城市空气质量指数的时间序列分析和预测--以扬州市为例

城市空气质量指数是反映城市环境宜居水平的重要指标,预测城市空气质量指数可以为政策制定提供重要的参考依据。选取扬州市2014-2022年的空气质量指数(AQI)进行时间序列分析,采用的时间序列模型有自回归积分滑动平均模型(ARIMA)、先知模型(Prophet)以及人工智能领域的长短期记忆模型(LSTM)。通过这些模型分析扬州市空气质量指数的周期性、季节性和趋势特征,并对空气质量指数进行预测。结果显示,基于人工智能的长短期记忆模型具有很强的预测能力。

孕期空气质量指数与小于胎龄儿风险之间的关联研究

目的 探讨母亲孕期空气质量指数与子代小于胎龄儿风险的关联。方法 2017至2020年在广州市某医院开展前瞻性出生队列研究,通过调查问卷收集孕妇一般资料。由每日空气污染暴露数据计算每个孕妇孕早、中、晚期和全孕期空气质量指数(air quality index, AQI)。采用多因素Logistic回归模型分析母亲孕期空气质量指数(分别按分值和四分位数分组形式纳入模型)与小于胎龄儿之间的关联。结果 研究最终纳入5 352对孕妇及新生儿。在校正了潜在的混杂因素后,孕中期平均AQI分值与小于胎龄儿呈现负相关。孕早期高水平AQI(Q4 vs. Q1)与小于胎龄儿发生风险增加有关,比值比(odds ratio,OR)及95%的置信区间(confidence interval,CI)为1.441(1.012,2.056)。结论 孕早期高水平空气污染暴露可能影响胎儿宫内生长。

基于多元线性回归的空气质量指数预测模型

随着中国社会的发展和人口数量的增多,空气污染环境问题表现突出,对人们的生活环境以及生态系统造成严重破坏。本文基于《中国统计年鉴2022》的相关数据,选取PM_(10)、O_(3)、SO_(2)、PM_(2.5)、N0_(2)、CO六个影响空气质量指数的指标。首先,通过相关性分析模型验证六个影响指标都对空气质量指数有较强的相关性;其次,通过各污染物浓度计算相应污染物分指数,利用多元线性回归模型建立空气质量指数(air quality index, AQI)与各影响指标之间的数学模型,利用该模型对城市空气质量指数进行预测;最后,将真实值与预测值使用皮尔逊相关性检验对模型评估,准确率达到0.928,能够反映空气质量的总体状况。

基于集成深度学习模型的空气质量指数预测

大气污染严重危害居民的出行安全和身体健康,空气质量指数(AQI)是一种用于测量空气质量状况的综合指标,对AQI的预测可以提醒公众空气质量信息,使人们做出更明智的出行决策.通过提前预测空气质量的变化,政府和环保部门可以采取应急措施以减轻空气污染.本文提出基于卷积神经网络和门控循环单元的集成深度学习模型(CNN-GRU)对AQI进行预测.其中,卷积神经网络(CNN)提取污染气体浓度和AQI的时空特征并完成特征映射,门控循环单元(GRU)建模时序关系并高效完成计算.选取2014—2022年北京市和广州市的6种主要污染气体(PM2.5、PM10、SO_(2)、CO、NO_(2)、O_(3))日平均质量浓度和AQI进行实例研究,使用CNN-GRU模型对AQI进行预测,与多元宇宙优化的广义回归神经网络模型(MVO-GRNN)、遗传算法优化的BP神经网络模型(GA-BP)对AQI的预测进行对比分析.实验结果表明,本文提出的CNN-GRU模型对AQI的预测误差最小.

北京市空气质量指数与气象条件的关系及其对呼吸系统疾病的滞后影响

依据北京市2009年1月1日-2011年12月31日的逐日空气质量指数(AQI)与同时段常规地面气象观测数据,区分污染日与非污染日(以轻微污染下界为分界)、不同季节研究了AQI与气象要素的关系;应用分布滞后非线性模型与广义相加模型,在调整气温、相对湿度、风速等混杂效应的基础上,定量计算了AQI对呼吸系统急诊人数的影响及滞后效应.结果表明,研究时段北京AQI的年际波动并不明显,冬季中、重度污染易发;秋季空气优良率最低;春季易发生轻微污染.污染日AQI与平均气压、最高气压显著正相关,与气温、相对湿度负相关;非污染日,AQI与气压、平均/最大风速和日照时数负相关,而与气温、相对湿度、降水量正相关.就诊当天与滞后1 d的AQI对呼吸系统疾病的影响最显著,且危险度(RR)随污染物质量浓度的增大以接近线性形态增大.AQI指数每增加10,北京市呼吸系统急诊就诊人数的RR为0.22%,其95%置信区间为0.104%~0.342%.

空间插值视角下北京人口与空气质量指数的相关性研究

随着全球城市化的加速,空气污染已经成为一个突出的公共健康问题,尤其在高度城市化的地区,如北京。鉴于北京的人口密度与社会经济层面存在的显著差异,传统的空气质量指数难以精确反映空气污染对居民的实际影响。通过对北京市的人口和空气质量指数(AQI)进行深入的空间插值分析,考察了普通克里金插值、简单克里金插值和反距离权重插值3种方法。结果显示,普通克里金插值在核心统计指标上,如误差平均值和均方根误差,展现出了显著的优势。然而,在评估空间数据的相关性时,简单克里金插值对于北京市的人口与AQI数据显示了最强的正向关系。综合研究发现,虽然普通克里金插值在数据准确性和稳定性上具有优势,而简单克里金插值在秩次相关性评估上更为优越。

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。

基于多元线性回归模型的东莞市空气质量指数研究

东莞市空气污染一直是市政府高度重视的问题,实证分析该城市空气质量的主要影响因素,对提高该城市空气质量有指导意义。本文依据中国环境监测总站发布的东莞市2013年12月-2019年12月的空气质量实时监测数据,运用计量经济学知识,对东莞市空气质量的影响因素(包括PM_(2.5)、PM_(10)、SO_(2)、CO、NO_(2)、O_(3)等污染物浓度)进行实证研究。运用Stata软件进行多元线性回归实证分析,结果显示东莞市首要大气污染物为PM_(2.5)、O_(3)、NO_(2),同时提出了改善东莞市空气质量和生态环境的建议。

图卷积神经网络在空气质量指数预测中的应用研究

为解决忽略了不同邻近区域之间存在的空间依赖关系导致预测空气质量结果缺乏可靠性这一问题,将图卷积神经网络(graph convolutional networks,GCN)应用于空气质量指数(air quality index,AQI)的预测,基于GCN特征聚合的特点,充分考虑邻近区域之间的空间相关性。文中以安徽省16个地级市为例,构建了城市之间的依赖关系图,预测各个城市的AQI。实验结果表明,相比传统的神经网络模型(ARIMA、RNN、LSTM、GRU),提出的GCN模型表现突出,具有更高的预测准确性和可靠性。

紫云空气质量特征及其与气象条件的关系

通过对紫云自治县2016—2020年的空气质量监测数据和气象资料分析,发现近年来紫云自治县空气质量优良率达99%以上,但污染物浓度呈增长趋势,总体上紫云的空气质量有变差的趋势。一年中,冬、春季空气质量最差,造成污染的首要污染物分别为PM_(2.5)和臭氧(O_(3))。PM_(2.5)和O_(3)污染均出现在降雨量少、气压日较差较小、风速较小的条件下,但日照长、相对干燥的热低压天气更容易出现O_(3)污染,而日照短、相对湿润的冷高压天气更容易出现PM_(2.5)污染。污染物浓度与风速呈现负相关关系,风速对污染天气的形成和消散起决定性作用。

克拉玛依中心城区空气质量变化特征及其与气象条件的关系

利用克拉玛依中心城区2017—2021年长征新村监测站逐时观测和克拉玛依国家基本观测站的地面观测和探空观测资料,分析了克拉玛依中心城区空气质量等级、首要污染物及其与气象条件的关系。结果表明:(1)2017—2021年环境空气质量(AQI)优良率达90.4%,空气污染类型主要是供暖期(10月至翌年4月)的PM_(2.5)、PM_(10)污染和夏季的O3污染为主,其贡献率分别为77.91%、9.88%、11.63%。(2)克拉玛依中心城区发生中度污染及以上PM_(2.5)污染时,逆温层厚度≥250 m、逆温强度均≥1.2℃/100 m、逆温层底高≤350 m。当准噶尔盆地中东部出现明显的偏东风,克拉玛依中心城区出现一层逆温、近地面风速均较小、逆温层厚度≤200 m时,可能会出现由PM_(10)造成的重度污染及以上天气。

陕西省环境气象条件评估指数时空变化特征研究

基于陕西省10地市2015—2020年PM_(2.5)浓度实况监测数据和气象条件评估指数EMI,统计分析EMI和PM_(2.5)相关性及近年EMI的时空分布特征,定量评估气象条件变化及综合治理措施对陕西环境空气质量的影响。结果表明:陕西省2015—2020年EMI可较好地表征和评估气象条件变化导致的PM_(2.5)浓度变化。2015—2020年EMI呈线性降低趋势,气象条件持续向好。月EMI均呈明显的单谷分布特征,EMI冬半年大,夏半年小。各区域EMI总体上呈关中高、陕南次之、陕北最低的分布特点,关中中部、东部EMI最大。EMI正距平百分比高值区主要分布在关中地区,各年关中均有60%以上面积正距平,其中2016年冬季关中83.0%面积正距平,37.5%面积正距平超过100%。2020年陕西省各区域环境空气质量较2015—2019年均有明显改善,全省PM_(2.5)浓度较前5 a平均降低24.8%,全省气象条件改善使PM2.5浓度较近5 a降低16.4%,排放变化使得PM_(2.5)浓度较前5 a平均下降9.4%,可见,近年陕西省大气污染综合治理措施成果显著,环境质量明显改善。

北京地区空气质量指数时空分布特征及其与气象条件的关系

分析了北京地区2013年1-2月空气质量指数AQI的时空分布特征,及紫外吸收性气溶胶指数(AAI)、气象观测要素(相对湿度、气压和风速)、大气环流特征、混合层高度、总体理查森数(RB)与AQI的相关性等;同时对气象观测要素与AQI关系进行了拟合,建立了回归方程。研究结果及主要结论如下:北京地区AQI呈现出了一种自东南向西北递减的分布趋势;紫外吸收性气溶胶指数(AAI)与AQI之间呈明显正相关关系,相关系数r=0.456,可以作为污染物监测的参考;相对湿度、气压与AQI有着较好的相关性,相关系数分别为0.67、-0.49,建立的最优回归方程得到的拟合结果与实际观测效果对比良好;500 hPa乌拉尔山至贝加尔湖地区的高压脊是北京地区是否形成持续性污染的重要天气系统;AQI与1-2月混合层高度呈明显的负相关关系,相关系数为-0.511,持续低于459 m的混合层高度有利于污染物堆积;总体理查森数≥10.63时,有利于次日污染持续或发展等。

成都平原经济区城市空气质量时空变化特征

基于2016—2020年成都平原经济区城市空气质量监测数据,应用空气质量综合指数评价法、Pearson相关分析法,对成都平原经济区空气质量时空变化特征、成都市主要污染物变化特征进行了研究.结果表明:1)2016—2020年,成都平原经济区城市群中空气质量指数出现了2个高值和2个低值中心,高值中心分别位于成都市、德阳市,2个低值中心分别位于雅安市、遂宁市,即成都市和德阳市空气质量最差,雅安市和遂宁市的空气质量最优;对于不同季节,1—12月,成都平原经济区的空气质量综合指数呈U字型变化,即空气质量6—10月较好,11月—次年2月较差.2)2016—2020年,成都市PM_(2.5)质量浓度值皆超过了国家二级标准限值,并且以PM_(2.5)为首要污染物出现频率最高,而O_(3)、CO、SO_(2)年均质量浓度在研究时段内均低于国家二级标准质量浓度限值.3)2016—2020年,成都市PM_(2.5)质量浓度与能见度呈显著负相关;年尺度上,成都市PM_(2.5)质量浓度与平均气温呈低度负相关,与风速、降水量呈弱负相关;季尺度上,除气温在春、夏、冬季节与PM_(2.5)质量浓度呈弱正相关外,4个季节中PM_(2.5)质量浓度与风速、降水量皆呈弱负相关.4)影响成都市PM_(2.5)质量浓度的社会经济因子主要是汽车尾气、工业烟(粉)尘排放.PM_(2.5)与地区生产总值、工业增加值、机动车保有量呈高度负相关,与工业烟(粉)尘排放量呈高度正相关.

武汉市空气质量状况与气象条件的关系

基于2013年武汉市环境监测数据和气象要素资料,分析该市空气质量状况与气象条件的关系。结果表明,武汉市全年平均空气质量指数(AQI)为135,良和轻度污染所占比例分别为35%和30%。雾天、霾天、晴天、雨天四种天气条件下,6种污染物(SO_2、NO_2、CO、O_3、PM_(2.5)和PM_(10))浓度值基本上为雾天最高、霾天次之、晴天再次之、雨天最低,雾天00—08时污染物浓度明显高于其他天气条件;PM_(2.5)浓度与降水量的相关性较差,中雨量级时,降水对污染物的清除作用显著,PM_(2.5)浓度下降明显,当日降水量小于1 mm时,PM_(2.5)浓度略有上升,平均上升1.3μg·m^(-3)左右,这与微量降水的大气增湿作用有关;PM_(2.5)浓度变化与相对湿度(RH)和风速的关系较明显,其相关系数分别为0.87和-0.72,当RH>70%且每增加10%时,PM_(2.5)浓度增加10μg·m^(-3)左右;静风和风速很大时,污染物浓度相对较高,东南风影响下PM_(2.5)浓度在四季均较高,而秋、冬季在西北风影响下PM_(2.5)浓度最高;PM_(2.5)浓度主要增长阶段以正变温、负变压为主。

厦门市空气质量时空分布特征及其与气象条件的关系

利用2002-2006年厦门市空气质量监测资料和气象资料,对厦门市空气质量的时空分布特征及其与气象条件的关系进行分析.结果表明:厦门市空气质量优良率达98%,PM10和SO2年平均浓度变化不明显,NO2年平均浓度则呈逐年上升趋势;PM10、SO2和NO2浓度的月变化趋势基本相同,月平均浓度7月份最低,而出现平均浓度高值的月份则有所差异.各污染物浓度在一定区域范围内存在同相位变化特征.PM10浓度在大陆高压、暖区辐合系统控制下最高,副热带高压和低涡控制时最低,副热带高压控制时未曾出现轻微以上污染,暖区辐合系统中出现轻微以上污染最多;风向变化对厦门市SO2和NO2浓度分布影响不明显,偏南风下厦门市空气质量出现优的概率高,但出现轻微以上污染也多,北风影响下空气质量为优的概率最小,但未曾有轻微以上污染.

滁州市空气质量指数(AQI)与气象条件的关系分析

该文利用2015年滁州市逐日AQI与同期气象要素的观测资料,对滁州市空气质量变化特征及其与气象条件的关系进行了分析。结果表明:与上年相比,2015年滁州市空气质量未得到有效改善,还有进一步恶化的趋势。空气质量为良的等级出现频率最高,其次为轻度污染,首要污染物以PM_(2.5)为主。四季AQI存在显著差异,有明显的季节变化特征,冬季AQI均值最高,波动幅度最大,夏季AQI均值最低,波动幅度最小。AQI与平均气压、平均气温、日最低气温、气温日较差、平均风速、日降水量以及前一日AQI显著相关。基于气象要素建立的AQI回归方程对全年AQI的总体变化趋势和平均状态拟合效果较好,但对极值的拟合能力不足。

烟花爆竹燃放和气象条件对北京市空气质量的影响

利用北京城区和近郊区2006—2014年春节期间主要污染物(PM10、PM2.5、PM1.0、SO2、NOX)浓度和气象资料,分析了北京市烟花爆竹对空气质量的影响,并将2014年和近8 a(2006—2013年)平均值进行比较分析。结果表明:春节期间(除夕至十五)烟花爆竹的燃放对空气污染物浓度增加具有较大贡献,自2006年"禁改限"后,近9 a集中燃放期间,PM2.5浓度均出现陡增情况,其中除夕峰值浓度均出现在01:00,初五、正月十五峰值浓度集中在21:00—23:00。除夕夜2012年峰值浓度最高,达1485.6μg·m-3,正月十五2008年峰值浓度最高,达1298.0μg·m-3,初五峰值浓度偏低,2007年最高,为571.5μg·m-3。2014年春节期间的PM2.5、SO2和NOX平均浓度分别为60.5μg·m-3、43.8μg·m-3和45.6 ppb,比近8 a平均值分别下降了20%、41%和58%,除夕夜峰值浓度403.4μg·m-3,比近8 a平均值(768.5μg·m-3)下降了48%。2014年除夕、初五在集中燃放烟花爆竹期间,受小股冷空气影响,有利于污染物的扩散,而元宵节前后,受不利气象条件影响,峰值浓度高于除夕,且颗粒物浓度下降缓慢,造成持续性的污染,表明气象条件直接影响污染物浓度变化。总体来看,2014年春节期间空气污染物浓度下降的主要原因与烟花爆竹燃放量减少、机动车数量减少、春节期间较强冷空气影响直接相关。

气象条件对石家庄市空气质量的影响

利用河北省石家庄市近40 a的气象资料和2 a的大气污染监测资料,详细分析了气象条件对该市空气质量的影响。结果表明:石家庄市冬季、秋季和春季地面主导风向为NNE、N和SSE,对市区空气污染有加剧作用;风速在一定范围内空气污染物易超标,并不是风速愈小,污染浓度愈大;强降水对空气有净化作用,弱降水会使空气质量变的更差;石家庄市边界层大气层结稳定的几率几乎占50%,不利于有害气体扩散;城市热岛效应明显,容易造成郊区的污染物向市区堆积。

济南市空气质量状况与气象条件关系分析

利用济南市空气污染指数资料和气象资料,分析空气质量状况与气象条件的关系规律,建立起空气污染指数与气象要素间的季节性回归方程,并筛选济南市近年来的空气质量重污染过程,分析污染过程时对应的天气形势特征,为济南市的空气污染指数预报和环境保护工作中的污染潜势预报提供参考。