PM_(2.5)浓度对能见度影响分析

利用江苏省环境监测中心大气多参数站对PM2.5浓度、能见度和散射系数的连续监测,结果表明,空气中的PM2.5浓度越高,散射系数越大,从而导致能见度越小。     

武汉市PM_(2.5)与主要大气污染物浓度间相关性分析

通过分析武汉市PM_(2.5)与SO_2、NO_2、CO、O_3浓度间的相关性,得到PM_(2.5)与SO_2、NO_2、CO间存在正相关性,与O_3间存在负相关性,并对存在这种相关性的原因进行了解释,同时对PM_(2.5)与SO_2、NO_2、CO间的上尾相关系数进行了估计。估计结果表明:SO_2、NO_2、CO、O_3浓度的急剧上升会加剧PM_(2.5)的产生,最后对武汉市治理PM_(2.5)提出了建议。     

西安节日期间PM_(2.5)及其重金属浓度变化特征

采用Mini Vol便携式采样器采集西安北稍门、格物楼和南斗角村2015年元旦、劳动节及节日前后各两天大气颗粒物样品,并利用电感耦合等离子体光学发射仪(ICP—OES)测量元素As、Cr、Cu、Mn、Ni、Pb和Zn的含量,分析节日浓度变化特征.结果表明,元旦期间,PM_(2.5)浓度表现为节假日大于节前及节后;南斗角村大气中PM_(2.5)浓度于三个采样期间内均低于其他两个点.大气PM_(2.5)中Cu、Pb和Zn浓度变化与PM_(2.5)一致;As、Mn和Ni含量变化较小;Cr浓度呈现显著上升的趋势.七种重金属空间表现不完全一致.劳动节期间,由于降雨影响,大气PM_(2.5)浓度表现为节假日期间最小,三个采样点空间差异相比元旦减小.细颗粒中重金属Cr、Ni、Pb和Zn与其PM_(2.5)的浓度变化一致;而As、Cu和Mn呈现逐渐递减趋势.空间表现为,BSM大气PM_(2.5)中Cu、Pb和Zn较高;其他四种重金属表现为在NDJC大气细颗粒物中浓度较高.     

丰台区PM_(2.5)中二次水溶性无机盐离子浓度分析

在2019年3月至2020年2月间,每月的10-16日和雾霾天气利用采集器将空气中的PM_(2.5)富集在石英纤维滤膜上,送地方机构进行检测.研究北京市丰台区大气污染中二次水溶性离子(SNA)SO_4^(2-)、NO_3(2-)、NO_3^-和NH_4-和NH_4⁺浓度的变化,为丰台区大气污染的研究和治理提供数据支撑.结果表明SO_4+浓度的变化,为丰台区大气污染的研究和治理提供数据支撑.结果表明SO_4^(2-)、NO_3(2-)、NO_3^-和NH_4-和NH_4⁺三种离子在2019年3月至2020年2月之间各月份浓度有显著差异,且均在2月份产生峰值.但只有NO_3+三种离子在2019年3月至2020年2月之间各月份浓度有显著差异,且均在2月份产生峰值.但只有NO_3^-的浓度在不同季节间差异明显(P<0.05).由NO_3-的浓度在不同季节间差异明显(P<0.05).由NO_3^-/SO_4-/SO_4^(2-)的春秋冬季比值均>1,夏季比值<1.可见,SO_4(2-)的春秋冬季比值均>1,夏季比值<1.可见,SO_4^(2-)、NO_3(2-)、NO_3^-和NH_4-和NH_4⁺浓度各月份之间的差异具有统计学意义,但只有NO_3+浓度各月份之间的差异具有统计学意义,但只有NO_3^-在不同季节间浓度变化明显.丰台区春秋冬季以流动源污染为主,夏季流动源污染不明显.     

北京冬季室内空气中TSP,PM_(10),PM_(2.5)和PM_1污染研究

人们每天2/3以上的时间在室内度过,室内空气中可吸入颗粒物对人体健康的影响越来越受到国内外研究人员的广泛关注.在我国,虽然人们对大气中细粒子的研究比较系统、深入,然而对室内环境中可吸入颗粒物的研究、报道却很少.作者在北京市的海淀区、朝阳区、丰台区和昌平区选择了19个家庭,分别对其厨房、客厅和卧室的室内空气中TSP,PM10,PM2.5和PM1的浓度进行了测定,并且对室内空气中粉尘含量的影响因素进行了分析和探讨.     

上海城区PM_(2.5)精细化空间分布插值方法研究

PM_(2.5)是我国大中型城市的主要污染物之一,已成为多学科领域的研究热点.基于监测点的监测数据无法直接获取城市内部空气污染的高分辨率空间分布情况,以上海市中心为研究区,引入土地利用回归(LUR)模型模拟PM_(2.5)质量浓度的高分辨率空间分布情况.双变量相关分析表明,与PM_(2.5)质量浓度分布相关性最强的地理变量分别是国控点2 000 m缓冲区内的道路长度、2 500 m缓冲区内的建筑面积、2 500 m缓冲区内的绿地面积、500 m缓冲区内的水体面积以及人口密度.基于以上变量,用多元线性回归分析建立PM_(2.5)质量浓度空间分布的LUR模型.在研究区内建立1 km×1 km格网,用LUR模型模拟各格网交点的PM_(2.5)质量浓度,再通过空间插值分析得到上海市PM_(2.5)质量浓度的空间分布模拟图.结果表明,PM_(2.5)模拟质量浓度存在明显的空间梯度差异,整体呈现西部高东部低的格局,并由人口密集区域向四周递减.人类活动是影响PM_(2.5)质量浓度分布的主要原因,模拟结果与实际情况相符.     

济南市PM2.5来源的解析

采集济南市环境空气样品和污染源样品,分析其化学成分.采用化学质量平衡(Chemical Mass Balance,CMB)源解析技术,研究探讨济南市环境空气中PM2.5的来源.结果表明:对济南市有明显贡献的颗粒物源类是煤烟尘、机动车尾气尘、土壤尘、扬尘、建筑尘、钢铁尘、硫酸盐和硝酸盐等,并且城市区域尘大于外来尘的贡献,各源类PM2.5贡献值和分担率的季节变化较明显.     

PM_(2.5)中多种金属元素测定及分布特征研究

建立了用电感耦合等离子体发射光谱法测定PM2.5中金属元素的分析方法.采用微波消解系统处理样品,该前处理方法操作方便,样品消解较完全;确定了适宜的仪器工作条件;方法检出限在0.8～12.7 μg/L,回收率在94.7%～106.5%,元素测量误差在标准物允许的范围之内.该方法具有快速、准确和多元素同时测定等特点.对某市的测定结果表明,该市PM2.5的主要污染来源是人为源,其中主要是燃煤尘和冶金尘.     

基于滑动窗口和LSTM的PM_(2.5)浓度预测模型

随着环境空气质量日趋重要,PM_(2.5)浓度也逐渐受到重视。以北京市某空气质量监测站2010.1.1～2014.12.31的PM_(2.5)浓度的小时数据以及对应的气象数据作为样本进行实验。首先对数据进行预处理,考虑到PM_(2.5)前后关联性很强这一特点,将数据进行基于时间的滑动窗口处理以利用数据的时序性,然后对各气象因子进行皮尔逊相关分析,构建了5层长短期记忆(LSTM)网络模型,引入了学习率指数衰减方法,来预测1 h后的PM_(2.5)浓度,并将其与Lasso回归、支持向量回归(SVR)模型、XGBoost模型对比,发现构建的LSTM模型预测效果最好。     

南宁市大气颗粒物PM_(l0)、PM_(2.5)污染水平

为了初步调查南宁市大气中颗粒物PMl0、PM2.5的污染水平 ,于2002年春、夏、秋、冬4季在南宁市的5个典型城市功能区 ,采集了85个样品.结果表明 ,南宁市PMl0、PM2.5 的污染很严重 ,超标率为82.5 %、92.5% ,而且对人体健康危害更大的PM2.5 占PM10 的大部分 ,约为63.5 % ,且重污染区PM2.5 浓度超过轻污染区近一倍 ,应引起公众和相关职能部门的高度重视.     

武汉郊区农村民用生物质燃烧PM2.5排放特征

选取武汉市木兰乡的木柴、竹子、油料作物秸秆(大豆秸秆和花生秸秆)4种当地典型民用生物质进行炉内燃烧实验,对燃烧排放的细颗粒物(PM_(2.5))进行采集和分析。结果表明,不同生物质的PM_(2.5)排放因子相差较大,油料作物秸秆的PM_(2.5)排放因子明显高于竹子和木柴,并且木柴的PM_(2.5)排放因子随含水率增加而增大。碳组分是4种生物质燃烧烟气PM_(2.5)的主要成分,TC占PM_(2.5)的55. 55%～87. 91%。油料作物秸秆的TC排放因子最高达5. 61 g/kg,为木柴的12. 5倍。油料作物秸秆有机碳/元素碳(OC/EC)比值最高达10. 69,远远高于木柴燃烧烟气PM_(2.5)的OC/EC比值(1. 88),表明油料作物秸秆燃烧对二次气溶胶形成具有重要影响。4种生物质燃烧烟气PM_(2.5)中重金属元素Cr、Mn、Ni、As、Cd、Pb的排放因子有较大差异,其中油料作物秸秆的重金属排放因子均明显高于木柴。研究表明,当地普遍使用的木柴的燃烧烟气PM_(2.5)及其碳组分和重金属的排放因子远低于其他3种生物质,且干木柴的排放因子明显低于湿木柴。因此,建议当地村民使用风干状态下的木柴进行炊事活动,对油料作物秸秆利用其他方式处理,以减少对大气环境的不良影响。     

基于Hadoop的PM_(2.5)遥感监测系统设计与实现

遥感定量反演的对象为多源遥感数据,处理过程不可避免地涉及到海量数据处理、信息提取和分析.遥感反演既是计算密集型,同时又是数据密集型的科学应用.随着反演理论和技术的发展,地表遥感模型复杂化,数据量呈爆炸式增长,相应地对计算能力的要求也越来越高.同时,随着我国空间技术的不断发展,卫星数据正以指数级的形式迅速增长,对相关应用系统的存储和计算能力也提出了很高的要求.基于以上原因,采用云计算框架,利用Hadoop平台设计该PM_(2.5)卫星遥感监测系统.其中,第一部分介绍了整个系统的架构设计,自上而下包括四个部分;第二部分对该系统的核心算法进行了详细的阐述,利用HDFS和MapReduce分别实现了对海量数据的冗余存储和并行化处理;第三部分进行了性能分析及实例测试,通过详细的对比,可以发现MapReduce并行计算在很大程度上能够提高系统的运行效率;最后对本系统进行总结和展望.通过对"高分一号"卫星数据获得的PM_(2.5)产品进行加速比分析,验证了系统具有高处理效率和高可用性等优点.     

北京PM10质量浓度与总体理查逊数的关系

为了研究总体理查逊数对可吸入颗粒物 PM₁₀ ( particulate matter with aero-dynamic diameter smaller than 10 μm) 质量浓度的影响, 对2007年11月北京南郊观象台的PM₁₀质量浓度资料、地面气象自动站资料和常规无线电探空资料进行了分析。统计分析软件采用 SPSS15.0( Statistical Package for Social Sciences 15. 0) 。分析结果表明,在北京地区以稳定层结为主的条件下, PM₁₀质量浓度与地面气象要素和总体理查逊数存在很好的规律性。PM₁₀质量浓度与风速和相对湿度显著相关, 相关系数分别为 - 0. 65 和 0. 69, 通过 α= 0. 01 显著性检验; PM₁₀质量浓度与地面至450m层的总体理查逊数存在显著的对数形式非线性关系, 决定系数 R2= 0.42。非线性回归方程的独立样本预测检验显示回归模型可以用于根据无线电探空资料对PM₁₀质量浓度进行预测。     

上海常见绿化树种叶片上PM_(2.5)干沉降速率及影响因素

利用城市的绿化和植被来削减大气中细颗粒物(PM2.5)污染,是城市应对大气污染的措施之一.本研究首先通过强风吹脱的方法,在不同季节测定了上海市15种常见园林树种叶片表面的PM2.5干沉降速率,并且对各植物叶片的蜡质含量、表面粗糙度和表面自由能等参数进行了测定,建立回归模型,研究植被滞尘能力与植物叶片自身特性的关系.结果表明,广玉兰、圆柏和罗汉松等树种的叶片具有较高的PM_(2.5)干沉降速率,滞尘能力较强;叶片蜡质含量、表面自由能色散分量、表面自由能极性分量、轮廓算术平均偏差(Ra)这4项指标对于常绿树种的滞尘能力具有显著影响;叶片的表面自由能极性分量对落叶树种具有显著性影响;各指标对针叶树种都不具有显著影响.因此,为提高植物对大气的净化作用,可选滞尘能力较好用针叶树种的和紫叶李、广玉兰以及槐等阔叶树种.     

基于MODIS数据的郑州地区PM_(2.5)时空分布特征分析

卫星观测不仅能反映全球尺度的大气污染状况,也能从城市等区域尺度上监测大气污染物的变化.本文基于2004-2013年MODIS气溶胶标准产品,利用PM_(2.5)卫星遥感估算的统计模型,统计分析了郑州地区的PM_(2.5)质量浓度的年际及季节变化特点,有助于深入研究郑州地区细颗粒物污染水平变化.研究发现,在空间上,郑州地区PM_(2.5)高值区主要集中在郑州市市辖区、中牟县、新郑市、荥阳市以及巩义市西北等地区,低值区主要分布于登封市和巩义市南部的山地地区.在时间上,2004-2011年整个郑州地区PM_(2.5)质量浓度总体呈现逐年增长的趋势,直到2011年达到峰值(108.59μg/m3).2011年之后,该地区PM_(2.5)污染状况有所好转,但仍处于重度污染状态.季节变化方面,PM_(2.5)高值通常出现在冬季(149.28μg/m3),秋季次之,春、夏季该地区PM_(2.5)质量浓度较低(81.71μg/m3).研究结果表明,利用卫星数据可以有效地分析郑州地区的PM_(2.5)时空分布特征,为该地区的PM_(2.5)污染治理提供有力的数据和技术支撑.     

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.     

武汉经济技术开发区冬季大气中PM_(2.5)的组成及污染特征

测定了武汉经济技术开发区冬季大气中PM_(2.5)的质量浓度,并用IC和XRF技术对PM_(2.5)中的几种水溶性阴离子和无机元素进行了测定和分析。结果显示:监测周期内,武汉经济技术开发区冬季空气中PM_(2.5)的浓度范围是26.00~321.28μg/m~3,平均值为158.78μg/m~3,大大超过PM_(2.5)的国家空气质量二级标准限值(75μg/m~3);水溶性阴离子是PM_(2.5)的重要组分,PM_(2.5)中4种水溶性阴离子浓度大小顺序为NO_3~->SO_4~(2-)>F~->Cl~-,4种离子总和占PM_(2.5)总量的36.85%,13种无机元素总和占PM_(2.5)总量的25.08%;PM_(2.5)中NO_3~-与SO_4~(2-)的平均比值为1.22,NO_3~-与SO_4~(2-)的相关系数高达0.957 1,表明两者有一定的同源性,同时也说明武汉经济技术开发区冬季大气污染中移动源的贡献大于固定源;元素富集因子分析显示,Ti、Cr、Ni、Zn、As富集程度较高,富集因子均大于10,Ni富集因子大于1 000,Fe和Ni、Fe和Cr的相关系数分别是0.833和0.846,表明这些元素主要受人为污染源的影响。     

时间精度与空间信息对神经网络模型预报PM2.5浓度的影响

以北京市为例, 利用2015—2018年空气质量监测站台资料, 通过BP神经网络、LSTM网络及CNNLSTM混合模型等多种模型, 分析时间精度和空间信息对PM_2.5浓度预报的影响。结果表明, 神经网络模型的效果普遍比多元线性回归模型好; 增加输入数据的时间精度能显著地提高 PM_2.5浓度日均值预报的准确率; 当输入数据的时间精度从一天提高到6小时后, LSTM模型的平均绝对误差从27.39 μg/m³降至20.59 μg/m³, 这种效果的提升在显著变好和显著变差的天气情况下更明显; 华北地区PM_2.5浓度分布有明显的时空特征, 第一空间模态为同增同减, 第二空间模态为南北反向; 北京市PM_2.5浓度与内蒙古、河北及天津等地区前一天的PM_2.5相关。利用CNN-LSTM混合模型学习华北地区PM_2.5的时空信息, 能进一步提高北京市PM_2.5浓度的预报水平, 使得误差降低至17.36 μg/m³。     

北京地区PM10质量浓度与边界层气象要素相关性分析

对北京市2007年观象台观测站PM₁₀质量浓度资料、观象台气象自动站资料、风廓线资料和探空资料进行了数据分析。结果表明, 在污染物源强一定的条件下, 污染物的积累、稀释、扩散和清除主要取决于气象条件。近地面风速、温度、湿度、气压和边界层高度等气象条件对于可吸入颗粒物的污染程度有着很重要的影响: PM₁₀质量浓度与地面风速、温度、湿度、气压和大气边界层高度呈显著相关性, 并且相关性随季节变化明显。其中, 6月PM₁₀质量浓度与地面风速和大气边界层高度呈负相关性, 而与温度呈正相关, 11月则与温度成负相关; 风速与PM₁₀质量浓度之间的相关性可以用二次多项式来描述, 二者呈“U”形变化。另外由11月份PM₁₀质量浓度资料的分析表明, 当月PM₁₀质量浓度最小值对应的风速为4.1 m/s。