空气污染潜势-统计结合预报模型的建立及应用

建立了一个空气污染潜势预报和统计预报相结合的模型,该模型以特征气象因子和大气扩散清除因子为基础,并考虑不同因子的权重,定义空气污染潜势指数APPI.所考虑的因子包括:地面风速、混合层高度、混合层内平均风速、风向日变化、稳定度级数、垂直扩散系数、SO2干沉降速率、NO2干沉降速率、PM10干沉降速率、降水时长、地面天气形势.进一步利用统计方法建立空气污染指数API与APPI之间的关系.利用南京地区2009~2010年气象资料计算APPI,通过3项式拟合得到API与APPI的统计方程.结果表明,拟合得到的API与实际API相关系数为0.67,具有显著的相关性,且等级准确率为76.7%.进一步利用2011年1~12月中尺度气象模式WRF预报的气象场开展实况预报.研究表明,24h预报、48h预报、回顾预报的逐月等级正确率分别为44.4%~87.5%,46.4%~100%和63.0%~80.0%,年均等级正确率为60.6%,62.4%.和73.1%.若定义预报API与实际API相差±20以内为正确,则24h预报、48h预报、回顾预报的正确率分别为58.1%, 59.4%和63.8%.在IBM x3500并行集群服务器上计算,48h预报需要机时3h.可见,该模型具有较好的预报性能, 相对数值模型计算效率很高.     

呼和浩特市空气污染潜势预报方法研究

利用1995～1997和2000年资料，统计分析了呼市边界层气象条件和影响呼市地区的天气系统，寻找出了城市污染与天气的关系，据此研究制定了有利和不利于污染物扩散的天气形势和气象要素指标，给出了不同污染物的空气质量等级判据，从而建立了呼市污染潜势预报方法。     

抚顺市空气污染预报方案筛选

空气污染预报的准确性取决于大气污染物扩散模型的选取和预报方案的设计。本文以经过验证的ADMS-大气污染物扩散模型为基础。设计了四种预报方案。并对四种方案的预报准确性进行检验，从而筛选出了适用于抚顺市空气污染特点的最佳预报方案。     

城市空气污染数值预报的技术关键

在分析城市空气污染数值预报要素的基础上,建立了包括污染源排放清单,气象中尺度数值预报模型MM5,ADMS-城市模型软件的城市空气质量预报系统。首次提出了空气质量环境背景值的确定等提高城市空气污染预报准确率的有效措施。     

城市空气污染数值预报模式系统及其应用

 介绍了城市空气污染数值预报模式系统,并利用该系统对济南市空气污染进行了预报.结果表明,该系统具有较好的预报性能;预报与实测值之间有较好的相关性;空气质量级别的预报效果更好,对SO₂、PM₁₀和NO₂ 3项污染物的级别预报准确率分别为84.6%,83.2%和94.6%,其总体级别预报准确率达到87.5%.研究结果还显示,济南市的SO₂污染已得到明显改善,机动车尾气污染相对较轻,而PM₁₀的污染比较严重,已上升为首要污染物,其来源、扩散、转化机制及其控制措施的研究是目前济南市面临的首要问题.     

城市空气污染预报方法研究

介绍了国内外空气污染预报所采用的几种主要方法 ,强调指出空气污染预报的特点以及在今后预报中应注意的问题。     

深圳市空气污染分区预报思路的建立

基于本市2005—2010年各区API日资料和污染日逐时资料、逐日气象要素资料、物理量因子,在对全市污染时空分布特征和各影响因素细致分析的基础上,运用典型天气形势和典型要素判定方法,在此基础上,进行气象要素的偏最小二乘回归提炼主要因子,建立污染天气预报思路,运用2011年重污染目的资料进行检验,结果表明：该种三级判定的方法预测污染小概率事件,吻合较好,为空气污染客观预报和高污染预警系统的建立提供依据。     

城市空气污染预报的特点及方法

论述了城市空气污染气象特征及城市空气污染与排放条件，从而证明城市空气污染预报的范围、时效及内容，并结合我省实际，介绍了空气污染预报系统中的几种主要方法。空气污染预报系统中的主要方法可按预报模式性能的不同，可分为潜势预报、统计模式和数值模式预报。按污染预报的要素不同，可分为污染潜势预报和污染浓度预报。     

资料同化方法在空气污染数值预报中的应用研究

基于第5代中尺度非静力气象模式MM5以及区域气溶胶和沉积模式REMSAD耦合的空气污染数值预报模型系统,分别采用最优插值法和集合卡尔曼滤波法对南京2002-08～2002-09 NOx和SO2模型预报结果进行了资料同化试验,结果表明,NOx和SO2经最优插值法同化后偏差平均值的改进率分别为34.20%、47.53%,均方根误差的改进率分别为31.95%、42.04%;NOx和SO2经集合个数为30的集合卡尔曼滤波法同化后偏差平均值的改进率分别为26.73%、60.75%,均方根误差的改进率分别为25.20%、55.16%;说明最优插值法和集合卡尔曼滤波法都具有改善空气污染数值预报中污染物浓度初始场的作用.进行了集合卡尔曼滤波法中集合个数为61时2种同化方法同化效果比较的试验,结果表明,随着集合卡尔曼滤波法集合个数的增加,NOx和SO2的同化效果都较集合个数为30时有所改善,并且,集合卡尔曼滤波法对NOx和SO2模式预报结果的改善效果将好于最优插值法.     

基于小波分解和ARMA模型的空气污染预报研究

细颗粒物PM2.5为首要污染物的空气污染严重影响了公众健康,对空气污染进行有效预报具有十分重要的意义。而目前常用的空气污染物浓度预报方法在短时事件和意外事件预测方面存在不足。利用小波多尺度分析方法改进ARMA预测模型,并将其应用于短时空气污染物浓度预测。改进模型通过小波分解方法将时间序列分解为一个近似序列和多个细节序列,分别采用ARMA模型进行预测,然后将各序列预测结果进行重构,得到最终预测结果。以天津市2014年PM2.5浓度数据为例,分别采用ARMA模型、支持向量回归(SVR)模型、人工神经网络(ANN)模型以及基于小波多尺度分解改进的SVR模型和基于小波多尺度分解改进的ARMA模型进行了对比分析。结果表明:1)小波多尺度分解能够显著提高SVR模型和ARMA模型预报精度;2)ARMA、SVR、ANN等传统模型在重污染情况下预报精度显著下降,而小波分解改进策略能够较好地解决这个问题;3)基于小波多尺度分解改进的ARMA模型预报精度较高,是城市污染物浓度预报的有效手段。     

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。     

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。     

石家庄市大气主要污染物的统计预报

介绍了石家庄市在大气主要污染物预报统计模式方面的研究，包括统计回归分析的原理，预报选取的因子，主要污染物的回归方程及其相关系数和推广应用情况，通过分析指出了模式存在的不足，并给出了改进方向。     

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.      

广东省春节期间空气质量特征及预报方法研究

2017年春节期间广东省环境空气质量自动监测站的数据分析结果表明:春节假期广东省空气质量等级变化较大.除夕全省空气质量为良;初一,全省以良和轻度污染为主,粤东出现重度污染,粤西和粤北出现中度污染,可能与除夕夜烟花爆竹燃放有关;初二起,全省空气质量逐渐转为优良.首要污染物以PM2.5和O3为主.现有的NAQPMS和CMAQ空气质量预报模型在污染相对严重的初一表现较差,主要是因为数值模型未能考虑到烟花爆竹燃放等排放源的输入.     

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。     

基于气象相似准则的城市空气质量预报模型

为提高城市空气质量预报准确率,文章在传统BP神经网络的基础上提出了基于气象相似准则的样本优化方法,建立了三层样本筛选优化机制,确定了阀值及权重矩阵,从而建立了城市空气质量动态预报模型。将模型应用在广州8个空气质量监测站点的预报上,并与传统的BP神经网络空气质量预报模型进行了对比分析,效果良好。分析结果表明,广州8个空气质量监测站点的SO2、NO2、PM10/2.5的实测值与预报值的平均绝对误差分别为0.016 mg/m3、0.014 mg/m3、0.020 mg/m3,级别预报准确性评分分别为89.6、92.6和84.6,预报准确度综合评分达81.6,并且比传统神经网络模型具有更高的预报精度。     

基于Internet的大气污染自动监测系统的开发

介绍了国内外利用Internet网进行大气污染监测的状况，提出了基于Intemet的大气污染监测的在线系统，设计了监测系统的功能，选择了系统实现环境。设计了数据库的结构。     

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。