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。     

2013—2014年江门CMAQ的预报检验

基于CMAQ空气质量模式的报文资料和江门环境监测站资料,对2013年12月至2014年2月份CMAQ空气质量模式在江门市的应用进行了效果检验,分析了AQI和SO_2、NO_2、PM_(10)、PM_(2.5)等要素的预报值与实际观测值之间的误差和预报效果,结果表明:模式对AQI 24、48和72 h时效的预报值都比实测值偏高、预报时效越长、偏离越大;离散程度越高,可靠性也越差。整个冬季AQI 24 h时效预报值与实测值相关系数高达0.72,模式能够准确把握AQI的变化特征,48和72 h时效相应的相关系数分别为0.55和0.4。模式对SO_2、PM_(10)、O_3和PM_(2.5)的预报容易偏高,对NO_2和CO的预报容易偏低。6种要素预报效果较好的是PM_(2.5)和PM_(10);预报效果最差的是CO,无论是平均偏差、离散程度、相关系数和可靠性等,明显低于其它要素。     

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.     

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。     

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。     

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。     

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。     

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。     

降雨天气对大气污染物浓度的影响分析

利用2014—2016年的中国气象局地面观测资料和中国环境保护部公布的6种大气污染物浓度数据,对降雨天气前后的大气污染物浓度变化进行分析。结果表明:在京津冀、长三角和珠三角区域,降雨天气后6种大气污染物浓度降低的时次约占43%—60%,其中PM_(10)浓度降低最为明显,PM_(2.5)、O_3、SO_2和NO_2次之,最不明显的是CO。一般而言,降水天气前大气污染物浓度越高,降雨后浓度降低的时次所占比例越大,浓度降低值也越大,但当降雨天气前大气污染物浓度较低时,降雨天气后浓度升高的个例也很多,约占21%—61%。京津冀地区由于平均大气污染物浓度较高,降水天气对大气污染浓度的降低效果比长三角和珠三角地区更明显。对于大多数降雨时次,小时降水量越大,大气污染物浓度降低的时次所占比例越大,但浓度降低值反而越小。例外的是,小时雨强大于10 mm的降雨后,京津冀地区的O_3和SO_2浓度以及长三角地区的PM_(10)、PM_(2.5)和SO_2浓度降低程度不如小时雨强小于10 mm时;而珠三角地区的NO_2和O_3在降雨后的浓度变化对小时雨强不敏感。在京津冀地区,降雨天气对较大浓度的O_3清除作用非常明显。在长三角和珠三角地区,降雨前CO浓度较低时,降雨后浓度升高时次比浓度减小的多;另外,降雨天气对SO_2的清除作用非常明显。     

贵阳市主要污染物浓度预报模型研究

选取贵阳市环保站2013年3月—2014年2月共12个月的主要污染物(PM_(10)、PM_(2.5)和O_3)浓度的小时均值进行分析,发现PM_(10)和PM_(2.5)在20时—次日08时较容易出现日最大值,O_3在12—18时较容易出现日最大值,PM_(10)和PM_(2.5)污染物浓度的月平均,以夏季最低,冬春两季最高,这可能与贵阳市冬春两季的采暖有一定的关系。而O_3浓度的月平均值以冬夏两季较低,春秋两季较高,但整体变化幅度不大。分析以上3种污染物和气象要素的相关性发现,湿度对污染物浓度较大,呈负相关。运用逐步回归方法分别建立PM_(10)、PM_(2.5)和O_3的预报方程,其中PM_(10)的预报方程预报等级的准确率为67.81%,订正后准确率为70.55%;PM_(2.5)的预报方程准确率为65.75%,订正后准确率为71.23%,故业务对PM_(10)和PM_(2.5)的预报中可以参考订正值。O_3的预报方程准确率为70.55%,订正后准确率为68.49%,业务中预报O_3可以直接参考预报值。     

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。     

丽水空气污染物时序特征及与气象条件的关系研究

利用丽水2012年9月—2014年3月主要空气污染物浓度和气象数据,分析丽水空气污染物构成及其与气象因子的相关性。分析结果表明:丽水空气质量优良率约80%,高频首要污染物依次为PM2.5、O38、PM10、NO2;各污染物浓度分布的时间、季节特征明显:早晚高峰时段污染物浓度普遍偏高,冬季—初春是一年中污染较重季节,尤其春节期间PM和SO2浓度急剧上升。各主要污染物质浓度随气象因子的变化各有特点:CO在气温较高、晴朗微风、高层层结稳定的天气条件下浓度较高;NO2在气温适中、湿度较大且无明显降水时浓度较高;SO2则在气温适中、湿度较小、晴朗微风的天气条件下浓度较高;O3则在高温干燥天气时浓度较高;PM在干燥、气温较低、连续晴朗、微风、高层层结稳定时浓度较高。     

北京地区气溶胶PM2.5粒子浓度的相关因子及其估算模型

文中运用统计分析和气象统计预报的方法 ,使用北京白石桥小区的污染物观测资料和同期北京地区的气象观测资料 ,对影响大气污染的气象因子进行了综合分析 ,并分别建立了气溶胶PM 2 .5粒子浓度与气体污染物、气象要素场的两类统计相关拟合模型。发现气溶胶PM2 .5粒子浓度与气体污染物浓度存在不同程度的相关性 ,且与气象条件亦存在显著的相关关系 ,此类时空变化及其量化估算模型具有一定实际应用价值。通过确定气象要素场和气溶胶浓度的关系可进一步研究不同地区的污染物输送和污染源扩散影响的问题。     

气象预报模式参数化方案对重污染过程PM2.5浓度预报效果的影响

针对北京市2016年12月16～21日的重污染过程,基于嵌套网格空气质量模式预报系统（NAQPMS）,面向气象驱动模式WRF中7类物理过程的参数化方案,通过单扰动和组合扰动方式构建了51组不同的WRF模式运行配置,对比分析不同方案配置下NAQPMS对这次重污染过程细颗粒物（PM2.5）浓度预报的性能。结果表明:在重污染时段,组合扰动优化方案在城中心站点和城郊站点的PM2.5浓度预报精度都显著高于基准参数化方案配置下的预报结果,特别是能显著改进基准方案下模式对重污染过程结束时间的预报误差问题,显著减小12月21日存在的预报偏差。从统计指标来看,城中心站点在组合扰动优化方案下预报相关性最高,相关系数在0.7以上;从预报均方根误差来看,组合扰动优化方案误差最小。城郊站点同样是在组合扰动优化方案下预报相关性最高,与观测之间的偏差更小。从污染物与气象要素的空间分布来看,组合扰动优化方案比基准方案能更好再现污染时段的气象要素变化,预报的风速更小、相对湿度更高,从而有利于12月21日北京高浓度PM2.5的维持和累积。本文结果表明气象预报模式参数化方案不确定性是重污染预报的关键不确定性来源,选择合适的参数化方案可以减小重污染期间气象要素的模拟偏差,并可进一步提高重污染时段的PM2.5浓度预报精度。     

汾渭平原CUACE模式空气质量预报性能的检验订正及环境评估

利用2019年1—6月地面环境监测资料和PM_2.5气象条件评估指数，结合滚动偏差订正方法，对汾渭平原CUACE空气质量预报产品进行了检验订正，并对气象条件和污染减排影响进行了评估。结果表明：CUACE模式对空气质量指数(AQI)、PM_2.5和SO₂浓度预报值较接近观测值，PM₁₀、CO和NO₂预报值小于观测值，O₃预报值大于观测值；对首要污染物O₃和PM_2.5及重度和严重等级污染的预报的TS评分最高，漏报率和空报率最小，预报偏差最接近1；滚动偏差订正方法对改善CUACE空气质量预报效果较为明显，尤其是对PM₁₀、O₃和NO₂改善最为明显；汾渭平原2019年上半年气象条件变化使PM_2.5浓度较2018年同期和过去5年同期分别上升了18.26%和11.18%，减排措施使PM_2.5浓度较2018年同期和过去5年...     

CAPPS在国家气象中心多城市污染指数数值预报业务系统中的应用

国家气象中心在中国气象科学研究院CAPPS系统的基础上,建立了多城市污染指数数值预报业务系统,同时预报47个重点城市的SO2、NO2和PM10的日均污染指数.从2001年6月21日至7月17日的试验预报表明,总体预报准确率和与监测值的相关都在60%以上,与各城市气象局、环境保护局联合发布的综合预报准确率和与监测值的相关比较接近.说明CAPPS用于国家气象中心多城市污染指数数值预报业务系统,能够为城市空气质量业务预报提供有参考价值的数值预报产品.     

2018年春季西北五省省会城市大气质量与健康风险评价

城市大气污染及其引起的健康效应一直是关注的热点。本研究对2018年春季西北五省省会城市PM2.5、PM10、NO2、SO2、CO和O3浓度数据进行了系统分析,并采用美国环境保护署(United States Envi‐ronmental Protection Agency,USEPA)推荐的健康风险评价模型评估了PM2.5、PM10、SO2和NO2的健康风险。结果表明:PM2.5和PM10为主要超标污染物。除乌鲁木齐市(该市PM10春季平均质量浓度亦超标)外,其余四个城市PM2.5和PM10的春季平均质量浓度均超过国家二级标准。各城市SO2、NO2、O3和CO的污染水平较低。2018年春季各城市空气质量以良好至轻度污染为主。各城市人群PM2.5和PM10的春季健康风险均在USEPA规定的可接受风险范围内。SO2和NO2的健康风险均未超过瑞典、荷兰等国推荐的可接受风险值。SO2和NO2对老人产生的健康风险最小,儿童最大,儿童为较敏感受体。儿童(<6岁)SO2/NO2的春季健康风险约是成人(18~60岁)的1.2/1.3倍,是60岁以上人群的1.7/1.8倍。不同性别及年龄阶段人群SO2和NO2的健康风险存在差异,6~17岁人群和60岁以上老人的健康风险有女性>男性的特点,6岁以下儿童与18~60岁成人的健康风险则表现为男性>女性。     

基于动态统计预报方法的京津冀雾霾中期预报试验

利用欧洲中期天气预报中心（ECMWF）数值预报产品和动态统计预报方法,对北京、天津、石家庄等14个京津冀重点城市雾霾与空气污染进行定量化的中期预报试验,包括对首要污染物PM_2.5浓度和能见度的逐时定量化预报及雾霾现象的客观化判断,并对2015年10月1日-2016年11月10日试验预报效果进行了检验评估。检验结果显示:该方法对北京及周边城市未来10 d逐时和逐日能见度、PM_2.5浓度及雾霾现象的预报值与观测值之间具有显著正相关系数、较高的误差减少量和TS评分等,表明基于ECMWF数值预报产品和动态统计预报方法的京津冀雾霾污染中期定量化预报技术整体上具有较高的可靠性、稳定性与预报技巧性。此外,检验指标还显示出该动态统计预报方法对能见度的预报效果要略优于PM_2.5浓度预报,同时对霾的预报准确率高于对雾的预报。个例分析显示,该动态统计预报方法能提前5~6 d预报出北京地区典型持续性雾霾污染的发展过程,对持续性雾霾的提前预报预警具有较好的参考意义。     

兰州市冬季空气污染的天气成因分析及浓度预报

兰州是全国冬季大气污染最严重的城市之一 ,通过对污染与天气形势的分析 ,给出了影响冬季兰州污染的天气分型 ;对 3种主要空气污染物TSP、SO2 、NOX 浓度值与同期表征逆温特征的逆温参数及地面气象要素作了统计分析 ,结果表明 :(1)污染物浓度与逆温层厚度呈显著正相关 ;(2 )污染物浓度与平均温度、能见度、风速、总云量、相对湿度成负相关 ,与温差、气压成正相关。最后针对不同天气分型 ,给出了冬半年兰州污染物浓度预报方程 ,经检验预报效果良好     

基于多元线性回归算法的雾霾预测模型的研究

对乌鲁木齐市环境监测站2013—2015年冬季逐日AQI、PM_2.5、PM₁₀、SO_2、NO_2、CO、O_3数据进行相关分析,并利用MATLAB编程工具进行多元回归统计分析,建立了多元回归统计预测模型。对2015年1—3月乌鲁木齐雾霾天气进行预测试验,发现预测值与实际值有较好的拟合效果和预报效果。实验证明,在大气层结稳定的冬季将当天的大气污染物浓度作为因子,用多元线性回归算法建立预测模型对次日雾霾天气进行预测是一种有效的雾霾统计预报手段,本文试图用MATLAB编程工具建立动态多元回归预测模型,编写了自动预测系统软件,测试取得了较好的预测效果。