贵阳市相对湿度及PM2.5浓度对大气能见度的影响分析

利用2019年1月1日至12月31日贵阳市能见度、相对湿度(RH)和PM2.5浓度逐时观测资料,分析了能见度与相对湿度及PM2.5浓度的关系.结果表明:夏季贵阳市相对湿度与PM2.5浓度较低,能见度较高,冬季则相反;能见度日变化为单峰型分布:06:00时左右最低,16:00时左右最高,与相对湿度呈反向变化.能见度与RH...     

天津市冬季空气湿度对PM2.5和能见度的影响

空气湿度是调节能见度变化和大气污染发展的重要气象因素,利用2015～2020年天津市冬季的相对湿度、比湿、PM_2.5质量浓度和能见度的历史数据,分别分析了PM_2.5质量浓度和能见度与相对湿度和比湿之间的关系.2015～2020年冬季,天津城区PM_2.5质量浓度整体呈下降趋势,6 a下降了28.0%. 10 km以上能见度天气的发生频率在2015～2018年冬季逐步上升,但在2019年和2020年的冬季重新下降.其中,2020年1月和2月天津市平均相对湿度达到63%和67%,显著高于30 a的历史同期均值,低于2 km的极端低能见度天气发生频率反弹至与2016年冬季相当的水平,空气湿度的升高在视觉上掩盖了PM_2.5的减排效果.天津市水汽的外部来源主要包括西南方向和东部渤海湾方向的输送,其中渤海湾方向传输的水汽占比约为59%,明显高于西南方向的25%.但东风相对清洁,对PM_2.5质量浓度的增长贡献有限,更多影响的是能见度.相比之下,当地面主导风向为西南风且比湿> 2.0 g·...     

杭州市大气能见度与PM_(2.5)浓度的关系

为了研究杭州市大气能见度与PM2.5质量浓度之间的关系,选取杭州市区2013年冬季至2014年春季期间PM2.5浓度、相对湿度以及能见度有效观测数据进行分析。结果表明:能见度与PM2.5的关系并不是直接的线性关系,而是与大气湿度也有着密切关系。随着相对湿度和PM2.5浓度的增长,能见度水平逐渐降低。而进一步量化相对湿度与PM2.5浓度对能见度的影响,将相对湿度分为40%~50%、50%~60%、60%~70%、70%~80%、80%~90%以及>90%共六个区间,对PM2.5与能见度的关系用非线性幂函数来拟合,拟合曲线的R2均大于0.9,表明拟合曲线与真实情况符合程度较好。另外,能见度与PM2.5的拟合曲线均在PM2.5浓度为50μg/m3左右出现拐点,说明在杭州市只有将PM2.5浓度控制在50μg/m3内,能见度才能得到显著提升。     

上海地区大气相对湿度与PM10浓度和大气能见度的相关性分析

以大气RH(相对湿度)为基准对上海2005─2009年大气质量和气象资料的日均观测资料进行了分类统计,分析了RH与ρ(PM10)、大气能见度的相关关系. 结果表明:在将RH以5%的间隔进行分段后,各区段ρ(PM10)平均值与RH平均值呈显著线性负相关,R(相关系数)达0.97;随着RH增大,大气能见度随ρ(PM10)变化率的绝对值增大;RH在75%以上时,增加相同的ρ(PM10)所导致的大气能见度下降量是RH在40%~45%时的5倍以上;RH小于75%时,大气能见度可较好地反映ρ(PM10)的变化,而RH大于75%时,大气能见度的降低主要反映PM10含水量的快速增加而并不指示ρ(PM10)的增加.      

合肥市区大气能见度与PM10浓度及相对湿度的关系分析

分析了合肥市区能见度与PM₁₀、湿度之间的关系.使用积分浊度仪与PM₁₀传感器比较,验证PM₁₀传感器数据准确性.两台相同型号的PM₁₀传感器同步测量,相对误差小于5%,保证测量数据稳定可靠.依据米散射理论推导出能见度是不同尺度颗粒物质量浓度乘以常数之和的反比函数,但是由于测量难度,实验时无法使用这个函数.因此通过数值模拟和数据拟合,确定了能见度是PM₁₀质量浓度的幂函数.根据湿度修正表达式对高湿度时拟合结果进行修正,并使用实验数据对修正结果进行验证.大气湿度小于60%RH时,使用PM₁₀质量浓度拟合得到能见度值与实测值变化趋势一致,相对误差范围为-5%～8%.当大气湿度值高于60%RH时,拟合能见度值与实测值相对误差超过50%,且高于实测值,湿度越大拟合值偏差越大.使用湿度修正公式对拟合值修正,修正值与实测值的相对误差绝对值小于10%.利用不同时间的测量数据对拟合公式验证,也获得了一致的结果,证明湿度修正公式对PM₁₀质量浓度拟合能...     

北京市区春夏PM2.5和PM10浓度变化特征研究

通过对北京市2012年3月～6月PM2.5和PM10实时数据的整理和分析,结果表明,北京市区大气中细颗粒物PM2.5和可吸入颗粒物PM10浓度日变化趋势基本相同,PM2.5和PM10存在显著或极显著的正相关关系;3月～6月,PM2.5浓度随季节变化逐渐升高,PM10的浓度随季节变化先升高后减小;3月～6月PM2.5与PM10日平均浓度分别为62.77μg/m3和133.88μg/m3,分别为国家二级标准的83.69%和89.25%。     

基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

城市空间结构对PM2.5浓度分布的影响

城市空间结构影响空气流通等微环境,必然对PM_2.5分布和扩散产生影响,研究两者关系对城市规划和建设具有积极意义。基于建筑构建城市空间结构指标体系,采用克里金插值等方法研究济南市中心城区PM_2.5浓度的空间格局,运用相关分析方法基于全域和不同高程视角探究城市空间结构对PM_2.5分布的影响。结果表明:1）DEM平均值、建筑绝对高度平均值、户外活动面积与PM_2.5浓度呈负相关,建筑绝对高度最大值、建筑基底面积总和、建筑密度、占空比、建筑体积总和与PM_2.5浓度呈正相关。这些指标是影响PM_2.5分布的重要因素,城市规划布局时应重点考虑。2）不同高程和时间范围,PM_2.5分布存在时空差异。PM_2.5浓度越高,城市空间结构指标对其浓度分布的影响越明显。PM_2.5浓度空间分布的变异系数越大,PM_2.5浓度与各城市结构指标相关性越弱。3）地形高程是影响PM_2.5分布的重要因素,随着平均高程增加,城市空间结构指标与PM_2.5浓度呈显著相关的月份数量增加,且规律性更强。     

鼎湖山PM2.5 中水溶性离子浓度特征分析

为研究珠江三角洲背景区域大气气溶胶中水溶性离子的特征及其来源,于2007年1月～2008年12月,在鼎湖山利用大流量滤膜采样器采集PM2.5样品,并用离子色谱(IC)分析其中的水溶性离子成分含量.结果表明,PM2.5中总水溶性离子年平均浓度为(36.3±16.4)μg.m-3.其中,3种主要离子SO24-、NH4+和NO3-占总离子浓度的89%;夏季受到来自海洋气团的影响,Na+和Cl-相关性明显增强,相关系数R2为0.91;NO3-/SO24-的平均值为0.32,表明固定源对鼎湖山地区污染的贡献更大;PM2.5中Σ阳离子电荷/Σ阴离子电荷的变化范围为0.44～2.59,平均值是1.03,水溶性离子电荷基本平衡.     

能见度与PM2.5浓度关系及其分布特征

利用相对湿度、能见度和PM_(2.5)质量浓度观测数据,针对不同相对湿度下,建立了消光系数与PM_(2.5)质量浓度之间线性关系,并分析了相关关系的全国分布特征.结果表明,我国中东部大部分地区在一定相对湿度区间内均可建立线性相关关系,而且相关性较好,相对湿度40%～90%区间内的平均相关系数高于0. 75,其中北京相关系数高达0. 9.北京、长三角和四川等地的PM_(2.5)单位质量消光效率在同等相对湿度下明显大于其他地区.不同地区湿度对能见度影响程度不同,北京等地在相对湿度大于90%时相对湿度对能见度作用大于PM_(2.5),而广州在相对湿度大于80%时相对湿度的作用明显增强.利用能见度反算北京地区PM_(2.5)浓度可知,1980～1996年,PM_(2.5)浓度年际变化不大,受采暖方式影响冬季PM_(2.5)浓度显著较高; 1997～2009年呈现缓慢下降趋势; 2010～2012年呈现上升趋势. 1980年以来,全国的PM_(2.5)浓度整体呈上升的趋势,尤其是华北地区,PM_(2.5)浓度始终高于全国其他地区.     

冬季PM2.5中无机水溶性离子与大气相对湿度的相关性

依托河北省灰霾污染防治重点实验室,对2019年11月26日—12月31日石家庄市大气PM_2.5中的NO₃^-和SO₄^2-进行连续在线观测,研究NO₃^-和SO₄^2-与环境空气相对湿度的相关性,解析冬季发生PM_2.5重污染天气的RH阈值.观测期间,RH为10%~60%时,NO₃^-的浓度与RH呈显著正相关,为PM_2.5中浓度最高的无机水溶性离子.RH超过70%后,NO₃^-与RH呈负相关,NO₃^-浓度和NOR开始下降.SO₄^2-浓度与RH在整个湿度区间均呈正相关.RH低于50%时,SO₂向SO₄^2-的转化以气相反应为主.RH高于50%以后,颗粒物达到潮解点,SO₂的主要反应转入液相,转化速率加快,SO₂液相反应贡献逐渐增加至64.6%.RH超过70%后,SO₄^2-成为PM_2.5中浓度最高的无机水溶性离子.RH超过PM_2.5潮解点以后,NO₃^-和SO₄^2-大量合成,推高PM_2.5环境浓度,易于形成重污染天气.     

宁波市环境空气中PM10和PM2.5来源解析

2010年在宁波3个环境受体点采集不同季节的PM10和PM2.5样品,同时采集颗粒物源类样品,分析它们的质量浓度及多种无机元素、水溶性离子和碳等组分的含量.采用OC/EC最小比值法确定了SOC(二次有机碳)对PM10和PM2.5的贡献,据此重新构建了受体化学成分谱.使用化学质量平衡模型对宁波市区的PM10和PM2.5来源进行了解析.结果表明:城市扬尘、煤烟尘、二次硫酸盐和机动车尾气尘是环境空气中PM10的主要来源,其分担率分别为23.0%、15.9%、13.3%和12.3%;对PM2.5有重要贡献的源类是城市扬尘、煤烟尘、二次硫酸盐、机动车尾气尘、二次硝酸盐和SOC,其分担率分别为19.9%、14.4%、16.9%、15.2%、9.78%和8.85%.      

沈阳市PM2.5浓度ARIMA-SVM组合预测研究

首先利用回归树分类方法,对采暖期与非采暖期各日进行气象类型划分,识别出易造成重污染天气的气象类型.其次分别在各气象类型内,以污染源排放量为自变量,利用差分自回归滑动平均与支持向量机（ARIMA+SVM）组合方法建立起PM_2.5浓度日均值预测模型,并选取2013年01月~2017年06月间,沈阳市区内9个环境监测点PM_2.5浓度日均值进行实证分析.结果表明,使用气象分类下的ARIMA+SVM组合模型对PM_2.5浓度日均值进行预测,相比于不划分气象类型时的普通机器学习模型,其模型预测值与实测值趋势的吻合度更高,且对峰-谷值的识别能力更强.在采暖期与非采暖期,组合模型均具有平均绝对误差更低、预测正确率更高的优点.     

集成AEC和时空特征的工业园区PM2.5浓度预测

为实现工业园区企业污染排放精细化管控,捕捉工业园区内企业污染排放与污染物浓度之间的响应关系,提出一种集成大气环境容量(AEC)和时空特征的工业园区PM_2.5浓度预测模型.通过有限体积法获得工业园区日均大气自净能力指数(ASI),结合工业园区日排放数据作为AEC特征;同时利用小波分析和Pearson相关系数法提取时空特征,包括目标监测站PM_2.5浓度的时间变化特征和其与周围监测点PM_2.5的空间相关特征.通过CNN获取训练数据中PM_2.5的关联特征,并利用BILSTM充分反映时间序列训练数据中隐含的关键历史长短期依赖关系,确保快速准确的预测性能,以2018～2020年濮阳市工业园区大气污染物观测数据、气象数据及排放数据进行实验验证.结果表明:本文提出的CNN-BILSTM预测模型相较于传统LSTM模型预测精度提升10%;AEC特征和时空特征有利于提高模型精度和稳定性,集成AEC和时空特征的CNN-BILSTM预测模型在PM_2.5污染天数预测准确率最高,达93%;分季节预测结果表明...     

天津冬季相对湿度对气溶胶浓度谱分布和大气能见度的影响

于2013年1月连续在线观测天津城区气溶胶数浓度谱分布和大气能见度,并结合相关气象资料,探讨相对湿度(RH)对气溶胶浓度谱分布和大气能见度的影响.结果表明,观测期间发生了4次连续雾霾天气过程, 4次雾霾天气过程对应着气溶胶粒子数浓度的连续高值,低能见度天气系高浓度气溶胶粒子和高相对湿度协同所致;随着RH增大,PN1和PN2.5-10呈增长趋势, RH>90%后,PN1和PN2.5-10有所降低,PN1-2.5则持续增长,高RH对气粒转化和气溶胶粒子的碰并聚合作用明显;气溶胶吸湿增长因子计算表明,高RH下水汽对能见度影响很大,尤其是大雾天气下其影响甚至可能超过气溶胶粒子浓度对其的影响.     

黑龙江省PM2．5监测现状及结果分析

近十余年来在中国的部分地区进行了PM2.5的采集和分析。以美国PM2.5的主要检测方法为例,指出在国际社会中针对PM2.5检测的重要性和普遍性,同时例举了中国PM2.5的检测方法的多样性。根据黑龙江省13个市（地）共57个环境空气自动监测站的大气监测数据结果,总结了黑龙江省PM2.5的监测现状,并详细的介绍了黑龙江省关于PM2.5检测工作的开展情况。以哈尔滨为例对市区的大气污染情况进行预测和分析;提出了黑龙江省大气PM2.5污染超标的原因,并提出切实可行的治理方案。同时指出了今后黑龙江省PM2.5监测的发展方向。     

基于集总参数模型的室内PM2.5浓度预测

基于颗粒物浓度集总参数模型建立室内PM_2.5预测模型,同时对模型中的关键参数穿透率、沉降率理论模型进行理论计算.以常州市某住宅建筑为例,通过动态模型对穿透率和沉降率模型进行实验验证,实验采样时间为2017年3月~2018年1月.根据实验数据计算换气次数在0.31~0.89h^-1范围内PM_2.5通过维护结构的穿透率为0.78~0.97,室内PM_2.5沉降率为0.3~0.69h^-1.本模型能较好地适用于自然通风、机械通风等不同通风工况室内颗粒物浓度预测.当室外PM_2.5浓度在135~150μg/m³变化时,使用过滤效率为82%的新风系统可维持室内PM_2.5浓度值在40~46μg/m³.     

苏南农村地区大气PM2.5元素组成特征及其来源分析

为了解苏南农村地区大气细颗粒物的污染水平及其可能的来源,在2002年7月-2003年1月的夏、秋、冬3个季节对雪堰镇和太湖站PM_2.5进行采样和分析,得到了PM_2.5和14种组成元素的质量浓度.研究表明,苏南农村地区PM_2.5的污染水平较高,S,Zn,Pb和As 4种污染元素的质量浓度水平与城市接近;组成元素的季节分布规律存在区域差异,这可能与局地源的贡献,大气细颗粒物中、长距离传输以及复杂的气象条件有关.因子分析结果表明,土壤源、燃煤源、冶金或垃圾焚烧和汽车尾气4类源对PM_2.5有明显贡献,说明人类活动对苏南农村地区PM_2.5具有重要影响.