浑南区环境空气质量月报
空气质量监测报告
空气质量监测报告引言本文档为空气质量监测报告，旨在对某城市的空气质量进行评估和分析。
通过监测和分析空气中的污染物浓度，我们可以评估城市空气污染的情况，为改善环境质量提供决策支持。
监测方法我们采用了先进的空气质量监测设备和方法，包括使用自动气象站、污染物传感器和其他相关仪器进行数据采集。
监测点覆盖了城市的不同区域，确保数据的代表性和准确性。
监测结果根据我们的监测数据，我们对空气质量做出以下评估：PM2.5浓度PM2.5是指空气中直径小于或等于2.5微米的颗粒物，是空气质量的重要指标之一。
根据我们的监测，PM2.5浓度在过去一个月内整体呈现稳定上升趋势，尤其是在工业区和交通密集区。
二氧化硫浓度二氧化硫是常见的大气污染物之一，主要由燃煤和燃油排放产生。
根据我们的监测，二氧化硫浓度在过去一年内有所下降，但仍超过了国家空气质量标准。
臭氧浓度臭氧是大气中的一种有害物质，对人体和环境有一定危害。
根据我们的监测，臭氧浓度在夏季经常超过国家空气质量标准，特别是在高温和阳光条件下。
这可能与汽车尾气和挥发性有机物的排放有关。
影响因素分析空气质量受多种因素的影响，主要包括工业排放、交通排放、气象条件等。
在进一步的分析中，我们将对这些影响因素进行详细分析，并提出相关的改善措施。
改善措施基于我们的分析结果，我们建议以下改善措施以提高空气质量：1. 加强工业企业和排放源的污染治理，减少大气污染物的排放。
2. 优化交通管理，减少车辆尾气排放，加强公共交通的建设和推广使用。
3. 提高城市绿化覆盖率，增加植被面积吸收空气中的污染物。
4. 宣传和推广环保意识，鼓励市民采取绿色出行和节能减排的行为。
结论通过对空气质量的监测和分析，我们发现城市的空气质量存在一定的污染问题。
然而，通过采取有效的措施，我们可以改善空气质量，保障人民的健康和环境的可持续发展。
我们希望本报告的结果和建议能够为相关部门和决策者提供参考，并推动改善城市空气质量的工作。
浑南干渠和平段黑臭水体治理示范城市工程建设项目竣工环境保护验收公示【模板】
浑南干渠和平段黑臭水体治理示范城市工程建设项目竣工环境保护
验收公示
根据《国务院关于修改〈建设项目环境保护管理条例〉的决定》（国务院令第682号），以及环保部《关于发布<建设项目竣工环境保护验收暂行办法>的公告》（国环规环评（2017）4号），现将《浑南干渠和平段黑臭水体治理示范城市工程建设项目竣工环境保护验收调查报告》及验收意见公示如下：项目名称：浑南干渠和平段黑臭水体治理示范城市工程建设项目
建设地点：现状长白水系~浑南干渠XX区范围终点
建设单位：XX市XX区城市管理局
建设内容：清淤工程长度约4.76km，清淤量3.35万m3。
岸线修复工程长度约4.1km，现状护岸未加固段新增浆砌石墙长度5.33km，下游混凝土板拆除重建长度98.5m。
同时，将清淤工程底泥进行资源化利用，工程范围为白塔堡河三环匝道至滨河路桥段，将清理的底泥经底泥处置场处理后一部分用于白塔堡河两岸的堤顶路填筑，剩余部分用于白塔堡河两岸的护坡，其中，堤顶路填筑长度为2.624 千米，护坡填筑长度为1.72 千米。
公示期限：自公示之日起20个工作日
公示期间：对上述公示内容如有异议，请以书面形式反馈，个人须署真实姓名，单位须加盖公章
联系人：XXX
联系电话：********。
遵义环境质量监测月报.doc
遵义市环境质量监测月报（2019年5月）根据《中华人民共和国环境保护法》、《遵义市环境质量监测公示管理办法（试行）》（遵市环〔2014〕44号）的有关规定，现将遵义市2019年5月份环境质量公布如下：2019年5月，遵义市环境保护监测中心站对辖区内中心城区环境空气质量、地表水环境质量、中心城区饮用水水源质量开展生态环境监测，同时承担国控断面采测分离样品分析工作。
监测结果显示，中心城区环境空气质量综合指数为2.70，首要污染物O3-8H。
优良天数为31天，优良率为100%；地表水国控断面优良率（达到或优于Ⅲ类）100%，省控断面优良率（达到或优于Ⅲ类）100%，总体水质优良率（达到或优于Ⅲ类）100%；中心城区饮用水水源水质达标率100%；县级饮用水水源水质达标率100%。
一、城市环境环境空气质量（一）中心城区5月份环境空气质量五月份遵义市中心城区共监测31天，首要污染物O3-8H。
优良天数31天（其中优：26天、良:5天），优良率100%，与2018年同期相比优良天数增加1天，优良率上升3.2个百分点；环境空气质量综合指数（以下为综合指数）为2.70，与去年同期相比下降了0.66，按国家环境空气质量评价标准（综合指数法）：今年5月份空气质量好于去年同期。
遵义市中心城区2019年5月环境空气质量监测数据统计一览表（二）中部四区三县5月份环境空气质量状况及排名（三）遵义市各县（市、区）5月份环境空气质量状况及排名二、中心城区降水降尘监测5月，中心城区酸雨频率为0%，降水pH月均值6.79。
5月，中心城区降尘量为9.74吨/平方千米•月，达到南方城市暂定标准，同比上升3.12吨/平方千米•月。
三、集中式饮用水源地水质监测（一）中心城区集中式饮用水源地水质监测2019年5月，遵义市中心城区6个集中式饮用水源地水质监测全部达标，达标率为100%。
（二）全市17个县级城镇集中式饮用水源地水质监测自2018年5月起，根据《贵州省环境保护厅关于报送全省县城集中式饮用水水源及监测断面的报告》，遵义市县级城镇集中式饮用水源地由21个调整为17个。
基于GCN-LSTM的空气质量预测
基于GCN-LSTM 的空气质量预测①祁柏林2, 郭昆鹏1,2, 杨 彬3, 杜毅明3, 刘 闽3, 王继娜41(中国科学院大学, 北京 100049)2(中国科学院 沈阳计算技术研究所, 沈阳 110168)3(辽宁省沈阳生态环境监测中心, 沈阳 110000)4(辽宁省先进装备制造业基地建设工程中心, 沈阳 110001)通讯作者: 郭昆鹏摘 要: 随着我国环境监测技术的不断发展, 环境空气质量的网格化监测体系越来越受到相关工作人员的青睐, 为应对空气污染的网格化监测体系中的小型、微型监测站的空气质量预测问题, 本文提出了一种基于GCN 和LSTM 的空气质量预测模型. 首先利用GCN 网络提取网格化监测体系中的小微型监测站之间的空间特征, 然后再使用LSTM 提取时间特征, 最后使用线性回归层来综合时空特征并产生空气质量的预测结果. 为了验证本文提出的预测模型的性能, 我们使用了沈阳市浑南区的14个小微型监测站的空气质量监测数据进行实验. 实验结果显示, 基于GCN-LSTM 的空气质量预测模型在空间关联较强的网格化监测中的小微型监测站上的预测结果的精度要优于单一的LSTM 预测模型.关键词: 网格化监测; GCN; LSTM; 空气质量预测; 微型监测站引用格式: 祁柏林,郭昆鹏,杨彬,杜毅明,刘闽,王继娜.基于GCN-LSTM 的空气质量预测.计算机系统应用,2021,30(3):208–213. /1003-3254/7815.htmlAir Quality Prediction Based on GCN-LSTMQI Bo-Lin 2, GUO Kun-Peng 1,2, YANG Bin 3, DU Yi-Ming 3, LIU Min 3, WANG Ji-Na 41(University of Chinese Academy of Sciences, Beijing 100049, China)2(Shenyang Institute of Computing Technology, Chinese Academy of Sciences, Shenyang 110168, China)3(Shenyang Ecological Environment Monitoring Center, Liaoning Province, Shenyang 110000, China)4(Liaoning Advanced Equipment Manufacturing Base Construction Engineering Center, Shenyang 110001, China)Abstract : With the development of environmental monitoring technology in China, the grid monitoring system of ambient air quality has received more attention from environmental workers. In order to solve the air quality prediction of small and miniature monitoring stations in the grid monitoring system of air pollution, we propose an air quality prediction model based on GCN and LSTM. First, GCN is applied to extract the spatial features between the small and miniature monitoring stations in the grid monitoring system. Then, LSTM is employed to extract the relevant temporal features. Finally, the linear regression layer is used to integrate the spatial and temporal features and get the prediction results of air quality. Furthermore, experiments are carried out on the air quality monitoring data from 14 small and miniature monitoring stations in Hunnan District, Shenyang, verifying the prediction effect of the proposed model. The experimental results show that the air quality prediction model based on GCN-LSTM is more accurate than the LSTM prediction model in terms of the prediction results on the small and miniature monitoring stations in the grid monitoring with strong spatial association.Key words : grid monitoring; GCN; LSTM; air quality prediction; micro monitoring station计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: Computer Systems & Applications,2021,30(3):208−213 [doi: 10.15888/ki.csa.007815] ©中国科学院软件研究所版权所有.Tel: +86-10-62661041① 基金项目: 辽宁省“兴辽英才计划”(XLYC1808004)Foundation item: Talent Program of Revitalizing Liaoning, Liaoning Province (XLYC1808004)收稿时间: 2020-07-17; 修改时间: 2020-08-13; 采用时间: 2020-08-17; csa 在线出版时间: 2021-03-032081 引言近年来随着科学技术的不断发展, 各种传感器, 电子元器件的体积进一步减小, 精度进一步提高, 而这些传感器和电子技术的快速发展又进一步推动环境监测从区域化粗粒度监测向更细粒度的区域网格化监测发展. 同时网格化监测手段与大数据技术的有机结合, 又使得环境监测部门可以获得更多尺度、更加详细的空气污染信息, 通过分析这些空气污染数据不但可以迅速的发现污染源头, 快速治理, 还可以对网格化监测区域内未来的空气污染状况进行预测, 因此挖掘空气污染数据的潜在信息对于推动我国生态文明建设, 改善空气质量污染状况, 提升人民生活的幸福度具有一定的意义.长期以来, 空气质量的预测一直是国内外空气污染监测与治理相关领域的研究热点之一. 按照研究手段分类, 空气质量预测可以分为统计预测、数值预测和以机器学习为代表的人工智能算法预测这3种方案[1], 其中统计预测是指通过分析空气中污染物的变化规律来进行预测, 常用的模型有灰度模型和回归模型.但是单一的灰度模型或者回归模型又各自存在一些缺陷, 有的学者提出了将基于残差修正的灰度模型[2]应用到空气质量预测的工作上面, 有效的提高了灰度模型的预测精度. 也有学者将多元线性回归模型应用到空气质量分析中, 都取得了一定的成果[3].有关于空气质量的数值预测是指以大气运动规律为基础, 综合空气中污染物之间可能发生的物理和化学变化, 利用数学的方法建立起污染物在空气中扩散模型来预测未来一段时间内污染物浓度的变化, 其中主流的模型有CQMA, NAQPMS, CAMs等. 虽然数值预报在空气质量预测方面有着不可取代的作用, 但是由于数值预报本身的不确定性, 所以可能会导致单一的数值预报模式的预测精准度存在问题, 所以来自浙江理工大学的谢磊提出了一种综合多种数值预报模式的空气质量的预测方法, 在一定程度上提高了空气质量的数值预测的精度[4].近年来随着人工智能学科的快速发展, 已经有越来越多的人将有关于机器学习, 神经网络等方面的相关知识应用到空气中污染物预测和空气质量预测方面.有学者将支持向量机的方法与空气质量的预测相结合,提出了基于改进萤火虫寻优支持向量机的预测模型(IFA-SVM), 该模型改进了以往使用的萤火虫算法-支持向量机(FA-SVM)在训练模型时收敛速度慢和参数震荡等问题[5]. 有国外学者将ANN应用到空气质量预测方面并取得了较高质量的预测效果[6], 也有学者将BP神经网络应用到空气中污染物浓度的预测工作方面, 并且使用K近邻算法(KNN)来优化传统BP神经网络方法不能体现历史时间窗内的数据对当前预测影响的问题[7]. 还有学者将能够高效的提取连续时间特征的长短期记忆神经网络(Long Short-Term Memory, LSTM)应用到空气中污染物的浓度预测方面. 来自西安电子科技大学的张晗提出了一种基于LSTM的空气污染物预测模型, 可以有效的提取有关空气污染物浓度的历史数据之间的时间特征从而获得一个准确率较高的预测数据[8]. 还有学者将经济因素的影响添加到空气质量的预测中, 并取得一定的成果[9].当前对于空气中污染物浓度预测的相关研究大多是以可以产生大量, 多元监测数据的大中型监测站为研究对象, 而以网格化监测中小微型监测站作为研究对象的研究较少. 同时, 由大中型监测站所产生的空气质量数据与网格化监测中小, 微型监测站所产生的空气质量数据在数据种类, 特征维度方面都有一定的区别, 比如说部分网格化监测中的小微型监测站所产生的监测数据并不包括当前时刻的温度, 湿度, 风向,气压等信息, 而且网格化监测中的小微型监测站所产生的监测数据之间除了具备天然的时间关联, 还由于小微型监测站之间的影响关系而具备空间关联. 所以在预测网格化监测中小微型监测站的空气中污染物浓度相关问题上使用以往常用的线性回归算法或者LSTM算法都会使预测结果由于温湿度等信息的缺失和空间特征的忽略而产生一定的误差.因此为了有效的提取网格化监测中小微型监测站之间的空间关联特征和空气污染物数据之间天然的时间关联特征, 本文将能够有效且快速的提取非欧结构中的空间特征的图卷积神经网络(Graph Convolutional Network, GCN)与可以有效提取时序数据之间的时间特征的长短期记忆神经网络(LSTM)相结合, 提出了一种可以应用于网格化监测中空气质量预测的GCN-LSTM模型. 然后本文结合了沈阳市浑南区的14个小微型监测站的PM2.5数据对本文提出的方法进行验证.2 基于GCN-LSTM的空气质量预测模型空气质量网格化监测中的各个小微型监测站的空间分布属于非欧式结构, 也就是说网格化监测中的每2021 年 第 30 卷 第 3 期计算机系统应用209个小微型监测站周围的邻接监测站的个数和监测站之间距离是不确定的, 所以对网格化监测所产生的监测数据使用传统的卷积神经网络(Convolutional Neural Networks, CNN)并不能有效的提取数据之间的空间信息. 因此需要使用GCN 来提取数据之间的空间特征,并且使用LSTM 来处理数据之间的时间特征, 最后再使用线性回归层来综合时空特征来产生比较准确, 有效的预测信息.2.1 图卷积神经网络概述图卷积神经网络(GCN)是一种以图数据为研究对象的卷积神经网络, 由Bruna 等在2013年首次提出[10].图卷积神经网络的出现为一些非欧的图数据的处理提供了新的思路, 比如GCN 可以应用到社交网络分析,推荐系统, 交通流量预测等[11].G =(V ,E ,A )GCN 的本质目的就是利用图卷积来提取非欧结构的图数据的空间特征, 根据文献[12]中提出的理论,对于图, 输入信号X 和输出信号Y , 图卷积神经网络采取的处理方式f 定义为:V ={v i }N i =1A ∈R N ×N A i j v i v j 其中, V 表示图中的节点个数, 而E 表示的边的集合, A 是图的邻接矩阵, , 矩阵A 中的元素表示图G 中节点和之间的连接关系. 图卷积的前向传播公式为:˜A=A +I ˜D ˜D ii =∑j˜Ai j H l ∈R N ×D H 0=X σ(·)W l 式中, , I 是大小为N×N 的单位矩阵; 为对角矩阵, ; 表示第l 层的输出值, 其中; 表示激活函数; 表示第l 层的参数值.2.2 长短期记忆神经网络概述LSTM 网络是循环神经网络(Recurrent Neural Network, RNN)的一种变种[13], 是由Hochreiter 和Schmidhuber 为解决RNN 中的长期依赖问题在1997年首次提出. 由图1 RNN 的示意图及其展开图可以看出,虽然每个RNN 单元都会将自身提取的信息传递给下一个单元, 但是当传递链的长度增加到一定程度的时候会出现信息丢失, 也就是上文提到的长期依赖的问题, 这也就促使了LSTM 的出现与流行.图1 RNN 示意图及展开通过图2 LSTM 的细胞结构示意图可以看出, LSTM 采用了3种门控机制来解决传统RNN 中的长期依赖问题.图2 LSTM 细胞结构图C t LSTM 的3种门控单元分别为: 遗忘门f , 输入门i 和输出门o . 其中遗忘门用来控制当前细胞状态要丢弃哪些信息, 遗忘门的状态更新公式为:x t C t 输入门控制了当前网络的输入会有多少保留到单元状态中, 输入门的状态更新规则为:输出门控制了当前细胞状态能输出多少信息. 输出门的状态更新规则为:σ˜Ct W f ,W i ,W o ,W c bf ,b i ,b o ,b c 式中, 表示Sigmoid 函数, 会根据输入产生[0,1]之间的向量; 表示的是候选细胞信息; 表示的是LSTM 细胞状态更新过程中的权重系数矩阵;表示状态更新过程中的偏置矩阵.2.3 GCN-LSTM 模型[X t −s ,···,X t −1]X t 网格化监测中的小微型监测站的空气质量预测问题可以描述为: 通过小微型监测站时长为s 的历史时刻数据和各个监测站之间的空间关系A 来预测下一个时刻t 的空气质量, 即:X t 式中, 表示t 时刻网格化监测体系中各个小微型监测站的空气中污染物的预测浓度; A 表示不同小微型站之间的空间影响关系即邻接矩阵; F 为处理方式, 在本计算机系统应用2021 年 第 30 卷 第 3 期210文中F表示GCN-LSTM模型.GCN-LSTM模型由图卷积神经网络和长短期记忆单元两部分组成, 如图3所示. 本次研究将长度为s 的历史时间序列数据输入模型, 利用双层GCN结构解析网格化监测中小微型监测站的拓扑结构, 提取空间特征; 然后将具备空间特征的时间序列数据输入LSTM 中学习时间特征, 最后通过一个线性回归层得到预测数据, GCN-LSTM模型具体的训练流程如图4所示.图3 GCN-LSTM模型总览图4 基于GCN-LSTM的PM2.5预测流程首先将收集到的原始数据进行数据预处理和数据集划分, 然后将训练集和验证集组成的训练数据输入到如图3结构所示的GCN-LSTM模型中对模型进行训练; 最后将测试数据输入到训练完成的模型中观察模型的预测精度是否达到预期, 如果没有达到预期则调整模型GCN和LSTM中的隐层节点数然后再次训练直到得出达到预期精度的模型.3 实验结果与分析3.1 数据说明与预处理本文使用的数据样本集为沈阳市浑南区14个小微型监测站的2020年1月到5月之间的PM2.5浓度值, 数据采样的时间间隔是1小时, 每天可以获取336个样本数据.部分原始数据如图5所示, 在图5中横轴代表的是PM2.5原始数据的组数, 纵轴代表的是PM2.5原始数据的浓度值. 从图上可以看出部分原始数据存在缺失和失真的情况. 因此在使用此数据集进行模型训练和验证之前需要对原始数据进行数据预处理, 补充缺失数据和清洗掉异常数据.05001000组15002000图5 南屏东路PM2.5原始数据本文对于数据集中的缺失数据和异常数据采取的是如式(10)所示一元线性插值的方式进行数据补充和清洗, 同时采用式(11)对原始数据进行归一化使原始数据都映射到[0,1]之间.x a+i x ax a+jj i i 式中, 为插值产生的补充数据, 为距离缺失数据最近的之前时刻的数据, 为距离缺失数据最近的之后时刻的缺失数据, 表示缺失数据的个数, 表示第个需要补充的缺失数据.x i x ix max x min式中, 为原始PM2.5数据; 为归一化后的PM2.5数据;为原始数据中的最大值; 为原始数据中的最小值.2021 年 第 30 卷 第 3 期计算机系统应用2113.2 实验环境实验所用的硬件配置为: Intel(R) Core(TM)i5-5200U ******** GHz, 8 GB 内存; 实验所用的软件环境为: Windows10 (64位)操作系统, Python3.7,PyTorch1.5.0.3.3 评价指标本次研究的目的是预测网格化监测中的小微型监测站的空气质量和空气中污染物浓度的变化趋势, 所以为了能够更好的衡量预测的效果, 本文采用了2个评价指标: 绝对平均误差(Mean Absolute Error, MAE ),均方根误差(Root Mean Squared Error, RMSE ), 来分析预测结果和真实测量值之间的偏差. 一般来说当预测值与真实值之间的偏差越小MAE 和RMSE 的值也就越小, 也就是说MAE 和RMSE 的值越小, 模型的预测效果越好.y iy i 式中, 为真实的PM 2.5浓度的测量值; 为PM 2.5浓度的预测值.3.4 预测结果分析本次研究将数据集以7:1:2的比例划分训练集, 验证集和测试集, 并且使用长短期记忆神经网络作为对比模型, 模型的训练过程如算法1所示.算法1. 模型搭建与训练s A ∈R N ×N C ∈R N ×M 输入: 时间序列长度, 小微型监测站所构成的图的邻接矩阵,PM 2.5的浓度表示, 模型选择标志flag输出: 训练好的模型1. 对邻接矩阵A 添加自连接, 并对自连接后的邻接矩阵进行对称归一化处理.2. 对PM 2.5的浓度数据C 进行归一化并且构建数据集D.m <M3. for doX m ←[x 1m ,x 2m ,···x N m]4. m ←m +15. 6. end[X t −s ···X t ]∈C 7. for do D ←{X =[X t −s ···X t −1],Y =X t }8. t ←t +19. 10. end11. 按照7:1:2划分数据集D 得到训练集train, 验证集valid 和测试集test 12. if flag == LSTM do13. 使用PyTorch 搭建一个隐层节点数分别为80, 108和36的3层LSTM 网络.14. else if flag == GCN-LSTM do15. 搭建如图3所示的GCN-LSTM 模型.16. end if 17. repeat18. 从train 中随机选取batch 为64的数据输入模型进行训练.19. 以MSE 作为loss, 使用Adam 算法以1e–4为学习率更新权重.20. until 满足停止条件.21. 返回训练完成的模型.实验中分别采用LSTM 和GCN-LSTM 两种模型使用14个小微型监测站过去12个小时的PM 2.5数据来预测未来1小时的PM 2.5浓度, 预测结果对比如表1所示.表1 不同模型的预测效果对比站点LSTM GCN-LSTM MAE RMSE MAE RMSE 浑南中路8.4112.538.2912.14新才街7.9110.877.0010.11仓储街9.3612.769.0212.47新秀街9.7213.898.2711.92第二热源厂7.8211.758.0311.60安姆大厦9.1313.637.9111.95前榆村10.8714.819.3412.63南屏东路12.4317.9511.5317.53南堤东路8.9113.088.4512.98银卡东路10.3116.069.6615.05全运路7.159.93 6.299.33白塔河二路8.4612.207.7111.28学城路8.5512.878.6012.81苏王线东段9.6313.948.2212.11平均值9.1913.3058.4512.42从表1中两种模型的对比可以看出, 本文所提出的GCN-LSTM 模型在大多数小微型监测站中MAE 和RMSE 这两种评价指标的数值都要比使用LSTM 模型的值要小. 而且这两种评价指标都是越小就代表模型的预测值与实际的测量值之间的偏差越小, 也就是说在网格化监测中小微型监测站的PM 2.5的预测问题上, 本文提出的模型的预测效果要优于以往研究中所使用的LSTM 模型.图6和图7分别为实验中预测效果最好的监测站点全运路监测点和预测效果最差的南屏东路监测点的部分预测结果. 图6和图7中的横轴代表第几组测试数据, 纵轴代表PM 2.5的浓度值, pre 代表有GCN-LSTM 模型产生的PM 2.5浓度的预测值, real 代表当前监测站的实际的PM 2.5的监测值. 从图上的预测曲线与实际测计算机系统应用2021 年 第 30 卷 第 3 期212量值的曲线的拟合程度来看, 无论是全运路监测点还是南屏东路监测点, 预测曲线的变化趋势都大致与实际的测量值的曲线的变化趋势相同. 这都说明了GCN-LSTM模型可以有效的预测网格化监测中的小微型监测站的PM2.5的变化趋势, 为我国环境监测和治理提供一定的参考.PreReal025*******组125150175200图6 全运路监测点预测结果PreReal025*******组125150175200图7 南屏东路监测点预测结果4 结论与展望针对时空关联性高的网格化监测中的小微型监测站的空气质量预测问题, 本文提出了一种基于GCN-LSTM的空气质量预测方法. 尝试通过使用GCN算法从监测站的拓扑图中提取有效的空间特征, 并采用LSTM来学习以往空气中污染物浓度数据中的时间特征, 最后采用一个线性回归层来整合特征并产生预测结果, 进而提高网格化监测中小微型监测站空气质量预测的精度. 实验结果表明本文的GCN-LSTM算法在网格化监测中的小微型监测站空气质量的预测问题上要比LSTM算法表现更优. 未来, 将对GCN-LSTM模型结构进一步优化, 研究更有效的缺失数据和异常数据的处理方法, 从而提高模型的整体预测效果和精度.参考文献李勇, 白云, 李川. 大气污染物SO2预测模型研究综述. 四川环境, 2016, 35(1): 144–148. [doi: 10.3969/j.issn.1001-3644.2016.01.027]1张炳彩. 基于残差修正GM(1,1)模型的银川市空气质量预测分析. 绿色科技, 2019, (12): 118–122. [doi: 10.3969/j.issn.1674-9944.2019.12.046]2张玉丽, 何玉, 朱家明. 基于多元线性回归模型PM2.5预测问题的研究. 安徽科技学院学报, 2016, 30(3): 92–97. [doi:10.3969/j.issn.1673-8772.2016.03.019]3谢磊. 基于集合预报的空气质量预报预警系统设计[硕士学位论文]. 杭州: 浙江理工大学, 2019.4范文婷, 王晓. 基于改进萤火虫寻优支持向量机的PM2.5预测. 计算机系统应用, 2019, 28(1): 134–139. [doi: 10.15888/ ki.csa.006718]5Agarwal S, Sharma S, Suresh R, et al. Air quality forecasting using artificial neural networks with real time dynamic error correction in highly polluted regions. Science of the Total Environment, 2020, 735: 139454. [doi: 10.1016/j.scitotenv.2020.139454]6赵文怡, 夏丽莎, 高广阔, 等. 基于加权KNN-BP神经网络的PM2.5浓度预测模型研究. 环境工程技术学报, 2019, 9(1): 14–18. [doi: 10.3969/j.issn.1674-991X.2019.01.003]7张晗. 基于LSTM神经网络空气污染监测预报系统的研究与实现[硕士学位论文]. 西安: 西安电子科技大学, 2019. 8Shi KH, Wu LF. Forecasting air quality considering the socio-economic development in Xingtai. Sustainable Cities and Society, 2020, 61: 102337. [doi: 10.1016/j.scs.2020.102337]9Bruna J, Zaremba W, Szlam A, et al. Spectral networks and locally connected networks on graphs. arXiv preprint arXiv: 1312.6203, 2013.10徐冰冰, 岑科廷, 黄俊杰, 等. 图卷积神经网络综述. 计算机学报, 2020, 43(5): 755–780. [doi: 10.11897/SP.J.1016.2020.00755]11Kipf TN, Welling M. Semi-supervised classification with graph convolutional networks. arXiv preprint arXiv: 1609.02907, 2016.12Wang SH, Zhuo QZ, Yan H, et al. A network traffic prediction method based on LSTM. ZTE Communications, 2019, 17(2): 19–25.132021 年 第 30 卷 第 3 期计算机系统应用213。
娄底环境空气质量月报
娄底市环境空气质量月报2018年3月娄底市环境监测站编2018年4月8日根据环境自动监测站自动监测结果，按照GB3095-2012和HJ663-2013评价，我市中心城区和4县市2018年3月环境空气质量结果如下。
一、中心城区（娄星区）环境空气质量本月，我市中心城区优良天数29天，优良率为93.5%；PM2.5和PM10浓度分别为35、71微克/立方米；综合指数为4.12。
日均值达标天数比例，SO2、NO2、CO、O3均为100%；PM2.5和PM10均为96.8%（30/31）。
一季度自然天数90天，优良天数为75天，优良率为83.3%；综合指数为4.67；PM2.5和PM10浓度分别为43、90微克/立方米。
具体见表1-表5。
二、四县市环境空气质量本月，我市双峰、新化、冷水江、涟源的优良率分别为100%、100%、100%、96.8%；PM2.5浓度分别为26、33、41、43微克/立方米；PM10浓度分别为53、52、74、70微克/立方米；综合指数分别为 3.25、3.84、4.41、4.22。
具体见表1-表5。
三、综合报表表1 2018年3月五县（市、区）环境空气质量类别统计表表2 2018年3月五县（市、区）环境空气质量综合指数排名表3 2018年3月五县（市、区）优良率环比、同比情况表4 2018年3月五县（市、区）环境空气污染物浓度3；CO为mg/m3。
表5 2018年一季度五县（市、区）4项考核指标统计结果四、问题分析监测数据表明，我市中心城区及4县市环境空气质量月度、季度同比，总体上略有改善，但个别指标也有下降趋势，如可吸入颗粒物（PM10）3月份和一季度浓度，除冷水江市外，另外四县市区均有所提高，分析其原因可能与各县市区城市道路等工程项目建设造成扬尘较高排放相关。
此外，我市中心城区一氧化碳浓度连续三个月在全省排名中位居“第一”，冷水江市一氧化碳浓度也“居高不下”，成为影响空气质量综合指数排名的主要原因之一。
辽宁省2018年空气质量预报结果评估
260交流园地Communication Field2019年5月下辽宁省2018年空气质量预报结果评估张晓峰（辽宁省生态环境事务服务中心，辽宁 沈阳 110161）摘 要：文章对辽宁省2018年空气质量等级预报的准确性进行评估，结果表明：2018年辽宁省预报准确率可达89%，预报效果总体较好。
从各月分析，3、7月预报准确率较低，其余月份准确率相对较高，预报结果准确率与辽宁省污染特征有关。
关键词：辽宁省；空气质量；准确性评估中图分类号：X51 文献标志码：A 文章编号：1672-3872（2019）10-0260-01——————————————作者简介： 张晓峰（1981—），男，辽宁沈阳人，工程师，研究方向：空气质量预报预警。
2013年国务院颁布的《大气污染防治行动计划》（简称“大气十条”）中第九条明确要求各地建立监测预警体系，制定完善应急预案，妥善应对重污染天气，显著改善空气质量[1]。
辽宁省于2015年底建立辽宁省空气质量预报预警系统，开展省级空气质量形势预报，2016年底全省14个地级市开展城市空气质量AQI 预报，2017年4月省级预报部门对14个地市开展空气质量AQI24h 预报，2018年底省级预报部门对14个地市开展空气质量AQI 未来七天预报。
目前，全国不同级别的环境监测单位都在开展空气质量预报工作[2-3]，预报手段主要分为数值模式、统计模式、经验判断等，为规范业务预报工作、提高预报准确率、有效提升预报人员业务能力，探索建立完善的业务预报评估体系十分必要。
通过对空气质量预报与监测实况对比评估，得出预报准确率，分析误差原因，客观反映预报业务中存在的不足，有针对性地促进空气质量预报业务的提升，为建立我省空气质量预报评估体系打下基础。
1 研究方法1.1 空气质量实况数据与预报数据使用2018年辽宁省各市空气污染物实测数据与辽宁省预测部门做出的24h 空气质量预报等级数据。
1.2 准确率评价方法1）区域预报结果评估：根据我省地形地貌特征、大气污染传输特征、污染排放特征等综合考虑，将辽宁省预报区域范围划分为西部、中部及东南部。
空气质量监测情况汇报
空气质量监测情况汇报
概述
本次报告旨在汇报最近一段时间内的空气质量监测情况。
通过对不同地点的空气质量进行监测和分析，我们可以了解当前的空气质量状况并提出相应的改善措施。
监测方法
我们采用了现代化的空气质量监测设备，包括气象站、颗粒物监测器、气体监测仪等。
这些设备能够准确测量和记录空气中的污染物含量和气象数据。
监测结果
根据我们的监测数据显示，在过去的一段时间内，不同地点的空气质量存在一定的差异。
以下是我们的监测结果：
地点 1
- PM2.5浓度：XX μg/m³
- PM10浓度：XX μg/m³
- 臭氧（O3）浓度：XX μg/m³
地点 2
- PM2.5浓度：XX μg/m³
- PM10浓度：XX μg/m³
- 臭氧（O3）浓度：XX μg/m³
地点 3
- PM2.5浓度：XX μg/m³
- PM10浓度：XX μg/m³
- 臭氧（O3）浓度：XX μg/m³
结论
根据我们的监测结果，部分地点的空气质量存在一定的污染问题。
为了改善空气质量，我们建议采取以下措施：
1. 加强环境监管，严格控制工业废气和汽车尾气排放；
2. 推广清洁能源，减少对煤炭和化石燃料的依赖；
3. 提倡绿色出行，鼓励公共交通和非机动车出行；
4. 加强宣传教育，提高公众对环境保护的认识和意识。
通过我们的共同努力，相信我们能够改善空气质量，为人民创造一个良好的生活环境。
参考资料
- 相关环境保护政策文件
- 空气质量监测数据报告。
辽宁省生态环境厅关于沈阳地铁9号线二期工程环境影响报告书的批复
辽宁省生态环境厅关于沈阳地铁9号线二期工程环境影响报告书的批复文章属性•【制定机关】辽宁省生态环境厅•【公布日期】2023.11.02•【字号】辽环函〔2023〕141号•【施行日期】2023.11.02•【效力等级】地方行政许可批复•【时效性】现行有效•【主题分类】正文辽宁省生态环境厅关于沈阳地铁9号线二期工程环境影响报告书的批复沈阳地铁集团有限公司：你公司报送的《沈阳地铁9号线二期工程环境影响报告书》（以下简称《报告书》）收悉。
经研究，批复如下。
一、本项目（项目代码：2019-210000-53-01-066335）位于沈阳市浑南区，线路起于9号线一期终点建筑大学站，终至石庙子站，沿浑南中路、规划沈抚二号路走行，线路全长7.72千米，全部为地下线（埋深20.0至28.7米），设地下车站5座（含换乘站2座），分别为张官屯、祝科南街、长安桥南街（与远期M5换乘）、新立堡桥（与远期M13换乘）和石庙子车站，其中预留的新立堡桥车站工程不在本次评价范围内。
车站均采用明挖法施工，区间隧道以盾构法为主。
本项目停车依托现有9号线曹仲车辆段，拟在车辆段预留空地内新建停车库1座，车库面积23420.15平方米。
地铁设计最高时速80千米/小时，初期配备车辆10列/60辆，高峰小时发车对数18对。
原环境保护部于2012年12月28日以环审〔2012〕371号批复了《沈阳市地铁九号线工程环境影响报告书》。
施工过程中，受工程拆迁及停车场建设等影响，对原工程线路进行了优化，取消了张官屯站至石庙子站之间共5个车站及线路等建设内容。
沈阳市行政审批局于2017年1月19日以沈审批环保〔2017〕0007号批复了《沈阳市地铁九号线一期工程调整方案环境影响报告书》。
本项目建设内容为上述优化调整后取消建设的部分，对比原环境保护部批复，本项目线路走向、车站位置均发生了位移，且新增了环境敏感点，因此需重新进行环境影响评价。
本项目符合《沈阳市轨道交通线网规划（2022年修编）》，已取得辽宁省发展和改革委员会可行性研究报告的批复（辽发改交通〔2023〕406号）和辽宁省自然资源厅《建设项目用地预审与选址意见书》。
2022年4月吉林省主要城市空气质量月报
2022年4月吉林省主要城市空气质量月报2022年4月，全省依托34个国控城市空气自动站和88个省控空气自动站，对11个主要城市及71个县(市、区)的空气质量进行监测，按《环境空气质量标准》(GB3095-2012)进行评价。
一、主要城市环境空气质量状况本月有效监测天数均为30天。
全省平均优良天数比例为82.l%o11个主要城市中，二氧化硫(S(X)月均浓度范围为3Ug/m3^14μg∕m3,平均浓度为9ug∕11Λ二氧化氮(NO?)月均浓度范围为7Ug∕11)3~28ug∕m∖平均浓度为16ug∕m1一氧化碳(CO)日均值第95百分位浓度范围为0.6mg∕m3'l.2mg∕m3,平均浓度为0.9mg∕m3;臭氧(Qs)日最大8小时平均第90百分位浓度范围为90μg∕m3"177μg∕m3,平均浓度为150ug/nf；可吸入颗粒物(PMio)月均浓度范围为32ug∕m'~73Ug/m；平均浓度为57口g/m'；细颗粒物(PM25)月均浓度范围为19口g∕πΓ49μg∕m∖平均浓度为34ug∕ιΛ监测结果及综合指数排名详见附表1。
二、县(市、区)级城市空气质量情况71县(市、区)级城市中，优良天数比例范围为50.0~100.0%o二氧化硫(SO2)月均浓度范围为3ug∕πΓ36ug∕11Λ二氧化氮(NO2)月均浓度范围为6ug∕πΓ28ug∕11Λ一氧化碳(CO)日均值第95百分位浓度范围为O.5mg∕m3^2.lmg∕m3,臭氧（。
3）日最大8小时平均第90百分位浓度范围为90μg∕m',189μg∕m3,可吸入颗粒物（PM10）月均浓度范围为29ug∕11riO5Hg∕ι113,细颗粒物（PM2.5）月均浓度范围为16。
g∕ι113~69口g∕m∖受新冠疫情影响，全省多个县（市、区）空气自动站运维受限，且有9个县（市、区）设备故障无法及时修复，导致本月数据有效性不足，不参与本月评价及排名。
建设项目环境影响评价报告表沈阳环保局
国环评证甲字第1504号建设项目环境影响报告表项目名称：沈阳吉地安风电科技有限公司建设项目建设单位(盖章）：沈阳吉地安风电科技有限公司编制日期： 2016年5月沈抚新城环保分局关于2016年6月2日建设项目环境影响评价文件受理情况的公示根据建设项目环境影响评价审批程序的有关规定，2016年6月2日我局受理1个建设项目环境影响评价文件。
现将受理情况予以公示.公示时间:报告表项目公示期为2016年6月2日－2016年6月6日（3个工作日）。
联系人：李臣风联系电话：024-******** 88051215（传真）联系地址：沈阳市浑南区泗水街57号（110165）《设项目环境影响报告表》编制说明《建设项目环境影响报告表》由具有从事环境影响评价工作资质的单位编制.1.项目名称―指项目立项批复时的名称,应不超过30个字(两个英文字段作一个汉字)。
2. 建设地点―指项目所在地详细地址,公路、铁路应填写起止地点。
3. 行业类别―按国标填写。
4。
总投资―指项目投资总额。
5。
主要环境保护目标―指项目区周围一定范围内集中居民住宅区、学校、医院、保护文物、风景名胜区、水源地和生态敏感点等，应尽可能给出保护目标、性质、规模和距厂界距离等.6。
结论与建议―给出本项目清洁生产、达标排放和总量控制的分析结论,确定污染防治措施的有效性，说明本项目对环境造成的影响，给出建设项目环境可行性的明确结论。
同时提出减少环境影响的其他建议。
7。
预审意见―由行业主管部门填写答复意见，无主管部门项目，可不填.8. 审批意见―由负责审批该项目的环境保护行政主管部门批复.1、建设项目基本情况2、建设项目所在地区自然环境社会环境简况3、环境质量状况4、评价适用标准5、建设项目工程分析6、项目主要污染物产生及预计排放情况7、环境影响分析8、建设项目拟采取的防治措施及预期治理效果9、结论与建议25附图3建设项目采样布点图26附图4 给水管网图附图5 排水管网图27。
琼海环境空气质量月报
琼海市环境空气质量月报
（2018年6月）
琼海市生态环境保护局 2018年7月2日==================================================== 根据嘉积城区空气自动监测站的监测结果，按照国家《环境空气质量标准》（GB3095-2012）评价，6月份琼海市区空气有效监测天数30天，其中空气质量达到优级水平30天次,空气质量优级率（AQI≤100的比例）为100%。
6月份，可吸入颗粒物（PM10）月均浓度与2017年同期的24μg/m3持平，比2013年同期的28μg/m3比较下降了14.3%。
6月份，市区二氧化硫（SO2）、二氧化氮（NO2）、可吸入颗粒物（PM10）和细颗粒物(PM2.5)月平均浓度分别为5μg/m3、9μg/m3、24μg/m3和16μg/m3,一氧化碳（CO)日均值第95百分位数是0.7mg/ m3，臭氧（O3）日最大8小时滑动平均值的第90百分位数是54μg/m3。
6月可吸入颗粒物（PM10）日平均浓度值走势图
单位：微克/立方米。
空气质量调查报告
空气质量调查报告金州区环境空气质量分析报告环境空气中可吸入颗粒物、二氧化硫和二氧化氮均值分别为0.073毫克/立方米、0.035毫克/立方米和0.028毫克/立方米，均符合空气质量二级标准，同比可吸入颗粒物和二氧化氮均值基本持平，二氧化硫均值升高21%。
自然降尘均值为9.1吨/(平方公里·30天)，超出辽宁省标准0.1倍，同比略有下降。
市区空气质量优为115天，占全年31.5%；良为244天，占66.9%；轻微和轻度污染天数为6天，占1.6%，其中受沙尘等外来因素影响为4天，受大雾逆温等气象因素影响2天；同比优的天数多7天，轻微和轻度污染天数少7天。
空气中可吸入颗粒物是首要污染物的天数为285天，占全年78.1%，二氧化硫是首要污染物的天数为80天，占全年21.9%。
空气质量优良：人们可以在户外正常活动，当日的空气质量状况对人体健康不会产生不利影响。
轻微和轻度污染：易感人群症状有轻度加剧，健康人群出现刺激症状，心脏病和呼吸系统疾病患者应减少体力消耗和户外活动。
以上分析发现，09年我区空气质量总体较好。
最近，我对我家居住的康居小区的空气质量进行了调查。
经过这次调查，我发现小区的空气遭到了严重的污染，主要污染源是：小区旁的餐馆排放出的油烟；过路的车辆排放出的废气；附近的大黑山后有人在烧垃圾，烟雾弥漫。
正是这些有害气体污染了原本清新的空气。
这些被有害气体污染了的空气，会对人体健康产生不利的影响，还会对周围的花草树木的生长造成了极坏的影响。
在街道上种得那些花草，不仅能美化我们的家，还能净化我们四周的空气，让我们呼吸的空气更清新。
因此有人说，一个具有一定规模的社区就像一个不停工作的天然“氧吧”，能提供我们所需的清新空气。
但近几天我发现我家的天然“氧吧”“罢工”了，每天清早我到街道上，再也呼吸不到以前那种清新的空气了。
这是怎么回事呢？是什么令到我家的天然“氧吧”停止工作呢？我下定决心，一定要把那个“凶手”揪出来！针对上面说的事件，我查了大量资料，综合我对花草、树叶的连日观察，发现嫌疑最大的是近日车辆的频繁来往，造成了严重的空气污染，加上附近的一些食店排放出来的油烟因为一些原因，得不到有效的散解，被花草、树叶过量地吸收，造成叶片表面气孔被尘粒堵塞，以至它们不能“工作”。
城区大气环境质量
一、城区大气环境质量鄂州市城区共设2个大气环境自动监测点〔商检局和环保局〕。
监测工程为二氧化硫〔SO2〕、二氧化氮〔NO2〕和可吸入颗粒物〔PM10〕，监测时间每天24小时连续监测。
城区大气环境质量执行国家?环境空气质量标准?(GB3095-1996)的II级标准。
2021年鄂州市区三月份有效监测天数为31天，空气污染指数API为45，空气质量级别属Ⅱ级，空气质量状况优，首要污染物为可吸入颗粒物〔其中首要污染物为%〕。
三月份空气污染指数最大值77，最小值13；空气质量为优17天，良14天，各种空气质量状况天气占比例见图1。
市区大气中二氧化硫月平均值42mg/m3，二氧化氮月平均值20mg/m3，可吸入颗粒物月平均值0.045mg/m3。
按照国家?环境空气质量标准?(GB3095-1996)中II级日均值的评价标准，本月市区二氧化硫日均值测得范围13－0.064mg/m3，无超标；07－0.046mg/m3，无超标；可吸入颗粒物日均值测得范围0.012－0.103mg/m3，无超标。
三月份市区大气污染物日均值浓度曲线图和空气污染指数图分别见图2和图3。
2021年三月份空气质量为良好的天数31天，占总监测天数的100%，与去年同期相比二氧化硫月333，去年空气质量优良30天，轻微污染1天，而今年同期优良天数31天，有4天优，空气污染指数降低23，但首要污染物为二氧化硫有4天；与上月相比，空气质量为良的天数占全月天数根本保持不变，空气污染指数下降5，可吸入颗粒浓度在下降，二氧化硫、二氧化氮浓度略为增加，空气质量整体好转。
二、地表水环境质量鄂州市地表水水质月报的范围是长江〔鄂州段〕、新港河、长港、梁子湖和洋澜湖等主要河流、湖泊的省、市控制2个断面和14个测点。
月报采用国家?地表水环境质量标准?〔GB3838-2002〕和?鄂州市水功能区划分?进行水质评价。
按照省环保局鄂环办［2003］52号文附件?湖北省环境质量月报工作方案?的要求，地表水月报评价指标，河流为pH值、溶解氧、高锰酸盐指数、BOD5、氨氮、石油类、挥发酚、汞、铅共9项，湖、库增加总氮、总磷共11项。
根据现场情况对修复区域采样进行实验室检测分析,以进一步
根据现场情况对修复区域采样进行实验室检测分析，以进一步明确修复边界，监测指标为总镍、总汞、多环芳烃（苯并（a）蒽、苯并(b)荧蒽、苯并(k)荧蒽、苯并(a)芘）及六六六等。
（2）处理效果监测项目实施过程中，对治理土壤进行批次取样监测，每天随机抽取样品，对固化治理后的土壤进行砷、铬、镍、铅、汞总量及浸出试验监测，并随时反馈至施工现场，实现项目全程环保监控。
对于有机污染土壤化学氧化处理后土壤进行多环芳烃（苯并（a）蒽、苯并(b)荧蒽、苯并(k)荧蒽、苯并(a)芘）及六六六等检测。
8.2.5项目后期环境监理（1）场地环境长期监测本项目完工后，委托有技术实力的第三方对修复范围内的土壤进行长期环境监测，项目验收3年内，在区域内设置10个动态监控点，项目验收3年以后，将动态监控点减少至1~2个，继续监测评价固化后重金属的浸出情况。
（2）场地地下水长期监测对治理后的场地和固化土壤填埋区域周边地下水进行长期常态化监测，采样点设在场地地下水水流上、下游监控井，每年按枯、平、丰水期进行，每期一次，根据风险评估的目标污染物确定监测项目为砷、六六六、苯、氯苯、二氯苯、三氯苯等。
8.3监测计划8.3.1环境监测目的环境监控计划的目的是通过监测计划及监测报告制度，监督各项环保措施的实施，并根据监测结果适时调整环境保护措施，控制计划中未预见的不利环境影响。
原则上，根据工程特点预测各个时期的主要环境影响因素，制定监测计划。
8.3.2环境监测内容环境监测由建设单位委托环境监测部门完成。
环境监测是企业搞好环境管理，促进污染治理设施正常运行的主要保障。
通过定期的环境监测，了解邻近地区的环境质量状况，可以及时发现问题、解决问题，从而有利于监督各项环保措施的落实，并根据监测结果适时调整环境保护计划。
8.3.2.1原位修复工程1、大气监测大气环境监测对土壤清挖过程中产生的空气污染物进行监控，场地内污染土壤开挖和运输期间，根据监测范围大小、污染物的空间分布特征、气象因素综合考虑确定，场区内外均设置空气采样点。
沈阳市浑南生态环境分局_企业报告(业主版)
18.9
TOP9 3 个地块土壤污染状况调查
辽宁瑞尔工程咨询 有限公司
18.9
TOP10 3 个地块土壤污染状况调查
北京中地泓科环境 科技有限公司
18.9
*按近 1 年项目金额排序，6-15 2022-06-15 2022-06-15 2022-06-15 2022-06-15 2022-06-15 2022-06-15 2022-06-15 2022-06-15
（2）环境与生态监测检测服务（6）
重点项目
项目名称
中标单位
中标金额（万元） 公告时间
TOP1
浑南区环境监测第三方技术服务 辽宁惠康检测评价
项目
技术有限公司
45.0
2022-12-16
TOP2
浑南区环境监测第三方技术服务 沈阳泽尔检测服务
项目
有限公司
31.7
TOP3
浑南区环境监测第三方技术服务 沈阳克林环境检测
项目名称
中标单位 司
中标金额（万元） 公告时间
TOP2
富民南街 11 号等 4 宗地块土壤污 沈 阳 绿 恒 环 境 咨 询
染状况调查
有限公司
57.0
TOP3
全运路南 304 国道西-4 地块及全 运路南 304 国道西-5 地块土壤污 染状况调查
沈阳绿恒环境咨询 有限公司
30.7
TOP4
全运路南 304 国道西-4 地块及全 运路南 304 国道西-5 地块土壤污 染状况调查
辽宁中科生态环境 有限责任公司
30.7
TOP5
高深东路南地块土壤污染状况调 核工业二四 0 研究
查
所
23.4
TOP6
高深东路南地块土壤污染状况调 辽宁通正检测有限
沈阳室内环境检测报告
沈阳室内环境检测报告1. 引言沈阳作为中国东北地区的重要城市，人口众多，室内环境质量对居民的生活质量和健康状况有着重要影响。
本文旨在对沈阳市的室内环境进行全面的检测和评估，了解室内环境中的潜在问题和改善措施。
2. 检测目标本次室内环境检测主要关注以下几个方面： - 空气质量 - 噪音水平 - 温湿度 - 光照强度3. 空气质量检测通过专业的空气质量检测仪器，我们对沈阳市不同地区的室内空气进行了采样和分析。
结果显示，沈阳市绝大部分室内环境的空气质量良好，但仍有少数地区的室内污染物超过了国家标准，主要包括PM2.5和甲醛等有害物质。
针对这些问题，建议加强通风换气、使用空气净化器等改善措施。
4. 噪音水平检测我们对沈阳市的居民区、商业区和工业区进行了噪音水平检测。
结果表明，居民区的噪音水平较低，商业区的噪音水平较高，而工业区的噪音水平最高。
为了改善噪音环境，建议减少交通噪音、加强工业噪音的控制，并合理规划商业区的布局。
5. 温湿度检测本次检测还对沈阳市的室内温湿度进行了监测。
结果显示，尽管沈阳市夏季湿度较大，但室内温湿度仍在舒适范围内。
建议在夏季加强空调的使用和室内湿度的控制，以提供更为舒适的室内环境。
6. 光照强度检测沈阳市的光照强度在不同季节和时间段有所差异。
通过光照强度检测，我们发现部分室内照明光线较弱，可能对居民的视力和生活质量产生一定影响。
建议在设计和装修室内空间时，合理安排采光设施，增加室内光照强度。
7. 总结与建议通过对沈阳市室内环境的检测和分析，我们可以得出以下结论和建议： - 大部分地区的室内环境质量良好，但仍有少数地区存在空气污染、噪音过大等问题，需要采取相应措施改善。
- 在设计和装修室内空间时，应注重室内温湿度和光照强度的控制，提供舒适的居住环境。
- 政府和相关部门应加强室内环境监管，制定更严格的标准和规范，保障居民的健康和生活质量。
希望本次室内环境检测报告能够为沈阳市的环境改善提供参考和借鉴，为居民提供更健康、舒适的居住环境。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
浑南区环境空气质量月报
（2018年7月）
沈阳市环境保护局浑南新区分局
浑南区共有4个环境空气自动监测站点、4个环境空气微子站站点，其中森林路为对照点位大气环境功能区划为一类区，其余大气环境功能区划二类区。
环境空气质量按照《环境空气质量标准》（GB3095-2012）、《环境空气质量指数（AQI）技术规定（试行）》（HJ633-2012）及《环境空气质量评价技术规范（试行）》（HJ663-2013）进行评价。
城市空气质量综合指数按照《城市环境空气质量排名技术规定》（环办〔2014〕64号）进行统计及排序。
一、环境空气质量现状
2018年7月份浑南区各点位按照环境空气达标天数从少到多、污染从重到轻排列，顺序是东陵路<浑南东路<新秀街=海为路=森林路<奥体中心<金仓路=电力计量中心。
1、浑南东路点位
2018年7月份，浑南东路环境空气达标天数为24天，占比77%；2017年7月份，该点位达标天数为18天，同比上升19%；2018年6月份，该点位达标天数为18天，环比上升17%。
本月污染级别天数的比例如下图：
2、新秀街点位
2018年7月份，新秀街环境空气达标天数为27天，占比87%；2017年7月份，该点位达标天数为19天，同比上升26%；2018年6月份，该点位达标天数为16天，环比上升34%。
本月污染级别天数的比例如下图：
3、东陵路点位
2018年7月份，东陵路环境空气达标天数为21天，占比68%；2017年7月份，该点位达标天数为18天，同比上升8%；2018年6月份，该点位达标天数为13天，环比上升26%。
本月污染级别天数的比例如下图：
4、森林路点位
2018年7月份，森林路环境空气达标天数为27天，占比87%；2017年7月份，该点位达标天数为20天，同比上升23%；2018年6月份，该点位达标天数为18天，环比上升27%。
本月污染级别天数的比例如下图：
5、金仓路点位
2018年7月份，金仓路-沈阳天利环境空气达标天数为30天，占比97%；2018年6月份，该点位达标天数为19天，环比上升33%。
本月污染级别天数的比例如下图：
6、海为路点位
2018年7月份，海为路-沈阳天利环境空气达标天数为27天，占比84%；2018年6月份，该点位达标天数为18天，环比上升24%。
本月污染级别天数的比例如下图：
7、奥体中心点位
2018年7月份，奥体中心-沈阳天利环境空气达标天数为28天，占比90%；2018年6月份，该点位达标天数为21天，环比上升20%。
本月污染级别天数的比例如下图：
8、电力计量中心
2018年7月份电力计量中心-沈阳天利环境空气达标天数为30天，占比97%；2018年6月份，该点位达标天数为19天，环比上升33%。
本月污染级别天数的比例如下图：
二、排名情况
浑南区7月份在市内9区中综合排名为第7，其中综合指数排名第8，同比变化率排名第5，特殊因子（O3）排名第4，特殊因子（PM10）排名第4，巡查督查排名第8。
市内9区参与排名的18个点位中，浑南东路站点7月份综合排名为第11；新秀街站点7月份综合排名为第17；东陵路站点7月份综合排名
为第2。
三、污染成因分析
浑南区浑南东路、新秀街、东陵路、森林路等4点位参与全市22个监测点位排名。
2018年7月浑南区4个监测点位各监测因子结果如下：
从逐日浓度曲线来看，浑南东路和新秀街点位浓度略高于市均值，东陵路和森林路点位浓度均低于市均值。
从PM10逐日浓度曲线来看，浑南东路、新秀街和东陵路点位PM10浓度略高于市均值，森林路点位PM10浓度低于市均值。
从SO2逐日浓度曲线来看，新秀街点位SO2有多日超过市均值且高于其他点位，污染主要来自周边燃煤或棚户区散煤燃烧影响。
其他点位SO2浓度低于或与市均值持平，未见明显污染。
从NO2逐日浓度曲线来看，浑南东路、新秀街点位大部分时间高于全市均值，较其他点位更多的受机动车尾气影响。
其他点位NO2浓度低于市均值，未见明显污染。
从CO逐日浓度曲线来看，浑南东路、新秀街点位大部分时间高于全市均值，较其他点位更多的受到生物质燃烧影响。
其他点位CO浓度低于或与市均值持平，未见明显污染。
从O3逐日浓度曲线来看，仅东陵路点位超过市均值，但相差不大。
主要受机动车尾气影响，在持续高温和强日照天气促进NOx和VOCs发生大气光化学反应，从而生成近地面O3。
其他点位臭氧浓度与市均值相差不大。
四、对策建议
进入今年7月份以来O3和PM10已经成为重点管控问题，市抗霾调度会对臭氧和PM10问题进行分析并提出管控措施，针对我区情况主要应做好以下几方面工作：
1、打击露天烧烤和流动商贩。
加大露天烧烤取缔力度，重点管控时段：16时-23时，重点区域：浑南东路点位的建筑大学周边地区。
2、加大餐饮油烟整治力度。
加强餐饮业环境监管，尤其是烧烤店的餐饮油烟净化设施安装和运行的督导检查。
3、强化湿式扫保。
各站点周边道路每日10时至17时不间断洒水进行湿式扫保。
4、减少高温阶段施工。
每天8时至18时日照强烈期间禁止建筑墙体涂刷装饰、市政道路划线、栏杆喷涂等有机溶剂的作业。
每日11时至17时禁止各类露天焊接作业。
5、加强加油站、油罐车、储油库等油气回收整治。
加大油气回收装置检查力度，保证设施正常使用。
高温时段禁止装卸油品。
设置夜间加油优惠时段，鼓励市民优惠时段加油。
6、疏导交通。
在易发生拥堵路段加大警力疏导，合理设置车辆通行信号时间，采取多种手段减少交通堵塞导致车辆怠速、慢行而产生的污染。
附件：年7月浑南区环境空气质量监测结果表
2.浑南区环境空气监测点位分布示意图
报：区委、区政府领导
发：区纪委监委、区委宣传部、区督考办、区财政局、区农发局、区建设局、区教育局、区科技经信局、区应急办、区城管执法局、区房产局、区交通局、交通浑南分局、区公安分局、区交警大队、浑南环保分局、沈抚环保分局、各街道办事处
百度文库- 好好学习，天天向上
附件1：
2018年7月浑南区环境空气质量监测结果表
涂色单元格数据超出全市均值。
-10
百度文库- 好好学习，天天向上
附件2：浑南区环境空气监测点位分布示意图
森林路
东陵路
奥体中心
金仓路
电力计量中心
浑南东路
新秀街海为
-11。