北京市空气污染与气象条件的关系及其预报

利用北京市2015-2017年逐日、逐小时w(PM_2.5)、w(SO₂)和w(O₃)资料,及同期NCEP/NCAR的高分辨率全球预报系统数值预报产品,计算了相关空气污染气象参数,研究了北京市空气污染物质量浓度与气象条件的关系.采用逐步回归方法,建立了北京市空气污染物w(PM_2.5)、w(SO₂)和w(O₃)的预报方程,并对预报结果进行了检验.结果表明,稳定能量和涡度与w(PM_2.5)、w(SO₂)以正相关为主,与w(O₃)以负相关为主.低层平均风速和边界层厚度与w(PM_2.5)、w(SO₂)以负相关为主,与w(O₃)以正相关为主.地面露点温度与w(PM_2.5)、w(SO₂)和w(O₃)以正相关为主;在优选空气污染气象参数的基础上,利用逐小时空气污染物质量浓度资料...     

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...     

莆田市一次夜间O3污染的气象特征及潜在源分析

基于莆田市环境监测站的逐小时臭氧(O₃)数据和气象常规资料、EC和NCEP再分析资料,结合气流轨迹模型(HYSPLIT)对莆田市2020年11月8日夜间近地层O₃污染过程的气象特征和潜在源进行分析。结果表明,2020年11月8日,O₃日最大8小时滑动平均值[ρ(O₃-8h)]超过国家二级浓度限值(160μg·m^-3)。夜间O₃污染期间,本站气压较高(1022.5 h Pa左右),地面受冷空气影响,主导风向为偏北风,风速在4.5～5.0m/s之间。大气边界层高度从8日14时(1035m)逐渐下降,与O₃的变化趋势相反,当ρ(O₃-1h)于23时达到最大值,此时大气边界层高度大致稳定(800m左右),不利于O₃扩散。潜在源的分析结果显示,潜在源贡献因子(WPSCF)高值区(>0.4)主要出现在浙江北部,浓度权重轨迹分析(WCWT)高值区(>100μg·m^-3)主...     

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     

淮南市O3污染期间VOCs污染特征及来源分析

基于近地面观测的O₃、气象和在线大气挥发性有机物(volatile organic compounds, VOCs)数据,文章通过2020年9月1—9日淮南市1次O₃污染天气过程,对O₃生成关键前体物VOCs的污染特征和来源解析开展研究。为识别VOCs关键活性物种,采用最大增量反应活性(maximum incremental reactivity, MIR)法对各物种的臭氧生成潜势(ozone formation potential, OFP)进行计算分析,利用后向轨迹聚类以及潜在源区(potential source contribution function, PSCF)模型对淮南市大气VOCs进行大气污染输送分析,利用正定矩阵因子分解(Positive Matrix Factorization, PMF)模型与特征值法对淮南市大气VOCs物种进行排放源解析。结果表明：淮南市O₃污染时段VOCs(88种)平均质量浓度为(145.7±58.1)μg/m³,烷烃、烯炔烃、芳香烃...     

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)。     

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。     

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     

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.     

济南市一次持续性重污染天气的颗粒物化学组分演变分析

为研究济南市冬季大气重污染过程特征,以2020年12月8日—13日发生的一次典型大气重污染过程为例,从污染过程、气象条件、细颗粒物化学组分等角度综合分析此次重污染过程的特征和成因。结果表明,此次重污染过程期间首要污染物均为PM_2.5,其平均质量浓度为137 μg/m³,11日21时达到此次污染峰值,PM_2.5质量浓度高达为235 μg/m³。重污染期间高空环流较为平直;低层850 hPa受西南气流影响,有利于逆温层结的形成;地面均压场控制,平流雾、辐射雾交替产生。静稳气象条件使得PM_2.5质量浓度累积及高湿状态下颗粒物二次转化增强。观测期间,二次离子(SNA= $SO^{2-}_{4}$ + $NO^{-}_{3}$ + $NH^{+}_{4}$) 质量浓度为85.4 μg/m³,占PM_2.5质量浓度的52.0%。硫转化率(R_S)和氮氧化率(R_N)均值分别为0.44和0.33,大气中SO₂和NO₂的二次氧化程度较高;R_S高于R_N,表明污染期间二次$SO^{2-}_{4}$的二次转化效率高于 $NO^{-}_{3}$。$\rho_{NO^{-}_{3}}$ / $\rho_{SO^{2-}_{4}}$平均值为2.1,表明移动源对PM_2.5污染的贡献占主导地位。有机碳和元素碳浓度的平均比值为6.5,可见本次重污染期间济南市大气中存在二次有机碳(SOC)污染。采用有机碳和元素碳比值(ρ_OC/ρ_EC)最小比值法估算得到重污染期间一次有机碳浓度和二次有机碳浓度分别为11.9 μg/m³、4.3 μg/m³,表明一次燃烧源对污染过程有较大贡献。     

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)PM2.5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...     

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PCA-BP神经网络的PM2.5季节性预测方法研究

【目的】分季节预测PM_2.5浓度值,利用PCA方法对数据进行降维,分析季节及气象因素对PM_2.5的影响,在提高预测准确率的同时降低时间复杂度。【方法】以合肥市2014—2017年的PM₁₀、SO₂、CO₂、CO、O₃浓度值,以及同时段的气象因素值,对PM_2.5浓度进行预测。数据分析中发现PM_2.5在不同季节浓度差异较大,故本研究选择分季节进行预测;为了提高预测准确率,加入如风力、温度、湿度、气压等气象因素进行预测,同时采用主成分分析(PCA)的方法进行数据降维,将降维后的数据再输入BP神经网络模型进行预测。【结果】实验采用3组实验进行对比:5种污染物指标(PM_2.5-5)预测PM_2.5、加入气象因素的综合12项指标(PM_2.5-12)预测PM_2.5、对综合指标进行PCA处理后的(PM_2.5-PCA)预测PM_2.5。实验结果表明:4个季节的PM_2.5浓度值有较大变化,均方根误差(RMSE)的差值较大;采用PM_2.5-PCA的方法,在任何季节的RMSE均有降低,相关系数(r)均有所提高。【结论】PM_2.5浓度具有季节性特征,采用季节性预测方法可以提高预测准确率;同时采用PCA方法进行降维,可以在保证准确率的同时降低预测时间复杂度。     

利用人工智能神经网络预测广州市PM2.5日浓度

利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM),对广州市2015—2019年的PM2.5浓度数据进行训练和预报,研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响.结果表明,EEMD分解可以显著地提升低频分量的预报效果;提高输入数据的时间分辨...     

系统非线性组合预测方法及在黄河凌汛预测中应用

为了提高预测的精度,尤其是冰凌中长期预测的精度,基于工程模糊集、人工神经网络、遗传算法与组合预测理论,提出了系统非线性组合预测方法,给出了黄河内蒙段冰凌三种单一预测模型的非线性组合预测值．结果表明,所建立的非线性组合预测方法物理意义明确,数学推导过程严谨,预测精度高于任意单一预测模型．     

车用锂离子动力电池剩余寿命非线性组合预测研究

针对单一预测模型难以准确预测锂电池的剩余寿命（remaining useful life, RUL）难题,提出了非线性组合预测方法;利用相空间重构,对实验采集到的数据进行重构,将重构后的数据对改进Elman神经网络和非线性自回归（nonlinear autoregressive with exogenous input,NARX）神经网络这2个单项预测模型进行训练和预测;采用RBF神经网络对2个单项模型的预测值进行非线性组合,获得最终的RUL预测值．结果表明:非线性组合预测方法的均方根误差比PCA-NARX方法提高了近1%,比NARX方法提高了近2%,比改进Elman方法提高了近3%;非线性组合预测方法具有较高的精度及泛化能力,采用相空间重构技术有利于提高非线性组合方法的预测精度．      

基于误差修正的短期光伏功率预测

随着太阳能使用率的不断提高,太阳能资源的易变性使电网管理出现了困难。为了提高太阳能发电功率的预测精度,在安全稳定运行中保障工业电力系统的正常使用,提出一种结合改进的自适应噪声互补集成经验模态分解(improved complementary ensemble empirical mode decomposition with adaptive noise, ICEEMEDAN)与差分自回归移动平均(autoregressive integrated moving average, ARIMA)的长短期记忆(long-term and short-term memory, LSTM)神经网络模型,使用该复合模型对光伏发电功率进行预测,通过对影响光伏功率的不同变量进行评估,获取特征重要性并作为模型的输入,在时间尺度上利用改进后的LSTM模型进行建模,以R²等相关指标评判模型性能的优劣,从而实现完整的光伏功率预测。实验采用澳大利亚光伏数据集群(DKASC)中一光伏电站2016年实测数据进行验证,两组实验中修正预测模型较单一LSTM神经网络光伏功率预测模型的精确度分别提高...     

基于集合经验模态分解和 BP 神经网络的北京市 PM2.5 预报研究

利用集合经验模态分解算法(EEMD)和 BP 神经网络组成的混合模型, 对北京城区PM_2.5浓度值进行短期预报。结果表明, 与单独使用BP神经网络模型相比, EEMD-BP混合模型的预报准确率更高; 混合模型高频部分的预报误差是整体误差的主要方面; 混合模型的输入变量中需包含输出变量的信息; 前期污染物浓度的数值对模型的预报结果有较大的影响。     

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%)。     

基于U-net神经网络模型的PM2.5逐小时浓度值预测模型

针对目前多数PM_2.5预测模型泛化能力较差的问题, 提出基于U-net神经网络模型的PM_2.5逐小时浓度值预测模型。该模型通过引入历史风场数据, 将离散的监测站点PM_2.5浓度值插值为PM_2.5网格图; 然后将U-net神经网络作为预测模型, 基于实验区域的10小时内的PM_2.5网格图, 预测下一时刻的PM_2.5网格图。该模型可以利用历史不同时刻提取的PM_2.5浓度值网格图, 在预测区域内所有位置PM_2.5浓度值的同时, 还可以提升预测的准确性以及对PM_2.5浓度值突变情况的适应性。实验结果表明, 所提方法在PM_2.5浓度值短时间突变情况下, 预测精度比传统方法有10%左右的提升。