共查询到20条相似文献，搜索用时 31 毫秒
1.
利用2019年1—6月地面环境监测资料和PM2.5气象条件评估指数，结合滚动偏差订正方法，对汾渭平原CUACE空气质量预报产品进行了检验订正，并对气象条件和污染减排影响进行了评估。结果表明：CUACE模式对空气质量指数(AQI)、PM2.5和SO2浓度预报值较接近观测值，PM10、CO和NO2预报值小于观测值，O3预报值大于观测值；对首要污染物O3和PM2.5及重度和严重等级污染的预报的TS评分最高，漏报率和空报率最小，预报偏差最接近1；滚动偏差订正方法对改善CUACE空气质量预报效果较为明显，尤其是对PM10、O3和NO2改善最为明显；汾渭平原2019年上半年气象条件变化使PM2.5浓度较2018年同期和过去5年同期分别上升了18.26%和11.18%，减排措施使PM2.5浓度较2018年同期和过去5年... 相似文献
2.
利用西安市2016—2021年逐小时PM2.5浓度监测数据和气象观测数据,基于极端梯度提升机器学习算法模型(extreme Gradient Boosting, XGBoost),选择气象因子和时间因子作为特征变量,对西安市逐小时PM2.5浓度进行预报试验。结果表明：西安市PM2.5浓度与平均气温和能见度显著负相关,冬季PM2.5浓度与相对湿度和露点温度显著正相关,偏东风更易诱发重污染天气。西安市12月底至翌年1月初空气污染频发,但PM2.5浓度总体逐年降低。冬季PM2.5浓度的双峰形日变化最明显,最高值分别出现在凌晨和11时。西安市PM2.5浓度变化存在“周末效应”。模型能够较为真实地反映PM2.5浓度量级和演变趋势的变化,预报值与实况值之间的决定系数为0.77、平均绝对误差为12.79μg·m-3、均方根误差为18.68μg·m-3。模型秋冬季表现较为稳定,预报效果... 相似文献
3.
PM2.5和O3已经成为汾渭平原城市最主要的污染物,两者之间相互影响,在暖季经常同时出现构成污染,其污染程度与气象条件密切相关。利用2015—2021年汾渭平原12个城市逐日PM2.5和O3浓度、地面气象观测数据以及ERA5高空再分析数据等资料,分析了汾渭平原PM2.5和O3的时空变化特征以及复合污染发生时PM2.5和O3的关系,并研究了局地气象条件和天气形势对复合污染的影响。结果显示,该地区年均PM2.5和日最大8小时O3浓度分别在2017年和2018年开始持续下降,复合污染日数也在2019年后开始持续下降;复合污染主要发生在3—9月,在汾渭平原东部城市出现次数较多,多出现在高温、低湿的环境下;最后利用T-PCA算法(正交主成分分析)将复合污染的天气环流形势分为4种类型,主要呈现出以高空西北气流或偏西气流、低层为暖区偏南风或微风为主的天气特征。研究结果对汾渭平原的大气... 相似文献
4.
汾渭平原因其封闭的地形条件以及煤炭为主的能源结构,大气污染问题一直存在,并于2018年被列入大气污染防控的重点区域。文章利用2015年以来PM10、PM2.5、SO2、NO2、CO、O3质量浓度的观测数据和空气质量指数（Air Quality Index,简称AQI）,分析了汾渭平原AQI及大气污染物质量浓度的时空分布特征;使用多元线性回归模型研究了气象条件对冬季PM2.5和夏季O3浓度日最大8 h滑动平均值（MDA8_O3）日变化和年际变化的影响。研究发现,汾渭平原的空气质量在2015～2017年间逐年变差,在2018～2019年有所好转,污染较重的城市为西安、渭南、咸阳、临汾、运城、三门峡、洛阳,集中在汾河平原与渭河平原交界处。汾渭平原的首要大气污染物多为PM2.5、PM10或O3,三者占比之和约90%。重污染时期主要集中在天气条件不利及污染物排放量大的冬季供暖期,但夏季O3浓度的升高趋势使得汾渭平原夏季污染情况越来越严重。影响汾渭平原冬季PM2.5浓度和夏季MDA8_O3日变化最主要的气象要素都是2 m高度气温（简称T2M）,相对贡献分别是45.5%、35.3%,都表现为正相关;第二主要的气象要素都是2 m相对湿度（简称RH2M）,相对贡献分别是41.5%（正相关）、25.4%（负相关）。影响汾渭平原冬季PM2.5浓度年际变化最主要的2个气象要素是T2M和RH2M,其相对贡献分别为43.6%、31.9%,且都呈正相关,2015～2019年汾渭平原冬季气象条件的变化会导致PM2.5浓度上升,部分削弱了人为减排导致的下降趋势（?8.3 μg m?3 a?1）。影响汾渭平原夏季MDA8_O3年际变化最主要的2个气象要素是T2M（正相关）和850 hPa风速（WS850,负相关）,其相对贡献分别为71.7%、16.3%。2015～2019年汾渭平原夏季气象条件的变化导致O3污染呈上升趋势（1.2 μg m?3 a?1）,但O3污染的总上升趋势（8.7 μg m?3 a?1）中,人为排放变化的贡献更大（7.5 μg m?3 a?1）。本研究表明,汾渭平原大气污染形势严峻,其颗粒物污染问题尚未解决,还面临着新的臭氧污染的挑战,汾渭平原内的11个地级市分属陕西、山西、河南三省管辖,三省交界处又是重污染区域,所以需要三省联合防治防控,协同改善汾渭平原的空气质量。 相似文献
5.
利用PCA-kNN方法改进广州市空气质量模式PM2.5预报 总被引：3，自引：2，他引：3
为了提高广州市PM2.5客观预报能力,采用主成分分析结合机器学习算法k近邻（PCA-kNN）方法,基于空气质量模式（CMAQ）预报产品、中尺度天气模式（GRAPES-MESO）预报产品和2017年上半年广州PM2.5观测实况,试验确定PCA-kNN方法的最佳参数方案,建立广州市空气质量模式PM2.5预报客观订正方法。结果表明:与CMAQ模式的PM2.5预报相比,在第1~3天预报时效上,PCA-kNN订正结果与实况的相关系数分别提高20%、15%、29%,均方根误差分别降低17%、16%、20%,平均偏差更接近0,PM2.5浓度等级TS评分接近或优于CMAQ预报,PCA-kNN订正结果优于CMAQ预报。机器学习算法PCA-kNN方法可有效改进广州市空气质量模式PM2.5预报,本研究对其他地区、其他污染物客观预报研究具有借鉴意义。 相似文献
6.
选取中国汾渭平原地区作为研究对象,利用MODIS、OMI和CALIPSO多源卫星遥感资料,同时结合环境监测国控站点污染6要素等逐小时地面环境监测数据以及能见度、霾天气现象记录等地面气象要素资料,综合分析了2013—2018年秋冬季汾渭平原空气质量状况、气溶胶的组分,探讨了卫星遥感气溶胶光学厚度（Aerosol Optical Depth,AOD）与地面污染物浓度的关系,并结合中国气象局化学天气预报系统-EMI评估模式（CUACE-EMI）资料对气象条件和污染减排影响进行评估。结果表明：11个代表城市中有6个城市秋冬季有接近或超过一半的时刻处于污染状态,且污染发生时,各代表城市大多数时刻处于中度及其以上污染级别;三门峡、临汾、运城和西安是霾和重度霾高发的城市,其重度霾爆发频率高达11.63%—14.78%;汾渭平原秋冬季首要污染物为PM2.5和PM10,以污染沙尘、沙漠沙尘和烟尘为主,出现频率分别为36.24%、25.14%和22.96%;MODIS AOD与空气质量指数（Air Quality Index,AQI）、PM2.5、PM10质量浓度之间的相关系数分别为0.72、0.70和0.64;汾渭平原2018年气象条件的变化使PM2.5浓度较2013年、2014年、2015年、2016年和2017年同期上升了17.06%、1.58%、4.34%、11.25%和5.75%,减排措施使PM2.5浓度较2013年、2014年、2015年、2016年和2017年同期分别下降了8.74%、28.01%、4.93%、3.16%和42.62%。 相似文献
7.
利用2014—2017年汕头市PM2.5的日浓度资料、以及汕头市国家基准气象观测站的同期地面气象资料,重点分析了汕头市PM2.5浓度的变化特征以及风、混合层厚度、降水等气象条件对PM2.5浓度的影响,同时探讨了污染物浓度变化的成因。在此基础上,根据汕头市的气候特点,采用BP （Back-Propagation）人工神经网络方法针对汛期和非汛期分别建立了PM2.5质量浓度预报模型。结果表明：与多数内陆城市不同,汕头市PM2.5浓度日变化为单峰型,这与汕头地处沿海受海陆风影响有关;PM2.5浓度日峰值出现在08时左右,除早高峰污染物排放增加的因素外,与早晨时段的低风速环境有关;PM2.5日均浓度随着风速的增大呈现减小趋势,PM2.5日均浓度与08时混合层厚度显著相关（相关系数为-0.143）;汕头市非汛期PM2.5浓度比汛期高,这与汕头市的亚热带季风气候特征有关,汛期各量级降水（暴雨以上除外）对PM2.5的清除效果无明显差别,而非汛期降水对PM2.5浓度有明显清除作用;BP人工神经网络模型的预报效果表明,汛期和非汛期的PM2.5级别命中率TS分别为100%和90.3%,准确指数分别为87.7%和89.9%,总体预报效果良好。不同时期预报模型出现正误差的数量和程度均大于负误差,汛期预报模型在有强降水发生时误差较大,而非汛期预报模型在有冷空气入侵时误差较大。 相似文献
8.
运用2017—2020年5—8月城市空气质量数据和地面气象数据,筛选出对O3日最大8 h滑动平均质量浓度（以下用C8h(O3)表示）影响较大的气象因子,建立了近地面C8h(O3)主要气象条件判定标准——高质量浓度O3潜势指数（IHPP）,进一步拟合得到汾渭平原夏季C8h(O3)多元逐步回归预报方程,并进行效果检验。结果表明：汾渭平原IHPP由日最高气温（Tmax）、日均相对湿度（HR）、日照时数（t）、日主导风向（WD）和降水量（P）5个气象因子构成,其值介于-1～6之间,值越大则该日近地面O3超标可能性越大;经检验,C8h(O3)多元逐步回归方程预报结果与实况较吻合,汾河平原（特别是运城）预报效果总体较好,临汾、吕梁和西安等级预报效果有待改进;预报检验时段咸阳和晋中等级预报准确率较国家气象中心的指导预报分别上升79%和289%,说明预报方程具有一定的业务应用可行性。 相似文献
9.
基于北京地区快速更新循环同化预报系统 (BJ-RUC)、WRF-Chem模式和优选的能见度参数化方案,建立了北京区域环境气象数值预报系统。对2014年全年PM2.5浓度、能见度和APEC (Asia-Pacific Economic Cooperation) 期间预报效果检验结果表明:该系统对京津冀及周边地区PM2.5浓度的预报效果较好,大部分站点的相关系数在0.6以上,特别是北京的部分站点可达0.8以上,预报结果相比观测总体偏低,随着预报时效的延长,24 h之后预报效果略有下降。相比人工观测,能见度预报结果与自动观测能见度更加接近,对持续性低能见度过程预报与实况吻合较好,对于小时能见度低于10 km的分级检验显示,预报准确率从77%左右逐级下降,2 km以下在40%左右。2014年APEC期间,系统很好地预报出北京地区空气质量指数、PM2.5浓度和能见度的时空演变特征,为APEC期间环境气象预报服务提供了有力的技术支撑。 相似文献
10.
基于GRAPES-CMAQ的中山市空气质量预报系统预报效果评估 总被引：2，自引：2，他引：2
对基于GRAPES-CMAQ模式的广东省中山市空气质量预报系统2016年的AQI等级、首要污染物、PM2.5和O3浓度预报数据进行检验评估。预报系统对中山市全年的AQI等级24小时预报TS评分为0.66, TS评分在6—7月最高。当实况AQI等级为一级, TS为0.84, 当空气质量变差时, TS明显下降, 说明模式目前对空气重污染事件的预报能力不足。模式对中山市的主要污染物O3、PM和NO2的预报TS评分分别为0.21、0.24和0.24, 其中对O3和NO2的漏报率达到0.78和0.76, 而PM的空报率高达0.71。预报系统对PM2.5的浓度预报总体略偏高, 相关系数为0.59, 但在霾污染较严重的月份中预报效果并不稳定。对O3的预报全年相关系数达到0.7, 且在O3污染较严重的7—11月, 相关系数均能达到0.5以上, 但这几个月的O3预报浓度均比实况明显偏低。从气象预报入手分析预报系统对10月2—7日中山市一次连续O3污染过程漏报的原因, 发现GRAPES模式对这段时间内整个珠三角地区日间降水的预报范围偏大, 强度偏强, 且预报的地面风速也比实况要偏大, 导致模拟O3浓度比实况明显偏低。 相似文献
11.
基于大气化学模式WRF/Chem采用4种边界层方案（YSU,BL,MYJ和MYN3）模拟2015年全年天津地区细颗粒物质量浓度演变趋势,分析不同边界层方案对天津地区PM2.5质量浓度模拟和预报的影响,并构建多种边界层方案的集合预报产品,以期提高天津地区PM2.5质量浓度预报效果。结果表明:大气化学模式的4种边界层方案在空气质量模拟中均有较好的适用性,PM2.5模拟值与观测值相关系数达到0.76左右,晴空和大风天气BL方案表现较优,阴天和小风天气YSU和MYJ方案表现优于其他两种方案,综合所有过程没有任何单一方案具有显著优势。基于上述原因,该文开展多种边界层方案的天津空气质量集合预报试验,经过对2015年全年模拟值分析,多边界层方案和多气溶胶机制扰动的集合预报可以减小PM2.5质量浓度预报的相对误差和均方根误差,降低重污染天气预报的漏报率,提升空气质量等级预报能力,在计算资源得到保证的基础上,是一种可以提升数值模式PM2.5质量浓度预报能力的有效手段。 相似文献
12.
基于CMA-GFS全球天气业务模式,采取拉格朗日空间插值算法,构建边界层要素精细化预报场,并结合PM2.5监测数据、地面及探空气象观测数据,对乌鲁木齐2020年1月重污染期间的边界层气象特征进行分析。结果表明,乌鲁木齐重度及以上污染时次占分析时段的52.30%,污染时段大气水平和垂直扩散能力较清洁时段偏差约50%左右,PM2.5粒子造成的消光作用增强是中度及以上污染等级能见度下降的主要原因。分析时段内大气边界层长时间维持逆温状态,接地逆温时次占逆温总时次的87.77%。当日逆温持续时间超过12 h时,日均PM2.5质量浓度较其他时段偏高25.02%～30.76%。PM2.5质量浓度为重度及严重污染等级时,首层逆温强度可达5.53℃/(100hPa)。混合层内外垂直风切变的增大可以改善大气垂直扩散条件,可在一定程度上降低PM2.5质量浓度。与中度污染等级相比,重度及以上污染等级的气温日较差偏小0.5℃,逆温层顶底的温差偏大,表明高浓度的PM2.5粒子在白天削... 相似文献
13.
利用潮州市区2014—2020年空气质量逐小时质量浓度数据，分析了PM2.5、O3质量浓度及复合污染的年、月、日变化特征，结合相应时段潮州国家站气象资料，分析PM2.5-O3与气象条件的关系。结果表明：2014—2020年潮州市区年平均ρ(PM2.5)、ρ(O3-8 h)及复合污染出现日数均呈波动下降趋势，月平均ρ(PM2.5)最高出现在3月，月平均ρ(O3-8 h)最高出现在10月，两种污染物最低均出现在6月。复合污染出现较多的是10月至次年4月。PM2.5、O3污染具有一定相互作用，当其中一种污染物质量浓度较高时另一种污染物的质量浓度相应较高，同时污染物质量浓度的日较差也会相应增大；污染物峰谷值出现时间表现为空气污染较严重时，O3峰值出现时间在16:00,PM2.5峰值出现在19:00。PM2.5-O... 相似文献
14.
为了解广州亚运会期间华南区域大气质量状况以及气象条件对区域本底浓度值的影响,2010年11月对鼎湖山站主要污染物NOx,SO2,O3,PM10和PM2.5进行了连续在线观测。利用MICAPS,NCEP FNL资料及后向轨迹模拟对观测时段大气污染物变化特征进行了分析。结果表明:观测时期鼎湖山区域NO2,SO2和O3平均体积分数分别为 (7.2±3.1)×10-9,(8.5±3.8)×10-9和 (28.7±9.8)×10-9。PM10和PM2.5的月平均质量浓度分别达到113 μg·m-3和81 μg·m-3,PM2.5超标日数达13 d (标准为世界卫生组织第1阶段值,日平均值为75 μg·m-3)。不同时段日变化分析表明,广州亚运会期间高值时段 (定义为PM2.5质量浓度超过世界卫生组织的IT.1标准的时段) NOx和O3平均体积分数为13.2×10-9和20.9×10-9,较2009年同期分别下降了41.3%和10.7%。不利气象要素影响和污染物区域传输作用是形成珠江三角洲区域大气本底 (鼎湖山地区) 细粒子污染偏高的主要原因。 相似文献
15.
对FY-4A卫星的气溶胶光学厚度（AOD）产品进行检验,并根据卫星相关观测资料,通过改进后的PMRS方法,反演得到中国近地面PM2.5质量浓度网格化分布。结果表明,FY-4A卫星反演不同站点AOD与地基观测网（AERONET）观测结果吻合较好,但存在一定的低估或高估现象,相关系数区间为0.54—0.87。将细粒子比（FMF）以0.4为界进行划分,FMF＞0.4时,拟合结果较FMF≤0.4时更接近于AERONET观测结果;但FMF≤0.4时,卫星反演的AOD稳定性优于FMF＞0.4时。通过引入AOD的大小,改进FMF＞0.4时对细粒子柱状体积消光比（VEf）的估算算法,并通过改进后的PMRS方法对中国近地面PM2.5浓度进行逐时反演,其反演结果和地面观测结果相关较好,其中,乌鲁木齐、石家庄和徐州观测点的相关系数均高于0.7,但数值上仍存在高估或低估,误差结果由多种因素决定。空间分布中,卫星反演的中国2019年近地面PM2.5浓度月均值与近地面观测的结果有较好的对应关系,二者逐月演变趋势基本一致,基本可以反映出中国近地面大气细粒子的空间分布,特别是秋、冬季京津冀周边区域、汾渭平原等污染高值区均与地面观测对应较好。 相似文献
16.
重庆市臭氧污染及其气象因子预报方法对比研究 总被引：1，自引：0，他引：1
利用2014年1月1日至2018年12月31日的重庆市空气质量日均值资料,分析了重庆近5 a臭氧污染的特征。发现重庆市臭氧是除PM2.5以外的第二大大气污染物,具有较强的季节变化特征,主要污染时段位于夏半年,在7—8月臭氧污染程度明显超过了PM2.5。臭氧年平均浓度呈现逐年增加的趋势,首要污染物为臭氧的日数在2018年首次超过PM2.5,臭氧成为2018年重庆市的第一大污染物,表明重庆正在由一个以颗粒物污染为主的城市转变为臭氧污染为主的城市。通过对同期逐日气象资料与臭氧8 h滑动平均日最大值相关性分析发现,大气温度、湿度及气压均为影响臭氧污染的重要气象因子。利用气象影响因子,采用逐步回归、支持向量机、神经网络方法对臭氧8 h滑动平均日最大值进行预报实验表明,三种预报模型均具有较强的预报能力,但总体来看预报均比实况略偏小。支持向量机方法的预报效果要稍好于逐步回归和神经网络方法,可为重庆市臭氧浓度预报提供参考。 相似文献
17.
2013年以来，北京市城区细颗粒物(PM2.5)质量浓度年均值呈逐年降低趋势，但PM2.5重污染事件仍旧频发，污染出现快速甚至爆发增长的成因和理化机制仍存在诸多不确定性。基于北京市城区2013～2020年常规气象要素、PM2.5及其化学组分观测资料，分析了PM2.5在缓慢、快速和爆发三种增长机制下的颗粒物浓度和组分的阈值及其与气象条件的相关关系。结果表明，2013～2020年，北京市城区PM2.5在增长时段(1～24 h间隔)中平均累积速率呈逐年放缓的趋势，大气污染累积阶段中缓慢增长的比重逐年升高。在判别标准逐渐严苛的前提下，爆发增长的比重逐年变化不大(4%～7%)。2013～2016年爆发增长的PM2.5浓度阈值为62μg m-3,2017年后，该阈值严苛至45μg m-3。82μg m-3为2018年以来极易出现PM2.5爆发增长的界限值，高于此值后爆发增长的概率将... 相似文献
18.
利用2013~2017年贵阳市10个国控空气质量监测站点PM2.5逐时监测数据,分析了贵阳市大气污染物污染水平及其时空分布特征。结果表明:(1)贵阳市PM2.5年均浓度为36.14 ug·m-3,基本处于国家空气质量二级标准范围内,污染程度较轻;(2)贵阳市PM2.5浓度冬季浓度为一年中最高,最高值出现在12月,夏季浓度最低,最小值出现在7月;(3)气象要素对PM2.5浓度的影响是显著的,尤其是在分季节的情况下,气象要素对PM2.5的影响差异较大。PM2.5浓度与太阳辐射、日照时数、气压呈显著正相关,与降水、相对湿度、风速、气温呈显著负相关。太阳辐射夏季对PM2.5影响最大,日照时数春季对PM2.5的影响最大,气温在夏、秋季与PM2.5浓度呈显著负相关。春季降水对PM2.5的相关性更为显著,风速对夏、冬季与PM2.5浓度具有显著负相关性。 相似文献
19.
利用深圳市2007年全年逐时能见度、PM2.5质量浓度和相对湿度观测数据, 在分析大气消光机理及其影响因素的基础上确立了能见度与PM2.5之间的基本模型关系, 着重讨论分析了相对湿度对颗粒物消光影响的常见修正方式, 并通过线性和非线性回归分析筛选相对湿度影响修正因子fRH的表达形式和确定模型参数, 最终建立起适合于深圳本地情况的能见度与PM2.5之间的最优统计模型 (R2=0.43, n=8024)。进一步利用能见度与PM2.5的日平均值进行了多元回归分析, 模型拟合值与实测值之间的相关系数 (R2) 高达0.73(n=350), 而且预测偏差范围小, 较好地反映了深圳市大气能见度与PM2.5之间的定量相关关系。 相似文献
20.
基于极端随机树方法的WRF-CMAQ-MOS模型研究 总被引：2，自引：0，他引：2
随着城市化、工业化的快速发展,空气污染已经成为了公众最关注的问题之一。为了提高空气质量预报的准确度,以多尺度空气质量模型（Community Multi-Scale Air Quality,CMAQ）为工具,结合中尺度WRF（Weather Research and Forecast Model）气象预报数据、气象观测数据、污染物浓度观测数据,基于极端随机树方法建立了WRF-CMAQ-MOS（Weather Research and Forecast Model-Community Multi-Scale Air Quality-Model Output Statistics）统计修正模型。结果表明,结合WRF气象预报的CMAQ-MOS方法明显修正了由于模型非客观性产生的模式预报偏差,提高了预报效果。使用线性回归方法不能获得较好的优化效果,选取极端随机树方法和梯度提升回归树方法对模型进行改进和比较,发现极端随机树方法对结合WRF气象要素的CMAQ-MOS模型有较大的提升。针对徐州地区空气质量预报,进一步使用基于极端随机树方法的WRF-CMAQ-MOS模型对2016年1、2、3月的空气质量指数（AQI）及PM2.5、PM10、NO2、SO2、O3、CO六种污染物优化试验进行验证,发现优化效果最为明显的两种污染物分别是NO2及O3,2016年1、2、3月整体相关系数NO2由0.35升至0.63,O3由0.39升至0.79,均方根误差NO2由0.0346减至0.0243 mg/m3,O3由0.0447减至0.0367 mg/m3。文中发展的WRF-CMAQ-MOS统计修正模型可以有效提升预报精度,在空气质量预报中具有很好的应用前景。 相似文献