PM_(2.5)和O_(3)污染特征和时空变化相关性分析——以南充市为例

当前,细颗粒物(PM_(2.5))和臭氧(O_(3))已成为我国的两大主要空气污染物,特别是在人口密集的区域。PM_(2.5)和O_(3)污染程度强烈依赖于天气过程和人为排放,二者不仅影响社会经济健康发展,而且影响人体健康。为了探索PM_(2.5)和O_(3)的协同控制方法,分析两者相关性,掌握其主要影响因素,选取南充市主城区(顺庆区、高坪区、嘉陵区)为研究对象,以四川省空气质量监测网络管理系统中自动监测数据为基础,利用Origin、Excel、SPSS等软件,分析了该市环境空气中PM_(2.5)和O_(3)的污染现状、时空变化趋势以及影响因素,并探讨了二者的相关性。结果表明:①2018~2022年南充市主城区环境空气中PM_(2.5)、O_(3)年际变化整体呈下降趋势,近5年O_(3)浓度均达标,但2022年O_(3)出现反弹。②PM_(2.5)、O_(3)均表现出明显季节变化趋势,其中PM_(2.5)呈现冬春高、夏秋低的“河谷型”变化趋势,而O_(3)截然相反。③O_(3)峰值主要出现在15:00-17:00,PM_(2.5)多在23:00开始上升。④O_(3)和PM_(2.5)空间变化趋势与各自地理位置具有一定联系。

基于时空优化模型的PM_(2.5)遥感估测研究

为了获得连续的PM_(2.5)浓度时空分布并提高估算精度,提出了一种新的基于时空因子优化的PM_(2.5)估测模型(SFRF).SFRF模型是时空因子通过卷积特征融合到随机森林算法(RF)体系中,通过集成高分辨率(1km)卫星反演的气溶胶光学厚度(AOD)产品以及气象数据、夜间灯光数据和植被数据构建SFRF模型来进行对2019年的山东省地区PM_(2.5)浓度的准确预测,生成山东省高空间分辨率(1km)的PM_(2.5)浓度.采用十折交叉验证法,评估了SFRF模型的性能,并与BPNN、SVM、XGBoost、RF、PCA-RF模型进行对比.结果表明:SFRF模型验证的决定系数和均方根误差(RMSE)值分别为0.85和8.10µg/m^(3),优于其他模型.SFRF模型可以在日、季、年尺度上以较高的空间分辨率来估测山东省PM_(2.5)浓度.

黄河流域PM_(2.5)时空分布格局及人口暴露研究

文章基于PM_(2.5)遥感反演数据和人口格网分布数据,构建人口暴露风险指数模型,采用Theil-SenMedian与MannKendall检验法,识别2000-2020年间黄河流域PM_(2.5)质量浓度值和人口暴露风险指数时间演化特征,通过空间探索工具,刻画其空间变化特征。研究结果表明:(1)PM_(2.5)质量浓度平均值为46.53μg/m^(3),研究期内呈现出“快速增长—波动变化—持续下降”的态势。PM_(2.5)污染不同等级面积比例变化明显,总体呈现出高浓度区域减少、低浓度区域增加的态势。(2)PM_(2.5)年均质量浓度空间上东高西低。历年PM_(2.5)年均质量浓度空间局部自相关显著。低值区域主要分布在青海、甘肃、宁夏、内蒙古等省份。高值区域集中分布在山西南部、陕西关中地区、河南中部、山东北部区域。(3)除2000年和2020年外,研究时段内均有90%以上人口暴露于PM_(2.5)年均质量浓度35μg/m^(3)限值以上,且高密度人口区域暴露风险等级较高。人口暴露风险极显著增加区域主要包含青海省东南部、宁夏平原地区、内蒙古西部、汾渭平原以及河南中部等地区。(4)PM_(2.5)人口暴露风险分布格局变化不显著。高等级风险区在空间上呈现片状、带状以及点状分布共存的特征,主要为黄河中下游冲积平原以及中游汾渭盆地。

济南市大气PM_(10)、PM_(2.5)时空分布特征与城市街区形态关联分析

高密度城市空间的颗粒物浓度分布对居民健康和环境的可持续发展具有重要影响。然而,当前研究多集中在中宏观尺度,且不同季节背景对城市形态与颗粒物浓度之间定量关系的影响尚存争议。基于2021年济南市主城区65个空气质量监测站的PM_(2.5)和PM_(10)浓度实时观测数据,分析了不同季节下城市街区形态对颗粒物浓度(PM_(2.5)和PM_(10))的影响。结果表明:(1)颗粒物浓度呈双峰型日变化,且具有显著的U形逐月变化规律,PM_(2.5)呈冬季高夏季低、春秋两季居中,PM_(10)呈春季高夏季低、秋冬两季居中的季节性变化特征,且呈东南低、西北高的空间分布格局,高污染区域集中于交通和建筑密集区域,低污染区域主要分布于大型城市绿地旁。(2)城市街区形态对颗粒物的影响具有明显的季节分异性。PM_(2.5)与绿色空间指标在4个季节的相关性均十分显著,与绿地覆盖率(GCR)、绿地斑块形状指数(MSI)和绿地最大斑块指数(LPI)呈负相关性,与绿地斑块密度(PD)呈正相关,并且PM_(2.5)仅在秋冬季与建筑形态指标相关关系显著,其中建筑密度(BD)、建筑平均高度(AHV)和建筑平均体积(AV)是最具影响力的指标。PM_(10)仅在春冬两季与绿色空间指标显著相关,GCR和MSI产生的影响较大,并且与BD、AHV和容积率(FAR)等建筑形态指标仅在秋冬季节相关性显著。

长三角地区PM_(2.5)时空分布及环境驱动因素分析

本研究分析了2015—2020年长三角地区地面PM_(2.5)浓度的时空变化特征,并利用随机森林回归法分析环境驱动因素。结果发现:2015—2020年长三角地区PM_(2.5)浓度整体呈下降趋势,2020年初受疫情影响PM_(2.5)浓度降至趋势线最低点,之后浓度呈回升趋势。长三角地区的西部和北部多为高高聚集区,是污染防治的重点和难点;南部和东部多为低低聚集区,空气质量较好。随机森林分析发现7个环境变量对PM_(2.5)季节平均浓度的解释率均超过98%。其中,降水和温度是PM_(2.5)重要的驱动因素,秋季和冬季野火密度是冬季PM_(2.5)浓度最重要的驱动因素。火灾信息的纳入有助于提高PM_(2.5)浓度预测的准确性,并为政府制定空气污染防控措施提供可靠依据。

中国特大城市群PM_(2.5)污染及健康负担的时空演变特征

我国过去数十年经历了快速的经济发展和城市化过程,也面临着严峻的空气污染问题,探究重点城市群PM_(2.5)污染及其健康影响特征与趋势对于评估和优化污染控制政策具有重要意义.基于大气污染、人口特征等多源高分辨率数据,应用环境健康风险评估方法,分析和比较了2000-2020年京津冀、长三角、珠三角、成渝等四个特大城市群的PM_(2.5)污染及其健康负担.结果表明,过去的二十一年中,京津冀的PM_(2.5)污染最严重,长三角和成渝城市群次之,珠三角污染程度最轻;总体上四个城市群PM_(2.5)年均浓度先增后降,2020年较2000年分别下降35.6%,43.9%,34.6%和49.7%.2020年京津冀、长三角、珠三角和成渝城市群的PM_(2.5)归因死亡人数分别约为12.8万、14.0万、5.2万和9.0万,老龄化和人口增长是城市群大气污染健康负担增加的最主要原因,其中珠三角城市群人口因素贡献最大.PM_(2.5)污染减轻是健康负担下降的主要驱动力,表明城市群大气污染治理取得显著的健康效益.未来需要加强人群健康视角的城市群PM_(2.5)污染防控,特别要关注老年人群大气污染健康风险.

重庆市绿色空间景观格局与PM_(2.5)浓度时空相关性

空气中的细颗粒物对人民群众身体健康产生严重威胁,探究绿色空间景观格局对PM_(2.5)浓度的影响,有助于通过调整绿色空间格局降低PM_(2.5)浓度。以重庆市1980~2020年土地利用遥感监测数据和PM_(2.5)浓度数据作为基础数据,通过景观格局指数法、空间自相关分析研究绿色空间景观格局及PM_(2.5)浓度变化特征,再通过时空地理加权回归(GTWR)模型研究绿色空间景观格局指数变化对PM_(2.5)浓度的影响及其时空异质性。结果表明:①重庆市PM_(2.5)浓度从1980年至2010年逐渐上升,2010年至今逐渐降低;同时,其空间分布具有显著聚集特征,主要显示为东部低-低聚集、西部高-高聚集的特征。②林地、草地和耕地的面积指数(TA)、斑块密度指数(PD)和斑块连接度指数(COHESION)与PM_(2.5)浓度具有显著的相关性。其中,林地面积指数呈负影响,耕地、草地面积指数呈正影响;林地、草地斑块密度指数呈正影响,耕地斑块密度指数呈负影响;林地、草地和耕地斑块连接度指数均呈负影响。③主城都市区内,草地面积指数和耕地斑块密度指数对PM_(2.5)浓度的负影响较强。渝东北三峡库区城镇群和渝东南武陵山区城镇群内,林地聚合度指数(AI)、斑块密度指数和斑块连接度指数以及耕地面积指数对PM_(2.5)浓度的影响较强。

黑龙江省2015年-2019年大气PM_(2.5)时空分布特征研究

收集整理2015年-2019年黑龙江省13个地级市的大气污染物浓度及同期气象因素数据,分析PM_(2.5)时空分布特征以及其余污染物和气象因素对PM_(2.5)的影响。结果表明:黑龙江省2015年-2019年PM_(2.5)年均浓度在2015年和2017年超过国家二级标准;采暖期浓度是非采暖期的两倍左右;PM_(2.5)浓度呈现冬季最高、夏季最低,在月尺度上呈1-5月逐渐降低,5-9月无太大变化,9月以后逐渐上升;哈尔滨市污染最为严重。相关性分析结果显示,PM_(2.5)浓度与PM10、NO2、CO、SO2和气压呈正相关,与气温和风速呈现负相关,与O3在不同地级市相关性不同;虽与相对湿度呈负相关,但是当相对湿度大于80%时,PM_(2.5)呈现下降趋势。

基于GTWR模型的3 km京津冀PM_(2.5)时空分布和影响因素分析

PM_(2.5)与空气质量和公众健康密切相关,许多研究使用遥感结合其他辅助数据的模型反演PM_(2.5)的浓度,以捕捉各地区PM_(2.5)时空分布。本文针对京津冀地区数据分辨率较低的问题,采用3 km分辨率的气溶胶光学厚度(AOD)数据及12个辅助变量,建立时间地理加权回归模型(GTWR),估算3 km京津冀地区2020—2022年PM_(2.5)浓度分布。结果表明:①GTWR模型数据的R^(2)(0.86)均优于OLS模型数据的R^(2)(0.66)和GWR模型数据的R^(2)(0.78)。②在时空分布上,2020—2022年京津冀PM_(2.5)浓度的空间分布与地形呈负相关。低值区主要分布在地势较高的山区;高值区主要分布在地势较低的平原。③2020—2022年京津冀PM_(2.5)季节平均浓度差异显著,由高至低依次为冬季(60.88μg/m^(3))、秋季(37.78μg/m^(3))、春季(31.75μg/m^(3))、夏季(22.16μg/m^(3))。④PM_(2.5)浓度与AOD的相关性最强。研究得出3 km分辨率的AOD数据与GTWR模型相结合在反演PM_(2.5)浓度方面具有较好的适用性。

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。

汉中市PM_(2.5) 时空变化特征研究及影响因素分析

以汉中市2019-2021年大气颗粒物PM_(2.5)监测数据为基础,通过数据挖掘和空间插值方法,研究了该地区PM_(2.5)的时空分布及变化特征,并分析其主要影响因素。研究结果表明,汉中市PM_(2.5)高浓度时期集中在每年11月至次年2月,并呈现出明显的季节性变化特征:冬季>春季>秋季>夏季;汉中市PM_(2.5)浓度在空间分布上总体上呈现出南高北低的分布特征,高值区集中在中南部的中心城区一带,分别向东和向北逐步递减延伸;该时空变化特征与当地的自然地理环境、工业分布状况、人口密集程度等影响社会发展的多种因素密切相关。研究结果可为准确把握汉中市污染现状,进一步寻求有效的大气污染防控措施提供理论依据。

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。

2020—2021年西安市大气PM_(2.5)中水溶性离子变化特征

用离子色谱法对181份PM_(2.5)有效样品中NO^(-)_(3)、SO_(4)^(2-)、NH^(+)_(4)、Cl^(-)和F^(-)等5种水溶性离子进行检测分析。结果表明,西安市PM_(2.5)的年均浓度为(71.04±51.80)μg·m^(-3),季节变化特征表现为:冬季>春季>秋季>夏季。五种水溶性离子的年均浓度为(28.24±31.79)μg·m^(-3),季节变化特征表现为:冬季>春季>秋季>夏季。各水溶性离子的年均浓度由大到小依次为:NO^(-)_(3)>SO_(4)^(2-)>NH^(+)_(4)>Cl^(-)>F^(-)。NO^(-)_(3)在冬、春、秋三季的占比最高,而在夏季则是SO_(4)^(2-)占比最高。SOR和NOR的年均值分别为0.34和0.17,表明SO_(2)和NO_(2)向二次离子SO_(4)^(2-)和NO^(-)_(3)的转化程度较高。随着污染水平的加重,总水溶性离子浓度在PM_(2.5)中的占比逐渐升高,NO^(-)_(3)的浓度及占比逐渐升高,SO_(4)^(2-)的占比逐渐降低。NO^(-)_(3)/SO_(4)^(2-)的年均值为2.13,夏季固定源对大气污染的贡献较大,而在冬、春、秋三季则是移动源占主导作用。

基于空间杜宾模型的中国274市PM_(2.5)浓度时空特征及影响因素研究

PM_(2.5)是雾霾污染的重要成分之一,研究其时空演变特征及影响因素对控制PM_(2.5)浓度升高有重要意义。采用2003—2020年274个地级以上城市PM_(2.5)浓度及相关指标数据,结合GIS空间分析以及面板空间杜宾模型对PM_(2.5)浓度的时空演变特征和影响因素进行全面解析。结果表明:1)PM_(2.5)浓度呈波动下降趋势且其分布存在明显的地区差异,重污染区域主要分布在华北、华中和华东地区。2)PM_(2.5)浓度呈现出显著的空间关联特征,大多数城市都是高-高集聚或低-低集聚。3)在社会经济因素中,政府环境治理、科技支出和外商直接投资对PM_(2.5)浓度是负向影响,工业化水平和人口密度对PM_(2.5)浓度是正向影响;在自然因素中,年均风速、年均日照时数和地形起伏度等对PM_(2.5)浓度是负向影响。基于实证研究分析,从顶层设计出发,提出大气污染防治的可行性建议。

黑龙江省PM_(2.5)和O_(3)污染时空分布特征及气象影响分析

近年来,我国经济发展迅速,但是环境问题也日益严重,各种污染物的排放日益增多。东北三省作为我国重要的工业基地,加之冬季燃煤取暖,造成空气污染严重。针对黑龙江12个地级市及1个地区的PM_(2.5)和O_(3)的污染现状进行分析。选取了2017-2022年的污染物数据,分析了PM_(2.5)和O_(3)在黑龙江省时间和空间上的分布。结果表明,PM_(2.5)年平均月浓度呈U型,夏季低,冬季高;O_(3)浓度在2017-2022年间年平均月浓度呈倒U型,夏季高、冬季低。空间分布上PM_(2.5)主要呈南高北低的态势,O_(3)主要呈南高北低、西高东低的态势。同时,基于前人的研究,分析了气象因子对PM_(2.5)和O_(3)浓度的影响,得出PM_(2.5)与温度负相关,O_(3)与温度正相关;气压升高,PM_(2.5)先上升后下降,O_(3)气压负相关;湿度小时,与PM_(2.5)浓度呈正相关,湿度大时,与PM_(2.5)浓度呈负相关;O_(3)浓度与湿度正相关(临界值之前)都与风速呈负相关。研究成果可为黑龙江省PM_(2.5)和O_(3)的协同防控提供数据依据。

城市大气环境PM_(2.5)浓度变化特征及治理浅析

城市大气环境中PM_(2.5)浓度的变化特征及治理是一个备受人们关注的环境问题。本文通过对城市大气PM_(2.5)浓度的时间、空间和区域变化特征进行分析,发现PM_(2.5)浓度在不同时间存在明显的季节性和日变化特征,且在城市内部存在空间异质性。此外,不同城市和地区的PM_(2.5)浓度也存在显著差异,并受到多种因素的影响,如工业排放、交通污染、气象条件等。本文对城市空气PM_(2.5)的主要来源进行了分析,并提出改善城市大气环境质量、保护居民健康的对策。

滇西南地区PM_(2.5)时空变化特征及其季节性增强的成因分析

利用CHAP PM_(2.5)、MODIS MCD19A2、ERA5再分析等数据集,以及SNPP/VIIRS卫星监测火点等数据,从污染物后向轨迹、环流形势、高低空动力结构配置等方面入手,采用最小二乘法等多种分析方法对滇西南地区年均和四季PM_(2.5)浓度时空分布及季节性突增的成因进行探究。结果表明:研究区PM_(2.5)浓度和气溶胶光学厚度空间分布均呈北低南高,东弱西强;PM_(2.5)浓度年内7月最低、3月最高。2—4月稳定的污染源输送造成研究区春季PM_(2.5)浓度值高且波动较其余季节小,但变化百分率空间分布差异更明显;近20年PM_(2.5)浓度变化百分率减少程度以-30%~—20%居多,夏、秋、冬季变化百分率则以小于-30%为主。研究区紧邻的缅甸东部和老挝北部一年中超过90%的火点发生在2—4月,在偏西气流引导下,途经高火点区的偏西向(西南向)污染物短距离输送,在上空中低层辐散的动力作用下造成下沉,致使研究区PM_(2.5)浓度季节性升高。较大范围利于污染物扩散的气象条件和更多降水的清洗,可减少境外大气污染物输送对滇西南地区PM_(2.5)污染的贡献。关键区境外火点数变化对PM_(2.5)浓度及气溶胶光学厚度的影响表现为显著正相关,且其对PM_(2.5)的影响滞后于火点数变化2天左右,二者相关程度由南向北逐渐减弱。

京津冀地区大气PM_(2.5)污染时空分布特征及成因分析

基于PM_(2.5)浓度数据、自然因素数据和人类活动因素数据,采用克里金插值法和统计分析法探究2017年京津冀地区13个城市大气PM_(2.5)污染的时空分布特征,并采用相关分析模型和因子分析模型探究其成因。结果表明,京津冀地区:1)PM_(2.5)浓度空间分布呈现“北低南高”的特点,南部和北部城市的年平均浓度梯度最高可达到64μg/m^(3);2)PM_(2.5)浓度时间分布呈现“冬高夏低”、“早晚高午后低”的特点,冬季PM_(2.5)浓度是夏季的1.3~2.8倍,四季PM_(2.5)浓度日较差介于11~29μg/m^(3);3)大气PM_(2.5)污染与自然因素关系密切。地势地形影响PM_(2.5)的聚集、传输和扩散过程。风速、日照时数和相对湿度是影响大气PM_(2.5)污染的主导气象因素,冬季PM_(2.5)浓度与气象因素的相关性最强;4)大气PM_(2.5)污染与人类活动关系密不可分,具体可归为:社会经济因素、工业污染排放因素和城市建设因素。研究结果将有助于为京津冀地区大气污染防治查漏补缺。

山东省环境空气中PM_(2.5)与O_(3)的复合污染特征与时空变化趋势

山东省PM_(2.5)-O_(3)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O_(3)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:(1)2016—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O_(3)年评价值上升9.6%以外,SO_(2)、PM_(10)、PM_(2.5)、CO和NO_(2)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O_(3)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O_(3)平均浓度最高,且逐年上升.(2)山东省PM_(2.5)和O_(3)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,O_(3)浓度在中北部内陆地区较高,PM_(2.5)-O_(3)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)-O_(3)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)-O_(3)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O_(3)_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992.8~1018.8 hPa时PM_(2.5)-O_(3)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O_(3)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O_(3)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,O_(3)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O_(3)的生成和累积有一定影响.

基于空间插值技术的深圳市PM_(2.5)时空分布特征分析

为研究深圳市PM_(2.5)的时空分布特征,获取了全市11个空气质量国控监测站点2015—2019年的PM_(2.5)逐时数据,利用计算机语言Python对数据进行预处理,在此基础上综合采用时序数据统计分析、空间插值技术和相关性分析揭示PM_(2.5)的时、空间变化规律。结果显示:深圳市2015—2019年PM_(2.5)浓度总体呈现出“西高东低,北高南低”的空间分布格局,PM_(2.5)高浓度天数和高浓度区域面积逐年减少,空气质量呈现出明显的好转趋势;各监测站点的PM_(2.5)年浓度均值在18-38μg/m^(3)之间波动,主要表现为先下降后小幅回升然后又下降;季浓度均值在10-54μg/m^(3)之间波动,呈现出明显的“冬季>秋季>春季>夏季”的季节性变化规律;月浓度均值多以6月份为中心,呈现出“V”字型分布规律;日浓度均值超标天数占比最多不超过8%,且超标天数占比逐年下降;各监测站点的PM_(2.5)日浓度均值变化的一致性与各站点之间的空间距离关系不强。