南宁市PM_(2.5)浓度与气象因素的关系

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PM_(2.5)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PM_(2.5)的浓度值进行预测。结果表明预测模型拟合度最大达到了0.747,说明了该预测模型能够适用于南宁市空气污染物PM_(2.5)的监测和预报。     

南宁市一次严重空气污染期间颗粒污染物特征及气象条件分析

利用南宁市环境保护监测站2010年11月5日至12(污染个案期)在南宁市区振宁花园、市监测点、区农职院、大自然花园4个有代表性的国控环境空气监测点观测到的空气质量数据,分析颗粒污染物PM10和PM2.5的浓度变化及PM2.5的主要化学组分浓度,再利用广西气象服务中心观测的天气数据分析污染个案期的气象条件。结果表明:此次长时间空气污染重,南宁市大气中的颗粒物出现显著升高,颗粒物为此次诱发长时间空气污染物的首要污染因子,颗粒物中的组分以有机质OM和硫酸盐为主;观测时段内气象因素对空气污染存在重要影响,来自湖南方向的污染气团对南宁市的长时间轻微污染也存在一定影响。     

南宁市灰霾天气与空气污染物关系分析

根据2010年6月1日至2011年5月31日南宁市的环境监测数据和气象数据,分析南宁市灰霾天气特征,然后通过SPSS软件分析灰霾天气与能见度、颗粒物(PM2.5、PM10)浓度、气态污染物浓度和空气污染指数的关系,探讨南宁市灰霾天气与空气污染物的关系。结果发现,南宁市灰霾天气主要分布在秋、冬两季,PM2.5是直接造成南宁市灰霾天气的主要因子,PM10、SO2、NO2、CO和O3对灰霾天气的发生也有一定影响。PM2.5与PM10相关性最显著,与SO2、NO2相关性较显著,与CO相关性显著,与O3相关性不显著。     

重庆中心城区空气污染特征及气象影响因素分析

根据环境空气质量监测数据和气象观测数据,对重庆中心城区2013—2020年空气污染特征及气象影响因素进行了分析.结果表明:2013—2020年影响重庆中心城区空气质量的大气污染物主要为PM2.5和O3,重度污染日首要污染物基本为PM2.5;PM2.5污染和O3污染均呈现出明显的季节差异,PM2.5超标主要出现在初春、秋...     

基于Pearson相关指标的BP神经网络PM2.5预测模型

为了降低PM2.5设备预测成本,同时分析大气因素与污染物的相关性,选取O3、CO、PM10、SO2、NO2污染物指标预测PM2.5,之后加入温度、湿度、风力等大气指标,建立综合气象的指标体系,采用pearson算法对指标进行合并,用pearson相关指标的BP神经网络的方法再次对PM2.5做预测。对比实验证明,基于pearson相关指标的BP神经网络PM2.5预测模型在提高了预测准确率的同时降低了预测的时间复杂度,起到了降低PM2.5预测成本的目的。     

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....     

北京市空气污染与气象条件的关系及其预报

利用北京市2015-2017年逐日、逐小时w(PM_(2.5))、w(SO_2)和w(O_3)资料,及同期NCEP/NCAR的高分辨率全球预报系统数值预报产品,计算了相关空气污染气象参数,研究了北京市空气污染物质量浓度与气象条件的关系.采用逐步回归方法,建立了北京市空气污染物w(PM_(2.5))、w(SO_2)和w(O_3)的预报方程,并对预报结果进行了检验.结果表明,稳定能量和涡度与w(PM_(2.5))、w(SO_2)以正相关为主,与w(O_3)以负相关为主.低层平均风速和边界层厚度与w(PM_(2.5))、w(SO_2)以负相关为主,与w(O_3)以正相关为主.地面露点温度与w(PM_(2.5))、w(SO_2)和w(O_3)以正相关为主;在优选空气污染气象参数的基础上,利用逐小时空气污染物质量浓度资料和逐步回归方法,筛选了最佳预报因子,建立了北京市逐3 h的0～72 h短期精细化空气污染物质量浓度预报模型,能够拟合w(PM_(2.5))、w(SO_2)和w(O_3)随边界层气象条件的变化趋势.     

基于高斯扩散模型的京津冀空气污染研究

针对空气污染,以京津冀地区为主要研究对象,收集相关数据,使用贴近度分析、主成份分析、微分方程分析等方法,建立了空气质量等级评估模型、主成份分析模型、微分方程模型、多污染源地面点源扩散模型等,使用MATLAB、EXCEL等软件编程,得到不同时间点距离污染源不同处的污染程度,并通过主成份分析PM 2.5、PM10、CO、NO2、SO2这5个污染项目的数据得出的结论为PM2.5为京津冀地区首要污染物。     

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。     

AERMOD在内河港口规划环评中的应用研究——以南昌港为例

以内河港口规划环评为依托，在区域气象特征、地形参数、气象数据、预测因子、预测内容、评价标准、背景浓度、预测范围、预测周期等确定的基础上，以防尘率为75%和90%的2种情景分别估算2025年和2035年南昌港的粉尘排放量，采用AERMOD模型预测TSP、PM10、PM2.5在网格点和环境保护目标处长期气象条件和极端情况下污染物的日、年均浓度贡献扩散态势，分析粉尘排放对周边空气环境造成的影响。模拟结果为南昌港各港区强化散货堆场、装卸区的粉尘污染治理措施、加强作业管理等提供技术支持，并指导规划的优化调整。     

南京地区PM2.5和PM10浓度分布特征及与相关气象条件的关系

利用2014年12月至2015年5月南京市PM_(2.5)和PM_(10)的质量浓度以及天气观测数据,研究南京市颗粒物浓度空间、时间分布特征及其与相关气象因子的关系。研究表明PM_(2.5)和PM_(10)同季节内高度线性相关,时间分布具有明显的季节性差异;PM_(2.5)与风速呈负相关关系,与降雨清除量呈正相关关系;相对湿度达到75%左右时污染最严重。研究首次将其他污染气体和相关气象因子结合起来,用逐步回归法建立PM_(2.5)预测模型,能较好地拟合冬春两季PM_(2.5)变化趋势,较准确地反映南京市PM_(2.5)的污染特征,具有一定的理论和实用价值。     

宜昌市城区PM_(2.5)污染形成灰霾天气的规律研究

2012年选取与气象站点相邻的一个环境空气质量测点对PM2.5进行了研究性监测,测点距地面23m,全年PM2.5质量浓度在19~284μg/m3之间,年均质量浓度为89μg/m3,月均质量浓度最高的为1月.系统分析全年PM2.5监测质量浓度与相邻气象测点灰霾、能见度观测数据之间的关系,得到以下结论:宜昌市城区PM2.5污染质量浓度与灰霾观测值相关性不强,但与能见度的观测值显著相关;全年能见度降低受PM2.5污染的影响具有季节性,2、5~6三个月与7~9三个月及4、10~11三个月,这3组月份内的PM2.5与能见度之间的回归曲线基本一致,全年中3月份影响最大,而1月份最小,主要与气温、风速、降雨因素有关.     

南宁市空气中细颗粒物污染水平及其与气象因素的关系

分别于2010年1月和3月在南宁市城中心区的市监测站、文教区的区农校、工业区的英华嘉园、城市郊区的仙葫,应用自动监测仪器监测空气颗粒物的浓度,并分析监测站点位细颗粒物浓度随季节的变化及其与日平均气温、风速和降雨量等气象因素的关系.结果发现,1月份和3月份南宁市城市中心区域的细颗粒物浓度高于郊区的,城市区域范围内则以下风...     

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%。     

深圳PM2.5浓度变化趋势及其月尺度预测方法

基于深圳市环境监测站的PM2.5浓度数据以及深圳市国家气候观象台发布的月度气象监测公报,研究了2012年至2019年深圳市PM2.5浓度的变化规律,分析了PM2.5浓度与月尺度气候要素的关系,并利用多元线性回归分析法建立了PM2.5月均浓度的预测模型。结果表明：2012年至2019年深圳PM2.5浓度呈明显下降趋势,PM2.5浓度有季节性特征,干季(1~3月及10~12月)PM2.5浓度比较高,也是PM2.5污染防控的重要时段。月降水日数、月降水量以及月平均温度与PM2.5浓度的负相关较明显,偏北风频率与PM2.5浓度呈显著正相关,可一定程度上帮助预判月均PM2.5浓度。与前人研究结果相反,月平均相对湿度与PM2.5浓度呈显著负相关。包含气象因素项以及PM2.5浓度项的月平均PM2.5浓度预报模型拟合度较高,偏北风频率、月平均相对湿度是对月平均PM2.5浓度影响最大的气象因素。利用深圳市2020年数据对模型进行检验,结果证明方程对于月平均PM2.5浓度的预报有一定适用性,可较好预报PM2.5浓度月增量。     

长春市PM_(10)污染特征及与气象因素的相关分析

为了研究长春市PM10污染特征以及影响PM10浓度的因素,利用长春市PM10的实时监测资料,分析长春市PM10浓度的季节变化特征和污染程度.并利用同期的气象资料,建立PM10浓度和气象因素之间的多元线性回归模型,来进行两者之间的相关分析.采用逐步回归法,建立了"最优"回归方程,分析不同季节对污染物浓度有显著影响的气象因素,从而为长春市大气污染防治和雾霾天气预测提供科学依据.结果表明,长春市PM10浓度冬季偏高、夏季偏低、春季和秋季居中,2013年全年中1、4、10月份出现了不同程度的高污染现象,日平均浓度最高值达到591μg/m3.研究发现对长春市PM10有显著影响的气象因素主要有当日平均风速和最高最低气温温差.     

2014年1月济南市空气污染气象条件分析

为研究大气环流背景及气象条件对山东中西部PM2.5污染的影响,利用气象及PM2.5浓度资料,选取济南市作为典型代表城市,诊断分析了大气环流背景及气象演变过程对2014年1月济南市PM2.5浓度的影响,建立济南静稳指数公式。结果表明：2014年1月华东北部至华北南部地面至对流层中层风速均为负距平,水平方向污染扩散能力差,偏南风异常加强了南方水汽的输送,有利于气态污染物向颗粒态转化,推高了PM2.5浓度;对流层低层东亚冬季风异常偏弱,逆温增多,垂直方向污染扩散能力差;500 hPa异常高压,抑制了东亚大槽的发展,更加有利于污染物在底层的累积。天气演变过程分析表明：地面水平方向及高空垂直方向气象条件对PM2.5浓度均有影响,地面风速偏弱（偏强）,高（低）湿度,风场辐合（辐散）时,PM2.5污染偏高（偏低）;边界层高度降低（升高）,垂直方向气流下沉（上升）,对流层中低层大气层结不稳定增强（减弱）时,PM2.5污染升高（降低）。静稳指数对于空气质量及重污染过程具有较好的预报能力。     

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。     

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。