一次低能见度事件中大气颗粒物的微物理特征

利用合肥地区高时间分辨率观测资料对2013年1月13-15日一次低能见度事件中大气颗粒物变化进行分析,依据能见度、相对湿度和PM2.5浓度将过程划分为轻雾、霾、雾3个阶段,进而研究不同阶段大气颗粒物的微物理特征。结果表明：这次低能见度事件经历了“轻雾—霾—轻雾—雾—轻雾—雾—轻雾”的阶段转换过程。整个过程PM2.5/PM10和PM1/PM2.5与能见度呈负相关关系,雾阶段PM2.5/PM10大,细颗粒物积聚程度较快;而轻雾和霾阶段PM2.5/PM10小且离散程度大,粗颗粒物生成速度较快。不同阶段的颗粒物谱分布存在较大差异,轻雾和霾阶段的细颗粒物数浓度、表面积浓度和体积浓度谱形相似;雾阶段对不同粒径尺度的颗粒物数浓度、表面积浓度和体积浓度均有沉降作用,雾过程持续时间越长,对颗粒物的沉降作用越强。     

苏州市能见度与影响因子关系研究

利用2009年6月—2010年5月苏州市气象局霾监测点颗粒物浓度、能见度、相对湿度、风速、风向、气温等观测资料,分析了苏州能见度变化特征,建立了能见度和影响因子的统计模型,研究了能见度和气象因子及颗粒物浓度的关系。结果表明：苏州市能见度有明显的季节变化,春季能见度最好,秋季能见度最低;能见度日变化显著,最低能见度通常出现在清晨,午后明显好转;PM10、PM2.5、黑碳浓度值和相对湿度与能见度都呈反相关关系,但黑碳对能见度的影响不如PM10和PM2.5对能见度的影响明显;风速与能见度呈正相关关系,在东南、南东南风向时能见度值最高。     

武汉大气能见度与PM2.5浓度及相对湿度关系的非线性分析及能见度预报

武汉作为中部地区高湿度代表城市,大气污染严重,霾天气多发,但有关该地区大气能见度与PM2.5浓度及相对湿度(RH)的定量关系尚不明确。利用2014年9月—2015年3月武汉地区逐时能见度、相对湿度及颗粒物质量浓度观测数据,研究分析了武汉大气能见度与PM2.5浓度及相对湿度的关系,并进行能见度非线性预报初探,得到以下结论:武汉霾时数发生比例高,霾的发生和加重是能见度降低的主要原因;能见度降低伴随大量细粒子产生和累积,这是武汉大气能见度恶化的重要诱因。细颗粒物浓度与相对湿度共同影响和制约大气能见度变化,高湿高浓度时能见度显著下降,湿情景下(RH≥40%),能见度恶化主要是由湿度增高诱使细颗粒物粒径吸湿增长导致其散射效率增大造成的。当RH >90%时,能见度随湿度升高成线性递减,相对湿度每升高1%,武汉平均能见度降低0.568 km。而干情景下(RH2.5质量浓度升高。在城市大气细粒子污染背景下,能见度与相对湿度成非线性关系,这主要与PM2.5对能见度的影响及吸湿性颗粒物的散射效率变化有关。PM2.5浓度与能见度成幂函数非线性关系,80%≤RH2.5浓度对能见度的影响敏感阈值是随着湿度升高而减小的,干情景下能见度10 km对应的PM2.5浓度阈值为70 μg/m3,湿情景下该阈值为18—55 μg/m3。当PM2.5质量浓度低于约40 μg/m3时,继续降低PM2.5可显著提高武汉大气能见度。预报试验表明,基于神经网络方法建立大气能见度非线性预报模型是可行的,预报能见度相关系数为0.86,均方根误差为1.9 km,能见度≤10 km的TS评分为0.92。网络模型具有较高预报性能,对霾的判别有较高准确性,为衔接区域环境气象数值预报模式,建立大气能见度精细化动力统计模型提供参考依据。      

2013年初江苏连续性雾-霾天气的特征分析

利用FNL资料、污染物颗粒浓度资料以及常规气象资料对2013年1月12—16日江苏地区的连续性雾 霾天气过程的环流形势、地面气象要素特征、大气边界层结构及大气污染状况等进行了分析。结果表明：高空形势变化平稳、中低层的暖平流配合稳定少动的地面气压场为雾 霾天气的发生提供了有利的环流形势;持续变化较小的气压梯度和较低的风速以及相对湿度的增大和PM2.5、PM10的浓度的变化为雾 霾形成和发展提供了条件;雾 霾期间低层都存在不同程度的逆温现象,混合层高度与AQI呈反相关关系,当混合层高度越低,AQI就越高,污染就越严重,能见度就越差;相对湿度的升高和PM2.5在污染物颗粒中的富集,是导致能见度下降和持续污染的首要原因,而强冷空气带来的大风降温是污染物颗粒被快速清除的重要动力机制;影响南京的污染物来源为：黄海、安徽地区、北方污染物的输送和本地的局地污染。     

丹东市大气颗粒物质量浓度变化特征及其与气象要素的关系

利用2008-2017年大气颗粒物质量浓度资料和逐日地面气象观测资料,统计分析了丹东市大气颗粒物质量浓度时间变化特征及其与气象要素的关系。结果表明:2008-2017年丹东市大气颗粒物质量浓度年际变化具有一定的波动性,其中2015-2017年大气颗粒物污染状况持续改善明显;质量浓度月和季节变化特征明显,1月和12月最高、7月最低,冬季最高、夏季最低,非汛期显著高于汛期,供暖期显著高于非供暖期;非汛期大气颗粒物质量浓度超标日相较达标日,气温和能见度偏低,降水偏少,风速偏小;非汛期PM2.5、PM1质量浓度与相对湿度呈显著正相关,与风速呈显著负相关,汛期PM2.5、PM1质量浓度与风速呈显著负相关;PM2.5、PM1质量浓度春、秋、冬季与风速的负相关性最显著,冬季与相对湿度的正相关性也十分显著。     

2013年济南市大气能见度与相对湿度和PM10、PM2.5的关系

对济南市2013年1—12月的能见度、相对湿度、PM10及PM2.5逐时监测数据分析,结果表明：能见度、相对湿度、PM10和PM2.5浓度有明显的月变化和日变化规律。在各项污染物中,能见度与颗粒物的相关性最高,与PM10的相关系数为-0.6718,与PM2.5的相关系数为-0.7422;在气象因子中,与相对湿度的相关性最高,相关系数为-0.6501。不同季节条件下,能见度与PM2.5的相关性明显优于PM10的,冬季能见度与颗粒物的相关性明显优于其他季节的。     

桂林城区大气能见度与颗粒物浓度和气象因子关系研究

利用2015年1月至2017年6月桂林国家基本气象站能见度、相对湿度、气温、气压、降水等气象要素和PM₁₀、PM_2.5、PM_1.0颗粒物质量浓度资料,分析桂林城区大气能见度与颗粒物浓度和气象因子之间关系。结果表明：桂林城区大气能见度和PM₁₀、PM_2.5、PM_1.0呈对数关系,相关系数分别为-0.341、-0.461、-0.509,颗粒物对大气能见度影响在相对湿度为60%—70%时最为显著。在各气象因子中,大气能见度与风速的相关性最好,其次为相对湿度,与风速呈二次函数关系,与相对湿度呈幂指数关系,与温度相关性较小,与气压在秋冬季节呈正相关,相关系数冬季可达0.301,但在春、夏季节相关性不显著;利用颗粒物浓度和气象要素建立8种大气能见度非线性统计回归模型,比较后发现利用PM_1.0、风速、相对湿度、气温等因子建立的不同季节大气能见度拟合公式在实际检验中效果最优,能较好地模拟桂林地区大气能见度的变化。     

德州能见度与PM2.5、PM10和相对湿度的关系

为研究德州大气能见度与水汽和气溶胶的关系,利用2013年逐小时能见度、相对湿度、PM2.5和PM10浓度资料,对三者与能见度的关系进行分析。结果表明：能见度与相对湿度的线性相关最好,与PM2.5浓度的相关性次之;随着相对湿度、PM2.5和PM10浓度的增加,能见度明显降低。大气能见度与相对湿度、PM2.5和PM10浓度非线性相关系数明显高于线性相关系数。利用PM2.5和PM10浓度和相对湿度数据计算得到了非线性大气能见度拟合公式,经验证,该公式能较好地模拟德州大气能见度。     

福州市PM2.5、PM2.5/PM10分布特征及与气象条件关系的初步分析

利用福州市PM2.5、PM10和气象资料,分析PM2.5、PM2.5/PM10的分布特征及与气象条件的关系。结果表明:福州市细粒子污染程度较轻,春季PM2.5和PM2.5/PM10值均是四季中最高的,其次是冬季,夏季最低;影响PM2.5浓度出现高值的天气系统有:暖区辐合与高空槽前、大陆高压后部和暖区降水三种系统,其中暖区降水天气形势下的PM2.5平均浓度最高,超标率为25.5%;影响PM2.5浓度出现低值的天气系统有:冷高压脊、高压底部和高空槽后,副热带高压及边缘,台风(热带辐合带)及外围系统,在后两种天气系统影响下的PM2.5平均浓度最低,超标率为0;剔除因降水、雾等低能见度个例,PM2.5浓度与能见度的相关系数为-0.626,冬春季的相关系数是夏秋季的1.4倍;PM2.5浓度与单一气象要素(如温度、相对湿度、风速等)相关性不明显,但不同季节、不同气象要素变化的组合对PM2.5浓度有直接影响。      

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。     

北京一次持续性雾霾过程的阶段性特征及影响因子分析

利用北京地区高时间分辨率观测资料对2009年11月3—8日一次持续性雾霾天气过程中的气象因素和气溶胶演变特征进行了分析。结果表明,该次雾霾过程具有明显的阶段性特征,前期以霾为主,中期发展为雾霾交替,后期随着相对湿度减小再次转换为霾并最终消散。边界层逆温是低能见度过程形成的必要条件,但并不最终决定雾霾低能见度强度。相对湿度和PM_2.5浓度是决定能见度大小的两个关键影响因子,对能见度的影响体现出阶段性特征。大部分时段PM_2.5浓度是影响能见度的主要因子,当能见度小于1 km时,能见度变化更多受相对湿度影响。不同的情景计算表明,控制PM_2.5浓度对于改善本次过程的能见度有重要作用。     

京津冀一次重度雾霾天气能见度及边界层关键气象要素的模拟研究

本文利用GRAPES_CUACE大气化学模式对京津冀地区2015年12月重度雾霾过程进行了模拟和评估。京津冀地区能见度和PM_2.5模拟值与观测值的对比表明:该模式能较好地模拟京津冀地区能见度和PM_2.5的逐日变化情况,但模式存在对伴随着重污染发生的低能见度模拟偏高的问题。以12月5~10日的重度雾霾过程为重点,针对地面风速、边界层高度、相对湿度、PM_2.5及其对能见度的影响进行了详细分析,研究结果表明:污染过程中大部分地区过程平均风速低于2 m s-1,边界层平均高度低于600 m,相对湿度较高。模式低能见度模拟偏高可能因为:（1）模式模拟重雾霾时段的PM_2.5极大值浓度偏低。（2）模拟相对湿度存在系统性偏低的误差,这一误差对能见度的影响表现为两方面,一是相对湿度会通过影响可溶性气溶胶的吸湿增长过程影响气溶胶质量浓度,导致气溶胶消光系数的计算偏低;二是目前模式中采用的能见度的参数化公式考虑了相对湿度对气溶胶吸湿增长的影响,没有考虑雾滴的直接消光作用。     

江苏地区连续性雾霾天气的污染物浓度变化和特征分析

针对2013年1月江苏淮安地区发生的一次连续性雾霾天气过程,分析该天气过程中PM10和PM2.5的质量浓度演变特征、能见度与气象要素之间的关系、中低层环流特征以及污染物来源。结果表明:雾霾期间PM10和PM2.5质量浓度最低值出现在05:00至07:00(北京时间,下同)和13:00至17:00,最高值出现在21:00至23:00,PM10和PM2.5质量浓度并非同时达到极大值;持续变化较小的气压梯度、较低的风速、相对湿度的增大以及PM2.5和PM10质量浓度的增高是雾霾发生发展的必要条件;能见度与气压、相对湿度、PM2.5质量浓度的相关性较好,建立回归方程,对能见度的整体变化趋势拟合效果较好;高空环流形势平稳、中低层的暖平流、持续稳定少动的地面高压场分布为雾霾天气的持续发生发展提供了有利的形势背景;稳定的层结结构、中低层偏东及偏东北方向气团的输送、本地污染源以及严重的空气污染是此次过程中能见度偏低、霾天数较多的主要原因。     

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。     

北京大气能见度的主要影响因子

利用北京市道面自动气象站、国家级自动气象站等多种观测数据分析北京地区2007—2015年能见度及其主要影响因子, 并挑选两次典型低能见度事件过程进行详细分析。从空间分布看, 北京西北地区能见度明显高于中心城区和东南大部地区。从时间分布看, 北京地区平均能见度最大值出现在5月, 最小值出现在7月; 日间的最低值多出现在06:00(北京时, 下同)左右, 冬季略向后推迟; 最高值多出现在16:00前后, 冬季略有提前。整体而言, 2007—2015年北京地区发生低能见度事件的概率为62.14%, 且发生低能见度的事件集中于1~5 km, 霾事件中干霾、湿霾的发生频率分别为86.13%和13.87%。能见度的主要影响因子为相对湿度、风速和PM_2.5浓度。其中, 能见度与风速呈正相关, 与相对湿度和PM_2.5浓度呈反相关。需要指出的是, 当相对湿度增加至80%, 能见度受PM_2.5浓度的影响程度在下降, 而主要受相对湿度的影响。基于所选个例, 当北京地区出现湿霾事件时, 能见度的恶化程度远高于干霾事件, 且PM_2.5浓度需比干霾事件时下降得更低才能有效改善能见度。     

相对湿度和PM2.5浓度对大气能见度的影响研究:基于小时资料的多站对比分析

为了全面分析浙江省不同区域能见度变化基本特征及影响机理,基于杭州、宁波、温州3个国家基本气象站2013-2014年逐时能见度观测资料,比较分析了3市能见度变化的基本特征。发现3市不同等级能见度出现频率基本一致,随着能见度等级的提高,出现频率逐渐降低;从能见度的日变化来看,07时（北京时）前后最低,之后缓慢上升,14-15时达到最高,随后逐渐下降;全年有两个能见度较低时段,分别出现在12月-次年2月和5-6月;总体而言,宁波能见度最优,杭州和温州大体相当。功率谱分析结果表明,3市能见度均有显著的日周期,高频波段呈现出多个显著谱峰,低频波段存在若干显著谱峰。进一步开展机理分析,发现相对湿度和PM_2.5浓度是调制大气能见度的关键因子,相对湿度增大、PM_2.5浓度升高导致能见度降低。在同一相对湿度等级下,初始阶段能见度随PM_2.5浓度的升高迅速降低,到达“拐点”之后降低速率趋于缓慢。在同一PM_2.5浓度水平下,相对湿度越大,能见度越低,说明水汽对能见度也有重要影响。基于相对湿度和PM_2.5浓度两个因子,采用非线性拟合方案构建了大气能见度定量统计模型,总体而言模型拟合效果较好。最后针对研究中存在的不足和未来值得进一步发掘的科学问题进行了讨论。     

2015—2019年防城港市空气污染气象条件综合分析

对防城港市影响最大的首要空气污染物为PM_2.5和O₃,空气污染日主要集中在秋冬季。空气污染按500 hPa环流形势可分为西北气流型、偏西气流型及西南气流型;按地面气压场可分为冷高压脊型、均压型、高压后部低压前部型。在无境外输入的情况下,PM_2.5产生在风速小、气温较低、能见度小、湿度较大并且无降雨或降雨不明显的天气环境里,而O₃产生在高温、低湿、日照充足、风速较大和能见度好的天气环境里。在垂直运动方面,中低层的下沉气流利于空气污染物累积。在温度层结分布方面,700~850 hPa的低层存在的逆温层对PM_2.5浓度增加非常重要,近地面的逆温层对PM_2.5浓度增加的作用要比低层弱,而近地面的逆温层对O₃浓度的增加非常重要,但是低层的逆温却不重要。     

降水对江浙沪PM_(2.5)的清除效率研究

为了解不同程度的降水对江浙沪地区大气PM_(2.5)的清除作用,搜集了2014—2016年该地区41个城市的降水和PM_(2.5)观测数据,通过对比2 a非降水和全时段PM_(2.5)平均浓度的差异,发现前者显著高于后者,说明降水对该地区PM_(2.5)具有清除作用。利用降水前与降水期间PM_(2.5)的浓度差异作为降水对PM_(2.5)的清除率,降水后与降水期间的浓度差异作为雨后浓度回升的增加率,分别研究了目标区域不同时期、不同降雨量以及不同降雨时长对PM_(2.5)的清除效果。结果显示:(1)与江浙沪南部地区不同的是,北部地区降水清除率与降水前浓度存在正相关,降水后浓度的增加与当地的排放量呈正相关。(2)当降水量为30 mm或者降水时长为36 h时,清除率增幅减缓,说明降水对PM_(2.5)的清除效率存在着阈值。     

汾渭平原东部运城市空气污染变化特征及其气象因素影响分析

本文综合利用2015—2020年地面气象观测资料、欧洲中心ERA5再分析资料及大气环境监测数据,分析了汾渭平原东部运城市污染物浓度的变化特征以及与天气形势和气象要素的关系。结果表明：①2015—2020年期间运城市PM2.5、PM10、SO2、NO2、CO 5种污染物年平均浓度呈下降趋势,而O3浓度呈上升趋势;②冬季和夏季空气质量相对较差,首要污染物分别是PM2.5和O3,边界层高度的变化与近地层风向风速、污染物浓度的关系密切,冬季（夏季）PM2.5（O3）污染较重时边界层高度较低（较高）,以东北风（东南风）为主,风速偏小（偏大）;③最后利用自组织映射神经网络（SOM）算法分别对冬夏925 hPa位势高度场进行天气分型并开展不同天气形势下污染物浓度与气象要素的变化对比研究,发现冬季污染时以静稳天气为主,低层弱东北风将污染物输送至运城市,而夏季O3污染较重时受热低压形势控制,利于O3前体物汇合,太阳辐射较强时O3浓度较高。     

Vertical Distribution Characteristics of PM<Subscript>2.5</Subscript> Observed by a Mobile Vehicle Lidar in Tianjin,China in 2016

We present mobile vehicle lidar observations in Tianjin, China during the spring, summer, and winter of 2016. Mobile observations were carried out along the city border road of Tianjin to obtain the vertical distribution characteristics of PM_2.5. Hygroscopic growth was not considered since relative humidity was less than 60% during the observation experiments. PM_2.5 profile was obtained with the linear regression equation between the particle extinction coefficient and PM_2.5 mass concentration. In spring, the vertical distribution of PM_2.5 exhibited a hierarchical structure. In addition to a layer of particles that gathered near the ground, a portion of particles floated at 0.6–2.5-km height. In summer and winter, the fine particles basically gathered below 1 km near the ground. In spring and summer, the concentration of fine particles in the south was higher than that in the north because of the influence of south wind. In winter, the distribution of fine particles was opposite to that measured during spring and summer. High concentrations of PM_2.5 were observed in the rural areas of North Tianjin with a maximum of 350 μg m^–3 on 13 December 2016. It is shown that industrial and ship emissions in spring and summer and coal combustion in winter were the major sources of fine particles that polluted Tianjin. The results provide insights into the mechanisms of haze formation and the effects of meteorological conditions during haze–fog pollution episodes in the Tianjin area.