长三角城市群PM2.5时空变化和影响因素分析

为协调经济发展与环境污染之间的矛盾,实现经济社会的可持续发展.以长三角城市群为研究区,基于PM_2.5浓度和气象数据,分析PM_2.5浓度的时空变化规律,并利用小波相干（WTC）、偏小波相干（PWC）和多小波相干（MWC）,评估PM_2.5与气象因子在时频域中的多尺度耦合振荡.结果表明：①②③④⑥⑤⑦⑧⑨⑩长三角城市群PM_2.5浓度年均值由西北向东南梯度递减,高值区域空间范围逐年缩小.PM_2.5浓度季节均值与年均值的空间分布特征相似,并且具有冬季最高,夏季最低,春秋过渡的特点.② PM_2.5浓度从2015~2021年逐年下降,达标率逐年上升.PM_2.5浓度差异逐年缩小,具有动态收敛性特征.PM_2.5浓度在夏季的收敛性大于冬季.PM_2.5浓度日均值具有U型振荡特征,整个研究期间PM_2.5浓度等级为优和良的天数占比分别为49.72%和41.45%.③ PM_2.5与气象因子的相干性在不同时频域上存在差异.时频尺度不同,影响PM_2.5的主控因子也不尽相同.在所有时频尺度上,WTC结果表明风速可作为解释PM_2.5变化的最佳变量,PWC结果表明温度可作为解释PM_2.5变化的最佳变量.④时频尺度越大,多变量组合解释PM_2.5变化的相互作用越强,而温度和风速的协同作用可以更好地解释PM_2.5变化.结果可为长三角城市群空气污染防治提供参考.     

减排措施与气象因子对2013—2019年中国大陆地区PM2.5浓度变化的贡献

利用地面气象观测站数据计算的大气自净能力指数（Atmospheric Self-cleaning ability Index，简称ASI）和环境监测站PM_2.5实测数据，评估了中国大陆地区2014—2019年相对于2013年（"大气国十条"实施初期）污染物总体排放率的相对变化，给出了PM_2.5浓度削减量中气象条件和减排措施的相对贡献.研究结果显示，2014年全国排放率总体已下降，2017年各地区全面实现减排，较2013年全国平均减排36.11%，2019年减排幅度进一步加大，至48.50%，其中中东部地区整体减排力度大于西部和东北部地区.2015和2016年秋冬，重点区域持续性重污染频发现象的出现是不利气象条件背景与减排略有放松共同作用的结果，但持续的减排措施对于遏制空气质量的恶化起到了积极作用.2019年，京津冀、汾渭平原、长三角等9个重点区域PM_2.5浓度相较2013年明显降低，高空气质量至少一半以上的原因来源于人为减排，气象因子的贡献相对较小，仅为3%~18%，一些区域气象因子对PM_2.5的改善甚至起到负作用.2013年"大气国十条"实施以来，全国各重点区域有效的污染排放控制确实对空气质量改善起到了决定性作用.本文研发的分离气象和减排措施对PM_2.5浓度变化中相对贡献的方法，使用的定量关系简单、明确，所使用的数据客观、可靠，有利于快速估算和决策.     

陕西省冬春季PM2.5时空分布特征研究

根据陕西省2016年12月至2017年5月PM_2.5质量浓度逐小时数据，利用ArcGIS分析陕西省PM_2.5污染时空变化格局，并分析造成南北差异的原因，再利用小波分析手段探讨各市PM_2.5污染时间序列周期和突变特性。结果表明：（1）陕西省冬季PM_2.5污染重，春季污染轻，并表现出"关中高，南北低"的特征，秦岭南北经济发展差异和供暖差异是控制陕西省PM_2.5污染空间格局的主要原因；（2）冬季和春季单日PM_2.5浓度变化趋势基本一致，为"双峰双谷型"，日最低值出现在16∶00~18∶00；（3）Morlet小波分析结果显示，陕西省PM_2.5日均变化序列存在多时间尺度特征。陕北城市PM_2.5污染第1主周期为40 d，关中城市和陕南商洛市有40 d和65 d两个共同周期，安康市和汉中市共同周期为20 d和80 d；（4）陕西省PM_2.5突变事件冬季频繁而春季较少，多发生在1月和2月，春季1次大范围的沙尘天气，造成了陕西省5月5日8个城市PM_2.5污染浓度剧增。     

基于空间尺度效应的山东省PM2.5浓度时空变化及空间分异地理探测

基于PM_2.5遥感数据,采用Theil-Sen Median趋势分析和Mann-Kendall显著性检验,分析2000~2021年山东省PM_2.5浓度时空变化特征,结合地理探测器,在省-市-县三级空间尺度上探测影响山东省PM_2.5浓度空间分异的影响因子影响力.结果表明：①时间上,2000~2021年山东省ρ（PM_2.5）均值在38.15~88.63 μg·m^-3之间,略微高于《环境空气质量标准》中可吸入颗粒物的二级标准限值（35 μg·m^-3）.在年际尺度上,2013年是ρ（PM_2.5）变化的峰值年,其值为83.36 μg·m^-3,据此将山东省PM_2.5浓度变化趋势分为两个阶段：持续上升和快速下降阶段.在季节尺度上,PM_2.5浓度呈现“夏低冬高,春秋居中”分布特征和先降后升的“U”型变化规律.②空间上,山东省PM_2.5浓度呈现出“西高东低”的空间分布格局,PM_2.5浓度高值区分布山东省西部地区,低值区则分布在东部半岛地区.PM_2.5浓度空间变化趋势呈现显著的空间异质性,极显著下降的区域主要分布在东部半岛地区.③因子探测结果表明,气候因子是影响山东省PM_2.5浓度空间分异的重要影响因素,平均气温对山东省PM_2.5浓度空间分异的影响最高,q值为0.512.省-市-县多尺度探测结果显示,影响PM_2.5浓度空间分异的影响因子及其影响力在不同空间尺度上具有差异性.省级尺度上,平均气温、日照时数和坡度是影响PM_2.5浓度空间分异的主要影响因子;市级尺度上,降水、高程和相对湿度是影响PM_2.5空间分异的主要影响因子;县级尺度上,降水、平均气温和日照时数是影响PM_2.5浓度空间分异的主要影响因子.     

浙江省大气PM2.5时空分布及相关因子分析

该研究以浙江省2014-2019年PM_2.5浓度数据为研究对象,应用多元线性回归和随机森林方法结合气象、植被、地形、经济、人口和基础设施等因子进行分析.研究结果表明PM_2.5浓度时空分布不均匀,时间上季节变化差异显著,总体呈冬季>春季>秋季>夏季分布规律,每年呈下降趋势;空间上呈西北多东南少的分布特征.多元线性回归和随机森林模型显示日最低地表气温（MI-GST）、日最低气压（MI-PRS）、日蒸发量（EVP）、日最小相对湿度（MI-RHU）、月植被覆盖度（FVC）、日降水量（PRE）、日极大风速（MM-WIN）、日平均相对湿度（AV-RHU）、铁路密度（Railway）、日最大风速（MA-WIN）、日照时长（SSD）、海拔（DEM）、日平均风速（AV-WIN）和河流密度（River）等15个因子对PM_2.5浓度影响显著;随机森林模型均方根误差（RMSE）、均方绝对百分比误差（MAPE）和变异解释量（R²）分别为0.133、17.83%和0.834,明显优于多元线性回归（0.278、40.48%和0.575）,表明随机森林更适合浙江省PM_2.5浓度估测,该研究揭示PM_2.5时空分布及相关因子分析,为限制空气污染提供有效策略.     

“大气十条”实施对2013—2017年大气气溶胶-辐射相互作用的影响

为应对严重的大气污染问题，我国于2013年颁布并实施了严格的《大气污染防治行动计划》（"大气十条"）.本研究利用在线耦合的区域大气化学传输模型WRF-Chem进行数值模拟，研究了2013—2017年"大气十条"实施期间大气气溶胶-辐射相互作用（Aerosol-Radiation Interaction，ARI）强度的变化及其对空气质量的影响，并量化分析了排放和气象条件变化对气溶胶-辐射相互作用强度变化和空气质量改善的相对贡献.研究发现，"大气十条"实施后ARI对PM_2.5质量浓度的增强效应明显减弱，ARI效应的减弱导致2017年全国平均PM_2.5浓度相较2013年下降了2.7 μg·m^-3，占PM_2.5浓度总降幅的9.1%.在这一过程中污染减排起了主导作用，约占ARI效应减弱导致全国平均PM_2.5浓度下降的88%，气象条件变化的贡献约占12%.在季节尺度上，冬季ARI效应减弱最为明显，使得2017年冬季全国月平均PM_2.5浓度同比2013年下降了12.1%.在区域尺度上，ARI效应的减弱对京津冀区域PM_2.5浓度的影响最为显著，使得2017年该区域平均PM_2.5浓度相较2013年下降了2.8 μg·m^-3，占该区域PM_2.5浓度总降幅的9.9%.2013—2017年，ARI效应对京津冀区域冬季重污染天气的影响程度也明显降低.以2013年1月和2017年1月为例，ARI效应使得这两个月内强霾事件期间区域日平均PM_2.5浓度峰值分别增加了47.6 μg·m^-3和33.7 μg·m^-3.研究表明"大气十条"实施后ARI对PM_2.5质量浓度的增强效应明显减弱，从而进一步推动了全国及重点区域PM_2.5浓度的下降，带来了额外的空气质量改善效益.     

陕西省PM2.5时空分布及影响因素区域差异研究

为了解陕西省PM_2.5分布特征及影响因素区域差异,基于陕西省2019年PM_2.5浓度数据,采用空间数据统计方法、空间自相关分析法和地理探测器法对PM_2.5时空分异特征及驱动因素进行探究,以期为陕西省PM_2.5研究与治理提供可靠的科学依据。结果表明：陕西省PM_2.5污染呈“冬高夏低”、“中部高、南北低”的特点。陕西省PM_2.5浓度空间分布表现为极显著的空间正相关性,陕南部分县域为低低聚集区,关中地区渭南、西安、咸阳部分县域为高高聚集区。对陕西省PM_2.5浓度影响最大的是社会经济因子（0.328—0.548）,陕北地区为GDP（0.932）,关中地区为人口密度（0.936）,陕南地区为相对湿度（0.710）。交互探测结果表明：陕西省主导交互因子为人口密度∩GDP,各种复杂的自然因素和人为活动因素耦合会大大加强对PM_2.5浓度的解释力。     

1998~2016中国八大经济区植被覆盖对PM2.5浓度时空分布的影响

目前很少有PM_2.5污染与植被覆盖的相关性深入研究,尝试对此进行补充.基于1998~2016年的PM_2.5和归一化植被指数（NDVI）的栅格数据,以中国内地八大经济区为研究对象,对NDVI值进行3个等级划分（低植被覆盖区、中植被覆盖区和高植被覆盖区）,并计算相应等级的PM_2.5污染浓度.在此基础上,从NDVI的景观尺度和类型尺度分析PM_2.5污染的时空特征,然后利用面板数据模型定量化NDVI景观格局指数对PM_2.5的影响.结果表明：①北部沿海、东部沿海、南部沿海、长江中游和东北经济区在植被覆盖相对较低的区域,PM_2.5污染较严重;而黄河中游、西南地区及大西北经济区则在植被覆盖相对较低的区域表现出较轻的PM_2.5污染;②大部分区域的PM_2.5随时间变化呈显著上升趋势;③PM_2.5与NDVI景观格局指数相关性显著（P<0.05）的区域相对较少;④景观形状指数（LSI）、斑块面积比（PLAND）、斑块数量（NP）、最大斑块占景观面积比（LPI）和聚集度指标（AI）指数对PM_2.5的影响都表现出明显的空间异质性.     

四川盆地大气污染物时空分布特征及气象影响因素研究

利用2015—2018年四川盆地内18个城市的6种污染物逐日质量浓度监测资料、同期的常规气象观测资料，采用插值、相关分析等方法，分析了四川盆地3个区域6种污染物的时空分布特征，探讨了各个污染物质量浓度与气象要素之间的关系.结果表明：①O₃在盆地中西部污染较重，PM_2.5和PM₁₀在德阳、成都、眉山、内江、自贡一带污染较重，在广元和巴中污染较轻，SO₂在巴中、南充、绵阳、德阳一带污染较轻，在广元和盆地中南部污染较重；②NO₂平均浓度呈先增后减的趋势，O₃呈增加趋势，而CO、PM_2.5、PM₁₀、SO₂均呈减小趋势；③CO、NO₂、PM_2.5、PM₁₀、SO₂呈"夏低冬高"的特征，O₃则相反，CO、NO₂、PM_2.5、PM₁₀均表现为"双峰双谷"型，O₃和SO₂则表现为"单峰"型；④偏东风有利于CO、NO₂、PM₁₀、PM_2.5的稀释扩散，偏北风有利于O₃、SO₂的稀释扩散；⑤6种污染物质量浓度均与气压、气温、24 h变温、24 h变压、相对湿度、10 m风速、700 hPa散度、850 hPa高度显著相关.风速、相对湿度、混合层高度、逆温层平均高度的增加有利于大多数污染物的稀释扩散.     

长株潭城市群PM2.5和O3浓度时空分布特征及影响因素分析

基于2015~2019年长株潭城市群PM_2.5和O₃遥感浓度数据,利用空间自相关指数和地理加权回归（GWR）等方法探究PM_2.5和O₃浓度的时空分布特征及相关因素对其影响强度.结果表明：① PM_2.5浓度整体呈现出冬季和春季高,夏季和秋季低的"U"型特征,而O₃浓度则表现为夏季和秋季高,冬季和春季低的"M"型特征,PM_2.5与O₃年均浓度高低排序为：长沙市>湘潭市>株洲市.② PM_2.5与O₃浓度在夏季呈现正相关,秋冬季为负相关,且具有显著的空间集聚特征,O₃浓度高-高集聚区的面积呈现逐年增加的趋势.③GWR结果显示：夜间灯光强度和人口密度都对PM_2.5与O₃具有正相关效应,其中,植被指数（NDVI）、风速和温度对PM_2.5浓度的影响最为显著,而风速和温度对O₃影响强度更为突出,不同因素对PM_2.5和O₃浓度影响具有显著的空间异质性.     

秦巴山地西部地区2015—2018年大气污染物变化特征及潜在来源分析

为了研究我国南北过渡带西部地区大气污染物变化特征，选取了秦巴山地西部陇南市2015-2018年大气主要污染物监测资料和气象数据，分析了各污染物的浓度水平、变化特征及与气象条件的关系，并利用HYSPLIT后向轨迹模式分析了该地区污染物潜在来源（WPSCF和WCWT）.结果表明：4年来，秦巴山地西部地区空气环境质量较好，空气质量优良率达94.24%，6项大气污染物SO₂、NO₂、CO、O₃、PM_2.5、PM₁₀平均浓度分别为19.02、23.35、701.41、83.11、30.57、56.50 μg·m^-3，均未超过国家二级标准.PM₁₀是该地区首要污染物中天数最多的，达94 d.污染物SO₂、NO₂、CO、PM_2.5和PM₁₀的季节变化和日变化特征具有较好一致性，呈"U"型变化，O₃呈单峰型，在夏季和午后浓度到达高值.颗粒污染物PM₁₀、PM_2.5与气态污染物SO₂、NO₂、CO均呈现较好正相关，气温、降水量和风速风向对污染物浓度有较大的影响.该地区冬季空气质量明显差于其他季节，颗粒物浓度主要受供暖期化石燃料燃烧和外来气流的影响.     

2011~2017年中国PM2.5多尺度时空分异特征分析

PM_2.5时空分异特征认知对大气污染联防联控意义重大,本文从空间多尺度的视角出发,利用空间模式分析方法与地理探测器,对2011~2017年中国大陆地区PM_2.5年均浓度时空分布格局及成因进行探究,从而揭示PM_2.5多尺度时空分异特征.结果表明：①2011~2017年PM_2.5年均浓度相对稳定,无明显趋势,国家与区域尺度PM_2.5变化特征基本一致,呈现"W"型变化,整体上看,污染程度由高到低依次为：中部、东部、西部与东北.②由空间模式分析结果可知,高值聚集区主要位于中国的东部、中部以及新疆的西南地区,低值聚集区则集中在青藏、云贵高原以及大兴安岭地区.③地理探测器分析结果证实：城市化因素中人口密度是国家与区域尺度上PM_2.5时空分异的主导因素,同时,产业、能耗与交通因素对PM_2.5分布格局存在不同程度影响.在区域尺度上,除了人口密度因素之外,工业用电量与公车总量对中部地区PM_2.5年均浓度影响较大,东部地区是工业烟粉尘排放量与道路面积,东北地区则为第二产业产值占比与城市绿地率,社会经济因素对西部地区的PM_2.5年均浓度影响不显著.     

基于2015～2018年实时监测数据对关中平原城市群PM2.5时空变化规律的研究

为了解关中平原城市群PM_2.5时空变化规律，利用2015～2018年国家空气质量检测平台发布的PM_2.5实时监测数据，并用地统计学和探索性空间数据分析等方法，对关中平原城市群PM_2.5污染的时空变化规律进行分析。结果表明，关中平原城市群PM_2.5污染总体呈向好趋势，PM_2.5年均超标城市由11个减少到8个，年均浓度超标率显著下降。PM_2.5污染主要出现在冬季，春秋季过渡，夏季PM_2.5浓度季度均值、月均值都最低，PM_2.5日均值曲线与月均值曲线大致趋势一致，呈单峰"脉冲型"变化；PM_2.5污染在空间上具有明显的分异性和集聚性特征，表现出"临汾-咸阳"为轴的高污染区面积逐渐缩小，而以平凉、天水为中心的低污染区面积逐渐扩大的空间变化规律。     

中国PM2.5质量浓度与传染病发病率的相关性分析

基于2004—2016年的全球地表PM_2.5数据和中国31个省级行政区（不含港澳台地区）的传染病年发病率数据,探究了PM_2.5质量浓度与9种传染病（百日咳、猩红热、流脑、麻疹、肺结核、风疹、流行性腮腺炎、急性出血性结膜炎以及流行性感冒）发病率的相关关系。研究发现PM_2.5质量浓度整体呈现东高西低、北高南低的空间分布特征。EOF分析显示浓度变化有着北增南减、东增西减的趋势。同时,PM_2.5浓度在北方的变化程度要远大于南方,在欠发达地区的变化程度要大于发达地区,但年际变化特征并不明显。选择了三类地区分析PM_2.5和传染病发病率的关系,发现在华北和东北地区与PM_2.5浓度显著相关的传染病类型高达5种,在所有传染病中,百日咳与PM_2.5浓度的相关性最为显著。最后针对三类地区,通过线性拟合得到了部分传染病发病率与PM_2.5浓度的关系式,指出PM_2.5浓度每上升100 μg?m^?3时,与PM_2.5浓度显著正相关的传染病发病率会出现不同程度的上升。     

粤港澳大湾区PM2.5本地与非本地污染来源解析

粤港澳大湾区（简称"大湾区"）建设是我国新时代重大国家战略之一.虽然大湾区空气质量在我国处于领先地位，但与世界先进湾区相比还有较大差距.制定大湾区PM_2.5精细化防控策略，需要在识别大湾区各城市PM_2.5污染来源的基础上，量化PM_2.5本地和非本地贡献及时空变化规律.基于此，本研究首次在大湾区15个站点同步开展持续一年的PM_2.5采样和组分分析，并将正定矩阵因子分析模型与后向轨迹结合，建立一种定量识别PM_2.5本地与非本地贡献的新方法.通过对大湾区不同季节所属空气域进行划分，厘清大湾区各城市PM_2.5本地与非本地贡献的动态化特征.结果发现，在2015年，大湾区15个站点共解析出9种PM_2.5污染源，分别为机动车、重油、老化海盐、扬尘源、二次硫酸盐、二次硝酸盐、金属冶炼、生物质燃烧和新鲜海盐.其中，二次硫酸盐和机动车是大湾区最主要的两个PM_2.5污染源.不同站点非本地贡献占比为51%~72%，表明外来传输是大湾区 PM_2.5污染的主要来源.内陆和沿海站点污染源的本地与非本地贡献差异较为显著，主要原因是气象条件和排放特征的差异.值得注意的是，2015年大湾区超过一半的时间处于同一个空气域，而有43%的时间处于两个不同空气域.进一步在每个季节划分空气域，发现大湾区处于两个空气域时，秋、冬季节沿海站点易形成单独的空气域，此时非本地贡献较强（68%~72%）；春季内陆站点易形成单独的空气域，此时本地贡献较强（94%）.基于对PM_2.5本地和非本地贡献变化情况的定量识别，能够为大湾区各城市制定动态的PM_2.5排放控制策略提供科学支撑.     

2013~2017年中国PM2.5污染防治的健康效益评估

为了评估中国大气环境治理带来的健康效益,确定健康风险评价的主要驱动因素,本文使用结合人群活动因子的综合暴露响应模型,对中国东部和中部地区2013~2017年可归因于PM_2.5的健康经济效益进行了估算,并量化了人口总量、人口老龄化、基准死亡率和PM_2.5暴露浓度这4个因素对健康负担的影响贡献.结果表明,2013~2017年研究区域内PM_2.5人口加权浓度下降了28.73%,PM_2.5年均暴露浓度在35 μg·m^-3及以下的人口比例从11.23%增加到27.91%.PM_2.5浓度下降使得2017年归因死亡数下降了14.43%,可避免经济损失为5588.41亿元.当PM_2.5暴露浓度达到国家二级标准（35 μg·m^-3）、一级标准（15 μg·m^-3）和世卫组织建议标准（10 μg·m^-3）时,归因死亡人数较基准年（2017年）将减少8.22%、55.05%和79.36%,避免经济损失3190.85、21374.38和30812.97亿元.人口总量、人口老龄化、基准死亡率和PM_2.5暴露浓度这4个因素对健康负担的贡献分别为-2.69%、-12.38%、1.66%和14.57%,其中污染物浓度降低是减轻健康负担的主导因素.中国的大气污染治理取得了显著成效,但在高PM_2.5浓度和高人口密度的地区,大气污染导致的健康负担仍然很重,需要实施更加严格的空气污染控制政策.     

长三角区域性PM2.5污染的空间分型及其大气环流特征研究

本文提出了一种长三角区域性PM_2.5污染日的判别方法，以出现5个、8个连片污染城市为检验阈值，分别覆盖了96%和100%的区域污染日.然后利用T-mode斜交旋转分解方法（PCT）对2015—2018年11—2月长三角地区260个区域性PM_2.5污染日进行分型，揭示了4种不同的PM_2.5的空间分布形态（整体型、西部型、西北型和东北型），其影响范围、持续时间和污染程度存在显著差异.其中，整体型污染受L型高压控制，出现日数最多（139 d）、覆盖范围最广（31个城市）、区域平均浓度最高（104.3 μg·m^-3），是影响长三角地区PM_2.5环境质量的最重要的污染类型.西部型和西北型分别受东路冷空气、西路冷空气影响，PM_2.5分别呈现"西高东低"、"北高南低"的分布形态，前者主要影响安徽大部和浙江北部，后者主要影响安徽北部和江苏西北部.东北型是长三角本地排放在弱气压场和高压中心下混合产生，主要影响江苏大部和上海，基本不受跨区域输送影响.针对不同类型的污染影响范围和程度可以采取差异化的大气污染联防联控措施.     

燃煤工业锅炉可吸入颗粒物的排放特征

利用基于荷电低压捕集器（ELPI）的颗粒物排放稀释采样系统,在8个燃煤工业锅炉的除尘器进、出口进行了烟气可吸入颗粒物（PM₁₀）和细微颗粒物（PM_2.5）的现场测试. 粒径分布结果表明,在所测粒径范围（0.03～10 μm）内,燃煤工业锅炉产生和排放PM₁₀的粒数浓度和质量浓度均出现1个峰值,峰值粒径大约在0.12～0.20 μm范围内. PM_2.5中碳组分和硫酸盐的含量较高,其中有机碳（OC）和元素碳（EC）含量分别为3.7%～21.4%和4.2%～24.6%,硫酸盐含量则在1.5%～55.2%之间. 在无控条件下,燃用原煤的层燃炉的PM₁₀和PM_2.5排放因子分别为0.13～0.65　kg·t^-1和0.08～0.49　kg·t^-1,燃用型煤的链条炉分别为0.24　kg·t^-1和0.22　kg·t^-1,而循环流化床的PM_2.5排放因子为1.14　kg·t^-1,明显高于链条炉. 由于耗煤量大,同时现有除尘设备的效率较低,燃煤工业锅炉可能成为我国最重要的PM₁₀排放源,是今后重点控制的对象.     

基于NARX神经网络的PM2.5/10浓度值预测模型——以咸阳市两寺渡监测站为例

PM_2.5和PM₁₀（记为PM_2.5/10）对空气质量和人类健康有着严重威胁,日益引起国内外的关注,并成为大气污染控制工程中最重要的部分。基于陕西省咸阳市两寺渡监测站的污染物（PM_2.5、PM₁₀、NO₂、NO、NO_x、CO）和相关气象参数的监测数据,建立起基于非线性有源自回归神经网络的预测模型,并分别针对不同预测时间段确定最优网络结构,从而实现了对未来6小时、12小时以及24小时PM_2.5/10浓度的有效预测。实验结果表明：（1）NARX神经网络模型可对未来24小时内的PM_2.5/10污染物浓度进行较为准确的预测;（2）对于PM_2.5/10未来6小时的预测能力优于对12小时、24小时的预测;（3）预测值偏高或偏低的结果与前后时间段内的气象因素及其他污染物浓度变化情况也具有相关性。     

道路扬尘排放因子建立方法与应用

排放因子是分析污染源排放特征和建立排放清单的基础数据,本研究对典型道路进行积尘负荷采样和实验室筛分分析,通过再悬浮系统和颗粒物粒径谱仪对道路扬尘粒径分布和粒径乘数进行测量,调查道路车型构成并计算车重,以北京市通州区为例应用模型法建立本地化的道路扬尘PM_2.5排放因子.结果表明,不同类型道路的扬尘颗粒物粒径分布在<2.5 μm范围内的质量比例较为接近,道路扬尘中PM_2.5与PM₁₀比值在0.28~0.32之间;不同类型道路的PM_2.5粒度乘数在0.18~0.20 g·（km·辆）^-1之间,高速路、国道、省道、县道和乡道的PM_2.5排放因子分别为0.06、0.14、0.31、0.30和0.39 g·（km·辆）^-1.积尘负荷采样、再悬浮粒径分布测量和排放因子模型计算,是道路扬尘排放因子本地化的可行方法.在建立道路扬尘排放因子过程中,粒径乘数可以应用默认值,由于不同类型道路的积尘负荷差异较大,需要分道路类型或按车流量级别进行积尘负荷采样分析,对排放因子进行本地化.