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%。     

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。     

降水对河北沧州大气污染物质量浓度的影响

基于2014—2019年河北沧州逐小时气象与环境监测数据,采用风力+背景浓度订正方法,进一步探讨降水对大气污染物浓度的影响。结果表明:风力+背景浓度订正方法可以较好地消除污染物浓度自身的日变化特征,并剔除了风的影响,从而更准确地获取降水对大气污染物浓度的影响。在风力+背景浓度订正条件下,降雨对PM_(2.5)、PM_(10)、NO_2、O_3有较好的清除作用,而对SO_2、CO的清除作用不明显。不同强度降雨对PM_(2.5)、PM_(10)、NO_2均具有较好的清除作用,且清除率随着雨强的增强而增大;雨强小于8.0 mm·h~(-1)的降雨对O_3有显著清除作用,而大于6.0 mm·h~(-1)的降雨对SO_2有清除作用。伴随着降雨的持续,PM_(2.5)、PM_(10)、NO_2、O_3质量浓度不断下降,降雨清除效率也随之降低,当污染物质量浓度降至一定阈值后降雨清除作用不明显。     

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。     

长三角地区城市O_3和PM_(2.5)污染特征及影响因素分析

O_3和PM_(2.5)是影响长三角地区空气质量的主要污染物。利用2016年33个城市大气环境监测站6项污染物的小时浓度及4个省会城市的气象数据进行统计分析,研究了该地区O_3和PM_(2.5)浓度的时空分布特征及其影响因素。结果表明:长三角地区O_3年平均浓度为50～73μg·m~(-3),平均为61μg·m~(-3);除芜湖和宣城外,其余31城市均存在不同程度的超标状况,超标率为0.34%～18.86%,平均为5.68%。O_3在5月和9月达到浓度高值;四季O_3日变化均呈单峰型,峰值出现在15∶00,夏季O_3峰值浓度最高值为157μg·m~(-3)。O_3浓度沿海城市整体高于内陆城市;夏季宿迁—淮安—滁州片区O_3污染较重。O_3与NO_2、CO显著负相关,且与NO_2相关性较强;O_3与气温、日照时数显著正相关,与相对湿度、降水呈负相关。PM_(2.5)年平均浓度在25～62μg·m~(-3)范围内,平均为49μg·m~(-3);各城市均出现PM_(2.5)超标,滁州PM_(2.5)超标率最大,为23.91%。PM_(2.5)在3月和12、1月达到浓度峰值;其日变化呈双峰型,09∶00—10∶00和22∶00—23∶00达到峰值。冬季徐州PM_(2.5)浓度最高,为102μg·m~(-3)。PM_(2.5)与NO_2、CO、SO_2、PM_(10)显著正相关,与气温、风速、降水负相关。     

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。     

长顺县空气质量及气象要素对主要大气污染物的影响

该文利用长顺县2016年1月—2018年7月共868组气象要素资料及空气质量资料,分析了长顺县空气质量状况及气象要素对主要大气污染物的影响。监测期间长顺空气质量等级Ⅰ、Ⅱ日数和占总体的97.7%,轻度污染日数占比为2.5%,空气质量良好。长顺县主要大气污染物依次为PM_(2.5)(36.8%)、O_3(33.8%)、PM_(10)(30.4%)。主要大气污染物与气象要素的相关性不尽相同,日平均气温和日相对湿度对主要大气污染物的影响比日累计降水量、日平均风速大。主要大气污染物与气象要素间的逐步回归方程组模型预报准确率较好。     

德州市PM_(2.5)与PM_(10)浓度特征分析

通多对德州PM_(2.5)和PM_(10)浓度特征分析得出:德州PM_(2.5)和PM_(10)浓度年平均值分别为82.3μg/m~3和144.3μg/m~3,PM_(2.5)和PM_(10)浓度明显超过二级标准。PM_(2.5)占PM_(10)的63%,二者呈明显的正相关,相关系数为0.8695。一天内,PM_(2.5)和PM_(10)浓度呈双峰型,最大值出现在8-10时,其次出现在22时;最低值出现在17时。一年内,4~9月PM_(2.5)和PM_(10)浓度较小,8月份最小,PM_(2.5)浓度月均值为44.1μg/m~3。10~次年3月,PM_(2.5)和PM_(10)浓度较大,12月份最大,PM_(2.5)浓度月均值为201.2μg/m~3。统计发现:降水、绿色植被、水域能有效降低PM_(2.5)和PM_(10)浓度。     

四川雅安三种主要大气污染物浓度与气象条件的关系及其预测研究

基于四川雅安城市空气质量预报和大气污染防控的需求以及冬季以颗粒物(PM_(2. 5)和PM_(10))污染为主、夏季以臭氧(O_3)污染为主的特点,本文利用雅安市2015-2018年空气污染监测数据以及同期气象观测资料,重点分析雅安市空气污染物PM_(2. 5)、PM_(10)和O_3浓度变化特征的基础上,利用灰色关联度方法对上述污染物浓度与气象要素的相关关系进行了细致分析;通过BP神经网络进行两者的数学建模,构建了雅安市空气质量短期预报模型,并进行了试预报检验。研究表明:雅安市2015-2017年期间污染物O_3、PM_(2. 5)、PM_(10)浓度呈上升的趋势,空气质量达标率自2015年的92. 7%降低到2017年的82. 2%,2018年达标率略有上升为88%,但仍出现了9天中度污染和1天重污染。污染物浓度与气象要素变化相关密切,其中,降雨量和气压与PM_(2. 5)和PM_(10)污染关联最大,表明雅安作为四川盆地的"雨城",其降水对颗粒物的湿清除效应是很显著的;而气温和风速与O_3污染关联最大,恰好反映了高温和由高温所隐含的强辐射对O_3生成的促进作用。由BP神经网络所建立的雅安O_3预报模型,其准确度较稳定,各季7天平均相对误差都19%,并且预报效果排序为夏季冬季秋季春季;由BP神经网络所建立的雅安PM_(2. 5)预报模型,其在春季和夏季预测准确度较好,两季7日平均相对误差都16%,秋季相对误差略高一点,其四季预报准确度排序为夏季春季秋季冬季。此研究结果可为当地空气质量预报业务的开展提供技术支持。     

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。     

贵阳市近4 a空气质量特征分析

利用贵阳市9个国控空气自动监测站2013年1月—2016年6月的逐日污染物监测资料,以涵盖可吸入颗粒物(PM10)、细颗粒物(PM2.5)、二氧化硫(SO2)、二氧化氮(NO2)、一氧化碳(CO)、臭氧(O3)6种污染物的空气质量指数(Air Quality Index,AQI)来作为表征空气质量的特性值,用统计分析方法来对贵阳市空气质量特征进行分析研究。结果表明:(1)贵阳市总体空气质量较好,首要污染物以PM2.5和PM10为主,而又以PM2.5居多。(2)贵阳市月平均AQI值在1月最高,7月最低。6种污染物中,O3总体呈波动型分布,峰值分别出现在5月和10月,11月为全年最低值。除O3外,其余各污染物均呈现以7月为低谷,12月—次年1月为高峰的分布特征。(3)四季中,AQI值分布为冬季春季秋季夏季。各污染物中,除O3外,其余浓度均表现为冬高夏低,而O3浓度则为春高冬低。     

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。     

北京市朝阳区主要大气污染物浓度变化特征

利用2011—2013年北京市朝阳区国家一般气象站PM_(2.5)、O_3、NO、NO_x、CO和SO_2的大气成分监测资料,分析了朝阳区6种主要大气污染物浓度不同时间尺度的变化特征.结果表明:2011—2013年朝阳区PM_(2.5)浓度呈明显增长的趋势,达到重度污染等级的日数增多;而O_3、NO、NO_x、CO和SO_2等气态污染物的年平均浓度变化较小,无明显增长的趋势,5种气态污染物浓度季节差异明显.除O_3浓度为夏季高、冬季低外,PM_(2.5)、NO、NO_x、CO和SO_2浓度均为夏季低、冬季高,可能与冬季采暖期排放的污染物增多有关.污染物浓度的日变化除O_3呈单峰型外,其他5种污染物浓度日变化均大致呈双峰型,可能与人类活动及天气条件有关.朝阳区与宝联、顺义、上甸子地区等代表"城市—近郊—远郊站点的污染物浓度日变化存在极大的差异性,其中PM_(2.5)浓度差异最明显,朝阳站PM_(2.5)浓度日变化呈双峰型,宝联站PM_(2.5)浓度日变化呈三峰型,昌平和上甸子站PM_(2.5)浓度为峰值出现在夜间的单峰型日变化.由此可见,不同地区因城市化发展程度不同,导致局地污染物浓度存在明显的差异.     

桂林市大气气溶胶质量浓度变化特征分析

利用2009-2018年桂林大气成分站的大气气溶胶质量浓度观测资料,分析了PM_(10)、PM_(2.5)、PM_1统计值的变化规律,结果表明:(1)2009-2018年桂林ρ(PM_(10))、ρ(PM_(2.5))、ρ(PM_1)年平均值变化趋势基本相同,2012-2014年,年平均值相对较高,自2015年后有下降的趋势。一年中月变化基本呈冬高夏低的正V字型分布,月平均峰值出现在1月,谷值出现在7月。质量浓度小时平均值从数值上呈现出冬春秋夏的趋势,并呈现明显的双峰分布特征。ρ(PM_(2.5))/ρ(PM_(10))、ρ(PM_1)/ρ(PM_(10))、ρ(PM_1)/ρ(PM10_(2.5))介于60%-93%之间,说明全年可吸入颗粒物中细粒子占大多数。桂林大气气溶胶质量浓度月平均分布规律可能与天气气候特点有密切关系,日变化主要受到气象条件和污染物排放的影响。(2)桂林ρ(PM_(10))、ρ(PM_(2.5))和ρ(PM_1)与日均气温、日均湿度、日降水量、日均风速显著负相关,与日均气压显著正相关。中雨及大雨、暴雨可明显稀释污染物的浓度,细颗粒物易被雨水冲刷清除。2级以上的风力对于污染物有一定的驱散作用,尤其粗颗粒物下降的程度较明显。     

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。     

上海地区空气污染变化特征及其气象影响因素

利用2013—2014年上海地区6种空气污染物小时浓度和逐日空气质量分指数(IAQI)的监测资料,统计分析了上海地区空气污染的变化特征及其气象影响因子。结果表明:2014年上海地区空气质量优良率达77.0%,空气质量总体较2013年明显好转。2013—2014年上海地区AQI具有季节性特征,表现为冬季空气质量较差、秋季空气质量较好的特征,其中12月空气质量最差。由首要污染物分布可知,上海地区最主要的污染物为PM_(2.5),其中冬季PM_(2.5)污染出现最多;O_3则为夏季的主要污染物。由污染物浓度的周循环变化可知,上海地区PM_(2.5)、PM_(10)、NO_2和O_3浓度均存在周末低于工作日的"周末效应",但PM_(10)和NO_2浓度的"周末效应"更显著。由2014年上海地区霾日与PM_(2.5)浓度的变化可知,当PM_(2.5)浓度达到轻度及以上污染时,霾天气出现的概率大幅提高,但二者并非对应的关系。天气形势对PM_(2.5)污染影响较大,基于上海地区天气形势特点可以将PM_(2.5)污染的地面形势分为7种类型,其中高压中心型和高压楔型为PM_(2.5)污染的主要天气型。由于上海地区冬季冷空气活动频繁,西北风将上游地区颗粒物输送至本地,易造成较严重的污染天气;同时在冷高压的控制下,高压中心型和高压楔型天气频繁出现,导致颗粒物不易扩散,也易造成空气污染。夏季和秋季在副热带高压的控制下,水平和垂直扩散条件均较好,不易出现PM_(2.5)污染,但由于气温较高,光照条件较好,易出现O_3污染。     

2020年南昌市大气污染特征与潜在源区

基于南昌市大气环境监测、地面气象观料和GDAS等资料,主要采用后向轨迹聚类分析、潜在源贡献因子和浓度权重轨迹分析方法,分析了2020年南昌市大气污染特征和污染物潜在源区。结果表明:1)南昌市春、夏、秋季以O_(3)污染为主,冬季以PM_(2.5)污染为主。2)大气污染物质量浓度日变化具有明显的季节性特征,PM_(2.5)和PM_(10)在春、秋、冬季呈双峰形分布,NO_(2)在秋、冬季呈弱双峰形分布,春、夏季呈单峰分布,O_(3)呈单峰形分布。南昌市东部大气污染较西部更严重。3)南昌市气流输送季节差异明显,春、秋、冬季主要受偏北气流影响,夏季主要受偏南气流影响。本地源是南昌市大气污染的主要潜在源,安徽省南部、湖北省东部、上饶市西部和九江市的区域输送也有一定贡献。     

2015年上海崇明岛PM2.5和PM10浓度变化特征 及气象因素影响分析

通过对2015年1—12月上海崇明岛崇南地区颗粒物(PM_(2.5)、PM_(10))浓度的连续监测,研究了PM_(2.5)、PM_(10)在不同季节的动态变化特征及与其他因子(SO_2、NO_2、O_3)的相关性,分析了风向风速和降雨对颗粒物浓度的影响。结果表明:崇明岛PM_(2.5)和PM_(10)浓度的季节变化明显,呈现冬季的春季的秋季的夏季的的特征,冬季PM_(2.5)和PM_(10)小时浓度均值分别为0.058 mg/m~3和0.085 mg/m~3,夏季PM_(2.5)和PM_(10)均值分别为0.034 mg/m~3和0.054 mg/m~3。PM_(2.5)和PM_(10)浓度分别与SO_2浓度和NO_2浓度显著正相关,与O_3显著负相关。全年来看,在西南风向时PM_(2.5)和PM_(10)浓度较高,这主要受该方向上游吴淞工业区、宝钢、石洞口电厂、罗店工业区等工业排放影响;从高浓度颗粒物(PM_(2.5)质量浓度≥0.115 mg/m~3)来向看,北和西北风向时出现高浓度颗粒物的频率最高,这主要是受到我国北方采暖季大气颗粒物输送过程对崇明岛区域的脉冲式污染影响所致;PM_(2.5)、PM_(10)实时浓度与相应的风速呈显著负相关。降雨量大于5 mm或持续3 h及以上的连续降雨对大气颗粒物起到显著的湿清除作用,降雨后PM_(2.5)和PM_(10)质量浓度分别降低了68.0%和66.9%,降雨时和雨后PM_(2.5)浓度为0.025～0.033 mg/m~3,均低于我国环境空气PM_(2.5)的一级浓度限值。     

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。