中国重点城市空气污染预报及其进展

为更好地反映大气环境污染变化趋势,加大环境污染控制力度,预防严重污染事件发生,开展城市空气质量报告及空气污染预报工作是十分必要的。文章概括地论述了开展此项研究的目的、意义、基本方法及其进展。     

污染模型中参数订正的集合Kalman滤波扩展状态变量法

污染模型中不确定参数的精确订正对于提高模型的精度有着重要的意义。在集合Kalman滤波（EnKF）同化方法的基础上,提出了对模型中不确定参数进行订正的EnKF扩展状态变量法,将不确定参数看成和模型状态变量一样的量,根据观测资料对不确定变量进行订正,以达到订正参数的目的。采用一个简化的空气质量方程,对模型参数订正方案进行检验,结果证明,提出的方案可行和有效。同时发现,随着观测资料精度的提高,无论是参数还是模型的状态变量,估计分析值的精度也得到相应的提高。     

气象因子对臭氧的影响及其在空气质量预报中的应用

为提高重庆市臭氧(O_3)预报准确率,利用2013—2015年5—10月O_3监测数据和气象数据,通过主成分分析、逐步回归分析等方法,确定了影响重庆O_3浓度的主要气象因素为最高温度、温差、太阳辐射、降水量、相对湿度、水气压和压差;通过基于O_3污染水平相似的主要气象控制因子筛选和最优组合的预报结果优化方法,提高了O_3预报准确率,使2016年5—8月O_3的AQI类别预报准确率由57.7%增至72.4%,O_3超标的预报准确率由38%增至46%。     

植物在监测空气污染中的应用

早在一百多年前,人们就已发现植物对空气污染具有指示作用,Grindon(1859年)和Nylander(1866年)首先注意到烟雾和气体的发散使得城市附近地衣数量减少.本世纪20年代,Sernander提出了城市周围的地衣分布存在着三个带的概念,即荒漠带(没有地衣分布)、挣扎带(部分地衣尚可生存)和正常带,并指出不同种类的地衣对空气污染的敏感性不同.50年代后,国外利用植物监测空气污染的研究和应用蓬勃发展.由于植物监测的某些独特作用.即使在当今科技发达的工业化国家,它在环境监测中仍然占有相当重要     

最优化集成方法在城市臭氧数值预报中的应用研究

基于多模式(NAQPMS、CMAQ、CAMx、WRF-Chem)空气质量数值预报业务系统的滚动预报结果,结合站点观测资料,评估了最优化集成方法在城市臭氧数值预报中的可行性和预报效果。一年的评估结果表明:当训练期为15 d时,最优化集成方法能够得到相对较好的结果。总体而言,最优化集成方法对城市臭氧浓度变化趋势和浓度水平的预报效果明显优于单个模式,且在大部分城市优于多模式的最优预报,其预报值和观测的相关系数提高0.11以上,均方根误差降低约10μg/m~3;该方法对城市臭氧污染等级的预报能力也明显优于单个模式,特别是轻、中度污染。此外,在模拟偏差较大的城市,最优化集成方法对预报效果的改进更为显著;在模拟偏差较小的城市,该方法仍可进一步提升预报效果。     

厦门市空气质量臭氧预报和评估系统

为了评价和预测厦门市区空气中臭氧的污染水平,运用2006～2009年的监测数据对臭氧的污染成因及其变化规律进行研究。通过风向、风速、气温、湿度等气象因子对臭氧浓度影响的分析,进而运用多元线性回归法建立厦门市臭氧预报及评估系统。     

淮安地区臭氧浓度预报方程的建立与检验

通过分析2016—2019年淮安地区近地面臭氧浓度与相关气象因子的变化关系,建立臭氧浓度预报模型,并利用2020年数据对预报模型进行检验。结果表明:有利于高浓度臭氧形成的气象条件是适宜的地面气压和高层位势高度,较高的地面温度和高层温度,适宜的地面相对湿度和高层露点温度差,地面和高层有较小的风速和特定的风向,适宜的总辐射辐照度、较低的总云量和低云量以及长时间的日照。定义高浓度臭氧潜势指数(HOPI)和风向指数(WDI),并结合地面和高层气象因子,建立多指标叠套的臭氧浓度预报方程。利用2020年数据对臭氧浓度预报方程进行检验,发现其预报值与实况值的相关系数为0.83,说明预报方程具有较好的拟合效果和可预报性。     

基于KZ滤波法的江淮地区PM2.5浓度变化影响分析

基于2018—2020年合肥、芜湖和马鞍山3个城市国控站点的PM_2.5逐日监测数据和同期地面气象观测资料,利用Kolmogorov-Zurbenko(KZ)滤波对PM_2.5日浓度的原始时间序列进行分解,获取短期分量、季节分量和长期分量,并进行多元线性逐步回归构建各分量与气象因子的模型,最后依据短期分量和基线分量的回归模型和残差分析,对序列进行重建,获取消除气象条件影响的PM_2.5长期分量。KZ滤波分析结果表明：2018—2020年气象条件对江淮区域PM_2.5污染改善影响存在波动,在2018—2019年为负贡献,而在2020年秋冬季则变为正贡献;江淮地区3个城市2018年和2020年PM_2.5修正后的长期分量均值表明气象条件对各市PM_2.5改善影响存在差异较大,气象条件对合肥PM_2.5改善的贡献仅为1.0%,芜湖为7.8%,马鞍山为21.0%;NAQPMS数值模式情景分析结果显示,减排措施对江淮之间PM_2.5浓度改...     

集合数值预报系统在上海市空气质量预测预报中的应用研究

介绍了上海市世博环境空气质量集合数值预报系统的框架,分析了各模式在上海市空气质量预报及排放源污染贡献测算中的应用情况,提出开发多种预报手段、实施集合预报是提高城市空气质量预报准确率的发展方向。     

相似案例比对法在空气质量精细化预报中的应用

2018年首届中国国际进口博览会期间,为开展精细化的空气质量保障预报,以2015年11月13-16日为相似案例,与2018年11月8-11日上海地区的天气要素和PM2.5浓度变化进行相似性分析。结果显示,2个案例中地表压强、地表温度、相对湿度、混合层高度和风向5项主要天气要素的相关系数为0. 66~0. 93,相似离度为0. 09~0. 26,PM2.5浓度的相关系数达0. 8左右,相似离度为0. 2。针对2015年案例的污染过程分析,不仅为2018年案例中的污染时段预报提供了参考,也为空气质量保障工作的管控决策提供了支持。     

日照市大气质量指数分区预报

利用1999年1月至2002年7月日照市环境监测站监测的污染物浓度资料和探空及本站地面气象资料,分析了日照地区可吸入颗粒物(PM_(10))、二氧化硫(SO_2)、氮氧化物(NO_x)浓度变化的时空分布特征及气象要素的变化对污染物浓度时空分布特征的影响。在此基础上,建立了可吸入颗粒物(PM_(10))、二氧化硫(SO_2)、氮氧化物(NO_x)浓度指数预报方程及大气质量指数分区预报流程。并用VB6.0语言编程在微机上建立了简洁流畅、操作简便的大气质量指数分区预报系统。实际预报结果较好。     

西北部主要城市环境空气质量特征与预报影响因素分析

西北部地区经济和工业的快速发展导致各项污染物排放对空气质量影响形势较为严峻,近几年频发的重污染过程严重影响了当地居民的生产生活,因此开展西北部主要城市的空气质量预报工作十分必要。研究选取西北部主要城市展开讨论、分析,并初步总结了主要城市2013—2015年的空气质量分布特征、预报影响因素、预报要点等,为环境监测系统预报工作人员在未来预报业务工作中提供参考。     

中山市2013年污染天气形势和气象要素特征分析

利用2013年中山市空气质量监测资料、气象观测资料、韩国气象厅天气图资料和WRF数值模式模拟分析了中山市全年大气污染的基本特征,总结了易于造成大气污染的典型天气形势和气象要素条件。结果表明:2013年中山市空气污染主要发生在秋季和冬季,首要污染物类型为PM_2.5和O₃,全年共发生12次持续污染事件;当中山市位于我国大陆冷高压底部(冷锋前部)副热带高压脊线北部或台风外围地区时有利于污染发生;中山市的弱(风速1~2 m/s)偏北风或偏东风、合适的相对湿度(40%~60%)和温度(秋季20~25℃,冬季10~15℃)均可能造成秋冬季的大气污染,而高温(大于30℃)是造成夏季大气污染的主要原因。1月PM_2.5重污染期间的WRF数值模拟结果表明:此次PM_2.5污染是小风(风速小于2 m/s)、地面增暖(增温2℃)、增湿(增湿5%以上)综合作用的结果,而大风(风速大于4 m/s)的强扩散作用对PM_2.5的清除效果显著。     

Assessing Respiratory Morbidity Through Pollution Status and Meteorological Conditions for Delhi

The study focuses on assessing the status of respiratory morbidity in Delhi over a four years period from 2000–2003. An attempt was made to investigate the role of important pollutants (SO₂, NO₂, SPM and RSPM) and various meteorological factors (temperature minimum & maximum, relative humidity at 0830 and 1730 hrs. and wind speed) in being responsible for respiratory admissions on account of COPD, asthma and emphysema. The study showed that winter months had greater exposure risk as pollutants often get trapped in the lower layers of atmosphere resulting in high concentrations. Statistical analysis revealed that two pollutants have significant positive correlation with the number of COPD cases viz., SPM (r = 0.474; p < 0.01) and RSPM (r = 0.353; p < 0.05), while a meteorological factor temperature (minimum) has a significant negative correlation (r = −0.318; p < 0.05) with COPD. Stepwise multiple regression analysis was performed for COPD as dependent variable and R² value of 0.33 was obtained indicating that SPM and RH(1730) were able to explain 33 percent variability in COPD. The partial correlation of SPM and RH(1730) on COPD was higher than any other combination and therefore they can be regarded as important contributing variables on COPD.     

长三角空气质量区域预报准确性评估方法研究

根据长三角空气质量区域预报工作的实际需要,对分区文字预报和落区图预报两种方式分别制定了不同的空气质量指数级别预报准确性评估方法。分区文字预报根据设定的预报准确性判定方法计算预报评分,落区图预报按区域内预报准确城市占比进行准确率统计。分区文字预报结果显示,2017年长三角区域的预报准确天数占比为62. 2%,预报评分为70. 2,区域预报评估效果良好。落区图预报评估结果显示,预报级别偏差具有地域性差异,安徽北部、江苏北部和江西中北部预报等级偏高,长三角中南部沿海城市预报等级偏低。该套评估方法可为区域空气质量预报偏差成因分析提供依据,为区域预报工作的改进提供定量参考。     

洛阳市大气污染特征与相关气象要素24小时变化分析

通过对洛阳市环境空气监测资料的统计,归纳出洛阳市区日内24小时环境空气污染变化特征,并结合同步气象观测资料综合分析,找出了二者之间的联系特征。引入气温日较差这一便于观测、预报的气象要素表征空气污染物垂直扩散特征,为今后进行污染预报提供了新的思路。     

三亚市臭氧污染特征、输送路径及潜在源区分析

基于2015-2019年三亚市空气质量自动监测数据和气象观测资料,结合后向轨迹聚类与潜在源区分析等方法,分析了三亚市O₃污染特征。结果表明:2015-2019年三亚市O₃浓度总体优良,优良天数比例为97.9%(标准状态),超标天均为轻度污染,多发生在秋冬季。O₃浓度与平均相对湿度、气温和降水量呈负相关关系,与平均风速呈正相关关系,同时与风向密切相关。6-8月气温较高,主导风向为偏南风,O₃及其前体物以本地排放为主,O₃浓度较低;秋冬季盛行东北风,易受到来自内陆的污染传输影响,O₃浓度相对较高。当日最高气温为20~30℃、日均相对湿度为65%~85%、日均风速为3~8 m/s、主导风向为东北风时,三亚市发生O₃超标的概率较高。台风外围和冷高压南下是导致三亚市O₃超标的2种典型天气形势。经聚类分析得到,2019年2个污染过程气团输送路径均来自东北方向,潜在源区分析WPSCF与WCWT的高值区一致性较好,均表明珠三角地区是三亚市重要的O₃污染潜在源区,需要加强与珠三角地区O₃污染的联防联控。     

Grey Box and Component Models to Forecast Ozone Episodes: A Comparison Study

For the purpose of short-term forecasting of high ozone concentration episodes stochastic models have been suggested and developed in the literature. The present paper compares the quality of forecasts produced by a grey box and a component time-series model. The summer ozone patterns for three European urban areas (two continental and one mediterranean) are processed. By means of forecast performance indices according to EC and WHO guidelines, the following features of the models could be found: The grey box model is highly adaptive and produces forecasts with low error variance that increases with the time horizon of forecast. The component model is more 'stiff' that results in a higher forecast-error variance and poorer adaption in detail. The forecast horizon, however, could be enlarged with this model. The accuracy of predicting threshold exceedance is similar for both models. This can be understood from the assumption of a cyclical time development of ozone that was made for both models.