降水过程中气象条件对郑州市区气溶胶浓度的影响

利用郑州大气成分站的气溶胶浓度资料和气象资料,对郑州市区PM10、PM2.5、PM1浓度的日变化和月变化特征进行了分析,并对气温、降水、风速、气压等气象要素在降水过程中与气溶胶浓度的关系进行相关分析,结果表明,气溶胶浓度与气压呈正相关,与气温、降水量、风速等气象要素呈明显负相关,且随季节变化有所差异。     

降水过程中气象条件对郑州市区气溶胶浓度的影响

利用郑州大气成分站的气溶胶浓度资料和气象资料,对郑州市区PM10、PM2.5、PM1浓度的日变化和月变化特征进行了分析,并对气温、降水、风速、气压等气象要素在降水过程中与气溶胶浓度的关系进行相关分析,结果表明,气溶胶浓度与气压呈正相关,与气温、降水量、风速等气象要素呈明显负相关,且随季节变化有所差异。     

肇庆城区空气污染EOF分解及与气象要素的相关性分析

选取2016年肇庆市城区3个空气质量监测站的污染物日平均质量浓度资料和2016年高要观测站逐日气象要素的数据,采用EOF分解和软件SPSS19对污染物浓度与气象要素进行相关性分析。结果表明:2016年污染物质量浓度超标率春季与夏季和秋季存在较大的差异性,影响肇庆市城区2016年夏季的主要污染物为PM2. 5,坑口子站空气质量较差;风速对PM2. 5质量浓度的相关性较好,风速越大,PM2. 5质量浓度越小。     

2000～2002年北京市城市大气污染特征分析

通过对 2 0 0 0年 1月至 2 0 0 2年 1 2月北京市城市大气污染物SO2 ,PM1 0 ,NO2 的分析发现 :北京市主要污染物是SO2 和PM1 0 。SO2 污染月份主要发生在 1 1月至次年的 3月 ;PM1 03级以上的日数全年都有分布 ,但 4级和 5级的日数主要发生在春季和冬季 ;NO2 主要污染月份发生在 1 0月至次年的 3月 ;大多数污染物以 2 0 0 0年最为严重。对污染资料进行MHAT小波分析发现 ,北京市大气污染存在两个明显的周期波动 ,即 2 0～ 30天周期和准 5天周期 ,这说明北京市污染物浓度短期变化主要受到天气过程及大气低频振荡的影响 ,该文进一步计算了 2 0 0 0年污染资料与气象资料的相关关系发现 ,北京市污染物与日平均气温、日平均风速、每日 1 2 :0 0 (北京时 )温度梯度、相对湿度存在明显的相关关系 ,且不同的气象要素对不同的污染物浓度影响不同。     

潮州市大气污染物与气象要素的关系

利用2006年潮州市地面气象观测资料和大气污染物浓度数据,分析了潮州市污染物的时空变化特征、污染物浓度月变化与气象要素变化关系以及污染典型日的气象因素。研究发现:潮州市的主要污染物为可吸入颗粒物(PM10),PM10全年的超标率为7.5%,空气质量夏半年优于冬半年;PM10污染物浓度月变化与地面气象要素有较高的相关性;在污染物典型日中,气象要素也是主要的影响因子。     

基于BP人工神经网络的鹰潭市PM2.5和PM10浓度预测模型

利用2015—2019年鹰潭市5个大气成分监测站数据和气象站地面观测数据,运用主成分分析法,提取气象要素、气体污染物对PM2.5和PM10浓度影响的主要成分,调整BP人工神经网络的隐藏层个数和隐藏层节点数,构建基于BP人工神经网络的鹰潭市PM2.5和PM10浓度预测模型。结果表明：1） 气象要素中,共提取3个影响PM2.5、PM10浓度的主成分,分别为相对湿度、降水,气温、气压和风速,其中湿度、气温、风速与PM2.5、PM10浓度显著相关。2） 气体污染物中,共提取2个主成分,分别为SO2、NO2和O3,其中NO2、SO2与PM2.5、PM10浓度显著相关。3） 所建立的PM2.5、PM10浓度逐小时预测模型在20 h内预测性能良好,预测准确率分别为88%、86%,逐日预测模型在5 d内的预测性能良好,预测准确率分别为94%、92%,准确率较高,具有良好的预报性能。     

番禺秋季气溶胶浓度的变化与气象条件的关系

利用2004年9～11月在番禺区气象局采集到的气溶胶质量浓度资料和同期的气象资料,分析了番禺秋季气溶胶质量浓度变化及其与气象条件的关系。结果发现：番禺秋季大气污染物主要是PM10,PM10中以细粒子（PM2.5）为主,而且污染严重;气溶胶污染严重时大气层结稳定,污染高值主要出现在西北气流和东北气流的共同影响下,受周边环境的影响明显;PM（PM10和PM2.5）浓度超标日的天气过程主要出现在台风外围环流云系的影响下;气溶胶对能见度的影响较大,二者负相关明显。     

日照市区PM10污染物特征及其与气象要素的关系

对2002年1月1日～2002年12月31日日照市环境监测中心提供的PM10（可吸入颗粒物）日平均浓度资料和对应时段的日照市地面气象资料做了深入的分析，揭示了污染物PM10变化特征及其随气象要素的变化规律。同时分析了主要污染物PM10与地面风速、风向间的相关关系，发现日照市大于等于3级的PM10污染日均出现在1-4月，地面风速对污染物PM10浓度有一定影响，当地面风速超过5m／s时，3级及以上污染日很少出现，当地面风速超过6．5m／s时，随着风速的提高，污染物浓度呈下降趋势。污染物浓度呈明显的季节变化，冬、春季节明显高于夏、秋季节。     

秸秆燃烧对北京秋季气溶胶浓度和短波辐射影响的模拟研究

利用地面细颗粒物（PM2.5）浓度和气象常规观测资料、地基 AERONET观测资料、GFED生物质燃烧排放清单和大气化学—天气耦合模式WRF-Chem,模拟研究了华北地区2014年10月气象要素和大气污染物的时空演变,重点关注北京10月7～11日的一次重霾事件及其天气形势、边界层气象特征、输送路径、PM2.5及其化学成分浓度变化等特征,以及秸秆燃烧对华北和北京地区细颗粒物浓度和地面短波辐射的影响。与观测资料的对比结果显示,模式可以很好地模拟北京地区地面气象要素和PM2.5质量浓度,考虑秸秆燃烧排放源可以明显改进北京PM2.5浓度模拟的准确性,但在重度污染情况下,模式总体上低估气溶胶光学厚度和高估地面短波辐射。10月7～11日北京地区重霾事件主要是不利气象条件下人为污染物累积和区域输送造成,也受到华北地区南部秸秆燃烧的影响。河南北部、河北南部和山东西部大面积秸秆燃烧释放的气态污染物和颗粒物在南风的作用下输送至北京,秸秆燃烧对北京地区地面PM2.5、有机碳（OC）、硝酸盐、铵盐、硫酸盐和黑碳（BC）的平均贡献率分别为24.6%、36.8%、23.2%、22.6%、7.1%和19.8%,秸秆燃烧产生的气溶胶可以导致北京地面平均短波辐射最大减小超过20 W m－2,约占总气溶胶导致地表短波辐射变化的24%。     

气象条件对呼市初冬空气污染的影响

通过对2003年11月呼和浩特市气象站的常规气象资料和同期天气图资料与环境监测站自动监测系统的污染物(SO2、NO2、PM2)浓度资料进行分析,并计算了污染物浓度与气象条件的相关系数。结果表明：空气污染物浓度的变化与气象条件有显著的相关关系,不同的地面和高空天气形势对应空气污染浓度不同。     

邢台沙河市冬季大气污染特征与潜在源区分析

为了解邢台沙河市冬季大气污染特征,选取2017年12月至2018年2月沙河市区3个省控站点（司法局、市政府、宣传中心）的逐时监测数据,分析了沙河市主要污染物的时空分布特征和潜在源区。污染物浓度特征分析表明:整个冬季司法局、市政府和宣传中心站点的细颗粒物（PM2.5）平均浓度分别为118.0 μg/m3、121 μg/m3和135 μg/m3。在大气自然活动和人为污染排放的共同作用下,PM10、PM2.5、SO₂、NO₂和CO均有明显的日变化特征。整个冬季沙河市的ρ(PM2.5)/ρ(PM10)、ρ(SO₂)/ρ(NO₂)均值分别为0.57和1.05（ρ为各物质的浓度）。且随着污染加重,ρ(PM2.5)/ρ(PM10)、ρ(SO₂)/ρ(NO₂)均明显升高,表明燃煤贡献增加;污染物空间分布特征分析表明:位于3个站点东北处的玻璃企业产生的污染物可能对监测站点造成了一定影响。污染物空间差异分析表明,区域污染范围越大、强度越高,大气污染的空间差异性越小;潜在源分析表明:沙河市PM2.5的强潜在源区分布在其周边区域,随着PM2.5浓度增加,强潜在源区呈缩小趋势。沙河市东南部的本地源对PM2.5浓度有主要贡献,而此处正是玻璃企业的聚集地。     

北京一次持续霾天气过程气象特征分析

2013年1月10-14日,北京平原地区出现了水平能见度在2 km以下、以PM_2.5为首要污染物、空气质量持续5 d维持在重度以上污染水平的霾天气。综合分析此次霾天气过程的天气形势、北京地区常规和加密气象资料以及城郊连续观测的PM_2.5浓度资料。结果表明：此霾过程期间,北京高空以平直纬向环流为主,受西北偏西气流控制,没有明显冷空气南下影响北京地区,地面多为不利于污染物扩散和稀释的弱气压场;大气层结稳定、风速小(日平均风速小于2 m·s^-1)、相对湿度较大（日平均相对湿度在70 %以上）、逆温频率高强度大,边界层内污染物的水平和垂直扩散能力差;北京城区及南部的京津冀地区人类活动排放污染物强度大,在相对稳定和高湿的天气背景下,受地形和城市局地环流的影响,北京本地污染物累积和区域污染物输送以及PM_2.5细粒子在高湿条件下的物理化学转化等过程共同作用造成此次北京城区及平原地区污染物浓度快速增长并持续偏高,高浓度PM_2.5对大气消光有显著影响,造成低能见度和持续霾天气。     

南京一次暴雪过程大气污染特征分析

利用气象和环境监测资料分析2013年2月19日南京一次短时强降雪过程对各类污染源及污染物浓度的影响,并利用Pearson相关分析法分析不同污染物之间及污染物与气象要素之间的相关关系。结果表明：此次南京暴雪对面源影响最大,扬尘排放量几乎为零,流动源主要受机动车早晚高峰变化影响,工业点源受影响不大。此次暴雪过程后,南京空气质量达到优级,2013年2月19日AQI指数比18日与20日均下降35%,SO₂日变化仍呈单峰型,颗粒物及NO2日变化则未呈现早晚双峰变化。PM_2.5与PM₁₀、SO₂、NO₂、CO呈显著正相关,相关系数分别为0.979、0.663、0.837和0.875,说明污染物来源具有一定的同源性。污染物浓度与风速、相对湿度呈显著负相关,与温度、大气压强呈显著正相关。     

北京地区一次空气重污染过程的目标观测分析

针对北京市2016年12月16~21日的空气重污染过程进行了回报试验,探讨了该次事件预报的目标观测敏感区。使用新一代高分辨率中尺度气象模式（Weather Research Forecasting,WRF）和嵌套网格空气质量模式（Nested Air Quality Prediction Model System,NAQPMS）,针对初始气象场的不确定性,通过4套初始场资料识别了影响北京地区细颗粒物（PM2.5）预报水平的目标观测敏感变量及其敏感区。结果表明:当综合考虑初始气象场的风场、温度、比湿不确定性的影响时,发现改善黑龙江区域上述气象要素的初始场精度,对北京地区PM2.5预报不确定的减小最显著;当分别考察风场、温度、比湿的不确定性的影响时,发现初始风场精度的改善,尤其是黑龙江区域风场精度的改善,能够更大程度地减小北京地区PM2.5的预报误差,对北京东南地区的PM2.5预报误差的减小甚至可达到40%以上。因此,优先对黑龙江区域的气象场,尤其是该区域的风场进行目标观测,并将其同化到预报模式的初始场中,将会有效提高初始气象场的质量,进而大大减小北京地区PM2.5浓度的预报误差,提高北京地区空气质量的预报技巧。初始风场代表了北京地区该次空气重污染事件预报的目标观测变量,而黑龙江地区则是该目标观测的敏感区域。     

北京市房山区大气污染物时空分布特征及气象影响因素分析

利用北京市房山区良乡镇和琉璃河镇内的区域自动气象站和环境监测站观测数据,对2013年至2015年PM_(2. 5)、PM_(10)、NO_2、SO_2、CO 5种大气污染物浓度变化特征进行了统计分析。结果显示,近3年来,两个镇综合污染物指数呈现逐年下降趋势,各污染物对房山区整体大气污染的贡献率从大至小依次为PM_(2. 5)、PM_(10)、SO_2、NO_2、CO,PM_(2. 5)已取代传统大气污染物SO_2成为房山区的主要大气污染贡献体。两个站点各污染物浓度均表现出明显的季节、月、日变化特征。在不同季节条件下,局地气象要素与污染天气发生概率之间有着很好的相关关系。因此,可根据气象要素分级方法找出各季节污染天气发生时最敏感的气象因素,为局地污染天气预报提供参考指标,也为防范空气污染、制定科学的综合管理措施提供科学参考。     

影响北京大气污染物变化的地面天气形势分析

首先对影响北京地区大气污染扩散的地面天气形势进行了分类，然后结合1998－2000年北京南郊观象台的地面、高空资料，重点分析了在各类地面天气形势控制下北京地区局地低空、地面的气象条件特征。发现当低压类地面天气形势控制时，容易引起污染物在北京地区的汇聚和累积。比较各类地面天气形势对二氧化硫（SO2）、二氧化氮（NO）、可吸入颗粒物（PM10）、一氧化碳（CO）浓度的影响，说明同一种天气形势对不同污染的影响程度不同，进一步证实了在低压类地面天气形势控制时，容易出现重污染。     

基于KZ滤波的京津冀2013～2018年大气污染治理效果分析

通过国务院“大气十条”等严格的大气污染治理措施的实施,近年来我国空气质量得到全面改善。对大气污染治理效果开展科学分析研究,可为后续空气质量持续改善、污染科学精准治理提供有效科技支撑。由于气象条件是影响污染物浓度分布的重要因素,治理效果分析的一个重要问题是区分气象条件和减排措施对污染物浓度变化的具体贡献。本文利用京津冀地区13个城市2013～2018年86个监测站点逐日PM2.5浓度以及欧洲中期气象预报中心（ECMWF）气象再分析资料,采用KZ（Kolmogorov–Zurbenko）滤波分析PM2.5浓度观测序列的时频特性,将其分解为短期天气影响分量、中期季节变化分量以及长期趋势分量3个部分,针对分解浓度序列建立气象因子回归模型,实现定量评估气象和减排对治理效果的具体贡献。在研究时间段内,京津冀地区13个城市PM2.5浓度的长期分量显著下降（22.2%～58.0%）,其中邢台市下降幅度最大（58.0%）。整体分析表明,气象条件和排放源均有利于大气污染的改善,但减排措施是空气质量显著改善的决定性原因,具体贡献为气象条件的影响占18.5%,排放源的影响占81.5%。逐城分析表明,唐山市的气象条件最有利于PM2.5浓度的减小（29.2%）,而衡水市的减排措施最有利于PM2.5浓度的减小（92.0%）。     

北京地区三级以上污染日的气象影响因子初步分析

依据2001—2007年北京市环境保护局公布的SO₂、NO₂和PM₁₀日平均空气质量等级大于或等于三级以上的污染日作为样本,统计分析了污染日3种污染物指数与同期南郊观象台（近郊区）的地面和探空气象要素的相关关系。同时采用Hysplit-4后向轨迹分析方法,对出现四级以上污染的重污染日污染源进行了初步探讨。结果表明：风向是造成上述3种污染物出现重污染的主要原因之一;污染日存在两重或多重逆温层,而且逆温层较低较厚,垂直对流和水平扩散作用较弱,湿沉降作用较小,因此污染物不易扩散和输送,堆积在近地面,造成重污染。北京西南、东南部地区以及沙尘暴过程内蒙古、河北北部是造成重污染天气的主要输送源地。研究结果可为北京重污染过程的预警预测及其综合防治提供科学依据。     

基于多元数据分析的我国PM2.5浓度及其主控因子的时空分布特征研究

基于2013~2016年空气质量监测台站资料,利用经验正交分解、功率谱分析、BP典型相关分析等多元数据分析方法解析了中国地区细颗粒物（PM2.5）主要模态的时空特征,并与排放源和气象场建立了相关关系,得到以下结论:中国地区PM2.5场存在两个主要模态,其中第一主模态为一致增加模态,强度中心位于西北地区东部—华北南部地区;其时间序列呈显著下降趋势。第二主模态主要表现为南北反向变化的偶极子型分布,其大值区分别位于华北中南部和长江中下游地区。其中,PM2.5第一模态可以看作平均态,主要受平均排放场和环流场及大地形的影响,在北方的表现更为显著。PM2.5第二模态可看作偏离平均场的一种变化态,在冬季更可能和冷空气活动有关。冷空气的强弱决定了污染累积的位置以及输送的方式,其作用是使得南方的污染明显偏离平均态,故第二主模态在南方的表现更为显著。本研究有效地利用了多元数据分析方法研究了我国大气污染的演变机理,可为进一步认清大气污染的形成规律提供科技支撑。