冬季细颗粒物对人支气管上皮细胞的毒性效应

细颗粒物(PM_(2.5))作为冬季多发的雾霾的主要组成成分,对人呼吸系统有严重的毒害作用。实验采集太原地区冬季PM_(2.5),考察其对人支气管上皮细胞系(BEAS-2B)的毒性效应。研究发现,处理组细胞内能明显观察到颗粒物沉积,细胞器结构发生显著改变,说明PM_(2.5)中超微颗粒能够进入细胞并且会影响BEAS-2B细胞中细胞器结构。PM_(2.5)处理细胞后,细胞活性氧自由基(ROS)含量随着PM_(2.5)浓度的增高而增加,且在30μg/mL时达到最大。进一步研究发现,细胞超氧化物歧化酶(SOD)和谷胱甘肽过氧化物酶(GP_X)的含量随着PM_(2.5)浓度的增高而减少,并在30μg/mL浓度时,SOD的含量下降为对照组的51.02%,GP_X的含量下降为对照的54.10%。另外,细胞培养液中白介素6(IL-6)和IL-8的含量随着PM_(2.5)浓度的增高而增高,并在30μg/mL浓度时,IL-6的含量达到对照组的3.18倍,IL-8的含量达到对照的1.90倍。在PM_(2.5)暴露条件下,PM_(2.5)能够引起细胞发生氧化应激和炎性反应,并能抑制抗氧化酶的蛋白表达。     

2014-2018年春节期间北京交通站PM_(2.5)及NO_2污染特征分析

利用2014-2018年北京市春节前后交通污染监测站的PM_(2.5)和NO_2浓度数据,采用浓度特征对比、PM_(2.5)/CO比值等方法,初步评估春节期间烟花禁燃措施和机动车减排的效果,探讨烟花燃放及气象条件对空气质量的影响。结果表明:PM_(2.5)和NO_2浓度变化特征不同,春节期间PM_(2.5)平均浓度为103.6μg/m~3,高于非春节期间25.3%;而NO_2平均浓度为53.8μg/m~3,低于非春节期间19.5%,主要受到机动车减排的影响。2014年春节期间PM_(2.5)浓度最低,2015-2018年PM_(2.5)浓度呈逐年下降趋势;NO_2浓度无明显年际变化特征。烟花爆竹燃放对PM_(2.5)浓度影响显著,对NO_2浓度影响较小,除夕期间对PM_(2.5)浓度的最大贡献值达283.4～704.1μg/m~3。2018年北京市五环内禁燃烟花措施对交通站PM_(2.5)污染改善明显,PM_(2.5)浓度较前4年均值下降25.2%,NO_2浓度仅下降2.4%;禁燃对燃放高峰期PM_(2.5)浓度有明显削峰作用,无有利扩散气象条件下,除夕期间烟花燃放对PM_(2.5)浓度的最大贡献值仍较前4年下降45.0%。气象条件对春节期间PM_(2.5)浓度变化的影响作用较NO_2显著,有利扩散气象条件是2014年春节期间PM_(2.5)污染较非春节期间明显改善的主要原因。     

上海市大气PM2.5污染特征及相关因素分析

利用2015年上海市大气污染物的监测数据,运用MATLAB7.0、SPSS等软件进行PM_(2.5)质量浓度污染特征、变化规律以及PM_(2.5)与其他污染气体的相关性分析。研究结果显示,2015年上海市PM_(2.5),年平均浓度为53.6μg/m~3,相比基准年2013年,年均浓度下降14%;PM_(2.5)浓度月变化曲线呈U型分布,其中,月均浓度数值1月份达到最高峰,为82.9μg/m~3;季节污染情况为:冬季春季秋季夏季;PM_(2.5)日均浓度值全年波动较为稳定,超标天数占全年比率21.4%。根据AQI指标监测气体的相关性矩阵来看,PM_(2.5)和PM_(10)之间的相关性最大,相关系数为0.919;与CO、NO_2、SO_2等气体均有较强的相关关系。建议上海市应该优化产业结构、加强公共交通建设、采用清洁能源以期实现治污除霾的目标。     

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。     

福州市城区不同粒径颗粒物污染特征

利用福州市国控监测站点2013年4月-2017年3月PM_(2.5)和PM_(10)质量浓度监测数据,对福州市不同粒径颗粒物污染特征进行研究.结果表明:时间变化方面,福州市空气质量整体较好,PM_(2.5)和PM_(10)浓度呈逐年下降趋势;PM_(2.5)、PM_(10)、PM_(2.5)/PM_(10)时间变化规律具有一致性:呈现冬季>春季>秋季>夏季的季节性特征;春季、夏季和秋季工作日浓度均高于周末的浓度,存在周末效应,冬季周末浓度则显著高于工作日浓度;日变化呈明显的双峰型变化趋势.空间变化方面,PM_(2.5)和PM_(10)浓度变化表现为工业区>市区>清洁区,清洁区PM_(2.5)/PM_(10)比值最高,其次是市区、工业区.相关分析结果表明:PM_(10)和PM_(2.5)存在显著相关性,且相关性明显受季节影响,夏季相关性最高.城市颗粒物与气态污染物(SO_2、NO_2)复合性较强.     

郑州市城区PM2.5和PM10变化特征及其与气象要素关系研究

利用2018年1月、4月、7月、10月郑州市城区8个监测站点的PM_(2.5)和PM_(10)浓度数据与气象数据,对郑州市城区PM_(2.5)和PM_(10)的时相变化特征及气象要素对其产生的影响进行研究.结果表明:郑州市城区在1月份的PM_(2.5)浓度最高(118.1μg·m~(-3)),污染严重,4月份PM_(10)浓度最高(169.4μg·m~(-3)).通过分析PM_(2.5)和PM_(10)的比值(PM_(2.5)/PM_(10))发现, PM_(2.5)是郑州市城区主要的大气污染物.PM_(2.5)和PM_(10)与气象要素之间的相关分析表明,PM_(2.5)和PM_(10)与气温和露点温度均呈显著负相关(P0.01),PM_(10)与降水呈显著负相关(P0.05),PM_(2.5)与气温之间的相关性(r=-0.441,P0.01)高于PM_(10)和气温的相关性(r=-0.311,P0.01).另外,当风速在2～3 m·s~(-1)时,PM_(10)最低;而风速大于4 m·s~(-1)时,颗粒物浓度增加明显,且对于PM_(10)的增加作用更显著.露点温度与颗粒物浓度之间也存在一定关系,当露点温度大于0℃时,颗粒物浓度会随露点温度的增加而降低.2018年郑州市PM_(2.5)与PM_(10)昼夜变化呈双峰型特征;风速与温度的双重作用导致PM_(2.5)浓度先于PM_(10)达到最高值,而空气湿度和露点温度则是造成04:00时颗粒物较低的主要原因.另外,通过多元回归分析发现,各月份昼夜时段颗粒物浓度主要受温度和相对湿度影响;在各时段中,温度与颗粒物浓度关系最为密切,风速次之,湿度最弱,各气象要素对PM_(2.5)浓度的影响较PM_(10)浓度更大.     

2014年天津市武清区PM_(2.5)污染特征

为分析2014年武清区PM_(2.5)污染的变化特征,运用统计学方法对全年PM_(2.5)常规日值监测数据进行分析,结果发现:2014年武清区大气环境中PM_(2.5)年均浓度为92μg/m3,PM_(2.5)日均浓度分布区间较宽,主要分布区间为20~120μg/m3,占样本总数的71.1%。PM_(2.5)污染呈现夏季及春末、秋初较轻,冬季污染严重的特征。PM_(2.5)浓度变化"周末效应"表现较为突出的季节是春季,夏季、秋季和冬季并未出现"周末效应"。研究结果有利于认识武清区PM_(2.5)污染的时间变化规律,从而正对性开展大气污染防控。     

长沙市MODIS气溶胶光学厚度与PM_(2.5)浓度的相关性研究

利用MODIS数据研究区域大气PM_(2.5)浓度分布是环境动态监测的有效方法。获取美国NASA发布的分辨率为3km的MOD光学厚度产品;提取2016年1月至2017年7月期间长沙市10个大气监测站点的PM_(2.5)浓度数据进行相关性分析,建立PM_(2.5)浓度与AOD之间的线性、幂函数以及指数函数3种相关性模型;引入湿度影响因子建立大气PM_(2.5)浓度订正模型,采用PM_(2.5)浓度订正模型订正PM_(2.5)浓度。结果表明:湿度订正提高了PM_(2.5)与AOD相关性,幂函数相关性模型的方差值相对其他2种模型较好,运用幂函数相关性模型研究长沙市MODIS气溶胶光学厚度与PM_(2.5)浓度的相关性较好。     

热拌与温拌沥青路面生产施工排放物对比

为量化温拌剂的减排效果,对热拌与温拌沥青路面的生产和施工展开实地调研。选取排放问题较典型的拌和站出料、露天一般路面摊铺、隧道路面摊铺3个测试环境进行空气采样,选取采集空气样本中的CO、CO_2、H_2S、SO_2、NO_x、PM_(2.5)、PM_(10)、苯并(a)芘(BaP,挥发性有机物,一级致癌物质)、沥青烟(致癌物)9种物质作为特征排放物进行定量分析,并将分析结果与有害浓度限制值以及相关研究结果进行了对比。研究结果表明:相较热拌工艺,选用的温拌剂可有效降低混合料的拌和与压实温度,降低了20℃,与此同时,在上述3个测试环境中,掺入温拌剂使9种排放物的浓度平均降低了28.6%、20.8%和26.4%,并可将热拌工艺下拌和站出料测试环境中超标的CO和隧道路面摊铺环境中超标的沥青烟浓度控制至限制值以内;温拌剂对致癌物BaP(降低40%以上)和沥青烟(降低30%以上)的减排效果最好,气态排放物CO、CO_2、SO_2、NO_x次之,但H_2S、PM_(2.5)、PM_(10)没有观察到具有统计意义的减排效果;与同类研究结果的对比表明,CO、CO_2的减排效果与温度降幅的相关性最高,SO_2的排放量除了与温度有关还与集料的酸碱性有关,NO_x的减排效果主要来自用于加热的燃料节约,加热温度的降低也使BaP的挥发变弱。温拌剂可以有效降低沥青混合料施工生产中的排放。     

福州市空气质量变化趋势分析

利用2013—2017年福州市空气质量监测数据,计算出空气污染综合指数和污染物负荷系数,并运用秩相关系数法首次对空气质量新标准实施后增加的PM_(2.5)、O_3等主要污染物变化趋势进行定量分析。结果表明,福州市空气质量整体向好,6项污染物指标呈现"五降一升"趋势,其中PM_(10)和PM_(2.5)浓度显著下降,O_3浓度显著上升;NO_2、SO_2和CO_浓度呈下降趋势。大气十条实施以来,福州市大气污染防治工作初见成效,下一阶段应将臭氧污染防治作为大气污染防治攻坚战的重点工作。     

乌鲁木齐市PM_(2.5)及其影响因素关系的研究——基于VAR模型的脉冲响应和方差分析

通过对乌鲁木齐市从2015年1月1号到2016年12月31号每天的PM_(2.5)、PM_(10),以及SO_2、CO NO、NO_2、O_3污染物浓度等数据的整理和分析,进一步设立向量自回归(VAR)模型,对时间序列PM_(2.5)与其它空气污染物之间的关系探索使用格兰杰因果关系检验、脉冲响应函数方法和方差分解的方法分析,建立了它们之间的自回归模型关系,探讨了其他空气污染物对PM_(2.5)的影响。结果表明:乌鲁木齐市PM_(2.5)与其它空气污染物所构成的空气质量系统是稳定的,PM_(10)SO_2、CO、PM_(2.5)、NO_2、O_3浓度值的增加会引起PM2.5浓度值持续较长时间的增加,其中SO_2对影响作用最大;O_3浓度值的增加则会使PM_(2.5)浓度值降低。     

不同污染程度下室内外小时PM2.5浓度变化特征对比

依据实测北京市夏季室外和开、关窗室内的PM_(2.5)浓度等数据,利用统计分析,探讨了不同污染程度下室内外小时PM_(2.5)浓度的变化特征。结果表明:室外PM2.5污染程度为轻度时,其浓度达到最大值后3 h,开窗室内PM_(2.5)也达到一天中的最大值。室外PM_(2.5)污染程度为良或优时,二者小时PM_(2.5)浓度的变化特征较同步。同时,关窗室内的小时PM_(2.5)浓度会出现大于室外的现象。室外PM_(2.5)的污染程度不论是轻度还是优或良,早晨7:00~9:00之间因交通早高峰的影响,室外和开窗室内细颗粒物浓度会出现峰值。     

2016年南昌市PM_(10)和PM_(2.5)质量浓度变化研究

利用南昌市2016年4月～2017年3月8个监测点的PM_(10)和PM_(2.5)质量浓度的监测数据,通过聚类分析探讨了大气颗粒物PM_(10)、PM_(2.5)的污染状况和不同功能区间的变化规律.结果表明:2016年南昌市大气颗粒污染物中,细颗粒物(PM_(2.5))较可吸入颗粒物(PM_(10))超标情况更严重;从时间角度看,PM_(10)和PM_(2.5)浓度表现为冬季春季/秋季夏季的季节性变化趋势;从空间角度看,表现为商业交通居住混合区交通区文教区居住区风景区的变化规律;PM_(2.5)/PM_(10)比值变化特征提示冬季可吸入颗粒物中细颗粒物所占比重最大,春季和秋季次之,夏季最小;在影响因素中,监测点大气颗粒物的浓度受交通环境的影响最大,受居民日常生活排污的影响次之.     

上海市大气环境中PM_(2.5)/PM_(10)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PM2.5和PM10小时数据及对应的气象因素资料,以PM2.5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PM_(2.5)/PM_(10)的时空分布特征.结果表明:P2.5和PM10的季节高低为冬春秋夏,PM_(2.5)/PM_(10)的季节分布在不同区域存在差异性.PM_(2.5)/PM_(10)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)/PM_(10)高于下午.颗粒物质量浓度及PM_(2.5)/PM_(10)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)/PM_(10)均表现为背景站浦西站浦东站.     

中国工业基地城市群PM2.5时空分布特征及相关性分析

为研究2014年中国四大工业基地25个主要城市的空气质量污染情况,对25个城市2014年1月~2015年2月的数据进行SPSS聚类分析,研究其整体分布情况,并应用统计学和GIS软件分析其主要城市大气颗粒物的污染分布特征,同时利用SPSS软件对大气污染物PM_(10)、SO_2、NO_2、CO、O_3和PM_(2.5)做相关性分析。结果表明:(1)25个城市PM_(2.5)年均质量浓度在32.94~100.23μg·m~(-3)之间,其中分布在40~70μg·m~(-3)之间的城市相对集中,占所有城市的68%,仅3个城市的PM_(2.5)年均质量浓度小于35μg·m~(-3);(2)PM_(2.5)季节变化特征大体表现为冬季秋季春季夏季,重度污染主要集中在12月和1月;(3)从空间分布上看,京津唐污染水平高于其他三个工业基地,珠三角污染水平最低;(4)四大工业基地城市群PM_(2.5)的浓度与PM_(10)、SO_2、NO_2、CO的浓度存在显著相关性。由于温度、气候等原因,在珠三角和长三角O3与PM_(2.5)呈正相关,而在京津唐和辽中南工业基地则呈负相关。     

福州市快速路交通颗粒物变化特征

基于2017年连续数天对福州市三环快速路测试路段交通的颗粒物浓度进行监测,同步记录的气象、交通特征数据,对颗粒物污染特征进行探究并分析得到,风速、温度、湿度与PM_(2.5)、PM_(10)浓度均呈显著的负相关性。研究结果显示:该路段"周末效应"并不明显,总的交通量与PM_(2.5)、PM_(10)浓度均有明显正相关性;在调查的6种车型中,小型客车、大型货车对颗粒物浓度影响最为明显,其中,小型客车对PM_(2.5)、PM_(10)有较明显正相关影响,而大型货车和PM_(2.5)呈明显的正相关性的同时与PM_(10)相关性较弱。     

武汉市PM_(2.5)与主要大气污染物浓度间相关性分析

通过分析武汉市PM_(2.5)与SO_2、NO_2、CO、O_3浓度间的相关性,得到PM_(2.5)与SO_2、NO_2、CO间存在正相关性,与O_3间存在负相关性,并对存在这种相关性的原因进行了解释,同时对PM_(2.5)与SO_2、NO_2、CO间的上尾相关系数进行了估计。估计结果表明:SO_2、NO_2、CO、O_3浓度的急剧上升会加剧PM_(2.5)的产生,最后对武汉市治理PM_(2.5)提出了建议。     

泰安市空气污染物时空变化趋势及污染防治对策

以2009—2015年泰安市空气污染物的监测数据为依据,对其平均浓度时空变化特征进行分析.结果表明:从年际变化看,2009—2015年泰安市SO_2、NO_2、PM_(10)浓度均呈下降趋势,PM_(10)浓度在2013年明显上升后平稳下降,PM_(2.5)浓度自2013年有观测记录以来就一直呈下降趋势;各污染物月变化曲线呈U字形,且季节变化明显,污染程度由高到低顺序为冬季、秋季、春季、夏季;空间变化显示:SO_2、NO_2、PM_(10)、PM_(2.5)具有一定的空间差异,农业大学和电力学校污染物浓度较高,人口学校和交通技校污染物浓度较低;通过科学的管理和技术的改进,近年来泰安市空气中污染物浓度呈明显下降趋势,并根据上述研究结果,为空气污染的防治提供参考依据.     

基于融合MODIS AOD和LME模型的京津冀地区PM_(2.5)季节浓度模拟

为探究京津冀地区PM_(2.5)浓度的时空差异,基于线性混合效应模型,在该地区分别建立不同季节融合MODIS AOD与PM_(2.5)的关系,并对其季节浓度进行模拟.研究结果表明:模型拟合所得四季的可决系数R~2分别为0.738、0.668、0.644和0.760,留一交叉验证后R~2分别为0.733、0.658、0.636和0.756,模型仅存在轻微过度拟合,且PM_(2.5)浓度较高的春冬季拟合效果优于夏秋季;在气候、地形、经济和人口等多种因素的综合影响下,京津冀PM_(2.5)浓度存在季节差异和地区差异,即四季PM_(2.5)浓度冬季最高,春秋次之,夏季最低,空间上基本呈现北部低、南部高的特点.     

城市生活垃圾主要处理方式的温室气体协同减排效应比较——以天津市为例

根据天津城市生活垃圾(municipal solid waste,MSW)的构成与其含量,主要进行填埋气焚烧S1、填埋气发电S2和焚烧发电S3 3种城市生活垃圾处理方式的温室气体协同减排效应分析.以天津市滨海新区汉沽垃圾焚烧发电CDM项目、天津市双口生活垃圾卫生填埋场填埋气发电CDM项目为例,通过联合国政府间气候变化专门委员会(IPCC)提供的计算方法计算其温室气体排放量和减排量,并比较3种情景的协同减排.结果表明:S1、S2和S3的协同减排效应分别为0.602,t,CO2e/t,MSW、0.657,t,CO2e/t,MSW和0.777,t,CO2e/t,MSW,比较结果为S3S2S1.