京津冀民用燃煤减排对大气中BaP污染影响评估

运用空气质量模型CMAQ模拟评估民用燃煤减排政策对京津冀大气中BaP污染状况的改进效果,模拟包括作为基准情景的2014年和低消减和高消减2个减排情景.模拟结果表明：基准情景下,京津冀BaP年均浓度为2.54ng/m³,超过国家空气质量标准（1ng/m³）,呈现1月 > 4月 > 10月 > 7月的季节变化特点,反映出冬季供暖燃煤的影响;京津冀南部BaP浓度高于北部,推测原因是南部BaP排放量较高.1月削减民用燃煤排放量对降低该地区BaP浓度和沉降量效果最显著,低削减和高削减下,北京、保定、廊坊BaP浓度分别比基准情景降低30%和40%以上;4、7、10月削减民用燃煤排放量对该地区BaP浓度和沉降量的变化影响不大.京津冀民用燃煤联防联控能更加有效地降低该地区BaP浓度.     

基于CALIOP探测的京津冀地区气溶胶垂直分布特征

利用2011—2015年星载激光雷达(CALIOP)探测资料分析京津冀地区气溶胶消光系数(AEC)的垂直分布,AEC表征了气溶胶的浓度水平。结果表明:AEC的垂直分布季节变化显著,2 km以下尤为明显;整层气溶胶光学厚度(AOD)在夏季(0.7)高于其他季节,湿度对AEC产生较大的影响;而500 m以下低层的AEC体现的特征与之相反,冬季最大(0.65 km~(-1)),春夏季较小(0.25 km~(-1))。夏秋季低层AEC存在较大昼夜差异,夜间最大为0.65 km~(-1),是白天的2.5倍,低层较大的相对湿度昼夜变化成为消光系数巨大差异的主因。南北向贯穿京津冀地区垂直剖面上AEC的分布显示,在夏季夜间,气溶胶浓度水平在南部地区的低层较高,而在其他季节并没有体现出明显的南北差异。     

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.