高原气象

高原气象 >

2020 , Vol. 39 >Issue 4: 889 - 898

DOI: https://doi.org/10.7522/j.issn.1000-0534.2019.00115

论文

四川雅安三种主要大气污染物浓度与气象条件的关系及其预测研究

  • 吴亚平 , 2 ,
  • 张琦 1 ,
  • 王炳赟 , 1 ,
  • 王式功 1, 3 ,
  • 邵平 1
展开
  • 1. 成都信息工程大学大气科学学院, 高原大气与环境四川省重点实验室, 四川 成都 610225
  • 2. 四川省雅安市气象局, 四川 雅安 625000
  • 3. 遵义院士工作中心, 贵州 遵义 563000
王炳赟(1979 -)， 男， 山东平度人， 讲师， 主要从事天气气候环境研究. E-mail:

吴亚平(1984 -)， 男， 四川新津人， 高级工程师， 主要从事专业天气预报与气象服务. E-mail:

收稿日期: 2019-08-20

  修回日期: 2020-01-03

  网络出版日期: 2020-08-28

基金资助

国家自然科学基金项目(91644226)

四川省雅安市科技局2019年度科技计划项目(2019yyjskf02)

收起

The Forcast of Three Major Atmospheric Pollutants Concentrations and its Relationships with Meteorological Factors in Ya'an, Sichuan Province

  • Yaping WU , 2 ,
  • Qi ZHANG 1 ,
  • Bingyun WANG , 1 ,
  • Shigong WANG 1, 3 ,
  • Ping SHAO 1
Expand
  • 1. Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, College of Atmospheric Sciences, Chengdu University of Information technology, Chengdu 610225, Sichuan, China
  • 2. Bureau of Meteorology in Ya'an, Ya’an 625000, Sichuan, China
  • 3. Academician work center in Zunyi, Zunyi 563000, Guizhou, China

Received date: 2019-08-20

  Revised date: 2020-01-03

  Online published: 2020-08-28

Fold

本文亮点

基于四川雅安城市空气质量预报和大气污染防控的需求以及冬季以颗粒物（PM2.5和PM10）污染为主、 夏季以臭氧（O3）污染为主的特点, 本文利用雅安市2015 -2018年空气污染监测数据以及同期气象观测资料, 重点分析雅安市空气污染物PM2.5、 PM10和O3浓度变化特征的基础上, 利用灰色关联度方法对上述污染物浓度与气象要素的相关关系进行了细致分析；通过BP神经网络进行两者的数学建模, 构建了雅安市空气质量短期预报模型, 并进行了试预报检验。研究表明: 雅安市2015 -2017年期间污染物O3、 PM2.5、 PM10浓度呈上升的趋势, 空气质量达标率自2015年的92.7%降低到2017年的82.2%, 2018年达标率略有上升为88%, 但仍出现了9天中度污染和1天重污染。污染物浓度与气象要素变化相关密切, 其中, 降雨量和气压与PM2.5和PM10污染关联最大, 表明雅安作为四川盆地的“雨城”, 其降水对颗粒物的湿清除效应是很显著的；而气温和风速与O3污染关联最大, 恰好反映了高温和由高温所隐含的强辐射对O3生成的促进作用。由BP神经网络所建立的雅安O3预报模型, 其准确度较稳定, 各季7天平均相对误差都<19%, 并且预报效果排序为夏季>冬季>秋季>春季；由BP神经网络所建立的雅安PM2.5预报模型, 其在春季和夏季预测准确度较好, 两季7日平均相对误差都<16%, 秋季相对误差略高一点, 其四季预报准确度排序为夏季>春季>秋季>冬季。此研究结果可为当地空气质量预报业务的开展提供技术支持。

本文引用格式

吴亚平 , 张琦 , 王炳赟 , 王式功 , 邵平 . 四川雅安三种主要大气污染物浓度与气象条件的关系及其预测研究[J]. 高原气象, 2020 , 39(4) : 889 -898 . DOI: 10.7522/j.issn.1000-0534.2019.00115

Highlights

Based on the need of air quality forecast and air pollution prevention in Ya'an, Sichuan, air pollution monitoring data of Ya'an City from 2015 to 2018 and meteorological data at the same period were used to analyze the correlations between the air pollutants concentrations and meteorological factors in detail by Gray Correlation Method. The short-term forecast models of air quality in Ya'an city were constructed with BP Neural Network method, and forecast results were checked too. The results showed that the pollutants concentrations of O3, PM2.5 and PM10 in Ya'an City showed upward trends from 2015 to 2017, with the air quality passing rate dropping from 92.7% to 82.2%, but the passing rate rising slightly to 88% in 2018, however there were still 9 days with moderate pollution and 1 day with heavy pollution. The pollutants concentrations were closely related to meteorological factors, of which rainfall and air pressure were most associated with PM2.5 and PM10 pollutions, indicating that Ya'an, as the "rain city" of Sichuan, had a significant wet removal effect on particulate matter. While temperature and wind speed were most correlated with O3 pollution, which just reflected the promotion of O3 generation by high temperature and strong radiation implied by high temperature. Using the BP neural network, the forecast model of O3 had a stable accuracy, with an average relative error less than 19% for each season in 7 days, and the forecast results were sorted from summer, winter, autumn to spring. The forecast models of PM2.5 had better prediction accuracy in spring and summer, with an average relative error less than 16% in 7 days, a slightly higher relative error in autumn. This results could provide technical support for the development of local air quality forecasting operations in Ya’an.

1 引言

十九大报告对当前中国发展提出了“建成富强、 民主、 文明、 和谐、 美丽的社会主义现代化强国”的新目标。然而, 近几十年来, 随着中国社会经济的快速崛起, 城市人口数量猛增, 工业以及交通等迅速发展, 煤炭和石油等资源被大量使用, 大量有害气体不加控制排放到空气中, 导致城市空气质量不断恶化。如今空气污染天气逐渐增多, 对人们的生活、 出行和健康产生了很大的影响, 因此提高环保意识, 加强空气污染防治, 控制空气污染传播迫在眉睫。
局地大气污染的变化取决于该地区大气气溶胶成分, 同时也与局地大气环境有密切的关系。吴兑等（1994）根据Clarence et al(1990)的研究在国内较早关注并系统开展了中国关于影响大气气溶胶等影响大气污染成分、 传输和转化方面的研究。特别是其后对珠江三角洲地区大气气溶胶造成严重灰霾的相关形成机理研究取得了深入进展, 2008年明确指出灰霾是一种新的灾害性天气, 进而分析了灰霾天气的形成与演化问题, 指出了大气污染（灰霾）研究的重点方向, 其团队深入研究了珠江三角洲、 京津冀地区大气污染的长期变化特征与典型个例的近地层输送条件和统计方法（吴兑, 2006, 2008, 2011,, 2012, 2014）。杨德保等（1994）分析1989年12月兰州大气边界层和大扩散监测试验期间的气象和污染浓度资料, 指出空气污染浓度的变化与气象条件有显著的相关关系。任阵海等（2005）利用大气环境过程的概念, 分析引起大气重污染的中尺度天气系统、 近地层小尺度局地系统和稳定的大气边界层结构, 发现大范围均压场条件下易出现近地层小尺度局地环流群体, 大范围均压场持续演变和移动常形成大气污染汇聚带, 从而形成局地严重污染的重要大气条件。安俊琳等（2007）分析了北京大气中NO、 NO2和O3浓度的季节和日变化特征的相关性分析。陈雷华等(2010)分析了2001 -2007年兰州市每日空气污染指数(API)、 空气质量级别和PM10浓度等的年、 季、 月变化特征以及采暖期和非采暖期污染变化差异。王静等(2013)研究了山东省济南、 青岛2001 -2010年以及其他城市的空气质量变化, 分析了山东重点城市的空气质量变化与气象要素的分析。胡晓等（2017）利用常规地面站资料、 颗粒物观测数据、 MODIS产品、 气溶胶激光雷达数据、 探空数据及轨迹模拟模式, 从气象条件和污染源输送分析了对宁波地区一次污染过程的形成原因。Wang et al(2018)研究了中国PM2.5污染, 以及地形和气象要素对其的影响。郝巨飞等（2018）和华雯丽等（2018）对影响大气污染的沙尘天气使用气溶胶激光雷达、 地基多通道微波辐射计资料等多种资料进行了精细化观测和分析。王淑兰等（2005）利用CALPUFF模拟系统, 通过数值模拟及对排放源现状分析, 揭示了珠江三角洲内城市之间污染物相互输送的特点和规律, 分析了不同城市空气污染影响因素的差异, 定量给出了珠江三角洲城市间空气污染的相互影响和相互贡献。安兴琴等(2005)利用美国环保部MODEL-3空气质量模式对2002年12月兰州市大气污染物进行了模拟, 并于监测资料对比确定该模式在复杂地形条件下的模拟能力。程兴宏等(2010)采用中尺度气象模式WRF与多尺度空气质量模式CMAQ同化模拟分析4种不同空间分辨率的SO2、 NO2实测资料, 指出加密观测资料对改善SO2、 NO2排放源和空气质量预报的重要影响。高分辨率的观测资料和区域源同化反演方法对于区域污染物浓度预报及排放源清单具有显著的改进作用。侯雪伟等(2013)利用东亚酸沉降监测网(EANET)、 WMO全球温室气体数据中心(WDCGG)的观测资料和TOMS、 MODIS卫星观测资料, 对MOZART-4大气化学输送模式进行了评估。在污染物浓度和气象条件预报方面: 吴建生等(2008)针对BP神经网络在实际气象预报中的应用提出了基于神经网络的粒子群集成学习算法的气象预报模型, 优化了预报的学习效率, 显著提高了预报的准确性。何建军等(2016)利用人工神经网络（ANN）分析气象条件和污染物排放源排放变化对兰州市冬季污染物浓度逐日变化和年际变化的影响。Duo et al(2018)研究了2014年和2015年拉萨市的空气污染现状以及与气象要素的关系。李苹等（2019）对2015 -2017年中国近地面臭氧污染情况及要素进行了分析, 指出了不同季节和不同地区的变化分布情况。张珺等(2019)基于BP神经网络空气质量预报模型以石家庄和邢台冬季空气质量模型为例, 对空气质量等级预报准确率进行检验, 指出SO2和O3的等级预报准确率为90%以上, PM2.5和PM10的等级预报准确率均为80%以上, 首要污染物预报准确率均为80%以上。Zhang et al(2019)研究了中国重污染天气过程, 提出了基于一个温度阈值指标来预测行星边界层的大气结构和净稳状态, 便于空气污染的潜式预报。邱继勇等（2019）通过对2010年不同月份和气象条件下的中国污染物向北极传输的总量、 特征和机制进行了量化分析。
由以上研究可知, 大气污染过程很复杂, 影响的因素很多, 不仅受着地形、 污染物的排放影响, 还取决于大气对污染物的稀释扩散能力。气象要素有着很重要的影响力, 如逆温的出现会加剧污染物的堆积, 造成重污染天气过程的发生；风速越大, 颗粒污染物的扩散稀释就会越快, 污染物浓度就会降低；降雨也会冲刷、 沉降空气中污染物, 使得空气质量得到改善。如今, 大气污染不仅影响了人们生活质量, 而且加大了患某些相关疾病的概率(夏田等, 2018; 陈素梅, 2018; 张经纬等, 2019)。因此, 客观、 全面和实时地去了解和评估城市大气质量至关重要。2018年7月雅安市认真研究谋划建设绿色发展示范市, 探寻“天府之肺”的绿色发展路径, 计划打造“天府之肺·生态雅安”的雅安新名片。因此, 本文利用雅安市2015 -2018年污染物浓度数据以及同期气象资料, 分析雅安市空气污染物特征以及气象要素对污染物浓度的影响程度, 为雅安市大气污染防治提供参考, 为雅安市相关部门进一步预防、 控制及治理该区域的大气污染提供科学的理论依据。

2 资料选取与方法介绍

2.1　研究区域

四川省雅安市地处四川盆地西南部边缘, 属盆地与青藏高原的结合过渡地带是降水量较多的旅游城市, 年降水量在1700 mm左右, 被誉为“雨城”。然而, 近年来, 随着四川盆地大气污染情况的加剧, 该地区成为全国大气污染防治“三区十群”重点地区之一, 受盆地地形影响和冬季降水量减少等原因造成的盆地污染物扩散条件差, 因此雅安市秋冬季节大气污染也颇为严重(Ning et al, 2018)。这可能与成都和雅安的地理位置（图略）和冬季四川盆地的风向有关。从两地2016年3月至2019年2月的地面逐小时10 min风向风速的风玫瑰图（图1）可知, 成都冬季主要盛行西北、 北、 东北三个风向, 静风日数较少, 2~4 m·s-1风速(spd)所占比例较大, 4~6 m·s-1的风速主要来自在东北方向。从雅安风玫瑰图可以看出, 冬季雅安盛行偏东风为主, 静风日数较多, 最大风在2~3 m·s-1。
图1 成都和雅安冬季地面风玫瑰图

Fig.1 The winter ground wind rose map in Chengdu and Ya'an

2.2　资料选取

大气环境质量数据来源于雅安市环境监测站。气象站点为雨城国家基本站、 大兴区域自动监测站；空气质量站点有雨城区的川农大、 市政府、 建安厂以及大兴526台。监测范围比较全面, 能基本代表雅安整体的空气质量变化特征。
空气质量数据是2015年1月1日至2018年12月25日逐小时连续数据（表1, 缺少2016年7月1日至9月31日的小时数据）。包括O3、 PM2.5、 PM10以及与之匹配的逐小时气象资料数据, 包括有降雨量、 气温、 气压、 湿度和风速等。
表1 雅安市各检测站点经纬度

Table 1 The locations of monitor stations in Ya'an

监测站名称 监测站纬度 监测站经度
川农大 29.983242°N 102.999066°E
市政府 29.9834°N 103.01093°E
建安厂 30.019167°N 103.047778°E
大兴526台 29.975556°N 103.076944°E
大兴 30.0006°N 103.0644°E
雨城国家站 29.9833°N 103°E

2.3　方法介绍

2.3.1　环境空气质量标准

中国在2016年为贯彻《中华人民共和国环境保护法》和《中华人民共和国大气污染防治法》, 保护和改善生活环境、 生态环境, 保障人体健康, 中华人民共和国环保部和国家质量监督检验检疫总局联合发布了《环境空气质量标准》（GB3095-2012）。该标准规定了环境空气功能区分类、 标准分级、 污染物项目、 平均时间及浓度限值、 监测方法、 数据统计的有效性规定及实施与监督等内容,适用于环境空气质量评价与管理。因此以此标准作为雅安市环境空气质量判别标准。

2.3.2　灰色关联分析方法

灰色关联度分析法是灰色系统理论中一种定量描述因素间发展势态的相似或相异程度的量化比较方法。它是根据所做的序列曲线几何形状的相似程度来判断其联系是否紧密（谭学瑞等, 1995）。如果曲线越接近, 相应序列间关联度就越大, 反之就越小。许多研究采用灰色关联度分析法发现大气污染物与气象条件、 疾病发生、 能源消耗等有着紧密的联系(张荣艳等, 2017；高秀清, 2017；湛社霞等, 2018)。因此, 可以通过灰色关联分析方法分析雅安市大气污染物O3、 PM2.5和PM10的浓度与气象参数之间的强弱主次关系。

2.3.3　 BP神经网络预测模型

空气质量参数与气象参数之间有着很复杂的非线性关系。对于存在非线性关系的问题的研究, 有学者用神经网络模型应用于环境气象等方面的预报建模研究（苏高利等, 2003；宋新山等, 2008), 优化了预报的学习效率, 取得了较好的预报效果(吴建生等, 2006, 2008；欧阳钧等, 2009)。因此, 本文采用BP神经网络预测模型基于雅安市区的温压湿风气象观测资料和空气污染数据, 来预测雅安市在一段时间内O3、 PM2.5和PM10污染物浓度的变化, 并通过现有的数据对预测值进行实证分析, 并检验构建的BP神经网络模型预报的准确性。

3 雅安市三种主要污染物变化特征分析

3.1　年际变化

根据环境空气质量标准（GB3095-2012）对雅安市所观测的数据进行分析, 得到雅安市2015 -2018年大气中的O3、 PM2.5以及PM10的年平均浓度变化（图2）。由图2可见, 从2015年起O3浓度呈逐年升高的趋势, 其中2017年最高年平均浓度达到92.07 μg·m-3, 2018年略有减少。PM2.5年平均浓度在2015-2017年略有增长, 到2018年有所下降, 四年PM2.5的年平均仍全部超过了国家规定的PM2.5大气环境质量二级标准（35 μg·m-3）, 超标的倍数依次为1.04, 1.2, 1.39和1.15。PM10年平均浓度在2015 -2017年变化不大, 2018年有所下降。PM10的年平均浓度均低于国家PM10大气环境质量二级标准的70 μg·m-3, 最大值在2016年浓度达到67.72 μg·m-3。同样地, PM10浓度在2018年也有所降低, 年平均浓度相对2017年下降11.14 μg·m-3, 同比下降16.6%。由以上分析不难看出, 雅安市三种污染物中PM2.5污染较为严重。
图2 2015 -2018年雅安市的O3、 PM2.5和PM10的年平均浓度变化

Fig.2 Average annual concentration changes in O3, PM2.5 and PM10 in Ya'an from 2015 to 2018

结合2015 -2018年雅安市大气中O3、 PM2.5和PM10的年平均浓度变化值可将雅安市大气污染物浓度的变化分为两个阶段。第一阶段是2015 -2017年上述三类污染物浓度均有所增加。尤其是臭氧浓度更是迅速增高, 2017年臭氧年平均较2015年增加了91.5%, 污染日益严重。第二阶段是2018年以来, 三种污染物浓度都呈现了下降的趋势, 空气质量得到了改善。这说明雅安市的空气污染防控措施初见成效, 污染程度得到了一定的缓解, 大气环境得到了改善。

3.2　四季变化

大气中的污染物浓度在一年中的不同时间里有很大的差别, 浓度高低不尽相同。邵天杰等（2008）认为污染物浓度的变化与气候因素、 气象因素以及人类活动有关, 导致污染物浓度在月季变化中差异显著。本部分主要对雅安市大气中的主要污染物浓度值在各个季节、 月份的变化趋势进行分析。对雅安市的四季按照气候学中划分: 3 -5月为春季、 6 -8月为夏季、 9 -11月为秋季、 12月至次年2月为冬季。
由图3可知, 雅安市大气中的O3呈倒“U”型变化。在夏季O3浓度达到一年中的最大值约96 μg·m-3, 春秋两个季度平均浓度相近, 冬季最低约52 μg·m-3。PM2.5和PM10污染物浓度四年季节均值呈明显的“U”型的变化。PM2.5在夏季浓度达到一年中的最小值约25 μg·m-3, 冬季最高约67 μg·m-3。PM10在夏季浓度达到一年中的最小值约33 μg·m-3, 冬季最高约104 μg·m-3。两种污染物浓度PM2.5和PM10两种污染物浓度的季节排序为冬季>春季>秋季>夏季。
图3 雅安市2015 -2018年O3、 PM2.5和PM10污染物浓度四季变化

Fig.3 Average seasonal concentration changes in O3, PM2.5 and PM10 in Ya'an from 2015 to 2018

3.3　年内逐月变化

对比分析雅安市大气中O3、 PM2.5和PM10浓度的四季变化（图3）和逐月变化趋势（图4）可看出, 雅安市大气中的O3浓度值随着季节和月份的变化均有着显著的变化: O3浓度略呈倒“U”型的变化特征。雅安市的O3浓度值在夏季最高, 春秋两个季度平均浓度相近, 冬季最低。O3的平均浓度值在8月份略有突增, 达到全年的最高峰103.52 μg·m-3, 随后呈下降趋势；12月到次年1月份的浓度值较低；直到1月达到最低48.28 μg·m-3, 1月之后O3平均浓度值不断增加。O3平均月浓度的极差较大, 最高浓度值较最低浓度值增加了一倍之多。PM2.5浓度从1月份起呈下降的趋势, 7、 8、 9月为低谷期, 最低浓度为20.42 μg·m-3。然后PM2.5月平均浓度呈上升, 高峰值在1月达到最大值78.32 μg·m-3, PM2.5月平均浓度最高值较最低值增加了近3倍。通过分析PM10浓度的月度变化特征不难发现, PM10浓度从1月起就呈下降趋势, 在7、 8、 9月达到最低浓度, 为29.07 μg·m-3。继而PM10月平均浓度不断上升, 直至次年1月达到最大值123.84 μg·m-3, PM10的月平均浓度的最高值和最低值相差94.77 μg·m-3。
图4 雅安市2015 -2018年O3、 PM2.5和PM10污染物浓度月均变化

Fig.4 Average monthly concentration changes in O3, PM2.5 and PM10 in Ya'an from 2015 to 2018

3.4　不同级别空气质量日数变化

从表2可看出, 2015 -2017年雅安市空气质量为“优”的天数由160天减少到87天, 中度污染达到18天, 重度污染5天, 污染天数不断增加, 污染逐渐加重, 空气质量恶化, 污染率达到17.8%, 超过2015年约2.4倍。2018年空气污染有所改善, 空气质量优的天数增加到128天, 仍有9天重度污染和1天重污染, 空气质量达标率较2017年提高了5.8%。
表2 雅安市2015 -2018年不同级别空气质量天数统计

Table 2 Air quality days at different levels in Ya'an during 2015 -2018

年份 不同级别空气质量天数 达标率/ 污染率/
优 良 轻污染 中度污染 重污染 有效天数 % %
2015年 160 168 24 2 0 354 92.7 7.3
2016年 102 205 53 4 0 364 84.3 15.7
2017年 87 213 42 18 5 365 82.2 17.8
2018年 128 188 33 9 1 359 88 12

4 污染物浓度与气象要素的相关分析

研究发现局地空气污染物浓度不仅仅与污染物的排放分布状况、 地形等诸多要素有关, 更与气象条件有关联。对于某一城市来说, 由于其特定的地理形势以及短时间内相对稳定的污染物排放状况, 该城市空气质量影响的因素是气象要素（郭伟等, 2014）。大气扩散研究表明, 相同的污染源排放的污染物浓度在不同的气象条件下相差很大, 主要因为大气对污染物的稀释, 扩散的能力会随着气象条件的改变会明显的变化。并且气象要素影响污染物浓度不是单一要素影响污染物变化, 而是多个气象要素联合共同影响着污染物的稀释扩散能力（彭晓武等, 2010）。

4.1　灰色关联度分析

表3是2016 -2018年雅安是三种主要大气污染物与五种气象要素的关联度。从表3中可以看出, 雅安市的三种污染物浓度与气象要素密切相关。对比分析发现: O3浓度与气象要素的关联度基本都大于0.6, 这说明两者之间有较高关联, 两系统指标间耦合作用较强。其与气象参数关联度排序为: 风速>气温>气压>相对湿度>雨量。最大是风速0.80的高关联度, 说明耦合作用极强。其次是温度0.72, 气压相关为0.70。影响PM2.5和PM10浓度的气象参数关联度近乎相同, 其排序都为: 雨量>气压>风速>气温>相对湿度。其中雨量、 气压和风速关联度都超过0.70, 而气温和相对湿度接近0.6。对于O3浓度与气象要素的关联度可能的原因是风速的增强有利于光化学反应效率提高, 从而导致O3浓度提高。PM2.5和PM10与气温呈负相关, 随着气温的增加, 大气对流活动则越强, 空气层结越不稳定, 有利于污染物的扩散稀释, PM2.5和PM10的浓度会降低, 反之浓度会增加。这与上文两种颗粒污染物月平均浓度分析相一致, 夏季温度高大气对流活动强高颗粒物浓度最低, 冬季温度低对流活动弱颗粒物浓度最高。PM2.5和PM10与降雨呈负相关, 因为降水可以高效的冲刷、 沉降空气中的颗粒物, 夏季有更明显的效果, 因为夏季雨量大且次数多, 颗粒物浓度则有明显的降低。
表3 雅安市2016 -2018年气象要素与三种污染物浓度灰色关联度

Table 3 The grey correlation between meteorological elements and three pollutant concentrations in Ya'an during 2016 -2018

气温 气压 相对湿度 雨量 十分平均风速
O3 0.72 0.70 0.64 0.63 0.80
PM2.5 0.59 0.72 0.57 0.76 0.70
PM10 0.59 0.73 0.57 0.75 0.70

4.2　 BP神经网络模型建立

春季选取了2017年3月1日至5月24日的数据样本进行训练, 预测了5月25 -31日的污染物浓度。将预测值与实测值对比得表4的比较结果, 并绘制了图5的浓度绝对误差曲线。从表4和图5中可知, 在春季模型预测中PM2.5的效果相对较好, 其平均相对误差为13.7%, 对应的平均绝对误差是5.55 μg·m-3；其次是O3平均相对误差为18.2%, 平均绝对误差为18.0 μg·m-3；PM10预测效果略高平均相对误差为27.1%, 平均绝对误差为13.8 μg·m-3。
表4 2017年5月25 -31日污染物预测值与实测值的统计分析

Table 4 Statistical analysis of pollutant prediction and measured values from 25 to 31 May 2017

日期 (年-月-日) O3/（μg·m-3） PM2.5/（μg·m-3） PM10/（μg·m-3）
预测 实测 绝对 相对 预测 实测 绝对 相对 预测 实测 绝对 相对
2017-05-25 107.9 88 19.9 22.6 31.7 26 5.7 21.8 45.6 36 9.6 26.5
2017-05-26 112.4 126 13.6 10.8 35.6 32 3.6 11.3 53.8 45 8.8 19.5
2017-05-27 118.5 139 20.5 14.8 41.0 44 3.0 6.8 64.9 62 2.9 4.6
2017-05-28 122.3 119 3.3 2.7 45.4 54 8.6 16.0 73.4 67 6.4 9.6
2017-05-29 119.0 97 22.0 22.7 41.5 38 3.5 9.2 65.9 53 12.9 24.4
2017-05-30 99.4 91 8.4 9.2 61.2 47 14.2 30.2 89.9 52 37.9 72.8
2017-05-31 124.2 86 38.2 44.4 46.2 46 0.2 0.4 75.5 57 18.5 32.5
各列平均值 114.8 106.6 18.0 18.2 43.2 41.0 5.5 13.7 67.0 53.1 13.8 27.1

“预测”是BP神经网络预测结果, “实测”是实际观测结果, “绝对”是预测结果和实测结果的绝对误差, “相对”指的是相对误差, 其由预测结果和实测结果的差值与实测值的比值的百分比求得(下同)

图5 2017年春季污染物浓度预测绝对误差曲线

Fig.5 Absolute error curve for pollutant concentration prediction in spring of 2017

夏季采用的是2017年7月1 -31日的样本进行训练预测的, 预测8月1 -7日的污染物浓度（表5）, 夏季整体预测效果较好。通过对比平均相对误差可知, 在夏季模型预测O3的效果最好（图6）, 其平均相对误差为9.8%, 对应的平均绝对误差是12.9 μg·m-3；其次是PM2.5平均相对误差为15.6%, 平均绝对误差为4.5 μg·m-3；PM10预测效果略高平均相对误差为21.2%, 平均绝对误差为5.6 μg·m-3。同时由表5可知, 雅安市夏季臭氧污染较为严重, 日均浓度达到139.7 μg·m-3, 而PM2.5和PM10颗粒污染物浓度较小都约为30 μg·m-3。
表5 2017夏季污染物预测值与实测值的统计分析

Table 5 Statistical analysis of pollutant prediction and measured values in summer 2017

日期 (年-月-日) O3/（μg·m-3） PM2.5/（μg·m-3） PM10/（μg·m-3）
预测 实测 绝对 相对 预测 实测 绝对 相对 预测 实测 绝对 相对
2017-08-01 165.5 127 38.5 30.3 32.4 38 5.6 14.8 41.6 49 7.4 15.2
2017-08-02 159.9 146 13.9 9.6 29.5 27 2.5 9.2 37.3 28 9.3 33.2
2017-08-03 143.1 122 21.1 17.3 24.2 20 4.2 21.0 29.5 20 9.5 47.6
2017-08-04 147.3 146 1.3 0.9 25.4 26 0.6 2.5 31.2 23 8.2 35.8
2017-08-05 143.0 154 11.0 7.2 24.0 31 7.0 22.7 29.2 30 0.8 2.8
2017-08-06 143.4 146 2.6 1.8 24.1 29 4.9 17.0 29.3 26 3.3 12.9
2017-08-07 139.0 137 2.0 1.4 24.1 31 6.9 22.4 29.3 29 0.3 1.0
各列平均值 148.7 139.7 12.9 9.8 26.2 28.9 4.5 15.6 32.5 29.3 5.6 21.2
图6 2017年夏季污染物浓度绝对误差曲线

Fig.6 Absolute error curve for pollutant concentration prediction in summer of 2017

秋季是采用的是2017年9月1-31日的样本数据进行训练（表6）, 预测效果中期相对较好, 后3天相对较差（图7）。通过对比平均相对误差可知, 在秋季模型预测O3的效果相对最好, 其平均相对误差为12.6%, 对应的平均绝对误差是9.2 μg·m-3；其次是PM2.5平均相对误差为29.3%, 平均绝对误差为6.8 μg·m-3；PM10预测效果较差, 其平均相对误差为45.7%, 平均绝对误差为12.7 μg·m-3。
表6 2017秋季污染物预测值与实测值的统计分析

Table 6 Statistical analysis of pollutant prediction and measured values in autumn of of 2017

日期 (年-月-日) O3/（μg·m-3） PM2.5/（μg·m-3） PM10/（μg·m-3）
预测 实测 绝对 相对 预测 实测 绝对 相对 预测 实测 绝对 相对
2017-10-01 90.4 97 6.6 6.8 25.9 34 8.1 23.9 34.2 51 16.8 33.0
2017-10-02 92.9 96 3.1 3.2 30.1 27 3.1 11.5 41.5 38 3.5 9.1
2017-10-03 84.1 90 5.9 6.5 15.4 12 3.4 28.5 16.1 9 7.1 79.1
2017-10-04 84.1 79 5.1 6.5 15.4 11 4.4 40.2 16.1 10 6.1 61.2
2017-10-05 84.1 87 2.9 3.3 15.4 25 9.6 38.3 16.1 34 17.9 52.6
2017-10-06 84.1 72 12.1 16.9 15.4 26 10.6 40.7 16.1 34 17.9 52.6
2017-10-07 92.7 64 28.7 44.8 29.7 38 8.3 21.9 40.7 60 19.3 32.2
各列平均值 87.5 83.6 9.2 12.6 21.0 24.7 6.8 29.3 25.8 33.7 12.7 45.7
图7 2017年秋季污染物浓度绝对误差曲线

Fig.7 Absolute error curve for pollutant concentration prediction in autumn 2017

雅安冬季预测效果较差（表7）, 三种污染物的预报结果在第1天和第7天相对较好, 相对误差在20%以内。但是PM2.5和PM10的第2天至第5天预测值与实测值相差较大（图8）。以平均相对误差为判别标准, 在冬季模型预测O3的效果相比秋季略好, 其平均相对误差为12.2%, 对应的平均绝对误差是8.7 μg·m-3；PM2.5和PM10预测效果较差, 其平均相对误差分别为59.9%和91.4%, 明显比实测值高。
表7 2017冬季污染物预测值与实测值的统计分析

Table 7 Statistical analysis of pollutant prediction and measured values in winter of 2017

日期 (年-月-日) O3/（μg·m-3） PM2.5/（μg·m-3） PM10/（μg·m-3）
预测 实测 绝对 相对 预测 实测 绝对 相对 预测 实测 绝对 相对
2018-01-04 70.7 68 2.7 4.0 63.7 54 9.7 17.9 96.2 65 31.2 47.9
2018-01-05 84.2 75 9.2 12.2 75.7 40 35.7 89.2 114.4 45 69.4 154.2
2018-01-06 83.5 66 17.5 26.5 75.0 43 32.0 74.5 113.4 50 63.4 126.8
2018-01-07 84.4 71 13.4 18.9 75.9 38 37.9 99.7 114.7 45 69.7 154.8
2018-01-08 84.4 76 8.4 11.1 75.9 47 28.9 61.4 114.7 65 49.7 76.4
2018-01-09 84.4 78 6.4 8.2 75.9 48 27.9 58.1 114.7 71 43.7 61.5
2018-01-10 84.4 81 3.4 4.2 75.9 64 11.9 18.6 114.7 97 17.7 18.2
各列平均值 82.3 73.6 8.7 12.2 74.0 47.7 26.3 59.9 111.8 62.6 49.2 91.4
图8 2017年冬季污染物浓度绝对误差曲线

Fig.8 Absolute error curve for pollutant concentration prediction in winter of 2017

5 结论与讨论

通过对雅安市2015 -2018年三种污染污染物O3、 PM2.5、 PM10观测数据进行了统计分析, 并分析了其与同期气象数据的相关关系, 在此基础上采用BP神经网络方法对雅安市三种污染物进行了建模预报和预报结果分析。主要结论如下:
(1) 雅安市2015 -2017年的污染物O3、 PM2.5、 PM10浓度呈现了上升的趋势, 在2018年有所缓解减弱。三种污染物浓度具有明显的季节差异, O3在冬季1月份最低48.28 μg·m-3, 夏季8月份最高103.52 μg·m-3。PM2.5和PM10浓度在冬季1月份最高, 其值分别为78.32 μg·m-3和123.84 μg·m-3；夏季8 -9月份最低, 其值分别为20.42 μg·m-3和29.07 μg·m-3。O3浓度值在夏季8月份最高103.52 μg·m-3, 春秋季平均浓度相近, 冬季最低。不同级别空气质量天数统计显示, 雅安市空气质量达标率自2015 -2017年期间逐年下降, 2017年中度污染18天, 重度污染5天, 达标率仅为82.2%。2018年达标率略有上升为88%, 但仍有9天中度污染和1天重污染。
(2) 利用灰色关联度分析2016 -2018年雅安市三种污染物浓度与气象要素关系发现: 影响O3浓度的气象要素排序为: 风速>气温>气压>相对湿度>雨量；影响PM2.5浓度的气象参数排序为: 雨量>气压>风速>气温>相对湿度；影响PM10浓度的气象参数排序为: 雨量>气压>风速>气温>相对湿度。每个季度之间的关联度有些差异, 因为每个季度的气象要素的值不同, 导致了关联度与总体不同。O3与气温和风速成正比, 与气压和湿度呈反比。PM2.5和PM10与气压呈正比, 与气温、 湿度、 雨量以及风速呈反比。污染物浓度变化并不是气象要素单一影响的结果, 而是多种要素共同影响, 只是影响的程度不同。
(3) BP神经网络模型在预测雅安2017年四季中各7天的三种污染物浓度, 通过与实测数据对比分析, 以相对误差为判别依据可知: BP神经网络模型在雅安O3预报准确度最稳定, 各季7天平均相对误差都<19%, 并且预报效果夏季>冬季>秋季>春季。其次是对PM2.5春季和夏季预测准确度好, 两季7日平均相对误差都<16%, 秋季相对误差近30%, 冬季约为60%。对PM10各季7天相对误差四季排序为夏季>春季>秋季>冬季, 冬季预报效果相对最差。
在本文中, 将BP神经网络应用于雅安市三种污染物的7天预报, 其预测结果与实测数据对于O3预报准确度最稳定且效果较好, 而颗粒污染物PM2.5和PM10而言预报效果在春夏季较好, 秋冬季较差。一方面原因, 可能是与预报时效有关系, 本文中选取的是7天预报时效较长。第二可能原因是污染观测时间较短, 采集的污染数据有限, 并且采集气象要素的站点与采集污染物的站点有一定的距离, 气象要素不能准确地反映污染物观测位置的实际气象条件带来误差。第三, BP神经网络预测训练次数和神经元个数有着很大的关系, 模型训练数据和训练次数仍需要进一步深入锻炼。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Clarence T, Nagamoto, Farn P, al et, 1990.美国科罗拉多州云水、 雨水和气溶胶样品的化学分析[J].气象科技, (3): 50-53.

Duo B, Cui L, Wang Z, al et, 2018.Observations of atmospheric pollutants at Lhasa during 2014-2015: Pollution status and the influence of meteorological factors [J].Journal of Environmental Sciences, (63): 28-42.

Ning G, Wang S, Ma M, al et, 2018.Characteristics of air pollution in different zones of Sichuan Basin, China[J].Science of the Total Environment, 612: 975-984.

Wang X, Dickinson R, Su L, al et, 2018.PM2.5 Pollution in CHINA and how it has been exacerbated by terrain and meteorological conditions[J].American Meteorological Society, 99(1): 105-120.

Wu D, Wu X J, Li F, al et, 2013.Long-Term variations of fog and mist in mainland China during 1951 -2005[J].Journal of Tropical Meteorology, 19(2): 181-187.

Zhang Y, Wang S, Fan X, al et, 2019.A temperature indicator for heavy air pollution risks (TIP)[J].Science of the Total Environment, 678: 712-720.

安俊琳, 王跃思, 李昕, 等, 2007.北京大气中NO、 NO2和O3浓度变化的相关性分析[J].环境科学, 28(4): 4706-4711.

安兴琴, 左洪超, 吕世华, 等, 2005.Models-3空气质量模式对兰州市污染物输送的模拟[J].高原气象, 24(5): 748-756.

陈雷华, 余晔, 陈晋北, 等, 2010.2001 -2007年兰州市主要大气污染物污染特征分析[J].高原气象, 29(6): 1627-1633.

陈素梅, 2018.北京市雾霾污染健康损失评估: 历史变化与现状[J].城市与环境研究, (2): 84-96.

程兴宏, 徐祥德, 丁国安, 等, 2010.不同大气污染物监测密度对CMAQ源同化修正效果影响的模拟[J].高原气象, 29(1): 222-229.

高秀清, 2017.太原市工业能源消费与大气污染的相关性分析[J].山西能源学院学报, 30(2): 112-114.

郭伟, 程艳, 樊巍, 等, 2014.西安市大气污染物浓度及影响因素分析[J].地球环境学报, 5(4): 235-242.

郝巨飞, 袁雷武, 李芷霞, 等, 2018.激光雷达和微波辐射计对邢台市一次沙尘天气的探测分析[J].高原气象, 37(4): 1110-1119.DOI: 10.7522/j.issn.1000-0534.2018.00009.

何建军, 余晔, 刘娜, 等, 2016.气象条件和污染物排放对兰州市冬季空气质量的影响[J].高原气象, 35(6): 1577-1583.DOI: 10.7522 /j.issn.1000-0534.2015.00087.

侯雪伟, 朱彬, 康汉青, 等, 2013.MOZART-4大气化学模式模拟东亚季风对对流层污染物的影响: 模式验证[J].高原气象, 32(2): 2387-2401.DOI: 10.7522/j.issn.1000-0534.2012.00038.

胡晓, 徐璐, 俞科爱, 等, 2017.宁波地区一次重污染天气过程的成因分析[J].高原气象, 36(5): 1412-1421.DOI: 10.7522 /j.issn.1000-0534.2016.00098．

华雯丽, 韩颖, 乔瀚洋, 等, 2018.敦煌沙尘气溶胶质量浓度垂直特征个例分析[J].高原气象, 37(5): 1428-1439.DOI: 10.7522 /j.issn.1000-0534.2018.00017.

金维明, 2009.主要气象因素对可吸入颗粒物浓度影响规律探讨[J].中国环境监测, 25(4): 71-75.

李苹, 余晔, 赵素平, 等, 2019.2015 -2017年中国近地面O 3污染状况与影响因素分析[J].高原气象, 38(6): 1344-1353.DOI: 10.7522 /j.issn.1000-0534.2019.0006.

李霞, 任宜勇, 吴彦, 等, 2007.乌鲁木齐污染物浓度和大气气溶胶光学厚度的关系[J].高原气象, 26(3): 541-546.

欧阳钧, 王爱枝, 2009.基于Matlab的BP神经网络在大气污染物浓度预测中的应用[J].环境科学与管理, 34(11): 176-180.

彭晓武, 相红, 陈惠明, 等, 2010.广州市部分气象因素与大气中SO2等污染物浓度的关系[J].环境与健康杂志, 27(12): 1095-1097.

邱继勇, 黄倩, 田文寿, 等, 2019.中国污染物向北极地区传输的数值模拟研究[J].高原气象, 38(4): 887-900.DOI: 10.7522 /j.issn.1000－0534.2018.00088.

任阵海, 苏福庆, 高庆先, 等, 2005.边界层内大气排放物形成重污染背景解析[J].大气科学, 29(1): 57-63, 169.

邵天杰, 赵景波, 马莉, 2008.西安空气污染物时空变化特征分析[J].干旱区环境与源, 22(7): 77-83.

宋新山, 邓伟, 张琳, 2008.MATLAB在环境科学中的应用[M].北京: 化学工业出版社.

苏高利, 邓芳萍, 2003.论基于MATLAB语言的BP神经网络的改进算法[J].科技通报, 19(2): 130-135.

谭学瑞, 邓聚龙, 1995.灰色关联分析: 多因素统计分析新方法[J].统计研究, 65(3): 46-48.

王静, 邱粲, 刘焕彬, 等, 2013.山东重点城市空气质量及其与气象要素的关系[J].生态环境学报, 22(4): 644-649.

王淑兰, 张远航, 钟流举, 等, 2005.珠江三角洲城市间空气污染的相互影响[J].中国环境科学, 25(2): 133-137.

吴兑, 2008.一种新的灾害性天气——灰霾[J].环境, (7): 38-39.

吴兑, 2011.灰霾天气的形成与演化[J].环境科学与技术, 34(3): 157-161.

吴兑, 2012.近十年中国灰霾天气研究综述[J].环境科学学报, 32(2): 257-269.

吴兑, 毕雪岩, 邓雪娇, 等, 2006.珠江三角洲气溶胶云造成的严重灰霾天气[J].自然灾害学报, 15(6): 77-83.

吴兑, 陈位超, 常业谛, 等, 1994.华南地区大气气溶胶质量谱与水溶性成分谱分布的初步研究[J].热带气象学报, 10(1): 85-96.

吴兑, 廖碧婷, 吴蒙, 等, 2014.环首都圈霾和雾的长期变化特征与典型个例的近地层输送条件[J].环境科学学报, 34(1): 1-11.

吴建生, 金龙, 汪灵枝, 2006.遗传算法进化设计BP神经网络气象预报建模研究[J].热带气象学报, 22(4): 411-416.

吴建生, 刘丽萍, 金龙, 2008.粒子群-神经网络集成学习算法气象预报建模研究[J].热带气象学报, 24(6): 679-686.

夏田, 徐建华, 2018.公众对城市大气污染的健康防护行为研究[J].北京大学学报(自然科学版), 54(4): 801-806.

杨德保, 王式功, 黄建国, 1994.兰州市区大气污染与气象条件的关系[J].兰州大学学报, 30(1): 132-136.

袁博, 肖苏林, 蒋大和, 2009.我国城市群空气污染及其季节变化特点[J].环境科技, 22(增刊1): 102-106.

湛社霞, 匡耀求, 阮柱, 2018.基于灰色关联度的粤港澳大湾区空气质量影响因素分析[J].清华大学学报(自然科学版), 58 (8): 761-767.

张经纬, 冯利红, 侯常春, 等, 2019.天津市大气污染对儿童呼吸系统疾病影响的病例交叉研究[J].中华疾病控制杂志, 23(5): 545-549.

张珺, 王式功, 杜亮亮, 等, 2019.基于BP神经网络的河北中南部空气质量预报研究[J].江西农业学报, 31(5): 96-102

张荣艳, 唐风军, 2017.我国环境污染与居民恶性肿瘤发病及死亡的灰色关联度分析[J].数学的实践与认识, 47(6): 127-135.

中华人民共和国环保部和国家质量监督检验检疫总局, 2012.北京.环境空气质量标准[S].GB3095-2012.

Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn