京津冀及周边地区秋冬季大气污染物排放变化因素解析

基于大气污染源排放清单技术方法,定量分析2016~2017年秋冬季"跨年霾"至2019~2020年秋冬季"疫情霾"期间京津冀及周边地区主要大气污染物排放量变化,解析大气污染防治政策实施带来的减排和疫情造成的活动水平下降对主要污染物排放的贡献,并利用空气质量模型模拟分析不利气象条件下措施减排和疫情影响对空气质量改善的贡献.结果表明,从"跨年霾"（2016-12-16~2017-01-14）至"疫情霾"（2020-01-22~2020-02-14）该区域主要大气污染物排放量大幅下降50%左右,不利气象条件下,区域PM_2.5平均浓度可削减40%以上.措施减排主要来自火电、钢铁等重点工业行业提标改造和工业锅炉、民用燃煤等燃煤源治理,对SO₂和PM_2.5排放量的削减贡献较大,贡献率分别为67.1%和53.4%;疫情主要影响移动源和轻工业活动水平,对NO_x和VOCs排放量的削减贡献较大,贡献率分别为71.9%和68.2%.措施减排对区域空气质量改善贡献突出,有效抑制了重污染过程的强度和范围.在"跨年霾"的不利气象条件下,措施减排使区域PM_2.5平均浓度下降26%,重度及以上污染天数减少44%.受疫情影响,区域PM_2.5平均浓度继续下降24%,重污染持续时间和范围进一步缩减.     

京津冀区域典型城市PM2.5污染特征及其成因研究

量化空气质量改善过程中气象条件和减排措施的相对贡献, 有助于科学评估减排措施的实施效果. 本文以2017—2019年京津冀区域13个城市PM_2.5质量浓度为研究对象, 采用主成分分析、系统聚类等方法客观确定各次区域的典型代表城市, 并基于环境气象评估指数（EMI）量化空气质量改善过程中气象条件和减排措施的相对贡献. 结果表明, 京津冀区域PM_2.5浓度整体呈南高北低特征, 高值区集中在河北省南部, 冬季区域PM_2.5浓度显著高于其他季节. 经旋转后的主成分分析可划分出2个主成分, 分别对应河北省中南部地区和京津冀北部地区. 系统聚类将京津冀区域分为3个次区域, 经相似性计算获得次区域典型代表城市为承德、唐山和邢台. 以2017年为基准年开展EMI评估, 结果显示2018年1月承德、唐山和邢台PM_2.5浓度下降, 减排和气象条件均有不同程度的贡献; 不利气象条件是2019年1月承德PM_2.5上涨的主要原因, 排放造成同期唐山PM_2.5浓度上升了52.8%,不利气象条件抵消了邢台减排的效果, 并造成其PM_2.5浓度小幅度增加. 京津冀区域各城市PM_2.5浓度的同步变化, 排放和气象条件对不同城市的贡献仍然存在很大差异, 在京津冀区域内划分次区域具有重要意义.     

成都市道路移动源减排对空气质量的短期影响

近年来随着经济社会的高速发展,我国的空气污染问题日渐突出.管控污染源以减少污染物排放是改善空气质量的主要手段,且其效率如何会极大地影响空气质量的改善效果.但通常情况下,单一减排手段的实施对空气质量的改善的实际贡献往往在短时间内较难做出客观评价.本研究借助新冠疫情期间以道路移动源为主的各类污染源排放短期内大量下降的机会,通过疫情管控措施实施前后交通条件和空气质量的对比,分析道路移动源减排对空气质量改善的短期影响.结果表明,实施管控措施后,城市范围内道路交通条件明显改善,拥堵路段基本消失.受此影响,各类主要污染物浓度出现不同程度的下降,其中,受道路移动源贡献较大的NO₂浓度下降比例达40%~60%,PM_2.5因受气象条件影响较大而下降幅度较小.结合实时的交通数据估算其相应的尾气排放结果表明,疫情期间道路移动源排放的NO_x、HC、CO分别下降59.7%、59.9%和58.8%.本研究对于分析短时间内急速减排等应急措施对环境改善的效果,以及削减污染物排放对空气质量改善的潜力有重要的实际参考价值.     

基于机器学习算法的新冠疫情管控对河南省空气质量影响的模拟分析

全国各地为了减少新冠疫情对社会和人民生活的影响,采取了必要的防疫防控措施,这些措施对空气质量的变化产生了重要的影响,此外空气质量的变化与气象条件也存在很大的关系.通过对河南省疫情前（1月1~26日）和疫情管控期（1月27日~2月29日）这两阶段的空气质量分析对比发现,整个河南省除了O₃浓度上升了69.64%外,PM_2.5、PM₁₀、SO₂、CO和NO₂分别降低了36.89%、34.18%、19.43%、29.85%和58.51%;通过机器学习算法中的长短期记忆型网络（LSTM）模拟显示,气象条件引起污染物浓度的降幅大部分在15%~30%之间;人为排放减少引起的污染物浓度的降幅大部分在6%~40%之间.O₃在疫情期间上升过程中,气象条件和人为排放两种因素分别占了34.84%和34.81%.结果表明,疫情管控期间,河南省空气质量总体上有所改善,但是也有重污染发生,其中O₃的浓度对于疫情管控减排的影响不明显,呈负相关,需要进一步探索引起臭氧浓度上升的原因,以此帮助政府合理控制臭氧等前体污染物的减排比例.     

2014年APEC会议期间北京市空气质量分析

为研究区域性大气污染物减排措施对北京市空气质量的影响,结合地面观测的气象数据、能见度、常规污染物浓度和PM_2.5化学组分,对APEC会议期间北京市的空气质量进行分析.结果表明,APEC期间的11月4日和8-10日两个过程,大气污染物扩散条件较不利,易出现污染过程.APEC期间,密云、榆垡、昌平、奥体中心和西直门北大街5个站点SO₂、NO₂、O₃、PM₁₀和PM_2.5平均浓度分别为(8.0±8.0)、(37.4±21.6)、(36.0±22.5)、(67.7±43.4)和(48.6±42.2) μg·m^-3.与近5年同期(PM_2.5为去年同期)相比,SO₂、NO₂、PM₁₀和PM_2.5日均浓度分别下降了61.5%、40.8%、36.4%和47.1%,O₃日均浓度上升了101.8%.从污染物日变化规律来看,减排措施的环境效果在大气污染物扩散条件较有利的时段体现的更明显.在APEC期间,PM_2.5浓度在前半夜保持平稳,未出现积累峰值.与秋季非APEC期间相比,PM_2.5中大部分组分浓度均有明显下降,二次离子组分降幅尤为明显.同时,本文测算了APEC期间减排措施的"净环境效益",发现减排措施使得SO₂、NO₂、PM₁₀和PM_2.5浓度分别降低了74.1%、48.0%、66.6%和64.7%,O₃浓度上升了189.2%.与10月份的大气污染过程相比,同样在不利气象条件下,实施减排措施后PM_2.5浓度峰值明显降低,积累速度明显减缓.     

减排措施与气象因子对2013—2019年中国大陆地区PM2.5浓度变化的贡献

利用地面气象观测站数据计算的大气自净能力指数（Atmospheric Self-cleaning ability Index，简称ASI）和环境监测站PM_2.5实测数据，评估了中国大陆地区2014—2019年相对于2013年（"大气国十条"实施初期）污染物总体排放率的相对变化，给出了PM_2.5浓度削减量中气象条件和减排措施的相对贡献.研究结果显示，2014年全国排放率总体已下降，2017年各地区全面实现减排，较2013年全国平均减排36.11%，2019年减排幅度进一步加大，至48.50%，其中中东部地区整体减排力度大于西部和东北部地区.2015和2016年秋冬，重点区域持续性重污染频发现象的出现是不利气象条件背景与减排略有放松共同作用的结果，但持续的减排措施对于遏制空气质量的恶化起到了积极作用.2019年，京津冀、汾渭平原、长三角等9个重点区域PM_2.5浓度相较2013年明显降低，高空气质量至少一半以上的原因来源于人为减排，气象因子的贡献相对较小，仅为3%~18%，一些区域气象因子对PM_2.5的改善甚至起到负作用.2013年"大气国十条"实施以来，全国各重点区域有效的污染排放控制确实对空气质量改善起到了决定性作用.本文研发的分离气象和减排措施对PM_2.5浓度变化中相对贡献的方法，使用的定量关系简单、明确，所使用的数据客观、可靠，有利于快速估算和决策.     

武汉市2014-2017年大气污染物分布特征及其潜在来源分析

利用武汉市2014—2017年大气污染物（SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀）和气象要素的观测数据,分析了大气污染物的变化特征及其影响因素.使用HYSPLIT模式计算了影响武汉市的主要气团类型,并利用潜在源区贡献（PSCF）和浓度权重轨迹（CWT）分析方法,揭示了研究期内武汉市不同大气污染物的潜在源区分布及其贡献特性.结果表明,武汉市2014—2017年空气质量逐年好转,SO₂、O₃、PM_2.5和PM₁₀的浓度呈逐年下降的趋势,但NO₂和CO的浓度先下降后上升.2017年SO₂、O₃、PM_2.5、PM₁₀、NO₂和CO的浓度分别为9.6、50.8、52.7、89.2、47.5 μg·m^-3和1.1 mg·m^-3,分别比2014年降低了64.3%、23.0%、24.7%、18.8%、3.5%和5.9%.大气污染物存在显著的季节变化和月变化.大气污染物在四个季节中日变化类似,SO₂和O₃均为单峰型分布,NO₂、CO、PM_2.5和PM₁₀均为双峰型分布.武汉市空气污染以PM_2.5为主,随着污染程度的加剧PM_2.5/PM₁₀的值逐渐增大,在空气质量为严重污染时,PM_2.5/PM₁₀高达90%,比空气质量为优时高了31.34%.局地气团（45%）和来自山西、陕西和河南一带的西北气团（12.1%）下大气污染物浓度较高.大气污染物的潜在源区贡献（WPSCF）和浓度权重轨迹（WCWT）的较大值主要集中在武汉市本地及其周边地区,局地污染对武汉市大气污染物的贡献较大,但不同大气污染物受到排放源分布和停留时间等影响其WPSCF和WCWT的分布范围不同.     

2014年APEC期间北京市空气质量改善分析

利用2014年11月1~12日(APEC会议期间)北京市大气污染物、PM_2.5组分及气象、遥感监测数据,结合CMB受体模型,综合分析了APEC会议期间北京市空气质量与气象条件变化并初步评估了减排措施对APEC会议期间PM_2.5浓度的贡献及影响. 结果表明,APEC会议期间北京市PM_2.5、PM₁₀、SO₂、NO₂的浓度分别为43、62、8和46 μg ·m^-3,比近5年平均浓度(PM_2.5为2012~2013年平均浓度)降低45%、43%、64%和31%; 空间分布上PM_2.5在城区及北部山区改善效果最明显,下降幅度在30%~45%之间,南部地区降幅在25%以下; 不同类别的站点降幅在27.4%~35.5%之间; APEC会议期间PM_2.5的主要组分SO₄^2-与同期(2013年11月1~12日)相比下降50%,地壳物质同比下降76%,NO₃^-同比下降35%; CMB模型源解析结果显示APEC会议期间燃煤锅炉贡献2%左右,扬尘贡献7%左右,机动车贡献30%左右; APEC会议期间北京市及周边地区针对可能发生的污染过程采取的减排保障措施对PM_2.5浓度具有明显的削峰降速作用.     

珠三角典型城市大气污染减排措施的PM2.5改善评估研究

评估大气污染减排措施的成效能为空气质量改善政策制定和优化提供科学指导,但大多减排措施评估研究采用敏感性分析方法进行量化,计算效率低且无法考虑不同减排措施之间的相互影响.另外,现有研究大多关注区域减排措施评估,很少针对城市尺度进行评估.基于此,本研究结合基于模式的PSAT源解析技术提出了一种相对较为高效的城市大气污染减排措施的PM_2.5改善评估方法,并以珠三角典型城市为例,定量评估了肇庆市2014—2016年期间实施的16项减排措施对PM_2.5污染的影响.结果发现,肇庆市近年来的本地减排措施有效降低了SO₂、PM_2.5、PM₁₀、NO_x、NH₃和VOCs排放,降幅分别达到25%、14%、13%、11%、9%和4%.根据模型评估,在2016年气象条件下,2014—2016年期间减排措施使肇庆市本地生成PM_2.5浓度下降了16.0%,其中,对浓度下降贡献最为明显的污染源为工业源和生物质燃烧源,关键措施是以煤炭品质提升为代表的燃煤管控和以焚烧区划定为代表的生物质露天焚烧管控,使肇庆本地PM_2.5浓度分别下降了7.2%和2.4%.农牧源、扬尘源和道路移动源等其他源的减排措施也对PM_2.5浓度改善有一定的贡献,但这些源贡献无法抑制活动水平增长带来的排放和贡献浓度的增长,表明这些源仍存在较大的减排潜力,是下一阶段肇庆市PM_2.5防治的重点对象.本研究的评估方法证实了减排措施的有效性,同时也为未来城市空气质量改善提供了科学依据和技术支撑.     

2015—2017年天水市大气污染物变化特征及来源分析

据天水市2015-2017年大气污染物（SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀）的监测数据及气象资料,分析了天水市大气污染物的浓度变化特征,并利用排放源清单和HYSPLIT模型对污染物来源进行了解析.结果表明：①天水市空气质量有所下降,总体优良率达84.9%.SO₂、NO₂、CO均达标,污染物以颗粒物和O₃为主.②一次污染物SO₂、NO₂、CO、PM_2.5和PM₁₀浓度具有相似的季节变化和日变化特征,冬季最高,夏季最低,日变化呈早晚双峰型.二次污染物O₃夏季浓度最高,冬季最低,日变化呈单峰型.③天水市空气质量主要受污染物的本地排放和外来输送的影响,本地民用和工业部门对SO₂、CO、PM_2.5和PM₁₀的贡献最大,交通和工业部门对NO_x的分担率最高,民用部门是CO的最大排放源;西北和东部气流是污染物外来的最主要输送路径.此外,污染物在城市大气中的稀释、扩散和转移也受当地气象因素（气温、降水、风向等）的影响.     

利用多元线性回归方法评估气象条件和控制措施对APEC期间北京空气质量的影响

气象条件对大气污染物的扩散和传输有重要影响,准确分离和定量气象因素对空气质量的影响是评估大气污染控制政策有效性的前提.本研究利用APEC会议期间及前后(2014-10-15～2014-11-30)北京城区朝阳观测站点SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)以及气象因素的观测数据,采用多元线性回归分析方法,定量评估了气象条件和空气污染控制措施对APEC期间北京空气质量的影响.在假定排放条件不变的情况下,基于气象因素参数建立的预测污染物浓度的多元线性回归模型模拟效果较为理想,决定系数R~2在0. 494～0. 783之间.控制措施使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低48. 3%、53. 5%、18. 7%、40. 6%、3. 6%、34. 8%、28. 8%和40. 6%,气象因素使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低1. 7%、-2. 8%、18. 7%、4. 5%、18. 6%、27. 5%、30. 6%和35. 6%.气象因素和控制措施共同作用使得APEC控制期北京空气质量得到了明显改善.控制措施对SO_2和氮氧化物浓度的下降起主导作用,气象因素对CO浓度的下降起主导作用,气象因素和控制措施对颗粒物浓度降低的贡献相当.本研究还利用相对权重方法研究了气象因素对污染物浓度影响的贡献,结果表明影响不同污染物浓度的决定性气象因素不同.     

Significant concurrent decrease in PM2.5 and NO2 concentrations in China during COVID-19 epidemic

The strict control measures and social lockdowns initiated to combat COVID-19 epidemic have had a notable impact on air pollutant concentrations. According to observation data obtained from the China National Environmental Monitoring Center, compared to levels in 2019, the average concentration of NO₂ in early 2020 during COVID-19 epidemic has decreased by 53%, 50%, and 30% in Wuhan city, Hubei Province (Wuhan excluded), and China (Hubei excluded), respectively. Simultaneously, PM_2.5 concentration has decreased by 35%, 29%, and 19% in Wuhan, Hubei (Wuhan excluded), and China (Hubei excluded), respectively. Less significant declines have also been found for SO₂ and CO concentrations. We also analyzed the temporal variation and spatial distribution of air pollutant concentrations in China during COVID-19 epidemic. The decreases in PM_2.5 and NO₂ concentrations showed relatively consistent temporal variation and spatial distribution. These results support control of NO_x to further reduce PM_2.5 pollution in China. The concurrent decrease in NO_x and PM_2.5 concentrations resulted in an increase of O₃ concentrations across China during COVID-19 epidemic, indicating that coordinated control of other pollutants is needed.     

G20峰会期间杭州地区空气质量特征及气象条件分析

利用空气质量和气象要素的监测资料与再分析资料,分析了2016年G20峰会期间(2016年8月10日—9月20日)杭州及周边地区空气质量演变及区域特征,探讨了气象条件对G20峰会期间杭州空气质量的影响.结果表明:G20峰会管控期间,由于机动车排放大幅度降低,杭州NO_2浓度较管控前有所下降,对比周边城市降幅居于首位;而由于不利气象条件的影响,PM_(2.5)、PM_(10)、SO_2、CO和O_3浓度比管控前有不同程度的增长,但增幅相比周边城市较小,说明管控措施对杭州空气质量有一定的改善效果.9月7日管控措施结束后污染反弹现象明显.气象条件对杭州的空气质量有重要影响:在管控前,杭州晴热高温天气有利于O3的生成,偏东风相对洁净,污染传输较少;在管控期,杭州虽受到静稳天气和外来污染传输的影响,但得益于减排应急管控措施的有效实施,NO_2浓度下降幅度最大,其他污染物的增幅也较周边城市偏小;在管控后,气象条件不利于污染物的垂直扩散,受静稳天气和污染源恢复常态的影响,PM_(2.5)、PM_(10)、NO_2、SO_2和CO出现了整个研究时段的最大值,而台风"莫兰蒂"使得杭州PM_(2.5)、PM_(10)和O_3浓度出现了整个研究时段的最低值.     

基于KZ滤波法的河北省PM2.5和O3浓度不同时间尺度分析研究

大气细粒子和臭氧是影响我国城市空气质量的主要污染物质,其浓度的大小不仅与污染源的排放量有关,气象条件也是影响其浓度分布特征的重要因素.要评估污染物减排措施的效果,有必要将气象条件的影响剥离出来,仅评估排放量的降低对污染物浓度长期变化趋势的影响.本文使用KZ(Kolmogorov-Zurbenko)滤波方法对河北省石家庄、保定、张家口三市2013—2017年PM_(2.5)和O_3逐日浓度时间序列进行分解,并使用同期地面气象观测数据对各时间序列进行逐步回归分析,将经过KZ滤波后的长期序列与经逐步回归后的结果的差值再次进行滤波处理,得到去除气象影响的污染物浓度长期变化趋势,该浓度仅与污染物的排放量有关.结果表明,因污染源排放的影响,河北省三市大气PM_(2.5)浓度在研究年内除在2017年初略有上升以外,其余季节均呈下降趋势.河北省三市大气O_3浓度在研究年内均有波动上升趋势.气象条件对PM_(2.5)浓度长期变化趋势的影响大于O_3.     

2015年12月北京市空气重污染过程分析及污染源排放变化

2015年12月,北京市及周边地区连续多次出现重污染天气.在此期间,北京市空气重污染应急指挥部两次发布红色预警.为厘清该月重污染的发生过程、生消变化,测算了应急措施下的污染源排放变化情况,并采用数值模拟和地面观测相结合的分析方法,对重污染的形成原因进行初步分析,同时对应急措施的环境效果进行评估.结果表明:1虽然2015年12月北京市主要大气污染物排放量较去年同期有所下降,但排放强度仍然较大,是重污染过程的内因;气象扩散条件不利是重要的外因,地面风速弱,大气稳定度高,相对湿度高,边界层高度降低,源排放及气象因素共同导致了此轮重污染过程.2红色预警应急措施可实现污染物日排放强度减少36%左右,PM_2.5浓度下降11%~21%,预警的应急措施不能扭转重污染的态势,但对于缓解PM_2.5污染加重趋势有明显的效果.3在重污染天气下,污染物仍在大气中累积,应急措施最明显的效果发生在实施后的48~72 h后,因此建议在PM_2.5浓度快速上升前36~48 h实施减排措施,从而对空气质量预报准确性提出更高的要求.     

新冠肺炎疫情期间气象条件和排放变化对PM2.5的影响

本文基于WRF-CMAQ定量分析了2020年1~3月全国337城市气象条件和排放变化对PM_2.5浓度的影响.全国气象条件整体转好1.7%,1月转差1.6%,2~3月分别偏有利1.3%和7.9%;全国污染物排放下降使得PM_2.5浓度同比下降14.1%,1~3月分别下降4.0%、25.7%和15.0%.武汉第一季度实测PM_2.5浓度同比降幅高于全国水平,与其气象条件大幅转好且污染排放降幅较大有关.北京在疫情发生前和严控期PM_2.5浓度同比升高,主要为气象转差所致;复工复产期同比下降,主要为污染排放大幅下降所致."2+26"城市、汾渭平原和长三角在第一季度PM_2.5浓度同比均下降,长三角降幅最大,与其污染排放大幅下降有关;"2+26"城市和汾渭平原在疫情发生前气象条件大幅转差,严控期大幅转好,长三角在复工复产期气象条件最有利;重点区域均为疫情严控期污染排放降幅最高,复工复产期降幅趋缓.     

中原城市冬季两次重污染形成机制及来源

为揭示郑州市冬季空气污染过程及形成原因,选取郑纺机国控站点为采样点,探讨2019年12月郑州大气污染物浓度和主要气象参数特征,对比不同污染阶段PM_2.5水溶性离子、元素和碳质组分浓度变化,并利用空气质量模型模拟结果,分析采样期间污染源排放与区域传输对采样点PM_2.5质量浓度的贡献.结果表明,采样期间第一次和第二次重污染形成和消散过程略有差异,分别呈现出"缓慢累积、缓慢清除"和"缓慢积累、快速清除"的特征.第一次和第二次重污染时段NO₃^-、SO₄^2-和NH₄⁺质量浓度占PM_2.5比值达到41.5%和46.2%,OC/EC比值分别为4.0和4.5,二次气溶胶颗粒的大量生成是两次重污染形成的主要原因.采样期间本地、东部、南部、西部和北部区域对采样点PM_2.5浓度贡献占比均值分别为58.0%、2.4%、6.7%、6.9%和12.7%,第一次重污染是本地污染物排放和外来源区域传输共同作用的结果,期间西部和南部区域及外来工业源贡献占比有所升高;而第二次重污染则主要受到本地大气污染物累积的影响,期间交通源、扬尘源和燃煤源污染贡献骤增,外部区域对采样点PM_2.5浓度的影响有所减弱.     

成都市一次典型空气重污染过程特征及成因分析

为了研究成都市冬季空气重污染过程的成因,以2015年12月26日—2016年1月6日成都市一次典型重污染天气过程为例,基于HYSPLIT后向轨迹模式结合全球资料同化系统(Global Data Assimilation System,GDAS)气象数据和成都市7个监测站的AQI、PM_(2.5)、PM10、NO2质量浓度数据,使用气象分析、轨迹聚类(Cluster Analysis)、潜在源贡献因子法(Potential Source Contribution Function,PSCF)和浓度权重轨迹法(Concentration Weighted Trajectory,CWT),分析了此次过程的气象特征、轨迹输送特征和污染物潜在来源分布.结果表明,此次污染天气过程是以PM_(2.5)为主要污染物,其次为PM10、NO2.2015年12月30日14:00左右是此次污染天气过程各站点PM_(2.5)、PM10浓度到达峰值的时刻.缺少北方冷空气南下,四川盆地内空气水平运动弱,以及扩散条件差的静稳天气形势是导致此次大气污染过程成都市污染物累积的原因,而冷空气活动是改善这种天气形势的关键.污染过程辐射逆温层的形成对当时污染物浓度增长有促进作用,但随着每日生消、加强减弱,其并不是最终导致重污染天气形成的关键因素.川东北的广元、绵阳、德阳等地区和成都本地及其南向的眉山、雅安等地区是此次过程主要的潜在源区,这些地区人口较密集,工业较发达,且沿地形走向而分布.     

山地型城市冬季大气重污染过程特征及成因分析

以阳泉市2018年12月26日~2019年1月20日发生的典型大气重污染过程为例,研究了山地型城市冬季大气重污染过程特征及成因.结果表明,重污染发生时段首要污染物为PM_2.5,水溶性离子和碳质组分是PM_2.5主要组分,其中二次离子SO₄^2-、NO₃^-和NH₄⁺是主要水溶性离子成分（共占离子组分的87.7%）,二次有机碳（SOC）是碳质组分的主要成分（71.6%）.二次离子在重污染发生时的浓度较发生前增加5.3倍,是导致PM_2.5快速增长的重要组分.气象条件分析显示,PM_2.5及其主要组分皆与相对湿度呈显著正相关关系而与风速呈显著负相关,随相对湿度增加以及平均风速降低,污染程度逐渐加重.山地型城市相对湿度较高、温度变化幅度大等气象特征使二次污染物的生成加快,是导致PM_2.5污染程度快速加重的主要原因.另外,山地型城市相对封闭的地形导致的平均风速降低使得大气污染物扩散条件相对较差是污染物累积的原因之一.PMF模型解析结果为：二次源（46.0%）对PM_2.5贡献显著,其次为燃煤源（32.6%）、机动车源（19.8%）和扬尘源（1.6%）.因此,山地型城市更应该重视对二次组分,特别是二次离子形成的前体物的管控.