光散射原理的大气PM2.5小型传感器监测性能评估研究

随着大气污染治理的不断深入,精细化、精准化和智能化的环境管理需求不断增加,迫切需要在特定区域开展高密度的监测,以弥补现有传统监测的不足.在此背景下,PM_2.5传感器监测方法在国内迅速发展,为研究光散射原理的大气PM_2.5小型传感器监测性能,于2018年7月—2019年7月在北京市建立了比对测试平台,对不同原理、不同品牌的PM_2.5传感器设备进行为期1年的测试与分析.结果表明：(1)激光粒子计数法PM_2.5传感器性能优于红外法PM_2.5传感器,激光粒子计数法PM_2.5传感器设备与自动标准设备比对的相关系数(R²)均大于0.45,红外法PM_2.5传感器设备与自动标准设备比对的R²均小于0.40.采用激光粒子计数法的工业级PM_2.5传感器数据有效率均在95%以上,更适用于业务化PM_2.5监测.(2)多数激光粒子计数法的工业级传感器设备与标准设备有较好的一...     

基于随机森林模型的中国PM2.5浓度影响因素分析

选取气溶胶光学厚度、海拔、年降水量、年均气温、年均风速、人口密度、GDP密度和NDVI作为影响因子,基于随机森林模型、特征重要性排序和偏依赖图技术,研究中国PM_2.5浓度空间分布的影响因素及其区域差异.结果表明:①与多元回归、广义可加模型和BP神经网络相比,随机森林模型估算的PM_2.5浓度精度最高,可用于PM_2.5污染的影响因素研究.②PM_2.5浓度随气溶胶光学厚度、人口密度和GDP密度的增加呈先上升后平稳的趋势,随降水、风速和NDVI的增加呈先下降后平稳的趋势,随海拔和气温的增加呈下降→上升→下降的趋势.③气溶胶光学厚度对PM_2.5浓度空间分布的影响最大,可解释37.96%的PM_2.5浓度空间分异;年降水量对PM_2.5浓度空间分布的影响最小,解释率仅为5.75%.④影响因子与PM_2.5浓度的关系存在空间异质性,同一影响因子对不同地理分区的PM_2.5浓度的影响程度有所不同.气溶胶光学厚度对华...     

基于随机森林模型的武汉市城区大气PM2.5来源解析

基于2019年12月～2020年11月期间武汉市城区大气PM_2.5及其主要化学组分（碳质组分、水溶性离子和元素组分）的在线监测数据,分析武汉城区大气PM_2.5的污染特征,并利用主成分分析方法和随机森林模型,对PM_2.5进行来源解析．结果表明,武汉市大气ρ(PM_2.5)冬季最高,为（61.33±35.32）μg·m^-3,而夏季最低,为（17.87±10.06）μg·m^-3．其中碳质组分以有机碳为主,年均值为（7.27±3.51）μg·m^-3,离子组分中ρ（NO₃^-）、ρ(SO₄^2-)和ρ（NH₄⁺）最高,年均值分别为（11.55±3.86）、（7.55±1.53）和（7.34±1.99）μg·m^-3,元素组分中ρ（K）、ρ（Fe）和ρ（Ca）最高,年均值分别为（752.80±183.9...     

基于随机森林的南京市PM2.5和O3对减排的响应

自2013年《大气污染防治行动计划》实施后,南京市大气污染有所改善,但仍面临着细颗粒物(PM_2.5)和臭氧(O₃)污染问题.为探究污染物浓度对其前体物减排的响应,获得有效的减排策略,常利用大气化学模式进行多组基于排放扰动的敏感性试验,而这需要消耗大量计算时间和计算资源.应用随机森林算法对2015年大气化学传输模式(GEOS-Chem)模拟结果进行机器学习,高效地预测了南京2019年PM_2.5浓度日均值和日最大8 h臭氧(MDA8 O₃)浓度对不同人为源排放控制情景的响应.随机森林结果表明2019年中国人为排放每减少10%,南京ρ(PM_2.5)季节平均值下降2～4μg·m^-3.当2019年中国人为源减排比例高于20%时,南京ρ(PM_2.5)年均值将低于国家二级限值(35μg·m^-3).若仅对中国地区O₃前体物氮氧化物(NO_x)和挥发性有机污染物(VOCs)同比例减排,反而...     

中国PM2.5管理策略研究

文章通过对PM2.5的基本组成、来源与影响因素的分析,构建中国PM2.5全过程管理体系,建立、完善PM2.5削减和控制长效机制,进而实现中国PM2.5管理。     

基于移动监测的城市道路PM2.5和PM10浓度分布研究

利用移动监测方法采集2016年7月14—16日上海市不同功能街区及道路环境的PM_2.5、PM₁₀、水膜高度等数据,研究城市不同街区及道路环境PM_2.5和PM₁₀浓度分布规律及影响因素。结果表明:降水对PM_2.5具有明显的去除效果,水膜高度与颗粒物浓度的变化存在负相关关系。生活区和虹桥商务区内的颗粒污染物以细颗粒为主,虹桥商务区和工业区的部分微环境分别由于工地和路面扬尘的影响会出现PM_2.5~10浓度严重升高的现象。小陆家嘴商务区的污染物扩散较好,不易堆积,该街区内没有污染十分严重的区域。实测证明,并不是所有的高架桥都会加重街道峡谷内的空气污染,合理的街道峡谷构造条件下,高架桥对街道峡谷内污染物扩散影响不大。     

安徽省PM2.5浓度反演方法对比及时空变化研究

为探讨安徽省PM_2.5时空分布特征,文章基于2015-2020年地基观测PM_2.5、AOD、植被覆盖产品以及气象要素数据等,对比了多尺度地理加权回归、随机森林、全连接神经网络3种模型的精确度,并采用全连接神经网络模型反演了PM_2.5浓度,分析了PM_2.5浓度的时空变化特征,以及各因子对PM_2.5浓度的影响力。结果表明：3种模型中,全连接神经网络模型的精确度最高;2015-2020年PM_2.5浓度从平均51.29μg/m³递减至36.71μg/m³,季节尺度上,PM_2.5浓度冬季>春、秋季>夏季,受政策及疫情影响,2018年的秋冬季、2020年的春夏季PM_2.5浓度下降同比最快;空间上表现为皖北>皖中>皖南。10个影响因子两两交互,均比单一因子对PM_2.5浓度的影响大,其中AOD对PM_2.5的影响力最大,...     

城市环境PM2.5空间分布监测方法研究进展

随着城市化和工业化的发展,城市环境中日益增多的PM_(2.5)对人类健康造成了严重威胁。本文旨在分析总结目前PM_(2.5)空间分布的相关监测方法以及空气质量预测模型。当下,PM_(2.5)浓度的监测不仅涉及大气化学、污染物的源解析、大气化学运输模型、线性及非线性空气质量模拟等方面,还涉及地理信息系统与卫星遥感等新技术的运用。本文在比较传统PM_(2.5)监测与新型监测方法不同的基础上,分析了各自的优劣,为空气质量监测提供建议和指导。     

基于文献计量的PM2.5国内外研究情况分析

本文采用文献计量方法分析研究了PM2.5相关领域论文研究态势。本研究主要通过分析WOS、CSCD、CNKI等数据库中的论文收录及引用情况,识别国内外主要研究领域、主要研究机构及人员、高影响力论文等,结合各国相关政策变化,讨论影响该领域发展的关键因素。通过本研究,作者预测未来中国的PM2.5研究论文将出现峰值。     

北京大气PM2.5遥感监测业务化方法探讨

为探索卫星遥感监测大气ρ(PM_2.5)业务化方法,以北京为例,利用2013年MODIS卫星资料和北京35个地面自动监测站(下称自动站)的实时观测数据,以目前国内外应用最广泛的3种卫星反演大气气溶胶的方法——AOD(气溶胶光学厚度)、K_drya,0(气溶胶干消光系数)和R_a(气溶胶表观反照率)反演地面ρ(PM_2.5)的方法(分别称为AOD法、K_drya,0法和R_a法)为基础,结合地面ρ(PM_2.5)实测数据,建立了气溶胶反演参数与ρ(PM_2.5)统计关系,进一步测算了全市区域ρ(PM_2.5)的分布情况.结果表明:3种方法都具有较高的反演精度,其获取的全年ρ(PM_2.5)与地面实测数据的相关系数分别达到0.80、0.81和0.85,其中R_a法结果精度最高.从季节来看,R_a法在除夏季外的其他季节与地面监测数据相关系数都在0.70以上,优于其他2种方法.建议在春、秋、冬三季以R_a法,夏季以AOD法或K_drya,0法为基础进行北京PM_2.5业务化遥感监测.基于R_a法探讨了在2013年11月20—23日区域性大气重污染过程中北京PM_2.5区域分布特征和变化过程,卫星反演结果相对误差低于20%,直观地反映了区域大气颗粒物污染的时空分布规律.研究显示,三者都可以用来反演北京地区ρ(PM_2.5),其中R_a法最简便易行,尤其适用于业务化遥感监测.      

基于机器学习利用低成本传感器数据构建城市近地面PM2.5浓度的高分辨率空间分布

PM_2.5是当前影响中国城市空气质量的一种重要污染物,它对人体健康有不利影响,高时空间分辨率的PM_2.5浓度分布是城市大气污染 精细化防控和健康影响评估的重要基础.低成本传感器在中国城市空气质量监测领域得到越来越多的应用,但由于其数据质量不够高,其价值没有得到充分的挖掘.本研究以在长三角地区蚌埠市城区作为研究案例,首先基于国控站监测数据对低成本传感器观测数据进行校准.接着通过6种机器学习模型的预测性能的比较选取随机森林作为本研究的核心方法.然后利用随机森林方法结合土地利用类型、人口密度和通过WRF模式模拟得到的气象数据、监测数据等多源数据,构建了时间分辨率为1 h、空间分辨率为0.005°（接近500 m）的近地面PM_2.5浓度的时空分布.最后对几种方法的结果进行了比较和评估.反演得到的高分辨率PM_2.5浓度的10倍交叉验证结果显示,空间R²=0.95,RMSE=9.32 μg·m^-3,时间R²=0.88,RMSE=9.24 μg·m^-3.结果表明,低成本传感器观测数据可以帮助人们构建具有更高精度的高时空分辨率的PM_2.5浓度 分布,使得低成本传感器数据的时空特征价值得到更好的利用,同时也可为低成本传感器更好地服务于空气质量精细化管理提供一种新的 应用思路.     

基于AOD数据与GWR模型的2016年新疆地区PM2.5和PM10时空分布特征

PM_2.5与PM₁₀的时空分布特征及其相关性是大气颗粒物研究的主要内容,传统方法是基于监测站点数据进行分析,难以揭示PM_2.5与PM₁₀时空分布的区域特征.为此,本文利用地理加权回归模型估算了2016年新疆地区PM_2.5与PM₁₀的月均浓度,在此基础上对区域尺度的PM_2.5与PM₁₀浓度特征进行分析.结果表明：地理加权回归相较最小二乘回归的拟合精度更高,PM_2.5和PM₁₀的决定系数分别为0.93和0.96,且误差较小;PM_2.5和PM₁₀年均浓度分别为70.88 μg·m^-3和194.53 μg·m^-3,说明大气颗粒物污染严重,且空间分布呈西南高、东北低的特征;PM_2.5和PM₁₀季节浓度均为春季最高,夏季最低;PM_2.5月均浓度2月最高,9月最低,PM₁₀月均浓度3月最高,8月最低;PM_2.5与PM₁₀年均浓度的相关系数r为0.95,相关性较高;PM_2.5/PM₁₀冬季最高为51%,其余季节小于50%,说明冬季PM_2.5对大气颗粒物污染贡献率较高,其余季节则以可吸入颗粒物中的粗颗粒贡献为主.     

中国西部背景地区PM2.5化学组分特征及其对大气散射系数的影响

于2009年春、夏和秋季在全球大气本底基准监测站青海瓦里关同步观测了PM_(2.5)中主要化学成分和大气散射系数(bsp).结果显示,观测期间瓦里关PM_(2.5)浓度年均值为(12.6±12.0)μg·m~(-3),显著低于国家年均值标准.总水溶性无机离子和碳气溶胶浓度分别为(1.7±1.6)μg·m~(-3)和(3.2±1.0)μg·m~(-3),分别占PM_(2.5)浓度的16.5%和25.4%.基于IMPROVE经验公式,瓦里关bsp最主要的贡献因子是有机物(OM)和土壤尘(FS),贡献率分别达到48%和28%,其它组分对bsp的贡献率均小于10%.     

海口市PM_(2.5)和PM_(10)来源解析

以海口市为例,研究了我国典型热带沿海城市——海口市环境空气颗粒物的污染特征和主要来源.2012年春季和冬季在海口市区4个采样点同步采集了环境空气中PM10和PM2.5样品,同时采集了多种颗粒物源样品,并使用多种仪器分析方法分析了源与受体样品的化学组成,建立了源化学成分谱.使用CMB(化学质量平衡)模型对海口市大气颗粒物进行源解析.结果表明:污染源贡献具有明显的季节特点,并存在一定的空间变化.冬季城市扬尘、机动车尾气尘、二次硫酸盐和煤烟尘是海口市PM10和PM2.5中贡献较大的源,在PM10和PM2.5中贡献率分别为23.6%、16.7%,17.5%、29.8%,13.3%、15.7%和13.0%、15.3%;春季机动车尾气尘、城市扬尘、建筑水泥尘和二次硫酸盐是海口市PM10和PM2.5中贡献较大的源,在PM10和PM2.5中贡献率分别为27.5%、35.0%,20.2%、14.9%,12.8%、6.0%和9.5%、10.5%.冬季较重的颗粒物污染可能来自于华南内陆地区的区域输送,特别是,本地排放极少的煤烟尘和二次硫酸盐受区域输送的影响更为显著.     

基于AERONET数据估算近地面PM2.5

近年来对PM_(2.5)估算的研究大多是从卫星遥感的气溶胶光学厚度出发,而从气溶胶粒子谱本身出发的研究较少.基于此,本文提出一种新方法,利用2016—2017年AERONRT北京、香河、徐州和太湖4个站点的气溶胶粒径分布数据估算了近地面PM_(2.5)质量浓度,经标高订正和湿度订正后用地面监测数据对估算结果进行评价检验.结果表明:①估算的2016—2017年PM_(2.5)日均值和地面实测数据的拟合度R~2分别为北京0.42、香河0.31、徐州0.05和太湖0.49,经标高订正和湿度订正后分别提升至0.69(RMSE=39.33μg·cm~(-3))、0.79(RMSE=35.36μg·cm~(-3))、0.49(RMSE=32.93μg·cm~(-3))和0.75(RMSE=15.24μg·cm~(-3));②将估算的PM_(2.5)季均值与地面实测季均值进行对比分析,结果也显示二者基本相当,同时基于该方法估算了2006—2017年北京和香河地区PM_(2.5)年均值,分析了其变化趋势.由此可见,基于AERONET的粒子谱数据能够较好地估算近地面PM_(2.5)质量浓度,并且可以利用该方法估算PM_(2.5)历史数据,分析变化趋势.     

临沂市PM2.5和PM10中元素分布特征及来源解析

为探究临沂市PM_2.5和PM₁₀中元素的污染特征及来源,于2016年12月至2017年10月对临沂市环境空气中PM_2.5和PM₁₀进行了同步采样.利用电感耦合等离子体质谱仪(ICP-MS)和电感耦合等离子体发射光谱仪(ICP-OES)测定了其中的23种元素,并采用富集因子法和PMF法分析其来源.结果表明,采样期间临沂市PM_2.5和PM₁₀中主要元素为Si、Ca、Al、Fe、K、Na和Mg,分别占所测元素的质量分数为92.93%和94.61%. 18种元素(除Ti、Ni、Mo、Cd和Mg)的浓度水平在冬春季最高,夏秋季最低.其中Si、Al、Ca、K和Na表现为春季浓度最高,主要分布在粗颗粒中;Cu、Zn、Pb和Sb表现为冬季浓度最高,主要分布在细颗粒中.富集因子结果表明Cd、Sb和Bi元素富集程度显著,主要受燃煤、工业生产、垃圾焚烧等人为源共同影响.PMF源解析结果表明,临沂市PM_2.5中元素来源主要有燃煤和铜冶炼的混合源、市政垃圾焚烧...     

降水和风对大气PM2.5、PM10的清除作用分析

对合肥2015—2017年的降水、风和PM_(2.5)、PM_(10)浓度观测数据统计研究发现,降水对PM_(2.5)、PM_(10)有一定的清除作用,尤其在秋冬季节.秋冬季节小雨、中雨分别导致PM_(2.5)和PM_(10)浓度降低23.1%、40.4%和32.0%、63.7%.雨日PM_(2.5)/PM_(10)比例上升8.4%,表明降水对PM_(10)清除作用更显著.降水前后PM_(2.5)浓度变化与降水前PM_(2.5)浓度、降水强度、降水时长密切相关.当降水强度大于4 mm·h~(-1)或PM_(2.5)初始浓度高于115μg·m~(-3)时,降水对PM_(2.5)产生明显清除作用;而降水强度小于1 mm·h~(-1)或PM_(2.5)初始浓度低于115μg·m~(-3)时由于吸湿增长作用极易造成PM_(2.5)浓度反弹升高;且持续3 h以上雨强介于1～4 mm·h~(-1)的降水也对PM_(2.5)产生清除作用.降水前后PM_(10)浓度变化与初始浓度密切相关,而与雨强相关性较弱.当PM_(10)初始浓度大于50μg·m~(-3),降水就对PM_(10)产生明显清除作用,且PM_(10)初始浓度越高,降水后PM_(10)浓度下降越多.风速大于2 m·s~(-1)可显著降低PM_(2.5)浓度,因此,当风速大于4 m·s~(-1)时合肥较少出现中度及以上污染,但易造成地面起尘,使PM_(10)浓度不降反升.合肥冬季严重污染主要出现在西北风向,夏季中度以上污染天气较少,主要出现在风速低于3 m·s~(-1)的东南风向.     

北京市大气PM10和PM2.5中有机物的时空变化

2005年四季在北京市不同功能区9个采样点采集大气PM₁₀和PM_2.5样品,并对其中有机物污染水平、分布特征及不同功能区PM₁₀和PM_2.5中有机物的相关性进行了探讨.结果表明,市区PM₁₀和PM_2.5中有机物年均值分别为41.39 μg/m³和34.84 μg/m³,是对照区十三陵的1.44倍和1.26倍;冬季有机物污染最严重,分别为春季的1.15、 1.82倍,秋季的2.06、 2.26倍,夏季的4.53、 6.26倍.不同季节PM_2.5与PM₁₀中EOM的比值超过0.60, 并呈现一定季节差异.各功能区有机污染表现出工业区(商业区)＞居民区(交通区、对照区)的变化趋势,且不同功能区PM_2.5中EOM对PM₁₀中EOM的影响程度各异.有机组分的年均值有非烃＞沥青质＞芳烃＞饱和烃的变化规律,而污染源的季节性排放是造成有机物组分季节变化的主要原因.     

利用多模式最优集成方法预报上海PM2.5

采用多模式最优集成方法(OCF),对PANDA项目中国和欧洲7个空气质量模式的PM_(2.5)预报结果进行集成释用.2016年6月—2017年5月对上海逐日预报试验结果表明:和最优单模式预报结果相比,OCF预报的PM_(2.5)日均质量浓度的均方根误差降低1.9μg·m-3,相关系数提高0.04,日均质量浓度的精度评分TI提高了2.4,污染TS评分提高了0.28,污染空报率降低了20%,显著提高了PM_(2.5)污染等级预报、趋势预报和精度预报的技巧.对长三角合肥、南京、苏州、杭州、宁波5个城市的预报试验也得到类似的结果,为城市空气质量预报提供了新的方法和思路.但OCF对客观预报的改进幅度在夏季不如冬季显著,在降雨日相对较低.     

2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征

乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ（PM_2.5）、ρ（PM₁₀）监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM_2.5、PM₁₀的时空分布特征.结果表明:ρ（PM_2.5）从2015年（66.60 μg/m3）到2016年（76.93 μg/m3）呈上升趋势,在2016—2018年呈单一下降趋势;ρ（PM₁₀）从2015年（132.74 μg/m3）到2016年（125.93 μg/m3）呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ（PM_2.5）、ρ（PM₁₀）平均值比城市中心（商业区、居民区）分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ（PM_2.5）、ρ（PM₁₀）均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ（PM_2.5）/ρ（PM₁₀）呈先增后降的趋势,冬季以PM_2.5污染为主,其他季节以PM₁₀污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系.