一、保山市大气监测点位模糊聚类优化(论文文献综述)
张明浩[1](2019)在《内蒙古乌海及周边地区粉尘浓度分布及其影响因素》文中提出近年来城镇规模不断扩大,城市化进程逐年增速,以及以煤炭开采为主的工业化脚步不断加快,造成人类生产、生活、交通等向大气排放的污染物逐年增多,大气环境受到的破坏也日趋严重。乌海市目前已是国内粉尘污染最严重的区域之一,粉尘颗粒物污染已不容忽视,当前对于不同粒径粉尘浓度与土地利用、气象地形因素综合分析的研究相对较少。本文通过流动监测法进行粉尘浓度数据的采集,借助地理信息系统进行数据处理和分析,从乌海及周边区域、乌海市、乌海典型矿区等大中小三个尺度上分析粉尘浓度空间分布状况;将粉尘浓度与土地利用、气象地形数据结合分析,探索粉尘浓度与影响因素之间关系;最后对研究区进行粉尘颗粒物危害影响分区。得到结论如下:(1)在乌海及周边地区尺度上发现污染与人类活动密切相关,重度污染区域呈点状沿黄河流向分布,靠近沙区和人类聚集区污染相对较重,草原等人类活动较少区域污染较低。在乌海市尺度上采用空间插值方法发现粉尘浓度呈现明显的地域差别。工矿用地和城镇内部浓度高于有林地和未利用土地,耕地和水体内部浓度最低,工矿用地是乌海市夏季粗颗粒物粉尘浓度和冬季粉尘浓度主要来源,城镇是乌海夏季细颗粒粉尘的主要来源,水体、耕地和有林地可明显降低空气中颗粒物浓度。在乌海市典型矿区上发现煤矿开采中以矿区中心为圆心,半径2km以内的区域对环境影响最大。(2)粉尘浓度与土地利用因素关系明显。植被覆盖区域和水域粉尘浓度较低,建筑区等人类活动频繁的区域粉尘浓度较高。冬季受植被影响最明显,夏季受水体影响最明显。粉尘浓度与气象地形因素关系明显,粉尘浓度与温度、海拔呈负相关,与湿度、气压呈正相关。其中,湿度是影响PM1-10的最主要因素。(3)粉尘颗粒物影响分区中可看出乌海市夏季整体污染较低,粗细颗粒物均较少,夏季东部呈带状分布的海勃湾矿区粗颗粒物污染相对较重;冬季整体上乌海污染较严重,西部乌达区矿区、中南部海南矿区和东部海勃湾矿区粗细颗粒物污染均较重。由粉尘综合评判结果可看出,冬季空气质量较差区域主要分布在东部海勃湾区矿区、西部乌达矿区和中南部海南矿区,其余地区污染相对较轻。夏季空气质量较差区域则分布在西部乌达矿区、中南部海南矿区、北部海勃湾城区和东部海勃湾矿区。
吕青普[2](2019)在《天津大气污染物数据分析与可视化方法研究》文中研究表明天津作为我国重要的工业城市,在2016年工业生产总值达到2.94万亿元,成为北方第一工业城市。伴随着天津市人口的快速增长以及机动车保有量的激增,天津空气污染程度不断加剧。尤其颗粒污染物如PM2.5、PM10的增多,导致天津市雾霾程度不断加重。天津空气质量的不断恶化,已经严重威胁了广大人民群众的健康,使得呼吸系统的疾病发病率不断升高。分析天津市大气污染物的时序浓度变化规律及地理分布特征,对于揭示天津市空气质量变化规律具有重要的科学意义,同时可为制定有针对性的、精准的治污策略提供数据支持。基于2016年天津市国市控监测点数据,以二氧化硫、二氧化氮、一氧化碳、臭氧、PM2.5、PM10等大气主要污染物为研究对象,针对2016全年大气污染物质量浓度变化进行相关性研究与分析,并将污染物浓度分布作了三维可视化展示。论文的主要工作和结论如下:第一,建立了噪声数据检测和修复模型,对获得的原始污染物浓度数据进行数据清洗,在噪声的检测与修复过程中不仅考虑了单一污染物自身时间序列的变化趋势,而且以其它气态污染物浓度变化趋势为参比,对脏数据的检测与修正都起到了积极的作用。第二,在对原始数据完成数据清洗的基础上,针对天津监测的大气污染物浓度进行了日变化特征、月变化特征的统计与分析,总结出大气污染物在一天内各时点的变化规律、不同月份的变化规律,并应用回归计算,分析2016年不同大气污染物日均浓度值之间的相关关系。第三,针对天津市27个监测点监测到的各污染物浓度值分别进行层次聚类算法与K均值聚类,两者的聚类结果呈现高度的一致性,这不仅验证了分类结果的正确性,而且说明同一结果类内监测点覆盖的区域其污染物浓度值存在高度的相似性,为制定针对性的区域治污策略提供指导意义。第四,建立了大气污染物浓度插值模型,将天津市根据行政区域划分为多个网格,对网格污染物浓度数据进行双次插值处理,建立天津市大气污染物三维可视化模型,展示了天津市各大气污染物的空间分布状况。
孙欢[3](2019)在《太原市大气污染对人体健康的影响研究》文中进行了进一步梳理空气是维持生命的重要物质,其质量优劣对人体健康有重要影响。太原市是典型的重工业城市和北方能源重化工基地,煤炭的利用率高,使得其一直是典型的煤烟型污染城市。近些年,因为经济的迅猛发展、城市化水平的不断提高,太原市空气污染已从传统燃煤型转化为燃煤型和机动车尾气复合型污染,并表现出以颗粒物和SO2为主,并伴随着NO2、O3污染的大气环境特征。本文选取了国家空气质量标准规定的六项污染因子,对太原市2013-2018年的大气污染状况进行监测,利用现有空气质量指标作为参考浓度,对太原市大气现状与特征进行评价与分析。并通过Meta分析得出不同污染物对健康影响的大小,最后运用泊松回归模型对太原市人群健康效应进行定量评价,并与其他代表城市作比较。以期为提高太原市大气环境质量、也为我国制定合理的大气环境质量标准提供参考。本文主要结论如下:(1)太原市在2013-2018年间,大气污染物除CO外,SO2、NO2、PM10、PM2.5和O3较国家二级标准均有超标。其中PM10、PM2.5超标率最高,其次是SO2和NO2,O3超标率最低。对比太原市6项大气污染物各季节浓度变化趋势发现,SO2、NO2、PM10、PM2.5均呈现出第一季度、第四季度浓度较高,第二季度、第三季度浓度较低的状态。O3则与之相反,呈现二、三季度高于一、四季度的污染特征。从太原市区的污染状况来看,工业区的金胜、晋源和交通流量大的小店、坞城污染严重,表明太原市大气污染最主要来源于工业和交通。且在不同季度,污染物浓度空间分布差异明显。(2)通过Meta分析得出6项大气污染物的暴露-反应关系,即污染物每上升10μg/m3,人群死亡率增加的百分比。其中,SO2、NO2的死亡率上升较大,PM10、PM2.5次之,O3的死亡率上升最小。对于五种污染物来讲,SO2、NO2、PM10对心血管疾病死亡的影响更大一些,PM2.5和O 3对呼吸系统疾病死亡的影响更大一些。但最终实际健康效应的大小受到人口基数、死亡率和浓度超标情况三者的共同影响。(3)本文选取可减少非意外死亡、心血管疾病死亡、呼吸系统疾病死亡三个健康终端,以WHO空气质量指导值、国家空气质量一级、二级标准限值为参考浓度,并通过泊松回归模型得出,太原市2013-2017年因PM10、PM2.5、SO2浓度超标多,使得其达到三个参考浓度限值时的健康效应远远高于O3、NO2的健康效应,且对于PM10、PM2.5、SO2、O3、NO2来讲,对心脑血管疾病死亡的影响大于对呼吸系统疾病死亡造成的影响。目前在符合社会经济发展需求和环境管理需求的基础上,将PM10、PM2.5和O3的浓度限值向WHO指导值靠拢,会使因其污染导致的死亡人数大幅减少。(4)通过与其他六城市横向比较相比,发现太原市目前空气质量仍处较后的位置。太原市目前SO2、PM10、PM2.5浓度高居首位,NO2和O3的浓度位居第二高,整体污染水平高,污染物带来的健康效应较大,仅次于天津和沈阳。本文针对太原市环境空气质量现状和污染特征,提出针对性的改善建议。从改善能源结构、调整产业布局、提高煤质、控制机动车尾气排放、加强必要的保障措施等方面提出建议,以改善太原市环境质量状况,提高公众健康水平,推动太原市的可持续发展。
李佳希[4](2018)在《沈阳市沈河区空气环境质量现状及变化趋势研究》文中研究说明近年来,沈阳市的城市化速度逐渐加快,社会经济取得了较大进步,但导致沈阳市城市能源消费量呈上升趋势,同时受北方扬沙和风扬尘影响较大,气候相对干燥,全年降水少且分布不均,随着经济社会的发展、城区的建设,区域性大气污染问题凸显。沈河区处于沈阳市中心位置,与和平区、大东区、浑南区、皇姑区毗邻,大气污染物传输是相互影响的。且沈河区工业企业能源消费以煤炭为主,近年来煤炭年消耗量逐年增加,机动车的保有量越来越高,在低空进行尾气的排放,对空气环境质量造成了日益显着的影响。政府积极推进区内结构性减排,减少污染物排放,通过加强对大型电厂大气污染源监管等措施控制污染物排放,使得空气质量有所好转,但空气质量问题依然严峻。本文通过对2014年-2016年沈阳市沈河区五种污染物((可吸入颗粒物、细颗粒物、二氧化硫、二氧化氮、降尘)进行定量分析,对沈河区空气环境质量现状及时间变化特征进行了评价;通过计算空气污染物负荷系数,确定城区空气主要污染物。所得结论如下:(1)2014年沈河区空气环境质量为重度污染,污染水平为4级,空气环境污染水平处在警报水平;2015年为中度污染,污染水平为3级,空气环境污染水平处在警戒水平;2016年为中度污染,污染水平为3级,空气环境污染水平处在警戒水平。(2)2014年沈河区空气环境污染以细颗粒物为主要污染物,占比24%;2015年沈河区空气环境污染以细颗粒物为主要污染物,占比26%;2016年沈河区空气环境主要污染物为降尘,占比26%。(3)可吸入颗粒物浓度年平均值从2014年-2016年呈逐年下降趋势,与2014年相比,2016年可吸入颗粒物浓度年平均值下降了19.7%;细颗粒物浓度年平均值2014年-2016年呈下降趋势,与2014年相比,2016年细颗粒物浓度年平均值下降了28.2%;二氧化硫浓度年平均值从2014年-2016年呈下降趋势,与2014年相比,2016年二氧化硫浓度年平均值下降了41.7%;二氧化氮浓度年平均值2015年比2014年下降了9.4%,但2016年与2015年相比上升了6.3%;降尘从2014年到2016年连续三年达标率为零,但降尘浓度年平均值呈下降趋势,2016年降尘浓度年平均值比2014年下降了7.2%。
刘进阳[5](2018)在《大连市大气中SO2、NO2、PM2.5和PM10分布状态及影响因素的研究》文中研究说明在经济的快速发展和城市建设化进程不断加快的过程中,我国的大气污染越来越严重,城市大气污染在一定程度上制约了社会经济的可持续发展,对居民的健康造成了极大的危害。治理城市大气污染已经迫在眉睫,治理大气污染的前提和基础是掌握全面的大气污染数据,对影响空气质量的首要污染物和相关影响因子进行科学有效的准确分析与评价,以及对其相应变化的规律进行研究。为了了解大连市大气污染现状,研究大气污染物的主要来源和影响因素,基于参与环境质量评价的6项主要污染物(SO2、N02、PM10、PM2.5、CO和03),本文以大连市空气中的细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(S02)和二氧化氮(N02)为研究对象,介绍了 S02、N02、PM10和PM2.5的组成、危害及环境自动监测的方法。通过对2013年到2017年相关监测数据进行记录和整理,对大连市大气污染状况的变化规律、污染相关原因等进行分析探讨,以期为今后科学治理大气污染提供一个技术支撑。从时间变化上,SO2浓度在四个季节中冬季浓度明显高于夏季,SO2在采暖期呈现明显的“双峰”特点,全天出现的两个峰值均为采暖锅炉的起炉时段;SO2在非采暖期的浓度相对比较稳定;NO2浓度也是冬季明显高于夏季,非采暖期每日主要是在早晚交通高峰期N02浓度有所升高,采暖期全天走势成M型,均值均高于非采暖期且双峰特点明显,呈现交通高峰和采暖高峰的叠加效应;PM10和PM2.5浓度四个季节中春冬两季的浓度明显高于夏季浓度,在采暖期高于非采暖期,采暖期日均值变化规律比较明显,全天走势呈M型。非采暖期早晚有两个峰值,但是变化规律及幅度并不明显,这是因为在非采暖期早晚高峰出行时段,汽车尾气的排放会对PM10和PM2.5的浓度产生一定的影响;在采暖期,燃煤供暖与早晚出行高峰的汽车尾气排放的叠加效应会对PM10和PM2.5的浓度产生一定的影响。以2016年S02、NO2、PM10与PM2.5的24小时均值数据为例,通过Pearson相关系数进行计算得到PM10与PM2.5相关强度为极强,PM10、PM2.5与N02强相关,PM10 PM2.5与SO2中等强度相关,NO2与SO2中等强度相关,结合SO2、NO2、PM10与PM2.5月份、季节及年度的均值变化趋势的相关性,判断SO2、NO2、PM10与pm2.5主要污染源大致相同。但其中SO2与颗粒物的相关性并不是强相关,是由于大气中的SO2在一定条件下会反应生成硫酸盐进而消耗掉其中一部分,而由二次硫酸盐引起的颗粒物浓度会出现上升,另外在非采暖期SO2与颗粒物的主要污染来源有所不同,汽车尾气的排放对PM10和PM2.5的影响更大;SO2与NO2在采暖期之外走势出现了一定差异,说明在非采暖期NO2与SO2的主要污染来源有所不同,NO2主要是受大量的汽车尾气排放影响。以解析大连市2015、2016年重污染天气形成为例,判断污染物的外来输送也是本地污染物分布状态和浓度变化的影响因素之一。最后通过调整能源消费结构、控制工业源废气排放、控制机动车排放、完善空气质量预报预警等几个方面,探讨大连市大气污染的相关治理对策。
王陆平[6](2017)在《大气质量评价模型和监测点位优化研究》文中提出随着我国经济水平的快速提高,城市化进程和各种产业发展日益增快,对环境的破坏也日益加重。大气质量作为可持续发展的重要组成部分也越来越受到人们的关注。大气中的污染物浓度在不断增加,影响范围也越来越大,以颗粒污染物、二氧化硫、氮氧化物等为主的城市大气污染问题日趋严重。因此,研究和分析城市大气质量综合水平是解决城市环境问题,改善城市大气质量,建设城市大气污染对策,实现环境与经济的可持续发展的首要任务。本研究主要以西安市大气质量分布状况为例,分析了西安市大气污染物的时空分布特征,建立了西安市大气质量综合评价模型,同时还对影响西安市大气质量的因素进行了分析。结果显示,2013~2016年西安市大气质量污染较为严重,处于四级重度污染水平;采暖期污染比非采暖期污染严重,主城区污染比郊区污染严重;颗粒物污染特别是细颗粒物污染相当严重。影响西安市大气质量的主要因素为工业企业废气排放、供暖废气排放、风速、机动车尾气排放、人口密度分布等。20世纪中期以来,国内外逐渐开始实施大气质量监测工作,并将监测数据对外公布,还在全国范围内进行综合排名,以便人们更方便具体的了解自己的居住环境和全国的大气质量分布状况。因此,监测点位的代表性,监测结果的真实性、可靠性便成了亟待解决的问题。本研究以西安市为例,采用多目标优化方法,对西安市大气质量监测点位进行优化,并使用约束法和层次序列化方法分别对模型求解,并将结果使用ArcGis软件在地图上显示。结果显示,该模型较为科学合理地实现了西安市大气质量监测点位的优化,两种求解方法的结果都能很好地满足西安市实际状况和模型要求,新增的4个监测点位均分别位于周至县、户县、蓝田县和高陵区内。但是采用层次序列化方法求解的结果分布相对比约束法的结果更为均匀,空间覆盖率较高,代表性较好,监测结果能很好地反映出整个西安市的大气分布状况。
冯媛媛[7](2017)在《基于空气质量数据解析“十二五”期间高平市空气污染特征及其影响因素》文中认为近年来,城市的空气污染给人们正常的社会生活造成了极大的困扰,越来越危害着公众的身体健康[1-3],尤其雾霾[4-7]的侵袭,因此,妥善缓解空气污染成为当今社会最为紧迫的任务。然而要想解决这一难题,那么充分的了解当地的空气污染现状及引起空气污染的各方面原因就很有必要。有研究[8-10]表明,导致城市空气质量恶劣的因素除了经济增长所带来的能源消耗量增加,环保措施应对不及时外,还有不同地区各自独特的地形和气象条件等原因。针对这一问题,本论文对高平市“十二五”期间的大气环境监测数据和气象数据进行深度挖掘,分析该市区目标大气污染物多时间尺度的污染特征,在此基础上,对其空气质量做评价,并对可能导致空气污染的原因进行探究。分析结果如下:(1)各项污染物浓度日变化和月变化趋势平稳,SO2日浓度变化情况呈周期性“U”型变化;各项污染物在不同的季节污染情况不同,除NO2和O3外,其余污染物在冬季的质量浓度表现为最高;整体上,颗粒物浓度在各个季节均为最高,污染情况比较严重。(2)高平市空气质量指数的月变化平稳,且具有统计学意义;冬季AQI值相对于其他季节平均值最高,且采暖期的AQI值也显着高于非采暖期,季变化差异无统计学意义。高平市各季节的首要污染物的类别和占比具有明显的季节差异性。(3)通过分析空气质量状况与同时期的气象参数之间的关系,发现本地的气压和湿度与AQI成正比,即气压和湿度值越大,越容易造成重污染天气;气温、降水量与风速都能缓解空气污染,与AQI值成反比。(4)PM10和PM2.5浓度的散点分布在不同的季节均呈现极显着的正相关性,且春季相关性最小,冬季相关性最大;冬、春、秋季PM2.5与CO浓度均呈极显着线性正相关;春季和秋季PM2.5与SO2也呈线性正相关,春季时表现为显着相关,秋季为极显着相关;PM2.5与O3、PM2.5与CO在夏季和秋季表现为极显着线性相关关系。
赖锡柳[8](2017)在《兰州新区环境空气质量监测布点方法研究》文中研究表明近年来,我国出现重污染天气的频次逐渐增多,大气污染问题越来越突出,改善环境空气质量已成为我国“十三五”环境保护工作的目标之一。环境空气质量监测是确保环境质量达标、实施环境空气保护及污染应对措施、防止环境空气持续恶化等方面的重要手段,而监测点位的选定在监测数据的科学性和代表性等方面起着决定性的作用。因此,开展环境空气质量监测点位布设方法的研究是很有必要的。兰州新区为新建城市,随着城镇化的加快,人民生产及生活方式的改变将对当地的空气质量造成一定负面影响,因此,监测兰州新区的环境空气质量,监控当地环境空气质量的变化,可为重污染天气提供预警服务和科学防治空气污染提供依据。本文利用空气质量模式(CALPUFF模式)模拟了兰州新区规划范围内的主要污染物浓度空间分布特征,构建了综合评价浓度,结合新区规划布局、污染气象特征,并考虑监测点位的代表性,采用聚类分析法和综合经验判定法,探讨兰州新区的环境空气质量监测点位的布设方法,并对拟建城市点和建成区的浓度之间进行了误差统计检验,以保证布点方案的代表性、合理性。论文主要结论如下:(1)精准的气象场是提高环境空气质量模拟效果的基础。本文利用WRF模式中SLAB、RUC及Noah三种陆面过程参数化方案模拟了兰州新区冬季低空气象场特征,并将模拟结果与实测资料进行对比,研究结果表明:WRF模式陆面过程参数化方案为SLAB时模拟的兰州新区冬季近地面温度场和风场与实测结果最为接近。因此,本文采用陆面过程为SLAB方案模拟的结果为空气质量模拟提供气象场。(2)根据新区规划的主要污染源,利用CALPUFF模式模拟兰州新区主要污染物的小时均值、日均值和年均值。模拟结果表明:SO2、NO2和PM10的浓度高值区均位于兰州新区东南部和西北部,南北两侧污染物经长距离输送后对中部区域(人口集中区)影响程度不大,污染物浓度普遍较低。新区南侧集中供热站在满负荷运行和最不利扩散的小时气象条件下,在双良热源厂北部1km处NO2会出现超标情况。(3)为反映多种污染物的综合影响,以污染物浓度占标率计算权重系数,并对浓度进行最大最小值标准化处理,利用约旦公式建立每个模拟网格的综合评价浓度,并以此为依据布设环境空气质量监测点位。(4)根据兰州新区各功能分区内污染源的排放特征及其对区域环境的影响程度,结合最不利扩散季节污染源所处区域的主导风向,综合考虑园区的空间结构和开发时序,在石化园区和综合服务片区下风向边界最大落地浓度处各设置1个近期污染监控点,在双良热源厂附近最大落地浓度处设置1个近期污染监控点。(5)根据兰州新区规划的道路空间布局,选取车流量较大的主干道,并结合新区盛行风向,在核心城区纬一路与经十三快速路-中通快速路相交网格中设置1个路边交通点。(6)基于综合评价浓度,利用百分位数法和聚类分析法对建成区各网格综合评价浓度进行分类,根据兰州新区功能分区、人口分布和用地性质等因素,综合考虑点位的空间均匀性和污染源分布情况,在核心城区共确定6个城市点,合理性检验结果表明,拟建城市点满足误差要求,点位布设合理。
贺祥[9](2017)在《PM2.5浓度变化驱动机制研究 ——以长江三角洲为例》文中进行了进一步梳理PM2.5形成机制在大气环境中是一个非常复杂的线性与非线性相互作用的系统过程。中国作为经济快速发展国家,PM2.5污染非常严重,其形成雾霾对大气环境、生产活动、经济发展及人体健康产生了非常严重的影响。加强对PM2.5浓度变化受驱动因素影响过程与机制的研究,是深刻认识PM2.5形成、发展变化机理的重要基础。国内外学者对PM2.5浓度时空变化的驱动因素从气象要素、空气污染源和社会经济活动等方面,采用实时监测、数学模拟等多种方法进行了大量研究,取得一系列重要成果。然而,目前在驱动因素对不同周期尺度PM2.5浓度变化的影响特征,多驱动因素间相互作用对PM2.5浓度变化的影响机制,PM2.5浓度变化的非线性动力学驱动及其系统演化机制,PM2.5浓度变化驱动因素的时空动态演化等,都还缺乏深入研究和有效方法。对这些关键科学问题的探索与解决,可望对PM2.5浓度变化的驱动过程与机制的认识带来突破性进展。论文首先以长江三角洲的杭州、南京和上海市等重要城市为研究对象,综合运用气象学、大气污染学、环境学和数学建模等相关基础理论,利用集合经验模态分解(EEMD)、广义可加性模型(GAM)和非线性统计-动力反演模型(NSDIM)等数学模型与方法,以中国气象数据网和中国环境质量监测总站提供的气象要素与空气质量污染物的监测数据为基本数据源,研究基于多时段PM2.5浓度变化对驱动因素的多周期尺度响应、定量化分析驱动因素两两交互作用对PM2.5浓度变化的影响、解析影响PM2.5浓度变化的非线性动力学驱动及其系统演化特征。同时,由于PM2.5浓度变化不仅受到气象要素与空气污染物的影响,还与人类社会经济活动密切相关,受到自然因素、空气污染物及人类社会活动的综合驱动影响。因此,还以长江三角洲16个主要城市为研究对象,从气象要素、空气污染源及人类社会活动等多方面构建综合评价指标体系,运用灰色关联模型,研究PM2.5浓度变化驱动因素的时空动态演化。因而,论文构建了分析包含空气污染物与气象要素的单个驱动因素对PM2.5浓度变化的解释度、两个驱动因素间交互作用对PM2.5浓度变化的影响效应机制、多个驱动因素对PM2.5浓度变化的非线性动力学驱动及其系统演化特征,以及包括气象要素、空气污染源和社会经济指标的多驱动因素影响PM2.5浓度变化时空动态特征的研究结构体系。论文主要研究内容与结论如下:(1)基于多时段PM2.5浓度变化对驱动因素多尺度响应的研究。将杭州、南京和上海市每天划分为3个时段,运用集合经验模态分解方法得到各时段PM2.5及驱动因素不同周期尺度的6个分解量,并判别出3个有效分解量。针对各时段不同周期尺度构建PM2.5与驱动因素间多元回归模型,准确揭示各时段不同周期尺度驱动因素对PM2.5浓度变化影响的解释度。研究结果揭示:杭州市各时段的准4天周期尺度,主要受CO、S02及WIND的驱动影响;准8天周期尺度主要受CO、SO2、PRE、WIND及RHU的驱动影响;准15天周期尺度主要受CO、SO2、PRS、PRE、RHU及VAP的驱动影响。南京市各时段的准4天周期尺度主要受CO、SO2和O3的驱动影响;准8天与准15天周期尺度,主要受空气污染CO、S02和NO2的驱动影响,还受到气象因素PRE、RHU和WIND的驱动影响。上海市在准4天与准8天较小周期尺度,PM2.5浓度变化主要受到空气污染物CO和SO2的驱动影响;在准15天周期尺度,SO2对PM2.5浓度变化的影响更加显着,同时还受到CO、RHU和PRE的驱动影响。在3个时段里,随着周期尺度增大,各城市PM2.5浓度变化的驱动因素类型总体呈增加趋势,其中气象要素增加的更为显着;CO均是影响各时段不同周期尺度PM2.5浓度变化的最主要驱动因素,其次是SO2和NO2。研究结果有助于更加准确掌握不同城市PM2.5浓度变化在各时段不同周期尺度的主要驱动因素。(2)驱动因素交互作用对PM2.5浓度变化的影响。通过相关系数、多重共线性诊断等方法对杭州、南京和上海市的PM2.5浓度与驱动因素进行分析,将各驱动因素与PM2.5构建广义可加性模型(GAM),分析PM2.5浓度变化受驱动因素影响的效应特征。首次提出驱动因素间交互作用对PM2.5浓度变化影响的概念,构建驱动因素两两交互作用对PM2.5浓度变化影响的拟合模型。研究结果表明:杭州、南京和上海市的PM2.5与各驱动因素分别构建GAM模型中,SO2、CO和N02对PM2.5浓度变化解释能力较强;杭州市SO2、CO、NO2、O3、PRE、PRS和RHU等7个驱动因素,与PM2.5浓度变化具有显着线性或非线性关系,其两两交互项中,S02-CO、CO-RHU、O3-PRE和O3-RHU等交互项造成PM2.5浓度波动增加,SO2-O3、SO2-RHU、RHU-PRE和RHU-PRS等交互项造成PM2.5浓度波动降低;南京市SO2、CO、PRS、RHU和SSD等5个驱动因素,与PM2.5浓度变化具有显着线性或非线性关系,其两两交互项中,SO2-CO、CO-RHU、CO3-PRS、CO-SSD和RHU-SSD等交互项造成PM2.5浓度波动增加,SO2-RHU和RHU-PRS等交互项造成PM2.5浓度波动降低;上海市SO2、CO、NO2、O3、PRE、WIND和RHU等7个驱动因素,与PM2.5浓度变化具有显着线性或非线性关系,其两两交互项中,SO2-CO、SO2-O3、NO2-O3、CO-RHU、CO-NO2和O3-PRE等交互项造成PM2.5浓度波动增加。结果还表明,杭州市与上海市是以SO2、CO和NO2与其它因素的交互作用显着影响PM2.5浓度变化,南京市是以SO2和CO与其它因素的交互作用显着影响PM2.5浓度变化。研究结论揭示了驱动因素间交互作用对PM2.5浓度变化的非线性影响过程与效应机制。(3)构建统计-动力反演模型研究PM2.5浓度变化系统的动力学驱动演化。首次构建出能够根据判据自动、客观选定剔除一些弱驱动项的非线性统计-动力反演建模方法,将包括空气污染物与气象要素的驱动项看作PM2.5浓度变化系统整体组成部分,对杭州、南京和上海市构建PM2.5浓度与空气污染物、气象要素等驱动因素间统计-动力反演模型。通过多次反演后,得到各城市PM2.5浓度变化系统的最优化统计-动力反演模型,获得影响PM2.5浓度变化的主要线性与非线性驱动项,分析各驱动项的系数值及贡献率,研究各驱动因素对PM2.5浓度变化的正负反馈作用及驱动影响强弱,揭示影响各城市PM2.5浓度变化的最主要空气污染物和气象要素。研究结果表明:杭州市受非线性驱动项影响的贡献率之和62.88%, NO2与其它因素交互项贡献率之和9.06%,SO2贡献率是4.80%,降雨贡献率是16.84%,所以影响杭州市PM2.5浓度变化最主要空气污染物是NO2,最主要气象因素是PRE。南京市受非线性驱动项影响贡献率之和44%,包含NO2各驱动项贡献率之和36.3%, TEM贡献率是25.25%,气压贡献率是13.56%,所以影响南京市PM2.5浓度变化最主要空气污染物是NO2,气象要素是气温。上海市受非线性驱动项影响贡献率之和52.98%,包含SO2各驱动项贡献率之和17.26%,NO2贡献率为24.07%,气压贡献率为17.82%,气温贡献率为17.86%,所以影响上海市PM2.5浓度变化最主要空气污染物是SO2和NO2,气象要素是气压和气温。通过对各城市PM2.5浓度变化系统的非线性动力学分析,揭示出其PM2.5浓度变化系统均是标准的一元二次非线性动力系统。该系统的一次项及常数项均是由各驱动因素构成,由驱动项系数值大小及正负所决定。对PM2.5浓度变化系统的非线性动力学演化特征分析,揭示出各城市PM2.5浓度变化系统均在两种定态的作用下,受到扰动逐渐增加,系统平衡态趋于不稳定;南京市PM2.5浓度变化系统的波动范围最大(在定态值0.091~20.3842间波动变化),PM2.5浓度变化系统受到扰动随时间变化幅度最大,其次是上海市(在定态值1.0475~11.581间波动变化),杭州市PM2.5浓度系统受到扰动随时间变化幅度最小(在定态值0.2413~0.3769间波动变化)。结果揭示,在驱动因素影响下,南京PM2.5浓度变化系统波动变化最为显着,杭州市PM2.5浓度变化系统相对最为稳定。(4) PM2.5浓度变化驱动因素的时空动态演化。以长江三角洲16个主要城市为研究对象,构建包括PM2.5污染物来源指标层、城市化与社会产业指标层及空气质量与气象要素指标层,共3个层次30个驱动因素的综合评价指标体系。运用灰色关联模型分析各指标层及驱动因素对PM2.5浓度变化影响作用权重,获得驱动因素与PM2.5浓度间关联度及等级,揭示驱动因素及指标层与PM2.5浓度关联度的时空分异与演化。研究结果表明,从2013至2014年,污染物来源层的权重值降低,城市化产业结构层的权重值增加,空气质量与气象要素层的权重值增加。各驱动因素与PM2.5浓度的关联度,整体呈增加趋势。空气质量与气象要素层中,PM10、NO2、O3、PRE、WIND和SSD的关联度增加幅度较大;污染物来源层中,市区公路里程、住宿和餐饮业产值、工业用电量和二氧化硫排放量的关联度值增加较显着;城市化与产业结构层中,人均道路面积、建成区面积、人均地区生产总产值和市辖区规模以上工业产值的关联度值增加幅度较大。长江三角洲各城市驱动指标层与PM2.5浓度的综合关联度值均也呈整体增加趋势。虽然各城市间PM2.5浓度值相差并不是非常显着,但与各评价指标层及驱动因素的关联度却存在明显差异,体现出不同城市PM2.5浓度驱动指标层与驱动因素的空间分异,揭示了不同城市间在区域地理环境、气象特征、空气污染源、人口密度、城市产业结构和城市规模等方面对PM2.5浓度变化影响的空间差异。通过灰色关联预测模型G (1,N),建立主要驱动因素与PM2.5浓度变化间灰色预测模型方程。在2013年预测模型中,O3、SO2、CO、降水量、平均气温、平均相对湿度、烟(粉)尘排放量、人均公园绿地面积、第二产业占生产总值比重和人均地区生产总值等指标的系数值较大,对PM2.5浓度变化影响较显着;在2014年,NO2、SO2、CO、O3、市区公路里程、工业用电量、人均公园绿地面积、第二产业占生产总值比重和人均地区生产总产值等驱动因素对PM2.5浓度变化影响较显着。本论文拓展了驱动因素对PM2.5浓度变化影响过程与机制的研究方法体系,构建了基于时间序列分析PM2.5浓度变化对驱动因素的多尺度响应、驱动因素交互作用对PM2.5浓度变化的影响效应、驱动因素影响PM2.5浓度变化的非线性动力学驱动及其系统演化特征和PM2.5浓度变化驱动因素的时空动态演化等方面的数学模型与方法。论文还首次提出了驱动因素交互作用对PM2.5浓度变化影响的概念,首次构建出非线性统计-动力反演模型。在运用GAM模型分析驱动因素交互作用对PM2.5浓度变化的影响、非线性统计-动力反演建模分析PM2.5浓度变化的动力学驱动及其演化特征,以及基于灰色关联模型分析PM2.5浓度变化驱动因素的时空动态演化等方面具有较好创新性,对PM2.5浓度变化的驱动影响机理研究带来新的思路与方法。
何甜[10](2016)在《长株潭城市群污染空间更新利用研究》文中指出污染空间是城市发展进程中伴随着工业化和人口集聚引发的大量废水、废气、废渣的排放,不断累积而成。一方面,污染空间对城市环境与生态、城市居民的身体健康与人居安全构成了巨大威胁;另一方面,良好的地理区位也使得污染空间再开发在新一轮城市发展中潜藏着巨大的经济效益和社会价值。污染空间更新利用逐渐引起人们的重视。国际上对污染空间更新利用的研究始于"棕地"再开发,西方国家对工业革命后遗留的污染场地和废弃地的再利用问题进行了广泛探索,形成了一套较有借鉴意义的研究理论、开发模式、政策法规和规划案例;国内对这一问题的重视较晚,理论介绍和政策呼吁较多,系统的面向空间规划与调控的污染空间更新利用理论和技术尚处空缺。基于此,本文以曾经是新中国建立之初的老工业基地—长株潭城市群为例,从污染空间识别入手,探究污染空间分布规律和形成原因,污染空间与城市群主体空间关系,污染空间更新利用的风险和效益,污染空间更新利用模式和规划技术等,形成一套综合研究技术路线。并最终依据这套技术路线设计出基于污染空间更新利用的长株潭城市群空间优化方案。文章的主要研究内容和结论如下:(1)通过从长沙、株洲、湘潭三市各环境监测站获取的大气污染监测数据、水体污染监测数据和土壤污染监测数据,运用GIS空间分析软件对长株潭城市群核心区的污染空间进行识别。结论为:长株潭城市群大气主要污染物为可吸入颗粒物和二氧化硫,重点污染区域在长沙、株洲、湘潭三市主城区,呈点状分布;长株潭水域整体水质基本达标,水体环境污染以氨氮和各-类重金属为主,有明显的季节变化规律;长株潭城市群土壤污染较为严重,以株洲市的石峰区为代表,以镉污染最为严重;综合污染空间主要集中在三个节点城市的中心位置,其中株洲市的污染空间范围较大,且集中连片,长沙和湘潭有分散的污染斑块。(2)借鉴景观生态学的分析理论与方法,从空间规模结构与空间分布格局差异性两个方面来构建污染空间与城市群主体空间关系测度指数,分析长株潭城市群的空间污染效应。结论为:长株潭城市群的空间关系格局呈现明显的城乡梯度变化规律,开发强度、建设紧凑度中心城区显着高于外围县域,生态破碎度由中心城区向外围县域递减,生态供给能力则由中心城区向外围县域递增。三市市区尤其中心城区的空间污染强化效应较大,且有集中连片趋势;空间污染净化能力则由外围县域向中心城区逐步减弱趋势,中心城区内部空间污染净化能力最小。(3)基于生命周期理论,从政策法律风险、经济风险、组织风险、污染风险、技术风险等一系列在城市群污染空间更新利用过程中有可能出现的风险出发,构建污染空间更新利用综合风险评估指标体系,运用多层次灰色聚类法对长株潭城市群各类污染空间更新利用的综合风险进行评价。结论为:长株潭城市群污染空间更新利用的整体风险处于中等水平,不同污染程度的污染空间风险值略有差异,但差值不大。"两型社会"综合改革试验区的设立促进了长株潭城市群重视环境保护、污染治理等,降低了综合风险;但跨行政区的污染修复和更新利用增加了行政沟通和跨区域统筹协调,使得综合风险增加。(4)从环境效益、资源效益、经济效益、社会效益和投资效益等多角度构建污染空间更新利用综合效益评估指标体系,运用组合权法的多层次灰色评价法对不同的更新利用方式进行效益评价。结论显示:综合效益的排序为商业用地>绿色用地>工业用地>生活用地,在污染土地可修复、可使用的前提下,商业用地具有紧凑度高、经济价值高、能带动城市活力等优势,是最优开发方案。但大部分污染土地的修复难度大、周期长,暂时不具备建设用地开发条件,变更为绿色用地是最实际、最具短期操作性的开发方案。(5)综合前述研究成果,运用污染程度指数、污染效应指数、经济社会指数、风险指数、效益指数等,构建污染空间更新利用判定公式并制定分类标准,从宏观角度给出不同类型的区域单元污染空间更新利用的模式。进一步梳理总结污染空间土地功能置换方法与迁移距离标准、土地利用结构调整和空间布局调整技术,并针对长株潭城市群这个具体案例设计出一套基于污染空间更新利用视角下的空间优化方案。方案重点解决已识别出的污染空间修复整治和搬迁改造的问题,如何进行土地利用结构调整和空间布局优化以减少污染空间生成和城市群污染蔓延与相互干扰的问题,并从加强区域联系和城市群统筹协调角度合理进行空间重组和功能分区。
二、保山市大气监测点位模糊聚类优化(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、保山市大气监测点位模糊聚类优化(论文提纲范文)
(1)内蒙古乌海及周边地区粉尘浓度分布及其影响因素(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 粉尘监测研究进展 |
1.2.2 粉尘影响因素研究进展 |
1.3 研究内容 |
1.4 技术路线 |
2 研究区概况 |
2.1 自然位置概况 |
2.2 地貌概况 |
2.3 气候特征 |
2.4 资源概况 |
2.5 空气污染状况 |
3 研究方法 |
3.1 气溶胶光学厚度 |
3.2 流动监测法取样 |
3.3 粉尘浓度插值 |
3.4 土地利用分类 |
3.5 数据分析方法 |
3.5.1 相关性分析 |
3.5.2 灰色关联度分析 |
3.5.3 模糊综合评判分析 |
4、数据源及预处理 |
4.1 数据源 |
4.1.1 MODIS数据源 |
4.1.2 Landsat8数据源 |
4.2 数据预处理 |
4.2.1 乌海土地利用分类 |
4.2.2 粉尘浓度插值 |
5、研究区粉尘浓度分布情况 |
5.1 乌海市及周边地区粉尘浓度分布 |
5.2 乌海市粉尘浓度分布 |
5.2.1 不同粒径粉尘浓度分布 |
5.2.2 不同粒径粉尘组成分布 |
5.3 典型矿区影响范围 |
6、粉尘颗粒物影响因素 |
6.1 粉尘浓度关系与土地利用类型 |
6.2 粉尘浓度与气象地形因子关系 |
7、粉尘危害影响分区 |
7.1 粗颗粒粉尘影响分区 |
7.2 细颗粒粉尘影响分区 |
7.3 综合粉尘影响分区 |
8、结论与展望 |
8.1 结论 |
8.2 不足与展望 |
参考文献 |
张明浩自我介绍 |
导师介绍 |
致谢 |
(2)天津大气污染物数据分析与可视化方法研究(论文提纲范文)
内容摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及选题意义 |
1.2 研究思路和内容 |
1.2.1 研究思路 |
1.2.2 研究内容 |
1.2.3 研究的重点和难点 |
1.3 技术路线 |
1.4 本文的创新点 |
第2章 相关理论与文献综述 |
2.1 大气污染物水平研究述评 |
2.2 数据清洗方法的研究述评 |
2.3 数据聚类分析的研究述评 |
2.4 数据可视化研究述评 |
2.5 本章小结 |
第3章 数据清洗方法的研究 |
3.1 结构化数据检测方法 |
3.2 结构化数据清洗的评价指标 |
3.3 数据噪声的检测 |
3.4 数据噪声的修复 |
3.5 本章小结 |
第4章 污染物浓度变化规律与回归分析研究 |
4.1 空气质量实时监测点位分布及数据处理 |
4.1.1 天津市监测点位地理分布概况 |
4.1.2 数据处理 |
4.2 天津市污染物浓度日变化规律 |
4.2.1 浓度统计 |
4.2.2 浓度分析 |
4.3 天津市污染物浓度月变化规律 |
4.3.1 浓度统计 |
4.3.2 浓度分析 |
4.4 污染物浓度回归分析 |
4.4.1 线性回归分析与相关关系 |
4.4.2 污染物质量浓度的相关性分析 |
4.5 本章小结 |
第5章 基于聚类的大气污染物浓度数据分析 |
5.1 层次聚类分析算法 |
5.1.1 层次聚类算法原理 |
5.1.2 天津市气态污染物层次聚类分析 |
5.1.3 天津市固态污染物层次聚类分析 |
5.2 K均值聚类算法 |
5.2.1 K均值聚类算法原理 |
5.2.2 天津市气态污染物K均值聚类分析 |
5.2.3 天津市固态污染物K均值聚类分析 |
5.3 本章小结 |
第6章 基于网格插值的污染物浓度研究 |
6.1 AQI的计算方法与污染级别划分 |
6.2 天津市行政区域划分及网格处理 |
6.3 网格数据的插值处理 |
6.3.1 径向基插值算法理论 |
6.3.2 时间序列趋势对径向基结果的修正处理 |
6.4 本章小结 |
第7章 大气污染物可视化方法研究 |
7.1 三维空间实体的定义和分类 |
7.2 三维空间数据模型 |
7.3 三维空间数据的构造 |
7.4 污染物浓度高程数据的构造 |
7.4.1 SIFT算法简介 |
7.4.2 SURF算法原理 |
7.5 污染物浓度三维可视化实现 |
7.6 本章小结 |
第8章 研究结论与展望 |
8.1 主要研究成果和结论 |
8.2 研究不足 |
8.3 研究展望 |
附录 |
参考文献 |
在学期间发表的学术论文与研究成果 |
后记 |
(3)太原市大气污染对人体健康的影响研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外文献综述 |
1.2.1 国外研究进展 |
1.2.2 国内研究进展 |
1.2.3 文献评述 |
1.3 研究内容与方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.4 论文创新点 |
1.5 论文的基本结构 |
第2章 相关概念及理论基础 |
2.1 相关概念 |
2.1.1 相对危险度 |
2.1.2 暴露反应关系 |
2.1.3 健康效应评价 |
2.2 理论基础 |
2.2.1 可持续发展理论 |
2.2.2 环境经济学理论 |
2.2.3 环境流行病学 |
2.2.4 环境毒理学 |
第3章 研究区域概况 |
3.1 自然概况 |
3.1.1 地理位置 |
3.1.2 地形地貌 |
3.1.3 气候特征 |
3.1.4 自然资源 |
3.2 社会概况 |
3.2.1 行政区划 |
3.2.2 交通条件 |
3.2.3 人口数量 |
3.2.4 医疗卫生 |
3.3 经济概况 |
3.4 生态环境概况 |
3.4.1 水污染概况 |
3.4.2 大气污染概况 |
3.4.3 固体废弃物概况 |
第4章 太原市大气环境质量时空分布特征 |
4.1 国家环境质量标准 |
4.2 太原市空气质量监测点分布 |
4.3 太原市区大气污染物的时间分布特征 |
4.3.1 大气污染物年际变化特征 |
4.3.2 大气污染物浓度季度变化特征 |
4.4 太原市大气污染物的空间分布特征 |
4.4.1 大气污染物年际空间分布特征 |
4.4.2 大气污染物季度空间分布特征 |
4.5 小结 |
第5章 太原市区大气污染健康效应评价 |
5.1 评价方法 |
5.1.1 泊松回归模型 |
5.1.2 Meta分析 |
5.1.3 基线健康资料、参考浓度的选取 |
5.2 评价参数获取 |
5.3 评价结果与分析 |
5.3.1 大气污染对非意外死亡人数的影响 |
5.3.2 大气污染对心血管疾病和呼吸疾病死亡人数的影响 |
5.4 太原市与我国代表城市健康效应对比 |
5.4.1 大气污染对非意外死亡人数的影响对比 |
5.4.2 大气污染对心血管疾病和呼吸疾病死亡人数的影响对比 |
5.5 小结 |
第6章 改善太原市环境空气质量对策 |
6.1 推进结构性改革 |
6.2 调整工业布局 |
6.3 推进燃料结构调整 |
6.4 减少机动车尾气排放 |
6.5 加强扬尘污染治理 |
6.6 加强环境执法 |
6.7 提高精细化环境管理水平 |
6.8 加强区域污染联动治理 |
第7章 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的论文和其他科研情况 |
(4)沈阳市沈河区空气环境质量现状及变化趋势研究(论文提纲范文)
摘要 |
Abstract |
第一章 前言 |
1.1 选题背景及选题意义 |
1.2 国内外研究综述 |
1.2.1 国外研究综述 |
1.2.2 国内研究综述 |
1.3 研究内容及技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
第二章 研究区域概况 |
2.1 自然环境概况 |
2.1.1 地理位置 |
2.1.2 地形地貌 |
2.1.3 气候特点 |
2.2 社会经济概况 |
2.2.1 社会人文概况 |
2.2.2 社会环境概况 |
第三章 2014年-2016年沈河区空气环境质量状况 |
3.1 数据来源及评价方法 |
3.1.1 数据来源及监测点位布设 |
3.1.2 评价标准 |
3.1.3 评价方法 |
3.2 沈河区空气环境质量状况分析 |
3.2.1 2014年沈河区空气环境质量状况 |
3.2.2 2015年沈河区空气环境质量状况 |
3.2.3 2016年沈河区空气环境质量状况 |
3.3 沈河区空气环境质量年际变化状况 |
3.3.1 空气环境质量监测结果 |
3.3.2 空气环境中主要污染物年际变化趋势 |
3.3.3 空气环境质量综合指数评价 |
3.3.4 空气环境质量污染特征 |
3.3.5 采暖期、非采暖期变化特征 |
第四章 结论 |
4.1 结论 |
4.2 对策 |
参考文献 |
致谢 |
(5)大连市大气中SO2、NO2、PM2.5和PM10分布状态及影响因素的研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景 |
1.1.1 大气污染概述 |
1.1.2 主要大气污染物及危害 |
1.2 研究意义 |
1.3 国内外研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
第2章 研究区概况及大气污染物监测方法和评价标准 |
2.1 研究区概况 |
2.1.1 地理位置和地址地貌 |
2.1.2 气候特征 |
2.1.3 行政区划及人口分布 |
2.1.4 产业结构与社会经济 |
2.1.5 能源结构 |
2.1.6 机动车保有量 |
2.2 大气中SO_2、NO_2、PM_(10)及PM_(2.5)的监测方法 |
2.2.1 大气中SO_2的监测方法 |
2.2.2 大气中NO_2的监测方法 |
2.2.3 大气中PM_(10)和PM_(2.5)的监测方法 |
2.3 大连市SO_2、NO_2、 PM_(10)、 PM_(2.5)的监测 |
第3章 大连市大气中SO_2、NO_2、PM_(2.5)及PM_(10)变化规律 |
3.1 大气中SO_2的变化规律 |
3.2 大气中NO_2的变化规律 |
3.3 大气中PM_(10)、PM_(2.5)的变化规律 |
3.4 SO_2、NO_2、PM10及PM_(2.5)的相关性分析 |
3.5 小结 |
第4章 重污染天气案例解析 |
4.1 2015年重污染天气案例解析 |
4.2 2016年重污染天气案例解析 |
4.3 小结 |
第5章 大气污染治理对策 |
5.1 调整能源消费结构 |
5.2 控制工业源废气污染 |
5.3 控制机动车排放污染 |
5.4 完善空气质量预报预警 |
结论 |
参考文献 |
致谢 |
(6)大气质量评价模型和监测点位优化研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 研究现状 |
1.3.1 大气质量综合评价 |
1.3.2 监测网络研究现状 |
1.4 本文的研究内容 |
2 基础理论与研究方法 |
2.1 大气质量评价 |
2.1.1 大气质量评价的本质和特点 |
2.1.2 大气质量评价方法 |
2.2 大气监测点位优化 |
2.2.1 大气质量监测的目的 |
2.2.2 点位优化的基本原则 |
2.2.3 点位优化方法 |
2.3 本章小结 |
3 西安市大气质量现状分析 |
3.1 数据来源 |
3.2 西安市大气污染物时间分布特征 |
3.2.1 时间分布特征 |
3.2.2 空间分布特征 |
3.3 西安市大气质量现状评价 |
3.3.1 评价因子的优化 |
3.3.2 评价标准的分析 |
3.3.3 模糊综合评价法 |
3.3.4 加权灰色关联分析法 |
3.4 西安市大气质量影响因素分析 |
3.5 本章小结 |
4 西安市大气监测点位优化模型研究 |
4.1 西安市大气监测网络现状分析 |
4.2 西安市大气监测网络优化布点方法的总体框架 |
4.3 多目标优化分析方法 |
4.4 多目标优化算法在西安市大气监测布点优化中的应用 |
4.4.1 目标函数 |
4.4.2 约束条件 |
4.4.3 模型建立 |
4.4.4 参数设置 |
4.4.5 背景站的设置 |
4.4.6 模型求解及结果分析 |
4.5 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 展望 |
致谢 |
参考文献 |
附录 |
(7)基于空气质量数据解析“十二五”期间高平市空气污染特征及其影响因素(论文提纲范文)
中文摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 大气污染物多时间尺度污染特征研究现状 |
1.2.2 大气环境质量评价方法研究现状 |
1.2.3 大气污染与气象要素的相关性研究现状 |
1.2.4 大气污染物相关性研究 |
1.3 研究内容 |
1.4 技术路线 |
第二章 高平市大气环境背景特征及数据来源与处理 |
2.1 高平市大气环境背景特征 |
2.1.1 高平市自然环境特征 |
2.1.2 高平市社会经济发展概况 |
2.2 数据来源 |
2.3 数据处理与分析 |
第三章 高平市大气污染的时间变化特征 |
3.1 高平市主要大气污染物浓度日变化特征 |
3.2 高平市主要大气污染物浓度逐月变化特征 |
3.3 高平市主要大气污染物浓度季节与年际变化特征 |
3.4 本章小结 |
第四章 高平市大气质量评价 |
4.1 高平市大气环境质量评价标准 |
4.2 高平市大气环境质量评价程序及方法 |
4.2.1 AQI评价方法介绍 |
4.2.2 AQI计算方法 |
4.3 高平市空气环境质量变化特征 |
4.3.1 高平市空气质量年际变化特征 |
4.3.2 高平市空气质量月变化特征 |
4.3.3 高平市空气质量季变化特征 |
4.4 高平市大气环境中污染物分析 |
4.5 本章小结 |
第五章 空气质量与气象要素相关性分析 |
5.1 气温与AQI的相关性 |
5.2 风与AQI的相关性 |
5.3 降水量与AQI的相关性 |
5.4 气压与AQI的相关性 |
5.5 相对湿度与AQI的相关性 |
5.6 本章小结 |
第六章 大气污染物浓度的相关性分析 |
6.1 颗粒物浓度的相关性分析 |
6.2 气态污染物浓度的相关性分析 |
6.3 颗粒物与气态污染物浓度的相关性分析 |
6.4 本章小结 |
第七章 结论 |
7.1 结果 |
7.2 创新 |
7.3 不足与展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
个人简况及联系方式 |
(8)兰州新区环境空气质量监测布点方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 引言 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 空气质量监测的国内外发展现状 |
1.2.2 空气质量监测点位布设的研究现状 |
1.3 研究内容 |
第二章 监测布点的原则、要求及程序 |
2.1 监测布点的基本原则 |
2.2 监测布点的要求 |
2.2.1 监测点类别 |
2.2.2 监测点布设要求 |
2.3 监测布点方法 |
2.3.1 监测布点方法介绍 |
2.3.2 监测布点方法的选择 |
2.4 分析方法 |
2.5 监测布点程序 |
2.6 本章小结 |
第三章 兰州新区环境空气质量模拟 |
3.1 兰州新区概况 |
3.1.1 兰州新区基本情况 |
3.1.2 兰州新区污染气象特征 |
3.1.3 大气环境保护目标 |
3.2 气象场模拟 |
3.2.1 中尺度气象WRF模式简介 |
3.2.2 陆面过程参数化方案简介 |
3.2.3 资料、模式设计及分析方法 |
3.2.4 模拟结果分析 |
3.2.5 气象场模拟小结 |
3.3 空气质量模拟 |
3.3.1 CALPUFF空气质量模式简介 |
3.3.2 资料及模式设计 |
3.3.3 新区主要污染源 |
3.3.4 空气质量模拟结果 |
3.4 本章小结 |
第四章 空气质量监测点布设方案 |
4.1 综合评价浓度的建立 |
4.2 兰州新区监测方案的确定 |
4.2.1 监测点点位设置 |
4.2.2 布点方案 |
4.3 本章小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 本文特色 |
5.3 不足与展望 |
参考文献 |
在学期间的研究成果 |
致谢 |
(9)PM2.5浓度变化驱动机制研究 ——以长江三角洲为例(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景与意义 |
1.1.1 选题背景 |
1.1.2 选题意义 |
1.2 国内外研究进展 |
1.2.1 国外研究进展 |
1.2.2 国内研究进展 |
1.2.3 小结与讨论 |
1.3 研究内容与技术路线 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.3.3 研究技术路线 |
1.4 论文组织结构 |
第二章 多时段PM_(2.5)浓度变化对驱动因素的多尺度响应 |
2.1 数据来源与研究方法 |
2.1.1 数据来源 |
2.1.2 研究方法 |
2.1.3 变量预分析 |
2.2 杭州市多时段PM_(2.5)浓度变化对驱动因素的多尺度响应 |
2.2.1 不同时段PM_(2.5)与驱动因素的多尺度分析 |
2.2.2 多时段PM_(2.5)浓度变化对驱动因素的多尺度响应 |
2.3 南京市多时段PM_(2.5)浓度变化对驱动因素的多尺度响应 |
2.3.1 不同时段PM_(2.5)与驱动因素的多尺度分析 |
2.3.2 多时段PM_(2.5)浓度变化对驱动因素的多尺度响应 |
2.4 上海市多时段PM_(2.5)浓度变化对驱动因素的多尺度响应 |
2.4.1 不同时段PM_(2.5)与驱动因素的多尺度分析 |
2.4.2 多时段PM_(2.5)浓度变化对驱动因素的多尺度响应 |
2.5 长江三角洲PM_(2.5)浓度变化对驱动因素的多尺度响应空间分异 |
2.6 本章小结 |
第三章 驱动因素交互作用对PM_(2.5)浓度变化的影响 |
3.1 数据来源与研究方法 |
3.1.1 数据来源 |
3.1.2 研究方法 |
3.2 杭州市驱动因素交互作用对PM_(2.5)变化的影响 |
3.2.1 变量预分析 |
3.2.2 PM_(2.5)与单驱动因素的GAM模型分析 |
3.2.3 多驱动因素GAM模型分析与多重共线性诊断 |
3.2.4 PM_(2.5)浓度变化受多因素影响效应诊断与模型检验 |
3.2.5 驱动因素交互作用对PM_(2.5)浓度变化的影响 |
3.3 南京市驱动因素交互作用对PM_(2.5)变化的影响 |
3.3.1 变量预分析 |
3.3.2 PM_(2.5)与单驱动因素的GAM模型分析 |
3.3.3 多驱动因素GAM模型分析与多重共线性诊断 |
3.3.4 PM_(2.5)浓度变化受多因素影响效应诊断与模型检验 |
3.3.5 驱动因素交互作用对PM_(2.5)浓度变化的影响 |
3.4 上海市驱动因素交互作用对PM_(2.5)变化的影响 |
3.4.1 变量预分析 |
3.4.2 PM_(2.5)与单驱动因素的GAM模型分析 |
3.4.3 多驱动因素GAM模型分析与多重共线性诊断 |
3.4.4 PM_(2.5)浓度变化受多因素影响效应诊断与模型检验 |
3.4.5 驱动因素交互作用对PM_(2.5)浓度变化的影响 |
3.5 长江三角洲驱动因素交互作用对PM_(2.5)浓度变化影响的空间分异 |
3.6 本章小节 |
第四章 基于统计-动力反演分析PM_(2.5)浓度变化的动力演化特征 |
4.1 数据来源与研究方法 |
4.1.1 数据来源 |
4.1.2 研究方法 |
4.2 杭州市PM_(2.5)浓度变化的动力驱动反演 |
4.2.1 PM_(2.5)浓度变化的统计-动力反演建模 |
4.2.2 PM_(2.5)浓度变化动力系统的驱动因素分析 |
4.2.3 PM_(2.5)浓度变化动力系统的演化特征 |
4.3 南京市PM_(2.5)浓度变化的动力驱动反演 |
4.3.1 PM_(2.5)浓度变化的统计-动力反演建模 |
4.3.2 PM_(2.5)浓度变化动力系统的驱动因素分析 |
4.3.3 PM_(2.5)浓度变化动力系统的演化特征 |
4.4 上海市PM_(2.5)浓度变化的动力驱动反演 |
4.4.1 PM_(2.5)浓度变化的统计-动力反演建模 |
4.4.2 PM_(2.5)浓度变化动力系统的驱动因素分析 |
4.4.3 PM_(2.5)浓度变化动力系统的演化特征 |
4.5 长江三角洲PM_(2.5)浓度变化驱动演化的空间分异 |
4.6 本章小结 |
第五章 PM_(2.5)浓度变化驱动因素的时空动态演化 |
5.1 研究方法 |
5.1.1 熵值法确定权重系数 |
5.1.2 灰色关联分析法 |
5.1.3 灰色预测模型GM(1,N) |
5.2 数据来源与PM_(2.5)浓度变化驱动指标体系 |
5.2.1 数据来源 |
5.2.2 PM_(2.5)浓度变化驱动指标体系构建 |
5.3 长江三角洲PM_(2.5)浓度时空变化特征 |
5.4 2013年PM_(2.5)浓度与驱动因素关联度分析 |
5.4.1 指标权重系数计算与分析 |
5.4.2 关联系数和关联度计算与分析 |
5.4.3 PM_(2.5)与驱动指标层关联度的空间变化特征 |
5.4.4 PM_(2.5)与驱动因素的灰色预测模型GM(1,N)分析 |
5.5 2014年PM_(2.5)浓度与驱动因素关联度分析 |
5.5.1 指标权重系数计算与分析 |
5.5.2 关联系数和关联度计算与分析 |
5.5.3 PM_(2.5)与驱动指标层关联度的空间变化特征 |
5.5.4 PM_(2.5)与驱动因素的灰色预测模型GM(1,N)分析 |
5.6 长江三角洲PM_(2.5)浓度变化驱动因素的时空动态演化 |
5.7 本章小结 |
第六章 结论与展望 |
6.1 主要结论 |
6.2 主要创新点 |
6.3 不足与展望 |
参考文献 |
在读期间发表的学术论文及研究成果 |
致谢 |
(10)长株潭城市群污染空间更新利用研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与研究意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 概念界定 |
1.2.1 棕色地带 |
1.2.2 污染场地 |
1.2.3 污染空间 |
1.3 国内外研究述评 |
1.3.1 国外研究现状和借鉴 |
1.3.2 国内研究现状 |
1.3.3 国内外研究述评 |
1.4 研究内容与技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
1.5 本文创新点 |
2 长株潭城市群污染空间识别与分布 |
2.1 区域概况 |
2.1.1 地理区位与自然资源 |
2.1.2 产业结构与工业变迁 |
2.2 研究方法 |
2.2.1 克里格插值空间分析 |
2.2.2 大气污染综合指数评价 |
2.2.3 综合水质标识指数评价 |
2.2.4 土壤污染模糊综合评价法 |
2.2.5 土壤污染内梅罗综合指数评价法 |
2.3 数据来源 |
2.3.1 污染源空间数据采集与处理 |
2.3.2 面污染空间数据采集与处理 |
2.4 长株潭大气污染空间识别 |
2.5 长株潭水体污染空间识别 |
2.5.1 开展单因子水质标识指数评价 |
2.5.2 开展综合水质标识指数评价 |
2.6 长株潭土壤污染空间识别 |
2.6.1 土壤质量评价 |
2.6.2 土壤质量分级 |
2.6.3 土壤污染空间分布 |
2.7 长株潭综合污染空间识别 |
2.8 主要结论 |
3 污染空间与城市群主体空间的相互作用机理 |
3.1 城市群主体空间概念 |
3.2 长株潭城市群主体空间特征 |
3.2.1 建设空间演化特征 |
3.2.2 农业空间演化特征 |
3.2.3 生态空间演化特征 |
3.3 污染空间与城市群主体空间的内在关系分析 |
3.3.1 污染空间对城市群主体空间的负面效应 |
3.3.2 城市群主体空间的污染强化效应和修复作用 |
3.4 污染空间与城市群主体空间的相互作用机理 |
3.4.1 污染空间与主体空间规模结构的相互作用 |
3.4.2 污染空间与主体空间布局的相互作用 |
3.5 污染空间与城市群主体空间关系测度 |
3.5.1 数据来源与处理 |
3.5.2 规模结构测度指数及其空间污染效应表征 |
3.5.3 空间布局测度指数及其空间污染效应表征 |
3.5.4 空间污染效应综合指数 |
3.5.5 测度结果分析 |
3.6 主要结论 |
4 长株潭城市群污染空间更新利用的风险分析 |
4.1 生命周期理论概述 |
4.2 污染空间更新利用的生命周期阶段划分 |
4.2.1 确认准备阶段 |
4.2.2 控制治理阶段 |
4.2.3 维护监管阶段 |
4.3 污染空间更新利用各阶段的风险识别 |
4.3.1 确认准备阶段风险识别 |
4.3.2 控制治理阶段风险识别 |
4.3.3 维护监管阶段风险识别 |
4.4 污染空间更新利用综合风险评价 |
4.4.1 构建污染空间更新利用综合风险评价指标体系 |
4.4.2 运用层次分析法确定各指标权重 |
4.4.3 污染空间更新利用综合风险灰色评价 |
4.5 长株潭城市群污染空间更新利用综合风险分析 |
4.5.1 确定各指标权重 |
4.5.2 综合风险灰色评价 |
4.5.3 综合风险灰色评价结果分析与对策 |
5 长株潭城市群污染空间更新利用的效益分析 |
5.1 污染空间更新利用的效益分类 |
5.1.1 环境效益 |
5.1.2 资源效益 |
5.1.3 经济效益 |
5.1.4 社会效益 |
5.1.5 投资效益 |
5.2 污染空间更新利用的综合效益指标体系 |
5.2.1 指标体系构建 |
5.2.2 指标量化依据 |
5.3 基于组合权法的综合效益多层次灰色评价 |
5.3.1 确定评价指标集和指标层的最优指标集 |
5.3.2 计算指标间的灰色关联系数,确定评价矩阵 |
5.3.3 结合AHP和熵值确定评价指标的权重 |
5.4 长株潭城市群污染空间更新利用综合效益分析 |
5.5 结果评价 |
6 基于污染空间更新利用的长株潭城市群空间优化 |
6.1 污染空间更新利用的必要性分析 |
6.1.1 破坏城市生态环境 |
6.1.2 危及城市居民健康 |
6.1.3 阻碍城市发展道路 |
6.2 污染空间更新利用的可行性分析 |
6.2.1 政策资金的支持 |
6.2.2 更新利用的风险最小化 |
6.2.3 更新利用的效益最大化 |
6.3 污染空间更新利用的综合判定 |
6.3.1 判定公式的构建 |
6.3.2 判定指数分级 |
6.4 污染空间土地功能置换分析 |
6.4.1 土地功能置换与迁移标准 |
6.4.2 土地功能置换方法 |
6.5 城市群污染空间布局调整优化技术 |
6.5.1 卫星型布局优化技术 |
6.5.2 集中型布局优化技术 |
6.5.3 绿化系统分隔布局优化技术 |
6.6 污染空间土地利用结构与用地布局调整思路 |
6.6.1 土地利用结构调整思路 |
6.6.2 各类用地布局调整思路 |
6.7 基于污染空间更新利用的长株潭城市群空间优化方案 |
6.7.1 各行政单元污染空间更新利用的综合判定 |
6.7.2 重点片区治理和土地功能置换 |
6.7.3 基于污染空间更新利用的长株潭城市群空间布局优化 |
6.8 长株潭城市群污染空间更新利用的保障措施 |
6.8.1 切实加强领导,建立高效的工作机制 |
6.8.2 明确规划路径,制定污染空间更新利用编制体系 |
6.8.3 完善法规政策,严格环保执法机制 |
6.8.4 筹措治理资金,建立稳定的投入保障机制 |
6.8.5 坚持以人为本,完善居民补偿安置机制 |
6.8.6 强调公众参与,推进规划的编制和实施 |
6.8.7 重视动态监管,实行规划动态跟踪评估 |
7 结论与展望 |
7.1 主要结论 |
7.2 研究展望 |
参考文献 |
附录 |
个人简历 |
在读期间发表论文 |
在读期间合着着作 |
在读期间主持研究课题 |
在读期间参加科研项目 |
致谢 |
四、保山市大气监测点位模糊聚类优化(论文参考文献)
- [1]内蒙古乌海及周边地区粉尘浓度分布及其影响因素[D]. 张明浩. 北京林业大学, 2019(04)
- [2]天津大气污染物数据分析与可视化方法研究[D]. 吕青普. 天津财经大学, 2019(07)
- [3]太原市大气污染对人体健康的影响研究[D]. 孙欢. 山西财经大学, 2019(11)
- [4]沈阳市沈河区空气环境质量现状及变化趋势研究[D]. 李佳希. 沈阳农业大学, 2018(03)
- [5]大连市大气中SO2、NO2、PM2.5和PM10分布状态及影响因素的研究[D]. 刘进阳. 大连海事大学, 2018(05)
- [6]大气质量评价模型和监测点位优化研究[D]. 王陆平. 西安科技大学, 2017(01)
- [7]基于空气质量数据解析“十二五”期间高平市空气污染特征及其影响因素[D]. 冯媛媛. 山西大学, 2017(03)
- [8]兰州新区环境空气质量监测布点方法研究[D]. 赖锡柳. 兰州大学, 2017(03)
- [9]PM2.5浓度变化驱动机制研究 ——以长江三角洲为例[D]. 贺祥. 南京师范大学, 2017(01)
- [10]长株潭城市群污染空间更新利用研究[D]. 何甜. 湖南师范大学, 2016(01)