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...     

黄河三角洲PM 2.5时空分布及其影响因子分析

为黄河三角洲生态文化区域打造提供参考,并为环境污染防治提供有力基础,以空间数据插值和Pearson相关分析方法,运用黄河三角洲及周围40个监测站点的PM2.5逐日浓度和气象数据,研究PM 2.5浓度的区域分布特征及随时间尺度的变化规律,以及气象和PM 2.5浓度之间的相关性.结果表明:黄河三角洲区域的PM 2.5浓度具...     

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.     

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。     

山西省PM2.5时空特征及其影响因素的地理探测

基于山西省11个地级市2016—2019年全年的逐时监测数据,采用克里金空间插值技术和地理探测器等方法对PM_2.5浓度时空变化及驱动因素展开研究.结果表明：①2016—2019年山西省PM_2.5年均浓度值先增后减,“蓝天保卫战”取得一定成效;污染空间格局呈东北向西南递增的规律,季节浓度变化总体呈“冬高夏低,春秋过渡”的规律,月均浓度呈“单峰型”波动变化.②因子探测器分析结果表明,人口密度、人均GDP和民用车数量对PM_2.5解释力最强,均超过0.7,表明人类活动是引起空气污染的主要因素.③交互探测分析表明所有影响因素对PM_2.5变化的交互作用均大于单一影响因素的独自作用.     

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。     

长沙市主城区体育场地空间分布及优化研究

研究城市中体育场地的空间分布对于改善城市空间布局、促进城市体系自我优化和健 康发展具有重要的理论和实践意义。运用DBSCAN空间聚类算法和ArcGIS空间分析工具对长沙 市主城区体育场地空间布局进行分析，运用地理探测器对其影响因素进行定量分析。研究结果表 明：（1）长沙市体育场地在空间上表现为集聚且具有梯度等级效应，呈现出中心集聚、四周分散的 特征；（2）长沙市体育场地被划分为分属5个不同等级的17个集群，噪声点零散分布；（3）长沙市体 育场地空间异质性是不同影响因素共同作用的结果，其中小区核密度、人口密度及经济发展水平 影响较大。最后基于研究结果，提出了长沙市体育场地优化选址建议。     

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。     

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.     

兰州西固区PM2.5和烷醇类分布特征及其与气象因素相关性分析

采集2019年兰州市西固区细颗粒物监测数据,用气相色谱-质谱联用仪(GC-MS)对PM2.5中的有机组分进行定性和定量分析,着重探讨PM2.5与烷醇类的分布特征.同时收集同期近地面气象观测数据,采用相关性(Pear-son)与非参数分析(Spearman)方法,研究PM2.5和烷醇类与气象因素之间的关系并比较Pears...     

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。     

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。     

大气偏振度与PM2.5粒子浓度特性研究

为了满足偏振光导航在雾霾天的应用需求。研究雾霾天对于偏振信息检测的影响及其规律,对降低自然扰动对偏振光导航系统的误差、优化系统具有重要的意义。本文采用全天域偏振成像法对雾霾天的偏振信息进行大量的实验采集,并通过国家气象中心查询大气PM2.5粒子浓度,对两者的关系进行理论与实验分析。结果表明,PM2.5浓度与大气偏振度的关系随着PM2.5粒子浓度的升高而降低,两者呈类指数关系。通过基于米氏散射理论对单粒子多次散射进行分析,结合大气的特殊情况,在将PM2.5粒子近似为球形结构进行通过米氏散射进行理论分析,分析结果与实验结果基本一致。通过对误差进行残差分析和残差平方和分析,误差主要来源于大气复杂情况的干扰以及本实验所用探测器CMOS传感器的线性范围。本文通过大量的实验所研究的特性曲线可以反映特殊天气下偏振信息的基本特征,对以后在特殊天气情况下的基于偏振光导航设计具有重要的意义。     

山地城市长上坡路段PM2.5浓度分布特性实测研究

与平原地区城市相比,由于山地城市地形地貌的因素,城市道路具有坡度大、弯道多、路窄、起伏大等特点。车辆在道路上行驶相较于平原存在巨大差异,使得这种道路更容易产生交通污染,为明确山地城市道路长上坡路段汽车尾气与细飘尘排放浓度及其影响因素,特选取重庆主城多条具有代表性的道路采集汽车尾气与细飘尘浓度值,采用交通系统仿真分析方法分析车流量、区域差异、横向距离等对汽车尾气与细飘尘浓度的影响。结果表明：夜间汽车尾气与细飘尘（PM2.5）浓度较日间差异性显著;整体上看,随着横向距离的增加,汽车尾气与细飘尘浓度不断衰减,根据实验结果,日间PM2.5浓度先衰减,当处于横向距离6-10m之间PM2.5浓度出现向上波动,最后下降至稳定值,而夜间PM2.5浓度呈波动式衰减,最后趋于稳定;车流量的大小不是决定山地城市日间上坡路段道路旁PM2.5数值大小的最直接原因;同一个城市的不同区域,道路两旁空气中的PM2.5浓度的含量存在巨大的差异。     

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。     

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。