【我国环境空气污染预测研究的国内外文献综述2800字】

我国环境空气污染预测研究的国内外文献综述虽然我国环境空气污染方面的研究起步较晚，但研究范围广泛，研究颇有成效。我国众多学者在主要大气污染物时空分布、影响因素分析等诸多方面都有研究。1.1主要大气污染物大气污染物是指由于自然过程或人类活动而排放到大气中对并对人体或环境造成伤害的物质，其中人为排放源排放的大气污染物是造成空气污染的主要原因[3-5]。PM2.5、PM10、SO2、NO2、CO和O3作为主要大气污染物参与环境空气质量计算，是学者研究的重点。大气污染物可分为气态污染物和颗粒污染物，气态污染物是在常态、常压下以分子状态存在的污染物，包括CO、SO2、NO2、O3等；颗粒物污染物，又被称为气溶胶状态污染物，气溶胶是指悬浮在气体介质中的固态或液态颗粒所组成的气态分散系统，常见的有PM2.5、PM10。许多研究得出颗粒污染物对人体危害更为严重[6-8]。早期大气污染的研究主要集中在SO2、NO2、PM10等污染物，在新环境空气质量标准实施后，增加了对PM2.5、PM10等颗粒物的研究。兰秀娟主要研究“十一五”期间降尘、硫酸盐化速率、SO2、NO2等污染物的浓度变化，分析了其空间分布特征和时间变化趋势[9]；岳辉以武汉市为研究对象，分析其区域PM10浓度的空间分布特征及其影响因素[10]。这二者的研究是在2013年新环境空气质量标准实施前。阮武忠孝通过连续监测南京市中心南京大学鼓楼校区某栋学生公寓室外的O3和PM2.5的浓度，分析其对人体健康的影响[11]；娄彩荣阐述了长三角核心区PM2.5浓度的时空变化规律，分析PM2.5变化和积累特点，研究人类活动对区域污染PM2.5的决定性作用[12]。整体来说对PM2.5、PM10、SO2、NO2、CO和O3这六项大气污染物全部进行研究探讨的文章较少。1.2主要大气污染物时空变化特征的相关研究对大气污染物时空变化特征研究有很多。在时间维度，大多分析的是不同年份、不同季节的变化，据此来研究不同政策、气象条件等因素对污染物变化的影响。在空间维度，大多研究的是一个城市群或邻近地区之间的空间耦合性，或者同一城市不同区域大气污染物的变化特征。程雪雁等[13]，许刚等[14]，彭玏[15]，吕莹[16]简单分析了不同时间大气污染物的变化特征。而且在一些特殊活动举办时，其大气污染物变化也比较明显。例如么相姝，金如委通过时间序列分析法和最优空间插值法研究2017年全运会期间天津市大气污染时空变化特征[17]；FuShuke等收集2019年举办过重大国际活动的几个城市的日均空气质量指数和相关污染物浓度数据，研究临时政府措施对环境质量的改善[18]。所以，关于时间变化特征的研究大多是对单个或几个主要大气污染物进行逐日、逐月、逐年的分析，少数论文研究方向是特殊事件发生时某个大气污染物的变化，对于时间变化特征的研究还可以更加具体和深入，在分析过程中可以进行其他方面的延展。目前我国对空气污染物的研究已不仅仅是简单分析其时空变化特征，还更多的考虑到区域协同污染治理方面的问题，从多种角度分析大气污染物，并为其治理提供依据。胡亮根据2013-2016兰州市大气污染物小时浓度数据，分析6种大气污染物在日变化的各种特征，还研究了城市和郊区的差异，采用PSCF方法和CWT方法确定了污染物的来源[19]。葛难难结合南京及其周边城市的地理分布情况，利用相关数据，采用灰色关联度方法，探究大气污染物数据之间的关联性，对其相关性进行评估[20]。孙航通过京津冀地区与长三角城市群的大气污染物时空变化对比，研究两个地区大气污染影响因素的异同[21]。总体上对大气污染物空间变化特征分析研究维度较多，各种研究是较为全面的。1.3预测方法的相关研究环境预测是为了制定环境择优决策而采取的行动，旨在提升环境管理科学性与有效制定环境规划。目前对于环境预测方法的研究大多采用应用数学模型方法，其中预测城市大气污染物浓度主要是以污染物排放量为基础进行的。主要包括多元统计分析、灰色预测、神经网络预测和模糊识别等预测方法[22]。灰色预测模型,其本质就是指数预测模型，其中使用最为频繁的是GM(1,1)模型。GM(1,1)模型是由包括一个单变量的一阶微分方程构成，它是参数随时间做一阶变化，利用公式对参数进行拟合和预测,以揭示其变化规律和未来发展趋势[23]。GM模型操作简便、程序简洁、算法清晰、结果准确，在众多领域的预测工作中使用频繁。杨俊峰将重庆市主城区房价的历史均价作为灰色序列，利用GM模型对未来重庆市主城区房价进行预测，并对新陈代谢GM模型与常规GM模型得出的预测结果进行对比，得出新陈代谢GM模型预测结果更精准有效[24]。GM模型在旅游游客流量[25]、轨道交通网络系统[26]等方面的预测上也有涉及。在大气浓度预测方面，吴优[27]、武文琪[28]分别利用GM模型对重庆市、成都市的大气污染物浓度进行了分析及预测研究，并得出理想的结果。基于模型对污染物浓度水平进行预测，探讨未来污染物浓度是否符合预期，对后续大气污染治理研究提供些思路，这是其意义所在。本论文基于大气污染防治背景，吸取之前研究的经验与不足，分析北京市PM2.5、PM10、SO2、NO2、CO和O3这6个主要大气污染物的时空变化特征，在分析过程中对污染状况、首要污染物、超标天数等变化状况进行延展，最后采用GM模型进行预测研究，为北京市大气污染的进一步治理提供参考。参考文献[1]北京市环境保护局.《2013年北京市环境状况公报》.2014.[2]北京市人民政府.《北京市打赢蓝天保卫战三年行动计划》.2018.[3]刘杰.北京大气污染物时空变化规律及评价预测模型研究[D].北京:北京科技大学,2019[4]杨帆.长治市环境空气中挥发性有机物特征及来源研究[D].北京:华北电力大学,2019.[5]李经纬.大庆市环境空气质量现状分析和大气颗粒物来源解析[D].哈尔滨:哈尔滨工业大学,2018.[6]王鑫.安徽省大气中挥发性有机物污染特征、来源解析及健康风险评价[D].合肥:中国科学技术大学,2020.[7]张博信.石家庄大气细颗粒物污染特征及来源解析[D].石家庄:河北科技大学,2019.[8]刘杰.北京大气污染物时空变化规律及评价预测模型研究[D].北京:北京科技大学,2015.[9]兰秀娟.包头市空气环境质量特征分析及污染防治措施研究[D].呼和浩特:内蒙古大学,2011.[10]岳辉.武汉市大气PM10浓度空间分布特征及其影响因素研究[D].武汉:华中农业大学,2012.[11]娄彩荣.长三角核心区PM2.5多尺度时空特征及其影响机制研究[D].南京:南京师范大学,2018.[12]阮武忠孝.南京市臭氧和PM2.5浓度的变化特征及其室内外比例关系研究[D].南京:南京大学,2016.[13]程雪雁,朱磊,周艺萱.2015—2018年京津冀城市群空气污染时空变化特征[J].北京:北京师范大学学报(自然科学版),2019,55(04):523-531.[14]许刚,焦利民,赵素丽等.1990—2014年武汉市空气质量时空变化[J].环境工程,2016,34(04):80-85.[15]彭玏.京津冀城市大气污染传输通道区2000—2015年PM2.5时空格局研究[D].北京:北京林业大学,2019.[16]吕莹.哈尔滨市近6年环境空气质量及变化趋势研究[D].哈尔滨:黑龙江大学,2019.[17]么相姝,金如委.全运会期间天津市大气污染物时空变化特征[J].环境科学与技术,2018,41(09):110-116.[18]FuShuke,MaZhuo,PengJiachao."Politicalbluesky"infogandhazegovernance:evidencefromthelocalmajorinternationaleventsinChin.2020[19]胡亮.兰州空气污染时空变化特征及颗粒物外来源初探[D].兰州:兰州大学,2017.[20]葛难难.城市空气污染物的时空相关性研究[D].桂林:广西师范大学,2019.[21]孙航.京津冀与长三角城市群大气污染时空特征及影响因素对比研究[D].兰州:兰州财经大学,2019.[22]刘银超.基于BP神经网络和随机森林的空气污染物浓度预测研究[D].秦皇岛:燕山大学,2017.[23]尹连生,白玉皎.GM(1,1)模型建模条件及模型改造[C].中国土地学会.中国土地学会首届青年学术年会论