汾渭平原空气质量及气象要素对其日变化和年际变化的影响

汾渭平原因其封闭的地形条件以及煤炭为主的能源结构,大气污染问题一直存在,并于2018年被列入大气污染防控的重点区域。文章利用2015年以来PM₁₀、PM_2.5、SO₂、NO₂、CO、O₃质量浓度的观测数据和空气质量指数（Air Quality Index,简称AQI）,分析了汾渭平原AQI及大气污染物质量浓度的时空分布特征;使用多元线性回归模型研究了气象条件对冬季PM_2.5和夏季O₃浓度日最大8 h滑动平均值（MDA8_O₃）日变化和年际变化的影响。研究发现,汾渭平原的空气质量在2015～2017年间逐年变差,在2018～2019年有所好转,污染较重的城市为西安、渭南、咸阳、临汾、运城、三门峡、洛阳,集中在汾河平原与渭河平原交界处。汾渭平原的首要大气污染物多为PM_2.5、PM₁₀或O₃,三者占比之和约90%。重污染时期主要集中在天气条件不利及污染物排放量大的冬季供暖期,但夏季O₃浓度的升高趋势使得汾渭平原夏季污染情况越来越严重。影响汾渭平原冬季PM_2.5浓度和夏季MDA8_O₃日变化最主要的气象要素都是2 m高度气温（简称T2M）,相对贡献分别是45.5%、35.3%,都表现为正相关;第二主要的气象要素都是2 m相对湿度（简称RH2M）,相对贡献分别是41.5%（正相关）、25.4%（负相关）。影响汾渭平原冬季PM_2.5浓度年际变化最主要的2个气象要素是T2M和RH2M,其相对贡献分别为43.6%、31.9%,且都呈正相关,2015～2019年汾渭平原冬季气象条件的变化会导致PM_2.5浓度上升,部分削弱了人为减排导致的下降趋势（?8.3 μg m?3 a?1）。影响汾渭平原夏季MDA8_O₃年际变化最主要的2个气象要素是T2M（正相关）和850 hPa风速（WS850,负相关）,其相对贡献分别为71.7%、16.3%。2015～2019年汾渭平原夏季气象条件的变化导致O₃污染呈上升趋势（1.2 μg m?3 a?1）,但O₃污染的总上升趋势（8.7 μg m?3 a?1）中,人为排放变化的贡献更大（7.5 μg m?3 a?1）。本研究表明,汾渭平原大气污染形势严峻,其颗粒物污染问题尚未解决,还面临着新的臭氧污染的挑战,汾渭平原内的11个地级市分属陕西、山西、河南三省管辖,三省交界处又是重污染区域,所以需要三省联合防治防控,协同改善汾渭平原的空气质量。     

汾渭平原PM2.5-O3复合污染特征及气象成因分析

PM_2.5和O₃已经成为汾渭平原城市最主要的污染物,两者之间相互影响,在暖季经常同时出现构成污染,其污染程度与气象条件密切相关。利用2015—2021年汾渭平原12个城市逐日PM_2.5和O₃浓度、地面气象观测数据以及ERA5高空再分析数据等资料,分析了汾渭平原PM_2.5和O₃的时空变化特征以及复合污染发生时PM_2.5和O₃的关系,并研究了局地气象条件和天气形势对复合污染的影响。结果显示,该地区年均PM_2.5和日最大8小时O₃浓度分别在2017年和2018年开始持续下降,复合污染日数也在2019年后开始持续下降;复合污染主要发生在3—9月,在汾渭平原东部城市出现次数较多,多出现在高温、低湿的环境下;最后利用T-PCA算法(正交主成分分析)将复合污染的天气环流形势分为4种类型,主要呈现出以高空西北气流或偏西气流、低层为暖区偏南风或微风为主的天气特征。研究结果对汾渭平原的大气...     

华南区域大气成分数值模式GRACEs预报性能评估

利用2016-2019年广东省国控站实况监测数据对华南区域大气成分数值模式系统(GRACEs)预报性能进行了综合评估。除空气质量指数AQI外,重点对PM_2.5、O₃及NO₂进行了分析评估。(1) 模式预报性能存在年际差异,对各要素的预报值总体偏低。(2) 模式预报能较好地反映空气质量的空间分布,PM_2.5中心在珠三角西北部,而O₃-8 h高值区在珠三角核心区和粤东沿海,但模式对O₃-8 h高值区存在显著预报低估现象。(3)模式可较好地模拟出PM_2.5月变化的单峰型特征和O₃-8 h月变化双峰型特征,但模式对AQI的秋冬季主峰值和春季次峰值的预报存在低估,分别与模式对O₃-8 h、PM_2.5的低估有关。(4) 模式能较好体现O₃的午后峰值和NO₂双峰值的日变化规律;模式对O₃前体物NO₂的预报偏差,有可能是导致随后几小时对O₃浓度预报偏差的重要原因。(5) 日平均浓度预报效果检验显示模式可较好预测AQI和3种污染物的变化趋势,但对夏秋季高O₃-8 h浓度预报显著偏低;模式对轻度污染及以上等级预报能力偏低,亟需提升模式对污染天气的预报能力。      

基于卫星遥感和地面观测资料的汾渭平原空气污染分析

选取中国汾渭平原地区作为研究对象,利用MODIS、OMI和CALIPSO多源卫星遥感资料,同时结合环境监测国控站点污染6要素等逐小时地面环境监测数据以及能见度、霾天气现象记录等地面气象要素资料,综合分析了2013—2018年秋冬季汾渭平原空气质量状况、气溶胶的组分,探讨了卫星遥感气溶胶光学厚度（Aerosol Optical Depth,AOD）与地面污染物浓度的关系,并结合中国气象局化学天气预报系统-EMI评估模式（CUACE-EMI）资料对气象条件和污染减排影响进行评估。结果表明：11个代表城市中有6个城市秋冬季有接近或超过一半的时刻处于污染状态,且污染发生时,各代表城市大多数时刻处于中度及其以上污染级别;三门峡、临汾、运城和西安是霾和重度霾高发的城市,其重度霾爆发频率高达11.63%—14.78%;汾渭平原秋冬季首要污染物为PM_2.5和PM₁₀,以污染沙尘、沙漠沙尘和烟尘为主,出现频率分别为36.24%、25.14%和22.96%;MODIS AOD与空气质量指数（Air Quality Index,AQI）、PM_2.5、PM₁₀质量浓度之间的相关系数分别为0.72、0.70和0.64;汾渭平原2018年气象条件的变化使PM_2.5浓度较2013年、2014年、2015年、2016年和2017年同期上升了17.06%、1.58%、4.34%、11.25%和5.75%,减排措施使PM_2.5浓度较2013年、2014年、2015年、2016年和2017年同期分别下降了8.74%、28.01%、4.93%、3.16%和42.62%。     

银川大气污染物浓度变化特征及其与气象条件的关系

利用2013年银川地区6个监测点污染物质量浓度和同期气象要素数据,对区域内污染物浓度变化特征及其与气象条件的关系进行分析。结果表明：银川市区PM10年均值超标0.7倍,PM_2.5年均值超标0.4倍,SO₂和NO₂也有一定程度超标,CO和O₃未超标|1、2、11月和12月为SO₂、NO₂、PM₁₀、PM_2.5、CO质量浓度较高月,O₃浓度最高月为5月,次高月为10月|9:00-12:00和21:00-00:00是SO₂、NO₂、PM₁₀、PM_2.5和CO质量浓度较高的两个时段,O₃浓度一般于15:00达到最大;6类污染物普遍表现出季节性的准7 d周期和全年性的准30 d周期|空气质量状况良的频率是56 %,轻度污染26 %,优仅为12%;首要污染物以PM₁₀、PM_2.5和SO₂为主|风速与SO₂、NO₂和CO具有良好的负相关关系,与O₃则呈显著正相关关系,风速对PM₁₀和PM_2.5影响较复杂,当风速小于某一值时,有利于PM₁₀和PM_2.5扩散,当风速达到一定程度后,又会导致PM₁₀和PM_2.5浓度的增加|降水对污染物有较好的冲刷作用,且对SO₂的清除作用最明显,对O₃的清洁作用最弱。     

利用PCA-kNN方法改进广州市空气质量模式PM2.5预报

为了提高广州市PM_2.5客观预报能力,采用主成分分析结合机器学习算法k近邻（PCA-kNN）方法,基于空气质量模式（CMAQ）预报产品、中尺度天气模式（GRAPES-MESO）预报产品和2017年上半年广州PM_2.5观测实况,试验确定PCA-kNN方法的最佳参数方案,建立广州市空气质量模式PM_2.5预报客观订正方法。结果表明:与CMAQ模式的PM_2.5预报相比,在第1~3天预报时效上,PCA-kNN订正结果与实况的相关系数分别提高20%、15%、29%,均方根误差分别降低17%、16%、20%,平均偏差更接近0,PM_2.5浓度等级TS评分接近或优于CMAQ预报,PCA-kNN订正结果优于CMAQ预报。机器学习算法PCA-kNN方法可有效改进广州市空气质量模式PM_2.5预报,本研究对其他地区、其他污染物客观预报研究具有借鉴意义。      

基于极端随机树方法的WRF-CMAQ-MOS模型研究

随着城市化、工业化的快速发展,空气污染已经成为了公众最关注的问题之一。为了提高空气质量预报的准确度,以多尺度空气质量模型（Community Multi-Scale Air Quality,CMAQ）为工具,结合中尺度WRF（Weather Research and Forecast Model）气象预报数据、气象观测数据、污染物浓度观测数据,基于极端随机树方法建立了WRF-CMAQ-MOS（Weather Research and Forecast Model-Community Multi-Scale Air Quality-Model Output Statistics）统计修正模型。结果表明,结合WRF气象预报的CMAQ-MOS方法明显修正了由于模型非客观性产生的模式预报偏差,提高了预报效果。使用线性回归方法不能获得较好的优化效果,选取极端随机树方法和梯度提升回归树方法对模型进行改进和比较,发现极端随机树方法对结合WRF气象要素的CMAQ-MOS模型有较大的提升。针对徐州地区空气质量预报,进一步使用基于极端随机树方法的WRF-CMAQ-MOS模型对2016年1、2、3月的空气质量指数（AQI）及PM_2.5、PM₁₀、NO₂、SO₂、O₃、CO六种污染物优化试验进行验证,发现优化效果最为明显的两种污染物分别是NO₂及O₃,2016年1、2、3月整体相关系数NO₂由0.35升至0.63,O₃由0.39升至0.79,均方根误差NO₂由0.0346减至0.0243 mg/m3,O₃由0.0447减至0.0367 mg/m3。文中发展的WRF-CMAQ-MOS统计修正模型可以有效提升预报精度,在空气质量预报中具有很好的应用前景。      

基于GRAPES-CMAQ的中山市空气质量预报系统预报效果评估

对基于GRAPES-CMAQ模式的广东省中山市空气质量预报系统2016年的AQI等级、首要污染物、PM_2.5和O₃浓度预报数据进行检验评估。预报系统对中山市全年的AQI等级24小时预报TS评分为0.66, TS评分在6—7月最高。当实况AQI等级为一级, TS为0.84, 当空气质量变差时, TS明显下降, 说明模式目前对空气重污染事件的预报能力不足。模式对中山市的主要污染物O₃、PM和NO₂的预报TS评分分别为0.21、0.24和0.24, 其中对O₃和NO₂的漏报率达到0.78和0.76, 而PM的空报率高达0.71。预报系统对PM_2.5的浓度预报总体略偏高, 相关系数为0.59, 但在霾污染较严重的月份中预报效果并不稳定。对O₃的预报全年相关系数达到0.7, 且在O₃污染较严重的7—11月, 相关系数均能达到0.5以上, 但这几个月的O₃预报浓度均比实况明显偏低。从气象预报入手分析预报系统对10月2—7日中山市一次连续O₃污染过程漏报的原因, 发现GRAPES模式对这段时间内整个珠三角地区日间降水的预报范围偏大, 强度偏强, 且预报的地面风速也比实况要偏大, 导致模拟O₃浓度比实况明显偏低。      

潮州市PM2.5-O3复合污染特征及与气象要素的关系

利用潮州市区2014—2020年空气质量逐小时质量浓度数据，分析了PM_2.5、O₃质量浓度及复合污染的年、月、日变化特征，结合相应时段潮州国家站气象资料，分析PM_2.5-O₃与气象条件的关系。结果表明：2014—2020年潮州市区年平均ρ(PM_2.5)、ρ(O₃-8 h)及复合污染出现日数均呈波动下降趋势，月平均ρ(PM_2.5)最高出现在3月，月平均ρ(O₃-8 h)最高出现在10月，两种污染物最低均出现在6月。复合污染出现较多的是10月至次年4月。PM_2.5、O₃污染具有一定相互作用，当其中一种污染物质量浓度较高时另一种污染物的质量浓度相应较高，同时污染物质量浓度的日较差也会相应增大；污染物峰谷值出现时间表现为空气污染较严重时，O₃峰值出现时间在16:00,PM_2.5峰值出现在19:00。PM_2.5-O...     

广州亚运会期间鼎湖山站大气污染特征

为了解广州亚运会期间华南区域大气质量状况以及气象条件对区域本底浓度值的影响,2010年11月对鼎湖山站主要污染物NO_x,SO₂,O₃,PM₁₀和PM_2.5进行了连续在线观测。利用MICAPS,NCEP FNL资料及后向轨迹模拟对观测时段大气污染物变化特征进行了分析。结果表明:观测时期鼎湖山区域NO₂,SO₂和O₃平均体积分数分别为 (7.2±3.1)×10-9,(8.5±3.8)×10-9和 (28.7±9.8)×10-9。PM₁₀和PM_2.5的月平均质量浓度分别达到113 μg·m-3和81 μg·m-3,PM_2.5超标日数达13 d (标准为世界卫生组织第1阶段值,日平均值为75 μg·m-3)。不同时段日变化分析表明,广州亚运会期间高值时段 (定义为PM_2.5质量浓度超过世界卫生组织的IT.1标准的时段) NO_x和O₃平均体积分数为13.2×10-9和20.9×10-9,较2009年同期分别下降了41.3%和10.7%。不利气象要素影响和污染物区域传输作用是形成珠江三角洲区域大气本底 (鼎湖山地区) 细粒子污染偏高的主要原因。     

基于卫星遥感和地面观测资料的汾渭平原一次空气污染过程分析

利用MODIS和CALIPSO卫星资料、地面空气质量监测资料和地面气象要素资料,分析了汾渭平原2018年11月26日—12月3日持续性的重空气污染过程的形成、特征及污染物的可能来源。结果表明:此次污染过程中汾渭平原以中度以上污染为主,首要污染物为PM2.5和PM10;11个代表城市在11月20日—12月7日期间AQI连续超过100的天数除吕梁外均达到或超过10 d,西安、咸阳和渭南污染持续天数和严重污染天数均最多;污染发生时,地面至3 km以内的AOD与总AOD柱的比值为81%,沙漠沙尘和污染沙尘气溶胶出现频率最高,分别为60.18%和25.72%;26日12时BT左右沙尘自西向东传输,受秦岭的阻挡作用,同时低层以偏东风或者静风为主,大气静稳,无明显冷空气活动和降水产生,静稳和高湿的天气持续以及偏东风的阻挡和传输使得该次过程以沙尘和霾混合为主。     

Changes in air pollutants during the COVID-19 lockdown in Beijing:Insights from a machine-learning technique and implications for future control policy

基于2015-2020年北京35个环境空气站和20个气象站观测资料,应用机器学习方法(随机森林算法)分离了气象条件和源排放对大气污染物浓度的影响.结果发现,为应对疫情采取的隔离措施使北京2020年春节期间大气污染物浓度降低了35.1％-51.8％;其中,背景站氮氧化物和一氧化碳浓度的降幅最大,超过了以往报道较多的交通站点.同时,2020年春节期间的气象条件不利于污染物扩散,导致多次霾污染事件发生.为进一步改善北京空气质量,未来需要优化减排策略.     

CUACE系统在乌鲁木齐空气质量预报中的效果检验

采用2013年12月1日—2014年2月28日空气质量观测数据,对CUACE系统在乌鲁木齐空气质量预报中的效果进行离线检验。结果表明,在污染物浓度和空气质量分指数方面,NO2的预报效果优于PM10和PM2.5,28 h预报时效的预报效果优于52 h预报时效;在首要污染物预报结果中,28 h预报时效的总体预报效果优于52 h,28 h预报时效中PM2.5预报正确率为65%;从空气质量等级的预报效果来看,28 h预报时效与52 h预报时效无明显差别,对NO2和PM10的预报准确率达到100%,对PM2.5三级预报准确率达到90%以上,对二、四级预报准确率在70%～80%之间,对五、六级重度污染预报值偏低两个级别或以上。     

河源市空气质量首要污染物特征及其与气象条件的关系

基于2017-2019年河源市空气质量数据,分析了河源市首要污染物的年际变化特征,同时利用2019年东埔国控站点的首要污染物与气象要素进行了相关性分析,并以典型污染日为案例,分析了气象条件对污染过程的影响。结果表明：2017-2019年细颗粒物（PM_2.5）污染日比重大幅度降低,以臭氧（O₃）为首要污染物的污染日逐年增加,污染形式逐渐从颗粒物污染向臭氧污染发生转变。O₃浓度与温度和湿度分别呈正负相关关系,高浓度O₃主要出现在（20-30℃,25%-55%）阈值之间,在吹西北偏北风时O₃浓度也较高。PM_2.5和PM₁₀与湿度也呈负相关关系,温度与湿度组合在（8-13℃,40%-55%）范围内时两者容易同时出现高值;在夏季PM_2.5和PM₁₀还与温度具有较强的正相关关系,这意味着高温情况下河源有出现颗粒物与O₃复合污染的可能。河源市典型污染日具有风速较小局部扩散不利的特征,低温低湿条件下容易出现PM_2.5污染,且主要受到区域的传输影响;而高温低湿条件下容易发生O₃污染,且较高的前体物浓度容易加剧O₃的本地污染。     

Enhancements of Major Aerosol Components Due to Additional HONO Sources in the North China Plain and Implications for Visibility and Haze

The Weather Research and Forecasting/Chemistry model(WRF-Chem) was updated by including photoexcited nitrogen dioxide(NO2) molecules,heterogeneous reactions on aerosol surfaces,and direct emissions of nitrous acid(HONO) in the Carbon-Bond Mechanism Z(CBM-Z).Five simulations were conducted to assess the effects of each new component and the three additional HONO sources on concentrations of major chemical components.We calculated percentage changes of major aerosol components and concentration ratios of gas NO y(NOyg) to NO y and particulate nitrates(NO-3) to NO y due to the three additional HONO sources in the North China Plain in August of 2007.Our results indicate that when the three additional HONO sources are included,WRF-Chem can reasonably reproduce the HONO observations.Heterogeneous reactions on aerosol surfaces are a key contributor to concentrations of HONO,nitrates(NO 3),ammonium(NH + 4),and PM 2.5(concentration of particulate matter of 2.5 μm in the ambient air) across the North China Plain.The three additional HONO sources produced a～5%-20% increase in monthly mean daytime concentration ratios of NO-3 /NO y,a ～15%-52% increase in maximum hourly mean concentration ratios of NO-3 /NO y,and a ～10%-50% increase in monthly mean concentrations of NO-3 and NH+4 across large areas of the North China Plain.For the Bohai Bay,the largest hourly increases of NO-3 exceeded 90%,of NH+4 exceeded 80%,and of PM 2.5 exceeded 40%,due to the three additional HONO sources.This implies that the three additional HONO sources can aggravate regional air pollution,further impair visibility,and enhance the incidence of haze in some industrialized regions with high emissions of NO x and particulate matter under favorable meteorological conditions.     

利用MODIS资料监测京津冀地区近地面PM2.5方法研究

为建立京津冀地区冬季近地面细颗粒物浓度监测方法模型,利用气象模式资料对2013年1-3月MODIS的AOD二级深蓝算法产品进行湿度和垂直订正,与同期观测的地面细颗粒物PM_2.5资料进行相关分析。结果表明：AQUA的MODIS深蓝算法AOD产品更适用于建立冬季AOD-PM2.5遥感监测模型,其R²为0.33;以气象模式资料中边界层高度代替气溶胶标高对MODIS的AOD进行垂直订正,并结合IMPROVE观测的气溶胶吸湿增长特征构建分区湿度订正方法,可以提高AOD-PM_2.5模型结果的精度,建立较为理想的京津冀地区冬季遥感反演综合模型,模型结果与地面监测结果R²达0.5以上。根据建立的模型计算了2013年1-3月的京津冀地区PM_2.5月平均浓度,京津冀地区1月的PM_2.5浓度较高,南部大部分地区空气质量已经达到重度污染水平。     

基于KZ滤波的京津冀2013～2018年大气污染治理效果分析

通过国务院“大气十条”等严格的大气污染治理措施的实施,近年来我国空气质量得到全面改善。对大气污染治理效果开展科学分析研究,可为后续空气质量持续改善、污染科学精准治理提供有效科技支撑。由于气象条件是影响污染物浓度分布的重要因素,治理效果分析的一个重要问题是区分气象条件和减排措施对污染物浓度变化的具体贡献。本文利用京津冀地区13个城市2013～2018年86个监测站点逐日PM2.5浓度以及欧洲中期气象预报中心（ECMWF）气象再分析资料,采用KZ（Kolmogorov–Zurbenko）滤波分析PM2.5浓度观测序列的时频特性,将其分解为短期天气影响分量、中期季节变化分量以及长期趋势分量3个部分,针对分解浓度序列建立气象因子回归模型,实现定量评估气象和减排对治理效果的具体贡献。在研究时间段内,京津冀地区13个城市PM2.5浓度的长期分量显著下降（22.2%～58.0%）,其中邢台市下降幅度最大（58.0%）。整体分析表明,气象条件和排放源均有利于大气污染的改善,但减排措施是空气质量显著改善的决定性原因,具体贡献为气象条件的影响占18.5%,排放源的影响占81.5%。逐城分析表明,唐山市的气象条件最有利于PM2.5浓度的减小（29.2%）,而衡水市的减排措施最有利于PM2.5浓度的减小（92.0%）。