南宁市PM2.5浓度与气象因素的关系研究

摘 要 空气污染主要与污染源的排放、气象条件、地形地貌三方面因素有关。对南宁市空气质量指数与气象因素的关系进行研究,进一步探究空气污染的主要污染源PM2.5与气象因素之间的关系,分析了促进空气污染发生的气象条件。并在此基础上建立多元线性模型对空气污染物PM2.5的浓度值进行预测。结果表明预测模型拟合度R2值最大达到了0.747,说明了该模型预测效果良好并能够适用于南宁市空气污染物PM2.5的监测和预报。     

基于空气质量指数AQI的空间自相关特征分析——以福建省为例

以福建省9个地级市为研究对象，运用时间序列模型、全局空间自相关分析、K-medoids聚类及相关分析等研究方法，探索福建省各地级市空气质量指数的空间自相关特征。研究结果显示，相比秋冬两季，各地级市春夏两季的空气质量相关性较低，具体表现为，春夏两季各地级市莫兰指数（Moran's I）显著较低 。以空气质量指数AQI的6个空气质量分指标作为聚类标准进行研究，发现福建省地级市的空气相关性区分为两大类。进一步对AQI进行相关性分析，发现AQI与PM10、PM2.5、NO2分指标高度相关，由此说明，空气微粒与NO2是福建空气污染的主要来源。空气质量季节上的分布差异，可以为政府准确地制定治理方案提供有力证据。     

空气质量指数及其含量的极值模型分析

选取北京市2016年1月～2018年3月的日空气质量指数数据,建立广义Pareto分布模型分析空气质量指数的超阈值序列,利用轮廓似然估计确定精确的参数置信区间,得到重现水平和中度、重度、严重污染天气发生的概率.将极值理论与相关结构Copula相结合,建立二元超阈值模型对空气质量指数含量PM2. 5与PM10之间的极值相关性进行了研究,结果显示其中一个超限值的条件下另一个也超过限值的概率很大,两者具有较大的尾部相关性,它们的叠加作用加重了空气污染的程度.     

黔江城区大气环境质量与气象要素的关系研究

采用"十二五"期间黔江城区大气观测数据,结合多元统计分析方法,研究了气象因子与空气污染指数(API)及PM10,SO2,NO2的质量浓度变化特征关系.结果表明:气象因素对空气质量变化产生一定影响,降水对改善空气质量作用明显,日降水量为24mm时,API下降值达到最大,日降水量持续达到49mm以上时,净化作用减弱.气压、温度、湿度对API,PM10质量浓度影响较大;风向、风速对API、污染物质量浓度影响程度不大,风向在低风速区对空气质量变化产生一定影响.相关分析表明,降水对API,PM10的相关性分析具有统计学意义(p0.05),对SO2,NO2影响的相关性分析极具统计学意义(p0.01);气压、温度、湿度、风速、风向对API,PM10,SO2,NO2影响的相关性分析极具统计学意义(p0.01).因子分析表明,气压、温度、湿度、风速对黔江城区大气质量影响较为明显.     

基于多元时间序列的哈尔滨市PM2.5影响因素分析

为探究哈尔滨市PM2.5与其他空气污染物和气象因子间的动态关系,基于哈尔滨市2013-2018年日值空气质量数据和气象观测数据建立PM2.5质量浓度的多元时间序列模型.利用相关性较强且平稳的空气污染物(包括SO2,NO2,PM10,CO和O3)和气象因子(平均气温、极大风速、累计降水量、日照时数和平均气压)建立PM2....     

近十几年上海空气质量变化动态及主要污染指标间的相关性分析

分析了近20年来上海空气质量的变化情况,同时研究了总悬浮颗粒物(TSP)浓度与降尘量相关性,可吸入颗粒物(PM10)浓度与降尘量、二氧化硫(SO2)、二氧化氮(NO2)浓度相关性,以及酸雨频率与SO2、NO2浓度相关性.发现上海空气质量优良率、TSP,PM10,SO2和NO2浓度以及全市区域降尘量等指标均呈波浪式改善趋势,但酸雨频率和酸度呈恶化趋势.城区和全市TSP浓度与城区降尘强度、城区PM10浓度与全市区域降尘量及城区NO2浓度间均表现出极显著的相关关系.城区PM10浓度与道路降尘量关系不如与全市区域降尘量密切,与城区SO2浓度之间无显著相关性.全市酸雨频率与城区SO2浓度在1990~1999年有极显著相关性,在2000~2013年无显著相关,在1997~2013年与城区NO2浓度无明显相关.有效降低降尘量将是降低TSP和PM10浓度的有效手段之一;严格控制城市机动车等NOx排放量,是控制城区PM10污染的有效手段之一.     

基于多变量混合长短期记忆神经网络的长沙PM2.5预报模型

为了提高PM2.5浓度预报准确率,基于长短期记忆（LSTM）神经网络构建多变量混合预报模型（hLSTM）,利用空气质量数据、气象数据和日期时间信息对长沙10个空气质量监测站未来24小时PM2.5浓度进行逐小时预报,并对模型精度进行评估。结果表明：hLSTM逐小时PM2.5预报模型误差随预报时效的增加呈现前陡后缓逐步增大,均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）分别从1 h的6.53 μg·m-3、4.03 μg·m-3和16.02%增大到24 h的20.62 μg·m-3、13.56 μg·m-3和47.34%;模型误差存在明显的季节性差异,呈现冬季>秋季>春季>夏季的特征;相较于基于决策树（DTs）、循环神经网络（RNN）和普通LSTM的预报模型,hLSTM模型能更好地提取长沙PM2.5浓度数据的时序特征,达到更高的预报精度;利用hLSTM模型对长沙2019年12月13日~16日重污染天气过程PM2.5浓度进行预报,各时效的预报结果均能反映污染过程中PM2.5的变化趋势,其中3 h内的预报结果与观测值吻合程度较高。可见hLSTM可较好提取长沙PM2.5浓度变化特征,为其短临预报提供一种新思路。     

太原和吕梁环境状况比较分析

以太原市和吕梁市为研究对象,通过对2015—2018年两市各空气质量相关数据的分析,探讨了两市污染物浓度变化趋势。分析得出:PM10和NO2对空气质量的贡献值比较大;根据综合指数判定,太原市空气质量劣于吕梁市;4类污染物浓度呈现各自的变化特征。     

浅谈季节变化对洛江区环境空气质量的影响

PM10是洛江区空气污染的首要污染物,该文以2007年～2011年洛江区PM10例行监测数据为基础,研究空气质量与季节变化的关系.结果表明,洛江区的空气质量变化具有明显的季节特征,秋夏空气质量较好,春冬空气质量较差.     

河南省供暖期大气污染特征及预测分析——以郑州市为例

近年来河南省大气污染问题引起社会的广泛关注,但有关供暖期间大气污染方面的研究相对较少.以郑州市为例,分析郑州市供暖期间大气颗粒物的浓度变化并进行预测,对提高当地空气质量具有重要意义.基于2014-2016年郑州市空气质量监测数据和同期气象数据,利用SPSS相关分析和BP神经网络模型,分析郑州市供暖期间PM2.5、PM10的超标情况、日变化特征,探究气象要素对PM2.5和PM10的影响,最后预测AQI指数的变化.结果表明:2014年供暖期郑州市空气质量相对较差,PM2.5和PM10平均质量浓度超标率最高;2015年供暖期郑州市空气质量相对较好,PM2.5和PM10平均浓度变化幅度较大;2014-2016年供暖期间郑州市PM2.5和PM10浓度具有明显的日变化特征,呈现双峰型变化;2014-2016年供暖期郑州市PM2.5、PM10与日均气温相关性不显著,与日均风速呈显著负相关,与日均相对湿度呈显著正相关;当供暖期郑州市主导风向为正西风时,污染天气出现频率较低;利用BP神经网络预测2016年AQI的精度较高,预测值与实测值相关系数为0.85.     

石家庄市采暖期空气质量特征及其与气象条件的关系

为确定石家庄市采暖期易引发大气污染的气象条件,通过对石家庄市2016—2018年采暖期的空气质量逐日监测数据,以及同期气象观测资料进行研究,分析了石家庄市采暖期的空气质量变化特征,探讨了影响环境数据变化的主要气象要素,筛选并确定了PM_(10)、PM_(2.5)、AQI的污染气象指标。结果表明:石家庄市采暖期内所有天数均为非一级天,其中污染日较多,占69.58%,以PM_(2.5)为首要污染物的天数最多,其次是PM_(10);PM_(10)、PM_(2.5)、SO_2、NO_2、CO浓度与气温、变压、风速和混合层高度负相关,与相对湿度正相关(SO_2除外),O_3与气象要素的相关性和上述五种污染物相反;气象要素对大气环境影响的排序为:相对湿度风速混合层高度水汽压变压气温;确定的三种污染气象指标准确率分别是70.37%、70.37%、72.97%。     

呼和浩特市大气污染特征及气象条件影响分析

为了解呼和浩特大气污染防治效果,选取呼和浩特市2017—2022年的主要大气污染物、气象要素数据,对污染物浓度的年、月变化、浓度比值、相关性进行分析,利用后向轨迹聚类对2020年3月进行分析。分析结果表明：呼和浩特市2017—2022年空气质量为优、良的天数呈上升趋势。各污染物浓度年变化特征明显,各污染物的浓度变化趋势除O₃均呈“U”形分布。PM_2.5、PM₁₀污染是呼和浩特市大气污染主要研究对象,PM_2.5/PM₁₀的值有明显的月变化特征,5月份为全年最低值。PM_2.5和PM₁₀高度相关性,而NO₂和SO₂与PM_2.5、PM₁₀均呈现正相关性。受气象要素影响,PM_2.5和PM₁₀污染物浓度变化趋势为夏低冬高,7、8月降雨量大,有利于空气质量改善,降水可带走、稀释更多的污染物。而后向轨迹聚类分析得4条气团...     

PCA-BP模型下皖北城市群PM2.5浓度分析

为探究皖北城市群大气污染物在不同地域、不同时间下的分布规律以及影响空气中PM2.5浓度的相关变量,结合2018-2021年安徽省生态环境厅统计数据及相关地域资料,采用主成分分析(PCA)法按时间段长短及季节性变化分别选取月度数据与年度数据对空气质量的影响因子做相关性分析,对比分析不同季节下空气污染物PM2.5、PM10的浓度及其它空气污染物的变化,构建基于PCA算法的反向传播神经网络 (BP),建立PCA-BP模型并采用交叉-验证法提高模型精度,对大气中的污染物PM2.5浓度做短期预测。实验结果表明:PM2.5浓度的主要影响因子为PM10、CO、NO2、SO2;皖北地区PM2.5含量整体在冬季偏高;预测模型的精度在夏季与秋季较高,冬季较低,四季的预测精度R2分别达到0.924、0.958、0.935、0.794。     

环境空气质量标准修订后城市空气质量变化趋势及污染特征分析 ——以济南市为例

2012年环境空气质量标准修订后,大气污染物监测指标与频次发生变化,在一定程度上影响了城市空气质量评价及污染特征判定。为进一步促进城市空气质量改善,为地方环境管理与决策提供科学支撑,通过运用统计分析、趋势检验及相关分析等方法研究了济南市执行新环境空气质量标准后,各时段城市空气质量及6项污染物浓度变化趋势,在此基础上识别了空气污染特征。结果表明：自2013年起,PM10、PM2.5浓度不断下降,SO2、CO持续达标,近3年间全市无污染天数占50%左右;从季节变化来看,冬季大气污染最为严重,夏秋两季空气环境质量较好;PM10、PM2.5与NO2长期处于超标水平,O3污染愈加严重。可见济南市环境空气质量虽日趋改善,但以PM10、PM2.5和O3污染为代表的复合型大气污染特征已经形成。     

建立变系数部分线性固定效应模型分析PM2.5与其他空气污染物的相关关系

以陕西省西安市13个空气观测地点的污染物观测资料为依据，运用统计学分析方法，建立了研究大气污染物PM2.5的浓度与包括当天和前一天SO2、NO2、PM10、CO、O3在内的11个观测指标在空气中浓度相关关系的模型。首先通过做散点图和计算相关系数来确定PM2.5和所选解释变量间相关关系，继而根据结果建立变系数部分线性固定效应模型，同时估计模型中各参数，并对模型中线性部分做变量选择，从而近一步优化所建立的模型。最后，将改进后模型的计算结果与实际情形对比分析，证实本文所得结论与实际情形相符合，表明所建模型良好。     

郑州市PM2.5和PM10中水溶性无机离子的污染特征

于2009年10月至2010年8月间采集郑州市大气颗粒物PM2.5与PM10样品,对其质量浓度及水溶性离子进行分析研究.结果表明：PM2.5在秋、冬、春、夏四季的质量浓度的平均值分别为134.9、121.6、77.9和102.0μg/m^3,PM10在秋、冬、春、夏四季的质量浓度的平均值分别为193.2、184.0、140.9和140.5μg/m^3,日均值超标率分别达77.8%和59%.PM2.5和PM10质量浓度呈现很好的相关性,春季粗粒子在PM10中的比例相对较高,而秋、冬和夏季细粒子是PM10的主要组成部分.主要的水溶性离子是SO4^2-、NO3^-和NH4^＋,大部分以（NH4）2SO4和NH4NO3形式存在;NO3^-和SO4^2-质量比小于1,说明采样期间郑州市大气以固定排放源污染为主.     

COVID-19疫情不同阶段管控措施对大气污染物浓度的影响研究

2020年COVID-19疫情席卷全球，在我国疫情的集中爆发区和局部散发区均采取了严格的管控措施.论文采用2015年1月—2020年9月我国国控环境监测站点6种大气污染物(CO、SO2、NO2、O3、PM10、PM2.5)月均浓度值结果，分析了疫情管控措施对集中爆发区和后续局部散发区内大气污染物浓度的影响.结果显示在实施严格管控的疫情集中爆发期，湖北省内6种大气污染物中NO2浓度的减小最为明显，浓度变化与省内采取管控措施及复产复工的时间一致性较好.在2020年2月—4月的管控期间内，NO2各月均浓度值相较于前5年对应月份平均浓度均有显著减小，复工复产后逐渐恢复.SO2、PM10、PM2.5在管控期的部分月份也有显著下降，而CO月均值浓度亦出现了近6年来对应月份的最低值，但持续时间都相对较短.选用对管控措施表现最为明显的大气污染物指标NO2，持续监测了后续疫情局部散发区管控措施对其浓度的影响.吉林市、北京市、乌鲁木齐市等管控措施超过20天以上的散发区在其疫情管控期内均表现出了NO2浓度的显著降低.而确诊人数较少、扩散范围小的大连市、德宏傣族景颇族自治州瑞丽市由于管控时间较短，则未出现明显变化.证实了NO2浓度对人为活动强度的变化有直接的响应关系.     

拉萨市几种空气污染物浓度变化与气象要素之间的关系分析

文章利用2000年6月至2005年12月拉萨市几种主要污染物SO2、NO2及PM10的浓度逐日监测数据,以及风速、风向、降水、水平能见度及太阳总辐射量等资料,分别对拉萨市几种主要污染物浓度与同期气象要素之间的关系进行了分析,并针对冬夏气候特点,分析了夏半年、冬半年拉萨市NO2污染物浓度与太阳总辐射量的相互关系。结果表明：拉萨市空气质量总体上保持良好水平;三种污染物浓度与降水强度呈显著负相关;SO2和NO2浓度与风速呈负相关,与风向变化不大,而PM10与风速、能见度呈正相关关系;在干（冬）季时,NO2的浓度值要比湿季时略高,且NO2浓度值与太阳总辐射量之间呈负相关。     

Mass Concentration of Particles(PM)in Urban Environment of Changsha, China

Continuous measurement of ambient PM10 was performed by TEOM at a university campus for about one year from 20 November 2007 to 29 October 2008 in Changsha city of Hunan province.Indoor PM10 and PM2.5 concentration were measured by DustTrak simultaneously in order to describe the difference in con-centration level and daily variations of particle mass concentration between different seasons, and to survey the influence of ambient particle on indoor air quality.During the survey period,the annual average PM10 concen-tration was found to be 117.63 μg/m3.with a mean value 121.88 μg/m3 in winter and 111.50 μg/m3 in spring.The temporal trend changed quickly from time to time,and the peak values were found in rush hours and in the evening.Ambient PM10 showed a good correlation with indoor PM10 and outdoor PM2.5 but not with indoor PM2.5.These results showed that PM10 was influenced by local source(such as traffic or fuel burn-ing)and regional source.The correlation analysis has shown that ambient PM10 contributes substantial fraction to indoor PM10 but not to indoor PM2.5,which indicates other source may exist in the indoor environment.     

中原城市群重点城市首要污染物日变化特征及成因分析

中原城市群重点城市是我国大气污染较为严重的区域之一。利用2017年河南省各地市环保局国控站点和地面监测站提供的首要污染物浓度和气象要素24h连续监测数据,分析得到2017年首要污染物占比和首要污染物浓度的日变化特征,采用相关分析法和主成分回归分析法得到各首要污染物之间的相关性及气象因子对首要污染物的影响。结果表明,2017年中原城市群重点城市首要污染物主要由PM2.5、PM10和O3组成;一天中,PM2.5呈双峰变化,主峰值出现在8:00-9:00,次峰值出现在22:00,谷值出现在下午16:00;PM10小时浓度呈三峰变化,主峰值出现在9:00,次峰值出现在1:00和21:00左右,主谷值出现在15:00,次谷值出现在0:00和5:00;O3小时浓度呈单峰变化,峰值出现在15:00,谷值出现在7:00左右;PM2.5在低温、高压、中等偏高的湿度、较弱风的条件下利于积累,PM10在低温、高压、中等偏高的湿度、较弱风的条件下易于积累,O3在高温、低压、中等偏低的湿度、强风的条件下易于生成与积累;对PM2.5、PM10浓度影响最大的两个气象因子是气温和气压,对O3浓度影响最大的两个气象因子是风速和气温。