银川市2013年PM_(10)、PM_(2.5)质量浓度变化及空气质量分指数等级特征分析

利用银川市2013年空气污染物日浓度资料,分析了其PM10、PM2.5的质量浓度变化特征及空气质量分指数等级特征.结果表明,PM10和PM2.5的质量浓度变化具有明显的季节特征,夏季最低,冬季最高,PM10质量浓度春季高于秋季,而PM2.5质量浓度春季略低于秋季;PM10和PM2.5月均质量浓度变化均为1月份最大,7月份最小;PM2.5和PM10日均质量浓度显著相关,相关系数达0.76,在2013年中,PM2.5占PM10质量载荷的36%.PM10和PM2.5在7—9月质量浓度低,空气质量分指数等级最好,达标率均为100%,在1月空气质量分指数等级最差.PM10和PM2.5分指数等级具有明显的季节特征,夏季空气质量分指数等级最好,冬季最差,PM10分指数等级秋季好于春季,PM2.5分指数等级春季好于秋季.

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。

2013—2019年青岛市空气质量综合指数及排名情况分析

根据生态环境部每月发布的城市空气质量状况通报,分析青岛市2013-2019年的空气质量状况及在通报城市中的排名情况,并探讨了六项污染物分指数的贡献。结果显示,青岛市空气质量综合指数呈现冬季高、夏季低的趋势,特别是1月、12月较高,2014年各月的综合指数较其他年份同期偏高。青岛市在通报城市中的排名差异较大,夏季排名靠前,冬季排名靠后。六项污染物分指数贡献率分析可得,秋冬季空气质量转差的主要原因是颗粒物贡献升高,夏季O3成为主要污染物,需有针对性进行污染管控。

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。

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。

荆门市中心城区环境空气质量分析研判

以2015年以来荆门市中心城区空气监测数据为基础,从综合指数、分指数及环境空气6参数入手,分析空气质量总体状况及变化趋势。从分指数大小看,PM_(2.5)、PM_(10)分别排名第1和第2,说明荆门市空气主要污染物为PM_(2.5)和PM_(10);从综合指数及分指数变化趋势看,2016年和2015年综合指数差值为-0.62,反映荆门市中心城区空气质量总体改善,PM_(10)和PM_(2.5)分指数差值分别为-0.22、-0.37,其浓度下降是空气质量总体改善主要因素;2017年1-4月与2016年同期相比,气态污染物中的NO2和O3分指数差值分别为0.09、0.20,说明NO2和O3浓度有明显上升趋势。通过分析可知,荆门市中心城区近年来PM_(2.5)和PM_(10)浓度明显降低反映出颗粒物特别是扬尘防控取得明显成效,同时NO2和O3浓度明显上升则反映出城市机动车尾气及VOC治理已经到了需要引起足够重视的程度。

城市空气质量分布规律及预测初探

该研究尝试将滑动平均值或滑动累加值应用于城市空气质量年度历月分布曲线，同时引入灰色预测进行最高值或警戒值预测以供参考，并以湖南省几个有代表性的城市定点环境监测中的历年监测数据进行验证。该方法具有一定的精确度，易于操作实现预测。文中监测数据以分指数（即实测值与标准值的比值）出现，并附空气质量年度分布曲线。

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。

空气污染指数的计算方法及软件

1 引言 空气污染指数API(AIRPOLLUTION INDEX)是一种评价空气质量好坏的量化指标。 本文根据我国目前的最新的标准和本人多年的工作实践,提出一种空气污染指数的简便计算方法及相应的计算机软件。 2 API计算方法 2.1 分指数的计算 各项污染物的分指数I_i,由实测的污染物浓度值C_i,按照分段线性方程计算。不同污染物的分指数和对应的浓度限值见表1。 表1

城市“体检表”——空气质量周报

１９９８年全国普通高等学校招生统一考试上海地理试题中，第四大项的问答、综合分析题第３小题，给出了我国部分城市的“空气质量周报”让学生去回答一些问题。由于我国开展城市空气质量周报这项工作比较晚，且只限于国家重点城市，许多人对其不甚了解，现介绍如下。开展...

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。