焦作市PM2.5污染化学组分特征及潜在源分析

利用2017年12月至2018年2月焦作市PM_2.5及其化学组分（水溶性离子和碳组分）数据,分析了观测期间焦作市PM_2.5化学组分特征及潜在源。结果显示:1)焦作市PM_2.5主要由NO₃^-、NH₄⁺、SO₄^2-、OC（Organic Carbon,有机碳）和EC（Elemental Carbon,元素碳）组成,观测期间平均浓度分别为30.26μg/m³、17.86μg/m³、16.47μg/m³、17.44μg/m³和4.27μg/m³,在PM_2.5中占比75.1%;2)焦作市冬季污染天NO₂和SO₂的二次转化程度更高且OC和EC的来源更为相似;3)本地源是焦作市冬季PM_2.5污染的主要潜在源,周...     

燃煤电厂电除尘PM10和PM2.5的排放控制II:电除尘电源改造与PM10和PM2.5的排放(以660 MW 机组为例)

 通过对比660 MW 燃煤锅炉电除尘改造前后细颗粒物(PM_2.5)和颗粒物(PM₁₀)的排放,讨论电除尘改造的必要性及可行性.四电场电除尘器在常规单相电源供电下,PM₁₀和PM_2.5的排放浓度分别在63 和23 mg/m³左右,总排放在75 mg/m³左右;采用三相高压电源时PM₁₀和PM_2.5的排放可控制在15 和2.5 mg/m³以下,总排放在18 mg/m³左右,PM₁₀和PM_2.5的排放分别减排76%和89%以上.     

基于夜间灯光影像的能源消费与PM2.5时空关系研究

利用能源消费统计数据与夜间灯光影像对陕西省能源消费进行空间化处理,结合PM_2.5遥感数据,基于双变量空间相关性分析等方法,研究了陕西省能源消费与PM_2.5的时空关系,并利用随机森林回归模型探讨了影响ρ(PM_2.5)变化的能源消费因素．结果表明:1）2001—2013年陕西省ρ(PM_2.5)先增大后减小,最高值达到28.5 μg·m?3,省内PM_2.5分布的空间异质性较强,其中关中地区的ρ(PM_2.5)最高;2）陕西省能源消费量逐年上升,在空间上的分布与ρ(PM_2.5)类似,关中地区的能源消费量最多;3）陕西省能源消费量与ρ(PM_2.5)的Moran’s I达到了0.289,表明二者之间有着明显的空间正相关性,即高能源消费的区域有着高质量浓度的PM_2.5分布;4）人口密度、路网密度与能源消费总量是陕西省ρ(PM_2.5)变化的重要驱动因素．      

燃煤电厂电除尘PM10和PM2.5的排放控制III:电除尘电源及小分区改造与PM10和PM2.5的排放(以4×330 MW机组为例)

 讨论了4 台典型电除尘改造和细颗粒物(PM_2.5)排放控制,对四电场电除尘器通过本体小分区和电源改造实现了颗粒物(PM₁₀)和细颗粒物(PM_2.5)的超低排放控制.仅对五电场电除尘器进行电源改造,即可实现PM₁₀和PM_2.5的超低排放,电除尘出口PM₁₀和PM_2.5可分别控制在15 和2 mg/m³以下.脱硫塔对PM₁₀有较好的捕集效果,但对PM_2.5的去除几乎没有效果.电除尘振打引起的二次飞扬过程及烟气温度也影响PM₁₀和PM_2.5的排放,当烟气温度从150~160℃降低到约110℃时,电除尘出口及脱硫塔出口的PM_2.5均在2 mg/m³以下.     

某地区PM2.5与居民呼吸系统疾病及恶性肿瘤死亡的时间序列研究

目的 基于广义相加模型定量分析某地级市大气污染物PM_2.5与居民呼吸系统疾病及恶性肿瘤死亡风险的相关性。方法 收集2016～2018年该地级市逐日PM_2.5浓度数据、气象数据、居民呼吸系统疾病及恶性肿瘤死亡数据,进行描述性统计分析;采用基于Quasi-Poisson回归的广义相加模型(GAM),分析PM_2.5与该市居民呼吸系统疾病和恶性肿瘤死亡风险间的相关关系。结果 2016～2018年该地级市大气PM_2.5日均值为49μg/m³,共有631 d超出《环境空气质量标准》GB3095-2012污染物浓度一级限值标准,占三年总天数的57.6%;广义相加模型滞后效应(Lag0～Lag7)显示,PM_2.5浓度升高10μg/m³,呼吸系统疾病死亡率在滞后5 d的影响最大(ER=0.699%(95%CI:0.121%～1.277%)),恶性肿瘤死亡率在滞后3 d时的影响最大(ER=0.443%(95%CI:0.013%～0.873%));寒季(1...     

燃煤电厂电除尘PM10和PM2.5的排放控制I:电除尘选型及工业应用

 针对电除尘细颗粒物(PM_2.5)排放控制,提出利用电除尘指数指导电除尘本体和电源设计选型技术的原理和方法,并介绍电除尘改造的应用案例.通过优化电除尘指数、采用三相高压电源开展电除尘改造和选型.通过电除尘和脱硫塔除雾器的同步改造,可以实现烟囱出口颗粒物排放浓度低于5 mg/m³,同时,PM_2.5 (直径2.5 μm 以下的颗粒物)排放浓度低于2.5 mg/m³.示范工程还表明当电除尘器出口PM₁₀(直径10 μm 以下的颗粒物)排放在6~30 mg/m³时,PM_2.5占PM₁₀比例为6%至20%;当PM₁₀排放在5~15 mg/m³时,PM_2.5排放可低于2.5 mg/m³.     

秦皇岛冬季典型污染时段PM2.5中重金属和PAHs的污染特征

为了探究近年来秦皇岛市大气中PM_2.5污染特征和影响因素,通过采集冬季重污染时段城区和开发区PM_2.5样品,使用等离子体发射光谱仪和气相色谱-质谱仪,分别测定城区样品中6种元素(Cu,Pb,Zn,Cr,Ni,Cd)和PAHs.结果表明,秦皇岛城区PM_2.5日平均质量浓度186μg/m³,开发区平均质量浓度为118.88μg/m³,城区PM_2.5中各重金属元素的浓度水平排序为Zn＞Pb＞Ni＞Cr＞Cu＞Cd,其中Cd为强-极强污染,Pb为中-强污染,Zn属于中等污染,Ni,Cu,Cr等其他元素基本无污染.PM_2.5中定性的检测到奈(Nap)、菲(Phe)、荧蒽(Fla)、芘(Pyr)、苯并(k)荧蒽(BkF)等单体.PM_2.5日浓度与风速具有显著的负相关性,与相对湿度呈正相关性.     

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。     

长春市冬春季环境空气中PM2.5污染特征与来源解析

为研究长春市冬季和春季大气PM_2.5的主要来源及污染特征, 于2018-01-06—2018-05-14连续采集PM_2.5环境受体样品, 分析其无机元素及水溶性阴离子组分. 结果表明： 采样期间长春市PM_2.5的质量浓度为（46.4±24.4）μg/m³, 冬季和春季的平均质量浓度分别为(51.0±25.8)μg/m³和(32.6±11.5)μg/m³, 超标率为11%, 均在冬季超标, 在春节假期中（2018-02-15—2018-02-21）, PM_2.5的质量浓度低且保持平稳; 所测全部水溶性阴离子及部分无机元素（Al,As,Pb,Se,Ti）质量浓度呈冬季高于春季的趋势; 长春市无机元素主要源于燃煤、 交通和扬尘; 长春市PM_2.5中NO^-₃和SO^2-₄是燃煤和机动车尾气共同作用的结果, 其中燃煤源的贡献率相对较高; 长春市冬春季PM_2.5主要来源为二次源（28.2%）、土壤尘源（12.6%）、交通排放源（10.7%）、燃煤源和建筑尘源（28.6%）、工业源和其他源（19.8%）.     

2000-2018年黄河流域县域尺度PM2.5污染时空格局

近年来,与PM_2.5有关的大气污染状况和改善问题成为公众关注的焦点.基于2000-2018年黄河流域县域PM_2.5浓度数据,采用空间自相关分析和标准差椭圆法对黄河流域PM_2.5浓度的时空格局演变特征进行分析.结果表明：(1)2000-2018年黄河流域地区PM_2.5年均浓度总体上呈现波动变化,其中2000-2013年呈现波动增长趋势,平均增长率达到2.02%,2014-2018年PM_2.5浓度逐年下降,但研究期内黄河流域PM_2.5年均浓度值均高于年均限值(35μg·m^-3).(2)黄河流域PM_2.5浓度的地区差异较大,形成西南部和内蒙古中部浓度低,中东部的山西、山东和河南省浓度高的空间格局.(3)黄河流域PM_2.5污染具有显著空间正相关特征.除2000年高值聚集区分布在甘肃省中南部、内蒙古自治区西部(阿拉善盟)、宁夏回族自治区、陕西省西南部和河南省中西部外,其他年份较为稳定地分布在河南和山东...     

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。     

人为排放对信阳市细颗粒物和臭氧的影响评估

基于信阳市2017—2020年细颗粒物(PM_2.5)和臭氧(O₃)浓度数据及同期地面气象观测资料,利用Kolmogorov-Zurbenko(KZ)滤波法将原始浓度序列分解为短期分量、季节分量和长期分量,采用逐步回归方法建立污染物基线分量和短期分量与相应尺度气象要素的线性回归模型,通过对残差进行滤波和序列重建,得到去除气象影响的污染物长期变化趋势,该浓度仅与污染物的排放量有关。结果表明,PM_2.5和O₃浓度的波动主要由污染源排放及气象条件的短期变化和季节变化引起,气象条件对PM_2.5季节分量和O₃长期分量影响较大。信阳市PM_2.5污染排放减弱,O₃污染排放先升高,在2018年10月后降低。由于污染排放导致的2017—2020年PM_2.5和O₃长期分量分别降低3.5、1.5μg/(m³·a)。     

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。     

西安市秋季大气颗粒物散射特征及其影响因素

 为研究污染条件下西安市秋季大气颗粒物的散射特征及其影响因素, 于2012 年11 月监测大气颗粒物散射系数并采集PM_2.5样品。探讨了大气颗粒物的散射日变化特征, 通过实验分析PM_2.5中水溶性离子(Na⁺、NH₄⁺、K⁺、Mg²⁺、Ca²⁺、F^-、Cl^-、NO₃^-和SO₄^2-)和含碳物质(有机碳和元素碳)的污染水平, 并讨论它们的来源及对散射系数的影响。结果表明, 颗粒物的散射系数均值为(579±387)Mm^-1, 夜间高日间低。PM_2.5质量浓度与散射系数呈现出较强的线性关系(相关系数为0.85), 通过回归方程得到PM_2.5散射效率为3.09 m²·g^-1。在PM_2.5化学组分中, 有机物对消光系数的贡献最大, 占52.3%;其次是NH₄NO₃和(NH₄)₂SO₄, 贡献率分别为16.2%和13.7%。     

西安冬季高层公寓室内外颗粒物浓度水平与变化

 以西安市冬季某研究生高层公寓为监测对象, 通过1 min 时间间隔同步监测, 研究了不同楼层室内外空气中颗粒物PM1、PM_2.5、PM₁₀以及总悬浮颗粒物TSP 的质量浓度、分布状况与变化特征。结果表明, 西安市冬季高层公寓存在严重的颗粒物污染, 室内粗颗粒物PM₁₀质量浓度为(65.5±20.0)~(142.0±16.9)μg/m³, 略低于室内空气质量标准, 但室内细颗粒物PM_2.5及超细颗粒物PM1分别为(52.2±14.3)~(111.5±12.2)μg/m³和(50.6±13.9)~(108.7±11.9)μg/m³, 其中PM_2.5质量浓度占总悬浮颗粒物TSP 的50%以上;室外以粗颗粒物PM₁₀为主, 楼层高度与颗粒物质量浓度之间无显著关联。     

海陆风环流和城市热岛环流相互作用及其对空气污染的影响

沿海城市的PM_2.5和臭氧除受排放源、天气条件影响以外，还往往同时受城市热岛环流和海陆风环流的双重影响.利用2015年杭州市气象和环境监测数据以及数值模式RBLM-Chem，分析研究了杭州市在陆风天气、海风天气和海陆风三种环流条件下污染物浓度特征及城市效应对其的影响.得到了以下主要结论：海风使杭州市污染物浓度增大，在观测数据中PM_2.5浓度和臭氧浓度分别最大增高了10.9μg·m^-3和12.0μg·m^-3，在模拟结果中相比于陆风天气型，海陆风天气型的PM_2.5浓度和臭氧浓度分别增大13.1μg·m^-3和18.9μg·m^-3；相比于海风天气型，海陆风天气型的PM_2.5浓度和臭氧浓度分别减小24.1μg·m^-3和11.6μg·m^-3.城市效应导致杭州市边界层高度增加63.8 m，地面风速减小0.99 m·s^-1，地面气温增高1.14℃，PM_2...     

南京一次重污染过程PM2.5垂直分布的模拟及气溶胶辐射效应的影响

准确模拟PM_2.5垂直分布对理解灰霾的形成和消散机理以及检验模式预报能力至关重要。利用在线耦合大气化学模式WRF-Chem v3.9.1对2017年12月22至25日南京地区的一次重污染过程进行模拟,结合地面观测的气象要素和污染物浓度、激光雷达得到的气溶胶消光系数及无人机观测的PM_2.5垂直廓线等数据对模式进行综合评估,并探讨气溶胶辐射效应对PM_2.5垂直分布的影响。结果表明,WRF-Chem对白天地面气象要素及PM_2.5垂直分布模拟较好,但对夜间PM_2.5浓度严重高估(MB=49.8μg/m³)。夜间模拟的近地层逆温过强、边界层高度过低,导致PM_2.5聚集在较低的高度并向上浓度逐渐递减,但观测的PM_2.5在夜间仍然维持近乎均匀混合的分布方式。相比夜间,气溶胶辐射效应在白天的影响更加明显,主要通过降低边界层高度影响PM_2.5垂直分布方式。本研究对于理解WRF-Chem模拟PM_2.5...     

重庆市荣昌区冬季典型霾期大气颗粒物浓度垂直变化特征

为探究川东平行岭谷大气颗粒物质量浓度垂直变化特征,通过对四川盆地偏东部的重庆市荣昌区典型雾霾期气象条件下大气颗粒物质量浓度(PM₁,PM_2.5和PM₁₀)的垂直连续监测,分析温度、风速、相对湿度等气象条件与大气颗粒物浓度垂直分布的关系。结果表明：PM₁,PM_2.5,PM₁₀的日变化在各高度范围内均表现为夜间浓度较高。3种粒径段颗粒物的质量浓度均随高度升高而下降,0～300 m内颗粒物质量浓度最高,PM₁,PM_2.5,PM₁₀分别为39.61,193.62,338.87μg/m³。不同空气质量状况下,颗粒物浓度纵向分布不同。空气质量为良时,颗粒物随高度升高缓慢下降,600 m处PM₁,PM_2.5和PM₁₀浓度为100 m处的70.49%,69.60%,65.94%;轻度污染期间,600 m高度的颗粒物浓度比...     

基于RF-EMD-LSTM对PM2.5浓度预测研究

实现PM_2.5浓度的精准预测对空气污染防治具有重要的指导作用.鉴于多数研究中PM_2.5浓度预测算法和特征都较为单一,不能精确实现PM_2.5浓度的短时预测,提出了一种新颖的混合预测框架(RF-EMD-LSTM),通过过去24 h数据实现下一小时PM_2.5浓度预测.首先利用随机森林算法(random forests, RF)对污染物数据特征进行重要性评估,实现特征选择;然后再将特征数据与通过经验模态分解(empirical mode decomposition, EMD)的PM_2.5特征分解后的序列联合作为长短期记忆网络(long short term memory network, LSTM)的输入数据,进行模型训练,训练结果相加获得最终PM_2.5浓度预测值.实验结果表明,提出的混合模型与其他单一模型相比,预测精度明显最佳.     

利用葵花8号卫星资料反演中国东部地区地面PM2.5浓度

为了得到中国东部地区大范围的地面PM_2.5浓度分布, 用机器学习方法建立一个模型, 用2019年葵花8号静止卫星大气顶层反射率数据和欧洲中心气象资料作为输入数据, 地面PM_2.5浓度作为输出数据。验证结果表明, 在不同时间尺度下, 该模型对中国东部地区均有较高的精度。对于小时PM_2.5的浓度反演, 该模型的十折交叉验证的相关系数为0.82, 均方根误差为20.11 μg/m³。将2019全年卫星?气象格点数据放入模型, 得到中国东部地区全年逐小时的PM_2.5格点数据, 利用该格点数据分析中国东部地区PM_2.5浓度的季节变化和空间分布, 取得良好的效果。