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。     

山地区域空气质量监测点位布设技术与方法

采用网格化布点监测实验、数据统计分析、空气质量模型模拟及相互结合的方法,以重庆主城区和贵阳市为例,对典型山地城市空气质量监测点位布设和优化进行了研究,提出相应的点位布设及优化方案。通过总结归纳提出了山地城市空气质量监测点位布设的相关程序。     

大气监测优化布点模式分析

采用网格实测法选择具有代表性的监测点,需要投入大量的资金、人力、物力,且难于管理。利用区域内已有的监测点位数据及近几年来的气象资料,通过在新发展区建立大气污染的数据模型,预测新点位的近几年的污染浓度,经合理论证,预测点的数据与附近实测值相关性好,数值可信度高。根据已有的优选点位及新模拟生成代表点位进行全面的数理统计及检验,得出最佳优选点位。优化结果既可节约时间、资金。人力及物力,同时可反映该区域内大气污染的总体水平及污染物的时空变化规律。     

对惠东城区环境空气质量监测优化布点的研究

本文采用网格实测法,用现代统计学的方法,经初选组合、百分位检验和相关系数分析,并综合考虑城区特点及近期发展规划等方面的影响因素,对惠东城区的空气监测优化布点进行研究,为城区空气监测点位确定提供参考。     

基于CALPUFF模型的漳州市大气环境容量研究

研究表明：CALPUFF模式是运用于广域的大气扩散模型,在区域范围较大的复杂地形条件下的应用具有突出的优势.利用CALPUFF大气扩散模型模拟漳州市2009年气象场和污染物浓度场,采用监测值对模拟结果进行验证表明模型的适用性;基于现状污染源,建立大气污染物传递系数矩阵,结合线性优化法测算了不同环境空气质量标准下漳州市大气环境容量.     

文山城空气质量监测点位优化研究

用网格实测法对文山城空气质量监测点位进行优化研究,全城共均匀布设12个网格点,2002年4月,连续20d监测了各点大气中SO2、NO2和TSP的浓度,运用模糊聚类法对监测数据进行分析,并综合城市规划、人口分布、污染特征等因素,优选出足以反映文山城空气质量状况的3个最佳监测点.经检验,优选点位的代表性较好,结果满意.     

保定市臭氧污染时空变化特征分析研究

为了解保定臭氧污染状况,利用2013年各环境空气自动监测点位监测数据,对臭氧污染状况及其时空变化特征进行分析.研究结果表明:①臭氧浓度的日变化呈单峰型结构,最高值与最低值分别出现在14点和6点,臭氧呈现明显的"周末效应".②臭氧浓度的月和季度变化具有典型的季节特征,春、夏季高,秋、冬季低,与太阳辐射强度呈正相关性.③各监测点位的臭氧浓度值差异明显,最高值与最低值分别出现在游泳馆点位和华电二校点位.     

龙门县城环境空气质量监测点位优化的研究

用网格实测法对龙门县城环境空气质量监测点位进行优化研究,全城共均匀布设5个网格点,2002年7月,连续20d监测了各点大气中SO2、NO2和TSP的浓度,对监测数据进行相关性分析,并综合城市规划、污染特征等因素,优选出能反映龙门县城空气质量状况的3个优化测点.经检验,优选点位的代表性较好.     

基于不同空气质量模型的二噁英沉降效果研究

为评估不同空气质量模型（AERMOD、ADMS和CALPUFF）在复杂地形-气象场条件下的干湿沉降模拟效果,利用上述模型模拟我国西南某代表性山地的医废、垃圾焚烧项目的二噁英环境影响,并通过土壤实测数据进行模型分析验证.结果表明：AERMOD、ADMS和CALPUFF模拟的空气中年均浓度依次为1.53×10^-8~4.14×10^-6,5.23×10^-9~3.28×10^-6和2.66×10^-9~2.59×10^-7ngTEQ/m³;AER MOD、ADMS和CALPUFF模拟的固定点位总沉降量依次为4.41~285.72,3.07~268.02和0.02~1.35ngTEQ/m².在扩散、沉降形态上,CALPUFF的模拟结果与其他两种模型均表现出较大差异,AERMOD和ADMS的沉降形态相似,空气中的扩散形态却存在差异.利用土壤监测值验证模型效果发现,AERMOD、ADMS和CALPUFF的相关系数r分别为0.66、0.70和0.83,CALPUFF的模拟结果在空间分布上表现更为优越,可作为相关项目的布点指导模型.     

建立环境空气监测点位系统化管理模式的几点建议

受经济和社会发展程度的影响,我国环境空气监测点位在运行、维护和管理上未能出台相应的系统化管理文件或指南,导致各地环境监测站点运行维护制度差异较大,存在较多问题。为了更好地获得科学可靠的监测数据,本文给出了建立系统化空气监测点位管理模式的几点建议,为监测点位系统化建设提供理论支持。     

厦门市环境空气污染时空特征及其与气象因素相关分析

利用2014年3月—2015年2月厦门市18个监测站点实测数据,运用GIS技术、相关分析以及统计分析等方法,进行空气质量指数(AQI)及其污染因子的时空分析,结合厦门市土地利用分类专题图和主要重工业企业分布图进行厦门市环境空气质量状况污染源的分析.结果表明:厦门市首要污染物为PM10,其天数占全年的48%,PM2.5紧随其后占到36%;厦门市空气质量较好时间段主要集中在夏季,其中7月份是厦门市空气质量最好的月份,而厦门市秋冬两季的空气质量较差;AQI与温度相关系数达-0.813,具有极显著负相关性(p0.01),与气压相关系数达0.835,具有极显著正相关性(p0.01),而与风速和相对湿度气象因素相关性都不显著(p0.05);PM2.5、PM10、SO2、NO2、O3污染因子存在明显的空间分布差异,海沧区和集美区南部的空气污染比厦门其他地方明显更为严重;从土地利用图和主要重工业企业的分布图可以看出,污染最为严重的地区土地利用类型主要是建筑用地,而且这些地区还分布着许多钢铁厂和发电站.     

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。     

Relation between heat islands and NO2 pollution in some Japanese cities

In Japanese urban areas, NO_x air pollution has recently become more and more serious, and a rise in atmospheric temperature has been observed. This correlation was surveyed in 187 locations, where NO₂ concentration monitoring and atmospheric temperature measurement were conducted simultaneously and separately during the same period from 1982 to 1988. The following results were obtained. First, the percentage of areas where NO₂ concentration increased was 72%. Second, the percentage of areas where the correlation coefficient between the annual mean NO₂ concentration and the elapsed years was larger than 0.20, and at the same time the correlaltion coefficient between the annual mean NO₂ concentration and the annual mean atmospheric temperature was larger than 0.20, was 23%. About three-quarters of these areas were in the Tokyo and Osaka megalopolis. Third, in these areas, the relation between the mean NO₂ concentration and the regression coefficient of the change in atmospheric temperature relative to the change of annual mean NO₂ concentration was suspected to be distributed steeply with a reflected point in NO₂ concentration.     

Considerations on air pollution monitoring network design in the light of spatio-temporal variations of data

Spatial and temporal variations of air pollution data obtained from ambient air monitoring stations are studied. Spatial correlation fields and spatial distributions of long-term averages are subject to yearly and seasonal changes for NO₂ and SO₂ concentrations. Many previous works for monitoring network design did not pay much attention to these changes. Fundamental policies for a rational network design are proposed: (1) optimality should be pursued within the accuracy limits ensured by the model fields, (2) network designs should be based on features of the air pollution fields, especially yearly and seasonal fluctuations evaluated from actual monitoring data, and (3) some redundancy is necessary in a network to examine whether or not the required accuracy representing the air pollution field is attained.     

阜新市空气污染指数分析

根据阜新市环境监测中心站空气自动站监测数据,运用空气污染指数法,对阜新市2007年空气质量进行分析。结果表明:2007年阜新市空气质量级别为良,首要污染物为PM10。冬春季空气污染较重,污染源排放、不利气象和二次扬尘等因素是造成阜新市大气污染的主要原因。     

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.     

武汉地区秋冬季清洁与重污染过程的水溶性离子特征研究

利用武汉地区2014年秋、冬季在线离子色谱分析仪Marga监测所得的大气PM_(2.5)中水溶性离子数据和武汉市环境空气质量自动监测的细颗粒物数据,分析了武汉地区秋、冬季重污染和清洁过程的大气污染特征.结果表明,PM_(2.5)是武汉地区秋、冬季大气污染的首要污染物,无论是在清洁还是重污染过程中,NO_3~-、SO_4~(2-)和NH_4~+3种成分都是PM_(2.5)的主要无机成分.重污染过程中PM_(2.5)的平均浓度是清洁过程的4.5倍,而3种主要水溶性离子平均浓度增长至清洁过程的5~6倍,且有着显著的相关性,二次生成水溶性离子的污染已成为武汉秋、冬季大气污染的主要因素.Cl-在重污染过程中的浓度及与PM_(2.5)的相关系数显著增大,表明化石燃料燃烧等过程也对重污染的形成产生了较显著的作用,值得关注的是,K~+在重污染过程中的浓度及与PM_(2.5)的相关系数增大也验证了燃烧过程对重污染起到的贡献.硫氧化率和氮氧化率的分析结果表明,重污染过程中的二次转化要多于清洁过程,可能是非均相反应生成了二次污染的硫酸盐和硝酸盐.线性回归分析的方程系数研究表明,NH_4NO_3和(NH_4)_2SO_4可能是清洁和重污染过程中主要的盐类物质.NO_3~-/SO_4~(2-)的平均质量浓度比说明移动源对武汉地区秋、冬季二次污染的形成和发展已经起到越来越大的作用,特别是重污染过程中的影响更大.     

阜新市化石燃料燃烧源大气污染物排放源清单及特征分析

为了向阜新市化石燃料燃烧源大气环境管理工作提供排放清单的理论依据,通过对阜新市(5区、2县、2园区)环境统计数据的收集和实地调查,结合本地化大气排放因子,建立了2017年阜新市化石燃料燃烧源涵盖SO_2、NO_x、PM_(2. 5)、PM_(10)、挥发性有机物(VOCs)、CO、黑碳(BC)、有机碳(OC) 8类大气污染物的排放清单。利用Arc Gis 10. 2遥感技术,分析了大气污染物时空分配特征。研究结果表明:8类污染物排放量分别为11 915. 49、7 215. 33、3 607. 78、2 002. 96、4 594. 72、4 277. 05、384. 15、16. 62 t;各类污染物的贡献率以及区域空间分布特征均存在差异,但其在时间上表现出一致性(除PM_(2. 5)),即在时间上均表现出两个峰值,高峰分别出现在夏季的七、八月和冬季的十一月至一月;县区中彰武县污染物排放较多,市区中太平区污染物排放较多;火力发电和热力供应企业对阜新市大气污染贡献较大,应当重点管控。     

南昌市浅层地下水水质评价及监测指标优化

地下水环境监测过程中保证地下水水质评价代表性的同时尽量优化监测指标数量,对地下水环境管理具有重要的意义.选取南昌市地区2014年和2019年浅层地下水监测数据,运用统计分析、 Piper三线图和熵权水质指数(EWQI)分析水化学特征及水质变化,并耦合逐步多元线性回归分析构建基于水质评价的关键指标优化方法,评估此方法应用的可行性.结果表明,南昌市地下水2014年和2019年水化学类型主要为HCO₃-Ca型;pH值、 NO^-₃、 I^-、 Fe和Mn等5项超标指标是水质变化的主要影响因子;2019年水质状况总体上高于2014年,基本为“中等”水质,二者EWQI平均值分别为53.72和82.34;基于关键指标优化方法构建的最优模型EWQI_min-4能够较好地代表实际的EWQI,关键指标包括Mn、 NO^-₃、 TH、 Fe、 pH值和I^-,其决定系数(R²)和百分比误差(PE)值分别为0.865和10...