PM2.5简介及福州市PM2.5污染分布特征

该文介绍了PM2.5细粒子污染重要的空气质量指示意义.利用2010年～2011年福州市PM2.5观测资料,分析了福州市细粒子污染的分布状况、主要特征及与气象条件的关系.结果表明:福州市PM2.5年平均浓度接近新标准规定的35ug/m3,污染程度较轻;月平均浓度峰值出现在5月,谷值出现在7月;季节分布高低排序为春季＞冬季＞秋季＞夏季,春季污染最严重,一级超标率达72.7％,夏季最轻;日分布呈单峰型,中午前后浓度最高;PM2.5浓度月季分布特征明显,说明PM2.5浓度变化与天气条件关系密切.     

长沙市PM2.5浓度时空分布特征及影响因子分析

为分析长沙市PM2.5浓度时间变化特征、空间分布特征及其影响因子,利用数据统计分析、克里金空间插值技术、地理探测器等方法与Arc GIS平台表达,选取长沙市中心城区10个监测点2013—2019年PM2.5日变化数据.结果显示:在PM2.5浓度时间变化特征方面,不同季节中,PM2.5浓度表现出冬季>秋季>春季>夏季的季节特征,不同时段中,各季节PM2.5浓度日均小时变化曲线均大致呈双峰形态;在PM2.5浓度空间变化特征方面,PM2.5浓度的高值区主要分布在中部芙蓉区,整体呈城区向郊区逐渐递减的变化规律.根据地理探测器研究结果发现,2017年长沙主城区PM2.5浓度主要受气温、降雨和风速因子影响,其次是道路、相对湿度、气压和人口密度,高程、植被和餐饮因子影响较小;且任意两个影响因子共同作用均会对PM2.5浓度影响增强.     

火电行业怎样治理PM2.5

在以往以牺牲环境为代价的经济发展模式的带动下,全球空气质量越来越差,由此导致的灰霾、光化学烟雾事件越来越多,尤其在我国近几年这样的空气污染事件已经常态化,其中的罪魁祸首就是PM2.5,而火电行业是产生PM2.5的最主要行业之一,因此关于火电行业如何治理PM2.5已经成为当前政府和科研工作者面临的巨大挑战。本文简述了在当前火电行业治理PM2.5的主流技术,并对其未来的发展进行了展望。     

PM2.5变化趋势的联合多重分形分析

PM2.5是造成雾霾天气、降低能见度,影响交通安全的主要因素。首先基于主成分分析法分析得出PM10最能影响PM2.5浓度变化,再利用联合多重分形探究不同城市的PM2.5与PM10之间的关系。从而得出西安市及伦敦市的PM2.5和PM10之间的关系具有一致性,即PM10浓度偏低时PM2.5也偏低,而PM10浓度偏高时PM2.5却偏低。无论PM10浓度如何变化,相对而言,伦敦市PM2.5浓度波动更剧烈些。     

京津冀主要城市与背景地区PM2.5分布差异

利用大气污染物监测数据及高分辨率再分析资料,将时空差异性量化与污染物来源分析相结合,利用城市与背景地区间的污染物质量浓度差与气象要素的相关关系,分析外源输送和本地排放对城市空气污染的贡献.京津冀地区城市大气污染较严重且季节变化明显,背景站点空气质量好且全年稳定少变.主要城市与背景站点的污染物质量浓度变化同步性秋冬季高,...     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

PM2.5对环境的影响及治理对策

PM2.5是指大气中颗粒物直径小于2.5微米的漂浮物,也称可入肺颗粒物,因其富含大量的有毒、有害物质且可在大气中停留时间长、流动距离远的特点,造成对人体健康损害及环境的污染。本文主要对PM2.5的主要来源、及其对环境及人体健康的影响进出阐述,提出相应的治理对策。     

基于六旋翼无人机的PM2.5低空测量系统

研究PM2.5低空的分布规律对大气污染综合治理提供科学依据具有重要意义。针对目前不便获取低空PM2.5分布数据的情况,开发一套用六旋翼无人机搭载设备进行低空测量的系统。该系统将空中采集的PM2.5数据与机上GPS数据进行融合,并存储到SD卡;同时通过无线将数据实时传回地面,地面站利用基于VC++编写的PC数据监测软件实时监控测量情况。测量结果表明,无人机能够准确稳定的按照规划的航线进行飞行测量,采集数据高效完整。初步测量表明,在5月底在至6月初,南昌地区0~150 m垂直方向上PM2.5的浓度大小无明显变化。     

基于时间序列变化的PM_(2.5)质量浓度趋势分析

PM2.5即直径小于2.5 um悬浮于空气中的可吸入颗粒物,被人体吸入后,可直达肺部干扰气体交换。文章利用PM2.5监测网每小时更新的实时数据为依据、实地考察所得的监测站地理环境、天气及其他影响因素,研究了以日、周、月为时间间隔的PM2.5质量浓度变化趋势。结果表明,PM2.5质量浓度变化趋势为冬高夏低、日变化较大、且年质量浓度呈现马鞍形双峰值趋势,是一个具有周期变化的非平稳时间序列。     

空气中PM2.5问题的研究

利用曲线拟合的方法建立了空气中PM2.5浓度以及质量的预测和评价的高斯扩散模型。模型考虑了数据相对于风力、湿度、时间的变化情况、数据之间存在着相互联系,对未来西安市PM2.5的情况进行了合理的预测。通过曲线拟合和非线性回归并利用统计软件SPSS,数学软件MATLAB、1stOpt 1.5以及绘图软件Sufer进行编程计算,给出了问题的解答:西安地区PM2.5的浓度从一月到四月逐渐降低。对西安市13个监测点四个月的PM2.5的浓度分区进行了初步污染评估:小寨和临潼区属于中度污染区;高压开关厂、兴庆小区和纺织城等9个监测点属于重度污染区;高新西区和草滩属于严重污染区。     

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。     

西安地区PM2.5扩散预测评估简

选取西安为研究对象,通过建立能够刻画该地区PM2.5发生和演变（扩散与衰减等）规律的数学模型,完成对该地区污染扩散预测评估.通过采用PCA方法确定西安地区PM2.5的扩散中心,并构建线性抛物型方程对一般情况下的扩散进行刻画,针对突发情形,即当PM2.5浓度最高点处增至2倍时,采用高斯模型对数据进行扩散的预测和评估,计算出PM2.5的污染扩散范围.最后通过比较完成对该地区的污染预测评估.?更多还原     

我国典型区域PM2.5化学组分特征及来源解析

京津冀、长三角、珠三角三大都市圈是我国经济发展较快的地区,GDP比重占全国40%左右,经济相对发达,人口相对稠密,污染相对严重,而PM2.5一直是大气环境中的主要污染物。近年来国内学者主要是针对PM2.5质量浓度水平、时空分布、化学组分等方面进行了研究。文章对这三个地区大气颗粒物PM2.5化学特性以及来源进行比较分析,有助于提出对PM2.5的一系列控制措施。     

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....     

非线性扩散与小波变换的混合图像去噪算法

在分析小波变换与非线性扩散之间联系的基础上,针对Haar小波变换阈值收缩去噪的不足,提出了基于非线性扩散与小波变换相结合的复合去噪算法。该算法对图像一次小波变换的3个高频先进行阈值收缩,然后对低频进行非线性扩散预处理,再进行非线性扩散。通过对比分析实验证明本模型在图像去噪中取得较高的峰值信噪比,取得了更好的图像去噪性能。     

大连市2016—2017年PM2.5质量浓度时空 分布特征研究及相关性分析

以大连市为研究区域,基于2016—2017年大连市9个国控自动空气质量监测站的PM_(2.5)质量浓度逐小时监测数据,整理、筛选得到52 029个有效样本数据,探讨PM_(2.5)质量浓度时空分布特征,分析其年、季节、月份、日均值变化规律,进行PM_(2.5)质量浓度与SO2和CO的相关性分析.结果表明:2017年较2016年PM_(2.5)质量浓度有所下降,1a中浓度由高到低的季节依次是冬、春、秋、夏.PM_(2.5)质量浓度月均值呈V型分布,2016年和2017年最大值分别出现在12月和3月,最小值均出现在8月.日变化呈多峰型分布,峰值出现在早高峰8:00前后及夜间22:00.各站点月均值变化趋势大体一致,均呈V型分布.位于工业区的站点PM_(2.5)质量浓度都相对高于居民区,位于海边和郊区的居民区PM_(2.5)质量浓度相对低于市中心的居民区.PM_(2.5)质量浓度与SO_2和CO均呈现极显著相关性,Pearson相关系数分别是0.584和0.730,说明工厂废气排放及机动车尾气排放对空气质量产生了不容忽视的影响.     

威布尔分布的316L不锈钢扩散焊接头断裂时间

根据316L不锈钢扩散焊接头高温短时拉伸试验和多次模拟蠕变试验的经验,在高温蠕变持久强度试验机上对试样进行蠕变试验,记录试样蠕变变形量与断裂时间.利用威布尔分布的参数评估方法,确定出两参数威布尔分布的各个特征量.运用威布尔分布模型及可靠性评定方法确定出316L不锈钢扩散焊接头在高温下的平均断裂时间.     

上海重霾期PM2.5碳质组分污染特征及来源分析

基于Sunset碳分析仪对上海城区冬季重污染期PM_(2. 5)中的有机碳(OC)和元素碳(EC)浓度展开为期一个月(2014年12月1日～31日)的小时分辨率在线连续监测,并采用优化的最小R2算法对二次有机气溶胶(SOC)含量进行了估算。观测期间的PM_(2. 5)、OC和EC的平均浓度(mean±1σ)分别为(67. 5±40. 5)μg·m~(-3),(9. 9±4. 8)μg·m~(-3),(3. 1±1. 7)μg·m~(-3),其中总碳TC占PM_(2. 5)质量浓度比重为32. 2%。OC/EC的平均值为3. 5,SOC的浓度(2. 4±2. 3)μg·m~(-3),占OC比重为24. 5%。EC浓度的日变化与车流量一致,呈现出显著的早晚高值,表明机动车是上海EC的主要污染源。SOC浓度在午后达到极大值,说明光化学反应是SOC形成的重要过程。对采样期间的一次典型污染事件(15日20:00～16日5:00)进行来源分析发现,来自于生物质燃烧输送和机动车一次排放的贡献较少;而SOC占OC的比重明显高于非污染期间,表明二次成核是雾霾期有机气溶胶污染的关键过程。