济南市背景区域大气PM2.5污染特征及其对能见度的影响

为研究背景地区大气PM_(2. 5)化学组分季节变化特征及对能见度的影响,本研究于2016年春、夏、秋、冬在济南市七星台采集大气PM_(2. 5)样品,分析其中水溶性离子组分及OC、EC的污染特征并研究其区域传输贡献.结果表明,NH_4~+、SO_4~(2-)和NO_3~-三者之和占年均离子总浓度的90. 24%,二次生成的水溶性无机离子污染较为严重. NO_3~-/SO_4~(2-)呈现出明显的冬高夏低的季节性变化特征.各季节的SO_4~(2-)和NH_4~+主要以(NH4)2SO4结合的形式存在. SOC/OC的范围是21. 17%～54. 21%,表明该地区存在较为严重的二次有机污染.四季SOR值均大于0. 1,显示本区域四季均有SO_4~(2-)的二次生成,四季NOR的值均高于SOR,可知NO2的二次转化强于SO2的二次转化.大气消光系数(Bext)的范围是172. 68～320. 61 Mm-1,年均值为256. 48Mm-1,大气消光系数呈现明显的夏低冬高的季节性趋势.后推气流轨迹显示七星台地区春、夏季主要受长距离传输和海洋源的影响,秋、冬季主要受局地源的影响.对比2008年济南市大气PM_(2. 5)污染特征研究,结果显示机动车对大气环境影响显著提升.     

2019～2021年北京市PM2.5及组分受风向影响研究

利用北京市2019～2021年的气象数据、PM_2.5及组分浓度数据,结合常规污染物NO₂浓度,分别对PM_2.5及组分浓度、气象参数、NO2浓度和氮氧化率(NOR)大小的时空变化进行分析比较.结果表明:2019～2021年三年间北京市城区PM_2.5浓度下降14%,但NO₃^-上升12%;各风向上,北京市城区PM_2.5浓度大小顺序为:东北风>东风>西南风>东南风>南风>西风>北风>西北风,此外,二次无机盐组分最高浓度均出现在偏东风风向,有机物(OM)最高浓度出现在西南风;各风向年际变化上,2019～2021年,北京市PM_2.5、各组分及NO₂浓度在空间上均呈现高浓度“东移”特征,NO₃^-在东北风向上上升幅度最高,达65.7%;东北、东风及东南风风向上,相对湿度同步升高,NOR在东北、东风风向上同步升高,升高幅度达...     

2020年南通市大气颗粒物组分和污染特征分析

本次研究以南通市大气颗粒物组成和污染特征为研究对象,利用南通市大气超级站监测数据,分析了2020年南通市PM2.5和PM10浓度水平,时间变化特征和组分特征.结果表明,2020年南通市PM2.5和PM10年均质量浓度分别为34μg/m3和56μg/m3,具有明显的冬高夏低的特征,PM2.5/PM10呈现为冬季>夏季>春季≈秋季.PM2.5中含碳组分和水溶性阴阳离子高低顺序为:NO3->OC>SO2-4>NH4+>EC>Cl->K+>Na+>Ca2+>Mg2+.冬季OC、NH4+、SO2-4和NO3-浓度值显著高于其他三个季节,PM2.5中NO3-、OC、SO2-4和NH4+的占比分别为27.7％、15.4％、15.0％和14.2％.NO3-/SO2-4比值为1.9,表明受移动源影响较大;OC和EC浓度均为冬季最高,夏季最低,四季OC/EC介于3.2～4.6,表明南通全年均受二次有机碳(SOC)的影响,且主要受柴油、汽油车的尾气排放和燃煤排放影响.     

六类餐饮源排放PM2.5化学成分谱

大气颗粒物源成分谱可以表征源排放颗粒物的理化特征,为受体模型开展来源解析研究提供基础数据.餐饮油烟排放是室内外环境大气污染的来源之一,当前餐饮源排放PM_2.5的化学成分谱仍然缺乏.该研究分别在成都市、武汉市和天津市采集了29组6种餐饮源（居民烹饪、火锅店、烧烤店、职工食堂、中餐馆、商场综合餐饮）排放的PM_2.5样品,分析无机元素、离子、碳、多环芳烃（PAHs）等化学组分,并构建了餐饮源排放颗粒物化学成分谱.结果表明:①餐饮源排放PM_2.5化学成分中的主要组分为OC（有机碳）、EC（元素碳）、Ca、Al、Fe、NH₄+、SO₄2-、NO₃-、Na+、K+、Mg2+和Cl-,其中w（OC）最高,为41.67%~57.91%.②餐饮源排放PM_2.5的PAHs中,3环和4环占比较高,其中芴（Flu）、菲（Phe）、荧蒽（Fla）、芘（Pyr）的质量分数相对其他物质较高.研究显示:餐饮源排放PM_2.5中OC/EC约为15.99~67.61,在一定程度上可以用来表征餐饮源排放;Fla/（Fla+Pyr）和InP/（InP+BghiP）多集中在0.45~0.55之间,或可作为标识餐饮源的特征比值.      

秦皇岛市大气PM2.5中一元羧酸的污染特征及来源分析

大气细颗粒物中有机物含量占20%~80%,部分有机物除具有较强的毒性外,还具有较强吸湿性,影响大气环境质量.因此,为充分研究细颗粒物中一元羧酸的来源及其对大气环境的影响,于2020年在秦皇岛市区（海港区站点）和工业园区（昌黎站点）采集细颗粒物,经预处理的样品用三氟化硼-甲醇（BF₃-CH₃OH）衍生化试剂衍生后,采用气相色谱质谱联用（GC-MS）的方法对PM_2.5中的一元羧酸进行测定,一共检测到17种一元羧酸（碳数分布在10~24之间）.结果表明:①PM_2.5浓度的季节性变化呈冬季>秋季>春季>夏季的特征,且工业园区（昌黎站点）PM_2.5浓度为21.40~112.41 μg/m3,高于市区（海港区站点为9.01~104.88 μg/m3）.②两个采样点一元羧酸浓度的季节性变化特征并不明显,海港区站点、昌黎站点一元羧酸的年均浓度分别为873.91、895.22 ng/m3.③两个站点碳数小于22的一元羧酸浓度均表现出明显的偶数碳优势,海港区站点、昌黎站点浓度最高的一元羧酸均为棕榈酸（C₁₆）,年均浓度分别为512.86、514.34 ng/m3;其次是硬脂酸（C₁₈）,年均浓度分别为270.06、268.17 ng/m3.两站点各季节C₁₆和C₁₈分别占一元羧酸总浓度的48.83%~66.40%和22.81%~36.96%.一元羧酸的碳优势指数（CPI）与植物贡献的一元羧酸（碳数≥ 22）总浓度呈负相关.④根据碳数分布规律、∑C _{≥ 22}/∑C _{< 22}（碳数大于等于22的一元羧酸与碳数小于22的一元羧酸浓度的比值）、C₁₈/C₁₆（硬脂酸和棕榈酸浓度的比值）、CPI值以及C_18:1/C₁₈（油酸与硬脂酸浓度的比值）来初步判断一元羧酸的来源及其对大气环境的影响,发现秦皇岛市两个站点夏季大气氧化性最强（市区大气氧化性较工业园区强）,春、秋两季大气氧化性较弱,尤其是工业园区春季大气氧化性最弱,其一元羧酸主要来自本地源;燃煤、机动车尾气排放、道路扬尘以及肉类烹饪是大气PM_2.5中一元羧酸的主要来源;植物源对一元羧酸浓度的贡献较小.研究显示,秦皇岛市两个站点一元羧酸浓度的季节性变化并不显著,燃煤、机动车排放、道路扬尘及肉类烹饪对一元羧酸贡献较大.      

中国31个城市大气污染物"春节效应"时空变化研究

为明确中国春节期间大气污染物"春节效应"时空变化特征及其原因,利用2014年春节期间(2014-01-17?—?2014-02-14)31个城市(22个省会、5个自治区首府、4个直辖市,不含港澳台地区)大气PM2.5、NO2和SO2浓度监测数据,并结合相应时段的气象数据,分析这三种大气污染物时空分布特征及其与气象要素的关系.结果表明:PM2.5和SO2受除夕夜燃放烟花爆竹影响较大(受影响的城市分别占66％和58％),而NO2表现不明显(受影响的城市只占16％).此外,春节中期大部分城市三种大气污染物的浓度都比春节前期低,而与春节后期差异不明显.从空间来看,南方城市三种大气污染物浓度在春节中期与春节前期差异比北方城市大.气象要素对不同城市各大气污染物浓度变化影响不同.总体而言,"春节效应"在全国各大城市间存在明显的时空差异.     

深圳市典型混合功能区PM2.5源解析研究

为精准识别深圳市典型商业、居住与工业混合功能区的PM_2.5污染来源,选取深圳市北部地区5个点位于2017年9月~2018年8月全年进行PM_2.5的样品采集和组分分析,利用优化的多元线性引擎模型（ME-2）对其主要来源及其时空变化特征进行探索.结果显示,研究区域研究时段的大气PM_2.5年均浓度为29.0μg/m³,解析出了SO₂二次转化（19.9%）、机动车（15.1%）、生物质燃烧（11.2%）等10种来源,其中SO₂二次转化、生物质燃烧、NO_x二次转化、VOCs二次转化、工业排放、老化海盐和远洋船舶源具有显著的区域传输特征,而机动车源、燃煤和扬尘具有本地源特征,受到局地排放的影响较大.重污染天气下机动车源、NO_x二次转化、工业排放及生物质燃烧源的增加最为显著,加强这些源的控制是此类混合功能区PM_2.5污染精细化防治的关键.     

XGBoost-LSTM变权组合模型支持下短期PM2.5浓度预测——以上海为例

为进一步提高PM_2.5浓度预测的精度,基于XGBoost和LSTM进行改进得到变权组合模型XGBoost-LSTM（Variable）.过对预测因子进行相关性分析,得到其它大气污染物和气象因素对PM_2.5浓度的影响,确定最优PM_2.5浓度预测因子,再将预处理后数据集输入LSTM模型和XGBoost模型分别进行预测,采用基于残差改进的自适应变权组合方法得到最终预测结果.结果表明,污染物变量的相对重要性高于气象因子变量,其中当前PM_2.5和CO浓度的相对重要性较高,而平均风速和相对湿度重要性较低.XGBoost-LSTM（Variable）模型的RMSE、MAE和MAPE值为1.75、1.12和6.06,优于LSTM、XGBoost、SVR、XGBoost-LSTM（Equal）和XGBoost-LSTM（Residual）模型.分季节预测结果表明,XGBoost-LSTM（Variable）模型在春季预测精度最好,而夏季预测精度较差.模型预测精度高的原因在于其不仅考虑了数据的时间序列特征,又兼顾了数据的非线性特征.     

西安BC、PM2.5与气温协同对心脑血管疾病死亡的影响

利用西安市2014~2015年BC、PM_2.5和气温及心脑血管疾病每日死亡人数等资料,基于时间序列的广义相加模型中的主效应模型、非参数二元响应模型和温度分层模型对其进行研究.结果表明,BC、PM_2.5对心脑血管疾病死亡人数的影响存在滞后效应,最佳滞后时间下,BC、PM_2.5浓度每增加1个IQR（BC：5.31μg/m³,PM_2.5：40.30μg/m³）,心脑血管疾病每日死亡人数ER（95% CI）分别为3.53%（95% CI：1.86,5.23）、2.01%（95% CI：1.06,2.97）.气温与心脑血管疾病每日死亡人数的暴露反应关系呈“V”型分布特征,最适温度为26℃.低温和高污染物浓度对心脑血管疾病的影响存在协同放大效应,当气温低于26℃时,BC对人群健康风险比PM_2.5更大.对于心脑血管疾病而言,不同人群的易感程度不同,女性群体对BC、PM_2.5暴露更为敏感.当BC、PM_2.5同时纳入其它一种或几种气态污染物时,对ER值无较大影响.BC仅占PM_2.5浓度的一小部分,但健康影响不容忽视,BC可作为评估大气污染物健康风险的重要空气质量指标.     

贝加尔湖高压分裂过程对绥化市重污染的影响

为探究贝加尔湖高压分裂过程对绥化市2020年1月份持续性重污染事件的影响,以WRF中尺度气象预报数据及气象观测数据为分析基础,分析了2020年1月9~21日的天气形势及气象要素变化,并结合污染物浓度观测数据及PM_2.5组分观测数据（13~21日）,分析了该过程中污染物浓度变化及化学组分特征.结果表明：此次污染过程由贝加尔湖分裂高压引起的持续性静稳天气造成,11~20日期间,空气质量指数AQI变化范围为182~329,其中有9d污染状况为重度及以上污染;重污染期间,地面风速最低下降至0.5m/s左右,能见度下降至1km左右,且出现逆温层,大气扩散条件差;持续性静稳天气导致大气氧化性增强,氧化剂浓度（ρ（NO₂）+ρ（O₃））约94~118 μg/m³,相对湿度约为94%,ρ（SO₄^2-）、ρ（NH₄⁺）最大日增量达28.59、11.32μg/m³,增长速度相比于14日分别增加了1264%、1270%,高湿高氧化性的大气环境显著促进了二次无机盐的生成.贝加尔湖高压分裂过程导致持续性静稳天气,加之污染物的本地排放与积累,增加了大气氧化性,进而形成绥化市持续性重污染天气.