长江三角洲冬季电厂排放对大气污染的影响

分析了长江三角洲地区电厂排放的基本特征并利用WRF-Chem模拟冬季大气污染状况,研究了冬季电厂排放主要污染物的特征及其对空气质量的影响,结果显示,长三角电厂排放的主要大气污染物为SO₂、NO_x及PM_2.5,2010年排放量可分别达到826.8、1475.6和137.3Gg,分别占长三角地区人为源总排放量的34%、38%和14%.冬季主要大气污染物（SO₂、NO₂、PM_2.5）浓度高值区分布在南京-上海,杭州-宁波一带.电厂对SO₂浓度贡献量（率）的空间分布与SO₂排放的空间分布较为一致,而NO₂、PM_2.5,其贡献量（率）的高值区主要分布在安徽、浙江和江西的交界处以及浙江省的东海岸.相对SO₂、NO₂,电厂对PM_2.5贡献量（率）较低,各地均在20μg/m³（15%）以下.污染时期电厂排放对模拟的PM_2.5和SO₂贡献率（6.9%、34.2%）较清洁时期（4.9%、20.7%）大,而对于NO₂,清洁和污染时期的贡献量没有明显差别,均在10μg/m³左右.冬季气温低、风速小及边界层高度低的特征不利于低层污染物的扩散,易导致重污染事件的发生.     

南京北郊早春霾污染过程及硫酸盐形成研究

对2016年3月南京北郊PM_2.5进行采样分析,通过样品中的水溶性离子（Na⁺、NH₄⁺、K⁺、Ca²⁺、Mg²⁺、Cl^-、NO₃^-、SO₄^2-）和碳质组分（OC、EC）,探讨霾污染的特征、来源及硫酸盐形成机制.结果表明,采样期间南京北郊PM_2.5平均浓度（103.22±48.5）µg/m³.污染天二次硫酸盐的形成与NO₂对SO₂的氧化相关性较强,而O₃的氧化作用影响较小;清洁天则相反.污染天,具有酸度缓冲作用的矿物粉尘使得气溶胶颗粒物总体呈弱碱性,而碱性环境下又更利于二次硫酸盐的形成.南京北郊早春二次污染严重,SOC主要由大气中碳氢化合物与O₃发生光氧化反应生成.污染天主要排放源为机动车尾气排放,其次是生物质和煤炭燃烧;清洁天主要排放源为煤炭燃烧和扬尘,机动车尾气影响较小.     

基于样方法的天津市春季道路扬尘PM2.5中水溶性离子特征及来源解析

为研究天津市道路扬尘PM_(2.5)中水溶性无机离子组分特征及其来源,于2015年4月采集天津市道路扬尘样品,利用再悬浮采样器将采集的样品悬浮到滤膜上,用离子色谱仪分析其水溶性无机离子组分,利用相关分析和比值分析及主成分法对其污染特征和来源进行探讨.结果表明,天津市8种水溶性无机离子占道路扬尘PM_(2.5)的6.13%±2.32%;不同道路类型道路扬尘PM_(2.5)中水溶性无机离子总量差异较大.相关性分析表明Na~+、K~+、Mg~(2+)和Ca~(2+)这4种离子同源性较高.NO_3~-/SO_4~(2-)比值显示固定源对天津市春季道路扬尘PM_(2.5)的影响更为显著.通过主成分分析法可知,天津市春季道路扬尘PM_(2.5)主要来源于燃煤源、移动源、生物质燃烧源和建筑施工扬尘.     

长江三角洲地区大气污染过程分析

针对2015年和2016年12月2个月的4次污染过程,利用中分辨率成像光谱仪（MODIS）Terra卫星的气溶胶光学厚度（AOD）,Angstrom波长指数（AE）气溶胶数据,并结合PM_2.5和PM₁₀的浓度以及比值变化分析,发现以PM_2.5为代表的人为因素产生的细颗粒物是造成研究地区污染发生的重要因素.并且利用MODIS火点数据以及美国海军气溶胶分析与预测系统（NAAPS）模拟分析污染物成分,发现2015年12月12~16日和19~27日2次污染都以人为因素产生的细粒子污染物为主,沙尘以及生物质燃烧产生的烟粒对研究地区影响较小.2016年12月6~10日和15~18日2次污染过程产生的原因不同,利用潜在源贡献因子分析法（PSCF）分析发现6~10日污染天气的产生主要是由西北方向含有大量沙尘粒子气流以及南方生物质燃烧产生的大量烟粒共同输送到研究地区,加之研究地区大量人为污染细粒子的产生,导致了此次混合型污染天气发生.15~18日污染过程与2015年2次污染过程相似,主要原因都在于人为因素产生的细颗粒污染物的影响,沙尘以及烟粒对污染过程起到了加剧的作用.     

气溶胶自由基毒理学机制的研究

应用两级核孔滤膜的空气采样器采集了上海市区及郊区农村两点的粗颗粒（＞2．5μm)及细颗粒（MP2．5）气溶胶。用质子激发X荧光（PIXE）分析了其元素含量及其水溶后样品的元素含量。用ESR观察了颗粒物中的自由基；应用丙二醛（MDA）和四唑盐（MTT）方法比较了辐照前后粗颗粒的细胞毒性。结果显示市区气溶胶粒子中的Fe,Cr和Mn化合物比郊区粒子中的易溶于水，郊区细粒子中的Fe化合物比粗粒子中的易溶于水。ESR谱显示颗粒物中含有自由基，毒理实验显示了辐照后的气溶胶颗粒与未辐照的相比具有更高的细胞毒性。结果提示了气溶胶主要的致细胞毒性之一是通过自由基机制。     

北京市西北城区取暖期环境大气中PM10的物理化学特征

根据监测资料探讨了北京市西北城区取暖期PM10 的逐日变化规律和日变化规律 .分别使用X射线衍射仪(XRD)和扫描电镜 (SEM)研究PM10 中的矿物成分及其微观形貌特征 .结果表明夜间PM10 浓度普遍高于白天 .XRD分析显示颗粒物粒度越细 ,其中所含的矿物种类越少 .SEM研究得出 ,单个PM10 颗粒类型可初步分为有链状集合体、簇状集合体、圆球状、片状和不规则形状等 5类 .从数量上看 ,PM10 主要来自燃煤和汽车尾气     

城市绿地空气颗粒物及其与空气微生物的关系

通过对北京市元大都遗址公园内不同林地类型及其旁边道路空气颗粒物及微生物浓度的研究,得出:空气颗粒物中直径大于10μm的粗颗粒所占比例较小,而人可以通过呼吸吸入的PM10所占比例相对较高,对人体最为有害的PM2.5所占比例也很小;对照点(道路)的PM10、TSP浓度都显著高于其临近绿地的浓度,可见绿地具有显著的滞尘作用;元大都公园各林地中PM10浓度都超过了国家环境质量标准中的Ⅱ级标准,是标准的1.36~2.54倍,对人体最为有害的PM2.5浓度只有个别绿地超标;空气微生物浓度与空气TSP、PM10具有极显著相关性,与PM2.5、PM1相关关系不显著。     

Comparability between PM2.5 and particle light scattering measurements

Particle light scattering and PM_2.5 (particles with aerodynamic diameters less than 2.5 m) concentration data from air quality studies conducted over the past ten years wereexamined. Fine particle scattering efficiencies were determinedfrom statistical relationships among measured light scattering and fine and coarse mass concentrations. The resulting fine particle scattering efficiencies ranged from 1.7 m² g^-1at Meadview in the Grand Canyon to over 5 m² g^-1 in Mexico City. Most of the derived fine scattering efficiencieswere centered around 2 m² g^-1, which is considerablylower than most values reported from previous studies.     

太原市大气PM2.5中水溶性离子的季节污染特征及来源分析

为探究当前空气质量持续改善背景下重污染地区大气PM_2.5和水溶性无机离子（WSⅡs）的污染特征和季节变化,于2019年在太原市采集了四季PM_2.5样品.结果表明,2019年太原市PM_2.5年均质量浓度为（65.50±30.44）μg·m^-3,水溶性离子浓度的季节特征为：冬季（39.81 μg·m^-3） > 秋季（33.05 μg·m^-3） > 春季（20.50 μg·m^-3） > 夏季（19.62 μg·m^-3）.WSⅡs以二次离子SNA为主,占总离子浓度的76.90%±10.51%,且随着PM_2.5污染加重,SNA的比重显著升高.其中,SO₄^2-和NO₃^-在秋、冬季的浓度最高,这与气态污染物排放增加和二次转化程度的升高（硫氧化率SOR>0.30,氮氧化率NOR>0.10）有关;NH₄⁺、Cl^-和K⁺在冬季的浓度最高,是其他季节的1.2~7.9倍,可能归因于冬季燃煤和生物质燃烧活动的增加;由于春季风速较高,受土壤扬尘的影响,Ca²⁺和Mg²⁺的比重在春季显著增加为20.2%.春季和夏季为贫氨状态,而秋、冬季为富氨状态,且硝酸盐颗粒物在高湿度条件下的吸湿增长比硫酸盐更为显著.太原市大气PM_2.5中水溶性离子主要来源于二次生成、燃煤、生物质燃烧和土壤扬尘.     

基于机器学习的成渝地区空气质量数值预报PM2.5订正方法研究

空气质量预报对于大气污染防治、打赢蓝天保卫战意义重大.本研究基于重庆市气象局的中尺度天气模式（WRF）和空气质量数值预报模式（CMAQ）的预报产品,采用2018年4个代表月份（1、4、7、10月,分别代表冬、春、夏和秋季）成渝地区22个观测站点的PM_2.5浓度和气象要素观测数据,建立基础特征变量数据集（包括训练数据集和测试数据集）,通过调整模型参数,并利用训练数据集采用机器学习方法（Lasso回归、随机森林回归、深度学习RNN-LSTM）进行模型训练,订正了成渝地区PM_2.5数值预报.其中,通过Lasso回归算法对成渝地区4个区域分别进行变量优选,优化模型,利用测试数据集对模型进行测试并检验评估.结果表明,基于3种机器学习方法订正后的PM_2.5小时浓度相比CMAQ模式模拟预报结果,偏差显著降低,相关系数显著提高.其中,随机森林回归和RNN-LSTM的订正效果优于Lasso回归,区域统计与站点统计结果较为一致;Lasso回归订正后的均方根误差减小50%左右,相关系数达70%,随机森林回归和RNN-LSTM订正后的均方根误差减小70%左右,相关系数达90%,随机森林回归与RNN-LSTM订正后的偏差范围相比Lasso回归集中范围更窄,最大概率分布更集中;3种方法对不同季节的订正效果与全年一致,其中,冬季订正效果更为显著.研究结果可为提高我国重点城市群区域—成渝地区PM_2.5浓度的大气污染预报能力提供有益参考.