城市空气污染数据的分析与研究

针对日益严重的大气污染问题,基于现有数据与相关研究,采用相关分析法,对AQI指标之间的相关性进行了定量分析.利用主成分分析,确定PM_(10)为被解释变量,其它4种污染物为解释变量,应用逐步回归分析方法及多元回归分析,通过逐层分析比较得到了PM_(10)与PM_(2.5),CO,SO_2,NO_2的最优二次回归模型.     

基于灰色关联模型对乌鲁木齐市PM_(10)浓度的影响因素分析

基于乌鲁木齐市2006~2015年空气污染物数据、气象数据和城市发展数据,构建了乌鲁木齐市PM_(10)浓度影响指标体系,通过熵值法对PM_(10)浓度影响指标因子做了综合评价分析,利用灰色关联模型对PM_(10)浓度及其影响指标因子、影响指标层做了灰色关联度分析。研究发现:(1)PM_(10)浓度的影响指标因子依据其变化趋势可以分为两类;(2)城市化与产业结构对乌鲁木齐市PM_(10)的浓度影响最大(wi=0.418 1),其次是PM_(10)污染物来源(wi=0.387 9),空气污染物与气象要素对PM_(10)的浓度影响最小(wi=0.194 1);(3)从发展水平看,城市化与产业结构PM_(10)污染物来源空气污染物与气象要素;(4)在28个影响指标因子中,与PM_(10)浓度呈中度关联的指标因子有生活垃圾处理量、房屋建筑施工面积和地区工业总产值,其余25个指标因子与PM_(10)浓度都呈强度关联;(5)三个指标层与PM_(10)浓度的灰色关联度都为强度关联;(6)空气各污染物与气象要素对PM_(10)浓度的固有影响属性不会随着时间的推移而发生明显改变,PM_(10)污染物来源、城市化与产业结构对PM_(10)浓度的影响随着时间的推移影响程度减弱。     

安阳市空气质量与能源消费结构的灰关联分析

以河南省安阳市2010-2015年的市区空气质量数据,利用灰色关联模型分析能源消费与空气主要污染物SO_2、NO_2、PM2.5、PM10的关系。结果表明,焦炭、煤气、汽油、柴油和原煤的消费与SO_2、NO_2、PM2.5、PM10浓度平均关联度达到0.98以上,对城市空气污染物排放的影响较大;而电力、煤油、洗精煤、热力和液化石油气的消费影响较小。     

重庆市万盛地区大气12月份PM10污染预测分析

本文利用重庆市万盛地区2018年12月份空气质量监测数据及气象数据,首次研究了万盛地区PM10浓度与其他5项污染物、相关气象因素的关系。研究表明,PM10浓度与NO_2、CO污染因子显著正相关,但与SO_2、O_3-8h污染因子相关性不明显;PM10质量浓度受能见度、相对湿度、风速和风向等气象因素影响较大。本研究首次建立了万盛地区PM10预测模型,能较准确反映该地区PM10的污染特征,为开展该地区PM10污染预警预报提供了思路和奠定了基础。     

气象因子对许昌市冬季典型重污染天气的影响分析

本文利用空气质量和气象要素小时观测数据,分析2016年12月18日至21日发生的持续性PM2.5重污染过程前后空气质量和主要气象因子的变化特征,探讨气象因子对大气环境的影响。研究结果表明:本次重污染过程是稳定气象条件下导致的局地污染积累;在污染积累阶段,风速明显偏小,相对湿度逐渐增加;而在污染清除阶段,气象要素的变化则相反,风速明显增大,相对湿度显著下降;风速和相对湿度与PM2.5质量浓度间均存在指数相关,相关系数平方R2分别为0.451 5、0.541 8,表明在大气污染过程中气象因子对大气环境的影响十分明显。     

驻马店市PM2.5污染特征及其与气象要素的关系研究

【目的】研究驻马店市PM_2.5污染特征及其与气象要素的关系，为大气污染预报与防治提供依据。【方法】基于2021年3月至2022年2月驻马店市大气颗粒物监测数据及气象资料，对驻马店市PM_2.5污染特征进行分析，并利用SPSS研究气象要素及其与PM_2.5浓度之间的相关性。【结果】2021年驻马店市大气污染日全年占比12%,PM_2.5日均浓度范围为9.2～176.4μg/m³，年平均浓度为44.5μg/m³，冬季浓度最高，春季和秋季次之，夏季最低，月变化呈“单峰型”分布；PM_2.5/PM₁₀平均比值62%，冬季最大，春季最小。【结论】从相关性来看，边界层高度和气温、风速、辐射强度均呈正相关；PM_2.5浓度与气温、辐射、降水和边界层高度均呈显著负相关，与相对湿度和风速呈弱的负相关。此外，风速和大气边界层高度所代表的大气扩散稀释能力对PM_2.5污染有较大影响。     

气象条件对西安市区及周边污染影响分析

在环境污染日益严重的形势下,研究气象条件与大气污染的关系,以期为环境气象决策服务提供更好的思路。基于2010-2015年西安市区、长安区、临潼区气象观测资料及同期PM_(10)浓度和空气质量等级数据,探讨PM_(10)浓度年、季、月变化,以及污染天气下的气象要素特征,四季气温对PM_(10)浓度影响的阈值,不同等级、不同形态的降水对PM_(10)浓度的清除率,风速、风向对PM_(10)浓度的影响等。结果显示:近6aPM_(10)浓度缓慢上升,2013年PM_(10)浓度骤增与不利的气象条件关系密切;春季污染主要贡献为外来沙尘输送;冬季污染主要贡献为不利于污染扩散的气象条件;四季PM_(10)浓度与气温关系复杂;PM_(10)浓度最低值出现在降水峰值次日;连续性降水中PM_(10)浓度与降水量反比明显;间断性降水中,降水停止时PM_(10)浓度可能高于降水前的值;降水对西安市区的清除能力最大;春季大风沙尘造成PM_(10)浓度增高,冬季低风速不利于PM_(10)扩散;长安区盛行东南风、临潼区盛行东北风时易形成空气污染,二者下风方向为西安市区,加大了西安市区污染物堆积。     

成都市冬季PM_(2.5)污染特征及溯源分析

本研究利用2019年成都锦城湖监测点PM_(2.5)的监测数据,研究成都市冬季PM_(2.5)的污染特征及其与气象要素之间的关系,并利用后向轨迹模型进行颗粒物溯源及追踪分析。结果表明:成都市环境空气PM_(2.5)平均质量浓度为53 g/m~3,达到国家空气质量二级标准;PM_(2.5)质量与温度呈显著正相关性,与风速呈负相关性,与湿度呈负相关性,与气压呈显著负相关性;成都市冬季气团主要来自东北方向,来自东南偏南方向的PM_(2.5)及其前体物对成都市PM_(2.5)质量浓度贡献最大。     

基于CPSO-BP神经网络的PM_(2.5)浓度预测模型

为了提高大气中PM_(2.5)浓度的预测精度,采用平均影响值(MIV)算法筛选出对大气中PM_(2.5)浓度有影响的主要变量,并依次作为神经网络输入变量。利用混沌粒子学(CPSO)算法修正BP神经网络初始权值和阈值,优化BP神经网络机构,以达到提高预测模型精度的目的。以2017年西安市PM_(2.5)日均浓度数据为样本建立预测模型,实验结果表明:相比于传统BP神经网络,基于CPSO-BP神经网络预测性能更优。     

郑州市大气污染时空分布特征分析及预测模型建立

基于郑州市中心城区空气质量监测数据,结合环境空气质量指数(AQI),采用反距离权重插值法(IDW)对郑州市的空气质量进行评价和时空分析。选取气压、气温、湿度、风速、风向、降水量6项常规污染物监测项,以及前一日AQI值总计13项作为预测因子,应用BP和RBF神经网络方法对郑州市未来短期空气质量时空分布进行预测。结果表明:(1)2016年和2017年郑州市空气质量主要以优良和轻度污染为主;(2)PM_(10)和PM_(2.5)的年平均浓度分别超过我国环境空气质量标准中二级标准年平均浓度限值103.79%、142.03%;(3)管城区污染频率较高,多呈现持续性的污染天气状况,冬季时的极端污染天气多集中于惠济区;(4)BP、RBF神经网络预测模型可以较好地预测郑州市大气污染的时空分布状况。本研究结果对后续研究治理郑州市空气污染具有一定意义。     

基于R语言的哈尔滨市大气污染数据时间序列分析

以R软件为数据分析工具,基于时间序列分析技术对2017年哈尔滨市大气监测数据进行分析.用统计学原理分析大气数据时间变化特征,并探讨R语言在大气数据分析领域应用的巨大潜力.结果表明:哈尔滨市大气污染物中PM2.5为主要污染物;秋冬季大气污染情况比春夏季严重.     

基于MEA-BP神经网络的PM_(2.5)质量浓度预测模型

为了解决PM_(2.5)质量浓度预测精度不足的问题,提出一种基于思维进化算法(MEA)优化的BP神经网络的PM_(2.5)质量浓度预测模型。该模型利用MEA所拥有的趋同和异化操作对BP神经网络的初始阈值和权值进行优化。以南京市每小时监测的PM_(2.5)和其他空气污染物的质量浓度数据为例,利用MEA-BP模型进行预测,并与未经过优化的模型进行对比。实验结果表明,优化后的模型能够有效避免BP神经网络易陷入局部最优解的问题,提高了预测的精度,为PM_(2.5)质量浓度的预测提供了一种新的参考方法。     

韶关市PM_(2.5)影响因素分析和预测研究

随着人们生活水平的不断提高,环境问题已成为备受关注的热点话题,其中最为突出的就是PM_(2.5)造成的雾霾天气.因此对环境中PM_(2.5)产生的影响因素进行分析和浓度的预测研究显得非常必要.从韶关市环境气象官方网站和天气网收集了2014-10-01至2015-05-31的相关数据,并对原始数据进行相关性分析、主成分分析和独立成分分析,建立多元回归模型,研究分析了PM_(2.5)与其他影响因素之间的关系.结合时间序列改进简单的回归模型,得到向量自回归平均模型.经过比较检验,认为向量自回归平均模型是最为理想的预测模型.     

温湿度及天气对Grimm180PM1.0和PM2.5的影响分析

颗粒物是大气中的主要污染物之一,也是引起环境、气候变化的重要因素,也可称入肺颗粒物。本文利用2013年香格里拉区域大气本底站监测的PM1.0、PM2.5质量浓度数据进行了简要分析,得出结论:PM1.0、PM2.5质量浓度逐月变化呈现明显的冬季、高夏季低的特征;降雨量与PM1.0、PM2.5的质量浓度呈现负相关;PM1.0、PM2.5质量浓度与气温正相关;降雨量和湿度与PM1.0、PM2.5的质量浓度成负相关。     

西安浐灞生态区降雨及气象环境因素对负氧离子浓度的影响分析

利用西安浐灞生态区空气负氧离子监测数据,分析西安夏季负氧离子浓度变化特征,研究降雨对负氧离子浓度变化的影响以及气象环境因素对负氧离子浓度的预报预测。研究显示:西安夏季浐灞生态区负氧离子月均值8月最高,无雨日负氧离子最大值常出现在深夜至凌晨时段;雨日负氧离子小时浓度与前0～3 h各时次的降雨呈直线相关关系(p0.05);中雨以上的降雨与负氧离子浓度的线性关系较小雨更显著,表明降雨能激增空气负氧离子浓度;空气负氧离子浓度与PM_(2.5)、PM_(10)、CO、日降水量、日均风速有显著相关性(p0.01)。通过逐步回归分析法,建立夏季负氧离子浓度的多元逐步回归预报模型(p0.01),拟合曲线与实际观测曲线基本一致。     

鲁西南地区静稳天气特征及其与大气污染物的关系

【目的】研究鲁西南地区静稳天气特征及其与主要污染物的关系。【方法】通过构建静稳天气综合指数,利用2014—2018年济宁、菏泽、枣庄三市的大气监测和气象资料,构建了鲁西南地区静稳天气指数(SWI),分析了SWI与空气质量指数(AQI)及PM_2.5浓度的关系,能较好地表征鲁西南地区大气对污染物的水平与垂直扩散及运输能力。【结果】济宁SWI与AQI相关系数为0.79,与PM_2.5浓度的相关系数为0.78;菏泽SWI与AQI相关系数为0.62,与PM_2.5浓度的相关系数为0.61;枣庄SWI与AQI相关系数为0.77,与PM_2.5浓度的相关系数为0.78。当SWI增大时,PM_2.5浓度与AQI值均增大;当SWI值减小时,PM_2.5浓度与AQI值均下降,其具备较好的对应关系。【结论】静稳天气指数的时间提前特征,说明静稳天气指数对下一日的空气质量具有一定的影响;静稳天气指数在空气质量发生转折时有较好的指示作用;静稳天气指数在一定程度上与大气污染程度的变化一致,且在一...     

衡阳市2019-2020年大气颗粒物潜在来源分析

利用HYSPLIT后向气流轨迹模型和GDAS全球资料同化系统数据，计算了衡阳市区域2019年9月至2020年8月逐时的72 h气流后向轨迹并进行了轨迹聚类，结合监测数据分析了大气污染物浓度受气流传输的影响规律，进一步采用潜在来源分析及权重浓度分析识别了污染潜在源区通过分析当地颗粒物质量浓度与风速、风向的关系，得到质量浓度风玫瑰图结果表明：衡阳市受东北方向气团影响显著，春、秋、冬三季途经河南—湖北—湘北传输至衡阳的气团为颗粒物主要外来传输通道，秋冬季颗粒物污染较严重，春夏季污染相对较轻秋季衡阳市大气受东北方向经安徽北部—湖北、江西交界—湖南东北部的中短距离传送的1类气团影响最为明显，占比高达73.72%PM2.5与PM10潜在源贡献区域相似，不同季节潜在源贡献区域有所差距，但大多集中在湖南南部、湖北中部、湘粤交界处等区域PM2.5与PM10不同季节的权重分布区域较为相似PM2.5与PM10质量浓度偏高现象通常发生在风速小于1.5 m/s时，AQI在风速较小和偏北风时数值更高     

基于PEARSON函数的AQI指数与气象要素关联性研究

基于2011—2018年洛阳地区AQI数据及主要污染物资料,分析了2011年到2018年洛阳地区的空气质量和污染物特征,探讨了洛阳地区AQI指数及污染物种类与气象要素之间的关系。结果表明:洛阳地区冬季AQI指数为一年中的最大值,夏秋季AQI指数最小;从2011年开始,AQI指数呈上升趋势,至2016年达到最大值后开始减小。洛阳市的主要污染物为PM2.5和PM10,且近年来冬季PM2.5和PM10的平均浓度呈上升趋势。温度和降水对污染物浓度的影响最大,但近三年来,温度变化对污染物浓度的影响效果开始减弱。总体来说,各气象要素与AQI之间存在紧密联系。     

离子色谱法测定雪中无机阴离子

采用单柱离子色谱法,以2.5m mol/L邻苯二甲酸+2.5m mol/L三羟甲基氨基甲烷为淋洗液分离测定F~-,Cl~-,NO_2~-,Br~-,NO_3~-和SO_4~(2-)六种离子及哈尔滨市降雪中的无机阴离子,在雪样中检测出Cl~-、NO_3~-、SO_4~(2-)三种离子,并对这三种离子进行了定量测定。     

集成学习在PM2.5预测中的应用研究

【目的】为了能实时预测PM_2.5的浓度。【方法】采用多种集成学习的方法进行模拟预测。传统的预测方式多采用深度学习或普通传统改进的机器学习算法，只考虑多种污染物浓度产生的影响，而忽略了其他气象因素对PM_2.5预测的影响。因此，传统的预测方式在预测精度上有着很多不足。【结果】本研究以哈尔滨近7年的气象数据和大气污染物浓度为数据集，通过皮尔逊相关系数法来提取主要特征，并过滤掉小于0.5的影响因子，同时使用多种集成学习方法对PM_2.5进行预测，观察不同集成学习方法对PM_2.5预测的准确度。【结论】试验结果发现，GBDT模型的拟合效果对新数据的泛化效果最好，其MSE为334.204 6、RMSE为18.281 3、MAPE为83.438 9、SMAPE为50.616 9。