大气污染预报技术及有关防治对策的研究

依据历史监测数据，研究了大气污染预测预报的方法及污染防治对策。利用主分量分析、多元逐步回归、拟合与逼近等方法，进行了天气预报参数与主要污染物的关系研究，建立了大气污染预测预报模型，制定了大气污染警戒值及警戒措施。模型可做４８小时内大气污染预报及１０日内大气污染趋势分析。     

基于OPAQ的城市空气质量预报系统研究

空气质量预测在国内的关注度日益提高,传统的空气质量预测系统通常运用数值化学传输模型,利用物理方程来计算污染物的扩散、沉降和化学反应。而化学传输模型的预测准确性很大程度上需要依赖详细的污染源排放信息和气象模型的输出结果。基于统计模型的OPAQ空气质量预报业务系统,采用人工神经网络算法,可预测各污染物的日均值或日最大值。并对北京空气质量预报的结果进行了评价,OPAQ空气质量预报业务系统对空气质量预测的准确性较高,能够利用较低的计算资源得到较为准确的预测结果。与数值预报相比,OPAQ空气质量预报业务系统不需要大量的基础数据作为输入,可弥补数值预报的不足,并成为数值预报的有力补充。     

沈阳市冬季环境空气质量统计预报模型建立及应用

利用沈阳市2013年1—2月大气自动监测数据和同期气象资料,选取19项预报因子,采用逐步回归方法建立了沈阳市冬季环境空气质量统计预报模型,预报项目包括细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、一氧化碳(CO)日均浓度及臭氧(O3)日最大8 h平均浓度。2013年11月至2014年1月,应用该模型并结合人为经验修订,开展了沈阳市环境空气质量预报工作,预报结果与实测结果的对比验证结果表明,环境空气预测结果级别准确率达到79.1%,首要污染物准确率为73.6%。     

湖南空气质量预报中的数据预处理和特征工程

为提高空气质量预报的准确率,建立了融合气象和环境观测资料、结合机器学习和数值天气预报,且预测时效较长、预测精度较高的机器学习模型库。以湖南6个城市(长沙、株洲、湘潭、益阳、常德、岳阳)的空气质量预报为例,将数据预处理、特征工程方法运用到模型之中,得出以下几点结论:①数据预处理工作包括样本收集、数据清洗、缺失值处理、异常值剔除等,对提高模型预测稳定性帮助很大。②点、线、面的特征组合有助于完整地描述污染物的生消过程。引入传输指数后,株洲市模型对传输型污染过程的预测性能得到明显提高,对轻度、中度、重度污染的分类准确度分别提升了23.6%、16.6%、30.0%。引入静稳指数后,长沙市模型PM_2.5浓度测试的相关系数由0.938提升至0.959,均方根误差由10.33下降至8.46,且模型对中度以上污染天气的极值预报结果更接近实况;益阳市模型在高浓度样本预测中存在的系统性偏低现象得到改善,对轻度以上污染天气的预报结果得到较大矫正。③随机森林的特征重要性排序功能可以大幅度减少特征的数量,使得模型的可解释性和稳定性增强。     

菏泽市气象因子与空气质量相关性研究与应用

利用气象因子与空气中污染物之间的相互关系,建立了旨在反映两者内在关系的多元回归方程模型。利用气象参数预报值和当日污染物监测结果,对次日空气中污染浓度进行预测。     

OPAQ系统两种模式对O 3预报准确率的探讨

以江苏省宿迁环境监测中心OPAQ系统为例,基于人工神经网络算法的OPAQ空气质量预报系统的2种模式对O 3预报准确率的进行了分析,结果表明,趋势最优模式(RMSE模式)对预报当天及未来3 d的预报值与监测值的相关性系数均>0.78,相对误差在25%以下,在预测当天及未来24、48及72 h优-良天的预测准确率较高,分别为88.8%、87.2%、86.3%及84.7%,在预测轻度污染-重度污染的准确率较低;极值最优模式(SI模式)对预报当天及未来3 d的预报值与监测值的相关性系数(R)均>0.76,相对误差<32%,预测未来24和48 h的轻度污染-中度污染的级别准确率>60%。OPAQ系统的极值最优模式(SI模式)更适合作为夏季ρ(O 3)较高时的预测工具。     

南京市重点污染源对城区空气质量的影响

在基本掌握南京市各类污染源排放状况的基础上，运用南京市空气质量数值预报系统，对2005年1月南京市一次较为典型的天气条件形成的污染过程的数值模拟，计算分析了重污染发生时重点污染源对城区主要空气污染物质量浓度分布的贡献作用。结果表明，南京市城北工业区与主城区毗邻，而且污染物排放量较大，在冬季主导风向为东北风时对主城区污染物的质量浓度值具有显著的贡献。     

基于随机森林算法的滁州市空气质量预报研究

利用2017—2019年滁州市6种空气污染物质量浓度和AQI资料、气象要素及ECMWF数值预报作为输入参数,构建基于随机森林算法的污染物质量浓度和AQI预报模型,其中AQI预报按季节划分为4个模型。结果表明：6种污染物中O3的预报效果最好,相关系数为0.84,PM2.5、PM10和NO2相关系数分别为0.76、0.72和0.72,SO2和CO预报效果略差;基于分季节模型AQI的24 h预报结果TS评分为0.77,空报率（FAR）和漏报率（PO）分别为15%和12%,相较于非季节模型预报效果更好;春季和秋季的TS评分分别为0.88和0.86,相较于冬季和夏季预报效果更好。     

南京市城区和郊区PM2.5中碳质组分特征差异及来源分析

为比较南京市城区和郊区细颗粒物（PM_2.5）中碳质组分特征及来源差异，利用碳组分在线监测仪器对2022年城区和郊区有机碳（OC）和元素碳（EC）进行连续监测。研究结果表明：（1）2022年南京市城区OC、EC质量浓度分别为（5.24±2.39），（1.27±0.62）μg/m³，郊区OC、EC质量浓度分别为（5.67±2.45），（1.32±0.70）μg/m³。2022年OC和EC质量浓度水平分别较2014—2018年均显著下降。城区和郊区的OC、EC质量浓度均呈现冬季高、夏季低的特点。从日变化特征看，城区和郊区OC和EC质量浓度均呈现白天低、夜间高的特点，并且具有明显的峰谷值。（2）城区和郊区OC、EC均在冬季呈现良好的相关性，显著高于春季和夏季。根据碳质组分与气态污染物的关系以及ρ（OC）/ρ（EC）分析结果，城区和郊区均存在二次污染，机动车和燃煤是城、郊区的主要污染源，机动车源对城区影响大于郊区，燃煤源对郊区影响大于城区。（3）污染源的直接排放对南京市OC的质量浓度水平影响较大，郊区二次有机碳（SOC）质量浓度高于城区。城区需要重点关注机动车排放，郊区需要与周边区域协同治理燃煤、生物质燃烧等方面的污染排放。     

基于BP神经网络的贵阳市空气质量指数预报模型

采用贵阳市2013年1月1日—2015年12月31日的空气质量指数(AQI)日均值,常规的地面和高空观测资料,基于不同季节,调整BP神经网络的隐藏层个数和隐藏层节点数,建立不同的BP神经网络预报模型,进行参数检验,最终选取预报效果最好的模型带入实况进行检验。结果表明,夏季的预报效果最好,采用的模型TS评分为81.6%,平均绝对误差为9.1,正确率为97.4%,用该模型检验预报效果,实况和预报的相关系数为0.71,平均误差为9;而冬季的预报效果明显低于其他季节,采用的模型TS评分为65.7%,平均绝对误差为19.5,正确率为72.9%,用该模型检验预报效果,实况和预报的相关系数为0.79,平均误差为19。而且BP神经网络模型的预报效果同隐藏层个数与隐藏层节点数没有显著关系。     

基于深度学习的空气质量预报方法新进展

空气质量预报与人们的日常生活密切相关,其基本思想是分析历史空气质量数据,发现其内在的时空相关性,结合未来气象信息以及污染源排放量,对未来的空气质量进行预测。目前,环境管理和社会公众服务对空气质量预报提出了长时间、多维度、高精度的预测要求,一些新型的空气质量预测方法仍处于起步探索阶段。近年来,随着人工智能的普及与推广(特别是云计算与大数据的发展),深度学习这项基于传统人工神经网络的技术被国内外研究者所重视。笔者对现有典型的空气质量预报方法进行了阐述,包括数值预测模型方法、统计预报模型方法、基于机器学习模型的预测方法等,并重点介绍了该领域最新进展:基于深度学习模型的预测方法,并在此基础上进行了总结与展望。     

天津市基于新标准的空气质量预报模型效果评估

利用2015年环境空气质量监测数据,对天津市OPAQ空气质量统计预报模型预测效果进行验证评估。结果表明,模型对天津市AQI和PM_(2.5)、PM_(10)、O_3、NO——2的预测结果与实测结果具有较好的趋势一致性,且预测时间越临近,拟合度越好,24 h预报的相关系数r全部达到0.8以上。对PM_(2.5)的预报性能明显优于PM_(10)、O_3和NO_2,PM_(2.5)平均值预测略呈正偏差,但重污染预测值偏低约15%;O_3和NO_2预测值呈明显负偏差,O_3峰值预测不足,NO_2预测值整体偏低,均以24 h预报趋势性最好,但负偏差最为突出。     

缫丝废水化学耗氧量与生化需氧量相关性探讨

根据缫丝行业废水ＣＯＤＣｒ与ＢＯＤ５的测定结果，通过研究它们之间的相关性，建立了相关方程式，从而以ＣＯＤｃｒ值预测预报ＢＯＤ５值，大大简化了分析测试工作，对控制该行业污染及其治理，加强监督管理起到积极作用。     

成都市空气质量状况与气象条件的关系分析

利用2010年成都市城区环境监测资料及同期气象资料,分析了成都市城区空气污染物的变化特征及各污染物浓度与气象条件的关系。结果表明:(1)成都市大气环境中PM10为首要污染物,城区空气质量具有明显的季节特征,最优在夏季,冬季最差;(2)成都市大气稳定度稳定类频率的变化幅度与污染物月均值变化幅度较为一致;(3)成都市城区污染物除本地污染源外,还受到外地源的影响。     

空气中PM_(10)浓度的BP神经网络预报研究

BP神经网络在空气污染预报领域的应用越来越广泛,本文建立了某市PM10浓度预报的分段BP神经网络模型。经验证所建立BP预报模型预测精度比较高,PM10日平均浓度误差大多数在-0.010～0.010mg/m3范围内,相对误差在-20%～20%范围内,表明BP神经网络对PM10的浓度预报是一种有效的工具。     

非等间隔GM（1，1）模型在液相色谱保留值研究中的应用

本文运用灰色系统理论思想，建立非等间隔ＧＭ（１，１）模型，对色谱中的流动相组成及容量因子的关系进行预测研究，所建立模型能实现对各实验点值进行模拟和合理地预测。     

兰州城区大气污染变化规律及短期宏观预测的研究

兰州城区大气污染变化规律及短期宏观预测的研究朱延盛，孙凤安，侯喜福，张英俊（甘肃兰州市环境科学研究所，７３００００）１．污染变化规律分析三年来各种污染物的月平均值变化曲线如图１的点划拆线所示。由变化曲线得知，各种污染物的污染变化规律，都有这样一些共同...     

净水厂氯气泄漏的环境风险分析

以丹阳净水厂为例，选取大气非正常排放模式，预测了液氯钢瓶阀门泄漏及爆炸对周围环境和保护目标的影响，并模拟了钢瓶爆裂事故的后果，计算出事故发生时的初始警戒区半径，提出了相应的氯气泄漏防范措施。     

用灰色系统理论对乌鲁木齐市大气降水pH值进行预测分析

运用灰色系统理论建立灰色模型ＧＭ，对该模型进行了检验和残差修正。并用其模型分析和预测乌鲁木齐市１９９４＝１９９８年大气降水ｐＨ值。     

基于自动站资料的深圳灰霾特征对比分析

利用深圳自动气象站的气象要素和深圳大气成分监测系统采集的大气成分数据，分析了深圳城区和郊区灰霾季节变化、日变化差异和不同风向下污染物浓度差异，结果表明，城区由于人类活动频繁导致灰霾日比郊区多，以轻微灰霾偏多为主。秋、冬季城区冷空气活动频繁、能源消耗大，灰霾出现频率是郊区的1~2倍；春季冷空气和海上暖湿气流容易形成对峙，沿海颗粒物更容易吸湿增长，郊区灰霾频率反而比城区高25%；夏季对流强、降水频密，城郊差异最小。城区灰霾频率受早晚交通高峰期影响，日变化呈双峰型。而郊区受太阳辐射和光化学反应影响大，呈单峰型。偏北风条件下污染物浓度明显升高，偏南风带来的清洁空气使得颗粒物浓度降幅明显。