基于氣象要素南昌PM2.5污染特性及預測方法

章開美，陳勝東，徐衛(wèi)民，柳艷香，楊 華

(1.江西省氣象服務中心,江西 南昌 330096；2.江西省氣象科學研究所,江西 南昌 330096；3.中國氣象局 公共氣象服務中心，北京 100081)

?

基于氣象要素南昌PM2.5污染特性及預測方法

章開美1，陳勝東2，徐衛(wèi)民2，柳艷香3，楊 華1

(1.江西省氣象服務中心,江西 南昌 330096；2.江西省氣象科學研究所,江西 南昌 330096；3.中國氣象局 公共氣象服務中心，北京 100081)

運用統(tǒng)計分析和氣象統(tǒng)計預報方法,對南昌市6個環(huán)境監(jiān)測點的污染物觀測資料和同期南昌市自動氣象觀測資料進行了統(tǒng)計，分季節(jié)研究了南昌市PM2.5質量濃度的變化規(guī)律，對影響大氣污染的氣象因子進行了綜合分析,并分別建立夏季及非夏季PM2.5質量濃度與氣象要素的統(tǒng)計預報模式。結果表明：南昌市PM2.5污染非夏季較夏季更為嚴重，非夏季有超過一半的時間空氣質量超出了國家二級標準。PM2.5質量月均濃度峰值出現在12月和1月,其中1月南昌市平均4 d中就有3 d超出國家二級標準。PM2.5濃度逐時變化呈現雙峰型特征，對于夏季而言，2個峰值基本出現在9:00～11:00和22:00～24:00時段；而非夏季前一個峰值延后至11:00～12:00時段，后一個峰值往往提前至21:00～23:00,這主要與人類活動規(guī)律及太陽照射時間有關。建立的非夏季預報模式等級預報準確率較夏季高，對環(huán)境氣象預報業(yè)務有一定實際應用價值。

PM2.5；南昌；污染特性；預報模式

目前，我國空氣質量在顆粒物的檢測方面主要由PM10和PM2.5兩項內容組成。其中，PM2.5指的是空氣中空氣動力學直徑≤2.5 μm的懸浮顆粒物，也被稱作大氣細粒子和“可入肺顆粒物”，PM2.5的粒徑小，且其比表面積大，較易富集大氣中的有害物質，吸入人體后會直接進入支氣管并干擾肺部的氣體交換，從而引發(fā)哮喘、支氣管炎及心血管病等多種疾病[1]。近年來，國內外對中國大氣PM2.5進行了系列試驗和監(jiān)測，結果顯示中國氣溶膠細粒子污染有相對加劇的趨勢[2]。哈佛大學對美國的6個城市8000多名成年人進行了長達10多年的流行病學研究，結果發(fā)現PM2.5濃度每增加10 μg/m3，死亡率增加14%，這是迄今為止世界衛(wèi)生組織認為空氣污染危害人類健康最可靠的證據[3]。因此，在社會經濟迅速發(fā)展過程中，減少空氣污染、制定相關策略顯得尤為重要。

從統(tǒng)計學的角度研究城市空氣污染物特征，并將其成果應用到空氣污染物的控制及預測成為學者廣泛關注的一個重要領域。國外對PM2.5研究工作開展得較早，曾開展過大規(guī)模城市空氣污染相關研究，如美國[4]、澳大利亞[5]、希臘[6]、土耳其[7]等，這些研究主要涉及空氣污染物濃度分布的確定以及超標率預測等。近幾年來,國內也陸續(xù)開展PM2.5顆粒特征的研究，但主要集中在環(huán)渤海[8-11]、長三角[12-13]和珠三角[14-18]等經濟發(fā)展較快的地區(qū)。相較于國外的大量研究，國內對空氣污染物濃度統(tǒng)計分布特征及污染物濃度預測模型的研究較少。

近年來，南昌國民經濟得到高速發(fā)展，城鎮(zhèn)居民的生活水平顯著提高，盡管地處贛北平原的南昌擁有得天獨厚的生態(tài)環(huán)境優(yōu)勢，但隨著工業(yè)生產、汽車尾氣等人為污染物排放量不斷增加，大氣顆粒物污染越來越嚴重[18]。目前鮮見系統(tǒng)介紹南昌地區(qū)PM2.5顆粒污染的相關報道,本研究利用南昌市6個環(huán)境空氣質量監(jiān)測點采集的PM2.5，分析PM2.5的濃度特征、變化規(guī)律及影響其變化的氣象條件，并建立預報方程，對進一步預防、控制及治理南昌的大氣污染有重要的意義。

1　資料及預處理

1.1資料

本文使用資料包括：(1)國家環(huán)境保護部信息中心提供的2013年1月～2014年5月南昌市6個環(huán)境監(jiān)測點PM2.5質量濃度逐小時監(jiān)測數據，監(jiān)測點分別位于南昌建工職業(yè)技術學校(建工學校)、江西省林業(yè)科學研究院(省林科所)、南昌化工石油機械廠(化工石油廠)、江西省林業(yè)公司(林業(yè)公司)、江西省外事僑務辦公室(省外辦)、江西省環(huán)境監(jiān)測站(省監(jiān)測站)；(2)2013年1月～2014年5月南昌地面氣象站逐小時觀測數據。

1.2預處理

由于儀器故障、停電關機或數據質量控制等原因，監(jiān)測數據會有間斷的情況，研究中將PM2.5每天小時值多于20個的日期定為有效監(jiān)測日，其余情況為無效監(jiān)測日[19]，日界為當日12：00至次日11：00，則PM2.5日均值為當日12:00至次日11:00濃度的算術平均值，為較合理反映南昌市PM2.5污染的平均水平，取南昌市6個監(jiān)測站點的算術平均代表南昌市污染情況，同時為研究其對應關系，各氣象要素日均值亦為當日12:00至次日11:00的24 h算術平均值。

2　南昌市PM2.5顆粒污染特性

2.1PM2.5質量濃度季節(jié)性變化特征

表1為南昌市在研究時段期間PM2.5月變化的統(tǒng)計特征值，污染指數的計算結果保留一位小數。定義4～9月為夏季，10月～翌年3月為非夏季。由表1可以看出。

(1)南昌市各監(jiān)測點PM2.5濃度變化都具有明顯的季節(jié)變化規(guī)律，分為夏季和非夏季2種季節(jié)性特征，南昌市各監(jiān)測點均表現出夏季(4～9月)污染相對較輕，非夏季污染較嚴重，非夏季PM2.5平均濃度高于夏季28.7～49.4 μg/m3左右，夏季各月份平均濃度均小于年平均濃度，除2、3月份平均濃度稍小于年平均濃度，非夏季月份平均濃度基本大于年平均濃度。

(2)省外辦PM2.5污染最嚴重，其濃度年均值達74.3 μg/m3，接近國家二級標準(75 μg/m3)，省林科所污染相對較輕，PM2.5濃度年均值為51.8 μg/m3，各月中以12月和1月的污染物濃度為高，且各監(jiān)測點1月份平均濃度均最高，其中省監(jiān)測站1月平均濃度達124.9 μg/m3，各監(jiān)測點日均濃度最高值出現在2013年12月7日和2014年1月30日。由于春節(jié)長假期間污染物排放量減少，故2月份PM2.5平均濃度較低，各監(jiān)測點最低日均濃度均出現在2014年2月6日。

(3)從各監(jiān)測點平均來看，南昌市PM2.5質量濃度夏季主要集中在39.5～53.4 μg/m3，平均值為45.5 μg/m3，非夏季主要集中在54.9～113.2 μg/m3，造成時空分布差異化主要由地形和氣候特點所致，南昌市地處季風氣候區(qū)，冬季受極地冷高壓脊控制，天氣干燥，易造成局部揚塵，導致空氣污染較嚴重；夏季則受副熱帶高壓脊及季風低壓、熱帶氣旋影響，盛行西南風和東南風，天氣高溫多雨，污染物平均濃度下降，空氣質量較好。

2.2PM2.5質量濃度超標率

以我國GB 3095─2012《環(huán)境空氣質量標準》中規(guī)定PM2.5日均值二級標準75 μg/m3為標準計算各月超標率，超標率=超標天數/采樣總天數×100%。從表2可知，1月超標率最嚴重，各監(jiān)測站超標率都在65%以上，站點平均超標率達75.6%，也就是說南昌市平均4 d中就有3 d超標，其次是12月，站點平均超標率達68.4%。夏季(4～9月)超標率為11%，非夏季(10月到次年3月)為46.0%，全年超標率為29.8%?？傮w來說，南昌市城區(qū)PM2.5超標情況具有明顯的季節(jié)性特征，特別注意的是，南昌市非夏季有超過一半的時間空氣質量超出了國家二級標準，直接影響能見度，危害人體健康。

表1　南昌市PM2.5質量濃度日均值統(tǒng)計 μg/m3

表2　南昌市PM2.5質量濃度月超標率統(tǒng)計表 %

2.3PM2.5質量濃度日變化特征

受氣象條件和人類活動的影響，大氣污染物在一天中各時次的濃度存在一定的變化，若沒有明顯天氣過程影響，污染物濃度的日變化有一定的規(guī)律，本文分別計算了夏季和非夏季每日不同時刻PM2.5質量濃度的平均值，即污染物的統(tǒng)計日變化特征的逐時算術平均值，平滑突變天氣的影響，進而分析南昌市的PM2.5日變化特征。圖1給出了南昌市各監(jiān)測點夏季和非夏季PM2.5質量濃度逐時平均值的標準化距平曲線。從各監(jiān)測點來看，不管是夏季還是非夏季，PM2.5逐時變化都呈現雙峰型特征。對于夏季而言，一個峰值基本出現在9:00～11:00時段，另一峰值基本出現在22:00～24:00時段。有研究表明：汽車尾氣與大氣光化學反應活躍[20]，產生大量可吸入顆粒PM2.5，PM2.5濃度上升，到下午，地面溫度上升，熱力對流最旺盛時期，湍流活躍，空氣的擴散能力強，故PM2.5濃度低，晚上以后，夜晚地面降溫厲害，產生逆溫層，不利于污染物擴散，導致PM2.5顆粒越積越多。

對于非夏季而言，PM2.5日變化曲線較夏季平滑，這表明夏季PM2.5變化較夏季平緩，這是因為南昌非夏季天氣形式較夏季穩(wěn)定，氣象條件變化較慢，夏季與非夏季PM2.5峰值的時間也有所不同，一個峰值往往延后至11:00～12:00時段，而另一個峰值往往提前至21:00～23:00，這主要與人類活動規(guī)律及太陽照射時間有關。

圖1　南昌市各監(jiān)測點夏季(a)和非夏季(b)PM2.5濃度逐時平均值的標準化距平曲線

2.4南昌市PM2.5污染的可能來源

為進一步探討南昌PM2.5污染的可能來源，計算了非夏季、夏季不同風向下PM2.5日均濃度，結果表明：不管是非夏季還是夏季都以東北與西南方向的風向為主，而東北-西南向PM2.5質量濃度遠低于西北-東南向。圖2為整個觀測期間不同風向下PM2.5日均濃度(a)及風玫瑰圖(b)，可見東北方向氣流占66%，西南方向氣流占24%，PM2.5質量濃度受風向的影響較明顯，西北-東南向PM2.5質量濃度明顯高于東北-西南向，其中在西北偏西風向上出現最高值(119 μg/m3)，不過該風向出現的頻率(1.2%)非常低。

圖2　PM2.5質量濃度與風向的關系(a)及風向頻率分布(b)

若污染物質量濃度較高的風向發(fā)生頻率較低，則其影響就僅限于某特定時段。為合理評價局地源和外來源對南昌市PM2.5污染的相對貢獻，據氣象資料統(tǒng)計得出南昌市主要風向的頻率，其中地方性風占38%，東風占19%，東北風占18%。圖3-b為上述3種主要風向條件下PM2.5質量濃度的均值。地方性風下PM2.5質量濃度高于其他主要風向，表明南昌市PM2.5污染主要來自于本地源；另一方面，圖3-a為PM2.5質量濃度資料與對應風速的散點分布圖,從圖中可以直接看出兩者具有負相關關系，PM2.5質量濃度隨風速增大而迅速下降，進一步計算了PM2.5質量濃度與風速的相關系數達-0.3，通過顯著性水平α=0.001的檢驗，也進一步證實PM2.5質量濃度主要受局地源控制。

圖3　風速(a)及主要風向(b)下PM2.5的質量濃度

3　南昌市PM2.5質量濃度預測方法

3.1預報因子的初選

大氣污染預報統(tǒng)計模型的穩(wěn)定性及準確性，取決于預報因子的選取。眾多研究表明，城市空氣污染物的擴散、稀釋和清除的快慢，主要是由當地的天氣形勢所決定。結合天氣預報經驗，首先初選以下有明確物理意義的常規(guī)地面及低層觀測資料共57個作為初選因子。

(1)當日的日平均風速，反映大氣平流輸送的強弱。一般情況下，風速大，空氣污染輕，風速小，則空氣污染重；(2)當日降水量，反映天氣狀況及污染物的沖刷情況；(3)當日平均相對濕度，2：00、8：00、14：00時相對濕度，水汽壓，8：00溫度露點差以及前一日20：00的相對濕度，反映大氣濕度狀況；(4)當日最高、最低氣溫和氣溫日較差，反映城市混合層及逆溫狀況；(5)當日總云量、8：00地面、925 hPa、850 hPa、700 hPa溫度及上下層溫度差，反映城市大氣穩(wěn)定度狀況及低空逆溫強度；(6)當日和前一日的日均氣溫在2：00、8：00、14：00、20：00時(北京時，下同)的氣溫，當日與前一日的日平均氣溫，8：00、14：00時氣溫之差，反映城市所處的冷暖氣團狀況及演變趨勢；(7)當日和前一日的日平均氣壓，2：00、8：00、14：00、20：00時氣壓，當日與前一日的日平均氣壓，8：00、14：00時氣壓之差，反映城市所處的氣壓場以及其變化趨勢；(8)當日2：00、8：00、14：00時地表溫度，反映地面大氣冷暖狀況；(9)當日8：00、14：00時及前一日20：00能見度。反映城市天氣狀況及污染狀況。由于空氣污染具有一定的延續(xù)性，污染濃度由低到高有一個累積過程，從高到低也有一個稀釋或擴散的過程，若無特殊情況出現，污染物濃度的變化是一個漸變過程，因此把前一日的日均濃度也當作一個預報因子來考慮。

3.2相關系數篩選預報因子

分別計算PM2.5日均濃度與57個初選因子的相關系數，選取通過一定顯著性水平(α=0.001)因子作為進入回歸方程的因子。非夏季及夏季初選的預報因子與PM2.5質量濃度相關系數(通過顯著性水平α=0.001的檢驗)見表3和表4。

從表3可以看出非夏季共有16個因子與PM2.5濃度相關性較好，表現為非夏季PM2.5濃度與前一日濃度、前日8:00氣壓、溫度日較差、850 hPa與700 hPa溫度之差等呈顯著正相關，而與14：00能見度、總云量、水汽壓、7:00地面氣溫等呈顯著負相關。合理性解釋如下：非夏季天氣形勢變化較慢，污染物濃度延續(xù)性較好，表現為前一日PM2.5濃度與當日濃度呈明顯的正相關；非夏季氣壓高，下沉氣流擬制了大氣污染的垂直擴散，表現為溫度日較差與PM2.5濃度呈正相關；非夏季氣溫升高，有利于大氣污染的擴散，表現為日較差與PM2.5濃度呈正相關；非夏季低空逆溫強度越大，污染物越容易堆積，表現為7：00地面溫度、925 hPa與700 hPa溫度之差、925 hPa與地面溫度之差、850 hPa與700 hPa溫度之差、850 hPa與地面溫度之差及700 hPa與地面溫度之差與PM2.5濃度呈正相關;而非夏季能見度越大(小)，污染越輕(重)，表現為8：00、14：00能見度與PM2.5濃度呈負相關；空氣相對濕度越大，越有利于污染物的沖刷，表現為水汽壓與PM2.5濃度呈負相關；非夏季云量越多，空氣保溫保濕能力強，有利于大氣污染的稀釋，表現為總云量及低云量與PM2.5濃度呈負相關。

利用相似的方法選取夏季的預報因子(表4)，入選的23個預報因子同樣也可以得到合理的解釋，PM2.5濃度與預報因子的正、負相關均與PM2.5的積累、稀釋或擴散的物理過程相符，說明這些預報因子的選擇是合理的。這樣非夏季及夏季分別選取了15個和21個因子，作為多元逐步回歸分析的備選因子。

表3　非夏季相關因子及相關系數

表4　夏季相關因子及相關系數

3.3統(tǒng)計預報模型的建立

3.3.1多元逐步回歸方程的建立將非夏季和夏季初選的16個和23個因子分別作為多元逐步回歸的備選因子，對2013年4月至2014年3月一整年數據分非夏季和夏季建立回歸方程，取F為0.05的信度檢驗時，最終各精選了5個預報因子，將這些因子作為南昌市PM2.5濃度的預報因子，分別建立了非夏季及夏季PM2.5濃度預報方程。建立回歸方程的資料長度分別為：非夏季6個月164 d，夏季6個月157 d。分季建立的預報方程如下(具體預報因子見表5)：

Y非夏=80.112+0.437X1-3.267X2-0.406X3+0.182X4+0.18X5

Y夏=17.23+0.435X1-0.507X2+0.252X3-0.114X4+0.078X5

表5　非夏季及夏季信度為F0.05的預報因子

3.3.2預測結果與實測濃度比對檢驗應用研究建立的預報方程，分別對2013年2～3月(代表非夏季)及2014年4～5月(代表夏季)濃度進行擬合檢驗(圖4)?？芍庇^地看出，不管是非夏季還是夏季實測值與模型預測值的變化趨勢基本一致。

據PM2.5監(jiān)測網的空氣質量新標準劃分，PM2.5可分為6個等級，將預報與實測結果等級作對比，計算出等級預報正確的次數占總預報次數的百分比，即預報等級“準確率”。通過對預報結果分析，得出PM2.5的非夏季的預報準確率為72%，而夏季的預報準確率為62%。預報的準確率主要取決于氣象預報因子的準確率，在天氣過程較平穩(wěn)的情況下，本研究建立的預報方程預報準確率較高，非夏季模型的預報效果比夏季模型好，其原因可能是南昌非夏季天氣形勢變化較緩慢，而夏季天氣多變，夏季多強降水對PM2.5的沖刷、清除作用明顯，有明顯降雨時預報誤差較大。

圖4　2013年2～3月(a)及2014年4～5月(b)PM2.5預測、實測對比

4　結論與討論

本文對南昌市2013年1月～2014年5月期間6個監(jiān)測站各PM2.5質量濃度特性進行了分析，并建立南昌市PM2.5質量濃度的氣象要素預測方程。主要結論如下：

(1)南昌市PM2.5污染特征具有明顯的季節(jié)性特征，非夏季(10月至次年3月)較嚴重，夏季(4～9月)相對較輕，非夏季PM2.5平均濃度明顯高于夏季，夏季各月份的平均濃度均小于年平均濃度，而非夏季各月份平均濃度基本大于年平均濃度(除2、3月份平均濃度稍小于年平均濃度)，特別注意的是，南昌市非夏季有將近一半的時間空氣質量超出了國家二級標準，危害人體健康。

(2)PM2.5逐時變化呈現雙峰型特征。對于夏季而言，一個峰值基本出現在9:00～11:00時段，另一峰值基本出現在22:00～24:00時段。對于非夏季而言，前一峰值延后至11:00～12:00時段，而后一個峰值往往提前至21:00～23:00，這主要與人類活動規(guī)律及太陽照射時間有關。

(3)南昌PM2.5質量濃度受風向的影響較明顯，西北-東南向PM2.5質量濃度明顯高于東北-西南向，然不管是非夏季還是夏季南昌都以東北與西南方向的風向為主，PM2.5質量濃度主要受局地源控制。

(4)運用因子相關分析和多元回歸方法建立南昌市PM2.5質量濃度氣象要素預測模型，并進行檢驗，結果表明該模型預報效果非夏季較夏季理想(非夏季準確率72%)，可供實際PM2.5質量濃度預報參考，為環(huán)境氣象預報工作提供技術支撐。

(5)南昌夏季天氣多變，強降水對PM2.5的沖刷、清除作用明顯，有明顯降雨時預報誤差較大，因此在夏季預報方程中引入降水因子可能會提高夏季PM2.5等級預報質量。

[1] 黃金星,張林,陳歡林,等.杭州市區(qū)空氣中細微粒監(jiān)測及污染狀況分析[J].環(huán)境科學與技術,2006,29(9):49-51.

[2] 毛節(jié)泰,張軍華,王美華.中國大氣氣溶膠研究綜述[J].氣象學報,2002,60(5):625-634.

[3] 張吉洋,耿世彬.我國大氣環(huán)境PM2.5來源、分布、危害現狀分析[J].潔凈與空調技術,2014(1):45-50.

[4] Baker Kirk R, Foley Kristen M. A nonlinear regression model estimating single source concentrations of primary and secondarily formed PM2.5[J]. Atmospheric Environment, 2011, 45(22): 3758-3767.

[5] Surman P G, Simpson R W, Stokoe J. Application of Larsen’s model to Brisbane, Australia[J]. Atmospheric Environment, 1982, 16(11): 2609-2614.

[6] Gavriil I, Grivas G, Kassomenos P, ChaloulakouA, et al. An application of theoretical probability distributions to the study of PM10and PM2.5time series in Athens, Greece[J]. Global NEST, 2006, 8(3): 241-251.

[7] Ferhat K, Omar A, Ferruh E. Statistical characterization of atmospheric PM10and PM2.5concentrations at a non-impacted suburban site of Istanbul[J]. Turkey Chemosphere, 2005, 59(8): 1183-1190.

[8] 王京麗,謝莊,張遠航,等.北京市大氣細粒子的質量濃度特征研究[J].氣象學報,2004,62(1):104-111.

[9] Wu H, Zhang Y F, Han S Q. Vertical characteristics of PM2.5during the heating season in Tianjin[J]. Sci Total Environ, 2015, 523(8): 152-160.

[10] 周麗,徐祥德,丁國安,等北京地區(qū)氣溶膠粒子濃度的相關因子及其估算模型[J].測繪科學,2003,61(6):761-768.

[11] 孟昭陽,張懷德.太原地區(qū)冬春季污染特征及影響因素[J].中國科學院研究生院學報,2007,24(5):648-656.

[12] Kan H D, Chen B H. Statistical distributions of ambient air pollutants in Shanghai,China[J]. Biomedical and Environmental Sciences: BES, 2004, 17(3): 366-372.

[13] 魏玉香,銀燕,楊衛(wèi)芬,等.南京地區(qū)污染特征及其影響因素分析[J].環(huán)境科學與管理,2009,34(9):29-34.

[14] 陳慧娟,劉君峰,張靜玉,等.廣州市質量濃度變化特征[J].環(huán)境科學與技術,2008,31(10):87-91.

[15] 謝宏琴,吳對林,張國斐,等.東莞城區(qū)環(huán)境空氣細顆粒物PM2.5特征分析[J].環(huán)境工程,2014,32(6):65-70.

[16] Tao J, Zhang L M, Zhang Z S, et al. Control of PM2.5in Guangzhou during the 16th Asian Games period: Implication for hazy weather prevention[J]. Science of the Total Environment, 2015，508: 57-66.

[17] 徐偉嘉,何芳芳,李紅霞,等.珠三角區(qū)域PM2.5時空變異特征[J].環(huán)境科學研究,2014,27(9):951-957.

[18] 馮茜丹,黨志,黃偉林.廣州市秋季中重金屬的污染水平與化學形態(tài)分析[J].環(huán)境科學,2008,29(3):569-575.

[19] 鄭瑤,邢夢林,李明,等.鄭州市PM2.5和PM10質量濃度變化特征分析[J].干旱環(huán)境監(jiān)測,2004,28(3):104-108.

[20] 張瑤,張鴻雁,崔海航,等.機動車單車揚塵濃度分布規(guī)律的模擬[J].環(huán)境工程學報,2013,7(8)：3094-3098.

(責任編輯：曾小軍)

Pollution Characteristics and Forecasting Method of PM2.5in Nanchang Based on Meteorological Factors

ZHANG Kai-mei1, CHEN Sheng-dong2, XU Wei-min2, LIU Yan-xiang3, YANG Hua1

(1. Meteorological Service Center of Jiangxi Province, Nanchang 330096, China; 2. Meteorological Sciences Research Institute of Jiangxi Province, Nanchang 330096, China; 3. Public Meteorological Service Center, Chinese Meteorological Bureau, Beijing 100081, China)

According to the pollutant data observed at six monitoring points in Nanchang and the automatic meteorological observation data of Nanchang in the same period, we used the methods of statistical analysis and meteorological statistical forecast to study the seasonal change law of PM2.5mass concentration in Nanchang, carried out a comprehensive analysis of the main meteorological factors affecting the air pollution, and then established the statistical forecasting models of PM2.5mass concentration in summer and non-summer. The results indicated that the average PM2.5mass concentration in summer in Nanchang was lower than that in non-summer, and the air quality in over half of non-summer exceeded the national standard grade Ⅱ. The peak of monthly mean PM2.5mass concentration appeared in December and January, and the air quality of Nanchang in 3/4 of January exceeded the national standard grade Ⅱ. The hourly variation in PM2.5mass concentration was of bimodal distribution, and the two peak values appeared basically at 9:00～11:00 or 22:00～24:00 in summer and at 11:00～12:00 or 21:00～23:00 in non-summer, which was related to the law of human activity and sunlight time. The established non-summer forecast model of PM2.5had a higher accuracy than the summer forecast model, and it has a certain practical application value for environmental meteorological forecast.

PM2.5; Nanchang; Pollution characteristics; Forecast model

2016-03-31

公益性行業(yè)(氣象)可研專項(GYHY201406029、GYHY201306043)；江西省氣象服務中心2015年課題“南昌空氣污染物(PM2.5)濃度變化特征及預報模型研究”。

章開美(1986─)，女，工程師，碩士，從事海陸氣相互作用及公共氣象服務等研究。

X513

A

1001-8581(2016)09-0095-07