城市空气质量预报的意义及其进展

从空气质量周报、日报发展到现在的空气质量预报，标志着环境保护工作达到了一个新高点，充分体现了环境保护“以人为本”的工作宗旨。本文阐述了城市空气污染预报的意义及国内外城市空气污染预报的研究情况，并简单地介绍了目前哈尔滨开展城市空气质量预报工作的情况。     

基于聚类与多元回归的空气质量预报模型开发

为了方便准确地预测空气污染物浓度,基于气象因子聚类与多元回归的方法,以广东省顺德区为例开发了空气质量统计预报模型。预报模型能够较好地模拟出顺德区NO2、SO2、CO、PM10、PM2.5日均浓度和O3日最大8 h浓度水平和变化趋势,模型的模拟结果与实测值具有较高的相关性(相关系数R约为0.76),标准化平均偏差为1.2%~13.4%,标准化平均误差为14.2%~30.3%,模型普遍略为高估各项污染物浓度水平。预报模型具有简单易行、节约人力物力、准确可靠等优点,适用于地级市及区县空气污染物的预报。     

环保气象合作在空气质量预报中的应用探讨

随着我国经济的发展,我国能源的大量消耗造成了环境的严重污染。空气质量预报工作对于城市环境的保护具有非常重要的作用。而环保气象合作在空气质量预报中的应用能够提高空气质量预报的能力。本文笔者通过空气质量预报以及环保气象合作对于空气质量预报的作用来探讨环保气象合作在空气质量预报中的应用。     

辽宁省空气质量预报体系建设初探

空气质量预报是对未来空气质量变化趋势预测及重污染天气应对的重要手段。在对常用预报模型综述基础上,结合辽宁省空气质量预报现状,从模型选择、队伍建设、污染源排放调查及会商机制建设等方面对辽宁省空气质量预报体系建设进行探析,为辽宁省空气质量预报工作的开展提供参考。     

基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用

建立空气质量预报模型,预测污染物浓度对人类健康和社会经济发展具有重要意义。然而,传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想。对此,本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正模型,并使用哈里斯鹰算法(HHO)对模型的超参数进行优化;用CMAQ模型对上海市2022年12月六种大气污染物(SO₂、NO₂、PM₁₀、PM_2.5、O₃、CO)浓度的预报数据以及监测站的气象数据和污染物浓度实测数据作为HHO-CNN-LSTM模型的输入,对CMAQ模型预报结果进行修正。使用均方根误差(RMSE)、平均绝对误差(MAE)和一致性指数(IOA)作为评价指标。结果显示,修正模型显著提高了六项污染物浓度的预测精度,RMSE减少了73.11%～91.31%,MAE减少了67.19%～89.25%,IOA提升了35.34%～108.29%。同时针对HHO算法陷入局部最优而导致修正模型对CO浓度预测效果不佳的问题,使用高斯随机游走策略对HHO算...     

城市空气质量数值预报方法研究

城市空气质量数值预报,在时空分辨率和预报客观性方面具有明显优势,是未来城市空气质量预报的主要发展方向。以济南市为例,探索建立了一套较为成熟的城市空气质量数值预报方法。该方法采用高分辨率对流层化学模式系统为预报模式基础,同时根据济南市特点对模式系统进行修正,取得了较好的预报效果。此外,该模式系统由于能够较为准确地模拟城市范围内污染物的时空分布,在城市空气污染防治规划方面具有较为广泛的应用前景。     

城市空气质量数值预报模式系统及其应用

介绍了一种城市空气质量数值预报模式系统 ,该系统由气象模式 (中尺度气象模式MM5及城市大气边界层模式CBLM)和大气污染物输送扩散化学模式组成 .将模式系统应用于南京市 ,试预报结果同监测结果一致 ,表明模式具有较好的模拟性能 .模式系统试运行后的检验改进工作 ,气象资料、污染源及环境参数等质量的提高 ,预报结果检验方法的确定等都是模式系统业务化时应予以充分考虑的 .     

城市空气质量的BP和RBF人工神经网络建模及分类评价

根据MATLAB提供的人工神经网络模型,将其应用到城市空气质量评价,研究并对比分析BP和RBF两种人工神经网络的建模方法及评价结果。首先构建BP神经网络模型,确定输入层、隐含层和输出层的神经元数,选择Sigmoid型函数作为激励函数,应用内插扩展出的训练样本对BP网络进行学习,再用训练成熟的BP网络对待评价样本进行仿真;其次构建RBF神经网络模型,确定其输入层和输出层的神经元数,选择Gauss函数作为隐含层激励函数,再用同样的训练样本进行学习和仿真;最终进行归一化论证,验证归一化预处理在空气质量评价中的必要性。结果表明:应用BP和RBF人工神经网络可以得出较好的城市空气质量分类评价结果,其中RBF神经网络模型与改进的灰色聚类法评价结果一致,具有较高的准确率,是一种快捷、有效的综合评价方法。     

基于半级别的城市空气质量预报评估方法探讨

环境空气质量预报评估是提升预报能力的重要助力,为更好支撑空气质量精细化管理,将我国空气质量细化为12个半级别,参照英国预报评估方法,对2020年“2+26”城市AQI、 PM_2.5浓度和O₃-8h浓度预报开展探索性半级别预报效果评估,通过与AQI范围预报和AQI级别范围预报评估对比发现,半级别预报评估方法可将两者兼容合一,在城市业务预报评估中具有一定可行性和应用价值.具体的半级别预报评估结果表明,“2+26”城市AQI和O₃-8h浓度在低段级别和高段级别的预报效果明显差于中段级别,不同级别PM_2.5浓度预报效果相对稳定;AQI、 PM_2.5和O₃-8h浓度预报准确率月变化曲线分别呈双峰型、先升后降型和平缓型,PM_2.5浓度各月偏高预报显著;不同城市AQI和O₃-8h浓度预报准确率差距相对较小,PM_2.5浓度预报准确率波动较大;北京和天津AQI预报准确率高于周边省份,北京和河南PM_2...     

不同城市人为及气象因素对空气质量的影响

空气质量的变化受人为排放与气象因素的双重影响,但这2个因素的相对贡献并不明确。该研究采用随机森林方法,分析了2020年中国武汉市、南京市和石家庄市人为因素和气象因素对6种大气污染物浓度的影响。与没有封控的情境相比,封控时期人为活动减少导致污染物排放的降低,使1-2月大气中PM_2.5、PM₁₀、NO₂、CO和SO₂的浓度降低27%以上,在4月解除了各个城市封控行动后,各污染物浓度逐渐回升。相反,在封控时期3市O₃浓度上升23%～29%。同时,基于2020年实际气象数据和2015-2019年的平均气象数据运用随机森林模型预测结果的对比分析表明,仅冬季石家庄和南京的气象条件不利于污染物的扩散,对除O₃外各污染物产生一定影响,总体而言气象因素对于3市全年污染物浓度的影响并不大。     

基于BP模型的大气污染预报方法的研究

BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单而又非常有效的算法.笔者将BP网络模型引入到大气污染预报领域,并根据大气污染物含量与气象要素的关系建立了大气污染物含量的神经网络预报模型.计算结果表明,BP模型应用于大气污染预报具有较高的预测精度和良好的泛化能力,它为信息社会的城市空气污染预报工作提供了一种全新的思路和方法.      

当前城市空气污染预报方法存在的问题及新思路

论述了当前国内外城市空气污染预报的主要方法以及存在的问题,探讨了一个基于贝叶斯网络的城市空气污染预报的新思路,并对其技术路线和关键问题等进行了初步探讨。新方法可以在一定程度上克服了现有方法理论上的缺陷和应用上的困难,而且具有更大的灵活性、现实性和可操作性,对于我国中小城市开展空气污染预报具有较好的应用前景。     

气象条件对河北廊坊城市空气质量的影响

气象条件是影响大气污染的重要因子.利用2013年3月—2014年2月廊坊颗粒物质量浓度监测资料、自动气象站观测资料和欧洲中期天气预报中心再分析资料,采用多种统计方法分析气象与污染的关系,量化天气形势和局地气象条件对城市颗粒物质量浓度变化的贡献.结果表明:天气形势是决定局地气象要素和城市空气质量的重要因子.当廊坊位于高压中心或高压后部时,大气层结稳定,易造成重污染;当廊坊位于高压前部(气压梯度较大)时,大气层结不稳定,易于污染物输送和扩散.利用客观天气分型结合污染物质量浓度统计分析方法,可以量化天气形势对城市空气质量的影响.在局地气象要素中,能见度与ρ(PM_2.5)、ρ(PM₁₀)相关性最高(相关系数分别为-0.75和-0.53,下同),其次依次为风速(-0.45和-0.31)、相对湿度(0.41和0.25)和温度(-0.15和-0.06).通过污染物浓度与局地风场关系分析发现,廊坊颗粒物质量浓度受天津市、河北省南部区域输送的影响明显,受北京区域输送的影响相对较弱.研究显示,气象条件可以解释廊坊ρ(PM_2.5)和ρ(PM₁₀)日均值变化的56%和49%,其在冬季对颗粒物质量浓度影响最为显著,春秋季次之,夏季影响最小.      

基于逐步回归分析方法的PM_(10)浓度预报模型

根据沈阳市2003～2005年的PM10浓度资料以及同期的气象要素资料,采用逐步回归方法建立了分季节的空气污染物PM10与气象因子的关系模型,并且利用2006年PM10资料和气象资料对模型进行了验证。结果表明:PM10预报浓度准确率和等级准确率最好的是夏秋两季,最差的是春季。春季当PM10日均浓度出现很高值时,预报结果与实测值有较大的误差,但趋势是一致的。秋季趋势的一致性不好,但波动比较小。冬季和夏季预报值与实测值的变化趋势基本上一致。     

空气污染预报应用模型系统建立初探

在空气污染影响因素及其与环境空气质量定性关系分析基础上,通过对环境空气质量变化特征及统计、数值两种预报模型方法的对比分析,结合实际应用的目的要求及现有基础条件,提出了立足于业务化应用的空气污染预报模型系统的总体构想,并进行了实例分析。     

贵阳市环境空气质量预报预警系统建立的探讨

分析了贵阳市空气质量预报中污染物、地形及下垫面、植被等关键影响因素。提出了贵阳市环境空气质量预报预警系统的整体架构,分别对排放源监测与管理系统、环境空气质量预报系统和污染预警与控制决策支持系统等三个核心部分进行阐述,进一步提出了贵阳市大气污染防控措施及防控机制。     

基于BP神经网络的空气污染指数预测模型研究

BP神经网络已成为研究空气污染预测的有效工具之一。文章利用近十年北京市地面气象观测资料和空气污染指数数据,通过BP神经网络技术构建了不同季节的空气污染指数预测模型,对北京市空气污染指数进行了预测。通过相关系数分析法,对比分析了预测结果与实际监测结果,研究结果表明:春、夏、秋、冬季的预测值与监测值线性相关系数分别为0.81、0.84、0.89、0.85。北京春季常伴随有沙尘天气,而文章并没有考虑沙尘天气对预测模型的影响,因此春季BP神经网络预测精度在四季中最低,其预测值与监测值的线性相关系数为0.81。由于秋季不同空气质量级别的数据都有较多分布,因此该季节构建的网络更具有代表性,其预测精度在四季中最高,预测值与监测值的线性相关系数高达0.89。总之,BP神经网络模型对于北京空气污染指数预测是行之有效的。     

包头市空气污染与气象因素相关性研究

本文以包头市市区2007年和2008年的空气环境质量逐时监测数据和相应的地面逐时气象数据为基础,结合MM5中尺度气象模型拟合的高空气象数据,采用Pearson相关分析法,对空气环境中主要污染物二氧化硫、可吸入颗粒物的浓度与风速、近地面气温、降水、气压、相对湿度等气象因素的相关性进行了分析,探讨了逆温、静风等主要气象条件对空气环境中污染物浓度变化的影响,为改善城市空气环境质量提供技术支撑。     

空气质量预报方法综述

介绍了常见的空气质量预报方法，如回归方法、时间序列模式、决策树法、最近邻居法、模式预报法及数值预报法，通过比较分析，认为回归方法是目前比较理想的空气质量预报方法。     

济南市空气质量数值预报研究

在大规模大气环境参数综合野外测试资料的基础上,为在济南市开展大气污染业务预报新近开发了空气质量数值预报模式系统.该系统由污染源模型(SM)、下垫面参数化模型(XDM)、诊断模式(DM)、中尺度-α气象模式(M-αM)、中尺度-β气象模式(M-βM)、行星边界层(PBL)湍流统计量参数化模式(PBLTM)、干湿沉积模式(DWDM)和高分辨化学模式(HRCM)组成.该系统已成功地应用于济南市空气质量数值预报工作,其预报与实测质量浓度之间有很好的一致性,日平均预报准确率可达80%以上.