利用支持向量机遥感估算京津冀细颗粒物浓度

针对传统地面监测手段难以获取全面的细颗粒物(fine particulate matter,PM_(2.5))浓度信息,以2015年3月份京津冀地区PM_(2.5)污染状况为研究对象,将卫星遥感产品气溶胶光学厚度(aerosol optical depth,AOD)作为单变量输入构建支持向量机回归模型,得到的预测值与真实值的R^2为0.525,相对误差为44.6%。鉴于相对湿度(relative humidity,RH)和边界层高度(planetary boundary layer height,PBLH)是PM_(2.5)形成机制的重要影响因素,遂将RH、PBLH与AOD一起作为输入特征构建支持向量机回归模型预测PM2.5,得到的结果 R^2为0.729,相对误差为33.3%。研究结果表明:基于AOD、RH、PBLH为输入特征构建的支持向量机回归模型能够较好地从空间层次预测PM_(2.5)质量浓度。

校园内不同空间环境中细颗粒物浓度比较分析

详细讨论了校园内几种不同建筑空间环境形式下细颗粒物浓度的分布特性,研究结果表明建筑空间布局是影响空气中细颗粒物浓度的重要因素,建筑围合深度、建筑空间的封闭性、建筑空间内的植物配置都对细颗粒物浓度有重要影响。

地铁车站内空气中细颗粒物质量浓度特征及影响因素分析

目的:为全面了解地铁车站内PM 2.5(我国把空气动力学直径在2.5μm以下的颗粒物称为PM 2.5)污染特征,制定科学有效的控制措施,以保护地铁车站工作人员及乘客的身体健康。方法:对南京市5个地铁站设备区和站台区的PM 2.5质量浓度、CO 2体积浓度及温湿度进行同步测试,使用相关性分析方法和回归模型进行数据分析。结果及结论:地铁站内PM 2.5污染严重,设备区和站台区PM 2.5全年平均质量浓度分别为47.50μg/m 3和54.92μg/m 3,均超过室外大气PM 2.5年均质量浓度(35.7μg/m 3);且地铁站内秋冬季节PM 2.5质量浓度高于夏季;室外PM 2.5质量浓度对设备区及站台区的PM 2.5质量浓度均影响显著,相关系数分别为0.87与0.75;站台区PM 2.5对设备区PM 2.5也有显著影响,相关系数为0.84;CO 2体积浓度整体而言与PM 2.5质量浓度为正相关关系,室外风速与站内PM 2.5质量浓度为负相关关系;温湿度对设备区和站台区PM 2.5的影响没有统一规律;地铁站内每日PM 2.5质量浓度存在周期性波动,在上下班高峰时段站内PM 2.5质量浓度升高,这与列车频次增加有关;列车停止运营后PM 2.5质量浓度持续降低并在凌晨03:00—06:00达到每日最低浓度。

卫星遥感监测近地表细颗粒物多元回归方法研究

对地基监测PM2.5和气象数据、MODISAOD卫星数据与NCEP FNL数据进行了处理分析,在与一元简单线性模型(模型1)进行对比的基础上,建立了适应于北京及其附近地区遥感监测近地面颗粒物(PM2.5)浓度的多元线性(模型2)和非线性(模型3)回归模型,并对模型进行了评价验证和遥感监测初步应用.结果表明:模型1,2,3分别能够解释PM2.5 32.5%,56.1%,62.7%的变异.反演的PM2.5浓度与站点监测值相关性分别为0.5488(R2=0.3012),0.7449(R2=0.5549),0.7431(R2=0.5523).对于站点监测PM2.5浓度63.1652μg/m3的均值,反演均方根误差RMSE分别为43.5562,35.3321,36.8450μg/m3.模型2和3中气象因子分别能够解释PM2.5 23.6%和12.6%的变异,说明了气象因子影响北京地区春季PM2.5-AOD关系的显著性.3种模型整体上都不同程度地存在着低值高估和高值低估的现象.

基于支持向量机的细颗粒物日均浓度预测

为了更加准确的预测大气中的细颗粒物日均浓度,提出了集合经验模态分解(EEMD)-样本熵(SE)和粒子群优化算法(PSO)-最小二乘支持向量机(LSSVM)的组合预测模型。首先采用EEMD方法将原始序列分解成多个相对比较平稳的分量;然后对各分量采用SE进行复杂度分析之后重组,得到若干个新分量;接着,对新分量分别建立采用PSO优化惩罚参数和核参数的LSSVM预测模型,得到各个新分量的预测结果;最后将这些预测结果叠加,得到原始序列的预测值。对上海市的细颗粒物日均浓度采用单一的LSSVM模型和ARIMA模型和本文提出的模型进行预测,并采用多个评价指标进行评价,得出本文提出模型的预测精度更高。

两种方法计算河北不同地形混合层高度及其与细颗粒物的相关性研究

采用2017—2019年河北沿山、平原、沿海地区5个国家基本(准)站的观测数据,分别利用国标法、罗氏法对河北不同地形下各区域的混合层高度进行计算分析,结果表明:各地日变化均呈单峰型变化特征,其中罗氏法的计算高度在时间变化规律上更接近现实。国标法计算的混合层高度主要与10 m风速相关;罗氏法计算的混合层高度不但与10 m风速相关,同样与湿度有80%以上的负相关性。东部沿海地区混合层高度高于西部沿山地区,西部沿山地区混合层高度高于南部平原地区。罗氏法计算得到的混合层高度频率分布较国标法更均匀,分布区域也更大。罗氏法计算混合层高度与细颗粒物PM_(2.5)浓度相关性更大,由混合层高度与PM_(2.5)浓度拟合的PM_(2.5)浓度计算公式更适用于河北平原地区,沿海、山区并不适用。

基于深度学习方法的PM_(2.5)精细化时空估算模型

提出一种基于深度学习方法的地面PM_(2.5)浓度时空估算模型(PM_(2.5)-DNN),该模型基于葵花-8卫星反演的AOD数据,结合PM_(2.5)监测站和气象站点观测数据对北京市地面PM_(2.5)浓度进行了逐时的高精度模拟,同时将PM_(2.5)-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_(2.5)-DNN模型估算的北京地区1km分辨率每小时地面PM_(2.5)浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R^(2)=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_(2.5)浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_(2.5)浓度估算提供了一个简便而有效的方法模型.

基于LSTM-GCN的PM_(2.5)浓度预测模型

应用机器学习算法开展空气质量预测已成为当前研究热点之一,空气质量监测数据具有显著的时空特征,即具有时间维度时序特征和空间维度传输演化特征。面向空气质量监测数据,联合LSTM提取的时间特征和GCN提取的空间特征,提出预测PM_(2.5)浓度的LSTM-GCN组合模型。以北京市35个空气质量监测站2018—2020年监测数据进行仿真实验,并将LSTM-GCN模型与LSTM模型、GCN模型以及时空地理加权回归模型(GTWR)进行对比,结果显示:LSTMGCN模型相较于LSTM模型均方根误差(RMSE)、平均绝对误差(MAE)分别降低了11.68%、7.34%;相较于GCN模型RMSE、MAE分别降低了40.22%、36.37%;相较于GTWR模型RMSE、MAE分别降低了17.52%、23.69%,表明所提出LSTM-GCN模型在准确率上有所提升。用LSTM-GCN模型预测2021年1—7月PM_(2.5)浓度,结果显示预测效果较好。

基于平均质量消光率分析太原重污染时段相对湿度对PM 2.5浓度影响

基于太原市小店点位2019年-2020年秋冬季细颗粒物(PM 2.5)浓度和常规气象数据,对PM 2.5浓度与近地面气象要素进行Pearson相关分析,建立基于平均质量消光效率的吸湿增长模型,分析重污染时段相对湿度对PM 2.5质量浓度影响。结果表明,秋冬季PM 2.5浓度与相对湿度显著相关,相对湿度越大,PM 2.5浓度增长越快;RH≤60%时,颗粒物浓度受相对湿度影响较小;RH>60%时,PM浓度上升速度加快;当相对湿度由80%升至95%时,吸湿增长可能使PM 2.5浓度上升至200%以上。

气象预报模式参数化方案对重污染过程PM2.5浓度预报效果的影响

针对北京市2016年12月16~21日的重污染过程,基于嵌套网格空气质量模式预报系统(NAQPMS),面向气象驱动模式WRF中7类物理过程的参数化方案,通过单扰动和组合扰动方式构建了51组不同的WRF模式运行配置,对比分析不同方案配置下NAQPMS对这次重污染过程细颗粒物(PM2.5)浓度预报的性能。结果表明:在重污染时段,组合扰动优化方案在城中心站点和城郊站点的PM2.5浓度预报精度都显著高于基准参数化方案配置下的预报结果,特别是能显著改进基准方案下模式对重污染过程结束时间的预报误差问题,显著减小12月21日存在的预报偏差。从统计指标来看,城中心站点在组合扰动优化方案下预报相关性最高,相关系数在0.7以上;从预报均方根误差来看,组合扰动优化方案误差最小。城郊站点同样是在组合扰动优化方案下预报相关性最高,与观测之间的偏差更小。从污染物与气象要素的空间分布来看,组合扰动优化方案比基准方案能更好再现污染时段的气象要素变化,预报的风速更小、相对湿度更高,从而有利于12月21日北京高浓度PM2.5的维持和累积。本文结果表明气象预报模式参数化方案不确定性是重污染预报的关键不确定性来源,选择合适的参数化方案可以减小重污染期间气象要素的模拟偏差,并可进一步提高重污染时段的PM2.5浓度预报精度。

住宅室内细颗粒物质量浓度及预测研究

选取哈尔滨某住宅,监测室内(以客厅为主要研究对象)细颗粒物质量浓度与人员活动情况,分析外窗渗透、外窗渗透+厨房炊事条件下客厅细颗粒物质量浓度的变化。建立室内细颗粒物质量浓度预测模型,结合实测数据对预测效果进行验证。实测结果表明:总体上客厅细颗粒物质量浓度均低于室外,且客厅细颗粒物质量浓度与室外细颗粒物质量浓度的变化趋势具有一致性,但客厅细颗粒物质量浓度的变化存在一定的滞后,滞后时间约为2 h。强度较高的炊事活动(特别是炒菜)是导致客厅细颗粒物质量浓度升高的主要影响因素。仅外窗渗透条件下,与实测结果相比,预测结果的相对误差范围为-8.68%~6.35%,预测结果比较理想。外窗渗透+厨房炊事条件下,与实测结果相比,预测结果的相对误差范围为-13.99%~25.60%,预测结果不是十分理想。为了使预测结果更加接近实际,应缩短时间步长。

上海市嘉定区大气能见度的变化特征研究

观测了2009年12月至2011年11月期间上海市嘉定区的大气能见度,得到了能见度的年变化、季节变化和日变化特征。结果显示,上海市嘉定区大气能见度的年平均值呈现2011年>2010年>2009年的趋势;日变化均表现为6:00—8:00能见度最差,14:00—15:00能见度最好。而2010年能见度的季节变化则不同于2009年和2011年,这有可能是受到了上海世博会举办的影响。同时,采集了2010年不同粒径的大气颗粒物样品,分析了颗粒物浓度及组分对大气能见度和消光系数的影响,结果表明,2010年粒径在0.40～1.00μm的颗粒物浓度对上海市嘉定区大气能见度的影响是最大的;在世博期间,粒径小于0.95μm的大气颗粒物对消光系数的影响最大;SO24-、NO3-、NH4+、有机碳(OC)和元素碳(EC)5种化学组分对消光系数有明显的贡献。

一次大气污染过程的降水天气特征及相关分析

本文分析了大连市2015年11月16日一次污染过程的降水(降水量为5mm)天气特征及NCEP/NCAR再分析资料,结果表明,天气形势场为典型的大连秋、冬季的高空槽降水,而大气层结无论是在污染前期,还是污染后期的降水阶段均为稳定层结,有逆温层存在;空气上升运动于降水前持续了较长时间(近十几小时),表明近地面细颗粒物(PM_2.5)随着上升气流会源源不断输送到高空,其中部分颗粒物转化为云中冰核,补充了降雨云中冰核数;同时,对本次污染降水过程及大连近两年秋、冬季另外三次小雨(降水量<5mm)降水过程的云中液态水含量、地面降水量和PM_2.5的小时观测值及其变化进行了详细讨论和分析发现,当PM_2.5浓度较低时,降雨云中的冰核数缺乏,地面降水较小,适合实施人工增雨(雪)作业,增加云中冰核及地面降水,当PM_2.5浓度较高,特别是出现大气污染时,降雨云中的冰核数会相对增加(甚至过量),地面降水较充分(或出现消减雨情况),此时人工影响作业应根据实际情况减小作业剂量,或减少作业。此外,相关综合分析表明,大连市大气污染源有两种,一为本地源,二为外来源;一定程度的降水对本地源大气污染能起到沉降作用,对外来源不明显。

便携式PM2.5/PM10检测技术研究

大气PM2.5/PM10的检测在当今越发重要,其技术核心是检测误差和平行性。为了减小大气颗粒物的检测误差和仪器平行性,该文从PM10和PM2.5分离技术、恒流抽尘技术和细颗粒物浓度检测技术三个方面进行研究,研制了一种适用于大气环境的PM2.5/PM10检测的便携式仪器。实验证明:PM2.5/PM10旋风分离器满足设计要求,颗粒物检测仪误差小于2.2%,平行性误差小于4.8%,符合国家检测标准的要求。

解读大气污染防治行动计划

此次"大气污染防治行动计划"提出的目标是要控制煤炭消费总量,到2017年,煤炭占能源消费总量比重降低到65%以下。京津冀、长三角、珠三角等区域,力争实现煤炭消费总量负增长,通过逐步提高接受外输电比例、增加天然气供应、加大非化石能源利用强度等措施替代燃煤。论述了大气污染防治行动计划。

重庆一些地方“两高”项目盲目上马监管不力

近日,中央第六生态环境保护督察组发布典型案例指出,重庆市潼南区、陵区、江区、江津区等地大气污染防治措施落实不到位,一些地方“两高”项目盲目上马监管不力,环境空气质量持续下降。上述4区2023年细颗粒物浓度比2020年分别上升37%、36.7%、26.5%、5.3%,优良天数分别减少27天、40天、35天、12天。为何空气质量会出现持续反弹?在“两高”项目监管上存在哪些问题?

京津冀冬季大气混合层高度与大气污染的关系

大气混合层高度(MLH)是影响大气扩散的主要因子之一,其对大气质量评估和污染物的存储量及分布起着重要作用.本实验利用云高仪对2014年污染严重的2月京津冀区域4个站点(北京、天津、石家庄和秦皇岛)MLH进行了同步连续观测,分析了其各自及其区域总体变化特性.结果表明,秦皇岛MLH月均值最高,达到865 m±268 m;石家庄最低,为568 m±207 m;北京和天津介于这两城市之间,分别为818 m±319 m和834 m±334 m;结合气象数据分析发现,辐射和风速是影响混合层高度的主要因素;对4个站点颗粒物浓度与混合层高度的关系研究表明,混合层低于800 m,4个站点细颗粒物浓度均会超过国家二级标准(GB 3095-2012,75μg·m-3),观测期间北京、天津、石家庄和秦皇岛这4个站点混合层高度低于800 m天数所占比例分别为50%、43%、80%和36%.石家庄虽然近地层污染物浓度较高,但是大气混合层以内污染物负荷并不高,不利的大气垂直扩散条件是石家庄近地面长时间高浓度污染的主要原因.研究结果对于认知京津冀区域污染分布现状具有重要意义,并可为区域内污染源合理分布提供科学参考.

南通市PM_(2.5)污染特征及与气象因子相关性分析

目的分析南通市细颗粒物(PM_(2.5))污染特征情况以及气象因子对其影响,为进一步防治大气污染提供参考依据。方法利用2018年3月1日—2019年2月28日中国环境监测网数据和南通市地面气象观测站气象要素资料对数据进行分析。结果 PM_(2.5)浓度季节变化特征明显,春、夏季浓度较低,秋、冬季较高。PM_(2.5)浓度主要范围在7~166μg/m^(3),其中PM_(2.5)浓度较高的天气主要出现在11月,最低出现在8月;南通市PM_(2.5)浓度小时平均值为56.8μg/m3,基本呈现两个波峰和两个波谷;一天当中7:00~9:00和19:00~21:00浓度达到最大,2:00~5:00和15:00~17:00浓度达到最低。结论气压高、湿度低的天气更有利于PM_(2.5)颗粒物的聚集,而降水量和风速的增大有利于PM_(2.5)颗粒物的冲刷和扩散,但四季气象条件的不一样对PM_(2.5)浓度的影响也不一致。夏季气温高,气压低,相对湿度低,PM_(2.5)浓度会较低;而冬季气温低,气压高,相对湿度低时,PM_(2.5)浓度会较高。PM_(2.5)浓度跟四季盛行季风密切相关,四季浓度变化差异明显。