贝加尔湖高压分裂过程对绥化市重污染的影响

为探究贝加尔湖高压分裂过程对绥化市2020年1月份持续性重污染事件的影响,以WRF中尺度气象预报数据及气象观测数据为分析基础,分析了2020年1月9～21日的天气形势及气象要素变化,并结合污染物浓度观测数据及PM2.5组分观测数据(13～21日),分析了该过程中污染物浓度变化及化学组分特征.结果表明:此次污染过程由贝加...     

偏东风输送导致的关中地区冬季PM2.5重污染个例研究

关中地区是我国大气污染的重点监测区域,为探究偏东风输送对关中地区冬季PM_2.5重污染的影响,重点分析了2018年1月12-18日在偏东风输送影响下关中地区ρ（PM_2.5）日均值的变化过程;利用WRF和CAMx模式对PM_2.5重污染过程进行模拟并讨论其消长原因.结果表明:①冬季关中地区在高压脊和西南槽的控制下,偏东风将污染物输送至关中地区,加之关中地区地形阻滞,致使关中地区的ρ（PM_2.5）上升.②研究期间,关中地区ρ（PM_2.5）日均值范围为103~240 μg/m3,偏东风输送是导致此次重污染过程的重要原因.重污染的发生还与气象要素的变化有关,其中ρ（PM_2.5）日均值与气温、相对湿度均呈滞后相关性.在ρ（PM_2.5）日均值相等的情况下,相对湿度越大,能见度越低;随着ρ（PM_2.5）日均值和相对湿度的升高,能见度下降的速率逐渐变慢.③根据WRF-CAMx的模拟结果,此次重污染过程中关中地区PM_2.5污染输送关系不均衡,宝鸡市和咸阳市均以本地贡献为主,其本地贡献率超过45.00%,而渭南市接收关中地区其他城市及关中地区以外区域污染输送占比为69.82%;位于盆地中东部的咸阳市、西安市和渭南市的ρ（PM_2.5）月均值均大于关中地区ρ（PM_2.5）平均值;渭南市、西安市、运城市以及关中地区以外城市是此次关中地区跨市PM_2.5污染输送的主要来源.研究显示,偏东风输送是关中地区此次大气重污染过程的重要原因.      

辽宁辽中县城郊地区大气污染物时空变化及来源特征

以辽中县水文站为辽宁省典型城郊地区大气背景站点,针对大气污染物,ρ(PM_2.5)和气象因子等进行了1年(2007年2月—2008年1月)的连续观测.研究了各污染物的浓度水平,日、季节变化以及来源特征.φ(O₃),φ(CO),φ(SO₂),φ(NO),φ(NO₂),φ(NO_x*),φ(NH₃)和ρ(PM_2.5)平均值分别为19.9×10-9,0.85×10-6,9.7×10-9,8.8×10-9,14.5×10-9,23.2×10-9,29.8×10-9和66.6 μg/m3. 除SO₂外,各污染物浓度水平均优于我国《环境空气质量标准》(GB 3095—1996)的二级标准.φ(O₃)在日间达到最大值,一次污染物呈现双峰分布.从季节变化来看,φ(O₃)在夏季最高,春季最低.一次污染物如CO,SO₂,NO以及PM_2.5的浓度均在冬季达到最大值.地面监测的φ(O₃)和OMI卫星反演的NO₂ 柱浓度的变换趋势相同,但地面观测的φ(O₃)在春季明显低于柱浓度.后推气流轨迹分析结果表明,在φ(O₃)较高的夏、秋季,从东北地区和渤海湾起源的气流贡献最大.      

关中地区PM2.5污染过程的主要参数特征和EMD统计分析

为了掌握关中地区的污染过程特征,并为关中地区预警预报提供理论支撑,利用2014—2017年关中地区五市(西安市、咸阳市、宝鸡市、渭南市、铜川市)ρ(PM_2.5)数据,对该地区PM_2.5污染过程的峰值质量浓度、持续时间等特征进行统计分析,并用EMD (经验模态分解法)分解海平面气压观测数据,对PM_2.5污染过程的统计结果进行解释.结果表明:①关中地区ρ(PM_2.5)分布在时间和空间上均具有显著的区域相关和时间同步特征.各城市的ρ(PM_2.5)日均值较接近,相差范围为2～15μg/m³.②污染过程持续时间的统计表明,冬季污染过程持续时间(11～15 d)相对较长,夏季污染过程持续时间(7～9 d)相对较短; PM_2.5污染过程的峰值质量浓度分析表明,各城市中度及以上等级的污染频次差异较大,最大值出现在咸阳市,为16次,最小值出现在铜川市,为9次.③利用EMD算法对气压数据进行分解后发现,第4模态(IMF4)的震荡频率变化是关中地区各城市不...     

基于机器学习方法的西安市数值模拟优化研究

为提高西安市ρ(PM_2.5)及ρ(O₃)预报准确率,更好地服务西安市预报预警工作,以CAMx模式预报结果为基础,结合中尺度WRF气象预报数据、ρ(PM_2.5)及ρ(O₃)观测数据,基于多元线性回归、岭回归、lasso回归、决策树、随机森林以及支持向量机6种机器学习优化模型,对西安市2019年PM_2.5及O₃模拟结果进行优化.结果表明:①CAMx模式对污染物的预报存在偏差,优化模型明显修正了CAMx模式的系统性偏差,提高了预报精度.②ρ(PM_2.5)及ρ(O₃)的均方根误差(RMSE)由174.00、37.11 μg/m3分别降至34.36~39.37、24.77~28.82 μg/m3,相关性系数(R)由0.63、0.78分别提至0.70~0.78、0.83~0.88.③不同模型对模拟值的订正优势不同,随机森林对PM_2.5优化效果显著,优化提高率为80%;支持向量机对O₃的优化效果最理想,优化提高率为36%;线性回归方法对O₃的优化效果较好,但对PM_2.5的优化效果相对较差.研究显示,机器学习模型显著优化了CAMx模拟结果,反映了利用机器学习修正空气质量数值模式预报结果的研究意义和可行性.      

中国NO2的季节分布及成因分析

利用OMI卫星观测的对流层NO₂柱浓度和113个重点城市地面ρ(NO₂)监测数据,结合753个监测站降水资料以及中国气象局气象信息综合分析处理系统(MICAPS)气压场数据,研究了中国NO₂的季节分布特征及其影响因素.结果表明:卫星遥感数据和地面监测数据同步显示了中国NO₂浓度冬季峰值、夏季谷值的季节分布特征;月降水量与地面监测的ρ(NO₂)呈负相关,相关系数为0.71.气压场平均结果表明,边界层气压场的特征是影响NO₂浓度季节分布的另一个主要因素.      

持续鞍型场导致的西安市PM2.5重污染过程分析

为了解鞍型场对西安市PM_2.5重污染过程的影响.以西安市2016年2月6—14日重污染过程ρ（PM_2.5）及气象要素的小时变化为研究对象,综合分析了此次重污染过程特征、天气型以及气象要素变化.结果表明:①西安市此次重污染过程可分为污染上升阶段（6—7日）、污染维持阶段（8—11日）及污染减轻阶段（12—14日）,3个阶段分别处于均压场、鞍型场、高压前部等天气型的影响下.②此次鞍型场发生时,天气持续静稳,气压梯度力小,且西安市处于气流的辐合地带,导致污染物的形成和积累,ρ（PM_2.5）最高值达198 μg/m3.③在鞍型场的控制下,西安市日均气温维持在偏高的水平（最高达7.2℃）,相对湿度呈上升的趋势,最高达86.5%;而风速和能见度则波动下降,平均风速和能见度最低值分别为0.8 m/s和0.5 km.高温、高湿、小风的气象条件有利于污染物的吸湿增长从而导致PM_2.5重污染.④受鞍型场的影响,西安市边界层高度较低,最低时只有55 m,且逆温层较厚,强度较大,最大值达3.8℃/（100 m）,极低的边界层高度和较厚的逆温层削弱了污染物的垂直扩散能力,污染物被抑制在近地面,形成较严重的污染.研究显示,鞍型场天气型导致的均压场、暖湿、静风、低边界层及强逆温层是此次西安市PM_2.5重污染过程的重要原因.      

基于机器学习的郑州市大气PM2.5与O3浓度预测方法及气象因子的影响分析

近年来,我国面临着细颗粒物(PM_2.5)污染形势依然严峻以及臭氧(O₃)污染日益凸显的双重压力.为进一步准确预测郑州市大气PM_2.5与O₃浓度并探明气象因子的影响,本研究使用2018-2022年郑州市大气污染物和气象因子逐时数据,结合统计学单因素分析和机器学习LightGBM模型多因素分析,建立了一种基于长时间序列数据的PM_2.5与O₃浓度预测及气象因子影响分析的综合分析方法.结果表明：(1)训练后的LightGBM模型能够较好地预测PM_2.5污染,准确率达80.8%;对O₃污染预测的准确率为52.5%.(2)郑州市大气PM_2.5浓度与气压呈正相关,与比湿和环境温度均呈负相关;大气O₃ 8 h滑动平均浓度(O₃-8 h浓度)与比湿和太阳辐射均呈正相关,与气压呈负相关.(3)有利的气象条件可能是2021年PM_2.5年均浓度得到显...     

西安市“阶梯型”持续污染过程演变及PM2.5区域输送分析

为探究2016年11月西安市阶梯型持续污染过程的动态演变规律,利用NCEP再分析数据分析了2016年11月7日—22日的天气形势演变过程,结合CAMx-PSAT模型及化学组分在线监测数据,分析了“阶梯型”演变过程中的区域输送以及大气颗粒物的化学组分变化.结果表明：(1)由于西安市特殊的盆地地形因素及独特的天气形势变化,导致本次“阶梯型”污染过程出现“谷-峰-峰-峰-谷”的时序变化特征,3个上升阶段的天气形势演变主要为“高压脊-内蒙古低压东移-鞍形场”;(2)“阶梯型”演变过程中,主要有3条PM2.5输送通道：偏东北输送、偏北输送以及偏东输送,其中偏东北输送来自渭南、运城、洛阳、临汾、吕梁、晋中,约占输送总量的45%;偏北输送主要为本地积累及咸阳输送,约占总输送量的90%;偏东输送的主要城市为渭南、运城、洛阳及其他地区,输送占比最高上升至70%左右;(3)3个上升阶段污染物浓度峰值期间,二次无机盐（sulfate-nitrate-ammonium,SNA）分别占PM2.5的50%、41%、52%,其中第三上升阶段中污染物的二次转化最为强烈.研究表明,西安市“阶梯型”污染演变是由于独特的地...     

中国CO时空分布的遥感诊断分析

利用2010年9月AIRS(Atmospheric InfraRed Sounder)传感器的CO柱密度数据及地面CO小时浓度监测资料进行对比分析,结果表明,二者具有时间同步特征,相关系数为0.63(显著性水平95%),AIRS观测数据反映了地面CO的污染.通过2004-2010年CO柱密度数据,研究了中国C0的时空分...