黄河流域PM2.5时空分布格局及人口暴露研究

文章基于PM_2.5遥感反演数据和人口格网分布数据,构建人口暴露风险指数模型,采用Theil-Sen Median与Mann Kendall检验法,识别2000-2020年间黄河流域PM_2.5质量浓度值和人口暴露风险指数时间演化特征,通过空间探索工具,刻画其空间变化特征。研究结果表明：(1)PM_2.5质量浓度平均值为46.53μg/m³,研究期内呈现出“快速增长—波动变化—持续下降”的态势。PM_2.5污染不同等级面积比例变化明显,总体呈现出高浓度区域减少、低浓度区域增加的态势。(2)PM_2.5年均质量浓度空间上东高西低。历年PM_2.5年均质量浓度空间局部自相关显著。低值区域主要分布在青海、甘肃、宁夏、内蒙古等省份。高值区域集中分布在山西南部、陕西关中地区、河南中部、山东北部区域。(3)除2000年和2020年外,研究时段内均有90%以上人口暴露于PM_2.5年均质量浓度35μg/m³限值以上,且...     

基于时间序列分解的京津冀区域PM2.5和O3空间分布特征

京津冀区域大气污染分布呈现明显的空间差异,厘清不同时间尺度下PM_2.5和O₃浓度分布有助于制定科学有效的污染防控措施.采用STL方法分解PM_2.5和O₃浓度,获取长期分量、季节分量和短期分量,研究其变化趋势与空间分布特征.结果表明,2017～2021年京津冀区域PM_2.5浓度下降幅度高于O₃,春、夏季PM_2.5和O₃浓度呈正相关,秋、冬季呈现负相关,短期分量和季节分量分别对PM_2.5和O₃浓度的贡献最大. PM_2.5的季节分量、短期分量以及O₃的长期分量和短期分量均存在2个主成分,对应河北省中南部和京津冀区域北部,在不同时间尺度上京津冀区域PM_2.5和O₃均存在次区域分布.与原始序列相比,长期分量能够更好地反映PM_2.5和O₃浓度的演变趋势...     

全球PM2.5人口暴露风险时空格局

基于PM_2.5遥感数据和人口格网数据,利用污染物人口暴露风险模型、Theil-Sen Media和Mann-Kendall等方法,分析了2000~2016年全球PM_2.5人口暴露风险时空分布特征,并识别出暴露高风险区域.结果表明,PM_2.5遥感数据和人口格网数据可以客观地评价暴露风险程度.全球PM_2.5平均浓度在各大洲差异显著,PM_2.5污染的高值区域主要分布在东亚、南亚和东南亚.PM_2.5质量浓度的多年平均值从高到低分别是亚洲14.7μg/m³、非洲8.1μg/m³、欧洲8.03μg/m³、南美洲5.69μg/m³、北美洲4.41μg/m³和大洋洲1.27μg/m³.2000~2016年,全球PM_2.5人口暴露风险在宏观尺度上呈逐渐减少的趋势,而在区域内则呈现出差异性.空间上,全球PM_2.5人口暴露风险各大洲从高到低依次为亚洲5.94、非洲0.62、欧洲0.45、南美洲0.32、北美洲0.27和大洋洲0.01.时间上,2000~2016年,亚洲和非洲PM_2.5人口暴露风险呈增长趋势,欧洲和北美洲呈减少趋势,大洋洲和南美洲变化幅度较小.     

2000~2016年中国PM2.5时空格局

本文在检验PM_2.5遥感数据可靠性的基础上,使用标准偏差分析、Hurst指数、Theil-Sen median趋势分析与Mann-Kendall检验和局部空间自相关等方法,在像元尺度上研究了2000~2016年中国PM_2.5浓度的分布格局和演变过程.结果表明：①在空间分布上,PM_2.5的浓度东部高,多年平均值为30.21μg/m³,西部低,多年平均值为4.37μg/m³,东西两侧差异巨大.西部地区和东北地区PM_2.5的浓度整体呈现增长的态势,但西部地区变化较为平缓.PM_2.5污染严重的区域分布在人口多且密集,经济较为发达的区域,如华北平原,东北平原,长江中下游平原,四川盆地等地区.②在时间序列上,以2007年为界,PM_2.5的年变化趋势可分为两个阶段,从2000~2007期间我国的PM_2.5浓度总体呈现上升趋势,年均增长0.95μg/m³,2007~2016年PM_2.5浓度呈波动下降趋势,年均下降0.15 μg/m³;③稳定性：PM_2.5浓度的稳定性在空间上差异显著,整体呈现出西部较稳定、东部不稳定的分布状态.东部极不稳定区域主要分布在四川盆地,华北平原,东北平原中部,长江中下游平原;④持续性：中国PM_2.5持续性特征以弱反持续为主,主要分布在中国东部地区,预测未来PM_2.5的变化规律与目前相反.其次弱持续性分布的区域较广,主要分布在山地、高原及高寒地区,说明这一区域未来PM_2.5变化趋势与过去的变化趋势相同,但又具有复杂性和反复性.⑤人口暴露分析：分析不同PM_2.5浓度级别上的人口百分比,发现2016年中国有52%的人口生活在PM_2.5浓度年平均值为35 μg/m³以上的环境中,还有14.38%的人暴露在PM_2.5年均浓度值为60 μg/m³以上的环境中.     

唐山市基于GIS的PM2.5空间聚集性及分区管控

以ArcGIS软件为平台,采用唐山市206个在线监测点数据,分析了PM_2.5在采暖期、重污染期、非采暖期3个时期的全局和局部空间自相关性,研究其大气污染空间分布特征.结果表明,3个时期均具有一定的空间自相关性,且重污染期的全局空间自相关最强;采暖期和重污染期PM_2.5高值聚类主要发生在中部地区,低值聚类则主要分布在北部山区及沿海少部分区域;非采暖期高值聚类主要分布在丰润区和丰南区,低值聚类发生在遵化市北部地区.通过空间插值模拟全市的PM_2.5分布状况,结果显示唐山市在重污染期PM_2.5均值最高格点值达241μg/m³,而非采暖期最低值只有37μg/m³;基于PM_2.5浓度变化特征和空间分布,将唐山所辖18个区县划分为5个区域,针对各区域提出PM_2.5分区管控措施建议.     

京津冀PM2.5时空分布特征及其污染风险因素

为分析京津冀及其周边区域2013年典型污染事件中PM_2.5的时空分布特征及污染风险因素,根据国家城市环境空气质量实时发布数据和京津冀地区地理国情信息监测成果,采用空间数据挖掘方法对PM_2.5污染的热点区域进行了划分;并采用地理探测器定量分析了PM_2.5污染风险因子及其影响程度. 结果表明:在选取的京津冀6个城市中,在PM_2.5污染事件统计上存在保定—廊坊—北京—天津—承德—张家口的污染顺序. PM_2.5污染在空间上呈河南省(山东省)—河北省—北京市(天津市)一线的带状分布特征,在单次污染事件中,城市间的PM_2.5污染存在空间运移关系. 空间热点探测表明,京津冀及其周边区域主要分为5个热点聚集区,其中3个高值区分布在北京市、天津市、河北省和山东省的中部,面积分别为5.31×104、10.26×104、5.04×104 km2. 在8个污染风险因子中,污染企业总数(影响力为0.97,下同)、降水量(0.93)、地形坡度(0.89)对PM_2.5污染的影响显著高于其他风险因子;其他风险因子影响力排序依次为人口数量(0.60)、降水量大于0.1 mm的降水日数(0.57)、地表覆盖类型(0.52)、年均相对湿度(0.51)、年均风速(0.33),但风险因子间相比没有显著性差异. 研究显示,京津冀地区PM_2.5污染的主要因素是污染物排放,其次,气象要素中的年降水量和自然地理环境中的地形坡度也是影响PM_2.5污染特征的重要风险因子.      

长三角地区PM2.5区域性污染时空变化特征

为定量分析长三角地区PM_2.5区域性污染的变化特征,建立适用于长三角地区的PM_2.5区域污染划分标准,基于2015—2020年长三角地区41个城市日均ρ(PM_2.5)开展区域污染变化趋势研究,并针对长三角PM_2.5重度区域污染开展了时空变化以及网络特征分析. 结果表明:①2015—2020年长三角三省一市年均ρ(PM_2.5)降幅均在25%以上,城市ρ(PM_2.5)分布呈北高南低的特征,南北城市之间ρ(PM_2.5)差异较大,ρ(PM_2.5)最高值与最低值相差35~46 μg/m3. ②2015—2020年长三角PM_2.5区域污染天数比例为16.9%~35.9%,以轻度污染为主,不同年份中度和重度污染天数比例差异较大,且主要出现在秋冬季,轻度、中度和重度污染天数均呈波动下降趋势. ③与2015年相比,2019年和2020年PM_2.5区域污染天数分别减少了38和69 d,且PM_2.5重度区域污染持续天数和重度及以上污染城市数量均呈减少趋势. ④PM_2.5重度区域污染日,长三角城市之间表现出较强的污染关联性,并可划分为4个子群. 以连云港市为代表的子群1位于长三角地区北部,PM_2.5污染相对较重,受长三角区域内输送影响较小,但对区域内其他城市有一定的输送影响;以宁波市为代表的子群2和以南京市为代表的子群4受长三角区域内输送影响较大,并指示了东路沿海和中路两条污染传输通道;以安庆市为代表的子群3位于内陆地区,污染独立性相对较强,受长三角区域内输送影响较小,同时对长三角其他城市影响也较小. 研究显示,长三角地区PM_2.5污染改善显著,但重度区域污染尚未消除,中北部城市的联防联控将对改善PM_2.5区域污染起积极作用.      

基于传感器技术的渭南市道路环境颗粒物污染特征及影响因素研究

为深入了解渭南市街区道路环境颗粒物污染时空分布特征,利用车载颗粒物传感器于2019年3月1日—5月31日对渭南市道路环境空气中PM_2.5和PM₁₀浓度开展在线走航测量,分析了影响渭南市道路环境颗粒物污染时空分布的主要因素.研究表明:①渭南市区内所有道路PM_2.5平均浓度范围为37.7~51.9 μg/m3,浓度较高路段位于高新区东部和主城区;PM_2.5~10（粗颗粒物）平均浓度范围为65.8~119.1 μg/m3,浓度较高路段位于各功能区城郊.②工作日早高峰时段（07:00—09:00）主城区道路环境PM_2.5、PM_2.5~10污染较非工作日严重,3种类型道路工作日07:00 PM_2.5~10平均浓度呈支路（103.5 μg/m3）>主干道（102.1 μg/m3）>次干道（96.9 μg/m3）的特征.③对于高新区和老城区路段,除早晚高峰时段出现PM_2.5和PM_2.5~10浓度峰值外,凌晨时段渣土车行驶路段、裸地或施工现场周边路段易出现PM_2.5~10浓度峰值,其PM_2.5~10平均浓度最高达230.9 μg/m3（乐天大街西段的路段Ⅳ）.研究显示,工作日早晚高峰时段,特别是早高峰,机动车排放导致渭南市高新区东部和主城区路段的PM_2.5污染加重,夜间渣土车行驶导致高新区和老城区靠近城郊路段的颗粒物（PM_2.5和PM_2.5~10）污染加重.      

甘肃省区域颗粒物时空分布特征及传输路径

基于甘肃省2018~2019年颗粒物质量浓度监测数据,分析了全省大气颗粒物浓度的时空变化及排放特征,并利用HYSPLIT后向轨迹模式研究了颗粒物传输路径.结果表明：颗粒物（PM₁₀和PM_2.5）空间分布呈现区域特征：PM₁₀浓度高值位于河西走廊地区,由北向南呈阶梯式递减;PM_2.5以陇中地区为高值中心,向南北两侧递减,陇南地区为全省颗粒物清洁区.不同地区PM₁₀与PM_2.5地面浓度季节变化特征存在差异,陇中、陇东和陇南地区PM₁₀和PM_2.5浓度变化特征一致,陇中和陇东地区颗粒物（PM₁₀与PM_2.5）浓度冬高夏低,陇南地区则为冬高秋低;河西走廊PM₁₀和PM_2.5浓度季节变化不同,PM_2.5冬高夏低,PM₁₀春高夏低.后向轨迹聚类结果表明全省春季、冬季均受到来自中亚及新疆的偏西气流影响,该路径输送下可吸入颗粒物（PM₁₀）浓度明显高于其他路径,是典型的沙尘输送路径,4大分区受沙尘传输影响程度依次为河西 > 陇中 > 陇东 > 陇南,来自陕西、川渝的偏东路径是陇南地区颗粒物的主要输送路径,该路径下PM_2.5/PM₁₀比值大于0.5,明显高于偏西路径,说明偏东路径人为源污染贡献显著.研究结果有助于全面认识全省颗粒物污染特点、为分区制定颗粒物污染防治政策、以及区域污染协同治理提供科学的参考依据.     

气象和排放变化对PM2.5污染的定量影响

基于WRF-CMAQ模型系统定量分析了气象和排放因素对全国及重点区域PM_2.5污染影响程度.从年度特征来看,与2015年相比,2016年、2017年全国空气质量明显改善,PM_2.5年均浓度分别下降7%和14%;2016年气象条件总体转好,气象因素和排放因素变化导致全国PM_2.5年均浓度下降幅度分别为4%和3%;2017年全国气象条件与2015年相比基本持平,大气污染物排放量下降是PM_2.5污染减轻的决定因素.除汾渭平原外,京津冀及周边地区"2+26"城市、长三角、成渝地区空气中的PM_2.5年均浓度持续下降;珠三角气象条件变化对PM_2.5影响较大,2017年导致PM_2.5浓度上升了29%;除汾渭平原外,其他4个重点地区的污染物排放变化导致PM_2.5年均浓度下降且2017年的下降幅度进一步加大,说明污染管控措施的环境效益明显.从季节特征来看,气象影响值的区域性差异明显.本文分析方法可用于制定空气质量目标或者评估污染控制方案的环境效果.     

南京主要大气污染物季节变化及相关气象分析

为研究南京主要大气复合污染物PM_2.5、PM₁₀和O₃四季变化特征及其气象影响因子,利用2013年1月～2015年2月国控点环境监测数据对浓度特征进行统计分析,再利用WRF模式模拟的精细大气边界层气象场,分析气象要素与各污染物的相关性,并建立统计模型.结果表明：PM₁₀、PM_2.5冬高夏低,冬季日均值分别为160.6μg/m³和98.0μg/m³;日变化特征四季基本一致,但秋冬季最强,夏季最弱,且冬季上午峰值比其余三季延后1～2h.各季大气可吸入颗粒物中细粒子占主导,PM_2.5/PM₁₀年均值为0.59;首要污染物为PM_2.5、PM₁₀、O₃的年频率分别为51.5%、26.6%和13.5%,PM_2.5主导四季AQI的变化,尤其是在重污染的情况下,首要污染物为PM_2.5占96%.O₃浓度春末夏初高、秋末冬初低,日变化为单峰式;O₃与边界层高度呈显著正相关,四季相关系数分别为0.500、0.572、0.326、0.323.四季PM₁₀、PM_2.5、O₃_8h_max日值逐步回归方程拟合度为40%～65%.     

宁东基地大气PAHs污染特征及呼吸暴露风险

利用主动观测技术对宁东能源化工基地大气PM_2.5、PM_1.0和气相中的PAHs浓度水平、族谱特征、时空分布及来源进行研究,并基于该观测数据对居民呼吸暴露健康风险进行评估.结果表明,宁东基地大气PM_2.5、PM_1.0及气相中∑₁₆PAHs浓度范围分别为：17.95~325.12ng/m³、12.66~311.96ng/m³和26.33~97.88ng/m³,年均浓度分别为（99.42±117.48）ng/m³、（78.88±100.58）ng/m³和（57.89±47.39）ng/m³.宝丰基地冬夏季大气PM_2.5、PM_1.0和气相中∑₁₆PAHs浓度水平均明显高于英力特;宝丰和英力特基地冬季大气PM_2.5、PM_1.0中∑₁₆PAHs浓度水平均明显高于夏季浓度.宁东基地大气中∑₁₆PAHs的浓度水平要高于国内外其他城市,大气PAHs污染较为严重.源解析表明夏季宁东基地PAHs的主要排放源是工业煤燃烧和机动车尾气,冬季则主要来自工业煤燃烧和木材、薪柴等生物质燃烧排放.宁东基地人群暴露于大气PAHs可能会造成平均冬季每百万人中约有33~2628人罹患癌症,夏季每百万人中约有11~834人罹患癌症的风险.     

颗粒物污染对高血压门急诊就诊人数的影响-时间序列研究

为探讨颗粒物对金昌市高血压门急诊就诊人数影响的暴露反应关系,本文收集甘肃省金昌市2012年1月1日~2015年12月31日大气PM₁₀、SO₂、NO₂数据及2014年1月1日~2015年12月31日大气PM_2.5污染物监测数据及同期气象观测数据,同时收集近年金昌市三家综合医院的高血压门急诊日就诊病例.采用广义相加模型,分析不同大气污染物与高血压门急诊日就诊人数的关联性.结果表明,在单污染物模型中,滞后L07d时PM₁₀平均浓度每升高一个IQR,高血压日门急诊人数增加2.30%（95% CI：1.30%~3.32%）,L6d时PM_2.5平均浓度每升高一个IQR,高血压日门急诊人数增加2.53%（95% CI：1.45%~3.62%）.PM₁₀和PM_2.5对男性、65岁以上高血压患者门急诊影响更高.SO₂和NO₂与颗粒物之间存在协同效应,沙尘天气下PM₁₀对高血压门急诊人数的影响由2.30%增加到2.36%,PM_2.5的影响由2.53%减少到2.39%.研究得出颗粒物污染对金昌市高血压门急诊就诊人数具有不同程度的影响,其中细颗粒物（PM_2.5）的效应更强.     

基于小波变换的武汉市PM2.5、PM10与臭氧污染特征

为验证城市空气污染物排放及协同控制后的周期性规律,利用小波变换对武汉市2013～2020年共计2421d的逐日PM_2.5、PM₁₀及臭氧浓度数据进行分析.结果表明:可吸入颗粒物污染情况逐年改善,PM_2.5浓度年均值由80.5μg/m³降至45.3μg/m³,超标比例由44%降至11%;PM₁₀浓度年均值由113.6μg/m³降至72.6μg/m³,超标比例由22%降至2%.臭氧污染未有明显改善,浓度年均值在90～100μg/m³间波动.PM_2.5、PM₁₀与臭氧浓度均表现出明显的周期性,PM_2.5浓度主周期300d、次周期140d左右;PM₁₀浓度主周期300d、次周期125d左右;臭氧浓度主周期300d、次周期143d左右.PM_2.5与PM₁₀的周期与位相均相...     

一次以南京为中心的夏季PM_(2.5)污染岛污染事件的数值模拟

2013年6月23~24日南京及其周边地区发生了一次小范围、突发性的气溶胶污染事件,PM_(2.5)的平均浓度达到242μg/m3,在夏季比较少见.本文利用WRF-chem模式对该PM_(2.5)污染事件进行模拟,通过对模式结果进行分析表明:此次污染事件与天气形势和边界层结构有着直接联系.此次污染发生时江淮地区正处于梅雨时节,南京及其周边地区处于江淮低空切变线上,切变线附近有辐合的流场,东部上游排放源的贡献和南京本地的静稳风场导致污染物在南京堆积.污染期间有比平时更强的气粒转化过程,23日PM_(2.5)浓度受到SO2减半的影响,浓度减少量为9.8%,受NOx减半影响的减少量为7.3%.污染发生期间南京地区上空温度垂直梯度较小,温度层结不利于污染物的垂直扩散,边界层高度较低,低层大气湍流活动较弱,垂直高度上的稳定层结也为污染物集聚提供了条件.     

基于在线监测的南京仙林PM2.5组分特征与来源解析

为了研究南京市PM_2.5的污染特征及来源贡献,于2018年3月至2019年2月在南京仙林地区进行PM_2.5组分的在线监测,运用PMF和CMB受体模型,开展PM_2.5的来源解析.结果表明,观测期间南京市PM_2.5平均质量浓度为54.3μg/m³,其中冬季平均浓度76.4μg/m³.PM_2.5的主要组分为NO₃^-（21.3%~30.8%）、SO₄^2-（18.9%~23.5%）、NH₄⁺（14.3%~16.2%）.从全年平均来看,PMF模型得到的PM_2.5解析结果为：二次无机气溶胶（54.9%）、燃煤源（17.4%）、二次有机气溶胶（7.4%）、机动车排放源（7.1%）、工业源（4.9%）、扬尘源（4.8%）、其他源（3.4%）;CMB模型得到的PM_2.5解析结果为：硝酸盐（33.0%）、硫酸盐（24.0%）、燃煤源（16.4%）、机动车排放源（8.4%）、二次有机气溶胶（7.1%）、扬尘源（5.7%）、其他源（2.9%）、工业源（2.4%）.不同季节PM_2.5来源有所差异,夏冬季二次无机气溶胶占比大于春秋季,春冬季燃煤占比最大,二次有机气溶胶在秋季占比最大.结合2017年南京市大气污染源排放清单,对二次气溶胶贡献进行再解析,得到南京仙林地区PM_2.5主要贡献来自燃煤源（PMF：34.14%,CMB：33.82%）,机动车排放源（PMF：27.33%,CMB：29.33%）以及工业源（PMF：26.76%,CMB：24.77%）.可见,影响南京仙林地区PM_2.5的污染源主要来自燃煤源、机动车排放源和工业源,基于在线组分监测、利用PMF和CMB模型得到的PM_2.5源解析结果具有较好的一致性.     

基于混合效应模型的京津冀地区PM2.5日浓度估算

利用2016年182d的MODIS 3km AOD数据与地面监测数据,评估了混合效应模型不同参数组合的模拟性能,得出模型在解释AOD-PM_2.5关系时,对时间序列变异的解释能力要比空间差异更佳.在此基础上,利用混合效应模型建立京津冀地区每日的AOD-PM_2.5关系,模型拟合R²为0.92,交叉验证调整R²为0.85,均方根误差（RMSE）为12.30 μg/m³,平均绝对误差（MAE）为9.73 μg/m³,说明模型拟合精度较高.基于此模型估算的2016年京津冀地区年均PM_2.5浓度为42.98 μg/m³,暖季（4月1日~10月31日）为43.35 μg/m³,冷季（11月1日~3月31日）为38.52 μg/m³,与同时期的地面监测数据差值分别为0.59,0.7,5.29 μg/m³.空间上,京津冀地区的PM_2.5浓度呈现南高北低的特征,有一条明显的西南-东北走向的高值区.研究结果表明,基于每日混合效应模型可以准确评估京津冀地区的地面PM_2.5浓度,且模型估算的PM_2.5浓度分布状况为区域大气污染防治提供了基础的数据支撑.     

广州不同站点类型PM2.5与O3污染特征及相互作用

基于2015~2019年广州4个不同国控站点类型的大气污染物监测数据,研究了广州各站点类型颗粒物（PM_2.5）和臭氧（O₃）的污染特征,并分析了O₃污染季节和PM_2.5污染季节PM_2.5和O₃的相关性及相互作用.结果表明：2015~2019年广州各站点类型PM_2.5浓度总体呈下降趋势,O₃浓度呈上升趋势.不同污染季节PM_2.5与O₃浓度均呈正相关.O₃污染季节二次PM_2.5的生成对颗粒物的影响显著大于一次PM_2.5,随着光化学水平的升高,一次PM_2.5的贡献浓度基本不变（均在21.03~31.37μg/m³范围内）,贡献率逐渐下降;而二次PM_2.5的贡献浓度逐渐升高（3.51~7.72 μg/m³升高到16.04~18.45μg/m³）,贡献率也逐渐升高（11%~27%升高到34%~44%）,且呈倍数增加.不同站点类型贡献差异明显,背景站点二次PM_2.5的贡献最大,城区站点在中和高光化学水平下二次PM_2.5的贡献最小;PM_2.5污染季节各站点类型在不同PM_2.5污染水平下O₃浓度均具有差异性,总体上均呈现背景站点>郊区站点>城区站点的特点.气溶胶的消光作用和非均相反应均显著促进O₃生成,随着PM_2.5浓度升高,各站点类型的O₃浓度峰值逐渐升高,由62.12~83.82μg/m³升高到92.49~135.4μg/m³;O₃变化率峰值也逐渐升高,由8.42~10.02μg/（m³·h）升高到21.33~27.04μg/（m³·h）.进一步促进了广州PM_2.5和O₃浓度的协同增长.     

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.