上海市PM_(2.5)浓度统计释用综合集成研究

在WRF模式输出的基础上,结合卡尔曼滤波(KALMAN)、偏最小二乘回归(PLS)和辨识理论实时迭代统计方法(RTIM)组成3种模式输出统计预报(MOS),并运用这3种MOS模式分别建立多模式平均、递归正权综合和多元线性回归集成模式,对上海市2014年12月2日~31日(PM_(2.5)轻度污染天气过程)以及2015年12月15日~2016年1月13日(PM_(2.5)重污染天气过程)进行了1d、2d和3d的PM_(2.5)日均浓度试预报.结果表明:相比于3种单一的MOS模式,集成模式通过获取更为准确的信息而减少了系统误差,这不仅可以提升对污染天气过程的预报能力,且有可能降低污染过程中决策失败的风险.通过对PM_(2.5)轻度污染天气和重污染天气过程预报的比较分析,多元线性回归集成模式整体预报显示出更高的精度和稳定性.统计释用方法综合集成模式对于PM_(2.5)预报显示出良好的性能,可为业务化预报模型的选择提供可借鉴的参考.     

近20年来中国典型区域PM2.5时空演变过程

近20年来PM_(2.5)污染严重制约了中国可持续发展.长时间序列历史监测数据的缺失阻碍了相关研究.为此,本文以四大典型区域2013~2016年的PM_(2.5)浓度监测值和2000~2016年MODIS AOD数据、边界层高度、温度等气象数据作为基础数据,将反向人工神经网络和支持向量回归机两种算法相结合,构建组合模拟模型,并利用地理空间分析技术实现近20年来PM_(2.5)浓度历史变化过程的情景再现.研究结果表明,组合模型具有较低的误差和更高的泛化能力;时空分析结果表明,2000~2010年京津冀和东三省PM_(2.5)浓度持续增长,珠三角PM_(2.5)浓度缓慢下降,3个研究区PM_(2.5)污染范围呈扩大趋势,长三角PM_(2.5)浓度值及污染范围基本保持稳定.2012年4个研究区PM_(2.5)浓度值降低且污染范围缩小,但2013~2016年PM_(2.5)浓度略微上升后又下降,高污染范围缩小,这与国家采取PM_(2.5)区域联防等治理措施有关.     

基于改进Moran's I指数的成都市PM_(2.5)的空间统计分析

以PM_(2.5)污染的空间分布为研究对象,改进传统Moran's I指数,以便适用于大样本数据的空间自相关分析。通过改进Moran's I指数推导出期望与方差对改进Moran's I指数进行统计意义上的显著性检验,从而对PM_(2.5)污染情况进行空间自相关性的判断与评价,揭示PM_(2.5)污染呈现的空间分布趋势。为说明改进Moran's I指数的实际应用价值,采用成都市区7个空气质量监测点(不包括灵岩寺监测点)PM_(2.5)每小时数据,进行改进Moran's I指数的计算与分析,绘制改进全局指数时序图和改进局部Moran's I指数渲染图。结果表明,成都市区全局Moran's I指数的范围为0.728 7~0.998 5,即PM_(2.5)污染整体呈现显著空间聚集趋势,从局部看,PM_(2.5)污染的空间聚集和空间异质特性随着时间转移至不同监测点,地理位置邻近或环境类似的监测点有类似的分布趋势。     

中国PM2.5污染空间分布的社会经济影响因素分析

中国的细颗粒物(PM_(2.5))污染具有危害性强、覆盖范围大、空间分布不均匀的特点.本研究以2015年中国PM_(2.5)监测站点数据为基础,尝试结合空间分析的方法,对PM_(2.5)污染空间分布的社会经济影响因素进行分析.首先以省级行政区划为基本单元,选取Moran's I指数和局部自相关指数(LISA)分析PM_(2.5)在国家尺度上的分布特征.然后利用普通最小二乘回归模型(OLS)和地理加权回归模型(GWR)分析PM_(2.5)浓度的空间分布和各项社会经济指标的相关性.结果表明,GWR模型比OLS模型更好地揭示出PM_(2.5)浓度分布和各项因素之间的关系.PM_(2.5)浓度在空间分布上存在以京津冀为中心的高浓度聚集区向四周逐渐递减,在广西、四川等南部省份形成低浓度聚集区的空间分布结构.另外,森林覆盖率和人均电力消费量与PM_(2.5)浓度显著负相关,人均私家车保有量和PM_(2.5)浓度显著正相关,其中人均私家车保有量是对PM_(2.5)浓度影响最大的因素.     

基于时空克里格的PM_(2.5)时空预测及分析

PM_(2.5)作为大气污染的一种,正受到社会越来越广泛的关注和研究,但大部分研究仅单独分析各样点PM_(2.5)浓度时间维度或空间维度特征,忽略了PM_(2.5)的时空维度变化。为综合考虑PM_(2.5)时空维度特征,该文以山东省2014年PM_(2.5)浓度监测数据为对象,建立PM_(2.5)时空变异模型,利用时空克里格法对山东省全年PM_(2.5)浓度进行时空预测,得到时空分布立方体数据,最后基于该数据,对山东省PM_(2.5)污染特征作出分析。结果表明,2014年山东省整体PM_(2.5)污染严重。在空间上,中西部地区PM_(2.5)浓度超过75μg/m~3的天数超过290 d,存在持续性高危污染,东部小于37.5μg/m~3的天数超过146 d,存在间歇性轻微污染,且从西至东,PM_(2.5)污染天数和程度逐渐降低,具有明显地域性污染特征;在时间上,PM_(2.5)浓度最高时间段为1、2、11和12月,最低为6-8月,各季节污染程度依次为:冬季秋季春季夏季。研究表明时空地统计方法能够有效地对空气质量进行时空预测,是挖掘更多的时空分布特征和信息,进行环境数据分析的有效手段。     

南充市大气细颗粒物PM_(2.5)的监测及污染控制研究

针对南充市大气细颗粒物PM_(2.5)的监测及其污染控制探讨问题。首先对PM_(2.5)的监测进行了介绍,在这里介绍了南充市污染气象的数据、南充市高坪区环境空气污染气象的数据和南充市三区环境空气的状况,然后探讨了南充市PM_(2.5)监测站网的建设,在这里同时探讨了国外PM_(2.5)监测站网概况和中国对PM_(2.5)监测站网的建设,最后对PM_(2.5)对环境产生的影响进行了总结,对南充市PM_(2.5)对大气层及气候环境产生的影响和PM_(2.5)进行了探讨。     

多尺度PM_(2.5)分布特征的空间插值与遥感反演对比

精确识别污染物浓度的空间分布是进行区域大气污染防治的重要基础。利用MODIS卫星数据,采用基于地面气象和环境空气质量监测站点观测数据为基础的反演模型,反演获取2013年12月珠三角地区典型大气污染过程1 km分辨率的PM_(2.5)浓度数据,对比分析遥感反演及基于环境空气质量监测站点观测数据的空间插值方法对区域、城市和乡镇尺度PM_(2.5)浓度空间分布特征的再现效果差异。结果表明,珠三角地区PM_(2.5)遥感反演结果与地面观测数据的相关性达到0.74,相关性水平较好,遥感反演结果可描述区域、城市和乡镇尺度上PM_(2.5)污染浓度的空间分布特征,识别不同空间位置的污染程度差异;基于站点观测数据的空间插值方法对PM_(2.5)浓度空间分布特征的再现能力有限,在区域尺度PM_(2.5)浓度空间分布特征分析时效果尚可,在站点有限的城市和乡镇尺度分析中效果不佳,容易产生对高浓度污染地区的误判;在需要利用站点观测数据分析区域尺度PM_(2.5)浓度空间分布特征时,析取克里金、反距离权重或径向基函数插值方法的效果相对较好。     

基于地理加权模型的我国冬季PM2.5遥感估算方法研究

为了分析冬季我国区域范围内近地面PM_(2.5)质量浓度时空分布特征,根据卫星遥感反演PM_(2.5)质量浓度的基本原理,综合考虑我国不同地区的PM_(2.5)污染特征的空间差异性,基于卫星遥感、气象模式资料及同期地面观测的PM_(2.5)质量浓度数据采用地理加权模型进行回归分析,研究构建了我国区域范围内近地面PM_(2.5)遥感反演模型.结果表明:在冬季暗像元反演AOD算法受限制的情况下,深蓝算法产品可以一定程度上弥补暗像元算法的不足,将二者有效融合能同时提高AOD产品的精度和空间覆盖度;利用地理加权回归模型进行全国区域PM_(2.5)遥感估算,既能体现全国PM_(2.5)时空分布的全局变化特性,又能从局部体现全国PM_(2.5)组分、污染程度及垂直分布结构特征的空间差异特性,基于地理加权回归模型的PM_(2.5)遥感反演结果(R2=0.7)明显优于多元线性回归模型(R2=0.56);2013年12月—2014年2月份全国PM_(2.5)空间分布呈现明显的区域特征,PM_(2.5)浓度较高的地方主要分布在华北南部、长三角中部和北部、华中东部及四川东部等地,西部和北部地区PM_(2.5)污染相对较轻;从时间变化来看,全国冬季12月份PM_(2.5)污染最重,1月份次之,2月份相对最低.这可为全国PM_(2.5)区域联防联控提供有力的信息支撑.     

基于NPP/VIIRS夜间灯光遥感数据估算上海地区PM2.5浓度

随着工业化和城市化的迅速发展,中国面临着越来越严重的大气污染危机,以细颗粒物(PM_(2.5))为标志的区域性大气复合污染问题已经成为我国大气环境污染治理的核心工作.目前,传统的地面监测站监测PM_(2.5)浓度的方法空间分辨率较差且耗费人力物力,而卫星遥感数据监测PM_(2.5)浓度的方法大部分只能应用于白天.由于PM_(2.5)浓度在时间上存在周期性变化,因此利用卫星遥感数据监测的夜间PM_(2.5)浓度可以作为表征PM_(2.5)日变化规律的重要补充.本研究采用Suomi National Polar-orbiting Partnership(Suomi NPP)卫星搭载的可见红外成像辐射计套件(Visible Infrared Imaging Radiometer Suite, VIIRS)中Day/Night波段(DNB)夜间灯光影像数据,依据大气气溶胶消光原理和站点气象数据,建立PM_(2.5)浓度的预测模型,基于多元线性回归分析对上海地区9个空气质量监测站在2014—2018年冬季无月无云的晴朗夜间的PM_(2.5)浓度值进行估计,并对PM_(2.5)浓度的空间分布进行模拟.结果表明,在研究时段上海地区PM_(2.5)实际浓度与模型估算PM_(2.5)浓度之间R~2=0.767,均方根误差(RMSE)为19.210μg·m~(-3),验证了VIIRS/DNB夜间灯光影像数据在估算PM_(2.5)浓度方面有巨大潜力.     

北京市PM2.5时空分布特征及其与PM10关系的时空变异特征

PM_(2.5)时空分布特征及其与其它污染物的相关关系是PM_(2.5)时空统计分析的主要研究内容.然而,现有的方法直接从监测站点的角度对时空分布特征进行分析,难以有效地揭示PM_(2.5)浓度的聚集分布特征;同时,常用的地理加权回归在对PM_(2.5)与其它污染物间关系进行建模的过程中,缺乏同时考虑时间异质性与空间异质性,从而不能准确地描述依赖关系的时空变异特征.为此,首先借助于空间聚类分析技术,对北京市2014年PM_(2.5)浓度的聚集结构进行探测,在此基础上,通过聚集结构来分析PM_(2.5)季节性时空分布特征.然后,利用地理时空加权回归对北京市PM_(2.5)与PM_(10)季节平均浓度间关系进行建模,依据回归结果分析PM_(2.5)-PM_(10)间关系的时空变异特征.实验结果表明,春夏季节PM_(2.5)污染程度及空间变异程度均低于秋冬季节,各季节PM_(2.5)浓度均表现为北部浓度低、南部浓度高的空间分布特征;地理时空加权回归具有更好的拟合效果,由回归系数进一步可发现,春夏季PM_(2.5)-PM_(10)相关性低于秋冬季PM_(2.5)-PM_(10)相关性;各季节均表现为西北部PM_(2.5)-PM_(10)的相关性高于东南部PM_(2.5)-PM_(10)的相关性.     

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。     

基于AOD数据反演地面PM_(2.5)浓度研究进展

随着中国城市发展,城镇化进程的不断推进,能源消耗持续增加,空气中的污染物含量越来越高,空气污染事件频发,城市空气质量研究成为一个热点议题。PM_(2.5)作为表征空气质量的重要指标之一,越来越受到人们的关注,目前获取PM_(2.5)数据主要有地面监测和卫星遥感监测2种方式。传统的地面监测手段可以得到高精度的局部PM_(2.5)污染数据,但是由于其覆盖范围的局限性,并没有办法反映出整个区域的PM_(2.5)污染情况。遥感卫星监测恰到好处地弥补了这一缺陷,其中应用最为广泛的是使用卫星遥感数据产品大气气溶胶光学厚度AOD来反演地面的PM_(2.5)浓度。文章从AOD数据的多样性及其应用、反演地面PM_(2.5)浓度模型的选择以及反演模型的优化这3个方面对目前国内外利用遥感卫星AOD数据反演地面PM_(2.5)浓度的研究进行了归纳梳理。其中AOD数据分辨率的不同产生了不同精度的反演结果;而线性回归模型和非线性回归模型的反演精度也存在较为明显的差异;通过在模型中加入气象参数、气溶胶垂直分布特性以及地表信息等因素会显著地改善反演结果。上述研究为流行病学中PM_(2.5)人口暴露研究及健康影响提供方法论基础。     

基于增强回归树的城市PM2.5日均值变化分析:以常州为例

利用2014年12月至2015年11月常州市区6个国控监测站空气污染物浓度逐时数据,分析了PM_(2.5)浓度季节变化特征,采用增强回归树模拟分析了PM10、4种气态污染物和7个气象因子对ρ(PM_(2.5))日变化的贡献.结果表明,常州市区PM_(2.5)污染季节差异明显,冬季污染严重且持续时间长,夏季污染较轻.四季ρ(PM_(2.5))空间分布特征存在一定差异,但各季内不同监测站差异较小.增强回归树对ρ(PM_(2.5))日均值进行模拟和验证得到,训练数据的相关性为0.981,交叉验证的相关性为0.957.此外,模拟值与实测值的标准化平均偏差为1.80%,标准化平均误差为10.41%,可见模型拟合效果较好.PM10、气态污染物、气象因子和区域输送及扩散这4种影响类型对全年ρ(PM_(2.5))日均值差异的贡献率分别为23.4%、28%、36.2%和12.6%,表明在对ρ(PM_(2.5))日均值差异的影响上,气象因子二次形成一次源区域输送及扩散.在对ρ(PM_(2.5))日均值差异贡献率大于5%的因子中,ρ(PM_(2.5))日均值与PM10、相对湿度、CO和O3正相关,与温度、SO2和混合层高度负相关,与大气压和NO2关系较复杂.区域输送及扩散方面,东南风向、偏西风向和偏北风向等上风向周边城市的污染物输送对常州市区PM_(2.5)污染存在较大的负面影响.     

基于多源数据的PM2.5浓度时空分布预测与制图

随着我国经济、工业化、城市化进程迅速发展,PM_(2.5)污染在中国已经成为一个极端的环境和社会问题,并引起广泛关注.采用新技术估算的地表PM_(2.5)质量浓度,收集并处理了遥感反演的气溶胶光学厚度(AOD),气象数据,其他地理数据和污染物排放数据,采用贝叶斯最大熵(BME)结合地理加权回归(GWR)来分析2015年冬季的PM_(2.5)暴露在我国东部大范围区域的时空变异特征.结果表明,BME模型的十折交叉验证结果的决定系数R~2为0.92,均方根误差(RMSE)为8.32μg·m~(-3),平均拟合误差(MPE)为-0.042μg·m~(-3),平均绝对拟合误差(MAE)为4.60μg·m~(-3),与地理加权回归模型的结果相比(R~2=0.71,RMSE=15.68μg·m~(-3),MPE=-0.095μg·m~(-3),MAE=11.14μg·m~(-3)),BME的预测结果有极大的提高.空间上,PM_(2.5)高浓度地区主要集中在华北、长江三角洲、四川盆地,低浓度地区主要集中在中国的最南部如珠江三角洲和云南的西南部;时间上,不同月份的研究区域PM_(2.5)空间分布所有差别,2015年的12月、2016年1月PM_(2.5)污染最为严重,2015年的11月,2016年的2月污染相对较低.     

大气污染联合治理分区视角下的中国PM2.5关联关系时空变异特征分析

联合治理分区下PM_(2.5)关联关系时空变异特征识别对中国大气污染防治意义重大.本文主要基于2000～2016年遥感反演的中国大陆334个地级市PM_(2.5)浓度数据,利用空间单元聚合策略与地理时空加权回归技术,系统分析了大气污染联合治理分区视角下的中国PM_(2.5)关联关系时空变异特征.结果表明:①以PM_(2.5)为首要污染物,综合考虑污染程度、地理位置、气象、地形和经济等因素可将中国大陆地区划分为10个大气污染联合治理区.②地理时空加权回归能够有效刻画PM_(2.5)与关联因素间的时空非平稳关系.同时,人口规模、第二产业生产总值、SO_2排放量、年平均气温、年降水量以及年平均相对湿度被识别出对PM_(2.5)浓度的变化影响存在显著时空差异.③人口规模对PM_(2.5)浓度的影响程度各年最大的地区均为京津冀蒙区域;川渝滇黔区域中第二产业生产总值对PM_(2.5)浓度影响程度变异度最大,在黑吉辽区域之外,SO_2排放量回归系数值均先随时间逐渐减小再增大最后又减小;各治理区中年平均温度对PM_(2.5)影响程度的时间变异程度较小;而年降水量与年平均相对湿度对PM_(2.5)影响程度在各区域中呈现不同的变异特征.     

基于CMAQ模式和自适应偏最小二乘回归法的中国地区PM2.5浓度动力-统计预报方法研究

采用CMAQ模式和自适应偏最小二乘回归法相结合的动力-统计预报方法,对2014年1—12月全国252个环境监测站的PM_(2.5)浓度逐时预报值进行了滚动订正,分析了订正前后PM_(2.5)浓度的时空变化特征,重点研究该方法在中国不同地区不同季节的适用性.结果表明:CMAQ模式预报的PM_(2.5)浓度年平均和秋冬季季节平均偏差表现为非均匀空间分布特征,即辽宁、山东部分地区、川渝地区及华中、华东、华南大部分地区预报偏高,京津冀和西部大部分地区预报偏低;订正后PM_(2.5)浓度与实测值的空间分布较一致,上述偏高和偏低地区的PM_(2.5)浓度预报误差显著减小;秋冬季PM_(2.5)浓度预报和订正偏差均大于年平均值.全国区域平均PM_(2.5)浓度实测值存在明显的季节变化特征,1—3月和11—12月较大,其他月份较小;PM_(2.5)浓度预报误差较大,多数时刻预报偏低,尤其是1—3月和11—12月偏低较明显;订正后PM_(2.5)浓度与实测值较接近,而且时间变化趋势较一致,秋冬季PM_(2.5)浓度预报和订正偏差亦明显大于春夏季.秋冬季4个重点污染区域中,京津冀地区PM_(2.5)实测浓度的区域平均值较大,川渝地区次之,长三角和珠三角地区较小;珠三角地区PM_(2.5)浓度预报和订正效果较好,川渝和长三角地区次之,京津冀地区相对较差;经滚动订正后,全年和秋冬季时段PM_(2.5)浓度订正值与实测值的相关系数均显著增加,误差显著减小,尤其是秋冬季订正效果较好.川渝地区的订正改进幅度最大,长三角和京津冀地区次之,珠三角地区较小.本文方法均适用于非污染日和污染日全国范围的PM_(2.5)预报浓度订正,两种天气过程PM_(2.5)浓度的订正效果均较好;该方法对于改进京津冀地区污染日的PM_(2.5)浓度预报更有效,其他3个地区非污染日的订正改进效果优于污染日.本文研究结果可为改进空气质量预报、重霾污染天气预警和防治提供新技术途径和科学依据.     

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.     

天津市滨海新区PM_(2.5)污染时空分布及影响因素研究

为了降低天津市滨海新区中PM_(2.5)的污染,需要对天津市滨海新区PM_(2.5)污染的时空分布和影响因素进行研究。研究天津市滨海新区近年来PM_(2.5)的时空分布特征,并选取PM_(2.5)的相关指标,对天津市滨海新区PM_(2.5)污染影响因素进行分析。结果表明,在天津市滨海新区的冬季时,PM_(2.5)的质量浓度值最高,在滨海新区的夏季时,PM_(2.5)的质量浓度值最低。PM_(2.5)在天津市滨海新区昼间大气中的质量浓度低于夜间大气中的质量浓度。     

基于距离相关系数和支持向量机回归的PM2.5浓度滚动统计预报方案

针对目前空气质量统计预报方法存在的主要缺陷,本文提出了距离相关系数和支持向量机回归相结合的统计预报方案DC-SVR.利用淮安市2013年1—12月PM_(2.5)观测资料和常规气象观测资料,首先在选入预报当日气象要素的基础上,增加选取前期污染物和气象要素作为预报因子,再采用距离相关系数分季节从预报因子中筛选出重要预报因子,最后采用支持向量机回归对PM_(2.5)浓度值进行逐日滚动统计预报.研究发现,淮安地区气温和气压对PM_(2.5)的距离相关性要高于其他气象要素,夏秋季PM_(2.5)与气象要素的距离相关性较春冬季好.基于距离相关系数和支持向量机回归建立DC-SVR模型,PM_(2.5)的试预报值和实测值的全年相关系数高达0.76,平均偏差仅为1.13μg·m~(-3),平均绝对误差为23.47μg·m~(-3).通过与支持向量机回归、人工神经网络的统计预报效果对比,DC-SVR模型有效降低预报因子维数且能自适应选取最佳参数,预报精度显著优于其他3种统计预报方案,可为业务化预报提供参考.     

呼和浩特市大气污染物污染特征及污染物的相关性分析

为了探究呼和浩特市大气污染物污染特征,对2014年一年的AQI做出统计整理并对PM_(10)、PM_(2.5)、SO_2、CO、NO_2的相关性进行分析。研究结果发现:呼和浩特市2014年空气质量总体良好,空气质量为良所占比重为58%,中度污染和重度污染所占比重为35%。该市的主要污染物PM_(10)、PM_(2.5)、SO_2的超标率分别达到了88.81%、52.60%、36.20%。空气污染指数AQI与PM_(10)、PM_(2.5)、SO_2、CO、NO_2、呈显著相关,尤其是PM_(10)和PM_(2.5),相关性系数高达0.959和0.851,可见其污染主要以颗粒物物为主。PM_(10)、PM_(2.5)、SO_2、CO、NO_2浓度间两两正相关。O_3的浓度与PM_(2.5)、SO_2、CO、NO_2均呈现负相关,O_3与AQI和PM_(10)的相关性不显著。