如何理解空气质量分指数(IAQI)计算公式并速算

将空气质量分指数(IAQI)的计算公式拆分进行理解,其实质就是两部分指数相加,一部分指数是通过各浓度值与该级别浓度段值的比算出该浓度的空气指数分担值,另一部分为起点值。并将日报与小时报分开,计算各项污染物在每个级别的分担值(固定值)得出两个列表,不用再去查表1,只需简单的加减,甚至口算即可快速的计算出IAQI值,并可由AQI值反推某项污染物的浓度值。非常实用、简单、快速。

一种面向细粒度空气质量分指数(IAQI)预测的时空因果卷积模型

精确、细粒度空气质量分指数(Individual Air Quality Index,IAQI)预测是空气质量指数(Air Quality Index,AQI)的基础,对于空气质量防治和保护人类身心健康均具有重要意义。目前传统时序建模、循环神经网络(Recurrent Neural Network,RNN)、图卷积网络(Graph Convolutional Network,GCN)等方法难以有效融合时空因素和气象因素,稳定提取监测站点间动态边缘关系。本文提出了基于时空因果卷积网络(Spatial-Temporal Causal Convolution Networks,ST-CCN)的空气质量分指数预测模型ST-CCN-IAQI。首先采用空间注意力机制分析多源空气污染物和气象因素的空间效应;其次利用堆叠膨胀卷积和时间注意力机制提取特征矩阵的时间依赖性特征;最后采用贝叶斯调优方法对膨胀卷积的多种参数进行了调优。本文采用上海市空气监测站空气质量分指数(IAQI-PM2.5)数据展开实验,并采用一系列基线模型(AR、MA、ARMA、ANN、SVR、GRU、LSTM和ST-GCN)与ST-CCN-IAQI效果进行对比。实验结果显示:(1)在单测站测试中,ST-CCN-IAQI的RMSE和MAE值分别为9.873、7.469,相比基线模型平均下降了24.95%和16.87%;R2值为0.917,相比基线平均提升了5.69%;(2)对全部站点的IAQI-PM2.5、IAQI-PM10和IAQI-NO2的预测,证明了ST-CCN-IAQI具有较强的泛化能力和稳定性。(3)采用Shapley分析方法论证了IAQI-PM10、湿度、IAQI-NO2对IAQI-PM2.5的预测具有较大程度的影响;通过不同数据抽样条件下的Friedman检验,证明了ST-CCN-IAQI对比基线模型有显著的性能提升。ST-CCN-IAQI方法为细粒度IAQI精准预测提供了一种鲁棒可行的解决方案。

长更号轮客舱内空气质量跟踪调查

对上海海运局所属长更轮进行了4个航次的客轮舱内的空气质量跟踪调查,主要监测了CO_2、CO、NO_x、CH_2O和IP等污染因子。调查结果发现,三、四、五等客舱的室内空气均受到污染,相对而言,前两者污染较轻,而后者较严重。空气综合质量指数(AQI),甲板上的数据远小于1,三、四等客舱略大于1,五等客舱则远大于1。

成都市空气质量状况研究

根据PM2.5数据网提供的成都市2013年9月到2014年10月的数据,对空气质量指数(AQI)和空气质量分指数(IAQI)进行定量化研究。结果表明,AQI的年均值为115,属于轻度污染,空气质量优良天数为187天,占全年的51%。四季空气质量状况由好到差是夏季>秋季>春季>冬季。空气质量白天优于夜晚,O3最高值出现在15∶00时,其他污染物浓度最高出现在23∶00,16∶00—18∶00各种污染物的浓度较低,为运动的最佳时间。PM2.5和PM10的相关系数为0.975,其年平均值分别为82.33μg/m3和126.65μg/m3,在日均值样本中超标率分别达43%和30%,NO2超标率为9%,SO2和CO无超标。

2015~2018年海东市空气质量状况及特征分析

利用2015~2018年海东市平安高铁站逐小时环境空气质量六要素浓度(SO2,NO2,O3,CO,PM10,PM2.5)数据,通过日平均浓度、空气质量分指数(IAQI)、空气质量指数(AQI)、首要污染物及等级的统计分析得出:2015~2018年海东市以优、良天气为主,占比平均为80.2%;轻度及以上污染天气占比平均为19.8%。优、良天气从2015年的280d持续增加到2018年的305d,占比也从76.7%增加到84.3%;而轻度及以上污染天气从85d持续下降到57d,相应地占比也从23.3%下降到了15.7%,说明海东市空气质量状况在持续好转。5~10月份优良天气占比都在87%以上,2月、4月和11月都在80%左右;轻度及以上污染天气主要集中在冬半年的1月份、3月份和12月份,1~11月份首要污染物以PM10为主,12月份以PM2.5为主。4年间中度及以上污染天气共出现了72d,其中持续3d以上的污染天气过程共8次、34d,首要污染物一般都是PM10或PM2.5或者是两者的组合;以O3为首要污染物的天气占比比2018年明显增加;以CO为首要污染物的天气日数明显下降。2015、2016年以NO2为首要污染物的天气占比较高,而到了2017、2018年明显下降,原因有待探讨。以O3、CO、NO2为首要污染物的污染天气类别大多为2级,即良。

基于AQI的空气污染物预报研究

随着可持续发展战略的进程加速推进,空气质量也成为了人们生活关注的重点。由于广泛使用的空气质量预报(WRF-CMAQ)模式在未知生成机理时预报空气质量不理想,且一次预报数据与实测数据相关性不高,所以提出基于主成分分析与支持向量机(PCA-SVM)算法的二次预报模型来对空气中的污染物进行预报。该模型是通过PCA-SVM算法的二次预报模型计算各项污染物的空气质量分指数(IAQI)对污染物进行预测和分类,结果表明该方法能提高预报的准确率,具有较好的实用性,能达到较为理想的空气质量预报效果。

基于高斯模型的武汉市区PM2.5扩散问题研究

研究了武汉市区PM2.5的扩散情况。首先从时间方面根据历史数据分析了1、2月份PM2.5浓度的扩散规律。由于PM2.5的形成和演变受气压、温度、湿度、风速风向等诸多因素的影响,分别采用高斯模型和空间插值法对PM2.5空间方面的扩散情况进行了模拟。其中高斯模型主要是针对高架扩散源的情形对PM2.5受风因素影响的扩散情况进行建模,并对PM2.5的扩散过程进行仿真。而空间插值法则通过插值计算得到其他区域的PM2.5浓度,并模拟了武汉市区PM2.5空间分布的情况。结果表明,空间插值法误差大,且要根据数据实时计算,不能很好地预测;高斯模型考虑了风速风向的影响,实时性和预测性好,特别适用于应对突发情况,可为相关部门提供污染评估决策和依据。