论文部分内容阅读
本文利用1998—2004年西安市区SO2、NO2、PM10浓度资料,分析了空气污染物的时空分布特征;利用同期的地面气象要素和天气图等资料重点分析了逆温、沙尘天气以及降水等对空气污染的影响,探讨了污染物浓度变化的成因,在此基础上利用逐步回归统计方法和基于主成分的人工神经网络方法建立了不同季节PM10的浓度预报模型,并对这两种预报模型进行了比较研究。结果表明: (1)西安市区污染物浓度的总趋势是逐年递减;可吸入颗粒物PM10是首要污染物。冬、春季空气污染比夏、秋季严重,采暖期比非采暖期的污染严重。小寨商业区的SO2和NO2度较高,纺织城工业区的PM10浓度最高。 (2)风速大小和逆温强度与空气污染浓度的大小密切相关。当西安处于冷高压前部或强高压控制时空气质量较好;受变性高压或均压场等不利于污染物扩散的地面形势控制时,空气污染较重。 (3)受春季沙尘天气影响,PM101小时平均浓度可增加0.585 mg·m-3,月平均浓度可提高12.1%。微量的降雨(雪)会使空气污染加重,1mm以上的降雪和5mm以上降雨对气溶胶粒子有显著的清除作用。冬季1mm的降雪对SO2、NO2和PM10的清除能力分别是夏季降雨清除能力的4倍、3倍和3.78倍。 (4)春季PM10重度污染主要由外来源引起,PM10浓度日变化特征是急升急降,重度污染日前后气象要素变化剧烈。冬季PM10重度污染是在不利污染扩散的天气形势下,本地污染物经过逐渐积累后达到重度污染,PM10浓度变化缓慢,气象要素变化也比较平稳。 (5)运用线性逐步回归预报方程和基于主成分的人工神经网络模型两种方法对PM10浓度进行预报,结果表明后者在历史样本的拟合精度上和独立样本的检验结果上都明显优于前者。因此主成分神经网络预报模型通过浓缩信息,降维去噪可达到提高污染预报准确率的效果。