论文部分内容阅读
环境监测工作的全部努力都在于实现监测数据的代表性、可比性、准确性、精密性和完整性,而最基本的是代表性,缺乏代表性其他都将变得没有意义。目前,环境空气监测点位布设中采用的方法很多,如功能区网格优选法、数理统计法、非线性方法、物元分析法、模拟法和综合法等方法进行大气监测点的优化、布设。现有资料表明,绝大多数的环境空气质量监测点位布设方法和标准主要从全国大多数平原城市的特点出发而制定的,对城市的功能区分布、人口密度和点位布设条件进行了较详细的规定。重庆市位于中国西部、长江上游和三峡库区腹心地带,在地貌构成上,最典型的特征是山多河多。地势沿河流、山脉起伏,形成从南北向长江河谷倾斜的地貌,构成以山地、丘陵为主的地形状态。本文本着“以人为本”的思想,采用被动扩散采样方式进行采样,选择聚类分析法对网格监测数据进行空气监测点位布设,利用CALPUFF模型模拟结果对分析结果进行验证,对优化的空气质量监测点位进行最终的确认。主要得出以下结果:(一)采用聚类分析法对重庆主城区被动扩散实验进行分析,把重庆市主城区59个被动扩散实验点位聚类成12类,用优选点位为城市代表点位计算的SO2、NO2的平均浓度与每一类中所有点位的平均浓度计算得到的城市平均浓度相比,相对偏差分别为2.4%和0.3%,符合《环境空气质量监测规范(试行)》相关要求(<10%),说明用优化点位能够代表所在城市整体浓度水平。SO2优化点位浓度与所在类平均浓度的相关系数(R2)为0.987,NO2的为0.9361,结果表明优选点位浓度与所在组别的平均浓度偏差在可接受的范围内,优化点位具有代表性。(二)CALPUFF模型对重庆市主城区的空气质量的模型,通过输入重庆市主城区的地理资料、气象资料和污染源的资料,以每个网络中心点和被动扩散实验点位作为CALPUFF模型的受体点位,得出CALPUFF模型的模拟空气质量数据对被动扩散实验优化点位进行验证,结果表明,SO2的模拟值与监测值的相关性最好,相关系数达到0.773,NO2的模拟值与监测值的相关系数为0.667。因此用CALPUFF模型对被动扩散实验优化点位进行验证是可行的。(三)根据重庆市主城区所处位置,在模拟区域中进一步筛选出主城区模拟网络,共包括259个2km×2km的模拟单元格,按照地域空间组团分布的不同细分为三个区域(I区、II区和III区)。模型模拟得到的各模拟网格内NO2和SO2的平均浓度对优化点位进行验证,优化监测点位的SO2和NO2能够对区域整体的平均值有较好的代表性,满足设点综合规范。但由于区域内SO2空间差异性较大,平均相对偏差为-3.1%,相比SO2的空间差异性,NO2的空间变异性较小,平均相对偏差仅为0.8%,远低于SO2的偏差水平,故评价点对NO2的最大值有更好的代表性。同样地,将主城区按照地域连续性分为三个片区,对每个片区的点位代表性分别进行统计分析,三个区监测点位代表性的优劣程度为I区>II区>III区,这主要是由于I区内监测点位数量更多,使得代表性更佳,而III区内监测点位数量最少,故其代表性稍差,但总体看来,每个片区内的监测点位均能够较好的反映该区平均值。