CN110261547B - 一种空气质量预报方法和设备 - Google Patents
一种空气质量预报方法和设备 Download PDFInfo
- Publication number
- CN110261547B CN110261547B CN201910597975.XA CN201910597975A CN110261547B CN 110261547 B CN110261547 B CN 110261547B CN 201910597975 A CN201910597975 A CN 201910597975A CN 110261547 B CN110261547 B CN 110261547B
- Authority
- CN
- China
- Prior art keywords
- day
- forecast
- air quality
- value
- time
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Combustion & Propulsion (AREA)
- Algebra (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种空气质量预报方法和设备,方法包括:获取空气污染物浓度观测值;确定与空气污染物浓度预报有显著相关性的因素,选定预报的起点日,预报从起点日计算的预报日的空气质量;使用包括起点日的过去一段时间的空气质量数据建立训练模型并完成训练;使用训练模型,对所述预报日的预报数值进行修正,得到所述预报日的第一次修正值;根据基于从起点日计算的第1天的数据获得的二次修正系数对所述第一次修正值进行第二次修正,其结果作为所述预报日的最终预报结果。该方法通过利用预报日预报时刻前的历史数据和修正值二次修正预报结果,提高空气质量预报的准确度。
Description
技术领域
本发明涉及气象领域,具体涉及一种空气质量预报方法和设备。
背景技术
模式输出统计(MOS:modeloutput statistics),是将数值预报和统计预报结合起来的动力-统计预报方法。其方法是根据数值预报输出的物理场,和实测要素建立统计关系的预报方程。空气质量模式是用于空气质量预报的一种方法,其是采用MOS数值方法来模拟影响大气污染物的扩散和反应的化学过程,包括排放(人为和自然源排放)、输送(水平平流和垂直对流)、扩散(水平和垂直扩散)、化学转化(气、液、固相化学反应)、清除机制(干湿沉降)等。
近几十年来,用于空气质量预报的空气污染预报模式的研究得到了很大的发展,90年代后出现以CMAQ、CAMx、WRF-CHEM、NAQPMS为代表的第三代空气质量模式,突破了传统模式针对单一物种或单相物种的模拟,基于“一个大气”理念,充分考虑各种大气物理过程和各污染物间的化学反应及气固两相转化过程,可模拟多污染物间的协同效应;基于嵌套网格设计,可用于模拟局地、区域等多种尺度的大气环境问题。为空气质量预报预警、污染管控和环保法规制定提供了有力的科学支持。
空气质量模式的预报效果受到下垫面数据、气象输入数据和排放清单的精度和准确性的影响。WRF自带的下垫面资料更新缓慢;预报所需的GFS气象数据的最高空间分辨率只有0.25度,远远粗糙于区域模拟设置的网格分辨率(一般为3km或4km);排放清单的污染源类型复杂,数据获取困难,空间分布不均匀,时间尺度变化大。这些因素都极大地影响了数值预报的准确性。因此,有必要采用MOS方法对预报结果进行统计修正。例如:文献1提到的CMAQ-MOS空气质量预报方法和文献2提到的CMAQ-MOS模型。
文献1:徐建明.CMAQ-MOS区域空气质量统计修正模型预报途径研究[J].中国科学(D辑).2005(S1):133-141.
文献2:黄从吾.基于极端随机树方法的WRF-CMAQ-MOS模型研究[J].气象学报.2018(5):779-789.
虽然上述采用MOS技术综合了空气污染物观测资料、大气状态和模式产品数据,全面考虑了动力、化学和污染源排放对污染物各过程的影响。但是,这种方法由于受前一时刻的预报结果影响,修正容易出现滞后性,从而降低了空气质量预报的准确性。具体表现为:(1)重污染开始阶段的滞后性:例如重污染过程开始时,而预报可能并不能捕捉到该次污染,这是由于重污染开始的前一天的观测值为低浓度,则该天的修正值将依然为低值。(2)重污染结束时的滞后性:当重污染过程结束时,由于重污染结束的前一天高浓度观测值的影响,修正后的预报将显示该天依然有污染发生。
发明内容
针对上述技术问题,旨在解决利用预报修正前观测值和当天观测值的高度相关性,来降低对空气质量预报结果修正的滞后性等问题。
本发明提出了一种空气质量预报方法。包括下述步骤:
步骤1、获取空气污染物浓度观测值;
步骤2、确定与空气污染物浓度预报有显著相关性的因素,选定一预报的起点日,预报从起点日计算的第d天的空气质量,其中d为自然数,所述起点日相当于从起点日计算的第0天;
步骤3、使用包括所述起点日的过去n天的空气质量数据,基于所述显著相关性的因素建立训练模型并完成训练,所述n为自然数,且n≥d;
步骤4、使用所述完成训练的训练模型,对所述第d天的空气质量预报数值进行修正,得到所述预报的第d天的空气质量的第一次修正值;
步骤5、获得从所述起点日计算的第1天的预报时刻前的空气质量的观测值的平均值和所述第1天预报时刻前的空气质量的修正值的平均值,并根据所述第1天的预报时刻前的观测值的平均值与所述第1天的预报时刻前的修正值的平均值,得到二次修正系数,基于所述二次修正系数对所述第d天的空气质量的第一次修正值进行第二次修正,其结果作为所述第d天的空气质量的最终预报结果。
进一步的,在上述技术方案的基础上,所述空气污染物浓度观测值包括以下至少一种:
(1)SO2,(2)NO2,(3)PM10,(4)CO,(5)PM2.5,(6)O3。
进一步的,在上述技术方案的基础上,所述步骤1还包括:
将所述空气污染物浓度观测值中的异常值予以剔除。
进一步的,在上述技术方案的基础上,所述步骤2还包括:
获取数值模式输出因子序列,所述数值模式输出因子序列是指空气质量预报模型的运算结果的序列;
对所述数值模式输出因子序列进行相关性分析,得到显著相关因子序列;
根据显著相关因子序列构建预报模型,预报所述第d天的空气质量。
进一步的,在上述技术方案的基础上,所述预报模型可为以下任一种:
(1)CMAQ、(2)CAMx、(3)WRF-CHEM、(4)NAQPMS。
进一步的,在上述技术方案的基础上,所述步骤3的训练模型按照如下步骤构建:
将所述过去n天的每一天分别作为起报时刻,设置常数K,K为自然数且d≤K≤n;
以所述起报时刻起开始计算天数的第q天作为预报时刻,其中,1≤q≤K;
将所述预报时刻的空气污染物浓度观测值作为因变量;
将所述预报时刻与空气污染物浓度有显著相关性的数值模式输出因子和所述起报时刻的空气污染物浓度观测值作为自变量;
基于上述因变量和自变量建立多元回归线性方程。
进一步的,在上述技术方案的基础上,所述步骤3的多元回归线性方程按如下方式建立:
(1)确定常数K,K为自然数,且d≤K≤n;
(2)将过去n天中的每一天分别作为起报时刻,按如下公式建立方程:
S(q)=A1(q)×X+A2(q)×Z;
其中,S(q)表示从所述起报时刻起计算天数的第q天的一种污染物浓度的实际观测值,且1≤q≤K;
Z表示所述第q天采用数值模式的预报产品的所述污染物的小时均值;
X表示所述起报时刻的所述污染物浓度观测值的小时均值,Z和X即为所述自变量,A1(q)和A2(q)为用于预报第q天的一组偏回归系数。
(3)求解得到所述K组偏回归系数,从而完成训练模型的训练。
进一步的,在上述技术方案的基础上,所述步骤4包括:
使用步骤3训练完成得到的偏回归系数和训练模型,对步骤2得到的空气质量的预报值进行修正得到所述第一次修正值。
进一步的,在上述技术方案的基础上,所述步骤4中的第d天的空气质量的第一次修正值按如下公式确定:
S(d)=A1(d)×X+A2(d)×Z,
其中,Z表示所述第d天采用数值模式的预报产品的所述空气污染物的小时均值;X表示所述预报的起点日的所述空气污染物浓度观测小时均值,
A1(d)和A2(d)为根据步骤3训练得到的对应第d天的一组偏回归系数;
计算得到S(d)则为所述第d天的空气质量的第一次修正值。
进一步的,在上述技术方案的基础上,所述步骤5还包括:
所述二次修正系数为BL按照如下方式确定:
Sti为ti时刻的污染物浓度的第一次修正值,其计算公式如下:
Sti=A1(d)×S0ii+A2(d)×S1ti,其中,A1(d)和A2(d)为根据步骤3训练得到的对应第d天的一组偏回归系数,S1ti为ti时刻采用数值模式的预报产品的所述空气污染物的值;
且23≥m>n≥0。
进一步的,在上述技术方案的基础上,所述步骤5中的最终修正值根据下述公式确定:
S′t=B×St,其中,S′t为最终修正值,B为所述二次修正系数,St为步骤4获得的所述第d天的空气质量的第一次修正值。
进一步的,在上述技术方案的基础上,所述K为7,d不超过7;
所述预报时刻为所述第d天的xx时,其xx满足:8<=xx<=23,
所述m为所述第1天的7时,n为所述第1天的0时。
进一步的,在上述技术方案的基础上,所述d为1。
进一步的,在上述技术方案的基础上,K与d相等。
另一方面,本发明还提出了一种空气质量预报方法设备,包括处理器和存储器,所述存储器具有存储有程序代码的介质,当所述处理器读取所述介质存储的程序代码时,所述设备能够执行上述所述的方法。
采用本发明提出的上述技术方案,实现如下技术效果:
充分利用了预报修正前的历史时刻的观测值和当天观测值的高度相关性,有效降低修正方法的滞后性,提高了预报的准确度。
附图说明
图1为本发明提出的空气质量预报方法的流程示意图;
图2为本发明提出的空气质量预报方法的一个具体实施例的流程示意图;
图3为本发明提出的当天空气质量预报方法的实施示意图;
图4-图8分别为采用本发明作出的石家庄市2019年1月份空气质量预报结果的PM2.5、PM10、SO2、CO、NO2污染物浓度的每天的小时均值图。
具体实施方式
为了便于理解本发明的发明构思和技术方案,通过下述具体实施方式对本发明作进一步的描述。虽然本发明的典型但非限制性的实施例如下,但这里需要特别说明的是本发明说明书所列的实施方式仅是为了说明问题方便而给出的示例性实施方法,其不得理解为是本发明唯一正确的实施方式,更不得理解为是对本发明保护范围的限制性说明。
参见图1,为本发明一实施例的流程图。
步骤1、获取空气污染物浓度观测值;
步骤2、确定与空气污染物浓度预报有显著相关性的因素,选定一预报的起点日,预报从起点日计算的第d天的空气质量,其中d为自然数;其中,所述起点日相当于从起点日计算的第0天;
步骤3、使用包括所述起点日的过去n天的空气质量数据,基于所述显著相关性的因素建立训练模型并完成训练,所述n为自然数,且n≥d;
步骤4、使用所述完成训练的训练模型,对所述第d天的空气质量预报数值进行修正,得到所述预报的第d天的空气质量的第一次修正值;
步骤5、获得从所述起点日计算的第1天的预报时刻前的空气质量的观测值的平均值和所述第1天的预报时刻前的空气质量的修正值的平均值,并根据所述第1天的预报时刻前的观测值的平均值与所述第1天的预报时刻前的修正值的平均值,得到二次修正系数,基于所述二次修正系数对所述第d天的空气质量的第一次修正值进行第二次修正,其结果作为所述第d天的空气质量的最终预报结果。
本发明利用起报时刻的近期空气质量的历史资料建立污染物浓度观测值与数值模式预报值的回归方程;并基于所述回归方程,对以起报时刻起的预报时刻的空气质量进行预报和对预报结果进行第一次修正;并利用二次修正系数,以对所述第一次修正的结果进行第二次修正。使得所预报的结果更加准确。
参见图2所示的一个更优实施例的流程图。为便于区分不同日期,先选定一预报的起点日,确定要预报的日期相对于所述起点日是第几天,其中,所述起点日相对于所述起点日计算是第0天。为便于理解,以下以预报从所述起点日计算的第d天的空气质量为例予以说明。
S1:获取空气污染物浓度观测值
S2:剔除所述空气污染物浓度观测值中的异常值,得到处理后的污染物浓度观测值。
为便于理解,以下述简化的示例进一步说明步骤S1-S2,将6种常规空气污染物(SO2,NO2,PM10,CO,PM2.5,O3)的小时观测值作为获取的空气污染度观测值。剔除异常值有下述两种可选的方法。。
方法一:根据空气质量指数(AQI)技术规定(试行)(HJ633-2012)定义的空气质量指数及对应的污染物项目浓度限值,如:空气质量分指数最高为500时,对应SO2、NO2、PM10、CO、PM2.5的24小时平均值分别为2620ug/m3、940ug/m3、600ug/m3、60mg/m3、500ug/m3,对应O3的1小时平均值为1200ug/m3。当观测数据超过上述浓度限值的10倍时,则认为该观测数据为异常值,予以剔除。
方法二:统计前一年观测数据的平均值μ和标准差σ,当观测数据与平均值的偏差超过3倍标准差时,则判定该观测值为高度异常值,予以剔除。
S3:获取数值模式输出因子序列。所述数值模式输出因子序列是值通过空气质量预报模型的数值模式预报生成的多种产品,即输出的预报结果,包括模拟区域预报时段内逐时的地面及高空温度、湿度、气压、风速风向等气象要素以及常规空气污染物浓度。这些输出的结果可构成数值模式输出因子。选择其中一部分的数值预报产品,组成数值模式输出因子序列。
S4:进行相关性分析,得到显著相关因子序列;
选择起报时刻的污染物浓度观测值和预报时刻数值预报结果的多种产品作为预报因子。其中,所述数值预报结果的产品,如:预报温度、预报湿度、预报气压、预报风速、污染物浓度预报值,均可能与所述起报时刻到所述预报时刻的时段的污染物浓度观测值显著相关性。为简化计算,预报时刻的数值预报结果的多种产品中,通过相关性分析,选择污染物浓度的数值模型预报值作为显著相关因子序列,建立基于显著相关因子序列的预报模型。
一种预报空气污染物的方式如下:
公式1是使用回归方法或者卡尔曼(Kalman)滤波法建立的模式产品和多类预报因子相结合的统计模型。St为预报时刻为第t天时的预报量,表示预报时刻污染物的浓度,第t-x天为起报时刻(1≤x≤t-1)。 代表(L+M+N)个广义的预报因子,包括起报时刻污染物和气象要素的观测值、预报日的CMAQ模式产品三类因子,其中,XL表示起报时刻的L种污染物观测值,YM代表起报时刻时的M种气象要素观测值,ZN表示预报时刻的采用空气质量模式的N种预报产品,所述空气质量模式可为CMAQ或者文献1中的CMAQ-MOS。和为系数矩阵,可根据各地污染源的变化特点设定。
S5:通过多元回归,对MOS方程进行训练;
作为一个优选实施方式,选择包括所述起点日的近期一段时间(所述起点日是这段时间的最后一天)的历史数据进行训练,由所述一段时间里的每个自然日24小时空气污染物浓度的算术平均值计算得出每个自然日的小时均值,根据公式2所示的MOS方程进行训练。
公式2:S(q)=B(q)+A1(q)×X+A2(q)×Z;
其中,以近期一段时间共N天的空气质量数据作为训练数据,选择常数K,所述K为不大于N的自然数。
以所述N天的每一天作为起报时刻,按照公式2建立MOS方程。
其中,S(q)为以起报时刻开始计算的第q天(1<q≤K,q为自然数)的某种污染物浓度实际观测值的小时均值,Z为所述第q天(为描述方便,称之为“预报第q天”)采用空气质量模式的该种污染物浓度预报的小时均值,X表示所述起报时刻时的该种污染物浓度观测小时均值,A1(q),A2(q)为对应预报第q天的一组偏回归系数,B(q)为进行线性回归时设定的系数,通常可设置为0。
在业务化预报中,污染物主要指:(1)SO2,(2)NO2,(3)PM10,(4)CO,(5)PM2.5,(6)O3。对这些6种常规空气污染物分别建立MOS方程。相对于每一个起报时刻,最多可以建立K个MOS方程。将这些方程,回归求解,可获得对应的K组偏回归系数A1(q)和A2(q),其中,1≤q≤K。
为了便于理解,以一个实例来说,假设今天是4月11日,对于某一种污染物如PM2.5,以4月10日作为预报的起点日,则选择包括4月10日的过去33天的空气质量的历史数据,即3月9日-4月10日这33天的历史数据作为训练数据。
设置K=7,当以3月9日为起报时刻时,则从3月9日开始计算的第1天至第7天的数据按照公式2建立方程,即根据3月10日-3月16日的数据可建立7个方程:
(1)3月10日观测值的小时均值S(1)=A2(1)×3月10日预报值的小时均值(预报的第一天)Z+A1(1)×3月9日观测值的小时均值X+B(1);
(2)3月11日观测值的小时均值S(2)=A2(2)×3月11日预报值的小时均值(预报的第2天)Z+A1(2)×3月9日观测值的小时均值X+B(2);
(3)3月12日观测值的小时均值S(3)=A2(3)×3月12日预报值的小时均值(预报的第3天)Z+A1(3)×3月9日观测值的小时均值X+B(3);
(4)3月13日观测值的小时均值S(4)=A2(4)×3月13日预报值的小时均值(预报的第4天)Z+A1(4)×3月9日观测值的小时均值X+B(4);
(5)3月14日观测值的小时均值S(5)=A2(5)×3月14日预报值的小时均值(预报的第5天)Z+A1(5)×3月9日观测值的小时均值X+B(5);
(6)3月15日观测值的小时均值S(6)=A2(6)×3月15日预报值的小时均值(预报的第6天)Z+A1(6)×3月9日观测值的小时均值X+B(6);
(7)3月16日观测值的小时均值S(7)=A2(7)×3月16日预报日的小时均值(预报的第7天)Z+A1(7)×3月9日观测值的小时均值X+B(7);
当以3月10日作为起报时刻时,同上利用3月11日-3月17日的空气质量数据按照如上方式建立上述式子(1)-(7),以此类推,继续用3月11日-4月10日的每一天作为起报时刻,可类似建立相应的方程。
可见,当以4月9日作为起报时刻,由于4月11日还没有相应的空气质量观测数据,因而只能建立起式子(1),当以4月8日作为起报时刻,则只能建立式子(1)-(2)。可见,对于第一组偏回归系数A1(1)和A2(2)有32个式子,第二组A1(2)和A2(2)有31个式子,···,第7组A1(7)和A1(7)则只有26个式子。其中,B(1)~B(7)均可设置为0。
对这些方程系列样本对每组偏回归系数采用回归的方法,如线性回归等可以计算分析,获得7组偏回归系数,分别对应第1天到第7天的偏回归系数,可以用于预报第1天到第7天。
获取了预报对象的偏回归系数对A1(q)和A2(q)后,就可以对预报对象的预报结果进行修正。
S6:得到污染物预报浓度的修正值
通过下述实例来进一步说明S6的过程。对于当天的数值模型预报,首先根据当天相对于起报时刻是第几天,找到对应的MOS方程,获得对应的偏回归系数对A1(q)和A2(q)。然后将当天的数值模型预报的浓度小时均值作为预报因子Z,将起报时刻的污染物浓度观测小时均值作为预报因子X,再次根据公式2,计算得到的S作为当天数值预报结果的修正值。与步骤S5不同的是,步骤5是用过去一段时间的空气质量数据的观测值作为S(q),求解未知的偏回归系数A1(q)和A2(q),即根据公式2训练,以得到偏回归系数A1(q)和A2(q),而S6步骤中是利用S5步骤训练得到的偏回归系数,对预报值进行修正获得修正的预报结果作为S(q)。
S7:获得污染物预报浓度的最终修正值。
首先根据公式3获得修正系数B。
修正系数是以从预报的起点日计算的第1天的数据,然后根据公式3计算得到。
Sti=A1(d)×S0ti+A2(d)×S1ti,其中,A1(d)和A2(d)为根据步骤3训练得到的对应第d天的一组偏回归系数,S1ti为所述ti时刻采用数值模式的预报产品的所述空气污染物的值,且23≥m>n≥0。
然后根据公式4对由S6步骤得到的修正值做第二次修正,获得污染物预报浓度的最终修正值S′t。
公式4:S′t=B×St
为了便于理解步骤S7,以相对于起点日,预报第一天的空气质量为例,即d=1。
预报的业务化运行一般要求早上8点前提供预报数据即可,即预报时刻为8点,则预报第一天的0点-7点的观测浓度在8点前预报便可获取,即公式3中的n=0,m=7。
则预报第一天的0点-7点中的整点时刻的污染物的修正值Sti按照如下公式确定:
Sti=A1(1)×S0ti+A2(1)×S1ti,其中0≤ti≤7,且ti为整数。
其中,A1(1)和A2(1)为根据步骤3训练得到的对应第1天的一组偏回归系数,S0ti为ti时刻的该污染物浓度观测值,S1ti为ti时刻采用数值模式的预报产品的所述空气污染物的值。
根据公式3,将预报第一天的0点-7点污染物观测浓度的算术平均值除以对应时刻的污染物浓度修正均值,得到预报当天的修正系数B,然后根据公式4,将当天的污染物数值预报的小时浓度修正值乘以根据由公式3(其中,m=7,n=0)获得的修正系数B,得到的结果作为最终的修正结果,作为当天的预报数据。
当d>1时,同样利用所述第1天得到的数据根据公式3计算B值,然后进行二次修正后得到的结果作为最终的预报结果。
在实现方式上,可采取下述一个优选的实施方式。
参见图3为一种预报当天空气质量的具体实施方式,预报当天可以以当天的昨天作为预报的起点日,即预报的当天相对于起点日为第一天,即d=1,K可设置为7。
将修正程序和数值预报模式部署在相同的装有linux操作系统的服务器上,方便对数值预报结果进行及时修正。在服务器上提前安装好ncl软件,使用ncl语言编写修正程序。
获取所需的数据,将各监控站点的6种常规污染物的小时浓度值,包括观测值和基于数值模型的预报值,以规定格式的文本形式输出到指定的修正模型所在的linux服务器的文件夹里,且在服务器上实时更新上述数据。当环境监测站点得到最新时刻的浓度观测值后,能够在1小时内将站点污染物浓度观测小时值实时传输到所述linux服务器上。当数值模型完成预报后,站点的数值模型预报值立即解析并以既定的文本格式输出到指定文件夹中。
每天早上8点时,自动启动修正脚本。首先判定当天的数值模型预报是否运行完成。如没有,等待至运行完成。如已经完成,则读取包括起点日的前31天的历史数据进行训练,根据用于训练的MOS方程,得到偏回归系数对A1(q)和A2(q)。计算污染物浓度的每一天的小时均值,包括观测值和数值模型每一天的预报值。对数值模型第q天的预报值,根据公式2建立对应的MOS方程:
数值模型预报的第q天对应日期的浓度观测值的小时均值=A1(q)×数值模型预报的第q天浓度的小时均值+A2(q)×数值模型起报时刻的浓度观测值的小时均值。
其中,q为自然数。
求解得到偏回归系数A1(q)和A2(q)。接着,对于当天的数值模型预报的第q天结果,用上面建立的对应第q个MOS方程,进行预报值的修正。然后,根据公式3和公式4,先获得修正系数,即修正系数=预报第一天00-07时刻的浓度观测值/预报第一天00-07时刻浓度修正值,根据修正系数进行第二次修正,其结果作为最终修正值。
将数值模型浓度预报的最终修正值按照规定的格式输出为文本模式,java程序读取后,以图表的形式展示在预报预警平台上。
采用本发明提出的技术方案后,利用预报修正前8小时的观测值和当天观测值的高度相关性,有效降低了传统修正方法的滞后性,并提高了准确性。
以石家庄2019年1月份第一天预报结果为例来说明本实施方式的技术效果,如图4-图8分别所示的PM2.5、PM10、SO2、CO、NO2污染物浓度的每一天的小时均值,实线为观测值obs,长虚线为数值模型预报值sim,短虚线为使用MOS方程后的修正值mos0,点划线为带入当天00时-07时刻污染物观测值经过第二次修正的浓度值mos1。表1为相关的统计值。可以发现,修正值提高了污染物浓度预报的准确度,且第二次修正较好地解决了滞后的问题,明显提高了相关系数。
表1 2019年1月石家庄市各污染物浓度预报结果的修正效果统计
对于本领域技术人员而言,显然本发明实施例不限于上述示范性实施例的细节,而且在不背离本发明实施例的精神或基本特征的情况下,能够以其他的具体形式实现本发明实施例。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明实施例的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施方式仅用以说明本发明实施例的技术方案而非限制,尽管参照以上较佳实施方式对本发明实施例进行了详细说明,本领域的普通技术人员应当理解,可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (8)
1.一种空气质量预报方法,其特征在于包括下述步骤:
步骤1、获取空气污染物浓度观测值;
步骤2、确定与空气污染物浓度预报有显著相关性的因素,选定一预报的起点日,预报从起点日计算的第d天的空气质量,其中d为自然数,所述起点日相当于从起点日计算的第0天;
步骤3、使用包括所述起点日的过去n天的空气质量数据,基于所述显著相关性的因素建立训练模型并完成训练,所述n为自然数,且n≥d;
步骤4、使用所述完成训练的训练模型,对所述第d天的空气质量预报数值进行修正,得到预报的第d天的空气质量的第一次修正值;
步骤5、获得从所述起点日计算的第1天的预报时刻前的空气质量的观测值的平均值和所述第1天的预报时刻前的空气质量的修正值的平均值,并根据所述第1天的预报时刻前的观测值的平均值与所述第1天的预报时刻前的修正值的平均值,得到二次修正系数,基于所述二次修正系数对所述第d天的空气质量的第一次修正值进行第二次修正,其结果作为所述第d天的空气质量的最终预报结果;
所述步骤2还包括:
获取数值模式输出因子序列,所述数值模式输出因子序列是指空气质量预报模型的运算结果的序列;
对所述数值模式输出因子序列进行相关性分析,得到显著相关因子序列;
根据显著相关因子序列构建预报模型,预报所述第d天的空气质量;
所述步骤3的训练模型按照如下步骤构建:
将所述过去n天的每一天分别作为起报时刻,设置常数K,K为自然数且d≤K≤n;
以所述起报时刻起开始计算天数的第q天作为预报时刻,其中,1≤q≤K;
将所述预报时刻的空气污染物浓度观测值作为因变量;
将所述预报时刻与空气污染物浓度有显著相关性的数值模式输出因子和所述起报时刻的空气污染物浓度观测值作为自变量;
基于上述因变量和自变量建立多元回归线性方程。
2.如权利要求1所述的方法,其特征在于所述步骤3的多元回归线性方程按如下方式建立:
(1)确定常数K,K为自然数,且d≤K≤n;
(2)将过去n天中的每一天分别作为起报时刻,按如下公式建立方程:
S(q)=A1(q)×X+A2(q)×Z;
其中,S(q)表示从所述起报时刻起计算天数的第q天的一种污染物浓度的实际观测值的小时均值,且1≤q≤K;
Z表示所述第q天采用数值模式的预报产品的所述污染物浓度的小时均值;
X表示所述起报时刻的所述污染物浓度观测值的小时均值,Z和X即为所述自变量,A1(q)和A2(q)为用于预报第q天的一组偏回归系数;
(3)回归求解得到K组偏回归系数,从而完成训练模型的训练。
3.如权利要求2所述的方法,其特征在于所述步骤4包括:
使用步骤3训练完成得到的偏回归系数和训练模型,对步骤2得到的空气质量的预报值进行修正得到所述第一次修正值。
4.如权利要求2或者3所述的方法,其特征在于所述步骤4中的第d天的空气质量的第一次修正值按如下公式确定:
S(d)=A1(d)×X+A2(d)×Z,
其中,Z表示所述第d天采用数值模式的预报产品的所述空气污染物的小时均值;
X表示所述预报的起点日的所述空气污染物浓度观测小时均值,A1(d)和A2(d)为根据步骤3训练得到的对应第d天的一组偏回归系数;
计算得到S(d)则为所述第d天的空气质量的第一次修正值。
6.如权利要求5所述的方法,其特征在于最终修正值根据下述公式确定:
St’=B×St,其中,St’为最终修正值,St为步骤4获得的所述第d天的空气质量的第一次修正值。
7.如权利要求6所述的方法,其特征在于:
所述K为7,d不超过7;
所述预报时刻为所述第1天的xx时,其xx满足:8≤xx≤23。
8.一种空气质量预报方法设备,包括处理器和存储器,所述存储器具有存储有程序代码的介质,当所述处理器读取所述介质存储的程序代码时,所述设备能够执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597975.XA CN110261547B (zh) | 2019-07-04 | 2019-07-04 | 一种空气质量预报方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597975.XA CN110261547B (zh) | 2019-07-04 | 2019-07-04 | 一种空气质量预报方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110261547A CN110261547A (zh) | 2019-09-20 |
CN110261547B true CN110261547B (zh) | 2020-12-15 |
Family
ID=67924339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910597975.XA Active CN110261547B (zh) | 2019-07-04 | 2019-07-04 | 一种空气质量预报方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110261547B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289040A (zh) * | 2020-04-03 | 2020-06-16 | 中科三清科技有限公司 | 走航监测系统 |
CN112836862B (zh) * | 2021-01-15 | 2024-05-31 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 一种基于机器学习算法的集合预报方法、系统及介质 |
CN114298389A (zh) * | 2021-12-22 | 2022-04-08 | 中科三清科技有限公司 | 一种臭氧浓度预报方法及装置 |
CN114565136B (zh) * | 2022-01-27 | 2024-01-26 | 内蒙古工业大学 | 一种基于生成对抗网络的空气质量预测优化方法 |
CN117408128B (zh) * | 2023-04-13 | 2024-06-14 | 华南理工大学 | 一种空气质量模拟与观测机器学习no2耦合预报方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298851A (zh) * | 2014-07-22 | 2015-01-21 | 兰州大学 | 一种用于预报强降水天气的数据处理方法 |
CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976426A (zh) * | 2010-10-27 | 2011-02-16 | 哈尔滨工业大学 | 基于热网历史数据挖掘的负荷预报方法 |
WO2016129715A1 (ko) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 |
CN106682381A (zh) * | 2015-11-10 | 2017-05-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向环境空气质量的动态数据模拟预报方法 |
US10175387B2 (en) * | 2016-03-10 | 2019-01-08 | The Climate Corporation | Long-range temperature forecasting |
CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
CN106779154B (zh) * | 2016-11-22 | 2020-12-01 | 浙江工业大学 | 基于卫星云图的区域分布式光伏出力预测方法 |
CN108414682A (zh) * | 2018-01-29 | 2018-08-17 | 东莞理工学院 | 一种基于无线传感器网络的空气质量监测数据快速校准方法 |
CN109116444B (zh) * | 2018-07-16 | 2021-01-12 | 汤静 | 基于PCA-kNN的空气质量模式PM2.5预报方法 |
CN109948840B (zh) * | 2019-03-08 | 2020-02-21 | 宁波市气象台 | 一种空气质量预报方法 |
-
2019
- 2019-07-04 CN CN201910597975.XA patent/CN110261547B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298851A (zh) * | 2014-07-22 | 2015-01-21 | 兰州大学 | 一种用于预报强降水天气的数据处理方法 |
CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于MM5模式的精细化MOS温度预报;陈豫英等;《干旱气象》;20051231;第23卷(第4期);第52-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110261547A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261547B (zh) | 一种空气质量预报方法和设备 | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN110489785B (zh) | 一种大气污染物在线源解析方法及系统 | |
CN109116444B (zh) | 基于PCA-kNN的空气质量模式PM2.5预报方法 | |
CN111985701A (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
CN108802856B (zh) | 一种基于ai的源数据动态修正预报系统及其工作方法 | |
CN110263392A (zh) | 基于多模式分区误差检验的风场预报方法及其系统 | |
CN114547553B (zh) | 二氧化碳排放量的反演方法、装置、设备及存储介质 | |
CN102945508A (zh) | 一种基于模型校正的风电功率预测预报系统及方法 | |
CN114742460A (zh) | 一种确定待管控企业的方法、装置、电子设备及存储介质 | |
CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
CN112541255A (zh) | 一种大气污染排放来源自动识别系统及识别方法 | |
CN110489836B (zh) | 一种预驱动中长期空气质量预报系统和方法 | |
CN116013426A (zh) | 一种高时空分辨率的站点臭氧浓度预测方法 | |
CN117217419B (zh) | 工业生产全生命周期碳排放监测方法及系统 | |
CN113435068A (zh) | 一种基于对数变分同化的放射性核素同化预报方法 | |
JP2008112428A (ja) | 水処理施設における流入水水質の統計的予測方法及びその装置 | |
CN110110448B (zh) | 一种基于wrf的天气模拟方法、系统和可读存储介质 | |
Vairoac et al. | A Bayesian belief network for local air quality forecasting | |
CN116502050A (zh) | 全球通量站点蒸散发观测缺失的动态插补方法与系统 | |
Khan et al. | An outlook of ozone air pollution through comparative analysis of artificial neural network, regression, and sensitivity models | |
CN116151469A (zh) | 一种预报空气质量的模型 | |
Nakamori et al. | Interactive design of urban level air quality monitoring network | |
CN113779892A (zh) | 一种风速和风向的预测方法 |
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 |