相对湿度和PM2.5浓度对乌鲁木齐市冬季能见度的影响

基于2016~2017年冬季乌鲁木齐市城区PM_2.5和气象要素观测数据,采用线性和非线性回归、变量分类分析等统计方法,研究了大气能见度与相对湿度（RH）、PM_2.5浓度的定量关系.结果表明：乌鲁木齐市冬季能见度日变化呈单峰形分布,中午13：00前后和夜晚20：00前后能见度分别达到最高和最低.相对湿度增加、PM_2.5污染加重都会造成冬季大气能见度明显降低,但低能见度天气的主要影响因素是PM_2.5污染.在RH < 90%时PM_2.5累积及其吸湿增长对能见度变化起控制作用,特别是70%￡RH < 90%时,PM_2.5浓度对大气能见度影响最大.RH³90%时相对湿度成为决定因素.在PM_2.5污染逐渐加重的过程中,相对湿度对能见度的影响在减弱.能见度增加与PM_2.5浓度降低之间存在非线性响应.在PM_2.5污染由严重减轻至中度污染级别过程中,能见度改善并不明显.只有把PM_2.5浓度控制在115μg/m³以下（轻度污染或优良级别）,PM_2.5浓度降低,能见度才开始出现显著提高.但冬季要达到较高能见度水平（8km）,PM_2.5浓度需要继续严控至39μg/m³以下.本文对乌鲁木齐市冬季大气污染治理具有重要指导意义.     

我国6个典型城市大气能见度及其影响因素研究

采用线性相关性分析、分类变量分析等统计学方法,分析了巴彦淖尔、石家庄、廊坊、郑州、武汉、广州六市2019—2020年的PM_2.5与气象观测数据,研究了PM_2.5浓度与大气相对湿度对大气能见度的影响。结果表明：六市大气能见度年变化规律虽存在较大差异,但最低值均出现于每年12月—次年2月,且年变化规律基本一致;气象条件、相对湿度、PM_2.5浓度对能见度的影响明显,其中相对湿度通过改变PM_2.5物化性质间接影响能见度,与能见度相关程度相对较弱。PM_2.5浓度与能见度的线性相关性良好,以幂函数为主;整体上,相对湿度与PM_2.5浓度对大气能见度影响呈协同作用,相对湿度越大的城市对PM_2.5的控制要求越高。此外,PM_2.5浓度高于平台点时,大气能见度基本不随PM_2.5浓度增加而继续降低,只有PM_2.5浓度低于突变点时,大气能见度才会随PM_2.5浓度降低而显著提...     

沈阳一次严重污染天气过程持续和增强气象条件分析

2015年11月7-9日沈阳出现罕见的持续严重污染天气,采用环流形势、地面常规气象观测、污染物浓度观测、风廓线雷达及雨滴谱资料等,对此次污染成因进行了研究.结果表明:在此次严重污染天气过程中,连续22 h AQI≥500,首要污染物均为PM_2.5,其异常峰值最高达到1308μg/m3;ρ（PM_2.5）与ρ（PM₁₀）、ρ（NO₂）和ρ（CO）的相关系数分别达到0.996、0.602、0.891,并且ρ（PM_2.5）与ρ（PM₁₀）、ρ（CO）的正相关性更为显著;在污染的同时出现了降水,11月7和8日的日降水量分别为9.9和2.3 mm,但降水对污染物的稀释和清除作用并不明显.稳定的大尺度环流和对流层内中低层大气层结持续稳定、连续4个时次的探空曲线显示925~850 hPa之间存在多个逆温层（逆温强度最大可达5℃）、相对湿度较大（日均相对湿度在75%以上）,是此次严重污染天气持续的有利气象条件.风廓线雷达探测的整层大气垂直速度很小,多介于-1~1 m/s之间,并且近地面2 m/s以下弱下沉的垂直速度为严重污染天气过程提供了较好的动力条件.此外,近地面风力可达3~4级,有利于上游污染物的水平输送.研究显示,此次严重污染天气过程还与外围秸秆集中燃烧所导致的大量污染物长距离输送有密切关联.      

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.      

基于数值模拟与资料同化探究长三角地区冬季PM2.5污染过程的气象影响

细颗粒物(PM_2.5)累积主导着长三角地区冬季空气污染,其中,气象要素具有重要的作用.本文结合WRF-Chem模式和WRF-FDDA技术,针对2019年1月12—16日发生在长三角地区的一次典型PM_2.5污染过程进行数值模拟分析.通过敏感性试验,量化分析地面气象因素（温度、风速、相对湿度）对该地区PM_2.5浓度的影响,并利用对自动气象站观测资料的四维资料同化试验,探究气象场改进对PM_2.5模拟的改善.模拟结果表明,长三角地区PM_2.5污染受气象条件影响程度较为显著,PM_2.5浓度与风速和温度呈显著负相关,与相对湿度呈正相关.水平风速减少40%、温度增加3℃、相对湿度增加20%分别造成了+4.68%、-2.82%与+2.2%的PM_2.5浓度变化.而同化气象资料显著地改善了模拟的气象场精度,其均方根误差（RMSE）统计项中相对湿度减小9.68%,温度减小1.02℃,风速减小0.35 m·s^-1,这也使得PM_...     

天津大气扩散条件对污染物垂直分布的影响研究

利用2017~2019年夏、冬季天津市大气污染物监测和气象观测数据,基于天津气象铁塔垂直观测,针对大气垂直扩散条件对PM_2.5和O₃的影响进行研究.结果显示:近地面PM_2.5浓度随高度的升高而下降,O₃浓度则随高度的升高而上升,受大气垂直扩散条件的季节和日变化影响,冬季,地面与120m PM_2.5质量浓度相关明显,与200m PM_2.5质量浓度无明显相关.夏季,120m和200m PM_2.5质量浓度相关系数为0.72,午后通常出现120m和200m PM_2.5质量浓度高于地面的情况.夏季,不同高度O₃浓度差异小于冬季,地面与120m高度O₃浓度接近.以大气稳定度、逆温强度和气温递减率作为大气垂直扩散指标,对地面PM_2.5和O₃垂直分布具有指示作用.冬季,TKE与PM_2.5质量浓度相关系数为到-0.65,夏季,TKE与ΔPM_2.5相关系数为-0.39.夏、冬季TKE与地面O₃浓度的相关系数分别为0.46和0.53,与ΔO₃的相关系数分别为0.73和0.70.弱下沉运动对地面O₃浓度影响较强,40m高度垂直运动速度与地面O₃浓度的相关系数在冬、夏季分别为-0.54和-0.61.对冬季典型PM_2.5重污染过程的分析发现,雾霾的生消维持和PM_2.5浓度的变化与大气稳定度、气温垂直递减率和TKE的变化有直接关系.对夏季典型O3污染过程的分析发现,近地面的O₃污染的形成与有利光化学反应的气象条件密切相关,同时,垂直向下输送和有利垂直扩散条件对O₃污染的形成和爆发影响明显.     

太原市PM2.5浓度的气象特征影响分析及预报

利用2016～2020年太原市污染物浓度资料、以及国家基准气象观测站的同期地面气象资料,重点分析了太原市PM_2.5浓度的变化特征以及湿度、降水、风和混合层厚度等气象条件对PM_2.5浓度的影响,同时探讨了污染物浓度变化的成因,建立基于LSTM神经网络的PM_2.5浓度预报模型.结果表明,2016～2020年太原市区冬季出现的重污染天数最多,其中2017年冬季出现天数最多为28 d, PM_2.5浓度总体呈现出秋冬季节高,春夏季节低,周末PM_2.5浓度高于工作日浓度,PM_2.5浓度日变化大致呈现双峰型分布,分别出现在09:00左右和23:00至翌日01:00.除相对湿度和冬季气温外,其余气象要素与PM_2.5浓度在四季均表现为负相关.影响太原市区PM_2.5浓度升高的污染源主要位于其NE-ENE-E方向,西北部地区的相对不明显.汛期当达到中雨(降水量≥10 mm)以上级别的降水都对PM_2.5浓度降低有明...     

气象条件对河北廊坊城市空气质量的影响

气象条件是影响大气污染的重要因子.利用2013年3月—2014年2月廊坊颗粒物质量浓度监测资料、自动气象站观测资料和欧洲中期天气预报中心再分析资料,采用多种统计方法分析气象与污染的关系,量化天气形势和局地气象条件对城市颗粒物质量浓度变化的贡献.结果表明:天气形势是决定局地气象要素和城市空气质量的重要因子.当廊坊位于高压中心或高压后部时,大气层结稳定,易造成重污染;当廊坊位于高压前部(气压梯度较大)时,大气层结不稳定,易于污染物输送和扩散.利用客观天气分型结合污染物质量浓度统计分析方法,可以量化天气形势对城市空气质量的影响.在局地气象要素中,能见度与ρ(PM_2.5)、ρ(PM₁₀)相关性最高(相关系数分别为-0.75和-0.53,下同),其次依次为风速(-0.45和-0.31)、相对湿度(0.41和0.25)和温度(-0.15和-0.06).通过污染物浓度与局地风场关系分析发现,廊坊颗粒物质量浓度受天津市、河北省南部区域输送的影响明显,受北京区域输送的影响相对较弱.研究显示,气象条件可以解释廊坊ρ(PM_2.5)和ρ(PM₁₀)日均值变化的56%和49%,其在冬季对颗粒物质量浓度影响最为显著,春秋季次之,夏季影响最小.      

南京冬季气溶胶消光特性及霾天气低能见度特征

利用2015年1月气溶胶散射和吸收系数、PM_2.5质量浓度、大气能见度以及常规气象观测数据,分析了南京冬季大气气溶胶散射系数与吸收系数的变化特征,给出了散射系数与吸收系数对大气消光的贡献,以及能见度与PM_2.5质量浓度和相对湿度的关系.结果表明,观测期间南京大气气溶胶的散射系数和吸收系数分别为(423.4±265.3) Mm^-1和(24.5±14.3) Mm^-1,对大气消光的贡献分别为89.2%和5.2%,表明大气消光主要贡献来自于气溶胶的散射.散射系数与PM_2.5相关性较好(R²=0.91),能见度随PM_2.5质量浓度呈指数下降,也与相对湿度保持一定负相关性.能见度均值为4.3km,且连续出现能见度不足2km的低能见度天气,霾天气下消光系数和PM_2.5质量浓度大幅超过非霾天气,最高值分别达到1471.2Mm^-1和358 μg/m³,霾天气下能见度的降低来自颗粒物与相对湿度的共同影响.     

多机器学习模型下逐小时PM2.5预测及对比分析

为了能及时、准确的估算出PM_2.5浓度及污染等级,分别构建了K最邻近模型（KNN）、BP神经网络模型（BPNN）、支持向量机回归模型（SVR）、高斯过程回归模型（GPR）、XGBoost模型和随机森林模型（RF）6个PM_2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM_2.5浓度数据和Merra-2再分析数据开展PM_2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM_2.5浓度.在PM_2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM_2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM_2.5浓度提供参考.     

2012—2014年冬季北京上甸子气溶胶观测研究

为了分析冬季上甸子本底站气溶胶的变化特征,利用2012—2014年每年1月上甸子本底站的能见度、ρ(PM_2.5)、ρ(BC)、ρ(CO)等数据,结合气象资料对上甸子地区气溶胶特性进行分析. 结果表明:2012—2014年每年1月地面月均风速分别为2.5、2.4和2.4 m/s,RH(相对湿度)分别为45.6%、59.5%和45.8%,ρ(PM_2.5)分别为38.6、54.7和45.2 μg/m3,MSE(气溶胶质量散射系数)分别为5.3、5.9和4.9 m2/g. 虽然地面风速基本没有变化,但2013年1月的RH比2012年和2013年1月平均高出30%,并且同期ρ(PM_2.5)和MSE也高于2012年和2013年1月. ρ(PM_2.5)的增加导致太阳辐射减弱,但对SSA(气溶胶单次反照率)影响不大. 对2013年1月数据分析可知,各种RH区段下,能见度与ρ(PM_2.5)均呈负相关,其中在80.0%10 km时,b_ext和B_ext(分别以能见度和大气组分计算的大气消光系数)基本相当,二者在这3年的拟合斜率平均值高达0.99;当能见度<5 km时,2014年1月的b_ext和B_ext之间不存在线性关系,2012年和2013年1月的b_ext和B_ext的R2分别是0.88和0.92.      

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.     

厦门市冬季PM2.5污染情境识别及其与气象条件的关系

为研究厦门市冬季不同PM_2.5污染情境与气象条件和气团轨迹路径特征的关系,结合PM_2.5观测数据,使用AGAGE（Advanced Global Atmospheric Gases Experiment）统计方法识别2014—2018年冬季厦门市PM_2.5观测值、基线值和污染值情境,通过气象数据统计和气团后向轨迹聚类对不同PM_2.5污染情境下气象条件和气团轨迹路径特征进行探究.结果表明:①厦门市冬季不同PM_2.5污染情境下,ρ（PM_2.5）及PM_2.5污染值情境时长占比均呈波动中下降的趋势,具体表现为冬季PM_2.5观测值、污染值和基线值情境下,ρ（PM_2.5）平均值分别从2014年的42.2、90.7、16.4 μg/m3降至2018年的26.3、56.9、8.8 μg/m3,冬季PM_2.5污染值情境时长占比从2014年的10.2%降至2018年的3.0%.②冬季PM_2.5污染值情境下气象要素呈低风速、低气压、高温度、高相对湿度的特征.③冬季到达厦门市的气团轨迹路径中,局地路径由于大气条件稳定易累积形成PM_2.5污染;偏北路径和西北路径易从临近省份携带污染物输入导致PM_2.5污染,属于重要的外源污染输入路径;沿海路径和偏西路径均属于清洁路径,但沿海路径易在福建省北部与偏北路径重合形成污染输入,加强了偏北路径的污染物输送能力.研究显示,近年来厦门市冬季PM_2.5污染有明显减弱趋势,但不利的气象条件和外来污染输入仍会造成PM_2.5污染的发生.      

河北省边界层气象要素与PM2.5关系的统计特征

为了研究河北省边界层气象要素与PM_2.5的关系,综合利用常规气象探测资料、逐小时地面自动站气象观测资料、环境监测站逐小时AQI及ρ(PM_2.5)资料等进行了统计分析.结果表明:①冬季海平面气压低于1 030 hPa、24 h变压为-3.0~-2.0 hPa、地面相对湿度高于60%、露点温度高于-10 ℃时发生全省性重污染天气的可能性较大;而海平面气压高于1 040 hPa、24 h变压在4.0 hPa以上、地面相对湿度低于40%、露点温度低于-10 ℃时,有利于清洁天气的出现.清洁天气下边界层的盛行风向多与冷空气活动有关;污染天气下盛行风向有区域性差别,边界层小风(<3.0 m/s)的风速频率高于90%. ②过程雨量达到中雨及以上量级的降水对PM_2.5具有较明显的清除作用,中雨量级降水对PM_2.5清除速率约为2 h,但优良空气质量持续时间短,平均为15 h;大雨及以上量级的降水对PM_2.5清除率达67.8%,并且优良空气质量可以持续27 h. ③与降水相比,风对PM_2.5的清除作用更为显著.较强偏南风对空气质量有一定改善,但优良空气质量仅持续16 h;大于3.0 m/s的系统性偏北风对PM_2.5清除率高达85.1%,优良空气质量持续长达32 h,空气质量的改善最为彻底.研究显示,PM_2.5与边界层气象要素关系紧密,不同级别的风和降水对PM_2.5的清除程度存在显著差异.      

银川市冬季两次典型持续大气污染过程对比分析

为了探究边界层气象要素时空分布及其变化对银川市冬季持续污染天气过程污染物质量浓度变化的影响机制,利用2016年12月1日-2017年1月31日逐时空气质量以及地面和逐日定时探空气象观测数据,根据大气污染级别和过程持续时间,选取2016年12月9-21日（简称"1211过程"）和2016年12月29日-2017年1月9日（简称"1231过程"）为研究对象,采用统计和天气诊断相结合的方法,在分析比较银川市冬季两次典型持续污染过程演变特征及其与地面气象要素关系的基础上,探讨了大气环流、边界层要素变化对银川市冬季典型污染过程的可能影响机制.结果表明:①银川市冬季两次大气污染过程持续阶段,地面均以偏东或偏南风为主,风速较小,相对湿度较大,能见度较低;在污染清除阶段,地面风向转为西北或偏北风,风速较大,相对湿度较小,能见度较高.②当冬季欧亚大陆中纬度区域500 hPa高空盛行纬向气流,850 hPa高度上银川市受反气旋环流和暖温度脊控制,并且有弱暖平流从西南部向北输送时,银川市易出现静稳型持续污染天气.③冬季银川市持续大气污染过程中,ρ（PM_2.5）与风速呈负相关（R平均值为-0.326）,与相对湿度呈正相关（R平均值为0.688）,与能见度呈显著负相关（R平均值为-0.905）,与边界层高度呈较显著负相关（R平均值为-0.575）.④银川市冬季静稳型持续污染天气主要分为弱西北和平直西风气流型两种,弱西北气流型具有近地面层逆温弱,污染物积累慢,清除快的特征;平直西风气流型具有近地面层逆温强,污染物积累快,清除慢的特征.研究显示,冬季银川市上空500 hPa高度盛行纬向气流,地面主导风向为偏东或偏南风时,随着地面相对湿度增大、近地层风速减小、大气垂直上升运动减弱、边界层高度降低,大气中ρ（PM_2.5）将迅速升高,银川市易出现以PM_2.5为首要污染物的静稳型持续污染天气.      

斜剖面图的设计及在PM2.5中期潜势预报中的应用

本文将强降水潜势预报的“配料法”原理引入到环境预报中,选取ECMWF数值预报产品中的700hPa相对湿度、1000hPa风向风速和850hPa温度作为气象要素“配料”,沿占比最多的冷空气输送路径穿过华北重污染区和上海,设计制作了未来10d气象要素“配料”时空斜剖面图,并具体定义了业务中常见的典型污染过程（冷空气输送、干静稳和湿静稳累积）和清洁过程（冷空气清洁、湿沉降清洁）共5种图形的识别特征.该斜剖面图由于融合了单站时序图和单时次空间面图的优点,无需一张张翻阅天气形势图,显著缩短了看图分析时间;斜剖面图还建立了气象要素图形特征、污染气象条件和PM_2.5污染潜势三者的对应关系,通过图形特征可以快速掌握区域内天气形势演变情况,识别出上述典型污染和清洁过程,最终得出PM_2.5中期污染潜势,便于在业务中应用和推广.一次典型污染个例应用显示,斜剖面图和污染实况的图形型态特征非常相似,斜剖面图中静稳累积和冷空气输送过程图形特征辨识度高,区域和单站提前5d的预报结论和实况较为一致;进一步评估显示,2018年冬季期间预报时效5d以内的TS评分维持在0.32~0.50区间,未来10d的预报准确率维持在74.4%~86.7%区间.     

南京冬季典型霾天气过程多元对比分析

选取2017～2020南京地区冬季3个典型霾天气过程,综合分析了霾天气过程中污染物、气象要素以及边界层条件等影响机制与特征变化.结果表明,3次过程中,AQI指数峰值分别为304(严重污染)、227(重度污染)与176(中度污染),且与PM2.5、PM10浓度变化基本趋于一致,PM25与PM10比值基本都大于0.7;污染...     

南京主要大气污染物季节变化及相关气象分析

为研究南京主要大气复合污染物PM_2.5、PM₁₀和O₃四季变化特征及其气象影响因子,利用2013年1月～2015年2月国控点环境监测数据对浓度特征进行统计分析,再利用WRF模式模拟的精细大气边界层气象场,分析气象要素与各污染物的相关性,并建立统计模型.结果表明：PM₁₀、PM_2.5冬高夏低,冬季日均值分别为160.6μg/m³和98.0μg/m³;日变化特征四季基本一致,但秋冬季最强,夏季最弱,且冬季上午峰值比其余三季延后1～2h.各季大气可吸入颗粒物中细粒子占主导,PM_2.5/PM₁₀年均值为0.59;首要污染物为PM_2.5、PM₁₀、O₃的年频率分别为51.5%、26.6%和13.5%,PM_2.5主导四季AQI的变化,尤其是在重污染的情况下,首要污染物为PM_2.5占96%.O₃浓度春末夏初高、秋末冬初低,日变化为单峰式;O₃与边界层高度呈显著正相关,四季相关系数分别为0.500、0.572、0.326、0.323.四季PM₁₀、PM_2.5、O₃_8h_max日值逐步回归方程拟合度为40%～65%.