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.     

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。     

空气中PM2.5浓度的灰色预测与关联因素分析

2013年1月开始,国内持续的大范围雾霾天气,将PM2.5问题推向了舆论热潮的顶峰.结合武汉市监测点的数据建立灰色预测GM(1,1)模型,并编写VB程序建立GM(1,1)系统,对未来短期PM2.5浓度变化进行预测,弥补了监测过程中缺失的数据.此外,根据武汉市空气质量监测数据和京津冀、上海、广东及全国其他地区的工业废气、粉尘排放量数据进行灰色关联度分析,得出CO,O3,NH3和NH4NO3与PM2.5浓度的相关性较强,从而为进一步研究PM2.5提供科学依据.     

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.     

近15a兰州市空气质量变化特征及沙尘天气影响

采用2002-2016年兰州市PM10、SO_2及NO_2质量浓度监测数据、空气质量指数和地面常规气象观测资料,统计分析了兰州市的空气质量变化特征及沙尘天气的影响.结果表明,兰州市空气重污染天数减少,空气质量呈好转趋势,首要污染物仍以PM10为主,其污染天数占总污染天数的89%.较重的空气污染主要出现在11-4月,尤其春季的沙尘天气对空气污染有重要影响.兰州市每3～4 a会出现一个沙尘天气多发年, 3类沙尘天气以浮尘为主;沙尘天气的月、季分布特征明显, 90%以上的沙尘天气出现在春季.沙尘天气的PM10年均质量浓度最高,为非沙尘天气的1.2～5.4倍,平均为2.6倍;沙尘天气的PM2.5年均质量浓度比非沙尘天气高2.4倍, SO_2和NO_2的年均质量浓度差别不大.沙尘天气对兰州市PM10月均质量浓度贡献率较大的月份为3、4月,对PM2.5月均质量浓度贡献率较大的月份则持续至5月. 14 a间3类沙尘天气对PM10日均质量浓度的平均贡献率均为正值,对SO_2和NO_2,除沙尘暴对SO_2的贡献率为正值外,其余均为负值, 2013-2016年浮尘对PM2.5日均质量浓度的平均贡献率为110%,扬沙对PM2.5的平均贡献率为-30%.不同强度的沙尘天气对兰州市空气质量的影响体现在细颗粒物和粗颗粒物上有差异.     

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...     

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.     

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....     

北京市大气PM2.5的季节特征和空间趋势（英文）

近年来,北京地区雾霾污染事件频发,大气PM2.5污染引起国内外强烈关注.利用北京市35个PM2.5监测站自2012年10月开始发布数据至2013年9月的小时观测数据,对其时空变化特征进行了分析.结果表明:(1)35个站点的平均PM32.5浓度为88.6μg/m;(2)PM2.5浓度与风速等气象要素关系密切,低浓度通常出现在大风天或者大风过后的紧邻时段,重污染天通常风速小,相邻天的PM2.5浓度可相差几倍甚至十倍以上;(3)PM2.5浓度随季节变化较大,1月和6月份较高,4月、8月和11月相对较低;(4)PM2.5浓度随站点类型变化明显,交通环境站点的平均浓度高于城市环境评价站点(可超过10%);(5)北部PM2.5浓度低于东部和南部,而与河北交界的南部和西南地区浓度为全区最高;(6)PM2.5浓度由北到南整体上呈线性增加趋势,每向南10 km,PM2.5平均浓度升高4.6μg/m3(R2=0.89),南部PM2.5平均浓度接近北部2倍;(7)PM2.5平均浓度存在一定的局部变化,但相邻站点变化幅度一般在20%以内.     

大气污染期间北京住宅室内外空气中PM2.5的浓度水平

由于2012~2013年北京大气环境质量整体较差,且多天的PM2.5日均浓度值超过0.500 mg/m3。鉴于此,为了解大气污染期间住宅室内外PM2.5的浓度水平,于2014年4~5月对北京市内4所住宅A、B、C和D的室内外PM2.5浓度分别进行了随时间变化的同步测试,并对其浓度水平及影响室内PM2.5的因素进行了分析。结果表明：(1)测试期间4所住宅中,B、C和D住宅室内外PM2.5的平均浓度均高于0.075 mg/m3,室外PM2.5平均浓度分别为0.143 mg/m3、0.122 mg/m3和0.124 mg/m3,室内PM2.5平均浓度分别为0.129 mg/m3、0.089 mg/m3和0.104 mg/m3;(2)在室内无明显污染源或污染源强度相对较低时,较高的室外PM2.5浓度对室内PM2.5浓度水平起主导影响;(3)吸烟和烹饪对室内PM2.5浓度影响较大,开、关窗时间及室外PM2.5浓度水平影响室内PM2.5的衰减时间;(4)北京市朝阳区2014年测试的住宅A、B和2015年同期测试的住宅Z1的室外PM2.5平均浓度分别为0.037 mg/m3、0143 mg/m3和0.028 mg/m3,2014年开始实施的《北京市大气污染防治条例》使2015年北京市室外空气质量有所改善。     

基于BP神经网络的郑州市PM2.5数据预测

空气中含有PM2.5质量浓度的高低,会对人体的身体健康产生很大的影响。根据近几年郑州市的空气质量具有明显污染的特点,提出在MATLAB软件上建立神经网络模型。通过调整参数,构建训练模型仿真并检验,以实现对PM2.5数据的预测。基于郑州地区2014年1月至2015年2月的数据实验结果表明,该模型在预测环境空气PM2.5数据方面具有很好精确性,在有效提出防治城市空气污染措施方面具有很好的现实意义。     

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.     

太阳黑子数平滑月均值的混合预测模型

提出一种太阳黑子数平滑月均值的混合预测模型.通过最大Lyapunov指数得到太阳黑子数平滑月均值时间序列的最大可预测周期,结果表明太阳黑子数平滑月均值序列的最大可预测周期为42个月.太阳黑子数平滑月均值时间序列中包含着线性与非线性的成分,利用自回归滑动平均模型对线性成分进行预测,将太阳黑子数平滑月均值的实际值与自回归滑动平均模型的预测值作差值得到仅含有非线性成分的残差序列,利用具有良好非线性预测能力的回声状态网络预测残差序列,并通过人工蜂群算法来确定回声状态网络预测模型的最佳参数.将自回归滑动平均模型预测值与回声状态网络预测的残差相加,得到太阳黑子数平滑月均值的最终预测值.通过第23太阳活动周的太阳黑子数平滑月均值的预测表明提出的预测模型具有较高的预测精度.同时,对第24太阳活动周的太阳黑子数平滑月均值进行了预测,结果表明第24太阳活动周将在2020年2月结束.     

2014-2017年除夕期间燃放烟花对南昌市空气PM2.5的影响

文章根据中国空气质量在线监测分析平台PM2.5污染物监测数据,定量评估南昌市2014-2017年除夕期间集中燃放烟花爆竹对大气PM2.5质量浓度的影响。结果表明:南昌市2015年除夕的降雨有效抑制了燃放烟花爆竹引起的对大气PM2.5浓度的增高速率。南昌市2014年、2016年和2017年除夕燃放烟花爆竹对大气PM2.5的贡献量分别为65.8、102.9、21.2μg/m~3,燃放烟花爆竹对空气中PM2.5的质量浓度增加显著。限制烟花爆竹的燃放可显著提升南昌市除夕期间的空气质量。     

2014-2017年除夕期间燃放烟花对南昌市空气PM2.5的影响

文章根据中国空气质量在线监测分析平台PM2.5污染物监测数据,定量评估南昌市2014-2017年除夕期间集中燃放烟花爆竹对大气PM2.5质量浓度的影响。结果表明:南昌市2015年除夕的降雨有效抑制了燃放烟花爆竹引起的对大气PM2.5浓度的增高速率。南昌市2014年、2016年和2017年除夕燃放烟花爆竹对大气PM2.5的贡献量分别为65.8、102.9、21.2μg/m~3,燃放烟花爆竹对空气中PM2.5的质量浓度增加显著。限制烟花爆竹的燃放可显著提升南昌市除夕期间的空气质量。     

基于滑动窗口和LSTM的PM2.5浓度预测模型

随着环境空气质量日趋重要,PM2.5浓度也逐渐受到重视.以北亡市某空气质量监测站2010.1.1～2014.12.31的PM2.5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PM2.5前后关联性很强这一特点,将数据进行基二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PM2.5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.     

基于灰色关联分析指标筛选的RBF神经网络-马尔可夫链的空气质量预测模型

根据天津市空气质量监测数据及实际情况,应用RBF神经网络-马尔可夫模型对天津市空气中物浓度进行预测.首先,分别以SO2、NO2、PM10为参考序列,应用灰色关联理论选出关联度较高的因F神经网络的输入节点.其次,应用RBF神经网络对各污染物浓度进行预测,并利用马尔科夫模型修值,可使修正值更加接近实测值.以SO2为例,RBF神经网络的平均相对误差为1.797%,应用马尔可正后的平均相对误差为1.035%,验证了该方法的可行性.     

重庆市环境空气质量综合评价研究

环境空气质量对当地居民的生活和幸福指数至关重要。空气质量越来越受到政府的关注。本文对重庆市环境空气质量进行综合评价研究,具体分析了重庆市2013—2018年环境空气质量的状况及变化趋势。收集重庆市2013—2018年主要环境空气污染物(PM2.5、PM10、SO_2)的月度统计历史数据平均浓度监测数据,按照《环境空气质量标准》(GB3095-2012)中的二级标准,用空气综合污染指数评价法和空气污染负荷系数法分析其变化特征和环境空气质量影响因素。结果表明,2013—2018年大气PM2.5月度浓度大多超过平均年浓度限值,PM10浓度月度均值也大多也超标,SO_2均达标。相关的整改措施使得大气中PM2.5与PM10均呈浓度下降状态,SO_2基本呈稳定状态。年内变化显示,各污染物的浓度季节变化非常明显,污染物浓度从高到低的顺序大体为冬季、春季、秋季、夏季。全市的综合污染指数呈下降趋势,空气污染程度显著降低,空气质量不断变好。研究结果可为相关部门提供一定的参考。     

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。     

北京市夏季大气不同粒径气溶胶中 碳质及质量重建研究

对北京市城区2012年夏季大气气溶胶进行PM2.5和PM10石英膜采样,利用热光反射法得到了有机碳(OC,organic carbon)和元素碳(EC,elemental carbon)的含量;应用Stelson方法,结合其质量浓度、元素含量可溶性离子含量对气溶胶质量浓度进行了质量重建与比对.日平均质量浓度结果显示,PM2.5中,OC浓度ρ(OC)为19.4μg·m-3,EC浓度ρ(EC)为3.8μg·m-3.PM10中,ρ(OC)为22.3μg·m-3,ρ(EC)为4.1μg·m-3.OC、EC相关性显著(PM2.5,R2=0.77;PM10,R2=0.91).PM10中有87%的OC和94%的EC集中在PM2.5中.PM2.5和PM10中OC/EC比值分别为5.1和5.7,明显大于2,说明存在二次有机碳.PM2.5和PM10重建值和称质量值相关性R2分别为0.95和0.94,重建值和称质量值比值分别为93%和97%.