非职业性一氧化碳中毒事件成因分析

通过对燃煤量的调查结果和呼和浩特CO浓度值监测结果分析了CO排放源的分布特征和CO浓度的变化特征,得出高燃煤地区和采暖期CO浓度值较高但低于标准值。对CO中毒事件案例与气象条件关系进行了分析得出逆温、高湿、小风和低气压时不利于一氧化碳浓度扩散,容易引起一氧化碳中毒事件的发生。     

基于MOS的杭州秋冬季空气污染预报和霾诊断

利用由数值预报模式WRF和辨识理论实时迭代统计方法RTIM组成的MOS方法对杭州市2013年2~3月和11~12月期间的空气污染物日平均浓度做预报,预报值与实测值之间相关系数都超过0.75 ,PM2.5、PM10、SO2、NO2、CO 24h平均浓度和O3 8h平均浓度分类预报临界成功指数(CSI)分别为89%、87%、100%、93%、100%和100%,命中率(POD)分别为93%、95%、100%、100%、100%和100%.分析表明,研究期间杭州地区气溶胶以细颗粒为主.根据PM2.5浓度、相对湿度及能见度预报值做霾日分类预报,临界成功指数为89%,命中率为93%.说明该MOS系统对污染物浓度及霾天气预报性能良好,可以为业务化预报提供参考.     

天津静稳指数建立及在环境气象预报和评估中的应用

基于2014—2015年NCEP再分析资料及天津地区PM_2.5质量浓度数据,构建天津地区静稳指数以期反映大气综合扩散能力,为天津霾、空气质量预报和大气环境气象条件评估提供支撑.研究结果表明：本文构建的静稳指数可作为评估天津地区细颗粒物大气扩散能力的重要指标参数,其建模产品与天津地区PM_2.5质量浓度相关系数为0.62,在评测期间（2016年6月1日—2018年5月31日）,基于EC模式的静稳指数24 h预报产品与天津地区PM_2.5质量浓度相关系数为0.67,1~7 d预报产品与PM_2.5质量浓度相关系数超过0.53,8~10 d预报产品随着时效增加指示能力有所下降,相关系数为0.4左右,但通过显著性检验.对比同期基于GFS资料和WRF/Chem构建的天津中长期环境气象数值模式,其相关系数接近,趋势预报效果相当.同时,由于静稳指数综合了水平风速、混合层高度、相对湿度等多项指标,可以综合反映一个地区大气扩散能力,在大气环境气象条件评估中可发挥积极作用,以同排放源不同气象条件的数值模拟为基准定义细颗粒物大气扩散条件,2013—2018年逐月大气扩散条件同比上年改善的占总样本41%,同比转差的占总样本59%,利用静稳指数对大气扩散条件月同比变化趋势进行判断,识别准确率可达80%.     

佛山臭氧浓度预报方程的建立与应用

臭氧作为大气中的二次污染物,其形成和变化复杂,臭氧预报更是当下空气污染治理的难题之一.通过分析2014~2017年佛山地区近地面O₃浓度与高低层气象要素的关系,建立了佛山O₃浓度预报方程,并进行了检验和应用.结果表明,佛山近地面O₃的变化与高低层气象要素关系密切,气温和日照时数等气象要素与O₃浓度呈显著正相关,相对湿度、总（低）云量和风速等与其呈负相关;高浓度O₃污染发生的气象条件为小风速、晴间少云、低相对湿度、较长的日照时间和较高的温度,高浓度O₃潜势指数（HOPI）和风向指数（WDI）的定义可以较好地衡量O₃污染气象条件的好坏;综合考虑HOPI和不同高度WDI等13种气象要素,采用多指标叠套和多元逐步回归建立了佛山地区臭氧浓度预报方程;利用2018年资料检验发现,模拟值与实测值二者的相关系数R可达0.82,预报方程具有良好的拟合效果和可预报性.     

空气污染潜势-统计结合预报模型的建立及应用

建立了一个空气污染潜势预报和统计预报相结合的模型,该模型以特征气象因子和大气扩散清除因子为基础,并考虑不同因子的权重,定义空气污染潜势指数APPI.所考虑的因子包括:地面风速、混合层高度、混合层内平均风速、风向日变化、稳定度级数、垂直扩散系数、SO2干沉降速率、NO2干沉降速率、PM10干沉降速率、降水时长、地面天气形势.进一步利用统计方法建立空气污染指数API与APPI之间的关系.利用南京地区2009~2010年气象资料计算APPI,通过3项式拟合得到API与APPI的统计方程.结果表明,拟合得到的API与实际API相关系数为0.67,具有显著的相关性,且等级准确率为76.7%.进一步利用2011年1~12月中尺度气象模式WRF预报的气象场开展实况预报.研究表明,24h预报、48h预报、回顾预报的逐月等级正确率分别为44.4%~87.5%,46.4%~100%和63.0%~80.0%,年均等级正确率为60.6%,62.4%.和73.1%.若定义预报API与实际API相差±20以内为正确,则24h预报、48h预报、回顾预报的正确率分别为58.1%, 59.4%和63.8%.在IBM x3500并行集群服务器上计算,48h预报需要机时3h.可见,该模型具有较好的预报性能, 相对数值模型计算效率很高.     

辽宁盘锦发生硫化氢中毒事件120人中毒

2004年6月21日晚,辽宁省盘锦市双台子区双盛街道宋家村发生部分村民硫化氢中毒事件,造成120人中毒,其中3人重度中毒,9人中度中毒,余者为轻度中毒,均被送入盘锦市三家医院进行抢救治疗,未中毒的附近村民被安置在安全地区。据悉,中毒事件是由于一运输车私自倾倒工业废碱渣造成的。据盘锦市提供的一份报告说明,6月21日20点30分,一运输车私自倾倒工业废碱渣,致使附近村民硫化氢中毒。经查,碱渣为中油辽河石化分公司的废渣,该运输户未按规定到指定地点卸车,私自在宋家村一小工厂院内坑池排放,造成附近村民中毒。辽宁盘锦发生硫化氢中毒事件120人…     

香溪河库湾夏季温室气体通量及影响因素分析

采用LGR-密闭式动态通量箱法对三峡水库香溪河库湾夏季水-气界面温室气体(CO2和CH4)通量进行了24 h连续观测.结果表明,观测点处水-气界面CO2和CH4的释放通量具有明显的日变化特征,且二者的日变化过程呈较强的负相关性.监测期间,CO2的吸收和释放过程明显,CH4全天均为释放状态,其全天平均通量分别为0.336 mg.(m2.h)-1和0.088mg.(m2.h)-1.分析发现,水-气界面碳通量与温度、pH、叶绿素a、气压、辐照强度的相关性明显,而Eh对碳通量的影响并不显著,其中,CO2与各环境因子的相关性较CH4更为密切.     

基于WRF-RTIM的上海地区霾预报MOS方法研究

应用基于系统辨识理论的实时迭代模式(real-time iterative model,RTIM)对WRF模式预报结果进行后处理,建立了上海地区霾天气的模式输出-统计(model output statistics,MOS)方法.首先,根据WRF模式的气象输出资料,结合大气污染观测数据,筛选出霾事件的预报因子;其次,运用系统辨识实时迭代模型,建立依据MOS预报方法的PM2.5、PM10和能见度预报模式;最后根据霾事件的判别标准,对上海2012年11月—2013年1月的霾日进行24 h和48 h预报.结果表明,PM2.5模式预报成功率为75.0%~63.9%,PM10模式预报成功率为87.5%~81.8%,能见度模式预报成功率为71.0%~74.2%,霾日预报成功率为73.7%~72.7%.分析表明,研究期间上海的气溶胶以细颗粒物为主,低能见度主要由导致霾现象的PM2.5引起.该方法能较准确地预报霾日的发生,可为我国城市大气环境业务预报提供参考依据.     

闽江口养殖塘水-大气界面温室气体通量日进程特征

湿地围垦养殖是人类对于滨海湿地的主要干扰方式之一.以闽江口鳝鱼滩湿地围垦养虾塘和鱼虾混养塘为研究对象,利用悬浮箱-气相色谱法对养殖塘秋季水-大气界面CO2、CH4和N2O通量日进程进行了观测并同步测定了地面气象及表层水的物理、生物和化学指标.养虾塘和鱼虾混养塘水-大气界面CO2、CH4和N2O通量均具有明显的日变化特征,2种养殖塘整体上均表现为吸收CO2的汇,CO2通量平均值分别为-48.79 mg·（m2·h）-1和-105.25 mg·（m2·h）-1,排放CH4的源,CH4通量平均值分别为1.00 mg.（m2.h）-1和5.74 mg·（m2·h）-1,鱼虾混养塘水-大气界面CH4排放量和CO2吸收量均高于养虾塘.养殖塘水-大气界面温室气体通量受到诸多环境因子的影响,多元逐步回归分析结果表明,对于养虾塘,叶绿素a是影响其水-大气界面CO2通量日变化的主要环境因子,PO34-和SO24-是影响水-大气界面CH4通量日变化的主要环境要素;鱼虾混养塘水-大气界面CO2通量主要受到水温、叶绿素a的影响,而溶解氧、PO34-和pH是影响其CH4通量的主要环境因子。     

上海地区臭氧数值预报

基于WRF-Chem在线区域化学/传输模式构建了区域化学天气数值预报业务系统,评估了2013年5月1日至9月30日期间的1h和8h臭氧业务数值预报效果.结果表明:臭氧预报没有明显的系统偏差,预报偏差在0两侧基本呈对称分布;数值预报具有较高的准确性,其中8h臭氧的效果略好,不同时效预报的相关系数均在0.8上下,浓度平均偏差和偏差中值都只有1′10-9~2′10-9,臭氧达标日和污染日预报都有很高准确率和CSI/TS评分,首要污染物也较准确;不同时效的预报效果接近,48h时效略好,24h和72h相当;数值预报也存在一定不足,存在极个别显著偏高或显著偏低的情况,同时由于等级划分阈值的存在,等级预报的准确性明显低于浓度和分指数预报.综合地看,数值预报可以提供较为准确的臭氧预报,为空气质量预报预警业务提供有力的支撑,但分指数等级预报上仍需要进一步提高.     

Measurement and prediction of ozone levels around a heavily industrialized area: a neural network approach

This paper presents an artificial neural network model that is able to predict ozone concentrations as a function of meteorological conditions and precursor concentrations. The network was trained using data collected during a period of 60 days near an industrial area in Kuwait. A mobile monitoring station was used for data collection. The data were collected at the same site as the ozone measurements. The data fed to the neural network were divided into two sets: a training set and a testing set. Various architectures were tried during the training process. A network of one hidden layer of 25 neurons was found to give good predictions for both the training and testing data set. In addition, the predictions of the network were compared to measurements taken during other times of the year. The inputs to the neural network were meteorological conditions (wind speed and direction, relative humidity, temperature, and solar intensity) and the concentration of primary pollutants (methane, carbon monoxide, carbon dioxide, nitrogen oxide, nitrogen dioxide, sulfur dioxide, non-methane hydrocarbons, and dust). A backpropagation algorithm with momentum was used to prepare the neural network. A partitioning method of the connection weights of the network was used to study the relative % contribution of each of the input variables. It was found that the precursors carbon monoxide, carbon dioxide, nitrogen oxide, nitrogen dioxide, and sulfur dioxide had the most effect on the predicted ozone concentration. In addition, temperature played an important role. The performance of the neural network model was compared against linear and non-linear regression models that were prepared based on the present collected data. It was found that the neural network model consistently gives superior predictions. Based on the results of this study, artificial neural network modeling appears to be a promising technique for the prediction of pollutant concentrations.     

广州地区灰霾与清洁天气变化特征及影响因素分析

利用2006~2010年广州气象站逐时地面风场、湿度、能见度观测资料和2006~2009年珠江三角洲其他33个地面观测站风场观测资料,通过对灰霾与清洁天气过程的风速风向进行统计分析与矢量和分析,研究了广州地区灰霾与清洁天气过程的变化特征及影响因素.结果表明:灰霾天气过程在干季发生较频繁,主导风向为东南及东南偏南风,风速一般在1.5m/s以下,静风频率大于多年静风频率;灰霾天气过程风矢量和较小,扩散条件较差.清洁天气过程主要出现在湿季,风速普遍较大且主导风为东南及东南偏南风,干季也可以出现清洁天气过程,主要为较强的北风及偏北风;清洁天气过程风矢量和较大,有较强的平流输送.     

南京市两次秋季污染过程及成因分析

为探究南京秋季污染过程的特征和影响因素,利用MODIS(Moderate Resolution Imaging Spectroradiometer)传感器获得的气溶胶光学厚度(Aerosol Optical Depth)、波长指数(Angstrom Exponent)、火点数据及CALIPSO(Cloud-Aerosol Lidar And Infrared Pathfinder Satellite Observations)卫星数据和来自NECP、MICAPS的温度、相对湿度、风向风速等常规气象要素数据,对南京2015年10月、2016年9月两次污染过程进行分析.研究结果表明:两次污染过程的AE412-470值(埃斯特朗波长指数α)均高于1,由此判断两次污染均以人为排放产生的细粒子为主.但2015年10月的AE412-470值明显低于2016年9月,说明在2015年10月污染过程中粗粒子所占比重高于2016年9月.结合对后向轨迹的分析发现,南京地区2015年10月污染天气的发生还受长距离输送的影响,污染源主要为来自内蒙古、山西等地的污染型沙尘粒子.研究还发现,较高的相对湿度、较低的地表风速、低混合层高度及贴地逆温等气象条件会导致污染物难以扩散稀释而累积在南京地区,造成该区域在秋季出现较严重的污染天气.     

城市街道峡谷内污染物扩散分布的数值模拟

采用通过实测分析得到的机动车综合排放因子表达式,实现了交通流性态参数与CFD仿真系统的联接,在此基础上模拟了不同车流量和平均车速组合下城市斜顶建筑物街道峡谷内机动车排放污染物(一氧化碳)的扩散分布。结果表明:(1)在自由来流风速一定时,峡谷内的一氧化碳浓度随平均车速的提高而降低(保持车流量不变),随车流量的增加而升高(保持平均车速不变);(2)联接交通流性态参数与CFD仿真系统而开展数值模拟,可为基于环境容量和道路交通容量双约束条件下的交通配流过程提供不同交通流分配方案下的大气环境质量评价信息。     

采用模拟试验方法对一起一氧化碳中毒死亡事故的分析

运用模拟试验的方法查清了一起CO中毒死亡事故的原因,查明了事故的直接责任者,确定了石灰窑停窑操作的关键步骤,为今后避免类似事故提供参考.     

珠三角秋季典型气象条件对空气污染过程的影响分析

利用空气质量指数(AQI)、主要大气污染物浓度和气象要素、天气图等数据资料,结合中尺度数值天气预报模式WRF,对2014年10月珠三角地区污染期间的天气形势及气象特征进行了分析.结果表明,WRF模式可以较好地反映珠三角地区主要城市地面和高空气象要素的时空变化,9个城市平均地表的温度、相对湿度和风速的模拟值与观测值的相关系数分别为0.90、0.87和0.78.对2014年10月3次污染过程的分析表明,造成该时段珠三角地区空气污染的天气形势主要是高压底部型和均压场型.静风或小风(2 m·s~(-1))及稳定的大气层结均不利于污染物的扩散,同时由于偏北气流输送周边污染物到珠三角地区,导致污染物浓度不断增加.相对湿度低于65%时,珠三角地区首要污染物以O_3为主;相对湿度高于70%时,PM_(2.5)浓度逐渐增加,成为主要污染物.高温等气象条件会影响光化学反应,加重珠江三角洲的空气污染,表现了该地区大气复合污染的特性.     

气象条件对可吸入颗粒物浓度的影响

气象条件对可吸入颗粒物浓度有较大的影响,通过对鞍山市二年来的监测数据进行分析,得出了结论并提出建议.     

沙尘天气过程对北京空气质量的影响

利用气象、沙尘暴特种观测以及环境监测等多种资料,对2010年3月19─22日沙尘天气过程的大气结构、沙尘源地和垂直水平输送条件以及北京近地层气象要素、空气质量的变化特征进行了分析. 结果表明:这次强沙尘暴天气过程是由冷空气短波槽快速东移南下、地面冷锋明显发展东移造成的;前期沙尘源地土壤湿度的减小为起沙提供了有利条件,同时低层存在的较强西北气流将从源地卷起的沙尘输送到下游地区;沙尘发生时,20 m气层内风速迅速增大,气层内垂直方向风速梯度也逐渐增大,相对湿度急剧降至20%～30%之间;受这次沙尘天气影响,北京地区ρ(TSP)以及10个区县的ρ(PM10)均迅速增加,空气质量达到重污染.      

结合卫星遥感技术的太湖蓝藻水华形成风场特征

为进一步了解太湖蓝藻水华形成和分布与近地面风场的关系,利用太湖湖面及周边地区2003~2013年气象与卫星观测数据分析、并应用WRF3.5.1数值模型模拟,发现太湖蓝藻水华主要出现在卫星观测时刻前6h平均风速为0.5~3.4 m/s的区间,占比达94.7%;蓝藻水华面积总体上随风速增大而减小,大范围蓝藻水华主要出现在前6h平均风速≤2 m/s的情形下,占比达89%;风向则主要影响蓝藻水华在太湖的空间分布格局.结果表明局地风场对于太湖蓝藻水华的形成、输移和分布具有重要作用.     

苏州城区能见度与颗粒物浓度和气象要素的相关分析

利用苏州市2009年9月─2010年5月的颗粒物(包括黑碳,PM_2.5和PM₁₀)质量浓度、能见度、相对湿度、风速、风向、气温等观测资料,分析了苏州城区能见度与颗粒物质量浓度及气象要素的相关关系.结果表明:ρ(黑碳),ρ(PM_2.5)和ρ(PM₁₀₎与能见度的r(相关系数)分别为-0.465,-0.359和-0.238,这3种颗粒物中,能见度与ρ(黑碳)的相关性最显著.当相对湿度≤60%时,ρ(黑碳),ρ(PM_2.5)和ρ(PM₁₀₎与能见度的r分别为-0.675,-0.411和-0.364.相对湿度较低时,颗粒物与能见度相关性较好.能见度与温度、风速的r分别为0.132和0.188,与相对湿度的r为-0.632.用颗粒物质量浓度和气象要素建立的能见度多元线性回归模型效果不好,在该模型基础上用ρ(黑碳),ρ(PM₁₀₎和相对湿度建立了能见度的多元二次回归模型,R(复相关系数)达到0.865,R2(复决定系数)达到0.749.