邯郸市PM_(10)、PM_(2.5)和PM_(1.0)在线监测研究

对2015年3月—2016年2月邯郸市大气中的PM_(10)、PM_(2.5)和PM_(1.0)进行了在线监测,探讨了其质量浓度的变化特征,并分析了其质量浓度与风速、风向的关系。结果表明:邯郸市颗粒物质量浓度水平较高,β射线吸收法所监测的PM_(10_WET)、PM_(2.5_WET)和PM_(1.0_WET)年均浓度值分别为202.5,114.8,81.1μg/m~3,PM_(2.5_DRY)/PM_(10_WET)和PM_(2.5_WET)/PM_(10_WET)分别为0.58、0.70,PM_(1_DRY)/PM_(2.5_WET)和PM_(1_WET)/PM_(2.5_WET)分别为0.58、0.71,PM_(2.5)为PM_(10)中的主要组成,PM_(1.0)为PM_(2.5)中的主要组成。邯郸市PM_(10)、PM_(2.5)和PM_(1.0)质量浓度冬季最高;PM_(10)、PM_(2.5)和PM_(1.0)日变化峰值为上午09:00左右,谷值为下午16:00左右,扬沙、降雨,霾和春节不同条件下PM_(10)、PM_(2.5)和PM_(1.0)差异明显。邯郸市PM_(10)、PM_(2.5)和PM_(1.0)的浓度高值主要分布在风向0°~100°和175°~225°、风速小于1 m/s的情况下。     

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。     

深圳市PM_(2.5)浓度特征及统计预报研究

根据2015年1—12月深圳市城区11站点PM_(2.5)小时浓度监测数据,探讨了深圳市PM_(2.5)浓度的时空分布特征。结果显示:监测期间深圳市城区PM_(2.5)平均浓度为29.8μg/m~3,PM_(2.5)平均浓度整体呈现出:冬季>秋季>春季>夏季的特征,PM_(2.5)质量浓度日变化整体呈现出双峰型分布,午后12:00—16:00浓度较低。空间分布上,年均浓度从东南至西北方向依次升高,梯度特征明显。PM_(2.5)浓度与PM_(10)呈高度相关,与SO_2、NO_2、CO呈显著正相关,与O_3呈实相关。相邻城市间空气污染物浓度呈现出一定的相关性,区域污染突出。建立的PM_(2.5)回归统计模型对深圳市2015年PM_(2.5)临近预报的级别准确率在70%以上,能较好地反映PM_(2.5)浓度变化趋势。     

乌鲁木齐PM_(10)和PM_(2.5)的形貌特征与来源解析

PM_(10)和PM_(2.5)是近年来乌鲁木齐市空气质量的首要污染物,其成分复杂,来源不清。采用扫描电镜和离子色谱研究了乌鲁木齐市2015年采暖期和非采暖期大气颗粒物PM_(10)和PM_(2.5)的显微形貌,元素组成及其水溶性离子特征,并采用主成分分析法(PCA)对其来源进行解析。结果表明:PM_(10)和PM_(2.5)的颗粒形态各异,以球状、团絮状形状居多。主要物质有硅铝酸盐颗粒、铁氧化物颗粒,硫酸/碳酸盐晶体,碳质气溶胶以及不明物质等。采暖期和非采暖期主要的无机水溶性离子分别是SO_4~(2-)、NH_4~+、NO_3~-、Cl~-和SO_4~(2-)、NH_4~+、NO_3~-、Ca~(2+)。推测乌鲁木齐市颗粒物污染主要来源于固定污染源。     

大气自动监测中PM_(2.5)和PM_(10)倒挂成因及处理方法研究

PM_(2.5)是指环境空气中空气动力学当量直径小于或等于2.5微米的颗粒物,PM_(10)是指环境空气中空气动力学当量直径小于或等于10μm的颗粒物。从理论上来讲,在PM_(2.5)和PM_(10)监测过程中,PM_(2.5)的1小时平均质量浓度应该低于PM_(10),但是实际数据中还是会出现PM_(2.5)天于PM_(10)的情况,这就是PM_(2.5)和PM_(10)倒挂,本文将针对出现PM_(2.5)和PM_(10)倒挂的成瘾进行分析,并提出相应的处理方法。     

南京市冬春PM_(2.5)和PM_(10)污染特征及影响因素分析

南京2013年冬季至2014年春季多次出现灰霾污染天气过程,防治颗粒物污染刻不容缓,其中细颗粒物(PM_(10))和超细颗粒物(PM_(2.5))所占比例较大。利用南京市环保局空气质量发布平台污染物监测数据和中国天气网站气象要素数据,对冬春季PM_(2.5)和PM_(10)质量浓度的变化特征以及它们与气象条件的关系进行分析。结果表明:南京冬季PM_(2.5)、PM10平均浓度分别为0.0982,0.1536 mg/m3,春季平均浓度分别为0.0673,0.1207 mg/m3。市区和郊区污染程度由高到低依次为:市区>江宁>六合>溧水。南京空气中颗粒物小时平均浓度日变化呈"双峰双谷型"特征。颗粒物与相对湿度、降雨量和风力呈一定的负相关性,与温度呈一定的正相关性,它们共同影响颗粒物质量浓度水平和大气污染状况。     

城市森林植被区空气PM_(2.5)质量浓度时空变化

该研究选取北京大兴南海子公园植被区与亦庄非植被区PM_(2.5)数据进行研究,对比分析植被区与非植被区PM_(2.5)质量浓度日变化、月变化和年变化特征,典型天气下的PM_(2.5)质量浓度变化。结果表明:植被区PM_(2.5)质量浓度整体上低于非植被区,二者日变化均呈典型的双峰曲线,白天低,夜间高,最小值出现在下午15:00左右;从不同月份看,PM_(2.5)质量浓度最高值出现在冬季的1月、2月,最低值出现在6月、8月,整体表现为冬季月份明显高于其余月份;气温、降雨和大风均与PM_(2.5)浓度呈负相关,晴天时,温度较高,有利于PM_(2.5)浓度降低;降雨有利于空气颗粒物沉降,有效清除大气PM_(2.5)污染,降低其浓度;大风天气会增加大气环流,有助于颗粒物在大气中扩散,使PM_(2.5)不易滞留,从而导致浓度降低。降雨和大风均能导致PM_(2.5)污染降低,且城市森林植被对于PM_(2.5)有明显降低作用。     

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.     

宁波市区秋冬季PM_(2.5)质量浓度特征及影响因素分析

该研究基于2013年11-12月的宁波市空气质量监测数据和气象资料数据,分析了PM_(2.5)质量浓度变化特征,探讨了PM_(2.5)与其它粒径颗粒物、气体污染物以及多个气象因子之间的相关性及影响规律,构建了包含气象和污染气体因子的逐步回归模型,综合分析了2类因子对宁波市PM_(2.5)浓度的影响。研究结果表明:(1)研究时间段内的宁波PM_(2.5)质量浓度范围为(100.66±72.98)μg/m~3,超过粗颗粒PM_(2.5-10)的质量浓度,是可吸入颗粒物的主要组成部分。(2)PM_(2.5)与3种污染气体均表现出显著的相关性,其中与CO的质量浓度相关性最高,R=0.85。风速与PM_(2.5)呈现负相关,受西北-北风向影响下的PM_(2.5)浓度要明显高出其它风向影响下的浓度。降水对PM_(2.5)影响显著,降水日的PM_(2.5)平均质量浓度随降水强度呈现幂函数递减,为非降水日的48.4%。非降水日的PM_(2.5)浓度与相对湿度显著正相关,与日照时数显著负相关。(3)逐步回归结果表明,气象和污染气体两类因子能够解释PM_(2.5)浓度82.4%的变异。其中,CO是影响宁波市秋冬季PM_(2.5)浓度的首要显著因子。本研究对明确城市PM_(2.5)污染特征和影响因素具有参考价值和意义。     

基于PM_(2.5)的气囊式隐形防尘鼻塞设计

最近环境恶化,雾霾天气比较严重,人们身心健康严重受到大气中粉尘的影响,而我们研发的隐形防尘鼻塞就可以很好地解决这一问题。防尘鼻塞外部由环形气囊包裹,环形气囊目的是将鼻塞固定在鼻孔里面;内部由外壳包裹的五层阻滤结构,分别为挡尘网、滤布层、两层泡沫过滤层、活性碳层、杀菌层。不同的粉尘环境条件,防尘鼻塞内部的阻滤结构及阻滤层厚度都有所不同。对PM2.5粉尘的过滤效率:标准要求>95%,实测>95.43%;气流阻力85 L/min,标准要求<343Pa,实测<276 Pa。该防尘鼻塞可以很好的解决因雾霾天气对人们造成的身心危害,同时更加适合排尘严重的企业工人佩戴。具有很好的开发生产应用价值和社会效益。     

基于地统计学的江苏PM_(2.5)空间变异性分析

PM2.5是造成空气污染的重要因素之一,为了对江苏省PM2.5空间变异性进行研究,以江苏省PM2.5监测站数据,利用地统计模型,分析江苏省13市大气中PM2.5的污染程度。结果表明:普通克里格法的指数模型较球状模型和高斯模型更为适合;晴、雨、雪都是中等的变异性,其空间变化是由结构性因素和随机性因素共同作用的结果;晴天的块金系数为16.7%,空间相关性较强,而雨雪天气的空间相关性较弱,证实了雨雪天气对PM2.5有着较大的影响。     

基于环境监管平台的脱硫烟气SVR模型及优化

基于环境监管平台建立脱硫烟气SVR预测模型,通过Pearson系数、经验公式选择特征,利用网格寻参(gridsearch)、遗传算法(GA)以及粒子群优化算法(PSO)在5-fold交叉验证下对该模型优化、训练并预测。误差分析和比较表明SVR模型预测能力较高,遗传算法优化适应于此类数据训练,且SVR模型对于机组有依赖性。     

昆明市主城区PM_(2.5)与PM_(10)质量浓度分布特征研究

新修订的《环境空气质量标准》的发布,标志着环境保护工作开始从污染物排放控制管理阶段,转向环境质量管理阶段,昆明也被列入全国首批PM2.5监测公布区域。基于我国加大治理环境污染的力度和相关法律法规的颁布的大背景下,结合日益严重的城市环境污染问题,根据昆明市主城区2014年1—12月空气质量实时监测数据,按照GB3095—2012《环境空气质量标准》中的浓度限值标准,采用实地调查法与相关性分析等方法,对昆明市主城区大气颗粒物污染现状、变化趋势进行分析,利用插值法对PM2.5和PM10的空间分布进行描述。为昆明市继续打造旅游城市、园林城市和创建森林城市、低碳城市和生态城市提供决策支持。同时也将为后续城市发展驱动力分析、城市生态效益、碳循环和生物多样性等相关研究提供基础数据。     

自贡市PM_(2.5)浓度日变化规律及其与气象参数的关系

在连续30天实时采样监测基础上,对自贡市城区PM2.5浓度日变化规律及其与气象参数的关系进行了分析。结果表明,PM2.5浓度日变化规律显著,且与温度、湿度密切相关。     

基于Informer的PM2.5浓度预测

针对现有PM_2.5浓度时序预测模型预测精度不高的问题,基于Informer建立了1个Seq2Seq的单站点PM_2.5浓度多步时序预测模型,以历史污染物数据和气象数据为输入,实现对未来一段时间PM_2.5浓度的预测。所构建模型基于ProbSparse (概率稀疏)自注意力机制提取所输入的序列信息,能够广泛地捕获输入序列的长期依赖信息,并对影响因子之间复杂的非线性关系进行建模,从而提高预测准确度。采用北京市2015-2019年逐小时空气污染物数据与气象数据进行模型训练、验证和测试,建立与循环神经网络(RNN)、长短期记忆网络(LSTM)的对比实验并与其他现有研究方法进行比较,结果表明:对未来1~6 h的PM_2.5浓度时序预测,Informer的平均绝对误差(MAE)、均方根误差(RMSE)和可决系数(R2)指标均为最好,实现了较为准确的预测。     

包头市环境空气中PM_(2.5)源解析研究

为了对包头市环境空气中PM2.5来源进行解析,在包百大楼设立采样点,于2011年9月—2012年6月利用TH-150C智能中流量(TSP)采样器与PM10-5-2.5大气可吸入颗粒物切割器,采集细颗粒物的重量,利用测量前后滤膜的重量差和通入气体流量体积的比值得出PM2.5的质量浓度。利用电感耦合等离子体质谱仪测定PM2.5中无机元素的含量;2001A型有机碳/元素碳(OC/EC)分析仪,测定PM2.5中碳组分的含量;采用DionexIC-2500型离子色谱仪测定无机离子的含量,最后利用富集因子法对PM2.5进行源解析。研究结果表明:包头市环境空气中PM2.5的质量浓度随时间变化,特征为秋冬季明显高于春夏季,主要原因是进入10月份包头市开始采暖,燃煤的大量增加导致PM2.5的质量浓度的升高,同时源解析结果表明其主要来源为燃煤、汽车尾气的排放、金属冶炼、生物质的燃烧(垃圾焚烧)和土壤尘(包括建筑和道路扬尘等)。     

2013年北京市细颗粒物时空分布特征研究

根据2013年北京市PM2.5监测数据,系统分析了北京市PM2.5污染的时空分布特征,并利用克里格插值统计了四季PM2.5不同浓度区间的国土面积。结果显示:2013年全市PM2.5年均浓度为89.5μg/m3,超过年均35μg/m3的国标1.56倍;PM2.5浓度由高到低的季节依次是冬季、春季、秋季和夏季;空间分布上PM2.5呈现明显的南北梯度分布特征;2013年PM2.5平均浓度达标对应的国土面积占比夏季最大为73%,冬季最小为22%。     

燃烧源PM_(2.5)控制技术研究现状及展望

随着PM2.5对我国大气环境所造成的严重污染,PM2.5的排放和控制引起了社会广泛关注。燃料燃烧是PM2.5排放的重要来源,在简要介绍燃烧源PM2.5来源分布的基础上,主要对典型燃烧源PM2.5控制技术如炉内控制技术、烟气预团聚技术、ESP/BF联合除尘技术和先进布袋除尘技术等的技术原理、特点、研究现状和发展趋势进行了详细综述。     

天津市PM2.5污染特征与来源解析

使用2013—2018年大范围长期连续PM_(2.5)观测数据分析了天津市PM_(2.5)污染特征,并使用SMOKE/WRF/NAQPMS模型研究了天津市不同季节PM_(2.5)来源情况。天津市近年PM_(2.5)浓度逐年下降,2013—2018年的年均浓度从96μg/m3下降到52μg/m3,均呈现冬季浓度最高,春、秋季较高,夏季最低的趋势;空间分布上呈西高东低、南高北低的分布特征。本地排放是天津市PM_(2.5)主要来源,不同季节占比为30%～40%,周边城市的跨省输送特征明显,沧州市的贡献约为10%,廊坊市的贡献在、秋冬季较大,为10%～14%,山东省在冬季以外的季节也有10%左右的PM_(2.5)贡献,国外及海洋的贡献在夏季较大(23%),但在其他季节的贡献较小。多数时期二次生成的PM_(2.5)贡献比例最大,贡献为30%～40%,说明天津所在的华北地区二次反应较强烈。另外,居民源与工业源的排放占比也较大,特别是冬季的居民源,占比高达42%。制定防治措施时可考虑不同季节的地区联防联控,但由于本地的排放占比均较大,在任何季节都应该强化本地排放的控制,控制重点是居民源与工业源。