基于GIS和LUR模型的西安市PM2.5浓度空间分布模拟研究

基于地理信息系统GIS和土地利用回归LUR模型,模拟西安市PM2.5浓度空间动态分布,结果表明:与PM2.5浓度相关性最高的分别为缓冲区为2 km的水域面积、人口密度和距离水域距离,R 2分别为0.501,0.393和0.280;与PM2.5浓度相关性最低的分别为缓冲区为4 km的水域面积、未利用地面积和耕地面积,R 2分别为0.039、0.021和0.017.未考虑风速建立的LUR模型多元回归的相关系数为0.856,R 2为0.733,考虑风速的相关系数为0.892,R 2为0.796,表明风速对于污染物的分布影响较大,LUR模型模拟效果较好.模拟的PM2.5年均浓度高风险区分布于中部,中风险区分布于中西部,低风险区分布于东南部和西部.     

基于GIS和大气数值模拟技术评估兰州市PM10的人群暴露水平

利用2001年1月1日~31日兰州市城区PM10月均观测浓度和CMAQ空气质量模式模拟出的PM10月均浓度,基于GIS平台,将污染物浓度与人口的空间分布图层相叠加,并采用PM10人口加权算法,定量评估了兰州市居民的颗粒物暴露水平,并对应用这2套数据的评估结果进行了对比.结果表明,与使用观测数据相比,模拟的PM10浓度空间梯度较大,模拟结果更加细致地展示了PM10浓度在兰州城区的分布,同时PM10浓度的最小值和最大值跨度也较大.对比人口加权前后PM10浓度发现:人口加权后,从城区人口的空间分布来讲,兰州市有较多的人口分布在污染较重的地区.     

沈阳及周边城市大气细粒子的分布特征及其对空气质量的影响

利用沈阳、鞍山、抚顺和本溪4城市2007-2009年大气细粒子PM2.5及大气污染物PM10SO2、NO2的观测资料,分析了4城市大气细粒子的分布特征及其与空气质量的关系.结果表明:4城市大气细粒子PM2.5污染很重,年均浓度平均值超过美国大气细粒子PM2.5年均浓度标准4倍左右;4城市PM10、SO2的年均浓度呈下降...     

重庆市黔江区春季大气污染物浓度变化与气象因素关系研究

分析了2015年重庆市黔江城区2个自动监测站点PM10,SO2,NO2,O3日均值和小时均值,结合同期气象因素,对污染物浓度与气象因素进行分析.表明,PM10、SO2、NO2和O3春季平均值呈显著差异,PM10超标6天,SO2,NO2,O3污染水平较低,未超标;PM10、SO2和NO2呈现早晚双峰型,O3呈典型单峰型;风速与SO2和NO2浓度呈负相关,与O3浓度则呈正相关关系,风速较小时,利于PM10浓度降低,当风速达到一定程度,会导致PM10浓度升高;污染物浓度和相对湿度呈明显负相关;降水对大气污染物有削减作用.     

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。     

泸州市城区2004-2009年空气质量时空变化

为了掌握泸州市城区近年空气质量时空变化,对泸州市城区2004-2009年空气质量监测数据进行系统分析。结果表明,近年来泸州市城区空气质量总体良好,平均空气污染指数为80,空气质量优良率在72.33%以上。空气质量有逐步好转的趋势,SO2和PM10年平均浓度明显下降,NO2略有上升。污染物浓度时空分布不均匀,SO2与PM10夏季浓度较低,冬季较高,NO2浓度季节性变化不明显;兰田宪桥、小市上码头污染物浓度总体上高于忠山环监站。     

渝北区环境空气质量现状及污染原因分析

本文采用综合污染指数法和空气质量指数法对2014年重庆市渝北区的主要空气污染物(SO2、PM10、NO2、O3、CO、PM2.5)的现状监测值进行了评价。结果表明:对照环境空气质量标准,2014年城区内SO2、NO2均符合国家空气质量二级标准,PM10、PM2.5测定值均超标。污染物浓度时空分布不均匀,冬春季浓度较夏秋季高,出现明显的季节特征;空间分布上,两路空气质量优于空港。2014年渝北区环境空气中大部分污染物浓度均低于2013年和主城平均浓度,环境空气质量综合污染指数呈现下降趋势。2014年渝北区空气质量优良天数255天,高于2013年和主城优良天数,影响渝北区空气质量的首要污染物为PM2.5,其次为PM10、O3-8h、NO2。渝北区的环境空气污染主要受城市建设、产业结构、气象条件、交通尾气的影响。     

1990—2014年武汉市空气质量时空变化

基于武汉市1990—2014年空气污染物(SO2,NOx/NO2,TSP/PM10)年均值浓度数据,采用Daniel趋势检验和空间统计方法研究污染物浓度时间变化趋势和空间变异。研究发现武汉市近20年SO2浓度变化平稳且满足国家二级标准限值,而氮氧化物(NOx/NO2)浓度显著上升并超过标准限值,颗粒物(TSP/PM10)浓度虽然有下降趋势,但依然未达到标准限值。武汉市近10年SO2污染空间变化最明显,重污染区域由城区向郊区转移;NO2污染空间差异最显著,二环线内监测点NO2浓度一直高于二环线外且平均高9.2%,而二环线内监测点SO2、PM10浓度低于二环线外。     

重庆市PM2.5浓度空间分异模拟及影响因子

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.     

北京地区1～3月PM_(2.5)、PM_(10)、NO_2、SO_2地面浓度分布特征分析

本次研究选取了2015年1~3月份北京地区的PM2.5、PM10、NO2、SO2浓度的小时栅格数据,利用ENVI 4.8软件取得各污染物栅格数据的平均值,分析各污染物的浓度分布差异,结果表明:北京地区1~3月大气污染物浓度的空间分布具有显著的梯度特征,污染物浓度从东-西、从南-北呈递减趋势,其中PM2.5、PM10的环境空气污染程度较重,NO2、SO2的地面浓污染程度较轻,主城区的污染物浓度相对较高,郊区的相对较低。     

A land use regression for predicting NO2 and PM10 concentrations in di erent seasons in Tianjin region, China

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.     

A land use regression for predicting NO2 and PM10 concentrations in different seasons in Tianjin region,China

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.     

A land use regression model incorporating data on industrial point source pollution

Advancing the understanding of the spatial aspects of air pollution in the city regional environment is an area where improved methods can be of great benefit to exposure assessment and policy support. We created land use regression (LUR) models for SO₂, NO₂ and PM₁₀ for Tianjin, China. Traffic volumes, road networks, land use data, population density, meteorological conditions, physical conditions and satellite-derived greenness, brightness and wetness were used for predicting SO₂, NO₂ and PM₁₀ concentrations. We incorporated data on industrial point sources to improve LUR model performance. In order to consider the impact of different sources, we calculated the PSIndex, LSIndex and area of different land use types (agricultural land, industrial land, commercial land, residential land, green space and water area) within different buffer radii (1 to 20 km). This method makes up for the lack of consideration of source impact based on the LUR model. Remote sensing-derived variables were significantly correlated with gaseous pollutant concentrations such as SO₂ and NO₂. R² values of the multiple linear regression equations for SO₂, NO₂ and PM₁₀ were 0.78, 0.89 and 0.84, respectively, and the RMSE values were 0.32, 0.18 and 0.21, respectively. Model predictions at validation monitoring sites went well with predictions generally within 15% of measured values. Compared to the relationship between dependent variables and simple variables (such as traffic variables or meteorological condition variables), the relationship between dependent variables and integrated variables was more consistent with a linear relationship. Such integration has a discernable influence on both the overall model prediction and health effects assessment on the spatial distribution of air pollution in the city region.     

道路网络对澜沧江流域典型区土地利用变化的驱动分析

道路网络的存在和扩展影响着周边土地利用的格局,辨析其驱动效应对道路及生态管理具有重要意义.选取澜沧江流域典型山地生态系统为研究区域,以景洪市为案例区,通过解译和地理信息系统分析不同时期的遥感数据,研究了案例区所在的县域和道路影响域的土地利用变化规律.结果表明,1980～2000年间,道路两侧不同缓冲区的林地、灌丛有所减少,而建设用地和旱地面积的增加超过了10%;以2000年为例,土地利用格局的Shannon多样性、Simpson均匀度和斑块密度指数随道路缓冲距离增加而降低.100m缓冲距离情况下,3个指数为2.04,0.83和5845个·km-2,而1000m分别为1.92,0.81和599个·km-2,人工干扰指数也从46.6%下降到34.4%,而且格局指数和人工干扰指数都是2000年大于1980年.景观格局和人工干扰的时空分析表明,道路网络对区域土地利用的驱动作用随着距离道路的远近和时间有明显的变化土地利用转移矩阵分析表明,灌丛、林地、旱地受到建设用地转移驱动最大.     

合肥市郊夏季PM10浓度及其与能见度的关系

年8—9月在合肥市郊对ρ(PM₁₀)进行了观测,并分析了其中9种水溶性离子(NO₂-、Cl-、NO₃-、SO₄2-、NH₄+、Ca2+、Na+、Mg2+、K+)质量浓度. 结果表明:采样期间该地区ρ(PM₁₀)日均值为78.9 μg/m3,9种水溶性离子的平均质量浓度为18.93 μg/m3,占ρ(PM₁₀)的26.6%,表明水溶性组分是PM₁₀的重要组成之一. SO₄2-、NO₃-、NH₄+和Ca2+是主要的阴、阳离子,日均质量浓度分别为8.14、4.81、3.46和1.33 μg/m3. 不同RH(相对湿度)下PM₁₀对能见度的影响不同,RH小于80%时,二者呈显著的线性负相关〔R(相关系数)为-0.80〕;RH大于80%时,二者呈指数负相关(R为-0.48). 离子间相关性分析显示,PM₁₀中水溶性离子的主要结合方式为(NH₄)₂SO₄、NH₄HSO₄、NH₄NO₃、KCl及K₂SO₄. 采样期间ρ(NO₃-)/ρ(SO₄2-)平均值为0.59,说明在该地区固定源对水溶性组分的贡献大于移动源. 另外,扬尘也是PM₁₀重要来源之一.      

未铺装道路扬尘排放特征研究

在未铺装道路下风向不同高度测量PM10浓度和风速风向,同时测量上风向PM10浓度,采用暴露高度浓度剖面法计算未铺装道路的扬尘排放量,同时现场记录通过车辆的类型、车速、车轮个数等信息,计算未铺装道路扬尘PM10排放因子。分别分析车辆类型、车辆重量、车轮个数、路面粉土含量、车辆行驶速度对排放因子的影响。结果表明,大货车的排放因子最大,为362 g(/km.辆),其次为小客车、小货车和机动三轮车,分别为112、105和67 g(/km.辆);随着车辆重量的增加排放因子增大并呈线形相关性;随着车辆平均车轮个数的增加排放因子增大并呈线形相关性;分别研究了大货车、小客车和小货车排放因子与车速的关系,随着车速的增加,3种类型车辆的排放因子都增大,并有较好的线形相关性;路面尘土中粉土含量增大,道路扬尘排放因子也增大,路面尘土湿度增加排放因子减小。     

道路降尘与扬尘PM_(10)排放的关系研究

道路扬尘是城市大气颗粒物主要来源之一,文章主要分析呼和浩特城区道路降尘排放、扬尘PM10排放强度并研究二者之间的关系。对呼和浩特30条典型道路进行了降尘监测,并在降尘监测期间对道路尘负荷进行了采样分析,同时记录车流量和车辆构成数据,应用AP-42排放因子模型计算PM10排放强度,分析道路降尘与PM10排放强度之间的关系。结果发现,道路降尘值为外环路>主干路>次干路>支路>胡同,分别为76.3、36.1、31.7、25.8和19.0 t(/km.230d),背景值为9.4 t(/km.230d);外环路、主干道、次干道、支路和胡同的PM10排放强度平均值分别为178、169、130、100和11 kg(/km.d);降尘值DF与道路扬尘PM10排放强度呈现较好的正相关关系,道路扬尘PM10排放强度可以用降尘表示为Q=2.6×(DFr-DFb)。     

上海大气颗粒物中溴、碘浓度水平的影响因素

统计分析了2008年采样期间大气颗粒物TSP和PM10中溴、碘浓度水平与气象条件和气态污染物SO2、NO2的关系。结果表明,风向为向岸流时,大气中TSP、PM10浓度以及颗粒物中溴、碘的浓度均低于离岸流时的数值;在各气象因素中,影响颗粒物中溴、碘浓度的主要气象因素为风向、气压和气温,风速和相对湿度的影响较小;颗粒物中溴、碘的浓度水平随大气中SO2、NO2浓度的上升而上升,颗粒物中碘与SO2、NO2呈显著正相关,而颗粒物中溴呈较弱的正相关性;当空气质量恶化时,PM10中Br、I浓度增大,而Br/I比值降低,城市大气中污染物质之间的化学反应对颗粒物中Br/I的比值有一定影响。     

渝宜高速（重庆段）对土地利用变化驱动及景观格局的响应

为深入认识道路对土地利用/土地覆被变化的作用过程和机制,确定道路的影响范围和强度,论文选取渝宜高速（重庆段）两侧15 km缓冲带为研究区,基于1986、2000、2007和2013年4期遥感影像数据,利用ArcGIS技术和景观生态学方法,从4个分段、3个尺度探讨了高速公路驱动下土地利用和景观格局演变的梯度差异及其对道路演变的响应。结果表明,1986-2013年,研究区土地利用变化规律正在由“点”往“轴”向格局转变;2013年西段低山丘陵区、中段低山宽谷区、中段中低山峡谷区道路的影响范围分别是10、7、5 km,东段中山峡谷区道路效应不明显;总体来看,公路沿线3 km范围内土地利用开发强度高,并且4个分段的土地利用综合程度自西向东逐步降低;在道路的驱动下,全区景观格局的变化局限在一定范围内,对于西段低山丘陵区和中段低山宽谷区的景观格局显著变化在5 km内,中段中低山峡谷区、东段中山峡谷区的变化主要集中在4和3 km内,影响域内景观破碎化程度加剧,景观稳定性降低,生态景观风险增加;各分段土地利用和景观格局变化空间差异与其通车时间存在正相关关系,同时受区域经济和地形因素以及环境政策的影响。研究结论有助于丰富对生态脆弱区道路效应的理解,为区域交通规划及土地资源持续利用提供科学依据。