大气污染主要因子范文

导语：如何才能写好一篇大气污染主要因子，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

关键词：大气扩散能力；大气扩散指数；混合层高度

中图分类号：P4

文献标识码：A 文章编号：16749944（2017）10001603

1 引言

当前我国大气污染形势严峻，国家和社会各界高度关注，环境气象俨然成了当今时代的焦点。有效地防止大气污染的途径，除了采用除尘及废气净化装置等各种工程技术手段外，还需充分利用大气的湍流混合作用对污染物的扩散稀释能力，即大气的自净能力。大气扩散是指将一定量的含有有害物质的气体排入高空，借大气湍流和分子运动，向大气中低浓度区域迁移，从而把有害物质稀释到容许浓度以下的过程。在污染源排放相对稳定的条件下，大气扩散能力的强弱直接决定着空气质量的好坏，与人们的生活息息相关[1]。就大气污染成因而言，污染是主因，气象是诱因。历史上发生过的重大空气污染危害事件，都是在不利于污染物扩散的气象条件下发生的。为了掌握污染物的扩散规律，以便采取有效措施防治大气污染的形成，必须了解气象条件对大气扩散的影响，以及局部气象因素与地形地貌状况之间的关系[2]。

目前大气扩散能力的衡量没有一个确定的标准，通过大气扩散模式计算大气扩散指数是一种行之有效的方法。大气扩散模式的种类很多，按模式理论的发展途径可分为统计理论模式、K理论模式和相似理论模式。按模拟的时间尺度可分为短期平均及长期平均浓度模式；按污染源的形态又可分为点源、线源、面源、体源、多源或复合源模式。尽管大气扩散模式的种类繁多，但从应用角度出发，在实际工作中使用的大气扩散模式多属高斯模式及高斯模式的变形[3]。

近年来，针对空气质量与气象条件关系的研究很多，但对大气扩散与气象条件的关系研究却很少。马香香等对几种大气污染扩散模式应用进行了比较[4]。王伟平等用高斯模式估算了台州电厂一期工程的SO2浓度分布[5]。王文等则介绍了基于高斯模式的几个主要扩散模型，并比较了它们的优劣，指出了开发新模型需解决的问题[6]。胡春梅等根据重庆市地面常规要素、L波段雷达探测资料风速和温度与API的相关性，建立了空气污染扩散条件的综合气象指数[7]。陈宣庆等在对Turner大气扩散等级的分类方法进行部分修正的基础上，对长春市大气扩散能力进行了定级分类，并分析了其气候特征，对长春市大气扩散能力做了初步评价[8]。

此外，环保部门和气象部门一直紧密合作，双方不仅加强信息共享，充分发挥信息资源效益，还对规范实施了标准化，联合开展重污染天气监测预警业务和基于AQI（空气质量指数）的预报，建立定期交流机制，完善会商机制和重大信息协调机制，不断把两部门在信息共享、预警服务甚至科研等方面的合作推向深入，更好地履行职责、服务社会。双方还根据“大气十条”要求，深化开展针对重污染天气的预报预测预警工作，建立重污染天气监测预警体系。

2 资料与方法

大气扩散能力资料采用浙江省气象科学研究所根据高斯模式计算出的大气扩散指数，是定量描述大气扩散能力的无量纲指数，在此取湖州（站号：58450）2013年1～12月逐日资料。同时用到的混合层高度数据也是该模式计算输出产品。

气象资料采用同时段湖州国家基本观测站地面观测逐日资料。

空气质量资料采用同时段湖州市环境保护监测中心监测获得的AQI及PM2.5等逐日资料。2013年之前，环保部门采用空气污染指数API来表示空气污染状况，2013年起则启用空气质量指数AQI来表示空气质量状况。根据环境保护部《环境空气质量指数（AQI）技术规定》分级方法，空气质量指数（AQI）划分为0～50、51～100、101～150、151～200、201～300和大于300六n，分别对应于空气质量的六个级别：优、良、轻度污染、中度污染、重度污染、严重污染，指数越大，级别越高，说明污染越严重，对人体健康的影响也越明显。

首先对2013年湖州大气扩散指数及AQI数据进行月平均处理，分析其月际变化特征。然后对逐日大气扩散指数与对应的气象要素数据进行相关分析，并将样本分为有降水样本和无降水样本，分别研究了大气扩散指数与气象条件之间的关系。此外，还将环境气象中衍生的重要参数混合层高度与大气扩散指数进行了相关分析，得出了其对大气扩散能力的影响。

3 大气扩散指数的月际变化特征

图1为2013年湖州大气扩散指数和AQI的月平均值的逐月变化，可见，2013年湖州大气扩散指数的月变化较为明显，除3～5月和8月、10月大气扩散指数较高大于等于3之外，其他月份均低于3。其中4月最高，达到了3.5，这主要是因为春季日照充足，回暖明显，湍流活动相对比较旺盛；8月次之，达到了3.3，则是因为盛夏季节天气炎热，热力不稳定条件好，云团易发展，对流活动频繁所致。1月和11～12月大气扩散指数则处于一个低谷期，表明晚秋到隆冬季节里，多冷性高压控制，大气层结较为稳定，且风力较小、降水较少，大气扩散能力明显变弱。

另外，从图1还可以看出，AQI的变化与大气扩散指数的变化基本趋于相反，AQI值越高，即空气质量越差，大气扩散指数则越小，即大气扩散能力越弱；AQI值越小，即空气质量越好，大气扩散指数则越大，即大气扩散能力越强。经计算，大气扩散指数与AQI之间的相关系数达到了-0.32，两者呈显著负相关，这也印证了大气扩散能力的强弱直接影响着空气质量的好坏。

4 大气扩散能力与气象条件的关系

4.1 大气扩散指数与各气象因子的关系

在气象学中，气象要素是指用于描述的物理状态与现象的物理量，包括气压、气温、湿度、云、风、能见度以及太阳辐射等。这些要素都能从观测直接获得，并随着时间经常变化，彼此之间相互制约。不同的气象要素组合呈现不同的气象特征，因此对污染物在大气中的输送扩散产生不同的影响。其中风和大气不规则的湍流运动是直接影响大气污染物扩散的气象因素，而气温的垂直分布又制约着风场与湍流结构。

采用湖州市2013年逐日大气扩散指数及地面观测资料，对大气扩散指数与各气象要素进行了相关性分析（表1）。从2013年全年样本分析来看，与大气扩散指数相关性较好的气象因子有平均气压、最低气温、降水量、最低气压、平均风速，且均通过了0.01的显著性检验。其中相关性最好的为平均风速，相关系数达到了0.96，其次为降水量，相关系数为0.35。

由表1可以看出，降水量对于大气扩散能力的影响是较为显著的，为了进一步研究，将2013年全年样本再分为有雨样本（152个）和无雨样本（215个），分别计算各气象因子与大气扩散指数的相关性。可以看出，有雨样本中，气象因子中还是平均风速与大气扩散能力的相关性最好，相关系数同样达到了0.96，此外则是降水量和蒸发量相关性较好，相关系数分别达到了0.38和0.27，且均通过了0.01的显著性检验，而其他气象因子都没有通过显著性检验。这说明，在有降雨的情况下，假设排除风的影响，则降水量是大气扩散能力决定性的因素，降水量越大，大气扩散能力越强，降水量越小，大气扩散能力越小。无雨样本中，大气扩散指数相关性较好的气象因子有平均气压、平均气温、相对湿度、日照时数、平均风速，且均通过了0.01的显著性检验。其中相关性最好的还是平均风速，相关系数也达到了0.96。

大气扩散能力与气象条件息息相关，大的天气系统决定了大气扩散能力的整体背景，而风、压、湿及降水等气象条件的细微变化直接导致了大气扩散能力的强弱变化。从以上与大气扩散指数的相关性可见，风速为正相关，风力增大有助于大气扩散；相对湿度为负相关，湿度高有利于气溶胶粒径增大并在空气中滞留；气压为负相关，高气压时，气流下沉，容易形成逆温，低气压时，气流上升，容易扩散。温度为正相关，温度高整体上有利于扩散，虽然温度高同时也有助于二次污染物的形成。降水量为正相关，降水有助于冲刷空气中的污染物。

4.2 大气扩散指数与混合层高度的关系

大气边界层中的空气明显地受地面摩擦或热力作用的影响，因而在某个高度的稳定层下会出现显著的垂直混合，造成混合层。大气混合层高度与逆温的形成和消散过程有密切关系，混合层底面对烟气的向上扩散起着抑制作用，混合层高度的变化影响着大气污染物的浓度分布，它是影响大气扩散的一个重要因素。

通过计算2013年全年样本中混合层高度与大气扩散指数的相关性，得出两者的相关系数高达0.92，且通过了0.01的显著性检验，表明混合层高度与大气扩散能力呈明显正相关。这也充分印证了混合层高度是衡量大气扩散能力的一个重要指标，混合层高度越高，大气扩散能力越强，混合层高度越低，大气扩散能力越弱。

5 结语

（1）2013年湖州大气扩散指数的月变化较为明显，3～5月和8月、10月大气扩散指数较高，1月和11～12月较低，表明春、夏季大气扩散能力较强，秋、冬季扩散能力较弱。

（2）AQI的变化与大气扩散指数的变化基本趋于相反，两者呈显著负相关，说明大气扩散能力的强弱直接影响着空气质量的好坏。

（3）在决定大气扩散能力强弱的气象因子中，风速是最主要的，其次是降水量。排除风的影响，有降水情况下，降水量是大气扩散能力决定性的因素，降水量越大，大气扩散能力越强，降水量越小，大气扩散能力越小；无降水情况下，决定大气扩散能力的气象因子较多，主要有相对湿度、气压和平均气温，大气扩散指数与相对湿度和气压呈负相关，与平均气温呈正相关。

（4）混合痈叨扔氪笃扩散指数有很高的正相关性，可以作为衡量大气扩散能力的一个重要指标。

参考文献：

[1]

丁一汇，李巧萍，柳艳菊，等.空气污染与气候变化[J].气象，2009，35（3）： 3～14.

[2]张建忠，孙 瑾，王冠岚，等.北京地区空气质量指数时空分布特征及其与气象条件的关系[J].气象与环境科学，2014，37（1）：33～39.

[3]吕 炜，李金凤，王雪松，等.长距离污染传输对珠江三角洲区域空气质量影响的数值模拟研究[J].环境科学学报，2015，35（1）：30～41.

[4]马春香，赵淑敏.几种大气污染扩散模式的应用比较[J].环境科学与管理，2007，32（10）：35～36.

[5]王伟平，余锡刚.高斯扩散模式的应用[J].浙江气象科技，2007，8（4）：37～45.

[6]王 文，于 雷，裴文文，等.基于高斯线性源模式的主要尾气扩散模型综述[J].交通环保，2004，25（5）：7～10.

篇2

关键词：新乡；大气污染；PM2.5；浓度；区域功能

中图分类号：X831

文献标识码：A文章编号：16749944（2017）8009302

1引言

在环境空气中，PM2.5又称细颗粒物，是空气动力学当量直径小于等于2.5 μm的颗粒物，其来源和成因极其复杂，主要来源包括二次颗粒物、汽车排放、化石燃料燃烧、道路扬尘、生物质燃烧、土壤层以及金属加工处理等。PM2.5只是地球大气成分中含量很少的组分，但它对空气能见度有重要的影响，也是造成空气环境污染，对人体健康危害最严重的大气污染物之一[1，2]。因此，PM2.5是评价大气环境质量的重要指标，已成为近年来城市大气环境研究的焦点[3～6]。

新乡市地处河南省北部黄河中下游，由于特殊的地理位置以及产业结构，其大气环境质量备受社会各方面关注。笔者将借助空气自动监测数据，分析新乡市大气污染物中PM2.5浓度变化特征，通过探讨环境空气中PM2.5浓度随季节、月份变化的关系，对新乡市的PM2.5污染状况进行了客观评价，为管理部门控制空气污染决策提供科学依据。

2数据来源

数据采用“国家空气质量联网监测管理平台（市级版）”的监测数据，研究中选用数据为2015年1月1日至2016年12月31日新乡市国控站点连续监测的PM2.5小时平均质量浓度，并获取该时间段内日平均质量浓度，各月、各季节以及年PM2.5的平均浓度时空分布特征。

表1所示为大气污染物PM2.5浓度划分国家标准，日均质量浓度及年均质量浓度的统计满足《环境空气质量标准》（GB3095-2012）的要求。依据国家环境空气质量标准，新乡市执行二级标准。

由表1、表2可知，2015年和2016年新乡市区大气污染物PM2.5浓度均超过国家大气洁净水平二级标准；2015年四个国控点位，环保西院年平均PM2.5污染最重，开发区的污染最低，2016年四个国控点位PM2.5污染水平基本一致；虽然城区和四个国控点位2016年相对于2015年均有明显下降，但均超过了国家规定的二级标准，这也说明城区和四个国控点位大气环境中PM2.5污染程度仍然较重。

2015年各站点污染物年均值显示，开发区PM2.5的年均值相对较低，而环保西院年均值相对较高，符合其功能区周边环境现状情况，而2016年各个功能区PM2.5年均浓度基本一致。整体上看，新乡市PM2.5污染物呈现区域性污染（图1）。

3.2各监测点污染物PM2.5浓度随季节变化的特征分析

如图2所示，四个季节中，污染物PM2.5在整个市区的浓度表现为“V”形状特征，夏季、秋季PM2.5浓度较低，春季、冬季PM2.5浓度较高。污染物PM2.5浓度整体上呈现出冬强夏弱的季节变化规律。

夏秋两季气温较高，雨水丰富，盛行西南风和东南风，风力较强，有利于空气中污染物的稀释和扩散；春冬两季则相反，降水较少再加上近地面逆温层和静风等天气现象发生频率较高，不利于污染物扩散和稀释。

3.3污染物PM2.5浓度变化与社会功能区域关系分析

如图3所示，环保西院，工业较多，人口密度大，车辆多交通拥挤，人类活动频繁，其年均PM2.5超过其他城区；开发区，人口密度低，绿地分布广，无明显污染源，其年均PM2.5浓度最低。PM2.5年平均浓度的区域差异，工业居民混合区的PM2.5浓度变化最为明显，而居民区的PM2.5浓度变化略低。这说明人类活动、交通状况、商业活动强度是全市PM2.5浓度影响最主要因素，因此各区域的社会功能对城市空气质量起着不同的作用。

4结果与结论

新乡市大气环境中PM2.5浓度年度变化呈现明显下降，但均超过了国家规定的二级标准， PM2.5污染程度仍然较重。季节变化呈现出春、冬季高，夏、秋季低的差异性。各功能区域中大气污染中PM2.5浓度变化为人口密集、交通拥堵、经济活跃的工业混合区最为显著；人口密度低，绿地分布广，无明显污染源的居民区最不明显。

本研究表明人类日常活动、季节变化是该市PM2.5浓度变化的主要因素，这也说明城市大气环境质量的变化是人类活动和自然环境相互作用的结果。但导致大气环境质量状态变化的因素是多方面的，需要进一步采用更多指标，更全面揭示城市大气环境质量动态变化规律。

参考文献：

[1]

王京丽，刘旭林.北京市大气细粒子质量浓度与能见度定量关系初探[J]. 气象学报，2006，64（2）：221～228.

[2]杨新兴，冯丽华.大气颗粒物PM2.5及其危害[J].前沿科学，2012，6（1）：22～31.

[3]朱能文. 颗粒物浓度的影响因素及变化规律[J]. 环境科学动态， 2005（2）： 16～18.

[4]宋宇， 唐孝炎， 方晨，等. 北京市能见度下降与颗粒物污染的关系[J]. 环境科学学报， 2003， 23（4）： 468～471.

篇3

关键词：铜山矿 大气环境质量 污染物排放 监测分析

中图分类号：X37 文献标识码：A 文章编号：1672-3791（2017）01（a）-0000-00

作者简介：李毛毛（1986-），汉族，女，安徽池州，本科，助理工程师，主要从事矿山环境保护的管理工作。

铜山矿是铜陵有色金属集团公司的主力矿山之一，地处安徽省池州市境内，主要从事铜矿采选，采选能力为2000t/d。矿山深部资源项目分两期开采，一期开采-613m中段以上矿体，二期开采-613m中段以下矿体。工程主要包括主井、副井和风井等采矿工程、选矿工程及其他公共辅助设施。矿山采选作业可能会产生矿区环境大气污染，为了了解其正常生产情况下的污染情况，对该矿区大气环境进行现状调查与分析。

1工程概况

该矿原工程设计内容中选矿工艺为“三段一闭路破碎+球磨”，充填工艺为分级尾砂充填。随着全尾充填技术日臻成熟并在集团内的冬瓜山铜矿和凤凰山矿业公司的运用，企业采用“全尾充填替代分级尾砂充填”，增加尾砂井下充填量。

另外，矿山在实际建设中还发生了一些工程内容变更，主要变更内容包括以下四方面：

（1）破碎磨矿工艺变更。采用“半自磨+直线振动筛闭路系统”替代“三段一闭路破碎+球磨”，取消了地面破碎工序，增加井下粗破碎工序，减少粉尘污染。

（2）尾矿脱水设施变更。采用全尾充填工艺，尾砂输送量和输送浓度大幅度提高，配套的浓缩和过滤设施能力也相应提高，因此采用高效率的新型浓密机和陶瓷过滤机取代老式浓密机和外滤式过滤机，优化浓缩和脱水效果，从而提高充填输送浓度和充填能力。

（3）充填工艺和充填站位置变化。充填工艺由原来设计的分级充填变更为全尾充填。另外，由于充填送浓度的提高，最大输送距离受到限制，将充填站迁建于距离选矿厂较近的位置，缩短了地表尾砂输送距离。

（4）尾矿库尾砂入库地点变更。实施全尾充填后，由于进入尾矿库的尾砂将大幅度减少，尾矿库所需库容也相应减少。为了减少尾矿库对环境的影响，在原有尾矿库干滩上建立子坝，将尾矿放砂地点由坝体变更到子坝，将子坝和原坝体之间实施生态复垦工程，从而缩小干滩面，减少尾矿库干滩扬尘污染范围。

2 大气污染物排放变化情况

该矿工程项目变更前废气污染源主要是井下采矿作业粉尘、选矿破碎筛分产生的粉尘，道路运输扬尘水泥仓扬尘、尾矿库扬尘等。变更后，项目废气污染源主要有井下废气（包括粗碎系统粉尘）、转运站粉尘、充填站粉尘、尾矿库扬尘、以及运输道路扬尘、废石场粉尘等。工程变更前后主要大气污染物排放变化情况见表1所示。

由表1可以看出，变更后，因转运站、原矿仓的无组织排放变为有组织排放，同时中细碎系统和筛分系统取消，因此废气产生量大大减少，减少约13.843t/a。

3 大气环境质量监测变化情况

3.1变更前大气环境质量监测分析

工程变更前于2007年3月12日-3月16日委托铜陵市环境监测站对项目所在地环境质量进行了连续5天的监测，监测项目为PM10、TSP、SO2、NO2，共布设铜山矿区、南泉村、铜山镇政府三个点，监测结果见表2。

由表2监测结果可知，矿区环境影响范围内SO2、NO2均达到《环境空气质量标准》（GB3095―1996）中二级标准，TSP浓度超标率达6.7%、PM10浓度超标率达46.7%。

TSP、PM10浓度超标时段出现在3月14日的2#点（南泉村）、和3#点的（镇政府），主要因气象条件与汽车扬尘影响所致。

3.2 变更后大气环境质量监测分析

1、监测结果

工程变更后，委托上海检测技术有限公司于2015年3月24日至3月28日、3月30日至31日共7天对设定的监测点（刘冲村、铜山镇政府、铜源村、南泉村4个监测点）进行了大气环境质量现状监测，日均浓度监测结果见表3。

2、监测结果分析

分析方法

评价方法采用单因子标准指数法：

分析标准

分析标准采用《环境空气质量标准》（GB3095-2012）二级标准。

结果分析

日均浓度监测结果分析见表4。

由表4可以看出：刘冲村、铜山镇政府、铜源村、南泉村4个监测点TSP、PM10、SO2、NO2标准指数均小于1，日均浓度未出现超标。总体来看，项目区域环境空气TSP、PM10、SO2及NO2日均浓度可满足《环境空气质量标准》（GB3095-2012）二级标准要求，无超标现象。

4 结论与分析

经过对铜山矿深部矿产资源采选工程项目变更后的工程分析，计算了项目变更前后大气污染物排放的变化情况，主要大气污染物排放总量有所减少；同时对变更前后的大气环境质量进行了现场监测，结果表明项目变更后的大气环境影响在当地环境可接受的允许范围内。

变更后的大气环境质量现状与变更前的相比，区域环境质量大大改善，主要原因是因企业最近几年加强了矿区的大气污染控制措施，改善了运输路面，增设了洒水车，同时废弃了原有的选厂，新建了选厂，取消了中细碎车间，并配套建设各项除尘设施。

参考文献

篇4

当前，威胁人类生存的十大环境问题是：

4.1 （一）全球气候变暖由于人口的

增加和人类生产活动的规模越来越大，向大气释放的二氧化碳(co2)、甲烷(ch4)、一氧化二氮(n2o)、氯氟碳化合物(cfc)、四氯化碳(ccl4)、一氧化碳(co)等温室气体不断增加，导致大气的组成发生变化。大气质量受到影响，气候有逐渐变暖的趋势。由于全球气候变暖，将会对全球产生各种不同的影响，较高的温度可使极地冰川融化，海平面每xx年将升高6厘米，因而将使一些海岸地区被淹没。全球变暖也可能影响到降雨和大气环流的变化，使气候反常，易造成旱涝灾害，这些都可能导致生态系统发生变化和破坏，全球气候变化将对人类生活产生一系列重大影响。

4.2 （二）臭氧层的耗损与破坏在离地球表面10~50千米的大气平流层中集中了地球上90%的臭氧气体，在离地面25千米处臭氧浓度最大，形成了厚度约为3毫米的臭氧集中层，称为臭氧层。它能吸收太阳的紫外线，以保护地球上的生命免遭过量紫外线的伤害，并将能量贮存在上层大气，起到调节气候的作用。但臭氧层是一个很脆弱的大气层，如果进入一些破坏臭氧的气体，它们就会和臭氧发生化学作用，臭氧层就会遭到破坏。臭氧层被破坏，将使地面受到紫外线辐射的强度增加，给地球上的生命带来很大的危害。研究表明，紫外线辐射能破坏生物蛋白质和基因物质脱氧核糖核酸，造成细胞死亡;使人类皮肤癌发病率增高;伤害眼睛，导致白内障而使眼睛失明;抑制植物如大豆、瓜类、蔬菜等的生长，并穿透10米深的水层，杀死浮游生物和微生物，从而危及水中生物的食物链和自由氧的来源，影响生态平衡和水体的自净能力。

4.3 （三）生物多样性减少《生物多样

性公约》指出，生物多样性“是指所有来源的形形的生物体，这些来源包括陆地、海洋和其他水生生态系统及其所构成的生态综合体;它包括物种内部、物种之间和生态系统的多样性。”在漫长的生物进化过程中会产生一些新的物种，同时，随着生态环境条件的变化，也会使一些物种消失。所以说，生物多样性是在不断变化的。近百年来，由于人口的急剧增加和人类对资源的不合理开发，加之环境污染等原因，地球上的各种生物及其生态系统受到了极大的冲击，生物多样性也受到了很大的损害。有关学者估计，世界上每年至少有5万种生物物种灭绝，平均每天灭绝的物种达140个，估计到21世纪初，全世界野生生物的损失可达其总数的15%~30%。在中国，由于人口增长和经济发展的压力，对生物资源的不合理利用和破坏，生物多样性所遭受的损失也非常严重，大约已有200个物种已经灭绝;估计约有5000种植物已处于濒危状态，这些约占中国高等植物总数的20%;大约还有398种脊椎动物也处在濒危状态，约占中国脊椎动物总数的7.7%左右。因此，保护和拯救生物多样性以及这些生物赖以生存的生活条件，同样是摆在我们面前的重要任务。

4.4 （四）酸雨蔓延酸雨是指大气降水中酸碱度(ph值)低于5.6的雨、雪或其他形式的降水。这是大气污染的一种表现。 酸雨对人类环境的影响是多方面的。酸雨降落到河流、湖泊中，会妨碍水中鱼、虾的成长，以致鱼虾减少或绝迹;酸雨还导致土壤酸化，破坏土壤的营养，使土壤贫瘠化，危害植物的生长，造成作物减产，危害森林的生长。此外，酸雨还腐蚀建筑材料，有关资料说明，近十几年来，酸雨地区的一些古迹特别是石刻、石雕或铜塑像的损坏超过以往百年以上，甚至千年以上。世界已有三大酸雨区。我国华南酸雨区是唯一尚未治理的。

4.5 （五）森林锐减在今天的地球上，我们的绿色屏障——森林正以平均每年4000平方公里的速度消失。森林的减少使其涵养水源的功能受到破坏，造成了物种的减少和水土流失，对二氧化碳的吸收减少进而又加剧了温室效应。

4.6 （六）土地荒漠化全球

陆地面积占60%，其中沙漠和沙漠化面积29%。每年有600万公顷的土地变成沙漠。经济损失每年423亿美元。全球共有干旱、半干旱土地50亿公顷，其中33亿遭到荒漠化威胁。致使每年有600万公顷的农田、900万公顷的牧区失去生产力。人类文明的摇篮底格里斯河、幼发拉底河流域，已由沃土变成荒漠。中国的黄河流域，水土流失亦十分严重。

4.7 （七）大气污染大气污染的主要因子为悬浮颗粒物、一氧化碳、臭氧、二氧化碳、氮氧化物、铅等。大气污染导致每年有30-70万人因烟尘污染提前死亡，2500万的儿童患慢性喉炎，400-700万的农村妇女儿童受害。

4.8 （八）水污染水是我们日常最需要，也上接触最多的物质之一，然而就是水如今也成了危险品。

4.9 （九）海洋污染人类活动使近海区的氮和磷增加50%-200%;过量营养物导致沿海藻类大量生长;波罗的海、北海、黑海、东中国海(东海)等出现赤潮。海洋污染导致赤潮频繁发生，破坏了红树林、珊瑚礁、海草，使近海鱼虾锐减，渔业损失惨重。

篇5

区大气环境质量、监测结果显示：与相比，区环境空气质量总体基本保持稳定。环境空气中主要污染物浓度有升有降，按《环境空气质量标准》（gb3095—1996）二级标准加以考核全部达标。

1．质量状况

大

气质量监测指标有：二氧化硫、氮氧化物、总悬浮颗粒物（tsp）、pm10。以国家环境空气质量标准（gb3095—1966）中年日平均值二级标准评定本区环境空气质量污染水平，达到了国家环境空气质量二级标准，其中二氧化硫、氮氧化物均达到国家一级标准。

2．污染因子比较

区二氧化硫、氮氧化物、总悬浮颗粒浓度略低于郊县年平均值，而pm10接近城区年平均值。我区空气质量一级天数为40天、二级天数为325天；空气质量一级为55天、二级天数为310天；总优良率均为100%。二级天数大于市区，但一级天数少于市区。

二、原因分析及对策

1．选址不合理

监测点位按规定应设在区政府所在地，但目前仍在朱泾镇。由于监测点位设在320国道和水泥厂附近，且近年来附近区域建筑和市政施工大为增加，客观上造成总悬浮颗粒和可吸入颗粒物（pm10）浓度较高。

2．监测仪器设备陈旧、分析方法落后

总悬浮颗粒和可吸入颗粒物（pm10）浓度的测试仍采用手工采样、实验室分析手段，重量法分析方法的准确度主要取决采样仪器设备和监测环境条件。而市中心和一些区站已建立大气质量自动在线监测站，采用较为先进的采样仪器设备，提高了分析质量。若我区也采用自动在线监测，则更能真实客观地反映我区大气环境质量水平。

3．企事业单位燃煤锅炉烟尘污染、企业排放的废气和餐饮业排放的油烟气

目前我区尚有部分地区和企业使用燃煤锅炉，城镇餐饮业油烟气大量增多，有关设施尚未完善，必须配套治理装置，或使用清洁能源。

4．机动车数量逐年递增，尾气排放污染严重

有关部门应对机动车尾气排放加强管理，按欧盟二号废气排放标准执行。

5．道路、市政、建筑工地的扬尘增多

由于近几年我区道路和基建项目大量上马，导致扬尘增多，应当采取防治扬尘污染的措施。

6．土壤的扬尘

篇6

关键词： PM2.5； 相关性分析； 高斯模型； 当量污染源； 杜哈梅积分

中图分类号： TN919?34； TP319 文献标识码： A 文章编号： 1004?373X（2014）18?0063?04

Analysis of factors related to PM2.5 and prediction for its evolution

LI Wei1， JIANG Zhi?ping1， LI Jun?po1， LIU Hao2

（1. College of Aerospace Engineering， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China；

2. College of Science， Nanjing University of Aeronautics and Astronautics， Nanjing 211106， China）

Abstract： Correlation analysis of AQI （air quality index） including the six basic monitoring indicators was conducted with statistical method. The specific relationship between PM2.5 and the other five indicators was achieved. As the dispersivity of pollution sources of PN2.5， the location and its relevant parameters of the equivalent pollution source were calculated according to monitoring data. Besides， the math model describing the PM2.5 concentration and its evolution was established based on the instantaneous Gauss model and Duhamel integral. According to the “Ambient Air Quality Standards” （GB3095―2012）， the seriously polluted and safe areas changing with time are illustrated dynamically.

Keywords： PM2.5； correlation analysis； Gauss model； equivalent pollution source； Duhamel integral

0 引 言

大气中直径小于或等于2.5 μm的颗粒物（以下简称PM2.5）对人体健康和环境的危害逐渐引起人们的关注。PM2.5与粒径较大的大气颗粒物相比，在大气中停留时间长、输送距离远、可吸入肺部等，对人体健康和大气质量影响更大，其危害性逐渐引起人们的关注。雾霾天气严重影响着人们的健康。近年来突发性大气污染逐渐成为各国关注的安全问题[1?2]。引起大气污染的两个基本要素是大气气溶胶和气态大气污染物[3?4]。2012年2月，环境保护部公布了新修订的《环境空气质量标准》 （GB3095?2012），与新标准同步还实施了《环境空气质量指数（AQI）技术规定（试行）》 （HJ633?2012），新标准中，首次将产生灰霾的主要因素――对人类健康危害极大的PM2.5的浓度指标作为空气质量监测指标。因此，了解导致PM2.5产生的因素以及其扩散规律对于减轻其危害和制定防治策略是很必要的。王风林等针对已知污染源空间位置的情况探讨了突发性环境污染事故中危险品的大气扩散在泄露和爆炸两种条件下的扩散模型，对于类似PM2.5污染源分散的情况没有研究[5]。胡二邦等定量测算了不同天气条件下扩散参数的不确定度，研究了大气污染扩散参数的不确定性以及其对扩散因子的影响，研究表明在同一地点，同一天气类型，扩散参数实测值相差两个数量级[6]。周顺武等利用二氧化硫、二氧化氮、可吸入颗粒物三项指标，分析了污染物浓度的分布特征[7]。由于影响PM2.5扩散的因素很多，与当地气象要素场密切相关[8]。针对不同因素建立的模型其适用范围受到限制。高斯扩散模型[9]以其模型简单、易于理解、运算量小等特点，是目前应用最广泛的气体扩散模型之一[10]。该模型基于污染物浓度分布符合正态分布的假设。本文分析了各监测指标（二氧化硫、二氧化氮、可吸入颗粒物、PM2.5、臭氧和一氧化碳等6项）之间的相关性，并根据监测点数据给出了等价污染源的确定方法，通过综合考虑浓度梯度、风向、风速等要素的PM2.5高斯扩散模型，预测了其浓度和演变过程，给出了各个时间段重度污染区域和安全区域，该结果可以为污染的预防、人员的疏散、城市布局规划等提供理论支持。

1 监测指标的统计学分析

1.1 监测指标相关性分析

各个监测指标之间的联系与差别比较复杂，为了定量分析它们之间的关联性与独立性，采用Pearson相关系数[11]建立任意两个监测指标之间的联系。

Pearson相关系数定义为：

[λ=Nxiyi-xiyiNx2i-（xi）2Ny2i-（yi）2] （1）

式中：[λ]表示Person相关系数[λ∈-1，1]，且[λ]绝对值越大，相关性越强；[x]，[y]分别表示两组分析指标对应的数据列。运用软件SPSS容易获得6个监测指标的相关系数矩阵，如表1所示。

由表1可见，PM2.5与二氧化硫、二氧化氮、可吸入颗粒物、一氧化碳均有强正相关性，而与臭氧具有较弱的负相关性。臭氧与其余的各个监测指标均为不同程度的负相关，可知一定浓度的臭氧对于防止PM2.5的产生具有积极的作用，除臭氧外，其余监测指标均会促使PM2.5的产生。

表1 监测指标相关系数

1.2 PM2.5与监测指标线性分析

由表1中的Pearson相关系数可以看出，PM2.5与除臭氧外的其他四项监测指标均有强相关性，且都大于0.72。为此可采用线性回归的方法并用偏相关理论对其进行分析验证，建立PM2.5与该5个监测指标的关系。定义二氧化硫[x1]、二氧化氮[x2]、可吸入颗粒物[x3]、一氧化碳[x4]、臭氧[x5]的权重系数分别为[w1，w2，???，w5]，调整常数项[c]。即PM2.5表达式为：

[y=w1x1+w2x2+w3x3+w4x4+w5x5+c] （2）

监测到的PM2.5的浓度与式（2）中得出的PM2.5的浓度误差平方和最小（最小二乘法），即满足如下关系：

[min=j=1myj-i=15wi?xij+c2] （3）

式中：[m]为（本文中[m]取238）监测数据组数；[x1j，x2j，][x3j，x4j，x5j，yj] 分别表示第[j]组时二氧化硫、二氧化氮、可吸入颗粒物、臭氧、一氧化碳和PM2.5的监测浓度。

以式（3）为约束条件，将监测数据代入式（3），运用运筹学规划软件Lingo可得出各指标的权重系数和调整常数项，即细颗粒物PM2.5的关系式为：

[y=0.179x1+0.443x2+0.881x3+2.210x4-0.332x5-33.413] （4）

采用偏相关理论进行分析验证，结果见表2。

表2 偏相关分析

分析数据显示二氧化硫的显著性水平大于0.05，说明其与PM2.5不是线性关系。但二氧化硫的权重是最小的，因此其对PM2.5的产生影响较小。

2 扩散模型建立

本文分析的数据包括了不同时间、温度、季节、风向、地形6个监测参数的测量值，对于数据缺失的情况，采用径向基函数插值法[12]将数据补充完整。为了深入分析各变量对监测参量的影响，采用限制变量的方法，观察个别变量对监测参量的统计规律，然后再进行综合评价。

2.1 监测数据分析

PM2.5的数据为一段时间内的平均值，影响因素较多，包括天气、温度、风向、风速等变量，以长安区、小寨、纺织城等三个地区监测数据采用分布Q?Q图对原始数据进行初步分析，分析结果如图 1所示。数据点基本落在直线上，PM2.5浓度大致符合正态分布规律。

图1 正态分布检验

2.2 模型的建立与分析

由于诱导PM2.5产生的因素较多，污染源分布分散，为了简化计算，在保证精度的前提下，做出如下假设：

（1） 测量点所在的高度一致，根据气象部分的数据，为1.5 m；

（2） 风的平均流场稳定，风速均匀，风向平直；

（3） 污染物在输送扩散中遵守质量守恒定律；

（4） 污染源的源强均匀、连续。

点污染源的高斯模型中，污染物分布满足式（5）。[C（x，y，z）=Q（2π）32・σx・σy・σze-x22σ2x・e-y22σ2y・（e-（z-h）22σ2z+e-（z+2H+h）22σ2z）] （5）

式中[C（x，y，z）]为当量污染源浓度；[Ci]为各个监测点污染物浓度；[Q] 为污染源场强；[σx，σy，σz]为扩散系数；[H]表示混合层高度；[h]为有效污染源高度，假设[x]轴与风向一致，[z]轴铅直向上。

采用如式（6）所示为约束条件：

[min=1ni=1nC（x，y，z）-Ci] （6）

式中[n]为监测点个数，可求出当量污染源的场强[Q]以及相对位置[（x0，y0）]等参数。

为了计算方便，将13个监测点编号1～13，以1（长安区）为坐标原点，各监测点的相对位置可在地图上的位置得出，如图2所示，当量污染源坐标位置及参数如表3所示。

图2 当量污染源以及各监测点位置示意图

表3 当量污染源坐标位置及参数

从瞬间点源排放的污染物，其转换和扩散主要受以下几个要素影响：污染物浓度及浓度梯度、当地风速以及风向、污染物的转化和耗散、地形等。无界瞬时点源的污染物浓度函数[13]为：

[C（x，y，z，t）=Q（2π）32・σx・σy・σz・e-（x-ut）22σ2x・e-（y-vt）22σ2y・ （e-（z-h-wt）22σ2z+e-（z+2H+h-wt）22σ2z）] （7）

式中：[Q]表示源强；[υ]，[ω] 均为零。其解具有以下形式：

[C（x，y，z，t）=Q（2π）32・σx・σy・σz・e-（x-ut）22σ2x・e-y22σ2y・（e-（z-h）22σ2z+e-（z+H）22σ2z）] （8）

若瞬间污染源排放不是作用在[t]=0时刻，而是在[t=τ]，则其污染物传播也将滞后时间[τ]。[C（x，y，z，t）=Q（2π）32・σx・σy・σz・e-（x-u（t-τ））22σ2x・e-y22σ2y・ （e-（z-h）22σ2z+e-（z+H）22σ2z）， t≥τ] （9）

通过式（8）可以求解瞬态污染源排放特定时间下的扩散。

[Q（x，y，z，t）=t1t2C（x，y，z，t-τ）dτ] （10）

式中：[t1]，[t2]分别为瞬态污染源排放的开始和截止时间。[σy] 和[σz] 对计算结果影响较大[6，14?15]，在保证计算精度的前提下，为方便计算，对[σx]，[σy]和[σz]采用经验公式，即布里吉斯扩散参数，大气稳定度划分采用较成熟的帕斯奎尔稳定度分类法[16]。高斯公式中，城市和开阔地的布里吉斯以烟云的宽度和高度来表示横方向和垂直方向的扩散。积分结果为：

[Q（x，y，z，t）=Φut2-（ut-x）σx-Φut1-（ut-x）σx2πσxAu] （11）

式中：[Φ（x）] 表示标准正态分布函数，积分结果由标准正态分布得到，[A]为：

[A=Q（2π）32σxσyσz・ey22σ2y（e-（z-h）22σ2z+e-（z+H）22σ2z）] （12）

计算机仿真得出该地区在当量污染源喷发2 h，刮西风，风速为4 m/s的情况下，13个监测地点PM2.5的浓度随时间的变化情况，如图3所示。从图3可看出，受风向和与假想污染点源距离的影响，各地浓度变化速率呈现比较大的差异。其中高压开关厂污染物达到的峰值最高，约为1 000 μg/m3，达到峰值后，浓度维持峰值附近，高压开关厂、市人民体育场、临潼区以及纺织城峰值持续时间超过1 h，约70 min，此阶段PM2.5浓度很高，对人健康造成的负面影响将很大，此时应该避免外出活动，并关闭门窗。与图2中看到的各个测量点和虚拟污染源的相对位置可以看出，分析结果符合事实情况。

图3 PM2.5浓度随时间变化情况

图4为在瞬时污染源排放1.5 h、2 h、4 h以及4.5 h PM2.5的分布情况。该处忽略各区域原先含有的PM2.5。1.5 h后，在西风作用下，PM2.5快速扩散，靠近污染源的高压开关厂首先进入其影响范围，浓度逐渐增大。从图中PM2.5的浓度分布情况反应出来风力以及风向对其传播的巨大影响，与前面的分析相一致。2 h后，污染物继续在风传播方向上快速传播，受其影响，高压开关厂、市人民体育场以及兴庆小区最高浓度超过了[300 μg/m3]，为严重污染。为了居民健康，除了主动避免外出外，相关部门应当实施紧急应对措施，以使污染物浓度快速下降。

图4 污染区域随时间变化图

4 h后，PM2.5的污染团整体向东移动，其影响范围进一步扩大。图中所示的处在风经过的地区，PM2.5浓度继续维持高位，而此时最先受到污染的高压开关厂处于严重污染的边缘，其浓度处于下降阶段。到4.5 h以后，绝大部分所示地区均已处于浓度相对较小的区域，此时PM2.5浓度较高的区域已经快速移动到东南方向，而且其浓度也有了一定程度的减小。当在污染源排放约5 h后，所给13个监测地点其污染物浓度全部接近于[0 μg/m3]，人群可以安全活动。

3 结 论

本文通过对[AQI]监测指标的分析，确定了当量污染源的位置，基于高斯扩散模型对当量污染源喷发两小时、刮西风的情况进行了分析。该模型能基本反映和预测污染物PM2.5随时间以及空间的扩散规律，而且该方法也可以对于核污染、有毒有害气体泄漏、生化恐怖袭击等问题的防治具有借鉴意义。该模型较好地解决了西安市地区PM2.5当量污染源处浓度突然增至2倍，持续2 h后该区域的污染状况，但是该模型也存在着以下问题：实验数据有限，无法充分反映该地区的污染物浓度；忽略了地形对污染物扩散的影响；当量污染源的位置存在误差。在今后的研究中该模型需要进一步完善。

参考文献

[1] 金银龙，赵宝新.中国煤烟型大气污染对人群健康危害的定量研究[J].卫生研究，2002，31（5）：342?348.

[2] 陈伟，吴介军，段渭军.基于小波分解和 SVM 的城市大气污染浓度预测[J].现代电子技术，2011，34（13）：145?148.

[3] 王玮，汤大钢，刘红杰.中国 PM2. 5污染状况和污染特征的研究[J].环境科学研究，2000，13（1）：1?5.

[4] 李中愚.颗粒物污染特性分析[J].环境科学与技术，1990（1）：4?6.

[5] 王凤林，毕彤，刘振山，等.突发性环境污染事故大气扩散数学模型初探[J].辽宁城乡环境科技，2000，20（2）：35?37.

[6] 胡二邦，王寒，马红友.扩散参数的不确定性及其对扩散因子的影响[J].环境科学，1998（1）：69?72.

[7] 周顺武，黄琼中.拉萨市空气污染物浓度的统计分析及其可能的天气原因[J].科技，2002（5）：39?42.

[8] 周丽，徐祥德，丁国安，等.北京地区气溶胶 PM2.5粒子浓度的相关因子及其估算模型[J].气象学报，2003，61（6）：761?768.

[9] 黄金杰，杨桂花，马骏驰.基于高斯的大气污染评价模型[J].计算机仿真，2011，28（2）：101?104.

[10] 何宁，吴宗之，郑伟.一种改进的有毒气体扩散高斯模型算法及仿真[J].应用基础与工程科学学报，2010，18（4）：571?580.

[11] LEE R J， NICEWANDER W A. Thirteen ways to look at the correlation coefficient [J]. The American Statistician， 1988， 42（1）：59?66.

（上接第66页）

[12] 魏义坤，杨威，刘静.关于径向基函数插值方法及其应用[J].沈阳大学学报，2008，20（1）：7?9.

[13] 邬毅敏.基于 GIS 的大气点源污染高斯烟羽扩散模拟研究[D].上海：华东师范大学，2010.

[14] 郑飞，张镭，朱江，等.复杂地形城市冬季边界层气溶胶扩散和分布模拟[J].高原气象，2008，26（3）：532?540.

篇7

关键词 雾霾；变化特征；低能见度；影响因子；山东东营

中图分类号 P427 文献标识码 A 文章编号 1007-5739（2016）19-0238-05

雾霾是发生在大气近地面层的一种重要的气象灾害天气，近年来我国雾霾低能见度天气频繁发生，对城市大气环境、群众健康、交通安全、农业生产的影响日益显著。2011年，雾霾天气第1次入选中国十大天气气候事件，反映出社会公众对雾霾天气关注程度的进一步提高。

丁一汇[1]、吴 兑[2]等对中国雾霾长期变化特征进行研究，指出中国年霾日数呈明显上升趋势，雾日数呈下降趋势；张人禾等[3]对产生雾霾的气象条件进行分析，指出雾霾区域表面风速、500 hPa的水平风垂直梯度以及对流层中低层的水平风垂直切边、层结不稳定和温度露点差均是影响雾霾的气象因子；王京丽[4]、Deng[5]等研究指出，气溶胶与雾霾能见度存在显著的相关关系，且雾霾天气同时发生时，它们之间难以确定明确界限；张新荣等[6]指出，大气底层暖平流、大气层结相对稳定和充沛的水汽条件对我国东部大雾产生有重要作用。在分析东营雾霾变化特征的基础上，针对东营2013―2014年气象观测资料、气溶胶观测资料和天气图资料，确定了影响雾霾低能见度的具体因子，计算了相关性，加深了对雾霾的认识，为利用数学模型进行能见度预报提供了依据。

1 资料来源

本文所用资料包括东营气象观测站的雾、霾、能见度和相对湿度等逐日观测数据；东营环境监测站的PM2.5等气溶胶数据逐日观测资料；CMAcast下发的天气图资料。

2 东营地区雾霾变化特征

雾日定义为每天出现1次雾及以上为1个雾日，年内的雾日数为雾日的累加；霾日定义为每天出现1次霾及以上为1个霾日，年内的霾日数为霾日的累加。

以东营气象观测站的数据代表东营地区进行表述。东营地区1981―2015年平均雾日数为每年12.5 d，最多为1990年的32 d，最少为1986年的6 d；1981―2015年平均霾日数为每年25.5 d，最多为2015年的102 d，最少为1996年和1998年，均为1 d。图1是1981―2015年东营地区年雾日数和霾日数的时间演变曲线。可以看到，东营年雾日数总体变化不大，除了1990年雾日数明显偏多以外，其他年份均在平均值上下正常波动，2008年以后有减少的趋势。年霾日数变化较大，1981―1990年呈上升趋势，1991―1997年呈下降趋势，之后再次小幅上升至2005年，然后再次下降至2009年，2010年以后呈直线上升趋势。

从东营逐月雾霾日数的趋势变化（图2）来看，雾多发生在深秋至冬季，而霾多发生在深秋至次年的春季，夏季都是雾和霾出现最少的季节。但是，2012年以来，霾日数较之前呈现明显增加的趋势，其月分布特点也发生了变化。除了10月至次年3月仍然是霾高发期以外，7月也成为容易出现霾的月份。

3 雾霾低能见度影响因子

3.1 雾霾低能见度天气样本分型

从雾霾低能见度天气的性质分析，此类天气包含有雾、轻雾和霾3种天气现象。雾和轻雾主要是水汽影响视程能见度的现象，在后文表述中统称为雾；而霾则是气溶胶粒子影响视程能见度的现象，两者的本质是不同的。但是研究发现，气溶胶粒子在水汽饱和时显著增大并影响能见度，因此雾霾混合出现影响能见度的现象也时有发生。本文主要针对有霾和无霾2种低能见度类型进行研究的。

依据目前霾天气预警的标准和实际工作需要，能见度6 km以上的雾霾对工作生活影响不大。在本文中，定义全天出现了能见度≤6 km的雾或霾，即为1个雾霾日；否则视为本日无雾霾，即为无雾霾日。雾霾日样本分为有霾样本和无霾样本。

3.2 雾霾低能见度影响因子分析

查阅东营气象站2013―2014年资料，符合雾霾日的样本216个，占全部样本的29.6%。在这216个样本中，只出现霾的样本33个，占雾霾日样本的15.3%；雾霾同时出现的88个，占40.7%；只出现雾的95个，占44%。可见大部分雾霾日是伴随雾出现的，而出现霾时大部分情况伴随雾出现，但出现雾时不一定伴随霾出现。

总结气象工作者的研究，影响雾霾低能见度天气的主要因子包括天气形势因子、气溶胶因子、水汽因子、低层平流因子和基础能见度因子。本文主要通过分析雾霾低能见度天气与以上因子的具体关系，找到各个影响因子的差异，从而为建立能见度预报数学模型提供依据。

3.2.1 环流形势因子。有利的天气形势是出现雾霾低能见度的环境基础。天气形势具体描述有很多方式，本文利用每日8：00天气图内插得到本站的500、700、850、925、1 000 hPa涡度来表述。这种方式的优势：一是将复杂的天气形势简单化，利用各层涡度表述高空至地面的辐合辐散，免去复杂的天气形势分型和个人表述差异；二是将天气形势描述具体数字化，各层的涡度数值可以详尽描述该层辐合辐散强度；三是使得层次描述精细化，500～1 000 hPa共有5个涡度数值描述，而不是简单的高空和地面2层描述；四是有利于开发应用，数字化的描述更有利于结合数值预报与智能程序开发。根据有霾样本和无霾样本分别与无雾霾日的涡度分布对比，可以确定样本间的涡度分布差异。图3为500 hPa各型样本与无雾霾日涡度对比散点分布图，可以看出，有霾样本涡度值相对于无霾样本更趋近集中，而无雾霾日的涡度最为分散。

利用以上对比方法，可以确定各型样本不会出现雾霾的涡度范围，即出现雾霾的否定条件。按照同样方法可以得到其他高度层出现雾霾的否定条件（表1）。

表1中的区间，为样本在不同高度出现雾霾的否定条件。该区间的反区间，即为该高度出现雾霾的可能条件。比如对于有霾样本，在500 hPa上涡度≥39×10-5/s或≥-41×10-5/s即为出现雾霾的可能条件。通过计算各型样本各高度上出现雾霾可能条件的命中率，最终确定利用哪层的涡度作为天气形势因子。计算结果见表2。

利用表2确定500 hPa涡度为有霾样本的天气形势因子，925 hPa涡度为无霾样本的天气形势因子。也可以说，预报霾时应主要关注500 hPa天气形势，而预报雾时应主要关注925 hPa天气形势。需要说明的是，总体来说天气形势与雾霾的相关性并不太好。

3.2.2 气溶胶因子。雾霾天气多发的因素与污染物排放源强度和分布直接有关。将各类样本的首要污染物进行对比，找出出现雾霾时的主要污染物，从而确立影响雾霾的主要污染物因子（表3）。可见，出现雾霾时绝大多数样本的首要污染物是PM2.5，其次是O3和PM10，其他情况均可以不考虑。

大气污染物的分布随季节有明显变化，图4为2013―2014年730 d东营逐月首要污染物分布图。可以看出，冬季（12月至次年2月）大气污染物以PM2.5为主，夏季（6―8月）则是O3占据主导地位，初春和深秋季节是PM2.5和PM10平分秋色，春末和初秋则是PM2.5、PM10和O3三强鼎立。由此可见，污染物对于雾霾的影响，必须分季节进行分析。

制作有霾样本PM10与PM2.5对比图（图5），发现其变化趋势相同。由于PM10与PM2.5同属于空气颗粒物，只是粒子直径不同，而PM10经常由PM2.5颗粒吸湿增大而来。其表征的含义类似，PM2.5更精确些，对于能见度的反应也更敏感些，所以在实际应用中只保留PM2.5即可。春季也会出现因沙尘天气导致能见度变差的情况，主要污染物是PM10，不作为研究的主要内容。因此，确定PM2.5和O3是预报雾霾的污染物因子。

同样根据样本分布，确定样本不会出现雾霾的污染物因子范围，即出现雾霾的否定条件。该条件的反区间，即为该时段出现雾霾的可能条件。对于有霾样本，11月至次年3月时段内，如果PM2.5≥100 μg/m3即为出现雾霾的可能条件。通过计算各型样本出现雾霾可能条件的命中率，最终确定在何时段利用哪个污染物作为气溶胶因子进行分析。具体计算结果见表4。

根据可能条件命中率，确定4―10月PM2.5和无霾样本相关性差，为放弃因子，而其他为采用的因子。

3.2.3 水汽因子。水汽除了直接影响能见度以外，还会导致污染物颗粒吸湿增大，从而影响能见度。由于每日的最差能见度多在早晨出现，本文应用8：00观测的气象站相对湿度资料作为水汽因子，制作11月至次年3月各类样本对比散点图（图6）。可以看出，雾霾和水汽因子都有较明显的指示意义。同样确定水汽因子对于所有雾霾样本的否定条件和可能条件的命中率（表5）。可以证明，秋冬季节以相对湿度为代表的水汽因子作用比夏季大。

3.2.4 低层平流因子。低层平流因子是预报能见度的重要指标。前文的天气形势因子主要以辐合辐散来表述，其实主要表述的是大气的垂直运动。而本节的风因子，主要是表述大气的水平运动状况，即表述周围环境对本地的影响。本文利用每日8：00天气图内插得到的本站850、925、1 000 hPa的风向风速数值，作为本日低层平流因子。应用8：00观测的气象站风向风速资料作为地面风向风速因子。

（1）风向因子。利用各类样本的风向玫瑰图来对比风向的差异，图7是850 hPa风向玫瑰图。对于850 hPa风向因子，11月至次年3月有霾样本多为WNW风，无霾样本则是NW风至S风都有，无雾霾日以NW风个例最多。4―10月有霾样本多为SW风，无霾样本则是SW风和ENE风最多，无雾霾日以NW风和WSW风个例最多。850 hPa的风更多贡献为环境因素，11月至次年3月雾霾日的气流较无雾霾日更为偏西，4―10月更为偏南，均为回暖的表征。4―10月无霾样本中的ENE风，则说明该季节的弱冷空气对于雾的出现有利。同理，对照其他高度层的风向特点，总结各层不同样本的常见风向（表6）。

对于风向因子整体概括为以下特点：一是有霾样本的风向相对集中，特别是850 hPa和925 hPa；二是无霾样本除了925 hPa以外的风向分布比较分散；三是11月至次年3月无雾霾日的风向都比较集中，而4―10月的无雾霾日只有地面风向相对集中；四是4―10月的所有样本的地面风向差别不大，可以将其舍弃不用。

（2）风速因子。对比不同样本风速散点图，得到各样本各层不同季节有利于出现雾霾的风速有利条件和命中率（表7）。可以看出，11月至次年3月的命中率明显大于4―10月的命中率，11月至次年3月的有霾样本命中率大于无霾样本命中率，4―10月的有霾样本命中率小于无霾样本命中率。由于11月至次年3月850 hPa风速因子各类样本风速差别不大，风速因子剔除。

3.2.5 基础能见度因子。以前日20：00气象站的能见度作为该日的基础能见度因子，制作各类样本对比散点图，得到各样本各层不同月份有利于出现雾霾的基础能见度有利条件和命中率（表8）。可以看出，该因子11月至次年3月相关性明显高于4―10月，有霾样本相关性明显高于无霾样本。

3.3 各型相关因子

依据前文各因子分析，确定不同季节下雾和霾的相关因子（表9）。需要说明，虽然O3仅在5―9月与雾霾低能见度相关性较好，但为了数学建模方便，也将其放在4―10月区间。

4 验证结果及提高手段

利用前文所述影响能见度的相关因子，构建雾霾低能见度预报BP神经网络数学模型。将2015年东营地区数据代入模型进行验证，预报准确率见表10。

可见，11月至次年3月预报结果好于4―10月结果，原因在于气溶胶因子、水汽因子、风速因子和基础能见度因子与雾霾的相关性均是11月至次年3月更好。随着误差范围增加，预报准确率增加。因东营地区没有探空资料，无法总结逆温层因子与雾霾低能见度的关系。如果将该因子放入模型，预报结果可以进一步提高。

5 参考文献

[1] 丁一汇，柳燕菊.近50年我国雾霾的长期变化特征及其与大气湿度的关系[J].中国科学，2014，44（1）：37-48.

[2] 吴兑，吴晓京，李菲，等.1951―2005年中国大陆雾霾的时空变化[J].气象学报，2010，68（5）：680-688.

[3] 张人禾，李强，张若楠.2013年1月中国东部持续性强雾霾天气产生的气象条件分析[J].中国科学，2014，44（1）：27-36.

[4] 王京丽，刘旭林.北京市大气细粒子质量浓度月能减速定量关系初探[J].气象学报，2006，64（2）：221-228.

篇8

关键词：矿山地质环境；地质遥感；GIS

中图分类号：TU984 文献标识码： A

前言

“3S” 技术是遥感技术（Remote Sensing，RS）、地理信息系统（Geography Information Systems，GIS）和全球定位系统（Global Positioning Systems，GPS）的统称，是空间技术、传感器技术、卫星定位与导航技术和计算机技术、通讯技术相结合，多学科高度集成的对空间信息进行采集、处理、管理、分析、表达、传播和应用的现代信息技术。遥感技术不断发展，同一区域所获取的光谱信息越来越丰富、空间分辨率越来越高、时相越来越多，可为矿山地质环境监测及研究工作提供越来越多的遥感数据。利用遥感技术对矿山地质环境问题进行监测己是必然的趋势。

国土资源部对全国矿山地质环境监测内容包括侵占、破坏土地及土地复垦监测、固体废弃物及其综合利用监测、采空区地面沉（ 塌） 陷监测、山体开裂、滑坡、崩塌、泥石流地质灾害监测、水土流失和土地沙化监测、矿区地表水体污染监测、土壤污染监测、地裂缝监测、废水废液排放监测、地下水监测等11项内容。本文选取矿山环境污染遥感监测、矿区地质灾害监测和地貌景观的破坏遥感监测两个方面，为矿区地质环境监测提供新技术手段，促进“3S”技术在矿山地质环境监测中的应用。

1矿山环境污染监测

1.1水体污染监测

水污染主要是由于矿山开采过程中产生的矿坑水、废石淋滤水、选矿水及尾矿坝废水等直接排放到江河湖泊或者未达到工业废水排放标准，水体污染是环境评价的重要指标之一。对于水体污染的监测可对水体污染区制作遥感图像三维可视化图，从而直观的看出水污染的情况。

1.2大气污染监测

矿区大气污染重要是由于炼矿厂炼矿排放出来的有害气体引起。在遥感影像上表现为位于烟囱附近，且被污染区域下方地物朦胧，有雾笼罩感，TM、ETM光谱信息丰富， 对大气污染识别较好。

2矿区地质灾害监测

2.1 滑坡遥感监测

矿产资源开发能够引发滑坡地质灾害，主要表现为2种形式：一是开采过程直接造成山体滑坡；二是产生的排土场、煤矸石等固体废弃物，堆积到一定程度时， 在内外营力共同作用下形成松散层滑（坡）塌。矿区滑坡遥感监测方法， 需要借助地理信息系统技术并通过相关的遥感信息模型进行。首先，通过多源遥感数据获取上述影响滑坡发育的因子， 并确定其对滑坡发育的重要程度；然后，根据滑坡或者斜坡所处部位含有的重要因子进行矿区滑坡稳定性评价。如利用地形判别法、人工神经网络方法等，其中地形判别法能够有效地避免对评价因子赋值的主观性。

2.2泥石流遥感监测

泥石流是一种严重的洪流作用下形成的地质灾害，其形成有3个基本条件：一是松散物发育；二是河谷纵坡坡降5%-30%；三十一定的水动力条件。决定因素是形成水动力条件的降雨临界值。泥石流发育的地段常是崩塌、滑坡发育的地段。遥感影像记录了大量的泥石流直接与间接信息。在SPOT影像上，采用213 波段组合，图像进行线性增强后，泥石流沟显示灰白彩，沟口的扇状冲积锥显示较清晰；QuickBird影像上对较小型的泥石流都能很好的辨认。

3地貌景观的破坏监测

煤矿、铁矿及非金属矿露天开采，道路开挖，造成基岩、地表土壤剥离、植被破坏，导致地表类型从植被过渡到的矿石，从而增加了降雨和岩石的接触面积，造成了矿山环境的污染。产生的固体废弃物占压大量土地，尾矿在遥感影像上最容易识别，能较清晰地显示矿产开采产生的地质环境问题。利用不同时相、不同分辨率的遥感影像，采用图像融合和图像增强的方法，提取矿山植被破坏动态监测的变化信息，分析出不同时间段开矿对植被破坏情况，并可通过GIS空间分析功能定量计算出矿山破坏和占用的土地面积，并利用GPS野外核查和实地采点，进一步核查矿山破坏情况，从而为科学地进行矿山环境保护工作提供重要的支撑数据。

4 结语

本文通过对矿山环境污染监测、矿区地质灾害监测和地貌景观的破坏监测三个方面的遥感工作方法概述，利用遥感和 GPS 技术开展遥感监测工作，通过监测数据变化的时空分析，设计 GIS 数据的更新模型。可监测程度与影像的分辨率、周围地物属性、解译者的专业知识等密切相关，可监测频率则与影像获取能力有密切关系。对大面积的污染监测、地质灾害监测、地貌景观破坏监测等可选取多时相的中等分辨率的遥感影像（TM/ETM/OLI）进行动态监测；对小区域的污染监测、地质灾害监测、地貌景观破坏监测等可结合中等分辨率（TM/ETM/OLI）和高分数据（SPOT）相结合的方法来进行遥感监测；对小规模的污染监测、地质灾害监测、地貌景观破坏监测等可采用更高分辨率的遥感影像（QuickBird＼IKONOS）和航片（无人机航片）进行监测。

随着资源三号卫星等高分辨率立体测绘卫星、环境与灾害监测预报小卫星星座和航空无人机遥感技术的逐步完善，光学和雷达遥感协同发展的格局已经初步形成，随着北斗卫星系统的逐步建立，大型数据库（如ArcObject / Oracle等）的开发技术逐步完善，矿山地质环境的监测对象和精度将会逐步提升。运用“3S”技术对矿山地质环境监测对构建高效、通用、可靠的监测体系，建立矿山地质环境监测及综合评价应用示范与相关的标准规范，全面推进以遥感、地理信息系统为核心的空间信息技术在矿山地质环境遥感监测中的综合应用，直接服务于矿区可持续发展，具有重要的现实意义。

参考文献

[1] 饶欢. 基于”3S”的矿业环境监测技术研究[D]. 信息工程大学， 2008.

[2] 李明立， 原振雷， 朱嘉伟. 矿山固体废物对环境的影响及综合利用探讨[ J] . 矿产保护与利用， 2005（ 4） ： 38- 41.

[3] 武强， 刘伏昌， 李铎. 矿山环境研究理论与实践[M] .北京： 地质出版社， 2010.

篇9

关键词：空气质量；时空分布特征；相关性

中图分类号：X24 文献标识码：A 文章编号：1009-3044（2017）17-0207-04

1概述

城市群作为推进新型城镇化的主体形态，已经成为加速我国经济增长的坚实力量。然而，随着城市群经济的快速发展，带来了严重的区域空气污染问题，已成为威胁我国可持续发展和人类健康的重要挑战。2016年11月-2017年1月，京津冀地区发生7次中、重度霾天气，比2015年同期增长两次。2016年12月29日-2017年1月4日，山|省17地市共有16市重污染天气预警。2016年12月19日，我国重度污染的省区市数量有17个，重度霾污染区域的面积达到58万平方公里。根据美国耶鲁大学的《2016年环境绩效指数报告》显示，我国空气质量排名在全球属于倒数第二，是空气污染重灾区，其中城市群作为经济更发达、人口更集中区域，其空气污染过程同步性更明显，区域污染特征更显著。因此，城市群空气质量问题成为目前的研究热点问题之一。另外，在我国工业化、城镇化的进程中，我国政府始终重视空气质量问题。虽然在政府和社会各方面的不懈努力下，我国空气污染防治工作取得许多进展，但是随着我国经济的迅猛增长，城市群在经济、社会、文化等方面发展的同时，其空气质量出现复杂的时空特征，使得空气污染形势仍非常严峻。因此，根据不同城市群面临的特定问题，充分分析空气主要污染物的时空分布变化特征，并找到影响该时空变化特征的因素，是进一步促进空气质量的提升、推进新型城镇化进程的关键问题之一。

目前国内的研究内容大多数集中到自然因素、社会经济因素对城市群空气质量的影响研究。例如，李明华等（2008）研究了秋季海风的出现对珠江三角洲城市群空气污染浓度增加的影响。袁博等（2009）、罗岳平等（2014）等主要分析了主要污染物的季节变化特征。周德平等（2010）分析了2007年春季沙尘暴对辽宁中部城市群的可吸入颗粒物的影响，研究得出沙尘暴天气会使得PMIO与PM2.5质量浓度明显增加。廖志恒等（2014）分析了长株潭城市群2013年近10天的空气污染过程，分析得出秸秆焚烧火点分布、大气环流、高压等对该区域的空气质量有重要的影响。陈永林等（2015）利用2013年全国省会城市、直辖市及主要地级市共156个城市的数据，运用双变量分析法，主要揭示了季节、降水、气压、温度等对全国城市群空气质量的影响，以及AQI、PM10、PM2.5与地区生产总值、工业用电量等之间的相关关系。胡秋灵等（2016）利用AQI数据，统计分析了滇中、黔中、北部湾三个城市群的空气污染差异性，并得出城市群空气污染存在季节效应与节日效应，首要污染物种类明显不同等结论。

国外学者主要研究城市层次的相关空气质量研究。比如，Laureti等（2014）利用STIRPAT模型，分析了马德里城市的社会一经济因子与空气质量环境因子之间的复杂关系，发现私人交通工具相关变量与NOx排放存在正的统计相关性。Tsegas等（2015）利用不同尺度上的耦合系统，模拟了巴黎地区大气污染的扩散与城市冠层结构之间的时空关系。Rodriguez等（2016）利用贝叶斯平均选择模型，实证分析了欧洲249个大城市的结构与造成空气污染的主要因素：NO2，PM10，SO2之间的关系，结果显示，城市结构与空气污染存在显著相关性。基于空气质量变化的复杂性与潜在的非线性，Thunis等（2015）提出了一种新的函数时间平均方法，来量化空气质量模型中的非线性效应，并利用欧洲城市空气质量中PM10、PM2.5、03在年、月、日平均中体现出的非线性，实证分析了该方法的有效性。为了评估大范围尺度上的可持续化发展，X.Feng等（2015）提出了一种基于空气质量轨迹分析与小波变化的人工神经网络模型，用来预测可吸入颗粒物的日均浓度。

综上所述，国内外关于城市群空气质量时空分布特征及其影响因素的研究不多，而且已有的城市群空气质量时空分布研究往往局限于空气质量指数AQI、可吸入颗粒物PM10与PM2.5的年平均值为基础数据，这种数据分析基础很难准确的体现城市群空气质量的时空变化。另外，相关的数据分析与仿真模型很少是运用MATALB软件进行研究的。因此，本文以山东半岛城市群2013年12月-2016年11月的空气质量指数AQI、可吸入颗粒物PM10与PM2.5、SO2、CO、NO2、O3的月数据为基础，采用MATLAB软件进行编程计算其Moran’Ⅰ指数，计算了该城市群空气质量的时空分布特征，并运用MATALB编程双变量相关分析法分析了影响该城市群空气质量的因素，为促进城市群空气质量的提升、推进新型城镇化进程提供新的实证基础，同时也为我国如何进一步解决区域空气污染问题提供可借鉴的参考理论。

2数据来源与研究方法

篇10

关键词：城镇化；环境污染；边际；主成分；STIRPAT模型

中图分类号：F299.21 文献标志码：A 文章编号：1673-291X（2016）31-0096-03

引言

工业文明兴起之时，人类便开始了从农村向城市化的发展。然而城镇化的快速发展，也会导致环境污染加重、资源使用超负荷、建设用地占用耕地等一系列负面影响。近几年雾霾天气影响的范围与深度都在逐渐加大，甚至几度成为年度关键词，水资源污染、大气污染、噪声污染、生活垃圾污染愈演愈烈，所以城镇化发展到底保持多快的速度才是合适的？城镇化的发展会带来经济的增长，也会带来各项污染指标的增长，无论从经济学角度还是合理规模增长角度来看，一个地方的城镇化总归有边际效应，一旦突破某项指标的临界值，原住民的教育、医疗、资源、就业等都会摊薄，对于摊大饼式的发展，资源环境承受度很难在短期内支撑起来，甚至会超出资源环境的承载能力，造成严重的环境污染，后续的治理问题又将是一个棘手的问题。因此，本文的探索对制定协调城镇化与环境之间关系的政策具有一定的参考意义。

一、变量与测度模型

城镇化是一个农村化逐渐转变为城市化、工业化，人口聚集化、规模化的过程。最直观的结果就是城镇人口增多，所以一般用城镇化率来反映一个地区的城镇化水平高低，即一个地区常住于城镇的人口占该地区总人口的比例。

自然环境具有自净能力，但是过多的人类活动参与，使得环境中有害物质增加到超过自然的自净能力就会出现环境污染。环境污染包括大气污染、土壤污染和水体污染，由于人类城市化过程中最主要的活动是日常生活以及工业生产，所以选取了人均城镇生活污水排放量（万吨/万人），人均生活污水COD排放量（吨/万人），人均生活垃圾清运量（万吨/万人）等指标来评价城镇化对环境的污染效应。

（一）数据来源

基于本文的研究目标和选取的变量，考虑数据的准确性以及获取的可行性，从《安徽省统计年鉴》（2000―2015）中选取了城镇化率和各指标相关数据，以及常住城镇人口、研究与试验发展（R&D）经费投入和安徽省的GDP数据。

（二）污染测度模型

1.边际污染测度模型。城镇化最直接的表现就是常住于城市的人口比重越来越大、城市非农业产业的发展进步迅猛，包括服务业与工业，而基于我国的现状，最主要的就是工业的迅速发展，所以将上述的几项指标除以安徽省常住人口，每年各项指标较上年的增量除以当年的城镇化率的增量，具体用以下的公式表示：

ΔQc=■

其中，Qi表示第i年安徽省城镇环境污染物的人均排放量，Ci表示第i年安徽省城镇化率，ΔQc为城镇化率每提高一个百分点带来的人均城镇污染物增加量，此式将安徽省城镇化率对环境污染的进行了量化表示，可以更直观地看到城镇化对于环境的影响。

2.综合污染测度模型。综合污染测度主要选用因子分析法

（1）利用SPSS20.0先对数据进行标准化处理（为消除各指标变量单位间的量纲影响）。

（2）利用最大方差法提取公共因子。如果各个变量在公共因子上的载荷相差不大，多为中等水平，则需要进行因子旋转，一般采用最大方差法，也叫正交旋转法。

（3）_定权重。

3.STRIPAT城镇化回归模型。STIRPAT全名为可拓展的随机性的环境影响评估模型，最初由Dietz和Rose所提出，可利用其来来探讨各因素（人口、财产、技术）对环境压力的影响，具体模型如下：

It=aPtT1AtT2TtT3et

其中，It为环境污染指标，Pt表示为人口指标，At为富裕度指标，Tt代表技术水平，指标Ti，（i=1，2，3）称为对应各因素的环境弹性系数，表示各因素每增长1%，环境污染增长Ti%，a为常数项，e为误差项。为了探讨城镇化率对环境的影响，将城镇化率（记为Zt）添加到公式中，并将上述非线性模型两边取对数转化为线性模型，变换后的模型如下：

lnIt=lna+T1lnPt1+T2lnAt+T3lnTt+T4lnZt+tlne

其中，得到的污染综合得分表征为环境污染指标，以及城镇人口表示为人口指标，人均GDP表示为富裕度指标，研究与试验发展（R&D）经费和内部支出情况表示为技术水平指标，利用Eviews带入估算出各环境弹性系数，可以直观看出城镇化率每提高1个百分点带来的环境污染得分的百分比变化。

二、安徽省边际环境污染效应实证分析

（一）污染测度

1.边际污染测度

首先，所获取的指标数据（城镇生活污水排放量，生活污水COD排放量、工业废水排放量，工业废气排放总量，工业二氧化硫排放量，烟尘排放量，工业粉尘排放量，工业固体废物产生量，生活垃圾清运量）除以各年安徽省的常住人口总数，获得各指标数据的人均数，然后根据以上部分所述的边际污染指数计算方法，得到的结论如下：2000―2014年，安徽省的城镇化率每年每提高1个百分点，各项环境污染指标都受到相应的影响。其中，除了人均工业二氧化硫排放量的增加量出现了明显的减少，人均生活污水中COD排放量增加量总体有少量的减少趋势，剩下的各指标增加量总体上都呈现逐年增加的趋势，这说明这几年一直强调的节能减排政策，以及对生活污水的技术处理有了显著的效果。而人均城镇生活污水量排放量的增加量逐年增加的趋势最明显，人均工业废气排放量与人均工业粉尘排放量的增加量。其次，这与近几年来安徽省的空气质量下降、大气污染严重息息相关。人均固体废弃物增加量不减的趋势也是导致环境污染的一大因素――有害物质通过地表、水资源对人们的生活以及环境造成恶劣的负面影响。

2.综合污染指数测度

（1）利用SPSS 20.0，将人均数据进行标准化，首先进行数据检验，看看本次的样本数据是否适合进行因子分析。检验结果（如表1所示）。

KMO检验用于检验变量间的偏相关系数是否过小。KMO值越接近于1，表示变量的共同因素越多，变量间的净相关系数越低，越适合做因子分析。由分析结果可知，KMO的值为0.769，说明该样本总体的变量较适宜进行因子分析。

（2）根据上部分的说明，将9个指标的数据进行降维处理，得到的变量方差解释结果（如表2所示）。

按照系统默认的提取方法，提取特征根大于1的主成分，由表2可得，提取了3个主成分，主成分1提取了总方差66.824%，主成分2提取了总方差的14.2%，主成分2提取了总方差13.102%，累计解释了总体方差的94.126%，即所有指标的94.126%可以由这3个主成分表示。

（3）采用正交旋转法进行因子旋转，对原始载荷矩阵进行调整简化。

（4）根据成分得分系数矩阵以及公式计算综合得分，将得分进行排名（见下页表3）。

根据在综合得分的排名可看出，2011年之前的得分都为负数，之后便开始一直出现正数。且总体而言，2000―2014年安徽省的环境污染得分呈现逐年递增的趋势，这与上一部分的边际污染结果一致。所以可以得出安徽省近几年来的环境污染情况越来越严重。

3.城镇化与环境污染的效应关系

注意到环境污染综合得分有些为负值，由于取对数时变量不能为负值，所以首先参照张乐勤、张勇在《城镇化演进边际污染效应及其库兹涅茨曲线探析：基于安徽省的实证》中的处理方法，将综合污染得分按照下式进行百分比的转变：

可以计算得出，安徽省的环境污染从2004年的最低46.37到2011年的60.66，七年时间增加将近15分，平均每年增加2分多，但是2011年后的污染的增势有所缓解，基本维持在60.6，处于较稳定的状态。对数线性回归结果（如下页表4所示）。

P值都大于0.05，接受残差为白噪声序列的原假设，所以可以认为回归模型是平稳的，较好地模拟了几个变量之间的关系。

另得到R2为0.9343，说明在线性回归模型中，环境增长率总离差中，由这4个离差解释的部分占93.43%，模型拟合的较好。DW值为2.0659，说明不存在自相关性。

得到关系式为：lnIt=-10.69277+1.16225lnAt-1.0121741lnTt+

1.351754lnPt+3.165704lnZt

所以由上式可以知道，2000―2014年安徽省的人均富裕度、技术进步、城镇人口以及城镇化率4个因素对环境污染都会有影响。根据模拟得知，当安徽省的人均GDP、研究与试验发展（R&D）经费、城镇人口和城镇化率每增加1%，环境综合污染得分分别增加1.16225%、-1.012174%、1.357154%和3.165704%。所以，城镇化率的提高对于环境的影响力度大于其他几个影响因素，城镇化的快速发展是造成安徽省近几年的环境污染不可忽略的原因。

（二）结论

本文通过对安徽省2000―2014年相关数据的分析，得到以下几点结论：第一，经过对安徽省城镇化的边际污染指数分析得出，2000―2014年，城镇化率每年每提高1个百分点，各项环境污染指标都受到相应的影响的结论。第二，经过主成分分析方法提取了3个公共因子，这3个公共因子对环境污染的贡献率分别为0.608541、0.118874、0.097573。所以，第一公共因子对环境的污染力度明显高于其他公共因子。对于减少环境的污染，要着重从第一公共因子中的那几个指标入手。第三，建立STIRPAT模型，结合本文的探讨目标，强调当安徽省的城镇化率每提高1个百分c，环境综合污染得分将提高3.165704的百分点，是城镇化率增长的3倍之多，且城镇化率的提高对于环境的影响力度要大于其他几个影响因素，所以城镇化的快速发展是造成安徽省近几年环境污染的最主要的原因。

三、建议

根据本文的结论，对于从哪些方面、怎样适当发展城镇化以减少对环境的恶化提出以下几点建议：第一，城镇化过程中伴随着各项污染物排放量的增加，所以不能一味追求城镇化率数字上的进步，继续走先污染后治理的老路，而是要在考虑资源、环境的承载能力的基础上，寻求一个人与自然、人与生态协同共存的平衡点，做到在最大速度发展城镇化的同时使环境能够自我调节、自我消化。第二，城镇化过程中二氧化硫以及污水中的COD排放量得到了一定的控制，所以我们要继续保持以及更进一步的贯彻落实节能减排、科学发展、可持续发展的政策，继续加强对废水、废气的处理以及排放，从源头上做到城镇化的同时保护生态环境。第三，城镇化过程中带来的工业化程度加大是引起环境污染的一大重要因素，所以在城镇化进程中要深化产业结构改革，尽量发展废气、废水、固体废弃物产生少的行业，逐渐减少工业企业的比重，加大服务业的比重，这样就可以发展与环境健康发展的城镇化产业结构。第四，建立生态工业园区，在发展工业的同时利用生态进行循环发展，绿色发展，协调发展。且各生态工业园区要结合实践，联系自身的特点进行深化改革，建立和完善协调统一、合理运转、机制透明的工业园区生态化改造监管机制。充分发挥工业园区生态改造监管机制在工业生态园区实际建设中的指导监督作用，否则一切都是空谈于纸。

参考文献：

[1] 张乐勤，张勇.城镇化演进边际污染效应及其库兹涅茨曲线探析：基于安徽省的实证[J].世界科技研究与发展，2015，（1）：33-38.

[2] 王立猛，何康林.基于STIRPAT模型分析中国环境压力的时间差异――以1952―2003年能源消费为例[J].自然资源学报，

2006，（6）：862-869.

[3] 聂国卿，尹向飞，邓柏盛.基于STIRPAT模型的环境压力影响因素及其演进分析――以湖南省为例[J].系统工程，2012，（5）：