基于深度学习的大气细颗粒物污染时空预报

为尽可能减少PM2.5重污染带来的环境和健康危害,对其进行及时准确的预报预警显得十分关键。文章使用WRF气象模型和CMAQ空气质量模型输出的2015年1-12月逐小时的中国地区27 km×27 km网格化气象场、污染排放和细颗粒物模拟浓度数据,训练深度学习预报模型。研究结果显示,深度学习预报结果与CMAQ模拟结果在测试集上的均方误差为10.52μg/m3,优于已有的大部分其他研究,深度学习在重点城市的PM2.5预测浓度趋势与CMAQ基本一致,其RMSE为28.82μg/m3,整体空间分布也具有较好的一致性,可以准确重现CMAQ模拟结果。该研究进一步使用国控点实际观测数据对训练完成的深度学习预报模型进行优化,以减少CMAQ理论模型所带来的固有误差。优化后的深度学习模型预报结果在总体上更接近实际观测的真实结果。此外,深度学习模型的预报速度在相同CPU环境下比CMAQ模型提升93倍,在GPU加速环境下提升高达465倍,可以做到快速实时的浓度预报响应。该研究构建的耦合数值模型和实际观测数据的深度学习预报技术,能够快速准确地给出大气细颗粒物浓度的未来时空分布预报结果,对深度学习技术在实际预报业务中的应用具有重要的借鉴价值。

污染源减排对长三角区域冬季细颗粒物污染的敏感性研究

为了进一步精准有效地降低细颗粒物浓度,针对长三角区域细颗粒物PM2.5浓度,选取8个省级区域的5种污染物为减排目标,设定5个基准排放情景,采用CMAQ-DDM敏感性技术分别进行敏感性分析。结果表明,冬季长三角区域PM2.5污染受区域内的4个省级区域一次PM2.5排放影响最大,区域外的排放影响主要来自河南省和山东省的氨气和一次PM2.5。分别削减本地60%一次PM2.5的排放,安徽省PM2.5平均质量浓度下降了23. 24μg/m^3,江苏省下降了18. 32μg/m^3,上海市下降了15. 17μg/m^3,浙江省下降了9. 07μg/m3。综合各省(市)浓度响应曲线,最大排放因子均为本地一次PM2.5,削减20%左右存在敏感性最大值,削减60%之后浓度曲线趋于平缓,其他因子削减40%以后PM2.5浓度下降逐渐明显,对最后一位排放因子的响应则比较平缓。

小镇轶事(二章)

潋滟 山的绿如墨洇开，然后，与江水汇合。