基于A值法的庆阳地区大气环境容量研究

大气环境容量是指特定区域所能容纳污染物的最大负荷量。本文利用A值法,通过计算各控制区的大气环境容量得出庆阳地区SO_2的环境容量为9.46×10~4t/a,NO_2的环境容量为7.57×10~4t/a,PM10的大气环境容量为12.11×10~4t/a,结合庆阳地区大气污染物排放量现状,分析表明庆阳地区SO_2、NO_2的环境容量剩余空间较大,而PM10的排放量已经接近庆阳市的大气环境容量。     

基于修正A值法评估率水流域大气环境容量及其敏感性分析

修正A值法是大气环境容量评估的主要方法之一,主要基于经验性公式,参数取值主观性较大,已有研究并未能系统分析参数取值对基于修正A值法的大气环境容量核算结果的影响.本文基于修正A值法评估率水流域的大气环境容量,并对修正A值法的主要参数(降水量、大气稳定度、风速和干沉积速率)在±30%范围内进行调整,系统分析主要大气污染物(SO_2、NO_2、PM_(10)和PM_(2.5))的环境容量对各参数变化的敏感性.研究结果表明:(1)在现阶段条件下,率水流域内SO_2、NO_2、PM_(10)和PM_(2.5)的允许排放量分别为11.8×10~4 t/a、5.0×10~4 t/a、10.1×10~4 t/a和2.2×10~4 t/a;(2)4种主要污染物的大气环境容量敏感性分析结果一致,风速对环境容量的影响最大,各污染物的环境容量变化范围为-50%～70%;大气稳定度的影响次之,各污染物的环境容量变化范围为-1%～20%;干沉积速率和降水量的影响甚微,大气环境容量变化范围分别为±2%和±0.1%.     

典型生态旅游城市黔江区大气污染物分析及健康风险评估

以典型生态旅游城市黔江城区大气为研究对象,采用相关性分析、主成分分析、聚类分析和多元统计分析等方法对大气污染物进行研究,结果表明:黔江城区主要污染物随季节变化呈明显时空变化特征,PM_(10),PM_(2.5),SO_2,NO_2,O_3年平均质量浓度分别为(55±19.4),(28±12.5),(18±8.0),(28±5.8),(22±4.8)μg/m~3,均符合国家二级标准(GB3095-2012).研究期间气压、温度、风速和湿度等重要气象因子对5种大气污染物均产生显著性影响;5种大气污染物之间也存在极显著性或显著性影响.利用主成分分析和正交旋转方法,共抽取3个主成分,累计解释了总因子的38.067%,58.408%,70.148%,反映了人类生产生活活动、汽车污染源等排放.气象因子与大气环境中5种污染物之间具有聚合性,综合分为2类,其聚类距离大小为:第一类PM_(10),SO_2,NO_2小于气压,PM_(2.5)最大;第二类O_3、风速小于风向和湿度,温度最大.城区大气环境中PM_(10)和PM_(2.5)健康风险值为0.78×10~(-6)~1.64×10~(-6),0.52×10~(-6)~1.72×10~(-6),除夏季外,其余3个季节均为PM_(2.5)值大于PM_(10)值,由此表明PM_(2.5)比PM_(10)对人类的健康危害更大.     

武汉市大气污染特征及变化趋势

以2013—2015年武汉市大气污染物特征及变化趋势为研究对象,对大气污染物综合指数和各污染物单项指数进行分析.其主要结论是:大气污染冬季的污染状况比夏季严重,其中空气质量2013年优于2015年,2014年最差;根据各污染物单项指数,确定颗粒物(PM_(2.5))为大气污染的主要因子;PM_(2.5)、PM_(10)、SO_2、NO_2、CO的浓度冬季大于夏季,O_3的浓度夏季大于冬季;根据各污染物之间相关性及气象因素的分析,PM_(2.5)、PM_(10)、SO_2、NO_2、CO之间均成正相关关系,其中PM_(2.5)与CO的相关性为0.901(P0.01),接近1,说明CO对PM_(2.5)的形成有直接作用;污染物与气象因素的相关性分析,几种污染物与气压、降水量、气温有明显的相关性;根据聚类分析,大气污染变化趋势与季节有关,季节变化特征为夏季春秋季冬季.     

长三角地区大气污染演变趋势及空间分异特征

基于2005-2015年环境空气质量观测数据,分析了长三角地区大气污染物质量浓度演变趋势及空间分异特征.结果表明,2005-2015年,长三角地区社会经济快速发展,大气污染情况随之增加.随着大气污染治理力度的加大,长三角地区在SO_2污染控制方面取得了显著成绩,2015年ρ(SO_2)较2005年下降了54%;区域ρ(NO_2)居高不下,快速增加的机动车保有量和使用强度,以及能源消费总量在很大程度上抵消了污染治理的效果;2013年"大气污染防治十条措施"实施以来,区域ρ(PM_(10))和ρ(PM_(2.5))逐年下降.长三角北部和腹地区域ρ(SO_2)高于区域平均值,与该地区较高的燃煤密度和工业布局有关;腹地区域和西南部ρ(NO_2)较高,与较高的机动车使用强度有关;颗粒物质量浓度呈北高南低、西高东低的空间分布特征,长三角北部PM_(10)污染突出;PM_(2.5)和O_3的区域性污染特征明显.区域ρ(SO_2)水平仍然较高,需进一步加大能源结构调整力度;机动车尾气污染治理力度亟需加强,以确保在机动车保有量持续增加的前提下,取得ρ(NO_x)的改善;区域大气污染特征存在显著空间分异,应当因地制宜制定分区防控政策.     

西安市区大气污染物时空分布特征分析*

利用2014年10月31日～2015年11月31日西安市区13个环境空气质量监测站AQI、CO、SO_2、NO_2、O_3、PM_(2.5)和PM_(10)逐日数据,分析了西安市区各种污染物的时空分布特征,研究污染物之间的相关性及西安和周边城市的空气质量相关性。结果表明,西安市空气主要分布国家标准在二三级之间,长安区超标率最低(24.41%)。利用空间插值法分析污染物空间分布各监测点夏季空气质量均优于冬季,长安区空气质量较好,主城区污染严重,西安大气污染物呈现明显的主城区向郊区递减变化趋势。月平均气温与CO、SO_2和PM_(10)显著负相关,与O_3显著正相关;月降雨量与CO、SO_2和PM_(10)显著负相关;日照时数与O_3显著正相关。SO_2月均浓度值在监测期中达到一级标准;O_3在5～8月份月均浓度值达到最大,其他月份均达到一级标准;NO_2在11月～次年1月月均浓度为全年最高,其他月份达到一级标准;CO在1～2月份浓度达到最高值,其他月份满足一级标准;PM_(2.5)和PM_(10)在整个监测期内均未达到一级标准。西安和周边城市空气质量存在显著相关性,需要城市间协同解决大气污染问题。     

2018年春节期间燃放烟花爆竹对福州市晋安区大气污染物浓度的影响

利用2018年春节期间晋安区五个空气自动监测站点PM_(10)、PM_(2.5)、CO、NO_2、SO_2、O_3的监测数据,分析了春节期间燃放烟花爆竹对晋安区大气污染物浓度的影响,重点讨论了除夕、初一两日大气污染物浓度的小时变化特征。结果表明,晋安区春节期间首要污染物主要为颗粒物。烟花爆竹对PM_(10)、PM_(2.5)、SO_2、NO_2浓度有直接影响,对PM_(10)和PM_(2.5)浓度的影响尤其突出,对CO、O_3浓度无显著影响。     

龙岩市中心城区大气污染特征与相关性研究

为了解龙岩市中心城区大气环境质量现状,利用2016—2019年龙岩市中心城区6种大气污染物监测数据进行统计分析,结果表明,2016—2019年,龙岩市中心城区SO_2、CO和NO_2三种污染物质量浓度年际变化平稳。O_3的质量浓度年际变化呈明显上升趋势。PM_(10)和PM_(2.5)质量浓度于2016—2018年呈上升趋势,2019年则下降。龙岩市中心城区SO_2、NO_2、PM_(10)、PM_(2.5)和CO的空气质量分指数(IAQI)具有冬季最高、夏季最低的特征,O_3的IAQI则是秋春季高,冬季最低。PM_(10)、PM__(2.5)、NO_2和CO日间浓度变化呈现双峰特征,O_3和SO_2日间浓度变化呈单峰分布特征。通过对一次臭氧超标事件的模拟表明,外来输入和本地的臭氧污染物的集聚是臭氧超标的原因。分析各种污染物间的关系表明,SO_2、NO_2、PM_(10)、PM_(2.5)和CO浓度之间呈显著的两两正相关。O_3与CO、SO_2、NO_2呈显著负相关,与PM_(10)、PM_(2.5)呈正相关。     

河北邯郸市典型大气污染物的特性分析

根据对邯郸市大气污染物特征研究,分析污染物在线监测数据、气象数据和水溶性离子数据的变化规律。结果表明,除O_3外,邯郸市近年来大气污染状况有所改善,但PM浓度仍明显高于河北省其他城市。PM_(2.5)、PM_(10)、SO_2、CO浓度秋冬高,春夏低,O_3浓度则相反。春节期间污染物浓度的变化特征表明,烟花爆竹对粗颗粒物的影响较大。对污染物年平均值贡献较大的是各污染物的重污染累积浓度,其中PM和SO_2影响尤其显著。SO_2、NO_2、SO_2/NO_2与湿度相关性为负,PM_(2.5)/PM_(10)与湿度相关性为正,并且与工业比重、能源结构、环境质量、机动车和人口等也存在相关性。     

天津武清区PM_(2.5)与气态污染物SO_2及NO_2污染特征研究

利用2016年武清区大气污染物监测数据,研究了武清区PM_(2.5)及SO_2、NO_2等典型大气污染物浓度变化特征和相互关系。结果表明:2016年PM_(2.5)污染较严重,年均浓度分别为73μg·m~(-3),超标1.1倍。大气中SO_2年均值为25μg·m~(-3),NO_2年均值47μg·m~(-3)。冬季及春秋季节大气中存在明显的二次转化过程,大气中的SO_2和NO_2通过转化生成硝酸盐和硫酸盐,对PM_(2.5)浓度变化具有重要影响。     

基于高分辨率在线气溶胶监测仪数据分析南京北郊冬季PM_(2.5)中水溶性离子污染特性

于2017年1月~2月在南京北郊利用MARGA在线监测仪采集大气细颗粒物(PM_(2.5))测量气溶胶中的无机离子质量浓度,分析各离子的变化特征及来源。研究表明,南京北郊冬季总水溶性无机离子质量浓度平均值为(48.47±25.44)μg/m~3,8种无机离子质量浓度高低顺序为SO_4~(2-)NO_3~-NH_4~+Cl~-(K~+、Ca~(2+))Na~+Mg~(2+),其中二次无机离子(NH_4~+、NO_3~-和SO_4~(2-))是最主要的水溶性离子。各水溶性无机离子的日变化特征存在差异,其中SO_4~(2-)和Cl~-的日变化较为显著,变化特征为日间高夜间低。NH_4~+、NO_3~-和SO_4~(2-)三者在大气中的结合方式为(NH_4)_2SO_4和NH_4NO_3,主成分分析结果显示,南京北郊冬季大气的污染物来源主要为化石燃料燃烧,另外生物质燃烧和二次转化、矿物粉尘对大气污染也有贡献。     

四川盆地城市群6种大气污染物的时空分布

利用四川盆地18个城市2015-2016年6种大气污染物质量浓度资料,采用了集中期、集中度和变异系数等统计学方法,对该地区大气污染的时空分布特征进行了分析,将四川盆地划分为3个区进行对比研究.结果表明,四川盆地18个城市中,大气污染最严重的是自贡市,年均空气质量指数为100,污染天数占总天数的37.6%;污染最轻的是广元市,年均空气质量指数为57,污染天数占总天数的4.5%.四川盆地3个区域按照污染物质量浓度高低以及出现污染天数的长短排序均为:川南经济区成都平原经济区川东北经济区.研究时间段内,18个城市PM_(2.5)年均质量浓度达标的只有广元市;PM_(10)年均质量浓度达标的只有广元市和巴中市;SO_2年均质量浓度18个城市均达标;NO_2年均质量浓度除成都市和重庆市外,其他16个城市均达标;所有城市的CO和O_3日质量浓度均达标.近36年来,颗粒物和SO_2质量浓度呈现不同程度降低,表明国家对大气污染物排放的管控措施对颗粒物和SO_2污染改善明显.污染物PM_(2.5)、PM_(10)、CO、NO_2和SO_2质量浓度的季节变化为冬季高,夏季低;O_3质量浓度季节变化则为冬季低,夏季高.PM_(2.5)、PM_(10)和O_3质量浓度高的时段相对于SO_2、NO_2和CO来说更为集中,PM_(2.5)、PM_(10)、SO_2、NO_2和CO高质量浓度时段主要集中在1月左右,O_3高质量浓度时段主要集中在6月左右.不同城市间SO_2和NO_2质量浓度差异明显,其他污染物质量浓度分布则较为均匀.     

兰州市大气PM_(2.5)中水溶性无机离子特征及其季节性差异

于2013年非采暖期(秋季)和采暖期(冬季)分别对兰州市代表性功能区(城关居民区和西固工业区)大气PM_(2.5)中的6种水溶性无机离子进行了观测研究.结果表明:兰州市大气PM_(2.5)中Na~+、K~+、NH_4~+、Cl~-、NO_3~-、SO_4~(2-)的质量浓度具有明显的季节性差异,采样期间平均质量浓度分别为1.17、1.45、10.75、5.92、13.09、15.46μg/m~3,水溶性无机离子在PM_(2.5)中所占的平均比例为37.01%,非采暖期平均质量浓度分别为0.91、1.23、9.57、3.74、11.56、14.69μg/m~3;采暖期平均质量浓度分别为1.44、1.67、11.93、8.10、14.62、16.23μg/m~3;采样期间6种水溶性无机离子的质量浓度均为采暖期大于非采暖期,西固工业区高于城关居民区(K~+除外).NO_3~-/SO_4~(2-)的比值表明兰州市大气污染正由煤烟型向汽车尾气型特征转换.兰州市大气PM_(2.5)中的NH_4~+与SO_4~(2-)主要以(NH_4)_2SO_4方式结合.     

重庆涪陵大气污染物特征及其与气象要素的关系

利用重庆涪陵2010—2014年空气质量监测数据和同期的气象资料,分析了涪陵地区大气污染物的变化情况与气象要素的相关关系.结果表明:涪陵从2010到2014年空气质量有变好趋势,迎宾大道和兴华中路的空气质量总体较好,AQI指数优良天数分别占87%和85.6%,PM_(10)为涪陵首要污染物.PM_(10),SO_2质量浓度具有周期性变化特征,从1月至12月为先降低后升高的趋势,每年较冷的12月、1月、2月PM_(10)质量浓度值较高,较热的月份质量浓度值较低.NO_2质量浓度年际间变化幅度较小.PM_(10)与气温、降水量、相对湿度、平均风速具有负相关性,与气压具有正相关,即气温越高、降雨量越大、气压越低、风速越大,PM_(10)质量浓度越低.SO_2,NO_2与气温、气压、降水量均为负相关,与相对湿度正相关.不同月份大气污染物与气象要素的相关性存在较大差异.     

昆明市MODIS AOD与大气污染物浓度在气象因子影响下的相关性分析

利用昆明市2018年MODIS L1B数据通过暗像元法反演大气气溶胶光学厚度,分别与空气污染指数AQI、PM_(2.5)、PM_(10)、SO_2、NO_2、CO和O_3进行相关性分析。分析发现,AOD与AQI、PM_(2.5)、PM_(10)、CO、O_3的质量浓度有显著相关性,相关系数分别为0.502、0.411、0.512、-0.401、0.559,均满足0.05置信度要求,与SO_2、NO_2的相关仅为-0.084和-0.168,相关性程度较低;在进行垂直湿度修订后AOD与AQI、PM_(2.5)、PM_(10)、O_3的相关性有了显著的提升,但与SO_2、NO_2、CO并未得到提升;基于垂直湿度订正后的AOD分别与AQI、PM_(2.5)、PM_(10)、O_3建立最优拟合模型,并利用反演计算的AQI、PM_(2.5)、PM_(10)、O_3值与实测值进行拟合分析,其拟合优度R均大于0.700;引入湿度、风速、能见度、气温和气压等气象因素进行多元回归分析,结果显示,与最优拟合模型相比拟合优度分别提升11.76%、13.57%、12.02%及2.89%,说明利用MODIS L1B数据反演的AOD在经过垂直湿度订正并考虑气象因素的情况下,可以作为AQI指数估算及大气污染物质量浓度监测或者是地面辅助监测的一种手段。     

ECMWF和T639数值预报产品在兰州市空气质量预报应用中的对比

利用2013-2015年兰州市空气污染逐日监测资料,分析了兰州市6种主要空气污染物PM_(10)、PM_(2.5)、NO_2、SO_2、CO和O_3的污染特征;以2014年欧洲中期天气预报中心(ECMWF)资料与T639气象要素预报产品,结合兰州市同期污染物质量浓度监测数据,分别建立了基于最小二乘法支持向量机(LS-SVM)的6种主要空气污染物未来2d的日均质量浓度预报模型;将ECMWF和T639中2015年2月1日-10月31日的气象要素与同期污染物质量浓度监测数据分别输入各模型进行试预报检验.结果表明,以ECMWF建立的预报模型对未来2 d的PM_(10)、PM_(2.5)、NO_2、SO_2和CO的日均质量浓度的预报效果优于T639,而T639对预报O_3有一定优势.用ECMWF建立的预报模型对未来24 h的空气质量指数等级和首要污染物的预报成功率为86.14%,48 h的为82.33%;T639对应的未来24 h预报成功率为83.52%,48 h的为74.43%.两种数值预报产品均可应用于基于LS-SVM预报模型的空气质量预报,其中使用ECMWF的预报产品的释用预报效果整体上更好.     

宜宾市2018年移动源污染物排放清单与空间分布特征

移动源已成为城市大气污染的主要贡献源。基于MOVES模型和地理信息系统(ArcGIS)技术,建立了宜宾市2018年分辨率为2 km×2 km的移动源网格化排放清单。研究结果表明:宜宾市2018年移动源污染物碳氢化合物(THC)、CO、NO_X、PM_(2.5)、PM_(10)、NH_3、SO_2和挥发性有机化合物(VOC)的年排放量依次为0.33×10~4 t、3.53×10~4 t、1.29×10~4 t、0.56×10~3 t、0.59×10~3 t、0.16×10~3 t、0.98×10~3 t和1.82×10~3 t。摩托车和出租车是THC的主要贡献源,摩托车和小型客车是CO的主要贡献者,非道路移动机械和重型货车是NO_X、PM_(2.5)和PM_(10)的主要贡献源。THC和CO主要来自于道路国Ⅲ标准移动源,NO_X、PM_(2.5)、PM_(10)、NH_3和SO_2则主要来自于道路国Ⅳ标准移动源。     

西安市大气环境容量估算研究

为估算西安市大气环境容量,了解西安市大气环境质量现状,用国标《制定地方大气污染物排放标准的技术方法》中规定的以箱模型为基本模型推导出的宏观总量控制A值法,结果为西安市SO2,NO2,PM10大气环境年容量分别为4.2450×10^4,3.7351×10^4,9.5937×10^4t。估算结果表明,SO2和NO2环境容量剩余,可以满足当前工业生产的需要,而PM10的排放量已超过了西安市环境的承载力。     

集中供暖与非集中供暖城市的冬季大气污染状况——以天津和上海为例

为了解集中供暖和非集中供暖2种不同模式对空气质量的影响,基于天津和上海冬季采暖期及非采暖期的空气质量数据,分析不同供热模式下大气污染物的长时间变化和日变化特征及其影响因素.结果表明:天津和上海采暖期PM_(2.5)、PM_(10)、CO、NO_2和SO_2的质量浓度均高于非采暖期.天津采暖期PM_(2.5)、PM_(10)、CO和SO_2浓度较高主要是受到集中供暖消耗的化石燃料燃烧排放和大气逆温层2个方面因素的影响.上海虽然处于非集中供暖区,但也受到了北方城市供暖区远距离污染物传输的影响.天津集中供暖模式产生的PM_(2.5)、PM_(10)、CO和SO_2排放对空气质量的影响高于非集中供暖城市上海.与非采暖期相比,天津和上海采暖期NO_2浓度的增加量几乎一致,说明供暖活动对大气中NO_2的贡献并不明显;天津和上海采暖期O_3浓度均低于非采暖期,表明供暖活动未对O_3排放产生显著作用.采暖活动明显改变了天津PM_(2.5)、PM_(10)和CO的日变化特征;受采暖活动和逆温层的影响,SO_2和NO_2浓度均在夜间呈现升高趋势;O_3的日变化趋势未受采暖活动影响.与非采暖期对比,采暖期上海的非集中供暖未对污染物的日变化趋势产生显著影响.     

基于主成分分析法对河南省大气主要污染物关系的研究

以2015年河南省17个城市为研究对象,借助统计产品与服务解决方案(statistical product and service solutions,SPSS)软件对数据进行计算,运用主成分分析法对大气主要污染物数据进行分析.依据计算分析结果,提取占总方差85%以上的3个因子来反映空气的污染程度:1)PM_(10)、NO_2.2)CO、O_3.3)PM_(2.5)、SO_2.第一主成分的贡献率为52.049%;第二主成分的贡献率为25.306%;第三主成分的贡献率为13.947%.相关性分析发现:SO_2、NO_2与PM_(2.5)和PM_(10)的相关性显著,表明这几种污染物具有相似的来源;CO和O_3呈现出一定的负相关性,可能由于CO和O_3均是光化学反应的重要参与物质,这也表明河南省存在一定程度的光化学污染.分析结果将有助于为环保部门大气污染物的治理工作提供参考.