基于KZ滤波法的江淮地区PM_(2.5)浓度变化影响分析

基于2018—2020年合肥、芜湖和马鞍山3个城市国控站点的PM_(2.5)逐日监测数据和同期地面气象观测资料,利用Kolmogorov-Zurbenko(KZ)滤波对PM_(2.5)日浓度的原始时间序列进行分解,获取短期分量、季节分量和长期分量,并进行多元线性逐步回归构建各分量与气象因子的模型,最后依据短期分量和基线分量的回归模型和残差分析,对序列进行重建,获取消除气象条件影响的PM_(2.5)长期分量。KZ滤波分析结果表明:2018—2020年气象条件对江淮区域PM_(2.5)污染改善影响存在波动,在2018—2019年为负贡献,而在2020年秋冬季则变为正贡献;江淮地区3个城市2018年和2020年PM_(2.5)修正后的长期分量均值表明气象条件对各市PM_(2.5)改善影响存在差异较大,气象条件对合肥PM_(2.5)改善的贡献仅为1.0%,芜湖为7.8%,马鞍山为21.0%;NAQPMS数值模式情景分析结果显示,减排措施对江淮之间PM_(2.5)浓度改善贡献率范围为42.5%~104.8%。综合研究表明,减排措施是2020年江淮之间PM_(2.5)浓度改善的主要因素。

基于KZ滤波法隰县气象要素趋势分析

通过对1960-2017年隰县气象五参数进行统计分析,隰县四季分明,气温冬季较低、夏季较高;气压冬季较高、夏季较低;降水季节分明,夏季降水较多、冬季较少;而日照时数夏季较长、秋冬季较短。隰县气温年均值逐年上升,降水和日照时数年均值逐年下降;气压存在一个"阶梯"式上升过程,而相对湿度年际变化不明显。运用KZ滤波方法,得出隰县气温逐年上升,上升速率为0.0272℃/a;降水量逐年减少,速率为-0.00342 mm/a;日照时数逐年减少,速率为-0.0201 h/a。

基于Kolmogorov-Zurbenko滤波法分析2015—2021年京津冀地区大气颗粒物变化趋势

京津冀地区是我国近年针对大气颗粒物污染治理的重点区域。采用Kolmogorov-Zurbenko(KZ)滤波分析2015—2021年京津冀地区13个城市细颗粒物(PM_(2.5))、可吸入颗粒物(PM 10)和粗颗粒物(PM_(2.5-10))的时间序列。结果表明,PM_(2.5)和PM 10年均浓度总体呈下降趋势,其下降速率分别为5.07和8.10μg·m^(-3)·a^(-1)。KZ滤波分析结果表明,PM_(2.5)、PM 10和PM_(2.5-10)的短期分量、季节分量和长期分量之间相互独立。短期分量贡献占比(大于50%)最高,其次为季节分量,说明原始时间序列的波动主要受控于污染源排放以及气象条件的短期变化和季节变化。针对KZ滤波分解出的浓度序列,建立逐步多元回归线性模型,定量评估气象和减排对变化趋势的贡献。逐城分析结果表明,秦皇岛市气象条件对PM_(2.5)浓度的影响(14.86%)最大,衡水市减排措施对PM_(2.5)浓度的影响(96.77%)最大;秦皇岛市气象条件对PM 10浓度的影响(13.69%)最大,廊坊市减排措施对PM 10浓度的影响(93.96%)最大;沧州市气象条件对PM_(2.5-10)浓度的影响(26.23%)最大,廊坊市减排措施对PM_(2.5-10)浓度的影响(91.80%)最大。整体分析结果表明,减排对2015—2021年京津冀大气颗粒物污染改善起着至关重要的作用。

不同时间尺度气象要素与空气污染关系的KZ滤波研究

空气污染状况受气象要素和污染源排放的共同影响,为了评估大气污染控制措施的效果,需将由污染源排放的浓度数据分离出来.本文利用KZ滤波方法将天津市6个监测站点2015~2017年逐日的O_3、PM_(2.5)和PM_(10)浓度资料和6个同期气象数据分解为长期分量、短期分量和季节分量,计算各分量对原始时间序列方差的贡献.采用逐步回归法建立O_3及颗粒物3种分量与相应尺度气象要素的线性模型.结果表明,上述3种污染物浓度数据经分解后,季节分量对总方差贡献最大,其次为短期分量;气温和相对湿度是影响O_3季节和短期分量的主要气象因素,其中温度占主导地位,且呈现正相关,与相对湿度呈负相关;风速、气压、降水与颗粒物的短期及季节浓度变化呈负相关,相对湿度与之呈正相关,温度与短期分量呈正相关、与季节分量的变化呈负相关;经逐步回归消除气象影响的PM_(10)的长期分量有波动下降的趋势,PM_(2.5)浓度在2017年年初有所上升,其余部分有下降趋势,O_3长期分量浓度有所上升;这几年间颗粒物污染控制措施的效果较为显著,O_3污染有所加重.

2015~2022年南宁市环境空气质量变化趋势分析

为科学评价南宁市环境空气质量改善成效,提供大气污染防治攻坚决策支撑,本文利用环境空气质量日监测数据,采用Spearman秩相关系数法、KZ滤波法和ArcGIS空间分析等方法分析了南宁市2015~2022年环境空气质量变化趋势和污染特征。结果表明,南宁市近8年来除O_(3)浓度呈显著上升趋势外,其他大部分指标呈显著下降趋势,按综合指数评价,南宁市环境空气质量总体呈改善趋势;南宁市污染天首要污染物以PM_(2.5)和O_(3)为主,PM_(2.5)超标天数呈大幅度的下降趋势,而臭氧超标天数则呈波动性的上升趋势,臭氧已成为影响南宁市环境空气质量的主要污染物;冬季(12月至次年2月份)为南宁市PM_(2.5)污染防治攻坚的关键时段,重点管控秸秆焚烧源;8~10月份是南宁市臭氧污染的高发时段,重点管控区域是横州市和宾阳县。

气象要素与南昌市空气污染关系的滤波分析

利用KZ滤波方法将南昌市2017—2019年逐日的污染物浓度资料和同期气象数据分解为长期分量、短期分量和季节分量,计算各分量对原始时间序列方差的贡献,并建立各污染物分量与气象要素的多元线性回归模型,评估气象条件对污染物浓度变化趋势的影响。结果表明:长期分量对总方差的贡献最大;气温在短期尺度上与污染物浓度呈正相关,在基线尺度上可能通过影响边界层条件使其与部分污染物浓度呈负相关;气象条件对南昌市污染物浓度的长期趋势影响明显。

常州市2014—2019年城市PM10与PM2.5污染趋势

采用Kolmogorov-Zurbenko(KZ)滤波对2014—2019年常州PM2.5、PM10大气污染情况开展了时间序列分析,评估了污染趋势,数据显示,PM2.5的下降效果不及PM10,提示了二次源治理的难度,也提示了治理的重要性。

京津冀地区城市臭氧污染趋势及原因探讨

采用Kolmogorov-Zurbenko(KZ)滤波分析了2013~2018年京津冀地区13个城市的臭氧最大日8h滑动平均(O3-8h)序列,评估污染趋势并探讨原因.KZ滤波分离出的O3-8h短期、季节和长期等3个分量分别占原始序列总方差的32.7%、63.9%和3.4%,各分量之间相互独立;以滤除了中短期过程影响的长期分量进行比较,京津冀地区远高于柏林、巴黎和伦敦等欧洲城市与美国洛杉矶20世纪90年代初和最近4年状况相当,普遍低于上海和南京等长三角主要城市.但是,2013~2018年京津冀地区各城市臭氧污染加剧显著,长期分量升高速率达2.31~7.12μg·(m3·a)-1,均值为4.97μg·(m3·a)-1,快于长三角地区.拟合结果提示臭氧浓度升高受气象条件影响不大(贡献比均值约为9.6%),主要由大气污染排放变化造成(90.4%),将该排放变化拆分为PM2.5下降和臭氧前体物排放变化两项,其贡献比均值分别是27.3%和63.1%,其中北京-廊坊-天津城市带PM2.5下降对臭氧升高贡献较大,分别为50.8%、32.5%和36.7%衡水则达到48.6%.PM2.5浓度降低已成为北京、衡水等地臭氧升高的最关键因素这意味着需进一步减少前体物排放,以抵消PM2.5降低导致臭氧增加的反作用.需要指出,该结果尚待实验和模型模拟验证.