华北平原地区PM2.5浓度时空变化特征及其影响因素研究

为揭示华北平原地区P M2.5污染的总体情况,并为华北平原地区大气环境污染防治提供有效依据,采用标准差椭圆和局部空间自相关等方法,运用2000—2018年华北平原地区PM2.5浓度遥感反演数据,分析华北平原P M2.5浓度的时空变化特征,并使用地理探测器对其浓度变化的影响因素进行研究.结果表明:①华北平原地区的P M2...     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

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。     

沈阳地区相对湿度与PM2.5浓度对能见度的影响分析

通过对2014—2015年沈阳市大气细粒子质量浓度数据和气象资料进行统计处理,得到PM_(2.5)和相对湿度分别与能见度之间的相关性。结果表明:相对湿度(RH)和PM2.5浓度都对能见度呈显著负相关,相比于PM_(2.5)对大气能见度的影响,相对湿度和大气能见度的相关性较高,虽然PM_(10)对大气能见度也为负相关,但其影响极弱(R=-0.06);当RH≥80%的区间内,大气水平能见度随着相对湿度的逐渐上升而迅速降低,表明在此RH区间内,RH是影响大气能见度的主要因素;在RH80%的区间内,细粒子的质量浓度与大气能见度之间的相关性高于RH80%区间内的相关性,而且二者呈高度的幂指数对应关系。尤其是在相对湿度在70%~80%的区段内,二者的相关性明显比其他相对湿度区段强;最后当细粒子的质量浓度在小于60μg·m~(-3)的区间内,大气水平能见度随着细粒子质量浓度的降低而迅速增加,但当ρ(PM_(2.5))大于60μg·m~(-3)的区间内,细粒子的质量浓度对大气能见度改变并不显著。     

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。     

张家界市旅游旺季PM2.5质量浓度的变化特征

为了探讨大气污染物对旅游活动强弱的反应机制，以典型生态旅游城市张家界市2017年旅游旺季时段4个空气质量自动监测站点的PM_2.5质量浓度数据为研究对象，采用消除趋势波动分析方法探讨PM_2.5的周末效应.结果表明，永定新区、电业局和未央路站点的PM_2.5质量浓度的波动日变化曲线基本一致，表现出双峰型，波峰分别出现在13：00和22：00左右，而袁家界站点与它们相比，存在明显差异；永定新区和电业局站点工作日的PM_2.5质量浓度略高于周末，而未央路和袁家界站点周末的PM_2.5质量浓度高于工作日.为了进一步探讨PM_2.5质量浓度变化的内在规律，对各站点PM_2.5质量浓度序列进行消除趋势波动分析，发现各站点PM_2.5质量浓度序列均表现出明显的长期持续性特征，且城区站点的长期持续性存在拐点，而景区站点和临近景区站点的不存在拐点，推测可能是景区受旅游活动干扰较多而致.     

PM2.5浓度湍流特征和通量获取的实验研究

利用PM_2.5质量浓度测量仪E-Sampler的1 Hz高频采样功能, 采用涡动相关法, 计算山东省德州大气环境实验站2018年12月27日至2019年1月7日多次污染事件的PM_2.5浓度脉动和湍流通量, 探讨PM_2.5浓度湍流特征。结果表明, 实验观测期间PM_2.5浓度湍流通量均值为0.026 μg/(m²·s); 不同污染过程中PM_2.5浓度湍流通量传输方向不同, 表明不同污染过程的污染源汇属性不同。随着湍流统计特征量(如湍流动能、水平风速标准差、垂直风速标准差、水平风速、动量通量和感热通量)增大, PM_2.5湍流垂直通量呈现指数型减小的趋势, 即先急剧减小, 然后随各变量的增长变化不大。随着PM_2.5浓度增大, 其湍流通量绝对值呈现增加趋势, 因此PM_2.5浓度湍流通量的大小与PM_2.5浓度和湍流强弱有关。不稳定条件下, PM_2.5浓度归一化标准差与稳定度参数ζ = z/L 遵循-1/3幂次关系, 即 σ_c/C_* = 6.7(-ζ)^-1/3; 稳定条件下, 实验结果相对离散。另外, PM_2.5浓度脉动方差谱曲线在高频段满足-2/3幂指数率, PM_2.5浓度脉动与垂直速度脉动的协方差谱曲线在高频段满足-4/3幂指数率。研究结果表明, 利用E-Sampler的PM_2.5浓度1 Hz高频采样功能可以得到连续且有效的PM_2.5浓度湍流通量。     

基于过滤浓度日数的新风PM2.5过滤负荷特性研究

我国建筑环境PM2.5过滤或净化计算方法研究已引起广泛关注.针对我国不同区域新风PM2.5过滤负荷差异及变迁,引入不保证天数法,计算确定了各地区PM2.5新风设计负荷;类比空调度日数和采暖度日数提出过滤浓度日数FCD的概念;根据各地PM2.5动态浓度数据及其室内标准浓度,计算得到了历年全国省会及直辖市的FCD;利用统计学方法获得了各地区FCD和新风设计负荷的关系.研究结果表明,FCD指标清晰地反映了全国各地新风PM2.5设计计算负荷水平;FCD值与新风设计负荷表现为高度线性相关,显著性水平P0.01;可用FCD来直接指示建筑PM2.5的新风设计负荷水平,可为将来新风PM2.5过滤系统设计、对比提供简单直观的依据.     

基于过滤浓度日数的新风PM2.5过滤负荷特性的研究

我国建筑环境PM2.5过滤或净化计算方法研究已引起广泛关注。针对我国不同区域新风PM2.5过滤负荷差异及变迁,引入不保证天数法,计算确定了各地区PM2.5新风设计负荷;类比空调度日数和采暖度日数提出过滤浓度日数(Filtering Concentration Days,简称 FCD)的概念;根据各地PM2.5动态浓度数据及其室内标准浓度,计算得到了历年全国省会及直辖市的FCD;利用统计学方法获得了各地区FCD和新风设计负荷的关系。研究结果表明,FCD指标清晰地反映了全国各地新风PM2.5设计计算负荷水平;FCD值与新风设计负荷表现为高度线性相关,显著性水平P<0.01;可用FCD来直接指示建筑PM2.5的新风设计负荷水平,可为将来新风PM2.5过滤系统设计、对比提供简单直观的依据。     

基于卫星遥感和气象数据的2015年徐州市PM2.5时空特征

在2015年徐州市7个地面观测站PM2.5质量浓度监测数据的基础上,结合MOD04_3K AOD产品和地面气象数据,构建了基于物理机理修正的近地面PM2.5多元回归反演模型。利用实测和遥感反演数据共同分析了徐州市PM2.5质量浓度时空变化特征。分析结果表明,在徐州中心城区PM2.5质量浓度的日变化特征表现为PM2.5浓度白天降低,夜间升高的趋势。春秋两季的峰值出现在8:00—9:00,夏季峰值出现在6:00—7:00之间,冬季峰值出现在10:00—11:00之间。PM2.5浓度的季节变化特征为冬季>春季>秋季>夏季。PM2.5浓度的空间分布格局为：徐州市区及铜山中心区、新沂市及新沂与邳州边界为PM2.5高浓度的主要区域,与徐州的城镇会格局相似。     

利用Himawari-8卫星红外图像反演降雨

利用静止气象卫星Himawari-8的红外图像数据, 结合全球降雨测量计划的降水产品2AGPROFGMI, 通过将匹配的红外亮温和亮温差数据点与近地面雨强数据点一一对应, 使二者之间建立联系。利用静止气象卫星通道多的优点, 进一步建立多个以红外亮温(BT)、亮温差(BTD)以及近地面雨强为参数的二维和三维雨强查算表。通过反演试验, 找到能够较好地识别不同等级降雨强度的查算表, 其中三维查算表(BT10.4, BTD12.4-10.4, BTD6.2-7.3)对降雨事件表现出较高的检测概率(POD=0.8817)和较低的错判率(FAR=0.4042), 可以较好地判识降雨区域。     

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。     

星地结合的细颗粒物超标防控区精确识别方法

为精确识别细颗粒物(PM_(2. 5))浓度超标的区域空间,依据卫星遥感与站点监测在PM_(2. 5)浓度观测方面的特点,建立遥感反演数据与站点监测数据间的临界映射分析法,综合卫星遥感覆盖面广和站点监测准确性高的技术优势。通过该方法研究珠三角区域2013年灰霾污染过程的PM_(2. 5)浓度超标区域,结果表明,利用星地结合的方法可以精确识别出PM_(2. 5)浓度超标的区域空间;广州市西部和南部、佛山市大部、肇庆市主城区及东南部、东莞市西部和北部、中山市北部和中部、江门市主城区及东部是珠三角PM_(2. 5)污染的高发地区,应作为防控重点。     

基于深度学习和支持向量机集成学习的PM2.5浓度24 h预测

提前24 h准确预测PM2.5浓度可以有效的避免严重污染天气对人体带来的不利影响.为了提高深度学习模型PM2.5浓度24 h预测的性能和泛化能力,在传统循环神经网络(RNN)模型上添加支持向量回归(SVR)作为下采样层提取非线性特征并降维;然后添加多核卷积神经网络(CNN)提升特征表达能力;最后利用门控循环网络(GRU...     

基于支持向量机改进的克里金插值法—以汾渭平原PM2.5数据为例

克里金插值法根据待测点与已知点的空间位置关系以及研究区域内变量的空间相关性为已知点赋予不同权重,再通过加权求和的方式得到待测点的估计值,为待测点提供最佳的线性无偏估计。变异函数描述了区域化变量的空间变化信息,常用的理论变异函数包括球状模型、指数模型和高斯模型,然而以上模型形式较为固定且选择较为主观,可能无法准确反映数据波动趋势。基于此,提出引入支持向量机作为新的变异函数对克里金方法进行改进。使用汾渭平原PM2.5浓度数据对改进前后的克里金插值法进行效果对比,结果发现：①支持向量机能够拟合出变异函数的变化趋势,②改进后的克里金插值精度优于改进前的克里金插值精度,因此支持向量机改进的克里金插值法是一种可选的克里金方法。     

郑州市PM2.5和PM10中水溶性无机离子的污染特征

于2009年10月至2010年8月间采集郑州市大气颗粒物PM2.5与PM10样品,对其质量浓度及水溶性离子进行分析研究.结果表明：PM2.5在秋、冬、春、夏四季的质量浓度的平均值分别为134.9、121.6、77.9和102.0μg/m^3,PM10在秋、冬、春、夏四季的质量浓度的平均值分别为193.2、184.0、140.9和140.5μg/m^3,日均值超标率分别达77.8%和59%.PM2.5和PM10质量浓度呈现很好的相关性,春季粗粒子在PM10中的比例相对较高,而秋、冬和夏季细粒子是PM10的主要组成部分.主要的水溶性离子是SO4^2-、NO3^-和NH4^＋,大部分以（NH4）2SO4和NH4NO3形式存在;NO3^-和SO4^2-质量比小于1,说明采样期间郑州市大气以固定排放源污染为主.     

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.     

基于多源数据的北京地区PM2.5暴露风险评估

基于2014-2016年的北京地区PM_2.5监测数据, 用空间插值法获得北京地区的PM_2.5空间分布, 并基于DMSP/OLS夜间灯光数据, 模拟得到北京地区的人口密度空间分布。在此基础上, 从PM_2.5浓度空间分布、PM_2.5污染的人口暴露特征、PM_2.5污染人口暴露强度以及人口加权PM_2.5浓度4个方面评估北京地区PM_2.5污染暴露风险。结果显示: 1)PM_2.5浓度呈现南高北低的空间分布特征, 人口暴露风险空间分布与人口密度空间分布呈现高度的一致性, 即人口密度高的区域,PM_2.5污染人口暴露风险也相对较高; 2) 2014, 2015, 2016年北京地区GB3095-2012二级年均浓度标准35 μg/m³的超标人口比例均为100%, 24小时平均浓度标准75 μg/m³的超标人口比例呈逐年显著下降趋势; 3) 2014-2016年北京市人口加权PM_2.5年均浓度值与PM_2.5年均值均存在差异, 差异度与城市暴露人口和污染情况密切相关; 4) 由于PM_2.5污染物浓度空间分布特征与人口密度空间分布特征不同, 北京市PM_2.5污染对总体人群的实际影响和健康危害与其平均浓度水平并不相同, 因此考虑人口密度空间分布特征的暴露风险评估比只考虑PM_2.5污染物浓度的暴露风险评估更准确。