对近年来中国重霾污染过程的气象成因的相关研究进行了总结,从大气环流背景、边界层流场以及气象因子等方面进行综合分析,并介绍了相关区域输送对污染的影响贡献,得出关于中国重霾过程污染气象的一致结论:冬季重霾发生的典型天气条件为...对近年来中国重霾污染过程的气象成因的相关研究进行了总结,从大气环流背景、边界层流场以及气象因子等方面进行综合分析,并介绍了相关区域输送对污染的影响贡献,得出关于中国重霾过程污染气象的一致结论:冬季重霾发生的典型天气条件为高空500 h Pa西风纬向环流指数高,南北气流交换不畅,利于中国中东部高空稳定形势的发展,对应近地弱高低压系统,均压场控制频繁,稳定的大气层结使污染物更易在近地累积,偏南暖湿气流则促使大量二次污染物生成;副热带高压与青藏高原高压、西风带高压并合的形势,是引起中国夏季大气环境质量恶化的主要原因;台风引起的下沉逆温稳定天气,易造成珠三角地区重霾污染。区域和局地山脉气流辐合效应使污染物较易在山麓地带聚积,海陆风和山谷风带动局地污染物的垂直输送和区域间输送。地面弱风速、风向以及高湿度是影响大气质量的直接关键因子,混合层高度与空气质量具有较强的相关性,对限制污染物的垂向有效扩散产生重要影响。数值模拟气象要素对空气质量影响贡献得到多次验证,霾预警开始发挥重要作用,区域污染的输送作用对重点城市空气质量的影响不容忽视。在重霾过程污染气象的研究还有待深化的方面包括:重视模拟研究,对污染物在大气中多尺度传输、沉降及化学循环等全周期的行为轨迹进行追踪定量,制定有针对性的污染控制技术与对策;开展大气污染的影响边界研究,辅助气象预报为特定区域空气质量保障提出即时有效的防控措施和预警方案,为提高污染控制措施的有效性奠定科学基础。展开更多
为准确预测雾霾重污染演变过程,本文提出深度时间序列特征融合模型(long short-term memory and multivariate linear regression,LSTM-MLR)并对西安市PM浓度进行了临近预测。该模型利用不同超参数长短期记忆网络(long short-term memor...为准确预测雾霾重污染演变过程,本文提出深度时间序列特征融合模型(long short-term memory and multivariate linear regression,LSTM-MLR)并对西安市PM浓度进行了临近预测。该模型利用不同超参数长短期记忆网络(long short-term memory,LSTM)提取PM前体和气象因素时间序列中的深度特征;采用多元线性回归(multivariate linear regression,MLR)形式融合LSTM单元输出的深度时间序列特征,最终输出PM浓度预测值。为评估模型性能,采用西安市2015年1月至2020年3月采暖季数据进行建模并计算未来3h、6h、12h、24h的PM浓度预测精度。结果表明:LSTM-MLR模型对雾霾严重污染样本的准确预测率分别为94.12%、85.29%、77.57%和51.10%,显著高于随机森林(random forest,RF)、支持向量回归(support vector regression,SVR)、MLR、单变量LSTM(LSTM_PM)、多变量LSTM(M_LSTM)和LSTM-RF(long short-term memory and random forest);融合系数显示当前PM浓度对未来PM浓度的影响随预测步长的增加从80.89%(t+3)急剧降低至16.34%(t+24),前体浓度影响力从5.23%(t+3)上升至29.43%(t+24),说明提前控制前体物排放强度对雾霾重污染事件消峰降速效果具有显著影响。展开更多
文摘对近年来中国重霾污染过程的气象成因的相关研究进行了总结,从大气环流背景、边界层流场以及气象因子等方面进行综合分析,并介绍了相关区域输送对污染的影响贡献,得出关于中国重霾过程污染气象的一致结论:冬季重霾发生的典型天气条件为高空500 h Pa西风纬向环流指数高,南北气流交换不畅,利于中国中东部高空稳定形势的发展,对应近地弱高低压系统,均压场控制频繁,稳定的大气层结使污染物更易在近地累积,偏南暖湿气流则促使大量二次污染物生成;副热带高压与青藏高原高压、西风带高压并合的形势,是引起中国夏季大气环境质量恶化的主要原因;台风引起的下沉逆温稳定天气,易造成珠三角地区重霾污染。区域和局地山脉气流辐合效应使污染物较易在山麓地带聚积,海陆风和山谷风带动局地污染物的垂直输送和区域间输送。地面弱风速、风向以及高湿度是影响大气质量的直接关键因子,混合层高度与空气质量具有较强的相关性,对限制污染物的垂向有效扩散产生重要影响。数值模拟气象要素对空气质量影响贡献得到多次验证,霾预警开始发挥重要作用,区域污染的输送作用对重点城市空气质量的影响不容忽视。在重霾过程污染气象的研究还有待深化的方面包括:重视模拟研究,对污染物在大气中多尺度传输、沉降及化学循环等全周期的行为轨迹进行追踪定量,制定有针对性的污染控制技术与对策;开展大气污染的影响边界研究,辅助气象预报为特定区域空气质量保障提出即时有效的防控措施和预警方案,为提高污染控制措施的有效性奠定科学基础。
文摘为准确预测雾霾重污染演变过程,本文提出深度时间序列特征融合模型(long short-term memory and multivariate linear regression,LSTM-MLR)并对西安市PM浓度进行了临近预测。该模型利用不同超参数长短期记忆网络(long short-term memory,LSTM)提取PM前体和气象因素时间序列中的深度特征;采用多元线性回归(multivariate linear regression,MLR)形式融合LSTM单元输出的深度时间序列特征,最终输出PM浓度预测值。为评估模型性能,采用西安市2015年1月至2020年3月采暖季数据进行建模并计算未来3h、6h、12h、24h的PM浓度预测精度。结果表明:LSTM-MLR模型对雾霾严重污染样本的准确预测率分别为94.12%、85.29%、77.57%和51.10%,显著高于随机森林(random forest,RF)、支持向量回归(support vector regression,SVR)、MLR、单变量LSTM(LSTM_PM)、多变量LSTM(M_LSTM)和LSTM-RF(long short-term memory and random forest);融合系数显示当前PM浓度对未来PM浓度的影响随预测步长的增加从80.89%(t+3)急剧降低至16.34%(t+24),前体浓度影响力从5.23%(t+3)上升至29.43%(t+24),说明提前控制前体物排放强度对雾霾重污染事件消峰降速效果具有显著影响。
