不同天气形势对南京地区双高污染的输送及潜在源区分析

基于2015~2019年南京细颗粒物（PM_2.5）和臭氧（O₃）逐小时浓度数据,通过T-mode主成分分析法对南京发生PM_2.5和O₃污染同时高浓度并存（双高污染）时的天气形势进行了分型,利用后向轨迹聚类分析法、潜在来源贡献法（PSCF）和浓度权重轨迹分析法（CWT）研究不同天气形势对南京双高污染的输送路径及潜在源区分布.结果表明,有利于南京地区双高污染的天气形势分别为弱的低压型（Type1）和高压中心型（Type2）.天气形势会对后向轨迹的方位来源产生影响.Type1时,南京地区受到东北和西南两个低气压影响,气团的聚类轨迹主要来自东西两个方位,轨迹中ρ（PM_2.5）和ρ（O₃）平均值分别为83.48 μg·m^-3和106.85 μg·m^-3.Type2时,南京及其周边在高压中心边缘,气团聚类轨迹主要来自北方和东方,轨迹中ρ（PM_2.5）和ρ（O₃）平均值分别为94.47 μg·m^-3和92.32 μg·m^-3.同时两种类型后向轨迹绝大部分属于中短距离区域输送,说明周边临近省份的污染是影响南京地区双高污染主要原因之一.PSCF和CWT分析表明,两者高值区域基本保持一致.Type1和Type2两种类型中PM_2.5和O₃的最主要潜在源区均出现分布并不完全一致的情况,表明双高污染中的两种污染物并非来自同一地区.     

基于星地同步观测的华北平原中部背景地区冬季霾污染过程

利用地基观测结果和多源卫星遥感观测,结合气象数据及HYSPLIT4后向轨迹模式,对华北平原中部背景地区(河南省郑州市中牟县东南郊)冬季霾事件的污染物特征和形成过程进行分析.综合观测时间为2014年12月13日~2015年1月16日,共有5次霾过程,占观测总天数的82%.地面监测结果显示,不同的污染过程污染物浓度变化曲线相似,O₃浓度在清洁天浓度较高;NO_x、SO₂、PM₁₀、PM_2.5呈较强正相关性,NO_x、SO₂与 PM₁₀相关系数0.64、0.57,与PM_2.5相关系数0.56、0.45;近地面污染物以细粒子污染物为主,其中又以气态污染物二次生成的细粒子为主.AMPLE地基激光雷达和CALIPSO数据表明,华北平原霾层中上部受浮尘影响,以粗粒子污染物为主.气象探空数据表明该地区冬季大气对流层稳定利于霾的维持,假相当位温垂直差、K指数、露点差与能见度相关系数分别为0.52、0.56和 0.38.分析近地面风速风向对霾过程的影响表明,该地区冬季以南方向静小风为主,风速与能见度相关系数为0.32 ,PM₁受东北方向污染源影响,PM_1~2.5及PM_2.5~10受西北方向污染源影响;结合高空风场分析,霾过程1受西北浮尘影响,霾过程5受南来水汽影响.通过后向轨迹分析,该地区冬季的低空污染传输主要来自东北和西北方向,其中东北方向区域传输来自河北与山东,占来源比例的14%,近距离污染传输主要来自站点以西的郑州、洛阳,约占来源比例的33%.     

福州市PM2.5污染过程中大气边界层和区域传输研究

以福建省会福州市2013年1月空气质量变化为对象,分析大气边界层变化和周边区域污染物传输对福州市大气颗粒物PM2.5的影响.利用福州市2013年1月逐日地面和探空观测资料以及NCEP提供的2013年1月FNL分析资料,通过大气边界层要素与PM2.5浓度之间的相关性,对PM2.5污染过程的大气边界层特征进行分析;同时采用HYSPLIT后向轨迹模拟及区域风场相关矢分析对影响福州雾霾的污染物区域传输路径进行探讨.结果表明:地面气温与PM2.5浓度呈正相关,地面风速与PM2.5浓度呈负相关,近地面边界层条件有利于霾颗粒物的形成和累积.但不同于我国东部主要污染源区霾污染过程中存在大气边界层逆温,福州PM2.5污染过程中并未出现大气边界层逆温结构,这一边界层结构的垂直混合可有利于区域传输的污染物从上层大气到达近地面从而加重福州霾污染,福州是华东地区一个PM2.5污染物的主要接受区,PM2.5污染物主要以外源输送为主.2013年1月份福州市清洁日近地面风向为海洋吹向大陆的东南风,霾污染日则为大陆吹向海洋的偏北风,PM2.5污染物主要从长三角地区、苏北以及安徽河南一带通过东北和西北方向的传输路径影响福州的空气质量.     

2014年京津冀地区PM2.5浓度时空分布及来源模拟

采用模式(CAMx)模拟与污染物、气象观测资料相结合的方式,分析了2014年京津冀地区PM2.5时空分布及来源特征.结果表明:PM2.5具有较为明显的时间变化规律,呈秋冬高、春夏低的规律和双峰型分布的日变化特征;重污染日PM2.5高浓度(PM2.5>150μg/m3)主要分布在太行山前的华北平原区,特别是北京、保定、石家庄一线,而太行山、燕山等西部及北部山区PM2.5浓度明显低于平原区;重污染日京津冀地区PM2.5平均浓度在150μg/m3以上的面积约占总面积的73%;重污染日北京、天津、石家庄市的PM2.5外来输送率分别为58%、54%、39%;2014年10月6~12日京津冀地区发生的一次重污染过程中污染物由南向北输送,区域输送对于各地区PM2.5浓度有着十分重要的影响.     

2014年10月中国东部持续重污染天气成因分析

2014年10月5─13日中国东部发生了大范围、长时间的(雾)霾及重污染天气. 采用AQI数据分析此次大气重污染过程的时、空演变特征,并应用NCEP(美国国家环境预报中心)再分析资料以及地面、小球探空数据,分析了主要天气型演变、边界层及上空的风场、气象条件特征,以研究此次秋季重污染天气的气象成因和形成过程. 结果表明:①华北、东北是此次污染最为严重的地区,其域内各城市持续数日的污染演变可分为AQI显著上升、持续高值、下降3个阶段. ②在AQI上升阶段(10月6—8日),受大陆高压控制,东部地区出现较弱地方风场和偏南风输送风场,风速在0～2 m/s,相对湿度在22%～86%,3 000 m逆温显著利于污染物积累. ③在持续污染阶段(10月8—11日),海上高压滞留,再加上台风“凤凰”北上阻挡大陆高压影响,使东部地区出现持续4 d的偏南风、偏东风弱风场,风速在1～4 m/s,相对湿度为57%～96%,造成严重污染. ④在AQI下降阶段(10月11—12日),后续大陆高压南下,前部冷锋利于污染物清除,风速达到6 m/s,是AQI降低的主要天气背景场. 因此,持续出现的稳定天气形势是导致此次中国东部重污染天气的主要气象原因.      

油气管道突发事故演练

<正>2013年12月17日,福建省厦门市组织了一场油气管道突发事故应急演练。演练摸拟了在厦门市集美区厦门北火车站附近一工地现场,因市政施工方违章作业,造成中国石油化工股份有限公司福建石油分公司(以下简称"中石化分公司")成品油输送管道泄漏的情景。消防、公安、安监、环保、卫生、市政、气象等应急联动部门快速反应,与中石化分公司抢维修队伍密切配合,     

省政府部署油气输送管道安全生产工作

12月10日,江苏省政府召开石油、天然气输送管道保护暨隐患整治工作会议,部署油气输送管道安全生产工作。副省长张雷出席会议并讲话。     

中国东部春季一次强冷锋活动空气污染输送过程分析

利用CMAQ(4.7.1)和HYSPLIT后向轨迹模式,结合长岛和洪泽湖站点污染物观测数据,对2011年3月31日—4月3日影响我国东北部地区的一次典型强冷锋天气空气污染过程进行模拟分析,验证表明模式能较好地模拟此次强冷锋过程. 由结果可知,此次强冷锋前后污染物浓度呈先升后降又上升的现象. 在冷锋移动过程中,锋前出现一条高浓度污染带,锋面将污染物抬升至800～500 hPa的高度,使污染物在对流层中层快速向西太平洋传输;冷锋对当地污染物的去除不仅有水平方向的推动作用,还会使污染物向高空输送. 锋面过后污染物浓度急剧降低,冷锋对长岛站点SO₂、O₃、NO_x、PM_2.5的清除率分别为90.87%、34.10%、50.56%、72.69%,对洪泽湖站点则分别为82.53%、50.45%、65.11%、36.80%. 锋面过去1~2 d后,高压控制天气形势下污染物再次开始积累、浓度回升. 冷锋前后污染物形成一个“积累—锋前抬升—高空平流输送—锋后大风清除—积累”的循环.      

黑河流域水汽输送及收支特征

利用NCEP/NCAR逐日再分析资料对黑河流域的水汽输送和收支特征进行了计算分析,结果表明:西风环流使得源于大西洋和北冰洋的水汽成为黑河流域空中水汽的主要来源,流域内水汽输送以自西向东的纬向输送为主,东边界输出强度强于西边界输入强度,纬向净输入量为负;经向输送为自北向南且在强度上不及纬向输送,北边界输入强度强于南边界输出强度,经向净输入量为正。700 hPa气层流域南部的水汽辐合辐散特征随季节变化显著,冬季为水汽辐散区,夏季为水汽辐合区;流域北部没有明显的水汽辐合辐散特征。全流域多年平均水汽输入量为997.3 km³,输出量为1 046.1 km³,净输入量-48.8 km³,20世纪60年代中期以后流域水汽净输入量呈现增加趋势。黑河流域北部荒漠区年内各季均为水汽输出期,中低层大气(地面~500 hPa)为主要的水汽输出层;南部山区年内6-9月为水汽输入期,低层大气(地面~700 hPa)为水汽输入层,中高层大气(700~300 hPa)为水汽输出层。据大气水平衡原理,黑河流域多年平均蒸发量约为84 km³。     

基于GA-ELM浆体管道输送临界流速预测模型研究

针对浆体管道输送临界流速预测难度大、精确度低等技术难题,提出了基于极限学习机(ELM)的临界流速预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,利用遗传算法(GA)对ELM模型参数进行优化,应用优化得到的ELM模型对预测集进行预测。以某矿山为例,模型参数优化结果如下:隐含层节点数L为400,输入权值ai、偏置向量bi最优组合下预测结果适应度为0.0201。采用优化的ELM模型对预测集进行预测,预测结果的最大相对误差x=3.96%,平均相对误差y=1.58%,对比BP神经网络(x=12.95%)和SVM模型(x=3.19%),表明ELM模型更加精确、高效。