2015—2017年天水市大气污染物变化特征及来源分析

据天水市2015-2017年大气污染物（SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀）的监测数据及气象资料,分析了天水市大气污染物的浓度变化特征,并利用排放源清单和HYSPLIT模型对污染物来源进行了解析.结果表明：①天水市空气质量有所下降,总体优良率达84.9%.SO₂、NO₂、CO均达标,污染物以颗粒物和O₃为主.②一次污染物SO₂、NO₂、CO、PM_2.5和PM₁₀浓度具有相似的季节变化和日变化特征,冬季最高,夏季最低,日变化呈早晚双峰型.二次污染物O₃夏季浓度最高,冬季最低,日变化呈单峰型.③天水市空气质量主要受污染物的本地排放和外来输送的影响,本地民用和工业部门对SO₂、CO、PM_2.5和PM₁₀的贡献最大,交通和工业部门对NO_x的分担率最高,民用部门是CO的最大排放源;西北和东部气流是污染物外来的最主要输送路径.此外,污染物在城市大气中的稀释、扩散和转移也受当地气象因素（气温、降水、风向等）的影响.     

武汉市2014-2017年大气污染物分布特征及其潜在来源分析

利用武汉市2014—2017年大气污染物（SO₂、NO₂、CO、O₃、PM_2.5和PM₁₀）和气象要素的观测数据,分析了大气污染物的变化特征及其影响因素.使用HYSPLIT模式计算了影响武汉市的主要气团类型,并利用潜在源区贡献（PSCF）和浓度权重轨迹（CWT）分析方法,揭示了研究期内武汉市不同大气污染物的潜在源区分布及其贡献特性.结果表明,武汉市2014—2017年空气质量逐年好转,SO₂、O₃、PM_2.5和PM₁₀的浓度呈逐年下降的趋势,但NO₂和CO的浓度先下降后上升.2017年SO₂、O₃、PM_2.5、PM₁₀、NO₂和CO的浓度分别为9.6、50.8、52.7、89.2、47.5 μg·m^-3和1.1 mg·m^-3,分别比2014年降低了64.3%、23.0%、24.7%、18.8%、3.5%和5.9%.大气污染物存在显著的季节变化和月变化.大气污染物在四个季节中日变化类似,SO₂和O₃均为单峰型分布,NO₂、CO、PM_2.5和PM₁₀均为双峰型分布.武汉市空气污染以PM_2.5为主,随着污染程度的加剧PM_2.5/PM₁₀的值逐渐增大,在空气质量为严重污染时,PM_2.5/PM₁₀高达90%,比空气质量为优时高了31.34%.局地气团（45%）和来自山西、陕西和河南一带的西北气团（12.1%）下大气污染物浓度较高.大气污染物的潜在源区贡献（WPSCF）和浓度权重轨迹（WCWT）的较大值主要集中在武汉市本地及其周边地区,局地污染对武汉市大气污染物的贡献较大,但不同大气污染物受到排放源分布和停留时间等影响其WPSCF和WCWT的分布范围不同.     

河南省18个城市大气污染物分布特征、区域来源和传输路径

河南省大气污染严重且与周边区域污染传输及交互影响明显,以2017年1、4、7和10月为研究对象,将河南省内18个地市的排放源分别标记,并应用于WRF-CMAQ溯源模型进行模拟.污染物分布结果表明,由于排放和气象的共同影响,河南省PM_2.5、NO₂和SO₂浓度表现为冬季最高,夏季最低.O₃-8h浓度的季节变化则为夏季最高,春季次之,冬季最低.不同季节间污染物浓度差距较大,河南省PM_2.5、NO₂和SO₂冬季浓度平均值分别是夏季的4.17、4.12和6.24倍,而O₃-8h在夏季的浓度是冬季的2.24倍.由于PM_2.5、NO₂和SO₂与一次排放关系密切且具有一定的同源性,这3种污染物的高值分布为北高南低,季节趋势较为一致.而O₃-8h季节分布差异较大,夏季气象条件有助于O₃的生成,O₃-8h高值主要分布于河南省东北区域;冬春秋季由于气象条件的抑制和NO_x的消耗O₃-8h高值主要分布在河南省的南部.传输结果表明,冬季省外传输和天然源对河南省PM_2.5、O₃-8h、NO₂和SO₂浓度的贡献率都是最大的,分别为36.20%~72.32%、77.96%~96.08%、49.45%~78.80%和59.05%~88.85%.在仅考虑本地排放和省内传输时,夏季河南省内各市的排放对本地4种污染物浓度的贡献率均为最高;春季省内传输对各市PM_2.5和O₃-8h浓度的贡献率较大,分别为25.63%~74.69%和30.21%~80.01%,冬季省内传输对各市NO₂和SO₂浓度的贡献率较大,分别为26.02%~76.96%和20.30%~82.34%.河南省内PM_2.5、NO₂和SO₂的传输路径相似,冬季多由北向南传输,春季多由西向东,西南向东北传输,夏季多由西南向东北传输,秋季多由北向南传输,但PM_2.5的传输更加复杂.而O₃-8h传输路径与其他3种较为不同,特别是在秋季O₃-8h由西南向东北的传输路径明显.     

2014年APEC期间北京市空气质量改善分析

利用2014年11月1~12日(APEC会议期间)北京市大气污染物、PM_2.5组分及气象、遥感监测数据,结合CMB受体模型,综合分析了APEC会议期间北京市空气质量与气象条件变化并初步评估了减排措施对APEC会议期间PM_2.5浓度的贡献及影响. 结果表明,APEC会议期间北京市PM_2.5、PM₁₀、SO₂、NO₂的浓度分别为43、62、8和46 μg ·m^-3,比近5年平均浓度(PM_2.5为2012~2013年平均浓度)降低45%、43%、64%和31%; 空间分布上PM_2.5在城区及北部山区改善效果最明显,下降幅度在30%~45%之间,南部地区降幅在25%以下; 不同类别的站点降幅在27.4%~35.5%之间; APEC会议期间PM_2.5的主要组分SO₄^2-与同期(2013年11月1~12日)相比下降50%,地壳物质同比下降76%,NO₃^-同比下降35%; CMB模型源解析结果显示APEC会议期间燃煤锅炉贡献2%左右,扬尘贡献7%左右,机动车贡献30%左右; APEC会议期间北京市及周边地区针对可能发生的污染过程采取的减排保障措施对PM_2.5浓度具有明显的削峰降速作用.     

关中盆地NO2和SO2对颗粒物污染的协同效应

基于WRF-Chem模式模拟了关中盆地2019年1月2—14日一次颗粒物污染事件,评估了NO_x和SO₂减排及其在颗粒物污染中的协同作用对PM_2.5污染的影响。敏感性实验结果表明：NO_x减排可使PM_2.5中硝酸盐含量下降,但大气中O₃浓度上升,大气氧化能力增强,其他二次组分上升,导致PM_2.5下降不明显;SO₂人为源减排可使硫酸盐质量浓度下降,但由于硫酸盐在PM_2.5中占比较低,当SO₂减排75%时,PM_2.5仅下降1.74%;当减排比例较高时,NO_x和SO₂同时减排更有利于颗粒物污染防治。PM_2.5质量浓度在NO_x和SO₂同时减排75%时比分开减排75%时多下降0.75%,主要是硫酸盐下降所致;对气溶胶含水量进行分析,发现NO_x对气溶胶含水量影响较大,当NO_x减排75%时,气溶胶含水量可下降15.51%;此外,NO_x和SO₂同时减排比分开减排时气溶胶含水量更低,更不利于二次颗粒物生成。     

基于土地利用回归模型的北京市2013-2019年大气污染时空变化分析

在近年来大力控制大气污染的背景下,通过历史观测数据分析污染物的时空变化特征,有助于总结以往控制的成效,并为制定下一阶段措施提供科学依据.本研究基于北京市大气环境质量监测站点2013—2019年数据,分析了6种常规大气污染物（PM_2.5、NO₂、O₃、PM₁₀、SO₂、CO）的时间变化趋势,并构建了2013和2019年PM_2.5、NO₂和O₃ 3种主要污染物的土地利用回归模型（Land use regression model, LUR）,对它们详细的空间分布及变化特征进行了分析.结果表明,污染物浓度在过去7年中发生了重大变化,除O₃增长,其余5种污染物下降明显.不同城区间的差异在迅速缩小,污染物浓度在空间上趋于均匀.PM_2.5呈明显的南高北低,城区NO₂浓度显著高于郊区和山区,O₃在主城区尤其是道路附近浓度较低.约50%的区域PM_2.5下降30 μg·m^-3以上,约40%的区域NO₂下降幅度为5~15 μg·m^-3,道路附近O₃升幅在20 μg·m^-3以内.研究结果揭示出北京市及其周边地区大气污染治理近年来取得了卓有成效的成绩,但同时也面临着O₃浓度升高的新挑战.     

2014~2016年京津冀沿山城市空气质量首要污染物特征分析

对北京、保定、石家庄、邢台和邯郸这5个京津冀太行山沿山城市2014~2016年空气质量首要污染物进行分析,探讨其空间分布特征和时间变化趋势.结果表明,北京首要污染物由主到次为PM_2.5、O₃-8h、NO₂和PM₁₀,其他4个城市首要污染物排序为PM_2.5、PM₁₀、O₃-8h、NO₂、SO₂和CO.在空间分布上,各城市PM_2.5首要污染物天数比例3 a均值相当（53.3%~58.1%）,但从北向南,5个城市PM₁₀天数比例基本呈上升趋势,而O₃-8h反之.除邯郸PM_2.5首要污染物天数比例逐年明显下降外,其他4个城市的天数比例年际变化幅度较小;2016年石家庄、邢台和邯郸O₃-8h天数比例均显著上升.各城市PM_2.5和O₃-8h首要污染物天数月变化曲线分别呈"W"型和"倒U"型,PM₁₀首要污染物天数在3~5月出现明显高值区.从良至严重污染,各城市PM_2.5和PM₁₀首要污染物天数比例之和随空气质量级别逐级递增,其中PM₁₀天数比例逐级下降,而PM_2.5表现相反;O₃-8h首要污染物天基本出现在良至中度污染级别,且总体上逐级下降;NO₂仅在良级天有较高的天数比例贡献.     

秦巴山地西部地区2015—2018年大气污染物变化特征及潜在来源分析

为了研究我国南北过渡带西部地区大气污染物变化特征，选取了秦巴山地西部陇南市2015-2018年大气主要污染物监测资料和气象数据，分析了各污染物的浓度水平、变化特征及与气象条件的关系，并利用HYSPLIT后向轨迹模式分析了该地区污染物潜在来源（WPSCF和WCWT）.结果表明：4年来，秦巴山地西部地区空气环境质量较好，空气质量优良率达94.24%，6项大气污染物SO₂、NO₂、CO、O₃、PM_2.5、PM₁₀平均浓度分别为19.02、23.35、701.41、83.11、30.57、56.50 μg·m^-3，均未超过国家二级标准.PM₁₀是该地区首要污染物中天数最多的，达94 d.污染物SO₂、NO₂、CO、PM_2.5和PM₁₀的季节变化和日变化特征具有较好一致性，呈"U"型变化，O₃呈单峰型，在夏季和午后浓度到达高值.颗粒污染物PM₁₀、PM_2.5与气态污染物SO₂、NO₂、CO均呈现较好正相关，气温、降水量和风速风向对污染物浓度有较大的影响.该地区冬季空气质量明显差于其他季节，颗粒物浓度主要受供暖期化石燃料燃烧和外来气流的影响.     

四川盆地大气污染物时空分布特征及气象影响因素研究

利用2015—2018年四川盆地内18个城市的6种污染物逐日质量浓度监测资料、同期的常规气象观测资料，采用插值、相关分析等方法，分析了四川盆地3个区域6种污染物的时空分布特征，探讨了各个污染物质量浓度与气象要素之间的关系.结果表明：①O₃在盆地中西部污染较重，PM_2.5和PM₁₀在德阳、成都、眉山、内江、自贡一带污染较重，在广元和巴中污染较轻，SO₂在巴中、南充、绵阳、德阳一带污染较轻，在广元和盆地中南部污染较重；②NO₂平均浓度呈先增后减的趋势，O₃呈增加趋势，而CO、PM_2.5、PM₁₀、SO₂均呈减小趋势；③CO、NO₂、PM_2.5、PM₁₀、SO₂呈"夏低冬高"的特征，O₃则相反，CO、NO₂、PM_2.5、PM₁₀均表现为"双峰双谷"型，O₃和SO₂则表现为"单峰"型；④偏东风有利于CO、NO₂、PM₁₀、PM_2.5的稀释扩散，偏北风有利于O₃、SO₂的稀释扩散；⑤6种污染物质量浓度均与气压、气温、24 h变温、24 h变压、相对湿度、10 m风速、700 hPa散度、850 hPa高度显著相关.风速、相对湿度、混合层高度、逆温层平均高度的增加有利于大多数污染物的稀释扩散.     

临沂市区主要大气污染物的污染特征及其对居民健康的影响

大气污染是全球性的公共环境健康问题.本研究基于临沂市区2015年6种大气污染物（PM_2.5、PM₁₀、SO₂、NO₂、CO、O₃）的逐日监测数据,分析了污染物的污染特征及其与气象因子的相关性,通过构建广义相加模型,模拟分析了单个污染物与居民呼吸、循环系统疾病门诊人次的暴露-反应关系.结果表明,PM_2.5和PM₁₀是临沂市区首要大气污染物,NO₂和SO₂次之,O₃和CO浓度较低;除O₃外,其它5种污染物之间呈显著正相关,与风速、温度、相对湿度3个气象因子呈负相关,浓度水平冬季高、夏季低;O₃与温度呈显著正相关.对于呼吸系统疾病,单个污染物每增加10 μg·m^-3（CO每增加0.1 mg·m^-3）的最大效应情况是：PM₁₀、SO₂、NO₂、CO均在当天（lag0）使得门诊人次分别增加0.36%、1.77%、1.29%、0.69%,PM_2.5和O₃分别在累积滞后6 d（lag05）和单日滞后3 d（lag3）使得门诊人次分别增加0.6%和1.07%;对于循环系统疾病,单个污染物每增加10 μg·m^-3（CO每增加0.1 mg·m^-3）的最大效应是：PM_2.5、PM₁₀均在累积滞后5 d（lag04）使得门诊人次分别增加0.72%、0.80%,SO₂、NO₂均在累积滞后6 d使得门诊人次分别增加3.55%、3.54%,CO和O₃则分别在当天和单日滞后3 d使得门诊人次分别增加0.77%、1.39%.对于呼吸、循环系统疾病,PM_2.5、PM₁₀、CO、O₃对男性的影响均大于女性,SO₂则反之;NO₂对男性呼吸系统和女性循环系统影响较大.大气污染物对少年（7~17岁）呼吸系统和对中年（41~65岁）循环系统影响较大.临沂市区6种大气污染物存在不同程度的污染,对居民呼吸、循环系统疾病均有不同程度的影响,且存在性别和年龄的差异.     

长三角地区大气污染物对新冠肺炎封城的时空响应特征

利用2020年1月1日—2月29日上海、南京、合肥和杭州4个城市常规污染物的逐时监测资料,结合卫星反演的NO₂垂直柱浓度信息,探讨了新冠肺炎封城的前、中、后期长三角地区城市大气污染物的污染水平及响应特征.结果显示：除O₃外,其余大气污染物的平均浓度在时间上的整体变化趋势均表现为封城前>封城中（1月24日—2月10日）>封城后,表明空气质量并非完全受封城导致的污染减排控制.封城期间的PM_2.5/PM₁₀比值高于封城前和封城后,表明气溶胶二次生成对封城期间仍出现的颗粒物污染可能有重要贡献.O_x浓度在封城期间也有显著上升（p<0.01）,表明大气氧化性可能在NO₂减少的背景下得到强化,从而促进二次气溶胶的生成.从空间看,O₃分布呈以城市为中心的包围式往内聚集分布,表明以局地生成为主.PM_2.5、PM₁₀、CO、SO₂和NO₂分布特征为北高南低,表明冬季自北向南的区域传输对封城期间的空气污染有重要贡献.卫星反演结果进一步证实华北平原是污染的主要源区,这也得到轨迹来源分析的佐证.     

太原市2014年春节期间常规大气污染物浓度变化及聚类分析

为了探寻太原市春节期间不同监测站点各常规大气污染物的质量浓度变化规律及相互之间的关系,记录和收集了太原市上兰、南寨、涧河、尖草坪、桃园、坞城、小店、金胜、晋源9个监测点2014年农历小年至元宵节(2014-01-23—2014-02-14)期间的大气PM2.5、PM10、CO、NO2、O3、SO2小时浓度值以及相应的气温、气压、湿度、风级、能见度等气象数据,采用相关分析、小波分析、单因子污染指数评价和系统聚类等方法进行研究,发现:1该时段内就太原市总体而言,PM2.5超标倍数最大,其次是PM10、SO2、CO、NO2,O3污染最小.2农历小年、除夕、正月初八、元宵节大气PM2.5和PM10的浓度迅速增加,与自然气象因子基本无关,说明烟花爆竹的集中燃放对大气颗粒物尤其是细颗粒物产生较大影响.3SO2、NO2、CO与PM2.5和PM10浓度变化的波动趋势相似、主周期相同,反映了部分PM2.5和PM10与SO2、NO2、CO有共同的来源;O3的波动趋势及主周期与上述污染物完全不同,显示出它来源的特殊性.4按PM2.5聚类,南寨、涧河、尖草坪、桃园4个点聚为一类,小店和坞城2个点聚为一类,金胜和晋源聚为一类,位于太原市最北端作为清洁对照的上兰监测点自成一类,与它们的地理位置有较好的相符性,同时,聚类分析结果与各监测点的单因子污染指数评价结果相一致.本文提示小波分析与聚类分析相结合可以较好地反映城市大气污染物浓度变化的时间与空间分布规律.     

京津冀污染物跨界输送通量模拟

发展了关键影响因子加权人为源分配方法(WKIF),增添了依赖于气象条件和下垫面类型的生物源,动态更新了气象场和浓度场的边界条件.然后利用WRF-CAMx模式定量给出了四季北京、天津和河北大气边界层中PM2.5、O3、CO、SO2、NO2和NO跨界输送通量和北京净输入或输出通量.结果表明WKIF方法合理反映了中小城市人为源的空间分布特征,模式重要输入参量、初值与边界条件的改进显著改善了WRF-CAMx模式对京津冀地区6个观测站点近地面NOx、O3和PM2.5浓度的模拟.北京向天津冬、春季主要通过西北方向,夏、秋季主要经过偏西方向输入NO、NO2、SO2、CO、O3、PM2.5,输送通量夏季均最小,冬季均最大,且四季北京向天津输入的CO、O3、PM2.5通量显著高于NO、NO2、SO2通量.河北的污染物冬、春季主要通过西北方向,夏季主要经由偏南方向,秋季主要途径偏西方向进入北京;四季北京向河北输入NO和NO2,但跨界输送通量小于20t·d-1;四季河北向北京输入的CO、O3、PM2.5通量远高于北京向河北输送的NO、NO2通量,明显大于北京向河北输送的SO2通量,且河北向北京输入CO、O3、PM2.5通量夏季均最小,冬季均最大;四季北京大气边界层中NO、NO2、SO2最大净输出通量小于50t.d-1,CO、O3、PM2.5净输入或输出通量分别为111～2309、567～6244、715～1778t·d-1.这些定量结果为京津冀区域污染源调控对策的制定提供了科学依据.     

Spatial and temporal variation of particulate matter and gaseous pollutants in 26 cities in China

O3and PM2.5were introduced into the newly revised air quality standard system in February 2012, representing a milestone in the history of air pollution control, and China's urban air quality will be evaluated using six factors(SO2, NO2, O3, CO, PM2.5and PM10) from the beginning of 2013. To achieve the new air quality standard, it is extremely important to have a primary understanding of the current pollution status in various cities. The spatial and temporal variations of the air pollutants were investigated in 26 pilot cities in China from August 2011 to February 2012, just before the new standard was executed. Hourly averaged SO2, NO2and PM10were observed in 26 cities, and the pollutants O3, CO and PM2.5were measured in 15 of the 26 cities. The concentrations of SO2and CO were much higher in the cities in north China than those in the south. As for O3and NO2, however, there was no significant diference between northern and southern cities. Fine particles were found to account for a large proportion of airborne particles, with the ratio of PM2.5to PM10ranging from 55% to 77%. The concentrations of PM2.5(57.5 μg/m3) and PM10(91.2 μg/m3) were much higher than the values(PM2.5: 11.2 μg/m3; PM10 : 35.6 μg/m3) recommended by the World Health Organization. The attainment of the new urban air quality standard in the investigated cities is decreased by 20% in comparison with the older standard without considering O3, CO and PM2.5, suggesting a great challenge in urban air quality improvement, and more eforts will to be taken to control air pollution in China.     

Changes in air pollution during COVID-19 lockdown in Spain: A multi-city study

The COVID-19 pandemic has escalated into one of the largest crises of the 21st Century. The new SARS-CoV-2 coronavirus, responsible for COVID-19, has spread rapidly all around the world. The Spanish Government was forced to declare a nationwide lockdown in view of the rapidly spreading virus and high mortality rate in the nation. This study investigated the impact of short-term lockdown during the period from March 15th to April 12th 2020 on the atmospheric levels of CO, SO₂, PM₁₀, O₃, and NO₂ over 11 representative Spanish cities. The possible influence of several meteorological factors (temperature, precipitation, wind, sunlight hours, minimum and maximum pressure) on the pollutants' levels were also considered. The results obtained show that the 4-week lockdown had significant impact on reducing the atmospheric levels of NO₂ in all cities except for the small city of Santander as well as CO, SO₂, and PM₁₀ in some cities, but resulted in increase of O₃ level.     

基于空间插值的西安市重空气污染期间主要污染物时空变化特征及相关性分析

西安市是我国承东启西、连接南北的战略性枢纽城市,但其长期受到重空气污染的影响.基于2018年11月24日-12月3日西安市及其周边7个地级市共38个环境质量监测站点的逐时数据,利用空间插值、趋势分析和相关性分析方法,研究了西安市一次重空气污染期间六大污染物（PM_2.5、PM₁₀、CO、NO₂、SO₂和O₃）的质量浓度时空变化及彼此间的相关关系.结果表明:①IDW（inverse distance weighting,反距加权插值法）和OKri（ordinary Kriging,普通克里格插值法）均能较好地获得西安市空气污染物的时空变化情况,但IDW的插值精度优于OKri,距离指数为7的IDW可以满足西安市空气污染物时空变化模拟的要求.②研究期间,西安市首要污染物为PM_2.5和PM₁₀,二者分别是中度-重度污染及严重-"爆表"污染天气的首要贡献因子.③ρ（PM_2.5）、ρ（PM₁₀）、ρ（CO）、ρ（NO₂）和ρ（SO₂）均呈中部高、两边低,北部高、南部低的空间分布特点,而ρ（O₃）则相反;PM_2.5、PM₁₀、O₃污染程度日趋严重,NO₂污染程度逐渐缓解.④ρ（PM_2.5）、ρ（NO₂）、ρ（CO）之间呈中等正相关,三者在时空变化上具有较高的一致性;ρ（SO₂）与ρ（PM_2.5）、ρ（NO₂）、ρ（CO）均呈弱正相关;ρ（O₃）与ρ（NO₂）、ρ（CO）均呈弱负相关.受扬尘天气和特殊风向及地形共同影响,西安市PM₁₀出现"爆表"现象,导致ρ（PM₁₀）与其他污染物质量浓度之间的相关性不明显.研究显示,距离指数为7的IDW适合西安市空气污染情况时空变化的模拟,重污染天气条件下,西安市ρ（PM_2.5）、ρ（NO₂）、ρ（CO）之间具有较高的同源性,但各污染物间时空变化和相关性关系较复杂.      

新冠肺炎疫情期间河北省国省道机动车交通量及大气污染物排放量变化分析

本研究分别利用2019年、2020年第一季度河北省国省道交通调查站监测数据,计算了两年国省道机动车逐日交通量及大气污染物排放量,分析了新冠肺炎疫情期间国省道机动车大气污染物排放的变化情况.与2019年相比,2020年第一季度河北省国省道交通量同比下降38.1%,单位公里CO、VOCs、NO_x、PM_2.5、PM₁₀排放强度分别同比下降31.3%、32.7%、19.1%、20.2%、20.0%.从不同公路类型来看,2020年第一季度,普通公路交通量持续下降,国家高速和省级高速交通量在3月出现回升,分别同比增长5.6%、37.2%,且货车增速高于客车.2020年春运期间,客车、货车总交通量分别为去年同期的44.2%、51.0%,国省道CO、VOCs、NO_x、PM_2.5、PM₁₀的排放强度分别是去年同期的51.4%、50.6%、52.6%、52.3%、52.3%.从2月14日开始,客车、货车交通量开始逐步回升,到3月底,国省道总交通量恢复到了去年同期的46.6%,其中,客车是去年同期的34.5%,货车是70.3%.     

基于BP神经网络的大气污染物浓度预测

利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似.     

基于快速聚类方法分析常州市区PM2.5的统计特性

运用统计方法研究常州市区2013~2014年6个国控点六项基本污染物(SO_2、NO_2、CO、O_3、PM_(2.5)和PM_(10))月平均浓度变化,结果表明,除O_3外,其它五项污染物月平均浓度夏季较低冬季较高.颗粒物与风速之间的关系为PM_(2.5)浓度随风速的升高一直降低,PM_(10)随风速的升高浓度先降低后升高.采用快速聚类分析(k-means)并运用SWV和DIV指数对六项基本污染物进行分类,得到4个样本分类.与依据颗粒物化学成分或粒径谱对PM进行源解析方法不同,本研究更多是从PM_(2.5)与其它污染物相关关系以及污染程度等角度按照欧式距离进行分类.不同类中PM_(2.5)来源明显不同,类1中PM_(2.5)与化石燃料燃烧排放密切相关,类2与O_3密切相关,类3与城市不完全燃烧排放、区域灰霾污染密切相关,类4可以归类于城市"背景"类.快速聚类分析结果也表明常州市区PM_(2.5)有着复杂的来源.