河南省供暖期大气污染特征及预测分析——以郑州市为例

近年来河南省大气污染问题引起社会的广泛关注,但有关供暖期间大气污染方面的研究相对较少.以郑州市为例,分析郑州市供暖期间大气颗粒物的浓度变化并进行预测,对提高当地空气质量具有重要意义.基于2014-2016年郑州市空气质量监测数据和同期气象数据,利用SPSS相关分析和BP神经网络模型,分析郑州市供暖期间PM2.5、PM10的超标情况、日变化特征,探究气象要素对PM2.5和PM10的影响,最后预测AQI指数的变化.结果表明:2014年供暖期郑州市空气质量相对较差,PM2.5和PM10平均质量浓度超标率最高;2015年供暖期郑州市空气质量相对较好,PM2.5和PM10平均浓度变化幅度较大;2014-2016年供暖期间郑州市PM2.5和PM10浓度具有明显的日变化特征,呈现双峰型变化;2014-2016年供暖期郑州市PM2.5、PM10与日均气温相关性不显著,与日均风速呈显著负相关,与日均相对湿度呈显著正相关;当供暖期郑州市主导风向为正西风时,污染天气出现频率较低;利用BP神经网络预测2016年AQI的精度较高,预测值与实测值相关系数为0.85.     

泰安市PM10浓度变化特征及与气象因素的关系分析

根据泰安市2004-2007年PM10浓度资料和同期气象观测资料,分析PM10浓度的时间变化特征,通过相关分析得到影响PM10浓度的主要气象因素包括降水量、风速、相对湿度和气温.分析PM10浓度与各气象要素的关系:不同等级的降水对PM10污染有一定的清除作用,小于10 mm以下降水的湿沉降作用要好于10 mm以上的降水,特别是5-10 mm降水,PM10变化量最大,冬季降雨沉降效率最高;春季PM10与风速呈正相关,其他季节则相反;相对湿度小于40%时,PM10浓度与湿度呈正相关,相对湿度大于60%时,PM10浓度与湿度呈反相关;春季PM10浓度与温度的相关性要好于其他季节.     

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.     

集中供暖区大气PM2.5季节动态及其影响因素——以陕西省宝鸡市为例

目的 研究集中供暖区大气PM2.5的现状、动态及其主要影响因素.方法 2012年4月～2013年3月利用E-BAM粒子监测仪连续监测了宝鸡市建成区的大气PM2.5浓度,结合气象因子、燃煤锅炉烟尘排放量和工业生产总值等数据进行分析.结果 宝鸡市大气PM2.5在非供暖期（4月～10月）污染程度较轻,供暖期（11月～翌年3月）污染程度较重;燃煤锅炉烟尘对PM2.5的贡献率约为10.9％;PM2.5浓度与日均湿度正相关,与日均温度、日均大气压负相关.结论 集中供暖区供暖期（11月～翌年3月）是治理PM2.5污染问题的关键期.     

济源南山森林公园春旱期侧柏林空气负离子浓度及其与气象因子的关系

利用河南黄河小浪底地球关键带国家野外科学观测研究站的空气负离子和气象数据,分析春旱期典型天气条件下,河南省济源市南山森林公园人工侧柏林中的空气负离子浓度与气象因子的关系.结果表明：(1)晴天和阴天空气负离子浓度日变化呈“U”形曲线,雨天呈单峰曲线;日均空气负离子浓度雨天>晴天>阴天.(2)温度、相对湿度、风速和饱和水汽压亏缺均对空气负离子浓度有显著影响：晴天时,温度、风速和饱和水汽压亏缺与空气中负离子浓度呈极显著负相关,相对湿度与空气负离子浓度呈显著正相关;阴天时,温度、风速和饱和水汽压亏缺与空气负离子浓度呈极显著负相关;雨天时,温度、风速和饱和水汽压亏缺与空气负离子浓度呈显著正相关,相对湿度与空气负离子浓度呈显著负相关.     

长沙市PM2.5浓度时空分布特征及影响因子分析

为分析长沙市PM2.5浓度时间变化特征、空间分布特征及其影响因子,利用数据统计分析、克里金空间插值技术、地理探测器等方法与Arc GIS平台表达,选取长沙市中心城区10个监测点2013—2019年PM2.5日变化数据.结果显示:在PM2.5浓度时间变化特征方面,不同季节中,PM2.5浓度表现出冬季>秋季>春季>夏季的季节特征,不同时段中,各季节PM2.5浓度日均小时变化曲线均大致呈双峰形态;在PM2.5浓度空间变化特征方面,PM2.5浓度的高值区主要分布在中部芙蓉区,整体呈城区向郊区逐渐递减的变化规律.根据地理探测器研究结果发现,2017年长沙主城区PM2.5浓度主要受气温、降雨和风速因子影响,其次是道路、相对湿度、气压和人口密度,高程、植被和餐饮因子影响较小;且任意两个影响因子共同作用均会对PM2.5浓度影响增强.     

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.     

铜陵市空气污染物浓度日变化特征的观测分析

选择位于长江南岸的铜陵市为研究区域,利用2007~2010年空气污染物浓度监测数据与气象要素观测资料,分析二氧化硫(SO2)、二氧化氮(NO2)和可吸入颗粒物(PM10)浓度的日变化特征及其与气象要素之间的关系.结果表明,铜陵市空气污染物浓度和气象要素的日变化主要有"单峰单谷型"和"双峰双谷型"两种,SO2和PM10的日变化规律空间差异不显著,NO2的日变化存在明显空间差异.主要污染源附近的监测点,浓度日变化规律与气压、相对湿度和气温3个要素日变化之间存在相关性,而与风速、降水的日变化规律无关.周边无污染物排放的监测点,浓度日变化规律不仅与气压、相对湿度和气温日变化存在显著相关,还与风速呈反向相关关系.对于周边虽有部分污染源,但不是区域内的主要污染源的监测点,浓度日变化与气象要素之间无统一的相关性.     

兰州市环境空气质量变化趋势分析研究

利用2014—2017年中国空气质量在线监测分析平台公布的兰州市监测数据,采用综合指数、空气质量指数和Pearson相关系数法,分析了兰州市环境空气质量变化情况及其与气象条件的关系。结果表明:2014—2017年兰州市环境空气质量变化趋势并不一致,相比于2014年,2015年环境空气质量略有好转,2016和2017年环境空气质量呈恶化状态。近4年PM10和PM_(2.5)两项污染因子污染负荷贡献率均超过55%,是兰州市环境空气质量主要的污染物;除PM10和PM_(2.5)外,其他污染因子均达到国家环境空气质量二级标准。兰州市环境空气质量有明显的季节性变化特征,整体上呈现冬春季差,夏秋季好的趋势;监测的污染因子中,除O3浓度的变化趋势为夏秋季高,春冬季低外,其他污染因子浓度均为春冬季高,夏秋季低;以PM10为首要污染物的天数在逐年降低,但O3成为首要污染物的天数在逐年增加。气温、降水和相对湿度是影响兰州市环境空气质量的主要气象因子;气温升高、降水和相对湿度的增加均有利于改善环境空气质量。     

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%。     

Mass Concentration of Particles(PM)in Urban Environment of Changsha, China

Continuous measurement of ambient PM10 was performed by TEOM at a university campus for about one year from 20 November 2007 to 29 October 2008 in Changsha city of Hunan province.Indoor PM10 and PM2.5 concentration were measured by DustTrak simultaneously in order to describe the difference in con-centration level and daily variations of particle mass concentration between different seasons, and to survey the influence of ambient particle on indoor air quality.During the survey period,the annual average PM10 concen-tration was found to be 117.63 μg/m3.with a mean value 121.88 μg/m3 in winter and 111.50 μg/m3 in spring.The temporal trend changed quickly from time to time,and the peak values were found in rush hours and in the evening.Ambient PM10 showed a good correlation with indoor PM10 and outdoor PM2.5 but not with indoor PM2.5.These results showed that PM10 was influenced by local source(such as traffic or fuel burn-ing)and regional source.The correlation analysis has shown that ambient PM10 contributes substantial fraction to indoor PM10 but not to indoor PM2.5,which indicates other source may exist in the indoor environment.     

宝鸡市区空气中PM_(10)、PM_(2.5)污染状况研究

目的研究宝鸡市城区采暖期和非采暖期PM10、PM2.5的质量浓度变化以及比例关系,为宝鸡的雾霾治理提供技术支撑。方法在宝鸡市环境监测中心站院子设点对PM10、PM2.5分别进行采暖期和非采暖期2个时段对比监测,结合气象条件进行分析,总结规律。结果在一般气象条件下PM2.5、PM10质量浓度采暖期高于非采暖期,昼间大于夜间,但细粒子在大气中漂浮时间长,昼夜变化幅度小于可吸入颗粒物。两种颗粒物浓度受气象条件影响较大,阴天浓度明显大于晴天。结论总结了不同时段PM10、PM2.5质量浓度和二者比例关系,为以后的研究和环境管理提供参考。     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。     

长春市PM_(10)污染特征及与气象因素的相关分析

为了研究长春市PM10污染特征以及影响PM10浓度的因素,利用长春市PM10的实时监测资料,分析长春市PM10浓度的季节变化特征和污染程度.并利用同期的气象资料,建立PM10浓度和气象因素之间的多元线性回归模型,来进行两者之间的相关分析.采用逐步回归法,建立了"最优"回归方程,分析不同季节对污染物浓度有显著影响的气象因素,从而为长春市大气污染防治和雾霾天气预测提供科学依据.结果表明,长春市PM10浓度冬季偏高、夏季偏低、春季和秋季居中,2013年全年中1、4、10月份出现了不同程度的高污染现象,日平均浓度最高值达到591μg/m3.研究发现对长春市PM10有显著影响的气象因素主要有当日平均风速和最高最低气温温差.     

室内外因素对北京居室内PM10污染的影响研究

选取北京城区和郊区24户住宅,对室内和室外空气中PM_(10)进行同步数据采集,并结合《时间活动模式调查问卷》研究室内外PM_(10)污染特征。研究结果表明,2/3的居室在测试时间内PM_(10)日平均浓度超标;室内外PM_(10)具有显著正相关性;室内外温差和室外风速与室内PM_(10)均呈显著负相关,室外相对湿度与室内PM_(10)呈显著正相关。室内吸烟、手工打扫、机械打扫、蒸(焖)、炒(炸)和炖(熬)时段的I/O(室内/室外)比分别是夜间无明显活动时段的1.56~3.05倍,是白天无明显活动时段的1.02~1.49倍。应综合考虑室外污染状态、气象条件及室内人员活动状态采取措施降低居住建筑室内PM_(10)污染。     

呼和浩特市大气污染物浓度与气象要素的灰色关联分析

基于呼和浩特市大气污染和同期气象要素的监测数据,采用灰色关联度方法,研究了气象要素对PM10、SO2、NO2污染物浓度时空变化的影响.结果表明,对PM10影响最强的气象要素是日平均风速,而对SO2和NO2影响最强的气象要素是日平均相对湿度,逆温强度对三者的影响次之,总云量对其影响最弱.研究结果可为呼和浩特市大气污染预报提供有效依据.     

烟台市区大气中SO_2、NO_X及PM_(10)的时空分布规律研究

以2006—2007年烟台市区大气中SO2、NOX、PM10的监测数据为依据,分析了这3种大气污染物的时间、空间分布特征.结果表明:烟台市大气污染物浓度较低,空气质量较好.主要污染源为采暖排放、机动车排放与风沙影响.SO2、PM10污染呈明显的季节变化,SO2采暖季排放上升明显,PM10在春、秋的风沙时期保持较高的值.各污染物呈明显的区域性分布,SO2、PM10污染多集中在只楚工业区,NOX污染多集中在城市中心区域.     

深圳PM2.5浓度变化趋势及其月尺度预测方法

基于深圳市环境监测站的PM2.5浓度数据以及深圳市国家气候观象台发布的月度气象监测公报,研究了2012年至2019年深圳市PM2.5浓度的变化规律,分析了PM2.5浓度与月尺度气候要素的关系,并利用多元线性回归分析法建立了PM2.5月均浓度的预测模型。结果表明：2012年至2019年深圳PM2.5浓度呈明显下降趋势,PM2.5浓度有季节性特征,干季(1~3月及10~12月)PM2.5浓度比较高,也是PM2.5污染防控的重要时段。月降水日数、月降水量以及月平均温度与PM2.5浓度的负相关较明显,偏北风频率与PM2.5浓度呈显著正相关,可一定程度上帮助预判月均PM2.5浓度。与前人研究结果相反,月平均相对湿度与PM2.5浓度呈显著负相关。包含气象因素项以及PM2.5浓度项的月平均PM2.5浓度预报模型拟合度较高,偏北风频率、月平均相对湿度是对月平均PM2.5浓度影响最大的气象因素。利用深圳市2020年数据对模型进行检验,结果证明方程对于月平均PM2.5浓度的预报有一定适用性,可较好预报PM2.5浓度月增量。