某燃煤电厂周边区域空气中亚微米颗粒物的粒径分布特征

为研究某燃煤电厂周边区域中亚微米颗粒物的分布特征,于2017年11、12月份使用静电低压冲击器对电厂下风向不同距离处大气中亚微米颗粒物进行了实时测量。结果表明:采样点中亚微米颗粒物以核模态（<20nm）粒子数浓度占亚微米颗粒物的50%以上,超细颗粒物（<100 nm）是电厂周边亚微米颗粒物中的主要成分。电厂西南方向（下风向）14 km处核模态、爱根核模态（20100 nm）及积聚模态（1001 000 nm）粒子数浓度均高于对照点,日均值分别为138 364、8 803、4 450 cm-3。不同距离处各模态粒子数浓度日变化特征存在较大差异。电厂西南方向的6、9、12、14 km处核模态粒子数浓度均在17:00左右达到峰值,其中14 km处的爱根核模态和积聚模态粒子数浓度峰值均出现在17:00,电厂东北方向3 km处的对照点的核模态粒子数浓度呈现“双峰型”日变化特征,峰值出现在9:00和17:00;位于电厂污染物最大落地地面浓度距离处左右的14 km处亚微米颗粒物的主要来源于电厂的烟气排放。 更多还原     

济南城区大气PM2.5、PM1.0的污染特征及大气传输

为研究华北平原PM_2.5、PM_1.0的污染特征,于2014年10月至2016年6月在济南城区使用中流量采样器对大气颗粒物样品进行采集,利用离子色谱、碳气溶胶分析仪测定了颗粒物中的水溶性无机离子成分和碳组分。结果表明:济南城区冬季大气细颗粒污染较重,二次离子SO₄^2-、NO₃^-和NH₄⁺是PM_2.5、PM_1.0最主要的水溶性无机离子,且更易富集在PM_1.0中。有机碳和元素碳的质量浓度表现为春夏低,秋冬高;二次有机碳的质量浓度在冬季明显升高,且大多分布在粒径>1 μm的颗粒物中。72 h后向气流轨迹表明,来自河北、内蒙古的长距离传输与山东地区的局地传输对济南大气中PM_2.5和PM_1.0的离子质量浓度有重要影响。济南冬季的消光系数高达789.13 Mm^-1, PM_2.5中的二次粒子NH₄⁺、SO₄^2-和NO₃^-与消光系数的相关性较高,是使大气能见度降低的主要因素。     

杭州市PM2.5中水溶性离子的污染特征研究

为全面了解杭州市PM_2.5中水溶性离子的污染特征及其来源,于2014年10月—2015年9月在杭州市2个采样点采集了PM_2.5样品,运用离子色谱法对PM_2.5中的水溶性离子进行了分析.结果表明:PM_2.5中9种水溶性离子的年均质量浓度为46.63μg/m³,占PM_2.5质量浓度的54.97%.主要离子Cl^-,NO₃^-,SO4^2-,NH₄⁺质量浓度季节变化明显,表现为冬季>秋季>春季>夏季.SOR值和NOR值说明杭州市大气中二次颗粒明显存在,并且SO₂的二次转化率大于NO₂的二次转化率.因子分析表明:二次气溶胶、道路扬尘、建筑扬尘和工业排放是采样期间杭州市PM_2.5的主要来源.     

延吉市PM2.5时空分布特征及其与气象要素的相关性分析

利用延吉市城区3个空气质量监测站2015年PM_2.5浓度小时数据,探讨了延吉市城区PM_2.5时空分布特征,并将PM_2.5浓度与气象要素做相关性分析.研究结果表明: ①延吉市PM_2.5季节浓度由高到低依次为冬季、秋季、春季和夏季.②延吉市PM_2.5月均浓度变化均呈单峰单谷型,其中11月、12月、1月浓度值相对较高,2月开始逐月递减至10月份后开始回升.③PM_2.5日均浓度曲线呈现出尖峰和深谷交替变化的锯齿状.④延吉市城区3个监测点PM_2.5浓度日变化在春季、夏季、秋季和冬季都呈现双峰双谷型.⑤PM_2.5浓度与气压、气温日较差、风速、相对湿度等气象要素之间存在显著地相关性.     

南京城区夏秋季能见度与PM2.5化学成分的关系

为研究唐山PM_2.5污染特征及区域传输贡献,对唐山冬夏2季PM_2.5环境样品进行测试分析,并采用WRF-CAMx对京津冀地区PM_2.5及二次离子进行定量模拟,获取了PM_2.5成分谱数据,估算了PM_2.5和二次离子的区域传输贡献.唐山冬夏2季PM_2.5平均质量浓度分别为（117.9±56.6）、（77.3±29.8）μg/m³,超标率分别为65.0%和41.7%;水溶性离子的平均质量浓度分别为（58.4±17.9）和（42.6±23.6）μg/m³,分别占PM_2.5的49.4%和55.0%,是PM_2.5的主要成分.Cu、Zn、As、Sr、Cd、Sb、Pb主要来自人为源,Na、Mg等其余元素主要来自地壳源.冬夏2季PM_2.5受外来源贡献分别为26.9%和31.1%,二次无机气溶胶（secondary inorganic aerosol,SIA）传输作用较PM_2.5更为显著,夏季PM_2.5和SIA外来源贡献高于冬季,高质量浓度时段外来源贡献会有一定幅度的上升.稳定的大气环流背景场、低风速等气象条件和燃煤排放源的增加是造成冬季重污染发生的重要原因.

     

典型城市夏季碳组分污染特征与来源解析

为了研究京津冀地区典型城市PM_2.5及其碳组分的污染特征和来源,选取北京和唐山具有代表性的5个监测点于2012年7月3日至30日进行了PM_2.5样品采集.分析研究了PM_2.5、有机碳(OC)和元素碳(EC)的质量浓度及变化特征,采用OC/EC最小比值法估算了二次有机碳(SOC)的质量浓度,并使用因子分析法解析了碳组分来源.结果表明:采样期间北京市PM_2.5、OC和EC质量浓度分别为76.2±38.5μg/m³、7.0±2.2μg/m³和3.0±1.4μg/m³,均低于唐山的97.7±38.8μg/m³、11.7±6.3μg/m³和7.0±5.0μg/m³;北京灰霾天气PM_2.5、OC和EC浓度分别为非霾天气的2.0、1.2和1.8倍,唐山相应为1.4、1.5和1.6倍;北京和唐山SOC质量浓度分别为3.0μg/m³和5.1μg/m³,分别占OC质量浓度的42.9%和43.6%;北京和唐山PM_2.5中碳组分主要来源于燃煤和机动车尾气,其贡献量均超过75%,因此要进一步加强清洁能源替代、控制机动车保有量的增长及提高车用油质量.     

河南省PM2.5时空变化及其影响因素

PM_2.5属于大气细颗粒物,能够长时间悬浮于空气中且易被人体吸入,影响人类的身体健康。以河南省18个观测站逐小时PM_2.5浓度数据为研究对象,采用数理统计、反距离权重和地理探测器等方法,探讨河南省PM_2.5浓度的时间和空间变化特征及其影响因素。研究表明：(1)年际尺度上,2017—2022年河南省年均PM_2.5浓度呈下降趋势。(2)季节尺度上,四季PM_2.5平均浓度由高到低依次为：冬季(89.5±16.2μg/m³)、秋季(48.5±5.5μg/m³)、春季(41.4±6.1μg/m³)、夏季(28.8±7.3μg/m³),冬季平均浓度远高于其他三季。(3)月份尺度上,PM_2.5浓度呈“U”型变化特征,1～7月呈降低趋势,8～12月呈增加趋势,其中1月浓度最高(107.9±12.2μg/m³),7月浓度最低(27.0±10.6μg/m^3<...     

济南市冬季灰霾日PM1.0和PM1.0—2.5污染特征

为探讨济南市灰霾日大气细颗粒物的化学组分特征, 于2014-01-15—02-17利用PM_1.0、 PM_2.5中流量采样仪,离子色谱及OC/EC分析仪等研究手段,对济南市灰霾日PM_1.0及PM_2.5的浓度水平及化学组成进行了系统研究。结果表明:灰霾日和非灰霾日NO^-₃、SO^2-₄、NH⁺₄均为PM_1.0和PM_2.5的主要成分,灰霾日时NO^-₃、SO^2-₄、NH⁺₄质量浓度占PM_1.0和PM_2.5质量浓度的比例明显升高,并且三种成分质量浓度在PM_1.0中均有显著升高,显示二次无机气溶胶的快速增加是灰霾形成的重要因素。碳质组分(OC+EC)是PM_1.0及PM_2.5中所占比例为第二位的组分,灰霾日OC和二次有机碳(SOC)较非灰霾日明显升高,表明灰霾日更有利于SOC的生成。72 h后向气流轨迹分析表明,起源于山东省内东部及北京、天津一带气流的近地面传输对灰霾形成有重要影响。     

西安大气细颗粒(PM1)化学组成及其对能见度的影响

在2012年秋季选取天气状况相对稳定的12d,运用细颗粒化学组分在线观测仪(ACSM),观测西安大气颗粒物变化;利用正矩阵因子分析法(PMF)对大气细颗粒物中的有机物进行源解析,探讨其对能见度的影响;最后,结合IMPROVE公式中吸湿增长因子和多元线性回归统计方法重建散光系数。结果表明:在观测时段,PM₁(不包括黑碳和矿尘等难熔组分)和PM_2.5质量浓度时间序列的相关性较好(判定系数为0.67),PM₁ 约占PM2.5质量浓度的60%,有机物约占PM₁ 质量浓度的58%,其他组分(包括SO₂^4- ,NO₃^- ,NH₄⁺ 和Cl^- )约占42%;高相对湿度(大于85%)伴随着一次组分质量分数的增加,雨水对一次组分的湿沉降作用也更加明显;利用正矩阵因子分析法对有机物进行源解析,分解出烃类有机气溶胶(HOA)和氧化性有机气溶胶(OOA)两种组分;OOA 约占有机物质量浓度的54%,HOA 约占46%,并且在下午时段,HOA 发生挥发,经过光化学反应快速转化为OOA;硝酸盐对光的散射贡献最大。     

高密度城区绿地景观格局对PM2.5/O3的多尺度影响

为探究高密度城区绿地景观格局对于PM_2.5浓度与O₃浓度的尺度效应,分析西安市高密度城区范围,选取边界密度(ED)、景观形状指数(LSI)、面积加权形状指数(SHAPE＿AM)和平均形状指数(SHAPE＿MN)共4个景观格局指数衡量绿地景观格局,爬取2020—2021年国家空气质量监测站点的大气监测数据,运用皮尔逊相关性分析和线性回归分析方法,探究多尺度下高密度城区绿地景观格局对PM_2.5和O₃的时空分布特征、绿地景观格局特征和PM_2.5浓度、O₃浓度与景观格局指数的多尺度影响关系.结果表明,景观格局在夏季对于PM_2.5浓度、在春季对于O₃浓度的影响更为显著;在高密度城区内较小尺度的绿地上优化景观格局对PM_2.5与O₃浓度影响更有效.由此提出的绿地优化策略可为城市高密度城区多尺度绿地规划设计提供参考依据.     

大气PM2.5与健康:从暴露、危害到干预的系统研究进展

为了提高空气污染物PM_2.5质量浓度预测的准确性,提出了一种基于图像数据预测PM_2.5质量浓度的方法.首先用手机或相机获取图像数据,然后用图像质量分析模型提取与PM_2.5质量浓度相关的特征向量作为输入,建立一个基于粒子群优化（particle swarm optimization,PSO）算法的支持向量回归机（support vector regression,SVR）（PSO-SVR）预测模型来估计PM_2.5的质量浓度.实验结果表明,与SVR模型和用遗传算法（genetic algorithm,GA）优化的支持向量回归机（GA-SVR）模型相比,PSO-SVR模型在预测准确性和实施效率方面具有更好的预测性能.

     

基于深度信念网络的PM2.5预测

提出一种基于深度信念网络(deep belief networks, DBNs)的区域PM_2.5日均值预测方法,讨论了训练数据选择方式,并优化了DBNs参数设置。通过相关实验并与基于径向基神经网络(radial basis function, RBF)和反向传播神经网络(back propagation, BP)方法比较,验证了基于DBNs方法的可行性和预测精度。实验结果表明:基于DBNs的方法,区域(西安市)预测PM_2.5日均值与观测日均值之间均方差(mean square error, MSE)为8.47×10^-4mg²/m⁶;而采用相同数据集,基于RBF和BP的方法均方差为1.30×10^-3mg²/m⁶和1.96×10^-3mg²/m⁶。比较分析表明:基于DBNs的方法能较好预测区域整体PM_2.5的日均值变化趋势,显著优于基于神经网络和径向基网络方法的预测结果。     

成都市及周边地区严重臭氧污染过程成因分析

针对疫情期间北京市的大气污染特征进行了分析,并基于后向轨迹模型(Hysplit)、潜在源贡献因子算法(potential source contribution function,PSCF)和浓度权重轨迹分析法(concentration weighted trajectory,CWT)研究了重污染期间污染气团的主要传输路径和潜在源区. 结果表明：与疫情暴发前(2020年1月1—22日)和2019年同期相比,低风速和高湿度的气象条件导致疫情暴发后(23—31日)北京市PM_2.5质量浓度分别增加149.7%和62.2%,SO₂分别增加40.6%和6.8%,CO分别增加42.6%和37.8%,O₃分别增加73.6%和28.0%,NO₂分别下降27.9%和21.6%. 选取污染最严重的1月28日分析气团来向和潜在污染源区,来自北京市近周边的气团是此次重污染过程的主要传输轨迹,潜在污染源区主要集中在北京本地、廊坊北部和天津北部,来自内蒙古中西部和北京市北部的远距离传输对此次重污染过程几乎没有影响. 因此,仍需通过区域联防联控改善北京市大气环境质量.

     

季节指数改进的PM2.5质量浓度组合预测模型研究

随着我国的经济和城市化迅速发展,PM_2.5主导的区域空气污染已成为紧迫、突出的环境问题。据相关研究表明,PM_2.5在不同季节质量浓度差异较大。根据广州市2015~2019年的PM_2.5月均质量浓度数据,结合大气污染物及气象因素,引入季节指数,建立预测PM_2.5质量浓度的改进多元线性回归和多层感知器组合预测模型,探析广州市大气污染物中PM_2.5质量浓度的变化规律。结果表明,用季节指数改进的组合预测模型对PM_2.5质量浓度进行预测分析,拟合结果良好。使用不同评价指标将组合模型与传统的多层感知器预测模型和多元线性回归模型进行对比,该组合模型的均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、平均绝对误差(Mean Absolute Error,MAE)分别比多层感知器模型减少了23.1%、31%、24.2%;比多元线性回归模型减少了35.3%、41.3%、41%。该模型精度均优于传统的多元线性回归模型和多层感知器模型,能更好地预测环境PM_2.5质量浓度,为优化环境提供参考。     

我国农业氨排放估算方法研究进展

农业和机动车NH₃排放分别是农村和城市地区的重要NH₃排放源, 开展两者环境影响的对比研究, 对于减排策略的科学制定具有重要意义。而目前缺少农业和机动车NH₃排放差异化影响的研究。为此, 基于排放因子法建立了1 km分辨率的农田施肥、畜禽养殖和机动车NH₃排放清单, 分析了其时空分布特征; 进一步利用WRF-CAMx-PSAT模型, 结合Brute-Force法对2017年1月和6月的农业源、机动车源减排情景进行模拟, 探究不同NH₃排放源对大气PM_2.5的差异化影响。研究结果显示, 2017年京津冀农田施肥、畜禽养殖、机动车NH₃排放分别为31.0万、44.7万和0.8万t。从减排效果看, 当对农业NH₃和机动车NH₃分别进行梯度减排(10%、30%、50%、70%、100%)时, NH₄⁺呈现出近线性变化, SO₄^2-、NO₃^-呈现出非线性下降趋势。受排放量影响, 农业NH₃减排情景下NH₄⁺、SO₄^2-、NO₃^-的平均浓度变化率(-16.3%、-4.3%和-37.3%)显著高于机动车NH₃减排情景(-1.7%、-0.2%和-4.3%)。但从减排效率看, 则呈现相反现象。为分析减排效率, 提出并定义了NH₃减排空气质量改善效率指数, 即单位(10⁴ t)NH₃减排下PM_2.5浓度变化值。对比发现, 机动车NH₃减排的空气质量改善效率明显高于农业NH₃减排, 1月和6月分别相差1.0~3.2倍和1.2~2.3倍。研究结果可为大气污染的优化防控提供科学依据。