全球大气降水年均氚浓度恢复模型(1960-2014年)

运用环境同位素氚（³H）建立模型来定量研究地下水运动规律已被广泛应用于水文地质和环境监测领域,大气降水氚浓度是这类模型中必须的输入值.目前已建立的全球大气降水氚浓度模型（MGMTP）为这一领域的研究提供了一种恢复全球范围内年平均氚浓度的新方法,但该氚浓度模型后期恢复数据出现异常负值及面临适用年限等问题.因此,本文选用国际原子能机构和世界气象组织提供的1960—2014年全球氚浓度值实测资料,基于因子分析法拓展了MGMTP模型的适用年份,并对不同的数据预处理及分析方法进行了对比,同时对MGMTP模型提及的"异常负值"问题进行了进一步明确与改进.最后把模型应用于南北半球的典型站点,将恢复得到的数据与实测数据进行对比,发现拓展后的MGMTP模型结果能较好地拟合实测数据.研究表明,该模型具有简单易用、时间序列长、全球性适用等优点,尤其对缺少大气降水氚浓度实测数据的地区具有重要参考价值.     

广州大学城大气PM2.5量浓度与影响因素

选择广州大学城代表性学生宿舍、教室、食堂等多个室内采样点及几个室外采样点,准确测定各采样点大气中PM25的质量浓度,分析各室内和室外采样点大气中PM25污染程度及分布特征;根据同步记录的气象数据,分析评价气象因子对大气PM25质量浓度的影响.     

广州大学城大气PM_(2.5)质量浓度与影响因素

选择广州大学城代表性学生宿舍、教室、食堂等多个室内采样点及几个室外采样点,准确测定各采样点大气中PM2.5的质量浓度,分析各室内和室外采样点大气中PM2.5污染程度及分布特征;根据同步记录的气象数据,分析评价气象因子对大气PM2.5质量浓度的影响。     

东莞市城区大气二氧化碳浓度模型及模拟

基于GIS及CO2实测数据,根据系统动力学原理,运用STELLA软件,构建东莞市城区大气CO2浓度模型,对城区CO2浓度进行模拟,探索城区CO2浓度变化规律及影响因素,为改善城区大气质量提供科学依据。模型由3个模块构成:大气交换模块、人类活动模块和绿地植被模块。反馈环主要有3个:大气交换与大气CO2浓度的负反馈,植被光合作用与大气CO2浓度的负反馈,以及植被呼吸作用与大气CO2浓度的负反馈。模型模拟结果显示,东莞市城区大气CO2浓度日平均值为483.62μmol/mol,越靠近市中心,大气CO2浓度越高。城区大气CO2浓度晚上高、白天低。人口密度和汽车尾气排放是城市大气CO2浓度的主要影响因素。仅增加城区绿地面积对城区CO2浓度影响不大。降低城区大气CO2浓度的有效措施:目前重点应为推广公共交通,并应逐渐转向推广清洁能源汽车。     

面源长期平均浓度的新算法

利用线源长期平均浓度模式对面源的积分得到了一个用风向、风速和稳定度的联合频率计算大气面源长期平均浓度的新算法。通过对比分析表明,该算法比传统的按16个风向一次浓度的叠加算法简便、快速,且能消除叠加算法夸大16个常规风向附近计算点的浓度而缩小远离常规风向计算点的浓度现象。     

基于wavelet-SVM的PM10浓度时序数据预测

太原是以煤炭为主要能源的重工业城市,PM_(10)(particulate matter)是太原市的主要大气污染物,因此研究其变化趋势,并给出污染物浓度预测结果,为相关部门进行大气污染防治,为突发污染事件应急提供理论支持是一项非常重要的工作.支持向量机(support vector machine,SVM)应用于PM_(10)污染物浓度时序数据预测时,表现出良好的泛化能力.在预测模型建立过程中通常选择历史数据作为学习模型的输入特征,然而这样的数据表示形式,结构单一,信息表达不完备,在很大程度上将影响预测模型的泛化能力.本文以山西省太原市城区4个监测站点的PM_(10)日浓度数据为研究数据,通过小波变换(wavelet transform)将一维输入数据转化为由低频信息和高频信息构成的高维数据,并以该数据为输入数据建立wavelet-SVM预测模型.结果表明,相较于传统SVM模型预测,wavelet-SVM模型预测结果具有更高的精度,尤其能更加准确捕捉到PM_(10)浓度突变点,为大气污染预警提供有效信息支持,并且wavelet-SVM模型对于PM_(10)浓度时序数据变化趋势的预测精度有明显提升,能更好地预测PM_(10)浓度变化趋势,揭示PM_(10)浓度时序数据内在规律.     

能源型城市大气环境质量的评价研究

通过对阜新市的大气污染源的分类建立了大气污染的浓度模型,给出了主要污染物的平均污染浓度的计算结果;同时,对阜新市大气环境质量进行了评价,计算出阜新市环境质量浓度指数并得到相应的评价结果。     

合肥市冬季大气NO_2污染特征及模拟研究

基于合肥市NO_2浓度逐时监测数据,分析了该地区冬季大气NO_2污染的时空变化特征;并在主要大气污染源调查的基础上,构建了污染源排放清单,利用CALPUFF模型对NO_2浓度的动态变化进行了模拟。结果表明:合肥市大气NO_2浓度除个别点超标外,基本在《环境空气质量标准》(GB3095-2012)二级标准限值内。受主导风向和污染源位置影响,合肥市大气NO_2浓度以东北、西南部较高;浓度日变化呈典型的双峰型分布,早晚出现峰值,午后出现谷值,并且在休息日表现出污染浓度下降、日变化趋缓的"周末效应"。CALPUFF模型对NO_2浓度的空间分布格局总体把握较好,并且对其逐日变化具有比较可靠的模拟能力,模拟值与监测值的相关系数达0.7,模型对工作日的模拟效果略优于休息日。在研究时段内合肥市区面源对大气NO_2污染浓度贡献最为显著。     

石家庄市二氧化硫污染物浓度分布规律研究

对石家庄市2002年全年二氧化硫污染浓度变化进行了实测。通过对研究区域内不同类型排放源进行计算,建立了较为全面和详细的二氧化硫污染源排放清单。通过分析石家庄市2002年大气二氧化硫污染物浓度数据,揭示了其时空分布特征及成因。     

基于HJ-1A卫星超光谱数据的太湖叶绿素a浓度及悬浮物浓度反演

通过对2010年5月2日太湖HJ-1A卫星超光谱影像的几何纠正和6S模型辐射校正,以及水体实测光谱数据和影像光谱数据分析,将太湖28个水体采样点光谱数据分别进行归一化处理和一阶微分处理后,选取和水质参数相关系数最大的波段或波段组合建立反演模型,获得太湖叶绿素a浓度以及悬浮物浓度的空间分布图.研究表明,超光谱影像B73波...     

沈阳市空气污染特征

以沈阳市8个国控环境空气监测点位和一个清洁对照点位2004年全年小时浓度为基础数据,研究了沈阳市空气PM₁₀、SO₂和NO₂的季节变化、日变化、空间分布及综合污染指数(API)等空气污染特征,并用1995～2004年的监测数据,分析了沈阳市空气质量的总体变化趋势.结果表明,首要污染物为PM₁₀,其空气污染具有典型的煤烟型污染季节特征,环境空气质量在1995～2004年期间逐年好转.     

突发型大气污染源位置识别反演问题的数值模拟

在突发型大气污染事件中,能否根据临时监测数据对污染源的位置进行快速识别,对于城市大气污染源的控制管理以及改善城市空气质量意义重大.为了构建突发型大气污染源位置识别的空间反演算法,本文通过分析大气应急污染监测的临时采样数据,结合污染物浓度扩散模型,随机生成污染源和计算污染物浓度的空间分布,对突发型大气污染源进行定位并与实际测量结果进行对比分析,采用蒙特卡洛模拟(Monte Carlo simulation)对相关参数进行讨论,最终构建能对突发型大气污染源进行快速估计定位的空间反演算法.研究结果表明,本文构建的空间反演算法输出的污染源坐标与实际情况相符.因此,该算法可用于突发型大气污染源位置的快速识别.     

Influence of urban spatial and socioeconomic parameters on PM2.5 at subdistrict level: A land use regression study in Shenzhen, China

The intraurban distribution of PM_2.5 concentration is influenced by various spatial, socioeconomic, and meteorological parameters. This study investigated the influence of 37 parameters on monthly average PM_2.5 concentration at the subdistrict level with Pearson correlation analysis and land-use regression (LUR) using data from a subdistrict-level air pollution monitoring network in Shenzhen, China. Performance of LUR models is evaluated with leave-one-out-cross-validation (LOOCV) and holdout cross-validation (holdout CV). Pearson correlation analysis revealed that Normalized Difference Built-up Index, artificial land fraction, land surface temperature, and point-of-interest (POI) numbers of factories and industrial parks are significantly positively correlated with monthly average PM_2.5 concentrations, while Normalized Difference Vegetation Index and Green View Factor show significant negative correlations. For the sparse national stations, robust LUR modelling may rely on a priori assumptions in direction of influence during the predictor selection process. The month-by-month spatial regression shows that RF models for both national stations and all stations show significantly inflated mean values of R² compared with cross-validation results. For MLR models, inflation of both R² and R²_CV was detected when using only national stations and may indicate the restricted ability to predict spatial distribution of PM_2.5 levels. Inflated within-sample R² also exist in the spatiotemporal LUR models developed with only national stations, although not as significant as spatial LUR models. Our results suggest that a denser subdistrict level air pollutant monitoring network may improve the accuracy and robustness in intraurban spatial/spatiotemporal prediction of PM_2.5 concentrations.     

廊坊市大气污染特征与污染物排放源研究

通过廊坊市2014年12个监测站点的大气污染物监测数据,分析了廊坊市大气污染的主要特征,包括空气质量水平、大气污染的季节与空间分布.结果发现,虽然与2013年相比2014年空气质量有所改善,但12个站点空气质量超标均十分严重.秋季、冬季与春季PM_(2.5)为主要的空气污染物,夏季O3日最大8 h平均浓度频繁超标,需要引起重视.为实现廊坊市空气质量模拟,制定最优空气质量改善政策,基于污染源普查、环境统计数据,编制了廊坊市主要大气污染物排放清单.工业部门中,电力、热力生产和供应业、黑色金属冶炼及压延加工业是SO_2、NO_x和PM_(2.5)的重要来源.VOCs则主要来自于化学原料和化学制品制造业、黑色金属冶炼及压延加工业、食品制造业.另外,廊坊全市道路扬尘和建筑施工扬尘污染贡献了PM2.5的38.6%,但扬尘的管理十分薄弱.同时结果表明,廊坊市黄标车排放在交通源排放中比重较高.因此,需要对上述重点排放源进行有效控制,从而改善廊坊市空气质量.     

唐山市基于GIS的PM2.5空间聚集性及分区管控

以ArcGIS软件为平台,采用唐山市206个在线监测点数据,分析了PM_2.5在采暖期、重污染期、非采暖期3个时期的全局和局部空间自相关性,研究其大气污染空间分布特征.结果表明,3个时期均具有一定的空间自相关性,且重污染期的全局空间自相关最强;采暖期和重污染期PM_2.5高值聚类主要发生在中部地区,低值聚类则主要分布在北部山区及沿海少部分区域;非采暖期高值聚类主要分布在丰润区和丰南区,低值聚类发生在遵化市北部地区.通过空间插值模拟全市的PM_2.5分布状况,结果显示唐山市在重污染期PM_2.5均值最高格点值达241μg/m³,而非采暖期最低值只有37μg/m³;基于PM_2.5浓度变化特征和空间分布,将唐山所辖18个区县划分为5个区域,针对各区域提出PM_2.5分区管控措施建议.     

北京市臭氧的时空分布特征

对2012年12月~2013年11月期间北京市35个自动空气监测子站的O3浓度进行分析,探讨北京市O3浓度的时间、空间分布特征,并对夏季的一次O3高浓度过程进行了分析.结果表明,北京市O3浓度在5~8月维持相对较高浓度,其他月份则维持较低浓度.整体来看,4类功能的监测站点中O3平均浓度由高到低分别是对照点及区域点、郊区环境评价点、城区环境评价点和交通污染监控点;O3浓度日变化呈单峰型分布,一般在15:00、16:00达到峰值;O3还呈现明显的"周末效应",即周末白天时段O3浓度大于工作日浓度.北京市O3浓度城区相对较低,周边区县相对较高,生态植被优良的东北部地区浓度最高.2013年6月3日北京市发生一次O3高浓度过程,在下午西南风的作用下,榆垡、丰台花园、奥体中心和怀柔监测站O3峰值出现的时间从南到北依次滞后,且怀柔站在20:00才出现峰值,体现了这次过程中存在明显的O3输送特征.     

济南市大气污染物时空变化及预测分析

大气污染影响生产生活和人体健康,了解大气污染物时空分布特征及污染源是大气污染治理的基础和前提。基于济南市2014-2018年空气质量实时监测数据,主要污染物浓度数据和气象要素数据,运用相关分析法和BP神经网络预测模型,分析了济南市大气污染物时空分布特征及污染物来源,并对济南市6种主要污染物进行预测。结果表明:在时间维度上,空气质量呈逐年好转趋势,季节上则表现出冬季污染最严重,夏季最轻,采暖期污染物浓度远远高于非采暖期的特点;从日变化看,上下班高峰段是污染最严重时段。在空间维度上,城市外围污染较为严重,市区污染相对较轻。在污染物成分上,PM₁₀逐渐成为颗粒物污染的主体。通过济南市污染物浓度预测结果,分析未来3年内污染物浓度变化情况,进一步提出合理优化的污染治理方案来改善济南市大气污染状况。     

中国城市群臭氧时空分布特征分析

为揭示我国主要城市群近地面臭氧的时空分布规律,使用空气质量监测网站发布的2019年243个城市共计1215个站点的臭氧浓度数据对中国正在稳步建设的19个城市群的臭氧时空分布特征进行分析,结果表明:臭氧污染高发期主要集中在夏季6、7月份,春末秋初次之,冬季基本不发生污染.城市群100μg/m³以上的臭氧浓度占比变化趋势大致表现为不规则的“V”和“W”两大类.2019年我国19个城市群可明显提取出北部和南部两个浓度分布高值中心,分别出现在夏季和秋季,夏季根据污染严重程度又可将高值中心划分为两个层级.城市群臭氧浓度分布具有空间自相关特性,夏季热点区域与北部高值中心重合,秋季则与南部高值中心位置一致,此时冷点区域面积达到最大.由于臭氧污染成因的复杂性,不能简单以现有城市群等级划分结果对其进行分级管理,需要根据实际分布情况对不同城市群制定相应污染防控措施.     

哈尔滨市增设空气质量监测点位研究

分析哈尔滨市空气污染的现状、特征和变化趋势,对现有监测点位监测数据的代表性进行回顾性评估,确定增设点位的必要性.进行拟增设点位周围大气污染源调查,收集相关气象资料,进行城市建设规划及土地利用规划调查,划分一定的网格开展空气质量监测,采用数学统计方法对监测数据进行处理,初步确定测点位置.进行指标检查及技术论证,最终确定增设监测点位.     

苏南城市空气质量污染特征及趋势分析研究

利用2013年-2015年苏南5市空气自动站监测数据,分析了该地区空气质量的污染特征和变化趋势.研究发现:2013年-2015年,苏南5市空气优良率为56.9%～68.9%,PM2.5是主要污染物;沿长江向东,空气污染逐步偏向光化学污染类型.从时间上可知,呈现冬季以PM2.5污染为主、春夏季以O3污染为主的特征;PM2.5等4项污染物24小时呈现双峰.从趋势上可知,PM2.5等5种污染物浓度呈下降趋势,O3污染有所加重.同时,各市也表现了不同的情况,管理上需要区别对待.