玉溪空气负氧离子预测模型的建立

利用玉溪市九县区14台空气负氧离子自动测报系统实时观测数据和同步气象要素观测资料,使用相关分析、回归分析等方法,分析了影响空气中负氧离子浓度的主要气象因子,以及影响因子与空气负氧离子浓度的关系,并建立预测模型。结果表明,玉溪市空气负氧离子浓度年变化、季节变化与各气象因子之间无显著的相关关系。影响玉溪空气负氧离子浓度日变化的主要气象因子为空气相对湿度和空气温度。当空气温度20.4℃时,空气负氧离子浓度日变化与空气温度呈负相关关系。当空气湿度45.6%时,空气负氧离子浓度与空气湿度呈正相关关系。通过建立负氧离子浓度预测模型,实现了负氧离子预报的定量化。经检验,预报方程效果显著,在预报业务中具有参考价值。     

大连市紫外线辐射强度分析和预报方法研究

利用大连市2007年8月至2008年8月逐日紫外线观测资料,分析了紫外线辐射季、月和日变化特征及其与相关气象要素的关系。结果表明：大连市紫外线辐射强度具有明显的季节变化,夏季最大,春季次之,冬季最小。各季节紫外线辐射强度的日变化同位相,均为正午呈大致对称分布。无论何季节,日照总时数、14时能见度和太阳高度角均为影响大连市紫外线辐射强度的关键因素。同时,详细分析了雾对辐射强度的影响。并运用逐步回归方法,求得各季节紫外线辐射强度的预报方程,实现了预报的定量化。     

汉中负氧离子浓度分布特征及预测

利用汉中市宁强千山和略阳象山2018—2021年的负氧离子观测资料和同期的地面气象观测资料,分析了两地的负氧离子浓度分布特征,采用机器学习方法建立了负氧离子浓度预测模型。结果表明：汉中宁强千山和略阳象山的负氧离子浓度逐年增高,两地负氧离子浓度的季节和月份变化趋势基本一致。夏季的负氧离子浓度最高,冬季最低;8月最高,1月最低;日变化呈单峰趋势。温度和相对湿度与负氧离子浓度变化有密切关系。利用2022年1—6月资料对预测模型进行验证,宁强千山、略阳象山空气清新度等级预测准确率达到762%、732%,预报效果较好,可应用于两地的空气清新度预报业务。     

峨眉山景区负氧离子浓度变化特征及预测模型研究

基于2015年9月至2016年8月峨眉山景区的负氧离子浓度和空气质量指数(Air Quality Index,AQI)的监测资料及气温、相对湿度及降水量的观测资料,分析了峨眉山景区负氧离子浓度的季节变化特征及其与相关气象要素的关系,并建立了适用于峨眉山景区的负氧离子浓度预测模型。结果表明:2015年9月至2016年8月峨眉山景区负氧离子浓度达到森林空气负离子二级标准,且具有明显的季节变化特征,秋季负氧离子浓度最高,春和夏季次之,冬季负氧离子浓度最低。AQI、气温和降水量是影响峨眉山景区负氧离子浓度的关键气象因素,秋季温度适宜、降雨充沛、空气湿润及植物生物量大等为负氧离子浓度较高的原因,冬季混交林落叶树木的落叶和植物生物量降低、降雨较少及空气干燥等为负氧离子浓度较低的原因。运用S模型建立的峨眉山景区负氧离子浓度的预测模型为:y=exp(1.4552/x+7.5988),模型预测效果较好;插值逼近的负氧离子浓度三维预测模型的决定系数为1,模型拟合效果较好,可以清晰地反映峨眉山景区负氧离子浓度与解释参数之间的规律。建立的峨眉山景区负氧离子浓度S预测模型可以预报负氧离子浓度,负氧离子浓度三维预测模型可以用于负氧离子浓度分析预报系统的设置,更适用于峨眉山景区负氧离子浓度的预测。     

承德北部空气负氧离子浓度特征及预报模型

为提升生态康养气象服务能力,探讨空气负氧离子浓度与气象环境关系,利用承德北部丰宁县2020年—2022年5月两个空气负氧离子站监测资料,以及同期的气象环境数据,统计分析了负氧离子浓度时间变化特征、与气象环境要素的变化关系及关键影响因素,建立了负氧离子浓度的气象预测模型。结果表明:丰宁城市公园、林区负氧离子浓度年均值分别为1358.7个/cm3、1955.8个/cm3,最大值分别为3867个/cm3、5845个/cm3,具有治疗和康复功效的自然环境条件;林区的负氧离子浓度明显高于城市公园,城市公园和林区负氧离子浓度月变化均呈“单峰”型分布,峰值分别出现在7月、8月,最小值均出现在1月;林区、城市公园负氧离子浓度日变化夜间大于白天,年内及春夏秋冬四季内的日变化呈“双峰”型分布,峰值分别出现在日出以前及日落以后,最小值出现在午后;城市公园、林区负氧离子浓度与气温、降水量、相对湿度、风速、日照及PM2.5、O3浓度的变化有关,影响负氧离子浓度的最关键的气象、环境要素为相对湿度、PM2.5,城市公园受气象、环境影响更大;利用多元回归方法,分别建立了城市公园和林区的负氧离子浓度气象预报模型,经检验,两个模型的预报准确率分别为77.6%、74.9%,拟合效果良好,可为森林康养及健康生活提供气象服务。     

福建省空气负氧离子分布特征及气象预测模型北大核心CSCD

负氧离子是评价空气新鲜和清洁程度的重要指标。利用2018—2021年福建省负氧离子观测站数据分析负氧离子浓度的时空变化特征,并采用多元线性回归方法、多元逻辑回归方法和LightGBM机器学习方法建立负氧离子浓度预测模型。结果表明:福建省负氧离子资源十分丰富,中海拔区(350~550 m)年平均负氧离子浓度最高,低海拔区次之,高海拔区最小。负氧离子浓度日变化特征呈一峰一谷型,04:00—06:00(北京时,下同)达到峰值,12:00—13:00达到谷值;中海拔区负氧离子浓度季节变化较大,季节平均浓度从大到小依次为春季、夏季、冬季、秋季,而高、低海拔区季节变化相对较小。福建省不同海拔地区负氧离子浓度与湿度、降水和能见度均呈显著正相关,负氧离子浓度与气温、风速和气压显著相关,但不同海拔地区的相关性有所不同。机器学习方法对不同海拔地区负氧离子浓度数值的拟合效果比多元线性回归方法有明显提升,对负氧离子浓度等级拟合的准确率比多元逻辑回归方法提高7%~12%,且在绝大部分等级上的准确率均高于多元逻辑回归方法。     

南京市SO2污染浓度时空分布特征及统计预报方法的研究

本文根据南京市六个空气污染浓度监测站的2001年6月至2005年7月的SO2污染浓度监测资料分析南京市SO2污染浓度的时空分布变化特征,结果为6个站浓度值有明显的季节变化特征,且在冬季容易出现南北相反的分布特征。针对目前常用的回归预报方法在选取气象要素时没有考虑其互相之间的相关性的缺点,本文提出了一种建立在EOF展开基础上的首先使预报因子正交化,再与逐步回归方程结合并且资料逐日更新的变系数的新型统计预报模型,经过实际预报检验,预报准确率比较高,有很好的应用效果。     

非常规气象要素在紫外线预报中的应用

利用吉林省业务运行的WRF模式,计算了与紫外线指数相关的气温、湿度、云量、风速等常规气象要素和地表向下的短波辐射通量、地面热通量、反照率等非常规气象要素,利用长春市紫外线观测资料,分析了紫外线辐射与常规和非常规气象要素的相关性。基于长春市紫外线观测实况,以常规气象要素、非常规气象要素、混合气象要素为因子,利用相同的统计建模方法,分别建立紫外线预报模型。结果表明:大气短波辐射等非常规气象要素与紫外线指数的相关性,明显高于气温、云量、比湿、风速等常规气象要素;应用非常规气象要素和混合气象要素的紫外线预报方程,显著优于常规气象要素;基于混合气象要素的紫外线预报方程,与基于非常规气象要素的预报方程比较,预报性能差异不大。此外,应用常规气象要素建立的分季节紫外线预报方程,其预报效果明显优于全年预报方程。应用非常规气象要素建立的分季节紫外线预报方程,与全年预报方程相比,预报效果差异不大。     

洛阳市城市环境气象监测预报服务研究

利用洛阳市环境监测资料和气象资料,分析了洛阳市污染物浓度的日变化、季节变化、年际变化规律,并分析了污染物浓度与气象因子的关系。在此基础上,通过回归分析预报方法、污染潜势预报方法、CAPPS模式预报方法对洛阳市3种主要污染物的浓度和级别进行了24 h和48 h预测,并建立了气象局与环保部门共享的气象和污染数据库平台,为双方今后的合作奠定了基础。     

广东省第4、5天分县气温预报及其误差分析

利用欧洲中心数值预报产品,采用完全预报方法(PP法)分季节建立广东省分县第4、5天最高、最低气温预报方程,并进行误差检验和分析.结果表明:误差大小有明显的季节差异,并具有一定的地域分布特点;最低气温的预报效果明显好于最高气温,夏秋季最低气温、夏季最高气温的平均绝对误差均小于2℃,具有较高的参考价值.逐日误差与天气密切相...     

湖北春季大气负氧离子浓度分布特征及与环境因子的关系

空气负氧离子浓度是衡量空气质量好坏的重要指标。选择湖北17个环境一致的国家气象观测站作为观测地点,采用符合国家及行业标准的设备,遵循负氧离子定义,开展了2014年湖北春季负氧离子浓度分布特征及与环境因子的关系分析。研究表明：湖北大气负氧离子浓度西部高于中东部,神农架林区的平均值最高,以武汉为中心的中、东部地区浓度普遍较低。负氧离子浓度的日变化为凌晨及清晨高,白天较低,傍晚后呈逐渐上升的趋势。负氧离子浓度与海拔、植被覆盖情况表现为正相关,与空气中的小颗粒物呈负相关,与气温、气压、相对湿度、风速及日照等气象要素相关性较为复杂,降水和雷电天气有利于负氧离子浓度的增加。     

基于气象因子的南京市冬季和夏季用电量预测研究

基于2014—2016年南京市常规气象逐时观测数据、逐日用电量和逐时用电负荷数据, 分析南京市用电量变化及其与气象因子的关系。结果表明: 南京市用电量7—8月、12月至翌年1月为两个峰值, 4月和10月为两个谷值, 年变化明显。四季均呈现显著“周末效应”。用电负荷一天内有两个峰值, 分别出现在10时和20时; 两个谷值, 一个谷值冬夏季在04时, 另一谷值冬季在14时, 夏季在18时。南京市用电量与气象条件的变化密切相关, 气象因子与用电量的关系在不同月份有所不同, 如夏(秋、冬)季气温日较差越大(小), 用电量越大; 7月、8月(10月至翌年3月)气温越高(低), 用电量越大; 冬季用电量受气象要素的影响程度总体低于夏季。冬季用电量主要受气温制约; 夏季用电量受气象要素的影响更为复杂, 除了气温, 还需综合考虑水汽、日照等因子。利用逐步回归法, 建立冬、夏季逐月日用电量气象预测方程, 方程中入选气象因子的存在明显的月际差异。不同月份分别针对性地考量入选气象因子的预报值, 做出用电量预估, 可为电力调度提供参考。     

人体健康气象指数的设计及预报技术探讨

影响人类健康的疾病发生的直接致病因素可能并非气象要素,但这些控制疾病发生的因素却主要受制于气象要素,根据气象要素对疾病的影响规律可以设计出有利人类预防疾病、增进健康的气象指数.本文通过对大量的医疗和气象资料的统计分析,找出了一些疾病和气象要素的实际相关关系,得出疾病对气象要素的敏感度和依从性,并根据这些特性,探讨了人体健康气象指数的普遍性设计方法、分级原理和预报技术.文中还特别以急性上呼吸道感染为例作了详细介绍.     

金华市不同区域负氧离子浓度特征与气象环境因素相关分析

利用2019—2021年金华市空气负氧离子浓度和气象环境资料，研究不同区域（平原城区、平原公园、水边景区、山林景区）负氧离子浓度时空分布特征，分析人类活动最多的城区负氧离子浓度与气象环境因素不同时间尺度的相关性，以及不同天空状况的差异。结果表明：负氧离子浓度呈现平原低、山区高的分布特征，植被茂密、动态水流可增加负氧离子浓度和提高浓度等级。山林景区日出和日落前后负氧离子浓度较高，水边景区凌晨和午后出现高值，平原地区则在下午达到高峰。不同区域四季日变化趋势整体较一致，但不同季节负氧离子浓度峰值大小、日较差和出现峰值时刻存在差异。四季不同区域负氧离子浓度有所差异，主要表现为6—9月高，其中尤以8月山林景区为最。负氧离子浓度与气象环境因素的相关性在不同时间尺度上差异较大：时尺度上与气温、风速、雨量和O3呈显著正相关，而与PM2.5呈显著负相关。四季看，负氧离子浓度春季与风速相关性最高，夏季为气温，秋季为O3，冬季为PM2.5。日尺度上则与相对湿度、风速、雨量呈显著正相关，与PM2.5和O3呈显著负相关，且雨天负氧离子浓度明显高于其他天空状况，差异在冬季达最大。     

气象因素对常州市区PM2.5浓度影响

利用2016—2018年常州市区环境空气细颗粒物数据,结合同期地面气象资料,分析了常州市区PM_2.5以及气象因素的变化特征,并统计分析气象因素对PM_2.5浓度的影响。结果表明：常州市区PM_2.5、降水量、相对湿度和气温等具有明显季节性,呈夏季较高冬季较低,而气压夏季较低冬季较高的特征。相对湿度与PM_2.5呈正相关,即随着相对湿度的增加PM_2.5超标率和平均浓度均增加;降水对PM_2.5具有一定的清除作用,清除率与降水前PM_2.5浓度、降水量、降水强度有关,降水量、降水强度越大,则降水清除效果越好,而降水前PM_2.5浓度较小,则清除率不明显;常州市区偏西风时PM_2.5的超标率和平均浓度较其他风向较高;风速对常州市区PM_2.5的影响呈负相关,即风速越大PM_2.5超标率和平均浓度均减小;常州市区地面天气形势可以分为两种类型,第一种类型表现为气压较低气温较高,PM_2.5超标率以及平均浓度相对较低,而第二种类型表现为气压较高气温较低,PM_2.5超标率以及平均浓度相对较高。     

沙尘天气频率与相关气象因子的关系

基于北京及其周边14个国家基本气象站1971—2000年气象资料的相关分析,指出风速、相对湿度是影响沙尘天气的关键气象因子,用这两个气象因子构建了月沙尘气象指数。月沙尘气象指数与沙尘天气频率具有较一致的周期性,沙尘天气日的沙尘气象指数是非沙尘日指数的倍数关系。另外,根据月沙尘气象指数在不同月份的分布特征,给出了相应的季节性气象指数计算方法,对14个站计算的结果显示,季节性气象指数与沙尘天气频率有很好的线性关系,这种线性关系具有明显的区域特征。     

2013—2018年大连中心城区臭氧时空变化及其影响因子分析

基于2013—2018年大连中心城区O_(3)监测数据和气象数据,分析了该区O_(3)污染时空变化特征及气象要素对O_(3)污染的影响。结果表明:2013—2018年大连中心城区O_(3)已经逐渐成为最主要的大气污染物之一。O_(3)年平均浓度由2013年的66.66μg·m^(-3)上升至2018年的101.62μg·m^(-3)。秋季和夏季是大连O_(3)浓度较高的季节,其次是冬季和春季。O_(3)最高浓度月份主要为5月、6月及9月。O_(3)浓度日变化呈明显的单峰状,从上午08时开始增加,在下午14—16时达到最高,白天浓度高于夜晚。O_(3)污染物在2013—2017年从大连中心城区的西南向东北扩散。大连中心城区O_(3)与其他5种大气污染物均存在不同程度的负相关,与气温呈显著正相关,与相对湿度、气压及风速相关性较差。有利于大连O_(3)污染天气的气象条件主要为高气温(>30℃)、低湿度(≤80%)、低风速(1.5—2.0 m·s^(-1))、北风风向和长日照时间。高污染日的出现可能是受高温天气与本地逐渐增加的排放物共同影响。