基于Models-3的自修正空气质量预报系统及其效果检验

本文介绍了一个以Models-3为基础的自动化空气质量数值预报系统,该系统通过Gambas、Yabasic和R语言等工具进行开发,集成WRF-SMOKE-CMAQ三个模式,可通过监测数据进行自动修正,完成空气质量业务数值预报,并将结果发布到Web服务器上进行呈现。该系统对硬件的要求较低,将部署于一台DELL Optiplex 9010工作站上,设置6km—2km双层嵌套,进行成都市空气质量数值预报。本文分析了成都市2014年1月1日至2014年12月31日的空气质量数值预报结果,评价系统对成都市NO_2、SO_2、PM_(10)、PM_(2.5)、O_3、CO以及空气质量指数(AQI)的预报效果。结果显示,系统对于成都市2014年空气质量变化情况趋势的预报效果较好,302天有效预报中,24小时直接预报的空气质量等级准确率为58.27%,AQI预报相关系数0.71,观测值自动修正预报对24小时空气质量预报具有明显改善效果,使其等级预报准确率达到64.9%,相关系数提高到0.89。     

NAQPMS模型预报合肥、蚌埠和芜湖空气质量的效果评估

评估了NAQPMS模式预报的合肥、蚌埠和芜湖2017年3月1日—2018年2月28日PM_(2.5)、PM_(10)和O_3地面浓度及预报准确率,发现模式对物种的预报能力依次为:O_3 PM_(2.5)PM10;对城市的预报能力依次为:合肥芜湖蚌埠。模式对PM_(2.5)和PM_(10)的预报能力在春季较弱,对O_3的预报全年均较强。整体而言,评估地区的空气质量以优良为主,等级准确率在秋季最高,冬季最低,年均值为69%;首要污染物以PM_(2.5)、O_3、PM_(10)和NO_2为主,其准确率在冬季最高,春季最低,年均值为62%。     

2015～2019年云南省城市空气质量特征及影响因素研究

利用2015～2019年云南省16个州市29188个空气质量日报数据进行数理统计,采用克里金插值法及Daniel趋势检验法分析AQI (空气质量指数)及主要污染物浓度的时空变化特征,探讨近5年云南省城市空气质量时空变化特征及其影响因素。结果表明:(1) 2015～2019年云南省SO_2、PM_(2.5、)PM_(10)浓度呈下降趋势,NO_2浓度保持基本稳定,O_3浓度呈显著上升趋势,各年间空气质量综合指数值波动较小,且逐年改善。(2) 2019年O_3-8h作为超标污染物占比达57.52%。云南省PM_(2.5)年均值相对较高区域面积略有减少,O_3年均值相对较高区域面积显著增加。(3)云南省PM_(2.5)与PM_(10)月均值呈现冬春高夏秋低的变化规律,O_3月均值为春季单峰高值,SO_2月均值整体趋势平稳变化幅度不大。(4)云南省AQI值及平均能见度和平均降水量呈显著负相关(P0.01),AQI值与平均气温及平均风速不存在显著相关性。研究显示云南省空气质量优良逐年改善,污染类型由颗粒物污染转为以颗粒物和臭氧为特征的复合型污染。空气质量受气象条件影响,能源结构优化、污染物总量减排等措施对空气质量改善起到积极作用。     

降水对西宁市大气污染物浓度的影响分析

文章利用西宁市区2013~2014年逐日空气污染日平均浓度资料和日平均降水资料,分析了西宁市区大气污染物浓度的分布和不同等级降水对SO_2、NO_2、PM_(10)、PM_(2.5)污染物浓度的清除能力。结果表明,西宁市空气质量以二级为主,二级天数占样本总数的57.8%;西宁市大气中的首要污染物是PM_(10)和PM_(2.5);降雨、降雪对污染物浓度具有稀释作用;不同等级的降雪量对4种污染物的稀释作用不同,降雪量在0.5mm以下时对污染物浓度的清除作用较弱甚至出现反弹现象,降雪量≥5.0mm时对4种污染物的清除能力最强;降雨量越大,对各项污染物的清除作用越明显,日降水量≥10.0mm对4种污染物的清除率达到了29.54%~57.57%;清除能力表现为SO_2PM_(10)PM_(2.5)NO_2的特征;连续降雪比连续降雨更有利于空气质量的改善;降雨等级不同时,AQI指数级别不变的天数居于首位的均为PM10;降雪量为0.6~1.0mm、1.1~1.9mm、≥5.0mm时,AQI指数级别不变的天数居于首位的是PM2.5;无论降雪还是降雨,PM_(10)和PM_(2.5)级别下降天数明显大于上升天数,尤其以PM2.5明显。     

成都市空气质量预报系统的应用及预报效果评估

介绍了成都市空气质量预报系统的模式设置和排放源处理,并评估其对2017年2月成都市的气象要素和PM_(10)、PM_(2.5)、SO_2、NO_2小时浓度的24小时预报效果。结果表明,系统能较好的预报成都市主要气象要素的逐小时变化情况,平均气温、气压和相对湿度的相关系数均在0.72以上,但对累积降水的预报效果仍需优化;系统能合理的反映各污染物的时空分布,PM_(10)和PM_(2.5)的预报效果达优秀水平,但存在不同程度的高估;NO_2的预报值与实况值的时间变化趋势一致性最高,空间分布对应较好,但模式预报对其存在一定程度的低估;对SO_2有显著的高估,但其空间分布模拟效果最佳。优化源的空间分配,及时更新源排放清单,同时针对不同排放源提高小时尺度排放清单分辨率可能是未来提高成都市空气质量预报系统预报准确率的有效途径。     

兰州市冬季采暖对空气质量影响的断点分析

基于2015—2018年兰州市空气质量及气象数据,采用断点回归方法估计冬季采暖事件对空气质量污染物浓度的处置效应,借此研究兰州市煤改气、煤改电等政策实施之后,采暖前后空气质量指数及6项污染物的结构性变化。3 a采暖期对比分析结果显示:冬季采暖效应显著增加了空气质量污染程度,在样本平均水平上相当于使AQI增加了约31.35%;PM_(2.5)和PM_(10)在断点两侧提升约52.08%、44.56%;O_3无明显规律,PM_(2.5)、PM_(10)的增加间接导致浓度下降。     

乌鲁木齐空气质量指数特征及其与气象要素相关性分析

利用2018年3月至2019年2月乌鲁木齐市空气质量指数(AQI)和同期6种主要空气污染物(PM_(2.5)、PM_(10)、NO_2、SO_2、CO、O_3)以及气象要素数据,研究空气质量指数的变化特征,并分析其与6种主要空气污染物浓度及气象要素的相关性,为乌鲁木齐市大气污染与气象要素相关性研究提供一定的数据支撑。结果表明:乌鲁木齐市首要污染物最多的是PM_(2.5),其次是PM_(10)、NO_2和O_3,AQI指数与PM_(2.5)、PM_(10)、NO_2、SO_2、CO均呈高度相关,与O_3呈中度相关;空气质量指数与平均气温以及能见度具有显著的负相关性(p0.01),而与平均本站气压、平均相对湿度、平均风速、日照时数的相关性均不显著(p0.01)。     

开远市空气污染与气象条件关系及污染等级预报方法

为探究空气污染与气象条件的关系，以及基于气象条件的空气污染等级报方法，以开远市为例，利用相关性分析、数值统计预报方法及《空气污染扩散气象条件等级》标准进行了分析。结果表明：(1)开远空气污染具有“冬春高夏秋低”的鲜明特点，影响污染物主要有SO₂、PM₁₀、O₃、PM_2.5,其中O₃为首要污染物；(2)影响开远市空气质量的气象条件主要有降水、相对湿度和风向。夏季降水的湿清除作用对改善当地空气质量有重要作用，尤其是在调节降低SO₂、PM₁₀、CO、PM_2.5浓度中作用显著。相对湿度与空气质量呈负相关，影响开远市空气污染扩散的风向主要为南向风；(3)根据《空气污染扩散气象条件等级》标准建立的基于气象条件的空气污染等级预报方程，比数值统计预报方法建立的AQI逐步回归预报方程具有更好的适用性，预测AQI等级对比实测AQI预报等级正确率达79.4%,对开远市空气污染防治具有一定的科学指导意义。     

万盛大气污染特征分析及污染预报模型的建立

利用2017年4月1日~2019年3月31日万盛经开区万东北路站点的空气质量日均值监测数据进行分析发现,万盛大气污染具有很强的季节变化特征,冬半年主要污染物为PM 2.5,夏半年主要污染物为O 3,冬半年污染重于夏半年,颗粒物污染重于O 3污染。万盛污染以轻度污染为主,仅有冬季会出现中度以上污染天气,其首要污染物均为PM 2.5。利用多元回归模型和差分自回归移动平均模型(ARIMA)建立了万盛PM 2.5、PM 10与O 3的预报模型。通过对模型得出的预报值与实况值的比较来看,预报与实况的变化趋势基本一致,均可以较好的指示未来AQI的变化趋势。多元回归预报模型中,O 3的预报效果要远好于PM 2.5和PM 10;而ARIMA预报模型三者预报效果接近。总体来说,ARIMA(p,d,q)预报模型对颗粒物污染的预报效果要远好于多元回归预报模型,而O 3则两种模型预报效果接近。     

运用4种数值模型分析辽宁省空气质量预报准确率

数值模型是当前空气质量预报的主要方法。基于CMAQ模型、WRF-Chem模型、CMAx模型和REG模型对2017年辽宁省空气质量指数(AQI)的范围和级别预报准确率进行了分析。结果表明:CMAQ模型对辽宁省AQI范围和级别的预报准确率均高于其他3个模型,REG模型准确率均最低,WRF-Chem模型和CMAx模型准确率基本持平;各模型对辽宁省东南部区域的预报准确率整体高于对中部和西部的预报准确率。     

长沙市空气质量变化特征及气象要素影响分析

利用2015—2018年长沙市连续在线观测得到的环境空气6项污染物质量浓度和同期的气象要素数据,分析空气质量变化特征及其与气象要素的关系。结果表明:长沙市空气质量正逐年好转,且具有明显的季节特征,呈春夏季较好、冬秋季较差的特征;影响长沙市空气质量最主要的首要污染物为PM_(2.5),其次为O_3,且以PM_(2.5)为首要污染物的天数逐年减少,以O_3为首要污染物的天数逐年增加。PM_(2.5)、PM_(10)、NO_2、SO_2、CO浓度的季节变化特征都是夏低冬高,但O_3浓度的季节变化却是夏高冬低。各项污染物浓度与同期5种气象要素的相关性分析结果表明:各项污染物浓度与气压、气温、降水量、风速相关程度较高,其中,O_3与气象要素的相关性与另外5种污染物的相关性完全相反。     

成都市空气质量状况研究

根据PM2.5数据网提供的成都市2013年9月到2014年10月的数据,对空气质量指数(AQI)和空气质量分指数(IAQI)进行定量化研究。结果表明,AQI的年均值为115,属于轻度污染,空气质量优良天数为187天,占全年的51%。四季空气质量状况由好到差是夏季秋季春季冬季。空气质量白天优于夜晚,O3最高值出现在15∶00时,其他污染物浓度最高出现在23∶00,16∶00—18∶00各种污染物的浓度较低,为运动的最佳时间。PM2.5和PM10的相关系数为0.975,其年平均值分别为82.33μg/m3和126.65μg/m3,在日均值样本中超标率分别达43%和30%,NO2超标率为9%,SO2和CO无超标。     

秦皇岛大气污染物的分布特征及其天气背景

根据官方公布的空气质量观测数据,对秦皇岛城市PM_(2.5)细颗粒物的分布以及主要污染物(CO、NO_2、SO_2、O3)进行了分析研究。研究结果显示:秦皇岛城区年均119 d处于轻度以上污染,冬季年均有16 d处于重度以上污染,NO_2是最主要污染物,PM_(2.5)浓度在春夏季早晚各有一个峰值、秋冬季午夜前后出现极值。"静稳天气"是空气污染的必要条件,重度空气污染与近地面深厚逆温层紧密相关,地面风速0~3 m/s的风场会发生空气污染。     

巴中市城区PM_(2.5)污染特征及时空变化规律分析

利用巴中市城区一个自然年(2016年3月1日~2017年2月28日)的空气质量数据,分析了巴中市城区PM_(2.5)的污染特征和时空变化规律。结果表明,PM_(2.5)日均浓度对数值接近正态分布特征,PM_(2.5)与其他主要大气污染物都具有显著的相关关系。CO、NO_2是主要的相关因素,与PM_(2.5)的相关系数都高达0.7以上。PM_(2.5)浓度表现为冬季秋季春季夏季,这与首要污染物是PM_(2.5)的天数占比以及PM_(2.5)与PM_(10)相关系数的季节变化一致,反映了PM_(2.5)呈现出以冬季污染最重,春、秋季污染中等,夏季污染最小的季节特征。PM_(2.5)与PM10的浓度比值表现为冬季秋季夏季春季。各个站点的PM_(2.5)变化趋势一致,相互之间浓度差异小且比较均衡,巴中中学站点的PM_(2.5)浓度无论在任何季节都高于其他站点,苏山坪站点在冬季的PM_(2.5)浓度明显低于其他站点,表明PM_(2.5)污染具有明显的区域性特征,与人类活动强度相关的局地污染对PM_(2.5)污染具有一定影响。     

典型城市空气污染特征对比分析

本文以聊城和宁波为典型城市案例,利用两市国家环境空气质量自动监测站监测数据以及环境质量公告数据,分析南北城市大气污染特征与影响因素差异,在此基础上,提出我国南北城市大气污染防治策略。结果表明:(1) 2016年宁波市仅ρ(PM_(2.5))超出二级标准11%,ρ(SO_2)和ρ(NO_2)均已达标;2016年聊城市ρ(SO_2)低于二级标准,ρ(NO_2)仍超出二级标准2.5%,ρ(PM_(2.5))超出二级标准限值1.46倍。(2)聊城市空气污染呈现出煤烟型污染与机动车尾气污染共存的复合型大气污染特征,而宁波市空气质量呈现出明显的二次污染特征。(3)较低的经济发展水平是造成聊城市较高的污染物浓度以及较多的重污染天数的主观原因;而产业结构的差异是两市首要污染物不同的主观原因,地理位置与扩散条件差异是两市空气质量差异的客观原因。(4)建议今后在城市空气质量防治过程中,构建有针对性的城市大气污染防治策略,形成精细化管理的理念,积极开展"一市一策"研究。     

南京典型站点春节期间大气污染特征

2017年1月27日～2月2日,在南京市江东北路176号站点对各类污染物进行在线观测,研究春节期间污染特征。结果表明:采样期间,ρ(PM_(2.5))、ρ(PM_(10))最大值分别为142μg/m~3、172μg/m~3。ρ(PM_(2.5))/ρ(PM_(10))平均值为74.5%; OC与EC的平均浓度分别为11.0μg/m~3和1.91μg/m~3,两者的相关系数为0.92,表明两者的污染来源相对稳定、集中。OC/EC比值在3.4～14.0之内,均值为6.8,表明本站点二次有机物污染主要来自于燃煤排放与机动车尾气排放。春节期间,该站点的VOCs关键活性物种主要为丙烯、乙烯、间/对二甲苯、甲苯、正丁烷、异戊烷、异丁烷、反-2-丁烯、丙烷和1-丁烯;春节期间出现明显"假日效应",污染排放强度显著降低,空气质量良。     

天津市河东区空气质量状况分析及其污染防治对策

以相关空气质量数据为基础,对天津市河东区2016年空气质量状况进行了研究,分析大气环境中PM_(10)、PM_(2.5)、SO_2、NO_2、O_3等污染因子的污染时间和污染来源,分析结果表明,河东区空气质量受季节性影响较为严重,工业扬尘和机动车尾气等构成了大气污染物的主要来源。据此,从政府、企业以及民众等角度提出污染防治对策。     

高密市环境空气污染物浓度变化特征

基于2014—2018年高密市大气监测数据,分析了SO_2、NO_2、PM_(10)、PM_(2.5)浓度的变化特征及成因,对四项污染物及降雨量进行了相关性分析,利用GM(1,1)模型对高密市未来空气质量进行了预测。结果表明,2014—2018年高密市环境空气中SO_2、NO_2、PM_(10)、PM_(2.5)年际变化呈现出逐年下降趋势;污染物月均值变化均为冬春季浓度高,夏秋季浓度低;通过相关性分析发现,环保政策对高密市空气质量总体改善起到了决定性作用,自然地理因素对高密市大气污染物月均值的变化影响明显。     

秦皇岛空气污染特征及其与气象因素的关系

利用国控站点空气监测数据和气象数据,对2016年秦皇岛市空气污染特征及其与气象因素的关系进行了分析。结果表明:2016年秦皇岛市NO_2、PM_(10)和PM_(2.5)浓度未达到国家二级标准限值,污染物浓度季节变化规律明显,SO_2峰值出现在1月,O_3峰值出现在5月,PM_(10)、PM_(2.5)、NO_2和CO浓度峰值均出现在12月。污染物在西南偏西风时污染程度较高。PM_(10)、PM_(2.5)、SO_2、CO浓度受风速影响较小,NO_2、O_3浓度受风速影响较大。颗粒物浓度受湿度影响较大,随湿度增加而增大。     

2014~2016年成都地区空气污染气象要素分型研究

为研究成都地区发生不同程度空气污染时,地面气象要素的搭配类型特征,基于成都地区2014~2016年多个逐日气象要素值(气温、气压、湿度等)和逐日AQI资料,对2014~2016年成都地区空气质量状况进行特征分析,并且通过TSI天气分型方法,并结合同期逐日空气质量资料探讨了四季不同天气类型下空气质量特征,主要结果为:(1)2014~2016年成都市总体空气质量夏秋季空气质量最佳,春季次之,冬季最差。(2)不同天气类型空气质量状况差异较大。春季3型和4型容易发生轻度污染;夏季1型和4型容易发生轻度污染;秋季3型容易出现轻度污染;冬季4型和5型天气下容易发生轻度污染以上的空气污染状况。研究为成都地区空气污染气象研究提供参考依据,也为空气污染预报提供一些借鉴意义。