首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2篇
  免费   3篇
综合类   4篇
评价与监测   1篇
  2022年   1篇
  2021年   4篇
排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
基于县域污染物排放和人口社会经济数据库,运用熵权法构建水气污染综合指数测度广东省水气环境污染状况,在解析2012—2016年水气环境污染时空变化与主体功能区分异特征的基础上,采用空间计量模型考察水气环境污染的驱动因素及其在不同类型主体功能区之间的差异.研究结果表明:① 2012—2016年,广东省水气污染综合指数降幅达到46.93%,处于污染指数高值区间的县域数量大幅减少,并呈现由边缘向核心收缩的空间变化特征;② 4类主体功能区的水气环境污染均有明显改善,但相对而言,城市化地区和农产品主产区仍是广东省水气污染物排放的主要承压区;③人口规模是各类主体功能区水气环境污染的共性驱动因素,此外,城市化地区、农产品主产区和重点生态功能区还分别受到工业化水平、社会固定资产投资和财政收入分权程度的影响.建议从引导城乡居民绿色生活、持续提升清洁生产技术、增加地方财政分权激励机制中的环境效益考核入手强化区域环境污染综合治理.  相似文献   
2.
利用成都市2014~2016年逐日呼吸系统疾病和心脑血管疾病死亡资料、同期气象资料和PM2.5日均浓度和每日臭氧最大8h平均浓度(O3)资料,采用分布滞后模型以及广义相加模型中的独立效应模型、非参数二元响应模型和温度分层模型探究了成都市气温、PM2.5和O3单效应,以及气温与PM2.5(或O3)交互作用对当地呼吸和心脑血管疾病死亡人数的影响.单效应分析结果表明,气温与两种疾病死亡人数的累计暴露-反应关系均呈反“J”型分布,最适温度在22.2℃,该温度对应的疾病死亡人数最少;累积滞后1d的PM2.5(或O3)对应的健康风险最大,此时,PM2.5和O3浓度每升高10μg/m3,呼吸系统疾病死亡风险分别增加0.58%和0.54%,心脑血管疾病死亡风险分别增加0.35%和0.66%.分季节研究结果表明,PM2.5对两种疾病死亡影响的健康风险冬季最高,而O3的健康风险在秋季最显著.交互作用的研究结果表明,高温与高浓度的PM2.5(或O3)对疾病死亡的影响存在协同放大效应,当气温高于22.2℃时,PM2.5和O3浓度每升高10μg/m3,对应的呼吸系统疾病死亡风险分别增加2.30%和1.14%,心脑血管疾病死亡风险分别增加1.09%和1.03%.研究结果提示O3对人群健康的影响也不容忽视,应该引起足够的重视.  相似文献   
3.
为探究成都市大气环境中气象因子交互作用对臭氧(8h浓度平均最大值,统一用O3表示)浓度变化的影响特征,利用成都市2014~2019年逐日大气污染物资料以及同期的气象资料,采用广义相加模型(generalized additive models,GAMs)分析气象因子对O3浓度变化的影响效应.结果表明,单影响因素的GAMs模型中,O3浓度与最高气温、日照时数、相对湿度、风速、降水量、最大混合层厚度(maximum mixed depth,MMD)和通风系数(ventilation coefficient,VC)间均呈非线性关系,无论全年还是夏季,最高气温、日照时数、MMD和相对湿度对O3浓度影响均较大,值得注意的是,夏季相对湿度和降水量对O3浓度变化的影响较全年更加显著.在构建O3浓度变化的多气象因子GAMs模型中,除平均风速以外的其他气象因子共同作用对O3浓度变化有显著影响,就全年而言,构建的GAMs模型判定系数(R2)为0.849,方差解释率为85.1%,最高气温是全年O3浓度变化的主导影响因素;夏季GAMs模型的R2为0.811,方差解释率为81.3%,而夏季最高气温和MMD同为重要影响因素.GAMs交互效应模型中,就全年而言,最高气温与日照时数、相对湿度、降水量间交互作用,以及日照时数和MMD间交互作用对O3浓度变化影响显著,结合三维可视化图形直观分析气象因子交互作用对O3浓度变化的影响特征,发现强高温+强日照+MMD (2000 m左右)+无降水条件协同作用下有利于O3的生成;就夏季而言,仅最高气温分别与日照时数和VC交互作用对O3浓度的影响显著,夏季强高温+强日照+水平方向小风速有利于近地层O3浓度的生成.运用GAMs模型能够对O3污染的主导气象因子进行识别,并定量化分析气象因子单效应及其交互作用对O3浓度变化的影响特征,对O3浓度污染防控研究具有重要指示意义.  相似文献   
4.
为探究大气环境中污染物与气象要素交互作用对PM2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型(GAMs)分析不同影响因素对当地PM2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM2.5浓度与平均气温(T)、相对湿度(RH)、平均风速(Wind)、降水量(Prec)、O3、NO2、SO2和CO间均呈非线性关系,其中CO、NO2、SO2T和Wind对PM2.5浓度影响较大,与全年不同的是,冬季T和O3对PM2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO2、SO2和O3这7个解释变量对PM2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R2=0.759,方差解释率为76.42%,冬季R2=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温(7℃左右)+高相对湿度+高浓度CO+高浓度NO2+高浓度SO2协同作用条件下有利于PM2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO2+高浓度SO2共存条件下有利于PM2.5的生成,即该条件对PM2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM2.5浓度变化的影响特征,对PM2.5浓度污染防控研究具有重要指示意义.  相似文献   
5.
利用我国31个省会(省府)城市、直辖市站点大气污染物数据,对全国主要城市2020年新冠疫情管控期间以及复工复产后的大气污染状况进行统计学分析。结果表明:叠加疫情管控影响,相比往年,2020年春节假期前后全国主要城市整体上PM10、NO2、SO2、CO平均质量浓度降幅分别达到22.46%、60.13%、13.71%、17.64%;疫情管控期间全国主要城市PM2.5与PM10偏相关系数为0.952,PM2.5与SO2、NO2、CO的偏相关系数分别为0.705、0.791、0.831。复工复产初期相较疫情管控期间仅有NO2平均质量浓度上升;随着复工复产进程深入,PM10、SO2、NO2平均质量浓度则均有大幅度上升。采暖区SO2和CO平均质量浓度在疫情管控期分别为非采暖区的2.6倍及1.6倍,两大区域在复工复产后各大气污染物质量浓度变化情况有所差异,也反映出采暖区与非采暖区的大气污染情况的不同。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号