晋城市冬、春季PM2.5和PM10污染水平时空分布及其与气象因子的关系

为深入了解晋城市颗粒物浓度时空分布特征,对晋城市2017年12月至2018年5月国控点、小型站和微型站PM2.5及PM10小时浓度数据进行收集整理,并进行空间插值分析和时间变化趋势分析及与气象监测数据的相关分析。结果表明:颗粒物浓度在冬、春季节具有明显差异,冬季PM10与PM2.5高值区主要位于东北部及东南小部分区域,春季PM10高值区位于城区南部区域,PM2.5高值区主要集中于城区。晋城市城区和郊区PM10与PM2.5月均浓度整体呈单峰型变化,PM10在4月份最高(157.54±5.67μg·m^-3),PM2.5在1月份最高(94.08±2.25μg·m^-3)。冬季PM2.5/PM10平均为0.57,春季平均为0.45。颗粒物小时浓度的变化呈现单峰单谷的型式,冬季PM10与PM2.5小时平均浓度最高值均出现在10时,春季均出现在09时。监测期间晋城市PM10与PM2.5的小时浓度值与相对湿度有较高的正相关性(p<0.01),与风速、风向有较高的负相关性(p<0.01),与温度和气压的相关性较低。冬季,东北至正南风向时,PM10与PM2.5的浓度普遍高于西北风向时的浓度,对晋城冬、春季国控点颗粒物浓度贡献率最高的风向风速为东南偏南风向,风速在1 m/s以内。     

宁波地区不同季节不同强度霾天气变化特征

利用2014—2016年宁波市镇海地区逐时气象观测资料和大气成分监测资料,对宁波地区霾天气的变化特征进行统计分析。结果表明:2014—2016年宁波地区霾天气小时出现频率为28.8%,湿霾出现频率为61.0%。近3 a宁波地区霾天气小时出现频率呈下降趋势,秋冬季(11月至翌年1月)霾天气小时出现频率较高,夏季(6—8月)霾天气小时出现频率较低;从日变化来看,霾天气小时出现频率峰值集中出现在上午09时和夜间20—23时。宁波地区重度霾的PM_(2.5)、PM_(10)颗粒物浓度为轻微霾的2.13倍和1.92倍,干霾颗粒物浓度高于湿霾,宁波地区霾天气的颗粒物组成较稳定,PM_(2.5)/PM_(10)比重为0.7左右。宁波地区颗粒物浓度与风速和降水量的相关性较好,春季和夏季风速与PM_(2.5)浓度的相关性较高,秋季和冬季风速与PM_(10)浓度的相关性较高;降水与PM_(10)浓度的相关性高于PM_(2.5)浓度。静稳天气时地面风速小易造成细颗粒物浓度的积累增长,冬季西北偏北风和东北风是影响宁波地区PM_(2.5)浓度变化的重要输送路径,当风向为西北风时,冬季和春季PM_(10)浓度增加明显。     

2015年上海崇明岛PM2.5和PM10浓度变化特征 及气象因素影响分析

通过对2015年1—12月上海崇明岛崇南地区颗粒物(PM_(2.5)、PM_(10))浓度的连续监测,研究了PM_(2.5)、PM_(10)在不同季节的动态变化特征及与其他因子(SO_2、NO_2、O_3)的相关性,分析了风向风速和降雨对颗粒物浓度的影响。结果表明:崇明岛PM_(2.5)和PM_(10)浓度的季节变化明显,呈现冬季的春季的秋季的夏季的的特征,冬季PM_(2.5)和PM_(10)小时浓度均值分别为0.058 mg/m~3和0.085 mg/m~3,夏季PM_(2.5)和PM_(10)均值分别为0.034 mg/m~3和0.054 mg/m~3。PM_(2.5)和PM_(10)浓度分别与SO_2浓度和NO_2浓度显著正相关,与O_3显著负相关。全年来看,在西南风向时PM_(2.5)和PM_(10)浓度较高,这主要受该方向上游吴淞工业区、宝钢、石洞口电厂、罗店工业区等工业排放影响;从高浓度颗粒物(PM_(2.5)质量浓度≥0.115 mg/m~3)来向看,北和西北风向时出现高浓度颗粒物的频率最高,这主要是受到我国北方采暖季大气颗粒物输送过程对崇明岛区域的脉冲式污染影响所致;PM_(2.5)、PM_(10)实时浓度与相应的风速呈显著负相关。降雨量大于5 mm或持续3 h及以上的连续降雨对大气颗粒物起到显著的湿清除作用,降雨后PM_(2.5)和PM_(10)质量浓度分别降低了68.0%和66.9%,降雨时和雨后PM_(2.5)浓度为0.025～0.033 mg/m~3,均低于我国环境空气PM_(2.5)的一级浓度限值。     

本溪市大气颗粒物变化特征及其与气象要素的关系

利用2014年本溪市大气颗粒物质量浓度监测资料和风速、气温、相对湿度、气压等常规地面气象要素观测资料,分析了本溪地区大气颗粒物质量浓度的月、季变化特征及其与气象要素的相关性。结果表明:2014年7月和10月本溪市大气颗粒物质量浓度较高,5月和9月大气颗粒物质量浓度较低,6月和11月大气颗粒物质量浓度比值较高。夏季PM10质量浓度较低,平均浓度为115.1μg·m~(-3);冬季PM_(2.5)和PM_(1.0)质量浓度较高,平均浓度分别为99.5μg·m~(-3)和86.1μg·m~(-3)。春季和冬季平均风速与大气颗粒物质量浓度的相关性最好,夏季和冬季相对湿度与大气颗粒物质量浓度的相关性最好。当ρ(PM_(2.5))≥200.0μg·m~(-3)时,ρ(PM_(2.5))与平均气温呈显著的正相关关系,相关系数为0.5288,ρ(PM_(2.5))与相对湿度的相关系数也高达0.6981,高温、高湿和小风等气象条件是本溪地区大气颗粒物高质量浓度事件发生的有利气象条件。     

招远市PM_(2.5)浓度与气象因子相关性分析

为了了解PM_(2.5)的污染与地面气象因子的相关性,通过对招远市PM_(2.5)的月均浓度与降水量、湿度、风速和气压等气象因子关系分析,结果表明:(1)PM_(2.5)浓度存在明显的季节变化,冬季与气象因子相关性最好,夏季最差。(2)PM_(2.5)浓度与相对湿度、平均风速和降水有很强的负相关性。(3)PM_(2.5)浓度与本站气压呈现正相关性。     

西安市PM_(10)浓度特征及气象因子影响分析

利用2011—2015年西安市城区PM_(10)浓度逐日资料及气象逐日观测数据,分析西安市PM_(10)浓度的年、季变化特征,并探讨气温与PM_(10)浓度的相关性及冬夏季节气温对PM_(10)浓度影响的阈值,不同等级、形态的降水对PM_(10)浓度的清除率,以及冬春季节风速对PM_(10)浓度的影响。结果表明:2011—2015年,西安市PM_(10)浓度变化较平稳,仅2013年出现骤增,高温、少雨、风速小等不利气象条件是导致2013年PM_(10)浓度剧增的主要原因。PM_(10)浓度有明显的季节性变化,PM_(10)大气污染主要发生在春冬季节,污染物分别以沙尘和煤烟为主。PM_(10)浓度与气温并非是简单的线性关系,夏季、冬季气温阈值分别为29℃和-1℃,低于阈值时二者呈正相关,高于阈值时则呈负相关。PM_(10)浓度与降水量成反比,但降水对PM_(10)的清除率永远不等于1;同一形态的降水清除能力与其量级呈正相关,同等级的固态降水比液态降水对PM_(10)的清除率高;一次降水过程中,PM_(10)浓度最低值往往出现在日降水峰值的次日;连续性降水过程中,PM_(10)浓度随着降水量自峰值的减弱而升高,当降水量再次增大时PM_(10)浓度便再次降低;间断性降水过程中,降水一旦停止,PM_(10)浓度将会有一定程度的升高,并有可能高于降水前的浓度值。春季大风沙尘天气易造成PM_(10)浓度增高,冬季PM_(10)浓度与风速呈明显反比关系。     

德州市PM_(2.5)与PM_(10)浓度特征分析

通多对德州PM_(2.5)和PM_(10)浓度特征分析得出:德州PM_(2.5)和PM_(10)浓度年平均值分别为82.3μg/m~3和144.3μg/m~3,PM_(2.5)和PM_(10)浓度明显超过二级标准。PM_(2.5)占PM_(10)的63%,二者呈明显的正相关,相关系数为0.8695。一天内,PM_(2.5)和PM_(10)浓度呈双峰型,最大值出现在8-10时,其次出现在22时;最低值出现在17时。一年内,4~9月PM_(2.5)和PM_(10)浓度较小,8月份最小,PM_(2.5)浓度月均值为44.1μg/m~3。10~次年3月,PM_(2.5)和PM_(10)浓度较大,12月份最大,PM_(2.5)浓度月均值为201.2μg/m~3。统计发现:降水、绿色植被、水域能有效降低PM_(2.5)和PM_(10)浓度。     

郑州市气象因子对大气颗粒物浓度的影响研究

基于2015、2016年河南省环境监测中心站获取的郑州市9个监测点颗粒物浓度和逐日气象数据,对气象因素和颗粒物浓度相关性进行了研究。结果表明:郑州市大气颗粒物浓度受季节影响较强,总体呈现冬季高、夏季低的趋势。降水量与大气颗粒物浓度呈现明显的负相关。相对湿度的增高不利于PM_(2. 5)浓度的降低,而PM_(10)的浓度则随着相对湿度的增高有所降低。春夏秋三季的主要风向为东北偏东,当春季风为东南风和西风时,颗粒物浓度最低;当夏季风为东北偏东风时,颗粒物浓度最低;秋季吹东北风时,颗粒物浓度最低。冬季吹西北风(郑州冬季盛行风向)时,大气颗粒物质量浓度最低。     

肇庆市干季PM_(2.5)污染特征与潜在输送源分析

基于肇庆市2014—2018年PM_(2.5)质量浓度数据,使用HYSPLIT模式计算肇庆市干季的后向气流轨迹,并应用聚类分析法、潜在源贡献因子分析和质量浓度权重轨迹分析方法评估PM_(2.5)污染物的外来输送特征和潜在源区。结果表明:(1)2015—2018年肇庆市PM_(2.5)污染维持在较高水平,2017—2018年PM_(2.5)污染略有加重趋势;(2)污染较重的月份主要在1—4和10—12月,1月PM_(2.5)污染最严重,而6月PM_(2.5)质量浓度最低,5、7和8月无PM_(2.5)污染超标;(3)全年PM_(2.5)日平均质量浓度与风速相关性最高,干季与风速的相关系数有所提高;(4)干季影响肇庆的气流有5条,其中超过1/2源自东北和偏北方向的气流,来自东北方向的气流轨迹对PM_(2.5)污染贡献最高,其次来自偏西方向绕过珠三角北部进入肇庆的轨迹和广东省内短距离输送的轨迹;(5)肇庆市干季PM_(2.5)外来输送潜在源区主要位于肇庆辖区内和珠三角中南部城市以及粤东、粤东北部分地区,其中佛山、珠海、中山、东莞、惠州、广州南部对肇庆PM_(2.5)质量浓度贡献均超过60μg/m;。     

Terra和Aqua卫星MODIS 3 km AOD与北京PM_(2.5)对比分析

本文利用2014年全年北京市12个空气质量监测站的逐小时PM_(2.5)地面观测资料,以及Terra卫星和Aqua卫星的MODIS 3 km气溶胶光学厚度(AOD)产品,分析了地面PM_(2.5)和两颗卫星AOD的时空分布特征,并在时空匹配的基础上,建立了AOD与PM_(2.5)浓度之间的回归模型。结果表明:PM_(2.5)浓度在城区高、郊区低,最低值位于定陵站,城区站和郊区站的逐时PM_(2.5)浓度的日变化分别呈"双峰型"和"单峰型";两颗卫星AOD数值也均是城区高、郊区低,沿山区的边界有明显的AOD梯度,且城区上午Terra卫星的AOD高于下午Aqua卫星的AOD,而郊区上、下午的AOD基本相同;Aqua卫星AOD与PM_(2.5)的确定系数(R2)较Terra卫星AOD与PM_(2.5)的确定系数平均高0.11,且城区站点两颗卫星AOD与PM_(2.5)相关性均较郊区站点AOD与PM_(2.5)相关性偏高;综合来看,Aqua卫星的AOD与城区的PM_(2.5)相关系数最高,即Aqua卫星的AOD更适于监测和反演城区地面的PM_(2.5)。     

长三角地区城市O_3和PM_(2.5)污染特征及影响因素分析

O_3和PM_(2.5)是影响长三角地区空气质量的主要污染物。利用2016年33个城市大气环境监测站6项污染物的小时浓度及4个省会城市的气象数据进行统计分析,研究了该地区O_3和PM_(2.5)浓度的时空分布特征及其影响因素。结果表明:长三角地区O_3年平均浓度为50～73μg·m~(-3),平均为61μg·m~(-3);除芜湖和宣城外,其余31城市均存在不同程度的超标状况,超标率为0.34%～18.86%,平均为5.68%。O_3在5月和9月达到浓度高值;四季O_3日变化均呈单峰型,峰值出现在15∶00,夏季O_3峰值浓度最高值为157μg·m~(-3)。O_3浓度沿海城市整体高于内陆城市;夏季宿迁—淮安—滁州片区O_3污染较重。O_3与NO_2、CO显著负相关,且与NO_2相关性较强;O_3与气温、日照时数显著正相关,与相对湿度、降水呈负相关。PM_(2.5)年平均浓度在25～62μg·m~(-3)范围内,平均为49μg·m~(-3);各城市均出现PM_(2.5)超标,滁州PM_(2.5)超标率最大,为23.91%。PM_(2.5)在3月和12、1月达到浓度峰值;其日变化呈双峰型,09∶00—10∶00和22∶00—23∶00达到峰值。冬季徐州PM_(2.5)浓度最高,为102μg·m~(-3)。PM_(2.5)与NO_2、CO、SO_2、PM_(10)显著正相关,与气温、风速、降水负相关。     

吐鲁番市颗粒物浓度变化特征及其与气象要素的关系

依据吐鲁番市2015年3月—2016年2月的PM_(10)、PM_(2.5)和气象资料,利用统计分析,探讨吐鲁番市PM_(10)和PM_(2.5)浓度的变化特征及其与气象要素的关系。结果表明:冬季PM2.5与PM10浓度的平均值最高(106 ug/m3、184 ug/m~3),春季次之(63 ug/m~3、163 ug/m~3),夏季最低(33 ug/m~3、95ug/m~3),且冬季二者浓度的平均值比夏季分别高大约69%、48%。11月至次年2月,每个月中PM_(2.5)和PM_(10)的污染程度在轻度污染以上的天数相比其它月份较多。PM_(10)与PM_(2.5)的日变化曲线特征呈现"双峰双谷"的特点;PM_(2.5)与PM_(10)的比值在冬季达到了60%~80%,这说明吐鲁番冬季主要以PM2.5污染为主;PM_(2.5)和PM_(10)与能见度之间存在极其显著的相关性,相关系数分别为-0.904、-0.792,与单一气象要素(如相对湿度、风速、温度等)的相关性不明显,但不同气象要素的共同作用对其有显著影响。     

吐鲁番市颗粒物浓度变化特征及与气象要素的关系

依据吐鲁番市2015年3月—2016年2月的PM_(10)、PM_(2.5)和气象资料,利用统计分析,探讨吐鲁番市PM_(10)和PM_(2.5)浓度的变化特征及其与气象要素的关系。结果表明:冬季PM2.5与PM10浓度的平均值最高(106 ug/m3、184 ug/m~3),春季次之(63 ug/m~3、163 ug/m~3),夏季最低(33 ug/m~3、95ug/m~3),且冬季二者浓度的平均值比夏季分别高大约69%、48%。11月至次年2月,每个月中PM_(2.5)和PM_(10)的污染程度在轻度污染以上的天数相比其它月份较多。PM_(10)与PM_(2.5)的日变化曲线特征呈现"双峰双谷"的特点;PM_(2.5)与PM_(10)的比值在冬季达到了60%~80%,这说明吐鲁番冬季主要以PM2.5污染为主;PM_(2.5)和PM_(10)与能见度之间存在极其显著的相关性,相关系数分别为-0.904、-0.792,与单一气象要素(如相对湿度、风速、温度等)的相关性不明显,但不同气象要素的共同作用对其有显著影响。     

深圳市东北部PM_(2.5)的变化特征及潜在传输来源

2014年深圳市东北部吓陂监测站PM_(2.5)的年均质量浓度为47.0μg/m~3,在全市处于较高污染状态,并呈现出冬季秋季春季夏季的季节变化特征。气象要素的分析表明,2014年吓陂监测站夏季时降水较多、湿度最大、风速最大、气温最高、边界层高度最高,最有利于污染物的扩散和清除;冬季时降水最少、湿度最小、风速最小、气温最低、边界层高度最低,最不利于污染物的扩散和清除。后向轨迹聚类分析表明,吓陂监测站的后向轨迹主要分为5类,其中来自北方内陆地区的气团污染最重,来自南海地区的气团污染最轻。进一步利用潜在源贡献因子进行源区识别分析,结果表明:2014年吓陂监测站的PM_(2.5)主要来源于本地源的排放及周边地区(尤其是广东东北部地区)的短距离输送,此外江西等内陆地区的长距离传输在一定程度上也可能导致吓陂监测站PM_(2.5)质量浓度的升高。     

延安市能见度与相对湿度和PM_(2.5)及PM_(10)的关系

为分析延安市能见度与相对湿度、气溶胶质量浓度的关系,利用2016年延安大气成分站PM_(2.5)、PM_(10)和国家基本气象站相对湿度、能见度观测资料,对能见度与相对湿度、PM_(2.5)和PM_(10)的关系进行分析。结果表明:全年能见度与相对湿度的线性相关系数最高,与PM_(10)次之;随相对湿度的增大,能见度明显降低。相对湿度<50%时,能见度与PM_(2.5)的非线性相关性高于与PM_(10)的相关性;相对湿度>50%时,能见度与PM_(10)的非线性相关性则较PM_(2.5)好。相较于线性拟合方法,能见度与相对湿度的非线性拟合公式能更好地表现二者的关系。利用相对湿度、PM_(2.5)和PM_(10)观测数据对能见度做多元非线性拟合,检验结果表明,计算得出的拟合公式能较好地模拟延安市能见度的变化规律。     

贵阳站气溶胶数据质控方法及气象因子对PM_(2.5)的影响分析

结合贵阳基准站气溶胶质量浓度观测中出现的数据异常情况,提出相应质控措施,编写小时数据检查程序以提醒值班员及时查看报警原因,尽量减少原始数据的缺失及野值的产生。采用7-5-3hanning平滑滤波法,将处理后的PM_(2.5)数据与原始分钟数据比对,结果显示该方法在剔除异常值的同时保留了原序列应有的变化特征。利用2013—2016年本站PM_(2.5)质控数据及同期气象资料对PM_(2.5)质量浓度的变化特征进行了简要分析,结果表明,PM_(2.5)月均浓度呈现明显的冬高夏低的单谷多峰走势;以2013年1月一次连续9 d以PM_(2.5)为首的空气污染时段为例就PM_(2.5)质量浓度与同时段气象要素的相关性进行分析,数据显示PM_(2.5)与风速、降水呈明显负相关性,即风速越大,PM_(2.5)浓度越小,降水对净化空气作用明显,PM_(2.5)浓度明显降低。     

2014-2017年华北平原PM_(2.5)组分消光与能见度对比研究（英文）

华北平原大气污染与低能见度状况一直是人们关切的问题.本文通过分析2014-2017年PM_(2.5)化学成分的浓度和消光效果,研究了华北平原典型城市保定市的大气污染特征.结果表明,PM_(2.5)分的年均浓度显示下降趋势,水溶性无机离子,碳质气溶胶和金属元素分别减少了11μg m~(-3),23μg m_(-3)和1796 ng m_(-3).NH_4~+,NO_3~-和SO_4~(2-)是PM_(2.5)污染的主要污染物,三者之和占总离子浓度的82.9%.基于IMPROVE方程对细颗粒物进行重构,在观测期间PM_(2.5)质量浓度平均为93±69μg m~(-3),春季,夏季,秋季和冬季的消光系数分别为373.8±233.6 M m~(-1)±,405.3±300.1 M m~(-1),554.3±378.2 M m~(-1)和1005.2±750.3 M m~(-1).硫酸铵,硝酸铵和有机物对消光的贡献最大,不同季节下占比达55%～77%.通过PM_(2.5)组分进行重构,利用IMPROVE算法计算得到Rbsca,用能见度测量值转换得到Vbsca,二者具有较高的相关性(r2=0.84);但存在Vbsca的高值被低估,Vbsca的低值被高估的现象;特别是当Rbsca 1123 M m~(-1)(对应能见度约小于2.0 km)时,Vbsca的值被低估了17.6%.高浓度PM_(2.5)和高湿度对IMPROVE算法结果有显著的影响.     

苏州市大气PM_(2.5)中水溶性无机离子的源解析及其气象因子分析

为了探明PM_(2.5)中水溶性无机离子的来源和气象因子对其浓度变化的影响,利用2012年2、5、8和11月苏州市PM_(2.5)中水溶性无机离子浓度和本站气象观测数据,分析了苏州市水溶性无机离子的时间变化特征,解析了当地PM_(2.5)中水溶性无机离子的主要来源,探讨了气象因素对离子组分的影响。结果表明:(1)苏州市PM_(2.5)中水溶性无机离子年均浓度大小依次为:SO_4~(2-)NO_3~-NH_4~+Na~+Cl~-K~+Ca~(2+)Mg~(2+)F~-;SO_4~(2-)、NH_4~+和NO_3~-为PM_(2.5)中最重要的3种水溶性无机离子物种,其总和占PM_(2.5)总质量浓度的50.9%。各离子的季节浓度特征均为冬季最高、夏季最低。(2)通过运用主成分分析法对苏州市PM_(2.5)中水溶性无机离子进行来源分类解析,发现第一类为二次污染源和生物质燃烧,其贡献率为32.84;第二类为道路扬尘及工业排放,其贡献率为19.99%;第三类为海盐污染,其贡献率为18.43%。(3)通过水溶性无机离子与气象条件的相关性分析发现,风向、风速和温度与水溶性无机离子浓度的相关性较显著,这三者是颗粒物浓度变化的主要影响因子。(4)利用HYSPLIT后向轨迹模式对外来污染物进入苏州市的轨迹进行聚类分析后发现:因受季风气候影响,苏州市外来污染物的输入路径存在明显的季节性变化特征,其中夏半年输送主径源自海上,冬半年主径源自内陆。     

西安新颗粒物生成事件与PM_(2.5)污染形成关系

利用中国气象局秦岭气溶胶与云微物理野外科学试验基地扫描电迁移率粒径谱仪(SMPS, scanning mobility particle sizer, Model 3034)观测的2017年11月1—30日颗粒物粒径谱数据,给出西安9次新颗粒物生成(new particle formation, NPF)事件的统计特征,并结合3次PM_(2.5)污染过程,讨论NPF事件与西安PM_(2.5)污染的可能关系。结果表明:(1)NPF事件一般发生在中午到下午,新颗粒物生成后峰值粒径增长速率平均值为5.1±1.8 nm·h~(-1),凝结核模态颗粒物数浓度的最大净增长量(net maximum increase in nucleation mode particles number concentration, NMINP)平均值为0.63×10~4 cm~(-3),NPF事件不仅增加了大气中凝结核模态颗粒物数浓度,还增加了爱根核模态和积聚模态颗粒物数浓度;NPF事件有67%存在粒径的持续增长,其中3次事件峰值粒径增长最为显著,最大值增长至175 nm附近。(2)NPF事件发生后,大气中PM_(2.5)质量浓度随颗粒物峰值粒径增大呈增高趋势。(3)3次NPF事件到PM_(2.5)污染过程中PM_(2.5)质量浓度与峰值粒径、积聚模态颗粒物数浓度和凝结汇均呈现指数正相关关系,当峰值粒径为100～120 nm时,PM_(2.5)质量浓度高于75μg·m~(-3),积聚模态颗粒物数浓度持续高于其他两个模态颗粒物数浓度,出现PM_(2.5)污染。     

银川地区大气颗粒物浓度变化特征及其与气象条件的关系

利用2013—2014年银川地区大气颗粒物质量浓度和同期气象要素的观测资料,分析了银川地区大气颗粒物浓度的分布特征及其与气象条件的关系。结果表明:2013—2014年银川地区PM_(10)、PM_(2.5)、PM1年平均浓度分别为167.3μg·m-3、67.2μg·m-3和45.0μg·m-3,年平均PM_(2.5)/PM_(10)、PM1/PM_(10)、PM1/PM_(2.5)分别为45.0%、32.0%和65.0%;PM_(10)浓度3月最高,8月最低,PM_(2.5)和PM1最高浓度均出现在1月,PM_(2.5)最低浓度出现在8月,PM1最低浓度出现5月;3—5月为PM_(2.5)/PM_(10)、PM1/PM_(10)和PM1/PM_(2.5)最低的3个月。不同天气类型PM_(10)浓度由高至低依次为浮尘/扬沙典型天气平均霾晴天雾,不同天气类型PM_(2.5)浓度由高至低依次为扬沙/浮尘霾典型天气平均晴天雾,不同天气类型PM1浓度由高至低依次为霾典型天气平均雾晴天浮尘/扬沙。风速与PM_(10)浓度呈正相关关系,风速与PM_(2.5)和PM1浓度均呈负相关关系;PM_(10)浓度在偏西北风时较高,PM_(2.5)和PM1浓度在偏西南风与偏东北风时较高;气温与PM_(10)、PM_(2.5)、PM1浓度均呈显著的负相关关系;相对湿度与PM_(10)浓度呈显著的负相关关系,相对湿度与PM1浓度呈显著的正相关关系,相对湿度与PM_(2.5)相关性较弱;气压对PM_(10)浓度变化的影响较小,气压与PM_(2.5)、PM1浓度呈正相关关系;降水对PM_(10)的清除作用最强,对PM_(2.5)的清除作用次之,对PM1基本无清除作用。