齐齐哈尔市PM2.5与PM10污染趋势及相关性分析

对2014—2016年齐齐哈尔市PM_(2.5)与PM_(10)质量浓度的时间变化特征进行简要分析,并探究PM_(2.5)/PM_(10)以及PM_(2.5)与PM_(10)的相关性。结果表明:2014—2016年齐齐哈尔的PM_(2.5)与PM_(10)的年均质量浓度分别为36.7、62.9μg/m~3,且呈逐渐下降趋势;冬季的PM_(2.5)与PM_(10)浓度最高,秋季次之,春季与夏季相对较低;2014—2016年PM_(2.5)与PM_(10)质量浓度月变化趋势基本相同,整体呈现2—6月逐渐下降,9—11月逐渐上升的规律;PM_(2.5)与PM_(10)质量浓度的日变化均呈双峰现象;对PM_(2.5)与PM_(10)进行线性拟合,相关系数为0.896 3。同时,残差分析也说明两者拟合情况良好,四季相关系数为r_(秋季)(0.982 2)r_(冬季)(0.964 4)r_(夏季)(0.943 9)r_(春季)(0.829 6);2014—2016年PM_(2.5)/PM_(10)平均值为55.27%,大气颗粒物PM_(2.5)的贡献率高达一半以上。     

区域PM2.5时空回归建模与预测

基于区域PM_(2.5)时空建模和预测的需要及PM_(2.5)浓度呈现明显的时空分布趋势的状况,以苏南地区2014年PM_(2.5)日监测数据为实验数据,使用回归克里格对区域PM_(2.5)进行时空建模和估值。利用最小二乘法建立了PM_(2.5)与时空位置的三元二次回归趋势模型,建模点趋势值与实测值间的平均误差接近于0,表明趋势模型拟合效果较好;拟合了样点残差的理论变异函数模型,表明该地区PM_(2.5)的空间和时间相关性范围分别为150 km和4 d;基于该模型,使用时空普通克里格对残差进行时空插值;插值结果与趋势项相加,得到PM_(2.5)回归克里格估值结果;通过对比不考虑趋势的时空普通克里格估值结果,发现考虑时空趋势的时空回归克里格法精度提高了1. 29%。对所提方法进行了创新性分析,并对不足之处进行了讨论。     

北京地区不同季节PM2.5和PM10浓度对地面气象因素的响应

利用2013年1月—2014年12月北京地区PM_(2.5)和PM_(10)监测数据和同期近地面气象观测数据,采用非参数分析法(Spearman秩相关系数)研究了北京地区PM_(2.5)和PM_(10)的浓度对不同季节地面气象因素的响应。结果表明:北京地区大气颗粒物浓度水平具有明显的季节特征,冬季大气颗粒物污染最严重,夏季最轻。不同季节影响颗粒物浓度水平的气象因素各不相同,其中风速和日照时数为主要影响因素。PM_(2.5)和PM_(10)质量浓度对气象因素变化的响应程度也有较大区别,PM_(2.5)/PM_(10)比值冬季最高,PM_(2.5)影响最大,春季最低,PM_(10)影响最大。这些结论可对制订科学有效的大气污染控制策略提供参考。     

江苏省PM_(2.5)质量浓度的时空变化格局模拟

基于遥感数据,利用多元线性回归模型研究地面监测的PM_(2.5)质量浓度数据与AOD、气象数据及地面植被覆盖等数据的关系,空间精细化反演江苏省PM_(2.5)质量浓度分布。结果表明,AOD、气象数据及地面植被覆盖数据能较好地反演出PM_(2.5)质量浓度时空分布特征;江苏全省PM_(2.5)质量浓度呈现出冬高秋低、春夏居中的季节变化规律;春、冬季PM_(2.5)质量浓度的高值区集中在苏锡常、宁镇扬及泰州、南通等东南沿海的城市,而在靠近西北内陆的盐城、连云港、徐州、淮安、宿迁PM_(2.5)质量浓度较低,夏、秋季呈现出相反的态势。     

广州市PM_(2.5)质量浓度垂直分布在线监测研究

广州塔空气质量自动监测站在地面至高空500 m高度内布设了4个站点。在自动站内利用PM_(2.5)质量浓度点式在线监测和激光雷达消光系数遥感监测技术,实现对PM_(2.5)质量浓度垂直分布的在线监测,监测方法具有很高的时间分辨率和空间分辨率。利用该方法开展阶段性监测表明:PM_(2.5)质量浓度与355 nm消光系数间具有很好的线性关系,R2达到0.853 7,利用线性关系式可反演PM_(2.5)质量浓度。对200 m~550 m间反演结果分析表明:反演结果与在线监测数据具有很好的相关性,相关系数达到0.868以上;PM_(2.5)质量浓度随着高度改变呈显著的对数相关关系,R2达到0.992 6。     

青岛市PM2.5化学组分特征及综合来源解析

为明确青岛市环境受体中PM_(2.5)的化学组分特征及来源,该研究于2016年在青岛市7个点位采集了PM_(2.5)样品,分析了PM_(2.5)中的无机元素、水溶性离子、碳等组分的质量浓度,采用CMB模型估算法,估算了青岛市的一次源类、二次源类对PM_(2.5)的贡献,并结合排放源清单及系数分配得到综合的PM_(2.5)源解析结果。结果表明:青岛市环境受体中PM_(2.5)平均质量浓度为62μg/m~3。PM_(2.5)中占比较高的组分是OC(16.44%)、SO_4~(2-)(15.07%)、NO_3~-(11.27%)、NH_4~+(8.86%)和EC(5.21%)。OC/EC的年平均值为3.62,说明存在二次有机气溶胶污染;SO2-4/NO-3的年平均值为2.71,夏季明显高于其他季节。冬季重污染过程中主要离子呈现出累积的现象。夏季二次硫酸盐的贡献上升为第一位(24.7%);机动车尘四季的贡献均较高(17.5%~20.5%),燃煤在冬季(15.1%)、秋季(13.3%)贡献高,扬尘在春季(16.5%)、冬季(15.6%)贡献高。     

荒漠草原无林地PM2.5、PM10时间变化特征及与气象因素的关系

选取荒漠草原无林地的PM_(2.5)、PM_(10)浓度以及气象因子数据,对颗粒物浓度的时间变化特征及其与气象因子的关系进行分析。结果表明:(1)1月的PM_(2.5)、PM_(10)月平均浓度最高,7月的PM_(2.5)与PM_(10)达到最低。季节尺度上PM_(2.5)、PM_(10)浓度变化为由大到小顺序依次为冬季秋季春季夏季。(2)风速≤4.0 m/s时,随着风速增加,PM_(2.5)、PM_(10)浓度不断降低;当风速4.0 m/s时,PM_(2.5)、PM_(10)浓度随风速增加而增加。PM_(2.5)、PM_(10)浓度与温度负相关。相对湿度≤50%时,随着相对湿度增加,PM_(2.5)、PM_(10)浓度呈增加趋势;相对湿度50%时,随着空气湿度增加,PM_(2.5)、PM_(10)浓度呈降低趋势。随着大气气压上升,PM_(2.5)与PM_(10)浓度随之增加。(3)不同季节的气象因子对PM_(2.5)、PM_(10)影响存在差异。     

常州市国控站PM_(2.5)监测的代表范围研究

为评价常州市国家大气自动监测站(国控站)细颗粒物(PM_(2.5))监测的代表范围,通过1 km×1 km的多角度大气校正算法(MAIAC)的气溶胶光学厚度(AOD)等相关数据,采用随机森林方法进行PM_(2.5)估算反演,考虑变异函数和最优分割模型等统计学模型,开展国控站PM_(2.5)监测代表范围的评价。结果表明:(1)估算反演的PM_(2.5)浓度空间分布显示,常州市区东部区域浓度相对较高,西南部区域浓度相对较低;(2)变异函数分析中,PM_(2.5)浓度在5 km范围内具有相对显著的空间相关性,但超过5 km范围后空间自相关性不显著,差异性增大到最大;(3)最优分割法分析中,常州市各个国控站PM_(2.5)监测均存在各自的代表范围,2019年的代表范围为3~5 km,其中“经开区”站点范围最大(5 km),“市监测站”和“武进监测站”站点范围最小(均为3 km),且逐年分析显示,各个站点PM_(2.5)监测的代表范围呈上升趋势。     

基于深度全连接网络Himawari-8卫星气溶胶反演研究

利用葵花8(Himawari-8,H8)16个波段数据、卫星、太阳角度数据和深度学习技术,提出一种基于深度全连接网络(Deep Neural Networks,DNN)模型的AOD遥感反演方法(Himawari-DNN)。该方法直接建立H8影像本身与AERONET站点AOD数据间的关系,可避免传统AOD遥感反演方法中复杂过程,得到精度较高的反演结果。通过有效数据对所构建的模型做精度测试,同时将反演结果和实测数据对比分析,结果表明,模型反演结果与研究区内所有站点的观测值均具有较高的一致性(R^2均>0.89)。可见,应用DNN对H8气象静止卫星开展AOD反演具有一定的可行性。     

基于“哨兵3号”卫星OLCI影像和C2RCC算法的南黄海叶绿素a及总悬浮物反演效果分析

利用遥感数据处理软件SNAP中基于神经网络技术的C2RCC算法,对2019年5月9日南黄海“哨兵3号”卫星OLCI影像数据进行了叶绿素a及总悬浮物浓度反演,将其与5月间江苏省海洋环境监测预报中心的海水表层叶绿素a和悬浮物实测数据进行了比较分析。结果表明,叶绿素a的遥感反演尚未能达到业务化应用,总悬浮物遥感反演结果的空间分布与实测值的一致性相对较好。但在星地同日或相差一天监测的南通海域,遥感反演叶绿素a浓度的空间分布趋势以及总悬浮物遥感反演结果与海面实测结果的一致性较好,可达到一定的业务化应用效果。     

台州市区PM2.5和O3污染特征及相互作用关系

基于2016—2020年台州市区大气污染物监测数据及气象观测资料,分析了台州市区PM_2.5和O₃的污染特征及受气象因素影响情况,并探究了不同季节下的PM_2.5浓度和O₃浓度的相关性及相互作用关系。2016—2020年,台州市区PM_2.5年均浓度和超标天数呈显著下降趋势,O₃-8 h年均浓度和超标天数总体呈上升趋势。PM_2.5浓度在冬季最高,且易发生超标;O₃浓度在春、夏、秋季均较高,且均会发生超标。通过相关性分析可知：PM_2.5浓度与气温、相对湿度、风速、降水量呈负相关,与大气压呈正相关;O₃浓度与气温、风速呈正相关,与相对湿度、降水量呈负相关。不同季节下的PM_2.5浓度与O₃浓度均呈正相关,两者存在协同增长。在春、夏、秋季,二次PM_2.5在总PM_2.5中的占比随着O₃     

Characterisation of PM10, PM2.5 and Benzene Soluble Organic Fraction of Particulate Matter in an Urban Area of Kolkata, India

In this study, the relationship between inhalable particulate (PM₁₀), fine particulate (PM_2.5), coarse particles (PM_{2.5 – 10}) and meteorological parameters such as temperature, relative humidity, solar radiation, wind speed were statistically analyzed and modelled for urban area of Kolkata during winter months of 2003–2004. Ambient air quality was monitored with a sampling frequency of twenty-four hours at three monitoring sites located near traffic intersections and in an industrial area. The monitoring sites were located 3–5 m above ground near highly trafficked and congested areas. The 24 h average PM₁₀ and PM_2.5 samples were collected using Thermo-Andersen high volume samplers and exposed filter papers were extracted and analysed for benzene soluble organic fraction. The ratios between PM_2.5 and PM₁₀ were found to be in the range of 0.6 to 0.92 and the highest ratio was found in the most polluted urban site. Statistical analysis has shown a strong positive correlation between PM₁₀ and PM_2.5 and inverse correlation was observed between particulate matter (PM₁₀ and PM_2.5) and wind speed. Statistical analysis of air quality data shows that PM₁₀ and PM_2.5 are showing poor correlation with temperature, relative humidity and solar radiation. Regression equations for PM₁₀ and PM_2.5 and meteorological parameters were developed. The organic fraction of particulate matter soluble in benzene is an indication of poly aromatic hydrocarbon (PAH) concentration present in particulate matter. The relationship between the benzene soluble organic fraction (BSOF) of inhalable particulate (PM₁₀) and fine particulate (PM_2.5) were analysed for urban area of Kolkata. Significant positive correlation was observed between benzene soluble organic fraction of PM₁₀ (BSM10) and benzene soluble organic fraction of PM_2.5 (BSM2.5). Regression equations for BSM10 and BSM2.5 were developed.     

苏州大气颗粒物PM2.5和PM10质量浓度异常“倒挂”现象的成因及影响分析

为深入研究PM_2.5和PM₁₀质量浓度异常“倒挂”现象的成因及影响,在苏州市相城区国控点开展比对监测分析,回顾性分析了2016—2020年苏州全部国控点颗粒物浓度数据。苏州市相城区国控点PM_2.5浓度的比对分析结果表明：该国控点频繁出现PM_2.5浓度高于其他国控点PM_2.5浓度和高于该站点PM₁₀浓度(“倒挂”率高达34%)的“双高”现象,PM_2.5平均浓度比其他9个国控点高12.5%～37.2%,比位于同一站点的备用监测仪器(“倒挂”率为0)高38.1%。2016—2020年,苏州全部国控点“倒挂”时间的总体趋势都是逐年递增,且集中发生在相对湿度较高的20:00至次日07:00。这5年间各国控点PM_2.5浓度异常偏高导致的异常“倒挂”现象对全市年均浓度产生的正误差分别为1.6%、2.8%、6.0%、6.2%和4.1%,基本呈现出逐年递增的趋势。上述结果表明：苏州PM_2.5浓度偏高是由动态加...     

Air Pollution Concentrations of PM2.5, PM10 and NO2 at Ambient and Kerbsite and Their Correlation in Metro City – Mumbai

Ambient concentrations of PM_2.5 and PM₁₀ are of concern with respect to effects on human health and environment. Increased levels of mortality and morbidity have been associated with respirable particulate air pollution. In India, it is not yet mandatory to monitor PM_2.5 levels therefore very limited information is available on PM_2.5 levels. To understand the fine particle pollution and also correlate with PM₁₀ which are monitored regularly in compliance with ambient air quality standards. This study was carried out to monitor PM_2.5, PM₁₀, and NO₂ for about one year in a residential cum commercial area of Mumbai city with a view to understand their correlation. The average PM_2.5 concentration at ambient and Kerbsite was 43 and 69 μg/m³. The correlation coefficients between PM_2.5 and PM₁₀ at ambient and Kerbsite were 0.83 and 0.85 respectively thus indicating that most of the PM_2.5 and PM₁₀ are from similar sources. TSP, PM₁₀ levels exceeded Central Pollution Control Board(CPCB) standard during winter season. PM_2.5 levels also exceeded 24 hourly average USEPA standard during winter season indicating unhealthy air quality.     

空气自动监测中PM2.5与PM10 “倒挂”现象特征及原因

采用不同原理的自动监测仪器在不同季节同时测定PM2.5与PM10,对所得数据中的PM2.5与PM10"倒挂"现象进行分析。结果表明,当PM10采用振荡天平法时,PM2.5与PM10的"倒挂"率较高;冬季和夏季"倒挂"现象发生率明显高于其他季节;造成PM2.5与PM10"倒挂"的原因主要有监测过程中的随机误差,PM2.5与PM10的监测方法原理不同,监测方法之间存在显著差异等。     

北京城区降水对PM2.5和PM10清除作用分析

基于北京市PM_2.5和PM₁₀质量浓度、组分浓度以及降水数据,利用数理统计、相关性分析等方法分别从降水总量、降水时长和降水前颗粒物浓度3个角度研究降水对PM_2.5、PM₁₀的清除作用,同时以一次典型降水过程为例,具体分析降水对颗粒物的影响。结果表明：降水总量的增加有助于促进PM_2.5、PM₁₀的清除,随着降水总量增加,PM_2.5、PM₁₀的平均清除率提高,有效清除的比例增加;连续降水可增强对大气颗粒物的湿清除作用,连续降水达3d可有效降低PM_2.5、PM₁₀浓度;降水对PM_2.5、PM₁₀浓度的清除率和大气颗粒物前一日的平均浓度有较好的正相关性。降水对大气颗粒物的清除可分为清除、回升和平稳3个阶段,各个阶段大气颗粒物的变化趋势不同。降水对于大气气溶胶化学组分和酸碱性的改变具有明显作用,对于大气颗粒物各种组分的清除效果不完全相同。对于大气中OC、NO₃^-、SO₄^2-和NH₄⁺去除率较高,且这4种组分主要以颗粒态形式被冲刷进入降水中,加剧了北京市降水酸化程度。     

宁波市区冬季大气颗粒物及其主要组分的污染特征分析

为了更好地研究影响宁波市区环境空气质量的污染物变化特征,于2010年1月20—30日进行了加强监测。研究结果表明,宁波市区大气中PM₁₀和PM_2.5质量浓度较高,其中PM_2.5/PM₁₀为0.5~0.85。对PM₁₀和PM_2.5采样膜分析,水溶性粒子和含碳组分分别占PM₁₀和PM_2.5质量浓度的56.7%和66.9%,其中二次污染的水溶性离子SO₄^2-、NO₃^-和NH₄⁺是PM₁₀和PM_2.5中浓度较高的离子组分;PM_2.5样品中OC与EC的相关性较好,表明OC与EC的来源相对一致,可能主要来自机动车尾气的贡献;但PM₁₀样品中OC与EC的相关性较差,表明其来源相对复杂;其中SOC的浓度占OC的13%~35%,说明宁波市区冬季导致二次污染的光化学反应不活跃。     

Atmosphic pollutants study of particles ionic species during high wind speed (>7 m s-1) near Taiwan strait in central Taiwan from 2004 to 2005

This study monitored atmospheric pollutants during high wind speed (> 7 m s⁻¹) at two sampling sites: Taichung Harbor (TH) and Wuci traffic (WT) during March 2004 to January 2005 in central Taiwan. The correlation coefficient (R ²) between TSP, PM_2.5, PM_2.5−10 particle concentration vs. wind speed at the TH and WT sampling site during high wind speed (< 7 m s⁻¹) were also displayed in this study. In addition, the correlation coefficients between TSP, PM_2.5 and PM_2.5−10 of ionic species vs. high wind speed were also observed. The results indicated that the correlation coefficient order was TSP > PM_2.5−10 > PM_2.5 for particle at both sampling sites near Taiwan strait. In addition, the concentration of Cl⁻, NO₃ ⁻, SO₄ ²⁻, NH₄ ⁺, Mg²⁺, Ca²⁺ and Na⁺ were also analyzed in this study.     

t分布受控遗传算法优化BP神经网络的PM2.5质量浓度预测

根据齐齐哈尔大学监测点2014年3—5月PM2?5质量浓度及其对应的每小时的气象因素、气体污染物浓度，建立基于t分布受控遗传算法的BP神经网络模型（ BPM?TCG），对PM2?5质量浓度进行模拟预测。并将其与BP神经网络模型、遗传算法优化BP神经网络模型（ BP?GA）进行对比分析。3种模型预测结果表明：BPM?TCG模型预测精度最高，泛化能力最好。 BPM?TCG模型对PM2?5质量浓度的准确预测为预防和控制PM2?5提供依据。