北京市大气PM2.5的季节特征和空间趋势（英文）

近年来,北京地区雾霾污染事件频发,大气PM2.5污染引起国内外强烈关注.利用北京市35个PM2.5监测站自2012年10月开始发布数据至2013年9月的小时观测数据,对其时空变化特征进行了分析.结果表明:(1)35个站点的平均PM32.5浓度为88.6μg/m;(2)PM2.5浓度与风速等气象要素关系密切,低浓度通常出现在大风天或者大风过后的紧邻时段,重污染天通常风速小,相邻天的PM2.5浓度可相差几倍甚至十倍以上;(3)PM2.5浓度随季节变化较大,1月和6月份较高,4月、8月和11月相对较低;(4)PM2.5浓度随站点类型变化明显,交通环境站点的平均浓度高于城市环境评价站点(可超过10%);(5)北部PM2.5浓度低于东部和南部,而与河北交界的南部和西南地区浓度为全区最高;(6)PM2.5浓度由北到南整体上呈线性增加趋势,每向南10 km,PM2.5平均浓度升高4.6μg/m3(R2=0.89),南部PM2.5平均浓度接近北部2倍;(7)PM2.5平均浓度存在一定的局部变化,但相邻站点变化幅度一般在20%以内.     

基于自动能见度观测的雾和霾天气判别指标研究

利用重庆沙坪坝气象站人工与自动能见度对比观测资料,分析了2种资料的一致性和差异,在1~10km能见度范围内,自动观测能见度值比人工观测能见度值偏低15%左右.按照人工能见度10km作为轻雾或霾的判别阈值,利用自动能见度观测值则应将轻雾和霾的判别阈值调整为8.5km.利用逐时自动能见度、相对湿度及PM2.5资料建立了重庆雾、霾天气判别指标,即:自动观测能见度≥1km且8.5km时,当相对湿度85%,判识为霾,当相对湿度≥85%且95%时,如果ρ(PM2.5)≥90μg/m3,判识为霾,如果ρ(PM2.5)90μg/m3,判识为轻雾;自动观测能见度1km时,当相对湿度≥95%判识为雾,反之应为雾、霾混合物.     

利用激光雷达和卫星遥感获得城市地面大气悬浮颗粒物浓度分布

使用香港元朗地区2008年MODIS卫星遥感的气溶胶光学厚度(AOD)产品、激光雷达气溶胶消光系数垂直分布、地面相对湿度和地面气溶胶浓度观测资料等数据,通过激光雷达数据建立地面消光系数和激光雷达AOD与气溶胶标高的关系,利用这一关系和卫星AOD进行地面消光系数的反演估计,并进行湿度订正;通过建立地面气溶胶浓度和地面消光系数的关系,进行卫星AOD产品和激光雷达气溶胶探测反演地面大气颗粒物质量浓度的研究及应用。结果表明,卫星估计的地面消光系数与小时平均的颗粒物质量浓度观测值的相关系数为0.57~0.86(PM2.5)和0.59~0.78(PM10),估计的质量浓度与小时平均的观测值对比的均方根偏差分别为11.64~25.34μg/m3(PM2.5)和24.64~91.64μg/m3(PM10),表明可以通过卫星遥感进行大气悬浮颗粒物污染的监测应用。其中1 km分辨率的AOD产品,因其更高的空间分辨率,更适合反映具有复杂地形的城市地区大气悬浮颗粒物污染。     

北京市城区单监测点PM2.5质量浓度变化特征

2009年在北京师范大学科技园内对PM2.5质量浓度的连续监测结果表明,PM2.5质量浓度的年均值为55.2μg.m-3,日均值在1.2~325.9μg.m-3之间变化,且频数分布呈现出明显的倾斜:大量的质量浓度值位于30~70μg.m-3之间;季节变化特征为冬季PM2.5污染水平明显高于其他季节;不同季节的日变化模式存在显著差异:整体上是冬季夜间质量浓度高于白天,夏季白天质量浓度高于夜晚,同时在各个季节下午16:00以后质量浓度都存在回升现象.     

基于多层组合模型的武汉市月平均PM2.5浓度预测

构建一款组合预测模型,精准预测武汉市PM2.5浓度,探讨其对地区空气质量产生的影响.研究结果显示,武汉市2020年1-4月份月平均PM2.5浓度实际值远小于预测值,差距最大的2月份,实际月平均PM2.5浓度比预测的正常值低30.37μg/m3,仅为预测值的55.63%.2020年5月份后,月平均PM2.5浓度预测值与实际值之间差距不明显.说明新冠疫情期间各地居民减少了户外活动,空气质量有明显改善.     

上海市淀山湖区域灰霾天大气颗粒物中碳组分的污染特征

采集了上海市淀山湖区域2015年3月至2016年2月灰霾天大气颗粒物中PM_(2.5)样品,重点分析了其中碳组分的污染特征。结果表明,PM_(2.5)年均质量浓度为(69.01±37.05)μg/m~3,数值与有机碳(OC)、元素碳(EC)和水溶性有机碳(WSOC)显著相关,相关性大小与灰霾程度有关。OC、EC的年均质量浓度分别为(4.46±3.41)μg/m~3和(2.15±1.31)μg/m~3,呈现冬季高、夏季低的趋势,两者显著相关,相关性大小同样与灰霾程度有关。WSOC的年均质量浓度为(2.07±1.40)μg/m~3,春季高于冬季,且灰霾天质量浓度大于非灰霾天相应值。碳组分对大气能见度的影响较大,需得到控制。     

京津冀区域颗粒物污染特征研究

京津冀区域是我国环境空气污染频发的重点区域之一.基于中国空气质量在线监测分析平台实时发布的2019年京津冀区域六个典型城市的颗粒物质量浓度数据,分析京津冀区域颗粒物污染特征.结果表明：京津冀区域日均PM2.5质量浓度小于等于60 μg/m3 天数占全年的68.49%-80.00%;PM10质量浓度小于等于140 μg/m3 天数占全年的75.14%-93.70%;京津冀区域颗粒物质量浓度的月分布呈“V”型规律,颗粒物质量浓度冬季最高,秋季和春季次之,夏季最低;颗粒物质量浓度日变化呈双峰型且与人为活动作息时间保持良好的一致性;应用皮尔逊相关分析法探讨不同城市间颗粒物的相关性,总结为东南和西南两条典型的显著相关路径;应用线性回归方法评估PM2.5与PM10的相关性,同一城市的PM2.5与PM10显著相关;应用空间差异率方法分析京津冀区域不同城市间颗粒物质量浓度的差异程度,石家庄和其他城市间的颗粒物空间差异率最高;天津与唐山的PM2.5空间差异最低,其COD值为0.14;天津和廊坊的PM10的空间差异最小,其COD值为0.14.     

2014—2018年南通市区PM2.5浓度的变化特征及影响因素

近年来,高浓度颗粒物所带来的霾污染在南通市经常发生,但已有文献对其关注较少。文章以南通市区5个大气环境监测站点发布的小时数据为基础,运用数理统计法详细分析了2014—2018年PM2.5浓度在不同时间尺度上呈现出的特征和变化规律。结果表明:1)年尺度上,5年间南通市区PM2.5平均质量浓度总体呈下降趋势,但逐年值均超过国家Ⅱ级污染限值,超出率为11%～74%,表明城市雾霾污染仍不可忽视。2)季节和月变化上,南通市区的PM2.5质量浓度为“冬季最高,春季次之,夏、秋两季最低”。除此之外,冬季污染日出现多,占全部污染日的54%,这反映出南通市区雾霾污染在冬季不仅污染严重且发生率高。在60个月份中,75%的月均值超过35μg/m3。3)日变化上,PM2.5日质量浓度概率密度曲线表明,南通市区出现频率最高的PM2.5日质量浓度为20～40μg/m3,表明大部分时段空气质量是优良状态;在24时刻内,PM2.5质量浓度变化呈“双峰型”曲线,上午9:00前后和晚间10:00前后污染最重,下午4:00污染最轻。从影响因素看,南通市区PM2.5污染特征与其地理位置及天气条件、人类活动污染排放等多种因素相关,尤其是地方特定的湿度环境有可能加剧霾污染程度。     

合肥市灰霾大气污染特征浅析

根据《灰霾污染日判别标准(试行)》判别标准,合肥市2013年PM10、PM2.5等浓度值及天气统计数据,分析了灰霾天气下,不同PM2.5浓度区间及不同PM2.5/PM10区间的气象特征。在非灰霾天气下,剖析了降水、无降水,能见度5km及无降水,能见度5km且相对湿度95%,主要是有雾或者雾霾混合的天气下的气象特征。得出如下结论:合肥市灰霾天气主要出现在1月和12月,这个期间降水量低,轻微的降水沉降颗粒物效果不明显,风速明显低于非灰霾时期,不利于颗粒物扩散,气压呈增加趋势,增加了大气的温度性,也不利于污染物扩散,导致污染物浓度增加。PM2.5是导致灰霾天气的主要原因。     

北京市夏季大气气溶胶 PM2.5和 PM10成分特征?

对北京市城区2012年夏季大气对气溶胶进行每日PM2.5和PM10石英膜采样,得到了可溶性离子质量浓度和16种元素的质量浓度,并结合气象观测值进行了分析.结果显示,采样期间,PM2.5质量浓度为9.58~210.42μg·m-3,平均值102.81μg·m-3;PM10质量浓度为33.75~288.33μg·m-3,平均值159.66μg·m-3.PM2.5和PM10质量浓度都与采样点能见度、风速呈负相关,与相对湿度呈正相关.质子荧光分析(PIXE)结果显示,S、K、Ca和Fe在PIXE可分析元素中含量较高,在PM2.5和PM10都占89%.且元素Ca、Ti、Sc、Cr、Fe主要存在于粗粒子(PM2.5~10)中,而元素S、Cu、Zn、As、Br、Pb主要存在于细粒子(PM2.5)中.富集因子分析表明,元素K、Ca、Ti、V、Mn、Ni主要为地壳来源,元素S、Cl、Cu、Zn、As、Br、Pb主要来自于人为源.SO2-4、NO-3、NH+43种可溶性离子总质量浓度占PM2.5浓度的43.5%,占PM10浓度的25.4%.     

南宁市空气中细颗粒物污染水平及其与气象因素的关系

分别于2010年1月和3月在南宁市城中心区的市监测站、文教区的区农校、工业区的英华嘉园、城市郊区的仙葫,应用自动监测仪器监测空气颗粒物的浓度,并分析监测站点位细颗粒物浓度随季节的变化及其与日平均气温、风速和降雨量等气象因素的关系.结果发现,1月份和3月份南宁市城市中心区域的细颗粒物浓度高于郊区的,城市区域范围内则以下风...     

南宁市灰霾天气与空气污染物关系分析

根据2010年6月1日至2011年5月31日南宁市的环境监测数据和气象数据,分析南宁市灰霾天气特征,然后通过SPSS软件分析灰霾天气与能见度、颗粒物(PM2.5、PM10)浓度、气态污染物浓度和空气污染指数的关系,探讨南宁市灰霾天气与空气污染物的关系。结果发现,南宁市灰霾天气主要分布在秋、冬两季,PM2.5是直接造成南宁市灰霾天气的主要因子,PM10、SO2、NO2、CO和O3对灰霾天气的发生也有一定影响。PM2.5与PM10相关性最显著,与SO2、NO2相关性较显著,与CO相关性显著,与O3相关性不显著。     

基于无线传感网络的大气环境pm2.5污染状况实时监测

大气环境中以PM2.5污染问题最为突出。由于无线传威网络的迅速发展为大气环境的实时监测提供了便利条件,于是提出对PM2.5污染状况进行监测。首先,以大气光谱吸收原理为基础,将谐波检测技术与双光路差分法结合后对气体中的PM2.5颗粒浓度物进行检测。由于气体中颗粒物对光谱吸收受波长影响,通过利用激光器的调频特性对发射光源进行调整,获取的输出光信号与调制频率相关,从而得到谐波分量信号中的大气PM2.5颗粒物浓度。其次,运用无线传感网的网络路由器将信号传输到监测终端,并利用人工鱼群理论对目标区域的网络覆盖率、未休眠节点及系统能耗等进行优化,达到有效采集PM2.5浓度信号以完成污染状况监测的目的。实验证明通过对大气环境PM2.5污染状况的有效监测为雾霾治理提供了数据支持。     

土地利用与景观格局对PM2.5浓度的影响--以深圳市为例

以深圳市为研究区,利用空气质量监测站点PM2.5浓度数据,选取类型水平的景观类型所占比例(PLAND),边缘密度(ED),以及景观水平的蔓延度(CONTAG),斑块数量(NP)和斑块平均面积(AREA_MN)共5个景观指数,并结合道路长度、餐饮点分布数量、海拔和土地利用类型等影响PM2.5浓度的因子,运用相关分析和多元逐步回归分析方法,探究深圳市土地利用和城市景观格局对PM2.5浓度的影响。结果表明:1)土地利用中,植被对PM2.5浓度的削减起着至关重要的作用;2)城市各类型景观格局特征中,组成特征(PLAND)和结构特征(ED)对PM2.5浓度的影响显著;3)城市整体景观中,景观水平的破碎度与PM2.5浓度关系密切。研究结果可以加深对景观生态学中过程–格局相互作用的认识,为大气污染防治和城市景观格局的规划管理提供参考和借鉴,同时在监测数据缺失的情况下,提供一种借助景观指数估算PM2.5浓度的方法。     

基于消光系数的机场PM2.5质量浓度神经网络预测模型

分析了气溶胶粒径吸湿增长因子、风速和NO_2与消光系数和PM_(2.5)质量浓度之间的相关性及影响规律。提出了一种基于消光系数的机场PM_(2.5)质量浓度神经网络预测模型。首先,建立消光系数与PM_(2.5)质量浓度之间的定量关系,并分析相对湿度对其影响。然后,分析风速和NO_2对消光系数和PM_(2.5)质量浓度的影响。最后,将四项参数与PM_(2.5)质量浓度之间的复杂关系通过模糊神经网络进行学习和表达,实现PM_(2.5)质量浓度的预测。使用实测PM_(2.5)质量浓度数据对预测模型进行了对比验证。结果表明,该预测模型的预测精度较高,能较为客观的反映机场PM_(2.5)质量浓度的变化情况,这对研究颗粒物质量浓度对机场能见度的影响规律以及机场周边污染治理决策提供数据支持具有重要的意义。     

南宁市PM2.5浓度与气象因素的关系研究

摘 要 空气污染主要与污染源的排放、气象条件、地形地貌三方面因素有关。对南宁市空气质量指数与气象因素的关系进行研究,进一步探究空气污染的主要污染源PM2.5与气象因素之间的关系,分析了促进空气污染发生的气象条件。并在此基础上建立多元线性模型对空气污染物PM2.5的浓度值进行预测。结果表明预测模型拟合度R2值最大达到了0.747,说明了该模型预测效果良好并能够适用于南宁市空气污染物PM2.5的监测和预报。     

Inorganic chemical composition and source signature of PM2.5 in Beijing during ACE-Asia period

Aerosol samples for PM2.5 were collected in Beijing for 38 consecutive days from March to April 2001 using an IMPROVE Sampler. Concentrations of 20 elements in PM2.5 were determined using a PIXE method. Results show that the average mineral dust concentration of PM2.5 was 14.6 Ilg/m3 during the observation period. On the sand-dust event days of March 21 and April 10, dust PM2.5 mass concentrations were 62.4 and 54.1 μg/m^3, respectively.These demonstrate that fine particle pollution by dust event in Beijing was very severe. The enrichment factors of S and Cu reached minimums on the dusty days and were high on the non-dusty days. It is considered that enrichment factors of elements in PM2.5, which are associated with human activities, can probably provide an effective method to distinguish local sources from external sources of dust. Factor analysis on the chemical composition in PM2.5 shows that sources of crustal matters, anthropogenic emission, and oil combustion contributed to PM2.5 levels in air in the springtime of 2001 in Beijing.     

石家庄市采暖期空气质量特征及其与气象条件的关系

为确定石家庄市采暖期易引发大气污染的气象条件,通过对石家庄市2016—2018年采暖期的空气质量逐日监测数据,以及同期气象观测资料进行研究,分析了石家庄市采暖期的空气质量变化特征,探讨了影响环境数据变化的主要气象要素,筛选并确定了PM_(10)、PM_(2.5)、AQI的污染气象指标。结果表明:石家庄市采暖期内所有天数均为非一级天,其中污染日较多,占69.58%,以PM_(2.5)为首要污染物的天数最多,其次是PM_(10);PM_(10)、PM_(2.5)、SO_2、NO_2、CO浓度与气温、变压、风速和混合层高度负相关,与相对湿度正相关(SO_2除外),O_3与气象要素的相关性和上述五种污染物相反;气象要素对大气环境影响的排序为:相对湿度风速混合层高度水汽压变压气温;确定的三种污染气象指标准确率分别是70.37%、70.37%、72.97%。     

空气中PM2.5浓度的灰色预测与关联因素分析

2013年1月开始,国内持续的大范围雾霾天气,将PM2.5问题推向了舆论热潮的顶峰.结合武汉市监测点的数据建立灰色预测GM(1,1)模型,并编写VB程序建立GM(1,1)系统,对未来短期PM2.5浓度变化进行预测,弥补了监测过程中缺失的数据.此外,根据武汉市空气质量监测数据和京津冀、上海、广东及全国其他地区的工业废气、粉尘排放量数据进行灰色关联度分析,得出CO,O3,NH3和NH4NO3与PM2.5浓度的相关性较强,从而为进一步研究PM2.5提供科学依据.     

PM2.5变化趋势的联合多重分形分析

PM2.5是造成雾霾天气、降低能见度,影响交通安全的主要因素。首先基于主成分分析法分析得出PM10最能影响PM2.5浓度变化,再利用联合多重分形探究不同城市的PM2.5与PM10之间的关系。从而得出西安市及伦敦市的PM2.5和PM10之间的关系具有一致性,即PM10浓度偏低时PM2.5也偏低,而PM10浓度偏高时PM2.5却偏低。无论PM10浓度如何变化,相对而言,伦敦市PM2.5浓度波动更剧烈些。