基于GAM模型的西安市O3浓度影响因素解析

基于空气质量监测数据,研究了2014~2018年西安市O₃浓度和污染的变化特征,利用GAM模型揭示了气象因素对O₃浓度的影响.结果表明：①西安市O₃浓度逐年上升,2016年开始O₃年评价指标已连续3 a超标.但随着夏季O₃污染治理的加强,2017年后O₃浓度升幅趋缓.②O₃月均浓度变化曲线主要呈倒V型,1~7月随气温的升高而上升,8~12月随气温的下降而下降,7月月均浓度最大.但在降水量偏大的年份,O₃月均浓度常在降水量最大月出现谷值,曲线形态变为M型.③2014~2018年西安市O₃污染明显加重,O₃污染时段向前延长.O₃超标率由2014年的1.9%上升到2018年的14.0%.2016年起,O₃污染出现时间由7月提前至5月.④GAM模型拟合结果表明,气温、气压、日照时数和相对湿度与O₃浓度有显著的非线性关系,各因子平滑函数拟合曲线形态差异较大,其中气温和日照时数主要呈正向影响,气压和相对湿度主要呈负向影响.降水量的影响主要表现在夏季,风速的影响不明显.西安市在气温>24℃、气压<962 hPa、日照时数>9 h、相对湿度为36%~65%且无雨时,O₃污染较易发生.     

海南岛臭氧污染时空变化及敏感性特征

基于环境空气质量数据、气象观测数据和卫星遥感资料,研究了2015~2020年海南岛臭氧（O₃）污染的时空分布、变化趋势、O₃生成敏感性及其与气象因子的关系.结果表明,海南岛O₃-8h （日最大8 h滑动平均值）表现为西部和北部偏高,中部、东部和南部偏低的分布特征,2015年O₃-8h浓度最高,2019年O₃-8h浓度超标占比最大.O₃-8h浓度与平均气温（P<0.1）、日照时数（P<0.01）、太阳总辐射（P<0.01）、大气压和平均风速呈正相关关系,与降雨量（P<0.05）和相对湿度呈负相关关系.卫星遥感数据显示,2015~2020年海南岛对流层NO₂柱浓度（NO₂-OMI）和HCHO柱浓度（HCHO-OMI）呈相反的变化趋势,2020年NO₂-OMI较2015年上升了7.74%,HCHO-OMI下降了10.2%.海南岛属于NO_x控制区,近6年FNR值（O₃生成敏感性）呈波动式地下降趋势,其趋势系数和气候倾向率分别为-0.514和-0.123 a^-1.气象因子与海南岛FNR值有较好的相关关系.     

2015~2021年陕西关中城市群臭氧污染变化趋势

基于2015~2021年环境监测数据和气象再分析资料,利用Mann-Kendall检验法和Sen斜率法等统计手段揭示了陕西关中城市群臭氧（O₃）浓度时空变化特征和年际变化趋势,并从气象、排放源和区域传输等方面分析了趋势形成的原因.结果表明：①2015~2021年,关中城市群O₃浓度评价值（MDA8第90百分位数）最高的城市是咸阳市,浓度评价值多年平均值为162 μg·m^-3,O₃浓度平均值（MDA8年均值）和O₃浓度背景值（MDA8第5百分位数）最高的城市是铜川市.②关中城市群O₃浓度表现为单峰型日变化特征,并呈现夏季>春季>秋季>冬季的年变化特征.夏季咸阳O₃浓度平均值最高,其他季节铜川O₃浓度平均值最高.③2015~2021年,陕西关中城市群O₃浓度背景值呈现出上升趋势,区域浓度背景值平均上升速率为2.20 μg·（m³·a）^-1,但是O₃浓度评价值并未表现出有统计显著性的变化趋势.此外,关中城市群O₃浓度变化趋势与季节密切相关,其中冬季O₃浓度上升趋势显著,其他季节大部分城市O₃浓度无明显变化趋势.④关中城市群及周边地区挥发性有机物（VOCs）减排幅度普遍小于氮氧化物（NO_x）的不合理减排结构、滴定效应减弱以及区域传输等因素共同作用,导致关中城市群冬季O₃浓度升高.     

夏季对流层臭氧辐射强迫对华北地区天气和空气质量的影响

自2013年我国实施《大气污染防治行动计划》以来,大气颗粒物浓度显著降低,但臭氧（O₃）污染日益严峻,同时对流层O₃作为一种重要的温室气体,其辐射强迫能够影响天气和空气质量.利用双向耦合的区域空气质量模型WRF-Chem,再现2017年6月发生在华北地区的一次O₃污染事件,通过敏感性试验分析对流层臭氧辐射强迫（TORF）对当地气象场的影响,以及改变的气象变量对O₃空气质量的反馈作用.结果表明,WRF-Chem模式在气象要素的模拟上表现出较好的性能,并且能够很好地捕捉到O₃浓度的时空演变特征.TORF使北京-天津-河北-山东地区的近地面气温平均升高0.23 K （最大增温可达0.8 K）、近地面相对湿度降低1.84%、边界层高度增加27.73 m.TORF对风速的影响较弱（-0.02 m ·s^-1）,但产生的西南风异常容易将上游污染地区的O₃和其前体物输送至华北地区.在臭氧辐射反馈的影响下,研究区域内φ（O₃）平均增加1.7%（1.23×10^-9）,而在污染严重的北京和天津地区,φ（O₃）增加量最高可达5×10^-9.进一步利用过程诊断分析法可以发现,增强的气相化学反应是TORF恶化近地面O₃污染的主导原因.     

2015—2021年广州地区近地面O3浓度污染特征及其与气象因素关系

利用2015—2021年广州地区近地面逐时臭氧（O₃）观测资料及同期地面气象站常规观测数据,分析了广州地区近地面O₃浓度污染特征及其与气象因素的关系.结果表明：2015—2021年广州地区O₃浓度呈缓慢上升趋势,增速为1.9 μg?m^-3?a^-1,2015和2019年O₃浓度超标天数 最多;O₃平均浓度季节变化明显：秋季＞冬季＞夏季＞春季;O₃浓度空间分布不均匀,城郊地区高于中心城区;峰值中心位于城郊地区白云区,低值中心位于中心城区荔湾区.O₃浓度高峰期是7—10月,9月浓度最高,3月浓度最低;四季O₃浓度日变化均呈“单峰型”结构,最低值出现在7：00—8：00,14：00—16：00达到峰值.近地面O₃平均浓度和O₃超标率均与气温呈正比,当气温＞15 ℃开始出现臭氧超标现象.相对湿度＜50%时,O₃超标率与相对湿度呈正比;相对湿度为40%~50%时,O₃超标率达峰值为16.3%.当风速＜2 m?s^-1时,O₃超标率与风速呈正比;当风速＞ 2 m?s^-1时,O₃超标率与风速呈反比.高温、低湿、风小是广州地区产生高浓度O₃的主要气象因子.     

珠江三角洲大气光化学氧化剂(Ox)与PM2.5复合超标污染特征及气象影响因素

基于粤港澳珠江三角洲区域空气监测网络12个监测子站的大气污染物数据,梳理2013~2017年大气光化学氧化剂O_x（NO₂+O₃）与PM_2.5质量浓度的变化趋势.O_x+PM_2.5复合超标污染定义为NO₂和PM_2.5质量浓度日平均值以及O₃浓度日最大8 h平均值（O₃ MDA8）同时超过二级浓度限值,分析了不同类型站点复合超标污染的时空分布特征以及气象因素影响.结果表明,2013~2017年珠三角PM_2.5年均质量浓度由（44±7）μg·m^-3下降至（32±4）μg·m^-3,实现PM_2.5连续3 a达标.O_x年均质量浓度由2013年（127±14）μg·m^-3下降至2016年（114±12）μg·m^-3,2017年反弹至（129±13）μg·m^-3,O₃浓度上升明显（10 μg·m^-3）.以O₃为首要污染物的污染过程占比由2013年33%增多至2017年78%,多个城市同时发生污染的区域特征明显.研究时段内O_x+PM_2.5复合超标污染事件共发生60次,主要在城区站点（78%）和郊区站点（22%）.秋季发生复合超标污染天数最多（52%）,是因为强太阳辐射有利于臭氧生成,大气氧化性增加,进而促进了PM_2.5二次生成.造成珠三角复合超标污染的天气形势主要为高压出海型（43%）、高压控制型（30%）和热带低压型（27%）.就具体气象因素而言,气温在20~25℃且相对湿度在60%~75%的范围内时,复合超标污染事件发生占比最高（22%）.在O₃重污染过程中,夜间高湿和低风速使得NO₂和PM_2.5浓度显著上升,日间高温加剧了复合超标污染.     

京津冀臭氧污染特征、气象影响及基于神经网络的预报效果评估

基于生态环境监测和气象观测数据,分析了2016~2020年京津冀13个城市臭氧（O₃）浓度特征,讨论了O₃污染高发月份日最高温度（T_max）、日均地面气压（p）、日均地面相对湿度（RH）和日均地面风速（v）等气象要素对O₃-8h浓度和O₃-8h超标情况的影响规律,并采用AQI级别预报准确率、O₃浓度范围预报准确率和O₃级别预报准确率等方法,评估了基于神经网络的O₃统计预报效果.结果表明,2016~2020年期间京津冀13城市ρ（O₃-8h-90per）分别为157.4、177.2、177.3、190.6和175.6μg·m^-3,区域臭氧浓度5a上升了11.6%,2016~2019年期间总体呈波动上升趋势,2020年环比下降;2020年与2016年相比,除北京、张家口和承德略有下降外,其他10个城市ρ（O₃-8h-90per）上升了6~45.5μg·m^-3.O₃-8h月均值呈现"两头低,中间高"现象,ρ（O₃-8h）在4~9月的月均值超过了100 μg·m^-3,在6月最高,为158.10 μg·m^-3.城市O₃-8h超标率范围为8.6%~19.2%,97.8%的O₃-8h超标情况发生在4~9月.区域尺度上O₃-8h浓度与日最高温度相关性最强,当T_max在25~28℃区间时,所有城市开始出现O₃-8h超标.O₃-8h浓度与日均地面气压呈负相关关系;当RH在60%以下时,大部分城市O₃-8h浓度随相对湿度上升缓慢增长;当RH在61%~70%以上时,大部分城市O₃-8h浓度随日均相对湿度上升而下降.O₃-8h超标时的地面主导风向主要为偏南风,大部城市O₃-8h浓度高值易集中出现在2~3m·s^-1及以下低风速区间.OPAQ统计模式提前1~9 d预报相关系数范围为0.72~0.86,AQI级别预报平均准确率为67%~86%,O₃-8h浓度范围预报平均准确率为63%~84%.在O₃-8h超标情况多发的4~9月,模式对O₃轻度污染和O₃-8h超标情况提前3 d预报准确率分别为69%和66%,可为O₃-8h超标管控提供参考依据.     

2019年秋季海南省4次臭氧污染过程特征及潜在源区分析

基于2019年秋季海南省空气质量和气象监测数据,结合相关分析、HYSPLIT后向轨迹模型、PSCF （潜在源贡献因子）和CWT （浓度权重轨迹）等分析方法对海南省4次O₃污染过程特征及潜在源区进行深入分析.结果表明：①过程1和过程3分别发生在9月21~30日和11月3~11日,持续时间达到了10 d和9 d,ρ（O₃-8h）（最大8 h平均）分别为145.52 μg ·m^-3和143.55 μg ·m^-3.过程2和过程4出现在10月18~21日和11月20~25日,持续时间为4 d和6 d,ρ（O₃-8h）分别为130.79 μg ·m^-3和115.46 μg ·m^-3.②气压偏高,降水偏少,相对湿度偏低,日照时数偏长和太阳辐射偏强,是造成海南省出现O₃污染天气的有利气象条件.偏北风风场控制下有利于O₃-8h浓度上升,不同风速大小会影响海南省O₃-8h浓度高值区分布.③ O₃污染较为严重的过程1和过程3的影响气流发散度较大,有来自内陆地区和东南沿海地区两支气流,而O₃污染较轻的过程2和过程4的影响气流较为集中,多为东南沿海气流.④潜在贡献源区分析表明,浙江省、江西省、福建省和广东省等地是2019年秋季海南省O₃污染外源输送的主要源区,其中珠三角地区和广东省西部WPSCF值和WCWT值分别为大于0.36和大于90 μg ·m^-3.     

基于边界观测的长三角某工业区O3来源特征

为研究上海某石化工业区臭氧来源特征,采用在线监测系统对该工业区O₃及其前体物和气象参数展开了为期3个月（2020年6~8月）的同步连续观测.采用TCEQ（Texas Commission on Environmental Quality）区域背景臭氧估算法和主成分分析两种方法研究工业区区域背景和本地生成O₃浓度贡献,并将两种方法进行对比分析.结果表明：①观测期间园区主导风向为东南风和东风,平均温度为27.12℃.ρ（VOCs-36）日均值为32.05~240.51μg·m^-3,烷烃浓度占比最大;ρ（NO_x）日均值为10.15~47.51μg·m^-3;ρ（O₃）为31.81~144.43μg·m^-3.②TCEQ法得出的区域背景O₃浓度[ρ_R（O₃）]为32.63~191.13μg·m^-3,本地生成O₃浓度[ρ_L（O₃）]为16.08~134.25μg·m^-3,区域背景占比ω（TCEQ）为32.6%~87.7%.主成分分析计算得出的区域背景[ρ_PCA-R（O₃）]为66.38~219.83μg·m^-3;③TCEQ法计算得出的本地生成O₃浓度变化基本能够与该园区内臭氧生成潜势的变化对应,两种方法具有良好的吻合效果,经验证结果具有可靠性;④剔除由于站点浓度异常情况带来的计算误差,观测期间区域背景O₃占比基本处于75%~95%范围内.综上,园区内O₃浓度组成以区域输送为主,应重点关注工业区周边城市的O₃污染治理,落实长三角区域联防联控措施.     

安徽省O3浓度时空分异及其驱动因素研究

基于2017—2018年安徽省132个空气质量监测站点的O₃浓度观测数据及各月份的气象与前体物排放数据, 采用空间自相关分析、地理探测器等方法分析安徽O₃浓度的时空分异及其驱动因素. 结果表明:安徽O₃浓度的峰值出现在5月和6月, 超标率分别为31.4%和42.8%. O₃浓度整体呈空间集聚特征, 高值区主要出现在安徽东北部的蚌埠、宿州、淮南和滁州4市, 低值主要分布在皖南山区. 气象要素是安徽省O₃浓度格局形成的主控因素, 其中6月的边界层高度(q=0.644)、近地面太阳辐射(q=0.597)和风速(q=0.571)的影响最大, 且呈正向影响, 风速的增大和边界层高度的增加可能使得输入性污染增加. 降雨量(q=-0.532)和相对湿度(q=-0.559)呈负向影响, 且降雨带的移动是影响安徽夏季O₃分布格局的一项关键因素. 本地前体物排放对安徽O₃浓度的影响受到气象要素的驱动, 在夏季呈正向, 而冬季呈反向, 其中CO的影响相对较大. 6月气象要素与本地前体物排放的双因子交互驱动对O₃浓度的空间分异具有增强作用. 边界层高度和近地面太阳辐射与本地前体物的组合解释力均大于0.7, 在不利的气象条件下, 应进一步加强对本地前体物排放的管控.     

佛山臭氧浓度预报方程的建立与应用

臭氧作为大气中的二次污染物,其形成和变化复杂,臭氧预报更是当下空气污染治理的难题之一.通过分析2014~2017年佛山地区近地面O₃浓度与高低层气象要素的关系,建立了佛山O₃浓度预报方程,并进行了检验和应用.结果表明,佛山近地面O₃的变化与高低层气象要素关系密切,气温和日照时数等气象要素与O₃浓度呈显著正相关,相对湿度、总（低）云量和风速等与其呈负相关;高浓度O₃污染发生的气象条件为小风速、晴间少云、低相对湿度、较长的日照时间和较高的温度,高浓度O₃潜势指数（HOPI）和风向指数（WDI）的定义可以较好地衡量O₃污染气象条件的好坏;综合考虑HOPI和不同高度WDI等13种气象要素,采用多指标叠套和多元逐步回归建立了佛山地区臭氧浓度预报方程;利用2018年资料检验发现,模拟值与实测值二者的相关系数R可达0.82,预报方程具有良好的拟合效果和可预报性.     

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.     

南京地区近地面臭氧浓度与气象条件关系研究

通过分析2013—2015年南京地区相关气象要素对近地面臭氧浓度的影响,建立了用于不同季节高浓度臭氧污染事件的预报预警模型,并归纳总结了南京地区高浓度臭氧出现的天气形势.结果表明,近地面臭氧浓度的变化与气象要素密切相关,气温、能见度、日照小时、总(净)辐射辐照度等要素与O_3浓度呈显著正相关,与相对湿度、总(低)云量呈负相关.高浓度臭氧污染是多因子综合作用的结果,典型气象条件表现为:太阳辐射强,低云量少,相对湿度适宜,地面小风速及特定的风向.通过定义高浓度臭氧潜势指数HOPI和风向指数WDI,并综合考虑14:00地面气温、相对湿度及8:00各标准层的相关气象要素,建立了逐季节多指标叠套的高浓度臭氧预报方程.采用2016年资料对其进行检验,发现预报值与观测值的相关系数分别达0.72(冬季)、0.76(春季)和0.73(夏季),说明方程具有较好的拟合效果和可预报性.通过普查历史天气图,归纳了伴随南京地区高浓度臭氧事件出现的8种主要天气形势,即高压类(高压中心G0、高压后部G1)、低压类(低压底部D0、低压前部D1、低压倒槽D2)、均压类(高压相关的均压JG、低压相关的均压JD、其它均压J).其中,以高压后部地面形势出现概率最大,低压前部均压场出现时对应臭氧平均浓度最高.     

淄博市城郊臭氧污染特征及影响因素分析

本文基于淄博市2019年18个自动监测站连续1 a的O₃与前体物（NO_x、 VOCs和CO）,及常规气象监测数据（气温、相对湿度、风速和能见度）,选取城区和郊区代表性站点,研究了O₃与前体物的污染特征以及O₃生成的影响因素.结果表明,淄博市2019年O₃-8h浓度超标率为25.8%,超标天多出现在5～9月;城区NO_x浓度高于郊区,而O₃和VOCs浓度较低;各污染物的小时变化率具有明显的季节特征,秋冬季节O₃上升和前体物下降时间均较春夏季节晚1 h左右,且O₃生成累积的高峰时段缩短,城区O₃浓度的整体上升速率高于郊区;对O₃及各影响因素的相关性分析、偏相关分析及线性回归分析得到,O₃与前体物和相对湿度呈负相关,与能见度、气温和风速呈正相关,各因素间存在相互影响;城区站点O₃生成的主控因子有相对湿度、 NO<...     

海陆风对天津市PM2.5和O3质量浓度的影响

静稳天气下局地环流往往会对污染物的传输扩散起重要作用.根据天津市地处渤海西岸,常年受到海陆风影响的特点,综合气象、环境资料及HYSPLIT模型,针对沿海、市区、城郊、山区等代表性站点,研究了海陆风对天津市ρ（PM_2.5）和ρ（O₃）的影响.结果表明:①2015年天津市海陆风天数为78 d,占全年的22%;海陆风多集中于6-9月,其中,7月海陆风日最多、2月最少.②ρ（PM_2.5）和ρ（O₃）季节性变化和空间分布特征不同.春、夏两季ρ（PM_2.5）山区最高、城郊最低;秋、冬两季ρ（PM_2.5）市区最高、山区最低.春、秋两季ρ（O₃）沿海最高、市区最低;夏季ρ（O₃）山区最高、沿海最低.③海陆风对ρ（PM_2.5）有扩散作用,对ρ（O₃）有增加作用.海陆风对沿海ρ（PM_2.5）扩散作用最为明显,致使冬、秋两季ρ（PM_2.5）分别下降20.2%和7.9%;对城郊ρ（O₃）增加作用最为明显,致使秋、夏两季ρ（O₃）分别升高39.8%和16.2%.④个例研究表明,海风向内陆推进过程中垂直方向最高可达1 000 m,受海风影响天津市ρ（PM_2.5）下降,陆风使得ρ（PM_2.5）小幅上升,海陆风总体起扩散作用;海陆风使天津市ρ（O₃）日变化出现3个峰值,日均值明显增大,其中,城郊增幅（68.2%）最大.研究显示,海陆风对天津市ρ（PM_2.5）有扩散的作用,但会增高ρ（O₃）.      

Observations of atmospheric pollutants at Lhasa during 2014–2015: Pollution status and the influence of meteorological factors

Atmospheric pollutants including SO₂, NO₂, CO, O₃ and inhalable particulate matter (PM_2.5 and PM₁₀) were monitored continuously from March 2014 to February 2015 to investigate characteristics of air pollution at Lhasa, Tibetan Plateau. Species exhibited similar seasonal variations except O₃, with the peaks in winter but low valleys in summer. The maximum O₃ concentration was observed in spring, followed by summer, autumn, and winter. The positive correlation between O₃ and PM₁₀ in spring indicated similar sources of them, and was assumed to be turbulent transport. Temperature was the dominant meteorological factor for most species in spring. High temperature accelerates O₃ photochemistry, and favors air disturbance which is conductive to dust resuspension in spring. Relative humidity (RH) and atmospheric pressure were the main meteorological factors in summer. RH showed negative correlations with species, while atmospheric pressure posed opposite situation. Wind speed (WS) was the dominant meteorological factor in autumn, the negative correlations between WS and species indicated diffusion by wind. Most species showed non-significant correlations with meteorological factors in winter, indicating the dependence of pollution on source emission rather than restriction by meteorology. Pollution weather character indicated that emissions were from biomass burning and dust suspension, and meteorological factors also played an important role. Air stream injection from the stratosphere was observed during O₃ pollution period. Air parcels from Southwest Asia were observed during air pollution period in winter. An enhancement in air pollutants such as O₃ would be expected in the future, more attention should be given to countermeasures for prevention of air pollution in the future.     

Variability of PM2.5 and O3 concentrations and their driving forces over Chinese megacities during 2018-2020

Recently,air pollution especially?ne particulate matters (PM_2.5) and ozone (O₃) has become a severe issue in China.In this study,we?rst characterized the temporal trends of PM_2.5and O₃for Beijing,Guangzhou,Shanghai,and Wuhan respectively during 2018-2020.The annual mean PM_2.5has decreased by 7.82%-33.92%,while O₃concentration showed insigni?cant variations by-6.77%-4.65%during 2018-2020.The generalized additive models (GAMs) were ...     

青海省东部农业区参考作物蒸散量的变化及对气象因子的敏感性分析

使用FAO推荐的Penman-Monteith公式计算了青海省东部农业区7个气象代表站的逐日参考作物蒸散量(ET₀),运用多窗谱方法(MTM)对青海省东部代表站的ET₀的变化周期进行了分析,同时,分析了影响ET₀的主要气象要素的变化趋势,运用基于偏导数的敏感系数法分析了生长季ET₀对气温、日照时数、相对湿度、风速的敏感性,结果表明,青海省东部农业区的7个站点有比较一致的19.23~22.22 a的周期;整个东部农业区的气温(最高温度、最低温度、平均温度)呈明显的上升趋势,日照时数、风速、相对湿度则随纬度的变化而趋势不同,北纬36°以南的两个站日照时数、风速均有增加的趋势,相对湿度则减小,以北的5个站则呈相反的变化;ET₀对日照时数最为敏感,其次是气温、相对湿度和风速;敏感系数在整个生长季随气象因子的变化而变化,日照时数敏感系数呈波动状,最大值出现在4月,最小值出现在9月,气温敏感系数呈现单峰型变化,最大值出现在7月,风速敏感系数则呈单谷型变化,最小值出现在7月。     

杭州市臭氧污染特征及影响因素分析

为研究杭州市夏季臭氧(O_3)污染特征及其影响因素,统计分析了2013—2016年杭州市O_3监测数据与杭州市气象数据,并结合AIRS卫星O_3数据探讨了台风天气系统对杭州市近地面O_3浓度的影响.结果表明:2013—2016年,杭州市O_3污染逐年加重,O_3浓度高值持续时间延长.O_3浓度与太阳辐射、温度相关,每年5月和8月太阳辐射强、温度高,O_3污染最严重;全天O_3浓度呈单峰日变化,峰值出现在午后(~14:00)太阳辐射较强、温度最高时.杭州市在日降水为0且12:00—15:00太阳辐射通量均值高于200 W·m~(-2)天气条件下,风向为东、东北或东南风且风速低于3 m·s~(-1)时,O_3浓度相对较高,易出现超标情况.台风天气系统对杭州市近地面O_3浓度有明显影响,以2014年10号台风"麦德姆"为例,台风外围系统影响到杭州时,偏东气流可将杭州以东地区高浓度O_3输送到杭州,同时下沉气流导致污染物在近地层积聚不易扩散,造成近地层O_3浓度升高.