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.     

基于支持向量回归的PM2.5浓度实时预报

为了研究适合于我国当前重污染天气的实时空气质量预报模型,论文利用支持向量回归方法对北京市地面空气质量监测数据和气象数据进行分析,构建了基于支持向量回归的PM2.5浓度实时预报模型。实验表明,该方法能够对未来6日内的日均PM2.5浓度以及未来0~72h内的小时级PM2.5浓度进行预报,且模型训练过程和预报过程都耗时很短,适用于建立PM2.5浓度实时预报系统。     

北京市空气质量时空特征分析

近年来,随着我国经济持续迅速发展,环境问题日益突出,空气污染日益严重,灰霾现象频发。研究空气质量演变的时空特征,揭示空气污染的成因具有十分重要的意义。本文基于自然正交函数（EOF）分析了北京市空气质量变化的时空特征,借助地理加权回归（GWR）揭示了其驱动力。研究结果表明：①北京市PM2.5 AQI年均空间分布由南到北有减小趋势;②北京市PM2.5 AQI异常呈现西北、东南反向分布;③POI特征对PM2.5 AQI的影响具有显著的南北差异,且在中心城区的影响作用比郊区大;④土地利用特征对PM2.5 AQI影响具有显著的南北差异;⑤路网特征对PM2.5 AQI具有正向作用,在中心城区的影响比郊区大。     

PM2.5:一个“慢半拍”的环保话题

近期,被称为"灰霾元凶"的空气污染物PM2.5(又称"可入肺颗粒物")受到公众广泛的关注,包括上海、南京等许多城市均开始尝试发布PM2.5监测数据。北京市环保局也表示,计划在春节前,首先开始实时发布包括PM10在内三项常规污染物的每小时浓度,并同时公布PM2.5的研究性监测数据,供市民参考。PM2.5这个一度混沌的空气质量概念,     

基于随机森林的PM2.5实时预报系统

针对我国当前重污染天气PM2.5浓度的实时预报问题,该文提出了一种基于随机森林算法的PM2.5浓度实时预报方法,并利用此方法对北京市地面空气质量监测数据和气象数据进行分析,建立了基于随机森林算法的PM2.5浓度实时预报模型。实验证明,该模型能够对72h内PM2.5浓度进行较高精度的实时预报,通过使用Spark分布式计算框架,能够有效降低算法耗时,文章基于此模型与Spark分布式计算框架建立了PM2.5实时预报系统。     

北京房山雾霾与GNSS水汽相关性分析

伴随着我国社会经济的高速发展,近年各地来雾霾事件频发,严重的影响了人民的日常生活。本文分析了北京房山2014到2017年空气质量影响因子(PM2.5、PM10和AQI)与大气可降水量的相关性,在此基础上本文对GNSS技术探测雾霾发生的可行性进行了研究。本文基于对北京房山站的分析结果,表明PM2.5、PM10含量、AQI与大气中可降水量PWV具有较强的正相关性,且大气中PM2.5、PM10含量、AQI与可降水量PWV都表现出明显的季节性特征,以上结论表明GNSS技术可用于雾霾的预测。     

门限重复单元的PM2.5浓度预报方法

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种基于长短期记忆神经网络的PM2.5浓度实时预报方法。此方法结合了北京市地面空气质量监测数据、天气预报模式的气象预报数据及东亚地区污染物排放清单进行分析,在将高层大气状态及排放状况融入了预报模型的同时,利用LSTM模型模拟区域PM2.5浓度的时序连续变化特征,建立了0~72h的区域PM2.5浓度实时预报模型。实验证明,该方法可以有效表征大气污染物变化的时序特征,从而进行更为精准的长时PM2.5浓度预报。同时,使用门限重复单元作为LSTM神经网络的核心,在保障模型精度的同时,进一步减少了模型训练时间,提高了模型的计算效率。     

融机器学习与WRF大气模式的PM2.5预报方法

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种融合随机森林算法与WRF大气模式的PM2.5浓度实时预报方法。该方法结合了北京市地面空气质量监测数据和WRF气象数据进行分析,将高层大气状态(如逆温层高度等)融入了预报模型中,建立了0~72h的PM2.5浓度实时预报模型。实验证明,该模型能够对0~72h单站点的PM2.5浓度进行较高精度的实时预报,且在24~72h的长时预报结果上较基于地面空气污染物数据与地表气象站数据的预报方法精度有明显提升,即该方法可以更好地模拟大气物理化学状态,从而更为精准地进行长时PM2.5浓度预报。     

融合机器学习与WRF大气模式的PM2.5预报方法

针对当前我国重污染天气实时的空气质量预报问题,该文提出了一种融合随机森林算法与WRF大气模式的PM2.5浓度实时预报方法。该方法结合了北京市地面空气质量监测数据和WRF气象数据进行分析,将高层大气状态(如逆温层高度等)融入了预报模型中,建立了0～72 h的PM2.5浓度实时预报模型。实验证明,该模型能够对0～72 h单站点的PM2.5浓度进行较高精度的实时预报,且在24～72 h的长时预报结果上较基于地面空气污染物数据与地表气象站数据的预报方法精度有明显提升,即该方法可以更好地模拟大气物理化学状态,从而更为精准地进行长时PM2.5浓度预报。     

一种新的雾霾天气下PM2.5浓度短时预测模型

大气污染一直是影响人们生活质量的主要因素之一,针对山东省临沂市2018—2019年空气质量情况,采用小波变换DB5(Daubechies 5)的尺度系数A4对临沂市的细颗粒物(Fine Particulate Matter,PM2.5)浓度、天顶总延迟量(Zenith Total Delay,ZTD)、大气可降水量(Precipitable Water Vapar,PWV)和NO2浓度进行分解与重构,然后利用多元线性回归方法建立适合临沂地区的雾霾天气下短时预报模型,重构后的PM2.5浓度与NO2浓度相关系数、PM2.5与PWV相关系数较原始序列分别提高了20.46％,25.48％,重构后的模型决定系数R2、F检验、F检验对应的P值,剩余平方和S2较原始模型分别提高了29.86％,18.89％,0,72.72％.因此建立临沂地区雾霾天气下短时PM2.5预报模型可以有效地进行PM2.5监测,对雾霾治理提供一定的技术支持.     

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。     

气流后向轨迹和门限重复单元的PM2.5预报

针对目前我国实时的空气质量预报不适合重污染天气的问题,该文提出了一种基于气流后向轨迹模型和门限重复单元神经网络的PM2.5浓度预报方法。该方法通过气流后向轨迹模型将区域异地传输效应进行量化,从而为待预报站点提供额外的区域传输预后因子(预后因子即是对未来情况的预估),将待预报站点区域传输预后因子和气象因子加入预报模型,利用GRU模型模拟区域PM2.5浓度的时序连续变化特征,建立1～72 h的PM2.5浓度实时预报模型。实验结果表明,区域传输预后因子的加入,能够很好地量化其他站点对于待预报站点的PM2.5浓度预报影响,提高PM2.5预报模型整体预报精度。     

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。     

2015—2016年东北三省PM2.5的时空分布特征

基于2015—2016年东北三省36个主要城市PM2.5浓度数据以及同期大气氧化物数据,运用克里金插值法及相关性分析法,对PM2.5的时空分布特征及与其他大气氧化物的相关性进行分析.结果表明:2016年较2015年PM2.5浓度显著降低,下降了17.83％;PM2.5浓度由高到低的季节依次是冬季、秋季、春季和夏季,浓度分别为64.31、49.44、39.57、28.09μg·m-3;PM2.5月均浓度呈U形分布,最大值出现在11月,最小值出现在8月.分地区来看,PM2.5空间分布整体呈南高北低状态,黑龙江省的年均PM2.5浓度明显低于另外两省.PM2.5与CO、SO2、NO2浓度均为极显著正相关,表明CO、SO2、NO2对PM2.5浓度有显著影响.     

基于“天地图”的江苏省城市空气质量PM2.5监测数据平台的设计与实现

基于"天地图"的地图数据服务,接入了江苏全省72个空气监测站点的实时监测数据,设计和实现了江苏省城市空气质量PM2.5监测数据平台。该平台的建成引起了较大的社会关注,成为"天地图"服务于环保行业和政府部门的又一成功案例。     

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。     

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。     

北京市细颗粒物时空分布及与呼吸系统疾病相关分析

细颗粒物（PM2.5）即粒径小于2.5μm的可吸入颗粒物[1],是当今中国城市大气污染的首要污染物。本研究以北京市为例,选取北京市2010年至2012年三年内采暖期与非采暖期两个不同时期的细颗粒物（PM0.3,PM0.5,PM1）实测数据,及同时期北京市患呼吸系统疾病人数数据,运用地统计的空间分析方法,对获取数据进行空间化及插值研究。通过偏相关分析法对北京市细颗粒物浓度与患呼吸系统疾病人数数据进行相关分析。得出以下主要结论：①细颗粒物的空间变化明显,2010年、2011年及2012年细颗粒物浓度整体呈上升趋势,2012年三种粒径细颗粒物浓度整体高于2010年与2011年。②不同粒径的细颗粒物,对呼吸疾病的影响程度不同：在0.3μm,0.5μm与1μm三种粒径的细颗粒物中,PM1对呼吸系统疾病影响最大,偏相关系数达到0.785。     

基于遥感技术的大气细颗粒物PM2.5监测研究进展

PM 2.5已经日渐成为大气中首要的污染物。同时越来越多的研究表明,PM 2.5污染对人们的正常生活会造成严重的影响,有效监测其空间分布对污染防治和健康影响等具有重要意义。利用遥感技术开展PM 2.5监测已经成为重要且有效的手段,遥感影像的空间分辨率不断提高、PM 2.5遥感反演模型的推陈出新,进一步助推和加深了遥感技术在PM 2.5监测领域中的应用。本文通过归纳总结用于PM 2.5反演的主要遥感数据源,并结合PM 2.5遥感反演模型的基本原理,从不同数据源角度综述了PM 2.5遥感监测技术的研究进展,最后展望了现有监测技术存在的问题以及发展趋势,为开展PM 2.5遥感监测和深化应用提供理论支撑。     

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。