Source identification of PM2.5 particles measured in Gwangju, Korea

The UNMIX and Chemical Mass Balance (CMB) receptor models were used to investigate sources of PM_2.5 aerosols measured between March 2001 and February 2002 in Gwangju, Korea. Measurements of PM_2.5 particles were used for the analysis of carbonaceous species (organic (OC) and elemental carbon (EC)) using the thermal manganese dioxide oxidation (TMO) method, the investigation of seven ionic species using ion chromatography (IC), and the analysis of twenty-four metal species using Inductively Coupled Plasma (ICP)-Atomic Emission Spectrometry (AES)/ICP-Mass Spectrometry (MS). According to annual average PM_2.5 source apportionment results obtained from CMB calculations, diesel vehicle exhaust was the major contributor, accounting for 33.4% of the measured PM_2.5 mass (21.5 μg m^− 3), followed by secondary sulfate (14.6%), meat cooking (11.7%), secondary organic carbon (8.9%), secondary nitrate (7.6%), urban dust (5.5%), Asian dust (4.4%), biomass burning (2.8%), sea salt (2.7%), residual oil combustion (2.6%), gasoline vehicle exhaust (1.9%), automobile lead (0.5%), and components of unknown sources (3.4%). Seven PM_2.5 sources including diesel vehicles (29.6%), secondary sulfate (17.4%), biomass burning (14.7%), secondary nitrate (12.6%), gasoline vehicles (12.4%), secondary organic carbon (5.8%) and Asian dust (1.9%) were identified from the UNMIX analysis. The annual average source apportionment results from the two models are compared and the reasons for differences are qualitatively discussed for better understanding of PM_2.5 sources.Additionally, the impact of air mass pathways on the PM_2.5 mass was evaluated using air mass trajectories calculated with the Hybrid Single-Particle Lagrangian Integrated Trajectory (HYSPLIT) backward trajectory model. Source contributions to PM_2.5 collected during the four air mass patterns and two event periods were calculated with the CMB model and analyzed. Results of source apportionment revealed that the contribution of diesel traffic exhaust (47.0%) in stagnant conditions (S) was much higher than the average contribution of diesel vehicle exhaust (33.4%) during the sampling period. During Asian dust (AD) periods when the air mass passed over the Korean peninsula, Asian dust and secondary organic carbon accounted for 25.2 and 23.0% of the PM_2.5 mass, respectively, whereas Asian dust contributed only 10.8% to the PM_2.5 mass during the AD event when the air mass passed over the Yellow Sea. The contribution of biomass burning to the PM_2.5 mass during the biomass burning (BB) event equaled 63.8%.     

唐山市PM2.5和O3行业来源解析

京津冀位于华北平原腹地,面临着严重的空气污染问题,尤其是河北省的重点工业城市唐山,长期位于全国空气质量最差的前十名。为改善空气质量,过去的十多年间我国颁布实施了多项污染防治计划,但唐山的PM_2.5和夏季O₃浓度仍超国家标准。为此,使用WRF(Weather Research and Forecasting Model)-CMAQ(Community Multiscale Air Quality Model)模型量化了唐山市2020年PM_2.5和O₃浓度的行业贡献并分析其协同控制可行性。工业源对唐山市PM_2.5浓度贡献最大,约占45%,其次是居民源约占16%。冬季能源、居民源和农业源占比为全年最高,分别达17%、19%和11%。O₃浓度的背景值约占一半以上,4月占比最高。在非背景值中,唐山O₃浓度最大来源为工业源,约占53%,其次是交通源,约占22%。生物源、交通源和能源行业的贡献在7月有所上升,分别约10%、27%和20%。不同污染情...     

Origin and source regions of PM10 in the Eastern Mediterranean atmosphere

A set of daily PM₁₀ (n = 281) samples collected from April 2001 to April 2002 at a rural site (Erdemli), located on the coast of the Eastern Mediterranean, were analyzed applying Mass Closure (MC), absolute principal factor analysis (APFA) and Positive Matrix Factorization (PMF) to determine source contributions. The results from the three techniques were compared to identify the similarities and differences in the sources and source contributions. Source apportionment analysis indicated that PM₁₀ were mainly originated from natural sources (sea salt + crustal ≈ 60%) whilst secondary aerosols and residual oil burning accounted for approximately 20% and 10% of the total PM₁₀ mass, respectively. Calculations for sulfate showed that on average 8% and 12% of its total concentration were originated from sea salt and biogenic emissions, respectively. However, the contribution by biogenic emissions may reach up to a maximum of ~ 40% in the summer. Potential Source Contribution Function (PSCF) analysis for identification of source regions showed that the Saharan desert was the main source area for crustal components. For secondary aerosol components the analysis revealed one source region, (i.e. the south-Eastern Black Sea), whereas for residual oil, Western Europe and the western Balkans areas were found to be the main source regions.     

2007和2008年夏季北京奥运馆大气PM10与PM2.5质量浓度变化特征

为了监测北京奥运主场馆附近大气颗粒物的污染状况以及评估奥运污染源减排措施对北京大气颗粒物质量浓度变化的影响,利用颗粒物在线监测仪器TEOM于2007年和2008年夏季,在奥运主场馆附近的中国科学院遥感应用研究所办公楼楼顶对大气颗粒物PM₁₀和PM_2.5进行了连续同步观测。结果表明,2007年夏季监测点附近大气PM₁₀与PM_2.5质量浓度的平均值分别为153.9和71.2μg·m^-3,而2008年夏季PM₁₀与PM_2.5质量浓度的平均值分别为85.2和52.8μg·m^-3。与奥运前一年同时段相比,奥运时段大气PM₁₀和PM_2.5的质量浓度分别下降44.5%和25.1%。对比分析奥运前后的2次典型污染过程发现,空气相对湿度的增加和偏南气流输送的共同影响易造成大气颗粒物的累积增长,而降雨的湿清除作用和偏北气流则会使大气颗粒物浓度迅速降低。在相近的气象条件下,奥运前后的污染过程中,大气细粒子的日均增长速率分别为25.1和13.9μg·m^-3·d^-1,而大气粗粒子的日均增长速率分别为20.8和2.2μg·m^-3·d^-1,奥运时段污染累积过程中大气粗、细粒子的增长速率分别显著低于和略低于奥运前同时段污染过程中颗粒物的增长速率。污染源减排措施的实施是奥运期间大气颗粒物质量浓度降低的主要原因,从控制效果来看,奥运期间实施的污染源减排措施对大气粗粒子的控制效果明显好于大气细粒子。     

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。     

大气PM2.5源解析“源清单化学质量平衡法(I-CMB)”模型的建立与应用

针对受体模型对大气PM2.5中二次无机、有机气溶胶不能给出有效源贡献的问题,建立了一种基于污染源清单的化学质量平衡(Inventory-Chemical Mass Balance,I-CMB)颗粒物源解析受体模型,代入北京市近年的污染物排放数据进行了解析应用。结果表明,燃煤是北京大气PM2.5的最大来源(占比约28.06%),其余依次为机动车(19.73%)、扬尘(17.88%)、工业(16.50%)、餐饮(3.43%)、植物(3.40%)。相比于传统的化学质量平衡法(Chemical Mass Balance,CMB),I-CMB的源解析过程对源成分谱的要求较低、抗干扰性更强,计算结果均衡、详尽,比较适合我国当前大气PM2.5控制的需求。     

荆门市冬季PM2.5传输轨迹及潜在源分析

对2015年3月至2018年2月共36个月荆门市PM2.5浓度值按月和季节作特征分析,利用HYSPLIT轨迹模型对污染最为严重的冬季进行后向48h气团轨迹模拟。结果表明：PM2.5月均浓度表现为1月最高,达到107μg/m3,7月最低,为30μg/m3,冬季平均值为92μg/m3,显著高于其它季节,并且冬季高浓度PM2.5主要与本地地面5—11m/s的偏北（N、NNE）大风伴随出现;气团轨迹分为西南、东北、西北三个路径,近地面传输的东北路径和高空传输的西南路径气团均引起PM2.5浓度升高,而西北路径气团整体上对污染物具有一定清除作用;东北路径方向的河南以及靠近荆门市的西北、西南向地区为48h的潜在源贡献大值区。在通过气象条件定性判断荆门未来的PM2.5浓度变化时,因东北路径近地面传输的特性,应关注上游潜在源区内地面站点PM2.5的浓度值;对于高空传输的西南路径,应关注高空水汽的输送情况,以及轨迹高度下降地区即水汽的沉降区是否在潜在源区;西北路径为干冷空气的高空传输,在较接近荆门时轨迹高度才开始明显下降,应关注西北方向近距离潜在源区的地面站点PM2.5的浓度值。     

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。     

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。     

2014—2019年北京和南京地区PM2.5和臭氧质量浓度相关性研究

自2014年以来,中国细颗粒物（PM_2.5）浓度大幅度下降,但臭氧（O₃）浓度逐年缓慢上升,厘清PM_2.5和O₃（P-O）相关性尤为关键.在本研究中,2014—2019年北京和南京PM_2.5年均质量浓度下降幅度分别为-6.86和-6.15 μg·m^-3·a^-1;而日最大8小时平均O₃质量浓度（MDA8 O₃）年均增长幅度为1.50和1.75 μg·m^-3·a^-1.研究期间,北京地区MDA8 O₃质量浓度小于100 μg·m^-3,P-O呈负相关;而当质量浓度大于100 μg·m^-3时,P-O为正相关.通过Pearson相关系数研究P-O两者相关性.在两个城市每月相关性分析中,在每日时间尺度5—9月为强的正相关;而小时时间尺度11月至次年2月趋于负相关.在北京,P-O每月和季节相关性变化大于南京.在日变化中,夏季在16时为强的正相关,春秋两季在13—17时为弱的正相关,而在春、秋和冬季8时,却为强的负相关.     

利用多源数据建立GA-BP算法模型估算PM2.5的研究

利用MODIS AOD(Aerosol Optical Depth)3 km分辨率的L2产品并辅以地面气象测量站点和环保监测站点的逐小时数据,对2017-2018年南京地面各站点进行数据匹配,分析估算PM2.5的各相关组合因子,然后利用GA-BP神经网络算法构建卫星数据辅以地面气象数据来估算PM2.5质量浓度的机器学习...     

苏南三市秋冬季PM2.5中水溶性离子和元素特征及源解析

2010年11月16日至12月17日在南京、常州、苏州三城市设置采样点,24 h采集大气PM_2.5样品,并测定其水溶性无机离子和元素的浓度,在此基础上讨论PM_2.5及无机组分的时空分布特征。结果表明,采样期间,PM_2.5污染较严重,且苏州最重,常州次之,南京最轻,南京、苏州、常州日均浓度分别是国家二级标准(75 μg/m³)的1.44、2.32、1.53倍;三市PM_2.5离子组分中,阴离子均以SO₄^2-和NO₃^-为主,阳离子以Ca²⁺和Mg²⁺为主;苏州Na⁺和Cl^-之间的相关性较高,其受到海盐输送影响较大;三城市PM_2.5中Ca是最主要元素,Al次之。运用主成分法分析南京、常州和苏州PM_2.5的来源可知,三城市PM_2.5受多个污染源影响,包括生物质燃烧、地表扬尘、五金工业及汽车尾气排放等。     

武汉市冬季灰霾期PM2.5中水溶性无机离子的特征

2018年1月,利用颗粒物采样器采集武汉市大气PM_2.5样品并进行水溶性无机离子（F^-、Cl^-、NO₃^-、SO₄^2-、Na⁺、NH₄⁺、K⁺、Mg²⁺、Ca²⁺）的分析.结果表明,NO₃^-、SO₄^2-、NH₄⁺是PM_2.5中最主要的3种水溶性无机离子,除Mg²⁺与Ca²⁺外,PM_2.5与WSⅡs （水溶性无机离子）之间的相关性显著,且移动源贡献占主导地位.阴阳离子平衡表明武汉市冬季灰霾期PM_2.5呈中性或弱酸性.通过混合单粒子拉格朗日综合轨迹模式模拟并采用分层聚类得出了4种主要的后向气流轨迹及相应的PM_2.5和水溶性离子浓度,结果表明区域传输对此次灰霾期影响较大.     

南京市城市不同功能区PM10和PM2.1质量浓度的季节变化特征

使用Anderson-Ⅱ型9级撞击采样器测量了南京市鼓楼商业区、江北工业区、钟山风景区和宁六高速公路交通源春、夏、秋三季的大气气溶胶质量浓度。分析结果表明:南京市PM_2.1和PM₁₀的质量浓度存在明显的季节变化,秋季>春季>夏季;ρ_PM10春季为167.47 μg/m³,夏季为 85.99 μg/m³,秋季为238.99 μg/m³;ρ_PM2.1春季为59.66 μg/m³,夏季为42.80 μg/m³,秋季为100.15 μg/m³。不同季节中ρ_PM10和ρ_PM2.1均存在较好的相关性,夏季相关性最好,相关系数为0.952;秋季次之,相关系数为0.783;春季相对较差,相关系数为0.613。城市不同功能区之间ρ_PM2.1和ρ_PM10的质量浓度值差异很大,交通源>工业区>商业区>风景区。城市不同功能区的质量浓度谱分布基本一致,均为双峰型分布,峰值分别位于0.43~0.65 μm/m³和9.0~10.0 μm/m³。南京市春、夏、秋三个季节大气粒子质量浓度谱为双峰分布,粒子主要集中在0.43~3.3 μm/m³的粒径段。江北工业区ρ_PM10和ρ_PM2.1质量浓度的相关系数为0.814,略高于鼓楼商业区的0.797。     

南京市城市不同功能区PM10和PM2.1质量浓度的季节变化特征

使用Anderson-Ⅱ型9级撞击采样器测量了南京市鼓楼商业区、江北工业区、钟山风景区和宁六高速公路交通源春、夏、秋三季的大气气溶胶质量浓度。分析结果表明:南京市PM_2.1和PM₁₀的质量浓度存在明显的季节变化,秋季>春季>夏季;ρ_PM10春季为167.47 μg/m³,夏季为 85.99 μg/m³,秋季为238.99 μg/m³;ρ_PM2.1春季为59.66 μg/m³,夏季为42.80 μg/m³,秋季为100.15 μg/m³。不同季节中ρ_PM10和ρ_PM2.1均存在较好的相关性,夏季相关性最好,相关系数为0.952;秋季次之,相关系数为0.783;春季相对较差,相关系数为0.613。城市不同功能区之间ρ_PM2.1和ρ_PM10的质量浓度值差异很大,交通源>工业区>商业区>风景区。城市不同功能区的质量浓度谱分布基本一致,均为双峰型分布,峰值分别位于0.43~0.65 μm/m³和9.0~10.0 μm/m³。南京市春、夏、秋三个季节大气粒子质量浓度谱为双峰分布,粒子主要集中在0.43~3.3 μm/m³的粒径段。江北工业区ρ_PM10和ρ_PM2.1质量浓度的相关系数为0.814,略高于鼓楼商业区的0.797。     

The statistical characters of PM10 in Belgrade area

The concentrations of air pollutants depend on meteorological conditions and pollutant emission level. From the statistical properties of air pollutants the number of times the daily average concentrations exceed the assigned air quality standard (AQS) can be estimated, as well as the level of reduction of particle matter emission sources required to meet the AQS. In this paper three statistical distributions (lognormal, Weibull and type V Pearson distribution) were used to fit the complete set of PM₁₀ data for the Belgrade urban area during a three-year period (2003–2005). The method of moments and the method of least squares were both used to estimate the parameters of the three theoretical distributions. The type V Pearson distribution represented the PM₁₀ daily average concentration most closely. However, the parent distributions sometimes diverged in predicting a high PM₁₀ concentration and therefore asymptotic distributions of extreme values were used to fit the high PM₁₀ concentration distribution more correctly. This method can successfully predict the return period and exceedances over a critical concentration in succeeding years. The estimated emission source reduction of PM₁₀ to meet the assigned standard varied from 53% to 63% in the Belgrade urban area. The results provide useful information for air quality management and could be used to examine the similarities and differences among air pollution types in diverse areas.     

大气物理过程方案对PM2.5预报的敏感性试验

利用WRF-Chem大气化学模式,选择2015年12月中旬发生在我国的大范围空气污染过程,在采用同样化学方案条件下,针对模式中不同物理过程及其参数化方案开展了地面PM_(2.5)预报的敏感性试验。结果表明:该模式能较好展示此次PM_(2.5)污染的演变过程,与实况也较接近,但对青海经宁夏至内蒙的PM_(2.5)高值区出现了漏报现象,这可能是模式外边界未对污染物做更新所致。对地面PM_(2.5)的预报,各物理过程的敏感度不同,边界层(含近地面层)过程的影响要明显大于积云对流及微物理过程的影响,不同的参数化方案会造成不同的预报误差。边界层过程QNSE和与其配套的近地面层方案的组合是预报的较佳组合;而TEMF和与其配套的组合以及ACM2和Pleim-X的组合则不佳。合理的物理过程参数化方案有助于提高PM_(2.5)预报质量。模式预报对排放源也有适应过程,其Spin-up时间较气象要素长。     

西安市PM2.5城乡差异及与城市热岛的关联研究

依据一种基于建筑用地比例和土地利用信息熵的城乡站点划分方法,将西安市环境与气象站点划分为城区、郊区和两类乡村站,讨论其PM_2.5的城乡分布特征及与城市热岛效应强度(Urban Heat Island Intensity,UHII)间的相关关系。结果表明,不同季节西安市呈现不同的PM_2.5城乡分布特征和日变化特征,两类乡村站点PM_2.5差异明显且下风向乡村站点(乡村D)对应的UHII_D对城区和乡村的影响程度大于上风向乡村站点(乡村U)对应的UHII_U。在城区较多本地排放的影响下,乡村PM_2.5浓度与 UHII_U(或UHII_D)相关系数均大于城区。随着UHII_D的增加,城乡PM_2.5相对浓度差值(RUPII_D)整体呈下降趋势且UHII_D与RUPII_D在春夏秋季显著负相关。UHII_D增大,城区近地面PM_2.5的水平扩散能力减弱,但PM_2.5的垂直扩散能力较乡村更强,从而UHII_D通过影响PM_2.5的传输扩散特征,进一步影响西安市RUPII_D。     

湖北省PM2.5质量浓度遥感估算与时空分布特征

针对地面站点稀疏不足以提供高空间覆盖、高空间分辨率的面域PM_2.5数据支撑区域细颗粒物污染防治的问题,以湖北地区2015-2017年的MODIS卫星遥感气溶胶光学厚度（AOD）产品数据为主预测量,结合温度、湿度、风速、压强等气象参数和植被指数数据等辅助预测量,建立了AOD-PM_2.5关系逐日变化的线性混合效应（LME）模型,用于估算湖北地区的PM_2.5浓度水平.利用十折交叉验证方法进行了模型精度评估.结果表明：1）2015-2017年的交叉验证R²分别达到0.89、0.85和0.88,利用MODIS AOD数据反演近地面PM_2.5质量浓度的线性混合效应模型能很好地用于区域细颗粒物遥感监测;2）省内PM_2.5质量浓度空间差异显著,鄂东、鄂南和鄂北高,鄂西北和鄂东南低;3）全省PM_2.5估算时空数据年均值呈下降态势,分别为65.6±39.8、57.1±34.1和48.1±28.3 μg/m³,各市除随州、咸宁2016、2017年年均值持平外,都呈下降趋势.     

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。