章丘区空气污染特征及气象因素相关分析

利用济南市章丘区2016年3月至2017年2月空气污染指数(AQI)和6种污染物(PM_(10)、PM_(2.5)、NO_2、SO_2、CO、O_3)数据,结合章丘区气象因子(温度、湿度、风速),运用统计分析、相关分析等方法,对该地区污染特征变化及与气象因子的相关性进行了研究.结果表明:章丘区主要污染物有PM_(10)、PM_(2.5)、O_3三项,分别占全年总天数的46%、44%、10%;章丘区全年空气质量较好的时间段集中在夏秋季节,冬春季节空气质量较差,但O_3变化趋势与总体趋势相反;全年温度变化成抛物线状,相对湿度变化不大,春旱现象明显,全年风速起伏变化较小,冬季风速较小;AQI与温度相关系数为-0.329,P0.01,具有显著的负相关性;AQI与湿度相关系数为0.150,P0.01,具有比较显著的正相关性;AQI与风速相关系数为-0.051,P0.01,相关性不显著.     

武汉市大气污染特征及变化趋势

以2013—2015年武汉市大气污染物特征及变化趋势为研究对象,对大气污染物综合指数和各污染物单项指数进行分析.其主要结论是:大气污染冬季的污染状况比夏季严重,其中空气质量2013年优于2015年,2014年最差;根据各污染物单项指数,确定颗粒物(PM_(2.5))为大气污染的主要因子;PM_(2.5)、PM_(10)、SO_2、NO_2、CO的浓度冬季大于夏季,O_3的浓度夏季大于冬季;根据各污染物之间相关性及气象因素的分析,PM_(2.5)、PM_(10)、SO_2、NO_2、CO之间均成正相关关系,其中PM_(2.5)与CO的相关性为0.901(P0.01),接近1,说明CO对PM_(2.5)的形成有直接作用;污染物与气象因素的相关性分析,几种污染物与气压、降水量、气温有明显的相关性;根据聚类分析,大气污染变化趋势与季节有关,季节变化特征为夏季春秋季冬季.     

太原市近5年环境空气污染物浓度变化与趋势分析

采用综合污染指数法、污染负荷系数法、Daniel趋势检验、Spearman秩相关系数法并结合空气质量指数(AQI)数据,探讨了近5a来太原市环境空气污染物浓度变化,结果表明,2015—2019年,太原市SO_2的超标天数和污染物浓度均逐年下降(超标天数由50d下降至0d,污染物浓度由77.55μg·m~(-3)下降至29.52μg·m~(-3));而NO_2的超标天数和污染物浓度均逐年上升(超标天数由2d上升至40d,污染物浓度由43.11μg·m~(-3)升至59.81μg·m~(-3)),变化趋势显著;PM_(10)和PM_(2.5)的变化表现出一定的波动,变化趋势不显著;空气综合污染指数呈现先升高后降低的趋势,环境空气污染在冬季较为严重.可吸入颗粒物(PM_(10)和PM_(2.5))历年的负荷系数均显著高于SO_2和NO_2,空气污染物以可吸入颗粒物为主.从各年AQI累积的数值之和来看,空气污染有逐渐加重的趋势.     

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....     

西安市区大气污染物时空分布特征分析*

利用2014年10月31日～2015年11月31日西安市区13个环境空气质量监测站AQI、CO、SO_2、NO_2、O_3、PM_(2.5)和PM_(10)逐日数据,分析了西安市区各种污染物的时空分布特征,研究污染物之间的相关性及西安和周边城市的空气质量相关性。结果表明,西安市空气主要分布国家标准在二三级之间,长安区超标率最低(24.41%)。利用空间插值法分析污染物空间分布各监测点夏季空气质量均优于冬季,长安区空气质量较好,主城区污染严重,西安大气污染物呈现明显的主城区向郊区递减变化趋势。月平均气温与CO、SO_2和PM_(10)显著负相关,与O_3显著正相关;月降雨量与CO、SO_2和PM_(10)显著负相关;日照时数与O_3显著正相关。SO_2月均浓度值在监测期中达到一级标准;O_3在5～8月份月均浓度值达到最大,其他月份均达到一级标准;NO_2在11月～次年1月月均浓度为全年最高,其他月份达到一级标准;CO在1～2月份浓度达到最高值,其他月份满足一级标准;PM_(2.5)和PM_(10)在整个监测期内均未达到一级标准。西安和周边城市空气质量存在显著相关性,需要城市间协同解决大气污染问题。     

PCA-BP模型下皖北城市群PM2.5浓度分析

为探究皖北城市群大气污染物在不同地域、不同时间下的分布规律以及影响空气中PM2.5浓度的相关变量,结合2018-2021年安徽省生态环境厅统计数据及相关地域资料,采用主成分分析(PCA)法按时间段长短及季节性变化分别选取月度数据与年度数据对空气质量的影响因子做相关性分析,对比分析不同季节下空气污染物PM2.5、PM10的浓度及其它空气污染物的变化,构建基于PCA算法的反向传播神经网络 (BP),建立PCA-BP模型并采用交叉-验证法提高模型精度,对大气中的污染物PM2.5浓度做短期预测。实验结果表明:PM2.5浓度的主要影响因子为PM10、CO、NO2、SO2;皖北地区PM2.5含量整体在冬季偏高;预测模型的精度在夏季与秋季较高,冬季较低,四季的预测精度R2分别达到0.924、0.958、0.935、0.794。     

日照市空气质量变化特征及其与气象条件的关系

根据日照市2015年3月至2016年2月的空气质量日报数据以及同期气象数据,研究了该市空气质量特征及其与气象条件的关系.结果表明:日照市空气质量以II级良为主,占全年总天数的58%.PM2.5、O3和PM10为该市主要污染物;空气质量具有明显的季节特征,冬季空气质量最差,AQI的平均值为132.8,并且中度污染、重度污染和严重污染在冬季多次出现,夏季空气质量最好,AQI值为78.4;降水、风速、湿度和温度对于空气质量影响显著,大部分情况下,AQI指数与降水、风速、湿度呈负相关,与气压、气温存在正相关关系.     

福建省主要大气污染物分布研究

针对我国当前大气环境污染严重问题,以福建省为研究对象,对福建省2015年大气污染物中的PM2.5、PM10、SO_2、NO_2、CO和O_3之间错综复杂的关系进行综合分析,并运用多变量统计分析方法中的因子分析法,将这些复杂关系进行处理以归结为少数的主因子.结果显示,福建省目前主要的大气污染物为PM10.因子分析结果表明,原生大气污染物如PM和SO_2等自聚合成一类称为第1个主因子,主因子中的PM10和PM2.5贡献度最大;O_3之类的二次污染物构成第2个主因子.所讨论及建立的大气污染物之间的相关关系和所生成的因子模型,将有利于综合分析判断福建省主要大气污染物分布,对于未来控制和改善大气空气质量等均具有重要意义.     

宁夏沿黄城市群大气复合污染物关联规则挖掘——以污染季PM2.5质量浓度为例

根据空气质量指数(AQI)高频数据,从污染物等级分布、年均污染物浓度变化和污染物日变化规律等视角,对宁夏沿黄城市群污染季PM2.5污染规律进行分析,并通过Apriori算法对PM2.5同其他大气污染物之间的关联规则进行挖掘.结果表明,宁夏沿黄城市群污染季PM2.5质量浓度达标率约为81％,且年均污染水平逐年下降,每年1...     

信阳城区气温和降水量与主要污染物之间关系分析

以2014—2017年信阳城区逐日气象要素(最高气温、最低气温、均温和降水量)和环境空气自动监测系统逐日数据(SO_2,NO_2,PM_(10),PM_(2.5),CO,O_3污染物浓度和AQI)为研究对象,采用统计分析和Pearson相关系数法,分析气温和降水量与主要污染物之间关系.结果表明:(1)2014—2017年信阳城区空气质量以优良为主,重度、严重污染的日数较少.(2)日气温(最低、平均和最高)和日降水量与主要污染物SO_2,NO_2,PM_(10),PM_(2.5),CO浓度和AQI呈显著的负相关,与O_3呈显著的正相关,说明气温愈高、降水量愈多,空气质量愈好,即夏季空气质量优于冬季.通过统计2014—2017年逐日空气质量,四季空气质量从夏季、秋季、春季和冬季依次由好转差.(3)相较于非雨日,雨日主要污染物浓度明显降低;降水过程中或者降水之后,大气主要污染物浓度显著下降,共同说明降水量对主要污染物具有显著淋洗作用,尤其是颗粒物PM_(10)和PM_(2.5).     

太原市大气能见度研究

针对太原市区2015年4月—2016年3月期间大气能见度、常规气象资料(温度、相对湿度、风速)、环境空气污染因子(PM_(2.5)、SO_2、NO_2)等影响因子,采用IBM SPSS Statistics 20统计分析软件,对太原市区大气能见度变化及其影响因素进行统计和相关性分析,归纳总结出了太原市区大气能见度的主要影响因素和变化规律,并提出了改善太原市区大气能见度的应对措施。     

重庆市大气污染物分布特征及影响因素分析

基于重庆市2014—2018年的六大气体污染源PM_(2.5)、PM_(10)、SO_2、CO、NO_2、O_3的月均浓度数据以及AQI(空气质量指数),对污染物的月度变化、季度变化、年度变化特征进行了描述性的分析,再根据收集的7个变量数据,运用多元回归分析,建立AQI与六大污染物之间的回归方程,运用分位数回归,对主要污染源在各个分位点上的变化进行分析。     

南宁市灰霾天气与空气污染物关系分析

根据2010年6月1日至2011年5月31日南宁市的环境监测数据和气象数据,分析南宁市灰霾天气特征,然后通过SPSS软件分析灰霾天气与能见度、颗粒物(PM2.5、PM10)浓度、气态污染物浓度和空气污染指数的关系,探讨南宁市灰霾天气与空气污染物的关系。结果发现,南宁市灰霾天气主要分布在秋、冬两季,PM2.5是直接造成南宁市灰霾天气的主要因子,PM10、SO2、NO2、CO和O3对灰霾天气的发生也有一定影响。PM2.5与PM10相关性最显著,与SO2、NO2相关性较显著,与CO相关性显著,与O3相关性不显著。     

昆明市MODIS AOD与大气污染物浓度在气象因子影响下的相关性分析

利用昆明市2018年MODIS L1 B数据通过暗像元法反演大气气溶胶光学厚度,分别与空气污染指数AQI、PM2.5、PM10、SO2、NO2、CO和O3进行相关性分析.分析发现,AOD与AQI、PM2.5、PM10、CO、O3的质量浓度有显著相关性,相关系数分别为0.502、0.411、0.512、-0.401、0....     

基于AQI的九江市空气质量统计预报方法

利用九江市2014—2017年气象观测站常规观测的气象资料和九江市环境监测站污染物日平均浓度资料、AQI日均值和首要污染物等观测要素,通过统计学方法对不同季节内地面气象要素和AQI做相关性分析,并选取相关性好的因子分别做回归分析并建立预报方程,结果表明:1)相对于全年回归预报方程,不同季节的气象要素与AQI的相关程度不同,不同季节的回归方程对AQI指数的预报准确率高; 2)由于污染物的累积特征,前一天的AQI与当天AQI相关系数高达0.66,在回归的过程中,前一天的AQI值做为最重要的一项参数; 3)春季、夏季由于降水比较明显,且由O_3造成的污染日数相对较多,而高温和日照对O_3有显著的相关,所以AQI的预报能力较强;秋冬季由于外来输送污染严重和PM_(2.5)首污的日数增加,气象要素的相关性较低,预报能力也随之降低。     

石家庄市采暖期空气质量特征及其与气象条件的关系

为确定石家庄市采暖期易引发大气污染的气象条件,通过对石家庄市2016—2018年采暖期的空气质量逐日监测数据,以及同期气象观测资料进行研究,分析了石家庄市采暖期的空气质量变化特征,探讨了影响环境数据变化的主要气象要素,筛选并确定了PM_(10)、PM_(2.5)、AQI的污染气象指标。结果表明:石家庄市采暖期内所有天数均为非一级天,其中污染日较多,占69.58%,以PM_(2.5)为首要污染物的天数最多,其次是PM_(10);PM_(10)、PM_(2.5)、SO_2、NO_2、CO浓度与气温、变压、风速和混合层高度负相关,与相对湿度正相关(SO_2除外),O_3与气象要素的相关性和上述五种污染物相反;气象要素对大气环境影响的排序为:相对湿度风速混合层高度水汽压变压气温;确定的三种污染气象指标准确率分别是70.37%、70.37%、72.97%。     

南通市大气污染物浓度变化特征及其与气象因素的关系

为了厘清南通市大气污染浓度的变化情况以及与气象因素之间存在的关系,分析南通市大气污染物潜在的输送来源。文章利用南通市2018年全年大气污染物资料和同期气象观测要素资料,对SO2、NO2、CO、O3、PM10、PM2.5污染物的时、日、月、季浓度变化规律及其与气象因素之间的关系进行分析,并结合南通市2次重污染天气过程,使用后向轨迹模式HYSPLIT4分析南通市大气污染物的主要来源。结果表明：SO2、NO2、CO、PM10和PM2.5浓度均呈现夏季最低,其次是秋季,冬、春季浓度最高,O3浓度呈现明显春、夏季高于秋、冬季。SO2、NO2、CO、O3年平均排放量均较低。一天当中不同时间段,气象因素影响情况不同导致污染物的浓度不同。O3浓度变化跟NO2浓度变化呈明显负相关性。O3污染最高的天气,一般是气压较低,能见度较好的晴朗天气。而研究发现,PM2.5在气温较低、湿度高、气压高、日降水量较小、能见度低且风速较小的气象条件下,污染浓度更容易升高。NO2在低温高湿,气压高且风速较小的气象条件下时跟容易堆积。NO2、CO、O3与6种常规气象要素均存在显著相关性。O3跟气象要素之间相关性关系正好与其他5种污染物相反(湿度除外)。通过两次重污染天气过程的后向轨迹分析,南通市大气污染物来源既有西北和偏北气流的长距离输送,也有偏西和偏南气流的区域性源。     

乌鲁木齐市PM_(2.5)及其影响因素关系的研究——基于VAR模型的脉冲响应和方差分析

通过对乌鲁木齐市从2015年1月1号到2016年12月31号每天的PM_(2.5)、PM_(10),以及SO_2、CO NO、NO_2、O_3污染物浓度等数据的整理和分析,进一步设立向量自回归(VAR)模型,对时间序列PM_(2.5)与其它空气污染物之间的关系探索使用格兰杰因果关系检验、脉冲响应函数方法和方差分解的方法分析,建立了它们之间的自回归模型关系,探讨了其他空气污染物对PM_(2.5)的影响。结果表明:乌鲁木齐市PM_(2.5)与其它空气污染物所构成的空气质量系统是稳定的,PM_(10)SO_2、CO、PM_(2.5)、NO_2、O_3浓度值的增加会引起PM2.5浓度值持续较长时间的增加,其中SO_2对影响作用最大;O_3浓度值的增加则会使PM_(2.5)浓度值降低。     

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...     

上海市大气PM2.5污染特征及相关因素分析

利用2015年上海市大气污染物的监测数据,运用MATLAB7.0、SPSS等软件进行PM_(2.5)质量浓度污染特征、变化规律以及PM_(2.5)与其他污染气体的相关性分析。研究结果显示,2015年上海市PM_(2.5),年平均浓度为53.6μg/m~3,相比基准年2013年,年均浓度下降14%;PM_(2.5)浓度月变化曲线呈U型分布,其中,月均浓度数值1月份达到最高峰,为82.9μg/m~3;季节污染情况为:冬季春季秋季夏季;PM_(2.5)日均浓度值全年波动较为稳定,超标天数占全年比率21.4%。根据AQI指标监测气体的相关性矩阵来看,PM_(2.5)和PM_(10)之间的相关性最大,相关系数为0.919;与CO、NO_2、SO_2等气体均有较强的相关关系。建议上海市应该优化产业结构、加强公共交通建设、采用清洁能源以期实现治污除霾的目标。