~ 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 年 12 月北京 PM2.5 质量浓度较~ 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 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 -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 - 年实际的气象条件和排放背景。 之后， 基于 年实际气象条件模拟霾日数，得到的结果包含了 ~ 年的排放条件和 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 ~ 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 年，则 年模拟霾日 101d； 情景 3 表示在 年实际排放和气象条件背景下， 年出现霾日 72d。 KNN评估中， 情景 1 和 2 的差异代表排放量不变的情况下， 年的气象条件可导致 年霾日减少 24d；情景 2 和 3 的差异代表气象条件不变时，排放量的变化可导致 年霾日减少 29d； 情景 1 和 3 的差异代表在排放量减少和气象条件改善的双重作用下， 年霾日较过去 4 年可减少 53d， 即 年减少的 53 个霾日中，约 29 个霾日（54.7%）是减排引起的，约 24 个霾日（45.3%） 归因为气象条件的改善。 同样 3 种情景设置基于 SVM 构建评价模型进行检验回算，结果显示， 年减少的 53 个霾日中， 约 36 个（约 67.9%）归因于人为减排的贡献， 约 17 个（约 32.1%）是气象条件改善的作用。
分组探讨PM2.5浓度与气象因素的关系
Ye W F, Ma Z Y, Ha X Z. Spatial-temporal patterns of PM2.5 concentrations for 338 Chinese cities [J]. Sci Total Environ, , 631-632: 524-533.
