利用LUR模型模拟杭州市PM2.5质量浓度空间分布

模拟城市大气污染物浓度空间分布对研究城市空气质量及人体健康至关重要.本研究利用土地利用回归模型(Land Use Regression,LUR),提取包括污染点源因子、交通因子、人口因子、土地利用因子和气象因子等60个预测因子,基于地理加权算法(GWR)建立春、夏、秋、冬四个季节的模型,实现对杭州地区近地表PM_(2.5)质量浓度空间分布的预测.结果表明:基于地理加权回归算法时,检验模型的R2值分别达到0.76(春季)、0.70(夏季)、0.73(秋季)、0.76(冬季),模型能够解释PM_(2.5)浓度值80%以上的变异.每个季度杭州地区PM_(2.5)浓度变化不尽相同,但总体以杭州中部最高,西南部偏低.研究说明基于LUR模型模拟大尺度地区PM_(2.5)质量浓度空间分布是可行的.     

基于GIS和LUR模型的西安市PM2.5浓度空间分布模拟研究

基于地理信息系统GIS和土地利用回归LUR模型,模拟西安市PM2.5浓度空间动态分布,结果表明:与PM2.5浓度相关性最高的分别为缓冲区为2 km的水域面积、人口密度和距离水域距离,R 2分别为0.501,0.393和0.280;与PM2.5浓度相关性最低的分别为缓冲区为4 km的水域面积、未利用地面积和耕地面积,R 2分别为0.039、0.021和0.017.未考虑风速建立的LUR模型多元回归的相关系数为0.856,R 2为0.733,考虑风速的相关系数为0.892,R 2为0.796,表明风速对于污染物的分布影响较大,LUR模型模拟效果较好.模拟的PM2.5年均浓度高风险区分布于中部,中风险区分布于中西部,低风险区分布于东南部和西部.     

基于LUR模型的2019年北京地区PM2.5与PM10浓度空间分异模拟

在城市区域内,空气污染物的浓度在小范围内存在显著差异,而离散的地面监测点分布不均匀,且监测范围有限,无法满足污染物暴露评估等研究的需求.本研究基于GIS空间分析和多元逐步回归的模型构建的方法,建立了土地利用回归（LUR）模型,并模拟了北京市2019年PM_2.5和PM₁₀浓度的空间分布特征.选择土地覆盖数据、气象数据（风速、降水、温度）和植被覆盖度数据等预测变量,以研究区34个监测站点为中心建立0.1~5 km共7个系列缓冲区,表征不同尺度下各变量对PM_2.5和PM₁₀浓度的影响.研究结果表明：①进入PM_2.5回归模型中的变量有：年均风速、温度、降水量和周围中等植被覆盖、耕地和不透水面的面积;进入PM₁₀回归模型中的变量有：年均风速和周围中等植被覆盖的面积.两个模型的调整R²分别为0.829和0.677,模型精度较高.②抑制污染物浓度的变量,影响力随着空间范围扩大而增强;使污染物浓度增加的变量,影响力随着空间范围缩小而增强.③浓度模拟结果显示,PM_2.5和PM₁₀在西北部山区浓度较低,南偏东的城区浓度较高,并且向南有逐渐增加趋势.4植被覆盖度这一变量不仅进入了上述两个方程,且影响力都强于其他土地利用类型,故以后的模型改进应该考虑植被覆盖度这一因素.     

哈尔滨市大气主要污染物浓度变化与城市发展因素影响分析研究

采用Daniel趋势检验法对哈尔滨市近年来SO2、NO2和PM10年均浓度变化趋势分析,并对城市总人口与经济、产业结构、民用汽车保有量和能源状况五个城市发展因素进行数据统计分析,用SPSS探究城市发展过程中影响大气污染的因素及相关性.结果表明:浓度变化趋势是SO2明显上升;NO2缓慢上升;PM10整体明显下降,但在2013年点突增至了0.119 mg/m3.SO2与NO2显著相关,相关系数为0.533.经统计,哈尔滨人口经济发展、产业结构调整较为缓慢,全市民用汽车保有量增加并未对NO2浓度影响显著,能源结构依然以煤为主,虽然能源强度提升,但也存在着煤质、散煤的问题.哈尔滨市各城市发展因素与污染物浓度关联度不显著.     

基于改进LUR模型的区域土壤重金属空间分布预测

以江苏省常州市金坛区为例,借鉴传统LUR模型思路,考虑土壤重金属的源汇关系,加入土壤属性因子,构建LUR-S模型模拟预测了研究区土壤重金属含量空间分布,并与传统LUR模型及普通克里格插值模型结果进行对比,结果表明:(1)研究区土壤重金属含量受到以土地利用为主的源因子及反映重金属在土壤中赋存环境的汇因子的共同影响.就源影响因子而言,土壤Cu、Zn含量分别与2 000 m缓冲区内交通用地面积、2 000 m缓冲区内城市建设用地面积极显著相关(P0.01);就汇影响因子而言,土壤Cr、Cu、Zn含量与OM、Corg、TC、TN极显著相关(P0.01).(2)研究区土壤重金属Pb、Cr、Cu、Zn空间分布预测的LUR-S模型方程R2较传统LUR模型分别提高了0.041、0.406、0.102、0.501,精度检验R2较普通克里格插值模型分别提高了0.147 7、0.011 6、0.231 0、0.081,RMSE较普通克里格插值分别减少了2.413、0.631、1.112、2.138,表明考虑了源汇关系的LUR-S模型预测精度高于传统LUR模型和普通克里格插值模型;(3)LUR-S模型对污染较低、变异较小重金属空间分布预测的适用性较好,而对污染较高、变异较大重金属则较差.     

基于GIS和BP神经网络模型的PM10浓度预测与空间分布研究

耦合GIS和BP神经网络模型,探讨不同算法和隐藏神经元数对PM10浓度预测和空间分布的影响,结果显示:不同算法的PM10浓度预测值与监测值的平均相关系数和平均相对误差分别为0.85和17.58％,Levenberg-Marquardt优化算法在隐藏神经元数为20时预测精度最高.相同算法,不同隐藏层神经元数对PM10浓度的预测结果影响较大,不同算法,相同神经元数对PM10浓度的预测结果影响较小.不同算法的PM10浓度空间分布模拟在中北部的高风险区和东南部的低风险区与监测数据结果基本一致.     

秦皇岛大气污染物浓度变化特征

为了解河北沿海旅游城市秦皇岛大气污染现有水平,研究其变化趋势,于2009年9月～2010年8月对秦皇岛市大气中的典型污染物进行连续监测研究.结果表明,该市大气中NO、NO2、SO2、O3和PM10平均浓度分别为（18±18）、（45±18）、（42±46）、（44±25）和（128±77）μg·m-3,PM10污染最为严重,年均浓度超出国家二级标准（100μg·m-3）接近30%.夏季O3日平均浓度和日小时浓度最大值（O3₁h max）的平均分别为（64±21）μg·m-3和（126±42）μg·m-3,偏南海洋气团有加重O3污染现象,伴随有短期超标;采暖期大气NOx、SO2和PM10分别是非采暖期的1.5、4.9和1.5倍,PM10和SO2日均值相对国家二级标准的超标率分别为53%和11%.京津冀、环渤海工业区的气团输送和当地海港区高排放叠加可使秦皇岛NOx、SO2和PM10污染物平均浓度上升17%、27%和12%,冬季其三者大气平均浓度飙升至（100±49）、（110±84）和（215±108）μg·m-3.北方内陆干洁气团和南方海洋气团可有效清除秦皇岛市大气污染物.     

2006─2010年环保重点城市主要污染物浓度变化特征

利用2006─2010年全国环保重点城市的空气质量日报数据,分析了大气ρ(SO2)、ρ(NO2)和ρ(PM10)的变化特征. 结果表明:从年际变化看,ρ(SO2)和ρ(PM10)呈下降趋势,ρ(NO2)变化不显著.从季节变化看,ρ(SO2)、ρ(NO2)和ρ(PM10)均呈冬季高、夏季低的特征.从浓度谱分布看,全国大气中ρ(SO2)、ρ(NO2)和ρ(PM10)分别集中在0～0.150、0～0.100和0～0.250 mg/m3范围内,ρ(SO2)和ρ(PM10)谱峰区间逐渐向低浓度范围偏移,高浓度事件逐渐减少,表明SO2和PM10污染得到较明显的控制,而ρ(NO2)谱峰变化不大.从浓度变化看,山西ρ(SO2)、ρ(NO2)和ρ(PM10)下降最明显,年变化率分别为-11.2、-3.6和-14.2 μg/m3;青海ρ(SO2)、山东ρ(NO2)和ρ(PM10)的上升趋势最明显,年变化率分别为4.4、2.7和4.5 μg/m3.      

雾炮作业对城市大气颗粒污染物浓度的消减效果

雾炮作业已经被许多城市作为降低空气颗粒物(PM)浓度的常规手段在使用,但其对PM浓度的降低效果如何目前缺少深入研究。文章通过对受雾炮作业影响和不受其影响监测站空气PM浓度对比分析,就不同条件下雾炮作业降低空气PM浓度问题进行了研究。结果表明,雾炮车对降低城市空气中PM浓度效果非常有限,PM₁₀和PM_2.5浓度的降幅为0～2%,有效作用时长为10～15 min,在5～10 min时效果较好;雾炮作业对空气中PM_2.5的降低率略高于PM₁₀;雾炮作业在污染物浓度上升期、PM₁₀和PM_2.5浓度为优和轻度污染、高相对湿度环境下效果更好,原因可能是这些环境条件下有利于雾炮产生的雾滴在空气中的存留。文章研究结果对于规范当前中国城市的雾炮作业具有一定的指导意义。     

近10年海南岛大气NO2的时空变化及污染物来源解析

利用OMI卫星反演的NO2柱浓度数据,分析了近10年海南岛对流层NO2柱浓度(Tro NO2)和总NO2柱浓度(Tot NO2)的时空变化,同时结合地面风向、SO2排放资料,以及HYSPLIT模式等探究其大气污染物来源.结果表明,海南岛地区大气NO2呈北半部高于南半部、中部山区低于四周沿海的分布特征,其季节变化表现为冬季高、夏季低的特点,其中夏季浓度偏低和雨水的冲刷作用有关,而冬季浓度偏高与珠江三角洲地区的外源输送作用有密切联系.近10年海南岛大气NO2冬夏季有相反的变化趋势,冬季逐年下降,夏季则有弱的上升趋势.其原因可能是夏季大气污染物以本地排放为主,冬季外源输送起主要贡献作用.海口市Tro NO2与珠江三角洲地区的有利风向日数相关系数为0.84,通过了99%的信度检验.后向轨迹分析表明,2013年12月影响海口市的3条气流移动路径,均不同程度的经过珠江三角洲地区,进一步表明海南岛冬季大气污染物主要以珠江三角洲地区的外源输送为主.     

天津市大气中PM10、PM2.5及其碳组分污染特征分析

2007年12月~2008年10月期间,分3个时段,设置2个点位,采集了天津市大气环境中PM10和PM2.5样品.用热光反射分析仪测定样品中的碳组分含量,并用OC/EC最小比值法估算二次有机碳(SOC)的浓度.结果表明,市区采样点颗粒物浓度高于郊区,2个采样点的颗粒物浓度变化趋势一致.5月份 PM2.5/PM10比值最小,主要由于土壤风沙尘对PM10的贡献较大.PM10和PM2.5中的有机碳(OC)、元素碳(EC)浓度12月份最高,且变化趋势相同.OC占总碳(TC)比例较高,PM10中OC/TC为0.60~0.83,PM2.5中OC/TC为0.55~0.81.碳组分主要集中在PM2.5中,PM10中约有76%的OC存在于PM2.5中.12月份的SOC浓度最高,与12月份的气象条件和污染源排放等因素有关.     

港口NO_2、PM_(10)与天气因素的多重分形研究

对港口大气污染物NO_2、PM_(10)和天气因素进行MF-DCCA分析研究,系统地分析了NO_2、PM_(10)与3种天气因素之间复杂关系。从整体角度上,研究表明NO_2、PM_(10)与天气因素均具有长程相关性、多重分形特性;天气因素对PM_(10)的影响程度要强于对NO_2的影响程度。从四季的角度上,研究发现,NO_2、PM_(10)浓度在春季有下降趋势,在秋季有上扬趋势。     

天津PM10和NO2输送路径及潜在源区研究

利用HYSPLIT模型和全球资料同化系统(GDAS)气象数据,用聚类方法对2012年12月~2013年11月期间抵达天津的逐日72h气流后向轨迹按不同的季节进行归类.并利用相应的PM10和NO2浓度日监测数据,分析了不同季节气流轨迹对天津污染物浓度的影响.运用潜在源贡献(PSCF)因子分析法和浓度权重轨迹(CWT)分析法分别模拟了不同季节PM10和NO2潜在PSCF和CWT.结果表明,不同方向气流轨迹对天津PM10和NO2潜在源区分布的影响存在显著差异.天津PM10和NO2日均浓度最高值对应的气流轨迹均集中在冬、春和秋季等来自内陆的西北气流;夏季影响天津的气流轨迹主要来自西北和东南方向,对天津PM10和NO2的日均浓度贡献较小.天津PM10和NO2的PSCF与CWT分布特征类似,最高值主要集中在天津本地以及邻近的河北省和山东省,是天津这两种污染物主要潜在源区.     

城市环境空气中PM2.5和NO2浓度的相关性研究

以湖南省长沙市为研究区域,对城市环境空气中的PM2.5和NO2浓度进行自动监测,并对数据进行相关性分析.结果表明,PM2.5和NO2浓度的季节性变化大,且两者的变化规律一致,均为冬季＞秋季＞春季＞夏季;在一天内,NO2浓度的最低值一般出现在午后,但PM2.5浓度的最低值、峰值出现时间不确定;就功能区分布而言,NO2浓度最高值出现在商业区,而PM2.5浓度分布的区域规律不明显.PM2.5与NO2浓度变化以正相关为主,PM2.5浓度高时,NO2浓度高,反之亦然,两者容易产生叠加污染.总体上,冬、秋季节为PM2.5和NO2主要控制季节.     

A land use regression for predicting NO2 and PM10 concentrations in different seasons in Tianjin region,China

Land use regression (LUR) model was employed to predict the spatial concentration distribution of NO2 and PM10 in the Tianjin region based on the environmental air quality monitoring data. Four multiple linear regression (MLR) equations were established based on the most significant variables for NO2 in heating season (R2 = 0.74), and non-heating season (R2 = 0.61) in the whole study area; and PM10 in heating season (R2 = 0.72), and non-heating season (R2 = 0.49). Maps of spatial concentration distribution for NO2 and PM10 were obtained based on the MLR equations (resolution is 10 km). Intercepts of MLR equations were 0.050 (NO2, heating season), 0.035 (NO2, non-heating season), 0.068 (PM10, heating season), and 0.092 (PM10, non-heating season) in the whole study area. In the central area of Tianjin region, the intercepts were 0.042 (NO2, heating season), 0.043 (NO2, non-heating season), 0.087 (PM10, heating season), and 0.096 (PM10, non-heating season). These intercept values might imply an area’s background concentrations. Predicted result derived from LUR model in the central area was better than that in the whole study area. R2 values increased 0.09 (heating season) and 0.18 (non-heating season) for NO2, and 0.08 (heating season) and 0.04 (non-heating season) for PM10. In terms of R2, LUR model performed more effectively in heating season than non-heating season in the study area and gave a better result for NO2 compared with PM10.     

A land use regression for predicting NO2 and PM10 concentrations in di erent seasons in Tianjin region, China

Land use regression (LUR) model was employed to predict the spatial concentration distribution of NO2 and PM10 in the Tianjin region based on the environmental air quality monitoring data. Four multiple linear regression (MLR) equations were established based on the most significant variables for NO2 in heating season (R2 = 0.74), and non-heating season (R2 = 0.61) in the whole study area; and PM10 in heating season (R2 = 0.72), and non-heating season (R2 = 0.49). Maps of spatial concentration distribution for NO2 and PM10 were obtained based on the MLR equations (resolution is 10 km). Intercepts of MLR equations were 0.050 (NO2, heating season), 0.035 (NO2, non-heating season), 0.068 (PM10, heating season), and 0.092 (PM10, non-heating season) in the whole study area. In the central area of Tianjin region, the intercepts were 0.042 (NO2, heating season), 0.043 (NO2, non-heating season), 0.087 (PM10, heating season), and 0.096 (PM10, non-heating season). These intercept values might imply an area’s background concentrations. Predicted result derived from LUR model in the central area was better than that in the whole study area. R2 values increased 0.09 (heating season) and 0.18 (non-heating season) for NO2, and 0.08 (heating season) and 0.04 (non-heating season) for PM10. In terms of R2, LUR model performed more e ectively in heating season than non-heating season in the study area and gave a better result for NO2 compared with PM10.     

天津市PM10中元素的浓度特征和富集特征研究

为了解天津市大气PM10中元素的浓度水平和污染元素的来源,在天津市布置了7个采样点,获得了风沙季、非采暖季和采暖季19个元素的监测数据。结果表明:Ni、Pb、Cu、Cr是PM10中的主要超标污染元素;K、Ca、Na、Mg、Al、Si、Fe、Ti等8种元素是PM10浓度的主要贡献率元素(92%);19个元素的富集系数风沙季明显低于非采暖季;Co、Cu、Zn、Br、Pb五个元素各季和各站的富集系数均大于10,人为源贡献大于自然源,是环境治理的重点元素。     

南京市PM10时空变化特征及微观形貌分析

对2005年监测到的南京市大厂地区和山西路PM10浓度值进行分析表明,南京市PM10污染比较严重,其浓度变化范围在0.1157～0.3913mg/m3之间。利用扫描电镜和EMAX能谱分析系统对南京市可吸入颗粒物PM10的微观形貌和能谱进行了研究。结果表明,南京市PM10主要由烟尘集合体、燃煤飞灰和矿物颗粒组成。大厂地区PM10的主要组成成分是燃煤飞灰和烟尘集合体,矿物颗粒不多;山西路PM10的主要组成成分为烟尘集合体,燃煤飞灰和矿物颗粒很少。     

淄博市SO2与PM10垂直空间变化规律及其相关性分析

本文对淄博市环境空气中主要污染物SO2和PM10在不同高度的浓度值进行分析,找出污染物垂直空间分布规律;并利用SO2和PM10日均浓度值分析两者之间的相关性,为淄博市环境空气质量进一步控制治理提供一定依据。研究结论如下：淄博市垂直空间SO2、PM10浓度变化基本呈随高度增加而逐步降低趋势;同时SO2和PM10浓度呈现较为明显的相关性。为进一步改善淄博市环境空气质量,不仅要在城市规划中充分考虑给城区以自然通风通道,增加城市对污染物扩散稀释的能力,而其要在开展针对建陶、水泥等行业专项行动,降低工业粉尘排放,加强对城区内市政、房地产建筑工地的监督管理,减少道路和建筑扬尘的同时,加强对SO2排放企业尤其燃煤企业的监管力度,控制SO2排放量,也会相应的进一步降低PM10浓度。     

太原市PM10、PM2.5、SO2和CO冬夏两季污染特征研究

通过对太原市2013年冬季和2014年夏季PM10、PM2.5、SO2和CO 24小时平均浓度实时数据的整理和分析,结果表明,冬季污染较夏季严重。冬季为采暖期,颗粒物、SO2和CO相互之间呈现较强的相关关系,污染物来源有着较高的同源性,区域采暖燃煤是区域大气污染的主导性影响因素;夏季为非采暖期,颗粒物、SO2和CO相互之间呈现较弱的相关关系,其污染来源有着较低的同源性,燃煤污染不是区域的主要污染因素,颗粒物、SO2和CO来源于不同行业的工业污染,同时城市机动车尾气也是PM2.5和CO的污染影响因素。