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。     

气象条件对石家庄PM_(2.5)浓度的影响分析

利用2013~2014年石家庄逐小时PM2.5监测浓度与地面及探空等气象观测资料,从大气的垂直扩散、水平扩散和地面局地环流等方面,探讨气象条件对PM2.5浓度的定量影响关系。结果表明:(1)石家庄PM2.5浓度具有明显的日、月和季节变化特征,早晨08时前后PM2.5浓度最高,下午16时前后浓度最低;冬季PM2.5浓度最高,夏季最低;(2)2 a共出现485 d逆温,其中10~12月出现频率最多,达82.8%~86.2%,逆温致使低层大气垂直运动受阻,不利于污染物扩散;(3)大气混合层高度与PM2.5浓度呈反相关,PM2.5浓度75μg/m3(空气质量优良),对应大气混合层高度平均为1 448 m,而PM2.5浓度≥150μg/m3(空气重污染)的混合层高度降到878 m;(4)受地形影响,石家庄地面风与边界层附近风对污染物的影响明显不同:925 h Pa西南风、地面偏东风不利于污染物扩散;925 h Pa西北风、地面偏西风有利于污染物浓度降低。925 h Pa风速4 m/s、地面偏西风风速2 m/s、地面偏东风风速3 m/s,有利于污染物扩散;(5)降水对污染物有湿清除作用,清除量不仅与降水量有关,还与前期PM2.5浓度有关,且冬季降雪过程对PM2.5的清除作用是降雨的4倍。     

北京郊区夏季PM_(2.5)和黑碳气溶胶的观测资料分析

城市近郊常受到城区污染物扩散和输送的影响,2010年7月21日至8月6日利用β射线颗粒物连续监测仪和黑碳仪对北京西北郊区PM2.5和黑碳气溶胶(BC)进行了连续观测。结果表明,北京西北郊区夏季PM2.5和BC的质量浓度分别是(133.16±81.64)、(2.89±1.62)μg/m3。受明显的山谷风的影响,来自观测点东南方的城区的气流使PM2.5和BC浓度升高,来自观测点西北方向的风则使PM2.5和BC浓度降低。受局地排放、区域输送和气象条件的共同影响,郊区的PM2.5和BC浓度表现出明显日变化特征,二者浓度在上午、傍晚和夜间显著上升。     

晋城市冬、春季PM_(2.5)和PM_(10)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PM_(2.5)及PM_(10)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PM_(10)与PM_(2.5)高值区主要位于东北部及东南小部分区域,春季PM_(10)高值区位于城区南部区域,PM_(2.5)高值区主要集中于城区。晋城市城区和郊区PM_(10)与PM_(2.5)月均浓度整体呈单峰型变化,PM_(10)在4月份最高(157.54±5.67μg·m~(-3)),PM_(2.5)在1月份最高(94.08±2.25μg·m~(-3))。冬季PM_(2.5)/PM_(10)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PM_(10)与PM_(2.5)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PM_(10)与PM_(2.5)的小时浓度值与相对湿度有较高的正相关性(p0.01),与风速、风向有较高的负相关性(p0.01),与温度和气压的相关性较低。冬季,东北至正南风向时,PM_(10)与PM_(2.5)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。     

阳江市PM2.5浓度变化及气象因子影响分析

利用阳江市生态环境局2014年至2018年的空气质量监测数据,分析PM2.5浓度,以及浓度达到一、二类环境空气功能区质量要求的日数的时间变化规律;再利用阳江市国家基本气象观测站的观测资料,分析气象要素对PM2.5浓度的影响状况,并在此基础上建立相应的多元回归预测方程.结果表明,阳江市PM2.5 日平均浓度的年际变化在3...     

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。     

MODIS气溶胶光学厚度的PM_(2.5)质量浓度遥感反演研究

以北京为研究区域,利用MODIS气溶胶光学厚度产品AOT(Aerosol Optical Thickness)定量反演北京近地面PM2.5质量浓度。首先对MODIS AOT与对应地面实测PM2.5质量浓度为数据源,两者的线性相关系数为0.323,经过AOT标高订正和PM2.5湿度订正后,两者相关系数升高为0.467;进一步分析AOT与PM2.5的季节变化特征发现,秋季相关性最高(0.802),春季最低(0.252),其他季节介于之间,并深入分析了AOT与PM2.5自身物理化学特性及气象因子对两者相关性的影响机制;最后在耦合标高和湿度订正基础上,建立了一个近地面PM2.5质量浓度对数反演模型,并与地面实测PM2.5样本进行对比分析,结果显示均方根误差为2.84%,平均误差为9.53%,验证了该对数反演模型能较好的依据AOT反演近地面PM2.5质量浓度的可行性,为卫星遥感高精度定量反演PM2.5提供了科学依据。     

合肥市PM_(2.5)对城市辐射和气温的影响

本文利用2013年2月—2014年3月安徽省合肥市地面总辐射(即向下短波辐射)、气温、地面温度、相对湿度等气象资料和PM_(2.5)浓度资料,分析了合肥地区PM_(2.5)和地面总辐射、地温和气温的关系,研究发现:(1)PM_(2.5)浓度是影响总辐射的重要人为因子,在中午无云条件下,地面总辐射与PM_(2.5)的浓度呈现较强的负相关关系,相关系数为-0.62。归一化地面总辐射和PM_(2.5)的相关系数为-0.76,在早晨和傍晚的相关系数较小。平均而言,白天无云时PM_(2.5)浓度每增加1μg·m-3,地面总辐射下降0.92 W·m-2。(2)在白天无云时,气温、地面温度和PM_(2.5)浓度有明显负相关关系,PM_(2.5)浓度对地面温度的影响远大于对气温的影响,在夏季的影响高于其它季节。气温、地温和PM_(2.5)浓度的线性拟合直线的平均斜率分别为-0.022和-0.12,相当于PM_(2.5)浓度增加10μg·m-3,地温和气温分别平均下降0.22℃和1.2℃。(3)在天气尺度上,PM_(2.5)浓度对总辐射、气温和地面温度有非常明显的影响,在2013年9月清洁个例和2013年12月的污染个例中,PM_(2.5)浓度每增加1μg·m-3,将引起总辐射下降1.8 W·m-2和0.5 W·m-2,地温下降0.11℃和0.02℃,气温下降0.03℃和0.01℃,因此在天气预报过程中也需要考虑空气污染状况。     

海口市PM_(10)、PM_(2.5)和PM_1质量浓度的变化特征分析

利用2013年在海口市气象局地面气象观测站采集的PM10、PM2.5和PM1质量浓度数据,分析了2013年可吸入颗粒物质量浓度的变化特征,并对其成因进行了初步分析。结果表明:2013年海口市PM10、PM2.5和PM1质量浓度的变化趋势基本相同,PM10、PM2.5质量浓度的超标率低,达到一级标准的概率分别为74.0%和68.8%,超过2级标准的天数分别为1和9 d,ρ(PM2.5)/ρ(PM10)与ρ(PM1)/ρ(PM2.5)的比例平均分别为78.1%和85.1%;海口PM10、PM2.5和PM1质量浓度冬季最高,夏季最低,春、秋两季处于冬夏之间;PM10、PM2.5和PM1质量浓度的日变化呈双峰现象,一个峰出现在上午,一个峰出现在夜间;颗粒物质量浓度的变化主要受到气象条件和污染物排放的影响。     

华东地区PM_(2.5)分布特征及其成因分析

利用2000—2015年MODIS气溶胶光学厚度产品,采用参数化方法反演得到了华东地区地面PM_(2.5)时空分布产品。从季节特征来看,PM_(2.5)表现出春夏低、秋冬高的特点。而PM_(2.5)年际变化呈现出从2000年开始稳定增加,2007年达到最高值,之后逐渐下降的趋势。这种年变化趋势不仅与区域污染物排放有密切关系,同时也与天气背景环流的年际尺度变化有很大关系。通过对不同季节的PM_(2.5)进行EOF分解,发现春季的年变化受极涡强度影响较大,夏季年变化主要受西太平洋台风数量、北半球副高脊线位置以及太平洋—北美遥相关型指数支配。秋季年变化与太阳黑子活动及亚洲区极涡面积关系密切。冬季年变化受冷空气影响次数和Ni?o A区(25°—35°N,130°—150°E)海表温度距平指数支配。各季节天气影响因子的组合效应能够很好地反应出区域PM_(2.5)的年变化特征,表明在全球气候变暖的背景下,中国东部环流形式的改变对PM_(2.5)区域分布的变化有着不容忽视的影响。     

2013年河北中南部PM_(10)和PM_(2.5)浓度时间变化特征及其影响气象条件分析

对2013年河北省中南部的石家庄、保定、沧州、衡水、邢台和邯郸6个地市市区各站点逐小时PM10和PM2.5监测资料及相应气象资料分析结果表明:6个地市中邢台年污染日数最多,对应其年平均风速最小;沧州的最少,年平均风速最大。各地市各个级别污染日数不同,五、六级重污染天气均集中在10月—次年3月。首要污染物主要是PM10和PM2.5,但比例不尽相同。特殊的地理位置、污染源差异和气象条件的差异造成各地市污染日数、级别的差异。6个地市污染天气过程时段大都相同,区域性污染明显。各地市PM10和PM2.5浓度平均最大值均出现在冬季,PM10浓度平均最小值均出现在夏季,各市PM2.5浓度平均最小值出现的季节不同。6个地市PM10和PM2.5浓度值的月变化趋势相似。不同季节各地市PM10和PM2.5浓度日变化趋势不同,极值出现的时间也各不相同,极值出现的时间与气象条件和人类活动关系密切。秋、冬季各地市PM10和PM2.5浓度日较差多大于春、夏季的。各地市PM10和PM2.5浓度日均值与当地的日均气温、风速、能见度呈负相关关系,与相对湿度呈正相关关系且相关性比较显著。     

2013年呼和浩特市秋季PM_(2.5)浓度特征及气象条件分析

文章选取2013年9月1日—11月31日呼和浩特市污染物浓度与气象要素资料,分析了PM2.5的浓度特征,并利用灰色关联度分析法,分别计算了PM2.5与其他污染物、各气象要素的综合关联度,取与PM2.5关联度较高的气象要素,根据PM2.5在其不同区间内的超标频率,得出4种易造成PM2.5污染的气象条件：1最大风速的风向为偏东方向;2最大风速〈6m·s^-1;3气温日较差小于6℃,相对湿度大于60%,日平均风速在2m·s^-1时以下;4气温日较差在12～15℃之间,日平均气温在0～10℃之间,日平均风速在5m·s^-1以下。     

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。     

降水对江浙沪PM_(2.5)的清除效率研究

为了解不同程度的降水对江浙沪地区大气PM_(2.5)的清除作用,搜集了2014—2016年该地区41个城市的降水和PM_(2.5)观测数据,通过对比2 a非降水和全时段PM_(2.5)平均浓度的差异,发现前者显著高于后者,说明降水对该地区PM_(2.5)具有清除作用。利用降水前与降水期间PM_(2.5)的浓度差异作为降水对PM_(2.5)的清除率,降水后与降水期间的浓度差异作为雨后浓度回升的增加率,分别研究了目标区域不同时期、不同降雨量以及不同降雨时长对PM_(2.5)的清除效果。结果显示:(1)与江浙沪南部地区不同的是,北部地区降水清除率与降水前浓度存在正相关,降水后浓度的增加与当地的排放量呈正相关。(2)当降水量为30 mm或者降水时长为36 h时,清除率增幅减缓,说明降水对PM_(2.5)的清除效率存在着阈值。     

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。     

自动站实时数据质量分析及质控算法改进

自动气象站实时资料对于气象预警、决策服务、预报验证等方面具有重要意义,为确保自动站实时资料的科学性和准确性,开展实时资料质量控制工作十分必要。对综合气象观测系统运行监控平台中国家级自动气象站2013年的数据质量情况进行了统计和分析,并基于自动站历史数据研究了特殊天气事件发生时气象要素的变化规律以及要素之间的内部一致性,提出了高湿事件和单站天气突变事件的判断条件以改进自动站质量控制算法,最后给出了新算法的应用情况,结果表明改进后的质控算法有效地降低了数据误判率,取得了较好的控制效果。     

1998-2016年中国PM_(2.5)浓度变化对气温的影响研究

为探讨“人类活动—大气污染—气温变化”的关系反应链,从宏观尺度阐明PM_(2.5)浓度变化对气温的影响,利用1951—2017年中国822个气象站点日最高气温、日最低气温和日平均气温资料,1998—2016年中国年均PM_(2.5)浓度遥感图像数据、地表太阳辐射数据,1998—2016年中国各省(区)逐年能源消耗总量、地区生产总值及夜间灯光指数数据,运用Slope趋势变化分析方法与相关性分析法,分析了中国PM_(2.5)浓度的变化趋势及其影响因素。结果表明:1998—2016年中国黄淮海区、东北区PM_(2.5)浓度上升速度最快,分别为1.42μg·m^(-3)·a^(-1)、1.44μg·m^(-3)·a^(-1),而其他地区相对变化不明显;黄淮海区PM_(2.5)浓度平均值高,地表太阳辐射降低,对该区年最高气温有明显的抑制作用,但对年平均气温和年最低气温的影响不明显。东北区PM_(2.5)浓度增长速率较高,但年平均浓度值低,该地区有着较高的水热配合度,PM_(2.5)对年最高气温的抑制作用不明显;能源消耗总量与PM_(2.5)浓度呈显著的正相关。