城市空气污染指数改进方案及论证

为进一步改进和完善我国城市空气污染指数(API),分析比较了国内外空气污染指数计算方法.提出了5种改进方案,这些改进方案均将计算时段调整为00:00—23:00.其中,方案1仅对计算时段进行了调整,方案2增加了CO和O3指标,方案3,方案4和方案5又增加了PM2.5指标,且ρ(PM2.5)限值依次加严.分别以新疆乌鲁木齐和广东广州2个城市的2009年空气质量监测数据对5种方案展开论证.结果表明:方案1和现行API差别不大;方案2对以煤烟型污染为主的乌鲁木齐市影响不大,但使广州市的空气质量超标天数增加,超标率达到36%,O3为首要污染物的天数占全年的比例达到43%,比现行API更好地反映了O3污染;方案3,方案4和方案5中优良天数明显下降,灰霾日空气质量超标率达到53%～89%,灰霾日中首要污染物为PM2.5的天数增加,上述方案能更好地反映我国东部发达地区面临的复合型空气污染状况.基于以上研究结果,提出了空气污染指数改进建议.

基于气象调整的京津冀典型城市空气污染指数序列重建

空气污染时间序列中气象信息与污染源排放信息的分离研究对大气污染控制措施效果评估具有重要意义.依据北京市、天津市和石家庄市2001-2010 年期间的空气污染指数（API）逐日数据和同期地面气象观测资料,利用KZ 滤波将API 时间序列分解为短期分量、季节分量和长期分量,采用逐步回归方法分别建立API 基线分量和短期分量与相应尺度气象要素的线性回归模型,通过对残差进行滤波和序列重建,最终得到去除气象影响的API 时间序列.分析结果表明：由于污染源排放的变化,京津石3 市API 长期分量在2002-2009 年期间总体呈现下降趋势;不利的气象条件致使京津石3 市API 长期分量增加1～13,而在气象条件对空气质量改善呈现促进作用的情况下API 长期分量减少2～6.

基于小波的武汉市PM_(10)空气污染指数时间序列分析

以武汉市PM10空气污染指数时间序列为例,运用复Morlet小波进行了时间尺度分析,发现其具备340 d、180 d、50 d和18 d 4个变化尺度,尤其以340 d的尺度最为明显;运用db小波对研究对象的突变事件进行分析,同时结合气象资料对各季节的PM10突变事件分析,结果表明PM10污染事件多发生在春季和冬季,其成因与当时的气象条件有密切联系.

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。

典型城市公众感受与空气污染指数的相关关系

针对现行空气污染指数与实际人体感受可能存在较大差距的问题,分别在广州和乌鲁木齐进行了为期一年的问卷调查.结果表明:公众主观环境空气质量评价(PSI)为良和轻微污染对应的API分别为43和99(广州),75和179(乌鲁木齐),但较弱的相关关系表明,现行包含3项污染物指标的API尚不能完全体现公众的主观感受;公众健康综合感受(PHI)恶化对应的API区间广州约为API>60,乌鲁木齐则为API>100;广州PSI的主要影响因素是PHI和能见度,而在乌鲁木齐则为ρ(SO2),ρ(NO2),ρ(PM10)和PHI;建议将能见度,O3和PM2.5纳入API或环境空气质量评价.

中国城市空气污染指数的区域分布特征

随着霾天气的大范围出现,空气污染已成为中国最受关注的区域性环境问题。本文主要基于中国73个城市近5年（2007年6月5日~2012年6月4日）的空气污染指数（API）,利用聚类分析和趋势分析等方法,研究了中国城市空气污染的区域分布和季节变化特征,讨论了天气现象对空气污染指数区域分布的影响。研究表明：（1）根据空气污染指数,中国73个城市可分为6个类群,分别是东北城市群、华北城市群、山东城市群、中西部城市群、华中和东南沿海城市群以及华南城市群;（2）与前期研究相比,降雨依然是影响API时空分布的主要因素,频繁发生的霾天气也成为API变化的重要原因;（3）当API≥100时,霾、沙尘和烟幕等天气现象对API空间分布的影响存在城市群间差异;（4）趋势分析表明,北方大部分城市的API呈降低趋势,而南方约50%城市的API呈上升趋势,PM2.5~10的浓度变化可能是造成这种变化趋势的主要原因。

成都市城区空气污染指数的时间序列分析

根据成都市城区2001-2005年的大气污染监测资料，获取和分析成都市空气污染指数。采用时间序列分析方法，对空气污染指数建立自回归滑动平均模型模拟实测的空气污染指数，并对模拟结果进行了检验。结果表明：成都市空气污染状况具有夏季较好、其他季节较差的季节性交化规律。采用时间序列分析大气污染状况是可行性的。

兰州地区MODIS气溶胶光学厚度和空气污染指数相关性研究

利用2009年1 12月兰州地区的MODIS气溶胶光学厚度产品与全球自动观测网(AERONET)SACOL站(104.08 E,35.57 N)数据进行对比分析,相关系数达到0.82,线性拟合的斜率为1.13,截距为0.07,表明MODIS AOD能反映兰州地区气溶胶分布的信息.利用MODIS AOD产品与兰州市空气污染指数做相关分析,二者的相关程度较低.在进行湿度影响因子、气溶胶标高订正后,二者相关性有了较为显著的提高,说明MODIS AOD产品可应用于监测兰州地区大气污染情况.

基于BP网络的空气污染指数预报研究

为了研究对空气污染进行预报的更有效方法,从气象学角度对各种污染物和气象因素进行了分析,在确定了空气污染指数影响因子基础上,综合考虑BP网络的逼近能力和泛化能力,提出了空气污染指数BP网络预报模型,并进行了对比预报检验.结果表明,BP方法预报模型的预报准确度明显高于通常使用的逐步回归方法,特别是对骤升骤降趋势也能得到准确度较高的预报结果.

基于有机灰色神经网络模型的空气污染指数预测

针对灰色预测对波动较强的序列只能预测大致变化趋势的缺陷,结合灰理论中的GM(1,1)、无偏GM(1,1)、非等时距GM(1,1)、pGM(1,1)和BP神经网络的特点,提出有机灰色神经网络预测模型,将一维序列通过三个灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构.以哈尔滨市近三年内空气污染指数为例,结合其变化规律,建立哈尔滨市月平均空气污染指数的有机灰色神经网络预测模型,结果表明,该模型拟合误差小,预测精度高.

空气污染指数改进方案公众参与调查

为进一步改进API(空气污染指数),提出了5个改进方案,并针对方案中的重点问题进行公众参与调查.调查问题包括现行API能否反映空气污染状况以及灰霾状况;是否同意加入CO,O3和PM2.5指标;是否同意将API的计算时间调整为00:00─23:00;ρ(PM2.5)限值如何设定.结果表明:公众对API改进方案总体上持肯定意见;超过70%的人同意在API中加入CO,O3和PM2.5指标,并有50%以上的人同意根据我国实际情况制订ρ(PM2.5)限值.由于改进方案4中增加了CO,O3和PM2.5指标,且将API计算周期调整为00:00─23:00,并按照我国的研究成果提出了ρ(PM2.5)限值,因此,方案4更贴近公众的意见.

中国空气污染指数时空分布特征及其变化趋势(2001-2015)

随着城市化水平的不断提高,人类活动排放的气溶胶也迅速增多,尤其近年来雾霾天气频繁出现,导致城市空气质量已成为人们关注的热点。研究空气污染指数(API)的时空特征及其变化趋势能够为解决人们关心的空气质量问题提供依据。该文采用中国2001-2015年119个重点城市空气质量日报中的API日值数据,统计分析了不同季节的API日值时空分布格局和相应的变化趋势。结果表明:(1)在时间上,中国大部分地区多年API日值平均状况的四季大小依次是冬季>春季>秋季>夏季;(2)在空间上,中国北方地区多年API日值平均状况高于南方地区,东部沿海地区高于西部内陆地区;(3)从变化趋势上看,API日值平均状况上升趋势比较明显的区域主要集中在以京津唐为主的北方地区。其他区域API日值平均状况上升趋势和下降趋势交错出现,没有明显的区域分异规律。

西安市区空气污染指数时空分布特征

基于2010-2012年西安市13个空气自动监测站逐日的监测数据,分析空气污染指数的日、月、季度、年际、采暖期和非采暖期变化,并与秦皇岛等北方城市对比,用探索性空间分析技术ESDA研究污染指数的空间自相关和集聚效应.结果表明：空气污染指数的日变化较大,PM10是西安市区的首要污染物;1月、12月污染指数较大,7月、8月较小;空气污染指数表现为4季度＞1、3季度＞2季度;3年来,PM10污染指数有所降低,主城区SO2、NO2污染指数降低,其他地区增加;采暖期污染指数高于非采暖期,采暖期SO2、NO2和PM10指数分别是非采暖期的2.01～2.75、1.42 ～ 1.82和1.18 ～1.36倍;西安市区空气污染指数有弱的正空间自相关,聚集方式以高高（HH）和低低（LL）聚集为主,低高（LH）和高低（HL）聚集为辅,污染指数高低分化.污染指数均表现为中部高,北部低,南部中等.不同污染物污染指数中心的重叠表明,西安市空气质量受SO2、NO2和PM10的共同影响.

环北京地区空气污染指数与降水的周循环特征及其影响机制分析

部分气象要素在某些地区表现出明显的周循环特征,其位相和尺度因时因地而异。利用1980～2009年环北京地区地面常规观测气象要素资料、空气污染指数资料(简称API)及NCEP/DOE再分析资料,本文分析了环北京地区API、降水及多种气象要素的周变化特征,并对气溶胶影响降水的可能机制做了初步证明。分析表明:API表现出明显的周循环特征,周三最大,周日最小;降水频次尤其是小雨频次的周变化特征也较明显,且与API的周变化呈反位相分布;降水量受API影响较小,其周循环特征未通过置信度为95%的显著性检验;基于云量、温度、相对湿度、大气稳定度及风速的周变化特征分析,本文推断,大气气溶胶累积引起对流层低层非绝热加热,导致大气运动发生变化,进而对云和降水产生影响,这为气溶胶间接效应提供了一种可能的影响机制。

基于空气污染指数的太阳日总辐射计算方法

通过对2001—2012年全国23个站实测资料的分析,利用非线性回归法建立了以气温日较差、天文日照百分率和空气污染指数为主导因子的太阳日总辐射模型,这里简称为DSRM-Y模型(Daily Solar Radiation Model-Y),检验其效果并与已有的DSRM-C模型(Daily Solar Radiation Model-C)进行效果比对。结果表明:太阳日总辐射与空气污染指数呈显著负相关,DSRM-Y模型的太阳日总辐射估算值与实测值的散点图以及平均偏差、均方根误差、误差分析均表现出较好的拟合效果。将模型应用于西宁、上海、昆明3个代表站,空气污染指数上升后,3个站太阳日总辐射均呈减少趋势;23个站DSRM-Y模型的均方根误差均小于DSRM-C模型,即DSRM-Y模型的拟合效果好于DSRM-C模型。

中国沿海城市空气污染指数的分布特征

根据沿海23个城市2001年6月至2005年6月四年的空气污染指数(API)资料,利用聚类分析和时间序列分析对API值及首要污染物数据进行统计分析,利用相关性分析探讨API值和气象因素的关系,初步揭示了中国沿海城市API的变化特征。聚类分析的结果可将研究区域分为北部、东南部和南部三个区域。中国沿海区域的API都明显受到降水和风速的影响,API与降水普遍成负相关,与风速成正相关。指出采暖期燃煤对北方地区冬季API的增大有显著影响。北部城市明显受沙尘暴天气的影响,东南部受季风和降雨因素的影响,南部受海洋性气候的季节性风力和降水影响,各区域API呈现出季节性变化。

空气污染指数及其在杭州市空气质量周报中的运用

简要介绍了空气污染指数、分级和相应的限值标准。并对用ＡＰＩ表征的杭州市空气质量周报作了简单回顾。同时，指数计算及分级还对我国现行的空气污染指数分级及限值标准等提出了一些改进意见。

城市地区气溶胶光学厚度与空气污染指数的相关性分析

主要研究AERONET(Aerosol Robotic Network)提供的的气溶胶光学厚度(Aerosol Optical Thickness,AOT)与空气污染指数(Air Pollution Index,API)之间的相关性。对北京地区2004年全年AERONET提供的气溶胶光学厚度和环保局监测的API进行了相关性分析,发现二者直接对比相关性较低。考虑到AOT的主要影响因素,从以下三个方面进行了探讨:①将数据分成四个季节,构建二者相关性模型;②将经过气溶胶标高垂直订正的AOT数据与API建立相关模型;③考虑到湿度影响因子的作用,按水汽分段分析AOT与API的相关性,发现相关性明显提高。

近10年尺度成都市空气污染指数变化小波分析

为了找出成都市空气污染的变化规律与影响因素,为空气污染治理提供依据。基于一维连续Meyer小波,对2000年6月底以来近10年成都市逐日空气污染指数(air pollution index,API)的时间序列进行小波分析,得到该市API时间序列的多尺度变化特征、主周期,对影响因素进行了分析。结果表明:成都市API"高—低"交替演化规律明显,主周期约320天,次周期约120天;受盆地地形与气候等条件影响,大气污染呈"冬重夏轻"格局,春季污染次高峰常伴随北方沙尘暴而产生;成都市10年来大气污染状况总体趋向于好转,但局部时段污染加重的现象时有发生。结果表明,小波变换分析对于研究API时间序列的变化规律非常有效,也适用于其他污染物的时间演变规律的研究。

西安市空气污染指数的神经网络预测模型

将BP神经网络模型引入到大气污染预测预报领域,利用西安市2005—2010年逐日空气污染指数,建立了一个空气污染指数的非线性时间序列神经网络模型.实验结果表明:独立样本的日空气污染指数的预测值的平均相对误差分别为27.4%,23.2%1,2.2%,25.7%,独立样本的日空气污染指数的预测值与真实值的线性相关系数高.该模型应用于大气污染预报具有较高的预测精度和良好的泛化能力.