旅游活动强度变化下旅游地大气PM2.5浓度响应研究

为探索生态旅游城市大气 PM2:5 浓度在旅游活动强度变化下的响应机制, 首先基于多重分形消除趋势波动分 析法, 分别对张家界市大气 PM2:5 平均日浓度和旅游人数的时间序列进行了多重分形特征分析, 结果显示 PM2:5 和旅 游人数的时间序列在演化过程中具有非线性、复杂的多重分形特征, 且 PM2:5 的多重分形特征强于旅游人数。进一步 利用多重分形消除趋势交叉波动分析方法研究了 PM2:5 和旅游人数的交叉相关性, 发现二者之间不仅存在具有长期持 续性的多重分形特征, 而且其相关性的多重分形特征受旅游活动强度变化影响明显, 表现为旅游旺季强于旅游淡季。 最后, 运用后向轨迹模型分析了张家界市旅游淡旺季 PM2:5 污染物的空间来源, 发现张家界市大气 PM2:5 污染物主要 源于局地污染源排放, 从侧面验证了旅游活动是张家界市大气 PM2:5 浓度的主要影响因素。     

长株潭城市群PM2.5 多尺度演化的EEMD 和多重分形分析

为解析长株潭地区 PM2:5 演化的多尺度特征, 阐释其演化的主要动力机制, 提出了一种集合经验模态分解 (EEMD) 和多重分形消除趋势波动分析 (MFDFA) 的新模型, 研究了该区域 2015 年 1 月 1 日至 2019 年 12 月 31 日 PM2:5 浓度的动力演化。利用 EEMD 方法获得了各城市 PM2:5 的高频模态以及趋势项, 趋势项结果表明 PM2:5 浓度呈 下降趋势, 而 PM2:5 的高频模态反映了 PM2:5 浓度波动的非线性特征。进一步采用 MFDFA 方法对其高频累加模态进 行分析, 研究表明 PM2:5 高频分量存在较强的多重分形特征。此外, 还利用相位随机替代法和随机重构法研究了其多 重分形的主要来源, 结果表明 PM2:5 浓度波动在不同时间尺度内的长期持续作用是造成高浓度 PM2:5 污染涌现的主要 动力因素。最后, 讨论了气象条件对其高频分量多重分形强度的影响, 结果发现, 相对于其他季节, 冬季 PM2:5 高频模 态的多重分形强度更强。分析表明, 尽管该区域通过大气污染行动计划已取得积极的污染控制效果, 但在冬季, 污染 物演化的长期持续动力机制对 PM2:5 高频模态的演化发挥着更加主导的控制作用, 不同时间尺度上 PM2:5 非线性长期 持续动力机制导致冬季仍有高浓度 PM2:5 涌现的风险, 甚至出现更为严重的污染。本研究结果对于区域 PM2:5 多时间 尺度演化动力特征的研究以及大气污染预测预警机制的建立具有重要意义。     

香港港口PM2.5和PM10的多重分形特征

颗粒物是港口地区的主要污染物之一,利用多重分形理论分析港口地区PM2.5和PM10浓度的多重分形特征。首先,运用多重分形消除趋势波动分析方法(Multifractal detrended fluctuation analysis, MF-DFA)分析PM2.5和PM10自身的多重分形特征,结果显示PM2.5和PM10浓度的演化过程表现出非线性、复杂性的多重分形特征,且PM10浓度的多重分形特征较PM2.5强。其次,利用多重分形消除趋势交叉波动分析方法 (Multifractal detrended cross-correlation analysis, MF-DCCA)研究港口地区PM2.5和PM10的交叉相关性,结果表明两者之间不仅存在具有长期记忆性的多重分形特征,而且其互相关性多重分形特征具有明显的季节变化特征。港口地区PM2.5和PM10的多重分形特征在春季最强,夏季次之, 秋季最弱。这些结论对港口地区PM2.5和PM10的联合控制具有一定的参考价值。     

基于Adam 注意力机制的PM2:5浓度预测方法

大气 PM2:5 浓度是一种具有较强时序特征的数据, 故目前关于 PM2:5 浓度的预测多选择 RNN、 LSTM 等 序列模型进行。但由于 RNN、 LSTM 等模型对不同时刻输入的数据都采用相同的权重进行计算, 不符合类脑设 计, 造成 PM2:5 浓度预报准确率较低。针对以上问题, 提出一种基于 Adam 注意力机制的 PM2:5 预测方法 (AT-RNN 和AT-LSTM), 该方法首先通过 Adam 算法寻找 RNN 或 LSTM 的最优参数并在 Encoder 阶段引入注意力机制, 将 注意力权重分配给具有时间序列特征的输入, 再进行 Decoder 解析和预测。通过实验, 对比了 BP、 RNN、 LSTM 和AT-RNN、 AT-LSTM 预测合肥市 PM2:5 浓度的效果。结果表明, 基于 Adam 注意力模型的预测方法准确率优于其它 方法, 证明该方法在污染物预测中的有效性。     

安徽省寿县气溶胶消光系数变化特征分析

基于自主研发的气溶胶消光光谱仪, 在安徽省寿县观测站点进行了连续观测, 并对 2016 年 5 月至 12 月期间 该地区的大气气溶胶光学特性开展了研究。结合不同大气因素分析了观测结果的时间序列变化及日变化规律, 对比 了消光系数与 PM2.5 质量浓度、散射系数的相关性, 并探讨了风速风向对于寿县消光系数变化的影响。结果表明: 寿 县地区大气消光系数时间序列变化与日变化特征明显, 且受到不同气象要素的影响。秋季和冬季的大气污染情况较 为严重, 与其他季节相比, 污染天气的天数明显增多; 与清洁天气相比, 污染天气的消光系数和 PM2.5 质量浓度、散射 系数显著增大。特别在冬季, 污染事件频繁。在 12 月份出现过重度污染天, 其 24 h PM2.5 平均浓度超过 150 µg·m−3 , 且该月消光系数和 PM2.5 质量浓度、散射系数均达到观测期间月平均最大值。整个观测期间, 从日变化来看, 消光系 数、PM2.5 质量浓度及散射系数均是白天波动较大, 午后出现最低值; 其中消光系数最大值出现于清晨 08:00 左右, 最 小值则出现于下午 16:00 左右。此外, 消光光谱仪测得的气溶胶消光系数与 PM2.5 质量浓度和散射系数的相关系数分 别为 0.91 和 0.83, 说明研制的消光光谱仪同其他仪器的测量结果具有很好的一致性。     

APEC期间京津冀地区污染物变化特征分析

利用中国环境监测总站发布的2013年11月1日~2014年12月12日污染物实时浓度数据,分析了京津冀地区污染物变化特征。结果显示：PM2.5、PM10、SO2、NO2和CO浓度年平均值分别为95.3, 163.9, 54.7, 48.9 μg/m3, 1.5 mg/m3;五种污染物浓度都表现出冬季高夏季低的季节变化特征,但不同污染物在不同的月份又有其特殊的变化特征。APEC期间京津冀地区PM2.5、PM10、SO2、NO2和CO平均浓度分别为66.1, 123.7, 33.2,、48.5 μg/m3, 1.2 mg/m3。APEC期间京津冀地区PM2.5浓度是APEC前后一个月的60.1%、59.4%;APEC期间气态污染物CO、SO2、NO2浓度与APEC前一个月相当,但APEC后急剧增加。减排措施使京津冀地区PM2.5浓度削减40%左右,PM10削减35%左右,NO2削减10%左右,CO削减15%左右。     

基于多传感器融合技术的微型空气质量监测系统优化设计

针对国家环境空气质量监测站 (NAAQMS) 由于体积大、成本高而不利于大面积广泛布点的问题, 研制了一 种微型空气质量监测系统, 用于监测大气中 CO、 NO2、 O3、 SO2、 PM2:5 和 PM10 的浓度。该系统分别采用电化学气 体传感器和光学粒子计数器来测量气体污染物和颗粒物浓度。考虑到传感器在测量污染物浓度时容易受到大气温湿 度的影响, 基于多传感器融合技术通过温湿度补偿算法对测量结果进行了修正, 并与 NAAQMS 发布的数据进行了比 较, 分析表明二者具有很强的相关性。与 NAAQMS 的数据相比, 本系统 10 天监测数据的相关系数优于 0.7; 通过算法 校正后, 某些污染物 (如 PM2:5) 的相关系数甚至可以提高到 0.9。新设计的空气质量监测系统具有鲁棒性强、体积小 的特点, 适用于环境空气污染物的长期大面积分布式网络监测。     

短周期高强度旅游活动对城市空气质量的影响

为定量研究短周期高强度旅游活动对城市空气质量的影响, 提出一种综合集合经验模态分解和去趋势互相 关分析的模型 (EEMD-DCCA), 研究了2015 年张家界市武陵源景区旅游人数的变化对大气NO2浓度的影响。首先, 通 过EEMD方法, 获得武陵源景区旅游人数与城市空气中NO2浓度的高频分量; 进一步, 通过DCCA方法研究旅游人数 高频分量和NO2浓度之间的相关性。结果表明, 两组旅游人数高频分量与NO2浓度之间均呈正相关性, 且具有长期持 续性特征, 这意味着短周期节假日旅游人数的剧增会持续影响未来一定时间尺度内大气NO2浓度的变化趋势。在武 陵源景区的研究表明所提的分析模型可以为定量评估旅游活动对自然景区空气质量的影响提供新的研究途径。     

无锡市一次霾形成过程大气污染物特征分析

于2013年12月21~26日期间对一次霾污染过程中PM2.5、含碳气溶胶、气态污染物（O3,NOx SO2）进行测量,利用微脉冲偏振激光雷达获得气溶胶消光和退偏振度参数,分析了霾过程大气污染物的特征。结果显示：本次霾污染过程持续3.4天,以细粒子污染为主。采样期间,PM2.5的质量浓度小时平均值为131.04µg•m-3,霾天气下为183.75µg•m-3,是非霾天气的2.98倍。碳质气溶胶（TC）占PM2.5的24.18%,并且与PM2.5之间存在较好的相关性（R2=0.790）。在霾天气下TC在PM2.5中所占的比例（TC%,16.65）要比非霾天气（TC%,34.38）小,二次水溶性无机盐粒子的快速增长可能是造成霾天气PM2.5质量浓度较高的重要原因之一。霾天气和非霾天气对比：O3浓度无明显变化,受太阳辐射影响较大;NOx和SO2的体积分数在霾天气下分别是非霾天气下的1.66和1.68倍;SO2浓度的增加不仅与本地SO2的累积有关,还有可能是受外来输入的粒子中存在含硫化合物、抑制了SO2的非均相反应造成的。     

基于激光雷达观测网的杭州及周边地区颗粒物污染特征研究

激光雷达观测网是研究区域大气颗粒物污染分布特征的有力工具。长三角地区激光雷达观测网部分站点的激光雷达资料与地面气象数据、PM2.5、PM10质量浓度数据,以及HYSPLIT后向轨迹模型模拟的后向轨迹相结合,对2016年9月杭州及其周边地区一次颗粒物污染的来源和成因进行了分析。分析结果表明,9月8日杭州颗粒物污染过程是该地区局地污染与高空输送共同作用的结果,且粗粒子主要来源于西北方向。杭州地区SO$_2$浓度整体较低,PM2.5浓度与NO$_2$浓度呈正相关,细颗粒物主要以硝酸盐为主。较高的NO$_2$浓度和高湿度、低风速的不利气象条件,是该地区局地细粒子快速增长的主要原因。     

河南省PM2.5时空分布特征研究

PM2.5是影响河南省空气质量的首要污染物,秋冬季节灰霾污染严重。为了解河南省PM2.5污染的特征,对河南省的17个城市,运用统计学方法和ARCGIS技术分析其时空分布特征。结果表明：从2015年1月至12月,河南省17个城市日均质量浓度达标天数比例为57.16%,冬季整体污染严重,超标天数比例为73.68%,春季超标天数比例为44.37%,秋季超标天数比例为34.52%,夏季超标天数比例为20.08%。在去除气象记录的空气质量重污染日之后,周末的PM2.5平均值比工作日高 8.04%,表现出“逆周末效应”。PM2.5/PM10值在0.50~0.65之间,且PM2.5与SO2相关性较高,表明河南省受传统煤烟型污染影响较大,粗粒子污染明显。 PM2.5与PM10、SO2、NO2均呈现显著的相关性,说明河南省的污染主要是由燃煤及机动车尾气造成。由于温度及光照变化的影响,河南省PM2.5与O3在不同季节呈现显著差异,其在冬季和秋季的相关性分别为-0.315(p=0.05)、-0.353(p=0.05),而在夏季的相关性为0.496(p=0.01),春季为0.003。     

包头城区冬春大气颗粒物污染特征及其与气象条件关系

包头2015~2016年冬春季节出现了连续的雾霾天气,不仅对能见度产生较大影响而且严重危害人体健康。选取了包头主城区8个空气质量浓度监测点的数据,对主城区的PM2.5和PM10污染特征进行分析,确定其空间差异特征和时间性变化特征。依据监测区功能的不同将包头主城区划分为5个区域,对各个区域监测点数据筛选整理,得到冬春季各个区域PM2.5和PM10质量浓度由高到低的顺序均为：工业区＞ 商业区 ＞文化区 ＞交通枢纽区＞公园游览区。各区域颗粒物月变化曲线呈双峰单谷型,12月最高,2月最低,并对成因进行分析总结;逐日变化反映PM2.5和PM10质量浓度具有较好的相关性,且受气象条件影响显著;日变化呈双峰双谷趋势。本文选取了气温、气压、相对湿度和风速等气象因子,利用Spearman秩相关分析研究各个气象因子对大气PM2.5和PM10质量浓度的影响。包头春季PM2.5和PM 10的质量浓度分别与气温、气压正相关,与风速、相对湿度（伴有降水时）负相关,风速、气压和相对湿度是影响污染物质量浓度分布的主要因素。     

环渤海城市群空气污染特征及其与气象要素的关系

为探究环渤海三大城市群空气污染特征及其与气象要素关系的异同, 基于 2015–2019 年空气质量指数日报资 料及同期气象要素资料, 利用空间自相关模型和皮尔逊相关系数对其相关性进行了分析。研究表明: (1)对于 PM2.5、 PM10 和 O3 这三大被研究的首要污染物, 在冬季主要以 PM2.5、PM10 为主, 夏季以 O3 为主。除 O3 外其余污染物浓度 呈现下降趋势。(2) 空气质量指数 (AQI) 呈现秋季最低、冬季最高的变化特点, 年际上空气质量在逐步改善。(3) AQI 存在明显的空间集聚现象, 总体上由沿海向内陆逐渐由空气质量优良区变为空气污染区。(4) AQI、PM2.5、PM10 和 O3 在不同季节与各气象要素的相关性不同, 且相关性强度呈非线性变化。     

中国近地面PM2.5 质量浓度卫星遥感数据集比较及历史趋势分析

随着对大气污染问题的日益重视, 监测大气颗粒物质量浓度也成为了热门研究领域。针对现行两种流行算法 (基于模式模拟和基于机器学习) 产生的近地面PM2:5 质量浓度科学数据集进行了比较分析, 利用城市年均PM2:5 监测 数据定量评估两数据集的不确定性, 并通过空间自相关分析对两数据集的空间合理性进行了评价。同时, 还利用标准 差椭圆分析研究了2000–2018 年间主要污染区域(北京、天津、河北、河南、山西、山东等地) PM2:5 的时空演变趋 势。结果表明, 基于机器学习算法产生的数据集(CHAP) 具有较高的精度, 适用于区域性空气质量研究; 而基于模式模 拟算法产生的数据集(vanDonkelaarA) 具有合理的空间分布, 更适合于大尺度、长时间的污染趋势分析。由标准差椭 圆分析发现, 2000–2018 年研究区域标准差椭圆中心的位置整体向东北方向移动; 2013 年前PM2:5 分布范围及年均值 在波动中呈现整体上升的趋势, 随后显著下降, 造成PM2:5 浓度下降的主要因素是有效管控措施的实施。研究结果为 中国区域的细颗粒物污染研究的数据集选取提供了参考依据, 为大气细颗粒物污染的防控提供科学支撑。     

成都市PM2.5、PM10变化特征及其与气象因素的关系

为研究气象因素对成都市大气细颗粒物 (PM2.5)、可吸入颗粒物 (PM10) 的影响, 收集了2015―2018 年成都市 PM2.5、PM10的月平均浓度, 采用Pearson 相关分析法, 分析了成都市PM2.5、PM10与气象条件的关系。结果表明： (1) 2015 ―2018 年, 成都市PM2.5、PM10年平均浓度虽然年际间差别较小, 但整体呈现逐年缓慢下降趋势, 2015 年以来成都市的 一系列大气污染控制措施是PM2.5、PM10逐年缓慢下降的原因; 2015―2018 年成都市PM2.5、PM10浓度季节变化特征整体 表现为冬季 > 春季 > 秋季> 夏季。(2) 不同气象因素对成都市PM2.5、PM10月平均浓度的影响程度不同, 降水量与气温 是影响成都市PM2.5、PM10月平均浓度的主要因素, 两者与PM2.5、PM10呈较高的负线性相关, 其中PM2.5、PM10与降水量 的相关系数均为 −0.612, 与月平均气温的相关系数分别为 −0.822、−0.776, 降水会通过捕获大气中的颗粒物来去除 PM2.5、PM10, 而温度的升高会加强PM2.5、PM10等污染物在垂直方向上的对流运动, 从而对成都市污染物浓度的降低起 到重要作用; 日照时数、月平均风速、相对湿度等与PM2.5、PM10月平均浓度整体也呈现负相关, 但与降水量和气温相 比, 日照时数、月平均风速与PM2.5、PM10月平均浓度的相关性较低, 而相对湿度与PM2.5、PM10月平均浓度的相关性则 更加微弱, 表明相对湿度的变化对成都市PM2.5、PM10的积累和扩散影响很小。     

奥运期间北京SO2、NO2、O3以及PM10污染水平及变化特征分析

结合遥感所、云岗镇、燕山石化及首都机场4个站点2008年6月至9月期间SO2、NO2、O3以及PM10的监测结果,对北京奥运期间主要污染物浓度水平和变化特征进行分析.PM10为北京市的主要污染物,各时段市区站点PM10均明显高于市郊站点,城郊差异从7月1日至7月19日以及7月20日至8月24日时段的50%减少至8月8日至8月24日以及9月6日至9月17日时段的25%左右.城郊各阶段PM10日变化的差异主要表现在凌晨至11:00前后的时段.一次污染物SO2和NO2均达到国家大气环境质量二级标准,随着减排措施的实施,降幅均超过14%.从日变化曲线来看,各站点NO2基本呈双峰型特征,SO2在燕山石化和云岗镇站点表现出双峰态.O3作为光化学烟雾的指示剂,各站点O3呈现出白天高、夜晚低的日变化特征.云岗镇和燕山石化的O3日变化表现出明显的双峰型.4个站点O3在实施减排措施的初始阶段呈现出升高的趋势, 7月20日后的统计数据表明后期O3浓度持续下降,平均日变化最大值和最小值的比值减小.各个污染物浓度在8月8日至8月24日时段下降最为显著.相比于7月1日至7月19日减排措施实施的起始阶段,各站点在7月20日至8月24日奥运期间SO2、NO2、O3和PM10降低幅度分别为14%～33%,15%～61%,2.5%～14%和10%～12%.     

湘潭市PM2.5 中二次水溶性无机离子及其 气态前体物的污染特征

2013年12月3日至2014年1月14日, 在湘潭市2个功能区(交通、商业、居民区和工业区) 采样点对大气PM2.5进行了采集, 并同步采集了SO₂、NO₂; 进而利用离子色谱法对PM2.5中二次水溶性无机离子(SO₄²⁻、NO₃⁻ 和 NH₄⁺ ) 的浓度进行测试分析。通过分析不同空气质量级别下硫、氮氧化速率(SOR 和 NOR) , 探讨了PM2.5中硫酸盐和硝酸盐的来源、形成机制和影响因素等。结果表明, 采样期间湘潭市PM2.5及其二次水溶性无机离子(SO₄²⁻、NO₃⁻ 和 NH₄⁺ ) 的质量浓度分别为148.34、56.19 g/m3, 其中 SO₄²⁻、NO₃⁻ 和 NH₄⁺分别占PM2.5 浓度的15.26%、14.06% 和8.57%, 三者累计值占PM2.5质量浓度的37.88%。随着PM2.5 浓度增加, 二次水溶性无机离子及其气态前体物SO₂、NO₂ 的浓度也逐渐增加, 且“重度”污染时SO₄²⁻、NO₃⁻ 和 NH₄⁺ 浓度较“良”时分别上升了1.93、2.41、2.03倍。不同空气质量级别下PM2.5中的SO₄²⁻、NO₃⁻ 主要以NH₄NO₃ 和(NH₄)₂SO₄ 的形式存在, 但在“轻度”和“ 中度”污染时可能存在其它的硫酸盐和硝酸盐。采样期间SOR 和NOR 的平均值分别为0.18和0.17, 不同污染级别下二者均在0.15 以上(大于0.1), 表明湘潭市PM2.5中的硫酸盐和硝酸盐主要是经转化形成的二次污染物。大气PM2.5中NO₃⁻ /SO₄²⁻ 为0.89, 不同空气质量级别下二者比值分别为0.78、0.99、0.82、0.97(均小于1), 表明湘潭市冬季PM2.5污染以燃煤源排放为主。