邢台沙河市冬季大气污染特征与潜在源区分析

为了解邢台沙河市冬季大气污染特征,选取2017年12月至2018年2月沙河市区3个省控站点（司法局、市政府、宣传中心）的逐时监测数据,分析了沙河市主要污染物的时空分布特征和潜在源区。污染物浓度特征分析表明:整个冬季司法局、市政府和宣传中心站点的细颗粒物（PM2.5）平均浓度分别为118.0 μg/m3、121 μg/m3和135 μg/m3。在大气自然活动和人为污染排放的共同作用下,PM10、PM2.5、SO₂、NO₂和CO均有明显的日变化特征。整个冬季沙河市的ρ(PM2.5)/ρ(PM10)、ρ(SO₂)/ρ(NO₂)均值分别为0.57和1.05（ρ为各物质的浓度）。且随着污染加重,ρ(PM2.5)/ρ(PM10)、ρ(SO₂)/ρ(NO₂)均明显升高,表明燃煤贡献增加;污染物空间分布特征分析表明:位于3个站点东北处的玻璃企业产生的污染物可能对监测站点造成了一定影响。污染物空间差异分析表明,区域污染范围越大、强度越高,大气污染的空间差异性越小;潜在源分析表明:沙河市PM2.5的强潜在源区分布在其周边区域,随着PM2.5浓度增加,强潜在源区呈缩小趋势。沙河市东南部的本地源对PM2.5浓度有主要贡献,而此处正是玻璃企业的聚集地。     

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。     

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。      

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。     

银川大气污染物浓度变化特征及其与气象条件的关系

利用2013年银川地区6个监测点污染物质量浓度和同期气象要素数据,对区域内污染物浓度变化特征及其与气象条件的关系进行分析。结果表明：银川市区PM10年均值超标0.7倍,PM_2.5年均值超标0.4倍,SO₂和NO₂也有一定程度超标,CO和O₃未超标|1、2、11月和12月为SO₂、NO₂、PM₁₀、PM_2.5、CO质量浓度较高月,O₃浓度最高月为5月,次高月为10月|9:00-12:00和21:00-00:00是SO₂、NO₂、PM₁₀、PM_2.5和CO质量浓度较高的两个时段,O₃浓度一般于15:00达到最大;6类污染物普遍表现出季节性的准7 d周期和全年性的准30 d周期|空气质量状况良的频率是56 %,轻度污染26 %,优仅为12%;首要污染物以PM₁₀、PM_2.5和SO₂为主|风速与SO₂、NO₂和CO具有良好的负相关关系,与O₃则呈显著正相关关系,风速对PM₁₀和PM_2.5影响较复杂,当风速小于某一值时,有利于PM₁₀和PM_2.5扩散,当风速达到一定程度后,又会导致PM₁₀和PM_2.5浓度的增加|降水对污染物有较好的冲刷作用,且对SO₂的清除作用最明显,对O₃的清洁作用最弱。     

贵州安顺市PM2.5气象输送条件及贡献源空间分布

利用贵州省安顺市2015—2019年大气污染物资料和气象资料,分析安顺市空气质量特征和主要大气污染物特征,通过TrajStat软件中HYSPLIT模型的后向轨迹模式,结合GDAS气象数据、PM_2.5浓度,分析不同季节输送途径及其污染轨迹,采用潜在源贡献作用和浓度权重轨迹分析方法,分析研究期内所有PM_2.5污染日（PM_2.5日浓度高于75 μg·m^-3）输送轨迹垂直与水平方向分布特征。结果表明: PM_2.5是安顺城区主要大气污染物,冬季输送污染轨迹占比较大,输送方向主要为贵州东北方向、偏南方向; 污染日PM_2.5输送路径以贵州东北方向近距离输送为主,该类轨迹基本分布在880—980 hPa高度; 潜在源高值区主要集中在贵阳整个地区、毕节织金县、黔西市、金沙县等,高贡献值区主要集中在安顺紫云县、镇宁县、毕节织金县、大方县等。     

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。     

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。     

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。      

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。     

汾渭平原空气质量及气象要素对其日变化和年际变化的影响

汾渭平原因其封闭的地形条件以及煤炭为主的能源结构,大气污染问题一直存在,并于2018年被列入大气污染防控的重点区域。文章利用2015年以来PM₁₀、PM_2.5、SO₂、NO₂、CO、O₃质量浓度的观测数据和空气质量指数（Air Quality Index,简称AQI）,分析了汾渭平原AQI及大气污染物质量浓度的时空分布特征;使用多元线性回归模型研究了气象条件对冬季PM_2.5和夏季O₃浓度日最大8 h滑动平均值（MDA8_O₃）日变化和年际变化的影响。研究发现,汾渭平原的空气质量在2015～2017年间逐年变差,在2018～2019年有所好转,污染较重的城市为西安、渭南、咸阳、临汾、运城、三门峡、洛阳,集中在汾河平原与渭河平原交界处。汾渭平原的首要大气污染物多为PM_2.5、PM₁₀或O₃,三者占比之和约90%。重污染时期主要集中在天气条件不利及污染物排放量大的冬季供暖期,但夏季O₃浓度的升高趋势使得汾渭平原夏季污染情况越来越严重。影响汾渭平原冬季PM_2.5浓度和夏季MDA8_O₃日变化最主要的气象要素都是2 m高度气温（简称T2M）,相对贡献分别是45.5%、35.3%,都表现为正相关;第二主要的气象要素都是2 m相对湿度（简称RH2M）,相对贡献分别是41.5%（正相关）、25.4%（负相关）。影响汾渭平原冬季PM_2.5浓度年际变化最主要的2个气象要素是T2M和RH2M,其相对贡献分别为43.6%、31.9%,且都呈正相关,2015～2019年汾渭平原冬季气象条件的变化会导致PM_2.5浓度上升,部分削弱了人为减排导致的下降趋势（?8.3 μg m?3 a?1）。影响汾渭平原夏季MDA8_O₃年际变化最主要的2个气象要素是T2M（正相关）和850 hPa风速（WS850,负相关）,其相对贡献分别为71.7%、16.3%。2015～2019年汾渭平原夏季气象条件的变化导致O₃污染呈上升趋势（1.2 μg m?3 a?1）,但O₃污染的总上升趋势（8.7 μg m?3 a?1）中,人为排放变化的贡献更大（7.5 μg m?3 a?1）。本研究表明,汾渭平原大气污染形势严峻,其颗粒物污染问题尚未解决,还面临着新的臭氧污染的挑战,汾渭平原内的11个地级市分属陕西、山西、河南三省管辖,三省交界处又是重污染区域,所以需要三省联合防治防控,协同改善汾渭平原的空气质量。     

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。