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。     

呼和浩特市2015年冬季空气质量指导预报检验分析

文章对呼和浩特市2015年冬季(2015年11月—2016年1月)空气质量指导预报从单时次预报、逐日预报、过程预报3个方面进行了检验分析。检验分析表明:(1)单时次(08时)PM_(2.5)、PM_(10)等要素浓度预报偏差在可接受范围内,其中PM_(2.5)、PM_(10)、CO、NO_2、O_3、SO_2冬季平均绝对误差分别为52.99、68.21、1.25、17.89、26.93、23.76ug·m~(-3),且PM_(2.5)与PM_(10)误差变化趋势较为一致,其相关系数为0.91;单时次(08时)AQI预报准确率为72.94%。(2)逐日AQI检验误差65.41,AQI预报准确率为64%。(3)空气质量污染过程预报较为滞后,其中单峰型污染过程波峰预报时间滞后48~60h;双峰型污染过程中第一个波峰预报时间滞后60h左右,而第二个波峰滞后1d左右;持续性污染过程中波峰预报时间滞后约36h。     

环境气象业务数值模式预报效果对比检验

基于华北区域气象中心、华东区域气象中心、华南区域气象中心和国家气象中心环境气象业务数值模式2015年1—3月的预报结果,从能见度和空气质量两个方面对环境气象业务数值模式的预报效果进行了对比检验。结果表明:随着能见度降低,各数值模式的预报能力均逐渐下降,对于1 km的能见度,仅华北区域模式和国家级雾霾数值预报业务系统(CMA Unified Atmospheric Chemistry Environment,CUACE)模式表现出一定的预报技巧,其中华北区域模式和CUACE模式对北京本地24 h能见度预报的TS评分分别为0.20、0.10;CUACE模式总体能见度预报误差较各区域数值模式均偏大;CUACE模式和华北区域模式、华东区域模式、华南区域模式能见度预报值与观测值的相关系数普遍低于0.6。随着空气质量下降,各数值模式AQI的预报能力均逐渐下降;AQI为优等级时,各数值模式AQI预报的TS评分均较高,其中空气质量较好的华南地区空气质量等级预报的TS评分最高,为0.81;总体上24 h的AQI预报,区域模式优于CUACE模式;48 h和72 h的AQI预报,CUACE模式优于各区域模式。各数值模式PM_(2.5)浓度的预报值普遍较观测值偏低,华南区域模式24 h的PM_(2.5)浓度预报误差相对较小,华北区域模式和华东区域模式24 h的PM_(2.5)浓度预报误差相对较大;CUACE模式PM_(2.5)浓度的预报误差较各区域模式均偏大,CUACE模式PM_(2.5)浓度预报值与观测值的相关系数较各区域模式均偏低。     

基于BP人工神经网络法沈阳市PM_(2.5)质量浓度集成预报试验

基于CUACE(CMA Unified Atmospheric Chemistry Environment)和CMAQ(Community Multiscale Air Quality)空气质量模式预报产品,应用BP(Back-Propagation)人工神经网络法建立沈阳市不同地点小风和高湿条件下PM_(2.5)浓度集成预报模型,并对预报结果进行检验。结果表明:与单一空气质量模式相比,集成模型预报的PM_(2.5)浓度更接近实测值,预报的PM_(2.5)浓度的平均偏差和归一化均方误差均明显减小,预报的PM_(2.5)浓度的模拟值在观测值两倍范围内的百分比(FAC2)明显提高。集成模型能较好地预报PM_(2.5)浓度高值的变化,且显著提高了沈阳市外围城区PM_(2.5)浓度的预报水平。集成预报模型可以实现CUACE和CM AQ两种空气质量模式产品的最优综合,对空气质量的实时预报具有一定的参考价值。     

新标准下空气质量预报指导产品对比检验

为了解和掌握上级指导产品对石家庄市空气质量预报的适用性,进一步提高石家庄市空气质量预报的准确性,利用国家气象中心(NMC)、北京区域气象中心(BJ)和河北省气象局(HB)空气质量预报产品,对石家庄市夏季4种主要污染物PM_(2.5)、PM_(10)、O_3和SO_2的预报进行了对比检验,结果表明:1)NMC对4种污染物的预报效果均逊于HB和BJ的,对PM_(10)、PM_(2.5)和SO_2的预报值明显较实况偏大,尤其在发生重污染天气时,对PM_(10)和PM_(2.5)的空报率高达90%以上;2)HB对PM_(10)和SO_2的预报效果好于BJ的,对SO_2的预报值与实况值均在一个等级范围内,发生重污染天气时,对PM_(10)的预报效果好于BJ的,预报值更接近于实况,但对重污染向优、良转折天气的预报值偏高;3)BJ预报PM_(2.5)和O_3的效果好于HB的,对O_3的0级误差级别预报准确率高达90.5%,对PM_(2.5)优到轻度污染等级的预报效果较好,但对重污染天气的预报值低于实况。     

华中区域空气质量数值预报系统评估及气溶胶辐射效应的模拟研究

基于多种检验指标对2015年6月至2016年2月华中区域空气质量数值预报系统的6种污染物(PM_(10),PM_(2.5),SO_2,NO_2,CO,O_3)和AQI指数的预报结果进行检验评估,在确保模拟效果的基础上,通过敏感性试验研究区域气溶胶对地面气象要素的影响,结果表明:华中区域空气质量数值预报系统对湖北省6种污染物和AQI具有稳定且较好的预报效果。存在03预报较实况偏高,预报误差较大的问题,后期将通过误差订正来减小误差。对比CUACE模式预报效果表明,24～48 h的预报效果区域模式优于CUACE,72 h两个模式预报效果相当。气溶胶对地面气象要素具有一定的影响,对2015年1月9-12日的模拟过程而言,气溶胶的总辐射效应使地表接收太阳辐射减少7.740 W·m~(-2),2 m气温降低0.162℃,行星边界层高度降低16.457 m,相对湿度增加0.557%,10 m风速减小0.011 m·s~(-1),其中直接效应和间接效应各有一部分贡献,气溶胶对白天地面气象要素的影响比夜间大。由于区域接受太阳辐射减小、气温降低、行星边界层高度降低、风速降低、湿度增加有利于气溶胶吸湿增长等条件不利于污染物扩散,污染物浓度不断累积升高又促使气象条件的上述变化,由此产生了气象条件与大气污染之间的双向反馈作用。     

2014-2016年荆州城区空气质量与气象要素的关系分析

利用2014年1月1日—2016年12月31日荆州城区逐日空气质量数据和同期地面气象要素逐日观测资料,分析了荆州城区空气质量状况、变化特征及其与气象要素的相关性。结果表明,荆州城区优良日数偏少,但2014—2016年荆州城区空气质量略有改善,首要污染物为PM_(2.5);AQI和PM_(10)、PM_(2.5)、SO_2、NO_2、CO的月变化规律一致,呈V型分布,冬季空气污染最严重,夏季空气污染相对较轻,O_3的变化规律则相反,呈反V型分布;除O_3外,AQI和其他污染物浓度与前一日AQI、气压呈正相关关系,与气温、水汽压、湿度、云量、降水、风速呈负相关关系,据此建立了AQI和各污染物浓度的回归预报方程;进一步分析了2014年1月严重污染天气的成因,本地污染物的分布、外地污染物的输入和气象扩散条件是影响空气质量的主要因素。     

Models-3/CMAQ模式对郑州市大气污染物的预报分析研究

介绍了美国国家环保局第三代空气质量模式(Models-3)的主要组成部分:气象模式系统、排放模式系统以及公共多尺度模式系统(CMAQ)。并对郑州市SO2和NO2观测值与Models-3/CMAQ预报值进行对比分析,结果表明:模式可以模拟出郑州市SO2和NO2的同位相变化规律;预报值存在系统性偏低的现象;随着预报时效的延长,对SO2和NO2的预报效果逐渐变差。     

锦州市空气质量变化特征及其与气象条件关系

利用2014年3月至2015年2月锦州市逐日AQI、日平均污染物浓度和同期气象要素观测资料,对锦州市空气质量时空分布特征及其与气象条件的关系进行了分析.结果表明:锦州市空气质量等级为良的频率为62%,轻度污染的频率为23%,优的频率仅为6%,主要污染物为PM_(2.5)、PM_(10)、SO_2和O_3.锦州市2月和10月空气质量最差,9月空气质量最好,空气质量达优和良等级的日数占9月总日数的97%;锦州市天安街道空气质量最差,其SO_2浓度为百股街道的5倍.锦州市出现3级以上污染时的主要影响系统为地形槽、蒙古低压和弱气压场,降水对污染物具有清除作用,且对PM10的清除作用最明显;沙尘天气时空气污染明显加剧,逆温层抑制了污染物的扩散,逆温层底层高度越低,空气污染越严重.建立了AQI回归预报方程,拟合结果与实测值的变化基本一致,其中对春季AQI的拟合效果最好.     

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。      

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%。     

华南区域大气成分数值模式GRACEs预报性能评估

利用2016-2019年广东省国控站实况监测数据对华南区域大气成分数值模式系统(GRACEs)预报性能进行了综合评估。除空气质量指数AQI外,重点对PM_2.5、O₃及NO₂进行了分析评估。(1) 模式预报性能存在年际差异,对各要素的预报值总体偏低。(2) 模式预报能较好地反映空气质量的空间分布,PM_2.5中心在珠三角西北部,而O₃-8 h高值区在珠三角核心区和粤东沿海,但模式对O₃-8 h高值区存在显著预报低估现象。(3)模式可较好地模拟出PM_2.5月变化的单峰型特征和O₃-8 h月变化双峰型特征,但模式对AQI的秋冬季主峰值和春季次峰值的预报存在低估,分别与模式对O₃-8 h、PM_2.5的低估有关。(4) 模式能较好体现O₃的午后峰值和NO₂双峰值的日变化规律;模式对O₃前体物NO₂的预报偏差,有可能是导致随后几小时对O₃浓度预报偏差的重要原因。(5) 日平均浓度预报效果检验显示模式可较好预测AQI和3种污染物的变化趋势,但对夏秋季高O₃-8 h浓度预报显著偏低;模式对轻度污染及以上等级预报能力偏低,亟需提升模式对污染天气的预报能力。      

武汉市空气质量状况与气象条件的关系

基于2013年武汉市环境监测数据和气象要素资料,分析该市空气质量状况与气象条件的关系。结果表明,武汉市全年平均空气质量指数(AQI)为135,良和轻度污染所占比例分别为35%和30%。雾天、霾天、晴天、雨天四种天气条件下,6种污染物(SO_2、NO_2、CO、O_3、PM_(2.5)和PM_(10))浓度值基本上为雾天最高、霾天次之、晴天再次之、雨天最低,雾天00—08时污染物浓度明显高于其他天气条件;PM_(2.5)浓度与降水量的相关性较差,中雨量级时,降水对污染物的清除作用显著,PM_(2.5)浓度下降明显,当日降水量小于1 mm时,PM_(2.5)浓度略有上升,平均上升1.3μg·m~(-3)左右,这与微量降水的大气增湿作用有关;PM_(2.5)浓度变化与相对湿度(RH)和风速的关系较明显,其相关系数分别为0.87和-0.72,当RH70%且每增加10%时,PM_(2.5)浓度增加10μg·m~(-3)左右;静风和风速很大时,污染物浓度相对较高,东南风影响下PM_(2.5)浓度在四季均较高,而秋、冬季在西北风影响下PM_(2.5)浓度最高;PM_(2.5)浓度主要增长阶段以正变温、负变压为主。     

Models-3/CMAQ模式对郑州市大气污染物的预报分析研究

介绍了美国国家环保局第三代空气质量模式(Models-3)的主要组成部分:气象模式系统、排放模式系统以及公共多尺度模式系统(CMAQ).并对郑州市SO2和NO2观测值与Models-3/CMAQ预报值进行对比分析,结果表明:模式可以模拟出郑州市SO2和NO2的同位相变化规律;预报值存在系统性偏低的现象;随着预报时效的延长,对SO2和NO2的预报效果逐渐变差.     

APEC会议期间北京地区大气污染物的分析研究

该文利用北京市通州区环保局、北京市环境保护监测中心自动检测网络站点数据及NCEP(1°×1°)再分析资料,分析了2014年北京APEC会议期间各污染物浓度值的变化,分析表明:管控期内PM_(2.5)、NO_3浓度下降明显。PM_(2.5)、NO_2呈现双峰现象,O_3、SO_2呈现单峰态。同时,北京市人口稠密区夜间PM_(2.5)污染较为严重,仍需控制NO_2的排放量。并探究管控措施实施效果,为今后重大活动空气质量保障提供参考。     

江苏淮安地区大气污染变化特征及其与气象条件的关系

采用江苏省淮安市地面5个监测站2013年1月1日—2015年12月31日PM_(10)、PM_(2.5)、SO_2、NO_2、CO、O_3逐日质量浓度资料及同期气象资料,统计分析了该地区空气污染季节变化特征及其与气象条件的关系;采用MODIS的光学厚度AOD(Aerosol Optical Depth)资料和火点资料分析了2013年12月发生在淮安的一次持续性大气污染事件。研究结果表明,淮安空气质量AQI指数(Air Quality Index)在春冬季较高,夏秋季较低,污染天气发生在春冬季的概率为23.6%,夏秋季的概率为13.3%。淮安地区的首要大气污染物为颗粒物污染,其中PM_(10)、PM_(2.5)占比分别达到25.2%、48.9%,PM_(10)中PM_(2.5)比率年平均为61.0%,臭氧是第2大污染物,占比为25.8%。表征大气柱气溶胶浓度的AOD的季节变化与地面颗粒物浓度截然不同,颗粒物浓度1月和12月出现极高值,而这两个月AOD月平均值却在一年中达到极低值,AOD最高值出现在7月。另外,AQI与降水、气温、风速、相对湿度呈负相关关系,但相关程度较弱。     

CUACE系统在乌鲁木齐空气质量预报中的效果检验

采用2013年12月1日—2014年2月28日空气质量观测数据,对CUACE系统在乌鲁木齐空气质量预报中的效果进行离线检验。结果表明,在污染物浓度和空气质量分指数方面,NO2的预报效果优于PM10和PM2.5,28 h预报时效的预报效果优于52 h预报时效;在首要污染物预报结果中,28 h预报时效的总体预报效果优于52 h,28 h预报时效中PM2.5预报正确率为65%;从空气质量等级的预报效果来看,28 h预报时效与52 h预报时效无明显差别,对NO2和PM10的预报准确率达到100%,对PM2.5三级预报准确率达到90%以上,对二、四级预报准确率在70%～80%之间,对五、六级重度污染预报值偏低两个级别或以上。     

降水对重庆市大气污染物浓度的影响分析

利用2013—2015年逐日沙坪坝气象站气象及临近的环境监测数据,探讨降水对重庆市大气污染物浓度的影响,结果表明:PM_(2.5)、PM_(10)、SO_2浓度随降水量增加逐渐降低,降低趋势线较为明显,降低幅度为SO_2的 PM_(10)的PM_(2.5)的;NO_2和CO随降水量增加减少趋势不明显;O_3浓度随降水量的增加而逐渐增加。各类大气污染物在不同量级降水量时变化特征有所不同。在降水量小于1 mm时,弱降水的气象条件更有利于污染物的积累,不利于污染的稀释扩散和沉降,空气质量恶化;大于1 mm后,降水对各种大气污染物均有明显的清除作用,清除能力随着降水量级的增加而增大,在降水量大于10mm后湿清除能力明显提升,降水量大于20 mm时湿清除能力最强,粗细颗粒与雨滴碰并效应增加,降水对PM_(10)和PM_(2.5)的湿清除率分别达30%和25%。连续降水时,各季节降水对各类大气污染物的湿清除能力不尽相同:冬季降水对PM_(2.5)湿清除作用最为明显,对其余污染物清除作用从大到小依次为PM_(10)、SO_2、NO_2、CO,而O_3在冬季降水使O_3浓度增加非常明显,通常冬季臭氧浓度相对较低,降水一定程度上使冬季空气质量变好,太阳辐射增加,二次污染物光合作用增强,臭氧浓度也一定程度上增加。     

贵州西南三地空气质量特征及预报研究

该文选取2015—2017年贵州西南3地(黔西南、安顺、六盘水)的环境空气质量监测和气象要素观测资料,运用统计、相关和多元线性逐步回归3种分析方法,掌握了3地环境空气质量指数和污染物特征,以前日空气质量指数近似替代未知污染源和显著相关气象因子作为自变量,对3地分季节建立空气质量指数预报模型,并进行了效果检验。结果表明:贵州省西南3地空气质量优良,黔西南州空气质量最优,安顺市次之;3地AQI月均值6月最低,安顺市、六盘水市和黔西南州最高分别出现在12、1和2月;优、良等级年际变化安顺市分别呈波峰和波谷特征,六盘水市与其反向变化,黔西南州为线性正、负变化;安顺市、六盘水市和黔西南州主要污染物分别为O_3、PM_(2.5)和PM_(10);3地AQI模型预报值与实况的变化趋势较为一致,春、夏季效果最好,综合评分在90%以上,具有预报业务应用价值。     

哈尔滨市空气质量特征及其与气象要素的关系

利用哈尔滨市2014—2016年逐日空气质量指数(AQI)数据,结合同期气象观测资料,分析了哈尔滨市空气质量的变化特征、主要污染物及与主要气象要素之间的关系。结果表明:近3 a间,哈尔滨空气质量为良级别的天数最多,占47%,达到污染级别的天数占31%,2016年空气质量最佳,优良级别的天数达到284 d,占全年78%;春夏季AQI指数较低,秋冬季AQI指数明显偏高,9月空气质量全年最佳,1月空气质量最差; PM_(2. 5)是造成哈尔滨空气污染的最主要污染物,其次是PM₁₀、NO_2和臭氧8 h(O3-8 h); AQI与气压之间以正相关为主,秋冬季最为显著;与风速主要表现为负相关,冬季尤为显著;与气温的关系受到采暖的干扰差异较大,年尺度及秋冬季呈负相关,月尺度呈正相关;与降水日数呈负相关;与相对湿度冬季表现为显著正相关,而5—9月为负相关。