基于源反演和气溶胶同化方法天津空气质量模式预报能力改进

为提升天津空气质量数值模式精细化预报能力,基于高分辨率排放源清单,技术应用源反演技术和气溶胶三维变分同化方法开展2020年天津空气质量数值预测分析,评估不同技术对空气质量模式预报能力改进,并结合气象因素评估模式系统性误差,以期提升天津空气质量精细化预报能力,服务分区精细化大气污染防治.结果表明,基于高分辨率排放源清单、源反演技术和气溶胶三维变分同化方法,可有效改进天津空气质量模式预报能力,调整后天津PM_2.5、 PM₁₀、 SO₂、 NO₂和O₃浓度预报平均偏差均在2μg·m^-3以内,其中高分辨率排放源清单应用后PM_2.5平均偏差为1.80μg·m^-3,源反演技术和气溶胶三维变分同化技术应用后平均偏差分别为-1.45μg·m^-3和-3.98μg·m^-3,均显著小于原模式的18.75μg·m^-3; PM_2.5浓度预报和实况的相关...     

云下湿清除作用对长三角PM2.5模拟的影响

为探讨云下湿清除作用对长三角地区PM_2.5浓度模拟的影响，在华东区域大气环境数值预报系统中新增了气溶胶云下湿清除过程参数化方案，对比分析了2018年12月1日至2019年2月28日降水对长三角地区PM_2.5的清除作用及其对数值模拟效果的改进.结果表明，模式对该时段内的降水和PM_2.5浓度均有很好的模拟效果，模拟的数值、空间分布和变化趋势均与观测有良好的一致性；增加云下湿清除作用后长三角地区PM_2.5浓度模拟效果得到明显改善：平均偏差、平均误差和均方根误差分别减小4.85，1.72，2.35μg/m³，归一化偏差和归一化误差分别降低0.14和0.08，约90%城市的相关系数、均方根误差、平均误差、归一化误差得到改进；云下湿清除作用使模拟PM_2.5浓度随雨强增大而降低，解决了模式湿清除过程的不足.同时，增加云下湿清除作用会加剧部分城市PM_2.5模拟浓度偏低的现象，这需要通过其他过程的完善予以改进.     

京津冀煤改电对PM2.5浓度的影响

基于WRF-Chem模型,结合气象要素,从PM_2.5浓度的消减量及时空变化特征等方面模拟分析了煤改电政策实施前后京津冀地区采暖期（2018年11月~2019年3月）PM_2.5的排放变化.结果表明,WRF-Chem模型很好地模拟了京津冀地区PM_2.5浓度变化,北京、天津和石家庄模拟值与观测值的相关系数分别为0.66、0.66和0.52,表现出良好的相关性.煤改电政策的实施对京津冀重点地区PM_2.5减排效果明显,PM_2.5日均减少量分布在0.2~6.1μg/m³,减少比例分布在1.2%~7.8%.PM_2.5小时均值变化显示,2018年12月PM_2.5减少量分布在0.4~8.3μg/m³,减少比例分布在2.3%~7.7%.其中,北京大兴区减排量达8.3μg/m³,天津地区减排比例达7.7%.在特殊气象条件下,煤改电政策影响范围可扩散至山东、江苏、河南北部以及山西西部,PM_2.5小时均值减少量最大超过50μg/m³.     

北京市一次先PM2.5后沙尘污染过程特征及预报效果分析

该文利用韩国天气图、中国气象局气象要素、PM_2.5和PM₁₀质量浓度及NAQPMS模式模拟资料对2021年3月8-17日的一次先PM_2.5污染后沙尘传输作用的污染过程对空气质量影响、形成原因及数值模型预报效果进行了初步分析。结果表明：此次污染过程造成北京市空气质量持续10 d超标,污染过程主要经历2个不同的阶段,第一阶段为以PM_2.5为首污阶段(8-14日)：不利的大气扩散条件叠加区域传输影响,导致北京市持续68 h空气重污染,PM_2.5峰值浓度达到264μg/m³;第二阶段为沙尘影响阶段,前期受上游强沙尘影响而形成的PM₁₀峰值浓度超过7 000μg/m³的严重污染过程,后期在西南风作用下受沙尘回流影响。此次污染过程的成因PM_2.5污染时段为静稳、高湿度、偏南风的不利大气扩散条件影响,数值模式结果表明区域传输达到69%;沙尘污染时段随着蒙古气旋的发展引起冷空气南下造成华北地区、华中、华东等...     

气象资料同化对PM2.5预报影响的模拟分析

基于GSI（网格点统计插值）同化系统和WRF-Chem模式,利用高分辨率的气象自动站观测资料和天气雷达资料进行同化和模拟预报,针对2017年11月4~5日发生在我国京津冀地区的一次污染过程,对比研究了气象资料同化对PM_2.5模拟效果的影响.结果表明,WRF-Chem模式能较为准确地预报出北京-石家庄-邯郸的污染带分布和演变,低层风场辐合是污染带形成的主要气象因素;无同化的控制试验由于地层风场辐合较强,高估了污染带上的PM_2.5浓度,同化试验减小了低层的风场辐合,同时增高了地面温度并抬升了边界层高度,从而降低了污染带上PM_2.5的浓度;预报检验分析表明,同化试验的预报效果整体好于控制试验,0~36h的平均BIAS（标准偏差）和RMSE（均方根误差）分别降低了7.55和5.42μg/m³,MFB（平均相对偏差）和MFE（平均相对误差）分别降低了28.8%和9.4%,同化试验在预报的第10~30h时段上的改善效果最为显著.     

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.     

城市微环境PM2.5浓度空间分异特征分析

以长沙市主城区为例,在203个地面点通过加密观测并获取PM_2.5浓度小时观测值,辅以同步常规稀疏国控点PM_2.5浓度观测数据,在点、面尺度对比分析加密、稀疏两种观测模式下城市微环境PM_2.5浓度空间分布的特征差异.结果表明：地面加密观测模式下PM_2.5浓度高值区主要集中在道路、地表扬尘、住宅小区、医院和工业园等人群、车辆活动的微环境场景;低值区主要出现在公园景区等高植被覆盖度区域.同一空间点位,地面加密观测PM_2.5浓度值均高于常规稀疏国控点PM_2.5浓度观测值,平均高出29.71μg/m³.反距离权重空间插值制图揭示地面加密观测模式下的PM_2.5浓度呈现明显的西北部高（>75μg/m³）、中部和南部居中（65~75μg/m³）、东部低（<55μg/m³）的三级阶梯式异质特征,剖面分析各向波动较大.相比,稀疏国控观测模式空间分布图仅能反映主城区PM_2.5浓度整体较低（<55μg/m³）、除北-南向之外各向剖面PM_2.5浓度相对无明显变化的格局.与此同时,稀疏国控观测模式在地面加密观测点估算的PM_2.5浓度同样显著低于实际观测值,所揭示的研究区高值PM_2.5浓度微环境为道路、地表扬尘、汽车站.研究结果证实,出于环境保护目标建立的空气质量国控监测点难以精确反映同点位近地面PM_2.5浓度,所识别的城市高低PM_2.5浓度值微环境与真实情景存在偏差,空气质量越优等级下偏差越大.     

基于数值模拟与资料同化探究长三角地区冬季PM2.5污染过程的气象影响

细颗粒物(PM_2.5)累积主导着长三角地区冬季空气污染,其中,气象要素具有重要的作用.本文结合WRF-Chem模式和WRF-FDDA技术,针对2019年1月12—16日发生在长三角地区的一次典型PM_2.5污染过程进行数值模拟分析.通过敏感性试验,量化分析地面气象因素（温度、风速、相对湿度）对该地区PM_2.5浓度的影响,并利用对自动气象站观测资料的四维资料同化试验,探究气象场改进对PM_2.5模拟的改善.模拟结果表明,长三角地区PM_2.5污染受气象条件影响程度较为显著,PM_2.5浓度与风速和温度呈显著负相关,与相对湿度呈正相关.水平风速减少40%、温度增加3℃、相对湿度增加20%分别造成了+4.68%、-2.82%与+2.2%的PM_2.5浓度变化.而同化气象资料显著地改善了模拟的气象场精度,其均方根误差（RMSE）统计项中相对湿度减小9.68%,温度减小1.02℃,风速减小0.35 m·s^-1,这也使得PM_...     

疫情期间“2+26”城市污染减排成效评估

为评估“2+26”城市在疫情期间的减排效果,基于NAQPMS模式和情景模拟的方法,分析了2020年1~3月及疫情前后空气质量特征,对气象、重污染应急减排措施及社会经济活动对空气质量的影响和研究的不确定性进行了分析讨论.结果表明,2020年1~3月,“2+26”城市空气质量级别优良率为59.6%,同比上升10.9%;PM₁₀、PM_2.5、SO₂、NO₂、O₃-8h-90per和CO-95per平均浓度分别为108,76,14,36,109μg/m³和2.3mg/m³.疫情期间（1月24日~3月31日） PM₁₀、NO₂、PM_2.5和CO浓度比疫情前期（1月1~23日）同比降幅明显.气象条件造成沿燕山和太行山城市PM_2.5浓度约上升1%~8%.重污染减排促使区域性污染过程减少了2次,“2+26”城市PM_2.5季度均值降低约6~26 μg/m³.受春节和疫情综合影响,机动车排放量大幅下降,但焦化、火电等重点行业实际污染排放量变化不大,散煤燃烧对空气质量的负面影响增加.     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.      

PM_(2.5)和PM_(2.5~10)资料同化及在南京青奥会期间的应用试验

建立了面向PM_(2.5)和PM10观测资料的三维变分同化系统,并在南京地区青奥会期间进行了同化和预报试验.同化系统的控制变量为PM_(2.5)和PM_(2.5~10)(PM10中扣除PM_(2.5)后剩余部分),利用南京地区2014年8月的WRF-Chem模拟结果,估计了PM_(2.5)和PM_(2.5~10)的背景误差协方差,发现在水平和垂直方向上PM_(2.5)的相关系数随距离的衰减均小于PM_(2.5~10),这可能与PM_(2.5)粒径小、生命史长,在大气中传播地更远有关.利用南京及周边区域的134个监测站PM_(2.5)和PM_(10)逐时观测资料,对青奥会期间(2014年8月16~28日)进行滚动同化和预报试验,并利用模式最内层观测资料进行检验分析,结果表明同化对初始场有显著改进,PM_(2.5)和PM10的相关系数均提高53%以上,均方根误差降低55%以上,平均偏差则降低了90%左右;同化试验对其后的预报场也有明显改进,正效应可以持续到20h以后,模式对PM10的预报效果好于PM_(2.5).     

南京冬季气溶胶消光特性及霾天气低能见度特征

利用2015年1月气溶胶散射和吸收系数、PM_2.5质量浓度、大气能见度以及常规气象观测数据,分析了南京冬季大气气溶胶散射系数与吸收系数的变化特征,给出了散射系数与吸收系数对大气消光的贡献,以及能见度与PM_2.5质量浓度和相对湿度的关系.结果表明,观测期间南京大气气溶胶的散射系数和吸收系数分别为(423.4±265.3) Mm^-1和(24.5±14.3) Mm^-1,对大气消光的贡献分别为89.2%和5.2%,表明大气消光主要贡献来自于气溶胶的散射.散射系数与PM_2.5相关性较好(R²=0.91),能见度随PM_2.5质量浓度呈指数下降,也与相对湿度保持一定负相关性.能见度均值为4.3km,且连续出现能见度不足2km的低能见度天气,霾天气下消光系数和PM_2.5质量浓度大幅超过非霾天气,最高值分别达到1471.2Mm^-1和358 μg/m³,霾天气下能见度的降低来自颗粒物与相对湿度的共同影响.     

广州不同站点类型PM2.5与O3污染特征及相互作用

基于2015~2019年广州4个不同国控站点类型的大气污染物监测数据,研究了广州各站点类型颗粒物（PM_2.5）和臭氧（O₃）的污染特征,并分析了O₃污染季节和PM_2.5污染季节PM_2.5和O₃的相关性及相互作用.结果表明：2015~2019年广州各站点类型PM_2.5浓度总体呈下降趋势,O₃浓度呈上升趋势.不同污染季节PM_2.5与O₃浓度均呈正相关.O₃污染季节二次PM_2.5的生成对颗粒物的影响显著大于一次PM_2.5,随着光化学水平的升高,一次PM_2.5的贡献浓度基本不变（均在21.03~31.37μg/m³范围内）,贡献率逐渐下降;而二次PM_2.5的贡献浓度逐渐升高（3.51~7.72 μg/m³升高到16.04~18.45μg/m³）,贡献率也逐渐升高（11%~27%升高到34%~44%）,且呈倍数增加.不同站点类型贡献差异明显,背景站点二次PM_2.5的贡献最大,城区站点在中和高光化学水平下二次PM_2.5的贡献最小;PM_2.5污染季节各站点类型在不同PM_2.5污染水平下O₃浓度均具有差异性,总体上均呈现背景站点>郊区站点>城区站点的特点.气溶胶的消光作用和非均相反应均显著促进O₃生成,随着PM_2.5浓度升高,各站点类型的O₃浓度峰值逐渐升高,由62.12~83.82μg/m³升高到92.49~135.4μg/m³;O₃变化率峰值也逐渐升高,由8.42~10.02μg/（m³·h）升高到21.33~27.04μg/（m³·h）.进一步促进了广州PM_2.5和O₃浓度的协同增长.     

北京一次重污染过程的天气成因及来源分析

采用天气学分析和GRAPES-CUACE气溶胶伴随模式相结合的方式,探讨了北京市2016年2月29日~3月6日一次PM_2.5重污染过程的大气环流特征、污染形成和消散原因,并利用伴随模式追踪了造成此次重污染过程的关键排放源区及敏感排放时段.结果表明：此次重污染过程北京市PM_2.5浓度存在明显日变化,在3月4日20：00达到污染峰值,观测数据显示海淀站PM_2.5浓度达到506.4μg/m³.形成此次重污染过程的主要天气学原因是北京站地面处于低压中心,且无冷空气影响,风速较弱,逆温较强,大气层结稳定,混合层高度较低,500hPa西风急流较弱,污染物水平和垂直扩散条件差,大气污染物易堆积;此次过程中,500hPa短波槽过境、边界层偏南风急流和冷空气不完全渗透导致了本次严重污染PM_2.5浓度的短暂下降.伴随模式模拟结果表明,此次污染过程目标时刻的污染浓度受到来自河北东北部和南部、天津、山西东部、以及山东西北部污染物的共同影响,目标时刻PM_2.5峰值浓度对北京本地源响应最为迅速,山西响应速度最慢;北京、天津、河北及山西排放源对目标时刻前72h内的累积贡献比例分别为31.1%、11.7%、52.6%和4.7%.北京本地排放源占总累积贡献的1/3左右,河北排放源累积贡献占一半以上,天津和山西分别占1/10和1/20,河北源贡献占主导地位,天津和山西贡献较小;目标时刻前3h内,北京本地源贡献占主导地位,贡献比例为49.3%,目标时刻前4~50h内,河北源贡献占主导地位,贡献比例为48.6%,目标时刻前50~80h,山西源贡献占主导地位,贡献比例在50%以上.     

空气质量数值预报优化方法研究

基于源清单“Nudging”修正方法和XGBoost算法对徐州市2016年12月13个监测站点的PM_2．5、PM₁₀、O₃、SO₂、NO₂、CO等6种污染物浓度预报值进行修正,并分析了修正前后模式预报改善效果.在源清单“Nudging”修正部分,本文结合IDW空间插值算法对SO₂、NO₂、CO等3种污染物浓度预报值进行修正,与修正前后模拟结果相比,采用同化源模拟的预报浓度值与观测值的相关系数提高了0.06~0.27不等,平均绝对误差和均方根误差减少的幅度较为明显,平均相对偏差（MFB）和平均相对误差（MFE）均在理想水平范围内,NO₂修正效果最好,其次是SO₂和CO.基于XGBoost算法的统计修正部分,本文结合WRF气象预报要素建立统计回归模型,对6种污染物进行统计修正,经滚动修正之后,预报偏低或偏高现象得到很大的改善,除了SO₂之外,相关系数均提高到0.6~0.7左右,各项误差统计指标改进幅度非常明显.总体而言,本文采用的两种修正方法对中小尺度空气质量数值预报改进效果非常明显,反映了此优化方案的可行性和科学性.     

气溶胶辐射效应对气象和环境影响的观测与模拟研究

选取2015年和2019年不同代表年份,结合外场观测和数值模拟,分析了天津地区不同季节不同天气(晴天、多云、霾)下,气溶胶辐射效应对整层大气透过率和地表入射太阳辐射的影响,以及这种影响在不同年份的差异.借助WRF-Chem模式模拟分析了重污染期间气溶胶辐射效应对垂直方向上气象要素廓线、边界层结构以及PM_2.5浓度的反馈机制.结果表明:霾污染可导致大气透过率明显下降,春、秋、冬不同季节,霾污染导致中午大气透过率分别下降0.09,0.11和0.09.全年平均霾污染可导致大气透过率降低约15.5%.云量的增多也可导致大气透过率明显下降,多云天气下大气透过率相比晴天减小约22.4%.霾和云对大气透过率的影响还与太阳高度角有关,当太阳高度角>60°时,霾污染导致大气透过率下降8.6%.随污染等级提高,气溶胶对太阳辐射的衰减作用也越强,天津地区空气质量分别为Ⅰ～Ⅰ级时,中午地表入射短波辐射呈稳定下降趋势,依次为484,446,439,342,328和253W/m².重污染期间,气溶胶辐射效应导致大气低层(250m以下)降温(0.8℃)增湿(3.8%...     

江苏省大气复合污染特征与相关气象驱动

基于2014~2017年江苏省13个市的PM_2.5浓度和O₃_8h_max数据,探讨了其时空分布特征.在此基础上,研究了日益升高的近地层O₃浓度与气象因子的关系.结果表明：江苏省2014~2017年PM_2.5浓度整体上呈下降的趋势,年均浓度减少率为6.06μg/m³,而O₃_8h_max整体上呈上升趋势,年均浓度增长率为3.84μg/m³.总体上,PM_2.5浓度呈现冬春高、夏秋低的V型月变化特征,O₃_8h_max则基本呈现不规则的M型,在5月份达到峰值后逐渐降低,又在7~9月份保持平缓,而后又逐渐下降.空间上,江苏省PM_2.5浓度呈现"内陆高,沿海低"的状态,而O₃_8h_max却呈现"沿海高,内陆低"的状态.与气象因子的相关性表明,O₃浓度与气温和太阳辐射呈正相关关系,与相对湿度呈负相关关系,太阳辐射对O₃浓度的影响最大,其次是温度和相对湿度.当日平均气温在20~30℃、相对湿度在50%~70%、太阳辐射强度高于150w/m²时O₃浓度容易出现超标.     

基于走航观测的长江三角洲地区大气污染特征及来源追踪

为了加强对长江三角洲地区大气污染分布特征和输送规律的认识,利用移动车载设备开展了不定期的走航观测,重点研究了2016-2018年冬季灰霾污染和春季光化学污染条件下长江三角洲地区的大气污染特征.结果表明,走航观测期间长江三角洲地区PM_2.5日均浓度为60~122 μg/m³,东部的常州、无锡一带,西部的合肥、芜湖地区,北部蚌埠、滁州一带,南部湖州、杭州地区的PM_2.5浓度较高,比其他地区高出20%~40%.O₃日均浓度水平为9~52 μg/m³,苏州、盐城、宣城与湖州地区浓度相对较高.运用FLEXPART_WRF模式,结合PM_2.5排放清单,分析了走航观测期间长江三角洲地区及沿线城市PM_2.5的潜在来源.结果发现,东风条件下,南通及上海地区为PM_2.5的潜在源区,北风条件下,连云港、盐城等地区贡献较大.运用FLEXPART前向轨迹计算模块,对一次污染个例过程进行了模拟,并利用走航观测结果进行了验证,发现模拟结果与走航观测结果的相关系数达到0.9.可见,长江三角洲地区存在区域性的PM_2.5和O₃污染,走航观测结合轨迹分析是追踪污染气团输送的有效手段.     

邯郸市PM2.5中碳组分的污染特征及来源分析

为研究邯郸市PM_2.5中碳组分的污染特征及其来源,于2017年4~12月采集PM_2.5样品,用热光反射法（TOR）分析PM_2.5中有机碳（OC）和元素碳（EC）的质量浓度.结果表明：邯郸市PM_2.5和总碳气溶胶（TCA）质量浓度的年均值分别为（88.87±58.89）μg/m³和（31.45±23.35）μg/m³,PM_2.5质量浓度超标率为50%,TCA/PM_2.5比率的年均值为（38.23%±14.61%）,表明邯郸市碳组分污染严重.冬季PM_2.5中TCA质量浓度均值为（68.06±23.77）μg/m³,TCA/PM_2.5比率的均值为（46.86%±10.07%）,OC（37.09±13.05）μg/m³和EC（8.72±3.78）μg/m³浓度明显高于其它季节,表明冬季碳组分污染较为严重.各季节OC/EC比值均大于2,表明邯郸市全年均受二次有机碳（SOC）的污染;OC、EC及SOC与SO₂、NO₂呈显著正相关,与O₃呈显著负相关,尤其是与NO₂相关关系最强,说明邯郸市碳质气溶胶可能受到机动车尾气排放的影响.对8种碳组分进行主成分分析,发现道路扬尘、燃煤排放和机动车尾气是邯郸市PM_2.5中OC和EC的主要贡献源.