一、石景山工业区PM_(10)污染对北京市影响的模拟计算（论文文献综述）
舒璐[1]（2020）在《基于CMAQ模型焦化行业对乌海市空气质量影响的研究》文中指出焦化行业作为高能耗高污染行业,是大气污染物重要排放行业之一,在炼焦过程中会产生大量烟尘和废气,对环境空气质量和人体健康造成显着影响。中国是世界上重要的焦炭生产国家,2018年中国焦炭产量占世界产量的67%,内蒙古焦炭产量占全国焦炭的7.7%,乌海市焦炭产量在内蒙古自治区排名第一。焦化行业作为乌海市的主要产业,对乌海市的经济发展、人民健康影响较大。量化乌海市焦化行业污染物排放对乌海市空气质量的影响,可为制定焦化行业管控措施和大气污染防治方案提供科学依据。本文以乌海市焦化行业为研究对象,研究焦化行业排放对乌海市空气质量中重点污染物及其部分重要前体污染物的影响。利用2015-2018年环境监测数据分析乌海市环境空气质量,确定了乌海市的重点污染物。在文献和实地调研的基础上,统计了焦化行业分工段排放系数,主要利用排放因子法建立了2018年乌海市焦化行业大气污染源排放清单,确定了焦化行业排放的主要环节及重点污染物。结合乌海市空气质量情况和焦化行业排放特征,选择重点污染物颗粒物和O3的污染时段2018年6月4日-9日,由WRF模型提供气象场数据,由SMOKE模型提供污染源数据,利用CMAQ模型,采用乌海市焦化行业源强置零的方式,量化了焦化行业排放对乌海市空气质量中NO2、O3、PM10和PM2.5的污染贡献影响。论文主要结论如下:（1）2015年到2018年乌海市环境空气质量有所好转,SO2和PM2.5浓度呈逐年下降趋势;但是颗粒物(PM10和PM2.5)污染问题长期存在,O3污染问题日益严重,因此乌海市重点污染物是颗粒物和O3。（2）对于焦化行业工艺过程不同工段污染物的排放系数,SO2和NOX的排放环节中焦炉烟囱的排放系数最大,分别为0.075和0.533kg/t焦炭;颗粒物(PM10和PM2.5)的排放环节中熄焦、焦炉炉体和焦炉烟囱的排放系数较大,PM10的排放系数分别为0.086、0.061和0.041kg/t焦炭,PM2.5的排放系数分别为0.054、0.038和0.026kg/t焦炭;CO的排放环节中熄焦和焦炉烟囱的排放系数较大,分别为0.447和0.437kg/t焦炭;VOCs的排放环节中焦炉烟囱的排放系数最大。（3）焦化行业常规污染物排放有VOCs、CO、NOX、颗粒物、SO2等,其中VOCs、CO、NOX排放较多。焦化行业大气污染源排放清单中,VOCs的排放量最大,为39819.51吨/年,占全市排放量的57.94%;其次为CO的排放量较大,为11571.48吨/年,占全市排放量的6.44%;NOX的排放量为7480.61吨/年,占全市排放量的9.37%;PM10和PM2.5的排放量分别为3777.38吨/年和1964.67吨/年,占全市排放量的1.80%和3.09%;SO2的排放量为989.56吨/年,占全市SO2排放量的1.29%。在备煤、炼焦、化学产品回收等生产环节中,炼焦过程排放的各污染物占焦化行业总排放量的比例最大,其中VOCs、CO、SO2和NOX的占比均在90%以上。（4）从模拟时段焦化行业对乌海市污染物NO2、O3、PM10和PM2.5的浓度贡献空间分布来看,污染物扩散方向与地面风向相符;NO2浓度高值主要集中在海勃湾区的北部和海南区的中部;PM10和PM2.5浓度高值主要集中在焦化源附近;O3空间分布不同于其他污染物,白天（09-20时）在焦化源附近,其排放的NOX对O3的消耗抑制作用较强,但随着评价时间尺度的缩短,氮氧化物抑制区域范围缩小。（5）模拟时段焦化行业对乌海市三个城区站点污染物的环境影响贡献中,对于NO2、PM10和PM2.5的期间平均、最大日均和最大小时浓度贡献,海南区最大,乌达区次之,海勃湾区最小;对于O3的白天期间平均、日最大8小时和最大小时浓度贡献,海勃湾区和海南区较大。相对于PM10和O3,焦化行业污染物排放对乌海市NO2和PM2.5的贡献影响更大。焦化行业对乌海市NO2期间平均浓度的贡献率为2.06%7.47%,最大日均浓度的贡献率为3.53%15.66%,最大小时浓度的贡献率为6.72%23.35%;O3日最大8小时平均浓度的贡献率为0.59%1.83%,最大小时浓度的贡献率为2.11%4.90%;PM10期间平均浓度的贡献率为0.74%2.32%,最大日均浓度的贡献率为1.07%8.01%,最大小时浓度的贡献率为1.87%9.77%;PM2.5期间平均浓度的贡献率为1.13%3.18%,最大日均浓度的贡献率为2.34%8.68%,最大小时浓度的贡献率为3.52%15.56%。
伯鑫[2]（2020）在《中国钢铁行业大气污染物排放特征及其环境影响研究》文中认为随着经济的快速发展和城市化的持续加快,中国钢铁需求量逐年上升,这直接拉动了钢铁生产及其大气污染物排放量的增长,严重影响了空气质量和人类健康。在此背景下,钢铁行业成为中国污染联防联控、限产限排的重点关注对象之一,钢铁排放及其大气影响核算成为当前环境研究领域的一个重点与难点。然而,现有相关研究仅局限于特定的工序或区域,缺乏全面、系统的包含全工序、全国范围的钢铁大气污染物排放研究;另一方面,现有核算方法均基于统一的、固定的排放因子,不能有效反映各排放源的差异特性,以及相关因素与技术的动态演化。因此,钢铁大气污染物排放研究亟需理论与技术创新,构建一套系统、高分辨率排放清单模型,不仅全面囊括中国钢铁生产的各工序及各地区,而且精准体现其时（各小时）-空（各排放源）共性与差异。对此,本文有机融合污染源排放在线监测（CEMS）数据和环境统计数据,创新性地提出了一套新的时（各小时）-空（各排放源）高分辨率钢铁大气排放清单核算方法,全面性地编制了 2012、2015和2018年中国钢铁行业分工序分地区大气污染物排放清单,并对其环境影响与未来趋势进行评估。本文的主要研究创新工作可以总结为以下两个方面:（1）构建新的基于CEMS数据的高时空分辨率清单核算方法本文引入CEMS等全国范围、各点源水平和各小时频度的实测数据,构建了一个新的基于CEMS数据的时空高分辨率清单核算方法。相比于现有方法,新方法具有如下3个优势:其一,不同于现有方法采用他人文献中的排放因子,新方法采用实测排放浓度,直接计算排放因子与排放量,有效规避间接性参数与假设的使用,以显着提高测算精度;其二,不同于现有方法采用统一无差异性的排放因子,新方法采用点源数据,系统核算了各点源的排放因子及其排放量,以深入剖析不同工序、不同技术的排放差异;其三,不同于现有方法采用不变、滞后（2013年之前）的排放因子,新方法引入高频、最新数据,重新核算了最新排放因子及其排放量,以有效把握钢铁排放的动态演化机制,特别是2012年与2015年新排放标准的实施对钢铁排放的影响。（2）编制不同时期全国全工序钢铁排放清单并模拟不同情境下大气环境影响采用所提出的基于CEMS数据的钢铁排放清单核算模型,针对中国钢铁排放进行了系统、深入、全面的研究,如下:其一,从多种维度（时间、空间、工序和污染物）方面出发,系统分析了中国2015-2018年钢铁行业排放浓度、达标情况、排放情况、改造潜力;其二,建立了基于生产工艺的中国钢铁行业大气污染物排放清单管理系统,自下而上地编制2012、2015和2018年以及未来年全工序的高分辨率中国钢铁企业大气污染源排放清单;其三,采用扩展综合空气质量模型模拟分析2012、2015和2018年及未来年情景下钢铁企业大气污染环境影响。基于上述研究,得出如下主要研究结果。（1）在时间维度上,2015-2018年,中国钢铁主要工序（即烧结机头、机尾、球团焙烧）大气污染物年均、月均排放浓度基本保持下降趋势,与中国钢铁粗钢产量呈现相反的特征。特别地,在秋冬季期间（2017.10-2018.3）,重点区域的主要工序污染物浓度下降幅度高于其他区域,东部地区整体达标率高于全国其他地区。（2）在污染物维度上,中国钢铁行业二氧化硫（SO2）、氮氧化物（NOx）和颗粒物（PM10、PM2.5、BC、OC和EC）的排放量逐年降低,而挥发性有机物（VOCs）排放量呈现上升趋势。（3）在地区维度上,省级排放量最大的是河北省,区域排放量最大的是“2+26”城市。（4）在工序维度上,常规大气污染物（SO2、NOx和PM10）最主要的排放工序是焦化、烧结、球团、高炉四个铁前工序。（5）在环境影响方面,钢铁排放对大气环境污染的贡献分布与其排放量分布相一致。（6）在未来情景方面,若中国钢铁达到发达国家产业结构与超低排放水平,中国钢铁行业的SO2、NOx和PM10排放量将分别下降至4.94万t、7.58万t和4.11万t,其对大气污染物浓度的贡献比例可平均控制在0.31%下。
江晨阳[3]（2019）在《韶山风环境及城市植被对PM2.5浓度影响的研究》文中认为城市空气环境与居民的健康息息相关,而植被是缓解城市空气污染的重要因素。为了了解植被在去除城市PM2.5中的作用,本文通过理论分析和计算机模拟两个方面,对植被影响下的城市PM2.5空间分布规律进行了研究。首先,本文在真实地形的基础上对韶山市流场进行了模拟分析。通过对比有无植被影响时的流场差异可以看出,植被的存在降低了近地面流场风速,增大了流场湍流强度。植被对风速的影响随高度而变化,对树冠层底部流场风速的影响最大（风速降低76%）。山峰风速受林地的影响明显降低,原有的速度峰值位置上移,对上层空气的挤压增大,顶部空气风速略微增加;山脉背风面受林地的影响湍流强度显着增大并形成尺度较大涡旋,对下游流场扰动增加。其次,本文在韶山市流场的基础上,对植被影响下的城市PM2.5空间分布进行了分析。通过对建筑群内部、来流污染、综合污染三种污染源工况的模拟,可以看出,植被可以起到削减PM2.5浓度的效果。森林内部的PM2.5削减量与森林面积大小及所选位置有关。面积越大削减效果越强,森林内部的削减效果大于森林边缘处,山谷内林地的削减效果大于山峰处。树木的最大PM2.5沉降量位于树木冠层底部,PM2.5沉降量可达97%。上游区域林地的存在可以缓解下游区域的PM2.5污染。最后,本文讨论了植被覆盖率与城市PM2.5质量浓度的关系,提出了环境信息关联模型,并在此基础上分析了植被在PM2.5与气象因素及区域污染的关联中发挥的作用。通过分析模型脉冲响应曲线的数值可以看出绿化率与PM2.5对相对湿度扰动的响应相关性最高（R2=0.71）,其次为风速（R2=0.54）,与PM2.5对温度扰动的响应的相关性不高。PM2.5对风速扰动的响应最为迅速。绿化率越高的市辖区,PM2.5对三种气象要素的响应越剧烈且越容易出现波动,PM2.5对气象要素的总扰动的响应的滞后期与绿化率有较强的相关性（R2=0.62）。高植被覆盖的地区更不易受到其他区域污染物的影响。本研究可以对未来进行中尺度的城市风场模拟和城市PM2.5的浓度场模拟提供一定的参考价值,并对未来的中小型城市的布局、城市绿地规划提供一定的指导意见。
孙维,程小泉,王晖,刘承晓,黄潇[4]（2017）在《合肥市冬季PM10污染特征及大气环境容量测算研究》文中认为利用2013年冬季（10—12月）合肥市10个空气质量自动监测站点的PM10监测数据,分析了合肥市PM10的污染特征,并基于合肥地区主要大气污染源调查,利用CALPUFF模式对PM10浓度进行了模拟;同时通过建立大气污染物传递矩阵,采用线性规划法测算合肥市污染源的PM10大气环境容量分配额。结果表明:2013年冬季（10—12月）合肥市PM10质量浓度日变化呈典型的双峰型分布,早上和晚上出现峰值,午后和午夜后出现谷值;PM10质量浓度呈东北部地区偏高、西南部地区偏低的空间分布特征。CALPUFF模式对合肥市大部分空气质量自动监测站点PM10质量浓度的模拟值与监测值基本一致,整体可以较好地反映合肥市PM10质量浓度的空间分布。合肥市污染源的PM10大气环境容量分配额测算表明,在合肥市面源消减705.233 t·a-1后,工业点源可以获得12 935 t·a-1的大气环境容量。
李雯婧[5]（2016）在《北京市主要大气污染物对居民死亡影响及其空间差异性分析》文中研究说明背景：近年来我国雾霾天气频发,引起国内外广泛关注,大气污染对人群健康的危害亦成为研究的热点。生态学时间序列分析表明,大气污染与人群死亡风险增加有关。但是,由于我国环境空气质量监测点的限制,使得大气污染与人群健康时空关系的研究明显不足,制约了对大气污染健康效应空间差异性的探索。目的：本研究采用时间序列分析和时空分析的方法,探究主要大气污染物与人群死亡风险之间的关系及其空间差异性的影响因素。方法：以北京市16个区县常住居民为研究对象,采用生态学设计,研究北京市16个区县2009年1月1日至2010年12月31日间的每日PM10、NO2和CO浓度变化与每日人群总死亡（ICD-10:A00-R99）、心肺系统疾病死亡（ICD-10:I00-I99. J00-J98）和心脑血管疾病死亡（ICD-10:I00-I99）风险增加的关系,同时调整气象（包括气温、相对湿度）、时间、星期等因素。首先,研究新的浓度预测模型,利用已有污染物浓度数据,采用一般线性模型（General Linear Model, GLM）,对北京市暂无监测站点的区县进行平均暴露浓度的预测；其次,利用北京市PM10、NO2和CO的日均浓度数据,采用时间序列分析的半泊松分布连接的广义相加模型（Generlized Additive Model, GAM）,研究全市尺度上三种污染物与每日总死亡、心肺系统疾病死亡和心脑血管疾病死亡的关系；再次,利用北京市16个区县的PM10、NO2和CO的日均浓度,构建考虑空间因素的半泊松分布连接的广义相加混合模型（Generlized Additive Mixed Model, GAMM）,分析全市尺度上三种污染物与死亡的关系,并比较GAMM的结果与上述GAM结果的差异。最后,构建分区县的GAM模型,分析人群每日总死亡、心肺系统疾病死亡以及心脑血管疾病死亡效应的空间差异性,同时利用稳健回归（Robust Regression）探讨污染物效应空间差异的影响因素。结果：（1）GAM结果显示,PM10、NO2、CO的急性暴露能显着升高居民每日总死亡人数、心肺系统疾病死亡人数和心脑血管疾病死亡人数。PM10浓度（1ag 01）每升高IQR单位（80μg/m3）将会导致三种死亡结局的死亡人数分别增加2.58%（95%CI:1.69%-3.48%）、2.97%（95%CI：1.83%-4.12%）和2.87%（95%CI：1.66%-4.09%）。N02浓度（1ag01）每升高IQR单位（25.μg/m3）,死亡人数分别增加4.25%（95%CI：3.17%-5.35%）、4.80%（95%CI-3.40%-6.22%）和5.02%（95%CI:3.54%-6.52%）。CO浓度（lag 01）每升高IQR单位（0.9 mg/m3）,死亡人数分别增加3.35%（95%CI：2.41%-4.30%）、4.03%（95%CI：2.83%-5.24%）和4.11%（95%CI：2.84%-5.40%）。（2） GAMM结果显示,控制空间随机效应后,PM10、NO2、CO的急性暴露仍能显着增加居民三种死亡结局的死亡人数。（3）GAMM得到的大气污染物效应估计值小于GAM得到的效应估计值,效应估计值的95%可信区间（95%CI）变窄。（4）大气污染物效应存在空间差异性。16个区县大气污染物PM10对三种死亡结局的效应估计值变化范围分别为-5.56%-32.55%,-7.00%-39.86%,-12.73%-46.22%；NO2的效应估计值变化范围分别为-3.55%-11.62%,-6.07%.13.46%,-4.06%-15.55%；CO的效应估计值变化范围分别为-1.86%-13.49%,-0.11%.14.91%,-0.58%-17.12%。（5）大气污染物死亡效应的空间差异性与区县在医疗、环保领域的财政支出和住房条件有关。结论：大气污染物急性暴露增加人群总死亡、心肺系统疾病死亡和心脑血管疾病死亡风险。北京市大气污染物PM10, NO2和CO对居民总死亡、心肺系统疾病死亡和心脑血管疾病死亡的影响存在空间差异性,这种差异性与区县平均医疗保健状况、环境状况和人群居住条件有关。
刘旭艳[6]（2015）在《京津冀PM2.5区域传输模拟研究》文中研究表明当前我国大部分城市面临着高浓度的细颗粒物(PM2.5)污染问题,京津冀是PM2.5污染的典型高值区,且表现出很强的区域性特征。因此要从根本上解决京津冀PM2.5区域污染问题,科学确定区域传输及污染来源十分重要。本论文建立了一套PM2.5区域传输模拟研究方法,并针对京津冀区域开展较系统的研究。主要内容包括:基于HYSPLIT模型和高分辨率排放清单半定量识别PM2.5区域传输的影响域;以界定的影响域为模拟域,基于CMAQ模型定量解析了PM2.5区域传输;最后利用CMAQ模型定量分析了PM2.5不同区域传输形式。研究结果表明:（1）基于HYSPLIT模型、CMAQ模型和高分辨率排放清单建立的一套模拟研究方法,可较系统地分析PM2.5区域传输特征。（2）以京津冀区域为目标域,用所建立的方法半定量识别出PM2.5区域传输的影响域,主要包括:京津冀本身、山东省、山西省、内蒙古自治区、河南省、辽宁省、安徽省、江苏省、湖北省和陕西省。（3）以识别的影响域为模拟域,定量解析出2013年1、4、7和10月为4个季节代表的京津冀13市PM2.5的区域传输矩阵以及京津冀外周围省对13市PM2.5的区域传输贡献。（4）通过分析区域传输,发现2013年4个季节中,邢台、邯郸、衡水、沧州、秦皇岛和廊坊月均PM2.5大约有50%来自区域传输,4月和7月,区域传输对北京和天津的贡献也接近50%,因此这些城市PM2.5浓度的改善,除自身努力减排外,更要视区域联防联控的进程和力度。（5）通过分析京津冀外周围各省对13市PM2.5的区域传输贡献,发现4个季节中,山东省和河南省对河北南部城市（如邯郸、邢台、衡水和沧州）的贡献率最大,其最高贡献率分别可达28.8%和18.7%;山西省对河北南部城市的贡献也较为显着,而内蒙古在冬季和春季对京津冀北部城市贡献率较大;因此京津冀区域联防联控至少要包括山东省和河南省,其次是山西省和内蒙古。（6）随着PM2.5浓度的增加,区域传输对北京、天津和石家庄贡献率也随之增加,即出现重污染时往往也是区域传输贡献率较大的时段。（7）以京津冀3个典型城市为目标域,定量分析出2013年4个月为代表的4个季节的PM2.5区域传输形式(传输PM2.5为直接传输,传输气态前体物为间接传输),结果表明3典型城市均以直接传输为主,可达总传输的87%以上。（8）无论是清洁天还是重污染天,3个城市的4个季节传输均以直接传输为主,因此要实现PM2.5区域污染的持续控制,必须要加强区域联防联控。
纪如飞[7]（2014）在《原有工业建筑改造前后颗粒物浓度水平及相关性研究》文中进行了进一步梳理城市老工业区的原有工业建筑见证了我国经济腾飞和复兴崛起的过程。近年来，随着国家宏观政策的调整，产业结构的转型升级，对改善空气质量以及建设宜居的人居环境的理念逐步深入，使得老工业区的建筑改造更新刻不容缓。本论文选题来源于国家十二五科技支撑课题原有工业建筑功能提升与生态改造关键技术与示范，旨在为工业区棚户改造、腾笼换鸟提供理论支撑基础。本文选取了北京首钢未改造的料仓作为原有工业建筑代表，并对比另一厂区同一功能分区的已改造建筑，分别对其室内外PM2.5、PM10的浓度进行监测，运用数学统计对PM2.5、PM10的污染特征进行评价，分析了未改造与已改造建筑室内外浓度水平及其相关性，并对工业区室外PM2.5标准限值做出探讨，通过Airpak软件分别对其室内进行速度场、空气龄、浓度场的数值模拟研究，进行双向验证，最后基于加权马尔可夫链对已改造办公建筑内PM10进行预测。研究发现：（1）未改造料仓，污染物浓度总体上室外较室内严重，PM2.5较PM10严重。料仓外首要污染物是PM10，料仓内主要污染物是PM2.5。（2）经改造后的对比建筑，PM2.5降幅较PM10更大。（3）随室外PM10-50%依次下降到PM10-20%和PM10-NORM三种水平下，料仓室内PM2.5的超标小时数基本呈指数分布降低。通过假设三种工业区室外PM2.5与相关标准限值对比，发现将原有限定值75μg/m3，上调至95μg/m3115μg/m3之间，能更好的对工业区室外PM2.5进行衡量。（4）对未改造料仓和已改造建筑的内部速度场、空气龄、浓度场进行数值模拟，证明了模型的准确性和用Airpak对料仓内部颗粒物模拟的可行性，也说明了通过高窗对开措施，形成的穿堂风对室内空气质量有明显改善作用。（5）考虑到对室内颗粒物浓度预测可起到提前掌握室内颗粒物浓度水平，排出安全隐患等方面，在忽略气象因素和室内源因素的影响下，运用加权马尔科夫链对室内PM10浓度进行预测。通过对比监测值与预测值，发现加权马尔可夫链对室内颗粒物浓度进行范围预测，预测值与监测值相关度在0.8050.846，预测值误差率为-10.25%﹢19.46%。论文采用数理统计、实验测试、数值模拟研究三者相结合的方法对老工业区改造前后建筑室内外的污染物浓度水平及相关性作了研究，为制定相关老工业区原有工业建筑改造前后的PM2.5、PM10水平标准提供数据支持和理论依据。
谢文华[8]（2014）在《北京市首钢环境污染现状及风险评价研究》文中进行了进一步梳理现代经济的不断发展迫使传统工业的转型越来越快，其中钢铁工业也需要从原来的粗放型生产转变为集约型生产，原有的钢铁企业选择搬迁到新厂区，老厂区的重新利用则需要考虑到其场地的污染程度是否达到人体的健康要求，而场地内的空气污染就是其中重要的一项。因此本文以首钢老工业区为研究对象，于2013年7月1日至7月30日和2014年2月11日至3月10日两段时间在厂区内选择了7个测点对其空气污染物进行监测，每天测试时间为早4:00到晚21:00。结合厂区内的主要气体污染物排放情况，监测指标定为SO2、NO2、PM10、PM2.5四种污染物，通过监测数据发现过渡季节和夏季的污染物浓度随时间的走势图具有不同的规律，夏季4种污染物浓度每天9:00至12:00期间会达到浓度峰值，而早晚浓度值较低。过渡季节SO2和NO2的浓度在早上9:00左右和晚上都会出现浓度的峰值，而PM10和PM2.5的浓度值从早到晚有缓步上升的趋势。为了解首钢老工业区内的整体空气质量情况，文章选用了模糊综合评判方法对厂区内7个测点及这些测点的平均值（场地整体空气质量）进行了空气质量评价，模糊综合评价结果显示夏季场地内整体空气质量达到Ⅱ级，SO2、NO2、PM10、PM2.5四种污染物的隶属度分别为26%、75%、44%和95%，过渡季节场地内整体空气质量也达到Ⅱ级，SO2、NO2、PM10、PM2.5四种污染物的隶属度分别为22%、32.5%、77%和45%。了解场地内的综合污染状况后，文章通过多因素方差分析法分析各个污染物的可能影响因素，分析发现场地内过渡季节SO2浓度的影响因素为SO2大气环境背景值和风速，NO2浓度的影响因素为NO2大气环境背景值，PM10浓度的影响因素为PM10大气环境背景值，PM2.5没有发现相应的影响因素对其有显着影响。最后通过回归分析方法对SO2和NO2建立了回归模型。
穆志斌[9]（2013）在《石景山区大气降尘及PM10的变化趋势研究》文中研究指明2010年底，石景山区内首钢公司全面停止冶炼和冷轧作业，首钢公司完成搬迁停产工作，传统的重工业石景山区开始了发展的战略转型，在此形势下石景山区的空气污染情况将出现新的形势，同时使环境保护工作面临着新的目标与挑战，本文基于此基础上，对新形势下石景山区的空气污染情况开展相应研究。本文采用了相关系数、秩相关系数、方差分析、小波分析等方法，对大气降尘、PM10的时间变化趋势及与气象因子间的关系进行分析。在分析过程中，通过SPSS15.0、Excel及Matlab7.0等软件对数据进行相关系数、方差分析、小波分析等数据处理，得出降尘量、PM10的变化规律及与气象因子关系，对开展有针对性的污染物控制工作提供了借鉴和参考。本文通过分析得到如下结论：石景山区的降尘量和PM10在年、季节、月都存在相关性，且总体均呈下降趋势。两者存在季节、月的周期变化，并可以用风向、风速、降水量等气象因子，很好地解释月际变化情况。同时两者又存在各自的特点，具体如下：（1）降尘量各季节差异明显，春季最高，夏季和冬季相近，秋季最低。每年4、5、6月降尘出现明显的上升，9、10月出现显着的下降。存在多个周期，其中36个月的周期震荡最为显着。与2级风形成正相关，与西风存在较好的负相关，与降水量的关系较复杂。（2）PM10各季节差异没有降尘量明显，每年早于降尘在3、4、5月出现明显的上升，9、10、11月再次出现显着的上升，出现双波峰，全年波动幅度没有降尘量波动明显。在各周期中60个月的周期震荡最为显着。（3）降尘量与PM10在个别月份和季节可以用相应线性方程表示。
翁君山[10]（2012）在《ISC3和CALPUFF模式应用及比较研究》文中提出以空气质量扩散模式为载体,可以将影响空气质量的各种因素纳入到一个共同的体系中综合研究,进而揭示空气污染问题的本质特征和发展变化规律,为空气质量科学管理提供理论支持。科学地选取空气质量扩散模式是计算结果能够反映客观实际的前提,比较不同模式模拟结果的优劣是模式选取的主要依据之一。对空气质量模式的中的ISC3和CALPUFF模式的应用进行了比较,分析了模式模拟值与实测值差异,对于利用空气质量扩散模式寻求空气污染解决途径以及预测污染态势具有一定的实际意义和参考价值。
二、石景山工业区PM_(10)污染对北京市影响的模拟计算（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、石景山工业区PM_(10)污染对北京市影响的模拟计算（论文提纲范文）
（1）基于CMAQ模型焦化行业对乌海市空气质量影响的研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 焦化行业大气污染物排放和影响研究现状 |
| 1.2.2 大气污染物排放清单及因子研究现状 |
| 1.2.3 CMAQ模型应用研究现状 |
| 1.3 研究内容及技术路线 |
| 1.4 创新点 |
| 第二章 乌海市环境空气质量情况 |
| 2.1 乌海市基本概况 |
| 2.2 乌海市空气质量指数分析 |
| 2.3 乌海市污染物浓度分析 |
| 2.3.1 污染物浓度特征分析 |
| 2.3.2 污染物浓度超标情况分析 |
| 2.4 小结 |
| 第三章 焦化行业大气污染源清单的建立 |
| 3.1 排放因子研究 |
| 3.1.1 总排放因子 |
| 3.1.2 分工段排放因子 |
| 3.2 活动水平统计 |
| 3.3 焦化行业大气污染物排放量 |
| 3.3.1 备煤、炼焦和化学产品回收过程排放量 |
| 3.3.2 锅炉排放量 |
| 3.3.3 储罐排放量 |
| 3.3.4 堆场排放量 |
| 3.3.5 动静密封点和废水排放量 |
| 3.3.6 焦化行业排放总量 |
| 3.4 焦化源清单的时空分配 |
| 3.5 焦化源清单不确定性分析 |
| 3.6 小结 |
| 第四章 模型介绍及模拟方案参数设置 |
| 4.1 模型简介 |
| 4.2 模型方案参数设置 |
| 4.2.1 WRF参数设置 |
| 4.2.2 SMOKE参数设置 |
| 4.2.3 CMAQ参数设置 |
| 4.3 模型验证方法 |
| 4.3.1 WRF模型验证方法 |
| 4.3.2 CMAQ模型验证方法 |
| 第五章 污染时段焦化行业对环境空气质量的影响 |
| 5.1 模拟效果分析 |
| 5.1.1 气象要素模拟效果分析 |
| 5.1.2 污染物模拟效果分析 |
| 5.2 污染时段天气形势和局地流场分析 |
| 5.3 焦化行业大气污染物的空间分布 |
| 5.4 焦化行业对乌海市大气污染物的贡献影响 |
| 5.4.1 NO_2浓度贡献分析 |
| 5.4.2 O_3浓度贡献分析 |
| 5.4.3 PM_(10)浓度贡献分析 |
| 5.4.4 PM_(2.5)浓度贡献分析 |
| 5.5 小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（2）中国钢铁行业大气污染物排放特征及其环境影响研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写和符号清单 |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 课题来源 |
| 2 文献综述 |
| 2.1 工业源大气污染物排放研究 |
| 2.1.1 国内外工业源大气污染物排放清单研究 |
| 2.1.2 国内外工业源大气污染物排放环境影响研究 |
| 2.2 钢铁行业大气排放清单研究 |
| 2.2.1 国内外钢铁行业大气污染物排放清单研究 |
| 2.2.2 国内外钢铁行业大气污染物排放环境影响研究 |
| 3 研究内容及技术路线 |
| 3.1 研究对象 |
| 3.2 研究内容 |
| 3.3 技术路线 |
| 4 中国钢铁行业主要工序大气污染物排放浓度分析研究 |
| 4.1 数据来源及分析方法 |
| 4.1.1 数据来源 |
| 4.1.2 数据分析方法 |
| 4.2 中国钢铁行业主要工序大气污染物排放浓度年均变化分析 |
| 4.3 中国钢铁行业主要工序大气污染物排放浓度月均变化分析 |
| 4.4 中国钢铁行业主要工序大气污染物排放达标分析 |
| 4.5 中国重点区域钢铁行业主要工序大气污染物排放达标分析 |
| 4.6 小结 |
| 5 中国钢铁大气排放清单模型研究 |
| 5.1 中国钢铁行业排放清单模型系统 |
| 5.1.1 清单计算生成流程设计 |
| 5.1.2 排放数据管理模块 |
| 5.1.3 数据检验提取模块 |
| 5.1.4 排放清单生成模块 |
| 5.1.5 可视化模块 |
| 5.2 基于工序的中国高分辨率钢铁行业大气排放清单模型 |
| 5.2.1 活动水平 |
| 5.2.2 基于排放标准的SO_2、NO_x和PM_(10)排放因子(2012年) |
| 5.2.3 基于CEMS的SO_2、NO_x和PM_(10)排放因子(2015和2018年) |
| 5.2.4 其他污染物排放因子 |
| 5.2.5 排放量计算 |
| 5.2.6 中国钢铁行业大气污染物排放分析 |
| 5.3 未来年中国钢铁行业大气排放清单模型建立 |
| 5.3.1 排放量计算 |
| 5.3.2 未来年中国钢铁企业大气污染物排放分析 |
| 5.4 与现有钢铁清单区别 |
| 5.5 钢铁排放清单的不确定性分析 |
| 5.6 钢铁排放清单的校验 |
| 5.7 小结 |
| 6 中国钢铁行业大气环境影响分析研究 |
| 6.1 模型参数 |
| 6.2 模型验证 |
| 6.3 2012年(历史情景下)中国钢铁行业大气环境影响分析 |
| 6.3.1 2012年中国钢铁行业排放对各省大气环境影响分析 |
| 6.3.2 2012年中国钢铁行业排放对重点区域大气环境影响分析 |
| 6.4 2015年(标准执行情景下)中国钢铁行业大气环境影响分析 |
| 6.4.1 2015年中国钢铁行业排放对各省大气环境影响分析 |
| 6.4.2 2015年中国钢铁行业排放对重点区域大气环境影响分析 |
| 6.5 2018年(现状情景下)中国钢铁行业大气环境影响分析 |
| 6.5.1 2018年中国钢铁行业排放对各省大气环境影响分析 |
| 6.5.2 2018年中国钢铁行业排放对重点区域大气环境影响分析 |
| 6.6 未来年(情景Ⅰ下)中国钢铁行业大气环境影响分析 |
| 6.6.1 未来年情景Ⅰ中国钢铁行业排放对各省大气环境影响分析 |
| 6.6.2 未来年情景Ⅰ中国钢铁行业排放对重点区域大气环境影响分析 |
| 6.7 未来年(情景Ⅱ下)中国钢铁行业大气环境影响分析 |
| 6.7.1 未来年情景Ⅱ中国钢铁行业排放对各省大气环境影响分析 |
| 6.7.2 未来年情景Ⅱ中国钢铁行业排放对重点区域大气环境影响分析 |
| 6.8 小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 建议 |
| 7.3 创新点 |
| 参考文献 |
| 附录A |
| 附录B |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（3）韶山风环境及城市植被对PM2.5浓度影响的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 细颗粒物的性质 |
| 1.1.2 植被对颗粒物的去除作用 |
| 1.2 研究现状 |
| 1.2.1 CFD模拟研究 |
| 1.2.2 植被沉降PM2.5 研究 |
| 1.3 研究的主要内容 |
| 第2章 数值模拟方法 |
| 2.1 湍流控制方程 |
| 2.2 湍流模型 |
| 2.2.1 湍流模型的发展与分类 |
| 2.2.2 常用湍流模型的介绍 |
| 2.3 近壁面处理 |
| 2.4 多孔介质模型 |
| 2.5 离散方程求解 |
| 2.6 Fluent软件介绍 |
| 2.7 本章小结 |
| 第3章 复杂地形城市风场模拟—以韶山为例 |
| 3.1 研究区域概况 |
| 3.2 数值模拟 |
| 3.2.1 模型建立 |
| 3.2.2 CFD仿真参数设置 |
| 3.3 城市风场分析 |
| 3.3.1 无树木影响的城市风场分析 |
| 3.3.2 树木影响下的城市风场分析 |
| 3.4 本章小结 |
| 第4章 韶山市PM2.5浓度分布模拟 |
| 4.1 PM2.5 扩散模型 |
| 4.1.1 数学模型 |
| 4.1.2 物理模型 |
| 4.2 植被对城市PM2.5 浓度分布的影响 |
| 4.2.1 城市内部建筑群污染源作用 |
| 4.2.2 城市外部来流污染源作用 |
| 4.2.3 城市内外部污染源综合作用 |
| 4.3 本章小结 |
| 第5章 环境信息关联模型 |
| 5.1 研究对象 |
| 5.2 向量自回归模型 |
| 5.2.1 理论基础 |
| 5.2.2 单位根检验 |
| 5.2.3 协整性检验 |
| 5.2.4 脉冲响应函数 |
| 5.3 环境信息关联模型的建立 |
| 5.3.1 不同市辖区的环境信息关联模型 |
| 5.3.2 关联区域大气环境对PM2.5 质量浓度影响模型 |
| 5.4 PM2.5 质量浓度对气象要素扰动的响应 |
| 5.5 植被对PM2.5 的二次影响 |
| 5.5.1 基于气象要素的影响分析 |
| 5.5.2 基于关联区域环境要素的影响分析 |
| 5.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录 A(攻读学位期间所发表的学术论文目录) |
（4）合肥市冬季PM10污染特征及大气环境容量测算研究（论文提纲范文）
| 引言 |
| 1 资料与方法 |
| 1.1 合肥市污染源调查 |
| 1.2 大气环境容量测算方法 |
| 1.2.1 CALPUFF模式简介及数据来源 |
| 1.2.2 测算方法 |
| 1.2.2. 1 传输系数矩阵 |
| 1.2.2. 2 线性规划模型 |
| 2 结果分析 |
| 2.1 PM10污染特征 |
| 2.1.1 PM10污染现状 |
| 2.1.2 PM10质量浓度时间变化 |
| 2.1.3 PM10质量浓度空间变化 |
| 2.2 CALPUFF模式应用与环境容量测算 |
| 2.2.1 CALPUFF模式模拟结果及检验 |
| 2.2.2 PM10大气环境容量测算 |
| 2.2.2. 1 污染源对关心点的浓度贡献 |
| 2.2.2. 2 PM10大气环境容量测算 |
| 3 结论 |
（5）北京市主要大气污染物对居民死亡影响及其空间差异性分析（论文提纲范文）
| 中文摘要 |
| Abstract |
| 一 前言 |
| 1.1 国外大气污染及其健康效应研究 |
| 1.1.1 国外大气污染状况 |
| 1.1.2 国外大气污染健康效应研究 |
| 1.2 我国大气污染及其健康效应研究 |
| 1.2.1 我国大气污染现状 |
| 1.2.2 我国大气污染健康效应研究 |
| 1.3 现有研究方法及其不足 |
| 1.4 本研究的创新 |
| 1.5 研究目的、内容和意义 |
| 1.5.1 研究目的 |
| 1.5.2 研究内容 |
| 1.5.3 研究意义 |
| 1.5.4 总体研究思路图 |
| 二 数据来源和质量控制 |
| 2.1 研究区域概况 |
| 2.2 环境空气质量监测数据 |
| 2.2.1 数据来源 |
| 2.2.2 质量控制 |
| 2.3 气象数据 |
| 2.4 人群健康数据 |
| 2.4.1 数据来源 |
| 2.4.2 质量控制 |
| 2.5 道路数据 |
| 2.6 区县人口和社会经济学指标 |
| 三 模型构建与统计分析方法 |
| 3.1 大气污染物浓度预测模型(GLM)的构建及评价 |
| 3.1.1 模型构建 |
| 3.1.2 模型预测效果评价 |
| 3.2 构建时间序列分析的GAM模型 |
| 3.3 构建时空分析的GAMM模型 |
| 3.4 构建区县污染物效应与区县指标关系模型 |
| 3.5 污染物及气象因素相关分析 |
| 3.6 效应修饰探讨 |
| 3.7 敏感性分析 |
| 3.8 统计软件 |
| 四 研究结果 |
| 4.1 大气污染物和气象资料主要特征描述 |
| 4.1.1 全市水平大气污染和气象数据特征描述 |
| 4.1.2 区县水平大气污染特征描述 |
| 4.1.3 全市及各区县空气质量总体情况 |
| 4.2 居民死亡资料主要特征描述 |
| 4.2.1 全市水平居民死亡情况 |
| 4.2.2 区县水平居民死亡情况 |
| 4.3 污染物和气象变量之间的相关性分析 |
| 4.4 北京市大气污染物与居民死亡关系的时间序列分析(GAM模型)结果 |
| 4.4.1 GAM模型分析结果 |
| 4.4.2 GAM模型分层分析结果 |
| 4.4.3 GAM模型估计的污染物效应敏感性分析结果 |
| 4.5 北京市大气污染物与居民死亡关系的时空分析(GAMM模型)结果 |
| 4.5.1 GAMM模型分析结果 |
| 4.5.2 GAMM模型分层分析结果 |
| 4.6 时间序列分析(GAM模型)和时空分析(GAMM模型)结果的比较 |
| 4.6.1 大气污染物对全人群效应的比较 |
| 4.6.2 大气污染物对不同性别、不同年龄组人群效应的比较 |
| 4.7 16个区县的大气污染物对居民死亡的效应及其差异性分析 |
| 4.7.1 区县效应 |
| 4.7.2 区县效应差异性分析 |
| 五讨论 |
| 5.1 大气污染物浓度分布特征 |
| 5.2 大气污染物对居民死亡的效应 |
| 5.2.1 PM_(10)的效应 |
| 5.2.2 NO_2的效应 |
| 5.2.3 CO的效应 |
| 5.3 时空分析与时间序列分析结果的比较 |
| 5.4 大气污染物死亡效应的空间差异性 |
| 5.5 浓度预测模型 |
| 六 结论、建议与展望 |
| 6.1 结论 |
| 6.2 政策建议 |
| 6.2.1 共享基本公共数据,建立大数据利用的有效环境 |
| 6.2.2 分区县实施大气污染防治管理政策,有区别的采取治理措施 |
| 6.2.3 在大气污染防治过程中,引入公共卫生干预 |
| 6.3 未来研究建议 |
| 6.3.1 深入开展大气颗粒物源解析研究 |
| 6.3.2 开展大气污染的前瞻性队列研究 |
| 6.3.3 研究精细化、标准化暴露评价方法 |
| 七 参考文献 |
| 附录一 缩写词中英文对照表 |
| 附录二 综述 |
| 参考文献 |
| 附录三 研究生期间工作小结 |
| 致谢 |
（6）京津冀PM2.5区域传输模拟研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 大气颗粒物来源识别研究方法 |
| 1.2.1 受体模型方法 |
| 1.2.2 扩散模型方法 |
| 1.2.3 后向轨迹方法 |
| 1.2.4 数学统计方法 |
| 1.2.5 三维化学传输模型方法 |
| 1.3 空气质量模型概述 |
| 1.4 研究目的和意义 |
| 1.5 研究内容和技术路线 |
| 第2章 PM_(2.5)区域传输模拟研究方法的建立 |
| 2.1 影响域的半定量识别方法 |
| 2.1.1 模型和气象参数的选择 |
| 2.1.2 示踪物的选择 |
| 2.1.3 影响域识别方法的选择和计算 |
| 2.1.4 高分辨率排放清单选择 |
| 2.1.5 影响域界定判据 |
| 2.2 区域传输的定量解析方法 |
| 2.2.1 空气质量模型和气象模型的选择 |
| 2.2.2 定量解析方法的选择和计算 |
| 2.3 区域传输形式的定量分析方法 |
| 2.3.1 直接传输和间接传输定义 |
| 2.3.2 定量分析区域传输形式的原理和计算 |
| 2.4 本章小结 |
| 第3章 京津冀PM_(2.5)区域污染影响域的半定量识别 |
| 3.1 参数选择 |
| 3.2 BC和CO高分辨率排放清单 |
| 3.3 TED季节变化 |
| 3.4 EEI季节变化和月变化 |
| 3.5 影响域识别 |
| 3.5.1 根据BC的影响域识别 |
| 3.5.2 根据CO的影响域识别 |
| 3.5.3 影响域界定 |
| 3.6 本章小结 |
| 第4章 京津冀PM_(2.5)区域传输的定量分析 |
| 4.1 模拟区域和模拟时段 |
| 4.2 情景设计 |
| 4.3 基础情景的模拟和验证 |
| 4.3.1 气象场参数选择和模拟验证 |
| 4.3.2 Models-3/CMAQ参数选择和模拟验证 |
| 4.4 PM_(2.5) 区域传输分析 |
| 4.4.1 13市自身贡献率和区域传输贡献率分析 |
| 4.4.2 13市PM_(2.5)的区域传输矩阵 |
| 4.4.3 区域外各省对13市PM_(2.5)的区域传输分析 |
| 4.4.4 不同PM_(2.5)浓度区间下典型城市的区域传输分析 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第5章 典型城市不同区域传输形式的定量分析 |
| 5.1 情景设计 |
| 5.2 北京市区域传输形式的定量分析 |
| 5.2.1 月均和年均PM_(2.5) |
| 5.2.2 日均PM_(2.5) |
| 5.2.3 不同PM_(2.5)浓度区间 |
| 5.3 天津市PM_(2.5)区域传输形式的定量分析 |
| 5.3.1 月均和年均PM_(2.5) |
| 5.3.2 日均PM_(2.5) |
| 5.3.3 不同PM_(2.5)浓度区间 |
| 5.4 石家庄市PM_(2.5)区域传输形式的定量分析 |
| 5.4.1 月均和年均PM_(2.5) |
| 5.4.2 日均PM_(2.5) |
| 5.4.3 不同PM_(2.5)浓度区间 |
| 5.5 本章小结 |
| 第6章 结论与建议 |
| 6.1 结论 |
| 6.2 建议 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（7）原有工业建筑改造前后颗粒物浓度水平及相关性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 颗粒物的形成及扩散过程 |
| 1.2.1 颗粒物形成过程、分类及来源 |
| 1.2.2 颗粒物在室内外的扩散过程 |
| 1.3 国内外相关研究现状 |
| 1.3.1 颗粒物浓度水平的研究 |
| 1.3.2 颗粒物对人体健康危害的研究 |
| 1.3.3 室内外颗粒物相关性的研究 |
| 1.4 本文的主要研究内容和研究方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 2 PM_(2.5 )、PM_(10)浓度监测实验 |
| 2.1 实验地点和实验时间 |
| 2.2 实验仪器设备 |
| 2.3 实验监测方法 |
| 2.4 数据统计分析 |
| 2.4.0 颗粒物 IO 比分析 |
| 2.4.1 均值比较 |
| 2.4.2 相关分析 |
| 2.4.3 回归分析 |
| 2.5 实验监测结果 |
| 2.5.1 未改造料仓监测结果 |
| 2.5.2 已改造对比建筑监测结果 |
| 2.5.3 室外 PM_(10) 不同水平的确定 |
| 2.6 本章小结 |
| 3 未改造料仓与已改造建筑室内外颗粒物浓度水平 |
| 3.1 料仓与对比建筑室内外 PM_(2.5)、PM_(10)浓度总体水平及相关性 |
| 3.1.1 料仓室内外 PM_(2.5)、PM_(10)浓度总体水平 |
| 3.1.2 料仓 PM_(2.5)与 PM_(10)的质量浓度相关性 |
| 3.1.3 对比建筑室内外 PM_(2.5)、PM_(10)浓度总体水平 |
| 3.1.4 对比建筑 PM_(2.5)与 PM_(10)的质量浓度相关性 |
| 3.1.5 料仓与对比建筑 PM_(2.5)、PM_(10)浓度水平总体对比 |
| 3.2 室外 PM_(10)三种水平下料仓室内 PM_(2.5)、对比建筑室外 PM_(10)浓度水平 |
| 3.2.1 室外 PM_(10)三种水平下对比建筑室外 PM_(10)浓度水平 |
| 3.2.2 室外 PM_(10)三种水平下料仓室内 PM_(2.5)浓度水平 |
| 3.3 室外 PM_(10)三种水平下改造前后 PM_(2.5)、PM_(10)浓度水平对比 |
| 3.3.1 室外 PM_(10)三种水平下料仓 PM_(2.5)、PM_(10)浓度水平对比 |
| 3.3.2 室外 PM_(10)三种水平下对比建筑 PM_(2.5)、PM_(10)浓度水平对比 |
| 3.4 对原有工业区室外 PM_(2.5)标准规定限值的讨论 |
| 3.5 本章小结 |
| 4 未改造料仓与已改造建筑室内 CFD 模拟 |
| 4.1 CFD 理论基础 |
| 4.1.1 Reynolds 雷诺时均方程 |
| 4.1.2 K-ε二方程模型 |
| 4.1.3 污染物对流扩散方程 |
| 4.2 CFD 数值解法 |
| 4.2.1 离散化 |
| 4.2.2 流场数值计算的 SIMPLE 算法 |
| 4.2.3 收敛性判断 |
| 4.3 AIRPAK 软件 |
| 4.3.1 AIRPAK 软件介绍 |
| 4.3.2 Airpak 软件模型求解步骤及结果分析 |
| 4.4 物理模型的建立及求解 |
| 4.4.1 模型建立及网格划分 |
| 4.4.2 边界条件的设定 |
| 4.5 CFD 模拟结果 |
| 4.5.1 未改造料仓和已改造建筑速度场结果分析 |
| 4.5.2 未改造料仓和已改造建筑空气龄结果分析 |
| 4.5.3 未改造料仓和已改造建筑浓度场结果分析 |
| 4.6 本章小结 |
| 5 改造后室内颗粒物浓度水平预测 |
| 5.1 加权马尔可夫链对室内颗粒物的预测 |
| 5.1.1 加权马尔可夫链基本原理 |
| 5.1.2 加权马尔科夫链的预测方法 |
| 5.2 加权马尔可夫链对室内 PM_(10) 浓度水平预测 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者在攻读硕士学位期间发表的论文 |
（8）北京市首钢环境污染现状及风险评价研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外现状研究综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究目的、内容、技术线路 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 2 空气品质的评价方法 |
| 2.1 国内外执行标准 |
| 2.2 评价方法对比 |
| 2.2.1 模糊综合评判方法 |
| 2.2.2 层次分析法 |
| 2.2.3 人工神经网络 |
| 2.2.4 灰色系统分析 |
| 2.2.5 综合指数评价法 |
| 2.2.6 各评价方法的对比 |
| 2.3 本章小结 |
| 3 钢铁企业的大气污染现状 |
| 3.1 中国钢铁行业发展现状 |
| 3.2 钢铁企业的生产流程以及产生污染的环节 |
| 3.2.1 钢铁企业生产方式的发展 |
| 3.2.2 炼铁及炼钢的流程简介 |
| 3.2.3 典型钢铁生产流程的污染物排放 |
| 3.2.4 各种污染气体的危害性简介 |
| 3.3 本章小结 |
| 4 首钢老工业区空气品质测试 |
| 4.1 测试参数的选择 |
| 4.2 测试场地与测试时间 |
| 4.3 实验仪器 |
| 4.4 污染物时空分布分析 |
| 4.4.1 均值浓度变化分析 |
| 4.4.2 过渡季节和夏季污染物浓度对比 |
| 4.5 本章小结 |
| 5 首钢老工业区空气品质的风险评价 |
| 5.1 环境空气质量的模糊综合评价 |
| 5.1.1 评价地点及评价内容 |
| 5.1.2 大气质量等级 |
| 5.1.3 建立隶属函数、计算各因子隶属度 |
| 5.1.4 计算各污染物的权值 |
| 5.1.5 模糊矩阵的复合运算 |
| 5.2 本章小结 |
| 6 污染物浓度相关分析及回归模型的建立 |
| 6.1 方差分析 |
| 6.1.1 方差分析的条件 |
| 6.1.2 方差分析条件不足的解决措施 |
| 6.1.3 多因素方差分析的原理和模型建立 |
| 6.1.4 多因素方差分析的步骤 |
| 6.2 首钢老工业区污染物影响因素研究 |
| 6.2.1 污染物浓度影响因素水平划分 |
| 6.2.2 方差分析条件检验 |
| 6.2.3 各污染物多因素方差分析 |
| 6.3 首钢老工业区污染物回归模型的建立 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 本文工作和结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A.作者在攻读硕士学位期间发表的论文目录 |
| B.作者在攻读硕士学位期间获得的专利 |
| C.作者在攻读硕士学位期间参与的主要项目目录 |
（9）石景山区大气降尘及PM10的变化趋势研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 颗粒物的研究 |
| 1.2.1 颗粒物对气候的影响 |
| 1.2.2 颗粒物对环境的影响 |
| 1.2.3 颗粒物对能见度的影响 |
| 1.2.4 颗粒物对健康的影响 |
| 1.3 大气降尘和 PM_(10)的相关研究 |
| 1.3.1 大气降尘国内外研究现状 |
| 1.3.2 PM_(10)国内外研究现状 |
| 1.3.3 大气降尘和 PM_(10)关系的研究 |
| 1.4 主要研究内容 |
| 第2章 总体方案设计与设计计算 |
| 2.1 颗粒物概述 |
| 2.2 研究资料来源 |
| 2.3 数据分析和研究方法 |
| 2.3.1 秩相关系数 |
| 2.3.2 方差分析方法 |
| 2.3.3 小波分析方法 |
| 第3章 降尘量的时间变化特征及气象相关性分析 |
| 3.1 降尘量的年、月、季变化特征 |
| 3.1.1 降尘量的年变化特征 |
| 3.1.2 降尘量的季节变化 |
| 3.1.3 降尘量的月变化 |
| 3.1.4 降尘量的时间序列周期分析 |
| 3.2 降尘量与气象因子的关系 |
| 3.2.1 降尘量与风向的关系 |
| 3.2.2 降尘量与风速的关系 |
| 3.2.3 降尘量与降水量关系 |
| 3.2.4 降尘量与其他气象因子的关系 |
| 3.2.5 降尘量与气象的解析 |
| 3.3 本章小结 |
| 第4章 PM_(10)的时间变化特征及气象相关性分析 |
| 4.1 PM_(10)的年、月、季变化特征 |
| 4.1.1 PM_(10)的年变化特征 |
| 4.1.2 PM_(10)的季节变化 |
| 4.1.3 PM_(10)的月变化 |
| 4.1.4 PM_(10)的时间序列周期分析 |
| 4.2 PM_(10)与气象因子的关系 |
| 4.2.1 PM_(10)与风向的关系 |
| 4.2.2 PM_(10)与风速的关系 |
| 4.2.3 PM_(10)与降水量关系 |
| 4.2.4 PM_(10)与其他气象因子的关系 |
| 4.2.5 PM_(10)与气象的解析 |
| 4.3 本章小结 |
| 第5章 降尘量与 PM_(10)关系初探 |
| 5.1 降尘量与 PM_(10)的年际相关系性 |
| 5.2 降尘量与 PM_(10)的季际相关性 |
| 5.3 降尘量与 PM_(10)的月际相关性 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（10）ISC3和CALPUFF模式应用及比较研究（论文提纲范文）
| 1 ISC3与CALPUFF模式综合研究 |
| 1.1 ISC3模式 |
| 1.2 CALPUFF模式 |
| 2 ISC3和CALPUFF模式的应用与比较 |
| 2.1 ISC3和CALPUFF模式的应用 |
| 2.2 ISC3和CALPUFF模式的比较 |
| 3 讨论 |
| 4 结论 |
四、石景山工业区PM_(10)污染对北京市影响的模拟计算（论文参考文献）
- [1]基于CMAQ模型焦化行业对乌海市空气质量影响的研究[D]. 舒璐. 兰州大学, 2020(01)
- [2]中国钢铁行业大气污染物排放特征及其环境影响研究[D]. 伯鑫. 北京科技大学, 2020
- [3]韶山风环境及城市植被对PM2.5浓度影响的研究[D]. 江晨阳. 湖南大学, 2019(06)
- [4]合肥市冬季PM10污染特征及大气环境容量测算研究[J]. 孙维,程小泉,王晖,刘承晓,黄潇. 气象与环境学报, 2017(02)
- [5]北京市主要大气污染物对居民死亡影响及其空间差异性分析[D]. 李雯婧. 北京协和医学院, 2016(01)
- [6]京津冀PM2.5区域传输模拟研究[D]. 刘旭艳. 清华大学, 2015(07)
- [7]原有工业建筑改造前后颗粒物浓度水平及相关性研究[D]. 纪如飞. 重庆大学, 2014(01)
- [8]北京市首钢环境污染现状及风险评价研究[D]. 谢文华. 重庆大学, 2014(01)
- [9]石景山区大气降尘及PM10的变化趋势研究[D]. 穆志斌. 北京工业大学, 2013(01)
- [10]ISC3和CALPUFF模式应用及比较研究[J]. 翁君山. 环境科技, 2012(03)