王晓平[1]2005年在《西安城市空气中二氧化硫浓度预报研究》文中研究表明本文以西安市2000年6月至2005年3月各监测点逐日SO_2浓度监测值以及2001年6月至2005年3月的逐日地面气象要素监测值为研究对象进行西安城市空气中SO_2浓度预报研究。 西安市SO_2浓度的时空特征分析显示:从2001年到2003年,西安城市空气中SO_2年平均浓度逐年下降,但2004年SO_2浓度剧增,增幅达39.29%;各年四季浓度先减后增;月浓度变化呈现出不对称的“W”形;采暖期的SO_2浓度都是非采暖期浓度的一倍以上;各点位每年的月变化趋势与西安市每年的月变化趋势基本相同,曲线变化最为剧烈、起伏最大的是小寨,兴庆小区和草滩的曲线较为平滑。 SO_2浓度同气象条件关系密切。本文首先分析了近年来西安市各气象因素的变化,并对2001～2004年四年中API>50的日子所对应的气象要素进行统计分析比较,找出其分布规律,初步探讨可能出现较高SO_2浓度的气象条件。 本文采用逐步回归法和主成分回归法,对采暖期和非采暖期分别建立预报模型。逐步回归法采用SAS系统的REG过程,消除了自变量之间的共线性,从而保证了进入模型的预报因子的显着性;主成分回归法则将主成分分析和回归分析相结合,克服了回归问题中由于自变量之间的高度相关而产生的分析困难。逐步回归法建立的采暖期和非采暖期预报方程的准确率达到了87.09%和79.75%,等级命中率为100%。主成分回归法建预立的预报方程准确率为67.16%和56.34%,等级命中率为100%。经对比,逐步回归法建立的预报模型优于主成分回归法建立的预报模型。 此外,针对西安市SO_2浓度现状,从工程技术、环境质量管理、经济决策、城市绿化等方面提出一些建议,强调了以“预防为主”的区域综合防治思路,为西安市SO_2污染的综合防治提供了一定的参考依据。
宁海文[2]2006年在《西安市大气污染气象条件分析及空气质量预报方法研究》文中认为本文利用1998—2004年西安市区SO_2、NO_2、PM_(10)浓度资料,分析了空气污染物的时空分布特征;利用同期的地面气象要素和天气图等资料重点分析了逆温、沙尘天气以及降水等对空气污染的影响,探讨了污染物浓度变化的成因,在此基础上利用逐步回归统计方法和基于主成分的人工神经网络方法建立了不同季节PM_(10)的浓度预报模型,并对这两种预报模型进行了比较研究。结果表明: (1)西安市区污染物浓度的总趋势是逐年递减;可吸入颗粒物PM_(10)是首要污染物。冬、春季空气污染比夏、秋季严重,采暖期比非采暖期的污染严重。小寨商业区的SO_2和NO_2度较高,纺织城工业区的PM_(10)浓度最高。 (2)风速大小和逆温强度与空气污染浓度的大小密切相关。当西安处于冷高压前部或强高压控制时空气质量较好;受变性高压或均压场等不利于污染物扩散的地面形势控制时,空气污染较重。 (3)受春季沙尘天气影响,PM_(10)1小时平均浓度可增加0.585 mg·m~(-3),月平均浓度可提高12.1%。微量的降雨(雪)会使空气污染加重,1mm以上的降雪和5mm以上降雨对气溶胶粒子有显着的清除作用。冬季1mm的降雪对SO_2、NO_2和PM_(10)的清除能力分别是夏季降雨清除能力的4倍、3倍和3.78倍。 (4)春季PM_(10)重度污染主要由外来源引起,PM_(10)浓度日变化特征是急升急降,重度污染日前后气象要素变化剧烈。冬季PM_(10)重度污染是在不利污染扩散的天气形势下,本地污染物经过逐渐积累后达到重度污染,PM_(10)浓度变化缓慢,气象要素变化也比较平稳。 (5)运用线性逐步回归预报方程和基于主成分的人工神经网络模型两种方法对PM_(10)浓度进行预报,结果表明后者在历史样本的拟合精度上和独立样本的检验结果上都明显优于前者。因此主成分神经网络预报模型通过浓缩信息,降维去噪可达到提高污染预报准确率的效果。
王晓涛[3]2006年在《西安市SO_2污染预报的动力学统计模型研究》文中指出本文利用西安市城区2002年1月至2005年12月逐日空气中SO_2浓度监测值和同期地面气象要素资料,从空气污染扩散方程出发,经过分析得出了西安市SO_2空气污染预报的动力学统计模型。该模型既考虑了气象条件对污染浓度的作用,又考虑了污染排放量对污染浓度的作用,与以往的空气污染预报统计模型相比,所依托的物理基础更可信。 建模前进行了源释放的平稳性检验,SO_2浓度时间分布的假设检验,对建模单元、模型的数学形式进行优化选择,保证了建模的数学方向。同时在对西安市SO_2浓度时空分布特征分析的基础上,对其特异变化趋势的产生原因进行了初步探讨。对于预报因子的选择,提升了对若干间接因子与定性因子的关注程度,从预报因子与SO_2浓度的偏相关分析以及建模后回归系数的显着性水平测试结果来看,预报因子的选择是比较适合的。 统计建模阶段针对回归因子间多重共线性较为严重的现象,经过回归方案比选,分别应用岭回归与偏最小二乘回归确立了SO_2浓度预报方程,其中所选偏最小二乘回归方法与常用统计回归方法相比,最大的优点是其不仅能提取自变量的最大信息成分,消除共线性影响,而且对于因变量最有解释性。 建模后对岭回归模型与偏最小二乘回归模型进行回归效果检验的结果表明,偏最小二乘回归动力学统计模型质量相对更优,模型的拟合误差率为18.2%,预报级别正确性评分和预报精确度评分分别为96.1和79.8,确定为本文的推荐模型;从对偏最小二乘回归模型进行线性回归基本假设检验的结果看,它满足线性回归模型的叁点基本假设,即统计建模阶段的所有统计学处理是有意义的;多项指标的综合测试结果表明本文所建动力学统计模型的质量了达到了预期的要求。
杨文峰[4]2001年在《西安市SO_2污染气象条件及浓度预报方法研究》文中研究指明本文以西安市二氧化硫日均浓度为预报对象，使用了西安市1995-1999年逐日的 气象资料（温度、风、气压等）和二氧化硫的日均浓度资料，其中1999年为不参与建 模的独立资料，用来验证模型预报效果。通过分析西安市的气候及采暖情况，分成采暖期、春季、夏季和秋季四个时段分别建立SO2浓度预报模型。 目前采用的统计方法，在选择预报因子时没有考虑预报因子之间的相关性，挑选的 预报因子由于非正交，使回归计算的结果不稳定，给计算带来一定的误差。针对这些不足，本文把一元线性回归分析、自然正交函数（EOF）和逐步回归方法结合起来，得到一种新的建立统计预报模型的方法。该方法在选择与 SO2浓度显着性线性相关的预报 因子后，把预报因子转变成相互正交的独立变量，然后建立预报模型。拟合及预报试验 表明，这些预报模型不但可以很好地拟合变化趋势，而且还能作出较准确的预报，其采暖期硕报的级别命中率为72.5％，其余时段预报级别命中率为100％。通过对比试验，此方法优于目前常用的逐步回归方法。总之，该方法具有很好的应用前景。
洪超[5]2017年在《西安市空气污染特征及重污染天气成因研究》文中进行了进一步梳理西安受气候、地形等因素影响,近几年大气污染状况每况愈下,2016年属全国空气质量相对较差前十位城市之一。为了结合本地特征探索污染物时空分布变化,研究污染物与不同气象要素作用关系及重污染天气形成机理,为政府制定环境管控措施和规划、趋利避害科学“治霾”提供有力决策依据,本文选取西安2014~2016年大气环境质量监测数据及气象数据,结合EXCEL、SPASS、DPS等统计分析软件,运用空气质量指数计算方法、相关分析方法等综合分析西安历史雾、霾天气时空变化特征、2014~2016年大气污染特征、主要污染物浓度与气象条件的相关性、对西安地区污染源进行了分析,重点对2016年进行了气候统计及气象条件分析,并对2016年的一次典型污染天气过程进行了分析,探讨地理位置、气象条件、污染源等因素对西安市大气污染的影响,最后给出相关治理建议。主要结论如下:(1)西安是雾、霾天气高发区,其东北部及中部为污染高发区。颗粒物增加趋势从东北向西北部呈凹字型。1970~2016年无论是雾、霾还是霾以城区出现次数最多,近16年来,蓝田-长安地带为西安地区的雾、霾以及霾中心。2000年是雾、霾年变化拐点,先降后升。2016年高温寡雨,日照偏多,全年共出现霾170天543站次,1-3月、11-12月较多。降水量偏少、风速不大是雾、霾较多、空气质量较低的主要气象成因。(2)西安2014~2016年大气污染严重,轻度及以上污染531天,首要污染物为PM_(10)。除O_3外,其余5种污染物浓度月季变化规律基本相似;各个季节的日变化曲线较一致,19~07时为污染物累计时段。5种污染物与风速呈负相关,冬季相关系数最高,NO_2与风速相关系数最高,日最大风速在2~5 m/s的范围对AQI影响最大,刮SSE风时,污染物容易聚集,E、WSW、SE、W、SW风向时有利于污染物扩散。气温大于0℃时,气温值越高,PM_(10)、PM_(2.5)、NO_2、CO浓度越低,气温在下午4点达最高值的时候,污染物延迟两个小时降到最低值,随后上升,晚上8-9点开始呈现较好的负相关,且污染物的浓度上升到一定浓度后会持续到中午。污染物浓度与降水量有一定的负相关,西安地区降水可显着降低近地面污染物浓度,只要有降水就会对大颗粒物的降尘起作用,而小颗粒物需降水达到一定的量级才起冲刷作用,只有大于10mm的降雨才对总的污染物浓度的冲刷起大的作用,在降水后1天左右污染即可回升至平均水平,但降水对O_3的影响不大。在20~30mm的降水条件下,CO浓度显着上升。几种污染物与气压的月变化趋势呈负相关,浓度会随着气压场的加强而减弱,但是在持续受到弱气压场控制,不利于污染物扩散稀释。湿度不是决定污染物的主要气象要素。(3)西安城区污染源会受周边地区的输送。关中城市群空气污染一年内呈现出明显的U型特征,在近几年,没有AQI达到优的月份,宝鸡和铜川AQI指数相对较低,咸阳AQI指数最高。2014年和2016年的冬季污染严重,2015年空气质量状况最好。2013年的12月与2016年的12月,大部分时候均为污染天气,在污染较为严重的宝鸡、渭南和西安,月内无污染天数仅为2-4天。臭氧在一年内呈现出明显的N型特征,PM_(2.5)为U型特征,宝鸡和铜川PM_(2.5)、AQI指数相对较低,西安、咸阳、渭南PM_(2.5)污染较严重。利用西安市空气质量预报系统对污染物来源以及数值模拟分析:一般污染物会在6小时内抵达西安。在春季草滩污染物来自咸阳最多,来自西安的次之;高陵来自西安最多,来自咸阳、渭南均占到19%,来自省外为11%;阎良PM_(2.5)主要来源为渭南,其次为西安;在冬季周至县有一半的污染物来自西安,小寨有81%的污染物来自西安。可见冬季污染物主要来自城区。(4)2016年12月7-21日西安市的一次连续15天的中度以上污染过程PM_(2.5)、PM_(10)和能见度的逐小时变化呈负相关。首要污染物浓度高期间,能见度低于2公里以下。重污染天气与空气转好之后环流形势差异显着。严重污染前,0.5公里以下接地逆温占绝大部分,且逆温强度不大,严重污染期间,除0.5km以下的接地逆温,逆温层结在几个层次都出现了。从地面向上到3.5km高度垂直方向湿度层结分布特征不明显,0.5km以下和2.0km高度附近出现的显着湿层。地面和低空平均相对湿度每日08:00大于20:00,各时刻地面和低层平均相对湿度分别超过65%和40%,近地面风场主要受东北气流控制,山东和河北等邻近重度污染区域的污染物持续向关中地区输送。混合层厚度较小,其他时段,混合层厚度总体上升,最低为0.2km,最高超过1.2km,气溶胶主要分布在0.5km以下。西安地区发生严重污染的时候,以湿霾为主。西安空气质量预报系统较好地模拟预报出了2016年12月7-22日的污染天气过程以及西安周边地区PM_(2.5)的时空演变情况。单站预测结果与实况整体变化趋势一致,非严重污染时段,预测与实况浓度接近,严重污染时段,预测浓度峰值相比实况显着偏低。针对冬季重污染天气,CMAQ系统模式需提高预测产品的浓度最大阈值设置。
马筛艳[6]2013年在《2000-2012年银川市PM_(10)浓度统计特征及其气象影响因子研究》文中指出空气是人类赖以生存的环境,然而空气污染正在严重的影响着我们的生活质量和身体健康,其中PM10(可吸入颗粒物)对人体的危害众所周知：可吸入颗粒物中的粗粒子一般被阻留在口腔和鼻腔内,当其中的铅在人体体内积累到一定程度时,就会影响人体的生理机能和造血功能,尤其对青少年和幼儿的中枢神经系统和造血系统危害更大；当可吸入颗粒物的空气动力学当量直径小于等于10微m时就称其为PM2.5,又称为可入肺颗粒,能够进入人体肺泡甚至血液系统中,直接导致心血管病等疾病,同时还会增加重病及慢性病患者的死亡率,目前已经证实,大气中细颗粒物是导致人类死亡率上升的主要原因,而CO、SO2和氮化物等污染物的含量与人类日死亡率并没有紧密的联系。本文采用银川市2000年6月开展PM10监测以来,截止2012年12月31日的PM10监测资料,深入分析研究了银川市近十几年来PM10浓度年、季、月及日变化特征,PM10空气污染指数、优良率等的变化特征；用同期气象资料分析了气温、气压、降水、相对湿度、风向、风速等气象要素如何影响PM10浓度的变化；从定性和定量上给出各气象因子与PM10浓度的统计关系；选取对PM10影响较大的气象因子,根据宁夏天气气候特征及气象因子对空气质量影响的统计特征,建立了适用于宁夏的地区天气形势加权数和气象参数加权数的综合评判标准及宁夏空气污染气象条件预报模型；确定了宁夏空气污染气象条件预警信号的分级方法和叁级预警等级标准。从而实现了完整的宁夏空气污染气象条件等级业务预报系统。主要结论是：1、2000-2012年间,银川市PM10平均浓度为99.6ug/m3,浓度总体有小幅下降趋势,除2001年PM10浓度逼近Ⅱ级限值(100ug/m3)外,其它年份均明显低于100ug/m3,达到国家大气环境质量Ⅱ级标准；2、银川市PM10浓度季节性明显,各月差异也较大,冬季PM10浓度最大、春季次之,秋季第叁,夏季最小,且这种减小趋势比较明显；采暖期PM10平均浓度明显高于非采暖期。各月中,4月PM10浓度较高,PM10污染较重；8月PM10浓度最低,污染较轻；PM10浓度夜间高于白天,一天中,前半夜最大,下午最小；3、PM10浓度与气温、气压、风速、相对湿度等气象因子关系密切,统计学相关性明显；4、在稳定的气压场、低温、较小的相对湿度、主导风向为偏北方向的风、过大或过小的风速、无降水或降水量较小等天气形势和气象要素条件下,PM10浓度较大；而高温湿热、主导风向为偏南风、风速在2.5-4.0m/s、日降水量超过10mm、混合层厚度较高等天气条件和因素有利于PM10的扩散和稀释,能使PM10浓度降低；5、在上述研究的基础上,选取对空气质量影响较大的气象因子,作为预报因子,结合宁夏天气气候特征,建立了宁夏空气污染气象条件分级预报模型；6、参考国家空气污染气象条件预警标准,制定了宁夏空气污染气象条件预警信号的分级方法和叁级预警等级标准,为环境管理和决策部门准确、及时、全面地掌握银川市空气污染现状及综合防治提供科学依据。有关部门可以在严重污染日到来之前,提前有针对性地加大对污染源的控制,及时发布警报,减轻空气污染对生态系统的影响。
孙娴[7]2001年在《西安市NO_2污染气象条件及浓度预报方法研究》文中进行了进一步梳理本文以西安市 1998～2000年二氧化氮日均值为研究对象，利用西安市同期逐日的气象资料，分析了西安市气象特征和污染气象条件，将西安市地面形势分成六种天气类型，建立每一种天气类型下的 NO_2浓度预报模型。 一般的统计方法只是选取了许多孤立的气象因子来建立模型进行浓度预报，没有考虑到气象因子之间的相关性和匹配性；或者是进行了天气形势的分型，但只是简单地进行多元线性回归，没有使气象因子达到最优组合。针对以上不足，本文根据西安市地面天气形势分型，将一元线性回归和逐步回归方法结合起来，选取气象预报因子的最佳组合，建立滚动的统计预报模型，经过预报检验其预报命中率为72％。通过和一般的逐步回归方法比较，预报效果较好。
江鸿宾[8]2013年在《基于MM5-CALPUFF耦合体系研究关中城市群对西安市SO_2浓度贡献特征》文中指出随着近年来西安市经济的快速发展，城市化和工业化水平不断提高，城市规模不断扩大，能源消耗量和机动车保有量的日益增多，空气质量污染日趋严重。本文采用中尺度气象模型（MM5）和空气质量预测模型（CALPUFF）对西安市2011年夏冬两季SO_2浓度进行模拟，并对影响模拟结果的主要因素进行分析。为考虑西安市本地源对SO_2浓度的贡献，将西安市SO_2排放量较大且排放高度较高的源设为点源，将排放量较小、排放高度较低且排放较为集中的源按区县划分为面源，分别分析点源和面源对浓度的贡献；为了考虑区域污染物中尺度传输对西安的影响，收集关中5市（渭南、咸阳、宝鸡、铜川和商洛）的SO_2的排放源数据，将排放量较大且排放高度较高的源设为点源，将关中5市内排放量较小、排放高度较低且排放较为集中的源按各市区县划分为面源，分别分析各城市对西安的贡献；利用MM5和CALMET研究模拟区域内气象场，并对2011年夏冬两季关中气象特征进行分析。使用CALPUFF对西安市2011年特征时段SO_2浓度进行数值模拟，并对浓度特征以及浓度与气象的关系进行分析。气象场模拟结果显示：夏冬两季关中区域风场受南北山脉阻隔，主导风向为东北风；夏季风向角较多且风速较小，在西安和咸阳附近易形成大范围旋转风，不利于中远距离传输。冬季风向角集中且风速较大，利于中远距离传输；西安市夜晚易形成逆温，夏季地面辐射对空气的最大影响高度为500m，冬季最大影响高度280m左右；关中各市夏季混合层高度最高为2000m左右，冬季最高为800m左右；关中各市夏季稳定程度排序：商洛>宝鸡>西安>咸阳>铜川>渭南，冬季稳定程度排序为：西安>宝鸡>渭南>商洛>铜川>咸阳。夏季和冬季夜间均以稳定的E和F为主，冬季白天以中性的C和D为主，夏季白天以不稳地的A和B为主。浓度场模拟结果显示：在夏季，西安市本地污染源对其地面SO_2浓度贡献为79.85%，其中点源和面源所占比例分别为47.52%和32.33%。关中其他五市中尺度传输对西安市地面SO_2浓度的贡献为20.15%，咸阳、渭南、宝鸡、铜川和商洛对西安的贡献分别为10.59%、7.31%、1.4%、0.29%和0.54%。各市贡献效率顺序为：西安>咸阳>商洛>渭南>宝鸡>铜川。在冬季，西安市本地污染源对其地面SO_2浓度贡献为65.72%，其中点源和面源所占比例分别为41.71%和24.01%。关中其他五市的传输贡献为34.28%，咸阳、渭南、宝鸡、铜川、商洛对西安市地面SO_2浓度的贡献分别为11.58%、21.17%、1.99%、0.51%和0.95%。各市贡献效率顺序为：西安>咸阳>渭南>商洛>宝鸡>铜川。在夏季代表日，西安市本地源贡献为91.55%，其中点源和面源的贡献分别为64.01%和27.54%。关中传输贡献为8.45%。各市贡献效率顺序为：西安>咸阳>商洛>渭南>宝鸡>铜川；在冬季代表日，西安市本地源贡献为54.94%，其中点源和面源的贡献分别为34.39%和20.55%。关中传输贡献为45.06%，其中咸阳为30.84%，渭南为12.52%。各市贡献效率顺序为：西安>咸阳>渭南>商洛>宝鸡>铜川。
李新令[9]2003年在《西安城市气候年变化特征及其与PM_（10）污染特征的相关分析》文中认为本文以西安市2001～2002年的各监测点PM_(10)浓度值为研究对象，利用西安市同期的气象资料，分析了西安市的PM_(10)污染现状。 PM_(10)浓度同气象条件关系密切，本文对二者进行其相关性分析，并对污染物浓度同气象因子进行方差分析，得到同污染物浓度相关性好的气象因子，分析其原因；空气质量级别≧4级，属于中度污染，对人体健康产生明显影响，本文对空气质量级别≧4级的污染日进行统计比较，得出易出现此种污染日的气象条件。在上述分析的基础上，选取确切的气象因子作为PM_(10)浓度预报的依据。 考虑到传统的逐步回归方法，不能消除自变量(回归变量)间存在的共线性，使得回归方程不稳定。本文在选择预报方法时使用SAS系统的REG的过程消除了自变量间的共线性，保证了进入模型因子的显着性。另外，通常的污染预报仅对模型数据按季节分类，分别建立模型，其目的是为减小预报日数据波动较大而带来的模型不稳定，这种分类方法人为因素以及随机性较大，本文对模型数据按污染等级分类，并分别建立模型。在进行预报时，将气象因子先进行判别归类，再代入相应的模型中进行预报。本文提出的判别—逐步回归法预报模型级别命中率为78.4％。 此外，本文对影响PM_(10)污染的气象、水文条件进行分析，提出加大城市绿地和城市水表面的生态调控方法以降低西安市PM_(10)污染的控制对策。
姜雪[10]2012年在《西安市空气污染物浓度统计特征及其气象影响研究》文中研究说明近年来，城市空气污染日益严重，并已成为公众广泛关注的环境问题之一。城市空气污染物浓度主要受气象因素、污染源的类型及分布状况的影响，不同地区污染物浓度的统计特征不同。因此，深入分析城市空气污染浓度的统计特征，讨论气象要素与污染物浓度之间的关系，对研究城市空气污染问题及其防治措施具有十分重要的意义。本文利用2011年西安市叁种常规空气污染物浓度的时间序列数据，运用统计学方法研究了西安市空气污染物浓度的统计特征，并在此基础上利用同步地面和高空气象资料分析探讨了污染浓度与各气象要素之间的关系，得出主要结论如下：1．通过对西安市2011年SO_2、NO_2和PM_(10)叁种污染物浓度时间序列的统计分析，得出3种空气污染物的小时浓度均呈现明显的季节变化和日变化特征。冬季污染物浓度较高，春季次之，秋季和夏季浓度较低。PM_(10)和NO_2小时浓度的日变化趋势均为双峰双谷型，污染浓度早晨高于傍晚；SO_2小时浓度的日变化曲线呈单峰型，中午浓度最大。2．由于受污染源的类型、分布状况及局地风向和风速的影响，西安市PM_(10)、SO_2和NO_2浓度具有一定的空间分布特征：市人民体育场和临潼区PM_(10)浓度最高，草滩最低；SO_2浓度较高的监测点为市人民体育场和高压开关厂，其余监测点相差不大；NO_2小时浓度经开区最高，小寨次高，兴庆小区最低。3．选取国际上常用的4种统计分布模型，分析研究了不同季节及典型空气质量状况下各污染物小时浓度的最佳分布模型、相关参数及其浓度的主要分布段，并用KS检验、AD检验和卡方检验3种拟合优度检验方法分别评价了拟合结果。4．采用线性相关分析法研究了各气象要素对西安市空气污染物浓度的影响。结果表明：风速、温度和混合层高度均与污染物浓度呈负相关，而气压和大气稳定度与污染物浓度呈正相关。5．分析研究了“最优”和“最差”空气质量状况下的气象条件及气象要素的组合特点，得出：降水量较大且为连续降水时，空气质量较好；而无降水、混合层高度较低、风速小且静风频率高时，易造成严重空气污染。风速太大（大于一定阈值）时也会引起颗粒物污染。
参考文献：
[1]. 西安城市空气中二氧化硫浓度预报研究[D]. 王晓平. 西安建筑科技大学. 2005
[2]. 西安市大气污染气象条件分析及空气质量预报方法研究[D]. 宁海文. 南京信息工程大学. 2006
[3]. 西安市SO_2污染预报的动力学统计模型研究[D]. 王晓涛. 西安建筑科技大学. 2006
[4]. 西安市SO_2污染气象条件及浓度预报方法研究[D]. 杨文峰. 西安建筑科技大学. 2001
[5]. 西安市空气污染特征及重污染天气成因研究[D]. 洪超. 兰州大学. 2017
[6]. 2000-2012年银川市PM_(10)浓度统计特征及其气象影响因子研究[D]. 马筛艳. 兰州大学. 2013
[7]. 西安市NO_2污染气象条件及浓度预报方法研究[D]. 孙娴. 西安建筑科技大学. 2001
[8]. 基于MM5-CALPUFF耦合体系研究关中城市群对西安市SO_2浓度贡献特征[D]. 江鸿宾. 长安大学. 2013
[9]. 西安城市气候年变化特征及其与PM_（10）污染特征的相关分析[D]. 李新令. 西安建筑科技大学. 2003
[10]. 西安市空气污染物浓度统计特征及其气象影响研究[D]. 姜雪. 长安大学. 2012
标签：环境科学与资源利用论文; 空气污染论文; 气象要素论文; 气象论文; 环境污染论文;