2015年福州市大气颗粒物污染特征

为了解福州市大气颗粒物污染状况,利用中国环境监测总站发布的实时大气环境监测资料,结合气象资料和HYSPLIT4轨迹模式,分析了2015年福州市大气颗粒物污染特征和典型污染过程.结果表明:2015年福州市ρ（PM₁₀）、ρ（PM_2.5）年均值分别为55.8和29.2μg/m3,均低于GB 3095-2012《环境空气质量标准》二级标准限值.颗粒物浓度季节性变化特征明显,表现为冬春季高、夏秋季低的变化特征. ρ（PM_2.5）/ρ（PM₁₀）为52%,普遍低于我国东部其他大中城市;日际变化明显,受混合层高度日变化和机动车排放的影响,呈双峰形态. ρ（PM_2.5）/ρ（PM₁₀）日变化趋势与ρ（PM₁₀）日变化特征相反,即ρ（PM₁₀）高时ρ（PM_2.5）所占比例低,ρ（PM₁₀）低时ρ（PM_2.5）所占比例高,表明早晚高峰机动车排放所造成的颗粒物污染以粗颗粒物贡献为主.福州市颗粒物污染天气成因主要有"积累型"和"输送型"污染. 2015年1月5-6日发生的污染过程,是在一次静稳、高湿天气形势下,本地排放的污染物在不利于扩散的气象条件下聚集、二次转化,导致颗粒物浓度升高、能见度降低. 2015年1月17-19日的污染过程主要是北方污染物随冷空气输送南下,导致本地颗粒物浓度迅速升高、能见度迅速降低.研究显示,福州市PM₁₀和PM_2.5优良率较高,颗粒物污染主要发生于冬季,污染成因包括局地累积和区域输送.      

哈尔滨市大气细颗粒物污染特征及其毒性效应

为研究哈尔滨市大气细颗粒物的污染特征及其毒效应,分别采集PM_2.5、PM_1.0样品,分析其质量浓度、数浓度的变化分布特征以及对小鼠肺损伤的影响.结果表明：2017年全年PM_2.5、PM_1.0的质量浓度均呈冬高夏低趋势;PM_1.0质量浓度占PM_2.5总质量浓度的62%~85%,PM_1.0数浓度变化趋势为两边高中间低,且其大小与温度呈负相关,与相对湿度无显著相关性;研究大气颗粒物对小鼠肺损伤影响时发现,染毒组小鼠肺组织细胞中LDH、ACP、AKP、ALB增高,说明大气颗粒物PM_2.5和PM_1.0对小鼠肺组织细胞具有毒效应;肺灌洗液中MDA、NO、NOS水平升高,SOD活性下降,说明PM_2.5和PM_1.0都使机体发生氧化损伤,且PM_2.5和PM_1.0质量浓度增加,会使小鼠肺组织细胞毒效应增强,由此引发的机体氧化损伤程度增大.     

鞍山大气颗粒物浓度的变化特征

利用鞍山大气成分监测站Grimm180观测的2007年颗粒物数浓度,ρ(PM₁₀₎,ρ(PM_2.5)和ρ(PM_1.0)以及台站的常规气象观测资料,分析了该地区颗粒物数浓度的谱分布、质量浓度的变化特征及与气象条件的相关性. 结果表明:颗粒物数浓度谱分布符合Junge分布;参数υ与能见度呈负相关,υ值越大且PM0.45占PM₁₀的数浓度比例小于90%,能见度较差;颗粒物质量浓度日变化呈双峰特征,ρ(PM₁₀₎,ρ(PM_2.5)和ρ(PM_1.0)之间有很好的相关性,ρ(PM_2.5)/ρ(PM₁₀₎平均值为0.654,ρ(PM_1.0)/ρ(PM_2.5)的平均值为0.832,ρ(PM_1.0)/ρ(PM₁₀₎平均值为0.545;鞍山地区年主导风向为SE,颗粒物质量浓度变化受辽宁沙尘移动路径的影响较小,主要受排放累积型污染影响,其中大雾天气条件下颗粒物质量浓度较高,大雾期间的回归方程截距较年平均回归方程的大,这对研究颗粒物质量浓度的突变特性具有指示作用.      

焦作市PM2.5和PM10时空变化特征及其与气象因子的关系

为了研究焦作市大气中PM_2.5和PM₁₀污染状况,基于2018—2020年焦作市50个环境空气质量监测站点的PM_2.5和PM₁₀浓度逐时观测资料,结合气象资料,分析了焦作市PM_2.5和PM₁₀浓度的时空分布特征及气象因素影响。结果表明:1)焦作市PM_2.5和PM₁₀呈双峰型日变化,且具有显著的U形逐月变化规律及冬高夏低、春秋居中的季节性特征。2)2018—2020年PM_2.5和PM₁₀浓度年均值呈西南高东北低的空间差异性特征。与2018年相比,2020年修武县PM_2.5和PM₁₀浓度的下降幅度最大,分别为30.25%、22.72%。3) Spearman相关性分析表明,PM_2.5和PM₁₀浓度与气温、风速呈显著负相关;与气压呈显著正相关;相对湿度与PM_2.5浓度呈显著正相关,与PM₁₀浓度呈显著负相关。焦作市环保局监测站在东北风、西南风风向PM_2.5和PM₁₀浓度污染较重,博爱县清化镇、沁阳市西万镇和武陟县乔庙乡监测站在西南风风向易出现高浓度颗粒物。该研究结果可为日后工业地区大气污染防治,生产生活的合理规划与布局提供重要参考。     

2015~2019年日照市PM2.5长期变化特征及其潜在源区分析

利用2015~2019年山东省日照市PM_2.5质量浓度和气象要素的小时数据,对日照市PM_2.5季节污染特征和日照市海陆风特征进行了分析,并基于HYSPLIT模式计算了5年逐日02：00、08：00、14：00和20：00（BTC）的48h后向轨迹,不仅通过轨迹聚类分析和潜在源区分析探讨了日照市不同季节PM_2.5主要传输路径和其轨迹污染特征及其潜在源区分布和贡献,也分析了海陆风对日照市污染物的影响.结果表明：日照市PM_2.5呈现冬季最高、夏季最低的分布特征,监测站点颗粒物浓度在偏西北风影响下较高.日照市不同季节主要输送路径存在差异：春季主要受到偏东和偏北方向气流影响;夏季在副热带高压影响下主要受到来自海上的较为清洁的偏东气流影响;秋季主要受到西北和偏东气流影响;冬季主要受西北和偏北气流影响.整体而言,不同季节受偏西至偏南气流影响时,日照市对应的PM_2.5浓度较高.日照市海陆风春秋季多,夏冬季少;在海陆风影响下,日照市PM_2.5污染和臭氧污染呈现不同的分布特征,且在不同PM_2.5污染等级下,PM_2.5浓度日变化特征也与其在非海陆风日的日变化有所差异.污染潜在源区分析结果表明,日照市最主要的潜在源区位于山东省临沂市、潍坊市、青岛市和江苏省连云港市.     

云浮市2018—2020年颗粒物和臭氧污染特征及污染案例研究

为探究云浮市颗粒物和臭氧(O₃)污染特征,利用多元统计分析方法分析了云浮市2018—2020年6项环境空气污染物浓度、气象因子等监测数据,并对2020年12月25—29日冬季PM_2.5和O₃污染过程进行了研究. 结果表明:①PM_2.5、PM₁₀、NO₂、CO月均浓度呈夏季低、冬季高的变化特征;O₃-8 h第90百分位数呈夏秋季高、冬春季低的变化特征. ②PM₁₀、PM_2.5和CO小时浓度日变化呈波浪型变化特征,PM_2.5、CO小时浓度最大值均出现在09:00,PM₁₀小时浓度最大值出现在02:00. O₃、SO₂小时浓度日变化呈单峰型变化特征,O₃、SO₂小时浓度最大值分别出现在16:00、10:00. NO₂小时浓度日变化呈单谷型变化特征,最小值出现在14:00. ③PM_2.5-10、SO₂、NO₂、O₃小时浓度与PM_2.5小时浓度均呈正相关,说明PM_2.5-10、SO₂、NO₂、O₃与PM_2.5具有一定程度的同源性. O₃小时浓度与NO₂、CO小时浓度呈负相关,且O₃小时浓度与NO₂小时浓度相关性更强. 夏秋季NO₂、CO、O₃、PM_2.5小时浓度与气温的相关性比冬春季的更强. SO₂、PM₁₀、PM_2.5、O₃小时浓度均与湿度呈负相关,其中O₃小时浓度与湿度的相关性最强,相关系数为?0.586. ④2020年12月25—29日云浮市城区PM_2.5污染受到静稳天气影响,O₃污染与28日午后太阳高温辐射以及来自珠三角地区O₃污染气团的输入影响有关. 利用ART-2a对该时段采集的颗粒物进行成分分析,得到K、EC、OC、ECOC、HM、LEV、Na、SiO₃这8种单颗粒物. 整个时段EC、OC、ECOC谱图中都存在明显的硫酸盐峰和硝酸盐峰. PM_2.5小时浓度与硫酸盐离子、硝酸盐离子、硅酸盐离子、铵离子、氯离子的数量均呈显著正相关,二次反应和老化过程对PM_2.5污染有显著影响. 研究显示,云浮市PM_2.5和O₃复合污染防控需要关注本地污染物变化特征和排放源影响,也需关注外来污染气团特别是来自珠三角地区污染气团输入的影响.      

运城市PM2.5时空分布特征和潜在源区季节分析

基于2019年3月～2020年2月环境空气质量监测数据,分析了运城市PM_2.5污染的时空分布特征,并利用HYSPLIT后向轨迹模型和聚类分析等方法探讨不同季节运城市PM_2.5污染的输送路径和潜在源区.结果表明,运城市ρ(PM_2.5)冬季最高(111.24μg·m^-3),夏季最低(30.02μg·m^-3),PM_2.5/PM₁₀秋冬季均大于0.6,表明运城市秋冬两季颗粒物污染以细颗粒物为主;空间上ρ(PM_2.5)年均值呈现北部和中部高、东部和西部低的分布特征,高值区PM_2.5与SO₂、 NO₂和CO呈显著强相关,表明本地排放对高值区ρ(PM_2.5)影响较大,春季和冬季最高值分别位于河津市(58.50μg·m^-3)和稷山县(142.33μg·m^-3),夏季最高值位于南部的平陆县(36.92...     

汾渭平原吕梁市颗粒物潜在源及输送通道分析

基于汾渭平原吕梁市2017~2019年颗粒物浓度监测数据和地面气象观测数据,利用后向轨迹聚类分析法以及潜在源贡献函数(PSCF)等方法研究了吕梁市冬季PM₁₀和PM_2.5大气污染特征及其潜在源区,最后结合轨迹密度分析法(TDA)、轨迹停留时间分析法(RTA)对轨迹聚类分析得到污染输送通道进行补充分类,并分析了不同输送通道的输送特征.研究发现,吕梁市2017~2019年颗粒物年均浓度逐年下降,其中PM₁₀下降了28μg/m³,PM_2.5下降了17μg/m³,冬季下降幅度最大.3a冬季风向风速和浓度的统计分析表明吕梁市颗粒物浓度受东北和西南风影响最为显著,其原因是受当地三川河河谷地形的影响.影响吕梁市PM₁₀污染的潜在源区主要位于西南方向,PM_2.5污染的潜在源区主要分布在西南、东和东南方向,颗粒物污染输送通道可概括为:西北、西南和偏东(东+东南)通道.西北通道气流移动速度快,途经新疆、内蒙、甘肃和陕西北部等区域;西南通道气流移动速度慢,主要途经陕西中南部渭河平原等污染严重的区域;偏东通道的气流移动速度慢,气流先沿太行山东麓南下,在经过太行山的横断山谷(太行陉、井陉等)时转向进入山西.PM₁₀污染时西北通道贡献最大,偏东通道贡献最小,且两个通道下绝大多数发生的均是轻度污染,占比都在90%左右;PM_2.5污染时三类通道下发生轻度污染的比重较PM₁₀均下降,西南和偏东通道下发生中度污染以上的比重在50%左右,且西南和偏东通道途经的区域恰好是PSCF计算得到的潜在源区位置,说明了西南和偏东气流容易将细颗粒物输送至吕梁.WRF (天气预报模式)的风场模拟较为直观的解释了三类污染输送通道,且复杂地形是形成污染输送通道的一个重要因素.西北和西南污染输送通道主要受吕梁山脉的影响,偏东污染输送通道主要受太行山及其横谷的影响.     

2013~2014年北京大气重污染特征研究

从污染物浓度的时间变化、空间分布以及大气污染类型等方面,对2013~2014年北京大气重污染过程进行了分析,并初步探讨其影响因素.结果表明:2013~2014年北京共出现大气重污染105d,重污染频率为14.4%.其中,首要污染物为PM_2.5的天数为103d,首要污染物为PM₁₀和O₃各有1d;冬半年重污染天数占全年的76.2%.重污染气象要素特征主要表现为风速小、湿度高、能见度低.重污染日PM_2.5/PM₁₀浓度比值为91.3%,明显高于全年平均水平,表明重污染时颗粒物以细颗粒物为主.北京大气重污染区域分布表现为南高北低,平原高、山区低的总体特征,交通站重污染天数普遍高于市区其它站点.北京大气重污染主要表现为积累型、光化学型、沙尘型以及复合型等类别;其中积累型大气重污染往往伴有区域污染水平的整体升高,PM_2.5组分中NO₃^-、SO₄^2-、NH₄⁺等水溶性二次离子的浓度增幅最为明显;O₃污染在近两年有加重的趋势.     

中国城市PM2.5和PM10时空分布特征和影响因素分析

PM_2.5和PM₁₀浓度超标引发的空气质量问题严重影响公众健康,研究PM_2.5和PM₁₀浓度对制定有效的污染防控和治理措施具有重要意义.运用时空分析法,分析2018年季度PM_2.5和PM₁₀浓度时空分布,并用GWR探究浓度差异的原因.结果表明：(1)PM_2.5和PM₁₀的浓度均呈冬春高、夏秋低的季节性规律;四季污染物浓度在胡焕庸线两侧存在显著差异,该线以东地区高浓度聚集在京津冀地区,该线以西地区高浓度聚集在新疆中南部.(2)PM_2.5和PM₁₀浓度的Moran’s I在四季均为正,且均在冬季增至最大值;PM_2.5和PM₁₀的分布格局基本一致,“高-高”类和“低-低”类集中分布现象明显.(3)各因素对PM_2.5和PM₁₀浓度的影响存在较大空间异质性.温度和坡度对PM_2.5     

银川市PM2.5的输送路径及潜在源解析

基于2015~2017年银川市PM_2.5逐小时质量浓度和同期气象数据,采用气流后向轨迹聚类分析法、潜在来源贡献函数法（PSCF）和浓度权重轨迹分析法（CWT）研究银川市PM_2.5的输送路径及潜在源分布.结果表明：2013~2018年银川市大气PM_2.5质量浓度呈先升高后下降的趋势,其中2016年PM_2.5浓度年均值最高（54.25±20.91）μg/m³;在四季变化中,冬季PM_2.5浓度最高（75.11±29.21）μg/m³,夏季最低（31.83±7.09）μg/m³.聚类分析表明西北方向气流是银川市四季PM_2.5主要的输送路径,在春、秋、冬3季PM_2.5均为西北长距离输送路径;而在夏季,短距离输送气流是PM_2.5主要的输送方式.PSCF与CWT分析表明,冬季PM_2.5潜在源区范围最大,主要集中在西北-东南走向的潜在贡献源区带,包括新疆中东部、青海省北部、河西走廊地区、内蒙古西南部、甘肃省南部以及宁夏西北部;春、秋两季PM_2.5潜在源区主要位于新疆东部与甘肃省交界区域、甘肃省东南部、湖北北部、陕西西南部以及重庆北部;夏季的潜在源区范围最小,主要集中在新疆东部与甘肃交界区域.在PM_2.5重污染天气期间,其主要来源于西北方向气流,潜在源区主要分布在新疆东部与甘肃交界区域、内蒙古西南部与甘肃交界区域以及甘肃中南部地区.因此,在实施防风固沙的基础上,加强区域环境合作,实施大气污染联合防治,可以有效缓解银川乃至京津冀地区的大气污染.     

甘肃地区春冬季颗粒物输送路径及潜在源分析——基于HYSPLIT4模式及TraPSA分析平台

利用HYSPLIT4模式和全球资料同化系统数据,计算了甘肃地区5个站点2017～2018年逐时72h气团后向轨迹;结合各站点颗粒物逐时质量浓度数据,选择颗粒物污染最严重的春冬季,利用轨迹聚类方法分析了甘肃地区后向气流轨迹特征;基于潜在源贡献函数(PSCF)分析法和浓度权重轨迹(CWT)分析法,将各站点分析结果输入Tra...     

青岛环境空气PM10和PM2.5污染特征与来源比较

年分别在青岛设6个和2个采样点采集PM₁₀和PM_2.5样品,分析二者质量浓度及颗粒物中多种无机元素、水溶性离子和碳等组分的质量浓度,以研究PM₁₀及PM_2.5的污染特征. 采用CMB-iteration模型估算法,确定一次源类及二次源类对PM₁₀和PM_2.5的贡献,利用统计学方法比较PM₁₀和PM_2.5的污染源. 结果表明:青岛大气颗粒物质量浓度季节变化显著,表现为春、冬季高,夏、秋季低;Na、Mg、Al、Si、Ca和Fe元素主要富集在PM₁₀中,SO₄2-、NO₃-、EC和OC主要富集在PM_2.5中;城市扬尘、煤烟尘、建筑水泥尘及海盐粒子等粗粒子在PM₁₀中的分担率较PM_2.5中的高,分担率分别为28.7%、17.2%、7.16%及4.47%;二次硫酸盐、二次硝酸盐、机动车尾气尘及SOC(二次有机碳)等在PM_2.5中的分担率较PM₁₀中的高,分担率分别为19.3%、8.97%、13.7%及6.07%;由PM₁₀与PM_2.5化学组分的分歧系数可见,春、秋季PM₁₀和PM_2.5化学构成存在一定差异,而冬、夏季二者的化学构成相似.      

深圳大气PM2.5化学组成的长期变化特征

为分析深圳市大气细颗粒物（PM_2.5）浓度长期持续下降的原因,进而明确PM_2.5下一步减排潜力和精细化管理方向,本研究基于2019年在深圳市西乡点位采集的PM_2.5样品,分析了西乡PM_2.5的化学组成及季节分布特征.结果表明,2019年西乡点位PM_2.5年均浓度为29.4μg/m³,总体上呈现夏低冬高的季节特征,有机物（OM）和硫酸根（SO₄^2-）仍是主要的组分,分别占总质量的42.3%和17.6%.对2009、2014、2019年典型月份PM_2.5的组分进行对比,PM_2.5全年质量浓度从42.3μg/m³（2009年）下降至24.6μg/m^3.（2019年）,OM、SO₄^2-、硝酸根（NO₃^-）、铵根（NH₄⁺）和元素碳（EC）等都有明显的下降趋势.矿物质元素（Al、Ca）是地面扬尘和建筑尘的标识组分,近年来Al、Ca浓度的增加趋势表明宝安区西乡扬尘的影响在逐渐扩大.2009、2014、2019年OC/EC的值逐渐扩大,说明了一次燃烧源排放的影响逐渐减小,但二次有机物（SOC）的贡献逐渐凸显.通过分析2004、2009、2014、2019年夏、冬季PM_2.5中6种主要组分变化趋势,表明6种主要组分夏冬两季皆有下降趋势,但由于气象因素导致冬季污染物受到区域传输的影响较大,夏季各组分浓度的下降幅度普遍高于冬季.总体来说深圳市PM_2.5浓度持续下降的原因是深圳市对机动车、工业VOC （挥发性有机物）、远洋船舶以及一次燃烧源的管控和减排.     

颗粒物污染对高血压门急诊就诊人数的影响-时间序列研究

为探讨颗粒物对金昌市高血压门急诊就诊人数影响的暴露反应关系,本文收集甘肃省金昌市2012年1月1日~2015年12月31日大气PM₁₀、SO₂、NO₂数据及2014年1月1日~2015年12月31日大气PM_2.5污染物监测数据及同期气象观测数据,同时收集近年金昌市三家综合医院的高血压门急诊日就诊病例.采用广义相加模型,分析不同大气污染物与高血压门急诊日就诊人数的关联性.结果表明,在单污染物模型中,滞后L07d时PM₁₀平均浓度每升高一个IQR,高血压日门急诊人数增加2.30%（95% CI：1.30%~3.32%）,L6d时PM_2.5平均浓度每升高一个IQR,高血压日门急诊人数增加2.53%（95% CI：1.45%~3.62%）.PM₁₀和PM_2.5对男性、65岁以上高血压患者门急诊影响更高.SO₂和NO₂与颗粒物之间存在协同效应,沙尘天气下PM₁₀对高血压门急诊人数的影响由2.30%增加到2.36%,PM_2.5的影响由2.53%减少到2.39%.研究得出颗粒物污染对金昌市高血压门急诊就诊人数具有不同程度的影响,其中细颗粒物（PM_2.5）的效应更强.     

乌鲁木齐市区与南郊山区颗粒物污染特征对比分析

利用2017年10月~2018年8月的PM₁₀、PM_2.5、PM₁质量浓度数据以及NCEP全球再分析气象资料,分析乌鲁木齐市区和南郊山区颗粒物浓度变化特征,结合HYSPLIT后向轨迹模型、潜在源贡献因子分析(PSCF)以及浓度权重轨迹分析(CWT)分析市区颗粒物潜在源区.研究结果表明:①市区PM_2.5的超标天数为26d,南郊山区无PM_2.5超标,市区PM₁₀的超标天数是南郊山区的3.5倍,市区日均值及月均值质量浓度是南郊山区的2~7倍,市区呈现冬高夏低的季节特征,南郊山区春季最高;②乌鲁木齐市区PM₁₀日变化存在3个峰值,PM_2.5、PM₁为双峰型分布,南郊山区均呈双峰分布;并存在季节性周末效应;③长短两支聚类气流轨迹对乌鲁木齐市区颗粒物浓度影响较大,春夏气流来自中亚,秋冬来源于北疆周边地区;④颗粒物潜在源区分布季节特征显著,高值区主要为昌吉、巴州、吐鲁番等周边地区,西北部中亚地区也是颗粒物重要来源区域之一.     

甘肃省冬季颗粒物浓度的数值模拟

颗粒物浓度的数值模拟能够反映颗粒物的空间分布特征,对于防治大气颗粒物污染具有一定意义.利用MEIC清单和第二次全国污染源普查（简称“二污普”）数据统计的甘肃省工业源、电力源、农业源、民用源和交通源五类源的主要污染物排放量,分析了污染源排放的空间分布特征,利用WRF-Chem模式模拟了甘肃省2019年1月PM₁₀和PM_2.5浓度,将模拟结果与甘肃省33个环境空气质量国控监测点颗粒物日均监测数据进行对比,检验WRF-Chem模式模拟的性能,进一步分析了甘肃省颗粒物浓度的空间分布特征.结果表明:①甘肃省SO₂、NO_x、PM₁₀、PM_2.5、VOCs、NH₃和CO在1月的排放量分别为2.12×104、2.96×104、2.97×104、2.43×104、3.18×104、1.27×104和3.04×105 t,除NH₃外,其他污染物排放高值主要分布在兰州市、嘉峪关市等工业发达地区.②33个环境空气质量国控监测点模拟与监测的PM₁₀和PM_2.5浓度的相关系数分别为0.544和0.597,颗粒物的模拟值与监测值有较好的相关性;WRF-Chem模式模拟结果显示,PM₁₀和PM_2.5浓度高值分布在兰州市,次高值分布在天水市和庆阳市,甘南藏族自治州以及河西地区颗粒物浓度较低,这是甘肃省工业布局、扩散条件和地形条件综合作用的结果.研究显示,WRF-Chem模式可以较好地模拟甘肃省区域颗粒物浓度时空分布特征.      

广州不同站点类型PM2.5与O3污染特征及相互作用

基于2015~2019年广州4个不同国控站点类型的大气污染物监测数据,研究了广州各站点类型颗粒物（PM_2.5）和臭氧（O₃）的污染特征,并分析了O₃污染季节和PM_2.5污染季节PM_2.5和O₃的相关性及相互作用.结果表明：2015~2019年广州各站点类型PM_2.5浓度总体呈下降趋势,O₃浓度呈上升趋势.不同污染季节PM_2.5与O₃浓度均呈正相关.O₃污染季节二次PM_2.5的生成对颗粒物的影响显著大于一次PM_2.5,随着光化学水平的升高,一次PM_2.5的贡献浓度基本不变（均在21.03~31.37μg/m³范围内）,贡献率逐渐下降;而二次PM_2.5的贡献浓度逐渐升高（3.51~7.72 μg/m³升高到16.04~18.45μg/m³）,贡献率也逐渐升高（11%~27%升高到34%~44%）,且呈倍数增加.不同站点类型贡献差异明显,背景站点二次PM_2.5的贡献最大,城区站点在中和高光化学水平下二次PM_2.5的贡献最小;PM_2.5污染季节各站点类型在不同PM_2.5污染水平下O₃浓度均具有差异性,总体上均呈现背景站点>郊区站点>城区站点的特点.气溶胶的消光作用和非均相反应均显著促进O₃生成,随着PM_2.5浓度升高,各站点类型的O₃浓度峰值逐渐升高,由62.12~83.82μg/m³升高到92.49~135.4μg/m³;O₃变化率峰值也逐渐升高,由8.42~10.02μg/（m³·h）升高到21.33~27.04μg/（m³·h）.进一步促进了广州PM_2.5和O₃浓度的协同增长.     

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.