亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        天門市PM2.5和PM10顆粒污染物特征及其預(yù)測模型

        2022-02-11 09:22:56鞠英芹馬德栗杜良敏
        湖北農(nóng)業(yè)科學(xué) 2022年1期
        關(guān)鍵詞:天門市顆粒物大氣

        鞠英芹 ,馬德栗 ,杜良敏 ,黃 忠

        (1.中國氣象局氣象干部培訓(xùn)學(xué)院湖北分院,武漢 430074;2.武漢區(qū)域氣候中心,武漢 430074;3.天門市氣象局,湖北 天門 431700)

        近年來,隨著城市的發(fā)展,大氣顆粒物是重要的空氣污染物之一,也是影響中國大多數(shù)城市空氣質(zhì)量的首要污染物[1]。王濤等[2]基于空間地理信息對中國334 個城市PM2.5濃度進(jìn)行聚類分析,揭示了新疆西部、京津冀及周邊地區(qū)顆粒物濃度高值聚集區(qū);李雪梅等[3]通過對京津冀城市群PM2.5空間分布及相關(guān)性分析研究,提出了PM2.5濃度高值區(qū)呈區(qū)域聚集特征并受到下墊面地形、風(fēng)速風(fēng)向的影響;趙輝等[4]揭示了京津冀顆粒污染物空間分布特征,計算了暴露于各級別顆粒污染物濃度下的人口,發(fā)現(xiàn)暴露于高濃度顆粒污染物中的人口比例逐年下降。不少研究者專注于大氣顆粒物與氣象條件的關(guān)系及其可預(yù)報性,朱紅蕊等[5]揭示了哈爾濱空氣質(zhì)量與風(fēng)速、降水呈負(fù)相關(guān),與氣壓則呈正相關(guān)的特點;張瑞旭等[6]分析了氣象條件對西安市夏季和冬季近地面大氣環(huán)境污染的影響,發(fā)現(xiàn)不同的天氣條件對污染物存在顯著影響;張冬雯等[7]基于長短期記憶神經(jīng)網(wǎng)絡(luò)模型建立了空氣質(zhì)量預(yù)測模型,有效提高預(yù)測的精度;唐曉城[8]改進(jìn)了部分BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程,建立了福州市大氣污染預(yù)測模型;石雪穎等[9]對比分析了北京大氣重污染過程中AQI 與風(fēng)速關(guān)系,建立二者冪函數(shù)預(yù)測模型。

        目前,國內(nèi)不少研究集中于氣溫、降水、風(fēng)速等單氣象要素的顆粒物濃度預(yù)測,本研究在系統(tǒng)分析天門市PM2.5和PM10與氣象因子關(guān)系的基礎(chǔ)上,探索建立基于多氣象因子的多元非線性回歸預(yù)測模型,為天門市大氣污染治理和區(qū)域聯(lián)防聯(lián)控提供科學(xué)依據(jù)和參考。

        1 資料與方法

        數(shù)據(jù)主要包括天門市生態(tài)環(huán)境局提供大氣污染物濃度監(jiān)測數(shù)據(jù)和天門市國家基本氣象站氣象要素數(shù)據(jù)。天門市生態(tài)環(huán)境局提供2017 年1 月1 日至2020 年 5 月 30 日 PM2.5、PM10主要大氣顆粒污染物質(zhì)量濃度逐時監(jiān)測數(shù)據(jù);天門市氣象局提供1961—2019年逐日氣溫、平均氣溫、相對濕度、風(fēng)速風(fēng)向數(shù)據(jù)。

        多元非線性回歸[10-12]可以研究一個因變量Y與一個或多個自變量(X1~Xn)之間的非線性關(guān)系,多元非線性回歸分析模型描述為Y=(fX,β)+ε,其中β是常數(shù)項,β1~βn表示回歸系數(shù)。通過決定系數(shù)(R2)、均方根誤差(RMSE)和均方誤差(MSE)對質(zhì)量濃度回歸模型進(jìn)行擬合效果檢驗。

        式中,yi為實測值為該指標(biāo)的平均值為該指標(biāo)的預(yù)測值;決定系數(shù)R2越大,表明自變量對因變量的解釋程度越高,均方根誤差(RMSE)和均方誤差(MSE)越小,表明預(yù)測值與實測值之間的偏差越小,模型的擬合效果越好。

        2 大氣顆粒污染特征分析

        統(tǒng)計分析天門市大氣顆粒污染物日均質(zhì)量濃度(表 1)。2017 年 1 月至 2020 年 5 月,PM2.5全年平均質(zhì)量濃度為40.54 μg/m3,春季、夏季、秋季和冬季的PM2.5平 均 質(zhì) 量 濃 度 分 別 為 34.90、20.50、34.20 和73.50 μg/m3;PM10全年平均質(zhì)量濃度為 74.19 μg/m3,春季、夏季、秋季和冬季的PM10平均質(zhì)量濃度分別為 67.40、39.40、73.10 和 117.70 μg/m3。PM2.5和 PM10季節(jié)濃度分布為冬季最大,春秋次之,夏季最小。根據(jù)GB3095—2012 中PM2.5和PM10日均濃度二級標(biāo)準(zhǔn)的限值(751、50 μg/m3),四季超標(biāo)天數(shù)主要集中于冬季,超標(biāo)率均為82%。分析PM2.5、PM10日均質(zhì)量濃度的關(guān)聯(lián)性,兩者的相關(guān)系數(shù)0.92,呈正相關(guān)關(guān)系(P<0.01);PM2.5/PM10四季均值0.41~0.58,表現(xiàn)為冬季>春季>秋季>夏季,表明天門市大氣顆粒物污染中PM2.5污染物貢獻(xiàn)占比達(dá)到50%,王靜等[13]分析了山東省重點城市空氣質(zhì)量變化特征,也得出了相似的季節(jié)變化特征。冬季大氣顆粒物質(zhì)量濃度和PM2.5污染物貢獻(xiàn)占比最高與冬季靜穩(wěn)天氣大氣擴散條件相對較差有關(guān)[14]。

        表1 PM2.5、PM10的年和四季質(zhì)量濃度統(tǒng)計

        圖1 表示天門市PM2.5和PM10質(zhì)量濃度月變化,兩者月平均濃度變化趨勢較為一致,呈U 型分布,1月最大,7 月最??;天門市降水量月降水分布呈單峰值分布,降水量集中于6—8 月,與大氣顆粒污染物質(zhì)量濃度月變化呈顯著負(fù)相關(guān)關(guān)系,表現(xiàn)出降水對其消除效應(yīng)較高的特征。

        圖1 天門市PM2.5和PM10質(zhì)量濃度月變化

        3 大氣顆粒污染物濃度與氣象因子的關(guān)系

        研究表明[15-17]大氣顆粒物質(zhì)量濃度與氣象因子存在關(guān)聯(lián)性,本研究從氣溫、降水、相對濕度和風(fēng)速、風(fēng)向等氣象因子與大氣顆粒污染物的關(guān)系進(jìn)行分析。

        3.1 氣溫

        圖2 表示PM2.5和PM10質(zhì)量濃度與氣溫的變化關(guān)系,整體上看,顆粒物質(zhì)量濃度與日平均氣溫呈先上升后下降關(guān)系;當(dāng)日平均氣溫達(dá)到10 ℃附近,PM2.5和PM10質(zhì)量濃度達(dá)到最高,而后隨著氣溫的上升而下降。氣溫在10 ℃以下,顆粒物濃度隨著氣溫的上升而升高,這可能與太陽輻射略微增強,近地面湍流稍有增強,沉降到地面的顆粒物重新漂浮到大氣中,PM2.5和PM10擴散速率較低,使得PM2.5和PM10濃度上升;而隨著氣溫的逐漸升高,近地面湍流進(jìn)一步增強,擴散速率顯著增大,導(dǎo)致PM2.5和PM10濃度下降。孫歡歡等[18]研究了成都市PM2.5和PM10與氣溫的關(guān)系,發(fā)現(xiàn)氣溫超過10 ℃時,大氣顆粒污染物最高濃度隨著氣溫升高而降低。

        圖2 天門市PM2.5和PM10質(zhì)量濃度與氣溫的變化關(guān)系

        3.2 降水

        統(tǒng)計天門市1961—2010 年月平均降水量發(fā)現(xiàn),5—10 月降水量占全年平均降水量的67.8%;分析2017 年 1 月 1 日 至 2020 年 6 月 9 日 不 同 降 水 量 條 件下大氣顆粒污染物濃度特征。分析發(fā)現(xiàn),相對于無降水日,降水日PM2.5和PM10大氣顆粒污染物濃度日均值均有不同程度下降。PM2.5、PM10降水日的平均濃度相對非降水日濃度分別下降了18.78、40.77 μg/m3。圖3 表示日降水量對PM2.5、PM10顆粒污染物的清除作用,PM2.5、PM10污染物日濃度與日降水量呈負(fù)相關(guān)關(guān)系,降水每增加1 mm,PM2.5、PM10污染物日濃度分別減少 0.72 μg/m3和 1.22 μg/m3;值得注意的是日降水在7 mm 以下,PM2.5污染物日濃度有所上升,PM10污染物日濃度仍維持在60~80 μg/m3,這主要是因為弱的降水會增加空氣的相對濕度和水汽飽和度,有利于污染粒子吸濕性增長,增加PM2.5、PM10污染物濃度[19]。

        圖3 天門市PM2.5和PM10質(zhì)量濃度與降水量的變化關(guān)系

        3.3 相對濕度

        PM2.5和PM10質(zhì)量濃度與相對濕度變化趨勢(圖4)呈現(xiàn)單峰值且先上升后下降的趨勢,表明水汽對大氣顆粒物濃度存在一定影響。相對濕度在30%~70%,PM2.5和PM10質(zhì)量濃度隨相對濕度增大而增加;相對濕度在70%~100%,PM2.5和PM10質(zhì)量濃度隨相對濕度增大而減少。相對濕度低于70%時,隨著相對濕度增加,吸水性強的干氣溶膠粒子吸濕膨脹,PM2.5和PM10質(zhì)量濃度上升;相對濕度超過70%時,大氣顆粒物易形成凝結(jié)核,有利于降水發(fā)生,PM2.5和PM10質(zhì)量濃度降低。

        圖4 天門市PM2.5和PM10質(zhì)量濃度與相對濕度的變化關(guān)系

        3.4 風(fēng)速、風(fēng)向

        分析不同風(fēng)速對天門市PM2.5和PM10質(zhì)量濃度的變化特征(圖5),兩者質(zhì)量濃度隨著風(fēng)速的增大而顯著下降,風(fēng)速每增大0.1 m/s,PM2.5和PM10質(zhì)量濃度下降 0.67 μg/m3和 0.90 μg/m3。值得注意的是,風(fēng)速低于1 m/s 時,PM2.5和PM10質(zhì)量濃度變化不大,表現(xiàn)出清除效果不明顯;風(fēng)速大于1.3 m/s,PM2.5和PM10質(zhì)量濃度顯著降低。天門市年平均風(fēng)速為2.0 m/s,因此對PM2.5和PM10大氣顆粒污染物清除較為明顯。王濤等[20]研究了無錫市區(qū)大氣污染物與氣溫、降水、風(fēng)速等氣象要素的關(guān)系,發(fā)現(xiàn)PM2.5和PM10質(zhì)量濃度與風(fēng)速、風(fēng)級呈負(fù)相關(guān)關(guān)系,風(fēng)對空氣污染物有稀釋擴散和運輸?shù)淖饔谩?/p>

        圖5 天門市PM2.5和PM10質(zhì)量濃度與風(fēng)速變化關(guān)系

        采用矢量平均風(fēng)向法計算天門市四季平均風(fēng)向,分析不同風(fēng)向?qū)M2.5和PM10質(zhì)量濃度的影響。風(fēng)向?qū)M2.5和PM10質(zhì)量濃度的影響基本一致。春、秋季PM2.5和PM10質(zhì)量濃度在東北、西南風(fēng)向高于其他風(fēng)向;夏季PM2.5和PM10質(zhì)量濃度在西北、東南風(fēng)向高于其他風(fēng)向;與其他季節(jié)不同,在冬季西南風(fēng)向上的PM2.5和PM10質(zhì)量濃度遠(yuǎn)高于其他風(fēng)向。

        3.5 PM2.5、PM10與氣象要素的預(yù)測模型

        3.5.1 多元回歸模型 根據(jù)上述分析,選取氣溫、降水、相對濕度和風(fēng)速等氣象因子為自變量,PM2.5、PM10質(zhì)量濃度為因變量,開展自變量與因變量之間的回歸分析,建立兩者間的回歸方程。表2 顯示PM2.5、PM10顆粒物濃度與氣象要素呈負(fù)相關(guān)關(guān)系,特別是與氣溫、降水和風(fēng)速的相關(guān)系數(shù)高。

        表2 PM2.5、PM10與氣象要素的相關(guān)關(guān)系

        利用PM2.5、PM10逐日質(zhì)量濃度與當(dāng)日氣溫、降水、風(fēng)速進(jìn)行多元線性和多元非線性回歸分析,并將2017—2019 年逐日濃度數(shù)據(jù)劃分為訓(xùn)練集(70%)和測試集(30%),運用多元非線性回歸模型預(yù)測2019年 2—12 月 PM2.5、PM10顆粒污染物逐日質(zhì)量濃度,與觀測數(shù)據(jù)對比分析(表3、圖6、圖7)。對比多元線性回歸模型、多元非線性回歸模型均方根誤差、均方誤差均大幅降低,說明多元非線性回歸模型優(yōu)于多元線性模型。同時計算PM10多元非線性模型的逐日質(zhì)量濃度預(yù)測值與觀測值,二者相關(guān)系數(shù)0.73,模型的決定系數(shù)達(dá)到0.76;PM2.5多元非線性模型的逐日質(zhì)量濃度預(yù)測值與觀測值,二者相關(guān)系數(shù)0.69,模型的決定系數(shù)達(dá)到0.72;表明天門市利用多元非線性回歸模型預(yù)測PM2.5、PM10顆粒污染物逐日質(zhì)量濃度是可行的。

        圖6 PM2.5逐日觀測質(zhì)量濃度與預(yù)測值

        3.5.2 自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)模型 自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)(Adaptive Linear Neuron)是在感知器的基礎(chǔ)上進(jìn)行的一種改進(jìn),其學(xué)習(xí)算法稱為最小均方誤差學(xué)習(xí)(LMS)算法,是基于負(fù)梯度下降的原則來減少訓(xùn)練誤差[21]。令pk=[pt(k),pr(k),prh(k),pfs(k)]表示氣溫(t)、降水(r)、相對濕度(rh)和風(fēng)速(fs)網(wǎng)絡(luò)輸入向量,dk=[dt(k),dr(k),drh(k),dfs(k)]表示網(wǎng)格的期望輸出向量,yk=[yt(k),yr(k),yrh(k),yfs(k)]表示網(wǎng)格實際輸出量;自適應(yīng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是將期望輸出信號dk(n)送入神經(jīng)網(wǎng)絡(luò)中,與實際輸出量yk(n)進(jìn)行比較,將差值送到LMS 學(xué)習(xí)機制中,作為調(diào)整權(quán)向量的依據(jù),進(jìn)一步減少期望與實際輸出的偏差。

        劃分2017—2019 年逐日濃度數(shù)據(jù)為訓(xùn)練集(70%)和測試集(30%),設(shè)置樣本學(xué)習(xí)率0.000 5,迭代次數(shù)300 次,利用訓(xùn)練數(shù)據(jù)集建立自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)模型,運用模型預(yù)測2019 年2—12 月PM2.5、PM10顆粒污染物逐日質(zhì)量濃度并與觀測數(shù)據(jù)對比分析(圖8、圖9)。自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)的預(yù)測值小于實際觀測值,PM2.5、PM10模型的均方誤差(MSE)分別達(dá)到7.51、6.67;綜合比較分析可得,多元非線性回歸預(yù)測模型好于多元線性回歸模型和自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)模型。

        圖8 PM2.5觀測質(zhì)量濃度與預(yù)測值對比

        圖9 PM10逐日觀測質(zhì)量濃度與預(yù)測值對比

        4 小結(jié)與討論

        通過分析 2017 年 1 月 1 日至 2020 年 5 月 30 日天門市環(huán)境監(jiān)測站PM2.5、PM10顆粒污染物逐日質(zhì)量濃度監(jiān)測數(shù)據(jù)與氣象要素的關(guān)系,建立PM2.5、PM10顆粒污染物與氣象要素的多元非線性預(yù)測模型,得到以下結(jié)論。

        1)天門市PM2.5和PM10質(zhì)量濃度月變化呈U 型分布,1 月最大,7 月最小;季節(jié)濃度冬季最大,夏季最小。根據(jù)GB3095—2012 中PM2.5和PM10日均濃度二級標(biāo)準(zhǔn)的限值,超標(biāo)天數(shù)主要集中于冬季,超標(biāo)率均為82%;分析PM2.5/PM10發(fā)現(xiàn)天門市大氣顆粒物污染中PM2.5污染物貢獻(xiàn)占比達(dá)到50%。

        2)PM2.5和PM10顆粒物質(zhì)量濃度與日平均氣溫呈先上升后下降;10 ℃以下,顆粒物濃度隨著氣溫的上升而升高,隨著氣溫的逐漸升高,擴散速率顯著增大,PM2.5和PM10濃度下降。降水量對PM2.5、PM10顆粒污染物的清除作用,降水每增加1 mm,污染物日濃度分別減少 0.72 μg/m3和 1.22 μg/m3。PM2.5和PM10質(zhì)量濃度與相對濕度變化趨勢基本一致,呈現(xiàn)單峰值且先上升后下降的趨勢,相對濕度在30%~70%,PM2.5和PM10質(zhì)量濃度隨相對濕度增大而增加;相對濕度在70%~100%,PM2.5和PM10質(zhì)量濃度隨相對濕度增大而減少。

        3)PM2.5和PM10質(zhì)量濃度隨著風(fēng)速的增大而顯著下降,風(fēng)速每增大0.1 m/s,質(zhì)量濃度下降0.67 μg/m3和 0.90 μg/m3;春、秋季 PM2.5和 PM10質(zhì)量濃度在東北、西南風(fēng)向最高,在冬季西南風(fēng)向上濃度遠(yuǎn)高于其他風(fēng)向。

        4)分析比較多元非線性回歸預(yù)測模型、多元線性回歸模型和自適應(yīng)線性神經(jīng)網(wǎng)絡(luò)模型的預(yù)測能力,多元非線性回歸的預(yù)測誤差最小,穩(wěn)定性最好,可將多元非線性回歸模型預(yù)測天門市PM2.5、PM10顆粒污染物逐日質(zhì)量濃度的方法應(yīng)用在日常的業(yè)務(wù)服務(wù)中。下一步將預(yù)測模型應(yīng)用于環(huán)境氣象業(yè)務(wù)服務(wù)中,檢驗分析預(yù)測模型的穩(wěn)定性和顯著性。

        猜你喜歡
        天門市顆粒物大氣
        大氣的呵護
        軍事文摘(2023年10期)2023-06-09 09:15:06
        天門市關(guān)工委走訪慰問困難學(xué)生
        探春
        湖北天門市6667公頃(10萬畝)“多寶蘿卜”助農(nóng)增收
        南平市細(xì)顆粒物潛在來源分析
        大氣古樸揮灑自如
        大氣、水之后,土十條來了
        錯流旋轉(zhuǎn)填料床脫除細(xì)顆粒物研究
        爭創(chuàng)文明鄉(xiāng)鎮(zhèn) 建設(shè)魅力岳口——天門市岳口鎮(zhèn)創(chuàng)建全國文明村鎮(zhèn)掠影
        多層介質(zhì)阻擋放電處理柴油機尾氣顆粒物
        性动态图av无码专区| 日韩有码中文字幕在线观看| 五月丁香六月综合缴清无码| 熟妇人妻av无码一区二区三区| 99精品国产兔费观看久久| 亚洲码无人客一区二区三区| 91久久精品国产综合另类专区| 国产裸体xxxx视频在线播放| 国产伦精品一区二区三区视| 日本免费一区精品推荐| 国产一区二区三区仙踪林| 久久久久成人片免费观看蜜芽| 夜夜综合网| 久久综合老鸭窝色综合久久| 99国产精品久久99久久久| 成av免费大片黄在线观看| 色综合久久加勒比高清88| 成人全部免费的a毛片在线看| 亚洲av香蕉一区区二区三区| www插插插无码免费视频网站| 国产成人精品cao在线| 人妻少妇av中文字幕乱码| 欧美人与禽zozzo性伦交| 猫咪www免费人成网最新网站| 日韩精品极品免费观看| 91精品国产色综合久久| 97人人模人人爽人人喊电影| 2021国内精品久久久久精免费| 伊人狼人大香线蕉手机视频| 亚洲精品久久久久久久蜜桃| 中文字幕无码无码专区| 人妻丰满少妇一二三区| 99久久婷婷国产亚洲终合精品| 亚洲性啪啪无码av天堂| 人妻中出精品久久久一区二| 最近中文字幕精品在线| 又色又爽又高潮免费视频国产| 久久久精品3d动漫一区二区三区| 美女福利视频网址导航| 国产精品一区二区av麻豆| 欧美黑人乱大交|