2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征

乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ（PM_2.5）、ρ（PM₁₀）监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM_2.5、PM₁₀的时空分布特征.结果表明:ρ（PM_2.5）从2015年（66.60 μg/m3）到2016年（76.93 μg/m3）呈上升趋势,在2016—2018年呈单一下降趋势;ρ（PM₁₀）从2015年（132.74 μg/m3）到2016年（125.93 μg/m3）呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ（PM_2.5）、ρ（PM₁₀）平均值比城市中心（商业区、居民区）分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ（PM_2.5）、ρ（PM₁₀）均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ（PM_2.5）/ρ（PM₁₀）呈先增后降的趋势,冬季以PM_2.5污染为主,其他季节以PM₁₀污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系.      

新型冠状病毒肺炎疫情防控时期上海市空气质量特征及成因分析

为研究新型冠状病毒肺炎（COVID-19）疫情防控政策实施对上海市大气污染物质量浓度的影响,利用上海市内环某高层顶楼微环境平台观测了政策实施前10 d（2020-01-14—23）和实施后20 d（2020-01-24—02-12）的PM_2.5和PM₁₀质量浓度及气象要素（温度、相对湿度、风向、风速、大气压及降雨）,结合2019年同期观测数据和杨浦四漂空气质量监测点的气态污染物逐时数据,采用描述性统计、合成分析、拉格朗日粒子扩散模式和Spearman相关系数方法,分析了政策实施前、后大气污染物特征及其影响因素。结果表明:1）污染物浓度变化方面。政策实施后,ρ（PM_2.5）和ρ（PM₁₀）和ρ（NO₂）均明显降低,ρ（PM_2.5）和ρ（PM₁₀）分别由61.4,102.4 μg/m3降至38.1,63.5 μg/m3,降幅均为38.0%,ρ（NO₂）由57.3 μg/m3降至27.0 μg/m3,降幅达到52.9%,而ρ（O₃）由47.6 μg/m3增至69.5 μg/m3。ρ（PM_2.5）和ρ（PM₁₀）日变化特征由实施前的双峰双谷型变为单谷型。2）气象因素影响方面。上海地区南风异常减弱了冬季风强度,对流层中层正距平异常抑制了对流活动的发展,易导致大气污染物在近地面的汇聚。ρ（PM_2.5）和ρ（PM₁₀）与相对湿度呈负相关,风速对ρ（PM_2.5）和ρ（PM₁₀）的影响与风向有关。3）外源输入影响方面。长三角城市群及山东省、河南省等周边区域对上海市ρ（PM_2.5）和ρ（PM₁₀）贡献显著。     

济南市大气颗粒物背景值确定方法

城市大气颗粒物背景值的确定能够为制订城市大气颗粒物污染防治目标提供重要基础支撑,探索大气颗粒物背景值确定方法对于大气污染防治具有重要意义.以济南市清洁对照点跑马岭监测数据为基础,直接采用概率密度法计算得到的ρ（PM₁₀）和ρ（PM_2.5）背景值范围分别是100~110和40~50 μg/m3.综合应用空气质量模型模拟法和概率密度法,提出基于数值模拟的城市大气颗粒物环境背景值确定方法,并在此基础上确定了济南市大气颗粒物背景值.结果表明:济南市ρ（PM₁₀）和ρ（PM_2.5）背景值范围分别是30~35和15~20 μg/m3,其中ρ（PM₁₀）环境背景值秋季（40~45 μg/m3）最高、夏季（25~30 μg/m3）最低;ρ（PM_2.5）环境背景值秋季（25~30 μg/m3）最高、冬季（10~15 μg/m3）最低.研究显示,基于数值模拟计算得到的颗粒物背景值明显低于直接采用概率密度法得到的结果,表明跑马岭受人为因素影响明显,监测结果已不能完全代表济南市大气颗粒物背景值水平;而数值模拟法可以完全剔除了人为源的贡献,计算得到较为准确的ρ（PM₁₀）和ρ（PM_2.5）背景值.      

基于线性混合效应模型的河北省PM2.5浓度时空变化模型研究

京津冀地区大气PM_2.5污染严重.为揭示区域PM_2.5时空分布规律,使用2013-2014年河北省地面站点PM_2.5监测数据、MODIS AOD（气溶胶光学厚度）遥感数据、地面气象站点数据和土地利用调查数据,基于线性混合效应模型（LME）,建立了ρ（PM_2.5）时空变化与AOD因子、气象因子、土地利用因子之间的关系模型.采用十折交叉验证法对模型精度进行检验,并利用计算得到的校正因子[全部实测的ρ（PM_2.5）年均值除以参与建模的所有实测ρ（PM_2.5）年均值]纠正因AOD非随机性缺值导致的抽样偏差.结果表明:①河北省区域模拟精度R2（决定系数）为0.85,经交叉验证后R2为0.77,RMSE（均方根误差）和RPE（相对预测误差）分别为18.28 μg/m3和28.68%.②ρ（PM_2.5）年均值模拟结果的校正因子范围为1.24~2.05,校正后的研究区ρ（PM_2.5）年均值为89.84 μg/m3,与实际监测数据相近.③ρ（PM_2.5）空间分布呈平原高、山区低,平原地区西南高、东北低的趋势.④ρ（PM_2.5）与AOD、温度、相对湿度呈正相关,与风速、大气能见度呈负相关.研究显示,线性混合效应模型能有效对ρ（PM_2.5）进行时空变化模拟,并实现对非地面监测地区ρ（PM_2.5）时空变化的预测,恰当的预测因子组合和模型校正有助于模型预测精度的提升.      

基于CMAQ空气质量模型研究机动车对济南市空气质量的影响

为研究济南市机动车排气对城市区域空气质量的影响,利用环境空气质量监测站点（简称"1号站点"）和路边机动车尾气监测站点（简称"2号站点"）的在线数据,以及基于4种模拟情景的CMAQ空气质量模型预测数据,研究了济南市城市区域大气污染物质量浓度变化规律及不同机动车车型对6种常规大气污染物的贡献.结果表明:①在采暖季,1号站点ρ（PM_2.5）、ρ（PM₁₀）、ρ（NO₂）、ρ（CO）、ρ（O₃）和ρ（SO₂）月均值分别为435 μg/m3、702 μg/m3、84.2 μg/m3、6.8 mg/m3、4.5 μg/m3和92 μg/m3.②2015年12月24日（灰霾天）,1号站点ρ（CO）、ρ（PM_2.5）和ρ（PM₁₀）均明显升高,ρ（SO₂）、ρ（O₃）和ρ（NO₂）均变化不明显.2个监测站点中ρ（NO₂）和ρ（PM₁₀）均呈双峰趋势,2个峰值出现的时间与上、下班高峰期基本一致.除ρ（O₃）和ρ（SO₂）达GB 3095-2012《环境空气质量标准》二级标准外,其他污染物均超过GB 3095-2012二级标准限值,采暖季大气污染特征为颗粒物型污染.③机动车对研究区域NO₂和PM₁₀贡献率较大,其中,小型车对CO、NO₂、PM₁₀和PM_2.5贡献率最大,其贡献率分别为85.7%、50.1%、53.4%和52.8%.机动车排放源能降低空气中ρ（O₃）,其总贡献率为-25.5%,其中大型车、中型车、小型车对O₃的贡献率分别为-8.8%、-2.7%和-8.9%.灰霾天下不同机动车车型对空气中污染物质量浓度的总贡献率均比采暖季大.研究显示,济南市采暖季大气污染特征为颗粒物型污染,机动车排放源对空气中NO₂和PM_2.5有较大贡献.      

不同季节肇庆市PM2.5和O3污染特征及潜在源区分析

为定量化评估不同地区对肇庆市污染物输送影响,分析了2014—2018年肇庆市ρ（PM_2.5）和ρ（O_{3-8 h}）（O_{3-8 h}为O₃日最大8 h滑动平均值）的变化特征,并基于HYSPLIT模式计算不同季节后向气流轨迹,通过聚类分析、潜在源贡献因子和浓度权重轨迹方法对肇庆市外来污染物的输送路径和潜在源区进行分析.结果表明:①2014—2018年肇庆市ρ（PM_2.5）年均下降3.3 μg/m3,2016年开始ρ（PM_2.5）最大值逐年增大.ρ（PM_2.5）日变化呈双峰型,峰值分别出现在上、下班高峰期后.2016年起ρ（O_{3-8 h}）年均增加4.4 μg/m3,成为肇庆市首要空气污染物.ρ（O₃）日变化呈单峰型,于15:00—16:00达到峰值.②PM_2.5和O₃污染分别在冬季和秋季较严重,超标日分别达20.6和15.0 d.ρ（PM_2.5）与风速相关性最高,ρ（O_{3-8 h}）与日照时数和相对湿度相关系数均较高.③春、夏两季影响肇庆市的气流近80%来自南部海面和东北方向,秋、冬两季85%以上气流源自偏东和偏北方向,肇庆市PM_2.5和O₃污染除受本地排放影响外,还有来自珠三角、广东省北部及其东部沿海、江西省等地区的输送贡献.研究表明,肇庆市PM_2.5和O₃污染均较严重,区域联防联控需重点关注广东省中东部城市的外来输送影响.      

杭州校园中不同植被对PM2.5的吸附能力

为合理安排绿地配置,极大发挥植物改善生态环境的功能,为城市系统绿化的功能化规范化经济化提供更加合理的理论支持,通过获取杭州电子科技大学校园内现有的4种植被的不同时间段和不同离地高度的ρ（PM_2.5）,用统计学的t检验方法研究了ρ（PM_2.5）的变化规律.以一天当中不同时间空地的ρ（PM_2.5）作为参照,分别对相同时间、不同植被区域、不同高度和不同时间、相同植被区域、相同高度的ρ（PM_2.5）作对比.结果表明:①早晨水杉林、松树林、混合林的PM_2.5吸附能力相似,与空地的平均差值分别为14.36、12.00和12.79 μg/m3;草地的PM_2.5吸附能力较差,与空地的平均差值仅为4.75 μg/m3.中午时,水杉林的PM_2.5吸附能力最强,与空地ρ（PM_2.5）平均差值为10.87 μg/m3,其次为混合林（8.18 μg/m3）,草地ρ（PM_2.5）反而比空地高14.90 μg/m3.下午水杉林与混合林的PM_2.5吸附能力与中午相比略微减弱.晚上,除混合林外,其他3种绿地均与空地无显著差异.②对比距地面0.1与1.5 m高的空气中ρ（PM_2.5）的差异发现,一般情况下树林中0.1 m处ρ（PM_2.5）大于1.5 m处,空地0.1 m处ρ（PM_2.5）小于1.5 m处.研究显示,大部分植被在早晨吸附能力最强、晚上最弱,不同植被对于PM_2.5的吸附能力也有所不同.由此,在所统计的植被中,水杉林对空气中PM_2.5的吸附能力最强,在以后的绿地规划中,可考虑多增加水杉林的种植面积;但在增加城市林地面积减少空气中PM_2.5的同时,还应考虑到植物自身生理能否带来一些城市负面影响,从面得出最优种植方案.      

基于2012—2018年内江市PM2.5化学组分变化对《大气污染防治行动计划》实施效果的评估

2013年9月国务院发布了《大气污染防治行动计划》（简称"《气十条》"）.基于《气十条》实施前期（2012年5月-2013年5月）和实施后期（2015年9月-2016年9月）在四川省内江市采集的PM_2.5及其化学组分,以及2013-2018年空气自动监测站在线监测数据,通过比较分析PM_2.5中WSIIs（water-soluble inorganic ions,水溶性离子）和6项常规污染物质量浓度的变化来评估《气十条》实施效果,同时应用PMF（positive matrix factorization,正矩阵因子分析法）模型解析WSIIs源变化以探究空气污染源的改变.结果表明:①2018年内江市ρ（SO₂）、ρ（NO₂）、ρ（PM₁₀）、ρ（PM_2.5）、ρ（O₃）和ρ（CO）年均值分别为9.4 μg/m3、23.9 μg/m3、53.1 μg/m3、34.9 μg/m3、140.0 μg/m3和1.1 mg/m3,6项污染物首次全部达到GB 3095-2012《环境空气质量标准》二级标准.②《气十条》实施后期ρ（PM₁₀）和ρ（PM_2.5）分别为（74.5±55.1）（63.0±47.0）μg/m3,较实施前期分别下降了36%和20%,说明《气十条》的实施明显改善了空气质量.PM_2.5中ρ（SO₄2-）和ρ（NO₃-）分别下降了47%和25%,表明SO₂和NO_x的排放均得到有效控制;PM_2.5中ρ（K+）和ρ（Mg2+）分别增加了66%和92%,这与春节期间燃放烟花爆竹和生物质燃烧有关,因此应加强对重点时段特殊事件的管控.③相较《气十条》实施前期,实施后期ρ（PM_2.5）/ρ（PM₁₀）由0.69升至0.84,SOR（sulfate oxidation ratio,硫氧化率）由0.22增至0.25,说明PM_2.5和二次污染占比增加.④PMF模型解析结果发现,与《气十条》实施前期相比,实施后期的燃煤-工业源、二次硫酸盐、二次硝酸盐和扬尘源对ρ（PM_2.5）的贡献量下降,生物质燃烧源对ρ（PM_2.5）的贡献量增加;燃煤-工业源和二次硫酸盐对ρ（PM_2.5）的贡献率之和大幅下降,二次硝酸盐和生物质燃烧的贡献率均升高.研究显示,《气十条》的实施使内江市燃煤和工业排放得到显著控制,但机动车和生物质燃烧尚需严控.      

城市主要大气污染物时空分布特征及其相关性

为制订合理的大气污染物减排措施,利用中国环境监测总站公布的2015年1-12月299座城市实时发布的环境空气颗粒物（PM_2.5和PM₁₀）及气态污染物（CO、NO₂和SO₂）的质量浓度数据,对其进行了时空分布特征及其相关性研究.结果表明:① 2015年城市环境空气颗粒物污染严重,299座城市的ρ（PM_2.5）、ρ（PM₁₀）年均值分别主要集中在25~60和40~110 μg/m3,年均值达到GB 3095-2012《环境空气质量标准》二级标准的城市所占比例分别仅为24%和38%.② 城市大气污染物浓度具有明显的季节性特征,基本呈冬季>春秋季>夏季的趋势,其中冬季ρ（PM_2.5）、ρ（PM₁₀）、ρ（CO）、ρ（NO₂）、ρ（SO₂）分别为（73±27）（114±42）（1.49±0.61）（36±14）（42±33）μg/m3.③ 高ρ（PM_2.5）和ρ（PM₁₀）主要集中在华北平原,年均值分别为（70±16）（117±22）μg/m3;高ρ（CO）主要出现在山西省,年均值为（1.76±0.48）mg/m3;高ρ（NO₂）主要分布在京津冀、山东省和长江三角洲,年均值分别为（42±6）（39±9）（34±8）μg/m3;高ρ（SO₂）主要分布在山西、山东两省,年均值分别为（54±10）（41±16）μg/m3.④ Pearson相关系数研究表明,我国城市环境空气颗粒物与气态污染物具有较强的复合性,并且具有秋冬季明显强于春夏季的季节性特征.研究显示,我国城市大气污染具有较强的季节性、区域性与复合性,在降低环境空气颗粒物浓度的同时,对气态污染物的削减也不容忽视.      

成渝城市群PM2.5的时空分布及其影响因素研究

随着工业化与城镇化的深入推进,成渝城市群的PM_2.5污染不断加剧,呈明显的区域性与复合性特征.该研究以2015—2017年成渝城市群空气质量监测站的日均ρ（PM_2.5）数据为基础,结合区域气象、遥感与统计年鉴等多源数据,采用反距离插值法分析了ρ（PM_2.5）的时空分布差异,采用Moran's I指数与LISA指数探索了ρ（PM_2.5）的全局和局部空间自相关性,并利用空间回归模型研究了自然、经济社会等因素对ρ（PM_2.5）的影响.结果表明:①成渝城市群ρ（PM_2.5）分布存在明显的时空差异.时间上,2015年PM_2.5污染最严重,ρ（PM_2.5）年均值为54.38 μg/m3,2016年、2017年PM_2.5污染状况逐年减轻,ρ（PM_2.5）年均值分别为53.68与47.56 μg/m3;空间上,成渝城市群东北部ρ（PM_2.5）较低,而南部ρ（PM_2.5）较高.②空间自相关分析结果表明,PM_2.5污染在成渝城市群存在显著的空间聚集性,成渝城市群南部ρ（PM_2.5）呈高值-高值聚集,成渝城市群北部ρ（PM_2.5）则呈低值-低值聚集.③空间回归结果表明,成渝城市群范围内某一地区邻近区域的ρ（PM_2.5）平均值增加1%时,该地区ρ（PM_2.5）将上升至少0.38%.城镇化率对ρ（PM_2.5）的影响最大,其次是第一产业增加值,再次是工业增加值占比和降水量.城镇化率、降水量与ρ（PM_2.5）呈负相关,而第一产业增加值、工业增加值占比与ρ（PM_2.5）呈正相关.研究显示,加快城镇化进程、减少第一产业排放、降低工业增加值占比（尤其是重污染工业）是有效解决成渝城市群PM_2.5污染的重要手段.      

黄河流域城市PM2.5时空分异特征及污染物解析

分析揭示黄河流域城市PM_2.5时空分异特征,对打赢大气污染防治攻坚战,推动黄河流域空气污染跨区域协同治理机制的建立和完善,以及流域绿色高质量发展具有重要意义.本文以中国空气质量在线监测分析平台456个监测站点的PM_2.5浓度监测数据为基础,运用莫兰指数和标准差椭圆方法分析黄河流域70个城市2015—2021年PM_2.5的时空分异特征、演变格局,并基于皮尔逊相关系数分析法对其污染源进行解析.结果表明：(1)PM_2.5浓度的月度、季节变化特征明显.月均浓度呈底部宽缓的“U”型分布,12月或1月达到最大值;冬季平均浓度最高、春秋季次之、夏季最低,冬季浓度是夏季的1.9～2.6倍;年均PM_2.5浓度整体趋降,且表现为下游>中游>上游的空间分异性.(2)PM_2.5的空间聚集表现为上游“低—低”集聚、下游“高—高”集聚、中游城市的空间聚集特征不显著,空间正相关集聚的城市数量以先增后减的趋势变化,负相关集聚特征的城市较少.(3)PM_2.5     

2013—2018年山东省大气PM2.5和PM10污染时空变化及其影响因素

PM_2.5和PM₁₀污染已成为全球关注的重要环境问题,监测其污染状况对人类健康、动植物生长、大气环境评价等具有重要意义。基于2013—2018年山东省17个城市大气PM_2.5和PM₁₀监测数据,利用时空分析方法和Spearman相关分析方法,研究其污染时空变化特征,并分析气象、人为及政策因素对二者的影响。结果表明:与2013年相比,2018年山东省大气PM_2.5和PM₁₀污染程度明显减轻,年均浓度降幅分别为48.72%、37.72%;6年整体月均PM_2.5浓度呈近似"U "形变化规律,月均PM₁₀浓度呈近似" V"形变化规律;PM_2.5和PM₁₀污染整体呈由西北内陆向东部沿海地区逐渐减轻的空间趋势;PM_2.5和PM₁₀浓度受气温和降水量2个气象因素影响较显著,受道路密度、城市绿化覆盖面积、SO₂和NO_x排放量等人为因素影响较显著,且气象因素和人为因素对PM_2.5浓度的影响较PM₁₀更大。     

2007—2014年北京地区PM2.5质量浓度变化特征

为更好地解析北京地区ρ(PM_2.5)的长期变化特征及气流轨迹聚类分析结果,对2007年8月—2014年7月在中国环境科学研究院实测的ρ(PM_2.5)数据进行了统计分析,分析其年际、季节和月际变化特征;通过计算PM_2.5的AQI分指数,分析了污染等级的时间变化特征;结合后向气流轨迹,对ρ(PM_2.5)年际、季节变化与气团来源的关系进行了分析.结果表明:北京地区2008—2013年ρ(PM_2.5)年均值分别为111.5、95.8、94.8、80.5、75.2、81.3 μg/m3,整体呈逐年下降趋势,但污染水平依然较高;ρ(PM_2.5)由高到低的季节次序为秋季、冬季、春季、夏季,平均值分别为111.6、94.8、77.2、70.5 μg/m3,PM_2.5重污染时段主要出现在秋冬季节,并且冬季ρ(PM_2.5)近年来逐渐呈上升趋势;ρ(PM_2.5)月均值呈单峰型变化,11月最高(为125.3 μg/m3),7月最低(为76.4 μg/m3);轨迹聚类分析发现,途经山西省北部和河北省南部的气流轨迹中ρ(PM_2.5)较高,而来自北方及西北方向的气团相对较清洁,ρ(PM_2.5)较低.北京地区近些年实施的大气污染减排措施对于控制PM_2.5污染取得了一定效果,但针对秋冬季节重污染过程的控制力度仍需要加强,同时也要注意区域污染传输对北京地区ρ(PM_2.5)的影响.      

江苏省大气复合污染特征与相关气象驱动

基于2014~2017年江苏省13个市的PM_2.5浓度和O₃_8h_max数据,探讨了其时空分布特征.在此基础上,研究了日益升高的近地层O₃浓度与气象因子的关系.结果表明：江苏省2014~2017年PM_2.5浓度整体上呈下降的趋势,年均浓度减少率为6.06μg/m³,而O₃_8h_max整体上呈上升趋势,年均浓度增长率为3.84μg/m³.总体上,PM_2.5浓度呈现冬春高、夏秋低的V型月变化特征,O₃_8h_max则基本呈现不规则的M型,在5月份达到峰值后逐渐降低,又在7~9月份保持平缓,而后又逐渐下降.空间上,江苏省PM_2.5浓度呈现"内陆高,沿海低"的状态,而O₃_8h_max却呈现"沿海高,内陆低"的状态.与气象因子的相关性表明,O₃浓度与气温和太阳辐射呈正相关关系,与相对湿度呈负相关关系,太阳辐射对O₃浓度的影响最大,其次是温度和相对湿度.当日平均气温在20~30℃、相对湿度在50%~70%、太阳辐射强度高于150w/m²时O₃浓度容易出现超标.     

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。     

山东省环境空气中PM2.5与O3的复合污染特征与时空变化趋势

山东省PM_2.5-O₃复合污染特征突出,空间差异性明显,本文基于2016—2020年国控和省控环境空气自动监测站监测数据以及同期各气象代表站气象监测数据,分析PM_2.5和O₃时空分布的变化特征,初步探究其与气象因子及前体物的关系. 结果表明:①2016—2020年山东省空气质量逐步改善,优良天数比例上升了7.1%,重污染天数比例下降了3.5%. 除O₃年评价值上升9.6%以外,SO₂、PM₁₀、PM_2.5、CO和NO₂的浓度均下降,降幅依次为61.3%、29.8%、28.6%、26.3%和11.4%. 各市PM_2.5年评价值均下降(范围为18.4%~34.9%);除德州市外,其他15市O₃年评价值均上升,滨州市的升幅(30.8%)最大. 1月PM_2.5平均浓度最高,呈现先下降后上升的年变化趋势,6月O₃平均浓度最高,且逐年上升. ②山东省PM_2.5和O₃均呈现内陆地区高于沿海地区的分布特征,PM_2.5浓度在西部内陆地区较高,O₃浓度在中北部内陆地区较高,PM_2.5-O₃复合污染特征在中西部地区较明显. 统计期间共计出现PM_2.5-O₃复合污染日224 d,分布在2—11月,出现天数逐年减少. ③为探究PM_2.5-O₃复合污染的影响因素及气象特征,进行相关性分析及气象因子阈值筛查,结果表明,PM_2.5日均浓度和O₃_8 h (臭氧日最大8小时滑动平均值)与其主要前体物和气象因子均呈现相反的相关关系,且对不同因子的响应有一定区域性差异. 当气温为14.9~24.1 ℃、相对湿度为55.5%~75.1%、风速为0.6~2.9 m/s、气压为992.8~1 018.8 hPa时PM_2.5-O₃复合污染易于发生,该条件下大部分城市的气温、相对湿度和气压平均值介于PM_2.5和O₃污染单独发生时的对应因子平均值,但平均风速小于PM_2.5和O₃污染单独发生的平均风速. 研究显示,“十三五”期间山东省PM_2.5浓度波动下降,O₃浓度波动上升,二者的协同关系日趋明显,气象因素对PM_2.5和O₃的生成和累积有一定影响.      

焦作市大气污染时空分布特征及来源分析

焦作市是京津冀地区"2+26"通道城市之一.为研究焦作市大气污染特征,于2016年1月-2018年2月使用3个国控站点（马村区生态环境局、焦作市生态环境局和高新区政府）大气环境监测数据,以及2018年1月焦作市边界站PM_2.5及其化学组分（水溶性离子和碳组分）监测数据进行分析.结果显示:焦作市大气污染以PM_2.5污染为主,2017年ρ（NO₂）、ρ（PM_2.5）、ρ（PM₁₀）、ρ（CO）和ρ（SO₂）平均值分别为42.4 μg/m3、79.0 μg/m3、136.5 μg/m3、1.42 mg/m3和38.3 μg/m3,较2016年分别下降了10.5%、10.6%、11.2%、20.7%和37.6%.在时间分布上,大气污染物质量浓度日变化具有明显的季节性特征,春、夏两季ρ（NO₂）日变化较秋、冬两季呈更宽的"U型",ρ（SO₂）峰值出现在12:00左右,推测原因与夜间高架源排放有关;在空间分布上,本地一次污染排放可能主要来自市区工地扬尘、西南地区交通源和东部污染点源.观测期间,ρ（NO₃-）、ρ（NH₄+）和ρ（SO₄2-）较高,平均值分别为39.42、23.66和23.01 μg/m3,分别占水溶性离子质量浓度的41.8%、25.1%和24.4%,占ρ（PM_2.5）的27.4%、16.4%和16.0%.污染天的NOR（氮转化率）（0.35）和SOR（硫转化率）（0.43）明显高于清洁天的NOR（0.25）和SOR（0.18）,表明污染天NO₂和SO₂二次转化程度更高.SOR和NOR随相对湿度的增加而增加,表明相对湿度较高时有利于NO₂和SO₂的二次转化.污染天和清洁天ρ（SOC）（SOC为二次有机碳）估算值分别为19.79和3.51 μg/m3,分别占ρ（OC）的79.4%和54.9%,占ρ（PM_2.5）的9.8%和10.4%,表明焦作市SOC对OC有较大的贡献.PSCF（潜在源贡献因子法）结果表明,本地源是影响焦作市秋、冬两季PM_2.5的主要潜在源,太行山南麓区域输送也对其有一定贡献.研究显示,焦作市大气污染较严重,本地一次排放、二次转化和区域输送是焦作市PM_2.5的主要来源.      

京津冀及周边地区采暖季PM2.5化学组分变化特征

利用京津冀及周边地区大气污染综合立体监测网,在京津冀大气污染传输通道城市（“2+26”城市）开展了PM_2.5及其化学组分长期连续观测,并对数据进行深入分析.结果表明:①2017年、2018年和2019年采暖季“2+26”城市PM_2.5浓度平均值分别为（84±62）（95±63）和（80±61）μg/m3,达到了京津冀及周边地区2019—2020年秋冬季PM_2.5平均浓度同比下降4%的目标;与PM_2.5浓度变化相似,其主要化学组分——有机物（OM）浓度最大值出现在2018年采暖季,但二次无机盐（硝酸盐、硫酸盐和铵盐）浓度呈逐年上升趋势,而元素碳、氯盐、地壳物质和微量元素浓度均呈逐年下降趋势.②OM、硝酸盐、硫酸盐、铵盐、地壳物质、元素碳、氯盐和微量元素浓度空间分布存在明显差异.受污染物排放、气象条件以及地形因素的共同影响,PM_2.5及其化学组分浓度高值区主要出现在太行山传输通道城市（保定市、石家庄市、邢台市、邯郸市、安阳市和新乡市）.③不同空气质量状况下,“2+26”城市PM_2.5化学组分浓度年际变化相似,即随空气污染的加重,硝酸盐、硫酸盐和铵盐占PM_2.5的比例均上升,而OM占比下降.研究显示,采暖季“2+26”城市空气质量总体得到改善,但需进一步加强对PM_2.5中二次组分的科学管控.