基于距离相关系数和支持向量机回归的PM2.5浓度滚动统计预报方案

针对目前空气质量统计预报方法存在的主要缺陷,本文提出了距离相关系数和支持向量机回归相结合的统计预报方案DC-SVR.利用淮安市2013年1—12月PM_(2.5)观测资料和常规气象观测资料,首先在选入预报当日气象要素的基础上,增加选取前期污染物和气象要素作为预报因子,再采用距离相关系数分季节从预报因子中筛选出重要预报因子,最后采用支持向量机回归对PM_(2.5)浓度值进行逐日滚动统计预报.研究发现,淮安地区气温和气压对PM_(2.5)的距离相关性要高于其他气象要素,夏秋季PM_(2.5)与气象要素的距离相关性较春冬季好.基于距离相关系数和支持向量机回归建立DC-SVR模型,PM_(2.5)的试预报值和实测值的全年相关系数高达0.76,平均偏差仅为1.13μg·m~(-3),平均绝对误差为23.47μg·m~(-3).通过与支持向量机回归、人工神经网络的统计预报效果对比,DC-SVR模型有效降低预报因子维数且能自适应选取最佳参数,预报精度显著优于其他3种统计预报方案,可为业务化预报提供参考.     

南昌市固定燃烧点源大气污染物排放清单及特征

大气污染物排放清单是了解区域污染物排放特征、准确模拟空气质量的重要资料,而工业点源是大气污染的重点排放源.通过收集相关活动水平信息和合理的排放因子,采用"自下而上"的方法建立了南昌市2014年点源大气污染物排放清单.结果表明,SO_2、NO_x、CO、PM_(10)、PM_(2.5)和VOC排放总量分别为29576.2、17115.1、25946.6、4689.4、922.9和1190.4 t,其中,金属炼制行业对SO_2、CO和VOC的贡献最高,分别占37.75%、30.59%和38.45%;火电行业是NO_x的主要来源,其贡献率为47%;水泥等建材制造行业对PM_(10)和PM_(2.5)排放贡献最高,分别为26%和25%.根据排放源污染物排放量及地理坐标信息,建立了0.4 km×0.4 km的污染物排放量空间分布特征图,结果表明,南昌市大气污染物排放较为集中,青山湖区北部和新建区北部是SO_2、NO_x、CO和VOC的主要排放区,而PM_(10)和PM_(2.5)的排放量相对分散,并在安义县出现排放高值区.通过将计算结果与统计数据结果进行对比,了解所估算清单的准确程度.对SO_2和NO_x的计算值和统计值进行统计分析,结果显示,NMB(标准化平均偏差)和NME(标准化平均误差)值均小于50%,清单计算精度较高.同时,为了解清单数据质量,对清单的不确定性进行定量分析,结果显示,SO_2和VOC不确定性较低而PM_(10)和PM_(2.5)的不确定性相对较高,清单整体不确定性与其他研究结果相差不大.建议后期研究可以从提升基础数据质量和建立具有区域代表性的排放因子数据库着手,从而减小排放量的不确定性,获得精准可靠的大气污染物清单并应用于空气质量模型预报等更深入的研究.     

合肥市冬季PM2.5统计预报方法初试与比较研究

利用合肥市2015-2018年冬季PM_(2.5)观测资料和FNL再分析资料,文章综合考虑地面及边界层高度范围内各气象要素作用,针对目前空气质量统计预报方法的不足,根据阈值分析筛选预报因子,同时将风向数据转化为对应的八方位上历史污染物浓度均值输入,最后结合BP神经网络对PM_(2.5)浓度进行逐6 h预报。结果表明,所建模型(TA-BP方案)中对PM_(2.5)预测值与观测值的相关系数(R)高达0.85,平均绝对误差(MAE)为21.31μg/m~3,均方根误差(RMSE)为28.20μg/m~3。阈值分析能够有效筛选与污染物浓度呈非线性关系的气象预报因子和高空预报因子。较BP模型,TA-BP模型的R和一致性指数(IA)分别提升14.12%和8.33%,MAE、平均相对误差(MAPE)和RMSE分别降低22.87%、17.86%和23.78%。同时,与其他不同输入变量模型及线性模型对比结果表明:仅考虑气象因子作用的MTA-BP方案限制了预报模型的准确性,以临近6 h的PM_(2.5)浓度代替各气象因子作用的PTA-BP方案能够实现较好的预报效果,但滞后性严重。另外,综合考虑气象因子与污染因子作用的非线性TA-BP模型要优于线性MSR模型。     

餐饮源排放PM_(2.5)污染特征研究进展

餐饮油烟排放的污染物危害人体健康,餐饮源已成为城市环境PM_(2.5)的重要来源之一。文章对餐饮源排放PM_(2.5)污染特征的研究进行了综述,包括餐饮源对城市大气环境中PM_(2.5)的贡献、餐饮源排放PM_(2.5)的时空分布特征、化学特性、排放量的估算;初步总结了影响餐饮源PM_(2.5)排放特征的多种因素;分析了餐饮源PM_(2.5)污染的健康效应。该文在汇总国内外研究的基础上,对餐饮源PM_(2.5)的研究前景进行了展望。     

基于快速聚类方法分析常州市区PM2.5的统计特性

运用统计方法研究常州市区2013~2014年6个国控点六项基本污染物(SO_2、NO_2、CO、O_3、PM_(2.5)和PM_(10))月平均浓度变化,结果表明,除O_3外,其它五项污染物月平均浓度夏季较低冬季较高.颗粒物与风速之间的关系为PM_(2.5)浓度随风速的升高一直降低,PM_(10)随风速的升高浓度先降低后升高.采用快速聚类分析(k-means)并运用SWV和DIV指数对六项基本污染物进行分类,得到4个样本分类.与依据颗粒物化学成分或粒径谱对PM进行源解析方法不同,本研究更多是从PM_(2.5)与其它污染物相关关系以及污染程度等角度按照欧式距离进行分类.不同类中PM_(2.5)来源明显不同,类1中PM_(2.5)与化石燃料燃烧排放密切相关,类2与O_3密切相关,类3与城市不完全燃烧排放、区域灰霾污染密切相关,类4可以归类于城市"背景"类.快速聚类分析结果也表明常州市区PM_(2.5)有着复杂的来源.     

气象要素对气溶胶光学厚度估算PM2.5的影响

地面监测得到的近地面细颗粒物PM_(2.5)浓度较为精确,但数据覆盖范围相对较小,卫星遥感反演的气溶胶光学厚度(AOD)数据可以反映污染物浓度分布,具有范围大且速度快的特点,因此,大多数学者通过建立PM_(2.5)-AOD模型来实现卫星遥感监测PM_(2.5)浓度,并通过引入气象要素来优化模型.然而,气象要素的选择与引入往往对模型的精度有较大的影响,如何有效地选择对PM_(2.5)浓度影响较大的气象要素一直是PM_(2.5)-AOD模型中的关键问题.因此,本文基于华东地区2014—2015年的MODIS AOD和地面监测站的PM_(2.5)浓度数据,结合再分析气象资料,利用多元逐步线性回归方法建立PM_(2.5)-AOD模型,从由特定时刻、高度上的气象要素与随时间、高度变化的气象要素组成的气象要素集中,筛选出对因变量PM_(2.5)浓度有显著影响的关键气象要素.结果表明:在地域与季节双重尺度下的PM_(2.5)-AOD模型精度更高;相较于特定时刻高度的气象要素,随时间和高度变化的气象要素对PM_(2.5)-AOD模型的影响更为显著;在地域与季节双重尺度下,1000～850 hPa经向风速差、世界时0:00—6:00近地面温度差、850～600 hPa温度差、6:00边界层高度、12:00—18:00近地面压强差、1000～850 hPa温度差对模型影响较大,但应依据不同季节和不同地区的具体影响程度作为选择标准.     

广西工业源大气污染物排放清单及空间分布特征研究

大气污染物排放清单是了解区域污染物排放特征的重要资料,而工业源是大气污染的重点排放源.研究根据收集的工业企业活动水平数据,选择合理的计算方法和排放因子,建立了广西2016年工业源大气污染物排放清单.结果表明,2016年广西工业源SO_2、NO_x、CO、PM_(10)、PM_(2.5)、VOCs排放总量分别为20.7×10~4、21.6×10~4、147.5×10~4、48.4×10~4、25.7×10~4、34.7×10~4 t.其中,电厂和非金属矿物制品业对SO_2、NO_x、PM_(2.5)和VOCs的贡献最高.除此之外,黑色金属冶炼是SO_2、NO_x和PM_(2.5)的主要贡献源;有色金属冶炼是PM_(2.5)的主要贡献源;农副食品加工业是VOCs的主要贡献源.根据排放源污染物排放量及地理坐标信息,建立了污染物排放量空间分布特征图.结果显示,广西工业企业SO_2和NO_x排放主要集中在百色、柳州、防城港和贵港市;颗粒物排放主要集中在贵港、柳州和百色市;VOCs排放主要集中在柳州、贵港和崇左市.研究建立的排放源清单结果具有一定的不确定性,建议进一步完善基础研究.     

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。     

结合GIS数据对合肥市大气污染状况的初步数值模拟研究

应用WRF-SMOKE-CMAQ模式结合地理信息系统(GIS),数值模拟研究了合肥市大气污染状况.在排放处理过程中,安徽省统计类面源排放采用GIS工具进行空间分配,并收集重点企业排放数据,以点源形式导入数值模型中,驱动多尺度空气质量模式CMAQ模拟合肥2014年12月大气污染现状.结合合肥市环境空气质量站点PM_(2.5)、NO_2日均浓度和小时浓度对比验证表明:1采用GIS数据空间优化获得的统计类排放面源较合理地呈现相关联排放的地理特征.2当前模式系统可以较好地模拟出2014年12月合肥市PM_(2.5)污染物变化特征,尤其是12月20日—26日PM_(2.5)污染累积和消散过程,站点的模拟实测两倍因子在63%~77%之间,合理反映出当月合肥市区PM_(2.5)污染状况.3模式对于NO_2模拟,在部分区域具有较好的模拟效果,但在部分区域模式只能模拟出NO_2大致变化趋势;所有有效站点的比对结果平均偏差为21.92μg·m~(-3),整体存在偏高现象;有40%站点FAC2在73%~88%之间,除个别观测数据异常较多站点外,其他站点FAC2在50%左右,这种差异是由于模式网格分辨率较低、排放源分配及站点选取引起的.     

广东省气象与源排放因素对PM_(2.5)浓度影响的数值模拟研究

为更好地区分大气污染物浓度变化中气象与源排放因素的影响,使用中尺度气象模型WRF和三维空气质量模型CAMx,通过固定源清单的方法模拟研究了广东省各地区不同时期气象因素对PM_(2.5)浓度变化的影响,并结合实测的PM_(2.5)浓度变化,计算出源排放因素对PM_(2.5)浓度的贡献。结果表明:相对于2014年,2015年广东省夏季的气象条件不利于PM_(2.5)浓度的下降,春季和秋季的气象条件有利于PM_(2.5)浓度的下降,就全年各季度平均而言,珠江口附近地区气象条件较有利于PM_(2.5)浓度的下降;源排放变化对肇庆市、韶关市和揭阳市等城市PM_(2.5)浓度变化有较强的削减作用,可使其浓度下降30%以上,显示这些城市的减排工作较为有效,深圳市、珠海市、东莞市、中山市与顺德区等市(区)PM_(2.5)污染改善主要是由于有利的气象条件的影响,源排放变化对珠海市和湛江市等城市污染起加剧的作用,表明不利的源排放变化抵消了部分有利气象条件对PM_(2.5)污染的改善作用,应加强对这些地区源排放的控制。     

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.     

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.     

基于MODIS气溶胶光学厚度与气象要素的苏锡常地区PM2.5地面浓度分布研究

基于GIS技术和岭回归分析方法,采用苏锡常地区的MODIS高分辨率气溶胶光学厚度资料、PM_(2.5)浓度观测资料和苏锡常及周边地区的气象观测资料,构建了基于气溶胶光学厚度和气象要素的PM_(2.5)地面浓度分布估算模型,模拟了2013年春季苏锡常地区PM_(2.5)的空间分布状况,并将此模型与气象要素多元回归模型、气溶胶光学厚度直接回归模型进行比较.结果表明:该模型将遥感观测资料与地面气象观测资料相结合,能够有效地模拟PM_(2.5)的空间分布状况;2013年春季苏锡常地区PM_(2.5)的空间分布具有整体上西北高、东南低,中心城区高、城郊区低的趋势,局部高浓度区域可能与工业生产、交通等人为因素有关;该模型能够在保持较高精度的前提下,有效地突出局部地区的变化特征,体现出更强的空间分异性,对于研究PM_(2.5)的空间分布规律具有一定的实际应用价值.     

基于周边站点优化选取的随机森林PM2.5小时浓度预测研究

空气中的PM_2.5是威胁人体健康的主要大气污染物,对其进行有效预测和及时预警具有重要意义.大量研究表明,纳入周边站点信息的随机森林模型在单站点PM_2.5预测中显示出良好的效果,但在周边站点选取问题上目前尚缺乏针对性研究,部分选取方法带有主观性.本文提出了一种基于时间滞后互相关分析的周边站点优化选取方法,并以上海十五厂空气质量监测站（国控站）为例,构建了预测该站未来1~24 h PM_2.5浓度的随机森林回归模型集,比较分析了预测模型中各输入因子的重要性.研究发现,预测站点当前PM_2.5浓度值对未来1~16 h的预测最为重要,而气象要素中的风向则对于未来17~24 h的预测重要性最高;周边站点PM_2.5信息随着预测时间的延长,其重要程度排名有明显提升,且不同站点对不同时间预测的影响具有显著差异,在建模时应区别对待,优化选取.比较结果表明,使用本文方法选取周边站点建立的预测模型不仅在RMSE等精度指标上具有一定优势（12 h和24 h预报RMSE分别降低11.8%和13.3%）,还在有实用价值的污染事件空报率上有明显降低（12 h和24 h预报空报率分别降低16.1%和25.6%）,具有业务应用潜力.     

融合SSAE深度特征学习和LSTM网络的PM2.5小时浓度预测

精准的PM_2.5小时浓度短期预测,可以有效地提高空气污染的预报预警能力.针对传统的PM_2.5预测模型中存在的影响因素考虑不全面且影响因素选择方法适用性不强等问题,本文提出一种融合栈式稀疏自编码器（Stack Sparse Auto-Encoder,SSAE）和长短期记忆神经网络（Long-Short Term Memory,LSTM）的PM_2.5小时浓度预测模型.SSAE-LSTM模型综合考虑了时间因素、空间因素、气象因素和空气污染物因素等多种因素对PM_2.5的影响,采用SSAE以无监督方式自动提取PM_2.5抽象影响特征,实现特征的压缩和降维;然后以提取的抽象特征作为LSTM模型的输入,建立PM_2.5时间序列预测模型,挖掘PM_2.5历史序列中的长期依赖特征.为了验证方法的有效性,本文基于2016—2018年京津冀城市群71个空气监测站点的空气数据和气象数据,建立SSAE-LSTM模型对各个站点的PM_2.5浓度进行离线训练和预测实验.预测结果表明,SSAE-LSTM模型预测精度高于其它预测模型,在所有测试集上的一致性指数（IA）高达0.99,均方根误差RMSE与平均绝对误差MAE降到了13.98和7.90.此外,分析了SSAE-LSTM模型在不同季节的适用性,71个空气监测站点在春、夏、秋、冬4个季节测试集的预测值和实测值均有很好的线性关系,决定系数分别是0.86、0.92、0.96、0.93.对北京市万寿西宫站点的预测结果表明,SSAE-LSTM模型可以用于不同空气质量情况下的PM_2.5小时浓度预报,且具有应用上的可行性和可靠性.     

2001~2019年气象条件对江苏省PM2.5分布的影响

利用区域在线空气质量模式WRF-Chem模拟研究了2001～2019年气象条件对江苏省PM_2.5浓度分布的影响.在排放源不变的情况下,气象条件引起的江苏省PM_2.5年均浓度的最强正、负异常分别出现在2008和2001年,它们的异常值相对于多年平均值分别占比10.5%和-14.3%,表明气象条件对PM_2.5浓度年际变化有明显影响.经验正交函数分解的结果表明,气象条件对江苏省PM_2.5浓度的空间分布的影响具有一致性.边界层高度、温度、相对湿度、风速和降水整体上都与江苏省PM_2.5浓度呈现显著负相关关系.以上气象因子所构建的线性回归方程能较好地描述PM_2.5浓度和气象条件之间的关系,其拟合值与模拟值相关性为0.73,通过了99%的信度水平检验.     

基于NARX神经网络的PM2.5/10浓度值预测模型——以咸阳市两寺渡监测站为例

PM_2.5和PM₁₀（记为PM_2.5/10）对空气质量和人类健康有着严重威胁,日益引起国内外的关注,并成为大气污染控制工程中最重要的部分。基于陕西省咸阳市两寺渡监测站的污染物（PM_2.5、PM₁₀、NO₂、NO、NO_x、CO）和相关气象参数的监测数据,建立起基于非线性有源自回归神经网络的预测模型,并分别针对不同预测时间段确定最优网络结构,从而实现了对未来6小时、12小时以及24小时PM_2.5/10浓度的有效预测。实验结果表明：（1）NARX神经网络模型可对未来24小时内的PM_2.5/10污染物浓度进行较为准确的预测;（2）对于PM_2.5/10未来6小时的预测能力优于对12小时、24小时的预测;（3）预测值偏高或偏低的结果与前后时间段内的气象因素及其他污染物浓度变化情况也具有相关性。     

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%.     

基于小波分解与自适应多级残差修正的最小二乘支持向量回归预测模型的PM2.5浓度预测

采用小波分解(WD)将济南市科干所监测站PM_(2.5)浓度的一维时间序列(2013年1月1日—2017年8月15日)分解为高维信息,获得了该监测站附近PM_(2.5)浓度的时频变化特征,重点分析了PM_(2.5)的随机性和趋势性问题.然后构建了基于小波分解的多级残差修正的最小二乘支持向量回归预测模型(AMLRC-WLSSVR),结果发现,该模型能够很好地对济南市PM_(2.5)浓度做出预测,特别是针对重污染天气的预测有很好的精度.为了避免预测结果的不确定性问题,提出了一种基于方差估计给出预测值置信区间上界的方法,同时,有效弥补了单点预测的不稳定性及预测精度不足的缺点,该方法能够为实际空气污染预警提供技术支持.     

基于CMAQ模式和自适应偏最小二乘回归法的中国地区PM2.5浓度动力-统计预报方法研究

采用CMAQ模式和自适应偏最小二乘回归法相结合的动力-统计预报方法,对2014年1—12月全国252个环境监测站的PM_(2.5)浓度逐时预报值进行了滚动订正,分析了订正前后PM_(2.5)浓度的时空变化特征,重点研究该方法在中国不同地区不同季节的适用性.结果表明:CMAQ模式预报的PM_(2.5)浓度年平均和秋冬季季节平均偏差表现为非均匀空间分布特征,即辽宁、山东部分地区、川渝地区及华中、华东、华南大部分地区预报偏高,京津冀和西部大部分地区预报偏低;订正后PM_(2.5)浓度与实测值的空间分布较一致,上述偏高和偏低地区的PM_(2.5)浓度预报误差显著减小;秋冬季PM_(2.5)浓度预报和订正偏差均大于年平均值.全国区域平均PM_(2.5)浓度实测值存在明显的季节变化特征,1—3月和11—12月较大,其他月份较小;PM_(2.5)浓度预报误差较大,多数时刻预报偏低,尤其是1—3月和11—12月偏低较明显;订正后PM_(2.5)浓度与实测值较接近,而且时间变化趋势较一致,秋冬季PM_(2.5)浓度预报和订正偏差亦明显大于春夏季.秋冬季4个重点污染区域中,京津冀地区PM_(2.5)实测浓度的区域平均值较大,川渝地区次之,长三角和珠三角地区较小;珠三角地区PM_(2.5)浓度预报和订正效果较好,川渝和长三角地区次之,京津冀地区相对较差;经滚动订正后,全年和秋冬季时段PM_(2.5)浓度订正值与实测值的相关系数均显著增加,误差显著减小,尤其是秋冬季订正效果较好.川渝地区的订正改进幅度最大,长三角和京津冀地区次之,珠三角地区较小.本文方法均适用于非污染日和污染日全国范围的PM_(2.5)预报浓度订正,两种天气过程PM_(2.5)浓度的订正效果均较好;该方法对于改进京津冀地区污染日的PM_(2.5)浓度预报更有效,其他3个地区非污染日的订正改进效果优于污染日.本文研究结果可为改进空气质量预报、重霾污染天气预警和防治提供新技术途径和科学依据.