西宁市大气重金属污染与气象因子分析

主要收集了西宁市2016年1月至12月5个重金属Pb、Cd、Cr、Hg、As的浓度数据,以及同时间段内的风向、风速、温度和相对湿度4个气象因子的实测数据,通过确定各季节的主要风向结合污染系数玫瑰图,明确了该地区不同季节风向对重金属污染物浓度扩散方向的影响。再利用SPSS22.0统计分析软件对该市重金属数据与同时段的气象中风速、气温、相对湿度的数据进行相关性分析,结果表明,风速对于各个重金属因子浓度的影响均非常显著,之间的相关性较强,可视为大气重金属污染的主要影响因子。     

毕节市区大气污染特征及影响因素分析

根据毕节市2015年大气污染物浓度和气象因子的监测数据,分析了毕节市区大气污染物SO_2、NO_2、PM10、PM2.5、CO及O_3浓度的月、季和年平均变化特征及其影响因素,并对大气污染物浓度之间以及大气污染物浓度与气象因子之间的相关性进行了分析。结果表明:(1)毕节市区2015年空气质量总体良好,空气质量优良天数占95.1%,主要大气污染物为PM10和PM2.5;(2)大气污染物SO_2、PM10、NO_2、PM2.5、CO的月浓度都呈"V"型单谷变化趋势,而O_3的月浓度则为单峰变化趋势;大气污染物SO_2、PM10、NO_2、PM2.5、CO浓度的季节变化为冬季最高、夏季最低,O_3浓度的季节变化则为春季最高、冬季最低,且季节之间的差异性显著(p0.05);大气污染物PM10和PM2.5的年平均浓度分别超过我国《环境空气质量标准》(GB 3095—2012)中一级标准年平均浓度限值的18.2%和112.4%,SO_2和NO_2的年平均浓度均未超过国家一级标准的年平均浓度限值;(3)大气污染物SO_2、NO_2、CO浓度与颗粒物PM10、PM2.5浓度之间两两呈极显著正相关性(p0.01),其与O_3浓度之间呈极显著负相关性(p0.01);PM2.5浓度与PM10浓度之间呈极显著正相关性,而PM2.5浓度与O_3浓度之间呈显著负相关性,多元线性回归分析得出PM2.5浓度与其他大气污染物浓度之间的拟合方程为:PM2.5=2.718+0.130SO_2+0.747PM10+0.255NO_2-0.077O_3+0.678CO;(4)气压与大气污染物SO_2、NO_2、CO、PM10浓度之间呈显著正相关性,其与O_3浓度之间呈极显著负相关性;温度除与O_3浓度之间呈极显著正相关性外,与其他大气污染物浓度之间呈显著负相关性,且其与O_3浓度的相关性系数最大(r=0.501),说明温度对O_3浓度的影响较大;相对湿度除与CO浓度之间无显著相关性外,与其他大气污染物浓度之间均呈显著性负相关性;风速与O_3浓度之间呈极显著正相关性,其与其他大气污染物浓度之间均呈极显著负相关性。     

基于航班运行规律的典型机场NOx浓度临近预测方法研究

针对天津机场区域考虑航班运行影响,应用广义加性模型（Generalized Additive Model,GAM）建立污染物浓度预测模型,对因子间的共线性问题和交互作用进行改进,得到最优的NO_x浓度预测模型.选取天津机场区域2019年11月—2020年3月环境、气象及航班数据,建立改进的GAM.结果显示：（1）改进的GAM预测效果优,可以更加准确地预测浓度峰值及变化趋势;（2）样本量会影响模型选择的因子数量及模型性能;（3）改进模型adj-R²为0.940,实测和预测NO_x浓度的相关系数为0.975,预测效果好;（4）航班活动对机场区域污染物浓度影响较大.改进的GAM考虑污染物浓度与影响因子之间的复杂非线性关系及影响因子之间交互作用对污染物浓度变化的影响,使模型精度进一步提升. GAM对污染物浓度的准确预测可为机场区域污染防治提供依据.     

乌海市空气污染特征及其与气象要素的关系

文章利用乌海市2006-2010年污染物SO2、NO2、PM10浓度值和气象资料,分析了乌海市近5年空气污染的特征,计算了各污染物与主要气象要素的单相关系数,采用灰色关联分析方法对近5年来影响乌海市污染物浓度的气象要素进行分析。结果显示:(1)乌海市环境空气的首要污染物是可吸入颗粒物,其次是SO2。(2)2006-2010年,NO2变化不大;SO2下降幅度较大,从平均值超标1倍下降到不超标;PM10也呈下降趋势,但下降幅度稍小,5年均超标。(3)SO2一年内平均值变化幅度最大,12月浓度最大,7、8月最小,相差达3倍;PM10也是夏季最小,冬季12月最大,但3、4月份沙尘天气频发时也较大。(4)相关系数通过信度0.05检验的情况下,SO2、NO2、PM10浓度值与平均风速、平均气温、水平能见度、相对湿度、日照时数、平均总云量等具有一定的相关性。(5)用灰色关联分析法得出影响SO2和PM10的气象因素排序,平均风速是影响大气污染的主要气象因素,日照时数和总云量与污染物浓度关联较大。     

典型西南工业城市柳州市核心区大气污染物时空分布与气象因素研究

为研究柳州市核心区大气污染物浓度时空变化规律与气象因素之间的关系,统计分析了2018年全年研究区内6个自动监测站点PM_(2.5)、PM_(10)、SO_2、NO_2、O_3和CO的浓度监测数据和气象站气象数据,并对28次超标日污染物来源进行了解析.结果显示:①核心区颗粒污染物污染较为严重,且以PM_(2.5)为主的细颗粒污染物仍为柳州市主要的大气污染物;各污染物月均浓度季节差异显著,除NO_2外柳州大气污染物浓度下降明显,指示柳州市多项节能减排综合整治措施成效显著;PM_(2.5)、PM_(10)、CO受早晚高峰期影响,浓度日变化均呈双峰型;NO_2在不同季节峰型不同,作为O_3前体物其浓度日变化与O_3相反,呈现"早峰午谷"的变化趋势.②通过对污染物浓度插值发现,由于核心区主要工商业区位于西部且处于主导风向下风向,故PM_(2.5)和SO_2浓度西北高、东南低,PM_(10)、NO_2和CO浓度西南高、东北低;核心区东部的山区为O_3生成带来大量前体物,使O_3浓度东南高、西北低.③由于气候特征,核心区春、夏季主要气象因素均为降水量;秋季的主要气象因素是风速,风速与污染物的负相关关系表明了风的扩散效应;冬季大部分污染物与气象因素的相关性不显著,表明人为因素对污染物的影响大于气象因素;核心区大气污染物主要来源于局地排放和区域传输,且南北主导风向对大气污染影响最大.④HYSPLIT模型结果指示柳州超标日大气污染物主要来自于珠三角地区,且陆源颗粒物浓度普遍比海洋源高,来自南部的远距离输送气流颗粒物含量最低,表明远距离输送为影响颗粒物传播的主要原因.     

南京市天气类型与大气污染关系研究

基于2012～2017年南京市气象数据和空气污染数据,采用空间天气分类法(SSC)进行分类,并分析不同天气类型以及各项气象因子与污染物浓度的关系。结果表明,污染物在干燥晴朗的天气类型下的平均浓度较高;冬季气象条件对污染物浓度的影响最大;对于污染物SO2、NO2、PM10、PM2.5和CO,各气象因子对浓度的影响程度排序依次为气压、风速、温度、云量和露点;O3浓度受温度的影响最大。此外,对极端污染情形的研究表明,南京市在光照充足、晴朗干燥的天气类型下出现极端污染的风险较大,在温度5～10℃,露点温度0～5℃,气压1 020～1 025 hPa,云量0～2,风速2～3 m/s的天气条件下更容易发生极端污染。     

空气质量与气象因子关系及污染物变化趋势

本文中将对空气质量与气象因子之间的关系进行详细的阐述,并对主要污染物的变化趋势进行一定的分析研究,试图为空气质量的改良与控制提出一定的建议性对策。     

关联因子作用下含Cr(Ⅵ)天然劣质地下水的健康风险评价

为了提高地下水健康风险评价的准确性,在对目标污染物进行健康风险评价时需考虑关联因子的影响。文章对健康风险评价模型进行改进,提出了关联因子影响下目标污染物浓度的校正方程,并用四川德阳地区地下水中目标污染物Cr(Ⅵ)和关联因子挥发酚的检测数据进行验证。得出校正后Cr(Ⅵ)的健康风险值比校正前减小21.86%,与当地未见Cr(Ⅵ)毒害的人群相符。     

北仑区域气象条件对PM_(2.5)浓度的影响模型研究

利用对区域的PM2.5的浓度与气象因子的监测,对影响PM2.5浓度的气象因子进行研究,研究结果表明,PM2.5浓度存在一定的季节性变化规律,同时通过对其与气象因子之间的多元线性回归,得出了具有一定吻合度的未来24h PM2.5预测模型。     

河谷地形气象要素对污染物浓度的影响

气象条件对环境空气质量影响的研究是科学制订大气环境污染防控方案、及时发布重污染天气应急预警的基础.利用兰州市西固区环境空气质量监测点2015年主要污染物小时浓度监测值,分析了污染物浓度的季节性变化和日变化特征,结合同期观测的气温、风速、相对湿度和降水量等气象资料,探讨了气象要素对污染物浓度变化的影响.结果表明:①除O₃外,其他污染物质量浓度呈"冬高夏低""早晚高下午低"的变化特点,这与表征污染物扩散能力的边界层参数变化特征一致. ②ρ（O₃）春季为71.42 μg/m3,夏季为62.74 μg/m3,春季高于夏季的主要原因是春季O₃的前体物NO_x质量浓度高于夏季且春季扩散条件弱于夏季. ③除O₃外,其他污染物质量浓度与气温、风速呈负相关. ④当相对湿度 < 40%时,污染物质量浓度与相对湿度呈正相关;当相对湿度>80%时,污染物质量浓度与相对湿度呈负相关;降雨对不同污染物的清除效果不同.研究显示,河谷地形气温和风速是影响污染物扩散的重要气象因子.      

徐州市气象因子与空气质量和PM_（10）浓度的相关性分析

通过对徐州市空气质量及其对应的气象因子进行统计分析,得出空气质量与相对湿度、风速,降水等气象因子的关系。分析特殊气象天气出现时空气中主要污染物PM10的变化规律.得到一些初步结果,为减轻和防止污染提供参考。     

2001-2010年武汉市气象环境对空气质量影响分析

文章以武汉市为例,利用2001-2010年武汉市空气污染物和气象参数资料,运用统计分析方法,进行相关分析、回归分析,初步探讨空气污染物PM10、SO2、NO2指数和与之有关的气象参数,如气温、气压、湿度、降水量、风速之间的关系,并建立气候因子对空气污染物的多元线性回归方程。以SO2为例,对2009、2010年空气质量进行预测。结果表明,武汉市2001-2010年空气质量与气象环境具有较为显著的相关性且利用回归方程预测结果与实际基本吻合。     

包头市空气污染与气象因素相关性研究

本文以包头市市区2007年和2008年的空气环境质量逐时监测数据和相应的地面逐时气象数据为基础,结合MM5中尺度气象模型拟合的高空气象数据,采用Pearson相关分析法,对空气环境中主要污染物二氧化硫、可吸入颗粒物的浓度与风速、近地面气温、降水、气压、相对湿度等气象因素的相关性进行了分析,探讨了逆温、静风等主要气象条件对空气环境中污染物浓度变化的影响,为改善城市空气环境质量提供技术支撑。     

乌鲁木齐市空气污染时空分布特征及其与气象因素相关分析

基于乌鲁木齐市7个检测站点实测数据(参照《环境空气质量标准》规定的6项常规监测污染物(PM_2.5、PM_10、SO_2、NO_2、CO、O_3)的24小时/8小时国家二级标准和AQI分级标准),对乌鲁木齐市2016年空气质量做变化趋势分析。结合乌鲁木齐市气象要素和城市发展数据对乌鲁木齐市空气质量影响因素做相关分析,然后利用层次分析法(AHP)对乌鲁木齐市环境空气污染时空分布特征的影响因素做评价分析。研究结果有:(1)乌鲁木齐市2016年1月,轻度污染天气占整月的3%、中度污染天气占26%、严重污染天气占32%、重度污染天气占39%;工业园区集中的米东区是乌鲁木齐市空气污染最严重的城区。(2)乌鲁木齐市的城区空气污染物因子和同期气象因素相关性显著;(3)重要污染物企业的空间分布对乌鲁木齐市空气污染空间分布起到绝对的影响作用。     

广州市主干道附近大气污染物浓度的特征及影响因素研究

为研究城市主干道边的空气污染状况,通过采用自动监测系统,在2007年1月至2月期间,对广州市新港西路两侧以及附近大学校园内的空气质量进行监测,获得了其空气污染物浓度的特征：（1）空气污染水平高,NO2与PM10日均值超标率较高;（2）污染物时空分布不均匀,NO浓度白天通常比夜间高,路边监测点NO小时浓度为校园对照点浓度的3倍左右。同时,分析了污染物浓度与气象条件及主干道交通流量的关系。结果表明：污染物浓度与气象因素之间有较高的多元线性相关性,但与单个因素的相关性不强;路边监测点的NO小时浓度和校园对照点的N0。小时浓度均与车流量有较高的相关系数,而PM10与车流量无显著相关性。综合考虑气象因素与交通流时,多元线性回归方程的复相关系数更高。     

上海市空气质量中NO2与气象因子的相关性分析及其浓度预报模型的建立

对上海市2008年环境空气中NO2及气温、露点、湿度、气压、风速等气象因子分别进行了相关性分析,结果表明NO2与上述气象因子均具有显著相关性;以2008年NO2与上述气象因子的日均值数据为基础,采用因子分析与多元回归建立NO2日均浓度预报模型,相关系数砰达到0．839。模型计算结果表明,影响NO2日均浓度的主要气象因子为风速、湿度、温度;采用2009年1月至5月同类监测资料对该模型进行检验,结果显示检验值与实测值的平均相对误差和平均偏差分别为14．68％和10．96％。故模型可作为上海市环境空气NO2日均浓度预报的参考方法。     

2017年京津冀地区PM2.5污染特征及潜在来源分析

京津冀及周边地区大气污染问题突出,秋、冬季重污染天气频发。为探讨该地区PM_2.5污染来源,分析其污染状况和气象因素的关系,利用2017年京津冀地区空气质量监测站的气象资料如气压、风速、相对湿度、温度、降水量等,结合ArcGIS软件空间插值法、SPSS 21.0的Pearson相关性分析等方法,采用拉格朗日混合型的扩散模型HYSPLIT后向轨迹聚类分析方法,探讨北京地区主要气团传输轨迹,结合GDAS气象资料计算潜在源贡献因子。结果表明:1）2017年京津冀地区ρ（PM_2.5）年均为64.4μg/m3,比2016年下降11.5%,全年达标天数占比为74.2%。2）京津冀地区PM_2.5与气压、相对湿度呈正相关,其中气压与PM_2.5相关性最高;与风速、日照时长、温度、降水量呈负相关,其中日照时长与PM_2.5相关性最高。冬季比其他季节影响更为显著。3）从时间尺度看,冬季污染最严重,秋、春季稍好,夏季PM_2.5优、良级占92.4%;其中,1月平均ρ（PM_2.5）最高。4）从空间范围看,整体上京津冀地区呈现南高北低,南北差异相对明显,其中其北部承德、张家口、秦皇岛地区ρ（PM_2.5）最低,石家庄、邯郸PM_2.5污染较严重。5）源解析结果表明,冬季北京地区主要受本地污染源影响,在春、秋季节受周边区域源贡献因子PSCF值>0.4,河北、山东、河南等地对北京PM_2.5的污染有一定的源贡献。     

CCSM4/WRF-CMAQ动力降尺度预估RCP8.5情景下京津冀地区空气质量的潜在变化

目前,针对气候变化对区域空气质量影响的研究相对较少,并且多采用统计降尺度方法对全球气候模式结果进行处理.采用WRF中尺度气象模式对CCSM4气候模式的CMIP5 RCP8.5情景预估结果进行动力降尺度处理,并为CMAQ空气质量模式提供气象场;在2012年清华大学MEIC大气污染物排放清单的基础上,选取2005年作为气候现状代表年、2049-2051年作为未来气候代表年,对京津冀地区典型月份（1月、4月、7月、10月）的气象及空气质量数值模拟结果进行对比,以此预估气候变化背景下京津冀地区空气质量潜在变化.结果表明,在排放情况不变及RCP8.5情景下,未来代表年与现状代表年相比,京津冀地区以典型月份为代表的年均气象因素整体呈现温度升高,风速、相对湿度及大气边界层高度均降低的趋势;年均大气污染物浓度整体呈现升高的趋势,其中,温度升高约0.8℃,风速降低约0.11 m/s,相对湿度降低约2%,大气边界层高度降低约8 m,ρ（PM_2.5）升高约2.4 μg/m3,ρ（SO₂）升高约1.8 μg/m3,ρ（NO_x）升高约1.0 μg/m3;此外,主要的气象条件（温度、风速、相对湿度、大气边界层高度）中,风速及大气边界层高度的降低可能是造成这些大气污染物浓度变化的主要气象因素,并且风速及大气边界层高度的降低与ρ（PM_2.5）降低的相关系数分别约为-0.44和-0.26.研究显示,气候变化会对京津冀地区造成污染物浓度升高的潜在风险,同时由于现阶段缺乏可用于空气质量模式的未来排放情景数据、在线耦合模式日臻完善,在我国气候-空气质量的研究领域亟待进行更深层次的研究.      

区域气象条件和减排对空气质量改善的贡献评估

区域气象条件和减排与空气质量的变化关系密切.区域污染天气的发生不只受人为排放的影响,其与气象条件也密切有关.我国地处全球的主要季风气候区,大气环流具有明显的季风气候变化特征,区域气象条件受年际气候变化影响显著.研究通过分析不同气候条件下京津冀地区、成渝地区、长三角和珠三角城市群2001~2018年主要气象要素及其污染天气的变化趋势,利用KNN大数据挖掘算法量化分析区域气象条件和减排对大气污染的贡献率.结果表明,2001~2018年间全球气候变化异常频繁,厄尔尼诺/拉尼娜非正常气候占比近一半.减排与气候变化均对空气质量的改善起促进作用.在非正常气候条件下,气象对空气质量改善的贡献更为明显.例如,非正常气候时京津冀地区气象条件对空气质量改善的贡献约为51%,而正常气候时约为30%.对于长三角和珠三角城市群,其气象条件在非正常气候时的贡献达到了50%左右,几乎与减排贡献相当.此外,各区域2015~2018年的减排贡献均高于2001~2012年的平均水平,表明随着我国实施大气污染物排放控制措施力度的增大,减排对空气质量改善的贡献显著.但气象条件对空气质量改善的贡献仍不容忽视,区域减排控制仍然任重而道远.     

基于GA-ANN改进的空气质量预测模型

基于人工神经网络的空气质量预测模型优于传统的逐步回归模型,但由于性能差异不明显而较少在空气质量预报中应用. 设计了将遗传算法和神经网络算法相结合的基于GA_-ANN的空气质量预测模型,并利用天津市2003—2007年气象和污染物监测资料对该模型进行验证. 对2007年全年的ρ(SO₂),ρ(NO₂)和ρ(PM₁₀₎进行预测,预测值与实测值的相关系数分别为0.899 6,0.828 3和0.600 0. 与一般的人工神经网络预测模型相比较,GA_-ANN模型将空气质量等级预报的准确率从77.57%提高到79.67%. GA_-ANN模型可结合其他方法进行日常空气质量预报.