成都PM2.5与气象条件的关系及城市空间形态的影响

2013年2月1日至3月20日、2013年7月10日至8月10日对成都市大气中细颗粒物(PM2.5)进行连续监测,同步记录气象数据。将PM2.5质量浓度与城市气象条件进行相关性分析,研究气象条件对PM2.5质量浓度的影响。2月1日至3月20日PM2.5质量浓度平均为147.38μg/m3,7月10日至8月10日平均为50.19μg/m3,大气细颗粒物污染最严重的时间出现在2月1—6日。成都市各气象条件中,PM2.5质量浓度与能见度、风速呈现显著负相关,而与其他气象要素相关性较弱,降水对PM2.5质量浓度影响也很大。改善城市通风有利于成都市大气中PM2.5的稀释和消散。通过建立3D模型并运用计算流体力学(CFD)软件模拟成都市选定的一处密集的建成区域,分析城市空间形态对通风的影响。研究发现,在假设等温的情况下,多层密集的区域对城市通风影响小,而高层对城市通风影响很大,建筑高度相近的街道与风向平行的风速大于与风向成角度的,与风向平行的街道沿线为高层的风速高于沿线为多层的,较大的开敞空间及背景风速更有利于城市通风环境。     

山区土壤重金属空间插值性能的改进

山区土壤重金属监测中,密集均匀的布点采样困难大,成本高。根据稀疏非均匀样本数据准确预测山区土壤重金属空间分布,对可视化描述检测元素的分布及趋势具有重要意义。基于云南省楚雄市南部山区表层土壤中重金属锰、钒的采样数据,对集成径向基函数神经网络(IRBFANNs)和传统插值方法:反距离(IDW)、普通克里格(OK)、径向基函数神经网络(RBFANNs),进行了不同等级采样密度下的插值性能比较。结果表明,样本点数量减少时,传统预测方法的插值精度都有所下降,而IRBFANNs算法在样本点较少情况下能够保持最好的插值精确度和稳定性,有效改进了空间插值性能。     

基于LS-SVR、BP-ANN和MLR模型的PM10浓度预测

利用宁东能源化工基地PM10和气象监测数据,分别采用LS-SVR、BP-ANN和传统MLR模型预测PM10浓度变化。结果表明,较BP-ANN模型、MLR模型,LS-SVR模型能更好地刻画PM10浓度与各气象因素间的非线性相依关系,更准确地预测PM10浓度。     

一种移动通信基站发射天线非轴向功率密度预测模式

以移动通信基站轴向功率密度计算公式为基础,根据非轴向方向上实际监测点位和轴向方向的相对位置,对轴向功率密度计算公式参数进行系列修正,从而建立一种简单适用的移动通信基站非轴向方向上功率密度预测模式.     

镇江地区土壤中重金属Cu和Pb污染状况与空间分布

为了锯镇江地区土壤中重金属Cu和Ph的污染状况与空间分布,对镇江地区表层土壤中的Cu和Pb进行了采样监测。结果表明,镇江地区表层土壤中cu的含量为19．2～273mg／kg,Pb的含量为20．6～3846mg／kg。与全省土壤背景值相比,均有一定程度的富集。对cu和Pb的相互关系进行分析可得出,镇江地区土壤在一定程度上受到农业面源的污染。     

2013年北京市PM2.5重污染日时空分布特征研究

根据2013年北京市环境保护监测中心监测的PM2.5数据,系统分析了北京市重污染日PM2.5污染的时空分布特征,并利用克里格插值初步统计了全年和重污染日PM2.5不同浓度区间的国土面积。2013年全市PM2.5年均浓度为89.5μg/m3,重污染日平均浓度为218μg/m3,重污染日主要集中在冬季;PM2.5年均浓度呈现明显的南高北低梯度分布特征,而重污染日空间分布较均匀,南部及城六区存在明显的高污染区,平均浓度在180μg/m3以上;2013年北京市重污染日PM2.5平均浓度为150~250μg/m3,其对应的国土面积约为12 656 km2,PM2.5平均浓度在250μg/m3以上的国土面积约为883 km2,而全年无PM2.5平均浓度在150μg/m3以上所对应的国土面积。     

大数据解析技术在大气环境监测中的应用研究

针对近年来新兴的大数据及挖掘、分析技术,对大数据解析技术在环境科学研究中的应用进行了分析和探析。以城市局部地区大气细颗粒污染物PM2.5浓度计算为例,筛选了PM2.5浓度历史数据、气象条件、交通状况、人群活动情况、网格道路状况等数据为影响特征量,分析了用神经网络法进行大数据解析和推演的原理和数学过程,是用数学、计算机、统计等方法研究解决多元、非线性复杂环境问题的一种新的探索。     

Land Cover Changes as a Result of Environmental Restrictions on Nitrate Leaching in Dairy Farming

Nitrate leaching forms an important environmental problem because it causes pollution of groundwater and surface water, and adds to already problematic eutrophication. This study analyses the impact of reductions in nitrate leaching on land cover decisions of dairy farms, of which the activities make an important contribution to nitrate leaching. As the level of nitrate leaching depends on groundwater depth as well as on the supply of nitrogen, spatial variation in groundwater levels will cause a spatial variation in land cover under restrictions on nitrate leaching. A non-linear partial optimisation model for the economic and ecological aspects of the problem were used to show how land cover and dairy farms' financial balances change when nitrate losses are reduced. The model is spatially explicit, and describes nitrate leakage and yields of maize and grass as a function of groundwater depth, including the effects of various grazing systems. The model analyses the decisions of a risk neutral agent who minimises costs under the following constraints: (i) production, feed requirements and mass balances for fodder; (ii) constraints for nitrate leaching. Economic costs are attributed to increased costs of fodder and processing of manure when nitrate restrictions are tightened. An important result of the study is the variation in compliance costs and land cover for maize and grass production brought about by spatial variation in groundwater depth. While the effects are negligible for some shallow groundwater classes, it is extremely difficult in other classes – if not impossible – to obtain the EU standard of maximum admissible losses of 34 kg N ha^–1 at low costs. The study shows an important reduction in land cover by maize.     

京杭运河苏州市区段大型底栖动物种群结构特征与评价

对京杭运河苏州市区段4个点位进行了底栖动物群落结构和多样性进行多年研究,并进行了水质评价。结果表明,底栖动物共12种,寡毛类的克拉泊水丝蚓为各点位的优势种;从时间尺度来看,S1点位的物种种类数量从2008年开始明显增加,软体类物种出现,种群密度也在增加,生物污染指数下降,水质明显改善;从空间尺度来看,京杭运河苏州市区段上游和中游物种种类数量要多于下游和老运河城区段,下游水质有所下降。     

基于污染指数与ArcGIS的聊城市耕地OCPs污染研究

按8 km×8 km网格将聊城市耕地划分为136个采样点,调查六六六(BHCs)、滴滴涕(DDTs)、艾氏剂、狄氏剂、异狄氏剂、六氯苯和七氯等7种有机氯农药(OCPs)的残留状况。采用单因子污染指数和综合污染指数法进行污染评价,以此判断OCPs的污染程度。对7种OCPs在各样点中的含量进行差异分析,并应用ArcGIS8.3,以污染评价结果为数据支持,进行OCPs污染空间分布研究。结果表明,聊城市OCPs污染程度依次为DDTs>狄氏剂>七氯>艾氏剂>BHCs>异狄氏剂>六氯苯,总体变异程度依次为DDTs>狄氏剂>异狄氏剂>BHCs>七氯>六氯苯>艾氏剂。各OCPs空间分布没有固定的变化趋势;各采样点综合污染水平存在地域差异,以临清市污染最为严重,其他各县市污染较轻。