基于MOS的杭州秋冬季空气污染预报和霾诊断

利用由数值预报模式WRF和辨识理论实时迭代统计方法RTIM组成的MOS方法对杭州市2013年2~3月和11~12月期间的空气污染物日平均浓度做预报,预报值与实测值之间相关系数都超过0.75 ,PM2.5、PM10、SO2、NO2、CO 24h平均浓度和O3 8h平均浓度分类预报临界成功指数(CSI)分别为89%、87%、100%、93%、100%和100%,命中率(POD)分别为93%、95%、100%、100%、100%和100%.分析表明,研究期间杭州地区气溶胶以细颗粒为主.根据PM2.5浓度、相对湿度及能见度预报值做霾日分类预报,临界成功指数为89%,命中率为93%.说明该MOS系统对污染物浓度及霾天气预报性能良好,可以为业务化预报提供参考.     

基于小波分解和ARMA模型的空气污染预报研究

细颗粒物PM2.5为首要污染物的空气污染严重影响了公众健康,对空气污染进行有效预报具有十分重要的意义。而目前常用的空气污染物浓度预报方法在短时事件和意外事件预测方面存在不足。利用小波多尺度分析方法改进ARMA预测模型,并将其应用于短时空气污染物浓度预测。改进模型通过小波分解方法将时间序列分解为一个近似序列和多个细节序列,分别采用ARMA模型进行预测,然后将各序列预测结果进行重构,得到最终预测结果。以天津市2014年PM2.5浓度数据为例,分别采用ARMA模型、支持向量回归(SVR)模型、人工神经网络(ANN)模型以及基于小波多尺度分解改进的SVR模型和基于小波多尺度分解改进的ARMA模型进行了对比分析。结果表明:1)小波多尺度分解能够显著提高SVR模型和ARMA模型预报精度;2)ARMA、SVR、ANN等传统模型在重污染情况下预报精度显著下降,而小波分解改进策略能够较好地解决这个问题;3)基于小波多尺度分解改进的ARMA模型预报精度较高,是城市污染物浓度预报的有效手段。     

气象条件变化对呼市地区大气污染的影响

利用1995至2002年呼和浩特市区空气污染物PM10、TSP、NO2、NO2、SO2浓度的实际监测数据与同期的地面要素场资料、大气边界层气象参数和地面天气图分析了污染物浓度与气象条件的关系及气象条件变化对呼市地区污染物浓度变化的影响，讨论了污染物浓度变化规律的成因。在此基础上用逐步回归方法建立了不同季节呼市地区空气污染浓度统计预报模型。     

空气质量模拟与观测机器学习NO2浓度预报

在空气质量模拟预报数据基础上,采用套索算法(Lasso)将前馈神经网络(FNN)与基于污染物浓度及气象实时观测值搭建的长短期记忆网络(LSTM)组合,形成了模拟与观测机器学习(SOML)预报模型,开展了佛山市顺德区NO₂未来3d10个镇街空气质量监测点位逐日浓度预报.结果显示:SOML3d的准确性均优于WRF-CMAQ及其它单一模型,其中第一天SOML平均绝对误差(MAE)为4.99μg/m³,改进幅度达66.18%;SOML不同季节适用性均较强,四季预报效果均较WRF-CMAQ明显提升(MAE分别降低42.18%、42.89%、61.04%、50.91%),其中秋冬季改善幅度更好;相比WRF-CMAQ,SOML预报结果能较好反映顺德区内各站点NO₂浓度实际空间分布和数值水平,有效提升了浓度预报精准度.     

区域空气质量数值预报模式CAPPS3在福建省的应用

利用区域空气质量数值预报模式CAPPS3,预报了2009年9月1日～11月30日福州市SO2、NO2、PM10的等级和浓度,将其污染物等级预报准确率、浓度预报准确率、转折性天气预报准确率、综合评分等,与人工经验预报和统计预报结果进行对比。结果表明:CAPPS3模式对SO2、NO2、PM10污染物等级预报准确率分别为100%、94.5%、70.3%,转折性天气预报准确率27.2%;SO2、NO2、PM10浓度预报值与监测值的线性相关系数分别为0.62、0.74、0.71;CAPPS3模式对天气形势的变化反应不灵敏,特别是相临两天污染物浓度突变时,CAPPS3的预报能力差,当天气形势稳定时,预报效果较好;CAPPS3模式污染物等级和浓度预报值偏高情况较多;模式对前日污染实况依赖性强,导致预报结果滞后;综合评分低于人工经验预报,略低于统计预报,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。     

辽宁省14个城市空气质量可预报

正辽宁省气象局将联合辽宁省环境监测实验中心制作全省14个城市空气质量预报。预报内容包括6种污染物(PM PM SO NO CO O)的浓度预报、空气10 2.5 2 2 3质量指数(AQI)、空气质量指数(AQI)等级和首要污染物未来24小时预报,空间精细到县。省气象部门相关负责人表示,预报结果向市民公开的时间待定。与沈阳和大连现有的空气质量预报相比,省气象局提,,,,,     

哈尔滨市2014年1-2月PM_(2.5)与主要空气污染物相关分析

为了解哈尔滨市主要空气污染物对PM2.5浓度变化的影响,利用SPSS软件及哈尔滨市南岗区2014年1-2月环境空气质量日报数据,对空气污染物中SO2、NO2、CO、O3、PM10、PM2.5进行了相关分析。结果显示,SO2、NO2、CO、O3、PM10与PM2.5均呈显著的正相关关系。结合相关性分析结果,建立了PM2.5与SO2、NO2、CO、PM10之间的主成分回归模型,并对模型进行了通径分析。分析结果表明,CO对PM2.5的直接影响最大,SO2、NO2、PM10对PM2.5的直接作用相对较小,但它们通过CO对PM2.5的间接作用较大。因此,在哈尔滨市1-2月主要空气污染物中,CO对PM2.5浓度的变化具有重要的影响。     

珠三角第二季度PM_(2.5)浓度下降

<正>广州日报讯(记者杜娟)珠三角96.3%天数空气达标,"灰霾元凶"细颗粒物PM2.5浓度同比下降。根据昨日广东省环保厅公布的2015年第二季度广东省城市环境空气质量状况,第二季度广东各市空气质量达标天数比例平均为96.3%,无重度污染和严重污染,臭氧成最常见首要污染物,其次为细颗粒物PM2.5。据悉,今年第二季度珠三角9个地级以上市和顺德区空气质量达标天数比例在92.3%~100%之间,平均达标天数比例为96.0%,同比去年上升5.2%,其中优占65.9%,良占     

基于逐步回归分析方法的PM_(10)浓度预报模型

根据沈阳市2003～2005年的PM10浓度资料以及同期的气象要素资料,采用逐步回归方法建立了分季节的空气污染物PM10与气象因子的关系模型,并且利用2006年PM10资料和气象资料对模型进行了验证。结果表明:PM10预报浓度准确率和等级准确率最好的是夏秋两季,最差的是春季。春季当PM10日均浓度出现很高值时,预报结果与实测值有较大的误差,但趋势是一致的。秋季趋势的一致性不好,但波动比较小。冬季和夏季预报值与实测值的变化趋势基本上一致。     

基于WRF-RTIM的上海地区霾预报MOS方法研究

应用基于系统辨识理论的实时迭代模式(real-time iterative model,RTIM)对WRF模式预报结果进行后处理,建立了上海地区霾天气的模式输出-统计(model output statistics,MOS)方法.首先,根据WRF模式的气象输出资料,结合大气污染观测数据,筛选出霾事件的预报因子;其次,运用系统辨识实时迭代模型,建立依据MOS预报方法的PM2.5、PM10和能见度预报模式;最后根据霾事件的判别标准,对上海2012年11月—2013年1月的霾日进行24 h和48 h预报.结果表明,PM2.5模式预报成功率为75.0%~63.9%,PM10模式预报成功率为87.5%~81.8%,能见度模式预报成功率为71.0%~74.2%,霾日预报成功率为73.7%~72.7%.分析表明,研究期间上海的气溶胶以细颗粒物为主,低能见度主要由导致霾现象的PM2.5引起.该方法能较准确地预报霾日的发生,可为我国城市大气环境业务预报提供参考依据.