WRF模式最优参数化方案在不同空气质量模式的应用

精准的气象场和适用的空气质量模式是优化大气污染模拟的重要途径.为提升四川盆地冬季大气污染模拟效果,利用WRF模式25组参数化方案组合,进行气象场模拟试验,基于最优方案数据,以四川盆地某大型钢铁厂为例,分别驱动AERMOD模式和CALPUFF模式,通过研究区域4个国控站数据对模拟结果进行对比验证.结果表明,WRF模式参数化方案选取对地面风场、高空风场和地面湿度场模拟效果影响较大,对地面温度场、高空温度场和高空湿度场模拟效果影响较小,SLAB陆面过程方案、 Dudhia短波辐射方案分别与YSU、 ACM2、 BouLac和MRF边界层方案的组合,均能较好地模拟四川盆地冬季地面风场、温度场和湿度场的变化趋势,结合高空风温湿统计参数综合分析可知,第1组方案适用于达州气象场模拟,第13组和第17组方案分别适用于成都白天和夜间时段气象场模拟.CALPUFF模拟结果与监测值的相关性整体优于AERMOD,从站点角度分析,CALPUFF在国控站3号的模拟效果相较AERMOD提升较大,在国控站2号的模拟效果提升较小,从大气污染物角度分析,4个国控站CALPUFF对NO_x和PM     

基于轻量级梯度提升机的南京大气臭氧浓度预测

采用南京地区2015年1月至2016年12月期间的空气质量数据和常规气象资料数据,分析了南京地区O₃浓度变化特征,建立基于轻量级梯度提升机(LightGBM)的O₃浓度预测模型,并将该模型与支持向量机、循环神经网络和随机森林等3种在空气质量预测方向上常用的机器学习方法进行了对比,验证模型的有效性和可行性.结果表明,南京地区O₃浓度变化具有显著的季节性差异,浓度变化受前期浓度、气象因子和其他空气污染物浓度的共同影响.LightGBM模型较为准确地预测了南京地区地面O₃浓度(R²=0.92),且该模型的预测精度和计算效率等性能优于其他模型.尤其是在容易出现臭氧污染的高温天气,该模型预测准确性明显高于其他模型,模型稳定性较好.LightGBM具有预测准确度高、稳定性好、有良好的泛化能力和运算时间短等特点,在O₃浓度预测方面具有显著的优势.     

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...     

我国PM2.5与臭氧污染协同控制策略研究

近年来,我国大气污染格局发生了深刻变化,PM_2.5与臭氧（O₃）成为影响我国城市和区域空气质量的主要空气污染物,二者协同控制已成为我国空气质量改善的焦点和打赢蓝天保卫战的关键.PM_2.5与臭氧之间具有复杂的关联性,使得二者的协同控制具有复杂性与艰巨性.分析了PM_2.5与臭氧成因的关联性及其相互影响,阐明了PM_2.5与臭氧污染协同控制所涉及的重要科学问题,并在此基础上研究了目前我国PM_2.5与臭氧的污染形势及二者的关联性,梳理了我国自2013年以来在PM_2.5与臭氧污染控制中已采取的重要举措,论述了目前我国PM_2.5与臭氧协同控制在科学与管理上所面临的挑战.结合对国外成功经验的分析,提出推进我国PM_2.5与臭氧污染协同控制工作的相关建议:①加快监测能力建设,完善管理体系;②强化科技支撑,提高PM_2.5与臭氧污染控制精准性;③加快构建VOCs与NO_x治理技术体系;④加大VOCs与NO_x的协同减排力度,保障减排方案落实到位.      

成都平原典型区地下水污染时空异质性及污染源分析

成都平原地下水是该地区生活、工农业生产用水的重要来源,但由于长期过量使用化肥,以及畜禽养殖、乡镇企业及生活污废水的无组织排放,已对该区地下水环境构成了威胁.本研究选取成都平原某典型城镇农村区进行不同时季地下水水质监测分析,并联合ArcGIS空间分析技术、相关矩阵分析和主成分分析(PCA),以揭示研究区地下水水质时空异质性、污染影响因素、潜在污染源及污染源时季变化规律.结果表明,研究区"三氮"(NO~-_3、NO~-_2、NH~+_4)、铁(Fe)、锰(Mn)、氯离子(Cl~-)、硫酸根离子(SO■)存在不同程度的超标,其中,氨氮(NH~+_4)超标最为突出;地下水中氨氮含量及"三氮"之间的转化主要受土地利用类型、地下水铁锰分布及含水层氧化还原条件的影响.PCA结果显示,农业活动、生活污水和工业排放是造成研究区地下水污染的主要影响因素,从春季到夏季地下水污染源由生活污染为主转向农业污染为主,冬季地下水污染源以生活和工业源为主.ArcGIS空间分析和PCA分析的结合,有助于探讨地下水水质及潜在污染源的时季变化规律,可为地下水环境保护、污染控制和减缓方案制定提供理论依据.     

廊坊市大气污染特征与污染物排放源研究

通过廊坊市2014年12个监测站点的大气污染物监测数据,分析了廊坊市大气污染的主要特征,包括空气质量水平、大气污染的季节与空间分布.结果发现,虽然与2013年相比2014年空气质量有所改善,但12个站点空气质量超标均十分严重.秋季、冬季与春季PM_(2.5)为主要的空气污染物,夏季O3日最大8 h平均浓度频繁超标,需要引起重视.为实现廊坊市空气质量模拟,制定最优空气质量改善政策,基于污染源普查、环境统计数据,编制了廊坊市主要大气污染物排放清单.工业部门中,电力、热力生产和供应业、黑色金属冶炼及压延加工业是SO_2、NO_x和PM_(2.5)的重要来源.VOCs则主要来自于化学原料和化学制品制造业、黑色金属冶炼及压延加工业、食品制造业.另外,廊坊全市道路扬尘和建筑施工扬尘污染贡献了PM2.5的38.6%,但扬尘的管理十分薄弱.同时结果表明,廊坊市黄标车排放在交通源排放中比重较高.因此,需要对上述重点排放源进行有效控制,从而改善廊坊市空气质量.     

基于PM2.5监测点空间聚类的关中五市空气污染区域识别

区域大气污染联防联控是空气质量管理的重要举措,准确识别空气污染区域对联防联控措施有重大意义.本研究采用陕西省关中五市（西安、咸阳、宝鸡、渭南、铜川）国控和省控全部90个监测点的小时级PM_2.5浓度监测数据,运用邻接约束层次聚类方法对监测点进行空间聚类,并利用泰森多边形和曲线平滑等技术识别空气污染区域.结果表明：1关中五市空气污染存在跨行政区划的区域性特征,本研究识别出2个特征显著不同的空气污染区域（区域1和区域2）;2区域2的PM_2.5浓度在统计上显著高于区域1,且重度和严重污染天数也显著高于区域1;3空气污染区域与地形特征关系密切,区域1均为高海拔区县,而区域2均为低海拔区县.依据空气污染区域的不同特征,在区域污染程度存在显著差异时,应当采取不同等级的污染防控措施,以减少对关中五市43%的国土面积、23个区县、639万人及3355亿元国内生产总值的影响,使区域空气污染防控措施更加科学、合理与精准.同时,空气污染区域的划分对缺失数据和不同空气污染等级表现稳健.     

空气污染的健康经济损失评价研究进展

空气污染严重危害公众健康及社会可持续发展,空气污染的健康经济损失评价是环境相关部门开展成本-效益分析的基础.为理清研究现状,为后续研究提供参考,从空气污染健康经济损失的评价对象、评价方法以及空气污染因子的选择对文献进行了分析.结果表明:健康经济损失评价的热点对象主要集中在我国等空气污染较严重的新兴经济体国家,得益于我国监测数据的日趋完善,运用连续多年数据评价区域健康经济损失动态变化的研究开始增多.评价中经常采用的方法有人力资本法、修正人力资本法、患病失能法、支付意愿法、疾病成本法、统计寿命价值法、情景分析法等,每种方法有各自的适用范围与优缺点,评价中常综合使用多种方法以提高结果的可靠性.评价使用的空气污染因子已由SO₂、CO为主,逐渐转向以PM₁₀与PM_2.5为主、O₃为辅,加强PM_2.5、O₃、CO₂的协同治理已经成为共识,并在部分区域付诸实施.研究显示,空气污染的健康经济损失评价领域涉及内容较广,需要多学科研究人员的参与以提高研究质量及促进学科交叉融合.      

融合SSAE深度特征学习和LSTM网络的PM2.5小时浓度预测

精准的PM_2.5小时浓度短期预测,可以有效地提高空气污染的预报预警能力.针对传统的PM_2.5预测模型中存在的影响因素考虑不全面且影响因素选择方法适用性不强等问题,本文提出一种融合栈式稀疏自编码器（Stack Sparse Auto-Encoder,SSAE）和长短期记忆神经网络（Long-Short Term Memory,LSTM）的PM_2.5小时浓度预测模型.SSAE-LSTM模型综合考虑了时间因素、空间因素、气象因素和空气污染物因素等多种因素对PM_2.5的影响,采用SSAE以无监督方式自动提取PM_2.5抽象影响特征,实现特征的压缩和降维;然后以提取的抽象特征作为LSTM模型的输入,建立PM_2.5时间序列预测模型,挖掘PM_2.5历史序列中的长期依赖特征.为了验证方法的有效性,本文基于2016—2018年京津冀城市群71个空气监测站点的空气数据和气象数据,建立SSAE-LSTM模型对各个站点的PM_2.5浓度进行离线训练和预测实验.预测结果表明,SSAE-LSTM模型预测精度高于其它预测模型,在所有测试集上的一致性指数（IA）高达0.99,均方根误差RMSE与平均绝对误差MAE降到了13.98和7.90.此外,分析了SSAE-LSTM模型在不同季节的适用性,71个空气监测站点在春、夏、秋、冬4个季节测试集的预测值和实测值均有很好的线性关系,决定系数分别是0.86、0.92、0.96、0.93.对北京市万寿西宫站点的预测结果表明,SSAE-LSTM模型可以用于不同空气质量情况下的PM_2.5小时浓度预报,且具有应用上的可行性和可靠性.     

沈阳市空气污染特征

以沈阳市8个国控环境空气监测点位和一个清洁对照点位2004年全年小时浓度为基础数据,研究了沈阳市空气PM₁₀、SO₂和NO₂的季节变化、日变化、空间分布及综合污染指数(API)等空气污染特征,并用1995～2004年的监测数据,分析了沈阳市空气质量的总体变化趋势.结果表明,首要污染物为PM₁₀,其空气污染具有典型的煤烟型污染季节特征,环境空气质量在1995～2004年期间逐年好转.     

大气污染物多时间分辨率的小波分析

利用Modet小波函数进行小波变换,利用Daubechies小波函数进行分解及滤波,以乌鲁木齐市的大气污染物时间序列为例,分析了当地单个大气监测站点NO2的多分辨率的演变特性,并对NO2的时间序列进行了滤波消噪.研究结果显示,NO2年际变化和季节性变化的时间尺度在尺度空间中分布不均匀,具有较明显的局部化特征;除了季节性变化的时间尺度和变化趋势之外,还存在大气污染物中、长期变化趋势.基于滤波消噪后的时间序列建立的预测模型可用于有效地提高大气污染物的预测预报精度.     

Influence of urban spatial and socioeconomic parameters on PM2.5 at subdistrict level: A land use regression study in Shenzhen, China

The intraurban distribution of PM_2.5 concentration is influenced by various spatial, socioeconomic, and meteorological parameters. This study investigated the influence of 37 parameters on monthly average PM_2.5 concentration at the subdistrict level with Pearson correlation analysis and land-use regression (LUR) using data from a subdistrict-level air pollution monitoring network in Shenzhen, China. Performance of LUR models is evaluated with leave-one-out-cross-validation (LOOCV) and holdout cross-validation (holdout CV). Pearson correlation analysis revealed that Normalized Difference Built-up Index, artificial land fraction, land surface temperature, and point-of-interest (POI) numbers of factories and industrial parks are significantly positively correlated with monthly average PM_2.5 concentrations, while Normalized Difference Vegetation Index and Green View Factor show significant negative correlations. For the sparse national stations, robust LUR modelling may rely on a priori assumptions in direction of influence during the predictor selection process. The month-by-month spatial regression shows that RF models for both national stations and all stations show significantly inflated mean values of R² compared with cross-validation results. For MLR models, inflation of both R² and R²_CV was detected when using only national stations and may indicate the restricted ability to predict spatial distribution of PM_2.5 levels. Inflated within-sample R² also exist in the spatiotemporal LUR models developed with only national stations, although not as significant as spatial LUR models. Our results suggest that a denser subdistrict level air pollutant monitoring network may improve the accuracy and robustness in intraurban spatial/spatiotemporal prediction of PM_2.5 concentrations.     

基于遥感资料的北京大气污染治理投资对降低PM_(2.5)的效能分析

采用北京市环境监测中心35个站点的PM2.5监测数据及MODIS Terra的大气气溶胶光学厚度L3 C051产品数据,分季度建立北京市PM2.5历史浓度遥感估算模型.结合北京大气污染物(PM10、PM2.5、SO2、NO2)年均浓度数据,对北京市2001—2012年间用于工业废气污染治理投资累计额进行了效能分析.研究表明,北京市工业废气污染治理投资对于改善大气PM10、SO2、NO2均有显著贡献,但其对于大气PM2.5污染的治理效果并不明显.可能原因包括PM2.5排放源的复杂性、相关治理措施对PM2.5的针对性、经济增长导致的区域PM2.5源排放持续增长及区域外排放的持续影响等.因此,需要采取专门的有针对性的治理措施,建立健全大气污染治理技术和激励机制,控制工业燃煤及城市交通排放,削减本地及周边源排放,以有效改善北京地区大气PM2.5污染状况.     

高分辨率气溶胶光学厚度在珠三角及香港地区区域颗粒物监测中的应用研究

利用最新的MODlS(中分辨率成像光谱仪)气溶胶光学厚度(AOD)反演算法,反演珠江三角洲及香港地区2008年高分辨率(1 km x1 km)AOD分布,并与AERONET观测数据进行了验证(r=0.917).分析了2008年珠江三角洲及香港地区5个站点地面监测PM10质量浓度与反演的AOD数据相关性.结果表明:两者直...     

唐山市2017年采暖期不同污染等级PM2.5化学组分特征对比与来源分析

为深入了解唐山市采暖期PM_2.5污染成因与来源,采用在线监测设备于2017年12月1日-2018年1月28日连续监测了唐山市PM_2.5及其水溶性离子和碳质组分（OC、EC）的质量浓度变化,并结合部分常规气体污染物及气象数据进行对比分析.结果表明:①相对湿度的增加和风速的降低促进了污染的发展.②清洁、轻中度污染和重污染时,SOR（硫氧化率）分别为0.05、0.08、0.20,NOR（氮氧化率）分别为0.05、0.12、0.26,随着污染的加重,SO₂、NO_x向PM_2.5中SO₄2-、NO₃-的二次转化现象更加明显.③清洁时,ρ（OC）、ρ（EC）、ρ（SO₄2-）和ρ（Cl-）占PM_2.5化学组分（水溶性离子、碳质组分）质量浓度总和的68%,主要污染源为燃煤;清洁、轻中度污染和重污染时,ρ（NO₂）/ρ（SO₂）分别为0.96、1.14、1.44,ρ（NO₃-）/ρ（SO₄2-）分别为0.94、1.57和1.75;重污染时,ρ（SO₄2-）、ρ（NO₃-）、ρ（NH₄+）三者之和占PM_2.5化学组分质量浓度总和的61%,二次污染物成为主要污染源.④观测期,唐山市轻中度污染和重污染时,受经北京市、天津市等唐山市西部地区方向气团影响频率分别为61%、63%,受该方向气团影响时,ρ（NO₂）/ρ（SO₂）、ρ（NO₃-）/ρ（SO₄2-）明显增大.研究显示,相较于燃煤排放物在大气污染物中的占比变化,随着污染的加重,工业工艺和机动车尾气排放产生的污染物占比明显增大,区域传输对大气污染影响不可忽略,政府有必要开展区域联防联控、停产限产和限行限号的措施.      

基于空间密集传感器解析城市本地排放和区域传输贡献方法初探

为了对城市污染物进行详细区域来源解析,基于长沙市低成本传感器监测网络,收集了2019年10月PM_2.5、PM₁₀、SO₂、NO₂的高空间分辨率监测数据,对污染特征进行分析.同时,根据本地排放和背景浓度变化的不同相对频率,基于小波分析提取了污染物背景浓度并结合空间密集监测量化了城市环境中监测点的近场、远场及区域传输贡献.结果显示,2019年10月长沙市4项常规污染物中,PM_2.5浓度较高,SO₂浓度较低.小波分析提取各监测点背景浓度结果表明,部署在乡村的监测点PM_2.5、PM₁₀和NO₂背景浓度平均水平较低,而城市总体数据分布更分散,存在明显的本地排放源.估计近场、远场及区域传输对城市监测点总污染水平贡献发现,研究期间,区域传输对监测点污染贡献最大.其中,PM_2.5的区域贡献、远场贡献和近场贡献占比分别为43%、24%和17%;PM₁₀的区域贡献占比较高为59%,远场贡献和近场贡献分别占比14%和16%;NO₂的区域贡献、远场贡献和近场贡献占比分别为45%、24%和19%;而SO₂主要以区域贡献为主,占比达78%.     

2006～2017年京津冀大气污染传输通道城市NO2浓度时空变化分析

利用OMI传感器反演获取的全球对流层NO₂垂直柱浓度数据,分析了2006～2017年京津冀大气污染传输通道城市的对流层NO₂垂直柱浓度时空变化。结果表明,通过线性拟合得出,OMI反演NO₂垂直柱浓度与地面实测NO₂浓度呈显著正相关;京津冀大气污染传输通道城市NO₂柱浓度月均值变化具有周期性,最高值和最低值多出现在1月和7月;NO₂柱浓度在季节变化上特征明显,表现为冬季最高,秋、春季次之,夏季最低。在年际变化上,NO₂柱浓度主要表现为2006～2010年波动增长,2011～2013年基本持平,2014年后开始迅速下降;NO₂垂直柱浓度空间分布,整体呈现出西北部低、中部和东部高的空间格局;季节空间分布与这12年均NO₂柱浓度空间分布相似。     

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。     

雅安市环境空气质量时空动态变化及改善途径分析

根据雅安市4个空气自动站监测数据,按照《环境空气质量标准》(GB3095-2012)中的二级标准,采用综合污染指数法分析了雅安市2009~2013年环境空气质量时空动态变化趋势及其影响因素。结果表明:从年际变化看,PM1 0和SO 2浓度呈下降趋势,NO2浓度在2013年略有上升;年内变化显示,各污染物浓度季节变化明显,冬季污染最严重,污染程度由高到低的顺序为冬季、秋季、春季、夏季;空间变化显示,SO2浓度存在一定的空间差异性,各监测点位SO 2浓度随年限均呈下降趋势。NO 2和PM 10浓度空间分布差异明显。雅安空气环境综合污染指数呈下降趋势,空气污染程度得到了明显缓解,空气质量逐渐改善,并在上述研究基础上,提出了环境空气质量的改善途径。     

基于物联网的智能环境污染检测与控制系统研究

为了实行对环境污染的远程智能检测,提出基于物联网技术的智能环境污染检测与控制系统设计方法,采用无线传感组网技术进行智能环境污染检测系统物联网设计,实现对环境污染信息采样,采集的环境污染数据主要有水污染数据、土壤污染数据和大气污染数据等。将数据输入的集成控制单元中,通过上位机进行远程传输控制,采用TMS320VC5409A智能处理DSP芯片作为集成控制芯片进行控制系统硬件设计,环境污染检测与控制系统硬件模块分为物联网传感模块、AD模块、上位机通信模块和数据输出接口模块等。在嵌入式Linux内核中实现环境污染检测程序加载,实现污染检测和优化控制。测试结果表明,采用该方法进行环境污染检测与控制的智能性较好,准确度较高,实时性较好,总体性能较优。