基于GIS的甘肃省城市PM2.5的时空分布特征研究

文章基于2015～2017年3年来甘肃省国控监测站的PM_(2.5)数据,采用GIS的空间分析方法,揭示甘肃省城市PM_(2.5)的时空分布特征。结果显示:近年来甘肃省城市空气中PM_(2.5)的整体呈下降趋势,且呈现明显的季节变化特征;根据季节变化特征分析,扬尘在甘肃西部地区的PM_(2.5)数值中的贡献率较大;甘肃省冬季城市的PM_(2.5)严重超标; PM_(2.5)高浓度集聚地带主要位于兰州市附近,以兰州市为中心,表现出以兰白都市经济圈向四周减弱的趋势。     

基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟

在城市区域内,空气污染物的浓度在小范围内存在显著差异,而离散的地面监测点分布不均匀,且监测范围有限,无法满足污染物暴露评估等研究的需求.本研究基于GIS空间分析和多元逐步回归的模型构建的方法,建立了土地利用回归（LUR）模型,并模拟了北京市2019年PM_2.5和PM₁₀浓度的空间分布特征.选择土地覆盖数据、气象数据（风速、降水、温度）和植被覆盖度数据等预测变量,以研究区34个监测站点为中心建立0.1~5 km共7个系列缓冲区,表征不同尺度下各变量对PM_2.5和PM₁₀浓度的影响.研究结果表明：①进入PM_2.5回归模型中的变量有：年均风速、温度、降水量和周围中等植被覆盖、耕地和不透水面的面积;进入PM₁₀回归模型中的变量有：年均风速和周围中等植被覆盖的面积.两个模型的调整R²分别为0.829和0.677,模型精度较高.②抑制污染物浓度的变量,影响力随着空间范围扩大而增强;使污染物浓度增加的变量,影响力随着空间范围缩小而增强.③浓度模拟结果显示,PM_2.5和PM₁₀在西北部山区浓度较低,南偏东的城区浓度较高,并且向南有逐渐增加趋势.4植被覆盖度这一变量不仅进入了上述两个方程,且影响力都强于其他土地利用类型,故以后的模型改进应该考虑植被覆盖度这一因素.     

基于GIS和BP神经网络模型的PM10浓度预测与空间分布研究

耦合GIS和BP神经网络模型,探讨不同算法和隐藏神经元数对PM10浓度预测和空间分布的影响,结果显示:不同算法的PM10浓度预测值与监测值的平均相关系数和平均相对误差分别为0.85和17.58％,Levenberg-Marquardt优化算法在隐藏神经元数为20时预测精度最高.相同算法,不同隐藏层神经元数对PM10浓度的预测结果影响较大,不同算法,相同神经元数对PM10浓度的预测结果影响较小.不同算法的PM10浓度空间分布模拟在中北部的高风险区和东南部的低风险区与监测数据结果基本一致.     

利用LUR模型模拟杭州市PM2.5质量浓度空间分布

模拟城市大气污染物浓度空间分布对研究城市空气质量及人体健康至关重要.本研究利用土地利用回归模型(Land Use Regression,LUR),提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子,基于地理加权算法(GWR)建立春、夏、秋、冬四个季节的模型,实现对杭州地区近地表PM_(2.5)质量浓度空间分布的预测.结果表明:基于地理加权回归算法时,检验模型的R2值分别达到0.76(春季)、0.70(夏季)、0.73(秋季)、0.76(冬季),模型能够解释PM_(2.5)浓度值80%以上的变异.每个季度杭州地区PM_(2.5)浓度变化不尽相同,但总体以杭州中部最高,西南部偏低.研究说明基于LUR模型模拟大尺度地区PM_(2.5)质量浓度空间分布是可行的.     

西安市PM2.5时空分布模型研究

由基于时间序列的神经网络与BP神经网络构成一个二级神经网络模型.首先用基于时间序列的神经网络来构造模型,在每个监测站运用基于时间序列的神经网络模型得到一PM2.5的预测值P1,PM2.5与地理坐标之间无根本联系,只与相应地理坐标的环境因子有关,故用BP神经网络建立预测值P1与实测值P的模型,从而得到预测值P2,即通过构建二级神经网络得到PM2.5时空分布模型,然后对P2与P求均方差根RMSE进行检验.     

利用LUR模型模拟天津市大气污染物浓度的空间分布

针对传统监测方法无法满足对大气污染物空间分布高分辨率的要求,以Arcgis为平台,利用LUR模型模拟天津市PM10和NO2年均浓度的空间分布.选取的回归变量为1~4km半径缓冲区内的道路总长度、不同土地利用类型的面积、人口密度、风向指数及距海距离,选取3个监测点的监测数据对方程进行了验证.结果表明,对PM10年均浓度影响最大的因素是缓冲区为1km的道路总长度(R2为0.560),而对NO2年均浓度影响最大的因素是人口密度(R2为0.414).多元线性回归方程计算结果显示,PM10和NO2的R2分别达到0.946和0.691;如果考虑风向的影响,R2可分别提高到0.980和0.849.对天津市中心城区建立5km′5km网格嵌套,根据多元线性回归方程计算每个网格交点的污染物浓度模拟值.通过kriging插值得到2种污染物在天津市中心城区的空间模拟分布图.PM10年均浓度分布以研究区中心最高,向四周逐渐降低;NO2的年均浓度以研究区中心最低,向四周逐渐升高.模拟结果与实际情况相符.     

区域大气环境中PM2.5/PM10空间分布的监测方法

结合实际例子,提出了一种利用移动监测技术,对区域大气环境中PM2.5/PM10的空间分布状况进行监测的方法,以突出污染的重点区域和地区,方便进行治理。     

2014年京津冀地区PM2.5浓度时空分布及来源模拟

采用模式(CAMx)模拟与污染物、气象观测资料相结合的方式,分析了2014年京津冀地区PM2.5时空分布及来源特征.结果表明:PM2.5具有较为明显的时间变化规律,呈秋冬高、春夏低的规律和双峰型分布的日变化特征;重污染日PM2.5高浓度(PM2.5>150μg/m3)主要分布在太行山前的华北平原区,特别是北京、保定、石家庄一线,而太行山、燕山等西部及北部山区PM2.5浓度明显低于平原区;重污染日京津冀地区PM2.5平均浓度在150μg/m3以上的面积约占总面积的73%;重污染日北京、天津、石家庄市的PM2.5外来输送率分别为58%、54%、39%;2014年10月6~12日京津冀地区发生的一次重污染过程中污染物由南向北输送,区域输送对于各地区PM2.5浓度有着十分重要的影响.     

基于改进LUR模型的区域土壤重金属空间分布预测

以江苏省常州市金坛区为例,借鉴传统LUR模型思路,考虑土壤重金属的源汇关系,加入土壤属性因子,构建LUR-S模型模拟预测了研究区土壤重金属含量空间分布,并与传统LUR模型及普通克里格插值模型结果进行对比,结果表明:(1)研究区土壤重金属含量受到以土地利用为主的源因子及反映重金属在土壤中赋存环境的汇因子的共同影响.就源影响因子而言,土壤Cu、Zn含量分别与2 000 m缓冲区内交通用地面积、2 000 m缓冲区内城市建设用地面积极显著相关(P0.01);就汇影响因子而言,土壤Cr、Cu、Zn含量与OM、Corg、TC、TN极显著相关(P0.01).(2)研究区土壤重金属Pb、Cr、Cu、Zn空间分布预测的LUR-S模型方程R2较传统LUR模型分别提高了0.041、0.406、0.102、0.501,精度检验R2较普通克里格插值模型分别提高了0.147 7、0.011 6、0.231 0、0.081,RMSE较普通克里格插值分别减少了2.413、0.631、1.112、2.138,表明考虑了源汇关系的LUR-S模型预测精度高于传统LUR模型和普通克里格插值模型;(3)LUR-S模型对污染较低、变异较小重金属空间分布预测的适用性较好,而对污染较高、变异较大重金属则较差.     

贵阳市空气中PM2.5/PM10时空分布特征研究

利用2013年贵阳市10个国控监测站点PM2.5和PM10全年(2013年1月1日00时-2013年12月31日23时)实时同步质量浓度监测资料,取24小时滑动平均,研究PM2.5和PM10质量浓度比值(PM2.5/PM10)的时间、空间分布特征及二者质量浓度的相关性.结果表明:2013年贵阳市PM2.5/PM10的年均值为0.64,春、夏、秋和冬季的平均值分别为0.64、0.49、0.66和0.77.PM2.5/PM10四季有较大差异,冬季比值最高,夏季最低,春、秋两季相当;由于所代表的功能区及环境位置特点不同,各监测点同时刻的PM2.5和PM10浓度值有较大差异,但PM2.5/PM10的空间分布没有明显差异;对PM2.5和PM10浓度值进行回归分析,当PM10浓度增大时,PM2.5整体呈增大趋势.     

城市微环境PM2.5浓度空间分异特征分析

以长沙市主城区为例,在203个地面点通过加密观测并获取PM_2.5浓度小时观测值,辅以同步常规稀疏国控点PM_2.5浓度观测数据,在点、面尺度对比分析加密、稀疏两种观测模式下城市微环境PM_2.5浓度空间分布的特征差异.结果表明：地面加密观测模式下PM_2.5浓度高值区主要集中在道路、地表扬尘、住宅小区、医院和工业园等人群、车辆活动的微环境场景;低值区主要出现在公园景区等高植被覆盖度区域.同一空间点位,地面加密观测PM_2.5浓度值均高于常规稀疏国控点PM_2.5浓度观测值,平均高出29.71μg/m³.反距离权重空间插值制图揭示地面加密观测模式下的PM_2.5浓度呈现明显的西北部高（>75μg/m³）、中部和南部居中（65~75μg/m³）、东部低（<55μg/m³）的三级阶梯式异质特征,剖面分析各向波动较大.相比,稀疏国控观测模式空间分布图仅能反映主城区PM_2.5浓度整体较低（<55μg/m³）、除北-南向之外各向剖面PM_2.5浓度相对无明显变化的格局.与此同时,稀疏国控观测模式在地面加密观测点估算的PM_2.5浓度同样显著低于实际观测值,所揭示的研究区高值PM_2.5浓度微环境为道路、地表扬尘、汽车站.研究结果证实,出于环境保护目标建立的空气质量国控监测点难以精确反映同点位近地面PM_2.5浓度,所识别的城市高低PM_2.5浓度值微环境与真实情景存在偏差,空气质量越优等级下偏差越大.     

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.     

重庆市PM2.5浓度空间分异模拟及影响因子

基于Arcgis平台,利用土地利用回归模型模拟重庆市PM2.5浓度分布,获取了高分辨率结果图.从重庆市环保局网上获取了17个空气质量监测站点的PM2.5数据,利用16个监测点数据,结合土地利用数据、路网数据、DEM数据和人口数据建立土地利用回归模型,利用剩余的1个监测点数据来对回归映射结果进行检验.按照模型设置的变量生成方法,对监测点建立多种尺度的缓冲区,提取变量数据,最终生成了56个变量.按照土地利用回归模型的设置,56个自变量最终有3个变量进入PM2.5的回归方程,模型的R2逐步增大,且最终R2为0.84,模型拟合程度非常好.回归方程中,与研究区PM2.5浓度空间分布相关性最大的因素是空气质量监测站点500 m范围内的农用地面积,然后依次是DEM和1 000 m范围内一级公路总长度,它们与PM2.5的皮尔森相关系数依次是:0.695、-0.599和0.394.回归映射检验结果显示,检验点的误差率为2.7%,误差可以接受.回归映射结果显示,PM2.5浓度以高值分布于主城区,沿一级公路分布趋势明显,与高层紧密相关,模拟结果与实际情况相符.     

广州市PM_2.5和PM_1.0质量浓度变化特征

文章报道了2005年干季和2006年湿季广州市大气细粒子PM2.5和PM1.0质量浓度的实时监测情况。监测结果表明:干季监测点PM2.5日均质量浓度在11.8～164.0μg/m3之间,总平均值为81.7μg/m3;湿季日均质量浓度在19.9～121.2μg/m3之间,总平均值为57.7μg/m3。干季PM1.0日均质量浓度变化范围为14.9～129.1μg/m3,总平均值为59.4μg/m3;湿季日均质量浓度在11.9～86.7μg/m3之间,总平均值为52.9μg/m3。对比发现,PM1.0总平均质量浓度在干、湿季相差很小,且与湿季PM2.5总平均质量浓度也相差不大,显示PM1.0具有相对固定成因来源且基本不受季节变化影响,而且湿季PM2.5的组成主要由PM1.0大气细粒子构成。干季PM2.5和PM1.0质量浓度日变化特征呈明显夜间高、白天低的特点,质量浓度的最大值都出现在晚上21:00左右;湿季由于雨水频繁,没有明显的日变化特征。气象分析表明,干季大气细粒子质量浓度主要受冷空气影响,而湿季主要受降雨影响。     

长春市净月大学城区PM2．5及PM10空间分布特征初步研究

为掌握长春市主城区净月大学城区PM2．5和PM10质量浓度的空间分布特征,选择了8处室外环境空间,使用YT－HPC3000 C型主动采样激光粉尘仪,对各样点进行了质量浓度监测。结果表明,与区域内室外8处样点的PM10质量浓度,以轻轨站处为最高,其他7处样点均好于二级标准;室内4处样点的PM2．5和PM10的质量浓度,食堂均未达标,其他3处样点均达标。在室内各样点,PM2．5与PM10的浓度空间分布呈现随高度升高而降低的趋势;在室外各样点,PM2．5与PM10的浓度分布与其所处垂向位置无明显相关关系。     

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。