南昌一次持续雾霾天气成因分析

使用2013年冬季的1次雾霾持续过程的气象观测数据、L波段雷达观测数据和Grimm180颗粒物检测仪观测数据进行相关性分析,结果表明:南昌地区1月下旬PM10、PM2.5、PM1.0与风速呈明显的负相关关系,即风速越大,颗粒物浓度越小;地面风向为E时,南昌出现霾的次数最多;PM10、PM2.5、PM1.0与能见度呈现明显的负相关性,即气溶胶颗粒物的浓度增加时,能见度明显降低;在未降水日PM10、PM2.5、PM1.0与相对湿度呈明显的正相关性;当产生降水时,降水对PM10、PM2.5、PM1.0的清除作用显著,PM10、PM2.5、PM1.0与相对湿度呈负相关性。     

黔江城区大气环境质量与气象要素的关系研究

采用"十二五"期间黔江城区大气观测数据,结合多元统计分析方法,研究了气象因子与空气污染指数(API)及PM10,SO2,NO2的质量浓度变化特征关系.结果表明:气象因素对空气质量变化产生一定影响,降水对改善空气质量作用明显,日降水量为24mm时,API下降值达到最大,日降水量持续达到49mm以上时,净化作用减弱.气压、温度、湿度对API,PM10质量浓度影响较大;风向、风速对API、污染物质量浓度影响程度不大,风向在低风速区对空气质量变化产生一定影响.相关分析表明,降水对API,PM10的相关性分析具有统计学意义(p0.05),对SO2,NO2影响的相关性分析极具统计学意义(p0.01);气压、温度、湿度、风速、风向对API,PM10,SO2,NO2影响的相关性分析极具统计学意义(p0.01).因子分析表明,气压、温度、湿度、风速对黔江城区大气质量影响较为明显.     

北京奥森公园侧柏林空气颗粒物不同季节变化规律

本文通过对北京市奥森公园侧柏林内外,一年四季4种粒径空气颗粒物浓度全天24h监测、并同步观测空气温湿度、风速、光照等气象因子,分析了林内外不同粒径颗粒物浓度的四季变化、日变化和小粒径颗粒物所占比例日变化规律,并对各粒径颗粒物与小气候因子之间的相关性和显著性进行分析,结果表明：1)侧柏林内外空气颗粒物浓度虽然在不同季节表现出不同的变化规律,但总体来说,林缘的均值高于林内均值,且夜间浓度高于白天,且四季均在5:00-7:00时间段不同程度达到峰值;2)从不同粒径颗粒物浓度的四季变化来看,林内TSP、PM10和PM2.5浓度的高低排序为：冬季＞秋季＞夏季＞春季,PM1.0颗粒物浓度的排序为：冬季＞夏季＞秋季＞春季;林缘TSP、PM10和 PM1.0浓度的高低排序与林内一致,而PM2.5浓度的高低排序为：冬季＞夏季＞秋季＞春季;3)林内外小粒径颗粒物所占比例的四季变化：与颗粒物浓度的季节变化相似均是冬季最大,夏季次之,秋季、春季最小;4)在一定范围内,林内外空气颗粒物浓度与相对湿度、光照均呈正相关,温度和风速呈负相关,且林缘的颗粒物浓度与风速呈显著负相关,随着粒径的减小,相关性变大。说明侧柏林内较林缘相比有较好的滞尘效果,适合保健型园林的开发和建设。     

兰州市供暖期PM10浓度与气象因子分析

为研究兰州市供暖期内PM10浓度变化及其与气象因子的关系,于2007、2008年供暖期在兰州市4个典型城区,用Dust Trak Model 8530采集了303个PM10样品并收集同期3种（风速、相对湿度、气温）气象数据。运用数据统计分析方法,描述了供暖期PM10浓度的月变化和日变化趋势,同时分析了PM10日均浓度与气象因子的相关性。结果表明：（1）兰州市供暖期PM10污染十分严重,2007、2008年PM10的超标率分别为78.5%、54.5%,最大超标倍数分别达到2.27、2.81,PM10浓度日变化呈“双峰双谷”型;（2）PM10日均浓度与风速呈典型的二次函数关系,与相对湿度呈显著的负相关线性关系,而其与气温相关性不显著。     

长沙市PM2.5浓度时空分布特征及影响因子分析

为分析长沙市PM2.5浓度时间变化特征、空间分布特征及其影响因子,利用数据统计分析、克里金空间插值技术、地理探测器等方法与Arc GIS平台表达,选取长沙市中心城区10个监测点2013—2019年PM2.5日变化数据.结果显示:在PM2.5浓度时间变化特征方面,不同季节中,PM2.5浓度表现出冬季>秋季>春季>夏季的季节特征,不同时段中,各季节PM2.5浓度日均小时变化曲线均大致呈双峰形态;在PM2.5浓度空间变化特征方面,PM2.5浓度的高值区主要分布在中部芙蓉区,整体呈城区向郊区逐渐递减的变化规律.根据地理探测器研究结果发现,2017年长沙主城区PM2.5浓度主要受气温、降雨和风速因子影响,其次是道路、相对湿度、气压和人口密度,高程、植被和餐饮因子影响较小;且任意两个影响因子共同作用均会对PM2.5浓度影响增强.     

济南市气象要素对大气污染物浓度的影响

利用2014-12-01—2015-11-30期间济南市空气质量的监测数据,运用Spearman秩相关分析法研究该市大气中细颗粒物PM_(2.5)、可吸入颗粒物PM_(10)、臭氧(O_3)的浓度与气象要素之间的相关性,其中气象要素选取温度、相对湿度和风速。结果表明:PM_(2.5)、PM_(10)及O_3与气象要素有显著的相关性,PM_(2.5)、PM_(10)的浓度与相对湿度呈正相关,与温度和风速呈负相关,O_3的浓度与温度和风速呈正相关,与相对湿度呈负相关;PM_(2.5)、PM_(10)浓度的日变化特征呈双峰双谷型,O_3浓度的日变化特征呈单峰单谷型;PM_(2.5)、PM_(10)的浓度在冬季、秋季、春季较大,在夏季较小;O_3的浓度在夏季最大,在冬季、秋季、春季相对较小,O_3已成为影响济南市夏季空气质量的首要污染物。     

贵阳市西郊PM10污染特征及其与主要气象因素的关系探讨

对贵阳市西郊一贵州大学蔡家关校区的PM10进行了系统采样,分析了PM10的污染水平及在时间上的污染特征,并探讨了PM10与主要气象因素（如相对湿度、风速、气压、温度等）的关系。结果表明：贵阳市西郊PM10出现轻度污染,且春、夏、秋季PM10超标率分别是24％,25％,14％,超标倍数范围分别是0．04～0．49,0．02～0．35,0．09～0．48;春、夏、秋季的PM10／TSP比值平均值分别为62％,72％,69％,与北京、西安等城市的PM10／TSP比值结果相当,略高于安阳市;春、夏、秋季PM10浓度变化不大,夏季略高、秋季次高,春季略低。春季和秋末白天易出现高浓度污染,而夏季夜间易出现高浓度污染;PM10浓度与相对湿度、风速呈负相关关系,与气压呈正相关关系,与温度的相关性不大。     

铜陵市空气污染物浓度日变化特征的观测分析

选择位于长江南岸的铜陵市为研究区域,利用2007~2010年空气污染物浓度监测数据与气象要素观测资料,分析二氧化硫(SO2)、二氧化氮(NO2)和可吸入颗粒物(PM10)浓度的日变化特征及其与气象要素之间的关系.结果表明,铜陵市空气污染物浓度和气象要素的日变化主要有"单峰单谷型"和"双峰双谷型"两种,SO2和PM10的日变化规律空间差异不显著,NO2的日变化存在明显空间差异.主要污染源附近的监测点,浓度日变化规律与气压、相对湿度和气温3个要素日变化之间存在相关性,而与风速、降水的日变化规律无关.周边无污染物排放的监测点,浓度日变化规律不仅与气压、相对湿度和气温日变化存在显著相关,还与风速呈反向相关关系.对于周边虽有部分污染源,但不是区域内的主要污染源的监测点,浓度日变化与气象要素之间无统一的相关性.     

全球气候变化下的半干旱区相对湿度变化研究

为揭示全球气候变化下半干旱区空气相对湿度的变化规律,利用线性回归分析、多元线性相关分析以及M-K检验法对吉林省西部5个站点的1953年以来的相对湿度、气温、降水和风速资料进行了研究.结果表明:相对湿度的年变化曲线呈双峰型,相对湿度的最大值出现在8月,次大值出现在1月,最小值出现在4月,次小值出现在10月.夏、秋季的相对湿度较大,而春、冬季的相对湿度较小.近50年,年平均相对湿度及春、夏、秋、冬四季的相对湿度在波动中下降,下降趋势不显著;但是9月和10月的平均相对湿度下降显著.影响相对湿度变化的主要因子是温度和降水,风速也起一定的作用.相对湿度的变化与温度和风速变化呈负相关关系,与降水变化呈正相关关系.     

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。     

海口市空气质量的特征及其与气象条件的关系

根据海口市2013—2014年空气污染物的监测数据及气象资料,研究了该市的空气质量特征及其与气象要素的关系.结果表明:海口市空气质量优良率为95%;PM_(2.5),PM_(10),O_3是该市的主要污染物,年均质量浓度分别为25.29μg·m~(-3),44.48μg·m~(-3),77.15μg·m~(-3);该市的空气质量随季节变化的特征明显,春、夏、秋、冬四季的AQI值分别为42,35,54,65;污染物的"周末效应"与北京、深圳等国内其他城市不同,表现为:周末浓度大于工作日浓度;旅游黄金周期间污染物均有不同程度增加;污染物日变化特征明显;SO_2,PM_(2.5)表现出一定的区域污染特征;NO_2,PM_(10),CO和O_3表现出一定的局部污染特征;降水、风速、风向、温度、湿度对空气质量的影响显著,在多数情况下AQI与降水、风速、温度、湿度等存在负相关,而与气压存在正相关;对典型污染过程的分析表明:PM_(2.5)受扩散条件、本地排放及外地输送共同影响,O_3浓度与蒸发量、相对湿度及风速等指标有明显关系.     

福州市PM_(10)浓度与气象因素的非参数分析

分析了福州市PM_(10)浓度的季节变化特征,并采用非参数分析方法对福州市PM_(10)在不同季节的浓度水平与各气象因素的相关性进行了研究。结果表明,不同季节影响PM_(10)浓度的气象因素各不相同。PM_(10)浓度与各气象因素的相关性分析表明:只有秋季PM_(10)浓度与气压有显著的相关性;春季和夏季PM_(10)浓度与气温有显著相关性,相关系数分别为0.319和0.249;四个季节中,冬季、春季PM_(10)浓度与相对湿度有显著的负相关;福州春季PM_(10)浓度与日照有显著的正相关;福州只有秋季PM_(10)浓度与风速的相关性较为显著,而其他三个季节均无显著相关性。     

拉萨市几种空气污染物浓度变化与气象要素之间的关系分析

文章利用2000年6月至2005年12月拉萨市几种主要污染物SO2、NO2及PM10的浓度逐日监测数据,以及风速、风向、降水、水平能见度及太阳总辐射量等资料,分别对拉萨市几种主要污染物浓度与同期气象要素之间的关系进行了分析,并针对冬夏气候特点,分析了夏半年、冬半年拉萨市NO2污染物浓度与太阳总辐射量的相互关系。结果表明：拉萨市空气质量总体上保持良好水平;三种污染物浓度与降水强度呈显著负相关;SO2和NO2浓度与风速呈负相关,与风向变化不大,而PM10与风速、能见度呈正相关关系;在干（冬）季时,NO2的浓度值要比湿季时略高,且NO2浓度值与太阳总辐射量之间呈负相关。     

拉萨市几种空气污染物浓度变化与气象要素之间的关系分析

文章利用2000年6月至2005年12月拉萨市几种主要污染物SO2、NO2及PM10的浓度逐日监测数据,以及风速、风向、降水、水平能见度及太阳总辐射量等资料,分别对拉萨市几种主要污染物浓度与同期气象要素之间的关系进行了分析,并针对冬夏气候特点,分析了夏半年、冬半年拉萨市NO2污染物浓度与太阳总辐射量的相互关系。结果表明:拉萨市空气质量总体上保持良好水平;三种污染物浓度与降水强度呈显著负相关;SO2和NO2浓度与风速呈负相关,与风向变化不大,而PM10与风速、能见度呈正相关关系;在干(冬)季时,NO2的浓度值要比湿季时略高,且NO2浓度值与太阳总辐射量之间呈负相关。     

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.     

兰州市空气污染与气象条件关系分析

利用20012003,20072008年兰州市环境保护局环境监测站SO2,NO2,PM10逐日质量浓度监测资料及同期兰州市气象局的常规气象观测资料,分析了兰州市空气污染的变化特征,探讨了SO2,NO2和PM10质量浓度与气象条件的关系.结果表明:兰州市空气质量以良和轻微污染天气状况为主,空气污染状况呈现冬季加重夏季减轻的年变化特征.吹东北风不利于污染物稀释扩散,吹西北风有利于污染物稀释扩散,降水、相对湿度和风速等气象条件对空气污染状况有显著影响,另外该市城市热岛效应与空气污染状况有明显相关关系.     

河南省供暖期大气污染特征及预测分析——以郑州市为例

近年来河南省大气污染问题引起社会的广泛关注,但有关供暖期间大气污染方面的研究相对较少.以郑州市为例,分析郑州市供暖期间大气颗粒物的浓度变化并进行预测,对提高当地空气质量具有重要意义.基于2014-2016年郑州市空气质量监测数据和同期气象数据,利用SPSS相关分析和BP神经网络模型,分析郑州市供暖期间PM2.5、PM10的超标情况、日变化特征,探究气象要素对PM2.5和PM10的影响,最后预测AQI指数的变化.结果表明:2014年供暖期郑州市空气质量相对较差,PM2.5和PM10平均质量浓度超标率最高;2015年供暖期郑州市空气质量相对较好,PM2.5和PM10平均浓度变化幅度较大;2014-2016年供暖期间郑州市PM2.5和PM10浓度具有明显的日变化特征,呈现双峰型变化;2014-2016年供暖期郑州市PM2.5、PM10与日均气温相关性不显著,与日均风速呈显著负相关,与日均相对湿度呈显著正相关;当供暖期郑州市主导风向为正西风时,污染天气出现频率较低;利用BP神经网络预测2016年AQI的精度较高,预测值与实测值相关系数为0.85.     

MODIS气溶胶光学厚度产品在地面PM_(10)监测方面的应用研究

利用MODIS(中分辨率成像光谱仪)两年的气溶胶光学厚度(AOD)产品与北京地区API转化得到的PM10质量浓度、北京大学站点直接监测的PM10质量浓度以及香港元朗站点监测的PM10质量浓度做相关性分析,发现二者的直接相关程度较低。将AOD除以气溶胶季节标高,得到地面消光系数,与地面PM10质量浓度相关性提高。对地面消光系数进行相对湿度订正,得到计算的质量浓度,与地面实际观测的PM10质量浓度相关性进一步提高。经过两年时间资料的对比分析,证实气溶胶遥感光学厚度经过垂直和湿度影响订正后,可以应用于地面PM10监测。     

长春市PM_(10)污染特征及与气象因素的相关分析

为了研究长春市PM10污染特征以及影响PM10浓度的因素,利用长春市PM10的实时监测资料,分析长春市PM10浓度的季节变化特征和污染程度.并利用同期的气象资料,建立PM10浓度和气象因素之间的多元线性回归模型,来进行两者之间的相关分析.采用逐步回归法,建立了"最优"回归方程,分析不同季节对污染物浓度有显著影响的气象因素,从而为长春市大气污染防治和雾霾天气预测提供科学依据.结果表明,长春市PM10浓度冬季偏高、夏季偏低、春季和秋季居中,2013年全年中1、4、10月份出现了不同程度的高污染现象,日平均浓度最高值达到591μg/m3.研究发现对长春市PM10有显著影响的气象因素主要有当日平均风速和最高最低气温温差.     

北京地区PM10质量浓度与边界层气象要素相关性分析

对北京市2007年观象台观测站PM₁₀质量浓度资料、观象台气象自动站资料、风廓线资料和探空资料进行了数据分析。结果表明, 在污染物源强一定的条件下, 污染物的积累、稀释、扩散和清除主要取决于气象条件。近地面风速、温度、湿度、气压和边界层高度等气象条件对于可吸入颗粒物的污染程度有着很重要的影响: PM₁₀质量浓度与地面风速、温度、湿度、气压和大气边界层高度呈显著相关性, 并且相关性随季节变化明显。其中, 6月PM₁₀质量浓度与地面风速和大气边界层高度呈负相关性, 而与温度呈正相关, 11月则与温度成负相关; 风速与PM₁₀质量浓度之间的相关性可以用二次多项式来描述, 二者呈“U”形变化。另外由11月份PM₁₀质量浓度资料的分析表明, 当月PM₁₀质量浓度最小值对应的风速为4.1 m/s。