基于相关函数和卷积神经网络的结构损伤识别

为了改善基于振动信号的结构损伤识别效果,提出一种基于相关函数和卷积神经网络相结合的结构损伤识别方法。以一铁路钢梁桥结构为例,首先通过对结构的振动响应进行自相关运算来提高振动信号的信噪比,再使用自相关样本作为卷积神经网络(convolutional neural network,CNN)的输入可以显著提高其识别精度,且当振动信号中的噪声水平越高时,自相关样本作为CNN输入的识别精度的提升效果越明显,且自相关运算具有比快速傅里叶变换(fast Fourier transform,FFT)更强的抗噪性。使用互相关函数对结构上布置的多传感器的数据进行融合,再将融合后的信号作为CNN的输入,互相关在对2个传感器数据特征有效融合的前提下可以成倍地削减数据集的维度,减少网络运算的参数量,从而减少用时提高训练效率,且互相关样本作为网络输入同样具有较高的识别精度和较强的抗噪性。

基于机器学习-网格搜索优化的砂土液化预测

砂土液化是一种破坏力较强的地震次生灾害,传统的砂土液化判别方法存在一定的局限性。提出两种液化判别方法,第一种是基于新西兰岩土数据库(New Zealand Geotechnical Database,NZGD)中519组静力触探试验数据,建立具有砂土液化预测功能的机器学习模型。首先建立支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、XGboost(eXtreme gradient boosting,XGB)三种机器学习分类模型,运用网格搜索(GridSearchCV)法进行超参数优化后,采用整体精度(overall accuracy,OA)、精确率(P)、召回率(R)、F_(1)值对模型进行性能评估,对历史液化数据进行模型验证并与国内外方法进行结果对比。第二种是基于历史震害数据,采用经验判断法确定的静力触探初判条件。结果表明:随机森林可作为一种具有较强的预测能力的液化判别模型,通过与国内《岩土工程勘察规范》以及国际Olsen方法进行对比,选取要素简便且计算迅速的随机森林能够达到与上述两种权威方法接近的准确性,是一种可实行的液化判别模型;此外,基于历史液化数据库归结出不同烈度下,具备液化埋深限制的锥尖阻力阈值,经数据验证在7烈度区、8烈度区、9烈度区的准确率良好,与《岩土工程勘察规范》进行对比发现有可操作性好、可解释性强、可适用性广等优点。所建立的模型对砂土液化预测具有较强的适用性,静力触探初判条件亦可作为快速液化判别的参考值,两种方法结合可对科学研究和工程建设提供较好的参考价值。

基于时频分析与深度学习的结构震后损伤评估

为评估地震后钢筋混凝土(RC)框架结构的损伤状态,提高损伤评估的效率和精度,文章提出一种基于时频分析和一维卷积神经网络(1D-CNN)的地震损伤评估方法。首先利用增量动力时程分析对一个6层RC框架结构进行地震损伤模拟,并根据最大层间位移角对加速度信号进行损伤程度的标定,以此来获取数据样本,随后应用五种不同的时频分析方法对原始信号进行处理;然后建立基于1D-CNN的地震损伤评估模型,并利用贝叶斯优化算法寻找模型中的最优参数组合;最后评估所提出模型方法在噪声情况下的泛化能力。研究结果表明:五种时频分析方法中,小波散射变换方法的准确率最高,达92.5%,且计算速度也最快,仅需144 s;另外在噪声下该方法仍可以保持较高的损伤评估准确率,具有较好的鲁棒性和泛化能力。

基于Stacking模型融合策略的日本俯冲带板缘地震动预测

高精度的地震动预测模型有助于提高地震灾害的预警和应对能力。传统回归方法构建地震动预测模型时提前设定了方程的形式,此种方法存在一定局限性,难以反映地震动传播过程中的复杂规律,因此越来越多的学者尝试应用机器学习方法构建地震动预测模型。但采用单一的机器学习算法,难以从数据中捕捉到更多规律,最终导致模型精度难以提升。本文基于日本KiK-net和K-Net强震台网收集到的俯冲带板缘地震动记录,使用Stacking模型融合策略,以LightGBM、XGBoost和CatBoost算法作为基学习器,线性回归算法作为元学习器,引入客观且高效的贝叶斯优化算法对模型进行超参数优化,最终训练并提出了一种适用于日本俯冲带板缘地震动预测的融合模型Stacking-Interface。对比分析所提出模型、单一机器学习模型和传统模型,发现机器学习模型的精度普遍高于传统模型,且相较于单一的机器学习模型,融合模型的预测能力有一定的提升;通过与实际地震动记录的对比和特征参数敏感性分析,验证了所提模型的可靠性和泛化能力。研究方法和结果能够为地震风险分析提供参考。

基于GIS和多种机器学习算法的广东省森林火灾预测模型

森林火灾是严重的自然灾害,造成严重的森林资源破坏和社会经济损失。广东省是我国森林火灾高发区之一,针对该区域的森林火灾发生特点,准确预测可提供有效的防范措施。大多数森林火灾预测研究仅从气象因素或少数特征因素出发考虑,并未考虑到森林火灾的发生的复杂性以及预测准确率较低的问题。因此,本研究提出一种基于GIS和机器学习结合的高准确率的森林火灾预测方法,将XGBoost(eXtreme gradent boosting,XGB)、Light GBM(light gradient boosting machine)、CatBoost(categorical boosting)、深度神经网络(DNN)、随机森林(RF)5种机器学习算法作为预测模型;基于气象数据、地形数据、植被数据、基础设施数据、社会和人类数据,选择了24个特征因素作为模型输入。从更多林火发生特征因素出发,构建广东省日尺度林火发生预测模型;同时引入基于Optuna框架的贝叶斯自动超参数优化方法,其自动超参数优化特性,在面对不同数据结构时可以自动优化参数组合,提升林火预测模型的准确率。结果表明,XGBoost模型最优,准确率为91.30%;利用2018年的数据验证林火预测模型,其验证准确率结果为87.81%;利用GIS绘制广东省森林火灾风险图,同时模型准确率明显优于其他研究的林火预测模型。本研究可为广东省林业防火提供科学参考。

基于深层卷积神经网络的震级快速估算方法

当前地震预警中的震级估算方法是通过初至几秒地震波的特征参数与震级的经验关系来实现的,这些特征参数依赖于人的经验和主观判断,没有充分利用初至地震波中与震级相关的信息,制约了震级估算效果.对此,本文利用深层卷积神经网络(Deep Convolutional Neural Networks,CNN)直接从初至地震波中自动提取特征,实现端到端的震级快速估算.CNN方法以单台站的初至竖向地震波作为主输入,震中距、震源深度以及V s30作为辅助输入,震级作为输出.利用日本和智利的大量地表强震记录对CNN方法进行训练(98257条记录)、验证(31429条记录)和测试(40638条记录),利用美国和新西兰的强震记录进行泛化性能测试(583条记录),并与应用最为广泛的峰值位移Pd方法进行对比.结果表明,当初至地震波时长为3 s时,在4~6.4级范围内,CNN方法估算震级的准确率是Pd方法的1.5倍,在6.5~9级范围,CNN方法估算震级的准确率是Pd方法的1.2倍;当初至地震波从3 s增加到10 s时,CNN方法能够随着地震波时长的增加不断提高估算震级的准确率,并且始终高于Pd方法,特别是对于4~6.4级地震,CNN方法在初至3 s地震波时估算震级的准确率是Pd方法在初至10 s地震波时的1.2倍;随着地震波时长的增加,CNN方法对于震级饱和问题的改善效果优于Pd方法;CNN方法具有较好的泛化能力,在训练数据集之外的区域,比Pd方法估算震级更准确.相比于人为定义的特征参数,CNN方法从初至地震波中自动学习到了与震级更为相关的特征,这些特征极大地改善了震级估算的准确性和时效性,可以为地震预警系统提供更快速更准确的震级估算.

泸定M s6.8地震房屋损失快速评估

震后房屋损失的快速评估对于灾后应急救援等至关重要。现有的地震风险评估方法要么仅提供损失的均值,要么以某一方差常数来描述损失的分布特征,均无法准确有效地反映各空间位置点损失的随机性及相关关系,最终影响整体损失评估结果的准确度。本文基于Copula理论,提出了一种适用于地震巨灾风险分析的相关随机变量模拟方法,好处是在实现快速计算的同时,能够考虑地震损失中的不确定性与相关性。利用所提方法对2022年9月5日四川泸定6.8级地震的房屋损失进行评估,得到了各结构类型与县区的损失分布,并与PAGER方法所得到的损失分布进行对比。结果表明:此次地震房屋总体损失超过89.8%的概率处于10~100亿元人民币量级水平,其中超过50.8%的概率为20~50亿元人民币;损失较大的三个县区分别是泸定县、石棉县和荥经县,砌体结构的经济损失约是框架结构的2倍;相比于PAGER,该方法给出的损失概率分布形状更加灵活,能够详细地反映不同县区的房屋损失特征。研究方法和结果为震后损失快速评估技术提供参考,也为未来地震的灾后应急救援等提供科学依据。

基于时频变换和卷积神经网络的结构损伤识别

为了解决将单传感器时域数据直接作为卷积神经网络(CNN)的输入所引起的损伤识别精度不高的问题,提出基于小波包变换(DWPT)和快速傅里叶变换(FFT)的卷积神经网络识别方法。以短钢梁桥现场试验测得的数据集为例,将单传感器数据样本分别进行DWPT和FFT变换,使用变换后的特征训练1D-CNN网络,训练好的网络测试精度有明显的提升,其识别精度均高于多个传感器数据直接作为输入的识别精度。同时分析了对噪声样本和异源(结构上未曾参与网络训练的传感器)数据的识别情况,结果表明对含噪声样本先进行时频变换再训练网络能显著提升对噪声样本的识别精度,而且能改善训练好的网络难以对异源传感器数据进行识别的问题,最后通过卡塔尔大学看台现场试验数据进一步论证上述结论。

基于振型曲率演化法的RC框架结构地震损伤识别

为快速识别地震导致的框架结构损伤,采用一种新的损伤识别方法,即振型曲率演化法。该方法采用S变换对结构顶部的加速度进行分析,进而得出地震前与地震期间的两个重要时刻,然后通过计算这两个时刻的振型曲率差识别结构薄弱层位置。为验证该方法的合理性和有效性,以6层3跨RC框架结构为例,在不同地震波和不同调幅工况下,分别对比振型曲率演化法与单参数层间位移角、双参数损伤指数两种损伤指标识别的结构薄弱层位置。在此基础上进一步研究了振型曲率差与两种损伤指标之间的相关性,并建立了线性关联模型来识别薄弱层损伤程度。结果表明:振型曲率演化法与两种损伤指标在不同地震工况作用下识别的薄弱层有很好的一致性,说明该方法能够准确识别结构薄弱层位置。振型曲率差与两种损伤指标之间的拟合公式的相关系数均在0.8以上,相关性都很高,通过分析这种相关性,可以利用振型曲率差获得结构薄弱层的损伤程度。

基于KiK-net记录的PGA与Sa场地影响因子分布研究

场地条件对地震动有着重要的影响,它一般通过地表峰值加速度PGA或者谱加速度Sa在不同场地条件下的放大系数表示。以往的相关研究中缺少大量的实测地震动数据分析;没有明确给出PGA和Sa在不同场景下的适用性;较少赋予其放大系数分布概率含义。选取KiK-net台网1997—2019年记录的210多万条地震动信息,通过PGA与Sa放大系数的分布分析了其在不同场景下的适用性,然后基于控制变量法和回归方法对每个台站的PGA放大系数进行拟合分析,最后对不同场地类别的PGA放大系数进行了概率分布函数拟合。研究结果表明:场地条件不变情况下,地震动放大系数的分布有很好的规律性;Sa较PGA放大系数分布离散程度更小,且随着Sa周期增加,其离散程度呈现逐渐减小趋势,在建筑物周期确定的情况下,Sa具有更高的适用性;Ⅰ、Ⅱ类场地且周期大于1.0 s的Sa放大系数具有较高的稳定性;相同场地条件下,PGA放大系数呈非线性分布,随着基岩PGA(PGA R)的增加逐渐减少;PGA放大系数趋于指数正态分布。研究结果可用于未来更加准确地估计损失与描述场地条件对地震动的影响。

基于迁移学习的框架结构损伤识别研究

为探究基于迁移学习的ResNet-18网络模型在框架结构损伤识别中的效果,分别建立了基于贝叶斯优化的一维卷积神经网络模型和基于迁移学习的ResNet-18网络模型,采用六层框架的有限元模拟数据和卡塔尔大学看台缩尺实验数据分别考虑单测点数据(单通道)和多测点数据(多通道)对模型进行训练并对比其预测结果。结果表明:多通道数据相对于单通道数据包含的结构损伤特征更全面,基于多通道数据训练的模型损伤识别正确率更高并且有良好的抗噪性。基于迁移学习的ResNet-18模型和一维卷积神经网络模型相比提取特征的能力和抗噪性更强,但由于网络结构更深训练所需时间更长。

大气污染资料同化与应用综述

我国正面临以高浓度臭氧和细颗粒物为典型特征的大气复合污染问题,对其进行模拟和预报是有效应对大气污染的关键。大气复合污染预报的不确定性来源复杂,同时存在化学非线性的影响,各种模式输入不确定性对模拟预报影响的时空差异较大,从而导致很多不确定性约束方法难以确定关键的不确定性因子而进行有针对性的约束和订正。利用资料同化方法融合模式、多源观测等信息,减小模式输入数据的不确定性成为提升大气污染模拟预报精度的关键。本文将简要介绍大气污染资料同化相关的模式不确定性、同化算法以及污染物浓度场同化、源反演研究上的进展,探讨大气污染资料同化面临的主要挑战和发展趋势。

北京地区一次空气重污染过程的目标观测分析

针对北京市2016年12月16～21日的空气重污染过程进行了回报试验,探讨了该次事件预报的目标观测敏感区。使用新一代高分辨率中尺度气象模式(Weather Research Forecasting,WRF)和嵌套网格空气质量模式(Nested Air Quality Prediction Model System,NAQPMS),针对初始气象场的不确定性,通过4套初始场资料识别了影响北京地区细颗粒物(PM2.5)预报水平的目标观测敏感变量及其敏感区。结果表明:当综合考虑初始气象场的风场、温度、比湿不确定性的影响时,发现改善黑龙江区域上述气象要素的初始场精度,对北京地区PM2.5预报不确定的减小最显著;当分别考察风场、温度、比湿的不确定性的影响时,发现初始风场精度的改善,尤其是黑龙江区域风场精度的改善,能够更大程度地减小北京地区PM2.5的预报误差,对北京东南地区的PM2.5预报误差的减小甚至可达到40%以上。因此,优先对黑龙江区域的气象场,尤其是该区域的风场进行目标观测,并将其同化到预报模式的初始场中,将会有效提高初始气象场的质量,进而大大减小北京地区PM2.5浓度的预报误差,提高北京地区空气质量的预报技巧。初始风场代表了北京地区该次空气重污染事件预报的目标观测变量,而黑龙江地区则是该目标观测的敏感区域。

衡水市大气污染成因研究及治理经验

衡水市作为“2+26”城市中典型的低GDP、高污染城市,其空气质量排名常年处于74个重点城市的后10位.自大气重污染成因与治理攻关项目工作开展以来,衡水市开展了大量污染成因研究及污染治理工作,已取得了较为明显的大气污染治理成效.从空气质量变化、排放源、污染物来源解析及气象条件与排放贡献等方面,梳理了衡水市大气污染成因研究及治理经验.结果表明:①衡水市的空气质量得到较大改善,PM10和PM2.5治理成效明显.2018年衡水市ρ(PM10)和ρ(PM2.5)年均值比2017年分别下降了25.12%和19.73%,比2013年分别下降了54.84%和51.22%,但O3污染形势逐渐严峻,以O3为首要污染物的天数由55d(2013年)增至125d(2018年).②相比于2016年,衡水市2017年SO2、NOx、CO、PM10、PM2.5、BC、OC、VOC的排放总量均大幅下降.③2013—2018年导致衡水市PM2.5下降的因素中,气象因素占8.0%,排放源因素占92.0%,说明衡水市通过减排措施改善空气质量的效果较为显著.④硝酸盐已经取代硫酸盐成为秋冬季颗粒物二次转化中最重要、占比最高的成分.研究显示,衡水市高ρ(PM2.5)主要以本地排放和临近地区输送为主,为有效控制衡水市PM2.5污染的发生与发展,应采取本地排放控制与“2+26”城市联防联控相结合的方案.

一个适用于地球系统模式（CAS-ESM）的在线气溶胶与大气化学分量模式（IAP-AACM）的发展与评估

地球系统模式是研究全球气候与生态环境变化问题的重要工具,气溶胶与大气化学模式负责为其中的大气环流模式提供与气候效应有关的气态化学物质和气溶胶成分。本文在全球嵌套网格空气质量预报模式系统的基础上发展了一个适用于中国科学院地球系统模式(CAS-ESM)耦合计算的气溶胶与大气化学分量模式(IAPAACM),采用简化的气相化学机制,不仅考虑了人为气溶胶,同时考虑了海盐、沙尘和二甲基硫等自然气溶胶及其前体物的在线排放。评估结果表明,IAP-AACM氧化剂插值计算可靠,采用简化机制和碳键机制(CBM-Z)模拟的差异较小。和观测的对比表明,得益于CAS-ESM的气溶胶双向反馈作用,简化版能够较好地抓住气溶胶及其前体物的空间分布,为IAP-AGCM提供可靠的气溶胶模拟。另外,简化版能大幅提升计算效率,满足CASESM耦合长期积分的需求。为了在全球气候变化的研究中提供更完善的气溶胶模拟,未来考虑在IAP-AACM中增加氮化学和臭氧平流层化学机制。

改进的超级集成预报方法在长江三角洲地区O_3预报中的应用

针对当前单模式系统臭氧(O_3)预报的不确定性问题,提出了一种基于活动区间的多模式超级集成的、高效的预报方法。本研究基于长江三角洲(长三角)地区多模式空气质量预报系统,将改进后的超级集成预报方法(AR-SUP)运用到2015年长三角地区的O_3预报中,并与滑动训练期的超级集成预报(R-SUP)、多模式集成平均预报(EMN)、消除偏差的集成平均预报(BREM)对比,结果表明AR-SUP对预报效果的改善最明显,其在暖季和冷季的均方根误差(RMSE)较最优单模式平均下降了20%和23%。将AR-SUP运用到48h和72h预报中发现,当预报时效增加时该方法依旧保持较高的预报技巧。多项统计数据均证明AR-SUP在研究时段内所有站点均能显著减小O_3预报误差、提高整体相关性和一致性,有效提高当前短期(三天)预报准确率。

京津冀典型工业城市沙河市大气污染特征及来源分析

近些年京津冀地区秋、冬季大气重污染事件频发,工业生产与居民燃煤是大气灰霾污染的重要原因。河北省沙河市是京津冀地区以玻璃制造和加工为主的典型工业城市,本研究选取该城市为研究对象,主要利用2017年1月至12月国控站点的大气环境监测和气象数据,采用扩散模型、潜在源分析等手段,分析了沙河市主要污染物的时空分布特征和污染来源。主要结论有:(1)沙河市首要污染物具有明显季节特征,春季、夏季、秋冬季分别以PM10、O3、PM2.5污染为主,季节贡献率分别为43.3%、72.3%、61.5%。(2)受城市大气边界层和排放的共同影响,PM10、PM2.5、SO2、NO2和CO浓度均有剧烈的季节-日变化特征。(3)冬季东北风时PM2.5、NO2、SO2均展现出高浓度和高相关性特征,表明站点可能受东北方向玻璃企业排放影响。同时,站点可能也受城中村散煤燃烧影响。(4)沙河市冬季PM2.5浓度为143μg m-3。冬季的一次重污染中硫氧化率SOR、氮氧化率NOR的最高值分别达0.67、0.39,气态污染物的二次转化剧烈,高湿度利于二次粒子的生成。重污染中C(NO3-)/C(SO42-)均值为1.89,推测沙河市NO2主要来自大型运输车辆和企业的共同排放。(5)本地源是沙河市PM2.5的主要潜在源区,周边几个重工业城市也有一定贡献。因此本研究建议沙河市PM2.5的治理除需加强本地污染源的削减和控制外,区域联防联控也十分重要。

基于京津冀高密度地面观测网络的大气污染物浓度地面观测代表性误差估计

地面观测提供空间点的浓度信息,三维化学模式提供网格面的浓度信息,两者在进行对比验证或同化融合时会因为空间尺度不匹配引入误差,即观测代表性误差。本研究将大气污染地面国控监测站与区县监测站结合起来,获得了京津冀地区高密度地面观测数据,利用该数据首次对京津冀地区6项常规大气污染物(PM_(2.5)、PM_(10)、SO_2、NO_2、CO和O_3)的地面观测代表性误差进行了客观估计,并与Elbern et al.(2007)方法估计的代表性误差进行了对比。结果发现:两种方法对京津冀地区NO_2地面观测代表性误差估计非常接近,但Elbern et al.(2007)方法显著低估了SO_2、CO和O_3地面观测的代表性误差。在此基础上,我们对Elbern et al.(2007)方法及其误差特征参数进行了本地化修正,并增加了PM_(2.5)和PM_(10)的代表性误差特征参数,建立了京津冀大气污染地面观测代表性误差的客观估计方法。

焦作市大气污染时空分布特征及来源分析

焦作市是京津冀地区“2+26”通道城市之一.为研究焦作市大气污染特征,于2016年1月—2018年2月使用3个国控站点(马村区生态环境局、焦作市生态环境局和高新区政府)大气环境监测数据,以及2018年1月焦作市边界站PM2.5及其化学组分(水溶性离子和碳组分)监测数据进行分析.结果显示:焦作市大气污染以PM2.5污染为主,2017年ρ(NO2)、ρ(PM2.5)、ρ(PM10)、ρ(CO)和ρ(SO2)平均值分别为42.4μg/m^3、79.0μg/m^3、136.5μg/m^3、1.42 mg/m^3和38.3μg m^3,较2016年分别下降了10.5%、10.6%、11.2%、20.7%和37.6%.在时间分布上,大气污染物质量浓度日变化具有明显的季节性特征,春、夏两季ρ(NO2)日变化较秋、冬两季呈更宽的“U型”,ρ(SO2)峰值出现在12:00左右,推测原因与夜间高架源排放有关;在空间分布上,本地一次污染排放可能主要来自市区工地扬尘、西南地区交通源和东部污染点源.观测期间,ρ(NO3^-)、ρ(NH4^+)和ρ(SO4^2-)较高,平均值分别为39.42、23.66和23.01μg/m^3,分别占水溶性离子质量浓度的41.8%、25.1%和24.4%,占ρ(PM2.5)的27.4%、16.4%和16.0%.污染天的NOR(氮转化率)(0.35)和SOR(硫转化率)(0.43)明显高于清洁天的NOR(0.25)和SOR(0.18),表明污染天NO2和SO2二次转化程度更高.SOR和NOR随相对湿度的增加而增加,表明相对湿度较高时有利于NO2和SO2的二次转化.污染天和清洁天ρ(SOC)(SOC为二次有机碳)估算值分别为19.79和3.51μg/m^3,分别占ρ(OC)的79.4%和54.9%,占ρ(PM2.5)的9.8%和10.4%,表明焦作市SOC对OC有较大的贡献.PSCF(潜在源贡献因子法)结果表明,本地源是影响焦作市秋、冬两季PM2.5的主要潜在源,太行山南麓区域输送也对其有一定贡献.研究显示,焦作市大气污染较严重,本地一次排放、二次转化和区域输送是焦作市PM2.5的主要来源.

曹妃甸工业区空气污染来源及其对周边地区污染贡献的数值模拟研究

为了深入研究曹妃甸工业区的建立和大型工业企业的迁入对京津冀地区空气质量的影响,利用嵌套网格空气质量预报模式系统NAQPMS(NestedAir Quality Prediction Modeling System)研究该工业区和周边地区在2016年秋、冬季空气质量状况,并对PM2.5(空气动力学当量直径小于等于2.5μm的颗粒物,即细颗粒物)来源与区域输送进行分析。结果表明:模式能很好地再现气象要素和污染物浓度分布特征;曹妃甸地区本地排放在1月和10月的月均贡献分别为17.8%和25.8%。当空气质量为优良时,曹妃甸地区PM2.5主要受短距离周边传输影响,唐山和天津贡献率之和达23%~53%;当空气出现轻度及以上污染时,曹妃甸地区PM2.5浓度主要受到长距离输送的影响,河北中南部和山东地区贡献之和达40%~50%。曹妃甸工业园区排放对周边地区PM2.5浓度贡献相对较小,对唐山和天津地区贡献为3%~7%,对京津冀地区其他城市PM2.5浓度贡献可忽略不计。空气质量转差时,曹妃甸、北京和天津地区PM2.5中一次排放占比相较于空气质量优良时明显下降,二次生成的无机盐类和二次有机气溶胶贡献率增加;曹妃甸地区10月二次生成硫酸盐贡献率较1月明显增加,月均贡献率为22%。因此,在致力于削减京津冀地区PM2.5一次排放的同时,对SO2、NOx等进行控制,能有效改善该地区空气质量。