霾对海口地区大气环境影响的分析与预报

利用海口1962～1997年的历史资料，结合热带地面天气图．对影响海口地区大气环境的疆的特征、来源和成因进行了分析。结果发现：影响海口地区的霾来源主要有三个：一空中杂质随西路冷空气南下影响；二是中南半岛的霾由偏西气流输送影响；三是局地形成的霾影响。本文同时总结出影响海口地区大气环境的霾的气候特征和结构特点，为海口地区疆的预报提供了基本的预报方法和预报着眼点。     

霾对海口地区大气环境影响的分析与预报

利用海口1962～1997年的历史资料,结合热带地面天气图,对影响海口地区大气环境的霾的特征、来源和成因进行了分析.结果发现影响海口地区的霾来源主要有三个一空中杂质随西路冷空气南下影响;二是中南半岛的霾由偏西气流输送影响;三是局地形成的霾影响.本文同时总结出影响海口地区大气环境的霾的气候特征和结构特点,为海口地区霾的预报提供了基本的预报方法和预报着眼点.     

KNN数据挖掘算法在北京地区霾等级预报中的应用

利用北京地区2013年气象数据以及PM2.5浓度数据与能见度数据进行对比分析,结果发现气温、气压、相对湿度、露点温度、地面U风、地面V风以及PM2.5小时浓度这7个要素是影响北京地区霾等级的关键因素。利用气温、地面气压、相对湿度、露点温度、U风、V风分量以及PM2.5浓度作为7个属性特征,以霾等级做为标志量构建训练样本集,结合KNN（K Nearest Neighbor）数据挖掘算法构建霾等级预报分类器,并开展霾等级客观识别实验。结果表明K=3时该分类器的分类预报效果最佳,其13个站点的分类准确率高达88.2%。基于该算法构建的KNN模型预报无霾时的漏报概率很小,准确率高达91.8%;预报有轻度霾、中度霾以及重度霾时,空报的概率仅分别为4.7%、1.4%和2.6%。2014年8月29日至9月2日北京地区一次霾天气过程的预报结果表明：南郊观象台、密云和延庆3站的预报准确率分别达到74%、64%和84%,但霾等级的精度方面还有待于进一步提高。     

SVM方法在霾识别和能见度预报中的应用

选用2013—2014年地面自动站资料、探空气象资料以及大气污染物浓度的数据,采用支持向量机(Support Vector Machine,SVM)方法分别建立金华SVM霾识别预报模型和14时能见度SVM回归预报模型来进行实证研究。通过预报结果检验发现:1)金华地区SVM霾识别预报模型的TS评分均在0.65以上,且8个最优模型判断完全错误的天数只有3d,占2.7%,表明模型分类结果较好,可在实际业务预报中推广应用;2)金华地区14时能见度SVM回归预报模型得到的预报值集中在6~16km,预报值较为集中,而实况值波动较大,即模型对极值预报能力较弱,表明模型对中度霾和重度霾天气预报的指导意义不大。     

温州地区雾霾气候特征及其预报

利用温州8个气象站点近40年的雾日和霾日统计资料,从时间和空间两方面分析了温州雾、霾日数的气候特征和变化规律。结果表明, 1971—2008年期间,温州市区（平原）地区雾日数显著减少,洞头（海岛）地区雾日数缓慢减少,泰顺（高山）地区雾日数呈波动式缓慢增长,21世纪初有明显增多;温州地区霾日数,除泰顺（高山）地区缓慢增长外,总体呈快速增多趋势,增多开始发生在20世纪70年代后期,21世纪初霾日数显著增加,其中永嘉和瑞安增加最快。温州雾日数冬春多,夏秋少;霾日数冬季最多,夏季最少。同时,利用近年来气象部门与环保部门联合开展的空气质量预报产品,如空气污染指数（API）,建立雾、霾预报方法。统计2004—2009年间的雾、霾与空气污染指数的相关关系,并兼及晴雨天气条件,总结出包含晴雨、空气污染指数及雾、霾3要素的线性公式,作为预报雾、霾工具。经检验,效果较好,预报未来24 h雾、霾准确率达57%～66%。并通过编程实现计算机自动预报。     

新疆雾霾天气自动判识业务系统

新疆气象局依据中国气象局发布的《霾的观测和预报等级》（QX/T113-2010）中霾观测等级标准,开发的“雾霾天气自动判识业务系统”软件,具备自动识别雾、霾、晴等天气现象的功能,能24 h连续在线、实时、自动显示气象监测站PM2.5、气溶胶吸收特性等表征大气洁净状况的监测值,能为气象站观测员提供一个辅助判识雾、霾等天气状况的依据,能为预报员提供一个检验雾、霾等天气状况预报质量的在线实况依据.该软件系统已经在乌鲁木齐国家基本气象站、自治区气象台等单位试运行,且运行情况良好.     

南京地区霾预报方法试验研究

支持向量机(SVM)方法是基于统计学理论的一种新的机器学习方法,对解决小样本条件下的非线性问题非常有效.利用2004～2007年南京站的逐日常规观测资料以及同期南京市环境质量监测点的逐日污染物浓度资料,使用SVM分类和回归方法分别建立了南京地区霾日分类预报模型和有霾日14时(北京时间,下同)能见度预报模型.预报试验结果...     

京津冀地区霾健康气象服务社会经济效益评价研究

采用统计调查分析方法,对京津冀地区2014年霾气象服务情况进行调查。在此基础上,统计分析了公众对霾的认知程度、防护措施及预报服务评价等情况,并利用直接损失评估法和疾病成本法等方法,对北京地区2014年霾健康气象服务减少的健康人口损失和经济损失进行了估算。研究发现,京津冀地区的公众对霾的认知度和关注度极高,但公众对霾预报气象服务满意程度仍有较大的提升空间;七成以上的公众会根据霾预报服务信息采取适当的防护措施。经估算,北京市2014年由于PM_(2.5)造成的健康人口损失数为3085人,占总死亡人数的2.3%,造成的健康经济损失值为24.52亿元;未来在与2014年同等的PM_(2.5)暴露浓度之下,公众采用相应气象服务后,在不同的情景下所接受的PM_(2.5)年平均暴露浓度减少5%和10%的情况下,北京市每年可能减少的健康人口损失数为113～226人,可能减少健康经济损失值为0.9～1.8亿元。     

基于东亚冬季风指数的安徽省冬季霾预测研究

东亚冬季风强度与中国中东部冬季霾日数的变化在年际尺度上密切相关,这为霾的短期气候预测提供了可能的物理因子。利用NCEP/NCAR再分析资料和安徽省1980-2016年气象观测数据,采用统计分析方法研究安徽省1月霾日数与同期不同东亚季风指数的关系,确定了安徽省不同区域冬季霾的主要季风指数预测因子,建立安徽省冬季霾的月尺度预测模型,并进行了验证。结果表明:(1)1月气候霾日数与6类东亚冬季风指数均呈反相关关系,其中淮河以北、江淮之间两个区东亚大槽强度指数与气候霾日数的相关系数在各项指数中最高,沿江江南为西伯利亚高压强度指数与气候霾日数的相关系数在各项指数中最高。(2)不同分区建立的1月气候霾日数的预测模型均通过了α=0. 01的显著性水平检,验证结果表明,霾日数预测等级与实况等级基本一致,各区均未出现预测错误的情况,表明模型具有较好的预测表现。(3)在安徽省冬季霾实际预测业务中,相比NCEPCFS2模式输出的环流预报场,ECMWFSYSTEM4模式输出环流预报场的预测效果更好。     

河北省霾日变化及成因

利用1981-2010年河北省142个气象站地面观测资料,按照霾的观测和预报等级行业标准,分析河北省霾日空间分布特征.以石家庄为例对多霾日成因进行探讨。结果表明：河北省霾日主要分布在太行山东麓地区,霾日高频次中心随时间范围在扩大,频次有增加趋势;典型代表站霾日随时间呈现增加、减少和平稳变化三种态势,单站间变化差异明显;河北省霾日主要以能见度大于5km轻微霾为主,代表站中度、重度霾日季节变化显著,64%以上出现在秋冬季节;霾的形成是多种因素综合作用的结果,区域分布主要与地理环境有关,气候上逆温层、风速、相对湿度、年降水日数与霾的形成有关,另外地方经济发展、人类社会活动对大气污染物的排放起到一定作用。