空气中PM2.5的扩散和衰减模型

PM2.5的时空分布及其演变规律十分复杂.为刻画PM2.5的发生、扩散和衰减规律,提出点源、线源和面源叠加的多源模型描述区域内的多污染源对某一监测点的影响.考虑风力风速、太阳辐射强度、湿度等天气和季节因素以及重力、湍流扩散、分子扩散等对源强强度的影响,提出源衰减、湿沉积、化学迁移叠加衰减模型,用监测点的PM2.5浓度数据对污染源强度和衰减系数进行反演求解.针对西安市某些监测点处的PM2.5浓度突然增至数倍且延续数小时,建立污染扩散预测与评估方法,对提升前后污染源源强进行分析,给出重度污染区域,并用数据的人工统计定性验证模型的合理性.     

空气中PM2.5的扩散衰减与预测分析

以西安市2013年1月1日-9月19日的空气污染监测数据为例,采用非稳态的二维多箱模型,综合考虑了风向、季节等因素的影响,对西安市PM2.5的面源污染扩散和衰减规律进行模拟预测,计算模型相对误差;再选用高斯模型对某一天西安市突发情况下PM2.5浓度扩散情况进行点源污染扩散预测,并评价模型的有效性.     

空气中PM2.5问题的研究

主要研究空气污染中的PM2.5扩散问题.首先利用相关分析法讨论了PM2.5与SO_2,NO_2,CO,PM10,O_3的相关性,建立线性回归方程;然后建立一维的反应扩散方程,预测PM2.5浓度变化,并定量与定性分析西安市空气污染状况;再建立高斯烟羽模型,对持续高浓度PM2.5扩散情形进行拟合,并对污染物扩散范围进行预测,得到重度污染以及可能安全区域;最后通过建立最优化模型,得到较有经济效益的空气治理方案.     

空气中PM2.5的动态扩散及宏观预测

以PM2.5扩散、衰减模式为研究对象,分析探究了PM2.5的扩散规律、危机治理及其后5年的治理问题.首先通过主成分分析法,建立了PM2.5与其它污染物之间的多元非线性对数模型.同时引入相对湿度的影响因素对模型进行再度优化,提高了模型的拟合优度.运用统计学原理,得出采集点之间的PM2.5具有较高的协同性.另外分析了静态下PM2.5污染物颗粒的受力和漂移模式和从点源、面源两方面分析了PM2.5动态扩散模式,建立了PM2.5的扩散偏微分方程模型.根据建立的扩散模型,对突变的污染物浓度确定安全区域的范围.最后建立综合费用和专项费用的多目标优化模型,利用贝叶斯支持向量机方法对PM2.5进行宏观预测,并运用系统动力学理论对目标值进一步优化,并对不同治理模式进行对比分析.     

基于改进高斯模型的哈尔滨市PM_(2.5)扩散问题实证分析

2013年初以来,国内发生大范围持续雾霾天气,我国城市PM_(2.5)的污染问题引起了社会各界的关注和重视.根据风场和气象变化对高斯扩散模型进行适当改进,并提出基于高斯模型的PM_(2.5)扩散预测模型.以哈尔滨市PM_(2.5)近期实测数据为基础进行实证分析,对市区内10个地区的PM_(2.5)扩散和浓度变化做出合理的预测.     

上海市PM2.5浓度的分析与预测

针对上海市PM2.5的浓度进行动态分析及预测.通过使用Page检验分析了上海市PM2.5浓度近几年的变化趋势;然后建立时间序列ARIMA模型对PM2.5浓度日数据进行拟合分析与预测.在此基础上通过引入影响PM2.5浓度的其他因素建立带时间序列误差的回归模型以及引入波动率因素建立带波动率方程的模型改进原时间序列ARIMA模型;通过比较样本外预测的效果,结果表明改进后的两个模型其结果均优于已知文献中的ARIMA模型.     

空气中PM2.5问题的建模研究

是针对空气中PM2.5的相关因素分析、分布与演变及应急处理和空气质量控制管理的问题.首先,运用数理统计与分析的相关知识,建立PM2.5含量与5项指标间的相关性分析模型和多元线性回归方程模型,并采用SPSS软件和最小二乘法对其求解;然后,通过建立Shepard二维插值模型、多元线性回归方程模型以及偏微分方程模型研究了PM2.5时空分布、演变及预测评估的一般性规律;最后,引入效用函数建立了以满意度最大为目标的非线性规划模型和以投入总费用最少及PM2.5减排计划实施满意度最大为目标的多目标非线性规划模型,并结合LINGO软件求得最优解,给出了空气质量控制管理的治理计划.     

基于时间序列分析的北京地区PM2.5浓度研究

基于中国环境监测总站公布的实时空气质量监测数据, 利用时间序列模型对PM2.5指标的数据进行了平稳性、纯随机性检验, 同时进行了模型阶数、未知参数估计以及模型显著性检验与优化. 最终在此基础上建立了指标预测的数学模型, 并对未来三天的PM2.5浓度值进行预测. 进一步地, 基于向量自回归(VAR)模型, 对北京市万寿西宫站PM2.5数据进行相关性分析, 研究空气中污染物O_{2}、NO_{2}、CO、O_{3}、PM10与PM2.5的动态影响关系. 研究发现当天的PM2.5浓度会受到前几天PM2.5、PM10、O_{3}、SO_{2}等污染物浓度的影响,其中PM10对PM2.5的影响最为明显且持续时间最长, O_{3}、SO_{2}对PM2.5浓度的影响在二、三期最为明显.     

政策干预对银川市空气质量的影响研究

为了研究银川市政府2017年12月施行的限行、减排措施对空气质量的影响,利用干预分析理论,建立了PM10和PM2.5的干预模型.干预模型表明:限行、减排措施对空气质量的改善非常明显.最后利用干预模型预测了2019年1月至3月PM10和PM2.5的指数,PM10和PM2.5预测精度分别为84%和91.2%.     

重金属污染评价及其污染源识别

重金属污染综合防治被纳入十二五规划.对土壤重金属污染物来源的评价和准确鉴别,是有效控制和治理污染源的前提.对采集的金属污染数据,采用主成分综合评价与内梅罗综合评价,结合克里金描述金属污染的空间分布.对数正态分布确定污染源个数,建立分段加权高斯扩散模型,遗传算法搜索污染源.     

回归分析与基于MIV的RBF神经网络在PM2.5的相关因素分析中的应用

PM2.5作为大气首要污染物,严重影响着人们的身体健康.为了研究影响PM2.5的相关指标,以武汉市的空气数据为研究对象,通过多元线性回归、偏最小二乘回归、基于MIV的RBF神经网络回归等方法对AQI中6个基本监测指标的PM2.5(含量)与其它5项分指标及其对应污染物(含量)之间的相关性进行分析;通过比较,基于MIV的RBF神经网络回归模型拟合度达到0.9302,效果最好,而且也优于BP人工神经网络回归算法,因此得出了精确可靠的影响PM2.5的指标权重大小,为减排PM2.5提供了可靠的理论依据.     

西安市PM2.5相关因素多元回归分析模型

为了探索空气污染的主要因素,对空气污染监测指标PM2.5与AQI中其他监测指标进行相关性分析,得到PM2.5与SO2、NO2、CO呈正相关,与O3和温度呈负相关,同时利用多元回归模型得到PM2.5与主因子的数量关系,给西安市PM2.5防控提供参考意见.     

基于时间序列的长沙市PM2.5的统计分析

通过对长沙市2015年AQI检测指标数值PM2.5与SO_2,NO_2,PM10,CO,O_3间相关性进行分析,得到PM2.5与SO_2,NO_2,PM10,CO间存在正相关关系,与O_3间为负相关关系.后建立自回归移动平均模型(ARMA)对长沙市2015年的PM2.5进行短期预测,得到最优模型为ARMA(3,2).最后对长沙治理PM2.5提出相关建议.     

MODELING THE EFFECTS OF URBAN HEAT ISLANDS GENERATED MESOSCALE WIND ON AIR POLLUTION DISPERSION IN A PATCHY ATMOSPHERE

Abstract The paper presents a steady‐state two‐dimensional mathematical model to study the dispersion of air pollutants continuously emitting from a point source in a patchy atmosphere. The first patch, which extends to some downwind distance from the source (present in first patch), is the urban center, whereas the second patch is its adjacent countryside. For simulating the effects of urban heat islands on pollutant distribution, a local mesoscale wind is introduced in the first patch along with the usual large‐scale wind. Keeping in mind the real‐life situations, the meteorological, deposition, and removal parameters are taken to be different in different patches. The concentration of pollutants in both the patches has been computed under different stability conditions of the atmosphere through finite difference scheme. The results of the model show that the urban heat island (mesoscale wind) has a tremendous impact on air pollution distribution, both over the urban center as well as its adjacent countryside (rural). The model solutions also reveal about the concentration distribution of pollutants in different parts of the atmosphere in different atmospheric conditions.