下载文档原格式
西安市2006～2015年大气污染物变化特征及与气象条件的关系曹梅;王斌;仇娜;张颖梅【摘要】采用西安市环境监测站2006～2015年大气主要污染物(SO2、NO2、PM10)的日均浓度观测资料,分析了3种大气主要污染物不同时间尺度的变化规律;同时结合西安地面气象观测资料、高空逆温强度,研究了西安市大气主要污染物(SO2、NO2、PM10)质量浓度与气象条件的关系.结果表明:2006～2015年西安市SO2年平均质量浓度呈缓慢下降趋势,NO2和PM10年平均质量浓度呈逐年缓慢上升的趋势.大气主要污染物质量浓度的季节变化一致,都是夏季低,冬季高.风速和气温与大气主要污染物浓度之间存在着明显的负相关关系,逆温强度和大气主要污染物之间存在正相关关系,降水对大气污染物有明显的清除作用.%Using the observational data of daily average mass concentration of main air pollutants (SO2, NO2 and PM10) during 2006～2015 provided by Xi'an Environmental Monitoring Station, the author analyzed the change rule of concentration of these air pollutants in different time scales.According to the observational data of surface meteorological factors and upper inversion intensity in Xi'an, we studied the relationships between mass concentration of SO2, NO2 and PM10 and meteorological condition inXi'an.From 2006 to 2015 in Xi'an, the annual average mass concentrations of SO2 showed a slow downward trend;while that of NO2 and PM10 revealed a slow rising trend.The seasonal variations in mass concentration of 3 kinds of air pollutants in Xi′an all appeared as summer< autumn (spring)< winter.The mass concentration of SO2, NO2 and PM10 wasobviously negatively correlated with wind speed and air temperature, and was positively correlated with inversion intensity.Precipitation could eliminate or weaken these main air pollutants.【期刊名称】《江西农业学报》【年(卷),期】2017(029)009【总页数】7页(P109-115)【关键词】西安;大气污染物;气象条件;关系【作者】曹梅;王斌;仇娜;张颖梅【作者单位】陕西省西安市气象局,陕西西安 710016;陕西省气象局,陕西西安710014;陕西省气象局,陕西西安 710014;陕西省西安市气象局,陕西西安 710016【正文语种】中文【中图分类】X823在最近的几十年，全球气候变化受到了人们的广泛关注，气候变化受到自然变化和人类活动的影响。
装订线摘要本文对西安市的空气污染程度、影响空气质量的主要因素以及对西安市未来一周空气污染情况的预测进行了分析研究。
利用空气污染指数API对西安市大气环境进行了评测，同时也利用空气质量指数AQI对相应大气环境进行了进一步分析并将两者作比较。
利用模糊数学评价模型建立合理的综合评价，对空气污染原因进行研究。
通过平滑指数法对西安市的空气污染趋势进行分析，预测未来一周的空气污染情况。
根据研究分析结果提出较为客观的合理化建议。
问题一使用Excel对西安市大气污染物浓度监测数据、各区县规模以上工业增加值以及气象数据等多方面数据进行分类、总结。
本文结合气象数据，首先通过各区县API指数趋势、西安市API指数因素趋势、API与生产总值相关性分析对西安市空气质量从API指数角度进行评价，然后通过各区县AQI指数趋势、西安市AQI指数因素趋势对西安市空气质量从AQI指数角度进行评价，最后对API指数与AQI指数评价结果进行对比、分析。
问题二采用模糊数学综合评价模型方法分析影响西安市空气质量的因素，本文主要考虑二氧化硫、二氧化氮、可吸入颗粒物(PM10)，以及细颗粒物(PM2.5)四个主要污染因子。
将大气环境质量按照最大隶属原则，划分三个污染等级；根据污染等级利用降半阶梯型求出隶属函数；对西安市四个代表区域的大气污染物监测数据进行评价，结合隶属函数得到模糊关系矩阵R；计算这四大因素所占的权重得到权重矩阵A；在此基础上,得到模糊综合评价矩阵B,反应出主要影响因子及其对各个污染等级的隶属度。
问题三采用指数平滑法模型，结合相关数据运用Excel软件进行数据统计，考虑到污染级别不同和首要污染物的种类两个因素来对西安市未来一周（2013年4月30日至5月6日）的空气质量状况进行预测。
最后本文根据以上研究分析得出的结论，结合西安市具体情况、主要环境污染因子等，对西安市环保部门提出有关环境空气质量检测与控制方面的合理性意见。
并就当下倡导建设环境友好型和资源节约型社会出发，对如何兼顾经济发展与环境保护给出指导性建议。
CAPPS在国家气象中心多城市污染指数数值预报业务系统中
的应用
朱蓉;周朝东;等
【期刊名称】《应用气象学报》
【年(卷),期】2002(13)U01
【摘要】国家气象中心在中国气象科学研究院CAPPS系统的基础上，建立了多城市污染指数数值预报业务系统，同时预报47个重点城市的SO2、NO2和PM10的日均污染指数。
从2001年6月21日至7月17日的试验预报表明，总体预报准确率和监测值的相关都在60％以上，与各城市气象局、环境保护局联合发布的综合预报准确率和与监测值的相关比较接近。
说明CAPPS用于国家气象中心多城市污染指数数值预报业务系统，能够为城市空气质量业务预报提供有参考价值的数值预报产品。
【总页数】10页(P204-213)
【作者】朱蓉;周朝东;等
【作者单位】中国气象科学研究院，北京100081;中国气象局预测减灾司，北京100081
【正文语种】中文
【中图分类】P45
【相关文献】
1.国家气象中心集合数值预报业务系统的发展及应用 [J], 李泽椿;陈德辉
2.CAPPS在国家气象中心多城市污染指数数值预报业务系统中的应用 [J], 朱蓉;徐大海;周朝东;张跃堂;周春红;况石
3.科学决策是业务系统建设持续发展的根本保证——国家气象中心数值预报业务系统建设回忆 [J], 李泽椿
4.中国国家气象中心中期数值天气预报业务系统 [J], 李泽椿
5.国家气象中心和欧洲中期预报中心的中期数值预报业务系统客观分析的对比 [J], 裘国庆;陶士伟;马清云
因版权原因，仅展示原文概要，查看原文内容请购买。
西安市大气污染气象条件分析及空气质量预报方法研究近年来，西安市的大气污染问题日益突出，对人民的健康和社会经济的可持续发展带来了巨大的挑战。
为了更好地应对和解决大气污染问题，提高空气质量，必须深入研究西安市的大气污染的气象条件和建立有效的空气质量预报方法。
首先，对西安市的大气污染气象条件进行分析。
西安市位于黄土高原，地势较为平坦，形成了一个相对封闭的地理环境。
冬季，西安市容易出现严重的大气污染，主要是由于冷空气锁定和稳定的大气层导致污染物难以扩散。
同时，燃煤等工业和能源生产活动增加了大气污染物的排放。
夏季，西安市常常受到高温和强阳光照射，导致光化学反应加剧，臭氧浓度升高。
此外，西安市的地理位置也使得其易受到沙尘暴的影响，进一步加剧了大气污染的形成。
其次，研究空气质量预报的方法。
传统的空气质量预报方法主要基于大气污染物监测数据和天气参数，通过建立统计模型来预测空气质量的变化。
然而，这种方法存在检测数据的有限性和不准确性的问题。
近年来，随着人工智能和大数据技术的快速发展，基于机器学习和数据挖掘的空气质量预报方法逐渐受到关注。
这些方法通过分析海量的监测数据和气象要素，构建复杂的模型，并借助计算机的处理能力进行数据处理和预测，可以更准确地预测和评估空气质量的变化趋势。
针对西安市的大气污染问题，可以利用机器学习和数据挖掘技术开展空气质量预报的研究。
首先，收集并整理西安市过去的大气污染监测数据和气象要素数据，构建合适的数据集。
然后，在选择合适的机器学习模型和算法的基础上，对数据进行训练和预测，建立起西安市的空气质量预报模型。
为了提高预测的准确性，可以考虑引入更多的外部因素，如交通状况、工业排放等。
同时，结合当地的气象特点和环保措施，对预报模型进行调整和优化。
通过以上研究方法，可以更加全面地了解西安市的大气污染气象条件，并建立准确、可靠的空气质量预报模型。
这将有助于西安市制定科学有效的大气污染治理方案，实现空气质量的持续改善。
文章编号:1006-4354(2001)06-0008-03西安市空气污染潜势预报方法卢西顺,王建鹏,林杨,李光(西安市气象局,陕西西安 710016)摘 要:介绍了空气质量潜势预报方法,在因子选取上主要考虑了各种地面天气形势对污染物的稀释和扩散能力,在此基础上统计出各种气象因子对污染物稀释和扩散的贡献及对预报因子的选取。
关键词:空气污染;潜势预报中图分类号:X16 文献标识码:B 由于污染物在大气中的输送扩散状态受气象条件的影响和支配,因此可利用有利的气象条件进行科学合理的排放。
开展空气污染预报就是安排合理排放的重要手段之一。
当预报有严重污染出现或污染浓度严重超标时,有关部门可根据预报采取措施控制与减少排放,降低或避免污染物对周围环境的危害,避免或减少危险事件的发生,以及利用有利的气象条件进行自然净化。
1 预报要素空气污染潜势是指大气对污染物的稀释和扩散能力,是通过预报与其有关的天气形势和气象要素来制作空气污染潜势预报,由于大气的扩散能力是独立于污染物的分布和强度的变化,因此预报中涉及的只是气象,预报的是未来各气象要素的状态。
西安地区空气污染气象条件预报选取的主要预报要素有地面天气形势、地面平均风速、净辐射量、降水、摩擦层内的平均风速、850hPa冷暖平流和逆温。
1.1 地面天气形势各种气象要素与大尺度天气形势密切相关,天气形势的变化,必将导致气象要素的变化,对污染物稀释扩散能力将受到天气形势的制约。
由于排放的污染物进入大气,主要受低层大气结构和特征的支配。
因此以地面天气图为主,根据西安所在天气系统位置归纳出12种天气形势。
根据西安市环境监测站1998～2000年的监测资料,在某种天气形势下3种污染物(SO2、N O2、P M10)各级别出现的总数,除以各污染物出现的总次数,以百分率表示。
在污染源不改变的情况下,某种天气形势,空气质量等级1～2级出现的百分率高,说明此种天气形势对污染物的扩散能力强。
文章编号:1006-4354(2006)05-0008-04CAPPS2在西安市大气污染分区预报中的应用王繁强1,王建鹏2,胡 琳1,何晓嫒1,周阿舒3,姚迎庆1(1.陕西省气象科学研究所,西安 710014; 2.西安市气象台,西安 710016;3.陕西省气象局后勤服务中心,西安 710014)摘 要:根据陕西省的实际情况和大气环境业务需求,利用预报实时业务的网络环境,通过对CAP PS2模式的应用开发,使用V B6.0编程,建立了西安市未来24h大气污染分区预报系统。
业务运行结果分析表明,CA P PS2系统对开关厂、兴庆小区、纺织城、小寨四区主要污染物SO2、N O2、PM10质量浓度的预报值与实况监测值相关系数分别达到0.52、0.88、0.66、0.54;0.50、0.49、0.64、0.73;0.70、0.71、0.76、0.65。
SO2、NO2、PM10的平均预报准确率分别达到70%、71%和75%,表明其预报能力可满足业务应用要求。
关键词:CAP PS2;大气污染;分区预报中图分类号:X51 文献标识码:A 中国气象科学研究院徐大海、朱蓉等人开发的城市空气污染数值预报模式CAPPS(City Air Po llution Prediction System)有2个版本[1],第1版CAPPS1与中尺度模式M M4嵌套,第2版CAPPS2则与中尺度模式MM5嵌套。
该模式在我国空气污染预报业务中得到了广泛应用[2-3]。
本文根据陕西省的实际情况和大气环境业务需求,利用预报实时业务的网络环境,结合西安的气象、地理等因素对大气污染物的影响和当地环境监测部门对空气污染物监测种类、监测点分布情况,通过对CAPPS2模式的开发应用,使用VB6.0编程,建立了一个具有自动数据处理、多种图表信息、可视化程度较高、操作简便、比较实用的西安市各分区未来24h污染物日均质量浓度、等级预报和污染潜势预报业务系统。
1 CA PPS系统简介CAPPS是大气污染物质量浓度、污染潜势指数(P)和潜势预报系统,该模型是在ADPIC(A T hree-Dimensional Par ticle In Cell)的概念的基础上经过积分求得[1-2]。
CAPPS模式预报污染物的污染指数(A)或质量浓度时,需要前一天的污染物日均质量浓度值作为初始值,在假设两天之间日平均污染源强的变化可以忽略不计的前提下,由气象条件计算污染物质量浓度的变化,从 收稿日期:2006-05-08 作者简介:王繁强(1963-),男,山东菏泽人,硕士,高级工程师,从事环境气象业务服务工作。
件和能量条件。
持久的偏南急流是形成这次暴雨的重要条件。
6.3 高空辐散、低层辐合的散度场配置及垂直运动是强降水维持的重要因素。
上升运动持久且深厚,是这次暴雨过程的一个显著的特点。
暴雨区与水汽辐合中心有较好的对应关系。
6.4 多普勒雷达反射率图和径向速度图对短时强降水及暴雨中心预报以及影响系统的形成发展有很好的监控作用。
参考文献:[1] 党红梅,石明生,胡国玲.安康暴雨客观分型及其应用[J].陕西气象,1997(5):4-6.[2] 朱乾根,林锦瑞,寿绍文,等.天气学原理和方法[M].北京:气象出版社,1992:398.[3] 中国气象局科教司.省地气象台短期预报岗位培训教材[M].北京:气象出版社,1998:153-154.而预报第二天的日平均污染物质量浓度或污染指数,因此也不需要污染源强资料。
一个城市的污染源强不同季节之间的变化很大,但每天之间的变化的确很小。
因此,在预报污染物质量浓度日均值时,可以忽略一天中污染源强的变化。
在一天之间某些污染物的排放量可能会有明显变化,例如NO x,在上、下班的高峰期排放量增大,所以预报一天中不同时刻的污染物质量浓度时,可以增加反映排放量变化的时间因子。
若考虑到污染源强的日变化,可对污染源强增加一个时间系数,适当增加白天或上、下班高峰期污染排放的权重,减少夜间污染排放的权重,则可提高一天中不同时段污染质量浓度预报的准确率[2]。
同样,作日平均质量浓度预报时,遇到节假日也需建立权重系数对污染源强加以调整。
CAPPS2重点解决预报时效问题,其中污染扩散模式部分与CAPPS1相比没有变化,而污染气象预报场由M M5提供,可以作48h的城市污染预报。
提供了各标准等压面上的位势高度、温度、相对湿度、风场和降水等气象预报要素场,模式的中心点和网格距可以根据需要随意调整,给使用者提供了进一步开发的余地,用户可以在CAPPS2基础上发展适用于本地区的中尺度气象预报、城市污染预报以及其他城市环境气象服务预报模式。
2 CAPPS2系统的本地化依据CAPPS2系统提供的源程序,首先,利用M M5中尺度预报模式和预报实时业务的网络环境,对系统数据接口部分作本地化处理,通过VB6.0编程,建立了一个具有自动数据处理、操作简便、比较实用的数据输入和输出的人机交互处理界面,实现西安市各分区未来24h污染预报。
其次,根据试用情况,结合西安的气象、地理等因素对大气污染物的影响,对CA PPS2系统中污染物排放的时间系数和经验系数进行修改。
系统所需气象背景场由M M5中尺度气象模式提供,水平网格为60×60,格距5km,模式网格中心点为34.5°N、108.9°E。
系统由资料处理(常规、T213、地形、地表资料,以及各模式接口资料处理)、MM5模式和CAPPS2模式以及输出产品分析四部分组成(见图1)。
图1 西安市污染分区预报系统流程图2.1 资料搜集M M5中尺度气象模式背景场资料为T213的东北半球特性层资料[4-5],水平分辨率1°×1°,中国气象局气象中心每天下发的08时和20时分析预报产品。
探空和地面观测资料用于客观分析,二者均从预报实时业务的网络环境获取。
由于接收在Window s下进行,而模式运行在Linux操作系统下,为实现不同操作系统间的数据交换,可在任一系统中建立FTP或NFS服务器。
2.2 M M5模式预处理和运行模式运行在LINU X操作系统下。
需安装的项目有开发环境(Fo rtr an、C的编译器及库函数)、图形库、绘图软件包(Grads、Vis5D、NCA R 等)。
模式的预处理包括资料整理、模式网格点插值、客观分析、初边条件生成几个步骤[6-7]。
M M5和CA PPS2系统的自动执行脚本,除个别本地设置外基本不需改动。
但在使用过程中发现T213资料常出现缺字节现象,大小从几十到数百字节,造成程序处理异常,这时须在解码程序中判断字节数,不足时需通过插值补齐,以保证模式正常运行。
2.3 模式后处理后处理过程是将模式的计算结果处理,生成绘图程序可识别的数据格式,以统一的规范命名,业务显示系统则根据当前日期时间、预报时效、要素名称等进行浏览。
3 应用分析3.1 分区根据开关厂、纺织城,兴庆小区、小寨4个区污染监测点所在位置,使用CAPPS 2进行污染潜势及各区主要污染物质量浓度、等级预报。
3.2 预报结果依据常规气象观测资料和西安市环保局监测的污染物质量浓度监测值,2005年12月使用CAPPS2模式缺省参数,逐日对SO 2、NO 2、PM 10进行24h 预报试验。
通过对试用情况的统计分析,结合西安的气象、地理等因素对大气污染物的影响,对污染物排放的时间系数和经验系数进行调整。
图2—图4给出调整前2005年12月及调整后2006年1月PM 10、NO 2、SO 2污染物质量浓度的预报值与监测值对比分析,可以看出,调整后的结果明显好于调整前的结果,效果比较理想。
调整后开关厂、兴庆小区、纺织城、小寨等4个监测点,SO 2污染物质量浓度的预报值与监测值的相关系数分别为0.52、0.88、0.66、0.54,平均绝对误差分别为0.043、0.041、0.062、0.096L g ;NO 2污染物质量浓度的预报值与监测值的相关系数分别为0.50、0.49、0.64、0.73,平均绝对误差分别为0.032、0.032、0.031、0.033L g;PM 10污染物质量浓度的预报值与监测值的相关系数分别为0.70、0.71、0.76、0.65,平均绝对误差分别为0.065、0.064、0.078、0.063L g 。
从平均绝对误差看,4个监测点N O 2平均绝对误差值均在0.032左右,表明CAPPS 2对NO 2的预报结果存在明显的系统性误差,从图3b 预报曲线与实况曲线看预报值高于实况值,因此,实际预报中可减去这一误差。
图2 西安市PM 10预报与实测结果的对比分析(a.2005年12月, b.2006年1月;实线为监测值,点线为预报值)图3 西安市NO 2预报与实测结果的对比分析(a.2005年12月, b.2006年1月;实线为监测值,点线为预报值)图4 西安市SO2预报与实测结果的对比分析(a.2005年12月,b.2006年1月;实线为监测值,点线为预报值)3.3 预报检验定义污染物预报准确率、空漏报率分别为:预报准确率=污染等级预报正确天数/预报总天数×100%(1)………………………………错报率=污染等级预报偏高(低)天数/预报总天数×100%(2)………………………………根据(1)、(2)式,检验开关厂、兴庆小区、纺织城、小寨的预报结果。
SO2预报准确率分别为60%、85%、71%、62%,错报率为40%、25%、29%、38%;NO2预报准确率分别为67%、67%、73%、77%,错报率为27%、27%、21%、17%; PM10预报准确率分别为72%、74%、84%、69%,错报率为28%、26%、16%、31%。
SO2、NO2、PM10平均预报准确率分别是70%、71%、75%。
4 结语CAPPS2系统对城市污染物质量浓度的预报,是在无源参数条件下进行的,克服了污染源调查本身具有不确定性的困难,大大降低了对模式运行的初始资料的要求,比较适合目前的实际情况。
由于不同地区气象、地理等因素对大气污染物的影响不同,直接应用是很难达到理想效果的。
因此,在CA PPS2的应用中,应根据本地实际情况,对污染物排放时间系数、经验系数等进行修改,同时注意系统误差的订正。
CAPPS2系统对开关厂、兴庆小区、纺织城、小寨4区主要污染物SO2、NO2、PM10的平均预报准确率分别达到70%、71%和75%,表明CAPPS2的预报能力可满足业务应用要求,但由于预报样本较短,其稳定性有待在今后的应用中作进一步的检验。
参考文献:[1] 徐大海,朱蓉.大气平流扩散的箱格预报模型与污染潜势指数预报[J].应用气象学报,2000,11(1):1-12.[2] 朱蓉,徐大海,孟燕君,等.城市空气污染数值预报系统CA PP S及其应用[J].应用气象学报,2001,12(3):267-278.[3] 范引琪.石家庄市主要大气污染物(SO2、N O x、T SP)的数值预报[J].气象,2001,27(4):7-11.[4] 朱蓉,徐大海.中尺度数值模拟中的边界层多尺度湍流参数化方案[J].应用气象学报,2004,10(5):543-555.[5] 王繁强,周阿舒,李业明,等.一次特大暴雨过程的数值模拟分析[J].气象科技,2005,10(5):408-412.[6]Haag enso n P L,Dudhia J,Stauffer D R,et,al.T heP enn State/NCA R M esoscale M odel(M M5)So ur ce Code Documentatio n[O L].1994.ft p:///mesouser/M M5V3.[7]Gr ell G A,D udhia J,St auffer D R.A Description ofthe F ifth-Generat ion P enn St ate/N CA RM eso scale M o del(M M5[OL].1995.ft p:///mesouser/M M5V3.。
