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_...     

基于GAM的鞍山气象条件对PM2.5和SO2的影响研究

以辽宁鞍山市2019年小时气象数据、大气污染物小时数据为基础,基于广义可加模型(GAM),在考虑城市大气污染本底值、月份等混杂因素的情况下构建响应关系模型。引入相对危险度(RR)概念计算定量关系,分析气象因子(风速、温度、相对湿度)的改变对PM_2.5与SO₂的影响。结果表明：三类气象因子对PM_2.5的影响均存在阈值效应;风速的影响百分率最高,在低于4 m/s范围内变化时,每单位增量引起PM_2.5浓度的相对改变量为-7.63%;温度的增加使PM_2.5浓度呈U形变化,其阈值为10℃,温度在两个阈值区间引起的PM_2.5浓度相对改变量分别为-0.56%与0.6%;除干燥天气或降雨时,相对湿度的增加多导致城市PM_2.5浓度的升高;当响应变量为SO₂时,风速、温度、相对湿度三类气象因子每单位减小量对应的SO₂浓度相对改变量分别为-0.91%、-0.43%和0.98%。     

天津市PM10, PM2.5和PM1连续在线观测分析

利用2010年9月1日─11月30日在中国气象局天津大气边界层观测站采集的ρ(PM₁₀₎,ρ(PM_2.5)和ρ(PM₁)数据,分析了观测期间可吸入颗粒物的统计特征,结合同期气象观测资料,分析了典型天气条件下ρ(PM₁₀₎,ρ(PM_2.5)和ρ(PM₁)的日变化特征及与风速、风向的关系. 结果表明:观测期间,ρ(PM₁₀₎日均值有超过1/2的天数超过《国家环境空气质量标准》(GB 3095─1996)二级标准限值;ρ(PM_2.5)有63 d超过美国国家环境保护局(US EPA)1997标准限值,超标率高达76.8%;不同天气条件下,ρ(PM₁₀₎,ρ(PM_2.5)和ρ(PM₁)日变化特征明显,三者一般在大雾或扬沙/浮尘天气条件下出现高值,有降水过程时出现低值;可吸入颗粒物以粗粒子(PM_2.5～10)和PM₁为主,PM_2.5～10,PM_1～2.5和PM₁主要分布在风速小于3 m/s,风向为225°～280°和70°～110°范围内;风速大于3 m/s时,ρ(PM_2.5～10)和ρ(PM_1～2.5)有所增加. ρ(PM₁₀₎,ρ(PM_2.5)和ρ(PM₁)未出现周末效应,但存在明显的周内变化.      

唐山市大气颗粒物和O3多尺度变化及影响因素

采用KZ滤波法、多元逐步回归法和小波相干性分析法,从不同时间尺度探究了唐山市2015～2022年间PM_2.5、PM₁₀和O₃的演变特征,并有效区分和定量估算了污染源排放和气象因素对污染物浓度的贡献,揭示了气象因素对污染物不同尺度的影响,以及颗粒物和O₃之间的协同作用机制.结果表明:研究期间唐山市颗粒物PM_2.5和PM₁₀的浓度长期分量均呈现显著下降趋势,季节分量和短期分量均呈现不同程度的周期波动.O₃浓度长期分量变化幅度较小,其季节分量和短期分量均在每年5～7月之间有明显变化趋势.颗粒物PM_2.5和PM₁₀浓度的长期分量变化主要由源排放因素控制,且源排放贡献占90%以上,而O₃浓度的长期分量变化则由源排放和气象因素共同控制,且其贡献比例约为2:3.气象因素温度、相对湿度、地表垂直风速和降水量对PM_2.5主要表现为小时间尺度的正向作用和大时间尺度的负...     

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.      

南京主要大气污染物季节变化及相关气象分析

为研究南京主要大气复合污染物PM_2.5、PM₁₀和O₃四季变化特征及其气象影响因子,利用2013年1月～2015年2月国控点环境监测数据对浓度特征进行统计分析,再利用WRF模式模拟的精细大气边界层气象场,分析气象要素与各污染物的相关性,并建立统计模型.结果表明：PM₁₀、PM_2.5冬高夏低,冬季日均值分别为160.6μg/m³和98.0μg/m³;日变化特征四季基本一致,但秋冬季最强,夏季最弱,且冬季上午峰值比其余三季延后1～2h.各季大气可吸入颗粒物中细粒子占主导,PM_2.5/PM₁₀年均值为0.59;首要污染物为PM_2.5、PM₁₀、O₃的年频率分别为51.5%、26.6%和13.5%,PM_2.5主导四季AQI的变化,尤其是在重污染的情况下,首要污染物为PM_2.5占96%.O₃浓度春末夏初高、秋末冬初低,日变化为单峰式;O₃与边界层高度呈显著正相关,四季相关系数分别为0.500、0.572、0.326、0.323.四季PM₁₀、PM_2.5、O₃_8h_max日值逐步回归方程拟合度为40%～65%.     

攀枝花市大气污染物特征及气象因子关系分析

文章系统分析攀枝花市大气污染物时间、空间、季节变化趋势,揭示大气污染物特征及气象因子关系。基于2014-2020年攀枝花市环境空气质量监测数据,采用统计学的方法分析了2014-2020年攀枝花市6种污染物(PM_2.5、PM₁₀、NO₂、CO、SO₂、O_{3-8 h})的时空变化特征;通过典型相关分析方法,研究了气象因子(气温、湿度、风速、降雨量、气压)对大气污染物浓度的影响。结果表明：从时间来看,攀枝花市PM_2.5、PM₁₀、CO、SO₂近年来呈下降趋势,NO₂浓度呈上升趋势,但均不显著;O_{3-8 h}浓度呈显著上升趋势。从季节来看,PM_2.5和PM₁₀浓度表现为冬季>春季>秋季>夏季,SO₂浓度四季变化不显著,NO₂浓度和CO浓度大小变化顺序为冬季>秋季>春...     

新型冠状病毒肺炎疫情防控时期上海市空气质量特征及成因分析

为研究新型冠状病毒肺炎（COVID-19）疫情防控政策实施对上海市大气污染物质量浓度的影响,利用上海市内环某高层顶楼微环境平台观测了政策实施前10 d（2020-01-14—23）和实施后20 d（2020-01-24—02-12）的PM_2.5和PM₁₀质量浓度及气象要素（温度、相对湿度、风向、风速、大气压及降雨）,结合2019年同期观测数据和杨浦四漂空气质量监测点的气态污染物逐时数据,采用描述性统计、合成分析、拉格朗日粒子扩散模式和Spearman相关系数方法,分析了政策实施前、后大气污染物特征及其影响因素。结果表明:1）污染物浓度变化方面。政策实施后,ρ（PM_2.5）和ρ（PM₁₀）和ρ（NO₂）均明显降低,ρ（PM_2.5）和ρ（PM₁₀）分别由61.4,102.4 μg/m3降至38.1,63.5 μg/m3,降幅均为38.0%,ρ（NO₂）由57.3 μg/m3降至27.0 μg/m3,降幅达到52.9%,而ρ（O₃）由47.6 μg/m3增至69.5 μg/m3。ρ（PM_2.5）和ρ（PM₁₀）日变化特征由实施前的双峰双谷型变为单谷型。2）气象因素影响方面。上海地区南风异常减弱了冬季风强度,对流层中层正距平异常抑制了对流活动的发展,易导致大气污染物在近地面的汇聚。ρ（PM_2.5）和ρ（PM₁₀）与相对湿度呈负相关,风速对ρ（PM_2.5）和ρ（PM₁₀）的影响与风向有关。3）外源输入影响方面。长三角城市群及山东省、河南省等周边区域对上海市ρ（PM_2.5）和ρ（PM₁₀）贡献显著。     

气象因素对北京市大气颗粒物浓度影响的非参数分析

利用2005年9月—2006年9月北京市大气颗粒物分级(不同粒径)监测资料和同期分时段气象观测数据,采用非参数分析(Spearman秩相关系数)法对北京市3种粒径大气颗粒物在不同季节的浓度水平与气象因素的影响进行了研究.结果表明:不同季节影响颗粒物质量浓度的气象因素各不相同;春季ρ(PM_2.5),ρ(PM2.5～10)和ρ(PM₁₀₎都与气压呈显著负相关;夏季颗粒物质量浓度受降水影响很大;秋、冬季ρ(PM_2.5)和ρ(PM₁₀₎均与日照时数呈显著负相关;冬季ρ(PM_2.5),ρ(PM_2.5～10)和ρ(PM10)均与平均风速呈显著负相关,与气温、相对湿度呈显著正相关. 细粒子和粗粒子质量浓度对气象因素变化的响应程度也有较大区别. 春、夏季地面平均风速对粗粒子质量浓度的影响比细粒子显著,ρ(PM_2.5)/ρ(PM₁₀₎随风速增加而增大;秋季日照时数对细粒子质量浓度的影响比粗粒子更显著,ρ(PM_2.5)/ρ(PM₁₀₎随日照时数增加而减小;冬季相对湿度对粗粒子质量浓度的影响比细粒子显著,ρ(PM_2.5)/ρ(PM₁₀₎随相对湿度增加而减小.      

厦门市冬季PM2.5污染情境识别及其与气象条件的关系

为研究厦门市冬季不同PM_2.5污染情境与气象条件和气团轨迹路径特征的关系,结合PM_2.5观测数据,使用AGAGE（Advanced Global Atmospheric Gases Experiment）统计方法识别2014—2018年冬季厦门市PM_2.5观测值、基线值和污染值情境,通过气象数据统计和气团后向轨迹聚类对不同PM_2.5污染情境下气象条件和气团轨迹路径特征进行探究.结果表明:①厦门市冬季不同PM_2.5污染情境下,ρ（PM_2.5）及PM_2.5污染值情境时长占比均呈波动中下降的趋势,具体表现为冬季PM_2.5观测值、污染值和基线值情境下,ρ（PM_2.5）平均值分别从2014年的42.2、90.7、16.4 μg/m3降至2018年的26.3、56.9、8.8 μg/m3,冬季PM_2.5污染值情境时长占比从2014年的10.2%降至2018年的3.0%.②冬季PM_2.5污染值情境下气象要素呈低风速、低气压、高温度、高相对湿度的特征.③冬季到达厦门市的气团轨迹路径中,局地路径由于大气条件稳定易累积形成PM_2.5污染;偏北路径和西北路径易从临近省份携带污染物输入导致PM_2.5污染,属于重要的外源污染输入路径;沿海路径和偏西路径均属于清洁路径,但沿海路径易在福建省北部与偏北路径重合形成污染输入,加强了偏北路径的污染物输送能力.研究显示,近年来厦门市冬季PM_2.5污染有明显减弱趋势,但不利的气象条件和外来污染输入仍会造成PM_2.5污染的发生.      

河北省边界层气象要素与PM2.5关系的统计特征

为了研究河北省边界层气象要素与PM_2.5的关系,综合利用常规气象探测资料、逐小时地面自动站气象观测资料、环境监测站逐小时AQI及ρ(PM_2.5)资料等进行了统计分析.结果表明:①冬季海平面气压低于1 030 hPa、24 h变压为-3.0~-2.0 hPa、地面相对湿度高于60%、露点温度高于-10 ℃时发生全省性重污染天气的可能性较大;而海平面气压高于1 040 hPa、24 h变压在4.0 hPa以上、地面相对湿度低于40%、露点温度低于-10 ℃时,有利于清洁天气的出现.清洁天气下边界层的盛行风向多与冷空气活动有关;污染天气下盛行风向有区域性差别,边界层小风(<3.0 m/s)的风速频率高于90%. ②过程雨量达到中雨及以上量级的降水对PM_2.5具有较明显的清除作用,中雨量级降水对PM_2.5清除速率约为2 h,但优良空气质量持续时间短,平均为15 h;大雨及以上量级的降水对PM_2.5清除率达67.8%,并且优良空气质量可以持续27 h. ③与降水相比,风对PM_2.5的清除作用更为显著.较强偏南风对空气质量有一定改善,但优良空气质量仅持续16 h;大于3.0 m/s的系统性偏北风对PM_2.5清除率高达85.1%,优良空气质量持续长达32 h,空气质量的改善最为彻底.研究显示,PM_2.5与边界层气象要素关系紧密,不同级别的风和降水对PM_2.5的清除程度存在显著差异.      

沈阳一次严重污染天气过程持续和增强气象条件分析

2015年11月7-9日沈阳出现罕见的持续严重污染天气,采用环流形势、地面常规气象观测、污染物浓度观测、风廓线雷达及雨滴谱资料等,对此次污染成因进行了研究.结果表明:在此次严重污染天气过程中,连续22 h AQI≥500,首要污染物均为PM_2.5,其异常峰值最高达到1308μg/m3;ρ（PM_2.5）与ρ（PM₁₀）、ρ（NO₂）和ρ（CO）的相关系数分别达到0.996、0.602、0.891,并且ρ（PM_2.5）与ρ（PM₁₀）、ρ（CO）的正相关性更为显著;在污染的同时出现了降水,11月7和8日的日降水量分别为9.9和2.3 mm,但降水对污染物的稀释和清除作用并不明显.稳定的大尺度环流和对流层内中低层大气层结持续稳定、连续4个时次的探空曲线显示925~850 hPa之间存在多个逆温层（逆温强度最大可达5℃）、相对湿度较大（日均相对湿度在75%以上）,是此次严重污染天气持续的有利气象条件.风廓线雷达探测的整层大气垂直速度很小,多介于-1~1 m/s之间,并且近地面2 m/s以下弱下沉的垂直速度为严重污染天气过程提供了较好的动力条件.此外,近地面风力可达3~4级,有利于上游污染物的水平输送.研究显示,此次严重污染天气过程还与外围秸秆集中燃烧所导致的大量污染物长距离输送有密切关联.      

两类污染型下中低空风切变对PM2.5浓度影响

基于2015~2020年京津冀地区生态环境监测数据和多源气象数据,分析了北京地区0~3km中低空垂直风切变在不同PM_2.5等级下的演变特征。结果表明,风速日变化特征随着PM_2.5浓度升高而逐渐减弱,PM_2.56级污染时近地面风速日变化基本消失,甚至反向变化;白天边界层风速增大时段对应10m/(s·km)以下的风切变,20:00后增大至12~14m/(s·km),该现象随着PM_2.5污染加重变得更为显著,白天时段近地层垂直风切变较小值(<6m/(s·km))维持,可能是污染严重的信号之一;基于旋转经验正交函数分解法(REOF),将污染日下中低空垂直风切变分为无扰动型和压缩型,压缩型低压强度略强于无扰动型,无扰动型的PM_2.5浓度均值、峰值较压缩型更高,逆温强于压缩型,另外,无扰动型PM_2.5浓度增长期和边界层高度(PBLH)反向变化,压缩型PM_2.5浓度增长期和PBLH同向变化。     

2018年吉林市大气污染物浓度变化及其与气象因素的相关性分析

采用统计学方法、Pearson相关系数法和线性回归法研究分析了2018年吉林市大气污染物SO₂、NO₂、PM₁₀、PM_2.5、CO和O₃浓度的变化特征、污染物浓度之间的相关性以及污染物与气象因素的相关性。结果表明:1）吉林市大气环境中O₃、PM₁₀和PM_2.5日均值超标率分别为1.06%、3.27%和7.14%,颗粒物、O₃及其前体物质为治理重点;CO、SO₂、NO₂、PM₁₀和PM_2.5春、冬季污染较重,夏季污染最轻;大气环境中的污染物浓度随季节、时刻及人类活动发生周期性变化;2）PM₁₀和PM_2.5、PM_2.5和CO、NO₂和CO浓度之间高度相关（相关系数r均>0.8）,并建立了其预测线性模型;3）污染物（O₃除外）浓度与温度、风速和混合层高度呈负相关,与气压呈正相关;降水对SO₂、PM₁₀和PM_2.5浓度具有一定的削减作用,降水后其浓度减少的次数占总降水次数的68.75%、84.38%和78.13%;吉林市污染最严重的颗粒物受气象因素中混合层高度、风速和降水影响较大。该研究成果可为日后吉林市开展大气污染治理、区域大气环境容量测算、空气污染潜势预报等研究提供参考。     

边界层方案对华北一次污染过程模拟的影响

采用WRF模式中YSU、MYJ和ACM2 3种边界层参数化方案,利用WRF模式和空气质量模式CAMx对2015年11月11~15日发生在京津冀地区的一次污染过程进行了模拟,同时利用地面气象要素、风廓线、秒探空和空气质量观测数据对3种参数化方案下的模拟结果进行了验证对比.一种基于临界垂直湍流交换系数确定边界高度的方法被用于对比3种参数化方案之间垂直扩散能力的差异.结果表明,MYJ方案对10m风速高估最大（平均高估0.66m/s）,对2m温度和2m湿度低估最小,YSU和ACM2方案对地面气象要素的模拟效果相近;ACM2方案对于边界层内垂直廓线模拟效果优于YSU和MYJ方案,但是3种参数化方案对边界层内风速均存在高估（高估可达2.6m/s）;基于临界垂直湍流交换系数方法定义的边界层高度更能反映大气的垂直扩散能力,MYJ方案边界层高度最小,其模拟的PM_2.5浓度最高;MYJ方案对于地面风速的高估,会降低模拟的区域整体PM_2.5浓度,但是会增加风速较大区域下风向的PM_2.5浓度;ACM2方案对边界层垂直廓线模拟最好,夜间底层垂直湍流交换系数计算值较大,使得ACM2方案对于本次过程中PM_2.5等污染物的模拟优于MYJ和YSU方案.     

CCSM4/WRF-CMAQ动力降尺度预估RCP8.5情景下京津冀地区空气质量的潜在变化

目前,针对气候变化对区域空气质量影响的研究相对较少,并且多采用统计降尺度方法对全球气候模式结果进行处理.采用WRF中尺度气象模式对CCSM4气候模式的CMIP5 RCP8.5情景预估结果进行动力降尺度处理,并为CMAQ空气质量模式提供气象场;在2012年清华大学MEIC大气污染物排放清单的基础上,选取2005年作为气候现状代表年、2049-2051年作为未来气候代表年,对京津冀地区典型月份（1月、4月、7月、10月）的气象及空气质量数值模拟结果进行对比,以此预估气候变化背景下京津冀地区空气质量潜在变化.结果表明,在排放情况不变及RCP8.5情景下,未来代表年与现状代表年相比,京津冀地区以典型月份为代表的年均气象因素整体呈现温度升高,风速、相对湿度及大气边界层高度均降低的趋势;年均大气污染物浓度整体呈现升高的趋势,其中,温度升高约0.8℃,风速降低约0.11 m/s,相对湿度降低约2%,大气边界层高度降低约8 m,ρ（PM_2.5）升高约2.4 μg/m3,ρ（SO₂）升高约1.8 μg/m3,ρ（NO_x）升高约1.0 μg/m3;此外,主要的气象条件（温度、风速、相对湿度、大气边界层高度）中,风速及大气边界层高度的降低可能是造成这些大气污染物浓度变化的主要气象因素,并且风速及大气边界层高度的降低与ρ（PM_2.5）降低的相关系数分别约为-0.44和-0.26.研究显示,气候变化会对京津冀地区造成污染物浓度升高的潜在风险,同时由于现阶段缺乏可用于空气质量模式的未来排放情景数据、在线耦合模式日臻完善,在我国气候-空气质量的研究领域亟待进行更深层次的研究.      

山东省环境空气中PM2.5与O3的复合污染特征与时空变化趋势

山东省PM_2.5-O₃复合污染特征突出,空间差异性明显,本文基于2016—2020年国控和省控环境空气自动监测站监测数据以及同期各气象代表站气象监测数据,分析PM_2.5和O₃时空分布的变化特征,初步探究其与气象因子及前体物的关系. 结果表明:①2016—2020年山东省空气质量逐步改善,优良天数比例上升了7.1%,重污染天数比例下降了3.5%. 除O₃年评价值上升9.6%以外,SO₂、PM₁₀、PM_2.5、CO和NO₂的浓度均下降,降幅依次为61.3%、29.8%、28.6%、26.3%和11.4%. 各市PM_2.5年评价值均下降(范围为18.4%~34.9%);除德州市外,其他15市O₃年评价值均上升,滨州市的升幅(30.8%)最大. 1月PM_2.5平均浓度最高,呈现先下降后上升的年变化趋势,6月O₃平均浓度最高,且逐年上升. ②山东省PM_2.5和O₃均呈现内陆地区高于沿海地区的分布特征,PM_2.5浓度在西部内陆地区较高,O₃浓度在中北部内陆地区较高,PM_2.5-O₃复合污染特征在中西部地区较明显. 统计期间共计出现PM_2.5-O₃复合污染日224 d,分布在2—11月,出现天数逐年减少. ③为探究PM_2.5-O₃复合污染的影响因素及气象特征,进行相关性分析及气象因子阈值筛查,结果表明,PM_2.5日均浓度和O₃_8 h (臭氧日最大8小时滑动平均值)与其主要前体物和气象因子均呈现相反的相关关系,且对不同因子的响应有一定区域性差异. 当气温为14.9~24.1 ℃、相对湿度为55.5%~75.1%、风速为0.6~2.9 m/s、气压为992.8~1 018.8 hPa时PM_2.5-O₃复合污染易于发生,该条件下大部分城市的气温、相对湿度和气压平均值介于PM_2.5和O₃污染单独发生时的对应因子平均值,但平均风速小于PM_2.5和O₃污染单独发生的平均风速. 研究显示,“十三五”期间山东省PM_2.5浓度波动下降,O₃浓度波动上升,二者的协同关系日趋明显,气象因素对PM_2.5和O₃的生成和累积有一定影响.      

XGBoost-LSTM变权组合模型支持下短期PM2.5浓度预测——以上海为例

为进一步提高PM_2.5浓度预测的精度,基于XGBoost和LSTM进行改进得到变权组合模型XGBoost-LSTM（Variable）.过对预测因子进行相关性分析,得到其它大气污染物和气象因素对PM_2.5浓度的影响,确定最优PM_2.5浓度预测因子,再将预处理后数据集输入LSTM模型和XGBoost模型分别进行预测,采用基于残差改进的自适应变权组合方法得到最终预测结果.结果表明,污染物变量的相对重要性高于气象因子变量,其中当前PM_2.5和CO浓度的相对重要性较高,而平均风速和相对湿度重要性较低.XGBoost-LSTM（Variable）模型的RMSE、MAE和MAPE值为1.75、1.12和6.06,优于LSTM、XGBoost、SVR、XGBoost-LSTM（Equal）和XGBoost-LSTM（Residual）模型.分季节预测结果表明,XGBoost-LSTM（Variable）模型在春季预测精度最好,而夏季预测精度较差.模型预测精度高的原因在于其不仅考虑了数据的时间序列特征,又兼顾了数据的非线性特征.