2000—2018年陕西省县域PM2.5质量浓度时空演化特征分析

PM_2.5是形成雾霾天气的重要污染物,探索PM_2.5污染的时空演化规律及空间异质性特征对空气污染的精准治理具有重要意义。基于2000—2018年陕西省县域PM_2.5浓度数据,采用重心模型、空间自相关分析等方法,对PM_2.5污染的时空演化态势进行了系统研究。结果表明,2000—2018年,陕西省PM_2.5浓度年均值经历了前期小幅波动下降、中期急剧上升、后期大幅波动下降的倒“N型”波动变化过程,2011年是PM_2.5浓度年均值波动变化的重要“拐点”;PM_2.5浓度年均值低于一级浓度限值（15μg/m3）的低污染县（区）占比较少且变化不稳定,15～35μg/m3（二级浓度限值）比例有所增加,35～70μg/m3的比例持续减少,反映大多数县（区）未来的PM_2.5污染将逐步控制在二级浓度限值以下,空气质量持续好转;在空间分布上,PM_2.5浓度年均值具有明显的区域分异;PM_2.5浓...     

洛阳城区PM10、PM2.5质量浓度时空变化特征及其与气象因子的关系

利用2017—2019年洛阳市7个国控空气质量监测站的大气颗粒物PM_(10)、PM_(2.5)的质量浓度监测数据,研究洛阳市城区大气颗粒物浓度的时空变化特征及气象因素对其的影响。结果表明,2017—2019年洛阳市城区环境空气污染总体状况呈先降后增的趋势,其中,2018年空气质量整体状况最好,重度及以上的污染天数占全年有效天数的比例最低;2019年污染总天数相较于2017年减少10 d,但相较于2018年增加31 d;空气质量整体情况PM_(10)和PM_(2.5)浓度月均值变化基本一致,浓度变化均呈U形分布;PM_(10)和PM_(2.5)质量浓度变化具有明显的季节性特征,冬季其质量浓度最高,春季和秋季次之,夏季最低;各国控站点的PM_(10)、PM_(2.5)质量浓度同样显示冬季高,春、秋季次之,夏季低,大气污染状况整体呈西北高、东南低的分布特征;气象因子分析表明,ρ(PM2.5)、ρ(PM10)与温度均呈显著负相关;相对湿度与PM10的质量浓度呈负相关,但与PM2.5的质量浓度呈正相关,在相对湿度为60%～70%时,PM2.5的质量浓度较大;PM_(10)、PM_(2.5)的质量浓度在风向为南风、东南偏南风、西南偏南风、西南偏西风时较小。2017—2019年洛阳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。     

河北廊坊市2018年PM2.5质量浓度变化特征分析

利用廊坊市气象信息共享平台公布的PM2.5质量浓度的实时观测数据,首次完成对2018年廊坊市区PM2.5的质量浓度变化情况分析.结果表明:廊坊市2018年PM2.5污染情况相比往年持续有所好转.     

云和县PM_(2.5)浓度变化特征分析

利用云和县环保局城区环境监测站点2014年1月至2015年6月PM2.5逐时数据,以探究PM2.5浓度的气候分布特征。结果显示:PM2.5逐小时浓度日变化曲线为单峰分布,峰值出现在北京时间7:00—9:00;春节等特大节假日PM2.5浓度值与燃放烟花爆竹等人为活动关系密切;PM2.5月平均浓度呈现波峰波谷分布,浓度值在冬季最大然后降低并在7—9月达到全年最低,秋季开始增大并在冬季达到最大。秋冬季节日平均浓度变化存在12 d左右的变化周期;冬季PM2.5日平均浓度变化幅度大于其他季节。     

6种城市绿地空气PM2.5浓度变化规律的研究

为合理安排树木的种植和配置结构,发挥绿色植物在改善城市生态环境方面的重要功能,研究6种城市绿地空气PM2.5浓度的日变化规律、月变化规律,分析不同类型绿地空气PM2.5浓度差异以及不同天气条件下PM2.5浓度.结果表明:PM2.5浓度日变化和月变化规律明显,不同季节有显著差异;6种城市绿地空气PM2.5浓度在同一季节内没有显著差异,从均值来看,春、秋、冬季有乔木的绿地内空气PM2.5浓度较低,夏季草坪内空气PM2.5浓度较低;阴天颗粒物的浓度比晴天高45%,雨后阴天颗粒物的浓度比雨后晴天高426%,降水对PM2.5的清除作用在雨后晴天发挥的较好.     

洛阳市冬季大风天气下PM10和PM2.5浓度变化研究

利用洛阳市环境空气质量自动监测国控站点的监测数据,分析了冬季大风天气下PM10、PM2.5浓度变化情况.结果表明,从大风来临到结束,PM10和PM2.5质量浓度整体呈现先下降后升高的趋势;PM2.5与PM10的比值在风中阶段较低,大风前、后时段较高,特别是风中到风后过渡阶段,二者比值达到峰值,此时容易发生倒挂现象;大风来临初始阶段,风速增大导致PM10浓度出现峰值,而对PM2.5无明显影响;PM2.5对大气能见度影响较大,且当其浓度＜0.5 mg/m3时,能见度属良好等级.     

安徽省PM2.5污染时空分布特征及影响因素分析

随着城市化和工业化的逐渐深化,以PM2.5为首要污染物的空气质量问题尤为凸显,严重危害着人们的身心健康和区域可持续发展.基于2017年安徽省136个PM2.5浓度监测站点数据,分析了全省PM2.5污染的时空分布特征;利用地理探测器分析了影响因子的影响力以及彼此的交互作用.结果表明:安徽省PM2.5浓度时空特征差异明显,在时间上,冬季>春季>秋季>夏季;在空间上,皖北>皖中>皖南;各风险因子的影响力中,年均气温最高,社会用电量次之,人口密度和一产占比也相对较高.交互作用显示,各影响因子关系均为双因子增强.     

夏季不同结构绿地空气PM2.5浓度与气候因子关系

在2014年夏季,通过对宿迁市不同结构绿地和对照内空气PM2.5浓度以及温度、湿度、光照强度、风速进行监测分析。结果表明,不同结构绿地及对照内空气PM2.5浓度日变化均明显,基本呈现“M”型趋势,波峰出现的时间受人流和车流影响;PM2.5浓度均值从大到小的顺序是对照、草坪、篱草、大阔叶乔草、乔灌草、针叶乔草、小阔叶乔草;PM2.5浓度与不同结构绿地的光照强度达到显著正相关,与风速相关性不明显。     

天门市PM2.5和PM10颗粒污染物特征及其预测模型

利用2017年1月1日至2020年5月30日PM2.5、PM10大气颗粒污染物质量浓度逐时监测数据,分析了大气颗粒污染物与气温、降水、相对湿度和风速风向等气象因子的关系.结果表明,PM2.5和PM10颗粒物质量浓度与 日平均气温呈先上升后下降的关系,10℃以下颗粒物浓度随着气温的上升而升高,而10℃以上随着气温的逐渐升...     

PM2.5对博莱霉素诱导小鼠肺纤维化的影响

目的 研究大气污染颗粒(PM2.5)对博莱霉素诱导肺纤维化的影响及分子机制.方法 24只雌性C57BL/6小鼠随机分为假手术组、博莱霉素组和PM2.5组,其中博莱霉素组和PM2.5组小鼠气管一次性滴注博莱霉素5 mg/kg,假手术组滴注等体积生理盐水.造模后第1天气管内给药,PM2.5组和博莱霉素组分别滴注100 mg/kg PM2.5和等体积生理盐水.21 d后处死小鼠,HE和Masson染色观察肺组织病理变化,碱水解法测定肺组织羟脯氨酸含量,免疫印迹检测肺组织中IRE1和CHOP蛋白表达量.结果 与假手术组相比,博莱霉素组发生明显肺炎和肺纤维化,羟脯氨酸含量明显升高(P＜0.01),与博莱霉素组比较,PM2.5能加重肺纤维化程度,增加羟脯氨酸含量,促进IRE1和CHOP蛋白表达(P＜0.01).结论 PM2.5加重博莱霉素诱导的小鼠肺纤维化可能涉及内质网应激通路.     

西安市PM2.5相关因素多元回归分析模型

为了探索空气污染的主要因素,对空气污染监测指标PM2.5与AQI中其他监测指标进行相关性分析, 得到PM2.5与SO2、NO2、CO呈正相关, 与O3和温度呈负相关, 同时利用多元回归模型得到PM2.5与主因子的数量关系, 给西安市PM2.5防控提供参考意见.     

PM2.5的污染特征及控制方法研究综述

介绍了PM25的来源及污染特征,从PM25的危害出发论述了控制大气中PM25污染的意义;在剖析PM25组成的基础上,分析了控制PM25的途径,并对今后PM25处理技术的研究方向进行了探讨.     

基于Ward聚类法研究天气变化对PM_(2.5)的影响

利用唐山市2013~2014年PM2.5监测数据和气象数据,研究了平均状态下PM2.5和气象因子的日变化特征。利用Ward系统聚类法,将每天的PM2.5和气压变化分类,研究了不同天气过程中PM2.5与气象因子的关系。结果表明:PM2.5具有明显的日变化特征,在7:00出现峰值,在15:00出现谷值。唐山地区天气变化存在5种类型,分别为持续增压型、持续降压型、午后骤增型、先增后减型和波动型。在气压波动变化下PM2.5增加,在气压午后骤增或持续增压特征显著时PM2.5减少,暖湿空气造成的持续降压使PM2.5增加,暖干空气造成的持续降压使PM2.5降低。PM2.5与相对湿度呈正相关,与风速呈负相关。     

2013年南京市PM2．5时空分布规律

[目的]探讨利用站点实测PM2．5数据与NASA MODIS气溶胶光学厚度（AOD）研究南京PM2．5时空分布规律的可行性。[方法]将2013年南京市实测PM2．5数据进行空间插值,基于MODIS数据利用暗像元法反演得到的气溶胶光学厚度与2013年南京市PM2．5质量浓度进行相关性分析。光学厚度引入季节变化的气溶胶标高,并用湿度因子订正。[结果]订正后的二者相关系数均有明显提高。站点实测PM2．5通过空间插值可以在一定程度上反映南京市PM2．5的空间分布规律,PM2．5主要集中于鼓楼、建邺等经济发达区域,栖霞区域相对最低。 PM2．5夏季较低,冬季较高。校正后的AOD与站点实测PM2．5的相关性达0．426,远高于未进行校正的0．214。[结论]在中小尺度下反演的AOD能够在一定程度上表征PM2．5的浓度变化,通过更为精确的AOD反演方法能够在时空两方面反映PM2．5的时空变化规律,使城市PM2．5污染治理更加科学合理。