MM5/WRF气象场模拟差异对CMAQ空气质量预报效果的影响

评估了为公共多尺度空气质量模式(CMAQ)提供气象输入场的第五代NCAR/Penn State中尺度 (MM5) 模式与天气研究和预报(WRF)模式模拟的多种气象要素的准确性;比较了2个模式提供的气象场对华北地区SO₂和NO₂源同化反演效果及其质量浓度预报的差异;分析了相对湿度和边界层高的变化对ρ(SO₂),ρ(NO₂)预报的影响及其物理机制.结果表明:WRF模式模拟的各气象要素准确性优于MM5模式,其中MM5模式对相对湿度和边界层高度的模拟值与实测值的偏差较明显,而WRF模式的模拟值与实测值较接近;相对湿度和边界层高度参数是影响CMAQ空气质量预报的关键气象要素,这2个参数的变化对ρ(SO₂)和ρ(NO₂)的预报有显著影响,因此,对2个参数的改进可显著减小预报误差;ρ(SO₂)模拟误差减小的主要原因是垂直输送和质量调整过程对ρ(SO₂)的贡献减小;而ρ(NO₂)模拟误差减小的主要原因是化学反应过程对ρ(NO₂)的贡献明显减小.      

基于机器学习方法的西安市数值模拟优化研究

为提高西安市ρ(PM_2.5)及ρ(O₃)预报准确率,更好地服务西安市预报预警工作,以CAMx模式预报结果为基础,结合中尺度WRF气象预报数据、ρ(PM_2.5)及ρ(O₃)观测数据,基于多元线性回归、岭回归、lasso回归、决策树、随机森林以及支持向量机6种机器学习优化模型,对西安市2019年PM_2.5及O₃模拟结果进行优化.结果表明:①CAMx模式对污染物的预报存在偏差,优化模型明显修正了CAMx模式的系统性偏差,提高了预报精度.②ρ(PM_2.5)及ρ(O₃)的均方根误差(RMSE)由174.00、37.11 μg/m3分别降至34.36~39.37、24.77~28.82 μg/m3,相关性系数(R)由0.63、0.78分别提至0.70~0.78、0.83~0.88.③不同模型对模拟值的订正优势不同,随机森林对PM_2.5优化效果显著,优化提高率为80%;支持向量机对O₃的优化效果最理想,优化提高率为36%;线性回归方法对O₃的优化效果较好,但对PM_2.5的优化效果相对较差.研究显示,机器学习模型显著优化了CAMx模拟结果,反映了利用机器学习修正空气质量数值模式预报结果的研究意义和可行性.      

利用差分吸收光谱系统对O3，SO2和NO2的监测分析

结合我国对空气质量自动监测系统质量保证的要求及差分吸收光谱(DOAS)技术自身的技术特点,重点讨论了对南京江北地区的大气污染物的DOAS监测数据的质量控制, 并对2007年12月—2008年8月ρ(O₃),ρ(SO₂)和ρ(NO₂)的日、季节变化特征进行了分析. 结果表明:ρ(O₃),ρ(SO₂)和ρ(NO₂)小时均值的频率分布峰值分别出现在30～40,20～30和30～40 μg/m3;三者超过《环境空气质量标准》(GB3095—1996)一、二级标准的频率分别为4.37%和1.02%(O₃),21.78%和0.89%(SO₂),5.65%和0 (NO₂);ρ(O₃)季节变化十分明显,春季最高;ρ(SO₂)和ρ(NO₂)的日变化与局地排放源、大气扩散能力和人类活动密切相关;ρ(O₃)和ρ(NO₂)日变化呈负相关.      

近周边电厂源对北京市采暖期间SO2的贡献分析

应用中尺度气象模式(MM5)与区域多尺度空气质量模型(CAMx)的耦合模型系统,模拟研究了2005年采暖期间近北京地区电厂源排放对北京市空气质量的影响;采用SO₂贡献来源识别技术筛选了对北京市空气质量影响大的区域电厂源. 结果表明:近北京地区电厂源对北京市ρ(SO₂)的影响从南到北呈递减趋势,其对北京城区、北京全市ρ(SO₂)月均贡献值分别为6.97和6.40 μg/m3;影响北京城区ρ(SO₂)的电厂排放源主要来自张家口、唐山、天津、石家庄、廊坊和衡水等地区,占ρ(SO₂) 总贡献值的83.2%;为缓解北京采暖期间SO₂污染压力,应首先控制和削减张家口、天津、唐山、石家庄地区SO₂排放量大的电厂源.      

唐山市大气环境治理措施的效果及分析

为揭示河北省唐山市大气环境治理的措施效果,分析了“十一五”期间唐山市的减排措施、污染物排放量和空气污染物浓度的变化. 结果表明:“十一五”期间(2005—2010年),烟尘、工业粉尘、SO₂排放量分别减少35%、57%、20%,ρ(PM₁₀)、ρ(SO₂)、ρ(NO₂)年均值分别下降12%、33%、33%. 与GB 3095—2012《环境空气质量标准》相比,2005年ρ(PM₁₀)、ρ(SO₂)、ρ(NO₂)分别超标36%、42%、7%,而到2010年ρ(SO₂)、ρ(NO₂)已达标,但ρ(PM₁₀)仍然超标20%. 2008年北京奥运会期间的减排措施使得唐山市ρ(PM₁₀)、ρ(SO₂)、ρ(NO₂)年均值均显著下降,分别比2007年下降13%、20%、28%. 2008—2009年的全球经济危机使得2009年地方生产总值增速较其他年均值降低13%,2009年烟尘和SO₂排放量也呈显著下降趋势,二者比2008年分别下降14%和10%,但工业粉尘排放量反而增加8%. 经济危机使ρ(PM₁₀)、ρ(SO₂)、ρ(NO₂)下降速率分别提升了20%、2%、2%. 研究结果表明,“十一五”总量减排、2008年北京奥运会期间的治理措施和全球经济危机对唐山市的空气质量产生了明显的影响.      

成渝经济区火电发展的大气环境影响

基于CALPUFF模型,以2007年为基准年,根据成渝经济区基准年火电SO₂排放量、2008—2009年国家核定的火电SO₂减排量(20.9×104 t)、“十二五”年地方计划火电SO₂减排量(18.5×104 t)以及地方愿景下的“十二五”期间新增火电SO₂排放量,设计3种不同排放情景,并且对不同情景下的ρ(SO₂)分布特征进行了模拟. 结果表明:2008年和2009年成渝经济区的火电SO₂减排使成渝经济区的ρ(SO₂)年均值比2007年平均降低了18.9%;“十二五”新增火电装机将会使成渝经济区的ρ(SO₂)年均值比2007年平均升高20.7%. 虽然通过工程减排及“上大压小”的方式减缓了新增火电机组带来的影响,但从空间分布来看,ρ(SO₂)增加的局部地区与酸雨严重的地区高度重合,导致该区域酸雨污染风险依然存在.      

APEC会议期间石家庄市大气污染特征及空气质量保障措施效果评估

为研究2014年APEC会议期间(11月1—11日)石家庄市大气污染特征并评估空气质量保障措施效果,对处理不同功能区的封龙山站(背景站)、人民会堂站(市区站)、高新区站(开发区站)的ρ(SO₂)、ρ(NO₂)、ρ(CO)、ρ(O₃)、ρ(PM_2.5)、ρ(PM₁₀)进行分析,对比了各站点APEC会中与会后、APEC会议期间与2013年同期的空气质量等级状况及污染物质量浓度的变化. 结果表明:2014年APEC会议期间石家庄市整体空气质量好于2013年同期,除O₃外,其余各大气污染物的质量浓度均有明显降低,其中封龙山站的ρ(SO₂)、ρ(NO₂)、ρ(CO)、ρ(PM_2.5)、ρ(PM₁₀)较2013年同期分别下降了55.1%、22.9%、16.7%、36.8%、31.0%,人民会堂站的降幅分别为35.5%、28.0%、32.6%、36.9%、56.2%,高新区站的降幅分别为49.4%、26.6%、16.5%、32.9%、53.5%. 应急减排措施也使各站点的首要污染物发生了明显变化,其中扬尘控制措施有效遏制了PM₁₀对于市区站和高新区站的影响,而对于高架源的控制也有效降低了背景站的SO₂污染水平. 结合后向气流轨迹和气象图分析发现,尽管2014年APEC会议期间石家庄市的气象条件较2013年同期更不利于污染物扩散(污染气象指数等级高、气团滞留时间长),但通过地方政府采取的一系列应急减排措施,其空气质量仍有明显改善.      

基于多通道长短期记忆网络的PM2.5小时浓度预报

PM_2.5作为主要的大气污染物之一,严重影响空气质量和人体健康. 基于深度学习的PM_2.5小时预报研究中,不同输入要素的历史时间序列对PM_2.5预报结果的响应情况存在差异. 因此,基于太原市2019—2020年空气质量监测站、气象观测站的数据,提出一种多通道长短期记忆网络(Multi-Channels Long Short Term Memory,MULTI-LSTM)模型对PM_2.5浓度进行预报. 首先使用独立的长短期记忆网络(LSTM)学习每个输入要素,然后将每个模型的学习结果进行融合,最终获得未来多小时的PM_2.5浓度预报结果. 将单通道LSTM模型(BASE-LSTM)和LSTM扩展模型(LSTME)作为对照模型,与MULTI-LSTM模型的预报精度进行对比. 结果表明:不同观测窗与预报时效下,MULTI-LSTM模型在测试集上的预报精度明显高于其他2个对照模型. 其中,MULTI-LSTM模型在8 h观测窗和6 h预报时效组合下,均方根误差(RMSE)、平均绝对百分误差(MAPE)以及拟合指数(IA)分别为20.26 μg/m3、51%、0.91. 对未来逐6 h的预报中,观测窗宽度从8 h增至32 h,MULTI-LSTM模型的预报精度无明显变化,观测窗宽度为40和48 h时,RMSE比8 h观测窗下分别下降了2%和3%. 此外,增加LSTM层深度不会提升模型的预报精度. 研究显示,利用MULTI-LSTM模型作为PM_2.5浓度小时预报模型,通过选取合适的观测窗宽度与气象要素,可获得精度较高的预报结果.      

北京奥运会期间奥运村站空气质量的观测与研究

为了跟踪研究北京2008年奥运会期间奥运村大气污染物浓度的变化,2008年6月1日─9月30日,利用符合国际标准的在线观测仪器,对奥运村站大气中主要污染物进行加强观测. 结果表明:奥运会期间奥运村站大气中φ(NO₂),φ(SO₂),ρ(PM_2.5)和ρ(PM₁₀₎分别比奥运会前(7月1日─8月7日)下降了11.2%,46.7%,57.0%和50.0%;比残奥会后时段(9月20─30日)分别下降了41.7%,31.8%,21.6%和28.6%;与2007年同期相比,奥运会时段的φ(NO₂),φ(O₃),ρ(PM_2.5)和ρ(PM₁₀₎分别下降了38.8%,37.2%,42.1%和68.0%;残奥会时段分别下降了17.8%,27.5%,44.0%和64.1%. 除对污染源严格的控制措施取得了良好的效果外,有利的天气过程也是奥运会期间北京空气质量全面达标的重要原因.      

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...     

基于CMAQ模式产品的福州市空气质量预报系统

利用CMAQ(Community Multiscale Air Quality Model)模式预报产品和福州市2007年1月至2010年6月大气污染物的观测资料以及常规地面气象观测资料,根据动力-统计相结合的预报方法,通过多元线性逐步回归,建立不同天气系统下CMAQ模式产品和多类预报因子相结合的日污染物浓度预报模型.结果表明,影响福州市的天气系统共分为大陆高压、副热带高压、切变、暖区辐合、高空槽、台风和热带辐合带7类天气型.在暖区辐合、高空槽和大陆高压控制下,福州市的空气质量较差,而副热带高压和台风系统影响时,福州市的空气质量最好.日污染物浓度预报方程置信度均为P=0.000,模型有统计学意义.利用模型对2010年7~12月福州市各污染物浓度进行预报效果回代检验,模型对PM10的污染指数等级预报正确率达到了71.3%,对SO2和NO2的级别预报正确率达到了100%,日预报综合评分平均达88.8分.     

阜新市空气污染指数分析

根据阜新市环境监测中心站空气自动站监测数据,运用空气污染指数法,对阜新市2007年空气质量进行分析。结果表明:2007年阜新市空气质量级别为良,首要污染物为PM10。冬春季空气污染较重,污染源排放、不利气象和二次扬尘等因素是造成阜新市大气污染的主要原因。     

基于BP模型的大气污染预报方法的研究

BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单而又非常有效的算法.笔者将BP网络模型引入到大气污染预报领域,并根据大气污染物含量与气象要素的关系建立了大气污染物含量的神经网络预报模型.计算结果表明,BP模型应用于大气污染预报具有较高的预测精度和良好的泛化能力,它为信息社会的城市空气污染预报工作提供了一种全新的思路和方法.      

基于BP神经网络的空气污染指数预测模型研究

BP神经网络已成为研究空气污染预测的有效工具之一。文章利用近十年北京市地面气象观测资料和空气污染指数数据,通过BP神经网络技术构建了不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测。通过相关系数分析法,对比分析了预测结果与实际监测结果,研究结果表明:春、夏、秋、冬季的预测值与监测值线性相关系数分别为0.81、0.84、0.89、0.85。北京春季常伴随有沙尘天气,而文章并没有考虑沙尘天气对预测模型的影响,因此春季BP神经网络预测精度在四季中最低,其预测值与监测值的线性相关系数为0.81。由于秋季不同空气质量级别的数据都有较多分布,因此该季节构建的网络更具有代表性,其预测精度在四季中最高,预测值与监测值的线性相关系数高达0.89。总之,BP神经网络模型对于北京空气污染指数预测是行之有效的。     

基于气象因素和改进支持向量机的空气质量指数预测

空气污染已成为人类社会面临的严峻挑战,为了构建准确的空气质量预测模型,文章首先运用统计分析方法进行相关性分析,探讨气象要素变化对空气质量的影响;针对传统支持向量机预测精确度受输入变量影响较大的弊端,采用基于熵权理论对变精度粗糙集约简进行了改进,以处理支持向量机的输入变量,提高支持向量机的预测精度;最后以沈阳市的历史气象数据和空气质量指数进行验证。与传统方法相比,所提方法能够将预测准确率由71.28%提高到77.83%,空报率和漏报率也有降低,与实际基本吻合。     

人工神经网络方法用于城市环境空气质量综合评价

采用人工神经网络技术,建立了城市环境空气质量综合评价的ANN模型,并通过实例对建立的评价模型进行验证。结果证明,ANN模型用于区域环境空气质量评价,其评价结果比较直观。同时,对在建立和应用ANN模型时应注意的一些问题进行了讨论。     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.      

基于微信公众平台的空气质量显示系统的设计与实现研究

空气质量的好坏直接影响着人类的出行和健康,创建便于查询的空气质量显示系统,可以使人们简单直观的了解当日的空气质量指数(AQI).随着互联网的迅猛发展,"微信"逐渐成了人们日常通信的重要工具.本系统利用物联网技术与微信公众平台相结合,提出了空气质量显示系统的设计与实现方案,来建设空气质量显示系统.该系统可从各个区内监测点得到空气质量指数数据,进而将每日各个时段的空气质量指数(AQI)以动态图的方式直观清晰的展示给用户,为人们的出行带来了方便.     

2005-2010年乌鲁木齐市空气质量达标特征研究

利用近6年（2005-2010年）乌鲁木齐市环境空气质量监测数据,分析研究了乌鲁木齐市PM10／SO2、NO2等主要污染物浓度时间变化和空气质量分级特征。结果表明：近6年来乌鲁木齐市空气质量保持稳定,并持续改善。主要污染物SO：和PM10年均浓度超标但整体呈下降趋势,N02浓度达标但逐年升高。冬季（1月、12月）空气质量达标天数显著增加,空气质量达标率由2005年的4．8％提高到2010年的24．2％;同期,重污染天气发生频率则由21％降低至3．2％。PM10是乌鲁木齐市冬季出现频数最高的首要污染物。     

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。