中国空气质量指数AQI的空间异质性研究

面对经济社会高质量发展、碳达峰、碳中和的多目标需求,PM2.5引发的雾霾天气,不仅仅是环境污染问题,更是与自然、经济和社会复合生态系统密不可分的系统问题,近年来已成为人类社会面临的严峻挑战。为深入探究在近似的气象条件下,空气质量的时空异质性特征及其波动周期,研究基于2014~2019年中国335个样本城市的空气质量监测数据,利用基于大数据的函数型数据分析方法对AQI的时间与空间部分进行分离,在此基础上通过信号分解方法分析空气质量指数(AQI)的波动周期;对于空间部分,通过全局空间自相关、局部空间自相关,分析AQI的空间分异特征,检验其局部区域内的集聚和分散效应,揭示各城市及其邻近城市的空气质量之间的空间自相关关系。结果表明,空气质量指数AQI存在波动周期,具有显著的先下降后上升的年度趋势。一年中,AQI有19个月的主周期和9个月的第二主周期;考虑空间特征,空气质量指数AQI存在空间分异特征,具有显著的全局空间正相关效应,即AQI指数越高(低)的地区越容易发生聚集现象;从局部空间特征来看,AOI的空间分布变化存在差异,城市及其邻近地区的AQI多表现为同质化聚集特征,且同质化聚集型城市占多数,证明了相邻区域空气质量存在交互作用。该研究创新性地使用大数据,长周期、全地域地系统化研究空气质量指数,为治理城市空气质量问题提供参考。

多元线性回归方法在空气质量指数AQI分析中的应用

针对徐州雾霾情况,通过搜集徐州市2017年365天的日空气质量指数AQI数据,其9个相关影响变量数据(包括风力,机动车保有量,火电厂、炼钢厂、炼焦厂平均各排口每小时各主要污染物的排放量),在MATALB中采用多元线性回归方法建立了模型、参数估计和模型检验,并在已得模型的基础上剔除不显著的变量和样本异常值,经过两次改进,由九元线性模型简化为四元线性模型。通过拟合优度检验、显著性检验、多重共线性诊断和异常值残差诊断后,绘制出拟合对比图,验证了所得四元线性回归模型的准确性和实用性。

近8年合肥市空气质量与气象要素的相关性分析

基于近8年(2015-2022年)合肥市城市空气质量指数(AQI)日数据与气象要素数据,对AQI的分布特征与气象要素的相关性进行了研究。结果表明,2015-2022年合肥市环境空气质量指数冬季的平均值总体高于春、夏、秋三个季节,其散点分布随时间的变化逐渐趋于集中,重污染天气与极端污染天气出现频率逐年减少。其中空气质量指数(AQI)类别为良的天数占比最多为59.3%;空气质量指数类别为优和轻度污染的占比接近分布为16.1%和19.5%;中度污染和重度污染的天数占比最少,分别为3.6%和1.2%。经统计分析结果表明,近8年合肥市AQI与气温、气压2种气象要素均表现为强相关,AQI月平均曲线呈“U”型分布,AQI与气温的变化总体呈反相位,Pearson 相关性为-0.766,显著性(双尾)为0.004,表现为强负相关;与气压的变化总体呈正相位,Pearson 相关性为0.669,显著性(双尾)为0.017,表现为强正相关。

浅议空气质量指数(AQI)与空气污染指数(API)的差异

与2012年《环境空气质量标准》(GB3095-2012)同步实施的《环境空气质量指数(AQI)技术规定(试行)》用来评价我国环境空气质量。空气质量指数(AQI)与以往空气质量评价指标空气污染指数(API)相比有较大的不同。笔者从两者的定义、计算方式及AQI和API的评价方法等方面来阐述两者的差异。

混合遗传蚁群算法优化BP神经网络预测空气质量

为了进一步提高空气质量指数预测精度,提出一种混合遗传蚁群算法优化BP神经网络的方式对空气质量指数进行预测.首先初始化蚁群算法的信息素分布,对不满足适应度条件的进行遗传算法的交叉、变异操作,进而计算蚁群的状态转移概率和信息素浓度,当适应度值满足条件要求时,将寻优结果作为BP神经网络的最优权值和阈值,来改善单一BP神经网络的不足.最后通过运用西安市的空气质量指数日历史数据进行验证,实验表明,本文所提模型的各个评价指标相对其他对比模型误差更小,在预测精度方面具有更高的说服力,因此能够有效地预测空气质量指数.

基于社区划分的空气质量指数（AQI）预测算法

AQI(Air Quality Index)是判定空气质量好坏的重要指标,做好AQI的预测,对大气污染的治理有积极的推进作用,但目前预测AQI的算法通常没有综合考虑气象因素和周边城市对预测性能的影响.将气象因素和周边城市的污染物因素作为算法设计的基础,提出一种基于社区划分的空气质量指数预测的算法.首先根据气象特征计算城市之间的相似度,接着对各城市间的相似度矩阵进行社区划分;然后将属于同一社区的城市污染物时序信息作为预测目标城市空气质量指数的依据,并考虑目标城市的周边城市对其的影响;最后使用非线性回归的方法进行预测建模.通过对江苏省内20座城市的大气污染数据和气象数据的采集与分析,证明该算法不但预测精度有所提高,而且与传统的时间序列预测模型相比,降低了时间复杂度.

成都市空气质量指数与雾霾的关系研究

统计分析成都市空气质量指数(AQI)日数据与6项指标小时浓度数据,结合大气能见度与相对湿度日数据,采用非线性拟合等方法对成都市AQI与雾霾天气的关系进行研究,并分别分析能见度与相对湿度、AQI之间的线性和非线性关系。结果表明,成都市现阶段AQI和颗粒物污染密切相关,2013年和2014年AQI变化趋势大致相同,4—9月份较低,以良和轻度污染为主,秋冬季大气污染是一年中的高峰期;2014年的逐月AQI普遍较2013年低,一定程度上反映了空气质量的改善。2013年和2014年平均大气能见度变化趋势也大致相同,均表现为春夏较好,而秋冬较差,秋冬季是雾霾多发的季节;随着相对湿度的逐渐增加,大气能见度与AQI的非线性相关系数逐渐升高,具有较好的相关性;在不同的空气质量等级下,相对湿度与能见度的非线性相关系数R_N普遍高于线性相关系数R_L。本研究所得出的AQI与雾霾的非线性模型在判别霾日程度上准确度一般,而在判别雾日方面准确度极高,全年平均准确率达到98%以上,尤其在春季表现得更为明显,拟合值和观测结果吻合度达到100%。同时,该模型在判别霾日或非霾日方面较准确,尤其在雾霾多发的秋冬季节,非霾日的准确度最高分别可达89.44%和92.78%,霾日的准确度最高分别可达88.89%和85%。在季节判断上,分季度模型比全年模型更加准确。

Excel软件在计算空气质量指数的应用

在国家新近发布的环境空气质量指数技术规定中,正式使用了空气质量指数AQI,更新了分级方案、浓度限值并新增了PM2.5评价项目。应用Excel软件计算空气质量指数,可以有效减少监测数据分析人员的工作量,降低失误率,具有可重复利用性。

长株潭城市群空气质量变化特征分析及预测

【目的】探讨气象因素与主要大气污染物的关系,研究空气质量的预测方法,为空气质量的监测、预警与调控提供一定的科学依据和参考。【方法】利用长株潭城市群23个国控监测点空气污染物日监测数据结果,研究2014-2019年长株潭城市群空气质量年份、季节、月变化特征及其对气象因素的响应,结合气象因素进行相关性分析,采用主成分分析(PCA)方法对13项气象数据进行降维处理,提取气象因素的综合评价指标,利用建立的BP神经网络、GA-BP神经网络、PSO-BP神经网络模型对长株潭空气质量进行预测分析。【结果】(1)长株潭城市群夏季空气质量较稳定,冬季空气质量稳定性最差,月平均值呈现U形分布状态。整体空气质量指数与平均气压呈正相关(P<0.05),与平均相对湿度、降雨量呈负相关(P<0.05)。冬季AQI变化受气象因素影响较小;(2)使用PSO-BP神经网络的预测值与实测值相关系数为0.996,平均绝对误差比BP神经网络、GA-BP神经网络分别减少90.50%、31.08%,均方误差比BP神经网络、GA-BP神经网络分别减少92.92%、17.15%。【结论】长株潭城市群PM_(2.5)、PM_(10)、CO、NO_(2)浓度出现升高趋势,O_(3)污染浓度持续升高,光化学污染成为长株潭城市群地区重要的污染形式。为防冬季雾霾现象的频发,应重点加强PM_(2.5)、PM_(10)防治。该区域空气质量在不同季节下受气象因素影响不同,说明空气质量的变化是多种气象因素综合作用的结果。

乌鲁木齐雾日能见度与空气质量的关系及空气质量预报

通过分析乌鲁木齐市空气质量指数(AQI)日均数据,利用日最小能见度日均相对湿度观测数据,采用非线性拟合分析乌鲁木齐市城南、城北两站AQI与大气能见度的关系,探究AQI与能见度、相对湿度之间的线性和非线性关系。结果表明,乌鲁木齐市AQI、能见度和相对湿度随季节变化明显,其中冬季表现最为明显,冬季的相对湿度条件较好,城北相对湿度条件大于城南,冬季能见度较低,城北低于城南,冬季AQI最高,城北高于城南。随着相对湿度升高,能见度和AQI的非线性相关系数增大,相关性较好。在不同的空气质量等级下,相对湿度与能见度的非线性相关性系数RN普遍高于线性相关系数RL。乌鲁木齐市城南、城北AQI与大气能见度及相对湿度的非线性模型准确率分别为59%和60%,拟合值和观测结果吻合度一般;冬季对重度污染、中度污染和轻度污染的准确率较高,城北预测准确率在67%~86%,城南预测准确率在75%~81%,对AQI的预测具有一定的参考性。

2012—2015年北京市空气质量指数变化及其与气象要素的关系

根据2012—2015年的空气质量指数(AQI)日报数据与同时段的气象数据,采用统计方法和广义加性模型(GAM)对空气质量指数的时间变化及其与气象要素的关系进行了分析,结果表明:2012—2015年北京市空气质量整体呈现下降趋势,冬春季空气质量较差,夏秋季的较好,冬季容易产生重污染天气,春季污染天气频发。北京空气质量存在一定程度的周末效应,表现为周末空气质量较差,工作日相对较好。整体上空气质量指数与风速、日照时数、降水量、平均气温和最高气温呈负相关,与湿度呈正相关,不同季节和不同级别空气质量下的AQI与气象要素相关性差异较大。通过广义加性模型得到AQI与降水量呈线性关系而与其他气象要素均呈非线性关系,气象要素在不同数值范围内对AQI的影响趋势和程度存在显著差异。

基于ARMA模型的鞍山市空气质量预测分析

基于鞍山市2015年4月2日～26日的空气质量指数数据,将其看为时间序列。通过对其平稳性、自相关和偏相关性的分析,建立了鞍山市空气质量预测ARMA模型。通过实际数据进行预测,并检验模型的精准性。结果表明ARMA模型能收到较好预测效果。

基于MFO-SVM的空气质量指数预测

针对传统飞蛾扑火优化(Moth-flame optimization,MFO)算法解决实际工程问题时过早收敛,导致陷入局部最优,效率低下的问题,利用支持向量机(SVM)能解决智能算法易于陷入区域最优问题的优点,提出了将SVM和MFO相结合的算法(MFO-SVM).选择山西省太原市和大同市的日常空气质量指数(AQI)对该算法的可行性和有效性进行了验证.实验结果表明,MFO-SVM算法的相对误差接近于零,预测值与实际值更接近,可以有效预测空气质量指数.

基于时间序列的北京空气质量分析

本文对北京市的空气质量变化进行分析,通过运用时间序列分析方法对北京市的空气质量进行总结,通过选取北京2017年年初到2018年年初,总共一整年的空气质量指数AQI作为指标,通过对其进行时间序列分析,观察空气质量指数AQI的变化趋势,以及总体走,分析空气质量指数的置后效应,以及观察空气质量指数AQI的总体形势,了解不同时间的空气质量指数的高低,从而在将来做出应对之策。

2015年成都市空气质量指数特征及其与大气水汽的关系

为了分析空气质量状况及其与大气水汽的关系,基于四川盆地西部的成都市近年来污染天气频发的现状,利用2015年成都市环境监测中心提供的环境空气质量指数资料和温江国家基准气候站提供的大气水汽探空资料,首先分析了成都空气质量变化特征,进一步结合成都L波段探空水汽数据,初步研究了成都空气质量与大气水汽的关系。结果表明:2015年成都单日空气质量指数(AQI)最高值为309,达到严重污染级别;AQI年分布特征是冬季最高,夏季最低;首要污染物最多的是PM2. 5。春、夏季,大气可降水量(PWV)与臭氧质量浓度在5—8月呈显著负相关;秋、冬季,PWV与PM2. 5及PM10质量浓度在1月、10—11月呈显著正相关,其中水汽对PM2. 5浓度影响较大的时段出现在1月和10月。

山西省城市空气质量指数地理特征及其与气象要素的关系

以山西省11个地级市2014年空气质量日报数据和部分气象站点同期的地面气象数据为基础,基于地理信息系统软件surfer运用克里格插值法绘制出2014年山西省空气质量指数（AQI）的时空分布特征,然后将AQI与5个地面气象要素进行相关分析,得出它们在不同时内的相关关系.结果显示：2014年1～2月全省AQI值普遍较高,空气污染较重;3～6月AQI值逐渐降低;7～9月AQI值维持在较低范围内,空气质量优良;10～12月AQI值再度升高.在研究时段内,AQI值和平均本站气压呈显著负相关关系,和平均气温、平均水汽压呈显著正相关关系,风速对于AQI值的影响具有双重性,平均相对湿度和AQI值相关性较弱.

信阳市城区空气质量指数变化及其与气象要素的关系

以2014-2017年信阳市逐月空气质量指数(AQI)监测数据及同时段的气象数据为研究对象,采用统计分析、Pearson相关系数法和广义加性模型(GAM),对信阳市城区空气质量指数变化特征及其与气象要素的关系进行分析.结果表明:(1)2014—2017年信阳市城区AQI年际波动较大,空气质量有明显变好的趋势;研究期间,信阳市城区有27个月(56.25%)空气质量属于良,19个月(39.58%)属于轻度污染,2个月(4.17%)属于中度和重度污染;AQI变化受季节影响明显,空气质量状况优劣程度依次为夏季>春季>秋季>冬季.(2)从整体水平来看,AQI与气压呈正相关关系,与气温、平均水汽压、日照时数和风速呈负相关关系;在不同季节和不同等级空气条件下,气象要素对AQI的影响差异较大.(3)由广义加性模型可以看出,AQI与降水量呈线性关系,与平均气温、平均水汽压、日照时数和平均风速等气象要素为非线性关系,气象要素对AQI的影响一般存在阈值.

环境空气质量指数模型加权分析

精准高效的环境质量评价方法对空气质量评价、管理决策有着积极的意义。我国的环境质量评价方法主要有空气污染指数法(API)、空气质量指数(AQI)、空气质量综合指数等等。现阶段相关模型包括:大气环境质量指数模型、灰色聚类法和模糊数学法等。本文将基于大气环境质量指数模型对每项评价因子进行定权,根据污染因子的权重,对研究区域进行加权分析,计算加权空气质量评价数值,以实现对各区域空气质量的科学评价。研究结果表明,借助"加权分析"处理手段进行空气质量的评价,可行性较高,在实际的环境质量评价工作中有着积极意义。此外,本文将借助GIS技术充分实现对大气环境质量监测数据的处理,并在ArcGIS中形象、直观地输出空气质量评价专题图件。

2001-2013年乌鲁木齐市空气质量指数特征分析

利用2001-2013年乌鲁木齐市空气质量指数(air quality index,AQI)数据和气象资料数据,研究了13a来该市空气质量特征与气象要素之间的关系。结果显示,乌鲁木齐市年平均AQI指数在2001-2010年之间从139降到了95,而在2010-2013年之间从95上升到了150;另外,空气质量优良天数(AQI≤100)从2001年的149d上升到了2013年的304d,而污染天气(100<AQI≤500)数量从216d下降到了61d,说明污染日的污染程度有加重趋势。在高气压、高相对湿度、低风速和低水汽压条件下易出现严重污染天气,冬季尤为明显。该市13a来主要盛行西北风、北风、东北风和西南风;其中,春季、夏季和秋季气流整体上是由北往南移动,而冬季从东北、西南和北方向往市区内流动,造成冬季污染严重;东南风带来沙尘天气使得春季空气质量变差;冬季盛行西北偏西风时空气质量较好。

乌鲁木齐空气质量指数特征及其与气象要素相关性分析

利用2018年3月至2019年2月乌鲁木齐市空气质量指数(AQI)和同期6种主要空气污染物(PM2.5、PM10、NO2、SO2、CO、O3)以及气象要素数据,研究空气质量指数的变化特征,并分析其与6种主要空气污染物浓度及气象要素的相关性,为乌鲁木齐市大气污染与气象要素相关性研究提供一定的数据支撑。结果表明:乌鲁木齐市首要污染物最多的是PM2.5,其次是PM10、NO2和O3,AQI指数与PM2.5、PM10、NO2、SO2、CO均呈高度相关,与O3呈中度相关;空气质量指数与平均气温以及能见度具有显著的负相关性(p<0.01),而与平均本站气压、平均相对湿度、平均风速、日照时数的相关性均不显著(p<0.01)。