深度学习方法在上海市PM2.5浓度预报中的应用

为提升PM_2.5浓度预报能力,尤其是对PM_2.5重污染的预报能力,以中尺度气象-化学耦合模式系统（WRF-Chem）为基础,结合中尺度WRF气象预报数据、地面及高空气象观测数据、PM_2.5浓度观测数据,基于人工智能深度学习序列到序列的算法建立了上海市PM_2.5统计预报模型.结果表明,人工智能深度学习算法（Seq2seq）明显修正了WRF-Chem模式由于模型非客观性造成的偏差,提高了上海市PM_2.5浓度的预报能力;该算法优化和修正了WRF-Chem模式结果,并通过检验发现可以使PM_2.5浓度预报值与实况值间的相关系数由0.51上升至0.79,均方根误差由25.9μg/m³下降至15.01μg/m³.而单独使用套索法（Lasso）线性回归算法对WRF-Chem模式优化效果不理想.基于Seq2seq的PM_2.5浓度预报修正模型能够有效提升预报精度.     

基于数值模拟与资料同化探究长三角地区冬季PM2.5污染过程的气象影响

细颗粒物(PM_2.5)累积主导着长三角地区冬季空气污染,其中,气象要素具有重要的作用.本文结合WRF-Chem模式和WRF-FDDA技术,针对2019年1月12—16日发生在长三角地区的一次典型PM_2.5污染过程进行数值模拟分析.通过敏感性试验,量化分析地面气象因素（温度、风速、相对湿度）对该地区PM_2.5浓度的影响,并利用对自动气象站观测资料的四维资料同化试验,探究气象场改进对PM_2.5模拟的改善.模拟结果表明,长三角地区PM_2.5污染受气象条件影响程度较为显著,PM_2.5浓度与风速和温度呈显著负相关,与相对湿度呈正相关.水平风速减少40%、温度增加3℃、相对湿度增加20%分别造成了+4.68%、-2.82%与+2.2%的PM_2.5浓度变化.而同化气象资料显著地改善了模拟的气象场精度,其均方根误差（RMSE）统计项中相对湿度减小9.68%,温度减小1.02℃,风速减小0.35 m·s^-1,这也使得PM_...     

石家庄近地层风场辐合与重污染关系研究

石家庄多发生以风场辐合为特征的局地污染事件,客观判识辐合区和辐合过程强弱对重污染预报指示意义重大.为研究石家庄风场辐合特征及其对局地污染的贡献,更好地为区域重污染天气预报预警提供客观指标参考,在引入固定高度层内矢量通风系数物理量的基础上,结合箱体模型提出一种定量计算近地层风场辐合强度系数的方法,并利用ERA-Interim再分析资料计算了京津冀地区矢量通风系数以及辐合强度系数,对2016年9月—2019年3月期间10次典型风场辐合污染过程进行分析,探讨了风场辐合形成的原因和对污染贡献的关系.结果表明:①受地形影响,石家庄易出现近地层风向、风速辐合,均可归结为区域内输入通风量大于输出通风量,西部太行山地形的阻挡加重了其辐合程度.②风场辐合使空气中的水汽和污染物汇聚,为二次反应提供高湿条件,这种正反馈作用促发PM_2.5爆发性增长,期间ρ（PM_2.5）平均每小时可上升25 μg/m3.③石家庄近地层辐合强度系数在26以上时对污染贡献作用明显,辐合区污染强度比周边偏高1~2个等级,ρ（PM_2.5）比区域背景值偏高85%~200%.研究显示,风场辐合对重污染贡献明显,是形成局部污染物浓度偏高、PM_2.5爆发性增长的重要气象指标.      

基于气溶胶三维变分同化天津PM2.5数值预报研究

基于气溶胶三维变分同化技术,建立天津空气质量数值模式气溶胶同化模块,通过天津地区两次重污染过程同化模拟敏感性试验,分析了观测资料范围对同化结果的影响,并结合一个月的滚动预报试验,分析了气溶胶同化对天津地区PM_2.5数值预报效果的影响,以期为提升天津空气质量预报能力提供支撑.结果表明：气溶胶同化各控制变量背景误差水平相关系数的衰减尺度约50km,垂直方向上400m高度与模式底层的相关系数衰减至0.6左右;观测资料范围对同化结果影响显著,仅采用天津地区观测数据进行同化,对重污染过程期间天津地区PM_2.5浓度模拟的影响时效约12h,采用模拟区域内所有观测数据进行同化影响时效可持续24h以上,且模拟效果更优;采用三维变分同化技术,实现地面PM_2.5观测资料同化,天津地区PM_2.5数值预报效果显著提升,预报值和实况值之间的相关系数由0.74增加到0.87,均方根误差由32.3μg/m³减小为22.4μg/m³,平均相对误差由39.9%减小为27.1%;同化对模式初始时刻的改进效果最明显,随时间同化效果衰减,14h内改进效果最佳,对24h PM_2.5浓度预报也有明显改进.     

COVID-19管控期间气象条件变化对京津冀PM2.5浓度影响

2020年初新冠肺炎疫情（COVID-19）暴发后,中国多地实施了严格的管控措施,导致污染物排放量明显下降.但在减排实施的情况下,京津冀PM_2.5等污染物浓度较过去5 a同期却明显增长,出现了两次PM_2.5重度污染事件.利用欧洲中心ERA5再分析资料分析发现,相对于过去5 a, COVID-19管控期间京津冀地区的气象场表现为偏高的相对湿度、偏低的边界层高度和边界层内异常的辐合上升运动,有利于颗粒物的吸湿增长和二次转化,不利于污染物垂直方向上的扩散.此外,利用WRF-Chem模式开展敏感性试验发现,在京津冀中部地区气象场的变化导致2020年管控期间ρ(PM_2.5)升高了20～55μg·m^-3,升高比例高达60%～170%.进一步利用过程诊断分析法得出,增强的气溶胶化学过程和不利的湍流扩散条件是2020年COVID-19管控期间PM_2.5浓度升高的主要原因.在当今减排的大背景下,边界层高度和相对湿度的变化可能成为预报预测京津冀地区PM_2.5污染事件的重要指标...     

卫星遥感AOD反演地面细颗粒物浓度方法与效果

使用2015~2018年MODIS AOD产品融合地表气象资料反演了地面细颗粒物（PM_2.5）浓度,并以反演的PM_2.5浓度为依据,比较了地面PM_2.5观测资料的各种空间插值方法.结果表明：2015~2018年反演的PM_2.5平均浓度与地基观测平均浓度的R²达0.94;干季反演效果好于湿季,珠江三角洲反演效果好于非珠江三角洲地区,原因是湿季天气系统较不稳定,非珠江三角洲地区多山脉和秸秆燃烧,导致气溶胶标高、质量消光效率等假设误差较大.使用4种插值方法对地基观测的PM_2.5浓度进行插值,插值结果大致相当,反距离加权插值法较好,站点分布不均、部分区域站点密度小影响插值效果,建议在站点稀疏地区增加地面PM_2.5观测站点.     

天津市PM2.5浓度时空分布特征及重污染过程来源模拟分析

天津市多发生以PM_2.5为首要污染物的重污染事件,明确ρ（PM_2.5）时空分布特征及重污染过程来源对PM_2.5的综合治理意义深远.利用天津市2014-2017年环境资料和2016年气象资料,结合WRF-Chem模式研究了天津市ρ（PM_2.5）时空分布特征及重污染过程来源.结果表明:①自2014年以来,天津市ρ（PM_2.5）呈逐年下降趋势.②ρ（PM_2.5）月变化曲线呈"U"型分布,呈冬春季高、夏秋季低的季节性特征;ρ（PM_2.5）日变化呈双峰型分布,主峰值出现在08:00-09:00,次峰值出现在21:00-翌日00:00.③各季节天津市ρ（PM_2.5）空间分布不同,春季、夏季、秋季和冬季高值中心分别位于天津市西南部的静海区、中心城区北部的北辰区、西部的武清区及北部的蓟州区.④WRF-Chem模式模拟的天津市秋冬季污染物来源结果表明,本地源贡献率为56%,外来源输送贡献率为44%,其中以河北省和山东省的输送为主.2016年12月16-22日天津市一次重污染过程的模拟结果表明,天津市本地源贡献率为49.6%,河北省、北京市和山东省的外来源输送贡献率分别为32.2%、7.0%和2.2%.污染前期,不利气象条件和外来源输送造成天津市ρ（PM_2.5）聚集并形成重度污染;污染持续过程中,本地源贡献率逐渐增大并占主导地位.研究显示,近年来天津市ρ（PM_2.5）呈下降趋势,并有明显的空间分布特征.      

上海地区PM2.5-O3复合污染特征及气象成因分析

统计分析了上海地区2013~2017年PM_2.5-O₃复合污染事件及与气象条件的关系.结果表明,近5a上海PM_2.5-O₃复合污染天气占O₃总污染天气33.4%,仅出现在3~10月,呈逐年减少的趋势;PM_2.5-O₃复合污染时的O₃峰值浓度和平均浓度较单O₃污染时高,维持时间较单O₃污染时长,主要气象原因是地面辐合和较低的边界层高度;PM_2.5-O₃复合污染的天气形势往往与弱气压场有关,可以分为低压底部和前部、高压顶部和后部、均压场5种天气类型,其中均压场出现次数最多,占比53%;复合污染对气象因子的阈值要求更为严格,并且阈值区间总体向有利于PM_2.5浓度上升的方向偏移;当温度介于27.9~34℃,湿度介于43%~58%,风速介于2.1~3.3m/s,混合层高度介于1122~1599m,并且存在辐合时,最有利于PM_2.5-O₃复合污染发生.     

京津冀煤改电对PM2.5浓度的影响

基于WRF-Chem模型,结合气象要素,从PM_2.5浓度的消减量及时空变化特征等方面模拟分析了煤改电政策实施前后京津冀地区采暖期（2018年11月~2019年3月）PM_2.5的排放变化.结果表明,WRF-Chem模型很好地模拟了京津冀地区PM_2.5浓度变化,北京、天津和石家庄模拟值与观测值的相关系数分别为0.66、0.66和0.52,表现出良好的相关性.煤改电政策的实施对京津冀重点地区PM_2.5减排效果明显,PM_2.5日均减少量分布在0.2~6.1μg/m³,减少比例分布在1.2%~7.8%.PM_2.5小时均值变化显示,2018年12月PM_2.5减少量分布在0.4~8.3μg/m³,减少比例分布在2.3%~7.7%.其中,北京大兴区减排量达8.3μg/m³,天津地区减排比例达7.7%.在特殊气象条件下,煤改电政策影响范围可扩散至山东、江苏、河南北部以及山西西部,PM_2.5小时均值减少量最大超过50μg/m³.     

成都地区秋冬季污染天气形势下PM2.5的扩散与输送

基于ERA-Interim再分析资料、大气污染资料以及气象资料,利用T-mode主成分分析法（PCT）将成都地区2016~2018年PM_2.5污染严重的1、2、11、12月份的海平面气压场和10m风场分成8种天气类型,分析不同天气类型下的空气污染状况及污染气象参数特征,进而从污染气象学的角度揭示重污染天气类型下的气象特征和潜在污染来源,结果表明：①成都地区在高压后部型、低前高后型、鞍型场、北方高压底部型中PM_2.5污染会加重,属于污染型天气类型,而在西路冷锋前部型、高压边缘型、西北高压底部型、东路冷锋前部型中,PM_2.5污染显著减弱,属于清洁型天气类型.②在污染型天气类型下,成都地区出现的逆温层较强,混合层高度较低均不利于PM_2.5的扩散稀释,且边界层内南风分量明显增大,东北风减弱,边界层通风量（VI）较小,风场对污染物的扩散能力也较弱.③对污染天气类型下成都的PM_2.5污染输送与潜在来源进行研究,认为成都南部及西南部地区在各个污染天气类型下都对其PM_2.5的质量浓度有明显的影响,另外在鞍型场天气类型下,成都东部及东北部地区也是成都PM_2.5污染的源区之一,而在北方高压底部型中,成都地区的PM_2.5主要受到其周围地区的影响,外地的污染物输入较少.     

PM_(2.5)和PM_(2.5~10)资料同化及在南京青奥会期间的应用试验

建立了面向PM_(2.5)和PM10观测资料的三维变分同化系统,并在南京地区青奥会期间进行了同化和预报试验.同化系统的控制变量为PM_(2.5)和PM_(2.5~10)(PM10中扣除PM_(2.5)后剩余部分),利用南京地区2014年8月的WRF-Chem模拟结果,估计了PM_(2.5)和PM_(2.5~10)的背景误差协方差,发现在水平和垂直方向上PM_(2.5)的相关系数随距离的衰减均小于PM_(2.5~10),这可能与PM_(2.5)粒径小、生命史长,在大气中传播地更远有关.利用南京及周边区域的134个监测站PM_(2.5)和PM_(10)逐时观测资料,对青奥会期间(2014年8月16~28日)进行滚动同化和预报试验,并利用模式最内层观测资料进行检验分析,结果表明同化对初始场有显著改进,PM_(2.5)和PM10的相关系数均提高53%以上,均方根误差降低55%以上,平均偏差则降低了90%左右;同化试验对其后的预报场也有明显改进,正效应可以持续到20h以后,模式对PM10的预报效果好于PM_(2.5).     

基于走航观测的长江三角洲地区大气污染特征及来源追踪

为了加强对长江三角洲地区大气污染分布特征和输送规律的认识,利用移动车载设备开展了不定期的走航观测,重点研究了2016-2018年冬季灰霾污染和春季光化学污染条件下长江三角洲地区的大气污染特征.结果表明,走航观测期间长江三角洲地区PM_2.5日均浓度为60~122 μg/m³,东部的常州、无锡一带,西部的合肥、芜湖地区,北部蚌埠、滁州一带,南部湖州、杭州地区的PM_2.5浓度较高,比其他地区高出20%~40%.O₃日均浓度水平为9~52 μg/m³,苏州、盐城、宣城与湖州地区浓度相对较高.运用FLEXPART_WRF模式,结合PM_2.5排放清单,分析了走航观测期间长江三角洲地区及沿线城市PM_2.5的潜在来源.结果发现,东风条件下,南通及上海地区为PM_2.5的潜在源区,北风条件下,连云港、盐城等地区贡献较大.运用FLEXPART前向轨迹计算模块,对一次污染个例过程进行了模拟,并利用走航观测结果进行了验证,发现模拟结果与走航观测结果的相关系数达到0.9.可见,长江三角洲地区存在区域性的PM_2.5和O₃污染,走航观测结合轨迹分析是追踪污染气团输送的有效手段.     

天津机场区域大气NO2及O3影响因子研究

在紧邻天津机场跑道的点位对机场区域大气常规污染物开展连续监测,应用广义加性模型（GAM）,针对2017年3月1日~2018年2月28日间的NO₂及O₃,识别其影响因子,并确定因子贡献率.选取因子包括环境因子（SO₂、NO、NO₂、O₃、CO、PM_2.5、PM₁₀、前一小时NO₂/O₃浓度）,气象因子（风向、风速、温度、露点温度、修正海压）及航空活动因子（起飞、着陆）.结果显示：机场区域NO₂日均值为17.6~123.6μg/m³,超标天数共计38d,占比约13%;O₃日均值为1.0~276.1μg/m³,超标天数占比26%,污染主要集中在夏季;环境因子是主要影响因子,累积贡献率在56%~89%;航空活动作为区域重要污染源,对大气NO₂、O₃存在一定影响,最高贡献率可达20%;气象因子相对贡献较低.全部GAM的Adj-R²为0.85~0.96,筛选的影响因子能够有效解释区域环境空气污染物浓度的变化.     

京津冀区域典型重污染过程与反馈效应研究

以京津冀地区2014年10月5~12日一次重污染过程为例,采用飞机AMDAR数据和WRF-Chem模式,分析了大气边界层垂直结构与PM_2.5的时空演变规律,定量研究了气溶胶直接反馈效应对多种气象要素的影响.结果表明：此次重污染过程地域范围广、持续时间长、影响强度大,PM_2.5污染呈带状分布,主要受地面均压场和高空纬向环流形成稳定的大气环流背景场、垂直层风场及逆温共同影响.气溶胶直接反馈效应导致京津冀地区整个时段太阳辐射量降低39.80W/m²,气温下降0.34℃,边界层高度降低36.64m,相对湿度升高0.90%.反馈效应南部地区较北部更显著,污染日强于平均时段和清洁天,气溶胶的辐射反馈作用使得各气象要素均呈现不利于污染物扩散的趋势,造成气溶胶聚集区PM_2.5浓度进一步增加.     

乌鲁木齐市PM_(2.5)和PM_(2.5~10)中碳组分季节性变化特征

2011年1月至12月在乌鲁木齐市区用膜采样法采集了大气PM_(2.5)和PM_(2.5~10)样品,并利用热光/碳分析仪测定了其中有机碳(OC)和元素碳(EC)的质量浓度.通过OC与EC的粒径分布特征、比值和相关性的分析,初步分析了乌鲁木齐市大气可吸入颗粒物中碳质气溶胶污染特征,并用OC/EC比值法估算了二次有机碳(SOC)的浓度.结果表明,PM_(2.5)和PM_(2.5~10)的年平均质量浓度分别为92.8μg/m~3和64.7μg/m~3.PM_(2.5)中OC和EC的年平均浓度分别为13.85μg/m~3和2.38μg/m~3,PM_(2.5~10)中OC和EC的年平均浓度分别为2.63μg/m~3和0.57μg/m~3.OC和EC四季变化趋势基本一致,季浓度最高.碳组分主要集中于PM_(2.5)中,OC/EC比值范围为3.62~11.21.夏季和秋季的PM_(2.5)和PM_(2.5~10)中OC和EC的相关性较好(R20.65).估算得出的PM_(2.5)和PM_(2.5~10)中SOC的估算浓度为2.31~11.98μg/m~3和0.38~1.49μg/m~3.     

北京冬季一次重污染过程的污染特征及成因分析

为了研究北京冬季重污染过程的污染特征及形成原因,选取2013年1月9~15日一次典型重污染过程,对污染期间气象要素、大气颗粒物组分特征和天气背景场进行综合研究.结果表明,此次大气重污染过程中PM₁₀和PM_2.5平均质量浓度分别为347.7μg/m³和222.4μg/m³,均超过环境空气质量标准(GB3095-2012)中规定的日均二级浓度限值.重污染时段PM_2.5中NH₄⁺、NO₃^-和SO₄^2-质量浓度之和占PM_2.5质量浓度的44.0%,OC/EC的平均比值为5.44,说明二次无机离子和有机物对此次污染过程中PM_2.5贡献较大.稳定的大气环流背景场、高湿度低风速的地面气象条件和低而厚的逆温层导致北京地区大气层结稳定,加上北京三面环山的特殊地形结构,是造成此次大气重污染过程的主要原因.