CN106682381A - 一种面向环境空气质量的动态数据模拟预报方法 - Google Patents

Abstract

本发明涉及一种面向环境空气质量逐步回归的动态数据模拟预报方法，包括以下步骤：建立气象数据模板，包括四季以及每个季节对应的气象因子；建立污染物数据模板，包括多种大气污染物；建立每个空气质量检测站每个大气污染物对应的逐步回归方程；将实际的气象因子代入逐步回归方程得到大气污染物预报数值。本发明在实际空气质量预报中，可能会出现不同年份，同一季节，气象条件和污染物浓度情况类似的现象，在这样情况下预报人员可以利用模型选定类似情况年份数据资料，建立方程，这样可以提高方程实际利用价值，给日常的环境空气质量预报工作提供科学支持。

Description

一种面向环境空气质量的动态数据模拟预报方法

技术领域

本发明涉及环境空气质量预报领域，具体的说是一种面向环境空气质量的动态数据模拟预报方法。

背景技术

空气，人类每天都呼吸着的“生命气体”，它分层覆盖在地球表面。空气质量的好坏，对人类的生活健康有着非常重要的影响，因此建立一个更准确、更具体、更科学的空气质量预报模型，对空气质量预报的研究具有重要的现实意义。

近年来，随着全球环境气候的日益严峻,以及空气质量污染的情况频发，世界各国不断加大对环境保护的力度，面对如此形式，迫切需要通过环境信息化手段和空气质量预报能力的提高来为政府相关部门在保护环境、规划社会发展等方面提供决策所需要的信息支持。

在已有的空气质量预报过程中，都是通过现有掌握的实时气象资料和凭借预报人员的工作经验人为的进行空气质量预报，但是这种预报方式没有考虑当前的污染物浓度实际情况和人为的影响因素，不能满足现在社会对空气质量预报的准确性、实时性、客观性的要求，因此建立一种面向环境空气质量的动态数据模拟预报方法是当今社会可持续发展的现实需求。

发明内容

针对上述技术不足，为了更好的支持空气质量预报工作，本发明提供一种面向环境空气质量的动态数据模拟预报方法，可以将每个季节对空气中污染物扩散有影响的气象因子和实时空气污染物的实际情况考虑进来，动态生成每个区域监测点位的预报数值，对实际的空气质量预报工作提供科学支持。

本发明解决其技术问题所采用的技术方案是：一种面向环境空气质量逐步回归的动态数据模拟预报方法，包括以下步骤：

步骤1)建立气象数据模板，包括四季以及每个季节对应的气象因子；

步骤2)建立污染物数据模板，包括多种大气污染物；

步骤3)根据气象数据模板和污染物数据模板建立每个空气质量检测站每个大气污染物对应的逐步回归方程；

步骤4)将实际的气象因子代入逐步回归方程得到大气污染物预报数值。

所述气象因子包括：前一日污染物浓度，当日天气形势，当日主导风向，当日平均风速，24小时风速变量，当日最低气温，最低气温24小时变量，当日最高气温，当日最高气温24小时变量，当日最高最低气温平均值，最高最低气温平均值24小时变量，850百帕08时温度，850百帕08时温度24小时变量，850百帕08时逆温，850百帕平均风速，当日降水量，湿度，8时湿度，08时变压，925mb08时温度，925mb08时温度24小时变量，925mb08时逆温，850mb温度场，850mb08时温度48小时变量，850mb08时变温趋势值，夜间云量，850mb平均风速，湿度，8时湿度。

所述大气污染物包括：二氧化氮、二氧化硫、一氧化碳、臭氧一小时、可吸入颗粒物、细颗粒物。

所述根据气象数据模板和污染物数据模板建立每个空气质量检测站每个大气污染物对应的逐步回归方程包括以下步骤：

将气象因子和大气污染物通过逐步回归法得到回归均方与剩余均方之比F；将最接近设定值Fa的F值所对应的气象因子作为逐步回归方程的变量，得到逐步回归方程。

当气象因子个数大于阈值范围上限时，提高F值且保证污染物的预报曲线与实测曲线的拟合率大于设定值，直到气象因子个数在阈值范围内为止；

当气象因子个数小于阈值范围下限时，减小F值且保证污染物的预报曲线与实测曲线的拟合率大于设定值，直到气象因子个数在阈值范围内为止。

所述逐步回归方程为：

Y＝B0+B1 X1+B2 X2+… …+Bn Xn

其中，Y为污染物预报浓度，B0为常数项，B1、B2…Bn为选入因子系数；X1、X2…Xn为逐步回归方程的变量。

本发明具有以下有益效果及优点：

1.可细化。通过将每天实际的气象因子代入到用各个区域站点逐步回归方程中，计算出来的预报结果可详细到每个区域每个站点，对分析和预防区域环境空气质量的实际情况提供科学支持。

2.可重复。不受时间、人为因素影响，根据预报数值与实际数值对比的拟合率对比，给定不同的F值，重复进行多次筛选气象因子，最终确定最佳的逐步回归方程。

3.可更新。该方法可以根据实际环境空气质量预报工作实际需求，重新建立逐步回归方程。这样可以将更新的气象因子和污染物最新浓度数据，应用到逐步回归方程的建立中，提高预报的准确率。

4.可设定。在实际空气质量预报中，可能会出现不同年份，同一季节，气象条件和污染物浓度情况类似的现象，在这样情况下预报人员可以利用模型选定类似情况年份数据资料，建立方程，这样可以提高方程实际利用价值，给日常的环境空气质量预报工作提供科学支持。

附图说明

图1为预报模型算法流程图。

图2为导入气象因子模板示意图。

图3为导入污染物数据模板示意图。

图4为预报模型拟合曲线图。

图5为预报模型验证曲线图。

具体实施方式

下面结合实施例对本发明做进一步的详细说明。

本发明涉及一种面向环境空气质量的动态数据模拟预报方法。该方法主要是按其对因变量Y作用显著程度的大小，由大到小逐个引进回归方程，那些对因变量Y作用不显著的变量自始至终都不能被引入回归方程，而已被引进回归方程的变量，在引进新变量后，常有可能会由显著变为不显著，这样要从回归方程中剔除，以保证在众多预报因子中挑选出最佳的组合因子，建立最优预报方程。然后，依据每天实际气象条件和实际的污染物浓度情况，输入方程计算出第二天的空气质量预报值。

本发明所采用的技术方案包括以下步骤：

步骤1：准备样本数据资料。按照季节、时段、污染物为类别进行样本数据准备，每个季节的时间跨度为三个月，春季为3至5月、夏季为6至8月、秋季为9至11月、冬季为12至2月，常规的预报六种污染物为：二氧化氮(NO2)、二氧化硫(SO2)、一氧化碳(CO)、臭氧一小时(O3)、可吸入颗粒物(PM10)、细颗粒物(PM2.5)。

步骤2：建立逐步回归方方程。以逐步回归算法为基础，建立逐步回归预报模型，用已经准备好的样本数据对每个季节对应气象因子进行筛选，将对因变量Y显著程度大的气象因子引如方程中。最终建立以季节、区域站点、每个污染物为单元的逐步回归方程。

步骤3：对建立的逐步回归方程进行实际检验。通过将已有的气象因子实际数据代入到已建立好的逐步回归方程中进行计算，将计算的预报结果和实际监测的污染物数据进行对比，对预报准确率不高的方程重新调整F值大小，筛选气象因子建立逐步回归方程。

本发明的具体步骤如下：

步骤1：建立气象数据模板。回归方程中引进的变量是影响空气中污染物移动和扩散的气象因子，而且每个季节对空气质量影响的气象因子都是不同的，这就需要在准备样本数据时，根据每个季节的气象条件特点，建立气象数据模板。

气象因子包括：1.前一日污染物浓度(μg/m3)2.当日天气形势3.当日主导风向4.当日平均风速(m/s)5.24小时风速变量(m/s)6.当日最低气温(℃)7.最低气温24小时变量(℃)8.当日最高气温(℃)9.当日最高气温24小时变量(℃)10.当日最高最低气温平均值(℃)11.最高最低气温平均值24小时变量(℃)12.850百帕08时温度(℃)13.850百帕08时温度24小时变量(℃)14.850百帕08时逆温(℃)15.850百帕平均风速(m/s)16.当日降水量(mm)17.湿度(％)18.8时湿度(％)19.08时变压(hPa)20.925mb08时温度(℃)21.925mb08时温度24小时变量(℃)22.925mb08时逆温(℃)23.850mb温度场24.850mb08时温度48小时变量(℃)25.850mb08时变温趋势值26.夜间云量27.850mb平均风速(m/s)28.湿度(℃)29.8时湿度(℃)。

大气污染物包括：二氧化氮(NO2)、二氧化硫(SO2)、一氧化碳(CO)、臭氧一小时(O3)、可吸入颗粒物(PM10)、细颗粒物(PM2.5)。

步骤2：建立污染物数据模板。回归方程是以每个环境监测站点每个污染物进行建立的，因为每个季节在空气中占污染程度最大的污染物都是不同，并且同一季节不同站点的污染物在空气中的浓度也有差别，这就需要在准备样本数据时，根据每个站点每个污染物对应季节的实际监测浓度值，建立污染物数据模板。

步骤3：确定方程气象因子。在建立方程的过程中，同一站点不同污染物的相关气象因子是不同的，为了在建立方程后，对方程的使用方便，在符合空气质量扩散的客观条件下，把每个站点不同污染物方程所包含的集中气象因子，作为该站点每个污染物方程的气象因子。

步骤4：根据步骤3中建立的逐步回归方程，进行相应计算与实际值监测值进行对比分析。

预报量Y与预报因子X建立的最优回归方程为：Y＝B0+B1 X1+B2X2+… …+Bn Xn，式中：Y为污染物预报浓度，B0为常数项，B1、B2 … …Bn为选入因子系数，X1、X2 … … Xn为选入预报因子。其中，X1--前一日污染物浓度(μg/m3)；X2--当日天气形势；X3--当日主导风向；X4--当日平均风速(m/s)；X5--24小时风速变量(m/s)；X6--当日最低气温(℃)；X7--最低气温24小时变量(℃)；X8--当日最高气温(℃)；X9--当日最高气温24小时变量(℃)；X10--当日最高最低气温平均值(℃)；X11--最高最低气温平均值24小时变量(℃)；X12—850百帕08时温度(℃)；X13--850百帕08时温度24小时变量(℃)；X14--850百帕08时逆温(℃)；X15--850百帕平均风速(m/s)；X16--当日降水量(mm)；X17--湿度(％)；X18--8时湿度(％)；X19--08时变压(hPa)。在上述气象因子的基础上，夏季秋季还增加了925mb08时温度、925mb08时逆温。

(1)在建立方程每一步过程中，在已引入回归方程中选一个对Y作用最小的，即偏回归平方和最小的变量，在预先给定的Fa值下进行显著性检验，决定是否从方程中剔出。(2)在剔出所有不显著变量后，对于不在方程中的变量，则挑选那个加入回归方程后能使回归平方和增加最大量的变量，同样，在预先给定的F_a值下进行显著性检验，如果显著则引入回归方程，以此继续下去，直到回归方程中没有变量剔出，也没有新的变量被引入方程时，全部过程结束。总之，逐步回归的实施过程是求解正规方程和其系数逆矩阵及对每个过渡方程进行方程分析并作F检验过程。

首先讨论因变量Y的变化规律。每次观测值Y与所有观测值的均值之差的平方和称为总离差平方和(l_yy)。总离差平方和可分解成二部分，一个是由于X的变化引起的Y变化的部分称为回归平方和即二是由于误差或其它偶然因素引起的Y变化的部分称为剩余平方和即各平方和有相应的自由度。总离差平方和自由度(f_yy)为样本数-1即f_yy＝n-1；回归平方和自由度(f_u)为方程中的自变量数(k)，k为自变量数。平方和除以相应的自由度称为均方。回归均方(U/k)与剩余均方(Q/n-1-k)之比为F值，k为自变量数。

回归方程中的B0，B1、B2 … … Bn通过逐步回归方法得到，即在筛选方程变量时，每个变量对应的系数自动生成。

当回归方程的F值大于Fa时，回归效果显著，说明X与Y之间的关系达到显著水平，方程可用；如果F值小于Fa时，回归效果不好，回归方程不成立。

为了使用该算法的人员应用方便，结合实际最终每个季节所对应的逐步回归方程中包含的气象因子是相同的。

以冬季为例，本发明实施步骤如下：

如图1所示，预报模型算法。将冬季节的气象数据和污染物浓度数据导入到模型中，按冬季节时间段进行筛选气象因子，建立回归方程。给定Fa利用逐步回归算法筛选气象因子。如果气象因子较多，这时可以结合拟合率，增大给定值Fa，筛选减少气象因子。如果气象因子较少，这时可以结合拟合率，减小给定值Fa，增加气象因子。最终，确定最优逐步回归方程。

如图2所示,导入气象数据模板。

如图3所示,导入污染物浓度数据模板。

如图4所示,用建模所用的2013年1-2月数据对模型进行合,PM10、CO两项指标70％以上的预测值在实测值±30％范围内，PM2.5、SO2、NO2、O3四项指标65％以上的预测值在实测值±30％范围内。

如图5所示，采用2013年11、12月和2014年1月空气质量和气象实测数据对模型进行验证,PM10、O3两项指标50％以上的预测值在实测值±30％范围内，其他几项指标40％左右的预测值在实测值±30％范围内。

Claims (6)

1.一种面向环境空气质量逐步回归的动态数据模拟预报方法，其特征在于包括以下步骤：

步骤1)建立气象数据模板，包括四季以及每个季节对应的气象因子；

步骤2)建立污染物数据模板，包括多种大气污染物；

步骤3)根据气象数据模板和污染物数据模板建立每个空气质量检测站每个大气污染物对应的逐步回归方程；

步骤4)将实际的气象因子代入逐步回归方程得到大气污染物预报数值。

2.根据权利要求1所述的一种面向环境空气质量逐步回归的动态数据模拟预报方法，其特征在于所述气象因子包括：前一日污染物浓度，当日天气形势，当日主导风向，当日平均风速，24小时风速变量，当日最低气温，最低气温24小时变量，当日最高气温，当日最高气温24小时变量，当日最高最低气温平均值，最高最低气温平均值24小时变量，850百帕08时温度，850百帕08时温度24小时变量，850百帕08时逆温，850百帕平均风速，当日降水量，湿度，8时湿度，08时变压，925mb08时温度，925mb08时温度24小时变量，925mb08时逆温，850mb温度场，850mb08时温度48小时变量，850mb08时变温趋势值，夜间云量，850mb平均风速，湿度，8时湿度。

3.根据权利要求1所述的一种面向环境空气质量逐步回归的动态数据模拟预报方法，其特征在于所述大气污染物包括：二氧化氮、二氧化硫、一氧化碳、臭氧一小时、可吸入颗粒物、细颗粒物。

4.根据权利要求1所述的一种面向环境空气质量逐步回归的动态数据模拟预报方法，其特征在于所述根据气象数据模板和污染物数据模板建立每个空气质量检测站每个大气污染物对应的逐步回归方程包括以下步骤：

将气象因子和大气污染物通过逐步回归法得到回归均方与剩余均方之比F；将最接近设定值Fa的F值所对应的气象因子作为逐步回归方程的变量，得到逐步回归方程。

5.根据权利要求4所述的一种面向环境空气质量逐步回归的动态数据模拟预报方法，其特征在于：

当气象因子个数大于阈值范围上限时，提高F值且保证污染物的预报曲线与实测曲线的拟合率大于设定值，直到气象因子个数在阈值范围内为止；

当气象因子个数小于阈值范围下限时，减小F值且保证污染物的预报曲线与实测曲线的拟合率大于设定值，直到气象因子个数在阈值范围内为止。

6.根据权利要求1所述的一种面向环境空气质量逐步回归的动态数据模拟预报方法，其特征在于所述逐步回归方程为：

Y＝B0+B1 X1+B2 X2+……+Bn Xn

其中，Y为污染物预报浓度，B0为常数项，B1、B2…Bn为选入因子系数；X1、X2…Xn为逐步回归方程的变量。