基于环境空气质量监测数据的污染特征识别方法及应用

gghd

基于环境空气质量监测数据的污染特征识别方法及应用石耀鹏中国环境科学研究院
“十三五”期间,我国空气质量改善显著,但重点地区空气污染仍然较重。同时,我国建成了较为完善的空气质量监测网来全面评估各地空气质量状况,但目前环境空气质量监测数据用于深入开展污染特征及成因分析不足。为在全国和重点地区开展高时空分辨率的污染特征及成因分析,本研究采用特征雷达图中的双重归一化算法,对2018～2019年秋冬季京津冀及周边地区“2+26”城市和2019年中国、印度和韩国共65个典型城市的环境空气质量监测数据开展分析。结果表明1)基于常规五参数(SO2、NO2、CO、PM2.5、PM10),采用双重归一化算法可识别出八种污染特征,分别为偏SO2、偏NO2、偏CO、偏PM2.5、偏粗颗粒物、偏SO2-CO、偏NO2-CO和偏PM2.5-CO特征。其中偏SO2-CO特征可指示钢铁行业排放,偏NO2-CO特征可指示道路移动源排放。(2)2018～2019年秋冬季“2+26”城市的空气污染特征主要可分为四类,北京、天津、廊坊等地偏NO2特征占比突出;区域南部的濮阳、新乡、菏泽等地偏PM2.5特征占比突出;区域中部的太原-邢台-滨州一带偏SO2特征占比突出;唐山、长治、邯郸等地偏SO2-CO特征占比突出。(3)工业和移动源是影响中国和韩国空气质量的主要因素,但中国燃煤排放的影响较韩国更为突出;沙尘、燃煤和工业排放是影响印度空气质量的主要因素。对污染成因研究较少的地区分析表明,中国西部的银川和西宁钢铁排放、贵阳的燃煤排放、拉萨的移动源排放是当地重要的排放源,燃煤电厂和工业不完全燃烧排放是影响印度恒河平原以外城市空气质量的主要因素,工艺过程和船舶的SO2排放显著影响了韩国东南部的蔚山和釜山空气质量。(4)基于高时空分辨率的空气质量监测数据,运用双重归一化算法能够分析空气污染特征、解析污染成因和识别污染的主要来源。该方法不仅具有很好的适用性,且分析结果能够与已有研究进行相互验证。未来可进一步应用到其他已建立空气质量监测网但PM2.5组分观测能力不足的国家或地区,分析空气污染特征的时空演变,为污染管控提供对策建议。