CN115186230A - 一种判定台风对空气质量影响的方法及装置 - Google Patents

一种判定台风对空气质量影响的方法及装置 Download PDF

Info

Publication number
CN115186230A
CN115186230A CN202210654341.5A CN202210654341A CN115186230A CN 115186230 A CN115186230 A CN 115186230A CN 202210654341 A CN202210654341 A CN 202210654341A CN 115186230 A CN115186230 A CN 115186230A
Authority
CN
China
Prior art keywords
typhoon
ozone
typhoons
historical
pollution
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.)
Granted
Application number
CN202210654341.5A
Other languages
English (en)
Other versions
CN115186230B (zh
Inventor
陈耿
赵熠琳
陈多宏
姚腾
陈梦月
李璇
黄建彰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suncere Information Technology Co ltd
Guangdong Ecological Environment Monitoring Center
Original Assignee
Suncere Information Technology Co ltd
Guangdong Ecological Environment Monitoring Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suncere Information Technology Co ltd, Guangdong Ecological Environment Monitoring Center filed Critical Suncere Information Technology Co ltd
Priority to CN202210654341.5A priority Critical patent/CN115186230B/zh
Publication of CN115186230A publication Critical patent/CN115186230A/zh
Application granted granted Critical
Publication of CN115186230B publication Critical patent/CN115186230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种判定台风对空气质量影响的方法及装置，包括如下步骤：建立台风案例数据库，并生成台风案例查询表；对所述台风位置和所述臭氧浓度关联,得到台风经过时发生臭氧污染的区域，设为台风敏感区；建立台风发生期间气象要素和臭氧污染的概念模型；对所述概念模型进行优化；通过相似算法匹配历史相似台风，分析所述历史相似台风发生期间是否发生预设范围的臭氧污染，判断当前是否存在臭氧污染风险；若所述相似台风发生期间存在臭氧超标风险，则通过获取气象要素预报数据，代入所述概念模型，模拟臭氧浓度变化整体趋势。采用本发明，能够直观的显示台风、气象、污染三者关系，提高臭氧管控绩效，实用性较高。

Description

一种判定台风对空气质量影响的方法及装置
技术领域
本发明涉及自然灾害评估技术领域，尤其涉及一种判定台风对空气质量影响的方法及装置。
背景技术
臭氧光化学污染是当前我国夏秋季节的主要大气环境问题，台风外围天气又是影响部分地区臭氧污染发生的重要天气类型。
我国粤港澳大湾区北靠南岭，南面南海，夏秋季节常常受到台风过程的影响。台风本身伴有强降水，受其影响地区多形成灾害，对大气污染物有很强的冲刷作用。但是，在台风前进方向和前进方向的侧缘往往伴随着明显的、强烈的下沉气流。当台风逐渐接近陆地时，大范围的下沉气流会在陆地形成高压均压场。这种稳定性的大气结构非常有利于污染物的积累，从而造成能见度恶化和空气质量下降，乃至出现灰霾天气。
台风期间臭氧污染精细化防治工作存在以下问题，目前的研究只停留在理论层面，对于台风信息和天气状况及污染情况进行数据汇总统计分析的平台较少，对于台风、气象、污染三者关系缺乏精细、实用、丰富的信息化技术。
发明内容
本发明所要解决的技术问题在于，提供一种判定台风对空气质量影响的方法及装置。对台风期间臭氧污染实时快速诊断分析，利用台风监测平台、空气质量监测平台、气象监测平台的综合信息，整合集成一种判定台风对空气质量影响的方法及装置。
为了解决上述技术问题，本发明提供了一种判定台风对空气质量影响的方法及装置，包括以下步骤：
步骤1：建立台风案例数据库，包括：台风名称、台风路径、台风强度、生成时间、消亡时间、台风距离、台风位置、臭氧浓度和持续时间，并生成台风案例查询表；
步骤2：对所述台风位置和所述臭氧浓度关联,得到台风经过时发生臭氧污染的区域，设为台风敏感区；
步骤3：建立台风发生期间气象要素和臭氧污染的概念模型；
步骤4：对所述概念模型进行优化；
步骤5：通过相似算法匹配历史相似台风，分析所述历史相似台风发生期间是否发生预设范围的臭氧污染，判断当前是否存在臭氧污染风险；
步骤6：若所述相似台风发生期间存在臭氧超标风险，则通过获取气象要素预报数据，代入所述概念模型，模拟臭氧浓度变化整体趋势。
优选的，所述台风案例数据库还包括台风的卫星云图和台风发生时的天气情况、臭氧污染状况。
优选的，所述步骤2包括以下步骤：
步骤2-1：根据所述台风距离和所述台风位置划分不同的区域；
步骤2-2：对步骤2-1所述区域的臭氧浓度超标率进行统计；
步骤2-3：所述区域的臭氧浓度超标时对应的台风位置的集合设为台风敏感区。
优选的，所述步骤3包括以下步骤：
步骤3-1：对原始数据进行数据清洗，所述数据清洗包括一致性检查和处理无效值、缺失值；
步骤3-2：将原始数据按比例缩放，落入特定区间[0，1]，归一化公式为：
Figure BDA0003688708550000021
经过所述归一化公式处理过的输入值和输出值会落在[0，1]区间，再重新换算回真正输出值：
Figure BDA0003688708550000031
其中，Xmax和Xmin分别为所述原始数据的最大值和最小值，Xi为实际数据，
Figure BDA0003688708550000032
为归一化数据；
步骤3-3：计算皮尔逊相关系数，公式为：
Figure BDA0003688708550000033
其中，X和Y为两个变量，ρ(X,Y)为皮尔逊相关系数，所述皮尔逊相关系数的绝对值在[0.8-1.0]区间为极强相关，在[0.6-0.8)区间为强相关，在[0.4-0.6)区间为中相关，在[0.2-0.4)区间为弱相关，在[0.0-0.2) 区间为极弱相关或无相关；
步骤3-4：所述概念模型的多元线性回归模型为：
Y＝W0+W1×X1+W2×X2+…+Wn-2×Xn-2+Wn-1×Xn-1+Wn×Xn +ε
其中，X1至Xn分别为影响同一时刻臭氧浓度的气象因子，W0为回归常数，W1至Wn分别为回归系数，ε为回归模型的残差，Y为臭氧日最大8小时浓度。
优选的，所述步骤4包括以下步骤：
步骤4-1：挑选所述概念模型的残差平方和减小最少的自变量并从所述概念模型中剔除，进行F检验后查看剔除后对所述概念模型是否有显著性变化，若没有显著性变化则剔除，若有显著性变化则保留；
所述F检验包括假设H0:W1、W2……Wn同时为0，或H1：W1、W2…… Wn不同时为0，在H0成立的条件下，计算统计量F：
Figure BDA0003688708550000034
其中，ESS为回归平方和，其自由度为n，TSS为总离差平方和，其自由度为m-1，RSS为残差平方和，其自由度为m-n-1；
然后查表临界值；
步骤4-2：重复步骤4-1，直至剔除一个自变量不会使残差平方和显著减小为止。
优选的，所述相似算法匹配历史相似台风包括基于路径相似的单台风匹配和基于时间重合的双台风匹配，所述基于路径相似的单台风匹配包括以下步骤：
步骤5-1：预设距离指标C；
步骤5-2：计算台风与历史台风的轨迹在经线和纬线方向上的距离A和 B；
步骤5-3：若A+B＜C，则所述台风与历史台风为路径相似的台风；
步骤5-4：若所述路径相似的台风大于两个，则以A+B之和由小到大进行排序；
所述基于时间重合的双台风匹配包括以下步骤：
步骤5-5：预设距离指标D，分别匹配所述双台风中每一个的历史相似台风；
步骤5-6：匹配步骤5-5中时间重合的历史相似台风，得到历史双台风案例；
步骤5-7：若所述历史双台风案例大于两个，则以时间重合范围由大到小进行排序。
优选的，所述分析历史相似台风发生期间是否发生预设范围的臭氧污染包括以下步骤：
步骤5-8：设定臭氧污染的判断阈值，包括：臭氧浓度E、上升速度F、超标风险G和污染范围H；
步骤5-9：历史相似台风的臭氧污染是否超出所述判断阈值中的一种或几种，若满足，则所述历史相似台风发生期间发生了预设范围的臭氧污染，当前有臭氧污染风险，若都不满足，则所述历史相似台风发生期间没有发生预设范围的臭氧污染，当前没有臭氧污染风险。
优选的，所述模拟臭氧浓度变化整体趋势包括以下步骤：
步骤6-1：获取关键气象要素的预报数据；
步骤6-2：将所述预报数据代入概念模型，模拟输出未来台风移动期间臭氧浓度随时间变化的数据；
步骤6-3：通过台风发生期间的气象要素监测数据对臭氧浓度变化的贡献值柱状图、观测臭氧日最大8小时浓度变化折线图和模拟臭氧日最大8 小时浓度变化折线图，直观判断台风发生期间气象要素对臭氧浓度变化的贡献值。
本发明包括一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行权利要求1-8任意一项所述的判定台风对空气质量影响的方法。
本发明还包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行权利要求1- 8任意一项所述的判定台风对空气质量影响的方法。
实施本发明，具有如下有益效果：
支持便捷地查询污染详情，能够直观的显示台风、气象、污染三者关系；采用统计模型分析，节约了大量计算资源，通过台风期间臭氧污染诊断分析，可获知相应区域气象条件对臭氧浓度的影响，为台风期间的臭氧管控提供参考，明确管控区域和方向，有利于降低城市台风期间的臭氧管控成本，提高臭氧管控绩效，实用性较高。
附图说明
图1为本发明所述台风期间臭氧污染预报预警系统分析流程示意图；
图2为本发明所述台风期间臭氧污染预报预警系统部分功能示意图；
图3为本发明所述台风期间臭氧污染预报预警系统部分功能示意图；
图4为本发明所述划定台风敏感区域原理图；
图5为本发明所述划定台风敏感区域原理图；
图6为本发明所述利用相似算法匹配相似台风原理图；
图7为本发明所述利用相似算法匹配相似台风结果示意图；
图8为本发明所述天气要素变化对臭氧浓度变化的影响分析示意图。
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，下面将结合附图对本发明作进一步地详细描述。
如图1、2、3所示，一种判定台风对空气质量影响的方法，包括以下步骤：
步骤1：收集近5年的台风信息，建立台风案例数据库，包括：台风名称、台风路径、台风强度、生成时间、消亡时间、台风距离、台风位置、臭氧浓度和持续时间，生成台风案例查询表，可查看每个台风的卫星云图和台风发生时的天气情况和臭氧污染状况。天气情况包括东西向风速、南北向风速、垂直风速、大气压、相对湿度、短波辐射、边界层高度、最高温度、降雨等信息，臭氧污染状况包括臭氧浓度、上升速度、超标风险、污染范围等信息。
步骤2：对台风案例数据库中的台风位置和臭氧浓度进行关联得出台风在某一区域经过时发生臭氧污染，对于臭氧浓度上升明显，且有预设的超标风险的台风经过区域划定为台风敏感区。包括以下步骤：
步骤2-1：根据台风距离及台风位置划分不同的区域；
步骤2-2：对步骤2-1的区域臭氧浓度超标率进行统计；
步骤2-3：区域的臭氧浓度超标时对应的台风位置的集合设为台风敏感区。
如图4所示，当台风进入敏感区时意味着我国粤港澳大湾区的臭氧浓度超标概率比在敏感区外的高。当台风进入敏感区内，即发送预警信号，提醒预报员需要关注台风的强度、路径和由其带来的下沉气流影响等，判断当前是否有臭氧污染风险。
步骤3:建立台风发生期间气象要素和臭氧污染的概念模型。包括以下步骤：
步骤3-1：对原始数据进行数据清洗，包括一致性检查和处理无效值、缺失值。
步骤3-2：为了避免因原始数据中气象数据和污染物浓度具有不同的量级、量纲产生的误差降低预测模型的准确度，例如同样一个预测变量，分别选用“mg”或者“μg”作为单位，由于量纲及取值范围的不同，模型的构建将受到一定影响，所以需对所有数据进行归一化操作，将原始数据按比例缩放，落入特定区间[0，1]，归一化公式为：
Figure BDA0003688708550000071
经过归一化公式处理过的输入值和输出值会落在[0，1]区间，再重新换算回真正输出值：
Figure BDA0003688708550000072
其中，Xmax和Xmin分别为原始数据的最大值和最小值，Xi为实际数据，
Figure BDA0003688708550000073
为归一化数据；
步骤3-3：两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商，计算皮尔逊相关系数公式为：
Figure BDA0003688708550000074
其中，X和Y为两个变量，ρ(X,Y)为皮尔逊相关系数，皮尔逊相关系数的绝对值在[0.8-1.0]区间为极强相关，在[0.6-0.8)区间为强相关，在 [0.4-0.6)区间为中相关，在[0.2-0.4)区间为弱相关，在[0.0-0.2)区间为极弱相关或无相关；
步骤3-4:概念模型的多元线性回归模型为：
Y＝W0+W1×X1+W2×X2+W3×X3+W4×X4+W5×X5+W6×X6 +W7×X7+W8×X8+W9×X9+ε
其中，X1至X9分别为影响同一时刻臭氧浓度的东西向风速、南北向风速、垂直风速、大气压、相对湿度、短波辐射、边界层高度、最高温度、降雨9项因子，W0为回归常数，W1至W9分别为回归系数，表示臭氧浓度对各影响因子的敏感性，ε为回归模型的残差，Y为臭氧日最大8小时浓度。
步骤4：对概念模型进行优化，将某一变量进行剔除，并进行F检验以查看剔除后对整个模型是否有显著性变化。如果没有显著性变化则剔除，若有则保留。不断迭代此过程直到没有自变量符合剔除的条件。对步骤(3) 建立的概念模型进行优化的方法包括以下步骤：
步骤4-1：先对因变量Y拟合包括自变量X1至X9的回归模型，每一个模型中都有8个自变量，然后所有去掉一个自变量，使回归模型的残差平方和减小最少的自变量被挑选出来并从模型中剔除，并进行F检验以查看剔除后对整个回归模型是否有显著性变化，若没有显著性变化则剔除，若有显著性变化则保留；
回归平方和ESS是由n个解释变量X1，X2，……，Xn对Y的线性影响决定的，其自由度为n，总离差平方和TSS的自由度为m-1，所以，残差平方和RSS的自由度由总离差平方和的自由度减去回归平方和的自由度，即为 m-n-1；F检验包括假设H0:W1、W2……Wn同时为0，或H1：W1、W2…… Wn不同时为0，在H0成立的条件下，计算统计量F：
Figure RE-GDA0003841328290000081
Figure RE-GDA0003841328290000082
Figure BDA0003688708550000083
然后查表临界值；
对于假设H0，根据样本观测值计算统计量F给定显著水平α，查第一个自由度为n，第二个自由度为m-n-1的F分布表得临界值Fα(n,m-n- 1)；当F≥Fα(n,m-n-1)时，拒绝H0，则认为回归方程显著成立；当 F＜Fα(n,m-n-1)时，接受H0，则认为回归方程无显著意义；
步骤4-2：重复步骤4-1，直至剔除一个自变量不会使残差平方和显著减小为止。
结果表明，由台风引起的下沉气流(导致东西向风速、南北向风速、垂直风速和大气压的变化)、相对湿度和最高气温的变化是导致污染物浓度升高的关键因子，它们基本主导了臭氧浓度的变化量。
如图5、6所示，步骤5：实时台风发生期间，通过相似算法匹配历史相似台风，分析历史相似台风发生期间是否发生预设范围的臭氧污染，从而判断当前是否存在臭氧污染风险。通过相似算法匹配相似台风包括单台风匹配和双台风匹配两种：
基于路径相似的单台风匹配包括以下步骤：
步骤5-1：预设距离指标C；
步骤5-2：计算台风与历史台风的轨迹在经线和纬线方向上的距离A和 B；
步骤5-3：若A+B＜C，则该台风与历史台风为路径相似的台风；
步骤5-4：若路径相似的台风大于两个，则以A+B之和由小到大进行排序；
基于时间重合的双台风匹配包括以下步骤：
步骤5-5：以地理相似为前提，预设距离指标D，分别匹配双台风中每一个的历史相似台风；
步骤5-6：以时间相似为前提，匹配步骤5-5中时间重合的历史相似台风，得到历史双台风案例；
步骤5-7：若历史双台风案例大于两个，则以时间重合范围由大到小进行排序；
分析历史相似台风发生期间是否发生预设范围的臭氧污染的方法包括以下步骤：
步骤5-8：设定臭氧污染的判断阈值，包括：臭氧浓度E、上升速度F、超标风险G和污染范围H；
步骤5-9：查看匹配到的历史相似台风的臭氧污染是否超出判断阈值中的一种或几种，若满足，则该历史相似台风发生期间发生了预设范围的臭氧污染，当前有臭氧污染风险；若都不满足，则该历史相似台风发生期间没有发生预设范围的臭氧污染，当前没有臭氧污染风险。
案例库中台风位置对应的臭氧污染情况可用于对未来台风发生期间我国粤港澳大湾区的臭氧污染形势做出有依据的预判。特别是当发生双台风等特殊复杂情况时，台风案例库可以起到较大的参考作用。
如图7所示，“灿都”引起我国粤港澳大湾区大范围臭氧污染的转折点，从台风案例库中匹配出历史双台风案例台风“天鹅”和台风“艾莎尼”，这两个案例的台风位置和走向相似，且我国粤港澳大湾区发生较大范围的臭氧污染，该台风位置和“灿都”预计的台风位置非常相近，预计我国粤港澳大湾区的臭氧浓度也会迅速升高，有超标的风险。
步骤6：若相似台风发生期间存在臭氧超标风险，则通过获取气象要素预报数据，代入概念模型，模拟臭氧浓度变化整体趋势。模拟方法包括以下步骤：
步骤6-1：通过中央气象台下载气象预报数据，或通过WRF模型模拟输出未来的气象条件，获取关键气象要素预报数据；
步骤6-2：将以上数据带入概念模型，模拟输出未来台风移动期间臭氧浓度随时间变化的数据；
步骤6-3：通过台风发生期间的气象要素监测数据对臭氧浓度变化的贡献值柱状图、观测臭氧日最大8小时浓度变化折线图和模拟臭氧日最大8 小时浓度变化折线图，直观判断台风发生期间气象要素对臭氧浓度变化的贡献值。
如图8所示，台风“灿都”发生期间，台风概念模型对臭氧浓度的模拟值有些偏低，但对于整体趋势的模拟情况较好，能较好地解释台风发生期间天气变化对臭氧浓度变化的影响。直观地得出台风发生期间天气要素的变化对臭氧变化的影响，台风通过影响城市的下沉气流、扩散条件、相对湿度、气温等要素，使得该城市的臭氧浓度升高或者降低。其中2021年9月10日臭氧浓度升高，主要是由于相对湿度的降低和日最高气温的升高；2021年 9月16日臭氧浓度下降，主要是由于下沉气流的减弱和相对湿度的升高； 2021年9月17日臭氧浓度升高，主要是由于相对湿度的降低。该结果也验证了概念模型的合理性。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种判定台风对空气质量影响的方法，其特征在于，包括以下步骤：
步骤1：建立台风案例数据库，包括：台风名称、台风路径、台风强度、生成时间、消亡时间、台风距离、台风位置、臭氧浓度和持续时间，并生成台风案例查询表；
步骤2：对所述台风位置和所述臭氧浓度关联,得到台风经过时发生臭氧污染的区域，设为台风敏感区；
步骤3：建立台风发生期间气象要素和臭氧污染的概念模型；
步骤4：对所述概念模型进行优化；
步骤5：通过相似算法匹配历史相似台风，分析所述历史相似台风发生期间是否发生预设范围的臭氧污染，判断当前是否存在臭氧污染风险；
步骤6：若所述相似台风发生期间存在臭氧超标风险，则通过获取气象要素预报数据，代入所述概念模型，模拟臭氧浓度变化整体趋势。
2.根据权利要求1所述的一种判定台风对空气质量影响的方法，其特征在于，所述台风案例数据库还包括台风的卫星云图和台风发生时的天气情况、臭氧污染状况。
3.根据权利要求1所述的一种判定台风对空气质量影响的方法，其特征在于，所述步骤2包括以下步骤：
步骤2-1：根据所述台风距离和所述台风位置划分不同的区域；
步骤2-2：对步骤2-1所述区域的臭氧浓度超标率进行统计；
步骤2-3：所述区域的臭氧浓度超标时对应的台风位置的集合设为台风敏感区。
4.根据权利要求1所述的一种判定台风对空气质量影响的方法，其特征在于，所述步骤3包括以下步骤：
步骤3-1：对原始数据进行数据清洗，所述数据清洗包括一致性检查和处理无效值、缺失值；
步骤3-2：将原始数据按比例缩放，落入特定区间[0，1]，归一化公式为：
Figure FDA0003688708540000021
经过所述归一化公式处理过的输入值和输出值会落在[0，1]区间，再重新换算回真正输出值：
Figure FDA0003688708540000022
其中，Xmax和Xmin分别为所述原始数据的最大值和最小值，Xi为实际数据，
Figure FDA0003688708540000023
为归一化数据；
步骤3-3：计算皮尔逊相关系数，公式为：
Figure FDA0003688708540000024
其中，X和Y为两个变量，ρ(X,Y)为皮尔逊相关系数，所述皮尔逊相关系数的绝对值在[0.8-1.0]区间为极强相关，在[0.6-0.8)区间为强相关，在[0.4-0.6)区间为中相关，在[0.2-0.4)区间为弱相关，在[0.0-0.2)区间为极弱相关或无相关；
步骤3-4：所述概念模型的多元线性回归模型为：
Y＝W0+W1×X1+W2×X2+…+Wn-2×Xn-2+Wn-1×Xn-1+Wn×Xn+ε
其中，X1至Xn分别为影响同一时刻臭氧浓度的气象因子，W0为回归常数，W1至Wn分别为回归系数，ε为回归模型的残差，Y为臭氧日最大8小时浓度。
5.根据权利要求1所述的一种判定台风对空气质量影响的方法，其特征在于，所述步骤4包括以下步骤：
步骤4-1：挑选所述概念模型的残差平方和减小最少的自变量并从所述概念模型中剔除，进行F检验后查看剔除后对所述概念模型是否有显著性变化，若没有显著性变化则剔除，若有显著性变化则保留；
所述F检验包括假设H0:W1、W2……Wn同时为0，或H1：W1、W2……Wn不同时为0，在H0成立的条件下，计算统计量F：
Figure FDA0003688708540000031
其中，ESS为回归平方和，其自由度为n，TSS为总离差平方和，其自由度为m-1，RSS为残差平方和，其自由度为m-n-1；
然后查表临界值；
步骤4-2：重复步骤4-1，直至剔除一个自变量不会使残差平方和显著减小为止。
6.根据权利要求1所述的一种判定台风对空气质量影响的方法，其特征在于，所述相似算法匹配历史相似台风包括基于路径相似的单台风匹配和基于时间重合的双台风匹配，所述基于路径相似的单台风匹配包括以下步骤：
步骤5-1：预设距离指标C；
步骤5-2：计算台风与历史台风的轨迹在经线和纬线方向上的距离A和B；
步骤5-3：若A+B＜C，则所述台风与历史台风为路径相似的台风；
步骤5-4：若所述路径相似的台风大于两个，则以A+B之和由小到大进行排序；
所述基于时间重合的双台风匹配包括以下步骤：
步骤5-5：预设距离指标D，分别匹配所述双台风中每一个的历史相似台风；
步骤5-6：匹配步骤5-5中时间重合的历史相似台风，得到历史双台风案例；
步骤5-7：若所述历史双台风案例大于两个，则以时间重合范围由大到小进行排序。
7.根据权利要求1所述的一种判定台风对空气质量影响的方法，其特征在于，所述分析历史相似台风发生期间是否发生预设范围的臭氧污染包括以下步骤：
步骤5-8：设定臭氧污染的判断阈值，包括：臭氧浓度E、上升速度F、超标风险G和污染范围H；
步骤5-9：历史相似台风的臭氧污染是否超出所述判断阈值中的一种或几种，若满足，则所述历史相似台风发生期间发生了预设范围的臭氧污染，当前有臭氧污染风险，若都不满足，则所述历史相似台风发生期间没有发生预设范围的臭氧污染，当前没有臭氧污染风险。
8.根据权利要求1所述的一种判定台风对空气质量影响的方法，其特征在于，所述模拟臭氧浓度变化整体趋势包括以下步骤：
步骤6-1：获取关键气象要素的预报数据；
步骤6-2：将所述预报数据代入概念模型，模拟输出未来台风移动期间臭氧浓度随时间变化的数据；
步骤6-3：通过台风发生期间的气象要素监测数据对臭氧浓度变化的贡献值柱状图、观测臭氧日最大8小时浓度变化折线图和模拟臭氧日最大8小时浓度变化折线图，直观判断台风发生期间气象要素对臭氧浓度变化的贡献值。
9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行权利要求1-8任意一项所述的判定台风对空气质量影响的方法。
10.一种判定台风对空气质量影响的装置，其特征在于，包括：存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行权利要求1-8任意一项所述的判定台风对空气质量影响的方法。
CN202210654341.5A 2022-06-10 2022-06-10 一种判定台风对空气质量影响的方法及装置 Active CN115186230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210654341.5A CN115186230B (zh) 2022-06-10 2022-06-10 一种判定台风对空气质量影响的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210654341.5A CN115186230B (zh) 2022-06-10 2022-06-10 一种判定台风对空气质量影响的方法及装置

Publications (2)

Publication Number Publication Date
CN115186230A true CN115186230A (zh) 2022-10-14
CN115186230B CN115186230B (zh) 2024-03-29

Family

ID=83513516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210654341.5A Active CN115186230B (zh) 2022-06-10 2022-06-10 一种判定台风对空气质量影响的方法及装置

Country Status (1)

Country Link
CN (1) CN115186230B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556640A (zh) * 2024-01-11 2024-02-13 河海大学 一种基于双台风相互作用的风暴潮数值模拟方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060066861A (ko) * 2004-12-14 2006-06-19 박강식 다중 회귀를 이용한 오손도 예측 장치 및 방법
US20100191678A1 (en) * 2009-01-23 2010-07-29 The Government Of The United States Of America, As Represented By The Secretary Of The Navy Information Assisted Visual Interface, System, and Method for Identifying and Quantifying Multivariate Associations
WO2012046959A1 (ko) * 2010-10-07 2012-04-12 서울대학교산학협력단 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법
CN108009330A (zh) * 2017-11-24 2018-05-08 南京大学 增加气象模式接口的中尺度大气光化学污染模拟预测算法
CN110472781A (zh) * 2019-07-31 2019-11-19 南京大学 台风多变量集合敏感性分析方法、台风预报方法及其系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN113743673A (zh) * 2021-09-09 2021-12-03 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN114518611A (zh) * 2021-12-24 2022-05-20 山东省青岛生态环境监测中心(中国环境监测总站黄海近岸海域环境监测分站) 一种基于相似案例判别分析的臭氧预报方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060066861A (ko) * 2004-12-14 2006-06-19 박강식 다중 회귀를 이용한 오손도 예측 장치 및 방법
US20100191678A1 (en) * 2009-01-23 2010-07-29 The Government Of The United States Of America, As Represented By The Secretary Of The Navy Information Assisted Visual Interface, System, and Method for Identifying and Quantifying Multivariate Associations
WO2012046959A1 (ko) * 2010-10-07 2012-04-12 서울대학교산학협력단 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법
CN108009330A (zh) * 2017-11-24 2018-05-08 南京大学 增加气象模式接口的中尺度大气光化学污染模拟预测算法
CN110472781A (zh) * 2019-07-31 2019-11-19 南京大学 台风多变量集合敏感性分析方法、台风预报方法及其系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN113743673A (zh) * 2021-09-09 2021-12-03 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN114518611A (zh) * 2021-12-24 2022-05-20 山东省青岛生态环境监测中心(中国环境监测总站黄海近岸海域环境监测分站) 一种基于相似案例判别分析的臭氧预报方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴蒙 等: "台风过程珠江三角洲边界层特征及其对空气质量的影响", 《中国环境科学》, vol. 33, no. 9, 20 September 2013 (2013-09-20), pages 1569 - 1576 *
徐光宁: "基于深度学习的台风路径与强度预测方法研究", 《中国优秀硕士学位论文全文数据-基础科学辑》, no. 01, 15 January 2021 (2021-01-15), pages 009 - 79 *
林有任, 邱君瑞, 徐维屏: "西北太平洋台风强度的统计预报――前期因子多元回归方程", 气象, no. 03, 21 March 1982 (1982-03-21), pages 5 - 7 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556640A (zh) * 2024-01-11 2024-02-13 河海大学 一种基于双台风相互作用的风暴潮数值模拟方法
CN117556640B (zh) * 2024-01-11 2024-03-26 河海大学 一种基于双台风相互作用的风暴潮数值模拟方法

Also Published As

Publication number Publication date
CN115186230B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
US11488069B2 (en) Method for predicting air quality with aid of machine learning models
Chang-Hoi et al. Development of a PM2. 5 prediction model using a recurrent neural network algorithm for the Seoul metropolitan area, Republic of Korea
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
Brocca et al. Application of a model-based rainfall-runoff database as efficient tool for flood risk management
Zhou et al. Explore a Multivariate Bayesian Uncertainty Processor driven by artificial neural networks for probabilistic PM2. 5 forecasting
CN106845080B (zh) 基于差异修正的景区旅游气象灾害智能预测方法
CN111678880B (zh) 平流层臭氧侵入对流层中低层的卫星遥感识别方法及系统
Fong et al. Forecasting of particulate matter (PM10) concentration based on gaseous pollutants and meteorological factors for different monsoons of urban coastal area in Terengganu
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
CN115186230A (zh) 一种判定台风对空气质量影响的方法及装置
CN113012771A (zh) 土壤重金属空间插值方法、装置及计算机可读存储介质
Perez et al. Forecasting of hourly PM2. 5 in south-west zone in Santiago de Chile
CN115237896A (zh) 一种基于深度学习预报空气质量的数据前处理方法及系统
CN112364940A (zh) 基于多源数据的大气污染物源解析方法、存储介质及设备
Gong et al. Dynamic-statistics combined forecast scheme based on the abrupt decadal change component of summer precipitation in East Asia
Li et al. A nonstationary runoff frequency analysis for future climate change and its uncertainties
Yadav et al. Statistical evaluation of sigma schemes for estimating dispersion in low wind conditions
Li et al. A new PM2. 5 concentration forecasting system based on AdaBoost‐ensemble system with deep learning approach
CN117744849A (zh) 基于混合深度神经网络的pm2.5浓度预测方法、系统及设备
Chen et al. A correction method suitable for dynamical seasonal prediction
Feng et al. Capturing synoptic-scale variations in surface aerosol pollution using deep learning with meteorological data
Zhang et al. PM2. 5 concentration prediction based on Markov Blanke feature selection and hybrid kernel support vector regression optimized by particle swarm optimization
Sartini et al. Wave hindcast resolution reliability for extreme analysis
CN112485846A (zh) 一种道路积雪有无的预报方法
CN112417148A (zh) 一种城市内涝舆情结果获得方法及装置

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