利用多模式最优集成方法预报上海PM2.5

采用多模式最优集成方法(OCF),对PANDA项目中国和欧洲7个空气质量模式的PM_(2.5)预报结果进行集成释用.2016年6月—2017年5月对上海逐日预报试验结果表明:和最优单模式预报结果相比,OCF预报的PM_(2.5)日均质量浓度的均方根误差降低1.9μg·m-3,相关系数提高0.04,日均质量浓度的精度评分TI提高了2.4,污染TS评分提高了0.28,污染空报率降低了20%,显著提高了PM_(2.5)污染等级预报、趋势预报和精度预报的技巧.对长三角合肥、南京、苏州、杭州、宁波5个城市的预报试验也得到类似的结果,为城市空气质量预报提供了新的方法和思路.但OCF对客观预报的改进幅度在夏季不如冬季显著,在降雨日相对较低.     

一种最优多模式集成方法在我国重污染区域PM2.5浓度预报中的应用

为了提高我国重污染区域PM_2.5浓度预报准确率,基于4套国家级以及区域环境气象业务中心发展和维护的空气质量数值预报模式,通过均值集成、权重集成、多元线性回归集成和BP-ANNs集成分别建立集成预报,在实时预报效果评估基础上,建立了最优多模式集成预报。对2015—2016年预报效果进行评估,结果表明:相对于单个空气质量数值预报模式,均值和权重集成对预报偏差的改进幅度有限,但多元线性回归、BP-ANNs和最优集成能较大幅度降低预报偏差;最优集成预报与观测值间的归一化平均偏差(NMB)和均方根误差(RMSE)分别为-10%~10%和10~70 μg/m ³,且在更多的站点表现出强相关性,但依然低估了高污染等级的PM_2.5浓度。对2018年2月25日—3月4日京津冀地区污染过程进行评估,结果表明:最优集成能较好预报出该过程中PM_2.5浓度的变化趋势和量级;在北京、石家庄和郑州3个代表城市中,预报和观测值间的NMB和相关系数(R)分别为-26%~-4%和0.49~0.77;最优集成对轻度污染及中度污染的TS评分为0.39~0.73,重度污染及以上TS评分为0.13~0.30,能为预报员提供客观参考,但对污染峰值的预报能力还需进一步改进。     

基于机器学习的成渝地区空气质量数值预报PM2.5订正方法研究

空气质量预报对于大气污染防治、打赢蓝天保卫战意义重大.本研究基于重庆市气象局的中尺度天气模式（WRF）和空气质量数值预报模式（CMAQ）的预报产品,采用2018年4个代表月份（1、4、7、10月,分别代表冬、春、夏和秋季）成渝地区22个观测站点的PM_2.5浓度和气象要素观测数据,建立基础特征变量数据集（包括训练数据集和测试数据集）,通过调整模型参数,并利用训练数据集采用机器学习方法（Lasso回归、随机森林回归、深度学习RNN-LSTM）进行模型训练,订正了成渝地区PM_2.5数值预报.其中,通过Lasso回归算法对成渝地区4个区域分别进行变量优选,优化模型,利用测试数据集对模型进行测试并检验评估.结果表明,基于3种机器学习方法订正后的PM_2.5小时浓度相比CMAQ模式模拟预报结果,偏差显著降低,相关系数显著提高.其中,随机森林回归和RNN-LSTM的订正效果优于Lasso回归,区域统计与站点统计结果较为一致;Lasso回归订正后的均方根误差减小50%左右,相关系数达70%,随机森林回归和RNN-LSTM订正后的均方根误差减小70%左右,相关系数达90%,随机森林回归与RNN-LSTM订正后的偏差范围相比Lasso回归集中范围更窄,最大概率分布更集中;3种方法对不同季节的订正效果与全年一致,其中,冬季订正效果更为显著.研究结果可为提高我国重点城市群区域—成渝地区PM_2.5浓度的大气污染预报能力提供有益参考.     

ECMWF气象场驱动长三角PM2.5预报与最优集成

采用华东区域大气环境数值预报业务系统（RAEMS-GFS）的整体框架和欧洲中期天气预报中心（ECMWF）高分辨率数值天气预报数据,建立了ECMWF气象场驱动的区域空气质量数值预报系统（RAEMS-EC）.评估结果显示：RAEMS-EC对2019年秋冬季长三角城市PM_2.5浓度和污染程度具有良好的预报准确性,其性能与RAEMS-GFS具有高度可比性的同时也存在一定的差异,数值上则有较明显的系统性偏高.RAEMS-EC与RAEMS-GFS双模式最优集成预报（OCF）可以大幅提升预报效果,长三角各城市PM_2.5浓度总体预报效果指标提升12%~83%,各指标在80%以上城市为正效果,PM_2.5污染预报TS评分也得到明显提升（14%）,OCF基本消除了数值预报系统性偏高的不足.     

银川市一次连续PM2.5重污染天气特征分析及长期预报方法研究

利用同期多源观测资料,对2020年1月银川市持续重污染天气过程中的气象条件、扩散特征及前期环流指数特征进行了综合分析。结果表明：2020年1月持续重污染天气过程是实行新标准以来仅次于2013年1月的PM_2.5超标的重污染天气,具有持续时间长、污染等级高的特点;2020年1月气温异常偏高、风速偏小、相对湿度偏大,天气系统稳定少动且持续时间长,是造成PM_2.5异常超标的主要原因之一;1月PM_2.5月浓度值同850 hPa东太平洋信风指数、北太平洋副高北界位置指数等前期环流特征因子具有较好的相关性,建立的银川市1月PM_2.5月浓度预测模型,可提前30 d作出预报且预报结果与实际一致,可为重污染天气预警工作提供参考。     

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.     

基于环境模式PM2.5的渤海及其西岸能见度预报技术优化研究

基于2019年12月1日—2020年11月30日渤海及其西岸地区能见度观测和数值模拟,研究了该区域海岸陆能见度演变特征及其预报方法,并通过引入PM_2.5浓度及建立相应的消光方程,提升该地区能见度预报准确率.结果表明：渤海及其西岸地区海岸陆能见度演变特征存在差异,就年平均能见度而言,海上（含港口）高于陆地,并且前者的能见度日变化较后者更趋平缓,低能见度（<3 km）天气陆地主要出现在0:00—8:00,海上（含港口）则全天均有可能出现,海上（含港口）0～500 m低能见度天气多于陆地,500～3000 m低能见度天气少于陆地.渤海及其西岸地区能见度预报需要考虑气溶胶消光的影响,欧洲数值模式（ECMWF）和天津气象台主观能见度预报产品,在该区域预报与实况的相关系数为0.2～0.3,相对误差为40%～50%.引入天津环境模式PM_2.5浓度预报,基于ECMWF相对湿度和环境模式液态水含量,通过消光方程可以较好地改进预报该区域能见度的效果,其产品陆地和港口能见度预报与实况的相关系数分别为在0.8和0.5以上,相对误差分别为20%和40%左右,小于...     

河南省一次PM2.5污染过程区域性影响数值模拟

为了研究区域输送对河南省PM_2.5重污染的影响,利用中国科学院大气物理研究所自主研发的NAQPMS(嵌套网格空气质量预报)模式模拟了河南省2014年1月12─19日的一次污染事件. 污染期间,河南省所有城市ρ(PM_2.5)小时均值最大值均超过250 μg/m3,达到了严重污染水平. 利用基于NAQPMS的污染源来源追踪方法评估了本地排放和区域输送的影响. 结果表明:研究期间,本地排放和区域输送对河南省ρ(PM_2.5)的平均贡献率分别达到了50.6%和49.4%. 在区域输送方面,安徽省对河南省ρ(PM_2.5)的贡献率(10.0%)最高,山西省(9.2%)、陕西省(8.5%)次之,河北省(仅2.1%)最低. 分地区来看,河南省中部地区以本省累积(贡献率为61.4%,下同)为主,东部地区以安徽省(30.4%)输送为主,南部地区以本省累积(45.1%)、湖北省(14.1%)及安徽省 (13.7%)输送为主,西部地区以陕西省(35.4%)输送为主,北部地区则主要以本省累积(58.1%)及山西省(20.7%)输送为主. 研究表明,尽管河南省各地区同时出现高污染,但其来源不同,有必要采取区域联防联控措施.      

不同分辨率CMAQ模式系统对北京PM2.5预报效果研究

自北京奥运会以来,CMAQ模式作为北京多模式预报系统的一个成员在北京空气质量预报中得到广泛应用.为了更好地发展模式系统预报性能,本文针对北京开展完整年份PM_2.5模拟预报效果评估,结合我国环境空气质量标准,引入IAQI预报准确率、等级预报准确率以及预报综合评分法等多项指标,研究评价不同代际不同模式分辨率CMAQ模式系统预报效果差异.研究结果表明,①新研发的CMAQ模式系统预报效果整体优于原有业务预报模式系统,综合考虑预报级别准确性和预报空气质量分指数精确度的得分评估结果显示,新一代CMAQ模式3 km空间分辨率(BJ03)4 d预报时效内得分为73.1～80.5分,高于9 km空间分辨率(BJ09)和原有CMAQ模式5 km空间分辨率(CN05)和15 km空间分辨率(CN15)的预报结果综合得分.②BJ03区域的预报效果优于BJ09区域,BJ03区域预报的PM_2.5-IAQI准确率达42%,空气质量等级准确率达68%～79%,预报综合评价得分最高80.5分;而9 km分辨率CMAQ模式预报的PM_2.5-IAQI准确率为...     

城市空气质量数值预报系统对PM2.5的数值模拟研究

发展了南京大学城市空气质量数值预报模式系统(NJU-CAQPS),在模式系统中引入了气溶胶模块.运用该系统对南京地区冬夏两季PM2.5浓度的时间变化规律和空间分布特征进行了数值模拟研究,通过与实际观测资料对比,检验发展后的模式系统对于细颗粒物的模拟性能.结果表明,南京市城近郊内冬夏两季PM2.5浓度具有明显的时空变化特征,一般在半夜和清晨会出现较高浓度,午后至傍晚浓度较低.冬季浓度高于夏季,冬夏两季算例的浓度日均值之比为1.51.空间分布受到排放源位置、地面流场等因素影响.二次气溶胶在PM2.5中占相当的份额,冬夏两季算例中二次气溶胶在PM2.5中所占比例分别为12%和15%,夏季二次气溶胶对PM2.5浓度贡献较冬季大.与实际观测资料的对比验证表明,经过发展的该模式系统对于城市PM2.5等颗粒物的模拟性能良好.     

利用多模式集合和多元线性回归改进北京PM_(10)预报

本研究将多模式集合预报和多元线性回归集成方法结合起来减小空气质量预报的不确定性.首先评估了北京空气质量多模式集合预报系统中3个模式成员(NAQPMS、CAMx、CMAQ)对北京地区PM10日均浓度的预报性能,在此基础上引入多元线性回归将历史观测信息纳入进来对3个模式预报结果进行集成,并将集成预报结果与3个模式算术平均的预报结果进行比较.结果发现:1不同模式的预报结果差异较大,并没有一个模式的预报技巧完全优于其它两个模式,其中CMAQ对北京PM10变化趋势的预报优于其它两个模式,NAQPMS预报的均方根误差整体低于其他两个模式.2多模式预报结果的算术平均在趋势预报和偏差两项指标上都低于部分单模式预报,并不能有效改进PM10预报;基于分站点的模式和观测数据构建的多元线性回归集成预报模型能显著提高PM10预报的准确率,选定合适的训练天数(36 d)后,28个站点PM10日均值预报的均方根误差相对单模式预报或集合平均预报下降32%~43%,预报偏差大幅减小至5.8μg·m-3,总体预报技巧显著优于单模式和多模式算术平均的预报结果,并且采用线性回归集成方法大幅提高了对污染过程的预报能力.     

浙江省大气PM2.5时空分布及相关因子分析

该研究以浙江省2014-2019年PM_2.5浓度数据为研究对象,应用多元线性回归和随机森林方法结合气象、植被、地形、经济、人口和基础设施等因子进行分析.研究结果表明PM_2.5浓度时空分布不均匀,时间上季节变化差异显著,总体呈冬季>春季>秋季>夏季分布规律,每年呈下降趋势;空间上呈西北多东南少的分布特征.多元线性回归和随机森林模型显示日最低地表气温（MI-GST）、日最低气压（MI-PRS）、日蒸发量（EVP）、日最小相对湿度（MI-RHU）、月植被覆盖度（FVC）、日降水量（PRE）、日极大风速（MM-WIN）、日平均相对湿度（AV-RHU）、铁路密度（Railway）、日最大风速（MA-WIN）、日照时长（SSD）、海拔（DEM）、日平均风速（AV-WIN）和河流密度（River）等15个因子对PM_2.5浓度影响显著;随机森林模型均方根误差（RMSE）、均方绝对百分比误差（MAPE）和变异解释量（R²）分别为0.133、17.83%和0.834,明显优于多元线性回归（0.278、40.48%和0.575）,表明随机森林更适合浙江省PM_2.5浓度估测,该研究揭示PM_2.5时空分布及相关因子分析,为限制空气污染提供有效策略.     

长春市餐饮源PM2.5和VOCS排放清单

采用自下而上的四种不同清单编制方法（以人口、就餐次数、用油量和灶头为核算基准）,评估了长春市辖区2014年不同餐饮活动（家庭餐饮、社会餐饮和食堂餐饮）的大气污染物PM_2.5和VOC_S的排放量,编制了餐饮源大气污染物PM_2.5和挥发性有机物（VOC_S）排放清单,并分析了餐饮源排放的时空分布特征.结果表明：2014年长春市辖区餐饮源PM_2.5总排放量183~770t,VOC_S总排放量9~586t;长春市辖区餐饮源PM_2.5和VOC_S的最大排放源是家庭餐饮,其贡献率分别为74%~81%和28%~78%,食堂餐饮的贡献率分别为8%~22%和3%~26%,社会餐饮的贡献率分别为2%~17%和2%~69%;排放强度空间分布表明,长春市辖区餐饮源污染物在排放区域上：朝阳区 > 南关区 > 绿园区 > 二道区 > 宽城区 > 双阳区;时间变化特征显示,日变化峰值为07：00~08：00,11：30~12：30,18：00~20：00;周变化中周三、周六和周日排放量较大;季节变化中,冬季排放强度高于其他季节,其中十二月份贡献率最大（9.98%）;不同方法计算的大气污染物排放清单中,以人口为基准的不确定性最大,VOC_S的不确定性为302%,以用油量为基准的不确定性最小,PM_2.5和VOC_S的不确定性分别为31%和61%,可以作为区域餐饮源大气污染物清单推荐方法.未来的工作将侧重于典型餐饮源本地排放因子的测定,从而有效减少排放清单的不确定性.     

WRF-Chem模式降水对上海PM2.5预报的影响

为探讨降水预报准确性对细颗粒物(PM_(2.5))数值预报效果的影响,利用基于WRF-Chem模式构建的华东区域大气环境数值预报系统在2015年1月1日—2016年12月31日期间的业务预报结果,分析了该系统对上海降水和PM_(2.5)的预报能力,探讨了其在不同降水预报准确性下的PM_(2.5)预报效果差异.结果表明,华东区域大气环境数值预报系统对上海的降水和PM_(2.5)都有良好的预报水平,2年平均偏差小于5%;正确预报、空报和漏报较明显降水及准确预报无降水日情况下的PM_(2.5)预报效果差异显著,正确预报降水时有较明显偏高且高估程度随降水的增强而增大,无降水时偏低;正确预报降水时PM_(2.5)预报效果相对较差,其他情况接近.模式湿沉降方案存在不足,需要进一步完善,同时也需要提升模式的降水等气象条件预报能力.     

基于气溶胶三维变分同化天津PM2.5数值预报研究

基于气溶胶三维变分同化技术,建立天津空气质量数值模式气溶胶同化模块,通过天津地区两次重污染过程同化模拟敏感性试验,分析了观测资料范围对同化结果的影响,并结合一个月的滚动预报试验,分析了气溶胶同化对天津地区PM_2.5数值预报效果的影响,以期为提升天津空气质量预报能力提供支撑.结果表明：气溶胶同化各控制变量背景误差水平相关系数的衰减尺度约50km,垂直方向上400m高度与模式底层的相关系数衰减至0.6左右;观测资料范围对同化结果影响显著,仅采用天津地区观测数据进行同化,对重污染过程期间天津地区PM_2.5浓度模拟的影响时效约12h,采用模拟区域内所有观测数据进行同化影响时效可持续24h以上,且模拟效果更优;采用三维变分同化技术,实现地面PM_2.5观测资料同化,天津地区PM_2.5数值预报效果显著提升,预报值和实况值之间的相关系数由0.74增加到0.87,均方根误差由32.3μg/m³减小为22.4μg/m³,平均相对误差由39.9%减小为27.1%;同化对模式初始时刻的改进效果最明显,随时间同化效果衰减,14h内改进效果最佳,对24h PM_2.5浓度预报也有明显改进.     

基于NPP/VIIRS夜间灯光遥感数据估算上海地区PM2.5浓度

随着工业化和城市化的迅速发展,中国面临着越来越严重的大气污染危机,以细颗粒物(PM_(2.5))为标志的区域性大气复合污染问题已经成为我国大气环境污染治理的核心工作.目前,传统的地面监测站监测PM_(2.5)浓度的方法空间分辨率较差且耗费人力物力,而卫星遥感数据监测PM_(2.5)浓度的方法大部分只能应用于白天.由于PM_(2.5)浓度在时间上存在周期性变化,因此利用卫星遥感数据监测的夜间PM_(2.5)浓度可以作为表征PM_(2.5)日变化规律的重要补充.本研究采用Suomi National Polar-orbiting Partnership(Suomi NPP)卫星搭载的可见红外成像辐射计套件(Visible Infrared Imaging Radiometer Suite, VIIRS)中Day/Night波段(DNB)夜间灯光影像数据,依据大气气溶胶消光原理和站点气象数据,建立PM_(2.5)浓度的预测模型,基于多元线性回归分析对上海地区9个空气质量监测站在2014—2018年冬季无月无云的晴朗夜间的PM_(2.5)浓度值进行估计,并对PM_(2.5)浓度的空间分布进行模拟.结果表明,在研究时段上海地区PM_(2.5)实际浓度与模型估算PM_(2.5)浓度之间R~2=0.767,均方根误差(RMSE)为19.210μg·m~(-3),验证了VIIRS/DNB夜间灯光影像数据在估算PM_(2.5)浓度方面有巨大潜力.     

斜剖面图的设计及在PM2.5中期潜势预报中的应用

本文将强降水潜势预报的"配料法"原理引入到环境预报中,选取ECMWF数值预报产品中的700hPa相对湿度、1000hPa风向风速和850hPa温度作为气象要素"配料",沿占比最多的冷空气输送路径穿过华北重污染区和上海,设计制作了未来10d气象要素"配料"时空斜剖面图,并具体定义了业务中常见的典型污染过程(冷空气输送、干静稳和湿静稳累积)和清洁过程(冷空气清洁、湿沉降清洁)共5种图形的识别特征.该斜剖面图由于融合了单站时序图和单时次空间面图的优点,无需一张张翻阅天气形势图,显著缩短了看图分析时间;斜剖面图还建立了气象要素图形特征、污染气象条件和PM_2.5污染潜势三者的对应关系,通过图形特征可以快速掌握区域内天气形势演变情况,识别出上述典型污染和清洁过程,最终得出PM_2.5中期污染潜势,便于在业务中应用和推广.一次典型污染个例应用显示,斜剖面图和污染实况的图形型态特征非常相似,斜剖面图中静稳累积和冷空气输送过程图形特征辨识度高,区域和单站提前5d的预报结论和实况较为一致;进一步评估显示,2018年冬季期间预报时效5d以内的TS评分维持在0.32～...