大气颗粒物时空分布特征及影响因素

目的研究城市空气污染现状以应对日益严重的城市空气污染问题．方法以某市为研究区域,市城区以及邻县的大气颗粒物为研究对象,分别于采暖季、风沙季、非采暖季每个季度连续6天对TSP、PM小PM2.5,样品进行有效同步采集,对该市大气颗粒物质量浓度的时空分布特征和影响因素进行了分析．结果该市空气大气颗粒物污染以PM2.5,的污染最为严重,PM2.5,最大超标倍数为3．6倍．结论该市大气颗粒物的平均质量浓度变化特征为采暖李质量浓度〉风沙季质量浓度〉非采暖季质量浓度,TSP、PM10和PM2.5,质量浓度与风速呈现负相关性,PM10和PM2.5质量浓度与湿度呈现正相关性,TSP质量浓度与湿度呈现负相关性,能见度与三个粒径的颗粒物浓度均呈现负相关性．     

严重雾霾期大气PM2.5和PM10中水溶性离子污染特征

为掌握雾霾期大气PM2.5和PM10中水溶性离子污染特征,采集东北某市2013年10月20~31日发生严重雾霾期间大气PM2.5和PM10样品,分析颗粒物样品中9种水溶性离子(F-、Cl-、NO3-、SO42-、Na+、NH4+、K+、Mg2+和Ca2+)的质量浓度.结果表明:各水溶性离子均表现为夜间质量浓度大于日间质量浓度,其在雾霾期PM2.5中的昼、夜质量浓度比为1.68;NO3-、SO42-、NH4+等3种离子质量浓度较高,雾霾期PM2.5中质量分数分别为11.03%、8.3%和7.39%,PM10中也有类似结果.K+和Ca2+在PM2.5和PM10中,雾霾期和非雾霾期质量分数变化不大.根据各离子比值,可以判定雾霾期固定源对颗粒物污染的贡献更大,说明雾霾期城市气象因素对大气颗粒物污染影响较大.对比2009年10、11月水溶性离子数据发现移动源污染贡献在增加.     

银川市2013年PM_(10)、PM_(2.5)质量浓度变化及空气质量分指数等级特征分析

利用银川市2013年空气污染物日浓度资料,分析了其PM10、PM2.5的质量浓度变化特征及空气质量分指数等级特征.结果表明,PM10和PM2.5的质量浓度变化具有明显的季节特征,夏季最低,冬季最高,PM10质量浓度春季高于秋季,而PM2.5质量浓度春季略低于秋季;PM10和PM2.5月均质量浓度变化均为1月份最大,7月份最小;PM2.5和PM10日均质量浓度显著相关,相关系数达0.76,在2013年中,PM2.5占PM10质量载荷的36%.PM10和PM2.5在7—9月质量浓度低,空气质量分指数等级最好,达标率均为100%,在1月空气质量分指数等级最差.PM10和PM2.5分指数等级具有明显的季节特征,夏季空气质量分指数等级最好,冬季最差,PM10分指数等级秋季好于春季,PM2.5分指数等级春季好于秋季.     

采暖季北京市主要大气污染物变化特征

为研究采暖季北京市主要大气污染物变化特征,收集北京市35个自动空气监测站点2013年11月至2014年4月上半月6种大气污染物的小时浓度均值,分析了其时间变化规律,并采用地理信息系统分析了污染物的空间分布特征.北京市采暖期间CO、NO2、SO2、O3、PM2.5和PM10的平均质量浓度分别为2.62 mg/m3、64.05μg/m3、50.52μg/m3、26.39μg/m3、118.61μg/m3和126.05μg/m3,其中：NO2的月均质量浓度变化较小;SO2和颗粒物的最高月均质量浓度都出现在2月;CO月均质量浓度呈现稳步下降的趋势;O3月均质量浓度则逐步上升. PM2.5、PM10、NO2和SO2的质量浓度日变化均呈双峰双谷型.对照点及区域点的O3质量浓度最高,其他种类污染物最高质量浓度出现在交通控制点.北京市大气污染物除O3外都呈现出南部质量浓度较高、向北部逐步递减的特点,O3在城区的质量浓度明显低于其他区域.     

济南市灰霾期大气复合污染特征分析

采用济南市蓝翔技校、泉城广场、建筑大学和跑马岭4个点位SO2、NO2、PM10 、PM2.5、PM1和O3等的监测,数据,研究了济南市灰霾期大气污染物的污染特征.结果表明:灰霾天气下,各类大气污染物浓度均有不同程度的增加,且PM2.5、PM1较其它大气污染物浓度增幅较大,济南市PM2.5占PM10的60.3％,PM1占PM2.5的65.7％,说明济南市大气细粒子对灰霾的贡献率最大.典型灰霾天气下,大气颗粒物污染呈现出“南部山区好于城区、城区好于城乡接合部”的分布特征.市区VOCs与PM10、PM2.5、SO2、NO2均呈显著正相关,而O3与SO2、NO2呈显著负相关,这与光化学反应有关.     

石家庄市冬季大气中TSP,PM10,PM2.5污染水平研究

为研究石家庄市冬季大气颗粒物污染特征,于2013年2月采集TSP,PM10,PM2.5样品,用重量法分析其质量浓度,并对其相关性进行分析.结果表明,用环境空气质量标准（GB 3095-2012）来衡量,石家庄市冬季大气颗粒物TSP,PM10和PM2.5的日均浓度超标率分别为57.9％,82.9％和81.6％;超标倍数分别为1.28,1.86和2.24倍,超标情况严重;TSP与PM10和PM10与PM2.5相关系数分别为0.748 9和0.760 4,相关性较好;ρ（PM10）/ρ （TSP）平均值为0.74,ρ（PM2.5）/ρ（PM10）平均值为0.61,表明PM10和PM2.5污染严重.     

北京市采暖期大气中PM_(10)和PM_(2.5)质量浓度变化分析

对北京市2003年11月至12月间供暖期中大气悬浮颗粒物污染状况作了较详细的监测.数据表明,北京市的这段时间,其PM10和PM2.5质量浓度因日因月而异,其中PM10平均质量浓度为253.1μg/m3,超过国家二级标准(1996)1.9倍,PM2.5的变化幅度在8.9-276.2μg/m3之间,其平均值为145.2μg/m3,超过1999-2000年监测数值38.4％;其污染源和影响因素之间关系的研究表明:在供暖期间,温度、湿度和风速对PM10和PM2.5的累积和消散也起着至关重要的作用.     

吉林市城区大气污染物浓度演变特征及其与气象因素关系

为了解吉林市大气环境现状,利用2014-2018年吉林市城区7个国控环境空气质量监测站点的CO、SO₂、NO₂、O₃(O₃-8 h)、PM2.5和PM10质量浓度监测数据以及2018年逐时气象数据,采用相关分析法和应用统计法分析了大气污染物的质量浓度变化特征以及各污染物浓度与气象因素的相关性.研究结果表明:吉林市2014-2018年来SO₂、NO₂、PM10、PM2.5年均浓度总体呈下降趋势,O₃浓度有上升趋势;PM10、PM2.5和O₃浓度有超标现象,说明其为吉林市主要大气污染物;同一污染物浓度在不同季节、月份和时刻具有明显的变化特征,可以根据变化规律采用错峰生产的方式改善环境空气质量;气象因素与污染物浓度之间有较好的相关性,其中O₃浓度与温度、湿度、风速均呈现高度相关性,NO₂浓度与风速高度负相关;气象因素对CO、NO₂、O₃     

华北城市PM_(2.5)、PM_(10)污染水平及两者相关性研究

采用β射线吸收法对华北城市大气环境质量进行连续监测,监测发现:夏、秋、冬三季污染整体相对严重,秋季污染较轻。PM2.5和PM10平均浓度的日变化表明:对人体危害较大的PM2.5占PM10的比重较大,平均达到75.6%,且PM2.5浓度和PM10浓度呈极显著线性关系。无降雨降雪大风等特殊天气下,三种气象参数对大气细颗粒污染物的影响由高到低排列为:湿度风速温度。     

某南方城市城郊区域大气颗粒物中总铝、铝形态及其对成人健康风险评估

2017年3月—2018年2月期间,对某南方城市的城郊区域大气中PM2.5和PM10进行同步采样,研究PM2.5和PM10中总铝和4种形态铝的分布特征并对其健康风险进行评估。结果表明:PM2.5、PM10中总铝的季节分布与PM2.5、PM10质量浓度的季节分布相似,冬春秋夏; PM2.5中Al的分布表明颗粒铝来源不限于土壤扬尘贡献; PM2.5及PM10中4种形态铝占提取铝的比值呈w(Al(OH)03)w(Al3+)w(Al-HA)(腐殖酸铝)w(羟基态铝)的规律; PM2.5、PM10中Al3+和羟基态铝2种致毒形态铝占提取铝的比值分别为21%、28%,比值差异不大;致毒形态铝在细颗粒和粗颗粒中的富集程度相当;成人PM2.5中铝日均暴露质量浓度为212 ng·m-3,铝慢性非致癌健康风险系数为0.042 4,颗粒铝经呼吸进入成人体内的健康风险尚小。     

银川市2000—2009年空气质量变化趋势分析

通过对2000—2009年银川市环境空气质量监测数据统计分析,结果表明,3种常规污染物NO2S,O2,PM10达二级以上日数分别占总天数的100%,92%,83.3%.影响银川市空气质量的首要污染物是PM10和SO2,分别占污染天数的68.1%,31.9%,平均每年因其造成三级以上污染的日数分别达57.1 d和26.7 d;3种污染物质量浓度整体呈逐年下降趋势,说明银川市近年来综合改善大气环境质量成效明显;主要污染物日变化规律基本与企业生产、市民出行和湍流变化时间相一致;SO2和NO2质量浓度冬季最高,夏季最低,PM10质量浓度冬季最高,春季次之,夏季最小.致污因素与银川市属于北方城市,冬半年利用锅炉或煤炉采暖导致煤烟型污染及易出现逆温,春秋多外来沙尘天气影响有关.     

合肥环境空气中 PM2．5的影响因素和时空分布

针对合肥市环境空气中的 PM2．5污染,使用残差分析、相关系数等方法,建立多元线性回归、污染指数、改进的高斯等模型,运用 Matlab、Eviews、Surfer 等软件,对数据进行处理,得出结论：1）影响 PM2．5浓度的主要影响因素是 CO、PM10的浓度;2）该地区 PM2．5的时空分布和传播规律为沿市区向周围污染逐渐降低;3）自然因素对 PM2．5的传播主要受到风速、温度的影响且随着温度升高污染程度降低,风速越大污染程度越高。     

济南市大气细颗粒物水溶性组分及大气传输的研究

采用大流量采样器,于2004年11月至2005年9月对济南市城区细颗粒物PM2.5进行了研究测试,对其水溶性离子成分和pH值进行了分析. 结果表明,济南市PM_2.5污染严重,超标率达93.6％,超标倍数为1.20～5.72,呈略酸性. 水溶性离子占PM2.5质量的49.81％,其中SO^2-₄,NH⁺₄,NO^-₃是水溶性离子的主要组分,各占PM_2.5质量的20.88％,12.01％和10.94％,主要以(NH₄)₂SO₄和NH₄NO₃形式存在. 72h后推气流轨迹和簇分析表明起源于济南西北方向（俄罗斯,蒙古国,中国北部）且运动速率较低的气溶胶长距离传输能够加重济南细颗粒污染水平.     

PM2.5浓度预测与影响因素分析

针对PM_2.5浓度的非线性和不确定性,提出了一种基于集成树-梯度提升决策树（EnsembleTrees-GBDT）的PM_2.5预测模型.该模型首先在集成树框架下进行特征选择,即选取PM_2.5浓度主要影响因素,使用算术均值聚合法计算出各项特征对PM_2.5浓度增加的影响程度,并以影响程度由强到弱的次序排序;其次使用网格搜索对GBDT算法进行参数优化,选取树的深度等参数的最优值;最后构建完整的PM_2.5浓度集成预测模型.使用北京市2015-2016年的污染物浓度和气象条件观测值2个数据集,对模型进行了预测仿真实验.对比实验结果表明,所提出的EnsembleTrees-GBDT预测模型相比于决策树、随机森林、支持向量机等模型,具有更低的平均绝对误差和均方根误差,同时具有更好的泛化能力,能够更准确地预测PM_2.5浓度,并实现对PM_2.5浓度影响因素的有效分析.     

上海地区冬季住宅室内外颗粒物浓度的相关性

对上海市某住宅建筑室内外PM10、PM2.5、PM1的浓度进行了测量,研究了最小通风量（外门窗关闭）条件下3种天气时颗粒浓度随时间变化的规律以及相关性,分析了颗粒物浓度与环境温湿度参数之间的关系.研究结果显示,测试期间,室内外空气中细颗粒（PM 2.5）占可吸入颗粒（PM 10）浓度比例分别达65％和87％以上;无明显室内源时,I/O比值小于1且随粒径减小而减小;室内外颗粒浓度相关性与粒径大小有关系,PM1、PM2.5的浓度相关性大于PM10.研究还表明,颗粒物浓度的关联性与天气状况有关系,多云、雨天和阴天时浓度关联性有显著差别;颗粒物的浓度受到室内外温湿度的影响,且受天气状况影响而呈现复杂性.