2014～2017北京市气象条件和人为排放变化对空气质量改善的贡献评估

论文摘要

2014～2017年北京地区霾日数和污染日数逐年减少,PM2.5、PM10、SO2和NO2年平均质量浓度下降,污染程度缓解,采暖期中的11～12月尤为明显.针对空气质量的显著改善,从气象条件的改善和减排措施两方面进行探讨分析,并结合数值模式和大数据挖掘技术实现气象和排放对大气污染贡献率的定量化研究.结果表明,2017年与过去3 a相比,平均风速增加7. 9%,≥3. 4 m·s-1的风速频次最高（10. 6%）,≥70%湿度日占比最小（25. 1%）;其中,采暖期与过去3 a同期相比,小风日数减少8. 6%、大气环境容量指数和通风指数平均增加约11%,边界层高度以3. 2%·a-1的速率升高,尤其11～12月各要素改善更显著,且该时段内2014年各因子变化与2017年相似.非采暖期（4～10月）累积降水量558. 3 mm,仅次于2016年,有利于污染物的清除和湿沉降.利用WRF-CHEM对霾和污染频发的12月进行模拟发现,气象要素的改变导致2017年12月北京PM2.5质量浓度较2014～2016年同期分别降低5%、38%和25%.因缺少政府实际施行的减排方案,无法利用WRF-CHEM量化气象和减排的具体贡献率,因此借助大数据挖掘算法,基于K近邻算法（KNN）和支持向量机（SVM）模型对气象和减排对空气质量改善的贡献进行评估,结果显示2017年减少的霾日和重污染日,65. 0%归因于减排的贡献,35. 0%归因为气象条件的改善.可见,气象与生态环境部门应继续加强数据开放共享,科学开展气象条件预报与减排评估.

论文目录

• 1 材料与方法
•   1.1 霾日及重污染日
•   1.2 气象要素与综合指数
•   1.3 区域化学传输模式WRF-Chem
•   1.4 KNN与SVM评估模型
• 2 结果与讨论
•   2.1 2014～2017年北京地区大气污染变化
•   2.2 气象条件分析
•     2.2.1 基本气象要素
•     2.2.2 综合表征指数
•     2.2.3 气象条件改善对空气质量的影响模拟
•   2.3 利用大数据挖掘算法评估气象与减排对大气污染的影响
•     2.3.1 KNN和SVM模型对霾日的评估结果
•     2.3.2 KNN和SVM模型对空气重污染日的评估结果
• 3 结论

文章来源

类型: 期刊论文

作者: 尹晓梅,李梓铭,熊亚军,乔林,邱雨露,孙兆彬,寇星霞

关键词: 空气污染,气象条件,排放,近邻算法,支持向量机,贡献率

来源: 环境科学 2019年03期

年度: 2019

分类: 工程科技Ⅰ辑,基础科学

专业: 气象学,环境科学与资源利用

单位: 中国气象局北京城市气象研究所,京津冀环境气象预报预警中心,中国气象局大气化学重点开放实验室

基金: 北京市气象局科技项目(BMBKJ201702008),中国气象局预报员专项(CMAYBY2018-003),中国气象局大气化学重点开放实验室开放课题项目(2017b04),国家重点研发计划项目(2016YFC0202100)

分类号: X51;X16

DOI: 10.13227/j.hjkx.201807067

页码: 1011-1023

总页数: 13

文件大小: 1016K

下载量: 669