基于多元线性回归模型的赣州市PM_(2.5)质量浓度模拟

以土地利用变化为切入点,基于赣州市空气监测站的PM_(2.5)质量浓度数据和土地利用数据、道路数据、人口数据、气象因子数据,分析各因素与PM_(2.5)质量浓度的相关关系,筛选合适的数据,建立基于多元线性回归方法的土地利用回归(Land Use Regression,LUR)模型来模拟PM_(2.5)的空间分布。研究结果表明,基于多元线性回归的LUR模型将森林和主要道路、边界层高度、风速作为建模变量,模型的调整R2(决定系数)为0.855,RMSE(均方根误差)为0.635,在拟合度和准确度方面都表现良好。

黄土高原PM_(2.5)质量浓度与微雨事件的权衡−协同关系演化

基于权衡−协同关系视角,从长时间序列和多层次空间尺度探讨1998—2017年黄土高原PM_(2.5)质量浓度与微雨事件的作用关系、时空演化及地域分异。结果表明:①黄土高原PM_(2.5)质量浓度和微雨事件均表现出以5 a或4 a为周期的“三峰三谷”波动小幅上升趋势。②PM_(2.5)质量浓度和微雨事件间的作用关系呈现出“过程上的协同性+增量上的权衡性”特征;从过程演化来看,协同关系是研究期内黄土高原PM_(2.5)质量浓度和微雨事件的主导关系,但从基于倾斜率的增量变化上看,二者以异向的权衡关系为主导,表明微雨事件的强化在黄土高原未来的雾霾治理中具有重要意义。③不同微雨事件指标与PM_(2.5)质量浓度的空间关系和演化趋势存在差异;冬春季节微雨事件,尤其是冬春微雨天数与PM_(2.5)质量浓度的作用关系明显强于年尺度。④PM_(2.5)质量浓度和微雨事件权衡−协同关系及演化在不同治理分区差异显著,城镇化和工业化水平较高的河谷平原区和土石山区是二者关系敏感区。

赣州市PM2.5质量浓度时空变化特征分析

生态文明建设是中国特色社会主义事业的重要内容,但在城市化进程中人们对经济发展的重视超过了对环境的保护,导致环境污染越来越严重。而大气污染作为环境污染的直观表现,受到了人们的广泛关注。PM_(2.5)作为大气污染源之一,在大气中的含量很少,但它却对人类健康和大气环境造成了极其严重的危害。因此,深入探究PM_(2.5)的时空分布,将会为降低人类暴露强度和健康风险及制订有效的污染防治措施提供重要依据,具有极其重要的意义。

荥阳生态站PM_(2.5)、PM_(10)质量浓度时间变化特征及相关因素研究

2018-2019年在荥阳生态站每月监测3次空气颗粒物PM_(2.5)、PM_(10)(PM)和负氧离子的浓度,分析了荥阳生态站两种PM质量浓度日变化、月变化、季节变化特征;用监测日的气象因子日均值、空气负离子浓度日均值与两种PM质量浓度做相关分析,以期了解PM质量浓度时间变化特征及相关影响因子。结果表明:两种PM浓度的日变化在8:00~18:00浓度变化呈U型。8:00~9:00浓度较高8:00~17:00浓度呈下降趋势,17:00以后质量浓度上升。月变化中11月至次年4月月平均质量浓度高;5~10月份平均质量浓度为较低。两种PM季节平均质量浓度高低顺序为:夏季<秋季<春季<冬季。春季和冬季两种PM污染尤为严重。PM_(2.5)质量浓度与气温呈极显著负相关;与日照时数、气温呈显著负相关,与气压呈显著正相关;与负离子浓度呈极显著负相关;与PM_(10)呈极显著正相关。PM_(10)质量浓度与气温、气温日较差呈显著负相关。

城市大气环境PM_(2.5)浓度变化特征及治理浅析

城市大气环境中PM_(2.5)浓度的变化特征及治理是一个备受人们关注的环境问题。本文通过对城市大气PM_(2.5)浓度的时间、空间和区域变化特征进行分析,发现PM_(2.5)浓度在不同时间存在明显的季节性和日变化特征,且在城市内部存在空间异质性。此外,不同城市和地区的PM_(2.5)浓度也存在显著差异,并受到多种因素的影响,如工业排放、交通污染、气象条件等。本文对城市空气PM_(2.5)的主要来源进行了分析,并提出改善城市大气环境质量、保护居民健康的对策。

2001—2018年非洲尼日尔河流域PM_(2.5)质量浓度的时空变化特征

探究PM_(2.5)质量浓度的时空演变过程,对于明确PM_(2.5)治理方向和推进非洲可持续发展目标至关重要.利用全球遥感反演PM_(2.5)数据集,结合GIS空间分析、空间自相关、Mann-Kendall检验和重标极差分析等方法揭示2001—2018年尼日尔河流域PM_(2.5)质量浓度的时空变化特征及趋势.结果表明:(1)2001—2018年,尼日尔河流域PM_(2.5)质量浓度在时间变化上呈现波动且微弱增长趋势,年增长速率为0.06μg/m^(3);(2)尼日尔河流域PM_(2.5)质量浓度在空间上整体呈现东南向西北递减的空间格局,其浓度高值区与低值区表现出强烈的空间集聚性特征,高值区集中在中下游地区的尼日尔东部地区、尼日利亚北部山地及南部三角洲地区,低值区集中在尼日尔河的上游地带、流域北端阿尔及利亚区域和下游支流贝努埃河流域;(3)尼日尔河流域PM_(2.5)质量浓度变化的时空趋势上以不显著增加趋势为普遍特征,且在时间序列上具备长程相关性.研究结果将有助于尼日尔河流域相关国家政府制定更加行之有效的防控措施和方案.

安徽省PM_(2.5)质量浓度时空变化特征及其影响因素分析

以2015—2021年9月安徽省空气质量指数为样本,利用GIS空间分析等方法,分析安徽省全域PM_(2.5)质量浓度的时空变化特征,并对可能的影响因素进行探讨。结果表明:1)2015年以来安徽省PM_(2.5)质量浓度在时间变化上呈现逐渐递减趋势,在季节变化上具有春冬高、夏秋低的特点,在年际变化中2015—2018年PM_(2.5)质量浓度在皖中地区减少幅度最为明显,其中,以合肥市减幅最大;2018—2021年PM_(2.5)质量浓度在皖北地区减少幅度最为显著,以亳州市减幅最大。2)安徽省PM_(2.5)质量浓度在空间分布上呈现由北向南的递减趋势,最高值出现在皖北,最低值出现在皖南,且存在东西部之间的差异。3)自然因素(地形地势、降雨量和风速)和人类活动(产业结构和能源消费、政策和思想理念)对安徽省PM_(2.5)质量浓度的时空分布和变化具有较大的影响,使得安徽省全域PM_(2.5)质量浓度逐渐减少,大气环境质量逐年提高。

东北地区PM_(2.5)质量浓度遥感估算与时空分布特征

利用2014—2018年近地面观测PM_(2.5)质量浓度数据、MODIS 10 km气溶胶光学厚度(Aerosol Optical Depth,AOD)数据、ERA5再分析气象数据和DEM(Digital Elevation Model)数据,分别构建估算东北地区PM_(2.5)质量浓度的多元线性回归模型(Multiple Linear Regression,MLR)、线性混合效应模型(Linear Mixed Effects Model,LME)和随机森林模型(Random Forest,RF),利用十折交叉验证方法对3个模型进行精度评价。根据最优模型估算2009—2018年东北地区逐日PM_(2.5)质量浓度,结果表明:(1) 3种模型模拟的PM_(2.5)质量浓度与地面实测值间的相关系数R^(2)排序为RF>LME>MLR,RF模型整体精度最高。(2)不同季节、月份的RF模型模拟PM_(2.5)质量浓度与地面实测值间的R^(2)均高于0.93,通过RF模型估算东北地区的PM_(2.5)质量浓度是可行的;(3) 2009—2018年东北地区PM_(2.5)质量浓度呈先升后降的年际变化趋势,同时表现为冬季>春季>秋季>夏季的季节性变化特征;从空间分布上看,PM_(2.5)质量浓度由西南到东北逐渐降低,总体上辽宁>吉林>黑龙江。

北京市城区单监测点PM_(2.5)质量浓度变化特征

2009年在北京师范大学科技园内对PM2s质量浓度的连续监测结果表明，PM22.5质量浓度的年均值为55．2μg·m^-3日均值在1．2-325．9μg·m^-3之间变化，且频数分布呈现出明显的倾斜：大量的质量浓度值位于30-70μg·m^3之间；季节变化特征为冬季PM2.5污染水平明显高于其他季节；不同季节的日变化模式存在显著差异：整体上是冬季夜间质量浓度高于白天，夏季白天质量浓度高于夜晚，同时在各个季节下午16：00以后质量浓度都存在回升现象．

北京市采暖期大气中PM_(10)和PM_(2.5)质量浓度变化分析

对北京市2003年11月至12月间供暖期中大气悬浮颗粒物污染状况作了较详细的监测.数据表明,北京市的这段时间,其PM10和PM2.5质量浓度因日因月而异,其中PM10平均质量浓度为253.1μg/m3,超过国家二级标准(1996)1.9倍,PM2.5的变化幅度在8.9-276.2μg/m3之间,其平均值为145.2μg/m3,超过1999-2000年监测数值38.4％;其污染源和影响因素之间关系的研究表明:在供暖期间,温度、湿度和风速对PM10和PM2.5的累积和消散也起着至关重要的作用.

青海共和盆地PM_(10)质量浓度变化特征及其影响因子研究

青藏高原作为生态脆弱区,大气颗粒物的质量浓度是生态安全的一项重要指标,研究其时间变化和影响因子的对该地区的环境和生态保护具有重要意义。利用2015—2020年海南州共和县气象局地面气象资料及海南州生态环境局监测点PM_(10)质量浓度资料,分析共和盆地PM_(10)质量浓度变化特征及其与气象因子的关系。结果表明,共和盆地年、春季、冬季PM_(10)平均质量浓度下降趋势显著,夏季与秋季下降趋势不显著,平均月际分布呈双峰型。春季受偏东南风和偏西北风主导风向上的污染物水平输送的共同影响,PM_(10)质量浓度居高不下,冬季受西风影响,PM_(10)质量浓度次之,夏秋季盆地盛行东南风,污染物水平输送减弱,PM_(10)质量浓度较低;月平均PM_(10)质量浓度与月平均风速呈显著正相关,尤其春季更明显。冷空气活动是共和盆地PM_(10)重污染过程的主要原因。共和盆地重污染过程气团路径主要有西南路径和西方路径。

基于不同机器学习算法的汾渭平原PM_(2.5)质量浓度预报与分析

基于支持向量回归(SVR)、BP神经网络(BPNN)、随机森林(RF)、梯度提升决策树(GBDT)和极端梯度提升(XGBoost)等5种机器学习算法,利用2016-2021年逐小时PM_(2.5)质量浓度监测数据和气象观测数据,构建汾渭平原代表城市PM_(2.5)质量浓度预报模型,对比检验不同预报模型在不同时段的预报效果。结果表明:(1)5种机器学习算法模型总体表现为秋冬季和供暖期的预报效果要优于春夏季,各模型在细颗粒物污染较重时段的预报能力更加稳定,预报效果更好。(2)XGBoost模型无论在决定系数、平均绝对误差、均方根误差上均不同程度地优于其他模型,其次是GBDT、RF和BPNN模型,SVR模型预报能力较差。(3)XGBoost模型预报结果在量级和演变趋势上与实况十分接近,预报值偏离实况值的幅度较小,但春夏季预报结果有明显的高估或低估,对极端高值区也存在低估。(4)当前和过去1 h的能见度是影响预报效果的最关键因子,气象因子对汾渭平原PM_(2.5)质量浓度预报存在明显的时间滞后性影响。

对流层低层温度和风场结构对开封市冬季PM_(2.5)质量浓度的影响分析

采用2019年12月13日—2020年2月10日开封市空气质量监测站逐日PM_(2.5)质量浓度、郑州探空站数据及NCEP气象资料,分析了PM_(2.5)质量浓度和500 hPa以下逆温层、低层风的变化特征。结果表明,在PM_(2.5)质量浓度静稳积累期,500 hPa东亚中纬度环流平直,低层(925 hPa和1000 hPa)多偏南风,近地面相对湿度逐渐增加,对流层中下层多层逆温逐渐建立,此时受本地排放积累、吸湿增长和扩散能力下降的共同作用,再加上较长的持续时间,导致PM_(2.5)质量浓度不断增长。PM_(2.5)质量浓度的快速增长可分为两类:一是高空低槽携带冷空气由华北影响河南,对流层中下层逆温被破坏,京津冀的污染物经太行山东麓向南传输所致;二是高空环流平直,PM_(2.5)颗粒向地面均压场中的辐合线或弱低压中心附近的辐合区积聚,地面高湿弱风,近地逆温层建立或增强,扩散能力下降,共同作用而致。快速清除期,通常伴随着高空低槽携带冷空气影响河南,对流层下层逆温被破坏或减弱,低层多东北风、东风和西北风。另外,850 hPa与925 hPa的垂直风切变可表征大气垂直扩散能力,与12 h后的PM_(2.5)质量浓度(空气质量监测站位于探空站东约60 km处)的Pearson相关系数最大(-0.367),可据此提前12 h预报开封市PM_(2.5)质量浓度变化。

节能环保限制条件下PM_(2.5)大气污染物浓度变化特征研究

针对现阶段PM_(2.5)大气污染物浓度变化评估方法存在的误差偏大问题,提出节能环保限制条件下PM_(2.5)大气污染物浓度变化特征研究。从污染物源头与传播扩散因素两方面入手,结合当前节能环保限制条件,对其变化过程中的核心数据进行关联分析,建立PM_(2.5)大气污染物浓度变化特征模型,分析PM_(2.5)大气污染物浓度变化特征与PM_(2.5)大气污染物组成,深入分析影响PM_(2.5)大气污染物浓度变化因素,同时将分析所得参量进行关联,获得可靠度更高的变化特征量。仿真测试表明,所提方法具有浓度变化特征评估值误差小、稳定性好、浓度变化趋势评估相似度高的特性。

衡阳市PM_(2.5)质量浓度时空分布特征及影响因素分析

基于PM_(2.5)与其他五种大气污染物浓度数据以及气象资料,选用普通克里金插值与Spearman相关性分析方法,研究了衡阳市PM_(2.5)质量浓度的时空分布特征及其影响因素。结果表明:1)PM_(2.5)质量浓度年均值总体呈下降趋势,季均值具有冬高夏低的特征,月均值变化趋近于“U”型,PM_(2.5)质量浓度小时变化在春冬两季均呈“W”型,夏季为“双峰双谷型”,秋季为“单峰单谷型”。2)PM_(2.5)质量浓度季均值空间分布表现出季节性差异,高值区多集中于衡阳市主城区、衡阳县、衡东县北部、祁东县西北部等地。3)在春、秋、冬三季中,PM_(2.5)与气温、日照时数呈正相关,与相对湿度、风速、降水量呈负相关,但在夏季仅有风速与PM_(2.5)质量浓度具有负相关关系;PM 10、SO_(2)、NO_(2)、CO等污染物与PM_(2.5)在四个季节中均呈正相关,O_(3)与PM_(2.5)除在冬季无相关性外,在其他季节二者之间也具有正相关性。

2016年南昌市PM_(10)和PM_(2.5)质量浓度变化研究

利用南昌市2016年4月～2017年3月8个监测点的PM_(10)和PM_(2.5)质量浓度的监测数据,通过聚类分析探讨了大气颗粒物PM_(10)、PM_(2.5)的污染状况和不同功能区间的变化规律.结果表明:2016年南昌市大气颗粒污染物中,细颗粒物(PM_(2.5))较可吸入颗粒物(PM_(10))超标情况更严重;从时间角度看,PM_(10)和PM_(2.5)浓度表现为冬季>春季/秋季>夏季的季节性变化趋势;从空间角度看,表现为商业交通居住混合区>交通区>文教区>居住区>风景区的变化规律;PM_(2.5)/PM_(10)比值变化特征提示冬季可吸入颗粒物中细颗粒物所占比重最大,春季和秋季次之,夏季最小;在影响因素中,监测点大气颗粒物的浓度受交通环境的影响最大,受居民日常生活排污的影响次之.

改进灰狼算法优化GBDT在PM_(2.5)预测中的应用

针对灰狼算法易陷入局部最优解和全局搜索能力不足的问题,通过霍尔顿序列(Halton Sequence)搜索算法初始化狼群位置,避免灰狼算法陷入局部最优解和重复运算;引入莱维飞行和随机游动策略对灰狼算法的寻优过程进行优化,以增加算法的全局搜索能力;利用粒子群算法模拟灰狼种群得出的最佳适应度以用于惩罚项改进灰狼算法中的头狼更新策略。使用改进算法优化的梯度提升树(Gradient Boosting Decision Trees,GBDT)模型对北京市大气污染物监测数据中PM_(2.5)质量浓度进行预测,采用3种评估函数对各模型以及混合模型预测效果得分进行评估。结果显示,本文改进的灰狼算法对梯度提升树的优化效果优于其他算法,均方根误差E RMS为6.65μg/m^(3),平均绝对值误差E MA为3.20μg/m^(3),拟合优度(R^(2))为99%,比传统灰狼算法优化结果的均方根误差减少了19.19μg/m^(3),平均绝对值误差降低了10.03μg/m^(3),拟合优度增加了9百分点;与霍尔顿序列和莱维飞行改进的(Levy Flight-Halton Sequence,LHGWO)相比,改进的灰狼算法预测得分的均方根误差降低了10.39μg/m^(3),平均绝对值误差减小了6.71μg/m^(3),拟合优度提高了5百分点。研究表明了预测模型优化的有效性,为未来城市改善空气质量提供了科学依据和技术支持。

2015-2019年伊宁市PM_(2.5)质量浓度时空变化特征分析

为研究伊宁市PM_(2.5)质量浓度时空变化特征,以监测点2015-2019年监测数据为基础进行分析。结果表明,每年伊宁市PM_(2.5)质量浓度随时间呈“U”形变化,冬季PM_(2.5)质量浓度最高,夏季最低,受季节影响较大。伊宁市春夏季气温较高,大气运动加剧,有利于PM_(2.5)扩散;且春夏多雨水,受湿沉降影响PM_(2.5)浓度降低。秋季干燥低温,大气运动变缓,PM_(2.5)不易扩散;冬季大量使用煤炭供暖,且受地形影响易出现逆温现象导致PM_(2.5)大量富集,导致大气污染严重。

北京PM_(2.5)浓度的变化特征及其与PM_(10)、TSP的关系

在连续2年进行累积1周同步采样的基础上,对北京市城区和居住区2个采样点环境空气中PM2.5的浓度及其时间变化特征进行了分析.PM2.5周平均浓度的变化范围为37～346μg/m3,年均浓度接近或超过PM10的二级年均标准.PM2.5浓度具有明显的季节变化特征,即冬季最高,夏季最低.2个采样点PM2.5浓度的周变化与季节变化均相似.PM2.5与PM10、TSP的比值均在冬季最高,春季最低,反映采暖燃烧源对细颗粒物的贡献较大,而沙尘天气对粗颗粒物的贡献较大;其年均值分别为55%和29%.

2007-2014年北京地区PM2.5质量浓度变化特征

为更好地解析北京地区ρ(PM_(2.5))的长期变化特征及气流轨迹聚类分析结果,对2007年8月—2014年7月在中国环境科学研究院实测的ρ(PM_(2.5))数据进行了统计分析,分析其年际、季节和月际变化特征;通过计算PM_(2.5)的AQI分指数,分析了污染等级的时间变化特征;结合后向气流轨迹,对ρ(PM_(2.5))年际、季节变化与气团来源的关系进行了分析.结果表明:北京地区2008—2013年ρ(PM_(2.5))年均值分别为111.5、95.8、94.8、80.5、75.2、81.3μg/m^3,整体呈逐年下降趋势,但污染水平依然较高;ρ(PM_(2.5))由高到低的季节次序为秋季、冬季、春季、夏季,平均值分别为111.6、94.8、77.2、70.5μg/m3,PM_(2.5)重污染时段主要出现在秋冬季节,并且冬季ρ(PM_(2.5))近年来逐渐呈上升趋势;ρ(PM_(2.5))月均值呈单峰型变化,11月最高(为125.3μg/m3),7月最低(为76.4μg/m^3);轨迹聚类分析发现,途经山西省北部和河北省南部的气流轨迹中ρ(PM_(2.5))较高,而来自北方及西北方向的气团相对较清洁,ρ(PM_(2.5))较低.北京地区近些年实施的大气污染减排措施对于控制PM_(2.5)污染取得了一定效果,但针对秋冬季节重污染过程的控制力度仍需要加强,同时也要注意区域污染传输对北京地区ρ(PM_(2.5))的影响.