成都市空气质量预报系统的应用及预报效果评估

介绍了成都市空气质量预报系统的模式设置和排放源处理,并评估其对2017年2月成都市的气象要素和PM_(10)、PM_(2.5)、SO_2、NO_2小时浓度的24小时预报效果。结果表明,系统能较好的预报成都市主要气象要素的逐小时变化情况,平均气温、气压和相对湿度的相关系数均在0.72以上,但对累积降水的预报效果仍需优化;系统能合理的反映各污染物的时空分布,PM_(10)和PM_(2.5)的预报效果达优秀水平,但存在不同程度的高估;NO_2的预报值与实况值的时间变化趋势一致性最高,空间分布对应较好,但模式预报对其存在一定程度的低估;对SO_2有显著的高估,但其空间分布模拟效果最佳。优化源的空间分配,及时更新源排放清单,同时针对不同排放源提高小时尺度排放清单分辨率可能是未来提高成都市空气质量预报系统预报准确率的有效途径。     

湖南省臭氧预报效果评估

基于2017年3月—2018年2月湖南省14市臭氧观测资料,对WRF-Chem模式预报效果进行评估。结果表明,模式24 h预报结果能够较好地抓住观测到的臭氧变化趋势,其预报结果在14个城市的平均相关系数为0.6,最高可达0.71。对比不同时效臭氧预报结果发现,随着预报时长的增加,预报偏差呈增大趋势, 72 h预报结果仍具有预报价值。统计O3为首要污染物天数,发现多出现在春季、夏季和秋季,且模式的预报准确率可达70%。     

江苏省空气质量预报预警工作探析

江苏省重污染天气预报预警系统建设于2014年,系统集数据中心、预报中心和分析运算中心功能为一体。江苏省空气质量预报预警工作主要体现在常规预报、重污染天气预警预报、预报可视化会商3个方面,实行预报员轮值制度,在遇可能发生重污染天气时,及时向公众发布空气质量预警信息,预警信息中预警等级与条件遵循省政府修订的最新江苏省重污染天气应急预案。在冬春季污染频发时段,参与长三角区域空气质量可视化会商,遇重大活动期间参与周边省份及城市空气质量联合保障工作,积累了大量的预报预警工作经验。     

关于吉林省开展城市空气质量预报探讨

目前,随着沙尘暴不断出现,空气质量预报已为人们所关注。为了更好地反映环境污染变化趋势,加大环境污染控制力度,预防严重污染事件发生,开展城市空气质量预报工作是十分。必要的,本文概括地论述开展此项工作的目的、意义、方法及其进展,同时结合吉林省实际情况,指出了目前吉林省要开展此项工作应注意的一些问题。     

青藏铁路沿线风沙指数预报方法研究

文章利用欧洲数值预报产品和青藏铁路沿线海晏到当雄12个气象站日最大风速资料,采用完全预报方法设计思路,以逐步回归为因子分析方法,研制了一套应用欧洲数值预报模式输出、适用于铁路沿线风沙指数预报的完全预报方法,从2007年10月进行了业务试运行。检验和业务试用结果均表明:该方法对铁路沿线风沙指数具有较强的预报能力,用完全预报方法做风沙指数预报是可行的,并有一定的实用价值。     

神经网络在空气污染预报中的应用研究

空气污染预报是一项复杂的系统工程，是当今环境科学研究的热点，国内外已有将神经网络法应用于大气污染预报的研究。本论文以PM2．5为例，采用伦敦市PM2．5的小时平均浓度数据，使用传统的BP神经网络建立预报模型，定量预测伦敦市PM2.5的小时平均浓度，探讨了大气污染预报网络的建模过程中，扩大样本集、去除样本集数据噪声和在输入向量中加入气象变量等因素对建模所产生的影响。最后得出结论，适当的选择样本集、气象变量，有利于提高所建立网络模型的预测精度。     

桂林市霾天气的潜势预报模型研究

利用2012年1月～2015年12月桂林国家基本气象站观测到的地面、高空气象观测资料及大气成分观测资料,从污染物浓度、水汽、风速、大气层结、降水等几个方面初选了29个预报因子,根据这些因子与霾天气相关程度,选取相关显著的因子,分别用事件概率回归、逻辑回归、指数叠加等3种方法建立桂林霾天气的潜势预报模型。结果表明:3种潜势预报模型中Logistic无论是在回报还是预报检验中效果都最好,其中在预报检验中空报率、漏报率、TS评分、准确率分别为32. 0%、34. 5%、50. 2%、80. 3%,事件概率回归、指数叠加建立模型效果稍差,但事件概率模型漏报率只有21. 4%。整体而言,3种模型预报效果稳定,TS预报评分都在50%左右,准确率均超过74%,在实际预报中有较好地参考价值。     

基于深度学习的大数据空气污染预报

为了更好地反映环境污染变化趋势,为环境管理决策提供及时、全面的环境质量信息,预防严重污染事件发生,开展城市空气质量预报研究是十分必要的.本文针对环境大数据时代下的城市空气质量预报,提出了一种基于深度学习的新方法.该方法通过模拟人类大脑的神经连接结构,将数据在原空间的特征表示转换到具有语义特征的新特征空间,自动地学习得到层次化的特征表示,从而提高预报性能.得益于这种方式,新方法与传统方法相比,不仅可以利用空气质量监测、气象监测及预报等环境大数据,充分考虑污染物的时空变化、空间分布,得到语义性的污染物变化规律,还可以基于其他空气污染预测方法的结果(如数值预报模式),自动分析其适用范围、优势劣势.因此,新方法通过模拟人脑思考过程实现更充分的大数据集成,一定程度上克服了现有方法的缺陷,应用上更加具有灵活性和可操作性.最后,通过实验证明新方法可以提高空气污染预报性能.     

青海南部地区大风天气分析和预报

大风天气是青海南部地区频繁发生的重大灾害性天气之一。本文通过普查该区1971—2000年风速大于等于17m／s的大风天气过程,得出大风分布特征,并用天气学方法对24h内本地有区域性大风（相邻三站以上）的42个天气过程进行了环流分型和诊断分析,总结归纳出了产生本地区域性大风的天气学指标,给出了大风预报的一般思路和预报着眼点。     

青海省公路沿线降水相态预报指标分析研究

利用青海省公路交通沿线2005—2015年春秋季节西宁、都兰、达日和结古4站的高空资料和地面气象观测资料,分析总结了青海省公路交通沿线降雨、降雪和雨夹雪降水相态预报指标。得到青海省公路交通沿线降水相态中液态降水、固态降水和混合性降水均有发生;大气平均厚度状态能较准确识别降水相态的变化;地面到500hPa、地面到400hPa和地面到300hPa平均厚度阈值可以作为预报降水相态的重要参考指标,同时结合T500和地面温度,对预报青海省公路沿线降水相态具有较高的准确率,对降水相态预报有很好的指示意义。     

万盛大气污染特征分析及污染预报模型的建立

利用2017年4月1日～2019年3月31日万盛经开区万东北路站点的空气质量日均值监测数据进行分析发现,万盛大气污染具有很强的季节变化特征,冬半年主要污染物为PM_(2.5),夏半年主要污染物为O_3,冬半年污染重于夏半年,颗粒物污染重于O_3污染。万盛污染以轻度污染为主,仅有冬季会出现中度以上污染天气,其首要污染物均为PM_(2.5)。利用多元回归模型和差分自回归移动平均模型(ARIMA)建立了万盛PM_(2.5)、PM_(10)与O_3的预报模型。通过对模型得出的预报值与实况值的比较来看,预报与实况的变化趋势基本一致,均可以较好的指示未来AQI的变化趋势。多元回归预报模型中,O_3的预报效果要远好于PM_(2.5)和PM_(10);而ARIMA预报模型三者预报效果接近。总体来说,ARIMA (p,d,q)预报模型对颗粒物污染的预报效果要远好于多元回归预报模型,而O_3则两种模型预报效果接近。     

迭加模型在地下水水情预报中的运用

地下水水情预报方法较多,西宁监测区1993～2000年尝试运用迭加模型进行中长期预报,通过对预报值多种检验,准确率可达85％。基本反映出地下水动态趋势性,值得借鉴与推广。     

秦皇岛沿海灾害性天气对自然环境的影响和预报

风暴潮天气是一种灾害性的自然现象。一般情况下,大于500 km的东到东北大风持续12个小时,且风速大于或等于6级,将在秦皇岛沿海形成风暴潮天气。通过分析引发风暴潮天气的动力条件,风暴潮与台风、温带气旋等天气系统相关联系,再根据天文、潮汐变化、台风、温带气旋24 h诊断预报,判断台风、温带气旋移动径,从而达到准确预报风暴潮天气之目的。分析表明:成灾风暴潮多发生在朔日和望日及其后的5天。     

2003年青海大雨天气成因及预报分析

文章利用2003年5至10月逐日资料分析,对青海大雨天气过程的空间分布、高空环流形势进行了统计分析;着重探讨了低频重力波指数、假相当位温在大雨预报中的作用,初步得到了低频重力波指数、假相当位温配合高空环流形势制作青海高原地区大雨、暴雨的预报方法。     

开远市空气污染与气象条件关系及污染等级预报方法

为探究空气污染与气象条件的关系，以及基于气象条件的空气污染等级报方法，以开远市为例，利用相关性分析、数值统计预报方法及《空气污染扩散气象条件等级》标准进行了分析。结果表明：(1)开远空气污染具有“冬春高夏秋低”的鲜明特点，影响污染物主要有SO₂、PM₁₀、O₃、PM_2.5,其中O₃为首要污染物；(2)影响开远市空气质量的气象条件主要有降水、相对湿度和风向。夏季降水的湿清除作用对改善当地空气质量有重要作用，尤其是在调节降低SO₂、PM₁₀、CO、PM_2.5浓度中作用显著。相对湿度与空气质量呈负相关，影响开远市空气污染扩散的风向主要为南向风；(3)根据《空气污染扩散气象条件等级》标准建立的基于气象条件的空气污染等级预报方程，比数值统计预报方法建立的AQI逐步回归预报方程具有更好的适用性，预测AQI等级对比实测AQI预报等级正确率达79.4%,对开远市空气污染防治具有一定的科学指导意义。     

我国城市环境空气质量预报主要模型及应用

伴随着我国经济的快速增长和城市化进程的加快推进,大气污染已成为全国关注的热点问题。城市环境空气质量预报能实现环境空气质量与重污染天气的提前预报,支撑政府制定防治策略,提醒公众提前防范,减少自身暴露,减轻污染,我国已形成国家-区域-省级-城市四级城市环境空气质量预报体系。目前我国城市环境空气质量预报的主要模型包括多元线性回归、人工神经网络、NAQPMS、CMAQ、CAMx、WRF-Chem及多模式集合预报体系等,对各类模型的应用现状进行分析并提出相应的建议。     

基于大数据分析与认知技术的空气质量预报预警平台

为深入认识区域大气污染现象规律,完善并提高城市空气质量预报预警能力,提高大气污染治理决策支持能力,开展城市污染成因分析与空气质量预报预警研究是十分必要的。本文针对环境大数据时代下的城市空气质量预报,提出了一种基于大数据分析与认知技术的专业先进的大气环境业务应用系统体系。该体系基于底层统一的数据资源中心,融合各类不同类型的空气质量监测、不同预报系统的产品数据以及基础辅助数据,建立数据汇交、共享、质控管理机制,通过上层预报预警、综合分析、案例分析、应急决策支持四大子系统,从多模式集合预报结合专家调优支撑高性能预报会商应用,从大数据融合时空关联分析深度挖掘大气复合污染特征与污染成因,从多维度历史污染过程和天气形势全自动化认知分析支撑重污染过程研判,从业务化仿真情景方案与污染溯源助力专业应急决策。最后,通过在北京市环境保护监测中心的系统实现证明体系的高性能、稳定性和实用性。     

运用4种数值模型分析辽宁省空气质量预报准确率

数值模型是当前空气质量预报的主要方法。基于CMAQ模型、WRF-Chem模型、CMAx模型和REG模型对2017年辽宁省空气质量指数(AQI)的范围和级别预报准确率进行了分析。结果表明:CMAQ模型对辽宁省AQI范围和级别的预报准确率均高于其他3个模型,REG模型准确率均最低,WRF-Chem模型和CMAx模型准确率基本持平;各模型对辽宁省东南部区域的预报准确率整体高于对中部和西部的预报准确率。