CN109459801B - 基于大气稳定度的大范围雾霾的预报方法及系统 - Google Patents
基于大气稳定度的大范围雾霾的预报方法及系统 Download PDFInfo
- Publication number
- CN109459801B CN109459801B CN201811210935.7A CN201811210935A CN109459801B CN 109459801 B CN109459801 B CN 109459801B CN 201811210935 A CN201811210935 A CN 201811210935A CN 109459801 B CN109459801 B CN 109459801B
- Authority
- CN
- China
- Prior art keywords
- haze
- stage
- dissipation
- forecast
- weather
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013277 forecasting method Methods 0.000 title claims description 10
- 238000011161 development Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000006641 stabilisation Effects 0.000 claims description 12
- 238000011105 stabilization Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 239000010419 fine particle Substances 0.000 description 6
- 239000004575 stone Substances 0.000 description 5
- 239000003245 coal Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于大气稳定度的大范围雾霾的预报方法及系统，该方法包括：收集预报地的雾霾实况数据、周围天气实况数据、周围天气预测信息、秋末到冬初季节历史PM2.5浓度观测数据和雾霾过程数据以及秋末到冬初季节历史天气条件数据，建立预报地的雾霾事件模型；分析预报地天气实况数据和天气预测信息；与雾霾事件模型进行对比，确定未来天气条件所处于的雾霾阶段：符合雾霾发展趋势、雾霾消散趋势或者与现状相同。本发明可以确定未来天气条件所处于的雾霾发展阶段，该方法思路清晰，准确率高。
Description
技术领域
本发明涉及电网防护技术领域，尤其涉及一种基于大气稳定度的大范围雾霾的预报方法及系统。
背景技术
雾霾是特定气候条件与人类活动相互作用形成的一种灾害性天气现象。高密度人口的经济及社会活动会排放大量的细颗粒物，一旦排放超过大气循环能力和承载能力，细颗粒物浓度将持续集聚，如果受稳定天气等影响，极易出现大范围雾霾，对人们健康、生态环境和交通安全等造成严重影响，雾霾已经成为当前关乎我国国计民生的重要问题之一。针对雾霾问题，减少污染源，削减细颗粒物排放是解决雾霾的根本之道，据统计，造成雾霾的细颗粒物主要来源有燃煤、汽车尾气、工业废气等，其中火力发电厂的燃煤排放对局地雾霾形成有较大影响，如果合理控制火力发电厂停开机，可以有效控制燃煤排放。目前国家电网公司已经建设并投运了多条特高压线路，实现了大量清洁电力从发电中心远距离输送到用电中心。在雾霾天气过程中，如果利用特高压线路的强大电力调配能力，将电量从其他地区输送到雾霾发生区域，可以关闭雾霾区域部分火力发电厂，大大减少燃煤排放，有效减缓雾霾浓度。但是全国范围的电力调度要沟通发电量、用电量，考虑电力平衡和电力输送等等，涉及大量工作，因此，需要提前对雾霾过程持续时间做出一个预判，针对性制定合理的电力调配方案，实现经济与环保的双赢。
目前关于雾霾的研究多集中在雾霾监测、净化等方面，对雾霾的预测研究比较少，因此，亟需一种实用的大范围雾霾持续时间的预报方法。稳定的天气条件是大范围雾霾形成的直接原因，也是预报雾霾持续时间的关键因素，因此本发明主要思路是基于大气稳定度开展大范围雾霾持续时间预报。
发明内容
本发明提供了一种基于大气稳定度的大范围雾霾的预报方法及系统，用以解决目前缺少雾霾的预测研究的技术问题。
为解决上述技术问题，本发明提出的技术方案为：
一种基于大气稳定度的大范围雾霾的预报方法，包括以下步骤：
收集预报地的雾霾实况数据、周围天气实况数据、周围天气预测信息、秋末到冬初季节历史PM2.5浓度观测数据和雾霾过程数据以及秋末到冬初季节历史天气条件数据，建立预报地的雾霾事件模型；
分析预报地天气实况数据和天气预测信息；与雾霾事件模型进行对比，确定未来天气条件所处于的雾霾阶段：符合雾霾发展趋势、雾霾消散趋势或者与现状相同。
优选地，方法还包括雾霾维持时间预测，包括以下步骤：
计算雾霾发展阶段时间模型、雾霾消散阶段时间模型以及雾霾稳定阶段时间模型；
根据未来天气条件所处于的阶段，匹配雾霾发展阶段时间模型、雾霾消散阶段时间模型或雾霾稳定阶段时间模型，计算得到雾霾维持时间。
优选地，计算雾霾发展阶段时间模型，包括以下步骤：
基于预报地近10年秋末到冬初季节的逐日PM2.5浓度观测数据，统计预报地冬季空气中PM2.5的平均浓度，作为预报地PM2.5浓度的基准水平；
统计预报地近10年的历史雾霾过程，确定每次雾霾过程中，PM2.5浓度从基准水平发展到重度污染标准所用的时间，得到雾霾形成时间的数据序列，计算数据序列的平均值和标准差，得出预报地雾霾发展阶段所用时间的范围，即为雾霾发展阶段时间模型。
优选地，计算雾霾消散阶段时间模型，包括以下步骤：
根据雾霾区域PM2.5浓度指数、雾霾区域以外北部地区PM2.5浓度指数、预报地位置到雾霾区域北部边缘的距离和风场北风分量，计算得到预报地雾霾消散时间的范围，即为雾霾消散阶段时间模型。
优选地，预报地雾霾消散时间t2的计算公式为
其中，I1为PM2.5浓度指数，I2为雾霾区域以外北部地区PM2.5浓度指数，Ly为预报地位置到雾霾区域北部边缘距离，Vy为风场北风分量，
为PM2.5浓度的基准水平，x是指将雾霾地区雾霾浓度稀释到基准浓度，所需要的雾霾区域以外北部地区的范围；计算预报地雾霾消散时间t2的过程中，x是中间变量。
优选地，雾霾稳定阶段时间模型即为雾霾发展阶段完成后到雾霾消散阶段开始前的时间。
优选地，预报地的雾霾事件模型包括预报地雾霾发展的天气条件模型以及预报地雾霾消散的天气条件模型；建立预报地的雾霾事件模型，包括以下步骤：
统计预报地的最近10年的历史雾霾事件中，雾霾发展阶段的天气条件数据，形成雾霾发展阶段的每个气象要素的数据序列；计算雾霾发展阶段的每个气象要素的数据序列的平均值和标准差，得出预报地的雾霾发展阶段的气象要素的范围，得出预报地雾霾发展的天气条件模型；
统计预报地的最近10年的历史雾霾事件中，雾霾消散阶段的天气条件数据，形成雾霾消散阶段的每个气象要素的数据序列；计算雾霾消散阶段的每个气象要素的数据序列的平均值和标准差，得出预报地的雾霾消散阶段的气象要素的范围，得出预报地雾霾消散的天气条件模型。
优选地，雾霾发展阶段为PM2.5指数不断增大，从基准水平发展到PM2.5指数最大的阶段；雾霾消散阶段为PM2.5指数不断减小，从PM2.5指数最大发展到基准水平的阶段。
优选地，雾霾实况数据包括：雾霾区域范围、预报地所在雾霾区域位置和细颗粒物浓度指数；
秋末到冬初季节历史PM2.5浓度观测数据和雾霾过程数据包括：雾霾出现、发展以及消散的时间，以及雾霾浓度演变数据；
天气实况数据、天气预测信息、秋末到冬初季节历史天气条件数据、雾霾发展阶段的天气条件数据、雾霾消散阶段的天气条件数据以及天气实况数据，均包括以下气象要素：近地面温度、湿度、风速、风向、地面到高层垂直方向上的温度、湿度和风场廓线。
本发明还提供一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。
本发明具有以下有益效果：
1、本发明的基于大气稳定度的大范围雾霾的预报方法及系统，通过建立预报地的雾霾事件模型，可以确定未来天气条件所处于的雾霾发展阶段，该方法思路清晰，准确率高。
2、在优选方案中，本发明的基于大气稳定度的大范围雾霾的预报方法及系统，通过建立雾霾维持时间模型，可以实现大范围雾霾持续时间的准确预报，实用性强。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的基于大气稳定度的大范围雾霾的预报方法的流程示意图；
图2是本发明优选实施例1的基于大气稳定度的大范围雾霾的预报方法的流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图1，本发明的基于大气稳定度的大范围雾霾的预报方法，包括以下步骤：
S1：收集预报地的雾霾实况数据、周围天气实况数据、周围天气预测信息、秋末到冬初季节历史PM2.5浓度观测数据和雾霾过程数据以及秋末到冬初季节历史天气条件数据，建立预报地的雾霾事件模型；
S2：分析预报地天气实况数据和天气预测信息；与雾霾事件模型进行对比，确定未来天气条件所处于的雾霾阶段：符合雾霾发展趋势、雾霾消散趋势或者与现状相同。
上述步骤通过建立预报地的雾霾事件模型，可以确定未来天气条件所处于的雾霾发展阶段，该方法思路清晰，准确率高。
实际实施时，以上的方法还能进行以下的扩充或应用，以下实施例中的技术特征都能相互组合，实施例仅作为示例，不作为对技术特征的正常组合限制。
实施例1：
本实施例中所称的雾霾实况数据包括：雾霾区域范围、预报地所在雾霾区域位置和细颗粒物浓度指数；秋末到冬初季节历史PM2.5浓度观测数据和雾霾过程数据包括：雾霾出现、发展以及消散的时间，以及雾霾浓度演变数据；天气实况数据、天气预测信息、秋末到冬初季节历史天气条件数据、雾霾发展阶段的天气条件数据、雾霾消散阶段的天气条件数据以及天气实况数据，均包括以下气象要素：近地面温度、湿度、风速、风向、地面到高层垂直方向上的温度、湿度和风场廓线。
参见图2，本实施例的基于大气稳定度的大范围雾霾的预报方法，包括以下步骤：
S1：收集预报地的雾霾实况数据、周围天气实况数据、周围天气预测信息、秋末到冬初季节历史PM2.5浓度观测数据和雾霾过程数据以及秋末到冬初季节历史天气条件数据，建立预报地的雾霾事件模型。预报地的雾霾事件模型包括预报地雾霾发展的天气条件模型以及预报地雾霾消散的天气条件模型。建立预报地的雾霾事件模型，包括以下步骤：
统计预报地的最近10年的历史雾霾事件中，雾霾发展阶段的天气条件数据，形成雾霾发展阶段的每个气象要素的数据序列；计算雾霾发展阶段的每个气象要素的数据序列的平均值和标准差，得出预报地的雾霾发展阶段的气象要素的范围，得出预报地雾霾发展的天气条件模型；
统计预报地的最近10年的历史雾霾事件中，雾霾消散阶段的天气条件数据，形成雾霾消散阶段的每个气象要素的数据序列；计算雾霾消散阶段的每个气象要素的数据序列的平均值和标准差，得出预报地的雾霾消散阶段的气象要素的范围，得出预报地雾霾消散的天气条件模型。
S2：分析预报地天气实况数据和天气预测信息；与雾霾事件模型进行对比，确定未来天气条件所处于的雾霾阶段：符合雾霾发展趋势、雾霾消散趋势或者与现状相同。
S3：计算雾霾发展阶段时间模型、雾霾消散阶段时间模型以及雾霾稳定阶段时间模型。
S301：计算雾霾发展阶段时间模型：
雾霾发展阶段为PM2.5指数不断增大，从基准水平发展到PM2.5指数最大的阶段。
基于预报地近10年秋末到冬初季节的逐日PM2.5浓度观测数据，统计预报地冬季空气中PM2.5的平均浓度，作为预报地PM2.5浓度的基准水平；
统计预报地近10年的历史雾霾过程，确定每次雾霾过程中，PM2.5浓度从基准水平发展到重度污染标准所用的时间，得到雾霾形成时间的数据序列，计算数据序列的平均值和标准差，得出预报地雾霾发展阶段所用时间的范围，即为雾霾发展阶段时间模型。
S302：计算雾霾消散阶段时间模型：
雾霾消散阶段为PM2.5指数不断减小，从PM2.5指数最大发展到基准水平的阶段。
根据雾霾区域PM2.5浓度指数、雾霾区域以外北部地区PM2.5浓度指数、预报地位置到雾霾区域北部边缘的距离和风场北风分量，计算得到预报地雾霾消散时间的范围，即为雾霾消散阶段时间模型。预报地雾霾消散时间t2的计算公式为：
其中，I1为PM2.5浓度指数，I2为雾霾区域以外北部地区PM2.5浓度指数，Ly为预报地位置到雾霾区域北部边缘距离，Vy为风场北风分量，
为PM2.5浓度的基准水平，x是指如果将雾霾地区雾霾浓度稀释到基准浓度，所需要的雾霾区域以外北部地区的范围，计算预报地雾霾消散时间t2的过程中，x是中间变量，具体计算中，可以根据数学变换，利用两个公式中其他参数将x消除。
S303：计算雾霾稳定阶段时间模型：雾霾稳定阶段时间模型即为雾霾发展阶段完成后到雾霾消散阶段开始前的时间。
S4：根据未来天气条件所处于的阶段，匹配雾霾发展阶段时间模型、雾霾消散阶段时间模型或雾霾稳定阶段时间模型，计算得到雾霾维持时间。
实施例2：
本实施例是实施例1的应用例，本实施例的基于天气条件的大范围雾霾持续时间预报方法，包括以下步骤：
选取大范围雾霾高发的华北平原中南部地区城市石家庄，以2016年12月30日-2017年1月7日大范围雾霾过程为例，开展雾霾持续时间预报，预报开始时间为2017年1月2日。
(1)数据收集。
收集的数据主要包括以下几种：
通过中国空气质量在线监测分析平台获取2016年12月30日石家庄及周围的雾霾实况，主要包括雾霾区域范围(雾霾区域南北距离L1、东西距离L2)，预报地所在雾霾区域位置(到雾霾区域北部边缘Ly和西部边缘的距离Lx)，细颗粒物浓度指数
(PM2.5是雾霾中首先污染物，因此用大气中PM2.5浓度表征细颗粒物浓度指数)；
通过中央气象台和当地气象台收集石家庄周围天气实况，包括近地面温度Tsurface、湿度Ssurface、风速Vsurface、风向Dsurface，地面到高层垂直方向上的温度T、湿度S、风场W的垂直廓线。
通过中央气象台、欧洲中期天气预报中心、美国气象环境预报中心收集石家庄周围天气预测信息，包括近地面温度f_Tsurface、湿度f_Ssurface、风速f_Vsurface、风向f_Dsurface，地面到高层垂直方向上的温度f_T、湿度f_S、风场f_W廓线。
通过化境监测部门收集石家庄每年11月1日到12月31日历史PM2.5浓度观测数据
和雾霾过程数据，包括雾霾出现、发展、消散的时间，雾霾浓度演变等。
通过当地气象部门收集石家庄近10年每年11月1日到12月31日的历史天气条件数据，包括近地面温度H_Tsurface、湿度H_Ssurface、风速H_Vsurface、风向H_Dsurface，地面到高层垂直方向上的温度H_T、湿度H_S、风场廓线H_W。
(2)建立当地雾霾事件模型。
2.1雾霾发展天气条件模型。
统计石家庄最近10年的历史雾霾事件中，雾霾发展阶段(
指数不断增大，从基准水平发展到PM2.5指数最大的阶段)的天气条件，包括近地面温度H_Tsurface、湿度H_Ssurface、风速H_Vsurface、风向H_Dsurface，地面到高层垂直方向上的温度H_T、湿度H_S、风场廓线H_W。针对每个气象要素，都会得到一组数据，形成一个数据序列，计算该数据序列的平均值M_ave和标准差M_std，得出预报地雾霾发展阶段该气象要素的范围
最终得出预报地雾霾发展的天气条件f1(T,S,V,D,W)。
2.2雾霾消散天气条件模型。
统计石家庄最近10年的历史雾霾事件中，雾霾消散阶段(
指数不断减小，从PM2.5指数最大到基准水平的阶段)的天气条件，包括近地面温度H_Tsurface、湿度H_Ssurface、风速H_Vsurface、风向H_Dsurface，地面到高层垂直方向上的温度H_T、湿度H_S、风场廓线H_W，类似于2.1，利用平均值和标准差方法，得出预报地雾霾消散的天气条件f2(T,S,V,D,W)。
(1)雾霾未来发展趋势预测。
分析石家庄近地面温度、湿度、风速、风向以及温度垂直廓线等天气实况和预报情况；与步骤2.2和2.3中雾霾发展、消散条件进行对比，如果未来天气条件符合雾霾发展的天气条件，则未来为雾霾发展趋势；如果未来天气条件符合雾霾消散的天气条件，则未来为雾霾消散趋势；否则未来雾霾状况与现在基本相同。
(2)雾霾维持时间预测。
4.1雾霾发展阶段时间模型。
基于石家庄近10年秋末到冬初季节的逐日PM2.5浓度观测数据
统计当地冬季空气中PM2.5的平均浓度
作为当地PM2.5浓度的基准水平。
统计石家庄最近10年的历史雾霾过程，确定每次雾霾过程中，PM2.5浓度从基准水平
发展到重度污染标准
微克/立方米所用的时间，得到一个雾霾形成时间的数据序列，计算该数据序列的平均值t0_ave和标准差t0_std，得出预报地雾霾事件形成所用时间t1的范围t0_ave-t0_std≤t1≤t0_ave+t0_std。
4.2雾霾消散阶段时间模型。
雾霾消散阶段，实质上是风场作用下洁净空气不断注入雾霾区域，逐渐稀释雾霾区域的PM2.5浓度的过程。因此，石家庄雾霾消散时间t2与雾霾区域PM2.5浓度指数I1，雾霾区域以外北部地区PM2.5浓度指数I2，石家庄到雾霾区域北部边缘距离Ly，风场北风分量Vy密切相关。预报地雾霾消散时间t2具体计算公式为：
4.3雾霾稳定阶段时间。
雾霾稳定阶段时间即为雾霾发展阶段完成后到雾霾消散阶段开始前的时间。
4.4雾霾维持时间预测。
根据石家庄实时的雾霾浓度指数监测数据确定2017年1月2PM2.5浓度指数超过250毫克/立方米，达到雾霾重度污染程度，整个大范围雾霾区域北起北京地区，南至河南中部，西起山西中部，东到山东沿海，范围涵盖5省(市)。2016年12月29日-2017年1月1日四天为雾霾发展阶段，PM2.5浓度指数从100增大到200；根据预报地周围天气实况和天气预测信息，确定目前雾霾过程处于稳定阶段，天气预报表明稳定天气条件还将维持3-4天，预计雾霾稳定阶段为3-4天，从5日起天气形势转变，空气湿度下降。温度下降，北风增强，雾霾进入消散阶段。石家庄到雾霾区域北部边缘距离Ly约250千米，石家庄地区PM2.5浓度指数I1为200-300，雾霾区域以外北部地区PM2.5浓度指数I2为50-60，风场北风分量Vy约为4-5m/s，预计雾霾消散时间为60-70小时。综上，考虑雾霾维持阶段的3-4天，消散阶段的2-3天，2017年1月2日起，未来雾霾还将持续6-7天。
实施例3：
本发明还提供一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施例的步骤。
综上可知，本发明通过建立预报地的雾霾事件模型，可以确定未来天气条件所处于的雾霾发展阶段；进一步地，建立雾霾维持时间模型，可以实现大范围雾霾持续时间的准确预报，实用性强，该方法思路清晰，准确率高。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大气稳定度的大范围雾霾的预报方法，其特征在于，包括以下步骤：
收集预报地的雾霾实况数据、周围天气实况数据、周围天气预测信息、秋末到冬初季节历史PM2.5浓度观测数据和雾霾过程数据以及秋末到冬初季节历史天气条件数据，建立预报地的雾霾事件模型；
分析预报地天气实况数据和天气预测信息；与所述雾霾事件模型进行对比，确定未来天气条件所处于的雾霾阶段：符合雾霾发展趋势、雾霾消散趋势或者与现状相同；
其中，雾霾消散趋势是通过将预报地天气实况数据和天气预测信息，与雾霾消散阶段时间模型进行对比来确定；所述雾霾消散阶段时间模型，通过以下步骤计算得到：
根据雾霾区域PM2.5浓度指数、雾霾区域以外北部地区PM2.5浓度指数、和预报地位置到雾霾区域北部边缘的距离和风场北风分量，计算得到预报地雾霾消散时间的范围，即为所述雾霾消散阶段时间模型；
其中，预报地雾霾消散时间t2的计算公式为：
其中，I1为PM2.5浓度指数，I2为雾霾区域以外北部地区PM2.5浓度指数，Ly为预报地位置到雾霾区域北部边缘距离，Vy为风场北风分量，
为PM2.5浓度的基准水平，x是指将雾霾地区雾霾浓度稀释到基准浓度，所需要的雾霾区域以外北部地区的范围；计算预报地雾霾消散时间t2的过程中，x是中间变量。
2.根据权利要求1所述的基于大气稳定度的大范围雾霾的预报方法，其特征在于，所述方法还包括雾霾维持时间预测，包括以下步骤：
计算雾霾发展阶段时间模型、雾霾消散阶段时间模型以及雾霾稳定阶段时间模型；
根据未来天气条件所处于的阶段，匹配所述雾霾发展阶段时间模型、雾霾消散阶段时间模型或雾霾稳定阶段时间模型，计算得到雾霾维持时间。
3.根据权利要求2所述的基于大气稳定度的大范围雾霾的预报方法，其特征在于，计算雾霾发展阶段时间模型，包括以下步骤：
基于预报地近10年秋末到冬初季节的逐日PM2.5浓度观测数据，统计预报地冬季空气中PM2.5的平均浓度，作为预报地PM2.5浓度的基准水平；
统计预报地近10年的历史雾霾过程，确定每次雾霾过程中，PM2.5浓度从基准水平发展到重度污染标准所用的时间，得到雾霾形成时间的数据序列，计算所述数据序列的平均值和标准差，得出预报地雾霾发展阶段所用时间的范围，即为所述雾霾发展阶段时间模型。
4.根据权利要求2所述的基于大气稳定度的大范围雾霾的预报方法，其特征在于，所述雾霾稳定阶段时间模型即为雾霾发展阶段完成后到雾霾消散阶段开始前的时间。
5.根据权利要求1至4中任一项所述的基于大气稳定度的大范围雾霾的预报方法，其特征在于，预报地的雾霾事件模型包括预报地雾霾发展的天气条件模型以及预报地雾霾消散的天气条件模型；所述建立预报地的雾霾事件模型，包括以下步骤：
统计预报地的最近10年的历史雾霾事件中，雾霾发展阶段的天气条件数据，形成雾霾发展阶段的每个气象要素的数据序列；计算所述雾霾发展阶段的每个气象要素的数据序列的平均值和标准差，得出预报地的雾霾发展阶段的所述气象要素的范围，得出预报地雾霾发展的天气条件模型；
统计预报地的最近10年的历史雾霾事件中，雾霾消散阶段的天气条件数据，形成雾霾消散阶段的每个气象要素的数据序列；计算所述雾霾消散阶段的每个气象要素的数据序列的平均值和标准差，得出预报地的雾霾消散阶段的所述气象要素的范围，得出预报地雾霾消散的天气条件模型。
6.根据权利要求5所述的基于大气稳定度的大范围雾霾的预报方法，其特征在于，所述雾霾发展阶段为PM2.5指数不断增大，从基准水平发展到PM2.5指数最大的阶段；所述雾霾消散阶段为PM2.5指数不断减小，从PM2.5指数最大发展到基准水平的阶段。
7.根据权利要求6所述的基于大气稳定度的大范围雾霾的预报方法，其特征在于，所述雾霾实况数据包括：雾霾区域范围、预报地所在雾霾区域位置和细颗粒物浓度指数；
所述秋末到冬初季节历史PM2.5浓度观测数据和雾霾过程数据包括：雾霾出现、发展以及消散的时间，以及雾霾浓度演变数据；
所述天气实况数据、天气预测信息、秋末到冬初季节历史天气条件数据、所述雾霾发展阶段的天气条件数据、所述雾霾消散阶段的天气条件数据以及天气实况数据，均包括以下气象要素：近地面温度、湿度、风速、风向、地面到高层垂直方向上的温度、湿度和风场廓线。
8.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811210935.7A CN109459801B (zh) | 2018-10-17 | 2018-10-17 | 基于大气稳定度的大范围雾霾的预报方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811210935.7A CN109459801B (zh) | 2018-10-17 | 2018-10-17 | 基于大气稳定度的大范围雾霾的预报方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109459801A CN109459801A (zh) | 2019-03-12 |
| CN109459801B true CN109459801B (zh) | 2021-01-15 |
Family
ID=65607864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811210935.7A Active CN109459801B (zh) | 2018-10-17 | 2018-10-17 | 基于大气稳定度的大范围雾霾的预报方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109459801B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU1633902A (en) * | 2000-12-15 | 2002-06-24 | Daniel Rosenfeld | Location-based weather nowcast system and method |
| CN105738974B (zh) * | 2016-02-05 | 2018-09-11 | 北京市环境保护监测中心 | 空气重污染天气的预报方法和系统 |
| CN106526710A (zh) * | 2016-10-19 | 2017-03-22 | 陈文飞 | 一种雾霾预测方法及装置 |
-
2018
- 2018-10-17 CN CN201811210935.7A patent/CN109459801B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109459801A (zh) | 2019-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Urban form and air pollution disperse: Key indexes and mitigation strategies | |
| Xie et al. | Methods for defining the scopes and priorities for joint prevention and control of air pollution regions based on data-mining technologies | |
| CN108446807B (zh) | 基于重污染天气预警的大气污染物排放总量控制方法 | |
| Boz et al. | An automated model for rooftop PV systems assessment in ArcGIS using LIDAR. | |
| CN111652975B (zh) | 城市建筑群可利用太阳能资源评估方法及系统 | |
| US20160125294A1 (en) | Method for forecasting energy demands that incorporates urban heat island | |
| CN104537462A (zh) | 空气细颗粒物的火电污染因素控制方法 | |
| KR101383617B1 (ko) | 일사량 예측 방법 및 장치 | |
| CN109583653A (zh) | 基于统计模型的西北太平洋台风的延伸期预报方法 | |
| Guan et al. | Spatial-temporal variations and mineral dust fractions in particulate matter mass concentrations in an urban area of northwestern China | |
| CN101976424A (zh) | 利用智能规则库引擎生成电力系统污区分布图的方法 | |
| Zhu et al. | Solar accessibility in developing cities: A case study in Kowloon East, Hong Kong | |
| CN117708617B (zh) | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 | |
| Zhu et al. | Optimization of photovoltaic provision in a three-dimensional city using real-time electricity demand | |
| Du et al. | Effect of local climate zone (LCZ) and building category (BC) classification on the simulation of urban climate and air-conditioning load in Hong Kong | |
| Nakajima et al. | Improvement of WRF–CM–BEM and its application to high-resolution hindcasting of summertime urban electricity consumption | |
| Ramkumar et al. | Analysis of solar PV potential for roofs and façades in high dense residential urban scenario of Singapore | |
| CN109459801B (zh) | 基于大气稳定度的大范围雾霾的预报方法及系统 | |
| Ye et al. | Planning the installation of building-integrated photovoltaic shading devices: A GIS-based spatiotemporal analysis and optimization approach | |
| CN109583095B (zh) | 基于混合统计动力模型的西北太平洋台风延伸期预报方法 | |
| CN116757343A (zh) | 内涝场景下无人机协同移动车的交通监视规划方法及系统 | |
| Cvitas et al. | Boundary-layer ozone in Croatia | |
| Teng et al. | Study on the Temporal and Spatial Variation of PM 2.5 in Eight Main Cities of Yunnan Province | |
| Zawar-Reza et al. | Mesoscale controls on particulate matter pollution for a mega city in a semi-arid mountainous environment: Tehran, Iran | |
| Gao et al. | Analysis for the Relationship Between Concentrations of Air Pollutants and Meteorological Parameters in Xi'an, China |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |