建设项目环境影响评价中二次PM2.5影响预测方法比较研究

2018年12月1日实施的《环境影响评价技术导则大气环境》(HJ 2.2—2018),对建设项目环境影响评价中二次PM_(2.5)影响预测问题给出了模型模拟法和系数法两种解决方案。在详细介绍模型模拟法和系数法的基础上,对两种方法预测同一项目时预测结果的差异性进行了比较分析。差异性比较分析结果表明,就二次PM_(2.5)日均浓度和年均浓度,AERMOD系数法计算结果较CALPUFF模型模拟法计算结果偏保守;两种方法在预测二次PM_(2.5)日均浓度时比值范围为0.08～5.16,均值为2.35;在预测二次PM_(2.5)年均浓度时比值范围为0.89～26.22,均值为10.71;两种方法在预测二次PM_(2.5)日均浓度时差异较小。     

中国氨排放对PM_(2.5)污染的影响

基于WRF-CMAQ空气质量模型,定量模拟了氨排放对全国城市PM_(2.5)浓度的影响.结果表明,氨排放对全国城市硫酸盐、硝酸盐、铵盐及PM_(2.5)年均浓度贡献率分别为4.2%、99.8%、99.7%和29.8%,氨排放对硫酸盐年均浓度的影响较小,而对硝酸盐和铵盐年均浓度的影响极为显著.氨排放对1、4、7、10月四个典型月PM_(2.5)月均浓度的贡献量分别为20.15μg/m3、12.39μg/m3、13.20μg/m3、14.20μg/m3,其中1月PM_(2.5)受氨排放的影响最大.氨对PM_(2.5)影响较大的地区主要集中在河南、山东、湖北、河北等农业、畜牧业发达、氨排放量集中的地区,对PM_(2.5)年均浓度贡献量均超过20μg/m3.因此,控制氨排放将有效降低PM_(2.5)浓度,特别是可以显著减少硝酸盐和铵盐污染.     

内蒙古自治区2016年PM_(2.5)时空分布

研究了内蒙古自治区2016年PM_(2.5)浓度时空分布规律及PM_(2.5)与其前体物之间的关系。结果表明,内蒙古自治区PM_(2.5)浓度具有一定的时空分布特征,并与气象条件、污染物排放及前体物二次转化均有关联。时间上,PM_(2.5)日浓度变化曲线呈双峰型分布,两个峰值时段分别为10:00—12:00、23:00—翌日01:00,PM_(2.5)月均浓度曲线呈"U"形分布,在8月最低;空间上,内蒙古自治区PM_(2.5)浓度由高到低的区域依次为中部、西部、东部;PM_(2.5)小时浓度与其前体物NO_2、SO_2小时浓度均为显著正相关,说明前体物对PM_(2.5)浓度变化影响显著。研究结论可为内蒙古自治区大气污染环境治理提供参考。     

达州市城区大气污染物浓度变化特征及影响因素分析

利用达州市城区环境空气自动监测站2015—2017年数据,研究了大气污染物的浓度变化特征和影响因素。结果表明:达州市城区未受到SO_2污染,PM_(10)和PM_(2.5)同比大幅下降,NO_2、CO和O_3-8 h浓度有所上升。污染物在不同季节的差异显著性不同,SO_2、CO、O_3-8 h在不同季节之间均存在显著差异(P<0.05),NO_2浓度在除秋季和冬季外的其他季节之间均存在显著差异,PM_(10)和PM_(2.5)浓度在除春季和秋季外的其他季节之间均存在显著差异。不同污染物的月均浓度变化曲线和不同季节的小时浓度变化曲线,以及不同季节的相关性也具有明显的特征。同时,本研究还建立了PM_(10)和PM_(2.5),NO_2和CO分别在不同季节的预测线性模型,为进一步了解污染物之间的相互关系和预测污染物的浓度发展趋势提供了参考。     

边界层方案对山西冬季一次静稳天气PM_(2.5)浓度模拟的影响

准确的空气质量数值预报模式依赖于精确的气象条件模拟,尤其依赖于大气边界层的准确模拟.为理解边界层过程如何影响空气污染物的传输与混合,利用WRF-Chem模式不同边界层方案(YSU和MYJ)进行敏感性试验,针对山西冬季典型静稳天气,对地面温度场、地面风场、PM_(2.5)浓度及边界层内部的动力和热力层结进行模拟分析,并与观测资料进行对比,分析不同PBL方案对于气象要素和PM_(2.5)浓度分布的模拟能力,探讨边界层内部热力层结和湍流输送差异对PM_(2.5)浓度模拟的影响.结果表明:2种边界层方案均能较好模拟出冬季静稳天气背景下地面温度、风速及PM_(2.5)浓度的空间分布和日变化特征,气温模拟的较大误差主要出现在夜间,而地面风速和PM_(2.5)浓度的模拟结果在午后误差较大;相对于YSU方案,局地MYJ方案模拟的温度、风场和PM_(2.5)浓度的误差更小,模拟结果更接近于实况观测.地面PM_(2.5)浓度的模拟误差可能与近地面逆温层、混合层及地面风速等的模拟误差有关;不同边界层参数化方案导致的边界层内热力层结和湍流输送的模拟差异,可能是影响近地面PM_(2.5)浓度模拟差异的主要原因;夜间MYJ方案逆温层厚度较厚,地面PM_(2.5)模拟浓度较低;午后MYJ方案混合层高度较低,加之地面风速较弱,导致地面PM_(2.5)模拟浓度较高.     

温州城区大气污染特征数值模拟与来源解析

文章以位于温州城区的瓯海区为例,在建立大气污染源清单的基础上,利用WRF-CMAQ、CALPUFF模型分析了外来污染物区域输送对瓯海区的影响,模拟了瓯海区主要大气污染物浓度分布,解析了区域大气污染物排放来源。WRF-CMAQ模型模拟结果表明,区域大气污染物SO_2、NO_2、PM_(10)和PM_(2.5)的输送对瓯海区的贡献影响均呈现冬季(1月)>春季(4月)>秋季(10月)>夏季(7月)的变化规律,这可能与大气污染物来源有关。CALPUFF模型模拟结果显示,瓯海区SO_2和PM_(10)的年平均浓度达标,但NO_2和PM_(2.5)出现超标现象。除SO_2均能达标外,部分敏感目标处NO_2、PM_(10)和PM_(2.5)年平均浓度有不同程度的超标现象。来源分析结果表明,瓯海区大气污染物SO_2和NO_2主要来自本地源排放,而PM_(10)和PM_(2.5)本地源与外来源的排放贡献相当。     

太原市PM_(2.5)和PM_(10)质量浓度的变化特征

为了了解太原市PM_(2.5)、PM_(10)的污染水平变化情况及其相关关系,本文基于太原市颗粒物自动监测数据,对太原市2015年12月-2016年11月PM_(2.5)、PM_(10)质量浓度进行分析。分析发现:PM_(2.5)和PM_(10)日均质量浓度变化幅度较大,但其变化趋势非常相似;PM_(2.5)和PM_(10)月均质量浓度均超过年均二级标准,特别是秋季最为严重;PM_(2.5)、PM_(10)小时平均质量浓度呈双峰现象;ρ(PM_(2.5))与ρ(PM_(10))相关系数为0.9371,ρ(PM_(2.5))/ρ(PM_(10))在0.5-0.6之间出现的频率最高达30.33%。     

基于LUR模型的中国PM2.5时空变化分析

土地利用回归(LUR)模型是模拟大气污染物浓度时空分异最主要、最体系化的方法之一,为了探索LUR模型在中国国家尺度空气污染物模拟的适应性,挖掘中国2015年空气细颗粒物(PM_(2.5))的时空变化特征及其与不同地理要素相关关系,以2015年国家控制监测站点PM_(2.5)数据为因变量,土地利用类型、地形地貌、人口、道路交通与气象要素等影响因素为自变量,构建基于地理加权的LUR模型,通过模型回归制图得到2015年全国月均与年均PM_(2.5)浓度分布图,以胡焕庸线为参考线分析中国2015年PM_(2.5)浓度的时空变化特征.结果表明,引入地理加权算法的LUR模型残差Moran'sⅠ显著降低,残差空间自相关性明显减弱,判别系数R2明显提高,更好地揭示出PM_(2.5)空间分布和各影响因子间的复杂关系;耕地、林地、草地和城镇居民工矿用地以及气象要素、主干道路对PM_(2.5)浓度的影响比较显著.不同地理要素的不同空间分布对PM_(2.5)影响作用不同;胡焕庸线两侧PM_(2.5)表现出明显的时空差异,人口规模大、工业化水平高的发达城市PM_(2.5)浓度较高; PM_(2.5)浓度在冬季月份较高,秋季、春季、夏季月份污染情况逐渐减弱.     

基于WRF-CMAQ模式的非线性预报模型研究

文章基于WRF-CMAQ空气质量数值预报系统,对石家庄地区未来3 d逐小时SO_2、NO_2、CO、O_3、PM_(10)和PM_(2.5)6种污染物浓度进行预报,选取2014年5-11月市区7个国控点的监测数据对模式预报能力进行评估检验。结果表明,CMAQ模式预报系统对CO的日均浓度预报准确率较高,而对其他污染物浓度的预报均有不同程度高估,其中PM10的预报效果相对较好,对SO_2、NO_2和PM_(2.5)这3种污染物浓度的预报值均明显大于观测值,O_3的预报效果最差。这与石家庄市排放源清单的不确定性及污染物日浓度变化幅度较大有关。为提高模式预报的准确性,采用非线性自适应偏最小二乘回归滚动法建立订正模型对逐小时污染物浓度预报值进行订正,结果明显改善了CMAQ模式预报值,对县市级的精细化预报有一定指导意义。订正结果对首要污染物PM_(10)和PM_(2.5)浓度的日变化特征表征较好,日变化曲线及波峰波谷值与观测结果基本一致,订正后的污染物浓度能反映出其在石家庄的区域分布特征,有利于预报分析不同天气背景下污染物的空间分布特征及输送变化过程。     

阜新市MODIS AOD与大气PM_(2.5)浓度相关性研究

利用卫星遥感MODIS数据研究区域大气PM_(2.5)浓度分布是环境管理的有效方法。获取美国国家航空航天局MODIS L1B1KM数据,采用暗目标法反演阜新市大气气溶胶厚度AOD数据;提取阜新市5个大气监测站点位2014年3月至5月、2015年3月至4月期间PM_(2.5)浓度数据进行相关性分析,建立PM_(2.5)浓度-AOD之间的线性、一元二次、对数函数、幂函数及指数函数5种相关性模型;引用湿度影响因子建立大气PM_(2.5)浓度订正模型,采用PM_(2.5)浓度订正模型、Peterson模型分别订正PM_(2.5)浓度及AOD标高,应用阜新市环保局5个监测点位2014年6~12月、2015年5~12月期间PM_(2.5)的月平均浓度进行模型检验。对比分析订正后的5种相关性模型拟合优度,检验结果表明:订正方法提高了PM_(2.5)浓度-AOD相关性;线性相关性模型R2为0.633 6,相对误差为12.41%,相对其他4种模型相对误差较小。利用阜新市大气AOD预测PM_(2.5)浓度具有良好环境指示意义。     

邯郸市PM_(2.5)化学组成特征及来源解析

该研究通过对邯郸市环境空气中PM_(2.5)样本进行采集和成分检测,分析了该地区PM_(2.5)的浓度及化学组成特征,利用相关性分析法和富集因子法定性判断了PM_(2.5)的主要来源,利用PCA模型定量计算了各类污染源的贡献率,最后将解析结果与已有的PMF模型结果进行了对比分析。结果表明,邯郸市PM_(2.5)日均浓度(2012年10月13日-2013年1月)为146.9 g/m3,是我国环境空气质量标准(Ⅱ级)的2倍。二次水溶性离子、OC、EC是邯郸市PM_(2.5)的主要成分,约占PM_(2.5)总质量浓度的71.5%,其中,OC是PM_(2.5)中含量最丰富的单个组分,大气有机污染特征明显。PCA模型源解析结果为:工业和燃煤33.3%,二次气溶胶和生物质燃烧21.7%,机动车为12.8%,道路扬尘9.1%。将PCA、PMF模型解析结果对比后发现2种模型对PM_(2.5)的来源有较为一致的判定,工业源和燃煤源是该地区PM_(2.5)的主要来源,两者的总贡献率分别为42.1%(PMF)和33.3%(PCA)。除此之外,PMF单独解析出了Ba、Mn、Zn源,K、As、V源和重油燃烧源,PCA单独解析出了生物质燃烧源,不同的解析结果一方面与模型本身有关,另一方面与模型选择的化学成分有关。     

重庆市主城区PM2.5时空分布特征

利用2014年6月1日至2015年5月31日重庆市主城区17个国控空气质量监测站24 h自动连续采样的PM_(2.5)浓度数据,探讨了重庆市主城区PM_(2.5)时空分布特征.结果表明:1重庆市主城区PM_(2.5)季节浓度由高到低依次为冬季(100.2μg·m~(-3))、秋季(66.1μg·m~(-3))、春季(45.9μg·m~(-3))和夏季(33.4μg·m~(-3))(P0.05).2重庆市主城区PM_(2.5)月均浓度变化呈单峰单谷型,1月PM_(2.5)月均浓度最高(P0.05),达到120.8μg·m-3.3逐日变化,国控17个空气质量监测站PM_(2.5)日均浓度曲线都呈现出尖峰和深谷交替变化的锯齿状.4重庆市主城区16个国控监测点(除缙云山对照点)PM_(2.5)浓度日变化在全年、春季、秋季和冬季都呈现明显的双峰双谷型.5PM_(2.5)与SO_2、NO_2和CO都呈显著正相关(P0.01),表明SO_2、NO_2和CO的二次转化对PM_(2.5)浓度具有显著影响.     

CALPUFF模型在近场复杂风场条件下的适用性研究

本文利用《环境影响评价技术导则—大气环境》(HJ 2.2-2008)附录中推荐的CALPUFF模型及AERMOD模型对贵州某煤化工项目中污染因子PM10、SO2、NOX小时浓度最大值进行预测,并利用t检验对预测结果进行对比分析,验证CALPUFF模型在近场(大气评价范围小于50 km)复杂风场条件下具有适用性。     

基于小波分解与自适应多级残差修正的最小二乘支持向量回归预测模型的PM2.5浓度预测

采用小波分解(WD)将济南市科干所监测站PM_(2.5)浓度的一维时间序列(2013年1月1日—2017年8月15日)分解为高维信息,获得了该监测站附近PM_(2.5)浓度的时频变化特征,重点分析了PM_(2.5)的随机性和趋势性问题.然后构建了基于小波分解的多级残差修正的最小二乘支持向量回归预测模型(AMLRC-WLSSVR),结果发现,该模型能够很好地对济南市PM_(2.5)浓度做出预测,特别是针对重污染天气的预测有很好的精度.为了避免预测结果的不确定性问题,提出了一种基于方差估计给出预测值置信区间上界的方法,同时,有效弥补了单点预测的不稳定性及预测精度不足的缺点,该方法能够为实际空气污染预警提供技术支持.     

红色预警期间北京市PM2.5浓度特征及应急措施效果评估

综合利用监测数据并结合数值模型,分析了2015年北京市第2次空气重污染红色预警期间PM_(2.5)浓度变化特征并初步评估了减排措施对PM_(2.5)浓度的影响.结果表明:污染初期北京市南部地区PM_(2.5)浓度明显偏高,且PM_(2.5)极端高值往往出现在北京南部站点.污染输送阶段,北京市PM_(2.5)小时浓度在短时内呈爆发式增长,浓度积累速率可达5~10μg·m~(-3)·h~(-1).污染缓解阶段,偏北风作用,空气质量转好.预警期间北京市空气质量南北差异较大.应急措施实施后,北京市PM_(2.5)环境浓度下降约20%~25%.PM_(2.5)累积速率呈现出交通站城区站背景站的特征,与重污染日平均值相比交通站下降幅度最大,表明减排措施在交通站更加显著.气象条件对重污染的形成和结束起着决定性作用,为了更好的做好空气质量预警预报工作,应加强对小尺度天气系统的研究,同时关注不同方位PM_(2.5)浓度峰值及重污染持续时间的变化,形成北京市分区预报预警的经验.     

京津冀及周边地区PM2.5时空变化特征遥感监测分析

为分析京津冀及周边地区的PM_(2.5)时空变化特征,先利用MODIS数据反演1 km分辨率的AOT产品,采用地理加权回归模型实现京津冀及周边地区2016~2017年逐日PM_(2.5)浓度的遥感反演,并在此基础上对多种时间尺度PM_(2.5)浓度合成结果进行验证分析,最后从不同时间尺度对2016年和2017年PM_(2.5)时空变化特征进行了对比分析.结果表明本研究反演的日均、月均和年均这3种时间尺度的PM_(2.5)浓度结果总体上效果较为理想,时间尺度越大,遥感估算的PM_(2.5)效果越好,年均PM_(2.5)结果相对精度达80%以上,并且2016年和2017年同一时间尺度的PM_(2.5)遥感结果精度较为接近.京津冀及周边地区PM_(2.5)分布总体均呈现"冬季秋季≈春季夏季"和"南高北低"的季节变化和空间分布趋势.与2016年相比,2017年京津冀及周边地区PM_(2.5)浓度平均下降约9.2%,且高值区范围明显减小,PM_(2.5)浓度高值一般发生在11月和12月,而低值则一般发生在8月.2017年与2016年PM_(2.5)浓度时空变化与2017年的大气污染综合治理攻坚行动巡查和空气质量专项督查活动密切相关,这也能间接说明大气污染减排的成效.     

下沙空气中可吸入颗粒物污染特征分析

通过对PM_(2.5)和PM_(10)的浓度特征分析,探讨下沙空气中可吸入颗粒物污染特征。根据2013~2015年下沙空气连续自动监测数据,对浓度变化特征分析发现,PM_(2.5)和PM_(10)的季节变化明显,冬季最高,夏季最低。PM_(2.5)与PM_(10)的月均浓度存在线性回归关系,回归方程为y=1.0759x+0.02532,相关系数方值为0.857。PM_(2.5)与PM_(10)的浓度比值P主要集中在0.5~0.8之间。     

基于聚类分析与偏最小二乘法的支持向量机PM_(2.5)预测

考虑样本和输入变量的选取对预测模型精度的影响,文章提出一种基于K-means聚类与偏最小二乘法的支持向量机PM_(2.5)浓度预测方法。首先采用K-means算法对气象属性进行聚类,间接把PM_(2.5)序列分成了相似度较高的若干类,并分别作为预测建模用的训练样本;然后采用偏最小二乘法从影响PM_(2.5)浓度的多种因素中提取主成分,作为各类模型的优化输入;最后根据预测日的气象属性选出合适类别,运用优化后的训练样本和输入变量建立PM_(2.5)浓度预测模型。以北京市某监测点的实际数据为例,运用改进模型和传统模型分别进行实验。结果表明:改进的支持向量机相比传统支持向量机在预测精度上有明显的提高,精度评价指标MAE、MAPE和RMSE分别下降38.10%、50.59%、37.15%。研究实证,引入K-means聚类与偏最小二乘法的手段来提高传统支持向量机在PM_(2.5)浓度预测中的精度具有可行性。     

基于曲面响应建模的PM2.5可控人为源贡献解析

以东莞市PM_(2.5)重污染月份为例,使用强力法(Brute Force)和RSM/CMAQ曲面响应模型法分别解析了珠三角地区人为源排放对东莞PM_(2.5)的贡献,以及区域传输的可控人为源SO_2、NO_x和一次颗粒物(PM)在不同控制比例下(25%、50%、75%和100%)对东莞PM_(2.5)的累积浓度贡献.强力法研究结果表明,2014年1月珠三角地区人为源二次转化对东莞市PM_(2.5)的贡献(约58.10%)大于一次PM排放贡献(约41.90%),其中,人为源NH_3排放贡献最大,约占总量的21.66%.RSM/CMAQ动态源贡献结果显示,东莞市PM_(2.5)的人为可控源排放贡献(SO_2、NO_x和一次PM)占比为82.17%,受本地排放影响较大,且叠加区域排放的影响;一次PM减排对PM_(2.5)环境浓度的贡献高于仅减排SO_2和NO_x.在减排比例较低时,一次PM减排可有效削减东莞市PM_(2.5)浓度;随控制比例加大,二次前体物(SO_2和NO_x)减排对东莞市PM_(2.5)浓度削减率的影响加大.进一步使用HYSPLIT模式和轨迹聚类分析方法研究了2014年1月东莞市PM_(2.5)污染传输过程.结果显示,该时段共有6条长、短距离污染传输路径,污染物主要来自东莞市东、东北及东南方向,途经其上风向区域(惠州、深圳和广州等)传输至东莞;惠州是各主导上风向出现频率最高的城市,因而其区域传输对东莞PM_(2.5)的贡献也较大,深圳次之.     

基于时空克里格的PM_(2.5)时空预测及分析

PM_(2.5)作为大气污染的一种,正受到社会越来越广泛的关注和研究,但大部分研究仅单独分析各样点PM_(2.5)浓度时间维度或空间维度特征,忽略了PM_(2.5)的时空维度变化。为综合考虑PM_(2.5)时空维度特征,该文以山东省2014年PM_(2.5)浓度监测数据为对象,建立PM_(2.5)时空变异模型,利用时空克里格法对山东省全年PM_(2.5)浓度进行时空预测,得到时空分布立方体数据,最后基于该数据,对山东省PM_(2.5)污染特征作出分析。结果表明,2014年山东省整体PM_(2.5)污染严重。在空间上,中西部地区PM_(2.5)浓度超过75μg/m~3的天数超过290 d,存在持续性高危污染,东部小于37.5μg/m~3的天数超过146 d,存在间歇性轻微污染,且从西至东,PM_(2.5)污染天数和程度逐渐降低,具有明显地域性污染特征;在时间上,PM_(2.5)浓度最高时间段为1、2、11和12月,最低为6-8月,各季节污染程度依次为:冬季秋季春季夏季。研究表明时空地统计方法能够有效地对空气质量进行时空预测,是挖掘更多的时空分布特征和信息,进行环境数据分析的有效手段。