本發(fā)明涉及空氣質(zhì)量統(tǒng)計預(yù)報
技術(shù)領(lǐng)域：
，特別是基于動力和熱力因子的空氣質(zhì)量動態(tài)融合統(tǒng)計預(yù)報方法。
背景技術(shù)：
：環(huán)境空氣質(zhì)量統(tǒng)計預(yù)報以統(tǒng)計學(xué)方法為基礎(chǔ)，利用現(xiàn)有數(shù)據(jù)，基于統(tǒng)計分析，研究大氣環(huán)境的變化規(guī)律，建立大氣污染濃度與氣象參數(shù)之間的統(tǒng)計預(yù)報模型，預(yù)測大氣污染物濃度。目前廣泛使用的統(tǒng)計預(yù)報方法包括天氣形勢分類法、回歸方程法、人工神經(jīng)網(wǎng)絡(luò)法等，但三種主要統(tǒng)計預(yù)報方法都具有一定的局限性。天氣形勢分類法通過統(tǒng)計歷史資料中各天氣形勢下不同污染物平均濃度，以此來確定高濃度天氣形勢和低濃度天氣形勢，同時統(tǒng)計各天氣形勢下污染物濃度的比值，利用該比值和前一天污染物實際濃度得出預(yù)報結(jié)果。天氣形勢分類法實用性最強，在空氣質(zhì)量變化原理研究和客觀預(yù)報方法不完善的現(xiàn)狀之下應(yīng)用廣泛；但有限的幾種分類，預(yù)報精度較低，并且天氣形勢分類和各天氣形勢下污染特征分析、其他因素對污染物濃度變化的影響等需要人工分析和長期經(jīng)驗總結(jié)，主觀性強而效率低。污染物濃度的變化與多個氣象或非氣象影響因子有關(guān)，統(tǒng)計預(yù)報通常需要從氣象條件和非氣象條件中篩選出對大氣污染物濃度變化具有顯著影響的若干關(guān)鍵影響因子，篩選出的影響因子能否全面、恰當(dāng)?shù)姆从澄廴疚餄舛茸兓瘜︻A(yù)報準確性至關(guān)重要，特別是神經(jīng)網(wǎng)絡(luò)使用的前提是已事先挑選出具有代表性的影響因子?，F(xiàn)有統(tǒng)計預(yù)報方法通常選擇前一日污染物濃度和當(dāng)日基本氣象要素如氣溫、風(fēng)速風(fēng)向、相對濕度、降水、云量等基本氣象要素的日均值、日極值、累計值和特征時刻值作為影響因子。但相關(guān)性分析表明，基本氣象要素和污染物濃度之間關(guān)系復(fù)雜，并非簡單的線性關(guān)系，或表現(xiàn)為間接影響，基本氣象要素不能準確反映氣象條件對空氣污染物濃度變化的影響。另外，為了全面反映氣象條件對污染物濃度的影響，現(xiàn)有統(tǒng)計預(yù)報通常選擇30-40個影響因子，且各因子之間并不獨立，不僅增加預(yù)報計算量，還使預(yù)報系統(tǒng)穩(wěn)定性降低。統(tǒng)計預(yù)報中的回歸分析一般采用多元線性回歸方程法，從氣象條件和非氣象條件中篩選出對大氣污染物濃度變化具有顯著影響的若干關(guān)鍵影響因子。通過統(tǒng)計分析得到多元線性回歸方程，以此回歸方程為依據(jù)進行外推，從而獲得未來某項大氣污染物濃度的預(yù)報結(jié)果。多元線性回歸方程的建立一般采用逐步回歸算法，將所有考慮的影響因子逐個引入回歸方程，按其對因變量(大氣污染物預(yù)報濃度)影響的顯著程度將不顯著的因子從方程中剔除，以保證在眾多預(yù)報因子中挑選出最佳的影響因子組合，建立最優(yōu)預(yù)報方程。線性回歸方程作為基礎(chǔ)模型，是了解污染物濃度和氣象因子之間關(guān)系的重要方法，預(yù)報模型穩(wěn)定、合理；但研究表明污染物濃度和氣象因子之間并非簡單的線性關(guān)系，而污染物濃度的分布也不嚴格滿足線性模型要求數(shù)據(jù)服從正太分布的要求。神經(jīng)網(wǎng)絡(luò)模型有多種，反向傳播(BP)神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛、成效顯著、算法較成熟的一種。BP神經(jīng)網(wǎng)絡(luò)通過使用預(yù)測因子和預(yù)測對象(污染物濃度)以前的歷史資料，求解預(yù)測因子與預(yù)測對象之間的關(guān)系，從而構(gòu)建預(yù)報模型。BP神經(jīng)網(wǎng)絡(luò)的輸入層接收來自外界的輸入信息(污染物的影響因子)，并傳遞給中間層各神經(jīng)元；中間層負責(zé)信息變換；最后傳遞到輸出層向外界輸出信息處理結(jié)果(輸出污染物濃度)；當(dāng)實際輸出與期望輸出(實際污染物濃度)不符時，進入誤差的反向傳播階段，修正各層權(quán)值，逐層反傳，此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。神經(jīng)網(wǎng)絡(luò)是非線性系統(tǒng)，具有自學(xué)習(xí)、容錯性強等特點，適用于具有多因素性、不確定性、隨機性特點的研究對象；但神經(jīng)網(wǎng)絡(luò)模型的預(yù)報準確性更加依賴于前期影響因子選擇和網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建。另外，基于統(tǒng)計分析的統(tǒng)計預(yù)報方法準確率依賴于歷史數(shù)據(jù)，并且統(tǒng)計預(yù)報假設(shè)污染源是不變的或者變化很小，污染水平受氣象條件控制。但污染變化規(guī)律和污染源顯然會發(fā)生變化，因此靜態(tài)模型不能對動態(tài)變化的空氣質(zhì)量進行準確預(yù)報。技術(shù)實現(xiàn)要素：針對現(xiàn)有統(tǒng)計預(yù)報方法的缺點和不足，本發(fā)明基于大氣動力和熱力因子，并對因子正交分解選取貢獻最大的幾個主分量，提供一種環(huán)境空氣質(zhì)量動態(tài)融合統(tǒng)計預(yù)報方法。針對現(xiàn)有統(tǒng)計預(yù)報選擇大量基本氣象要素作為統(tǒng)計預(yù)報因子物理意義不明確、計算量大且預(yù)報穩(wěn)定性差的缺點，本發(fā)明基于對歷史環(huán)境空氣質(zhì)量變化特征及其和大氣動力和熱力因子的相關(guān)性分析，篩選物理意義明確的直接影響因子，并采用自然正交分解方法，從龐雜的因子中選取貢獻最大的主分量，以達到提高預(yù)報準確率并簡化計算、提高系統(tǒng)穩(wěn)定性的目的。針對單獨使用各種統(tǒng)計預(yù)報方法的局限性，本發(fā)明將各種方法融合，在天氣形勢分類的基礎(chǔ)上，通過線性回歸和神經(jīng)網(wǎng)絡(luò)方法，對不同的天氣形勢類型分別建立統(tǒng)計預(yù)報模型，并根據(jù)歷史預(yù)報效果對兩種模型預(yù)報結(jié)果加權(quán)平均，形成最終預(yù)報結(jié)果，以達到對不同預(yù)報方法取長補短，提高預(yù)報準確率的目的。針對現(xiàn)有靜態(tài)模型不能對動態(tài)變化的空氣質(zhì)量進行準確預(yù)報的缺點，本發(fā)明實時將新生的污染樣本及氣象樣本及時加入到預(yù)報數(shù)據(jù)集，使模式系統(tǒng)能夠反映變化中的污染狀況；同時通過對模式預(yù)報結(jié)果準確性的檢驗，優(yōu)化預(yù)報模型，調(diào)整各模型權(quán)重，實現(xiàn)預(yù)報模型動態(tài)更新，以達到不斷完善預(yù)報模型，提高預(yù)報準確率的目的。這樣，將逐日空氣污染物濃度實況數(shù)據(jù)及數(shù)值天氣預(yù)報數(shù)據(jù)實時代入預(yù)報模型，即可實現(xiàn)對環(huán)境空氣污染物濃度及空氣質(zhì)量指數(shù)的逐日自動化客觀業(yè)務(wù)預(yù)報，可為環(huán)境空氣質(zhì)量業(yè)務(wù)預(yù)報和研究提供支撐。本發(fā)明的技術(shù)方案如下：基于動力和熱力因子的空氣質(zhì)量動態(tài)融合統(tǒng)計預(yù)報方法，包括：數(shù)據(jù)收集，包括歷史環(huán)境監(jiān)測數(shù)據(jù)、歷史氣象觀測數(shù)據(jù)、實時環(huán)境監(jiān)測數(shù)據(jù)和實時氣象觀測數(shù)據(jù)；數(shù)據(jù)預(yù)處理，包括數(shù)據(jù)規(guī)整、異常值處理、數(shù)據(jù)格式轉(zhuǎn)換、時空尺度轉(zhuǎn)換，所述數(shù)據(jù)規(guī)整指將收集到的數(shù)據(jù)進行整理，以缺省值補全缺測時次；所述異常值處理指去除數(shù)據(jù)中的異常值，以缺省值代替；所述數(shù)據(jù)格式轉(zhuǎn)換指將數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一格式；所述時空尺度轉(zhuǎn)換指將數(shù)據(jù)計算到相應(yīng)時空尺度；引入動力和熱力影響因子；天氣形勢分類，根據(jù)氣象條件將地面天氣形勢進行分類；選取顯著性水平α＝0.01的影響因子組成向量矩陣，對該向量矩陣進行自然正交分解，再選取累積方差貢獻超過98％的主成分；使用所述主成分，分不同污染物、不同城市、不同季節(jié)、不同天氣類型建立回歸方程；利用反向傳播神經(jīng)網(wǎng)絡(luò)算法，使用所述主成分從不同污染物、不同城市、不同季節(jié)、不同天氣類型的角度分別建立神經(jīng)網(wǎng)絡(luò)模型；對所述回歸方程和所述神經(jīng)網(wǎng)絡(luò)模型的擬合結(jié)果和歷史預(yù)報準確性進行評估檢驗；將回歸方程和神經(jīng)網(wǎng)絡(luò)模型的歷史預(yù)報結(jié)果與實況進行對比，使用加權(quán)平均算法計算最終預(yù)報結(jié)果，并提供表示可能性大小的概率預(yù)報；對最終預(yù)報結(jié)果的準確性進行評估檢驗；預(yù)報模型動態(tài)更新。其中，污染物通量指單位時間通過單位截面積的污染物質(zhì)量，式中為垂直于截面風(fēng)矢量，單位m·s-1；q為某種污染物濃度，單位μg·m-z；為該中污染物質(zhì)量通量散度矢量，單位μg·m-2·s-1；污染物質(zhì)量通量散度式中為污染物質(zhì)量通量的散度，單位μg·m-2·s-1；u、v分別為x、y方向的風(fēng)速分量，單位m·s-1。所述天氣形勢包括12類，分別是低壓后、低壓前、低壓內(nèi)、低壓頂部、低壓底部、高壓前部弱梯度、高壓前部、高壓內(nèi)、高壓后部、均壓區(qū)、輔合區(qū)和高壓后低壓前部。所述回歸方程的建立過程為：4-1、建立增廣相關(guān)方陣；假設(shè)樣本容量為n，選擇累積方差貢獻超過98％的前P個主成分，從標準化回歸方程出發(fā)，計算因子相關(guān)矩陣R和相關(guān)系數(shù)rxy，建立增廣相關(guān)方陣R(0)，4-2、引進因子；假設(shè)在前l(fā)步中已經(jīng)引入了l個因子，考慮P-l個未引入因子中的方差貢獻時，計算第k個因子方差貢獻的公式為選取值最大的Vmax，進行F分布顯著檢驗：若F＞Fα，則k因子顯著，消去第k列，得到R(1+1)；4-3、計算已引入因子的方差貢獻，假設(shè)已經(jīng)進行了l步，則第k個因子的方差貢獻是選取值最小的Vmin，計算相應(yīng)的F，若F＜Fa，剔除k因子，消去第k列，得到R(1-1)；4-4、重復(fù)步驟4-2～4-3，直到既無因子剔除又無因子引入；4-5、形成回歸方程；引入l個因子的回歸方程為其中因為求得距平形式的回歸方程再由得出最優(yōu)回歸方程求出復(fù)相關(guān)系數(shù)和均方差無偏估計量進一步求得預(yù)報量的置信區(qū)間。所述神經(jīng)網(wǎng)絡(luò)模型的建立過程為：5-1、網(wǎng)絡(luò)初始化；給網(wǎng)絡(luò)的輸入層與中間層的連接權(quán)值wih、隱含層與輸出層的連接權(quán)值who賦值，取(-1,1)區(qū)間的隨機數(shù)，設(shè)定誤差函數(shù)e、計算精度值ε、最大學(xué)習(xí)次數(shù)M；5-2、選取第k個輸入層樣本X及其對應(yīng)的期望輸出do，x(k)＝(x1(k)，x2(k)，...，xn(k))do(k)＝(d1(k)，d2(k)，...，dq(k))；5-3、計算隱含層的輸入hi、輸出ho以及輸出層的輸入yi、輸出yo，hoh(k)＝f(hih(k))yoo(k)＝f(yio(k))；5-4、計算輸出層的修正誤差δo(k)以及隱含層的修正誤差δh(k)，δo(k)＝-(do(k)-yoo(k))f(yio(k))[1-f(yio(k))]5-5、計算輸出層與隱含層的修正連接權(quán)值who(k)、隱含層與輸入層的修正連接權(quán)值wih(k)5-6、計算全局誤差，5-7、判斷網(wǎng)格誤差是否滿足要求，如果達到預(yù)設(shè)精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，則算法結(jié)束；否則選取下一個輸入層學(xué)習(xí)樣本及對應(yīng)的期望輸出，返回5-3，進入下一輪學(xué)習(xí)。所述評估檢驗的檢驗指標有：標準化平均偏差、標準化平均誤差、均方根誤差和相關(guān)系數(shù)，所述標準化平均誤差小于50％、所述相關(guān)系數(shù)大于0.3且通過顯著性檢驗則認為檢驗合格。所述表示可能性大小的概率預(yù)報：P1為回歸方程預(yù)報結(jié)果，P2為神經(jīng)網(wǎng)絡(luò)模型預(yù)報結(jié)果，w1和w2分別為回歸方程和神經(jīng)網(wǎng)絡(luò)模型所占權(quán)重，由預(yù)報結(jié)果和實況進行擬合所得，加權(quán)平均值為最終融合預(yù)報結(jié)果；概率預(yù)報為該擬合方程歷史預(yù)報準確率。所述預(yù)報模型動態(tài)更新包括：收集逐日新生的污染樣本及氣象樣本數(shù)據(jù)加入到歷史數(shù)據(jù)集，收集變化中的污染和氣象條件特征，實時更新回歸方程和神經(jīng)網(wǎng)絡(luò)模型，使模式系統(tǒng)能夠反映變化中的污染狀況；通過對模型預(yù)報結(jié)果準確性的評估檢驗，對回歸方程和神經(jīng)網(wǎng)絡(luò)模型做出調(diào)整；通過對最終預(yù)報結(jié)果準確性的評估檢驗，實時調(diào)整回歸方程和神經(jīng)網(wǎng)絡(luò)模型預(yù)報結(jié)果所占權(quán)重。本發(fā)明提供了一套完整的環(huán)境空氣質(zhì)量動態(tài)統(tǒng)計預(yù)報方法。為篩選出全面并且能恰當(dāng)?shù)姆从硽庀髼l件對污染物濃度變化的重要影響因子，為建立回歸方程和神經(jīng)網(wǎng)絡(luò)模型提供基礎(chǔ)，本發(fā)明引入直接影響污染物傳輸擴散過程的大氣動力和熱力物理量作為影響因子，物理意義明確；同時采用自然正交分解方法，不僅使原來各因子變?yōu)檎坏牧勘阌诨貧w分析，而且只要分析幾個主要分量就能代替對全部分量分析，獲得要素空間和時間基本特征信息，從而提高預(yù)報模型穩(wěn)定性和計算效率。相比于現(xiàn)有影響因子篩選方法，各污染物濃度預(yù)報相對誤差降低3％～11％，級別預(yù)報準確率提高4％～8％；為了融合目前各種統(tǒng)計預(yù)報方法的優(yōu)點同時彌補各方法的局限性，本發(fā)明在天氣形勢分類的基礎(chǔ)上對不同的類型分別建立預(yù)報模型，通過評估歷史擬合和預(yù)報結(jié)果，對多元線性回歸方程和神經(jīng)網(wǎng)絡(luò)模型的預(yù)報結(jié)果進行動態(tài)加權(quán)平均，形成最終融合預(yù)報結(jié)果。實現(xiàn)了預(yù)報客觀化、自動化運行，相比于單獨使用一種預(yù)報方法，融合預(yù)報各污染物濃度預(yù)報相對誤差降低2％～6％，級別預(yù)報準確率提高2％～4％；采用動態(tài)的方法建立預(yù)報模型，實時動態(tài)更新預(yù)報數(shù)據(jù)集、回歸方程和神經(jīng)網(wǎng)絡(luò)模型以及二者的融合權(quán)重，對預(yù)報系統(tǒng)進行調(diào)整，使模式系統(tǒng)能夠動態(tài)反映變化中的污染狀況。相比于靜態(tài)預(yù)報方法，各污染物濃度預(yù)報相對誤差降低1％～3％，級別預(yù)報準確率提高1％～2％。相比于傳統(tǒng)統(tǒng)計預(yù)報方法，本發(fā)明各污染物濃度預(yù)報相對誤差降低4％～12％，級別預(yù)報準確率提高5％～9％。附圖說明圖1為本發(fā)明實施例基于動力和熱力因子的空氣質(zhì)量動態(tài)融合統(tǒng)計預(yù)報方法流程圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。以對某省進行空氣質(zhì)量統(tǒng)計預(yù)報為例，流程如圖1所示，其中實線部分為預(yù)報模型建立主要流程，虛線部分為預(yù)報模型動態(tài)更新過程，具體步驟如下：一、數(shù)據(jù)收集；用來建立預(yù)報模型的數(shù)據(jù)包括歷史環(huán)境監(jiān)測數(shù)據(jù)資料、歷史氣象觀測數(shù)據(jù)資料、歷史NCEP再分析資料；業(yè)務(wù)預(yù)報制作數(shù)據(jù)包括實時環(huán)境監(jiān)測數(shù)據(jù)資料和實時氣象數(shù)值預(yù)報數(shù)據(jù)。(1)環(huán)境監(jiān)測數(shù)據(jù)該省全部國控和省控環(huán)境監(jiān)測站點監(jiān)測數(shù)據(jù)，包括從當(dāng)年1月1日起(包括實時監(jiān)測)的PM2.5、PM10、SO2、O3、NO2和CO等6項污染物的逐小時濃度值。數(shù)據(jù)用于統(tǒng)計預(yù)報模式建立和動態(tài)更新，以及每日的業(yè)務(wù)預(yù)報。(2)氣象觀測數(shù)據(jù)該省全部氣象地面站觀測數(shù)據(jù)，包括從當(dāng)年1月1日起(包括實時監(jiān)測)的地面氣壓、氣溫、風(fēng)速、風(fēng)向、相對濕度、能見度、降水量等要素的逐小時觀測值。該數(shù)據(jù)用于統(tǒng)計預(yù)報模式建立和動態(tài)更新。(3)NCEP再分析數(shù)據(jù)包括從當(dāng)年1月1日起至今的云量、地表粗糙度、向下太陽輻射通量，及各等壓面的氣溫、相對濕度、風(fēng)場UV分量、垂直速度等變量的逐6小時再分析數(shù)據(jù)。該數(shù)據(jù)用以彌補高空氣象觀測數(shù)據(jù)及氣象地面站觀測數(shù)據(jù)變量的不足，用于統(tǒng)計預(yù)報模式建立和動態(tài)更新。(4)WRF氣象預(yù)報數(shù)據(jù)該省實時WRF模式氣象預(yù)報數(shù)據(jù)，包括10米風(fēng)場UV分量、2米溫度、2米相對濕度、降水量、海平面氣壓、邊界層高度、地面向下太陽輻射，以及各高度層的風(fēng)場UV分量、垂直速度、氣溫、氣壓、高度和相對濕度等變量的逐小時數(shù)據(jù)，預(yù)報時效為0-72小時。該數(shù)據(jù)用于每日的業(yè)務(wù)預(yù)報。二、數(shù)據(jù)預(yù)處理包括數(shù)據(jù)規(guī)整、異常值處理、數(shù)據(jù)格式轉(zhuǎn)換、時空尺度轉(zhuǎn)換等。數(shù)據(jù)規(guī)整是指將收集到的數(shù)據(jù)進行整理，以缺省值補全缺測時次；異常值處理指去除數(shù)據(jù)中的各類異常值，如濃度負值、異常大值等，以缺省值代替；數(shù)據(jù)格式轉(zhuǎn)換指將所有環(huán)境監(jiān)測數(shù)據(jù)和氣象觀測數(shù)據(jù)、歷史數(shù)據(jù)和實況數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一格式；時空尺度轉(zhuǎn)換指根據(jù)該省統(tǒng)計預(yù)報需要，將數(shù)據(jù)計算為城市日數(shù)據(jù)。三、動力和熱力影響因子在傳統(tǒng)影響因子(風(fēng)速、風(fēng)向、溫度、露點、相對濕度、海平面氣壓、降水量、總云量、低云量、低云高、24小時變壓、24小時變溫)的基礎(chǔ)上，引入直接影響污染物輸送和擴散的動力和熱力因子，包括：地面與850hPa溫差、逆溫層底高、逆溫層厚度、逆溫強度、大氣穩(wěn)定度、最大混合層高度、通風(fēng)量、污染物通量、污染物物通量散度、靜穩(wěn)指數(shù)等。地面和850hPa溫差反映大氣低空熱力分布情況，影響大氣垂直運動發(fā)展，進而影響大氣污染物擴散。計算公式：ΔT＝T2m-T850，其中ΔT為地面與850hPa溫差，T2m為2米氣溫(代表地面氣溫)，T850為850hPa氣溫。逆溫是決定大氣稀釋擴散能力的一個重要因子，當(dāng)逆溫存在時，大氣十分穩(wěn)定。當(dāng)逆溫出現(xiàn)在近地層時(貼地逆溫)會抑制近地層湍流運動，當(dāng)出現(xiàn)在對流層中某一高度時(脫地逆溫)，會阻礙其下方空氣的垂直運動，污染物向下夾卷，造成近地層污染物的大量積累。表征逆溫特征的因子包括逆溫底高、逆溫厚度和逆溫強度。大氣位溫隨高度升高的層次稱為逆溫層，逆溫層底高是對擴散運動影響最顯著的因子，逆溫層厚度和逆溫強度也和污染物濃度呈正相關(guān)關(guān)系。大氣穩(wěn)定度反應(yīng)大氣垂直熱力結(jié)構(gòu)，也是決定大氣稀釋擴散能力的一個重要因子。在整層不穩(wěn)定的情況下，污染物在向下游輸送的過程中在垂直方向自由擴散；整層穩(wěn)定度為中性時，污染物在向下游輸送的過程中在垂直方向穩(wěn)定擴散；整層穩(wěn)定的層結(jié)大氣中，污染物在向下游輸送的過程中幾乎無垂直擴散；在下層穩(wěn)定而上層不穩(wěn)定的大氣中，污染物在向下游輸送的過程中向上擴散，對排放源高度以下的區(qū)域影響不大；而在上層穩(wěn)定而下層不穩(wěn)定的大氣中，污染物在向下游輸送的過程中集中在污染源高度以下得不到有效擴散，是對近地面人類活動影響最為嚴重的一種情況。大氣穩(wěn)定度等級的劃分是使用帕斯奎爾穩(wěn)定度分類法，分為強不穩(wěn)定、不穩(wěn)定、弱不穩(wěn)定、中性、較穩(wěn)定和穩(wěn)定六級。它們分別由A、B、C、D、E和F表示。首先從式(E1)算出太陽傾角：式中：δ為太陽傾角，單位為°；θ0＝360dn/365，單位為°，其中dn為一年中日期序數(shù)，取值范圍為0，1，2，……，365。以式(E2)算出太陽高度角h0：h0＝arcsin{sinφsinδ+cosφcosδcos(15t+λ-300)}(E2)式中：h0為太陽高度角，單位為°；δ為太陽傾角，單位為°；φ為當(dāng)?shù)鼐暥?，單位為°；λ為?dāng)?shù)亟?jīng)度，單位為°；t為北京時間。再從表1由太陽高度角h0和云量(全天空十分制)查出太陽輻射等級。表1最后從表2由地面風(fēng)速(離地面10m高度處10分鐘平均風(fēng)速，單位m·s-1)和太陽輻射等級查出大氣穩(wěn)定度等級。表2最大混合層高度：污染氣象學(xué)定義混合層為湍流特征不連續(xù)界面以下湍流較充分發(fā)展的大氣層，其厚度就是混合層厚度。它表征了污染物在垂直方向被熱力湍流稀釋的范圍，即低層空氣熱力對流與動力湍流所能達到的高度。大氣混合層厚度是反映污染物在鉛直方向擴散的重要參數(shù)，也是影響大氣污染物擴散的主要氣象因子之一。大氣混合層厚度越大，就越有利于污染物的擴散和稀釋。在大氣穩(wěn)定度為A、B、C和D級時：在大氣穩(wěn)定度為E和F級時：式中：Lb為混合層厚度，單位為m；U10為10m高度上平均風(fēng)速，單位為m·s-1，大于6m·s-1時取為6m·s-1；as和bs為混合層系數(shù)，見表3；f＝2Ωsinφ，其中f為地轉(zhuǎn)參數(shù)；Ω為地轉(zhuǎn)角速度，取為7.29×10-5rad·s-1；φ為當(dāng)?shù)鼐暥?，單位為°。?其中區(qū)域編號對應(yīng)關(guān)系見表4。表4序號省(市)名1新疆，西藏，青海2黑龍江，吉林，遼寧，內(nèi)蒙古(陰山以北)3北京，天津，河北，河南，山東4內(nèi)蒙古(陰山以南)，山西，陜西(秦嶺以北)，寧夏，甘肅(渭河以北)5上海，廣東，廣西，湖南，湖北，江蘇，浙江，安徽，海南，臺灣，福建，江西6云南，貴州，四川，甘肅，(渭河以南)，陜西(秦嶺以南)7靜風(fēng)區(qū)(年平均風(fēng)速小于1m/s)通風(fēng)量：根據(jù)大氣環(huán)境容量長時間平衡條件下的簡單箱式模式，簡單定義邊界層內(nèi)平均水平風(fēng)速和混合層高度的乘積為通風(fēng)量，用來表示邊界層高度和風(fēng)速對污染物的垂直和水平擴散和輸送的綜合效果。以14點10m高度平均風(fēng)速U10為起點，200m以下風(fēng)速按指數(shù)律隨高度增加，200m以上一直到混合層風(fēng)速為常數(shù)，即：式中：U10為10m高度上平均風(fēng)速，單位為m·s-1；Z為地面高度，單位m；U為對應(yīng)高度上平均風(fēng)速，單位m·s-1。則有式中：VE為邊界層通風(fēng)量，單位m2·s-1；Z為地面高度，單位m；U(Z)為Z高度風(fēng)速，單位m·s-1；Hi為第i層地面高度，單位m；U10為10m高度上平均風(fēng)速，單位為m·s-1。污染物通量、污染物物通量散度：參考水汽通量及通量散度計算方法，定義污染物通量及通量散度，表征某區(qū)域污染物的輸入和輸出。污染物質(zhì)量通量：單位時間通過單位截面積的污染物質(zhì)量。式中：為垂直于截面風(fēng)矢量，單位m·s-1；q為某種污染物濃度，單位μg·m-2；為該中污染物質(zhì)量通量散度矢量，單位μg·m-2·s-1。污染物質(zhì)量通量散度：式中：為污染物質(zhì)量通量的散度，單位μg·m-2·s-1；u、v分別為x、y方向的風(fēng)速分量，單位m·s-1。四、天氣形勢分類根據(jù)天氣實況資料圖等顯示的高壓低壓系統(tǒng)位置、地面風(fēng)向、風(fēng)速等將地面天氣形勢劃分為12種類型，如表5。表5統(tǒng)計不同污染物在各天氣形勢下的平均濃度分布，對于不同污染物，高濃度和低濃度的天氣形勢不一致。例如：按PM10濃度分布可將天氣形勢歸為四大類：1)低壓后、高壓前和低壓內(nèi)，2)高壓后低壓前、低壓底和低壓頂，3)高壓后、高壓內(nèi)、高壓前部弱梯度區(qū)和低壓前，4)輻合區(qū)和均壓區(qū)；按NO2濃度分布可將天氣形勢歸為三大類：1)低壓后、高壓前和低壓內(nèi)，2)高壓后低壓前、低壓底、低壓頂、低壓前和輻合區(qū)，3)高壓后、高壓內(nèi)、高壓前部弱梯度區(qū)和均壓區(qū)。五、自然正交分解基于影響因子和各污染物的相關(guān)性分析，選取達到顯著性水平α＝0.01的影響因子組成向量矩陣，包括日均總云量、日主導(dǎo)風(fēng)向、日均風(fēng)速、日均海平面氣壓、日低云量、日均露點、日均溫度、日均相對濕度、日最大風(fēng)向、日最大風(fēng)速、日最大溫度、日最低溫度、日累計降水、08時總云量、08時風(fēng)向、08時風(fēng)速、08時海平面氣壓、08時3小時變壓、08時低云量、08時露點溫度、08時溫度、08時相對濕度、08時溫度露點差、08時24小時變壓、08時24小時變溫、14時總有能量、14時風(fēng)向、14時風(fēng)速、14時海平面氣壓、14時3小時變壓、14時低云量、14時露點、14時溫度、14時相對濕度、14時低云高、地面與850hPa溫差、逆溫層底高、逆溫層厚度、逆溫強度、大氣穩(wěn)定度、最大混合層高度、通風(fēng)量、污染物通量、污染物物通量散度和靜穩(wěn)指數(shù)。然后對該向量矩陣進行自然正交分解，如PM2.5影響因子組成向量矩陣正交分解前15個主成分的方差貢獻率合累積方差貢獻如表6。表6主成分方差貢獻％累積方差貢獻％135.135.1220.255.3312.567.848.876.655.381.964.486.373.289.582.992.492.494.8101.696.411197.4120.597.9130.598.4140.398.7150.198.8PM2.5的前4個主成分的累積方差貢獻超過75％，可見收斂較快。為了使正交分解后的氣象要素場盡可能多的保留原始場的信息，同時又不會給建立模型帶來太多困難，選取累積方差貢獻超過98％的前13個主成分。六、多元線性回歸使用逐步回歸方法，采用自然正交分解主成分分析選取的P個主分量，對不同污染物、不同城市、不同季節(jié)、不同天氣類型分別建立回歸方程。例如，某市冬半年P(guān)M2.5濃度的回歸方程為：式中PM2.5jn-win為預(yù)報日PM2.5濃度，PM2.5-1d為前一日PM2.5濃度，Tdif為溫度日較差，Tmax為日最高溫度，Td24為日變溫，為日平均溫度，為日平均風(fēng)速，為日平均相對濕度。某市夏半年O3日最大8小時滑動平均濃度的回歸方程為：O3jn-sum＝0.2299+0.4015O3-1d-2.037DH08+7.3395Tmax+0.0075815Pd24-4.8211T08式中O3in-sum為預(yù)報日O3日最大8小時滑動平均濃度，O3-1d為前一日O3日最大8小時滑動平均濃度，DH08為08時逆溫層高度，Tmax為日最高溫度，Pd24為日變壓，T08為08時溫度。七、建立神經(jīng)網(wǎng)絡(luò)使用反向傳播神經(jīng)網(wǎng)絡(luò)算法，采用自然正交分解主成分分析選取的13個主分量，對不同污染物、不同城市、不同季節(jié)、不同天氣類型分別建立神經(jīng)網(wǎng)絡(luò)模型。預(yù)報模型的數(shù)據(jù)節(jié)點數(shù)為38，隱層節(jié)點數(shù)為10(使用公式α為0-10之間的常數(shù))，輸出層節(jié)點數(shù)為1，傳遞函數(shù)使用S型非線性函數(shù)八、模型檢驗評估對回歸方程和神經(jīng)網(wǎng)絡(luò)模型的擬合結(jié)果和歷史預(yù)報準確性進行評估檢驗，檢驗指標包括：其中P為預(yù)測值，O為觀測值，n為總預(yù)報天數(shù)，m為污染物濃度或AQI實況值和預(yù)報值屬于同一IAQI等級或AQI等級的天數(shù)?；貧w方程和神經(jīng)網(wǎng)絡(luò)模型擬合結(jié)果的檢驗指標分別如表7和表8：表7預(yù)報量平均絕對誤差平均相對誤差(％)級別準確率(％)相關(guān)系數(shù)PM2.52644.5666.350.45PM105035.0576.450.44O33257.5861.870.39AQI2528.6582.810.45表8預(yù)報量平均絕對誤差平均相對誤差(％)級別準確率（％）相關(guān)系數(shù)PM2.52644.5666.350.45PM105035.0576.450.44O33257.5861.870.39AQI2528.6582.810.45回歸方程和神經(jīng)網(wǎng)絡(luò)擬合結(jié)果達到檢驗標準，可用于空氣質(zhì)量統(tǒng)計預(yù)報。九、加權(quán)平均將回歸方程和神經(jīng)網(wǎng)絡(luò)模型的歷史預(yù)報結(jié)果與實況進行對比，使用加權(quán)平均算法計算最終預(yù)報結(jié)果。P1為回歸方程預(yù)報結(jié)果，P2為神經(jīng)網(wǎng)絡(luò)模型預(yù)報結(jié)果，w1和w2分別為回歸方程和神經(jīng)網(wǎng)絡(luò)模型所占權(quán)重，加權(quán)平均值作為最終預(yù)報結(jié)果。其中權(quán)重值w1和w2根據(jù)兩種預(yù)報模型的歷史預(yù)報結(jié)果與實況擬合確定分別為0.732和0.408。十、預(yù)報檢驗評估對融合預(yù)報結(jié)果的準確性進行評估檢驗。檢驗指標包括：其中P為預(yù)測值，0為觀測值，n為總預(yù)報天數(shù)，m為污染物濃度或AQI實況值和預(yù)報值屬于同一IAQI等級或AQI等級的天數(shù)。融合預(yù)報結(jié)果的檢驗指標如表9：表9預(yù)報量平均絕對誤差平均相對誤差(％)級別準確率(％)相關(guān)系數(shù)PM2.52644.5666.350.45PM105035.0576.450.44O33257.5861.870.39AQI2528.6582.810.45融合預(yù)報結(jié)果達到檢驗標準，且優(yōu)于單一方法預(yù)報結(jié)果，可用于空氣質(zhì)量統(tǒng)計預(yù)報。十一、數(shù)據(jù)更新收集逐日新生的污染樣本及氣象樣本數(shù)據(jù)，通過數(shù)據(jù)預(yù)處理及時加入到歷史數(shù)據(jù)集，收集變化中的污染和氣象條件特征。十二、模型更新使用實時收集的歷史數(shù)據(jù)，實時更新回歸方程和神經(jīng)網(wǎng)絡(luò)模型，使模式系統(tǒng)能夠反映變化中的污染狀況；通過對模型預(yù)報結(jié)果準確性的評估檢驗，對回歸方程和神經(jīng)網(wǎng)絡(luò)模型做出調(diào)整。十三、模型權(quán)重更新通過對最終預(yù)報結(jié)果準確性的評估檢驗，實時調(diào)整回歸方程和神經(jīng)網(wǎng)絡(luò)模型預(yù)報結(jié)果所占權(quán)重。當(dāng)前第1頁1 2 3