北仑区域气象条件对PM_(2.5)浓度的影响模型研究

利用对区域的PM2.5的浓度与气象因子的监测,对影响PM2.5浓度的气象因子进行研究,研究结果表明,PM2.5浓度存在一定的季节性变化规律,同时通过对其与气象因子之间的多元线性回归,得出了具有一定吻合度的未来24h PM2.5预测模型。     

气象因素对大气中PM2.5的去除效应分析

通过对北京地区几次典型降水、降雪、大风等天气事件过程中大气PM2.5质量浓度变化情况分析,研究了降水、降雪、大风等气象因素对大气中PM2.5的去除效应,研究结果表明,上述气象因素对大气中PM2.5均有明显去除效果,因去除机理不同,各气象因素对PM2.5的去除能力依次为风、降雪、降雨.     

常州市区空气PM2．5污染分布和气象因素影响初探

PM2.5作为一种重要的空气污染物指标,其形态与组成非常复杂,影响人类身体健康。本文根据常州市环境空气自动监测站系统的常年污染物和气象监测资料,研究了常州市PM2.5污染状况及与其他城市的比较,指出PM2.5的冬春季污染较重、夏秋季污染较轻的季节变化特征,日变化的双峰结构特征,以及城市风场和降水对常州市PM2.5浓度的影响规律。研究揭示PM2.5污染与气象因素之间的相关关系,为本地PM2.5监测、预警和污染防治提供参考。     

环境空气中PM2.5与PM10质量浓度关系的研究

采集大连市4个大气自动监测点位30dPM2.5和PM10质量浓度小时值的监测数据,通过对每个点位720个有效数据对的统计分析,研究二者质量浓度的相关性及 PM2.5/PM10比值的分布情况,并研究了气象因素对PM2.5与PM10的影响。结果表明,雾使PM2.5PM10浓度都减小,但二者比值也随之降低;强风会使PM10浓度增大,但PM2.5浓度却减小。     

广州大学城大气PM_(2.5)质量浓度与影响因素

选择广州大学城代表性学生宿舍、教室、食堂等多个室内采样点及几个室外采样点,准确测定各采样点大气中PM2.5的质量浓度,分析各室内和室外采样点大气中PM2.5污染程度及分布特征;根据同步记录的气象数据,分析评价气象因子对大气PM2.5质量浓度的影响。     

基于监测统计的昆明PM2.5主要来源与污染气象因素分析

统计了昆明市2013年全年每日PM2.5浓度和气象参数。分析表明昆明城区PM2.5的污染主要与气象条件和建筑施工扬尘两个重要因素有关,影响PM2.5的污染气象因素为气温、风速、雨量、湿度、气压等;大拆大建的施工扬尘,是昆明市PM2.5和空气污染的主要来源,其他则来源于工业排放、交通扬尘、汽车尾气排放。昆明市PM2.5的污染防治,应以建筑施工扬尘的污染防治为重点。     

基于监测统计的昆明PM_(2.5)主要来源与污染气象因素分析

统计了昆明市2013年全年每日PM2.5浓度和气象参数。分析表明昆明城区PM2.5的污染主要与气象条件和建筑施工扬尘两个重要因素有关,影响PM2.5的污染气象因素为气温、风速、雨量、湿度、气压等;大拆大建的施工扬尘,是昆明市PM2.5和空气污染的主要来源,其他则来源于工业排放、交通扬尘、汽车尾气排放。昆明市PM2.5的污染防治,应以建筑施工扬尘的污染防治为重点。     

基于BP神经网络的天津市PM2.5浓度预测研究

根据天津市2013年12月1日-2013年12月24日气象监测数据,先进行温度、湿度、风力因素对PM2.5浓度影响的相关性分析及定性分析,绘制温度、湿度和PM2.5浓度的二维趋势分布图及气体扩散风向浓度分布图;再运用BP神经网络模型对天津市2013年12月25日-2014年1月9日PM2.5浓度进行仿真预测,最终得到精确预测值.结果表明:温度及风速因素与PM2.5的浓度成反比,湿度因素与PM2.5的浓度成正比,而且通过BP神经网络模型对于“离散样本”、“气象参数不确定性”的实际天气情况可以得到较高的预测精度.     

龙华新区灰霾污染特征研究

根据龙华新区2个空气监测站2012年监测数据、气象数据以及不同污染源的排放数据,分析龙华新区空气质量现状,灰霾日数与PM2.5和PM10的相关性,并通过AERMOD模型着重探讨PM2.5和PM10的污染特征,计算不同污染源对PM2.5和PM10浓度的贡献率。结果表明,灰霾日数和PM2.5、PM10浓度均表现为明显的季节性变化,变化趋势较为一致,且灰霾日数与PM2.5的相关性较PM10更显著。龙华新区PM2.5和PM10主要来自本地源,其中PM2.5的主要来源为机动车尾气和道路扬尘,而PM10的主要来源为施工项目和裸地。     

广州市区PM2.5的时间变化

PM2.5是指大气中直径小于或等于2.5微米的颗粒物,不仅能够造成灰霾天气,而且会对人体健康造成重大危害。本文以广州市环境监测中心站2009年的监测数据为基础,对广州市区PM2.5的时间变化和原因进行了分析,结果表明广州市区的PM2.5冬季较高,夏季较低,最高浓度出现在10月,最低浓度出现在7月。PM2.5浓度日变化呈现出明显的双峰形;PM2.5浓度的时间变化特征与气象因素和污染源排放密切相关。     

卫星遥感监测近地表细颗粒物多元回归方法研究

对地基监测PM2.5和气象数据、MODISAOD卫星数据与NCEP FNL数据进行了处理分析,在与一元简单线性模型(模型1)进行对比的基础上,建立了适应于北京及其附近地区遥感监测近地面颗粒物(PM2.5)浓度的多元线性(模型2)和非线性(模型3)回归模型,并对模型进行了评价验证和遥感监测初步应用.结果表明:模型1,2,3分别能够解释PM2.5 32.5%,56.1%,62.7%的变异.反演的PM2.5浓度与站点监测值相关性分别为0.5488(R2=0.3012),0.7449(R2=0.5549),0.7431(R2=0.5523).对于站点监测PM2.5浓度63.1652μg/m3的均值,反演均方根误差RMSE分别为43.5562,35.3321,36.8450μg/m3.模型2和3中气象因子分别能够解释PM2.5 23.6%和12.6%的变异,说明了气象因子影响北京地区春季PM2.5-AOD关系的显著性.3种模型整体上都不同程度地存在着低值高估和高值低估的现象.     

自贡市PM_(2.5)浓度日变化规律及其与气象参数的关系

在连续30天实时采样监测基础上,对自贡市城区PM2.5浓度日变化规律及其与气象参数的关系进行了分析。结果表明,PM2.5浓度日变化规律显著,且与温度、湿度密切相关。     

大气细颗粒物的污染特征及对人体健康的影响

采集兰州市2005年1月1日至2007年12月31日的大气颗粒物(TSP、PM10、PM2.5、PM1.0),分析不同粒径颗粒物的污染特征及其与气象因素的相关关系,并采用时间序列半参数广义相加模型(GAM)分析了可吸入颗粒物与呼吸系统疾病和心脑血管疾病日入院人次的暴露-反应关系.结果显示,TSP和PM10的质量浓度在春季较高,PM2.5和PM1.0在冬季较高;气象因子与大气颗粒物有显著的相关关系;对于呼吸系统疾病来说,PM10、PM2.5和PM1.0每升高10μg·m-3或10粒子数·m-3,入院危险分别增加0.052%、0.604%和0.652%;对于心脑血管疾病来说,PM10、PM2.5和PM1.0每升高10μg·m-3或10粒子数·m-3入院危险分别增加0.046%、0.697%和0.935%.由此可见,兰州市不同粒径大气颗粒物均有不同程度的污染,PM10、PM2.5和PM1.0对呼吸系统疾病和心脑血管疾病入院人次均有一定影响,且PM10对呼吸系统疾病的影响较心脑血管疾病明显,而PM2.5和PM1.0则正好相反.     

基于AERMOD模型评估公路交通源PM_(2.5)的浓度分布

PM2.5是公路机动车主要污染物之一,对沿线居民的呼吸健康有直接的危害,因此有必要在公路建设环境影响评价中增加对交通源PM2.5扩散浓度的评估。本文通过分析空气质量模型AERMOD、PM2.5排放清单测算模型MOVES以及建模数据需求,在交通量调查、气象数据预处理以及道路源PM2.5排放清单测算的基础上,应用AERMOD模型评估了我国某高速公路沿线PM2.5的浓度分布水平。结果表明:在研究路段沿线下风向距路肩400m范围内,均受到公路交通源PM2.5污染(PM2.5净浓度≥4μg/m3)的影响;AERMOD模型可以精细化地评估道路机动车PM2.5对空气质量的影响,为道路沿线PM2.5浓度分布评估提供了一套研究方法,其评估结果对道路规划环境影响评价具有重要的参考价值。     

贵阳市城区大气颗粒物PM_(2.5)的污染特征与季节变化规律

于2013年6月至2014年5月在贵阳市城区设置采样点,利用国产武汉天虹智能采样器连续一年采集大气颗粒物(PM2.5)样品共357个,采用HOBO U30气象仪同步记录气象数据。气象数据分析表明贵阳市春、秋和冬季均为东北风,夏季多南风且风速较大,全年以东北风为主。结合气象数据分析了贵阳市市区PM2.5污染特征并初步讨论其来源。结果表明:PM2.5日浓度范围为4~193μg/m3,平均值为70±33μg/m3,日超标率为46%。以季节来看,夏季PM2.5浓度最低,冬季最高,秋、春季次之。PM2.5主要来源于工业排放与燃煤污染。与国内其它城市研究相比,处于轻度污染水平。     

卫星遥感监测近地表细颗粒物多元回归方法研究

对地基监测PM2.5和气象数据、MODISAOD卫星数据与NCEP FNL数据进行了处理分析,在与一元简单线性模型(模型1)进行对比的基础上,建立了适应于北京及其附近地区遥感监测近地面颗粒物(PM2.5)浓度的多元线性(模型2)和非线性(模型3)回归模型,并对模型进行了评价验证和遥感监测初步应用.结果表明:模型1,2,3分别能够解释PM2.5 32.5%,56.1%,62.7%的变异.反演的PM2.5浓度与站点监测值相关性分别为0.5488(R2=0.3012), 0.7449(R2=0.5549), 0.7431(R2=0.5523).对于站点监测PM2.5浓度63.1652μg/m3的均值,反演均方根误差RMSE分别为43.5562, 35.3321, 36.8450μg/m3.模型2和3中气象因子分别能够解释PM2.5 23.6%和12.6%的变异,说明了气象因子影响北京地区春季PM2.5-AOD关系的显著性.3种模型整体上都不同程度地存在着低值高估和高值低估的现象.     

广州亚运期间鹤山大气颗粒物及碳组分的分析

2010年11月广州亚运会期间,在鹤山连续测量了PM10、PM2.5及PM2.5中有机碳(OC)、元素碳(EC)的质量浓度,结合气象数据综合分析了该地区上述各种污染物的污染特征。研究结果表明:鹤山大气颗粒物以PM2.5为主,PM10和PM2.5具有较好的相关性(R2=0.72),其中PM2.5污染较严重;与国内外其他城市相比,鹤山OC、EC质量浓度处于中等偏高水平;OC和EC质量浓度的相关性较差(相关系数R2=0.32),OC/EC质量浓度比值远大于2,说明鹤山大气OC、EC来源较复杂,同时存在严重的二次污染;估算的二次有机碳(SOC)占OC总质量的66.5%。各种气象因素中,风速对污染物的质量浓度影响最大,秸秆燃烧等人类活动对其也有显著影响。     

北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系

北京2012~2013年的冬春多次出现雾霾天气,可吸入颗粒物(PM10)污染严重.而PM2.5作为PM10中粒径较小的部分,在PM10中所占比重越高,污染越严重.因此,本研究选取了能够覆盖北京所有区县的30个PM2.5和PM10的质量浓度监测点,对该地区的PM2.5和PM10污染特征进行分析,确定其空间差异特征和时间性变化特征.普通克里格插值(Original Kriging)法得到的北京地区冬、春季颗粒物浓度分布图显示,颗粒物浓度从北部山区到南部地区逐渐递增,在中心城区处,西部高于东部,且局部地区存在一定的城乡差异.颗粒物浓度月变化曲线呈单峰单谷型,1月最高,4月最低;逐日变化反映了PM2.5和PM10浓度具有较好的相关性,且受气象条件影响显著;日变化呈双峰趋势.本文选取日平均气温(℃)、相对湿度(%)、风速(风级)、降水量(mm)等气象因子,利用Spearman秩相关分析研究各个气象因子对大气PM2.5和PM10浓度的影响.北京冬季PM2.5和PM10的质量浓度分别与气温、相对湿度正相关,与风速负相关,风速和相对湿度是影响污染物质量浓度分布的主要因素.     

患心血管病老年人夏季PM2.5和CO的暴露特征及评价

运用室内外环境监测与问卷调查法相结合的研究方法,对北京市某社区33名患心血管疾病的老年人夏季PM2.5、CO的暴露特征作了研究评价.结果表明,老年人夏季PM2.5、CO的24h个体平均暴露浓度分别为89.6μg/m3,1.9×10-6.PM2.5室内外浓度呈现明显的时间变化特征,并受到气象因素及室内外源排放的共同影响.对老年人群室内外与固定站点CO、PM2.5质量浓度变化的相关性分析显示,室外及固定站点的PM2.5浓度受区域污染源影响较大,CO浓度受局地源影响较大;大气PM2.5可能是影响该社区老年人健康的主要污染物.     

兰州市供暖期PM_(2.5)浓度监测及其预报模型

利用兰州市2007-2009年供暖期PM2.5实测数据,统计分析观测期间PM2.5的超标率、超标倍数、浓度水平以及典型天气(浮尘、沙尘暴和灰霾)下PM2.5浓度日变化特征,并结合同期气象数据,运用多元逐步回归分析的方法建立兰州市供暖期PM2.5浓度预报模型,最后对模型进行验证。结果表明:兰州市2007-2009年供暖期PM2.5污染十分严重,2007-2009年PM2.5的超标率分别为59.2%、67.9%和68.8%,最大超标倍数分别达到2.88、3.17和3.60;2007-2009年供暖全期PM2.5浓度日变化呈"双峰双谷"型,浮尘、沙尘暴和霾天气下PM2.5浓度均远高于平均值,霾天气下PM2.5日均浓度值最高;兰州市供暖期PM2.5浓度预报模型的预报值与实测值的变化趋势基本一致,但对高浓度PM2.5模拟结果较差,PM2.5预报浓度准确率和等级准确率分别为70.2%和81.8%。