上海典型持续性PM2.5重度污染的数值模拟

本研究针对2013年1月23~24日的上海PM_(2.5)持续重污染过程,采用WRF-Chem大气化学模式以及PM_(2.5)质量浓度、能见度、气象要素等地面实测资料相结合的方式,揭示了造成上海冬季PM_(2.5)持续性重污染的一类"天气学必要成因",即一次弱冷空气活动过程导致了两种不利污染天气条件——"弱气压场(静稳形势)"和"弱冷空气扩散(输送形势)",两者先后影响上海造成PM_(2.5)浓度持续上升.主要过程如下:首先弱冷空气影响之前,上海处在不利的局地气象扩散条件下,受弱气压场控制10 h后本地PM_(2.5)质量浓度达到重度污染水平,之后夜间稳定边界层(地面静风和低层逆温)使得PM_(2.5)重度污染维持了7h,期间PM_(2.5)平均质量浓度为172.4μg·m~(-3).后期弱冷空气影响上海,虽然改善了局地扩散条件但是同时产生了明显的周边污染物输送,使得本地PM_(2.5)质量浓度升高并达到峰值(280μg·m~(-3)),继续加重污染水平,期间PM_(2.5)平均质量浓度为213.6μg·m~(-3).WRF-Chem模拟结果进一步表明,整个污染过程周边区域输送对上海PM_(2.5)平均贡献率为23%,其中两个阶段周边区域输送的平均贡献率分别为17.2%和32.2%,可见在不同的污染天气条件下周边污染源的贡献存在显著差异,因此可以根据对污染天气类型的预判制定应急减排方案.     

上海地区降雨清除PM2.5的观测研究

分析2012—2016年上海徐家汇站的雨量和颗粒物(PM_1、PM_(2.5)、PM_(10))观测数据发现,降雨对PM_(2.5)的湿清除作用明显,降雨日的PM_(2.5)质量浓度较非降雨日平均降低约30%,在污染季节降低更加显著约50%.降雨时PM_1在PM_(2.5)中的占比明显下降,PM_1质量浓度下降幅度占PM_(2.5)下降幅度的84%,表明降雨对PM_1的有效清除是PM_(2.5)质量浓度下降的主要原因.降雨过程结束后PM_(2.5)质量浓度是否下降和降雨前PM_(2.5)的初始质量浓度关系密切,当初始浓度在冬季大于70μg·m~(-3)、在其他季节大于45μg·m~(-3)时,80%以上的降雨过程结束后PM_(2.5)质量浓度较降雨前下降,因此可作为研判降雨过程对PM_(2.5)湿清除影响的预报因子.     

上海地区通风指数的应用研究

利用2013—2014年上海地区的风廓线资料及NCEP再分析资料,计算研究了上海地区通风指数的变化情况,并结合实际天气情况和预报经验,对常用通风指数公式进行本地化修正.通过分析修正前后的通风指数与颗粒物浓度的关系发现,修正后通风指数的时间变化特征与PM_(2.5)浓度的时间变化有显著的负相关关系,且经过修正的通风指数对于PM_(2.5)浓度变化的指示意义更强;研究其在典型污染个例中的应用情况发现,修正后的通风指数低时,对应的PM_(2.5)浓度值高,说明修正后的通风指数能较好地反映出边界层内大气对污染物的扩散和输送作用;另外,与未修正的通风指数对比发现,修正后的通风指数降低了原通风指数的数值,对污染的指示意义更强,尤其表现在上海地区受冷空气影响时,修正后的通风指数较原通风指数降低明显,能更好地反映出大气对上游地区污染物的输送作用.由此可见,经过修正后的通风指数更适用于本地化的预报服务,这也为上海地区的空气质量预报和霾预报提供了一个新的参考指标.     

上海市臭氧污染时空分布及影响因素

分析2006—2016年上海市的监测数据发现,臭氧(O_3)浓度存在逐年上升趋势,污染持续时间有所增加,但除水平风速有下降趋势外,其他相关气象因素的年际变化趋势并不显著。空间分析结果表明,上海市O_3超标主要集中在西南部郊区,但市区O_3超标潜势不容忽视。O_3污染高发季节的污染玫瑰图分析发现,上海市南部地区是影响上海市O_3污染的关键区域;对于NO_2减排的影响分析发现,尽管上海市O_3平均浓度总体处于上升趋势,但在NO_2下降幅度最为明显的内环市区和北部郊区,O_3上升幅度低于NO_2下降幅度较小的内外环区域和西部郊区,表明上海市的O_3污染控制仍需持续推进NOx的减排,并同步推进VOCs的减排。     

2018年秋冬季长江三角洲区域PM2.5污染来源数值研究

使用WRF-Chem和WRF-FLEXPART模式定量研究了2018年秋冬季,尤其是在明显冷空气影响时的长江三角洲PM_2.5来源贡献.结果表明：2018年秋冬季长江三角洲以外的跨区域输送对长江三角洲PM_2.5的贡献占15.9%,长江三角洲内部排放贡献占84.1%,长江三角洲区域内部排放及污染相互传输的影响比长江三角洲外跨区域输送的影响更为显著.而在冷空气影响时段中,跨区域输送对长江三角洲PM_2.5的贡献率为33.1%,约为整个秋冬季长江三角洲外部跨区域平均输送贡献率的2倍,输送影响更为明显;输送对长江三角洲三省一市的贡献为46.2%~56.2%,其中跨区域输送的贡献10.2%~38.6%,也明显大于各自秋冬季的平均水平.在冷空气影响时段,长江三角洲四座重点城市（上海、合肥、南京、杭州）的污染潜在输送路径主要以中东路为主;上海、南京受到长江三角洲以外的污染潜在贡献较多,超过30%;杭州受到长江三角洲以外的污染潜在贡献较少,为16.1%.     

利用多模式最优集成方法预报上海PM2.5

采用多模式最优集成方法(OCF),对PANDA项目中国和欧洲7个空气质量模式的PM_(2.5)预报结果进行集成释用.2016年6月—2017年5月对上海逐日预报试验结果表明:和最优单模式预报结果相比,OCF预报的PM_(2.5)日均质量浓度的均方根误差降低1.9μg·m-3,相关系数提高0.04,日均质量浓度的精度评分TI提高了2.4,污染TS评分提高了0.28,污染空报率降低了20%,显著提高了PM_(2.5)污染等级预报、趋势预报和精度预报的技巧.对长三角合肥、南京、苏州、杭州、宁波5个城市的预报试验也得到类似的结果,为城市空气质量预报提供了新的方法和思路.但OCF对客观预报的改进幅度在夏季不如冬季显著,在降雨日相对较低.     

上海秋冬季PM2.5污染天气形势的客观分型研究

通过分析2013—2015年上海地面PM_(2.5)质量浓度观测资料,发现11、12、1月3个月对PM_(2.5)年总浓度的贡献达到36.4%,对总污染日数的贡献达到50.4%,对PM_(2.5)环境质量的影响最显著.采用T-mode斜交旋转分解方法(PCT),对2012—2015每年11月、12月和次年1月的海平面气压场和10 m风场进行大样本客观分型研究,揭示了4种秋冬季上海PM_(2.5)易污染的天气环流类型,分别为冷锋(Cw)、高压后部弱气压场(WGh)、高压前部弱气压场(WGl和WGf).对上海而言,冷锋、高后弱气压、高前弱气压分别表现为有利于上游污染输送、本地静稳累积、以及本地积累和上游输送相叠加的天气学特征.对比2个典型污染月(2013年1月和12月)和清洁月(2014年11月和2015年11月)的逐日分型结果发现,Cw环流控制下污染输送对秋冬季上海PM_(2.5)环境质量影响显著,高前弱气压的维持是导致上海3次连续重度污染的重要原因.     

2018年秋冬季长江三角洲区域PM2.5污染来源数值研究

使用WRF-Chem和WRF-FLEXPART模式定量研究了2018年秋冬季,尤其是在明显冷空气影响时的长江三角洲PM_2.5来源贡献.结果表明：2018年秋冬季长江三角洲以外的跨区域输送对长江三角洲PM_2.5的贡献占15.9%,长江三角洲内部排放贡献占84.1%,长江三角洲区域内部排放及污染相互传输的影响比长江三角洲外跨区域输送的影响更为显著.而在冷空气影响时段中,跨区域输送对长江三角洲PM_2.5的贡献率为33.1%,约为整个秋冬季长江三角洲外部跨区域平均输送贡献率的2倍,输送影响更为明显;输送对长江三角洲三省一市的贡献为46.2%~56.2%,其中跨区域输送的贡献10.2%~38.6%,也明显大于各自秋冬季的平均水平.在冷空气影响时段,长江三角洲四座重点城市（上海、合肥、南京、杭州）的污染潜在输送路径主要以中东路为主;上海、南京受到长江三角洲以外的污染潜在贡献较多,超过30%;杭州受到长江三角洲以外的污染潜在贡献较少,为16.1%.     

偏低气温下的O3污染特征及其主要气象成因

针对2013~2019年上海地区气温相对偏低（25℃及以下）的一类O₃污染事件,从时间分布特征、天气系统类型、气象成因等方面进行了深入分析.结果表明：上海近7a偏低气温下的O₃污染按小时标准和日标准分别出现45h和19d,占各自O₃污染总次数的5.0%和7.3%,在春季则上升至20.6%和20.0%,是上海春季主要O₃污染现象之一.当气压介于1010.1~1017.1hPa、风速介于2.1~3.2m/s、湿度介于40.0%~54.0%、辐射介于0.5~2.7MJ/m²,较易出现偏低气温下的O₃污染;与高温下的O₃污染相比,出现偏低气温下的O₃污染时,气压、PM_2.5和NO₂浓度分别偏高了10.0hPa、26.0μg/m³和24.9μg/m³,辐射偏低了0.5MJ/m².造成偏低气温下的O₃污染天气类型可以分为弱高压前部、弱高压控制和海上高压后部3种.3个典型污染个例分析显示,上游输送、本地静稳辐合和垂直逆温条件分别是这3种类型的主要气象成因.     

深度学习方法在上海市PM2.5浓度预报中的应用

为提升PM_2.5浓度预报能力,尤其是对PM_2.5重污染的预报能力,以中尺度气象-化学耦合模式系统（WRF-Chem）为基础,结合中尺度WRF气象预报数据、地面及高空气象观测数据、PM_2.5浓度观测数据,基于人工智能深度学习序列到序列的算法建立了上海市PM_2.5统计预报模型.结果表明,人工智能深度学习算法（Seq2seq）明显修正了WRF-Chem模式由于模型非客观性造成的偏差,提高了上海市PM_2.5浓度的预报能力;该算法优化和修正了WRF-Chem模式结果,并通过检验发现可以使PM_2.5浓度预报值与实况值间的相关系数由0.51上升至0.79,均方根误差由25.9μg/m³下降至15.01μg/m³.而单独使用套索法（Lasso）线性回归算法对WRF-Chem模式优化效果不理想.基于Seq2seq的PM_2.5浓度预报修正模型能够有效提升预报精度.