校园3种植被类型对春季空气PM2.5含量的影响

为了研究植被与空气质量的关系,以中原地区河南大学金明校区内裸地、针叶植被和阔叶植被为例,采用DES-8空气监测仪实测空气指标,并分析了春季空气指标在晴天与阴天状况下的差异。分析结果表明:阴天状况下,针叶植被的空气PM2.5含量为70.56μg·m~(-3),显著高于阔叶植被(36.23μg·m~(-3))和裸地(24.62μg·m~(-3));相反,晴天状况下,针叶植被的空气PM2.5含量(24.67μg·m~(-3))则显著低于阔叶植被(51.95μg·m~(-3))与裸地(70.62μg·m~(-3))。此外,阴天状况下,空气PM2.5含量与空气温度呈负相关,而与空气相对湿度呈正相关;晴天状况下,两种关系则相反。     

景德镇市2019年PM2.5质量浓度变化特征及其与气象要素的关系

分析了2019年景德镇市气象台观测站监测年PM2.5质量浓度的特征及与本地各气象因子的关系,主要结论如下:景德镇市的空气质量良好,2019年优良率达100％.呈波动变化,以1月、12月最大,2月最小.有明显日变化,夜间较白天大,18:00—24:00为年PM2.5质量浓度最高时段,14:00—17:00为年PM2.5质量浓度最低时段.与气象因子有明显的关系,主要表现在与降水、气温的反相关,有降水时较无降水时的质量好,中雨以上较小雨的质量好,有降水且有大雾时空气质量最好.这些可为景德镇市大气污染防治、生态文明建设提供支撑.     

高校寝室空气质量检测评价系统的研究

高校学生大部分时间生活在寝室里,空气质量的好坏直接影响他们的健康,该文利用模糊理论对寝室空气质量影响因素进行分析,建立了一套寝室空气质量评价体系,并设计一种自动检测室内空气质量评价系统,对主要异味进行实时测定并向寝室学生反馈空气质量状况,对于空气污染严重的给予报警提示,帮助他们及时改善室内环境,这对他们的健康成长具有重要的意义。     

一种新型室内空气质量检测仪的设计

为了普通民众能够准确得知室内空气污染状况,设计了一种涉及室内甲醛(HCHO)、氨(NH3)和苯(C6H6)这三种气体浓度的新型室内空气质量快速检测仪.该仪器主要通过气体传感器得到对应气体浓度的微弱电流信号,再通过一种新型的高精度信号处理电路和基于FPGA的模数转换电路得到对应气体的初始浓度值,结合室内环境气压、温湿度情况和修正算法得到更准确的浓度值.该仪器还具有浓度超标报警、测量数据打印输出等功能及检测精度高、速度快、稳定性好、携带方便等优点.     

基于云模型的PM_(2.5)污染程度评价

空气污染问题是近期公众关注的焦点问题.考虑污染因子PM2.5污染程度的模糊性和随机性,采用武汉市130个以PM2.5为首要污染物的AQI数据,利用云模型建立了空气质量评价体系,并用于PM2.5污染程度评价.以PM2.5指数88为例,评价其属于良好等级的隶属度区间为[0.64,0.87],属于轻度污染等级的隶属度区间为[0.03,0.13],最终评价为良好等级,与国家标准一致,但信息表达更充分.结果表明:采用云模型进行空气污染程度评价,实现了空气质量分级评估随机性与定性语言表达模糊性的统一,更符合人类对事物的认知规律.云模型评价空气质量是国家评价标准的有益补充.     

不同测试环境对车内空气质量水平的影响研究

通过在蒸发密闭舱、环境模拟舱和真实环境中的静置试验,以及在高速公路和市区路段实际道路上进行的动态试验,定量研究了在不同测试环境下环境本底浓度、环境温度和车辆通风模式等因素对车内空气质量水平的影响。     

居民空气污染暴露健康风险实时动态评价的研究进展

空气污染已经成为世界各国和地区面临的主要环境问题和公共卫生问题之一。确定特定时空条件下的空气污染水平，实时动态评估空气污染健康风险成为当前研究的热点。本文对空气污染暴露健康风险评价的已有研究进行综述，并提出一种提高其时空分辨率的研究思路。首先结合模型方法来提高环境浓度数据的时空分辨率，然后基于手机信令数据为暴露评价提供实时动态的暴露路径和微环境的暴露浓度，最终利用实时动态的暴露浓度替代常规评价中的环境浓度，实现居民空气污染暴露健康风险实时动态评价。     

基于非线性修正策略的空气质量预警系统研究

建立科学、有效的空气质量预警系统,对于保护人们的身体健康和促进社会和谐稳定具有重要的科学价值和实际意义.为此,本文首先利用孤立森林(isolationforest,iForest)算法进行空气质量指数(air quality index,AQI)离群点分析,然后建立了一种空气质量预警系统,该系统由数据预处理模块、优化模块、预测模块和修正模块构成,融合了时变滤波经验模态分解(time varying filtering based empirical mode decomposition,TVF-EMD)、改进的蝴蝶优化算法(modified butterfly optimization algorithm,MBOA)、离群鲁棒极限学习机(outlier robust extreme learning machine,ORELM)和非线性修正策略,该预警系统成功地实现了空气质量的有效预警.同时,以污染程度不同的5个城市作为实验地点对预警效果进行检验,结果表明:1)与经验模态分解(empirical mode decomposition,EMD)相比,TVF-EMD可以更为有效地降低原始数据的非线性和非平稳性特征;2)基于MBOA的误差非线性修正策略比其他误差修正策略更胜一筹,可以显著提高预警系统的性能;3)建立的预警系统的性能要优于其他对比模型,可以对污染程度不同的城市进行有效预警.