RMAPS_Chem V1.0系统SO2排放清单优化效果评估

RMAPS_Chem V1.0系统是基于WRF_Chem模式建立的服务于华北区域雾霾等污染预报业务的模式系统,该研究着重针对系统中污染排放清单不确定性带来的SO₂浓度预报偏差较大问题,采用EnKF源反演和误差统计订正相结合的方法对排放清单进行了改进,形成了一套优化后的华北区域SO₂排放清单。通过输入初始清单和优化清单对2017年10月进行模拟,并与华北地区616个地面环境监测站观测值进行对比,结果表明:EnKF源反演结合误差统计订正的排放清单优化方法适用于SO₂排放清单的改进,有效降低了清单系统性偏差,针对主要区域及重点城市的检验显示模拟结果接近观测值;排放清单优化后模拟误差显著降低,如河北南部、山东西部至北京一带模式预报均方根误差与归一化平均绝对误差明显下降,区域内站点模拟误差呈正态分布特征,误差分布范围、最大概率出现范围均明显变窄,且最大误差概率明显上升。     

复杂地形上气象场对空气质量数值模拟 结果影响的研究

利用WRF模式三种边界层参数化方案(YSU、MYJ、ACM2)产生的气象场分别驱动多尺度空气质量模式CMAQ,对兰州市西固区冬季2005年1月27日至2月2日期间SO₂和NO₂浓度进行了数值模拟,将模拟结果与同期监测的污染物浓度进行对比分析,结果表明:WRF模式不同边界层参数化方案模拟输出的气象场驱动CMAQ模式所模拟的SO₂和NO₂浓度均可以反映出污染物的时空变化特征,CMAQ模式具有模拟复杂下垫面高分辨率污染物输送特征的能力;WRF模式的边界层参数化方案选为局地与非局地闭合方案(ACM2)时,模拟的气象场驱动CMAQ模式得到的空气污染物浓度分布特征最优,这主要是由于ACM2的湍流输送机制较为合理,模拟的边界层低层气象场更接近实际,从而可以较好地模拟污染物的输送特征;当CMAQ模式的垂直混合方案与WRF模式的湍流输送方案一致时(均采用ACM2方案),模式间的兼容性好.     

INTEX-B NO2排放源在中国地区的应用与检验

将INTEX-B排放源应用到空气质量模型Model3-CMAQ中,对中国地区对流层NO₂的浓度分布进行了数值模拟,并与OMI卫星对流层NO₂资料进行了对比和验证。结果表明：将INTEX-B排放源应用到Model3-CMAQ模式,模拟的NO₂浓度在中国地区的分布、季节变化规律与卫星资料所得结果一致。敏感性试验表明,工业及电厂排放对NO₂的浓度贡献最大,而交通排放的贡献相对较小,两种排放均主要集中在京津、长江三角洲等经济发达地区。     

北京城市大气环境污染机理与调控原理

该文主要介绍了科技部国家重点基础研究发展规划项目“首都北京及周边地区大气、水、土环境污染机理及调控原理”大气分项目的研究成果。项目分别于2001年和2003年重点开展了BECAPEX科学试验 (Beijing City Air Pollution Experiment)。BECAPEX试验同步进行城市边界层气象与大气化学观测, 通过卫星遥感、地面观测, 即城市空间和地面以及点与面结合的技术途径, 以揭示北京城市污染“空气穹隆”大气化学结构特征及其变化规律, 为城市环境大气动力-化学模式提供基本科学参数, 给出城市边界层大气物理化学过程综合模型, 为提高城市环境大气物理-化学过程耦合模式的准确性和可靠性提供科学依据。该项目揭示了北京城区和城近郊区城市边界层结构与湍流特征, 城市大气污染垂直结构特征; 发现了城市大气污染空间结构多尺度特征, 其中包括大气污染源影响和城市热岛多尺度特征; 揭示了城市大气重污染过程周边源影响域, 以及北京及周边地区气溶胶影响域和区域气候响应; 提出了北京市典型污染源排放清单; 发展了城市气象模式系统, 包括冠层模式、街谷环流和热力结构以及城市高大建筑群周围风环境数值模拟; 发展了空气质量模式技术, 包括二次气溶胶模拟试验、北京地区SO₂污染的长期模拟及不同类型排放源影响的计算与评估、影响北京地区的沙尘暴输送模拟、区域化学输送模式中NO_x和O₃源示踪法, 城市尺度的大气污染CAPPS模式及统计模型的应用、大气污染及紫外辐射数值预报模式和CMAQ-MOS空气质量预报方法; 改进了美国公共多尺度空气质量预报模式, 建立了CMAQ-MOS区域空气质量动力-统计模型预报模式, 以及发展的源同化技术, 突破了当前空气质量模式技术“瓶颈”, 使模式预报准确率明显提高。     

CAPPS3模式在福州市预报效果检验

对2009年7月至2010年6月区域空气质量数值预报模式CAPPS3在福州市的应用进行效果检验,分析各季节CAPPS3预报福州市3种污染物SO₂、NO₂和PM₁₀的等级预报准确率、转折性天气预报准确率与监测值的相关系数以及综合评分。结果表明：夏秋季节CAPPS3模式3种污染物等级预报准确率较高,冬季NO₂和春季PM₁₀的等级预报准确率较低,错误等级预报多数偏高;转折性天气预报准确率夏秋季最高,春季最低,模式对天气形势的变化反应不灵敏,特别是污染物浓度突变时,预报能力较差,当天气形势稳定时,预报效果较好;浓度预报值较监测值有偏大和滞后的缺点;相关系数及综合评分结果夏秋季最高,春季最低。CAPPS3总体预报效果较好,可提供有价值的指导预报,适合业务运行。     

污染源反演对重点城市群夏季O3模拟的改进效果评估

在嵌套网格空气质量预报模式系统(NAQPMS)的基础上,采用污染源反演方法优化以中国多尺度排放清单(MEIC)为主的先验排放清单中臭氧(O₃)前体物排放量估计。分析时段为2019年6～8月,重点评估了污染源反演对我国“2+26”城市、长三角、珠三角、成渝4个重点城市群O₃模拟的改进效果。评估结果表明,污染源反演获得的“2+26”城市、长三角、珠三角的氮氧化物(NO_x)排放速率整体低于先验清单的排放速率约0.6μg m_-2 s_-1,但反演的挥发性有机物(VOCs)排放速率在“2+26”城市整体上高于先验清单的排放速率约0.5μg m_-2 s_-1。利用反演的NO_x和VOCs排放量和NAQPMS模式对4个城市群O₃进行模拟,发现反演排放数据可以显著改进夏季O₃模拟性能,使得O₃日最大8小时平均值(MDA8-O₃)模拟的均方根误差(R...     

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...     

基于观测的污染气体区域排放特征

利用2006年9月—2007年8月河北省固城生态与农业气象试验基地 (固城站) 反应性气体观测数据获得了CO与NO_x,CO与SO₂,SO₂与NO_x体积分数比的变化特征,并将观测得到的体积分数比与从INTEX-B等排放源资料得到的排放比进行比较研究。当风向来自北方向 (北京) 时,固城站的CO和NO_x体积分数显著高于其他方向,而来自南方向 (保定、石家庄) 时,SO₂体积分数显著高于其他方向。固城站观测到的CO与SO₂,CO与NO_x体积分数比分别为43.7和31.6,较排放比高出2~12倍。分析表明:排放源清单对CO排放低估了大约2倍以上,生物质燃料燃烧,尤其是收获季节大规模秸秆燃烧排放可能是重要的且被低估了的源。从观测数据估计得到秸秆燃烧期比平时CO大约多排放了90%±30%,忽略秸秆燃烧期额外排放对CO排放强度估计有重要影响。未来排放源清单编制和使用需要更加关注我国农业区秸秆燃烧排放对排放强度的影响。     

京津冀典型工业城市沙河市大气污染特征及来源分析

近些年京津冀地区秋、冬季大气重污染事件频发,工业生产与居民燃煤是大气灰霾污染的重要原因。河北省沙河市是京津冀地区以玻璃制造和加工为主的典型工业城市,本研究选取该城市为研究对象,主要利用2017年1月至12月国控站点的大气环境监测和气象数据,采用扩散模型、潜在源分析等手段,分析了沙河市主要污染物的时空分布特征和污染来源。主要结论有:（1）沙河市首要污染物具有明显季节特征,春季、夏季、秋冬季分别以PM₁₀、O₃、PM_2.5污染为主,季节贡献率分别为43.3%、72.3%、61.5%。（2）受城市大气边界层和排放的共同影响,PM₁₀、PM_2.5、SO₂、NO₂和CO浓度均有剧烈的季节—日变化特征。（3）冬季东北风时PM_2.5、NO₂、SO₂均展现出高浓度和高相关性特征,表明站点可能受东北方向玻璃企业排放影响。同时,站点可能也受城中村散煤燃烧影响。（4）沙河市冬季PM_2.5浓度为143 μg m-3。冬季的一次重污染中硫氧化率SOR、氮氧化率NOR的最高值分别达0.67、0.39,气态污染物的二次转化剧烈,高湿度利于二次粒子的生成。重污染中C(NO₃-)/C(SO₄2-)均值为1.89,推测沙河市NO₂主要来自大型运输车辆和企业的共同排放。（5）本地源是沙河市PM_2.5的主要潜在源区,周边几个重工业城市也有一定贡献。因此本研究建议沙河市PM_2.5的治理除需加强本地污染源的削减和控制外,区域联防联控也十分重要。     

北京春季沙尘和霾期间气溶胶的对比模拟研究

利用气象模式WRF驱动区域空气质量模式RAQMS,模拟研究了2014年北京地区春季颗粒物及气溶胶化学组分的时空变化,对比分析了沙尘期（3月17日、29日）和霾期（3月25～27日）的天气形势、气象要素和气溶胶化学组分特征,比较了沙尘和人为气溶胶表面非均相化学反应对大气化学成分的影响及相对贡献。结果显示,模式对于气象要素、PM2.5、PM10及其化学组分具有较好的模拟能力,考虑了气溶胶表面非均相化学反应后明显提高了模式对PM2.5及气溶胶化学组分模拟的准确性。沙尘期间,沙尘对PM10质量浓度贡献占主导地位（50.7%）,对PM2.5的贡献与有机气溶胶（OM）和人为排放的一次颗粒物（PPM）相当;霾期间,硝酸盐NO₃?（25.6%）和OM（23.6%）对PM2.5的贡献最大,在PM10中NO₃?、PPM和OM的贡献相当。沙尘期,粗粒子明显增加,在PM10中所占比例与细粒子相当,为45.5%;霾期,细粒子占主导地位,占PM10质量浓度的85.6%。非均相化学反应使沙尘期间硫酸盐（SO₄2–）和NO₃–浓度分别增加16.9%和83.8%,使霾期间的SO₄2?和NO₃–浓度分别增加14.5%和45.0%。2014年3月,非均相化学反应使北京月均SO₂、NO₂、O₃、SO₄2?、NH₄+和NO₃?的浓度分别变化了?2.5%、?5.7%、?3.4%、11.7%、18.6%和58.5%,本文结果表明非均相化学反应对二次无机气溶胶的生成有重要贡献。     

2014-2017年成都市大气污染特征分析

利用2014年5月~2017年12月的成都市环境空气质量监测资料,分析了成都市空气污染情况及污染物浓度时空变化特征。结果表明:成都市空气质量以优良天气为主,市区的首要污染物以PM2.5为主,郊区以O3为主;灵岩寺监测点的PM2.5,PM10,NO2和CO四种污染物的质量浓度低于成都市区各监测点,O3的质量浓度高于成都市区各监测点,SO2的质量浓度值与成都市区各监测点相差不大;成都市各监测站点六种污染物质量浓度具有明显的年际变化、季节变化、月变化和日变化趋势,且成都市区各监测点的变化趋势比较一致。     

重庆市主城区雾霾天气过程的污染特征分析

利用重庆主城区沙坪坝站2002~2014年逐日气象观测资料和2009~2011年10月至翌年3月逐时气象观测及污染监测资料,对雾霾天气过程中SO₂、NO₂和PM10污染物浓度变化及与气温、风和降水等地面气象要素的关系进行分析。结果表明:2009~2011年重庆主城区共出现Ⅰ级至Ⅳ级不同强度的雾霾天气过程共27次,雾霾天气过程中SO₂浓度变化为单峰型,峰值出现在中午,白天浓度大于夜间;NO₂浓度变化为双峰型,主峰值出现在晚上20时,次峰值出现在中午12时;PM10的日变化幅度较SO₂和NO₂变幅小,呈双峰双谷型;污染物浓度与气温、相对湿度的相关性比较好,静风条件有利于污染物积累,降水对污染物有较明显的清除作用。      

银川大气污染物浓度变化特征及其与气象条件的关系

利用2013年银川地区6个监测点污染物质量浓度和同期气象要素数据,对区域内污染物浓度变化特征及其与气象条件的关系进行分析。结果表明：银川市区PM10年均值超标0.7倍,PM_2.5年均值超标0.4倍,SO₂和NO₂也有一定程度超标,CO和O₃未超标|1、2、11月和12月为SO₂、NO₂、PM₁₀、PM_2.5、CO质量浓度较高月,O₃浓度最高月为5月,次高月为10月|9:00-12:00和21:00-00:00是SO₂、NO₂、PM₁₀、PM_2.5和CO质量浓度较高的两个时段,O₃浓度一般于15:00达到最大;6类污染物普遍表现出季节性的准7 d周期和全年性的准30 d周期|空气质量状况良的频率是56 %,轻度污染26 %,优仅为12%;首要污染物以PM₁₀、PM_2.5和SO₂为主|风速与SO₂、NO₂和CO具有良好的负相关关系,与O₃则呈显著正相关关系,风速对PM₁₀和PM_2.5影响较复杂,当风速小于某一值时,有利于PM₁₀和PM_2.5扩散,当风速达到一定程度后,又会导致PM₁₀和PM_2.5浓度的增加|降水对污染物有较好的冲刷作用,且对SO₂的清除作用最明显,对O₃的清洁作用最弱。     

成都市大气污染与气象条件关系分析

利用成都市城区2015年12月~2019年12月污染物浓度及气象资料,对PM₁₀、PM_2.5、CO、O₃、 SO₂、NO₂六种大气污染物浓度变化特征以及与气象要素之间的相关性进行分析。结果表明:2016~2019年成都市空气质量冬季最差,秋季最好,年内整体以良为主,重度污染和严重污染的天气较少出现,空气质量逐年变好;主要污染物浓度除O₃外在冬季最高,夏季最低,春秋两季相差不大,O₃浓度变化则相反;主要污染物的日变化特征也较为明显。空气质量综合指数、PM₁₀、PM_2.5、CO、NO₂浓度与气温和降水存在显著负相关性,与气压存在显著正相关性,还与相对湿度呈不同程度的负相关,但与风速相关性不显著;O₃浓度不仅与风速、气温和降水存在显著的正相关,还与气压呈显著的负相关,却与相对湿度的负相关性不显著。      

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。     

贵阳市大气污染物浓度特征及降水的清除作用

本文利用2013年1月1日~2015年6月30日贵阳市9个环境监测站的6种主要大气污染物(SO2、NO2、O3、PM10、CO、PM2.5)监测数据,分析了贵阳市主要大气污染物的年变化、日变化特征及降水对首要污染物浓度变化的影响。发现SO2、NO2、PM10、CO、PM2.5浓度为单谷型年变化,夏季浓度最低,冬季浓度最高;O3浓度为双峰型年变化,4、10月分别有两个极大值、11~2月与7月分别为两个极小值;SO2、NO2、PM10、CO、PM2.5浓度日变化呈双峰型特征;O3浓度日变化为单峰型特征;郊区SO2、NO2、PM10、CO、PM2.5日平均浓度低于市区,而郊区O3日平均浓度高于市区。降水对O3的湿清除效果不好,对其余大气污染物的湿清除效果较好,尤其夜间降水对颗粒污染物(PM2.5、PM10)的清除效果优于白天降水,但会使O3浓度明显上升。     

应用机器学习算法的成都市冬季空气污染预报研究

利用2014年3月至2017年2月成都市8个环境监测站的PM 2.5、PM 10、SO 2、NO 2、CO、O 3共6种污染物质量浓度资料以及T639全球中期数值预报模式产品,采用两种机器学习算法—递归特征消除法(Recursive feature elimination,RFE)和随机森林方法,构建了成都市冬季5种(O 3除外,因为其冬季污染较轻)污染物浓度的预报模型,并对模型的预报效果进行了评价。结果表明:基于RFE模型的5种污染物预报值与实测值的均方根误差值分别为47.58μg·m^-3、72.10μg·m^-3、8.87μ·m-3、0.59 mg·m^-3、19.84μg·m^-3;基于随机森林模型的5种污染物预报值与实测值均方根误差值分别为23.94μg·m^-3、20.98μg·m^-3、2.40μg·m^-3、0.16 mg·m^-3、8.09μg·m^-3,随机森林模型对各污染物浓度的预报效果均优于RFE模型,说明该预报方法性能良好,可为成都市冬季空气质量业务化预报提供技术支持和防控依据。     

2018年冬季鲁西北大气污染特征及影响因子分析

利用2018年12月至2019年2月滨州、德州和聊城PM_2.5、PM₁₀、NO₂、SO₂、CO和O₃逐日质量浓度及其对应的气象资料,分析了鲁西北大气污染特征和影响因子。结果表明：2018年冬季鲁西北大气污染比较严重,聊城、德州和滨州轻度及以上污染天数分别占61%、60%和54%,重度以上染污天数分别占24%、11%和9%;首要污染物均为PM_2.5、PM₁₀和NO₂,其中PM_2.5占60%以上。PM_2.5、PM₁₀、SO₂、NO₂和CO日变化呈双峰双谷型,谷值分别出现在04-07时和15-17时,且下午比清晨更低,峰值出现在上午和下午交通高峰期后2-3 h,且峰值上午大于下午;O₃呈单峰型分布,09时出现极小值,18-19时出现极大值。PM_2.5是鲁西北主要的首要污染物,与PM₁₀、CO、NO₂均为显著正相关,并通过0.01水平显著性检验,与NO₂的相关性在低相对湿度(< 60%)时大于高相对湿度(≥ 60%),与CO的相关性在高相对湿度时大于低相对湿度;污染时段(PM_2.5>75 μg·m^-3)的平均相对湿度和平均温度明显大于清洁时段(PM_2.5 ≤ 75 μg·m^-3),清洁时段风速和气压比污染时段明显偏大。     

冬季采暖优化对北京地区空气质量的影响

空气污染能够影响人体健康、交通运输、农业生产等,会对国家经济造成损失。多年来,北京一直是空气污染严重地区,而冬季燃煤采暖是一个重要的原因。2016～2017年,北京大力优化采暖的能源结构,旨在改善空气质量。本文通过分析5个位于北京不同区域的空气质量监测站的PM2.5、PM10、SO₂、NO₂和CO污染物浓度,对比了2018年和2015年的空气质量变化情况。结果显示:2018年5个站5种污染物浓度较2015均下降,平均下降幅度为37.3%,而5个站降幅最大的污染物浓度都是SO₂,平均降幅为59.2%。进一步分析表明,两年5种污染物浓度的差距主要来自冬季的取暖时期。2018年冬季5个站重空气污染（PM2.5浓度>150 μg/m3）天数较2015年平均下降率高达91.3%,比其他季节多了41.3%。相较于2015年,5个站平均的2018年冬季5种污染物浓度平均下降值是其他季节的4.8倍,平均下降的幅度是其他季节的2.3倍。逐小时数据分析显示,2018年较2015年冬季污染物浓度下降比较大的时刻主要来来自暖更多的时间段。结合气象条件分析表明,北京冬季采暖优化很大程度地提高了空气质量,这为有相似采暖方式的城市的空气污染治理提供借鉴和参考。     

彭州市大气污染物浓度变化特征研究

本文利用2017年彭州市大气污染物(SO₂、NO₂、O₃、CO、PM₁₀、PM_2.5)小时浓度数据并结合地面气象观测资料,统计分析了该地区大气污染物浓度的演变规律及影响因素。结果表明:该地区细粒子(PM₁₀和PM_2.5)污染较为严重,O₃次之,其它污染物浓度水平则低于国家新二级标准限值。观测期间,各污染物浓度表现出明显的日变化与季节变化,其中SO₂、O₃呈单峰型日变化,NO₂、CO和细粒子则呈双峰型日变化;污染物浓度的季节变化基本表现为冬高夏低、春秋次之的变化特征(O₃为夏高冬低),并且固态污染物(PM₁₀、PM_2.5)与气态污染物(NO₂、CO)之间有显著的相关性。在污染物浓度与气象要素相关性分析中表明,湿度对于污染物浓度的影响整体上要弱于温度和风速,除了O₃与温度、风速呈正相关外,其它污染物与两者均呈负相关。除此以外,风向对于当地各种大气污染物的积累与清除也有直接的影响。