山西省PM2.5污染时空演变特征及其影响因素分析

由于PM2.5污染存在空间异质性与空间相关性的特点,因此探究PM2.5的时空演变规律并分析PM2.5污染程度的影响因素,对于山西省协同治理联防联控有着重要作用.基于2008-2018年山西省11个地级市PM2.5年度数据,该研究运用标准差椭圆法、普通克里金插值法、探索性空间数据分析法和建立空间杜宾模型,分别对山西省PM2.5污染重心转移、污染的空间分布、空间关联性和影响因素进行了研究.结果 表明:(1)山西省PM2.5污染重心随时间不断移动,但一直位于晋中市;PM2.5污染存在空间聚集特征,但特征变化不明显.(2)时间上,山西省PM2.5浓度在2011年达到峰值,之后逐年下降;空间上,大致呈现南高北低、东高西低的特点.(3)山西省PM2.5具有明显空间集聚现象和空间溢出效应.山西省大部分南部城市处在PM2.5高-高聚集区域.(4)人口密度、规模以上发电量对山西省PM2.5浓度具有显著正向作用,而城镇率对山西省PM2.5浓度具有显著的负向作用.     

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.     

太原采暖季霾和良天气下大气污染物的污染特征分析

为了探讨太原市大气污染物在霾天气下的污染特征,2013年12月至2014年3月对太原市大气污染物(PM10、PM2.5、SO2、NO2、CO和O3)质量浓度进了收集研究。分析结果表明无论是霾还是良天气,PM2.5和PM10的相关性最好,PM2.5与NO2的相关性最差。O3与PM2.5的相关系数均大于0.7,表明O3与PM2.5的形成有着密切的关系。     

兰州市供暖期PM_(2.5)浓度监测及其预报模型

利用兰州市2007-2009年供暖期PM2.5实测数据,统计分析观测期间PM2.5的超标率、超标倍数、浓度水平以及典型天气(浮尘、沙尘暴和灰霾)下PM2.5浓度日变化特征,并结合同期气象数据,运用多元逐步回归分析的方法建立兰州市供暖期PM2.5浓度预报模型,最后对模型进行验证。结果表明:兰州市2007-2009年供暖期PM2.5污染十分严重,2007-2009年PM2.5的超标率分别为59.2%、67.9%和68.8%,最大超标倍数分别达到2.88、3.17和3.60;2007-2009年供暖全期PM2.5浓度日变化呈"双峰双谷"型,浮尘、沙尘暴和霾天气下PM2.5浓度均远高于平均值,霾天气下PM2.5日均浓度值最高;兰州市供暖期PM2.5浓度预报模型的预报值与实测值的变化趋势基本一致,但对高浓度PM2.5模拟结果较差,PM2.5预报浓度准确率和等级准确率分别为70.2%和81.8%。     

基于BP神经网络的天津市PM2.5浓度预测研究

根据天津市2013年12月1日-2013年12月24日气象监测数据,先进行温度、湿度、风力因素对PM2.5浓度影响的相关性分析及定性分析,绘制温度、湿度和PM2.5浓度的二维趋势分布图及气体扩散风向浓度分布图;再运用BP神经网络模型对天津市2013年12月25日-2014年1月9日PM2.5浓度进行仿真预测,最终得到精确预测值.结果表明:温度及风速因素与PM2.5的浓度成反比,湿度因素与PM2.5的浓度成正比,而且通过BP神经网络模型对于“离散样本”、“气象参数不确定性”的实际天气情况可以得到较高的预测精度.     

北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系

北京2012~2013年的冬春多次出现雾霾天气,可吸入颗粒物(PM10)污染严重.而PM2.5作为PM10中粒径较小的部分,在PM10中所占比重越高,污染越严重.因此,本研究选取了能够覆盖北京所有区县的30个PM2.5和PM10的质量浓度监测点,对该地区的PM2.5和PM10污染特征进行分析,确定其空间差异特征和时间性变化特征.普通克里格插值(Original Kriging)法得到的北京地区冬、春季颗粒物浓度分布图显示,颗粒物浓度从北部山区到南部地区逐渐递增,在中心城区处,西部高于东部,且局部地区存在一定的城乡差异.颗粒物浓度月变化曲线呈单峰单谷型,1月最高,4月最低;逐日变化反映了PM2.5和PM10浓度具有较好的相关性,且受气象条件影响显著;日变化呈双峰趋势.本文选取日平均气温(℃)、相对湿度(%)、风速(风级)、降水量(mm)等气象因子,利用Spearman秩相关分析研究各个气象因子对大气PM2.5和PM10浓度的影响.北京冬季PM2.5和PM10的质量浓度分别与气温、相对湿度正相关,与风速负相关,风速和相对湿度是影响污染物质量浓度分布的主要因素.     

霾天气南京市大气PM_(2.5)中水溶性离子污染特征

为了讨论南京市大气细颗粒物(PM2.5)及水溶性组分在霾天气下的污染水平和污染特征,2007年6月10日至2008年5月29日对南京市大气细粒子PM2.5进行了采样,用PM2.5在线监测浓度、离子色谱法等分别测得PM2.5的质量浓度、水溶性离子组成,初步研究了南京市大气细粒子(PM2.5)及水溶性组分在霾天气下的污染水平和污染特征。结果表明,南京市大气细颗粒物污染严重,霾天气下PM2.5中总水溶性离子质量浓度为54.28μg/m3,为非霾天气的1.6倍。分析的6种离子中SO42-、NO3-、NH4+是PM2.5的主要组成成分。灰霾期间PM2.5与NO3-、SO42-、NH4+的相关性较高,PM2.5中颗粒物的主要存在形式可能为NH4Cl、NH4NO3,(NH)42SO4或NH4HSO4。对比不同季节不同天气下的SOR(SO2转化率)和NOR(NOx转化率),发现霾天气下SO2和NOX转化率高于正常天气,表明SO2、NO2在霾天气更容易转化为二次粒子。     

马尔可夫修正的BP神经网络在PM2.5预测中的应用

本文以昆山某点位的监测数据及天气网的气象数据为基础,选取了影响PM2.5因素中的10个指标进行了相关性分析,结果表明PM2.5与PM10是高度相关,与CO、SO_2、NO_2、O_3显著相关,并依据分析结果对模型输入数据进行了降维。运用BP网络对序列1-16的PM2.5进行预测,结果显示其误差在-25%~-26.9%。将预测误差划分为4个状态,计算概率转移矩阵,并对序列17、18的BP预测结果进行修正,结果显示修正后的误差由BP网络的-14%、-25%降为-7.1%、-8.3%,预测准确度大大提高,表明基于马尔可夫-BP神经网络模型在昆山PM2.5预测中具有一定的现实意义。     

广州市区PM2.5的时间变化

PM2.5是指大气中直径小于或等于2.5微米的颗粒物,不仅能够造成灰霾天气,而且会对人体健康造成重大危害。本文以广州市环境监测中心站2009年的监测数据为基础,对广州市区PM2.5的时间变化和原因进行了分析,结果表明广州市区的PM2.5冬季较高,夏季较低,最高浓度出现在10月,最低浓度出现在7月。PM2.5浓度日变化呈现出明显的双峰形;PM2.5浓度的时间变化特征与气象因素和污染源排放密切相关。     

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.