南京市一次大气污染事件时空演化特征及影响因素

利用数理统计和后向轨迹方法,分析江苏省南京市2015年全年空气质量指数(AQI)及1月21—27日各污染指标数据,探讨南京市大气污染时空分布特征及影响因素.研究发现:2015年南京市AQI达到污染程度的天数在瑞金路、迈皋桥最多,在玄武湖最少;AQI值在秋、冬季较高,春、夏季较低,推测南京市AQI主要受不同功能区污染排放和不同季节天气变化控制.在1月21—27日大气污染事件中, AQI在仙林大学城最高,为211.094;玄武湖最低,为168.881. PM_(10)平均浓度在奥体中心最大,为229.472,玄武湖最小,为179.932. PM_(2.5)的空间分布情况与PM_(10)类似, SO_2, NO_2和O_3浓度空间差别不大.在此期间, AQI总体呈波动上升趋势, 21日、24日、26日出现3次高峰, 25日和27日下降. PM_(10)、PM_(2.5)、NO_2浓度变化趋势与AQI呈正相关关系, O_3与AQI呈负相关关系.因此,南京市大气污染在空间上具有明显区域特征,在时间上具有累加特征,同时还受周末效应和天气作用影响;主要污染物为汽车尾气、燃煤燃气和工业废气.气团后向轨迹显示,大气污染源主要来自局地和西北地区, 25日气团方向改变,导致污染物浓度下降,推测南京市大气污染受气团带来的外地污染物及天气变化的综合影响.     

章丘区空气污染特征及气象因素相关分析

利用济南市章丘区2016年3月至2017年2月空气污染指数(AQI)和6种污染物(PM_(10)、PM_(2.5)、NO_2、SO_2、CO、O_3)数据,结合章丘区气象因子(温度、湿度、风速),运用统计分析、相关分析等方法,对该地区污染特征变化及与气象因子的相关性进行了研究.结果表明:章丘区主要污染物有PM_(10)、PM_(2.5)、O_3三项,分别占全年总天数的46%、44%、10%;章丘区全年空气质量较好的时间段集中在夏秋季节,冬春季节空气质量较差,但O_3变化趋势与总体趋势相反;全年温度变化成抛物线状,相对湿度变化不大,春旱现象明显,全年风速起伏变化较小,冬季风速较小;AQI与温度相关系数为-0.329,P0.01,具有显著的负相关性;AQI与湿度相关系数为0.150,P0.01,具有比较显著的正相关性;AQI与风速相关系数为-0.051,P0.01,相关性不显著.     

昆明市MODIS AOD与大气污染物浓度在气象因子影响下的相关性分析

利用昆明市2018年MODIS L1B数据通过暗像元法反演大气气溶胶光学厚度,分别与空气污染指数AQI、PM_(2.5)、PM_(10)、SO_2、NO_2、CO和O_3进行相关性分析。分析发现,AOD与AQI、PM_(2.5)、PM_(10)、CO、O_3的质量浓度有显著相关性,相关系数分别为0.502、0.411、0.512、-0.401、0.559,均满足0.05置信度要求,与SO_2、NO_2的相关仅为-0.084和-0.168,相关性程度较低;在进行垂直湿度修订后AOD与AQI、PM_(2.5)、PM_(10)、O_3的相关性有了显著的提升,但与SO_2、NO_2、CO并未得到提升;基于垂直湿度订正后的AOD分别与AQI、PM_(2.5)、PM_(10)、O_3建立最优拟合模型,并利用反演计算的AQI、PM_(2.5)、PM_(10)、O_3值与实测值进行拟合分析,其拟合优度R均大于0.700;引入湿度、风速、能见度、气温和气压等气象因素进行多元回归分析,结果显示,与最优拟合模型相比拟合优度分别提升11.76%、13.57%、12.02%及2.89%,说明利用MODIS L1B数据反演的AOD在经过垂直湿度订正并考虑气象因素的情况下,可以作为AQI指数估算及大气污染物质量浓度监测或者是地面辅助监测的一种手段。     

南昌市主要空气污染物浓度及其与风力风向关系研究

对2016年南昌市PM_(2.5)、PM_(10)、NO_2等主要空气污染物随时间变化特征进行了统计分析,并运用广义可加模型探究了它们与风力、风向的关系,并在风力风速一定时重点探讨了它们之间的内在联系。研究表明,2016年南昌市空气质量较好,PM_(2.5)、PM_(10)、NO_2浓度达到国家二级标准的天数超过80%,AQI指数级别为优良的天数达到317天。从季节差异来看,秋冬季时空气质量较差,春夏季的情况相对较好。从空气污染随风力、风向变化的关系来看,AQI指数在盛行东北风时随风速增加;风向为偏东且高风速时,PM_(2.5)、PM_(10)、NO_2浓度相对较高;风向风速一定时三种污染物之间呈正相关,且PM_(2.5)与PM_(10)相关性较高;PM_(2.5)/PM_(10)超过国际标准的天数有93天,并且当风向为西北、北、东北且风速高时比值较高。     

太原市近5年环境空气污染物浓度变化与趋势分析

采用综合污染指数法、污染负荷系数法、Daniel趋势检验、Spearman秩相关系数法并结合空气质量指数(AQI)数据,探讨了近5a来太原市环境空气污染物浓度变化,结果表明,2015—2019年,太原市SO_2的超标天数和污染物浓度均逐年下降(超标天数由50d下降至0d,污染物浓度由77.55μg·m~(-3)下降至29.52μg·m~(-3));而NO_2的超标天数和污染物浓度均逐年上升(超标天数由2d上升至40d,污染物浓度由43.11μg·m~(-3)升至59.81μg·m~(-3)),变化趋势显著;PM_(10)和PM_(2.5)的变化表现出一定的波动,变化趋势不显著;空气综合污染指数呈现先升高后降低的趋势,环境空气污染在冬季较为严重.可吸入颗粒物(PM_(10)和PM_(2.5))历年的负荷系数均显著高于SO_2和NO_2,空气污染物以可吸入颗粒物为主.从各年AQI累积的数值之和来看,空气污染有逐渐加重的趋势.     

石家庄市采暖期空气质量特征及其与气象条件的关系

为确定石家庄市采暖期易引发大气污染的气象条件,通过对石家庄市2016—2018年采暖期的空气质量逐日监测数据,以及同期气象观测资料进行研究,分析了石家庄市采暖期的空气质量变化特征,探讨了影响环境数据变化的主要气象要素,筛选并确定了PM_(10)、PM_(2.5)、AQI的污染气象指标。结果表明:石家庄市采暖期内所有天数均为非一级天,其中污染日较多,占69.58%,以PM_(2.5)为首要污染物的天数最多,其次是PM_(10);PM_(10)、PM_(2.5)、SO_2、NO_2、CO浓度与气温、变压、风速和混合层高度负相关,与相对湿度正相关(SO_2除外),O_3与气象要素的相关性和上述五种污染物相反;气象要素对大气环境影响的排序为:相对湿度风速混合层高度水汽压变压气温;确定的三种污染气象指标准确率分别是70.37%、70.37%、72.97%。     

信阳城区气温和降水量与主要污染物之间关系分析

以2014—2017年信阳城区逐日气象要素(最高气温、最低气温、均温和降水量)和环境空气自动监测系统逐日数据(SO_2,NO_2,PM_(10),PM_(2.5),CO,O_3污染物浓度和AQI)为研究对象,采用统计分析和Pearson相关系数法,分析气温和降水量与主要污染物之间关系.结果表明:(1)2014—2017年信阳城区空气质量以优良为主,重度、严重污染的日数较少.(2)日气温(最低、平均和最高)和日降水量与主要污染物SO_2,NO_2,PM_(10),PM_(2.5),CO浓度和AQI呈显著的负相关,与O_3呈显著的正相关,说明气温愈高、降水量愈多,空气质量愈好,即夏季空气质量优于冬季.通过统计2014—2017年逐日空气质量,四季空气质量从夏季、秋季、春季和冬季依次由好转差.(3)相较于非雨日,雨日主要污染物浓度明显降低;降水过程中或者降水之后,大气主要污染物浓度显著下降,共同说明降水量对主要污染物具有显著淋洗作用,尤其是颗粒物PM_(10)和PM_(2.5).     

由光化学反应和排放清单判断城市PM_(2.5)首要污染源的方法

以江苏省扬州市区2013年和2015年空气主要污染物浓度数据为例,依据光化学反应和空气污染物排放清单,提出了一种简易判断城市PM_(2.5)首要污染源的方法.结果证实:可通过光化学反应规律和空气监测数据推断对城市PM_(2.5)形成影响最大的一次污染物,并由该一次污染物的排放清单,确认其中排放量最大的污染源为该城市PM_(2.5)的首要污染源.该方法可为控制和治理城市PM_(2.5)提供相应参考.     

福州市台江区2016-2018年环境空气质量变化趋势及规律分析和探讨

以2016—2018年福州市台江区空气质量监测自动站的监测数据为样本,分析统计了台江区的环境空气质量变化,以及主要环境污染物的季节、日变化趋势和规律。结果表明,除O_3浓度升高外,PM_(2.5)、PM_(10)、NO_2、SO_2、CO浓度均有所降低,NO_2、PM_(2.5)、O_3、PM_(10)是该地区的主要污染物。其中NO_2、PM_(2.5)、PM_(10)浓度表现为冬春季节较高、夏秋季节较低;O_3浓度春夏季较高,冬季低,O_3是夏季的首要污染物。NO_2、PM_(2.5)、PM_(10)日变化呈双峰型特征,O_3日变化呈单峰型特征,各污染物之间及污染源之间具有相关性。结合分析结果,提出了对台江区道路、工地扬尘控制、机动车尾气排放、挥发性有机物(VOCs)企业排放控制等建议。     

上海市大气PM2.5污染特征及相关因素分析

利用2015年上海市大气污染物的监测数据,运用MATLAB7.0、SPSS等软件进行PM_(2.5)质量浓度污染特征、变化规律以及PM_(2.5)与其他污染气体的相关性分析。研究结果显示,2015年上海市PM_(2.5),年平均浓度为53.6μg/m~3,相比基准年2013年,年均浓度下降14%;PM_(2.5)浓度月变化曲线呈U型分布,其中,月均浓度数值1月份达到最高峰,为82.9μg/m~3;季节污染情况为:冬季春季秋季夏季;PM_(2.5)日均浓度值全年波动较为稳定,超标天数占全年比率21.4%。根据AQI指标监测气体的相关性矩阵来看,PM_(2.5)和PM_(10)之间的相关性最大,相关系数为0.919;与CO、NO_2、SO_2等气体均有较强的相关关系。建议上海市应该优化产业结构、加强公共交通建设、采用清洁能源以期实现治污除霾的目标。     

海口市空气质量的特征及其与气象条件的关系

根据海口市2013—2014年空气污染物的监测数据及气象资料,研究了该市的空气质量特征及其与气象要素的关系.结果表明:海口市空气质量优良率为95%;PM_(2.5),PM_(10),O_3是该市的主要污染物,年均质量浓度分别为25.29μg·m~(-3),44.48μg·m~(-3),77.15μg·m~(-3);该市的空气质量随季节变化的特征明显,春、夏、秋、冬四季的AQI值分别为42,35,54,65;污染物的"周末效应"与北京、深圳等国内其他城市不同,表现为:周末浓度大于工作日浓度;旅游黄金周期间污染物均有不同程度增加;污染物日变化特征明显;SO_2,PM_(2.5)表现出一定的区域污染特征;NO_2,PM_(10),CO和O_3表现出一定的局部污染特征;降水、风速、风向、温度、湿度对空气质量的影响显著,在多数情况下AQI与降水、风速、温度、湿度等存在负相关,而与气压存在正相关;对典型污染过程的分析表明:PM_(2.5)受扩散条件、本地排放及外地输送共同影响,O_3浓度与蒸发量、相对湿度及风速等指标有明显关系.     

南宁市PM_(2.5)浓度与气象因素的关系

空气污染主要与污染源的排放、气象条件、地形地貌三方面因素有关。对南宁市空气质量指数与气象因素的关系进行研究,进一步探究空气污染的主要污染源PM_(2.5)与气象因素之间的关系,分析了促进空气污染发生的气象条件,并在此基础上建立多元线性模型对空气污染物PM_(2.5)的浓度值进行预测。结果表明预测模型拟合度最大达到了0.747,说明了该预测模型能够适用于南宁市空气污染物PM_(2.5)的监测和预报。     

重庆涪陵大气污染物特征及其与气象要素的关系

利用重庆涪陵2010—2014年空气质量监测数据和同期的气象资料,分析了涪陵地区大气污染物的变化情况与气象要素的相关关系.结果表明:涪陵从2010到2014年空气质量有变好趋势,迎宾大道和兴华中路的空气质量总体较好,AQI指数优良天数分别占87%和85.6%,PM_(10)为涪陵首要污染物.PM_(10),SO_2质量浓度具有周期性变化特征,从1月至12月为先降低后升高的趋势,每年较冷的12月、1月、2月PM_(10)质量浓度值较高,较热的月份质量浓度值较低.NO_2质量浓度年际间变化幅度较小.PM_(10)与气温、降水量、相对湿度、平均风速具有负相关性,与气压具有正相关,即气温越高、降雨量越大、气压越低、风速越大,PM_(10)质量浓度越低.SO_2,NO_2与气温、气压、降水量均为负相关,与相对湿度正相关.不同月份大气污染物与气象要素的相关性存在较大差异.     

基于小波分析的太原市空气质量变化特征及预测

以太原市2013年1月～2016年12月份PM2.5、NO_2、SO_2等污染物逐日浓度数据为研究对象,结合太原市地面气象数据,采用相关分析、小波分析等方法对太原市空气质量AQI(air quality index)变化特征进行了研究,同时采用小波去噪和最优子集回归方法分别建立AQI的春、夏、秋、冬季预报方程。研究结果表明:1)太原市AQI均值呈现逐年降低趋势,最大值出现在冬季,具有冬强夏弱的特点,太原市主要空气污染物为PM2.5,PM10和SO_2。2)AQI与各污染物浓度因子之间存在较强的相关性,其中AQI与PM2.5和PM10的相关性最大,Spearman相关系数极显著(P0.01),并且污染物之间、污染物与气象因子之间也存在相关性。3)太原市AQI具有较明显的年际周期性振荡、30～60d的季节性周期振荡、10～20d的双周性振荡及5～7d的准双周振荡。4)将AQI前一天的历史数据作为因子引入预测模型,相比于仅以气象因素为输入的模型具有更强的拟合精度。对数据进行小波去噪后所建的最优子集回归方程比使用原始数据更优。文章所建立的"去噪气象数据+去噪历史AQI数据"模型可以较精确地实现对太原市AQI指数的短期预测。     

典型生态旅游城市黔江区大气污染物分析及健康风险评估

以典型生态旅游城市黔江城区大气为研究对象,采用相关性分析、主成分分析、聚类分析和多元统计分析等方法对大气污染物进行研究,结果表明:黔江城区主要污染物随季节变化呈明显时空变化特征,PM_(10),PM_(2.5),SO_2,NO_2,O_3年平均质量浓度分别为(55±19.4),(28±12.5),(18±8.0),(28±5.8),(22±4.8)μg/m~3,均符合国家二级标准(GB3095-2012).研究期间气压、温度、风速和湿度等重要气象因子对5种大气污染物均产生显著性影响;5种大气污染物之间也存在极显著性或显著性影响.利用主成分分析和正交旋转方法,共抽取3个主成分,累计解释了总因子的38.067%,58.408%,70.148%,反映了人类生产生活活动、汽车污染源等排放.气象因子与大气环境中5种污染物之间具有聚合性,综合分为2类,其聚类距离大小为:第一类PM_(10),SO_2,NO_2小于气压,PM_(2.5)最大;第二类O_3、风速小于风向和湿度,温度最大.城区大气环境中PM_(10)和PM_(2.5)健康风险值为0.78×10~(-6)~1.64×10~(-6),0.52×10~(-6)~1.72×10~(-6),除夏季外,其余3个季节均为PM_(2.5)值大于PM_(10)值,由此表明PM_(2.5)比PM_(10)对人类的健康危害更大.     

基于微博大数据的游客情感与空气质量关系研究——以西安市为例

利用西安市国内游客发布的微博数据,采用修正的"微博情感倾向算法验证程序"(MBEWC)计算游客的情感倾向值,对情感倾向和空气质量进行相关分析,研究情感倾向和空气质量的相互关系。研究发现:PM_(2.5)、PM_(10)、NO_2、SO_2、CO这5种污染物均与游客微博情感值呈现较弱的负相关;在所有污染物指标中,NO_2对游客情感的影响程度最大,具体表现为每多排放1 000μg NO_2,游客微博情感值下降21分;其次,在烟尘污染物PM_(2.5)和PM_(10)中,PM_(2.5)粒径很小,对游客情感的影响比PM_(10)严重;而对于气体污染物,NO_2和SO_2对游客情感的影响程度远大于CO。空气中多种污染物同时存在对游客情感的影响要明显大于某一污染物单独存在时的影响,具体表现为PM_(2.5)和SO_2同时存在对游客情感的影响程度大于SO_2单独存在对游客情感值的影响。     

基于无人机平台的细颗粒物三维分布监测

为获取高空间分辨率的污染物浓度数据,搭建了基于无人机技术的大气污染物立体监测平台,并成功获取临安市2014年11月一次重污染事件1 km以下高度的细颗粒物(PM_(2.5))浓度及同步气象场的三维分布数据。结果表明:大气湍流对PM_(2.5)浓度时空变化具有重要影响。清晨及上午大气垂直湍流活动较弱,大气稳定度较高,逆温等温层多重大气结构不利于PM_(2.5)垂直扩散。中午大气湍流活跃度最高,PM_(2.5)混合充分,垂直浓度梯度较小。下午PM_(2.5)在边界层内水平输送显著,并逐步向下沉降,说明此次重污染事件主要受外地污染源输送影响。     

基于AQI的九江市空气质量统计预报方法

利用九江市2014—2017年气象观测站常规观测的气象资料和九江市环境监测站污染物日平均浓度资料、AQI日均值和首要污染物等观测要素,通过统计学方法对不同季节内地面气象要素和AQI做相关性分析,并选取相关性好的因子分别做回归分析并建立预报方程,结果表明:1)相对于全年回归预报方程,不同季节的气象要素与AQI的相关程度不同,不同季节的回归方程对AQI指数的预报准确率高; 2)由于污染物的累积特征,前一天的AQI与当天AQI相关系数高达0.66,在回归的过程中,前一天的AQI值做为最重要的一项参数; 3)春季、夏季由于降水比较明显,且由O_3造成的污染日数相对较多,而高温和日照对O_3有显著的相关,所以AQI的预报能力较强;秋冬季由于外来输送污染严重和PM_(2.5)首污的日数增加,气象要素的相关性较低,预报能力也随之降低。     

基于主成分分析法对河南省大气主要污染物关系的研究

以2015年河南省17个城市为研究对象,借助统计产品与服务解决方案(statistical product and service solutions,SPSS)软件对数据进行计算,运用主成分分析法对大气主要污染物数据进行分析.依据计算分析结果,提取占总方差85%以上的3个因子来反映空气的污染程度:1)PM_(10)、NO_2.2)CO、O_3.3)PM_(2.5)、SO_2.第一主成分的贡献率为52.049%;第二主成分的贡献率为25.306%;第三主成分的贡献率为13.947%.相关性分析发现:SO_2、NO_2与PM_(2.5)和PM_(10)的相关性显著,表明这几种污染物具有相似的来源;CO和O_3呈现出一定的负相关性,可能由于CO和O_3均是光化学反应的重要参与物质,这也表明河南省存在一定程度的光化学污染.分析结果将有助于为环保部门大气污染物的治理工作提供参考.     

西安市区大气污染物时空分布特征分析*

利用2014年10月31日～2015年11月31日西安市区13个环境空气质量监测站AQI、CO、SO_2、NO_2、O_3、PM_(2.5)和PM_(10)逐日数据,分析了西安市区各种污染物的时空分布特征,研究污染物之间的相关性及西安和周边城市的空气质量相关性。结果表明,西安市空气主要分布国家标准在二三级之间,长安区超标率最低(24.41%)。利用空间插值法分析污染物空间分布各监测点夏季空气质量均优于冬季,长安区空气质量较好,主城区污染严重,西安大气污染物呈现明显的主城区向郊区递减变化趋势。月平均气温与CO、SO_2和PM_(10)显著负相关,与O_3显著正相关;月降雨量与CO、SO_2和PM_(10)显著负相关;日照时数与O_3显著正相关。SO_2月均浓度值在监测期中达到一级标准;O_3在5～8月份月均浓度值达到最大,其他月份均达到一级标准;NO_2在11月～次年1月月均浓度为全年最高,其他月份达到一级标准;CO在1～2月份浓度达到最高值,其他月份满足一级标准;PM_(2.5)和PM_(10)在整个监测期内均未达到一级标准。西安和周边城市空气质量存在显著相关性,需要城市间协同解决大气污染问题。