2016年四川省PM2.5浓度时空分布研究

PM2.5导致大气能见度下降,造成雾霾天气.本文基于2016年四川省89个空气质量监测站的PM2.5数据,对2016年四川省PM2.5浓度时空分布特征进行研究分析.结果表明,2016年四川省PM2.5浓度空间分布呈现出西北部PM2.5浓度较低、空气质量较好,东南部PM2.5浓度较高、空气质量较差的趋势;时间分布呈现夏季PM2.5浓度较低、空气质量较好,冬季PM2.5浓度较高、空气质量较差的趋势,从而得出四川省PM2.5浓度时间和空间分布规律及分布图.     

一种对流层延迟的ZTD与PM2.5浓度相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

2015—2019年冬季黄河流域中游大气污染物空间分布特征

本文基于2015—2019年冬季黄河流域中游地区（山西段和陕西段）6种大气污染物的浓度数据,研究了黄河流域中游冬季大气污染物的变化特征。研究结果表明,2015—2019年黄河流域中游地区,PM₁₀和CO浓度持续降低,O₃浓度持续升高,PM_2.5、SO₂及NO₂平均浓度呈先上升后下降的规律。2019年主要污染物NO₂、CO、PM_2.5、PM₁₀及SO₂浓度均最低;2019年冬季O₃平均浓度达到最高（54μg/m³）。研究地区下游的PM_2.5浓度高于上游,且沿黄河由北向南其浓度逐渐增加,黄河东侧山西段的PM_2.5浓度高于西侧陕西段。研究区域PM₁₀污染浓度由2015—2016年的黄河东侧高西侧低转变为2017—2019年上游低下游高的分布特征。SO₂浓度呈黄河东岸比西岸高的分布。NO₂高值区域从2015—2017年黄河西侧下游地区变为2018—2019年中上游地区;CO平均浓度高值区域位于黄河东侧下游地区;O₃浓度空间分布特征不明显,但近5年浓度大幅增加,需要加强对臭氧的防控。     

杭州地区2015年PM2.5浓度时空变化特征分析

在2015年杭州地区11个地面观测站PM2.5质量浓度监测数据的基础上,结合MOD04_3K AOT产品,建立了利用AOT反演近地面PM2.5质量浓度的模型.利用实测和遥感反演数据共同分析了杭州市PM2.5质量浓度时空变化特征.分析结果表明,PM2.5质量浓度分布的日变化特征为:在杭州市中心城区,冬季、春季及秋季都存在典型的双峰变化,冬季、春季的峰值出现在9:00-12:00,秋季峰值出现在6:00-9:00;夏季表现出夜间浓度高于白天的特征.PM2.5质量浓度分布的季节性变化特征为:冬季＞春季＞秋季＞夏季.PM2.5质量浓度的空间分布格局为:杭州地区东北区域的浓度明显高于其他区域;杭州—富阳—桐庐沿线、杭州—临安沿线PM2.5质量浓度存在高浓度的分布条带,PM2.5质量浓度的空间分布与城镇化的格局相似.PM2.5质量浓度空间分布与地形和植被指数呈负相关,春季地形和植被指数对PM2.5浓度分布的抑制影响最大.     

基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

基于小波变换的CMONOC的ZTD与PM2.5浓度的相关性研究

基于水汽与GNSS ZTD之间的高相关性,该文利用2015年12月至2016年5月中国大陆环境监测网络(CMONOC)的GNSS数据,借助小波变换方法开展GNSS ZTD与GNSS站点所在城市的PM2.5浓度观测的相关性研究。采用小波变换方法对ZTD与PM2.5进行相同的分解与重构,并对分解重构后的ZTD与PM2.5进行相关性分析。实验表明:基于小波变换方法分解重构的GNSS ZTD与PM2.5浓度的相关性明显高于GNSS ZTD与PM2.5浓度实测值的相关性,在中国华北、华中、西北及东北地区GNSS ZTD与PM2.5浓度的相关性呈显著正相关特性,中国西南以及沿海地区,由于降水及其他因素的干扰,GNSS ZTD与PM2.5浓度的相关性不显著。     

顾及平稳特征的PM2.5浓度时空趋势拟合研究

针对PM2.5浓度估算中全局平稳因素和局部非平稳因素同时存在的问题,该文以京津冀地区2015年1月—7月的PM2.5浓度为研究对象,人口密度、GDP、AOD、温度、相对湿度、风速和大气压强为影响因子,利用混合时空地理加权回归模型对PM2.5浓度进行估算。结果显示,考虑全局平稳特征时能有效地提升PM2.5浓度估算的精度,PM2.5浓度与风速、温度呈负相关关系,京津冀地区PM2.5浓度呈北低南高的趋势。     

杭州城区土地利用类型对PM2.5浓度影响分析

针对PM2.5质量浓度空间分布的季节性差异与土地利用分布的定量关系问题,该文以浙江省杭州市为实验区,收集PM2.5质量浓度实测数据和MODIS气溶胶光学厚度(AOT)遥感数据,并对AOT进行标高订正和水汽校正,建立了PM2.5质量浓度和AOT的回归模型,通过模型得出了杭州市各季节的PM2.5质量浓度空间分布图;在此基础上,进一步分析了杭州市PM2.5浓度与土地利用类型(扬尘地表与非扬尘地表)之间的空间分布相关性。结果表明,杭州市2015年PM2.5质量浓度分布的季节性变化特征是冬季春季秋季夏季;建设用地和交通用地等扬尘地表对PM2.5的浓度贡献较大,特别是在冬季和春季两个季节。该研究结果对于认识空气中PM2.5的来源与时空分布特征具有一定的理论和实践意义。     

基于GIS的气温对漳州城市主要大气污染物影响分析

漳州城市建设和工业飞速发展,汽车数量剧增,人为大气污染排放显著增加,空气质量下降,对人们的生活和健康造成了影响。本文利用2014—2015年连续2年的日平均污染数据,选择主要污染物SO2、NO2、O3、PM10、PM2.5和AQI指数,分别与日平均气温做相关分析,研究发现:SO2浓度在不同季节与温度的相关不同,这是由于气温与SO2的清除机制没有直接关系,因此相关不确定;NO2浓度与气温基本呈负相关,而O3的浓度呈正相关。秋季影响当地空气质量的主要气象条件是气温,当气温高于25℃时,空气质量改善明显。     

利用MODIS资料监测湖北省PM2.5的3种模型对比

为确定适宜遥感监测湖北省PM2.5浓度的模型,该文运用MODIS气溶胶光学厚度(AOD)产品、气象数据、土地利用数据、数字高程模型(DEM)数据和地面监测站点获取的PM2.5质量浓度数据建立了智能算法模型(模型1)、地理加权回归模型(模型2)和线性混合模型(模型3),并用地面监测站点数据评估模型拟合结果。结果表明:模型3在所有表征反演精度的统计指标(全数据集R~2、回归斜率、均方根误差、平均绝对误差)上均表现出优异性;十折交叉验证结果表明模型1、模型2和模型3的R~2分别为0.559 8,0.562 2,0.755 5,3种模型皆不存在过拟合现象;对湖北省2015年PM2.5浓度时空分布特征的分析结果表明模型3能够提供可靠数据,可为PM2.5浓度监测提供一种有效的补充手段。     

融合GNSS PWV、风速与大气污染观测的河北省春季PM2.5浓度模型研究

PM2.5浓度时空演化特征分析有助于大气污染的现状和发展认知，但PM2.5浓度监测积累时间较短，且受到排放强度和气象因素的影响，因此可融合全球导航卫星系统（Global Navigation Satellite System，GNSS）天顶可降水量（precipitable water vapor，PWV）、风速和大气污染物构建PM2.5浓度模型。以河北省为例，首先分别开展PM2.5浓度与大气污染物、GNSS PWV及风速的相关性分析；然后将大气污染物、GNSSPWV和风速作为输入，PM2.5浓度作为输出，利用逆传播（back propagation，BP）神经网络分别构建城市PM2.5浓度模型和区域PM2.5浓度模型；最后进行PM2.5浓度模型可靠性检验。将模型预测值与PM2.5浓度实测值比较发现，预测PM2.5浓度等级准确率高，相对误差较低。该模型可用于区域PM2.5浓度时空演化特征分析。     

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。     

基于LUR的武汉市PM2.5浓度空间分布模拟

基于稀疏监测点的监测数据无法直接获取城市内部空气污染的高分辨率空间分布。以武汉市为例,研究了基于土地利用回归(landuseregression,LUR)模型的大气PM2.5浓度高分辨率空间分布模拟。采用双变量相关分析识别出与PM2.5浓度相关性最高的4个影响因子,分别是1000m缓冲区内道路长度,500m缓冲区内水域面积,500m缓冲区内建设用地面积以及工业污染影响。采用PM2.5月平均浓度和识别出的影响因子连同气象条件(月平均温度和月降水量)进行多元线性回归分析,相关系数R2达到0.905,调整后的R2为0.885。在研究区建立均匀格网(2km×2km),利用得到的LUR方程计算格点PM2.5浓度值,应用空间插值制成武汉市主城区夏季PM2.5浓度空间分布模拟图。模拟结果显示,主城区有三个PM2.5浓度高值中心,分别为青山工业区、江北工业区和汉口汉西建材市场区域。汉阳南部、武昌南部的大型湖泊和水域面积比例较大的区域表现为两个PM2.5浓度低值中心。     

基于数据同化的长春市雾霾反演与空间特征分析

近年随着长春地区冬季雾霾天气的频繁出现,大气可吸入颗粒物(PM2.5)已成为长春地区的主要空气污染物之一。遥感技术与污染物模型相结合是近年来预报空气质量的一种有效方法。本文以2015—2016年长春市冬季雾霾天气为例,利用MODIS遥感影像获取的气溶胶光学厚度(AOD),反演长春市地表PM2.5浓度值,得到长春市空气污染物空间分布图,并分析长春市空气污染物的时空分布特征。同时利用AOD反演的PM2.5浓度值作为数据同化资料,对长春市地表PM2.5浓度值进行预报,预测结果令人满意。研究结果表明:数据同化与遥感信息技术结合进行雾霾预测是一种有效的手段,可为雾霾反演的数据提供可靠的信息。     

MODIS卫星遥感估计福州地区近地面PM2.5浓度

卫星遥感反演气溶胶光学厚度已被广泛应用于近地面空气污染遥感监测。为揭示福州地区细颗粒物污染的空间分异趋势,利用2014年—2015年的地基监测细颗粒物(PM_(2.5))浓度数据、MODIS 3 km气溶胶光学厚度(AOD)卫星数据以及GEOS-FP气象数据,分别构建了估计福州地区近地面PM2.5浓度的日校正模型和站点一日校正模型,并利用十折交叉验证方法对2个模型进行评价验证。结果表明:(1)日校正模型和站点一日校正模型分别能够解释福州地区PM2.5浓度76.2%和81.4%的变异,反演的2014年—2015年福州地区近地面PM2.5浓度和地面实测站点数据之间的相关性R~2分别为0.724(RMSE=10.993μg·m~(-3))和0.781(RMSE=9.687μg.m~(-3));(2)分别针对不同下垫面环境的城市站点和县郊站点数据进行模型拟合验证,两个模型反演的PM2.5浓度值与地面实测值之间皆具有良好的相关性,R~2最高可达0.808;(3)将模型反演的PM2.5浓度季均值与地面实测季均值进行对比分析,结果也显示二者高度相关,据此反演的2015年福州地区年平均PM2.5浓度分布图可清晰地揭示福州地区PM_(2.5)浓度分布的空间变化情况。由此可见,基于MODIS 3 km AOD产品和气象数据建立的近地面PM_(2.5)浓度遥感估算模型能够很好地反演出福州地区近地面PM2.5浓度分布情况。     

顾及PWV的中南4省1区春节期间PM2.5浓度估算

社会经济的发展伴随而来的环境污染问题日渐得到人们的重视.针对中南地区4省1区(河南省、湖北省、湖南省、广东省和广西壮族自治区)春节期间PM2.5的变化情况,结合该区域所属及其相邻探空站获取的大气可降水量PWV数据以及气象监测站获取的风速数据,通过反距离加权插值得到中南4省1区春节期间的PWV和风速值,综合考虑CO、SO2、O3和NO2等大气污染物以及PWV、风速和DEM高程值建立该地区春节期间的地理加权回归(GWR)、地理加权回归克里金(GWRK)以及地理加权回归规则样条(GWRCRS)插值模型,并运用3种模型对中南地区4省1区2017、2018年春节假期期间进行PM2.5浓度估算.研究结果显示,GWRK和GWRCRS模型的估算效果较GWR模型更优,而GWRCRS模型估算精度最高,对中南地区4省1区春节期间的PM2.5监测预警具有一定的实用性参考价值.     

滨州市PM2.5浓度时空分布研究

目前,我国已经成为PM2.5污染的重灾区,由此引发出一系列的大气环境和人类健康问题。因此,研究PM2.5的时空分布及其演变规律显得尤为迫切。本文对滨州市六个大气环境监测点2013年1月到2014年12月的PM2.5浓度数据进行分析整理,运用数理统计分析方法,结合地理信息系统技术,综合分析滨州市PM2.5污染水平、时空分布特征。结果表明,综合GIS手段的PM2.5浓度可视化分析方法能够较好的弥补传统图表、文字等表达方式的不足。     

基于GIS的石家庄市雾霾分析

为了得出雾霾气象成因机制、影响因素和时空分布特征,以石家庄市区与郊县为研究区域,将2013年9月至2016年12月石家庄市各市区、郊县的PM2.5历史监测数据中的有效数据进行了数据分析处理得到雾霾浓度数据,还有温度、降水、风速、地形和人口密度等数据,运用GIS分析的方法,模拟绘制石家庄雾霾的时空分布图、雾霾与各影响因子的专题对比图,得到雾霾形成机制的因子、雾霾的时空分布规律、雾霾季节变化特征、雾霾与地形间的关系等;运用数据分析软件OriginPro8.SR3分析雾霾浓度与风速数据、降雨数据、温度数据间的相关性。