大气污染PM2.5 影响因素

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

工作：
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贡献率的定量化研究

研究结果：

• 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。

主要思想：
利用 KNN 和 SVM 模型评估的基本思路如下： 利用 2013-2016年气象条件和霾日数的实况数据，基于 KNN 和 SVM 进行模拟并验证。当模拟结果满足预报要求时， 即认为模型已能较好的匹配 2013-2016 年实际的气象条件和排放背景。 之后， 基于 2017 年实际气象条件模拟霾日数，得到的结果包含了 2013~2016 年的排放条件和 2017年气象条件的综合作用。

3 种评估情景设置见表 4。 情景 1 表示以 2013~2016 年的排放和气象条件为背景，年平均霾日为 125d； 情景 2 假设排放条件同情景 1，气象条件更替为 2017 年，则 2017 年模拟霾日 101dÿ