中国近地面PM2.5浓度与排放的时空分布及其关联分析

PM2.5是威胁人体健康的主要大气污染物之一.大量研究关注近地面PM2.5浓度的监测及其时空分布,但目前针对PM2.5排放及其与近地面浓度之间的关联研究较为缺乏.本文通过2000-2014年近地面PM2.5浓度格网数据和PM2.5排放格网数据,采用长时间序列分析法对PM2.5浓度和PM2.5排放从定性和定量两个角度进行...     

基于小波分析的GPS PWV与PM2.5比较研究

通过比较2013-11~12的BJNM站点GPS PWV序列与天坛站点PM2.5浓度序列发现,两者的相关系数大于0.535,sig值小于0.01,存在显著的正相关特性;基于小波分析方法剔除高频噪声、细微扰动和小尺度系统影响的第4层低频系数重构的PWV序列与PM2.5序列的相关性达到0.749;高频系数重构的PM2.5序列与PWV序列的相关性达到0.839,更能反映两者的正相关特性。     

集成多源遥感数据的PM2.5浓度空间分布制图

针对传统地面稀疏站点监测PM_2.5浓度以点带面的缺陷,本研究拟借助多源遥感数据开展了地面大气细颗粒物PM_2.5浓度空间分布模拟研究。以京津冀地区2013年的年均、季均PM_2.5浓度模拟图为例,用简化的气溶胶反演算法（SARA）反演了 1 km高分辨率AOD,并结合高分辨率遥感提取污染相关地理要素,对研究区PM_2.5浓度空间分布进行地理统计模拟及优选。结果表明：① SARA算法反演的AOD与地基AERONET相关性达0.99,能准确地反映研究区AOD的时空分布特征;② 集成多源遥感数据的地理加权回归模型拟合度高（平均R²-0.66）,其空间模拟显示研究区平均PM_2.5污染南部城镇最重,中东部城区次之,西北山区较轻;③ 研究区PM_2.5污染程度高,全年平均模拟浓度高达75 μg/m³,在气候环境及主要污染源季节性差异驱动下,浓度分布季节性特征显著,冬季污染最严重,而夏、秋季相对较轻。该成果对于精细把握PM_2.5污染特征,指导污染防控具有重要意义。     

PM2.5对地表温度的影响及其应用

采用线性最小二乘原理对从对流层顶10 km至地表0.8 km的温度探空廓线进行拟合,外插地表温度,讨论外插地表温度与实测温度的统计特性。将其应用于GPS气象中的加权平均温度模型发现,基于外插的地表温度能显著提高模型精度,提高约1.2~1.7 K。     

基于移动监测数据的不同城市场景下PM2.5浓度精细模拟与时空特征解析

城市内部PM_2.5浓度分布具有明显的空间异质性,而传统方法基于遥感数据或监测站点数据进行分析,难以揭示高时空分辨率下城市内部的PM_2.5浓度分布特征,缺少不同时刻城市场景（如：道路、工业区、住宅区等）对PM_2.5浓度复杂非线性影响的解析。本研究将移动监测传感器安装于快递车上,采集福州市主城区南部不同类型场景的PM_2.5浓度,然后融合地理加权回归（Geographical Weighted Regression, GWR）和梯度提升决策树（Gradient Boosting Decision Tree, GBDT）方法,提出一种基于GWR-GBDT的PM_2.5模拟与场景解析模型,能够较好地拟合气象、场景因素与PM_2.5浓度的非线性关系,提升了城市PM_2.5污染精细监测能力;并结合部分依赖图解析不同时段不同场景因素对PM_2.5浓度的非线性作用影响。结果表明：① 基于移动PM_2.5浓度监测数据,利用GWR-GBDT模型能够较好地模拟城市场景、气象和PM_2.5浓度之间的非线性关系,能够有效精细模拟PM_2.5浓度的空间分布,十折验证R²结果为0.52~0.94;② 通过部分依赖图分析同一场景在不同时段对PM_2.5浓度响应的异质性,发现各类场景对PM_2.5浓度提升或抑制作用并不稳定;③ 解析不同时段人类活动与城市场景对PM_2.5浓度的交互作用发现,教育医疗单位和住宅区两类场景对PM_2.5浓度的提升作用都与人类通勤有密切关系,高污染场景中的建筑工地在采取的洒水降尘措施后能在数小时内有效缓解PM_2.5污染,公园文体服务区在多数时段对PM_2.5浓度具有抑制作用,工业区和道路多数时段会致使对PM_2.5浓度提升;④ 从PM_2.5浓度的空间分布来看,福州市主城区南部PM_2.5浓度总体呈现东南高-西北低的分布趋势,建筑工地、道路和工业区场景轻度以上污染面积占比明显高于其他场景,公园场景总体PM_2.5浓度较低,山体公园傍晚会受到周边工业区的影响而导致PM_2.5浓度升高,而城市陆地外围水域对沿岸PM_2.5浓度具有抑制作用;⑤ 研究结果可为不同场景下PM_2.5污染精细化治理、城市规划以及老人、儿童等高危人群的PM_2.5污染暴露风险防范提供支持。     

耦合土地利用回归与人口加权模型的PM2.5暴露风险评估

PM_2.5已成为人群健康的重要威胁之一,科学精准的暴露评估是PM_2.5风险防控的前提,为提升PM_2.5暴露精准评估,本文利用土地利用数据、道路数据、气象数据等构建PM_2.5土地利用回归反演模型,实现了2013年12月1日-2014年2月8日（冬季）广佛都市区PM_2.5时空动态演变监测,在此基础上将PM_2.5反演结果与人口密度数据耦合,分别从PM_2.5污染浓度与人口加权PM_2.5浓度2个方面,评估广佛都市区PM_2.5污染暴露风险。研究结果表明：① 土地利用回归模型能够较好的反映研究区域内PM_2.5的空间分布特征,R²大于0.78;② 2013年12月1日-2014年2月8日,广佛都市区PM_2.5浓度平均值呈现波动变化趋势,研究时段内,最高平均浓度为97.91 μg/m³ （12月29日-1月11日）,最低平均浓度为53.40 μg/m³ （1月26日-2月8日）,全时段PM_2.5浓度超WHO健康标准的面积占比达99.8%;③ 广佛都市区PM_2.5的空间分布具有异质性规律,其高值区分别位于广州市天河区、越秀区、番禺区北部、花都区北部及佛山市禅城区、南海区中部、三水区中部,低值区主要位于广州市白云区、番禺区东南部及佛山市顺德区南部。人口加权暴露风险存在2个高值中心,分别位于广州市和佛山市的主城区;④ 耦合人口加权模型前后,广佛都市区PM_2.5暴露风险高风险区空间分布发生变化,未考虑人口加权模型时,广佛深高值区较为分散,主要位于南海区、天河区、越秀区、禅城区,考虑人口加权模型后,高值区更加集中于广州市和佛山市的主城区。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测.实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网...     

基于小波变换的河北省GPS PWV与PM2.5的相关性分析研究

以2014-01~03的河北省GPS和PM2.5观测数据为例,利用小波变换方法开展GPS水汽和PM2.5浓度的相关性分析。结果表明,低频系数重构的GPS水汽与PM2.5浓度序列较好地反映了两者之间的正相关特性;D7高频信号（128~256 h）及D7与D6高频信号（64~256 h）重构的GPS水汽与PM2.5浓度的相关性较原始序列的相关性有较大提高;对于持续7 d的重度雾霾过程,由第7层和第6层高频系数重构的GPS水汽序列与PM2.5浓度序列的相关性达到0.890;不同时刻水汽变化对PM2.5浓度观测的影响,在水汽变化波动较大时段,水汽与PM2.5浓度的相关性为正;对于水汽变化波动较小时段,由于水汽与PM2.5浓度峰值时刻的差异,水汽与PM2.5浓度序列的相关性则不明显。     

中国城市建设用地扩展模式与PM2.5关系探究

随着快速的城镇化进程,PM2.5带来的污染越来越严重,在一定程度上影响了城市的发展.所以本文从探讨城市扩展模式与PM2.5关系这一视角出发,利用景观扩展指数识别2005—2015年中国城市建设用地的扩展类型,并通过裁剪PM2.5数据,在国家、地区和省级3个尺度内探究PM2.5的分布情况.最后采用OLS模型和GWR模型进...     

2019年北京市PM2.5人群暴露剂量特征分析

近年来,PM_2.5已成为雾霾爆发的主要污染物之一,人口长期暴露在高浓度的PM_2.5中可能会大大的提高居民患病的几率,危害居民身心健康。本研究以空气污染严重且人口高度集中的北京市作为研究区,以2019年北京市的PM_2.5浓度监测数据、人口空间分布栅格数据及不同人群的长期呼吸量等为数据基础,构建了“污染物浓度—暴露人口—呼吸量”的PM_2.5人口暴露剂量评估模型,进而对北京市2019年的PM_2.5人口暴露强度空间分异特征及不同人群的暴露剂量差异进行分析。结果表明：① 2019年北京市的PM_2.5浓度在冬季时最高,日均浓度达48.89 μg/m³,并均呈现出北低南高的整体态势;② PM_2.5人口暴露量存在显著的空间分异特征,不同人群的PM_2.5暴露量均呈现出由城中心向周边减弱的整体态势,高暴露区主要集中于城区地带;③ 不同性别、年龄组人群的PM_2.5人口暴露强度存在明显的空间分异特征,且城市内部不同人群的PM_2.5暴露剂量也存在明显差异;④ PM_2.5的暴露风险并非完全取决于污染物浓度的大小,而是由污染源浓度和暴露受体的空间分布特征等多方面共同决定,北京城区的高PM_2.5人口暴露区才是高风险区,是未来政府有效防控污染物危害的核心区。     

Identification of major sources of PM2.5 in St. Louis Missouri USA

The objective of this study is to examine the use of the conditional probability function(CPF) and nonparametric regression(NPR) to identify the relationship between wind direction and concentration of PM2.5(particulate matter with aerodynamic diameter less than or equal to 2.5 μm). Twenty four-hour integrated PM2.5 mass and species concentrations were measured at the St. Louis-Midwest Supersite in East St. Louis,Illinois,USA in the periods of 22-28 June 2001,7-13 November 2001,and 19-25 March 2002. Wind di...     

海南岛气溶胶时空变化及来源追溯

海南岛独特的区域和国家战略位置,使得了解和掌握该地区气溶胶时空格局特征及其大气污染物传输来源是海南大气环境质量监测和污染防治中重要的关注问题。选取MODIS 3 km分辨率气溶胶光学厚度（AOD）产品MOD04_3K,对海南岛2003—2017年AOD时空变化特征进行分析;以海口市为起始点,采用HYSPLIT模式对8次典型大气污染事件在10、500、1000 m 3个相对地面高度上进行48 h后向轨迹计算,以探究该区域大气污染物来源。结果表明：① 海南岛AOD在空间上呈较为明显的三级阶梯状分布,从西北方向向东南递减,2003—2017年在不同阶梯的空间变化趋势差异十分显著;② 2003—2017年海南岛AOD年均值为0.095,各年均值整体呈轻微升高趋势;季节均值差异表现为“春季>秋季>冬季>夏季”,此差异除受区域天气系统与地方风向特征的影响外,本区旅游业发展造成的大气污染物排放也不可忽视;③ 海南岛（海口市）2013—2017年典型大气污染事件发生期间大气污染气流在3个高度上（10、500、1000 m）的后向轨迹基本保持一致,均主要来自于海南岛东北方向。据此,位于该方向毗邻的珠江三角洲地区陆源大气污染物在东北盛行风的影响下被输送至海南岛,在区域天气系统（如大陆冷高压）和局部天气系统（如海风辐合）共同作用下,是促成该地区大气污染事件发生的重要因素。研究结果对深入理解海南岛近十多年来大气环境状况的变化规律、完善该区域大气污染联防联控机制具有重要的意义。     

湛江气温的多时间尺度特征及其变化趋势预测

利用MHAT小波函数分析了湛江市近50年来年平均气温的多时间尺度变化特征，并采用Kalman滤波模型对年平均温度的变化趋势进行了预测研究。结果表明，在半个多世纪的气候变化过程中包含了16a、4a和准2a的周期振荡，20世纪80年代中期以来湛江气温持续升高，且未来几年仍处于偏高阶段。卡尔曼滤波模型对湛江年平均气温的预测中，独立样本预测的平均绝对误差（MAE）等于0．30℃，相对误差为1．24％，对短期气候预测工作具有较高的参考价值。