基于LPWAN和AQI指数预测的空气质量监测系统

针对传统空气质量监测系统耗电量大、抗干扰能力差、稳定性不高以及空气质量指数(air quality index,AQI)预测精度不足等问题,设计了一种集低功耗广域物联网LPWAN、One-NET云平台和循环神经网络(gated recurrent unit,GRU)于一体的空气质量监测系统。系统采用光伏为主、市电为辅的混合模式供电;利用远距离无线电LoRa技术采集环境参数,集合云平台技术、麻雀搜索算法-变分模态分解-循环神经网络(sparrow search algorithm-variational mode decomposition-GRU,SSA-VMD-GRU)耦合模型实现远程监控和预测AQI指数。通过通信测试,结果表明通信距离1000 m内,通信率在96%以上,丢包率不超过4%。将采集到的特征参数用传统的GRU模型、VMD-GRU模型和本文提出的SSA-VMD-GRU模型进行训练、测试仿真和对比,结果表明SSA-VMD-GRU模型相较于传统的GRU模型和VMD-GRU模型对AQI指数有更好的预测效果,均方根误差分别减小了22.434、0.833,平均绝对误差分别减小了16.849、0.623,预测误差率在3%以内。该系统能够实现对空气质量的实时监控和AQI指数的精准预测,为准确发布空气质量预警提供借鉴。

山东省AQI、颗粒物和臭氧时空演化特征及关键影响因素识别分析

山东省空气质量存在明显的时空差异,并受气象和社会经济因子等的综合影响.为了解山东省空气质量指数(AQI)以及颗粒物和臭氧(O_(3))浓度等时空演化特征,探究颗粒物与O_(3)浓度之间的协同关系,基于山东省16个地级市2013年12月—2021年12月的AQI和空气污染物(SO_(2)、NO_(2)、CO、O_(3)、PM_(2.5)和PM_(10))浓度数据与同期的气象数据、工业及生活污染物(氨氮、SO_(2)、氮氧化物和烟尘、粉尘等)排放量和社会经济数据,运用R语言和ArcGIS对各地区AQI与PM_(2.5)和O_(3)浓度等的时间和空间变化特征及关键影响因素识别分析.结果表明:(1)山东省AQI和空气污染物浓度具有明显的月际、季节和年际变化特征以及地区性差异.鲁东地区各季节空气质量明显优于鲁西地区,呈现由东向西空气污染愈加严重的趋势.PM_(2.5)浓度呈鲁西地区最高,鲁中、鲁南和鲁北地区次之,鲁东地区最低的分布特征;鲁东地区与其他地区夏季O_(3)浓度差异较大,而其他时期各地区间O_(3)浓度差异较小.(2)日照时长、风速、逆温强度、人均GDP、第二产业占比、城镇化率以及氨氮和SO_(2)排放量对AQI和PM_(2.5)浓度年际变化均贡献较大,而气温、相对湿度、万元GDP能耗以及氮氧化物和SO_(2)排放量对O_(3)浓度年际变化贡献均较大.(3)气象因子中日照时长和风速对空气污染物浓度整体变化的解释率分别为35.01%和23.35%,工业及生活污染物排放因子中氮氧化物和SO_(2)排放量对空气污染物浓度整体变化的解释率分别为25.07%和49.01%,社会经济因子中第二产业占比和万元GDP能耗对空气污染物浓度整体变化的解释率分别为33.54%和25.90%.研究显示,近年来山东省PM_(2.5)浓度等大幅下降,但O_(3)污染仍较严重,目前空气污染防治工作需进入“季节—全年”“城市—区域”等协同新局面.

湖北省AQI时空特征及影响因素分析

以2015—2021年湖北省各地级市AQI数据为基础,采用克里金插值法分析了湖北省空气质量时空变化特征,基于Pearson相关分析探讨了气象因子与AQI关系,并结合经济发展数据运用库兹涅茨曲线和灰色关联度揭示AQI与经济因素的关系.结果表明:2015—2021年湖北省AQI在空间上呈现“中部高东西低”的分布格局.AQI季节变化为:夏季<秋季<春季<冬季;Pearson相关分析可知AQI与气温、湿度、风速、降水量呈负相关,与气压呈正相关.库兹涅茨曲线(EKC)分析可知AQI与经济的EKC曲线为“U”形,第二产业、人口密度对AQI有负面影响,第三产业占比和建成区绿化覆盖率对AQI有积极影响.

基于MLP和SARIMA的青岛市AQI预报模型

为掌握青岛市空气质量变化特征,为空气质量管控提供参考,以2014—2021年青岛市空气质量指数月统计历史数据为基础,通过深度学习算法中的多层神经网络建立了AQI与PM_(2.5)等6个主要污染物的预报模型,对青岛市空气质量的影响因素进行研究,并基于SARIMA模型预测了各污染物的浓度值,结合污染物浓度预测值和预报模型对AQI值进行了预测。根据预测结果,给出了改善青岛市空气质量的建议。

鲁西南地区静稳天气特征及其与大气污染物的关系

【目的】研究鲁西南地区静稳天气特征及其与主要污染物的关系。【方法】通过构建静稳天气综合指数,利用2014—2018年济宁、菏泽、枣庄三市的大气监测和气象资料,构建了鲁西南地区静稳天气指数(SWI),分析了SWI与空气质量指数(AQI)及PM_(2.5)浓度的关系,能较好地表征鲁西南地区大气对污染物的水平与垂直扩散及运输能力。【结果】济宁SWI与AQI相关系数为0.79,与PM_(2.5)浓度的相关系数为0.78;菏泽SWI与AQI相关系数为0.62,与PM_(2.5)浓度的相关系数为0.61;枣庄SWI与AQI相关系数为0.77,与PM_(2.5)浓度的相关系数为0.78。当SWI增大时,PM_(2.5)浓度与AQI值均增大;当SWI值减小时,PM_(2.5)浓度与AQI值均下降,其具备较好的对应关系。【结论】静稳天气指数的时间提前特征,说明静稳天气指数对下一日的空气质量具有一定的影响;静稳天气指数在空气质量发生转折时有较好的指示作用;静稳天气指数在一定程度上与大气污染程度的变化一致,且在一定范围内对分级空气质量有较好的指示意义。

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。

基于GIS的黑龙江省空气质量监测

黑龙江省属于国界,位于中国的北部。由于冬季的燃煤采暖和秸秆燃烧,造成了冬季严重的雾霾状况,近几年随着锅炉改造和禁止秸秆燃烧的相关措施实施出台,黑龙江省的空气质量得到明显改善,但还是存在各种状况。本文对黑龙江省13个市区的2020年空气质量数据进行分析,分别从月份、季度、以及采暖期和非采暖期的角度,主要对各个城市的AQI (空气质量指数Air Quality Index)、PM2.5等污染指数利用GIS可视化,揭示黑龙江省全年空气质量的时间及地区差异,为污染的防治提供依据。

基于数值模式与客观方法的辽宁地区空气质量预报检验分析

为检验数值模式和客观方法的空气质量产品预报能力,基于中国气象科学研究院(简称气科院,下同)CUACE模式、中国气象局沈阳大气环境研究所(简称沈阳大气所,下同)CUACE模式和中央气象台(简称中央台,下同)空气质量客观预报方法的产品,利用辽宁地区14个地市大气污染物质量浓度地面观测资料,对2019年1月至2021年4月各家预报产品在辽宁地区的预报效果进行检验。结果表明:中央台的环境空气质量指数(Air Quality Index,AQI)预报偏大,气科院和沈阳大气所偏小;各家的PM_(2.5)和PM_(10)预报均偏小,但中央台的误差最小;各家的O_(3)预报均偏大,气科院的预报误差最小。各家产品对PM_(2.5)和O_(3)浓度变化趋势的预报能力较高,对AQI范围的预报能力是强于AQI等级的。各家产品预报的PM_(2.5)质量浓度离散度和预报偏差最小,TS评分最高;大气污染物浓度和AQI在辽宁东南部的预报可靠性最高、中部地区最差。三家产品相比,中央台在辽宁地区的预报能力最强,对AQI、大气污染物浓度和首要污染物的预报TS评分均为最高,特别是在有(或无明显首要污染物)特定大气污染物对应的季节,预报更具有指导性。沈阳大气所的本地化CUACE模式对于大气污染物浓度和AQI的预报能力显著提高。

环境空气质量指数(AQI)的EXCEL实现研究

空气质量指数以数值的形式表述空气质量状况、便于公众简明、清楚地了解空气质量的优劣程度,及时、准确地向公众提供易于理解的当地空气质量状况。基于EXCEL软件计算环境空气质量指数(AQI)的方法具有普及意义,有助于AQI算法在基础应用层面的实现,也有助于验证数据库开发中使用算法的准确性。本文结合苏州市环境空气监测数据,详细介绍如何在EXCEL中实现AQI的计算,供相关从业人员参考。

哈尔滨市AQI与空气污染物的相关分析研究

空气质量问题已成为民众关注的热点问题。选取哈尔滨市2014年-2015年AQI日报数据,分别分析了供暖期和非供暖期PM_(2.5)、PM_(10)、CO、SO_2、NO_2、O_3六种主要空气污染物与AQI的相关性,结果表明,AQI与6个主要污染物间呈显著性相关。同时建立了供暖期和非供暖期AQI与主要空气污染物的多元线性回归模型,结果表明,CO对AQI起着主要作用。因此,提高供暖过程中煤炭燃烧效率,可有效削减空气中CO的浓度,对于改善空气质量起着至关重要的作用。

基于GIS的武汉市AQI时空分布规律研究

以武汉市2013-01-01~2013-06-30期间的10个环境空气质量自动监测站的AQI监测数据为基础，运用GIS空间分析工具，采用反距离加权插值法（IDW）获得武汉市各月AQI空间分布图。并将AQI监测数据与监测站其他6项空气污染物监测指标数据进行相关性分析。结果表明，2013年上半年武汉市AQI具有明显的时空分布特征，1~6月AQI总体呈逐渐下降趋势，中心城区AQI高值面积逐渐缩小，北部AQI高于南部地区。各项污染指标对于AQI的相关程度依次是PM2.5、CO、SO2、NO2、PM10、O3。

湖北三种地形下AQI特征及其与气象因子的关系

基于2015—2016年湖北省环境监测数据和气象资料,分析了3种地形下空气质量指数(AQI)特征及其与气象因子的关系。结果表明:湖北省年空气质量指数时空分布特征为山区低平原高,冬季高夏季低,日高峰值襄阳出现在中午,武汉和宜昌出现在23:00—24:00;与空气质量指数关系较显著的气象因子包括相对湿度、变温、变压、风、降水等,其中降水对污染物的沉降作用跟空气质量等级有关,污染程度越重,需要清洁空气的雨量越大,轻度以上污染时,需要中雨及以上降水才会产生有效清洁,当降水为微量(1mm以下)时,AQI反而会增长;受不同地形影响,不同城市污染天气输入路径不同,襄阳为北风、武汉西北风、宜昌多弱东风扰动,且襄阳大风速出现的频数较高,而宜昌以小风为主。

基于高频AQI数据的关中城市群空气污染规律探索

基于高频分时AQI及各污染物浓度数据,本文使用"AQI小时指数"、首要污染物等进行统计分析并建立VAR模型对关中城市群空气污染的总体情况、日内波动规律以及城市间空气污染的关联规律做了不同层次的挖掘。研究结果表明:(1)关中城市群的空气质量整体较差,春、冬季空气污染程度明显大于夏季,空气污染的"季节效应"和"集簇性"明显,且主要表现为颗粒物污染。(2)空气质量的日内波动规律在春、冬两季表现为下半天优于上半天,夏季夜间优于白天。但在不考虑四季AQI小时指数图"相位"差异的情况下,四季空气污染的日内波动呈现出明显的相似性。(3)各城市空气污染存在明显的关联规律。城市群内一个城市空气污染的恶化会加剧其他城市的空气污染,并且对其他城市空气污染的影响峰值会在24小时之内出现,且该影响会随着空间和时间尺度的增大而逐步衰减。

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。

基于AQI的滇中、黔中和北部湾城市群空气污染统计规律比较研究

基于AQI数据,从空气质量状况、日历效应、首要污染物特征等视角对滇中、黔中和北部湾城市群空气污染统计规律进行了比较分析,重点挖掘了城市群间空气污染的差异性,并对差异原因进行了深层分析。三城市群间空气污染统计规律的差异性主要表现在:(1)虽与全国平均相比,滇中、黔中和北部湾城市群空气污染程度相对较轻,但三城市群间空气污染状况呈现明显的差异性,滇中城市群空气质量最好,黔中城市群空气质量最差,北部湾城市群居中;(2)滇中、黔中和北部湾城市群空气污染存在明显的"节日效应"及"季节效应",且季节效应异质性明显;(3)三城市群出现频率最高的首要污染物的种类明显不同,其中黔中城市群首要污染物为PM2.5的天数占比高达50%左右,与《大气污染防治行动实施情况考核办法》存异,该办法需进一步细化和完善。

一种考虑风力作用的KNN城市AQI预测算法

考虑风力对城市空气质量指数(AQI)的重要影响,基于KNN算法提出一种新的模型对城市AQI进行预测。该模型主要依赖于数据间的局部相似性和依赖性,再将风力因素对城市AQI的影响进行量化并加入到KNN预测结果中,得到最终预测结果。实验对九个重点城市进行AQI预测,结果表明,该模型相较传统KNN方法预测得到的AQI值准确率大幅度提升,对城市AQI的预测具有指导意义。

基于微波辐射计和风廓线资料建立AQI预报

利用气象部门的常规和非常规(微波辐射计和风廓线)气象观测、环境监测中心站提供的空气质量监测,研究了空气质量指数(AQI)与气象要素的关系,在此基础上用多元线性逐步回归方法建立了AQI的统计模型,并结合气象预报的客观数值产品与主观订正产品,进行了苏州AQI预报。结果表明,常规和非常规气象要素与AQI有显著的相关性,其中微波辐射计和风廓线探测的大气垂直方向上的相对湿度、水平和垂直风速、上下层温差、以及物理量指数(A、I指数)与AQI显著负相关;建立的模型预报结果与AQI实况之间具有显著的正相关关系,模型预报在一定程度上改善了48 h主观预报效果,具有一定的参考意义。

2016—2020年郑州市空气质量变化特征分析

选取城市区域环境空气评价指标,对2016—2020年郑州市6种空气污染物SO_(2)、NO_(2)、PM_(10)、PM_(2.5)、CO、O_(3)的浓度变化及特征进行分析。结果表明,郑州市环境空气质量整体向好,优良率由43.4%提高到63.1%,大气污染物以PM_(2.5)为主,其次是PM_(10);SO_(2)、CO浓度逐年下降,流动源对NO_(2)含量贡献逐年上升;有机污染物的排放量增加导致O_(3)的前体物量增加,2016—2020年O_(3)浓度略有上升趋势;PM_(2.5)与PM_(10)比值呈季节变化,春季受PM_(10)的影响较大,冬季受PM_(2.5)的影响较大。

四川盆地大气混合层高度特征及其与AQI的相关性分析

针对不同气象条件和天气过程对污染物扩散条件的影响,利用2011-2017年4月四川盆地6个城市每天8个时次的地面观测资料,运用国标法、罗氏法和联合频率法计算了大气混合层的高度,并分析了混合层高度的变化特征;同时结合国家环保部数据中心2014-2017年4月的AQI日平均资料,对混合层高度与AQI做了相关性分析。研究结果如下:混合层高度的3种计算方法中联合频率法具有更好的精确性和代表性,更能反映实际情况;四川盆地的混合层年平均高度为587.2 m,变化范围在530~660 m,并呈抬高趋势;月平均高度为591.26 m,变化范围在440~770 m,最低值出现在秋、冬两季,最高值出现在春、夏两季,说明春、夏两季大气的扩散条件比秋、冬两季要好;近年来冬季的混合层高度大致上也呈现抬高的趋势,表明冬季的扩散条件有所转好;一天之中混合层高度在午后14时达到最高,夜间02时最低。混合层高度与AQI总体来说表现为负相关,其中达州混合层高度与AQI的相关性最好,相关系数为-0.22,但其相关性根据季节的变化而存在波动,一般在冬季混合层高度与AQI为显著的负相关,而在春、夏两季则出现正相关。

河流水质自动监测站取水平台优化设置技术要点与案例

水质自动站是获取水环境质量数据的重要手段。国家相关标准对于水质自动站站址选择做了原则性的规定,但是自动站取水口受河道冲淤,人类活动的影响,可能影响监测结果的代表性和准确性。本文介绍了自然河流水质自动站取水平台优化设置的技术要点:自然河流水质自动站站址选择尽可能选择顺直或尽可能不受冲淤影响的河段、取水平台位置的99%水位保证率下水深不小于1m、流速不小于断面平均流速的30%。以阿七大桥水质自动站为例,分析了取水平台受下游电站运行和河道冲淤对取水平台获环境的影响,明晰了获取水样代表性不足的原因,提出阿七大桥断面取水口位置优化建议。