CN106019409A

CN106019409A - 一种臭氧浓度的分区预测方法及系统

Info

Publication number: CN106019409A
Application number: CN201610308915.8A
Authority: CN
Inventors: 程念亮; 张大伟; 孙峰; 李云婷; 陈晨; 王步英
Original assignee: Beijing Municipal Environmental Monitoring Center
Current assignee: Beijing Municipal Environmental Monitoring Center
Priority date: 2016-05-11
Filing date: 2016-05-11
Publication date: 2016-10-12
Anticipated expiration: 2036-05-11
Also published as: CN106019409B

Abstract

一种臭氧浓度的预测方法，包括：收集、获取待预报区域的历史气象数据；选取若干气象参数作为影响因子；通过多参数拟合的方式，以选取的若干气象参数作为因子建立臭氧浓度的预测方程，将所述气象参数的预测值和/或实测值代入所述预测方程中，通过求取方程来对要预测的那一天的O₃ 8h值进行预测。本发明方法简单且易于操作，分区域不限于北京，可面向全国推广；建立的分区预报系统中，有天气图下载辅助分析等功能，同时结合数值预报模拟结果，专家进一步判断订正形成综合预报，为管理部门提供决策信息。

Description

一种臭氧浓度的分区预测方法及系统

技术领域

本发明涉及天气预报领域，更具体地涉及一种臭氧浓度的分区预测方法及系统。

背景技术

北京市大气环境中的O₃污染问题受到国务院、北京市政府以及社会大众的广泛关注。2012年2月，国务院常务会议专题审议并通过了《北京市2012-2020年大气污染治理措施》，要求至2020年，北京市臭氧超标小时数比2010年减少30％，全年控制在200h左右；O₃浓度水平是大气氧化状态的一个重要表征，大气O₃的控制具有O₃和PM_2.5改善的双重环境效果。理论上控制NO_x和VOCs等的排放量可以大大降低O₃的浓度，但实际上O₃的生成与前体物浓度之间并不是简单的线性关系，且不同方式贡献的O₃，其生成机制不同。且由于臭氧浓度在北京市不同地区分布差异较大，一般来说中心城区站点浓度明显低于生态植被优良的北部、西部地区，受污染源、气象条件及区域传输影响，臭氧在北京市不同地区浓度分布差异特征显著。为降低北京市臭氧的浓度，区域环保部门投入大量精力治理臭氧及其前体物，收效甚微且近年来臭氧浓度有显著上升的趋势。

新空气质量标准实施后，北京市O₃浓度高低直接影响到北京市整体空气质量的排名且2016年北京市重污染天气预警拟分区响应。北京夏季臭氧污染较重，短时间内将达到重污染水平，臭氧污染预报将充分考虑空气重污染的南北差异，增加分区响应原则。作为大气中的重要的二次污染物，如何准确预报北京市O₃浓度水平及变化趋势，难度较大，风险较高，且由于建设监测点需要大量的投入，如何准确进行分区预报显得更为重要。

发明内容

有鉴于此，本发明的主要目的在于提供一种臭氧浓度的分区预测方法及系统，以解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一个方面，本发明提供了一种臭氧浓度的预测方法，包括以下步骤：

步骤S1：收集、获取待预报区域的历史气象数据；

步骤S2：选取若干气象参数作为影响因子；

步骤S3：通过拟合的方式，以选取的若干气象参数作为因子建立臭氧浓度的预测方程，将所述气象参数的预测值和/或实测值代入所述预测方程中，通过求取方程来对所述待预报区域的要预测的那一天的O₃8h值进行预测。

其中，在步骤S2中选取的若干影响因子为昨日O₃ 8h值、预测的PM_2.5日均浓度、NO₂日均浓度、预测的日平均气压、日平均风速和日平均气温。

其中，在步骤S3中拟合的预报方程为：

c = a_{0} + Σ_{i = 1}^{6} a_{i} \cdot x_{i};

其中，c为要预测的那一天的O₃ 8h预测值，x₁，x₂，……，x₆分别表示要预测那一天的NO₂平均浓度(μg/m³)、平均气温(mm)、平均气压(hPa)、平均风速(m/s)、PM_2.5平均浓度(μg/m³)的预测值的预测值，以及要预测那一天的昨日O₃ 8h(μg/m³)的预测值或实测值，a₀，a₁，……，a₆是回归系数。

其中，所述要预测的那一天包括今天、明天和后天，分别对应未来24小时、48小时和72小时内的预报。

其中，要预测那一天的平均气压、平均风速、平均气温的预测值选自WRF模式的模拟预报结果，WRF模式初始及边界资料为NCAR和NCEP的再分析逐日资料GFS，分辨率为1°×1°，时间分辨率是6h(00:00、06:00、12:00、18:00)；地形和下垫面输入资料分别来自USGS 30s全球地形和MODIS下垫面分类资料。

其中，对于x₆，当预测24小时内的臭氧浓度时，选用昨日O₃ 8h值的实测值；当预测48小时或72小时内的臭氧浓度时，选用相对于48小时或72小时的前一天的O₃ 8h预测值。

其中，预测那一天的NO₂平均浓度(μg/m³)、PM_2.5平均浓度(μg/m³)可以通过空气质量数值模式得出，也可以通过多元回归方程式拟合出。

其中，所述待预报区域为一个大的预测区域中的局部，从而能够通过对所述大的预测区域中的不同局部进行如权利要求1至6任意一项所述的臭氧浓度的预测方法进行预测，来实现所述大的预测区域的分区预测。

作为本发明的另一个方面，本发明还提供了一种臭氧浓度的预报系统，所述预报系统执行如上所述的臭氧浓度的预测方法，来对未来某一时间的O₃ 8h值进行预测。

其中，所述预报系统是基于matlab软件来执行所述臭氧浓度预测方法的。

其中，所述预报系统对预测结果的发布还通过专家来进一步判断订正，形成综合预报信息；所述预报系统能够将预测数据打印输出。

基于上述技术方案可知，本发明的预测方法和系统具有以下有益效果：(1)将因子逐个引入，引入因子的条件是该因子的方差贡献是显著的；同时，在引入第3个因子后若要再引入新因子则在每引入一个新因子前，要先对进入方程的因子逐个检验，将方差贡献不显著的因子剔除，保证最后方程中所有因子都是显著的；作为预报员，这方面的工作主要基于臭氧浓度与各因子的相关性大小(下文有说明)，在空气质量预报预警业务工作中经过多年的实践经验积累及认识加以筛选和修正；(2)由于采用动态建立回归方程的方法，一段时间内预报方程和不同预报要素的预报方程均不同，回归方程数量可更新；(3)方法简单且易于操作，与一般的预报模式相比，该模型在对数据、预报精度等的要求上仍具有一定的优势；(4)建立的分区预报系统中，有天气图下载辅助分析等功能，同时结合数值预报模拟结果，专家进一步判断订正形成综合预报，为管理部门提供决策信息；(5)本方法分区域不限于北京，可面向全国推广。

附图说明

图1为北京市的臭氧观测站点分布和分类图；

图2为2014年北京市城六区O₃ 8h预报结果与实测值对比图；

图3为本发明的北京市O₃ 8h分区动态统计模型的界面；

图4为本发明的北京市O₃ 8h分区分区预报结果的展示报出图；

图5为采用颜色标示空气质量级别时的AQI分区预报表格。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明公开了一种臭氧浓度的分区预测方法和系统，为了更清楚地阐述该技术方案，下面以北京市2013-2014年度的预测数据为例进行说明。需要强调的是，本发明的方法和系统并不限于北京市的臭氧分区预测，也同样适应任何其他地区的臭氧分区预测。

采用北京市环境保护监测中心发布的城六区(东城、西城、朝阳、海淀、丰台、石景山)；西北部(昌平、延庆)；东北部(怀柔、密云、平谷、顺义)；东南部(通州、大兴、亦庄)；西南部(房山、门头沟)相关监测站点O₃ 8h浓度日均值作为不同方位的污染物浓度，监测站点分类及位置见图1。分区预报共涉及5个分区，每个区域选择污染物监测点位1～5个，由于受气象监测数据监测及收集的制约，研究气象监测点位只有一个。

历史的气象资料为北京市观象台的地面和探空观测数据，受多种因素的制约没有搜集到各分区污染物监测站点对应的气象数据。预报选用的气象资料为WRF模式的模拟预报结果，WRF是美国国家大气研究中心(NCAR)、美国国家大气海洋总署、国家环境预报中心(NOAA)等多个机构共同发展的新一代中尺度数值模式。WRF模式初始及边界资料为NCAR和NCEP的再分析逐日资料GFS，分辨率为1°×1°，时间分辨率是6h(00:00、06:00、12:00、18:00)；地形和下垫面输入资料分别来自USGS30s全球地形和MODIS下垫面分类资料。可预测未来72h水平及气象要素变化。

预测的NO₂平均浓度(μg/m³)和PM_2.5平均浓度(μg/m³)可以基于多元线性回归方程获得，也可以根据现有的空气质量数值模式模拟预报结果。以数值预报模拟结果为例，空气质量数值模式在模拟一次污染物如SO₂、NO₂等方面模拟结果较好，但对O₃等二次污染物模拟结果较差，本发明的预报方法结合数值模式与统计模式的优点，对O₃浓度开展分区预报。

本发明的预报方法

采用2013～14年的数据分析北京市O₃ 8h的污染水平、时间分布、空间分布特征。在分析O₃ 8h污染现状的基础上，采用动态统计模型进行预测预报，动态统计模型假设污染水平主要受气象条件控制，污染源变化很小；选取稳定性好、代表性强、与污染相关性好的气象因子，同时对类似的气象因子进行组合以减少因子的个数，使用线性拟合工具对北京市O₃8h建立多元回归方程来进行预报。

臭氧一方面受前体物浓度影响，一方面取决于气象条件。统计模式预报因子主要包括污染持续因子和气象条件因子两大类，其中污染持续因子主要为昨日O₃ 8h浓度及臭氧前体物浓度。由于缺乏VOCs监测数据，预测臭氧浓度的前体物VOCs以PM_2.5代替，最终的污染持续因子选择为NO₂和PM_2.5。气象因子包括主要为风速、温度、相对湿度等。统计的北京观象台相对湿度、温度、风速、气压与不同区域污染物监测点O₃8h浓度的相关性表明北京市O₃ 8h与相对湿度呈负相关关系，相关系数(R)为-0.27，相对湿度对O₃ 8h的影响较小；相对湿度反映了大气中水汽的含量，研究表明湿度越高，特别是在高湿或降雨条件影响下，O₃ 8h浓度会明显下降。温度与O₃ 8h呈正相关关系，且O₃峰值与气温峰值出现时间基本吻合；温度一方面有着年变化、月变化、日变化特征，另一方面反映了臭氧光化学反应速率的大小。风速与O₃ 8h呈正相关关系，风速反映了大气边界层湍流的强弱，一方面直接引起周边地区臭氧向北京直接输入，另一方面以输入前体物的方式贡献臭氧；超标日O₃ 8h浓度上升趋势更明显，风速每增大1.0m·s^-1，O₃ 8h浓度上升11.63μg·m^-3。且O₃ 8h浓度在不同风速范围间的变化较大，当地面风速在1.1～2.0m·s^-1范围内时，O₃ 8h浓度是200.5μg·m^-3，当地面风速在2.1～3.0m·s^-1范围内时，O₃ 8h浓度是212.6μg·m^-3。由于高浓度臭氧发生在较为稳定的天气状况下，地面多为偏南风且平均风速低于2.0m·s^-1，风速越大，区域高浓度臭氧及其前体物易向北京输送，导致北京臭氧浓度上升；且风速较大还有利于降低NO对臭氧滴定与消耗。另外较高的风速抬高了大气边界层高度，引起的上层臭氧向下输送也起着一定的作用。

气压越低，O₃ 8h浓度水平越高，气压越高，O₃ 8h浓度水平越低。气压代表着天气系统的移动及演变，直接影响各气象要素的变化，研究表明北京臭氧污染多发生在低气压系统或弱气压场天气系统控制，高温、低湿、低风速有助于出现臭氧高浓度值。

经筛选本发明选取的预报因子有昨日O₃ 8h(μg/m³)、PM_2.5日均浓度(μg/m³)、NO₂日均浓度(μg/m³)、日平均气压(hPa)、日平均风速(m/s)、日平均气温(℃)。基本上能反映O₃前体物、大气扩散能力、天气状况等。昨日O₃8h(μg/m³)作为预报的浓度基点，不同分区污染物浓度为不同分区各站点的日均浓度平均值，不同分区历史气象要素值均为观象台观测结果，预测值为该区WRF模式的预报结果。

使用线性拟合工具对北京市不同地区建立多元回归方程，浓度表达式为：

c = a_{0} + Σ_{i = 1}^{6} a_{i} \cdot x_{i} - - - (4)

其中x₁，x₂，……，x₆分别表示要预测那一天的NO₂平均浓度(μg/m³)、平均气温(mm)、平均气压(hPa)、平均风速(m/s)、PM_2.5平均浓度(μg/m³)的预测值，以及要预测那一天的前一天的O₃8h(μg/m³)的预测值或实测值，a₀，a₁，……，a₆是回归系数。

其中，要预测那一天的NO₂平均浓度(μg/m³)和PM_2.5平均浓度(μg/m³)的预测值可以通过现有的预报方法(多元回归方程式或者空气质量数值模式)来获得。

其中，对于要预测那一天的昨日O₃ 8h(μg/m³)的值x₆，当预测24小时内的臭氧浓度时，选用昨日O₃ 8h值的实测值；当预测48小时或72小时内的臭氧浓度时，选用相对于48小时或72小时的昨日O₃ 8h预测值，即多次使用该多元回归方程来预测前一天的O₃ 8h值。

根据北京市不同地区O₃ 8h 2013～14年全年的日均浓度与气象因子数据，建立了多元回归表达式(表1)。

表1北京市分区O₃ 8h日均浓度表达式

随着时间的增长，新的监测数据不断入库，将新加入的污染物与气象观测数据按一定周期进行更新并建立新的统计关系。针对2013～2014年建立的统计方程将其中的气象因子替换为WRF模式24h预报输出的相应气象因子数据，对北京市城六区O₃ 8h预报效果进行评估，结果见图2。可以看出北京市O₃ 8h预测值均与实测值吻合良好，大部分预测值与模拟值水平接近，相关系数达0.8，模型预测值略低估低估O₃ 8h浓度水平；统计的标准化平均偏差(NMB)为9.82％，标准化平均误差(NME)基本在33.18％以内，O₃ 8h浓度级别准确率在75％以上；预测值与实测值有良好的变化趋势，基本可以较好地反映O₃ 8h的浓度变化。

本发明的预报系统界面集成

本发明的预报系统包括污染物与气象实测数据库、WRF预报数据库和基于MATLAB的用户操作平台。系统采用分层、分布式机构设计，整个系统分为两层：数据存储层和系统运算层。数据存储层主要是存储手动输入的数据与系统输出的结果。手动输入的数据包括昨日细颗粒物实测浓度与预测日期及当天气象因子预测值，系统输出的结果主要是浓度预测值。系统运算层是读取初始输入资料并进行相关运算和展示结果的程序。预报系统整体具有动态的特性，新生的污染样本及气象样本会及时地加入到系统数据集中，并对预报系统进行调整，使模式系统能够反映变化中的污染状况。

与数值预报系统相比，本发明的统计预测系统操作方便，不需要较专业的计算硬件设备，且对运维人员的编程能力要求不高，简单便捷，是地级市及区县开展空气质量预报工作理想的应用工具，也是各地区空气重污染预警技术平台的重要组成部分，只有对各种预报方法进行综合集成并取其优势，才能优化空气质量预报结果，以满足高质量大气重污染预警的要求。

下面以一个优选实施例的方式描述本发明的预报系统。

1空气质量日报数据，可以放到一个文件夹下，如，O38hdata，经过程序处理后，写到数据表单里面格式如下：

日期	城六区	西北部	东北部	西南部	东南部
						20150101	10	20	20	30	30
20150102	20	20	25	25	25
						……

每个地区为该地区几个监测点的逐日O₃ 8h值，和图4中分区所选的点一样。这个模块可以设为两个按钮，如运行、查看保存。查看时自动跳出表单数据。

2气象数据处理

表单里面，格式为：

日期	地面日均风速	地面气压	地面温度
				20150101	1	1020	24
20150102	2	1024	22
				20150103	3	1030	20
……

该模块设为1个按钮，如查看，查看时自动跳出表单数据，可以修改保存该表单。

3分区预报

该模型每天预报未来三天的分区O₃ 8h浓度及对应的指数。

格式样例如下：

预测浓度	城六区	西北部	东北部	西南部	东南部
						20150101	11	22	22	33	33
20150102	22	22	22	30	30
						20150103	33	33	29	33	35
……

当采用颜色标示空气质量级别时，该表格如图5所示。

4结果展示

每天产生未来24h\48h\72h的图片，放到某个文件夹下，例如如图4所示。

5预报比对

预报比对就是统计分析监测数据与预报数据的统计分析。包括24h、48h、72h预报结果的比对分析，以24h预报结果比对为例，格式样例如下：

如果没有数据或数据负值的的话，就是空格，时间字符串是保留的，每天的预报滚动预报写入，也可以逐个读取分区预报模块中的每天的数据文件。该模块设置有两个按钮：一个是处理，一个是查看。

6天气图辅助分析

用于下载待预测区域天气实况和预报图，放到安装后某个文件夹下，下载气象图后，界面上设置有三个按钮：一个是下载，一个是查看，一个是写入。

7系统设置

系统设置里面就是设置权限，设置默认系统账户和密码。可以建立分账户使用该系统。

8打印功能

可以选择性的打印报表文件，里面设置有3个按钮：一个是查看，选择相关文件，另一个是选择打印机，可以连接打印机或输入打印机ip，最后一个是打印。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种臭氧浓度的预测方法，其特征在于，包括以下步骤：

步骤S1：收集、获取待预报区域的历史气象数据；

步骤S2：选取若干气象参数作为影响因子；

步骤S3：通过拟合的方式，以选取的若干气象参数作为因子建立臭氧浓度的预测方程，将所述气象参数的预测值和/或实测值代入所述预测方程中，通过求取方程来对所述待预报区域的要预测的那一天的O₃ 8h值进行预测。

2.如权利要求1所述的臭氧浓度的预测方法，其特征在于，在步骤S2中选取的若干影响因子为昨日O₃ 8h值、PM_2.5日均浓度、NO₂日均浓度、预测的日平均气压、日平均风速和日平均气温。

3.如权利要求1所述的臭氧浓度的预测方法，其特征在于，在步骤S3中拟合的预报方程为：

c = a_{0} + Σ_{i = 1}^{6} a_{i} \cdot x_{i};

其中，c为要预测的那一天的O₃8h预测值，x₁，x₂，……，x₆分别表示要预测那一天的NO₂平均浓度(μg/m³)、平均气温(mm)、平均气压(hPa)、平均风速(m/s)、PM_2.5平均浓度(μg/m³)的预测值，以及要预测那一天的昨日O₃ 8h(μg/m³)的预测值或实测值，a₀，a₁，……，a₆是回归系数。

4.如权利要求3所述的臭氧浓度的预测方法，其特征在于，所述要预测的那一天包括今天、明天和后天，分别对应未来24小时、48小时和72小时内的预报。

5.如权利要求3所述的臭氧浓度的预测方法，其特征在于，要预测那一天的平均气压、平均风速、平均气温的预测值选自WRF模式的模拟预报结果，WRF模式初始及边界资料为NCAR和NCEP的再分析逐日资料GFS，分辨率为1°×1°，时间分辨率是6h(00:00、06:00、12:00、18:00)；地形和下垫面输入资料分别来自USGS 30s全球地形和MODIS下垫面分类资料。

6.如权利要求3所述的臭氧浓度的预测方法，其特征在于，对于要预测那一天的昨日O₃ 8h(μg/m³)的值x₆，当预测24小时内的臭氧浓度时，选用昨日O₃ 8h值的实测值；当预测48小时或72小时内的臭氧浓度时，选用相对于48小时或72小时的昨日O₃ 8h预测值。

7.如权利要求1所述的臭氧浓度的预测方法，其特征在于，所述待预报区域为一个大的预测区域中的局部，从而能够通过对所述大的预测区域中的不同局部进行如权利要求1至6任意一项所述的臭氧浓度的预测方法进行预测，来实现所述大的预测区域的分区预测。

8.一种臭氧浓度的预报系统，其特征在于，所述预报系统执行如权利要求1至7任意一项所述的臭氧浓度的预测方法，来对未来某一时间的O₃8h值进行预测。

9.如权利要求8所述的臭氧浓度的预报系统，其特征在于，所述预报系统是基于matlab软件来执行所述臭氧浓度预测方法的。

10.如权利要求8所述的臭氧浓度的预报系统，其特征在于，所述预报系统对预测结果的发布还通过专家来进一步判断订正，形成综合预报信息；所述预报系统能够将预测数据打印输出。