2019年江苏省臭氧污染与气象条件影响分析研究

江苏省臭氧污染逐年上升，已成为影响城市空气质量的重要因素，利用环境监测数据和气象要素数据，分析了臭氧污染较重的2019年江苏省臭氧污染特点，以及与气象条件之间的相互关系。结果表明：江苏省臭氧浓度逐年增高，沿江苏南区域高于苏北城市；臭氧污染主要分布于4～9月，污染较重集中在5～6月。臭氧浓度与气象要素之间的关系非常密切，与温度呈正相关，与相对湿度呈负相关，当气温超过25℃,湿度在60%以下，偏南风(SSW～SSE),风速在2～4m/s时，臭氧超标率最高，易出现高浓度臭氧，从逐月气象因子与臭氧超标率的关系来看，5～6月的气象条件更易出现臭氧污染。研究臭氧污染的时空变化规律和与气象条件之间的关系，为区域臭氧污染防治，前体物排放管控，有较为有效的指导意义。     

株洲市臭氧污染状况及相关气象因子分析

采用2013年1～12月空气质量自动监测数据对株洲市臭氧污染现状及相关气象因子进行分析。结果表明:监测期间全年臭氧日最大8 h平均浓度一级标准值达标率达到71.8%,全年超标率为1.6%,超标主要出现在季节变换时期。臭氧日最大8 h平均浓度的月均值变化呈"M"型,浓度高值持续时间长。日变化规律较强,且不同季节变化特征略有差别。臭氧浓度与气温有正相关性,相关系数为0.612;与湿度和云量有负相关性,且臭氧与湿度负相关性较明显,相关系数为0.731。     

攀枝花市区及盐边县城区城市臭氧污染状况研究

攀枝花市区臭氧污染负荷逐年上升,盐边县城区近年来臭氧污染负荷均高于20%,臭氧污染已成为影响城市空气质量的重要因素。对2017年1月~2020年2月攀枝花市区和盐边县城区臭氧污染物浓度时空变化规律和相关性进行了研究,并结合攀枝花各地太阳能和天气网记录的气象数据,统计了太阳辐射强度、紫外线辐射强度、日最高气温、日平均风向、季节气候等气象要素与出现臭氧污染的概率。研究表明,攀枝花市区和盐边县城区两地春、夏季较易出现臭氧污染,春季臭氧浓度持续高值时数最多,夏季臭氧浓度持续高值影响时数次之,两地臭氧污染物浓度变化有极强相关性。此外,臭氧浓度与气象条件密切关系,当紫外辐射强度大于30W/m²时,臭氧污染的几率为5%~8%,最高日气温值29℃~36℃之间时易出现臭氧污染,攀枝花市区臭氧污染受西向气流影响最重,盐边县城区臭氧污染受南向气流影响最重,盐边城区臭氧污染主要受攀枝花市区影响。根据臭氧污染物浓度时空变化规律和气象条件,开展区域臭氧前体物排放调控,将有效改善地区环境空气质量。     

运用机器学习方法预测空气中臭氧浓度

臭氧(O_3)浓度变化与天然源、移动源和点源的排放量存在某些隐含的关联。根据臭氧浓度变化的特性,基于污染源在线排放数据、气象监测数据以及空气质量监测数据构造特征,运用机器学习方法进行逐小时臭氧浓度预测。该方法不仅充分利用了臭氧浓度变化时序数据,而且考虑了气象条件变化对污染物浓度变化的影响,最重要的是将点源排放氮氧化物这一臭氧生成的重要前体物纳入模型考虑。在金砖国家领导人厦门会晤前后(2017年8月31日至9月9日),运用该方法对厦门市溪东、洪文、鼓浪屿和湖里中学四个大气自动监测站的臭氧小时浓度平均值进行滚动预报,比较准确地模拟出臭氧浓度的日周期性变化,同时对峰值和低谷能够进行较为有效的捕捉和刻画。按照《环境空气质量标准》(GB3095—2012)臭氧日最大八小时浓度平均值进行评价,四个站点均取得了90%的预报等级准确率。     

济南城区夏季近地面臭氧浓度分析

为研究城市近地面臭氧浓度变化特征及臭氧浓度高值与气象因素的关系,于2015年夏季对济南城区近地面臭氧进行了观测与分析。结果表明:夏季大气中臭氧小时平均浓度为0.161 mg/m~3。臭氧具有明显的日变化特征,且晴天时臭氧浓度要比多云天气和阴雨时的浓度更高。高浓度臭氧的产生是多个气象因子共同作用的结果。一般晴天少云,气温较高,相对湿度较低,风速较小时,容易产生高浓度臭氧污染。     

秦皇岛市臭氧浓度变化特征及其影响因子分析

按《环境空气质量标准》中数据有效性的相关规定,对秦皇岛市2014—2017年的臭氧监测数据进行分析。评价结果表明,臭氧浓度值空间变化不明显。日变化呈现明显的单峰特征,2015—2017年的年均值呈逐年上升趋势,超标值多出现在6月—8月。夏季O3-8 h与日平均气温相关系数较高,臭氧污染多发生在气温高于20℃的地区;与风向的相关性较弱,西南偏南风向时容易出现高浓度臭氧。当气温大于10℃时,在不同的温度区间内,臭氧与PM2.5呈正相关性。     

基于深度学习的淮安地区臭氧浓度预报模型评估

利用2016—2020年淮安地区环境监测站点资料和淮安国家基准气候站气象资料,研究淮安地区臭氧浓度与气象、环境的关系,并利用“注意力机制”下的Seq2Seq建立臭氧预报模型。结果表明：臭氧浓度与气象要素和环境要素的关系是多样的,臭氧与气温、风速整体上呈正相关,与相对湿度、气压、降水量、NO₂、CO、PM_2.5、PM₁₀整体上呈负相关;“注意力机制”下的Seq2Seq模型在预报4 h的臭氧浓度上效果较好,相关系数大于0.6。     

气象要素及前体物对嘉兴市区臭氧浓度的影响

臭氧是光化学反应的重要产物，反映空气质量的重要指标之一，对空气中臭氧浓度变化规律及影响因素开展研究，对大气污染防治具有重要的意义。利用2021年嘉兴市区环境空气质量自动监测站监测结果与相关气象资料，统计了嘉兴市区近地面臭氧污染分布特征，利用Pearson相关性分析了气象要素及前体物NO₂对臭氧浓度的影响，利用最大增量反应活性系数法分析了不同VOCs组分对臭氧生成重要性评估。结果表明，2021年嘉兴市区臭氧浓度月度变化呈“M”型，超标主要出现在5～9月；日变化呈单峰型。臭氧浓度与气温为显著正相关，与相对湿度和气压均为负相关，降水有利于臭氧浓度的降低。白天当风向为西南、南或东南风，风速大于4m/s时，臭氧浓度较高。NO₂与臭氧显著负相关，VOCs中芳香烃对臭氧生成潜势最大。综合现有研究，气象要素及NO₂对嘉兴市区臭氧污染的影响不可忽略，芳香烃对嘉兴市区臭氧生成贡献显著，是臭氧污染优先治理的重要前体物。     

2022年持续高温期四川盆地臭氧污染气象条件分析

对2022年8月6～28日持续高温期四川盆地臭氧污染气象条件进行分析，可为该地区今后根据气象条件进行夏季臭氧污染防治提供相关的理论依据。利用地面臭氧和气象要素观测数据计算该时期各要素平均值，并与2019～2021年同期进行比较，得出以下结果：(1)2022年分析时段四川盆地的平均臭氧浓度和臭氧污染日数高于2019～2021年同期，各区域分布趋势为成都平原>川南>川东北；(2)同时期地面气温和辐射空间上呈东高西低特征，2022年为历年峰值，降水和相对湿度空间上呈西高东低特征，2022年为历年谷值，气象条件分布能较好的与臭氧实况分布相对应；(3)2022年分析时段地面气温和辐射的区域分布趋势为川南>川东北>成都平原，累积降水量和相对湿度的区域分布趋势为川南<川东北<成都平原，与臭氧污染分布趋势略有差异，这可能是因为气象条件是臭氧污染发生的重要影响因素之一，但不是唯一影响因素，臭氧污染的发生还受前体物排放等因素影响。对典型臭氧污染过程及气象条件进行分析，有助于为区域臭氧污染防治提供科学依据，同时为其他地区进行相关研究提供借鉴作用。     

鄂州市城区环境空气的臭氧污染特征及其防治对策

利用鄂州市城区3个环境空气质量自动监测站2015—2016年的监测数据,对空气中臭氧(O3)的污染特征进行了分析。分析结果表明:鄂州市城区空气中臭氧作为首要污染物的占比有逐年增加的趋势。臭氧浓度具有明显的日变化和季节变化规律,日变化呈单峰型且高峰段在13:00—17:00;月变化规律显示6月—9月浓度最高。日照、气温、风向和风速等因素对臭氧浓度变化均有重要影响。结合实际提出了加强产业规划、强化污染治理、加大科普宣传等防治对策。     

浅析攀枝花市2015～2017年气象要素对空气污染的影响

利用2015～2017年攀枝花市污染因子和气象要素实测数据,运用GIS技术、相关分析以及统计分析等方法,分析攀枝花市空气污染因子和气象要素的时空特征及相关性。结果表明:攀枝花市首要污染物为PM₁₀,其次是NO₂;秋冬以PM₁₀和NO₂污染为主,春夏PM₁₀和O₃为主。不同季节,各气象要素对本地空气质量的影响程度及空间分布存在明显差异。弄弄坪一带PM_2.5和SO₂、CO浓度偏高,市中心炳草岗一带PM₁₀、O₃和NO₂浓度偏高。结合本地发展规划和实际情况,根据气象要素分析,为攀枝花市分区分季节的防污减排决策提供气象参考。     

乐山市臭氧生成与前体物之间的关系及其敏感性和控制分析

为初步了解乐山市臭氧生成的主要特征和科学管控,采用Pearson相关性分析法分析一年来臭氧及其前体物之间的相关性,并采用OBM模式和VOCS/NOX比值法分别讨论臭氧生成的敏感性和控制性特征.结果 表明:乐山市氮氧化物与臭氧在夏秋两季呈现正相关,在春冬两季呈负相关;从臭氧的敏感性分析得出臭氧生成潜势PO3-NO:夏季＞...     

2014~2016年成都地区空气污染气象要素分型研究

为研究成都地区发生不同程度空气污染时,地面气象要素的搭配类型特征,基于成都地区2014~2016年多个逐日气象要素值(气温、气压、湿度等)和逐日AQI资料,对2014~2016年成都地区空气质量状况进行特征分析,并且通过TSI天气分型方法,并结合同期逐日空气质量资料探讨了四季不同天气类型下空气质量特征,主要结果为:(1)2014~2016年成都市总体空气质量夏秋季空气质量最佳,春季次之,冬季最差。(2)不同天气类型空气质量状况差异较大。春季3型和4型容易发生轻度污染;夏季1型和4型容易发生轻度污染;秋季3型容易出现轻度污染;冬季4型和5型天气下容易发生轻度污染以上的空气污染状况。研究为成都地区空气污染气象研究提供参考依据,也为空气污染预报提供一些借鉴意义。     

泸州市主城区2019年3月至2020年2月大气颗粒物污染特征及防治对策研究

为了解泸州市主城区颗粒物污染变化特征及成因,选取2019年3月至2020年2月空气自动监测数据,运用Origin2017等技术手段对PM2.5与PM10的时间变化特征、污染来源方向以及污染物之间的相关性进行了分析。结果表明:PM2.5与PM10在不同季节的变化趋势均具有较好的一致性,不同站点污染物相关性特征明显。分析表明:泸州市主城区颗粒物污染成因为工业企业排放、机动车尾气、生物质燃烧、燃煤、扬尘以及不利气象条件等,建议对6类污染排放进行管控。     

乌鲁木齐黑碳气溶胶浓度时间变化特征及影响因素分析

利用乌鲁木齐市环境空气超级站中MAAP-5012型黑碳仪对乌鲁木齐市黑碳气溶胶进行连续一年的监测,并结合乌鲁木齐环境空气质量城市站小时数据和日数据及气象数据对黑碳气溶胶变化情况进行综合分析.结果 表明:2019年6月至2020年5月乌鲁木齐黑碳气溶胶浓度日均值为1 506(±1 096) ng/m3,本底值为575 n...     

长沙市灰霾天气与气象因子相关性研究

根据长沙市2013年PM2.5的逐日质量平均浓度、气象地面和高空观测数据,采用SPSS方法,分析了长沙市灰霾天气发生与气象因子的关系。结果表明:长沙市区的灰霾日以西北风向为主,PM2.5浓度与风速、降水呈显著负相关,与相对湿度、大气压、平均气温相关不明显。风速越小越不利于大气污染物的扩散,在没有降水的情况下,风速达到3.5m/s以上,空气质量才有好转;弱降水对污染物的浓度不会有明显的影响,降水量在5mm以下时,污染物的浓度不会有明显的下降,但强降水对空气有净化作用明显,在不同季节,不同时段,不同天气形势下降水的稀释作用不同;长沙秋冬季边界层稳定性几率高达80%以上,这种稳定层结构是长沙市区各种大气污染源不易扩散的重要因素之一。     

MULTITEMPORAL SCALE HYDROGRAPH PREDICTION USING ARTIFICIAL NEURAL NETWORKS1

Abstract: An artificial neural network (ANN) provides a mathematically flexible structure to identify complex nonlinear relationship between inputs and outputs. A multilayer perceptron ANN technique with an error back propagation algorithm was applied to a multitime-scale prediction of the stage of a hydro-logically closed lake, Devils Lake (DL), and discharge of the Red River of the North at Grand Forks station (RR-GF) in North Dakota. The modeling exercise used 1 year (2002), 5 years (1998–2002), and 27 years (1975–2002) of data for the daily, weekly, and monthly predictions, respectively. The hydrometeorological data (precipitations P_(t), P_(t-1), P_(t-2), P_(t-3), antecedent runoff/lake stage R_(t-1) and air temperature T_(t) were partitioned for training and for testing to predict the current hydro-graph at the selected DL and RR-GF stations. Performance of ANN was evaluated using three combinations of daily datasets (Input I = P_(t)), P_(t-l), P_(t-2), P_(t-3), T_(t) and R_(t-l); Input II = Input-l less P_(t) P_(t-l), P_(t-2), P_(t-3); and Input III = Input-II less T_(t)). Comparison of the model output using Input I data with the observed values showed average testing prediction efficiency (E) of 86 percent for DL basin and 46 percent for RR-GF basin, and higher efficiency for the daily than monthly simulations.     

Prediction of global solar radiation using support vector machines

This article utilizes Support Vector Machines (SVM) for predicting global solar radiation (GSR) for Sharurha, a city in the southwest of Saudi Arabia. The SVM model was trained using measured air temperature and relative humidity. Measured data of 1812 values for the period from 1998–2002 were obtained. The measurement data of 1600 were used for training the SVM, and the remaining 212 were used for comparison between the measured and predicted values of GSR. The GSR values were predicted using the following four combinations of data sets: (i) Daily mean air temperature and day of the year as inputs, and global solar radiation as output; (ii) daily maximum air temperature and day of the year as inputs, and GSR as output; (iii) daily mean air temperature and relative humidity and day of the year as inputs, and GSR as output; and (iv) daily mean air temperature, day of the year, relative humidity, and previous day’s GSR as inputs, and GSR as output. The mean square error was found to be 0.0027, 0.0023, 0.0021, and 7.65 × 10^?4 for case (i), (ii,), (iii), and (iv) respectively, while the corresponding absolute mean percentage errors were 5.64, 5.08, 4.48, and 2.8%. Obtained results show that the SVM method is capable of predicting GSR from measured values of temperature and relative humidity.