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...     

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.     

金昌市PM2.5及PM10短期暴露对成人血压水平的影响

为探索西北地区颗粒物(PM)短期暴露对人群血压(BP)水平的影响,基于金昌队列研究平台,收集甘肃省金昌市2011~2017年颗粒物污染数据及队列人群血压测量数据,在调整相关混杂因素基础上,采用线性混合效应模型分析PM_2.5和PM₁₀短期暴露对收缩压(SBP)、舒张压(DBP)、平均动脉压(MAP)、脉压(PP)和Mid-BP (SBP和DBP的均值)的影响.结果显示,随着PM_2.5浓度的增加,人群SBP,MAP,PP和Mid-BP均呈上升趋势,该效应值分别在累积滞后05,03,07和05d最大.随着PM₁₀浓度的增加,5种BP指标也均呈上升趋势,效应最大值均出现在累积滞后07d.PM_2.5和PM₁₀对BP产生的影响分别在吸烟和男性人群中更为显著.此外,沙尘天气和气态污染物(SO₂和NO₂)对PM-BP效应存在一定的修饰作用.因此,在该队列人群中,PM_2.5和PM₁₀短期暴露对人群血压具有一定影响,吸烟者和男性人群可能是颗粒物影响血压效应的易感人群.     

基于GAM模型分析影响因素交互作用对PM2.5浓度变化的影响

对南京市2013~2015年PM2.5及影响因素的时间变化序列,运用广义可加模型(GAM)分析影响因素交互作用对PM2.5浓度变化的影响.结果表明,PM2.5及影响因素都基本服从正态分布类型,影响因素间具较强相关性,其中气温、气压和水汽压间具有显著相关性.PM2.5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,其中SO_2、CO、NO_2等影响因素的模型拟合度较优,方程解释度较高;PM2.5浓度变化的多因素GAM模型中SO_2、CO、NO_2、O_3、平均降雨量(PRE)、平均风速(WIND)和相对湿度(RHU)等影响因素对PM2.5浓度变化解释率为73.9%,对其变化具有显著性影响;通过多因素对PM2.5浓度变化影响效应的诊断分析,得到SO_2、NO_2和WIND与PM2.5浓度变化呈线性关系,CO、O_3、PRE和RHU与PM2.5浓度变化呈非线性关系;在影响因素交互作用对PM2.5浓度变化影响的GAM模型中,SO_2与CO、PRE、RHU间交互作用,CO与NO_2、O_3、PRE、WIND、RHU间交互作用,以及NO_2与WIND、PRE、RHU间交互作用,都在P0.01(或P0.05)水平下显著影响PM2.5浓度变化;大气污染物SO_2、CO及NO_2分别与气象等其它因素的交互作用对PM2.5浓度变化产生最主要影响作用;通过对影响因素交互作用GAM模型可视化三维图分析,定量研究了影响因素交互作用对PM2.5浓度变化的影响特征.结论表明,运用GAM模型,能够定量化分析影响因素交互作用对PM2.5浓度变化的影响,研究方法具有一定创新性,对PM2.5浓度污染与控制研究具有重要意义.     

基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

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...     

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...     

陕西省PM2.5时空分布规律及其影响因素

PM_2.5是导致中国多省市发生灰霾的罪魁祸首,明确其时空分布规律,厘清其影响因素对灰霾的综合治理意义深远.基于陕西省2015年50个监测站点的PM_2.5浓度数据,采用空间数据统计方法、克里金插值法以及Morlet小波分析法对陕西省PM_2.5浓度的时空分布规律进行研究,并运用灰色关联模型来探讨PM_2.5浓度的影响因素.结果显示:①陕西省PM_2.5浓度整体呈"冬高夏低、春秋居中"的季节性变化规律,"U型"起伏的月变化规律,周期性脉冲波动型的日变化规律以及"W型"起伏的时变化规律;②陕西省PM_2.5浓度呈"北部低,中南部高"的空间分布特征,并且空间集聚性显著.不同季节的高值区均集聚于海拔相对较低的关中盆地内部城市.这与盆地内部空气不易扩散,静稳天气出现频率较高,易出现逆温现象密切相关;③影响陕西省PM_2.5浓度最大的指标层是PM_2.5污染来源（权重值为0.49）,其次是城市化与土地利用（权重值为0.37）,气象与地形因子影响最小（权重值为0.15）.不同城市各指标层的综合关联度差异较大.④各指标因子与PM_2.5浓度均为强度关联.降水量、机动车保有量、二氧化硫排放量、烟粉（尘）排放量、建成区面积、人口密度和人均GDP是影响陕西省PM_2.5浓度的主要因子,影响各城市PM_2.5浓度的主要因子具有一定的空间差异性.研究显示,人类活动对陕西省PM_2.5的影响显著,尤其是城市化的快速推进,相关指标（如人口、机动车、能耗、工业总产值等）持续增长,将进一步加大PM_2.5来源的多样性以及相关污染物的排放量.      

安徽省PM2.5时空分布特征及关键影响因素识别研究

基于2015年安徽省67个空气质量监测子站的PM_(2.5)浓度数据,分析PM_(2.5)的时空分布特征;运用BP神经网络改进DEMATEL模型,探讨影响PM_(2.5)浓度的关键因素及因子间的关联性.结果表明:(1)2015年安徽省PM_(2.5)平均浓度为52.03μg·m~(-3),总体呈现秋冬高、春夏低的季节性规律;PM_(2.5)浓度日变化总体呈双峰分布,冬季PM_(2.5)浓度昼夜变化剧烈,全年、春季和秋季变化趋势大致相同,夏季相对平缓;(2)安徽省PM_(2.5)浓度整体上由东向西、由中部向南北两侧呈递减趋势,浓度值由高到低依次为:江淮丘陵、长江中下游平原、淮北平原和皖南山区;(3)指标体系中,人口城镇化率、年平均气温、单位GDP电耗、工业废气治理设施数等4个指标因子属于强驱动因素,对PM_(2.5)浓度降低起着根本性推动作用;(4)年降水总量、房屋施工面积、O_3浓度等3个指标因子属于强特征因素,是降低PM_(2.5)浓度最直接的因素.结论表明,运用BP-DEMATEL模型能有效识别关键影响因素,有助于为PM_(2.5)综合治理提供参考.     

基于地理探测器的广州市大气PM2.5浓度驱动因素分析

PM_2.5变化的驱动因素是大气PM_2.5研究的重要内容.为了揭示PM_2.5污染的特点及其驱动影响因子,以广州市为例,采用地理探测器方法探测自然因素(包括平均降水量、平均温度、平均气压、平均相对湿度、平均风速、植被指数)与社会经济因素(包括人口密度、国内生产总值、工业总产值、人均公园绿地面积、公交车辆数、电力消费量)对2015年广州市ρ(PM_2.5)变化的影响机制与差异.结果表明:①基于因子探测分析发现,对ρ(PM_2.5)变化影响最大的前三位驱动因素分别为植被指数、公交车辆数与电力消费量,对应的因子影响程度指标值分别为0.51、0.46、0.40.②基于生态探测分析发现,植被指数与其他自然因素(如平均温度、平均降水量、平均气压等)对ρ(PM_2.5)空间分布的影响均存在显著差异,与所有社会经济因素对ρ(PM_2.5)空间分布的影响均不存在显著差异;除植被指数外,公交车辆数与其他自然因素及社会经济因素对ρ(PM_2.5)空...     

中原城市群PM2.5浓度驱动因子联动效应及非线性影响

城市群是中国PM_2.5污染与防治的核心区.为探究中原城市群PM_2.5浓度驱动因子的作用机制,基于多源遥感数据和统计数据,采用空间自相关、参数最优地理探测器以及系统动态面板回归模型等方法,量化了PM_2.5浓度的驱动因子及因子间的联动效应,进一步分析了社会经济因素对PM_2.5浓度的非线性影响并给出相应的治霾建议.结果表明：①2012~2018年,中原城市群PM_2.5浓度下降程度存在空间分异,北部较南部地区污染减弱更为显著.②PM_2.5浓度高值聚集有从中原城市群北部向东部转移的趋势,而低值聚集情况相对稳定.③高程对PM_2.5浓度的解释力最强,因子间联动效应对PM_2.5污染的解释力均表现为增强,其中高程与降水交互后解释力最强.④人均GDP、人口密度、夜间灯光、外商直接投资和第二产业占比均与PM_2.5浓度之间存在非线性关系.结合中原城市群现状,加大污染治理投入、调整城市结构形态、加强基础设施建设、调整人口分布与产业结构、保持较高的城市活跃水平、设定严格的环境法规和引入高质量外商投资等有助于治理PM_2.5污染.     

2015~2019年河南省PM2.5时空特征与驱动因素分析

PM_2.5是雾-霾中的主要成分,河南省已成为PM_2.5污染防治重点地区之一.基于2015～2019年河南省PM_2.5浓度数据,使用空间自相关和空间热点探测方法分析其时空特征,引入地理探测器方法分析气象因素、空气质量因素和社会因素对PM_2.5浓度的解释力度.结果表明,河南省2015～2019年PM_2.5浓度整体呈现降低趋势,高污染天数减少和低污染天数增加,高污染逐步向中污染转化;PM_2.5浓度具备明显的空间聚集特征,全局空间自相关指数先降后升,空间热点集中在豫北地区（安阳市、鹤壁市、新乡市和焦作市）,空间冷点集中在豫西地区（三门峡市、洛阳市和南阳市）;空间重心转移呈现出北上的趋势;单因子探测显示,在9个影响因子中,土地利用类型（解释力度为0.511,下同）、降水量（0.312）和NO₂浓度（0.277）是影响PM_2.5浓度最明显的因子,其余因子影响力排序为PM₁₀浓度（0.255）、温度（0....     

基于受体和化学传输的综合模型解析重庆PM2.5来源

为进一步提高PM_2.5污染源解析的准确性,研究提出一种基于受体和化学传输的综合源解析模型（CTM-RM）,并以重庆冬季一次典型PM_2.5污染过程为例（2019年1月21～27日）开展模型评估与应用.结果表明,观测期间基于CTM-RM获得的模拟误差平方值较CAMx/PSAT低84.58%,PM_2.5及其化学组分浓度的模拟相对误差值较CAMx/PSAT下降15.69%～92.86%;此外,CTM-RM还可以获取重庆市PM_2.5污染源贡献的时空分布特征.观测期间,主城区PM_2.5农业源、工业源、电力源、民用源、交通源和其他源的调整因子R值分别为1.39±0.38、 1.54±0.48、 1.01±0.13、 1.02±0.58、 0.86±0.59和0.58±0.67,各污染源R值的累积分布函数差异明显.民用源和工业源是主城区PM_2.5的主要污染源（46.23%和28.23%）.与其他源不同,污染日交通源贡献率（8.62%）同比清洁日显著上升（P<0.00...     

2000~2020年天津PM2.5质量浓度演变及驱动因子分析

基于中国大气成分实时追踪数据集、天津气象局和生态环境局长序列PM_2.5质量浓度和气象观测,结合MEIC排放清单和环境模式构建的细颗粒气象条件扩散指数,研究2000～2020年天津地区PM_2.5质量浓度演变规律及驱动因子,以期更科学地分析气象对大气环境影响,为“十四五”期间深度环境治理提供支撑.结果表明,2000～2020年天津PM_2.5质量浓度呈现3个阶段变化,第一阶段2000～2007年,呈现持续地上升,其变化速率为4.58μg·（m³·a）^-1,该阶段排放量的快速增加是主导因素,其作用是气象条件年际波动影响的4倍,排放量增加使得PM_2.5质量浓度增加45.3%;第二阶段为2007～2013年,该阶段PM_2.5质量浓度呈现波动变化,出现了两个浓度峰值年（2007年和2013年）,该阶段排放稳定,气象条件年际波动对PM_2.5质量浓度年际波动产生重要影响,两者相关系数0.81;第三阶段为2013～2020年,PM<...     

基于多种新型受体模型的PM2.5来源解析对比

为了解多种新型受体模型的适用性,利用正定矩阵分解/多元线性引擎2-物种比值（PMF/ME2-SR）、偏目标转换-正定矩阵分解（PTT-PMF）、正定矩阵分解（PMF）和化学质量平衡（CMB）这4种受体模型对我国北方典型城市细颗粒物(PM_2.5)数据进行同步解析并互相验证.结果发现,燃煤源（25%～26%）、扬尘源（19%～21%）、二次硝酸盐（17%～19%）、二次硫酸盐（16%）、机动车源（13%～15%）、生物质燃烧源（4%～7%）和钢铁源（1%～2%）这7种主要污染源对研究地区PM_2.5有贡献.通过比较不同模型获得的源成分谱和源贡献以及计算各源的差异系数（CD）和平均绝对误差（AAE）,发现4种模型的解析结果具有较高的一致性（平均CD值在0.6～0.7之间）,但不同模型对各污染源中组分的识别存在差异.相比于传统PMF模型,PMF/ME2-SR模型由于纳入一次源类的特征比值,能够更好地区分源谱特征较为相似的源类,如扬尘源的CD和AAE分别比PMF模型低15%和54%; PTT-PMF模型以实测一次源谱和虚拟二次源谱为约束目标,计算的二次硫...     

基于可解释性机器学习的城市O3驱动因素挖掘

受前体物排放和气象条件等因素共同驱动,大气臭氧(O₃)已成为影响城市夏季环境空气质量的主要污染物.目前物理化学机制驱动的演绎模型在进行O₃污染解析时需要的模型参数众多,运算时效性较差;数据驱动的归纳模型运算效率高,但存在可解释性差等问题.通过建立可解释性数据驱动的Correlation-ML-SHAP模型,Correlation模块挖掘O₃浓度关联影响因素,机器学习ML模块耦合可解释性SHAP模块计算各驱动因素对O₃浓度的影响贡献,实现对驱动因素的定量解析,并以晋城市2021年夏季O₃污染过程为例开展应用研究.结果表明,Correlation-ML-SHAP模型能够挖掘并利用强驱动因素模拟O₃浓度和量化影响贡献,其中ML模块采用XGBoost模型模拟准确度最佳. 2021年夏季晋城市O₃污染强驱动因素为：气温、日照强度、湿度和前体物排放水平,贡献权重为：32.1%、 21.3%、 16.5%和15.6%,其中气温、日照强度和前体物排放...     

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.