基于气象因素的PM2.5质量浓度预测模型

为得出拟合效果最佳的预测模型,建立了多元回归和机器学习预测模型对PM_2.5质量浓度进行预测。在输入气象因素的基础上,引入污染物质量浓度基础值和周期因素两类变量作为预测输入,并对4种预测模型进行对比研究。研究结果表明:对预测输入进行改进后,多元线性回归预测模型拟合优度由0.52提高至0.64,所选取的气象参数、污染物质量浓度基础值和周期因素能较好地描述PM_2.5质量浓度的日变化情况;与多元线性回归预测模型相比,BP神经网络和支持向量机两种预测模型能较好地捕捉PM_2.5质量浓度与预测输入之间的非线性影响规律,整体拟合优度分别达0.69和0.74,预测准确度较高;支持向量机预测模型可作为PM_2.5质量浓度预测的首选方法。     

节假日效应下的PM2.5浓度预测

近年来,节假日效应带来的环境负担日趋严重,PM_2.5在节假日期间的浓度预测工作变得尤为重要。考虑气象因素、大气污染物以及大气可降水量(PWV)等数据影响,基于桂林电子科技大学尧山校区、桂林市环境监测站、龙隐小学和桂林市第八中学4个空气质量监测站点在2014—2019年春节期间的PM_2.5浓度变化情况,分别比较多元线性回归模型、神经网络模型和ARIMA模型的适用性。结果表明：对整月预测而言,多元线性回归模型在电子科大尧山校区预测适用性最佳,神经网络模型在环境监测站、龙隐小学和第八中学预测效果最好;对春节前后各一周时段预测结果来说,多元线性回归模型在桂林电子科技大学尧山校区、龙隐小学和第八中学站点预测精度最高,ARIMA模型在监测站预测精度最高。     

PM2.5净化功能控制系统的应用研究

日益恶化的空气环境给我们的健康带来了极大的挑战,特别是最近几年常常出现PM2.5超标的情况,对我们的健康造成极大的威胁,此文章主要介绍一种有效去除PM2.5的系统,通过对PM2.5浓度的检测,实时控制净化设备的开关,在净化空气的同时做到节能.     

上海市PM2.5浓度特征及影响因素分析

大气环境质量的改善一直是备受关注的问题.利用上海市环境空气质量监测站的监测数据,分析了上海市PM2.5的浓度分布特征及其影响因素.结果显示,近6年来上海市PM2.5的浓度在逐年降低,年均下降率和年均变化幅度显著,同时PM2.5的浓度分布随季节的变化也较大.研究也分析了PM2.5与温度、相对湿度、平均气压以及每日累计降水...     

PM2.5质量浓度变化特征与交通流的关系——以北京市为例

为分析城市交通运行状况对大气PM2.5质量浓度的影响,针对北京市2014年至2015年12个月的PM2.5质量浓度及交通流量变化情况,基于小波分析的相关理论,对二者的周期性变化特征及其在不同尺度上的相关性进行研究,并进一步分析了特定周期尺度上PM2.5质量浓度变化相对于机动车流量变化的滞后响应现象.研究表明:二者在24 h左右的日周期尺度上显著相关,且PM2.5质量浓度的滞后时间约为9h.     

办公建筑中空调形式对室内外PM2.5浓度相关性的影响

室外PM2.5可通过新风及围护结构缝隙渗透至室内,室外PM2.5较高时尤为明显,结果导致室内空气中的PM2.5浓度上升。为了研究空调形式对室内外PM2.5浓度相关性的影响,在2015年夏季对重庆某办公建筑中采用不同空调形式的室内外PM2.5浓度进行了实测。实测结果发现：集中式空调、分体式空调和非空调房间室内外PM2.5浓度比变化范围分别为0.59～0.76、0.47～0.76、0.71～0.91。室内外PM2.5浓度相关性系数的排序为：集中式空调环境（0.94）> 非空调环境（0.92）> 分体式空调环境（0.77）,研究结果表明,办公建筑的空调形式,对室内外PM2.5浓度的相关性有影响。     

北京市Himawari-8AOD与PM2.5质量浓度相关性分析

基于2016年Himawari-8 AOD产品、地面监测PM_(2.5)质量浓度以及相关气象资料,分析了北京市AOD与PM_(2.5)质量浓度的相关性。通过与全球自动观测网AOD产品比较,对Himawari-8 AOD进行精度评估,结果显示二者表现出显著的相关性,表明Himawari-8 AOD产品能有效表征气溶胶光学厚度的变化,适用于北京地区气溶胶的相关研究。研究结果表明:Himawari-8 AOD数据与近地面PM_(2.5)质量浓度相关性较弱,决定系数R2为0. 384 2。以气象资料中边界层高度对Himawari-8 AOD进行垂直订正,订正后AOD与PM_(2.5)的相关性显著提高,决定系数R2为0. 483 2。引入相对湿度进行湿度订正及垂直-湿度订正,二者的相关性显著降低。结合IMPROVE观测的气溶胶吸湿增长特征,采用相对湿度分区订正的方法可以提高Himawari-8 AOD与近地面PM_(2.5)的相关性,可作为辅助监测北京市近地面PM_(2.5)质量浓度的有效方法。     

银川市2013年PM_(10)、PM_(2.5)质量浓度变化及空气质量分指数等级特征分析

利用银川市2013年空气污染物日浓度资料,分析了其PM10、PM2.5的质量浓度变化特征及空气质量分指数等级特征.结果表明,PM10和PM2.5的质量浓度变化具有明显的季节特征,夏季最低,冬季最高,PM10质量浓度春季高于秋季,而PM2.5质量浓度春季略低于秋季;PM10和PM2.5月均质量浓度变化均为1月份最大,7月份最小;PM2.5和PM10日均质量浓度显著相关,相关系数达0.76,在2013年中,PM2.5占PM10质量载荷的36%.PM10和PM2.5在7—9月质量浓度低,空气质量分指数等级最好,达标率均为100%,在1月空气质量分指数等级最差.PM10和PM2.5分指数等级具有明显的季节特征,夏季空气质量分指数等级最好,冬季最差,PM10分指数等级秋季好于春季,PM2.5分指数等级春季好于秋季.     

安徽省PM2.5质量浓度时空变化特征及其影响因素分析

以2015—2021年9月安徽省空气质量指数为样本,利用GIS空间分析等方法,分析安徽省全域PM_2.5质量浓度的时空变化特征,并对可能的影响因素进行探讨。结果表明：1)2015年以来安徽省PM_2.5质量浓度在时间变化上呈现逐渐递减趋势,在季节变化上具有春冬高、夏秋低的特点,在年际变化中2015—2018年PM_2.5质量浓度在皖中地区减少幅度最为明显,其中,以合肥市减幅最大;2018—2021年PM_2.5质量浓度在皖北地区减少幅度最为显著,以亳州市减幅最大。2)安徽省PM_2.5质量浓度在空间分布上呈现由北向南的递减趋势,最高值出现在皖北,最低值出现在皖南,且存在东西部之间的差异。3)自然因素(地形地势、降雨量和风速)和人类活动(产业结构和能源消费、政策和思想理念)对安徽省PM_2.5质量浓度的时空分布和变化具有较大的影响,使得安徽省全域PM_2.5质量浓度逐渐减少,大气环境质量逐年提高。     

PM2.5浓度预测与影响因素分析

针对PM_2.5浓度的非线性和不确定性,提出了一种基于集成树-梯度提升决策树（EnsembleTrees-GBDT）的PM_2.5预测模型.该模型首先在集成树框架下进行特征选择,即选取PM_2.5浓度主要影响因素,使用算术均值聚合法计算出各项特征对PM_2.5浓度增加的影响程度,并以影响程度由强到弱的次序排序;其次使用网格搜索对GBDT算法进行参数优化,选取树的深度等参数的最优值;最后构建完整的PM_2.5浓度集成预测模型.使用北京市2015-2016年的污染物浓度和气象条件观测值2个数据集,对模型进行了预测仿真实验.对比实验结果表明,所提出的EnsembleTrees-GBDT预测模型相比于决策树、随机森林、支持向量机等模型,具有更低的平均绝对误差和均方根误差,同时具有更好的泛化能力,能够更准确地预测PM_2.5浓度,并实现对PM_2.5浓度影响因素的有效分析.     

合肥环境空气中 PM2．5的影响因素和时空分布

针对合肥市环境空气中的 PM2．5污染,使用残差分析、相关系数等方法,建立多元线性回归、污染指数、改进的高斯等模型,运用 Matlab、Eviews、Surfer 等软件,对数据进行处理,得出结论：1）影响 PM2．5浓度的主要影响因素是 CO、PM10的浓度;2）该地区 PM2．5的时空分布和传播规律为沿市区向周围污染逐渐降低;3）自然因素对 PM2．5的传播主要受到风速、温度的影响且随着温度升高污染程度降低,风速越大污染程度越高。     

济南市PM10和PM2．5污染水平研究

重量法测定了济南市PM10，PM2．5的质量浓度，分析表明，济南市PM10和PM2．5污染严重，尤其是在采暖季；PM10和PM2．5有良好的线性关系；PM2．5，PM10（β）平均值为0．53．探讨了影响β值、PM10和PM2．5浓度的因素，当PM10和PM2．5浓度较低时，β值较高。     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。     

石家庄市冬季大气中TSP,PM10,PM2.5污染水平研究

为研究石家庄市冬季大气颗粒物污染特征,于2013年2月采集TSP,PM10,PM2.5样品,用重量法分析其质量浓度,并对其相关性进行分析.结果表明,用环境空气质量标准（GB 3095-2012）来衡量,石家庄市冬季大气颗粒物TSP,PM10和PM2.5的日均浓度超标率分别为57.9％,82.9％和81.6％;超标倍数分别为1.28,1.86和2.24倍,超标情况严重;TSP与PM10和PM10与PM2.5相关系数分别为0.748 9和0.760 4,相关性较好;ρ（PM10）/ρ （TSP）平均值为0.74,ρ（PM2.5）/ρ（PM10）平均值为0.61,表明PM10和PM2.5污染严重.     

基于深度信念网络的PM2.5预测

提出一种基于深度信念网络(deep belief networks, DBNs)的区域PM_2.5日均值预测方法,讨论了训练数据选择方式,并优化了DBNs参数设置。通过相关实验并与基于径向基神经网络(radial basis function, RBF)和反向传播神经网络(back propagation, BP)方法比较,验证了基于DBNs方法的可行性和预测精度。实验结果表明:基于DBNs的方法,区域(西安市)预测PM_2.5日均值与观测日均值之间均方差(mean square error, MSE)为8.47×10^-4mg²/m⁶;而采用相同数据集,基于RBF和BP的方法均方差为1.30×10^-3mg²/m⁶和1.96×10^-3mg²/m⁶。比较分析表明:基于DBNs的方法能较好预测区域整体PM_2.5的日均值变化趋势,显著优于基于神经网络和径向基网络方法的预测结果。     

济南城区大气PM2.5、PM1.0的污染特征及大气传输

为研究华北平原PM_2.5、PM_1.0的污染特征,于2014年10月至2016年6月在济南城区使用中流量采样器对大气颗粒物样品进行采集,利用离子色谱、碳气溶胶分析仪测定了颗粒物中的水溶性无机离子成分和碳组分。结果表明:济南城区冬季大气细颗粒污染较重,二次离子SO₄^2-、NO₃^-和NH₄⁺是PM_2.5、PM_1.0最主要的水溶性无机离子,且更易富集在PM_1.0中。有机碳和元素碳的质量浓度表现为春夏低,秋冬高;二次有机碳的质量浓度在冬季明显升高,且大多分布在粒径>1 μm的颗粒物中。72 h后向气流轨迹表明,来自河北、内蒙古的长距离传输与山东地区的局地传输对济南大气中PM_2.5和PM_1.0的离子质量浓度有重要影响。济南冬季的消光系数高达789.13 Mm^-1, PM_2.5中的二次粒子NH₄⁺、SO₄^2-和NO₃^-与消光系数的相关性较高,是使大气能见度降低的主要因素。     

合肥地区大学生PM2.5暴露水平研究

针对当前全国性雾霾频发的问题,本文在合肥地区大学生群体中开展PM_(2.5)暴露水平研究,基于问卷调研所获得的大学生活动模式基础数据,结合主要微环境浓度实测结果,开展大学生个体和单位体重潜在暴露剂量的评估工作。研究发现,大学生每天超过50%的时间在宿舍度过,教室占1/5;秋、冬、春三季中除宿舍和图书馆外的其他微环境平均浓度皆超过相关环境标准,并且所有微环境室内外PM2.5浓度I/O比皆大于1;颗粒物暴露贡献最高的微环境为教室和宿舍,两者各占总量的27%;个体潜在暴露剂量影响因素中,体重性别年级季节工作日/周末;单位体重潜在暴露剂量影响因素中,性别体重年级,季节和工作日/周末与单位体重潜在暴露剂量不呈显著相关性