影响南京地区的两次典型空气污染过程分析

2009年10月下旬与11月上旬,南京及其周边地区接连经历了两次严重的空气污染过程.第一次污染过程表现为持续性灰霾天气,第二次污染过程主要受秸秆焚烧和区域输送的混合影响.利用地面污染监测数据、气象要素观测资料、卫星遥感火点资料结合后向轨迹模式,采用聚类分析的方法讨论了局地源及区域输送对两次污染过程的影响.结果表明,两次污染过程积聚模态气溶胶数浓度较高,与该地区之前观测结果比较气溶胶浓度峰值向大粒径偏移.两次过程PM2.1中SO24-/NO3-的值分别为1.30和0.99.第一次污染过程受偏东、偏南方向局地排放源的影响,≤0.1μm的气溶胶粒子逐渐累积.第二次污染过程主要受东北方向短距离输送与西南方向局地排放的混合影响,尤其是来自偏南方向气溶胶数浓度较高,≥0.1μm粒子尤为明显,说明秸秆焚烧的排放源主要来自此方向.     

2013~2021年邢台PM2.5重污染过程输送和增长特性

利用河北邢台2013~2021年的PM_2.5、气象要素和模拟资料,着重针对重度及以上污染过程（SAAP）中PM_2.5增长速率、来源及其与大气环流和风场的关联性进行分析.结果表明,2013~2021年邢台共发生PM_2.5污染过程164次,SAAP 103次.地面环流中倒槽型出现概率较低,但出现污染概率最高（61.1%）,其次为高压控制型;500 hPa为平直西风带控制时重度及以上污染概率最高（20.7%）,槽后型次之（16.1%）.SAAP中PM_2.5小时变化率（ΔPM_2.5）主要在±150 μg ·（m³ ·h）^-1,PM_2.5小时变化率为正（+ΔPM_2.5）贡献约61.7%,其中暴发增长占比约13.9%.北偏东风为与重度及以上污染关联最为紧密的风向.中等风速条件下SAAP中ΔPM_2.5平均值大多低于静小风,但东偏北和南偏西部分风向区间中,中等风速ΔPM_2.5平均值显著高于静小风（与污染传输有关）;较大风速对ΔPM_2.5影响复杂.后向轨迹表明,SAAP中缓慢、快速和暴发增长的后向轨迹可分为北偏西、北偏东和偏南3个主要路径,随增长速度加快,北偏西气团来向占比增大.缓慢增长气团相对湿度（RH）较大（80%以上RH>50%）,快速增长气团RH分布较集中（主要为35%~55%）,暴发增长中的低RH （RH<50%）气团占比明显增加（约63%）.模拟表明SAAP可分为本地累积、北部偏东输送、北部偏西输送、混合输送型和偏南输送这5类,其中混合输送型占比最高,其次为北部偏西输送型.偏南输送、本地累积和北部偏东输送型中出现概率最高的高低空配置均为高空槽后配合地面均压场;北部偏西输送型中地面高压配合高空槽后出现概率最高;混合输送中多种环流配比相对均衡.     

基于自适应偏最小二乘回归法的CUACE模式污染物预报偏差订正改进方法研究

针对GRAPES-CUACE模式预报的6种常规污染物浓度,采用非线性动力统计-订正方法——自适应偏最小二乘回归法,建立了中国不同地区的CUACE模式预报偏差订正模型,采用多种敏感性试验优选了不同季节各区域的最优自变量组合方案,并对2016年1—3月、11—12月全国342个城市PM_(2.5)浓度预报值进行了滚动订正检验,分析了订正前后PM_(2.5)浓度的时空变化特征,重点分析了该方法在京津冀、长三角、珠三角、川渝地区等关键区域的适用性及其改进效果.结果表明:(1)CUACE模式预报PM_(2.5)浓度普遍低于观测浓度,且与实测值的相关系数较低;CUACE 15 km分辨率模式PM_(2.5)浓度预报效果优于54 km分辨率模式,其中长三角地区改进最显著,珠三角和京津冀次之,川渝地区预报效果较差.(2)订正后的PM_(2.5)浓度更接近于实测值,订正后误差明显减小,相关系数明显提高,而且订正值与实测值的散点集中分布于对角线附近.(3)长三角地区PM_(2.5)浓度订正效果最好,准确率可达72.3%;珠三角地区次之,准确率为66.3%;京津冀和川渝地区订正效果稍差,但准确率亦可达63.6%和62.6%.(4)订正后污染日和非污染日的准确率、相关系数分别提高了57.5%和25.9%、304.8%和15.2%;绝对平均偏差、均方根误差分别减小了38.9%和18.7%、21.8%和8.5%.(5)针对北京、上海、广州、乐山的不同重污染过程,订正后的平均绝对误差分别减小了12.07%、46.63%、36.66%、17.71%,相关系数分别提升了25.86%、22.22%、16.92%、162.5%,说明该订正方法适用于不同地区的不同重污染过程的预报.     

北京市PM_(2.5)和气态前体物相关关系分析

利用2012年全年北京市SO_2、NO_x、O_3、CO和PM_(2.5)监测数据,分析了其季节变化及日变化的差异,讨论PM_(2.5)与气态前体物的相关性及其来源。结果表明:PM_(2.5)质量浓度的频率分布在不同季节有显著差异,但总体趋势均为PM_(2.5)出现频率随着污染的加剧而逐渐降低;除春季CO与PM_(2.5)的相关性略低于夏季外,各气态前体物与PM_(2.5)的相关性均为冬季最为显著,其次为秋季,春季次之,夏季基本未表现出明显相关关系;冬季,PM_(2.5)和SO_2的相关性受相对湿度影响显著;北京本地的污染受局地源排放和污染远距离输送的共同作用,污染性的气团主要来自偏南方向,秋季污染远距离输送对北京本地污染的贡献最为显著,冬季本地排放是PM_(2.5)的主要来源;春、秋、冬季均表现出一定的周末效应。     

2016～2020年北京城区和郊区PM2.5爆发性增长特征对比研究

利用PM_2.5浓度、气象要素、NCEP以及ECMWF再分析资料等,对比分析2016～2020年北京城区和郊区的污染特征,根据多种阈值指标定义爆发性增长过程,并着重分析爆发性增长过程中的环流形势以及污染物的不同来源.结果显示,北京城郊全年污染日数呈逐年下降趋势,但秋冬季的污染日数占比2016～2017年逐年下降,2018～2020年逐年升高,城区污染改善速度慢于郊区.2016～2020年城郊污染持续时长一般≤3d,城区≥2d的污染日次数均多于郊区,且均呈逐年下降趋势.城区和郊区细颗粒物污染存在明显的相互影响特征,城区对郊区的影响更为显著.城郊爆发性增长次数和爆发性污染占比整体先下降再升高.城区发生的爆发性增长过程次数多于郊区,但爆发性污染占比城区低于郊区.爆发性增长过程出现概率≥10%的地面天气形势为均压场型和高压前部型,高空形势为纬向环流和槽后型.城区传输型爆发性增长过程出现概率最高的天气形势为高空槽后配合地面高压前部型,占比可达37.0%,郊区传输型爆发性增长过程出现概率最高的天气形势为高空纬向环流配合地面高压前部型,占比可达31.6%,城区和郊区本地型爆发性增...