时空的空气质量和多个气象参数之间的关系在221年中国城市

文摘

空气质量在中国具有明显的时空差异,这直接关系到当地的气象条件。本研究使用的空气质量监测数据,即空气污染指数(API)和空气质量指数(AQI)在2005年至2018年之间,与气象数据和识别关键气象因素影响了空气质量的时空变异使用一个随机森林算法。空间和时间阈值的差异不同的气象影响因素的浓度点_2。5下午,₁₀,所以₂有限公司,没有₂阿,₃被确定。空气质量指数的优势促进索引值高于API。空气质量显示从2005年到2018年的改进。风向和降水是影响空气质量的最重要的气象因素在中国北部和南部,分别,这在一定程度上反映了原因和退化机制这两个地区的空气污染。有明显的时空差异的影响,气象因素对不同污染物的浓度。大气压力的影响在东部和西部之间的污染物浓度不同。降水量和相对湿度在大多数城市点上有着重要的影响_2。5和点₁₀。相对湿度的影响是最重要的₂它也有一个很大的影响₃,而风速没有很大的影响₂。这项研究的结果证实了空气质量和提供支持的气象敏感区域空气污染预防和控制项目的实施进度。

1。介绍

近年来,中国经历了大规模的工业化和城市化进程加快,但也付出了代价,环境污染,尤其是空气污染,特点是大规模霾(1- - - - - -4]。中国生态环境空气质量进行了长期监测。空气质量数据集表示为一个空气污染指数(API:在2012年之前)和空气质量指数(机能:2013年之后),它可以直观地评价空气质量状况。同时,制定和实施的“空气污染预防和控制行动计划”和区域(例如,京津冀、长江三角洲和珠江三角洲)联合预防和控制空气污染政策也证明中国政府的决心来控制空气污染。

空气质量不仅取决于污染物排放的浓度和数量,而且还在区域和当地的气象条件,确定空气污染物集中,稀释,或运输5,6]。研究人员调查了时空的空气污染与气象条件之间的关系,包括大气过程和机制影响污染物,个体的气象条件的影响和预测污染水平(7- - - - - -12]。大多数的研究都集中在城市和地区严重的空气污染问题和人口密集的地区,如北京(13- - - - - -15),长江三角洲(16,17)和加利福尼亚州(18,19],伊比利亚[20.)、伊朗(21,22),和米兰区域(23,24]。此外,研究人员发现了大规模的大气污染的时空特征及其与主要气象因素的关系(25,26]。现有的研究表明,气象条件有时间和空间的控制空气污染的影响(27- - - - - -29日]。与此同时,欧洲学者也研究了气象条件对污染物浓度的影响森林火灾后(30.- - - - - -32]。然而,气象因素的时空特征典型大气污染物的阈值是未知的。此外,长期的数据序列的一致性(如API和伊拉克基地组织)和污染物浓度的关系是不确定的。

随机森林模型、分类和预测模型,具有很高的运行效率和准确性为多维数据集特征分类和常被用来选择特性因素的重要性。随机森林模型已广泛应用于地理(33),环境科学34,生态35,36),和社会科学37]。异常值的模型有很强的宽容和噪音,和多个影响因素模型可以计算的同时获得准确和全面的信息。

因此,本研究的目标是(1)比较API的一致性和伊拉克基地组织数据,(2)识别的关键气象因素影响空气质量在不同的时间和空间条件下,和(3)气象因素对测量的影响的阈值通过一个典型的空气污染物浓度随机森林分类和空气质量和气象因素之间的回归分析在中国221个城市。结果可用于改善区域空气污染预报系统和发展共同预防和控制策略。

2。数据和方法

2.1。数据收集

2.1.1。空气污染数据

中国生态环境的中华人民共和国(http://www.mee.gov.cn/)提供了自2000年以来371个城市空气质量监测数据。API和机能是用来量化的空气质量。公开的API从2000年到2012年评估日常₂,没有₂下午,₁₀120个城市的污染水平。空气质量指数在2012年推出。最初,该指数被用来传达信息O等污染物的浓度₃、公司和点_2。5总体的特征,最能反映复合空气污染。然后,指数分类的表达水平调整,以更好地描述相应的影响空气污染物对人体健康的水平。此外,数据的时间精度提高(每小时)和计算周期更新(0-24 h)。最后,监测的范围扩大。现在的监控程序覆盖371个城市在中国。API和机能分类标准与空气质量标准(gb3095 - 1996和gb3095 - 2012)。

2.1.2。气象数据

气象数据来自中国国家气象科学数据中心,提供中国地面气候标准数据集(http://data.cma.cn/site/index.html)。这个数据集包含了日常的气压值,温度、降水、蒸发、相对湿度、风向(WD)和速度,阳光小时,地面温度(0厘米)在699年参考站和基本气象站1951年1月以来在中国。在这项研究中,意味着空气温度(T),意味着空气压力(美联社),平均相对湿度(RH),平均风速(WS),每日降水(P),和风向的六个关键气象因素被选为研究其空间和时间对空气质量的影响。比较气象因素对空气质量的季节性差异,本研究调查了春季(3月、4月和5月),夏季(6、7、8月),秋季(9月、10月和11月),和冬季(12月、1月和2月)。

2.1.3。情况下城市的选择

研究空气质量之间的关系和气象学、空气质量监测站和气象监测站选择精确的空间匹配。我们匹配的两个数据集从两种类型的车站和选择221例城市(图1和补充表1)。从这些城市,84年我们选择一个有效的日常机能和API作为研究对象,探索两者之间的相似点和不同点索引,在67个城市都有效的空气质量日报(AQI和API)和气象监测数据被选中来识别关键气象影响因素在不同的时空条件下空气质量。共有209个城市每天有效的污染物浓度和气象监测数据被选为研究对象来确定阈值影响的气象因素对典型的空气污染物的浓度。

2.2。随机森林

随机森林算法(RF)集成了多个树通过集成学习的概念。其基本单元是决策树。通过分类数据,它可以给每个变量的重要性分数据out-of-bag (OOB)观察和评估分类中的每个变量的作用。在这项研究中,气象因素的重要性API和伊拉克基地组织的价值观和典型的污染物浓度是量化使用随机森林模型探索API之间的关系,机能,污染物浓度和6个气象因素。

原始样本的数量N和变量x_我空气压力,温度、相对湿度、降水、风速和风向。引导方法应用于随机选择n放回新引导样品,样品没有选择每次构成nOOB。实现过程如下:(1)引导样品每棵树分类器形成的。与此同时,相应的OOB分类n引导样品基于投票的OOB分数,记录V₁,V₂、…V_n。(2)变量的样本x_我有一个nOOB值的顺序随机变化和形成新的OOB测试样品。然后他们被用于建立随机森林分类新样品根据正确的离散样本数量的每个样本投票得分。(3)与n引导样本,每个样本都有OOB分数V₁,V₂、…V_n-每个变量的得分后的随机变化nOOB样本。变量的重要性得分x_我确定后求和平均价值。重要性分数定义如下: 在哪里n_树树木的数量在随机森林算法。在这项研究中,n_树= 500,out-of-bag errOOB是错误,犯错是一个新的错误out-of-bag [38]。

本研究的模型参数如下:树木的数量= 500;数量的节点变量= 2;最小样本量的叶节点= 5;独立变量是六个气象因素(美联社,T, RH, P WS和WD);和因变量API、机能和污染物浓度。六个气象因素的重要性得分为例,随机森林的重要性评分过程变量在图说明2。

随机森林分类的重要性得分表示拟合的数量差异,是用来计算所有树木之间的预测精度的差异。这是标准化的标准偏差和均方误差被定义如下: 在哪里是反应的观测值的输出量的预测价值y_我(我= 1,2,…n)。

2.3。阈值的影响,气象因素对空气污染物浓度

在这项研究中,气象因素的影响阈值在典型的空气污染物的浓度是衡量计算部分气象因素和污染物浓度依赖关系。部分依赖关系的趋势是因变量(污染物浓度)来改变自变量(气象因素),考虑到计算的平均其他变量对因变量的影响。

绘制函数定义如下: 在哪里x是部分依赖的变量是寻求(气象因素)和x_集成电路其他变量的数据(其他气象因素)。被加数是预测回归和logit回归函数(即。、日志的一部分选票),分类如下: 在哪里K类的数量,k是类,p_j类选票的比例吗j(39]。

在冬季气象因素对点的影响_2。5集中在北京从2014年到2018年为例,测量影响阈值的过程中气象因素对典型空气污染物浓度可以说明。部分依赖气象因素和点之间的关系_2。5浓度进行了分析使用日常数据,部分依赖气象因素和点之间的阴谋_2。5浓度(图绘制的3)。PM_2。5浓度达到最大值时,空气压力为1011.47 hPa。在这项研究中,气象因素对应的最大污染物浓度在每个赛季209个城市计算来确定影响阈值的季节性气象因素对典型的空气污染物的浓度,和空间差异进行了进一步的分析。

2.4。技术路线图

提供一个清晰的概述的研究过程中,我们制作了一个详细的技术路线图(图4)。

3所示。结果

3.1。时空的API和伊拉克基地组织的比较分析

3.1.1。年际变化的API和机能

在这项研究中,API值在2005 - 2012年,伊拉克基地组织的值在2014 - 2018年中国84个城市的计算及其时空差异进行评估(图5)。北方城市的API和机能值普遍高于南部的城市,表明南方城市的空气质量是比北方城市(40]。特别是城市的API和伊拉克基地组织的价值观由钢铁和煤炭明显高于[29日]。年平均API和机能价值在兰州和秦皇岛是所有城市中最高的102.61和134.26,分别。这是密切相关[地形以及污染物的排放41,42]。相比之下,海口有最小的年平均API和伊拉克基地组织的价值观,这主要是由于城市发展的方向和气候条件。与年平均API的变化从2005年到2012年,该API在大多数北方城市表现出下降的趋势,大同有最大的下滑,从108.03下降到63.47。相比之下,API的波动在大多数城市在南方相对较小。在2014 - 2018年,在中国城市的空气质量指数趋势相似的API,以及空气质量有所改善。石家庄显示年均伊拉克基地组织最大的改进,从158.73下降到119.5。

3.1.2。季节性变化的API和机能

(图的API和机能表现出季节性特征6)。冬天平均API和伊拉克基地组织的价值观所选城市明显高于其他季节,最大值为78.99和103.51,分别。第二高值记录在春天,API和机能值平均为72.16和86.55,分别。最好的空气质量是在夏天,API和机能值平均为58.06和73.84,分别。季节性趋势在很大程度上依赖于冬季供暖期(煤为主)和当地气候特征(43]。冬天,最北部地区的混合层的高度相对较低,稳定天气导致污染物的不断积累和更少的比其他季节降水,从而增加空气污染事件的频率和严重程度44]。这些季节性差异非常明显的从空间的角度来看。冬天,北方城市的API和伊拉克基地组织的价值观是远远高于那些在东南沿海城市。除了直接的污染物来源,如工业排放,大气中水汽充足的东南沿海城市,和海盐气溶胶可以作为凝结核,增加湿沉积的频率,大大减少大气污染物的水平(45]。

3.2。API /机能和气象因素之间的关系

6个气象因素的影响的重要性,在API和机能在不同季节使用随机森林算法计算,并相应地进行了空间聚类。程度的气象因素对API和机能的影响有显著的空间差异。

3.2.1之上。API和气象因素之间的关系

API是最受风向影响和降水(图7)。然而,中国北方和南方之间存在着显著的空间差异。最重要的气象因素影响API值在北方城市风向,其次是降水。例如,风向的影响的重要性得分石嘴山市是0.28的API。风向有一个重要的角色在积累或污染物的扩散在北方(46- - - - - -48]。降水影响大的API南部城市,紧随其后的是风向;例如,福州的重要性得分是0.34。这表明,湿沉积的污染物是占主导地位的过程在南方城市49,50]。

当地有显著的空间差异的影响其他气象因素之间的季节。相对湿度影响API在全国各地。在高相对湿度、高点₁₀所以₂浓度进一步促进次级粒子的形成和加剧空气污染(29日]。在春季和夏季,风速最重要影响API在东南沿海地区。在秋天,沉淀在一些北方城市对API产生重大影响;例如,它的重要性在鞍山得分0.26。在冬天,风速在北部和东北部城市的重要性显著增加。

3.2.2。空气质量指数和气象因素之间的关系

的趋势的影响气象因素对空气质量指数符合API的南部和北部城市,即。,wind direction had the most significant influence on the AQI in northern cities, while precipitation was more significant in southern cities (Figure8)。然而,其他气象因素的影响空气质量指数只有符合这些API在秋天,还有一些其他季节的空间差异。在春天,风向有更大的影响空气质量指数比降水在北部和中部城市,使其成为最有影响力的气象因素。在夏天,风速比相对湿度更重要在大多数东部城市。降水是最重要的气象因子在北京,天津,大多数城市在长江的中下游。在冬天,风向的重要性在一些北方城市显著增加,而风速的重要性在长江中下游大于相对湿度。

3.3。污染物浓度与气象因素之间的关系

3.3.1。验证模型的准确性

之前测量的空间影响气象因素对典型的空气污染物浓度使用随机森林算法,验证了模型的准确性。在这项研究中,209个城市的气象监测数据从1月1日2014年1月19日,2019年,被用来预测6个空气污染物的浓度,比较估计与实际监测浓度。仿真结果表明,该系数确定的六个污染物浓度都超过0.79,毫无价值₂0.88。仿真表明,随机森林模型稳定,精度是可靠的(图9)。

3.3.2。空间格局的重要气象因素对污染物浓度的影响

随机森林算法用来计算6个气象因素的影响的重要性在不同的污染物浓度在不同季节和提供进一步的空间聚类:

(一)点之间的关系_2。5浓度和气象因素。在全国范围内,相对湿度和温度的影响点_2。5浓度是最重要的在中国中部和北部(图10)。在山西省,温度影响最大的点_2。5浓度在秋天;例如,太原的重要性得分是0.41。在河南省,相对湿度影响最大的点_2。5集中在春季和冬季。例如,相对湿度的影响的重要性得分点在春天_2。5在郑州浓度为0.42。高湿度是一个重要的条件支持大雾的发展,严重的空气污染。这是因为水蒸气能吸收污染物,作为凝结核心小水滴大,同时阻碍污染物滞留和核不扩散51,52]。对于中国南部和东部,风速影响最重要的点_2。5在大多数城市在春天浓度;例如,厦门的重要性得分是0.38。温度点上有一个巨大的影响_2。5集中在夏季;例如,梧州的重要性得分是0.37。在夏天高温可能影响点_2。5集中在这些地区,但在广东沿海地区,相对湿度影响最大的点_2。5浓度;例如,湛江的重要性得分是0.41。在秋季和冬季,相对湿度有很大影响_2。5浓度(52]。例如,重要性得分点的相对湿度的影响_2。5浓度在秋天在九江是0.39。中国东北,在点温度的影响最显著_2。5浓度在大多数城市在春天,夏天,秋天。例如,重要性得分点温度的影响_2。5在春天葫芦岛浓度为0.4。与此同时,在冬天,相对湿度的影响更重要;例如,在大连重要性评分为0.63。在中国西北部,温度是最重要的气象变量影响点_2。5集中在春季和秋季。例如,重要性得分点温度的影响_2。5浓度在克拉玛依在春天是0.48。相对湿度是最重要的气象变量影响点_2。5集中在夏季和冬季。例如,相对湿度的影响的重要性得分点_2。50.37浓度在夏天在西宁。在中国西南,气象因素对PM没有明显的影响_2。5浓度,而在其他地方,降水、温度和相对湿度的影响。在四川的东部,春天,秋天,冬天,降水对PM有巨大的影响力_2。5浓度。例如,降水的影响的重要性得分点_2。5浓度在绵阳冬天是0.34。

(b)点之间的关系₁₀浓度和气象因素。在全国范围内,降水和温度在中国中部和北部的多数城市有最显著的影响点₁₀浓度(图11)。在中国北方,温度影响最大的点₁₀集中在春天;例如,运城的重要性得分是0.4。在中国中部、降水影响最大的点₁₀浓度在秋天;例如,开封的重要性得分是0.44。对于大多数中国南部和东部城市,温度和相对湿度对PM有最重要的影响₁₀集中在春季和夏季。例如,温度和相对湿度的影响的重要性得分点₁₀浓度在淮南弹簧分别为0.22和0.28,分别。在秋季和冬季,温度和降水对PM的影响很大₁₀浓度。例如,温度和降水的影响的重要性得分点₁₀浓度在南京在秋天是0.22和0.35,分别。与此同时,在广东沿海地区,相对湿度对点更大的影响₁₀浓度;例如,湛江的重要性得分是0.72。在中国东北,气象因素和点之间的关系₁₀浓度的类似点_2。5浓度。在中国西北,温度和相对湿度对PM最重要的影响₁₀集中在春天,夏天,冬天。例如,温度和相对湿度的重要性得分点₁₀浓度在克拉玛依弹簧分别为0.34和0.27,分别。降水影响最重要的点₁₀浓度在秋天;例如,汉中的重要性得分是0.38。中国西南部、降水影响最重要的点₁₀浓度在秋天;例如,乐山的重要性得分是0.55,虽然温度、相对湿度和降水在其他三个季节也影响点₁₀。

(c)之间的关系₂浓度和气象因素。在全国范围内,相对湿度和温度有最重要的影响₂集中在中国的大部分地区(图12)。在中国北方,温度有至关重要的影响₂集中在春天和秋天;例如,长治的重要性得分是0.4。相对湿度的影响₂集中在夏季和冬季;例如,张家口的重要性得分是0.44。在中国中部和南部,相对湿度有最重要的影响₂浓度,特别是河南省和冬天中国中部和南部。例如,重要性得分上的相对湿度的影响₂浓度在安阳在夏天是0.46。在中国东部,相对湿度有最重要的影响₂浓度在大多数城市在冬天;例如,南通的重要性得分是0.53。季节温度、相对湿度和风速和方向都影响₂浓度。在中国东北,温度有最重要的影响₂集中在春天和秋天;例如,重要性得分在沈阳春天是0.6。然而,相对湿度有更重要的影响₂集中在夏季和冬季;例如,抚顺的重要性得分是0.6。气象因素之间的关系,所以₂中国西北部浓度一致的点_2。5。在中国西南,温度有最重要的影响₂浓度;例如,重要性得分在成都春天是0.36。

(d) CO浓度和气象因素之间的关系。在全国范围内,在这个国家的大部分地区,温度有显著影响CO浓度在春天和秋天,温度,相对湿度,风速影响CO浓度在夏季和冬季(图13)。在中国北方,相对湿度对CO浓度有很大的影响在夏季和冬季;例如,在夏天北京的重要性得分为0.38。在中国中部和南部,温度对冬天的CO浓度有很大的影响;例如,张家界的重要性得分是0.33。大气压力和风速影响CO浓度在夏天。在中国东部,风速对CO浓度在夏天最重要的影响;例如,上海的重要性得分为0.4。温度、风速和降雨量都影响了公司集中在冬季。在中国东北,温度和风速最重要的在夏天对CO浓度的影响。 For example, the importance scores of the impacts of temperature and wind speed on the CO concentration in Jiamusi were 0.54 and 0.25, respectively. Relative humidity and wind speed had the most significant effects on the CO concentration in winter. For example, the importance scores of the impacts of relative humidity and wind speed on the CO concentration in Dandong were 0.5 and 0.3, respectively. In northwestern and southwestern China, wind speed, temperature, and relative humidity influenced the CO concentration in summer and winter.

(e)之间的关系₂浓度和气象因素。在全国范围内,温度和风速没有显著的影响₂集中在这个国家的大部分地区(图14)。在中国北方,相对湿度也影响了没有₂集中在夏季;例如,北京的重要性得分为0.49。在春天和夏天中国西南部和秋天在中国东北,温度也有很大的影响₂浓度。例如,重要性得分没有温度的影响₂集中在春天在成都是0.35。其他地区明显受到风速的影响。

(f)之间的关系₃浓度和气象因素。在全国范围内,温度和相对湿度对O有着重要的影响₃集中在这个国家的大部分地区(图15)。相对湿度对O有最重要的影响₃集中在中国南部;例如,冬天海口的重要性得分是0.45。温度的影响最重要啊₃在春天和秋天集中在中国北方;例如,在春天包头的重要性得分为0.6。在冬天没有明显的聚合,但O₃浓度是影响温度、风速、相对湿度。在中国北部和东北部,温度有很大的影响₃集中在夏季;例如,呼和浩特的重要性得分是0.61。

3.3.3。分析气象因素对大气污染物浓度的影响

在这项研究中,部分依赖污染物的浓度在不同季节六个不同城市气象因素决定。不同气象因素的大小对应于各种污染物的最大浓度计算,和这个值作为阈值的影响气象因素对空气污染物浓度。分类和空间映射进行锻炼,时间和空间差异的影响,气象因素对大气污染物浓度进行了进一步的分析。

(一)空间格局的影响气象因素对点_2。5浓度。有明显的时空差异在不同气象因素的影响点_2。5浓度(图16)。阈值的空间分布的影响大气的压力点_2。5东部和西部之间的浓度差异显著,特别是在春天,秋天,冬天。在夏天,在东南沿海地区空气污染更严重时大气压力超过900 hPa。相对湿度明显不同的影响在中国北方和南方之间,以Qinling-Huaihe线为边界。的阈值点的相对湿度的影响_2。5南Qinling-Huaihe线浓度在40%到80%之间;例如,在宝山仅为41%,但长江北部的对应值通常超过80%。在春天,阈值点相对湿度的影响_2。5在银川浓度是96%。降水空间影响有直接点_2。5浓度。PM_2。5浓度与巴特降水条件下达到最大。空间点风速的影响_2。5主要是集中反映在东西方的差异。东南沿海地区是容易点_2。5污染相对较低风速时,而点_2。5通常集中在西北内陆地区,当达到最大风速通常是高。例如,在夏天当内蒙古及周边地区的风速超过2米/秒,点_2。5浓度达到最大值。在夏天,包头的最大风速是7米/秒。因此,这些地区大多是受到外源污染(53]。在东北和华北,风向是通常从东南,西南,和这一地区最高的点_2。5浓度。在其他地区,风向时的最大点_2。5浓度通常从西北到东北。

(b)空间格局的影响气象因素对点₁₀浓度。空间模式的气象因素影响点₁₀浓度是影响点类似_2。5浓度(图17)。然而,当点₁₀集中在春季和夏季最高,相对湿度在中国北方的阈值显著降低。例如,大同的相对湿度在春天只有14%。

(c)空间格局的气象因素的影响₂浓度。空间模式的气象因素的影响₂浓度相似点₁₀(图18)。然而,在夏天,南方的温度超过20°C,所以₂浓度达到最大值,而最大的点₁₀浓度只发生在温度超过30°C。在淮南,温度为20.4°C和32°C有最大的影响₂和点₁₀分别集中在夏季。当所以₂集中在秋季和冬季最高,相对湿度在中国北方的影响阈值降低。例如,影响阈值的相对湿度₂和点₁₀浓度在秋天在天津分别为51.8%和97%,分别。中国西北内陆地区,所以₂污染通常发生在风速较低。

(d)空间格局的影响气象因素对CO浓度。CO浓度的空间格局是受到各种气象因素的影响,但在相似₂(图19)。然而,在中国南方,CO浓度最高时,相对湿度的门槛也高。例如,在夏天河源市的相对湿度为99%。在冬天,CO浓度时最大降水东南部沿海地区超过30毫米。

(e)空间格局的气象因素的影响₂浓度。没有的空间格局₂浓度是影响相对湿度和相似点₁₀。虽然没有的空间格局₂浓度是受到其他气象因素的影响,气象因素的影响是有限公司(图类似20.)。然而,在秋天,没有₂浓度达到最大值的东南沿海地区与巴特降水条件下。

(f)空间格局的影响气象因素对O₃浓度。的空间模式的影响气象因素对O₃浓度是没有类似₂(图21)。然而,在春天和秋天,O₃浓度达到最高,当温度超过20°C。在夏天,温度的影响在中国东部显著增加阈值;例如,在夏天,在成都,它是36.5°C。当最高O₃集中发生,相对湿度的影响阈值在中国北方在秋季和冬季低;例如,冬天在沈阳相对湿度为22%。冬天,O₃浓度是最高的在中国北方,收到很少的降水;例如,降水在天津冬天只有12.3毫米。O₃浓度达到最大时期北方的高风速,例如,当风速在呼和浩特在冬季达到9.3 m / s。冬天,O₃浓度达到最大值在京津冀风向从西北东北。

4所示。讨论

本研究评估每日空气质量监测数据和气象监测数据从2005年到2018年中国221个城市。随机森林算法应用,关键气象因素影响空气质量在不同的时空条件下被确定。的时间和空间差异阈值不同的气象因素对典型的空气污染物(PM_2。5下午,₁₀,所以₂有限公司,没有₂阿,₃)被发现。

数据一致性特征的时空变化特征进行了研究,通过比较API和机能。暂时,冬天API和机能明显高于其他季节,用第二高值在春天和夏天的最低46]。空间,北方城市的API和机能值普遍高于南方城市(40,54]。从空间的角度和时间趋势,空气质量指数和API值基本上是一致的,表明在中国的逐步改善空气质量。空气质量指数值略高于API值。这是因为空气质量指数比API基于更严格的标准,还有一些差异计算。此外,伊拉克基地组织的优势促进索引值高于API,以更大的频率和数据被释放;这也证实了伊拉克基地组织是一个适当的替代API。

我们认为伊拉克基地组织的价值观和污染物浓度之间的关系。风向和降水是重要的气象影响因素在中国大多数城市的空气质量,风向是最重要的气象因素影响API和价值观在北部城市机能。降水是影响API和伊拉克基地组织最重要的气象因素值在南部城市,这是符合其他研究(29日,55]。在某种程度上,这反映了空气污染物的释放和退化机制在中国北部和南部。有其他气象因素的主要地方空间差异在不同的季节。温度主要影响了不同污染物的浓度。温度与污染物浓度密切相关,因为它调节大气湍流和化学反应(52,56]。这种现象也被观察到在美国(57]。除了温度、降水量和相对湿度显著影响点_2。5和点₁₀浓度在大多数城市,表明气溶胶粒子的吸湿增长的重要性在中国(52]。另外,风速和相对湿度没有很大的影响₂和O₃分别浓度。在阳光和水蒸气的存在,O₃可以形成氢氧自由基,这是有利于消费啊₃(58,59]。这些与其他研究结果一致60,61年]。

我们还发现一个有趣的现象,对各种污染物的浓度与气象因素之间的关系。点之间的关系₁₀和气象因素与其他污染物的不同,虽然其他五个污染物的浓度的关系和气象因素是相同的。这是因为API和机能计算使用的主要污染物的空气质量标准,忽视其他污染物的水平。点₁₀占89.4%的主要污染物是在API和机能,所以₂是下一个最丰富的污染物。因此,如果只使用API和机能价值评估气象因素和空气质量之间的关系,获得的结论只反映了主要污染物的计算中使用的索引。这样的结论也可能损害特定污染物浓度的预测和区域污染防治的管理和控制。

5。结论

本研究使用每日API、机能和气象监测数据在中国221个城市比较API的一致性和伊拉克基地组织的价值观。随机森林算法用于识别的关键气象因素影响空气质量在不同的时空条件下,与气象因素的阈值,典型的空气污染物浓度测定及其空间差异的影响。结果可用于确定气象敏感的空气质量和提供定量支持联合空气污染预防和控制项目的实施进度。

然而,这项研究是有限的不均匀分布的监测站。在比较的过程中空气质量监测数据和气象数据,保留尽可能多的空气质量监测数据对城市没有气象监测数据,我们使用最近的气象站,这可能引入错误。此外,当随机森林算法用于分析气象因素对大气污染的影响,所获得的价值只代表重要性的程度,但不是它的正面或负面的影响。在这项研究中没有考虑另一个点。除了气象条件的影响,当地污染物排放的体积是影响空气质量的直接因素。除了气象条件,未来的研究还应该考虑污染物排放清单数据。天气的研究和预测中尺度气象模型和空气质量模型(如CALPUFF CAMx和CMAQ)可以用来模拟不同天气和空气质量状况通过设置不同数量的污染物排放在每个网格。进一步的研究应该介绍一下其他可能影响参数,进行长时间序列数据分析(3,4,62年- - - - - -64年]。

数据可用性

空气质量和气象数据用于支持本研究部门提供的生态环境和中国国家气象科学数据中心许可,他们不是可用的。请求访问这些数据应该通过联系的生态和环境(http://www.mee.gov.cn)和中国国家气象科学数据中心(http://data.cma.cn/site/index.html),分别。

的利益冲突

作者宣称没有利益冲突有关的出版。

作者的贡献

所有作者的概念作出了巨大的贡献,设计,执行,或解释的研究报道。睡眠概念研究;M.J.和q方法;X.X.负责资源和软件;M.J.,Y.J., and X.H. performed data curation; M.J. involved in visualization; M.J., L.L, and Z.Q. prepared the original draft; Z.Q. and W.S reviewed and edited the manuscript.

确认

这项工作得到了国家自然科学基金(批准号41871211),天津市自然科学基金(赠款。16 jcqnjc08900)和中国国家重点研究和发展计划(资助。2018 yfc0213600)。

补充材料

补充表1:描述空气质量数据和气象监测数据,以防城市。(补充材料)

引用

1. R.-J。张黄,y, c . Bozzetti et al .,“高次生气溶胶微粒污染的贡献在霾事件在中国,“自然,卷514,不。7521年,第222 - 218页,2014年。视图:出版商的网站|谷歌学术搜索
2. l .白l .江D.-y。杨,Y.-b。刘,“量化空间异质性的影响空气污染的自然和社会经济因素及其交互使用地理探测器的方法:一个案例研究长江经济带的中国,“《清洁生产卷,232年,第704 - 692页,2019年。视图:出版商的网站|谷歌学术搜索
3. x m . j .杨y . c . Wang, c .金j . h .夏和x m . Li”空间分化的城市风和热环境在不同的网格大小,”城市气候卷28日,1-13,2019页。视图:出版商的网站|谷歌学术搜索
4. a .郭j·杨,x, j .夏c·金和李x”城市空间形式的影响在社区一级城市热岛效应在中国,“可持续城市和社会53卷,2020年。视图:出版商的网站|谷歌学术搜索
5. 郑胜耀z h . Chen, j·b·李x r·郭w·h·王,和d s . Chen“大气污染过程和天气之间的关系模式在中国北方的压力,”大气环境,42卷,不。24日,第6087 - 6078页,2008年。视图:出版商的网站|谷歌学术搜索
6. 布赫兹,j .垃圾a . Krein g . Heinemann, l·霍夫曼,“空气污染特征与中尺度大气模式在欧洲大陆西北部,”大气环境,44卷,不。39岁,5183 - 5190年,2010页。视图:出版商的网站|谷歌学术搜索
7. k . Chen y, z h . Hu和刘问:h . f . f . Wu”最重的污染事件的原因分析南京,2007年”进行的2008年国际教育技术研讨会和培训& 2008年国际地球科学研讨会和遥感2008年12月,IEEE,上海,中国,。视图:出版商的网站|谷歌学术搜索
8. r·m·班塔c . j . Senff r·j·阿尔瓦雷斯et al .,“依赖的日常O3浓度峰值附近的休斯顿,德克萨斯州环境因素:风速、温度、和边界层深度,“大气环境,45卷,不。1,第173 - 162页,2011。视图:出版商的网站|谷歌学术搜索
9. Barmpadimos, c . Hueglin j·凯勒,美国Henne和a . s . h . Prevot”气象对可吸入颗粒物的影响趋势和变化从1991年到2008年,在瑞士”大气化学和物理,11卷,不。4、1813 - 1835年,2011页。视图:出版商的网站|谷歌学术搜索
10. g .田z乔许x,“可吸入颗粒物(PM10)的特点及其与气象因素的关系在2001年- 2012年在北京,”环境污染卷,192年,第274 - 266页,2014年。视图:出版商的网站|谷歌学术搜索
11. j . a . Adame a . Notario c·a·奎瓦斯Lozano, m . Yela和a . Saiz-Lopez”最近在没有增加₂水平在伊比利亚半岛的东南部,”科学的环境,卷693,p . 2019。视图:出版商的网站|谷歌学术搜索
12. j . a . Adame l·洛佩m . Sorribas a . Notario和m . Yela”₂测量在一个干净的西南海岸环境欧洲:来源、运输和影响次生气溶胶的形成,“科学的环境,卷716,p . 2020。视图:出版商的网站|谷歌学术搜索
13. w·j·张,d .问:徐g . s .壮族w . Wang和l . l .郭”环境的特征(点_2。5北京的变化。”环境监测和评估,卷165,不。1 - 4、137 - 146年,2010页。视图:出版商的网站|谷歌学术搜索
14. l .汉w·周w·李,d . t . Meshesha l·李和m .郑”气象和城市景观因素在北京严重的空气污染,”空气与废物管理协会杂志》上,卷65,不。7,782 - 787年,2015页。视图:出版商的网站|谷歌学术搜索
15. k·d·胡j . Wu, l .廖m .徐和y Du,“城市空气质量、气象和交通联系:证据从sixteen-day颗粒物污染事件在2015年12月,北京,“环境科学学报卷,59岁,此前,2017页。视图:出版商的网站|谷歌学术搜索
16. t, s .邓y高,瞿l, m·李·d·陈,“表征城市空气污染的长江三角洲,中国,“中国地理科学,27卷,不。5,836 - 846年,2017页。视图:出版商的网站|谷歌学术搜索
17. c·史,r .元,b .吴et al .,”气象条件有利于PM2.5污染冬天2016/2017在长江三角洲西部,中国,“科学的环境卷,642年,第1232 - 1221页,2018年。视图:出版商的网站|谷歌学术搜索
18. a·马哈茂德·m·Hixson j .胡赵z,工程学系。陈,m . j . Kleeman“气候对空气中的颗粒物浓度的影响在加州使用七年分析时期,“大气化学和物理,10卷,不。22日,第11114 - 11097页,2010年。视图:出版商的网站|谷歌学术搜索
19. a . Chauhan s . c . de代理和r·p·辛格“空气质量明显变化,大气和气象参数,和强烈的烟雾与粉尘混合事件在贝克斯菲尔德,加州,“环境地球科学,卷77,不。4,p。2018。视图:出版商的网站|谷歌学术搜索
20. j . a . Adame a . Notario f·维拉纽瓦和j . Albaladejo”聚类分析应用于表面臭氧、二氧化氮和二氧化硫的日常模式在西班牙中南部的一个工业区测量DOAS系统,”科学的环境卷,429年,第291 - 281页,2012年。视图:出版商的网站|谷歌学术搜索
21. f . b .美国手语,m .雷力y Vaziri et al .,“环境空气污染对健康的影响量化使用AirQ模型方法在哈马丹,伊朗,”环境研究卷,161年,第121 - 114页,2018年。视图:谷歌学术搜索
22. m·安萨里和m . h . Ehrampoush”气象和AirQ +健康风险评估相关的环境细颗粒物在德黑兰,伊朗,”环境研究卷,170年,第150 - 141页,2019年。视图:出版商的网站|谷歌学术搜索
23. n . Baertsch-Ritter j·凯勒,j . Dommen和a . s . h . Prevot”各种气象条件的影响和空间emissionresolutions臭氧浓度和罗格/不,”大气化学和物理,4卷,不。2、423 - 438年,2004页。视图:出版商的网站|谷歌学术搜索
24. a . Bigi f·比安奇,g . De热内罗et al .,“每小时组成的气体和颗粒相污染物在中部城市背景网站在米兰,意大利,“大气研究卷,186年,第94 - 83页,2017年。视图:出版商的网站|谷歌学术搜索
25. m . Athanassiadou j·贝克·d·瑟斯et al .,“评估气候变化对空气质量的影响在两个英国网站,“大气环境,44卷,不。15日,第1886 - 1877页,2010年。视图:出版商的网站|谷歌学术搜索
26. Banerjee t、s b·辛格和r·k·斯利瓦斯塔瓦”统计模型相关的开发和绩效评估空气污染物和气象变量在Pantnagar,印度,”大气研究,卷99,不。3 - 4、505 - 517年,2011页。视图:出版商的网站|谷歌学术搜索
27. y陈和告诫。谢”,长期趋势和特点,能见度在两大城市在中国西南地区:成都和重庆,“空气与废物管理协会杂志》上,卷63,不。9日,第1069 - 1058页,2013年。视图:出版商的网站|谷歌学术搜索
28. s . w . Chen,问:通et al .,“在中国东北地区霾事件的特点和原因,”中国地理科学,28卷,不。5,836 - 850年,2018页。视图:出版商的网站|谷歌学术搜索
29. x z俏,f . Wu, j .杨和l .刘”的时空机制应对气象参数:空气质量部门分析在中国,“可持续性,11卷,不。14,3957年,页2019。视图:出版商的网站|谷歌学术搜索
30. j . a . Adame m·a . Hernandez-Ceballos j . p .玻利瓦尔和b . De la莫雷纳,“评估空气污染事件的西南部伊比利亚半岛,“大气环境,55卷,第256 - 245页,2012年。视图:出版商的网站|谷歌学术搜索
31. j . a . Adame l·洛佩,p . j .伊达尔戈et al .,”研究的特殊气象条件,痕量气体和颗粒物测量在2017年的森林火灾自然公园,随后西班牙,”科学的环境卷,645年,第720 - 710页,2018年。视图:出版商的网站|谷歌学术搜索
32. e . Alonso-Blanco a·卡斯特罗ai卡尔沃,诉桥,m .锤和r . Fraile“野火烟雾传输沉降反演下:在一个遥远的城市,气候和健康的影响”科学的环境卷,619 - 620,988 - 1002年,2018页。视图:出版商的网站|谷歌学术搜索
33. b, f·陈,h·陈,“NPP估算使用随机森林和影响特性变量重要性分析,“《空间科学,卷64,不。1,第192 - 173页,2019。视图:出版商的网站|谷歌学术搜索
34. h .太阳,d Gui, b .严et al .,“评估潜在的随机森林方法使用空气污染指数估计太阳辐射,”能量转换和管理卷,119年,第129 - 121页,2016年。视图:出版商的网站|谷歌学术搜索
35. d·r·卡特勒·t·c·爱德华兹Jr . k . h .胡子et al .,“生态学中随机森林分类”生态,卷88,不。11日,第2792 - 2783页,2007年。视图:出版商的网站|谷歌学术搜索
36. c . h . Wang Lin和胡x, y Peng”的应用改进的随机森林变量重要性衡量中国传统慢性胃炎的诊断,”学报2008年IEEE国际研讨会在医学和教育、IEEE、厦门,中国,2008年12月。视图:出版商的网站|谷歌学术搜索
37. m . Abdel-Aty a·潘德a Das, w . j . Knibbe”评估安全荷兰高速公路与轨道智能交通系统的数据,”交通研究记录:《交通研究委员会,卷2083,不。1,第161 - 153页,2008。视图:谷歌学术搜索
38. r .膝,人类。Poggi, c . Tuleau-Malot”变量选择使用随机森林,”模式识别的字母没有,卷。31日。14日,第2236 - 2225页,2010年。视图:出版商的网站|谷歌学术搜索
39. j·h·弗里德曼“机”,统计年报卷,29号5,1189 - 1232年,2001页。视图:出版商的网站|谷歌学术搜索
40. l . j .徐j . x, y郭et al .,“空气质量指数的时空模式及其相关因素在中国31个省会城市,“空气质量、大气与健康,10卷,不。5,601 - 609年,2017页。视图:出版商的网站|谷歌学术搜索
41. p·c·朱、陈y和美国,“对兰州冬季二氧化硫污染大气的影响,中国,“大气研究,卷89,不。4、365 - 373年,2008页。视图:出版商的网站|谷歌学术搜索
42. j . y, z . x风扇,l . h .太阳,秦皇岛城市为例:空气质量和气象因素的相关分析在城市城市CRC Press-Taylor &弗朗西斯集团,2015年美国佛罗里达州博卡拉顿的。
43. e·d·t·赵h . Chen Yu和t·罗”点_2。5/下午₁₀比率在八个经济区域及其与气象的关系在中国,“气象学的进展卷,2019篇文章ID 5295726, 15页,2019年。视图:出版商的网站|谷歌学术搜索
44. b . Chen s, s .李,王,“细颗粒波动的影响和其他变量对北京的空气质量指数”环境科学与污染研究,22卷,不。7,5139 - 5151年,2015页。视图:出版商的网站|谷歌学术搜索
45. f .香港、j .方l . Lu和h·h·徐“空气污染指数的时空模式和其在中国的趋势从2001年开始,“Catastrophology杂志,32卷,不。2、117 - 123年,2017页。视图:谷歌学术搜索
46. 周h . y . Li h .刘et al .,“时间分布、影响因素和城市环境空气质量的污染源在南充,中国,“环境工程研究,20卷,不。3、260 - 267年,2015页。视图:出版商的网站|谷歌学术搜索
47. m . s .贾西姆和g . Coskuner”评估颗粒物(PM10和PM2.5)的空间变化在巴林被空气质量指数(AQI),“阿拉伯地球科学杂志》,10卷,不。1,p。2017。视图:出版商的网站|谷歌学术搜索
48. 张y”,气象条件对空气污染的动态效应分析:一个案例研究来自北京,“科学的环境卷,684年,第185 - 178页,2019年。视图:出版商的网站|谷歌学术搜索
49. 陈x, x, x元et al .,“污染颗粒物(PM2.5和可吸入颗粒物)的特点及其在中国spacescale-dependent与气象要素的关系,“可持续性,9卷,不。12,2330页,2017年。视图:出版商的网站|谷歌学术搜索
50. 张x和z锣”,中国城市空气质量的时空特征和地理发现他们的决定因素,”《地理科学,28卷,不。5,563 - 578年,2018页。视图:出版商的网站|谷歌学术搜索
51. 布鲁里溃疡和l . j . y . Zhang Wang,”在南京霾事件的分析,中国基于多源数据,”大气,10卷,不。6,338年,页2019。视图:出版商的网站|谷歌学术搜索
52. l . r . Li z . Wang崔et al .,“2015 - 2016年期间在中国空气污染特征:时空变化和关键气象因素,”科学的环境卷,648年,第915 - 902页,2019年。视图:出版商的网站|谷歌学术搜索
53. y, y, z俏,y,“京津冀城市群城际空气污染物运输:比较2012年和2016年的冬天,“环境管理杂志》,第250卷,第109520页,2019年。视图:出版商的网站|谷歌学术搜索
54. j .宝杨x、z赵c . Yu,和李x, z . Wang“空气污染的时空特征在中国从2001年到2014年,“国际环境研究和公共卫生杂志》上,12卷,不。12日,第15887 - 15875页,2015年。视图:出版商的网站|谷歌学术搜索
55. l .张、刘y和f .赵“奇异值分解分析每月的天气和空气污染指数之间的空间关系在中国,“随机环境研究和风险评估,32卷,不。3、733 - 748年,2018页。视图:出版商的网站|谷歌学术搜索
56. r . p . Li Yan, s, s . Wang w . Liu和h·鲍”恢复地区运输PM2.5在北京严重的烟雾的一个主要原因,”美国国家科学院院刊》上,卷112,不。21日E2739-E2740, 2015页。视图:出版商的网站|谷歌学术搜索
57. a . p . k . Tai l . j . Mickley和d·j·雅各布,“细颗粒物(PM2.5)之间的相关性和气象变量在美国:对PM2.5对气候变化的敏感性,”大气环境,44卷,不。32岁,3976 - 3984年,2010页。视图:出版商的网站|谷歌学术搜索
58. f . Costabile和i Allegrini测量和分析的氮氧化物和臭氧在院子里和苏州的街道峡谷的屋顶上,“大气环境第41卷。。31日,第6647 - 6637页,2007年。视图:出版商的网站|谷歌学术搜索
59. e . Uherek t . Halenka j . Borken-Kleefeld et al .,“传输对大气和气候的影响:陆地运输,”大气环境,44卷,不。37岁,4772 - 4816年,2010页。视图:出版商的网站|谷歌学术搜索
60. m·奥尔德林和泻湖,“普遍添加剂造型的空气污染,交通量和气象,“大气环境,39卷,不。11日,第2155 - 2145页,2005年。视图:出版商的网站|谷歌学术搜索
61. d . m . Agudelo-Castaneda e·c·特谢拉s . b . a . Rolim f . n .佩雷拉和f . Wiegand”测量的粒子数量和相关的污染物浓度在巴西南部市区,“大气环境卷,70年,第262 - 254页,2013年。视图:出版商的网站|谷歌学术搜索
62. j·杨,j .太阳、问:通用电气和李x”评估urbanization-associated绿地对城市地表温度的影响:一个案例研究的大连,中国,“城市森林与城市绿化22卷,1 - 10,2017页。视图:出版商的网站|谷歌学术搜索
63. d·h·j . Liu Cheng江,l .黄”的影响气候变化的时机秋叶色在日本旅游,”旅游管理卷,70年,第272 - 262页,2019年。视图:出版商的网站|谷歌学术搜索
64. j·杨,金,x肖et al .,”当地气候区通风和城市地表温度:对绩效和wind-sensitive规划建议在大城市,“可持续城市和社会47卷,2019。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Mengyi et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。