基于深度学习的雾霾质量浓度预测研究

为有效地预测雾霾污染程度的主要评价指标PM_(2.5)质量浓度,文章使用Blending集成学习策略并行连接CNN与LSTM,并建立基于CNN-LSTM集成学习的PM_(2.5)质量浓度预测模型。经过真实数据验证,该模型对PM_(2.5)质量浓度预测具有有效性,且相较于串联CNN-LSTM预测模型具有优越性。     

密闭室内近壁热源上方颗粒物浓度预测模型

有效预测近壁热源上方的颗粒物浓度,有助于利用热羽流贴附效应改善悬浮颗粒状况及减少有害沉积。为此,采用Grimm 1.109系列粉尘监测器对近壁热源上方的PM_(10)、PM_(2.5)和PM_1质量浓度进行了24 h实验监测,并利用实验数据对既有颗粒物浓度预测模型进行修正,建立了密闭室内近壁热源上方颗粒物无因次浓度预测模型。研究结果表明所建立的模型能较好地预测密闭室内近壁热源上方PM_(10)、PM_(2.5)和PM_1的无因次浓度。     

城市湖泊湿地建成环境对PM_(10)、PM_(2.5)浓度影响因子分析——以武汉市为例

选择武汉市主城区12块湖泊湿地为研究对象,基于LUR模型分析了城市湖泊湿地建成环境对空气PM_(10)、PM_(2.5)浓度的关键影响因子。测定时间为2014年7月,分别对12块湖泊湿地空气PM_(10)、PM_(2.5)进行同步测定,挑选晴好无风相似的3d进行数据分析。采用主成分分析法提取4项主成分,包括缓冲区内道路、水体、周边大型水体和自然条件、人口密度及气象影响因子,主成分因子解释度达到总方差的91.2%;采用双变量相关分析识别出与PM_(10)、PM_(2.5)日均浓度相关性显著的影响因子,分别为道路占比(300、500m范围)、湿地外侧500m范围内非硬质下垫面占比、湖泊湿地面积(PM_(10))、距中心城区距离;根据PM_(10)、PM_(2.5)日均浓度值与识别出的关键影响因子进行回归分析,相关系数R2分别为0.348~0.600、0.491~0.534(P0.05),表现出了一定的相关性,说明了由城市湖泊湿地建成环境对PMs关键影响因子构建的LUR模型具有一定的可行性。因此,合理规划城市湖泊湿地周边建成环境土地利用类型,对整个湖泊湿地的空气质量改善效应具有显著意义。     

城市街区形态对PM10、PM2.5的影响 研究——以武汉为例

构成城市肌理的普遍街区的空间形态与颗粒物浓度存在显著差异。基于武汉市18个空气质量监测点的PM_(10)、PM_(2.5)数据与二维、三维街区形态指标,揭示不同街区形态与PM_(10)、PM_(2.5)之间的深层关系规律,以期为城市规划管控提供参考。双变量相关分析与一元回归分析揭示了街区形态与PM_(10)、PM_(2.5)的相关性及其影响规律,多元线性回归分析揭示不同街区形态对PM_(10)、PM_(2.5)变化的贡献度。结果表明,街区之间的平均PM_(10)、PM_(2.5)浓度分别在城市平均水平55%～106%、59%～117%之间浮动,绿化覆盖率、道路面积率和相对高程对PM_(10)、PM_(2.5)具有显著影响,相对高程与绿化覆盖率对PM_(10)变化的贡献度达83.0%,绿化覆盖率对PM_(2.5)变化的贡献度达72.5%,道路面积率对PM_(10)、PM_(2.5)变化的贡献度分别为17.0%、27.5%。     

不同植被结构校园绿地对空气颗粒物浓度影响研究

通过2017年4月—2018年3月连续监测陕西省宝鸡文理学院5种不同植被结构绿地内的空气颗粒物总量(TSP)、PM_(10)、PM_(2.5)的浓度以及相关气象因子的变化,探究时间、气象和植被结构等因子对空气颗粒物浓度的影响,结果表明:1)监测日期和时间对PM_(2.5)、PM_(10)、TSP浓度有极显著的影响,在监测期内PM_(2.5)、PM_(10)和TSP在7月份最低,12月达到峰值;2)温度、湿度和风速对PM_(2.5)、PM_(10)及SP浓度均有极显著影响;在微风条件下,温度和风速与空气颗粒物PM_(2.5)、PM_(10)和TSP的浓度呈负相关,湿度与其呈正相关。在同样的气象条件下,粗颗粒物对于气象因素的响应大于细颗粒物;3)5种不同校园绿地植被结构类型对PM_(2.5)、PM_(10)、TSP浓度的削减作用在统计学上虽无显著差异,但不同植被结构的绿地对空气颗粒物均有一定滞留能力,整体上表现为在相同的气象条件下,绿地内的空气颗粒物浓度大于硬质铺装。     

哈尔滨市细颗粒物质量浓度变化特征

为了研究哈尔滨市细颗粒物质量浓度的变化特征,对全年大气中PM_1和PM_(2.5)进行了采集和分析。分析结果显示,PM_1质量浓度逐月变化趋势呈现了两边凸中间凹的特征,8月浓度最低,4月浓度最高。PM_(2.5)质量浓度逐月变化特征与PM_1相似,表现为8月浓度最低,2月浓度最高。除6—10月,PM_(2.5)质量浓度均超过国家标准。PM_(2.5)和PM_1在日间和夜间的逐月浓度变化特征基本一致,且大部分月份均表现为日间浓度大于夜间,PM_(2.5)以10月、11月、12月、1月、2月最为明显,PM_1以2月、6月、9月、10月最为明显。PM_(2.5)和PM_1质量浓度的季节变化趋势均表现为冬季最高,夏季最低,且春季略高于秋季。     

大连市某商场车库颗粒物测量及影响因素分析

本文对大连市某商场车库局部区域进行了连续两周的测试,并对影响颗粒物质量浓度的主要影响因素进行了分析。通过研究发现,车辆和人员日分布规律呈现出一个明显的M型变化曲线,在12:00和18:00达到高峰。测试期间8:00～22:00时段,PM_(2.5)浓度超标率达到54.8%,PM_(10)浓度超标率达到22.2%。从车库PM_(1.0)/PM_(10)和PM_(2.5)/PM_(10)的值可以看出,小粒径的颗粒为室内车库的主要污染源。对于颗粒物浓度影响最大的是湿度、其次是室外气象PM_(2.5)小时平均值、车辆数,温度对于颗粒物浓度的影响不大。     

城市公园大气颗粒物浓度的节假日特征

以杭州西湖风景区花港观鱼公园为研究对象,对比分析节假日与非节假日公园内大气颗粒物(PM_(2.5)、PM_(10))浓度与游客量、气象因子、植物群落类型的相关性,并从宏观—中观—微观3个层次探究花港观鱼公园大气颗粒物浓度的节假日特征,为城市公园的科学建设提供参考和依据。研究发现:大气颗粒物浓度有明显的节假日效应。宏观方面,杭州主城区元旦节期间大气污染物主要是PM_(2.5)和PM_(10),节日期间的平均浓度分别为102±41.51μg.m~(-3)、155±64.86μg.m~(-3),分别是非节日的1.6倍、1.7倍。杭州主城各区受节日影响较大的是余杭区、萧山区和下城区。中观方面,花港观鱼公园节日期间PM_(2.5)和PM_(10)有波峰现象且振幅剧烈呈锯齿状;非节日期间午后出现波谷,上下振幅较小,其影响因子特征表现为:节日期间游客量与大气颗粒物浓度相关性较高,游客游览观光活动对PM_(10)的贡献率更大;气象因子对PM_(10)的影响比PM_(2.5)显著。微观方面,公园内3种不同植物群落类型绿地的PM_(2.5)浓度表现为:密林纯林草坪。     

公园绿地植物配置对大气PM_(2.5)浓度的消减作用及影响因子

城市公园绿地具有消减大气细颗粒物浓度的功能,通过对北京4家公园内典型植物配置群落全年大气中细颗粒物(PM_(2.5))的测定,定量研究了不同植物配置模式对大气PM_(2.5)浓度的消减作用,分析了植物配置模式的各表征因子对大气PM_(2.5)消减率的影响。并分析了气象因子对大气PM_(2.5)浓度变化的影响。研究结果表明:1)不同配置模式绿地对细颗粒物的消减效果略有差异,但差异不显著。纯林绿地或乔草配置型绿地消减PM_(2.5)能力最佳,纯草坪绿地对PM_(2.5)消减率最低;2)植物配置模式的表征因子中,斑块面积会显著影响绿地对大气PM_(2.5)浓度的消减能力(P0.01),斑块面积越大,绿地对消减pM_(2.5)浓度的效果越明显。而与乔木层郁闭度、乔木层高度、草坪盖度等结构指标相关性不显著;3)各观测点PM_(2.5)浓度显示与群落内的相对湿度呈显著正相关,与大气压无关。     

园林绿地秋季温湿度与细颗粒物(PM_(2.5))浓度的关系研究——以北京玉渊潭公园为例

近年来,空气质量越来越成为社会所关注的主要环境问题之一,尤其是以PM_(2.5)为代表的空气颗粒物,对居民生活产生了巨大的影响。园林绿地是城市重要的组成部分,具有降低空气污染物等生态功能。以北京玉渊潭公园为研究地点,采用多点同步连续监测的方式,对公园内不同区域的温、湿度及细颗粒物(PM_(2.5))浓度进行监测。通过一个完整秋季的数据,分析园林绿地中温、湿度和PM_(2.5)浓度在秋季的变化情况,温、湿度和PM_(2.5)浓度之间的相关性,以及不同站点间温、湿度与PM_(2.5)浓度之间的关系。