一、大气环境质量关键污染因子及变化趋势的研究（论文文献综述）
赵利芳[1]（2021）在《大气PM2.5及其它污染因子致肺损伤分子机制研究》文中研究指明细颗粒物(PM2.5)是近年来研究较多的主要大气污染物。它与哮喘、慢性阻塞性肺炎和肺癌等密切相关,已被国际癌症研究机构（IARC）确定为一类致癌物。PM2.5中有机成分硝基多环芳烃（NPAHs）因具有致突性和致癌性被广泛关注。二氧化硫（SO2）也是常见大气污染物,会刺激呼吸道,引发肺炎和哮喘等疾病。此外,大气中生物组分内毒素,也称作脂多糖（LPS）,与哮喘发作、肺损伤有关,其对公众健康的危害也受到学者重视。《健康中国行动（2019-2030年）》提出要防治重大疾病,改善环境质量,保障民生健康。围绕此重大需求,本研究以大气重要组分PM2.5为主,探讨气道滴注太原大气PM2.5与其有机组分NPAHs暴露、太原真实环境大气PM2.5暴露、气道滴注太原大气PM2.5和SO2动态吸入复合暴露、临汾真实环境大气PM2.5和腹腔注射LPS复合暴露对肺损伤的毒性效应,进而揭示三种大气组分致肺部相关疾病的毒理机制。主要包括以下内容:1、研究太原市大气PM2.5及其有机组分NPAHs典型代表物1-硝基芘（1-NP）和9-硝基蒽（9-NA）对肺DNA损伤的效应。研究发现,PM2.5暴露会引起DNA损伤,但PM2.5中1-NP和9-NA是否会损害DNA以及这两种物质对PM2.5毒性是否有贡献有待深入研究。本章研究对雄性Wistar大鼠分别气道滴注二甲基亚砜（DMSO）、PM2.5（1.5mg/kg b.w.）混悬液、1-NP低中高浓度染毒液(1-NP-1:1.0×10-5 mg/kg b.w.、1-NP-2:4.0×10-5 mg/kg b.w.和1-NP-3:1.6×10-4mg/kg b.w.)和9-NA低中高浓度染毒液(9-NA-1:1.3×10-5mg/kg b.w.、9-NA-2:4.0×10-5 mg/kg b.w.和9-NA-3:1.2×10-4mg/kg b.w.)。隔天滴注1次,连续10天。采用彗星实验（Comet assay）观察大鼠肺细胞DNA链损伤情况,利用SDS-KCl沉淀法测定大鼠肺组织中DNA-蛋白交联（DPC）率,并通过酶联免疫吸附法（ELISA）考察DNA氧化损伤标志物8-羟基脱氧鸟苷（8-OHd G）、氧化应激因子（血红素氧合酶1（HO-1）、丙二醛（MDA）和超氧化物歧化酶（SOD））和代谢酶（谷胱甘肽S-转移酶（GST）、细胞色素P450（CYP450）、细胞色素P4501A1（CYP1A1）和细胞色素P4501A2（CYP1A2））表达量。利用实时定量PCR（RT-PCR）和蛋白免疫印迹技术（WB）检测大鼠肺组织DNA损伤修复相关因子（8-氧鸟嘌呤DNA糖基化酶（OGG1）、8-羟基鸟嘌呤核苷酸（MTH1）和x射线修复交叉互补群1（XRCC1））变化。结果表明PM2.5、1-NP和9-NA能通过影响DNA修复能力,增强氧化应激和生物转化而诱导DNA损伤。另外,Pearson相关分析发现在剂量近似相等的条件下,1-NP中浓度和PM2.5、9-NA中浓度和PM2.5引起肺DNA损伤标志物表达变化有相关性。提示1-NP和9-NA在PM2.5致肺DNA损伤中起到一定贡献。此研究结果为PM2.5中NPAHs的肺毒理学机制研究提供了实验依据。2、从DNA甲基化角度深入研究了太原真实环境大气PM2.5暴露对肺DNA损伤的影响。研究证实,DNA甲基化与DNA损伤有相关性,但真实环境大气PM2.5暴露致肺DNA损伤的修饰机制还不清楚。本章研究采用PM2.5全身吸入式暴露系统,对雄性SD大鼠进行山西省太原市环境大气PM2.5吸入暴露1个月和2个月。采用苏木精-伊红（HE）染色分析大鼠肺部病理特征,结合ELISA、WB和RT-PCR技术检测炎症因子（肿瘤坏死因子-α（TNF-α）和白介素-6（IL-6））、氧化应激相关因子（羟基自由基（HO·）、超氧阴离子自由基（O2-·）、NO、诱导型一氧化氮合酶（i NOS）、MDA、SOD和GST）、DNA损伤修复相关因子（DNA损伤诱导基因153（GADD153）、8-OHd G和磷酸化组蛋白H2AX（γ-H2AX））和癌症相关因子（原癌基因c-fos、c-jun和抑癌基因PTEN）表达。为深入研究DNA损伤机制,采用亚硫酸氢盐测序法测定OGG1和MTH1启动子区DNA甲基化状态。结果表明,1月和2月PM2.5实时吸入暴露能对大鼠肺部造成病理损伤和DNA损伤,并影响炎症因子、氧化应激相关因子和DNA损伤修复基因（MTH1和OGG1）表达。此外,2个月PM2.5暴露显着降低了OGG1启动子区2的DNA甲基化水平。这提示DNA损伤与氧化应激有关,且OGG1启动子区DNA甲基化水平改变可能是PM2.5致大鼠肺遗传毒性的一个重要机制。最后,通过分析c-fos、c-jun和PTEN表达结果,发现PM2.5实时吸入暴露能引起癌症相关的及早基因和抑癌基因表达异常,有增加肺癌风险的潜在可能。此研究结果为PM2.5对表观遗传学修饰的影响提供了一定参考价值。3、从炎症通路角度分析了PM2.5和SO2复合暴露对肺损伤的机制。PM2.5和SO2是两种较常见的大气污染物。研究发现,它们单独暴露分别能增加肺部疾病发病率。山西省太原市大气污染以煤烟型污染为主,PM2.5和SO2是主要的煤炭燃烧产物。二者复合暴露的毒性效应对阐释大气污染致肺毒性的机制有重要意义。因此,本章研究将雄性Wistar大鼠随机分为6组:对照组（隔天气道滴注生理盐水）,SO2吸入组（隔天动态吸入5.6 mg/m3 SO2）,PM2.5暴露组(隔天滴注1.5 mg/kg b.w.PM2.5),SO2和PM2.5低、中、高浓度联合暴露组(隔天吸入5.6 mg/m3SO2,并同时分别滴注1.5、6.0和24.0mg/kg b.w.PM2.5)。每次吸入SO2时间为6 h,滴注或吸入在同一天进行,连续10天。通过HE染色观察不同处理组大鼠肺组织病理损伤程度,结合透射电子显微镜（TEM）观察肺组织超微结构变化,利用瑞氏-吉姆萨染色法计数肺泡灌洗液（BALF）中炎性细胞数量,并通过ELISA考察细胞因子（TNF-α、IL-6和白介素1β（IL-1β））和炎症通路相关因子（核因子κB（NF-κB）抑制蛋白α（IκBα）、NF-κB抑制蛋白激酶β（IKKβ）和i NOS）改变。利用RT-PCR和WB技术检测大鼠肺组织细胞间黏附分子1（ICAM-1）、NF-κB、磷酸化p38（p-p38）和Toll样受体4（TLR4）表达水平。结果表明,SO2单独暴露未引起大鼠肺部明显炎症反应。PM2.5暴露增加了BALF中炎性细胞数目和炎症损伤。重要的是,与对照组/SO2组相比,SO2和PM2.5（1.5、6.0和24.0 mg/kg b.w.）复合暴露导致大鼠肺部出现明显病理损伤和超微结构损伤,并诱导BALF部分炎症细胞数量增多,激活了炎性通路TLR4/p38/NF-κB相关因子的异常表达,最终引起肺损伤。此研究为了解PM2.5与SO2协同加重肺部疾病的毒理学机制提供了更多理论依据。4、从铁死亡和组织纤维化角度研究了临汾真实环境大气PM2.5和LPS复合暴露对肺损伤的影响。PM2.5和内毒素普遍存在于大气中。研究表明,铁死亡与呼吸系统疾病发生有关,且PM2.5和LPS单独暴露均能引起铁死亡,但关于二者复合暴露影响肺组织铁死亡和纤维化相关因子表达的研究还很缺乏。本章研究将雄性BALB/c小鼠随机分为4组:洁净空气暴露组（注射PBS缓冲液）、PM2.5暴露组（注射PBS缓冲液）、LPS暴露组（注射LPS溶液）及PM2.5和LPS复合暴露组（注射LPS溶液）。采用腹腔注射方式对小鼠进行PBS缓冲液或LPS溶液（0.12 mg/mL）处理,每周注射1次,每次注射50μL。同时,采用PM2.5全身吸入式暴露系统对小鼠进行山西省临汾市真实环境大气PM2.5吸入暴露23周。通过HE染色观察不同组小鼠肺病理损伤程度,并采用ELISA技术考察炎性因子（TNF-α和IL-6）、氧化应激相关因子（SOD、谷胱甘肽（GSH）、过氧化氢酶（CAT）、MDA和4-羟基壬烯醛（4-HNE））和Fe2+水平的改变。利用WB技术检测小鼠肺组织中铁死亡指标（谷胱甘肽过氧化酶4（GPX4）、溶质载体家族7成员11（SLC7A11）和膜铁转运蛋白1（FPN1））和纤维化相关因子（α-平滑肌肌动蛋白（α-SMA）、胶原蛋白I（Collagen I）和胶原蛋白III（Collagen III））水平。通过Masson实验测定小鼠肺组织胶原含量变化。结果表明,与对照组/LPS组/PM2.5组相比,PM2.5和LPS复合暴露可加重肺病理损伤,引起炎性因子和氧化应激相关指标异常表达,诱导铁离子水平增加,导致铁死亡相关因子（GPX4、SLC7A11和FPN1）表达下降,4-HNE和MDA累积,诱导铁死亡发生。此外,复合暴露使肺沉积了大量胶原介质,引起纤维化相关因子表达显着增加。PM2.5和LPS单独暴露未引起这些因子明显改变。此研究揭示了PM2.5与LPS协同暴露致小鼠肺组织发生铁死亡和纤维化的毒理机制。不同地区大气污染多样,PM2.5组分复杂,且不同地区不同污染成分引起的呼吸系统疾病机制不同。鉴于此,本研究选择山西省污染较严重的太原市和临汾市为研究现场,建立了各种动物暴露模型。针对不同的PM2.5暴露模式,首先研究PM2.5及其吸附的NPAHs致肺DNA损伤效应,然后从DNA甲基化角度探讨PM2.5对肺DNA损伤的分子机制。之后建立PM2.5与SO2复合暴露模型,以炎症经典通路为主,研究不同浓度PM2.5和SO2复合暴露诱导大鼠肺炎症损伤的分子机制。最后,建立PM2.5和LPS复合暴露模型,阐明其对小鼠肺组织铁死亡和纤维化相关指标的影响。综上,本研究多维度研究了大气三种污染物染对肺部疾病的损伤效应。进一步为我国典型地区大气环境污染与健康领域研究的发展提供新的实验依据。
马元婧[2]（2021）在《基于深度学习的大气环境监测系统关键技术研究》文中提出环境空气质量与人们的生产生活以及社会发展密不可分,所以大气环境监测系统在环境保护、污染治理方面发挥着不可替代的作用。利用实时更新的监测信息掌握大气污染状况,评估预测环境质量,对预警决策和科学治理空气质量以及开展区域联防联控工作提供技术支撑。深度学习是机器学习研究中的一个新的领域,其目的在于建立神经网络,使其能够模拟人脑进行分析学习,学习样本数据的内在规律和表示层次。利用人类大脑的运转机制来读取并解释数据,是为了能够让机器可以像人类一样会学习会分析。深度学习在图像分类、目标检测、语义分割和人脸识别等计算机视觉任务中都取得了巨大的成功。本文分析大气环境监测系统采集的多源、多维、多态的海量数据,应用深度学习技术对大气环境监测系统关键技术进行研究,分别从环境监测设备异常数据来源诊断、大气气溶胶颗粒成分分析和空气质量数值预报模型优化三个方面展开,对大气环境监测过程中的关键问题予以分析解决,同时给出具体的解决方法:1.基于深度学习的异常数据来源诊断模型的研究。针对大气环境监测系统无法对产生异常数据的监测设备进行详细定位的问题,提出一种改进Faster RCNN模型,应用基于深度学习的目标检测算法,训练大量环境监测设备正常运行状态与异常运行状态的图像,来建立大气环境监测异常数据来源诊断模型。借助环境监测站内视频监控系统对监测设备采集的图像,将对异常数据来源设备的定位问题,转化为对监测设备采集图像的目标检测问题。考虑到检测目标的特征属性,对Faster R-CNN模型进行卷积层重构、特征融合、锚框重置和数据扩增等改进方式,提高模型异常数据来源诊断的准确率,使得针对异常数据来源的监测设备故障排查工作向无人值守化过渡。2.基于深度学习的气溶胶颗粒自动分类模型的研究。现有的大气气溶胶颗粒分类方法存在缺乏统一的提取标准以及完全依靠人工经验手动命名,耗费大量人力物力的问题。同时,以单个颗粒为单位的大气气溶胶颗粒监测过程又会产生过于庞大的颗粒信息。针对大气气溶胶颗粒监测与分类的现状以及不足之处,基于深度学习的分类算法,提出一种改进Alex Net模型,训练并建立大气气溶胶颗粒自动分类模型。利用以往监测活动中已经被人工命名的气溶胶颗粒质谱图,人工标注类别信息,建立用于训练分类模型的数据集。通过对气溶胶颗粒质谱图的特征进行深入研究,采用调整图片分辨率、减小卷积核尺寸和精简网络层数等优化方法,对Alex Net深度学习分类算法进行改进,经过深度卷积网络提取能够反映出颗粒类别的质谱特征,对气溶胶颗粒成分进行自动学习,生成大气气溶胶颗粒自动分类模型,提升了分类模型的准确率,实现自动分类的目的,达到实时检测的效果。3.基于深度学习的空气质量预报模型的研究。现有运行中的空气质量数值预报系统WRF-CMAQ,由于污染源排放清单的不确定性,以及不能够完整全面的量化大气传输中的物理化学变化,导致了空气质量预报数值出现偏差的现象。针对现有空气质量预报系统的现状,提出应用深度置信网络模型DBN,挖掘区域内数值预报模型预测值与实测值之间的关系,建立基于深度学习的空气质量预报模型,该模型利用了研究区域内多个国控监测站点的历史监测数据以及相应的气象预报数据,充分考虑了大气污染物浓度的时间变化规律和空间分布特征,在预报周期内,对区域内任意站点的污染物浓度预测值进行修正,提高空气质量预报模型的有效性。
冯睿[3]（2021）在《昆明市大气污染因子与地区人群健康效应关系研究》文中认为近几十年来,国内外环境流行病学领域研究发展迅速,大气污染对人群健康效应的影响已被学者广泛研究。目前大量的毒理学研究发现,即使短时间暴露在大气污染物下也可能产生一定的负面影响,尤其是容易造成呼吸系统疾病的发生。空气污染所导致的负面健康效应尚未取得一致性结论,研究区域、模型选择以及控制变量的选择不同,都会对研究结果产生影响。国内有关大气污染影响公众健康的研究,主要聚焦于气候环境条件特征较为凸显或大气污染严峻的区域,但在气候变化或环境空气污染影响不明显地区,其所造成的不良健康影响也会慢慢累积,同时对公众健康影响的相关研究证据不足。本研究以昆明市为研究区域,利用2011年1月至2019年12月的大气污染数据、气象因素数据以及呼吸系统疾病用药使用量数据,对大气污染所带来的健康损害进行全面剖析,得到结论如下。（1）2011年1月至2019年12月的大气监测数据显示,昆明市大气污染物整体呈现向好趋势,污染物浓度总量逐年缓慢下降,但常有波动上升。其中臭氧及颗粒物IQR较大,表明其浓度波动较为剧烈,SO2、NO2在研究地区已降低到国家一级浓度限值附近,但偶有反弹;CO浓度处于低水平,远在一级限值标准以下;值得注意的是昆明市大气颗粒物污染整体处于较高浓度,且在2014年大幅降低整体浓度水平后仍处于一二级限值区间内,常有超过二级浓度标准情况,且未见降低趋势;臭氧浓度较低但昆明市地区臭氧浓度逐年上升,提示臭氧并未得到很好的控制,目前还处于低浓度水平。（2）大气污染物浓度与药物使用量情况相关性较弱,且存在负相关趋势,符合常理。其中药物使用量与SO2、NO2、PM10、CO、O3＿8h、PM2.5相关性系数分别为-0.686、-0.188、-0.160、-0.162、-0.145、0.004,大气污染物中颗粒物问题较为突出,相关性分析结果表明气象因素作为主要协变量是合理且必要的,呈现出了很好的相关关系,气象因素与大气污染物之间存在有复杂的联系。在干湿季和花粉季进行讨论,发现干季所带来的人群疾病负担要远远高于湿季甚至是完整序列,其中虽有季节性因素影响,但主要还是通过影响大气污染物进而对人群造成负担。花粉季相关性同样显着,一定程度上放大了大气污染所带来的疾病负担表现。（3）对关键变量进行时间序列分解,发现呼吸系统药物使用量在年周期中10月到次年一月是高频发生月份,相对来说5-8月使用量明显最低水平,将之与大气污染物进行对照。SO2年周期中11月达到最高浓度值,直到次年2月,6月份达到最低浓度水平;NO2浓度波动幅度较大,11月到次年4月份是全年高浓度水平时期,2月开始突然降低,6月达到最低点;大气颗粒物PM10与PM2.5浓度在年周期内变化趋势相同,11月到次年4月是高浓度水平,6-9月处于全年最低,其余月份均是较低污染水平;CO年周期内10月到次年4月是浓度较高月份,7月达到全年最低,其余月份相对较低;连年增高的臭氧浓度波动幅度较大,2-5月全年最高,最高浓度4月份比最低12月份季节因子可达72%。趋势分析表明药物使用量与各大气污染因子之间变化趋势存在明显关系,关联程度很强。同时周期性季节趋势是研究中重要协变量,与大气污染因子产生协同作用。而季节分解后的大气污染因子结果表明,季节周期趋势会助长大气污染因子增长,造成更强烈的污染作用,直接性的放大了地区污染程度,但对O3生成和浓度升高会产生抑制作用。（4）对比分析了不同健康效应替代指标,以肠胃疾病用药和运动性疾病这两类目前无相关研究证明与大气污染有关的疾病为例。发现其相同信息来源渠道下,药物使用量与大气污染周期变化规律并无相关联之处。同时在本应造成沉重疾病负担的时间段里,这两类疾病药物使用量的季节性趋势并无明显改变,与花粉期和干湿季分析结果相矛盾。可知,人群健康结局的选择为呼吸系统疾病是妥当且合理的。（5）基于前面的研究结果,本研究最后将大气污染因子主成分分析得到两个没有多重共线性的变量Y1、Y2,气象因素以光滑函数形式同样引入模型,机器学习和手动调节方法设定函数自由度。得到拟合效果合理的模型,从而根据光滑函数得到暴露反应关系,计算得到污染物相对危险度。研究发现,主成分分析后大气污染因子的偏相关性得到明显提升,代入模型也通过检验,解释能力为73.5%,调整R2=0.705,计算得到相对危险度,当污染物每增加1μg/m3,SO2、NO2、PM10、PM2.5所独立导致的药物使用量自然对数分别超额增加ER值及95%置信区间分别为0.244%（95%CI0.263,1.339）、0.236%（95%CI 0.233,4.313）、0.206%（95%CI 0.013,4.375）和0.210%（95%CI 0.100,10.028）,当CO每增加1 mg/m3所导致的药物使用量自然对数超额增加0.227%（95%CI 0.948,1.060）。同理,当污染物浓度每增加10μg/m3,SO2、NO2、PM10、PM2.5所独立导致的药物使用量自然对数分别超额增加ER值分别为2.460%、2.380%、2.080%和2.116%,CO增加10 mg/m3药物使用量自然对数增加2.290%,其结果均具有统计学意义。结果提示,虽然昆明市地区大气污染水平较低,但一些大气污染物并未达到安全限值,且低浓度的大气污染暴露所带来的疾病负担不容忽视。人群健康效应的敏感性在大气污染物长期处于低浓度值情况下偏低,浓度水平的改变所带来的药物使用量增加幅度虽不如某些污染严重地区的研究结果,但也由此可见大气污染并没有所谓的安全值下限。
郭鹏[4]（2021）在《基于CMAQ模式的兰州市重污染天气应急减排预案效果评估与优化研究》文中进行了进一步梳理兰州市特殊的河谷地形,静风频率高、大气逆温频繁,易形成不利扩散的气象条件,造成污染物的累积,有导致重污染天气发生的可能。为提高重污染天气应对能力,降低重污染天气造成的危害,兰州市编制了《兰州市重污染天气应急减排预案》,但减排方案制定后,对于重污染天气应急减排清单校验以及各预警等级减排方案实施后的环境质量改善程度等都尚未研究。基于此背景,本次研究对应急减排清单进行核算校验,并以第二次污染源普查数据结论作为对照,订正应急减排清单。同时使用Arcgis工具结合分辨率较高的人口、GDP、路网分布数据对MEIC大气污染源排放清单进行了局部“再分配”,达到降尺度效果,进一步耦合订正后的应急减排清单,形成高分辨率的兰州市大气污染源排放清单。同时本次研究使用FNL再分析数据,利用WRF气象模式模拟得到了研究期间较为准确的气象场文件。利用CMAQ空气质量模型进行污染物浓度场的模拟,再现了兰州市重污染天气情况下各种污染物分布情况。研究选取SO2、NO2、PM2.5、PM10四种污染因子作为分析对象,结合基准年前后兰州市AQI数据,选取三个典型污染时段进行模拟,同时设定应急减排清单中的红色、橙色、黄色预警减排情景作为实验对照组,定量评估污染时期各预警等级减排效果。本次研究根据各类应急减排清单污染物的分布特征,探寻特定排放源可能存在的减排空间,并提出相应优化的减排建议,结合理论估算,制定优化后的减排情景,进一步模拟分析优化后减排效果,为污染防治对策及空气质量保障提供方向,本次研究主要成果如下:（1）校验、复核兰州市重污染天气应急减排清单核算发现,应急减排清单中工业源部分企业存在地理位置错误、单位不统一造成的污染物排放量偏差严重、TSP计算整体偏高、工业源企业统计不完整等问题。本次研究修改了相应企业位置信息,计算订正了污染物排放量,对于企业统计不完整问题,研究通过“降尺度”的MEIC工业源清单作为补充。修正后应急工业源减排清单SO2排放量为9709.812 t/a,NOx为10682.832 t/a,VOCs为12526.187 t/a,颗粒物为41455.273 t/a。相较原始应急工业源减排清单,TSP排放量减少58.2%,SO2减少78.67%,NOx减少85.28%,VOCs减少79.38%。研究认为应急减排清单中移动源、道路扬尘源、施工扬尘源部分的排放量较为合理。（2）定量评估各应急减排情景的环境质量改善程度本次研究针对基准年前后发生的三次污染天气进行模拟,研究发现,NO2、SO2、PM2.5重污染区集中分布于主城区附近、榆中县偏北方位、主城区的西南方位。而PM10重污染区分布则呈发散状,兰州市中部及东南部均整体偏高。黄色预警减排情景,SO2、NOx排放量削减39.46%、29.75%,对应的污染因子环境质量改善程度为3.6～8.3%、4.4～9.5%;橙色预警减排情景,SO2、NOx排放量削减47.13%、46.85%,对应的污染因子环境质量改善程度为5.4～11.2%、6.4～12.5%;红色预警减排情景,SO2、NOx排放量削减47.13%、64.77%,对应的污染因子环境质量改善程度为5.8～12.4%、8.2～14.5%。同时,黄色预警减排情景,PM10、PM2.5排放量削减15.00%、10.25%,对应的污染因子环境质量改善程度为5.7～11.2%、11.4～17.3%;橙色预警减排情景,PM10、PM2.5排放量削减25.31%、20.45%,对应的污染因子环境质量改善程度为7.7～13.2%、13.6～20.7%;红色预警减排情景,PM10、PM2.5排放量削减34.47%、30.44%,对应的污染因子环境质量改善程度为9.2～15%、15.8～24.4%。（3）探寻减排空间并优化减排情景研究发现兰州市重污染天气95%以上均由PM2.5、PM10超标导致,同时NO2浓度也有偏高的情况发生,本次研究表明,兰州市PM2.5、PM10排放90%以上来自于道路扬尘源,理论估算PM2.5、PM10仍具有15～25%的减排空间。如采取“低耗供能”,电力热力源存在一定减排空间。理论估算SO2、NOx存在10～20%的减排空间,本次研究将在红色预警方案基础上进一步对NOx、SO2减排15%,PM2.5、PM10减排20%作为优化后情景进行实验。将优化后情景代入CMAQ模式进行模拟,对照基准情景,研究发现,SO2、NO2、PM2.5、PM10的重污染区环境质量改善程度依次为7.4～16.2%,9.2～17.6%,10.4～20.2%,17.8～29.4%,环境质量改善效果进一步提升。
陈雪[5]（2021）在《2013-2019年兰州市城市环境空气质量变化趋势研究》文中研究表明环境空气是人类赖以生存的基础。但是,随着工业化的发展和城市化进程加快,城市环境及空气问题已经一跃成为我国当前环境污染中最为重要的问题。尤其是十八大以来,“绿水青山就是金山银山”的理念深入人心,我国的各大城市都已经开展了空气治理工作,兰州市同样如此,兰州市纵深实施大气污染防治工作,空气质量逐年改善,但是制约兰州市空气质量进一步改善的内外不利因素依然突出。因此,本文通过分析近年来兰州市大气环境质量现状和污染物的时间变化特征,为大气污染防治和治理提供理论依据。本文利用兰州市2013-2019年兰州市空气自动监测的数据进行定量分析,对该市的环境空气质量和污染物的变化特征进行详细的分析及研究。通过利用AQI综合指数评价和污染物的分担率,确定区域近年来空气中的首要污染物变化情况;利用分析污染物各年浓度数据的变化特征,研究区域环境空气质量的变化情况;分析兰州市空气质量,观察污染物浓度动态变化,并采用Spearman秩相关系数法来研究两者的特征;运用灰色关联度法,结合研究时段内的气象、社会等经济资料,并且进行相应的关联计算,从而确定影响兰州市空气质量的主要因素。分析结果表明:2013-2019年间,2019年兰州市空气质量综合指数达到最低值,表明环境空气质量逐年改善。从分担率来说,兰州市空气综合指数贡献率最大的是PM10和PM2.5,从单项指数大小来说,主要以PM10为首要污染物,但是O3和NO2的单项指数近年来大幅度增长,增长率超过60%,并且,以NO2和O3为首要污染物的超标天气在超标天气中占比逐年增加,说明兰州市大气污染已不再是传统的煤烟型污染,而是转变成了复合型污染类别。在分析兰州市整体大气污染物浓度变化中发现,PM10、PM2.5以及SO2的浓度均在下降,特别是后两种污染物浓度下降明显,PM10的浓度虽然也在下降,但是相对缓慢。NO2、CO和O3的变化趋势都呈上升趋势。NO2和CO的上升趋势不显着;O3的上升趋势有显着意义。因此,PM10、PM2.5、NO2和O3四项污染物将是今后大气污染治理改善的重点。除此之外,六项空气污染物都具有明显的季节性变化特征。夏秋季的臭氧污染日益凸显且呈现区域性、早发型的明显特点,成为超标天数占比最多的污染因子;冬季细颗粒物仍占据主导;二氧化氮年均浓度成为拉高综合质量指数,拉低城市排名的主要因素,也是造成夏季臭氧超标和冬季颗粒物超标的主要因子。最后,根据兰州市主要污染物变化特征规律及影响因子分析,对兰州市大气污染治理提出靶向治污,精准施策等建议。2020年是打好污染防治攻坚战和“十三五”规划的收官之年,更是全面建成小康社会的决胜之年,兰州市大气环境保护形势和任务任重而道远。因此,清晰并正确的认识兰州市大气环境保护存在的问题,有效突破兰州市大气污染的“顽疾”,从而改善兰州市大气环境质量,科学研究2013-2019年兰州市城市环境空气质量变化趋势对今后兰州市大气环境质量改善和保护都具有积极意义。
张笑微[6]（2020）在《太行山区城乡大气污染特征研究 ——以保定市涞源县为例》文中研究说明太行山区中小城市众多并面临着较为严重的空气污染问题,但是目前针对太行山区城乡空气污染特征及其影响因素的研究很少。本文以位于太行山深山区的涞源县为例,以SO2、PM10、PM2.5、NO2、CO和O3为主要分析指标,分析了太行山区城乡空气环境质量的时空特征,并与同一纬度的平原城市进行比较,研究了山区城乡空气污染的特征及其与地形、气象条件的关系。主要研究成果包括以下几点:（1）山区与平原地区大气污染表现出不同的空间变化特征。山区大气污染浓度高值区域集中在市中心,然后向城郊、乡村递减。平原地区的大气污染浓度高值区域为乡镇,而市中心往往成为低值中心,呈现乡镇高于城市的趋势。（2）山区与平原地区大气污染表现出不同的时间变化特征。从年内变化来看,各项污染物年内变化趋势大致一致,即PM10、PM2.5和CO年内变化特征大致呈“M”形,SO2、NO2年内变化特征大致呈“V”形,O3年内变化特征大致呈“U”形;从日内变化来看,PM10、PM2.5、SO2和CO浓度值日变化均呈现“单峰双谷”模式,NO2和O3浓度值日变化大致呈现“U”。年内和日内污染物浓度特征均在峰值、谷值出现的时间节点,上升及下降速率等方面差异明显。（3）涞源城区位于盆地中心,四周山脉的阻挡,静稳天气,逆温及山谷风等局地气象条件影响大气污染的扩散,导致城区污染严重。（4）气象因子与大气污染因子有较好的相关性,对大气污染影响显着。风速越大污染物易扩散,气温与除O3外的其他污染因子均呈负相关,湿度升高时,污染物浓度随之升高。（5）通过对保定市涞源县大气污染因子的时空变化特征、地形以及气象对大气污染的影响和人类活动的分析结果,总结了山区县的大气污染特征,提出因地制宜的防治措施。
张彦[7]（2019）在《基于IGA-PSOW-BP模型的大气污染因子浓度值预测方法研究》文中进行了进一步梳理随着中国社会和经济的高速发展以及对工业化过程中负面影响的评估不足,导致产生了严重的环境污染,包括核辐射污染、海洋污染、光线污染、大气污染等。其中,大气环境污染是对人类生产和生活影响最大、也是目前最为严重的环境污染之一。大气环境污染对人们的日常生活、工业生产等活动造成了严重的阻碍,同时也降低了人们的身体和心理健康水平,对经济发展造成了严重的损失,每年仅因大气环境污染造成的损失就高达几十亿。为了有效的防治环境污染,降低甚至消除环境污染对人类生产生活以及社会经济建设的影响,国家出台了相关的法律法规、公示了一些先进污染防治技术名录等促进大气环境污染的全面预防和治理,如《中华人民共和国大气污染防治法》以及在具体行业中的污染预防与制止的相关法律法规等。在大气环境污染预防和治理中,大气环境污染因子浓度值预测可为相关政府部门和企业提供决策基础。本文采用可采集得到的大气环境污染物数据和气象因子数据,采用BP前反馈神经网络、遗传算法（GA）及粒子群算法（PSO）等技术建立完整的大气环境污染因子浓度值预测模型,预测大气环境中各种有害污染因子的浓度值。该算法首先对采集得到的污染物数据进行缺失数据处理、异常数据处理和归一化处理以确保数据的完整性和有效性,然后使用皮尔森相关系数（Pearson Correlation Coefficient）计算不同污染因子之间的相关性,从达到相关性阈值的多个因子中任意选择一个和气象因子共同组成预测模型的输入,然后使用改进遗传算法后得到的IGA算法和改进PSO算法后得到的PSO-W算法对模型进行训练。完成训练后的预测模型即可根据输入数据产生输出得到预测结果。本文通过对比实验对该模型的预测准确性进行了实验分析和验证。通过对该模型分别与BP模型、GA-BP模型和PSO-BP模型的实验对比,验证了该算法具有较好的预测准确性和性能,能够在较短的时间内产生较为精准的预测结果,准确预测出了未来大气环境中各种污染因子的浓度值,为政府部门制定相关法律法规以及企业人员调整生产活动提供决策依据和指导。
彭琛玲[8]（2019）在《湖南省环境空气质量评价及其影响因素分析》文中研究指明本文基于2015年～2017年湖南省范围内的14个城市设区以上的78个环境空气质量自动监测国控站点,跟据S02、N02、PM2.5、PM10、CO、03六项空气污染物指标的月均、年均浓度,分析了 2015年至2017年间湖南省14个城市主要污染物的时空变化特征,同时,采用模糊综合法对湖南省14个地市的空气环境质量进行评价,并分析了湖南省环境空气质量的影响因素,得出了以下主要结论:（1）2015年至2017年,湖南省14个城市的主要污染物均呈现明显的时间变化特征,S02、N02、CO、PM2.5和PM10较高浓度均出现在冬季,03夏秋浓度高于春冬。三年中,S02浓度整体呈下降趋势,CO浓度变化不大,03浓度呈上升趋势。（2）SO2浓度空间分布特征为自西向东、由南往北均呈现先扬再抑的趋势;N02浓度呈现自西向东逐渐上升,由南往北先上升再下降;PM2.5浓度值冬季高于夏季,东部浓度值高于西部,南部低于北部;PM10浓度空间分布特征是东西两侧向中部地区扩散递减;CO浓度值冬季高于夏季,空间分布特征自西向东先上升再下降,北部地区浓度高于南部地区;O3质量浓度夏秋季节的空间分布特征是由北部向西南方向分层扩散递减,秋冬季则相反。（3）运用模糊综合法评价得出2015—2017年湖南省14个城市中空气质量较好的城市有吉首市、郴州市和永州市,空气质量较差的城市有湘潭市、长沙市和株洲市。三年来,只有长沙市、湘潭市、衡阳市、岳阳市、张家界市、益阳市、永州市和娄底市这8个城市三年来的空气质量是越来越好的。（4）空气质量评价反映湖南省的首要污染物为PM2.5,通过对PM2.5与其他污染物的相关性研究,发现PM2.5与PM10的线性关系最好,其次是N02、CO和SO2,PM2.5与03月平均浓度的线性关系不显着。（5）为寻找湖南省环境空气质量的影响因素,运用Pearson相关分析法和灰色关联度法,分别从自然和经济两个因素做了定量分析。结果显示:自然因素方面,平均气温对O3影响最大,降雨量对CO影响最大,日照时数对S02、NO2、pM25和PM10影响程度最大;经济因素方面,SO2与年末总人口、绿化覆盖率、生产总值、第二产业增加值、汽车拥有总量、人均GDP呈极显着负相关关系,与废气污染物排放量呈极显着正相关,NO2与汽车拥有总量呈显着负相关关系,与废气污染物排放量呈极显着正相关关系,PM10与废气污染物排放量呈极显着正相关关系。与SO2、NO2和PM10浓度关联度最高的四项经济指标是废气污染物排放量、总人口数、绿化覆盖率和能源消耗总量。
刘弘励[9]（2019）在《哈大绥大气环境承载力分析》文中提出东北地区的经济增长大部分依靠以煤炭为主的能源消耗,漫长且有寒冷的冬季主要供暖以燃煤为主,大量消耗化石燃料会产生大量的SO2、NO2、PM10导致空气质量变差。如何在空气质量变化不大的情况下保障经济发展,需要对大气环境承载力进行科学的分析与评估。本文通过统计黑龙江省环境质量监测站的大量数据,分析了2017年哈大绥区域空气质量时间分布和空间分布规律和趋势以及环境空气质量的现状。对哈大绥区域的污染源信息按照行业不同、地区不同、并从工业源、生活源、交通源进行了统计分类。通过修正A值法与CALPUFF结合线性规划的对比,以数据较小的CALPUFF结合线性规划的结果为哈大绥区域SO2、NO2、PM10的大气环境容量依次为264.78×104t、61.83×104t、166.14×104t,是2017年SO2、NO2、PM10排放量的19.44倍、5.81倍、8.39倍,并对CALPUFF模型进行适用性分析,相关性系数在0.6以上,适用于哈大绥区域的空气质量预测。通过对正常情况下大气承载力指数与最不利情况下大气承载力的分析,可知2017年哈大绥区域SO2、NO2、PM10的大气环境承载力指数小于-0.7属于高承载状态,在不利的情况下大气环境承载力超载困难程度为绥化>大庆>哈尔滨、SO2>NO2>PM10、春季>夏季>秋季>冬季。
汪晶[10]（2018）在《广东省稻区产地环境的时空变化及其综合评价》文中提出水稻是世界第二大粮食作物,中国是世界上最大的水稻生产国和消费国。稻米品质与人类健康密切相关,水稻产地环境成为影响水稻安全质量的关键。水稻是广东省第一大粮食作物,但广东也是典型的缺粮大省,是全国最大的粮食主销区,粮食安全问题在全国占有重要地位。因此,论文通过文献查阅、资料收集、野外调研、采样分析等方法,基于Microsoft Excel 2016、SPSS 21.0和ArcGIS 10.2系列软件平台,借助GIS和地统计学分析法,分别从地形环境、气候环境、大气环境、水环境、土壤环境、生物环境和人为环境七个方面,对广东省稻区的产地环境进行了时空变化分析及综合评价,旨在为全面了解广东省稻区产地环境状况提供参考。结果表明:（1）广东省地形地貌复杂多样,山地、丘陵、平原和台地分别占全省面积的31.7%、28.5%、23.7%和16.1%。全省地形对水稻种植的影响较小,大部分地区均适宜水稻种植。全省地形环境中的高程和坡度因子与水田的综合评价等级较高,其中一等水田面积为182.18万hm2,占水田总面积的71.2%;二等水田面积23.48万hm2,占9.2%;三等水田面积31.58万hm2,占12.3%;四等水田面积14.37万hm2,占5.6%;五等水田面积3.67万hm2,占1.4%;六等水田面积0.60万hm2,占0.3%。（2）广东省属东亚季风区,自北向南分别为中亚热带、南亚热带和热带气候,是全国光、热和水资源最丰富的地区之一,且雨热同季。除粤北山区不适宜双季稻种植外,其余约95%的地区满足双季稻生产的气候条件。（3）近年来,广东省的大气环境质量明显好转,其中降水的pH年均值呈现逐年上升、酸雨频率逐年下降的趋势;影响空气质量的六项污染物浓度年际变化幅度不大,且平均浓度呈现逐年递减趋势,达标率达90%。全省70%以上地区的大气环境质量达到优和合格水平,大气环境因子与水田的综合评价等级较高,其中一等水田面积为118.76万hm2,占水田总面积的46.4%;二等水田面积为71.73万hm2,占28%;三等水田面积为65.39万hm2,占25.6%。（4）广东省水稻种植主要以地表水灌溉为主（95%）,灌溉水源充足,能满足水稻灌溉需求。但全省污染废水排放较为严重,废水排放总量19902016年间增加了68.68亿t。全省地表江河水质较为稳定,近年来断面为ⅠⅡ类水质基本维持在50%左右,污染物指标主要为氨氮、总磷和部分耗氧有机物。（5）广东省土壤pH均值约为5.48,主要为酸性和弱酸性土壤。50%以上地区的土壤养分质量达到中等水平,可为水稻生长提供良好的养分条件。但全省土壤重金属污染较为严重,尤以珠三角地区最为明显。土壤环境因子和水田的综合评价的等级一般。其中一等水田面积为12.97万hm2,占水田总面积的5.0%;二等水田面积为32.06万hm2,占12.5%;三等水田面积为87.24万hm2,占34.1%;四等水田面积为80.35万hm2,占31.4%;五等水田面积为43.25万hm2,占17.0%。（6）广东省在水稻生产过程中,水稻病虫害呈现出波动性增加趋势,发生程度属于中等或中等偏重。19922016年间,水稻病虫害发生总面积为15868.97万hm2·次,历年水稻虫害发生面积明显重于病害,且有虫害发生面积所占比率逐年增加、病害发生面积所占比率逐年减少的趋势等。水稻病虫害单位发生面积造成的实际损失从大到小依次为白叶枯病>稻瘟病>纹枯病>稻飞虱>三化螟>稻纵卷叶螟。草鼠螺害发生程度属中等偏重,草鼠螺害实际损失所占比率分别达到31.28%、61.41%和7.71%。（7）广东省水稻生产受人类生产活动影响显着。单位播种面积化肥施用量从1990年的286.36 kg/hm2增加到2016年的540.32 kg/hm2,均高于国家设置的警戒线225kg/hm2;研究期间,农药施用总量增加了30.08%,单位面积用量增加了40.42%;19952016年间,农膜和地膜使用总量分别增加了1.79万t和1.47万t,单位面积用量分别增加了4.16 kg/hm2和3.25 kg/hm2,且呈逐年增长趋势;20102016年间,水稻秸秆露天焚烧各污染物排放量的变化较小,其中CO2的排放量最多,SO2排放量最少。（8）综合地形-大气-土壤和水田的综合分析可知,广东省产地环境因子和水田的综合评价等级很高,其中等级为优的水田面积为47.51万hm2,占水田总面积的18.8%;等级为良的水田面积为98.21万hm2,占38.9%;等级为合格的水田面积为86.55万hm2,占34.3%;等级为较差的水田面积为20.37万hm2,占8%。
二、大气环境质量关键污染因子及变化趋势的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、大气环境质量关键污染因子及变化趋势的研究（论文提纲范文）
（1）大气PM2.5及其它污染因子致肺损伤分子机制研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 综述 |
| 1.1 PM_(2.5)污染现状及危害 |
| 1.1.1 PM_(2.5)污染现状 |
| 1.1.2 PM_(2.5)污染的危害 |
| 1.2 NPAHS污染现状及危害 |
| 1.2.1 NPAHs污染现状 |
| 1.2.2 NPAHs污染的危害 |
| 1.3 SO_2污染现状及危害 |
| 1.3.1 SO_2污染现状 |
| 1.3.2 SO_2污染的危害 |
| 1.4 内毒素污染现状及危害 |
| 1.4.1 内毒素污染现状 |
| 1.4.2 内毒素污染的危害 |
| 1.5 污染物联合暴露毒性研究 |
| 1.6 肺部疾病主要机制 |
| 1.6.1 炎症机制 |
| 1.6.2 氧化应激 |
| 1.6.3 DNA损伤 |
| 1.6.4 表观遗传学机制 |
| 1.6.5 铁死亡与肺部疾病 |
| 1.7 本课题的提出及研究内容和意义 |
| 1.7.1 研究内容及意义 |
| 1.7.2 创新点 |
| 第二章 气道滴注PM_(2.5)、1-NP和9-NA致大鼠肺DNA损伤的分子机制研究 |
| 2.1 前言 |
| 2.2 材料和方法 |
| 2.2.1 材料、试剂与仪器 |
| 2.2.2 PM_(2.5)样品采集 |
| 2.2.3 PM_(2.5)成分分析 |
| 2.2.4 PM_(2.5)混悬液、1-NP和9-NA溶液制备 |
| 2.2.5 动物处理方法 |
| 2.2.6 彗星实验分析 |
| 2.2.7 检测DNA与蛋白质交联率 |
| 2.2.8 实时定量PCR(RT-PCR)分析 |
| 2.2.9 蛋白免疫印迹(WB)分析 |
| 2.2.10 酶联免疫吸附分析(ELISA) |
| 2.2.11 数据统计分析 |
| 2.3 结果 |
| 2.3.1 PM_(2.5)、1-NP和9-NA暴露引起大鼠肺DNA损伤 |
| 2.3.2 PM_(2.5)、1-NP和9-NA暴露对大鼠肺组织DNA损伤修复基因表达的影响 |
| 2.3.3 PM_(2.5)、1-NP和9-NA暴露引起大鼠肺氧化应激 |
| 2.3.4 PM_(2.5)、1-NP和9-NA暴露对大鼠肺组织代谢酶活性的影响 |
| 2.3.5 比较PM_(2.5)与中浓度 1-NP、PM_(2.5)与中浓度 9-NA对大鼠肺DNA损伤效应 |
| 2.4 讨论与小结 |
| 第三章 真实环境大气PM_(2.5)暴露致大鼠肺DNA损伤的分子机制研究 |
| 3.1 前言 |
| 3.2 材料和方法 |
| 3.2.1 材料、试剂与仪器 |
| 3.2.2 真实环境大气PM_(2.5)暴露系统 |
| 3.2.3 PM_(2.5)样品采集 |
| 3.2.4 PM_(2.5)成分分析 |
| 3.2.5 动物处理方法 |
| 3.2.6 HE分析 |
| 3.2.7 RT-PCR分析 |
| 3.2.8 WB分析 |
| 3.2.9 ELISA分析 |
| 3.2.10 亚硫酸氢盐测序(BSP)分析 |
| 3.2.11 数据统计分析 |
| 3.3 结果 |
| 3.3.1 真实环境大气PM_(2.5)暴露对大鼠体重和肺体比的影响 |
| 3.3.2 真实环境大气PM_(2.5)暴露引起大鼠肺组织病理损伤 |
| 3.3.3 真实环境大气PM_(2.5)暴露引起大鼠肺DNA损伤 |
| 3.3.4 真实环境大气PM_(2.5)暴露引起大鼠肺氧化应激 |
| 3.3.5 真实环境大气PM_(2.5)暴露引起大鼠肺组织OGG1和MTH1 启动子区DNA甲基化水平变化 |
| 3.3.6 真实环境大气PM_(2.5)暴露对肺组织DNA损伤修复基因表达的影响 |
| 3.3.7 真实环境大气PM_(2.5)暴露对肺组织癌基因和抑癌基因表达的影响 |
| 3.4 讨论与小结 |
| 第四章 PM_(2.5)和SO_2复合暴露致大鼠肺炎症损伤的分子机制研究 |
| 4.1 前言 |
| 4.2 材料和方法 |
| 4.2.1 材料、试剂与仪器 |
| 4.2.2 PM_(2.5)样品采集 |
| 4.2.3 PM_(2.5)成分分析 |
| 4.2.4 动物处理方法 |
| 4.2.5 炎性细胞计数 |
| 4.2.6 HE分析 |
| 4.2.7 透射电子显微镜观察 |
| 4.2.8 RT-PCR分析 |
| 4.2.9 WB分析 |
| 4.2.10 ELISA分析 |
| 4.2.11 数据统计分析 |
| 4.3 结果 |
| 4.3.1 PM_(2.5)和SO_2复合暴露引起大鼠肺组织病理损伤 |
| 4.3.2 PM_(2.5)和SO_2复合暴露引起大鼠肺组织超微结构改变 |
| 4.3.3 PM_(2.5)和SO_2复合暴露对大鼠肺泡灌洗液中炎性细胞数目的影响 |
| 4.3.4 PM_(2.5)和SO_2复合暴露影响大鼠肺组织炎性指标水平变化 |
| 4.3.5 PM_(2.5)和SO_2复合暴露对大鼠肺组织NO/i NOS的影响 |
| 4.3.6 PM_(2.5)和SO_2复合暴露对大鼠肺组织TLR4/p38/NF-κB通路相关因子表达的影响 |
| 4.4 讨论与小结 |
| 第五章 PM_(2.5)和LPS复合暴露对小鼠肺组织铁死亡和纤维化相关因子表达的影响 |
| 5.1 前言 |
| 5.2 材料和方法 |
| 5.2.1 材料、试剂与仪器 |
| 5.2.2 PM_(2.5)样品采集 |
| 5.2.3 PM_(2.5)成分分析 |
| 5.2.4 动物分组及染毒 |
| 5.2.5 HE分析 |
| 5.2.6 WB分析 |
| 5.2.7 ELISA分析 |
| 5.2.8 Masson染色分析 |
| 5.2.9 数据统计分析 |
| 5.3 结果 |
| 5.3.1 真实环境大气PM_(2.5)和LPS复合暴露引起小鼠体重和肺脏器系数变化 |
| 5.3.2 真实环境大气PM_(2.5)和LPS复合暴露引起小鼠肺组织病理损伤 |
| 5.3.3 真实环境大气PM_(2.5)和LPS复合暴露对小鼠肺组织氧化应激指标的影响 |
| 5.3.4 真实环境大气PM_(2.5)和LPS复合暴露对小鼠肺组织铁死亡指标的影响 |
| 5.3.5 真实环境大气PM_(2.5)和LPS复合暴露对小鼠组织肺纤维化的影响 |
| 5.4 讨论与小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
（2）基于深度学习的大气环境监测系统关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文的背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 监测设备运行状态识别研究现状 |
| 1.2.2 大气气溶胶颗粒分类的研究现状 |
| 1.2.3 空气质量预报模型的研究现状 |
| 1.2.4 大气环境监测系统研究现状 |
| 1.3 研究内容与论文结构 |
| 1.4 本章小结 |
| 第2章 基于深度学习的异常数据来源诊断模型的研究 |
| 2.1 引言 |
| 2.2 Faster R-CNN |
| 2.2.1 卷积层 |
| 2.2.2 RPN网络 |
| 2.2.3 RoI pooling层 |
| 2.2.4 目标分类与定位层 |
| 2.3 改进Faster R-CNN |
| 2.3.1 重构卷积层 |
| 2.3.2 特征融合 |
| 2.3.3 锚框重置 |
| 2.3.4 数据扩增 |
| 2.4 实验与分析 |
| 2.4.1 实验环境 |
| 2.4.2 实验数据 |
| 2.4.3 预训练模型 |
| 2.4.4 评价指标 |
| 2.4.5 实验结果分析 |
| 2.5 本章小结 |
| 第3章 基于深度学习的气溶胶颗粒自动分类模型的研究 |
| 3.1 引言 |
| 3.2 大气气溶胶颗粒物成分及特征 |
| 3.2.1 有机碳颗粒(OC) |
| 3.2.2 元素碳颗粒(EC) |
| 3.2.3 元素-有机碳混合颗粒(ECOC) |
| 3.2.4 高分子有机碳颗粒(HOC) |
| 3.2.5 重金属颗粒(HM) |
| 3.2.6 矿物质颗粒(DUST) |
| 3.2.7 富钾颗粒(K) |
| 3.3 AlexNet |
| 3.3.1 网络结构 |
| 3.3.2 技术特点 |
| 3.3.3 AlexNet卷积特征图 |
| 3.4 改进的AlexNet分类方法 |
| 3.4.1 改进策略 |
| 3.4.2 改进的AlexNet网络结构 |
| 3.4.3 改进AlexNet卷积特征图 |
| 3.5 实验与分析 |
| 3.5.1 实验环境 |
| 3.5.2 实验数据 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于深度学习的空气质量预报模型的研究 |
| 4.1 引言 |
| 4.2 WRF-CMAQ空气质量预报系统 |
| 4.2.1 WRF气象预报模型 |
| 4.2.2 CMAQ预报模型 |
| 4.2.3 WRF-CMAQ |
| 4.3 预报因子对污染物浓度的影响 |
| 4.3.1 时序变化特征 |
| 4.3.2 空间分布特征 |
| 4.3.3 气象因子对污染物浓度的影响 |
| 4.3.4 污染因子之间相互影响 |
| 4.4 基于DBN-BP的空气质量预报模型 |
| 4.4.1 DBN-BP模型搭建 |
| 4.4.2 基于DBN-BP修正模型结构 |
| 4.4.3 预测模型训练过程 |
| 4.4.4 DBN-BP隐藏层确定 |
| 4.4.5 模型性能评价函数 |
| 4.5 实验与分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验数据 |
| 4.5.3 数据集预处理 |
| 4.5.4 实验结果 |
| 4.6 本章小结 |
| 第5章 结束语 |
| 5.1 总结 |
| 5.2 创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）昆明市大气污染因子与地区人群健康效应关系研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究综述 |
| 1.2.1 大气污染数据指标 |
| 1.2.2 人群健康效应指标 |
| 1.2.3 气象数据指标 |
| 1.3 研究内容及意义 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 研究意义 |
| 第二章 资料与研究方法 |
| 2.1 研究区域概况 |
| 2.2 数据来源与处理 |
| 2.2.1 大气污染指标数据 |
| 2.2.2 区域气象数据 |
| 2.2.3 呼吸系统疾病特异性药物销售数据 |
| 2.3 研究方法 |
| 2.3.1 资料描述性分析 |
| 2.3.2 相关及偏相关分析方法 |
| 2.3.3 时间序列分析方法 |
| 2.3.4 主成分分析方法 |
| 2.3.5 回归分析及模型选择 |
| 2.3.6 相对危险度 |
| 第三章 大气污染因子与人群健康效应的相关性分析 |
| 3.1 各变量描述性分析 |
| 3.2 变量数据分布特征 |
| 3.3 相关性分析 |
| 3.4 干湿季、花粉季差异分析 |
| 第四章 大气污染因子与人群健康效应的时间序列分析 |
| 4.1 序列图 |
| 4.2 大气污染因子季节分解 |
| 4.3 结果分析 |
| 第五章 不同健康结局选择与大气污染因子间关系分析 |
| 5.1 相关性分析 |
| 5.2 时间序列分析——季节分解 |
| 第六章 主成分分析及主成分偏相关分析 |
| 6.1 KMO和 Bartlett检验表 |
| 6.2 主成分分析 |
| 6.3 主成分偏相关分析 |
| 第七章 广义相加模型及定量效应分析 |
| 7.1 GAM建立 |
| 7.2 模型诊断及结果解读 |
| 7.3 相对危险度 |
| 第八章 总结与讨论 |
| 8.1 总结 |
| 8.2 特色与创新点 |
| 8.3 研究不足及展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间发表论文及研究成果目录 |
| 附录 B 攻读硕士期间参与的科研项目 |
| 附录 C 研究药物信息表 |
（4）基于CMAQ模式的兰州市重污染天气应急减排预案效果评估与优化研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 重污染天气成因及危害 |
| 1.1.2 重污染天气防治政策措施 |
| 1.1.3 兰州市地形条件及重污染天气应急响应 |
| 1.2 空气质量保障应急预案效果评估研究现状 |
| 1.2.1 基于监测站观测数据评估方法 |
| 1.2.2 基于卫星遥感反演数据评估方法 |
| 1.2.3 基于空气质量模型模拟评估方法 |
| 1.3 研究内容及技术路线 |
| 1.4 小结 |
| 第二章 兰州市重污染天气大气污染源应急减排清单分析 |
| 2.1 应急减排清单合理性分析 |
| 2.1.1 应急工业源减排清单合理性分析 |
| 2.1.2 应急移动源减排清单合理性分析 |
| 2.1.3 应急道路扬尘源减排清单合理性分析 |
| 2.1.4 应急施工扬尘源减排清单合理性分析 |
| 2.2 修正后兰州市重污染天气应急减排清单排放特征分析 |
| 2.2.1 应急工业源减排清单 |
| 2.2.2 应急移动源减排清单 |
| 2.2.3 应急道路扬尘源减排清单 |
| 2.2.4 应急施工扬尘减排清单 |
| 2.3 本章小结 |
| 第三章 大气污染物清单处理流程 |
| 3.1 MEIC清单的精细化处理 |
| 3.2 耦合兰州市大气污染源应急减排清单 |
| 3.2.1 应急清单的工业源部分处理过程 |
| 3.2.2 应急减排清单的移动源部分处理过程 |
| 3.2.3 应急减排清单的道路扬尘源源部分处理过程 |
| 3.2.4 应急减排清单的施工扬尘源部分处理过程 |
| 3.3 各预警等级下清单处理 |
| 3.4 小结 |
| 第四章 模式及方案介绍 |
| 4.1 WRF气象模式原理及方案设置 |
| 4.1.1 WRF原理介绍 |
| 4.1.2 WRF模型的资料及参数设置 |
| 4.1.3 WRF气象模拟结果验证分析 |
| 4.2 SMOKE大气源清单处理模式介绍及方案设置 |
| 4.2.1 SMOKE模式介绍 |
| 4.2.2 SMOKE模型的资料及参数设置 |
| 4.3 CMAQ空气质量模型原理及方案设置 |
| 4.3.1 CMAQ模型介绍 |
| 4.3.2 CMAQ模型的资料及参数设置 |
| 4.4 本章小结 |
| 第五章 兰州市应急减排预案效果评估及优化 |
| 5.1 应急减排预案2018年12 月个例效果评估 |
| 5.1.1 污染物SO_2应急减排预案减排效果评估 |
| 5.1.2 污染物NO_2应急预案减排效果评估 |
| 5.1.3 污染物PM_(2.5)应急预案减排效果评估 |
| 5.1.4 污染物PM_(10)应急预案减排效果评估 |
| 5.2 应急预案的其他时段模拟评估 |
| 5.3 兰州市应急减排预案优化模拟 |
| 5.3.1 污染物SO_2优化后减排效果评估 |
| 5.3.2 污染物NO_2优化后减排效果评估 |
| 5.3.3 污染物PM_(2.5)优化后减排效果评估 |
| 5.3.4 污染物PM_(10)优化后减排效果评估 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究特色 |
| 6.3 不足与展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（5）2013-2019年兰州市城市环境空气质量变化趋势研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 技术路线 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 研究区概况及研究方法 |
| 2.1 兰州市概况 |
| 2.1.1 地理位置 |
| 2.1.2 自然环境特征 |
| 2.1.3 社会经济发展情况 |
| 2.2 兰州市环境空气质量监测情况 |
| 2.2.1 环境空气质量标准 |
| 2.2.2 环境空气监测点位 |
| 2.2.3 监测项目及质量控制保证 |
| 2.2.4 监测方法及分析方法 |
| 2.2.5 数据来源 |
| 2.3 研究方法 |
| 2.3.1 空气质量评价法 |
| 2.3.2 变化趋势检验法 |
| 2.3.3 灰色关联度计算 |
| 第三章 兰州市环境空气质量变化趋势 |
| 3.1 环境空气总体变化趋势 |
| 3.1.1 环境空气质量综合指数变化情况 |
| 3.1.2 首要污染物变化情况 |
| 3.1.3 空气优良天数及优良率变化情况 |
| 3.2 主要污染物变化特征 |
| 3.2.1 SO_2时间变化特征分析 |
| 3.2.2 NO_2时间变化特征分析 |
| 3.2.3 PM_(10)时间变化特征分析 |
| 3.2.4 CO时间变化特征分析 |
| 3.2.5 O_3时间变化特征分析 |
| 3.2.6 PM_(2.5)时间变化特征分析 |
| 3.3 环境空气质量变化趋势定量分析 |
| 3.4 小结 |
| 第四章 兰州市环境空气质量相关性因素分析 |
| 4.1 自然因素 |
| 4.1.1 地理地貌因素 |
| 4.1.2 气象条件因素 |
| 4.2 人为因素 |
| 4.2.1 污染物排放量 |
| 4.2.2 机动车拥有量 |
| 4.2.3 城市绿化面积 |
| 4.2.4 能源消耗 |
| 4.3 灰色关联度结果分析 |
| 4.4 小结 |
| 第五章 兰州市大气污染的分析讨论 |
| 5.1 改善能源结构,推广清洁生产 |
| 5.2 严控尾气排放,推行绿色通行 |
| 5.3 完善治理体制和机制,加大环保执法力度 |
| 5.4 实施重点行业治理,加强科学分析研判 |
| 5.5 加强宣传力度,提升“生态增容” |
| 5.6 实施技防优先,精准“靶向治污” |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.1.1 兰州市环境空气质量评价结论 |
| 6.1.2 兰州市环境空气质量影响因素分析 |
| 6.1.3 兰州市大气污染防治对策 |
| 6.2 不足和展望 |
| 参考文献 |
| 致谢 |
（6）太行山区城乡大气污染特征研究 ——以保定市涞源县为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 山区大气污染的研究进展 |
| 1.2.2 地形、气象对大气污染影响的研究进展 |
| 1.3 研究内容 |
| 1.4 创新点 |
| 2 研究区概况 |
| 2.1 自然环境概况 |
| 2.2 社会环境概况 |
| 2.3 大气环境质量概况 |
| 3 涞源县城乡大气污染特征 |
| 3.1 研究数据 |
| 3.1.1 污染物监测数据 |
| 3.1.2 评价标准 |
| 3.1.3 空气质量指数(AQI) |
| 3.1.4 空气质量类别 |
| 3.2 大气污染的空间特征 |
| 3.3 大气污染的时间特征 |
| 3.3.1 年内变化特征 |
| 3.3.2 季节变化特征 |
| 3.3.3 日变化特征 |
| 4 山区与平原区城市大气污染的差异与影响因素分析 |
| 4.1 山区城市与平原城市污染特征差异 |
| 4.1.1 空间分布特征差异 |
| 4.1.2 年内变化差异 |
| 4.1.3 日内变化差异 |
| 4.2 地形对山区与平原区城市大气污染差异的影响 |
| 4.2.1 逆温影响垂直扩散 |
| 4.2.2 局地环流影响污染物回流 |
| 4.2.3 稳定天气使污染物易聚集 |
| 4.2.4 风速影响水平扩散 |
| 4.3 大气污染与气象条件的关系 |
| 4.3.1 温度的影响 |
| 4.3.2 相对湿度的影响 |
| 4.3.3 风速的影响 |
| 4.4 社会因素对大气污染的影响 |
| 4.5 本章小结 |
| 5 山区县城乡大气污染防治对策 |
| 5.1 完善监测网络及预测平台体系 |
| 5.2 加快城乡集中供暖项目建设 |
| 5.3 加强扬尘精细化管控 |
| 5.4 加强汽车尾气管控 |
| 5.5 公众参与及宣传教育 |
| 6 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
（7）基于IGA-PSOW-BP模型的大气污染因子浓度值预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究目标和内容 |
| 1.3 国内外研究现状 |
| 1.4 本文论文组织结构 |
| 第二章 相关理论与技术 |
| 2.1 遗传算法 |
| 2.2 粒子群算法 |
| 2.3 BP神经网络 |
| 2.3.1 神经元结构 |
| 2.3.2 BP神经网络结构 |
| 2.3.3 BP神经网络的学习过程 |
| 2.3.4 BP神经网络的优劣点 |
| 2.4 相关性分析技术 |
| 2.5 空气质量指数 |
| 2.6 长短时记忆网络 |
| 2.7 本章小结 |
| 第三章 大气环境污染因子浓度值预测模型 |
| 3.1 预测目标 |
| 3.2 算法选择 |
| 3.3 基于IGA-PSOW-BP模型的污染因子浓度值预测过程模型图 |
| 3.4 数据采集 |
| 3.5 数据预处理 |
| 3.5.1 异常数据处理 |
| 3.5.2 缺失数据处理 |
| 3.5.3 数据归一化处理 |
| 3.6 污染因子间相关性分析 |
| 3.7 IGA-PSOW-BP神经网络设计 |
| 3.7.1 BP网络的结构 |
| 3.7.2 IGA-PSOW算法 |
| 3.8 本章小结 |
| 第四章 基于IGA-PSOW-BP模型的大气环境污染因子浓度值预测模型的实现 |
| 4.1 数据采集模块的实现 |
| 4.2 数据预处理模块和相关性分析模块的实现 |
| 4.3 IGA-PSOW-BP模块的实现 |
| 4.4 本章小结 |
| 第五章 实验分析和验证 |
| 5.1 实验目的 |
| 5.2 实验环境 |
| 5.3 实验方案及结果分析 |
| 5.3.1 实验数据集 |
| 5.3.2 实验参数设置 |
| 5.3.3 实验方案设计 |
| 5.3.4 结果分析 |
| 5.4 本章小结 |
| 第六章 总结展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 1.基本情况 |
| 2.教育背景 |
| 3.攻读硕士学位期间的研究成果 |
| 3.1 申请专利 |
| 3.2 参与科研项目及获奖 |
（8）湖南省环境空气质量评价及其影响因素分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究内容 |
| 1.5 拟采取的研究方法 |
| 1.6 技术路线 |
| 第二章 湖南省环境空气背景特征 |
| 2.1 自然环境特征 |
| 2.1.1 地理位置 |
| 2.1.2 地质地貌 |
| 2.1.3 水文气候 |
| 2.2 社会经济发展特征 |
| 2.3 能源利用特征 |
| 2.4 大气污染物排放特征 |
| 第三章 湖南省大气污染时空分布特征 |
| 3.1 SO_2质量浓度时空分布特征 |
| 3.2 NO_2质量浓度时空分布特征 |
| 3.3 PM_(2.5)质量浓度时空分布特征 |
| 3.4 PM_(10)质量浓度时空分布特征 |
| 3.5 CO质量浓度时空分布特征 |
| 3.6 O_3质量浓度时空分布特征 |
| 3.7 小结 |
| 第四章 湖南省环境空气质量评价 |
| 4.1 模糊数学综合评价法简介 |
| 4.2 基于模糊数学综合法的湖南省环境空气质量评价 |
| 4.3 PM_(2.5)与其他污染物的相关性研究 |
| 4.4 小结 |
| 第五章 湖南省环境空气质量影响因素分析 |
| 5.1 自然因素对空气质量的影响 |
| 5.2 经济因素对空气质量的影响 |
| 5.3 改善环境空气质量的建议 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
（9）哈大绥大气环境承载力分析（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 大气污染物的来源与危害 |
| 1.2.1 SO_2 的来源与危害 |
| 1.2.2 NO_x的来源与危害 |
| 1.2.3 颗粒物的来源与危害 |
| 1.3 国内外研究综述 |
| 1.4 基本概念与方法分类 |
| 1.4.1 大气环境容量 |
| 1.4.2 大气环境承载力 |
| 1.4.3 环境承载力与环境容量的关系 |
| 1.5 研究目的和意义 |
| 1.5.1 研究目的 |
| 1.5.2 研究意义 |
| 1.6 研究内容和技术路线 |
| 1.6.1 研究内容 |
| 1.6.2 技术路线 |
| 第2章 研究方法 |
| 2.1 大气环境容量的计算方法 |
| 2.1.1 修正A值法 |
| 2.1.2 CALPUFF模型及线性规划模型 |
| 2.1.3 修正A值法与CALPUFF结合线性规划对比分析 |
| 2.2 大气环境承载力的评价方法 |
| 第3章 哈大绥大气环境现状分析 |
| 3.1 哈大绥区域基本概况 |
| 3.1.1 区域地理 |
| 3.1.2 气候特征 |
| 3.1.3 行政规划 |
| 3.1.4 经济结构 |
| 3.2 哈大绥环境空气质量现状 |
| 3.2.1 大气污染物的时间分布特征 |
| 3.2.2 大气污染物的空间分布特征 |
| 3.3 控制区确定 |
| 3.4 气象条件 |
| 3.4.1 气温 |
| 3.4.2 降水 |
| 3.4.3 平均风速与风向 |
| 3.5 污染源的调查与分析 |
| 3.5.1 大气污染物排放情况 |
| 3.5.2 大气污染空间排放特征 |
| 3.5.3 大气污染行业排放特征 |
| 3.5.4 移动污染源排放特征 |
| 3.6 本章小结 |
| 第4章 哈大绥大气环境承载力分析 |
| 4.1 修正A值法 |
| 4.1.1 平流输送项 |
| 4.1.2 干沉积项 |
| 4.1.3 湿沉积项 |
| 4.1.4 化学转化项 |
| 4.1.5 修正A值法的计算结果 |
| 4.1.6 最不利点环境容量 |
| 4.2 CALPUFF模型预测 |
| 4.2.1 地理数据预处理 |
| 4.2.2 气象数据预处理 |
| 4.2.3 污染源与污染物的处理 |
| 4.2.4 模型运行结果检验 |
| 4.2.5 CALPUFF模型的计算结果 |
| 4.3 修正A值法与CALPUFF模型计算结果对比 |
| 4.4 哈大绥大气环境承载力指数分析 |
| 4.4.1 大气环境承载力指数 |
| 4.4.2 最不利点大气环境承载力指数 |
| 4.5 本章小结 |
| 第5章 结论 |
| 参考文献 |
| 致谢 |
（10）广东省稻区产地环境的时空变化及其综合评价（论文提纲范文）
| 摘要 |
| abstract |
| 1 前言 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究进展 |
| 1.3.1 环境质量评价 |
| 1.3.2 农产品产地环境质量评价 |
| 2 研究内容、方法及技术路线 |
| 2.1 研究内容 |
| 2.2 研究方法 |
| 2.2.1 检测方法 |
| 2.2.2 统计与空间分析方法 |
| 2.2.3 评价方法 |
| 2.3 技术路线 |
| 3 广东省水稻产业发展现状 |
| 3.1 数据来源 |
| 3.2 地理位置 |
| 3.3 水稻产业发展现状 |
| 3.3.1 生产现状 |
| 3.3.2 水稻种植区域 |
| 3.3.3 水稻区划分布 |
| 4 广东省稻区产地环境 |
| 4.1 地形环境 |
| 4.1.1 数据来源 |
| 4.1.2 高程 |
| 4.1.3 坡度 |
| 4.2 气候环境 |
| 4.2.1 数据来源 |
| 4.2.2 年平均气温 |
| 4.2.3 年平均有效积温 |
| 4.2.4 年平均降水量 |
| 4.2.5 年平均日照时数 |
| 4.3 大气环境 |
| 4.3.1 数据来源 |
| 4.3.2 评价标准 |
| 4.3.3 评价方法 |
| 4.3.4 降水质量年际变化 |
| 4.3.5 降水质量空间分布 |
| 4.3.6 空气质量年际变化 |
| 4.3.7 空气质量空间分布 |
| 4.3.8 空气质量评价结果与分析 |
| 4.4 水环境 |
| 4.4.1 数据来源 |
| 4.4.2 灌溉水源概况 |
| 4.4.3 废水排放概况 |
| 4.4.4 流域水系分布 |
| 4.4.5 省控断面水质类别年际变化 |
| 4.4.6 水质监测点分布 |
| 4.4.7 水质监测点水质类别比率 |
| 4.4.8 地表水质-水田评价 |
| 4.5 土壤环境 |
| 4.5.1 数据来源 |
| 4.5.2 评价标准 |
| 4.5.3 土壤样点分布 |
| 4.5.4 土壤pH值 |
| 4.5.5 土壤有机质 |
| 4.5.6 土壤碱解氮 |
| 4.5.7 土壤有效磷 |
| 4.5.8 土壤速效钾 |
| 4.5.9 土壤pH值和养分的统计分析 |
| 4.6 生物环境 |
| 4.6.1 数据来源 |
| 4.6.2 水稻病虫害发生面积及实际损失 |
| 4.6.3 水稻病虫害发生程度 |
| 4.6.4 水稻病虫害空间分布 |
| 4.6.5 草鼠螺害发生面积及实际损失 |
| 4.6.6 草鼠螺害发生程度 |
| 4.6.7 草鼠螺害空间分布 |
| 4.7 人为环境 |
| 4.7.1 数据来源 |
| 4.7.2 化肥年际变化 |
| 4.7.3 化肥空间分布 |
| 4.7.4 农药年际变化 |
| 4.7.5 农药空间分布 |
| 4.7.6 农膜地膜年际变化 |
| 4.7.7 农膜地膜空间分布 |
| 4.7.8 畜禽养殖年际变化 |
| 4.7.9 畜禽养殖空间分布 |
| 4.7.10 水稻秸秆露天焚烧污染物排放量年际变化 |
| 4.7.11 水稻秸秆露天焚烧污染物排放强度 |
| 5 广东省稻区土壤环境实证研究 |
| 5.1 采样地区 |
| 5.2 土壤采样与分析方法 |
| 5.2.1 样品采集 |
| 5.2.2 样品制备 |
| 5.2.3 样品检测与分析方法 |
| 5.3 土壤养分检测结果分析 |
| 5.3.1 评价标准 |
| 5.3.2 结果分析 |
| 5.4 土壤pH值和重金属检测结果分析 |
| 5.4.1 评价标准 |
| 5.4.2 评价方法 |
| 5.4.3 结果分析 |
| 6 广东省稻区产地环境综合评价 |
| 6.1 地形环境综合评价 |
| 6.1.1 地形指数重分类 |
| 6.1.2 地形指数叠加分析 |
| 6.1.3 地形-水田综合评价 |
| 6.2 大气环境综合评价 |
| 6.2.1 大气指数重分类 |
| 6.2.2 大气指数叠加分析 |
| 6.2.3 大气-水田综合评价 |
| 6.3 土壤环境综合评价 |
| 6.3.1 土壤指数主成分分析 |
| 6.3.2 土壤指数重分类、叠加分析 |
| 6.3.3 土壤-水田综合评价 |
| 6.4 地形-大气-土壤环境综合评价 |
| 6.4.1 地形-大气-土壤指数叠加分析 |
| 6.4.2 产地环境-水田综合评价 |
| 7 讨论与结论 |
| 7.1 水稻产地的地形环境 |
| 7.2 水稻产地的气候环境 |
| 7.3 水稻产地的大气环境 |
| 7.4 水稻产地的水环境 |
| 7.5 水稻产地的土壤环境 |
| 7.6 水稻产地的生物环境 |
| 7.7 水稻产地的人为环境 |
| 7.8 结论 |
| 致谢 |
| 参考文献 |
四、大气环境质量关键污染因子及变化趋势的研究（论文参考文献）
- [1]大气PM2.5及其它污染因子致肺损伤分子机制研究[D]. 赵利芳. 山西大学, 2021(01)
- [2]基于深度学习的大气环境监测系统关键技术研究[D]. 马元婧. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021
- [3]昆明市大气污染因子与地区人群健康效应关系研究[D]. 冯睿. 昆明理工大学, 2021(01)
- [4]基于CMAQ模式的兰州市重污染天气应急减排预案效果评估与优化研究[D]. 郭鹏. 兰州大学, 2021(09)
- [5]2013-2019年兰州市城市环境空气质量变化趋势研究[D]. 陈雪. 兰州大学, 2021(11)
- [6]太行山区城乡大气污染特征研究 ——以保定市涞源县为例[D]. 张笑微. 河北师范大学, 2020(07)
- [7]基于IGA-PSOW-BP模型的大气污染因子浓度值预测方法研究[D]. 张彦. 西安电子科技大学, 2019(02)
- [8]湖南省环境空气质量评价及其影响因素分析[D]. 彭琛玲. 中南林业科技大学, 2019(01)
- [9]哈大绥大气环境承载力分析[D]. 刘弘励. 黑龙江大学, 2019(03)
- [10]广东省稻区产地环境的时空变化及其综合评价[D]. 汪晶. 华南农业大学, 2018(08)
标签：大气污染综合防治论文; 质量浓度论文; 空气污染论文; 环境污染论文;