张家界市旅游旺季PM2.5质量浓度的变化特征

为了探讨大气污染物对旅游活动强弱的反应机制，以典型生态旅游城市张家界市2017年旅游旺季时段4个空气质量自动监测站点的PM_2.5质量浓度数据为研究对象，采用消除趋势波动分析方法探讨PM_2.5的周末效应.结果表明，永定新区、电业局和未央路站点的PM_2.5质量浓度的波动日变化曲线基本一致，表现出双峰型，波峰分别出现在13：00和22：00左右，而袁家界站点与它们相比，存在明显差异；永定新区和电业局站点工作日的PM_2.5质量浓度略高于周末，而未央路和袁家界站点周末的PM_2.5质量浓度高于工作日.为了进一步探讨PM_2.5质量浓度变化的内在规律，对各站点PM_2.5质量浓度序列进行消除趋势波动分析，发现各站点PM_2.5质量浓度序列均表现出明显的长期持续性特征，且城区站点的长期持续性存在拐点，而景区站点和临近景区站点的不存在拐点，推测可能是景区受旅游活动干扰较多而致.     

上海市大气环境中PM2.5/PM10时空分布特征

针对上海市颗粒物的污染和防治问题,利用2014年4月14日—2015年3月24日10个国控监测点的PM_2.5和PM₁₀小时数据及对应的气象因素资料,以PM_2.5质量浓度占PM₁₀质量浓度的比例为研究对象,使用聚类分析和相关性分析PM2.5/PM₁₀的时空分布特征. 结果表明:P_2.5和PM₁₀的季节高低为冬>春>秋>夏,PM_2.5/PM₁₀的季节分布在不同区域存在差异性. PM_2.5/PM₁₀的日变化呈现双峰型趋势,峰值出现在05:00和14:00左右,上午PM_2.5/PM₁₀高于下午. 颗粒物质量浓度及PM_2.5/PM₁₀具有明显的“周末效应”,这与车辆通行政策与人类作息时间变动相关. 在空间分布上,颗粒物质量浓度及PM_2.5/PM₁₀均表现为背景站>浦西站>浦东站.     

呼和浩特市大气污染特征及气象条件影响分析

为了解呼和浩特大气污染防治效果,选取呼和浩特市2017—2022年的主要大气污染物、气象要素数据,对污染物浓度的年、月变化、浓度比值、相关性进行分析,利用后向轨迹聚类对2020年3月进行分析。分析结果表明：呼和浩特市2017—2022年空气质量为优、良的天数呈上升趋势。各污染物浓度年变化特征明显,各污染物的浓度变化趋势除O₃均呈“U”形分布。PM_2.5、PM₁₀污染是呼和浩特市大气污染主要研究对象,PM_2.5/PM₁₀的值有明显的月变化特征,5月份为全年最低值。PM_2.5和PM₁₀高度相关性,而NO₂和SO₂与PM_2.5、PM₁₀均呈现正相关性。受气象要素影响,PM_2.5和PM₁₀污染物浓度变化趋势为夏低冬高,7、8月降雨量大,有利于空气质量改善,降水可带走、稀释更多的污染物。而后向轨迹聚类分析得4条气团...     

基于属性识别模型的铜仁市空气质量评价

为行政部门有效治理城市环境和生态保护,科学客观评价空气质量极为重要。本研究以铜仁市为对象,统计分析了2015—2020年铜仁市空气污染物变化动态特征,同时利用属性识别模型综合评价了铜仁市空气质量水平。研究结果表明：1)铜仁市主要污染物是PM_2.5、PM₁₀和O₃,其污染程度为PM_2.5>PM₁₀≈O₃,PM_2.5和PM₁₀浓度水平处于Ⅱ级标准,PM_2.5在冬季处于不达标水平,PM₁₀于2020年达Ⅰ级以下标准,有显著好转,O₃浓度2016年以来显著增加,存在污染风险。2)铜仁市近几年空气综合质量均为Ⅰ级标准,但空气质量综合水平呈下降趋势,主要原因在于PM_2.5作为首要的空气污染物,污染水平一直没有得到有效控制。此外,O₃污染程度风险增加。因此,PM_2.5和O₃     

基于多源数据的北京地区PM2.5暴露风险评估

基于2014-2016年的北京地区PM_2.5监测数据, 用空间插值法获得北京地区的PM_2.5空间分布, 并基于DMSP/OLS夜间灯光数据, 模拟得到北京地区的人口密度空间分布。在此基础上, 从PM_2.5浓度空间分布、PM_2.5污染的人口暴露特征、PM_2.5污染人口暴露强度以及人口加权PM_2.5浓度4个方面评估北京地区PM_2.5污染暴露风险。结果显示: 1)PM_2.5浓度呈现南高北低的空间分布特征, 人口暴露风险空间分布与人口密度空间分布呈现高度的一致性, 即人口密度高的区域,PM_2.5污染人口暴露风险也相对较高; 2) 2014, 2015, 2016年北京地区GB3095-2012二级年均浓度标准35 μg/m³的超标人口比例均为100%, 24小时平均浓度标准75 μg/m³的超标人口比例呈逐年显著下降趋势; 3) 2014-2016年北京市人口加权PM_2.5年均浓度值与PM_2.5年均值均存在差异, 差异度与城市暴露人口和污染情况密切相关; 4) 由于PM_2.5污染物浓度空间分布特征与人口密度空间分布特征不同, 北京市PM_2.5污染对总体人群的实际影响和健康危害与其平均浓度水平并不相同, 因此考虑人口密度空间分布特征的暴露风险评估比只考虑PM_2.5污染物浓度的暴露风险评估更准确。     

基于气象要素的鸡公山景区PM10浓度预测

利用鸡公山景区2019年环境空气质量监测数据,研究了景区PM₁₀污染特征及与气象要素的时序变化关系,构建了基于单气象要素的PM₁₀浓度预测回归模型.结果表明：(1)景区PM₁₀年均浓度为61.85μg·m^-3,PM₁₀污染季节差异明显,并呈逐年下降趋势.(2)PM₁₀时均浓度与气压等4个气象要素之间存在极显著的多元线性回归关系(P<0.01).(3)气压和气温是影响PM₁₀污染的主要气象要素.(4)在全年时尺度、大样本容量下,气压或气温与PM₁₀浓度间的回归模型精度均较低.为此,采取在气压或气温的等值点、小梯度递增与对应的PM₁₀浓度值域一并平均处理后再回归,显著提高了两者间的回归精度.基于气压或气温预测PM₁₀浓度是适宜的.开展PM₁₀浓度预测研究,对提升景区空气质量预报能力、促进景区森林康养功能开发均具有一定的科学意义.     

公园绿地及周边环境PM2.5浓度特征及影响因素

【目的】评价城市公园对降低大气PM_2.5质量浓度的作用,同时探讨环境因素对PM_2.5质量浓度的影响。【方法】以北京市北小河公园为研究对象,通过PM_2.5质量浓度监测仪测定公园绿地内、公园附近建筑室内及公园道路旁(开敞空间)的PM_2.5质量浓度,对公园及其附近建筑室内与道路旁PM_2.5浓度做差异对比分析,同时监测温湿度、风速及气压、车流量,以分析环境因素对PM_2.5质量浓度的影响。【结果】①公园及其附近建筑室内与道路旁PM_2.5浓度日变化趋势基本一致,呈现双峰单谷型,即早晚高、白天低。②无污染或轻度污染时,公园绿地PM_2.5质量浓度均低于道路旁及附近建筑室内,PM_2.5质量浓度分别降低了5.7%和6.9%,说明公园绿地对PM_2.5有一定的滞留作用; 中度污染天气条件下,公园内PM_2.5浓度同样低于道路旁与建筑室内,降幅分别为3.6%和7.3%,公园绿地对PM_2.5仍有一定的滞留作用; 重度污染质量条件下,公园内PM_2.5质量浓度略低于道路旁,降幅仅为0.3%,而比建筑室内升高了5.5%。③公园绿地PM_2.5质量浓度与温度、风速呈负相关关系,与相对湿度、气压呈正相关关系; 道路旁PM_2.5质量浓度与车流量呈正相关。【结论】在中度污染及以下环境空气质量条件下,公园绿地对PM_2.5有一定的滞留作用,说明公园绿地对PM_2.5滞留作用的发挥受一定的环境空气质量条件的制约。     

南京一次重污染过程PM2.5垂直分布的模拟及气溶胶辐射效应的影响

准确模拟PM_2.5垂直分布对理解灰霾的形成和消散机理以及检验模式预报能力至关重要。利用在线耦合大气化学模式WRF-Chem v3.9.1对2017年12月22至25日南京地区的一次重污染过程进行模拟,结合地面观测的气象要素和污染物浓度、激光雷达得到的气溶胶消光系数及无人机观测的PM_2.5垂直廓线等数据对模式进行综合评估,并探讨气溶胶辐射效应对PM_2.5垂直分布的影响。结果表明,WRF-Chem对白天地面气象要素及PM_2.5垂直分布模拟较好,但对夜间PM_2.5浓度严重高估(MB=49.8μg/m³)。夜间模拟的近地层逆温过强、边界层高度过低,导致PM_2.5聚集在较低的高度并向上浓度逐渐递减,但观测的PM_2.5在夜间仍然维持近乎均匀混合的分布方式。相比夜间,气溶胶辐射效应在白天的影响更加明显,主要通过降低边界层高度影响PM_2.5垂直分布方式。本研究对于理解WRF-Chem模拟PM_2.5...     

基于GIS技术与嵌套网格的大气PM2.5污染最优集成预报方法

为了提升城市空气质量的预报准确率,分析大气PM_2.5污染物各尺度污染变化情况,提出基于GIS技术与嵌套网格的大气PM_2.5污染最优集成预报方法.基于大气污染扩散模拟情况,利用GIS技术的前、后期数据处理以及结果显示输出,处理大气PM_2.5污染数据,可视化展示污染扩散情况;采用嵌套网格空气质量预报模式系统(NAQPMS),模拟大气PM_2.5污染物各尺度污染变化,完成污染预报;基于观测、预报资料结合多种集成方法组建集成预报,经评价获取评分最高集成预报方法,完成大气PM_2.5污染最优集成预报.以安阳市为例,应用该方法进行空气质量预报实验.结果表明：该方法的PM_2.5质量浓度预报值与实际观测值更加接近,有效提升了大气污染预报准确率,以PM_2.5为代表的细颗粒物和以扬尘为主要源的粗颗粒物污染突出,需加强企业烟尘污染物的管控.     

中国PM2.5污染现状及其对人体健康的危害

 当前,中国大气中PM_2.5污染形势严峻。2013 年,在全国纳入监测范围的74 座城市中,接近92%的城市的PM_2.5年均浓度未达到国家标准,其中,京津冀、长三角和珠三角等重点区域PM_2.5污染尤为严重。PM_2.5中含有的多种有毒有害物质可直接危害公众身体健康。已有的研究结果显示,PM_2.5污染会直接影响人体的呼吸系统、心血管系统,与肺癌的发生率和死亡率密切相关,但需从PM_2.5毒理学及暴露-反应关系等影响机制方面做深入研究。中国对大气中PM_2.5污染的治理任重道远,强化PM_2.5的健康风险研究,科学评价PM_2.5污染对中国不同人群疾病发生的负担率等应是认真思考的问题。     

CUACE模式对银川市区重污染天气预报效果检验

基于中国气象局化学天气数值预报系统（CUACE）模式下2015年1月至2018年12月预报产品及同期实况监测资料,通过对比和分析,从4种污染物的质量浓度、首要污染物、AQI及其等级等方面,评估CUACE模式对银川市区重污染天气的预报性能.结果表明,CUACE模式能较好地模拟2015—2018年中度以上污染天气的AQI及PM_2.5,PM₁₀,O₃质量浓度的变化趋势,其中,AQI与O₃质量浓度的预报值偏小,NO₂,PM₁₀质量浓度的预报值接近实测值;AQI与PM_2.5,NO₂,O₃质量浓度预报值与实测值之间的相关系数为0.48～0.70;实测AQI等级为4,5,6级时,表现出预报值偏小2级的概率较大、偏小1至3级的概率为20%～24%、偏小3级的概率为50%;首要污染物为颗粒物时,预报正确率为73.8%～75.0%,首要污染物为O₃时,预报的正确率较低.CUACE模式的整体...     

2015年北京、上海和拉萨PM2.5浓度日变化和日际变化分析

分析2015年北京、上海和拉萨3个城市PM_2.5浓度的时间序列, 讨论PM_2.5浓度的季节变化以及各城市PM_2.5浓度日际变化与日变化的相对重要性。从长期来看, 3个城市冬季PM_2.5浓度普遍大于夏季; 从短期来看, 北京和上海PM_2.5浓度主要呈现日际变化, 天气系统的影响远大于日变化。北京冬季PM_2.5浓度在一定程度上也呈现日变化, 但在夏季不明显; 上海在冬季和夏季都不呈现日变化; 拉萨的情况则相反, 当地的天气系统比较稳定, 日际变化不明显,PM_2.5浓度主要受日变化影响,PM_2.5浓度的日变化呈现明显的“双峰”现象。     

基于U-net神经网络模型的PM2.5逐小时浓度值预测模型

针对目前多数PM_2.5预测模型泛化能力较差的问题, 提出基于U-net神经网络模型的PM_2.5逐小时浓度值预测模型。该模型通过引入历史风场数据, 将离散的监测站点PM_2.5浓度值插值为PM_2.5网格图; 然后将U-net神经网络作为预测模型, 基于实验区域的10小时内的PM_2.5网格图, 预测下一时刻的PM_2.5网格图。该模型可以利用历史不同时刻提取的PM_2.5浓度值网格图, 在预测区域内所有位置PM_2.5浓度值的同时, 还可以提升预测的准确性以及对PM_2.5浓度值突变情况的适应性。实验结果表明, 所提方法在PM_2.5浓度值短时间突变情况下, 预测精度比传统方法有10%左右的提升。     

人为排放对信阳市细颗粒物和臭氧的影响评估

基于信阳市2017—2020年细颗粒物(PM_2.5)和臭氧(O₃)浓度数据及同期地面气象观测资料,利用Kolmogorov-Zurbenko(KZ)滤波法将原始浓度序列分解为短期分量、季节分量和长期分量,采用逐步回归方法建立污染物基线分量和短期分量与相应尺度气象要素的线性回归模型,通过对残差进行滤波和序列重建,得到去除气象影响的污染物长期变化趋势,该浓度仅与污染物的排放量有关。结果表明,PM_2.5和O₃浓度的波动主要由污染源排放及气象条件的短期变化和季节变化引起,气象条件对PM_2.5季节分量和O₃长期分量影响较大。信阳市PM_2.5污染排放减弱,O₃污染排放先升高,在2018年10月后降低。由于污染排放导致的2017—2020年PM_2.5和O₃长期分量分别降低3.5、1.5μg/(m³·a)。     

安顺市8次持续2天的PM2.5污染气象成因分析

利用2017年—2018年安顺城区4个空气质量监测点逐小时监测数据、安顺国家基本气象站地面逐小时观测数据、NECP1*1逐6小时再分析数据等分析了2017年—2018年安顺城区8次连续2天PM_2.5空气污染期间PM_2.5浓度与天气形势、气象要素、大气层结条件等的关系及造成空气污染的气象成因,结果表明：(1)安顺城区连续2天的PM_2.5空气污染大都出现在秋冬季,且出现空气污染期间无降水或降水很弱;(2)逆温层强度越强,厚度越厚,就越有利于PM_2.5浓度的增加,如果逆温持续时间长,PM_2.5维持高浓度的时间也会增长,从而导致空气污染;(3)相对湿度、温度露点差、0～3 km垂直风切变、0～6 km垂直风切变与PM_2.5浓度之间有显著的相关性,且PM_2.5的浓度和垂直风切变呈正相关;(4)整层大气温度上升时有利于PM_2.5的扩散,700 hPa以下风速小于4 m/s时有利于PM_2.5的积累。     

重庆市荣昌区冬季典型霾期大气颗粒物浓度垂直变化特征

为探究川东平行岭谷大气颗粒物质量浓度垂直变化特征,通过对四川盆地偏东部的重庆市荣昌区典型雾霾期气象条件下大气颗粒物质量浓度(PM₁,PM_2.5和PM₁₀)的垂直连续监测,分析温度、风速、相对湿度等气象条件与大气颗粒物浓度垂直分布的关系。结果表明：PM₁,PM_2.5,PM₁₀的日变化在各高度范围内均表现为夜间浓度较高。3种粒径段颗粒物的质量浓度均随高度升高而下降,0～300 m内颗粒物质量浓度最高,PM₁,PM_2.5,PM₁₀分别为39.61,193.62,338.87μg/m³。不同空气质量状况下,颗粒物浓度纵向分布不同。空气质量为良时,颗粒物随高度升高缓慢下降,600 m处PM₁,PM_2.5和PM₁₀浓度为100 m处的70.49%,69.60%,65.94%;轻度污染期间,600 m高度的颗粒物浓度比...     

PM2.5浓度湍流特征和通量获取的实验研究

利用PM_2.5质量浓度测量仪E-Sampler的1 Hz高频采样功能, 采用涡动相关法, 计算山东省德州大气环境实验站2018年12月27日至2019年1月7日多次污染事件的PM_2.5浓度脉动和湍流通量, 探讨PM_2.5浓度湍流特征。结果表明, 实验观测期间PM_2.5浓度湍流通量均值为0.026 μg/(m²·s); 不同污染过程中PM_2.5浓度湍流通量传输方向不同, 表明不同污染过程的污染源汇属性不同。随着湍流统计特征量(如湍流动能、水平风速标准差、垂直风速标准差、水平风速、动量通量和感热通量)增大, PM_2.5湍流垂直通量呈现指数型减小的趋势, 即先急剧减小, 然后随各变量的增长变化不大。随着PM_2.5浓度增大, 其湍流通量绝对值呈现增加趋势, 因此PM_2.5浓度湍流通量的大小与PM_2.5浓度和湍流强弱有关。不稳定条件下, PM_2.5浓度归一化标准差与稳定度参数ζ = z/L 遵循-1/3幂次关系, 即 σ_c/C_* = 6.7(-ζ)^-1/3; 稳定条件下, 实验结果相对离散。另外, PM_2.5浓度脉动方差谱曲线在高频段满足-2/3幂指数率, PM_2.5浓度脉动与垂直速度脉动的协方差谱曲线在高频段满足-4/3幂指数率。研究结果表明, 利用E-Sampler的PM_2.5浓度1 Hz高频采样功能可以得到连续且有效的PM_2.5浓度湍流通量。     

长春市冬春季环境空气中PM2.5污染特征与来源解析

为研究长春市冬季和春季大气PM_2.5的主要来源及污染特征, 于2018-01-06—2018-05-14连续采集PM_2.5环境受体样品, 分析其无机元素及水溶性阴离子组分. 结果表明： 采样期间长春市PM_2.5的质量浓度为（46.4±24.4）μg/m³, 冬季和春季的平均质量浓度分别为(51.0±25.8)μg/m³和(32.6±11.5)μg/m³, 超标率为11%, 均在冬季超标, 在春节假期中（2018-02-15—2018-02-21）, PM_2.5的质量浓度低且保持平稳; 所测全部水溶性阴离子及部分无机元素（Al,As,Pb,Se,Ti）质量浓度呈冬季高于春季的趋势; 长春市无机元素主要源于燃煤、 交通和扬尘; 长春市PM_2.5中NO^-₃和SO^2-₄是燃煤和机动车尾气共同作用的结果, 其中燃煤源的贡献率相对较高; 长春市冬春季PM_2.5主要来源为二次源（28.2%）、土壤尘源（12.6%）、交通排放源（10.7%）、燃煤源和建筑尘源（28.6%）、工业源和其他源（19.8%）.     

山西省PM2.5时空特征及其影响因素的地理探测

基于山西省11个地级市2016—2019年全年的逐时监测数据,采用克里金空间插值技术和地理探测器等方法对PM_2.5浓度时空变化及驱动因素展开研究.结果表明：①2016—2019年山西省PM_2.5年均浓度值先增后减,“蓝天保卫战”取得一定成效;污染空间格局呈东北向西南递增的规律,季节浓度变化总体呈“冬高夏低,春秋过渡”的规律,月均浓度呈“单峰型”波动变化.②因子探测器分析结果表明,人口密度、人均GDP和民用车数量对PM_2.5解释力最强,均超过0.7,表明人类活动是引起空气污染的主要因素.③交互探测分析表明所有影响因素对PM_2.5变化的交互作用均大于单一影响因素的独自作用.     

北京奥森公园侧柏林空气颗粒物不同季节变化规律

为了对城市森林公园内游憩林的休闲游憩功能进行开发与利用,通过对北京奥林匹克森林公园侧柏林内外一年四季4种粒径空气颗粒物浓度全天24 h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：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;从不同粒径颗粒物浓度的四季变化来看,林内总悬浮颗粒物(total suspended particulate, TSP)、PM₁₀和PM_2.5浓度的高低排序为：冬季>秋季>夏季>春季,PM_1.0颗粒物浓度的排序为：冬季>夏季>秋季>春季;林缘TSP、PM₁₀和PM_1.0浓度的高低排序与林内一致,而PM_2.5浓度的高低排序为：冬季...