利用简化空气质量模型快速构建臭氧生成等浓度曲线及其应用

提出一种快速构建臭氧生成等浓度曲线的新方法。该方法利用区域空气质量模式进行臭氧前体物的敏感性分析, 基于一阶和二阶敏感性系数构建简化模型, 快速计算前体物不同排放水平对应的臭氧生成浓度。使用该方法, 结合调整的源排放清单, 对2018年8月成都平原地区进行臭氧回溯模拟并绘制臭氧生成等浓度曲线图。在此基础上, 以成都市为例, 对城市臭氧污染控制提出对策建议。     

基于污染物浓度设计值和相对响应因子的空气质量达标控制情景预测方法——以四川省“十四五”规划为例

提出一种基于污染物浓度设计值和相对响应因子的空气质量达标规划预测方法。首先通过数值模拟, 评估最近5年年际气象条件差异对空气污染物浓度的影响, 筛选出最接近5年平均气象条件的一年作为基准年, 将该基准年气象场和各排放情景作为输入进行空气质量模拟, 降低气象条件年际差异对未来污染物浓度水平预测的影响。然后, 基于基准情景和控制情景在不同排放水平的空气质量模式模拟结果, 将控制情景相对于基准情景的污染物模拟浓度的变化比例(相对响应因子)与污染物浓度设计值相结合, 进行控制情景的空气质量水平预测和达标分析。以四川省为例, 围绕相关减排政策, 设计多个虚拟控制情景, 对全省城市未来空气质量进行情景预测和达标分析, 为“十四五”空气质量规划落地策略的制定提供科学支撑。     

利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例

开展基于空气质量数值模式CMAQ (社区多尺度空气质量模型)预报结果的后校正算法研究。利用集合深度学习方法, 对CMAQ的PM_2.5 (细颗粒物)原始预报结果进行误差订正, 以期提高预报准确率。该方法集合了深度神经网络模型、随机森林模型、梯度提升模型和广义线性模型4种机器学习模型, 在每一个模型中结合原始的气象预报、空气质量预报和土地利用类型等多源数据作为辅助变量, 对PM_2.5预报浓度进行校正, 最后求取4个模型的集合结果。将该方法应用于订正新疆乌(鲁木齐)昌(吉)石(河子)城市群的CMAQ预报结果, 利用2018年的独立样本进行评估, 订正预报结果的准确性显著提升, 站点5天预报的决定系数R²为0.41~0.60, 比原始预报提高60%~160%, 均方根误差RMSE降低 40%左右; 交叉验证的站点预报R²同样提升50%~80%, RMSE下降30%左右。该订正方法的计算效率高, 可以部署于业务化预报平台, 进行可靠的运行。     

为什么气象预测不能完全依赖超级计算机?计算机程序将来有可能准确预报天气吗?

<正>A:首先要解释一下什么是数值天气预报,也就是你提到的利用超级计算机进行的气象预测。人类在历史上因为饱受气象灾害困扰,很早就开始观察和监视天气形势并尝试对未来天气进行预测。科学家们很早就从理论上总结出了描述大气环流运动的纳维一斯托克斯方程。然而大气环流运动方程是非线性偏微分方程,对其     

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。