乌海市PM2.5与气象参数的分析

通过PM2.5与气象参数的分析,得出气象因子对PM2.5浓度的影响,建议乌海市加大对西南方向防风抑尘的治理。     

北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系

北京2012~2013年的冬春多次出现雾霾天气,可吸入颗粒物(PM10)污染严重.而PM2.5作为PM10中粒径较小的部分,在PM10中所占比重越高,污染越严重.因此,本研究选取了能够覆盖北京所有区县的30个PM2.5和PM10的质量浓度监测点,对该地区的PM2.5和PM10污染特征进行分析,确定其空间差异特征和时间性变化特征.普通克里格插值(Original Kriging)法得到的北京地区冬、春季颗粒物浓度分布图显示,颗粒物浓度从北部山区到南部地区逐渐递增,在中心城区处,西部高于东部,且局部地区存在一定的城乡差异.颗粒物浓度月变化曲线呈单峰单谷型,1月最高,4月最低;逐日变化反映了PM2.5和PM10浓度具有较好的相关性,且受气象条件影响显著;日变化呈双峰趋势.本文选取日平均气温(℃)、相对湿度(%)、风速(风级)、降水量(mm)等气象因子,利用Spearman秩相关分析研究各个气象因子对大气PM2.5和PM10浓度的影响.北京冬季PM2.5和PM10的质量浓度分别与气温、相对湿度正相关,与风速负相关,风速和相对湿度是影响污染物质量浓度分布的主要因素.     

广州大学城大气PM_(2.5)质量浓度与影响因素

选择广州大学城代表性学生宿舍、教室、食堂等多个室内采样点及几个室外采样点,准确测定各采样点大气中PM2.5的质量浓度,分析各室内和室外采样点大气中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。     

环境空气中PM2.5与PM10质量浓度关系的研究

采集大连市4个大气自动监测点位30dPM2.5和PM10质量浓度小时值的监测数据,通过对每个点位720个有效数据对的统计分析,研究二者质量浓度的相关性及 PM2.5/PM10比值的分布情况,并研究了气象因素对PM2.5与PM10的影响。结果表明,雾使PM2.5PM10浓度都减小,但二者比值也随之降低;强风会使PM10浓度增大,但PM2.5浓度却减小。     

东莞城区环境空气细颗粒物PM_(2.5)特征分析

采集2010—2012年东莞市城区5个采样点环境细粒子PM2.5,根据PM2.5浓度分析其污染特征,并结合气象要素分析其影响因素。研究表明:2010—2012年,东莞市城区各测点PM2.5年均浓度在0.035~0.054 mg/m3,PM2.5污染具有明显的夏季和非夏季2种季节性特征,夏季污染相对较轻,平均值为0.036 mg/m3,非夏季污染较严重,平均值达到0.053 mg/m3;PM2.5超标情况逐年好转,2010,2011,2012年超标率分别为20.3%、9.9%、4.6%。气象因素对PM2.5浓度变化有一定的影响,PM2.5浓度变化与风速呈一定程度的负相关,与相对湿度之间呈负相关关系,与气压之间呈正关系,而非夏季温度与其浓度变化关系不明显。     

卫星遥感监测近地表细颗粒物多元回归方法研究

对地基监测PM2.5和气象数据、MODISAOD卫星数据与NCEP FNL数据进行了处理分析,在与一元简单线性模型(模型1)进行对比的基础上,建立了适应于北京及其附近地区遥感监测近地面颗粒物(PM2.5)浓度的多元线性(模型2)和非线性(模型3)回归模型,并对模型进行了评价验证和遥感监测初步应用.结果表明:模型1,2,3分别能够解释PM2.5 32.5%,56.1%,62.7%的变异.反演的PM2.5浓度与站点监测值相关性分别为0.5488(R2=0.3012),0.7449(R2=0.5549),0.7431(R2=0.5523).对于站点监测PM2.5浓度63.1652μg/m3的均值,反演均方根误差RMSE分别为43.5562,35.3321,36.8450μg/m3.模型2和3中气象因子分别能够解释PM2.5 23.6%和12.6%的变异,说明了气象因子影响北京地区春季PM2.5-AOD关系的显著性.3种模型整体上都不同程度地存在着低值高估和高值低估的现象.     

卫星遥感监测近地表细颗粒物多元回归方法研究

对地基监测PM2.5和气象数据、MODISAOD卫星数据与NCEP FNL数据进行了处理分析,在与一元简单线性模型(模型1)进行对比的基础上,建立了适应于北京及其附近地区遥感监测近地面颗粒物(PM2.5)浓度的多元线性(模型2)和非线性(模型3)回归模型,并对模型进行了评价验证和遥感监测初步应用.结果表明:模型1,2,3分别能够解释PM2.5 32.5%,56.1%,62.7%的变异.反演的PM2.5浓度与站点监测值相关性分别为0.5488(R2=0.3012), 0.7449(R2=0.5549), 0.7431(R2=0.5523).对于站点监测PM2.5浓度63.1652μg/m3的均值,反演均方根误差RMSE分别为43.5562, 35.3321, 36.8450μg/m3.模型2和3中气象因子分别能够解释PM2.5 23.6%和12.6%的变异,说明了气象因子影响北京地区春季PM2.5-AOD关系的显著性.3种模型整体上都不同程度地存在着低值高估和高值低估的现象.     

上海市西部郊区PM2.5污染状况及影响因素

通过2014年上海市西部郊区PM2.5的浓度变化分析了该地区的PM2.5污染分布状况,并且从温度、湿度和风向等方面讨论了PM2.5浓度与气象因子的关联性.结果表明:该地区2014全年超标天数有112天,超标率为30.7％,PM2.5月均浓度呈夏低冬高的趋势状态,并且PM2.5浓度与气象条件有密切的联系.该地区气温在5～15℃、湿度在60～70％时PM2.5浓度最高;在以东风为主导风盛行时,该地区PM2.5浓度较低,而在以西风为主导风盛行时,该地区易受到周边区域的高污染因素影响,形成PM2.5高浓度累积现象.     

气象因素对大气中PM2.5的去除效应分析

通过对北京地区几次典型降水、降雪、大风等天气事件过程中大气PM2.5质量浓度变化情况分析,研究了降水、降雪、大风等气象因素对大气中PM2.5的去除效应,研究结果表明,上述气象因素对大气中PM2.5均有明显去除效果,因去除机理不同,各气象因素对PM2.5的去除能力依次为风、降雪、降雨.     

交通与气象因子对不同粒径大气颗粒物的影响机制研究

为了研究北京市气象因子与车流量、车速等交通因子对PM2.5、PM10浓度水平的影响,在市区三环主路及居民区选取了28个采样点,采集滞尘量,PM2.5、PM10浓度、车速、车流量、温度、湿度、风速等数据.通过3个月的滞尘质量分析,得出交通源对空气质量的影响是显著的,其中三环主道路两侧采样点和远离交通源对照点滞尘均值分别为0.284 g和0.016 g.再由道路口与居民区对比实验(局部实验)得出,居民区采样点测得的PM2.5和PM10浓度均低于道路口颗粒物浓度,差值均值分别为101 074 n·(cf)-1和15 386 n·(cf)-1,同时PM2.5白天浓度一般低于夜间.最后结合最佳子集预测模型分析得出,PM2.5和PM10受到湿度和温度的影响最大,车速、车流量、风速次之,其中车速、车流量、低风速对颗粒物PM2.5的影响比对PM10的影响更为显著.     

常州市区空气PM2．5污染分布和气象因素影响初探

PM2.5作为一种重要的空气污染物指标,其形态与组成非常复杂,影响人类身体健康。本文根据常州市环境空气自动监测站系统的常年污染物和气象监测资料,研究了常州市PM2.5污染状况及与其他城市的比较,指出PM2.5的冬春季污染较重、夏秋季污染较轻的季节变化特征,日变化的双峰结构特征,以及城市风场和降水对常州市PM2.5浓度的影响规律。研究揭示PM2.5污染与气象因素之间的相关关系,为本地PM2.5监测、预警和污染防治提供参考。     

基于BP神经网络的天津市PM2.5浓度预测研究

根据天津市2013年12月1日-2013年12月24日气象监测数据,先进行温度、湿度、风力因素对PM2.5浓度影响的相关性分析及定性分析,绘制温度、湿度和PM2.5浓度的二维趋势分布图及气体扩散风向浓度分布图;再运用BP神经网络模型对天津市2013年12月25日-2014年1月9日PM2.5浓度进行仿真预测,最终得到精确预测值.结果表明:温度及风速因素与PM2.5的浓度成反比,湿度因素与PM2.5的浓度成正比,而且通过BP神经网络模型对于“离散样本”、“气象参数不确定性”的实际天气情况可以得到较高的预测精度.     

遵义市PM10和PM2.5污染水平时间分布及其与气象条件的关系研究

对遵义市2014年1月1日-12月31日大气颗粒物在线监测数据分析结果表明,全年PM10和PM2.5质量浓度的变化幅度较大,但变化趋势相似,且具有较好的相关性,其中冬季>春季>秋季>夏季;日变化呈双峰特征分布,夜间峰值比中午峰值大,且夜间PM2.5浓度呈区域性变化特征.选取日平均气温、相对湿度及风速等气象因子,利用Spearman秩相关分析表明遵义市全年PM10和PM2.5质量浓度与气温、相对湿度及风速等气象条件均呈负相关.     

患心血管病老年人夏季PM2.5和CO的暴露特征及评价

运用室内外环境监测与问卷调查法相结合的研究方法,对北京市某社区33名患心血管疾病的老年人夏季PM2.5、CO的暴露特征作了研究评价.结果表明,老年人夏季PM2.5、CO的24h个体平均暴露浓度分别为89.6μg/m3,1.9×10-6.PM2.5室内外浓度呈现明显的时间变化特征,并受到气象因素及室内外源排放的共同影响.对老年人群室内外与固定站点CO、PM2.5质量浓度变化的相关性分析显示,室外及固定站点的PM2.5浓度受区域污染源影响较大,CO浓度受局地源影响较大;大气PM2.5可能是影响该社区老年人健康的主要污染物.     

大气细颗粒物的污染特征及对人体健康的影响

采集兰州市2005年1月1日至2007年12月31日的大气颗粒物(TSP、PM10、PM2.5、PM1.0),分析不同粒径颗粒物的污染特征及其与气象因素的相关关系,并采用时间序列半参数广义相加模型(GAM)分析了可吸入颗粒物与呼吸系统疾病和心脑血管疾病日入院人次的暴露-反应关系.结果显示,TSP和PM10的质量浓度在春季较高,PM2.5和PM1.0在冬季较高;气象因子与大气颗粒物有显著的相关关系;对于呼吸系统疾病来说,PM10、PM2.5和PM1.0每升高10μg·m-3或10粒子数·m-3,入院危险分别增加0.052%、0.604%和0.652%;对于心脑血管疾病来说,PM10、PM2.5和PM1.0每升高10μg·m-3或10粒子数·m-3入院危险分别增加0.046%、0.697%和0.935%.由此可见,兰州市不同粒径大气颗粒物均有不同程度的污染,PM10、PM2.5和PM1.0对呼吸系统疾病和心脑血管疾病入院人次均有一定影响,且PM10对呼吸系统疾病的影响较心脑血管疾病明显,而PM2.5和PM1.0则正好相反.     

基于GAM模型分析影响因素交互作用对PM2.5浓度变化的影响

对南京市2013~2015年PM2.5及影响因素的时间变化序列,运用广义可加模型(GAM)分析影响因素交互作用对PM2.5浓度变化的影响.结果表明,PM2.5及影响因素都基本服从正态分布类型,影响因素间具较强相关性,其中气温、气压和水汽压间具有显著相关性.PM2.5浓度变化的单因素GAM模型中,所有影响因素均通过显著性检验,其中SO_2、CO、NO_2等影响因素的模型拟合度较优,方程解释度较高;PM2.5浓度变化的多因素GAM模型中SO_2、CO、NO_2、O_3、平均降雨量(PRE)、平均风速(WIND)和相对湿度(RHU)等影响因素对PM2.5浓度变化解释率为73.9%,对其变化具有显著性影响;通过多因素对PM2.5浓度变化影响效应的诊断分析,得到SO_2、NO_2和WIND与PM2.5浓度变化呈线性关系,CO、O_3、PRE和RHU与PM2.5浓度变化呈非线性关系;在影响因素交互作用对PM2.5浓度变化影响的GAM模型中,SO_2与CO、PRE、RHU间交互作用,CO与NO_2、O_3、PRE、WIND、RHU间交互作用,以及NO_2与WIND、PRE、RHU间交互作用,都在P0.01(或P0.05)水平下显著影响PM2.5浓度变化;大气污染物SO_2、CO及NO_2分别与气象等其它因素的交互作用对PM2.5浓度变化产生最主要影响作用;通过对影响因素交互作用GAM模型可视化三维图分析,定量研究了影响因素交互作用对PM2.5浓度变化的影响特征.结论表明,运用GAM模型,能够定量化分析影响因素交互作用对PM2.5浓度变化的影响,研究方法具有一定创新性,对PM2.5浓度污染与控制研究具有重要意义.     

广州市区PM2.5的时间变化

PM2.5是指大气中直径小于或等于2.5微米的颗粒物,不仅能够造成灰霾天气,而且会对人体健康造成重大危害。本文以广州市环境监测中心站2009年的监测数据为基础,对广州市区PM2.5的时间变化和原因进行了分析,结果表明广州市区的PM2.5冬季较高,夏季较低,最高浓度出现在10月,最低浓度出现在7月。PM2.5浓度日变化呈现出明显的双峰形;PM2.5浓度的时间变化特征与气象因素和污染源排放密切相关。     

自贡市PM_(2.5)浓度日变化规律及其与气象参数的关系

在连续30天实时采样监测基础上,对自贡市城区PM2.5浓度日变化规律及其与气象参数的关系进行了分析。结果表明,PM2.5浓度日变化规律显著,且与温度、湿度密切相关。     

2009年8~9月成都市颗粒物污染及其与气象条件的关系

对成都市3个不同点位PM2.5和PM10进行了为期30d的连续观测,研究了大气颗粒物浓度的时空分布特征,及其与气象条件的关系.研究表明,观测期间成都市大气颗粒物PM2.5和PM10质量浓度日均值分别为66,94μg/m3,两者浓度变化范围较大,但变化趋势相同.从空间分布来看,大气颗粒物浓度均是熊猫基地>草堂寺>丽都花园,即下风向污染状况最严重,商业繁华地段次之,生活居住区最好;从时间分布来看,大气颗粒物污染最严重出现在9月17~19日,9月5~9日2个时间段,不利的气象因素和污染物的累积是造成该时间段大气颗粒物污染加重的主要原因.PM2.5与PM10质量浓度的相关性为0.93,PM2.5对PM10的贡献较大,两者质量浓度的比值达0.69.气温对大气颗粒物浓度变化没有显著影响;降水以及风速对颗粒物浓度影响较大,主要是对颗粒物的湿清除和促进扩散作用;在一定相对湿度范围内,高湿度条件容易造成大气颗粒物的较重污染.能见度与大气颗粒物浓度呈明显负相关性,且与PM2.5的相关系数大于与PM10的相关系数.     

毕节市区大气污染特征及影响因素分析

根据毕节市2015年大气污染物浓度和气象因子的监测数据,分析了毕节市区大气污染物SO_2、NO_2、PM10、PM2.5、CO及O_3浓度的月、季和年平均变化特征及其影响因素,并对大气污染物浓度之间以及大气污染物浓度与气象因子之间的相关性进行了分析。结果表明:(1)毕节市区2015年空气质量总体良好,空气质量优良天数占95.1%,主要大气污染物为PM10和PM2.5;(2)大气污染物SO_2、PM10、NO_2、PM2.5、CO的月浓度都呈"V"型单谷变化趋势,而O_3的月浓度则为单峰变化趋势;大气污染物SO_2、PM10、NO_2、PM2.5、CO浓度的季节变化为冬季最高、夏季最低,O_3浓度的季节变化则为春季最高、冬季最低,且季节之间的差异性显著(p0.05);大气污染物PM10和PM2.5的年平均浓度分别超过我国《环境空气质量标准》(GB 3095—2012)中一级标准年平均浓度限值的18.2%和112.4%,SO_2和NO_2的年平均浓度均未超过国家一级标准的年平均浓度限值;(3)大气污染物SO_2、NO_2、CO浓度与颗粒物PM10、PM2.5浓度之间两两呈极显著正相关性(p0.01),其与O_3浓度之间呈极显著负相关性(p0.01);PM2.5浓度与PM10浓度之间呈极显著正相关性,而PM2.5浓度与O_3浓度之间呈显著负相关性,多元线性回归分析得出PM2.5浓度与其他大气污染物浓度之间的拟合方程为:PM2.5=2.718+0.130SO_2+0.747PM10+0.255NO_2-0.077O_3+0.678CO;(4)气压与大气污染物SO_2、NO_2、CO、PM10浓度之间呈显著正相关性,其与O_3浓度之间呈极显著负相关性;温度除与O_3浓度之间呈极显著正相关性外,与其他大气污染物浓度之间呈显著负相关性,且其与O_3浓度的相关性系数最大(r=0.501),说明温度对O_3浓度的影响较大;相对湿度除与CO浓度之间无显著相关性外,与其他大气污染物浓度之间均呈显著性负相关性;风速与O_3浓度之间呈极显著正相关性,其与其他大气污染物浓度之间均呈极显著负相关性。