粤港澳大湾区大气PM2.5浓度的遥感估算模型

PM_2.5对大气环境和人类健康危害极大,及时准确地掌握高时空分辨率的PM_2.5浓度对空气污染防治起着重要作用.基于粤港澳大湾区2015～2020年多角度大气校正算法(MAIAC)1 km AOD产品、 ERA5气象资料和站点污染物浓度(CO、 O₃、 NO₂、 SO₂、PM₁₀和PM_2.5),分别建立了估算PM_2.5浓度的时空地理加权模型(GTWR)、 BP神经网络模型(BPNN)、支持向量机回归模型(SVR)和随机森林模型(RF).结果表明,RF模型的估算能力优于BPNN、 SVR和GTWR模型,BPNN、 SVR、 GTWR和RF模型的相关系数依次为0.922、 0.920、 0.934和0.981,均方根误差(RMSE)分别为7.192、 7.101、 6.385和3.670μg·m^-3,平均绝对误差(MAE)分别为5.482、 5.450、 4.849和2.323μg·m^-...     

多机器学习模型下逐小时PM2.5预测及对比分析

为了能及时、准确的估算出PM_2.5浓度及污染等级,分别构建了K最邻近模型（KNN）、BP神经网络模型（BPNN）、支持向量机回归模型（SVR）、高斯过程回归模型（GPR）、XGBoost模型和随机森林模型（RF）6个PM_2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM_2.5浓度数据和Merra-2再分析数据开展PM_2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM_2.5浓度.在PM_2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM_2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM_2.5浓度提供参考.     

基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

基于树模型的北京市PM2.5预测效果对比分析

在城市空气质量预测中,ρ（PM_2.5）会受到气象条件和时间周期的影响。选取北京市全市为实验区域,对多种污染物浓度特征、时间特征及天气特征等进行分析,采用2019年33个空气质量监测站逐小时数据开展PM_2.5预测实验,建立了基于特征的LightGBM （light gradient boosting machine） PM_2.5质量浓度预测模型,分别与随机森林模型（RF）、梯度提升树模型（GBDT）、 XGBoost模型3个PM_2.5浓度预测模型进行对比。结果表明:在PM_2.5浓度预测精度方面,LightGBM模型最高,XGBoost模型次之,RF模型最差。LightGBM模型的PM_2.5污染浓度预测准确率高于其他模型,R2为0.9614,且具有训练快、内存少等优点。LightGBM模型的5个评估指标均优于其他模型,说明其在PM_2.5逐时预测上具有很好的稳定性和应用前景。     

基于机器学习方法的西安市数值模拟优化研究

为提高西安市ρ(PM_2.5)及ρ(O₃)预报准确率,更好地服务西安市预报预警工作,以CAMx模式预报结果为基础,结合中尺度WRF气象预报数据、ρ(PM_2.5)及ρ(O₃)观测数据,基于多元线性回归、岭回归、lasso回归、决策树、随机森林以及支持向量机6种机器学习优化模型,对西安市2019年PM_2.5及O₃模拟结果进行优化.结果表明:①CAMx模式对污染物的预报存在偏差,优化模型明显修正了CAMx模式的系统性偏差,提高了预报精度.②ρ(PM_2.5)及ρ(O₃)的均方根误差(RMSE)由174.00、37.11 μg/m3分别降至34.36~39.37、24.77~28.82 μg/m3,相关性系数(R)由0.63、0.78分别提至0.70~0.78、0.83~0.88.③不同模型对模拟值的订正优势不同,随机森林对PM_2.5优化效果显著,优化提高率为80%;支持向量机对O₃的优化效果最理想,优化提高率为36%;线性回归方法对O₃的优化效果较好,但对PM_2.5的优化效果相对较差.研究显示,机器学习模型显著优化了CAMx模拟结果,反映了利用机器学习修正空气质量数值模式预报结果的研究意义和可行性.      

基于随机森林的南京市PM2.5和O3对减排的响应

自2013年《大气污染防治行动计划》实施后,南京市大气污染有所改善,但仍面临着细颗粒物(PM_2.5)和臭氧(O₃)污染问题.为探究污染物浓度对其前体物减排的响应,获得有效的减排策略,常利用大气化学模式进行多组基于排放扰动的敏感性试验,而这需要消耗大量计算时间和计算资源.应用随机森林算法对2015年大气化学传输模式(GEOS-Chem)模拟结果进行机器学习,高效地预测了南京2019年PM_2.5浓度日均值和日最大8 h臭氧(MDA8 O₃)浓度对不同人为源排放控制情景的响应.随机森林结果表明2019年中国人为排放每减少10%,南京ρ(PM_2.5)季节平均值下降2～4μg·m^-3.当2019年中国人为源减排比例高于20%时,南京ρ(PM_2.5)年均值将低于国家二级限值(35μg·m^-3).若仅对中国地区O₃前体物氮氧化物(NO_x)和挥发性有机污染物(VOCs)同比例减排,反而...     

生态功能区与毗邻区城市空气污染物异质性：以东北三省为例

评估国家重点生态功能区及毗邻区空气质量时空异质性,对差异性开展空气污染防治具有重要意义。该研究基于2015-2019年东北地区13个生态功能区城市和23个毗邻非生态功能区城市的AQI及6种空气污染物(PM_2.5、PM₁₀、SO₂、NO₂、CO、O₃)浓度数据,采用空间自相关、随机森林模型等方法分析空气污染物时空差异及其驱动因素。结果表明：(1)从时间尺度来看,与2015年相比,2019年除O₃在5年中波动上升且年均浓度值相对较高外,其他的污染物浓度值均呈下降趋势,生态功能区空气质量整体优于非生态功能区。其中SO₂浓度下降幅度(50%)大于NO₂和CO(20%),PM_2.5大于PM₁₀。PM_2.5、PM₁₀、NO₂、SO₂、CO季节变化特征最高值均出现在冬季,O₃...     

基于NPP/VIIRS夜光遥感数据的淮安市夜间PM2.5浓度估算研究

PM_2.5是大气的重要污染物,掌握其空间分布对于大气污染防控具有重要意义．目前,PM_2.5遥感监测主要围绕卫星反演的日间AOD数据开展,无法反映夜间大气污染的空间格局．以2019年9—12月NPP/VIIRS夜间灯光影像和空气质量站点PM_2.5观测数据对江苏省淮安市夜间PM_2.5浓度进行估算研究．基于辐射传输方程分析夜间灯光辐射与PM_2.5浓度之间的关系,在此基础上综合考虑灯光辐射直接衰减和散射补偿确定了计算夜间PM_2.5浓度的空间自变量,运用多元线性回归模型（MLR）、随机森林（RF）、Cubist、极端梯度提升树（XGBoost）、神经网络（NNet）、支持向量机（SVM）及最近邻法（KNN）算法构建夜间PM_2.5浓度遥感估算模型．结果表明,多元线性归回模型精度明显低于各个机器学习模型,所有模型中SVM模型精度最高,决定系数R²为0.77,平均绝对误差MAE为20.83μg·m^-3,均方...     

机器学习耦合受体模型揭示驱动因素对PM2.5的影响

PM_2.5主要受排放源、大气化学、气象条件等驱动因素的非线性影响,了解驱动因素对PM_2.5浓度的影响十分重要. 本研究基于南开大学大气环境综合观测超级站的逐时在线观测数据,耦合机器学习方法和受体模型,揭示了驱动因素的重要性以及对PM_2.5浓度的影响. 结果表明:① 2018年11月—2020年10月观测地点的PM_2.5浓度范围为3.21~291.80 μg/m3,采暖季PM_2.5浓度和化学组分均高于非采暖季. ②使用受体模型解析PM_2.5的来源及其贡献,发现观测期间二次源的贡献率(44.7%)最高,其他依次为燃煤源(23.6%)、机动车排放源(11.0%)、扬尘源(9.9%)、生物质燃烧源(7.2%),工业源的贡献率(3.6%)最小. ③利用随机森林-SHAP模型量化排放源、大气氧化能力、气象条件等驱动因素对PM_2.5浓度的影响,发现观测期间排放源对PM_2.5浓度的影响程度为54.3%,高于其他驱动因素;气象条件对PM_2.5浓度的影响程度次之,为32.4%;大气氧化能力对PM_2.5浓度的影响程度相对较低,为13.3%. 在采暖季和非采暖季,各驱动因素对PM_2.5浓度的重要性在排序上没有变化,然而驱动因素对PM_2.5浓度的影响程度有所不同. 采暖季排放源对PM_2.5浓度的影响程度高于非采暖季,采暖季大气压对PM_2.5浓度的影响程度低于非采暖季. 研究显示,排放源对PM_2.5的影响相对较大,气象条件和大气氧化能力对PM_2.5浓度的影响也不容忽视.      

汾渭平原中长期PM2.5冬季目标约束下的控制情景优化分析

为研究汾渭平原在中长期PM_2.5冬季浓度目标约束条件下的最优控制策略及成本效益,本研究基于2015-2022年PM_2.5浓度监测数据,结合国内外PM_2.5实际改善历程,利用自下而上的计算方法,提出汾渭平原“十四五”“十五五”PM_2.5年均浓度目标;针对冬季污染突出的问题,建立季节贡献率方法,设计差异化的PM_2.5冬季浓度目标;并在此基础上结合ABaCAS-OE模型,以冬季PM_2.5浓度目标为第一约束条件进行最优控制情景的模拟与费效分析.结果表明：(1)情景3(基于2019年汾渭平原PM_2.5年均浓度超标比例的分类情景,该情景中PM_2.5年均浓度下降比例以3年为周期计算得到)对PM_2.5浓度改善幅度最大,在此情景下,2030年汾渭平原区域PM_2.5年均浓度为35μg/m³,较2019年下降35.2%,2032年实现所有城市达标的目标;冬季情景3(基于...     

不同季节天津市PM2.5与O3潜在源区及传输路径分析

为探究天津市各季节PM_2.5与O₃污染的非本地源贡献情况,本文以2017—2019年为研究时段,应用HYSPLIT模型,基于MeteoInfo软件对不同季节气流后向轨迹进行聚类分析,通过计算潜在源贡献因子(potential source contribution function, PSCF)、浓度权重轨迹(concentration-weighted trajectory, CWT)对天津市PM_2.5与O₃污染的外来潜在源区以及可能的污染传输途径进行研究. 结果表明:①天津市PM_2.5和O₃污染均较为严重,且具有明显季节性特征. 天津市各季节的气流变化明显,春、秋两季以西南方向气流为主,夏季以来自渤海的气流为主,冬季则以西北方向气流为主. ②天津市西南方向气流在各季节对应的污染物浓度均较高,春、秋两季西南方向气流携带的ρ(PM_2.5)和O₃浓度8 h滑动平均值〔简称“ρ(O₃-8 h)”〕均最高;夏季,西南方向气流携带的ρ(O₃-8 h)最高;冬季,西南方向轨迹携带的ρ(PM_2.5)最高. ③西南方向上河北省南部的邯郸市,山东省西部的菏泽市、聊城市,以及河南省北部的开封市、濮阳市、新乡市均为天津市PM_2.5与O₃污染的主要潜在源区. 此外,冬季张家口市和唐山市对天津市PM_2.5污染的潜在影响也较大. 冬季影响天津市PM_2.5污染的外来潜在源区情况较为复杂,除西南气流外,其还受西北部与东部气流的影响. 研究显示,天津市大气污染区域联防联控需重点关注河北省南部、河南省北部以及山东省西部城市的潜在输送影响.      

山东省环境空气中PM2.5与O3的复合污染特征与时空变化趋势

山东省PM_2.5-O₃复合污染特征突出,空间差异性明显,本文基于2016—2020年国控和省控环境空气自动监测站监测数据以及同期各气象代表站气象监测数据,分析PM_2.5和O₃时空分布的变化特征,初步探究其与气象因子及前体物的关系. 结果表明:①2016—2020年山东省空气质量逐步改善,优良天数比例上升了7.1%,重污染天数比例下降了3.5%. 除O₃年评价值上升9.6%以外,SO₂、PM₁₀、PM_2.5、CO和NO₂的浓度均下降,降幅依次为61.3%、29.8%、28.6%、26.3%和11.4%. 各市PM_2.5年评价值均下降(范围为18.4%~34.9%);除德州市外,其他15市O₃年评价值均上升,滨州市的升幅(30.8%)最大. 1月PM_2.5平均浓度最高,呈现先下降后上升的年变化趋势,6月O₃平均浓度最高,且逐年上升. ②山东省PM_2.5和O₃均呈现内陆地区高于沿海地区的分布特征,PM_2.5浓度在西部内陆地区较高,O₃浓度在中北部内陆地区较高,PM_2.5-O₃复合污染特征在中西部地区较明显. 统计期间共计出现PM_2.5-O₃复合污染日224 d,分布在2—11月,出现天数逐年减少. ③为探究PM_2.5-O₃复合污染的影响因素及气象特征,进行相关性分析及气象因子阈值筛查,结果表明,PM_2.5日均浓度和O₃_8 h (臭氧日最大8小时滑动平均值)与其主要前体物和气象因子均呈现相反的相关关系,且对不同因子的响应有一定区域性差异. 当气温为14.9~24.1 ℃、相对湿度为55.5%~75.1%、风速为0.6~2.9 m/s、气压为992.8~1 018.8 hPa时PM_2.5-O₃复合污染易于发生,该条件下大部分城市的气温、相对湿度和气压平均值介于PM_2.5和O₃污染单独发生时的对应因子平均值,但平均风速小于PM_2.5和O₃污染单独发生的平均风速. 研究显示,“十三五”期间山东省PM_2.5浓度波动下降,O₃浓度波动上升,二者的协同关系日趋明显,气象因素对PM_2.5和O₃的生成和累积有一定影响.      

2014—2020年河南省PM2.5-O3复合污染特征及气象成因分析

为了解河南省PM_2.5-O₃复合污染特征及气象成因,本文基于2014—2020年河南省18个地级市的空气质量国控点数据及常规地面气象观测数据,对河南省PM_2.5-O₃的复合污染时空特征及关键气象因子影响进行分析.结果表明：(1)在空间分布上,PM_2.5-O₃复合污染天数呈由河南省中北部向周围逐渐减少的特点,而O₃单污染和PM_2.5单污染高发区均主要集中于豫北地区.(2)在时间特征上,2014—2020年PM_2.5-O₃复合污染天数呈先增加后减少的特征,最多为12 d (2014年),2016—2017年未出现复合污染;PM_2.5单污染和O₃单污染天数均呈“M”型变化趋势,PM_2.5单污染天数的2个峰值分别出现在2015年和2019年,分别为174和93 d,O₃单污染天数的2个峰值分...     

山东省大气细颗粒物来源解析的研究现状与展望

对目前公开发表的39项山东省PM_2.5源解析研究进行了梳理与总结,综述了山东省各地级市PM_2.5源解析的研究现状和进展,概括了其时空分布特征,并对其影响因素进行了分析.结果表明,受体模型法是山东省PM_2.5源解析工作中使用最多的方法;二次源（（36.1±8.5）%）是山东省PM_2.5的首要贡献源,其次是尘源（（18.4±8.6）%）,燃煤源（（18.2±7.0）%）和机动车源（（17.7±11.7）%）;不同年间济南市和青岛市PM_2.5源解析结果表明,近年来二次源和机动车源的相对贡献有所增加.对山东省PM_2.5源解析提出了几点展望：不同地区宜采用统一或有地区针对性的源解析技术;亟需综合源清单或空气质量模型等解析分摊二次源贡献,区分本地源与区域传输贡献,提供更为精细的源解析结果;加强长期及多地同步观测,以了解该地区PM_2.5及其来源的时空与历史变化趋势.     

泰山顶PM2.5及其二次组分的输送路径与潜在源

为了明确泰山顶PM_2.5及其二次组分的输送路径与潜在来源,基于后向轨迹聚类方法对2015年冬季和春季抵达泰山顶的气团传输轨迹进行聚类分析,并利用PSCF（潜在源贡献因子）和CWT（浓度权重轨迹）方法分析泰山顶冬季和春季PM_2.5、SO₄2-、NO₃-和NH₄+的潜在源域.结果表明,冬季和春季来自不同方向的气团轨迹对泰山顶PM_2.5及其组分的潜在源分布的影响具有明显差异.冬季泰山顶ρ（PM_2.5）和ρ（NO₃-）平均值的最高值对应的气团轨迹来自湖北、河南、山东济宁等地区,而来自西北方向的轨迹1和轨迹2分别对应的ρ（SO₄2-）和ρ（NH₄+）平均值最高;春季影响ρ（PM_2.5）和ρ（NO₃-）的气团轨迹主要来自西南方向的河南、安徽北部、山东聊城等地区,而源自蒙古国途经内蒙古、山西、河南北部和山东聊城的气团轨迹对ρ（SO₄2-）和ρ（NH₄+）的贡献最大.泰山顶ρ（PM_2.5）、ρ（SO₄2-）、ρ（NO₃-）和ρ（NH₄+）的PSCF分布特征与CWT分布特征类似,WPSCF（源区分布概率）和CWT的最高计算值主要集中山东济宁、聊城以及邻近的山西省、河北省和河南省,是泰山顶大气污染物的主要潜在源域.      

山东省AQI、颗粒物和臭氧时空演化特征及关键影响因素识别分析

山东省空气质量存在明显的时空差异,并受气象和社会经济因子等的综合影响.为了解山东省空气质量指数(AQI)以及颗粒物和臭氧(O₃)浓度等时空演化特征,探究颗粒物与O₃浓度之间的协同关系,基于山东省16个地级市2013年12月—2021年12月的AQI和空气污染物(SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀)浓度数据与同期的气象数据、工业及生活污染物(氨氮、SO₂、氮氧化物和烟尘、粉尘等)排放量和社会经济数据,运用R语言和ArcGIS对各地区AQI与PM_2.5和O₃浓度等的时间和空间变化特征及关键影响因素识别分析.结果表明：(1)山东省AQI和空气污染物浓度具有明显的月际、季节和年际变化特征以及地区性差异.鲁东地区各季节空气质量明显优于鲁西地区,呈现由东向西空气污染愈加严重的趋势. PM_2.5浓度呈鲁西地区最高,鲁中、鲁南和鲁北地区次之,鲁东地区...     

基于后向轨迹模式的豫南地区冬季PM2.5来源分布及传输分析

为研究2017年12月—2018年2月冬季不同来源区域对豫南地区ρ（PM_2.5）的贡献影响及污染特征,利用HYSPLIT-4后向轨迹模式模拟了豫南地区冬季24 h的气团后向轨迹,结合ρ（PM_2.5）在线监测数据进行了聚类分析,研究了以豫南地区为受点的各月份PM_2.5不同轨迹的输送特征,并使用潜在源贡献（PSCF）分析法和浓度权重轨迹（CWT）分析法识别了豫南地区冬季PM_2.5的潜在贡献源区及贡献大小.结果表明:①信阳市空气质量最好,其次为驻马店市,南阳市空气质量最差;南阳市、信阳市和驻马店市ρ（PM_2.5）分别超过GB 3095—2012《环境空气质量标准》二级标准限值（75 μg/m3）的1.5、1.2和1.2倍,ρ（PM_2.5）日变化均呈双峰特征.②后向轨迹聚类分析表明,豫南地区主要受到来自西北和东北方向长距离传输和正南方向较短距离输送的影响.③潜在源区分析表明,除豫南地区及周边市县本地污染贡献外,冀鲁豫交界区域、陕鄂交界区域、陕西省中西部、湖北省东北部和西部、河南省中北部、山东省南部是影响豫南地区ρ（PM_2.5）的主要潜在源区.研究显示,豫南地区PM_2.5污染过程除了与地形条件、本地污染源排放有关外,来自东北、西北传输通道城市的远距离输送和南部的近距离传输也不容忽视.      

四川盆地PM2.5与PM10高分辨率时空分布及关联分析

为深入了解四川盆地PM_2.5与PM₁₀污染情况，通过机器学习的方法，基于卫星遥感气溶胶产品（MAIAC）与国家环境空气质量监测网数据以及气象、地理、社会经济变量等，构建2个随机森林机器学习模型（R²均为0.86），反演四川盆地2013~2017年间1km网格逐日PM_2.5与PM₁₀浓度时空分布，并分析两者的时空关联性.结果表明：2013~2017年四川盆地地面PM_2.5与PM₁₀平均浓度分别为47.8，75.2μg/m³.PM_2.5与PM₁₀浓度空间上均整体呈现"倒月牙"状分布，西部与南部区域浓度值较高.5a间，区域颗粒物浓度逐年递减，总降幅均达到27%，季节上则均具有"冬高夏低"的特点；PM_2.5与PM₁₀浓度空间相关性显著（相关系数0.96），呈现"内强外弱"的格局，春夏季相关系数（0.91、0.90）低于秋冬季（0.96、0.96）.盆地西南部PM_2.5与PM₁₀比值较高，比值高低的季节性排序为冬季 > 秋季 > 夏季 > 春季.