首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到18条相似文献,搜索用时 125 毫秒
1.
利用LUR模型模拟天津市大气污染物浓度的空间分布   总被引:6,自引:0,他引:6       下载免费PDF全文
针对传统监测方法无法满足对大气污染物空间分布高分辨率的要求,以Arcgis为平台,利用LUR模型模拟天津市PM10和NO2年均浓度的空间分布.选取的回归变量为1~4km半径缓冲区内的道路总长度、不同土地利用类型的面积、人口密度、风向指数及距海距离,选取3个监测点的监测数据对方程进行了验证.结果表明,对PM10年均浓度影响最大的因素是缓冲区为1km的道路总长度(R2为0.560),而对NO2年均浓度影响最大的因素是人口密度(R2为0.414).多元线性回归方程计算结果显示,PM10和NO2的R2分别达到0.946和0.691;如果考虑风向的影响,R2可分别提高到0.980和0.849.对天津市中心城区建立5km′5km网格嵌套,根据多元线性回归方程计算每个网格交点的污染物浓度模拟值.通过kriging插值得到2种污染物在天津市中心城区的空间模拟分布图.PM10年均浓度分布以研究区中心最高,向四周逐渐降低;NO2的年均浓度以研究区中心最低,向四周逐渐升高.模拟结果与实际情况相符.  相似文献   

2.
重庆市PM2.5浓度空间分异模拟及影响因子   总被引:5,自引:4,他引:1       下载免费PDF全文
吴健生  廖星  彭建  黄秀兰 《环境科学》2015,36(3):759-767
基于Arcgis平台,利用土地利用回归模型模拟重庆市PM2.5浓度分布,获取了高分辨率结果图.从重庆市环保局网上获取了17个空气质量监测站点的PM2.5数据,利用16个监测点数据,结合土地利用数据、路网数据、DEM数据和人口数据建立土地利用回归模型,利用剩余的1个监测点数据来对回归映射结果进行检验.按照模型设置的变量生成方法,对监测点建立多种尺度的缓冲区,提取变量数据,最终生成了56个变量.按照土地利用回归模型的设置,56个自变量最终有3个变量进入PM2.5的回归方程,模型的R2逐步增大,且最终R2为0.84,模型拟合程度非常好.回归方程中,与研究区PM2.5浓度空间分布相关性最大的因素是空气质量监测站点500 m范围内的农用地面积,然后依次是DEM和1 000 m范围内一级公路总长度,它们与PM2.5的皮尔森相关系数依次是:0.695、-0.599和0.394.回归映射检验结果显示,检验点的误差率为2.7%,误差可以接受.回归映射结果显示,PM2.5浓度以高值分布于主城区,沿一级公路分布趋势明显,与高层紧密相关,模拟结果与实际情况相符.  相似文献   

3.
苏州城区能见度与颗粒物浓度和气象要素的相关分析   总被引:9,自引:3,他引:6  
利用苏州市2009年9月─2010年5月的颗粒物(包括黑碳,PM2.5和PM10)质量浓度、能见度、相对湿度、风速、风向、气温等观测资料,分析了苏州城区能见度与颗粒物质量浓度及气象要素的相关关系.结果表明:ρ(黑碳),ρ(PM2.5)和ρ(PM10)与能见度的r(相关系数)分别为-0.465,-0.359和-0.238,这3种颗粒物中,能见度与ρ(黑碳)的相关性最显著.当相对湿度≤60%时,ρ(黑碳),ρ(PM2.5)和ρ(PM10)与能见度的r分别为-0.675,-0.411和-0.364.相对湿度较低时,颗粒物与能见度相关性较好.能见度与温度、风速的r分别为0.132和0.188,与相对湿度的r为-0.632.用颗粒物质量浓度和气象要素建立的能见度多元线性回归模型效果不好,在该模型基础上用ρ(黑碳),ρ(PM10)和相对湿度建立了能见度的多元二次回归模型,R(复相关系数)达到0.865,R2(复决定系数)达到0.749.  相似文献   

4.
西安地铁环境中PM_(10)、PM_(2.5)、CO_2污染水平分析   总被引:1,自引:1,他引:0  
针对地铁环境空气污染状况,于2013年6月对西安地铁2号线各监测车站的站厅、站台、车厢及室外的PM10、PM2.5、CO2的污染水平进行了监测分析。结果表明:站厅、站台和车厢的PM10浓度均未超标;PM2.5浓度最大值分别为97.97,131.56,97.1μg/m3,超标率分别为30.6%、75.4%、29.5%,各监测站点细颗粒物污染较严重。车厢内部CO2最高浓度超过2 357 mg/m3,缺乏足够的新鲜空气来满足乘客的呼吸需求。对PM10和PM2.5源的相关性分析表明,站台和车厢环境中的颗粒物有强烈的相关性,二者有共同的来源。对站台和车厢环境中的PM10、PM2.5与室外环境的相关性分析表明,PM10有强烈的相关性(R2=0.83,0.78);PM2.5有较弱的相关性(R2=0.43,0.11)。各监测车站站台PM2.5/PM10为0.64~0.83,平均值为0.72;车厢PM2.5/PM10为0.68~0.85,平均值为0.78。  相似文献   

5.
2009年8~9月成都市颗粒物污染及其与气象条件的关系   总被引:19,自引:0,他引:19       下载免费PDF全文
对成都市3个不同点位PM2.5和PM10进行了为期30d的连续观测,研究了大气颗粒物浓度的时空分布特征,及其与气象条件的关系.研究表明,观测期间成都市大气颗粒物PM2.5和PM10质量浓度日均值分别为66,94μg/m3,两者浓度变化范围较大,但变化趋势相同.从空间分布来看,大气颗粒物浓度均是熊猫基地>草堂寺>丽都花园,即下风向污染状况最严重,商业繁华地段次之,生活居住区最好;从时间分布来看,大气颗粒物污染最严重出现在9月17~19日,9月5~9日2个时间段,不利的气象因素和污染物的累积是造成该时间段大气颗粒物污染加重的主要原因.PM2.5与PM10质量浓度的相关性为0.93,PM2.5对PM10的贡献较大,两者质量浓度的比值达0.69.气温对大气颗粒物浓度变化没有显著影响;降水以及风速对颗粒物浓度影响较大,主要是对颗粒物的湿清除和促进扩散作用;在一定相对湿度范围内,高湿度条件容易造成大气颗粒物的较重污染.能见度与大气颗粒物浓度呈明显负相关性,且与PM2.5的相关系数大于与PM10的相关系数.  相似文献   

6.
广州亚运期间鹤山大气颗粒物及碳组分的分析   总被引:1,自引:0,他引:1  
2010年11月广州亚运会期间,在鹤山连续测量了PM10、PM2.5及PM2.5中有机碳(OC)、元素碳(EC)的质量浓度,结合气象数据综合分析了该地区上述各种污染物的污染特征。研究结果表明:鹤山大气颗粒物以PM2.5为主,PM10和PM2.5具有较好的相关性(R2=0.72),其中PM2.5污染较严重;与国内外其他城市相比,鹤山OC、EC质量浓度处于中等偏高水平;OC和EC质量浓度的相关性较差(相关系数R2=0.32),OC/EC质量浓度比值远大于2,说明鹤山大气OC、EC来源较复杂,同时存在严重的二次污染;估算的二次有机碳(SOC)占OC总质量的66.5%。各种气象因素中,风速对污染物的质量浓度影响最大,秸秆燃烧等人类活动对其也有显著影响。  相似文献   

7.
利用2009年北京市大气颗粒物质量浓度和气溶胶光学特性的同步观测研究发现,北京市城区颗粒物污染严重.PM2.5、PM10年平均浓度分别为(65±14)、(117±31)μg·m-3,均超出国家2016年拟执行环境空气质量二级标准,PM2.5、PM10日均值超标率分别为35%、26%.细粒子PM2.5污染与可吸入颗粒物PM10污染呈显著性相关,相关系数R约为0.90(P<0.001),二者相关性伴随PM2.5在PM10中所占比重自春季到冬季逐渐增大而增强,年均PM2.5占PM10比重为61%.气溶胶光学厚度AOD(500 nm)与气溶胶波长指数(α)年均值分别为(0.55±0.10)、(1.12±0.08).PM2.5、PM10与AOD间全年及各季节均呈显著线性相关,相关系数R≥0.50;但其相关系数与相关函数存在着显著的季节差异,夏秋季节相关性显著高于春冬季节,且全年相关会掩盖较大的季节性系统差异.对PM2.5、PM10数据进行湿度订正,对AOD进行混合层高度订正,PM2.5、PM10与AOD之间的相关性得到一定提升,且更适合指数相关.  相似文献   

8.
在城市区域内,空气污染物的浓度在小范围内存在显著差异,而离散的地面监测点分布不均匀,且监测范围有限,无法满足污染物暴露评估等研究的需求.本研究基于GIS空间分析和多元逐步回归的模型构建的方法,建立了土地利用回归(LUR)模型,并模拟了北京市2019年PM2.5和PM10浓度的空间分布特征.选择土地覆盖数据、气象数据(风速、降水、温度)和植被覆盖度数据等预测变量,以研究区34个监测站点为中心建立0.1~5 km共7个系列缓冲区,表征不同尺度下各变量对PM2.5和PM10浓度的影响.研究结果表明:①进入PM2.5回归模型中的变量有:年均风速、温度、降水量和周围中等植被覆盖、耕地和不透水面的面积;进入PM10回归模型中的变量有:年均风速和周围中等植被覆盖的面积.两个模型的调整R2分别为0.829和0.677,模型精度较高.②抑制污染物浓度的变量,影响力随着空间范围扩大而增强;使污染物浓度增加的变量,影响力随着空间范围缩小而增强.③浓度模拟结果显示,PM2.5和PM10在西北部山区浓度较低,南偏东的城区浓度较高,并且向南有逐渐增加趋势.4植被覆盖度这一变量不仅进入了上述两个方程,且影响力都强于其他土地利用类型,故以后的模型改进应该考虑植被覆盖度这一因素.  相似文献   

9.
WPSTM-TEOMTM-MOUDITM的对比及大气气溶胶密度研究   总被引:1,自引:0,他引:1  
通过对2005年夏季上海、北京地区大气气溶胶观测中3种不同原理气溶胶分析及采样仪的对比,考察了颗粒物个数浓度粒径分布仪(WPSTM)、锥形元件振荡微量天平(TEOMTM)以及微孔颗粒物分级撞击采样器(MOUDITM)在运行中所得数据的可比性.其中TEOMTM测量PM2.5质量浓度与WPSTM计算PM2.5质量浓度数据的相关系数分别为0.77和0.79,并发现在粗粒子颗粒物比例较高的时段二者相关性分别提高为0.91和0.84.MOUDITM分级质量浓度与WPSTM计算分级质量浓度数据对比显示,除最小粒径分级外其他分级均有较好相关性(R分布在0.76~0.92).应用2组不同对比数据推测了上海和北京观测点PM2.5颗粒物密度,研究发现上海采样点颗粒物密度约为1.70 g·cm-3,而北京采样点颗粒物密度约为1.50 g·cm-3.  相似文献   

10.
长江三角洲PM2.5质量浓度遥感估算与时空分布特征   总被引:2,自引:2,他引:0       下载免费PDF全文
徐建辉  江洪 《环境科学》2015,36(9):3119-3127
卫星遥感反演气溶胶光学厚度(AOT)已被广泛地应用于地面PM2.5遥感监测.为遥感监测长江三角洲地区PM2.5,利用2013年的MODIS/Terra AOT产品,考虑研究区36个空气质量监测站点的风速、温度、湿度和边界层高度等气象条件,构建了基于MODIS AOD产品估算PM2.5的模型.利用17个空气质量监测站点数据对模型进行散点拟合验证,结果表明模型估算精度较高,春夏秋冬4个季节PM2.5质量浓度的模型估算值与地面监测值的相关系数R2值分别为0.45、0.50、0.58和0.52.利用模型估算的长时间序列PM2.5时空分布数据进行时空变化特征分析,结果表明:1 2000~2013年研究区PM2.5质量浓度呈增长趋势,月均增长量为0.047μg·m-3,最大值出现在2月,为(66.2±19.3)μg·m-3,最小值出现在8月,为(22.6±5.9)μg·m-3.2研究区PM2.5质量浓度空间分布差异显著,南部低,北部高,高值主要出现在由上海、杭州和南京构成的三角形区域的城市群中,而低值主要出现在南部远离城市的森林区域.结果表明基于MODIS/Terra AOT产品和地面观测气象数据估算PM2.5的多元线性回归模型能较好地应用于区域PM2.5监测.  相似文献   

11.
Land use regression (LUR) model was employed to predict the spatial concentration distribution of NO2 and PM10 in the Tianjin region based on the environmental air quality monitoring data. Four multiple linear regression (MLR) equations were established based on the most significant variables for NO2 in heating season (R2 = 0.74), and non-heating season (R2 = 0.61) in the whole study area; and PM10 in heating season (R2 = 0.72), and non-heating season (R2 = 0.49). Maps of spatial concentration distribution for NO2 and PM10 were obtained based on the MLR equations (resolution is 10 km). Intercepts of MLR equations were 0.050 (NO2, heating season), 0.035 (NO2, non-heating season), 0.068 (PM10, heating season), and 0.092 (PM10, non-heating season) in the whole study area. In the central area of Tianjin region, the intercepts were 0.042 (NO2, heating season), 0.043 (NO2, non-heating season), 0.087 (PM10, heating season), and 0.096 (PM10, non-heating season). These intercept values might imply an area’s background concentrations. Predicted result derived from LUR model in the central area was better than that in the whole study area. R2 values increased 0.09 (heating season) and 0.18 (non-heating season) for NO2, and 0.08 (heating season) and 0.04 (non-heating season) for PM10. In terms of R2, LUR model performed more e ectively in heating season than non-heating season in the study area and gave a better result for NO2 compared with PM10.  相似文献   

12.
Land use regression (LUR) model was employed to predict the spatial concentration distribution of NO2 and PM10 in the Tianjin region based on the environmental air quality monitoring data. Four multiple linear regression (MLR) equations were established based on the most significant variables for NO2 in heating season (R2 = 0.74), and non-heating season (R2 = 0.61) in the whole study area; and PM10 in heating season (R2 = 0.72), and non-heating season (R2 = 0.49). Maps of spatial concentration distribution for NO2 and PM10 were obtained based on the MLR equations (resolution is 10 km). Intercepts of MLR equations were 0.050 (NO2, heating season), 0.035 (NO2, non-heating season), 0.068 (PM10, heating season), and 0.092 (PM10, non-heating season) in the whole study area. In the central area of Tianjin region, the intercepts were 0.042 (NO2, heating season), 0.043 (NO2, non-heating season), 0.087 (PM10, heating season), and 0.096 (PM10, non-heating season). These intercept values might imply an area’s background concentrations. Predicted result derived from LUR model in the central area was better than that in the whole study area. R2 values increased 0.09 (heating season) and 0.18 (non-heating season) for NO2, and 0.08 (heating season) and 0.04 (non-heating season) for PM10. In terms of R2, LUR model performed more effectively in heating season than non-heating season in the study area and gave a better result for NO2 compared with PM10.  相似文献   

13.
主要利用连云港市环境监测中心站的大气环境自动监测平台的监测数据,对PM2.5质量浓度的变化特征以及与气象要素的关系分析。结果表明,连云港市的PM2.5质量浓度的变化特征基本上有明显的夏季与非夏季两种季节性特征。在夏季,PM2.5污染程度较轻,而在非夏季,PM2.5污染程度较重;风速与PM2.5质量浓度变化曲线几乎是负相关的。当风速大的时候,利于污染物的扩散;而风速小的时候,容易使得污染物浓度变大;PM2.5质量浓度变化曲线与温度的关系几乎呈现的是正相关性。气温的变化不总是反映空气质量的好坏情况,而逆温却易使污染物浓度升高;PM2.5质量浓度变化曲线与相对湿度的关系呈现的是正相关性;PM2.5质量浓度变化曲线与气压的关系在总体是呈负相关的。  相似文献   

14.
为了反演高分辨率的PM2.5近地面浓度,利用WRF(中尺度气象模型)模拟的大气相对湿度、风速、边界层高度等气象因子对AOD(气溶胶光学厚度)分别进行订正,以逐步提高AOD与近地面ρ(PM2.5)间的相关性;分析不同反演模型的统计学特征,优选反演模型,并利用最优模型反演中国中东部地区2014年年均ρ(PM2.5)的空间分布特征.结果表明:AOD经相对湿度订正后,其与近地面ρ(PM2.5)的相关性显著提高,相关系数达到0.77;同时引入相对湿度、风速2个气象因子,AOD与近地面ρ(PM2.5)的相关系数升至0.79(n=145,P<0.01);同时引入相对湿度、风速和边界层高度3个气象因子,AOD与近地面ρ(PM2.5)的相关系数进一步升至0.80(n=145,P<0.01).模型反演表明,研究区域内ρ(PM2.5)年均值大于35 μg/m3的面积高达334.49×104 km2,占研究区域面积的83.2%,并且高污染地区与人口密度高度重合.分析表明,北京、天津、河北、山东及河南等典型重污染省、直辖市分别有96.30%、100%、78.16%、98.86%、100%面积的ρ(PM2.5)超标,分别约有99.97%、100%、96.41%、98.88%、100%人口生活在空气质量超标地区.   相似文献   

15.
南京城区夏秋季能见度与PM_(2.5)化学成分的关系   总被引:2,自引:0,他引:2  
为研究南京细颗粒物PM2.5化学成分与能见度的关系,于2011年8月4~17日和2011年10月31日~11月11日在南京城区采集PM2.5样品并分析其化学成分,同时对能见度、PM2.5、相对湿度等进行了同步观测.结果表明:南京城区夏季采样期间的能见度高于秋季,分别约为10.9km、7.5km,低能见度天PM2.5质量浓度较高,能见度与PM2.5的相关系数为-0.75.水溶性离子和总碳分别占PM2.5质量浓度的38%和26%,其中与能见度相关性较显著的是NO3-、SO42-、NH4+、EC.总消光系数的主要贡献者是颗粒物,达98.2%.8月首要消光组分是硫酸铵(NH4)2SO4,占47.0%,有机碳OC和硝酸铵NH4NO3分别占19.2%和14.3%;而11月是NH4NO3、(NH4)2SO4和OC,分别占29.3%、28.7%、26.8%.对不同相对湿度下的能见度和PM2.5化学成分进行拟合.进一步根据WRF/Chem细颗粒物化学成分模拟结果,分别利用拟合关系式和美国IMPROVE关系式,对2011年8月和11月能见度进行计算,与观测对比发现,利用本文拟合关系式计算的能见度结果优于IMPROVE关系式.  相似文献   

16.
针对空气中PM2.5污染物的传播问题,以西安市的情况为实例,合理考虑风力等天气和季节因素的影响,建立能够刻画该地区PM2.5的发生和演变规律的有风高斯点源扩散数学模型,代入相关数据后,利用MATLAB软件求解出PM2.5污染源由一区扩散到另一区的浓度,最后由综合的各区总浓度得出PM2.5污染源的位置,并与该市实际检测到PM2.5数据进行对比分析。结果表明,确定的位置比较准确,该方法能为城市污染治理提供参考。  相似文献   

17.
The recent year‘s monitor results of Beijing indicated that the pollution level of fine particles PM2.5 showed an increasing trend. To understand pollution characteristics of PM2.5 and its relationship with the meteorological conditions in Beijing, a one-year monitoring of PM2.5 mass concentration and correspondent meteorological parameters was performed in Beijing in 2001. The PM2.5 levels in Beijing were very high, the annual average PM2.5 concentration in 2001 was 7 times of the National Ambient Air Quality Standards proposed by US EPA. The major chemical compositions were organics, sulfate, crustals and nitrate. It was found that the mass concentrations of PM2.5 were influenced by meteorological conditions. The correlation between the mass concentrations of PM2.5 and the relative humidity was found. And the correlation became closer at higher relative humidity. And the mass concentrations of PM2.5 were negtive-correlated to wind speeds, but the correlation between the mass concentration of PM2.5 and wind speed was not good at stronger wind.  相似文献   

18.
北京地区霾/颗粒物污染与土地利用/覆盖的时空关联分析   总被引:1,自引:0,他引:1  
土地利用/覆盖变化(LUCC)直接或间接影响颗粒物污染,为定量评价颗粒物污染与土地利用在时序变化和空间分布上的关系,使用北京市长期气象资料、土地利用数据、实测颗粒物浓度数据和遥感影像,结合GIS空间分析和典型相关分析方法,对北京市霾日数与土地利用变化的响应关系、以及局地土地利用类型对颗粒物污染浓度空间分布的影响进行了定量评价.结果表明:从时序变化的角度看,北京市(行政区内)1996~2008年间霾日数与生态用地和耕地表现为显著负相关,相关系数分别为-0.574和-0.592,与建设用地、居民点及工矿用地和交通用地则呈显著正相关,相关系数分别为0.595、0.609和0.590;北京城区(五环内)1989~2012年间霾日数与生态用地、耕地和建设用地变化趋势具有良好的响应关系,其中城市区域扩张对霾日数影响显著,建成区面积与霾日数显著正相关,相关系数为0.876.从空间分布的角度看,建筑工地、道路和裸地3种下垫面类型的颗粒物浓度要明显高于其他类型;在0.5km和1km缓冲区内,绿地面积与PM1.0浓度呈显著负相关,相关系数分别为-0.542和-0.507,建筑面积与PM1.0浓度呈显著正相关,相关系数分别为0.469和0.537.总体来看,北京地区颗粒物污染水平、空间分布格局与土地利用/覆盖状况具有良好的时空关联性.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号