CMAQ模式及其修正技术在上海市PM_(2.5)预报中的应用检验

利用CMAQ空气质量数值预报模式对上海市PM2.5浓度进行预报,选取10个囯控站点监测数据对预报进行验证评估.结果表明,CMAQ模式开展能够较好地模拟出PM2.5的时间变化趋势及浓度水平,但总体处于低估的水平,偏低幅度约25%,尤其在高污染阶段,模式的低估更为突出,达32%,这与污染源清单的不确定性有关.为提高PM2.5预报准确度,采用学习型线性回归方法对PM2.5浓度的数值预报结果进行修正,统计检验结果显示修正预报准确率由原来的76.4%提高到了79.3%,污染预报成功指数由56.4%提高至72.1%,明显提高了PM2.5浓度的预报效果,反映了引入实际监测数据对空气质量数值预报模式进行修正的研究意义和可行性.     

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.     

区域空气质量数值预报模式CAPPS3在福建省的应用

利用区域空气质量数值预报模式CAPPS3,预报了2009年9月1日～11月30日福州市SO2、NO2、PM10的等级和浓度,将其污染物等级预报准确率、浓度预报准确率、转折性天气预报准确率、综合评分等,与人工经验预报和统计预报结果进行对比。结果表明:CAPPS3模式对SO2、NO2、PM10污染物等级预报准确率分别为100%、94.5%、70.3%,转折性天气预报准确率27.2%;SO2、NO2、PM10浓度预报值与监测值的线性相关系数分别为0.62、0.74、0.71;CAPPS3模式对天气形势的变化反应不灵敏,特别是相临两天污染物浓度突变时,CAPPS3的预报能力差,当天气形势稳定时,预报效果较好;CAPPS3模式污染物等级和浓度预报值偏高情况较多;模式对前日污染实况依赖性强,导致预报结果滞后;综合评分低于人工经验预报,略低于统计预报,总体预报效果较好,可提供有价值的指导预报,适合业务运行。     

北京市近地层颗粒物浓度与气溶胶光学厚度相关性分析研究

利用2009年北京市大气颗粒物质量浓度和气溶胶光学特性的同步观测研究发现,北京市城区颗粒物污染严重.PM2.5、PM10年平均浓度分别为(65±14)、(117±31)μg·m-3,均超出国家2016年拟执行环境空气质量二级标准,PM2.5、PM10日均值超标率分别为35%、26%.细粒子PM2.5污染与可吸入颗粒物PM10污染呈显著性相关,相关系数R约为0.90(P<0.001),二者相关性伴随PM2.5在PM10中所占比重自春季到冬季逐渐增大而增强,年均PM2.5占PM10比重为61%.气溶胶光学厚度AOD(500 nm)与气溶胶波长指数(α)年均值分别为(0.55±0.10)、(1.12±0.08).PM2.5、PM10与AOD间全年及各季节均呈显著线性相关,相关系数R≥0.50;但其相关系数与相关函数存在着显著的季节差异,夏秋季节相关性显著高于春冬季节,且全年相关会掩盖较大的季节性系统差异.对PM2.5、PM10数据进行湿度订正,对AOD进行混合层高度订正,PM2.5、PM10与AOD之间的相关性得到一定提升,且更适合指数相关.     

兰州市供暖期PM_(2.5)浓度监测及其预报模型

利用兰州市2007-2009年供暖期PM2.5实测数据,统计分析观测期间PM2.5的超标率、超标倍数、浓度水平以及典型天气(浮尘、沙尘暴和灰霾)下PM2.5浓度日变化特征,并结合同期气象数据,运用多元逐步回归分析的方法建立兰州市供暖期PM2.5浓度预报模型,最后对模型进行验证。结果表明:兰州市2007-2009年供暖期PM2.5污染十分严重,2007-2009年PM2.5的超标率分别为59.2%、67.9%和68.8%,最大超标倍数分别达到2.88、3.17和3.60;2007-2009年供暖全期PM2.5浓度日变化呈"双峰双谷"型,浮尘、沙尘暴和霾天气下PM2.5浓度均远高于平均值,霾天气下PM2.5日均浓度值最高;兰州市供暖期PM2.5浓度预报模型的预报值与实测值的变化趋势基本一致,但对高浓度PM2.5模拟结果较差,PM2.5预报浓度准确率和等级准确率分别为70.2%和81.8%。     

基于WRF-CMAQ模式的非线性预报模型研究

文章基于WRF-CMAQ空气质量数值预报系统,对石家庄地区未来3 d逐小时SO_2、NO_2、CO、O_3、PM_(10)和PM_(2.5)6种污染物浓度进行预报,选取2014年5-11月市区7个国控点的监测数据对模式预报能力进行评估检验。结果表明,CMAQ模式预报系统对CO的日均浓度预报准确率较高,而对其他污染物浓度的预报均有不同程度高估,其中PM10的预报效果相对较好,对SO_2、NO_2和PM_(2.5)这3种污染物浓度的预报值均明显大于观测值,O_3的预报效果最差。这与石家庄市排放源清单的不确定性及污染物日浓度变化幅度较大有关。为提高模式预报的准确性,采用非线性自适应偏最小二乘回归滚动法建立订正模型对逐小时污染物浓度预报值进行订正,结果明显改善了CMAQ模式预报值,对县市级的精细化预报有一定指导意义。订正结果对首要污染物PM_(10)和PM_(2.5)浓度的日变化特征表征较好,日变化曲线及波峰波谷值与观测结果基本一致,订正后的污染物浓度能反映出其在石家庄的区域分布特征,有利于预报分析不同天气背景下污染物的空间分布特征及输送变化过程。     

基于自适应偏最小二乘回归法的CUACE模式污染物预报偏差订正改进方法研究

针对GRAPES-CUACE模式预报的6种常规污染物浓度,采用非线性动力统计-订正方法——自适应偏最小二乘回归法,建立了中国不同地区的CUACE模式预报偏差订正模型,采用多种敏感性试验优选了不同季节各区域的最优自变量组合方案,并对2016年1—3月、11—12月全国342个城市PM_(2.5)浓度预报值进行了滚动订正检验,分析了订正前后PM_(2.5)浓度的时空变化特征,重点分析了该方法在京津冀、长三角、珠三角、川渝地区等关键区域的适用性及其改进效果.结果表明:(1)CUACE模式预报PM_(2.5)浓度普遍低于观测浓度,且与实测值的相关系数较低;CUACE 15 km分辨率模式PM_(2.5)浓度预报效果优于54 km分辨率模式,其中长三角地区改进最显著,珠三角和京津冀次之,川渝地区预报效果较差.(2)订正后的PM_(2.5)浓度更接近于实测值,订正后误差明显减小,相关系数明显提高,而且订正值与实测值的散点集中分布于对角线附近.(3)长三角地区PM_(2.5)浓度订正效果最好,准确率可达72.3%;珠三角地区次之,准确率为66.3%;京津冀和川渝地区订正效果稍差,但准确率亦可达63.6%和62.6%.(4)订正后污染日和非污染日的准确率、相关系数分别提高了57.5%和25.9%、304.8%和15.2%;绝对平均偏差、均方根误差分别减小了38.9%和18.7%、21.8%和8.5%.(5)针对北京、上海、广州、乐山的不同重污染过程,订正后的平均绝对误差分别减小了12.07%、46.63%、36.66%、17.71%,相关系数分别提升了25.86%、22.22%、16.92%、162.5%,说明该订正方法适用于不同地区的不同重污染过程的预报.     

西安市商场建筑室内外颗粒物污染状况调查

为了解西安市商场建筑室内外颗粒物的污染状况,采用德国Grimm气溶胶光谱仪对该市10家商场的室内外颗粒物浓度进行测试。结果发现,10家商场室内外PM10和PM2.5浓度都不同程度超过了相关标准规定的浓度值,PM10和PM2.5的室内超标率分别为66.4%和71%,室外超标率分别为73.8%、71.6%。室内外颗粒物浓度I/O比值均小于1,出现(I/O)PM10<(I/O)PM2.5<(I/O)PM1.0的规律。同时,室内可吸入颗粒物主要以对人体伤害较大的细颗粒物为主。     

不同分辨率CMAQ模式系统对北京PM2.5预报效果研究

自北京奥运会以来，CMAQ模式作为北京多模式预报系统的一个成员在北京空气质量预报中得到广泛应用.为了更好地发展模式系统预报性能，本文针对北京开展完整年份PM_2.5模拟预报效果评估，结合我国环境空气质量标准，引入IAQI预报准确率、等级预报准确率以及预报综合评分法等多项指标，研究评价不同代际不同模式分辨率CMAQ模式系统预报效果差异.研究结果表明，①新研发的CMAQ模式系统预报效果整体优于原有业务预报模式系统，综合考虑预报级别准确性和预报空气质量分指数精确度的得分评估结果显示，新一代CMAQ模式3 km空间分辨率（BJ03）4 d预报时效内得分为73.1~80.5分，高于9 km空间分辨率（BJ09）和原有CMAQ模式5 km空间分辨率（CN05）和15 km空间分辨率（CN15）的预报结果综合得分.②BJ03区域的预报效果优于BJ09区域，BJ03区域预报的PM_2.5-IAQI准确率达42%，空气质量等级准确率达68%~79%，预报综合评价得分最高80.5分；而9 km分辨率CMAQ模式预报的PM_2.5-IAQI准确率为30%，等级准确率为53%~70%，预报综合评价得分最高为75.3分.③模式PM_2.5-IAQI预报准确率整体随预报时长增加而下降，原有业务系统CMAQ模式的CN05、CN15区域IAQI预报准确率由24 h内的27%下降至7 d预报时长的22%左右；BJ03区域IAQI预报准确率由24 h内的42%下降到4 d预报时长的29%，与之对应的BJ09区域IAQI预报准确率由24 h内的30%下降到4 d预报时长25%，至9 d预报时长，IAQI预报准确率进一步下降到22%，即达到原有业务预报系统7 d IAQI预报准确率.④模式秋冬季的PM_2.5预报结果整体较实况偏高，BJ03区域秋冬季较实况偏高9.2 μg·m^-3，而BJ09、CN05和CN15区域较实况偏高25.6~37.9 μg·m^-3.     

北京市2009年8月大气颗粒物污染特征

为研究2008年8月北京奥运会1a之后北京市大气颗粒物的污染特征,于2009年8月对北京市大气颗粒物PM10、PM2.5样品进行采集,测量其质量浓度并对其中的水溶性离子组分进行分析.研究发现2009年8月北京市大气颗粒物PM10、PM2.5质量浓度日均值分别为176.9μg/m3和102.5μg/m3.PM10质量浓度比2008年观测值上升了180%,比2007年降低了10%; PM2.5质量浓度比2008年观测值上升了126%,比2007年上升了31%.水溶性离子是大气颗粒物的重要组分,分别占PM10和PM2.5质量浓度的43%和61%.对比发现,污染天气条件下PM2.5/PM10和NO3-/SO42-比值升高,移动源是北京地区主要的污染物来源.风向风速和降水等天气条件对颗粒物质量浓度有很大影响,其中0.5~1.0m/s的东南风条件下大气颗粒物污染最为严重.     

基于气象相似准则的城市空气质量预报模型

为提高城市空气质量预报准确率,文章在传统BP神经网络的基础上提出了基于气象相似准则的样本优化方法,建立了三层样本筛选优化机制,确定了阀值及权重矩阵,从而建立了城市空气质量动态预报模型。将模型应用在广州8个空气质量监测站点的预报上,并与传统的BP神经网络空气质量预报模型进行了对比分析,效果良好。分析结果表明,广州8个空气质量监测站点的SO2、NO2、PM10/2.5的实测值与预报值的平均绝对误差分别为0.016 mg/m3、0.014 mg/m3、0.020 mg/m3,级别预报准确性评分分别为89.6、92.6和84.6,预报准确度综合评分达81.6,并且比传统神经网络模型具有更高的预报精度。     

城市空气污染数值预报模式系统及其应用

 介绍了城市空气污染数值预报模式系统,并利用该系统对济南市空气污染进行了预报.结果表明,该系统具有较好的预报性能;预报与实测值之间有较好的相关性;空气质量级别的预报效果更好,对SO₂、PM₁₀和NO₂ 3项污染物的级别预报准确率分别为84.6%,83.2%和94.6%,其总体级别预报准确率达到87.5%.研究结果还显示,济南市的SO₂污染已得到明显改善,机动车尾气污染相对较轻,而PM₁₀的污染比较严重,已上升为首要污染物,其来源、扩散、转化机制及其控制措施的研究是目前济南市面临的首要问题.     

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.     

基于逐步回归分析方法的PM_(10)浓度预报模型

根据沈阳市2003～2005年的PM10浓度资料以及同期的气象要素资料,采用逐步回归方法建立了分季节的空气污染物PM10与气象因子的关系模型,并且利用2006年PM10资料和气象资料对模型进行了验证。结果表明:PM10预报浓度准确率和等级准确率最好的是夏秋两季,最差的是春季。春季当PM10日均浓度出现很高值时,预报结果与实测值有较大的误差,但趋势是一致的。秋季趋势的一致性不好,但波动比较小。冬季和夏季预报值与实测值的变化趋势基本上一致。     

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.     

WRF-Chem模式降水对上海PM2.5预报的影响

为探讨降水预报准确性对细颗粒物(PM_(2.5))数值预报效果的影响,利用基于WRF-Chem模式构建的华东区域大气环境数值预报系统在2015年1月1日—2016年12月31日期间的业务预报结果,分析了该系统对上海降水和PM_(2.5)的预报能力,探讨了其在不同降水预报准确性下的PM_(2.5)预报效果差异.结果表明,华东区域大气环境数值预报系统对上海的降水和PM_(2.5)都有良好的预报水平,2年平均偏差小于5%;正确预报、空报和漏报较明显降水及准确预报无降水日情况下的PM_(2.5)预报效果差异显著,正确预报降水时有较明显偏高且高估程度随降水的增强而增大,无降水时偏低;正确预报降水时PM_(2.5)预报效果相对较差,其他情况接近.模式湿沉降方案存在不足,需要进一步完善,同时也需要提升模式的降水等气象条件预报能力.     

CMAQ模式及其修正预报在珠三角区域的应用检验

为检验CAMQ空气质量数值预报模式对区域性空气质量的预报准确度,通过对珠江三角洲地区16个监测站点数据进行聚类分析,对划分的评价区域进行预报误差分析。结果表明,CMAQ模式输出的污染物浓度水平存在明显偏低的现象,且可吸入颗粒物的浓度偏离最大,这与污染源清单削减程度有关。污染物浓度时变规律分析表明,CMAQ模式能较好地模拟可吸入颗粒物、二氧化氮和臭氧小时浓度的日变化特征,但对二氧化硫的模拟能力较弱,反映污染源时间分配因子存在不适应性。为提高预报的初始浓度值,采用预报日前一天的监测数据作为修正项,并考虑CMAQ模式预报的浓度变化趋势,从而进行修正预报。误差统计表明,修正预报的准确度显著提高,反映了引入实际监测数据对空气质量数值预报模式进行修正的研究意义和可行性。     

湖北省PM2.5与PM10比值分析及PM2.5时空分布特征研究

基于2012年-2014年湖北省大气污染物监测数据,通过数据反演方法,得到湖北省17个城市的PM2.5年均浓度.利用ArcGIS绘制出各城市不同年份的颗粒物浓度空间分布图,并对其进行分析.结果表明,2012年-2014年间,湖北省17个城市PM2.5与PM10年均浓度比值为0.66,PM2.5年均浓度超出国家二级标准,整体呈现上升趋势.城市方面,在多数城市PM2.5与PM10浓度上升的同时,仅武汉、黄冈和天门3个城市颗粒物浓度2014年较2013年有所下降,且武汉市PM2.5浓度下降率达12.8%,表明武汉市近两年来采取的政策措施具有较好的可行性和有效性.     

基于支持向量机回归和小波变换的O3预报方法

使用南京工业区2016年6月1日~8月15日的臭氧（O₃）、O₃前体物及常规气象数据，结合多元线性回归（MLR）方法和小波变换（WT）改进支持向量机回归（SVR）对O₃小时浓度的预报精度.结果表明，通过WT方法将一个高变异性的序列转化为多个低变异性的序列后再处理可提高预报精度，M-WT-SVR预报的决定系数（R²）达到0.90，平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（RMSE）分别为3.86×10^-9、28.26%和5.57×10^-9，优于M-SVR和SVR.低层细节序列主要与NO、NO₂和芳香烃有关，而更高层的近似序列受到气象条件、前体物和O₃前期浓度共同影响.与经典的MLR方法相比，M-WT-SVR对O₃小时浓度的预报有明显优势.     

深圳市PM_(2.5)浓度特征及统计预报研究

根据2015年1—12月深圳市城区11站点PM_(2.5)小时浓度监测数据,探讨了深圳市PM_(2.5)浓度的时空分布特征。结果显示:监测期间深圳市城区PM_(2.5)平均浓度为29.8μg/m~3,PM_(2.5)平均浓度整体呈现出:冬季>秋季>春季>夏季的特征,PM_(2.5)质量浓度日变化整体呈现出双峰型分布,午后12:00—16:00浓度较低。空间分布上,年均浓度从东南至西北方向依次升高,梯度特征明显。PM_(2.5)浓度与PM_(10)呈高度相关,与SO_2、NO_2、CO呈显著正相关,与O_3呈实相关。相邻城市间空气污染物浓度呈现出一定的相关性,区域污染突出。建立的PM_(2.5)回归统计模型对深圳市2015年PM_(2.5)临近预报的级别准确率在70%以上,能较好地反映PM_(2.5)浓度变化趋势。