山东省PM2.5污染现状及预报效果对比分析

对2019—2022年山东省16个市的细颗粒物（PM_2.5 ）污染特征进行了分析,并对2021和2022年的4个数值模式［社区多尺度空气质量模拟系统（CMAQ）、扩展综合空气质量模型（CAMx）、区域气象-大气化学在线耦合模式（WRF-Chem）、嵌套网格空气质量预报系统（NAQPMS）］及集合预报模式预测的效果进行评估。结果表明：2019—2022年山东省PM_2.5 年均质量浓度逐年降低,污染程度逐步减轻,但在1—3,11—12月,PM_2.5 质量浓度超标现象较为普遍。2021年底更换污染源清单后,2022年5个模式的24 h级别准确率和相关系数（r）同比升高,均方根误差（RMSE）同比降低,模式预报准确率有所提升,但由于参数调整略大,CMAQ、CAMx、WRF Chem、集合预报模式易漏报或偏轻预报PM_2.5 的中度污染和重度污染天气。由于NAQPMS模式在更换污染源排放清单时,同时改进了非均相化学反应机制,因此对PM_2.5 不同污染类别尤其是中度污染、重度污染的预报准确率明显提升。     

2019年江苏省PM2.5和O3多模式集合预报算法效果评估

基于江苏省重污染天气监测预报预警系统多模式预报结果,分析了不同数值模式对江苏省13个城市细颗粒物(PM_2.5)和臭氧(O₃)的预报偏差特征,发展了多模式集合预报算法,并对其进行了评估。结果表明,相较于单一数值模式,集合预报算法显著改善了PM_2.5和O₃预报的准确率,其对江苏省PM_2.5和O₃空气质量分指数等级的预报准确率超过了80%。就江苏省整体而言,PM_2.5集合预报的准确率相比最优单一数值模式提升了6%。O₃浓度较低时,集合预报能有效改善各模式存在的高估现象。但受限于目前的校正策略,出现高浓度O₃污染时,集合预报对预报效果的提升相对有限。     

多元线性回归方法对北京地区PM2.5预报的改进应用

利用多元线性回归方法（REG）将多模式空气质量预报系统中3个模式（CMAQ、CAMx和NAQPMS）对北京市2016年PM_2.5的预报结果和观测数据进行集合，并对集合结果进行评估。结果表明：①不同模式的预报结果不尽相同，均能够反映2016年北京地区PM_2.5随时间的变化趋势，CMAQ、CAMx和NAQPMS相关系数为0.6~0.9，标准化平均偏差为-0.6~0.6。3个模式对重污染峰值预报都存在偏差，NAQPMS预报偏差低于其他模式；②基于多元线性回归集成预报模型能显著提高日均PM_2.5预报的准确率，能较好地改进不同季节模式整体高估或者低估的系统性偏差现象，春季国控平均偏差由-23 μg/m³改善至-2.3 μg/m³，冬季平均偏差降低近20 μg/m³；③利用多元线性回归方法对2016年红色预警期间小时PM_2.5订正结果显示，相关系数提高了0.13，均方根误差降低了20~30 μg/m³，并且对峰值浓度有较好的调整，预报峰值更为接近实况峰值，特别是对北部地区的改进效果较为明显，反映了实际观测数据对空气质量数值模式预报修正的研究意义和可行性。     

2016年秋季新乡市空气质量模式预报效果评估

基于新乡市空气质量数值预报平台，采用相关系数（r）、标准化平均偏差（NMB）等统计指标，系统评估2016年秋季新乡市嵌套网格空气质量预报模式（NAQPMS）和通用多尺度空气质量模式（CMAQ）的预报效果，对比分析2套模式不同预报时效和不同水平分辨率的空气质量等级预报准确率。结果显示：2套模式均较好地表征了各主要污染物的浓度变化特征，2套模式的等级预报准确率高于60%，其中CMAQ对中度及重度的预报等级准确率达到70%。对比模式24、48、72 h 3种预报时效效果，24 h预报时效的统计数据最优，说明24 h预报时效模拟结果可作为业务预报重要的支撑。     

连云港市冬季霾污染成因分析及应急管控效果评估

针对2022年1月5—14日连云港发生的细颗粒物（PM_2.5）连续污染事件（PM_2.5超标共计5 d），基于常规空气质量参数、气象要素、颗粒物组分参数等数据资料，系统分析了污染期间PM_2.5时空变化特征及污染成因，结合大气化学与天气预测模式（WRF Chem）和敏感性试验方法，定量评估了应急减排措施对连云港各区县PM_2.5浓度的影响。结果表明，5 d超标日中有3 d为轻度污染，2 d为中度污染，全市PM_2.5浓度呈现先上升后下降的趋势。不利的气象条件（静稳、小风、高湿）、本地排放（机动车尾气、工业工艺源）和二次生成共同导致了PM_2.5污染的发生。实施黄色预警管控后，ρ（PM_2.5）平均值下降了4.6μg/m³，降幅为5.2%，其中东海县和灌云县ρ（PM_2.5）的降幅最大，分别为6.1%和8.3%，同时污染天ρ（PM_2.5）峰值平均下降了9.4μg/m³（6.0%）。通过PM_2.5过程分析方法发现，应急减排导致人为排放、化学过程和背景浓度对近地面ρ（PM_2.5）正贡献的减少量要显著大于垂直混合、区域输送和对流过程负贡献的增加量。     

河源市2014-2017年空气污染特征及天气类型分析

利用2014—2017年河源城区环境空气自动监测站数据和气象数据，对期间出现的污染天气过程进行统计，对影响污染的天气类型进行分类。结果表明，2014—2017年，河源城区累计出现污染天气65 d，超标污染物主要为PM_2.5和O₃，O₃超标比例逐年上升成为达标率首要影响因子。PM_2.5易污染天气型中冷高压出海占比最多（38.2%），其次为冷锋前（17.7%）和均压场（14.8%）；O₃易污染天气型中副高控制占比最多（31.0%），其次为副高叠加台风外围（24.1%）和冷高压出海（13.8%）及均压场（13.8%）。河源城区低程度污染（AQI值101～110）占比较大。     

“Ox增减量”O3人工订正预报方法与应用

为满足环境管理部门"O₃污染过程不漏、AQI类别准确和AQI范围预报准确"的要求,基于大气箱式模型和相似案例分析,引入O_x指标原创性提出"O_x增减量"O₃人工订正预报方法。介绍了该方法的预报思路、预报要点和步骤、历史相似案例库构建与基于大气条件预报的判别分析、方法普适性和局限性等,以期为提高区域、城市O₃业务预报准确率提供技术参考。以东部沿海城市青岛市为研究案例,结果显示,2020年6—9月24 h人工订正AQI类别预报、AQI范围预报准确率分别为91%和68%,比同期业务化运行的WRF-Chem数值模式预报准确率分别提高19%和25%,应用该预报方法可有效提高O₃污染过程预报准确率。     

广东省清远市PM2.5污染天气分型及污染潜在源区分析

利用2016—2021年清远市逐时空气质量监测数据和相关气象资料,基于统计分析、主观天气分型方法和后向轨迹模式（HYSPLIT）,归纳总结粤北代表城市清远市在不同细颗粒物（PM_2.5 ）污染天气分型下的气象要素特征及污染潜在源区特征,为大气污染精细化防控提供有效参考。结果表明：在日均风速＜2m/s、日均相对湿度为75%～90%、日均气温为18～22℃时的无降水或微量降水天气下,清远市易出现PM_2.5 污染。变性高压脊型、脊后槽前型、冷锋前型、弱冷高压脊型、高压底后部型、台风外围型是造成清远市PM_2.5 污染的典型天气型,其中PM_2.5 重度污染均出现在秋、冬季弱冷高压脊型控制下;变性高压脊型下出现PM_2.5 轻度和中度污染的频率最高;脊后槽前型是清远市春季PM_2.5 污染的主要天气型;冷锋前型、高压底后部型和台风外围型下的PM_2.5 污染程度较轻。加剧清远市PM_2.5 污染的主要气流轨迹为弱偏南气流和南北气流辐合,当弱偏南气流控制时,污染潜在源区主要位于清远市辖区及广州、佛山、东莞、江门等珠三角城市;当南北气流辐合时,潜在源区主要位于清远市南部、韶关及珠三角,南岭山脉阻挡作用削弱了偏北方向长距离输送的PM_2.5 污染。     

四川盆地冬季典型污染过程分析及应急减排效果评估

为探讨成都冬季污染过程成因,评估应急减排效果,以2019年12月成都发生的一次长时间污染过程为例,分析污染成因和典型污染物变化特征等,并对四川省启动预警的管控效果进行评估。结果表明:污染期间四川省PM_2.5平均质量浓度为77.9 μg/m³,高出冬季常态浓度1倍左右,成都峰值浓度高达176.0 μg/m³;盆地独特的地形和静稳小风的气象条件,加之高压脊控制影响,污染前期出现连续晴好天气,夜间逆温增强,污染物累积迅速,湿度增大导致污染物二次转化增强,是该次污染过程的重要外因;PM_2.5中硝酸根离子贡献最大(26.7%),NO_x及其二次转化的硝酸根离子是造成该次污染的主要原因;启动黄色预警后,NO₂及其转化后的硝酸根离子浓度以及PM_2.5浓度仍呈上升趋势,各类源贡献显著;升级橙色预警后,NO₂峰值浓度明显下降,硝酸根离子占PM_2.5的比例下降3.7个百分点,PM_2.5浓度上升趋势得到明显遏制;该次区域协同减排效果明显,区域PM_2.5日平均质量浓度下降9.1%~13.1%,区域性污染推迟1d出现,预警城市的重度污染、中度污染、轻度污染天数分别减少13、13、7 d;PM_2.5浓度下降主要来自于工业源、扬尘源和移动源的减排贡献,平均减排贡献比例分别为60.0%、31.3%和8.7%。     

基于特征指标的气象因子对PM2.5浓度的影响分析

以西安为研究区域,为探究气象因子对PM_2.5浓度的影响,采集2017-2019年空气质量与气象因子数据,改进k-Means聚类算法,形成严重污染、重度污染、中度污染、轻度污染共4个PM_2.5浓度与气象因子样本簇集。分析簇集数据分布,选择Spearman相关性分析方法,确定影响PM_2.5浓度的气象因子;定义PM_2.5凸显性条件,给出幅度特征FOA、浮动特征FOF和凸显特征FOH,构建三维空间,确定气象因子对PM_2.5影响的大小,进而建立气象因子对PM_2.5浓度的影响分析方法。比较多元线性回归和随机森林回归方法,结果表明:该方法提高了分析效率,且无需考虑因子选取和表达,能有效确定影响PM_2.5浓度的气象因子种类及影响程度。在低温、高湿、高压和相对静风的气象条件下,空气中颗粒物难以扩散和输送,使西安市PM_2.5浓度升高。严重污染、重度污染和中度污染中,PM_2.5浓度与相对湿度呈显著正相关,与风速、气温呈显著负相关,且影响大小依次为相对湿度>风速>气温;轻度污染中,PM_2.5浓度与相对湿度、气压呈显著正相关,与风速、气温呈显著负相关,且影响大小依次为气温>相对湿度>气压>风速。     

上海市秋季典型PM2.5污染过程数值预报分析

基于2012年10月上海出现的一次典型PM2.5污染案例,验证评估上海市空气质量数值预报系统Model-3/CMAQ预报性能,采用过程分析技术,定量评估不同大气物理化学过程对上海代表性点位PM2.5浓度变化的作用规律。结果表明:Model-3/CMAQ模式系统能较好地反映PM2.5的浓度变化趋势与特点。对于上海市区点位(徐汇上师大)和东南部点位(奉贤海湾和浦东惠南),PM2.5浓度上升主要受本地源排放影响,其贡献比例超过40%,其次是区域大气传输作用的影响。对于西北部点位(崇明监测站和青浦淀山湖),区域大气传输是PM2.5浓度上升的主要原因,贡献比例超过70%,其次是源排放。各点位PM2.5浓度的主要去除途径均为大气传输,贡献比例均超过70%,其次是干沉降。气溶胶过程对PM2.5主要起二次颗粒物生成的作用,特别是市区及东南部点位,贡献比例较西北部点位更高。     

中国中东部一次大范围重污染过程特征分析

采用嵌套网格空气质量预报模式(NAQPMS)模拟与气象、污染物观测资料相结合的方式,分析了2016年12月影响中国中东部地区的一次重污染过程中PM_(2.5)时空分布特征及来源成因。结果表明,重污染过程中PM_(2.5)具有较明显的时空变化规律,污染呈现一定程度的区域性分布特点,不同地理位置条件下,污染物浓度的累积和传输方式表现出不同的特征,细颗粒物快速二次生成及不利扩散条件下的持续积累可能是此次污染过程的主要原因,不利于污染物扩散的高低空天气形势的配合抑制了污染物的快速消散,为大气污染的形成及维持提供了稳定的大气环境背景,形成了此次污染过程污染浓度高、影响范围大的态势。     

达州市城区环境空气质量变化趋势及CMAQ模型预报分析

利用Spearman秩相关系数法、污染日历图、浓度分析法和CMAQ预测模型研究了达州市城区2015—2019年空气质量状况。结果表明:2015—2019年,达州市城区O_3浓度变化趋势为显著上升(P0.05),季度变化明显,8月易发生因O_3超标导致的轻度污染状况;CO年均值变化趋势为显著降低(P0.05);NO_2年均值呈上升趋势,但尚未达到显著水平(P0.05);SO_2、PM_(10)和PM_(2.5)年均值呈下降趋势,但变化趋势不明显(P0.05)。2019年,1月和12月污染最重,PM_(2.5)超标是主因,PM_(10)和PM_(2.5)年均值达标形势严峻,全年一半以上天数的PM_(2.5)浓度超过年均值二级标准限值,PM_(10)也近半;NO_2年均值达标形势严峻,全年212 d超过年均值二级标准限值。CMAQ模型对不同污染指标的预测准确率不同,预测PM_(2.5)浓度、首要污染物和空气质量等级时的准确率不及人工预测,预测AQI时的准确率高于人工预测,更多污染指标的预测比较还有待进一步研究。     

北京地区不同季节PM2.5和PM10浓度对地面气象因素的响应

利用2013年1月—2014年12月北京地区PM_(2.5)和PM_(10)监测数据和同期近地面气象观测数据,采用非参数分析法(Spearman秩相关系数)研究了北京地区PM_(2.5)和PM_(10)的浓度对不同季节地面气象因素的响应。结果表明:北京地区大气颗粒物浓度水平具有明显的季节特征,冬季大气颗粒物污染最严重,夏季最轻。不同季节影响颗粒物浓度水平的气象因素各不相同,其中风速和日照时数为主要影响因素。PM_(2.5)和PM_(10)质量浓度对气象因素变化的响应程度也有较大区别,PM_(2.5)/PM_(10)比值冬季最高,PM_(2.5)影响最大,春季最低,PM_(10)影响最大。这些结论可对制订科学有效的大气污染控制策略提供参考。     

2015—2020年全国重污染天变化趋势及时空分布特征分析

2015—2020年,全国重污染发生天数、比例及城市数量整体呈逐年下降趋势。与2015年相比,2020年全国337个地级及以上城市重污染天数减少1 847 d,降幅达55.2%;重污染天数比例下降1.6个百分点;发生过重污染天气的城市数量减少60个。其中,全国细颗粒物重污染天数整体呈下降趋势,沙尘重污染天数随气象条件的差异波动变化,臭氧重污染天数呈波动上升趋势。"十四五"期间,消除重污染天气的主要对象仍是细颗粒物重污染。应将天山北坡城市群、"2+26"城市、汾渭平原及苏皖鲁豫交界地区作为"十四五"期间污染减排的重点关注区域。此外,需遏制"2+26"城市臭氧重污染上升势头。     

台州市区PM2.5和O3污染特征及相互作用关系

基于2016—2020年台州市区大气污染物监测数据及气象观测资料，分析了台州市区PM_2.5和O₃的污染特征及受气象因素影响情况，并探究了不同季节下的PM_2.5浓度和O₃浓度的相关性及相互作用关系。2016—2020年，台州市区PM_2.5年均浓度和超标天数呈显著下降趋势，O₃-8 h年均浓度和超标天数总体呈上升趋势。PM_2.5浓度在冬季最高，且易发生超标；O₃浓度在春、夏、秋季均较高，且均会发生超标。通过相关性分析可知：PM_2.5浓度与气温、相对湿度、风速、降水量呈负相关，与大气压呈正相关；O₃浓度与气温、风速呈正相关，与相对湿度、降水量呈负相关。不同季节下的PM_2.5浓度与O₃浓度均呈正相关，两者存在协同增长。在春、夏、秋季，二次PM_2.5在总PM_2.5中的占比随着O₃     

t分布受控遗传算法优化BP神经网络的PM2.5质量浓度预测

根据齐齐哈尔大学监测点2014年3—5月PM2?5质量浓度及其对应的每小时的气象因素、气体污染物浓度，建立基于t分布受控遗传算法的BP神经网络模型（ BPM?TCG），对PM2?5质量浓度进行模拟预测。并将其与BP神经网络模型、遗传算法优化BP神经网络模型（ BP?GA）进行对比分析。3种模型预测结果表明：BPM?TCG模型预测精度最高，泛化能力最好。 BPM?TCG模型对PM2?5质量浓度的准确预测为预防和控制PM2?5提供依据。     

几种空气质量预报方法对冬季预报效果的评估与对比

基于2016年冬季泰州市环境空气质量自动监测数据,定量评估NAQPMS模式、CMAQ模式和人工订正对污染物质量浓度和空气质量等级的预报效果。结果表明,模式预报和人工订正对各污染物预报的相关系数由高到低排列为PM_(2.5)、PM_(10)、NO_2、SO_2、O_3-8h,颗粒物预报效果最好。除O_3-8h外,NAQPMS对各项污染物预报的相关系数R为0.47～0.82,CMAQ为0.75～0.81,人工订正为0.43～0.78,3种预报方式均能准确反映污染物浓度的变化趋势;模式预报、人工订正对O_3-8h预报相关系数均0.4。在发生颗粒物污染过程时,人工订正结果相对更为准确。NAQPMS、CMAQ和人工订正对空气质量等级24 h预报准确率分别为38.9%、41.1%和35.6%,NAQPMS对优类别的预判准确率较高,CMAQ、人工订正对良类别的预判准确率较高。对比不同时效的预报效果,24 h预报时效的准确率高于48和72 h。提出,城市空气质量预报可采用集合预报方式,综合1～2种运行较稳定的主流预报模式预报结果,预报员对模式模拟结果进行人工修订,提高预报准确率。     

北京市典型重污染过程中PM2.5载带水溶性无机离子污染特征分析

为研究北京地区冬季PM_(2.5)载带的水溶性无机离子组分污染特征,2013年1月在中国环境科学研究院内采用在线离子色谱(URG-9000B,AIM-IC)对PM_(2.5)中水溶性无机离子(SO_4~(2-)、NO_3~-、Cl~-、NH_4~+、Na~+、K~+、Mg~(2+)、Ca~(2+))进行监测与分析。结果表明,采样期间总水溶性无机离子(TWSI)浓度为61.0μg/m~3,其中二次无机离子SO_4~(2-)、NO_3~-、NH_4~+(SNA)占比达72.3%,在PM_(2.5)中占比为40.29%,表明北京市PM_(2.5)二次污染严重。重污染天[NO_3~-]/[SO_4~(2-)]表明,固定源污染较移动源更为显著。三元相图表明,在空气质量为优的情况下,NH_4~+(在SNA中占比为30.3%~65.5%,下同)主要以NH_4NO_3的形式存在,较少比例以(NH_4)_2SO_4存在;严重污染时,NH_4~+(47.3%~77.9%)主要以(NH_4)_2SO_4形式存在,其次以NH_4NO_3的形式存在,其余的NH_4~+以NH_4Cl的形式存在。[NO_3~-]/[SO_4~(2-)]日变化表明,早、晚机动车高峰影响北京重污染发生。     

中国北方地区采暖期颗粒物污染现状

分析了2013—2016年冬季采暖期与非采暖期中国北方地区颗粒物污染现状及时空变化特征。结果表明:中国北方地区空气污染比较严重,采暖期尤为突出。2016年,中国北方地区重度及以上污染天数比例超过10%,采暖期优良天数比例较非采暖期下降22.8%,重度及以上污染天数比例升高10.1个百分点。颗粒物浓度呈现明显的冬季高、夏季低的特点,最高值一般出现在12月至次年1月,最低值一般出现在7—9月。2013—2016年,北方地区空气质量呈较为明显的改善趋势,PM_(10)和PM_(2.5)浓度总体呈下降趋势,但2014年以来采暖期同期比较显示,PM2.5浓度呈缓慢升高趋势,采暖期空气污染形势十分严峻。颗粒物浓度呈现明显的空间分布规律,采暖期石家庄、保定、衡水、邢台、邯郸、安阳等城市为京津冀区域污染最严重的城市。