合肥地区2013年春节期间PM2.5质量浓度演变特征

利用2013年2月8~19日合肥地区获取的大气颗粒物和常规气象观测资料,依据烟花爆竹燃放、降水过程、相对湿度和风速特点,分析了PM2.5质量浓度在不同气象条件下的变化特征。结果表明:合肥春节期间PM2.5质量浓度平均值为58.3μg/m~3,仅出现两个PM2.5质量浓度污染日;城市居民集中燃放烟花爆竹引起PM2.5质量浓度急剧增大,但主要排放PM1;降水过程对PM2.5质量浓度具有湿沉降作用,过程降水量越大,PM2.5质量浓度湿沉降量越大;PM1、PM1~2.5和PM2.5~10与相对湿度的相关系数分别为0.45、0.26和-0.07,粒径尺度越小的颗粒物吸湿增长特性越显著;PM2.5质量浓度演变与风速呈负相关,两者的相关系数为-0.33,风速越大,越利于颗粒物扩散。     

合肥地区2013年春节期间PM2.5质量浓度演变特征

利用2013年2月8～19日合肥地区获取的大气颗粒物和常规气象观测资料,依据烟花爆竹燃放、降水过程、相对湿度 和风速特点,分析了PM2.5质量浓度在不同气象条件下的变化特征。结果表明:合肥春节期间PM2.5质量浓度平 均值为58.3 μg/m3,仅出现两个PM2.5质量浓度污染日;城市居民集中燃放烟花爆竹引起PM2.5质量浓度 急剧增大,但主要排放PM1;降水过程对PM2.5质量浓度具有湿沉降作用,过程降水量越大, PM2.5质量浓 度湿沉降量越大; PM1、PM1～2.5 和PM2.5～10与相对湿度的相关系数分别为0.45、0.26和－0.07,粒径 尺度越小的颗粒物吸湿增长特性越显著; PM2.5质量浓度演变与风速呈负相关,两者的相关 系数为－0.33,风速越大,越利于颗粒物扩散。     

包头城区冬春大气颗粒物污染特征及其与气象条件关系

包头2015~2016年冬春季节出现了连续的雾霾天气,不仅对能见度产生较大影响而且严重危害人体健康。选取了包头主城区8个空气质量浓度监测点的数据,对主城区的PM2.5和PM10污染特征进行分析,确定其空间差异特征和时间性变化特征。依据监测区功能的不同将包头主城区划分为5个区域,对各个区域监测点数据筛选整理,得到冬春季各个区域PM2.5和PM10质量浓度由高到低的顺序均为：工业区＞ 商业区 ＞文化区 ＞交通枢纽区＞公园游览区。各区域颗粒物月变化曲线呈双峰单谷型,12月最高,2月最低,并对成因进行分析总结;逐日变化反映PM2.5和PM10质量浓度具有较好的相关性,且受气象条件影响显著;日变化呈双峰双谷趋势。本文选取了气温、气压、相对湿度和风速等气象因子,利用Spearman秩相关分析研究各个气象因子对大气PM2.5和PM10质量浓度的影响。包头春季PM2.5和PM 10的质量浓度分别与气温、气压正相关,与风速、相对湿度（伴有降水时）负相关,风速、气压和相对湿度是影响污染物质量浓度分布的主要因素。     

气象条件对大气中PM2.5浓度的影响

分析了浙江某地近年1月至9月逐日平均PM2.5浓度与降雨量、温度、湿度和风速等气象参数的关系,得出PM2.5浓度大小与风速的变化密切相关,降雨能降低空气中的PM2.5浓度,在隔离降雨因素的前提下,无论是相对湿度还是绝对湿度与PM2.5浓度都不具有明显的相关性,日平均温度与PM2.5浓度呈现负相关。     

基于遥感数据和GWR 模型的成都PM2.5 浓度时空分布特征研究

利用 MODIS 021KM 数据反演成都地区 2018 年逐日 AOD 数据, 并结合 PM2.5 地面监测数据以及气象数据 构建地理加权回归 (GWR) 模型得到成都地区逐月 PM2.5 浓度。结果表明: (1) 和多元线性回归模型相比, GWR 模型 反演的 PM2.5 浓度的 R2、 ERMS 和 EMA 分别为 0.884、 7.8704 µg·m−3 和 6.1566 µg·m−3 , 都优于多元线性回归的 0.808、 9.7098 µg·m−3 和 7.6081 µg·m−3, 说明该模型能有效估算成都地区 2018 年 PM2.5 浓度。 (2) 成都地区 PM2.5 浓度在月尺 度上呈现出先降低、后升高的变化特征。 2 月最高为 67.38 µg·m−3, 7 月最低为 28.31 µg·m−3; PM2.5 浓度季节变化特征 为夏季、秋季、春季、冬季依次递增。 (3) 成都地区 PM2.5 浓度空间分布总体上呈现“中间高、两边低”的特征。西部 地区为 PM2.5 浓度低值区, 中部地区为高值区, 东部的简阳市和金堂县为 PM2.5 浓度次高值区。     

细微大气颗粒物PM2.5影响因素研究

通过采样分析得知PM2.5质量浓度与温度、风速呈现非常显著的负相关关系,与相对湿度呈现非常显著的正相关关系,与大气压的相关性则比较弱。气象要素对PM2.5质量浓度的影响从主到次顺序依次是相对湿度、风速、温度、气压。     

成都秋冬季气溶胶消光系数的非平稳性分析

基于对大气消光系数时间序列随机性的深入研究,利用成都市2015至2017年秋冬季的大气能见度、相对湿度(RH)、颗粒物(PM10和PM2.5)质量浓度和NO2含量监测数据,反演得到该区域相应时段的气溶胶消光系数时间序列.基于位置、尺度、形状的广义可加模型检测了气溶胶消光系数时间序列的平稳性,并对气溶胶消光系数序列进行了协变量分析.实验结果表明,成都秋冬季气溶胶消光系数时间序列均为非平稳序列,其均值和方差表现为非线性变化.细颗粒物(PM2.5)质量浓度、RH和气溶胶组分(PM2.5/PM10)均是气溶胶消光系数序列非平稳变化的显著协变量.其中,PM2.5为气溶胶消光系数序列非平稳性最主要的贡献因子,其次为RH,贡献最小的为PM2.5/PM10,且气溶胶消光系数的爆发式增长与PM2.5、RH和PM2.5/PM10的协同作用密切相关.     

基于激光雷达观测网的杭州及周边地区颗粒物污染特征研究

激光雷达观测网是研究区域大气颗粒物污染分布特征的有力工具。长三角地区激光雷达观测网部分站点的激光雷达资料与地面气象数据、PM2.5、PM10质量浓度数据,以及HYSPLIT后向轨迹模型模拟的后向轨迹相结合,对2016年9月杭州及其周边地区一次颗粒物污染的来源和成因进行了分析。分析结果表明,9月8日杭州颗粒物污染过程是该地区局地污染与高空输送共同作用的结果,且粗粒子主要来源于西北方向。杭州地区SO$_2$浓度整体较低,PM2.5浓度与NO$_2$浓度呈正相关,细颗粒物主要以硝酸盐为主。较高的NO$_2$浓度和高湿度、低风速的不利气象条件,是该地区局地细粒子快速增长的主要原因。     

香港港口PM2.5和PM10的多重分形特征

颗粒物是港口地区的主要污染物之一,利用多重分形理论分析港口地区PM2.5和PM10浓度的多重分形特征。首先,运用多重分形消除趋势波动分析方法(Multifractal detrended fluctuation analysis, MF-DFA)分析PM2.5和PM10自身的多重分形特征,结果显示PM2.5和PM10浓度的演化过程表现出非线性、复杂性的多重分形特征,且PM10浓度的多重分形特征较PM2.5强。其次,利用多重分形消除趋势交叉波动分析方法 (Multifractal detrended cross-correlation analysis, MF-DCCA)研究港口地区PM2.5和PM10的交叉相关性,结果表明两者之间不仅存在具有长期记忆性的多重分形特征,而且其互相关性多重分形特征具有明显的季节变化特征。港口地区PM2.5和PM10的多重分形特征在春季最强,夏季次之, 秋季最弱。这些结论对港口地区PM2.5和PM10的联合控制具有一定的参考价值。     

自然通风室内外PM10、PM2.5、PM1.0污染特征

通过建立室内颗粒物集总参数模型,对自然通风房间室内的颗粒物污染特征及室内外颗粒浓度比值进行理论分析和实验研究,结果表明,室内PM10、PM2.5、PM1.0分别有46.7%~54.4%、48.7%~57.3%、22.9%~28.9%来自室内污染,室内外颗粒物的相关性随粒子尺度的增大而增强;测试房间PM1.0的I/O比在0.97~1.31内变化,PM2.5、PM10的I/O分别介于0.90~1.23、0.95~1.08之间,随着粒径的增大I/O比降低,其均值分别为1.09、1.06、1.00。     

阿克达拉与阿勒泰市PM10与气象条件的\\[0.2cm]关系分析

对2010~2014年阿克达拉大气本底站和阿勒泰市的PM10质量浓度值、温度、降水、风向风速、湿度、气压数据进行了对比分析。结果表明：阿克达拉和阿勒泰市PM10年平均质量浓度均呈上升趋势,但是本底站值上升较快。当阿克达拉的平均气温在10~20℃时,阿勒泰市的平均气温低于-10℃时, 两地PM10质量浓度处于较高污染水平。相关性分析表明阿克达拉和阿勒泰市PM10质量浓度与降水、风速均呈负相关。当PM10质量浓度处于较高污染水平, 此时阿克达拉站主导风是西北风（NW）,风频达17.1%,风速在1.8~5.7 m·s^-1之间,且风速小于1.5 m·s^-1时的风频明显比风速大于1.5 m·s^-1时的风频小很多;阿勒泰主导风是N,风频为10.6%,风速在1.3~3.3 m·s^-1之间,风速小于1.5 m·s^-1时的风频与风速大于1.5 m·s^-1时的风频相差不明显。此外,分析表明PM10浓度与湿度、气压的相关性较弱。     

河南省PM2.5时空分布特征研究

PM2.5是影响河南省空气质量的首要污染物,秋冬季节灰霾污染严重。为了解河南省PM2.5污染的特征,对河南省的17个城市,运用统计学方法和ARCGIS技术分析其时空分布特征。结果表明：从2015年1月至12月,河南省17个城市日均质量浓度达标天数比例为57.16%,冬季整体污染严重,超标天数比例为73.68%,春季超标天数比例为44.37%,秋季超标天数比例为34.52%,夏季超标天数比例为20.08%。在去除气象记录的空气质量重污染日之后,周末的PM2.5平均值比工作日高 8.04%,表现出“逆周末效应”。PM2.5/PM10值在0.50~0.65之间,且PM2.5与SO2相关性较高,表明河南省受传统煤烟型污染影响较大,粗粒子污染明显。 PM2.5与PM10、SO2、NO2均呈现显著的相关性,说明河南省的污染主要是由燃煤及机动车尾气造成。由于温度及光照变化的影响,河南省PM2.5与O3在不同季节呈现显著差异,其在冬季和秋季的相关性分别为-0.315(p=0.05)、-0.353(p=0.05),而在夏季的相关性为0.496(p=0.01),春季为0.003。     

合肥市臭氧时空分布特征与气象因子影响研究

利用合肥市 10 个国控站点 2019 年臭氧 (O3) 浓度数据, 采用数理统计和回归分析方法研究 O3 时空分布特征 及气象因子的影响。结果表明: (1) O3小时及月均浓度均呈单峰型, 6 月份达到峰值; (2) 董铺水库和高新区站点 O3 对 污染天气的贡献率相对较高, 贡献率均超过 10%; (3) 2019 年超标时次较多的站点为董铺水库和高新区, 且出现在夏 季; (4) 温度、相对湿度和太阳总辐射与 O3 浓度呈正相关, 温度在 30∼35◦C、相对湿度在 40%∼50% 和太阳总辐射在 800∼1000 W·m−2 时 O3 浓度达到最高值; 风速在 4∼4.5 m·s−1 时外源输送较强烈, O3 浓度较高; 降水对 O3 前体物有清 除作用, O3 浓度越高, 降水的清除作用越明显。     

合肥地表臭氧变化特征及气象要素影响分析

利用 2014–2020 年 O3 浓度监测资料和同期自动气象站气象数据, 研究了合肥地表 O3 浓度的日变化和月变 化规律, 分析了温度、湿度、风速等气象要素对 O3 浓度的影响。研究结果表明: 合肥地区 O3 浓度具有典型的单峰 型日变化特征, 通常在 15:00 左右达到峰值, 在 07:00 左右降至日最低值; 最大 8 h 滑动平均值 (O3-8h) 月均浓度变化 呈“M”型, 一般在 6 月和 8 月达到全年最高, 在 1 月和 12 月降为最低; O3-8h 月均最高值是最低值的 2.8∼3.7 倍, 平均 为 3.1 倍; 受气象要素影响, O3 浓度年变化规律与温度基本一致, 与湿度的变化趋势关系不明显。     

基于随机森林回归分析的PM2.5浓度预测模型

针对神经网络算法在当前PM2.5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题,引入RFR(random forest regression,随机森林回归)算法,分析气象条件、大气污染物浓度和季节所包含的22项特征因素,通过调整参数的最优组合,设计出一种新的PM2.5浓度预测模型—RFRP模型.同时,收集了西安市2013-2016年的历史气象数据,进行模型的有效性实验分析.实验结果表明,RFRP模型不仅能有效预测PM2.5浓度,还能在不影响预测精度的同时,较好地提升模型的运行效率,其平均运行时间为0.281 s,约为BP-NN(back propagation neural network,BP神经网络)预测模型的5.88％.     

环渤海城市群空气污染特征及其与气象要素的关系

为探究环渤海三大城市群空气污染特征及其与气象要素关系的异同, 基于 2015–2019 年空气质量指数日报资 料及同期气象要素资料, 利用空间自相关模型和皮尔逊相关系数对其相关性进行了分析。研究表明: (1)对于 PM2.5、 PM10 和 O3 这三大被研究的首要污染物, 在冬季主要以 PM2.5、PM10 为主, 夏季以 O3 为主。除 O3 外其余污染物浓度 呈现下降趋势。(2) 空气质量指数 (AQI) 呈现秋季最低、冬季最高的变化特点, 年际上空气质量在逐步改善。(3) AQI 存在明显的空间集聚现象, 总体上由沿海向内陆逐渐由空气质量优良区变为空气污染区。(4) AQI、PM2.5、PM10 和 O3 在不同季节与各气象要素的相关性不同, 且相关性强度呈非线性变化。     

安徽省寿县气溶胶消光系数变化特征分析

基于自主研发的气溶胶消光光谱仪, 在安徽省寿县观测站点进行了连续观测, 并对 2016 年 5 月至 12 月期间 该地区的大气气溶胶光学特性开展了研究。结合不同大气因素分析了观测结果的时间序列变化及日变化规律, 对比 了消光系数与 PM2.5 质量浓度、散射系数的相关性, 并探讨了风速风向对于寿县消光系数变化的影响。结果表明: 寿 县地区大气消光系数时间序列变化与日变化特征明显, 且受到不同气象要素的影响。秋季和冬季的大气污染情况较 为严重, 与其他季节相比, 污染天气的天数明显增多; 与清洁天气相比, 污染天气的消光系数和 PM2.5 质量浓度、散射 系数显著增大。特别在冬季, 污染事件频繁。在 12 月份出现过重度污染天, 其 24 h PM2.5 平均浓度超过 150 µg·m−3 , 且该月消光系数和 PM2.5 质量浓度、散射系数均达到观测期间月平均最大值。整个观测期间, 从日变化来看, 消光系 数、PM2.5 质量浓度及散射系数均是白天波动较大, 午后出现最低值; 其中消光系数最大值出现于清晨 08:00 左右, 最 小值则出现于下午 16:00 左右。此外, 消光光谱仪测得的气溶胶消光系数与 PM2.5 质量浓度和散射系数的相关系数分 别为 0.91 和 0.83, 说明研制的消光光谱仪同其他仪器的测量结果具有很好的一致性。