南昌市主要空气污染物浓度及其与风力风向关系研究

对2016年南昌市PM_(2.5)、PM_(10)、NO_2等主要空气污染物随时间变化特征进行了统计分析,并运用广义可加模型探究了它们与风力、风向的关系,并在风力风速一定时重点探讨了它们之间的内在联系。研究表明,2016年南昌市空气质量较好,PM_(2.5)、PM_(10)、NO_2浓度达到国家二级标准的天数超过80%,AQI指数级别为优良的天数达到317天。从季节差异来看,秋冬季时空气质量较差,春夏季的情况相对较好。从空气污染随风力、风向变化的关系来看,AQI指数在盛行东北风时随风速增加;风向为偏东且高风速时,PM_(2.5)、PM_(10)、NO_2浓度相对较高;风向风速一定时三种污染物之间呈正相关,且PM_(2.5)与PM_(10)相关性较高;PM_(2.5)/PM_(10)超过国际标准的天数有93天,并且当风向为西北、北、东北且风速高时比值较高。     

永泰县城区空气中主要污染物类别及其影响因素分析

经监测,永泰县城区大气污染物主要为PMl0、PM2.5、O3,影响O3的因素主要有汽车尾气排放、日照,PMl0、PM2.5浓度大小除与车流量、烟花爆竹燃放相关外,还与降水、风速等气象因素密切关联。针对这些影响因素,该文提出了相应的防治措施。     

武汉市空气污染物长期变化规律研究

搜集了武汉市2006年~2013年8a间的PM10和气态污染物(包括SO2、NO2、NO、CO和O3)质量浓度监测数据.利用基于Loess的季节趋势分解和窗口滑动平均等时间序列分析方法提取了各种监测指标的长期趋势、季节变化和周变化规律.结果表明,武汉市PM10历经了6a的缓慢下降后于2012年后开始急剧上升,SO2出现明显的下降趋势,其他污染物在2013年之前呈现出小幅上升或基本稳定的趋势,2013年有明显上升;季节规律方面,PM10、SO2、NOX和CO都表现出冬季高夏季低的变化特征,O3则呈现相反的变化特征,另外每年4月PM10会出现一个小高峰现象;PM10表现出明显的周变化规律,呈现出以周三为谷值周六为峰值的周期性变化,而其他气态污染物基本没有明显的周变化规律.     

基于自编码网络的空气污染物浓度预测

深度学习为城市空气污染物浓度预测提供了更为强大的数据拟合能力,为空气污染预测提供全新的智能计算方法.为此,提出了一个基于自编码神经网络的污染物浓度预测模型AEPP(auto-encoder-based pollutant prediction).该模型包括编码器和解码器两个部分.其中,编码器用于提取出时间序列污染物浓度数据分布特征,即语境向量;解码器利用提取的特征预测未知时间内污染物浓度数据.模型中编码器和解码器采用多层LSTM(long short-term memory)模型结构,实现长时间依赖预测目标.实验表明,提出的模型可以提高对污染物浓度的预测水平.     

石家庄市大气颗粒污染物主要成分及其来源分析

总悬浮颗粒物(TSP)是对环境与人体健康造成危害的主要物质。因此,本文对石家庄市大气悬浮颗粒物的时空分布和组成进行分析,探究了导致石家庄市产生雾霾的物质及其来源。结果表明:(1)研究区PM_(10)和PM_(2.5)平均浓度差异性较小,且高于《环境空气质量标准》(GB3095-2012)中所规定的年平均二级浓度限值;(2)西南高教的PM_(10)浓度相对较小;(3)石家庄市冬季TSP、PM_(10)和降尘的浓度均高于夏季;(4)TSP和PM_(10)二者所含重金属种类和含量高低顺序基本一致,由高到低依次为Ca、Al、Fe、Zn、Pb、Cu、Ni、Cr、Cd;(5)冬季(雾霾期)与夏季(非雾霾期)污染物主要化学组分基本一致,但冬季各元素含量明显高于夏季。     

一种空气污染物浓度预测深度学习平台

在空气污染大数据预处理的基础上,提出了一个基于深度学习的空气污染物浓度预测平台.该平台架构分为数据采集层、模型层和可视化界面层3个层次,分别实现了数据采集与处理,基于长短期记忆(LSTM)网络模型的污染物浓度预测,以及预测结果可视化的功能,通过对用户个性化模型参数的设置,实现不同时间段污染物浓度时间序列的预测.     

贵阳市西郊PM10污染特征及其与主要气象因素的关系探讨

对贵阳市西郊一贵州大学蔡家关校区的PM10进行了系统采样,分析了PM10的污染水平及在时间上的污染特征,并探讨了PM10与主要气象因素（如相对湿度、风速、气压、温度等）的关系。结果表明：贵阳市西郊PM10出现轻度污染,且春、夏、秋季PM10超标率分别是24％,25％,14％,超标倍数范围分别是0．04～0．49,0．02～0．35,0．09～0．48;春、夏、秋季的PM10／TSP比值平均值分别为62％,72％,69％,与北京、西安等城市的PM10／TSP比值结果相当,略高于安阳市;春、夏、秋季PM10浓度变化不大,夏季略高、秋季次高,春季略低。春季和秋末白天易出现高浓度污染,而夏季夜间易出现高浓度污染;PM10浓度与相对湿度、风速呈负相关关系,与气压呈正相关关系,与温度的相关性不大。     

太原市冬季气象条件对污染物PM10迁移扩散的模拟研究

利用CALPUFF和HYSPLIT模式,以太原一电厂为污染源,模拟了初冬时段PM10的扩散过程,在分析地形及复杂风场对污染物扩散的影响时,研究了PM10在典型气象条件下的迁移扩散.模拟计算结果表明:气象条件不利于污染物扩散,造成太原市区西部古交和万柏林间高PM10浓度区;同时,小静风条件下的局地环流造成市区PM10浓度较高.还探讨了利用模式结果和监测数据估算源项的方法,研究表明,数值模式可以用来进行大气质量模拟并进行污染源管理.     

兰州城市冬季大气气溶胶特征的综合观测研究

对Anderson分级采样器采集的PM10进行了谱特征的分析，研究了PM2.5在PM10中所占的比例，并从实测的大气气溶胶光学厚度资料出发，应用消光法反演了兰州城市冬季大气柱气溶胶粒子谱。结果表明：低层大气和整层大气的气溶胶粒子数密度谱分布都具有3峰型特征。兰州城市冬季的大气污染主要是由于燃煤和汽车尾气造成的，有时也可能是由于城市的风沙扬尘造成的。     

基于主曲线的空气悬浮颗粒物质PM10的预测

对空气中有害物质(例如PM10)的浓度进行预测具有重要的现实意义,但绝大多数情况下,这类数据具有不均衡、在线贯序到达的特点,利用传统监督学习方法较难以实现快速、有效的预测。为解决该问题,提出了一种基于主曲线的PM10预测方法,建立在2010年到2012年PM10的模型,拟合得到相应的参数,最终得到主曲线预测模型,并通过大量实验分别设定不同浓度PM10相应的阈值。研究表明,基于主曲线的PM10预测模型预测速度快、误差低,同时网络结构更加紧凑。     

论园林植物对城市空气的净化作用

如今,园林植物已经成为城市生态环境的重要组成部分之一。它们一方面作为装饰环境而存在的,另一方面对城市街道的空气具有一定程度的吸收净化能力。本文在此主要分析园林植物对城市街道空气的净化作用。     

校园3种植被类型对春季空气PM2.5含量的影响

为了研究植被与空气质量的关系,以中原地区河南大学金明校区内裸地、针叶植被和阔叶植被为例,采用DES-8空气监测仪实测空气指标,并分析了春季空气指标在晴天与阴天状况下的差异。分析结果表明:阴天状况下,针叶植被的空气PM2.5含量为70.56μg·m~(-3),显著高于阔叶植被(36.23μg·m~(-3))和裸地(24.62μg·m~(-3));相反,晴天状况下,针叶植被的空气PM2.5含量(24.67μg·m~(-3))则显著低于阔叶植被(51.95μg·m~(-3))与裸地(70.62μg·m~(-3))。此外,阴天状况下,空气PM2.5含量与空气温度呈负相关,而与空气相对湿度呈正相关;晴天状况下,两种关系则相反。     

空气中PM2.5浓度的灰色预测与关联因素分析

2013年1月开始,国内持续的大范围雾霾天气,将PM2.5问题推向了舆论热潮的顶峰.结合武汉市监测点的数据建立灰色预测GM(1,1)模型,并编写VB程序建立GM(1,1)系统,对未来短期PM2.5浓度变化进行预测,弥补了监测过程中缺失的数据.此外,根据武汉市空气质量监测数据和京津冀、上海、广东及全国其他地区的工业废气、粉尘排放量数据进行灰色关联度分析,得出CO,O3,NH3和NH4NO3与PM2.5浓度的相关性较强,从而为进一步研究PM2.5提供科学依据.     

咸阳市区颗粒污染物浓度分布特征与气象条件的关系

为研究咸阳市城区大气污染气象条件特征,统计分析了2014—2018年咸阳市城区大气浓度监测数据,对其浓度变化特征进行分析,同时选取冬季污染较重和空气良好的两个时段,对其相应的天气形势、物理量场及污染气象参数进行分析.结果表明:咸阳市城区大气污染物主要是以PM2.5和PM10为主的颗粒物,其季节变化明显,尤其在每年11月...     

2014-2017年除夕期间燃放烟花对南昌市空气PM2.5的影响

文章根据中国空气质量在线监测分析平台PM2.5污染物监测数据,定量评估南昌市2014-2017年除夕期间集中燃放烟花爆竹对大气PM2.5质量浓度的影响。结果表明:南昌市2015年除夕的降雨有效抑制了燃放烟花爆竹引起的对大气PM2.5浓度的增高速率。南昌市2014年、2016年和2017年除夕燃放烟花爆竹对大气PM2.5的贡献量分别为65.8、102.9、21.2μg/m~3,燃放烟花爆竹对空气中PM2.5的质量浓度增加显著。限制烟花爆竹的燃放可显著提升南昌市除夕期间的空气质量。     

基于HYSPLIT模型的2017年西安市首要大气污染物变化特征及潜在源区分析

利用2017年西安市13个空气质量监测站点实测数据,分析了大气污染物CO、NO₂、O₃、PM₁₀、PM_2.5、SO₂的变化规律及特点,用空气质量分指数计算了不同季节的大气首要污染物,基于混合单粒子拉格朗日综合轨迹模型分析了2017年西安市污染物的后向轨迹和聚类轨迹,采用潜在源贡献因子法和浓度权重轨迹分析法计算了各个季节首要污染物的潜在源区分布.结果表明, 2017年西安市逐日ρ(NO₂)、ρ(PM₁₀)、ρ(PM_2.5)、ρ(SO₂)和ρ(CO)夏季低、冬季高,逐日ρ(O₃)值夏季高、冬季低,反映了西安市春季首要污染物是PM₁₀,夏季首要污染物是O₃,秋冬季首要污染物是PM2.5.冬春季西安市气流轨迹方向以西北向为主,携带了大量的颗粒物和气体污染物.西安夏季污染主要以本地污染源为主.秋季,来自内蒙古南部、陕西延安、铜川的北向气...     

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。     

兰州市三种主要空气污染物(SO2,NO2,PM10)的统计预报方法

本文由空气污染扩散方程,得出了兰州城区三种主要空气污染物(SO2、NO2、PM10)浓度的统计预报模型框架。通过逐步回归,确定了兰州市三种主要污染物(SO2、NO2、PM10)浓度的24时变量的预报方程。拟合及试报表明:本方案在预报方法上使用方便,预报准确率较高。     

城市天气类型及其对污染物质量浓度的影响

根据长沙市2005--2009年每天24h气象数据和天平均污染物(SO2与NO2)浓度,运用主成分(PCA)与聚类(CA)统计分析方法对影响城市大气污染物扩散的地面天气进行分类,得出影响污染物浓度的主要天气类型,分析不同天气类型下的污染物浓度变化特征.研究结果表明:高压反气旋控制之下容易形成高浓度污染,而在低压气旋或槽等天气类型控制时污染物浓度相对较低;同一种天气类型对不同污染物的影响程度也有所不同.研究结果能为大气环境质量预报与与空气污染总量控制等措施提供科学依据.     

减少空气污染物的主要途径

本文概述了空气污染物对人类、动植物生长和大气环境的损害及影响,较详细阐述各种动力装置的主要排放物和光化烟雾特性,最后论述了目前减少污染物的主要方法。