基于属性简约和BP神经网络的PM_(2.5)预测模型

利用南充市2014-2015年的空气质量数据和气象数据作为分析数据,研究了南充市后1日PM_(2.5)的预测模型。研究过程分为2个阶段:(1)经粗糙集-遗传算法属性简约后,保留了11个必要属性;(2)保留的必要属性作为BP神经网络的输入层,基于BP神经网络建立了后1日PM_(2.5)的预测模型。结果表明:(1)决策属性对条件属性的依赖度为0.779 3;(2)经属性简约后建立的南充市后1日PM_(2.5)的预测模型预测误差降低了1.73%,准确率提高;(3)经属性简约后建立的南充市后1日PM_(2.5)的预测模型准确率为80.26%,对优良状态PM_(2.5)预测的准确率为75.35%,对污染状态PM_(2.5)预测的准确率为87.63%。基于属性简约和BP神经网络的PM_(2.5)预测模型总体预测效果良好,可用于颗粒物浓度预测和污染情况预报,为大气环境监测和管理提供重要技术参考。     

珠海市空气质量预测模型研究与分析

空气质量统计预报模型是当前空气质量预报的重要工具之一。该研究选取珠海市4个国控大气自动监测站点(吉大、唐家、前山、斗门),基于大气环境监测数据和气象数据研究了同期回归、多元回归2种空气质量预报统计模型,并对模型在不同污染物(NO_2、SO_2、CO、O_3、PM_(10)、PM_(2.5))、不同预报时段(24、48、72、96、120、144 h)、不同国控监测站点的情景下进行了预报准确度综合评估。结果表明:(1)PM_(2.5)浓度与风向的皮尔逊相关系数最大,其相关系数为0.403;O_3浓度与气温、湿度均具有较大的相关性,其相关系数分别为0.705、-0.823;(2)同期回归模型对于6项污染物浓度预报的准确度由高至低分别为:COPM_(10)PM_(2.5)O_3NO_2SO_2,其准确度分别为84%、75.9%、73.4%、72.3%、66.8%与61.9%;(3)多元回归模型对于6项污染物浓度预报的准确度由高至低分别为:COPM_(2.5)PM_(10)O_3NO_2SO_2,其准确度分别为85.6%、73.3%、69.9%、67.6%、67.4%与58.7%。     

餐厨垃圾与污泥厌氧发酵动力学特性分析

基于2016—2017年大连市6种大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、O_3、CO)的监测数据,研究污染物浓度的时间变化、周末效应及气象影响因素。结果表明,大连市大气污染物以O_3、PM_(10)和PM_(2.5)为主;冬季主要污染物为颗粒物,夏季为O_3。受供暖燃煤等影响,PM_(10)、PM_(2.5)和SO_2浓度供暖季显著高于非供暖季。大气污染物浓度季节变化显著,且PM_(2.5)、PM_(10)、SO_2及NO_2呈现周末较高的"周末效应"。利用相关性分析考察温度、湿度、风速等气象因素对污染物的影响;利用后推气流轨迹等方法分析大连市大气PM_(2.5)可能的来源。     

大连市大气污染特征、影响因素及来源分析

基于2016—2017年大连市6种大气污染物(PM_(10)、PM_(2.5)、SO_2、NO_2、O_3、CO)的监测数据,研究污染物浓度的时间变化、周末效应及气象影响因素。结果表明,大连市大气污染物以O_3、PM_(10)和PM_(2.5)为主;冬季主要污染物为颗粒物,夏季为O_3。受供暖燃煤等影响,PM_(10)、PM_(2.5)和SO_2浓度供暖季显著高于非供暖季。大气污染物浓度季节变化显著,且PM_(2.5)、PM_(10)、SO_2及NO_2呈现周末较高的"周末效应"。利用相关性分析考察温度、湿度、风速等气象因素对污染物的影响;利用后推气流轨迹等方法分析大连市大气PM_(2.5)可能的来源。     

恩施州城区空气污染特征及成因分析

该文利用2018-2020年恩施市环境监测站同时段PM_(2.5)、PM_(10)、SO_2、NO_2、O_3、CO每日质量浓度监测资料,以及每日空气质量指数(AQI)资料,分析了近3年来恩施市的环境空气污染现状与成因。恩施州的主要污染物有PM_(2.5)、PM_(10)、O_3,最高浓度可达到65.03、96.87、109.13μg/m~3;恩施州空气质量指数为优、良、轻度污染、中度污染、重度污染的出现概率分别为50.69%、43.82%、4.57%、0.64%、0.27%,无严重以上污染日出现;气象条件对恩施州的空气质量有较大影响,PM_(2.5)浓度与月降水和月平均气温呈典型负相关,温度和降水量升值最高在7月时,PM_(2.5)的质量浓度降至最低11.61μg/m~3。研究发现,恩施州的空气质量变化程季节性变化,冬季空气质量最差,夏季最好;空气质量变化具有春节效应。结果可为恩施州的空气污染防治提供有效依据。     

南宁市区环境空气质量分布特征

利用2013年1月—2015年12月南宁市区环境空气质量监测数据进行统计分析。结果表明,南宁市区空气质量指数(AQI)为17~245,平均值为74,超标率18.5%;AQI月平均变化呈双峰周期型。首要污染物项目出现频次由高到低的排序为:PM_(2.5)PM_(10)O_(3-8)NO_2,首要污染物为PM_(2.5)与PM_(10),两者占总数的91.3%;超标污染物有:PM_(2.5)、PM_(10)、O_(3-8)、NO_2,超标率分别为:17.8%、12.1%、1.4%、19.2%。PM_(2.5)、PM_(10)、NO_2、SO_2、CO、O_(3-8)质量浓度的日均值与AQI均存在显著的正相关关系,PM_(2.5)与AQI相关系数最大(r=0.988)。     

顾及数据特征的贝叶斯网络PM_(2.5)浓度预报研究

针对传统贝叶斯网络模型在样本数据不充分限制下预报精度低的缺陷,引入相似性度量方法,提出一种基于Jaccard相似性系数修正的贝叶斯网络PM_(2.5)日均浓度预报模型。在传统模型缺失对应输出时,改进贝叶斯网络模型可依据相似性原理,从历史资料筛选预报日相似样本,并基于筛选出的相似样本估算预报日PM_(2.5)浓度值。以2013年长沙市3个空气质量监测点监测数据为例,运用改进模型和传统模型在各站点不同季节典型月份开展了预报实验。结果表明:改进贝叶斯网络模型相对传统贝叶斯网络模型在5月、11月、2月的预报准确率均有不同程度的提高;同一月份,各站点预报效果无显著差异;不同月份预报效果差别明显,预报准确率从高到低依次是8月、5月、11月和2月。研究证实,引入样本相似性度量手段提高传统贝叶斯网络模型在空气质量预报中的精度具有可行性。     

暴露-反应关系的Meta分析与健康效应评价

为了进一步认识西安大气污染暴露对人群健康的影响,利用Meta分析获取了中国人群大气污染物暴露与以死亡为健康终点影响的暴露—反应关系,结合西安2013、2014年的SO_2、NO_2、PM_(10)、PM_(2.5)、O_3监测数据,利用泊松回归模型评价了人群健康影响。Meta分析结果表明,SO_2、NO_2、PM_(10)、PM_(2.5)、O_3浓度每升高10μg/m~3居民非意外死亡率会增加1.17%、1.32%、0.40%、0.47%、0.56%;心血管疾病死亡率会增加1.27%、1.15%、0.54%、0.75%、0.84%;呼吸系统疾病死亡率会增加0.83%、1.83%、0.43%、0.56%、0.89%。以WHO空气质量指导值和国家《环境空气质量标准》(GB 3095-2012)一、二级标准限值为参考浓度、可避免非意外死亡为健康端点,2013、2014年PM_(10)、PM_(2.5)、O_3达到相应指标的健康效应远远高于SO_2、NO_2健康效应。主要原因是这些污染物超过相应标准的程度高。PM_(10)、PM_(2.5)和O_3浓度导致的健康效应巨大,因此在目前应该把PM_(10)、PM_(2.5)和O_3作为优先污染物进行控制。在符合我国目前经济发展阶段和环境管理要求的基础上,应适当降低现有国家标准浓度限值较高的PM_(10)、PM_(2.5)颗粒物和O_3的环境空气质量标准限值。     

呼和浩特市大气污染物污染特征及污染物的相关性分析

为了探究呼和浩特市大气污染物污染特征,对2014年一年的AQI做出统计整理并对PM_(10)、PM_(2.5)、SO_2、CO、NO_2的相关性进行分析。研究结果发现:呼和浩特市2014年空气质量总体良好,空气质量为良所占比重为58%,中度污染和重度污染所占比重为35%。该市的主要污染物PM_(10)、PM_(2.5)、SO_2的超标率分别达到了88.81%、52.60%、36.20%。空气污染指数AQI与PM_(10)、PM_(2.5)、SO_2、CO、NO_2、呈显著相关,尤其是PM_(10)和PM_(2.5),相关性系数高达0.959和0.851,可见其污染主要以颗粒物物为主。PM_(10)、PM_(2.5)、SO_2、CO、NO_2浓度间两两正相关。O_3的浓度与PM_(2.5)、SO_2、CO、NO_2均呈现负相关,O_3与AQI和PM_(10)的相关性不显著。     

夏季空气污染物指数与气象参数相关性分析

以西安市为例,选取2017-06-01至2017-08-31的气象数据,研究空气污染物与气象参数之间的相关性,利用SPSS软件对与空气质量指数(AQI)相关的各项监测指标(PM_(2.5)、PM_(10)、CO、NO_2、O_3、SO_2)与温度、湿度和风级等气象条件进行分析,从相关性分析、线性模型分析等方面来探索西安市夏季空气污染物与气象参数之间的关系。得出结论如下:统计发现西安市夏季首要污染物以PM_(2.5)、PM_(10)和O_3为主;湿度对各项污染物均显著相关,O_3的相关系数最大为0.709;温度对PM_(2.5)、PM_(10)、O_3和CO显著相关,对SO_2和NO_2的影响不显著;风级只与CO显著相关。     

春节期间燃放烟花爆竹对句容市环境空气的影响分析

利用空气质量自动监测系统分析2017年春节期间句容市城区环境空气中的SO_2、NO_2、CO、O_3、PM_(10)及PM_(2.5)的浓度变化,发现燃放烟花爆竹对PM_(10)及PM_(2.5)的浓度有较大影响。     

福州市区大气污染物质量浓度时空分布特征分析

利用2014年2月1日—2015年1月31日福州市区6个国控空气质量监测站点CO、SO_2、NO_2、O_3、PM_(2.5)、PM_(10)逐时监测数据,综合分析了福州市区大气污染物污染水平及其时空分布特征。结果表明:福州市区首要污染物为PM_(10),且SO_2、CO污染程度极低,6个站点质量浓度超标率均未超过10%,其中鼓山站的空气质量最优,达到国家一级标准的概率超过了50%。在污染物质量浓度日变化曲线中发现,只有O_3呈单峰形态,峰值出现在14:00左右,通过对污染物的"周末效应"分析,发现CO、PM_(2.5)工作日质量浓度显著高于周末。     

清洁大气背景下贵阳空气质量变化及气象作用

利用贵阳市2013~2016年空气质量监测及气象观测资料进行分析,研究云贵高原城市空气变化及气象影响作用.结果表明:近4a贵阳区域SO_2、NO_2、O_(3_8h)、PM_(10)、PM_(2.5)和CO年平均浓度分别为(20.78±19.71),(28.32±9.59),(107.59±27.54),(67.56±34.32),(42.53±24.52)μg/m3和(0.74±0.22)mg/m~3,除SO_2浓度接近或超出我国中东部城市之外,其它污染物均表现为相对清洁水平;地面O_3浓度逐年明显上升,但其它大气污染物水平均呈逐年下降趋势,且呈现与我国中东部一致的空气质量年际、月际和日变化特征.各功能区污染物区域差异明显,颗粒物和SO_2、NO_2、CO浓度水平表现为工业区居民区郊区,O_3浓度呈现为郊区居民区工业区的特征,表明人为活动对空气质量的影响.近4a O_3与PM_(2.5)夏季白天呈显著正相关,冬季显著负相关,反映了云贵高原城市空气质量的复合污染特性.大气污染物浓度与温度、边界层高度、太阳直接辐射和气压的相关性显著,而与相对湿度和风速相关性较弱,这不同于中东部地区风速主导大气污染物水平变化的特征.云贵高原夏季作为主要雨季,小雨和中雨量级降水对PM_(2.5)吸湿增长较弱,中雨以上降水对PM_(2.5)具有清除作用;而在PM_(2.5)浓度较高和干冷的冬季,小雨的PM_(2.5)吸湿增长明显,中雨以上降水对PM_(2.5)清除显著.     

大气污染特征研究及臭氧污染个例分析——以深圳市龙华区为例

根据深圳市龙华区观澜子站空气质量监测数据,对龙华区近年来空气质量状况、主要大气污染物浓度时间变化特征、气象条件和污染物浓度相关性,以及典型臭氧(O_3)污染过程进行了分析。结果表明龙华区空气质量以优良为主,空气质量指数(AQI)超标日中,O_3浓度超标天数最多,其次依次是PM_(2.5)、PM_(10)和二氧化氮(NO_2)。PM_(2.5)、PM_(10)和NO_2在秋冬季的浓度最高,春季次之,夏季最低;而O_3浓度则在夏秋季最高,春季次之,冬季最低。除O_3(日间浓度高于夜间浓度)以外,PM_(2.5)、PM10和NO_2晚间浓度高于日间浓度。此外,相关性研究表明,颗粒物污染以细颗粒物为主,O_3(8 h)和NO_2与颗粒物浓度均呈正相关性。由于地域差异的存在,O_3(8 h)和颗粒物浓度的相关性在不同地域表现也不同。同时,大气污染物浓度与气象条件和人为排放源的相关性较高。     

西安市主要大气污染物的相关性分析及时空分布特征

为深入了解西安市大气污染程度,对2015年西安市主要大气污染物(SO_2、NO_2、CO、PM_(2.5)、PM_(10)、O_3)的空气质量指数进行了逐日变化分析、相关性分析及空间插值分析。结果表明:SO_2、NO_2、CO、PM_(2.5)、PM_(10)空气质量指数春冬季高于夏秋季,而O_3空气质量指数则是春冬季低于夏秋季。11月和12月份污染较为严重。在4个季度中,PM_(2.5)和PM_(10)与气态污染物SO_2、CO、NO_2均呈正相关,说明PM_(2.5)、PM_(10)与这3种气态污染物具有同源性。SO_2与CO、NO_2均呈显著性正相关,三者均受化石燃料燃烧及机动车尾气影响。O_3与CO、SO_2相关性不大,与NO_2在二季度呈现正相关。SO_2、NO_2、PM_(2.5)、CO、PM_(10)多聚集在高新西区、莲湖区、碑林区、经开区、雁塔区、长安区,O_3多聚集在阎良区、未央区和灞桥区。     

高原省份城市空气质量状况统计分析及PM_(2.5)污染水平时空分布

收集了地处高原的云南省全省8个地级市、8个自治州政府所在地城市共40个监测点2015年全年(2015.01.01—2015.12.31)的大气PM_(2.5)、PM_(10)、SO_2、NO_2、O_3、CO、O_3-8 h日均浓度数据,计算出年均浓度值、空气质量指数AQI,并根据《HJ633-2012环境空气质量指数(AQI)技术规定(试行)》对云南省各州市政府所在地城市空气质量进行评价。PM_(2.5)年均浓度值最高的是文山,为37.89μg/m~3;最低的是丽江,为16.21μg/m~3。空气质量评价结果表明,云南省2015年整体空气质量状况优良,空气质量状况最好的是香格里拉,空气质量指数为35.76;空气质量指数最高的是昭通,为68.26。SO_2、NO_2与PM_(2.5)的关系呈现正相关,PM_(10)的变化趋势与PM_(2.5)的变化趋势较一致。     

安徽省PM2.5时空分布特征及关键影响因素识别研究

基于2015年安徽省67个空气质量监测子站的PM_(2.5)浓度数据,分析PM_(2.5)的时空分布特征;运用BP神经网络改进DEMATEL模型,探讨影响PM_(2.5)浓度的关键因素及因子间的关联性.结果表明:(1)2015年安徽省PM_(2.5)平均浓度为52.03μg·m~(-3),总体呈现秋冬高、春夏低的季节性规律;PM_(2.5)浓度日变化总体呈双峰分布,冬季PM_(2.5)浓度昼夜变化剧烈,全年、春季和秋季变化趋势大致相同,夏季相对平缓;(2)安徽省PM_(2.5)浓度整体上由东向西、由中部向南北两侧呈递减趋势,浓度值由高到低依次为:江淮丘陵、长江中下游平原、淮北平原和皖南山区;(3)指标体系中,人口城镇化率、年平均气温、单位GDP电耗、工业废气治理设施数等4个指标因子属于强驱动因素,对PM_(2.5)浓度降低起着根本性推动作用;(4)年降水总量、房屋施工面积、O_3浓度等3个指标因子属于强特征因素,是降低PM_(2.5)浓度最直接的因素.结论表明,运用BP-DEMATEL模型能有效识别关键影响因素,有助于为PM_(2.5)综合治理提供参考.     

G20峰会期间杭州及周边地区空气质量的演变与评估

为了研究G20峰会期间杭州市及其周边地区大气质量状况,评估保障措施的实施对空气质量的影响,利用2016年8月24日-2016年9月6日杭州及其周边城市空气质量监测数据,分析其时空分布特征,并与2015年同期数据进行比较.结果显示:(1)2016年8月24日-9月6日即会期保障阶段,杭州市PM_(2.5),PM_(10),SO_2,NO_2,CO和O_3浓度均值为31.52μg/m~3,46.55μg/m~3,8.92μg/m~3,15.22μg/m~3,0.62mg/m~3和113.98μg/m~3.(2)与2015年同期相比,会议保障阶段杭州市PM_(2.5),PM_(10),SO_2,NO_2和CO浓度分别下降了40.16%,37.71%,25.98%,56.30%和30.34%,O_3浓度则上升了19.89%.(3)2016年会期保障阶段,2015年同期和G20峰会举办期间的3个时段,污染物日变化特征相似,除O_3外,其他污染物整体上呈现2015年同期2016年会期保障阶段G20峰会举办期间的特点.(4)空间上而言,会期保障阶段O_3浓度在空间上表现出显著上升,其他污染物浓度同比有明显下降,其中PM_(2.5)和PM_(10)在空间上的差异较小,而SO_2和NO_2在空间上的差异较大.(5)G20峰会期间采取的保障措施确保了杭州市及其周边地区大气质量得到了改善.     

华北典型农区夏季大气污染特征及变化趋势研究

为研究华北典型农区大气污染特征及变化趋势,于2008年和2012-2014年的夏季在山东禹城生态站,对大气中主要污染物(NO_x、O_3、SO_2和PM_(2.5))进行了观测研究。结果表明:观测期间NO_x、O_3、SO_2和PM_(2.5)的平均浓度分别为(31.8±16.8)、(77.6±27.5)、(13.1±14.3)和(84.2±41.7)μg/m~3,O3日8 h滑动平均最大值和PM_(2.5)日均值浓度超过国家二级标准的超标率分别为35%和54%;NO_x、O_3及O_x的浓度总体呈上升趋势;SO_2浓度呈下降趋势;PM_(2.5)浓度呈现波动变化;NO、O_3和SO_2呈现白天单峰型日变化形式,NO_2和PM_(2.5)日变化呈现双峰型。禹城农业区夏季大气污染主要受其偏南城市济南、泰安和聊城方向气流影响,高浓度的O_3污染的同时伴随着高浓度PM_(2.5)污染。     

气象因素对乌鲁木齐市PM_(2.5)浓度影响分析

基于乌鲁木齐市大气污染物数据,对乌鲁木齐市2016年空气质量变化做趋势分析。利用乌鲁木齐市2016年同期气象要素,通过相关分析和主成分分析方法探讨了气象要素对PM_(2.5)浓度的影响。结果表明:1)PM_(2.5)、PM_(10)、SO_2、NO_2、CO的浓度全年变化趋势与空气质量指数(AQI)的变化趋势基本一致,O_3的浓度变化趋势与AQI变化趋势完全相反;2)PM_(2.5)浓度与CO、气压和相对湿度呈显著正相关,降水量、风速、气温和水气压与PM_(2.5)浓度呈显著负相关。