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。     

2003年青海大雨天气成因及预报分析

文章利用2003年5至10月逐日资料分析,对青海大雨天气过程的空间分布、高空环流形势进行了统计分析;着重探讨了低频重力波指数、假相当位温在大雨预报中的作用,初步得到了低频重力波指数、假相当位温配合高空环流形势制作青海高原地区大雨、暴雨的预报方法。     

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。     

桂林市霾天气的潜势预报模型研究

利用2012年1月～2015年12月桂林国家基本气象站观测到的地面、高空气象观测资料及大气成分观测资料,从污染物浓度、水汽、风速、大气层结、降水等几个方面初选了29个预报因子,根据这些因子与霾天气相关程度,选取相关显著的因子,分别用事件概率回归、逻辑回归、指数叠加等3种方法建立桂林霾天气的潜势预报模型。结果表明:3种潜势预报模型中Logistic无论是在回报还是预报检验中效果都最好,其中在预报检验中空报率、漏报率、TS评分、准确率分别为32. 0%、34. 5%、50. 2%、80. 3%,事件概率回归、指数叠加建立模型效果稍差,但事件概率模型漏报率只有21. 4%。整体而言,3种模型预报效果稳定,TS预报评分都在50%左右,准确率均超过74%,在实际预报中有较好地参考价值。     

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。     

青藏铁路沿线青海境内水害特征及成因分析

文章利用青藏铁路沿线青海境内14个常规气象站2000~2014年降水资料和28个加密气象站降水资料以及水害资料,分析了铁路沿线水害的时间分布特征和空间分布特征,并对铁路沿线水害致灾因子进行分类,同时对降水致灾因子、降水类型、水害孕灾环境和人为活动等造成水害的成因进行探讨,为开展青藏铁路沿线青海境内降水引发的水害气象风险评估打下基础,为开展铁路沿线水害预报服务及灾害防御有一定的参考作用。     

基于大数据分析与认知技术的空气质量预报预警平台

为深入认识区域大气污染现象规律,完善并提高城市空气质量预报预警能力,提高大气污染治理决策支持能力,开展城市污染成因分析与空气质量预报预警研究是十分必要的。本文针对环境大数据时代下的城市空气质量预报,提出了一种基于大数据分析与认知技术的专业先进的大气环境业务应用系统体系。该体系基于底层统一的数据资源中心,融合各类不同类型的空气质量监测、不同预报系统的产品数据以及基础辅助数据,建立数据汇交、共享、质控管理机制,通过上层预报预警、综合分析、案例分析、应急决策支持四大子系统,从多模式集合预报结合专家调优支撑高性能预报会商应用,从大数据融合时空关联分析深度挖掘大气复合污染特征与污染成因,从多维度历史污染过程和天气形势全自动化认知分析支撑重污染过程研判,从业务化仿真情景方案与污染溯源助力专业应急决策。最后,通过在北京市环境保护监测中心的系统实现证明体系的高性能、稳定性和实用性。     

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。     

迭加模型在地下水水情预报中的运用

地下水水情预报方法较多,西宁监测区1993～2000年尝试运用迭加模型进行中长期预报,通过对预报值多种检验,准确率可达85％。基本反映出地下水动态趋势性,值得借鉴与推广。     

青海南部地区大风天气分析和预报

大风天气是青海南部地区频繁发生的重大灾害性天气之一。本文通过普查该区1971—2000年风速大于等于17m／s的大风天气过程,得出大风分布特征,并用天气学方法对24h内本地有区域性大风（相邻三站以上）的42个天气过程进行了环流分型和诊断分析,总结归纳出了产生本地区域性大风的天气学指标,给出了大风预报的一般思路和预报着眼点。