赤潮高发期间厦门海域叶绿素值预报方程建立及应用于灾害性赤潮预报模式的研究

利用厦门海域2005—2008年海洋水质自动连续监测仪器的多年全天24 h连续监测所获取的海水各项因子的有关数据,对其进行24 h滑动平均处理后,再进一步筛选整理形成统计所需样本,采用逐步回归统计方法建立28 h预报方程,试图能对和赤潮产生有紧密关系的叶绿素含量变化做出短期预报,并尝试将预报结果应用于灾害性赤潮预报业务。

基于人工神经网络集合预报的济南市臭氧预报方法

由于观测的不准确以及资料分析、同化中的误差,单一预报仅是一个可能的解。为弥补其不足,提出了一种基于人工神经网络集合预报的臭氧(O_(3))预报模型,选取8类气象因子及2类污染物因子,搭建人工神经网络预报模型,并采用随机扰动方法,产生15组相互独立的随机扰动气象场,搭建人工神经网络集合预报模型,并以2013年—2019年5月—9月数据作为训练集,以2020年5月—9月数据作为测试集。结果表明:与单一人工神经网络预报相比,人工神经网络集合预报准确率明显提高,O_(3)污染命中率明显提高,O_(3)污染漏报率明显减少,O_(3)污染空报率略有增加;人工神经网络集合预报对O_(3)污染预报有过多倾向,而单一人工神经网络预报则有过少倾向;以2020年7月3日—9日的一次O_(3)重污染过程为例,与单一人工神经网络的确定性预报相比,人工神经网络集合预报能够更好地反映出污染的迅速累积上升及持续过程。通过提供定量的概率预报,人工神经网络集合预报可以给出多种可能性及其发生的概率,能为预报员提供包括不确定性在内的更多预报信息,该模型具有一定的实际应用价值。

2016~2020年成都市控制PM_(2.5)和O_(3-8h)污染的健康效益评价

细颗物(PM_(2.5))和臭氧是我国主要的大气污染物,严重危害人群健康.为评估成都市大气污染防治行动实施期间PM_(2.5)和臭氧对人群健康的影响,首先,利用流行病学中的广义相加模型和非线性分布滞后模型估算了2014~2016年成都市PM_(2.5)和臭氧最大8 h滑动平均(O_(3-8h))浓度变化对居民疾病死亡影响的暴露-反应关系系数(β),在此基础上,采用环境风险和环境价值评估法估算2016~2020年成都市PM_(2.5)和O_(3-8h)浓度暴露水平变化的健康收益.结果表明:(1)2016~2020年成都市的ρ(PM_(2.5))年均值呈逐年下降趋势,从63μg·m^(-3)降至40.92μg·m^(-3),年均下降率约为10.14%;与之相反,ρ(O_(3-8h))年均值从155μg·m^(-3)升至169μg·m^(-3),年均增长率约为2.23%.(2)成都市PM_(2.5)对全因、心脑血管和呼吸系统疾病早逝人数影响的暴露-反应关系系数β分别为0.0003600、0.0005001和0.0009237;O_(3-8h)对应的β分别为0.0003103、0.0006726和0.0007002.(3)假设ρ(PM_(2.5))年均值削减至国家二级标准限值后(35μg·m^(-3)),带来的健康受益人数和经济效益呈逐年下降趋势,可避免的全因、心脑血管和呼吸系统疾病早逝人数分别从2016年的1128、416、328例降至2020年的229、96和54例.近5年可避免的全因早逝人数共计3314例,对应的健康经济效益为76.60亿元.(4)假设ρ(O_(3-8h))年均值削减至世界卫生组织规定的浓度限值(70μg·m^(-3)),带来的健康受益人数和经济效益呈上升态势,可避免的全因、心脑血管和呼吸系统疾病早逝人数分别从2016年的1919、779和606例升至2020年的2429、1157和635例.可避免的全因和心脑血管疾病早逝年均增长率分别为6.85%和10.72%,高于O_(3-8h)浓度年均上升率.近5年可避免的全因早逝人数为10790例,对应的健康经济效益为266.20亿元.成都市细颗粒物治理成效显著,但臭氧污染凸显,臭氧已经成为危害成都市居民健康不可忽视的大气污染物,加强PM_(2.5)和O_(3)协同治理刻不容缓.

上海市奉贤区2016-2018臭氧污染特征分析

通过奉贤区4个空气自动监测站,获得2016年-2018年臭氧8小时以及相关大气污染的监测数据。分析近年奉贤区臭氧污染的现状,以及季节对臭氧污染的影响,同时研究二氧化氮与臭氧污染之间的关系。结果表明,2016年到2018年奉贤臭氧均超过国家二级标准,且明显表现出春夏高峰现象。与二氧化氮之间呈反比关系。

化工区挥发性有机物与臭氧污染特征分析

为了解上海市奉贤区某化工区挥发性有机物与臭氧污染特征,根据2019-2020年奉贤区空气质量自动监测站O_(3)日最大8 h滑动平均浓度及化工区特征因子站挥发性有机物在线监测数据,本文分析了O_(3)浓度较高时期(5-9月)该区域VOCs与O_(3)的相关性。结果表明,观测期间,VOCs与O_(3)之间变化波动幅度接近,当VOCs日均浓度持续升高时,O_(3)浓度也不断上升。因此,要想实现O_(3)的有效控制,就要优先控制VOCs污染。

支持向量机回归在臭氧预报中的应用

采用南京工业区2016年5月20日～8月15日这一高臭氧(O_3)期的O_3、O_3前体物和常规气象资料数据,利用支持向量机回归(SVMr)方法分别预报O_3的小时值、日最大值和最大8 h滑动平均值.结果表明,O_3小时值预报的相关系数(R^2)为0. 84,平均绝对误差(MAE)和平均绝对百分误差(MAPE)分别为3. 44×10-9和24. 48,O_3前期浓度、紫外B波段辐射(UVB)和NO_2浓度是关键因子. O_3日最大值预报的主要因子是NO_x在07:00的浓度和UVB.预报O_38 h时UVB和气温起重要作用.加入前体物项能够使O_3的预报精度提升10%～28%.与多元线性回归方法相比,SVMr对O_3浓度的预报有明显优势.