排序方式: 共有95条查询结果,搜索用时 31 毫秒
21.
为对台州市市区环境空气中PM2.5的主要来源进行全面分析,运用CMAQ(空气质量模型)模型中的ISAM源追踪算法,计算了台州市本地各类污染源及外来源对PM2.5的贡献,同时基于CMB模型的初步源解析结果,利用CMAQ模型解析二次前体物排放源的贡献,得到CMB-CMAQ联用模型的源解析结果,综合分析CMAQ模型和CMB-CMAQ联用模型解析结果最终获得台州市市区空气中PM2.5的贡献源数据.结果表明:①CMAQ模型和CMB-CMAQ联用模型解析结果均表明,台州市市区PM2.5本地源中首要贡献源为工业源,两个模型中工业源贡献率分别为20.13%和26.94%,其次为扬尘源(贡献率分别为16.98%、19.37%)和道路移动源(贡献率分别为16.44%、18.14%).②CMB-CMAQ联用模型解析结果中工业源、扬尘源和道路移动源的贡献率均高于CMAQ模型解析结果,而外来源和电力源的贡献率均低于CMAQ模型解析结果.③CMAQ模型和CMB-CMAQ联用模型综合分析分配结果表明,外来源、工业源、扬尘源、道路移动源是对区域中PM2.5贡献较大的4个污染源,贡献率分别为26.10%、22.38%、16.09%、15.07%.研究显示,台州市市区环境空气中PM2.5污染呈以工业源、扬尘源为主,道路移动源污染突出的复合型污染特征,加强这三类源的排放管理对于台州市市区PM2.5污染防治具有重要意义. 相似文献
22.
为探究北方山区城市大气细颗粒物污染特征,应用气象模式WRF耦合空气质量模式CMAQ对本溪市2016年PM2.5空间分布特征、化学组分特征及主要污染源贡献情况进行分析.本溪市SO2、NOx、TSP的工业排放量分别达到5.2×104、4.1×104、16.1×104 t.结果表明,模拟值与监测值变化趋势基本一致,模拟效果较好. 1月ρ(PM2.5)明显高于7月,空间分布均呈现"西高东低"态势,高值区出现在人口稠密的市区附近. 1月ρ(PM2.5)本地源贡献率表现为钢铁(35.7%)>供暖(12.5%)>居民(7.5%)>移动(5.2%)>秸秆(2.0%)>电力(0.4%);7月为钢铁(48.6%)>移动(9.2%)>建材(3.5%)>居民(2.8%)>电力(1.5%).受气候、地貌及大气污染物排放特征影响,1月区域传输特征明显,外来源贡献为24%,高于7月的14%.另外,1月和7月本溪市PM2.5组分中二次粒子(SO42-、NO3-、NH4+)占比分别为29%和32%,碳组分(OC、EC)占比分别为43%和37%,碳气溶胶污染严重.研究显示,本溪市大气细颗粒物污染具有明显的季节性变化特征,1月部分区域浓度超标主要是由于以钢铁行业为主的工业排放造成,加之本溪市1月以西北风为主且风力较大,市区位于西部低海拔地区,来自中部城市群的污染物在向东南方向传输过程中受到高海拔山区阻隔,从而形成污染物积聚效应. 相似文献
23.
运用Models-3/CMAQ模式系统,模拟分析了2014年11月3~11日APEC会议期间北京市PM_(2.5)污染的时空分布特征,并利用过程分析工具IPR研究了会期两次短时间污染过程(4日13:00~5日12:00和10日13:00~11日12:00)中各种大气物理化学过程对城区官园和郊区定陵两个代表性站点近地面PM_(2.5)生成的贡献.结果表明,CMAQ模型合理地再现了北京市PM_(2.5)的浓度水平和时间变化.北京地区4日和10日发生不利于污染物扩散的气象条件,导致PM_(2.5)小时浓度出现高值(分别为188,124μg/m~3),但受减排措施和冷高压的作用,PM_(2.5)高值维持时间较短.4日13:00~5日12:00,水平传输是官园和定陵站点PM_(2.5)的主要贡献者,贡献率分别为49.6%和90.9%.此次污染过程北京地区受南部污染传输影响较强.10日13:00~11日12:00,官园站点PM_(2.5)主要来自源排放在本地的积累(78.8%),定陵站点PM_(2.5)主要来自较弱的水平传输(93.9%).此次过程体现出更加明显的局地性污染特征.两次过程中,PM_(2.5)的主要去除途径均为垂直传输. 相似文献
24.
2013年1月华北地区重霾污染过程SO2和NOx的CMAQ源同化模拟研究 总被引:1,自引:1,他引:0
以2006年中国地区的INTEX-B排放清单为基础,采用CMAQ模式污染源同化方法,反演更新了2013年1月重霾污染过程华北地区的SO2和NOx排放源;应用WRF-CMAQ模式以及2006年INTEX-B初始排放源和2013年1月改进的排放源,分别模拟了1月9-15日和28-31日两次持续重霾污染过程的SO2和NO2浓度,并与华北地区47个环境监测站点实测值进行对比,重点分析了基于初始源和同化反演源的模拟效果及其改进原因;本文亦采用2012年清华大学编制的东亚地区MEIC排放清单评估了SO2和NOx同化反演源的合理性.分析结果表明:①CMAQ模式污染源同化方法可适用于重霾污染过程,即采用同化反演源模拟的SO2、NO2浓度时空变化特征与实测值较一致,而且可反映SO2、NOx排放源强的动态变化特征;②基于同化反演源的SO2、NO2浓度模拟效果明显优于2006年INTEX-B排放源,其时间变化趋势与实测值较一致,而且可模拟重霾污染过程SO2、NO2浓度的峰值;③采用反演源模拟的SO2、NO2浓度空间区分布特征与实测值较一致,而且可较好反映重污染区的极值分布特征;④经污染源同化改进后SO2、NO2模拟浓度与实测值的相关系数有所提高,误差明显减小;SO2的改进效果略优于NO2,这与污染源对两种污染物浓度的影响差异有关;⑤初始源中SO2、NOx排放源的空间分布和强度与2012年清华大学编制的排放源强差异较大,而同化反演源的空间分布和强度均接近于上述2012年排放源,较好反映出重点地区的高污染源分布特征.本文研究结果将为改进重霾污染过程的空气质量预报、减小自下而上建立的排放源清单不确定性、评估SO2、NOx等排放源的影响效应以及不同气象条件下区域排放源的动态调控等提供新技术途径和研究思路. 相似文献
25.
CMAQ模式及其修正技术在上海市PM_(2.5)预报中的应用检验 总被引:3,自引:1,他引:2
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. 相似文献
26.
基于CMAQ模型的大连市大气氮湿沉降模拟研究 总被引:2,自引:0,他引:2
为了探讨大连市大气氮氧化物湿沉降的污染特征,通过监测站采集2012年内大连市的雨水样品,分析了氮氧化物的沉降浓度及沉降规律.同时,采用CMAQ模型MM5气象模式对大连市大气氮湿沉降进行了模拟研究,并在相关模拟模型的预报因子中增加氮氧化物污染源动态变化信息进行修正.结果表明:大连市大气氮湿沉降中硝酸根离子的平均当量浓度值为71.73μeq·L-1,铵根离子为98.91μeq·L-1;大连大气中氮氧化物沉降当量浓度随季节变化明显,且不同时期波动显著.CMAQ模型的模拟结果与实测数据相比存在偏差;经修正后模型模拟的结果更加逼近观测值,充分说明利用该修正模型在一定程度上修正了源清单不确定性对模拟结果造成的影响,利用修正后模型进行模拟具有可靠的准确性与可行性,可为大连市环境影响评估及控制效益评价提供科学依据. 相似文献
27.
28.
CMAQ-DDM-3D在细微颗粒物(PM2.5)来源计算中的应用 总被引:1,自引:0,他引:1
应用M M5 (Fifth-Generation NCAR/Penn State Mesoscale Model)-Models-3/CMAQ(Community Multi-Scale Air Quality)空气质量模拟系统对京津冀地区进行了模拟,分别采用Brute Force方法和DDM-3D(Decoupled Direct Method in 3 Dimensions)技术对两个代表性城市石家庄、北京的PM2.5来源进行了分析计算.结果表明,两种方法的计算结果具有显著相关性,相关系数在0.950~0.989之间;其次,在某一地区浓度贡献较低的情况下,两种方法的计算结果非常接近,但随着浓度贡献的增加,Brute Force方法的计算结果逐渐高于DDM-3D方法,直线拟合的斜率在1.14 ~2.05之间.以石家庄为例,Brute Force和DDM-3D方法估算的河北南部地区排放的浓度贡献分别为54.7%和64.4%,相差10%左右.浓度贡献空间分布的对比表明,Brute Force方法计算出的浓度影响范围更大,出现某些离散的负值点,或某些负值点与很大的正值点相邻,反映了数值计算带来的计算误差;相比之下,DDM-3D方法的计算结果则更为合理. 相似文献
29.
目前,针对气候变化对区域空气质量影响的研究相对较少,并且多采用统计降尺度方法对全球气候模式结果进行处理.采用WRF中尺度气象模式对CCSM4气候模式的CMIP5 RCP8.5情景预估结果进行动力降尺度处理,并为CMAQ空气质量模式提供气象场;在2012年清华大学MEIC大气污染物排放清单的基础上,选取2005年作为气候现状代表年、2049-2051年作为未来气候代表年,对京津冀地区典型月份(1月、4月、7月、10月)的气象及空气质量数值模拟结果进行对比,以此预估气候变化背景下京津冀地区空气质量潜在变化.结果表明,在排放情况不变及RCP8.5情景下,未来代表年与现状代表年相比,京津冀地区以典型月份为代表的年均气象因素整体呈现温度升高,风速、相对湿度及大气边界层高度均降低的趋势;年均大气污染物浓度整体呈现升高的趋势,其中,温度升高约0.8℃,风速降低约0.11 m/s,相对湿度降低约2%,大气边界层高度降低约8 m,ρ(PM2.5)升高约2.4 μg/m3,ρ(SO2)升高约1.8 μg/m3,ρ(NOx)升高约1.0 μg/m3;此外,主要的气象条件(温度、风速、相对湿度、大气边界层高度)中,风速及大气边界层高度的降低可能是造成这些大气污染物浓度变化的主要气象因素,并且风速及大气边界层高度的降低与ρ(PM2.5)降低的相关系数分别约为-0.44和-0.26.研究显示,气候变化会对京津冀地区造成污染物浓度升高的潜在风险,同时由于现阶段缺乏可用于空气质量模式的未来排放情景数据、在线耦合模式日臻完善,在我国气候-空气质量的研究领域亟待进行更深层次的研究. 相似文献
30.
为考察江苏省南部地区重点排放源对南京市秋季细颗粒物(PM_(2.5))的贡献率及O_3生成敏感性,采用强力法针对特定排放源及污染物设置不同的排放情景,利用化学传输模拟系统Models-3/Community Multi-scale Air Quality(CMAQ)分析模拟区域内不同情景下地表PM_(2.5)及O_3浓度变化。2012年10月,电厂、钢铁和水泥的污染物排放对南京市PM_(2.5)浓度的平均贡献率分别为6.0%、25.5%和15.9%,对国控站点的贡献率分别为7.2%、17.7%和16.2%。钢铁对下风向区域的地表PM_(2.5)浓度的影响显著高于电厂及水泥部门的排放。从不同情境下模拟O_3地表浓度变化结果看出,南京市城区及下风向区域的O_3浓度随VOC排放削减降低,随NO_x排放削减升高,因而判定南京市秋季O_3生成属于VOC控制区。 相似文献