攀枝花市PM10、PM2.5污染特征及相关性分析

基于西南地区攀枝花市大气监测站5个站点的大气污染物数据,整理了2019年PM10和PM2.5质量浓度的变化趋势,分析了不同季节不同粒径颗粒物浓度的分布特征与气象因素之间的相关性.结果显示:2019年攀枝花市PM10、PM2.5的质量浓度年均值分别为52.8±16.2μg/m3和29.2±10.5μg/m3;由PM10与...     

贵州六盘水市PM2.5时空分布特征与植被覆盖相关性分析

以2017年PM2.5污染较为严重的贵州六盘水市为研究对象,分析PM2.5的月变化与季变变,探讨PM2.5污染来源与各个因子之间的关系。通过PM2.5与平均气温的相关性分析、PM2.5与平均植被指数的相关性分析,以月、季为时间尺度对六盘水市5的监测点(PM2.5)进行浓度变化分析。得出时间上六盘水市大气中PM2.5浓度变化具有季节性,季平均气温与季平均PM2.5呈负相关,各监测点(PM2.5)在冬季最高,各监测点平均PM2.5浓度达到55.16μg/m_³,夏季最低为22.59μg/m_³。季PM2.5浓度变化与季平均植被指数呈现负相关,植被覆盖的变化对大气PM2.5浓度变化有显著影响,在土地利用类型中耕地与领地的植被指数变化最大,土地利用类型当中的耕地与林地对大气中PM2.5浓度变化有显著影响。     

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.     

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.     

关于PM2.5的影响因素和解决办法

近年来,PM2.5逐渐成为我国大部分地区面临的首要大气问题,对人类的健康和大气环境都会产生严重的危害.因此,该文从GDP、产业结构、地理位置等PM2.5的可能影响因素入手,收集全国各省份143个城市2013年12月的PM2.5值和年总GDP以及产业结构比.并通过统计学软件(SPSS)对这些数据进行相关性的分析,以图表式的形式展现出来.分析图表,得到了不同省份的GDP与产业结构对PM2.5产生的影响的存在差异,从差异性入手,寻找相应的解决措施,达到因地制宜的目的.     

中国工业基地城市群PM2.5时空分布特征及相关性分析

为研究2014年中国四大工业基地25个主要城市的空气质量污染情况,对25个城市2014年1月~2015年2月的数据进行SPSS聚类分析,研究其整体分布情况,并应用统计学和GIS软件分析其主要城市大气颗粒物的污染分布特征,同时利用SPSS软件对大气污染物PM_(10)、SO_2、NO_2、CO、O_3和PM_(2.5)做相关性分析。结果表明:(1)25个城市PM_(2.5)年均质量浓度在32.94~100.23μg·m~(-3)之间,其中分布在40~70μg·m~(-3)之间的城市相对集中,占所有城市的68%,仅3个城市的PM_(2.5)年均质量浓度小于35μg·m~(-3);(2)PM_(2.5)季节变化特征大体表现为冬季秋季春季夏季,重度污染主要集中在12月和1月;(3)从空间分布上看,京津唐污染水平高于其他三个工业基地,珠三角污染水平最低;(4)四大工业基地城市群PM_(2.5)的浓度与PM_(10)、SO_2、NO_2、CO的浓度存在显著相关性。由于温度、气候等原因,在珠三角和长三角O3与PM_(2.5)呈正相关,而在京津唐和辽中南工业基地则呈负相关。     

泰安市PM10浓度变化特征及与气象因素的关系分析

根据泰安市2004-2007年PM10浓度资料和同期气象观测资料,分析PM10浓度的时间变化特征,通过相关分析得到影响PM10浓度的主要气象因素包括降水量、风速、相对湿度和气温.分析PM10浓度与各气象要素的关系:不同等级的降水对PM10污染有一定的清除作用,小于10 mm以下降水的湿沉降作用要好于10 mm以上的降水,特别是5-10 mm降水,PM10变化量最大,冬季降雨沉降效率最高;春季PM10与风速呈正相关,其他季节则相反;相对湿度小于40%时,PM10浓度与湿度呈正相关,相对湿度大于60%时,PM10浓度与湿度呈反相关;春季PM10浓度与温度的相关性要好于其他季节.     

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.     

PM2.5及气象要素对乌鲁木齐市臭氧的影响

利用乌鲁木齐市2016年12月～2017年11月臭氧(O_3)小时浓度数据,分析了乌鲁木齐市近地面O_3浓度变化特征以及PM_(2.5)和气象要素对O_3浓度的影响。结果表明,2016年12月～2017年11月乌鲁木齐市近地面O_3浓度均值为43.74μg·m~(-3),O_3-8 h浓度第90百分位数为119.98μg·m~(-3)。O_3日变化呈"单峰型",09:00为低谷,16:00达到峰值。臭氧浓度在5～9月相对较高,季节变化从高到低依次为:夏季、春季、秋季、冬季。O_3浓度与PM_(2.5)浓度负相关,高温低湿时二者相关性较高。O_3浓度与相对湿度负相关,与气温、日照时数、风速正相关。在低PM_(2.5)、高温、低湿、长日照时数及风速大于3 m·s~(-1)的气象条件下易发生O_3污染。     

长三角典型城市PM2.5浓度变化特征及与气象要素的关系

利用长三角地区4个典型城市南京、上海、杭州、合肥2014年4月1日~2015年3月31日的PM2.5监测数据,以及同期MICAPS地面气象要素的观测资料,对该地区PM2.5浓度的变化规律及其与气象要素的关系进行了分析和讨论。结果表明:长三角地区PM2.5浓度总达标率总体表现为夏季最高,冬季最低的态势。4个城市中,上海全年总达标率最高,杭州其次,合肥最低。上海和杭州达标率月变化特征相近,南京和合肥相近;PM2.5逐小时浓度日变化曲线呈现两峰一谷型分布,最大值均出现在早晨,最小值均出现在下午16~17时之间;月平均浓度具有明显的季节变化特征,冬季最高,夏季最低;PM2.5浓度与风速呈现显著现负相关关系,受地面风向影响明显,污染物在主导风的作用下从上游污染源扩散至下风区域;与气温呈现负相关关系;从全年来看,PM2.5浓度与相对湿度呈现负相关关系,高湿度状态更有利于降水从而增加PM2.5湿清除;各个城市PM2.5浓度与气压相关性很弱,并且未通过显著性检验,可见气压是影响PM2.5浓度变化的次要因素;降水对PM2.5清除作用明显。不同城市PM2.5的变化特征及其受气象要素的影响存在差异,主要是由不同城市的地理环境、产业布局以及污染源等因素造成的。     

2013-2016年夏季南京市臭氧和细颗粒物的污染特征及其相关性

为进一步理解南京地区大气复合污染现状,对2013-2016年南京市9个自动空气质量监测站点的夏季臭氧（O3）和细颗粒物（PM2.5）数据进行分析,分别探讨两者的时空分布特征,并探求两者之间的相关关系。结果表明：①O3的质量浓度处于上升状态,从2013-2016年南京市夏季臭氧平均浓度依次为58.1、65.8、79.3、81.8μg/m3,年均浓度增长率为8.45μg/m3,与之相反,PM2.5的污染程度明显好转,夏季平均浓度依次为45.2、65.7、38.5、31.2μg/m3,其中,2014年出现的高值与当年的气象条件有着密切联系;②O3的日变化特征为单峰型,一般在下午3点出现一天中的最大值,PM2.5的日变化呈现出不太明显的“W”型,两个谷值一般出现在凌晨和傍晚;③臭氧超标情况下的PM2.5浓度远远大于不超标情况下的PM2.5浓度,表明O3可以通过增强大气氧化性造成PM2.5质量浓度升高,两种情况下O3和PM2.5的相关系数的不同也进一步表明了这一点。     

南宁市PM2.5浓度与气象因素的关系研究

摘 要 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PM2.5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PM2.5的浓度值进行预测。结果表明预测模型拟合度R2值最大达到了0.747,说明了该模型预测效果良好并能够适用于南宁市空气污染物PM2.5的监测和预报。     

哈尔滨市大气中PM_(10)、PM_(2.5)质量浓度及金属离子分析

对哈尔滨市大气环境中的PM10、PM2.5进行了采集,并对质量浓度及离子成分进行了分析.实验结果表明,两种颗粒物均呈现了先减小后增大的特征,最高值出现在1月,质量浓度分别是178.85、130.10μg/m3,PM10在1、2、3、4、11、12月均超标,而PM2.5质量浓度则高出欧盟标准(15μg/m3)的2~8倍,另外,离子总质量浓度在8月达到了最低值,分别是42.73μg/m3和25.3μg/m3.PM10和PM2.5中离子成分占颗粒物总质量的比例均表现为中间高两边低的特点,最高含量出现在7月份,分别为67.7%和68.4%.根据相关系数的判别原则,PM10中表现为高度负相关的离子是Ca2+和F-、Ca2+和SO42+、Ca2+和NO3-;表现为高度正相关的离子是K+和Mg2+、K+和Cl-、M2+和Cl-、F-和SO42+、F-和NO3-、SO42+和NO3-,说明上述离子间有相似的污染来源.PM2.5中表现为高度正相关的离子是K+和Cl-、K+和SO42+、K+和NO3-、Mg2+和SO42+、F-和NO3-、SO42+和NO3-,与PM10中离子相关性规律不同.     

粤东三市PM2.5和PM10质量浓度分布特征

采用在线监测方法于2009年7月8日至22日在广东省汕头、潮州、揭阳三市各选择1个有代表性的空气质量监测点同步进行PM2.5和PM10监测。监测结果表明,粤东三市PM2.5和PM10质量浓度低于部分沿海城市;PM10与PM2.5的质量浓度日变化呈双峰分布,分别处在上午(6:00至10:00)以及下午(18:00至22:00)两个时间段;PM10与PM2.5日平均浓度变化呈周期性波动,周期约为3～4 d;对于粤东三市区域,PM2.5/PM10为0.5215,说明PM10中细颗粒物含量大于粗颗粒物含量。     

兰州市冬季大气PM10的微观形貌和粒度分布

利用高分辨率场发射扫描电镜（FESEM）和图像分析技术研究了兰州市区（东方红广场）2005年冬季大气可吸入颗粒物（PM10）的微观形貌、数量-粒度和体积-粒度分布特征。结果表明,兰州市冬季大气PM10主要包括燃煤飞灰、烟尘集合体、矿物和未知颗粒四种类型,其中燃煤飞灰在数量上占优势（61．7％）,烟尘集合体和矿物颗粒在体积上占优势（43．6％和41．4％）。在数量-粒度分布上,粒径小于0．3μm的PM10占总颗粒物数量的78．6％,以燃煤飞灰为主（55．7％）。在体积-粒度分布上,粒径1～5μm之间的PM10占总体积的53％,主要是矿物颗粒和烟尘集合体（31．1％和19．6％）。综上可见,2005年冬季兰州市大气污染以燃煤污染为主,是今后大气环境防治中的主要控制对象。     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

公园绿地及周边环境PM2.5浓度特征及影响因素

【目的】评价城市公园对降低大气PM_2.5质量浓度的作用,同时探讨环境因素对PM_2.5质量浓度的影响。【方法】以北京市北小河公园为研究对象,通过PM_2.5质量浓度监测仪测定公园绿地内、公园附近建筑室内及公园道路旁(开敞空间)的PM_2.5质量浓度,对公园及其附近建筑室内与道路旁PM_2.5浓度做差异对比分析,同时监测温湿度、风速及气压、车流量,以分析环境因素对PM_2.5质量浓度的影响。【结果】①公园及其附近建筑室内与道路旁PM_2.5浓度日变化趋势基本一致,呈现双峰单谷型,即早晚高、白天低。②无污染或轻度污染时,公园绿地PM_2.5质量浓度均低于道路旁及附近建筑室内,PM_2.5质量浓度分别降低了5.7%和6.9%,说明公园绿地对PM_2.5有一定的滞留作用; 中度污染天气条件下,公园内PM_2.5浓度同样低于道路旁与建筑室内,降幅分别为3.6%和7.3%,公园绿地对PM_2.5仍有一定的滞留作用; 重度污染质量条件下,公园内PM_2.5质量浓度略低于道路旁,降幅仅为0.3%,而比建筑室内升高了5.5%。③公园绿地PM_2.5质量浓度与温度、风速呈负相关关系,与相对湿度、气压呈正相关关系; 道路旁PM_2.5质量浓度与车流量呈正相关。【结论】在中度污染及以下环境空气质量条件下,公园绿地对PM_2.5有一定的滞留作用,说明公园绿地对PM_2.5滞留作用的发挥受一定的环境空气质量条件的制约。