2014-2016年荆州城区空气质量与气象要素的关系分析

利用2014年1月1日—2016年12月31日荆州城区逐日空气质量数据和同期地面气象要素逐日观测资料,分析了荆州城区空气质量状况、变化特征及其与气象要素的相关性。结果表明,荆州城区优良日数偏少,但2014—2016年荆州城区空气质量略有改善,首要污染物为PM_(2.5);AQI和PM_(10)、PM_(2.5)、SO_2、NO_2、CO的月变化规律一致,呈V型分布,冬季空气污染最严重,夏季空气污染相对较轻,O_3的变化规律则相反,呈反V型分布;除O_3外,AQI和其他污染物浓度与前一日AQI、气压呈正相关关系,与气温、水汽压、湿度、云量、降水、风速呈负相关关系,据此建立了AQI和各污染物浓度的回归预报方程;进一步分析了2014年1月严重污染天气的成因,本地污染物的分布、外地污染物的输入和气象扩散条件是影响空气质量的主要因素。     

2012—2015年北京市空气质量指数变化及其与气象要素的关系

根据2012—2015年的空气质量指数（AQI）日报数据与同时段的气象数据,采用统计方法和广义加性模型（GAM）对空气质量指数的时间变化及其与气象要素的关系进行了分析,结果表明：2012—2015年北京市空气质量整体呈现下降趋势,冬春季空气质量较差,夏秋季的较好,冬季容易产生重污染天气,春季污染天气频发。北京空气质量存在一定程度的周末效应,表现为周末空气质量较差,工作日相对较好。整体上空气质量指数与风速、日照时数、降水量、平均气温和最高气温呈负相关,与湿度呈正相关,不同季节和不同级别空气质量下的AQI与气象要素相关性差异较大。通过广义加性模型得到AQI与降水量呈线性关系而与其他气象要素均呈非线性关系,气象要素在不同数值范围内对AQI的影响趋势和程度存在显著差异。     

岳阳市AQI指数变化特征及与常规气象条件的关系

该文利用2015—2016年岳阳市区空气质量AQI数据和同期的常规气象资料,运用统计分析方法对该市的AQI时空分布特征进行了分析,运用综合指标法和逐步回归法建立岳阳市区AQI预报模型。结果表明:岳阳市区冬季空气质量最差,夏季空气质量最好,城市北部空气质量差于南部、工业区空气质量差于水库景区。重度污染及严重污染日基本出现在空气质量较差的冬季,工业区发生频率比较高。岳阳市城市工业布局方向与年主导风向一致,使得市区广大区域处于工业气流的下游,导致空气污染加剧。选取气温、降水量、低云量、相对湿度、风速等因子建立的岳阳市区AQI预报模型模拟效果较好。     

长顺县空气质量及气象要素对主要大气污染物的影响

该文利用长顺县2016年1月—2018年7月共868组气象要素资料及空气质量资料,分析了长顺县空气质量状况及气象要素对主要大气污染物的影响。监测期间长顺空气质量等级Ⅰ、Ⅱ日数和占总体的97.7%,轻度污染日数占比为2.5%,空气质量良好。长顺县主要大气污染物依次为PM_(2.5)(36.8%)、O_3(33.8%)、PM_(10)(30.4%)。主要大气污染物与气象要素的相关性不尽相同,日平均气温和日相对湿度对主要大气污染物的影响比日累计降水量、日平均风速大。主要大气污染物与气象要素间的逐步回归方程组模型预报准确率较好。     

杭州AQI的分布特征及其与气象条件相关性分析

根据杭州市2013—2015年的空气质量日报资料,分析了杭州市空气质量特征及其与气象要素的关系,并从气象因素分析了杭州重污染日发生的原因。结果表明:1)杭州市近3年平均AQI为97,良好率为63%,7月杭州空气质量最好,1月空气质量状况最差,近3年杭州的空气质量状况总体有所改善;2)杭州市首要污染物主要为PM2.5和O3,在6—9月,首要污染物主要为O3,在其他月份,首要污染物主要为PM2.5;3)杭州AQI与气象要素密切相关,且不同的时段所依赖的气象因子也不同;4)杭州重污染日时,地面风速小,且68%的重污染日低空存在逆温,71%的重污染日低层存在下沉运动;5)杭州重污染的典型地面形势主要有冷空气影响型、高压影响型和倒槽型3类。     

基于3种模型的石家庄日最大电力负荷变幅预报效果分析

基于石家庄2017—2019年逐日最大电力负荷和同期气象资料,分析日最大电力负荷的变化规律,在分析日最大电力负荷变幅与气象因子及空气质量指数(AQI)的相关性基础上,采用逐步回归、多元线性回归和广义相加模型(GAM)分冬季和夏季建立日最大电力负荷变幅预报模型,将2019年冬季和夏季月资料作为预报效果独立检验样本。结果表明:2017—2019年石家庄日最大电力负荷存在明显增长趋势,电力负荷变幅和气象因子及AQI的相关性具有明显的季节性,冬季与日最大电力负荷变幅呈负相关的因子在夏季与日最大电力负荷变幅呈正相关,反之亦然;3种模型中,GAM模型的预报效果最好,且夏季预报效果好于冬季,在业务应用中,夏季可选取含AQI的GAM模型,冬季应选取不含AQI的GAM模型。     

贵阳市空气质量预报方法与效果检验

2012年环境保护部发布的《环境空气质量标准》实施后,贵阳市空气质量状况发生了变化。利用贵阳市空气质量指数和常规气象要素等资料,分析空气质量特征及其与气象要素的关系,通过多元线性逐步回归和BP神经网络方法,分季节建立空气质量指数预报模型,并同CUACE模式进行对比检验。结果表明:近3年贵阳市空气质量状况良好,优良天数增多,污染天数减少且污染天气多出现在冬季,首要污染物为PM_2.5、PM₁₀和O_3;各季相关因子不同,但主要与相对湿度和风速有关;两种模型预报效果均表现为夏季评价最高,等级TS评分超过85%,指数准确率近99%,冬季预报效果相对最差,TS评分接近或达到70%,指数准确率超过或接近80%,而春、秋季效果指标差距不大;对2015—2016年AQI的预报效果回归模型的优于CUACE模式的,TS评分和预报准确率分别相差16.2%和20.0%。     

基于IBAM指数的重庆地区空气污染气象条件预报方法

通过重庆城区2013—2016年空气质量指数AQI与气象要素的相关分析,引入表征大气温湿状态的物理量总温度、比湿、近地层风速、24h变压及大气低层总温度差,构建新的空气污染气象条件指数IBAM(Index Between Air pollution and Meteorology)。应用2013年4月1日至2016年12月31日欧洲中心预报产品计算重庆地区历史IBAM指数,通过K均值聚类分析,引入极端天气事件概念确定空气污染气象条件阈值,建立预报模型。利用IBAM指数与滞后1天AQI建立拟合曲线方程,计算出AQI预报值,计算预报准确率,经过2017年1月1日至2018年9月1日样本检验,72h内预报准确率在70%左右。通过误差分析发现:当气象条件为大气污染物浓度主要影响因素且在大气污染源变化不明显时,预报误差较小;而当大气污染源变化明显时,预报误差较大。该预报方法已在重庆市气象台业务应用,对预防和处理重污染事件,改善重庆地区空气质量有较好参考价值。     

哈尔滨市空气质量特征及其与气象要素的关系

利用哈尔滨市2014—2016年逐日空气质量指数(AQI)数据,结合同期气象观测资料,分析了哈尔滨市空气质量的变化特征、主要污染物及与主要气象要素之间的关系。结果表明:近3 a间,哈尔滨空气质量为良级别的天数最多,占47%,达到污染级别的天数占31%,2016年空气质量最佳,优良级别的天数达到284 d,占全年78%;春夏季AQI指数较低,秋冬季AQI指数明显偏高,9月空气质量全年最佳,1月空气质量最差; PM_(2. 5)是造成哈尔滨空气污染的最主要污染物,其次是PM₁₀、NO_2和臭氧8 h(O3-8 h); AQI与气压之间以正相关为主,秋冬季最为显著;与风速主要表现为负相关,冬季尤为显著;与气温的关系受到采暖的干扰差异较大,年尺度及秋冬季呈负相关,月尺度呈正相关;与降水日数呈负相关;与相对湿度冬季表现为显著正相关,而5—9月为负相关。     

非常规气象要素在紫外线预报中的应用

利用吉林省业务运行的WRF模式,计算了与紫外线指数相关的气温、湿度、云量、风速等常规气象要素和地表向下的短波辐射通量、地面热通量、反照率等非常规气象要素,利用长春市紫外线观测资料,分析了紫外线辐射与常规和非常规气象要素的相关性。基于长春市紫外线观测实况,以常规气象要素、非常规气象要素、混合气象要素为因子,利用相同的统计建模方法,分别建立紫外线预报模型。结果表明:大气短波辐射等非常规气象要素与紫外线指数的相关性,明显高于气温、云量、比湿、风速等常规气象要素;应用非常规气象要素和混合气象要素的紫外线预报方程,显著优于常规气象要素;基于混合气象要素的紫外线预报方程,与基于非常规气象要素的预报方程比较,预报性能差异不大。此外,应用常规气象要素建立的分季节紫外线预报方程,其预报效果明显优于全年预报方程。应用非常规气象要素建立的分季节紫外线预报方程,与全年预报方程相比,预报效果差异不大。     

两种不同模型对漂流适宜性等级预报的对比分析

利用常规地面气象观测资料,对桃源河景区2015年1月1日—2016年12月31日2 a逐日漂流客流量与前一日气象要素进行了分析。BP网络和判别分析均具有良好的非线性函数拟合效果,分别利用这两种方法建立模型,并检验。结合日常经验挑选出主要影响漂流气象要素(日雨量、最高气温、最低气温、平均温度、平均相对湿度、最小相对湿度、08—20时降水量和风速),作为计算漂流等级预报的气象因子,建立漂流适宜性等级方程;同时为了降低暑假、周末和节假日对预报效果的影响,进行二次建模。结果发现:BP网络预报模型较好,预报等级正确率均高于40%,同时等级绝对值差为1的正确率均高于70%,正确率均高于判别分析法,预测的等级也更稳定;此外,暑假对漂流等级预报具有正面影响。     

一种机器学习方法在湖北定时气温预报中的应用试验

利用2015—2017年湖北89个气象站地面观测温度、欧洲中心再分析资料和0～12 h预报资料回归模式输出要素与地面气温之间的关系,建立了LightGBM模型,并在2018年数据集上进行测试。结果表明,定时气温平均绝对误差由模式本身的1.8℃下降到1.1℃,2℃以内预报准确率由65.9%上升至86.6%,决定系数(拟合优度)高达0.97。该模型已经在武汉中心气象台业务化,初步选取定时气温中的极值进行2018年2—6月预报评分,24 h高、低温预报准确率分别为76.9%和91.4%,在客观产品中排名前列,较数值预报模式产品提升明显,低温预报准确率超过预报员水平。LightGBM作为一个年轻的机器学习框架,在气象要素预报方面具备良好的应用前景。     

华中区域空气质量数值预报系统评估及气溶胶辐射效应的模拟研究

基于多种检验指标对2015年6月至2016年2月华中区域空气质量数值预报系统的6种污染物(PM_(10),PM_(2.5),SO_2,NO_2,CO,O_3)和AQI指数的预报结果进行检验评估,在确保模拟效果的基础上,通过敏感性试验研究区域气溶胶对地面气象要素的影响,结果表明:华中区域空气质量数值预报系统对湖北省6种污染物和AQI具有稳定且较好的预报效果。存在03预报较实况偏高,预报误差较大的问题,后期将通过误差订正来减小误差。对比CUACE模式预报效果表明,24～48 h的预报效果区域模式优于CUACE,72 h两个模式预报效果相当。气溶胶对地面气象要素具有一定的影响,对2015年1月9-12日的模拟过程而言,气溶胶的总辐射效应使地表接收太阳辐射减少7.740 W·m~(-2),2 m气温降低0.162℃,行星边界层高度降低16.457 m,相对湿度增加0.557%,10 m风速减小0.011 m·s~(-1),其中直接效应和间接效应各有一部分贡献,气溶胶对白天地面气象要素的影响比夜间大。由于区域接受太阳辐射减小、气温降低、行星边界层高度降低、风速降低、湿度增加有利于气溶胶吸湿增长等条件不利于污染物扩散,污染物浓度不断累积升高又促使气象条件的上述变化,由此产生了气象条件与大气污染之间的双向反馈作用。     

贵州西南三地空气质量特征及预报研究

该文选取2015—2017年贵州西南3地(黔西南、安顺、六盘水)的环境空气质量监测和气象要素观测资料,运用统计、相关和多元线性逐步回归3种分析方法,掌握了3地环境空气质量指数和污染物特征,以前日空气质量指数近似替代未知污染源和显著相关气象因子作为自变量,对3地分季节建立空气质量指数预报模型,并进行了效果检验。结果表明:贵州省西南3地空气质量优良,黔西南州空气质量最优,安顺市次之;3地AQI月均值6月最低,安顺市、六盘水市和黔西南州最高分别出现在12、1和2月;优、良等级年际变化安顺市分别呈波峰和波谷特征,六盘水市与其反向变化,黔西南州为线性正、负变化;安顺市、六盘水市和黔西南州主要污染物分别为O_3、PM_(2.5)和PM_(10);3地AQI模型预报值与实况的变化趋势较为一致,春、夏季效果最好,综合评分在90%以上,具有预报业务应用价值。     

达州市2016年元旦期间持续重污染天气气象条件分析

利用空气质量监测资料、高空和地面气象观测资料、NCEP再分析资料,对达州市2016年元旦节期间重污染天气过程特征及气象条件进行分析。结果表明:达州市此次重污染天气过程为长时间无冷空气活动,无降雨,大气污染物不断积聚形成。AQI日变化受污染源排放情况影响更大,早上低,白天逐渐增加,天黑后达到峰值。大气污染物的积累一般发生大气稳定度为中性或以上。AQI与08时和17时混合层厚度负相关,但日平均混合层厚度与AQI没有通过相关性检验。重污染时近地面有逆温层且逆温层较厚。AQI与逐日最高气温、日平均风速和日最大风速正相关,降雨对大气污染物稀释作用明显,特别是降雨持续时间长,雨量大效果更为显著。AQI逐时变化与温度正相关,与风速负相关。      

江门市AQI和能见度特征及其与气象要素的关系

利用2013—2015年江门市空气质量指数(AQI)资料和能见度等同期地面气象资料,分析了AQI和能见度的时间变化特征,并研究了与地面气象要素的关系。结果表明:江门市空气质量近年来存在改善的趋势。AQI和能见度都存在明显的季节变化,散点统计分析显示不同的地面气象要素对AQI和能见度存在不同指示意义。日主导风向为北风时AQI级别最高、东南偏南时最低,二者平均相差超过45。日主导风向为东北偏北时能见度最差,西北偏西时最优,二者平均相差超过10 km。另外,2013—2015年造成江门市中度污染以上级别天气(32 d)的天气形势中,占比从多到少依次为大陆冷高压型、均压场型、热带气旋型和弱高压或均压场型。     

大气污染物非线性回归模型构建

本文基于重庆主城区（沙坪坝站）2014—2018年逐日同期同步观测的气象要素和环境空气质量监测数据进行分析。首先通过对不同大气污染物与各种气象要素进行相关性分析，剔除影响预报模型共性的气象因子，明确显著影响空气质量的气象要素；然后结合污染物排放、大气扩散过程和湿沉降作用机理；最后构建乘幂与线性叠加的混合模式的空气质量预报方程。结果表明：构建的非线性回归方程能较为真实地反映主要大气污染物与气象要素的相互影响关系，回归模型预报检验准确率高（预报评分达87.6）。     

达州市2016年元旦期间持续重污染天气气象条件分析

利用空气质量监测资料、高空和地面气象观测资料、NCEP再分析资料,对达州市2016年元旦节期间重污染天气过程特征及气象条件进行分析。结果表明:达州市此次重污染天气过程为长时间无冷空气活动,无降雨,大气污染物不断积聚形成。AQI日变化受污染源排放情况影响更大,早上低,白天逐渐增加,天黑后达到峰值。大气污染物的积累一般发生大气稳定度为中性或以上。AQI与08时和17时混合层厚度负相关,但日平均混合层厚度与AQI没有通过相关性检验。重污染时近地面有逆温层且逆温层较厚。AQI与逐日最高气温、日平均风速和日最大风速正相关,降雨对大气污染物稀释作用明显,特别是降雨持续时间长,雨量大效果更为显著。AQI逐时变化与温度正相关,与风速负相关。     

气象条件对梅州城区臭氧浓度的影响研究

利用2014—2017年梅州城区的O3监测数据和相关气象观测资料,对本地区的O3的变化特征及影响O3的气象条件进行了相关分析。分析表明:梅州地区2014—2017年O3超标日数维持稳定水平,O3二级超标日数全部集中在春季和夏季; O3二级超标天数占AQI超标日数的比例快速上升,O3二级超标主要发生在3—8月,最多的是4月,O3是影响梅州市区空气质量重要因素。O3的月平均浓度与同期气温、日照显著正相关,与同期的气压呈显著负相关; O3污染过程中,O3的逐日浓度与同期气温、日照显著正相关,与同期的总云量、低云量、湿度呈显著负相关; O3污染过程中,O3浓度与地面及高空天气形势配置关系密切,O3浓度变化是多种气象要素共同作用的结果。     

锦州市空气质量变化特征及其与气象条件关系

利用2014年3月至2015年2月锦州市逐日AQI、日平均污染物浓度和同期气象要素观测资料,对锦州市空气质量时空分布特征及其与气象条件的关系进行了分析.结果表明:锦州市空气质量等级为良的频率为62%,轻度污染的频率为23%,优的频率仅为6%,主要污染物为PM_(2.5)、PM_(10)、SO_2和O_3.锦州市2月和10月空气质量最差,9月空气质量最好,空气质量达优和良等级的日数占9月总日数的97%;锦州市天安街道空气质量最差,其SO_2浓度为百股街道的5倍.锦州市出现3级以上污染时的主要影响系统为地形槽、蒙古低压和弱气压场,降水对污染物具有清除作用,且对PM10的清除作用最明显;沙尘天气时空气污染明显加剧,逆温层抑制了污染物的扩散,逆温层底层高度越低,空气污染越严重.建立了AQI回归预报方程,拟合结果与实测值的变化基本一致,其中对春季AQI的拟合效果最好.