黔江区秋冬季大气颗粒物与相关气象条件的关系及其输送路径研究

利用2016年9月至2017年2月黔江区PM_(2.5)和PM_(10)质量浓度及相关气象数据,研究了黔江区大气颗粒物与相关气象条件的关系及颗粒物气团输送轨迹。结果表明,黔江区PM_(2.5)、PM_(10)在同一季节内高度线性相关,二者质量浓度日小时值变化存在季节性差异,呈"双峰双谷"型; PM_(2.5)与温度、风速和降雨量均呈显著负相关,当气温低于15℃,风速﹤0. 5 m/s时,严重影响PM_(2.5)扩散,但降雨量增大,可迅速清除大气中的PM_(2.5);对2016年12月黔江区会议中心和旅游学院的后向轨迹聚类分析发现,黔江区两大气自动监测站点颗粒污染物气团主要来自于城市间输送(重庆主城区及湘西土家族苗族自治州),少部分来自长距离输送(西部的青藏高原地区);本研究建立的PM_(2.5)质量浓度预测模型能较好的预测黔江区PM_(2.5)质量浓度的变化趋势,这对于预测大气颗粒物污染事件的发生具有重要的实用价值。     

基于ARMAX的PM_(2.5)小时浓度跟踪预测模型

针对目前缺乏小时尺度上PM_(2.5)浓度统计预测模型以及已有模型预测精度对训练数据的依赖问题,利用天津市环保物联网监测到的污染物及气象数据,建立了PM_(2.5)小时浓度预测的多元时间序列模型(ARMAX),并提出一种模型在线自适应改进方法:设定模型评价指标并实时监测,当模型预测精度超标时对模型进行在线更新.将改进后的模型应用于天津市的9个监测站点,用2013—2014年的监测数据对模型进行验证.结果表明:模型均方根误差RMSE20,μg,平均绝对误差MAE20,μg,拟合优度R20.9,能够在小时尺度下有效地预测PM_(2.5)浓度,可以为突发性PM_(2.5)污染事件的应急处理提供决策支持.     

信阳城区气温和降水量与主要污染物之间关系分析

以2014—2017年信阳城区逐日气象要素(最高气温、最低气温、均温和降水量)和环境空气自动监测系统逐日数据(SO_2,NO_2,PM_(10),PM_(2.5),CO,O_3污染物浓度和AQI)为研究对象,采用统计分析和Pearson相关系数法,分析气温和降水量与主要污染物之间关系.结果表明:(1)2014—2017年信阳城区空气质量以优良为主,重度、严重污染的日数较少.(2)日气温(最低、平均和最高)和日降水量与主要污染物SO_2,NO_2,PM_(10),PM_(2.5),CO浓度和AQI呈显著的负相关,与O_3呈显著的正相关,说明气温愈高、降水量愈多,空气质量愈好,即夏季空气质量优于冬季.通过统计2014—2017年逐日空气质量,四季空气质量从夏季、秋季、春季和冬季依次由好转差.(3)相较于非雨日,雨日主要污染物浓度明显降低;降水过程中或者降水之后,大气主要污染物浓度显著下降,共同说明降水量对主要污染物具有显著淋洗作用,尤其是颗粒物PM_(10)和PM_(2.5).     

基于消光系数的机场PM2.5质量浓度神经网络预测模型

分析了气溶胶粒径吸湿增长因子、风速和NO_2与消光系数和PM_(2.5)质量浓度之间的相关性及影响规律。提出了一种基于消光系数的机场PM_(2.5)质量浓度神经网络预测模型。首先,建立消光系数与PM_(2.5)质量浓度之间的定量关系,并分析相对湿度对其影响。然后,分析风速和NO_2对消光系数和PM_(2.5)质量浓度的影响。最后,将四项参数与PM_(2.5)质量浓度之间的复杂关系通过模糊神经网络进行学习和表达,实现PM_(2.5)质量浓度的预测。使用实测PM_(2.5)质量浓度数据对预测模型进行了对比验证。结果表明,该预测模型的预测精度较高,能较为客观的反映机场PM_(2.5)质量浓度的变化情况,这对研究颗粒物质量浓度对机场能见度的影响规律以及机场周边污染治理决策提供数据支持具有重要的意义。     

大气污染预警仿真模型研究——以郑州市为例

利用郑州市2015—2016年24小时的大气污染监测数据和气象数据,分析郑州市空气质量随季节变化的分布特性。利用线型相关系数分析,寻找显著相关因素,通过径向基神经网络构建大气污染预测模型,对郑州市2017年的PM_(2.5)、PM_(10)、SO_2、NO_2污染物7*24小时的浓度进行预测,并与各污染物实际监测值进行对比分析。实验结果证明,利用线型相关系数进行相关因素的分析能够很好地提高预测准确度;利用RBF神经网络的预测结果比传统的BP神经网络预测的结果更加准确。     

典型生态旅游城市黔江区大气污染物分析及健康风险评估

以典型生态旅游城市黔江城区大气为研究对象,采用相关性分析、主成分分析、聚类分析和多元统计分析等方法对大气污染物进行研究,结果表明:黔江城区主要污染物随季节变化呈明显时空变化特征,PM_(10),PM_(2.5),SO_2,NO_2,O_3年平均质量浓度分别为(55±19.4),(28±12.5),(18±8.0),(28±5.8),(22±4.8)μg/m~3,均符合国家二级标准(GB3095-2012).研究期间气压、温度、风速和湿度等重要气象因子对5种大气污染物均产生显著性影响;5种大气污染物之间也存在极显著性或显著性影响.利用主成分分析和正交旋转方法,共抽取3个主成分,累计解释了总因子的38.067%,58.408%,70.148%,反映了人类生产生活活动、汽车污染源等排放.气象因子与大气环境中5种污染物之间具有聚合性,综合分为2类,其聚类距离大小为:第一类PM_(10),SO_2,NO_2小于气压,PM_(2.5)最大;第二类O_3、风速小于风向和湿度,温度最大.城区大气环境中PM_(10)和PM_(2.5)健康风险值为0.78×10~(-6)~1.64×10~(-6),0.52×10~(-6)~1.72×10~(-6),除夏季外,其余3个季节均为PM_(2.5)值大于PM_(10)值,由此表明PM_(2.5)比PM_(10)对人类的健康危害更大.     

成都地区近3 a空气污染物变化特征及降水对其影响

利用成都市2014-2016年逐时空气污染物质量浓度资料和同期逐时降水资料,分析了成都市空气污染物质量浓度变化特征及降水对其影响.结果表明,成都地区2014-2016年大气颗粒物(PM_(10)和PM_(2.5))质量浓度逐年减少,气态污染物(SO_2、NO_2和CO)质量浓度呈波动式降低; 5种污染物质量浓度有明显的年内变化,重污染期均出现在冬季, 1月污染物质量浓度最高, PM_(10)变化幅度最大,最高达192.9μg/m3; 5种污染物质量浓度均存在明显日变化特征,最大值出现时段为09:00-11:00,其中PM_(2.5)、PM_(10)、NO_2和CO质量浓度日变化为双峰型, SO_2为单峰型.降水对污染物的清除效率总体上随降水量的增加而增大:暴雨中雨大雨小雨,对中雨清除率高于大雨清除率的原因进行了初步分析.连续性降水对污染物的清除率极大值出现在第2天,之后清除效率逐渐降低;单位时间降水清除效率中,阵性降水明显大于连续性降水.     

西安市大气颗粒物PM_(2.5)的输送路径和潜在源分析

利用2017年西安市气象数据和主要大气污染物质量浓度的监测资料,综合分析西安市2017年度气候变化、大气污染状况以及污染物质量浓度演变特征.结果表明:西安市年平均风速为2.43 m/s,平均气温为19.00℃,总降水量为649 mm,冬春季PM_(2.5)、PM10质量浓度值普遍高于夏秋季.利用SPSS对污染物与气象因素进行相关性分析,得出颗粒物、气态污染物CO、SO2质量浓度变化与平均气温、降水量、风速呈负相关,而O3与平均气温、降水量、风速呈正相关.此外,通过拉格朗日混合粒子轨迹模型模拟了西安市48 h的气流后向轨迹,并将PM_(2.5)的质量浓度数据与气团轨迹相结合,利用潜在源贡献函数模型(PSCF)和浓度加权轨迹方法 (CWT),分析西安市PM_(2.5)质量浓度影响及潜在源区分布特征,其结果表明超过50%的气流后向轨迹来自西北方向,西安市PM_(2.5)的主要潜在来源位于陕南各城市以及陕南周边省份交界处.     

基于改进PSO的ARIMA-SVM空气质量预测研究

针对现有的单一模型对PM_(2.5)质量浓度预测误差较大的问题,提出自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)-支持向量机(Support Vector Machine,SVM)组合预测的方法.首先,为了解决单核SVM泛化能力弱、学习能力差的缺点,构建基于线性组合的混合核SVM;然后,考虑到普通粒子群算法对SVM参数寻优存在易陷入局部最优解和后期震荡的问题,提出基于余弦函数的自适应惯性权重和增加动量项的改进粒子群算法;最后,以北京市某站点的PM_(2.5)质量浓度数据进行验证.结果表明:改进的组合模型均方根误差较未改进组合模型和单一ARIMA模型分别降低了1.741μg·m~(-3)和6.720μg·m~(-3),具有更加良好的预测精度.     

济南市气象要素对大气污染物浓度的影响

利用2014-12-01—2015-11-30期间济南市空气质量的监测数据,运用Spearman秩相关分析法研究该市大气中细颗粒物PM_(2.5)、可吸入颗粒物PM_(10)、臭氧(O_3)的浓度与气象要素之间的相关性,其中气象要素选取温度、相对湿度和风速。结果表明:PM_(2.5)、PM_(10)及O_3与气象要素有显著的相关性,PM_(2.5)、PM_(10)的浓度与相对湿度呈正相关,与温度和风速呈负相关,O_3的浓度与温度和风速呈正相关,与相对湿度呈负相关;PM_(2.5)、PM_(10)浓度的日变化特征呈双峰双谷型,O_3浓度的日变化特征呈单峰单谷型;PM_(2.5)、PM_(10)的浓度在冬季、秋季、春季较大,在夏季较小;O_3的浓度在夏季最大,在冬季、秋季、春季相对较小,O_3已成为影响济南市夏季空气质量的首要污染物。     

基于无人机平台的细颗粒物三维分布监测

为获取高空间分辨率的污染物浓度数据,搭建了基于无人机技术的大气污染物立体监测平台,并成功获取临安市2014年11月一次重污染事件1 km以下高度的细颗粒物(PM_(2.5))浓度及同步气象场的三维分布数据。结果表明:大气湍流对PM_(2.5)浓度时空变化具有重要影响。清晨及上午大气垂直湍流活动较弱,大气稳定度较高,逆温等温层多重大气结构不利于PM_(2.5)垂直扩散。中午大气湍流活跃度最高,PM_(2.5)混合充分,垂直浓度梯度较小。下午PM_(2.5)在边界层内水平输送显著,并逐步向下沉降,说明此次重污染事件主要受外地污染源输送影响。     

2016年南昌市PM_(10)和PM_(2.5)质量浓度变化研究

利用南昌市2016年4月～2017年3月8个监测点的PM_(10)和PM_(2.5)质量浓度的监测数据,通过聚类分析探讨了大气颗粒物PM_(10)、PM_(2.5)的污染状况和不同功能区间的变化规律.结果表明:2016年南昌市大气颗粒污染物中,细颗粒物(PM_(2.5))较可吸入颗粒物(PM_(10))超标情况更严重;从时间角度看,PM_(10)和PM_(2.5)浓度表现为冬季春季/秋季夏季的季节性变化趋势;从空间角度看,表现为商业交通居住混合区交通区文教区居住区风景区的变化规律;PM_(2.5)/PM_(10)比值变化特征提示冬季可吸入颗粒物中细颗粒物所占比重最大,春季和秋季次之,夏季最小;在影响因素中,监测点大气颗粒物的浓度受交通环境的影响最大,受居民日常生活排污的影响次之.     

城市高架路沿侧细颗粒物的垂直分布特征研究

以上海市高架路为对象,通过移动设备开展数据采集,建立广义加性模型,对高架路细颗粒物(PM_(2.5))浓度的垂直分布及其与微观尺度下的交通、气象、位置等因素之间的关系进行了系统研究,并将原始影响因素的主成分分析结果作为输入变量,提出基于主成分分析法(PCA)的高架路交通污染物浓度垂直变化的神经网络预测模型(PCA-BPNN).结果表明:高度、相对湿度和交通流量对PM_(2.5)浓度垂直变化有着显著影响;PCA-BPNN模型能够较好地处理污染物扩散的非线性问题,消除变量间多重共线性,有效弥补污染物垂直扩散模型在道路微观尺度上预测的不足.     

武汉市大气污染特征及变化趋势

以2013—2015年武汉市大气污染物特征及变化趋势为研究对象,对大气污染物综合指数和各污染物单项指数进行分析.其主要结论是:大气污染冬季的污染状况比夏季严重,其中空气质量2013年优于2015年,2014年最差;根据各污染物单项指数,确定颗粒物(PM_(2.5))为大气污染的主要因子;PM_(2.5)、PM_(10)、SO_2、NO_2、CO的浓度冬季大于夏季,O_3的浓度夏季大于冬季;根据各污染物之间相关性及气象因素的分析,PM_(2.5)、PM_(10)、SO_2、NO_2、CO之间均成正相关关系,其中PM_(2.5)与CO的相关性为0.901(P0.01),接近1,说明CO对PM_(2.5)的形成有直接作用;污染物与气象因素的相关性分析,几种污染物与气压、降水量、气温有明显的相关性;根据聚类分析,大气污染变化趋势与季节有关,季节变化特征为夏季春秋季冬季.     

天津武清区PM_(2.5)与气态污染物SO_2及NO_2污染特征研究

利用2016年武清区大气污染物监测数据,研究了武清区PM_(2.5)及SO_2、NO_2等典型大气污染物浓度变化特征和相互关系。结果表明:2016年PM_(2.5)污染较严重,年均浓度分别为73μg·m~(-3),超标1.1倍。大气中SO_2年均值为25μg·m~(-3),NO_2年均值47μg·m~(-3)。冬季及春秋季节大气中存在明显的二次转化过程,大气中的SO_2和NO_2通过转化生成硝酸盐和硫酸盐,对PM_(2.5)浓度变化具有重要影响。     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

中国工业基地城市群PM2.5时空分布特征及相关性分析

为研究2014年中国四大工业基地25个主要城市的空气质量污染情况,对25个城市2014年1月~2015年2月的数据进行SPSS聚类分析,研究其整体分布情况,并应用统计学和GIS软件分析其主要城市大气颗粒物的污染分布特征,同时利用SPSS软件对大气污染物PM_(10)、SO_2、NO_2、CO、O_3和PM_(2.5)做相关性分析。结果表明:(1)25个城市PM_(2.5)年均质量浓度在32.94~100.23μg·m~(-3)之间,其中分布在40~70μg·m~(-3)之间的城市相对集中,占所有城市的68%,仅3个城市的PM_(2.5)年均质量浓度小于35μg·m~(-3);(2)PM_(2.5)季节变化特征大体表现为冬季秋季春季夏季,重度污染主要集中在12月和1月;(3)从空间分布上看,京津唐污染水平高于其他三个工业基地,珠三角污染水平最低;(4)四大工业基地城市群PM_(2.5)的浓度与PM_(10)、SO_2、NO_2、CO的浓度存在显著相关性。由于温度、气候等原因,在珠三角和长三角O3与PM_(2.5)呈正相关,而在京津唐和辽中南工业基地则呈负相关。     

滇东地区城市空气污染变化特征及其与气象条件的关系

基于滇东城市曲靖2014-2018年2个国控空气质量监测点的逐日空气质量指数和6种空气污染物(SO_2、NO_2、PM_(10)、PM_(2.5)、CO和O_3)逐小时浓度资料以及同期气象要素数据,统计分析了曲靖主城区空气污染变化特征及气象因子对污染物浓度分布的影响.结果表明:①2014至2018年,曲靖主城区空气质量优良率为97%-99.7%,污染日数呈逐年减少趋势,首要污染物以PM_(10)、PM_(2.5)和O_3为主.②曲靖主城区空气质量呈现出夏秋季节较好、冬春季节较差的季节性特征.③6种污染物浓度各自表现出不同的季节性变化和日变化特征.气象条件影响着曲靖主城区污染物的扩散、迁移和转变.④风速与SO_2、NO_2、CO和PM_(2.5)浓度具有较好的负相关关系;与O_3浓度呈正相关关系;风速对PM_(10)影响较复杂,当风速小于2 m/s时有利于PM_(10)扩散,当风速超过2 m/s时反而导致PM_(10)浓度增加.⑤地面盛行西北风和东南风时,SO_2、NO_2、CO、PM_(10)和PM_(2.5)浓度较高;地面盛行西南风时,O_3浓度达到最高值.⑥降水对6种污染物具有显著冲刷清洁作用.⑦温度与O_3浓度呈显著性正相关关系,与NO_2、CO、PM_(10)和PM_(2.5)浓度呈显著性负相关关系;与SO_2浓度关系不显著.⑧相对湿度与O_3、PM_(10)和PM_(2.5) 3种首要污染物浓度呈显著性负相关关系;与SO_2、NO_2和CO 3种非首要污染物浓度的关系不显著.     

基于时间序列和多元方法的乌鲁木齐PM_(2.5)浓度分析

鉴于肺部可吸入颗粒物PM_(2.5)对人体的危害,利用多元分析及时间序列的方法将PM_(2.5)浓度变化划分为稳定部分(由分子内部的作用引起浓度变化)和不稳定部分(由外部环境因素,即温度,风力,风向及天气等)进行预测.收集乌鲁木齐7个监测站点2014年11月至2015年3月(冬季)每天的PM_(2.5),PM_(10),CO,NO_2,O_3,O_3(8 h),SO_2及天气等相关因素数据,对PM_(2.5)浓度建立预测模型并进行结果分析.相关分析表明:户外PM_(2.5)与PM_(10),CO,NO_2和SO_2具有较高的相关性.对平稳部分利用指数平滑模型预测PM_(2.5)浓度,得到最好的平滑指数是0.32.主成分回归(PCR)模型用于预测PM_(2.5)浓度的不稳定性成分,得到R2值为0.803.最终,将2015年3月至2015年5月的数据利用5种性能指标检验模型,结果表明该模型方法预测效果较好,有一定的实用价值.     

2018年春节期间燃放烟花爆竹对福州市晋安区大气污染物浓度的影响

利用2018年春节期间晋安区五个空气自动监测站点PM_(10)、PM_(2.5)、CO、NO_2、SO_2、O_3的监测数据,分析了春节期间燃放烟花爆竹对晋安区大气污染物浓度的影响,重点讨论了除夕、初一两日大气污染物浓度的小时变化特征。结果表明,晋安区春节期间首要污染物主要为颗粒物。烟花爆竹对PM_(10)、PM_(2.5)、SO_2、NO_2浓度有直接影响,对PM_(10)和PM_(2.5)浓度的影响尤其突出,对CO、O_3浓度无显著影响。