基于主成分分析的β射线法PM2.5测量准确性影响因素分析

采用主成分分析法探究环境温度、湿度、动态加热温度、采样流量、分离器切割性能、走纸精度、本底值分析时间、采样时间等8项因素对β射线法PM2.5测量准确度的影响，定量分析各影响因素的贡献率并提出主要影响因素的影响程度、控制范围及方法。结果表明：走纸精度、动态加热温度及采样流量的贡献率之和为54.2%，对β射线法PM2.5测量结果影响较为明显。为使测量结果误差＜5%，滤带定位误差应不超过1.3 mm，动态加热温度控制在45 ℃～50 ℃范围内，采样流量偏离在±0.8 L/min以内。     

在大气自动监测多 点线性校准中仪器示值误差的分析及控制

阐述了在大气自动监测多点线性校准中，气体流量对仪器示值误差的影响，分析了标准气流量影响仪器浓度示值的原因，以及控制低浓度校准气仪器示值误差的方法。通过比较相对固定标准气流量和崮定校准气流量两种校准方法，得出校准气(或零空气)流量大小对校准气浓度的准确性影响不显著，而标准气流量大小对校准气浓度的准确性影响显著，故在大气自动监测多点线性校准中，宜采用相对固定标准气流量的办法，以降低仪器示值的误差。     

大气自动监测校准中气体流量对仪器示值误差的影响及控制

研究了大气自动监测系统中标准气、校准气以及零空气的流量大小引起仪器示值误差及时校准曲线质量的影响,提出了重点控制标气流量是减小仪器示值误差的关键,从而解决了低浓度校准点仪器示值偏低、误差大及校准曲线截距大的技术难点,提高了大气自动监测中多点校准质量和监测结果的准确性.     

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。     

重量法测定环境空气中PM2.5的不确定度

依据《环境空气PM10和PM2.5的测定重量法》(HJ 618—2011),对环境空气PM2.5浓度进行重量法手工监测,分析测定过程各环节的影响因素及不确定度,结果显示,影响测定结果的主要因素是采样器、滤膜、天平精确度。     

淮安市区大气中颗粒物PM_(10)、PM_(2.5)污染水平

通过对淮安市大气颗粒物中PM10、PM2．5的监测与污染水平分析，得出了淮安市区PM10与PM2．5浓度呈冬秋季高，夏春季低的特征。PM2.5和PM10的比值范围在0．62～0．65之间，即PM2．5在PM10以下颗粒物中所占比例大约为63％。     

环境空气质量不同监测方法的对比

在对环境空气质量的监测中，有些城市存在着人工采样实验室测定和连续自动监测系统监测并行的情况。为考察这两种方法监测结果的异同，于夏季连续20d和冬季连续15d进行了对比监测。监测项目为SO2，NO2和PM10。在对比监测中采取了质量控制措施。对人工采样实验室测定进行了综合采样器流量校正，现场空白样和全程序平行样测定；在自动监测系统中，对SO2，NO2监测仪器作零点，标点校正，PM10监测仪作K0校正。对所测得的209个日均值进行了统计分析，结果表明：SO2，PM10两方面测定结果方差相同，NO2两种方法在冬夏两季方差间均有显著性差异；夏季SO2，PM10，冬季NO2两种方法监测结果一致；冬季SO2，PM10，夏季NO2两种方法监测结果有显著性差异；样品浓度水平及天气状况对两种方法测定结果的差异亦产生较大的影响。     

不等精密度加权回归直线的计算及误差

不等精密度加权回归直线的计算及误差颜志明（江苏省扬州市环境监测中心站２２５００２）１引言环境监测中的校准曲线法，大家都比较了解。在建立校准曲线方程时，有个假设，即在整个校准曲线方程范围内分析结果是等精度的。而在实际监测分析过程中，存有分析结果的精度和...     

影响悬浮物测定的因素分析

通过对悬浮物样品监测的全过程进行分析，找出了可能影响悬浮样品分析准确度的诸多因素，并提出了减少悬浮物测定误差的相关措施。     

浅谈回归方程的检验

环境监测工作强调"全程序质量控制",即采样、分析、数据处理、监测结果的综合分析及报告的审核和发出等各环节的全面质量管理过程。在具体监测分析过程中,有许多监测分析项目的方法都需要绘制校准曲线,凡是应用校准曲线的分析方法都是在样品测得响应值后,从校准曲线上查得其浓度或含量。因此,绘制准确的校准曲线直接影响到样品分析结果的准确与否,同时校难曲线也确定了方法的测定范围。在日常工作中,监测分析人员常用的是计算器。用CASI0fX－3600P计算器来计算、检验、合并校准曲线,这是我们在多年监测工作中总结出来的较为简单…     

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。     

PM2.5全自动重量法监测仪测量准确度评估

BTPM-AS1PM_(2.5)全自动重量法监测仪是一种根据PM_(2.5)手工重量法原理设计的PM_(2.5)自动监测仪器,能够实现样品采集、滤膜平衡、滤膜称重等环节的自动化。采用线性回归分析法对PM_(2.5)全自动重量法监测仪器的监测结果与PM_(2.5)连续自动监测仪器、手工标准方法进行比对分析,讨论了该原理仪器的流量准确性、滤膜平衡效果、天平稳定性。结果显示:PM_(2.5)全自动重量法仪器监测结果与PM_(2.5)连续自动监测仪器、手工重量法监测结果的相关系数为0.927 2~0.994 1,监测结果之间具有较高的一致性,并且其样品采集、滤膜平衡、滤膜称重等关键环节的主要技术指标能够满足中国PM_(2.5)手工标准测定方法的相关要求。     

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。     

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...     

应用化学质量平衡模型解析西宁大气PM2.5的来源

为研究影响西宁市大气环境PM_(2.5)污染水平的主要来源,于2014年采暖季、风沙季和非采暖季依托西宁市大气地面观测网络在11个监测点采集大气PM_(2.5)样品,对其化学组分(元素、离子和碳)进行分析。研究同步采集了4类固定源、14类移动源和4类开放源的PM_(2.5)样品,并构建源排放成分谱。应用化学质量平衡受体模型(CMB)开展源解析研究。源解析结果表明,观测期间西宁市PM_(2.5)主要来源包括城市扬尘(分担率为26.4%)、燃煤尘(14.5%)、机动车尾气(12.8%)、二次硫酸盐(9.0%)、生物质燃烧(6.6%)、二次硝酸盐(5.7%)、钢铁尘(4.7%)、锌冶炼尘(3.4%)、建筑尘(4.4%)、土壤尘(4.4%)、餐饮排放(2.9%)和其他未识别的来源(5.2%)。大力开展城市扬尘为主的开放源污染控制,严格控制本地燃煤、机动车等污染源的PM_(2.5)排放,是改善西宁市空气质量的重要途径。     

基于聚类分析的颗粒物监测网络优化研究

为了优化香港环境监测网络,收集香港14个监测站2011年1月1日至2015年11月30日的颗粒物PM_(2.5)、PM_(10)的小时数据进行统计分析。对PM_(2.5)进行聚类,并利用日均浓度变化图进行验证,结果表明,可将监测站分为4类(A、B、C、D类),A类位于城市郊区,B类则位于港口附近,且A、B类的PM_(2.5)日变化特征均呈现双峰型分布,峰值分别出现在09:00和21:00。对PM_(10)进行类似分析结果表明,监测站同样可以分为4类,A类位于九龙区,B类则位于港口附近,而且A、B类的PM_(10)日变化双峰分别出现在11:00和20:00左右。说明污染源头及地形的相似致使某些监测站颗粒物浓度的变化出现相同的趋势,导致监测设备的浪费和管理的冗余。建议建立更高效的空气管理系统,将冗余设备转移到其他地区,扩大空气监控区域。对PM_(2.5)/PM_(10)聚类结果表明,将监测站分为4类,B类均属于路边站,C类则位于居民区。同时还发现同类监测站PM_(2.5)/PM_(10)数值变化相同,并且可以用其中一个站的PM_(2.5)和PM_(10)浓度及另一个站的PM_(2.5)或PM_(10)浓度预测PM_(2.5)或PM_(10)浓度,为优化监测资源提供了一种新的思路。     

烟花爆竹禁燃对春节期间东北地区空气质量影响评估

利用2015—2017年春节期间东北地区主要大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、CO和O3)质量浓度监测资料及相应气象因子(温度、湿度、风速和气压)观测资料,分析了春节期间烟花爆竹禁燃对东北地区空气质量的影响。结果表明:随着东北地区主要城市禁燃力度的增强,空气质量逐年提升,PM_(2.5)和SO_2浓度逐年大幅度下降。禁燃可明显降低城区PM_(2.5)浓度,而由于春节期间污染源整体减少,城区和城郊监测点PM_(2.5)浓度值差异减小。烟花爆竹对PM_(10)和PM_(2.5)浓度影响高于对气体污染物SO_2、NO_2和CO的影响。此外,气象条件对东北地区春节期间禁燃改善空气质量的效果也有明显影响。因此,结合春节期间的气象条件,在东北地区实施禁燃政策动态调整非常必要。     

PM2.5手工监测技术要点探讨

以重量法为原理的手工监测法是国内外监测环境空气PM2.5质量浓度的标准方法,在空气质量监测中具有重要应用。该文以2012年跨4个季度近150 d的PM2.5手工监测实际操作经验为基础,重点探讨了手工监测法各环节的监测技术要点,如手工监测采样器的操作技术、滤膜种类的选择及前处理要求、滤膜更换技术、滤膜平衡和称重条件、质量保证和质量控制技术等,以期为推广PM2.5手工监测法提供技术参考。     

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。     

基于复合LSTM模型的PM2.5浓度预测

在对淄博市19个空气质量监测站点监测数据进行分析后，提出了一种基于机器学习的复合模型——灰色关联度分析(GRA)-改进的完备总体经验模态分解(ICEEMD)-长短期记忆网络(LSTM)模型。通过分析淄博市2019年大气污染物和气象数据，选用LSTM模型预测PM_2.5浓度。由于传统单一模块机器学习模型具有训练时间较长和预测精度较低的问题，提出了复合LSTM模型。该模型由3部分组成：GRA,用于PM_2.5浓度影响因素变量筛选；ICEEMD,用于PM_2.5分解、分量筛选和原始大气污染物及气象数据处理；LSTM,用于PM_2.5浓度预测。预测结果表明：淄博市中部丘陵地带PM_2.5浓度高于南部山区和北部平原，东部高于西部；淄博市逐月PM_2.5浓度呈“U”形分布，1月最高，8月最低；淄博市PM_2.5浓度受PM₁₀和CO影响较大，受湿度和温度影响较小。对比单一LSTM模型和GRA-LSTM模型，GRA-ICEEMD-LSTM模型...