宜昌市城区PM_(2.5)污染形成灰霾天气的规律研究

2012年选取与气象站点相邻的一个环境空气质量测点对PM2.5进行了研究性监测,测点距地面23m,全年PM2.5质量浓度在19~284μg/m3之间,年均质量浓度为89μg/m3,月均质量浓度最高的为1月.系统分析全年PM2.5监测质量浓度与相邻气象测点灰霾、能见度观测数据之间的关系,得到以下结论:宜昌市城区PM2.5污染质量浓度与灰霾观测值相关性不强,但与能见度的观测值显著相关;全年能见度降低受PM2.5污染的影响具有季节性,2、5~6三个月与7~9三个月及4、10~11三个月,这3组月份内的PM2.5与能见度之间的回归曲线基本一致,全年中3月份影响最大,而1月份最小,主要与气温、风速、降雨因素有关.     

PM2.5变化趋势的联合多重分形分析

PM2.5是造成雾霾天气、降低能见度,影响交通安全的主要因素。首先基于主成分分析法分析得出PM10最能影响PM2.5浓度变化,再利用联合多重分形探究不同城市的PM2.5与PM10之间的关系。从而得出西安市及伦敦市的PM2.5和PM10之间的关系具有一致性,即PM10浓度偏低时PM2.5也偏低,而PM10浓度偏高时PM2.5却偏低。无论PM10浓度如何变化,相对而言,伦敦市PM2.5浓度波动更剧烈些。     

银川市大气细颗粒物(PM_(2.5))污染现状及影响因素分析

依据2013年银川市城市环境空气质量大气细颗粒物(PM2.5)的监测数据,对银川市环境空气中PM2.5的污染现状、变化趋势及与气象因子关联性进行了系统分析.结果表明,银川市PM2.5的质量浓度变化呈现明显的采暖季和非采暖季2种典型的季节性特征,非采暖季PM2.5的质量浓度与气压呈显著的正相关,与气温、能见度呈显著的负相关,采暖季PM2.5的质量浓度与风向、相对湿度呈显著的正相关,与风速、气温、能见度呈显著的负相关.     

南昌一次持续雾霾天气成因分析

使用2013年冬季的1次雾霾持续过程的气象观测数据、L波段雷达观测数据和Grimm180颗粒物检测仪观测数据进行相关性分析,结果表明:南昌地区1月下旬PM10、PM2.5、PM1.0与风速呈明显的负相关关系,即风速越大,颗粒物浓度越小;地面风向为E时,南昌出现霾的次数最多;PM10、PM2.5、PM1.0与能见度呈现明显的负相关性,即气溶胶颗粒物的浓度增加时,能见度明显降低;在未降水日PM10、PM2.5、PM1.0与相对湿度呈明显的正相关性;当产生降水时,降水对PM10、PM2.5、PM1.0的清除作用显著,PM10、PM2.5、PM1.0与相对湿度呈负相关性。     

天津蓟县夏季PM_(2.5)污染特征及影响因素

为探究天津蓟县大气细颗粒物(PM2.5)污染特征及气象因素对它的影响,搜集了2013年蓟县PM2.5质量浓度变化资料,对PM2.5污染情况进行了详细分析;并针对夏季典型天气,对PM2.5质量浓度进行监测,结合同步气象数据,运用线性回归及相关性分析方法研究PM2.5质量浓度与气象因素关系.结果表明:蓟县PM2.5质量浓度呈现明显冬高夏低特征,夏季污染超标率达45%,其日变化呈明显双峰型;PM2.5质量浓度受温度、相对湿度、风速、风向、降雨影响显著,与气压无显著关系,能见度随PM2.5质量浓度增大呈现e指数衰减规律.研究结果可为当前的京津冀区域大气污染协同防控提供一定的科学参考.     

合肥市灰霾大气污染特征浅析

根据《灰霾污染日判别标准(试行)》判别标准,合肥市2013年PM10、PM2.5等浓度值及天气统计数据,分析了灰霾天气下,不同PM2.5浓度区间及不同PM2.5/PM10区间的气象特征。在非灰霾天气下,剖析了降水、无降水,能见度5km及无降水,能见度5km且相对湿度95%,主要是有雾或者雾霾混合的天气下的气象特征。得出如下结论:合肥市灰霾天气主要出现在1月和12月,这个期间降水量低,轻微的降水沉降颗粒物效果不明显,风速明显低于非灰霾时期,不利于颗粒物扩散,气压呈增加趋势,增加了大气的温度性,也不利于污染物扩散,导致污染物浓度增加。PM2.5是导致灰霾天气的主要原因。     

基于深度学习的PM2.5短期预测模型

为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.     

北京市夏季大气气溶胶 PM2.5和 PM10成分特征?

对北京市城区2012年夏季大气对气溶胶进行每日PM2.5和PM10石英膜采样,得到了可溶性离子质量浓度和16种元素的质量浓度,并结合气象观测值进行了分析.结果显示,采样期间,PM2.5质量浓度为9.58~210.42μg·m-3,平均值102.81μg·m-3;PM10质量浓度为33.75~288.33μg·m-3,平均值159.66μg·m-3.PM2.5和PM10质量浓度都与采样点能见度、风速呈负相关,与相对湿度呈正相关.质子荧光分析(PIXE)结果显示,S、K、Ca和Fe在PIXE可分析元素中含量较高,在PM2.5和PM10都占89%.且元素Ca、Ti、Sc、Cr、Fe主要存在于粗粒子(PM2.5~10)中,而元素S、Cu、Zn、As、Br、Pb主要存在于细粒子(PM2.5)中.富集因子分析表明,元素K、Ca、Ti、V、Mn、Ni主要为地壳来源,元素S、Cl、Cu、Zn、As、Br、Pb主要来自于人为源.SO2-4、NO-3、NH+43种可溶性离子总质量浓度占PM2.5浓度的43.5%,占PM10浓度的25.4%.     

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。     

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。