基于气象条件的大气混合层高度模型研究

根据2011-2013年重庆市沙坪坝地区的常规气象数据,运用MATLAB软件分析近3年大气混合层高度mm变化和特征,且与气象参数的相关性;结果表明:每天在8∶00-19∶00,大气混合层高度与太阳辐射强度、温度、风速呈正相关性;与气压、相对湿度呈负相关性,与露点温度的相关性不明显;而在20∶00-7∶00,大气混合层高度与太阳辐射强度和风速呈正相关,与其他参数的相关性不明显;同时,通过气象数据建立重庆市大气混合层高度的预测模型,并验证其准确性。     

人为排放对信阳市细颗粒物和臭氧的影响评估

基于信阳市2017—2020年细颗粒物(PM_2.5)和臭氧(O₃)浓度数据及同期地面气象观测资料,利用Kolmogorov-Zurbenko(KZ)滤波法将原始浓度序列分解为短期分量、季节分量和长期分量,采用逐步回归方法建立污染物基线分量和短期分量与相应尺度气象要素的线性回归模型,通过对残差进行滤波和序列重建,得到去除气象影响的污染物长期变化趋势,该浓度仅与污染物的排放量有关。结果表明,PM_2.5和O₃浓度的波动主要由污染源排放及气象条件的短期变化和季节变化引起,气象条件对PM_2.5季节分量和O₃长期分量影响较大。信阳市PM_2.5污染排放减弱,O₃污染排放先升高,在2018年10月后降低。由于污染排放导致的2017—2020年PM_2.5和O₃长期分量分别降低3.5、1.5μg/(m³·a)。     

利用探空秒数据估算北京地区日最大混合层高度

研究利用北京地区L波段探空秒数据和地面日最大位温,采用气块法反演北京地区日最大混合层高度(MMH)的可行性。将08时探空秒数据以及常规探空数据反演结果分别与对应的微脉冲激光雷达反演结果相比较,发现前者与激光雷达反演结果的一致性好于后者,常规探空数据垂直空间分辨率低可能是导致其反演结果误差较大的原因。分别用春夏秋冬的探空秒数据反演结果与激光雷达反演结果相比较,发现春夏秋反演结果的一致性较好,而冬季较差。利用08时探空秒数据结合地面日最大位温,采用气块法反演北京地区2010—2017年的MMH,发现MMH每年均表现出春夏秋冬逐次递减的分布特征。通过对长期资料的统计分析发现,北京地区日地面最高气温与850 hPa温度差定义的热力稳定度与MMH之间存在较强的正相关性。     

大气混合层高度对通风及污染物扩散的影响

商业区建筑结构日益复杂,严重影响建筑群通风和周围气体污染物的扩散,选取重庆一商业区建筑群作为研究对象,以三维湍流模型为基础,采用CFD软件对商业区建筑的通风能力以及周围连续排放的气体污染物扩散情况进行数值模拟,对比分析基于气象条件的天变化和季节变化对建筑群通风能力和污染物扩散在水平方向和竖直方向的影响;分析得到建筑群通风能力和污染物扩散速率与大气混合层高度正相关;研究结果可为改善建筑通风效果和降低建筑周围污染物浓度提供参考。     

沈阳地区相对湿度与PM2.5浓度对能见度的影响分析

通过对2014—2015年沈阳市大气细粒子质量浓度数据和气象资料进行统计处理,得到PM_(2.5)和相对湿度分别与能见度之间的相关性。结果表明:相对湿度(RH)和PM2.5浓度都对能见度呈显著负相关,相比于PM_(2.5)对大气能见度的影响,相对湿度和大气能见度的相关性较高,虽然PM_(10)对大气能见度也为负相关,但其影响极弱(R=-0.06);当RH≥80%的区间内,大气水平能见度随着相对湿度的逐渐上升而迅速降低,表明在此RH区间内,RH是影响大气能见度的主要因素;在RH80%的区间内,细粒子的质量浓度与大气能见度之间的相关性高于RH80%区间内的相关性,而且二者呈高度的幂指数对应关系。尤其是在相对湿度在70%~80%的区段内,二者的相关性明显比其他相对湿度区段强;最后当细粒子的质量浓度在小于60μg·m~(-3)的区间内,大气水平能见度随着细粒子质量浓度的降低而迅速增加,但当ρ(PM_(2.5))大于60μg·m~(-3)的区间内,细粒子的质量浓度对大气能见度改变并不显著。     

福州紫阳、厦门集美PM2.5的浓度分析及与天气类型的关系

该文利用2012年5月～9月福州紫阳、厦门集美两地PM2.5的监测数据,分析了福州、厦门PM2.5的变化情况与气象条件之间的关系.结果表明:福州、厦门PM2.5浓度变化趋势较为相似,浓度峰值出现的时段基本相同;在高压楔控制、副热带高压的边缘、台风低压东南侧的天气条件下,PM2.5浓度升高现象明显;受夏季副热带高压的控制、台风天气的影响,6～9月福州、厦门两地的PM2.5浓度均处于较低水平.     

重庆市植被指数与高度/坡度的关系研究简

为了明确并量化重庆市植被指数(NDVI)与地形的关系,利用重庆市2010-2013年中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,以下简称MODIS)250m分辨率的16d合成植被指数产品,并合成月和四季植被指数(植被指数为扩大100倍的结果),将植被指数按高度和坡度分别分成6个高度特征区和5个坡度特征区,分析植被指数与高度、坡度的关系,并建立关系式.结果表明:1植被指数与地形的关系受月份和季节的影响明显.6-9月逐月NDVI及夏季平均(6-8月均值)NDVI随高度的增加持续增大;10-12月逐月NDVI、1-5月逐月NDVI份及春季(3-5月)平均NDVI、秋季(9-11月)平均NDVI、冬季(12月、次年1-2月)平均NDVI,都随高度增加基本呈现出先增后减的趋势,增、减转折点出现的高度在冷的月份/季节降低,在暖的月份/季节会有所升高.植被指数随坡度的变化趋势相对明显和单一,在所有月份和季节里,基本呈现出随坡度增加而增大的趋势.2植被指数随高度/坡度增加呈现出来的增大趋势随高度/坡度增加逐渐减小.3植被指数与高度之间...     

南宁市PM2.5浓度与气象因素的关系研究

摘 要 空气污染主要与污染源的排放、气象条件、地形地貌三方面因素有关。对南宁市空气质量指数与气象因素的关系进行研究,进一步探究空气污染的主要污染源PM2.5与气象因素之间的关系,分析了促进空气污染发生的气象条件。并在此基础上建立多元线性模型对空气污染物PM2.5的浓度值进行预测。结果表明预测模型拟合度R2值最大达到了0.747,说明了该模型预测效果良好并能够适用于南宁市空气污染物PM2.5的监测和预报。     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

基于地理加权回归张力样条函数的广西PM2.5浓度插值

针对广西地区PM2.5污染情况,利用广西气象站数据通过反距离加权插值得到广西地区空气质量监测站的气象数据,然后结合空气质量监测站数据及其气象数据插值结果建立地理加权回归张力样条函数(geographically weighted regression-tension splinefunction,GWR-TSF)插值模型,并用该模型进行广西PM2.5浓度插值分析.研究结果表明,GWR-TSF模型的PM2.5浓度插值效果较好,其均方根误差为2.34μg/m3,较普通克里金(ordinary Kriging,OK)模型和地理加权回归(GWR)模型分别提高了20.68％和25.71％;而平均绝对误差为2.13 μg/m3,较OK模型和GWR模型分别提高了20.22％和11.62％,对区域PM2.5监测预警具有一定的参考价值.