基于属性识别模型的铜仁市空气质量评价

为行政部门有效治理城市环境和生态保护,科学客观评价空气质量极为重要。本研究以铜仁市为对象,统计分析了2015—2020年铜仁市空气污染物变化动态特征,同时利用属性识别模型综合评价了铜仁市空气质量水平。研究结果表明：1)铜仁市主要污染物是PM_2.5、PM₁₀和O₃,其污染程度为PM_2.5>PM₁₀≈O₃,PM_2.5和PM₁₀浓度水平处于Ⅱ级标准,PM_2.5在冬季处于不达标水平,PM₁₀于2020年达Ⅰ级以下标准,有显著好转,O₃浓度2016年以来显著增加,存在污染风险。2)铜仁市近几年空气综合质量均为Ⅰ级标准,但空气质量综合水平呈下降趋势,主要原因在于PM_2.5作为首要的空气污染物,污染水平一直没有得到有效控制。此外,O₃污染程度风险增加。因此,PM_2.5和O₃     

上海及附近海域对流层低层臭氧质量浓度时空分布特征与海陆风的关联性研究

利用2010—2019年臭氧监测仪(ozone monitoring instrument, OMI)卫星数据产品OMO3PR和ERA5再分析资料，分别研究了上海及附近海域近10年对流层低层(海拔≤3 000 m)的臭氧(O₃)质量浓度和风的时空分布特征，并以浦东地区为例研究了该地区海陆风的特征、相对污染系数及其对O₃质量浓度的影响。结果表明：10年间O₃质量浓度整体呈增大趋势，具有明显的季节性变化特征，夏季最高，冬季最低；空间分布上，陆地O₃质量浓度较海面高，最大可达129.3μg/m³。夏、冬季的风速较春、秋季高，陆地区域风速小于5.4 m/s的频率高达82.4%,海面和近海岸区春、夏季时的风易使O₃向内陆扩散。海陆风在春、夏两季发生频率较高，夏、秋季海风期间西南西和西南方向的相对污染系数高于其他方位，表明此时浦东机场附近的O₃向西北方的陆地区域扩散概率更高，而使O₃质量浓度升高。夏、秋季时海陆风可加剧内陆O...     

一次冷空气前后广州大气污染研究

以冷空气过境前后的广州市污染物数据为基础,运用Shapiro-Wilk检验、Pearson积矩和Spearman秩等方法,探讨PM2.5、PM10、SO2、NO2、O3、CO的污染特征及变化规律.结果表明,PM2.5、PM10高浓度出现在8—9时和17—18时,低浓度出现在12—13时和0—1时.PM2.5和PM10相关性显著,PM2.5/PM10=0.62⁰.83,冷空气对PM2.5和PM10都有较好的清除作用.SO2浓度在7—8时出现峰值,3时出现谷值,良好的气象条件对SO2有明显的清除作用.NO2、CO高浓度出现在9时和19时,低浓度出现在15时和3时.冷空气对NO2有一定的清除作用,对于CO浓度增大的异常情况,推断与广州以北地区燃烧生物质有关.O3浓度日变化呈现单峰特征,15时浓度最高,5时浓度最低,冷空气在夜间过境对O3浓度影响较小.O3与CO、NO2存在显著的负相关,在光化学反应时间段O3/CO=0.060.83,冷空气对PM2.5和PM10都有较好的清除作用.SO2浓度在7—8时出现峰值,3时出现谷值,良好的气象条件对SO2有明显的清除作用.NO2、CO高浓度出现在9时和19时,低浓度出现在15时和3时.冷空气对NO2有一定的清除作用,对于CO浓度增大的异常情况,推断与广州以北地区燃烧生物质有关.O3浓度日变化呈现单峰特征,15时浓度最高,5时浓度最低,冷空气在夜间过境对O3浓度影响较小.O3与CO、NO2存在显著的负相关,在光化学反应时间段O3/CO=0.06⁰.12,O3/NO2=10.12,O3/NO2=1².     

山地气候背景下重庆地区夏季气象条件对臭氧的影响

为探讨山地气候背景夏季气象条件对臭氧(O₃)的影响,利用2013-2017年重庆市北碚区3个环境监测站点日值数据集和相关气象要素资料,运用综合数理统计方法,对北碚区O₃浓度的特征变化以及夏季气象条件对重庆北碚区O₃的影响进行分析,并通过HYSPLIT模型方法查找O₃传输路径,分析其潜在源区.结果表明,北碚区O₃高浓度主要集中在7月下旬至8月,且缙云山站点O₃浓度最高.夏季气象条件对O₃污染有着密切的联系,当日平均气温达到30～35℃,日极端最高气温在35～40℃时,O₃超标率达到最高.日照时数对O₃浓度呈正相关性,相对湿度、降水对O₃浓度呈负相关性.北碚区夏季O₃污染输送较重的气团路径主要来自东北方以及东南方,夏季O₃污染高浓度主要受四川盆地成都周边城市群、重庆本地和贵州北部的影响.     

大气臭氧:天然分布、人为影响及其健康损害

 从大气臭氧（O₃）天然分布、人为活动对O₃变化的影响（臭氧层空洞和O₃生成潜势）O₃污染对人类健康的危害（O₃污染对人体呼吸系统和心血管系统的影响）3个方面综述了近年来有关大气O₃的研究进展,其中在O₃生成潜势方面重点介绍了O₃生成效率、光化学O₃生成潜势和增量O₃活性3种主要模型。通过了解本区域O₃污染形成的主要来源和变化过程,引起人们对于O₃污染的重视,并据此制定合理的控制政策和措施。     

天津WRF-Chem模式空气污染浓度预报误差时空分析

分析2019—2021年天津WRF-Chem模式日预报结果与实况对比的误差时空特征，得出以下结论：(1)模式预报结果与O₃浓度的相关性最好(0.90)，与PM₁₀(0.59)的最差；(2)模式预报结果对污染物浓度的高估现象更显著，PM₁₀、PM_2.5和O₃浓度的预报绝对误差明显高于其他3种污染物；(3)模式预报的相对误差大小排序为O₃22102.5，且夏季最高，秋冬近似，春季最小，夏秋冬三季相对误差都为PM_2.5最大，春季则为PM₁₀最大；(4)从2种主要污染物浓度预报相对误差的空间分布特征来看，PM_2.5为蓟州、中心城区、大港偏大，PM₁₀为中部地区西青、武清、塘沽、宝坻偏大；(5)经综合衡量，模式预报效果最差的是PM     

珠江三角洲城市群PM10的相互影响研究

利用 Models-3/CMAQ 模拟系统, 对珠江三角洲地区 2006 年10 月的大气 PM₁₀ 污染进行模拟研究。通过敏感性分析, 获得各城市 PM₁₀ 浓度随不同污染源削减的变化情况, 量化出城市间空气污染的相互影响。结果显示,珠江三角洲地区已形成 PM₁₀ 区域性污染的格局,广州、佛山、江门、东莞等地是珠三角地区PM₁₀的重要源贡献区域。提出相对敏感系数作为表征外来源影响程度的指标,珠海、江门、中山、佛山等地的 PM₁₀ 浓度受到外来源的显著影响, 城市间输送已成为造成珠三角地区PM₁₀污染的重要因素。对重点城市源的合理削减和有效控制, 以及城市群的统一规划、相互协作、联防联控是改善珠三角地区空气质量的唯一途径。     

CUACE模式对银川市区重污染天气预报效果检验

基于中国气象局化学天气数值预报系统（CUACE）模式下2015年1月至2018年12月预报产品及同期实况监测资料,通过对比和分析,从4种污染物的质量浓度、首要污染物、AQI及其等级等方面,评估CUACE模式对银川市区重污染天气的预报性能.结果表明,CUACE模式能较好地模拟2015—2018年中度以上污染天气的AQI及PM_2.5,PM₁₀,O₃质量浓度的变化趋势,其中,AQI与O₃质量浓度的预报值偏小,NO₂,PM₁₀质量浓度的预报值接近实测值;AQI与PM_2.5,NO₂,O₃质量浓度预报值与实测值之间的相关系数为0.48～0.70;实测AQI等级为4,5,6级时,表现出预报值偏小2级的概率较大、偏小1至3级的概率为20%～24%、偏小3级的概率为50%;首要污染物为颗粒物时,预报正确率为73.8%～75.0%,首要污染物为O₃时,预报的正确率较低.CUACE模式的整体...     

甘肃省臭氧浓度时空变化特征分析及治理方向的思考

近年来，甘肃省臭氧（O₃）污染问题逐渐浮现，而国家省级层面目前尚未制定提出相关指导意见，O₃污染防治仍处于探索阶段。本研究通过对2015—2018年甘肃省主要大气污染物工况监测数据进行分析，找出各污染物特别是O₃的时空变化特征，并从时间、地区、行业3个角度提出了甘肃省O₃污染防治的相关措施及建议。     

成都市夏季臭氧污染的环流分型与来源分析

为探究大尺度环流对成都市O₃污染的影响, 基于四川盆地700 hPa位势高度场, 采用T-PCA方法, 将2015—2019年夏季(6—8月)各日的大气环流归纳为5类环流型, 并对不同环流型下的成都市O₃污染特征与污染来源进行分析。5类环流型中, 东北高压型(NEH)和高压底部型(UNF)条件下, 四川盆地气温较高, 湿度和云量相对较低; 对比过去24小时的变温, UNF下四川盆地增温显著, NEH 下变化不明显, 另外三类环流型(即东南高压型、西北低压型和西北高压型)下则出现不同程度的降温。NEH和UNF下的气象条件更有利于四川盆地O₃的光化学生成。研究时段内, NEH和UNF下成都市O₃浓度水平和O₃超标日比例明显高于另外三类环流型, 是夏季发生O₃污染的主要环流型。成都市O₃污染较重的月份具有较高的NEH和UNF环流型占比。通过对成都市夏季O₃来源的模拟分析, 发现O₃污染主要来自四川盆地内的污染源排放(占55.0%), 以成都本地贡献为主(31.6%), 其他重要贡献城市包括德阳(5.4%)、重庆(4.0%)、资阳(3.9%)和眉山(2.2%)。然而, 不同环流型下成都市的O₃来源具有不同特点, NEH下成都平原内部污染传输影响较强, 德阳市O₃贡献显著增加(占14.9%); UNF 下成都市O₃污染呈现很强的局地性污染特征, 成都市排放的O₃贡献占比接近一半(46.8%)。     

西安冬季高层公寓室内外颗粒物浓度水平与变化

 以西安市冬季某研究生高层公寓为监测对象, 通过1 min 时间间隔同步监测, 研究了不同楼层室内外空气中颗粒物PM1、PM_2.5、PM₁₀以及总悬浮颗粒物TSP 的质量浓度、分布状况与变化特征。结果表明, 西安市冬季高层公寓存在严重的颗粒物污染, 室内粗颗粒物PM₁₀质量浓度为(65.5±20.0)~(142.0±16.9)μg/m³, 略低于室内空气质量标准, 但室内细颗粒物PM_2.5及超细颗粒物PM1分别为(52.2±14.3)~(111.5±12.2)μg/m³和(50.6±13.9)~(108.7±11.9)μg/m³, 其中PM_2.5质量浓度占总悬浮颗粒物TSP 的50%以上;室外以粗颗粒物PM₁₀为主, 楼层高度与颗粒物质量浓度之间无显著关联。     

基于单颗粒质谱技术的石家庄市2016年秋季空气重污染成因分析

利用单颗粒气溶胶质谱仪并综合地面空气污染监测数据、常规气象观测数据、卫星遥感火点监测资料和气流后向轨迹,分析了2016年石家庄市秋季出现的两次空气重污染过程的演变特征及主要影响因素。结果表明：机动车尾气和地面扬尘是PM_2.5的重要来源。高低空稳定的天气形势配置是两次重污染过程形成的直接原因。在这些天气形势下,湿度高、风速小、气压低、逆温层厚、混合层高度低是造成两次重污染过程的重要原因。同时东南和西南方向周边污染物的输送对重污染天气的形成发展也有一定的贡献。     

基于人工神经网络集合预报的济南市臭氧预报方法

由于观测的不准确以及资料分析、同化中的误差,单一预报仅是一个可能的解。为弥补其不足,提出了一种基于人工神经网络集合预报的臭氧(O₃)预报模型,选取8类气象因子及2类污染物因子,搭建人工神经网络预报模型,并采用随机扰动方法,产生15组相互独立的随机扰动气象场,搭建人工神经网络集合预报模型,并以2013年—2019年5月—9月数据作为训练集,以2020年5月—9月数据作为测试集。结果表明:与单一人工神经网络预报相比,人工神经网络集合预报准确率明显提高,O₃污染命中率明显提高,O₃污染漏报率明显减少,O₃污染空报率略有增加;人工神经网络集合预报对O₃污染预报有过多倾向,而单一人工神经网络预报则有过少倾向;以2020年7月3日—9日的一次O₃重污染过程为例,与单一人工神经网络的确定性预报相比,人工神经网络集合预报能够更好地反映出污染的迅速累积上升及持续过程。通过提供定量的概率预报,人工神经网络集合预报可以给出多种可能性及其发生的概率,能为预报员提供包括不确定性在内的更多预报信息,该模型具有一定的实际应用价值。     

兰州市区大气污染与气象条件的关系

本文利用１９８９年１２月１－１５日兰州大气边界层和大扩散监测试验期间的气象和污染浓度资料，分析了此段时间内兰州市区大气污染现状和相应的天气环流形势，并计算了有关空气污染气象参数。结果表明，该试验期间高空５００ｈＰａ等压面上欧亚范围的主要环流形势为两槽一脊型；地面天气图上分别在５日和１０日有两次冷锋经过兰州，当冷锋来临之前污染浓度逐渐增高，冷锋过境后污染浓度有很大差异，空气污染浓度的变化与气象条件有     

南京市一次大气污染事件时空演化特征及影响因素

利用数理统计和后向轨迹方法,分析江苏省南京市2015年全年空气质量指数(AQI)及1月21—27日各污染指标数据,探讨南京市大气污染时空分布特征及影响因素.研究发现:2015年南京市AQI达到污染程度的天数在瑞金路、迈皋桥最多,在玄武湖最少;AQI值在秋、冬季较高,春、夏季较低,推测南京市AQI主要受不同功能区污染排放和不同季节天气变化控制.在1月21—27日大气污染事件中, AQI在仙林大学城最高,为211.094;玄武湖最低,为168.881. PM_(10)平均浓度在奥体中心最大,为229.472,玄武湖最小,为179.932. PM_(2.5)的空间分布情况与PM_(10)类似, SO_2, NO_2和O_3浓度空间差别不大.在此期间, AQI总体呈波动上升趋势, 21日、24日、26日出现3次高峰, 25日和27日下降. PM_(10)、PM_(2.5)、NO_2浓度变化趋势与AQI呈正相关关系, O_3与AQI呈负相关关系.因此,南京市大气污染在空间上具有明显区域特征,在时间上具有累加特征,同时还受周末效应和天气作用影响;主要污染物为汽车尾气、燃煤燃气和工业废气.气团后向轨迹显示,大气污染源主要来自局地和西北地区, 25日气团方向改变,导致污染物浓度下降,推测南京市大气污染受气团带来的外地污染物及天气变化的综合影响.     

基于机器学习方法的臭氧和PM2.5污染潜势预报模型——以成都市为例

以成都市为例, 以多项可能影响污染物时空分布的变量为潜在预报因子, 筛选关键入模因子, 利用2016—2018年数据为训练集, 采用多元线性回归、BP神经网络和随机森林算法, 建立成都市夏季(4—8月)臭氧及冬季(11—2月) PM_2.5污染潜势模型, 并利用2019年数据对模型的中长期污染潜势浓度的预报性能进行评估。结果表明, 建立的多元线性回归、BP神经网络和随机森林模型对成都市臭氧及PM_2.5的短期(1~3天)污染潜势都具有良好的预报效果, 对7~15天的中长期潜势预报表现稳定。其中, 多元线性回归模型和随机森林模型分别对臭氧和PM_2.5表现出相对最佳的预报性能。     

长三角城市群冬季一次重污染天气过程分析

利用NCEP/NCAR和FNL再分析资料,并结合长三角城市群地面气象观测数据,探讨了2014年1月18—25日长三角城市群一次重污染天气过程的气象成因以及污染物路径分析。结果表明,污染期间随着相对湿度和PM2.5浓度的升高,大气能见度明显降低。2014年1月影响我国的东亚冬季风势力偏弱,导致重污染期间冷空气活动偏弱;此外,垂直方向上出现逆温,限制垂直运动的发生、发展。上述因素有利于长三角地区污染物在近地面层堆积,导致重污染天气的发生发展。污染物从温度高的地方向温度低的地方扩散。低空气温低时,不易形成对流,促使污染物在长三角地区堆积。HYSPILT模式模拟显示污染物主要来自山西、河北一带,以平流和弱辐散的方式向长三角地区输送。大气化学模式WRF-Chem可较好地模拟出PM2.5浓度的变化过程,可用作长三角城市群重污染天气预报的业务模式。     

长春市PM_(10)污染特征及与气象因素的相关分析

为了研究长春市PM10污染特征以及影响PM10浓度的因素,利用长春市PM10的实时监测资料,分析长春市PM10浓度的季节变化特征和污染程度.并利用同期的气象资料,建立PM10浓度和气象因素之间的多元线性回归模型,来进行两者之间的相关分析.采用逐步回归法,建立了"最优"回归方程,分析不同季节对污染物浓度有显著影响的气象因素,从而为长春市大气污染防治和雾霾天气预测提供科学依据.结果表明,长春市PM10浓度冬季偏高、夏季偏低、春季和秋季居中,2013年全年中1、4、10月份出现了不同程度的高污染现象,日平均浓度最高值达到591μg/m3.研究发现对长春市PM10有显著影响的气象因素主要有当日平均风速和最高最低气温温差.