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.     

基于细微粒子污染的灰霾判定方法的研究

本文从细微粒子污染导致灰霾形成的角度出发,首先开展了灰霾监测实验,并对实验数据进行频数和描述性分析,研究了以PM10为主的细微粒子污染与灰霾的影响关系。确定了以PM10日平均浓度为灰霾目的判定依据,并根据中国大陆PM10污染指数的分级标准建立了灰霾等级指数,从而形成了一套根据PM10日平均浓度来确定不同等级的灰霾发生概率的方法,为灰霾预测及灰霾治理提供一定的理论依据。     

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.     

2014年成都市PM_(2.5)污染及其与气象要素的关系

为了解2014年成都市PM2.5污染状况及其与近地面气象要素的关系,分析了PM2.5的月平均浓度演变及不同空气质量等级的天数变化,采用SPSS软件对降雨、平均相对湿度、气温、风向和平均气压与PM2.5质量浓度进行Kendall秩次相关分析。结果表明:2014年成都市1—12月PM2.5质量浓度呈"U"形分布,污染最严重在1月,污染程度最小是8月,全年有大半以上天数,空气质量等级为"良~优"。PM2.5质量浓度与各月降雨量,月平均气温存在较高的负相关性;PM2.5质量浓度与风向、平均相对湿度为较低显著性负相关。PM2.5质量浓度与平均气压之间正相关。     

马尔科夫链在环境质量预测中的应用

鉴于目前环境质量预测在理论方法和实践上的缺乏,把马尔科夫链引入环境质量的预测中,将各种污染物的浓度变化过程视作马尔科夫过程,通过预测各种污染物的污染负荷系数来推知其浓度值.实例中通过多元回归分析计算出马尔科夫转移矩阵,以2005年辽宁省5种大气污染物的污染负荷系数作为初始向量,预测了今后5年的变化.然后利用GM(1,1)模型预测出降尘的具体浓度值,由此计算出了2006～2010年辽宁省5种污染物的浓度值.     

马尔科夫链在环境质量预测中的应用

鉴于目前环境质量预测在理论方法和实践经验上的缺乏,把马尔科夫链引入环境质量的预测中,将各种污染物的浓度变化过程视作马尔科夫过程,通过预测各种污染物的污染负荷系数来推知其浓度值。实例中通过多元回归分析计算出马尔科夫转移矩阵,以2005年辽宁省5种大气污染物的污染负荷系数作为初始向量,预测了今后5年的变化。然后利用GM(1,1)模型预测出降尘的具体浓度值,由此计算出了2006-2010年辽宁省5种污染物的浓度值。     

南京市PM2.5颗粒物来源探析

2011～2012年期间,选择了春、夏、秋、冬4季,在南京市主城区进行PM2.5采样,分析了大气颗粒物的质量浓度、元素组成、离子、有机碳（OC）和元素碳（EC）的浓度。根据监测结果采用因子分析与受体模型对其来源进行解析,结果显示：南京市大气PM2.5的主要来源为工业排放、机动车尾气、二次污染和扬尘,约占PM2.5颗粒物组分的60%左右,其中用因子分析模型判断工业排放、机动车尾气、土壤扬尘因子贡献率占32.5％,二次粒子尘占11.7％,燃煤与建筑水泥尘占16.1%;受体模型结果与因子分析结果基本一致。根据解析结果与实际污染特征,针对性地提出污染源控制对策。     

基于ARIMA模型的PM_(2.5)预测

PM2.5的精确预测是大气污染评价和治理的关键性工作。本文针对PM2.5浓度变化的时间序列分布特征,结合环境监测站提供的相关数据,应用自回归移动平均模型(ARIMA(p,d,q))预测短期PM2.5的日平均浓度。结果表明:由于PM2.5浓度变化受气象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的影响,不同时段内的变化模式存在巨大差异,因此采用分时段序列预测模型可以提高PM2.5的预测精度;通过将分时段序列模型与灰色GM(1,1)模型和全年时间序列模型的预测结果进行对比,发现该模型预测效果更好。     

兰州市供暖期PM_(2.5)浓度监测及其预报模型

利用兰州市2007-2009年供暖期PM2.5实测数据,统计分析观测期间PM2.5的超标率、超标倍数、浓度水平以及典型天气(浮尘、沙尘暴和灰霾)下PM2.5浓度日变化特征,并结合同期气象数据,运用多元逐步回归分析的方法建立兰州市供暖期PM2.5浓度预报模型,最后对模型进行验证。结果表明:兰州市2007-2009年供暖期PM2.5污染十分严重,2007-2009年PM2.5的超标率分别为59.2%、67.9%和68.8%,最大超标倍数分别达到2.88、3.17和3.60;2007-2009年供暖全期PM2.5浓度日变化呈"双峰双谷"型,浮尘、沙尘暴和霾天气下PM2.5浓度均远高于平均值,霾天气下PM2.5日均浓度值最高;兰州市供暖期PM2.5浓度预报模型的预报值与实测值的变化趋势基本一致,但对高浓度PM2.5模拟结果较差,PM2.5预报浓度准确率和等级准确率分别为70.2%和81.8%。     

空气重污染应急措施对北京市PM2.5的削减效果评估

利用嵌套网格空气质量模式系统(NAQPMS)模拟了2013年1月10~14日一次典型的大气严重污染过程,并利用同期气象和污染物浓度的小时观测数据验证了NAQPMS的模拟结果.敏感性试验结果表明,在重污染期间,当仅实施《北京市空气重污染应急预案(试行)》一级预警中机动车单双号限行措施时,可削减北京PM2.5小时平均浓度4%~10%;当仅实施工业限产减排30%的措施时,可削减北京PM2.5小时平均浓度1%~6%;当同时实施机动车单双号限行和工业限产减排30%的措施时,可削减北京平均PM2.5小时平均浓度6%~12%,并且PM2.5小时浓度与削减率的变化趋势呈反相关,即该措施对污染较轻时段PM2.5浓度削减率高于污染峰值时段;若京津冀地区两市一省同时实施机动车单双号限行和工业限产减排30%的措施时,可削减重污染期间北京小时平均PM2.5浓度20%~35%,且污染严重的区域和时段削减效果更加显著,空气质量可提升一个等级.研究结果表明,当北京发生重污染时,仅靠北京本地限排限产并不能有效减轻PM2.5浓度,若要有效控制北京重污染,应根据污染物区域输送特征,京津冀地区实施大气污染联防联控.