留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

机器学习耦合受体模型量化驱动因素对PM2.5的影响效应

许博 徐晗 赵焕 张忠诚 高洁 李岳 冯银厂 史国良

许博, 徐晗, 赵焕, 张忠诚, 高洁, 李岳, 冯银厂, 史国良. 机器学习耦合受体模型量化驱动因素对PM2.5的影响效应[J]. 环境科学研究.
引用本文: 许博, 徐晗, 赵焕, 张忠诚, 高洁, 李岳, 冯银厂, 史国良. 机器学习耦合受体模型量化驱动因素对PM2.5的影响效应[J]. 环境科学研究.
Machine learning coupled with receptor model quantifies the effect of driving factors onPM2.5[J]. Research of Environmental Sciences.
Citation: Machine learning coupled with receptor model quantifies the effect of driving factors onPM2.5[J]. Research of Environmental Sciences.

机器学习耦合受体模型量化驱动因素对PM2.5的影响效应

Machine learning coupled with receptor model quantifies the effect of driving factors onPM2.5

  • 摘要: PM2.5受到污染源排放、大气物理化学以及气象条件等驱动因素的非线性影响. 随着在线观测技术的发展,利用大量观测数据量化实际环境下各驱动因素对PM2.5浓度的影响效应是研究的热点. 本文基于南开大学大气环境综合观测超级站2018年11月-2020年10月的在线观测数据分析了PM2.5的污染特征;利用PMF模型计算PM2.5的来源及其贡献,源解析结果显示观测期间二次源的贡献率最高,为44.7%,其他依次为燃煤源(23.6%),扬尘源(9.9%),生物质燃烧(7.2%),工业源的贡献率最小,为3.6%. 通过机器学习模型量化了一次源排放、大气氧化能力、气象条件等驱动因素对PM2.5的影响效应,结果表明,一次源排放对PM2.5影响效应的贡献 (54.2%)远高于其他驱动因素,气象条件对PM2.5影响效应的贡献次之 (32.6%),大气氧化能力对PM2.5影响效应的贡献较低 (13.2%). 本研究结果表明当前一次污染源排放仍是PM2.5污染最重要的成因,在大气污染防治工作中需要重点关注一次源的防控.

     

  • 加载中
计量
  • 文章访问数:  178
  • HTML全文浏览量:  29
  • PDF下载量:  114
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-04-11
  • 录用日期:  2022-07-04
  • 修回日期:  2022-06-30
  • 网络出版日期:  2022-07-04

目录

    /

    返回文章
    返回