兰州市CMAQ近地面臭氧模拟结果的订正方法——基于机器学习方法

为能更加准确地模拟出兰州市近地面臭氧浓度,在CMAQ （社区多尺度空气质量建模系统）的基础上,利用机器学习方法中的XGBoost （极限梯度提升）模型及LSTM （长短期记忆）神经网络模型建立近地面臭氧模拟结果的订正模型,并以两种方法为基础,利用误差变权倒数组合方法构建LSTM-XGBoost组合模型,以期进一步提高订正效果.本文选取兰州市4个国控站点（兰炼宾馆,铁路设计院,榆中校区,生物制品所）2019年7、8月环境空气质量监测数据及兰州市气象站同期气象数据,对CMAQ模拟的同时段兰州市近地面臭氧浓度进行订正.结果表明,CMAQ能够模拟出兰州市近地面臭氧浓度的空间及时间分布特征,但整体上对浓度有所低估.利用上述方法构建的订正模型中,LSTM-XGBoost组合模型的订正效果最好,臭氧相关性由CMAQ模拟的0.61~0.76提升至0.89~0.95,臭氧8h平均相关性由0.65~0.79提升至0.81~0.88,臭氧RMSE由44.83~70.17mg/m³提升至15.21~26.53mg/m³,臭氧8h平均RMSE由40.07~67.57mg/m³提升至14.24~28.54mg/m³.该研究表明利用机器学习方法对CMAQ模拟结果订正可行,可以改善环境空气质量模式模拟结果.     

基于机器学习算法的新冠疫情管控对河南省空气质量影响的模拟分析

全国各地为了减少新冠疫情对社会和人民生活的影响,采取了必要的防疫防控措施,这些措施对空气质量的变化产生了重要的影响,此外空气质量的变化与气象条件也存在很大的关系.通过对河南省疫情前（1月1~26日）和疫情管控期（1月27日~2月29日）这两阶段的空气质量分析对比发现,整个河南省除了O₃浓度上升了69.64%外,PM_2.5、PM₁₀、SO₂、CO和NO₂分别降低了36.89%、34.18%、19.43%、29.85%和58.51%;通过机器学习算法中的长短期记忆型网络（LSTM）模拟显示,气象条件引起污染物浓度的降幅大部分在15%~30%之间;人为排放减少引起的污染物浓度的降幅大部分在6%~40%之间.O₃在疫情期间上升过程中,气象条件和人为排放两种因素分别占了34.84%和34.81%.结果表明,疫情管控期间,河南省空气质量总体上有所改善,但是也有重污染发生,其中O₃的浓度对于疫情管控减排的影响不明显,呈负相关,需要进一步探索引起臭氧浓度上升的原因,以此帮助政府合理控制臭氧等前体污染物的减排比例.     

深圳市机动车限行对臭氧浓度影响分析

利用美国EPA开发的区域多尺度空气质量模式CMAQ对2008年8月发生在深圳地区的臭氧污染过程进行模拟,运用brute-force方法分析深圳机动车限行对臭氧浓度变化的影响.研究表明,CMAQ模式能较好的重现模拟期间臭氧的浓度水平和变化趋势;深圳机动车限行造成机动车的排放源削减会提高深圳城区臭氧浓度峰值,数值一般在10μg/m3以下。     

CCSM4/WRF-CMAQ动力降尺度预估RCP8.5情景下京津冀地区空气质量的潜在变化

目前,针对气候变化对区域空气质量影响的研究相对较少,并且多采用统计降尺度方法对全球气候模式结果进行处理.采用WRF中尺度气象模式对CCSM4气候模式的CMIP5 RCP8.5情景预估结果进行动力降尺度处理,并为CMAQ空气质量模式提供气象场;在2012年清华大学MEIC大气污染物排放清单的基础上,选取2005年作为气候现状代表年、2049-2051年作为未来气候代表年,对京津冀地区典型月份（1月、4月、7月、10月）的气象及空气质量数值模拟结果进行对比,以此预估气候变化背景下京津冀地区空气质量潜在变化.结果表明,在排放情况不变及RCP8.5情景下,未来代表年与现状代表年相比,京津冀地区以典型月份为代表的年均气象因素整体呈现温度升高,风速、相对湿度及大气边界层高度均降低的趋势;年均大气污染物浓度整体呈现升高的趋势,其中,温度升高约0.8℃,风速降低约0.11 m/s,相对湿度降低约2%,大气边界层高度降低约8 m,ρ（PM_2.5）升高约2.4 μg/m3,ρ（SO₂）升高约1.8 μg/m3,ρ（NO_x）升高约1.0 μg/m3;此外,主要的气象条件（温度、风速、相对湿度、大气边界层高度）中,风速及大气边界层高度的降低可能是造成这些大气污染物浓度变化的主要气象因素,并且风速及大气边界层高度的降低与ρ（PM_2.5）降低的相关系数分别约为-0.44和-0.26.研究显示,气候变化会对京津冀地区造成污染物浓度升高的潜在风险,同时由于现阶段缺乏可用于空气质量模式的未来排放情景数据、在线耦合模式日臻完善,在我国气候-空气质量的研究领域亟待进行更深层次的研究.      

多模式模拟评估奥运赛事期间可吸入颗粒物减排效果

以空气质量多模式系统为工具,分析奥运赛事期间可吸入颗粒物(PM10)浓度大幅减小特征,从气象场和排放源两方面研究PM10浓度大幅减小的主要原因.多模式系统由嵌套网格空气质量模式(NAQPMS)、通用空气质量多尺度模式(CMAQ)和复杂大气空气质量三维模式(CAMx)3个空气质量复合模型组成,并以中尺度气象模式(MM5)和稀疏矩阵排放处理模型(SMOKE)提供统一气象场及排放源.研究对比2006年8月、2008年8月两组气象条件下北京PM10浓度水平及模拟效果,结果表明奥运赛事期间PM10浓度大幅减小的主要原因不是气象因素,而是由于额外措施引起的PM10排放减少.同时采用多模式系统数值模拟反向评估,获得北京奥运赛事期间奥运控制及额外减排措施引起的PM10减排量,结果表明,奥运赛事期间所有额外控制措施对颗粒物浓度效果相当于在2008年8月气象条件下,削减大约200t.d-1的无组织PM10排放,相当于北京正常时期PM10排放的50%.     

城市大气中臭氧浓度控制的困难与挑战——以成都市为例

研究城市化、工业化和区域经济一体化进程的不断加快,对城市大气环境的影响是当前大气环境领域研究的热点问题。在此过程中,利用空气质量模型模拟系统研究大气环境污染问题成为大气环境研究中不可缺少的组成部分。在当前空气污染复杂的形势下,针对城市大气环境中臭氧的浓度尚未有效的控制措施。研究主要利用Models-3/CMAQ空气质量模式对成都市臭氧浓度数值通过不同的控制情景进行模拟,揭示城市大气中臭氧浓度控制的困难与挑战,并尝试性提出今后的研究方向,以期为控制城市大气中臭氧浓度提供建议。     

基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用

建立空气质量预报模型，预测污染物浓度对人类健康和社会经济发展具有重要意义。然而，传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想。对此，本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正模型，并使用哈里斯鹰算法(HHO)对模型的超参数进行优化；用CMAQ模型对上海市2022年12月六种大气污染物(SO₂、NO₂、PM₁₀、PM_2.5、O₃、CO)浓度的预报数据以及监测站的气象数据和污染物浓度实测数据作为HHO-CNN-LSTM模型的输入，对CMAQ模型预报结果进行修正。使用均方根误差(RMSE)、平均绝对误差(MAE)和一致性指数(IOA)作为评价指标。结果显示，修正模型显著提高了六项污染物浓度的预测精度，RMSE减少了73.11%～91.31%,MAE减少了67.19%～89.25%,IOA提升了35.34%～108.29%。同时针对HHO算法陷入局部最优而导致修正模型对CO浓度预测效果不佳的问题，使用高斯随机游走策略对HHO算...     

2020年初疫情管控对山东省空气质量影响的模拟

利用2020年初新冠疫情对人类生产、生活的一次自然冲击及由此导致的大气污染状况变化,研究了空气质量对污染物减排及气象因素的响应关系.通过对疫情管控前（1月15~23日）和疫情控制关键期（1月24日~2月7日）这2个阶段空气质量对比分析发现,疫情期间山东省除O₃浓度上升外,PM₁₀、PM_2.5、NO₂、SO₂及CO浓度分别降低72.6 μg·m^-3、47.4 μg·m^-3、25.6 μg·m^-3、3.0 μg·m^-3和0.5 mg·m^-3;降幅分别为45.86%、41.24%、58.00%、17.71%和31.40%;RAMS-CMAQ模拟显示,疫情期气象扩散条件改善导致的PM₁₀、PM_2.5、NO₂、SO₂和CO浓度改善幅度为26.04%、33.03%、28.35%、43.27%和23.29%,人为减排造成的各污染物浓度降低幅度为19.82%、8.21%、29.65%、-25.56%和8.12%.疫情期间O₃浓度上升20.51%,气象因素和人为活动的影响分别占10.47%和10.04%.结果表明一次污染物对减排响应更敏感,二次污染物对减排响应有一定时滞性且受气象因素影响更显著,臭氧浓度对污染物减排线性响应关系不明显,总体呈负相关,说明臭氧的控制需探索科学的污染物减排比例.     

疫情期间“2+26”城市污染减排成效评估

为评估“2+26”城市在疫情期间的减排效果,基于NAQPMS模式和情景模拟的方法,分析了2020年1~3月及疫情前后空气质量特征,对气象、重污染应急减排措施及社会经济活动对空气质量的影响和研究的不确定性进行了分析讨论.结果表明,2020年1~3月,“2+26”城市空气质量级别优良率为59.6%,同比上升10.9%;PM₁₀、PM_2.5、SO₂、NO₂、O₃-8h-90per和CO-95per平均浓度分别为108,76,14,36,109μg/m³和2.3mg/m³.疫情期间（1月24日~3月31日） PM₁₀、NO₂、PM_2.5和CO浓度比疫情前期（1月1~23日）同比降幅明显.气象条件造成沿燕山和太行山城市PM_2.5浓度约上升1%~8%.重污染减排促使区域性污染过程减少了2次,“2+26”城市PM_2.5季度均值降低约6~26 μg/m³.受春节和疫情综合影响,机动车排放量大幅下降,但焦化、火电等重点行业实际污染排放量变化不大,散煤燃烧对空气质量的负面影响增加.     

北京市2020年春节期间空气质量影响因素分析

2020年春节期间由于新冠肺炎疫情的大范围暴发,包括北京在内的多个城市经济社会活动较长时间处于低水平状态。但是在此期间,北京市出现了两次(农历正月初二至初六、正月十六至十九)污染水平不逊于往年的重污染天气,成为社会各界关注的焦点。本文以北京市2016-2020年春节期间的空气质量为研究对象,首先运用多元线性回归法判断了气象因素以及经济和社会活动因素对四类污染物(PM_2.5、PM₁₀、NO_2和SO₂)的影响程度,进一步研究了在2020年春节期间的两次重污染时段内各个因素对PM_2.5的影响程度,最后运用双重差分法评估春节期间的疫情管控措施对北京市空气质量产生的影响。多元线性回归结果显示在2016-2020年春节期间:(1)气象因素对北京市的PM_2.5、PM₁₀、NO₂和SO₂四类污染物浓度的影响占主导地位,其中温度、湿度与四类污染物浓度变化均显著正相关,气压和降水与四类污染物浓度变化均显著负相关;(2)经济活动水平与NO₂浓度水平有显著正相关关系,说明随着经济活动水平强度的降低和交通流量的下降,NO₂浓度呈现出降低趋势,而PM_2.5、PM₁₀和SO₂与经济活动水平分别有正相关、正相关和负相关关系,但并不显著;(3)从社会活动来看,燃放烟花爆竹会增大PM_2.5、PM₁₀和SO₂浓度,同时假期变量对PM_2.5和SO₂的浓度变化也存在显著正向影响。对于2020年春节期间的两次重污染过程来说,气象依然是主要影响因素,但是各因素的贡献值有所不同;春节期间经济活动水平对正月初二至初六重污染过程的贡献较小(2%),而对正月十六至十九有明显的负影响(-20%)。双重差分法评估结果显示,疫情管控对PM₁₀和NO₂有缓解效果,而对PM_2.5和SO₂未见明显影响,这表示疫情管控措施对空气质量施加了影响。本文不仅识别出了春节期间气象因素、经济社会活动与北京市四类污染物浓度之间的关系,有助于厘清各因素对空气质量产生影响的方式,而且对进一步改善北京市及京津冀地区的空气质量具有重要启示意义。     

2020年珠三角O3污染特征及主要成因

采用珠三角常规空气污染物与成分监测数据,通过分析对比2020年不同阶段的污染物浓度与气象等数据,研究了2020年珠三角臭氧污染特征与其主要成因。结果表明,2020年各月珠三角超标天首要污染物是O₃,珠三角2020年O₃评价浓度为148μg/m³,同比下降16%,AQI达标率同比上升9.5%。2020年O₃污染相对严重的月份是4、8~11月,对应的月度O₃评价浓度分别达到175,164,166,171,162μg/m³,均超过国家二级标准;其它月份均达标,6~12月O₃污染情况同比改善明显,O₃污染减轻使AQI达标率同比上升明显。2020年一季度受春节假期和疫情因素等共同影响,大气污染物排放量明显减少,但O₃浓度下降不明显,主要由于日照时数同比上升约19%;4月全面复工复产,以及辐射相对较强的气象条件,使O₃评价浓度同比上升约58%;5~8月“百日服务”与9~12月“百日行动”采取的污染防治措施有效降低O₃前体物排放量,NO₂浓度同比下降了22%~23%,VOCs浓度下降了18%~26%,使2个阶段的O₃评价浓度均同比下降了20%左右。     

新冠肺炎疫情期间气象条件和排放变化对PM2.5的影响

本文基于WRF-CMAQ定量分析了2020年1~3月全国337城市气象条件和排放变化对PM_2.5浓度的影响.全国气象条件整体转好1.7%,1月转差1.6%,2~3月分别偏有利1.3%和7.9%;全国污染物排放下降使得PM_2.5浓度同比下降14.1%,1~3月分别下降4.0%、25.7%和15.0%.武汉第一季度实测PM_2.5浓度同比降幅高于全国水平,与其气象条件大幅转好且污染排放降幅较大有关.北京在疫情发生前和严控期PM_2.5浓度同比升高,主要为气象转差所致;复工复产期同比下降,主要为污染排放大幅下降所致."2+26"城市、汾渭平原和长三角在第一季度PM_2.5浓度同比均下降,长三角降幅最大,与其污染排放大幅下降有关;"2+26"城市和汾渭平原在疫情发生前气象条件大幅转差,严控期大幅转好,长三角在复工复产期气象条件最有利;重点区域均为疫情严控期污染排放降幅最高,复工复产期降幅趋缓.     

基于天气分型的上甸子大气本底站臭氧污染气象条件

对流层臭氧作为典型二次污染物已成为北京春夏季首要污染物,气象因素是影响其浓度变化的主要因子之一.本研究基于2008~2017年大气成分和气象观测数据,利用Lamb-Jenkinson天气分型法结合Mann-Whitney U检验方法将影响北京地区天气型分为6类,其中SWW和C型上甸子臭氧浓度均值和极值分别最高,在4~9月出现频率最高,合计出现47.4%,并通过多元逐步回归方程确定两种型的主要贡献权重.SWW和C型下54%盛行西南风,新排放的污染物和二次老化气团经西南气流持续输送,850 hPa附近出现垂直速度零层,水平和垂直气象条件均有利于臭氧的输送、生成和聚积;AN和ESN型下64.7%盛行东北风或北风,气团来源清洁,1000 hPa以上盛行一致的下沉运动和气流辐散,新排放的污染物也能很快被稀释扩散,臭氧浓度处于较低值.以NW型2015年5月3日为例,虽然地面盛行西北气流,来源清洁,但大气通过垂直下沉运动将边界层以上的高浓度残留臭氧向近地面输送,导致某些天数中出现臭氧浓度高值.     

基于WRF-Chem和EMI指数的新冠肺炎疫情期间沈阳市大气污染物浓度变化原因分析

利用2015—2020年沈阳市空气质量监测数据、地面气象观测资料、环境气象评估指数（EMI）产品、NCEP再分析资料及WRF-Chem数值模式,分析新冠肺炎疫情防控期间沈阳市主要大气污染物和气象要素的变化情况,研究空气质量对污染物减排和气象要素变化的响应.结果表明：疫情防控导致沈阳市PM_2.5、PM₁₀和NO₂质量浓度下降,但O₃质量浓度小幅增加;PM_2.5和NO₂对人为减排的响应更敏感;防控期内沈阳市气象条件有利于污染物的清除,气象条件使PM_2.5质量浓度下降16.37%,防控减排措施导致PM_2.5质量浓度下降22.96%;在疫情防控的背景下,不利的气象条件和污染物排放的突然增加共同造成重污染天气发生,其中不利气象条件的贡献大于排放增加的贡献;减排措施对防控期间重污染天气过程污染物峰值浓度有明显的削弱作用.     

北京冬季疫情期间空气质量及气象影响分析

针对北京地区2020年冬季疫情防控期（1月24至2月29）的空气质量及两次持续性重污染过程进行分析,探究了该时段的大气污染特征及其气象影响.与过去5a同期相比,2020年疫情防控期间北京冷空气强度偏弱,活动频次偏少50%,气温偏高0.73℃,风速和混合层高度偏低17.8%和32.5%,相对湿度和露点温度增加60.9%和48.1%,偏北风频率减少7.5%,而偏南风和偏东风频率均增大6.0%;气象条件较历史同期明显转差;虽然降水量偏多,但整体降水强度弱、时次集中,因而颗粒物的整体清除作用有限.两次重污染过程（1月24~29日和2月8~13日）分别维持59和75h,两个过程累积阶段（1月24~25日和2月9~11日）均受区域输送影响较大,输送占比为70%和58%,分偏东和偏南两个通道.针对污染过程的源解析显示,本地污染贡献占比为67%和48%,可见在维持和加重阶段颗粒物的吸湿增长和二次生成占比增加.经分析,“高湿静稳”的不利气象背景下,大气垂直动力和水平辐合的叠加使PM_2.5和水汽在北京平原累积,将其压制在边界层内快速增长;升高的污染物也与静稳的边界层气象因子双向反馈,导致污染进一步加重.根据EMI指数计算,2020年冬季疫情防控期的气象条件约引起70.1%的PM_2.5浓度增加;而与过去5a同期相比,疫情防控期间排放的减少抵消了约53%的不利气象条件影响;两次污染过程与过去5a同期的9次过程相比,EMI分别偏大26.9%和19.7%,但PM_2.5浓度基本持平或略有降低.可见,在目前的排放基数上,即使出现特殊情况下的城市封锁,排放量的减少将削减污染浓度峰值,但仍不足以完全抵消不利气象条件的影响.     

基于风廓线雷达对成都地区典型持续性重污染天气的研究

基于风廓线雷达数据、大气污染数据及气象数据对2017年12月17日—2018年1月3日成都地区的一次持续性重污染天气过程进行研究,并对两次污染物浓度爆发式增长阶段的污染原因及污染物来源进行了分析.结果表明:①在这次重污染天气过程中,风廓线雷达高精度的风场资料(包括水平风速、风向、垂直风速、大气折射率结构常数C■)配合其他气象要素在分析两个污染阶段污染物的累积及扩散、输送中可以发挥重要的作用,即当成都地区水平风场风速较小且风向多变时,此时受静稳型天气控制,污染物浓度会快速累积增长,而当出现较强的东北风时,可能会有沙尘污染物的输入,应注意沙尘天气的提前预警.垂直风场中垂直速度和大气折射率结构常数C■的变化往往影响着污染物浓度的变化,由于风廓线雷达具有较高的时间分辨率,因此,对污染天气过程的变化有一定的指示意义.②结合局地环流指数和边界层通风量,重新定义了一种适合成都地区风场特征的通风指数:有效通风量(EVI),从而表明第一阶段污染的主要原因是成都地区由静稳型天气控制,边界层内风场对污染物的稀释扩散能力差,导致污染物累积.③通过后向轨迹模拟并结合PM_(2.5)浓度数据进行聚类分析,认为第二阶段污染主要是东北方向携带有大量沙尘污染物的气团输送到成都地区导致的,与源于西北地区沙尘天气的沙尘输送密切相关.     

基于KZ滤波法的河北省PM2.5和O3浓度不同时间尺度分析研究

大气细粒子和臭氧是影响我国城市空气质量的主要污染物质,其浓度的大小不仅与污染源的排放量有关,气象条件也是影响其浓度分布特征的重要因素.要评估污染物减排措施的效果,有必要将气象条件的影响剥离出来,仅评估排放量的降低对污染物浓度长期变化趋势的影响.本文使用KZ(Kolmogorov-Zurbenko)滤波方法对河北省石家庄、保定、张家口三市2013—2017年PM_(2.5)和O_3逐日浓度时间序列进行分解,并使用同期地面气象观测数据对各时间序列进行逐步回归分析,将经过KZ滤波后的长期序列与经逐步回归后的结果的差值再次进行滤波处理,得到去除气象影响的污染物浓度长期变化趋势,该浓度仅与污染物的排放量有关.结果表明,因污染源排放的影响,河北省三市大气PM_(2.5)浓度在研究年内除在2017年初略有上升以外,其余季节均呈下降趋势.河北省三市大气O_3浓度在研究年内均有波动上升趋势.气象条件对PM_(2.5)浓度长期变化趋势的影响大于O_3.     

COVID-19期间区域大气高污染发生的非线性动力机制

以长株潭城市群3个城市（长沙、株洲和湘潭）疫情期间（2020年1月24日~2020年5月31日）大气PM_2.5和O₃小时平均浓度时间序列数据为研究对象,对污染物日变化规律、长期持续性、多重分形性及自组织演化动力学特性进行研究.以期阐释疫情期间高污染事件发生及演化的内在动力机制.首先,对3个城市PM_2.5和O₃质量浓度的日变化规律进行分析,发现O₃呈现出昼高夜低的单峰型,而PM_2.5日变化规律表现出昼低夜高单峰型,与非疫情期间的特征有所差异.进一步,应用消除趋势波动分析法（DFA）、多重分形消除趋势波动分析法（MFDFA）和概率统计分析,研究了大气复合系统中PM_2.5和O₃质量浓度序列的长期持续性和多重分形结构.结果发现3个城市PM_2.5和O₃浓度序列均具有显著的长期持续性特征和较强的多重分形结构,同时,应用去趋势互相关分析法（DCCA）方法和多重分形去趋势互相关分析法（MFDCCA）对PM_2.5和O₃两者之间的互相关性进行了分析,发现PM_2.5-O₃之间的互相关也存在显著的长期持续性特征以及在不同时间尺度存在多重分形特征.进一步将疫情期间得到的非线性分析结果与2018年和2019年同期非疫情期间的结果进行了对比分析.最后,基于自组织临界理论（SOC）探讨了大气PM_2.5和O₃浓度时空演化的内在动力规律,并结合典型区域气象特征,阐明了SOC内禀动力机制可能是COVID-19疫情期间大气高污染形成的主导机制之一.疫情期间大气PM_2.5和O₃浓度并非分别独自演化,而是依然保持复杂的相互作用.静稳气象条件下,大气复合污染内部的非线性耦合作用可能达到动力学临界状态,将导致长株潭城市群在疫情期间仍有发生大气高污染的风险.     

气象条件变化对呼市地区大气污染的影响

利用1995至2002年呼和浩特市区空气污染物PM10、TSP、NO2、NO2、SO2浓度的实际监测数据与同期的地面要素场资料、大气边界层气象参数和地面天气图分析了污染物浓度与气象条件的关系及气象条件变化对呼市地区污染物浓度变化的影响，讨论了污染物浓度变化规律的成因。在此基础上用逐步回归方法建立了不同季节呼市地区空气污染浓度统计预报模型。