基于新国标的宁夏城市空气质量分布特征分析

国家标准《环境空气质量标准》先后于2012,2018年修订执行,修订后对空气质量评价工作产生了何种影响需要研究.根据2015年9月至2019年12月宁夏5市大气污染物的质量浓度资料,通过统计分析方法,分析近5 a宁夏城市环境空气质量指数(IAQ)、6种主要污染物的时空变化特征.结果表明,宁夏空气质量呈南优北劣分布,固原...     

成都平原经济区城市空气质量时空变化特征

基于2016—2020年成都平原经济区城市空气质量监测数据，应用空气质量综合指数评价法、Pearson相关分析法，对成都平原经济区空气质量时空变化特征、成都市主要污染物变化特征进行了研究.结果表明：1) 2016—2020年，成都平原经济区城市群中空气质量指数出现了2个高值和2个低值中心，高值中心分别位于成都市、德阳市，2个低值中心分别位于雅安市、遂宁市，即成都市和德阳市空气质量最差，雅安市和遂宁市的空气质量最优；对于不同季节，1—12月，成都平原经济区的空气质量综合指数呈U字型变化，即空气质量6—10月较好，11月—次年2月较差.2) 2016—2020年，成都市PM_2.5质量浓度值皆超过了国家二级标准限值，并且以PM_2.5为首要污染物出现频率最高，而O₃、CO、SO₂年均质量浓度在研究时段内均低于国家二级标准质量浓度限值.3) 2016—2020年，成都市PM_2.5质量浓度与能见度呈显著负相关；年尺度上，成都市PM_2.5质量浓度与平均气温呈低度负相关，...     

信阳市中心城区空气质量的时间变化特征

以《环境空气质量指数(AQI)技术规定(试行)》和信阳市中心城区2015-2017年的空气质量指数(AQI)日均值为依据,计算出每年的AQI月均值,分析该城区空气质量的年际、年内变化特征及其影响因素.结果表明,该城区空气质量逐年改善,年内空气质量季节变化明显:夏季良好、较稳定;冬季污染天数多于其他季节,总体表现为轻污染;春、秋季在良好和轻污染级别之间震荡.多云、阴、小雨、小雪及雨夹雪,风力≤2级、无持续方向,特别是冬季北风、偏北风等天气条件下,易发生空气污染,城市地貌阻碍空气扩散.进一步表明在防控大气污染方面,该城区应关注天气和季节变化、重视城市规划和城市设计.     

南昌市城区空气质量污染态势

利用南昌市2003年10月~2006年6月城区空气质量日报数据分析空气质量状况。结果显示:南昌市城区空气质量为二级良,首要污染物为可吸入颗粒物;一年中空气质量4~9月较好,10月至次年2月相对较差,其成因与南昌市不同季节气象要素有密切关系;据此从环境保护管理角度,提出空气污染防治对策。     

重庆市空气质量特征分析

针对近年来空气质量问题,利用重庆市2013-12到2017-12的空气质量资料,提出采用Ridit分析法与描述性统计相结合的方法对重庆市空气质量的变化趋势进行特征分析。结果表明:近4年来,重庆市的空气质量有逐渐变好的趋势。其中,从月份变化的角度来看,空气质量以12个月为一个周期发生变化且有逐渐变好的趋势;从季节变化的角度来看,重庆市的空气质量存在比较明显的季节性差异,其中夏季的空气质量是全年中最好的,其次是秋季与春季,冬季的空气质量最差;从年度变化的角度来看,空气质量有逐年变好的趋势。     

黔东南州城市环境空气质量季节性变化特征

以2018年黔东南州16个县(市)城市空气自动监测数据为基础,分析城市环境空气污染物浓度变化趋势、污染物之间相关性以及城市环境空气综合指数,研究黔东南州城市环境空气质量季节性变化特征。结果显示:黔东南州城市环境空气中除CO浓度水平具有不明显的季节特征外,其余SO_2、NO_2、O_3、PM_(10)和PM_(2.5)浓度水平具有明显的季节特征,其中,SO_2浓度高值出现在秋季和冬季;NO_2浓度高值出现在冬季和春季;O_3浓度高值出现在冬季和春季;PM_(10)和PM_(2.5)浓度高值出现在冬季和春季。在0.01的置信水平下,PM_(10)和PM_(2.5)的Pearson相关系数达到0.962,具有极强的正相关,初步判断PM_(10)和PM_(2.5)是影响黔东南州城市环境空气质量季节性变化的主要污染物。从全年空气质量变化趋势来看,黔东南州城市环境空气质量从好到差依次为夏季、秋季、春季、冬季,PM_(10)和PM_(2.5)浓度的高低直接影响城市空气质量综合指数的变化。     

基于空气质量指数AQI的空间自相关特征分析——以福建省为例

以福建省9个地级市为研究对象，运用时间序列模型、全局空间自相关分析、K-medoids聚类及相关分析等研究方法，探索福建省各地级市空气质量指数的空间自相关特征。研究结果显示，相比秋冬两季，各地级市春夏两季的空气质量相关性较低，具体表现为，春夏两季各地级市莫兰指数（Moran's I）显著较低 。以空气质量指数AQI的6个空气质量分指标作为聚类标准进行研究，发现福建省地级市的空气相关性区分为两大类。进一步对AQI进行相关性分析，发现AQI与PM10、PM2.5、NO2分指标高度相关，由此说明，空气微粒与NO2是福建空气污染的主要来源。空气质量季节上的分布差异，可以为政府准确地制定治理方案提供有力证据。     

商丘市气象要素对空气质量的影响

利用商丘市环境监测站2015—2016年逐日空气质量监测数据,对空气质量总体状况、首要污染物变化特征等进行了分析,并利用商丘市多年逐日气象资料分析了气象要素对空气质量的影响.结果表明:商丘近两年占主导的首要污染物为PM2.5,出现频率为56%,空气质量优和良总体比率占51.6%,重度污染和严重污染总体比率为6.7%,连续3 d以上的重污染天气出现在11月到次年2月,AQI指数与平均气温、平均风速、降水量呈显著负相关,空气质量等级愈大,气象要素值愈小,降水频率愈高,空气质量愈好,降水量、降水日数、平均风速和大风日数的变化对空气质量有显著影响.     

基于机器学习在空气质量指数中的应用

利用机器学习和多元线性回归模型对西安市近一年的空气质量指数进行了研究,首先利用随机森林思想对数据进行了补齐,然后运用交叉验证对神经网络模型选取最优的隐层节点数和训练周期数,最后,通过比较两种模型的拟合效果发现,神经网络模型在对空气质量指数的预测效果明显好于多元线性回归模型。     

芜湖市环境空气质量时空变化特征分析

以芜湖市2003- 2009年环境空气的三项主要污染物SO2、NO2和PM10的监测数据为基础,运用环境空气质量标准、上海大气质量指数和空气污染指数API,对芜湖市区以及芜湖县、繁昌县、南陵县的环境空气质量进行评价.并结合各地产业结构特点,对空气污染的年际变化特征、地域分布特征进行分析,进而对各区域环境空气污染的原因进行探究.针对芜湖市环境空气存在的主要问题,提出合理的意见和建议,以期为城市环境综合整治、环境规划与管理提供参考.     

基于SVR-BP算法的江苏省空气质量指数预测

针对江苏省空气质量指数(air quality index, AQI)的预测问题,提出一个将反向(back-propagation, BP)神经网络与ε-支持向量回归机(ε-support vector regression,ε-SVR)算法相结合的SVR-BP回归算法。对训练集采用ε-SVR进行样本筛选组成新的样本集,再采用BP神经网络进行预测。样本集选取的时间跨度为2 a,样本数据为江苏省共98个监测点空气中各成分的含量。分别采用SVR-BP算法、BP神经网络和ε-SVR算法在数据更新频度不同的3个模型下对未来72 h的AQI进行预测。实验结果表明:本研究提出的SVR-BP算法的平均绝对百分误差较ε-SVR算法提升了4%～19%;训练时间比BP神经网络少0.1～2.5 s。SVR-BP算法预测AQI更为高效,在实时训练及样本筛选方面有更广阔的研究前景。     

太原市大气环境指标与源排放变化趋势相关分析

通过对1997年—2003年的环境监测数据和重点工业企业污染源环境统计年报数据的统计，利用秩相关检验分析方法．分析了环境指标与污染源排放变化趋势的一致性，进一步说明了污染源排放对环境污染的影响。     

熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

银川市空气污染指数的分析与预测

空气污染指数（air pollution index,API）是评价空气质量状况的有效手段．在分析银川市API变化特征的基础上,将小波分析与BP神经网络相结合,分别采用分解一预测一重构法和小波函数替代法对银川市API值进行了预测．结果表明：银川市API呈现年际下降,月际周期波动的特点;相对于其他小波,采用db10对数据进行分解、预测、重构后获得的结果最好;分解预测重构模型的预测精度较高,优于小波函数替代模型,适用于银川市空气污染指数的预测．     

基于改进麻雀搜索算法的空气质量指数预测

为更准确地预测空气质量指数(Air Quality Index, AQI),提出一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)的AQI预测模型(ISSA-BP)。利用麻雀搜索算法(Sparrow Search Algorithm, SSA)的全局搜索性能对BP神经网络的权值和阈值进行优化,解决传统BP神经网络在预测AQI过程中出现的收敛速度慢、易陷入局部最优等问题。同时,针对SSA在优化过程中的缺陷,引入立方映射和优化策略增强算法的全局搜索及收敛能力,进一步提高预测性能。应用ISSA-BP模型预测杭州市AQI,实验结果表明,与其他模型相比,该模型的预测精度有显著提升。本研究为大气污染防治提供了新的预测方法。