城市大气颗粒物(PM10)源解析与浓度预测及气象因素影响研究

摘要

大气颗粒物对全球气候、城市能见度及人体健康都有非常重要的影响,尤其对人体健康的危害更大。越来越多的流行病学研究结果表明,颗粒物短期和长期暴露浓度与呼吸系统疾病、心血管病的发病率及死亡率有很强的相关性。随着工业化和城市化的快速发展,我国城市大气污染恶化,颗粒物仍是影响城市空气质量的首要污染物。研究城市大气颗粒物污染来源及其影响因素对制定合理有效的污染控制策略有着非常重要的意义。
　　 本文以长沙市为例进行研究,2008年7月、10月分别采集大气PM10样本,并利用波长色散X射线荧光光谱仪(WD-XRF)分析其化学组分,根据PM10质量浓度及其中16中主要化学元素(Na、Mg、Al、Si、P、S、Cl、K、Ca、Ti、Mn、Ni、Cu、Zn、Pb和Fe)浓度特征,利用主成分分析法(PCA)对PM10进行源解析。其次,根据实时监测所得2008年全年PM10浓度与气象数据具体分析气象条件对PM10浓度变化的影响。最后基于PM10浓度与污染散发源强及气象因素关系,运用人工神经网络方法建立PM10小时平均浓度预测模型。
　　 本研究得到以下主要结果:①源解析结果说明长沙市郊区大气颗粒物污染主要受本地土壤扬尘源与远程传输燃煤和二次颗粒物源影响,且气象参数对土壤扬尘源与燃煤和二次颗粒物源的影响作用完全不同。本地土壤扬尘源主要受温度影响,而远程传输的燃煤和二次颗粒物源主要受西北风控制。②大气颗粒物浓度不仅受污染源强控制,而且很大程度上取决于气象条件的变化。气象条件中影响颗粒物扩散能力的两个重要参数——混合层高度和风速对颗粒物浓度影响很大。混合层高度和风速与PM10浓度呈显著负相关,较低的混合层高度与较小的风速将导致PM10高污染事件。③根据PM10浓度与污染源强及气象参数间的影响关系,运用人工神经网络模型可以很好地预测PM10浓度。神经网络模型较传统的多元线性回归模型预测结果更好,所建立预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10浓度的预测也较为准确。

目录

文摘

英文文摘

第一章 绪论

1.1 研究背景

1.1.1 大气颗粒物概述

1.1.2 大气颗粒物对全球气候的影响

1.1.3 大气颗粒物对城市能见度的影响

1.1.4 大气颗粒物对人体健康的影响

1.2 国内外研究现状

1.2.1 颗粒物源解析研究

1.2.2 气象因素影响研究

1.2.3 大气颗粒物浓度预测

1.3 本文研究意义与研究内容

第二章 实验与数据分析方法

2.1 实验

2.1.1 实验地点

2.1.2 样本采集

2.1.3 化学组分分析

2.2 数据选取与分析方法

2.2.1 数据选取

2.2.2 基本分析方法

第三章 城市大气颗粒物污染源解析

3.1 源解析方法

3.2 颗粒物浓度及其化学组分特征

3.3 颗粒物源解析

3.3.1 颗粒物源辨识

3.3.2 颗粒物源贡献

3.3.3 颗粒物源谱

3.4 气象因素对颗粒物源的影响

3.4.1 颗粒物源与气象参数相关性

3.3.2 本地源与远程传输源影响

3.4 本章小结

第四章 大气颗粒物浓度水平与气象影响分析

4.1 大气混合层高度

4.2 颗粒物污染浓度水平

4.3 气象条件对颗粒物污染影响重要性

4.3.1 四季气象对颗粒物污染影响

4.3.2 不同程度污染背景气象影响

4.4 重污染事件气象分析

4.5 本章小结

第五章 大气颗粒物污染浓度预测

5.1 BP人工神经网络模型

5.2 模型的建立与训练

5.2.1 数据选择与预处理

5.2.2 神经网络的建立及训练

5.2.3 多元线性回归模型

5.3 结果分析

5.3.1 与多元线性回归结果比较

5.3.2 人工神经网络模型结果分析

5.4 本章小结

第六章 结论与展望

6.1 主要结论

6.2 研究展望

参考文献

致谢

攻读硕士学位期间发表的论文及参与的科研项目