几种空气质量预报方法对冬季预报效果的评估与对比

基于2016年冬季泰州市环境空气质量自动监测数据,定量评估NAQPMS模式、CMAQ模式和人工订正对污染物质量浓度和空气质量等级的预报效果。结果表明,模式预报和人工订正对各污染物预报的相关系数由高到低排列为PM_(2.5)、PM_(10)、NO_2、SO_2、O_3-8h,颗粒物预报效果最好。除O_3-8h外,NAQPMS对各项污染物预报的相关系数R为0.47～0.82,CMAQ为0.75～0.81,人工订正为0.43～0.78,3种预报方式均能准确反映污染物浓度的变化趋势;模式预报、人工订正对O_3-8h预报相关系数均0.4。在发生颗粒物污染过程时,人工订正结果相对更为准确。NAQPMS、CMAQ和人工订正对空气质量等级24 h预报准确率分别为38.9%、41.1%和35.6%,NAQPMS对优类别的预判准确率较高,CMAQ、人工订正对良类别的预判准确率较高。对比不同时效的预报效果,24 h预报时效的准确率高于48和72 h。提出,城市空气质量预报可采用集合预报方式,综合1～2种运行较稳定的主流预报模式预报结果,预报员对模式模拟结果进行人工修订,提高预报准确率。     

江苏省级区域空气质量数值预报模式效果评估

采用中国科学院大气物理研究所开发的嵌套网格空气质量模式系统(NAQPMS),搭建江苏省级区域空气质量数值预报模式系统,并测试了该系统对2013年夏季江苏省PM2.5质量浓度未来24 h预报以及7 d潜势预测的效果。结果表明,该系统成功应用于江苏省的空气质量预报;所有地市的24 h预报效果均在合理范围内(平均分数偏差小于±60%且平均分数误差小于75%);7 d潜势预测效果比24 h预报效果略差,整体能准确把握PM2.5质量浓度的变化趋势。     

珠三角区域空气质量预报方法及预报效果评估

介绍了珠三角区域空气质量预报的"六步法"流程,并对2015年空气质量等级和首要污染物预报准确率进行评估研究。结果表明,2015年珠三角区域空气质量以优良为主,24 h等级预报准确率1月最高2月最低,平均准确率为87.6%;出现的首要污染物种类包括PM2.5,PM10,O3-8 h和NO2,预报准确率9月最高3月最低,平均准确率为72.7%。     

长三角空气质量区域预报准确性评估方法研究

根据长三角空气质量区域预报工作的实际需要,对分区文字预报和落区图预报两种方式分别制定了不同的空气质量指数级别预报准确性评估方法。分区文字预报根据设定的预报准确性判定方法计算预报评分,落区图预报按区域内预报准确城市占比进行准确率统计。分区文字预报结果显示,2017年长三角区域的预报准确天数占比为62. 2%,预报评分为70. 2,区域预报评估效果良好。落区图预报评估结果显示,预报级别偏差具有地域性差异,安徽北部、江苏北部和江西中北部预报等级偏高,长三角中南部沿海城市预报等级偏低。该套评估方法可为区域空气质量预报偏差成因分析提供依据,为区域预报工作的改进提供定量参考。     

南京市空气质量预报效果评估及误差分析

基于2020年南京市空气质量实况数据及预报数据,评估了当年南京市空气质量预报效果,分析了预报偏差特征及其成因。结果表明,4个季节中,秋季的空气质量指数(AQI)预报准确率评分和综合评分最高,夏季的首要污染物准确率评分最高;4个季节均出现正预报偏差,其中夏、冬季偏差大于春、秋季;首要污染物误报率与季节相关,二氧化氮(NO_(2))和可吸入颗粒物(PM_(10))的误报率较高的原因是NO_(2)和PM_(10)作为首要污染物主要出现在春、秋季,而这2个季节4种主要污染物的空气质量分指数(IAQI)值非常接近,增加了预报员经验修正的难度。典型预报偏差个例分析结果表明,模式预报对于污染物质量浓度量级的预报偏差以及预报员对气象条件和前体物质量浓度变化关注不足,是导致最终预报出现低估的主要原因。     

天津市基于新标准的空气质量预报模型效果评估

利用2015年环境空气质量监测数据,对天津市OPAQ空气质量统计预报模型预测效果进行验证评估。结果表明,模型对天津市AQI和PM_(2.5)、PM_(10)、O_3、NO——2的预测结果与实测结果具有较好的趋势一致性,且预测时间越临近,拟合度越好,24 h预报的相关系数r全部达到0.8以上。对PM_(2.5)的预报性能明显优于PM_(10)、O_3和NO_2,PM_(2.5)平均值预测略呈正偏差,但重污染预测值偏低约15%;O_3和NO_2预测值呈明显负偏差,O_3峰值预测不足,NO_2预测值整体偏低,均以24 h预报趋势性最好,但负偏差最为突出。     

广东省空气质量等级预报准确性评估

对广东省空气质量等级预报准确性评估进行了探讨,结果表明,在不区分污染等级的情况下,2016年夏季广东各市的预报准确性差异较大,中山预报准确性达92%,是全省唯一一个准确性超过90%的城市,云浮最低,为53%。在区分污染等级时,实测为轻度及以上污染级别的情况下,各市的准确性普遍较低,仅佛山、东莞与广州的准确性达50%以上,而有11个城市的准确性为0。综合考虑不同污染级别的准确性得分后,佛山市排名第1,较不区分污染等级时的排名提前9名。指出,采用区分污染等级的预报效果评估办法更加适合广东空气污染较轻的区域。在首要污染物为臭氧的情况下,广东省平均的等级预报准确性低于首要污染物为其他物种的情况。     

广州市污染季节空气质量预报效果评估及误差分析

基于广州市2016年第四季度空气质量实测及预报数据,对广州市污染季节空气质量预报效果进行了评估,结果表明,2016年第四季度广州市空气质量级别预报准确率83.7%、AQI范围预报准确率67.4%、首要污染物预报准确率67.2%、综合考核评分87.4分、相关系数0.78,预报效果总体良好,预报准确率在优良级别时相对较高,而在轻度污染以上级别时相对较低。预报误差分析表明,气象预报精细化程度不足、模式预报不确定性等客观因素,预报员缺乏对污染过程物理化学机制的深入理解等主观因素共同导致了预报的误差。     

空气质量多模式预报系统在中山市的应用

介绍了中山市空气质量多模式预报系统。对2015年3月—2016年2月的预报效果评估表明:系统可以较好地反映污染物的变化趋势但仍存在系统性偏差。通过对排放源清单的调整优化及对模式干沉降模块的改进使模式系统的偏差显著减小。总结并建立中山市污染天气案例库,发现在典型污染天气形势下,除O3-8 h外,其他污染物均值均能达到空气质量二级标准。未来将从2个方面提高中山市空气质量预报预警系统的实用性,包括逐步实现污染源排放清单的动态及时更新和提高极端气象条件下O3污染预报能力。     

空气质量预报的改进

阐述了发布空气质量预报的意义。以江苏省为例,指出目前在空气质量预报工作中存在发布途径狭窄、准确率不够高、缺少区域性和趋势性等问题,建议拓宽预报发布渠道,加强指标解释,提高预报的准确性,尽快开展空气污染趋势预报和区域预报研究。     

基于OPAQ的城市空气质量预报系统研究

空气质量预测在国内的关注度日益提高,传统的空气质量预测系统通常运用数值化学传输模型,利用物理方程来计算污染物的扩散、沉降和化学反应。而化学传输模型的预测准确性很大程度上需要依赖详细的污染源排放信息和气象模型的输出结果。基于统计模型的OPAQ空气质量预报业务系统,采用人工神经网络算法,可预测各污染物的日均值或日最大值。并对北京空气质量预报的结果进行了评价,OPAQ空气质量预报业务系统对空气质量预测的准确性较高,能够利用较低的计算资源得到较为准确的预测结果。与数值预报相比,OPAQ空气质量预报业务系统不需要大量的基础数据作为输入,可弥补数值预报的不足,并成为数值预报的有力补充。     

城市环境空气质量指数范围预报方法初探

城市环境空气质量指数预报是环境信息公众服务的重要内容,以城市24 h空气质量指数预报为例,探讨了其范围预报方法,并通过均方差的数理统计方法,分析典型城市每日空气质量指数实况数据的波动范围以及预报与实况偏差,针对不同空气质量级别提出建议性的空气质量指数预报变化幅度修正范围,并对预报过程中的质量控制技术进行了初步讨论。     

我国重大活动环境空气质量监测预报评估技术体系的发展与思考

通过总结南京青年奥林匹克运动会、二十国集团领导人峰会、金砖国家领导人第九次会晤、中国国际进口博览会、第七届世界军人运动会等重大活动环境空气质量保障工作经验,简述近年来中国重大活动环境空气质量监测预报评估技术的进展以及所发挥的作用。结合城市环境精细化管控和未来我国"十四五"环境空气质量持续改进的需求,提出在监测网络、监测技术、排放清单、预测预报产品和保障机制等方面有待提升的建议。     

相似案例比对法在空气质量精细化预报中的应用

2018年首届中国国际进口博览会期间,为开展精细化的空气质量保障预报,以2015年11月13-16日为相似案例,与2018年11月8-11日上海地区的天气要素和PM2.5浓度变化进行相似性分析。结果显示,2个案例中地表压强、地表温度、相对湿度、混合层高度和风向5项主要天气要素的相关系数为0. 66~0. 93,相似离度为0. 09~0. 26,PM2.5浓度的相关系数达0. 8左右,相似离度为0. 2。针对2015年案例的污染过程分析,不仅为2018年案例中的污染时段预报提供了参考,也为空气质量保障工作的管控决策提供了支持。     

基于数值模式的环境空气质量预报影响因素和改进方法

数值预报是各地开展环境空气质量业务预报的主流预报方法之一。模式预报产品、基础输入资料、外部技术支持、主客观预报偏差和预报命中概率等诸多因素均会不同程度地影响数值模式预报效果,研究探讨了上述因素对数值模式预报效果的影响及其针对性的改进方法,以期降低预报偏差,改善业务预报整体效果,为各地提高业务预报质量提供方法思路和技术参考。     

Forecasting Air Quality Parameters Using Hybrid Neural Network Modelling

Urban air pollution has emerged as an acute problem in recent years because of its detrimental effects on health and living conditions. The research presented here aims at attaining a better understanding of phenomena associated with atmospheric pollution, and in particular with aerosol particles. The specific goal was to develop a form of air quality modelling which can forecast urban air quality for the next day using airborne pollutant, meteorological and timing variables.Hourly airborne pollutant and meteorological averages collected during the years 1995–1997 were analysed in order to identify air quality episodes having typical and the most probable combinations of air pollutant and meteorological variables. This modelling was done using the Self-Organising Map (SOM) algorithm, Sammon's mapping and fuzzy distance metrics. The clusters of data that were found were characterised by statistics. Several overlapping Multi-Layer Perceptron (MLP) models were then applied to the clustered data, each of which represented one pollution episode. The actual levels for individual pollutants could then be calculated using a combination of the MLP models which were appropriate in that situation.The analysis phase of the modelling gave clear and intuitive results regarding air quality in the area where the data had been collected. The resulting forecast showed that the modelling of gaseous pollutants is more reliable than that of the particles.     

达州市城区环境空气质量变化趋势及CMAQ模型预报分析

利用Spearman秩相关系数法、污染日历图、浓度分析法和CMAQ预测模型研究了达州市城区2015-2019年空气质量状况.结果表明:2015-2019年,达州市城区O3浓度变化趋势为显著上升(P＜0.05),季度变化明显,8月易发生因O3超标导致的轻度污染状况;CO年均值变化趋势为显著降低(P＜0.05);NO2年均...     

重庆市北碚区空气质量改善效果评估分析

基于2014—2020年重庆市中心城区北碚区环境监测数据及地面观测气象要素,分析了北碚区大气污染特征,利用KNN算法建立大气污染的评估模型,对空气质量改善效果进行评估。结果表明,重庆市中心城区北碚区的PM_2.5浓度逐年呈明显下降趋势,O₃浓度除夏季有一个弱的下降趋势外,其余3个季节和年平均值整体均呈上升趋势。全年以优良天气为主且呈增加趋势。O₃与气温、日照时间呈正相关,与相对湿度呈负相关性,PM_2.5与气温、降水及风速呈负相关。基于KNN算法对空气质量改善状况评估表明,减排对O₃污染平均贡献率在-4.7%左右,对PM_2.5污染平均贡献率为-52%,气象条件对O₃污染的平均贡献率在17%左右,对PM_2.5污染的平均贡献率在-7%左右。该大气污染评估模型能够有效地评估空气改善效果。     

沈阳市冬季环境空气质量统计预报模型建立及应用

利用沈阳市2013年1—2月大气自动监测数据和同期气象资料,选取19项预报因子,采用逐步回归方法建立了沈阳市冬季环境空气质量统计预报模型,预报项目包括细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、一氧化碳(CO)日均浓度及臭氧(O3)日最大8 h平均浓度。2013年11月至2014年1月,应用该模型并结合人为经验修订,开展了沈阳市环境空气质量预报工作,预报结果与实测结果的对比验证结果表明,环境空气预测结果级别准确率达到79.1%,首要污染物准确率为73.6%。