PM_(2.5)手工标准方法与自动监测法比对分析

选取金华、衢州、温州、丽水、宁波、杭州6个城市开展PM2.5手工标准方法和自动监测法比对实验,并用相关性和相对偏差两个指标对比对结果进行分析和评价。结果表明:(1)2013年6个采样城市采集的PM2.5手工和自动监测值均具有较好的相关性(相关系数均在0.95以上),截距均在-0.010~0.010mg/m3,但斜率相差较大(衢州和丽水在0.90以上;金华、温州和杭州在0.85~0.90;宁波在0.80以下)。(2)2013年6个城市采集的PM2.5手工和自动监测值的相对偏差为-34.2%~36.5%;PM2.5手工和自动监测值相对偏差在±15%范围内的数据占总数据量的82.6%;负偏差数据占总数据量的80.0%。(3)PM2.5手工标准方法和自动监测法的比对差异与地域、季节和PM2.5浓度等条件有关。总体上,不同地区PM2.5手工与自动监测值相对偏差绝对值(︱RD︱)年平均值为衢州丽水金华宁波温州杭州;春季PM2.5手工与自动监测值︱RD︱平均值高于夏季,秋季高于冬季;各采样城市PM2.5手工和自动监测值︱RD︱平均值在高质量浓度(PM2.5手工监测值(ρ1)0.150mg/m3)下最小,中质量浓度(0.050≤ρ1≤0.150mg/m3)下最大,低质量浓度(ρ10.050mg/m3)下介于两者之间。     

重庆市春季大气颗粒物浓度的对比监测分析

通过2012年春季在重庆大气超级站进行的PM10和PM2.5手工采样与自动仪器的对比监测,分析了自动监测与手工监测的一致性及造成偏差的原因,并对PM2.5与PM10浓度的比值关系进行了分析。结果表明:MP101M型颗粒物自动监测仪用于监测PM10时系统性误差偏高,仪器初始精密度存在负偏差;用于监测PM2.5时系统性误差在允许范围之内,仪器初始精密度存在较大负偏差;PM10和PM2.5的手工采样和自动仪器监测值之变化趋势具有非常高的一致性;PM2.5与PM10浓度比值范围在56.5%～90.4%,平均比值为(73.8±7.4)%。     

杭州市区大气能见度变化趋势及其与主要污染物相关性分析

利用2004-2006年地面气象观测资料和同期环境空气质量自动监测数据,分析了杭州市区大气能见度变化趋势及其与主要污染物的相关性.结果表明,杭州市区能见度的日分布特征为14时最好,8时最差;季节变化特征为夏季>春季>秋季>冬季,全年仅7月能见度超过10 km;SO2、NO2、PM10浓度均随能见度增高而逐渐降低;影响能见度的首要因子为相对湿度和PM2.5,能见度与PM2.5浓度具有较好的相关性.     

区域大气环境中PM_(2.5)/PM_(10)空间分布研究

提出了一种利用移动监测技术研究区域大气环境中PM2.5/PM10空间分布的方法,并在2004年12月进行了宁波市全市域PM2.5/PM10空间分布的研究.数据显示:相同路径所代表的地区PM2.5和PM10具有很好的相关性,多数路径上PM2.5与PM10数据的相关系数平方在0.95以上,而不同路径上PM2.5与PM10的比值不同.文中给出了宁波市PM2.5/PM10污染的空间分布图,直观地显示出PM2.5/PM10污染的空间分布情况,突出了污染的重点点位和地区.     

基于BP人工神经网络的城市PM2.5浓度空间预测

针对PM2.5日均质量浓度,采用BP人工神经网络模型,预测研究区空气中PM2.5浓度的空间变异,通过与普通克里格(Ordinary Kriging)插值方法对比验证BP人工神经网络预测模型的精度.结果表明:BP人工神经网络预测模型下研究区检验样本点位置的PM2.5仿真浓度与观测浓度之间的均方差、平均绝对误差、平均相对偏差和相关系数分别为0.296 μg2/m6、0.412 μg/m3、1.650％和0.851;而与此同时,普通克里格插值方法下的对应结果分别为1.041 μg2/m6、0.689 μg/m3、11.910％、0.638.研究成果在肯定BP人工神经网络预测模型可用于揭示PM2.5浓度空间变异特征的同时,也证实了其相对于普通克里格插值方法在固定空间点位准确预测PM2.5浓度方面的优势.     

冷凝湿度控制对微振荡天平监测细颗粒物性能的改进

为提高细颗粒物(PM2.5)测量的准确性,尝试采用一种新型的气溶胶冷凝湿度控制器(简称冷凝湿度控制器)作为微振荡天平法颗粒物监测仪(TEOM)的除湿方式,在广东大气超级监测站开展了TEOM自动监测(一台采用传统的加热除湿方式,记为TEOM1405;另一台采用冷凝湿度控制器除湿,记为TEOM1405+除湿)和手工监测结果的对比。结果表明,根据PM2.5日均值相关性的拟合结果,TEOM1405监测较手工监测结果总体偏低约13%,加装冷凝湿度控制器后,TEOM1405+除湿监测较手工监测结果总体偏低在5%以内。加装冷凝湿度控制器后,显著提高了PM2.5的监测准确性;在相对湿度较高、二次颗粒物生成量较少的大气环境中,TEOM1405+除湿系统对PM2.5的监测结果是可靠的,而且在降雨过程中监测结果更为稳定;但在相对湿度较高、且二次颗粒物生成量较多的大气环境中,其对PM2.5的监测性能仍待进一步考察;在PM2.5污染比较严重的高污染时段,TEOM1405、TEOM1405+除湿监测到的PM2.5日均质量浓度分别比手工监测结果偏低26%和11%,偏低较多。但这种高污染情况在珠三角地区出现的概率很低,故采用TEOM1405+除湿系统进行PM2.5长期自动监测是可取的。     

山东省空气质量预报平台设计及其预报效果评估

基于排放源处理(SMOKE)模型、综合空气质量(CMAQ)模型与气象预报(WRF)模型初步搭建山东省空气质量预报平台,利用污染物在线监测数据和气象站观测数据检验预报平台的预报效果。结果表明,预报平台气象模块的预测效果与文献研究结果较一致;由CMAQ模型对2014年济南、淄博、烟台、威海的SO2、NO2、PM2.5质量浓度进行预测,SO2、NO2、PM2.5预报平均值分别在17.65~48.97、18.69~45.43、34.97~79.15μg/m3;SO2、NO2、PM2.5预报值与监测值的相关系数在0.52~0.74,标准化平均偏差、标准化平均误差、平均相对偏差、平均相对误差分别在-34.00%~-5.73%、11%~47%、-25.00%~-10.21%、20%~42%,预报平台具有良好的预报性能。最后,对未来空气质量数值预报平台的发展提出建议。     

区域大气环境中PM2．5／PM10空间分布研究

提出了一种利用移动监测技术研究区域大气环境中PM2.5／PM10空间分布的方法,并在2004年12月进行了宁波市全市域PM2.5／PM10空间分布的研究。数据显示：相同路径所代表的地区PM2.5和PM10具有很好的相关性,多数路径上PM2.5与PM10数据的相关系数平方在0．95以上,而不同路径上PM2.5与PM10的比值不同。文中给出了宁波市PM2.5／PM10污染的空间分布图,直观地显示出PM2.5／PM10污染的空间分布情况,突出了污染的重点点位和地区。     

西安市2013年PM_(2.5)浓度变化分析研究

全面分析2013年西安市13个国控环境空气质量自动监测子站PM2.5监测数据。结果表明:2013年西安市环境空气中PM2.5年均值为105μg/m3,超过《环境空气质量标准》(GB 3095—2012)二级要求(35μg/m3)200.0%,污染较严重;西安市各子站PM2.5月均值总体呈两边高、中间低的"V"型趋势,全市及各子站PM2.5月均值分别为44~206、32~275μg/m3;采暖期(上半年采暖期为1—3月,下半年采暖期为11—12月)、非采暖期(4—10月)PM2.5平均值分别为156、70μg/m3;上、下半年采暖期PM2.5平均值分别为178、124μg/m3;西安市气象风力以微风为主,雨天集中在5—9月,期间PM2.5月均值小于80μg/m3。     

成都市大气颗粒物污染特征及与气象因子的关联性分析

利用成都市2013年6月至2014年5月的PM10和PM2.5浓度监测数据,分析大气颗粒物污染特征,并探讨其与气温、相对湿度、降雨、风向、风速等气象因子的关联性。结果表明:成都市大气PM2.5污染较严重;PM10和PM2.5浓度及超标率均表现为冬季秋季春季夏季,秋季和冬季为大气颗粒物污染高发期;PM2.5对PM10贡献显著;气温超过10℃时,PM10和PM2.5最高浓度大体随气温升高而降低;相对湿度为40%~80%时,PM10和PM2.5浓度随相对湿度增加而升高;相对湿度超过80%时,易发生降雨,PM10和PM2.5浓度降低;降雨对PM10的清除量高于PM2.5,但降雨后PM10和PM2.5浓度较快回升;PM10和PM2.5浓度在偏西风下高于其他风向;PM10主要受局地源影响,而PM2.5主要受西北方向上的外来源影响。