-
近年来，随着工业化和城镇化的迅速发展，大气污染已成为我国最大的环境问题之一. 大气污染对气候变化、生态环境以及人体健康均有较大影响[1 − 2]. 2020年，COVID-19疫情席卷全球，为防止疫情的迅速蔓延，大部分城市采取了停工、停学、交通限行等一系列的管控措施. 严格的管控措施使得人为大气污染源排放强度急剧下降，导致大气污染物的特征和来源产生显著变化，为环境空气质量和人类活动的响应关系研究提供了宝贵的契机.
张宸赫等[3]使用WRF-Chem模式研究了疫情期间沈阳市空气质量对污染物减排和气象要素变化的响应关系，结果表明减排措施和气象条件对PM2.5降低的贡献分别为22.96%和16.37%. Wang等[4]研究了我国366个城市疫情期间空气质量的变化及其影响因素，结果表明严格的交通管控措施显著降低了我国北方城市的NO2浓度，工业污染源减排显著降低了PM2.5和CO浓度. 疫情期间，虽然污染物的一次排放大幅减少，但京津冀区域仍出现多次重污染过程[5 − 7]. 北京市PM2.5的异常增加可能与未停工的大型企业排放、烟花燃放和不利气象条件影响有关[8]. SOKHI等[9]对疫情期间全世界63个城市空气质量变化的原因进行了研究，结果表明北京、沈阳、西安、马德里、瓦伦西亚的PM2.5不降反升，主要与高相对湿度和低风速等不利气象条件有关. 人为污染源排放强度大幅降低，但我国北方地区仍出现了多次严重污染事件，这与不利气象条件[10 − 12]、大气氧化能力增强[13]、颗粒物二次生成[14 − 15]和区域传输增强[16 − 18]有关. 与2019年同期相比，疫情期间全国88%的站点PM2.5浓度显著下降[19]，然而呼和浩特市PM2.5浓度不降反升，在启动突发公共卫生事件一级响应期间（2020年1月25日—2020年2月24日），仍出现多次重污染过程，其成因尚不明确.
本文基于高时间分辨率的环境空气质量自动监测数据（PM2.5、PM10、SO2、NO2、CO和O3），结合气温（T）、风向（WD）、风速（WS）、相对湿度（RH）等气象数据，研究疫情期间大气污染特征及其影响因素，利用PSCF和CWT模型识别污染物潜在源区，为呼和浩特市“疫情霾”的成因研究提供理论基础，对全面理解气象条件及减排措施对环境空气质量的影响具有重要的启示意义，可为环境政策实施效应评估提供新的视角.
-
呼和浩特市（39°35'— 41°25' N，110°31'—112°20'E）位于内蒙古自治区中部，地处阴山山脉中段南麓，地势由东北向西南倾斜，受地形影响，大气污染扩散条件差，易形成重污染天气. 呼和浩特市冬季寒冷（采暖期10月15日—次年4月15日），夏季降雨集中，春季干燥多风，四季气候变化明显，年平均气温4.7 ℃，年平均降水量397.2 mm. 能源结构主要以煤炭为主，能源结构单一. 受燃煤采暖和气象扩散条件共同影响，冬季灰霾频发.
-
本研究中6种污染物（PM2.5、PM10、CO、NO2、SO2 和 O3）及AQI逐小时数据来源于空气质量在线监测分析平台（https://www.aqistudy.cn）. T、RH、WS、WD等气象数据来源于weather underground 网（https://www.wunderground.com）. 污染源排放数据由内蒙古自治区环境监测总站提供. 2020年1月25日呼和浩特市启动重大突发公共卫生事件Ⅰ级响应，2月25日响应级别调整为Ⅲ级. 本文将严格管控的Ⅰ级响应期定义为“疫情期间”（2020年1月25日—2020年2月24日）， 将其前后一个月时间分别定义为“疫情前”（2019年12月25日—2020年1月24日）和 “疫情后”（2020年2月25日—3月24日）. 为消除烟花燃放特殊污染事件对疫情期间大气污染状况分析的影响，统计分析中剔除了除夕和初一两天的数据.
-
潜在污染源贡献函数（potential source contribution function, PSCF）是一种基于条件概率函数定性识别潜在污染源区的方法. 它是通过将气团的轨迹与该轨迹相对应的污染物每小时浓度相结合，用于确定影响受体高浓度污染物的潜在来源区域. 数值越高，表示该网格成为受体点潜在来源的概率越大. 其计算公式如下[20 − 22]：
其中，PSCFij为网格ij中超过阈值的轨迹终点数mij与所有轨迹终点数nij的比值. 为了减少因nij值小而带入的不确定性，引入权重函数Wij，最终公式如下:
PSCF方法不能区分轨迹对应的浓度略高于阈值或远高于阈值的情况. 因此，结合浓度权重轨迹模型（concentration-weighted trajectory，CWT）可以定量地反映不同轨迹的污染水平. CWT值越高，说明潜在源更有可能导致受体的高污染水平，其计算公式如下:
其中，CWTij为网格ij的平均加权浓度，N为轨迹总数，aijk为轨迹k在网格ij上停留的时间，Ck为污染物轨迹k通过网格ij时的浓度. 与PSCF一样，引入权重函数Wij来降低不确定度，公式如下：
-
呼和浩特市疫情前、疫情期间、疫情后环境空气质量等级和占比如表1所示，疫情期间严重污染、重度污染、中度污染和轻度污染分别发生1 d、5 d、3 d和5 d，重度以上污染天占监测总天数的19.3%. 如图1所示，疫情期间的污染主要出现在1月25—1月31日，2月1日后空气污染状况有所好转，各污染等级天数同比疫情前均有所下降. 疫情后，未出现中度污染以上情况，仅出现2 d轻度污染. 疫情期间重度以上污染天共有6 d，其中1月25日为正月初一，受烟花爆竹燃放的影响，各污染物浓度较高. 其他5 d，相对湿度较大，且风速较小，不利气象条件可能是该时间段污染过程的主要原因.
-
疫情期间，PM2.5、PM10、O3和CO平均浓度分别为（80.0±60.7）、（110.4±68.4）、（78.5±16.1）、（1.6± 0.7）mg·m−3，较2019年同期分别上升99.8%、45.0%、22.1%和23.1% （图2）. 疫情期间平均相对湿度为（63%±12%），较2019年同期升高40%，高相对湿度有利于颗粒物吸湿，促进二次颗粒物生成；疫情期间平均风速为（2.6±1.3） m·s−1，较2019年同期降低11.9%，低风速不利于污染物扩散，大气污染物易积累[23 − 24]，高相对湿度和低风速使得PM2.5和PM10显著升高，导致疫情期间灰霾的形成. CO主要来源于煤的不完全燃烧[25]，例如集中供暖厂和电厂等，这些行业疫情期间受管控措施影响较小。但CO浓度仍然上升较大，主要是在低风速影响下，CO大量积累. 疫情期间SO2和NO2平均浓度分别为（20.4± 6.8）μg·m-3和（36.7±13.4）μg·m−3，较2019年分别下降7.2%和5.2%. NO2主要来源于机动车尾气和燃煤等，SO2主要来源于含硫燃料的燃烧，管控措施使得交通和工业污染源排放强度降低，导致SO2 和NO2浓度下降. 由于NO2浓度的下降，NO2对O3的滴定作用减弱，因此疫情期间O3浓度显著上升[26].
疫情期间与2019年同期污染物浓度及气象要素的24 h变化曲线如图3所示，PM2.5、PM10、SO2和NO2呈现 “双峰双谷”分布，双峰与燃煤取暖高峰时段一致，双谷对应日均气温较高、供暖强度较弱的时段. 午后14:00—18:00，光照辐射充足，O3浓度显著升高，大气氧化能力增强，有利于光化学氧化，从而促进了硫酸盐和二次有机气溶胶的生成[27 − 28]，但是此阶段PM2.5和PM10表现为浓度较低的特征，这是由于午后的低相对湿度条件使得二次无机气溶胶的液相生成减弱，同时午后的高风速也有利于污染物的扩散. 2020年SO2和NO2污染源排放强度在疫情管控下降低，但是与2019年同期相比SO2和NO2的浓度仅有小幅下降，这与扩散条件变差有关.
-
本文进一步研究了疫情前、疫情期间和疫情后的各污染物浓度和气象要素变化，对比得出，疫情期间PM2.5、PM10、SO2、NO2和CO较疫情前分别下降38.6%、31.7%、46.1%、35.8%和37.0%，O3浓度上升109.4%（图4）. 为了解疫情管控对污染物的减排作用，分析了呼和浩特市重点污染企业在疫情前中后3个时期SO2和NOx的排放量（图5）. 与疫情前比较，疫情期间气温升高，供暖强度减弱，SO2和NOx排放量分别下降了33%和23%. 除了供暖企业外的其他重点污染源企业， SO2排放量下降22%，NOx排放量变化较小. 因此，疫情期间PM2.5、PM10、SO2、NO2、CO浓度的显著降低主要是受供暖强度的减弱叠加疫情管控的影响，同时还与相对湿度下降和风速升高有关.
由图4可知，疫情后PM2.5、PM10、SO2、NO2和CO浓度较疫情期间分别下降61.8%、40.5%、18.6%、22.3%和50%，O3浓度上升11.6%. 与疫情期间比较，疫情后重点污染源企业SO2和NOx排放量相较于疫情期间分别增长了6%和1%，这是由于疫情后防控进入后期，呼和浩特市的工业处于逐步恢复阶段，且随着天气转暖，气温升高，燃煤供暖强度下降，所以污染源排放量没有明显增长. 同时疫情后较疫情期间平均风速上升21.4%，加速了污染物的扩散能力，相对湿度下降14.6%，减少了二次污染物形成，导致疫情后各污染物浓度均显著降低.
-
呼和浩特市AQI、大气污染物（PM2.5、PM10、SO2、NO2、CO和O3）和气象要素（T、RH、WS）相关性如图6所示，PM2.5与PM10、NO2和CO四者之间在0.001水平上显著正相关，表明这4种污染物具有同源性，由于疫情期间基本不受机动车的影响，所以这4种污染物主要与燃煤有关. 气象条件可以通过清除、扩散和稀释作用，影响污染物浓度[29 − 30]，说明这4种污染物受同样条件控制. RH与AQI、PM2.5和PM10在0.001水平上显著正相关，由于气溶胶具有吸湿性，相对湿度越高，越有利于颗粒物吸湿增长和二次形成，导致颗粒物浓度升高，大气污染加重[31]；RH与NO2和CO在0.001水平上也呈现显著正相关，这主要是由于冬季污染较为严重时，常常是相对湿度较高且风速较低，扩散条件较差，污染物易积累，所以出现RH与NO2和CO的表面相关性. WS与PM2.5、PM10、SO2、NO2和CO在0.001水平上显著负相关，低风速不利于污染物扩散. 高相对湿度和低风速两种不利气象条件的叠加促使污染加重. O3和WS、T在0.001水平上显著正相关，这是由于高风速和高温度有利于污染物的扩散，大气污染程度较低，大气辐射强度高，有利于臭氧的形成.
疫情期间RH与PM2.5呈显著正相关（图7），高相对湿度有利于SO2和NO2向硫酸盐和硝酸盐的转化，促进细颗粒物的增长，导致PM2.5含量升高. 风速较小时，不利于污染物的传输和扩散，PM2.5迅速积累， PM2.5含量升高，易造成灰霾天气，导致空气质量下降，AQI值升高. 呼和浩特市疫情期间的重度污染和轻度污染均表现为高相对湿度和低风速，高相对湿度和低风速是疫情期间影响环境空气质量的主导因素.
-
PSCF主要反映潜在源区贡献率的大小，CWT可以计算潜在源区的权重浓度，两者结合分析可以更好地反映污染源区的污染程度. 由图8可知，PSCF和CWT两种模型模拟的PM2.5潜在来源整体空间分布相似. 疫情前呼和浩特市PM2.5的PSCF高值区主要来自四子王旗和巴彦淖尔北部地区. PM2.5的CWT高值区主要分布在四子王旗、巴彦淖尔市与蒙古国交界、包头一带，权重浓度超过120 μg·m−3；此外还有一部分来自鄂尔多斯市，权重浓度为70—90 μg·m−3.
疫情期间PSCF和CWT的高值都出现在了呼和浩特和包头周围， CWT值超过120 μg·m−3. 表明疫情期间大气污染主要受本地源或近距离传输的影响，这与此时段频繁的静稳天气有关. 京津冀及其周边地区的PM2.5污染以硫酸盐、硝酸盐和铵盐（SNA）为主导[32]，在静稳天气污染物难以扩散，再加上冬季高相对湿度、低风速等不利气象条件的影响，可能会导致更多的SO2和NO2气体转化为硫酸盐和硝酸盐，从而加剧该时段PM2.5的污染.
疫情后呼和浩特市PM2.5的PSCF高值区分布在内蒙古的鄂尔多斯市、陕西省的榆林市以及山西省的忻州市东北部. PM2.5的 CWT高值区分布在鄂尔多斯市以及晋陕蒙三省交界区域，权重浓度为50—70 μg·m−3. 呼和浩特市的权重浓度较低，说明疫情后外来输送对呼和浩特市PM2.5有较大贡献.
-
（1）疫情期间PM2.5、PM10、CO和O3浓度较历史同期均有不同程度上升，SO2和NO2呈降低趋势. 虽然严格的管控措施可消减大气污染物浓度，但是由于疫情期间高相对湿度和静稳不利气象条件的影响，使得部分污染物不降反升，说明气象条件是影响环境空气质量的主导因素.
（2）疫情管控措施极大地限制了工业和交通源的排放，叠加供暖强度的减弱，使得疫情期间PM2.5、PM10、SO２、NO２和CO浓度较疫情前显著下降. 疫情防控后期，工业源以及交通源处于逐步恢复阶段，但是气象条件转好，使得污染物浓度显著下降.
（3）疫情期间，PM2.5浓度与相对湿度显著正相关，与风速显著负相关. 疫情期间的高湿环境，有利于颗粒物的吸湿增长和二次颗粒物的形成，同时低风速使得污染物容易积累，导致“疫情霾”的出现.
（4）疫情期间由于污染扩散条件较差，PM2.5浓度主要受本地源或近距离传输的影响. 疫情前呼和浩特市气温较低，供暖强度大，污染物排放量大且扩散条件较差，PM2.5受本地污染源和远距离传输的共同影响.
COVID-19疫情期间呼和浩特市大气污染特征及其影响因素
Characteristics and influencing factors of air pollution in Hohhot during COVID-19 epidemic
-
摘要: 为阻止新冠肺炎（COVID-19）疫情迅速蔓延，我国采取了严格的管控措施，在全国大部分城市PM2.5浓度显著下降的背景下，呼和浩特市PM2.5浓度不降反升，仍出现多次重污染过程，其成因尚不明确. 基于环境空气质量自动监测数据（PM2.5、PM10、SO2、NO2、CO和O3），结合风速、风向、温度、相对湿度等气象数据，研究疫情期间大气污染特征及其影响因素，利用潜在源区贡献函数（PSCF）和浓度权重轨迹分析（CWT）识别污染物潜在源区，为呼和浩特市大气污染治理提供理论依据. 研究结果表明：疫情期间呼和浩特市发生重度以上污染天6 d，占监测总天数的19.3%. 与历史同期比较，疫情期间呼和浩特市PM2.5、PM10、CO和O3浓度均有不同程度上升，SO2和NO2呈降低趋势. 与疫情前相比，疫情期间PM2.5、PM10、SO2、NO2和CO分别下降38.6%、31.7%、46.1%、35.8%和37.0%，O3上升109.4%. 高相对湿度和低风速是呼和浩特市“疫情霾”形成的主要原因. 疫情期间呼和浩特市大气PM2.5主要受本地源或近距离传输的影响.Abstract: China has taken strict control measures to stop the rapid spread of COVID-19 epidemic. While PM2.5 concentration has significantly decreased in most cities in China, Hohhot suffered from many heavy pollution episodes during COVID-19 epidemic, the driven factor of that is still unclear. Based on the environmental air quality data (PM2.5, PM10, SO2, NO2, CO and O3) and meteorological data (wind speed, wind direction, temperature, and relative humidity), the characteristics and influencing factors of atmospheric pollution during COVID-19 epidemic were analyzed. The results showed that there were six severe pollution days, accounting for 19.3% of the total monitoring days in Hohhot during the epidemic period. Compared with the same period of 2019, the concentrations of PM2.5, PM10, CO and O3 in Hohhot significantly increased during the epidemic period, whereas the concentration of NO2 and SO2 significantly decreased. Compared with before epidemic period, the concentration of PM2.5, PM10, SO2, NO2 and CO decreased by 38.6%, 31.7%, 46.1%, 35.8% and 37.0%, respectively, while O3 increased by 109.4%. The high relative humidity and the low wind speed were the main influencing factors of pollution episodes during the epidemic period. During the epidemic period, the concentration of PM2.5 in Hohhot was mainly affected by local sources or short-range transmission.
-
Key words:
- COVID-19 /
- control measures /
- air pollution /
- influencing factors /
- potential source area
-
-
图 1 疫情期间各污染物及气象要素变化
Figure 1. Variation of air pollutants and meteorological parameters
图 2 2020年疫情期间各污染物浓度和气象要素与2019年同期比较
Figure 2. Comparison of air pollutants and meteorological parameters between 2020 pandemic and the same period in 2019.
图 3 2020疫情期间与2019年同期污染物浓度及气象要素24 h变化
Figure 3. Diurnal variation of air pollutants and meteorological parameters during the epidemic and the same time in 2019
图 4 不同时段各污染物和气象要素变化
Figure 4. Variation of air pollutants and meteorological parameters during every period
图 5 不同时段SO2和NOX排放量对比
Figure 5. Comparison of SO2 and NOX emissions during every period
图 6 疫情期间AQI与污染物和气象要素相关性
Figure 6. Correlation between AQI, air pollutants and meteorological parameters during epidemic
图 7 疫情期间相对湿度和风速对PM2.5的影响
Figure 7. Impacts of relative humidity and wind speed on PM2.5 during epidemic
图 8 不同时段PM2.5的PSCF和CWT分析
Figure 8. PSCF and CWT analysis of PM2.5 in Hohhot during every period
表 1 环境空气质量等级分布
Table 1. Distribution of ambient air quality levels
环境空气质量等级
Ambient air quality level疫情前
Before epidemic疫情期间
During epidemic疫情后
After epidemic天数 占比/% 天数 占比/% 天数 占比/% 严重污染 2 6.5 1 3.2 — — 重度污染 10 32.3 5 16.1 — — 中度污染 5 16.1 3 9.7 — — 轻度污染 7 22.6 5 16.1 2 6.7 良 5 16.1 11 35.5 18 60.0 优 2 6.4 6 19.4 10 33.3 
下载: 导出CSV
-
[1] 秦耀辰, 谢志祥, 李阳. 大气污染对居民健康影响研究进展[J]. 环境科学, 2019, 40(3): 1512-1520. QIN Y C, XIE Z X, LI Y. Review of research on the impacts of atmospheric pollution on the health of residents[J]. Environmental Science, 2019, 40(3): 1512-1520 (in Chinese).
[2] 梁华炎. 气候变化对大气污染影响的探究[J]. 环境与发展, 2017, 29(4): 30-31. doi: 10.16647/j.cnki.cn15-1369/X.2017.04.013 LIANG H Y. The impact of climate change on air pollution[J]. Environment and Development, 2017, 29(4): 30-31 (in Chinese). doi: 10.16647/j.cnki.cn15-1369/X.2017.04.013
[3] 张宸赫, 王东东, 赵天良, 等. 基于WRF-Chem和EMI指数的新冠肺炎疫情期间沈阳市大气污染物浓度变化原因分析[J]. 环境科学学报, 2021, 41(9): 3709-3716. ZHANG C H, WANG D D, ZHAO T L, et al. Causes of variation of air pollutant concentration in Shenyang during the COVID-19 epidemic based on WRF-Chem and EMI-index[J]. Acta Scientiae Circumstantiae, 2021, 41(9): 3709-3716 (in Chinese).
[4] WANG Y C, YUAN Y, WANG Q Y, et al. Changes in air quality related to the control of coronavirus in China: Implications for traffic and industrial emissions[J]. Science of the Total Environment, 2020, 731: 139133. doi: 10.1016/j.scitotenv.2020.139133 [5] 尹晓梅, 李梓铭, 乔林, 等. 北京冬季疫情期间空气质量及气象影响分析[J]. 中国环境科学, 2021, 41(5): 1985-1994. YIN X M, LI Z M, QIAO L, et al. Effect analysis of meteorological conditions on air quality during the winter COVID-19 lockdown in Beijing[J]. China Environmental Science, 2021, 41(5): 1985-1994 (in Chinese).
[6] 周静博, 李若玲, 马建勇, 等. 2020年COVID-19疫情期间河北省空气污染特征及来源识别[J]. 环境化学, 2022, 41(6): 2075-2086. doi: 10.7524/j.issn.0254-6108.2021030503 ZHOU J B, LI R L, MA J Y, et al. Study on the characteristics of air pollution and source identification during the epidemic period of COVID-19 in 2020 in Hebei Province[J]. Environmental Chemistry, 2022, 41(6): 2075-2086 (in Chinese). doi: 10.7524/j.issn.0254-6108.2021030503
[7] 刘跃斌, 张远, 张逸冰, 等. 邯郸市新冠疫情前后空气质量指数(AQI)对比与疫情防控期间大气污染特征分析[J]. 环境化学, 2021, 40(12): 3743-3754. doi: 10.7524/j.issn.0254-6108.2021022402 LIU Y B, ZHANG Y, ZHANG Y B, et al. Comparison of air quality index(AQI) before and after COVID-19 in Handan City and analysis of air pollution characteristics during COVID-19 prevention and control[J]. Environmental Chemistry, 2021, 40(12): 3743-3754 (in Chinese). doi: 10.7524/j.issn.0254-6108.2021022402
[8] GAO C C, LI S H, LIU M, et al. Impact of the COVID-19 pandemic on air pollution in Chinese megacities from the perspective of traffic volume and meteorological factors[J]. Science of the Total Environment, 2021, 773: 145545. doi: 10.1016/j.scitotenv.2021.145545 [9] SOKHI R S, SINGH V, QUEROL X, et al. A global observational analysis to understand changes in air quality during exceptionally low anthropogenic emission conditions[J]. Environment International, 2021, 157: 106818. doi: 10.1016/j.envint.2021.106818 [10] LE T H, WANG Y, LIU L, et al. Unexpected air pollution with marked emission reductions during the COVID-19 outbreak in China[J]. Science, 2020, 369(6504): 702-706. doi: 10.1126/science.abb7431 [11] SHI Z B, SONG C B, LIU B W, et al. Abrupt but smaller than expected changes in surface air quality attributable to COVID-19 lockdowns[J]. Science Advances, 2021, 7(3): eabd6696. doi: 10.1126/sciadv.abd6696 [12] 张桂芹, 白浩强, 李彦, 等. 疫情常态化管控下济南市春节前后PM2.5中二次组分变化特征[J]. 环境化学, 2023, 42(2): 487-500. doi: 10.7524/j.issn.0254-6108.2021092503 ZHANG G Q, BAI H Q, LI Y, et al. Characteristics of secondary PM2.5 component changes before and after the Spring Festival in Jinan City under the normal control of the epidemic[J]. Environmental Chemistry, 2023, 42(2): 487-500 (in Chinese). doi: 10.7524/j.issn.0254-6108.2021092503
[13] WANG Y J, WEN Y F, WANG Y E, et al. Four-month changes in air quality during and after the COVID-19 lockdown in six megacities in China[J]. Environmental Science & Technology Letters, 2020, 7(11): 802-808. [14] CHANG Y H, HUANG R J, GE X L, et al. Puzzling haze events in China during the coronavirus (COVID-19) shutdown[J]. Geophysical Research Letters, 2020, 47(12): e2020GL088533. doi: 10.1029/2020GL088533 [15] 潘光, 郝赛梅, 谷树茂, 等. 济南市区2020年春节疫情管控前后PM2.5组分变化[J]. 环境化学, 2022, 41(9): 2951-2961. doi: 10.7524/j.issn.0254-6108.2021051904 PAN G, HAO S M, GU S M, et al. Changes in contents of PM2.5 components over Jinan city before and after implementation of epidemic control measures during the 2020 Spring Festival[J]. Environmental Chemistry, 2022, 41(9): 2951-2961 (in Chinese). doi: 10.7524/j.issn.0254-6108.2021051904
[16] SHEN L J, ZHAO T L, WANG H L, et al. Importance of meteorology in air pollution events during the city lockdown for COVID-19 in Hubei Province, Central China[J]. Science of the Total Environment, 2021, 754: 142227. doi: 10.1016/j.scitotenv.2020.142227 [17] LV Z F, WANG X T, DENG F Y, et al. Source-receptor relationship revealed by the halted traffic and aggravated haze in Beijing during the COVID-19 lockdown[J]. Environmental Science & Technology, 2020, 54(24): 15660-15670. [18] ZHANG Q Q, PAN Y P, HE Y X, et al. Substantial nitrogen oxides emission reduction from China due to COVID-19 and its impact on surface ozone and aerosol pollution[J]. Science of the Total Environment, 2021, 753: 142238. doi: 10.1016/j.scitotenv.2020.142238 [19] 乐旭, 雷亚栋, 周浩, 等. 新冠肺炎疫情期间中国人为碳排放和大气污染物的变化[J]. 大气科学学报, 2020, 43(2): 265-274. LE X, LEI Y D, ZHOU H, et al. Changes of anthropogenic carbon emissions and air pollutants during the COVID-19 epidemic in China[J]. Transactions of Atmospheric Sciences, 2020, 43(2): 265-274 (in Chinese).
[20] WANG Y Q, ZHANG X Y, DRAXLER R R. TrajStat: GIS-based software that uses various trajectory statistical analysis methods to identify potential sources from long-term air pollution measurement data[J]. Environmental Modelling & Software, 2009, 24(8): 938-939. [21] LUCEY D, HADJIISKI L, HOPKE P K, et al. Identification of sources of pollutants in precipitation measured at the mid-Atlantic US coast using potential source contribution function (PSCF)[J]. Atmospheric Environment, 2001, 35(23): 3979-3986. doi: 10.1016/S1352-2310(01)00185-6 [22] SHEN L J, WANG H L, KONG X C, et al. Characterization of black carbon aerosol at the summit of Mount Tai (1534 m) in central East China: Temporal variation, source appointment and transport[J]. Atmospheric Environment, 2021, 246: 118152. doi: 10.1016/j.atmosenv.2020.118152 [23] 张恒德, 吕梦瑶, 张碧辉, 等. 2014年2月下旬京津冀持续重污染过程的静稳天气及传输条件分析[J]. 环境科学学报, 2016, 36(12): 4340-4351. doi: 10.13671/j.hjkxxb.2016.0239 ZHANG H D, LYU M Y, ZHANG B H, et al. Analysis of the stagnant meteorological situation and the transmission condition of continuous heavy pollution course from February 20 to 26, 2014 in Beijing-Tianjin-Hebei[J]. Acta Scientiae Circumstantiae, 2016, 36(12): 4340-4351 (in Chinese). doi: 10.13671/j.hjkxxb.2016.0239
[24] XU J M, YAN F X, XIE Y, et al. Impact of meteorological conditions on a nine-day particulate matter pollution event observed in December 2013, Shanghai, China[J]. Particuology, 2015, 20: 69-79. doi: 10.1016/j.partic.2014.09.001 [25] WANG H B, ZHAO L J, XIE Y J, et al. “APEC blue”—The effects and implications of joint pollution prevention and control program[J]. Science of the Total Environment, 2016, 553: 429-438. doi: 10.1016/j.scitotenv.2016.02.122 [26] WANG T, XUE L K, BRIMBLECOMBE P, et al. Ozone pollution in China: A review of concentrations, meteorological influences, chemical precursors, and effects[J]. The Science of the Total Environment, 2017, 575: 1582-1596. doi: 10.1016/j.scitotenv.2016.10.081 [27] ZHOU H J, LIU T, SUN B, et al. Chemical characteristics and sources of PM2.5 in Hohhot, a semi-arid city in Northern China: Insight from the COVID-19 lockdown[J]. Atmospheric Chemistry and Physics, 2022, 22(18): 12153-12166. doi: 10.5194/acp-22-12153-2022 [28] 张皓然. 基于MTEA和WRF-Chem模型的我国二次颗粒物污染研究[D]. 南京: 南京信息工程大学, 2022. ZHANG H R. Study of the secondary particulate matter in China based on MTEA and WRF-chem model[D]. Nanjing: Nanjing University of Information Science & Technology, 2022 (in Chinese).
[29] DENG X L, SHI C E, WU B W, et al. Analysis of aerosol characteristics and their relationships with meteorological parameters over Anhui Province in China[J]. Atmospheric Research, 2012, 109/110: 52-63. doi: 10.1016/j.atmosres.2012.02.011 [30] 霍彦峰, 邓学良, 杨关盈, 等. 传输指数在合肥市重污染过程中的应用分析[J]. 环境科学学报, 2017, 37(4): 1277-1286. doi: 10.13671/j.hjkxxb.2016.0429 HUO Y F, DENG X L, YANG G Y, et al. Application of transport index for heavy air pollution in Hefei during winter in 2015[J]. Acta Scientiae Circumstantiae, 2017, 37(4): 1277-1286 (in Chinese). doi: 10.13671/j.hjkxxb.2016.0429
[31] 孙俊英, 张璐, 沈小静, 等. 大气气溶胶散射吸湿增长特性研究进展[J]. 气象学报, 2016, 74(5): 672-682. SUN J Y, ZHANG L, SHEN X J, et al. A review of the effects of relative humidity on aerosol scattering properties[J]. Acta Meteorologica Sinica, 2016, 74(5): 672-682 (in Chinese).
[32] DAO X, DI S Y, ZHANG X, et al. Composition and sources of particulate matter in the Beijing-Tianjin-Hebei region and its surrounding areas during the heating season[J]. Chemosphere, 2022, 291: 132779. doi: 10.1016/j.chemosphere.2021.132779 -
点击查看大图
计量
- 文章访问数: 2142
- HTML全文浏览数: 2142
- PDF下载数: 95
- 施引文献: 0
