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。     

基于BP人工神经网络的区域温度多模式集成预报试验

基于T213L31、T106L19和欧洲中期预报中心数值预报产品,应用BP人工神经网络技术,建立了850 hPa高度区域温度集成预报模型,并进行了检验.结果表明:该模型能比较准确地预报强冷空气活动过程中冷中心及温度槽脊的位置和强度,预报结果的平均绝对误差明显小于3个子模式,预报场与实况场的相关程度明显高于3个子模式,预...     

海口市PM_(10)、PM_(2.5)和PM_1质量浓度的变化特征分析

利用2013年在海口市气象局地面气象观测站采集的PM10、PM2.5和PM1质量浓度数据,分析了2013年可吸入颗粒物质量浓度的变化特征,并对其成因进行了初步分析。结果表明:2013年海口市PM10、PM2.5和PM1质量浓度的变化趋势基本相同,PM10、PM2.5质量浓度的超标率低,达到一级标准的概率分别为74.0%和68.8%,超过2级标准的天数分别为1和9 d,ρ(PM2.5)/ρ(PM10)与ρ(PM1)/ρ(PM2.5)的比例平均分别为78.1%和85.1%;海口PM10、PM2.5和PM1质量浓度冬季最高,夏季最低,春、秋两季处于冬夏之间;PM10、PM2.5和PM1质量浓度的日变化呈双峰现象,一个峰出现在上午,一个峰出现在夜间;颗粒物质量浓度的变化主要受到气象条件和污染物排放的影响。     

淳安县PM_(2.5)和PM_(10)浓度变化特征分析

通过对淳安2013年全年的大气颗粒物PM2.5和PM10资料统计分析,得出该地区PM2.5和PM10质量浓度的季节变化、日变化特征以及气象因子对其的影响。结果表明:2013年淳安PM2.5年平均浓度为国家标准的1.2倍,PM10年平均浓度优于国家标准;PM2.5和PM10均具有明显的季节变化特征,表现为冬季秋季春季夏季;并且均呈现双峰型的日变化特征,二者出现峰值的时间基本一致,PM2.5和PM10峰值出现在18:00,次峰值出现在08:00,谷值均出现在14:00,主要与边界层变化和人为活动有关;PM2.5和PM10变化存在明显的线性关系。降水对颗粒物浓度影响较大,能有效降低颗粒物质量浓度。     

东莞旱季极端PM_(2.5)质量浓度的天气类型分析

利用东莞2014年12月—2015年2月地面风向、风速等气象要素、PM_(2.5)质量浓度等监测数据以及NOAA的NCEP/NCAR再分析资料,分析了极端PM_(2.5)质量浓度出现的天气类型。结果表明:东莞旱季极端PM_(2.5)质量浓度均出现在冷空气影响后,主要影响系统是减弱或变性的地面冷高压;该天气类型可以被划分为3种子类型:冷空气影响后、弱冷高压主体控制和冷空气影响末期;影响的气象因素主要有地面风切变线或辐合线、地面静小风状态、对流层低层弱的垂直风切变、较强的垂直逆温层和夜间稳定边界层。     

基于BP人工神经网络的鹰潭市PM2.5和PM10浓度预测模型

利用2015—2019年鹰潭市5个大气成分监测站数据和气象站地面观测数据,运用主成分分析法,提取气象要素、气体污染物对PM2.5和PM10浓度影响的主要成分,调整BP人工神经网络的隐藏层个数和隐藏层节点数,构建基于BP人工神经网络的鹰潭市PM2.5和PM10浓度预测模型。结果表明：1） 气象要素中,共提取3个影响PM2.5、PM10浓度的主成分,分别为相对湿度、降水,气温、气压和风速,其中湿度、气温、风速与PM2.5、PM10浓度显著相关。2） 气体污染物中,共提取2个主成分,分别为SO2、NO2和O3,其中NO2、SO2与PM2.5、PM10浓度显著相关。3） 所建立的PM2.5、PM10浓度逐小时预测模型在20 h内预测性能良好,预测准确率分别为88%、86%,逐日预测模型在5 d内的预测性能良好,预测准确率分别为94%、92%,准确率较高,具有良好的预报性能。     

MODIS气溶胶光学厚度的PM_(2.5)质量浓度遥感反演研究

以北京为研究区域,利用MODIS气溶胶光学厚度产品AOT(Aerosol Optical Thickness)定量反演北京近地面PM2.5质量浓度。首先对MODIS AOT与对应地面实测PM2.5质量浓度为数据源,两者的线性相关系数为0.323,经过AOT标高订正和PM2.5湿度订正后,两者相关系数升高为0.467;进一步分析AOT与PM2.5的季节变化特征发现,秋季相关性最高(0.802),春季最低(0.252),其他季节介于之间,并深入分析了AOT与PM2.5自身物理化学特性及气象因子对两者相关性的影响机制;最后在耦合标高和湿度订正基础上,建立了一个近地面PM2.5质量浓度对数反演模型,并与地面实测PM2.5样本进行对比分析,结果显示均方根误差为2.84%,平均误差为9.53%,验证了该对数反演模型能较好的依据AOT反演近地面PM2.5质量浓度的可行性,为卫星遥感高精度定量反演PM2.5提供了科学依据。     

气象条件对石家庄PM_(2.5)浓度的影响分析

利用2013~2014年石家庄逐小时PM2.5监测浓度与地面及探空等气象观测资料,从大气的垂直扩散、水平扩散和地面局地环流等方面,探讨气象条件对PM2.5浓度的定量影响关系。结果表明:(1)石家庄PM2.5浓度具有明显的日、月和季节变化特征,早晨08时前后PM2.5浓度最高,下午16时前后浓度最低;冬季PM2.5浓度最高,夏季最低;(2)2 a共出现485 d逆温,其中10~12月出现频率最多,达82.8%~86.2%,逆温致使低层大气垂直运动受阻,不利于污染物扩散;(3)大气混合层高度与PM2.5浓度呈反相关,PM2.5浓度75μg/m3(空气质量优良),对应大气混合层高度平均为1 448 m,而PM2.5浓度≥150μg/m3(空气重污染)的混合层高度降到878 m;(4)受地形影响,石家庄地面风与边界层附近风对污染物的影响明显不同:925 h Pa西南风、地面偏东风不利于污染物扩散;925 h Pa西北风、地面偏西风有利于污染物浓度降低。925 h Pa风速4 m/s、地面偏西风风速2 m/s、地面偏东风风速3 m/s,有利于污染物扩散;(5)降水对污染物有湿清除作用,清除量不仅与降水量有关,还与前期PM2.5浓度有关,且冬季降雪过程对PM2.5的清除作用是降雨的4倍。     

招远市PM_(2.5)浓度与气象因子相关性分析

为了了解PM_(2.5)的污染与地面气象因子的相关性,通过对招远市PM_(2.5)的月均浓度与降水量、湿度、风速和气压等气象因子关系分析,结果表明:(1)PM_(2.5)浓度存在明显的季节变化,冬季与气象因子相关性最好,夏季最差。(2)PM_(2.5)浓度与相对湿度、平均风速和降水有很强的负相关性。(3)PM_(2.5)浓度与本站气压呈现正相关性。     

两种大气化学模式系统对浙江省PM_(2.5)浓度预报结果的对比分析

利用大气化学模式系统CUACE/Haze-fog与WRF-Chem,分别选取3次不同程度的污染天气过程进行数值模拟,并利用浙江省142个环保监测站点观测数据,对模拟的PM2.5浓度的时空演变特征进行检验,评估两个模式对PM2.5浓度的预报效果。结果表明,CUACE/Haze-fog与WRF-Chem模式均能够较好的反映出PM2.5日均浓度空间分布特征及其逐日变化特征。WRF-Chem预报与观测的PM2.5日均浓度的空间相关系数明显高于CUACE/Haze-fog,且总体来看相对偏差与均方根误差明显低于CUACE/Haze-fog。CUACE/Haze-fog与WRF-Chem模式能够基本反映出PM2.5浓度连续3 d(72 h)的变化趋势,且24 h与48 h预报效果优于72 h预报。本次模拟中气象场模拟的偏差可能是导致PM2.5浓度模拟偏差的主要因素。此外,CUACE/Haze-fog模式对化学场初始值的低估可能是其对PM2.5浓度系统性低估的重要原因之一。     

2013年呼和浩特市秋季PM_(2.5)浓度特征及气象条件分析

文章选取2013年9月1日—11月31日呼和浩特市污染物浓度与气象要素资料,分析了PM2.5的浓度特征,并利用灰色关联度分析法,分别计算了PM2.5与其他污染物、各气象要素的综合关联度,取与PM2.5关联度较高的气象要素,根据PM2.5在其不同区间内的超标频率,得出4种易造成PM2.5污染的气象条件：1最大风速的风向为偏东方向;2最大风速〈6m·s^-1;3气温日较差小于6℃,相对湿度大于60%,日平均风速在2m·s^-1时以下;4气温日较差在12～15℃之间,日平均气温在0～10℃之间,日平均风速在5m·s^-1以下。     

2013年河北中南部PM_(10)和PM_(2.5)浓度时间变化特征及其影响气象条件分析

对2013年河北省中南部的石家庄、保定、沧州、衡水、邢台和邯郸6个地市市区各站点逐小时PM10和PM2.5监测资料及相应气象资料分析结果表明:6个地市中邢台年污染日数最多,对应其年平均风速最小;沧州的最少,年平均风速最大。各地市各个级别污染日数不同,五、六级重污染天气均集中在10月—次年3月。首要污染物主要是PM10和PM2.5,但比例不尽相同。特殊的地理位置、污染源差异和气象条件的差异造成各地市污染日数、级别的差异。6个地市污染天气过程时段大都相同,区域性污染明显。各地市PM10和PM2.5浓度平均最大值均出现在冬季,PM10浓度平均最小值均出现在夏季,各市PM2.5浓度平均最小值出现的季节不同。6个地市PM10和PM2.5浓度值的月变化趋势相似。不同季节各地市PM10和PM2.5浓度日变化趋势不同,极值出现的时间也各不相同,极值出现的时间与气象条件和人类活动关系密切。秋、冬季各地市PM10和PM2.5浓度日较差多大于春、夏季的。各地市PM10和PM2.5浓度日均值与当地的日均气温、风速、能见度呈负相关关系,与相对湿度呈正相关关系且相关性比较显著。     

权重分布法集成预报试验

该工作提出了以历史预报评估参数为权重的权重分布客观集成预报方法 ,用该方法对 6种汛期预报方法 1 984～ 1 998年和 8个单位 1 995～ 1 998年的汛期预报进行了集成预报试验 .结果表明 ,经权重分布集成预报以后预测水平有明显提高 ,而且效果相对稳定 .权重分布集成预报方法指导思想明确 ,可行性强 ,可用于实际业务预报     

延安市能见度与相对湿度和PM_(2.5)及PM_(10)的关系

为分析延安市能见度与相对湿度、气溶胶质量浓度的关系,利用2016年延安大气成分站PM_(2.5)、PM_(10)和国家基本气象站相对湿度、能见度观测资料,对能见度与相对湿度、PM_(2.5)和PM_(10)的关系进行分析。结果表明:全年能见度与相对湿度的线性相关系数最高,与PM_(10)次之;随相对湿度的增大,能见度明显降低。相对湿度<50%时,能见度与PM_(2.5)的非线性相关性高于与PM_(10)的相关性;相对湿度>50%时,能见度与PM_(10)的非线性相关性则较PM_(2.5)好。相较于线性拟合方法,能见度与相对湿度的非线性拟合公式能更好地表现二者的关系。利用相对湿度、PM_(2.5)和PM_(10)观测数据对能见度做多元非线性拟合,检验结果表明,计算得出的拟合公式能较好地模拟延安市能见度的变化规律。     

基于人工神经网络的集成预报方法研究和比较

用人工神经网络方法对同一预报量的各个子预报方程进行集成预报研究,并以同样的子预报方程进行回归、平均和加权预报集成。对神经网络集成预报模型与各个子预报方程及其它集成预报方法进行了对比分析研究。结果表明,人工神经网络方法所构造的集成预报模型不仅对历史样本的拟合精度比各个子预报方法及其它集成预报方法更好,独立样本的试验预报结果也显示出更好的预报准确性。并且,采用神经网络方法进行预报集成,可以避免以往集成预报方法难以确定权重系数的困难     

BP人工神经网络法在大同市日极大风速预报中的应用

文章利用2010年1月1日—2013年12月31日逐日NCEP再分析资料(1°×1°)和大同地区地面常规观测资料,采用BP人工神经网络法建立大同市分站点、分季节日极大风速人工神经网络预报模型并且在对T639数值预报产品和EC细网格数值预报产品释用基础上建立了台站日极大风速的客观预报系统,对2015年9月1日—2016年7月31日进行了24h预报,试用结果显示,各季模式平均绝对误差在3.2~5.7m·s^-1之间,因此,该系统可以为预报员快速做出日极大风速的预报提供客观参考依据。     

2011—2014年通辽市PM_(10)质量浓度分析

文章统计了2011年5月至2014年4月通辽市区PM10质量浓度及同期气象要素和地面天气形势资料,分析归纳出PM10质量浓度与气象要素和地面天气形势的相关性。结果表明:通辽市PM10质量浓度最小出现在6—8月,最大出现在4—5月;风速大于二级时,随着风速加大PM10浓度增大;降水是通辽市区夏季PM10浓度最低的重要原因;高浓度天气形势为低压前部、低压后部、低压底部、气旋、倒槽、冷锋,低浓度天气形势为高压前部、高压后部、高压底部、高压、低压、地形槽。     

基于人工神经网络的热带气旋路径预报试验

利用气候持续性因子,分别采用神经网络法及最小二乘回归法,建立西北太平洋地区12、24、36和48h热带气旋路径预报模型。通过对1992～2002年资料的试报,人工神经网络方法优于回归方法,且这种优势在预报时效较长时更明显。人工神经网络法48h的预报平均绝对误差比回归法减小27．56km,预报水平提高7％。     

1998-2016年中国PM_(2.5)浓度变化对气温的影响研究

为探讨“人类活动—大气污染—气温变化”的关系反应链,从宏观尺度阐明PM_(2.5)浓度变化对气温的影响,利用1951—2017年中国822个气象站点日最高气温、日最低气温和日平均气温资料,1998—2016年中国年均PM_(2.5)浓度遥感图像数据、地表太阳辐射数据,1998—2016年中国各省(区)逐年能源消耗总量、地区生产总值及夜间灯光指数数据,运用Slope趋势变化分析方法与相关性分析法,分析了中国PM_(2.5)浓度的变化趋势及其影响因素。结果表明:1998—2016年中国黄淮海区、东北区PM_(2.5)浓度上升速度最快,分别为1.42μg·m^(-3)·a^(-1)、1.44μg·m^(-3)·a^(-1),而其他地区相对变化不明显;黄淮海区PM_(2.5)浓度平均值高,地表太阳辐射降低,对该区年最高气温有明显的抑制作用,但对年平均气温和年最低气温的影响不明显。东北区PM_(2.5)浓度增长速率较高,但年平均浓度值低,该地区有着较高的水热配合度,PM_(2.5)对年最高气温的抑制作用不明显;能源消耗总量与PM_(2.5)浓度呈显著的正相关。     

华东地区PM_(2.5)分布特征及其成因分析

利用2000—2015年MODIS气溶胶光学厚度产品,采用参数化方法反演得到了华东地区地面PM_(2.5)时空分布产品。从季节特征来看,PM_(2.5)表现出春夏低、秋冬高的特点。而PM_(2.5)年际变化呈现出从2000年开始稳定增加,2007年达到最高值,之后逐渐下降的趋势。这种年变化趋势不仅与区域污染物排放有密切关系,同时也与天气背景环流的年际尺度变化有很大关系。通过对不同季节的PM_(2.5)进行EOF分解,发现春季的年变化受极涡强度影响较大,夏季年变化主要受西太平洋台风数量、北半球副高脊线位置以及太平洋—北美遥相关型指数支配。秋季年变化与太阳黑子活动及亚洲区极涡面积关系密切。冬季年变化受冷空气影响次数和Ni?o A区(25°—35°N,130°—150°E)海表温度距平指数支配。各季节天气影响因子的组合效应能够很好地反应出区域PM_(2.5)的年变化特征,表明在全球气候变暖的背景下,中国东部环流形式的改变对PM_(2.5)区域分布的变化有着不容忽视的影响。