乌鲁木齐市近地面O_3与前体物及颗粒物相关性分析

利用2016年10月~2018年2月乌鲁木齐市近地面O_3、PM_(2.5)、PM_(10)、NO_2、CO的连续观测资料,主要分析乌鲁木齐市O_3浓度的变化特征与部分前体物质、颗粒物之间的关系。结果表明:(1)2017年月分布:监测期间乌鲁木齐市O_3平均浓度为79.33μg/m~3,O_3浓度较高主要集中在6~9月份,其平均O_3浓度为121.14μg/m~3。O_3季平均浓度整体呈现出夏季春季秋季冬季。(2)时间分布上:O_3小时浓度的日变化分布呈现"单峰型"特点,且日间浓度明显高于夜间。一般在15∶00~16∶00左右达到峰值浓度;空间分布上:对照点浓度城区监测站点,城区外围站点浓度城区监测站点的特征。(3)在O_3与前体物CO、NO_2及与OX之间的关系中,O_3与CO、NO_2均呈显著的负相关关系,相关系数分别为-0.789(P0.01)、-0.871(P0.01),与OX呈显著正相关关系(r=0.985,P0.01)。(4)O_3与大气颗粒物PM_(2.5)、PM_(10)呈明显的负相关关系,其相关系数分别为-0.754(P0.01)、-0.718(P0.01)。     

林芝冬季紫外辐射与空气污染因素相关性研究

通过对林芝市2018年10月～12月的紫外线辐射强度及环境空气质量进行观测,分析了冬季晴天8～19时紫外辐射强度变化规律并与同时间的AQI、PM1、PM2.5、PM10、NO_2、O_3、SO_2、CO的相关性。结果表明:林芝市冬季紫外辐射很强,14时前后,紫外辐射强度达到最高,日变化趋势呈现大致对称的单峰状态;紫外辐射强度与PM1、PM2.5、PM10浓度并未表现出显著的相关性,与NO_2存在较好的负相关性,其Spearman相关系数高达-0.736,而与O_3、SO_2、CO的相关性较差,未通过显著性检验。     

秀山县城区大气环境质量特征研究

为详细了解秀山县城区大气质量状况,选择2016年9月—2017年1月大气观测数据进行分析研究,结果表明:研究时段内PM_(10)、PM_(2.5)、SO_2、NO_2和O_3大气污染物浓度均满足《GB3095-2012环境空气质量标准》中二级标准要求,随着月份变化,PM_(10)、PM_(2.5)和O_3呈先降低再升高的趋势,NO_2呈逐渐增加趋势,SO_2变化趋势相对平缓。大气污染物NO_2与PM_(10)和PM_(2.5)呈显著性相关,聚类分析结果表明PM_(10)、PM_(2.5)对大气环境质量影响较大。气象参数与大气污染物均呈明显相关性,表明气象条件对污染物的扩散起着重要作用。     

成都冬季PM2.5化学组分污染特征及来源解析

2017年1月1~20日在成都地区分昼夜对PM_(2.5)进行连续膜样品采集,并在实验室测定了其主要化学组分(水溶性离子和碳质组分)的质量浓度.观测期间,PM_(2.5)的平均质量浓度为(127.1±59.9)μg·m~(-3);总水溶性离子的质量浓度为(56.5±25.7)μg·m~(-3),其中SO2-4、NO-3和NH+4是最主要的离子,质量浓度分别为(13.6±5.5)、(21.4±12.0)和(13.3±5.7)μg·m~(-3),一共占到了水溶性离子的85.6%;有机碳(OC)和元素碳(EC)的平均质量浓度分别为34.0μg·m~(-3)和6.1μg·m~(-3),分别占PM_(2.5)质量浓度的26.8%和4.8%.昼夜污染对比显示,PM_(2.5)白天和夜晚质量浓度分别为(120.4±56.4)μg·m~(-3)和(133.8±64.0)μg·m~(-3),夜间污染更为严重.SO2-4、NO-3和NH+4白天浓度高于夜间,这与白天光照促进了二次离子的形成有关;而Cl-、K+、OC和EC浓度夜间明显升高,可能是受夜间煤和生物质燃烧排放增加的影响.通过对近年来成都冬季PM_(2.5)化学组分的研究进行文献总结和比较后发现,SO2-4浓度显著降低,从2010年的50.6μg·m~(-3)降低到2017年的13.6μg·m~(-3);而NO-3浓度变化不大,维持在20μg·m~(-3)左右.PM_(2.5)中离子酸碱平衡分析表明,成都冬季PM_(2.5)由于NH+4的相对过剩而呈现出碱性,与以往呈偏酸性结果存在差异.对成都冬季NO-3/SO2-4的比值进行计算,NO-3/SO2-4平均值为1.57,表明移动源对PM_(2.5)污染影响更大.OC与EC的相关性表明,白天和夜间OC与EC的相关系数分别为0.82和0.90(P0.01),OC与EC来源具有一致性.SOC估算结果显示,白天和夜间SOC浓度分别为8.5μg·m~(-3)和11.9μg·m~(-3),占到OC的28.1%和31.8%.K+/EC平均值为0.31,并且K+与OC之间相关系数为0.87(P0.01),说明生物质燃烧对成都冬季碳质气溶胶有一定影响.主成分分析表明,成都冬季PM_(2.5)主要来源于燃烧源(燃煤、生物质燃烧等)、二次无机污染源以及土壤和扬尘源,其贡献率分别为32.8%、34.5%和21.5%.     

西安市主要大气污染物的观测分析研究

该文分析了西安地区的AQI指数以及PM_(2.5)、PM_(10)、CO、NO、O_3、SO_2 6种污染物浓度在2013年7月到2014年4月的每小时观测数据,利用统计方法研究了各污染物不同时间尺度(小时、日、周、月)的浓度变化特征,分析了各个污染物之间的相关系数,对各个污染物之间的相互关系和相互作用进行了探讨。结果表明,PM_(2.5)、PM_(10)、CO、NO_2、O_3、SO_2的平均浓度和标准差分别为:(92.37±75.59)μg/m~3、(166.79±106.27)μg/m~3、(2.16±2.39)mg/m~3、(51.01±20.84)μg/m~3、(36.85±34.44)μg/m~3、(36.97±30.62)μg/m~3、(39.99±31.27)μg/m~3。PM_(2.5)、PM_(10)以及CO浓度都是在中午12时以及夜间12时左右达到峰值,在下午或傍晚达到低谷;O_3则是白天浓度高,夜间浓度低,清晨达到一天中的极小值;研究还发现,O_3浓度在周末要高于工作日,CO、SO_2却是周末浓度低于工作日浓度;PM_(2.5)和PM_(10)浓度都在冬季达到峰值,在夏季达到低谷,O_3浓度则是在夏季明显高于冬季。O_3与其他所有污染物之间都呈负相关,而其他污染物之间都是正相关。     

重庆市大气颗粒物污染特征及影响因素分析

利用重庆市17个大气自动站实时发布的数据,对PM_(2.5)与PM_(10)污染特征、变化规律与气象因子的相关性进行了分析。结果表明:2013年PM_(2.5)和PM_(10)的年均值分别为70,106μg/m3,均超过国家Ⅱ级标准。月均值、季均值变化明显,总体均呈两头高中间低的"U"型分布。2013年PM_(2.5)占PM_(10)的比例较大,均值为65.8%,PM_(2.5)和PM_(10)的Pearson相关系数为0.974,在0.01的置信水平上(双侧)显著相关。PM_(2.5)、PM_(10)的浓度与气温、大气压极显著相关;PM_(2.5)、PM_(10)的浓度与降雨量、日照时数(时)显著相关。     

北碚区气溶胶光学厚度特征及其与颗粒物浓度的相关性

为了解重庆市北碚区大气质量状况,利用其2014年气溶胶光学厚度和颗粒物质量浓度的同步观测结果进行分析.结果表明,北碚区AOD_(500 nm)的年均值为1.46±0.69,其随月份变化明显,其中11月最高为2.90±1.85, 9月最低为0.54±0.05.北碚区存在颗粒物污染的现象,PM_(2.5)和PM_(10)的年均值分别为(62±40)μg·m~(-3)和(94±51)μg·m~(-3),均超出GB 3095-2012《环境空气质量标准》二级标准限值,PM_(2.5)与PM_(10)的日均值超标率分别为26%和15%.细粒子PM_(2.5)与可吸入颗粒物PM_(10)浓度之间呈现显著性相关,全年决定系数R~2能够达到0.95(P0.01),AOD与PM_(2.5)、 PM_(10)之间全年均呈正相关特性,全年决定系数R~2分别为0.48和0.46,且不同季节下的决定系数和相关函数均有差异,其中冬季相关性最好,夏季相关性最差.全年AOD与AQI呈正相关特性,决定系数R~2为0.15(P0.05).AOD值受天气要素综合作用的影响,观测期间也应将温度、湿度、水汽等要素数据进行同步采集.     

镇江市四季PM2.5污染特征与潜在源区分析

利用2017年3月1日—2018年2月28日镇江市环境监测站提供的逐时数据,对镇江市PM_(2. 5)污染特征进行分析,并结合HYSPLIT-后向轨迹模型,综合运用轨迹聚类及PSCF、CWT分析方法,计算了不同季节影响镇江城区PM_(2. 5)的主要气流输送路径及镇江市PM_(2. 5)的主要潜在源区。结果表明:镇江市PM_(2. 5)浓度季节分布特征明显,冬季PM_(2. 5)浓度最高,夏季最低。四季PM_(2. 5)浓度日变化均呈两峰一谷型分布,且夜间普遍高于白天,周末高于工作日。四季PM_(2. 5)浓度与NO_2、CO相关系数较高,表明工业排放与交通源可能是镇江市PM_(2. 5)的主要来源。镇江地区气流输送存在显著的季节变化特征:春季西北偏西及东北方向气流轨迹占主要优势;夏季气流主要来自东北、东南及西南方向;秋季以东北及偏东气流为主;冬季西北气流轨迹占绝对优势。镇江四季PM_(2. 5)浓度受本地及周边城市的局地污染输送影响较大,主要潜在源区集中分布在江苏本地及其周边的山东、安徽、浙江、上海等地。春、夏、秋季这些地区对镇江PM_(2. 5)浓度贡献值基本为35～75μg/m~3;冬季该贡献值较大,均在75μg/m~3以上,最高值可达到150μg/m~3以上;同时,冬季受北方污染输送影响,河北、京津冀等地也是主要潜在源区,贡献值为35～75μg/m~3。     

陕南农村冬季PM_(2.5)主要化学组分特征

通过对陕南农村冬季PM_(2.5)采样分析,获得PM_(2.5)质量浓度及主要化学组分特征。PM_(2.5)平均质量浓度为89.5±42.0μg·m~(-3),超过国家二级标准。观测期间PM_(2.5)中OC、EC浓度平均值分别为16.0±6.9μg·m~(-3)和5.7±3.2μg·m~(-3),OC/EC平均比值为3.0±0.4。主要水溶性离子组分为NO_3~-、SO_4~(2-)和NH_4~+。粒子数浓度与表面积浓度峰值主要集中在0.5μm以下粒径段。PAHs、BeP和BaP平均质量浓度分别为48.9±10.9 ng·m~(-3)、3.0±0.9 ng·m~(-3)和1.2±0.7 ng·m~(-3),PAHs污染较严重,强致癌物BaP浓度超过国家环境空气质量标准年平均浓度限值。当地农村以石煤为主的能源结构及采用的燃烧方式是导致污染的重要因素。     

湛江湾表层海水悬浮物分布特征及影响因素

2014年对湛江湾表层海水悬浮物含量的2个季节调查结果显示,湛江湾表层海水悬浮物含量冬季显著高于夏季,区域分布不显著。其中,冬季悬浮物含量变化范围为2.1~28.2 mg/L,平均值为11.1 mg/L;广泛夏季悬浮物含量变化范围为1.6~18.0 mg/L,平均值为6.7 mg/L。悬浮物烧失量显示,无机质是湛江湾表层水体悬浮物主要成分。通过对悬浮物含量、悬浮物中值粒径、悬浮物烧失量及主要环境相关因子做Pearson相关性分析,结果显示,悬浮物含量与悬浮物粒径呈显著性负相关,相关系数为-0.418(p0.05),与水温呈极显著性负相关,相关系数为-0.572(p0.01);与pH、叶绿素a、DO呈极显著性正相关,相关系数分别为0.677、0.548、0.553(p0.01)。其他因子相关性不明显。     

太原市大气颗粒物粒径和水溶性离子分布特征

在太原市于2014年7月至2015年4月利用TE-235分级采样器采集PM_(10)分级颗粒物样品,通过离子色谱分析其中9种无机水溶性离子,报道了大气颗粒物(PM_(10))及其水溶性无机离子水平,探讨了其粒径分布、季节变化特征和来源.结果表明,采样期间太原市PM_(10)日平均浓度水平为173.7μg·m~(-3),超过了国家环境空气二级日标准限值(150μg·m~(-3),GB3095-2012);冬季PM_(10)浓度(199.1μg·m~(-3))和春季(194.2μg·m~(-3))较接近,远高于夏季水平(127.7μg·m~(-3)).PM_(10)在0.95μm和3.0~7.2μm粒径段处呈双峰分布.PM_(10)中总离子浓度季节变化为冬季夏季春季,其中SO~(2-)_4、NO~-_3和NH~+_4是主要离子,占总离子的质量分数为66%~80%.分级离子中,SO~(2-)_4、K~+、NH~+_4、Cl~-以及冬、春季的NO~-_3在0.95μm段呈单峰分布;Ca~(2+)、Mg~(2+)和夏季NO~-_3均在0.95μm和3.0~7.2μm段呈双峰分布.相关性分析显示,风速增大对冬夏季的颗粒物及其水溶性离子有稀释作用,但春季沙尘天气则会导致其升高.通过NO~-_3/SO~(2-)_4和Mg~(2+)/Ca~(2+)比值发现,太原市颗粒物中NO~-_3和SO~(2-)_4主要来自于燃煤排放,Mg~(2+)和Ca~(2+)来源为扬尘和煤燃烧排放.     

典型城市冬季PM_(2.5)水溶性离子污染特征与传输规律研究

选取北京和石家庄两个监测点,于2014年冬季进行了PM_(2.5)样品采集,分析研究了PM_(2.5)及水溶性离子组分污染特征,并应用WRF-CAMx模型对采样时段进行了模拟,分析了观测期间PM_(2.5)和二次离子组分区域传输贡献情况.结果表明,采样期间北京PM_(2.5)质量浓度为(116.6±87.0)μg/m~3.水溶性离子质量浓度为(45.3±40.6)μg/m~3.其中SO_4~(2-)、NO_3~-和NH4+质量浓度分别为(13.3±13.6)μg/m~3、(14.8±15.1)μg/m~3和(9.1±7.2)μg/m~3;石家庄污染水平高于北京,PM_(2.5)浓度为(267.7±166.7)μg/m~3.总水溶性离子、SO_4~(2-)、NO_3~-和NH4+质量浓度分别(111.8±104.3)μg/m~3、(36.6±36.5)μg/m~3、(28.5±29.3)μg/m~3和(25.5±29.8)μg/m~3.两处采样点SOR与NOR分别为0.12、0.10(北京)和0.11、0.14(石家庄),冬季大气氧化性相对较弱,非均相氧化是主要二次转化原理.数值模拟结果显示,北京、石家庄城区1月PM_(2.5)受区域传输贡献分别为28.1%和28.3%,高浓度时段外来源贡献有所上升.二次离子中两地NO_3~-传输作用均强于SO_4~(2-).     

潍坊市环境空气质量现状及变化特征研究

文章分析了潍坊市区大气环境空气质量时空分布特征,监测的污染物为PM_(10)、SO_2、NO_2、PM_(2.5)、O_3、CO共6项。2015～2017年SO_2和NO_2年均浓度基本呈下降趋势,均低于国家二级标准,SO_2/NO_2值呈逐年下降趋势;PM_(10)、PM_(2.5)浓度时间变化规律基本相同,呈现夏季浓度较低、冬季浓度较高;CO年均浓度呈小幅下降趋势;O_3-8 h年均浓度在109～119μg/m~3之间,臭氧的污染不容忽视。从空间分布来看,8个自动监测点位周边情况不同,均能反映其区域环境空气质量状况。     

北京市PM_(2.5)和反应性气体浓度的变化特征及其与气象条件的关系

利用2012年全年北京市SO_2、NO_y、O_3、CO和PM_(2.5)监测数据,讨论PM_(2.5)和反应性气体的变化特征及其与气象条件的相关关系.结果表明:北京地区2012年PM_(2.5)平均质量浓度为52.0μg/m~3,年波动范围较大,特别是秋冬两季,呈现出慢累积而快清除的变化特征;NO_y、NO、CO、SO_2与PM_(2.5)质量浓度增减呈相同的变化趋势,O_3变化趋势相反;PM_(2.5)质量浓度0~25μg/m~3之间出现的频率最高,为27%;NO_y、NO、CO、SO_2和PM_(2.5)在风速小于3m/s时,随风速增大均呈显著的下降趋势,其中PM_(2.5)的下降率约为25%/m/s,风速大于3m/s后,污染物下降到较低浓度后趋于平缓;清洁天,相对湿度增大对PM_(2.5)质量浓度的影响不显著,而污染天,在较高相对湿度下,PM_(2.5)的质量浓度迅速升高.     

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.     

六盘水市大气污染物变化特征及排放清单

为了分析贵州省六盘水市大气污染物浓度变化及排放清单,该文系统收集和整理2015-2018年大气污染物浓度观测资料和2015年排放清单。分析表明:2015-2018年,六盘水市环境空气优良率逐年增加,且在2018年达到98.2%。PM_(2.5)日均浓度有97 d超过国家环境空气质量二级标准(75μg/m~3)(GB 3095-2012),其中最大浓度为167μg/m~3;PM10有16 d超过二级标准(150μg/m~3);O_(3-8 h max)、NO_2、SO_2和CO日均浓度和年均浓度未超标。PM_(2.5)和PM_(10)年均浓度逐年降低,但PM_(2.5)在2015-2017年超标,浓度分别为42.6、40.7和40μg/m~3;PM10年均浓度在2016年和2017年超标,浓度分别为73.0和70.3μg/m~3。2015年六盘水市PM_(2.5)、PM_(10)、SO_2、NO_x、CO和VOCs排放总量分别为5.78万t、10.89万t、16.64万t、14.23万t、37.42万t和3.32万t。化石燃料固定燃烧源是PM_(10)、PM_(2.5)、SO_2、NO_x和CO的最大排放源。     

基于GAM模型分析中国典型区域网格化PM2.5长期变化影响因素

为探究中国典型区域地表PM_(2.5)浓度长期时空变化及其影响因素,运用广义可加模型(GAM)对1998～2016年均0. 01°×0. 01°地表PM_(2.5)浓度网格化数据进行分析.典型区域多年平均PM_(2.5)浓度从高到低:华东华中地区(40. 5μg·m~(-3))华北地区(37. 4μg·m~(-3))华南地区(27. 8μg·m~(-3))东北地区(23. 7μg·m~(-3))四川盆地(22. 4μg·m~(-3)).东北地区PM_(2.5)年际变化呈现明显上升趋势;其他地区1998～2007年呈上升趋势,2008～2016年出现下降趋势.在典型区域PM_(2.5)浓度空间分布上,PM_(2.5)浓度分布呈现显著的空间差异,多年来各区域PM_(2.5)浓度高值分布相对稳定. PM_(2.5)浓度变化的单因素GAM模型中,所有影响因素均通过显著性检验,典型区域中对PM_(2.5)浓度变化影响解释率较高的各个影响因素顺序有所不同. PM_(2.5)浓度变化的多因素GAM模型中,均呈现非线性关系,典型区域方差解释率为87. 5%～92%(平均89. 0%),模型拟合度较高,对其变化有显著性影响.典型区域YEAR和LON-LAT均对PM_(2.5)浓度变化影响最为显著.除此之外,气象因子对PM_(2.5)的影响大小在各个区域存在不同.东北地区影响PM_(2.5)最重要的3个气象因子排序为:tp v_(10) ssr;华北地区为:temp tp msl;华东华中地区为:temp tp ssr;华南地区为:temp RH blh;四川盆地为:tp temp u_(10).结果表明,运用GAM模型,能够定量分析区域PM_(2.5)浓度长期变化的影响因素,对PM_(2.5)污染评估具有重要意义.     

青奥会前后南京PM2.5重金属污染水平与健康风险评估

人类活动对大气环境的影响已成为人们关注的焦点.于青年奥林匹克运动会(青奥会,Youth Olympic Games)召开前后(2014年4~9月)动态监测南京大气中PM_(2.5)及其6种重金属质量浓度和污染特征,并分析其健康风险.结果表明,观测期间PM_(2.5)质量浓度变化范围为26.39~80.31μg·m~(-3),青奥会前的4、5和7月大气中PM_(2.5)质量浓度均达到国家空气质量二级标准(24 h质量浓度限值75μg·m~(-3)),青奥会期间达到国家空气质量一级标准(24 h质量浓度限值35μg·m~(-3)).青奥会结束后,空气污染出现反弹,大气PM_(2.5)质量浓度平均值为76.14μg·m~(-3).观测期间大气PM_(2.5)中重金属离子质量浓度的变化特征并不一致,主成分分析表明,污染物源排放是影响PM_(2.5)重金属离子质量浓度变化最重要因素.青奥会期间PM_(2.5)及重金属离子质量浓度均降至观测期间最低值,这与召开青奥会所采取的一系列政策干预减排措施发挥作用有关.PM_(2.5)中Cd、Cu、Ni、Pb通过呼吸和皮肤暴露的健康风险值均在可接受水平范围内,而Cr存在较大的致癌风险;Mn通过呼吸暴露对成年男性造成较大的非致癌风险;同时PM_(2.5)中6种重金属通过皮肤暴露对儿童也造成较大非致癌风险.     

基于GWR模型的天山北坡经济带PM2.5浓度反演及时空特征分析

构建PM_(2.5)浓度与相关因子的关系模型已成为获取干旱区经济带连续变化PM_(2.5)浓度数据的有效手段之一。本文以天山北坡经济带为研究对象,基于PM_(2.5)浓度监测数据、中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)的气溶胶光学厚度数据(aerosol optical depth,AOD)和气象数据,利用地理加权回归模型(geographically weighted regression,GWR)反演了研究区2018年3～11月PM_(2.5)浓度,进而分析其时空变化特征。结果表明:(1)相比多元回归模型(multiple linear regression,MLR),GWR模型在天山北坡经济带的PM_(2.5)浓度反演效果更优,决定系数R2、平均绝对误差MAE和均方根误差RMSE分别为0.897、4.569μg/m~3和5.627μg/m~3,明显优于MLR模型的0.819、5.825μg/m~3和7.731μg/m~3;(2)天山北坡经济带PM_(2.5)浓度在月尺度上呈"凹字型"变化特征,其中11月最高,达到59.50μg/m~3,3月和10月次之,9月最低,仅为17.92μg/m~3;在季节尺度上表现出秋季(9～11月)春季(3～5月)夏季(6～8月)的变化特征,其中春季呈波动下降趋势,夏季总体维持在较低水平,秋季呈急剧上升趋势;(3)在空间分布上,研究区PM_(2.5)浓度呈现出"东高西低"的特征,峰值出现在乌鲁木齐附近,说明经济带东部地区PM_(2.5)污染相对严重,尤其是乌鲁木齐。     

合肥市冬季PM2.5统计预报方法初试与比较研究

利用合肥市2015-2018年冬季PM_(2.5)观测资料和FNL再分析资料,文章综合考虑地面及边界层高度范围内各气象要素作用,针对目前空气质量统计预报方法的不足,根据阈值分析筛选预报因子,同时将风向数据转化为对应的八方位上历史污染物浓度均值输入,最后结合BP神经网络对PM_(2.5)浓度进行逐6 h预报。结果表明,所建模型(TA-BP方案)中对PM_(2.5)预测值与观测值的相关系数(R)高达0.85,平均绝对误差(MAE)为21.31μg/m~3,均方根误差(RMSE)为28.20μg/m~3。阈值分析能够有效筛选与污染物浓度呈非线性关系的气象预报因子和高空预报因子。较BP模型,TA-BP模型的R和一致性指数(IA)分别提升14.12%和8.33%,MAE、平均相对误差(MAPE)和RMSE分别降低22.87%、17.86%和23.78%。同时,与其他不同输入变量模型及线性模型对比结果表明:仅考虑气象因子作用的MTA-BP方案限制了预报模型的准确性,以临近6 h的PM_(2.5)浓度代替各气象因子作用的PTA-BP方案能够实现较好的预报效果,但滞后性严重。另外,综合考虑气象因子与污染因子作用的非线性TA-BP模型要优于线性MSR模型。