基于数值模式与客观方法的辽宁地区空气质量预报检验分析

为检验数值模式和客观方法的空气质量产品预报能力,基于中国气象科学研究院(简称气科院,下同)CUACE模式、中国气象局沈阳大气环境研究所(简称沈阳大气所,下同)CUACE模式和中央气象台(简称中央台,下同)空气质量客观预报方法的产品,利用辽宁地区14个地市大气污染物质量浓度地面观测资料,对2019年1月至2021年4月各家预报产品在辽宁地区的预报效果进行检验。结果表明:中央台的环境空气质量指数(Air Quality Index,AQI)预报偏大,气科院和沈阳大气所偏小;各家的PM_(2.5)和PM_(10)预报均偏小,但中央台的误差最小;各家的O_(3)预报均偏大,气科院的预报误差最小。各家产品对PM_(2.5)和O_(3)浓度变化趋势的预报能力较高,对AQI范围的预报能力是强于AQI等级的。各家产品预报的PM_(2.5)质量浓度离散度和预报偏差最小,TS评分最高;大气污染物浓度和AQI在辽宁东南部的预报可靠性最高、中部地区最差。三家产品相比,中央台在辽宁地区的预报能力最强,对AQI、大气污染物浓度和首要污染物的预报TS评分均为最高,特别是在有(或无明显首要污染物)特定大气污染物对应的季节,预报更具有指导性。沈阳大气所的本地化CUACE模式对于大气污染物浓度和AQI的预报能力显著提高。

KNN数据挖掘算法在北京地区霾等级预报中的应用

利用北京地区2013年气象数据以及PM_(2.5)浓度数据与能见度数据进行对比分析,结果发现气温、气压、相对湿度、露点温度、地面U风、地面V风以及PM_(2.5)小时浓度这7个要素是影响北京地区霾等级的关键因素。利用气温、地面气压、相对湿度、露点温度、U风、V风分量以及PM_(2.5)浓度作为7个属性特征,以霾等级做为标志量构建训练样本集,结合KNN(KNearest Neighbor)数据挖掘算法构建疆等级预报分类器,并开展霾等级客观识别实验。结果表明K=3时该分类器的分类预报效果最佳,其13个站点的分类准确率高达88.2%。基于该算法构建的KNN模型预报无霾时的漏报概率很小,准确率高达91.8%;预报有轻度霾、中度霾以及重度霾时,空报的概率仅分别为4.7%、1.4%和2.6%。2014年8月29日至9月2日北京地区一次霾天气过程的预报结果表明:南郊观象台、密云和延庆3站的预报准确率分别达到74%、64%和84%,但霾等级的精度方面还有待于进一步提高。

基于时间序列分析和卡尔曼滤波的霾预报技术

为了提高霾预报的准确率,解决时序模型的预测延时和准确率不高的问题,提出了一种基于时间序列分析和卡尔曼滤波相结合的混合霾预报算法。首先,利用图检验法和单位根检验法(ADF)检验时间序列的平稳性,通过差分运算将非平稳序列转化成平稳序列,对转化后的平稳序列进行建模;然后,将得到的模型方程作为卡尔曼滤波的状态方程和观测方程,依靠卡尔曼滤波递推性进行预报。实验结果表明,采用时间序列分析和卡尔曼滤波相结合的混合霾客观预报订正方法能有效提高霾预测精度。

基于萤火虫群优化算法的选择性集成雾霾天气预测方法

雾霾目前已成为严重的环境污染问题,因此需要预测雾霾天气,最小化雾霾的负面影响.文中提出基于萤火虫群优化算法的选择性集成学习方法,首先使用混合核SVM独立训练多个个体支持向量机,然后利用改进的离散型萤火虫群优化算法选择部分精度较高、差异度较大的个体分类器参与集成,最后通过多数投票法得到最终的分类预测结果.应用文中方法预测中国雾霾天气,实验表明方法的有效性和可行性.

计及雾霾影响的短期光伏出力预测和负荷预测

雾霾天气问题给人们的生产生活带来诸多不便,电力系统的运行、维护和调度控制也深受雾霾影响。在雾霾天气影响日益严重的背景下,分析了雾霾对短期光伏出力和负荷的影响,讨论了预测过程中各类相关因素数据的预处理并加入雾霾因素,引入主成分分析、灰色关联度分析和加权相似度公式选取预测日的"雾霾相似日"用以提高预测精度,采用附加自适应动态规划校正环节的小波神经网络模型进行计及雾霾影响的光伏出力预测和负荷预测,通过算例验证了所提模型及算法的正确性和有效性。

福州市霾天气大气结构分析及其预报研究

福州为福建省霾天气高发区之一。文章利用2006-2010年历史探空数据以及福州站地面观测资料中常规数据,结合天气形势,开展基于V-3θ方法的福州霾低能见度天气预报研究,研究结果表明:当福州处于暖区辐合内部时霾发生率最高,其次是变性冷高压和高空槽,而低涡切变及台风和热带辐合带则不易出现霾;V-3θ结构图上判断霾天气发生的主要要素为厚度超过25 hPa的逆温层及其上下的滚流特征、中低层非均匀结构以及暖层云;预判霾天气消散的大气结构特征主要为风场的变化,分别为整层顺滚流结构和整层逆滚流结构;根据上述要素的特征及变化趋势对2011年针对福州市霾天气进行预报检验,取得一定的预报效果,霾日的预报准确率达77%。

多元逐步与概率混合回归法在霾预报中的应用

针对目前霾预报模型较少,预报准确率低等缺点,将统计预报与数值预报相结合,提出了基于多元逐步回归算法与概率混合回归的霾预报方法。利用多元逐步回归法控制影响因变量的物理因子,建立能见度预报方程,利用概率回归结合能见度、相对湿度等物理参量建立基于二值变量的霾预报模型。实验结果表明,与现有业务上主要运行的雾霾数值预报系统CUACE相比,提出的混合回归预报算法的预报准确率得到了显著提高。

银川市灰霾天气环流分析及预报思路

以2000—2009年416次银川市发生的灰霾天气为研究对象，利用同期NCEP逐日再分析海平面气压场、500hPa形势场资料，分析了银川市灰霾天气发生的变化特征及易产生灰霾天气的中层环流形势和地面气压场分布特征，给出了灰霾天气预报思路。分析发现：银川市灰霾天气平均每年发生近42d，最多可达61d；一年四季均有可能发生，且季节变化明显，秋冬季是灰霾和持续性灰霾天气易发季节，特别是每年的11～12月；灰霾天气多发生在环流形势相对稳定的背景下，当500hPa宁夏处于西北气流、平直西风气流、西南气流中，地面位于锋前暖区或气压梯度较小区域或锋面过境前后易出现灰霾天气，有时受暖高压脊控制也可以出现灰霾天气。在灰霾天气易发季节，当出现有利于发生灰霾天气的环流背景和地面气压场分布特征时，要综合分析大气环流形势演变、高低层系统配置状况、大气层结稳定状态和各种气象要素的变化，并结合卫星云图等观测资料来确定灰霾天气发生的可能性。

温州地区雾霾气候特征及其预报

利用温州8个气象站点近40年的雾日和霾日统计资料,从时间和空间两方面分析了温州雾、霾日数的气候特征和变化规律。结果表明,1971—2008年期间,温州市区(平原)地区雾日数显著减少,洞头(海岛)地区雾日数缓慢减少,泰顺(高山)地区雾日数呈波动式缓慢增长,21世纪初有明显增多;温州地区霾日数,除泰顺(高山)地区缓慢增长外,总体呈快速增多趋势,增多开始发生在20世纪70年代后期,21世纪初霾日数显著增加,其中永嘉和瑞安增加最快。温州雾日数冬春多,夏秋少;霾日数冬季最多,夏季最少。同时,利用近年来气象部门与环保部门联合开展的空气质量预报产品,如空气污染指数(API),建立雾、霾预报方法。统计2004—2009年间的雾、霾与空气污染指数的相关关系,并兼及晴雨天气条件,总结出包含晴雨、空气污染指数及雾、霾3要素的线性公式,作为预报雾、霾工具。经检验,效果较好,预报未来24h雾、霾准确率达57%～66%。并通过编程实现计算机自动预报。

北京2013年雾霾天气特点和服务应对措施

对2013年1月北京出现的持续严重雾霾天气的成因及特点做了分析,结果表明持续雾霾天气是由于稳定的层结、持续偏南风及较低的气温共同影响造成。依据服务经验,重点对雾霾天气的预报和服务措施进行了细致的分析。在预报上,利用气象部门数值模拟和天气预报的技术优势,针对雾霾的区域性分布特点,为政府部门提供准确的预报和直观的产品;在服务上,注意抓好时机,利用气象部门的特殊角色,对政府部门、公众和专业用户,根据他们的需求特点,提供相关的服务。另外,还对今后雾霾服务气象部门需要加强的工作,提出了相关的建议。

吉林省烟霾现象的气候特征及预报

通过对1951-2005年吉林省区域性霾现象气候特征的诊断分析,结果表明:霾主要集中在50、60年代,70年代开始骤减,霾被记成烟或轻雾是近二三十年来吉林省霾骤减的主要原因之一;霾主要出现在冬半年(10-3月),约占总数的80%,峰值集中在11-1月;霾的空间分布与地形特征及城市化进程的加快密切相关,吉林省东部盆地及中部城区是霾(或烟霾)天气的高发地区。通过对霾天气形势场及气象要素场的综合分析,建立了吉林省烟霾天气的预报方程及判别指标,并在2007年冬季(2007年11月-2008年2月)吉林省烟霾天气预报中加以应用,效果较好。

基于动态统计预报方法的京津冀雾霾中期预报试验

利用欧洲中期天气预报中心(ECMWF)数值预报产品和动态统计预报方法,对北京、天津、石家庄等14个京津冀重点城市雾霾与空气污染进行定量化的中期预报试验,包括对首要污染物PM_(2.5)浓度和能见度的逐时定量化预报及雾霾现象的客观化判断,并对2015年10月1日—2016年11月10日试验预报效果进行了检验评估。检验结果显示:该方法对北京及周边城市未来10 d逐时和逐日能见度、PM_(2.5)浓度及雾霾现象的预报值与观测值之间具有显著正相关系数、较高的误差减少量和TS评分等,表明基于ECMWF数值预报产品和动态统计预报方法的京津冀雾霾污染中期定量化预报技术整体上具有较高的可靠性、稳定性与预报技巧性。此外,检验指标还显示出该动态统计预报方法对能见度的预报效果要略优于PM_(2.5)浓度预报,同时对霾的预报准确率高于对雾的预报。个例分析显示,该动态统计预报方法能提前5~6 d预报出北京地区典型持续性雾霾污染的发展过程,对持续性雾霾的提前预报预警具有较好的参考意义。

华北平原一次严重区域雾霾天气分析与数值预报试验

针对2013年1月27—31日中国华北平原地区持续5 d的雾霾天气进行综合分析和数值预报.研究表明,雾霾过程期间华北平原高空以平直纬向环流为主,没有明显冷空气活动,地面多为风速小、相对湿度较大等不利于污染物扩散和稀释的弱气压场;大气层结构稳定、低空逆温频率高强度大,且存在明显的低层逆湿条件,边界层内污染物的水平和垂直扩散能力差.稳定、高湿的气象条件对细粒子PM2.5质量浓度的形成、积聚和维持比较有利,造成严重的区域性低能见度和雾霾天气.气象化学耦合模式WRF-Chem预报系统对此次雾霾过程期间天气系统演变和PM2.5质量浓度的空间分布及高浓度持续时间、消散减弱等过程做出了较好的预报.模式预报出雾霾期间PM2.5质量浓度在京津冀平原地区达到300μg/m3严重污染,主要分布在北京城区及以南的河北、天津等重点城市和区域,部分地区可达400μg/m3以上,与华北地形和城市群分布有很好的对应关系,在华北平原山前容易形成气流的辐合区和高污染区.

基于BJ-RUCv2.0预报系统对大雾形成和发展关键条件的数值分析

为了弄清北京地区持续性雾—霾天气过程的演变规律、揭示大雾形成和发展的关键条件,利用常规气象观测资料、高速路自动气象站观测资料和大气成分观测资料分析了2013年1月26~31日雾—霾天气过程的演变特征和有利于大雾形成和发展的天气形势。在此基础上,采用先进的北京快速循环同化中尺度数值预报系统(BJ-RUCv2.0)开展数值模拟,分析大雾形成的水汽、动力和热力条件,得出:模式对1月30日夜间至31日前半夜的雾区模拟较好,但对28日夜间至29日白天(大雾天气伴严重大气污染)雾区的模拟偏差较大。发现近地层的持续性东南风使950 hPa以下湿度增大是大雾形成的关键条件。上层(975~800 hPa)的明显暖平流导致逆温层的加强和维持,使大气层结稳定度增强,是大雾天气发展和维持的重要条件。另外,近地层950 hPa以下为风场辐合、其上层为风场辐散的结构有利于雾的进一步发展。

基于小波分析的雾霾天气分析与预测

随着社会的发展，雾霾天气已经成为中国一种常见的环境灾害。本文选择雾霾天气产生源头之一的工业废气的处理作为主要研究对象，将我国2000~2013年的二氧化硫排放量、烟尘排放量以及每年在工业治理废气上的投放资金作为预测指标，运用小波分析方法，将二氧化硫排放量以及烟尘排放量数据分解到两个不同的高低频道上，根据其周期性建立预测模型，从工业废气的排放角度来预测我国未来的雾霾发展趋势；对我国每年在工业治理废气上的投放资金建立了线性模型，以用于我国未来雾霾天气投资情况的决策分析。预测结果表明，我国近年在废气治理方面的投资略显不足，未来我国的二氧化硫污染会减轻，但是烟尘污染却会稍稍加重。因此，有必要增大对废气治理的投资。

基于WRF模式的雾霾精细化数值预报系统

阐述了基于WRF模式的雾霾精细化数值预报系统。模式设计为三层嵌套,产品输出时间间隔为1 h。WRF-CHEM预报区域、时效、精度与WRF气象模式一致。该系统对四类雾霾预报预警、能见度及相关物理量进行精细化预报。产品显示平台采用jsp+tomcat+mysql搭建平台,采用Mysql库保存网站数据,同时对系统的应用进行技术说明。

多元逐步回归与卡尔曼滤波法在霾预报中应用

针对目前霾预报的重要性和霾客观预报准确率较低,提出基于多元逐步回归算法和卡尔曼滤波算法的霾客观预报订正技术。利用多元逐步回归法控制因变量的物理因子,建立能见度预报方程,利用卡尔曼滤波法根据实况资料对多元逐步回归算法中回归系数进行订正,建立霾客观预报订正模型。以北京站、广州站、南京站、杭州站四个站为例,对站点进行预报实验和检验。实验结果表明,与业务上运行的雾-霾数值预报系统(CUACE)进行对比,提出的多元逐步回归与卡尔曼滤波法的预报准确率有所提高。

基于神经网络的城市大气雾霾污染短时预测方法研究

受到城市区域气候变化快、特征隐秘性强、可分析时间段短的影响,大气雾霾污染变化特征差异较大,短时预测适应性降低,由此,设计了基于神经网络的城市大气雾霾污染短时预测方法。构建神经网络预测结构,利用神经元的遗传特征,关联每一时间点下的有效雾霾特征,保证预测量信息特征范围的最大化,确定雾霾污染函数预测信息及其相关配置函数,进行大气雾霾短时预测层计算输出,获得短时预测结果。实验数据表明,提出方法具备减小预测误差,优化预测逻辑环境,提升预测速度的能力,保证适应性强,具有较高的推广与研究价值。

天津地区霾天气特征研究

基于2014～2017年天津地区PM_(2.5)质量浓度,能见度和相对湿度监测数据开展霾天气特征研究.结果表明:天津中度以上霾过程分为五类:高压后部型,北部弱高压型,低压槽型,均压场型和锋前低压型.在现行标准下,中度霾一般对应重度污染天气,重度霾对应重度到严重污染天气;五级重度污染天气一般有中-重度霾发生,六级严重污染天气有重度霾天气发生.2013年"大气污染防治行动计划"开展以后,天津PM_(2.5)质量浓度和霾日均显著减少,2017年相比2013年霾日减少了55%,中度及其以上霾日由2013年的41d下降到2017年的20d,下降幅度超过50%.基于实况监测的PM_(2.5)质量浓度,能见度和相对湿度,可以较好的构建区域能见度计算方程.统计数据显示,其估算的能见度和实况值相关系数为0.94,相对误差为18.6%,非霾日辨识准确率为85%,霾日辨识准确率为95.6%,轻微霾辨识准确率为83%,轻度霾辨识准确率为78%,中度霾辨识准确率为93%,重度及以上霾辨识准确率为94%,对于判断霾等级,有较强的适用性.将该方程与空气质量模式结合开展霾等级预报,2015～2017年24h预报产品检验显示:能见度预报值与实况值相关系数为0.75,预报均值13.9km,实况均值14.1km,相对误差为29.6%,FAC2(预报值在实况值两倍范围内百分比)为98.1%,霾日预报准确率81.4%,霾日漏报率18.6%,霾日空报率20.6%,如果容错1级,轻微霾日预报准确率为96%,轻度霾日预报准确率为85%,中度及以上霾日预报准确率为69%,可有效支撑天津霾等级预报的开展.

基于加权KNN-BP神经网络的PM_(2.5)浓度预测模型研究

通过隶属度函数确定的加权KNN-BP神经网络方法,建立PM_(2.5)浓度动态实时预测模型,以PM_(2.5)、PM_(10)、NO_2、CO、O_3、SO_2等6种污染物前1 h的浓度及天气现象、温度、气压、湿度、风速、风向等6种气象条件,以及预测时刻所在一周中天数和该时刻所在一天当中的小时数为KNN实例的维度,选取3个近邻,根据得到的欧氏距离确定每个近邻变量的隶属度权重,最终将所有近邻的维度作为BP神经网络的输入层数据,输出要预测的下1 h PM_(2.5)浓度,该方法避免了传统BP神经网络方法不能体现历史时间窗内的数据对当前预测影响的问题。对北京市东城区监测站2014-05-01T00:00—2014-09-10T23:00的数据进行预测试验,结果表明,加权KNN-BP神经网络预测模型相较其他方法的预测误差最低,且稳定性效果最好,是PM_(2.5)浓度实时预测的有效方法。