偏东风输送导致的关中地区冬季PM2.5重污染个例研究

关中地区是我国大气污染的重点监测区域,为探究偏东风输送对关中地区冬季PM_2.5重污染的影响,重点分析了2018年1月12-18日在偏东风输送影响下关中地区ρ（PM_2.5）日均值的变化过程;利用WRF和CAMx模式对PM_2.5重污染过程进行模拟并讨论其消长原因.结果表明:①冬季关中地区在高压脊和西南槽的控制下,偏东风将污染物输送至关中地区,加之关中地区地形阻滞,致使关中地区的ρ（PM_2.5）上升.②研究期间,关中地区ρ（PM_2.5）日均值范围为103~240 μg/m3,偏东风输送是导致此次重污染过程的重要原因.重污染的发生还与气象要素的变化有关,其中ρ（PM_2.5）日均值与气温、相对湿度均呈滞后相关性.在ρ（PM_2.5）日均值相等的情况下,相对湿度越大,能见度越低;随着ρ（PM_2.5）日均值和相对湿度的升高,能见度下降的速率逐渐变慢.③根据WRF-CAMx的模拟结果,此次重污染过程中关中地区PM_2.5污染输送关系不均衡,宝鸡市和咸阳市均以本地贡献为主,其本地贡献率超过45.00%,而渭南市接收关中地区其他城市及关中地区以外区域污染输送占比为69.82%;位于盆地中东部的咸阳市、西安市和渭南市的ρ（PM_2.5）月均值均大于关中地区ρ（PM_2.5）平均值;渭南市、西安市、运城市以及关中地区以外城市是此次关中地区跨市PM_2.5污染输送的主要来源.研究显示,偏东风输送是关中地区此次大气重污染过程的重要原因.      

关中地区PM2.5污染过程的主要参数特征和EMD统计分析

为了掌握关中地区的污染过程特征,并为关中地区预警预报提供理论支撑,利用2014—2017年关中地区五市（西安市、咸阳市、宝鸡市、渭南市、铜川市）ρ（PM_2.5）数据,对该地区PM_2.5污染过程的峰值质量浓度、持续时间等特征进行统计分析,并用EMD（经验模态分解法）分解海平面气压观测数据,对PM_2.5污染过程的统计结果进行解释.结果表明:①关中地区ρ（PM_2.5）分布在时间和空间上均具有显著的区域相关和时间同步特征.各城市的ρ（PM_2.5）日均值较接近,相差范围为2~15 μg/m3.②污染过程持续时间的统计表明,冬季污染过程持续时间（11~15 d）相对较长,夏季污染过程持续时间（7~9 d）相对较短;PM_2.5污染过程的峰值质量浓度分析表明,各城市中度及以上等级的污染频次差异较大,最大值出现在咸阳市,为16次,最小值出现在铜川市,为9次.③利用EMD算法对气压数据进行分解后发现,第4模态（IMF4）的震荡频率变化是关中地区各城市不同季节污染过程持续时间存在明显差异的主要原因.研究显示,单站气压的EMD模态分解可以较好地解释关中地区的污染物浓度特征.      

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.      

持续鞍型场导致的西安市PM2.5重污染过程分析

为了解鞍型场对西安市PM_2.5重污染过程的影响.以西安市2016年2月6—14日重污染过程ρ（PM_2.5）及气象要素的小时变化为研究对象,综合分析了此次重污染过程特征、天气型以及气象要素变化.结果表明:①西安市此次重污染过程可分为污染上升阶段（6—7日）、污染维持阶段（8—11日）及污染减轻阶段（12—14日）,3个阶段分别处于均压场、鞍型场、高压前部等天气型的影响下.②此次鞍型场发生时,天气持续静稳,气压梯度力小,且西安市处于气流的辐合地带,导致污染物的形成和积累,ρ（PM_2.5）最高值达198 μg/m3.③在鞍型场的控制下,西安市日均气温维持在偏高的水平（最高达7.2℃）,相对湿度呈上升的趋势,最高达86.5%;而风速和能见度则波动下降,平均风速和能见度最低值分别为0.8 m/s和0.5 km.高温、高湿、小风的气象条件有利于污染物的吸湿增长从而导致PM_2.5重污染.④受鞍型场的影响,西安市边界层高度较低,最低时只有55 m,且逆温层较厚,强度较大,最大值达3.8℃/（100 m）,极低的边界层高度和较厚的逆温层削弱了污染物的垂直扩散能力,污染物被抑制在近地面,形成较严重的污染.研究显示,鞍型场天气型导致的均压场、暖湿、静风、低边界层及强逆温层是此次西安市PM_2.5重污染过程的重要原因.      

京津冀及周边民用散煤燃烧控制对北京市PM2.5的影响

为评估京津冀及周边“2+26”城市农村居民面源污染控制成效,揭示其对北京市秋冬季重污染天气PM_2.5污染的改善作用,及其对PM_2.5组分硫酸盐形成机制的影响,采用空气质量模型对北京市2018—2019年秋冬季5次重污染事件进行了模拟. 结果表明:①在“2+26”城市平原地区民用散煤削减90%的控制情景下,区域PM_2.5浓度最大值由324 μg/m3降至251 μg/m3,下降了23%. 北京市城区PM_2.5浓度由139 μg/m3降至124 μg/m3,下降了11%;同时,北京市城区SO₂、硫酸盐浓度分别降至6.2、14.9 μg/m3,分别下降了45%、24%. ②农村居民面源污染控制前北京市硫酸盐浓度的正贡献来源主要受水平平流输送过程影响,控制后水平平流输送过程仍起主导作用,但该过程在水平平流输送、垂直平流输送、水平扩散、垂直扩散这4个物理过程中的绝对重要性上升了2%;此外,农村居民面源污染控制后垂直扩散清除过程对硫酸盐浓度的贡献下降了33%,气溶胶二次转化过程的贡献下降了25%,但SO₂向硫酸盐转化的速率加快,其小时转化率上升了1.44%. ③ISAM源解析方法结果表明,控制情景下区域工业过程是影响北京市SO₂浓度的最主要行业源因素,平均贡献率为65%,硫酸盐工业过程源的平均贡献率为82%. 区域来源分析表明,北京市SO₂来源主要为外地源输送,硫酸盐主要来源与SO₂一致,其中河北省贡献较大,其对SO₂、硫酸盐的平均贡献率分别达43%、40%. 研究显示,控制情景下污染期间北京市PM_2.5污染改善,且污染物浓度、形成过程和来源贡献均发生明显变化.