彭州市大气污染物浓度变化特征研究

本文利用2017年彭州市大气污染物(SO₂、NO₂、O₃、CO、PM₁₀、PM_2.5)小时浓度数据并结合地面气象观测资料,统计分析了该地区大气污染物浓度的演变规律及影响因素。结果表明:该地区细粒子(PM₁₀和PM_2.5)污染较为严重,O₃次之,其它污染物浓度水平则低于国家新二级标准限值。观测期间,各污染物浓度表现出明显的日变化与季节变化,其中SO₂、O₃呈单峰型日变化,NO₂、CO和细粒子则呈双峰型日变化;污染物浓度的季节变化基本表现为冬高夏低、春秋次之的变化特征(O₃为夏高冬低),并且固态污染物(PM₁₀、PM_2.5)与气态污染物(NO₂、CO)之间有显著的相关性。在污染物浓度与气象要素相关性分析中表明,湿度对于污染物浓度的影响整体上要弱于温度和风速,除了O₃与温度、风速呈正相关外,其它污染物与两者均呈负相关。除此以外,风向对于当地各种大气污染物的积累与清除也有直接的影响。      

银川市主要污染物变化特征及其关系研究

利用2013-2019年银川市主要污染物浓度数据,分析了近年来银川市主要污染物浓度变化特征,并运用主成分分析法对主要污染物之间的关系进行研究。结果表明：近年来银川市主要污染物浓度除O₃逐年呈上升趋势外,其他均呈下降趋势;市区站O₃浓度较郊区背景站低,其他污染物市区较郊区背景站高;市区站PM₁₀和PM_2.5浓度超国家二级标准;除O₃浓度夏季高,冬季低外,其他污染物冬季高,夏季低;CO、NO₂、PM₁₀、PM_2.5浓度呈"双峰型"日变化特征,O₃和SO₂呈"单峰型"日变化特征。银川市主要污染物NO₂浓度与CO和O₃相关性显著,PM₁₀和PM_2.5之间相关性显著;污染物第一主成分是NO₂、CO和O₃,方差贡献率达到50%以上,加之银川市O₃浓度逐年呈升高趋势,表明近年来银川市大气光化学污染增加。     

成都市大气污染与气象条件关系分析

利用成都市城区2015年12月~2019年12月污染物浓度及气象资料,对PM₁₀、PM_2.5、CO、O₃、 SO₂、NO₂六种大气污染物浓度变化特征以及与气象要素之间的相关性进行分析。结果表明:2016~2019年成都市空气质量冬季最差,秋季最好,年内整体以良为主,重度污染和严重污染的天气较少出现,空气质量逐年变好;主要污染物浓度除O₃外在冬季最高,夏季最低,春秋两季相差不大,O₃浓度变化则相反;主要污染物的日变化特征也较为明显。空气质量综合指数、PM₁₀、PM_2.5、CO、NO₂浓度与气温和降水存在显著负相关性,与气压存在显著正相关性,还与相对湿度呈不同程度的负相关,但与风速相关性不显著;O₃浓度不仅与风速、气温和降水存在显著的正相关,还与气压呈显著的负相关,却与相对湿度的负相关性不显著。      

2018年冬季鲁西北大气污染特征及影响因子分析

利用2018年12月至2019年2月滨州、德州和聊城PM_2.5、PM₁₀、NO₂、SO₂、CO和O₃逐日质量浓度及其对应的气象资料,分析了鲁西北大气污染特征和影响因子。结果表明：2018年冬季鲁西北大气污染比较严重,聊城、德州和滨州轻度及以上污染天数分别占61%、60%和54%,重度以上染污天数分别占24%、11%和9%;首要污染物均为PM_2.5、PM₁₀和NO₂,其中PM_2.5占60%以上。PM_2.5、PM₁₀、SO₂、NO₂和CO日变化呈双峰双谷型,谷值分别出现在04-07时和15-17时,且下午比清晨更低,峰值出现在上午和下午交通高峰期后2-3 h,且峰值上午大于下午;O₃呈单峰型分布,09时出现极小值,18-19时出现极大值。PM_2.5是鲁西北主要的首要污染物,与PM₁₀、CO、NO₂均为显著正相关,并通过0.01水平显著性检验,与NO₂的相关性在低相对湿度(< 60%)时大于高相对湿度(≥ 60%),与CO的相关性在高相对湿度时大于低相对湿度;污染时段(PM_2.5>75 μg·m^-3)的平均相对湿度和平均温度明显大于清洁时段(PM_2.5 ≤ 75 μg·m^-3),清洁时段风速和气压比污染时段明显偏大。     

四川盆地最大混合层厚度与大气污染物浓度的关系

基于2015～2018年四川盆地温江站、宜宾站、达川站和沙坪坝站的探空和地面观测资料以及同期AQI、6种主要污染物(SO₂、NO₂、CO、O₃、PM_2.5、PM₁₀)质量浓度资料,使用逐步逼近法计算得到了四川盆地成都、宜宾、达州、重庆四城市的每日最大混合层厚度(Maximum mixing depth,MMD),并对其时间变化特征及其与各种污染物浓度之间的关系进行了分析。结果表明,四川盆地年平均MMD约1200m。季节变化明显,春夏高、秋冬低。9月至次年1月MMD相对较小。相关分析显示,剔除降水影响后,MMD与AQI、PM_2.5、PM₁₀、SO₂、NO₂、CO浓度均呈负相关,而与O₃浓度显著正相关。在污染最为严重的冬季,MMD明显低于春夏季节。MMD越小、颗粒物浓度越高。低MMD大大压缩了近地面污染物的扩散空间,污染物在有限的空间内不断累积、浓度增大。      

广州亚运会期间鼎湖山站大气污染特征

为了解广州亚运会期间华南区域大气质量状况以及气象条件对区域本底浓度值的影响,2010年11月对鼎湖山站主要污染物NO_x,SO₂,O₃,PM₁₀和PM_2.5进行了连续在线观测。利用MICAPS,NCEP FNL资料及后向轨迹模拟对观测时段大气污染物变化特征进行了分析。结果表明:观测时期鼎湖山区域NO₂,SO₂和O₃平均体积分数分别为 (7.2±3.1)×10-9,(8.5±3.8)×10-9和 (28.7±9.8)×10-9。PM₁₀和PM_2.5的月平均质量浓度分别达到113 μg·m-3和81 μg·m-3,PM_2.5超标日数达13 d (标准为世界卫生组织第1阶段值,日平均值为75 μg·m-3)。不同时段日变化分析表明,广州亚运会期间高值时段 (定义为PM_2.5质量浓度超过世界卫生组织的IT.1标准的时段) NO_x和O₃平均体积分数为13.2×10-9和20.9×10-9,较2009年同期分别下降了41.3%和10.7%。不利气象要素影响和污染物区域传输作用是形成珠江三角洲区域大气本底 (鼎湖山地区) 细粒子污染偏高的主要原因。     

2019年太原青运会期间空气质量评估

为评估太原青运会期间大气污染控制措施对空气质量的改善效果,对青运会会前、会期和会后三个阶段太原市6种污染物浓度的演变及气溶胶在垂直方向上的变化进行了分析。结果表明：青运会期间太原市PM₁₀、PM_2.5、CO、NO₂、O₃较青运会前分别下降30.5%、37.3%、20.2%、18.0%和18.6%,SO₂削减程度不明显。垂直方向上,青运会期间气溶胶消光系数峰值降低24.6%,其中低湿天气下气溶胶消光系数峰值下降46%,高湿天气下峰值下降21.6%,青运会期间大气中PM_2.5在PM₁₀中的占比降低,垂直大气中气溶胶的吸湿增长能力增强。与2017和2018年同期相比,青运会期间PM₁₀、PM_2.5、CO、NO₂浓度均有大幅下降,O₃浓度较近两年同期无显著变化。因此,青运会期间的各项控制措施有效降低了本地颗粒物浓度。     

汾渭平原CUACE模式空气质量预报性能的检验订正及环境评估

利用2019年1—6月地面环境监测资料和PM_2.5气象条件评估指数，结合滚动偏差订正方法，对汾渭平原CUACE空气质量预报产品进行了检验订正，并对气象条件和污染减排影响进行了评估。结果表明：CUACE模式对空气质量指数(AQI)、PM_2.5和SO₂浓度预报值较接近观测值，PM₁₀、CO和NO₂预报值小于观测值，O₃预报值大于观测值；对首要污染物O₃和PM_2.5及重度和严重等级污染的预报的TS评分最高，漏报率和空报率最小，预报偏差最接近1；滚动偏差订正方法对改善CUACE空气质量预报效果较为明显，尤其是对PM₁₀、O₃和NO₂改善最为明显；汾渭平原2019年上半年气象条件变化使PM_2.5浓度较2018年同期和过去5年同期分别上升了18.26%和11.18%，减排措施使PM_2.5浓度较2018年同期和过去5年...     

基于京津冀高密度地面观测网络的大气污染物浓度地面观测代表性误差估计

地面观测提供空间点的浓度信息,三维化学模式提供网格面的浓度信息,两者在进行对比验证或同化融合时会因为空间尺度不匹配引入误差,即观测代表性误差。本研究将大气污染地面国控监测站与区县监测站结合起来,获得了京津冀地区高密度地面观测数据,利用该数据首次对京津冀地区6项常规大气污染物（PM_2.5、PM₁₀、SO₂、NO₂、CO和O₃）的地面观测代表性误差进行了客观估计,并与Elbern et al.（2007）方法估计的代表性误差进行了对比。结果发现:两种方法对京津冀地区NO₂地面观测代表性误差估计非常接近,但Elbern et al.（2007）方法显著低估了SO₂、CO和O₃地面观测的代表性误差。在此基础上,我们对Elbern et al.（2007）方法及其误差特征参数进行了本地化修正,并增加了PM_2.5和PM₁₀的代表性误差特征参数,建立了京津冀大气污染地面观测代表性误差的客观估计方法。     

潮州市PM2.5-O3复合污染特征及与气象要素的关系

利用潮州市区2014—2020年空气质量逐小时质量浓度数据，分析了PM_2.5、O₃质量浓度及复合污染的年、月、日变化特征，结合相应时段潮州国家站气象资料，分析PM_2.5-O₃与气象条件的关系。结果表明：2014—2020年潮州市区年平均ρ(PM_2.5)、ρ(O₃-8 h)及复合污染出现日数均呈波动下降趋势，月平均ρ(PM_2.5)最高出现在3月，月平均ρ(O₃-8 h)最高出现在10月，两种污染物最低均出现在6月。复合污染出现较多的是10月至次年4月。PM_2.5、O₃污染具有一定相互作用，当其中一种污染物质量浓度较高时另一种污染物的质量浓度相应较高，同时污染物质量浓度的日较差也会相应增大；污染物峰谷值出现时间表现为空气污染较严重时，O₃峰值出现时间在16:00,PM_2.5峰值出现在19:00。PM_2.5-O...     

工业园区大气污染过程与气象风场响应关系研究

本研究在天津空港工业园区建设大气污染物网格化监测系统,基于控制变量法、Moran's I研究并形成大气污染过程与气象风场响应关系建立方法体系。结果表明：工业园区垂直层次主要污染物为PM_2.5、NO₂、PM₁₀、O₃。SSW风、ENE风、SE风分别对高浓度PM_2.5、NO₂、O₃及PM₁₀区外传输影响较大。除区内自排放外,区外机场南西南段排放对PM_2.5影响较大;区外东东北方向津汉公路、东丽湖路等道路移动源对NO₂影响较大;O₃及PM₁₀受区外东南方向津滨高速、宁静高速及津北高速移动源,以及机场东南段排放影响较大。对于区内气流辐合区,9月23日09时1#应加强PM_2.5、NO₂、PM₁₀协同管控,2#应关注NO₂管控,3#西北延长带及5#北向延长带应关注O₃管控;15时应加强对工业园区中、西、东、东南部PM_2.5、O₃、NO₂协同管控;21时14#应加强PM_2.5、O₃协同管控,17#、18#应关注PM₁₀管控。     

贵阳市大气污染物浓度特征及降水的清除作用

本文利用2013年1月1日~2015年6月30日贵阳市9个环境监测站的6种主要大气污染物(SO2、NO2、O3、PM10、CO、PM2.5)监测数据,分析了贵阳市主要大气污染物的年变化、日变化特征及降水对首要污染物浓度变化的影响。发现SO2、NO2、PM10、CO、PM2.5浓度为单谷型年变化,夏季浓度最低,冬季浓度最高;O3浓度为双峰型年变化,4、10月分别有两个极大值、11~2月与7月分别为两个极小值;SO2、NO2、PM10、CO、PM2.5浓度日变化呈双峰型特征;O3浓度日变化为单峰型特征;郊区SO2、NO2、PM10、CO、PM2.5日平均浓度低于市区,而郊区O3日平均浓度高于市区。降水对O3的湿清除效果不好,对其余大气污染物的湿清除效果较好,尤其夜间降水对颗粒污染物(PM2.5、PM10)的清除效果优于白天降水,但会使O3浓度明显上升。     

上海地区AQI变化特征及与气象因素的相关性

基于上海地区2012—2016年逐日PM_2.5、PM₁₀、CO、O₃、SO₂、NO₂的分指数（individual air quality index,IAQI）数据以及同期气象要素（风速、降水量、气温、相对湿度、总云量、低云量）、逆温数据和高空大气环流数据,分析了上海地区空气质量指数的时间变化特征和气候要素对空气质量的影响,并选取PM_2.5和O₃污染天气过程及其邻近的非污染天气过程,对比分析高空大气环流形势的差异。结果表明：上海地区出现PM_2.5、PM₁₀和NO₂污染天气在冬季最多,分别为31.4 d、10.0 d和14.8 d,而O₃污染天气在夏季最多（18.8 d）。风速和低云量是影响PM_2.5污染的重要气象因素,最大相关系数分别为-0.313和-0.261,O₃污染则与气温和日照时数密切相关,最大相关系数分别为0.449和0.363,PM_2.5、O₃污染的发生也与前一日以及当日出现逆等温天气存在较好的相关性。在PM_2.5污染天气过程,上海位于槽后高压前部,850 hPa有较强西北风,而非PM_2.5污染天气过程中上海位于高压后部,低层850 hPa为东南风。在O₃污染天气和非污染天气过程,中国东部长波射出辐射（Outgoing Longwave Radiation,OLR）分别为正、负距平,副热带高压控制下上海晴热少云,易引起O₃污染,反之上海上空云系多,不容易出现污染。     

2014-2017年成都市大气污染特征分析

利用2014年5月~2017年12月的成都市环境空气质量监测资料,分析了成都市空气污染情况及污染物浓度时空变化特征。结果表明:成都市空气质量以优良天气为主,市区的首要污染物以PM2.5为主,郊区以O3为主;灵岩寺监测点的PM2.5,PM10,NO2和CO四种污染物的质量浓度低于成都市区各监测点,O3的质量浓度高于成都市区各监测点,SO2的质量浓度值与成都市区各监测点相差不大;成都市各监测站点六种污染物质量浓度具有明显的年际变化、季节变化、月变化和日变化趋势,且成都市区各监测点的变化趋势比较一致。     

京津冀典型工业城市沙河市大气污染特征及来源分析

近些年京津冀地区秋、冬季大气重污染事件频发,工业生产与居民燃煤是大气灰霾污染的重要原因。河北省沙河市是京津冀地区以玻璃制造和加工为主的典型工业城市,本研究选取该城市为研究对象,主要利用2017年1月至12月国控站点的大气环境监测和气象数据,采用扩散模型、潜在源分析等手段,分析了沙河市主要污染物的时空分布特征和污染来源。主要结论有:（1）沙河市首要污染物具有明显季节特征,春季、夏季、秋冬季分别以PM₁₀、O₃、PM_2.5污染为主,季节贡献率分别为43.3%、72.3%、61.5%。（2）受城市大气边界层和排放的共同影响,PM₁₀、PM_2.5、SO₂、NO₂和CO浓度均有剧烈的季节—日变化特征。（3）冬季东北风时PM_2.5、NO₂、SO₂均展现出高浓度和高相关性特征,表明站点可能受东北方向玻璃企业排放影响。同时,站点可能也受城中村散煤燃烧影响。（4）沙河市冬季PM_2.5浓度为143 μg m-3。冬季的一次重污染中硫氧化率SOR、氮氧化率NOR的最高值分别达0.67、0.39,气态污染物的二次转化剧烈,高湿度利于二次粒子的生成。重污染中C(NO₃-)/C(SO₄2-)均值为1.89,推测沙河市NO₂主要来自大型运输车辆和企业的共同排放。（5）本地源是沙河市PM_2.5的主要潜在源区,周边几个重工业城市也有一定贡献。因此本研究建议沙河市PM_2.5的治理除需加强本地污染源的削减和控制外,区域联防联控也十分重要。