基于平均滤波算法的北疆春季日最低气温格点预报产品订正分析

本文选用中国气象局下发的0.05°×0.05°的国家级格点预报指导产品和中国气象局陆面数据同化系统（CLDAS）逐时实况数据资料，使用三种平均滤波方法分别订正北疆地区08时、20时起报的240h内逐24h 最低气温的格点预报指导产品，并分别对比检验订正前后共8种产品的预报效果。检验结果表明: 订正后的预报产品相比原始格点预报指导产品的均方根误差均明显降低，气温预报准确率及稳定性均显著提高。三种订正算法均随着海拔高度越高订正效果越好，且随着预报时效延长订正效果减弱。三种算法中集成订正效果略优。     

基于CUACE模式的合肥地区空气质量预报效果检验

为了检验CUACE模式指导产品在合肥地区的预报性能,本文利用合肥地区PM_(2.5)、PM_(10)、O_3监测资料对中国气象局下发的2014年3月至2015年2月合肥地区空气质量CUACE模式指导产品的预报效果进行了检验。结果表明:2014年3月至2015年2月合肥地区CUACE模式指导产品AQI和PM2.5浓度的预报值接近实测值,PM_(10)浓度预报值略小于实测值,O_3浓度的预报值明显偏大,但O_3浓度的预报值与实测值相关性最好,AQI、PM_(2.5)浓度和PM_(10)浓度预报值与实测值之间的相关系数均为0.3—0.4。实测空气质量等级为良时,CUACE模式空气质量等级预报的TS评分最高,漏报率和空报率最小;实测首要污染物为PM_(2.5)时,CUACE模式首要污染预报TS评分最高,漏报率和空报率最小。CUACE模式的预报性能并未随预报时效的延长而降低,CUACE模式指导产品总体预报效果较好,可为合肥市空气质量预报提供指导。     

应用机器学习算法的成都市冬季空气污染预报研究

利用2014年3月至2017年2月成都市8个环境监测站的PM 2.5、PM 10、SO 2、NO 2、CO、O 3共6种污染物质量浓度资料以及T639全球中期数值预报模式产品,采用两种机器学习算法—递归特征消除法(Recursive feature elimination,RFE)和随机森林方法,构建了成都市冬季5种(O 3除外,因为其冬季污染较轻)污染物浓度的预报模型,并对模型的预报效果进行了评价。结果表明:基于RFE模型的5种污染物预报值与实测值的均方根误差值分别为47.58μg·m^-3、72.10μg·m^-3、8.87μ·m-3、0.59 mg·m^-3、19.84μg·m^-3;基于随机森林模型的5种污染物预报值与实测值均方根误差值分别为23.94μg·m^-3、20.98μg·m^-3、2.40μg·m^-3、0.16 mg·m^-3、8.09μg·m^-3,随机森林模型对各污染物浓度的预报效果均优于RFE模型,说明该预报方法性能良好,可为成都市冬季空气质量业务化预报提供技术支持和防控依据。     

CUACE模式在兰州城市空气质量预报中的检验订正

利用2014年9月—2015年8月环境保护部对外发布的兰州市6种污染物实况监测数据,对同时期CUACE模式的24 h预报结果进行误差分析,并通过误差滚动线性回归订正方法进行检验订正。结果表明:(1)兰州市的首要污染物以PM10为主,其次是PM_(2.5);(2)CUACE模式对SO2的预报及对O_3、NO_2、PM_(2.5)和PM_(10)预报为2级时,等级预报准确率较高,预报结果可直接使用;(3)模式对O_3和CO预报1级时,采用10 d误差滚动订正后等级预报准确率可提高1.1%~5.5%;(4)模式预报其它要素的其它级别时采用5 d或10 d误差滚动订正后再加上或减去一定值后,等级预报准确率可提高8.7%~75%。     

两种大气化学模式系统对浙江省PM_(2.5)浓度预报结果的对比分析

利用大气化学模式系统CUACE/Haze-fog与WRF-Chem,分别选取3次不同程度的污染天气过程进行数值模拟,并利用浙江省142个环保监测站点观测数据,对模拟的PM2.5浓度的时空演变特征进行检验,评估两个模式对PM2.5浓度的预报效果。结果表明,CUACE/Haze-fog与WRF-Chem模式均能够较好的反映出PM2.5日均浓度空间分布特征及其逐日变化特征。WRF-Chem预报与观测的PM2.5日均浓度的空间相关系数明显高于CUACE/Haze-fog,且总体来看相对偏差与均方根误差明显低于CUACE/Haze-fog。CUACE/Haze-fog与WRF-Chem模式能够基本反映出PM2.5浓度连续3 d(72 h)的变化趋势,且24 h与48 h预报效果优于72 h预报。本次模拟中气象场模拟的偏差可能是导致PM2.5浓度模拟偏差的主要因素。此外,CUACE/Haze-fog模式对化学场初始值的低估可能是其对PM2.5浓度系统性低估的重要原因之一。     

利用PCA-kNN方法改进广州市空气质量模式PM2.5预报

为了提高广州市PM_2.5客观预报能力,采用主成分分析结合机器学习算法k近邻（PCA-kNN）方法,基于空气质量模式（CMAQ）预报产品、中尺度天气模式（GRAPES-MESO）预报产品和2017年上半年广州PM_2.5观测实况,试验确定PCA-kNN方法的最佳参数方案,建立广州市空气质量模式PM_2.5预报客观订正方法。结果表明:与CMAQ模式的PM_2.5预报相比,在第1~3天预报时效上,PCA-kNN订正结果与实况的相关系数分别提高20%、15%、29%,均方根误差分别降低17%、16%、20%,平均偏差更接近0,PM_2.5浓度等级TS评分接近或优于CMAQ预报,PCA-kNN订正结果优于CMAQ预报。机器学习算法PCA-kNN方法可有效改进广州市空气质量模式PM_2.5预报,本研究对其他地区、其他污染物客观预报研究具有借鉴意义。      

基于CUACE系统沈阳地区春季空气质量预报的校验及修正

本文基于CUACE系统,利用2015年4—5月沈阳市大气环境观测数据对沈阳地区春季空气质量的预报效果进行了校验和修正。结果表明:CUACE模式对6种污染物(PM10、PM2.5、NO2、O3、SO2和CO)质量浓度的预报值普遍小于观测值,对PM10浓度的预报存在严重低估。CUACE模式预报的沈阳地区春季日首要污染物多为PM2.5,而观测表明沈阳地区春季PM10和PM2.5为日首要污染物的日数相当。同时,CUACE模式预报的空气污染等级与实际观测的空气污染等级相比存在较高的等级偏差率。利用污染物观测浓度和预报浓度之间的线性拟合公式修正CUACE模式的预报结果,修正后首要污染物的预报结果与实际观测结果基本吻合,同时空气污染等级的预报准确率也明显提高,提高幅度为50.0%—80.0%。     

CAPPS3模式在福州市预报效果检验

对2009年7月至2010年6月区域空气质量数值预报模式CAPPS3在福州市的应用进行效果检验,分析各季节CAPPS3预报福州市3种污染物SO2、NO2和PM10的等级预报准确率、转折性天气预报准确率及与监测值的相关系数以及综合评分。结果表明：夏秋季节CAPPS3模式3种污染物等级预报准确率较高,冬季NO2和春季PM10的等级预报准确率较低,错误等级预报多数偏高;转折性天气预报准确率夏秋季最高,春季最低,模式对天气形势的变化反应不灵敏,特别是污染物浓度突变时,预报能力较差,当天气形势稳定时,预报效果较好;CAPPS3模式浓度预报值较监测值有偏大和滞后的缺点;相关系数及综合评分结果夏秋季最高,春季最低。CAPPS3总体预报效果较好,可提供有价值的指导预报,适合业务运行。     

CMA-GD模式江西省智能网格预报区域2 m气温预报误差分析

利用2020年6月1日—2022年5月31日CMA GD模式2 m气温预报产品（预报时效为13—36 h）和同期江西省智能网格预报区域内地面站气温观测资料,计算气温预报准确率、平均误差和均方根误差,并统计分析其时空分布特征。结果表明： 1）模式预报准确率在不同月份、起报时次存在差异,暖季总体较高,冷季总体较低;暖季08时起报产品的月准确率总体高于20时,冷季反之;秋、冬季旬准确率分布更离散。模式预报产品其准确率明显低于中央气象台和江西省气象台订正产品,需订正后使用。08时起报产品对寒潮的预报效果优于20时。2）气温预报年误差分布存在日变化,最大值出现在08时,最小值出现在15时;年均方根误差峰值出现在15时和06时,白天大于夜间。3）冬季平均误差多为正值,夏季为负值,春、秋季平均误差大小界于冬、夏季之间;白天时段夏季均方根误差最大,夜间时段冬季最大。4）气温预报年误差地理分布特征明显,平原地区预报值偏低,年均方根误差最小;丘陵和山区22 h时效预报值偏高,31 h时效偏低;高山站预报值偏高,年均方根误差最大。丘陵地区负误差最大,平原地区最小;山区正误差最大。     

华中区域环境气象数值预报系统及其初步应用

基于WRF/Chem大气化学模式建立了华中区域环境气象数值预报系统,初步应用在武汉市大气污染物浓度数值预报中,并与CUACE全国环境气象模式产品预报进行比较,最后通过试验探讨了一种大气污染调控方案。结果表明,模式系统较好地验证了武汉市大气污染物浓度日变化及空间分布特征,对PM10、PM2.5、SO2、NO2、CO浓度变化趋势及误差稳定性预报较好,平均绝对百分误差MAPE控制在20%~40%,冬季O3预报出现系统正偏差,但趋势预报较好。区域WRF/Chem模式对武汉市的大气污染物浓度预报效果要优于CUACE模式系统,可为武汉市空气质量预报提供更具有参考价值的模式指导产品。此外,试验探讨了污染源排放速率的优化调控方案,依据大气边界层高度日变化特征,通过动态调控一天中不同时段的污染源排放速率,调度日间最大排放至大气稀释扩散的有利时段,在不消减日排放总量的情况下,也可以减少大气污染。