“十三五”期间山东省PM_2.5浓度波动下降,O₃浓度波动上升,二者的协同关系日趋明显,气象因素对PM_2.5和O₃的生成和累积有一定影响.      

2014—2020年河南省PM2.5-O3复合污染特征及气象成因分析

为了解河南省PM_2.5-O₃复合污染特征及气象成因,本文基于2014—2020年河南省18个地级市的空气质量国控点数据及常规地面气象观测数据,对河南省PM_2.5-O₃的复合污染时空特征及关键气象因子影响进行分析.结果表明：(1)在空间分布上,PM_2.5-O₃复合污染天数呈由河南省中北部向周围逐渐减少的特点,而O₃单污染和PM_2.5单污染高发区均主要集中于豫北地区.(2)在时间特征上,2014—2020年PM_2.5-O₃复合污染天数呈先增加后减少的特征,最多为12 d (2014年),2016—2017年未出现复合污染;PM_2.5单污染和O₃单污染天数均呈“M”型变化趋势,PM_2.5单污染天数的2个峰值分别出现在2015年和2019年,分别为174和93 d,O₃单污染天数的2个峰值分...     

地理标志农产品种植户气象灾害的适应策略研究——以陕西猕猴桃种植户为例

基于地理标志农产品种植户的实地调研数据,利用多元线性回归模型从生计维度研究种植户对猕猴桃物候期内气象灾害的感知及适应策略的影响因素。物候期内气象灾害的感知对种植户适应能力有显著影响。不同类别生计资本对于种植户采取适应策略的影响具有差异性：自然资本通过提升家庭生计基础显著影响种植户采取越冬期冻害、芽膨大期冻害适应策略;物质资本通过改善家庭生产物资形式影响种植户采取越冬期冻害适应策略;金融资本通过拓宽家庭金融收入渠道等方式显著影响种植户采取越冬期冻害、芽膨大期冻害、高温日灼灾害适应策略;社会资本通过丰富家庭同质性和异质性社会资本显著影响种植户采取夏季干旱适应策略;人力资本则通过提升家庭整体教育质量并推动再生产能力显著影响种植户采取芽膨大期冻害与秋季连阴雨适应策略。最后,建议政府应通过提升种植户获取气象信息能力、加强举办农业培训等技能学习活动、完善农业组织建设等措施以提升其适应能力。     

基于GAM模型的四川盆地臭氧时空分布特征及影响因素研究

为研究四川盆地臭氧(O_3)时空分布特征及其气象成因,对四川盆地18个城市2015—2016年国控环境监测站点和气象台站数据进行了研究分析.结果表明:2015—2016年四川盆地O_3污染愈发严重,高值污染区呈扩张态势,污染区主要位于盆地西部成都、德阳、资阳、眉山、内江一带和以广安为中心的周边区域.O_3浓度有明显的季节变化特征:夏季(110.70±41.52)μg·m~(-3)春季(95.24±41.23)μg·m~(-3)秋季(67.58±39.55)μg·m~(-3)冬季(47.17±41.15)μg·m~(-3).基于广义相加模型(GAM)分析发现O_3浓度与气压、气温、相对湿度、风速、日照时数、降水量间均呈非线性关系,其中日照时数、相对湿度以及气温对四川盆地O_3浓度影响较大,而风速、气压以及降水量对O_3浓度影响相对较小.通过构建GAM模型对四川盆地18个城市O_3污染的主导气象因子进行识别,并对2017年O_3浓度进行预测和检验,结果显示GAM模型能较为准确地预测四川盆地各城市O_3浓度的变化趋势.     

2013—2016年珠海地区臭氧浓度特征及其与气象因素的关系

利用珠海地区两个代表性环境空气质量国控站（吉大站、斗门站）2013—2016年连续4年的逐时臭氧（O₃）浓度监测资料和离两个国控站最近的基本气象站（珠海气象站、斗门气象站）同期逐时气象资料,综合应用统计分析、个例剖析、HYSPLIT后向轨迹聚类分析和潜在源贡献因子分析（PSCF）方法,研究了珠海地区臭氧浓度特征及其与气象因素的关系.结果表明：①干季珠海市O₃浓度最高且超标天数最多,高温低湿条件有利于O₃的形成;②位于内陆的斗门站O₃污染浓度、污染频率明显高于位于沿海的吉大站;③风场对珠海地区O₃浓度分布有重要影响,东北风或偏北风风速为3~4 m·s^-1时下风向珠海地区O₃浓度最高;④10月O₃重污染个例剖析表明,区域输送对珠海地区O₃污染有重要影响.HYSPLIT后向轨迹聚类分析表明,影响珠海地区O₃污染的气团来源中受广东中东部气流影响时污染最重,与潜在源贡献因子分析（PSCF）表明的该污染个例的污染潜在源区主要为广东中东部的东莞、广州增城、河源及以北地区的结论一致.     

空气质量与气象因子关系及污染物变化趋势

本文中将对空气质量与气象因子之间的关系进行详细的阐述,并对主要污染物的变化趋势进行一定的分析研究,试图为空气质量的改良与控制提出一定的建议性对策。     

基于M-C方法的复杂气井井筒完整性失效因素不确定性分析

基于Monte-Carlo法对不同的随机性指标进行不确定性分析,得到影响复杂气井井筒完整性参数的随机概率分布情况,并给出相应的概率密度。研究表明:在工程和实验室样本下基于M-C方法得到的管柱材料参数、管柱强度、水泥环材料参数、水泥环强度和井筒围岩参数均符合Gaussian分布,且参数的不确定性分析结果受样本空间影响很大,样本区间越大,结果精度越高。研究成果可为复杂气井井筒的设计、安全风险评价提供理论和方法支持。     

2019年西安末场雾霾PM2.5生消扩散特征

为了探寻西安雾霾气溶胶典型生消扩散特征,对2019年最后一场雾霾(简称末场雾霾)开展了高分辨WRF-Chem(the Weather Research and Forecasting model coupled to Chemistry)模拟,并结合环境监测站监测数据、以及特殊观测数据(西安理工大学气象站、粒谱仪、太阳光度计观测等),对末场雾霾发生发展的气象条件与气溶胶条件进行了综合诊断,研究结果如下:①通过与观测数据对比表明,模式较好地再现了雾霾生命史(发生于12月20—25日,于23日上午发展为重度霾).②四川北部是此次雾霾的发源地,在雾霾形成初期,沿着低矮地势存在一条输送通道(青川县-康县-徽县-两当县-秦岭西部低矮地形与青藏高原东部山脉之间的豁口-宝鸡-西安).③特殊的地形使得西安易于滋养雾霾,而较大尺度的秦岭山脉并不能完全阻挡西安雾霾的形成与扩散.④通过对比2019年首、末两场雾霾,揭示了两场雾霾气溶胶的共性特征:雾霾天气背景下,PM_2.5的组份以有机碳为主(接近或突破40 μg·kg^-1);偏北风是西安雾霾消散的关键因子(底层持续6 m·s^-1以上的平均风速,即可以吹散雾霾),雾霾消散时先从底层开始消散.