香港的空气污染指数预报

空气是人类赖以生存的重要环境因素。在香港，公众对空气污染问题日趋关注，对迅速获得空气污染资料的需求也与日俱增。为此，环境保护署制订了空气污染指数（简称API），以简明的方式表示空气质量的水平。针对空气污染指数当局建立了一种简单划一的预报方式，让市民知道每日的空气污染程度。若某日的空气污染特别严重，当局会根据该指数提醒市民防范。此指数预报实行一年来，引起了市民对空气质量的普遍关注。1空气污染指数简介空气污染指数是根据香港空气质量指标的6种污染物监测结果计算得出的，这6种污染物分别是二氧化氮、二氧化硫、…     

铁岭市空气日报及预报的相关性研究

本文采用了空气污染指数进行评价空气质量,确定铁岭市空气质量日报、预报。根据空气污染指数值确定空气质量污染程度,最后采用数据统计方法对日报、预报的结果进行检验,检查两个样本均值之间是否有显著性差异。     

江西省主要城市空气质量预报研究

对建立江西省各主要城市的空气洁净指数及空气污染指数预报模式进行了探讨，并将试验期间预报结果和所属区域空气污染程度进行比较，结果表明，该模式用于各省各主要城市空气洁净指数及空气污染指数预报是可行的。     

浅谈空气污染指数在环境监测中的应用

空气环境监测是掌握空气污染指数,鉴别环境污染程度的重要措施,可为人们制定空气污染治理策略提供重要依据。本文主要介绍了空气污染指数的相关内容及其在环境监测中的基本流程,分析了环境监测中应用空气污染指数的重要作用以及进一步加强空气质量监测的建议。     

中国空气污染指数变化特征及影响因素分析

以2001～2010年我国42个城市逐日空气污染指数、主要污染因子、空气质量级别和空气质量状况资料为基础,分析了近10 a我国空气质量的变化特征.结果表明,我国城市大气受燃煤影响较为严重,可吸入颗粒物为主要污染因子,空气质量状况以优、良和轻微污染居多;空气质量季节变化明显,冬季空气污染最严重,夏季最轻;从年际变化看,空气质量表现出逐年好转趋势;城市大气环境质量在区域上存在显著差异,表现为由南到北、从沿海到内陆逐渐变差的趋势.对空气污染影响因素的分析表明,局地污染和西北地区沙尘传输造成的自然降尘是我国城市空气质量的主要污染源;气象要素对大气污染物有制约关系,空气污染指数与降水量、风速、逆温线性相关;地形的空间差异影响着气象条件的分布,进而对空气质量的空间变化产生影响;人类活动对城市空气质量也存在一定的影响,且具有双重作用.     

我国城市群空气污染及其季节变化特点

研究以国家环保总局在网站上公开发布的重点城市每日空气污染指数(API)日报数据为基础,组成时间序列.然后针时不同空间分布城市的API时间序列进行了聚类分析,获得了这些城市空气污染的空间分布变化特征.发现我国城市空气污染存在"城市群"的特点,而且随季节变化.因此建议空气污染防治应当从单个城市的防治规划上升到城市群联合进行防治,达到改善城市空气质量的目的.     

城市空气质量预报的意义及其进展

从空气质量周报、日报发展到现在的空气质量预报，标志着环境保护工作达到了一个新高点，充分体现了环境保护“以人为本”的工作宗旨。本文阐述了城市空气污染预报的意义及国内外城市空气污染预报的研究情况，并简单地介绍了目前哈尔滨开展城市空气质量预报工作的情况。     

珠三角区域空气质量指数(RAQI)的研究

区域空气质量指数(Regional Air Quality Index,RAQI)是粤港政府联合发布、反映珠三角区域内不同地区的空气质量状况的评级系统。虽然RAQI综合考虑了空气污染的总量水平,较我国空气污染指数(Air Pollution Index,API)系统增加了O3,一定程度地考虑了大气氧化性增高的问题,但其所表征的空气质量状况与实际空气污染水平和公众感受仍存在差异。对2006年珠三角和香港监测数据的研究表明,RAQI较API能更充分地体现空气质量的分级;小时RAQI能够实时准确地反映了环境质量的变化,较每日RAQI更具有实际意义;加入PM2.5或采用不同的O3、PM10和PM2.5环境质量标准,是影响RAQI的重要因素。PM2.5/PM10为0.7,比世界卫生组织推荐的PM2.5/PM10为0.5的比例更符合珠三角的实际情况。因此,增加细粒子污染物PM2.5,适当调严某些污染物的环境质量标准,增加RAQI的发布频次,可以使RAQI更全面、准确地反映区域空气污染状况,是RAQI改进的方向。     

城市空气污染数值预报的技术关键

在分析城市空气污染数值预报要素的基础上,建立了包括污染源排放清单,气象中尺度数值预报模型MM5,ADMS-城市模型软件的城市空气质量预报系统。首次提出了空气质量环境背景值的确定等提高城市空气污染预报准确率的有效措施。     

影响深圳市空气质量的天气因素分析

影响城市空气质量的因素很多，其中天气因素的变化与空气污染指数关系十分密切。本文对深圳市2001—2002年冬春季、夏秋季共365天的空气污染指数与天气因素(天气类型、气象因子)的相关性进行了详细分析，以期对深圳市空气污染指数的预报工作有一定的参考。     

锦州市2005-2006年环境空气质量现状分析

根据锦州市2005年1月1日至2006年12月31日的环境空气质量监测资料,对锦州市每日的空气质量水平和可吸入颗粒物、二氧化硫和二氧化氮的月平均值和年平均值、空气质量级别、首要污染物等指标进行了统计分析.结果表明,锦州市的空气污染状况与冬季采暖和大尺度的天气现象如季风和降雨量等密切相关.     

抚顺市2005年空气污染指数分析

文章根据2005年抚顺市的空气污染指数资料,对2005年抚顺市空气质量级别、空气污染指数的月平均值及变化规律、首要污染物等指标进行了统计分析,并从多方面分析其成因.     

城市空气污染预报试探

本文利用风的污染指数,提出了一种空气污染预报方法,即在气象台站天气预报的基础上,进行逐日的空气质量指数预报。通过实测资料的初步检验,效果尚好。     

阜新市空气污染指数分析

根据阜新市环境监测中心站空气自动站监测数据,运用空气污染指数法,对阜新市2007年空气质量进行分析。结果表明:2007年阜新市空气质量级别为良,首要污染物为PM10。冬春季空气污染较重,污染源排放、不利气象和二次扬尘等因素是造成阜新市大气污染的主要原因。     

南京秋冬季典型霾污染过程及边界层特征分析

针对近年来南京地区秋冬季的几次典型秋冬季霾污染过程,利用地面空气污染监测资料、探空资料、常规气象观测资料,对霾污染过程的特征,特别是边界层特征进行综合分析。结果表明,秋收季节秸秆燃烧对于南京及周边地区的空气质量有明显影响,局地空气污染指数飙高。南京及周边地区几次霾污染过程,均出现逆温层,贴地逆温、脱地逆温均影响霾的形成。5次霾污染过程中,均有观测时次混合层高度小于200 m,并且低混合层高度持续时间与API高值时间一致。总体上,混合层高度与API(AQI)呈相反趋势。     

德黑兰空气污染警钟鸣

１１月的伊朗首都德黑兰，即使白天也是灰蒙蒙一片，能见度很低，有害的汽车尾气让许多市民外出都不得不戴上口罩。市政府的特别紧急委员会连日来不断发出空气污染警报，称空气中一氧化碳等有害物的含量急剧增加，空气质量已达到“有危害级别”，甚至有可能达到“危急级别”。特别紧急委员还建议患有心血管疾病、呼吸系统疾病的市民取消不必要的外出，避免因空气污染加重病情。德黑兰的空气污染已成为一个相当严重的问题，据媒体报道，德黑兰一年当中约有３００天的空气质量属于不健康级，这个城市每年大约有５０００名市民的死亡与大气污染…     

城市空气质量中长期预报的探讨

江苏省环境空气质量预报工作已开展多年,在这几年的预报工作中,发现现在使用的对未来24 h空气质量预报的方式上存在一些问题,从而限制空气质量预报发挥应有的作用.改进预报方式,在现有的空气质量预报的基础上,开展城市空气质量的中长期预报,有利于各级政府及环境管理部门,提前采取必要的措施,减少或控制污染的产生,从而避免城市空气污染事件的发生,以保护城市居民的身体健康.     

空气污染指数

空气污染指数(Air Pollution Index，简称API)就是将常规监测的几种空气污染物浓度简化成为单一的概念性指数值形式，并分级表征空气污染程度和空气质量状况，适合于表示城市的短期空气质量状况和变化趋势。     

北京市重度大气污染时段污染物时空扩散特征

该文通过分别对北京市重度大气污染时段的风力与空气污染指数(API)以及空气质量指数(AQI)分析,建立了风力预测大气污染程度的回归模型,并探讨了不同风力条件下空气质量(污染)指数时空扩散规律。结果表明:(1)风力与空气质量指数和空气质量指数均为负相关,且有极其显著的相关性,但空气质量指数对风力的响应程度更高。(2)各空气污染指数预测模型均表现出南部模型精度中部北京市北部,前者比后者的精度高16%~26%。二次模型是预测空气污染指数简便、实用、有效的模型。而在空气质量指数预测模型中,北京市、中部及南部均是指数模型预测能力最好,二次模型较差。北部则相反。(3)重度大气污染时段,大气污染物由南向北扩散过程基本需要3 d时间。若南部空气质量指数300,且污染过程持续4 d,则北部的污染程度将超过南部。一般情况下,风力需要大于3级,且要持续1 d以上,空气污染程度才会降低。否则,全市大气污染程度相差不大,均处于重度或严重污染。     

基于BP神经网络的空气污染指数预测模型研究

BP神经网络已成为研究空气污染预测的有效工具之一。文章利用近十年北京市地面气象观测资料和空气污染指数数据,通过BP神经网络技术构建了不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测。通过相关系数分析法,对比分析了预测结果与实际监测结果,研究结果表明:春、夏、秋、冬季的预测值与监测值线性相关系数分别为0.81、0.84、0.89、0.85。北京春季常伴随有沙尘天气,而文章并没有考虑沙尘天气对预测模型的影响,因此春季BP神经网络预测精度在四季中最低,其预测值与监测值的线性相关系数为0.81。由于秋季不同空气质量级别的数据都有较多分布,因此该季节构建的网络更具有代表性,其预测精度在四季中最高,预测值与监测值的线性相关系数高达0.89。总之,BP神经网络模型对于北京空气污染指数预测是行之有效的。