基于WRF–CMAQ的晋城市PM_(2.5)与O_(3)复合污染协同控制

利用WRF-CMAQ模式对晋城市一次复合污染事件进行了模拟和源解析.通过设计49组不同比例的VOCs和NO_(x)减排情景,并结合EKMA曲线评估其前体物的科学减排比例.结果显示工业源和交通源是晋城市VOCs和NO_(x)的主要来源.O_(3)污染主要由NO_(x)控制,而PM_(2.5)污染则主要由VOCs控制.不考虑极端减排情景,仅针对O_(3)污染时,最佳的VOCs/NO_(x)减排比例为1:2;仅针对PM_(2.5)污染时,最佳减排比例为2:1.综合考虑PM_(2.5)和O_(3)的协同治理时,最佳前体物VOCs/NO_(x)减排比为2:1.

沈阳市O_(3)与PM_(2.5)关系及污染主控因素分析

PM_(2.5)与O_(3)的协同控制是空气质量持续改善的关键所在,厘清PM_(2.5)与O_(3)的关系,识别O_(3)主控因素以及量化气象和人为排放贡献是实施二者协同控制的基础.本研究基于沈阳市大气复合立体超级站2019−2022年地面观测数据,分析PM_(2.5)和O_(3)协同关系及成因;利用逐步回归模型得到影响O_(3)变化的主控因素,并估算各气象因素对O_(3)的贡献.结果表明:①沈阳市2019−2022年夏季PM_(2.5)浓度与O_(3)浓度呈正相关,有明显的协同增长效应,其余三季均呈明显负相关.究其原因,主要是由于夏季高温和高太阳辐射条件利于大气光化学反应,促进了O_(3)、PM_(2.5)中二次无机成分〔主要是硫酸盐(SO_(4)^(2−))、硝酸盐(NO_(3)−)和铵盐(NH_(4)^(+)),简称“SNA”〕共同增长所致;而冬季高排放和高大气稳定度等气象条件利于SNA和二次有机碳(SOC)非均相生成,但弱太阳辐射和低温等条件不利于O_(3)光化学生成,加之高NO的滴定效应,使SNA和SOC浓度均与O_(3)浓度呈负相关.②在观测的相关污染物和气象因子中,过氧乙酰硝酸酯(PAN)与O_(3)浓度的关系最为密切,尤其在夏季.③气象因素中,O_(3)浓度与气温高度相关,与风速也呈正相关,而与相对湿度则在各季节均呈负相关.冬、春、秋三季PM_(2.5)均对O_(3)起抑制作用,冬季尤为突出.在高浓度O_(3)污染(O_(3)浓度>160μg/m^(3))过程中,主控因素中气温和风速的抬升促进O_(3)浓度升高,而高NO2和相对湿度(RH)则有利于降低O_(3)浓度.在2019−2022年高浓度O_(3)污染过程中,气象因素对沈阳市O_(3)浓度变化的贡献高于O_(3)前体物排放的贡献,总贡献为57μg/m^(3),对污染形成起着主导作用.

京津冀区域PM_(2.5)和O_(3)污染特征及协同控制分区

为研究京津冀地区PM_(2.5)和O_(3)浓度和健康风险的时空变化特征及其协同控制分区,通过量化复合污染健康影响指数,以城市为节点、城市间复合污染的相似性为权重,构建了京津冀复合污染相关性网络;并基于Girvan-Newman社区发现算法,将京津冀划分为3个PM_(2.5)和O_(3)协同控制分区.结果显示,2017~2022年京津冀PM_(2.5)年均浓度降幅为42.19%,呈显著下降趋势,MDA8O_(3)年均浓度降幅为1.85%,呈波动趋势;PM_(2.5)严重的区域同时也是O_(3)恶化的区域,空间上呈现出“南高北低”的特征;以北京、天津为代表的东部人口密集城市PM_(2.5)和O_(3)暴露的健康风险较高,10月~次年3月为PM_(2.5)健康控制期,4~9月为PM_(2.5)和O_(3)协同健康控制期;京津冀划分为3个联防联控区,各分区内部复合污染特征具有更强的相似性.

山东省PM_(2.5)和O_(3)的污染现状及协同治理研究综述

PM_(2.5)和O_(3)是当前影响山东省空气质量的主要污染物,二者的协同治理是打赢蓝天保卫战的重要靶区。本文基于2018~2022年山东省生态环境监测中心PM_(2.5)和O_(3)监测数据,利用Origin分析了山东省整体和区域PM_(2.5)和O_(3)污染现状,并提出了二者协同治理的相关措施。结果表明:1.2018年以来,山东省整体PM_(2.5)处于波动下降趋势,而O_(3)始终处于较高水平。虽整体污染天数呈下降趋势,但污染仍较为严重。在统计期间,年复合污染天数基本在20天以下,PM_(2.5)和O_(3)年超标日天数主要集中在30~80天之间。2.就复合污染而言,山东省在2018~2022年期间呈下降趋势,其中,半岛地区的PM_(2.5)和O_(3)污染较轻,鲁中地区和鲁西北地区复合污染日天数降幅明显,2022年鲁南地区复合污染天数最多。3.PM_(2.5)和O_(3)污染具有同源性,可通过推进治理体系现代化、增加相关技术研发、充分落实主体责任、合理制定VOCs和NOx的减排策略等来实现协同治理。

沈阳地区PM_(2.5)和O_(3)复合污染特征及协同增长研究

利用2019年沈阳地区11个环境空气质量监测点位和3个VOCs监测点位污染物浓度观测数据,研究了PM_(2.5)等常规污染物和VOCs的时空变化特征;统计分析了2015—2020年沈阳地区PM_(2.5)与O_(3)协同趋长增势。结果表明:沈阳地区各类污染物基本呈单周期峰谷分布,其中NO,NO_(2),CO,NO_(X)(NO+NO_(2)),TVOCs(VOCs总浓度)等一次污染物以及PM_(2.5)在冷季(秋、冬季)较高、暖季(春、夏季)较低,二次污染物O_(3)和O_(X)(O_(3)+NO_(2))则反之。O_(3)和O_(X)浓度夜间低,上午逐渐升高,下午达到峰值;一次污染物浓度下午低,傍晚逐渐升高,早晨到达峰值。O_(3)浓度在下风向郊区高、闹市区低。PM_(2.5),NO,NO_(2),CO和VOCs浓度基本在闹市区和工业区高、下风向郊区低。对不同类别的VOCs而言,烷烃浓度最高,其次是炔烃、烯烃、芳香烃。2015—2020年沈阳地区PM_(2.5)和O_(3)的协同增长现象在夏季表现得最明显,且呈现波动增强趋势。夏季的协同增长与O_(3)浓度在年际变化趋势上具有较好的一致性,都在2017年达到峰值后略有下降,此后再逐渐回升。

北京不同类型城市森林中PM_(2.5)与O_(3)的关联性分析

大气污染的协同治理是实现经济社会高质量发展,加快生态文明建设的重要途径.PM_(2.5)和臭氧的协同治理是我国“十四五”时期大气污染防治的要求,探究北京市城市森林不同类型林内PM_(2.5)与臭氧的相关性对北京市大气污染的防治具有重要意义.本文利用北京市3个城市森林生态环境监测站测得的PM_(2.5)、O_(3)浓度数据,系统分析不同类型城市森林PM_(2.5)与O_(3)浓度相关性的差异.结果表明:①春季,中心城区、近郊湿地区、近郊浅山区森林中PM_(2.5)与O_(3)浓度呈负相关,中心城区相关性最强(r=0.178,p<0.01);夏季各区域PM_(2.5)与O_(3)浓度均呈正相关,近郊湿地区相关性最强(r=0.095,p<0.01);秋季各区域PM_(2.5)与O_(3)浓度均呈负相关,近郊浅山林区负相关性最强(r=−0.428,p<0.01);冬季近郊湿地区PM_(2.5)与O_(3)浓度呈显著正相关(r=0.061,p<0.05),但中心城区和近郊浅山林区均呈负相关.②工作日期间夜间近郊浅山林区PM_(2.5)与O_(3)浓度相关性相对较强(r=−0.147,p=0.01),其余时间中心城区相关性相对较强,相关系数在−0.14上下波动,周末期间除夜间外,近郊湿地区相关程度相对较强,相关系数在−0.08上下波动.③当PM_(2.5)浓度≤50μg/m^(3)或O_(3)浓度>50μg/m^(3)时,PM_(2.5)与O_(3)浓度呈正相关;PM_(2.5)浓度处于50~200μg/m^(3)之间或O_(3)浓度≤50μg/m^(3)时,二者负相关性相对较强.研究显示,北京市城市森林中PM_(2.5)与O_(3)相关性在季节、不同区域昼夜尺度上有所差异,且林内各区域PM_(2.5)和O_(3)浓度总体呈负相关,表明PM_(2.5)与O_(3)的相互关系受环境背景浓度值、气象要素、人类活动等多因素共同影响.

泰山夏季O_(3)和PM_(2.5)污染特征及成因分析

华北地区是我国空气污染最严重的地区之一.泰山为华北平原最高峰,可代表华北地区背景大气的环境特征.本研究利用2021年6−8月在泰山顶的强化观测数据,开展了基于观测的化学盒子模型模拟,结合位于泰山下国控站点(泰安市监测站)同期监测数据的对比分析,探究了泰山顶夏季PM_(2.5)和O_(3)的污染特征及成因机制.结果表明:①观测期间,泰山顶NO2、SO2、CO的日均浓度均明显低于泰山下,而泰山顶O_(3)浓度相对更高.泰山顶O_(3)浓度超标天数为61 d,超标率为67.0%,最长连续超标天数达23 d;泰山顶PM_(2.5)日均浓度亦略高于泰山下.②泰山顶日间(07:00−17:00)O_(3)浓度主要来源于光化学反应,而夜间主要来源于区域传输.观测期间,泰山顶O_(3)的生成主要处于NO_(x)控制区.③随PM_(2.5)小时平均浓度的增加,其中二次无机盐(硫酸盐、硝酸盐和铵盐)浓度增加的比例大于有机物;与清洁时段(PM_(2.5)小时浓度小于35μg/m^(3)的时段)相比,PM_(2.5)污染时段(PM_(2.5)小时浓度大于35μg/m^(3)的时段)二次无机盐浓度占比增加了13.1%.④泰山顶PM_(2.5)日均浓度和O_(3)日最大8 h平均浓度(MDA8 O_(3)浓度)呈显著正相关(R=0.73,P<0.01).观测期间共发生50次PM_(2.5)和O_(3)小时浓度同步升高的现象,O_(3)浓度平均升速为(10.1±5.3)μg/(m^(3)·h),PM_(2.5)浓度平均升速为(9.5±6.4)μg/(m^(3)·h),二者同步升高的持续时间为2~14 h.PM_(2.5)和O_(3)小时浓度同步升高的过程倾向于发生在静风时段,与地面污染物向山顶输送、光化学反应、液相反应及残留层中的传输过程有关.研究显示,泰山O_(3)和PM_(2.5)污染防控需关注周边地区污染物排放及残留层传输的影响.

基于机器学习的郑州市大气PM_(2.5)与O_(3)浓度预测方法及气象因子的影响分析

近年来,我国面临着细颗粒物(PM_(2.5))污染形势依然严峻以及臭氧(O_(3))污染日益凸显的双重压力.为进一步准确预测郑州市大气PM_(2.5)与O_(3)浓度并探明气象因子的影响,本研究使用2018−2022年郑州市大气污染物和气象因子逐时数据,结合统计学单因素分析和机器学习LightGBM模型多因素分析,建立了一种基于长时间序列数据的PM_(2.5)与O_(3)浓度预测及气象因子影响分析的综合分析方法.结果表明:①训练后的LightGBM模型能够较好地预测PM_(2.5)污染,准确率达80.8%;对O_(3)污染预测的准确率为52.5%.②郑州市大气PM_(2.5)浓度与气压呈正相关,与比湿和环境温度均呈负相关;大气O_(3)8 h滑动平均浓度(O_(3)-8 h浓度)与比湿和太阳辐射均呈正相关,与气压呈负相关.③有利的气象条件可能是2021年PM_(2.5)年均浓度得到显著改善的重要因素;同时,不利的气象条件也促使2021年和2022年6月O_(3)月评价值(O_(3)日最大8 h滑动平均90百分位浓度)有所上升.研究显示,这种基于长时间序列的综合分析方法适用于大气PM_(2.5)与O_(3)浓度的气象因子影响分析,也能有效预测PM_(2.5)与O_(3)的浓度.

2015-2021年鄱阳湖流域主要城市PM_(2.5)和O_(3)浓度分布特征及疾病负担评估

为研究鄱阳湖流域主要城市(南昌市、九江市和上饶市)PM_(2.5)和O_(3)污染对健康的影响,本文评估了“十四五”期间实现特定浓度目标可能带来的健康效益,分析了2015-2021年各污染物的浓度变化,并运用健康影响函数(HIF)及综合暴露-反应函数(IER)对这些城市的疾病负担进行了评估.结果表明:①2015-2021年,南昌市、九江市和上饶市的PM_(2.5)年均浓度分别下降了28.57%、32.65%和34.88%,而O_(3)浓度分别上升了11.53%、8.75%和7.06%;此外,PM_(2.5)和O_(3)浓度分布呈现出明显的季节性变化.鄱阳湖流域主要城市与PM_(2.5)相关的疾病负担下降了18.42%,而与O_(3)相关的疾病负担增加了81.11%.②预测显示,“十四五”期间若实现积极目标,南昌市、九江市和上饶市的PM_(2.5)疾病负担将分别减少55.45%、59.51%和51.44%,在一般目标下将分别减少31.76%、36.43%和33.80%;O_(3)方面,预期目标实现后南昌市、九江市和上饶市的疾病负担将分别下降50.92%、40.58%和36.80%.研究显示,相较于O_(3)浓度控制目标,更为严格的PM_(2.5)浓度控制目标能够产生更显著的健康效益.

汾渭平原PM_(2.5)和O_(3)污染导致的健康效应及情景预测

细颗粒物(PM_(2.5))和臭氧(O_(3))已成为主要大气污染物,对人体健康危害较大.本文选取大气污染防控重点区域汾渭平原作为研究区,分析2014-2021年PM_(2.5)和O_(3)浓度变化特征及其健康效应,并估算2030年实现不同减排标准的潜在健康效益.结果表明:①2014-2021年汾渭平原PM_(2.5)年均浓度呈下降趋势,而O_(3)年均浓度却呈波动上升趋势,PM_(2.5)和O_(3)复合污染天数下降趋势显著.②归因于PM_(2.5)污染的早逝人数和经济损失均呈下降趋势;而归因于O_(3)污染的早逝人数及经济损失均呈上升趋势,2021年归因于O_(3)污染的全因、呼吸系统疾病和心血管疾病早逝人数较2014分别增加了60.36%、11.94%和74.32%,经济损失增加了136.60%、65.18%和157.20%,其中西安市和洛阳市健康风险与经济损失问题相对突出.③若2030年PM_(2.5)和O_(3)年均浓度均达《环境空气质量标准》(GB 3095-2012)二级标准限值,汾渭平原归因于PM_(2.5)和O_(3)的早逝人数较2021年将分别下降15.99%和2.71%,而随着人均可支配收入的逐年增加,健康经济损失将分别增加6.39×10^(8)元(95%CI:5.20×10^(8)~7.56×10^(8)元)和30.05×10^(8)元(95%CI:16.17×10^(8)~43.26×10^(8)元);若进一步将PM_(2.5)和O_(3)浓度降至更低,可进一步避免早逝人数的增加,且带来显著的经济效益.研究显示,汾渭平原PM_(2.5)治理有所成效,但是O_(3)污染问题凸显,其导致的健康死亡人数及经济损失均呈上升趋势,应保证达到现有标准的基础上制定更高目标标准,才能有效改善居民健康状况,并带来显著的经济效益.

基于机器学习的PM_(2.5) 和O_(3)浓度预测模型研究

本研究以江苏沿海地区为例,基于5种机器学习方法,利用2016-2019年的气象和环境监测站点数据以及地理信息、社会经济等开放数据建立了PM_(2.5)和O_(3)的浓度预测模型,通过SHAP值对模型进行可解释性分析并对空气质量做出评价。结果表明,极度梯度提升树(XGBOOST)模型对PM_(2.5)和O_(3)浓度的预测效果最好;气温、风速和相对湿度对PM_(2.5)浓度的预测影响最大,气温、日照时数、相对湿度对O_(3)浓度的预测影响最大;江苏沿海地区在2016-2019年的空气质量较好,PM_(2.5)污染得到了有效控制,O_(3)污染呈现波动变化,整体上有加重的趋势。

基于伴随模式的典型PM_(2.5)和O_(3)双高污染事件减排措施

为了探讨PM_(2.5)和O_(3)双高污染及其有效控制措施,运用GRAPES-CUACE伴随模式对2019年4月19~25日北京市的一次典型双高污染事件进行“源-浓度”敏感性分析,定量评估了本地及周边地区前体物排放对北京市24h平均PM_(2.5)(24-hr PM_(2.5))和MDA8O_(3)浓度峰值的贡献,并利用伴随模式开展相应的减排措施试验.伴随敏感性分析结果表明,此次北京市双高污染事件的24-hr PM_(2.5)和MDA8O_(3)浓度峰值受到本地及周边地区的前体物排放的共同影响.一次PM_(2.5)(PPM_(2.5))排放源对24-hr PM_(2.5)浓度峰值的主要贡献在前48h,其中河北源贡献最大(49.7%),其次是山东源(24.4%)和北京源(20.1%).O_(3)的生成由VOCs控制,NO_(x)和VOCs排放源的主要贡献时段分别为前30h和前38h.其中河北贡献最大,NO_(x)和VOCs分别贡献了27.0%和23.8%,北京源(20.9%和4.9%)次之.双高污染的减排试验结果显示,当北京市24-hr PM_(2.5)浓度峰值达标时,NO_(x)、VOCs和PPM_(2.5)减排比例相近,各省市的减排力度依次为:河北(55.8%、59.1%和61.3%)、北京(60.0%,47.4%和60.4%)、山东(44.0,51.2%和61.3%)、天津(42.7%,42.7%和42.7%)及山西(44.0%,40.9%和42.7%).而MDA8O_(3)浓度峰值在迭代过程中先上升后下降,达标时需减排较多NO_(x)和VOCs.各省市减排力度依次为河北(67.8%和67.1%)、北京(66.0%和56.3%)、山东(57.3%和59.5%)、天津(50.9%和52.4%)及山西(55.4%和46.0%).

邯郸地区2017—2021年PM_(2.5)和O_(3)污染特征

利用实时监测数据分析2017—2021年邯郸市及周边区县PM_(2.5)和O_(3)污染特征。研究发现:2017—2021年各地区PM_(2.5)年均质量浓度持续降低,轻度及轻度以上污染逐渐减少;2017—2019年O_(3)污染加剧,2020年起O_(3)年均质量浓度逐年下降,污染天不断减少。PM_(2.5)和O_(3)-8 h分别在1月(平均浓度为127.3μg/m^(3),平均超标22d)和6月(平均浓度为233.4μg/m^(3),平均超标22 d)污染最严重。结合气象参数分析来看,PM_(2.5)与温度、风速和降水量呈显著负相关,与相对湿度呈显著正相关;O_(3)-8 h与温度呈显著正相关,而与风速、湿度和降水量的相关性较弱。后向轨迹和潜在源分析表明:邯郸地区PM_(2.5)典型污染月受山西省中部地区污染传输影响最大,O_(3)典型污染月受河南省东部污染传输影响最大。

关于O_(3)和PM_(2.5)协同控制的一些思考

细颗粒物(PM_(2.5))和臭氧(O_(3))是影响我国环境空气质量持续改善的两个关键污染物,具有一定的同根同源性,具备协同控制的基础条件。通过对现阶段我国实施O_(3)和PM_(2.5)协同控制的政策管理、科学机理、技术措施和能力建设等方面的系统分析,建议从国家层面科学划定O_(3)联防联控区域,优化区域联防联控机制;摸清O_(3)关键前体物VOCs和NOx的排放基数,建立VOCs分物种清单;量化协同方案,有序开展污染物、区域、行业多角度协同控制;开展O_(3)和PM_(2.5)协同机理研究,强化科学研究的支撑作用;开展VOCs综合治理,提高监管执法能力建设。以期实现O_(3)和PM_(2.5)短期削峰,长期达标。

邢台市影响PM_(2.5)和O_(3)浓度多时间尺度演变的重要因素

为了揭示邢台市大气PM_(2.5)-O_(3)复合污染的演变特征及其影响因素,基于在线监测平台提供的气象要素及污染物浓度数据,使用KZ滤波法分解邢台市PM_(2.5)和O_(3)的原始浓度序列,之后将多元逐步回归法与KZ滤波法结合定量识别污染物的长期分量中源排放及气象因素对污染物浓度的贡献.同时使用随机森林方法,定性探究具体的源排放和气象因子对于邢台市PM_(2.5)和O_(3)原始序列浓度的影响.结果表明:邢台市PM_(2.5)浓度的长期分量呈现显著的下降趋势,短期分量是PM_(2.5)浓度的主要贡献者.O_(3)浓度长期分量呈现增加的趋势,季节分量是O_(3)浓度的主要贡献者.源排放和气象因素对PM_(2.5)长期分量浓度变化的贡献占比约为5:1,两者对于O_(3)长期分量浓度变化贡献占比接近3.5:1,源排放过程是邢台市长期大气PM_(2.5)-O_(3)复合污染的主因.相对湿度(RH)对邢台市PM_(2.5)原始序列浓度的影响最大,其次为工业源排放和机动车尾气排放;影响O_(3)原始序列最大的的3个因子分别是气象因素中的短波辐射强度(SR)、温度(T)以及机动车尾气排放.

2018-2021年安徽省PM_(2.5)和O_(3)时空分布特征及其健康风险分析

利用2018—2021年安徽省空气质量监测数据分析了PM_(2.5)和O_(3)时空分布特征及其引发的健康风险。结果表明:从时间分布来看,2018—2021年安徽省PM_(2.5)年均值下降25.5%,而O_(3)-8 h年均值则保持持平;PM_(2.5)和O_(3)-8 h月均值具有明显的季节变化特征,PM_(2.5)月均质量浓度和超标天数均在冬季达到最大值,O_(3)-8 h月均值和超标天数则在夏季达到最大值。从空间分布来看,PM_(2.5)、O_(3)-8 h年均值和超标天数均为皖北最高,其次为皖中,最后为皖南。夏季O_(3)是主要的健康风险因子,冬季PM_(2.5)是主要的健康风险因子。当PM_(2.5)超标时,除2021年皖北地区外(PM10是主要的健康风险因子),PM_(2.5)均是主要的健康风险因子;当O_(3)-8 h超标时,O_(3)是主要的健康风险因子。

宜都市PM_(2.5)与O_(3)季节性分布特征及潜在源区分析

为了解宜都市PM_(2.5)与O_(3)的污染特征及潜在来源,利用宜都市2020年3月至2022年2月在线监测数据及气象数据,对宜都市PM_(2.5)与O_(3)质量浓度变化特征、气象影响因素及潜在源区进行了分析,结果表明:宜都市PM_(2.5)质量浓度冬高夏低,日变化呈双峰特征,O_(3)质量浓度夏高冬低,日变化呈单峰特征。高湿、静稳的气象条件以及较强偏北风作用下的区域污染传输对PM_(2.5)污染有重要影响,高温以及中湿度对O_(3)污染过程有重要作用。春、夏、秋季偏南方向气流轨迹占主导,且携带较高的污染物浓度,冬季来自湖北东北及西南方向的气流占比较高且携带的PM_(2.5)浓度较高;宜都市PM_(2.5)、O_(3)的潜在源区具有季节性差异,总体来看,主要分布在河南南部、湖北东部及湖南的北部区域。

2015—2020年川南地区大气PM_(2.5)和O_(3)质量浓度变化特征、影响因素及输送特征

随着川南地区的经济发展,地面臭氧(O_(3))、细颗粒物(PM_(2.5))成为危害人体健康的主要污染物。本文分析了2015—2020年间川南地区(自贡、内江、泸州、宜宾)PM_(2.5)和O_(3)质量浓度的时间变化特征。以污染严重的自贡市为例,研究当地PM_(2.5)和O_(3)浓度与常见影响因素的相关性,并通过潜在源分析方法,探究污染物区域输送对自贡市的影响。结果表明:1)2015—2020年,川南地区年均PM_(2.5)质量浓度呈下降趋势,年均O_(3)质量浓度呈略上升趋势。月均PM_(2.5)质量浓度呈“U”型分布,7—8月质量浓度低,12—2月质量浓度高;月均O_(3)质量浓度呈“M”型分布,7、8月出现峰值,4、5月出现次峰值。2)自贡市PM_(2.5)质量浓度与CO、NO_(2)、SO_(2)质量浓度呈显著正相关,O_(3)质量浓度与气温、相对湿度分别呈显著正相关和负相关。3)自贡市PM_(2.5)和O_(3)的区域输送主要以局地气团为主,辐射和人为源排放强度影响气流轨迹中的PM_(2.5)和O_(3)质量浓度。PM_(2.5)和O_(3)的主要潜在源区位于四川盆地和贵州部分地区。

基于机器学习的汾渭平原PM_(2.5)和O_(3)变化特征及影响因素

本文以2017—2021年汾渭平原典型城市西安大气PM_(2.5)和O_(3)浓度数据为基础,运用机器学习方法分析了PM_(2.5)和O_(3)的变化特征和趋势,讨论了污染气体(NO_(2)、SO_(2)、CO和HCHO)与气象因素(温度、相对湿度、风速、大气压力、边界层高度和太阳辐射)对PM_(2.5)和O_(3)浓度变化的交互影响.Theil-Sen趋势分析发现2017—2021年西安市PM_(2.5)和O_(3)分别以每年6.03%和2.06%的速度下降.单因素广义加性模型(GAM)中,NO_(2)、SO_(2)和CO对PM_(2.5)浓度变化影响的模型解释率较高,温度、太阳辐射和大气压对O_(3)浓度变化影响的模型解释率较高.多因素GAM模型中,PM_(2.5)和O_(3)均呈现非线性变化,模型的解释方差分别为84.9%和75.0%,拟合程度较高.通过等高线图分析了多个气象因素和多种污染气体两两交互作用分别对PM_(2.5)和O_(3)浓度的影响,其中温度和污染气体(NO_(2)、SO_(2)、CO和O_(3))对PM_(2.5)浓度的影响更大;温度和太阳辐射对O_(3)的影响更大.NO_(2)和CO分别与气象条件两两相互作用时,PM_(2.5)浓度随NO_(2)和CO的增高而增高,O_(3)浓度则与NO_(2)和CO的变化趋势相反.结合本地污染物源清单,建议加强控制工业源和移动源排放,有助于降低PM_(2.5)和O_(3)的浓度.

沈阳市环境空气中PM_(2.5)与O_(3)关联性分析

以东北地区典型城市沈阳市为例,运用多种监测手段,分析了沈阳市环境空气中PM_(2.5)和O_(3)的浓度及其组分的关联性,以期为PM_(2.5)与O_(3)的协同控制提供技术支撑。结果表明:春季和秋季O_(3)最大8 h滑动平均值浓度随PM_(2.5)日均浓度的升高而呈现先升高后降低的趋势;夏季两者浓度在0.01水平上呈显著正相关;冬季两者浓度在0.01水平上呈显著负相关关系。春季和秋季昼间PM_(2.5)浓度越高,O_(3)小时浓度上升速率越快,夜间PM_(2.5)浓度越高,O_(3)小时浓度下降速率越快。夏季昼间、夜间O_(3)小时浓度均随PM_(2.5)浓度的升高而升高。冬季昼间、夜间O_(3)小时浓度均随PM_(2.5)浓度的升高而降低。随光化学活性水平的增强,PM_(2.5)和O_(3)的相关性逐渐减弱。中度光化学活性水平下,白天PM_(2.5)/CO的值明显高于其他光化学活性水平,但中度、重度光化学水平下,白天PM_(2.5)/CO的变化速率明显大于低、轻度光化学水平。且PM_(2.5)/CO的峰值与O_(3)峰值具有高度一致性。夏、秋2季SNA(SO_(4)^(2-)、NO_(3)^(-)、NH_(4)^(+))在PM_(2.5)中所占比例与O_(x)在0.01水平上呈显著正相关。春、夏、秋季SOA在PM_(2.5)中所占比例与O_(x)在0.01水平上呈显著正相关。