京津冀臭氧污染特征、气象影响及基于神经网络的预报效果评估

基于生态环境监测和气象观测数据,分析了2016~2020年京津冀13个城市臭氧（O₃）浓度特征,讨论了O₃污染高发月份日最高温度（T_max）、日均地面气压（p）、日均地面相对湿度（RH）和日均地面风速（v）等气象要素对O₃-8h浓度和O₃-8h超标情况的影响规律,并采用AQI级别预报准确率、O₃浓度范围预报准确率和O₃级别预报准确率等方法,评估了基于神经网络的O₃统计预报效果.结果表明,2016~2020年期间京津冀13城市ρ（O₃-8h-90per）分别为157.4、177.2、177.3、190.6和175.6μg·m^-3,区域臭氧浓度5a上升了11.6%,2016~2019年期间总体呈波动上升趋势,2020年环比下降;2020年与2016年相比,除北京、张家口和承德略有下降外,其他10个城市ρ（O₃-8h-90per）上升了6~45.5μg·m^-3.O₃-8h月均值呈现"两头低,中间高"现象,ρ（O₃-8h）在4~9月的月均值超过了100 μg·m^-3,在6月最高,为158.10 μg·m^-3.城市O₃-8h超标率范围为8.6%~19.2%,97.8%的O₃-8h超标情况发生在4~9月.区域尺度上O₃-8h浓度与日最高温度相关性最强,当T_max在25~28℃区间时,所有城市开始出现O₃-8h超标.O₃-8h浓度与日均地面气压呈负相关关系;当RH在60%以下时,大部分城市O₃-8h浓度随相对湿度上升缓慢增长;当RH在61%~70%以上时,大部分城市O₃-8h浓度随日均相对湿度上升而下降.O₃-8h超标时的地面主导风向主要为偏南风,大部城市O₃-8h浓度高值易集中出现在2~3m·s^-1及以下低风速区间.OPAQ统计模式提前1~9 d预报相关系数范围为0.72~0.86,AQI级别预报平均准确率为67%~86%,O₃-8h浓度范围预报平均准确率为63%~84%.在O₃-8h超标情况多发的4~9月,模式对O₃轻度污染和O₃-8h超标情况提前3 d预报准确率分别为69%和66%,可为O₃-8h超标管控提供参考依据.     

冬奥会期间京津冀及周边区域空气质量时空特征、气象影响和减排效果评估

对比分析2015～2022年冬奥会期间(1月31日至2月20日)京津冀及周边区域44城市空气质量时空演变特征,量化同期气象、协同减排和跨区域传输对PM_2.5浓度及组分变化贡献,为不利气象条件下区域空气质量联防联控提供科学参考.结果表明,2022年44城市PM_2.5浓度为近8年农历同期最低(46μg·m^-3),优良天占比最高(83.3%),不存在重污染天.PM_2.5污染南重北轻,高值区主要集中在太行山沿线及燕山传输通道城市.2016年在春节中期未管控烟花爆竹燃放等源排放强度下,优良天占比93.5%,大气强扩散能力对空气质量改善至关重要.2022年静稳天气指数(SWI)同比增加2.1,大气扩散能力转差,44城市ρ(PM_2.5)均值和峰值同比下降14μg·m^-3和76μg·m^-3,北京减排对PM_2.5浓度降幅较未采取前增大96%,晋鲁豫地区在气象造成PM_2.5浓度上升的不利背景下,峰值下降87μg...     

北京市三种典型城市绿地类型的保健功能分析

随着城市化进程的加快,越来越多的城市居民的健康受到城市污染的影响,因而城市绿地对人体的保健作用日益受到重视。通过实地监测的方法,选择北京3种典型类型的绿地、在不同空间以及不同的季相条件组合下,对形成绿地保健功能的空气负离子浓度、空气温度、湿度、二氧化碳浓度、噪音等因子进行了研究。结果表明：（1）不同绿地类型的保健功能有较大的差距,以同一时段空气中的负离子浓度为例,其最大值发生在郊野公园（1810cm^-3）,高于单位绿地（980cm^-3）,远高于作为对照的商业中心（110cm^-3）;（2）在同一绿地的不同空间位置也存在明显差异,以道路绿化防护林带为例,林带中心空气中的负离子浓度高达1900cm-^-3,高于林缘（591cm^-3）和林外（120cm^-3）;（3）同一绿地保健功能随季相变化发生明显改变,在有叶期的道路绿化防护林带中心的空气负离子浓度（1900cm^-3）是落叶期相同位置空气中负离子浓度（750cm-^-3）的两倍多。空气温湿度、噪音、CO2浓度的空间和时间上的变化类似于空气负离子。本研究获得的数据支持了城市绿地保健功能理论,可为合理设计城市绿地增强其保健功能提供依据。     

乌鲁木齐市可吸入颗粒物污染水平及其与气象因素的相关性分析

为了解可吸入颗粒物污染水平与气象因素之间的关系,从2008年9月—2010年2月采集乌鲁木齐市可吸入颗粒物样品,并对其随时间的变化特征及其与气象因素之间的相关性进行了统计分析。结果表明,采样时间内可吸入颗粒物中PM2.5和PM2.5-10的质量浓度的范围分别为38.2~468.7μg/m3和20.8~243.1μg/m3,平均浓度分别为134.2μg/m3和69.2μg/m3。可吸入颗粒物同时受几种气象因素的影响,其浓度与温度、能见度、风速呈负相关,与湿度呈正相关。     

我国中东部不同地区冬季颗粒物垂直分布的车载移动观测

利用中山大学环境气象综合观测车（载有3D可视型激光雷达、多普勒风廓线激光雷达、转动拉曼温廓线激光雷达）于2018年冬季在全国范围内（厦门-北京）的走航观测资料,对我国中东部不同地区和城市的边界层结构以及颗粒物分布特征进行了研究.结果表明：(1)在从南向北走航的过程中,边界层内各个高度的温度以及边界层高度呈下降趋势.(2)不同高度发生颗粒物污染的气象成因有所差别,其中1000 m高度左右发生颗粒物污染的主要成因是较高的水平风速将周围地区的颗粒物输送过来而导致;500 m及近地面附近发生颗粒物污染主要是由水平风速较小导致局地来源的颗粒物堆积以及上游地区颗粒物的输送两者共同作用.(3)逆温结构和上升气流会导致颗粒物在边界层顶堆积,而下沉气流使得颗粒物由在某一高度堆积扩散至整层均匀分布.     

京津冀地区城市臭氧污染趋势及原因探讨

采用Kolmogorov-Zurbenko（KZ）滤波分析了2013~2018年京津冀地区13个城市的臭氧最大日8h滑动平均（O₃-8h）序列,评估污染趋势并探讨原因.KZ滤波分离出的O₃-8h短期、季节和长期等3个分量分别占原始序列总方差的32.7%、63.9%和3.4%,各分量之间相互独立;以滤除了中短期过程影响的长期分量进行比较,京津冀地区远高于柏林、巴黎和伦敦等欧洲城市,与美国洛杉矶20世纪90年代初和最近4年状况相当,普遍低于上海和南京等长三角主要城市.但是,2013~2018年京津冀地区各城市臭氧污染加剧显著,长期分量升高速率达2.31~7.12 μg·（m³·a）^-1,均值为4.97 μg·（m³·a）^-1,快于长三角地区.拟合结果提示,臭氧浓度升高受气象条件影响不大（贡献比均值约为9.6%）,主要由大气污染排放变化造成（90.4%）,将该排放变化拆分为PM_2.5下降和臭氧前体物排放变化两项,其贡献比均值分别是27.3%和63.1%,其中北京-廊坊-天津城市带PM_2.5下降对臭氧升高贡献较大,分别为50.8%、32.5%和36.7%,衡水则达到48.6%.PM_2.5浓度降低已成为北京、衡水等地臭氧升高的最关键因素,这意味着需进一步减少前体物排放,以抵消PM_2.5降低导致臭氧增加的反作用.需要指出,该结果尚待实验和模型模拟验证.     

鄂尔多斯市夏秋季气溶胶新粒子生成过程影响因素分析

利用宽范围粒径谱仪于2019年8月16至10月4日在鄂尔多斯市观测了10 nm~10 μm气溶胶粒径分布,结合PM（PM_2.5和PM₁₀）、污染气体、气象数据和HYSPLIT模式,分析了新粒子生成（NPF）特征及其主要影响因素.结果表明,观测期间一共出现19次NPF过程,占总观测期间的37.5%.NPF过程中对不同模态气溶胶数浓度日变化的影响不同.NPF使得核模态和爱根核模态气溶胶数浓度急剧增加,但是对积聚模态和粗模态气溶胶数浓度的影响较小.NPF发生时往往温度较高,风速较大,总辐照度较高,RH较低.NPF天PM_2.5、PM₁₀、CO和NO₂的浓度较低,O₃和SO₂浓度较高.40.0%的偏北气团和29.6%的偏南气团可观测到NPF过程.不同气团类型NPF过程中气象要素存在显著差异.南部气团类型NPF过程中风速最小,平均为（2.4±1.5）m·s^-1;RH最高,平均为（48.8±10.8）%;北部气团类型NPF过程中风速最大,平均为（4.2±1.9）m·s^-1;总辐照度最高,平均为（664.5±255.6）W·m^-2;西部气团类型NPF过程中RH最低,平均为（29.8±12.7）%.不同气团类型NPF过程中新粒子的生成速率相差不大,为1.5~1.8cm^-3·s^-1.南部气团类型NPF过程中增长速率最大,为（12.7±13.6）nm·h^-1,是北部气团类型和西部气团类型的1.2倍和1.4倍.     

利用多元线性回归方法评估气象条件和控制措施对APEC期间北京空气质量的影响

气象条件对大气污染物的扩散和传输有重要影响,准确分离和定量气象因素对空气质量的影响是评估大气污染控制政策有效性的前提.本研究利用APEC会议期间及前后(2014-10-15～2014-11-30)北京城区朝阳观测站点SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)以及气象因素的观测数据,采用多元线性回归分析方法,定量评估了气象条件和空气污染控制措施对APEC期间北京空气质量的影响.在假定排放条件不变的情况下,基于气象因素参数建立的预测污染物浓度的多元线性回归模型模拟效果较为理想,决定系数R~2在0. 494～0. 783之间.控制措施使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低48. 3%、53. 5%、18. 7%、40. 6%、3. 6%、34. 8%、28. 8%和40. 6%,气象因素使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低1. 7%、-2. 8%、18. 7%、4. 5%、18. 6%、27. 5%、30. 6%和35. 6%.气象因素和控制措施共同作用使得APEC控制期北京空气质量得到了明显改善.控制措施对SO_2和氮氧化物浓度的下降起主导作用,气象因素对CO浓度的下降起主导作用,气象因素和控制措施对颗粒物浓度降低的贡献相当.本研究还利用相对权重方法研究了气象因素对污染物浓度影响的贡献,结果表明影响不同污染物浓度的决定性气象因素不同.     

2014~2017北京市气象条件和人为排放变化对空气质量改善的贡献评估

2014～2017年北京地区霾日数和污染日数逐年减少,PM_(2.5)、PM_(10)、SO_2和NO_2年平均质量浓度下降,污染程度缓解,采暖期中的11～12月尤为明显.针对空气质量的显著改善,从气象条件的改善和减排措施两方面进行探讨分析,并结合数值模式和大数据挖掘技术实现气象和排放对大气污染贡献率的定量化研究.结果表明,2017年与过去3 a相比,平均风速增加7. 9%,≥3. 4 m·s~(-1)的风速频次最高(10. 6%),≥70%湿度日占比最小(25. 1%);其中,采暖期与过去3 a同期相比,小风日数减少8. 6%、大气环境容量指数和通风指数平均增加约11%,边界层高度以3. 2%·a~(-1)的速率升高,尤其11～12月各要素改善更显著,且该时段内2014年各因子变化与2017年相似.非采暖期(4～10月)累积降水量558. 3 mm,仅次于2016年,有利于污染物的清除和湿沉降.利用WRF-CHEM对霾和污染频发的12月进行模拟发现,气象要素的改变导致2017年12月北京PM_(2.5)质量浓度较2014～2016年同期分别降低5%、38%和25%.因缺少政府实际施行的减排方案,无法利用WRF-CHEM量化气象和减排的具体贡献率,因此借助大数据挖掘算法,基于K近邻算法(KNN)和支持向量机(SVM)模型对气象和减排对空气质量改善的贡献进行评估,结果显示2017年减少的霾日和重污染日,65. 0%归因于减排的贡献,35. 0%归因为气象条件的改善.可见,气象与生态环境部门应继续加强数据开放共享,科学开展气象条件预报与减排评估.     

北京地区秋冬季大气污染特征及成因分析

为了研究近两年北京地区PM2. 5污染特征及成因变化,利用常规观测资料和改进的后向轨迹模型(Traj Stat)对2016～2017年秋冬季大气重污染时段的颗粒物浓度、气象要素和气团传输路径进行了综合分析.结果表明,研究期间北京地区共发生13次持续2 d以上的重污染事件,冬季过程约占61. 5%,且污染程度和持续时间均高于秋季.地面受弱气压场控制、高湿度、静小风以及较低的混合层高度,加之北京三面环山的特殊地势是导致秋冬季静稳型污染频发的重要因素,重污染期间PM2. 5/PM10的平均比值高达0. 86.累积阶段气团主要来自于西北、偏西、西南和东南方向,其中西南和东南路径为典型污染传输通道,轨迹频率为21. 6%.此外,采用WRF-CAMx模型定量估算了2016年12月16～22日典型过程中本地和外来污染源对北京PM2. 5的贡献,结果发现不同气团输送条件下,二者的贡献差异较大.当南部气团输入时,本地贡献会显著下降,以外部区域输送为主导;若气流来自西北方向情况则相反.污染过程期间,本地贡献为16. 5%～69. 3%.