大气与环境光学学报, 2023, 18 (1): 47, 网络出版: 2023-04-17  

成都市PM2.5、PM10变化特征及其与气象因素的关系

Variation characteristics of PM2.5 and PM10 in Chengdu and their correlation with meteorological factors
李瑞 *
作者单位
成都师范学院史地与旅游学院, 四川 成都 611130
摘要
为研究气象因素对成都市大气细颗粒物 (PM2.5)、可吸入颗粒物 (PM10) 的影响,收集了2015―2018年成都市PM2.5、PM10的月平均浓度,采用Pearson相关分析法,分析了成都市PM2.5、PM10与气象条件的关系。结果表明:(1) 2015―2018年,成都市PM2.5、PM10年平均浓度虽然年际间差别较小,但整体呈现逐年缓慢下降趋势,2015年以来成都市的一系列大气污染控制措施是PM2.5、PM10逐年缓慢下降的原因;2015―2018年成都市PM2.5、PM10浓度季节变化特征整体表现为冬季 > 春季 > 秋季> 夏季。(2) 不同气象因素对成都市PM2.5、PM10月平均浓度的影响程度不同,降水量与气温是影响成都市PM2.5、PM10月平均浓度的主要因素,两者与PM2.5、PM10呈较高的负线性相关,其中PM2.5、PM10与降水量的相关系数均为 -0.612,与月平均气温的相关系数分别为 -0.822、-0.776,降水会通过捕获大气中的颗粒物来去除PM2.5、PM10,而温度的升高会加强PM2.5、PM10等污染物在垂直方向上的对流运动,从而对成都市污染物浓度的降低起到重要作用;日照时数、月平均风速、相对湿度等与PM2.5、PM10月平均浓度整体也呈现负相关,但与降水量和气温相比,日照时数、月平均风速与PM2.5、PM10月平均浓度的相关性较低,而相对湿度与PM2.5、PM10月平均浓度的相关性则更加微弱,表明相对湿度的变化对成都市PM2.5、PM10的积累和扩散影响很小。
Abstract
To explore the characteristics of PM2.5 and PM10 in Chengdu, China, and their relationship with meteorological factors, monthly average concentrations of PM2.5 and PM10 in Chengdu from 2015 to 2018 were collected, and their relationships with meteorological factors were analyzed by using Pearson correlation analysis method. The results show that: (1) Pue to the implementation of a series of air pollution control measures since 2015, the average annual concentration of PM2.5, PM10 in Chengdu shows a slowly decreasing trend year by year. And the seasonal PM2.5, PM10 concentration in Chengdu from 2015 to 2018 decreased in the order of winter, spring, autumn and summer. (2) Different meteorological factors have different effects on the monthly average concentration of PM2.5 and PM10 in Chengdu. The concentrations of PM2.5 and PM10 show a high negative linear correlation with temperature and precipitation, which indicates that temperature and precipitation are two key factors affecting the monthly average concentrations of PM2.5 and PM10 in Chengdu. Sunshine duration, monthly average wind speed and relative humidity are also negatively correlated with PM2.5 and PM10 monthly average concentrations. However, compared with precipitation and temperature, the linear correlation between sunshine duration, monthly average wind speed and PM2.5, PM10 is lower, while the linear correlation between relative humidity and PM2.5, PM10 is even weaker, and less significant, indicating that the change of relative humidity has little effect on the accumulation and diffusion of PM2.5 and PM10 in Chengdu.

1 引言

颗粒物是空气中普遍存在且危害较大的污染物之一, 随着社会经济的快速发展、城市化进程的加快以及能源消耗的不断攀升, 颗粒物已成为我国城市大气的首要污染物[1,2]。按粒径大小可把颗粒物分为总悬浮颗粒物 (TSP) 和可吸入颗粒物 (PM10和PM2.5), TSP是指空气动力直径小于或等于100 μm的颗粒物, PM10是指空气动力学直径小于或等于10 μm的颗粒物, 其中空气动力学直径小于或等于2.5 μm的为PM2.5。PM2.5、PM10除了对空气能见度[3-5]、全球气候变化[6,7]等产生影响外, 还对人体健康产生巨大危害, 这是由于PM10能够进入人体的呼吸系统, 沉积在咽喉与气管等上呼吸系统, 而粒径更小的PM2.5能深入到细支气管和肺泡, 且难以排出人体[8-12]。有研究表明: 空气中可吸入颗粒物的浓度与呼吸系统疾病、心脑血管疾病等的发病率、死亡率有很强的正相关关系[13,14]。而我国相关指标的地面监测系统形成较晚, 自2013年1月1日起, 京津冀、长三角、珠三角区域及直辖市、省会城市和计划单列市共74个城市496个监测点位开展了包括PM2.5等6项指标的监测, 并向公众实时发布空气质量信息。据中国环境监测总站2013年发布的空气质量指数来看, 成都市空气质量指数较高, 在2013年12个月中有8个月排名在74个城市中的前30%, 已成为除京津冀、长三角、珠三角区域外的空气质量较差的城市, 被戏称为"尘都", 是西南地区雾霾污染的高值中心。目前关于PM2.5、PM10的相关研究主要集中在京津冀[15-18]、长江三角洲[19-21]和珠江三角洲地区[22-25], 而在人口密集且空气污染形势严峻的四川盆地相关研究开展较晚且研究成果较少, 为了认识并控制空气污染对该地区人体健康和社会经济发展的负面影响, 迫切需要展开相关研究。

已有的研究表明PM2.5、PM10的污染程度除与污染物排放量、排放强度以及污染物质组成有关外, 还与气象条件密切相关[26-28], 气象条件通过影响PM2.5、PM10的积累与扩散来影响其污染浓度的时空分布, 因此研究PM2.5、PM10与气象条件的关系将有助于为PM2.5、PM10的预报与治理提供科学指导。PM2.5、PM10与气象条件的关系比较复杂, 随时空不同而有所差异, 研究区域不同, 时间尺度不同, 二者的关系也不尽相同, 甚至相反。例如郭元喜等[29]分析了中国中东部秋季PM10与日气温之间的关系, 结果表明PM10浓度与气温之间存在非常显著的负相关; 而赵晨曦等[30]分析北京冬季PM2.5和 PM10的质量浓度与气温的关系时, 却得出PM10与气温呈正相关, 两者结论完全相反。因此研究PM2.5、PM10与气象条件间的关系应根据时空条件不同来讨论, 以获得符合实际情况的结果。

2 研究区概况

成都市位于四川省中部, 四川盆地西部, 介于102°54′ E~104°53′ E和30°05′ N~31°26′ N之间, 全市东西长192 km, 南北宽166 km, 总面积14335 km2 (图1)。全市地势差异显著, 西北高, 东南低。西部属于四川盆地边缘地区, 以深丘和山地为主, 海拔大多在1000~3000 m之间, 最高处大邑县双河乡海拔为5364 m, 相对高度在1000 m左右; 东部属于四川盆地盆底平原, 是成都平原的腹心地带, 地势平坦, 海拔一般在750 m左右, 最低处在简阳市沱江出境处河岸, 海拔高度为359 m。由于地表海拔高度差异显著, 直接造成水、热等气候要素在空间分布上的不同。成都属于亚热带湿润季风气候区, 热量丰富、雨量充沛、四季分明。多年平均气温在15.2~16.6 ℃左右, 最冷月 (1月) 平均气温为5 °C左右, 最热月出现在7月, 平均气温25 ℃左右, 全年无霜期大于337天, 年平均降水量873~1265 mm, 降水主要集中在5―9月。

图 1. 研究区

Fig. 1. Study area

下载图片 查看所有图片

作为四川省省会城市, 截至2020年, 成都市辖锦江、青羊、金牛、武侯、成华、龙泉驿、青白江、新都、温江、双流、郫都、新津12个区, 简阳、都江堰、彭州、邛崃、崇州5个县级市以及金堂、大邑、蒲江3个县。据第七次全国人口普查公报数据, 成都市常住人口20937757人, 占全省常住人口的25.02%。2019年成都市地区生产总值为17013亿元, 占全省的36.5%, 第一产业生产总值为612亿, 占全省的12.7%, 第二产业生产总值为5245亿元, 占全省的30.2%, 第三产业生产总值为11156亿元, 占全省的45.6%。成都市是国务院批复确定的中国西部地区重要的中心城市, 是中国西部地区经济规模最大、最具活力的城市, 然而随着成都市社会经济的发展, 人为活动向大气排放的各种污染物质的增多, 近年来, 成都市空气质量逐渐降低, 目前已成为继北京、上海、广州等地雾霾较为严重的区域, 逐渐引起社会各界的重视, 从2015年开始, 当地政府即出台一系列控制大气污染的政策。

3 数据来源

成都市2015―2018年各月PM2.5、PM10数据来源于中国环境监测总站发布的数据 (http://www.cnemc.cn/)。气象数据来源于成都市统计年鉴。

4 结果与讨论

4.1 成都市PM2.5、PM10变化特征

4.1.1 成都市PM2.5、PM10年际变化特征

2015―2018年成都市PM2.5的逐年月平均浓度分别在35~131、30~117、20~136、24~86 μg/m3范围内波动, 其中2017年成都市PM2.5月平均浓度波动相对其他年份较大, 2015年次之, 2018年月平均浓度波动最小 (图2)。由各月平均浓度计算出2015―2018年PM2.5年平均浓度分别为64.2、58、56.1、50.4 μg/m3, 呈逐年缓慢下降趋势, 年际间差别较小。根据我国«环境空气质量标准» (GB3095-2012) 年均PM2.5限值 (35 μg/m3)[31], 2015―2018年PM2.5年平均浓度分别为限值的1.8、1.66、1.6、1.4倍, 严重超标。2015―2018年成都市PM10浓度年际变化趋势与PM2.5的变化趋势相似 (图2图3), 但年际间变化较PM2.5大, 年平均浓度分别为107.3、96.9、88.6、80.5 μg/m3 (图4)。从2015年以来, 成都市针对当地实际污染源情况出台了一系列控制大气污染的措施, 例如2015年1月发布了«关于划定高污染燃料禁燃区的通告», 在中心城区划定了高污染燃料禁燃区, 要求从2015年3月起在禁燃区内禁止使用、销售高污染燃料, 不得新建、改建、扩建任何燃用高污染燃料的设备; 2015年3月颁布了«四川省灰霾污染防治办法», 就工业废气粉尘污染、施工道路扬尘污染、车辆船舶排气污染和露天焚烧烟尘污染等提出一揽子具体防治措施; 2015年5月发布了«关于高污染汽车限制通行区域和时段的通告», 从2015年10月1日起至2020年9月30日对高污染汽车实施限制通行措施; 2017年9月通过了«成都市机动车和非道路移动机械排气污染防治办法», 对本行政区域机动车和非道路移动机械排气污染防治实施统一监督管理。系列减排政策的实施使成都市PM2.5、PM10年平均浓度均呈现逐年下降趋势。

图 2. 2015―2018年成都市PM2.5月平均质量变化

Fig. 2. Change of PM2.5 monthly average mass concentration in Chengdu from 2015 to 2018

下载图片 查看所有图片

图 3. 2015―2018年成都市PM10月平均质量变化

Fig. 3. Change of PM10 monthly average mass concentration in Chengdu from 2015 to 2018

下载图片 查看所有图片

图 4. 2015―2018年成都市PM2.5、PM10年平均质量浓度

Fig. 4. Annual average mass concentration of PM2.5, PM10 in Chengdu from 2015 to 2018

下载图片 查看所有图片

2015―2018年成都市PM2.5/PM10质量浓度比在0.49~0.72之间, 平均值为0.60, 其中2015年在0.52~0.69之间, 2016年在0.57~0.65之间, 2017年在0.49~0.72之间, 2018年在0.51~0.72之间, 郭倩等[32]在研究成都市2015年12月26日至2016年1月6日一次典型空气重污染过程时也得出PM2.5/PM10质量浓度比维持在0.6~0.7间。说明不管是从日均值的尺度还是从月均值的尺度, 在重污染天气情况下还是一般情况下, 成都市PM2.5/PM10值均偏高。由于颗粒物的粒径越小越难以去除, 能长期悬浮在空气中, 因此PM2.5占PM10的比例越高, 说明其中粒径更小的颗粒物越多, 空气污染越严重。从PM2.5/PM10值还可以反映出污染源情况, 已有的研究表明, 二次污染物对PM2.5贡献较大, 而扬尘、燃煤等对PM10的贡献较大[33]。因此一般而言, PM2.5/PM10比值越小, 区域污染为传统煤烟型污染的可能性就越大; 比值越大, 区域污染为复合型污染的可能性越大。成都市2015―2018年PM2.5/PM10年均值分别为0.59、0.60、0.61、0.62, 呈逐年增高趋势, 说明成都市大气环境首要颗粒污染物为PM2.5, 其空气污染类型从煤烟型向扬尘、机动车尾气和煤烟混合型污染转变。这一结论与成都市«环境空气质量报告»显示的结论一致。

4.1.2 成都市PM2.5、PM10季节变化特征

通过计算2015―2018年PM2.5、PM10累年月平均浓度, 发现PM2.5、PM10在年内呈明显的季节变化 (图5), 浓度的高值出现在每年的冬季 (12月―次年2月), 春季 (3―5月) PM2.5、PM10呈波动下降趋势, 到夏季 (6―8月) 出现低值, 从秋季 (9―11月) 开始两者浓度急剧上升。总体呈现"U"型逐月变化规律, 与李名升等[1]研究我国城市PM10污染浓度季节变化得出的结论一致。2015―2018年成都市PM2.5、PM10浓度均为冬春高、秋夏低, 这与张智胜等[34]研究2009―2010年成都城区PM2.5得出的秋冬高、春夏低的结果有所差异, 且2015―2018年各季节PM2.5、PM10平均浓度也相应地远远低于张智胜2009―2010年统计得出的浓度。这再次说明成都市2015年以来的大气污染控制措施切实提高了成都市空气质量。2015―2018年成都市PM2.5/PM10值在各季节均较高 (图6), 季节间差距较小, PM2.5/PM10值由高到低的顺序为冬季 > 秋季 > 夏季 > 春季, 反映二次污染物在秋冬季节的贡献率较高, 这与张智胜等[34]的研究结果一致。

图 5. 2015―2018年PM2.5、PM10累年月平均浓度

Fig. 5. Variation of PM2.5 and PM10 cumulative monthly average mass concentration in Chengdu from 2015 to 2018

下载图片 查看所有图片

图 6. 2015―2018年PM2.5/PM10值的季节变化

Fig. 6. Seasonal variation of PM2.5/PM10 from 2015 to 2018

下载图片 查看所有图片

4.2 气象因素的年际变化和季节变化

图7为成都市2015―2018年间按月统计的各个气象要素值与PM10、PM2.5的月变化值。经计算得出, 成都市2015―2018年间年平均气温在16.5~16.8 ℃之间、年降水量在880.2~1141.4 mm之间, 气温、降水量年际变化较小, 而两者的季节变化明显, 其最低值出现在每年冬季, 春季气温开始升高, 降水量逐渐增多, 到夏季气温和降水量为一年中最大值, 进入秋季温度降低, 降水量减少。2015―2018年年平均风速、日照时数、相对湿度等气象因素的年际间变化也较小, 年平均风速在1.31~1.40 m/s之间, 日照时数在1038.4~1088.5 h之间, 相对湿度在81.3%~81.9%之间。日照时数、月平均风速的季节变化不如气温和降水量变化明显, 但总体呈现春夏高、秋冬低的趋势, 相对湿度在各月间的波动较大, 总体上春夏低、秋冬高。

图 7. 成都市2015―2018年气象要素月变化

Fig. 7. Monthly variation of meteorological factors in Chengdu in from 2015 to 2018

下载图片 查看所有图片

4.3 PM10、PM2.5变化与气象条件的关系

4.3.1 PM2.5、PM10月平均浓度与月平均气温、降水量的关系

气温、相对湿度、风速等气象条件对于PM2.5和PM10的污染具有一定的扩散、稀释和积累作用, 因此相关研究的开展对PM2.5、PM10污染预报和控制具有重要作用。从图7中可明显看出气温与降水量的季节变化明显, 呈现出冬季低、夏季高的特征, 这种变化与PM10、PM2.5月平均浓度的冬季高、夏季低的季节变化明显相反; 将成都市PM2.5、PM10、PM2.5/PM10值与月平均气温、降水量、相对湿度、日照时数、月平均风速等气象条件作Pearson相关分析, 发现PM2.5、PM10的月平均浓度与月平均气温具有较高的线性相关关系, 相关系数分别为-0.822、-0.776 (见表1)。这与赵晨曦等[30]的研究结果相似, 表明当平均气温高时, 近地面的热动力引起的对流运动强烈, PM2.5、PM10等污染物可随对流运动扩散, 对污染物浓度降低起到重要作用; 反之, 当气温低时, 对流运动较弱, 不利于污染物扩散, 污染物在近地面积累, 浓度升高。PM2.5/PM10值与月平均气温也具有较高的线性相关关系, 相关系数为 -0.626, 表明气温越高, 对流运动越强烈时, 大气中粒径较小的颗粒物更容易随大气扩散而稀释。降水同样能影响PM2.5、PM10的垂直方向上的运动[35], 成都市PM2.5与PM10的月平均浓度随降水量的增加而降低, 由于PM2.5与PM10之间高度相关 (相关系数为0.928), 因此两者与降水量的相关系数均为 -0.612, 表明降水对大气中的PM2.5、PM10具有一定去除作用。降水量大时, 大气中的水滴在降落的过程中不断捕集颗粒物, 将PM2.5、PM10等从大气中带入到降水中, 并随降水降落地表。PM2.5/PM10值与月平均降水为低度线性相关关系, 相关系数为 -0.363, 表明降水量对PM2.5具有一定去除作用, 但去除作用并不显著。

表 1. 成都市PM2.5、PM10月平均浓度与气象因素的Pearson相关系数

Table 1. Pearson correlation matrix between PM2.5、PM10 monthly average concentration and meteorological factors in Chengdu City

PM2.5PM10Monthly average temperatureMonthly average precipitationMonthly average relative hμmiditySunshine durationMonthly average wind speed
PM2.510.982**-0.822**-0.612**-0.16-0.440**-0.493**
PM100.982**1-0.776**-0.612**-0.214-0.399**-0.458**
PM2.5/PM100.599**0.404**-0.626**-0.363*0.196-0.450**-0.428**

查看所有表

4.3.2 PM2.5、PM10月平均浓度与日照时数、月平均风速、相对湿度的关系

图7中可看出日照时数、月平均风速、相对湿度等气象要素各月间存在一定程度的波动, 其季节变化不如气温和降水明显, 与PM2.5、PM10月平均浓度的变化趋势总体相反。通过Pearson相关分析, 发现日照时数、月平均风速、相对湿度等与PM2.5、PM10月平均浓度呈负相关, 其中日照时数、月平均风速与PM2.5、PM10月平均浓度为低度的线性相关关系 (表1)。风是影响PM10横向水平运动的关键因素, 周天雄等[36]研究了常州市风速与PM2.5的关系, 得出当平均风速3.1~4.0 m/s时, 空气质量指数达到1级的概率较大; 2.1~3.0 m/s时, 空气质量指数基本能维持2级; 1.1~2.0 m/s或以下时, 空气质量可能出现中度污染。风速的提高能加快PM2.5、PM10的扩散, 起到降低污染浓度的作用。本研究的结论与前人的研究结论一致, 即风速大小与PM2.5浓度呈显著负相关。成都市地处盆地地区, 四面环山, 郭晓梅[37]进行的盆地重霾期间地形影响的模拟实验表明: 地形作用使得四川盆地内大部分地区地面10 m处风速减少约1.5 m/s, 地面2 m处温度升高约10 ℃, 边界层高度降低约100~150 m。地形作用使得盆地区域内PM2.5浓度偏高, 贡献率约70%。由于受到地形的影响, 成都市常年处于静风环境, 2015―2018年间风速在1.0~1.7 m/s之间, 均值为1.3 m/s, 总体风速较小, 对促进PM2.5、PM10的扩散作用比较有限。PM2.5/PM10值与风速之间也呈低度线性相关性, 相关系数为 -0.428, 同样显示出成都市风速对细颗粒物占比无明显影响。日照时数的增强能使热力对流, 热力和机械湍流的综合作用加强, 有助于破坏地面逆温层结构, 提高污染物质垂向扩散的作用。冬半年 (10月―次年3月) 太阳直射南半球, 成都市日照时数较少; 夏半年太阳直射点位于北半球, 成都市日照时数较多, 此时间段内日照时数的增强在一定程度上有助于成都市PM2.5、PM10的扩散。而相对湿度与PM2.5、PM10月平均浓度之间为微弱的线性相关关系, 且相关性不显著, 说明相对湿度的变化对PM2.5、PM10的积累和扩散影响很小。

5 结论

1) 2015―2018年成都市PM2.5、PM10的年平均浓度逐年缓慢降低, 这归功于2015年以来成都市的一系列大气污染控制措施的实行。2015―2018年成都市PM2.5、PM10浓度为冬春高、秋夏低, 这与前人研究得出的秋冬高、春夏低的结果有所差异, 且2015―2018年各季节PM2.5、PM10平均浓度也相应地远远低于2009―2010年统计得出的浓度, 再次说明2015年以来成都市实行的大气污染控制措施切实提高了成都市空气质量。成都市2015―2018年间PM2.5/PM10值在0.49~0.72之间, 平均值为0.60, 从2015―2018年PM2.5/PM10的各年均值来看, 该值偏高并呈逐年升高趋势, 说明成都市大气环境首要污染物为PM2.5, 其空气污染类型从煤烟型向扬尘、机动车尾气和煤烟混合型污染转变。2015―2018年成都市PM2.5/PM10值总体上秋冬高、春夏低, PM2.5/PM10值在各季节均较高, 季节间差距较小。

2) PM2.5、PM10与气象条件的相关性分析表明, PM2.5、PM10的月平均浓度与月平均气温具有较高的线性相关关系, 相关系数分别为 -0.822、-0.776, 表明温度升高, 对流运动增强, 加强了PM2.5、PM10等污染物垂向对流运动, 对成都市污染物浓度降低起到重要作用。水对大气中PM2.5、PM10具有一定去除作用, 2015―2018年PM2.5与PM10的月平均浓度随降水量的增加而降低, 呈负相关, PM2.5、PM10与降水量的相关系数均为 -0.612。日照时数、月平均风速、相对湿度等与PM2.5、PM10月平均浓度呈负相关, 其中日照时数、月平均风速与PM2.5、PM10月平均浓度为低度的线性相关关系, 由于2015―2018年间风速在1.0~1.7 m/s之间, 均值为1.3 m/s, 总体风速较小, 因此对促进PM2.5、PM10的扩散作用有限; 而相对湿度与PM2.5、PM10月平均浓度为微弱的线性相关关系, 且相关性不显著。

参考文献

[1] 李名升, 张建辉, 张殷俊, 等. 近10年中国大气PM10污染时空格局演变[J]. 地理学报, 2013, 68(11): 1504-1512.

    Li M S, Zhang J H, Zhang Y J, et al. Spatio-temporal pattern changes of ambient air PM10 pollution in China from 2002 to 2012[J]. Acta Geographica Sinica, 2013, 68(11): 1504-1512.

[2] 中华人民共和国环境保护部. 中国环境质量报告2011 [R]. 北京: 中国环境科学出版社, 2013.

[3] 穆泉, 张世秋. 2013年1月中国大面积雾霾事件直接社会经济损失评估[J]. 中国环境科学, 2013, 33(11): 2087-2094.

    Mu Q, Zhang S Q. An evaluation of the economic loss due to the heavy haze during January 2013 in China[J]. China Environmental Science, 2013, 33(11): 2087-2094.

[4] 马志强, 赵秀娟, 孟伟, 等. 雾和霾对北京地区大气能见度影响对比分析[J]. 环境科学研究, 2012, 25(11): 1208-1214.

    Ma Z Q, Zhao X J, Meng W, et al. Comparison of influence of fog and haze on visibility in Beijing[J]. Research of Environmental Sciences, 2012, 25(11): 1208-1214.

[5] 龚识懿, 冯加良. 上海地区大气相对湿度与PM10浓度和大气能见度的相关性分析[J]. 环境科学研究, 2012, 25(6): 628-632.

    Gong S Y, Feng J L. Relationships among relative humidity, PM10 concentration and atmospheric visibility in Shanghai[J]. Research of Environmental Sciences, 2012, 25(6): 628-632.

[6] Tai A P K, Mickley L J, Jacob D J. Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States: Implications for the sensitivity of PM2.5 to climate change[J]. Atmospheric Environment, 2010, 44(32): 3976-3984.

[7] Menon S, Hansen J, Nazarenko L, et al. Climate effects of black carbon aerosols in China and India[J]. Science, 2002, 297(5590): 2250-2253.

[8] Zhang Q, Jiang X J, Tong D, et al. Transboundary health impacts of transported global air pollution and international trade[J]. Nature, 2017, 543(7647): 705-709.

[9] 杨洪斌, 邹旭东, 汪宏宇, 等. 大气环境中PM2.5的研究进展与展望[J]. 气象与环境学报, 2012, 28(3): 77-82.

    Yang H B, Zou X D, Wang H Y, et al. Study progress on PM2.5 in atmospheric environment[J]. Journal of Meteorology and Environment, 2012, 28(3): 77-82.

[10] 白子娜. 石家庄市大气颗粒物 (PM2.5/PM10)对下呼吸道感染住院影响的病例交叉研究 [D]. 石家庄: 河北医科大学, 2015.

    BaiZ N. The Effect of Ambient Particulate Matter (PM2.5/PM10) on Hospital Admissions for Lower Respiratory Tract Infection: A Case-Crossover Study in Shi Jiazhuang, China [D]. Shijiazhuang: Hebei Medical University, 2015.

[11] Pope Ⅲ C A, Burnett R T, Thun M J, et al. Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollution[J]. JAMA, 2002, 287(9): 1132-1141.

[12] 李友平, 刘慧芳, 周洪, 等. 成都市PM2.5中有毒重金属污染特征及健康风险评价[J]. 中国环境科学, 2015, 35(7): 2225-2232.

    Li Y P, Liu H F, Zhou H, et al. Contamination characteristics and health risk assessment of toxic heavy metals in PM2.5 in Chengdu[J]. China Environmental Science, 2015, 35(7): 2225-2232.

[13] Heft-Neal S, Burney J, Bendavid E, et al. Robust relationship between air quality and infant mortality in Africa[J]. Nature, 2018, 559(7713): 254-258.

[14] Yuan S, Wang J X, Jiang Q Q, et al. Long-term exposure to PM2.5 and stroke: A systematic review and meta-analysis of cohort studies[J]. Environmental Research, 2019, 177: 108587.

[15] 刀谞, 张霖琳, 王超, 等. 京津冀冬季与夏季PM2.5/PM10及其水溶性离子组分区域性污染特征分析[J]. 环境化学, 2015, 34(1): 60-69.

    Dao X, Zhang L L, Wang C, et al. Characteristics of mass and ionic compounds of atmospheric particles in winter and summer of Beijing-Tianjin-Hebei area, China[J]. Environmental Chemistry, 2015, 34(1): 60-69.

[16] 王占山, 李云婷, 陈添, 等. 2013年北京市PM2.5的时空分布[J]. 地理学报, 2015, 70(1): 110-120.

    Wang Z S, Li Y T, Chen T, et al. Spatial-temporal characteristics of PM2.5 in Beijing in 2013[J]. Acta Geographica Sinica, 2015, 70(1): 110-120.

[17] 张国龙, 张廷瀚, 陈斌, 等. APEC期间京津冀地区污染物变化特征分析[J]. 大气与环境光学学报, 2017, 12(3): 184-194.

    Zhang G L, Zhang T H, Chen B, et al. Pollutant characteristics analysis during APEC summit in Beijing-Tianjin-Hebei region[J]. Journal of Atmospheric and Environmental Optics, 2017, 12(3): 184-194.

[18] 刘大锰, 黄杰, 高少鹏, 等. 北京市区春季交通源大气颗粒物污染水平及其影响因素[J]. 地学前缘, 2006, 13(2): 228-233.

    Liu D M, Huang J, Gao S P, et al. The pollution level and influencing factors of atmospheric particulates from traffic in Beijing City during spring[J]. Earth Science Frontiers, 2006, 13(2): 228-233.

[19] 魏玉香, 童尧青, 银燕, 等. 南京SO2、NO2和PM10变化特征及其与气象条件的关系[J]. 大气科学学报, 2009, 32(3): 451-457.

    Wei Y X, Tong Y Q, Yin Y, et al. The variety of main air pollutants concentration and its relationship with meteorological condition in Nanjing City[J]. Transactions of Atmospheric Sciences, 2009, 32(3): 451-457.

[20] 李莉, 陈长虹, 黄成, 等. 长江三角洲地区大气O3和PM10的区域污染特征模拟[J]. 环境科学, 2008, 29(1): 237-245.

    Li L, Chen C H, Huang C, et al. Regional air pollution characteristics simulation of O3 and PM10 over Yangtze River Delta region[J]. Environmental Science, 2008, 29(1): 237-245.

[21] 云龙龙, 张天舒, 陆钒, 等. 无锡市一次霾形成过程大气污染物特征分析[J]. 大气与环境光学学报, 2015, 10(1): 22-30.

    Yun L L, Zhang T S, Lu F, et al. Analysis of air pollutants during process of a haze in Wuxi City[J]. Journal of Atmospheric and Environmental Optics, 2015, 10(1): 22-30.

[22] 张浩月, 王雪松, 陆克定, 等. 珠江三角洲秋季典型气象条件对O3和PM10污染的影响[J]. 北京大学学报(自然科学版), 2014, 50(3): 565-576.

    Zhang H Y, Wang X S, Lu K D, et al. Impact of typical meteorological conditions on the O3 and PM10 pollution episodes in the Pearl River Delta in autumn[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(3): 565-576.

[23] 刘宁, 王雪松, 胡泳涛, 等. 珠江三角洲秋季PM10污染模拟与形成过程分析[J]. 中国环境科学, 2012, 32(9): 1537-1545.

    Liu N, Wang X S, Hu Y T, et al. Numerical simulation and process analysis of PM10 pollution over the Pearl River Delta in autumn[J]. China Environmental Science, 2012, 32(9): 1537-1545.

[24] 胡晓宇, 李云鹏, 李金凤, 等. 珠江三角洲城市群PM10的相互影响研究[J]. 北京大学学报 (自然科学版), 2011, 47(3): 519-524.

    Hu X Y, Li Y P, Li J F, et al. Interaction of ambient PM10 among the cities over the Pearl River Delta[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2011, 47(3): 519-524.

[25] 杜金花, 黄晓锋, 何凌燕, 等. 深圳市大气细粒子 (PM2.5) 中汞的污染特征[J]. 环境科学研究, 2010, 23(6): 667-673.

    Du J H, Huang X, He L Y, et al. Pollution characteristics of mercury in fine particles (PM2.5) in Shenzhen City[J]. Research of Environmental Sciences, 2010, 23(6): 667-673.

[26] 张小曳, 孙俊英, 王亚强, 等. 我国雾-霾成因及其治理的思考[J]. 科学通报, 2013, 58(13): 1178-1187.

    Zhang X Y, Sun J Y, Wang Y Q, et al. Factors contributing to haze and fog in China[J]. Chinese Science Bulletin, 2013, 58(13): 1178-1187.

[27] Bao Z E, Chen L H, Li K W, et al. Meteorological and chemical impacts on PM2.5 during a haze episode in a heavily polluted basin city of Eastern China[J]. Environmental Pollution, 2019, 250: 520-529.

[28] 李子华, 涂晓萍. 重庆市区冬季边界层气象要素的时空分布及与成雾的关系[J]. 南京气象学院学报, 1993, 16(3): 329-333.

    Li Z H, Tu X P. Winter space-time distribution of boundary layer meteorological elements with their relation to fog formation in Chongqing urban districts[J]. Journal of Nanjing Institute of Meteorology, 1993, 16(3): 329-333.

[29] 郭元喜, 龚道溢, 汪文珊, 等. 中国中东部秋季PM10时空变化及其与日气温的关系[J]. 地理学报, 2012, 67(9): 1155-1164.

    Guo Y X, Gong D Y, Wang W S, et al. Spatiotemporal variation of PM10 concentration and its relationship with autumn daily temperature over Central and Eastern China[J]. Acta Geographica Sinica, 2012, 67(9): 1155-1164.

[30] 赵晨曦, 王云琦, 王玉杰, 等. 北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J]. 环境科学, 2014, 35(2): 418-427.

    Zhao C X, Wang Y Q, Wang Y J, et al. Temporal and spatial distribution of PM2.5 and PM10 pollution status and the correlation of particulate matters and meteorological factors during winter and spring in Beijing[J]. Environmental Science, 2014, 35(2): 418-427.

[31] General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration of the People's Republic of China. Ambient air quality standard: GB 3095—2012 [S]. Beijing: China Environment Science Press, 2016.

    国家质量监督检验检疫总局, 中国国家标准化管理委员会. 环境空气质量标准: GB 3095—2012 [S]. 北京: 中国环境科学出版社, 2016.

[32] 郭倩, 汪嘉杨, 周子航, 等. 成都市一次典型空气重污染过程特征及成因分析[J]. 环境科学学报, 2018, 38(2): 629-639.

    Guo Q, Wang J Y, Zhou Z H, et al. Characteristics and reason analysis of a typical heavy air pollution event in Chengdu[J]. Acta Scientiae Circumstantiae, 2018, 38(2): 629-639.

[33] 曹景丽, 王明仕, 韩文生, 等. 河南省PM2.5时空分布特征研究[J]. 大气与环境光学学报, 2018, 13(1): 42-51.

    Cao J L, Wang M S, Han W S, et al. Spatio-temporal distribution characteristics of PM2.5 in Henan Province[J]. Journal of Atmospheric and Environmental Optics, 2018, 13(1): 42-51.

[34] 张智胜, 陶俊, 谢绍东, 等. 成都城区PM2.5季节污染特征及来源解析[J]. 环境科学学报, 2013, 33(11): 2947-2952.

    Zhang Z S, Tao J, Xie S D, et al. Seasonal variations and source apportionment of PM2.5 at urban area of Chengdu[J]. Acta Scientiae Circumstantiae, 2013, 33(11): 2947-2952.

[35] 郑晓霞, 赵文吉, 晏星, 等. 降雨过程后北京城区PM2.5日时空变化研究[J]. 生态环境学报, 2014, 23(5): 797-805.

    Zheng X X, Zhao W J, Yan X, et al. Spatial and temporal variation of PM2.5 in Beijing City after rain[J]. Ecology and Environmental Sciences, 2014, 23(5): 797-805.

[36] 周天雄, 王国强, 匡汉祎, 等. 常州市PM2.5与风向风速关系分析[J]. 农业与技术, 2017, 37(9): 140-141.

    Zhou T X, Wang G Q, Kuang H Y, et al. Analysis of the relationship between PM2.5 and wind direction and speed in Changzhou[J]. Agriculture and Technology, 2017, 37(9): 140-141.

[37] 郭晓梅. 四川盆地空气质量气候特征及其大地形影响效应的观测模拟研究 [D]. 南京: 南京信息工程大学, 2016.

    GuoX M. Observed and Simulated Research on Climate Characteristic of Air Quality and the Topographic Induced Effects in Sichuan Basin [D]. Nanjing: Nanjing University of Information Science & Technology, 2016.

李瑞. 成都市PM2.5、PM10变化特征及其与气象因素的关系[J]. 大气与环境光学学报, 2023, 18(1): 47. Rui LI. Variation characteristics of PM2.5 and PM10 in Chengdu and their correlation with meteorological factors[J]. Journal of Atmospheric and Environmental Optics, 2023, 18(1): 47.

引用该论文: TXT   |   EndNote

相关论文

加载中...

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!