电力行业多污染物协同控制的环境效益模拟

为定量分析电力行业多污染物协同控制与区域复合型大气污染之间的定量关系,评估不同控制情景下的环境质量效益,应用CMAQ空气质量模型分别对2008年基准排放情景、2015年和2020年目标控制情景的硫、氮沉降及PM_2.5污染状况进行模拟. 结果表明:2015年和2020年我国陆地硫沉降总量将由2008年的678.87×104 t分别降至602.02×104和578.26×104 t,降幅分别为11.32%和14.82%,平均每减排1 t SO₂可减少0.2～0.3 t硫沉降;2015年和2020年的陆地氮沉降总量将由2008年的1 064.67×104 t分别降至1 042.02×104和1 037.06×104 t,仅分别降低了2.13%和2.59%,但重度氮沉降区域明显缩小,2015年和2020年氮沉降强度大于5 g/m2的区域将比2008年分别降低17.12%和22.01%;2015年和2020年ρ(PM_2.5)年均值超过GB 3095─2012《环境空气质量标准》二级标准(35 μg/m3)的国土面积分别仍将高达289.14×104和286.68×104 km2,与2008年(298.99×104 km2)相比,降幅分别为3.29%和4.12%,但重污染区域显著减少,并且ρ(PM_2.5)年均值超过70 μg/m3的区域将比2008年减少9.31%和12.41%.      

西宁市PM2.5水溶性无机离子特征及其来源解析

为探讨西宁市PM_2.5水溶性无机离子的特征及其来源,于2017年1月-2018年4月在西宁市开展PM_2.5样品采集工作,使用离子色谱仪分析水溶性无机离子.结果表明:西宁市大气中ρ（PM_2.5）平均值为（42.7±36.6）μg/m3,4个采样点ρ（PM_2.5）大小顺序依次为市区（54.9 μg/m3）>工业区（44.1 μg/m3）>郊区（40.8 μg/m3）>农村（28.3 μg/m3）;ρ（PM_2.5）季节性分布特征明显,呈冬季最高、夏季最低的特征.SNA（为SO₄2-、NO₃-和NH₄+的统称）是最主要的水溶性离子,占总水溶性离子的66.3%,SNA季节性分布特征为冬季最高、夏季最低.4个采样点SOR（硫氧化率）和NOR（氮氧化率）平均值均大于0.10,说明SO₄2-和NO₃-主要来源于二次转化.采样期间PM_2.5中ρ（NO₃-）/ρ（SO₄2-）为0.72,表明燃煤源排放大于交通源排放.主成分分析显示,西宁市PM_2.5水溶性离子来源主要为二次粒子源、工业源、扬尘源和燃烧源.研究显示,西宁市城区、工业区、郊区大气中ρ（PM_2.5）平均值均超过GB 3095-2012《环境空气质量标准》一级标准限值,建议减少PM_2.5的产生应以控制二次粒子源、工业源、燃烧源和扬尘源为主.      

焦作市大气污染时空分布特征及来源分析

焦作市是京津冀地区"2+26"通道城市之一.为研究焦作市大气污染特征,于2016年1月-2018年2月使用3个国控站点（马村区生态环境局、焦作市生态环境局和高新区政府）大气环境监测数据,以及2018年1月焦作市边界站PM_2.5及其化学组分（水溶性离子和碳组分）监测数据进行分析.结果显示:焦作市大气污染以PM_2.5污染为主,2017年ρ（NO₂）、ρ（PM_2.5）、ρ（PM₁₀）、ρ（CO）和ρ（SO₂）平均值分别为42.4 μg/m3、79.0 μg/m3、136.5 μg/m3、1.42 mg/m3和38.3 μg/m3,较2016年分别下降了10.5%、10.6%、11.2%、20.7%和37.6%.在时间分布上,大气污染物质量浓度日变化具有明显的季节性特征,春、夏两季ρ（NO₂）日变化较秋、冬两季呈更宽的"U型",ρ（SO₂）峰值出现在12:00左右,推测原因与夜间高架源排放有关;在空间分布上,本地一次污染排放可能主要来自市区工地扬尘、西南地区交通源和东部污染点源.观测期间,ρ（NO₃-）、ρ（NH₄+）和ρ（SO₄2-）较高,平均值分别为39.42、23.66和23.01 μg/m3,分别占水溶性离子质量浓度的41.8%、25.1%和24.4%,占ρ（PM_2.5）的27.4%、16.4%和16.0%.污染天的NOR（氮转化率）（0.35）和SOR（硫转化率）（0.43）明显高于清洁天的NOR（0.25）和SOR（0.18）,表明污染天NO₂和SO₂二次转化程度更高.SOR和NOR随相对湿度的增加而增加,表明相对湿度较高时有利于NO₂和SO₂的二次转化.污染天和清洁天ρ（SOC）（SOC为二次有机碳）估算值分别为19.79和3.51 μg/m3,分别占ρ（OC）的79.4%和54.9%,占ρ（PM_2.5）的9.8%和10.4%,表明焦作市SOC对OC有较大的贡献.PSCF（潜在源贡献因子法）结果表明,本地源是影响焦作市秋、冬两季PM_2.5的主要潜在源,太行山南麓区域输送也对其有一定贡献.研究显示,焦作市大气污染较严重,本地一次排放、二次转化和区域输送是焦作市PM_2.5的主要来源.      

利用集合均方根卡尔曼滤波反演重庆地区SO2源排放

传统的"自下而上"清单方法估算的排放清单,其数据的准确性和时效性存在较大局限.基于集合均方根卡尔曼滤波的源清单反演方法,结合WRF-CMAQ（天气研究和预报模式-公共多尺度空气质量模型）被用于对以清华大学编制的2010年MEIC（中国多尺度排放清单模型）排放清单为基础制作的重庆地区SO₂排放源进行反演试验以解决准确性和时效性问题,试验时间段为2014年10月15-31日,重庆主城17个环境空气质量国控监测点ρ（SO₂）小时观测资料用于反演及检验.结果表明:该方法能够反演重庆地区SO₂源排放量,随着反演次数增加,基于反演排放源预报的ρ（SO₂）预报误差持续减小,反演4次后预报误差达到比较低的稳定的水平,其均方根误差均低于20 μg/m3. 5次反演后SO₂源排放量用于2014年10月24-29日每天起始预报,其预报的站点、时间平均的均方根误差从100~400 μg/m3降至30 μg/m3以下.反演中应用局地化尺度减少集合取样误差影响,54与81 km两个局地化尺度反演结果对预报改善效果相当,表明主要影响重庆主城ρ（SO₂）的源排放位于主城及周边地区,也说明内源排放对重庆主城ρ（SO₂）起主要影响.反演后面源排放量主城区降幅约为30 kg/（d·km2）,周边地区减少10~20 kg/（d·km2）,主城区部分SO₂点源排放量降幅约为25 kg/（d·km2）,说明2010年MEIC排放清单高估了试验时段重庆地区的SO₂排放.      

基于CMAQ空气质量模型研究机动车对济南市空气质量的影响

为研究济南市机动车排气对城市区域空气质量的影响,利用环境空气质量监测站点（简称"1号站点"）和路边机动车尾气监测站点（简称"2号站点"）的在线数据,以及基于4种模拟情景的CMAQ空气质量模型预测数据,研究了济南市城市区域大气污染物质量浓度变化规律及不同机动车车型对6种常规大气污染物的贡献.结果表明:①在采暖季,1号站点ρ（PM_2.5）、ρ（PM₁₀）、ρ（NO₂）、ρ（CO）、ρ（O₃）和ρ（SO₂）月均值分别为435 μg/m3、702 μg/m3、84.2 μg/m3、6.8 mg/m3、4.5 μg/m3和92 μg/m3.②2015年12月24日（灰霾天）,1号站点ρ（CO）、ρ（PM_2.5）和ρ（PM₁₀）均明显升高,ρ（SO₂）、ρ（O₃）和ρ（NO₂）均变化不明显.2个监测站点中ρ（NO₂）和ρ（PM₁₀）均呈双峰趋势,2个峰值出现的时间与上、下班高峰期基本一致.除ρ（O₃）和ρ（SO₂）达GB 3095-2012《环境空气质量标准》二级标准外,其他污染物均超过GB 3095-2012二级标准限值,采暖季大气污染特征为颗粒物型污染.③机动车对研究区域NO₂和PM₁₀贡献率较大,其中,小型车对CO、NO₂、PM₁₀和PM_2.5贡献率最大,其贡献率分别为85.7%、50.1%、53.4%和52.8%.机动车排放源能降低空气中ρ（O₃）,其总贡献率为-25.5%,其中大型车、中型车、小型车对O₃的贡献率分别为-8.8%、-2.7%和-8.9%.灰霾天下不同机动车车型对空气中污染物质量浓度的总贡献率均比采暖季大.研究显示,济南市采暖季大气污染特征为颗粒物型污染,机动车排放源对空气中NO₂和PM_2.5有较大贡献.      

珠江三角洲地区工业排放变化对SO2和NOx及其二次污染物浓度的影响

在2000年珠江三角洲工业排放清单基础上,利用2003年工业能源消耗量,结合文献和实测排放系数,建立了珠江三角洲2003年工业排放清单. 比较2个工业排放清单发现,2003年珠江三角洲SO₂,NO_x的工业总排放量比2000年分别增加60%与50%;排放增加主要在东莞、佛山、广州和珠海. 利用在线大气化学模式(WRF-Chem)分别对2个工业排放清单进行数值模拟,结果表明: ρ(SO₂),ρ(NO_x)变化趋势与污染源排放的变化有较好的对应关系,ρ(SO₂)在东莞、广州和佛山增加最多,最大增值分别为180,150和150 μg/m3;ρ(NO_x)增加最多的地区也在东莞、广州和佛山,最大增值分别为60,30 和30 μg/m3. SO₄2－与NO₃－和一次污染物的高值中心不对应且变化趋势有差异,表明二次污染物的分布不仅受排放影响,同时也受污染物输送与转化的影响.      

基于2012—2018年内江市PM2.5化学组分变化对《大气污染防治行动计划》实施效果的评估

2013年9月国务院发布了《大气污染防治行动计划》（简称"《气十条》"）.基于《气十条》实施前期（2012年5月-2013年5月）和实施后期（2015年9月-2016年9月）在四川省内江市采集的PM_2.5及其化学组分,以及2013-2018年空气自动监测站在线监测数据,通过比较分析PM_2.5中WSIIs（water-soluble inorganic ions,水溶性离子）和6项常规污染物质量浓度的变化来评估《气十条》实施效果,同时应用PMF（positive matrix factorization,正矩阵因子分析法）模型解析WSIIs源变化以探究空气污染源的改变.结果表明:①2018年内江市ρ（SO₂）、ρ（NO₂）、ρ（PM₁₀）、ρ（PM_2.5）、ρ（O₃）和ρ（CO）年均值分别为9.4 μg/m3、23.9 μg/m3、53.1 μg/m3、34.9 μg/m3、140.0 μg/m3和1.1 mg/m3,6项污染物首次全部达到GB 3095-2012《环境空气质量标准》二级标准.②《气十条》实施后期ρ（PM₁₀）和ρ（PM_2.5）分别为（74.5±55.1）（63.0±47.0）μg/m3,较实施前期分别下降了36%和20%,说明《气十条》的实施明显改善了空气质量.PM_2.5中ρ（SO₄2-）和ρ（NO₃-）分别下降了47%和25%,表明SO₂和NO_x的排放均得到有效控制;PM_2.5中ρ（K+）和ρ（Mg2+）分别增加了66%和92%,这与春节期间燃放烟花爆竹和生物质燃烧有关,因此应加强对重点时段特殊事件的管控.③相较《气十条》实施前期,实施后期ρ（PM_2.5）/ρ（PM₁₀）由0.69升至0.84,SOR（sulfate oxidation ratio,硫氧化率）由0.22增至0.25,说明PM_2.5和二次污染占比增加.④PMF模型解析结果发现,与《气十条》实施前期相比,实施后期的燃煤-工业源、二次硫酸盐、二次硝酸盐和扬尘源对ρ（PM_2.5）的贡献量下降,生物质燃烧源对ρ（PM_2.5）的贡献量增加;燃煤-工业源和二次硫酸盐对ρ（PM_2.5）的贡献率之和大幅下降,二次硝酸盐和生物质燃烧的贡献率均升高.研究显示,《气十条》的实施使内江市燃煤和工业排放得到显著控制,但机动车和生物质燃烧尚需严控.      

新型冠状病毒肺炎疫情防控时期上海市空气质量特征及成因分析

为研究新型冠状病毒肺炎（COVID-19）疫情防控政策实施对上海市大气污染物质量浓度的影响,利用上海市内环某高层顶楼微环境平台观测了政策实施前10 d（2020-01-14—23）和实施后20 d（2020-01-24—02-12）的PM_2.5和PM₁₀质量浓度及气象要素（温度、相对湿度、风向、风速、大气压及降雨）,结合2019年同期观测数据和杨浦四漂空气质量监测点的气态污染物逐时数据,采用描述性统计、合成分析、拉格朗日粒子扩散模式和Spearman相关系数方法,分析了政策实施前、后大气污染物特征及其影响因素。结果表明:1）污染物浓度变化方面。政策实施后,ρ（PM_2.5）和ρ（PM₁₀）和ρ（NO₂）均明显降低,ρ（PM_2.5）和ρ（PM₁₀）分别由61.4,102.4 μg/m3降至38.1,63.5 μg/m3,降幅均为38.0%,ρ（NO₂）由57.3 μg/m3降至27.0 μg/m3,降幅达到52.9%,而ρ（O₃）由47.6 μg/m3增至69.5 μg/m3。ρ（PM_2.5）和ρ（PM₁₀）日变化特征由实施前的双峰双谷型变为单谷型。2）气象因素影响方面。上海地区南风异常减弱了冬季风强度,对流层中层正距平异常抑制了对流活动的发展,易导致大气污染物在近地面的汇聚。ρ（PM_2.5）和ρ（PM₁₀）与相对湿度呈负相关,风速对ρ（PM_2.5）和ρ（PM₁₀）的影响与风向有关。3）外源输入影响方面。长三角城市群及山东省、河南省等周边区域对上海市ρ（PM_2.5）和ρ（PM₁₀）贡献显著。     

基于多源异构数据的沧州市大气环境管理APP平台的构建与应用

大气环境管理平台是目前我国城市大气环境管理的重要手段.利用气象、空气质量、污染源等多源异构数据资料,以模型集成分析的方法,针对沧州市的消峰和污染减排问题,开发了大气环境管理平台（APP）,并对沧州市大气污染过程进行综合分析和验证.以沧州市2019年1月27-30日两次大气污染过程为例进行分析,结果表明:①污染过程1（2019年1月27日14:00-1月28日02:00）中ρ（PM_2.5）/ρ（PM₁₀）平均值为0.59,ρ（SO₂）、ρ（NO₂）和ρ（CO）平均值分别为37.0 μg/m3、66.7 μg/m3和1.5 mg/m3;污染过程2（1月29日10:00-1月30日09:00）中ρ（PM_2.5）/ρ（PM₁₀）平均值为0.61,ρ（SO₂）、ρ（NO₂）和ρ（CO）平均值分别为38.5 μg/m3、67.7 μg/m3和1.8 mg/m3,说明加强对前体物的控制是削弱重污染时段ρ（PM_2.5）的重要途径.②污染过程1的相对湿度在重度污染时段增长显著,污染过程2中相对湿度有10 h在70%以上;同时,在此期间风速较小,近地面逆温层较厚,从而加速了颗粒物吸湿增长和二次转化,说明高湿、低风速等气象条件是形成重污染天气的主要原因之一.③源解析结果表明,外来源的平均贡献率为44.73%,本地源的平均贡献率为55.27%,本地工业源、民用源、交通源和电力源贡献率分别为42.20%、11.97%、1.00%和0.10%,说明重污染期间沧州市受到周边区域传输具有一定的可能性,本地源的贡献主要来自工业源和民用源.      

西安市道路PM2.5 NO2 CO水平浓度分布特征

为获得西安市道路PM_2.5、NO₂和CO的水平浓度分布特征,选取小寨和秦岭环山路作为西安市城区道路和郊区道路的代表,采用水平分布的监测方法获得了每条道路距离道路边缘0、15和50 m处的ρ（PM_2.5）、ρ（NO₂）和ρ（CO）.结果表明:与秦岭环山路（下称秦岭）相比,城区观测点小寨的ρ（PM_2.5）、ρ（NO₂）和ρ（CO）分别为（88±50）（78.6±29.8）μg/m3和（1.5±0.3）mg/m3,均高于秦岭三者的质量浓度[分别为（55±23）（47.9±19.8）μg/m3和（1.4±0.1）mg/m3].在空间分布上,ρ（PM_2.5）、ρ（NO₂）、ρ（CO）水平梯度分布明显.与距离道路边缘0 m处相比,小寨ρ（PM_2.5）在距离道路边缘15和50 m处分别减少了6.48%、7.96%,秦岭减少了5.45%、9.09%;小寨ρ（NO₂）在15和50 m处分别减少了8.57%、14.29%,秦岭减少了15.45%、24.89%;在距离道路边缘50 m处小寨ρ（CO）减少了25.00%,而秦岭在距离道路边缘15和50 m处分别减少了25.00%、41.67%.研究显示,来自于机动车排放的PM_2.5、NO₂和CO在道路两侧有明显的距离效应,并且郊区观测点水平递减更明显.      

2013—2014年《大气污染防治行动计划》实施效果及对策建议

2013年9月10日国务院颁布了《大气污染防治行动计划》(下称《行动计划》).为研究《行动计划》颁布前后我国不同地区大气污染状况变化及其防治措施效果,通过分析2013—2014年“中国大气气溶胶研究网络(CARE-China)” 36个监测站点ρ(PM_2.5),结合同期环境保护部公布的74个重点城市大气主要污染物浓度数据和OMI卫星数据,分析了我国不同地区ρ(PM_2.5)变化及其原因;同时,以北京为例,分析了不同粒径段中颗粒物质量浓度变化的原因.结果表明:①京津冀及其周边、长三角、珠三角、西南、成渝、西北、华中、关中和东北9个地区ρ(PM_2.5)年均值下降了1.1～16.3 μg/m3.其中,京津冀及其周边、长三角、珠三角、成渝和关中地区降幅均超过10.0%,分别为10.2%、10.7%、11.6%、16.9%和20.8%.②不同地区ρ(NO₂)和ρ(SO₂)年均值变化基本一致,近地面ρ(NO₂)年均值在京津冀及其周边、珠三角、西南、成渝和华中等地区降幅在3.0%～9.2%之间,但是华北平原地区NO₂柱浓度下降明显,降幅在10.0%～20.0%之间.③北京地区ρ(PM₁)和ρ(PM_2.5)年均值分别下降了5.7和0.2 μg/m3,并且ρ(NO₃-)和ρ(SO₄2-)年均值在PM₁和PM_2.5中均有所下降,但ρ(PM_1~2.5)与其ρ(NH₄+)年均值升幅分别为27.9%和16.2%.因此,京津冀及其周边地区在防治措施实施过程中,在控制高架点源与实施脱硝措施等情况下,应逐步加强近地面面源和线源的控制力度;在实施SO₂和NO_x减排措施的同时,还需要重视机动车三元催化过程和燃煤电厂脱硫脱硝过程中可能导致的NH₃排放问题.      

基于卫星遥感数据和污染控制政策分析河南省2001—2018年SO2浓度变化特征

为研究河南省长时间序列的ρ（SO₂）变化特征,运用MERRA-2卫星遥感资料并结合《大气污染防治行动计划》的实施,对河南省2001—2018年ρ（SO₂）的时空分布特征进行分析.结果表明:①河南省2001—2018年ρ（SO₂）的空间分布呈东北高、西南低的特征,高值、低值区域分别位于焦作市-新乡市-郑州市北部一带和洛阳市-三门峡市-南阳市交界一带;秋季、冬季ρ（SO₂）高于春季、夏季,冬季ρ（SO₂）比春季、夏季高50%~70%.②2011年前,河南省年均ρ（SO₂）不断上升,北部较南部增速快,年均增速为3.5~4.0 μg/（m3·a）;2011年后,西北部大部分地区ρ（SO₂）呈下降趋势,焦作市-新乡市-安阳市一带下降最快.③2013年《大气污染防治行动计划》实施后,河南省北部ρ（SO₂）呈递减趋势,濮阳市及其周边下降最快,降速超过0.4 μg/（m3·a）;但中南部仍呈缓慢增长趋势,增速高达0.6 μg/（m3·a）.研究显示,主要污染物总量的减排和《大气污染防治行动计划》的实施促进了河南省ρ（SO₂）的下降,但不处于京津冀大气污染传输通道“2+26”城市的地区ρ（SO₂）下降速度较慢甚至略有增长,应进一步加大非传输通道城市大气污染防治力度.      

石家庄市主城区臭氧污染特征及气象成因分析

为了解石家庄市主城区O₃(臭氧)污染特征及其影响因子,基于2015-2018年石家庄市空气质量连续监测资料和同期气象数据分析了主城区O₃污染总体特征及气象成因.结果表明:①石家庄市主城区大气光化学污染日益严峻,ρ(O₃)日均值由2015年的47 μg/m3增至2018年的66 μg/m3,ρ(O₃)超过GB 3095-2012《环境空气质量标准》二级标准限值的天数由2015年的20 d增至2018年的70 d.②ρ(O₃)存在明显的季节性差异,呈夏季[(89±33)μg/m3] >春季[(69±25)μg/m3] >秋季[(40±26)μg/m3] >冬季[(28±16)μg/m3]的特征;ρ(O₃)日变化呈单峰型分布,谷值出现在06:00-07:00,峰值出现在15:00-16:00,且15:00-17:00是ρ(O₃)超标的高发时段.③ρ(O₃)与气温呈指数关系,当气温为20~25、25~30、≥ 30℃时,ρ(O₃)日均值分别为75、90及119 μg/m3.ρ(O₃)在相对湿度为60%时存在拐点,当相对湿度≤ 60%时,ρ(O₃)随相对湿度的增大而上升;当相对湿度>60%时,ρ(O₃)随相对湿度的增大而下降.风速与ρ(O₃)呈分段线性关系,当风速 < 2 m/s时,ρ(O₃)随风速的增加而上升;当风速≥ 2 m/s时,ρ(O₃)随风速的增加而下降.④影响石家庄市主城区ρ(O₃)升高的污染源主要位于其东-东南-南方位,其次为东北-东方位,而西部和北部地区则较少.⑤石家庄市主城区ρ(O₃)超标多发生在气温>20℃,相对湿度介于40%~70%之间,风速在1.5~3.0 m/s之间的气象背景下,经统计,当气象条件同时符合上述三项气象要素时,ρ(O₃)超标天数占3-10月总超标天数的66.5%.研究显示,气温>20℃、相对湿度为40%~70%、风速为1.5~3.0 m/s的气象条件可初步作为石家庄市主城区O₃污染的预警指标.      

2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征

乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ（PM_2.5）、ρ（PM₁₀）监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM_2.5、PM₁₀的时空分布特征.结果表明:ρ（PM_2.5）从2015年（66.60 μg/m3）到2016年（76.93 μg/m3）呈上升趋势,在2016—2018年呈单一下降趋势;ρ（PM₁₀）从2015年（132.74 μg/m3）到2016年（125.93 μg/m3）呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ（PM_2.5）、ρ（PM₁₀）平均值比城市中心（商业区、居民区）分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ（PM_2.5）、ρ（PM₁₀）均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ（PM_2.5）/ρ（PM₁₀）呈先增后降的趋势,冬季以PM_2.5污染为主,其他季节以PM₁₀污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系.      

基于机器学习方法的西安市数值模拟优化研究

为提高西安市ρ(PM_2.5)及ρ(O₃)预报准确率,更好地服务西安市预报预警工作,以CAMx模式预报结果为基础,结合中尺度WRF气象预报数据、ρ(PM_2.5)及ρ(O₃)观测数据,基于多元线性回归、岭回归、lasso回归、决策树、随机森林以及支持向量机6种机器学习优化模型,对西安市2019年PM_2.5及O₃模拟结果进行优化.结果表明:①CAMx模式对污染物的预报存在偏差,优化模型明显修正了CAMx模式的系统性偏差,提高了预报精度.②ρ(PM_2.5)及ρ(O₃)的均方根误差(RMSE)由174.00、37.11 μg/m3分别降至34.36~39.37、24.77~28.82 μg/m3,相关性系数(R)由0.63、0.78分别提至0.70~0.78、0.83~0.88.③不同模型对模拟值的订正优势不同,随机森林对PM_2.5优化效果显著,优化提高率为80%;支持向量机对O₃的优化效果最理想,优化提高率为36%;线性回归方法对O₃的优化效果较好,但对PM_2.5的优化效果相对较差.研究显示,机器学习模型显著优化了CAMx模拟结果,反映了利用机器学习修正空气质量数值模式预报结果的研究意义和可行性.