基于层次分析和主成分分析的城市空气质量评价——以徐州市为例

为评价城市空气质量,以徐州市为例,分别运用层次分析法和主成分分析法对大气监测数据进行了对比研究。层次分析表明:研究期间徐州市大气环境质量为一级时的权重为0.450 2,为二级时的权重为0.549 8,表明该市空气质量等级为二级;主要大气污染物的权重排序为PM_(2.5)PM_(10)NO_2SO_2,说明首要大气污染物为PM_(2.5),表明徐州市大气污染表现为颗粒物污染。主成分分析表明:在特征值大于1的基础上,选取前两种污染物的总方差累计贡献率为78.804%的主成分作为综合性指标来反映徐州市大气环境质量;第一主成分的方差累计贡献率为59.562%,表明该市大气环境质量的主要影响因素依次为PM_(2.5)、PM_(10)、SO_2、NO_2、CO,其中PM_(2.5)是首要大气污染物。层次分析和主成分分析结果均与《徐州市环境状况公报》发布的该市大气中首要污染物为细颗粒物(PM_(2.5))的结论相吻合,表明上述两种方法均可作为城市大气环境质量评价的方法。     

基于大气污染源排放清单的北京市污染物减排分析

《北京市2013—2017年清洁空气行动计划》的实施,有效改善了空气质量,细颗粒物下降了35.6%。空气质量受内因污染物排放量和外因气象因素的双重影响。本文通过大气污染源排放清单分析了内因污染物排放量的变化,结果表明:2017年与2012年相比,SO_2排放量下降了88%,NO_x排放量下降了36%,PM_(10)排放量下降了51%,PM_(2.5)排放量下降了53%,VOCs排放量下降了25%;NH_3排放量2017年比2014年下降了44%。北京市2013—2017年5种大气污染物的综合减排率与空气中PM_(2.5)浓度下降率的比值为1.3,符合根据北京市科技计划项目《北京市空气质量达标规划研究》中利用CMAQ模型研究得到的大气污染物综合减排率与环境空气PM_(2.5)浓度下降率的半定量关系1.2～1.5。     

甘肃东部城市群空气质量演变特征研究

基于庆阳、平凉、天水3市2015年度空气质量监测数据,分析甘肃东部城市群空气质量月度和季度变化特征并进行综合评价。结果表明,3市PM_(2.5)、PM_(10)、SO_2浓度从3月开始呈下降趋势并于9月降至最低值,O_3浓度变化呈倒"U"型。3市空气质量指数在3～9月呈平缓下降趋势,9～1月上升趋势较为明显。对于不同污染物之间的Spearman相关性,PM_(2.5)、PM_(10)、SO_2的相关系数介于0.589～0.979;对于不同城市同一污染物之间的Spearman相关性,除NO_2外,其他相关系数均较高。     

徐州市环境空气质量综合评价

为了研究徐州市大气环境质量变化情况,深入了解污染大气的环境因子,选取2013年10月~2016年12月的监测数据,参照环境空气质量标准(GB3095—2012),将SO_2、NO_2、PM_(10)、PM_(2.5)、CO、O~3作为评价因子。运用模糊数学方法对徐州市空气环境质量等级进行划分,并采用AQI指数评价法对污染程度做出评价。经过推理运算得出的综合评价结论为:徐州市空气质量逐年好转,主要污染物为细颗粒物(PM_(2.5))、可吸入颗粒物(PM_(10))。     

暴露-反应关系的Meta分析与健康效应评价

为了进一步认识西安大气污染暴露对人群健康的影响,利用Meta分析获取了中国人群大气污染物暴露与以死亡为健康终点影响的暴露—反应关系,结合西安2013、2014年的SO_2、NO_2、PM_(10)、PM_(2.5)、O_3监测数据,利用泊松回归模型评价了人群健康影响。Meta分析结果表明,SO_2、NO_2、PM_(10)、PM_(2.5)、O_3浓度每升高10μg/m~3居民非意外死亡率会增加1.17%、1.32%、0.40%、0.47%、0.56%;心血管疾病死亡率会增加1.27%、1.15%、0.54%、0.75%、0.84%;呼吸系统疾病死亡率会增加0.83%、1.83%、0.43%、0.56%、0.89%。以WHO空气质量指导值和国家《环境空气质量标准》(GB 3095-2012)一、二级标准限值为参考浓度、可避免非意外死亡为健康端点,2013、2014年PM_(10)、PM_(2.5)、O_3达到相应指标的健康效应远远高于SO_2、NO_2健康效应。主要原因是这些污染物超过相应标准的程度高。PM_(10)、PM_(2.5)和O_3浓度导致的健康效应巨大,因此在目前应该把PM_(10)、PM_(2.5)和O_3作为优先污染物进行控制。在符合我国目前经济发展阶段和环境管理要求的基础上,应适当降低现有国家标准浓度限值较高的PM_(10)、PM_(2.5)颗粒物和O_3的环境空气质量标准限值。     

气象因素对乌鲁木齐市PM_(2.5)浓度影响分析

基于乌鲁木齐市大气污染物数据,对乌鲁木齐市2016年空气质量变化做趋势分析。利用乌鲁木齐市2016年同期气象要素,通过相关分析和主成分分析方法探讨了气象要素对PM_(2.5)浓度的影响。结果表明:1)PM_(2.5)、PM_(10)、SO_2、NO_2、CO的浓度全年变化趋势与空气质量指数(AQI)的变化趋势基本一致,O_3的浓度变化趋势与AQI变化趋势完全相反;2)PM_(2.5)浓度与CO、气压和相对湿度呈显著正相关,降水量、风速、气温和水气压与PM_(2.5)浓度呈显著负相关。     

高原省份城市空气质量状况统计分析及PM_(2.5)污染水平时空分布

收集了地处高原的云南省全省8个地级市、8个自治州政府所在地城市共40个监测点2015年全年(2015.01.01—2015.12.31)的大气PM_(2.5)、PM_(10)、SO_2、NO_2、O_3、CO、O_3-8 h日均浓度数据,计算出年均浓度值、空气质量指数AQI,并根据《HJ633-2012环境空气质量指数(AQI)技术规定(试行)》对云南省各州市政府所在地城市空气质量进行评价。PM_(2.5)年均浓度值最高的是文山,为37.89μg/m~3;最低的是丽江,为16.21μg/m~3。空气质量评价结果表明,云南省2015年整体空气质量状况优良,空气质量状况最好的是香格里拉,空气质量指数为35.76;空气质量指数最高的是昭通,为68.26。SO_2、NO_2与PM_(2.5)的关系呈现正相关,PM_(10)的变化趋势与PM_(2.5)的变化趋势较一致。     

2014年宝鸡市大气颗粒物时空分布特征分析

基于2013年12月和2014年全年宝鸡市8个自动空气质量监测子站的PM_(10)和PM_(2.5)的监测数据,探讨PM_(10)和PM_(2.5)的时间分布特征和空间分布特征。结果表明:PM_(10)的日平均浓度为118.23μg/m~3,全年中PM_(10)超过二级标准的天数为80 d,超标率为22%;PM_(2.5)的日平均浓度为68.93μg/m~3,全年中PM_(2.5)超过二级标准的天数为92 d,超标率为25%;PM_(10)和PM_(2.5)的浓度有明显的季节差异。PM_(2.5)和PM_(10)浓度由高到低的季节依次是冬季、春季、秋季和夏季;不同的监测点位中,解放军第三陆军医院监测点位的PM_(10)和PM_(2.5)浓度对于宝鸡市大气颗粒物的污染贡献率相对其他点位较高,主要是其地理位置导致的。     

呼和浩特市大气污染物污染特征及污染物的相关性分析

为了探究呼和浩特市大气污染物污染特征,对2014年一年的AQI做出统计整理并对PM_(10)、PM_(2.5)、SO_2、CO、NO_2的相关性进行分析。研究结果发现:呼和浩特市2014年空气质量总体良好,空气质量为良所占比重为58%,中度污染和重度污染所占比重为35%。该市的主要污染物PM_(10)、PM_(2.5)、SO_2的超标率分别达到了88.81%、52.60%、36.20%。空气污染指数AQI与PM_(10)、PM_(2.5)、SO_2、CO、NO_2、呈显著相关,尤其是PM_(10)和PM_(2.5),相关性系数高达0.959和0.851,可见其污染主要以颗粒物物为主。PM_(10)、PM_(2.5)、SO_2、CO、NO_2浓度间两两正相关。O_3的浓度与PM_(2.5)、SO_2、CO、NO_2均呈现负相关,O_3与AQI和PM_(10)的相关性不显著。     

南宁市区环境空气质量分布特征

利用2013年1月—2015年12月南宁市区环境空气质量监测数据进行统计分析。结果表明,南宁市区空气质量指数(AQI)为17~245,平均值为74,超标率18.5%;AQI月平均变化呈双峰周期型。首要污染物项目出现频次由高到低的排序为:PM_(2.5)PM_(10)O_(3-8)NO_2,首要污染物为PM_(2.5)与PM_(10),两者占总数的91.3%;超标污染物有:PM_(2.5)、PM_(10)、O_(3-8)、NO_2,超标率分别为:17.8%、12.1%、1.4%、19.2%。PM_(2.5)、PM_(10)、NO_2、SO_2、CO、O_(3-8)质量浓度的日均值与AQI均存在显著的正相关关系,PM_(2.5)与AQI相关系数最大(r=0.988)。     

2017～2020年珠海市金湾区环境空气质量变化特征分析

基于2017～2020年珠海市金湾区环境空气自动站6项空气污染物(SO_2、NO_2、PM_(2.5)、PM_(10)、O_3和CO)监测数据,分析了金湾区空气质量时间变化趋势及特点。结果表明:SO_2和CO 95%分位浓度差异性不大,PM2.5年均值无明显变化趋势,其余3项污染物浓度总体呈下降趋势,环境空气优良率均保持在80%以上; 4个年度中,按照环境空气质量综合指数由高到低排序依次为2020年、2018年、2019年、2017年; O_3是影响金湾区环境空气质量的主要污染物,其次是PM_(10)和PM_(2.5); 6项污染物浓度最大值均出现在秋冬季节,最低值出现在春夏季节,表现出明显的季节性。     

十堰市空气质量特征分析

根据十堰市2013-2015年的空气质量数据,对十堰市空气质量状况及PM_(10)、PM_(2.5)、SO_2、NO_2的浓度变化特征进行了分析。结果表明,十堰空气质量达标率逐年上升,SO_2、NO_2、PM_(2.5)年均浓度呈逐年下降趋势,PM_(10)、PM_(2.5)有着显著的相关性,各项污染物浓度春、冬季高于夏、秋季,且在12月至次年1月监测结果最高、6-8月份监测结果最低,4个因子不同季节的日变化规律基本一致,但各因子之间的变化规律又不尽相同。     

宝鸡市春季PM_(2.5)、PM_(10)、SO_2、NO_2污染现状分析

收集PM_(2.5)实时监控网提供的2015年春季宝鸡市大气污染物浓度的实时数据,分析宝鸡市各监测点大气污染物PM_(2.5)、PM_(10)、SO_2、NO_2的日均值和月均值浓度变化特征以及各污染物的负荷系数。结果表明:各监测点大气污染物月平均浓度3—5月呈下降趋势,但整体的空气质量状况有待进一步提高;宝鸡市大气颗粒物呈区域性污染,各监测点之间的差距较小,而污染气体SO_2和NO_2具有点状污染特征;4种主要的大气污染物中,PM_(2.5)和PM_(10)的贡献率超过一半以上,但SO_2和NO_2同样不可忽视。     

保定市PM_(10)和PM_(2.5)时间分布特征研究

运用高精度手持式PM_(2.5)速测仪(CW-HAT200)对保定市城区大气颗粒物PM_(10)和PM_(2.5)浓度的日变化、月变化、季变化规律进行了连续1年的测定,结果表明:保定市PM_(10)和PM_(2.5)年平均浓度为213μg/m~3、134μg/m~3,是国家空气质量二级标准的1.4倍和1.8倍;PM_(10)和PM_(2.5)四季变化均表现为冬季最高,春、秋季次之,夏季最低,且变幅较大;PM_(2.5)、PM_(10)各月变化趋势基本相同,1月份浓度最大,污染严重,7月份浓度最小,污染较轻;日变化曲线呈双峰形,早晚高、白天低,低值出现在12:00-16:00;PM_(2.5)/PM_(10)全年平均比值为62.80%,除5、8月外,其余各月均50%,属于严重污染;PM_(10)和PM_(2.5)的确定系数为0.9704,由此可见两者的相关性较高。综上分析可知,人类活动主要影响了PM_(10)、PM_(2.5)的产生,而气象条件是影响大气颗粒物扩散的最主要原因,要想从根本上抑制大气污染的产生,必须采用先进的生产工艺、减少污染物的排放,尤其是在气流稳定的季节应加以严格控制。     

太原市秋冬季大气污染特征和输送路径及潜在源区分析

采用环境空气质量指数(AQI)统计分析了2014～2018年太原市全年及秋冬季污染特征,并采用HYSPLIT后向轨迹模型计算了2014～2017年秋冬季逐时后向轨迹,结合太原市AQI,通过聚类分析、潜在源贡献因子和浓度权重轨迹方法对影响太原市的污染物输送路径和潜在源区进行了分析.结果表明,太原市污染状况不容乐观,太原市2014～2018年全年优良天数波动较大,尤其近两年从64%下降到不足50%;然而秋冬季优良天数稳步上升,2018年超过50%,空气质量有好转趋势.污染类型可能发生变化,全年及秋冬季PM_(2.5)为首要污染物的污染天数下降显著,PM_(10)为首要污染物的天数上升明显.聚类分析2014～2017年秋冬季太原的后向轨迹,53%的气团来自偏西方向,21%来自西北方向,12%来自西南方向,14%来自偏东方向,其中西南方向轨迹是外来污染物输送进入太原的主要轨迹,对太原空气质量有显著影响.PSCF和CWT分析表明,影响太原空气质量的重要潜在源区主要位于汾渭平原的陕西汉中、西安和山西的吕梁、临汾等地.建立汾渭平原及其周边区域联防联控机制对控制区域污染有着重要意义.     

基于贝叶斯网络的大连市空气质量预测与诊断

贝叶斯网络具有双向推理能力,可有效解决空气质量研究中的不确定问题。将贝叶斯网络引入到空气质量研究中,基于大连市2014—2016年空气质量指数(AQI)以及SO_2、NO_2、O_3、CO、PM_(10)、PM_(2.5)6种污染物浓度数据,通过构建贝叶斯网络模型对大连市空气质量进行了预测与诊断研究。结果表明:(1)利用贝叶斯网络因果推理功能验证了贝叶斯网络预测模型的有效性:大连市春、夏、秋、冬四季和全年的空气质量预测精度分别为89.29%、92.86%、88.89%、85.19%、89.09%;(2)利用贝叶斯网络模型和模糊综合评价法分别对大连市2017年5月1日至15日的空气质量进行预测,并比较官方的监测值,结果显示贝叶斯网络模型用于空气质量的预测更为准确;(3)利用贝叶斯网络诊断推理得出O_3和PM_(2.5)是大连市空气污染的主要贡献者。贝叶斯网络技术用于空气质量的预测和诊断具有可行性和可靠性。     

恩施州城区空气污染特征及成因分析

该文利用2018-2020年恩施市环境监测站同时段PM_(2.5)、PM_(10)、SO_2、NO_2、O_3、CO每日质量浓度监测资料,以及每日空气质量指数(AQI)资料,分析了近3年来恩施市的环境空气污染现状与成因。恩施州的主要污染物有PM_(2.5)、PM_(10)、O_3,最高浓度可达到65.03、96.87、109.13μg/m~3;恩施州空气质量指数为优、良、轻度污染、中度污染、重度污染的出现概率分别为50.69%、43.82%、4.57%、0.64%、0.27%,无严重以上污染日出现;气象条件对恩施州的空气质量有较大影响,PM_(2.5)浓度与月降水和月平均气温呈典型负相关,温度和降水量升值最高在7月时,PM_(2.5)的质量浓度降至最低11.61μg/m~3。研究发现,恩施州的空气质量变化程季节性变化,冬季空气质量最差,夏季最好;空气质量变化具有春节效应。结果可为恩施州的空气污染防治提供有效依据。     

荆门市中心城区环境空气质量分析研判

以2015年以来荆门市中心城区空气监测数据为基础,从综合指数、分指数及环境空气6参数入手,分析空气质量总体状况及变化趋势。从分指数大小看,PM_(2.5)、PM_(10)分别排名第1和第2,说明荆门市空气主要污染物为PM_(2.5)和PM_(10);从综合指数及分指数变化趋势看,2016年和2015年综合指数差值为-0.62,反映荆门市中心城区空气质量总体改善,PM_(10)和PM_(2.5)分指数差值分别为-0.22、-0.37,其浓度下降是空气质量总体改善主要因素;2017年1-4月与2016年同期相比,气态污染物中的NO2和O3分指数差值分别为0.09、0.20,说明NO2和O3浓度有明显上升趋势。通过分析可知,荆门市中心城区近年来PM_(2.5)和PM_(10)浓度明显降低反映出颗粒物特别是扬尘防控取得明显成效,同时NO2和O3浓度明显上升则反映出城市机动车尾气及VOC治理已经到了需要引起足够重视的程度。     

利用多元线性回归方法评估气象条件和控制措施对APEC期间北京空气质量的影响

气象条件对大气污染物的扩散和传输有重要影响,准确分离和定量气象因素对空气质量的影响是评估大气污染控制政策有效性的前提.本研究利用APEC会议期间及前后(2014-10-15～2014-11-30)北京城区朝阳观测站点SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)以及气象因素的观测数据,采用多元线性回归分析方法,定量评估了气象条件和空气污染控制措施对APEC期间北京空气质量的影响.在假定排放条件不变的情况下,基于气象因素参数建立的预测污染物浓度的多元线性回归模型模拟效果较为理想,决定系数R~2在0. 494～0. 783之间.控制措施使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低48. 3%、53. 5%、18. 7%、40. 6%、3. 6%、34. 8%、28. 8%和40. 6%,气象因素使得APEC控制期SO_2、NO、NO_2、NO_x、CO、PM_(2.5)、PM_1和PM_(10)浓度分别降低1. 7%、-2. 8%、18. 7%、4. 5%、18. 6%、27. 5%、30. 6%和35. 6%.气象因素和控制措施共同作用使得APEC控制期北京空气质量得到了明显改善.控制措施对SO_2和氮氧化物浓度的下降起主导作用,气象因素对CO浓度的下降起主导作用,气象因素和控制措施对颗粒物浓度降低的贡献相当.本研究还利用相对权重方法研究了气象因素对污染物浓度影响的贡献,结果表明影响不同污染物浓度的决定性气象因素不同.     

气象因素对乌鲁木齐市城区空气质量的影响

基于乌鲁木齐市2015年大气污染物和气象观测数据,用相关性分析和主成分分析法探讨了气象因素对乌鲁木齐市城区空气质量的影响。研究结果表明:1)大气压与PM_(2.5)、CO正相关显著,与O_3负相关显著;气温、水汽压和风速与PM_(10)、O_3存在显著正相关,与其他污染物都存在负相关;湿度与PM_(2.5)、SO_2、NO_2、CO存在显著正相关,与PM_(10)、O_3存在负相关。2)对乌鲁木齐市首要污染物PM_(10)存在显著影响的空气污染物包括CO、PM_(2.5)、SO_2,气象影响因素包括水汽压和湿度。