合肥地区2013年春节期间PM2.5质量浓度演变特征

利用2013年2月8~19日合肥地区获取的大气颗粒物和常规气象观测资料,依据烟花爆竹燃放、降水过程、相对湿度和风速特点,分析了PM2.5质量浓度在不同气象条件下的变化特征。结果表明:合肥春节期间PM2.5质量浓度平均值为58.3μg/m~3,仅出现两个PM2.5质量浓度污染日;城市居民集中燃放烟花爆竹引起PM2.5质量浓度急剧增大,但主要排放PM1;降水过程对PM2.5质量浓度具有湿沉降作用,过程降水量越大,PM2.5质量浓度湿沉降量越大;PM1、PM1~2.5和PM2.5~10与相对湿度的相关系数分别为0.45、0.26和-0.07,粒径尺度越小的颗粒物吸湿增长特性越显著;PM2.5质量浓度演变与风速呈负相关,两者的相关系数为-0.33,风速越大,越利于颗粒物扩散。     

气象条件对大气中PM2.5浓度的影响

分析了浙江某地近年1月至9月逐日平均PM2.5浓度与降雨量、温度、湿度和风速等气象参数的关系,得出PM2.5浓度大小与风速的变化密切相关,降雨能降低空气中的PM2.5浓度,在隔离降雨因素的前提下,无论是相对湿度还是绝对湿度与PM2.5浓度都不具有明显的相关性,日平均温度与PM2.5浓度呈现负相关。     

成都市PM2.5、PM10变化特征及其与气象因素的关系

为研究气象因素对成都市大气细颗粒物 (PM2.5)、可吸入颗粒物 (PM10) 的影响, 收集了2015―2018 年成都市 PM2.5、PM10的月平均浓度, 采用Pearson 相关分析法, 分析了成都市PM2.5、PM10与气象条件的关系。结果表明： (1) 2015 ―2018 年, 成都市PM2.5、PM10年平均浓度虽然年际间差别较小, 但整体呈现逐年缓慢下降趋势, 2015 年以来成都市的 一系列大气污染控制措施是PM2.5、PM10逐年缓慢下降的原因; 2015―2018 年成都市PM2.5、PM10浓度季节变化特征整体 表现为冬季 > 春季 > 秋季> 夏季。(2) 不同气象因素对成都市PM2.5、PM10月平均浓度的影响程度不同, 降水量与气温 是影响成都市PM2.5、PM10月平均浓度的主要因素, 两者与PM2.5、PM10呈较高的负线性相关, 其中PM2.5、PM10与降水量 的相关系数均为 −0.612, 与月平均气温的相关系数分别为 −0.822、−0.776, 降水会通过捕获大气中的颗粒物来去除 PM2.5、PM10, 而温度的升高会加强PM2.5、PM10等污染物在垂直方向上的对流运动, 从而对成都市污染物浓度的降低起 到重要作用; 日照时数、月平均风速、相对湿度等与PM2.5、PM10月平均浓度整体也呈现负相关, 但与降水量和气温相 比, 日照时数、月平均风速与PM2.5、PM10月平均浓度的相关性较低, 而相对湿度与PM2.5、PM10月平均浓度的相关性则 更加微弱, 表明相对湿度的变化对成都市PM2.5、PM10的积累和扩散影响很小。     

合肥地区2013年春节期间PM2.5质量浓度演变特征

利用2013年2月8～19日合肥地区获取的大气颗粒物和常规气象观测资料,依据烟花爆竹燃放、降水过程、相对湿度 和风速特点,分析了PM2.5质量浓度在不同气象条件下的变化特征。结果表明:合肥春节期间PM2.5质量浓度平 均值为58.3 μg/m3,仅出现两个PM2.5质量浓度污染日;城市居民集中燃放烟花爆竹引起PM2.5质量浓度 急剧增大,但主要排放PM1;降水过程对PM2.5质量浓度具有湿沉降作用,过程降水量越大, PM2.5质量浓 度湿沉降量越大; PM1、PM1～2.5 和PM2.5～10与相对湿度的相关系数分别为0.45、0.26和－0.07,粒径 尺度越小的颗粒物吸湿增长特性越显著; PM2.5质量浓度演变与风速呈负相关,两者的相关 系数为－0.33,风速越大,越利于颗粒物扩散。     

细微大气颗粒物PM2.5影响因素研究

通过采样分析得知PM2.5质量浓度与温度、风速呈现非常显著的负相关关系,与相对湿度呈现非常显著的正相关关系,与大气压的相关性则比较弱。气象要素对PM2.5质量浓度的影响从主到次顺序依次是相对湿度、风速、温度、气压。     

西安工程大学采暖期大气PM2.5质量浓度与影响因素

在西安工程大学金花校区均匀布置20个采样点,准确测定各采样点大气中PM2.5的质量浓度,分析采样点大气中PM2.5污染程度及分布特征;根据同步记录的气象数据,分析评价气象因子对大气PM2.5质量浓度的影响。     

R在环境监测中的数据挖掘处理和应用分析

通过对不同数据分析软件及其分析方法的比较,提出了R软件在数据挖掘、处理及分析方法上的应用。运用R软件中的概述统计量、方差分析、相关分析、主成分分析等数据分析功能,并通过对太原市PM2.5区域变化特征和影响因素的分析案例,介绍R软件强大的数据分析功能,分析结果为:太原市各个监测区域之间PM2.5的质量浓度差异显著;CO和SO2,CO和NO2,CO和PM10具有高度的线性相关;空气中的污染物以CO、PM10、PM2.5和O3为主。该结论对空气质量的防控有指导性的意义。     

2016年春节期间西安市大气颗粒物中多环芳烃的污染特征

2016年春节期间, 利用小流量采样器采集西安市大气颗粒物中PM2.5和PM10样品,有效样品30个,使用高效液相色谱仪（high performance liquid chromatography, HPLC）分析样品中16种多环芳烃(polycyclic aromatic hydrocarbons,PAHs)的质量浓度特征,及组分分布特征。运用比值法和气象参数对PM2.5和PM10中PAHs来源进行解析。结果表明: 除夕后的颗粒物浓度(PM2.5平均质量浓度为180 μg?m-3,PM10为286 μg?m-3)明显高于除夕前(PM2.5平均质量浓度为160 μg?m-3,PM10为88 μg?m-3); PAHs主要分布在PM2.5细颗粒中,约占70%以上;PM2.5和PM10中不同环数的芳烃分布主要以3环、4环和5环为主;春节期间PAHs浓度持续居高,主要源于冬季采暖煤的不完全燃烧以及汽油车和柴油车等交通污染排放,PAHs浓度的突然骤升主要来源于烟花爆竹的燃烧。     

应用SVM的PM2.5未来一小时浓度动态预报模型

目前现有的PM2.5模式预报值偏离实况观测值较大。针对上述问题,从上海浦东气象局获得2012年11月~2013年11月的PM2.5实况观测浓度、PM2.5模式预报（WRF-CHEM）浓度和主要气象影响因子的模式预报数据资料,在PM2.5模式预报数据的基础上,加入另外5个主要气象影响因子的模式预报数据,应用支持向量机（SVM）建立动态预报模型,提高PM2.5未来一小时浓度预报的精度,并且与径向基神经网络（RBFNN）、多元线性回归法（MLR）、WRF-CHEM作对比。实验结果表明:该算法较大提高了PM2.5未来一小时浓度预报的精度,预报精度优于RBFNN、MLR和WRF-CHEM,并且对PM2.5浓度变化剧烈的情况具有较好地预报能力。     

河南省PM2.5时空分布特征研究

PM2.5是影响河南省空气质量的首要污染物,秋冬季节灰霾污染严重。为了解河南省PM2.5污染的特征,对河南省的17个城市,运用统计学方法和ARCGIS技术分析其时空分布特征。结果表明：从2015年1月至12月,河南省17个城市日均质量浓度达标天数比例为57.16%,冬季整体污染严重,超标天数比例为73.68%,春季超标天数比例为44.37%,秋季超标天数比例为34.52%,夏季超标天数比例为20.08%。在去除气象记录的空气质量重污染日之后,周末的PM2.5平均值比工作日高 8.04%,表现出“逆周末效应”。PM2.5/PM10值在0.50~0.65之间,且PM2.5与SO2相关性较高,表明河南省受传统煤烟型污染影响较大,粗粒子污染明显。 PM2.5与PM10、SO2、NO2均呈现显著的相关性,说明河南省的污染主要是由燃煤及机动车尾气造成。由于温度及光照变化的影响,河南省PM2.5与O3在不同季节呈现显著差异,其在冬季和秋季的相关性分别为-0.315(p=0.05)、-0.353(p=0.05),而在夏季的相关性为0.496(p=0.01),春季为0.003。     

香港港口PM2.5和PM10的多重分形特征

颗粒物是港口地区的主要污染物之一,利用多重分形理论分析港口地区PM2.5和PM10浓度的多重分形特征。首先,运用多重分形消除趋势波动分析方法(Multifractal detrended fluctuation analysis, MF-DFA)分析PM2.5和PM10自身的多重分形特征,结果显示PM2.5和PM10浓度的演化过程表现出非线性、复杂性的多重分形特征,且PM10浓度的多重分形特征较PM2.5强。其次,利用多重分形消除趋势交叉波动分析方法 (Multifractal detrended cross-correlation analysis, MF-DCCA)研究港口地区PM2.5和PM10的交叉相关性,结果表明两者之间不仅存在具有长期记忆性的多重分形特征,而且其互相关性多重分形特征具有明显的季节变化特征。港口地区PM2.5和PM10的多重分形特征在春季最强,夏季次之, 秋季最弱。这些结论对港口地区PM2.5和PM10的联合控制具有一定的参考价值。     

基于遥感数据和GWR 模型的成都PM2.5 浓度时空分布特征研究

利用 MODIS 021KM 数据反演成都地区 2018 年逐日 AOD 数据, 并结合 PM2.5 地面监测数据以及气象数据 构建地理加权回归 (GWR) 模型得到成都地区逐月 PM2.5 浓度。结果表明: (1) 和多元线性回归模型相比, GWR 模型 反演的 PM2.5 浓度的 R2、 ERMS 和 EMA 分别为 0.884、 7.8704 µg·m−3 和 6.1566 µg·m−3 , 都优于多元线性回归的 0.808、 9.7098 µg·m−3 和 7.6081 µg·m−3, 说明该模型能有效估算成都地区 2018 年 PM2.5 浓度。 (2) 成都地区 PM2.5 浓度在月尺 度上呈现出先降低、后升高的变化特征。 2 月最高为 67.38 µg·m−3, 7 月最低为 28.31 µg·m−3; PM2.5 浓度季节变化特征 为夏季、秋季、春季、冬季依次递增。 (3) 成都地区 PM2.5 浓度空间分布总体上呈现“中间高、两边低”的特征。西部 地区为 PM2.5 浓度低值区, 中部地区为高值区, 东部的简阳市和金堂县为 PM2.5 浓度次高值区。     

基于LUR 模型下PM2.5 浓度的空间分布模拟分析

PM2:5 是大气重要污染物之一, 模拟 PM2:5 浓度空间分布对于大气污染防治具有重要意义。将土地利用回归 模型 (LUR) 应用到安徽省污染较重的皖北地区, 以监测点为中心, 建立半径分别为 0.5、 1、 1.5、 2、 3、 4、 5 km 的 缓冲区, 结合土地利用因子、道路因子、污染源因子、气象因子、高程因子及人口因子共 105 个变量, 建立了该地 区四季和年均 LUR 模型, 并通过留一交叉互验, 验证了模型精度。结果表明: 研究区 PM2:5 浓度受草地、湿地、降水 量、相关湿度、气压、风速、二级公路、三级公路、废气污染企业、人口数量影响较大。调整 R2 分别为 0.828 (春)、 0.731 (夏)、 0.831 (秋)、 0.775 (冬)、 0.892 (年均); 均方根误差 (RMSE) 分别为 6.34 µg·m−3 (春)、 7.01 µg·m−3 (夏)、 6.28 µg·m−3 (秋)、 6.71 µg·m−3 (冬)、 5.33 µg·m−3 (年均); 模拟精度 R2 分别为 0.825 (春)、 0.730 (夏)、 0.834 (秋)、 0.772 (冬)、 0.897 (年均), 模型表现良好, 解释力强。从模拟的 PM2:5 浓度空间分布可以看出, 不同季节呈现明显不同的空间分布特 征, 这与来自北方的大量污染颗粒物、当地的煤矿开采以及秋耕秸秆燃烧等潜在污染源有关。     

安徽省寿县气溶胶消光系数变化特征分析

基于自主研发的气溶胶消光光谱仪, 在安徽省寿县观测站点进行了连续观测, 并对 2016 年 5 月至 12 月期间 该地区的大气气溶胶光学特性开展了研究。结合不同大气因素分析了观测结果的时间序列变化及日变化规律, 对比 了消光系数与 PM2.5 质量浓度、散射系数的相关性, 并探讨了风速风向对于寿县消光系数变化的影响。结果表明: 寿 县地区大气消光系数时间序列变化与日变化特征明显, 且受到不同气象要素的影响。秋季和冬季的大气污染情况较 为严重, 与其他季节相比, 污染天气的天数明显增多; 与清洁天气相比, 污染天气的消光系数和 PM2.5 质量浓度、散射 系数显著增大。特别在冬季, 污染事件频繁。在 12 月份出现过重度污染天, 其 24 h PM2.5 平均浓度超过 150 µg·m−3 , 且该月消光系数和 PM2.5 质量浓度、散射系数均达到观测期间月平均最大值。整个观测期间, 从日变化来看, 消光系 数、PM2.5 质量浓度及散射系数均是白天波动较大, 午后出现最低值; 其中消光系数最大值出现于清晨 08:00 左右, 最 小值则出现于下午 16:00 左右。此外, 消光光谱仪测得的气溶胶消光系数与 PM2.5 质量浓度和散射系数的相关系数分 别为 0.91 和 0.83, 说明研制的消光光谱仪同其他仪器的测量结果具有很好的一致性。     

基于LabVIEW的小型气象站设计

针对大气参数测量要求与测量方法,利用C8051F350及多种传感器等设计了一种小型自动气象系统。该系统可采集温度、湿度、风速、风向、气压、PM2.5浓度等信息,并将数据通过无线串口上传至主机,利用主机上LabVIEW设计的程序将实现气象信息显示、记录。由实验结果可知,该小型气象站可满足一般情况下的大气测量要求。     

用光学粒子计数器测颗粒物质量浓度和能见度

2001年夏季和冬季，在北京市大兴区榆垡镇，利用光学粒子计数器、能见度仪和颗粒物质量监测器对近地面大气气溶胶粒子数密度、大气能见度、颗粒物质量浓度(PM10、PM2．5和PM1．0)等进行了联合观测实验，取得了大量相关资料．本文通过对不同尺寸大气气溶胶粒子的数密度与颗粒物质量浓度及大气能见度的多元线性回归分析，给出了利用粒子数密度计算PM10、PM2．5、PM1．0和大气能见度的经验计算公式．     

基于激光雷达观测网的杭州及周边地区颗粒物污染特征研究

激光雷达观测网是研究区域大气颗粒物污染分布特征的有力工具。长三角地区激光雷达观测网部分站点的激光雷达资料与地面气象数据、PM2.5、PM10质量浓度数据,以及HYSPLIT后向轨迹模型模拟的后向轨迹相结合,对2016年9月杭州及其周边地区一次颗粒物污染的来源和成因进行了分析。分析结果表明,9月8日杭州颗粒物污染过程是该地区局地污染与高空输送共同作用的结果,且粗粒子主要来源于西北方向。杭州地区SO$_2$浓度整体较低,PM2.5浓度与NO$_2$浓度呈正相关,细颗粒物主要以硝酸盐为主。较高的NO$_2$浓度和高湿度、低风速的不利气象条件,是该地区局地细粒子快速增长的主要原因。     

基于SVR-LUR模型的城市道路PM10空间浓度分布模拟

针对传统土地利用回归模型(Land use regression, LUR)未考虑影响因子与大气污染物之间非线性复杂关系 和易出现多重共线性的问题。以PM10为例,采用支持向量回归机(Support vector machine regression, SVR) 改进土地利用回归模型的建模方法构建SVR-LUR模型,对上海市南浦大桥周边区域PM10空 间分布进行模拟。研究结果表明: 1)研究区域PM10浓度与100 m缓冲区内的空地面积, 150 m缓冲区内的建筑工地面积、 空地面积、河流面积, 200 m缓冲区内的绿地面积和河流面积,以及湿度、交通流量和背景浓度相关性较高。 2) SVR-LUR模型可较好地对研究区PM10浓度进行空间分布预测。SVR-LUR模型与LUR模型相比, SVR-LUR模型预测精 度较高,其测试集比LUR模型测试集的平均绝对误差(Mean absolute error, MAE)及均方根误差(Root mean squares error, RMSE)分别减小了22.92\%、33.51\%,拟合指数(Index of agreement, IA)值增加了13.20\%。 相较于普通克里金插值模型所得到的单一梯度空间分布预测结果, SVR-LUR 模型能够更有效揭示小范围内的空间差异。 3)研究区PM10浓度空间分布呈现出西高东低的总格局,在建筑物和路网密集的地方浓度较高,而在靠近江面和空地 的区域浓度相对较低。模拟结果与实际情况相符。